劉三女牙 劉盛英杰 孫建文 沈筱譞 劉智

【摘 要】

新一代人工智能技術(shù)在全球范圍內(nèi)掀起的熱潮為智能教育的加速躍升帶來機(jī)遇，成為推動(dòng)教育創(chuàng)新與變革的新動(dòng)能。同時(shí)，受人工智能技術(shù)成熟度、算法黑箱屬性、人機(jī)共融與互信等問題制約，智能教育的研究與發(fā)展也面臨諸多挑戰(zhàn)。本文重點(diǎn)圍繞當(dāng)前智能教育領(lǐng)域因技術(shù)泛化與策略遷移瓶頸故而賦能教育環(huán)節(jié)與領(lǐng)域受限、因算法黑箱與學(xué)習(xí)分析不深故而智能教育機(jī)理與規(guī)律不明、因人機(jī)協(xié)作與混合智能不足故而教育人機(jī)共融任重道遠(yuǎn)、因隱私保護(hù)與信任機(jī)制薄弱故而教育人機(jī)互信亟待加強(qiáng)等幾個(gè)關(guān)鍵問題進(jìn)行剖析，然后從推進(jìn)教育新基建、加快共性技術(shù)突破、完善教育倫理規(guī)范、促進(jìn)多學(xué)科交叉、加強(qiáng)多主體協(xié)同等方面提出未來進(jìn)路，以期為加快推動(dòng)智能教育創(chuàng)新發(fā)展提供一定參考。

【關(guān)鍵詞】? 智能教育;人工智能;技術(shù)賦能;泛化能力;黑箱問題;認(rèn)知機(jī)理;人機(jī)共融;人機(jī)互信

【中圖分類號(hào)】? ?G434? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2021）4-0001-07

一、引言

過去十年來，以深度神經(jīng)網(wǎng)絡(luò)為代表的新一代人工智能技術(shù)的持續(xù)突破及其在各行業(yè)的創(chuàng)新應(yīng)用，不斷顛覆人們的既有認(rèn)知，成為推動(dòng)社會(huì)進(jìn)步的重要?jiǎng)幽?。在教育領(lǐng)域，人工智能通過可迭代、可演化的算法與模型進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的分析歸納與精準(zhǔn)決策，廣泛應(yīng)用于智能輔導(dǎo)、微格教學(xué)、自適應(yīng)學(xué)習(xí)、沉浸學(xué)習(xí)、自動(dòng)測(cè)評(píng)、課堂評(píng)價(jià)、數(shù)據(jù)決策、智能治理等場(chǎng)景，促進(jìn)了教育創(chuàng)新與變革（楊曉哲， 等， 2021）。

智能教育的發(fā)展引起世界各國政府的高度重視，被多個(gè)國家納入國家級(jí)戰(zhàn)略規(guī)劃。2016年，美國國家科技委員會(huì)發(fā)布《為人工智能的未來做好準(zhǔn)備》，特別提出將人工智能與國家教育系統(tǒng)進(jìn)行整合，提升全體公民對(duì)人工智能的認(rèn)識(shí)程度;2017年，英國政府發(fā)布《在英國發(fā)展人工智能》，提出應(yīng)將數(shù)據(jù)科學(xué)和人工智能廣泛嵌入教育;2019年，美國國家科學(xué)基金會(huì)發(fā)布人工智能研究院建設(shè)計(jì)劃，總計(jì)投入約2億美元，重點(diǎn)支持“人工智能增強(qiáng)的學(xué)習(xí)”等六大方向;2020年，歐盟發(fā)布《人工智能白皮書》，提出更好地利用基于數(shù)據(jù)和人工智能的技術(shù)，通過學(xué)習(xí)及預(yù)測(cè)分析改進(jìn)教育和培訓(xùn)系統(tǒng)。我國高度重視智能教育發(fā)展，在2017年國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中明確強(qiáng)調(diào)“利用智能技術(shù)加快推動(dòng)人才培養(yǎng)模式、教學(xué)方法改革，構(gòu)建包含智能學(xué)習(xí)、交互式學(xué)習(xí)的新型教育體系”，并在《中國教育現(xiàn)代化2035》中提出“建設(shè)智能化校園，統(tǒng)籌建設(shè)一體化智能化教學(xué)、管理與服務(wù)平臺(tái)”。此外，在政策支持下，智能教育產(chǎn)業(yè)加速發(fā)展。據(jù)《2019全球人工智能教育行業(yè)研究報(bào)告》統(tǒng)計(jì)，我國在2013—2019年間共發(fā)生274筆智能教育投融資事件，總?cè)谫Y額達(dá)145億元，融資事件數(shù)復(fù)合增速達(dá)34%，融資總額增速達(dá)57%。其中，K12總共融資78億元，占整體融資額的53.5%。新一代人工智能技術(shù)為我國教育發(fā)展注入了新動(dòng)能。

