孙茂松：在线教育和人工智能的挑战与思考-中国教育和科研计算机网CERNET

　　鉴于慕课此前的发展，疫情下的在线教学得到了慕课的助力。我国在2013年开始发展慕课。在疫情期间，部分慕课课程作为优秀课件被应用到在线教学中；同时一批此前经过慕课“实战”训练的优秀老师，也能够比较驾轻就熟地进行在线教学，并在抗疫第一时刻向国内广大老师传授相关教学体会和经验，从而提升了在线教学的层次和水平。

　　但严格来说，此次疫情下的在线教学并不属于慕课的范畴。实际上，慕课的最大理念是把最好的老师、最优质的教育资源汇集起来，让全世界共享；而疫情期间的在线教学，则普遍是直接将现实空间的课堂搬到网络空间。

　　当网络空间足够强大、足够便利的时候，人们会意识到，现实空间某些场所及活动可能是不必要的，完全可以被网络空间所替代。这是去年“救急”式大范围在线教学的实质。

　　总的来说，我国疫情下的在线教学主要得益于前些年国家信息化、网络基础设施建设所取得的显著成效，而非智能化的贡献，其包含的真正的“智慧教育”成分非常少。其中，关键环节教学大数据的缺失是重要原因。“巧妇难为无米之炊”，没有数据，人工智能很难发挥作用。

在线教学的实质等效

　　在线教学（线上课堂）和线下课堂是否能做到实质等效？到目前为止，对于这个问题似乎有两种截然不同的回答。

　　2018年IEEE重大教育创新奖获得者、加州大学伯克利分校（UC Berkeley）的伊赫拉格·西杜（Ikhlaq Sidhu）教授在2021年4月表示：

　　疫情期间，数字世界的各个方面都加速发展。教育也不例外，各地的学生都在网上学习。然而，学生的成绩没有得到改善。顺便说一句，实际上没有人喜欢它。

　　清华大学在线教学指导专家组组长于歆杰教授则在2020年5月给出过不同的结论。于歆杰指出：

　　把现有的基于互联网传递信息的各种工具搭配起来，其实能够很有效地（甚至比实体课堂更便捷地）获得学生的学习反馈。

　　经历了8 周的在线教学实践后，不少教师和学生都发现，在线学习的时候，看课件更清晰，听声音更清楚，互动也更活跃更多元。

　　这些相对于课堂教学的优势让很多教师和学生发自内心地感慨“今后再也回不去了”。

　　从这两个形成鲜明对照的观点可以看出，在线教学的实质等效问题并不简单。

　　而实际上，早在2010年，美国教育部就对此进行过研究。通过对一定时间内全美在线教学的案例进行整理并做出系统比较，美国教育部得出这样的结论：

　　纯的在线教学和传统的线下面对面教学效果差不多；而线上线下混合式教学，与传统教学效果相比具有较大优势。

　　不能说这个结论就是定论，放在当下也未必合适，但它启示我们，应该进一步对在线教学的实质等效问题进行系统深入研究，尽快形成某种比较可靠的结论。

　　如果在线教学确实具有实质等效性，比线下课堂有效，或者至少是效果相当的话，那么当疫情过后，就不应该简单扬弃在线教学完全回归传统课堂，而应该尝试推动线上线下相结合的混合式教学。

慕课的特点与不足

　　作为促进教育公平的重要手段，慕课在疫情期间得到了较大发展。例如，Coursera、edX、FutureLearn、Class Central等全球知名慕课平台在去年3～4月间，流量都得到爆炸性的增长。

　　同样的情况也发生在我国的慕课平台上。例如，学堂在线在疫情期间为高校免费提供1600门学分课，同时，3000门慕课免费向公众开放。这段时间，平台的访问量是此前的22倍。

　　结合疫情期间的在线教学来看，慕课发展到现在还缺什么？可以从慕课具备的5个特点来寻找答案。

　　特点1：以“短视频（10分钟左右）+交互式练习”为基本教学单元的知识点/知识体组织模式和学习模式

　　“短视频+交互式练习”是慕课的基本特征。

　　特点2：借重交互式练习的即时反馈（Instant feedback）

　　由机器自动评分（auto-grade）的交互式练习，实现了对学习者的即时反馈（Instant feedback），摆脱了传统在线教育模式中单向提供学习材料和灌输式学习（虽然也支持大规模用户访问）的局限，能够鼓励和引导学生更加积极地学习与思考，从而提高学习效果。

　　同时，即时反馈（Instant feedback）也是保证在线教育在“大规模”（massive scale）的条件下仍然得以有效进行的主要技术手段之一。

　　然而，目前慕课平台针对各类主观题的智能自动评分技术依然非常缺乏。

　　比如语言学习慕课课程，老师给学生留造句的作业，甚至是留写作文的作业，学生的完成情况会千变万化，机器尚做不到较为精准的自动批改，也就做不到“即时反馈（Instant feedback）”。

　　特点3：基于“学习大数据”的个性化服务

　　“教惟在于因人”（明·李贽《焚书》）。“因材施教”是慕课的重要特征。

　　原则上，每个学生在整个学习过程中对全部学习对象（Learning object）的全部学习行为都会被自动记录下来，数以百万计的学生在线学习的相关数据将会汇集成“学习大数据”。

　　通过系统化的数据挖掘和机器学习，在宏观和微观相结合的分析中发现、把握其中隐藏着的规律，使教师能够随时掌握每个学生的学习状况并能及时进行反馈指导及“推荐”学习资源，能够持续改进课程教学内容和教学环节设计，藉以实现“因材施教”式的个性化服务研究队伍。

