原文：Towards AI-powered personalization in MOOC learning. 作者：Han Yu, Chunyan Miao, Cyril Leung and Timothy John White. 來源：Science of Learning. 譯者：玉鐲. 編輯：爾瑞.

MOOC（慕課）所代表的大規(guī)模學習正在改變高等教育的形勢。我們專注于新興的AI技術，包括如何讓“知識表示*工具”幫助學生調整學習順序，以適應自身的需求；優(yōu)化技術如何有效地將MOOC的主導任務與社區(qū)助教相匹配，以便關注到學習者個體；具有人性特征（如好奇心和情感）的虛擬學習伙伴（VLC）如何大規(guī)模地提升學習體驗。這些新功能將為教育研究人員帶來新的機會，分析學生的學習技能，揭示不同背景學生在學習過程中的哪些節(jié)點上可能需要不同的幫助。本文亦討論了在MOOC教育研究中應用AI的道德考量。

（*譯者注：“知識表示”是人工智能領域的一個術語，關系到人類應如何儲存和處理知識，以讓程序能夠處理這些知識，并最終達到人類的水準。）

引言

MOOC（即慕課，大規(guī)模開放在線課程，以下簡稱MOOC）是一項挑戰(zhàn)傳統(tǒng)教育模式的顛覆性技術，它使成千上萬的學生能夠以極低的價格甚至免費學習大學課程。MOOC能夠覆蓋世界各地的海量學習者，對開放教育*有著十分積極的影響。 然而，在保持質量的同時擴大班級規(guī)模并不容易，也存在許多問題。通過MOOC進行的溝通和信息傳播，受限于學習者之間建立的聯(lián)系：既包括課堂上的聯(lián)系，也包括在其他社交網絡中建立的聯(lián)系。學習者經常抱怨當前的MOOC無法提供足夠的實踐經驗，以幫助他們將概念和想法轉化為實踐技能。許多MOOC的完課率依然很低。

（*譯者注：開放教育，即不設錄取成績要求的教育，通常在線上開設。）

如今，眾所周知的是，要通過MOOC進行有效學習，就要采用與面對面學習不同的教學法。為了迎合不同背景的學生、實現(xiàn)有效學習，個性化就顯得尤為重要。在MOOC課堂上，學生通過與在線學習內容進行互動，會產生豐富的學習行為數據。多年來，人們一直在尋找方法，利用人工智能（Artificial Intelligence，以下簡稱AI）技術從這些數據中挖掘價值（比如，鑒定出哪些人可能會早早退課，以便把更多精力放在更可能留下來的學生身上）。然而，AI在MOOC中的應用并不總是那么簡單。主要原因可能是，目前的MOOC教學更注重標準化，而非個性化。從學習內容到考試，今天的MOOC很大程度上都更像課堂教學，學生只能去適應預定好的參數，留給個性、創(chuàng)造力和批判性思維的空間很小。

Coursera上“deeplearning”（深度學習）課程列表（圖源：Coursera官網）

由于MOOC平臺（如Coursera和edX）上許多課程的學習行為數據尚未向AI研究人員開放，因此該領域現(xiàn)有的AI研究主要依賴于以特定方式發(fā)布的、特定課程的數據集（例如KDD Cup 2015競賽*數據集）。為了支持MOOC教育領域的開放科學**，MOOC平臺需要與教育工作者和AI研究人員共同合作。

（*譯者注：KDD Cup，國際知識發(fā)現(xiàn)和數據挖掘競賽，一項數據挖掘研究領域的國際頂級賽事。KDD 的英文全稱為Knowledge Discovery and Data Mining。）

（**譯者注：開放科學，即旨在推動科學研究和數據向全社會所有人士開放的運動。）

個性化的學習活動

作為電子學習的一種形式，在線資源的使用給了MOOC一條自然的途徑，為學生提供個性化的學習機會。例如，使用與課程材料結合的在線小型圖書館，可以讓有興趣的學生深入探索相關話題。目前MOOC具有固定的課程結構，比如，課程設計者會預先規(guī)定好視頻講座和相關學習活動的順序。在有些課程科目中，不同主題間有明確的依存關系（比如數學中通常先學加法，再學減法）。對于這些課程來說，讓所有學生都走同樣的學習路徑是有好處的。然而，對一些進階課程（如人機交互）來說，不同主題間的依存關系并不是很明確。由于MOOC課程通常是大學水平，許多都屬于后一類課程。對于這類課程而言，給學生更多自由，讓他們根據個人情況（如背景知識和時間限制）去接觸學習內容，而不必嚴格遵循預定好的順序，可能更為有利。亦有證據表明，在電子學習環(huán)境中，學生接觸學習內容的順序也能讓教育工作者獲取一些有益的信息。

