AI自适应教育持续火爆，将改变线上教育格局。3月15日，英途邀请美国领头羊Knewton前首席产品官、现合作与发展高级副总裁Jason Jordan先生，分享“北美高等教育市场自适应学习现状与未来”。
Jason Jordan在教育领域有着超过20年的丰富从业经历，自2016年起在Knewton担任高等教育市场的副总裁，2017年担任首席产品官。加入Knewton之前，他曾担任培生教育（Pearson Education）数字战略、英语与数学的高级副总裁，艺术与科学、数字战略与分销的高级副总裁, 培生教育Allyn&Bacon/Longman的副总裁，美国出版商Addison Wesley出版经济学、金融学、计算机科学副总裁，出版数学副总裁等。
他从北美高等教育市场自适应教育学生体验，自适应教育领先公司的优势比较，自适应学习的宏观与微观比较，自适应教育模式，和自适应学习的未来发展趋势等5大方面，深入分享和探讨了自适应学习的发展现状和前景。以下为分享实录，enjoy。
自适应教育领先公司的优势比较
目前每年大约有1700万学生通过高等教育考试进入北美高学就读，在通识教育和公共课阶段是自适应学习应用最多的阶段。
预计未来大三或大四的学生们开始选专业时，甚至在研究生阶段会更多使用自适应学习的工具和软件。自适应教育刚刚起步但会向更高的阶段蔓延。
 
北美8大自适应教育领先公司中，培生教育自2012年起就开始涉及自适应学习领域，最初与Knewton进行合作，后来也开发了自己的自适应学习平台。
麦格劳-希尔与Area 9合作开展自适应学习业务，虽然不是最早开始的，但在自适应学习和市场营销方面都做的很出色，是目前北美市场做的最知名的。
约翰威力在北美自适应学习领域排名第五。通过与印度初创企业Snapwiz进行合作，不仅在自适应学习，而且在自适应实践和自适应作业领域做的比较领先。
自适应学习方面注重科技的5家公司包括：Knewton、Area 9、 Junctions、Cogbooks、Smart Sparrow。
 
Knewton不光服务于企业还服务于学生；Area 9与麦格劳-希尔有过合作后来自己运作；Junctions、Cogbooks、Smart Sparrow与北美不同的高校在自适应学习教育科技领域进行合作。
 
自适应学习的宏观与微观
 
微观自适应学习主要聚焦需要解决的问题，比较细分；宏观自适应学习根据学生的知识掌握程度来调整后面所接触到的内容。
自适应测试是微观层面的自适应学习体现，比如根据学生在答题时的情况，如果连续答错几题，后面的考题则会自动降低难度来匹配这个学生当前的水平。
宏观层面上则更多是对学生进行概念型后，有针对性的推荐视频、动画、文本等学习内容来弥补学生知识的不足。
北美高等教育市场的领先公司在微观和宏观层面的工作都会做，会借助上述这些工具和能力来了解学生到底掌握了哪些知识以及哪些知识的漏洞需要巩固，之后再推荐新的内容。
在了解学生知识掌握方面进行诊断性测验非常重要，Area 9和Cogbooks在给学生推荐内容之前就进行20-30个问题的诊断型测试，而Knewton是在学生学习的全过程中都进行诊断型测试，比如说在开始之前会给学生出6个问题来考察学生当前掌握程度。
项目反应理论是上述提供自适应学习公司的基础理论，根据学生做题的反应来判断他的情况，对做错的部分会了解更多并且也对答对的部分有所帮助。对做错部分进行分析，找出知识的薄弱环节在哪里，原因出于哪个部分。
知识曲线图是上述的自适应学习公司都需要掌握的关键能力，简单来说就是不同学习内容的一张图表，会列出不同学习的前置内容有哪些，比如在掌握一元二次方程前需要解锁哪些能力。
 
