AI教师调研

教学的封闭场景决定了，一个教室中产生的所有元素，无论声音还是文本，都有机会通过传感器收集起来

AI、底层算法在各行各业通用度已经很高了。但是难点在所有行业运用过程中采集数据的复杂程度上，
和其他行业相比，教育场景在采集数据上有天然的收敛性和可控性。

通过图像识别技术，人工智能可以将老师从繁重的批改作业和阅卷工作中解放出来；

语音识别和语义分析技术可以辅助老师进行英语口语测评，也可以纠正、改进学生的英语发音

人际交互技术可以协助老师在线上为学生答疑解惑。

人工智能最核心的不仅是算法，还需要数据，对整个教育培训行业来说，最缺的就是数据。有了数据再谈人工智能是更切合实际的，如果没有数据就是空中楼阁。

来源

教师通过自己的课堂行动适应挑战，并在情感上做出适当的回复，这一点很难由人工智能体系重新创建。而且，在人工智能的影响下，学生很有可能会错失教师宝贵的非学术成果。人工智能引入课堂，教师与学生面对面的机会减少，学生在一定程度上就会失去了解教师非学术成果的机会。

虽然机器人也有对话、写作、动作等交流功能，并且也将有相应的“表情”或特殊的感情表达，但和人类丰富细腻的感情相比差距甚大，更不用说达到教师“春风化雨、润物无声”的教学境界，以及“以理服人、以情感育人”的大爱境界了！

没有太多的观察能力，没有特别好的进行学习者观察，没法非常好地说明学生的学习状态到底是什么样，这在未来非常重要，所以我们学习用图像、表情识别跟踪分析来解决这个问题。

人工智能时代，学校将越来越走向“精准教育”

人工智能时代，教师将更加注重培养孩子的能力

▪ 学习者认知和情感状态的模型。
▪ 利用对话让学生参与涉及探究和讨论、提问和回答的学习体验。
▪ 包括开放式学习者模型，以促进学习者的反思和自我意识。
▪ 采用元认知架构（如，通过提供动态帮助或使用叙述框架）来增强学习者的动机和参与度。
▪ 使用社会模拟模型——例如，通过了解社会 规范和文化，让语言学习的学生可以更好地与目标语言的演讲者交流。

开发AlphaGo

在线自适应学习系统

其引擎能通过在线诊断服务分析每个学习者的优缺点，然后提供个性化的课程安排

实现个性化学习的技术

Assessment and Learning in Knowledge Spaces
基于知识空间理论的在线测验与学习系统

4年

10年

致力于研究成长环境、心灵创伤等对学习者的影响。“不把这些因素考虑在内，学习就难取得实质性进步

AI+直播模式，颠覆传统授课对主讲老师的依赖，扩张边际成本极低。

作业盒子用4年时间积累了入口级的数据，近400亿条学生高度结构化、被清洗后的学情数据。

决策树算法

过程

测评得分、知识点掌握数、测评用时、知识点掌握率，并且详细列出薄弱知识点和已掌握知识点具体内容。

基于语音识别的口语评测技术

请教研专业老师做一些标签，通过机器学习模型训练出来结构评分模型

墨镜系统

运用智能本和智能笔技术

自研发的自适应学习能够通过条件反应理论、回归神经网络以及构建知识图谱三个环节，将知识点串联成图谱状结构。

超纳米级的知识点拆分

对学习能力和学习方法进行拆分

全球首创非关联性知识点的关联概率

错因重构知识地图概念

本体层

算法层

交互系统

不管是宏观还是微观层面，学生在都能够基于教学系统完成不同的任务获得不同的答案，
系统可以显示学生的错误并纠正，知道学生的学习轨迹，也能掌握学生的情感状况