首先我想分享一个概念。 这两个术语在业界经常被混淆。 一种叫科技教育公司，一种叫教育科技公司。 作为科技教育公司，技术是手段，教育是目标。 它本质上是一家利用科技推动教育进步的教育公司，比如好未来。 教育科技公司本质上是一家科技公司。 随着市场上科技教育公司的不断增多，向前者输出技术的就是科大讯飞等公司。
对教育技术整合的理解
科学技术与教育相比存在明显的势能差距，科学技术在发展过程中向教育溢出。 在教育商业化进程中，科技外溢到教育的优先性有所提高。
2016年《麻省理工科技评论》公布的十大突破性技术中，选出了三项可能在教育领域具有巨大溢出潜力的技术。 语音界面可以将语音识别和自然语言理解结合起来，改变人机交互的方式。 知识共享机器人可以将知识传输到云端，供其他机器人学习，加速机器人开发。
科技与教育结合的合理性，要看是否解决了教育的痛点。 需要一个支持不完善的技术和教育融合的富有想象力的空间。
近四五年来，越来越多的新技术与教育结合。 要剔除那些很酷但不实用的技术应用，只留下那些真正满足痛点的需求。
很多时候，一项技术与教育结合在一起，但并没有带来教育本质的改变。 这项技术的加入被称为锦上添花，或者根本就不算锦上添花。 另一方面，有些技术潜力巨大，但尚未成熟。 这可能是由于发展水平不够，导致不稳定。
科教结合的本质是跨界领域专家的结合。
有意向科技转型的教育企业中，存在两个极端。 第一个极端是互联网和教育。 两拨人互相尊重，相信公司的一切问题都可以通过对方的到来来解决。 另一个极端则是双方互相鄙视。 一个好的公司，或者说最终能够加速腾飞的公司，其实是找到了一个交汇点，让两波专家融合在一起。
根据以上知识进行练习
教育机构分为四代，即运营、研发、数据、智能。 每一代系统都没有放弃之前的系统，而是增加了大量的武器。
第一代教育机构以运营为中心，即校长为中心。 校长做得好，校园就会好。 第二代以研发为中心，使所有教学点教授的内容相同，完全标准化。 第三代是以数据为中心的，这就是现在正在发生的事情。 我们希望有更多的数据来指导我们的教学。 第四代以智能为中心。 我们尚未达成完全一致。 大方向是考虑人工智能在教育中的应用场景。 目前尚未达成共识的是人工智能在教育中应用的节奏和速度。 融合。
我们主要分享教育数据延伸带来的变化，以及我们的具体实践。 数据是最终的结果，但仅靠数据不足以支撑第三代教育机构。 还有两个强大的助手，一个是直播，一个是题库。 其中，直播是肌肉，题库是经脉，数据是大脑。
直播
直播是学生直接接触到的一种呈现形式，是最典型的在线教育场景。 其特点是教学紧密、形式多样、技术质量要求高。
1、直播满足需求和问题
首先是提高学习效率，节省上课路上的时间。 二是推出积分、金币激励等激励措施，大幅提升学生学习兴趣，塑造用户习惯。 让我举一个例子。 我们认为，一个非常重要的学习品质就是回国后尽快复习。 复习的方式就是尽快完成课堂练习。 然而，大多数孩子会一次又一次地拖延，直到下节课。 如果你能完成作业就好了，作业通常会写得很晚。 我们推出了激励制度，这意味着学校在四点左右放学。 如果您在6:30之前完成作业，您将获得3颗激励星。 该激励系统上线即日起，6点30分前完成率超过75%。
三是直播让学习行为可追溯，学习过程被完整记录。 通过系统和数据的计算和分析，可以了解学习情况，优化学习习惯。 第四，直播满足多元化教学规模的需求，可以灵活调整师生比例、教学内容等。但直播必须冷静面对一个问题，那就是屏幕对信息传递的阻碍。 如果屏幕后面的老师和能够面对面近距离接触的老师使用相同的语言、相同的行为、相同的互动方式，后者更接近，屏幕会遮挡很多情感眼神交流信息。
2、好未来对直播的探索