智能教育的發(fā)展深受人工智能技術(shù)進(jìn)展的影響，與智能技術(shù)的進(jìn)化歷程同頻共振。1958年，美國著名心理學(xué)家斯金納（Skinner， 1958）在Science上發(fā)表論文Teaching Machine，提出利用機(jī)器輔助教學(xué)來提高教學(xué)的效率和公平性，開啟了人類對(duì)智能教育的追求。從1956年達(dá)特茅斯會(huì)議首次提出人工智能的概念后，在符號(hào)主義、連接主義、行為主義等不同技術(shù)的驅(qū)動(dòng)下，智能教育的發(fā)展從知識(shí)傳遞自動(dòng)化、知識(shí)獲取自動(dòng)化轉(zhuǎn)向?qū)W習(xí)過程智能感知與優(yōu)化，先后經(jīng)歷了早期計(jì)算機(jī)輔助教學(xué)的起步階段、以智能導(dǎo)學(xué)系統(tǒng)為代表的探索階段和當(dāng)前的個(gè)性化自適應(yīng)學(xué)習(xí)階段。其間，智能教育吸引了教育學(xué)、心理學(xué)、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域?qū)W者的研究興趣，誕生了一系列具有代表性的智能教育系統(tǒng)。1960年，美國伊利諾伊大學(xué)香檳分校的比策教授研發(fā)的一種面向自動(dòng)教學(xué)操作的計(jì)算機(jī)教學(xué)系統(tǒng)PLATO，成為早期智能教育發(fā)展的標(biāo)志性成果;1982年，美國斯坦福大學(xué)的斯萊曼等（Sleeman， et al.， 1982）提出智能導(dǎo)學(xué)系統(tǒng)（Intelligent Tutoring System，ITS）的概念，由此掀起ITS的研究熱潮;1990年，美國卡耐基梅隆大學(xué)的安德森等（Anderson， et al.， 1990）發(fā)明了一種基于認(rèn)知模型的Cognitive Tutor系統(tǒng)，經(jīng)過30來年的改進(jìn)和演化，該系統(tǒng)如今已衍生出多個(gè)分支系統(tǒng)并在全美開展了大規(guī)模應(yīng)用（Ritter， Anderson， Koedinger， & Corbett， 2007; Koedinger & Aleven， 2016）;2004年，美國孟菲斯大學(xué)人工智能研究所研發(fā)了支持自然人機(jī)對(duì)話以指導(dǎo)學(xué)習(xí)者的AutoTutor系統(tǒng)，并在后續(xù)發(fā)展過程中受益于自然語言處理、語音識(shí)別、情感識(shí)別等技術(shù)突破，該系統(tǒng)的智能化程度不斷得到提升（Nye， Graesser， & Hu， 2014）。

