近日，CNNIC(中国互联网络信息中心)发布最新中国网络发展状况统计报告表示，AI技术正驱动教育产业升级。在这一浪潮下，一大批教育企业正拼尽全力加入AI+教育的阵营，以期争当第一批吃螃蟹的“王者”。本文由雷锋网编译于培生集团发布的关于AI+教育的研究报告《Intelligence Unleashed: an argument for AI in education》，作者为来自UCL(伦敦大学学院)的Rose Luckin、 Wayne Holmes，以及培生集团的Mark Griffiths、Laurie B. Forcier。
众所周知，很多AI+教育的应用已经被大中小学校等机构所使用。许多包含AI+教育和教育数据挖掘(EDM)技术也被用来追踪学生的行为。
举个例子，通过收集课堂上学生的出勤率和任务提交的数据，以便了解学生是否处于无心学习的状态。还有其他AI研究员正在探索更具创意的用户界面，如 NLP(自然语言处理)、演讲和姿态、眼球追踪和其他物理传感器。
然而，在这篇文章里，我们将着重专注于三类已经可以直接用来支持学习的AI+教育软件应用：
▪ 为学习者提供个性化指导;
▪ 为协作学习提供智能支持;
▪ 虚拟现实辅助学习。
自适应系统丨AI+教育可以为每个人提供智能化、个性化指导
在实体教学中，一对一指导往往被认为是最有效的途径。但是这个方法对所有学生而言并不完全适用。原因有二：一来没有这么多老师，二来学生也担负不起这么高的辅导费用。
所以这就给大家提出了一个难题：我们如何将一对一指导的积极影响提供给所有科目的所有学生。
这也是ITS(智能辅导系统)接入的地方。ITS 利用 AI 技术，可模拟一对一指导，提供最适合学员认知需求的学习任务，并提供针对性的及时反馈意见。而这个过程都不需要老师的出席。
一些ITS系统还能帮助学员管理自己的学习状态，从而培养 自律能力。还有一部分人可使用教学策略来管理学习，以便在学习中可以获得适当的挑战和支持。
20世纪70年代，第一批AI系统提供了 个性化和自适应指导。以 BUGGY 为例，这是一个旨在指导加减法的开创性系统，使用了一个学习者在程序运算中可能会弄混淆的模型。这个“错误库”，是该系统中一个有效的主导模型，用于诊断学员们犯的每一个错误，以便提供适当的指导。最初，它受到可以识别的错误的限制，而这些 bug 已经包含在原始代码中。随着时间 的推移，额外的误解被发现并被添加到这个“错误库”里。
除了这些模型，最近很多 ITS 系统还使用了机器学习技术、基于大数据集的自我训练算法和神经网络，它们可为这些学习者提供正在学习的内容 并作出适当的决策。然而，通过这个方式，依然很难让这些决定变得合理又明确。
相较而言，基于现代模型的自适应 系统则要灵活得多。它们可以让系统作出的每一项决定，都 能被人类正确的理解，从而更适用于课堂教学。在过去十年中，随着学习者和教育学家的日益复杂性，主导模型也被引入到许多自适应系统中以支持个性化学习推荐。
例如， iTalk2Learn 系统，旨在帮助年轻学生学习数学的「分数」部分，并使用了一个学 习者模型，其中包含了学习者的数学知识水平、认知需求、情感状态，以及他们收到的反馈和对反馈的反应等信息。
基于自适应学习可以包括一系列AI+教育的工具：
▪ 学习者认知和情感状态的模型。
▪ 利用对话让学生参与涉及探究和讨论、提问和回答的学习体验。
▪包括开放式学习者模型，以促进学习者的反思和自我意识。
▪ 采用元认知架构(如，通过提供动态帮助或使用叙述框架)来增强学习者的动机和参与度。
▪使用社会模拟模型——例如，通过了解社会 规范和文化，让语言学习的学生可以更好地与目标语言的演讲者交流。
协作学习丨AI+教育可为协作学习提供智能支持
几十年的研究表明，对于协作学习来说，无论是在一 起参与项目的两位学生之间，还是一起参与在线课程的社团里的学生之间，都比单独学习 要有更 好的学习成果。协作学习是有效的， 因为其能鼓励参与者表达和加强他们的想法，并通过建设 性的对话来消除分歧，并对共享的知识提出新的 理解。此外，协作学习还能加强动机——如果学生关注 所在的小组，他们 将更积极地参与到该项任务中去，并实现更好地学习成果。
然而，研究也表明，在学习者之间的协作 学习并不会自发的发生。比如，小组成员可能并不具备协作所需要的社会互动技能。这在线上合作的 各协作方之间很 少有线下交流的背 景下就显得尤为困难。而这点正是AI+ 教育可以切入的地方。根据我们调查的结果，主要专注以下四个方面：自适应小组的形成;专家简易化;智能虚拟助理;智能审核。
自适应小组的形成
该系统一般使用 AI 技术和知识来管理独立的参与者，最常见于学习者模型，以形成最适合特定协作任务的小组。目的可 能在于让这个小组里的学生在认知水平和兴趣上具有相似性，或者参 与者之间能互相为彼此带来不同但互补的知识和技能。
专家简易化
这些有效的合作模式，统称为“协作模式”，一般用于为协作学生提供交互式知识。这些模式由系统作者提供，也由先前的协作方式衍化而来。例如，如机器学习、马尔科夫模型等 AI 技术，已被用于识别有效解决问题的协作策略。这些可以用来训练系统，以帮助学生更好的理解彼此分享的知识和概念，或者在正确的时间为正确形式提供有针对性的支持。
智能虚拟助理
这种方法涉及引入到协作过程中的智能虚拟助手。这些AI助手可能会调解学生的线上互动，或者简单的通过以下方式促成对话：
▪ 专家参与者(一位教练或导师)
▪ 虚拟小伙伴(类似一位和该学生处于相同认知水平的虚拟同学，但是这位小伙伴能引入小说创意)
▪ 或者学生自己——例如，虚拟小伙伴可能存在理解不当的问题，从而为学生提供替代性观点，以刺激更有创造力的论证和反思的产出。
智能审核
由于有大量的学生处在多个协作小组中工作，所以一个人不可能弄明白参与者们在讨论过程中产生的大量数据。这时候就需要智能审核的方法。其通过 AI 技术，如机器学习和浅层文本处理，来分析和总结这一讨论，从而让人类教师能够引导学生进行有效的协作。例如，系统可以向人类教师提供警报，以向他们通报可能需要其干预或支持的重大事件，如学生在做题过程中脱离主题或出现重复的错误。
