一、人們喜歡如何學習？ 2017 年電子學習趨勢與預測 / 金國慶 Irwin King 香港中文大學 Professor
這場演講的主題其實是在講 eLearning（電子學習）的趨勢，不過在提到 eLearning 平台上可以有的功能時，感覺可以運用資料科學來實踐。先來談談趨勢的部分，從現在 eLearning 的趨勢可以看出，學習者主要的動機是希望增加他們在職場上能應用到的技術，所以以技術為基礎的線上學習平台是每個平台發展的關鍵。而且近年來更進一步地，出現不少能提供學位的平台。線上教育平台，大概可以分為三類：
1. Nanodegree：
例如 UDACITY，內容的提供者包含：unity、AT&T、kaggle、Google、facebook、amazon等產業界公司，不提供修課學分或是學位（不過還是有辦法申請相關證明文件），開放讓所有人註冊學習，價格大約在～US$199/US$699 per month/term。
2. Micromaster：
例如 edX，內容的提供者包含：Massachusetts Institute of Technology、University of Michigan、Georgia Tech等學術界機構，提供修課學分但不提供學位，開放讓所有人註冊學習，價格大約在～US$1,000 per program。
3. MOOC-based Master：
例如 UDACITY、coursera、Future Learn，內容的提供者包含：Georgia Tech、ILLINOIS、DEAKIN等學術界機構，提供修課學分也提供學位，需要申請，經由核可後才能上課，～US$6,600 到 US$22,000 per program。
從這張圖表可以看出， Micromaster 發展得最為快速，主要原因為課程內容的提供者來自大學，在課程的品質上有一定的保證。然而，線上教育還是有它的問題在，例如缺乏了實作體驗的機會，以及個人化的部分。對於這兩個問題，金國慶提出了相應的解決方式，例如在缺乏實作體驗的部分，可以利用 VR 的方式來解決，而在個人化的部分，可以利用以下幾種方式來達成，也是我覺得資料科學能夠施力的部分：
● next-step recommendation：下一個課程的推薦，例如現在在 edX 上已經有一個 plugin 在做這件事。
● mitigating mind wandering：增加一些機制，降低使用者看一看就放空的機會，提高專注度。
● how knowledge tracing work：了解在同一門學科上不同使用者的學習程度。
● autostyle：例如使用者在 coding 時，能跳出其他 code 範例，引導使用者寫得更簡潔。
● trade-off between flexibility and engagement
身為每次在線上看課程看一看就放空的我而言，覺得 mitigating mind wandering 超實用，有這個功能的話真的就要感恩 seafood 讚嘆 seafood 了。
二、（題目有換）均一教育平台，如何－尤其在教育科技領域－定好一個「資料題目」？ / 蘇倚恩 誠致教育基金會 Team Activator
題目有換但是我已經完全忘記換成什麼了，先簡單介紹一下均一教育平台。它是一個非營利組織，主要希望透過科技的力量改善偏鄉教育資源不足的問題，目前的成果累積到 2017 年 10 月有 910K+ 總註冊者，每週 45-50K 活躍使用者，開學後的使用平均時間為 90 分鐘。由於蘇倚恩本身是從台大電機系畢業的，因此在這個平台上，嘗試用各種數據來改善現實問題，而這次演講主要也是在說明他們想應用資料科學，卻在現實情形上遇到的各種問題，包含：
- 未知因素多，資料片段，難以直接推出答案。
並非所有的學習行為都會發生在網站上，但又會確實影響到網站上的數據。例如有學生做題目時遇到不會的問題，可能會請教同學或家長，回到網站上後就有辦法解答，但這部分的行為是追蹤不到的。
常常面臨學生突然不使用平台的狀況，可能原因是換了班導師或者視家長並不鼓勵學生使用電腦，覺得用電腦等於在玩樂。
2. 分析出來的結果沒有辦法執行。
2015 年他們曾經開發 Adaptive Testing，目的是希望透過測驗了解學生目前的程度，但因為這樣的測驗在難度上會比較高，容易造成學生的挫折感而沒有進一步使用的動力。另外也有 50% 自學的學生答題情況為全對，因為他們可能只會去挑會的題目來做。
3. 真正目標難以準確量化。
題目做對了無法確認是真的會還是猜對了，錯了也不知道是粗心還是真的不會，而且在更多時候可能是題目沒有出好。
而在資料科學與現實情況之間常常碰到問題的蘇倚恩特別強調溝通的重要，甚至說：「溝通能力是資料科學家的必備職能。」因為資料科學家的產出，如果沒有下一個人接棒的話，是不會有任何效果的，因此必須與執行者充分溝通。除此之外，還要與專業領域專家密切配合，才能有效地提升產出品質。他從自己的經驗中歸納出有效溝通的方式：
- 有效溝通是資料科學家的工作職責，也是能否展現效能的關鍵。
- 先用人說的語言達到初步共識，再逐漸具體到量性描述。
- 藉由資料框架達到團隊的資料共識。
- 藉由實際的案例討論來獲得夠具體的回饋。
以上是兩個很冷門，但是個人覺得還不錯的教育領域的分享。