為了使將來的MOOC學習者能夠靈活個性化他們的學習路徑，第一步是要將學習內容細化為精細分割、貼好標簽的知識單元。逆向設計技術，即由課程教師決定目標、確定評估標準，而后選擇學習活動的技術，可用于開發(fā)課程，使課程的學習內容精細分割而又連貫一致。微型MOOC是一種在線學習的新興趨勢，它提供的MOOC課堂使教師能夠更方便地進行逆向設計。微型MOOC采用了一種新形式的微課程，內容通常是與特定主題相關的短視頻，每個視頻的時長一般不超過5分鐘，并附有簡潔的文字說明。一些主要以微型MOOC來傳遞學習內容的新MOOC平臺，如Curious，Everpath和Pathwright，正在吸引那些學習MOOC的時間較短、較為碎片化的學生（如工作人士）。

Curious官網首頁；用戶可根據空閑時間長度選擇視頻

有了微型MOOC作為構建學習路徑的潛在模塊，下一步需要有簡單易用的軟件來構建和修改學習路徑。此類軟件可以選擇Goal Net和與其配套的多代理開發(fā)環(huán)境（Multi-Agent Development Environment，MADE）。這是一款AI知識表示工具，可以對邏輯流進行建模，無需編寫冗長的程序代碼?；谀繕嗽O置理論，Goal Net允許用戶將復雜的過程（如設置一組學習任務）表示為由目標和活動構成的網絡。該軟件還能追蹤目標之間的轉換以及目標的實現(xiàn)。圖1是一條由Goal Net構建的學習路徑的示例，該路徑由學習活動（圓角矩形）和學習目標（圓形）組成，這些活動和目標都是《人機交互導論（Introduction to Human-Computer Interaction）》課程中所涉及的。在該課程中，“應用類型與動機”、“通用可用性”、“行動理論的7個階段”、“8條黃金法則”和“指導與原則”這些主題之間沒有強烈的相互依存關系，可以以不同的順序進行學習。學習活動的形式可以是微型MOOC、小測驗、論壇討論，以及其他的教學形式。

 圖1 使用Goal Net為《人機交互導論》課程建立學習路徑。圖中所示的軟件由擁有版權的作者創(chuàng)建。

同時使用微型MOOC和學習路徑構建工具（可以是Goal Net，也可以是其他類似工具，如Belief-Desire-Intention（BDI）模型），教師就可以迅速建立起一套包括細分學習內容和活動的通用教學大綱，并可以靈活更新這套大綱。對于主題之間依存性不強的課程，可以將學習路徑構建工具開放給MOOC學習者使用，以便他們個性化自己的學習路徑。這不僅有助于學生在課程期間追蹤自己的個性學習路徑，而且這么做本身也會形成一種知識表示的格式，能夠以機器可理解的方式來記錄各種不同的學習路徑。當我們用機器學習去分析這些個性學習路徑、學生的背景信息、學習成果（這些信息在現(xiàn)有的MOOC平臺上已有記錄）之間的相關性時，我們設想出的這一機制或許可以向教育研究人員提供反饋，指導他們去為不同背景的學生制定各門課程的個性化學習方案。隨著時間的推移，這種機制還可以幫助MOOC教育者探知出哪些學習路徑能夠產生理想的學習成果，據此優(yōu)化不同課程的學習軌跡。（或許還可以借助其他技術，如行為表型分析和遷移學習*。）

（*譯者注：遷移學習是機器學習領域的一個術語，指將已訓練好的模型參數遷移到新的模型中，幫助新模型訓練，從而優(yōu)化新模型的學習效率。）

然而，要實現(xiàn)這一愿景，仍有不少重大挑戰(zhàn)亟待克服。最關鍵的一點是，“學習成果”通常難以定義、難以測量。（比如，考試分數高是否能說明學習成果好？）如果學習成果的目標函數沒有合適的定義，那么機器學習方法將無法計算出個人學習路徑的優(yōu)化解。此外，由于目前可用的學習行為數據主要來自完成了MOOC的學生，因此，用這些數據訓練出來的AI模型可能會更偏向那些表現(xiàn)好的學習者。所以尚需進行更多的研究，以便充分理解這種可能出現(xiàn)的偏見會在多大程度上影響學習者。

如何評估在線學習所獲得的個人技能？

可以說，目前MOOC平臺的設施旨在幫助學生更有效率地“學習事實”，而非“獲取技能”。這種設計適用于以知識（包括事實、理論和公式）為重點的課程。對于這種類型的課程，課堂小測和考試的分數可以客觀地評估學生的學習成果。然而，有些課程強調的是技能（即知識的應用）。對于學生需要掌握技能的課程，MOOC平臺現(xiàn)有的內容傳遞和評估機制就不那么適用了。規(guī)則框架是圍繞學生在學習任務中的表現(xiàn)所制定的，這在一定程度上可以反映學生的學習技巧，但并不是全部。課程教師和學生之間的交互、上同一門課程的學生之間的互動，都可以生成復雜的行為數據，用于分析學生的學習技能（例：21世紀的學習技能，如團體合作、時間管理和批判性思維）。分析結果可以補足基于小測/考試的評估結果，以支持智能干預機制的運行（例如給出實時提示或反饋），或提醒課程教師注意學生在某些學習技能方面的弱點。

