教育科学需要更加成熟 AI还是“文火慢炖”

李斌认为，在数据收集过程中的一大忌是盲目贪量，全部收集过来再说，如何采集数据、哪些是有用的提前都要设计梳理清楚，这样才能确保收集的数据是真实有效的，否则得来的都是一些零散的、非结构化的数据，意义并不大。

“比如，对学生能力的衡量标准不仅仅在答案的对错，他做题时的一些行为数据可能比答案本身更为重要，当他在做题时花费的时间过长，屏幕可能暗下去了，学生就得再点一下，我们会提前对这些行为进行设计、标注，这些都是很有价值的数据。”他表示，目前来看，行业中数据来源单一、重要环节数据缺失等问题还比较突出。

“我国在教育信息化方面国家支持的力度非常大，自身的数据量也很大，这是我们的优势。”周爽认为，“创业企业在收集数据过程中为了活下去必须要有符合市场需求的产品和清晰的商业模式，这也是为什么应试教育领域聚集了最多的AI创业公司的原因所在，因为这一领域学校和家长的诉求最为明确也易于量化，就是提分，所以AI的价值也被释放得最快。”

在她看来，虽然这些应用目前看来不尽成熟，处于个性化教育非常初级阶段，与真正的“千人千面”距离尚远，但都是前进过程中有益的探索和尝试。

教育科学需要更加成熟

抛开技术、数据这些硬核因素，采访中多位从业者向记者表示，教研与教育科学的成熟对于AI在教育行业的生根落地至关重要。

“教研尤其是本地化教研是教育的根本，没有教研的教育公司一定做不好，不做好教研没有好的内容学生就不会来学，企业也就无从获得学生的数据，这是一个恶性循环。”毛颖认为，目前我国K12阶段教材版本众多，这意味着全国各地的教学要求、学生学习的进度和重点都不尽相同，因此教研必须本地化。

在毛颖团队深入到地市、县甚至乡镇进行本地化教研过程中，他们也有新的发现，“现在教育公司都说用AI实现教育千人千面的美好愿景，每个学生都能有个性化的辅导方案，这是理想状态。当我们真正深入到一些地市、县甚至乡镇时发现，由于教育条件和师资水平的限制，那里80%左右学生遇到的恰恰都是共性的问题，所以我们从业者还是要深入到行业中，踏踏实实先把教研做好，把这些学生在学习中遇到的共性的问题解决了再谈更高阶的个性化的问题。”

在李斌看来，充分了解教育规律、了解人的学习过程是做出一款好产品的重要前提，“在参加一些国际会议时我发现，国外同行对如何教育好一个孩子、在哪一步给什么样的提示能够达到最好的教学结果等问题上有浓厚的兴趣和细致钻研，这些基础研究是我们非常欠缺和值得学习的。”李斌告诉记者，一个良好的教育模式的探索需要大量的理论研究和积累，在这些研究结果和理论的指导下再去做产品的研发，这是一个合理的路径，“下一步，我们从业者可能需要花更多的时间和精力去探索教与学之间的这种逻辑关系，而不是盲目地跟风上线新奇产品”。

这点，周爽也有同样看法。她认为，不论是幼儿教育、K12教育还是成人教育都是要遵循教学理论或者规律的，如建构主义、结构化语言认知理论等，教育是一门综合性很强的科学，涉及心理学、生理学、统计学、管理学等多学科，无论是具体的学术理论突破还是教育教学数据的积累都不是简单砸钱能快速解决的。

“AI求快，但在教育行业必须慢下来、沉进去，作为投资人，在AI落地教育这场持久战中，未来我们看好对教育有敬畏之心，尊重教育规律、善用技术的团队。”周爽说。