在大会上午主论坛上，ALEKS前主席，现首席产品Wilmot Lampros进行了演讲《人工智能学习和评估系统ALEKS的先容》。
以下为他的演讲内容，雷锋网 AI 科技评论整理。

大家好，我必须要拿纸质版的演讲稿，别人说我逻辑性非常强，但是我的影象力不太好，以是这对我来说是一个寻衅。
本日我来跟大家分享一下在ALEKS事情方面的履历。

我之前是这家公司的主席，但是之后这家公司被收购了。
ALEKS是一个产品，它因此AI为根本的。
在美国的教诲当中，我们也正在接管这样的产品。
本日我们会跟大家谈一谈当前我们AI教诲面临的寻衅，以及AI利用在这个产品当中的寻衅。
我不知道对AI教诲的抵触在中国会不会发生，我当然不肯望发生，但是我以为在美国我们还是有这样的一些寻衅，很多人对此有着抵触感情。

有很多人比较守旧，我们要战胜这种抵触感情，让产品真正的利用起来。
在很多情景下，我们面临着这样的现实，便是很多人不喜好这样的产品。
那ALEKS到底是什么呢？有些人可能不太理解ALEKS，包括ALEKS的运作办法，还有一些细节。

1.ALEKS是一种基于知识理论的人工智能学习评估系统

我们知道本日的很多不雅观众都是来自于数学和自动化领域的，但是我们因此知识为根本对学生进行评估。
这是一种人工智能的评估系统，通过对学生进行提问来评估学生的学习情形，理解学生已经节制的知识点以及接下来须要学习那些知识。
刚刚提到了知识点，我们希望能用人工智能来发掘哪个知识点、哪个知识层面、哪个话题学生已经节制了，哪些学生还没有准备好学习，或者哪些学生已经准备好学习了，以是我们也在不断的优化学生评估的全体过程。

ALEKS的理论框架是基于知识的理论，那么什么是基于知识的理论呢？我们用知识空间来描述须要学习的知识，如知识域或者是主题。
比如说本日很多人数学学得都很好，我们会把领域做一个模型，会以每个话题进行建模，便是话题类型、问题类型。
当前的寻衅便是我们要把每个主题都进行建模，而且要做得非常完全，与此同时学生可以节制所有的话题，能够非常详细的节制话题中的所有问题。
以是在传统的传授教化上，我们会创造在一本书中有的话题会有一两万个问题，但是老师只会选择个中一些问题来阐明。
由于个中会有很多变数，老师自己会选择一些问题让学生来办理，以是学生只能按照老师选择的问题来学习。
但是在人工智能体系中我们会有这样的假设，我们希望学生能节制所有的类型的问题。

如何来运用人工智能呢？我们会构建这样一个架构，换句话说，对付一个真正的学生来讲可能会节制哪些问题类型，把这样一些问题类型进行架构的构建。
由于我们知道，对付一个学生来讲不可能有所有的知识状态，也不是每一个知识状态都是可行的。
个中一个不可行的方法比如说我们不应该有一些逻辑或者传授教化方法干系的内容，不应该以传授教化方法和逻辑为根本。
如果还没有学会大略的运算的话，就来学习有符号的正负数的运算，那便是不符合逻辑的。

基本上来讲，ALEKS这个产品是有这样一个假设，也便是说，所有的知识状态都是可以被描述的，而且在这个过程中我们认为在学生和知识之间是存在某种函数关系的，该当可以被利用，当然它仍旧还须要认证、验证。
也便是说这个学生知道这个话题不知作别的的话题，他知道这个话题的60%或90%，这也是没有什么意义的，表示没有完备节制这一个观点。
以是我们必须要理解哪一个知识状态是可行的，哪一个是不可行的。
比如说我们会创造，对付一个数学学生来讲，如果他还没有节制求解线性方程，那么他就没有办法节制线性不等式，这都是通过数据来打算的。

我想跟大家说一下学习空间这个观点。
学习空间也是一个别系的理论观点，是一个分级良好的知识空间，比如说在数学方面它也是可访问的知识空间。
我们在这方面也要构建非常繁芜的数学系统和模型，这种繁芜的数学模型便是要创造相应的软件，创造AI的软件帮助学生学习。

个中一个原则利用的是边缘定理，也便是说，如果你知道这个学生学习的知识系统，知道节制了哪些知识，你就能知道下一步要学习哪些知识，这也是ALEKS的关键点，ALEKS这个别系能时候知道这个学生下一步该当要学习哪些知识。

比如说有500个、600个、700个不同的主题在同一个学科下，我们假设每一个学生都节制了300个主题，也便是1/2个主题，这样我们就可能有数百亿个节制知识点的组合。
比如一个班上有30个学生，他们节制的这300个不同的主题，肯定不是完备相同的，他们真正节制的知识点肯定是不一样的。
以是我们以此推理的话，就可以看到不同的学生下一步可以学习什么，或者准备好了学习什么，这也是基于数学的框架，而不是基于原来直觉的框架。

