芥末堆芥末堆

从人工智能的角度聊聊自适应

作者:虾子摸象 发布时间:

从人工智能的角度聊聊自适应

作者:虾子摸象 发布时间:

摘要:人工智能不是一个特定的技术,是一个时代的开始。

wall-e-1872683_1280.jpg

图片来源:pixabay

今天是立春。立春是适合耕耘土壤,为播种做准备的好日子。一早,便收到好友爱知行的李子发来的文章《自适应学习的两种设计方案:知识点间和知识点内》,并希望我也来回应一发。我看了文章,有几点还是觉得值得探讨,便应了下来:“好,来一发。”

先说说,文中的几点。

(1)文中首先对将自适应分为两类:“知识点间”(between knowledge points)自适应和“知识点内”(within knowledge points)自适应。然后提到了它们与CAT(计算机辅助测试(Computerized Adaptive Testing))的关系。明确了以下观点:

CAT的问题是,假设被试者能力不变,给定一个题库,是否存在一个测试路径,使得系统以最少的题量将学生能力估计到某个预先指定的熟练程度。因为CAT从根本假设上否定了通过练习进行学习(learning through practice)的可能性,因此使用IRT/CAT做推荐引擎的知识点内自适应学习产品都有一点“挂羊头卖狗肉”的嫌疑(但是知识点间自适应系统并不存在这个问题)。

个人认为,意识到必须区分传统的知识点,并分类为“知识点间”和“知识点内”是有进步的。当然,这开启了新的挑战。也就是后来JC(俊晨)提到的“知识点内自适应可以说是一个还有待进一步研究的领域。”

(2)顺着IRT的话题,进一步说下,IRT并非没有价值,只不过需要区分下以下几个概念。但目前,它的价值并没有被真正放对地方。

图片 1.png

(3)为什么区分“知识点间”和“知识点内”是有意义的?

一开始讨论自适应的时候,大部分技术驱动的团队,并没有意识到这一点的重要性。他们大多copy国外的实践,也许是因为资本偏好国外成功模式的需求导致的。但是,中国式教育、考试,是真正的“中国式”的。中国学生要做的题,比国外同阶段教育所要做的题,难太多了!当然,即使是在美国,据说知识点间自适应的应用效果也不理想。也就是文中提到的:

“知识点间自适应”是一个在直觉上合理并且在技术上成熟的设计方案。今天我们在中国看到的自适应学习系统,大部分属于这个类别。然而,“知识点间自适应”系统在美国的实际使用中效果差强人意。

好了,说完了背景情报,说点干货,谈谈我对“自适应”的一些看法和认识:

一、当我们在说“自适应”的时候,我们在说啥?

从大众的角度,我觉得“自适应”其实就是在强调某种“智能”,希望机器能聪明、且自动化地为我们解决一些问题。从专业的角度来说,其实是希望在两种需要之间做平衡,即:“按需推送资源”和“按适应能力推送资源”,二者分别对应“按需教学”(学习者自主选择学习内容和节奏)和“适应性教学”(系统或教师为学习者选择学习内容和节奏)。

图片 2.png

二、“自适应”跟“人工智能”有什么关系?    

蓝象营在16年的预测里,显然是重点强调了“人工智能”,当然“人工智能”确实很热。值得注意的是,自适应确实被放在了“智能化”里。虽然我不太认同2013年开启的题库项目,能算是“智能型”题库,好吧,你说叫初级阶段我也认了,暂且不议。原因在于,智能题库必须要以“希望机器能聪明、且自动化地为我们解决一些问题”为前提,而“传统基于知识点的智能题库”好像真的是啥问题都没解决。

图片 3.png

说到“智能”有一段学习心理学的话还是非常值得一看的。

图片 4.png

这段话有几个意思:

  • (1)知识与语义的表征高度相关,涉及知识的话题,从语义记忆的角度来看,都会有“智能化”的需求;

  • (2)反之,智能的话题本质上是语义的话题,而且是语义记忆的话题。

  • (3)设计上应与“情景记忆”无关。

三、时下热门的“人工智能”将如何影响自适应?

2016年,人类已经被阿法狗打败了。所以“人工智能”热潮再创新高。但是绝大部分的观点基本都在吹嘘“大数据”和“深度学习”。它们很少谈到专家系统,很少谈到语义,但是这些话题是同等重要的。

2017年1月14日下午谷歌云首席科学家李飞飞今天在极客公园2017GIF大会上发表演讲《李飞飞:AI成长伴随不确定性》,就对这一些话题进行了强调。我总结一下这个部分李飞飞的核心观点其实是这样的:

1、深度学习,对于图片的识别目前已经没有什么问题,但是要让图片的意思被理解,进而进行有效的分类,目前还是很头疼的;

2、分类依据,其实是一种“知识”;所有的“知识”本质上都是语义的,所以也可以说“分类依据,其实是一种语义”;

3、目前,人工智能的话题,在语义方面解决得并不好。传统的NLP和专家系统其实都不是太灵,但它们是不可回避的话题,也是人工智能的核心话题。因此,如果人工智能的话题继续,我们就需要一些全新的思路来解决语义问题。这就不难理解为什么2016-11-30有篇文章《谷歌搜索也是拼了!为上马神经网络,百名 PhD人工处理数据》。

我回到我们文初提到的“知识点间”和“知识点内”相关的话题来衔接人工智能中语义的问题,我想起来的是耐格纳威斯基(澳)写的《人工智能智能系统指南》一书中的一副截图:

图片 5_meitu_2.jpg

关于自适应的话题,我补充如下:

  • 1、对于人工智能来说,对知识的标签进行人工的干预是必不可少的工作,国内知识工程专业,在北师大等一流高等学府是有开设的,但是其发展并不能满足当前实践的需要;

  • 2、专家系统的传统思路,只是必要的部分,但并不意味着它们足以解决问题。

  • 3、NLP的传统思路,为我们积累了大量词库集,但这些传统词集,如何更好地服务于“机器学习”也是一项重要的挑战。

  • 4、并未被词集化的部分,可能需要的是“新的知识工程技术”,它们可能开始于对认知语言现象和语用现象的深刻洞察,而成功于找到能为AI服务埋单的场景。这里面,最重要的领域可能就是教育。

  • 5、需要大量新技术、新知识的应用。我相信它们已经存在,只是还没有浮出水面。

末了,我想用IBM大中华区首席技术官、IBM中国研究院院长沈晓卫在《人工智能凶猛来袭!未来10年40﹪的企业或将消失》这篇讲话中的一句话来结尾,借以鼓舞那些像李子团队(爱知行)、像我们团队(图索教育)一样奋斗在创新第一线的伙伴们:人工智能它不是一个特定的技术,它是一个时代的开始,所以对非常多的行业和公司都会产生非常深刻的影响。我觉得一个公司是否存在取决于它是否拥抱变化。

一年之计在于春,让我们开始行动起来!

本文来自投稿,作者虾子摸象

1、本文是 芥末堆网原创文章,转载可点击 芥末堆内容合作 了解详情,未经授权拒绝一切形式转载,违者必究;
2、芥末堆不接受通过公关费、车马费等任何形式发布失实文章,只呈现有价值的内容给读者;
3、如果你也从事教育,并希望被芥末堆报道,请您 填写信息告诉我们。
来源: 芥末堆
芥末堆商务合作:王老师 18710003484
  • 从人工智能的角度聊聊自适应分享二维码