人工智能在為智能教育的創(chuàng)新發(fā)展提供新機(jī)遇的同時(shí)，也帶來各種問題和挑戰(zhàn)。2019年，聯(lián)合國教科文組織發(fā)布《教育中的人工智能：可持續(xù)發(fā)展的挑戰(zhàn)與機(jī)遇》，指出人工智能將對(duì)學(xué)習(xí)方式、學(xué)習(xí)機(jī)會(huì)、學(xué)習(xí)質(zhì)量、學(xué)生能力、教師發(fā)展等產(chǎn)生直接影響，同時(shí)也給教育公平、教育決策、教育政策、隱私與倫理等帶來新的挑戰(zhàn)和機(jī)遇。一方面，在新一代人工智能技術(shù)的驅(qū)動(dòng)下，智能教育以實(shí)現(xiàn)更高效的教學(xué)、更有效的學(xué)習(xí)為目標(biāo)，進(jìn)一步破解高質(zhì)量個(gè)性化學(xué)習(xí)、教育公平等全球性難題;另一方面，在人工智能技術(shù)成熟度、算法黑箱、人機(jī)共融以及互信等問題的制約下，智能教育的發(fā)展也面臨諸多挑戰(zhàn)。以下重點(diǎn)圍繞智能教育技術(shù)泛化、智能教育機(jī)理與規(guī)律不明、教育人機(jī)共融任重道遠(yuǎn)、教育人機(jī)互信亟待加強(qiáng)四個(gè)關(guān)鍵問題進(jìn)行探討，然后結(jié)合人工智能技術(shù)演化趨勢(shì)提出智能教育發(fā)展進(jìn)路及相應(yīng)對(duì)策。

二、關(guān)鍵問題

（一）技術(shù)泛化與策略遷移瓶頸：賦能教育環(huán)節(jié)與領(lǐng)域受限

構(gòu)建相互融通的學(xué)習(xí)場(chǎng)景、靈活多元的學(xué)習(xí)方式、彈性多能的組織管理是智能教育發(fā)展的主要目標(biāo)（黃榮懷， 等， 2019; 曹培杰， 2020）。實(shí)現(xiàn)對(duì)教、學(xué)、管、評(píng)、練、測(cè)等多環(huán)節(jié)智能教育服務(wù)的全聯(lián)通，以及對(duì)多學(xué)科的全覆蓋，是達(dá)成這一目標(biāo)的必要條件。但受現(xiàn)階段弱人工智能技術(shù)發(fā)展水平所限，當(dāng)前人工智能有效賦能的教學(xué)環(huán)節(jié)與學(xué)科領(lǐng)域還較為單一，這也成為制約智能教育服務(wù)常態(tài)化應(yīng)用、規(guī)?；占暗囊淮笃款i。

以作文自動(dòng)評(píng)分系統(tǒng)（Automated Essay Scoring，AES）為例，AES系統(tǒng)的研究與發(fā)展受自然語言處理技術(shù)影響較大。比如，有一種稱為“詞嵌入”的自然語言處理技術(shù)在近十年來不斷取得創(chuàng)新突破，同時(shí)也帶動(dòng)和提升了相關(guān)領(lǐng)域智能服務(wù)的可用性與應(yīng)用效果?！霸~嵌入”技術(shù)的發(fā)展從圖靈獎(jiǎng)得主班吉奧提出神經(jīng)概率語言模型開始，先后誕生了Word2Vec、BERT、GPT等一系列改進(jìn)模型。AES系統(tǒng)通過結(jié)合Word2Vec與BERT模型所提供的特征與文本表示方法，使作文自動(dòng)評(píng)分的精度不斷提升（Jin， He， Hui， & Sun， 2018; Uto， Xie， & Ueno， 2020），并逐步達(dá)到實(shí)用化水平，催生了諸如句酷批改網(wǎng)、IN課堂等在線作文批改產(chǎn)品。類似地，使用自然語言交互的智能學(xué)伴也隨著自然語言處理技術(shù)的發(fā)展而逐漸成熟，被賦予更好的語義理解、情緒感知、多輪連續(xù)對(duì)話等能力，能夠更好地提升學(xué)習(xí)者自主感、勝任感與關(guān)系感，使學(xué)習(xí)者獲得良好的學(xué)習(xí)體驗(yàn)與正向激勵(lì)，最終提升其學(xué)習(xí)效率與效果（Graesser， Cai， Morgan， & Wang， 2017）。與此同時(shí)，在人工智能賦能教育的實(shí)踐中也存在大量技術(shù)不成熟尚未達(dá)到可用程度的情況。例如，數(shù)學(xué)綜合類應(yīng)用題的智能化解析、閱卷與提示等就是一大難點(diǎn)，這也導(dǎo)致智能教學(xué)過程中相關(guān)環(huán)節(jié)或場(chǎng)景的缺位，無法支撐所有環(huán)節(jié)的聯(lián)通。因此，需緊密關(guān)注人工智能領(lǐng)域的最新技術(shù)進(jìn)展，將其適配應(yīng)用到合適的教育教學(xué)場(chǎng)景，持續(xù)提升智能教育服務(wù)的可用性與可靠性。

