收集学生数据，预测他们的学习 - 或许他们的未来。多年来，教育公司一直试图应用技术来更好地了解学生并定制他们的学习经历，或者支持在需要人工帮助时可以进行干预的教师。

今天，最新的嗡嗡声围绕机器学习，教育技术人员声称可以支持更精确的工具。但机器学习远不止理论和炒作。如何使这些产品有效，以及如何公平和道德地促进学生学习，仍然是一个持续的辩论。EdSurge周三与一群教育工作者和教育技术企业家在Big Apple的聚会上重新开启了对话。

演讲者通过今天广泛可用数据的转变，迅速将技术置于语境中。

“我们在Pearson讨论了从数字沙漠到数字海洋的社会转变，”Pearson高级计算和数据科学副总裁John Behrens说。“在数字世界之前，如果你想要学生的数据，你必须停止学生，仪器或测试它们，然后继续前进。在数字海洋中，您不必停止该指令，存在相互作用。数据通过家庭作业，游戏和游戏自然而然地出现。“

小组成员Janel Grant是一名软件工程师和前任教师，他指出，教育中机器学习的愿景很少在课堂上发挥作用。“我认为，作为一名教师，我们所接受的技术与我们想要的技术之间存在很大的脱节，”她说。

教育技术不是一个新的想法或行业，主持人和EdSurge执行编辑Tony Wan提醒观众。那么机器学习如何真正改变现状呢?(或者是吗?)

Knewton的数据科学家安德鲁·琼斯(Andrew Jones)承认，尽管大肆炒作，机器学习的应用方式仍然相对有限，至少在某些用户眼中是这样。琼斯说：“现在市场上的大部分都是花哨的家庭作业或花哨的教科书。” “超越这些标签是一个更大的挑战，我们数据科学团队不断担心这一挑战。这是圣杯。“

Pearson的Behrens认为自动化论文评分是机器学习开始取得进步的一个领域。“在那个领域，我们正在将论文的特征映射到那些论文的不同标签上，”他说。

McGraw-Hill教育分析和研发副总裁Al Essa认为，根据学生数据进行预测，计算机越来越好，越来越快，越来越便宜。但这些预测仍然只是获得全面了解学习所需要的因素之一。“当你必须做出复杂的决定时，我们会做出预测。但强有力的决策是理解因果关系。“Essa说。

在格兰特看来，机器学习还有很长的路要走，才能对教师的工作产生明显的影响。作为一名前教室老师，她说机器学习最有用的最大领域之一不是学生层面，而是帮助教师减少耗时的任务，比如通过阅读水平组织一个教室图书馆。“机器学习对于平衡我的课堂图书馆非常有用。我必须阅读这本书并确定它的等级。预测建模可以做到这一点，“格兰特说。“对于一家大公司来说，这些[机器学习应用程序]可能看起来很小，但对于一个教育工作者来说，它是巨大的。”

特别是对于高等教育中的预测分析，这些预测分析已用于帮助确定学生成功的可能性，Essa说：“有很多模型试图预测谁将退出或失败一门课程。并且存在一些问题。“他继续说道，”它可以是高度语境化的 - 也许该模型仅应用于一门课程。没有一种模型可以全面运作。这是一个需要相当多发展的领域。“

围绕机器学习的许多持续挑战回归到围绕系统中的偏见和技术中嵌入的算法的问题。“数据很容易获得，但它有很多偏见，”Behrens说。

对于所有关于数据和学习的讨论，Essa提出了这样一个直率的评估：“几乎所有的edtech都很糟糕。机器学习不会改善edtech。“那么缺少什么?“这不是关于数据，而是我们如何应用它。这项技术糟糕的原因是因为我们没有做好设计。我们需要优秀的设计人员来了解其工作原理。“

为了结束这次活动，小组成员分享了父母，教育工作者和学生应该在教育中询问机器学习技术的问题。“谁拥有这些数据以及它将如何被用来对付我?”格兰特说。“这很难说，但这是第一个需要提出的问题。为什么我使用它，为什么它有用，谁拥有这些信息呢?“

琼斯表示，用户应该更有权力直接向公司询问他们的算法是如何运作的。“这个算法优化的原因是什么?为什么?”他建议道。“我希望人们更多地问我们。询问正在优化的内容以及为什么，可以让您了解[工具是否]专注于学生的成果，或者是否能够更频繁地进行预测。“

在晚上结束时，一位观众询问虚拟助理的未来在教室中会是什么样子。格兰特仍然对该技术在教学过程中完全取代教师的潜力持怀疑态度。“我没有看到一个孩子坐在Alexa面前并被教导，因为他们还需要学习其他一系列线索。我没有看到机器学习达到这一点。“

琼斯同意：“我宁愿看到机器学习达到粉笔水平。”