高等教育引入AI該到什麼程度？如何更好地使用學生數據？

越來越多的老師願意在課堂使用自適應學習系統，學校的分析系統也可以通過預測提高學生畢業率。與此同時，演算法的使用帶來了許多倫理、實踐和哲學問題。高等教育引入人工智慧到什麼程度合適呢？誰來決定演算法應該是什麼樣的？

為了探討這些問題，教育技術資訊網站Edsurge採訪了斯坦福大學教育學院教育學助理教授坎迪斯·特爾(Candace Thille)和Civitas learning的聯合創始人兼首席學習官馬克·米利倫(Mark Milliron)，兩位分別就AI進入高等教育的痛點發表了自己的看法，並提出了一些解決方案。

Q: Civitas開發了用於高等教育的AI系統。馬克，現在使用情況如何，學生又是怎樣得到幫助的？

馬克·米利倫: 現在的高等教育還處於使用人工智慧的初級階段。可能正從「問責分析」轉變為「行動分析」。目前，高等教育中95％的數據工作著重於問責分析，即向認證機構、立法機構和受託人提供數據。我們的首席數據科學家來自醫療保健領域，他打比方說，高教機構似乎痴迷於「屍檢分析」。利用已不在學校的人的數據，通過講故事的方式幫助現有的學生。

我認為我們獲取的數據更接近現實，實現「行動分析」，更好地幫助學生。我們開始使用預測分析，顯示學生的行動軌跡，利用這些數據，幫助學生選擇更好的發展路徑。特別的，預測分析正努力將學生的未來個人化，並協助學生作出重大決定，同時在正確的時間為學生提供精確的支持和鼓勵。

馬克·米利倫

這麼做一開始是有些痛苦的。我們要先將學生歸類，然後做各種假設，基於某一類某一種假設，以確定學生做出1、2、3、4……種選擇。從一開始給學生分類就充滿了風險，同時其他方面也存在問題。幸好我們已經看到越來越多的數據，並且越來越精確。學生所做的，就是利用這些數據，為自己的學業錦上添花，或實現「自救」。

每一個數據都是一個腳印，把它們拼起來，就是學生的心路歷程。這是學生的數據，他們的數據應該被用來幫助他們自己。然而現在學生的數據大多提供給了教育機構，僅僅用來告訴他們一些現象，一些事實。

Q：坎迪斯，你是使用人工智慧和自適應學習工具的早期先鋒，在卡內基梅隆大學學習，又在斯坦福大學工作。最近有人擔心，公司提供的AI工具可能成為黑箱，受老師、教育工作者或高等院校的控制。你怎麼看？

坎迪斯·特爾:我相信利用這些從學生日常活動中提取出來的數據可以支持學生學習，讓學生受益，我對此非常讚賞。我們的工作方式與Civitas的略有不同，我們為學生學習特定學科時創造個性化和適應性的學習體驗。因此，我們的工作方式是，跟蹤學生在線學習時產生的互動信息，把這些信息丟進預測模型里，預測學生的學習軌跡。

我們所做的，是讓AI系統支持教學決策。我們把預測信息反饋給系統或老師，幫助他們洞察學生學習問題出自哪裡，以便做出正確的教育決策。

坎迪斯·特爾

怎樣收集數據，預測模型中應包含哪些因素，如何權衡這些因素，使用何種建模方法或演算法，預測中要表現哪些信息，以及如何將結果展現給不同的利益群體？等等。這都是非常活躍的研究領域，也是新興的學習科學的一部分。

所以我認為在學術方面，所有這些，特別是模型和演算法，不能黑箱操作，它們必須透明，必須能接受同行評議。同時，它們必須是具有挑戰性的，這樣我們就清楚地知道，正在做出教育決策的，是那些知道如何做出這種決定的人。如果只是說「相信我們，我們的演算法是可行的」，那麼我認為他們的是鍊金術，不是科學。

Q：馬克，作為一個公司領導者，你如何回應上一個問題?