圖源：unsplash

目前，MOOC平臺為教學設計者提供了幾種工具，使他們可以在課程里加入與學生的互動環(huán)節(jié)。這些工具通常包括討論版、實時聊天窗、小組教室和項目學習。但是，運行這類互動環(huán)節(jié)需要時間和精力，這對于學生基數龐大的MOOC來說并不可行。還有一些手段可以幫助MOOC教師關注到盡可能多的學生，比如社區(qū)助教（Teaching assistant，TA）的參與、同伴評估工具、精心設計的詳盡規(guī)則（包括對特定內容的反饋和視頻反饋）等等。然而，這些互動產生的數據尚未能得到系統(tǒng)收集和管理，暫時無法幫助評估學習技能。

此外，由于要在MOOC中運用哪些互動技術是由課程教師決定的，因此不同課程使用的互動技術也不相同。目前，關于MOOC學習者互動行為的數據并不多。雖然生成對抗網絡*等AI技術可以分析少量真實訓練數據的統(tǒng)計學分布狀態(tài)，合成人工訓練數據，緩解在模式識別任務中數據不足的問題，但如果憑借為數不多的學習行為數據來訓練AI，那么由此生成的數據仍有可能無法與現(xiàn)實完全吻合。

（*譯者注：生成對抗網絡（Generative Adversarial Network）是機器學習中的一種非監(jiān)督式學習的方法，通過讓兩個神經網絡相互博弈的方式進行學習。）

由于使用的數據來源于MOOC平臺現(xiàn)階段可用的交互機制，目前，基于機器學習的學習者評估技術所反映的，主要是學生如何與課程交互，而不是學生如何從課程中學習。如果學習者積極使用論壇，則可以運用新興的主題建模機器學習法，從論壇討論數據來推斷學習者的態(tài)度、能力和潛在的技能水平。因此，為學習者創(chuàng)造更多交互機會、讓他們展示各種學習技能，將有助于生成AI所需的數據，從而準確評估學習者的技能。

如何用更加AI的方式推動MOOC教學實現(xiàn)個性化？

AI可以增強MOOC學習者的互動，同時生成非常有用的學習行為數據，并通過兩種主要方式來促進學習技能的分析。一種是通過優(yōu)化社區(qū)助教的工作量分配，激勵人員積極性，促進在線學習者的線下學習效果；一種是通過“虛擬學習伙伴”（VLC）輔助教學。

線下、線上助教雙管齊下，讓MOOC更加個性化（圖源：unsplash）

在MOOC中，社區(qū)助教經常會自愿參與。短期來看，應用AI技術可以借助隨機優(yōu)化，增幅并有效利用社區(qū)助教的集體生產力。在隨機優(yōu)化過程中，由數據驅動的算法管理可以優(yōu)化工作的劃分和調度。目前，社區(qū)助教的招聘規(guī)模較小（每門課程通常少于10人），主要任務是主持討論。然而報告顯示，約有五分之四的社區(qū)助教拒絕了再次就職的邀請。研究發(fā)現(xiàn)，社區(qū)助教人數少、留存率低的特點，限制了可以提供給MOOC學習者的交互和關注。在眾包領域，基于隨機優(yōu)化并由數據驅動的算法管理方法，已被用于將工作動態(tài)地劃分給工人，以便公平分配工作量，并實現(xiàn)超線性*的集體生產力，安排休息，調整激勵措施，以在博弈論的基礎上鼓勵工人參與。如果MOOC平臺能引進機制，再讓與助教互動過的學習者為助教的表現(xiàn)評級，那么這些方法就可以在MOOC中得到應用，擴大社區(qū)助教的參與，使社區(qū)助教的集體付出更有實際成效。

（*譯者注：超線性表示量與量之間的一種變化關系，例如y=a+b*xn（n>1）。存在超線性關系的兩個變量中，因變量的變化速率會隨著自變量的增大而增大。）

長期來看，要借助AI解決大規(guī)模互動學習體驗的問題，VLC或許是一種可能的方案。目前，在喬治亞理工學院開設的MOOC課程《基于知識的人工智能》上，就有一名由IBM Watson平臺構建的AI助教Jill Watson在回答學生的問題。

