蜜蜂网-辅导圈1对1领域第三方资讯分享平台
网站首页 >> 资讯 >> 精选
精选
《人工智能教育发展报告》:6大应用场景,覆盖K12、语言、素质、职业等赛道
作者:罗兰贝格管理咨询 来源:教培校长参考 点击数:104 更新时间:2019-11-8 17:06:04
分享按钮



本文约20000字,阅读需35分钟 



01
发展智能教育的重要意义
 
当前,人工智能正在各个行业掀起应用热潮,推动着社会由互联网时代迈入人工智能时代。2017年国务院发布的《新一代人工智能发展规划》中,将智能教育作为推动智能社会建设的重要应用领域进行了专门部署。利用人工智能技术满足教育现代化的发展需求,推动教育形态与教育模式的改造与重构已经成为教育领域的广泛共识。本章阐述了智能教育的内涵、特征及重要意义。
 
1.1 智能教育的内涵
 
智能教育是基于深度学习、大数据、虚拟现实等新一代信息技术,构建以学习者为中心,贯穿“备课-教学-练习-考试-评价-管理”教育流程各环节的智能化教育环境,实现人才培养更加多元、更加精准、更加个性化 的新型教育模式。智能教育的两大特征为教育流程智能化和人才培养个性化,目前这两个环节都出现了较多人工智能的创新应用。
 
教育流程智能化具体表现为人工智能技术在教学、考试、评价、管理等环节实现全方面、立体化的智能应用。例如在教学环节的智能化方面,可基于学生及班级差异化学情,采用“真人老师+AI助手”的授课模式,通过表情识别、人脸检测、语音识别、姿态识别等分析学生听课专注度及学习情况,动态调整课堂互动及授课内容并将学习数据反馈给老师。AI助手帮助老师提升教学效率,使老师更加专注于为学生提供精细化辅导和个性化关怀。在评价环节可通过学习环境内嵌的大数据采集与分析技术对学生的学习效果进行科学客观的评价。
 
人才培养个性化则指通过人工智能技术对学生的学习行为数据进行整合、挖掘、分析,进而审视学生的个性化需求,提供多元评价体系,形成智能、高效、全面的教育分析系统,最终建立以学习者为中心的教育环境,提供精准推送的教育目标、教育计划,实现日常教育和终身教育定制化。
 
1.2 发展智能教育的重要意义
 
国务院副总理孙春兰在2019年国际人工智能与教育大会上指出:“中国政府高度重视人工智能与教育的融合发展,大力推进教育信息化,数字教学资源覆盖各级各类教育,智慧教学、学习和管理手段不断丰富,教育现代化建设取得重要进展。”人工智能技术的应用正推动着教育领域的发展与变革。一方面,人工智能技术正在全方位赋能教育领域各大场景。计算机视觉、语音识别、自然语言处理、知识图谱、机器学习等技术与教育场景的深度结合,既能够在一定程度上扭转当前教育资源分配不均的问题,还能提升课堂教学效果以及学习效率。另一方面,人工智能技术正深刻重构教育领域的运营模式。教育场景被重新定义,教学方式在逐渐改变,教育理念不断革新。以学生为中心,从 “支持课堂教学为主”向“支持学生个性化学习”拓展,聚焦学生成长和素养提升,促进知识转化为能力,培养适应新时代发展需求的创新型人才。
 
1.2.1 普惠优质资源,促进教育公平
 
当前优质教育资源供给不足的问题在我国仍然存在。地区、城乡和校际之间师资力量差异较大,优质的教育资源往往聚集于高线城市和地区,低线城乡能享受到的优质教育资源则极为有限,此外,受限于经济能力,低线城市的家庭往往难以长期为高质量教学产品买单。最终造成学生学业表现、综合能力的地区性差异十分显著。
 
人工智能可基于海量的、高精度的数据,为学生打造低成本、标准可靠的“AI课堂”,对学生进行教学指导和课后答疑,为优质师资力量不足的低线城市、农村以及偏远山区等地区供给普惠性的优质教育资源,打破优质教育资源的时空限制,改善其供给不足和分配不均的问题,赋能教育领域的“供给侧改革”,促进教育普惠价值最大化。
 
1.2.2 赋能教学环节,关注全面发展
 
我国当前教育体系针对学生个性化教学与关怀还需进一步提升。当下教、考重点关注于知识技能的提升,根据不同学生差异化程度进行个性化教学调整还不够;此外,对个体素质、心理成长的关注度不足,导致个体学生的成长状况有可能被忽略,无法充分激发每个学生的学习潜力。
 
人工智能可通过计算机视觉、语音识别、自然语言处理、数据挖掘等技术,针对学生在课中实时的学习状态、互动参与度、习题正确率等指标,动态调整授课以及课后指导的内容、形式等,做到“千班干面”乃至“千人干面”,高效地为学生提供个性化教学和辅导。此外,作为人工智能技术的典型应用,人工智能可高效帮助老师完成一部分冗余的教学管理等工作,让教师将更多的精力用在育人方面,重点关注学生的情感变化,给予学生有温度的学习关怀,引导和鼓励学生进行创新探索,不断激发学习兴趣、培养学习习惯、塑造良好品格,给予学生们受益一生的能力。
 
1.2.3 辅助教育评价,推动教育改革
 
现行教育评价体系下重分数轻能力、重共性轻个性、重知识轻素养、重结果轻过程的现象依然存在。智能教育评价与管理主要面向学习者、教学者以及整个教育体系,目标是利用人工智能技术提升学生的综合素质,跟踪教师和学生的表现,改善教育管理水平,提升教育系统整体效能。
 
人工智能技术的应用使得教育研究者们可以利用不同类型的计算设备和算法模型,对学习者的高阶认知、元认知、心理以及身体健康等进行多角度的综合评价,持续性地对学习者的情况进行跟踪,实现对学习者实际问题解决能力动态综合诊断评价、运动监测与健康维护,对教师进行智能课堂评价,以便教育工作者采取相关措施,助力学习者和教学者的成长和发展。
 
1.2.4 优化校园管理,改善学校治理

在智能环境打造方面,人工智能主要可应用于一体化的智慧校园建设。具体而言,通过将计算机视觉、语音识别等人工智能技术与大数据、物联网等技术结合,可将教室、校园、宿舍、图书馆等不同维度的校园资源进行整合,构建智能开放的教学生活环境,服务于校园安防、校园生活、校园管理、教师教学和学生学习等方面需求。以校园安防为例,可在教学楼、宿舍楼等关键通行节点通过运用静态、动态人脸识别等人工智能技术,实现刷脸出入校园、刷脸签到等功能,从而更加专业、及时地实施校园安全管理和应急问题处理。
 