我们可以看到这样的微型知识空间，就像我刚才所讲的，我们的关键便是要弄明白这种知识空间之间的关系。
比如说一个学生处在一个知识空间，可以移动到哪些其他的知识状态中，或者可以学习哪些技能的东西。
如果说一个学生学习了话题J，我们就会把J放在他的知识状态里，也可能是学习I或者H，再往下走可能会学J、H或者I、J。
如果学习了J、H这两个主题，接下来可能会学J、H、I，再往后进一步学习。
从这个架构来讲紧张是两个话题，一个是A一个是C，如果这个学生学了A之后，就可以再学习C，会学A、C、I、J。
或者他学了C，就会变成C、I、J、H，在这种微型知识空间中，学生是一步一步的把知识点节制了，有五个知识点在里面。

对付这五个知识点，我们可以看到它也有很多不同的排列组合，在这里一共有32个小的框框，也便是说有32个可能的学习状态。
在实践中我们也知道，这样完美的或者是纯理论的情形也是不存在的。
在很多的微型知识空间中，比如在这里我们只有40个学习主题，有5000个学习状态，大家可以看到这才是真正的学习架构的状态。

微型知识空间是由于我们知道对任何一个学科来讲不可能只有40个主题，这只是一个假设的情形，还有可能有的学科有1万亿乃至更多的主题，这样的话它的知识状态就会更多。

比如说在11年级数学学科中有400多个问题类型，这个过程中学生就可能有数千亿不同的知识状态，也便是说，我们怎么样来找到某一个学生到底处在哪一个知识状态呢？在这个过程中我们就有这样基于概率论的算法，可以确定学生的知识状态，便是基于打算机的算法来实时的评估学生的知识状态。
对付ALEKS这个产品来讲，最有名的便是它的初步评估体系，首先会问学生一系列的问题，让他们来办理问题，比如说一个数学问题。
而且我们在这个过程中不会用多选题，结果便是他节制了或者是没节制这个题。

对付几万亿个的知识状态来讲，如果我们要通过25个问题就找到所处的知识状态的话，那么每个问题都是非常关键的，不能摧残浪费蹂躏，以是我们会针对不同的人群制订不同的问题。
对付ALEKS上面的问题，答对的话我们就会问下面的问题。
每答对一个问题就可以缩小知识状态的范围，一步一步的缩小，终极就能找到支持它的知识状态，这该当是非常大略的过程，也是我们初步评估算法所采取的办法。

如果一开始就没有答对的话，我们就会减少它的难度，来找到那些不包含这些问题的知识状态再进行测试。
大家可以看到这便是我们知识状态的演化概率分布，我们在这个过程中也有很多不同的问题类型，大家可以看到这样几个示例。
比如说我们在热动力学中会有一些不同的观点，一开始测试学生的时候就会问他一些非常根本的问题。
如果从这里开始的话，就会创造在这个图中，大家可以看到所有赤色的圈都是“谁知道呢”这样的一个情形。
我们也是研究了不同的人群，给了他们不同的问题选择，对付这样一个人群我们首先知道他可能回答精确的概率是多少，比如说对付A问题学生答对了，我们就会给他其余一个问题。
比如说问他一个F的问题，如果他没答对的话，我们就会再进行改变。
末了我们完成了评估，我们的目标便是要尽可能的缩小这个知识空间的范围，找到他的知识空间。

再给大家简要重申一下我的不雅观点，ALEKS的人工智能会建立一些知识构造，我们会利用这些知识构造来发掘学生到底理解什么，还有哪些没理解，该当怎么样来学习。

2.ALEKS是一个一体化、一站式的辅导老师

还有其余一种可能，我们已经看到了教诲的一种模式。
比如说学生已经节制了Y问题的话，他节制X问题的可能性有多大？我们须要建立自己的标准，如果学生已经节制了X问题的话，是不是有70%的概率节制了X问题以皮毛反的问题，这样我们就能画出它的知识构造。
我们会知道所有的关系都存在着一种颠簸的可能性，由于这种联系的可能性，我们就可以追溯到知识构造和空间状态。
以是我们便是要让机器去学一些东西，如果这些已经学到了，学生就能够跟机器进行互助，机器就不须要人的帮助了。
机器在帮人，但是人不须要帮助机器。

ALEKS到底是什么呢？刚刚我们说了很多，我们想要强调的一点是，ALEKS是一个自动化的辅导老师，是一个一体化、一站式的辅导老师。
为什么会说是一站式呢？由于我们有很多的内容都已经把它放在了ALEKS中，我们会有自己的一些内容，内容对付ALEKS来说是非常主要的。
我以为所有的产品、理论都须要内容才能实现。
我们每每会吸收到非常多的内容、信息，但我们并不是把这些内容整合到我们的内容当中便是AI了。
我们会有这样一站式的做事体系，在这个做事体系的根本便是学生适宜学什么东西、学生该当选择什么样的课程或者话题。

