教育领域中的人工智能—数据比收入更珍贵

原标题:教育领域中的人工智能—数据比收入更珍贵

不要怀疑:机器学习是时下的热门,而且会越来越热。

不要怀疑:机器学习是时下的热门,而且会越来越热。

在过去两年中,公众对构建自动学习和改进自己的操作或经验(而不是显式编程)的复杂算法的兴趣不断增加。我们称之为 “ 人工智能 ” 或更好地“ 机器学习 ”。事实上,这样的工作已经持续了数十年。例如,人工智能提升协会是从1979年开始,一些想法可以回溯到希腊时代,或至少到20世纪40年代就处于可编程数字电脑时代的早期阶段。

最近,Bloomberg Beta的投资者Shivon Zilis一直在建立一个机器学习应用于其他行业的景观图,教育为其制定了列表。一些技术人员担心某些危险,比如埃隆·马斯克(Elon Musk),正如纽约客所写的那样,他对于结果已经有了糟糕的预测。他在上一周与一位更加乐观的人——马克·扎克伯格(Mark Zuckerberg)相遇。

但投资者仍在大步向前:本周,中国语言学习创业公司——流利说,利用人工智能机器学习算法向4500万中国学生教授英语,筹集了近1亿美元来加快工作。

EdSurge 在过去一周在旧金山与 Adam Blum(OpenEd首席执行官)、Armen Pischdotchian(IBM Watson的学术技术导师)、Kathy Benemann(EruditeAI的首CEO)还有 Kirill Kireyev(instaGrok的创始人,TextGenome和GYANT的技术负责人)进行了会谈。 EdSurge的Tony Wan主持了会议。以下是谈话中的几个摘录:

EdSurge:人工智能有望改变下一代人的教育方式。最接近的改变程度是多少呢?与现在的相比有什么不同?

Benemann:数据比以往任何时候都多。在EruditeAI,对于我们来说,数据比收入更珍贵。有了更好的数据,我们可以更好的训练我们的算法,但是有重要的一点一定要记住,AI的制造者最终是我们的人类。

Pischdotchian:如果你回想起早年的教育模式,我们称之为工厂模式。 教师广泛地教授所有学生同样的学科。 这不是我们今天所说的话。 诸如Chan Zuckerberg Initiative等组织正在寻求大修这个模式。 根据工厂模型将不能再完成学习, 因为这种方式是不可持续的。 工厂若要求当下的孩子们积极开展我们称之为“ 新领 ”的工作结果又将会如何?

Kireyev:教育内容数据的爆炸式增长,无论是针对学生还是来自学生反馈的数据, 我们想要看到学生在做什么,都要比过去快得多。 例如,当孩子们玩Scratch时,他们的工作是基于网络的;当他们无聊时,可以看到他们什么时候开始观看视频,什么时候停止。 你能从他们的行为中洞察很多的东西。 透明的数据收集是非常有价值的, 而且技术的可用性更大,是可以从字面上使用的东西。 所以更多的人正在尝试用AI和机器学习来做事情。

好的,我们听说过数据的爆炸,还有关于改变学校模式的必要性。 那接下来会如何发展呢?

Blum:接下来有两个大的趋势 ,恰好我们处于刚开始的过程中。 我们与IMS全球学习合作。第一,在技术标准方面,如Caliper和xAPI(或Experience API)正在起飞。 第二,在这有很多的领域,教育只是其中之一,但是你没有长期的数据。 所以如果你想为学生挑选下一个最好的事情时,你必须使用一种不同的方法——强化学习法。 所以如果我没有百万个数据记录,我可以随时去探索。 这也是Google如何解决AlphaGo挑战的。

我们在教育中能看到哪些AI的应用程序? 我们是否已经开始使用?

Pischdotchian:这是关于如何在学习经验中找到模式。 如果一个人在数学上非常强,系统该如何识别这个问题并把它反馈给老师,以至于为学生提供更好的导师工作服务? IBM正在与芝麻街合作,他们正将大学作为机器学习开发的测试平台。我们在麻省理工学院进行了一黑客马拉松的测试,所有的教室都安装了相机(学生们都知道), 如果一位教授正在讲课,他可能不会看出班上有没有人睡着,但我们可以使用面部识别来描绘情绪(如无聊),并发送给教授一个消息告知他。

Benemann:你看到的每一个地方,人们都在质疑AI教育和关于它的一切。 AI应用在教室里是什么样的? 是否有一天会放开使用? AI会替代老师吗? AI会帮助老师放松自己的时间,让他们成为学生的“指导”吗? 自适应平台(如ALEKS或Knewton)可以帮助学生学习事实并使老师能够指导吗?

