週六，美國賓夕法尼亞大學的教室裡，教育學院的師生們正在與一位中國學者進行激烈的學術討論。討論中,大家提及最多的詞語是“教育”、“數據”,還有“技術”。這與我們想象中的教育似乎有些不同。
回顧過去，不同大概是從兩份文件開始的。2010 年，美國製定並公佈了新一輪的國家教育技術計劃——《重塑美國教育:技術驅動下的教育變革》(Transforming American Education Learning Powered by Technology)。這份計劃中預想了如何使用在線教育所生成的數據，提升教學效果的方法，當時該計劃對整個國際教育界產生了重大影響。
同年，大洋彼岸的中國政府公佈了《國家中長期教育改革與發展規劃綱要(2010-2020)》，其中指出，教育信息化已經進入加快發展的全新時期。
時隔 8 年，這兩份看似有些久遠的文件，卻預示著教育行業未來的發展趨勢。今天看來，人工智能的快速發展，令教育行業又有了新的變革。而當人人都在討論人工智能，討論人工智能對教育的顛覆時，討論的又是什麼？
在剛剛結束的週末，論答聯合創始人兼首席數據科學家馬鎮筠博士來到了賓夕法尼亞大學學習數據分析研究中心，他與中心主任 Ryan Baker 教授，以及教育學院的碩士、博士生們進行了《學習數據分析在中國中小學教育的落地》的主題分享。
馬鎮筠博士在賓大學學習數據分析研究中心
論答學習數據的收集
人工智能在國內大熱，其本質還是對數據的有效篩選，教育自然也不例外。專注於“AI+教育”的論答，是一家學習技術與大數據公司，為培訓機構和中小學提供人工智能學習綜合解決方案。此次分享,馬鎮筠博士選取了一名真實學生的案例，圍繞具體的學習數據，詳細分析該學生的學習曲線、學習路徑等，從數據方面解釋了人工智能到底是如何賦能教育的。
首先，馬鎮筠博士簡要地介紹了論答的人工智能學習系統。他表示，現階段，論答團隊針對國內中小學課程體系，本土化設計和開發人工智能算法引擎、學習系統、課程內容，以及教學模式。該系統主打三大功能：智能測評、學習數據分析和智能練習。
馬鎮筠博士選取了一名 6 年級學生,他從 2017 年 9 月到 2018 年 4 月對數學科目進行了學習，做題總數為 345 道，主要關於“圓”的知識點學習。
任務卡片使用情況
在論答人工智能學習系統中，論答專門為老師匹配了相應的在線教學工具，例如老師上課期間會針對具體知識點，佈置不同類型的任務卡片，涵蓋解析卡、練習卡、闖關卡等六種類型。這樣既保證了經驗不足教師的上課質量，也讓學生可邊學邊練邊測，為分析其學習曲線和學習路徑做準備。
機器怎麼判斷學生對知識點的掌握？
接下來，馬鎮筠博士展示了多張曲線圖，反映該學生對各知識點的掌握情況。例如，圖 A 中圓的面積，當曲線達到 0.9 及以上時，說明該知識點已被掌握，但突然又降到 0.6 左右，這時系統自動推送同樣知識點的題目，推測“圓的面積”是否被真正掌握，直到曲線一直穩定在 0.95，表明該知識點已經掌握，可以進行下一個更有難度的知識點學習。
學習曲線圖 1
圖 B 中，我們能看到學生對三個知識點的掌握情況並不是很穩定，所以是需要繼續鞏固學習的。同理，圖 C 這些知識點的掌握情況並不理想，還需要複習；圖 D 展示的知識點需要單獨學習；而圖 E 的知識點是該學生目前還無法掌握的，需要學習的更多基礎知識。
學習曲線圖 2
對知識點掌握情況的分析，不僅讓老師們能瞭解學生的當前學習情況，還指出了學生下一步“從哪個知識點開始學”，這也是論答提出的學習路徑。
實際上，“圓”的專題學習被拆分了多個知識點，根據學生做題情況，這些知識點被分為已經掌握、基本掌握和未掌握。
學習路徑
除去該學生在做題中的無效測試，我們發現他應該先學的知識點是扇形面積公式的簡單應用，弧長公式的應用-結合圖形，以及圓的面積-元素比。
下圖顯示了，該學生的月度學習效果圖中，2018 年 3 月熟練掌握的知識點遠超過未掌握的知識點。
最後，論答對該學生的期中考試分數做了預測，分數在 91-97 之間(準確分數預測為 94)。
分享結束後，Ryan Baker 教授和現場的師生進行了激烈的討論，他們對論答人工智能學習系統表現出很大的興趣，也好奇數據分析是如何在中國教育落地的。經過交流，馬鎮筠博士發現，論答現有產品的應用與美國學術研究在某些方面不謀而合，比如對於學生未掌握的知識點，通常需要 8 道題判斷，而論答只需要 5 道題。
此前，馬鎮筠博士在民辦教育科技節上表示，教育的人工智能實現才剛剛到來。此次的美國行，一方面讓更多人瞭解論答，另一方面更是業界與學術界的碰撞，論答將不斷優化產品，讓 AI 真正賦能教育。
閱讀更多 科技客 的文章
