從教學、技術和商業的角度分析，自適應學習產品中的那些坑
去年 Alpha Go 在人機世紀大戰獲勝之后，人工智能在各個行業掀起了新高潮，包括教育領域。
人工智能發展范疇涵蓋了所有嘗試以電腦去模仿人腦處理信息的能力，例如：類神經網絡 (Neural Network)、知識圖譜 (Knowledge Graph)、以及自然語言處理技術 (Natural Language Processing, NLP) 等。模仿人類思考的強人工智能到目前為止，不算完全成功；倒是其中機器學習 (Machine Learning) 這項技術，因為近幾年大數據 (Big Data) 的爆發成為它的"養分" -- 機器學習能獲得充分的訓練資料 (Training Data) ，加上電腦運算效能的長足進步做支撐而異軍突起，尤其其中的深度學習 (Deep Learning) 更是在近期帶來一些突破，例如 AlphaGo 戰勝世界圍棋冠軍、無人駕駛汽車上路了。
機器學習大量使用統計的方法、進而建模與推論，建立預測能力，它的許多應用已經存在于我們生活中，例如: 人臉與圖片辨識、手寫輸入辨識、自動過濾垃圾郵件、自動偵測信用卡盜刷。教育培訓是否能借機器學習技術來提升成效？在教育與商業經營上各有何挑戰呢？雖然機器學習在商業界是目前創投熱錢追逐的標的之一，但應用在學習領域的產品與市場的契合點 (Product - Market Fit) 何在？如果將這個領域中的產品做分類，自適應學習系統 (Adaptive Learning System, ALS, 或者Intelligent Tutoring System, ITS) 是最廣泛的應用，所以我們此文先分析這一塊。ITS 產品目前商業產值不高，但近兩年明顯有比較多資金投入，也看到更多內容業者加入了自適應技術與推薦技術，重新為內容加值，逐漸形成趨勢。許多讀者只聽過 Knewton，因為它是獲得大量熱錢支持的新公司，近幾年在營銷上投入大量資金; 其實美國的政府研究經費支持了更多這類發展，像美國某老牌的教科書公司 McGraw Hill ，二十幾年前就開始研究開發這種技術；卡內基美隆大學于十幾年前開始投入，并開放授權部分技術，或技轉授權，現在已經開枝散葉，長出許多商業產品。ITS 的核心是系統會隨時收集學習者的行為與評測結果，自動動態地調整下一步，提供給學習者最適當的內容、反饋、提示、練習或測驗題目，以提升學習成效、動機，節省時間，并保持學習者在最佳的挑戰范圍內 -- 也就是最近發展區 (Zone of Proximal Development, ZPD)，參見下圖。ITS 技術上分成三大類，實際產品也可能同時采用兩種以上技術結合：Adaptive Sequence: 這種系統的提供者都是工具平臺類產品，通常與內容出版商合作，或者讓教師、內容生產者自行建設和上傳內容，系統會根據學習者的知識水平與對各知識點的精熟度不同而調整學習路徑。Adaptive Content: 設計互動內容，提供即時反饋或提示，需要將傳統內容重新改制成顆粒度較小的設計，以提供階段性支持與評測，可將測評題目嵌入學習內容中，以點測學習理解， 內容改制成本高，效果較佳，分析能比較入微 。顆粒化內容應對應現行的課程大綱和標準。單純的這種產品其學習路徑是不變的，只根據能力而加速或重復學習，但是有些產品也結合了 Aadaptivce Sequence。此類形態最適合學習內容出版業使用。Adaptive Assessment: 目前被用在自我練習或考試評價中，當學習者回答測評題時，根據 答對/錯或部分答對/錯，下一個題目會動態調整，只提供適合使用者程度的題目。其目的 是有效率地測出學習者的能力定位，可依據不同標準化量尺來表示。對這類產品來說，題目的品質非常重要，題目與標準能力量尺的定位也最好有大量統計數據，可信度會更高。此類形態最適合應用在題庫型產品中。知識地圖 (Knowledge Map, Concept Map, Competency Network, Skill Graph);內容 (學習資源與評量題目) 重新設計 -- 結構化、顆粒化、并對應知識點與加標簽(Metadata)，若無法結構化則需用不同技術處理;對學習者進行建模與資料持續累積分析 (可能從外部匯入，并整合學生個人背景資料);事先設計好的學習過程資料采集標準格式，以利于資料的即時整合。