造就Talk｜ 董飞：未来每个人的教育都是AI设定的

在美国乔治亚理工大学，同学们喜欢在网上向老师提问，到了毕业季，老师们都变得很忙，同学的问题无法得到解答。

但是今年，该大学引入了一位新的老师，他的回复效率非常高，可以说是秒回，甚至有同学在晚上12点去提问，他也可以为你解答。

大家都觉得他特别敬业，把他评为优秀老师。

这时IBM宣布，这是他们跟校方一起开发的Watson机器人助教，这就是机器人去辅助教学，提升教育质量的一个案例。

我想，随着技术的日新月异，我们也推动着教育产生一些新的可能。它可以推翻传统封闭的课堂模式，就像阿拉丁神灯一样，我们可以去实现以前想都不敢想的愿望。

你可以随时随地进入一所世界一流的高校，去选修你想学的课程，你可以去量身定制个性化的学习，自由分配你的学习进度，你可以去通过各种感官做体验式的学习，去进行人机交互，最后实现终身教育。

这里要提到一个名为MOOC的大规模开放式在线课堂，它正推动着教育闭环的优化（编者注：2016年），或许很多朋友对它有一定了解，但也存在一些质疑。

我们来看这张图，MOOC是一个用户漏斗模型，它的平台上已经累积了几百万学习用户，但是它的转化率却非常低，或者说学习的课程完成率很低，但这就能证明它没有前途吗？

我想，答案是否定的。MOOC的目的不是要取代大学，而是希望从一个传统的教学模式，转化为一个全新的，以学生为主体的教学模式。

每个学生都有自己的，兴趣、爱好、职业目标，MOOC根据这些去打造一个独有的学习模型，而学校老师需要做的，就是根据这个学习模型去推出一系列个性化的教学课程。

怎样通过数据的手段，去思考以及改进我们的教学方法和内容？首先，先抛一个问题。

两个同样在数学考试中得了90分的考生，他们的能力是完全一样的吗？

一些传统的教育模型认为分数一样，能力也一样。其实我们可以通过大数据去细致地的分析、比较他们的不同。

同学A可能擅长于逻辑思维，而同学B的逻辑思维能力欠缺，但他的记忆力超强，同样可以取得好的成绩。

那么，我们就可以针对同学B做一些训练，数据怎么去改进我们的教育跟学习？

第一，数据可以去追踪学习者的误区。在以前的课堂中，老师经常问“做错的同学请举手”，如果这道题只有两位做错的同学，老师就过了去看下一题。

老师认为，一个课堂上只有两个人出错，说明这个问题可能并不那么显著。

但事实上，如果我们把它放大到一个单独的课程当中，这个比例就显著了。这时，老师应该停下来思考，为什么他会在这个问题上出错？

是不是可以把自己的教育方式做的更好一点，把答案讲的更清楚一点？

第二。数据可以做自动化教改和认证。我们把数据分成两种，一种是结构化数据，还有一种是非结构化数据。

结构化数据就是我们的客观题，它有一些固定的选项及客观的答案。而非结构化数据就是主观题，像作文、问答题之类，没有一些固定答案。

那怎么把老师从海量的作文批改中解放出来？我们使用了学生互评的方式，随着数据量的提升和多方校对我们发现学生互评的分数跟老师的评分基本维持在一条直线上，这就意味着误差率较低。

