MOOC）是一项挑战传统教育模式的颠覆性技术，它使成千上万的学生能够以极低的价格甚至免费学习大学课程。MOOC能够覆盖世界各地的海量学习者，对开放教育*有着十分积极的影响。 然而，在保持质量的同时扩大班级规模并不容易，也存在许多问题。通过 MOOC 进行的沟通和信息传播，受限于学习者之间建立的联系：既包括课堂上的联系，也包括在其他社交网络中建立的联系。学习者经常抱怨当前的 MOOC 无法提供足够的实践经验，以帮助他们将概念和想法转化为实践技能。许多 MOOC 的完课率依然很低。
如今，众所周知的是，要通过 MOOC 进行有效学习，就要采用与面对面学习不同的教学法。为了迎合不同背景的学生实现有效学习，个性化就显得尤为重要。在 MOOC 课堂上，学生通过与在线学习内容进行互动，会产生丰富的学习行为数据。多年来，人们一直在寻找方法，利用人工智能技术从这些数据中挖掘价值。然而，AI 在 MOOC 中的应用并不总是那么简单。主要原因可能是，目前的 MOOC 教学更注重标准化，而非个性化。从学习内容到考试，今天的 MOOC 很大程度上都更像课堂教学，学生只能去适应预定好的参数，留给个性、创造力和批判性思维的空间很小。
由于MOOC平台（如Coursera和edX）上许多课程的学习行为数据尚未向AI研究人员开放，因此该领域现有的AI研究主要依赖于以特定方式发布的、特定课程的数据集（例如KDD Cup 2015竞赛*数据集）。为了支持MOOC教育领域的开放科学**，MOOC平台需要与教育工作者和AI研究人员共同合作。
作为电子学习的一种形式，在线资源的使用给了 MOOC 一条自然的途径，为学生提供个性化的学习机会。例如，使用与课程材料结合的在线小型图书馆，可以让有兴趣的学生深入探索相关话题。目前 MOOC 具有固定的课程结构，比如，课程设计者会预先规定好视频讲座和相关学习活动的顺序。在有些课程科目中，不同主题间有明确的依存关系（比如数学中通常先学加法，再学减法）。对于这些课程来说，让所有学生都走同样的学习路径是有好处的。然而，对一些进阶课程（如人机交互）来说，不同主题间的依存关系并不是很明确。由于 MOOC 课程通常是大学水平，许多都属于后一类课程。对于这类课程而言，给学生更多自由，让他们根据个人情况（如背景知识和时间限制）去接触学习内容，而不必严格遵循预定好的顺序，可能更为有利。亦有证据表明，在电子学习环境中，学生接触学习内容的顺序也能让教育工作者获取一些有益的信息。
有了微型MOOC作为构建学习路径的潜在模块，下一步需要有简单易用的软件来构建和修改学习路径。此类软件可以选择Goal Net和与其配套的多代理开发环境（Multi-Agent Development Environment，MADE）。这是一款AI知识表示工具，可以对逻辑流进行建模，无需编写冗长的程序代码。基于目标设置理论，Goal Net允许用户将复杂的过程。
同时使用微型MOOC和学习路径构建工具（可以是Goal Net，也可以是其他类似工具，如Belief-Desire-Intention（BDI）模型），教师就可以迅速建立起一套包括细分学习内容和活动的通用教学大纲，并可以灵活更新这套大纲。对于主题之间依存性不强的课程，可以将学习路径构建工具开放给MOOC学习者使用，以便他们个性化自己的学习路径。这不仅有助于学生在课程期间追踪自己的个性学习路径，而且这么做本身也会形成一种知识表示的格式，能够以机器可理解的方式来记录各种不同的学习路径。当我们用机器学习去分析这些个性学习路径、学生的背景信息、学习成果之间的相关性时，我们设想出的这一机制或许可以向教育研究人员提供反馈，指导他们去为不同背景的学生制定各门课程的个性化学习方案。随着时间的推移，这种机制还可以帮助MOOC教育者探知出哪些学习路径能够产生理想的学习成果，据此优化不同课程的学习轨迹。
