乂学教育栗浩洋:怎样用人工智能提升学生的学习成就感？

　　多知网4月12日消息，昨日，乂学教育主办的“2018全球人工智能自适应教育峰会”在北京举行。乂学教育创始人栗浩洋对乂学教育在“AI+教育”方面的实践进行了分享。在栗浩洋看来，不应该是用趣味性解决教育的问题，应该用学习成长的成就感去解决教育问题。人工智能系统可以利用种种方式，不断找到学生的学习最佳策略，进行针对性教学，从而增加效率，促进学生学习的成就感。

　　以下是栗浩洋分享内容，经多知网编辑：

　　 栗浩洋：大家好！非常高兴能在今天这个场合跟大家一起分享，人工智能智·适应教育的现状和未来。

　　 我四年前做乂学教育，希望在7-15年时间，能够让AI智·适应系统，像达芬奇+苏格拉底+爱因斯坦合体一样，给到每一个孩子一对一教育，给到他启发，给到他创造力的发挥和不一样的未来。

　　 每一天我们所做的事情难度都非常大，在这次人工智能峰会上，也讲一下我们公司从来没有亮出来的干货事情。

　　关于知识点拆分：把分数加减法拆分成100个知识点后会带来生什么？

　　关于知识点拆分。全球有大量的智·适应人工智能公司，2015年到现在，中国已经有40多家公司宣称自己是智·适应了。到底如何做好一个真正的人工智能智·适应教育？如何让算法真正的发挥作用？如果你只有极少数的知识点和规则的路径，不可能做到。所以，知识点的拆分就变成一个非常大的难题。

　　我们拿一个知识点做拆分的例子，传统教育的一个知识点在教科书里面可能是一个，讲课时有两三个，竞争对手会拆到7到8个知识点，我们会拆到70-80个知识点。当知识点越精细时，像过去的医疗从中医把脉到最后有了CT，再到核磁把肿瘤的距离直径看得更清楚，现在医学技术可以把每一个细胞看得很清楚。到底哪些细胞是有问题、病变的，哪些细胞是良好的，不需要去学，不需要在上面浪费时间。

　　我们把分数的加减法，拆分成100个知识点。很多人说有意义吗？一个小学三四年级的加减法可能一个半小时就教完了，你拆成100个知识点，可能要教7天7夜才能讲完，我说不是的，我们节省了孩子7天7夜的时间。为什么？可以做难度分级， 如果一个孩子分数加减法的连加连减都不会，我只能给你降到第37级，分数加法。如果你还不会，我们给你降到第29级，同分母分数相加，你不需要把两个分母相乘然后再去加法。如果你还不会，我帮你降到第17级，同分母的分数相加，并且不会出现三分之十这样的情况。如果你还是不会，我们可能把你降到第8级的知识应用，这个知识点叫做同分母的知识相加，并且不需要约分。当我们把知识点拆到这么细的时候，我们发现没有学不会知识的孩子。

　　 同时，当我们把知识点拆分成细腻颗粒度时，可以通过更细致的诊断，判断出学生的程度，进行定位和针对性教学，节省学生的学习时间，提升学习效率。

　　关于产品学习流程：如何在语文阅读理解中实现？

　　关于产品学习流程。如果你在教学过程中没有智·适应，其实你只有错数据和他最后做作业的数据。整个教的过程和学的流程如果没有被数据化，没有拿到中间过程数据的话，所有的智·适应教学是没有用的。你只能给他们一些作业，好学生给一些难点的作业，差学生给一些容易的作业，所以，整个教的过程和学生认知成长过程中的数据和知识才是最重要的。

　　当时遇到的最大困难是语文学科，因为数学、物理、化学都是很容易做智·适应知识点拆分，但是语文如何拆分？以前语文教研组的组长，他跟我说，我们做语文的阅读无法做智·适应，做一下分级就了不起了，这是一门玄学。我当时就说，乂学教育做AI智·适应教育就是希望把中医变成西医，把玄学变成科学。我们把阅读理解做到9级的知识点拆分，并对考点进行详细分析。学生很可能不是阅读理解不懂，像我小的时候由于逻辑性比较强，线索题、主旨题做的很好，但是我在一些细节性题目上经常错，通常在找这个细节时通篇去找都找不到。有的孩子可能对于自然环境题目很容易理解，但是社会环境的题里面，只要一考他就会错。

