自適應教育:原理、落地流程與迭代
自適應學習/智慧化教學(Adaptive Learning/Adaptive Teaching)概念,伴隨上世紀70年人工智慧概念而興起。在當時人們相信計算機終將獲得人類的自適應能力。一個基本前提假設是,自適應學習可以調整學生/使用者的學習方法/路徑,以幫助學生達到更有效的學習效果、獲得更好的體驗。
-
專家模型。該模型儲存了要授予學生的資訊/知識。
-
學生模型。該模型可以追蹤、學習學生行為資料。
-
指導/教學模型。該模型用以傳輸資訊。
-
指導/教學環境。系統支援互動的使用者介面。
最初的自適應學習是基於相對簡單的邏輯樹/規則進行,現在商業化落地的自適應學習應用了更為複雜的AI演算法(如無特別說明,文下均指後者)。
來源:鯨準研究報告
在70年代,自適應學習無法普遍落地的主要障礙有兩個,一是計算機成本高昂、體積龐大,並不適合落地,二是當時的使用者互動介面不利於學習過程。 到現在,兩個障礙已經不存在,且其實現需要的演算法、計算能力與資料基礎越加成熟,自適應學習逐漸在教育領域實現商業化落地 ——國內外都出現了頗有意思的初創公司,做教育的大公司也逐漸在自適應學習上投入技術資源(文末會引用並呈現國內外對應公司的版圖)。
因本文的重點釐清:自適應學習在教育領域的角色、其實現的基本原理、落地(型別、價值、迭代方向),相對而言偏向底層。下文將先梳理上述要點。應用層的商業化專案將放在文末展開。
備註:下文主要是兩篇行研的筆記梳理,報告來源為 艾瑞研究院 、 鯨準 。
一、自適應學習實現的基本邏輯
自適應學習與其他AI技術在教育的落地區分
自適應學習是基於AI相關演算法技術實現的,在呈現自適應學習基本原理之前,先了解AI在教育中的全版圖落地,會有助於相對全面地判斷自適應學習實現的意義:它所處的位置在哪裡,角色的重要性如何。
借用艾瑞研究報告的整理,一圖看清自適應學習與AI其他技術落地在教育中的角色區分:
來源:艾瑞研究報告
自適應學習與其他AI技術落地教育的場景有較明顯的區分,自適應學習更多解決教學的問題,在學生學習路徑、內容、能力探測與預測方面,更重在“核心”的影響,其他的更多在於“外在形式”或者工具輔助上,比如影象識別下的搜題、語音互動上的對話等。
自適應學習落地基本流程
對自適應學習落地與其他AI技術落地教育角色區別有一個大致區分後,再回到自適應學習系統的實現原理。 AI演算法執行的一個基本流程是:資料輸入-計算分析-方案輸出 。
自適應學習演算法執行的基本流程同理,第一步是獲得訓練樣本(即訓練的資料,然後輸入)。然後對樣本進行特定模型訓練(即計算分析過程),在這一步,涉及的模型包括學科要素、教學方法/策略、學生認知特徵等要素。
訓練模型的用處在於與每個學生在學習時產生的資料(比如答題正確率、偏好、缺漏等等)對比,使學生的資料更接近理想模型。簡單點理解,就是讓學生進階至理想(比如高分)模型狀態,而實現這一點,就要基於學習資料推薦匹配的教學資訊、方案幫助優化學生學習效率。
第三步是輸出方案,即推薦給學生學習的素材和路徑,或者是測評方案以及個性化分析判斷。
拆解教育產品環節,自適應學習的應用
教育環節可以分為:教學內容、教學、學習、練習、輔助測評、其他。應用環節如下圖:
來源:艾瑞研究院
教育環節對應的自適應需求,分別需要:
-
內容研發方面,需要比如認知科學、學習心理學、學科教研、教育測量學的配合。
-
教、學、練環節,需要資料與技術開發。資料供應端包括教學平臺、教學工具等;技術開發不僅是將目標學習人群的資料輸入,還要基於AI的多種技術演算法實現自適應教、學、測等需求。
