图1 使用Goal Net为《人机交互导论》课程建立学习路径。图中所示的软件由拥有版权的作者创建。

同时使用微型MOOC和学习路径构建工具（可以是Goal Net，也可以是其他类似工具，如Belief-Desire-Intention（BDI）模型），教师就可以迅速建立起一套包括细分学习内容和活动的通用教学大纲，并可以灵活更新这套大纲。对于主题之间依存性不强的课程，可以将学习路径构建工具开放给MOOC学习者使用，以便他们个性化自己的学习路径。这不仅有助于学生在课程期间追踪自己的个性学习路径，而且这么做本身也会形成一种知识表示的格式，能够以机器可理解的方式来记录各种不同的学习路径。当我们用机器学习去分析这些个性学习路径、学生的背景信息、学习成果（这些信息在现有的MOOC平台上已有记录）之间的相关性时，我们设想出的这一机制或许可以向教育研究人员提供反馈，指导他们去为不同背景的学生制定各门课程的个性化学习方案。随着时间的推移，这种机制还可以帮助MOOC教育者探知出哪些学习路径能够产生理想的学习成果，据此优化不同课程的学习轨迹。（或许还可以借助其他技术，如行为表型分析和迁移学习*。）

（*译者注：迁移学习是机器学习领域的一个术语，指将已训练好的模型参数迁移到新的模型中，帮助新模型训练，从而优化新模型的学习效率。）

然而，要实现这一愿景，仍有不少重大挑战亟待克服。最关键的一点是，“学习成果”通常难以定义、难以测量。（比如，考试分数高是否能说明学习成果好？）如果学习成果的目标函数没有合适的定义，那么机器学习方法将无法计算出个人学习路径的优化解。此外，由于目前可用的学习行为数据主要来自完成了MOOC的学生，因此，用这些数据训练出来的AI模型可能会更偏向那些表现好的学习者。所以尚需进行更多的研究，以便充分理解这种可能出现的偏见会在多大程度上影响学习者。

如何评估在线学习所获得的个人技能？

可以说，目前MOOC平台的设施旨在帮助学生更有效率地“学习事实”，而非“获取技能”。这种设计适用于以知识（包括事实、理论和公式）为重点的课程。对于这种类型的课程，课堂小测和考试的分数可以客观地评估学生的学习成果。然而，有些课程强调的是技能（即知识的应用）。对于学生需要掌握技能的课程，MOOC平台现有的内容传递和评估机制就不那么适用了。规则框架是围绕学生在学习任务中的表现所制定的，这在一定程度上可以反映学生的学习技巧，但并不是全部。课程教师和学生之间的交互、上同一门课程的学生之间的互动，都可以生成复杂的行为数据，用于分析学生的学习技能（例：21世纪的学习技能，如团体合作、时间管理和批判性思维）。分析结果可以补足基于小测/考试的评估结果，以支持智能干预机制的运行（例如给出实时提示或反馈），或提醒课程教师注意学生在某些学习技能方面的弱点。

图源：unsplash

目前，MOOC平台为教学设计者提供了几种工具，使他们可以在课程里加入与学生的互动环节。这些工具通常包括讨论版、实时聊天窗、小组教室和项目学习。但是，运行这类互动环节需要时间和精力，这对于学生基数庞大的MOOC来说并不可行。还有一些手段可以帮助MOOC教师关注到尽可能多的学生，比如社区助教（Teaching assistant，TA）的参与、同伴评估工具、精心设计的详尽规则（包括对特定内容的反馈和视频反馈）等等。然而，这些互动产生的数据尚未能得到系统收集和管理，暂时无法帮助评估学习技能。

此外，由于要在MOOC中运用哪些互动技术是由课程教师决定的，因此不同课程使用的互动技术也不相同。目前，关于MOOC学习者互动行为的数据并不多。虽然生成对抗网络*等AI技术可以分析少量真实训练数据的统计学分布状态，合成人工训练数据，缓解在模式识别任务中数据不足的问题，但如果凭借为数不多的学习行为数据来训练AI，那么由此生成的数据仍有可能无法与现实完全吻合。

（*译者注：生成对抗网络（Generative Adversarial Network）是机器学习中的一种非监督式学习的方法，通过让两个神经网络相互博弈的方式进行学习。）

