張志禎　張玲玲　羅瓊菱子　鄭葳

【關(guān)鍵詞】? 人工智能教育應(yīng)用;教學(xué)自動(dòng)化;智能教學(xué)系統(tǒng);計(jì)算機(jī)教育應(yīng)用;交互主體;媒體工具;

專(zhuān)家系統(tǒng);機(jī)器學(xué)習(xí);CognitiveTutor;AutoTutor;Course Signals;WISE+c-Rator

【中圖分類(lèi)號(hào)】? G420????? 【文獻(xiàn)標(biāo)識(shí)碼】? A????? 【文章編號(hào)】 1009-458x（2019）3-0001-13

一、引言

人工智能與教育系統(tǒng)以人類(lèi)的知識(shí)實(shí)踐為紐帶，兩者存在多層次、復(fù)雜且密切的相互作用，人工智能應(yīng)用于教育實(shí)踐具有邏輯必然性（張志禎， 等， 2019）。人工智能是科學(xué)、工程與數(shù)學(xué)，但是人工智能教育應(yīng)用是具有社會(huì)歷史文化屬性的人類(lèi)教育實(shí)踐，其大范圍開(kāi)展有賴(lài)于教育主體（教師、管理者、學(xué)生、組織機(jī)構(gòu)）理解人工智能在教育活動(dòng)中的作用方式、可能與限度。本文的“實(shí)然”分析不是對(duì)人工智能教育應(yīng)用情況的大規(guī)?，F(xiàn)狀調(diào)查，而是從微觀教育過(guò)程層面，分析人工智能是“如何”應(yīng)用于教育的，即其實(shí)現(xiàn)教學(xué)自動(dòng)化的方法。

對(duì)人工智能教育應(yīng)用的“實(shí)然”分析，主要源于“人工智能+教育”當(dāng)前備受關(guān)注，但是相關(guān)探討過(guò)于關(guān)注未來(lái)、可能與工程技術(shù)，而相對(duì)輕視甚至忽視歷史、局限與教學(xué)實(shí)踐。研究當(dāng)然需要指向未來(lái)，但對(duì)于未來(lái)的分析預(yù)測(cè)應(yīng)有歷史與現(xiàn)實(shí)根基，計(jì)算機(jī)、人工智能教育應(yīng)用的歷史是面向未來(lái)的起點(diǎn)與基礎(chǔ)。人工智能教育應(yīng)用是為教育的，而非為人工智能的（Baker， 2016），對(duì)于教育而言人工智能是實(shí)現(xiàn)目的的工具與手段，盡管它是積極能動(dòng)的，但它本身并不能證明其價(jià)值，教育教學(xué)的目標(biāo)、活動(dòng)、情境復(fù)雜多樣，難以有普適的工具手段，人工智能要在教育信息化生態(tài)中發(fā)揮作用，進(jìn)而帶動(dòng)生態(tài)系統(tǒng)進(jìn)化升級(jí)，不但需要明確其優(yōu)勢(shì)與資源，還需明確其局限與代價(jià)。因此，不僅需要從工程技術(shù)角度進(jìn)行分析，更需要從教育教學(xué)過(guò)程角度進(jìn)行分析，而當(dāng)前從教育教學(xué)活動(dòng)微觀過(guò)程對(duì)于人工智能教育應(yīng)用進(jìn)行分析的工作做得還很不夠，這不利于廣大教育研究者與實(shí)踐者客觀把握人工智能及其教育應(yīng)用。

人工智能教育應(yīng)用，在宏觀層面上是“智能化領(lǐng)跑教育信息化2.0”（王珠珠， 2018），在微觀層面上是計(jì)算機(jī)教育應(yīng)用的增強(qiáng)與擴(kuò)展。因此，本文嘗試探索如下問(wèn)題：第一，人工智能為計(jì)算機(jī)教育應(yīng)用帶來(lái)了什么？第二，人工智能是如何實(shí)現(xiàn)教學(xué)自動(dòng)化的？即其實(shí)現(xiàn)教學(xué)自動(dòng)化的方法。第三，人工智能教育應(yīng)用有何局限？限度何在？

本文通過(guò)綜合分析文獻(xiàn)和邏輯思辨回答上述問(wèn)題，采用文獻(xiàn)研究法、歷史研究法和案例研究法。“歷史研究是尋找事實(shí)，然后使用這些信息去描述、分析和解釋過(guò)去的系統(tǒng)過(guò)程”（維爾斯曼， 1997， p. 278）。為更好地理解人工智能教育應(yīng)用，我們回溯到早期的教學(xué)機(jī)器研究，梳理關(guān)鍵事件與系統(tǒng)，嘗試對(duì)計(jì)算機(jī)教育應(yīng)用的歷史做概括。案例研究是對(duì)某一有邊界的系統(tǒng)（bounded system）的深度描述與分析;案例是一種分析單位，而非特別的數(shù)據(jù)收集和分析方法，進(jìn)行案例研究時(shí)通常更在乎“情境中的解釋或理解”，而非假設(shè)檢驗(yàn)（Merriam， 2009， pp.40-42）。本文中的案例研究，旨在通過(guò)對(duì)典型智能教學(xué)系統(tǒng)（Intelligent Instructional System）進(jìn)行對(duì)比分析，回答人工智能是如何實(shí)現(xiàn)教學(xué)自動(dòng)化的問(wèn)題。這里所說(shuō)的智能教學(xué)系統(tǒng)取其廣義，即利用人工智能技術(shù)干預(yù)學(xué)習(xí)過(guò)程的教學(xué)或?qū)W習(xí)支持系統(tǒng)，既包括自身提供特定內(nèi)容教學(xué)信息的系統(tǒng)，也包括在對(duì)學(xué)習(xí)過(guò)程和情境進(jìn)行感知分析的基礎(chǔ)上提出教與學(xué)反饋和建議的系統(tǒng)。為保證研究信度，研究者選擇了4個(gè)持續(xù)時(shí)間長(zhǎng)（5年以上）且有系列公開(kāi)發(fā)表物的系統(tǒng)，作為專(zhuān)家系統(tǒng)與機(jī)器學(xué)習(xí)智能教學(xué)系統(tǒng)的案例，分析其實(shí)現(xiàn)教學(xué)自動(dòng)化的方法。

二、計(jì)算機(jī)與人工智能教育應(yīng)用：對(duì)教學(xué)機(jī)器的增強(qiáng)與擴(kuò)展

利用機(jī)器輔助或代替人類(lèi)個(gè)體開(kāi)展教學(xué)活動(dòng)的實(shí)踐探索，遠(yuǎn)早于數(shù)字電子計(jì)算機(jī)與人工智能的發(fā)明。“在教學(xué)中利用節(jié)省勞力的工具是完全可能的，這樣做并不會(huì)使教育機(jī)械化，反而可能使教師擺脫許多繁重的例行工作，進(jìn)行更多真正的教學(xué)工作，……那種能夠發(fā)展學(xué)生的理想、啟發(fā)他們的思想的教學(xué)工作”（普萊西a， 1979），在21世紀(jì)第二個(gè)10年快結(jié)束時(shí)這樣的表達(dá)頻繁見(jiàn)于各種教育相關(guān)學(xué)術(shù)會(huì)議與論文，但這段話(huà)并不是信息技術(shù)專(zhuān)家或者教育技術(shù)專(zhuān)家在今天說(shuō)的，而是心理學(xué)家普萊西在20世紀(jì)前半葉所說(shuō)。早在1927年，普萊西就設(shè)計(jì)出了能夠開(kāi)展個(gè)性化教學(xué)的機(jī)械設(shè)備（教學(xué)機(jī)器），希望可以開(kāi)啟一個(gè)新產(chǎn)業(yè)。

早期教學(xué)機(jī)器利用機(jī)械技術(shù)，能夠?qū)崿F(xiàn)（普萊西a， 1979）：①將教學(xué)內(nèi)容分為片段呈現(xiàn)，以框面（frame， 也譯為“幀”）為單位，一個(gè)框面或者用兩三句話(huà)呈現(xiàn)一小段教學(xué)信息，或者呈現(xiàn)一道選擇題或填空題;②在呈現(xiàn)題目框面時(shí)，學(xué)生可以利用機(jī)器的交互裝置（如按鈕）作答，機(jī)器即時(shí)反饋對(duì)錯(cuò)，根據(jù)回答情況跳轉(zhuǎn)到下一框面（新的教學(xué)信息或者另外一道題目）;③機(jī)器可以記錄學(xué)生答題情況（對(duì)錯(cuò)、次數(shù)），可以自動(dòng)隱藏已掌握的題目（如連續(xù)兩次都答對(duì)），以防止過(guò)量學(xué)習(xí)。教學(xué)機(jī)器能夠自動(dòng)為學(xué)生學(xué)習(xí)提供反饋，并可適應(yīng)性、選擇性地呈現(xiàn)教學(xué)信息。程序教材是專(zhuān)門(mén)用于教學(xué)機(jī)器的教學(xué)資源。

斯金納在1956年和1957年發(fā)表的兩篇文章（斯金納a， 1979; 斯金納b， 1979）為教學(xué)機(jī)器奠定了學(xué)理基礎(chǔ)，在行為主義心理學(xué)作為主導(dǎo)理論的情況下，程序教學(xué)的理念被廣為接受，程序教材的開(kāi)發(fā)和實(shí)驗(yàn)被廣為關(guān)注。盡管如此，教學(xué)機(jī)器對(duì)教學(xué)實(shí)踐的影響遠(yuǎn)遠(yuǎn)不及倡導(dǎo)者的預(yù)期。主要的原因有兩方面：一是教學(xué)設(shè)計(jì)理念，正如普萊西在1963年的文章中所反思的，程序教材編制者似乎忘了教師們都明白的道理，人類(lèi)個(gè)體能夠很容易地從大段文本閱讀中學(xué)習(xí)，而且也具有從錯(cuò)誤中學(xué)習(xí)的能力，將知識(shí)切成碎片反而可能破壞認(rèn)知結(jié)構(gòu)的建立（普萊西b， 1979）;二是機(jī)械教學(xué)機(jī)器在信息呈現(xiàn)、教育方式以及記錄、存儲(chǔ)與分析交互過(guò)程數(shù)據(jù)方面有很多局限，適應(yīng)性很有限。因此，數(shù)字電子計(jì)算機(jī)問(wèn)世后，教學(xué)機(jī)器、程序教學(xué)研究者立即認(rèn)識(shí)到其巨大潛力，相關(guān)研究與實(shí)踐也迅速轉(zhuǎn)向數(shù)字世界（布希涅爾， 1979）。