此外,人工智能技术可以与现有的教务、一卡通等应用系统进行集成,从而进一步提升教室、食堂、图书馆等的管理效率与水平,实现智能化出入、通行管理,并在教学考勤、考试实名验证和反舞弊等方面实现智能化管理。


02
智能教育的发展态势
 
人工智能与教育的深度融合,将会进一步释放教育在推动人类社会发展过程中的巨大潜力。世界各国纷纷制定规划,出台相应的政策措施,推动智能教育的发展。本章梳理总结了国内外推动智能教育发展的政策举措,分析了智能教育的发展阶段及当前我国智能教育市场的发展态势与格局。
 
2.1国内外推动智能教育的政策举措
 
2.1.1我国推动智能教育的政策举措
 
2017年3月,国务院总理李克强在《政府工作报告》中提出要加快培育壮大新兴产业,全面实施战略性新兴产业发展规划,其中包括人工智能产业,这是人工智能首次被列入《政府工作报告》。同年7月,国务院印发了《新一代人工智能发展规划》,指出要围绕教育、医疗、养老等迫切民生需求,加快人工智能的创新应用。
 
其对智能教育的规划为:利用智能技术加快推动人才培养模式、教学方法改革,构建包含智能学习、交互式学习的新型教育体系。开展智能校园建设,推动人工智能在教学、管理、资源建设等全流程应用。开发立体综合教学场、基于大数据智能的在线学习教育平台。开发智能教育助理,建立智能、快速、全面的教育分析系统。建立以学习者为中心的教育环境,提供精准推送的教育服务,实现日常教育和终身教育定制化。
 
2019年初党中央国务院发布了《中国教 育现代化2035》,重点部署了面向教育现代化的十大战略任务。其中对智能教育的部署为:建设智能化校园,统筹建设一体化智能化教学、管理与服务平台;利用现代技术加快推动人才培养模式改革,实现规模化教育与个性化培养的有机结合;创新教育服务业态,建立数字教育资源共建共享机制,完善利益分配机制、知识产权保护制度和新型教育服务监管制 度;推进教育治理方式变革,加快形成现代化的教育管理与监测体系,推进管理精准化和决策科学化。
 
2018年4月2日,教育部印发《高等学 校人工智能创新行动计划》,提出要加快人工智能在教育领域的创新应用,利用智能技术支撑人才培养模式的创新、教学方法的改革、教育治理能力的提升,构建智能化、网络化、个性化、终身化教育体系。2018年4月13日,教育部印发《教育信息化2.0行动计划》,提出了教育信息化的新方向,即教学应用覆盖全体教师、学习应用覆盖全体适龄学生、数字校园建设覆盖全体学校,信息化应用水平和师生信息素养普遍提高,建成"互联网+教育” 大平台。相比信息化1.0,教育信息化2.0提出要实现从专用资源向大资源转变;从提升学生信息技术应用能力向提升信息技术素养转变;从应用融合发展,向创新融合发展转变。教育信息化2.0行动计划为推进智能教育打下了坚实基础。
 
2019年8月,科技部宣布依托好未来建设智慧教育国家新一代人工智能开放创新平台。该开放创新平台将在行业标准、全场景能力服务提供、全过程解决方案交付、全周期产业应用推广等方面开展研发、建设和合作,推进开放共享,为科技研发人员、教育教学机构、教育科技企业、教育从业者等提供从场景数据、技术解决方案到产业化应用的全场景、全程、全周期智慧教育服务支持,构建“共生”,"互生” “创生”,的智慧教育多元化新生态。
 
2.1.2 国外推动智能教育的政策举措
 
随着大数据、人工智能技术的不断发展,人工智能逐渐渗透到教育领域,成为推进21世纪教育改革与创新发展的强大技术杠杆。以美国、新加坡、韩国、印度等为代表的各国相继 推出面向未来的新教育改革战略,制定相关政策法规,设计本国智能教育的发展蓝图。
 
美国始终秉持“科技引领”的教育理念,对教育技术保持着高频投入。自1996年开始制定的《国家教育技术规划》是美国教育技术最重要的纲领性、政策性文件,该规划每4-5年更新一版,不断强化利用技术促进教育变革的新的时代特征。最新一版《重新思考技术在 教育中的角色:2017年国家教育技术规划更新》中提出,技术功能已经由被动应用转变为主动服务,技术的智慧化应用趋势明显。此 外,美国政府于2016年、2018年发布的《国家人工智能研究与发展战略规划》《美国机器 智能国家战略规划》中也提出,将竭尽所能为在教育领域中的人工智能技术提供必备的政策和财政支持。
 
新加坡一直强调教育科技发展应以支持学 生发展为核心目标。新加坡教育部自1997年到2015年总计四次发布教育信息化发展规划 (Master Plan),包含愿景、目标和实施策略三方面的内容,其中第四次发布的教育信息化发展规划提出要通过构建智能学习生态系统支持学生个性化、自主化的学习,并培养其成为面向未来、负责任的数字化学习者。
 
韩国较早提出了智能教育发展目标。2011 年韩国政府发布的《智能教育推进战略》提出要在2015年前为学校配备云系统与智能终端,打造智能化课堂。
 
在“数字印度“的强力推动下,印度政府逐步关注人工智能等创新技术。2018年印度出台的《人工智能国家战略》聚焦社会公共服务效率提升,将教育列为人工智能技术的五大重点应用领域。
 
2.2 智能教育的发展阶段
 
随着人工智能的技术进步,及其在教育场景中的应用拓展,智能教育的发展可分为三个阶段:一是以基础数据收集与呈现点状式、零散的教学辅助类应用为代表的教学辅助阶段;二是实现系统化、智能化教学评价与分析,从而推动提升学生学业表现与教师核心能力价值的价值创造阶段;三是基于具备认知与强交互能力,以自适应学习为代表的因材施教阶段。
 


2.2.1 教学辅助阶段
 
这一阶段关注简单教育场景大规模基础应用的单点数据收集,为教学辅助类应用所需的人工智能模型训练、题库建设与知识图谱需求等提供基础性、关键性的数据输入。同时,应用呈现岀点状式,在零散的、可改善提升原有效率与体验的各单一应用场景上找到切入点。该阶段的教学辅助类应用并未成规模接入授课讲解等教学核心流程,类似于学校里的助教,更多是帮助老师、家长做辅助教学的工 作,以提升效率或优化整体体验,实现针对特定流程的减负增效。
 
这一阶段的代表性应用包括智能测评、智能批改、拍照搜题等。
 
2.2.2 价值创造阶段
 
在这一阶段,将实现全域数据的收集与分析,从而实现系统化的教学评价与分析,应用 不再局限于辅助类工作,开始参与接入教学流程中的如教学、学情分析与管理、问题诊断等核心环节。覆盖的场景愈发广泛与系统化,从而聚沙成塔,推动实现"备、教、练、考、评、 管”全流程数据收集与分析,进而识别教学问题点并生成优化方向,帮助学生提升学习效率与学业表现,帮助教师分担教学压力,提升教师能力价值,实现真正对于学生、教师等的价值创造。
 
