要用谷歌浏览器。大家测试有什么不清楚的可交流。

能快速找到孩子的知识薄弱点，精准查漏，快速补缺。

大家测试了吧

将学科专家精心研发的优质课程内容与人工智能自适应学习系统有机结合，精准定位每位学生的薄弱环节，生成可视化的多维度数据分析报告，并智能匹配个性化的学习路径与内容。

大家可对孩子进行测评一下。http://dl.classba.cn?sid=300658

小学课程4月12日上线了

扯蛋吧

试试即知

传统教育中，老师的授课模式多是“一对多”和对知识点线性地推进，无法根据学生的接受度和学习习惯因材施教。如果采用更有针对性的“一对一”辅导，要求教师经验必须丰富，但名师的成本十分昂贵。人工智能技术的成熟，让改变这些教育痛点成为可能。十几年前，在国外就有将计算机技术与教育结合的尝试，这被概括为“人工智能自适应学习”模式，简称“智适应学习”模式。“智适应学习”的本质是利用大数据分析工具，通过智能测试、系统分析、教师跟进、学生自主学习，为每个学生定制课程方案，让学习变得更有效率。但传统的没有人工智能介入的规则型“自适应学习”存在发展的瓶颈，就是缺少类似真人教师的实时分析和干预。直到人工智能技术的出现，“智适应学习”才得以真正发扬光大。

学习步骤分五步。第一步是AI检测。我们会先对学生做一个拆分到“纳米级”的知识点的全面扫描，比如学生对连词的理解有问题，我们会具象到他是对定语从句中的连词不理解。第二步，我们会给学生设计一个个性化的学习路径。比如50分的孩子，可能他到学期末也学不完所有的知识点，因为他不可能考到100分。那么我们就会给他设置一个从50分考到70分的路径，并且同样是50分的孩子每个人的路径也可能完全不同。第三步，对知识点盲区做视频讲解的时长、训练量、训练难度由AI算法决定。

过去的线上教育比如慕课，不管学生是什么程度，课程时长都是不变的。我们会根据AI后台的各种数据：比如学生做每道题的时间、正确率，给他们推送不同难度系数、不同交叉维度的讲解。第四步，战略放弃。传统的授课，老师所有的知识点都要讲到。但我们如果测试到学生的文言文比较差，但他学习文言文的时间需要特别长，可能每学10小时，只能提高1.5分。而考试时间仅剩2个月，系统就会让学生暂时放弃文言文学习。这就好像AlphaGo一样，在某块区域它不跟李世石纠缠。李世石高兴地吃了几个子，Z后发现失去了整个江山。

第五步，追根溯源。一个知识点可能有30多个前序知识点，比如人称代词没学会，形容词性、名词性物主代词也一定学不会。不同知识点之间几百万种关联，在传统教育中很难梳理清楚并且应用。归根结底，有AI介入的学习过程，是一个动态的、不断博弈的过程。AI相对于人的优势在于，它不会陷入到眼前的战局中，而是会实时地、冷静地做各种各样Z优的选择判断。

在测试中完整覆盖一个9年级学生的知识点，可能要三天三夜才能穷尽。我们却能在不到两小时内、用极少的题准确地测出学生掌握和遗漏的知识点。我们主要是基于四个理论体系：第一个叫做知识空间理论。我们把知识根据难易程度、重要性、认知层次进行分级，对学习内容建模，构建“知识图谱”，梳理知识点间的逻辑和认知相关关系。

在家花十分钟就可智能测评学科知识点的掌握情况。从知识点掌握率以及答题正确率的掌握情况，用人工智能算法，以Z少的题量测出学生Z多的知识点掌握情况。为下一步的知识查漏补缺提供准确的依据。(谷歌浏览器使用）

http://dl.classba.cn?sid=300658

第二个叫做贝叶斯理论，它讲究依据经验和信息动态地看问题。比如一个学生以前背过2万个单词，同时考虑到他是一个学霸，词汇量不太可能遗忘到8千个单词以下。那么，我们就认为他的词汇量大致是8千到2万之间。

第三个叫做信息熵理论。这是信息论中的说法，讲的是从测量学看，信息是可以量化的。我们利用信息熵理论，可以通过检测部分重要知识点快速逼近学生的知识状态水平，再围绕这个基本层级做反复的精细化测算。第四个是数理统计理论。比如你知道“tiger”（老虎）这个词，那么你知道“Thank”、“Hello”的概率就很高。我们对几万个知识点都做了类似的渲染和概率分布。好比AlphaGo，它也会走错棋，但它会不断逼近相对Z优解。通过这种概率渲染，尽管我们只取了1%的题，但准确度仍旧可以达到90%以上。第五个是机器学习技术，依据不同学生的个性偏好、学习习惯和学习风格，推荐Z匹配的学习内容。有些学生喜欢轻松活泼的内容形式，有些学生喜欢严谨的风格，AI系统会记住不同学生的偏好推荐Z合适的。第六个是遗传算法，规划Z佳的学习路径，Z大化学生的学习效率。该算法模型会考虑到学生所要完成的学习目标和学生当前的知识状态，推荐Z佳的接下来学习的知识点，并依据学生不断变化的知识状态实时动态调整路径规划。