那怎样防止网络作弊的呢？首先让每个学习者打开摄像头做一个人脸识别匹配保证是真人在参与，另外通过比较每一个学生敲键盘时的细微差别将这个特征提取出来作成电子签名。

第三数据可以做热门课程的推荐。

这里列了A（机器学习）B（设计思维）C（社会心理学）D（金融市场）四门课，你觉得哪门课最热门？

可能大家觉得热门的应该是金融，但是我告诉大家答案是C，就是说经过我们教育平台的数据统计分析，最热门的、或者说学生注册数最多的是人文课程。

这项技术还可以用于解决职业缺口，随着人工智能、手势识别、物联网等新技术的开发，这些技术肯定会去改变和定义未来人类的分工。

麦肯锡有个研究报告称，未来社会需要许多高技能的人才。怎么去学习这些高技能？怎么从之前的学习领域走向工作范畴？

LinkedIn是一个职场社交网站，我之前也在那边做一些数据研发的工作，它通过挖掘海量的数据提取出相关职位需要的技能信息，做出一些热门的技能列表。

比如最热门的技能（编者注：2016年）排第一的是云计算和分布式计算。

那么什么是学习路径？我的理解是根据你的学习测评，为你量身打造一个知识能力体系。

这背后有一个强大的检索引擎帮助你去做个性化的推荐，除了学习路径的推荐它还可以给我们推荐工作。

LinkedIn的目标是想连接全球的职业人士，现在已经采集了上亿的用户画像还包括每天产生的上百亿新闻、知识，它再通过预测、聚类、相关性挖掘等去为每个用户推荐他最感兴趣的人、公司和新闻等信息，最后就打造成一个“经济图谱”。 

LinkedIn会为每个个体创造出可在全球范围内流动的经济机会实现经济的全球化，除了推荐工作还会推荐学校跟专业，LinkedIn现在采集了上百万名学生的学习数据，然后通过那些数据去做一些精准的匹配，告诉你适合哪些大学跟专业。

比如你输入Duke University（杜克大学），你可以看到很多杜克大学的毕业生。有些在IBM或者谷歌工作页面的右侧，会显示出一些知名校友，以及你可能联系到的校友。

总之我们可以通过这些智能算法去完成学习路径、工作路径的推荐。教育的下一步到底是什么？

《美国队长2》中提过的“洞察计划”，所谓洞察计划就是根据一个人以往累积的大量数据，去预测这个人会不会犯罪，这也可以被延伸到教育领域的。

有一家叫Knewton的大数据公司已经在这么做了，Knewton公司采集了上千万学习者的课程数据，你可以在里面清晰的看到每个学生的成绩及出勤率。

同时你还可以看到这个学校有哪些学生可能会辍学，或者看到对某个学生的成绩做的预示性分析，讲到这里大家可能也会思考一个问题：大数据会不会阻碍教育？我也给大家列了几个思考方向。

第一数据的泄露，你的隐私得不到保障。

第二永久性的档案，被保存的记录，可能会伴随你的一生。

我们可以想象一下有一个学生从小被标记成“捣蛋鬼”，那么他到了中学会不会还是那样呢？

第三信息的闭环，比如说我也经常收到一些像拍摄数据分析、Java网络编程等等学习课程推荐，但问题是我早就掌握了这些课程或者已经了解了70%-80%。

第四，这是最难回答的。

我们到底是该选择系统规划推荐的最优路径还是遵循自己内心的兴趣？

我们可以想象一下假如你从小生长在一个由机器帮你设计好一切的完美世界里，机器告诉你应该学什么，应该去哪个学校，应该找什么样的工作。你是会觉得衣食无忧有保障，还是会觉得失去了自我，没有任何独立的精神及趣味，系统推荐的最优路径，到底是教育的进化还是人性的悲哀？

到了这里我们回顾一下项目课程，它并没有像我们期待中那样去取代大学，但是我们不得不承认它提供了一些教育的多元化的可能性。 

LinkedIn还没有实现全球经济图谱的梦想，但它也在解决如何填补未来技能空缺的问题，也许我们过度期待了教育，但我们也不能低估正在向我们走近的，通过数据来驱动的教育。

如果非要让我去预测未来，我也很难去做一个精准的描述，这里想借鉴比尔盖茨描述未来技术规划的一段话。

他说：“We always overestimate the changethat will occur in the next two years and underestimate the change that will occur in the next ten. Don’t let yourself be lulled into inaction.”

“我们总是高估未来两年的变化，而却会低估未来十年的技术改变，但是我们不能因此而无所作为。"

也许我们对未来的规划跟预测是错误的，但是我想盖茨先生的这句话说的很好，我们要有所行动，因为预测未来最好的方式，就是去创造它。