干货丨最全AI技术改造教育流程：AI教育的哲学性探讨

在 人工智能 技术发展形势如火如荼的今天， 教育 行业是人工智能技术应用落地最火爆的领域之一。一百亿研究所从人工智能技术在教育行业最细节的技术及其应用环节出发，从点到面地带来 AI 教育场景应用的行业态势观点。

AI教育技术应用的教育环节改造点

科技与教育的融合加速教育产业的变革。一系列尖端AI技术在教育领域的应用，将会在很多方面实现学习质量和学习效率的提升。

基于大数据和深度学习技术的人工智能，拥有了比人类更为丰富的知识储备和更加严谨的逻辑思考能力，能够很好地渗透进一些教学场景环节中。在具体的不同学习科目上，也运用到了不同的人工智能技术， 以语数外三门主要科目为例，我们统计归纳了一下市面上专门从事单一科目的教育标的企业以及他们在各自的科目上运用到的相关技术：

标的企业产品界面示例：

考拉阅读

创数教育

盒子鱼英语

完整的教育流程分为五个环节，内容开发——教学——练习——测评——管理，这些环节中都存在可以植入自适应学习技术的应用场景。

其中，内容开发是自适应教育流程其他4个环节的基础，管理在自适应教育中代指的是通过教学分析、练习、测评等环节的学生数据，对用户进行智能预警、提醒和跟踪，是流程中的前置环节成功应用后的附加产品。教学、练习、测评这三个环节的应用是直接面对C端用户的，也是目前市场上最主流的应用环节。我们对目前市场上对这三个环节运用到的相关技术做了统计和归纳。

在自适应教育流程中，最核心、最复杂、最难，同时也是对学习效果的影响作用最大的环节就是教学。 教学环节的关键是要实现对学生的个性化学习路径的精准推荐，其中的产品设计逻辑需要遵循三个步骤：

1.学习者建模

学习者是自适应学习的最主要参与者与体验者，也是个性化资源获取的主题，因此自适应学习的设计首先要重点考虑学习者的个性化需求特性。为了清晰地表征学习者在系统中地属性，需要对学习者进行建模，这一步主要借助用户建模组件或者第三方代理软件实时收集并处理学习者个性化信息来实现。

2.领域知识建模

领域知识指代地是特定专业领域的经验、理论、方法论的知识单元群。自适应学习中领域知识是结构化学习资源，为学习者提供个性化学习数据来源。领域知识建模要求知识体系拥有良好的结构，便于系统推荐资源路径时做出精准的判断。领域知识之间的关系包括前驱后继关系、并列包含关系和相关关系三种类型，每个知识单元或知识点都应该含有难度、风格和学习任务属性。

3.关联规则定义及其推荐方法

关联规则指的时从数据集合中发现频繁项并找出项集间的关联关系。具体技术层面上分为三个子步骤，产生频繁项集——产生路径关联规则——推荐路径预处理。

基于目前已有的技术和其应用的程度和场景，自适应学习可以分为几个层级：

Level 0

基于纯人工的自适应学习

Level 1

基于简单规则的自适应学习

在Level 0的基础上加入简单的条件判断，就可以实现最基本的自适应学习算法。基于规则的自适应学习，本质是决策树，适用场景并非是去判断学生是否掌握某种知识，而是判断学生的某种行为是否正确。

但是学生的掌握程度难以通过简单的逻辑判明，因此需要在简单的决策树规则之上建立更好的自适应学习算法。

Level 2

基于难度等级的自适应学习

在根据学生具体的错误行为推送相应课程的基础上，设计一套难度递增的课程，当学生完成得好就增大难度，当学生完成的不理想时，就相应降低难度。这就是基于难度等级的自适应学习。

基于难度的自适应学习算法的最大缺点是认为学生的学科掌握度是一个绝对值，但实际学习中，学科中细颗粒度知识点的掌握情况通过该算法难以评估。

Level 3

基于知识点网络和概率模型的自适应学习

Level 2难度等级的概念外，引入知识图谱的概念。因为实际中无法直接去测量学生的知识点掌握程度，因此只从学生的练习情况倒推出知识点的掌握程度。

具体教学中，分为几个层面

1）同样难度下的单一知识点

2）不同难度下的相同知识点

3）一题对应多个知识点

在这几个层面外，还要考虑到，知识点并非互相孤立。学生学习时，除了要掌握新知识点，还要能传播到相关知识点（也就日常说的“举一反三”）。这时就需要建立知识图谱。同时也要考虑到学生完成学习进度的时间的影响，这其中设计到学生学习知识点的时间权重以及学生对知识点的记忆曲线。

自适应学习在这个阶段，依然存在两大问题，一个是人工教研工作量庞大，做得越细越好，越困难。另一个是，只能解决客观题，无法解决证明题和简答题。

Level 4

基于NLP和推理引擎的自适应学习

真正的AI级别的自适应学习，说的就是Level 4。

达到这个水平的自适应学习系统，可以解决任何学科的各种类型题目，可以用多种策略得到正确答案，并且能判断其他答案的正确性。

一旦Level 4级别的自适应学习出现，之前的自适应学习系统都会受到颠覆性冲击。但是Level 4级别的难度非常高，无论是国内还是国际上都是在探索阶段，因此在此不做更多展开。

