图片来源：pixabay

今天是立春。立春是适合耕耘土壤，为播种做准备的好日子。一早，便收到好友爱知行的李子发来的文章《自适应学习的两种设计方案：知识点间和知识点内》，并希望我也来回应一发。我看了文章，有几点还是觉得值得探讨，便应了下来：“好，来一发。”

先说说，文中的几点。

（1）文中首先对将自适应分为两类：“知识点间”（between knowledge points）自适应和“知识点内”（within knowledge points）自适应。然后提到了它们与CAT(计算机辅助测试（Computerized Adaptive Testing）)的关系。明确了以下观点：

CAT的问题是，假设被试者能力不变，给定一个题库，是否存在一个测试路径，使得系统以最少的题量将学生能力估计到某个预先指定的熟练程度。因为CAT从根本假设上否定了通过练习进行学习（learning through practice）的可能性，因此使用IRT/CAT做推荐引擎的知识点内自适应学习产品都有一点“挂羊头卖狗肉”的嫌疑（但是知识点间自适应系统并不存在这个问题）。

个人认为，意识到必须区分传统的知识点，并分类为“知识点间”和“知识点内”是有进步的。当然，这开启了新的挑战。也就是后来JC（俊晨）提到的“知识点内自适应可以说是一个还有待进一步研究的领域。”

（2）顺着IRT的话题，进一步说下，IRT并非没有价值，只不过需要区分下以下几个概念。但目前，它的价值并没有被真正放对地方。

（3）为什么区分“知识点间”和“知识点内”是有意义的？

一开始讨论自适应的时候，大部分技术驱动的团队，并没有意识到这一点的重要性。他们大多copy国外的实践，也许是因为资本偏好国外成功模式的需求导致的。但是，中国式教育、考试，是真正的“中国式”的。中国学生要做的题，比国外同阶段教育所要做的题，难太多了！当然，即使是在美国，据说知识点间自适应的应用效果也不理想。也就是文中提到的：

“知识点间自适应”是一个在直觉上合理并且在技术上成熟的设计方案。今天我们在中国看到的自适应学习系统，大部分属于这个类别。然而，“知识点间自适应”系统在美国的实际使用中效果差强人意。

好了，说完了背景情报，说点干货，谈谈我对“自适应”的一些看法和认识：

一、当我们在说“自适应”的时候，我们在说啥？

从大众的角度，我觉得“自适应”其实就是在强调某种“智能”，希望机器能聪明、且自动化地为我们解决一些问题。从专业的角度来说，其实是希望在两种需要之间做平衡，即：“按需推送资源”和“按适应能力推送资源”，二者分别对应“按需教学”（学习者自主选择学习内容和节奏）和“适应性教学”（系统或教师为学习者选择学习内容和节奏）。

二、“自适应”跟“人工智能”有什么关系？    

蓝象营在16年的预测里，显然是重点强调了“人工智能”，当然“人工智能”确实很热。值得注意的是，自适应确实被放在了“智能化”里。虽然我不太认同2013年开启的题库项目，能算是“智能型”题库，好吧，你说叫初级阶段我也认了，暂且不议。原因在于，智能题库必须要以“希望机器能聪明、且自动化地为我们解决一些问题”为前提，而“传统基于知识点的智能题库”好像真的是啥问题都没解决。

说到“智能”有一段学习心理学的话还是非常值得一看的。

这段话有几个意思：

• （1）知识与语义的表征高度相关，涉及知识的话题，从语义记忆的角度来看，都会有“智能化”的需求；

• （2）反之，智能的话题本质上是语义的话题，而且是语义记忆的话题。

• （3）设计上应与“情景记忆”无关。

三、时下热门的“人工智能”将如何影响自适应？

2016年，人类已经被阿法狗打败了。所以“人工智能”热潮再创新高。但是绝大部分的观点基本都在吹嘘“大数据”和“深度学习”。它们很少谈到专家系统，很少谈到语义，但是这些话题是同等重要的。

2017年1月14日下午谷歌云首席科学家李飞飞今天在极客公园2017GIF大会上发表演讲《李飞飞:AI成长伴随不确定性》，就对这一些话题进行了强调。我总结一下这个部分李飞飞的核心观点其实是这样的：

1、深度学习，对于图片的识别目前已经没有什么问题，但是要让图片的意思被理解，进而进行有效的分类，目前还是很头疼的；

2、分类依据，其实是一种“知识”；所有的“知识”本质上都是语义的，所以也可以说“分类依据，其实是一种语义”；

3、目前，人工智能的话题，在语义方面解决得并不好。传统的NLP和专家系统其实都不是太灵，但它们是不可回避的话题，也是人工智能的核心话题。因此，如果人工智能的话题继续，我们就需要一些全新的思路来解决语义问题。这就不难理解为什么2016-11-30有篇文章《谷歌搜索也是拼了！为上马神经网络，百名 PhD人工处理数据》。

我回到我们文初提到的“知识点间”和“知识点内”相关的话题来衔接人工智能中语义的问题，我想起来的是耐格纳威斯基（澳）写的《人工智能智能系统指南》一书中的一副截图：

关于自适应的话题，我补充如下：

• 1、对于人工智能来说，对知识的标签进行人工的干预是必不可少的工作，国内知识工程专业，在北师大等一流高等学府是有开设的，但是其发展并不能满足当前实践的需要；

• 2、专家系统的传统思路，只是必要的部分，但并不意味着它们足以解决问题。

• 3、NLP的传统思路，为我们积累了大量词库集，但这些传统词集，如何更好地服务于“机器学习”也是一项重要的挑战。

• 4、并未被词集化的部分，可能需要的是“新的知识工程技术”，它们可能开始于对认知语言现象和语用现象的深刻洞察，而成功于找到能为AI服务埋单的场景。这里面，最重要的领域可能就是教育。

• 5、需要大量新技术、新知识的应用。我相信它们已经存在，只是还没有浮出水面。

末了，我想用IBM大中华区首席技术官、IBM中国研究院院长沈晓卫在《人工智能凶猛来袭！未来10年40﹪的企业或将消失》这篇讲话中的一句话来结尾，借以鼓舞那些像李子团队（爱知行）、像我们团队（图索教育）一样奋斗在创新第一线的伙伴们：人工智能它不是一个特定的技术，它是一个时代的开始，所以对非常多的行业和公司都会产生非常深刻的影响。我觉得一个公司是否存在取决于它是否拥抱变化。

一年之计在于春，让我们开始行动起来！

本文来自投稿，作者虾子摸象