熱點追蹤 / 深度探討/ 實地探訪 / 商務合作
前段時間由於疫情的關係，老師和學生們都在家裡上網課。除了視頻授課，老師也會通過文字或語音進行教學指導工作。你可曾想過那個對你語重心長講解知識點，在你快走神時突然來個段子，以及拿著小鞭子催你做作業的老師可能是個機器人？
這個場景已不再天馬行空，人工智慧正變得越來越真假難辨。截止目前為止，已有多個聊天機器人被判定成功通過了圖靈測試，而虛擬教師這個概念也早在幾十年前就已被提出。
教育界早有共識，由經驗豐富的老師進行一對一個性化輔導是最佳的教育方式，然而這種方式受限於高成本和高人力，很難大規模推廣（如圖）。
教學質量和商業效率是個悖論，好老師就那麼多，老師精力也有限，所以僅有少數家庭可以負擔的起一對一的輔導，這也涉及到了教育公平性的問題。
虛擬教師（以教育聊天機器人為代表）的出現恰恰可以解決這個問題：Ta可以同時教授成千上萬名的學生，可以隨時隨地回答學生的問題，還可以因材施教提供個性化輔導。除此之外，學生學習數據的積累，還可以反過來對教學本身提供建議與幫助（如圖）。
今天，矽谷洞察將詳解虛擬教師背後的技術，介紹全球4個頂尖的虛擬教師解決方案案例，以及分析整個行業在用戶體驗、商業模式方面的現狀和挑戰。
虛擬教師背後的技術是什麼？
第一個虛擬教師系統誕生於1960年，可以展示教學材料，問學生問題並即時反饋，但是因為程序是編死的，而且當時計算機也並不普遍，各方面成本都太高，所以僅僅是作為研發機構的項目。七八十年代，基於規則模型（rule-based）的對話和認知理論開始被應用於虛擬教師系統中，機器人已可以通過給學生提示，引導學生逐步解決問題。
規則模型指的是對話經過預定義的規則處理，根據規則生成文本來進行回復。打個比方，機器人問學生昨天學的什麼（0），學生說行星（0=行星），而機器人已經有了這個方面的規則，則會接下來展開針對性的對話：「那你可以告訴我0的定義嗎？」
基於這種模式，對話越複雜所要求的規則就越多，而且機器人並非真正理解學生的意圖，而是抓取學生對話中的關鍵詞，所以無法生成有意義的自然語言對話。在對話的走向上，大多數虛擬教師系統基於決策樹，所有的教學路徑都是被預設好，然後根據學生的學習表現走向不同的可能性。
隨後，檢索模型（Retrieval based）開始被應用於學生答疑和學生服務中。這個模型有點像搜索匹配：學生提問後，機器人在知識庫裡搜尋並選出最匹配的答案回答學生。
打個比方，學生說 「海水怎麼是鹹的呢」，機器人則會在庫裡檢索到最相似的問題「海水為什麼是鹹的」，從而給出該問題的答案。相似度分數的計算是技術重點，可以通過詞彙權重（同一個詞出現的頻率）、編輯距離（兩句話相差的字數）、分類與實體（判斷每句話的主題和關鍵詞）等方面來評定。
除了上述兩種模型，近些年比較熱門的生成模型（Generation-based）更為智能，它像一個翻譯機，但不是把一種語言翻譯成另一種語言，而是把學生說的話逐詞解碼，再逐詞翻譯成機器人的答覆（如圖）。然而因為過於靈活，輸出結果難以把控，有時會生成過於寬泛甚至無意義的答覆，所以在教育領域中的實際應用較少，僅僅是作為規則模型和檢索模型的補充。
相較於規則模型更多依賴於手工，檢索模型和生成模式可以利用機器學習和深度學習技術來降低人力成本。教育工作者寫好的回答集、真實場景下老師和學生的教學對話、人類和機器人之前的對話都是比較好的訓練數據。
另外，相較於使用手工的決策樹來引導對話的走向，機器學習中的強化學習（Reinforcement learning）和獎賞系統（ Rewarding system）可以通過計算學生達到目標的可能性的分數，自動引導學生走向那條最匹配的路徑，從而最有效地完成學習目標。
