上交大博士生导师俞勇拆解AI教育：外围工具类是辅助产品，核心教学类AI更关键
近日，俞勇出席了真格精酿第一期AI教育沙龙，以下是俞勇核心观点，我在不改动原意的基础上略有删改。
面向教育的AI技术分为两类：一类是外围工具类的AI，还有一类核心教学类的AI。
现在是外围类的产品比较多，拍照搜题、检测学生学习情况、批作业、批试卷，都是外围的辅助。老师依然是不可或缺的，目前AI只能是帮助老师做得更加精确、更加快速，但是没有解决根本问题，教育资源的公平性没法完全解决，个性化教育更无从谈起。
而核心教学这一类，比如说学什么、怎么学，是AI可以定制的，先测算某个个体现在应该学什么、之后学什么、学的怎么样，再通过题目等个性化地反馈学习信息，提高之后的学习效率。
那AI具体是怎么测算出来的呢？主要是通过这 4 个模块。
数据收集模块：搜集完整的学习数据；能力评价模块：用测试的方式评价学生当下对知识点的掌握情况；智能教学模块：决策系统根据学习数据个性化地推送学习方法；私人教练模块：决定接下来怎么学。
下面会拆分这 4 个模块：
数据收集模块需要收集一切学习数据。我们以电影为例，如果我们要学习电影的知识，会大体分为 3 个部分：
学习导图构建：电影分为爱情片，悬念片，喜剧片等，每个品类里都会有不同的片子，先从大类里拆分，是纵向的结构。
知识点拆分：电影的风格、导演、主演、拍摄年代、出品方等。知识点分得越细，这一块的学习效率就越高；如果知识点越粗，那说明知识点本身还包括很多的知识。AI需要判断具体是哪一部分知识的问题。
知识图谱构建：知识图谱像字典一样，是横向的。比如说一个演员可以演多部戏，一个导演导多部戏，可以相互对应。在知识的学习过程中也会有知识的迁移，就是说学了某个知识点，也对其他知识点的理解有帮助，知识的迁移的能力和人的学习能力是息息相关的，关联事物能力相对较差的人就可能学习就不太好。
这三项内容的信息是流通的、动态的。
以图中的题目为例，每道题的得分不同，说明掌握的程度不同。几道题目的得分依次是0.92、0.75、0.68、0.23，这说明做题的人快速排序的能力最差。所以接下来就应该推送他去读一些快速排序的知识点，推送相关题目。
历史答题记录会对知识点的掌握情况做一个预估，这时候就会有很多选择，是让擅长的部分更优秀，还是弥补最薄弱的环节，根据能力评估环节，都可以做选择。
这里还涉及到一个知识跟踪的问题：对个学生来说，对一个知识点的状态，要么是掌握，要么是没有学会，对不对？对于哪些没有掌握的，可以通过学习从不会到会。但当我们从做题结果来判断一个人掌握知识点的时候，他有没有可能是猜对的？而判断一个没掌握的状态下，会不会是题目本身有歧义？
所以现在的深度知识追踪会根据历史的学习数据下判断，并且会考虑建模知识点之间的依赖性。
智能教学决策系统会根据做题的分数进行快速排序，如果是补差，就会把分数最低的知识点排在第一位，推送资料（包括讲解和题目）。通过学生历史交互记录进行下一个学习内容的推送，就是强化学习。
除了这些机制，还要考虑两件事：1）人的记忆有遗忘规律，过了几个小时之后要重复一下知识点，重复的周期可以越来越长，但是必须要有复习才符合人的认知能力。2）要考虑学生的相似性，分数极高和分数极低学生分在一起，教学效果一定是最差的；水平相似的学生一起学习则省力得多。