人工智能（AI）在高等教育中取得了重大进展，因为实施某种形式的AI的机构在学生留用、招聘和教师生产力等领域取得了可衡量的成果。

　　高等教育机构需要区分真正的人工智能例子和那些更注重智能自动化（或只是炒作）的例子。

　　如今，大多数人工智能技术仍接近于预期膨胀的顶峰；许多人工智能技术项目仍在进行中，尚未成熟到足以结合成有效的高等教育工具。

　　高等教育必须能够收集自己版本的、可利用人工智能的正确数据，因为教育的许多方面都涉及到每年都有类似问题和挑战的学生群体。

　　定义智能（特定的、可度量的、可操作的、相关的和有时限的）用例，确定关键问题或行动，如“确定哪些预警指标与确定高危学生相关？”

　　创建一个数据质量审查，因为人工智能需要质量可靠的机器可读数据。随着人工智能在新的复杂数据类型上蓬勃发展，通过连接相关的数据源开始人工智能活动。

　　制定明确的数据透明度政策，以确定如何使用（或不使用）数据来建立信任。首席信息官在为人工智能计划收集数据时必须是透明，尤其是用于学生个性化的数据。

　　建立一支多元化的人才队伍，确保人工智能项目的成功。利用学生参与，这也提供了职业发展技能。

　　让一台机器加入队伍。通过开创一个数字转换团队来创建一个持续的创新竞争优势，如迪肯的数字化未来实验室。

　　到2020年，至少10%的高等教育机构将使用智能机器来提高学生的成功率。

　　到2021年，超过30%的院校将被迫实施个性化战略，以保持学生的入学人数。

　　到2021年，前100所的高等教育机构将需要采用人工智能技术，以保持在研究方面的竞争力。

　　人工智能作为一种通用技术，可以广泛应用于各个领域。相关机构提出六种在良性循环中交互的核心人工智能技术：

　　无论如何定义人工智能，很明显人工智能将对社会产生深远的长期影响。虽然确切的结果还在争论中，但我们已经可以看到人工智能正在改变几个职业，这改变了高等教育学生为未来职业做准备的内容和方式。澳大利亚迪肯大学副校长（校长）简登霍兰德（Jane denHollander）说：“我们的国家依赖于受过高等教育、技术娴熟的毕业生，他们能够接受智能机器的时代。我们都必须学会使用机器和机器之间的空间。”人工智能甚至可能成为收集可教时间的法律要求。这将确保人工智能能够“传授”掌握一门专业所需的技能。

　　许多人工智能实施仍处于早期阶段。总体趋势表明，与学习分析和人工智能解决方案相比，机构分析等管理解决方案似乎更容易在教育中实施。截至2017年6月底，19项人工智能实施工作已经开始。见表1。

　　例如，堪培拉大学的露西允许学生每周7天、每天24小时获得答案和信息。大多数学生认为聊天机器人的帮助是一种改进的学生体验。

　　Gartner预测聊天机器人个性化实施的具体性（机器人知道基本的背景数据）和机器人可以处理的问题/意图的数量（从基本的校园定位问题到职业建议）都将增加。一些人工智能会话方法也可以用来改进学习，比如如何构建一篇论文（参见Deakin Genie和StudyTree）。

　　另一个重要的人工智能应用程序涉及到改进招生。简单的聊天机器人（如Codecademy与Bobbot的简短试验）可以提高基于Web的招聘转化率（codecademy的转化率报道增长了10%）。此外，这些招聘机器人应该很快就会从主要的SIS供应商那里获得。

　　也许最传统的人工智能用例涉及扩展现有的分析计划，以改进早期预警系统，该系统用于增强教职员工和顾问对留住人才的影响力（如常春藤理工学院）。乔治亚州立大学（GSU）与Admithub的合作体现了一种更具创新性的方法。他们结合了分析和聊天技术，以及轻推理论，来影响那些在暑假前注册，但在暑假后可能无法出现在校园里的学生的留校率，这些学生被称为“暑假融化”。

　　一些高等教育机构正在使用人工智能加速评分过程，显示了人工智能是如何从同龄人评分（高级评分）发展到算法人工智能的。供应商GradeScope报告说，在加州大学伯克利分校进行的试验可以节省多达75%的时间。密歇根大学在其M-WRITE程序中实现了评分过程的智能自动化。在这种情况下，软件为写作作业分配分数。在分数交付给学生之前，由研究员或助教审查分数。学生利用反馈修改作业。

　　高等教育首席信息官在使用本研究时可以利用这些和其他同行的最佳实践和成功。图2概述了一个帮助首席信息官准备使用人工智能进行教育的框架，。

　　乔治亚州立大学（GSU）的“减少夏季融化”项目仍然较好的案例。GSU的首次实施方案是一项随机对照试验，有足够大的队列，以确保官员收集到统计上有效的结果。人工智能是“黑匣子技术”——我们可以观察输入和输出，但不能观察两者之间的关系。需要核实人工智能的结果。GSU与AdmitHub合作，以校园吉祥物的名字命名了一个基于文本的人工智能对话界面Pounce。Pounce是专门为处理与特定学生注册任务的互动而设计的，包括：