这一阶段的代表性应用包括学习过程评价、全流程学情分析与管理等。
 
2.2.3 因材施教阶段
 
因材施教阶段基于上一阶段对个体学生掌握的知识类型、学习进展等相关数据的分析与评价,生成学生个性化、定制化的学习方案与课程,针对性进行教学辅导,实现真正的自适应因材施教,使得学生在更符合自身现状与需求的体验中高效学习。在该阶段,人工智能技 术应用开始步入认知层面,可实现人性化的交互与自主的行为迭代,从而输出真正高效、个性化、人性化的交互教学。
 
目前智能教育尚处在从教学辅助向价值创造的过渡时期,尚未大规模出现成熟化的、因材施教阶段的商业应用,未来有望在自适应学习、自适应互动课等应用上逐渐成熟。
 
2.3 智能教育市场的发展态势
 
据前瞻业研究院发布的《中国智慧教育行前景预测与投资战略规划分析报告》统计数据显示,2013年以来,在线教育和教育信息均处于快速发展时期,推动我国智慧场规模不断扩大,2018年中国智慧教育市场规模约为5320亿元,同时增长17.13% 。
 
2.3.1 智能教育市场热度
 
根据对百余家智能教育公司的分析,目前智能教育领域主要有六大产品形态:智能批改、拍照搜题、智能测评、智能题库、分级阅读和自适应学习。对上述六大产品形态的77 家公司进一步分析发现:
 
(1) 2014至2016年是行业热度最高的三年。三年间新成立43家智能教育公司,占2011-2018年期间智能教育公司成立数量总和的56%。在产品形态方面,自适应学习和分级阅读是最主流的产品形态,两类产品数量合计占比49% 。
 


(2 ) 在商业模式方面,智能教育公司在2B、2C领域分布均匀。B端产品形态以智能批改、分级阅读和自适应学习为主,三类产品合计占比74%;C端产品以自适应学习、分级阅读和智能题库为主,三类产品合计占比76%。
 

 
(3)在赛道分布上,K12赛道的智能教育公司数量最多,聚集了60%的智能教育公司。其中自适应学习、智能题库和智能批改为K12赛道的主要产品形态。
 


2.3.2 智能教育市场融资热度
 
通过对77家公司的融资信息的进一步分析发现:
 
(1)在融资频次方面,智能教育市场于2014年爆发。2014年全年发生14笔融资事件,同比增长180%;之后持续升温,2018年全年融资次数达24次。
 


(2)在融资轮次方面,当前发生的融资事件向C轮及以后转移的趋势明显。2014年出现首笔C轮融资,全年共产生2笔C轮及以后融资交易,占总融资交易数的14%,2018年,这 一比例提升至33%,共产生8笔C轮及以后融资交易。


2.3.3 智能教育市场的生态格局
 
目前,智能教育市场上主要有四类关键性代表企业,分别是教育类公司、互联网公司、人工智能技术提供商与计算平台提供商。智能教育市场关键角色及其代表特征见下图。
 


(1)教育类公司
 
教育类公司受场景驱动,通常更贴近消费者,可深刻洞察行业痛点与需求,从而设计出更贴合客户需求的产品,所建立的场景更具备现实效益。教育类公司教育应用场景覆盖广泛,利用其固有的场景优势,可收集大量的真实学习数据训练完善模型,提升产品的易用性和适应性,使得产品能更加满足客户需求,从而实现从技术研发到应用实现与优化的完整闭环。
 
这类公司以好未来为代表。好未来拥有中文语音识别、英文语音识别、小学口算批改等教育领域主流业务场景数据集,拥有动作、情绪、文字、语音识别,语音、互动评测,表达能力评估和个性化题目推荐等多项人工智能技术能力,推出了童声语音评测(中英文)、拍照解题(数学)、儿童表达力评测(中文)、学情诊断(课堂)等智能教育解决方案。截至目前,全国共有450万学员走进好未来的线下课堂,另有3600多万学员通过线上获取优质的教育资源。
 
(2)互联网公司
 
互联网公司受生态驱动,具备丰富的流量、多类型场景数据等基础资源,可以帮助孵化或投资教育生态圈企业,支持其技术与客群发展,实现流量、数据、场景的资源整合,从而提升智能教育产品的落地、传播与普及率。同时,互联网公司也已打造出较成熟的技术平台,可以通过开放API接口等形式实现技术输出,赋能其他智能教育公司,通过2B/2C的方式,实现对现有成熟技术在教育场景更好的落地,推动智能教育产业发展。
 
比如,百度于2019年2月发布智慧课堂解决方案、人工智能教育解决方案、VR教育产品以及面向高校的人才培养合作方案四大智能教育产品,将人工智能、云计算、大数据等方面的前沿技术能力向教育领域输出,推动人工智能与教学实践深度融合、社会教育智能化升级。腾讯于 2019年5月推出智慧教育品牌“腾讯教育”,目前已累计服务约1.5万所学校、300多个省市教育局,7万家教育机构,向其提供智能连接、智能教学、智能科研和智能管理等服务,用统一接口响应需求,为教育领域智慧化升级提供“数字助手”。
 
未来,互联网公司有望基于资本与技术的支持进入2B赛道,并切入智能教育核心场景; 在2C方面,尽管互联网公司存在切入2C的可能性,但由于教育领域内容壁垒的存在,互联网公司进入难度较大,预计较难成为其重点业务发展方向。
 
(3)人工智能技术提供商
 
人工智能技术提供商受技术所驱动,其通常在某些技术领域实现纵向深耕,凭借其专业4科大讯飞:2018年年度报告化的技术实力购 B端客户,满足B端客户对于产品与服务的相关人工智能技术或解决方案需求,助力产品功能的实现与性能的提升。科大讯飞早在2004年就借助语音识别技术,以智能测评切入普通话考试场景,由点及面,发展智慧教育体系。目前科大讯飞的B端业务已经涵盖教学、考试、管理等多场景,覆盖全国 31个省级行政区及新加坡等海外市场,与全国25000余所学校达成合作。
 
未来,人工智能技术提供商一方面将持续纵向深耕,强化技术壁垒,成为智能教育产业供应链关键一环;另一方面,不排除部分人工智能技术提供商亦会进一步深度布局教育场景,开发2C/2B的核心应用。
 