（一）計(jì)算機(jī)教育應(yīng)用回顧：交互主體與媒體工具的嬗變與融合

計(jì)算機(jī)在教育中的功能與應(yīng)用方式已討論得很充分（如， 科利斯， 2011; 沃森， 2011; Smaldino， et al.， 2008， p. 159）。為更好地從自動(dòng)化角度分析計(jì)算機(jī)教育應(yīng)用，本文根據(jù)計(jì)算機(jī)在微觀教與學(xué)活動(dòng)中學(xué)生“感知”到的計(jì)算機(jī)系統(tǒng)的自治程度將計(jì)算機(jī)在教學(xué)活動(dòng)中的角色分為交互主體與媒體工具兩類(lèi)①。

交互主體指計(jì)算機(jī)利用軟硬件模擬出一個(gè)虛擬主體（如：教學(xué)代理， pedagogical agent; 學(xué)伴， learning companion）或者交互式環(huán)境空間，學(xué)習(xí)者在與之互動(dòng)的過(guò)程中開(kāi)展學(xué)習(xí)活動(dòng)，學(xué)習(xí)者感到計(jì)算機(jī)是具備一定自主性的實(shí)體，是教學(xué)交互過(guò)程中的技術(shù)主體。這是教學(xué)機(jī)器傳統(tǒng)的延續(xù)。第一個(gè)智能輔助教學(xué)系統(tǒng)（Intelligent Computer Assisted Instruction， ICAI）SCHOLAR是虛擬主體，它在與學(xué)生對(duì)話(huà)的過(guò)程中通過(guò)對(duì)學(xué)生的回答給予指導(dǎo)反饋、回答學(xué)生問(wèn)題等方法教學(xué)生南美洲地理知識(shí)（Collins & Grignetti， 1975），計(jì)算機(jī)模擬出能夠進(jìn)行自然語(yǔ)言對(duì)話(huà)的教師。多數(shù)游戲和模擬教學(xué)軟件可被視為環(huán)境空間，如PLATO、BEETLE II、River City等，學(xué)習(xí)者在與計(jì)算機(jī)虛擬空間互動(dòng)的過(guò)程中開(kāi)展有指導(dǎo)的“做中學(xué)”或者競(jìng)爭(zhēng)游戲，在這一過(guò)程中學(xué)習(xí)。

媒體工具強(qiáng)調(diào)計(jì)算機(jī)（包括網(wǎng)絡(luò)）兩方面的功能：一是多媒體數(shù)據(jù)的輸入、存儲(chǔ)、傳輸、再現(xiàn)與加工;二是作為“人際”交流合作的媒介。具體來(lái)說(shuō)，包括傳遞再現(xiàn)、創(chuàng)作表達(dá)、探究發(fā)現(xiàn)、交流合作和監(jiān)控管理功能（見(jiàn)表1）。在利用這些功能開(kāi)展教學(xué)活動(dòng)時(shí)，計(jì)算機(jī)更像“工具”，而非“主體”，即計(jì)算機(jī)不具有目的性與能動(dòng)性，而是作為師生感官的延伸或者中介作用于特定類(lèi)型的信息，受行動(dòng)主體控制。更重要的是，在教與學(xué)活動(dòng)的過(guò)程中師生始終有參與感與控制感，是大大小小各種類(lèi)型決策的決策者。當(dāng)然，工具對(duì)于人的思維與行動(dòng)方式是有反作用的。正如英國(guó)諺語(yǔ)所說(shuō)，“當(dāng)你有一把錘子，什么東西看起來(lái)都像個(gè)釘子”。在解決教與學(xué)問(wèn)題的過(guò)程中，媒體工具不但是可利用的資源，也是限制框架，在一定程度上框定了行動(dòng)者的思維與行動(dòng)。

進(jìn)一步分析可以發(fā)現(xiàn)，交互主體與媒體工具并非涇渭分明，作為連續(xù)體的兩端更為合適。兩者界限模糊的原因有兩方面：一是在對(duì)某一技術(shù)支持的學(xué)習(xí)活動(dòng)進(jìn)行分析解讀時(shí)，視角可以是多樣化的。例如LOGO，可以強(qiáng)調(diào)其利用代數(shù)、幾何知識(shí)與計(jì)算機(jī)編程語(yǔ)言進(jìn)行可視化呈現(xiàn)，這時(shí)它是創(chuàng)作表達(dá)的媒體工具;可以強(qiáng)調(diào)學(xué)習(xí)者利用命令行與其互動(dòng)，這時(shí)它是提供探索機(jī)會(huì)的交互式學(xué)習(xí)空間，更具交互主體屬性。二是教師與學(xué)生使用同一技術(shù)工具的目的、方式不同，因此計(jì)算機(jī)在活動(dòng)中的角色存在差異。例如多媒體創(chuàng)作工具，教師用其制作課件、教學(xué)軟件等教學(xué)材料，對(duì)教師而言它是“創(chuàng)作表達(dá)”與“傳遞再現(xiàn)”教學(xué)知識(shí)與技能的工具;學(xué)生通常是教師所創(chuàng)作的作品的使用者，對(duì)學(xué)生而言作品是交互式學(xué)習(xí)環(huán)境，是教學(xué)交互活動(dòng)的技術(shù)主體。從這一角度概括計(jì)算機(jī)教育應(yīng)用的歷史（見(jiàn)圖1），可以發(fā)現(xiàn)：

第一，20世紀(jì)50年代末，計(jì)算機(jī)教育應(yīng)用濫觴于交互主體。以PLATO①（始于1959年）與SCHOLAR（始于20世紀(jì)60年代末，Collins & Grignetti， 1975）為代表的早期計(jì)算機(jī)輔助教學(xué)系統(tǒng)，雖然教學(xué)方法不同（前者呈現(xiàn)教學(xué)內(nèi)容并在解題交互中評(píng)價(jià)學(xué)生對(duì)內(nèi)容的掌握情況;后者采用基于自然語(yǔ)言的文本對(duì)話(huà)），但均強(qiáng)調(diào)計(jì)算機(jī)是具有領(lǐng)域知識(shí)的主體，可在交互過(guò)程中評(píng)價(jià)學(xué)生，為學(xué)生提供適應(yīng)性教學(xué)信息。

第二，20世紀(jì)80年代中后期，計(jì)算機(jī)作為媒體工具蓬勃興起，作為交互主體深入發(fā)展，兩者協(xié)同發(fā)展。計(jì)算機(jī)多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)發(fā)展普及、計(jì)算機(jī)硬件性能提高、軟件功能逐漸豐富且可用性提升，這些是計(jì)算機(jī)作為教育媒體工具大行其道的技術(shù)基礎(chǔ)，而學(xué)校信息技術(shù)基礎(chǔ)設(shè)施逐漸完善、教師信息技術(shù)素養(yǎng)不斷提高以及各國(guó)在政策層面加以鼓勵(lì)，則是其大范圍應(yīng)用的社會(huì)條件。這一階段值得特別注意的有三個(gè)方面：一是“媒體”功能通常是借助“工具”使用來(lái)實(shí)現(xiàn)的;二是Authorware等多媒體教學(xué)軟件創(chuàng)作工具使非專(zhuān)業(yè)編程人員，甚至普通教師，也可以創(chuàng)作出“交互主體”類(lèi)的教學(xué)軟件;三是數(shù)字視頻技術(shù)的發(fā)展降低了捕獲、記錄、存儲(chǔ)、處理、傳輸、呈現(xiàn)教學(xué)活動(dòng)的技術(shù)門(mén)檻，網(wǎng)絡(luò)教學(xué)平臺(tái)實(shí)現(xiàn)了網(wǎng)絡(luò)資源簡(jiǎn)易、快速和低成本發(fā)布，并使大規(guī)模開(kāi)展各種同步與異步教學(xué)活動(dòng)成為現(xiàn)實(shí)?？梢哉f(shuō)網(wǎng)絡(luò)教育學(xué)院的網(wǎng)絡(luò)課程、美國(guó)麻省理工學(xué)院的開(kāi)放課件（OCW）以及后來(lái)的MOOCs課程（尤其是xMOOC）充分利用了計(jì)算機(jī)網(wǎng)絡(luò)的“傳遞再現(xiàn)”和“交流合作”這些媒體功能。

第三，20世紀(jì)90年代中后期，媒體工具與交互主體廣泛深度融合。這主要表現(xiàn)在，媒體工具類(lèi)應(yīng)用（如網(wǎng)絡(luò)課程）中通常會(huì)包含交互主體類(lèi)應(yīng)用（如教學(xué)游戲或者模擬）;反之亦然，虛擬環(huán)境空間中也可包含教師的講解視頻。計(jì)算機(jī)支持的合作學(xué)習(xí)與MOOC學(xué)習(xí)中存在更深度的融合。例如MentorChat（Tegos， et al.， 2014; Tegos & Demetriadis， 2017），學(xué)生利用網(wǎng)絡(luò)即時(shí)通信工具（媒體）開(kāi)展討論，而后臺(tái)的程序以智能體（agent）形式參與討論，監(jiān)控討論過(guò)程，根據(jù)教師設(shè)定的“概念圖”判斷學(xué)生對(duì)知識(shí)內(nèi)容的覆蓋和掌握程度，并可以在需要時(shí)提問(wèn)學(xué)生;Aleven等（2016）探索了如何將Cognitive Tutor整合到edX課程“Big Data in Education”（教育大數(shù)據(jù)）中，為學(xué)生提供處理復(fù)雜數(shù)據(jù)任務(wù)的“做中學(xué)”經(jīng)驗(yàn)，緩解MOOC學(xué)習(xí)中適應(yīng)性指導(dǎo)不足的問(wèn)題。

（二）智能教學(xué)系統(tǒng)：人工智能提高交互主體的教學(xué)適應(yīng)性

1. 從CAI到ICAI，再到學(xué)習(xí)分析

即使到了21世紀(jì)，多數(shù)基于計(jì)算機(jī)和互聯(lián)網(wǎng)的教學(xué)系統(tǒng)仍然只能交互式呈現(xiàn)事先設(shè)置好的多媒體教學(xué)信息與固定的練習(xí)和測(cè)試題目，依然很機(jī)械，是所謂特設(shè)的專(zhuān)門(mén)（ad hoc）程序。其根源在于計(jì)算機(jī)不能“理解”所教的知識(shí)，不會(huì)“運(yùn)用”所教的技能（當(dāng)然，簡(jiǎn)單的數(shù)學(xué)計(jì)算、英文單詞拼寫(xiě)等認(rèn)知技能除外）（Park & Seidel， 1987）。