值得一提的是,現在自適應學習初創公司,分別在面向自適應管理、自適應測評、自適應練習環節切入,相對而言是較輕的。而在自適應學習教學、內容開發是難度較大,出現的明星公司有寥寥幾個,且集中在k12領域,教育行業其他賽道有待更多參與者探索。
自適應學習落地的兩個型別
瞭解完自適應學習的基本原理,來看看其落地教育的基本模式/型別 。
基於教育環節的拆解,不難將練習、測評環節歸類為題庫類,這一類對應的是題庫、測評與作業類自適應公司。測、練、學、教的全過程要基於演算法執行,以採集學生資料並實現優化效率的學習方案推薦等,這一類對應的是自適應系統服務商,比如為學校、企業提供自適應學習系統的公司等。
二、自適應學習在教育領域落地的價值
傳統的學習路徑相對而言,是單一的。比如教科書每一章節順序是固定的、每個年級的方案是固定區分的。所有學生統一路徑。但在自適應學習的應用下,新的學習、教學方案是立體多維的,智慧演算法可以基於每個學生的學習行為資料,形成個性化學習路徑。
對於學生而言,自適應可以提供個性化的學習方案,其好處在於:相對精準發現缺漏知識、並獲得補充方案;相對匹配水平的學習節奏。 借用一家自適應教育公司的圖片,以作面向學生端的效果:
來源:乂學教育
對於教師而言,作業的推送和批改可以獲得相對解放,且多個學生資料相對清晰、成體系地獲得並瞭解。對於教學機構,相對減輕了對教師的重依賴——自適應系統可以幫助提高教學方案推薦/指導學生的質量,降低師資成本。
三、自適應學習的迭代方向
在上文提及自適應學習落地流程的三個環節。其對應的迭代方向,基於三個環節分別對應:
-
資料輸入環節。在樣本資料獲得/輸入後,需要更細粒度的維度拆解,進而對人群畫像更細粒度區分,進而為之後更精準的推薦方案提供基礎
-
計算處理環節。訓練模型在模型構建上需要更接近真實人學生人群特徵、學科要素、學科方法論等。在訓練演算法上需要更高效。
-
輸出方案。需要在學習內容豐富度、測評效果準確度、學習方案調整智慧水平上進行不斷優化。
以上迭代思路來自:
從自適應落地難度來看,上面也提及測評、練習,即題庫類的自適應學習應用落地是相對容易的。而更難的在於自適應內容的構建——需要顆粒度更細、內容品質更高(使其具備面向千人、乃至萬人級別學生的質量要求)的內容研發與構建。
四 、一些例項
自適應學習頭部公司最受關注之一Knewton,其為高校、公司等提供教學自適應產品,目前融資額達1.82億美元。 去年在中國佈道過自適應學習在課外作業輔導的高效性。 其實現流程,主要為:一、拆解學習內容、形成關聯的知識圖譜(這一部分的難度較高,前文已提及)。二、蒐集、分析學生學習資料。三、基於學生行為資料,推薦個性化學習方案、設定任務與目標。
如下圖:
來源:鯨準
國外其他自適應教育公司版圖可參考下圖,從圖中不難看出,自適應學習方案在k12、高教的應用相對高。另外值得一提的是,語言培訓公司Duolingo在2016年轉型自適應教學技術公司後,獲得8000萬美元融資,是一個典型的傳統培訓教育公司轉型新技術教育公司的案例。
國內也有松鼠AI面向K12的自適應學習解決方案,目前累計融資近10億元,已經在全國30多個省市自治區、直轄市簽署了1800家合作學校。另外一個案例是:智課網,其教學系統在學、練、改、測上引入了自適應學習技術,是一個典型傳統教育公司從主打名師、到主打服務,升級主打智慧自適應系統的教育(國際留學等業務類)的案例。
其他國內自適應公司暫不展開,值得繼續關注一個維度在於在不同教育領域的落地:現在主要在k12和語言培訓,上文已提及。那在其他領域相對亮眼的公司可能性如何?比如Knewton(K12+高教)等,國內的對標可能在哪?其他如早幼教、企培、職教又如何?
題圖來自網路。
新技術可能驅動教育行業各領域產品變革,歡迎業界朋友交流相關。