由于使用的数据来源于MOOC平台现阶段可用的交互机制，目前，基于机器学习的学习者评估技术所反映的，主要是学生如何与课程交互，而不是学生如何从课程中学习。如果学习者积极使用论坛，则可以运用新兴的主题建模机器学习法，从论坛讨论数据来推断学习者的态度、能力和潜在的技能水平。因此，为学习者创造更多交互机会、让他们展示各种学习技能，将有助于生成AI所需的数据，从而准确评估学习者的技能。

如何用更加AI的方式推动MOOC教学实现个性化？

AI可以增强MOOC学习者的互动，同时生成非常有用的学习行为数据，并通过两种主要方式来促进学习技能的分析。一种是通过优化社区助教的工作量分配，激励人员积极性，促进在线学习者的线下学习效果；一种是通过“虚拟学习伙伴”（VLC）辅助教学。

线下、线上助教双管齐下，让MOOC更加个性化（图源：unsplash）

在MOOC中，社区助教经常会自愿参与。短期来看，应用AI技术可以借助随机优化，增幅并有效利用社区助教的集体生产力。在随机优化过程中，由数据驱动的算法管理可以优化工作的划分和调度。目前，社区助教的招聘规模较小（每门课程通常少于10人），主要任务是主持讨论。然而报告显示，约有五分之四的社区助教拒绝了再次就职的邀请。研究发现，社区助教人数少、留存率低的特点，限制了可以提供给MOOC学习者的交互和关注。在众包领域，基于随机优化并由数据驱动的算法管理方法，已被用于将工作动态地划分给工人，以便公平分配工作量，并实现超线性*的集体生产力，安排休息，调整激励措施，以在博弈论的基础上鼓励工人参与。如果MOOC平台能引进机制，再让与助教互动过的学习者为助教的表现评级，那么这些方法就可以在MOOC中得到应用，扩大社区助教的参与，使社区助教的集体付出更有实际成效。

（*译者注：超线性表示量与量之间的一种变化关系，例如y=a b*xn（n>1）。存在超线性关系的两个变量中，因变量的变化速率会随着自变量的增大而增大。）

长期来看，要借助AI解决大规模互动学习体验的问题，VLC或许是一种可能的方案。目前，在乔治亚理工学院开设的MOOC课程《基于知识的人工智能》上，就有一名由IBM Watson平台构建的AI助教Jill Watson在回答学生的问题。

虚拟助教Jill Watson；在IBM的的超级电脑沃森平台上运行（图源：乔治亚理工官网）

为了提供可信的互动，VLC需要具备类似人类的特征。研究者在虚拟世界的学习环境中创造出了一名充满好奇的伙伴，来为学习者提供个性化的指导。通过监控学习者的进度，这名好奇的伙伴会识别出哪些学习内容能引起学习者的好奇心，从而保持学习者的兴趣。研究者还创造出了一名记忆伙伴，帮助学习者处理海量的知识。模拟人类从记忆中组织和回忆信息的方式，记忆伴侣会实时帮助学习者回想，有哪些最近学到的知识是与当前学习任务有关联的。为了避免学习者的过度依赖，记忆伙伴与学习者互动的方式是给出一连串越来越明显的提示。还有一名可受教育的学习伙伴，“贝蒂的大脑”，已经被证明可以帮助学习者巩固知识。

借由教中学、议论式学习等教学理论，VLC可以促进讨论、引导反思，从而帮助学习者将所学知识组织连贯。学习者与VLC的互动还可以生成学习行为数据，促进对学习技能的分析。由于VLC原本就是智能的用户界面，它们也可以进行干预，根据分析结果帮助单个学习者提高自身的学习技能。

作为软件代理，VLC可以解决MOOC中的大规模应用问题。然而，出于两条重要的原因，我们认为VLC现在尚不完善。首先，为了有效地促进学生学习复杂的主题，而不仅仅是促进学生回答问题，VLC需要能够进行有意义的对话（包括语音对话和文字对话）。但是，要教会机器像人类一样交谈，比原本的预期要困难百倍。在一场典型的对话中，一方会向另一方发出熟知的信号，以此开始对话。对话双方会共同努力，在共同理解对话主题的基础上构建意义，并不断回放对方所说的内容，与对方最初的意图作对比，来检查对话是否还在正题上。现今，AI对话互动仍旧是有待研究的一大挑战。