(4)计算平台提供者
 
计算平台提供者主要专注于计算平台的建设,旨在提供计算能力以满足人工智能各领域技术发展所带来的海量数据处理的算力需求,为人工智能技术发展与应用奠定关键基础。亚马逊的AWS教育云平台计算服务提供数据中心迁移、学生数据分析与科研项目所需的高性能计算能力,满足教育领域的个性化需求。阿里巴巴的阿里云已形成融合了云计算、大数据及人工智能等先进技术的整体解决方案,面向各高校、教育科研机构、在线教育企业,提供完整的云平台与服务。



03
智能教育的应用场景
 
3. 1 智能教育应用场景概述
 
教学全流程可分为“备课一教学一练习一考试一评价一管理"六大场景,其中“备课"场景为开端,“管理”场景为末端,"教学"场景为中心,“练习”、“考试”、“评价”三大场景为支撑。此外,针对学生、老师、学校等不同的主体,还可以将六大场景拆解为对应的二级场景和三级场景。应用场景见下图:
 


3.1.1 备课应用场景
 
(1) 预习知识点个性化推荐
 
基于学生差异化学情及能力,通过自然语言处理、数据挖掘等人工智能技术,在课前预习场景为学生进行个性化学习知识点推送,同时还可帮助老师节省用于预习内容安排的时间与精力。
 
(2)个性化教案
 
基于班级或个体学情,通过计算机视觉、自然语言处理、数据挖掘等人工智能技术,为老师生成个性化教案,包括试题数字化录入、授课计划、作业布置等,节省老师用于备课安排的时间与精力,同时也为教育资源匮乏地区的教师备课提供方向与优化建议。
 
(3)试讲磨课智能练习
 
通过智能语音、计算机视觉、自然语言处理等人工智能技术,可以提供虚拟化课堂场景,帮助老师在课前反复推敲试讲,进而将更高质量的课堂带给学生。
 
(4)本地化教研
 
基于当地的教学、考试等信息的挖掘,通过计算机视觉、自然语言处理、数据挖掘等人 工智能技术,为老师提供全方位的个性化教研建议,高效匹配当地的教材版本、教学侧重点、考试风格等。
 
3.1.2教学应用场景
 
(1)线上AI课程
 
基于学生的个性化学情数据反馈,通过计算机视觉、智能语音、自然语言处理等人工智能技术动态调整授课内容和形式,提供适合每个学生的个性化课程。
 
(2)线下AI课堂
 
基于学生及班级差异化学情,采用“真人老师+AI助手”的授课模式,通过表情识别、人脸框检测、语音识别、姿态识别等分析学生听课专注度及学习情况,动态调整课堂互动及授课内容并将学习数据反馈给老师。在线下AI 课堂上,AI助手负责知识传授,真人老师负责为学生提供精细化辅导和个性化关怀。
 
3.1.3练习应用场景
 
(1)拍照搜题
 
通过图像识别技术自动识别学生上传的题目,进而利用数据挖掘等技术检索题目对应的解答并及时反馈给学生,为学生在课后练习中随时提供高效答疑。
 
(2)习题个性化推送/智能题库
 
基于学生对所学知识掌握情况的差异,通过自然语言处理、数据挖掘等人工智能技术,智能生成针对性的习题,有效节约老师为学生制 定个性化测试、习题的时间,并给不同学生提供更有针对性的辅导练习。
 
(3)智能测评
 
通过智能语音、自然语言处理、数据挖掘等人工智能技术,可以更高效地测试学生的学习能力,迅速识别学生弱项,节省老师用于了解学生基础背景的时间与精力,并对学生的能力进行更为全面、客观的评价。
 
(4)分级阅读
 
通过自然语言、数据挖掘等人工智能技术,将阅读材料库按照分级标准进行分级,基于对学生的阅读水平进行测试,为学生匹配符合其阅读能力的拓展材料。提升学生阅读兴趣和能力的同时,也为老师节省了大量收集和推荐阅读材料的工作时间,大大提升老师的工作效率。
 
(5) 钢琴陪练
 
通过智能语音、计算机视觉、自然语言处 理等人工智能技术,对练习者进行智能纠错,并对其日常练习进行阶段性测评,生成个性化分析报告,代替教师进行陪练、纠错、督促等工作,在教学过程中充当助教角色,协助配合教师教学工作。
 
(6)作业智能批改
 
基于图像识别、智能语音、自然语言处理等人工智能技术,帮助老师高效批改客观题、简答题、口算、英语作文等题目;相较于人工批改,智能批改可以即时标注错误部分和错误原因,批改速度更快,批改结果更细致、更客观。
 
(7)个性化答疑
 
基于智能语音、计算机视觉等技术,虚拟助教/答疑系统获取学生问题,并通过自然语言处理、数据挖掘等理解学生的疑惑点和知识薄弱点,模仿人类的行为模式与学生进行智能化沟通,为学生提供及时、个性化的解答。
 
3.1.4 考试应用场景
 
(1)个性化组
 
通过数据挖掘等人工智能技术,对题库中已被结构化的数据进分析、组合,为老师提供满足不同班级学情的考试题目,提升老师的岀卷效率。
 
(2)智能阅卷
 
基于手写识别、自然语言处理、深度学习 等人工智能技术,帮助老师实现客观题及部分主观题自动批改与赋分,如導、判断、作文、翻译、问答等题目类型,且可对空白题、内容疑似雷同等异常答卷进行自动筛选,大幅提升阅卷效率嬷量。
 
(3)考情智能分析及错因诊断
 
基于图像识别、自然语言处理、数据挖掘等人工智能技术,采集汇总学生考试结果,分析不同学生知识点弱项,进而形成学生学情报告,为老师提供更有针对性的教学指导建议。
 
⑷监考
 
通过计算机视觉、智能语音、自然语言处理等人工智能技术,系统对大量考场视频的考生动作进行分析,建设智能考场的人工智能感知分析体系,全面提升考试的安全与效率。
 
3.1.5评价应用场景
 
(1)耳触兴趣评估
 
基于学生差异化的特长与个性特征评估学生职业兴趣,通过数据挖掘、自然语言处理等人工智能技术,智能生成职业推荐建议。
 
(2)师生匹配度评估
 
基于学生差异化学情,通过数据挖掘等人工智能技术,为学生匹配最适合自身学习方法、学习能力及学情的老师,实现学生、老师、课程的精准匹配,提升学生学习体验和效率。
 
(3)课堂质量评估
 
通过计算机视觉、智能语音、自然语言处理等人工智能技术,构建课程全覆盖并决速反馈的课堂质量评估系统,并提供全面、客观、科学的课堂评估报告,打破教学黑盒,帮助老师识别出好课、教出好课,让更多的学生在有限的时间内,获得更佳学习效果。
 
3.1.6 管理应用场景
 
(1)班级学情
 
通过表情识别、人脸框检测、语音识别、姿态识别等收集和跟踪学生学情数据,对每个个体的学情进行全方位精准评估,为老师、家长及时了解学生学情提供科学的参考依据,并为个性化指导提供判断依据。
 
