前段时间由于疫情的关系,老师和学生们都在家里上网课。除了视频授课,老师也会通过文字或语音进行教学指导工作。你可曾想过那个对你语重心长讲解知识点,在你快走神时突然来个段子,以及拿着小鞭子催你做作业的老师可能是个机器人?
教学质量和商业效率是个悖论,好老师就那么多,老师精力也有限,所以仅有少数家庭可以负担的起一对一的辅导,这也涉及到了教育公平性的问题。
今天,硅谷洞察将详解虚拟教师背后的技术,介绍全球4个顶尖的虚拟教师解决方案案例,以及分析整个行业在用户体验、商业模式方面的现状和挑战。
虚拟教师背后的技术是什么?
第一个虚拟教师系统诞生于1960年,可以展示教学材料,问学生问题并即时反馈,但是因为程序是编死的,而且当时计算机也并不普遍,各方面成本都太高,所以仅仅是作为研发机构的项目。七八十年代,基于规则模型的对话和认知理论开始被用于虚拟教师系统中,机器人已可以通过给学生提示,引导学生逐步解决问题,而且机器人并非真正理解学生的意图,而是抓取学生对话中的关键词,所以无法生成有意义的自然语言对话。在对话的走向上,大多数虚拟教师系统基于决策树,所有的教学路径都是被预设好,然后根据学生的学习表现走向不同的可能性。
随后,检索模型开始被应用于学生答疑和学生服务中。这个模型有点像搜索匹配:学生提问后,机器人在知识库里搜寻并选出最匹配的答案回答学生。
除了上述两种模型,近些年比较热门的生成模型更为智能,它像一个翻译机,但不是把一种语言翻译成另一种语言,而是把学生说的话逐词解码,再逐词翻译成机器人的答复。然而因为过于灵活,输出结果难以把控,有时会生成过于宽泛甚至无意义的答复,所以在教育领域中的实际应用较少,仅仅是作为规则模型和检索模型的补充。
相较于规则模型更多依赖于手工,检索模型和生成模式可以利用机器学习和深度学习技术来降低人力成本。教育工作者写好的回答集、真实场景下老师和学生的教学对话、人类和机器人之前的对话都是比较好的训练数据。
另外,相较于使用手工的决策树来引导对话的走向,机器学习中的强化学习和奖赏系统可以通过计算学生达到目标的可能性的分数,自动引导学生走向那条最匹配的路径,从而最有效地完成学习目标。