九章隨時(shí)問國朝游：未來步驟級的診斷+答疑，或許是個(gè)性化學(xué)習(xí)的終極答案

　　來源|多知

　　作者|國朝游

　　攝|王上

　　近日，在多知OpenTalk第46期“教育新生態(tài)：AI學(xué)伴、AI老師來了”活動上，學(xué)而思九章隨時(shí)問產(chǎn)品負(fù)責(zé)人國朝游以九章隨時(shí)問為例，分享了大模型如何幫助解決個(gè)性化學(xué)習(xí)的難題。

　　在國朝游看來，對于傳統(tǒng)的教育行業(yè)來說，個(gè)性化、高質(zhì)量和大規(guī)模這個(gè)“不可能三角”是非常突出的。在大模型時(shí)代來臨后，個(gè)性化學(xué)習(xí)有了更多的解法。

　　第一，大語言模型有強(qiáng)大的理解和對話能力，這就意味著可以通過更自然的AI交互的方式采集到學(xué)生的反饋和數(shù)據(jù)。大模型用于給學(xué)生“答疑”成為可能。第二，學(xué)生的學(xué)習(xí)過程，通過對話體現(xiàn)出來，讓數(shù)據(jù)驅(qū)動的過程性評價(jià)成為可能。這樣，結(jié)合大模型的理解能力以及數(shù)據(jù)采集分析能力，最后就能形成一個(gè)更個(gè)性化的解決方案。

　　九章隨時(shí)問便是在這一背景下誕生。據(jù)透露，自2024年5月以來，“九章隨時(shí)問”的微信小程序、iOS和安卓APP陸續(xù)上線，超過1/5的用戶在完成講題后，主動反饋“非常有幫助”。

　　國朝游透露，團(tuán)隊(duì)在題目級別的知識點(diǎn)標(biāo)簽上更深一步，探索步驟級別的知識點(diǎn)標(biāo)簽。他認(rèn)為，未來步驟級的診斷+答疑，或許是個(gè)性化學(xué)習(xí)的終極答案。

　　以下為國朝游的分享，經(jīng)多知編輯：

　　01

　　大模型時(shí)代，個(gè)性化學(xué)習(xí)有了更多的可能性

　　大家好。今天我演講的主題是《大模型時(shí)代的個(gè)性化學(xué)習(xí)探索》。這個(gè)主題有點(diǎn)大，我今天會以“九章隨時(shí)問”這個(gè)產(chǎn)品為例，從一個(gè)小切入點(diǎn)延展出我們的思考。

　　“九章隨時(shí)問”是基于學(xué)而思自主研發(fā)的九章大模型研發(fā)出的一款數(shù)學(xué)搜索答疑工具。

　　不同行業(yè)都會提到“不可能三角”的概念。對于傳統(tǒng)的教育行業(yè)來說，個(gè)性化、高質(zhì)量和大規(guī)模這個(gè)“不可能三角”是非常突出的。

　　那AI如何可能打破這個(gè)“不可能三角”?

　　在大規(guī)模方面，AI有天然優(yōu)勢。在高質(zhì)量方面，如何讓AI越來越聰明，在各個(gè)環(huán)節(jié)上的表現(xiàn)越來越好，是我們一直努力提升的方向。而AI助力個(gè)性化方面，我們是怎樣在一個(gè)具體的場景嘗試實(shí)現(xiàn)個(gè)性化，這是我今天想聊的話題。

　　我們的思路是，我們先找了一個(gè)具體的個(gè)性化學(xué)習(xí)的場景——課后從題目練習(xí)到知識鞏固的鏈路。在這個(gè)環(huán)節(jié)，有沒有解決方案能在學(xué)生遇到不會做題的時(shí)候幫他解決?

