ballbet

新闻动态

Artificial Intelligence in Higher Education

来源:

时间:2020-11-12

前言

随着互联网、大数据、云计算和物联网等技术不断发展,人工 智能正引发可产生链式反应的科学突破,引领新一轮科技革命和产 业变革,利用人工智能技术支撑人才培养模式的创新、教学方法的 改革、教育治理能力的提升,是实现教育现代化不可或缺的动力和 支撑。“人工智能+教育”已成为一种趋势,美国高等教育信息化 协会(EDUCAUSE)在其网站上刊登的《高等教育中的人工智能: 应用、前景与风险以及道德问题》梳理了智能教育在美国高校领域 的发展以及带来的挑战。

什么是人工智能

  当人们想到人工智能时,往往想到的是电影《终结者》,但是 当今的人工智能还远远没有达到机器能够自主执行各种任务的地 步。事实上,当今的人工智能不是通用智能,而是狭义的,更具体 一点,它是针对特定任务的程序。

  广义上,人工智能指试图创造出能够完成以前只能通过人类认 知才能完成任务的机器。在上一波人工智能热潮中,技术专家们试 图通过将大量的规则编程到计算机中,来模仿人类的知识。今天的 人工智能则是以机器学习为基础,在海量数据中寻找模式,即人类 无法立即直观理解的相关关系,然后利用这些模式做出决策。

  机器学习已经被应用到生活的方方面面,促进翻译和语音识别 更加精准,制作具有面部识别功能的视觉数字工具,智能推荐书籍 或者歌曲,而高校也正在使用其来塑造学生的学业轨迹。 2019 年《华尔街日报》发表过一篇文章,标题很有煽动性,"高 校对申请者的数据进行挖掘",这篇文章讨论了高校如何利用机器学 习来推断潜在学生对就读院校的兴趣程度。复杂的分析系统通过跟 踪学生与院校网站、社交媒体帖子和电子邮件的互动,计算出个人 的 "兴趣"。例如,监控收件人打开电子邮件的速度,以及他们是否 点击了包含的链接,有些系统甚至汇集了每个学生的数千个数据 点,高校利用这些数据来决定联系哪些学生,以及评估招生申请。

应用
上图总结了目前人工智能在高等教育中的不同类型的应用。首 先,如上文所说,高校越来越多地依赖算法来向潜在学生进行营 销,估计班级人数,规划课程,以及分配资源等。

  此外,学生支持类应用越来越普遍,高校通过应用帮助学生自 动安排课程的学习量,以及推荐课程、专业或职业道路,一定程度 上替代了辅导员或职业服务办公室的职能。这些应用参考具有类似 数据特征的学生在过去的表现进行相应推荐。

  例如,对于那些在化 学方面有困难的学生,应用会引导他们远离医学专业。 人工智能在学生支持中应用的第二个领域是经济援助。高等教 育机构可以使用学生数据为支撑为他们提供小额贷款或垫款,让他 们不因财务问题退学。 学生支持中第三个应用领域是早期预警系统,通过分析大量的 数据,包括学业、非学业以及日常行为等方面的数据,识别不能完 成学业、辍学或有心理健康问题的学生。这种特殊的应用显示了 AI 的真正优势,即结合大数据让高校更全面地了解学生的状态。传统 上,高校可能会使用一些简单数据,例如 GPA 或出勤率来评估学 生,而AI 软件系统通过使用更精细化的信息,对学生的风险进行实 时评估。这些系统整合各类信息,例如学生何时不再去食堂吃午 饭,是否去图书馆或体育馆,以及何时使用学校其他服务的数据。 然而,这些系统提高学生成功率的同时,也引起了人们对学生隐私 和自主性的重要关注。

  最后,人工智能在教学中的应用也日渐突出。教育软件会评估 学生的进度,并自动帮助学生定制不同的学习路径,或者根据学生 所犯的特定错误提供额外的复习资料。教学研究人员可以通过观察 哪些教学方法、课程或干预措施对哪些类型的学生最有效,从而将 这些方法长期使用。

前景与风险

      人工智能的应用前景在于其效率与效果。与人类相比,人工智能可以实时捕捉更多、颗粒度更细的数据,可以同时分析大量学生,无论这些学生是在一个教室里,还是在一个特定群体中,可以以极快的速度和最小的成本提供出色的推理。这些效率的提高,使教学、学习、机构决策和辅导更加有效。因此,鉴于人类认知的局 限性,以及同时处理众多学生不同变量的困难,人工智能极具前 景。

      基于以上优点,人工智能也被认为是促进教育公平的有效途径。随着系统效率的提高,更多的学生将获得更多优质教育机会, 从而缩小成绩差距。同时更广泛地利用人工智能,有助于探索对待不同学生最有效的方法,促进教学方法的改进。
      当然,人工智能的应用也有其风险性。尽管开发和使用这些系 统的人的初衷是好的,但也会出现一些意想不到的不良后果,甚至 可能适得其反。为了规避风险,应该考虑以下影响因素。 首先要考虑的因素是人工智能所利用的数据,这些数据的质量可能参差不齐,可能是旧的、过时的,或者这些数据可能集中在一个与目标学生不一致的人群子集中。例如,针对加州某类高校学生 进行训练的AI 学习系统,在其他地方可能不会产生相同的结果或反映出相同的准确性。另一个数据方面的问题是关于数据的全面性,数据是否包含了各种学生的信息。例如最近在人脸识别方面有很多 关于这个问题的讨论。

