最近这些年，“在线教育”得到疾速发展，就市场规模，全球、中国都呈现分明提高，并且去年的疫情也加速了疾速发展的趋向。去年全球有12亿先生转到“在线形式”，并且中国就占到了总人数的近1/3。“在线教育”得到了大众的广泛关注。
本期AI TIME PhD直播间，我们有幸约请到了来自清华大学经济管理学院管文迷信与工程系博士李涛，为大家分享他的研讨工作——在线教育中的智能学习策略设计。
李涛：清华大学经济管理学院管文迷信与工程系博士，导师为徐心教授。李涛即将加入中国迷信技术大学管理学院担任特任副教授。研讨兴味：在线教育，游戏化，社交引荐，信息设计。多篇论文发表在国际信息系统年会（ICIS）, 美国经济学年会(AEA)，实验设计与分析大会（DAE）等国际会议，并曾获国际信息系统年会“在线教育范畴“最佳先生论文奖。目前工作论文正在包括Management Science和MIS Quarterly在内的期刊评审中。
为什么“在线教育”会遭到如此大的关注？由于“在线教育”改变了教育资源分配。传统的教育资源是经过层层挑选，在对应层级停止分配，这样重点学校的先生就享遭到更为优质的教学资源。而“在线教育”可以使教育资源的分配愈加均等，每一个先生都可以以相反的机会去享用优质专业的教育资源。
那么“在线教育”是不是万能的，没有其他成绩呢？其实即便在“在线教育”时代，我们异样面临着新的应战，由于仅仅提供优质的教育资源并不意味着可以达到更好的学习效果，在线学习者往往愈加缺乏约束，比如先生可以选择能否参与“在线学习”，选择用何种方式运用。比如，一个极端的例子，先生在一些平台中可以选择直接抄答案（虽然先生清楚这么做就丧失了“在线教育”的部分意义）。因此这种“在线教育”平台，往往只能让一部分人获得最佳学习效果，甚至只能让基础比较好的那部分人获得最佳学习效果，进而使得先生之间的两极分化越来越分明。
如今“在线教育”资源丰富，平台众多，为我们提供了非常详细的“在线教育”数据，并且也为“在线教育”范畴的深化合作提供了新的能够。与此同时，越来越多的人工智能技术逐渐发展成熟，我们可以应用这些技术和“在线教育”的大数据结合，对“在线教育”策略停止优化，以提高在线学习效率，比如，将在线学习数据和用于分析的机器学习技术结合，经过在线学习数据检测出先生的知识薄弱环节，针对先生薄弱项推送标题，停止个性化反馈，让先生可以有针对性的补偿其知识薄弱环节。
个性化反馈是智能教育的最重要的特质之一。依托人工智能技术，智能教育系统可以实时辨认先生当前的薄弱知识点，并有针对性地提供个性化练习，从而避免糜费工夫在已掌握的学习内容中，完成因材施教。为提高在线学习效率，本文对个性化反馈的知识点数目与知识点的结构停止优化。详细而言，本文将人工智能技术（知识图、隐式马尔科夫模型等）和教育学实际（认知负荷实际、交错学习策略）相结合，提出了一种愈加高效的学习策略：基于知识图的交错学习策略。
目前在线学习系统往往采用非交错学习（专题练习）方式：对一个薄弱知识点停止反复练习，直到掌握后，再切换到下一个知识点。但是，近些年，教育学更推崇同时学习多个知识点的交错练习。基于认知负荷实际，本研讨分析了交错练习对学习成绩的影响，以及这种影响如何随学习者类型（即弱学习者与强学习者）以及交错知识点之间的相关性而变化。我们设计和完成了三种不同的个性化反馈序列：非交错，交错和相关交错，并在一所中学停止了为期两个月的实地实验。
如下图所示，我们用知识图展现了三种不同的反馈序列。暗影部分表示先生当前的薄弱知识点，旁边的数字代表先生对该知识点的薄弱程度。非交错序列中，先生反复练习一个最薄弱的知识点；交错序列中，先生同时练习三个薄弱知识点；相关交错序列中，先生同时练习三个薄弱且在知识图上互相关联的知识点。
结果表明，基于知识图的交错学习序列，既可以提高先生的全体学习效果，提高了有效性，又可以协助基础薄弱的先生减少学习差距，降低两极分化，促进了公平性。本文经过知识点数量角度（交错学习 V.S. 非交错学习），以及知识点结构角度（能否融入知识图）来调整内在认知负荷程度，从而对个性化反馈在知识点层面停止了优化。 |
