做智慧教育相关的产品，重点不在于如何高效地将知识传递给学生。而是要“点燃”这个学生，激发学生的学习兴趣和创造力，让他学会学习、爱上学习。

撰 文 | 胡 莹

“教育不是注满一桶水，而是点燃一把火。爱因斯坦曾说过，实际上学生走出学校后，会忘掉在学校中学习的那些具体信息。最后真正留在学生身上的，才是教育应该做的事情。我们做智慧教育相关的产品，重点也并不在于如何高效地将知识传递给学生，而是要‘点燃’这个学生，激发学生的学习兴趣和创造力，让他学会学习、爱上学习。”

7月29日，由蓝鲸教育主办，上海报业集团指导，蓝鲸财经、界面新闻、财联社协办的智慧教育论坛，在北京新云南皇冠假日酒店成功举办。本次论坛上，科大讯飞AI教育研究院副院长苏喻发表了题为“人工智能助力因材施教与个性化学习”的演讲。

在演讲中苏喻指出，当前教育的核心痛点有三个方面：一是学生课程压力大、睡眠时间少，学习效率有待提升；二是教师教学任务繁杂，难以兼顾到每一个学生；三是教育资源配置不均、弱势群体受教育的权利难以保障。

他认为，科大讯飞实际上是围绕着教育主流层，构建了因材施教的大闭环。目前，这个闭环已经包括数据采集、数据分析，以及后端的智能推荐、个性化学习等细化环节。未来，科大讯飞将系统构建教育知识图谱，追溯根源为每个孩子规划学习路径。

以下为苏喻的演讲实录（有删减）：

特别感谢蓝鲸教育给我这个机会，给大家做一个分享。今天我的分享主题就是“人工智能助力因材施教领域个性化学习”。

最近K12教育好像成为一个比较火热的话题，但是这句话又不是非常的准确，教育自古以来就是一个非常火热的话题。几千年前孔子就提出了因材施教这样一个观点，因为教育是立国之本。但是受限于我国的国情，在校内大班教学的场景下，怎么将我们传统的教育模式和因材施教结合起来，是目前教育工作者正积极探索的内容。

当前教育的核心痛点

首先，我简要介绍一下当前教育的一些核心痛点。

第一个痛点实际上是关于学生的。现在学生课程压力大、睡眠时间少。很多学生写作业可能要写到很晚，小学、初中、高中的学生都呈现睡眠时间严重不足。

另外，学生学习效率也有待提高。我们国家的学生还是很勤奋的，他们有一个学习的“法宝”，叫做题海战术。但是“刷题”其实是比较低效的，通过公开数据统计可以看到，如果只是通过刷题的方式，大概有60%的题目是无效练习。其中很多题目，包括很多学生本就已经掌握的，或者超过学生当前认知水平的情况；这些题目即使刷了多次，考试也有可能一样会做错。

第二个痛点是关于老师的。每个老师都觉得，自己的时间应该全部花到课堂教学、以及教学设计上面。但是“理想丰满现实骨感”，更多的老师每天要花费很长时间批改之前布置的作业。日常中，老师们批改作业的负担是比较重的。所以虽然每个老师都有因材施教的梦想，但很难兼顾到每个学生。

第三个痛点就是现阶段教育资源的不均衡。从教师职称上就可以看出，很多优秀的老师更加集中在城市或者是一些比较发达的地区。这样就造成了农村、或者不太发达的地区，弱势群体实际上很难获得比较高效的教育。

面对这样的现状和痛点，国家和政府也在着手解决。总书记在2019年国际人工智能与教育大会上提出：我们的教育，应该是平等面向每个人的教育、适合每个人的教育、更加开放灵活的教育。这就要求我们要能够加快教育现代化，建设教育强国。

围绕这一主旨，近年来也有很多文件出台。实际上这些文件都很明确地提出，要注重规模化教育与个性化培养的有机结合。这应该是未来智慧教育的一个主要的发展方向。

构建因材施教的闭环

刚刚跟大家分享了现状和痛点，那么围绕这些现状，科大讯飞又做了哪些事情？

科大讯飞实际上是围绕着教育主流层，构建了因材施教的大闭环。目前，这个闭环已经包括数据采集、数据分析，以及后端的智能推荐、个性化学习等细化环节。

通过这样的闭环，我们可以将老师从比较繁杂的机械劳动中解脱出来。数据统计，闭环中的精准教学环节，可显著减少教师备课环节的重复性工作，使老师的教学效率平均提升30%，真正做到面对老师的减负增效；对于学生，我们也可提供一些个性化学习的服务，使学生的无效练习时间相对下降40%。学生学习知识点的时间显著减少，切实为学生减负增效。

接下来，我简单介绍一下科大讯飞在人工智能技术方面的一些最新的发展和突破。核心技术这块，我们称之为“3+1”。其中有三个比较底层的核心技术，有一个更上层的核心技术。