　　傳統(tǒng)的解決方案就是學(xué)生答題，答完題之后，自己看參考答案。不足之處是，答錯(cuò)、不會做的題目，學(xué)生只知道正確答案，解題過程依然不會，而且解析過程簡略，不明白的推導(dǎo)步驟無人解答，只能自學(xué)理解。這時(shí)，他們已經(jīng)很難通過自學(xué)來達(dá)到做題、知識點(diǎn)鞏固的正向循環(huán)。

　　到了大模型時(shí)代，有了更多的可能性：

　　第一，大語言模型有強(qiáng)大的理解和對話能力，這就意味著可以通過更自然的AI交互的方式采集到學(xué)生的反饋和數(shù)據(jù)。大模型用于給學(xué)生“答疑”成為可能。

　　第二，學(xué)生的學(xué)習(xí)過程，通過對話體現(xiàn)出來，在每個(gè)步驟上的行為都被數(shù)據(jù)化，成為過程性評價(jià)的數(shù)據(jù)抓手，實(shí)現(xiàn)從結(jié)果評價(jià)到過程性評價(jià)的遷移。

　　這樣，結(jié)合大模型的理解能力以及數(shù)據(jù)采集分析能力，最后就能形成一個(gè)更個(gè)性化的解決方案。

　　以下圖的這道題為例，這是一道典型的題目。不同的學(xué)生在做這道題時(shí)，可能會在不同的地方被卡住。

　　不同學(xué)生在不同地方卡住，意味著他們對更細(xì)密度的知識點(diǎn)掌握情況是不一樣的，也就是說，學(xué)生們不會的點(diǎn)是不一樣的。如何找出他們每個(gè)人不會的點(diǎn)并給他們講會，就是我們嘗試做的個(gè)性化的思路。

　　02

　　定義“九章隨時(shí)問”

　　對此，我們設(shè)想的解決思路是，當(dāng)學(xué)生這道題不會，尋求AI老師的幫助時(shí)，首先判斷學(xué)生是否掌握了這道題背后的這個(gè)知識點(diǎn)，如果沒有掌握，就講明白這個(gè)知識點(diǎn)，然后再回到這道題的解答。這其實(shí)是最理想的一個(gè)方式。

　　在這樣的思路下，我們開始設(shè)計(jì)“九章隨時(shí)問”這款產(chǎn)品。它其實(shí)聚焦了一個(gè)非常小的環(huán)節(jié)，就是學(xué)生遇到了一道題不會時(shí)，我們怎么為他講明白。

　　學(xué)而思內(nèi)部有非常多的老師，我們會研究老師具體是怎樣給學(xué)生講會一道題的：老師會根據(jù)學(xué)生的反饋決定應(yīng)該講什么內(nèi)容、講到哪一步、用什么講法，因?yàn)樾枰獙W(xué)生反饋，看學(xué)生是否掌握，這就涉及診斷能力。這些過程結(jié)束之后，需要進(jìn)行題目總結(jié)、題目拓展和相似題推薦。

　　拆解了真人老師是怎樣給學(xué)生講會這道題的過程后，我們很自然地就能了解這個(gè)講題大模型需要具備什么能力。

　　自2024年5月以來，我們陸續(xù)上線了 “九章隨時(shí)問”的微信小程序、iOS和安卓APP，超過1/5的用戶在完成講題后，主動反饋“非常有幫助”。

　　前段時(shí)間有個(gè)通用大模型在簡單數(shù)學(xué)題上集體翻車的熱點(diǎn)。我們當(dāng)天也去測試了一下九章隨時(shí)問，它是能夠比較好地講出來的。這體現(xiàn)出，通用大模型在垂類場景下，不一定能解決得特別好。在特定場景下，我們的垂類大模型有更加專業(yè)的老師，有更加海量的高質(zhì)量數(shù)據(jù)，以及各種評測來優(yōu)化，我們在這方面也就做得更好。

　　03

　　未來步驟級的診斷+答疑，或許是個(gè)性化學(xué)習(xí)的終極答案

　　我們之前在做知識點(diǎn)標(biāo)簽的時(shí)候，更多地是打在了題目級別，即“這道題你會了，這個(gè)知識點(diǎn)你就會了”，要是判斷不準(zhǔn)，再多測幾道題，看看會不會這個(gè)知識點(diǎn)。

