原标题：机器学习教父 Tom Mitchell ：人工智能将成为自适应学习的驱动式技术 | 全球AI+智适应教育峰会

雷锋网消息，11月15日-16日，“全球AI+智适应教育峰会”在北京嘉里中心大酒店盛大开幕，峰会由雷锋网联合乂学教育松鼠AI，以及IEEE（美国电气电子工程师学会）教育工程和自适应教育标准工作组共同举办，汇聚国内外顶尖阵容。

AI 自适应学习是目前产学研三界关注度最高的话题之一。此次峰会邀请到美国三院院士、机器学习泰斗 Michael Jordan，全球公认机器学习之父 Tom Mitchell，斯坦福国际研究院（SRI）副总裁 Robert Pearlstein、美国大学入学考试机构 ACT 学习方案组高级研究科学家 Michael Yudelson 等顶尖学者。

在 16 日上午主论坛上，Tom Mitchell 带来了一场精彩的主题演讲。以下为他的演讲内容，雷锋网 AI 科技评论整理。

我认为这 10 年对自适应教学来说是最好的 10 年，因为我们开始看到技术变得成熟，越来越多的公司开始运用这些技术，我相信本次会议将是这个领域的转折点。

我今天主要想跟大家谈几点想法，内容主要关于人工智能可以如何与自适应学习产生联系。

YouTube 上截取的这几张图片告诉我们什么是自适应学习。在自适应体系中，老师会不断地评估学生的能力、发现他们的不足点、给他们设立目标、发掘他们的学习需求，甚至根据他们的学习速度来提供更好的建议。我们发现已经有系统开始在做这件事情，然而都处于早期阶段，我们接下来的工作重点应该更多放在系统改善上。

机器学习和人工智能，将成为自适应学习的驱动式技术

机器学习这 10 年的发展非常快。比如一开始表现不怎么理想的计算机视觉，后来的识别精度已经变得几乎跟人眼一样；语音学习的情况也一样；还有围棋，AI 已经成功打败了世界冠军；机器人汽车方面，我们将迎来越来越多的无人驾驶汽车。

展望未来，机器学习将如何促进 AI 的发展，进而促进自适应学习的发展呢？这里有三个问题值得我们来一起来讨论：

1. 机器应该学习什么？

我们需要个性化的、基于每个学生的教学战略。我们希望机器可以根据学生的退学率、学生的考试成绩来提出一些建议，包括老师应该在什么时候介入，以及老师应该如何在学生和机器之间进行介入等等。

2. 应该从哪些数据中进行学习？

现在存在各种类型的数据，当中包括环境式的数据，比如说教室里的摄象头、耳麦、话筒等等，通过这些环境数据我们可以更好地了解学习者的情况；身体的传感数据，比如说智能手表、智能椅子，可以感知到学习者当下的学习状态；还可以通过 EEG 监测大脑的数据。总之，选择什么样的数据来源，对机器学习来说很重要。

对机器学习来说同样很重要还有算法。

以监督式学习为例，卡耐基梅隆大学一名博士生提出的网络可以预测哪些学生会从网课中退学。它监测的数据包括学生在课程上花的时间、鼠标的点击数等等，实现从输入与输出两端进行监测。

由于监督式学习对自适应教育来说很重要，所以我们需要一系列的技术来提升监督式学习的精确度和效率，同时考虑学习环境的情景。从预测学生会从哪门网课中退学，从而预测该学生会不会也从其他课程中退学，是在跨任务转移当中需要我们重点关注的。

3. 多任务处理学习

这是 20 世纪 90 年代末提出的学习理论，要想提升系统预测的准确度，就要将其他变量也一并考虑进来。比如说监测哪个肺炎病人的病情将会恶化，除了肺炎本身的严重程度，我们还会一并考虑病人的白细胞数量、是否曾经转入 ICU 治疗等等，通过这种方式来更好地预测病人肺炎恶化的几率。同样的模式运用到学生的退学率预测上，我们可以将学生的其他变量如期终考试成绩等一并考虑进来。

这个技术之所以能成功，是因为它可以训练我们的系统进行包含多变量的预测，在这过程中会产生一些归纳程序，进而有效提升系统的预测效果。

另外一个有意思的算法是非监督式学习。

这是我的同事在卡耐基梅隆大学做的研究，他们根据学生回答问题的正确率，对学生进行分类。大家可以看到图中有三种不同颜色的曲线。