中科大刘淇：从自适应学习的角度理解AI+教育-CSDN博客

本文链接：https://blog.csdn.net/duxinshuxiaobian/article/details/108480482

不到现场，照样看最干货的学术报告！

嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说，快快看过来，希望这些优秀的青年学者、专家杰青的学术报告，能让您在业余时间的知识阅读更有价值。

人工智能论坛如今浩如烟海，有硬货、有干货的讲座却百里挑一。“AI未来说·青年学术论坛”系列讲座由中国科学院大学主办，百度全力支持，读芯术、paperweekly作为合作自媒体。承办单位为中国科学院大学学生会，协办单位为中国科学院计算所研究生会、网络中心研究生会、人工智能学院学生会、化学工程学院学生会、公共政策与管理学院学生会、微电子学院学生会。2020年8月29日，第18期“AI未来说·青年学术论坛”（“AI+X”领域专场）以“线上平台直播+微信社群图文直播”形式举行。中科大刘淇带来报告《从自适应学习的角度理解AI+教育》。

中科大刘淇的报告视频

刘淇，中国科学技术大学计算机学院、大数据学院特任教授，博士生导师，中科院青促会优秀会员，中国人工智能学会机器学习专委会委员，中国计算机学会大数据专家委员会委员。主要研究数据挖掘与知识发现、机器学习方法及其应用，相关成果获得过IEEE ICDM 2011最佳研究论文奖、ACM KDD 2018 (Research Track)最佳学生论文奖。还曾获中科院院长特别奖和优博、教育部自然科学一等奖（排名第2）、阿里巴巴达摩院青橙奖，入选了国家基金委优秀青年科学基金项目、中国科协“青年人才托举工程”、微软亚洲研究院青年学者“铸星计划”、CCF-Intel青年学者提升计划。

从自适应学习的角度理解AI+教育

“自适应（Adaptive）”对于机器学习和人类学习都是非常重要的一个概念，它通过挖掘大量数据来对当前情境进行感知，并进一步融合多种知识和技术实现学习进程的动态自适应调整。刘淇老师在本报告中从自适应学习的角度，向同学们展示了AI和教育的可能的结合途径，以及需要解决的若干技术问题。

首先，刘淇老师指出相较于传统的考试方式，自适应测试的方式可以花费更少的时间来测试学生的水平。自适应测试需要设计一个能够诊断学生认知水平的认知模型，然后加上一些自适应的选题策略。刘淇老师对于接下来的步骤提出了一个问题：在得到学生的认知水平之后，怎样结合学生的认知背景去给学生做个性化学习的推荐？对于这个问题，刘淇老师指出这和传统的机器自适应学习、推荐系统有所区别。传统的机器学习更关注的是学习的结果，即做出决策，而对于我们人的自适应学习更关注的是建模和学生学习的过程。传统的推荐系统是用户需求感知或者兴趣感知，然而，自适应学习则要基于学生的能力，进行学生认知情境感知的自适应推荐。

刘淇老师针对以上出现的三个问题提出了解决方案：①如何测试学生水平？——认知诊断。②如何根据诊断结果选题？——自适应测试。③如何给学生做个性化的学习路径推荐？——认知情境感知的推荐。

一、认知诊断

认知诊断是诊断用户在某项技能或某个知识点上的水平，其被广泛应用于游戏、体育运动、招聘和教育等领域。例如，江苏卫视的“最强大脑”每个选手出场时都会展示该选手各个维度认知能力的雷达图，该雷达图是基于选手做题结果形成的。那么，根据学生的做题结果诊断出该生对每个技能点和知识点的掌握水平，是认知诊断要解决的任务。

认知诊断是心理测量学中的经典任务，该方向的研究者提出了许多传统模型，例如IRT项目反应理论，该模型是基于若学生水平越高、题目越简单，学生就更应该做对这道题目。之后，刘淇老师指出了这类传统模型存在的问题：①项目反应函数是人工设计的，需要一些专家支持。②项目反应函数大部分也是线性的函数，表达能力比较有限。③项目反应函数只能处理数值数据，不能处理现在我们能够收集到的试题文本和图片和一些视频多元异构的大数据。

基于这些问题，刘淇老师团队设计了一个能够建模高阶认知关系和异构大数据的认知函数模型——NeuralCD。刘淇老师介绍该模型输入的是学生的表示和试题的表现、试题和知识点的相关度、学生知识点的掌握程度、知识的难度和试题的区分度，输入之后我们会过一些全链接层，再来预测这个学生在某个题上的做题结果。该模型的详细细节在论文中有介绍。

二、自适应测试

自适应测验包含两部分：一部分是认知诊断模型，即刚才提到的IRT和NeuralCD。还有一部分是选题策略，基于诊断模型对学生的学习情况做出诊断结果，然后给学生选些题目，学生做了以后再给学生一个诊断，根据诊断结果再给学生选题，然后再诊断再选题，这样周而复始，这就是自适应测试的过程。

刘淇老师提到最近的工作是在设计一种选题策略能够独立于每个认知模型。选题和认知诊断模型是相互独立的，这样做的优势在于自适应测验系统想要更换认知诊断模型或者想要更换选题策略的时候不需要把二者同时更换，只需要更换一部分就可以了，所以自适应测验的测验效率和灵活性会大大提高。

怎么来做选题策略呢？刘淇老师团队受机器学习思想中主动学习的概念的启发，主动地帮助这些模型挑选信息量更高的题目。那么什么样的信息量更高呢？刘淇老师以GRE考试（美国研究生入学考试）为例，做了介绍。GRE当中的题目有的时候会越做越难，有的时候会越做越简单，为什么会这样呢？越做越难是因为机器刚开始低估了考生水平，所以在自适应测验当中不断选择一些难题测试真实水平，越做越简单则是因为机器认为高估了考生水平，所以不停降低试题的难度。

三、认知情境感知的推荐

在得到了认知诊断的结果和自适应测验的选题策略后，怎样快速地给学生做一些情境感知的自适应推荐？情境感知的自适应推荐和传统推荐的区别在于，推荐的过程要考虑到学生的认知情境。比如有一个同学现在学了知识点D，因为考得很差，我们需要给他们推荐一个学习路径，能够让他们快速掌握知识点D，我们就要考虑两方面的因素：一方面是考虑这个学生每个学习时刻的认知水平的变化、另一方面就是给学生做推荐的时候也要考虑到知识的学习结构，比如学生知识点D掌握得不好并不一定是知识点D出了问题，可能是前面的知识点C出了问题，所以自适应推荐的过程当中要同时考虑学生的认知结构和知识点的学习顺序结构，所以这是我们要解决的两方面的约束。