乂学教育-松鼠AI受邀参加ACM UMAP 大会 探讨AI+教育未来发展

第27届ACM UMAP-用户建模、自适应和个性化会议于今年6月9日至12日在塞浦路斯举办。

ACM UMAP专注于各种用户自适应计算机系统，是研究人员和从业人员心中历史最悠久的国际会议，领域覆盖自适应超媒体系统、推荐系统、自适应网站、自适应学习、个性化学习和智能辅导系统、以及个性化搜索系统。

第一届ACM UMAP于2009年举办，是用户建模(User Modeling，首届于1986年举办)和自适应超媒体和基于自适应网络的系统(Adaptive Hypermedia，首届于2000年举办)会议合并的产物多年来，ACM UMAP一直由ACM SIGCHI和SIGWEB赞助，并与User Modeling Inc.共同组织。

今年，大会邀请到了来自中国的AI教育公司乂学教育-松鼠AI、Spotify、德国人工智能研究中心、以及来自全世界各地顶尖学府的学者们分享他们最新的研究成果。

廖一芳：AI如何让学生“饱读诗书”

受邀发表主题演讲的廖一芳是乂学教育-松鼠AI合伙人兼事业部总经理，于美国斯坦福大学工商管理硕士毕业，曾担任Anglia教育集团高级管理层的培训讲师、马来西亚柔佛幼儿协会的专家顾问、曾任中国台湾中国文化大学推广系外语中心主任等。

廖一芳介绍说，中国教育普遍存在三大问题：优质教师资源短缺、教师无法提供1对1的个性化教学、地缘问题影响教学进度。松鼠AI的愿景是通过人工智能打造超级教师— 以高级算法为核心的人工智能自适应学习引擎，打破地缘和时间限制，通过人工智能系统模拟特级教师，给成千上万的学生提供一对一量身教学，其AI教育引擎已经过去两年的多次人机大战中胜出。

从市场价值看，中国中小学K-12教育市场依然一片蓝海，K12业余补习的市场规模达到6000亿人民币，但前五的头部公司的市场份额加起来还不到5%，潜力巨大。

廖一芳介绍了松鼠AI引擎的三层架构：本体层、算法层、交互系统

本体层以内容为主，包括学习地图、知识地图。在这一层，松鼠AI自主研发了超纳米级的知识点拆分。做到对学生知识点更精准地判断。以初中数学为例，松鼠AI可以将300个知识点细化为3万个。

同时，松鼠AI自研了一套MCM系统，将学习的思想、能力、方法进行拆分。比如在学习物理中所需要的思想能力包括划归思想、自省思想、建模思想、对称思想、等效思想等等，MCM系统可以根据学生情况提供单一学科里思想能力的训练。

第二个层次是算法层，包含内容推荐引擎、学生用户画像引擎、目标管理引擎等。

在拆分完知识点和MCM以后，松鼠AI会结合用户状态评估引擎和知识推荐引擎，技术层面涵盖信息论、贝叶斯理论、知识空间理论等等算法，构建出数据模型，达到少量的试题、较短的时间，精准高效测出每个学生的知识漏洞，根据学生的知识漏洞推荐相应的学习内容。

第三个层次是一个交互系统，实现和学生的交互。松鼠AI和斯坦福研究院合作，让机器和学生进行互动，其自主研发的MIBA学生行为数据采集系统在世界人工智能大会获得了大奖。通过采集交互数据了解更多学生的信息，松鼠AI可以完善算法去解决问题。

截至到目前，松鼠AI已经在全国300多个城市开设近2000家学习中心，累计注册学生用户近200万。

科研方面，乂学教育-松鼠AI与斯坦福研究中心进行联合技术开发，与卡耐基梅隆大学(CMU)、中科院合作成立了联合实验室，并且邀请了来自卡耐基梅隆大学的教授Tom Mitchell作为公司的首席AI科学家，邀请Ken Koedinger教授作为首席AI学习官，并且在人工智能教育领域投入重金研发，在多个国际学术会议上例如IJCAI、ACM、IEEE、AERA、AIED、CSEDU、AI Summit、EdTechX等论文入选及获奖。

