人工智能与教育：Ken Koedinger教授论智能辅导系统

前国防部长唐纳德·拉姆斯菲尔德曾说过：“我们不清楚我们不知道的是什么。”这句话揭示了一个深刻的困境，即“未知的未知”，这是军方和数据科学家都熟悉的概念。

同样的原则也适用于教育领域。卡内基·梅隆大学的人机交互和心理学教授肯·科丁格（Ken Koedinger）认为，这种不确定性动摇了传统的教学方式。他指出，学生在学习过程中可能表现不佳，因为他们往往无法判断自己是否真正掌握了知识，或者是否还需要更多的训练。

为了解决这一问题，科丁格教授提倡使用人工智能（AI）作为辅助教学的工具，而不是替代教师。他认为，智能辅导系统可以为学生提供个性化的课程设计，避免重复学习已掌握的内容，同时收集数据来完善学习系统。

在哈佛大学的演讲中，科丁格教授向应用计算科学研究所的50位与会者提出了一个问题：“你知道你什么时候该学习吗？”

这个问题的回答往往是两极分化的，而科丁格教授认为，正确答案是“不知道”。研究表明，学生通常无法准确判断自己是否需要学习，他们自认为的学习状态实际上可能是一种错觉。

一个典型的例子是，学生们常常认为喜欢某一课程就意味着能够学得更好。然而，科丁格教授的研究表明，喜欢与学会之间的相关性很低。使用AI软件检测学生参与情况的结果显示，那些自称喜欢课程的学生可能会关注错误的内容，而那些看起来困惑的学生可能正处于有效的学习过程中。

科丁格教授指出，学生缺乏必要的专业知识，无法将他们所知与实际掌握的知识区分开来。而教师们则往往高估了学生的理解能力。例如，在学习高中代数问题时，教师们认为方程式是学生最容易解决的形式，但学生实际上在基本的数学词汇上就遇到了困难。

智能辅导系统，特别是其生成的数据，可能有助于弥补认知上的差距。科丁格教授讲述了卡内基·梅隆大学开发的智能辅导系统Cognitive Tutor及其背后的项目。

Cognitive Tutor基于机器生成的认知模型和表现模型，已经存在了几十年。认知模型基于解决问题所需的技能、如何获得这些技能、问题管理规则以及学生可能犯的错误等。

认知模型使用两种算法来测量性能：

所有智能辅导系统的模型都产生数据，这对教育研究和改善学习系统至关重要。科丁格教授指出，这些改进是在一个以数据开始和结束的连续循环中进行的。研究人员使用A/B测试法（称为“体内测试”）进行随机、可控的实验，评估改进效果。

数据还可以揭示学生的学习方式，通过生成学习曲线，映射学生的错误率，为改进提供依据。智能辅导系统产生的数据可以帮助教育者将广泛的话题拆分为具体的、细微的小问题来解决。

科丁格教授举例说，类似于网球运动员在发球有问题时，找出具体原因并有针对性地练习，教育工作者也可以通过数据发现学生具体的学习问题，并在这些点上进行反复练习。

科丁格教授主张通过数据驱动的智能辅导系统，不仅能够实现个性化教学，还能通过持续的数据反馈和改进，显著提升学生的学习效果。

学生的学习自我评估往往不准确：
- 学生通常无法判断自己是否真正掌握了知识，容易陷入自我误导的学习状态。
- 喜欢某一课程并不等同于学会该课程，学生可能会把注意力集中在错误的内容上。
教师的认知偏差：
- 教师们往往高估了学生的理解能力，低估了学生在基础知识上的困难。
- 专家们对自己的知识缺乏意识，无法准确评估学生的困惑点。
智能辅导系统的作用：
- 通过AI和数据驱动的智能辅导系统，可以为学生提供个性化的课程设计，避免重复学习已掌握的内容。
- 这些系统生成的数据可以帮助教育者识别学生的具体问题，并提供针对性的练习。

科丁格教授提倡的智能辅导系统，如Cognitive Tutor，利用认知模型和表现模型，通过模型跟踪算法和贝叶斯知识跟踪算法，动态地评估学生的表现。这种方法不仅能识别学生困惑的知识点，还能了解学生困惑的原因，从而提供更有针对性的帮助。

数据在这其中起到了至关重要的作用。通过持续的数据反馈，教育者可以进行“体内测试”（A/B测试），评估和改进教学方法。数据还可以揭示学生的学习方式，生成学习曲线，帮助教育者将复杂的学习任务拆分为具体的小问题进行解决。

例如，在网球训练中，如果发现运动员发球有问题，通过数据分析可以找出特定的原因，如扔球的方式，然后进行针对性的练习。同样，智能辅导系统可以通过数据发现学生的具体学习问题，进行精细化的教学调整。

Ken Koedinger教授的观点强调，通过数据驱动的智能辅导系统，不仅可以实现个性化教学，还能通过持续的数据反馈和改进，显著提升学生的学习效果。这种方法打破了传统的教学方式，为教育领域带来了新的可能性。