(来自Shivon Zillis的机器情报状态3.0调查)

这是否表明,没有AI,市场上的“ 适应性 ”技术并不是真的具有适应性?

Benemann:一些工具是适应性的,但他们说他们是“ AI ”。

Kireyev:Instagrok是一个视觉搜索引擎。 我们正在使用机器学习来识别重要的事实、概念、然后让学生在任何方向上追求学习, 他们也可以合成它,组织它。 TextGeonome是另一个项目。 我们正在建立基础设施,以深入开展基于AI的词汇开发。 我们问:给定一个学生和年级,他们需要学习什么类型的单词?

Blum:在ACT(获得OpenEd),我们专注于以下问题:如果您确定了学习差距,帮助学生的最佳教学材料是什么? 不仅仅是ACT材料, 我们想给你可以找到的最好的教学资源,在这个过程中,我们使用机器学习来定位那些更好的资源。

在某些地区,如果您不使用机器学习来预测模型,那么您将会失业。如,大学招生办公处。

当您从统计评估模型转移到深度机器学习(涉及神经网络)时,没有保持步调的是“ 可解释性 ”。您可能有一个神经网络,您无法解释。因此,预测算法变得更好,当您进入多层神经网络时,一个关键的挑战是可解释性下降。在一些严格监管的市场 ,例如教育和医学方面,必须开发更多的解释性工具。

假设你在一所大学:他们使用统计模型来挑选入学课程。现在,如果有一个神经网络或一些机器学习程序,就能更好地预测学生的成果。当然,有大学是这样做的,可他们不会说,因为赌注太高了。但是您可以确定他们正在使用机器学习来挑选入门课程,而我们需要一些总结工具来解释这些选择。即使深刻的学习很复杂,但为了让更多人接受,我们必须提出一些解释性的大要素:他们是如何到达的?

有人担心像“ AI ”这样的词会成为用来销售产品的标签。 假如说我是一个老师,edtech公司说“ 我的数学工具是AI支持的 ”,那我该向他询问哪些问题?

Blum:这个问题回溯到可发现性和可解释性。 如果你要拍AI标签,那我想知道更多:你在说监督的象征系统? 自然语言处理? 如果你只是说“AI”,没有任何进一步目标的话则会降低你的信誉。

Benemann:供应商应该谈谈学生成果和教师实践。不要说AI。这只是让学生学习和老师练习的另一种方法。你最好去说:因为你使用这个产品,我可以做个案研究,提高效率,减少教室浪费的时间。

在保护学生敏感性数据隐私和安全的同时,如何平衡AI工具的数据需求?

Blum:我们正处于一个没有PII(个人识别信息)的地步。 如果你有足够的知识,你可以解构任何人可能是谁。 所以需要有行业标准。 如果我们说“这是你可以收集和分享的东西”,“这是一个可以改善edtech开发人员工作的领域“。我提出的一些事情是需要更好的隐私标准,所以如果他们遵循了标准的话是没有人能够起诉他们的

Benemann:谁拥有数据? 看看健康保健。 这是一个零碎的市场,但是有一种趋势是患者越来越多的拥有自己的数据了。我想知道我们是否可以指出由学生自己(学生和他们的父母)所说而掌握的数据,“是的,学校可以访问”。

工作自动化是许多人担心的威胁,它将对教师和其他职业产生什么样的影响?

Kireyev:我看到教师的角色正在以美妙的方式转换。领导力,教学指导...这些都是我从老师那里听到的令人兴奋的事情。然后越来越多的教师将更深层次地转移到孩子中来,而不仅仅是解释方程如何工作。

Blum:为职业教育这一学习目标已经做了很多努力。但它还没有被充分利用。我们需要更多前瞻性的思考... 在10年里成为一名卡车司机的意味着是什么?跨行业的供应链是如何被影响的?我们需要努力使职业教育变得更好。

Pischdotchian:因此,以STEAM( 科学,技术,工程,艺术和数学)替代STEM是非常重要的。因为人工智能以后,会更注重艺术,创造力,心理学,等右脑思维的发展,而不是分析和数学的左脑思维。心理学、历史、辩论班、幽默和戏剧,至少在我们的一生中,这些方面不是适合人工智能的。

AI能够很好地将某些事物变得非常容易,但还有一个大家关心的问题就是AI不能拥有和人类一样的思维方式和情感,在某些方面就会显得不自然,因此,也可以说技术的成长进步与舒适自然是不能共存的。

本文为原文翻译

文章来源:EdSurge 作者:Tony Wan

Lina(微信:nancy930129)

要我行我道,我有我法。

精彩文章返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
阅读 ()
免费获取
今日搜狐热点
今日推荐