自适应在未来会成为在线教育产品的标配，Knewton一直是这个领域里做的最好的，上个月芥末堆在上海组织了一次小型的Knewton团队交流会，由曾经在Knewton工作数年的Anne Thomas以及Ian Parker 分享，主题为“教学媒体与自适应学习案例研究 ”，芥末君为大家奉上整理的分享内容。

【分享嘉宾介绍】

Ian Parker，教育制作人和多媒体专家，涉猎所有与视觉制作相关的领域。第一份工作是数学老师，之后加入了一个视频制作的公司，在2008年加入knewton，主要负责制作教学视频，是最初的创始团队之一，在knewton工作四年半，2012离开knewton之后开始为各个公司制作视频。

Anne Thomas，2012年加入Knewton，在knewton两年半，负责为几家全球大型出版集团设计开发适用于Knewton平台的自适应学习产品，一直在帮各个客户做市场和产品的顾问，最初负责和培生对接，之后从做系统转到了做自适应系统引擎，负责让客户的系统能够适配knewton的引擎，这份工作叫做整合设计师。主要是两个大客户，一个是k12领域的出版商，一个是在高等教育领域的出版商。2014年底离开Knewton。

以下为分享内容整理：

Knewton从教学生怎么应试开始

knewton的模式是在你最需要的时候学习你最需要的内容，自适应学习最早的产品会告诉你怎样去应试，Knewton最早做的是GMAT培训。

自适应学习用在应试中目标很明确，要从A点到B点。但为什么要应试？应试这个产业非常大也非常老，里面有很多机会，有非常多有激情、目标明确的学生。在大城市可以找到最好的老师，以更低的价格把好的内容卖给更多的人。

就Knewton当时的情况来讲，要在市场上有竞争力，一定要做到以下这些事情：首先要提供活跃的、交互性很强、像线下课堂一样的课程。如果学生不能到场，随时还可以去看。同时要提供一个网站，要比竞争对手更好，不但有教学内容，还有自适应学习的功能。课程内容除了文字还包括视频。

首先需要很多的题目来练习，通过练习让学生预计他的学习能力，让他自己决定要在这个系统上花多少时间，几年或几个月。如果这几点同时能做到的话，就能招到更多的学生。

当时Knewton的创始团队只用了两个半月的时间就把系统和整个内容做出来，之后第一批学生就开始上课了，这是最早的GMAT应试产品。

如何制作自适应的在线视频课程

怎样实现个性化是自适应学习里一个很重要的环节，它能够指导学生什么地方没学好，而且比学生更清楚。要怎样做到自适应的在线视频课程呢，我们需要以下元素：几千个微视频，有耐性同时知识丰富的老师/演员（在这里老师和演员是可以结合的），以及内容制作专家和课程设计专家。录制视频不但要看老师的脸，还要看PPT，并把他们整合起来。

除了制作视频，还有一个就是直播课堂。要把直播课做好需要以下这些条件：课程制作写手和课程设计老师，个性上非常有特色的老师能够吸引很多学生过来。当然还有那些小提问小测试，以及白板，来看学生是否集中注意力。所以每次做直播的时候需要有技术人员在场，以应对突发情况。

这个最早的产品给我们带来几点启发。第一，产品一定要与学生交互，让学生投入到里面去，感到社区归属感。第二，要有各种不同的老师，让学生听他们讲课，学生会觉得更有趣。第三，Knewton最大的优势在于我们招了最好的课程专家、老师来做相关的工作。还有一个就是，你永远是你学生客户最大的粉丝，这本身对口碑传播来说是非常好的策略。作为一个初创公司，你需要关注每一个学生的成功。

直播课花费很大，而且难以管理。所以Knewton第二版的培训产品把PPT和视频整合起来，有不同教学风格的混合，这样学生就不需要在某一个指定的时间去上课，同时也可以降低成本。这个产品最初是Knewton为亚利桑那州立大学开发的数学补课培训产品，提供给大学新生使用。这同时也可以用来做翻转课堂教学，我们为第三方内容提供支持，也就是大学自己开发的内容。

不过我们发现，很多学生更倾向于直播课，直播必须按时间点上，这样他们可以根据课来安排自己的生活。很多学生也都非常喜欢听别人提问，这样他们可以被动地学到很多东西。

当时那版自适应系统工作的原理，就是先根据知识图制作内容，显示学生需要什么样的知识内容，以及学生已经掌握了什么内容。有一个模拟器模拟学生学习的路径，不同学生的路径是不一样的。比如在我们的系统里，颜色越深表明学生那块知识掌握得越好，学生进展好的话最后都变成深色。这里面有几百个分类的视频，制作质量非常高。所谓的分类型的视频，是针对大的知识点的介绍，也有小的很细节的知识点的视频。

学生学习过程中，视频服务器里会记录有详细的数据，会显示学生专注的程度，在学习过程中是否投入，比如学生到了大概到了三十分钟的时候就不看了，学生在哪一段重复地看，这些使用行为都会记录下来。当时很多教课老师还内部搞了一个竞赛，看谁的学生专注度最高。

看教学视频的话，其中一个指标是每秒传递的信息量，而不是含有多少特效。我们首先有很多短视频，这对自适应学习来说非常有用。好的内容和好的老师远比好的特效重要得多。另外，从我们的直播课堂发现，社交功能是非常关键的。现在从教育产品来看的话，很少有公司能找到对于社交的平衡。