無論是內容業者或工具業者都可能在系統內增加學習管理功能，例如社群互動、班級管理、支持 學習設計的功能等，以完善學習環境。許多自適應學習系統搭配延伸服務，包括取得延伸內容、 真人線上答疑、或線下輔導，以強化使用經驗與成效。設計面與技術面尚有許多細節需要考慮，暫不細述。雖然 ITS 產值還不高，但真的要完整舉述業者也不少于 50 個，而且因為機器學習技術成熟，正快速增加中，以下僅列出代表例子。根據 EdSurge 的調查，教師給出的反饋是，使用有效的 ITS 系統的確對落后學生幫助很大，也同時明顯解決了學生的行為問題，因為通常行為問題是來自于學習問題 (上課時老師講的太難、太簡單、被動聽講太無聊...)，另一方面對學習領先的學生也能夠維持其興趣與優勢，讓不同步調、風格與特長的學生都有適合的學習機會。值得一提的是，卡內基美隆大學透過開放學習倡議 ( OLI，Open Learning Initiative) 所發展的線上學習系統證明了整合學習和評量活動的優點。在 OLI 課程中，反饋機制被放入各式各樣的學習活動內。當 OLI 結合線上學習與課堂學習的混合教 學模式下施行，教師可以使用學習系統所收集到學生線上學習的相關資料來找出學生最需要協助 的主題，以便在即將到來的課堂教學中可以專注在那些學生誤解的概念上 (Brown et al.，2006)。 研究結果發現使用 OLI 的學生組只需對照組一半學習時間就能獲得較好的學習成果 (Lovett、Meyer and Thille，2008年)。把線上線下教學的學習和評量緊密配合，它還可能減少用來評估整個教育體系品質所需的外部查核次數，形成性評量 (Formative Assessment) 可以嵌入學習過程持續發生，降低對學習者的干擾與考試的壓力。除了服務學生，其實教師也可以用上人工智能的服務。IBM 最近推出的服務 Watson Element for Educators 藉由提供教學管理需要的工具，并幫忙整合學生個人與學習過程資料，一舉兩得，服務到老師 -- 資料匯整與管理，系統也收到學習資料，以訓練機器學習的演算法，來協助老師備課。例如根據設定的學習目標標準 (課綱) 來推薦內容供老師參考，減少老師搜尋適合資源的時間，也減輕老師的腦力負擔。然而導入新的教育科技產品從來就不是這么簡單的事。目前美國學校里 ITS 的成功案例是經過漫長準備與計劃才得到的正面結果。 教育科技產業的最大挑戰通常不在科技，更少有新科技先從教育產業冒出，它的門檻在于牽涉因素特別復雜。以下就幾個面向分析相關考量。既然談商業運營，第一個問題當然是誰付費，消費產業只要讓一個角色 -- 消費者 -- 買單付費就好(to-C)，學習產業的付費者有以下可能。進校 (to-G): 需要了解政府部門和學校的采購預算、招標、額度等規則 (甚至潛規則) ，有合法的名目可以編列，小額度可以從學校付費，不過額度真的小。人脈關系也是決定性因素 (指長期 配合服務周到所建立起來的信任)。此外，有強勢英明的教育單位領導也很關鍵，負責建立大家的愿景共識，并確保資源 (參考 Future Ready 教育主管指導手冊) 。家長 (to-C): 使用者是中小學學生的付費者，不是政府就是家長 (to-C)，家長部分還分成直接對家長，或是與學校或老師配合推薦給家長。前者比較單純，後者牽涉到學校決策者、教師、家長、 學生，每個都要滿意，是最複雜的情況。學習者自己 (to-C): 成人學習的付費者是自己，而且學習目的通常是求職或工作進步需要，付費過程因素單純又是剛性需求，是最容易處理的情形。型式即使只是單向的錄影教學，內容只要有用都可以賣，不像面對中小學生要絞盡腦汁吸引學生。如果對象是是企業組織，一定要與合規培訓要求 (法律規定或公司規定必要的訓練指標) 或與事業指標強掛鉤，例如銷售績效、工廠良率、客服滿意度與效率、提案數、員工滿意度，又如醫護人員的急救處理時間。最后一種商模也是 to-B，而這個 B 是教育工具或內容業者，你提供資料分析與機器學習技術給他們，幫助他們升級。