设立人工智能学习系统的关键元素

人工智能程式是模仿人类大脑运作，透过具学习能力的计算机程序——“人工神经网络”（ Artificial Neural Network, ANN ），就能分析大量历史数据，让计算机程序学习这些数据之间的关系，继而模仿出人类智慧。人面辨识、自动驾驶等常见的人工智能系统，都是以类似原理运作。然而，要建立人工智能学习系统，除了应用 ANN 外，还有一些难题需要研究及处理。

首先，所有智能学习系统均有一个知识图谱，将要学习的知识细拆成有相互关系的知识点，系统会引导学生循序渐进地学习每个知识点，最后掌握整个知识概念。系统其中一个关键技术，就是要准确分辨学生是否已学懂每个知识点。举例说，学生能答对一题三位数加法，是否代表学生能够完全掌握三位数加法的概念呢？学生答对题目可以是靠运气，答错也可以是一时大意，或者不够时间作答。在更复杂、大量学生中进行自动评估及分析，出现的可能性就会更多，系统判断错误的机会就越大。其实，任何智能系统都不能作出绝对正确的判断，而只能计算出正确判断的机会率。

如何评估学生

系统要准确分辨学生是否已掌握知识点，可运用“认知分析模型”（ Cognitive Diagnostic Model, CDM ）进行分析。此模型需要更多不同的题目，例如有进位加法、无进位加法等不同组合，以更准确判断学生是否真正掌握三位数加法。市面上有不少大型自动化评估平台，均采用 CDM 以得出更准确的分析结果。在人工智能学习系统中应用 CDM ，便能更准确地判断学习者掌握知识的程度，继而为他们提供更适切的学习方案。

另一难题是我们会假设在学习系统内的题目设计是完美的，能够准确地评估学生的能力。事实却非如此，同样是三位数加法的题目，使用大小不同的数字，要求学生的计算能力便有差异，答对的概率自然不同。因此，除了准确的分析结果，一个好的评估系统要能判断提供给学生进行评估的题目与想测试他的能力是否吻合，而这类分析可透过测量模型，如“罗氏模型”（ Rasch Model ）进行，不但可准确地判断学生能力，更可剔除系统中设计有偏差的题目。

打造 Auto-tutor

人工智能学习系统要成功，还需处理一个重要的关键元素，就是提供人性化与互动性兼容的人机界面，以帮助学生建构自主学习。笔者于二月参与香港教育大学举办的“科技促进评估的国际研讨会”，来自美国孟菲斯大学的胡祥恩教授在会上分享他建立的人工智能教学平台 Auto-tutor ，系统依照“通用智能辅导框架”（ Gifted Intelligent Framework Tutoring, GIFT ）而建。 GIFT 内包含的工具可用于建构自主学习、助学生厘清学习目标、妥善管理时间及评估学习进度，继而建立一套有系统的学习策略。平台更配备人机对话界面设计，让学生好像拥有一个专属的私人导师，大大提升学习兴趣和效能。

从以上可见，人工智能学习系统所需要的各种理论及科技元素均相当齐备，相信距离大规模、普及地推展的日子亦不远，成功关键在于教育界、科技界及政府等各个持份者能有充足的认识及掌握，并有规划、有系统地引导教育界运用这些科技，使学生受益。

郑弼亮
香港教育城行政总监

郑弼亮现任香港教育城行政总监，领导香港的一站式专业教育网站（ www.hkedcity.net ）， 协助全港中小学广泛实践电子学习。