　　但是如果用戶和AI是有交互的，我們能夠采集這道題每一步的講解數(shù)據(jù)，判斷學(xué)生到底懂沒懂。因?yàn)橐坏李}背后，我們能夠?qū)λ拿總€(gè)步驟都打上一個(gè)非常詳細(xì)的能力標(biāo)簽、知識點(diǎn)標(biāo)簽。

　　基于此，我們就可以得到一個(gè)非常個(gè)性化的每個(gè)學(xué)生的知識圖譜。同樣是這道題，不同學(xué)生某些知識點(diǎn)掌握情況是不一樣的，后面的講解策略、講解方式、講解內(nèi)容是可以做調(diào)整的。這會讓九章大模型在這個(gè)場景下更加個(gè)性化。

　　其實(shí)在大模型場景下做個(gè)性化學(xué)習(xí)，未來其實(shí)還有非常多的事情要做。我們也希望能夠和業(yè)內(nèi)更多的伙伴在這個(gè)場景做一些更多的交流和探索，持續(xù)克服大模型在學(xué)科領(lǐng)域，特別是在數(shù)學(xué)領(lǐng)域，天然比較難攻克的方面，以達(dá)到一個(gè)非常好的效果。

　　我今天的分享就到這里，謝謝大家。

　　04

　　Q&A

　　提問1：大家好，我是來自新東方的AI產(chǎn)品。我的疑問有兩個(gè)，一個(gè)是學(xué)而思為什么會選擇從數(shù)學(xué)場景做大模型，因?yàn)榇竽Ｐ捅旧碓跀?shù)學(xué)的計(jì)算推理上有一定的缺陷，那么就意味著我們在解題過程中很有可能會出錯(cuò)。另外一個(gè)問題是，對于大模型目前在計(jì)算推理方面的問題，咱們目前是有一個(gè)什么樣的方案進(jìn)行解決？

　　國朝游：我們選擇數(shù)學(xué)是基于幾方面考慮：

　　第一，它確實(shí)很難，也意味著我們在這一塊有更多的可能性，我們希望能夠突破這個(gè)難點(diǎn)。并且做數(shù)學(xué)大模型在講題、答疑、批改等應(yīng)用場景非常廣闊。

　　其二，學(xué)而思是以數(shù)學(xué)起家的，在數(shù)學(xué)方面也更有優(yōu)勢。

　　關(guān)于如何解決大模型目前在計(jì)算推理方面的問題，我們從模型訓(xùn)練到后面的計(jì)算推理，做了非常多的算法嘗試和處理，這樣的case非常多。

　　提問2：我在一家創(chuàng)業(yè)公司，我們現(xiàn)在也在做一些AI答疑產(chǎn)品。我現(xiàn)在遇到的一個(gè)問題是，用戶在問問題的時(shí)候，其實(shí)是有文字和語音交互的。語音有時(shí)識別不準(zhǔn)。如果跟大模型交互的話，識別不準(zhǔn)確時(shí)，大模型還會根據(jù)上下文做一些推測。但是現(xiàn)在沒法借助大模型對TTS的上下文做判斷，以校正TTS。所以我想問一下，你們是否遇到這塊的問題，以及如何解決？

　　國朝游：這都是一些非常實(shí)際的問題。首先，語音和OCR都是繞不開的問題。第一點(diǎn)，其實(shí)在大模型時(shí)代出現(xiàn)之前，語音的TTS的字準(zhǔn)率其實(shí)一直都有個(gè)上限。也肯定是有些辦法能夠提升的，這在行業(yè)內(nèi)也是比較公開的。

　　另一方面，判斷它到底是什么。我們也發(fā)現(xiàn)，它不一定每個(gè)字都識別得非常準(zhǔn)才能夠判斷。有些時(shí)候有一部分的詞可能不準(zhǔn)，但整體連起來是能夠理解的。

　　所以其實(shí)是從兩個(gè)方面解決，第一個(gè)方面就是怎樣讓它變得更準(zhǔn)，第二方面就是本身讓模型去學(xué)習(xí)在不準(zhǔn)的情況下如何理解。