通过项目反应理论和知识曲线图结合可以更好地诊断学生的学习情况，上述自适应学习公司都会通过项目反应理论来推荐相关的学习内容来帮助学生强化相关的知识和技能。
同时，上述自适应学习公司也会在自适应内容，自适应测验/小测验，自适应作业/辅导材料方面突出自己的特色，建立自己的竞争比较优势。
另一方面，Knewton只提供标准化测试，不提供自适应测试。但在自适应内容和自适应作业/辅导材料方面Knewton有自己的竞争比较优势。
此外，Knewton在跨学科自适应方面也有自己独特的优势。比如学生的化学学不好是可能是因为忘记了一部分数学方面的知识，所以Knewton会给学生推荐相关的数学内容进行知识补习。
Cogbooks的独特竞争优势在于其自信区间，简而言之就是学生在解决问题之前对掌握知识的信心进行打分，做完相关问题后再对难度进行打分。 

自适应教育模式
 
自适应教育模式不光汇集了教师和学生，对出版商的出版决策也能起到一定程度的帮助作用。
Knewton会借助自适应引擎采集的数据来分析相关教学材料和教学内容的有效性。通过教学价值的标签对教学内容进行不断提升和改进。上述自适应学习公司都有自己的预测引擎，预测引擎的准确率决定了会有多大的学生群体在使用。
Knewton的自适应学习引擎预测率大约是87%。举例来说，老师会以学生的期中和期末考试作为标准，预期有多大概率可以通过。实时数据会给自适应学习起到帮助，在Knewton的平台上数据是每0.13秒就可以刷新一次，所以老师可以实时看到哪些学生在学这些知识时是否比较困难，如果需要额外的帮助再进行辅导。
在长时间的数据采集与画像方面，大一的学生就能通过Knewton的平台系统进行学习，其学习数据包括实习数据也会保存，数据可以体现出该学生的优势在哪，可以进行长时间的数据累计和画像。
传统的教育测试可以体现出学生在学术方面的表现，但通过Knewton自适应学习平台采集了大量的数据后可以评估该学生的21世纪技能和软技能，比如批判性思维、团队协作能力、沟通技巧等。
学生进入职场之后，雇主也希望了解这些情况，弥补学生在教育端和职场需求之间的差距，培养学生具备这些软实力。
通过Knewton的平台学习两周之后，可以预测学生是否能通过测试。Knewton希望未来根据学生的软技能来推荐相应的专业及职业发展选项，这是Kenwton可以利用其自适应数据创造的价值，能为整个教育的生态当中的不同参与者带来好处，能汇集学生也能汇集教育机构及未来职场当中的雇主，提供长期价值的解决方案。 
 
 
自适应学习的未来趋势
 
Jason强调通过Knewton 人工智能技术所驱动的自适应学习，关键竞争优势是能够通过项目反应理论不断优化和调整教学内容，这个工作目前还是通过专家来进行，根据平台上采集的学生反馈数据找出规律来对教学材料进行调整，但以后会由AI引擎来自动完成。
知识曲线图可以绘制出不同学科及不同内容之间的联系，关于联系也需要做相关的实验进行验证来证明是否存在或不存在一定的联系，未来希望由人工智能来实时进行验证。更快速地找出不同知识点之间的联系，更快的摸索出整张知识曲线图。
同时他也预计在北美高等教育市场，自适应学习更加个性化的趋势有新的发展。自适应科技公司的数字产品比如Alexia，Siri等可以为大学所用，为学生更好的提供个性化学习的体验。
自适应的工具在未来会成为一种软件即服务的方式，就目前来看如果想获得自适应学习体验需要通过比如Kenwton, Area 9, Cogbooks等平台，这会造成一定的局限性，但未来应该会像我们桌面上的任意一款软件一样方便使用。
 
Jason描绘了一个未来使用场景：学生们在用备忘录，做图表或解决问题时自适应学习的软件即服务工具可以检测到当前任务，并给出推荐，比如当前的教学内容对学生会有所帮助。
他预计5年之后北美地区的自适应学习可能成为一种普遍学习的方式，学生们会非常适应并享受到这种自适应学习服务。
 
由此可见，美国高校老师对个性化教学有着比较强的需求，而自适应教育公司也更愿意与高校进行合作，从学校中获得学习数据。所以在未来，拥有丰富学习数据的自适应教育公司，才更有可能真正实现教育的个性化。
 
 

关键词：