?如何更好地使用學生數據?
越來越多的老師愿意在課堂使用自適應學習系統，學校的分析系統也可以通過預測提高學生畢業率。與此同時，算法的使用帶來了許多倫理、實踐和哲學問題。高等教育引入人工智能到什么程度合適呢?誰來決定算法應該是什么樣的?
為了探討這些問題，教育技術資訊網站Edsurge采訪了斯坦福大學教育學院教育學助理教授坎迪斯·特爾(Candace Thille)和Civitas learning的聯合創始人兼首席學習官馬克·米利倫(Mark Milliron)，兩位分別就AI進入高等教育的痛點發表了自己的看法，并提出了一些解決方案。
Q: Civitas開發了用于高等教育的AI系統。馬克，現在使用情況如何，學生又是怎樣得到幫助的?
馬克·米利倫:現在的高等教育還處于使用人工智能的初級階段?？赡苷龔?ldquo;問責分析”轉變為“行動分析”。目前，高等教育中95%的數據工作著重于問責分析，即向認證機構、立法機構和受托人提供數據。我們的首席數據科學家來自醫療保健領域，他打比方說，高教機構似乎癡迷于“尸檢分析”。利用已不在學校的人的數據，通過講故事的方式幫助現有的學生。
我認為我們獲取的數據更接近現實，實現“行動分析”，更好地幫助學生。我們開始使用預測分析，顯示學生的行動軌跡，利用這些數據，幫助學生選擇更好的發展路徑。特別的，預測分析正努力將學生的未來個人化，并協助學生作出重大決定，同時在正確的時間為學生提供精確的支持和鼓勵。
馬克·米利倫
這么做一開始是有些痛苦的。我們要先將學生歸類，然后做各種假設，基于某一類某一種假設，以確定學生做出1、2、3、4……種選擇。從一開始給學生分類就充滿了風險，同時其他方面也存在問題。幸好我們已經看到越來越多的數據，并且越來越精確。學生所做的，就是利用這些數據，為自己的學業錦上添花，或實現“自救”。
每一個數據都是一個腳印，把它們拼起來，就是學生的心路歷程。這是學生的數據，他們的數據應該被用來幫助他們自己。然而現在學生的數據大多提供給了教育機構，僅僅用來告訴他們一些現象，一些事實。
Q：坎迪斯，你是使用人工智能和自適應學習工具的早期先鋒，在卡內基梅隆大學學習，又在斯坦福大學工作。最近有人擔心，公司提供的AI工具可能成為黑箱，受老師、教育工作者或高等院校的控制。你怎么看?
坎迪斯·特爾:我相信利用這些從學生日?；顒又?a class='keywords' target='_blank' href='http://www.dongsenyule.com/product_t1_4_q提取.shtml'>提取出來的數據可以支持學生學習，讓學生受益，我對此非常贊賞。我們的工作方式與Civitas的略有不同，我們為學生學習特定學科時創造個性化和適應性的學習體驗。因此，我們的工作方式是，跟蹤學生在線學習時產生的互動信息，把這些信息丟進預測模型里，預測學生的學習軌跡。
我們所做的，是讓AI系統支持教學決策。我們把預測信息反饋給系統或老師，幫助他們洞察學生學習問題出自哪里，以便做出正確的教育決策。
坎迪斯·特爾
怎樣收集數據，預測模型中應包含哪些因素，如何權衡這些因素，使用何種建模方法或算法，預測中要表現哪些信息，以及如何將結果展現給不同的利益群體?等等。這都是非?；钴S的研究領域，也是新興的學習科學的一部分。
所以我認為在學術方面，所有這些，特別是模型和算法，不能黑箱操作，它們必須透明，必須能接受同行評議。同時，它們必須是具有挑戰性的，這樣我們就清楚地知道，正在做出教育決策的，是那些知道如何做出這種決定的人。如果只是說“相信我們，我們的算法是可行的”，那么我認為他們的是煉金術，不是科學。
Q：馬克，作為一個公司領導者，你如何回應上一個問題?