人工智能的應用情境經常不是單獨存在的產品，而是基於現有服務與用戶數據提供增值服務，教育科技諸多商業模式含有免費服務以聚眾，這層運用人工智能而建立的個性 化服務是收費關鍵，但是規模小的業者不一定有能力自己開發智能技術。讓付費者有信心想要付費使用，這是第一個挑戰。以學校教學場景，教師要改變課堂上與課後教 學活動設計，以將此系統納入實務中，他們需要對人工智能有充分了解，才會認為值得做此改變。演算法也有其前提假設與限制，需能適當地運用，配合教師專業的判斷，以免被誤導。要家長付費(to-C)，家長要聽得懂這種技術更難了，直接看指標來建立信心度比較可行，考試成績 還是主要指標，國外也是如此，癥結不在於該不該以考試主導教育，而在于沒有更好的方式。平時學校考試出題大權在老師手里，你的產品如果無法貼近老師出題風格，學生考試彰顯不出成效 ，家長可能會信心動搖。不要以為只有要家長付費才看考試成績，學校也需要看到各項指標進步才能持續支持這種方案， 美國大多數教育專案在標榜成效時仍需看考試成績提分效果，另外前面提到的行為問題減少亦是指標之一。要讓企業組織建立信心進而采購，訂定實際的指標是關鍵，別忘了有些組織與人性因素是你無法改變的。如果新系統可以成功建立新的行為模式與價值主張就能建立新指標。我們常說的軟實力或 21C 能 力要如何量化? 如何評測高階思考能力? 這些都很重要，但包裝這類新訴求的市場接受度需要進行在地嘗試，先打概念牌的訴求是一種方式，只要可以說服你的客戶，而且，內容要重新設計開發。 在美國，的確有培養與評價正向學習態度 (Growth Mindset) 的產品，并拿到政府經費進行開發; 企業招募工具市場也看到了評量候選人的合作解決問題能力的新產品，背后運用機器學習進行演算。機器學習需要海量資料當作燃料以訓練機器模型，這增加了新進入者起步的障礙。所以開始若能與學校或機構合作提供定制服務，對雙方來說是雙贏，當然也要考慮之后此技術資產可以應用在其他客戶或市場。人工智能不是一帖萬靈丹，如果內容品質拙劣，不會因為加上智能就改進內容與學習效果，它更不可能主動設計優質教學法。以知識轉移為主的死記學習法，不會因為智能化而提升學生高階應用能力。如果內容非結構顆粒化，測評題無法細部擷取學生答題過程，那么機器也無法精準診斷學生能力與做推薦。產品功能越先進以及內容要重新設計都會增加成本，此文不對技術與設計考量細節做詳述。大原則建議: 以 MVP (Minimum Viable Product) 開始，先聚焦解決高優序痛點，利用數據優化原產品與服務，從小做起最為實際 (例如只做視頻觀看或答題的數據分析)。建立 iteration 的策略，基于自身資產尋求與互補伙伴合作(需要程度對稱)，可以降低成本與風險。垂直整合服務的設計需要針對目標使用者及使用情境來設計使用經驗，這與其他產品并無不同。 一般產業所用的 SWOT 分析，仍然適用，根據自身資產發展產品特性與伙伴互補策略；別犯了沃畢根湖癥狀 (Lake Wobegon Syndrome)。如果學生可以自學獨立使用，情況比較單純，重點是學生要有學習動機，所以遊戲化學習、或嵌入小遊戲、社交元素，這些很常見。DreamBox Learning 曾經出版白皮書建議，設計要素必須掌握到優化的學習順序、按需供給的補充資訊、具針對性的實時反饋、維持動機與注意力等等。如果牽涉老師介入，那就需要讓老師買單，這又讓情況變復雜，老師這關過不了也會失敗，對老師要求越多，失敗機率越大。老師教學實務與行為習慣需要改變，新系統需要設計整合融進現有的學習環境 (包括線上與線下的教學活動)，說來幾句話，做起來真難。從業者可能會發現，在服務學生之前，老師更需要服務，忽視人性因素就以失敗為下場。教育過程的改變 (Change Management) 需要時間與資源做準備，例如: 建立各科的最佳實踐范例、教師培訓、與家長溝通取得認同，從業者的教育設計 Know-How 與長期配合都重要；教學現場的老師已經疲于追趕新工具，他們需要完整有效的培訓與支持。如果對象是中小學生，那廣義范圍不只需考慮街頭林立的補習班，互聯網模式的線上家教，還有各種才藝與社群活動瓜分中小學生原本緊湊的時間，連作業繁重都可能是影響因子，因為使用者的時間就那么多。