虛擬助教Jill Watson；在IBM的的超級電腦沃森平臺上運行（圖源：喬治亞理工官網）

為了提供可信的互動，VLC需要具備類似人類的特征。研究者在虛擬世界的學習環(huán)境中創(chuàng)造出了一名充滿好奇的伙伴，來為學習者提供個性化的指導。通過監(jiān)控學習者的進度，這名好奇的伙伴會識別出哪些學習內容能引起學習者的好奇心，從而保持學習者的興趣。研究者還創(chuàng)造出了一名記憶伙伴，幫助學習者處理海量的知識。模擬人類從記憶中組織和回憶信息的方式，記憶伴侶會實時幫助學習者回想，有哪些最近學到的知識是與當前學習任務有關聯(lián)的。為了避免學習者的過度依賴，記憶伙伴與學習者互動的方式是給出一連串越來越明顯的提示。還有一名可受教育的學習伙伴，“貝蒂的大腦”，已經被證明可以幫助學習者鞏固知識。

借由教中學、議論式學習等教學理論，VLC可以促進討論、引導反思，從而幫助學習者將所學知識組織連貫。學習者與VLC的互動還可以生成學習行為數據，促進對學習技能的分析。由于VLC原本就是智能的用戶界面，它們也可以進行干預，根據分析結果幫助單個學習者提高自身的學習技能。

作為軟件代理，VLC可以解決MOOC中的大規(guī)模應用問題。然而，出于兩條重要的原因，我們認為VLC現(xiàn)在尚不完善。首先，為了有效地促進學生學習復雜的主題，而不僅僅是促進學生回答問題，VLC需要能夠進行有意義的對話（包括語音對話和文字對話）。但是，要教會機器像人類一樣交談，比原本的預期要困難百倍。在一場典型的對話中，一方會向另一方發(fā)出熟知的信號，以此開始對話。對話雙方會共同努力，在共同理解對話主題的基礎上構建意義，并不斷回放對方所說的內容，與對方最初的意圖作對比，來檢查對話是否還在正題上?，F(xiàn)今，AI對話互動仍舊是有待研究的一大挑戰(zhàn)。

今年6月，IBM發(fā)明的AI機器人Debater首次打敗人類冠軍辯手

信息量豐富但表達能力堪憂，宛如一位知識淵博、學富五車，但口舌打結的教授

其次，如果教育研究者希望對VLC與學習者的互動進行實證研究，則必須仔細考慮將VLC引入學習過程會帶來的倫理問題。由于VLC研究屬于廣義上的計算行為科學，因此必須遵循《貝爾蒙報告》*的原則：VLC不得侵犯學習者的自主權；VLC帶來的益處應超過其風險；其益處和風險均應公正地平攤給學習者。

因為VLC可以通過學習技能分析和智能干預來幫助學習者采用更有效的學習習慣，所以VLC的這些應用有可能被視為侵犯了學習者的自主權。因此，使用VLC的MOOC平臺需要建立獲得學習者知情同意的機制。在使用VLC時，可以引入新興的道德決策框架，以降低不當使用社會工程技術**來說服學習者的風險。也可以在VLC中融入可解釋的AI框架，以闡明VLC所提出的建議背后的原理，以便與學習者建立信任。然而，為了遵守道德準則而限制VLC的功能，并不是解決問題的一種好的方式。另外應該進行對抗行為的博弈理論建模，以便了解學習者是否會試圖利用這些限制因素來玩弄VLC，使得VLC無法實現(xiàn)其設計目標。

（*譯者注：《貝爾蒙報告》是1979年于美國出臺的一份報告，旨在保護生物醫(yī)學及行為研究中的人體受試者，明確適用于人體研究的基本倫理原則。其提出的主要基本原則有三點：尊重個人，善行，公平平等。）

（**譯者注：社會工程技術指的是在與他人的合法交流中，運用某些手段影響他人心理，使其做出某些行動甚至吐露機密信息。）

結語

由于MOOC仍然是一種相對較新的學習模式，因此，在研究和開發(fā)過程中尋求易于入手的成果（如優(yōu)化技術和VLC的進步等）是一種合理的策略。本文所討論的思想可以豐富MOOC的設計經驗。如果MOOC平臺運營商在其系統(tǒng)中納入對個性化學習的幫助、更多樣的互動機會，以及對由此產生的學習行為數據的分析，并建立恰當的道德監(jiān)督機制，那么MOOC就可以轉型為推進教育研究的測試平臺，并最終改善學習。這種技術框架還提供了一種極具性價比的方法，可以將研究結果迅速轉化為實際行動。要實現(xiàn)這些目標，MOOC平臺運營商的支持將是關鍵的一步。

>>聲明

本翻譯僅作了解之用，并非用于學術研究或商業(yè)決策。芥末堆海外翻譯社群的小伙伴們力求將關鍵理念與思想更廣泛地傳播至中文區(qū)域，故部分表達可能與原文有所差異。如需使用，請查證原文。