圖片來源：pixabay

今天是立春。立春是適合耕耘土壤，為播種做準備的好日子。一早，便收到好友愛知行的李子發(fā)來的文章《自適應(yīng)學(xué)習(xí)的兩種設(shè)計方案：知識點間和知識點內(nèi)》，并希望我也來回應(yīng)一發(fā)。我看了文章，有幾點還是覺得值得探討，便應(yīng)了下來：“好，來一發(fā)。”

先說說，文中的幾點。

（1）文中首先對將自適應(yīng)分為兩類：“知識點間”（between knowledge points）自適應(yīng)和“知識點內(nèi)”（within knowledge points）自適應(yīng)。然后提到了它們與CAT(計算機輔助測試（Computerized Adaptive Testing）)的關(guān)系。明確了以下觀點：

CAT的問題是，假設(shè)被試者能力不變，給定一個題庫，是否存在一個測試路徑，使得系統(tǒng)以最少的題量將學(xué)生能力估計到某個預(yù)先指定的熟練程度。因為CAT從根本假設(shè)上否定了通過練習(xí)進行學(xué)習(xí)（learning through practice）的可能性，因此使用IRT/CAT做推薦引擎的知識點內(nèi)自適應(yīng)學(xué)習(xí)產(chǎn)品都有一點“掛羊頭賣狗肉”的嫌疑（但是知識點間自適應(yīng)系統(tǒng)并不存在這個問題）。

個人認為，意識到必須區(qū)分傳統(tǒng)的知識點，并分類為“知識點間”和“知識點內(nèi)”是有進步的。當然，這開啟了新的挑戰(zhàn)。也就是后來JC（俊晨）提到的“知識點內(nèi)自適應(yīng)可以說是一個還有待進一步研究的領(lǐng)域?！?/p>

（2）順著IRT的話題，進一步說下，IRT并非沒有價值，只不過需要區(qū)分下以下幾個概念。但目前，它的價值并沒有被真正放對地方。

（3）為什么區(qū)分“知識點間”和“知識點內(nèi)”是有意義的？

一開始討論自適應(yīng)的時候，大部分技術(shù)驅(qū)動的團隊，并沒有意識到這一點的重要性。他們大多copy國外的實踐，也許是因為資本偏好國外成功模式的需求導(dǎo)致的。但是，中國式教育、考試，是真正的“中國式”的。中國學(xué)生要做的題，比國外同階段教育所要做的題，難太多了！當然，即使是在美國，據(jù)說知識點間自適應(yīng)的應(yīng)用效果也不理想。也就是文中提到的：

“知識點間自適應(yīng)”是一個在直覺上合理并且在技術(shù)上成熟的設(shè)計方案。今天我們在中國看到的自適應(yīng)學(xué)習(xí)系統(tǒng)，大部分屬于這個類別。然而，“知識點間自適應(yīng)”系統(tǒng)在美國的實際使用中效果差強人意。

好了，說完了背景情報，說點干貨，談?wù)勎覍Α白赃m應(yīng)”的一些看法和認識：

一、當我們在說“自適應(yīng)”的時候，我們在說啥？

從大眾的角度，我覺得“自適應(yīng)”其實就是在強調(diào)某種“智能”，希望機器能聰明、且自動化地為我們解決一些問題。從專業(yè)的角度來說，其實是希望在兩種需要之間做平衡，即：“按需推送資源”和“按適應(yīng)能力推送資源”，二者分別對應(yīng)“按需教學(xué)”（學(xué)習(xí)者自主選擇學(xué)習(xí)內(nèi)容和節(jié)奏）和“適應(yīng)性教學(xué)”（系統(tǒng)或教師為學(xué)習(xí)者選擇學(xué)習(xí)內(nèi)容和節(jié)奏）。

二、“自適應(yīng)”跟“人工智能”有什么關(guān)系？    

藍象營在16年的預(yù)測里，顯然是重點強調(diào)了“人工智能”，當然“人工智能”確實很熱。值得注意的是，自適應(yīng)確實被放在了“智能化”里。雖然我不太認同2013年開啟的題庫項目，能算是“智能型”題庫，好吧，你說叫初級階段我也認了，暫且不議。原因在于，智能題庫必須要以“希望機器能聰明、且自動化地為我們解決一些問題”為前提，而“傳統(tǒng)基于知識點的智能題庫”好像真的是啥問題都沒解決。

