AI教师调研
2019-09-03 10:53:14 0 举报AI智能生成
AI 教师 调研的资料
作者其他创作
大纲/内容
AI+教育
前景广阔
教育场景有更好的容错性
教育数据收敛性和可控性强
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。
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。
“机器学习教父”Tom Mitchell：未来十年将是AI影响教育的十年
通过AI智适应的教育，就能及时了解每个学生学习的终身数据
当前技术
图像识别、语音识别、人机交互等
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。
语言类口语考试和智能阅卷、自适应学习、虚拟学习助手和专家系统，基本覆盖“教、学、 考、评、管”全产业链条。
数据
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
来源于数字化的教学环境，教学和学习数据在这种数字化环境中自然而然的产生
从传统教学行为中收集教育信息，并将之转化为数据。
缺点
难复制教师的行为模型
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！
Tom Mitchell
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。
未来趋势
云化
教育
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
国外企业
Altschool
italk2learn
帮助年轻学生学习数学的「分数」部分，并使用了一个学 习者模型，其中包含了学习者的数学知识水平、认知需求、情感状态，以及他们收到的反馈和对反馈的反应等信息
基于自适应学习可以包括一系列AI+教育的工具：
▪ 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。
▪ 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。
Bloomberg Beta
EdSurge
The best resource on educational technology in K-12 and Higher Ed
Google
2014年以4亿美元收购了深度学习算法公司 Deepmind
开发AlphaGo
2015年，谷歌将内部采用深度学习的技术整理到一起，发布第二代人工智能系统TensorFlow，并宣布将其开源。
美国已经有40多家AI智适应教育公司
Knewton
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
知识图谱
课程内容的概念和概念间的联系
学习者已掌握的知识和其学习方式来生成学习路径
持续自适应
持续挖掘学习者的成绩数据，对学习者的学习活动进行实时反馈
融合记忆曲线
建立终身学习档案
dreamBox Learning
ALEKS
Assessment and Learning in Knowledge Spaces
基于知识空间理论的在线测验与学习系统
基于知识空间理论的在线测验与学习系统
阿联酋
Alef Education
4年
印度
Byjus
10年
资料
中美AI产业布局
教育理论
美国
Social Emotional Learning,社交情绪学习
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
国内企业
英语流利说
AI 英语老师
作业盒子
系统将批改结果以结构化方式反馈到老师端，纸质作业批改数据加上电子作业数据构成整个日常作业数据的收集闭环。
拍照批改可以支持13种题型，未来还将增加语文作文的拍照批改。作文批改需要更宽字符级识别，需要更高训练样本，有更高的要求，可以帮助老师降低作文批改的负担。
“千人千路径”，基于个人学习进度及互动反馈，
“规模供应”
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。
数据积累
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。
可以帮助中国4千万学生、10万所学校做精准的学习画像
AI教师不但可以做作业过程数据探测，了解学生整个掌握度、情绪度和遗忘度，也能够以此做学生知识图谱和学习路径规划。
论答
基于PRISM算法打造智能测评系统
决策树算法
过程
通过大数据分析系统分析处理海量学生数据，学科专家团队针对英语和数学学科研发知识图谱，根据地区、考情和学习数据更新优化。
测评完学生的知识点掌握情况之后，论答的学习系统利用算法实时检测每一位学生的当前知识状态，
并对比系统中海量学习数据，为每一位学生智能推荐和优化学习路径，并且配有知识点讲解视频。
并对比系统中海量学习数据，为每一位学生智能推荐和优化学习路径，并且配有知识点讲解视频。
最后，智能练习系统会根据每位学生的当前能力，匹配合适的专项练习题。
做完所有推送的题目之后，系统会自动生成多维测评报告。
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。
可以根据每位学生的学习能力和学习偏好，智力匹配最合适的学习任务，
朗播
技术分析
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
好未来
AI实战训练营活动
AI lab
墨镜系统
前身“学而思”
好未来脑科学实验室
学霸君
专访创始人张凯磊
技术
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。
学生如果做错了一道题，机器将会为他推送相关知识点的题目。
高考机器人Aidam
沪江网的“Uni 智能学习系统”
松鼠AI
（原乂学教育）
（原乂学教育）
松鼠AI智适应系统
超纳米级的知识点拆分
把初中的知识点从原本的5000个拆分至3万个。因而，在松鼠AI系统辅助之下，学生的学习就可以按图索骥，如同使用GPS定位一样，很容易找寻到目标。
松鼠AI针对知识地图做了一个超级纳米知识点拆分。整个对知识点的拆分细腻度超过了Knewton和Aleks的5-10倍
当知识点做的越细腻，对于学生知识点掌握的诊断也就会越精准
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
例如粗心、惯性思维、审题不清等等
物理常见错因
AI老师引擎架构
本体层
学习地图、知识地图
算法层
有推荐引擎
学生的用户画像引擎
目标管理引擎
交互系统
在2019年之前，松鼠AI的交互系统更多是通过视频、题目及一些简单的互动和人交互，
未来松鼠AI希望发展更多的人机交互方式，使得学生与机器互动更加顺畅。
未来松鼠AI希望发展更多的人机交互方式，使得学生与机器互动更加顺畅。
作业帮
猿题库
VIPKID
人脸识别技术能够实时跟进每位学生的学习进度，并根据具体情况定制个性化学习计划
keyword
artificial intelligence
adaptive education
智适应
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
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
adaptive learning
自适应学习
自适应学习
技术
机器学习
强化学习
用机器学习的数据来开发强化学习算法，因而就不会那么依赖人类的数据。
NLP (Natural Language Processing)
自然语言处理
自然语言处理
分类
基于语音识别和语义识别技术，虚拟助教可以快速实现测评，并给学生提出针对性反馈
科大讯飞、流利说、一起作业、盒子鱼
0 条评论
下一页
