去年我在新加坡参加第一届“亚洲教育科技峰会(EdTechxAsia)”，看到了很多最新的教育科技应用。当时我有感而发，写了一条朋友圈消息：

如果技术驱动的教育创新没有与教育公平相呼应，未来的世界将会变的更加分裂并固化：

一部分人接受的是用过时的教育方法灌输的过时的教育内容，未来只能从事高度流程化、低认知度的工作，从而深陷社会底层；

另一部分人则充分享受新的更加有效的学习体验，从事的是高认知度、高创造性的工作，从而稳居社会的高等阶层。

打破这种局面，教育领域的社会创业者们大有可为，也必须有所作为。”

转眼一年过去了，这几天我在伦敦参加第五届“欧洲教育科技峰会(EdTechxEurope)”。巧的是，今天在伦敦大学学院(UCL)举行的这场研讨会，主题为“人工智能(AI)与教育民主化”;而这个主题恰好和我去年的担忧有关。面对未来的教育者们，让我们一起来听听大家到底在讨论些什么吧。

什么是人工智能

1、上周伦敦一栋大楼着火，造成严重伤亡。现任首相Theresa May的应对举措很及时，但因为事发后拒绝前往现场慰问受灾居民，而被民众普遍批评“缺乏人道主义(lack of humanity)”那么我们究竟应该如何评价Theresa May(作为人)的智能(是否完备)?

2、AI看上去很聪明，但是它知道自己都知道些什么吗?

3、AI在未来会替代教师吗?

其实研究AI，“首先是智能，然后才是技术（intelligence first，tech later）

这是第一位分享者向在场听众提出的三个问题。第一个问题意在说明关于何谓“智能”，我们尚未有统一的观点，其内涵和外延都有很大弹性。人们现在一谈到人工智能AI，想到的就是具体的技术，”。

AI尚不具备自我意识（self-knowledge&self-awareness），这是AI系统的主要局限

第二个问题反映出的是。

未来，AI会变成TA（教学助手，TeachingAssistant），教育将会是人工智能和人类智能结合的工作

第三个问题是很多人都关心的，分享者的回答很明确：“不会。”。

“AI cannot understand itself，but it can help humans to understand themselves better”

大数据从哪里来？

很多人提到人工智能+教育，想到的就是在线教育。没错，在线教育天然地适合AI，而且学习者在网络上的操作也天然地就会生成大量的数据。不过，还有很多与学习有关的数据来自线下。

让我们想象一下10年后的教室会是什么样?

2027年的教室很有可能乍一看和现在没什么区别，不过细节决定一切。

仔细看看，教室的各处都有摄像头，每一张课桌上都有内置的微型麦克风，学生身上有各种可穿戴设备。它们不动声色地记录着学生的各种数据，很多数据是我们现在一般不太会想到与学习有关联的，或者想到了也难以有效搜集记录的。

比如：学生的眼球运动、面部表情、肢体动作、语音语调的变化、各项生理指标的变化、学习者的各种群体互动指标、学习者与不同学习材料/学习设备的接触情况……

这些数据会得到实时的分析，并在教师手上的设备中以不同的可视化方式有效呈现。

每个学生也会有自己特定的学习界面，AI会根据他们的学习习惯和搜集到的数据来调整学习内容、方式和进度，并对学生的学习行为给予相应的反馈。

与通常的想象不同，这间未来的教室里未必会有一个机器人来当助教。AI的形式可以多种多样，甚至根本不必具有什么特定的外在形式。

人工智能在PBL上的应用

以项目为基础的学习方式（Project-based Learning，PBL）正在变得越来越流行，今天有一个分享主题专门探讨了AI在此方面的应用。

分享者的逻辑非常清晰：

1、面向未来的学习更加强调技能，而非知识

2、PBL是一种非常有助于培养学习者技能的学习方式

然而，实证研究表明，很多类似PBL这样的小组学习(Group Learning)在学习效果上并没有比传统的学习方式更好。

主要的原因是：相比传统的标准化的教学方式，PBL这样的响应式学习对教师的要求更高，教师的工作负担更重，教师面对的教学情况和学生的个性需求非常复杂而多样，难以应对，反而导致教学质量下降。