⑵选课排课
 
基于学生选课和校内教师资源等数据的输入,通过数据挖掘等技术为每个学生定制专属的个性化课表,高效解决走班排课等问题,节省老师工作时间、提升学校管理效率。
 
⑶校园安防
 
基于计算机视觉、智能语音、数据挖掘等人工智能技术,通过视频监控系统、门禁控制系统以及考勤系统等对校园进行常规检查工作。
 
上述智能教育应用场景中,一些场景实现。随着人工智能技术的发展及全域数据的积累,在中短期内,预计将基于大数据的智能综合分析与诊断能力,覆盖“备课-教学- 练习-考试-评价-管理”核心流程下更多场景、接入教学核心环节。远期来看,智能教育随着认知技术的成熟,掌握理解学生等的能力、实现人性化交互,促进大规模“因材施教”的达成。
 

 
3.2智能教育典型应用场景案例
 
3.2.1教学:线下AI课堂
 
优质师资稀缺且分布不均是教育领域长期存在的难题,有限的优质师资往往集中在一二线城市。在线教育虽然一定程度上解决了这一问题,将优质师资通过在线直播课或录播课的形式带到中小城市,然而受限于经济能力,部分家庭往往难以长期为高质量教学产品买单。
低成本、标准可靠的“AI课堂”,利用计算机视觉、智能语音、自然语言处理及机器学习等多项人工智能技术在学情数据的基础上建立学生模型,结合学科知识体系、班级和个体的实时学习表现,通过人工智能引擎进行个性化的学习方法和路径设计,以普惠的价格提供给每个家庭,打破优质教育“高门槛” 。
 
例如,好未来的WISROOM于2018年推出行业首创的AI课堂解决方案,将“学”和“习” 进行拆解,课堂上由低成本、标准可靠的“优质老师”负责知识传授,课前预习、课后答疑由真人教师完成。目前WISROOM已覆盖全国〔48个城市,月艮务近800个教培机构,学生人数已超10万人,已实现较为广泛的应用。2019 国际人工智能与教育大会期间,联合国教科文组织官员现场体验了以WISROOM智慧课堂解决方案为底层技术支撑的“乐外教AI课堂”并给予高度评价,表示希望能将其推广至南苏丹等教育教师资源匮乏、技术基础薄弱的地区。
 

 
3.2.2 练习:智能测评
 
“哑巴英语"是英语教学的痼疾,症结往往来自于学生在英语学习初级阶段没有打好口语基础。但在教育水平落后地区,具备专业、准确的口语表达能力的优质师资的稀缺性与分布不均被进一步放大,导致口语练习很难得到及时反馈和精准指导。特别针对儿童英语口语练习,由于其发音音调较高、停顿较长,且表达过程更易出现发音、语法错误,使得通用口语测评技术也无法做到精准评估与反馈。
 
科大讯飞E听说运用智能语音评测技术,通过多样化的人机交互训练方式如跟读、模考、闯关,对学生口语发音进行多维度评分和精准矫正,同时运用人工智能分析学生学练测数据,进而推算生成针对性评测报告,精准定位知识盲点,从而助力提升学生英语口语。目前,已在全国超过7000所学校广泛使用,推广班级超6万个,累计使用用户超1200万。
 
针对儿童口语英语,好未来在2018年推出了业内首个儿童口语测评体系,根据采集儿童在真实教育场景下的英语发声数据,定制专属于儿童的声学模型,综合发音、韵律、流利度、完整度 等评估维度,为儿童口语发音提供及时、准确的反馈。目前儿童口语测评模型月调用量超过4000万次,与专业英语外教的评分可达90% 以上的一致率。
 
好未来基于“普通话学习系统”为四川省凉山州昭觉县定制了“学前儿童彝汉双语学习系统”,帮助孩子们开展汉语拼音、词汇、语法等方面的学习。据统计,凉山州的54万名学前儿童中,有49%不会说普通话,普通话教育已成为大凉山地区最艰巨的任务之一。目前该系统已在昭觉县71所学校、124个教学点、近6万名在校学生中得到了使用。


 
3.2.3 练习:智能题库
 
传统教育多侧重于知识点掌握的训练,学生往往需要反复学习全部知识点,通过“题海战术”来进行查缺补漏和强化训练。根据国际学生评估项目(PISA)公布的最新一轮测试结果,中国几乎是总体学习时间最长的国家,但 学习效率却非常低,中国与芬兰的PISA成绩相近,但每周学习时长却比芬兰多20多个小时,学习效率显著低于OECD国家的平均水平。
 
人工智能可以通过图像识别、自然语言处理、数据挖掘等技术,为学生在海量题库中快速提供题目解析办法,并通过精细化的知识图谱和标签体系快速识别出学生薄弱知识点,为学生提供个性化的“举一反三”强化练习,使学生在自主学习过程中更加精准,大大提升学习效率。
 
2014年上线的作业帮,可以通过拍摄的题目照片快速检索对应解析办法,为学生提供多种思路和详细解析过程、提供及时有效的个性化指导。目前作业帮已累计激活用户4亿以上,月活用户1.2亿,平均每年为用户提供累计超过350亿次作业辅导和知识讲解,超过5 亿次“举一反三”练习,超过2000万次问答,超过〔00万小时的答疑讲解。
 
3.2.4 考试:智能错因诊断
 
传统教育模式下,老师每天需要面对大量的教研、备课、作业批改等任务,往往无法投入较多精力针对学生作业和考试情况进行有效分析,导致老师难以做到针对学生们的个性化情况进行课程安排及课后辅导、无法实现针对个体差异的“精准教学”,“大锅饭”式教学成为普遍现象。
 
人工智能可基于OCR识别、自然语言处理、数据挖掘等技术,采集汇总学生作业、考试结果,分析不同学生知识点弱项,进而形成个性化的学情报告,为老师提供更有针对性的教判指导建议。
 
例如,极课大数据推出的大数据精准教学服务平台系统,通过图像识别、计算机深度学习等人工智能技术,对作业和考试等数据动态化采集,并进行大数据智能分析,凭借多样化立体学情报告帮助量化教学目标,弥补“经验 教学”的不足,做到兼顾个体差异,辅助学生 查缺补漏,从而实现更有针对性、个性化的教学指导,改变原有“大锅饭”式教学;此外该平台还拥有区域数据呈现、高效智能批阅、海量题库智能组卷、三代全能飆等领先功能,全面帮助老师减负增效,提升课堂效率和教学质量。目前已覆盖全国30多个省、市、自治区,超过4000所学校,超过770万的老师、学生和家长。
 