　　提問3：您好，我是高途的AI教育的產(chǎn)品。我其實(shí)有點(diǎn)疑惑，在學(xué)習(xí)中，意圖的識別怎么做？因?yàn)椋鈭D識別非常困難。第二個(gè)問題是，在剛才您分享的那個(gè)案例課程里，根據(jù)學(xué)生回答，咱們這個(gè)模型好像是可以識別出學(xué)生哪個(gè)知識點(diǎn)沒有回答對，并且針對這個(gè)知識點(diǎn)，給他做一個(gè)啟發(fā)式的教學(xué)。那怎樣在這個(gè)過程中精準(zhǔn)地找到哪個(gè)知識點(diǎn)不對？因?yàn)楝F(xiàn)在很多教育公司做的方式是你這個(gè)問題答錯(cuò)了，我根據(jù)這個(gè)答案反過來去告訴你這個(gè)過程應(yīng)該是怎么做的，最后就把所有的知識點(diǎn)1、2、3地列出來，那您是怎么實(shí)現(xiàn)在這個(gè)過程中直接精準(zhǔn)地找到學(xué)生哪個(gè)知識點(diǎn)有問題呢？

　　國朝游：關(guān)于知識點(diǎn)這一塊，首先，我們內(nèi)部其實(shí)有非常多的老師講題、上課的數(shù)據(jù)。其實(shí)在這個(gè)方面，結(jié)合他們那些和我們的數(shù)據(jù)的標(biāo)注，我們能夠讓模型去學(xué)習(xí)到學(xué)生這樣的反饋代表他背后是什么狀態(tài)，知識點(diǎn)掌握得怎么樣。所以這一塊其實(shí)也是通過大量的學(xué)習(xí)逐步實(shí)現(xiàn)的。

　　關(guān)于學(xué)生的意圖，如果對比真人老師的話，首先最基本就是他問了一些問題后，學(xué)生說了什么內(nèi)容，這是靠語音識別學(xué)生意圖。其次，如果是真人場景的話，可能還有別的輔助識別意圖的方式，比如觀察學(xué)生的表情，看學(xué)生是不是反應(yīng)時(shí)間很長甚至是不回應(yīng)。你能采集到什么樣的數(shù)據(jù)，就決定了你用哪些東西綜合判斷他的意圖是什么。

　　核心取決于怎樣在不影響用戶參與學(xué)習(xí)和答疑的過程的前提下，采集到盡量多的數(shù)據(jù)，就可以把這些數(shù)據(jù)利用起來，分析他的意圖是什么。

　　提問4：我想問的是，怎么讓這個(gè)模型能夠基于答案解析，把這個(gè)解析拆成一個(gè)一個(gè)的步驟，還原到老師解題的過程，再用大模型跟學(xué)生引導(dǎo)式的互動，幫學(xué)生把這道題解出來。比如學(xué)而思有很多課程，有很多講題視頻，能夠給到模型去學(xué)習(xí)，這里面可能也需要老師的一些標(biāo)注的數(shù)據(jù)，我非常好奇，怎樣把老師的思路給到模型，讓模型去學(xué)習(xí)老師的講題思路，怎樣評價(jià)這個(gè)模型的效果？

　　國朝游：關(guān)于怎樣把老師的這個(gè)思路給到模型，目前，我們通過一些高質(zhì)量的數(shù)據(jù)給到模型，讓模型去學(xué)。其實(shí)這個(gè)問題就變成了怎樣拿到這些數(shù)據(jù)，那我們自己有很多的優(yōu)質(zhì)教研資源，比如題庫，比如講題視頻。另一個(gè)方式是，也有一部分可能質(zhì)量并沒有達(dá)到要求的數(shù)據(jù)，那就依靠標(biāo)注。我們也投入了很多的資源在標(biāo)注這一塊。第三個(gè)方式是，用AI生產(chǎn)數(shù)據(jù)。AI生產(chǎn)數(shù)據(jù)的量是很大的，但問題是AI生產(chǎn)的數(shù)據(jù)質(zhì)量到底行不行，能不能用于重新訓(xùn)練。這是一個(gè)非常大的難點(diǎn)要去解決。但是如果你沒有前面那兩種方式，只是用AI生成數(shù)據(jù)去訓(xùn)練模型，大概率最后是不可行的。