数学和物理使用AI系统其实比英语要简单十倍。因为数学的知识空间关联性非常强。比如二元二次方程你会了，一元二次方程你肯定会，方程移位、加减乘除、求根你也肯定掌握了。虽然数学也会有一些虚线关联和概率关联，但整体上，数学的强关联非常清晰。所以海外做智适应教育系统，都是从数学开始的。

在测试中完整覆盖一个9年级学生的知识点，可能要三天三夜才能穷尽。我们却能在不到两小时内、用极少的题准确地测出学生掌握和遗漏的知识点。我们主要是基于四个理论体系：第一个叫做知识空间理论。我们把知识根据难易程度、重要性、认知层次进行分级，对学习内容建模，构建“知识图谱”，梳理知识点间的逻辑和认知相关关系。第二个叫做贝叶斯理论，它讲究依据经验和信息动态地看问题。比如一个学生以前背过2万个单词，同时考虑到他是一个学霸，词汇量不太可能遗忘到8千个单词以下。那么，我们就认为他的词汇量大致是8千到2万之间。第三个叫做信息熵理论。这是信息论中的说法，讲的是从测量学看，信息是可以量化的。我们利用信息熵理论，可以通过检测部分重要知识点快速逼近学生的知识状态水平，再围绕这个基本层级做反复的精细化测算。第四个是数理统计理论。比如你知道“tiger”（老虎）这个词，那么你知道“Thank”、“Hello”的概率就很高。我们对几万个知识点都做了类似的渲染和概率分布。好比AlphaGo，它也会走错棋，但它会不断逼近相对Z优解。通过这种概率渲染，尽管我们只取了1%的题，但准确度仍旧可以达到90%以上。第五个是机器学习技术，依据不同学生的个性偏好、学习习惯和学习风格，推荐Z匹配的学习内容。有些学生喜欢轻松活泼的内容形式，有些学生喜欢严谨的风格，AI系统会记住不同学生的偏好推荐Z合适的。第六个是遗传算法，规划Z佳的学习路径，Z大化学生的学习效率。该算法模型会考虑到学生所要完成的学习目标和学生当前的知识状态，推荐Z佳的接下来学习的知识点，并依据学生不断变化的知识状态实时动态调整路径规划。

比起真人教师，AI做这种事更简单。比如这个学生对时事理解差，那么时事理解包括好几个层次：政治现象、社会现象、情感现象，可能还有商业现象。AI可以测出你是对哪种现象不敏感，缺少哪部分就补哪部分。另外，我们在AI系统里引入了“能力学习”，这是在全球的制式系统里都没有的。我们通过布鲁姆认知层次理论，在去年把语文拆成了6种能力。今年3月，我们又拆到了27种能力。现在已经梳理归纳了100多种能力。未来系统自己会发现更多的能力。比如“微小词的区分能力”，高尚和崇高、乐观和激进、激进和冒险，很多人对其中的区别不敏感。物理和数学，也包含几十上百种种能力，比如实验能力、空间想象能力、实景想象能力、加辅助线能力等等。能力是能够训练的，而且能力一旦掌握，将帮助学生自主学习，终生收益。

AI题库，Z初考虑过用市场上现成的题，后来发现市场上大多是复合知识点的题，我们几乎找不到所需的“纳米级”测试题。还有一部分工作量很大：如果以高考和中考的原题为标准，市场上的题库有几千万道，但基本都是垃圾题。只有Z顶级的老师才有出题能力，这就是为什么有个说法叫做“高考出题人”，因为不同级别老师出的题，可能是千奇百怪、错误百出的。比如一个老师想考学生对现在完成时的掌握，结果由于这句话的一个单词超纲了，学生没看懂，造成他对学生的判断是现在完成时不会。而且，不同的地域又有不同的大纲，这都需要我们做大量的分析整理工作。Z后，测出学生的知识点后，我们还需要制作教学内容。我们是由AI系统完成授课的。需要把教学视频同样拆成“纳米级”，变成5分钟的短视频。这也是为什么我们不能用现成的教学视频的原因。时长差异还不是Z关键的，传统教育讲求均衡，所有知识点都要涉及。而我们要针对学生的具体水平制定方案。所以，我们做的事类似今日头条，千人千面。但他们的东西都是直接抓取的，不必去做采编，而我们要独立做所有的采编。