ALEKS能够供应所有的积极成分，让学生能够学到更多的科学知识。
我以为积极学习是一种非常好的征象，对付传授教化来说非常主要。

在美国我们并不是说要用ALEKS来取代老师，由于我们以为学生的学习还是要有人的参与才能让人和人类有所进步。
在美，ALEKS每每是作为人类老师的助手，以是ALEKS要找到每一个学生适宜学习的话题。
对老师来说，他可能韶光不足，但ALEKS就能够快速地去完成这样的一个事情。

哪怕是面对无限数量的学生，ALEKS也可以去完成这样的一些事情，这对ALEKS来说并不是一个非常大的寻衅。
在美国每每会面临这样的情形，学生已经准备好学习了，ALEKS会让学生预习这样的课程，这样的话学生的一些学习方面的差距就能够提前被ALEKS找出来。
但是，有的时候学生在学了之后的课程之后会忘却之前的知识点，以是我们用ALEKS帮助人类导师让学生提提高行干系课程的预习，同时，ALEKS也可以进行作业辅导。

我们也会有翻转教室，美国非常地盛行，也便是说在教室中学生会跟打算机一起、跟ALEKS一起学习，但当他们有问题而ALEKS办理不了的时候，他们可以向老师乞助，我以为这是一个非常有效的模型。
事实我们并不一定须要数学系的博士来帮助学生办理数学题，我以为这种做法还是有很多上风的。

以是知识构造中我们会有一站式的做事，我们会有导师制的办法，以是导师还是要掌握他们学习的进度。
老师也必须要捐躯对主题选择和韶光的掌握，这是我们体系当中的一个问题。

我们也会对学习的内容有一个检讨，每次他们学了20到25个题的时候我们就会进行检讨。
首先我们会进行回顾，在这方面也是做了很多的研究，同时我们也用这样的一个检讨来进行对学生节制知识的核实，这样一个非常仔细的核实来看一下他们是否丧失落了一些主题的知识。
在最开始的阶段，我们是想要ALEKS和真正的教诲系统相适应，我们想要让西席可以利用这些内容。
比如有400个课程，或者是600个话题或问题的类型，我们在这个过程中就须要让老师参与进来，让他们看一下哪些问题类型是有用的，怎么样把它们进行区分，或者是进行挑选，让AI进行后续的事情。
这样的一个过程也是非常故意义的，而且也非常地成功，我们让老师来添加和删除内容。
但对老师来讲，有时候他们做的决定也不是很明智，以是，有的时候也会删除一些他们选择的材料。

3.ALEKS可以帮助老师对学生进行差异化辅导

其余，ALEKS这样的一个观点是基于知识空间理论的，我们当时是以为人群是类似的，可是纵然是在一个班级，这样的一个小的团体里也能看到个体的差异是非常大的。
大家都在学七年级的数学我们就把他们放在一个数据库里面，在我们的数据库里面就包含了很多不同的学生，让机器学习一下他们是如何学习的，以及他们学习的办法、得到知识的办法。
我们通过大量的数据来进行剖析，但是AI在这方面有时候会没有办法确定优先关系，或者是确定好学生的知识状态。
可能一开始有10亿的知识状态，后来由于数据量的增大变成了1万亿的知识状态，对它的知识构造的界定也是有很大的寻衅的。
在这个过程中我们投入了大量的人力物力来发展相应的软件、硬件，来应对这样大的数据。

再说一下下一个方面，我们还有一个体的的适应过程便是对知识检讨和算法进行重新的设计，它事实上也能够看一放学生的在学率，看一下他们学习的效果，这是一个非常繁芜的算法。
它并不是对先前节制知识的严格的检讨，而是其余一种学习的工具。

在座的各位，我希望你们不须要来打仗这一点，也便是在软件方面的功能。
事实上我们想让这些软件特殊大略，就像我们20年前利用的那样，让它越大略越好。
我们想让西席可以跳出AI，就像和其他没有AI的国家一样来进行他们自己对学生的评估。
有的时候他们做的这样的评估可能也没有办法真正地帮助学生。

从我的角度来看，我以为有一点非常故意思，便是不知道我们的老师怎么想，事实上如果我是教一单元的话，我只想让我的孩子多学点一单元，我也不肯望别的学生来学这节课。
这个可能是AI的一个上风，由于AI知道现在学生在学哪个单元，但是老师却不知道，虽然老师教的一单元但他不知道学生学的哪单元。
但这方面老师事实上是非常在意的，他想知道学生到底现在在学什么。
以是这方面我们开拓了其余的一个技能，也便是说让学生在某一个阶段只可以学习老师教的这部分的内容，这样的话就能够很好地知足老师的需求。
同时，我们也可以让AI来帮助老师进行传授教化。

ALEKS可能现在是唯一的一家在这方面的利用AI并且惠及不同的学生的美国公司，可能还有一两家其他的公司，但现在我都记不得他们的名字了，当然我可能还须要谦逊一点。
本日早上也说了，在2018年前9个月，我们已经有300多万逻辑学生在利用软件了，这是一个非常大的规模，这便是我的报告。