首先，三个底层的核心技术之一就是语音交互和评测技术。我介绍几个名词，第一是“语音识别”。语音识别实际上就相当于给机器装上耳朵，能够让机器听懂我们现在说话的声音，能把声音转化成文字。其次是“语音合成”，语音合成实际上相当于给机器装上嘴巴，能够把转化成的文字翻译成声音。科大讯飞连续多年参与了语音识别和语音合成方面的国际相关比赛，连续多届成为产业冠军。

将上述技术进行融合，就可进行口语评测，相当于语音机器人老师可以帮助我们的学生识别出来发音上的一些错误问题。这项技术在2012年广东高考当中得到应用，当时是首次在高考场景下进行口语评测，效果达到了国家级测试水平，相关技术指标甚至要强于普通的人工专家。除此之外，一些相关技术在国家的支持和指导下，也应用于国家的普通话评测以及高考评测。

这一技术解决了大型口语考试评测的难点问题。此前进行一场大型口语考试，需要在短时间内组织很多老师，让学生集中地进行口语评测。如果现在全部是机器评测，就可有效缓解这一问题。

另外，这一技术不仅可用于大型考试中，在学生的日常学习中也能帮家长很多忙。例如，对于老师布置的背诵课文一类的课后作业，在父母忙于工作的情况下，很多时候这项工作就落到爷爷奶奶等老一辈家长身上。而对他们来说，想完成这个任务还很困难，更多只是能够帮父母签个字。而通过这一技术，可以让机器对孩子进行一个准确的评分。还可把相关的结果传输到老师的客户端，能够让老师清楚地知道这些学生口语学得怎么样。

第二个技术是图文识别技术。实际上，图文识别技术在教育场景中的应用，难度提高了一个层级。举个例子，每个学生写的字都不一定非常规范，有大有小。另外，在现实场景中，学生对视频或者作业进行拍照，会出现光照导致图像扭曲的现象。科大讯飞创新地提出了一些底层的深入学习模型，能够解决这一问题。

另外，教育场景中进行图文识别，还有一个要攻克的问题就是数学公式的识别。传统的文字识别，实际上是从左到右的顺序识别，可通过一些循环神经网络类似的方案解决。但公式识别有两个特征：第一个是公式不是完全从左到右，有可能是从上到下，也有可能是从里到外，所以这个结构跟传统的文字识别还不太一样。

还有就是在做图文识别时，机器实际上需要大量数据。但对于公式这样的场景，机器能够获得的数据比较少，所以还需要机器进一步学习相关技术；而相关技术在题库的构建以及批改中非常有用。

第三个技术是认知理解技术。在这一领域当中有一个比较有名的比赛，在人工智能界称为“图文测试”。比赛中会给机器一段文字，并向机器提一些开放型问题，让机器回答。机器需要针对问题以及文本中提到的信息去自行推断答案。比赛当中还可能给机器挖坑——机器可能会遇到一个问题，该问题无法通过文章作答，因此还需要机器对该问题进行主动分辨。在这样的任务中，科大讯飞参赛并获得第一。同时，我们也发现机器对文字理解的准确度其实已经超过了一般的人类水平。

这项技术，可以用到中英文的作文批改当中。科大讯飞在2019和2020年参加了安徽省的高考作文阅卷，大家知道高考作文基本上是需要多个老师进行批改，他们需要背靠背去打分。如果两个老师的打分分差超过了一定的数值，是需要第三个老师再去仲裁评分的。而这项技术运用在高考阅卷当中，一定程度上保证了评分的稳定性。因为机器评分非常客观公正，并且打分也比较稳定。

除了上述三个比较基础的底层技术，基于我们的“3+1”模式，还有另一个更高层面的技术——个性化学习技术。大家也知道，想做个性化学习，第一件事情就是要对学习资源进行构建。在K12领域当中，最重要的资源就是题库。

面对一个题库，我们首先要把它电子化，电子化后还要打上各式各样的标签。这就是讯飞题库的一些标签体系的部分，可以看到给它打上了这种知识点、能力、思想方法、难度等等类型的标签。

如果要通过人工，将这一道题电子化并打上标签，实际上的人工成本还是蛮高的，也存在一定的错误率。

那么人工智能在这一环节当中能帮上什么忙呢？目前我们可以进行教辅的自动优化。通过对教辅进行扫描，扫描过后每道题可直接变成文本。老师在机器识别的基础上，只需要进行一些细节修改、进行二次确认，这样的话整个题库的电子化就完成了。整个过程一方面提高了效率，另一方面也提高了准确率。

另外，当题目入库电子化后，我们会通过机器识别，自动地为它打上相关标签。通过人机结合进行标签的方式，相对于纯人工方式，既可保证更高的效率，也可保证更高的准确性。使用这一技术构建题库，也是为了后续的个性化主动学习打好基础。

如何“点燃”学生学习的内驱力？

接下来，我想谈一谈关于学生的认知诊断。做教育的人可能都听过一个理论，叫做“最新发展区理论”。就是如果我们给孩子推荐一些学习资源，那么不能给他推荐特别难的，也不能给他推荐特别简单的；最好是给他推荐“跳一跳就能够得着”的学习资源。对于学生来说，这样学习的效率是最佳的。