馬克·米利倫:我們絕對認為，想做這種工作的公司，都應該確保自己的數據科學預測是公平公正公開的。例如，如果你想查看學生的成長軌跡，那麼工具應該展示最佳預測以及相應的得分和權重，你就可以看到，哪些變數影響了預測結果。

這麼做的一個原因是，幫助教育者與數據互動，以對學生做出正確的決定。

數據應該交給那些管理顧問、優秀的學生，以及看得懂數據還會反思的人，然後發表到同行評議期刊上，讓其他人都能看到學到。但現實是，目前建模還是一種商業化的東西，不是尖端科學，你能讓教育者知道的就是使用了哪些因素，哪些因素是最具預測力的，以及它們是如何載入模型的。演算法往往是不能公開的，它太重要，事關模型的正確性和效率。

讓教育工作者思考這些東西目前還做不到。最好建立一些實踐論壇，供人們分享使用經驗。

Q：會有人擔心學生和教授誤用數據嗎?

坎迪斯·特爾:很多人會認為，「電腦是無偏見的」，或者「它是客觀的」，或者「它說的是真的」。他們沒有意識到計算機演算法是由人類編寫的。建模時，模型中包含哪些因素？如何權衡這些因素？預測時依據什麼標準得出分數？這些都是人為決定的。

如果我們的數據沒有廣泛的代表性，無法在不同環境里代表大部分學生，無法適用於特定環境，那麼演算法就會產生有偏差的結果。

馬克說使用系統的人應該真正了解系統告訴他們的內容，應該會使用這些系統，這一點我非常贊同。但是我正在考慮制度問題。很多教育機構都承擔著很大的責任壓力，而現在問責制的一個核心問題就是畢業率。

假設我是一名學生。我想成為一名醫生，所以報考一個醫學預科班。第一年就要學習化學、生物和相關的所有課程，我有點惶恐，因為我沒有上過高中，我真的屬於這裡嗎？我很高興自己能進來，但有點懷疑自己是否能適應這種學習。

第一年的必修課是生物序列和化學結構，我很討厭這些，而選修課我選了自己很感興趣的拉丁文化研究。我的生物和化學課程只得了C和D，但選修課學得很好。導師約我見面，他看了我的預測分析，分析表示我在本專業4到6年里畢業的概率只有2%，但選修課學得很好，如果轉專業的話，肯定能獲得更好的成績，保證4年畢業。系統和導師都建議我轉專業。

這時候我肯定想，那都是你們認為的。我的理想是成為一名醫生，我來這裡是學醫的，不是換專業的。

這就是數據偏見導致的事件。

我關心的是已經處於這樣形勢下的學生的想法：「學校這麼照顧我，老師最關心我的前途，他們也給我看過數據（證據）了，看來我成不了醫生了，學醫真的太難了，我想他們是對的，我應該換專業。」

這不僅僅是某個學習者的損失，也是大家的損失。一個本可以成為了不起的醫生的學生卻被數據引導著轉行了，對於整個社會而言，也是一種損失。

馬克·米利倫:我非常同意這個觀點。問題是，我們能不能以一種完全不同或更有效的方式使用相同的數據。我們要使用設計思維，對那個學生說：「如果你真的還想走醫學這條路，以你現在的水平，可以先通過這門課程，使用這些資源，這樣你在4~6年畢業的可能性就增加了一倍。」

好在我們還處於非常初級的階段，如果能在這方面建立一個行為規範和道德規範，就能確保事情往好的方向發展。

坎迪斯·特爾:我們還可以用另一種方式使用這些數據，不僅改變學生，還可以分析機構的教學模式。如果學生沒有化學基礎，那麼問題不僅僅是「如何讓這個學生與眾不同」了，我們需要看看老師教化學的方式是否合適，以保證學生更多地通過。這可能是使用數據的另一種方式。

來源：Edsurge

作者：Jeffrey R. Young

智能觀 編譯

—完—

想知道AI加教育領域有哪些最新研究成果？

想要AI領域更多的乾貨？

想了解更多專家的「智能觀」？

請在對話界面點擊「找找看」，去獲取你想要的內容吧。