取代80%人工听评课!这支清华团队在用AI技术提升课堂教学水平

随着人工智能物联网等技术的应用,未来的教育形态将会变成什么样子?在一些应用 AI 技术的课堂上,人工智能算法不仅可以帮助教师显著提高教学水平,而且已为老师们打开全新的视角,为提升教学水平找到了新的方向。

AI 教学分析系统或许会是未来课堂的重要组成部分。

「目前对公立学校来讲,教学分析系统主要满足两个需求。」清帆科技创始人、CEO 张文铸博士在最近接受机器之心的专访时说道。「一个是全校教学管理的需求,另一个就是教育研究的需求。教学分析系统的目的是让教师提升自己,展现自己的教学水平。」

清帆科技创始人、CEO 张文铸博士

清帆科技推出的 EduBrain 教学分析系统目前已经在国内一些重点中小学开始了试点运行。对于新一代教学方式,教师们的反应还不错。重要的是,它不会告诉你哪个学生在课堂上走神了——而是从多维度呈现学生对知识理解的反馈。

未来的人工智能课堂

EduBrain 教学分析系统需要使用一个输出 4K 分辨率图像、800 万像素的摄像头对教室进行拍摄,典型情况下可以覆盖一个 40 人的课堂。系统会先对每个人进行人脸跟踪,跟踪每个人的位置,然后把每个 ID 单独存储为序列数据,即一系列的图片。

随后,在学校部署的工作站会使用深度学习模型进行「情感计算」,对学生们的肢体、头部、视线等动作完成分析,得到一系列数值。服务器会把这些值打包发到发到云端,加载更加抽象的模型进行二次分析,最终输出整堂课的活跃度和专注度互动度等指标。

注意力识别是一个难以精确定义的问题,如果不对人进行脑电波分析的话,在可观测的角度,我们可以通过头部动作、视线、语义交互等方面间接推测学生们的注意力情况:如果一个人的头部一直跟着老师的位置移动,或者是他/她一会进行书写,一会抬头听课,那么我们可以判断为这是较高专注度的时段。

而如果一个学生在课堂上长期不活跃,或者不参与交互的话则会被视为低专注度。

机器学习领域,检测专注度姿态的方式是通过行为检测技术来完成的。在这个过程中,通过摄像头采集到的视频、音频数据是完全在校内的服务器上进行处理的,随后被上传到云端的只有参结构化的数据,比如情感和行动——给到云端供进一步分析的「情感」不是学生的照片,是他/她在某个时间点上存在某种情感的概率;「动作」也不是照片,而是他/她出现某种行为概率(一串数值)。

看得出来,这种方式是为了避免个人隐私泄露而设计的。

更高维度的分析

通过 AI 分析,我们会发现一些有趣的现象:每个学生在课堂上的专注时间各不相同,但真正能够持续集中精神的时间只有数秒钟。「这个概念被称为认知负荷,在学习理论中非常重要,」张文铸介绍道。「我们发现,越小的孩子精神集中的时间就越短——如果是一个小学生的话,他/她可能只能坚持 3 到 5 秒。理论上大多数人的平均集中时间也只有 10 秒左右——时间再长就要走神了。所以,如果老师一个知识点讲得过长,后面部分的接受度就会大幅度降低。」

这与目前流行的短视频应用其实道理相通。看来,教学内容的设计要与学生的认知负荷相匹配。

通过基于 AI 的分析,我们可以发现很多认知方面的新认识。清帆科技表示,目前的发现只是一小部分,对于研究者们来说,未来还可以更加深入。

与单纯参考学生考试的成绩不同,人工智能在课堂上能够获得更高维度的信息。如果成绩是纵轴,课堂表现是横轴的话,把一个班所有学生的情况放进坐标系中,我们会看到不尽相同的情况:

  • 有的学生位于第一象限,成绩和表现都好,对于这些学生的教学策略就是要鼓励他们。

  • 有些学生课堂表现一般,但成绩好,对于这些孩子的策略就是不管他——他们可能属于比较有个性、天才的学生。

  • 还有部分学生是表现和成绩两样都不好,这时就需要教师们展开干预了。

  • 也有一些学生的表现好,但是成绩不好,这就说明他们的学习方法存在问题,教师应该帮助他们改进方法。

「当我们加入一个新维度的话,学生们就得到了更加精细的分类,这样就具备因材施教的可能性了。过去成绩一般,所以需要努力的简单过程有了变化。」张文铸表示。

如果再提升一次维度,我们可以进一步提升教学效率——比如在不同科目的课上,一个学生的表现的状态不同,就需要老师们在不同课程上采取不同的策略进行教学。

像运动员一样精确

通过量化数据帮助获得更好的表现,实际上并不是一种全新的方式:现代足球和篮球的运动员们都会通过技术手段提升自己的成绩,在专业训练领域里这已经是必须存在的技术了。如果我们把教学理解为某种训练过程,也可以通过引入科技手段去提升自己的表现,或提升学习质量。

