?如何更好地使用学生数据?
越来越多的老师愿意在课堂使用自〓适应学习系统，学校的分析系统也可以通过预测提高学生毕业◢率。与此同时，算法的使用带来了许多伦理、实践和哲学问题。高等教育引入人≡工智能到什么程度合适呢?谁来决定算法应该是什么样的?
为了探讨这些问题，教育技术资讯网站Edsurge采访了斯坦福大学教育学院教育学助理教授坎迪斯·特尔(Candace Thille)和Civitas learning的联合创始人兼首席学习官马克·米利伦(Mark Milliron)，两位分别就AI进入高等教育的痛点发表了自己的看法，并提←出了一些解决方案。
Q: Civitas开发了用于高等教育的AI系统。马克，现在使用情况如何，学生又是怎样得到ζ帮助的?
马克·米利伦:现在的高等教『育还处于使用人工智能的初级阶段。可能正从“问责分析”转变为“行动分析”。目前，高等教育中95%的数据工作着重于问责分析，即〖向认证机构、立法机构和♂受托人提供数据。我们的首席数据科学家来自医疗保健领域，他打比方说，高教机构似乎痴迷于“尸检分析”。利用已不在学ζ 校的人的数据，通过讲故事的方式帮助现有的学生。
我认为我们获取的数据更接近现实，实现“行动分析”，更好地帮助学生。我们开始使用预测分析，显示学生的行动轨迹，利用这些数据，帮助学生选择更好的发展路径。特别的，预测分析正努力将学生的╳未来个人化，并协助学生作出重大决定，同时在正确的『时间为学生提供精确的支持和鼓励。
马克·米利伦
这么做一开始是有些∮痛苦的。我们要先将学生归类，然后做各种假设，基于某一类某一种假设，以确定√学生做出1、2、3、4……种选择。从一开始给学生分类就充满了风险〓，同时其他方面也存在问题。幸好我们已经看到越来越多的数据，并且越来越精确。学︽生所做的，就是利用这些数据，为自己的学业锦上添花，或实现“自救”。
每一个数据都是一个脚印，把它们【拼起来，就是学生的心路历程。这是学生的数据，他们的数据应该被用来帮助他们自己。然而现在学生★的数据大多提供给了教育机构，仅仅用来♂告诉他们一些现象，一些事实。
Q：坎迪斯，你是使用人工智能和自适应学习工具的早期先锋「，在卡内基梅隆大学学习，又在斯坦福大学工作。最近有人担心」，公司◥提供的AI工具可能成为黑箱，受老师、教育工作者或高等院校的控制。你怎么看?
坎迪斯·特尔:我相信利用这些从学生日常活动中■提取出来的数据可以支持学生学习，让学生←受益，我对此非常赞赏。我们的工作方式与Civitas的略有不同，我们为学生学习特定学▅科时创造个性化和适应性的学习体验。因此，我们的工作方式是，跟踪学生在线学习时产生的互动信息，把这些信息丢进预测模型里，预测学生的学习轨迹。
我们所做的，是让AI系统支持教学决策。我们把预测信息反馈给系统或老㊣师，帮助他们洞察学生学习问题出自〗哪里，以便做出正确的教育决策。
坎迪斯·特尔
怎样收集△数据，预测模型中应包含哪些因素』，如何权衡这些因素，使用何种建模方法或算法，预测中要表现哪ㄨ些信息，以及如何将结果展现给不同的利益群体?等等。这都是〒非常活跃的研究领域，也是新兴的学习科学的一部分。
所以我认为在学术方面，所有这些，特别是模型和算法，不能→黑箱操作，它们必须透明，必须能接受同行评议。同时，它们必须是具有挑战性的，这样我们就清□ 楚地知道，正在做出教育决策的，是那些知道如何做出这种决定的人。如果只是说“相信我们，我们的算法是⊙可行的”，那么我认为他们的是炼金卐术，不是科学。
Q：马克，作为一个公司领导者，你如何回应上一个问题?