　　举线索题为例子，我们把线索题分成7大线索，比如说时间线索题目、地点线索题目、空间线索题目、人物线索题目、情感线索题目。有的同学只会在情感线索题目中出错。因为只要有情感线索的题目一定有人物，为什么在四个选项中偏要选情感线索呢？到底什么区别呢？甚至普通老师都讲不清楚。而让这个同学又做了10道人物线索的情感线索题后，他以后在情感线索题上面再也不会犯错。而传统情形下，刷一万道题，才能出来一道情感线索题。如果不把颗粒度分得这么细，给你专项的线索训练，根本无法给实时有效的教育。=常规的课程，不管是业余学校还是补习班，它就是叫做初二数学，初三物理，是把所有的知识点给你讲完，而不是针对性学习。

　　 错因重构知识地图与非直接关联点知识点理论

　　错因重构知识地图，也是我们公司提出的，去年开始做。错因重构知识地图，就是说一道题考的一个知识点，有些学生的知识点已经会了，但是仍旧会做错。或者是他知识点不会，但是不会的方面和层级角度不同。所以一道题当中我们找出了孩子12种错因。你仅仅给这个孩子解决知识点的问题，他都没有问题。但等到他一做题，在这一类的错因当中屡屡犯错，而且每个孩子的错因是完全不同的。无论英语、语文、数学、物理还是其他学科，我们给孩子去搜集他的错因。这件事情，过去只有特级教师一对一才能帮他找出来进行解决。但是现在非常感谢AI的力量，我们找到了。整个初中数学可能有近百万的错因。这样海量的数据，不可能是一名优秀的教师能够全部掌握的，但是对于AI不是问题。我们找到所有孩子的错因，通过最高算法去找到每一个孩子的错因可能性，然后就可以非常针对性的下药解决孩子的学习问题。

　　非直接关联点知识点理论。过去所有知识点都是叫做实务型知识点，他们之间的关系是先觉知识点，你要知道股票是什么以及买空卖空，才能会做对冲基金。但是很多知识点之间没有关联，你懂得对冲基金这个知识点，那你知道债券是什么？你理解对冲基金知识点，你知道CP是什么？可转债是什么？并不知道。

　　在广袤知识地图里，不仅通过关联知识点判断这个学生的知识含量，还可以通过非直接关联知识点去做。也就是说每在一百万个知识点里面测试一个知识点，就能给其他所有剩下的知识点，做一个概率的知识图。换句话说，对于一万个知识点，不需要测一万道题或者一千道题，只需要200道题，剩下9800个知识点都被做了200次的渲染，我们都会知道这个孩子会了百分之多少，还有百分之多少不会。在我们知识点里面，任何一个知识点都有非关系性必然的联系。

　　能力培养与创造力培养，如何实现？

　　从知识点学习到能力学习。我们乂学教育对学习能力进行拆分，教孩子如何举一反三，如何举一反一百。但是能力教学是非常难的事情，因为它没有办法被评估，它更是一门中医跟玄学。我在我的研发部提出了三可理论，第一个叫可定义，能力要可定义。比如说情商如何定义？情商这个词我们都讲不清楚，就没有办法提供教学。第二个叫做可测量，能力拆分完一定要可测量。第三个是可传授，就是我一定要教给你。达到三可之后，我们现在已经有了500多种学习能力的拆分，每一个学科都有100多个能力的拆分，这些所有拆分全部做到可定义、可测量、可传授。

　　现在我带着我们团队，已经开始研究用AI系统实现创造力培养。我们把所有创造力的方向，也拆分成分可量化、可规则化、可模块化的描述。通过这些描述，不断的采用机器对学生的启发式的人机对话，来获得学生的反馈和感受。通过NLP的语义理解，知道学生的反馈是在哪个层面，然后给到他不同的回答。这件事情需要三四年时间的努力，以内一些科技机构不断的成长成熟，人机对话和语义理解有一个提升。

　　人工智能智·适应系统也是需要不断的找到学生的学习最佳策略，通过这样的对抗网络，能够不断的大幅度提升算法准确度，以及给到每个孩子的知识内容推荐和知识路径推荐的准确度。我们从大量的学生得到反馈，他们在半年时间里面提分很高。每个孩子对于智·适应的感受不一样，他们觉得整个系统是人性化的，是根据自己的水平去定制的。

　　 有的孩子对数学或者某个学科非常头疼，不想学习。但是有了这样的软件，他慢慢了解自己是什么样的，自己站在哪里，不管是好还是差。在这个系统里面，他们爱上了学习。教育不应该是用趣味性解决教育的问题，而是用学习成长的成就感去解决教育的问题。当你有了成就感之后，你会愿意进入下一个阶段的学习，只有这样才会有最好的结果。（多知网 尚昌华）