如何才能更“清醒”的學習？答案是加倍精準_風聞

造就第448位講者 梁靜

乂學教育-松鼠AI 合夥人

曾經，我們認為互聯網能夠改變教育。

是的，它在某種程度上，在上一個階段，確實幫助了很多貧困地區，非一線城市的地區，或者家庭收入不是很好的孩子們獲得他們平時獲得不了的教育資源。

但是它不精準，無法一對一的教學。

從我們角度看，傳統的教育有四大困境。

第一就是教師。我們在北上廣深能見到高級教師或者非常資深的老師 ，但是在巴東的特困地區，根本就沒有教齡在五年以上的好老師。

第二個困境就是千人一面的學習內容。就算是在北上廣深的大城市，在所有的教室裏面每一個孩子所接收到的信息都是一樣的。

90分的孩子可能會覺得這堂課有些浪費時間了，因為他想學習更加晉級的知識。但可能30分的孩子就會覺得完全沒有辦法學懂。

第三個困境就是，事實上每一個孩子的學習速度是不一樣的。就算都是中等生，每一個知識點所需要的時間也是完全不一樣的。

而在同一個課堂上，在每一個孩子學習同樣的知識點的時候，他們所擁有的時間是一樣的 。

第四個困境是，在正常的教育過程中，孩子們學的大部分都是某一個知識點，但是無法讓孩子們學到更好的一些能力、思想、方法，也就是我們提倡的素質教育。為了素質教育，我們要花額外的一些費用和精力去給孩子們報各種各樣的課。

今天我想提一個新概念——智適應（AI adaptive learning）。其實在全球已經有很多的公司已經在涉足AI adaptive learning ，即AI智適應這個領域了。

像Knewton ，它是全球第一家用自適應這種技術去做教育的。扎克伯格、比爾·蓋茨的基金其實都在注資。

以上這些教育公司，包含有英國的，美國的，澳洲的，韓國的，印度的。

我們也在試圖做一個智適應的教育系統。我們在全國400多個城市已經建立了將近2000家線下學習中心。除了線下中心，我們還有另外一種模式，就是在線在家學的模式。

在這個教學系統當中，學生們有70%的時間是在沒有老師的情況下跟AI引擎系統學習，另外30%的時間和一個真人老師去對話。

這個真人老師給他的功能不是教學，而是輔助、鼓勵和引導。如果學生有任何的困難，老師會去幫助他， 更像是一個助教。

這樣一個教育系統有三個層次。

第一個層次有學習地圖、內容地圖以及整個的目標。

第二層是評估以及推薦系統。也就是説，當孩子們在學習和訓練過程中，如果有任何的信息反饋，這個平台會馬上反饋出來下一個環節應該讓他去學什麼樣的內容是最適合的。  第三個層次是信息的捕捉以及信息的分析模式。

因為收集到孩子的信息之後不可能沒有反應和計算就直接引到下一環節，而是需要大量的數據以及算法用最快的速度反映出來，然後給到第二層次的推薦系統。

第一層次的知識地圖其實是一個孩子的知識圖譜。每一個孩子會有一個這樣的知識圖譜。紅色的代表他百分之百沒有掌握的，綠色的代表他已經完全掌握的了，黃色代表他掌握的百分比在適中的程度。

當孩子進入到系統之後，都會先做一個評測。這個評測非常短，但通過這個評測我們能知道這個孩子他哪些知識點是薄弱的，哪些知識點是百分之百掌握的，哪些是掌握得一般的。

系統只會去給他推送他沒有掌握的那一部分的知識點以及一些訓練能力的方法。他已經掌握的就會跳過。

這避免了我們在傳統教學當中的刷題模式。甚至可以避免有一些學生其實已經掌握了這個知識點，但因為在同一個課堂上，所以只能再去學習一遍的情況。

我們還把知識點做了分拆。

舉例，一個在課本里的知識點；分數加減法。我們用了九級的拆分，把它拆到非常細小的知識點。在第二層級的知識點拆分能看到有求加求減法中的一些未知項。我們會這樣一直拆到九級。

為什麼要拆到九級呢？

早期的AI自適應教育公司做到的是從原來的300個拆到了3000個知識點。而我們做到是從300個直接拆到了30000個知識點。這花費了我們大量時間，是我們幾百位老師共同的精華。

拆到這麼細的目的就是為了讓孩子們學得更加精準。剛才我提到了一個評測的引擎，通過評測的系統，它可以找到孩子的知識薄弱點和強項。這個薄弱點如果足夠小，那麼孩子們只要學習那個細小的沒有掌握的就可以了。

但如果是在傳統的教學當中，可能被抓取到的薄弱點只是第一層級的知識點。只要考得不好， 學得不好，答題慢，可能就要把那個知識點裏的全部內容都學一遍。

實際上沒有人知道學生到底是這個大的知識點裏面的哪一個細小知識點掌握得不好。也許我們能夠找到。

我們還開發了MCM系統——model of thinking，capacity and methodology，就是學習的思想、能力和方法。

同樣，這個系統我們也做了納米級的知識點的拆分。

以物理這個學科為例，除了正常學一些知識之外，我們可以把對稱思想、等效思想、類比思想、逆推思想等等分拆出來。

其實，這些思想都是揉在我們正常的一些學習知識裏的。

當我們發現這個孩子的逆向思想不夠好 ，未來這個系統就會給他去儘量推一些跟逆向思想相關的訓練的知識，讓他去訓練他的逆向思想。

以數學能力的拆分為例，我們從數學的學科當中發現了運算能力、樹杆法、逆推法、探究能力 、應用能力等等。其實大家都知道，數學這個學科特別有價值，它不僅僅是紙面上的如何做題，更多的是訓練一些邏輯思維。