下面这幅小组学习的实景照片很能说明问题。

课堂上的这位老师正在低头和一位学生交流，他看不到教室的一边有一位学生正在举手求助;同时在教室的另一边，两名学生已经完全不知所措。

PBL这样的学习方式要想真正发挥应有的作用，不仅仅是一个学习形式的改变，也不是仅仅按照PBL的步骤来设计课程，还需要对每一位学习者和每一个学习小组有合适的监测和适时的指导，并对学习过程和学习成果做出有效评估。这正是人工智能可以做贡献的地方。

随着技术的发展，PBL过程中的很多数据都可以很便捷地搜集分析。比如小组各成员脸部间的平均距离、学生手部移动的平均速度、学生从网络上获取的学习资源的数量和内容分析……通过对这些数据进行分析，可以生成很多关于学习的洞察，便于教师及时提供学习指导和支持。

分享者举了一个例子，安装在学生身上的传感器记录了两位学生在一个PBL课程上移动的轨迹，可以清楚地看到两人在交互行为上的差异(主要和谁/什么发生交互，以及交互的频率和时间段)，通过比较两人最终的学习成果，可以分析怎样的交互行为和怎样的学习环境设计会更有利于提升学习者的学习效果。

：“这个好像精益生产中的一个工具，叫‘意大利面图’。蹲一个人观察两到三个人的运动轨迹，通常搞一轮下来大家都要崩溃，但效果很好。生产力可以提高20-30%。现在有了AI，用在教育领域应该会有更多发现，很期待。未来真实不敢想象。”

(我把现场拍摄的这幅照片发到了“2017群岛加速器大本营”微信群里，一位小岛反馈说

没错，这个例子确实很像是精益生产里的运动轨迹分析和车间布局设计。

这位小岛的反馈其实提醒我们，对很多PBL的实践者来说，现在可能还没有条件用上AI，但是仍然有必要思考应该监测那些指标，哪怕用录像和人为观察记录的方式也可以去做一些监测。这么做当然不像AI那么精细缜密，但比不做肯定要强。想起前不久“群岛社会化学习城市论坛”巡回公映的纪录片《Most Likely to Succeed》中，HTH这所创新学校在进行PBL教学时，老师对学生的学习过程也是要保持密切地观察记录评估的。)

情绪：被忽视的学习数据

现在市面上已经有了不少所谓应用了人工智能的教育类产品，比如根据学生的答题结果来推送学习材料或者练习题。

这些产品美其名曰：“自适应式学习产品”。不过细细想来，这种产品适应的是学习者对知识技能的掌握情况，或者更高级一点的，还可以分析并适应学习者的认知情况。是人，就意味着有心理和生理的各种状况，这些状况对学习者的学习体验和学习成果都会产生影响。现有的数据监测往往忽略了这些信息，特别是学习者的情绪状态。即便有些监测数据已经包括了学习者的眼球运动这样的行为信息，但仍然主要是为了判断学习者对学习内容的关注度，而非学习者自身的情绪反应。

有一位分享者说了一句我印象深刻的话：“我感觉，故我学习（I feel，therefor I learn）。”

真正的自适应类学习产品必须包括对“学习场景”的深刻理解，以及学习者即时的情绪体验的洞察和反馈，由此才可能带给学习者有效的可持续的学习体验。

在群岛的产品设计课程里，反复强调好的用户体验要关注三个与“情”有关的维度：情境、情绪、情感，其实就是这个意思。

这让我想起2014年去卡塔尔参加“世界教育创新峰会(WISE)”时，一个分论坛就是关于大数据在教学上的应用。其中一位分享嘉宾指出：“教育是复杂性(complex)问题，大数据不足以准确分析，比如大数据无法告诉你一个学生今天表现不佳是因为没吃早饭。”是啊，一个学生学习成绩不佳，或许不是因为没有理解知识点，而是因为刚刚被同学霸凌了，或者父母吵架了，或者对这部分学习内容感觉厌烦。