      研究表明,在很多面部识别系统都是利用专有数据或企业员工内部数据开发的,相较于浅色皮肤的女性或深色 皮肤的男性,这些系统对浅色皮肤的男性的识别准确度要高得多。 其次要考虑的是利用这些数据建立的模型同样面临着准确性的问题。人工智能模型的意义在于找出出不那么直观的相关性和模 式,要区分哪些相关性和模式是准确的,哪些只是噪音,是相当困 难的。模型基于一定的算法,而算法偏差是一个令人担忧的问题, 因为在没有歧视性意图的情况下,也会出现这种情况。从算法中排 除一个有问题的信息类别并不是一个好的解决方案,因为在我们的社会中,有很多诸如种族和性别这样信息的代名词,比如说,邮政编码往往暗示种族或民族。另外,由于人工智能从现有的实际情况 提取模式,所以它反映了当今的社会的的不平等。最近的一个例子是亚马逊的招聘算法被批评为性别歧视,然而没有证据表明亚马逊 有任何歧视的意图。亚马逊利用人工智能检测出成功员工的特征, 将这些特征纳入算法,然后将算法应用到求职者身上。然而,亚马 逊现在和过去的很多成功员工,都是男性。因此,即使没有任何明确的程序设计,仅仅是更多男性成功的事实就造成了一个偏向于复制这些结果的模型。 另外一个经常被忽视的因素是如何人工智能系统的输出结果。 一些系统提供了关于学生学习或日常活动的详细信息,教员和管理者可以根据这些信息采取行动,为了负责任地使用这些系统,教师 和工作人员不仅要了解这些系统的好处,还要了解其局限性。同时,学校需要制定非常明确的指南,当算法评估或建议与员工的专 业判断不一致时,员工应该怎么做,明确什么时候应该遵循或推翻 计算机的结果。

       最后,人工智能的使用涉及隐私和数据保护相关法律问题。美 国联邦学生隐私立法的重点是确保机构在披露个人信息时取得同 意,同时学生有能力访问这些信息并质疑使用不当。随着人工智能所做的决定变得更加重要,以及学生们越来越多地意识到正在发生的事情,想知道算法对他们的生活产生了怎样的影响,高校将面临 着向学生展示这些信息的压力。

道德问题   

      人工智能是一个黑箱。解开人工智能系统内部发生的事情是非 常困难的,因为它们在非常复杂的层面中处理着大量的变量。
      人工智能意义在于让计算机做一些人类认知无法做到的事情,因此,试 图打破这一点,最终会导致对发生的事情及其原因做出非常粗略的 解释,即失去了人工智能的价值。 人工智能系统正在成为隐形基础设施。通过选择变量输入入学 系统、财务援助系统或者学生信息系统,这些人工智能系统正在创 造高等教育中重要的规则。
      人工智能造成权利转变。进行数据收集和可视化的工作往往由私营公司完成,因此,这些公司的决策会变得非常重要,并以一种 并不总是显而易见的方式改变系统的核心价值。但是这些私营公司 可能对教育机构的利益相关者,尤其是学生,不那么直接负责,这就要求我们在使用这些技术时,必须考虑到权力的转变,以及意图 的转变。 人工智能使得学习目标变得狭隘。以数据为基础的应用想发挥 作用,就必须明确最佳的结果的标准,这导致为了获得更多的技能 或更好的成绩,可能会放弃更抽象的教育目标,例如培养自我管理 能力或创造力,而这些方面不容易量化,也无法确定其优先次序。
     人工智能过于依赖数据。收集信息的工具,尤其是基于在线互 动的工具,目前还难以捕获教师当面观察到的细节。例如学生回答 问题错误,机器简单将其记录,但是如果教师发现学生明显患了重 感冒,则可以轻视该错误。
     人工智能的应用也存在利益分歧。技术开发者和高校之间存在 利益分歧,高校和学生之间的也存在利益分歧。技术开发者有动力 去开发包含越来越多的数据的系统,以获得越来越准确的结果,最 终证明其系统正在发挥作用。高校与学生之间的利益分歧更大,而 且非常明显。几年前的一个著名的例子,某大学的校长进行了一个 预测性分析测试,筛选出那些最有可能不能完成学业的学生,其目的是鼓励他们在大学被要求向联邦政府报告入学人数之前退学,从 而创造更好的在读率数据,提高排名。根据校长的说法,他的计划 获得了更好的统计数据,促进了学校的利益,同时也防止学生浪费 学费。

结论

      尽管人工智能非常热门,但它只是计算机系统,是人类创造 的,也可能会出错,它的价值观由开发者和高校塑造,它的数据由 历史规律决定,因此使用人工智能需要深思熟虑。