人工智能進(jìn)入教育領(lǐng)域的初衷是提高計(jì)算機(jī)輔助教學(xué)（Computer Assisted Instruction， CAI）軟件的靈活性與適應(yīng)性（Collins & Grignetti， 1975; 劉清堂， 等， 2016）。1965年第一個(gè)專(zhuān)家系統(tǒng)Dendral問(wèn)世。幾年后，智能計(jì)算機(jī)輔助教學(xué)系統(tǒng)（Intelligent Computer Assisted Instruction， ICAI）SCHOLAR的研發(fā)拉開(kāi)了人工智能教育應(yīng)用的大幕，隨后迅速涌現(xiàn)的十幾個(gè)智能教學(xué)系統(tǒng)使ICAI成為一個(gè)獨(dú)立的研究領(lǐng)域（Park & Seidel， 1987）。此后的研究一直圍繞如何利用人工智能技術(shù)促進(jìn)學(xué)生的學(xué)習(xí)，即實(shí)現(xiàn)“教的自動(dòng)化”②。

Park等（1987）30多年前對(duì)于CAI與ICAI區(qū)別的探討到今天仍然與現(xiàn)實(shí)相符，而且仍然非常具有啟發(fā)性。其主要觀點(diǎn)為：就開(kāi)發(fā)目標(biāo)而言，CAI通常是教育者和培訓(xùn)者利用計(jì)算機(jī)技術(shù)解決教學(xué)問(wèn)題，提高教學(xué)效率與質(zhì)量;ICAI通常是計(jì)算機(jī)科學(xué)家和認(rèn)知科學(xué)家探索人工智能技術(shù)在學(xué)習(xí)與教學(xué)中應(yīng)用的潛力，系統(tǒng)的技術(shù)方面通常是研究的焦點(diǎn)。就理論基礎(chǔ)而言，CAI多依據(jù)學(xué)與教的原則、教學(xué)開(kāi)發(fā)過(guò)程以及關(guān)于教學(xué)的規(guī)定性理論;ICAI多基于學(xué)與教的認(rèn)知過(guò)程，利用教學(xué)的描述性和診斷性理論。就所教學(xué)科而言，CAI幾乎涉及所有學(xué)科;ICAI主要圍繞結(jié)構(gòu)性強(qiáng)的學(xué)科，如數(shù)學(xué)、編程、醫(yī)學(xué)診斷、物理等。就系統(tǒng)開(kāi)發(fā)過(guò)程而言，CAI多采用ADDIE（Analysis Design Development Implementation Evaluation，即分析—設(shè)計(jì)—開(kāi)發(fā)—實(shí)施—評(píng)價(jià)）教學(xué)系統(tǒng)設(shè)計(jì)過(guò)程模型，團(tuán)隊(duì)通常包括教學(xué)設(shè)計(jì)者、學(xué)科專(zhuān)家、計(jì)算機(jī)開(kāi)發(fā)人員等;不同的ICAI項(xiàng)目的開(kāi)發(fā)過(guò)程差異很大，由于多以測(cè)試人工智能技術(shù)為主要目的，內(nèi)容則相對(duì)更傾向于方便取樣。就系統(tǒng)驗(yàn)證與評(píng)價(jià)而言，CAI主要關(guān)注教學(xué)效果，通常采用多種評(píng)價(jià)方法;ICAI多以能夠處理特定的教學(xué)過(guò)程來(lái)評(píng)價(jià)，能夠按照最初的設(shè)計(jì)來(lái)運(yùn)行即算是達(dá)到了預(yù)期目標(biāo)。

對(duì)人工智能教育應(yīng)用專(zhuān)門(mén)期刊所發(fā)表文章的概要內(nèi)容進(jìn)行分析，結(jié)果表明，本領(lǐng)域的研究從以技術(shù)驅(qū)動(dòng)為主轉(zhuǎn)向技術(shù)與教育共同驅(qū)動(dòng)。International Journal of Artificial Intelligence in Education（IJAIED，《人工智能教育應(yīng)用國(guó)際期刊》）是專(zhuān)門(mén)面向人工智能教育應(yīng)用領(lǐng)域、采用同行評(píng)審的學(xué)術(shù)期刊。對(duì)該刊一組高影響力文章①的內(nèi)容分析表明，20世紀(jì)90年代初到21世紀(jì)的前10年，本領(lǐng)域研究聚焦于系統(tǒng)評(píng)估、建模方法和研究方法，具有強(qiáng)烈的工程化研究取向。而該刊近年來(lái)發(fā)表的文章和專(zhuān)刊的選題表明，研究越來(lái)越注重教育實(shí)踐需求和教育實(shí)踐問(wèn)題解決。

隨著在線學(xué)習(xí)和混合學(xué)習(xí)的普及，尤其是MOOCs的大規(guī)模采用，學(xué)習(xí)過(guò)程和學(xué)習(xí)資源使用數(shù)據(jù)迅速積累，人們開(kāi)始嘗試發(fā)掘數(shù)據(jù)中蘊(yùn)藏的模式與相關(guān)關(guān)系，以此促進(jìn)學(xué)習(xí)、改進(jìn)資源、開(kāi)展學(xué)習(xí)與教育研究，教育大數(shù)據(jù)挖掘和學(xué)習(xí)分析逐漸成為獨(dú)立的研究領(lǐng)域（魏順平， 2013）。常規(guī)編程與統(tǒng)計(jì)分析方法面對(duì)大數(shù)據(jù)捉襟見(jiàn)肘，能夠?qū)崿F(xiàn)“模式發(fā)現(xiàn)與識(shí)別”的機(jī)器學(xué)習(xí)技術(shù)得以廣泛采用。在學(xué)習(xí)分析應(yīng)用中的人工智能從“臺(tái)上傳道的圣人”變?yōu)椤昂笈_(tái)警覺(jué)的老大哥”，是隱形的虛擬主體。

2. 智能教學(xué)系統(tǒng)的教學(xué)方法：輔導(dǎo)與輔導(dǎo)的不同

從教學(xué)方法角度看，操練與練習(xí)、輔導(dǎo)、模擬、游戲等是CAI軟件與智能教學(xué)系統(tǒng)的常用教學(xué)方法。對(duì)于每種方法，人工智能都能增強(qiáng)計(jì)算機(jī)的功能，使其具備一定的“理解能力”，從而具備更高的適應(yīng)性。

輔導(dǎo)（tutoring）這一術(shù)語(yǔ)在CAI與智能教學(xué)系統(tǒng)中均經(jīng)常出現(xiàn)，但所指的教學(xué)活動(dòng)不同，是展示CAI與智能教學(xué)系統(tǒng)在教學(xué)方法上差異的好例子。CAI中的輔導(dǎo)通常指“測(cè)試——根據(jù)測(cè)試情況呈現(xiàn)解釋和說(shuō)明性教學(xué)信息”（對(duì)于大多數(shù)CAI軟件而言，教學(xué)信息和從前測(cè)到教學(xué)信息的跳轉(zhuǎn)路徑等均為事先設(shè)置好的，無(wú)法在教學(xué)過(guò)程中根據(jù)學(xué)習(xí)情況調(diào)整）。VanLehn（2006）提出輔導(dǎo)系統(tǒng)應(yīng)支持兩層次的循環(huán)，外循環(huán)（outer loop）用于選擇任務(wù)或問(wèn)題，內(nèi)循環(huán)（inner loop）用于實(shí)現(xiàn)對(duì)于問(wèn)題解決過(guò)程的逐步（stepwise）反饋、提示與指導(dǎo)。用VanLehn的術(shù)語(yǔ)來(lái)說(shuō)，CAI軟件只有外循環(huán)，無(wú)內(nèi)循環(huán)，而且外循環(huán)也多是預(yù)設(shè)的或者固定的，非生成性的。

智能教學(xué)系統(tǒng)中的輔導(dǎo)通常指兩類(lèi)教學(xué)活動(dòng)：一是模擬人類(lèi)教師的輔導(dǎo)行為，即蘇格拉底式問(wèn)答。學(xué)生用自然語(yǔ)言與系統(tǒng)“交談”，系統(tǒng)和學(xué)生均可以提出和回答問(wèn)題，是所謂“混合式主動(dòng)教學(xué)（mixed initiative instruction）”，如SCHOLAR（Collins & Grignetti， 1975）、AutoTutor（Graesser， et al.， 2007）。只有計(jì)算機(jī)“理解”自然語(yǔ)言和特定領(lǐng)域的知識(shí)，能夠?qū)崿F(xiàn)這種靈活性。二是“做中學(xué)”的交互式學(xué)習(xí)環(huán)境。系統(tǒng)模擬出一個(gè)針對(duì)特定問(wèn)題的交互式問(wèn)題解決環(huán)境，向?qū)W生提出問(wèn)題，學(xué)生利用環(huán)境中的各種工具解決問(wèn)題，系統(tǒng)監(jiān)控學(xué)生解決問(wèn)題的步驟，根據(jù)需要提供反饋（指導(dǎo)、提示、問(wèn)題解決演示等），如Cognitive Tutor（Anderson， et al.， 1995）、BEETLE II（Dzikovska， et al， 2014）。計(jì)算機(jī)需要自己“會(huì)”解決問(wèn)題，才能做到檢測(cè)學(xué)生的問(wèn)題解決狀態(tài)，推測(cè)學(xué)生掌握知識(shí)、技能的情況，實(shí)時(shí)給出有針對(duì)性的反饋。用VanLehn的術(shù)語(yǔ)來(lái)說(shuō)，智能教學(xué)系統(tǒng)實(shí)現(xiàn)了兩層次的適應(yīng)性循環(huán)。