想做到这一点并不容易，我们需要对学生的能力进行适当的建模。传统建模有很多种流派，比如可以把学生做的题目映射到具体知识点、空间体系，然后进行数据统计。

科大讯飞的方法与之不同。我们会基于大概六百亿的数据打造一个深度学习模型，我们会将学生的历史学习数据放到一个模型当中，最后将其映射到一个高维空间，可能它就是一个向量。然后我们会在这样一个高维空间当中进行数据挖掘，去发现内在的联系，从而找到学生的目标发展区，并对他进行相关资源的推荐。

另外，关于知识图谱的构建，仅仅用数据驱动是不够的。因为科大讯飞的建模空间非常大，它必须要用一些人工专家的教研知识。科大讯飞实际上也采用了知识图谱，作为人工专家的知识和信息的载体。目前针对K12阶段的数理化学科、包括一些主流的教材版本，科大讯飞都已构建了完备的知识图谱。

知识图谱上的每个点、每个圆圈，代表了多个知识点或一类知识点的组合。中间的连线代表了知识学习的关系。而在颜色区分上，绿色代表这个学生在这一部分学得不错；黄色是掌握得不好；红色是没有掌握。

结合之前的模型以及这样的知识图谱，我们就可更加精准地帮助学生规划真正合适的知识路径。这种路径不仅可提高学生的学习效率，并且更加体系化、系统化，它不会让学生一会学A知识点，一下又跳到另外一个知识章节。

刚刚我介绍的都是技术，而这些技术要想真正发挥作用，就要将其结合到产品中。科大讯飞围绕着这些教学主流技术，构建产品体系。我们的产品体系具备以下特点：第一个是教学资源立体化；第二个是作业批改智能化；第三个是教学统计数字化；第四个是课上课下一体化。

资源立体化主要根据教师和学生的不同角色需求，根据其所处的细分场景构建了相关的资源。目前，我们对全国教材的覆盖率能达到90%，整个资源库每年会有大概20%的更新。

作业批改方面，现阶段我们的技术已经可以满足中英文作文的批改，英语口语评测等也可通过机器自动化完成。填空题的评测等也都可以做到自动化。现在我们在研发初中数学主观题的评测，后续还会补齐小学阶段的相关内容。学生可以在我们的学习机等产品的屏幕上作答，做完后机器可自动地对学生的笔迹进行识别，并对它的语意内容进行一些判断，达到自动批改。

另外，针对很多老师习惯于手动录入，将学生的历次考试数据整理成表格，并通过大量手工操作对数据进行分析的情况，我们也做到了教学的数字化。教师可以通过整个数字化体系，看到哪些知识点有哪些班级掌握得不太好，而其他班级掌握得更好。对于所带班级学生处于最新发展区的，老师可根据相关信息进行一些有针对性的重点教学。

若将相关数据传输到更加宏观的层面上，各级的教育工作者就可参考相关的学情大数据。整个过程图示化之后，可让教育工作者更好地做到宏观层面的教研调控。

现在很多教室、包括一些智能硬件出来后，可对学生的一些行为进行分析。比如说可以对学生的坐姿进行分析。有些学生离书本比较近时，可以给他一些自动化提示，或者同步给老师家长。另外，疫情期间很多学生是在家里进行考试的，通过人工智能技术就可看到学生是否有一些作弊行为；或者是中途有人进来，这些都可收录到后台当中。通过智能硬件在教室、家庭场景的布置，可以给教育工作者一些学生行为上的大数据分析。

最后，我想谈一下课上课下一体化。我们要把课上课下的信息打通，助力老师因材施教。课上要关注互动性，让老师教的东西能够被学生充分吸收。另外，我们也提供给学生自主学习的产品，方便学生自主学习。

这里有两个产品想跟大家说一下，第一个是个性化学习手册。每次周考或月考后老师都会有个讲评课，并让学生根据错题本进行复盘。在这一基础上，个性化学习手册更进一步。不仅让学生去做他做错的原题，并且还会给学生推荐一些用以巩固的试题，同时还会把学生各个维度上的历次发展情况都提供给学生，让学生做到举一反三。另外，知识图谱相关技术也已经用到了我们的科大讯飞学习机上。学生的学习过程都是可视化的，这样会极大提升学生的学习兴趣，从而培养学生自主学习的能力。

除此之外，更多的相关产品我们已经在两千多所合作学校投入高频使用，大概有两万多个学生每天在使用科大讯飞的个性化学习产品。我们通过数据回收以及问卷调查，可以看到这些学习资源服务每个学生取得成绩，且不会打击他的学习积极性。优秀的学生反馈更好，因为终于不用浪费时间做那些浅显的题目。

最后我想说，教育不是注满一桶水，而是点燃一把火。爱因斯坦曾说过，实际上学生走出学校后，会忘掉在学校中学习的那些具体知识。最后真正留在学生身上的，才是教育应该做的事情。我们做智慧教育的相关产品，重点也并不在于如何高效地将知识传递给学生。而是要“点燃”这个学生，激发他的学习兴趣和创造力，让他学会学习、爱上学习。