北京中医白癜风专科医院 http://www.paisufa.com/m/导读
松鼠AI是乂学教育成功开发的国内第一个拥有完整自主知识产权、以高级算法为核心的自适应学习引擎，主要应用于K12教育领域。面对当今教育领域存在的问题，人工智能的介入，可以促进教育资源的均衡化，通过提高学习效率来减轻学生的学习负担。基于人工智能的自适应学习系统通过个性化的教学方法，为学生提供更适合自身的学习方式，重新定义了教学与学习。
一、自适应学习系统的构建
根据学习者反馈的数据来规划个体学习体验的方法，是基于自适应模型（AdaptationModel）进行的。如图1所示，它分为两方面：领域模型（DomainModel），比如数学、英语语法等不同领域的知识和陈述性、程序性等不同类型的知识；用户模型或用户画像（UserModel或UserProfile），比如和用户行为有关的特点和个性。
（图1）
在自适应教育系统中，因为被建模的领域是一个知识领域，该模型通常被称为知识模型，或者教师模型，用来模拟教师的知识和能力。由于用户是学习者，用户模型通常被称为学习者模型。尽管建模的方式多样，现在最常用的是叠加建模（overlaymodeling）。叠加建模的核心原则只有一条：一个领域存在某种基础模型，某个用户的模型属于该基础模型的子模型。按照这个范式运行自适应系统有双重目的：一是改变用户的体验，使用的叠加子模型最终与系统的基础模型相匹配；二是改变系统的基础模型，使它更精确地表征某个领域。
二、松鼠AI的知识模型
1.由知识图谱建立知识点关系网络
松鼠AI的知识模型是基于知识图谱创建的，构建知识图谱经历了人工驱动和数据驱动两个阶段。首先，学科教育专家将目标教学内容进行重新解构。以初中数学为例，个知识点被化解为3万个细颗粒度的知识点，每个知识点上配套了学习内容，包括文字题目、动画、PPT、教学短视频等。例如，图2是有理数这个母知识点的细分知识点。
（图2）
一个母知识点可以化解为更有针对性的子知识点，所以这些知识点被分成多个层次，如图3所示，这些知识点分成L1、L2、L3、L4等多个层次。
（图3）
知识点之间的相互关系联结成一个图谱结构。知识图谱的初始结构由教育专家根据经验构建。根据学生在松鼠AI系统中的实际学习数据，对知识图谱中的知识点相互关系进行更新。首先，利用贝叶斯网络发现知识点之间更加贴合学生实际学习的关联关系，对原始的知识图谱做迭代。其次，把这个知识图谱应用到AI学习系统中，再次让学生学习。然后，再根据学生的学习数据做迭代。如此循环往复，直到知识图谱趋于稳定。建立贝叶斯网络结构的算法有很多种，比如动态规划算法、A*算法、Chow-Liu算法等。我们这里采用的是Chow-Liu算法。
2.由遗传算法确定难度标签
知识图谱上所有的知识点都配有题目，这些题目由松鼠AI的教育专家生产，并且打上了难度、预估做题时间、题型等标签。每个知识点上都有20个以上不同标签的学习内容，这些学习内容可能是文字题目、短视频、学习动画、PPT等。松鼠AI根据学生在学习系统中的表现，不仅给各个学生推送的知识点不同，而且推送学习内容的难度值等标签也不相同。这里以难度标签为例，来说明学习内容标签的确定方法。难度的初始值由教育专家给出，分为简单（easy）、中等（moderate）、较难（hard）。
系统通过遗传算法识别各个难度水平问题的特性。难度的测量分为两步：遗传算法模型在图4中的学习分析引擎（LearningAnalyticsEngine）模块中工作，在这里根据学生（Learner）跟学习内容（Content）的作用产生的数据，对难度标签进行迭代。LearningAnalyticsEngine从学生的响应模式中学习，识别各个难度水平题目的学生响应特性，动态创建分类规则。然后根据分类规则确定每道题目的难度。对学生的响应模式，系统考虑三个参数：学生从拿到题目到提交答案的时间跨度、答题获得的分数、提交答案之前进入题目的次数。所有这些因素取决于学生答题的行为，并且跟每道题目的难度水平相关。
（图4）
三、松鼠AI的学习者模型
学生在松鼠AI系统中学习，所生成的数据可以帮助研究人员和开发人员了解学生是如何学习以响应系统操作的。学生聚类是一种有效的方法，用于研究不同类型的学生如何与基于技术的学习系统进行交互。例如，研究人员使用聚类分析来探索学生的特征和偏好、求助活动、自我调节方法、产生错误的行为、不同学习时刻的数据、各种学习环境（个人还是协作）的数据。松鼠AI系统使用的聚类算法包括K-means和期望最大化。
四、实际效果
这项研究中作为样本的学生是从中国的三个省会招募的，使用松鼠AI学习对他们进行教学。该研究持续4天，每天学习5小时。所有参与的学生年龄均为13—15岁，共名。学生在使用松鼠AI之前和之后都进行了满分为分的纸笔测试，分别称为前测和后测。结果显示，前测的平均值为55.72分，后测的平均值为63.92分。前测和后测结果具有0.86的高相关性，这使得我们能够使用增益分数来衡量学生的成绩。
松鼠AI在北京、郑州、成都、东营等地进行了多场人机大战，通过对比松鼠AI与真人老师的教学，来评估松鼠AI对改善学生学习的影响，并确定这些影响的可能程度，发现松鼠AI在这些实验中也有较好的教学效果。
编辑：随风参考文献：
[1]崔炜,薛镇.松鼠AI智适应学习系统[J].机器人产业,(04)
4-94.
[2]松鼠AI——百度百科
预览时标签不可点收录于话题#个上一篇下一篇
