乂學教育栗浩洋:怎樣用人工智能提升學生的學習成就感？

　　多知網(wǎng)4月12日消息，昨日，乂學教育主辦的“2018全球人工智能自適應教育峰會”在北京舉行。乂學教育創(chuàng)始人栗浩洋對乂學教育在“AI+教育”方面的實踐進行了分享。在栗浩洋看來，不應該是用趣味性解決教育的問題，應該用學習成長的成就感去解決教育問題。人工智能系統(tǒng)可以利用種種方式，不斷找到學生的學習最佳策略，進行針對性教學，從而增加效率，促進學生學習的成就感。

　　以下是栗浩洋分享內(nèi)容，經(jīng)多知網(wǎng)編輯：

　　 栗浩洋：大家好！非常高興能在今天這個場合跟大家一起分享，人工智能智·適應教育的現(xiàn)狀和未來。

　　 我四年前做乂學教育，希望在7-15年時間，能夠讓AI智·適應系統(tǒng)，像達芬奇+蘇格拉底+愛因斯坦合體一樣，給到每一個孩子一對一教育，給到他啟發(fā)，給到他創(chuàng)造力的發(fā)揮和不一樣的未來。

　　 每一天我們所做的事情難度都非常大，在這次人工智能峰會上，也講一下我們公司從來沒有亮出來的干貨事情。

　　關于知識點拆分：把分數(shù)加減法拆分成100個知識點后會帶來生什么？

　　關于知識點拆分。全球有大量的智·適應人工智能公司，2015年到現(xiàn)在，中國已經(jīng)有40多家公司宣稱自己是智·適應了。到底如何做好一個真正的人工智能智·適應教育？如何讓算法真正的發(fā)揮作用？如果你只有極少數(shù)的知識點和規(guī)則的路徑，不可能做到。所以，知識點的拆分就變成一個非常大的難題。

　　我們拿一個知識點做拆分的例子，傳統(tǒng)教育的一個知識點在教科書里面可能是一個，講課時有兩三個，競爭對手會拆到7到8個知識點，我們會拆到70-80個知識點。當知識點越精細時，像過去的醫(yī)療從中醫(yī)把脈到最后有了CT，再到核磁把腫瘤的距離直徑看得更清楚，現(xiàn)在醫(yī)學技術(shù)可以把每一個細胞看得很清楚。到底哪些細胞是有問題、病變的，哪些細胞是良好的，不需要去學，不需要在上面浪費時間。

　　我們把分數(shù)的加減法，拆分成100個知識點。很多人說有意義嗎？一個小學三四年級的加減法可能一個半小時就教完了，你拆成100個知識點，可能要教7天7夜才能講完，我說不是的，我們節(jié)省了孩子7天7夜的時間。為什么？可以做難度分級， 如果一個孩子分數(shù)加減法的連加連減都不會，我只能給你降到第37級，分數(shù)加法。如果你還不會，我們給你降到第29級，同分母分數(shù)相加，你不需要把兩個分母相乘然后再去加法。如果你還不會，我?guī)湍憬档降?7級，同分母的分數(shù)相加，并且不會出現(xiàn)三分之十這樣的情況。如果你還是不會，我們可能把你降到第8級的知識應用，這個知識點叫做同分母的知識相加，并且不需要約分。當我們把知識點拆到這么細的時候，我們發(fā)現(xiàn)沒有學不會知識的孩子。

　　 同時，當我們把知識點拆分成細膩顆粒度時，可以通過更細致的診斷，判斷出學生的程度，進行定位和針對性教學，節(jié)省學生的學習時間，提升學習效率。

　　關于產(chǎn)品學習流程：如何在語文閱讀理解中實現(xiàn)？

　　關于產(chǎn)品學習流程。如果你在教學過程中沒有智·適應，其實你只有錯數(shù)據(jù)和他最后做作業(yè)的數(shù)據(jù)。整個教的過程和學的流程如果沒有被數(shù)據(jù)化，沒有拿到中間過程數(shù)據(jù)的話，所有的智·適應教學是沒有用的。你只能給他們一些作業(yè)，好學生給一些難點的作業(yè)，差學生給一些容易的作業(yè)，所以，整個教的過程和學生認知成長過程中的數(shù)據(jù)和知識才是最重要的。

　　當時遇到的最大困難是語文學科，因為數(shù)學、物理、化學都是很容易做智·適應知識點拆分，但是語文如何拆分？以前語文教研組的組長，他跟我說，我們做語文的閱讀無法做智·適應，做一下分級就了不起了，這是一門玄學。我當時就說，乂學教育做AI智·適應教育就是希望把中醫(yī)變成西醫(yī)，把玄學變成科學。我們把閱讀理解做到9級的知識點拆分，并對考點進行詳細分析。學生很可能不是閱讀理解不懂，像我小的時候由于邏輯性比較強，線索題、主旨題做的很好，但是我在一些細節(jié)性題目上經(jīng)常錯，通常在找這個細節(jié)時通篇去找都找不到。有的孩子可能對于自然環(huán)境題目很容易理解，但是社會環(huán)境的題里面，只要一考他就會錯。

