Atom Learning Model (ALM): how a real classroom got tokenised
本文描述了原子学习模型（Atom Learning Model, ALM），该系统将两本数学教科书标记为包含 1,934 个学习步骤的先修图谱，从而以低成本为 373 名学生生成个性化问题，同时也揭示了一些意想不到的发现，例如建立链接的高昂成本、语言模型无法预测题目难度，以及该系统的部署在测试其核心前提之前便已停止。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在典型的课堂中，一位教师站在三十名年龄相仿的学生面前，试图教授一堂课。挑战在于，那间教室里的每一个孩子在学习进度上都不完全相同。有的孩子可能已经准备好解决复杂的谜题，而有的孩子还在为基础的碎片而挣扎。由于教师无法瞬间精准掌握每一位学生的技能水平，课程往往设定在一个折中的水平，这导致一些人感到无聊，而另一些人则感到迷茫。几十年来，教育工作者一直试图通过根据大致能力将学生分组来解决这个问题，但这仅仅略微缩小了差距；它仍然是将三十个孩子视为一个整体，而非三十个独立的个体。核心问题在于缺乏分辨率：学校拥有一张关于“需要学习什么”的地图，但缺乏一种方法来精确定位每个孩子在任何给定时刻在这张地图上的具体位置。
正是这个缺口，由一个被称为“原子学习模型”（Atom Learning Model）的新系统试图填补。其核心思想是将一个学科（如数学）分解为其最小可能的步骤，称为“原子”。想象一下，将“解方程”这一技能视为一个单一、庞大的任务是不准确的，它实际上是一条由细小且截然不同的动作组成的链条：知道如何乘法、知道如何减法、知道如何重排一行。如果一个学生能完成前三个步骤却在第四步失败了，系统就能精确地知道这条链条在哪里断裂。通过绘制这些微小步骤及其学习顺序的图谱，该系统理论上可以为每个孩子提供一份难度恰好略高于其现有水平的练习册。这种方法有望将教育从僵化的年级制转向一种让学生按自身节奏进步、在掌握下一个微小步骤之前先精通当前步骤的模型。
由伦敦帝国理工学院的菲利普·博格丹（Philipp Bogdan）领导的一项研究，在英格兰两所中学进行了为期七周的实地测试，以验证这一想法。他们并没有人工编写课程或题目。相反，他们将两本标准的数学教科书输入计算机系统，并要求系统阅读页面、提取技能，并构建一张庞大且相互关联的知识图谱。该系统处理了757页文本，并将其转化为1,934个独特的“原子”，每个原子代表学习者可以完成的一项单一技能。随后，它投入了大部分精力来研究这些原子如何连接，创建了超过4,600个链接，展示了哪些技能必须在其他技能之前被掌握。这种结构使计算机能够生成数千个针对特定微小技能组合量身定制的独特问题，并将其提供给373名学生。
实验结果令人惊讶，并挑战了关于学习方式的几种常见假设。首先，研究人员发现，观察一个问题的计算机模型无法预测该问题对学生而言会有多难。系统为问题分配了难度标签，但当他们将这些标签与学生的实际表现进行对比时，发现这些标签完全失效了。他们发现，问题的难度并不是问题本身的固定属性。相反，难度是问题与回答该问题的特定学生之间的关系。只有当学生缺失解决该问题所需的特定微小步骤时，问题才会变得困难。这意味着教师或计算机不能仅仅通过观察一个问题就说它是“难”的；他们只能知道对于一个缺乏必要背景步骤的特定孩子来说，它是难的。
另一个出乎意料的发现涉及反馈的速度。研究人员测量了学生等待答案评分的时间，以及这种等待时间如何影响他们的持续工作意愿。他们发现，如果学生等待评分的时间仅为七秒，那么与等待三秒相比，他们开始下一题的可能性会显著降低。这种在大多数教育工作者看来微不足道的延迟，足以破坏学生的专注力。这表明，在数字学习环境中，系统的运行速度对于维持参与度而言，与问题的质量同样重要。
或许这项研究最显著的局限性在于，该系统从未真正测试其最深层的理论。原子学习模型的核心前提是，难度源于学生缺失的技能链条的深度。为了证明这一点，系统需要提供那些要求学生跨越三到四个缺失步骤才能解决的问题。然而，在为期七周的试验中，系统几乎从未提供过深度超过两个步骤的问题。研究人员承认，他们理论中最关键的部分——即“难度纯粹取决于缺失的内容”这一观点——仍未得到测试，因为系统从未提出过那些能够证明该理论的难题。该系统在处理浅层问题时表现良好，但至于它是否能引导学生跨越深层的知识鸿沟，这一终极测试仍有待未来验证。
尽管存在这些局限性，该实验仍为人们提供了一个关于全部分解（tokenized）的课程成本及运作方式的具体观察。阅读教科书并构建技能图谱的整个过程，一次性投资在615英镑至1,230英镑之间。一旦建成，系统生成6,000多个问题的成本约为每个问题26便士。研究表明，在无需人类教师编写每一个问题的条件下，实现自动化创建个性化学习路径是可能的。然而，研究人员谨慎地指出，该系统尚未取代教师。虽然技能图谱已经存在，问题也已生成，但该系统尚未利用学生的实时表现数据来决定下一步展示什么内容。分数是在事后计算的，这意味着在试验期间，学生并未真正受到该系统完整潜力的引导。
这项工作呈现出的愿景是，“年级”的概念将变得过时。如果一个系统确切知道一个孩子掌握了哪些微小步骤以及缺少了哪些步骤，那么就没有必要让三十个孩子聚集在同一个房间里等待班级里的其他人赶上来。一个孩子可以按照自己的速度学习材料，如果需要，可以在一个水平上停留九个月，或者如果准备好了，可以在六个月内完成。目前的考试作为一个所有人同时进行的物流事件，可能会变成一个学生在准备好时随时可以进行的个人里程碑。原子学习模型在七周的试验中并未实现这一未来，但它搭建了通往未来的第一座桥梁，证明了即使水尚未流过，这种系统的“管道工程”也是可以构建出来的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。