人工智能（AI）与自适应学习有什么具体区别？

教育领域应用AI技术具有天然的适应性，AI+教育能够有效解决教育效率的问题，真正做到因材施教，提升教学体验。

在教育流程中，自适应能对视频、音频、图片等进行数据化处理，来实现对学生学习行为数据的搜集和整理；通过大数据分析来了解学生的学习需求；针对性的为学生提供需要的辅导并根据反馈进行调整。但需要注意到的是，AI+教育并不等同于自适应学习，AI+教育指的是将人工智能技术嵌入式地应用到学习的各个环节，自适应学习是AI+教育的一个子集，自适应学习技术作用于学习的最核心环节，从根本上带来教育模式的变革。

学习的环节从浅到深分为四个层次：

1.最外围学习环节：这个环节包括的内容又获取学习资料、沟通、陪伴、教务以及管理。

2.次外围学习环节：该环节的内容主要是测评，考核学习效果

3.次核心学习环节：这个环节涵盖练习、作业、教学辅助

4.最核心学习环节：涉及学习最根本的流程——教、学、认知、思考

教育领域已有的落地运用的人工智能产品提供的功能包含拍照搜题、分层排课、口语测评、组卷阅卷、作文批改、作业布置等，但这些产品中的人工智能技术的应用场景仅仅停留在上文谈到的学习过程的前三个环节中，比如拍照搜题仅作用于最外围学习环节的获取学习资料，分层排课通过智能搜索作用于最外围学习环节中的教务；口语测评、组卷阅卷作用于次外围的测评环节；作文批改和作业布置应用于次核心环节的练习、作业教学辅助。这些技术在学习中更多的是辅助性的作用，而不会直接提升教学质量和效果。自适应学习与这一类人工智能技术的不同在于，自适应学习的人工智能技术直接嵌入学习的最核心环节，从根本上改进学习的理念和方式，同时产品也更容易打通商业模式，直接面向C端客户变现。

AI应用到教育上的主要特征

在当前人工智能快速发展的时代中，AI技术应用到教育领域，基于“互联网+教育”的深化，依托人工智能技术构建其生态系统，其特征主要在如下六个方面

创新驱动

在教育领域的关键驱动要素为：教育资源、教育用户、教育创新。目前的教育市场仍以教育资源驱动为主，教育用户驱动为辅，教育创新驱动不足。“AI+教育”的力量可以改变这种现状，通过人工智能技术在教育应用上的创新，来推动教育自身的变革。

重塑结构

在教育资源数字化的基础上，“AI+教育”强调资源的多样性和非结构化，能随时为学生提供个性化的学习资源；同时“AI+教育”将教师从繁重的机械劳动中解放出来，更多地关注学生的思维、创新能力的培养。“AI+教育”正构建以学习者为中心的新型学习环境，依据学生特点提供自适应学习服务，让学生从知识消费者变为知识创造者，满足知识经济时代的发展需求。

开放生态

“AI+教育”是教育领域走出既有界限的重要步骤，以人工智能技术为基础，利用技术拓展教育边界，向现金领域开放。“人工智能+教育”会促使教育不再局限于校园，而开始面向社会各系统。将学校、社会、企业有机连为一体，最终构建起互联网时代新型教育生态环境，成为教育向外开放的接口。

尊重个性

“AI+教育“能够根据教师和学生的特征和需要，提供精细和富有实效的个性化教育服务。当学习者的学习特征不明确或效果不明显时，人工智能技术可以通过算法或者数据分析，基于各类知识库推理，给予几十反馈，来矫正服务不足，提升个性化服务水平。

服务职能

“AI+教育“提供的教育服务是动态智能，能够在理解周围教学环境的基础上，根据其变化做出适时恰当的反映。人工智能所感知的教学环境，是传统教学物理环境和教学人文环境的总和，其中，教学物理环境包括教学地点、教学时间教学设备等因素，教学人文环境包括学习者、教师、文化背景等因素。

自治演进

“AI+教育“系统是独立、自治的，能够不受环境和用户干扰资助运作，控制自身行为和内部状态。例如，学生考试完成后，人工智能系统依据评分规则在后台自主评测学生试卷，而不受教师、学生行为的影响。人工智能技术能够依据以往经验调整自身行为，进行基于深度学习的自主学习，不断完善自身功能，系统不断地演进。例如，现在一些人工智能系统可以根据以往不同的教学效果，不断改进教学策略，生成新的教学方法，完善教学策略库的建设，通过“人机协作”，提升教师的教学效果。