Woolf（2009， p. 30）認(rèn)為智能教學(xué)系統(tǒng)應(yīng)具備生成性、學(xué)生建模、專(zhuān)家建模、混合主動(dòng)（mixed initiate）、交互學(xué)習(xí)、教學(xué)建模及自改進(jìn)（self-improving）特性。這一說(shuō)法仍偏向?qū)崿F(xiàn)層面。綜合上述觀點(diǎn)可以概括出，由于人工智能技術(shù)能夠在一定程度上執(zhí)行技能、理解內(nèi)容和感知預(yù)測(cè)（可感知學(xué)習(xí)情境、學(xué)習(xí)活動(dòng)過(guò)程和學(xué)習(xí)者特征），主要用于提高計(jì)算機(jī)作為教學(xué)交互主體的靈活性與適應(yīng)性。人工智能對(duì)計(jì)算機(jī)教學(xué)系統(tǒng)的增強(qiáng)作用、案例及主要實(shí)現(xiàn)技術(shù)參見(jiàn)表2。表2最右列呈現(xiàn)了系統(tǒng)實(shí)現(xiàn)的核心技術(shù)類(lèi)型。智能教學(xué)系統(tǒng)是綜合性的（通常包括學(xué)科知識(shí)模型、學(xué)生模型、教學(xué)模型和交互界面等模塊，不同模塊的實(shí)現(xiàn)技術(shù)通常存在差異），如以專(zhuān)家系統(tǒng)為核心的Cognitive Tutor在學(xué)生模型模塊利用貝葉斯網(wǎng)絡(luò)評(píng)估學(xué)生對(duì)特定知識(shí)點(diǎn)的掌握情況（Anderson， et al.， 1995），這是利用機(jī)器學(xué)習(xí)技術(shù)從學(xué)習(xí)過(guò)程數(shù)據(jù)中推斷、挖掘出定性結(jié)論。因此，這里只是概要表示其主要技術(shù)類(lèi)型。

三、人工智能實(shí)現(xiàn)教學(xué)自動(dòng)化的方法

從核心實(shí)現(xiàn)技術(shù)的角度看，智能教學(xué)系統(tǒng)可以分為專(zhuān)家系統(tǒng)和機(jī)器學(xué)習(xí)兩類(lèi)。本部分選擇了4個(gè)智能教學(xué)系統(tǒng)，分析其實(shí)現(xiàn)教學(xué)自動(dòng)化的方法。Cognitive Tutor（始于1983， Anderson， et al.， 1995）、AutoTutor（始于1998， Nye， et al.， 2014; Graesser， 2016）是典型的基于專(zhuān)家系統(tǒng)的智能輔導(dǎo)系統(tǒng)。前者是交互式學(xué)習(xí)環(huán)境，發(fā)展學(xué)生的認(rèn)知技能;后者是虛擬主體，通過(guò)自然語(yǔ)言對(duì)話(huà)促進(jìn)學(xué)生對(duì)概念的理解。Course Signals（始于2008， Arnold & Pistilli， 2012）與WISE+c-Rater（c-Rater始于2009年之前，用于WISE的探索始于2014年左右，Liu， et al.， 2014）的“智能”模塊均采用機(jī)器學(xué)習(xí)技術(shù)，但教學(xué)功能與外在表現(xiàn)差異很大，前者是針對(duì)大學(xué)教學(xué)的學(xué)習(xí)分析，利用歷史記錄與學(xué)習(xí)過(guò)程數(shù)據(jù)預(yù)測(cè)學(xué)生成功學(xué)習(xí)課程的可能性;后者用于中小學(xué)網(wǎng)絡(luò)科學(xué)探究學(xué)習(xí)，智能模塊對(duì)學(xué)生有關(guān)科學(xué)問(wèn)題的回答自動(dòng)進(jìn)行評(píng)分，根據(jù)評(píng)分結(jié)果分配反饋指導(dǎo)語(yǔ)，以促進(jìn)科學(xué)知識(shí)的整合學(xué)習(xí);兩者的教學(xué)信息由人類(lèi)教師直接提供或通過(guò)多媒體學(xué)習(xí)材料傳遞呈現(xiàn)。四者均有實(shí)證研究支持其教學(xué)的有效性，前兩個(gè)智能輔導(dǎo)系統(tǒng)已衍生出多種大規(guī)模應(yīng)用的商業(yè)產(chǎn)品。

（一）以專(zhuān)家系統(tǒng)為基礎(chǔ)的自動(dòng)輔導(dǎo)

Cognitive Tutor以認(rèn)知任務(wù)分析為基礎(chǔ)，實(shí)現(xiàn)認(rèn)知技能的自動(dòng)輔導(dǎo)。計(jì)算機(jī)為學(xué)生創(chuàng)建一個(gè)高度結(jié)構(gòu)化的問(wèn)題解決環(huán)境，能夠逐步跟蹤、判斷學(xué)生的問(wèn)題解決過(guò)程，并適時(shí)提供反饋、提示與幫助。為支持特定認(rèn)知技能的學(xué)習(xí)（如三角形全等證明），需詳盡分析完成任務(wù)所需的陳述性知識(shí)和程序性知識(shí)，利用產(chǎn)生式系統(tǒng)表征知識(shí)，為學(xué)生提供解決問(wèn)題的認(rèn)知工具，系統(tǒng)跟蹤問(wèn)題解決過(guò)程，將學(xué)生表現(xiàn)記錄在學(xué)生模型中（Anderson， et al.， 1995; Aleven， et al.， 2009）。Cognitive Tutor成功用于中小學(xué)代數(shù)、幾何等內(nèi)容的學(xué)習(xí)（Koedinger & Aleven， 2016）。

AutoTutor基于某一問(wèn)題（如“在自由落體的電梯里，小明松開(kāi)手，手里的鑰匙將怎樣運(yùn)動(dòng)？”）與學(xué)生開(kāi)展自然語(yǔ)言（英語(yǔ)，書(shū)面或口頭）對(duì)話(huà)，通過(guò)分析學(xué)生的回答（自我解釋?zhuān)┐龠M(jìn)學(xué)生對(duì)概念的深度理解。有些版本的AutoTutor能夠感知學(xué)習(xí)者的情緒和注意狀態(tài)，據(jù)此調(diào)整輔導(dǎo)對(duì)話(huà)的內(nèi)容與風(fēng)格（Graesser， 2016）。AutoTutor通過(guò)語(yǔ)義分析和語(yǔ)詞匹配技術(shù)分析學(xué)生的回答，結(jié)合領(lǐng)域知識(shí)庫(kù)（如自由落體）內(nèi)容實(shí)時(shí)為學(xué)生生成引導(dǎo)性問(wèn)題，幫助學(xué)生理解。AutoTutor成功用于物理、數(shù)學(xué)等學(xué)科的學(xué)習(xí)（Nye， et al.， 2014）。

對(duì)于給定學(xué)科內(nèi)容的教學(xué)過(guò)程，舒爾曼（Lee S. Shulman）的教學(xué)推理與行動(dòng)模型是個(gè)很好的分析框架，與中小學(xué)教師的日常教學(xué)實(shí)踐過(guò)程高度契合。其基本假設(shè)是：“教學(xué)是觀念交流的活動(dòng)。教師首先掌握、探索和理解一個(gè)觀念，把它轉(zhuǎn)換為自己的思想，從多個(gè)角度去理解它。然后，這個(gè)觀點(diǎn)要被重新塑造或修正，直到它能夠被學(xué)生所掌握?！保⊿hulman， 1987）即教學(xué)遠(yuǎn)不止是課堂上的幾十分鐘，完整的教學(xué)過(guò)程包括理解、轉(zhuǎn)化、教學(xué)、評(píng)價(jià)、反思和新的理解六個(gè)階段。在教學(xué)過(guò)程中，不但學(xué)生對(duì)某一主題的理解有變化，教師的理解同樣在更新。模型中的具體任務(wù)可由人完成，也可由計(jì)算機(jī)完成，根據(jù)Anderson等（1995）與Nye等（2014）的文獻(xiàn)的描述，對(duì)兩個(gè)系統(tǒng)的分析結(jié)果見(jiàn)表3。

從這兩個(gè)案例看，專(zhuān)家系統(tǒng)類(lèi)的人工智能教育系統(tǒng)僅實(shí)現(xiàn)了教學(xué)知識(shí)應(yīng)用的自動(dòng)化。可見(jiàn)，就完整教學(xué)過(guò)程而言，計(jì)算機(jī)能做的實(shí)際上很有限，計(jì)算機(jī)還無(wú)法勝任理解教學(xué)內(nèi)容、轉(zhuǎn)化、反思和形成新的理解等任務(wù)，能夠自動(dòng)化（由計(jì)算機(jī)完成）的是教學(xué)與評(píng)價(jià)。即“理解”了知識(shí)且能“施展”技能的計(jì)算機(jī)系統(tǒng)，能夠?yàn)閷W(xué)生個(gè)體或小組提供動(dòng)態(tài)適應(yīng)的教學(xué)（個(gè)別化的速度、學(xué)習(xí)路徑、反饋和練習(xí)題目等），并在學(xué)習(xí)過(guò)程中全面評(píng)價(jià)學(xué)生的學(xué)習(xí)過(guò)程與結(jié)果（通常是通過(guò)更新學(xué)生模型來(lái)實(shí)現(xiàn)）。Cognitive Tutor利用產(chǎn)生式系統(tǒng)（“如果……，那么……”的規(guī)則集合）存儲(chǔ)人類(lèi)專(zhuān)家的內(nèi)容知識(shí)，在恰當(dāng)?shù)臅r(shí)候針對(duì)學(xué)生的問(wèn)題解決給出相關(guān)知識(shí)。對(duì)于Cognitive Tutor而言，課程開(kāi)發(fā)成本高昂主要是因?yàn)樾枰謩?dòng)為系統(tǒng)提供知識(shí)，需要進(jìn)行詳盡細(xì)致的認(rèn)知任務(wù)分析，將專(zhuān)家的陳述性知識(shí)和程序性知識(shí)顯性化，同時(shí)還要轉(zhuǎn)換為產(chǎn)生式規(guī)則輸入計(jì)算機(jī)，這一過(guò)程費(fèi)時(shí)費(fèi)力。Cognitive Tutor一個(gè)學(xué)時(shí)的教學(xué)通常需要100～1，000個(gè)小時(shí)的開(kāi)發(fā)時(shí)間。解決知識(shí)獲取難題的途徑有兩個(gè)：一是通過(guò)創(chuàng)作工具（authoring tool）提高人類(lèi)專(zhuān)家輸入、管理知識(shí)的效率，降低操作的認(rèn)知難度;二是通過(guò)提供范例，簡(jiǎn)化知識(shí)獲取與表征（Aleven， et al， 2009）。

（二）以機(jī)器學(xué)習(xí)為基礎(chǔ)的自動(dòng)模式發(fā)現(xiàn)與識(shí)別

美國(guó)普渡大學(xué)的Course Signals是學(xué)習(xí)分析領(lǐng)域的“啤酒和尿布”。該系統(tǒng)2008年左右就已在大學(xué)層面部署，基于歷史數(shù)據(jù)生成數(shù)據(jù)模型，可利用學(xué)生的人口學(xué)數(shù)據(jù)和在線學(xué)習(xí)過(guò)程記錄等數(shù)據(jù)，預(yù)測(cè)學(xué)生的課程學(xué)業(yè)表現(xiàn)。教師可選擇在學(xué)生學(xué)習(xí)平臺(tái)中呈現(xiàn)紅綠藍(lán)信號(hào)燈、發(fā)電子郵件（系統(tǒng)可為教師生成電子郵件草稿，但是否發(fā)送郵件內(nèi)容由教師決定）提示或者約面談等方法提前干預(yù)。（Arnold & Pistilli， 2012）