　　舉線索題為例子，我們把線索題分成7大線索，比如說時間線索題目、地點線索題目、空間線索題目、人物線索題目、情感線索題目。有的同學只會在情感線索題目中出錯。因為只要有情感線索的題目一定有人物，為什么在四個選項中偏要選情感線索呢？到底什么區(qū)別呢？甚至普通老師都講不清楚。而讓這個同學又做了10道人物線索的情感線索題后，他以后在情感線索題上面再也不會犯錯。而傳統(tǒng)情形下，刷一萬道題，才能出來一道情感線索題。如果不把顆粒度分得這么細，給你專項的線索訓練，根本無法給實時有效的教育。=常規(guī)的課程，不管是業(yè)余學校還是補習班，它就是叫做初二數(shù)學，初三物理，是把所有的知識點給你講完，而不是針對性學習。

　　 錯因重構(gòu)知識地圖與非直接關聯(lián)點知識點理論

　　錯因重構(gòu)知識地圖，也是我們公司提出的，去年開始做。錯因重構(gòu)知識地圖，就是說一道題考的一個知識點，有些學生的知識點已經(jīng)會了，但是仍舊會做錯?；蛘呤撬R點不會，但是不會的方面和層級角度不同。所以一道題當中我們找出了孩子12種錯因。你僅僅給這個孩子解決知識點的問題，他都沒有問題。但等到他一做題，在這一類的錯因當中屢屢犯錯，而且每個孩子的錯因是完全不同的。無論英語、語文、數(shù)學、物理還是其他學科，我們給孩子去搜集他的錯因。這件事情，過去只有特級教師一對一才能幫他找出來進行解決。但是現(xiàn)在非常感謝AI的力量，我們找到了。整個初中數(shù)學可能有近百萬的錯因。這樣海量的數(shù)據(jù)，不可能是一名優(yōu)秀的教師能夠全部掌握的，但是對于AI不是問題。我們找到所有孩子的錯因，通過最高算法去找到每一個孩子的錯因可能性，然后就可以非常針對性的下藥解決孩子的學習問題。

　　非直接關聯(lián)點知識點理論。過去所有知識點都是叫做實務型知識點，他們之間的關系是先覺知識點，你要知道股票是什么以及買空賣空，才能會做對沖基金。但是很多知識點之間沒有關聯(lián)，你懂得對沖基金這個知識點，那你知道債券是什么？你理解對沖基金知識點，你知道CP是什么？可轉(zhuǎn)債是什么？并不知道。

　　在廣袤知識地圖里，不僅通過關聯(lián)知識點判斷這個學生的知識含量，還可以通過非直接關聯(lián)知識點去做。也就是說每在一百萬個知識點里面測試一個知識點，就能給其他所有剩下的知識點，做一個概率的知識圖。換句話說，對于一萬個知識點，不需要測一萬道題或者一千道題，只需要200道題，剩下9800個知識點都被做了200次的渲染，我們都會知道這個孩子會了百分之多少，還有百分之多少不會。在我們知識點里面，任何一個知識點都有非關系性必然的聯(lián)系。

　　能力培養(yǎng)與創(chuàng)造力培養(yǎng)，如何實現(xiàn)？

　　從知識點學習到能力學習。我們乂學教育對學習能力進行拆分，教孩子如何舉一反三，如何舉一反一百。但是能力教學是非常難的事情，因為它沒有辦法被評估，它更是一門中醫(yī)跟玄學。我在我的研發(fā)部提出了三可理論，第一個叫可定義，能力要可定義。比如說情商如何定義？情商這個詞我們都講不清楚，就沒有辦法提供教學。第二個叫做可測量，能力拆分完一定要可測量。第三個是可傳授，就是我一定要教給你。達到三可之后，我們現(xiàn)在已經(jīng)有了500多種學習能力的拆分，每一個學科都有100多個能力的拆分，這些所有拆分全部做到可定義、可測量、可傳授。

　　現(xiàn)在我?guī)е覀儓F隊，已經(jīng)開始研究用AI系統(tǒng)實現(xiàn)創(chuàng)造力培養(yǎng)。我們把所有創(chuàng)造力的方向，也拆分成分可量化、可規(guī)則化、可模塊化的描述。通過這些描述，不斷的采用機器對學生的啟發(fā)式的人機對話，來獲得學生的反饋和感受。通過NLP的語義理解，知道學生的反饋是在哪個層面，然后給到他不同的回答。這件事情需要三四年時間的努力，以內(nèi)一些科技機構(gòu)不斷的成長成熟，人機對話和語義理解有一個提升。

　　人工智能智·適應系統(tǒng)也是需要不斷的找到學生的學習最佳策略，通過這樣的對抗網(wǎng)絡，能夠不斷的大幅度提升算法準確度，以及給到每個孩子的知識內(nèi)容推薦和知識路徑推薦的準確度。我們從大量的學生得到反饋，他們在半年時間里面提分很高。每個孩子對于智·適應的感受不一樣，他們覺得整個系統(tǒng)是人性化的，是根據(jù)自己的水平去定制的。

　　 有的孩子對數(shù)學或者某個學科非常頭疼，不想學習。但是有了這樣的軟件，他慢慢了解自己是什么樣的，自己站在哪里，不管是好還是差。在這個系統(tǒng)里面，他們愛上了學習。教育不應該是用趣味性解決教育的問題，而是用學習成長的成就感去解決教育的問題。當你有了成就感之后，你會愿意進入下一個階段的學習，只有這樣才會有最好的結(jié)果。（多知網(wǎng) 尚昌華）