高等教育中的人工智能和大数据:前途光明还是危机四伏？
到底是什么人工智能它在高等教育领域有什么业务？简单地说，人工智能是一种通过将广泛的规则编程到计算机中来模仿人类知识的尝试。通过机器学习和专家系统，机器可以在大量数据流中产生模式，并找出人类不可能立即直观发现的相关性。
(AI软件市场收入)
人工智能的开发能力和精确度最终取决于数据的收集——大数据。除了在高度活跃、引人入胜的学生群体中寻找源源不断的信息，还有什么地方比这里更好呢？这样说，人工智能在高等教育中的应用揭示了两者之间的互利关系。
人工智能的未来将从这种互动中受益，获得大量数据，并在此基础上做出推论，确定相关性并建立基础预测分析策略。一脉相承，人工智能；建立在机器学习的基础上，已被发现可以促进学生的成功，为职业发展提供机会，并创建个性化的学习途径。
乍一看，这似乎是两个领域的建设性进展。正如生活中的大多数事情一样，我们应该始终考虑我们有意识的集体决策所产生的负面外部性。对学生数字足迹的人为利用也不例外。毫不奇怪，人工智能在高等教育中的应用并非没有风险。但是，这样做的长远利益有可能超过任何不必要的影响吗？
人工智能在高等教育中的应用
“大学挖掘申请人的数据”，说华尔街日报在一篇关于一些大学如何使用人工智能和机器学习来确定潜在学生对其机构的兴趣水平的文章中。个人“表现出的兴趣”是根据他们与大学网站、社交媒体帖子和电子邮件的互动推断出来的。每个学生的数千个数据点被用来评估入学申请。
的应用机器学习上面的例子是其机构应用的一个经典例子。其他用途扩展到学生支持，例如，根据具有类似数据档案的学生过去的表现，对课程和职业道路提出建议。传统上，这是职业服务官员或指导顾问的角色，基于数据的推荐服务可以说为学生提供了更好的解决方案。
预测分析的使用及其识别有失败或辍学风险的学生的潜力进一步提高了学生支持。传统上，学校会依靠出勤率或GPA下降的迹象来评估学生是否有风险。人工智能系统允许对学生的数据档案进行更精细的模式分析。实时监控学生的风险允许及时和有效的行动。
人工智能有能力帮助个别学生的步伐和进步。一些教育软件系统分析学生的数据，以评估他们的进步，并根据他们的技能提出建议。旨在培训商业领袖和数字世界的未来人才，大学20.35介绍第一个使用人工智能通过跟踪数字技能档案来创建个人教育轨迹的大学模型。
在斯塔福德郡大学，他们有一个名为Beacon的聊天机器人——很乐意随时帮助学生解答任何疑问。
收集学生教育和专业背景的大数据，结合他/她的数字足迹，使智能机器能够建议最佳的发展路径。每个学生在任何时候都可以根据考虑到他们的数字足迹、其他学生的数字足迹以及他们可以获得的教育内容的建议，对他们的下一步教育步骤做出决定。
最终定制的学习材料为有效学习奠定了坚实的基础，并节省了浪费在无关材料上的时间。在制定建议的教育轨迹的同时，也在制定每一个教育轨迹学生的数字双胞胎。换句话说，实物资产的数字复制品(学生的数据档案)代表了学生的实时发展。个人数据的表示，基于他们的数字足迹，以及一些生物数据；有助于发现知识上的差距、遗忘和优势。
团队合作和小组项目是大学重要的评估策略，可以训练学生分享不同的观点，并让彼此承担责任——这是工作场所非常需要的技能。人工智能在大学小组项目中的应用被低估和利用不足。通过配置机器学习模型来考虑每个参与者的概况，可以提出建议来创建最有效的团队，从而产生最佳结果。
高等教育中依赖人工智能的危险
如上所述，实时监控学生的数据档案以确定风险可能符合学生的最佳利益。但是一些数据集甚至包含了学生何时停止去自助餐厅吃午餐或跟踪他们的健身活动的信息。虽然这个系统有助于简化成功，但它也提出了重要的伦理问题关于学生隐私和自主权。
在研究了人工智能使用过程中可能出现问题的一些方式后，应该注意的是，如果没有应有的关注和专业统计人员，在高等教育系统，可能很快就会变得明显。
模型基于相关性，是发现数据集中趋势和模式的重要来源。然而，它们并不表示因果关系。简而言之，他们没有回答我们为什么学生的数字技能会以这种方式形成。在非常大的范围内，智能机器在几乎每个方向上都产生了相关性。但是区分真正准确的趋势和模式，以及那些仅仅是机器噪音的趋势和模式是困难的，仍然需要大量的人力投入。
我们取出放入的东西。因此，进入智能机器的数据的质量和可靠性代表了它产生的结果的质量和可靠性。质量的变化或旧的和过时的数据可能会产生意想不到的结果，并破坏整个应用程序。监控每个学生数据质量的空间也很小。
数据的一般化可能对其适用性有害。从人口或劳动力的子集提取的数据可能与目标学生不一致。此外，已经在常春藤联盟学校的学生身上使用的人工智能学习解决方案可能不会对其他地方的社区大学的学生产生相同的结果和相关性。同样的空间限制也适用于时间的概念。基于千禧一代学生的人工智能系统可能无法推广到z世代的数字学习者。
(美国各代人口)
前途无量还是危机重重？
底线是，人工智能对发展先进的大学经验非常有用。然而，这不是魔法。相反，由人类创造的计算机系统，在可预见的未来，需要人类的输入。
应坚持几个关键的预防措施，以促进最佳实践并最大限度地降低失败风险。首先，对那些将在机构内实施任何人工智能策略的人进行密集的专业培训，应该让他们做好准备，至少意识到自己的缺点。
第二，机构内部应该有一个有效的监督计划来衡量其有效性，并为人工智能模型的未来发展制定计划。从长远来看，创造更好结果的另一个好方法是让学生和教师参与进来，深入了解他们对该技术的体验和关注。
谨慎行事，因为尽管教育系统中存在与人工智能相关的潜在风险，但上面描绘的画面是一幅美好的前景。