从内容生产转到开放的平台

刚刚讲了knewton2008年到2011年的故事，在之后knewton就不做内容了，改变了商业模式。其实以前做的产品都是在为下一步做准备，先测试产品是否有效，knewton的长期目标是做一个平台，让世界上所有的学习产品都可以用来做适应性学习，像Amazon一样的开放平台。这些年knewton与很多出版社、学校和教育机构达成了合作，主要在美国、欧洲和巴西，现在开始进军亚洲市场。

作为一个开放的API，Knewton和早期产品最大的差别是，在新的产品中，用户看不到knewton的影子。出版商有自己的产品，Knewton与运营商的产品保持一致，学生是在和他们的产品交互。客户通过API系统到knewton来，knewton分析数据再返回去，推荐下一步学习。

（图：Knewton与学校合作的系统）

这其中有三个最关键的功能。首先是推荐功能。学生在下一步应该学习什么。这和亚马逊去买东西的推荐是相似的。系统也是抓取了许多学生学习的数据，用数据去分析学生下一个最好要学什么。

第二就是学习数据的分析，这是一些预测性的数据，看学生会做的怎么样。knewton和出版商最大的差别是，出版商做的是让学生知道你做对了还是错了。而knewton做的是预测，你现在做的怎么样，未来能做怎么样。比如说一个学生测试得了60分，基于以前的数据，还有系统对内容的了解，系统会告诉你学生的水平要比60分更高。

第三个就是内容数据。这些课程的内容质量如何，对学生学习有什么影响。knewton的第一个API客户是Houghton Mifflin，这是美国最大的k12领域的出版商，全世界有6000万学生。我最早是和他们一起找到哪一个产品最适合knewton平台，以及怎样把产品整合到knewton里去。最早和这个出版商做的是中学数学的项目，这是knewton最早给第三方产品开发的产品，而且是用别人的产品开发的。做这个产品有几个核心要求，knewton知道Houghton Mifflin的产品是要卖到加州的学校的，加州有个要求，教学产品不但要帮助差生，也要帮助好学生，学生的学习进程必须是一样的，因此每个学生的作业量是一样的，所以自适应要在那个标准之内。学生的历史数据在系统中应该被考虑进去，他们的作业是一样的，那怎么体现自适应学习呢？每个学生在做作业之前，都有复习题。复习题是每个人不同的。而且这个复习题/热身题，每个问题都会变。学生做完一个题，数据就会返回knewton的系统里面。比如学生做对了，knewton就给他推荐下一个题。所以自适应是实时且精细的呈现。学生的作业要达到一定水平之后才能做加强的，这里面学的东西就比作业的层次更高。其次是介入，学生做作业的分数低于某个值的时候，就会介入，目标就是让学生成功完成作业。

我不相信老师会被机器取代。但不是每个学生都能得到好的老师，这样的系统工具可以让没有好老师的学生也能得到好的教育资源。

Q&A

Q：knewton最开始做的数学产品在社交上是怎么做的？

A：在之前的数学产品中是没有直播课的，但是老师可以把学生分组，和别的同学一起学习。GMAT的学生在世界各地，而给亚利桑那州里大学做的数学产品学生们都在校园里面。

Q：怎样测量内容的有效性，有可能不是内容的问题，而是学生的问题。怎样去区分？

A：没有特定的好办法，需要更深入的去看每个问题，这就是数据分析家的作用。

Q：Knewton有没有做对比测试，看哪个更好？

A：现在没有做太多这样的对比分析，因为Knewton现在的重点是在系统上面，而不是内容。

Q：学生的学习路径是怎么决定的？

A：从早期系统来看，有系统的因素，也有学生的因素。以亚利桑那州立大学为例，学生的进度是不一样的，有些快一些有些慢一些。但是在学校有老师，具体怎么分组是有老师来决定的。 还可以有调整，可能你在这个组进度比你慢，你明天就去另一个组了。

Q：在展示路径之后，如何解决自主性问题？

A：Knewton本身主要提供了三个，推荐系统，数据系统和内容。怎样激励学生去学，主要是企业根据自己的系统去设计，激励学生去学。Knewton提供给企业方很多数据，他们可以利用这些数据做出相应的产品，比如亚利桑那州立大学那个系统还加入了游戏化的元素。

Q：推荐系统核心的机制，或者说变量是什么。如果我是一个用户随机的选择了一个答案，他就会给我做相关的推荐？那这样系统的可信度会不会有疑问？还是说需要一定的时间来让系统越来越准确？

A：就看你对这个题目的自信度的水平。有些题学生猜很容易猜得，如果是前面说的带步骤的区分度很高的，系统的自信度就会很高。所以说那种情况下，系统有可能会给你一些系统更自信的问题，有更高区分度的问题来确认你是否真正理解。找到这个平衡，给你提供教学，更好的明白你什么懂什么不懂。

明天会发布下篇《作为自适应学习平台Knewton的系统是怎么运作的？》，欢迎继续关注。

【推荐阅读】

【Knewton适应性学习研究】推荐原理+知识图谱+连续适应性+大数据

【Knewton】“Connecting The World”活动跟踪报道之二