對教育者而言，ITS 是不是有其他替代方案? 有，古時候的教室沒有分年級 (不像現在教室像工廠 生產線)，混齡學習，常常是大的教小的，現在為了效率劃分年級，但是同儕互相幫助仍是絕佳的 學習方法，教學相長，兩方都有收獲，也有社會性價值存在 -- 學習互助、同理心、溝通、合作。 分層教學也是一種方法。另外，讓學生自己主導學習計劃也是現在在美國看到的一種新的實踐， 很大程度上依賴于教育信息化工具，但不需有人工智能介入。在大班教學環境中，要實現個性化學習是不是一定要借助人工智能，答案是不一定。這是另一個大問題，連大咖比爾蓋茲都在曾這里跌倒，他的基金會投資與強力支持的 inBloom 開張沒多久就因為被家長反對而關門，這并不是無解題，只是要很謹慎處理。學習歷程記錄到底是誰的? 如果將此問題的政策面、執行面環節處理好，反而是個新服務的契機——給學生一個帶得走的電子學習履歷，以及可能衍生的延伸學習、升學、職涯建議服務。新創事業眼光對了，設計與技術到位，但行動太早了，環境與時機尚未成熟也仍是失敗。教育信息化需要諸多基本因素配合，例如: 網絡環境的品質或支援離線模式、使用者有沒有硬件設備、使用者(學生與教師) 是否習慣用電子產品等等。教育系統腳步緩慢，從業者要有對應的策略；企業組織的步調節奏可能差異很大，但是企業目標是賺錢機器，以利的角度切入建立不同部門的交集，很有機會；至于成人學習者的市場，掌握剛性需求，兌現營利可以最快。大家對于 XXX As A Service 應該不陌生，資料科學正在讓此精神發揮更徹底，機器學習從大數據中建立模型，以提供用戶個人化服務，過去賣內容包裹的模式，正在往Education As A Service 轉變，但轉變的速度會與本文所討論到牽涉的各種因素有關，視產品而 定。許多投入教育學習產業的伙伴開始于對教育的理想，然而在商言商，別單純被教育熱情驅動。創造價值不一定可以轉變成利潤，創新的機會可能不在人工智能技術，而是問題解決模式。這個議題更核心的精神在于善用 Data 可以創造價值與解決問題，資料科學技術現在為各產業亟需而備受重視，無論你的產品為何，至少開始收集資料 -- Data is the new oil。 掌握以資料科學解決問題的原則，從小做起慢慢將機器學習導入原有產品中。例如，大學使用學習分析來預測學生可能會退學而提早采取介入或輔導以提升畢業率，是最早也最為廣泛運用的學習分析技術。美國亞特蘭大的喬治亞州立大學 (Georgia State University)是一個相當成功的范例，他們分析了過去十年的兩百五十萬筆學生成績資料，歸納出可用來預測那些學生可能失敗的因子，并以此建立了一個預警系統，包含八百多種預警機制，讓輔導人員據以對學生提供輔助與咨詢，這系統能根據統計數據來建議學生的最適主修與選課，反而 ITS 僅做小范圍實施。最后，從事學習分析的學者都知道，數據采集與整理可能花費高達 80% 的總時間成本，目前不同系統之間的數據互通性仍是一大問題，資料品質也良莠不齊，然而教育產品數量的大爆發，使信息孤島 (Data Silos) 問題惡化。如果各系統可以遵循國際學習標準 (最新標準 Experience API, xAPI )，采用一致的資料格式配方，運用應用程序接口 (Application Program Interface, API) 作整合，不但解決此問題，這獨立資料層本身并可直接衍生大數據交易，因為第三方可以很有效率地重復利用它開發新應用。作者：Jessie Chuang
圖片來源：網絡
內容來源：芥末堆
1. 優學云測評推出培訓機構個性化教學解決方案
2. 優學云測評推出中小學校個性化教學解決方案
3. 優學云測評推出招生平臺流量提升方案
4. 優學云測評推出企業人才發展平臺解決方案——人才庫管理
5. 優學云測評幫助個性化教育成為現實
優學云測評精選的每一篇文章都會注明來源和作者（除非找不到），文章版權歸原作者所有，若有侵犯權益，請聯系我們刪除。本文所述內容僅代表作者觀點，不代表優學云測評立場。對于本文以及其中全部或者部分內容、文字的真實性、完整性、準確性和合法性本公眾號不作任何保證或承諾。