在我们的实践中，我们发现不同年龄、不同学科、不同水平的学生对于直播的需求是不同的。 我们需要通过产品功能上的交互等设计来实现学生的高频互动。 比如，语文老师担任在线老师，特点是头像要大，这样学生才能清楚地看到老师的完整头像、面部表情，背景可以叠加在头上。 比如我想讲兵马俑。 我希望我的头在前面，兵马俑在后面飘。 数学老师的头像应该很小，最好蜷缩在角落里，不要四处变换。 因为数学大部分涉及到读题，而读题的时候题目又很长，所以他需要一个相对安静、稳定的时间。
未来在线课堂的进一步研究将包括以下几个方面：纯音频直播的研究、直播场景下教师头像大小和稳定性对教学效果的研究、直播中实时字幕的信息获取研究，以及声场对学习的影响。 影响。
3、好未来对直播技术的判断：
直播作为在线教育的基础建设，让数据采集变得自然，用户学习过程可以完整记录，直播系统成为上帝之眼。
学习过程已成为一个纯粹的数字化过程。 每一次学习效果都可以精准分析，在线教学产品的每一次迭代都可以数字化验证。
在线直播的发展将推动教育产业化的新创新。 优质教师内容将以直播技术为渠道，快速进入中国三四五六线城市。
题库
1.题库级别
我们对问题的理解分为三个层次。 第一个叫高级题库，10万级，涵盖所有科目。 核心目的是帮助教师制作教学讲义。 因此，题目的质量特别高，题目的属性也特别丰富。 第二个叫练习题库，有几百万大小，用于大量练习。 第三个叫海量题库，规模有几千万到上亿，用于搜索和回答问题。
2. 问题格式
根据试题的准确性和质量，试题形式可分为四类。 第一类是图片和PDF的形式，这也是最差的形式。 你可以在百度上爬取很多这样的内容。 第二种类型是标准格式的结构化问题。 试题通常为txt格式，可以结构化区分题干和选项。 第三类是标签问题。 问题很容易理解。 它们上面贴有各种标签，包括行李和陷阱。 标签是分层的。 标签服务于应用场景中问题的特定需求。 第四是带有知识图谱信息和问题延续信息的问题，该问题与知识图谱相关联。
3.关于适应性学习
个性化教学的本质是将学生对知识图谱的理解与目标图谱进行匹配，并根据匹配结果找到达到目标的最优路径。 这是未来的必然趋势，但目前技术还处于发展阶段。 在我们的试用过程中，学生和家长都觉得手写板更重要。 按难度推题是适应性学习的有效过渡实施。
4、好未来对未来题库的判断
行业题库整合，让行业题库成为基础公共设施
所有K12教学过程都将基于结构化题库和知识图谱，问题是最小的练习单元。
个性化学习将成为主流，个性化教学能力仍将基于题库
数据
1. 理解（教育）数据
只有直播、题库有了，数据才有意义。 教育数据满足非常典型的溢出原则和领域连通原则。 其他领域的大数据技术经验大部分也适用于教育行业，这是其他领域典型的技术溢出现象。 数据人才必须与教育专业人士结合才能实现价值。 其实就是两个能听懂对方语言的人的碰撞，比如面部识别技术和直播课的结合。
2. 数据分类
教育数据主要分为三类：教育行为数据、教育内容数据和教育商业（行业）情报数据。 教育行为数据是与学生学习行为和习惯相关的数据。 教育内容数据一个非常典型的例子就是回答一个问题，无论答案是对还是错。 如果错了，稍后会推送给你看对错，然后识别手写笔记，确定错在哪里。
3、数据应用
例如，数据可以指导教学地点的选址。 我们对原有的教学点和学生的居住地址进行了分析，发现很多学生的居住地不在教学点的五公里范围内，学生也没有选择距离自己最近的教学点。 后来与负责选址的同事咨询后发现，学生去的教学点是地铁站附近的教学点。 地铁沿线不符合规定的学生主要是认定某班某老师。 因此，综上所述，数据在教育领域的应用需要大数据团队与业务团队之间的沟通和信息碰撞，得出指导业务决策的发现和结论。
好未来对数据、直播、题库技术结合的理解
1.他们通常不会单独出现，而是结队对抗怪物。
2.在一个完整的教学体系中，通常三者都是必须具备的。
3、每个系统是最小的迭代规划单元。
（骆基思维联合创始人快刀清一代表学生向盖尔赠送讲师礼物）
评论列表