学堂在线管健：技术解决教育问题的路线在于交叉学科
11月14日，在芥末堆GET教育科技大会保利威“教育技术如何不被滥用”专场上，学堂在线副总裁管健做了主题为《规模化的个性化教育》的精彩分享。
在演讲中，管健认为通过引入互联网的技术，引入人工智能的技术，能够在一定条件下去实现规模化和个性化教育，但大数据不是万能的，不是纯粹的利用IT技术去解决所有问题。用IT技术解决教育问题的路线可能要在交叉学科。
以下是管健在保利威专场的演讲实录精选！
互联网技术带来的颠覆性变化
在线教育，把这个词拆开叫做“在线”跟“教育”两个事情。在线实际上体现了技术这一端的范畴，其实带来了两件事情：第一它通过连接我们有了互联网，有了大量的IT技术。通过国家的三通两平台的覆盖，通过电信运营商的建设，基本上能够把网络连接放到每一个村每一个乡镇。这个给我们带来的机遇就是优质的教育资源能够覆盖、触达到更加广泛的使用者。这样带来的结果是教育效率的提升，以前一个老师可能只能教一个小班40人，开一个大课两百人。现在我们通过互联网技术，应用直播可以实现10万人、百万的量级同时在线去看课程。这是互联网技术带来的一个颠覆性的变化。
另外一个要解决的问题是如何提升教学效果。人工智能技术的进展给我们看到了一点曙光。所以，通过引入互联网的技术，引入人工智能的技术，能够在一定条件下去实现规模化和个性化教育。
大数据并非是万能的
大数据真的是一个不可或缺技术吗？可能我的结论有一点点偏负面了。它未必是一个必须品，但是它带来了一种新的逻辑和新的机会。
我举一个例子，这是我们拥有的数据类型，一个在线教育平台最多的数无非就是这些：你选什么课，在视频上怎么看怎么跳，做题做的怎么样等等。我们的数据部门有一年招了一个实习生，技术非常好，编程水平非常好。来了以后说选个题目，当时产品经理想来想去说我们好多用户，注册完以后个人信息都不填或者随便填，你给做个用户画像，把他的年龄、性别、教育程度，你帮我找一找，能不能补全出来。听着像一个很正常的一个大数据技术的应用。
结果做出来的数大家可以看一看，猜性别大概猜对了59%，我们在测试题上，一男一女60%，比抛硬币稍微好一点。猜年龄更差，只猜到55，猜教育程度基本上跟抛硬币差不多。这就是我们拿大数据来做用户画像的结果。其实你回过头去看看这些数据，一个人选什么课跟他的性别有特别强的关联性吗？其实未必的！一个人看视频是喜欢跳来跳去看还是喜欢从头看到尾，跟他的年龄有多大关系吗？可能也未必。
其实我今天举的这个例子不是说大数据技术没用，但我们不要去神话它，什么东西上来就用大数据跑一遍，算法跑一遍都能跑出结果来这是神话。
但大数据也不是没用。比如做学生流失预测。在慕课学习里面一门课可能有16个学时、32个学时这么长，其实很多学生可能看了一两个学时以后就不来了，不看了。所以这里面有一个很大的问题是学生的流失。这个学生这周学了以后他的行为是这样的，他下周还来不来？这个学生来了三五周以后他能不能坚持到最后？我们拿来做这个问题。同样的数据同样的算法我们就做到了72%的效果。这个数还算不错了，而且我们在持续的改进，一直在研究流失预测这个问题，今年我们跟清华实验室合作还做了一篇AI，效果还是很好的。
技术可解决特定的问题
回过头来，教育技术或者纯粹的IT技术在在线教育的公司里能做什么？比方说很多数据的可视化，就是数据统计：有多少人选课，什么时候来选。把这些可视化做好了以后它能够给老师，给我们的学习者提供很好的决策支持。这是技术很重要的一点。
另外，我们同时也会去用一些通用的技术，比如，图像处理的技术、人脸识别的技术、环境识别等，去解决教育行业里面一些特定的问题。比方说在线监控。做出来的效果也不错。我们可以实现监测到：来考试的或来学习的这个人是不是注册的这个人？张三报的名是不是张三来考试？其次，考试的时候把房间周边的环境给拍下来，程序能够识别这个里面有没有一些可疑的不应该出现的动作和场景，我们能在不像高考要求高的条件下去实现一定程度的在线监考。
技术可以视频资源和学生知识结构做画像
真正的个性化的教育，是非常难的一个问题。几千年下来大家都追求个性化教育，因材施教。
我们也在做一些尝试。首先，我们要做的是基于知识图谱的资源和用户的组织，按照更细力度的知识点把它组织起来。最底层的技术我们认为应该是利用知识图谱。所以我们把用户以及用户跟资源的交互，通过底层的知识图谱给连接起来，给每一个资源做画像。比如，某一个20分钟的视频里面覆盖了哪些知识点？
另外一个就是对学生的知识结构去做一个画像。某个学生在哪一个知识点上强，哪一个知识点上弱，我们能够把它细化到知识点力度上去，给他做一个画像。基于这两者资源的画像和知识结构的画像使得我们能够去设计个性化的学习路径。这个是我们努力的方向。
其中的一个应用是我们能发现某一门课里面哪个知识点比较难，老师可能讲得不够细或者这个东西本身就特别难。另外是做智能的推荐。根据一个人的知识结构推送适合他学习的资源。效果比人工运营要好一点。点击率能够提高11%，点进这个课以后最终选了这门课的概率会提升5%。这算是一个不错的数字。
技术解决教育问题的路线在于交叉学科
刚才讲到的都是纯IT技术，不管是人工智能还是大数据。我个人是一个技术背景出身的，博士学位做的是机器学习。我是一个坚定的技术的信仰者，但还是审慎的认为技术离解决问题还有一段距离。不是纯粹的利用IT技术去解决所有问题，这是我们的基本思路。
我再举两个例子！
第一个是引用心理学的因素做智能推荐。我们跟心理学的专家合作做了这么一个形式的推荐，我们做了什么？我们把推荐背后的逻辑给可视化出来。比如，你今天选了一门英语听说的课，选完了我接下来你推一个跟它相似的课，比方说英语的读写，或者推一个相关的课，比方说英国文学的文化。或者根据你的社交网络去分析你的同班同学或者你关注的某一个学霸而推荐一门机械原理。
如果纯用智能算法去做无论如何不会因为你学了英语我去给你推机械原理的。背后的逻辑可能是你们老师在线下的某一个地方说了，这个班的同学你们学完英语去学机械原理，这个逻辑我发现不了。但是通过社交网络的分析也许能够给你作出这个推荐。
这个可视化推荐的效果最后测试下来，比我们没有可视化的推荐逻辑的效果要好非常非常多。
我举这个例子是想表达也许我们不用特别看重很先进的技术，但是通过其他交叉学科的引入也能更好的解决这些问题。
另外的一个例子是给学生测评、评语。毕业找工作时有些面试官会要求提供。但老师的精力是有限的，而且老师也需要长时间的跟你接触下来才能写出有针对性的评语，有针对性的推荐信。而单纯依靠机器做出的评语又没太大的参考性。所以我们结合教育学专家做了一个多维度的评估模型，把成绩之外的数据引进来去给一个人做评价，这是我们教育效果的报告，它就更倾向于给人一个全面的描画。这个就是我们做得一个尝试。
所以我今天要跟大家分享的内容就是这么多，总结起来可能一句话：纯的IT技术可能不能够容易的解决教育的问题，也许我们的路线可能要在交叉学科。