 
美国Gradescope公司将图像识别、自然语言处理、数据挖掘等技术应用于教育,对学生的作答进行识别、分析和打分并给出错题的错因,教师可以一键发送和导出学生日常作业练习情况,基于不同问题、不同知识点生成学生的综合学习成果报告,对学生的课下练习情况有综合、全面的了解,从而更加准确地定位学生问题,使得老师能在课上对学生进行更加高效的辅导。
 
3.2.5 W:智能课堂质量评估
 
在传统教学模式下,学情评估始终困扰老师与校方:对于老师而言,学情评估需花费课上与课下的大量时间与精力;对于校方而言,往往需通过组建人工团队完成抽样监课的工作,评估效率不高且课程覆盖率低。同时,由于评估方式主观、指标不可量化、评估维度有限等,行业缺乏对“好课”的统一标准。
 
基于人工智能技术构建的监课系统则可以做到课程全覆盖并快速反馈,形成课上有行为、行为有识别、识别有产出的完整监课闭环,从而智能、高效生成针对学生的评价报告。不但如此,AI监课系统可广泛采集课堂信息,通过数据的挖掘和深度分析,产生一份更全面、更客观、更科学的课堂评估报告,从而打破教学黑盒,帮助老师识别出好课、教出好课,让更多的学生在有限的时间内,获得更 佳的学习效果。
 
好未来的GodEye监课系统利用计算机视觉、语音、自然语言处里、数据挖掘等人工智能技术,对两千多个维度的课堂数据进行捕捉,并从学生的6大课堂行为出发,针对每位学生提供出一份详尽的课后报告,使最佳的教学理念可以落地。在接入教学系统后,GodEye已将原先不足10%的课堂教学评估覆盖率提升至100%,质检效率提升近50倍。
 

 
英国的Century Tech公司利用人工智能技术对学生课堂学习质量进行评测,通过评估学生的专注度和接受度,精准定位学生课堂学习状态的异常时间,帮助老师掌握学生现阶段的学习状态,节省老师本用于学情评价这一非核心工作只能上的时间,从而提升老师的核心能力。
 
3.2.6 管理:智能排课
 
新高考政策将传统教学模式颠覆为走班教学模式,选考科目6选3的新政策使得学校原来只需要分文理两类班型,而现在理论上要提供20种选课组合。如何有效合理的分班、落实课务的安排成为了走班教学模式亟待解决的问题,原来的“一班一课表”变成“一人一课表”,显著增加排课所需时间、精力的投入,进一步占用了教师这一宝贵资源,对学校教学管理水平提出新的挑战。
 
以晓羊教育为代表的智能排课解决方案则通过人工智能技术的引入有效解决了上述问题:其基于学生选课和校内教师资源数据的初始输入,智能化制定专属于每个学生的个性化课表,高效解决分班问题,节省教师工作时间,支持教师在教学核心职能中全情投入,以提高整体教育质量。该平台截至2019年3月已适用全国1600余所学校,并且只需要十几名后台人员即可协助排课,大大节约大规模排课所产生的人力成本。
 
04
智能教育发展趋势展望
 
随着人工智能理论和技术的不断发展和完善,人工智能在教育领域应用的广度和深度将大幅拓展。本章对智能教育的应用场景以及人工智能技术在教育领域的前景进行了展望。
 
4.1 智能教育应用场景展望
 
未来智能教育将从教师资源、教学资源两个方面进行改善。
 
在教师资源方面,将基于场景数据积累和优质教学方法的研究成果,依托图像识别、语音识别和自适应技术,打造人工智能课程,让好老师、好方法惠及落后地区。同时,人工智能将基于结构化、标签化的教硏大数据、知识图谱和本地教学大纲,智能匹配相关教学内容,提升优质教学资源的生产效率。
 
在教学资源方面,将依托知识图谱,基于学生的答题情况挖掘其背后的知识缺陷,匹配更个性化的教学内容,实现个性化教学;依托学生全域大数据和关联性分析模型,基于学情和行为等数据,了解每位学生的个性化需求,提醒教师给予关怀。
 
从人工智能技术适配性和人工智能技术成熟度两个维度,可以对智能教育场景进行分类。人工智能技术适配性重点考量从当前需求角度来看该场景是否有部分工作适合应用人工智能技术,且从伦理和数据获取的角度来看是否匹配需求。人工智能技术成熟度重点考量人工智能技术替代人工作业的准确度、是否超过工业红线等。
 


基于人工智能技术适配性和成熟度两个维度的表现,可以将智能教育场景分为三类。
 
(1)当前AI主要用武之地场景
 
这类场景具备较高的人工智能技术适配性
 
(2)AI应用空间有限场景
 
这类场景在人工智能技术适配性和成熟度上均较低,主要集中在六大核心教育流程的“评”和"管”环节。由于综合素养、职业兴和成熟度,以基于智能识别技术的教学辅助类趣等评估场景较难形成统一的标准,人工智能场景为主。整体来看,该类别下各场景工具属判断难度较大,且后期无法对准确性进行归一性明显,如“练习”环节中的“拍照搜题”、“管理” 化评价,无法反哺模型;关于“管”的环节,正环节中的"校园安防”等,其场景的复杂度较 常情况下基于规则的策略即可实现,对人工智低,主要基于计算机视觉等技术便可实现,当能技术适配性不高。因此,人工智能对“评”前人工智能技术足以支撑,是人工智能在教育 和“管”两个环节的适配度较低。
 
此外,该领领域目前主要发挥优势的领域。域部分场景对人工智能创造能力和人性化交互要求极高,当前技术成熟度较低,不被看好。例如“线下面授”和“招生管理”环节需要人与人之间直接互动,学生和老师的综合素养评价离不开具体情境下的主观判断等。因此,人工智能在这类场景下的发挥空间较为有限。
 
(3) AI潜在提升发力场景
 
这类场景为适合通过人工智能革新、但受制于当前技术成熟度的场景,具有巨大的潜在价值。不同于第一类场景集中在识别领域,工具属性明显,该类场景主要聚集在判断和推荐领域,普遍为服务属性。从技术层面来看,该类场景当前挑战来源于知识图谱的构建、多元大数据的结构化处理等方面,一旦实现技术突破该类场景将很快实现落地。
 
通过场景核心程度和人工智能技术实现产业化应用所需时间可以评估这类智能教育应用场景布局的优先级。


优先级一:主要为2年内实现产业化应用的“备”、“教”等核心环节,是智能教育应用场景的中短期布局重点。代表性场景有在线直播课、个性化教案、预习知识点个性化推送、笔记整理等。以“在线直播课”为例,“近场语音识别技术”能听懂每位学生的发言、“语音和嘴型拟合技术”帮助老师同时与数百名学生互动等,均能有效增强直播体验。
 