WISE①+c-Rater利用計(jì)算機(jī)自動(dòng)為學(xué)生的短文回答評(píng)分，為科學(xué)探究學(xué)習(xí)中的簡(jiǎn)答題提供自動(dòng)反饋。WISE單元強(qiáng)調(diào)通過(guò)學(xué)生書(shū)面回答科學(xué)問(wèn)題促進(jìn)學(xué)生的科學(xué)思維發(fā)展。在課堂教學(xué)中，教師如何及時(shí)為學(xué)生的回答提供反饋成為課程實(shí)施的難題。研究團(tuán)隊(duì)將美國(guó)教育考試中心（ETS）的c-Rater整合到WISE平臺(tái)中，利用過(guò)去已經(jīng)評(píng)分的針對(duì)某些科學(xué)問(wèn)題的學(xué)生回答訓(xùn)練c-Rater文本分類(lèi)系統(tǒng)生成預(yù)測(cè)模型，為學(xué)生的問(wèn)題回答評(píng)分（分類(lèi)），并根據(jù)得分為學(xué)生分配研究者事先擬好的反饋指導(dǎo)，以促進(jìn)知識(shí)整合學(xué)習(xí)（Liu， et al.， 2016）。

這兩個(gè)案例所采用的主要人工智能技術(shù)均為機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)不同于人類(lèi)的學(xué)習(xí)，它用算法發(fā)現(xiàn)樣例特征值之間的相關(guān)模式，并利用這些相關(guān)模式對(duì)新樣例進(jìn)行分類(lèi)。有監(jiān)督的機(jī)器學(xué)習(xí)（supervised machine learning，即由人來(lái)明確告訴計(jì)算機(jī)每個(gè)樣例的特征值和類(lèi)別）的過(guò)程如圖2（改編自Raschka & Mirjalili， 2017， p. 3）。監(jiān)督學(xué)習(xí)的過(guò)程依然需要大量的人工，具體包括：①準(zhǔn)備訓(xùn)練數(shù)據(jù)，明確每個(gè)樣例用哪些屬性來(lái)表征以及案例所屬的類(lèi)別。②選擇機(jī)器學(xué)習(xí)的算法，調(diào)整參數(shù)。存在大量的機(jī)器學(xué)習(xí)算法，分別適合不同的情境，其選擇主要靠工程試驗(yàn)驅(qū)動(dòng)，參數(shù)調(diào)整也是靠研究者的直覺(jué)和經(jīng)驗(yàn)居多。③準(zhǔn)備新的數(shù)據(jù)。Course Signals高風(fēng)險(xiǎn)學(xué)生發(fā)現(xiàn)、WISE+c-Rater中的學(xué)生回答自動(dòng)評(píng)分都依賴(lài)機(jī)器學(xué)習(xí)完成，工作流程類(lèi)似（見(jiàn)表4），所不同的是樣例特征與類(lèi)別。從基本邏輯看，兩者都假定以往的樣例（以往學(xué)生的學(xué)習(xí)記錄和以往學(xué)生的回答）在未來(lái)仍保持穩(wěn)定。若學(xué)習(xí)者和學(xué)習(xí)情境有顯著變化，則訓(xùn)練出來(lái)的模型的預(yù)測(cè)力就會(huì)下降，需要更新訓(xùn)練數(shù)據(jù)集或者調(diào)整參數(shù)，甚至換成其他算法。這一過(guò)程不僅耗費(fèi)人力，而且對(duì)執(zhí)行者的專(zhuān)業(yè)能力有很高的要求。

機(jī)器學(xué)習(xí)之所以受到重視，根本原因在于其部分解決了知識(shí)“分析（生成）”難題，算法可以從案例中自動(dòng)發(fā)現(xiàn)知識(shí)（更準(zhǔn)確地說(shuō)應(yīng)該是發(fā)現(xiàn)模式，即pattern，哪些屬性經(jīng)常會(huì)一起出現(xiàn)，通過(guò)屬性之間的相關(guān)，在不確定因果的情況下也可以實(shí)現(xiàn)具有實(shí)用價(jià)值的預(yù)測(cè)）。從根源上看，機(jī)器學(xué)習(xí)所獲知識(shí)還是來(lái)源于人類(lèi)，它不過(guò)是將隱含于案例中的人類(lèi)知識(shí)挖掘出來(lái)。在教育領(lǐng)域，高質(zhì)量的已標(biāo)注案例數(shù)據(jù)集不多見(jiàn)。最容易想到的，也許就是高利害考試中已評(píng)分的題目。批改作文的人工成本高昂，標(biāo)注案例數(shù)據(jù)豐富，人工智能技術(shù)很早就大規(guī)模應(yīng)用于ETS的GRE、托福等考試的作文評(píng)價(jià)也就不足為奇了。但機(jī)器學(xué)習(xí)技術(shù)的局限在于：一是需要大量的實(shí)例，如要為作文評(píng)分，系統(tǒng)需要某一作文題目下不同級(jí)別的文章實(shí)例，機(jī)器運(yùn)用算法從這些文章中發(fā)現(xiàn)不同分值文章的特征;二是分類(lèi)機(jī)制難以解釋;三是特征設(shè)定還需要人工完成;四是缺乏常識(shí)，評(píng)分系統(tǒng)實(shí)際上并不能理解文字的含義，無(wú)法像人一樣感知、理解文章。這樣造成的后果就是非常新穎且有創(chuàng)造性的作文很可能被判低分。

四、人工智能實(shí)現(xiàn)教學(xué)自動(dòng)化的限度

人工智能實(shí)現(xiàn)教學(xué)自動(dòng)化的限度取決于人工智能研究的進(jìn)展和智能教學(xué)系統(tǒng)的研發(fā)，以及社會(huì)所設(shè)定的教育教學(xué)目標(biāo)、模式與組織為智能教學(xué)系統(tǒng)發(fā)揮作用留下的空間。鑒于本文主要圍繞智能教學(xué)系統(tǒng)開(kāi)展分析，因此僅關(guān)注人工智能與智能教學(xué)系統(tǒng)的局限造成的自動(dòng)化限度。盡管前文提及目前本領(lǐng)域應(yīng)用研究已不再是單純技術(shù)驅(qū)動(dòng)，但技術(shù)還是最活躍的因素，這其中不但包括人工智能自身的發(fā)展，更重要的是新技術(shù)如同電解鋁技術(shù)一樣能夠“解鎖”隱藏在數(shù)據(jù)礦山中的知識(shí)，可能帶來(lái)解決老問(wèn)題的新途徑。例如，WISE+c-Rater在采用新的機(jī)器學(xué)習(xí)方法后，預(yù)測(cè)模型訓(xùn)練所需的人工干預(yù)大幅度降低，性能卻有所提升（Liu， et al.， 2016）。這是大規(guī)模采用人工智能技術(shù)為學(xué)生科學(xué)探究過(guò)程提供反饋的很好的起點(diǎn)。

（一）人工智能技術(shù)的局限

斯加魯菲（Scaruffi， 2017， p. 28）認(rèn)為人工智能近年來(lái)取得的進(jìn)展更多應(yīng)歸功于計(jì)算機(jī)性能的提升與數(shù)據(jù)的積累，而非基本思想和方法的突破。當(dāng)前人工智能技術(shù)主要存在如下局限：

第一，常識(shí)與符號(hào)接地難題。常識(shí)指他人能夠理解并認(rèn)為是顯而易見(jiàn)的事情（明斯基， 2016， p. 172）。例如，蘇珊出門(mén)購(gòu)物時(shí)，她的頭有沒(méi)有和她一起去（平克， 2015， p. 199）。由于缺乏常識(shí)，即使最常規(guī)的工作也無(wú)法由計(jì)算機(jī)完全負(fù)責(zé)——它會(huì)犯人類(lèi)覺(jué)得匪夷所思的錯(cuò)誤。專(zhuān)家系統(tǒng)難以捕捉和表征常識(shí)（危輝， 等， 1999）。機(jī)器學(xué)習(xí)系統(tǒng)缺乏常識(shí)導(dǎo)致性能受數(shù)據(jù)集影響而不穩(wěn)定，如Google自動(dòng)翻譯的句子回饋到Google系統(tǒng)后導(dǎo)致機(jī)器翻譯質(zhì)量下降（Scarffi， 2017）。符號(hào)接地問(wèn)題或許是計(jì)算機(jī)不具備常識(shí)的重要原因，即對(duì)計(jì)算機(jī)而言語(yǔ)詞只是形式系統(tǒng)中的符號(hào)，未與現(xiàn)實(shí)世界建立關(guān)聯(lián)。作為形式系統(tǒng)，計(jì)算機(jī)的“理解”只是無(wú)意義、無(wú)體驗(yàn)的數(shù)值計(jì)算或符號(hào)匹配。松尾豐（2016， pp.78-79）認(rèn)為將符號(hào)與意義連接起來(lái)需要“具身化”，如果沒(méi)有能夠與外界進(jìn)行交互作用的身體則無(wú)法掌握事物的概念。無(wú)常識(shí)與符號(hào)不接地導(dǎo)致計(jì)算機(jī)無(wú)法真正理解語(yǔ)義，當(dāng)前令人印象深刻的機(jī)器翻譯和語(yǔ)音識(shí)別都是借助統(tǒng)計(jì)語(yǔ)言模型實(shí)現(xiàn)的（吳軍， 2014， pp.27-40）。但不僅聊天機(jī)器人難以維持多輪次的會(huì)話(huà)，限定在特定領(lǐng)域的自然語(yǔ)言輔導(dǎo)進(jìn)展也非常艱難。由于難以恰當(dāng)?shù)靥幚韺W(xué)生的主動(dòng)提問(wèn)，對(duì)話(huà)輔導(dǎo)系統(tǒng)中學(xué)生主動(dòng)提問(wèn)的情況最終幾乎消失（Graesser， 2016）。