一位分享者举了一个例子来展示自适应式的学习产品，如何把学习者的情绪纳入考量。

AI很可能会在学习过程中对学习者做出这样的反馈：“你看起来好像有点焦虑?”这个问题有可能是根据算法得出的结论(注意：AI还远远不具备感知情绪的能力)，但更有可能只是为了激发学习者的某种反馈。学习者可能会回答：“是啊，这几道题目真的太难了。”或者，“不是的，我只是有点饿了。”这些反馈会成为AI的输入，引发进一步相应的输出。虽然这个过程是如何实现的，还是它只是一个未来场景，分享者没有细说，但是毫无疑问，人工智能在应用于教育时，将会越来越重视和作用于学习者的情绪体验。

真正的自适应类学习产品必须包括对“学习场景”的深刻理解，以及学习者即时的情绪体验的洞察和反馈，由此才可能带给学习者有效的可持续的学习体验。

在群岛的产品设计课程里，反复强调好的用户体验要关注三个与“情”有关的维度：情境、情绪、情感，其实就是这个意思。

说了这么多，AI到底和教育民主化有什么关系？

有一位分享者认为教育民主化包括三个部分：

1、每个人都有平等的权利接受优质的教育；（这可能也是大多数人首先想到的）

2、尊重多样性：学习者特质不同、学习方式和学习进度多元；（真正的因材施教和自适应式学习）

3、Impact of education on how school leavers usetheir education to control their environment。（这句话我把英文原文写在这里，是因为我也没理解是什么意思。尤其是分享者口中的“school leaver”是指从学校里毕业的人，但是在一个终身学习的时代，这个身份有什么意义呢？）

第一位分享者谈到了为什么人工智能会有利于教育民主化，她认为有三点原因：

1、能够增加学习者的“自我效能（self-efficacy）”：

这个术语说的通俗一点，就是一个人对于运用所掌握的能力去实现自己的目标感到很有信心。因为学习过程变得更加清晰、自己的学业进步变得更加明确可视，学习者于是对学习的过程以及应用学到的技能变得更有信心。

2、根除标准化的考试形式，使学习测评变得更加丰富多元，更能适应学习者的不同个性，对不同的学习方式和学习经历也更有可能获得评估和认可。

关于这一点，我在今年初写过一篇文章《开放数字徽章：推动一场“社会化学习”的革命》，也谈到了同样的问题。

另外，分享者讲到了一个学习和评估的可能性：面向未来的学习强调技能的掌握，而对技能最好的评估是实践应用。未来，有可能通过监测真实工作环境中技能应用时的各种数据，用这些数据来指导技能的教学并进行教学成果评估。

3、解放教师，使人人都可以有一个个性化的导师。

根据OECD的预测，到2030年，全球范围内面临高达6千9百万的教师缺口。如何弥补?仅靠增加教师数量是远远不够的。人工智能的应用使现有的教师得以从繁重的工作中解放出来，从事更有价值的个性化学习指导的工作。

总体来说，这些分享者普遍对人工智能在教育领域的应用前景以及对教育民主化的影响抱有非常乐观态度。长远来看，AI的应用会大幅降低教学成本，提高教育质量，并有助于将高质量的教育惠及更多人。但显而易见，这个过程并不会顺利的乃至天然的发生。

几位分享者都提到，各个利益相关方需要围绕“AI+教育”展开更多的对话，既要为AI祛魅，也不要恐惧AI在教育领域的应用，才能更好地借助人工智能来推动教育的变化。