您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

未来的基础教育如何更好的拥抱互联网？

互联网,数据,学生未来的基础教育如何更好的拥抱互联网？

发布时间：2016-12-08加入收藏来源：互联网点击：

首先看基础教育的概念。

中国的基础教育包括幼儿教育、小学教育、普通中等教育。狭义上讲是九年义务教育。

基础教育从来都是国办，互联网内容提供商无法涉足

很明显，国办教育是根本，教育内容国家不可能开放给三方公司，只会控制在教育局手里，这次疫情小学在线教育之所以没开几天就叫停的根本原因是“内容”跟不上，无统一标准，并且发布渠道过于依赖商业公司。

怎么搭上基础教育的互联网快车

1、课程内容通道工具是个选择，课程内容来自官方，可以基础内容做一系列工具给家长选择，比如在内容基础上，通过互联网工具延伸作业工具、测试工具等

2、官方内容补充，现在诸多课外教育机构做的比较火，但实际测试，网络教育效果不如实际现场培训学习效果。所以在辅助内容选题上应该侧重于什么，长课程不是个好的选择，考试辅导等短课程可以一试。

回答于 2019-09-11 08:43:50

个人看法：

1:基础教育是根基，作为教育者，个人认为还是先提高自己的教学水平。

2:现在是互联网时代，每个行业都离不开互联网，尤其是今年这种情况，很多学校通过互联网这个平台为孩子上课。

3:如何更好拥抱互联网，就需要在教育这方面多向互联网倾斜，比如好的课发布与互联网，这样更多的孩子可以受益，互联网也可以为老师们提供更多的平台，鼓励优秀的教育者向这方面发展。




回答于 2019-09-11 08:43:50

怎么在基础教育阶段的教学中寻找可以利用数据提高教学效果的场景?

教学分为四个基本环节，备(课)，讲(课)，练(习)，测(评)。四个环节都可以使用数据，数据渗透的难度依次递减，但是数据效果也依次递减。

数据运用最成熟的场景是测评。测评又可以分终结性测评和形成性评价。在终结性测评中使用数据，在中国往往以自动阅卷系统的测评报告作为产品形态；而在美国则有NAEP这样的全国性标准化考试和ETS这样的自适应测试系统。形成性评价发展相对薄弱，有一些技术尝试，但是没有成熟的落地产品。

测评用于提分的最大障碍是怎么为教学提供有效信息。终结性测评我把它比喻为尸检，孩子都已经完成学业了，也没法再进行有效教学干预了；因此它的作用不是治病救人，而是识别凶手，即识别并排除糟糕的老师(或者学校)。因此，这是个教育管理的刚需，但是未必是教学刚需。形成性评价的确有进行教学干预的时间窗口，但是给学生(以及学生家长)和老师的报告很难落地。因为现在大部分形成性评价模型还是对于知识点掌握概率的预测(包装成掌握等级实质上是一样的)。一方面这种预测很难解释，例如平行四边形面积公式掌握概率80%(或者五颗星中四颗星)，老师问啥意思，立马歇菜；另一方面是很难落实为教学干预，老师问，要做什么才能把这个学生的掌握程度变成五颗星，继续歇菜。因此，很多报告看上去高大上，但老师根本不用，最后还是要问测评公司要看原始做答数据。据我所知，云校在高频率测评(例如月考)中采用了一些数据挖掘的技术，来指导下一步的教学方向，但是是否有效未知。

练习的数据使用场景是跨界做教育的公司最喜欢讲的故事。但是大部分场景的教学效果没有特别多实证证据来支持。

举个例子，做练习产品第一个想到的需求可能是错题本。对于大部分学生而言，错题本是一个典型因果倒置带来的伪需求。老师可能观察到有错题本的学生成绩都好，因此推断错题本提分。但是更有可能的因果推断是这些孩子高度自律，因此才会整理错题本，因此才会好好学习分数高。就算用数据和技术实现了错题本自动整理和呈现，学生不去主动纠错与归纳依然抓瞎。

再举个例子，互联网教育做练习的另一个必备卖点是推荐。不论是错题的类题推荐，还是(基于形成性测评的)自适应推荐，实质都是暴露学生的薄弱环节。但是与电商或者内容平台上的协同推荐暴露用户偏好就可以利用不同，学生的薄弱环节很难“利用”。如果我知道你搜索了裙子，我可以给你推荐10款不同的裙子，总有一款适合你。但是如果我知道学生不会这道题，我再给学生推10道TA不会的类题，学生就崩溃了。类似的道理，CTR建模很难在教学中使用。我们有技术可以相对精准地预测学生在所有问题上的答对正确率，但是这个预测很难变成有效的内容推荐逻辑：并不是越难越好，也不是越简单越好；你说优先推70%-80%正确率的内容，教育学上的原理是什么？实证结果有效么？【留白给AER】【留白给松鼠AI】

说到推荐系统，就绕不开标签体系。在2019这个时点上，细粒度的标签似乎成为内容产品的标配。我本人对于细粒度标签的诊断和推荐作用基本持否定态度，但是抛开有没有用不说，打标签这个工作本身可以产生大量数据，并应用数据。如果采用兼职打，那么质控和效率问题都可以数据化；不少数据科学家也会手痒地去自动打标签。

与标签体系类似，拍照识别技术本身与教学不太相关，但是在特定场景下可以降低教学成本。比如作业帮和小猿带起节奏的拍照搜题，作业盒子带起节奏的口算拍照批改。这个领域可以积累大量数据，并且是应用深度学习技术的好机会。应用这些技术拿流量肯定没问题，但是是否有助于提分?故事好坏都可以讲，但是实证研究几乎没有。比如拍照搜题“抄答案”，学霸拿来抄简单题把时间用在攻克难题上可能提分了，学渣拿来抄难题答案就可能降分了。

另一个与拍照识别类似，但是我觉得对于教学帮助应该为正的是语音识别和评分技术。英语口语评判和纠音，绝对是课堂教学和课后练习的痛点。大量语料的积累、模型的完善(比如云知声)和产品形态的迭代(比如一起作业)，我主观估计是对于中国义务教育阶段英语教学做出了相当贡献。但是英语口语教学毕竟只是义务教育中相当小的一块。

既然测和练都不太能提分，我们就要谈教学环节，即讲了。这是目前教育和数据相结合的研究前沿。最直接的使用场景是做智能教学系统( Intelligent Tutor System)。这点在国内不太受重视，但是一直是美国教育技术研究的核心领域。这和两国教育技术研究的最大支持者有关。美国的教育技术最大买单者是美国军方(特别是美国海军)，因此(远程)讲一直是重点；而中国大部分教育技术公司或多或少脱胎于题库产品，因此更注重测和练。但是时间到了2019年，大家发现下沉市场的教学环节有利可图，并且我相信大家会逐步发现，哪怕有辅导老师的“人工智能”，在北京给三线城市孩子们讲课面临的问题本质上和在美国给太平洋上的海军官兵培训是一致的。因此，风头正劲的AI课(例如斑马英语)开始具备ITS的雏形。ITS会生成大量行为数据和形成性测评数据，将深刻改变我们对于学生模型和教学模型的认知和迭代方式。这个商业模式继续发展下去，会是真正意义上大数据在教育中发挥作用的温床。

 2/3   首页 上一页 1 2 3 下一页 尾页