「如果 AI 系统的初衷是帮助老师去管理学生纪律,这实际上是有问题的。」张文铸表示,「但如果我们以帮助老师提升教学水平、个性化提升每个学生学习水平的理解进行开发,就会获得很好的结果。」

研究人员在一些学校的测试中发现:其实所有人都很关注来自 EduBrain 教学分析系统的数据。

「我们以前认为老师可能会出现抗拒心理,因为他们可能会觉得教学过程被高清记录下来就没有人隐私了。但在实际使用中,老师反而特别关心我们的分析结果。」张文铸介绍道。「他们以前上完一节课后心里也没底,不知道教学效果的好坏,只能通过作业或者期末考试才能知道。但是现在每节课结束之后的数据可以进行对比分析了,对于老师来说这非常重要。」

清帆科技发现教学分析系统对于刚工作不久的老师帮助很大,「新人」可以通过观察老教师、优秀教师教学时的数据,获知课堂交互等情况的最优解。在优秀老师的课堂上,老师学生说话之比可能会达到 1 比 1,但年轻老师在课堂上可能会因为紧张而一直讲课——这个时候,互动效率就出现了问题。系统的数据反馈对于新老师的成长有很大的帮助,这一点甚至出乎开发者们的预料。

EduBrain 教学分析系统也与 2018 年教育部提出的新政策非常契合:人工智能助推教师队伍建设行动。这一行动希望通过新技术推动各家学校帮助教师们更快成长。

在未来的课堂中,或许每名老师上完课后都会得到一个技术统计——这和踢完一场球,技术分析公司给出的详尽技术统计一样。对于老师们来说,他们的工作的方式会产生一些变化:上完课之后他们会关注自己的数据,并可以和其他老师们进行对比。

AI 教育新研究

作为一家创业公司,清帆科技目前的团队基本全是技术出身,公司 CEO 张文铸博士毕业于清华电子系,联合创始人焦剑涛博士毕业于斯坦福大学,目前任 UC Berkeley EECS 助理教授(和 Michael Jordan、Jitendra Malik、Pieter Abbeel 等在 Berkeley Artificial Intelligence Research Lab 一起工作)。其他技术团队成员基本都来自于清华大学。

清帆科技也和清华大学进行了合作。2018 年 9 月,清华大学成立了智能教育技术创新联合研究中心。张文铸受邀出任联合研究中心副主任。该机构由清华大学全球创新学院院长、计算机系史元春教授牵头研究工作,致力于推动教育领域技术创新和应用落地,将在情感计算知识图谱人机交互三大方向展开前瞻性研究。

清帆科技创始人张文铸博士(左),清华大学全球创新学院院长史元春教授(右)。创新研究中心的目标是在三年内成为全球有影响力的 AI 教育研究机构。

在教育领域中,清帆科技也与各家学校展开了深入合作,让学校的老师和校长们以特聘专家的形式参与 EduBrain 教学分析系统的开发。此外,清帆科技年轻的团队中也有一些人拥有教育行业背景。

「在系统的研发过程中,老师的作用是非常重要的。」张文铸表示,「我们现在采用的思路是技术专家加教育专家。我们在每个学校建立好教学分析系统之后,都会建立一套奖励机制,鼓励老师更多使用智能教育系统并提出反馈建议,这实际上可以帮助我们建立健康的生态。」

清帆科技 EduBrain 教学分析系统的分析结果可以在手机通过小程序和 APP 随时查看。通过数据分析报告和教师的反馈,这家公司希望建立起开发闭环。

目前,清帆科技希望人工智能技术可以成为学校常规教研分析的重要依据。「现在的教研分析是把课堂状况录下来。然后把视频重新放一遍,所有人来看。」张文铸介绍道。「现在通过 EduBrain 教学分析系统处理,系统会自动找到需要关注的内容,老师直接点击观看就行了。整个年级学科的横比通过数据说话——而这些在以前都是只能通过经验判断的。」

现在我们还无法得知 AI 能让学生成绩提升多少,张文铸认为,教学分析系统的意义在于:让每一届学生相比上一届获得的教学质量有所提升。

改变教育的核心在于改变课堂,而改变课堂的核心在于建立课堂的反馈评价机制。未来的中小学课堂将会变成什么样子,我们现在或许已经看到趋势了。

产业清华AI教育教育
2
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

情感计算技术

情感计算(也被称为人工情感智能或情感AI)是基于系统和设备的研究和开发来识别、理解、处理和模拟人的情感。它是一个跨学科领域,涉及计算机科学、心理学和认知科学(cognitive science)。在计算机领域,1995年Rosalind Picard 首次提出affective computing。研究的目的是使得情感能够模拟和计算。这个技术也可以让机器人能够理解人类的情绪状态,并且适应它们的行为,对这些情绪做出适当的反应。这是一个日渐兴起的兴欣领域

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

推荐文章
暂无评论
暂无评论~