第二，遷移難題。今天實(shí)用的人工智能系統(tǒng)都是所謂“弱人工智能”，即只能完成特定任務(wù)，難以遷移到其他情境（Yao & Zhou， 2018， p. 219）：下棋的系統(tǒng)聽(tīng)不懂人說(shuō)話(huà);手寫(xiě)識(shí)別的系統(tǒng)不會(huì)證明數(shù)學(xué)定理;同為專(zhuān)家系統(tǒng)，診斷血液病的系統(tǒng)無(wú)法為特殊需要兒童制定教學(xué)計(jì)劃。專(zhuān)業(yè)問(wèn)題解決能力難以跨領(lǐng)域，其根源是問(wèn)題解決所需知識(shí)的領(lǐng)域特定性、情境性與主體性。當(dāng)今社會(huì)，人類(lèi)專(zhuān)家終其一生也只能在有限的一個(gè)或數(shù)個(gè)領(lǐng)域中有專(zhuān)長(zhǎng)，這樣的跨領(lǐng)域似乎對(duì)機(jī)器要求太高了。但是，當(dāng)前深度學(xué)習(xí)系統(tǒng)的訓(xùn)練過(guò)程表明，與人類(lèi)個(gè)體相比，現(xiàn)有技術(shù)所存在的問(wèn)題是在學(xué)習(xí)過(guò)程中缺失抽象概括能力：兒童只需要見(jiàn)過(guò)幾只貓或者貓的圖片就能認(rèn)出幾乎所有的貓，而機(jī)器學(xué)習(xí)系統(tǒng)需要數(shù)以萬(wàn)計(jì)貓的圖片（Le， et al.， 2012）。

第三，能耗難題。目前人工智能系統(tǒng)依托馮·諾伊曼體系計(jì)算機(jī)，在執(zhí)行對(duì)人類(lèi)大腦而言輕而易舉的工作時(shí)，它消耗的能量遠(yuǎn)遠(yuǎn)高于人類(lèi)大腦。相比之下，人類(lèi)的大腦是奇跡：葡萄柚大小的一塊物質(zhì)中，存在僅僅消耗20瓦電能就可以高效運(yùn)轉(zhuǎn)的220億個(gè)神經(jīng)元;讓一臺(tái)傳統(tǒng)計(jì)算機(jī)擁有類(lèi)似的認(rèn)知能力，需耗費(fèi)上億瓦特的電量，以及一個(gè)足球場(chǎng)大小的處理器（凱利， 等， 2016， p. 107）。在研究探索試驗(yàn)階段，高能耗不是大問(wèn)題，但大規(guī)模常態(tài)化應(yīng)用，大規(guī)模計(jì)算的能耗和環(huán)保代價(jià)是必須要考慮的。例如有關(guān)比特幣“挖礦”對(duì)于氣候可能產(chǎn)生的影響的研究表明，到2033年比特幣挖礦產(chǎn)生的碳排放足以讓全球溫度升高2℃（Mora， et al.， 2018）。

（二）智能教學(xué)系統(tǒng)的局限

作為人工智能教育應(yīng)用載體的智能教學(xué)系統(tǒng)受到人工智能與教育教學(xué)兩方面的制約，目前智能教學(xué)系統(tǒng)存在的主要局限為：

第一，設(shè)計(jì)難題。即使人工智能存在上述局限，但其在支持學(xué)與教方面仍有巨大的應(yīng)用空間。問(wèn)題在于人類(lèi)擁有如此強(qiáng)大靈活的學(xué)習(xí)技術(shù)的時(shí)間并不長(zhǎng)，還未發(fā)展出能夠充分發(fā)揮其作用的理論方法與組織制度，而且人工智能技術(shù)本身仍不斷有突破，并不穩(wěn)定，這增大了認(rèn)識(shí)其起作用的條件與方式的難度。設(shè)計(jì)的難題之一是計(jì)算機(jī)的角色定位。研究者自然地將人類(lèi)教師的教學(xué)行為遷移到智能環(huán)境中，如AutoTutor的設(shè)計(jì)從研究人類(lèi)教師和同伴的輔導(dǎo)活動(dòng)開(kāi)始（Nye， et al.， 2014）;Cognitive Tutor開(kāi)始時(shí)采用“教師輔導(dǎo)”隱喻，但后來(lái)發(fā)現(xiàn)并不合適，作為交互學(xué)習(xí)環(huán)境更為恰當(dāng)，但木已成舟，不好更改了（Anderson， et al.， 1999）。設(shè)計(jì)的難題之二是“人—機(jī)”關(guān)系問(wèn)題。應(yīng)該給人類(lèi)教師和學(xué)生多大的選擇與控制的空間？是增強(qiáng)還是替代教師？早期的系統(tǒng)多是封閉系統(tǒng)，從設(shè)計(jì)、開(kāi)發(fā)到應(yīng)用，從目標(biāo)、內(nèi)容到功能設(shè)定，教師均沒(méi)有機(jī)會(huì)參與;有些新一些的系統(tǒng)（如ASSISTments），教師是內(nèi)容、反饋等的主要決策者和提供者。Baker（2016）認(rèn)為計(jì)算機(jī)擅長(zhǎng)快速掃描和分析大量數(shù)據(jù)，缺點(diǎn)是難于改變，而人類(lèi)教師則相反，人與機(jī)器是天然的合作者。Course Signals在這方面已經(jīng)做出了很有成效的探索。設(shè)計(jì)的難題之三是具體到特定的智能教學(xué)系統(tǒng)，尤其是智能輔導(dǎo)系統(tǒng)，系統(tǒng)需要“自主”做出與教學(xué)活動(dòng)密切相關(guān)的決策，甚至需要交代決策的依據(jù)和可能的后果，這要求功能與活動(dòng)設(shè)計(jì)者深入了解教與學(xué)活動(dòng)的過(guò)程，需要開(kāi)發(fā)團(tuán)隊(duì)整體上具備一位高效教師所需的全部知識(shí)，并將其編碼到系統(tǒng)中。對(duì)開(kāi)發(fā)團(tuán)隊(duì)而言，這些知識(shí)分布在不同成員的頭腦中，如何將其整合在一起是個(gè)挑戰(zhàn)。

第二，開(kāi)發(fā)遷移難題。智能教學(xué)系統(tǒng)開(kāi)發(fā)的數(shù)學(xué)與技術(shù)門(mén)檻很高。人工智能系統(tǒng)是以知識(shí)或數(shù)據(jù)為中心的計(jì)算機(jī)系統(tǒng)，而當(dāng)前開(kāi)發(fā)者訓(xùn)練仍以面向過(guò)程的事務(wù)處理為主。開(kāi)發(fā)范式的轉(zhuǎn)換不但發(fā)生在軟件開(kāi)發(fā)技術(shù)層面，而且發(fā)生在背后的數(shù)學(xué)原理、方法與系統(tǒng)設(shè)計(jì)思路層面，其難度遠(yuǎn)高于常規(guī)過(guò)程處理程序的開(kāi)發(fā)，造成高昂的開(kāi)發(fā)成本。這導(dǎo)致早期ICAI開(kāi)發(fā)者主要是計(jì)算機(jī)科學(xué)和人工智能研究者，而非教育培訓(xùn)領(lǐng)域研究者與實(shí)踐者（Park & Seidel， 1987），這一局面直到今天似乎也并沒(méi)有太大改觀。智能教學(xué)系統(tǒng)的開(kāi)發(fā)費(fèi)時(shí)費(fèi)力。對(duì)于專(zhuān)家系統(tǒng)而言，獲取與表征知識(shí)的成本很高，在早期Cognitive Tutor中一條產(chǎn)生式規(guī)則的識(shí)別、表征與編碼需要10個(gè)小時(shí)左右（Anderson， et al.， 1995），小型系統(tǒng)的規(guī)則數(shù)量也數(shù)以百計(jì)，復(fù)雜系統(tǒng)有成千上萬(wàn)條，專(zhuān)門(mén)的創(chuàng)作工具對(duì)提高效率有幫助，但只是提高了部分操作的速度，并未降低構(gòu)建專(zhuān)家系統(tǒng)的認(rèn)知復(fù)雜度。機(jī)器學(xué)習(xí)盡管可自動(dòng)發(fā)現(xiàn)與識(shí)別模式，但應(yīng)用到新領(lǐng)域時(shí)，發(fā)現(xiàn)整理樣例、調(diào)整算法參數(shù)的工作量也是巨大的。人工智能系統(tǒng)的技術(shù)與認(rèn)知復(fù)雜性導(dǎo)致其更新升級(jí)的難度也更大。盡管人類(lèi)知識(shí)具有穩(wěn)定性，但在教育領(lǐng)域，變化是常態(tài)。就教育內(nèi)部而言，課程標(biāo)準(zhǔn)、考試要求、教材等幾年就要更新一次，智能教學(xué)系統(tǒng)也面臨更新的壓力。定期升級(jí)對(duì)于產(chǎn)品廠商也許是好事，但是對(duì)于社會(huì)總體成本而言，不易評(píng)估。

第三，生態(tài)化應(yīng)用難題。智能教學(xué)系統(tǒng)如何融入現(xiàn)有教育系統(tǒng)，尤其是學(xué)校教育？盡管人工智能的教育應(yīng)用具有邏輯必然性，但對(duì)于已運(yùn)行在“教師、黑板、教科書(shū)”生態(tài)中的學(xué)校教育而言，智能教學(xué)系統(tǒng)是“外來(lái)物種”。新物種進(jìn)入已有生態(tài)，要想在生態(tài)系統(tǒng)中起作用，必然需要打破已有的平衡，建立新的平衡。Cognitive Tutor在匹茲堡學(xué)區(qū)的實(shí)驗(yàn)取得成功的原因之一，是研究者擁有重構(gòu)課程與教學(xué)的權(quán)力與資源（Koedinger， et al.， 1997），甚至可以說(shuō)研究者按照Cognitive Tutor的需求，重新設(shè)計(jì)了數(shù)學(xué)課程與教學(xué)。ASSISTments之所以得到大規(guī)模的應(yīng)用，部分原因是研究者放下身段，以支持與服務(wù)者的身份耐心傾聽(tīng)一線數(shù)學(xué)教師的需求（該研究團(tuán)隊(duì)核心成員曾做過(guò)中學(xué)數(shù)學(xué)教師， Heffernan， 2014）。但相當(dāng)數(shù)量的開(kāi)發(fā)者做不到這兩點(diǎn)，通常只是有個(gè)好主意、創(chuàng)造出了可能有用的技術(shù)，開(kāi)發(fā)出原型系統(tǒng)后到中小學(xué)做做測(cè)試。例如，有研究者（Johnson & Lester， 2016）反思當(dāng)時(shí)（2000年左右）覺(jué)得動(dòng)畫(huà)教學(xué)代理（animated pedagogical agents）是個(gè)好點(diǎn)子，但到底教學(xué)需要不需要，到底教學(xué)系統(tǒng)需要不需要，其實(shí)并不確定。這樣的研究對(duì)于領(lǐng)域創(chuàng)新發(fā)展而言也是必不可少的，但外加給教育的痕跡明顯，形成可持續(xù)的產(chǎn)品/項(xiàng)目的難度比較大。另外，即使是“超脫”于課程教學(xué)活動(dòng)之上的學(xué)習(xí)分析系統(tǒng)，要想起作用，也需要教學(xué)方法上的調(diào)整，而調(diào)整的背后也許是學(xué)科內(nèi)容及其學(xué)習(xí)過(guò)程本質(zhì)觀念上的變化。例如，Course Signals要求有更多線上活動(dòng)，要求教師在課程中設(shè)計(jì)階段性評(píng)價(jià)任務(wù)，這對(duì)部分人文藝術(shù)課程提出了挑戰(zhàn)：這些課程很少有過(guò)程性數(shù)據(jù)（Sclater， et al.， 2016）。其隱含的理念是學(xué)生學(xué)習(xí)這類(lèi)學(xué)科需要很長(zhǎng)時(shí)間的體驗(yàn)和積累，最后形成整體性的理解與作品，這一過(guò)程是難以分解的。在這種課程中使用學(xué)習(xí)分析系統(tǒng)，也許還沒(méi)有到削足適履的地步，但改變教學(xué)活動(dòng)的設(shè)計(jì)是必需的。