马克·米利伦:我们绝对认为，想做这种工作▽的公司，都应该确保自己的数据科学预测是公平公正公开的。例如，如果你想查看学生的成长轨迹，那么工具应该展示最佳预测以△及相应的得分和权重，你就可以看※到，哪些变量影响了预测结果。
这么做的一个原因是，帮助教育者与数据互动，以对学︻生做出正确的决定。
数据应该交给那些管理顾问、优秀的学生，以及看得懂数据还会反思的¤人，然后发表到同行评议期刊上，让其他人都能看到学到。但现实是，目前建模还是一种商业化的东西，不是尖端科学，你能让教＠ 育者知道的就是使用了哪些因素，哪些因素是最∏具预测力的，以及它们是如何载入模型的。算法往往是不能公开的，它太重要，事关模型的正确性和效率。
让教育工▲作者思考这些东西目前还做不到。最好建立一些实践论坛，供人们分享使用经验。
Q：会有人担心学生和教授误用数据吗?
坎迪斯·特尔:很多人会认々为，“电脑是无Ψ 偏见的”，或者“它是客观的”，或者“它说的是真的”。他们没有意识到计算机算法是由人类编写的。建模时，模型中包含哪些因素?如何权衡这些因素?预测时依据什么标准得出分数?这些都是人为决定的。
如果我们的数据没有广泛的代表性，无法在不同环境里代表大部分学生，无法适用于特定环境，那么算法就会产生有偏差的结果。
马克说使用系统的人应该真正了解系统告诉他↘们的内容，应该↓会使用这些系统，这一点我非常赞同。但是我正在♂考虑制度问题。很多教育机构都承担着很大的责任压力，而现在问责制的▼一个核心问题就是毕业率。
假设我是一名学生。我想成为一名医生，所以报考一个医学预科班。第一年就要≡学习化学、生物和相关的所有课程，我有点惶恐，因为我没有上过高中，我真的属于这里吗?我很高兴自◥己能进来，但有点怀疑自己是否能适应这种学习。
第一年的必修课是生物序列和化学结构，我很讨厌这些，而选修←课我选了自己很感兴趣的拉丁文化研究。我的生物和化学课程只得了C和D，但选修课学得很好。导师约我见面，他看了我的预测分析，分析表示我在本【专业4到6年里毕业的概率只有2%，但选修课学得很好，如果转专业的】话，肯定能获得◥更好的成绩，保证4年毕业。系统和导师都建议我转专业。
这时候我肯定想，那都是你们认为的。我的№理想是成为一名医生，我来这里◇是学医的，不是换专业的。
这就是数据偏见导致的事件。
我关心的是已经处于这样形势下的学︼生的想法：“学校这么照顾我，老师最关心我的前途，他们也给我看过数据(证据)了，看来〖我成不了医生了，学医真的太难了，我想他们是对的，我应该换专业。”
这不仅仅是某个学习者ζ 的损失，也是大家的损失。一个本可以成〖为了不起的医生的学生却被数据引导着转行了，对于整个社会而言，也是一√种损失。
马克·米利伦:我非常同意这个观点。问题是，我们能不能以一种完全不同或更有效的方式使用相同』的数据。我∩们要使用设计思维，对那个学生说：“如果你真的还想走医学这条路，以你现在的水平，可以先通过这◢门课程，使用这些资源，这样你在4~6年毕业的可能性就增加了一倍。”
好在我们还处于非常初级的阶段，如果能在这方★面建立一个行为规范和道德规范，就能确保事情往好的方向发展。
坎迪斯·特尔:我们还可以用另一种方式使用这些数据，不仅改︽变学生，还可以分析机构的教学模式。如☆果学生没有化学基础，那么问题不仅仅是“如何让这个学生与众不同”了，我■们需要看看老师教化学的方式是否合适，以保证学生ξ更多地通过。这可能是使用数据的另一种方式。