馬克·米利倫:我們絕對認為，想做這種工作的公司，都應該確保自己的數據科學預測是公平公正公開的。例如，如果你想查看學生的成長軌跡，那么工具應該展示最佳預測以及相應的得分和權重，你就可以看到，哪些變量影響了預測結果。
這么做的一個原因是，幫助教育者與數據互動，以對學生做出正確的決定。
數據應該交給那些管理顧問、優秀的學生，以及看得懂數據還會反思的人，然后發表到同行評議期刊上，讓其他人都能看到學到。但現實是，目前建模還是一種商業化的東西，不是尖端科學，你能讓教育者知道的就是使用了哪些因素，哪些因素是最具預測力的，以及它們是如何載入模型的。算法往往是不能公開的，它太重要，事關模型的正確性和效率。
讓教育工作者思考這些東西目前還做不到。最好建立一些實踐論壇，供人們分享使用經驗。
Q：會有人擔心學生和教授誤用數據嗎?
坎迪斯·特爾:很多人會認為，“電腦是無偏見的”，或者“它是客觀的”，或者“它說的是真的”。他們沒有意識到計算機算法是由人類編寫的。建模時，模型中包含哪些因素?如何權衡這些因素?預測時依據什么標準得出分數?這些都是人為決定的。
如果我們的數據沒有廣泛的代表性，無法在不同環境里代表大部分學生，無法適用于特定環境，那么算法就會產生有偏差的結果。
馬克說使用系統的人應該真正了解系統告訴他們的內容，應該會使用這些系統，這一點我非常贊同。但是我正在考慮制度問題。很多教育機構都承擔著很大的責任壓力，而現在問責制的一個核心問題就是畢業率。
假設我是一名學生。我想成為一名醫生，所以報考一個醫學預科班。第一年就要學習化學、生物和相關的所有課程，我有點惶恐，因為我沒有上過高中，我真的屬于這里嗎?我很高興自己能進來，但有點懷疑自己是否能適應這種學習。
第一年的必修課是生物序列和化學結構，我很討厭這些，而選修課我選了自己很感興趣的拉丁文化研究。我的生物和化學課程只得了C和D，但選修課學得很好。導師約我見面，他看了我的預測分析，分析表示我在本專業4到6年里畢業的概率只有2%，但選修課學得很好，如果轉專業的話，肯定能獲得更好的成績，保證4年畢業。系統和導師都建議我轉專業。
這時候我肯定想，那都是你們認為的。我的理想是成為一名醫生，我來這里是學醫的，不是換專業的。
這就是數據偏見導致的事件。
我關心的是已經處于這樣形勢下的學生的想法：“學校這么照顧我，老師最關心我的前途，他們也給我看過數據(證據)了，看來我成不了醫生了，學醫真的太難了，我想他們是對的，我應該換專業。”
這不僅僅是某個學習者的損失，也是大家的損失。一個本可以成為了不起的醫生的學生卻被數據引導著轉行了，對于整個社會而言，也是一種損失。
馬克·米利倫:我非常同意這個觀點。問題是，我們能不能以一種完全不同或更有效的方式使用相同的數據。我們要使用設計思維，對那個學生說：“如果你真的還想走醫學這條路，以你現在的水平，可以先通過這門課程，使用這些資源，這樣你在4~6年畢業的可能性就增加了一倍。”
好在我們還處于非常初級的階段，如果能在這方面建立一個行為規范和道德規范，就能確保事情往好的方向發展。
坎迪斯·特爾:我們還可以用另一種方式使用這些數據，不僅改變學生，還可以分析機構的教學模式。如果學生沒有化學基礎，那么問題不僅僅是“如何讓這個學生與眾不同”了，我們需要看看老師教化學的方式是否合適，以保證學生更多地通過。這可能是使用數據的另一種方式。