优先级二:主要为在2年内实现产业化应用的“练”、“考”等次核心环节及2-3年间 实现产业化应用的“备”、“教”等核心环节,是智能教育应用场景的中长期布局重点。代表性场景有监考、智能错因诊断、学习机器人、试讲磨课练习等。以“监考”为例,通过计算机视觉、智能语音、自然语言处理等人工智能技术,系统对大量的考场视频的考生动作进行分析,建设智能考场的人工智能感知分析体系,计算机将能精准识别考生的违规动作并据此判断考生作弊的概率,增加了监考的有效性。
 
优先级三:主要为2年内实现产业化应用的“评”、“管”等外层环节、2-3年间将实现产业化应用的“练”、“考”等次核心环节以及3-5年才能实现产业化应用的“备”、“教”等核心环节。代表场景为课堂质量评估、班级学情管理、推理性大题批改、习题个性化推送、AI课程、本地化教研等。以“课堂质量评估”为例,由于评价方式主观、指标不可量化、评价维度有限等原因,教学黑盒一直缺乏有效评估。计算机视觉、语音识别、自然语言处理等人工智能技术能对不合规行为、不恰当表达行为作出判断,打破教学黑盒产出更全面、更客观的课堂质量评估报告。
 
优先级四:主要为2-3年间实现产业化应用的“评”、“管”,等偏外层环节及3-5年间有望实现产业化应用的“练”、 “考”等次核 心环节。代表场景为师生匹配度评估、个性化答疑、中文作文批改等场景。以“中文作文批改”为例,虽然该场景需求广泛,但受OCR手写识别准确度、自然语言处理等技术瓶颈所限,当前中文作文批改依然难度较大,初步判断需3-5年时间才能实现成熟,可作为中长期战略布局考虑。
 
4.2 人工智能技术在教育领域的应用展望
 
人工智能技术在教育领域实现产业化应用所需年限与Gartner 2018年发布的人工智能技术在通用领域实现产业化应用所需年限进行对比分析见下图。
 


从图中可以看出,人工智能技术在教育领 域实现产业化应用所需年限与通用领域无根本性区别。语音识别均将在2年内实现产业化应用,预测分析、虚拟现实、机器学习、深度神经网络、计算机视觉及聊天机器人均需要2-5年的时间实现产业化应用,自然语言处理 (NLP)需要5年以上时间实现产业化应用。在知识图谱、认知计算两个方面,由于教育场景的归一性和收敛性更好,这两个技术在教育领域将会于2-5年内实现产业化应用,早于通用领域5年以上的等待时间。
 
(1)知识图谱
 
知识图谱技术提供了一种更好的组织、管理和利用海量信息的方式。目前知识图谱技术 主要用于智能语义搜索、移动个人助理(如 Siri)等方面。然而,现有的知识更新技术严 重依赖人工干预,尽管在未来随着知识图谱的不断积累,人工干预的比重将会不断降低而自动化程度将不断提高,但如何确保自动化更新的有效性是知识图谱技术成熟的另一重大挑战,预计这一技术在教育领域实现产业化应用仍需2-5年时间,早于通用领域的5年以上等待时间。
 
⑵认知计算
 
认知计算涵盖多项技术,它能够支持信息系统和应用程序的对外感知、理解和行动。这就意味着,计算机将被应用于感知世界并收集、分析和理解数据,独立决策并提出建议。认知计算的价值在于在实战中不断学习,进而根据所获知识优化自身流程和行为,达到像人一样的认知过程。然而,人类大脑和现代计算机具有不同的架构,两者在对信息的存储和处理机制上完全不同,以现代计算机架构为基础发展的认知计算技术无法单纯依靠模拟人脑的功能来实现如人类大脑一样灵活的认知过程。因此,完成这个目标需要一个新颖的架构,在数据存储、组织、管理等方式进行创新,且一定程度上依赖于机器学习、自然语言处理等技术的成熟。预计这一技术在教育领域实现产业化应用还需2-5年时间,早于通用领域的5年以上等待时间。
 
(3)自然语言处理(NLP)
 
NLP的应用包括对自然语言进行句法分析、实时翻译和构建大规模知识图谱。然而,NLP在对人类语言进行解读时,会受到句法的模糊性、单词的一词多义、人的口音等自然语言中的细微差别影响,使得机器的解读产生偏差和错误。而这些偏差目前需要人工干预才能得以纠正。此外,NLP还面临对话能力,推断能力、语言合成能力弱等挑战。这些限制性因素导致NLP技术目前仍无法广泛应 用。预计这一技术在教育领域实现产业化应用仍需要花费5年以上的时间,与在通用领域上实现产业化应用的等待时间一样。
 
(4)语音识别
 
语音识别性能在过去几年中迅速提高,诸多聚焦语音识别的企业均在2017年前后取得了快速的科技进步和技术突破,声称其性能与人工转录相同或更好,例如百度在2016年就已宣布百度语音识别的准确率能够达到 97% 。未来,语音识别技术的发展将会在对各类语料库和声学模型研究的基础上,聚焦非标准环境下的识别,比如远距离的语音识别,嘈杂环境下的语音识别,方言的语音识别和语 速变化较快情绪复杂的语音识别等。整体来看,语音识别已属于相对成熟主流的人工智能技术。预计与通用领域一样,这一技术在教育领域实现产业化应用的等待时间为2年以内。
 
(5)计算机视觉
 
目前,计算机视觉技术中物体检测、物体 识别、人脸识别、图像标签是相对成熟的细分 技术,也得到了相对广泛的应用。然而,动态 图像识别、实时视频分析等仍面临着技术瓶 颈,且缺乏可用于人工智能模型训练的大规模 数据集。预计这一技术在教育领域实现产业化 应用的年限为2-5年,与在通用领域上实现 产业化应用的等待时间相同。
 
(6) 聊天机器人
 
目前存在的聊天机器人有以下几种:基于工模板的聊天机器人,即根据用户的输入,在模板库中找到匹配的问句模板,再依照对应的应答模板生成答案返回给用户;基于检索的聊天机器人,即根据用户的输入在对话数据库中以搜索匹配的方式生成答案返回给用户;基于深度学习的聊天机器人,即根据用户输入,利用模型逐词或逐字生成答案返回给用户。由于基于人工模板和基于检索的聊天机器人性能的提高需要庞大的团队建立对话库或模板库并训练机器如何获取处理数据,限制了这两类聊天机器人的大规模推广。基于深度学习的聊天机器人面临的最大挑战是提升开放式学习的能力,而这种能力的提高又依赖较为困难的编码-解码模型训练。预计这一技术在教育领域实现产业化应用的年限为2-5年,与通用领域实现产业化应用的等待时间相同。
 
(7)深度神经网络(深度学习)
 