打個比方，當機器人問學生達文西的代表作是什麼？學生回答：巖間聖母。決策樹往往是預先設計好了分叉：正確的答案走向對話路徑A，錯誤的答案走向對話路徑B，不知道走向對話路徑C。而在獎賞系統裡，因為本次課程的教學目標是分析蒙娜麗莎的構圖，所以機器人會把可能的答覆進行打分排序，比如可能的答覆有「完全正確！你知道巖間聖母有兩副嗎？」，「完全正確！你還知道達文西其它的代表作嗎？」，「完全正確！不過達文西最最著名的畫還要屬蒙娜麗莎。」「答錯了，再試試看？給你個提示，是四個字。」最終根據分數，「完全正確！不過達文西最最著名的畫還要屬蒙娜麗莎。」因為可以引導學生到今日的主題-蒙娜麗莎的構圖，從而最好的實現教學目標，所以排名最高，對話管理器最終選擇了這個作為答覆。
圖片來自網絡
活躍在全球虛擬教師賽道上的，有科技巨頭，也有新生的初創公司。下面就讓筆者以IBM的Watson Tutor，矽谷人工智慧教育科技公司Cognii，挪威的教育公司EdTech Foundry的產品Differ，以及美國人工智慧教育初創公司DMAI的產品MAIA為例，來一展這個賽道上的領跑者所處的狀態。
應用|Watson Tutor
ibm.com/watson/education
虛擬教師Watson Tutor由IBM和教育機構Pearson強強聯手，通過認知技術打造。它可以以口語化的方式隨時隨地為學生提供幫助與建議，同時為老師提供一些數據分析，比如學生對每個知識點的掌握情況，有哪些興趣點、疑難點以及長短板，方便老師更好的管理和改進課程。
研究數據顯示，40%的美國公立學校的學生無法按時完成課業，而Watson Tutor為學生要麼順利完成課業，要麼放棄課業提供了一個中間選項。相較於以前學生可能因為不好意思或是太麻煩而未能向老師尋求幫助，Watson Tutor因為私密和方便的特點，可以最大化學生尋求幫助的可能。大學老師不會24小時全天候呆在每個學生身邊進行指導，而對於Watson Tutor，學生在閱讀學習資料時只需簡單地問一句：「Watson，你可以幫我解釋下這段話嗎？」
Watson Tutor主要有三個功能環節。診斷環節：機器人根據學生的回覆，以提示、反饋、解釋、和確認為普遍的概念錯誤這幾種方式來引導學生完成學習部分。答疑環節：機器人通過檢索模型（retrieval based）搜索相關信息和延展資料，來建立新知識和學生已掌握知識之間的關聯。最後的測試環節：通過向學生提問來評估學生對知識點的理解程度。
技術上，Watson Tutor基於DBT（virtual dialog-based tutor）系統，該系統有幾個核心因素：通過自然語言處理（NLP ）技術來解釋學生的意圖並作出合適的反饋；使用一種對話策略來保證學生的參與度和推動學習進展：通過對話狀態對學習者的能力進行建模，並決定如何開展對話可以更好地激發其學習興趣；最後是機器人的性格設計。
在對話策略的設計上，每組對話都有一個主要學習目標。每個學習目標由一個主要問題和幾個相關問題組成，主要問題包含多個提示。學生首先會接觸到學習目標中的主要問題，學生回答完畢後，虛擬教師會和相關答案進行比對，並根據不同的情況相應作出反應：如果學生部分沒答對，會提供一些提示；如果學生對該目標完全摸不著頭腦，則會引導學生去完成更低一級的學習目標；如果學生在更低一級目標的表現良好，可以重新返回到之前的目標。
在這個過程中，通過對學生情況的動態調整，Watson Tutor可以幫助學生更順利地掌握知識。一般一組對話是4-15輪（學生和機器人對話的一個來回算作一輪），有些情況下可能高達30-40輪。
Watson Tutor還向人類老師學習了一些軟技能，比如如何引發一場討論，如何促進學生思考，以及如何提供情感支持。除了知識點本身的傳授，這些軟技能讓學生感受到了更多的支持與關懷，從而更能願意表達，也更能接受虛擬老師的批評和指正。
下面，筆者將介紹來自3個頂尖初創公司的虛擬教師解決方案。以及分析整個行業在用戶體驗、商業模式方面的現狀和挑戰，同時從技術角度分析虛擬教師進一步發展的人才需求和挑戰。
打賞3元，即可查看全部內容。
並查看作者資料及聯繫方式