廖一芳最后总结说，过去20年，机器在体力劳动上代替人类;在未来的20年，机器将在脑力劳动上替代人类。松鼠AI希望，通过人工智能彻底改变教育，在未来打造出1亿个高精尖的人才。

Mounia Lalmas：参与度、指标和个性化

Mounia Lalmas是Spotify的研究主管、用户参与度方向的技术研究主管，主要研究用户在原生广告、数字媒体、社交媒体、搜索和音乐等领域的参与度，并且拥有伦敦大学学院的荣誉教授职位。

Lalmas介绍了如何衡量用户参与度的工作，讨论了用户满意度指数的定义和开发，并列举了包括正面和负面的场景。她表示，个性化推荐要考虑用户和内容的异质性，并反过来设计适当的满意度指标。

用户参与度的主要挑战是利用用户在线互动的知识，了解短期、以及更重要的长期参与方式。提高用户参与度的两个关键步骤是定义正确的指标并对其进行适当优化。

衡量和理解参与度的一种常见方式是通过定义和开发用户满意度指标，这可以作为短期用户参与度的衡量指数。在推荐系统的背景下，更好地理解用户在线会话期间如何与他们交互(隐含信号)对于开发用户满意度指标非常重要。检测和理解用户满意度的隐含信号对于提高建议的质量也想打动关键。

理解用户参与度主要分四个步骤：理解用户意图，对指数进行优化和解释;通过细分帮助适用个性化模型;结合多元性、用户意图、细分，帮助实现个性化模型的透明化。当用户与提供给他们的推荐进行交互时，他们会留下细微的交互模式痕迹，可以利用这些交互模式来预测他们的体验满意度。

Marios Avraamides：建模行为和设计基于证据的技术

Marios Avraamides是塞浦路斯大学(UCY)的认知心理学教授，也是RISE(互动媒体，智能系统和新兴技术研究中心)尼科西亚人力因素的支柱领导者。

Avraamides的演讲主题是“建模行为和设计基于证据的技术”。他研究了人类的空间记忆，这对完成类似导航和寻路这样的任务、以及注意力和感知非常重要，同时也会因为衰老和老年痴呆而受损。

Avraamides邀请了两组研究对象：38位平均年级21.6岁的年轻人和同样38位平均年龄70岁的老人，考察他们对地点识别的能力。研究采用了各种方法和技术，包括虚拟现实中的行为实验、眼睛跟踪和生理记录。

实验表明：老人比年轻人需要更多时间从空间物体的分布中获得信息来做出决定，也需要更多时间来执行;利用眼部追踪技术，实验获得了一些有趣的发现，比如老人的眼光固定在一间物体上的时间很短，频率却很高;以及出现更频繁、更长、更快的跳视。总体而言：老人可以在建立准确的空间表征，并且在移动中更新对空间的认识，但可以记忆的位置有限。不同个体之间的表现差异很大。

Daniel Sonntag：认知和情绪建模

Daniel Sonntag是德国人工智能研究中心(DFKI)首席研究员，也是德国人工智能杂志的主编和认知技术杂志的总编辑。他的演讲主题是“认知和情绪建模”，其最新研究是通过时钟绘图测试(Clock Drawing Test )的自动评分对认知状态进行建模。

时钟绘图测试用作老年病学中的认知评估工具，用于检测痴呆症的迹象或模拟卒中恢复的进展，由训练有素的专业人员手动评分。Sonntag的研究组开发了一个Mendez评分方案，并根据老年医学诊所提供的一组受损时钟示例，创建一个错误类别层次结构，用于模拟时钟绘图测试的测试特征。