“AI+教育”的生态系统和应用形态

“AI+教育”的应用特征融合一起的体现呈现出了“AI+教育”的生态系统：

这一生态系统由应用、技术、业态三个环节构成分别对应应用形态、技术架构、业态趋向三个核心要素，三个要素相互联系、相互作用，使整个生态系统不断进行良性循环、自治式演进发展。其中，应用形态以技术架构为支撑，同时又对技术架构的构建起决定作用：技术架构指导业态趋向，同时又依据业态趋向进行自我优化；业态趋向通过应用形态的推进而不断发展，同时又为应用形态的实施提供保障。应用形态、技术架构、业态趋向三个环节相互促进，最终形成“AI+教育”的生态系统。

“AI+教育“的生态系统根据一百亿研究所的观察，目前市场上的参与者主要提出的应用形态为如下四种：

智能校园

智能校园是数字校园的进一步发展，也是建设智慧校园的物质基础。智能校园是以校园为平台，兼备建筑设备、网络通信、信息家电和设备自动，集系统结构、服务管理为一体的高效、舒适、安全、便利，环保的校园环境。智能校园以资源数字化、信息流转网络化为基础，以电子校务应用、应用集成化为依托，以数据仓库、数据挖掘技术等人工智能技术为手段，实现学生学习、教师教学、管理者决策的智能化、科学化，这也是“人工智能+教育”典型应用形态。智能校园旨在推进教育教学现代化，科研活动信息化，资源共享化，管理科学化，决策智能化，以建立数字化、人性化、智能化的校园社区服务体系。

立体化综合教学场

立体化综合教学场是线上线下一体化的辅助教师教学、支持学生个性化学习的场所，如，智慧教室、数字化实验室、综合创新实验室等，它是“人工智能+教育”的重要应用形态。立体化综合教学场以学科交又与融合作为课程体系，以“多元立体化教学模式”为运行机制，以资源整合多元化、课程讲授多样化、学习支持立体化为手段，支持学生的学习主动化和个性化。它通过人工智能技术辅助教师教学，能针对不同学生的特点，设计相应的课程和教学活动，为学生提供智能化的学习服务。同时，依托人工智能技术，立体化综合教学场能够全面了解每个学生的特征，为学生提供启发式教学，促进学生自主学习，不断提高学习能力、实践能力和创新能力。

基于大数据智能的在线学习教育平台

基于大数据智能的在线学习教育平台，是“人工智能+教育”的主流应用形态。在以云计算为基础的新一代互联网环境中，教育全过程的信息化产生了海量的教育数据，其量大、多样，来源于真实的教育场景，具有巨大的教育价值。随着大数据的崛起和数据密集科学的发展，学习分析学和教育数据挖掘成为大数据在教育领域中的具体应用。基于大数据智能的在线学习教育平台，融合学习分析和教育数据挖掘，能测量、收集学习者以及他们的学习环境数据利用统计、机器学习、学习分析和数据挖掘等技术来分析教和学过程中产生的数据，理解和优化学习以及学习情境。基于大数据智能的在线学习教育平台，通过教育数据的挖掘与智能化分析、实时跟踪与反馈的智能测评、学习分析与学习者数字画像，为学习者提供个性化自适应学习服务。总之，基于大数据智能的在线学习教育平台，基于“以学习者为中心”的教育理念，以教育大数据驱动教学，是教育大数据的“智能”体现。

智能教育助理

智能教育助理通过轻量级的教育应用，能够辅助教师教学、学生学习、管理者管理，为用户提供便捷的智能化教育服务，其核心驱动力便是人工智能。目前，智能教育助理产品有辅助个性化教与学的智能导师、教育机器人、学习伙伴等。另外，教育智能代理也是智能教育助理的一种技术形态。当前，智能教育助理因其便捷性已获得不少教育用户的青睐，但其教育应用的“智能性”水平还有待提高，是“人工智能+教育”的一大前景应用形态。

AI教育的哲学性探讨

科幻作品中长久以来一直构想的情景是在未来，各种现在人类习以为常的场景逐渐被人工智能取代。那么，以自适应学习为代表的AI技术在教育中的应用是否会在未来取代人类教师的地位？师生关系这一人类社会最普遍最古老的关系之一是否会逐渐消亡？

我们认为答案是否定的。自适应教育本身是教育行业的一次改革，对于教育机构、学生、教师而言带来的价值是在降本提效上。其导向是把将于行业从劳动密集型产业带向资本技术密集型产业。

人类教师在未来并不会消亡，但其扮演的角色会在自适应教育技术的推动下产生改变。传统的教育模式中，教师需要备课、上课、布置作业、批改作业、出卷、改卷、沟通，这其中许多是耗时耗力的重复劳动。与自适应技术结合后，人与技术可以结合互相的优势——人的优势在于情感、创新和温度，技术的优势在于精确、标准和速度——来构建新型的“真人+ 智能老师 ”教育模式，人类教师通过自适应智能技术节省的大量精力可以更好地投入到把握教学方向，对学生进行情感交流和道德影响，培养学生的创新思维等机器无法取代的角色中。