　　2016年，GSU对7000名新生中的50%进行了随机对照试验。Pounce取得了巨大的成果：

　　●处理超过50，000条学生信息，只有只有1%的问题（472条信息）由GSU工作人员处理

　　●交换了超过180，000条消息，如果手动处理这些消息，则需要另外10条全职对等项

　　每件作品都有助于帮助学生做出更好的决定。轻推技术，基于诺贝尔奖获得者理查德·泰勒提出的“轻推理论”，帮助人们在关键时刻做出正确的决策。首席信息官及其组织可以利用轻推技术，结合对机构数据的理解，将其作为一种潜在的工具。

　　人工智能实现需要由利用人工智能优势的特定类型的数据集组成的机器可读数据。如果数据太“简单”，传统的分析甚至算法方法就足够了。但是，如果数据过于复杂或稀缺，现有的机器学习和深度神经网络（DNN）技术将无法成功。介于两者之间的是“恰到好处”或“金发碧眼”区域，那里有足够数量的可靠数据，可用于分类和预测。乔治亚理工学院使用广场问答论坛数据就是一个很好的例子；它表明，在保证数据质量的前提下，数据集可以保持适度的工作状态。

　　乔治亚理工学院的助教（TA）机器人“吉尔·沃森”（JW）是一个独特的例子，它提供了几个要点。一个特殊的情况是该项目负责人是人工智能领域的真正专家。AshokK.Goel是乔治亚理工学院交互式计算学院（亚特兰大的一所公共研究大学，有26，000多名学生）的计算机科学和认知科学教授。作为他研究的一部分，他和他的8个博士团队可以访问IBM的开放式开发平台和Watson API来回答问题。

　　第二个特殊情况是，戈尔（Goel）教授主讲一门关于基于知识的人工智能（KBAI）的课程，通常有300名学生。这提供了对数据和实时测试环境的访问。学生们使用在线讨论论坛广场每学期提出大约10000个问题。在2015/16年，Goel教授和他的团队只用了四个学期的问题（40000个），总共花费了1500小时来创建和培训他们的第一个操作性TA机器人（JW）。2016年1月，当JW在一个真实的课上进行第一次测试时，它的表现不是很好（但经过培训，它只能以至少97%的置信度回答）。截止2016年3月，JW能够处理约23%的问题。到2017年春季，一个改进的JW将基本问题的答案增加了26%，但精度略有下降。在非常具体的任务中，例如为“学生介绍”提供个性化的回答（要求每个学生以书面形式向全班介绍自己），JW在所有案例中都能表现出色，占59%。

　　戈尔教授的目标是最终使这项技术变得足够简单，中学教师可以在课堂上使用它。研究小组正在努力减少助教为不同班级设置的时间。在第二节课，一个完全独立的团队完成了150小时的设置时间。目标是将其缩短到15个小时——这是团队认为其TA机器人成功商业化的关键。商业化的时间表尚不清楚，但戈尔教授的团队和乔治亚理工大学风险实验室仍在继续开发。

　　IBM Watson一直在与Pearson合作（始于2016年），致力于扩大高等教育服务。这一合作关系产生了一个名为“狂欢”的个人辅导产品，目前已纳入Pearson的四个课程。圣玛丽山大学、乔治亚州立大学和密西西比大学都参与了利用这项课程的工作。

　　供应商jane.AI有一个机器人程序“jane”，它响应聊天请求，利用整个机构的多个数据源来回答常见问题。它通过员工的培训和用户的持续反馈来学习，使用自然语言处理和算法在当今教育中使用的一系列常见应用程序中找到答案。Jane.AI目前正在圣路易斯的马里维尔大学和华盛顿大学进行试点。

　　此外，新的数据类型，如语音数据，正作为有效的数据被访问，以提高人工智能的质量和增加学生服务的个性化。

　　收集大量的个人数据需要信任。高等教育首席信息官可以通过透明的数据使用方式建立信任，并确保用户能够控制他们如何更正数据。GDPR在欧洲的实施是建立信任的良好第一步，但最终收集数据的每个服务的用户界面都需要建立在用户控制和同意的基础上。

　　道德问题也会使情况复杂化。如果将人工智能用于分析和决策，首席信息官必须意识到算法中的偏差，这种偏差会被过程的迭代性质放大，从而产生极其不准确的结论。

　　常春藤理工社区学院说明了数据使用在教员对数据采取行动之前不会产生实际影响。常春藤理工学院位于印第安纳州40多个地点，每年为近16万名学生提供服务。常春藤理工学院在使用数据方面有着优秀的传统；2016年，它获得了高德纳数据与分析卓越奖。LigeHensley（当时的首席技术官，现在的首席信息官）在使用Amazon Web Services（AWS）的同时，有一个收集和连接云中数据的长期策略。2013年9月，Hensley开始应用机器学习技术，利用Wolfram Mathematica制作原型，以寻找合适的算法。他发现了一种随机算法，可以预测学生是否会不及格，结果很好。学院随后部署了Python Scikit-Learn来简化生产速度并降低成本。