同樣，語文這個學科有理性意義的膨脹以及語境的分析等等能力。

其實這些真的在我們未來的工作生活當中非常有用。

特別有幸，我們剛剛參與一個電視節目。當時我們就用了MCM的這套理論評測出來六個不同的職業。

他們在密室裏做小學、初中的題目，做完之後，系統自動得出這六個人在密室裏的能力、思想、方法分別達到了一個什麼樣的水平，並且進行了分析，從而推斷出來這個人有可能會適合什麼樣的職場。

這並不代表説你一定要從事這個領域，而是説我們發現了自己平時根本就不知道自己擁有的一些思想、能力和方法。

再進一步，孩子們的學習可以動態測評。

在這裏我想舉一個例子，我們會看到一個圖譜，這裏一共是三個學生，第一個學生的掌握率是80%，也就是説他有80%的知識點是掌握得非常好的，20%掌握得不好。

三個學生都是80%的掌握率，但是第二個學生孫同學，他的紅色的知識薄弱點跟第一個同學是完全不一樣的。第三個同學於同學，他的20%的知識薄弱點也是不一樣的。

哪怕他們好像是同樣的水平，好像是同樣的領域掌握得不好，但通過算法就能夠診斷出來每一個孩子，實際上他們都是完全不一樣的。 孩子們在我們系統裏面使用大概二到三個月左右的時間，系統就會幫他設置出他下一階段的學習目標。但是這個學習目標不是永恆不變的，不是説這個目標定完了 ，他的學習路徑就會這樣一直不變。

系統會給他重新設定一個可變動的目標，再根據他新設置的目標再為他進行後續的一些推薦。

我們還在做一些新研究。

第一個項目是我們和斯坦福研究院從三年前就開始合作的一個項目，是一個人機互動的平台。現在我們能做到的是，機器推送給孩子們，但沒法做到的是，孩子們第一時間把他們的反饋給到我們。

這個平台的功能是，當孩子們做完這道題或學完這個板塊的時候，如果他們遇到了任何的問題，或者他們有任何反饋，第一時間就可以通過這個平台反饋給我們的系統。

這是一個我們稱為human-machine interface的平台。

另外一個平台叫MIBA ，就是多輸入學習行為的分析平台。

這個平台有一段小的視頻，大家可以看一下。

這段視頻中大家能看到孩子們會帶有一個腦電波的環， 實際上還有一些小的設備。目的就是階段性地測試一下，孩子們對哪一些學習內容或者哪一種教學多媒體的形式更感興趣，以及他們的注意力集中程度、專注程度和腦電波的反饋程度。

抓取到這些數據，將這些數據跟這個孩子在當下的學習行為以及結果進行結合綁定分析，從而得出來他下一個環節應該做什麼樣的事情。

大屏幕上有三個學生，對這三個學生在同樣一個知識點上花費的時間，眼睛專注在屏幕上的程度和時間等等做了深度的分析，分析完之後會得出一個結論。每一個孩子，下一個階段是應該去休息一會兒，或者他應該繼續地學習，或者人類老師在這個時候需要介入，跟他做一些溝通、感情上的輔導，他才能繼續去學習等等。

我們做了一張圖表，左邊是學生的名字，右邊是不同的知識點。我們抓取了一些我們系統裏的數據，比如立方根這樣的一個數學知識點，其實每一個孩子 他所使用的時間是完全不一樣的，有的孩子只需要150秒，有的孩子將近需要4000秒，不代表這個花費時間少的就是一個學霸 。有的時候我們發現，反而一個很簡單的知識點，一個學霸反而是學不好的。反而，“學苗”或“學中”學得好。

另外一個維度表明，同一個孩子其實在每一個知識點上花費的時間也是不同的。這個也同樣不能按照難易程度來分。

我們常常會説，簡單的花的時間少，難的花的時間長。其實每個孩子的知識圖譜和學習能力是完全不一樣的。有些孩子真的是“學苗”， 但一些難度較高的東西， 他學得反而比別人快。

所以我們一直認為，沒有任何一個孩子應該在同樣的環境當中，在同樣的教室裏面學習。因為每一個孩子都是不一樣的，他們都是個性化的。

我們相信技術可以幫助到更多的孩子，更重要的是，發現更多的孩子的潛力，從而去培養他們，去點燃他們。

我希望能夠喚起他們心中對學習的那一份快樂跟喜悦。一旦他們喜歡上了學習，他們不反感學習了，我們相信每一個孩子都是非常優秀的。

最後，我們相信，AI能夠給我們的未來教育帶來的是：孩子們不再深入在題海戰術了，孩子們的學習時間可以減少。通過我們系統的數據，學習時間目前是可以減少到80%。

那減少出來的時間我們希望孩子們可以從事更多的適合他們的畫畫啊，體育啊，機器人啊，甚至户外的探險這樣的活動當中。不要紮在課本當中，不要一直紮在學習當中。

相信通過AI ，我們的教育會有一個更加美好的未來。