說到“智能”有一段學(xué)習(xí)心理學(xué)的話還是非常值得一看的。

這段話有幾個意思：

• （1）知識與語義的表征高度相關(guān)，涉及知識的話題，從語義記憶的角度來看，都會有“智能化”的需求；

• （2）反之，智能的話題本質(zhì)上是語義的話題，而且是語義記憶的話題。

• （3）設(shè)計上應(yīng)與“情景記憶”無關(guān)。

三、時下熱門的“人工智能”將如何影響自適應(yīng)？

2016年，人類已經(jīng)被阿法狗打敗了。所以“人工智能”熱潮再創(chuàng)新高。但是絕大部分的觀點基本都在吹噓“大數(shù)據(jù)”和“深度學(xué)習(xí)”。它們很少談到專家系統(tǒng)，很少談到語義，但是這些話題是同等重要的。

2017年1月14日下午谷歌云首席科學(xué)家李飛飛今天在極客公園2017GIF大會上發(fā)表演講《李飛飛:AI成長伴隨不確定性》，就對這一些話題進行了強調(diào)。我總結(jié)一下這個部分李飛飛的核心觀點其實是這樣的：

1、深度學(xué)習(xí)，對于圖片的識別目前已經(jīng)沒有什么問題，但是要讓圖片的意思被理解，進而進行有效的分類，目前還是很頭疼的；

2、分類依據(jù)，其實是一種“知識”；所有的“知識”本質(zhì)上都是語義的，所以也可以說“分類依據(jù)，其實是一種語義”；

3、目前，人工智能的話題，在語義方面解決得并不好。傳統(tǒng)的NLP和專家系統(tǒng)其實都不是太靈，但它們是不可回避的話題，也是人工智能的核心話題。因此，如果人工智能的話題繼續(xù)，我們就需要一些全新的思路來解決語義問題。這就不難理解為什么2016-11-30有篇文章《谷歌搜索也是拼了！為上馬神經(jīng)網(wǎng)絡(luò)，百名 PhD人工處理數(shù)據(jù)》。

我回到我們文初提到的“知識點間”和“知識點內(nèi)”相關(guān)的話題來銜接人工智能中語義的問題，我想起來的是耐格納威斯基（澳）寫的《人工智能智能系統(tǒng)指南》一書中的一副截圖：

關(guān)于自適應(yīng)的話題，我補充如下：

• 1、對于人工智能來說，對知識的標簽進行人工的干預(yù)是必不可少的工作，國內(nèi)知識工程專業(yè)，在北師大等一流高等學(xué)府是有開設(shè)的，但是其發(fā)展并不能滿足當前實踐的需要；

• 2、專家系統(tǒng)的傳統(tǒng)思路，只是必要的部分，但并不意味著它們足以解決問題。

• 3、NLP的傳統(tǒng)思路，為我們積累了大量詞庫集，但這些傳統(tǒng)詞集，如何更好地服務(wù)于“機器學(xué)習(xí)”也是一項重要的挑戰(zhàn)。

• 4、并未被詞集化的部分，可能需要的是“新的知識工程技術(shù)”，它們可能開始于對認知語言現(xiàn)象和語用現(xiàn)象的深刻洞察，而成功于找到能為AI服務(wù)埋單的場景。這里面，最重要的領(lǐng)域可能就是教育。

• 5、需要大量新技術(shù)、新知識的應(yīng)用。我相信它們已經(jīng)存在，只是還沒有浮出水面。

末了，我想用IBM大中華區(qū)首席技術(shù)官、IBM中國研究院院長沈曉衛(wèi)在《人工智能兇猛來襲！未來10年40﹪的企業(yè)或?qū)⑾А愤@篇講話中的一句話來結(jié)尾，借以鼓舞那些像李子團隊（愛知行）、像我們團隊（圖索教育）一樣奮斗在創(chuàng)新第一線的伙伴們：人工智能它不是一個特定的技術(shù)，它是一個時代的開始，所以對非常多的行業(yè)和公司都會產(chǎn)生非常深刻的影響。我覺得一個公司是否存在取決于它是否擁抱變化。

一年之計在于春，讓我們開始行動起來！

本文來自投稿，作者蝦子摸象