为了评估自动化系统的性能，Sonntag设计并进行了一项实验，要求参与者根据之前调查的时钟绘图测试中常见的错误类别，故意绘制受损时钟。 共有12名受试者(3名女性，8名男性)参加了研究，年龄从19岁到60岁不等。

研究组记录了120个时钟样本，用于评估自动评分系统，总共2400个错误样本分布在Mendez评分方案的20个错误类别中，使用手写和手势识别框架自动对错误类进行评分。实验结果表明，研究组可以为每一个受试者提供临床相关的认知模型，此外，还大大减少了手动评分所花费的时间。

Oludamilare Matthews

Oludamilare Matthews目前是曼彻斯特大学计算机科学学院的助教，研究人机交互。他带来的演讲主题是“认知和情绪建模”。

患有自闭症的人通常表现出与神经典型用户不同的视觉行为。为了在网页浏览这一任务上展示这些差异，Matthews所在研究组通过将瞳孔反应(一种不显眼的生理唤醒测量)与视觉注意力的眼睛跟踪扫描路径相结合来模拟视觉行为。

研究对象分为两组：19个神经型用户和19个自闭症用户。 实验表显示了他们视觉行为的差异，因为在某些情况下，患有自闭症的个体对情感内容表现出较低的唤醒反应。

具体到实验层面，Matthews的研究回答了两个问题：“用户如何与网站互动”以及“他们在与网页互动时的感受”。前者是通过使用STA算法将用户的视觉扫描路径概括为趋势扫描路径来实现的，而后者是通过生成每个UI元素为每组用户引出的唤醒分数来实现的。

Matthews还建议采用一种方法来识别用户情感状态的效价，这种方法可以部署在具有集成眼动追踪和瞳孔测量功能的网络摄像机上。在诸如电子学习和游戏之类的领域中，用户经常在他们的交互期间由于不期望的情感和认知状态而退出。这种方法执行用户界面和内容的实时调整以改善其用户体验的质量。

Neil Hurley：新颖性增强的贝叶斯个性化排名

都柏林大学的助理教授Neil Hurley的演讲主题是用于新颖性增强的贝叶斯个性化排序。

推荐的新颖性增强通常通过应用于候选项目集合的后过滤(post-filtering)过程来实现。虽然这是一种有效的方法，但其性能在很大程度上取决于基线算法的质量，并且许多最先进的算法产生的推荐与用户过去与之交互的内容相似。

通过实验，Hurley建议通过利用项之间的内容关系来约束算法的采样过程。 这样做可以设法改进该方法产生的推荐内容的新颖性，而不需要在现有技术中提出的后过滤步骤。在训练贝叶斯个性化排序模型时，不仅可以改善新颖性，而且准确性和新颖性之间的权衡比起后过滤方法而言，性能相当甚至更好。

Kamil Akhuseyinoglu：基于需求的教育自适应系统

美国匹兹堡大学计算与信息学院的博士Kamil Akhuseyinoglu带来了“基于需求的教育自适应系统”的演讲。

学生可以在整个学习过程中追求不同的目标。例如，他们可能正在寻求新的材料来扩展他们目前的知识水平，重复先前课程的内容以准备考试，或者努力解决他们最近的错误观念。

多个潜在目标需要一个自适应电子学习系统来推荐适合学生意图的学习内容。Akhuseyinoglu所在的研究组关注学生在解决编程问题时的需求。针对学生们苦苦挣扎的一些知识点，研究组做出了相关的内容推荐，同时也为这个推荐目标提供解释，以支持学生理解推荐某些学习活动的原因。

这个教育推荐系统使用交互式开放式学习者模型(opener learner model

)作为解释这些推荐的方法，并使它们更加透明。Akhuseyinoglu总结说，学生参加课程的目标是多样化的。通过不同的工具收集这些个体差异对于实现更全面的建议以调整其机制和潜在解释至关重要。

（免责声明：本文为企业宣传商业资讯，仅供用户参考，如用户将之作为消费行为参考，凤凰网敬告用户需审慎决定。）