　　然而，Hensley的团队发现了一个缺失的关键部分——他们需要将结果与行动联系起来。2016年7月新校长到来时，团队建立了一个流程，以增强教职员工的权能，并就如何使用数据和实现其效益向员工提供建议，这些工作在应用机器学习精炼数据时获得了回报。该过程确定了预测2017年学生课程不及格的83%的准确率。干预措施开始产生效果，期中考试不及格分数下降3.3%，相当于超过3100名学生通过了课程。

　　如图1所示，如今成功应用人工智能需要不同的人才集合。但技术人才只是冰山一角，因为人工智能与数据紧密相连。人工智能应用程序必须由熟悉人工智能部署领域的人来教授，如学生顾问或助教（TA）。如今的就业市场中，雇主都在寻找那些知道如何将人工智能应用于其企业的潜在雇员。雇主希望引进顶尖人才，而高等教育具有传授人工智能技术的巨大优势，从而培养出优秀人才。我们建议这些高等教育机构：

　　例如，迪肯数字未来实验室引入了一个跨职能的最佳实践的跨功能团队，帮助学生开发适当的应用程序和服务。

　　迪肯的专门研发部门和数字未来实验室根据自己的互联网协议开发了一个VPA框架，配备了：

　　迪肯的下一代个性化产品“迪肯精灵”于2018年2月推出，并向该校的57，000名学生推广。Genie不是从零开始开发的，它建立在现有功能之上，如DeakInSync、个性化学生卡、在线帐户和应用程序中心，这些功能都得到了企业服务总线集成程序的支持，该程序可以向学生提供信息。

　　迪肯团队将其DeakInSyncAPI移植到DeakInSync服务和应用程序。将Genie的自由认知机器学习方法应用于数据语料库是没有问题的。但是，开发人员需要在系统中指定术语。

　　重要的是，开发人员能够将Genie从一个被动的问答系统演变为一个主动的助手，帮助学生学习过程。

　　迪肯希望让Genie更加个性化，并计划将Deakin Scout集成到VPA框架中。（Deakin Scout是将物联网集成集成到Genie 2.0的计划的一部分。）这代表了如何连接和收集数据以实现规模化的个人关注的下一个阶段。

　　如前所述，实施人工智能在很大程度上仍然是手工制作，而不是工业化。和所有领域一样，掌握知识的途径是通过实践。高等教育的首席信息官应该在他们的团队中配备一台机器，并开始积累经验。机器可以执行多种角色，例如：

　　迪肯大学的学生们受益于机器技术。但这些机器需要先教。在入职培训周前四个月，员工们根据电子邮件、语音信息和文件数据收集了大约20，000个问题，并被要求写下答案。学生们需要测试华生人工智能技术。超过100名学生从事华生教学。学生们显然受益于使用机器。他们可以把这项任务包括在他们的简历中，同时给迪肯品牌一些积极的宣传。

　　经验和持续创新是高等教育首席信息官的最佳竞争优势。有关迪肯大学数字化战略时间表的更多信息，请参见图3。

　　人工智能在高等教育中的状态仍然是一项正在进行中的工作。人工智能方法还没有工业化，需要人工来获取人工智能能够消化的格式的数据源。学习机器仍然需要教，企业还处于了解如何有效地教授机器的早期阶段。

　　然而，一些机构正在取得进展。加州大学伯克利分校和乔治亚州立大学的人工智能起源于传统的分析方法，但它们仍在继续发展与人工智能相关的技术。数据是基础，但分析结果必须付诸行动。向教职员工提供数据驱动的见解，并授权他们采取行动，对于任何对学生成绩的真正影响都是必要的。

　　人工智能真正能够超越的下一步是扩展和个性化与广泛学生的互动。（GSU的轻推技术结合了人工智能会话界面和简单的文本消息传递。）

　　乔治亚理工大学和迪肯大学的例子表明，研究和开发过程都是必要的。AI助教和VPA都需要教授，无论是一门课程（如乔治亚理工学院）或整个学院（迪肯学院），这一过程都是实验性和低规模的。首席信息官必须配备一支技术娴熟的数字化转型团队，例如迪肯的数字化未来实验室或乔治亚理工学院的Goel教授召集的团队。跨职能团队能够实现数字化转型，正如2018年首席信息官议程调查中72%的顶级执行者所报告的那样。只有12%的表现落后员工和22%的高等教育首席信息官持相同观点。

　　GSU提供了一种非正式的创新方法，可能更符合学术传统。在GSU，CIO可以使用IT预算中的种子资金进行早期试验，然后创建赠款申请，将想法带到试点项目状态。

　　在高校开始使用人工智能相关技术的时机已经成熟。虽然人工智能驱动的科学院的未来才刚刚开始，但这项技术仍有望智能地解放人类，让他们完成更高级的任务。

　　本文由上海市科学学研究所产业创新研究室副研究员孟海华博士根据Gartner相关报告编译。文章观点不代表主办机构立场。

转载请注明出处。