第四，識(shí)別與評(píng)價(jià)難題。從用戶(hù)的角度而言，智能教學(xué)系統(tǒng)難以識(shí)別和評(píng)價(jià)。首先，人工智能是后臺(tái)的實(shí)現(xiàn)技術(shù)，不像多媒體學(xué)習(xí)資源，很直觀，教師和學(xué)生能迅速判斷。其次，人工智能只是實(shí)現(xiàn)適應(yīng)性教學(xué)的方法之一，在有些情況下它還是實(shí)現(xiàn)起來(lái)很復(fù)雜而且實(shí)際效果一般的技術(shù)。在電子消費(fèi)品市場(chǎng)，很多標(biāo)稱(chēng)“人工智能”的產(chǎn)品是名不副實(shí)的（松尾豐， 2016， pp.30-33）。對(duì)于智能教學(xué)系統(tǒng)，若此類(lèi)事情發(fā)生，是否道德？再次，智能教學(xué)系統(tǒng)的適應(yīng)性和學(xué)習(xí)路徑的復(fù)雜動(dòng)態(tài)性導(dǎo)致適用于普通教學(xué)資源（如多媒體課件、CAI軟件、網(wǎng)絡(luò)課程）的評(píng)價(jià)方法（如專(zhuān)家評(píng)價(jià)）難以應(yīng)用于智能教學(xué)系統(tǒng)。在以研究為目的的智能教學(xué)系統(tǒng)評(píng)價(jià)中，多數(shù)依然僅關(guān)注系統(tǒng)是否實(shí)現(xiàn)了所設(shè)計(jì)的功能、是否能夠按照預(yù)期運(yùn)行，而且缺乏對(duì)其教學(xué)效果的嚴(yán)格實(shí)驗(yàn)。需要建立智能產(chǎn)品的評(píng)價(jià)測(cè)試規(guī)范，以強(qiáng)調(diào)其學(xué)習(xí)效果和支持適應(yīng)性學(xué)習(xí)的合理性與有效性。

第五，倫理難題。這里用“倫理”一詞指代技術(shù)應(yīng)用對(duì)于人與人之間各種關(guān)系的影響。智能教學(xué)系統(tǒng)的大范圍、長(zhǎng)期應(yīng)用必然涉及倫理問(wèn)題，諸如版權(quán)、責(zé)任劃分、支持與限制、代價(jià)和隱私保護(hù)等。隱私保護(hù)已受到普遍關(guān)注，這里不再贅述。這里所說(shuō)的版權(quán)問(wèn)題源自智能教學(xué)系統(tǒng)自身的特點(diǎn)。印刷教材如同“斷了線的風(fēng)箏”，無(wú)法與外界交換信息，擁有了物理實(shí)體就獨(dú)占其內(nèi)容與功能，但當(dāng)前的多數(shù)智能教學(xué)系統(tǒng)卻如同“木馬”：它與系統(tǒng)所有者（廠商或者服務(wù)提供商）的遠(yuǎn)程數(shù)據(jù)交換可能比與師生的操作交互更為密切，在師生使用過(guò)程中產(chǎn)生的數(shù)據(jù)和生成性資源都可能被回傳到服務(wù)器，以?xún)?yōu)化教學(xué)系統(tǒng)的性能。由師生（很可能是付費(fèi)）的使用行為“喂大”的系統(tǒng)，師生卻很可能只有短時(shí)間的使用權(quán)，而版權(quán)卻屬于智能教學(xué)系統(tǒng)的所有者。這是否公道？是否可持續(xù)？也許需要新的版權(quán)框架。對(duì)于學(xué)校與智能教學(xué)系統(tǒng)提供者的責(zé)任劃分問(wèn)題，可以設(shè)想，如果學(xué)生的大量時(shí)間花在通過(guò)與智能教學(xué)系統(tǒng)互動(dòng)來(lái)學(xué)習(xí)，那么學(xué)生的學(xué)業(yè)成績(jī)?cè)撚烧l(shuí)負(fù)責(zé)任？目前的人工智能教育應(yīng)用多以“大規(guī)模個(gè)性化”和“精準(zhǔn)教學(xué)”為目標(biāo)，在班級(jí)授課制大規(guī)模推行之后，實(shí)際上一直有通過(guò)分班、分層、教師輔導(dǎo)和同伴輔導(dǎo)等教學(xué)組織形式實(shí)現(xiàn)教學(xué)個(gè)性化的努力，尤其是同伴輔導(dǎo)，很多研究證明了其對(duì)于輔導(dǎo)者和被輔導(dǎo)者的益處（斯萊文， 2007， pp. 222-223）。過(guò)于強(qiáng)調(diào)利用技術(shù)實(shí)現(xiàn)個(gè)性化，讓學(xué)生更多與機(jī)器互動(dòng)，如果長(zhǎng)期、大范圍實(shí)施，那么我們的社會(huì)會(huì)付出怎樣的代價(jià)呢？對(duì)于那些基于歷史數(shù)據(jù)實(shí)現(xiàn)的系統(tǒng)，其適應(yīng)在多大程度上是“適應(yīng)”，在多大程度上是限制呢？?jī)烧哂袥](méi)有清晰的界限？

五、結(jié)語(yǔ)

本文從微觀“實(shí)現(xiàn)”層面上探討了人工智能技術(shù)如何實(shí)現(xiàn)“教”的自動(dòng)化。“實(shí)現(xiàn)”之所以打了引號(hào)，是因?yàn)檫@里強(qiáng)調(diào)從教育教學(xué)過(guò)程的視角，而非系統(tǒng)架構(gòu)和系統(tǒng)開(kāi)發(fā)的視角，分析人工智能教育應(yīng)用完整過(guò)程中的人機(jī)分工問(wèn)題，以呈現(xiàn)人工智能到底“自動(dòng)化”了什么以及如何“自動(dòng)化”。

首先，人工智能為計(jì)算機(jī)教育應(yīng)用帶來(lái)了什么？計(jì)算機(jī)教育應(yīng)用的歷史研究表明：在教學(xué)活動(dòng)層面，總體上表現(xiàn)為計(jì)算機(jī)作為交互主體與媒體工具的嬗變與融合;人工智能技術(shù)主要增強(qiáng)了計(jì)算機(jī)作為交互主體的靈活性與適應(yīng)性：智能系統(tǒng)在一定程度上能夠“行動(dòng)”，即在結(jié)構(gòu)化環(huán)境中可以施展認(rèn)知技能解決問(wèn)題;能夠“理解”，用自然語(yǔ)言與學(xué)生共同建構(gòu)解釋并提供指導(dǎo)反饋;能夠“感知”，從數(shù)據(jù)中發(fā)現(xiàn)、識(shí)別模式并做出預(yù)測(cè)。

其次，人工智能是如何實(shí)現(xiàn)教學(xué)自動(dòng)化的？針對(duì)典型智能教學(xué)系統(tǒng)的案例研究表明：以專(zhuān)家系統(tǒng)為核心實(shí)現(xiàn)技術(shù)的智能輔導(dǎo)系統(tǒng)（如Cognitive Tutor、AutoTutor）主要實(shí)現(xiàn)了人類(lèi)學(xué)科知識(shí)和教學(xué)知識(shí)的自動(dòng)化應(yīng)用，知識(shí)采集和分析尚需人工完成;以機(jī)器學(xué)習(xí)為核心實(shí)現(xiàn)技術(shù)的學(xué)習(xí)分析系統(tǒng)（如Course Signals）與自動(dòng)指導(dǎo)反饋（如WISE+c-Rater），從歷史數(shù)據(jù)（學(xué)習(xí)過(guò)程與行為記錄、已評(píng)分學(xué)生回答等）中發(fā)現(xiàn)模式，用于預(yù)測(cè)與識(shí)別現(xiàn)象（高風(fēng)險(xiǎn)學(xué)生、學(xué)生回答類(lèi)別），其自動(dòng)化的是模式發(fā)現(xiàn)與應(yīng)用，而準(zhǔn)備歷史數(shù)據(jù)、選擇與調(diào)整算法需要人工完成。人工智能在教學(xué)“完整”過(guò)程中的作用還非常有限，靈活性與適應(yīng)性還比較差，代替人類(lèi)教師還很不現(xiàn)實(shí)。智能教學(xué)系統(tǒng)在增強(qiáng)教師方面比替代教師有更廣闊的空間。

最后，人工智能應(yīng)用于教育領(lǐng)域有何限度？本文主要對(duì)技術(shù)與系統(tǒng)的局限作分析，這種局限主要源自人工智能技術(shù)的缺乏常識(shí)與符號(hào)不能接地、遷移困難以及高能耗，而智能教學(xué)系統(tǒng)則存在設(shè)計(jì)難題、開(kāi)發(fā)與遷移難題、生態(tài)化應(yīng)用難題、評(píng)價(jià)與識(shí)別難題以及倫理難題等。

需要特別說(shuō)明的是，分析局限不是為了否定，而是為了更全面和客觀地認(rèn)識(shí)，是為了在實(shí)踐層面更合理地定位，在研究層面更準(zhǔn)確地尋找創(chuàng)新的邊緣與突破點(diǎn)。

[參考文獻(xiàn)]

布希涅爾. 1979. 在將來(lái)的教學(xué)系統(tǒng)中計(jì)算機(jī)的作用[M]. 普萊西，斯金納，等. 程序教學(xué)和教學(xué)機(jī)器. 劉范，等，譯. 第2版. 北京：人民教育出版社：323-351.

