日本免费精品视频,男人的天堂在线免费视频,成人久久久精品乱码一区二区三区,高清成人爽a毛片免费网站

令人愉快的雙贏設計

路易斯 馮 安(Luis Von Ahn)的外表與行為和大家身邊典型的美國大學生沒什么兩樣。他喜歡打電子游戲，喜歡飛快地駕駛他的藍色跑車，他就像現代的湯姆 索亞(Tom Sawyer)，熱衷于差遣別人替他做事。但是人不可貌相，實際上，馮 安是世界上最杰出的計算機科學教授之一，而幫他做過事的，足足有10億人。

10年前，22歲的研究生馮 安參與創造了一項名為CAPTCHAs的技術，要求人們在注冊電子郵件等網絡應用時輸入彎彎曲曲的文字，以證明進行此操作的是人類而非惡意灌水的程序。馮 安把CAPTCHAs的升級版(reCAPTCHA)賣給了谷歌，這個版本要求人們輸入扭曲文字的目的不僅是作驗證，更主要的目的，是為了破解“谷歌圖書掃描計劃”中那些計算機難以識別的文字。這是個聰明的做法，發揮了一項數據的兩種作用：在線注冊的同時識別文字。

在那之后，成為卡內基梅隆大學(Carnegie Mellon University)教授的馮 安開始尋覓更多的“一石二鳥之計”——使人們提供的零散數據為兩種目的服務。于是，在2012年，他啟動了新的設計——多鄰國(Duolingo)，通過網站和智能手機APP幫助人們學習外語。作為一個幼年在危地馬拉學習英語的人，馮 安對學習外語抱有共鳴，而更重要的是，多鄰國的教學方式非常巧妙。

它要求人們在同一時間翻譯一些較短的詞組，或者評價和修正其他人的翻譯。不同于一般翻譯軟件呈現其自創詞組的做法，多鄰國呈現的是需要翻譯的文檔中的真實句子，因此公司能夠從中獲取報酬。一旦有足夠的學習者能夠翻譯或驗證特定詞組，系統就會接受他們的譯文，并收集所有零散的句子，將其整合到完整的文檔之中。

多鄰國的客戶包括CNN和BuzzFeed等媒體公司，后者通過多鄰國的服務，翻譯用于其海外市場的相關內容。和reCAPTCHA一樣，多鄰國也是個令人愉快的“雙贏”技術：學習者免費獲得外語學習指導，同時制造具有經濟價值的產物作為回報。

此外，還有第三個益處，那就是多鄰國收集的“數據尾氣”(data exhaust)，即由人們與網站之間的互動中衍生的副產品：如熟練掌握一門語言的某一方面需要多長時間、最合適的習題量是多少、落下幾天進度的后果等等。馮 安意識到，所有這些數據都可以采取某種方式加以處理，從而揭示出促進人們學習的策略。在非數據環境中，做到這一點并不容易。然而，對于2013年間的每24小時都有大約100萬訪問者，并且人均花費30多分鐘用于線上學習的多鄰國來說，巨大的用戶數量足以支撐此類研究。

馮 安最重要的發現是：關于“人們怎樣學得好”的問題是錯誤的。重點不在于“人”怎樣學得好，而是具體的“哪個”人。對此，他解釋說，針對語言學習方法的實證研究數量很少，比方說，在許多理論中，主張先教形容詞，再教副詞，但幾乎沒有確鑿的數據支撐。他指出，即使存在相關數據，通常也是針對數百名學生的小規模研究所得，將之作為普遍的研究發現加以推廣，終究是不的。為什么不以多年來數以千萬的學習者為研究對象得出結論呢？多鄰國的出現，使這樣的研究成為可能。

馮 安在處理數據的過程中得到了一個重要的發現，即語言教學手段有效與否取決于學習者的母語以及他們將要學習的語言。以西班牙語使用者為例，通常，他們在學習英語的最初階段就會接觸到“he”“she”和“it”等代詞。然而馮 安卻發現，“it”一詞容易引起他們的迷惑和焦慮，原因是“it”很難翻譯成西班牙語。于是馮安進行了幾次測試，只教“he”和“she”，直到數周后堅持學習而不放棄的人數顯著增加，再開始“it”一詞的教學。這樣就能顯著提高堅持學習的人數。

他還有一些發現是有悖直覺的：女性的體育術語學得更好；男性更擅長學習與烹調和食物相關的單詞；在意大利，女性總體來說比男性在英語學習上表現得更出色。許多類似的發現始終在不斷涌現。

多鄰國的故事為我們呈現了大數據重塑教育的最有前景的方式之一。其中反映了大數據改善學習的三大核心要素：反饋、個性化和概率預測。

無法駁斥的大數據預測

第二個威脅也同樣嚴峻。以所有人為對象收集到的教育數據，將用于對未來進行預測：我們應該以這樣的速度、按這樣的順序學習；我們只有在晚上8點至9點間復習學習材料，才能有90%的可能性得到B，如果復習得早了，其可能性將會降至50%；等等。諸如此類的概率預測將會限制我們的“學習自由”，并有可能最終威脅到我們對生活中機遇的獲取。

大數據蘊含的巨大潛力在于推進個性化學習、改善教材和教學，并最終提高學生的成績。數據應該被視為促進產品改良的反饋，而不是對產品使用者進行簡單評價的依據。在今天，被收集的有限數據幾乎都是用來評價學生的，即學習中的“消費者”。

我們評估可能的方案和潛在的成就：從高中提升課程的受理到高校錄取，再到研究生院的入學。但是此類基于有限數據的小數據預測，充滿了不確定性，因此招生委員會對這些數據的處理極其謹慎。委員們認識到數據展示的內容并不完善——那些以高分通過SAT考試的自大狂并不是憑借真才實學，而僅僅是因為記住了復習指南——便積極地增加評估的主觀性，當他們意識到依賴數據可能造成以偏概全的結果時，會將主觀判斷置于數據決斷之前。

然而，大數據時代的預測度將遠遠超過現在。這向招生委員會和招聘人員等決策制定者施加了更多的壓力，使其更傾向于相信基于大數據的預測。在過去，我們可以辯稱所屬的分組不是特別適合自己，為某種情況找到開脫的理由。比如，我們有可能被分到“好學生，但是搞不定統計課”的群組中，并最終因此被經濟學專業拒之門外。但是我們仍然可以憑借這樣的解釋說服別人：基于這一分組的預測于我們而言是不正確的，所以即使同組的其他成員會失敗，我們還是有可能獲得成功。因為該預測是基于“小數據”作出的，決策制定者往往傾向于相信當事人是“無辜”的，而當事人能夠通過協商為自己辯解。

而新的威脅在于，基于大數據的預測是如此、個性化程度如此之高，我們將不再因為名義上所屬的分組，而是實實在在的“自己”被問責。因此，任何借口都可能不足以說服決策制定者站在我們這一邊。事實上，任人來作判定有可能地從決策過程中移除，取而代之是以機器算法為基礎的操作，包括讀取電子數據表、計算概率并作出有約束力的決定，而這一系列操作僅需耗時幾毫秒。

比如說，一些大學正在開展“電子顧問”(e-advisors)的實驗，這款大數據軟件系統通過數字處理提升學生的畢業率。自2007年亞利桑那大學采用該系統至今，學生順利升學的比例已由77%上升到84%。在田納西州的奧斯汀州立大學，當學生選修“學位羅盤”(Degree Compass)軟件向其推薦的課程后，他們有90%的可能性得到與軟件預測一致的B以上的高分，而沒有獲益于“學位羅盤”的學生，獲得同樣分數的比例僅占60%。