深度学习系统在使用时包含训练和推断两个阶段。在训练阶段,深度学习会遍历大型数据集并将其提炼到一个小的参数集;在推断阶段,深度学习使用此参数集对图像、语音、文本等输入进行分类。作为人工智能的核心技术,深度学习在图像、语音、自然语言处理等领域已经取得了大量关键性突破。深度学习下一步的理论发展重点在强化学习、迁移学习以及非监督学习层面,在应用发展领域,智能机器人会是深度学习领域的重要实际应用。预计这一技术在教育领域实现产业化应用还需2-5年时间,与在通用领域上实现产业化应用的等待时间一样。
 
(8)机器学习
 
机器学习的理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。目前,在自动标签、文本分类、搜索与排序和推荐系统方面,机器学习已在一定程度上具备解决实际生活问题的能力。然而,随着大数据时代的到来,如何提出新的机器学习算法以适应大数据处理的需求,是大数据时代机器学习面临的挑战。预计与通用领域一样,这一技术在教育领域实现产业化应用还需2-5年时间。
 
(9)预测分析
 
由于数据可用性的提高、计算处理成本的降低(尤其是在云平台中),以及在实际使用案例中得到的可靠验证,使得预测分析技术备受产业界的关注,正在嵌入越来越多的业务应用中。不过目前该技术尚处于泡沫化后的低谷期,预计这一技术在教育领域实现产业化应用还需2-5年时间,与在通用领域上实现产业化应用的等待时间相同。
 
(10)虚拟现实
 
虚拟现实技术可以支持各种大规模的模拟和培训应用,通过提供沉浸式的解决方案,增强教育、娱乐的用户体验。目前虚拟现实技术已进入稳步发展阶段,相应的开发平台、设备等在逐渐普及和完善中,未来还需在图形渲染技术、屏显技术和定位技术等方面不断完善,才能实现公众消费市场的普及。预计与通用领域一样,这一技术在教育领域实现产业化应用还需2-5年时间。
 
05
推进智能教育发展的建议
 
人工智能在教育领域的深度广泛应用,将推动教育理念、教学方式以及管理模式创新,重塑教育体系,但这一过程不会是一帆风顺的,需要社会各界的通力合作。本章提出了促进智能教育健康发展的几点建议。
 
5.1加强智能教育政策引导
 
从出台《教育信息化十年发展规划 (2011-2020年)》推进落实教育信息化的总体部署,到发布《教育信息化2.0行动计划》推进新时代教育信息化发展,再到发布《中国 教育现代化2035》重点部署面向教育现代化的十大战略任务,一直以来我国在教育领域持 续推动以信息化支撑和引领教育现代化,但在人工智能蓬勃发展的时代,信息化已经不足以支撑和引领教育现代化。
 
建议有关部门尽快出台推动智能教育发展的规划性文件,进一步强化智能技术在教育领域的应用部署,并制定相关政策措施,支持学校、企业、科研机构等各类主体投身智能教育,为智能教育的发展提供良好的环境保障。
 
5.2 加大智能教育关键技术研发
 
智能技术与教育的融合难度;现有人工智能技
 
教育作为涉及教学、管理、科研、服务等术的多领域的综合体系,其复杂性大大增加了人工智能技术与教育的融合难度;现有人工智能技的应用多为语音识别、图像识别等识别领域的应用,但在理解层面和创造层面的应用仍未实现实质性突破。例如当前自然语言处理技术 仅能对语法结构、拼写正误等方面进行识别,而在篇章结构、语言逻辑、情感表达等语义理解层面依然十分欠缺。
 
建议加大智能教育关键技术的研发力度,为智能教育应用场景的拓展奠定技术基 础。一是依托智慧教育国家人工智能开放创新平台,组建跨学科、跨区域的“人工智能+教育” 研究共同体,广泛开展跨学科探索研究,推动 脑科学、神经科学、认知科学等学科的交叉融合;二是加强“政企学硏”多方合作,产业界加强研发探索,学术界提供扎实理论基础,并最终试点应用到相关教学场景;三是进一步推 进智慧教育开放创新平台建设,推动开放平台向公众开放智能教育关键共性技术,打造智能教育生态。
 
5.3 推动智能教育应用落地
 
人工智能在教育领域实际应用过程中,普遍存在教师及教育管理者对人工智能的效用认 知不足、人工智能应用素养不足等现象,导致大量一线教师无法高效运用人工智能于实际教学场景中。
 
建议加快推动智能教育应用落地,一是要建立智能教育示范点,积极探索人工智能在教 育领域的应用模式;二是推动公立院校结合自身教学现状制定和落实本校的智能教育发展规划,为智能教育提供更加丰富的场景;三是不断提升教师及教育管理者人工智能素养,推进教育工作者对人工智能技术与应用的正确认识,为智能教育应用落地提供良好的氛围保障。
 
5.4 加快制定智能教育标准和规范
 
近年来,人工智能在教育领域的应用呈现快速增长的趋势,其中智能导师系统、自动化测评系统、教育游戏与教育机器人已经实现大规模应用,但与人工智能在其他领域的应用一样,也存在智能教育产品质量良莠不齐的问题,潜在的数据安全问题也逐步显现。作为一个新兴的应用领域,人工智能的标准特别是评估评测规范仍显滞后,目前国际国内基本没有相应的行业标准和评估评测规范。
 
建议加快制定人工智能在教育领域应用的标准规范体系,建立并完善基础共性、互联互通、行业应用、网络安全、隐私保护等技术标准,加快制定智能教育的标准和规范,推动智能教育的健康发展。
 
5.5 加强人工智能人才培养
 
加快发展新一代人工智能已经成为我国重要的国家战略,无论是研究开发领域,还是应用落地领域,人工智能各个环节对人才的需求有增无减,而人才短缺已成为我国人工智能发展中的最大短板。据工信部教育考试中心统计,中国人工智能人才缺口超过500万人。
 
建议进一步加强人工智能人才培养,一是要围绕人工智能应用落地(包括智能教育)的需求,形成“人工智能+X”复合专业培养新模式,培养人工智能源头技术和应用创新人方二是要着力推动人工智能知识和技能方面的职业教育、技术培训、继续教育,为人工智能的应用落地培养大批量的高技能人才。
我要评论
昵称:
内容: 剩余100个字
验证码:   验证码,看不清楚?请点击刷新验证码
 
评论热帖
还未添加任何评论信息!
 页次:1/页  8 条/页共 0 条  97 [0] 8:  
Copyright2013-2019 MIFONG.CN All Rights Reserved 蜜蜂网 版权所有  
蜜蜂网--辅导圈1对1领域第三方资讯分享平台
免责申明:蜜蜂网信息均来自于网络搜索,登载此处出于第三方资讯交流学习
本站不承担由于内容的合法性及真实性所引起的一切争议和法律责任。投诉处理联系QQ:914551675
合作洽谈联系我
关闭×