目前，MOOC平台为教学设计者提供了几种工具，使他们可以在课程里加入与学生的互动环节。这些工具通常包括讨论版、实时聊天窗、小组教室和项目学习。但是，运行这类互动环节需要时间和精力，这对于学生基数庞大的MOOC来说并不可行。还有一些手段可以帮助MOOC教师关注到尽可能多的学生，比如社区助教（Teaching assistant，TA）的参与、同伴评估工具、精心设计的详尽规则（包括对特定内容的反馈和视频反馈）等等。然而，这些互动产生的数据尚未能得到系统收集和管理，暂时无法帮助评估学习技能。
AI可以增强MOOC学习者的互动，同时生成非常有用的学习行为数据，并通过两种主要方式来促进学习技能的分析。一种是通过优化社区助教的工作量分配，激励人员积极性，促进在线学习者的线下学习效果；一种是通过“虚拟学习伙伴”（VLC）辅助教学。
在MOOC中，社区助教经常会自愿参与。短期来看，应用AI技术可以借助随机优化，增幅并有效利用社区助教的集体生产力。在随机优化过程中，由数据驱动的算法管理可以优化工作的划分和调度。目前，社区助教的招聘规模较小（每门课程通常少于10人），主要任务是主持讨论。然而报告显示，约有五分之四的社区助教拒绝了再次就职的邀请。研究发现，社区助教人数少、留存率低的特点，限制了可以提供给MOOC学习者的交互和关注。在众包领域，基于随机优化并由数据驱动的算法管理方法，已被用于将工作动态地划分给工人，以便公平分配工作量，并实现超线性*的集体生产力，安排休息，调整激励措施，以在博弈论的基础上鼓励工人参与。如果MOOC平台能引进机制，再让与助教互动过的学习者为助教的表现评级，那么这些方法就可以在MOOC中得到应用，扩大社区助教的参与，使社区助教的集体付出更有实际成效。
长期来看，要借助AI解决大规模互动学习体验的问题，VLC或许是一种可能的方案。目前，在乔治亚理工学院开设的MOOC课程《基于知识的人工智能》上，就有一名由IBM Watson平台构建的AI助教Jill Watson在回答学生的问题。
为了提供可信的互动，VLC需要具备类似人类的特征。研究者在虚拟世界的学习环境中创造出了一名充满好奇的伙伴，来为学习者提供个性化的指导。通过监控学习者的进度，这名好奇的伙伴会识别出哪些学习内容能引起学习者的好奇心，从而保持学习者的兴趣。研究者还创造出了一名记忆伙伴，帮助学习者处理海量的知识。模拟人类从记忆中组织和回忆信息的方式，记忆伴侣会实时帮助学习者回想，有哪些最近学到的知识是与当前学习任务有关联的。为了避免学习者的过度依赖，记忆伙伴与学习者互动的方式是给出一连串越来越明显的提示。还有一名可受教育的学习伙伴，“贝蒂的大脑”，已经被证明可以帮助学习者巩固知识。
今年6月，IBM发明的AI机器人Debater首次打败人类冠军辩手，信息量丰富但表达能力堪忧，宛如一位知识渊博、学富五车，但口舌打结的教授
其次，如果教育研究者希望对VLC与学习者的互动进行实证研究，则必须仔细考虑将VLC引入学习过程会带来的伦理问题。由于VLC研究属于广义上的计算行为科学，因此必须遵循《贝尔蒙报告》*的原则：VLC不得侵犯学习者的自主权；VLC带来的益处应超过其风险；其益处和风险均应公正地平摊给学习者。
因为VLC可以通过学习技能分析和智能干预来帮助学习者采用更有效的学习习惯，所以VLC的这些应用有可能被视为侵犯了学习者的自主权。因此，使用VLC的MOOC平台需要建立获得学习者知情同意的机制。在使用VLC时，可以引入新兴的道德决策框架，以降低不当使用社会工程技术**来说服学习者的风险。也可以在VLC中融入可解释的AI框架，以阐明VLC所提出的建议背后的原理，以便与学习者建立信任。然而，为了遵守道德准则而限制VLC的功能，并不是解决问题的一种好的方式。另外应该进行对抗行为的博弈理论建模，以便了解学习者是否会试图利用这些限制因素来玩弄VLC，使得VLC无法实现其设计目标。
閱讀更多 玩轉數上的碼 的文章