　　然而，“学习大数据”的分析在现实中却面临不少困难。

　　首先，慕课学习的数据很多是“非典型性用户学习行为数据”。

　　与线下课堂较强的目标性不同，慕课用户的行为规律很难掌握，尽管慕课用户的相关学习数据，如用户视频浏览、试题答复等会被系统记录下来，但由于不乏用户“打酱油”式的随机访问或者漫不经心的学习行为，此种数据噪声很大，分析困难。

　　其次，在线学习过程中核心教学行为数据缺失也是重要原因。

　　比如疫情期间老师通过腾讯会议等工具进行线上授课，但腾讯会议并没有把课堂上的教与学行为完全保存下来。没有比较完整的全过程数据作为分析的基础，个性化学习服务也就无从谈起。

　　实际上，在核心教学行为数据全面，且数据典型的情况下，人工智能做这件事并不太难；但数据的非典型性特别是核心数据的缺失，却让人工智能“有劲使不出”。

　　特点4：依托社交网络的互动交流

　　“观摩”一词出自《礼记·学记》“相观而善之谓摩”。相互交流，取长补短是教学成功的重要因素。

　　MOOC注重依托网络社区（社交网络）进行学生之间、师生之间的及时密切互动（即使师生们在物理空间上可能分处全球各地，远隔万里），以提高学生的学习兴趣和动力。

　　特别是对机器难以自动评分的较为复杂、灵活的交互式练习，依靠网络社区群体智慧的评分机制便显得尤为重要。

　　但社交网络的数据缺失，使人工智能在慕课互动交流中本来能够发挥的作用受到很大限制。

　　一般情况下，慕课平台配置的BBS讨论区社交功能比较简单。很多人会用微信建群等来取代进行充分交流，但问题是几乎没有办法拿到微信群中的这些交流数据。

　　与“个性化服务”遇到的情形类似，人工智能在慕课互动交流中得以施展身手的“数据”支撑舞台还没有很好地搭建起来。

　　特点5：课程组织方式（像校内课程一样按周上课，在线学生有上课的感觉）

　　慕课的组织形式在设计上试图尽量“模拟”线下课程教学全过程。

　　但在现实中，设想一堂课的屏幕外对应着数以千计的学生，目前的组织形式下，师生之间的粘性还是很不够的，在线助教辅导也跟不上，这会使慕课的设计效果大打折扣。

　　伊赫拉格·西杜教授称：“在线学习慕课不是高等教育的未来，但它可能是新的交互式教科书”。

　　这或许从另一个侧面表明慕课的理念在其教学过程中尚未得到较好体现，需要着力改进。

　　总之，慕课面临着多方面的挑战。在慕课的设计理念中，人工智能本应可以帮忙做很多事，但由于存在数据缺失或者数据不典型等现象，人工智能要真正能帮上忙，不是轻而易举的，需要进行深入细致的研究，很有挑战性。这种情况在疫情期间的在线教学中显得更为严重，也更为突出。

　　这次全国范围内的在线教学实践，如果我们能够把相关教学大数据收集汇聚起来，那将构成我国智慧教育“无形”的基础数据资源。但非常可惜，因缺少必要的手段，我们没能抓住这次机会，对此有必要进行反思和总结。

面向在线教育教学的人工智能

　　2019年5月16日，习近平总书记在向国际人工智能与教育大会的贺信中指出：

　　中国高度重视人工智能对教育的深刻影响，积极推动人工智能和教育深度融合，促进教育变革创新，充分发挥人工智能优势，加快发展伴随每个人一生的教育、平等面向每个人的教育、适合每个人的教育、更加开放灵活的教育。中国愿同世界各国一道，聚焦人工智能发展前沿问题，深入探讨人工智能快速发展条件下教育发展创新的思路和举措，凝聚共识、深化合作、扩大共享，携手推动构建人类命运共同体。

　　习近平总书记的这段话对新阶段在线教育的发展有着重要的指导意义。

　　一方面，慕课的理念与“加快发展伴随每个人一生的教育、平等面向每个人的教育、适合每个人的教育、更加开放灵活的教育”的要求天然契合，而将慕课的作用充分发挥出来，需要“充分发挥人工智能优势”。

　　另一方面，如何“在人工智能快速发展条件下”，探索“教育发展创新的思路和举措”，也正是当前在线教育和慕课所面临的挑战。

　　对面向在线教育教学的人工智能，我们有如下几点比较初步的思考：

　　应探索建立学习社交网络乃至全国性网络学习空间的可能性，从而比较彻底地解决学习大数据结构性缺失问题；

　　进行基于教育大数据的机器学习算法研究；

　　开展大规模课程知识图谱研发建设，以之为桥梁彻底打通所有课程之间的关联，并进一步打通课程与数字论文库、数字图书库之间的关联；

　　研制各类课程的智能辅助教学技术（以面向主观题为主）；

　　建立跨语言教育的技术支撑环境；

　　研制智能助教；

　　加大建设和推广教学用VR、AR及虚拟实验室；

　　研讨面向教育的人工智能技术伦理等。

　　相关研究在我国已经有所开展。例如，清华大学团队开发了MoocData平台，开源了一些慕课数据、知识图谱、论文、分析代码等。

　　但总的来说，当前我国从人工智能的角度研究在线教育的成果还很少，开放资源非常匮乏，面向人工智能教学技术方法研究的全国性学术舞台（如学术会议）也没有建立起来。要真正做到让人工智能助力在线教育，尚任重道远，需要持续努力。

　　*本文根据清华大学教授、欧洲科学院院士孙茂松在“2021全球智慧教育大会”上的报告整理

　　整理：项阳

　　特别声明：本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。