科利斯. 2011. 計(jì)算機(jī)在教育中的應(yīng)用（Computers in Education）[M]. T. 普洛波，D. P. 埃利. 教育大百科全書(shū)：教育技術(shù). 劉美鳳，宋繼華，等，譯. 第2版. 重慶：西南師范大學(xué)出版社：85-91.

劉清堂，吳林靜，劉嫚，范桂林，毛剛. 2016. 智能導(dǎo)師系統(tǒng)研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 中國(guó)電化教育（10）：39-44.

馬文·明斯基. 2016. 情感機(jī)器：人類(lèi)思維與人工智能的未來(lái)[M]. 王文革，程玉婷，李小剛，譯. 杭州：浙江人民出版社.

麥爾荀伯格，庫(kù)基耶. 2014. 大數(shù)據(jù)教育篇：教學(xué)與學(xué)習(xí)的未來(lái)趨勢(shì)[M]. 臺(tái)北：遠(yuǎn)見(jiàn)天下文化.

皮埃羅·斯加魯菲（Piero Scaruffi）. 2017. 智能的本質(zhì)[M]. 任莉，張建宇，譯. 北京：人民郵電出版社.

平克. 2015. 語(yǔ)言本能：人類(lèi)語(yǔ)言進(jìn)化的奧秘[M]. 歐陽(yáng)明亮，譯. 杭州：浙江人民出版社.

普萊西a. 1979. 一架以練習(xí)材料進(jìn)行自動(dòng)教學(xué)的機(jī)器[M]. 普萊西，斯金納，等. 程序教學(xué)和教學(xué)機(jī)器. 劉范，等，譯. 第2版. 北京：人民教育出版社：57-64.

普萊西b. 1979. 教學(xué)機(jī)器（和學(xué)習(xí)理論）的危機(jī)[M]. 普萊西，斯金納，等. 程序教學(xué)和教學(xué)機(jī)器. 劉范，等，譯. 第2版. 北京：人民教育出版社：120-131.

斯金納a. 1979. 學(xué)習(xí)的科學(xué)和教學(xué)的藝術(shù)[M]. 普萊西，斯金納，等. 程序教學(xué)和教學(xué)機(jī)器. 劉范，等，譯. 第2版. 北京：人民教育出版社：65-81.

斯金納b. 1979. 教學(xué)機(jī)器[M]. 普萊西，斯金納，等. 程序教學(xué)和教學(xué)機(jī)器. 劉范，等，譯. 第2版. 北京：人民教育出版社：82-105.

斯萊文（Slavin， R. E.）. 2007. 教育心理學(xué)[M]. 姚梅林，等，譯. 北京：人民郵電出版社.

松尾豐. 2016. 人工智能狂潮：機(jī)器人會(huì)超越人類(lèi)嗎？[M]. 趙函宏，高華彬，譯. 北京：機(jī)械工業(yè)出版社.

王珠珠. 2018. 教育信息化2.0：核心要義與實(shí)施建議[J]. 中國(guó)遠(yuǎn)程教育（7）：5-8.

危輝，黃旗明，潘云鶴. 1999. 常識(shí)：知識(shí)獲取的瓶頸[J]. 計(jì)算機(jī)科學(xué)，26（9）：17-19.

魏順平. 2013. 學(xué)習(xí)分析技術(shù)：挖掘大數(shù)據(jù)時(shí)代下教育數(shù)據(jù)的價(jià)值[J]. 現(xiàn)代教育技術(shù)（2）：5-11.

維爾斯曼（Wiersma， W.）. 1997. 教育研究方法導(dǎo)論[M]. 袁振國(guó)，等，譯. 北京：教育科學(xué)出版社.

沃森. 2011. 計(jì)算機(jī)輔助學(xué)習(xí)（Computer-assisted Learning）[M]. T. 普洛波，D. P. 埃利. 教育大百科全書(shū)：教育技術(shù). 劉美鳳，宋繼華，等，譯. 第2版. 重慶：西南師范大學(xué)出版社：77-81.

吳軍. 2014. 數(shù)學(xué)之美[M]. 第2版. 北京：人民郵電出版社.

約翰·E. 凱利，史蒂夫·哈姆. 2016. 機(jī)器智能[M]. 馬雋，譯. 北京：中信出版社.

張志禎，張玲玲，李芒. 2019. 人工智能教育應(yīng)用的應(yīng)然分析：教學(xué)自動(dòng)化的必然與可能[J]. 中國(guó)遠(yuǎn)程教育（1）：23-35.

Smaldino， S. E.， Russell， J. D.， Heinich， R. et al. 2008. 教學(xué)媒體與技術(shù)[M]. 郭文革，等，譯. 第8版. 北京：高等教育出版社.

Aleven， V.， McLaren， B. M.， Sewall， J. & Koedinger， K. R. （2009）. A new paradigm for intelligent tutoring systems： Example-tracing tutors. International Journal of Artificial Intelligence in Education， 19：105- 154.

Aleven， V.， Baker， R.， Wang， Y.， et al. （2016）. Bringing non-programmer authoring of intelligent tutors to MOOCs. Proceedings of the Third ACM Conference on Learning @ Scale， 313-316. https：//doi.org/10.1145/2876034.2893442

Anderson， J. R.， Corbett， A. T.， Koedinger， K. R. & Pelletier， R. （1995）. Cognitive tutors： Lessons learned. The Journal of The Learning Sciences， 4（2）， 167-207.

Arnold， K. E. & Pistilli， M. D. （2012）. Course signals at Purdue： Using learning analytics to increase student success. ACM International Conference Proceeding Series. Doi： 10.1145/2330601.2330666.

Baker， R. S. 2016. Stupid tutoring systems， intelligent humans. International Journal of Artificial Intelligence in Education， 26（2）：600-614.

Brundage， M.， Avin， S.， Clark， J.， Toner， H.， Eckersley， P.， Garfinkel， B. et al. 2018. The malicious use of artificial intelligence： Forecasting， prevention， and mitigation. https：//maliciousaireport.com/

Collins， A.， & Grignetti， M. 1975. Intelligent CAI. Final Report （1 March 1971-31 August 1975）. [2018-10-10]. https：//eric.ed.gov/？id=ED11 4089

Dzikovska， M.， Steinhauser， N.， Farrow， E.， et al.. 2014. BEETLE II： Deep natural language understanding and automatic feedback generation for intelligent tutoring in basic electricity and electronics. International Journal of Artificial Intelligence in Education， 24（3）：284-332.

Graesser， A. C.， Jackson， G. T. & McDaniel， B. （2007）. AutoTutor holds conversations with learners that are responsive to their cognitive and emotional states. Educational Technology， 47（1）：19-23.

Graesser， A. C. 2016. Conversations with AutoTutor help students learn. International Journal of Artificial Intelligence in Education， 26（1）：124-132.

Grandbastien， M.， Luckin， R.， Mizoguchi， R.， & Aleven， V. （2016）. Preface to the IJAIED 25th anniversary issue. International Journal of Artificial Intelligence in Education， 26（1）：1-3.

Heffernan， N. T.， & Heffernan， C. L. （2014）. The ASSISTments ecosystem： Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education， 24（4）：470-497.

Johnson， W. L.， & Lester， J. C. （2016）. Face-to-face interaction with pedagogical agents， twenty years later. International Journal of Artificial Intelligence in Education， 26（1）：25-36.

Koedinger， K. R.， & Aleven， V. （2016）. An interview reflection on “intelligent tutoring goes to school in the big city”. International Journal of Artificial Intelligence in Education， 26（1）：13-24.

Le， Q.V.， Ranzato， M.， Monga， R.， Devin， M.， Corrado， G. S.， Chen， K.， Dean， J.， & Ng， A.Y. （2012）. Building high-level features using large scale unsupervised learning. 2013 IEEE International Conference on Acoustics， Speech and Signal Processing， 8595-8598.

Liu， O. L.， Brew， C.， Blackmore， J.， Gerard， L.， Madhok， J.， & Linn， M. C. （2014）. Automated scoring of constructed-response science items： Prospects and obstacles. Educational Measurement： Issues and Practice， 33（2）：19-28.

Liu， O. L.， Rios， J. A.， Heilman， M. ， Gerard， L. and Linn， M. C. （2016）.? Validation of automated scoring of science assessments. J Res Sci Teach， 53： 215-233. Doi：10.1002/tea.21299.

Mora， C.， Rollins， R. L.， Taladay， K.， Kantar， M. B.， Chock， M. K.， Shimada， M.， & Franklin， E. C. （2018）. Bitcoin emissions alone could push global warming above 2°C. Nature Climate Changevolume， 8（11）：931-933.

Merriam， S. B. 2009. Qualitative research： A guide to design and implementation. San Francisco： Jossey-Bass.

Nye， B. D.， Graesser， A. C.， & Hu， X. （2014）. AutoTutor and family： A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education， 24（4）：427-469.

Park， O.， & Seidel， R. J. 1987. Conventional CBI versus intelligent CAI： Suggestions for the development of future systems. Educational Technology， 27（5）：15-21.

Raschka， S.， & Mirjalili， V. （2017）. Python machine learning. Birmingham： Packt Publishing Ltd.

Sclater， N.， Peasgood， A.， & Mullan， J. （2016， April）. Learning analytics in higher education： A review of UK and international practice. Retrieved December 12， 2018， from https：//www.jisc.ac.uk/sites/default/files/learning-analytics-in-he-v3.pdf

Shulman， L. （1987）. Knowledge and teaching： Foundations of the new reform. Harvard Educational Review， 57（1）：1-22.

Tegos， S.， Demetriadis， S.， & Tsiatsos， T. 2014. A configurable conversational agent to trigger students productive dialogue： A pilot study in the CALL Domain. International Journal of Artificial Intelligence in Education， 24（1）：62-91.

Tegos， S.， & Demetriadis， S. 2017. Conversational agents improve peer learning through building on prior knowledge. Journal of Educational Technology & Society， 20（1）： 99-111.

VanLehn， K. 2006. The behavior of tutoring systems. International Journal of Artificial Intelligence in Education， 16（3）：227-265.

Woolf， B. P. 2009. Building intelligent interactive tutors. Burlington：Morgan Kaufmann Publishers.

Yao， M.， Jia， M.， Zhou， A. 2017. Applied artificial intelligence： A handbook for business leaders. ISBN 978-0-9982890-5-2 （Kindle） （kindle edition）.