2016-10-28 社群月会 – 人工智能学习系统专家圆桌会议(一)

主题: 人工智能学习系统专家圆桌会议(一)
人工智能学习系统,或自适应学习系统(Adaptive Learning System, Intelligent Tutoring System) 的目的是为了达到以学生为中心的个性化学习,学习分析并非新技术,然而经多年发展,真正将自适应学习技术用到实际场域的比例却不高,近几年机器学习相关技术成熟、与对大数据的热度明显加温,使自适应学习技术又被大家关注,我们邀请学界与教育界的专家给我们做经验分享与分析。

  • 自适应学习服务的挑战 (各专家)
  • 导入自适应学习系统教育单位的考量与规划 (各专家)
  • 全球学习与培训市场上运用学习分析与人工智能的商业案例 (Jessie)

與會者:

實體:

中華數位學習學會 林立傑博士

詹偉德、林繼任、劉林榮、賴阿福、沈俊毅、洪瑞隆

資策會教研所 陳少君、 鄭淵澤、吳欣蓉

線上:

Classroom Aid Inc. Jessie Chuang , Henry Chen

勝典科技 育駿

宏鼎資訊 小白

企業培訓顧問 林峻民Jimmy

育睿科技 張大明

 1. 自适应学习服务的挑战

从各专家交流之中,归纳重要因素有: 目标使用者、使用情境、谁付费、信心度、效果实證、技术、开发与运营成本、资料隐私、可取代性、其他影响变数。

其他影响变数之中最大的问题在於教师的人性因素与专业进修,老师这关过不了会失败,对老师要求越多,失败机率越大。老师教学实务与行为习惯需要改变,新系统需要设计整合融进现有的学习环境(包括与数位或非数位活动),教学现场的改变(change management) 需要时间与资源做準备,例如: 建立各科的最佳实务範例、教师培训、与家长沟通取得认同,业者可能会发现,在服务学生之前,老师更需要服务,忽视人性因素就以失败为下场。业者的教育设计 Know-How 与长期配合都重要。

另一个层面是,演算法的前提假设与限制,如何让老师有信心,并适当地运用,加上专业的判断,以免被人工智能误导。

知识点该建到多细? 考题从哪里来? 谁来做内容对齐的工作? 台湾没有大家一致认同的知识树? 老师熟悉的知识树是哪一个?

2. 导入自适应学习系统教育单位的考量与规划

台北市教育局詹伟德老师:

  • 产品设计要以协助教师为出发点
  • 内容应加上 metadata (例如: TWLOM)
  • 考虑资料与内容汇入汇出,与内容商可以弹性介接,才能纳百川
  • 各科要兼顾
  • 结合校务行政系统的学生资料、性向评测、学科成绩,对学生的科系选择做建议

背景资讯: 台北市与资策会教研所正在合作,建立根据学生能力而动态调整学习路径的自适应学习推荐引擎,是台湾公部门中领先的计画,其学习历程资料正是采用 xAPI 标準,以确保资料汇入汇出的弹性与互通性。台北市並将数个知识树,包括教育部课纲标準,都纳入其学习系统 — 酷课云了。

劉林榮校長(退休):

  • 教学现场对新系统导入存在阻力,老师已经疲於追赶新工具,新产品导入须创造新价值(例如: 改变教学方法与学习模式,许多新系统并未带来这种改变),否则很难建立共识。而且希望这种改变是有系统的,有计画的。
  • 建议从单科(像数学)开始,不只知识性科目,健康管理也很好。

3. 全球学习与培训市场上运用学习分析与人工智能的商业案例

Jessie:

自适应学习系统(Adaptive Learning System, ALS) 的定义是系统会随时收集学习者的行为与评测结果,动态地调整下一步提供最适当的内容、反馈、提示、练习或测验题目,以提升学习成效、动机,节省时间,并保持学习者在最适的挑战範围内(Zone of Proximal Development)。

ALS 的商业产品目前产值不高,近两年有比较多资金投入,也看到一些内容业者以适性技术重新为内容加值,而中国教育市场投资分析师也指出,在经过前两年的教育科技投资热之後,接下来最值得投资的是人工智能与教育的结合。

ALS 技术上分成叁大类:(也有结合两种以上的产品例子)

  • Adaptive content: 互动内容、即时反馈或提示、需要将原来内容重新改製成颗粒度较小的设计以提供阶段性支持与评测、立即根据使用者动作做适当反应,这种产品也涵盖将评量题目嵌入学习内容中以点测学习理解,内容改製成本高,效果较佳,分析能比较观察入微。内容颗粒化并与学习课纲标準需要正确对齐。单纯这种产品其学习路径是不变的,只根据能力而加速或重複学习,但是有些产品也结合了 adaptive sequence。
  • Adaptive assessment: 目前被用在练习或正式评量上,当学习者回答测评题时,根据答对或错、或部分答对或错,下一个题目会动态调整,只提供适合使用者程度的题目,目的是测出学习者的能力定位,可以依据不同量尺来表示。题目的品质很重要,题目与能力量尺的定位也应有大量统计数据才有可信度。
  • Adaptive sequence: 这种系统的提供者都是工具平台业者,通常与内容出版商合作,根据学习者的先备知识、与对各知识点的精熟度不同而调整学习路径。

无论是内容业者或工具业者都可能在系统内提供学习功能,例如社群互动、班级管理等,以完善学习环境。除了演算法之外,这些技术共同需要的要素是知识地图(Knowledge map, concept map, competency network), 内容结构化单元化并对齐知识点与加标籤(or metadata),对学习者进行建模与资料持续累积分析(可能从外部汇入,或整合学生个人资料), 以及事先设计好的学习历程资料采集标準格式。如同 xAPI 的目标是跨系统的适性化学习环境,其四大要素对应上述分别为:Competency Network, Content Brokering, Learner Profile, xAPI Statement.

根据 EdSurge 访查场域,教师反映使用有效的适性学习产品,的确对落後学生帮助很大,也同时明显解决了学生的行为问题(通常行为问题是因为学生 disengaged), 另一方面对学习领先的学生也是帮助甚大。学生有了系统的协助,学习上有更大自主性,不必等老师教才能学,也更能提供不同学习机会给不同步调的学生。(不过前提还是要验證系统的有效性与内容的品质,应该需要从使用系统的学习历程资料进行分析与改进)

相关連結:个性化智能化学习专家社群

个性化智能化学习专家社群

2016-10-28 社群月会 – 人工智能学习系统专家圆桌会议(一)

发表评论