在2011年，“发现”对于MOOC（大型在线公开课程）来说是正确的词。 那年，塞巴斯蒂安·特伦（Sebastian Thrun）在自己的客厅拍摄了自己的影片，这将成为第一部大受欢迎的MOOC —人工智能导论。
严格来说，还存在其他开放式在线课程，例如Lynda（2002）或Udemy（2009），但是主题-人工智能-与斯坦福大学讲师的结合以以前课程没有的方式吸引了人们的想像力，而前所未闻的签约人数，160,000。
在短短几个月内，Udacity和Coursera从斯坦福大学诞生，而edX后来又从哈佛和麻省理工学院诞生。 MOOC改变了人们对在线教育的看法：通过将世界顶级大学的黄金标准教育引入在线，他们对整个领域进行了验证。 从那时起，MOOC已被用于家庭，学校，校园和企业中，以在连接到Internet的任何地方快速提高工人的技能。
同时，出现了一种并行但完全相关的趋势，即“终身学习”的概念。 趋势的逻辑很简单：快速的技术变革将不断创建新的工具（例如分析），新的业务流程（例如云）和新的行业（AirBnB），人们需要不断学习以与这些保持同步。
两种趋势相得益彰，到2017年，超过5800万人接受了7,000多个MOOC。 如果其中包括为满足不同的特定技能领域（编码，创意艺术，企业培训等）而涌现的数百个平台，则数字将急剧增加。 在这两种趋势的融合下，“我可以在网上学到什么？”这个问题。 在2011年变成了“我应该学习什么？”。
那么，学习者如何知道他们需要学习什么以及如何找到它？ 大致而言，在线学习平台通过三种方式来实现这一目标：
具有一般学习目标或好奇心的社会用户可以通过搜索足够轻松地找到所选学科，但是如何选择？ 像Class Central这样的学习平台和学习聚合器使用流行度和等级来对课程进行排序，就像用户在亚马逊上购买产品时所做的那样-“最受欢迎的课程”，“评分最高的课程”。 对于学习平台（例如Netflix），可以使用基本的用户活动聚类算法轻松创建这些建议。 社交发现方法简单而持久，因为遵循其他人的行为和喜好是人性固有的。
对于具有更具体或更细化学习目标的学习者来说，事情变得越来越有趣。 Coursera最近开始使用机器学习来刮擦他们课程中的内容并挑选技能和主题。 如果学习者想学习“马尔可夫模型”，他们现在可以搜索并找到其中包含的课程。从表面上看，这只是一种更准确的搜索，但实际上，这是学习者提高专门性水平的开始。 Coursera尚未（可能不会）允许学习者仅在课程范围之外（这是Coursera的业务模型所适用的级别）学习单个概念，也许他们不需要：学习者可能想被引导去学习教育者认为重要的东西，并被要求更深入地学习主题的广度。
但是，如果学习者知道他们想在哪里专业地毕业，又不知道如何从技能发展或增加的概念理解的角度去那儿呢？ LinkedIn正在解决此问题。 如果您申请工作，但是简历和职位描述之间存在差距（也许您没有财务建模经验），那么LinkedIn可以在LinkedIn提供他们的课程，以帮助您提高对这项工作的技能。 随着时间的流逝，LinkedIn将能够开发技能途径，向您准确显示出至少需要知识才能满足每项工作的条件。 由于他们可以访问大量专业数据，因此他们可以分析平台上产品经理的技能，以发现他们都具有UX经验，或者反过来找出自己的哪些课程与成功的应用程序和职业发展相关。
接下来是什么？ 更多数据，更个人，更自信
学习发现的未来将是更多的个性化，更大的学习者活动数据集，更好的就业能力数据以及关键技能和知识与成功学习者结果之间的相关性。 课程主题将分为许多概念性类别，所有这些目的都是为了增加推荐与学习者相关的机会。 学习历史，Cookie数据，个人资料数据，工作数据都将有助于获得更准确的课程建议。 拥有访问必要数据集的平台，并在某种程度上可以控制课程制作的重点，以及有关学习者如何发现课程的数据，这些平台将有助于为将来的学习者建立更好的发现途径。
这将导致一种改进的搜索形式，即使用户并未完全意识到自己的确会这么做，也可以为用户提供所需的课程。 考虑一下Google搜索引擎的工作，因为它试图理解（即使用户不了解）用户的真正含义。 如果用户在MOOC平台上搜索“开发人员”，它可能会知道他们是初学者，并将他们定向到“ JavaScript入门”，并建议为什么这对他们特别重要且有用。
对于领英式的努力，更多数据意味着什么？ LinkedIn可以结合专业人士的全球数据为您提供建议。 也许您正在寻找换工作？ LinkedIn可能比专家本身，甚至比公司更了解数字营销专业人员现在需要的技能。 如果它发现尚未在伦敦显现出来的硅谷趋势，该怎么办？
更多的数据将更加个人化-但是什么使它更具自信？ 一个领域可能是与推荐算法一起工作的自适应学习系统的持续发展。 自适应学习系统（ALS）通过根据您的表现来调整您的学习内容。 如果我正在做微积分并努力与微分相抗衡，它可以解决我的弱点，方法是循环回我以刷新我的知识和对它知道自己薄弱的关键概念的理解。 汗学院（Khan Academy）使用了这种方法，并且很好地帮助学习者在结构化的学习内容中移动。
随着ALS功能进一步内置到在线课程中，算法将学习您的优势所在，并能够建议发挥这些优势的技能和工作-将其视为诊断工具。 也许有些人会立志成为一名数据科学家，但他们在建立数据仓库方面的技能却被与统计概念的斗争所抵消。 因此，他们可能会收到越来越多的有关数据仓库的课程，并鼓励他们考虑成为一名数据工程师。 这就像学校的职业官员一样，但是可以访问您的真实学习记录以及数百万其他学习者的记录，并且可以找到世界各地职业角色的最新观点。 如果LinkedIn采用这种方法，他们可以为您提供适合您的职位，但也可以根据您的优势和学习者记录向您提供有关您的职位的信息。 LinkedIn已在根据个人资料建议课程。 他们的算法可能很粗糙，但是会随着时间和数据的发展而改进。
在这种情况下，通过更明智的算法使路径和目的地都可变。 将选择的算法学习外包给我们将产生深远的后果，就像将我们在Google上发现的知识外包一样。 问责制和透明度对于建立信任至关重要。 确保学习不是仅专注于超级专业化的简化过程，这一点也很重要。 数据的创建，共享和使用方式对于改善学习发现至关重要，并且对于学习者来说，了解和告知他们以便在学习过程中获得授权至关重要。
本文最初在 Unthinkable网站 上 发布 。