以智能導(dǎo)學(xué)系統(tǒng)為例，這是人工智能賦能教育最早進(jìn)行實(shí)踐的領(lǐng)域之一，其特點(diǎn)是在教育學(xué)、心理學(xué)等理論的指導(dǎo)下，利用人工智能技術(shù)模擬人類教師開展教學(xué)活動(dòng)，目標(biāo)是通過增強(qiáng)教師教學(xué)能力進(jìn)一步提升學(xué)習(xí)者的學(xué)習(xí)成效。國內(nèi)外典型的智能導(dǎo)學(xué)系統(tǒng)，比如基于認(rèn)知模型的Cognitive Tutor、基于自然對(duì)話的AutoTutor、面向中學(xué)數(shù)學(xué)的ASSISTments、利用虛擬教師幫助學(xué)習(xí)者訓(xùn)練表達(dá)能力的MACH系統(tǒng)，以及清華小木、希賽可等。從系統(tǒng)結(jié)構(gòu)看，智能導(dǎo)學(xué)系統(tǒng)一般由領(lǐng)域知識(shí)庫、學(xué)生模型、教學(xué)策略和推理模塊等組成（屈靜， 等， 2020）。其中，領(lǐng)域知識(shí)庫與教學(xué)策略通常與具體的學(xué)科緊密耦合，已有的智能導(dǎo)學(xué)系統(tǒng)大多只針對(duì)特定學(xué)科，甚至特定知識(shí)點(diǎn)而構(gòu)建，其中尤以數(shù)學(xué)、物理、編程等最為常見。如何最大限度實(shí)現(xiàn)智能導(dǎo)學(xué)技術(shù)可泛化與策略可遷移，使不同系統(tǒng)之間的內(nèi)容可復(fù)用、數(shù)據(jù)可交換、模塊可集成等，是推進(jìn)智能教育服務(wù)全場(chǎng)域拓展的一個(gè)關(guān)鍵問題。為此，美國陸軍實(shí)驗(yàn)室的索特拉（Sottilare， 2016）提出一種智能導(dǎo)學(xué)系統(tǒng)通用框架（Generalized Intelligent Framework for Tutoring，GIFT）。GIFT定義了傳感器、學(xué)習(xí)者、教學(xué)法和領(lǐng)域知識(shí)等模塊，試圖構(gòu)建一套標(biāo)準(zhǔn)化的框架，實(shí)現(xiàn)智能導(dǎo)學(xué)內(nèi)容、數(shù)據(jù)和系統(tǒng)等多個(gè)方面的共享與集成。

（二）算法黑箱與學(xué)習(xí)分析不深：智能教育機(jī)理與規(guī)律不明

教育是一個(gè)注重揭示教育現(xiàn)象或教育行為之間因果關(guān)系的領(lǐng)域，而當(dāng)前以深度神經(jīng)網(wǎng)絡(luò)為代表的智能算法普遍存在黑箱問題，雖然在多個(gè)教育場(chǎng)景或任務(wù)上都構(gòu)建了精準(zhǔn)、高效的機(jī)器學(xué)習(xí)模型，但卻難以理解或解釋其工作機(jī)理，無法進(jìn)一步開展針對(duì)學(xué)習(xí)者的錯(cuò)因追溯、歸因分析等更具教育價(jià)值的服務(wù)。

以知識(shí)追蹤（Knowledge Tracing，KT）為例，這是一種根據(jù)學(xué)習(xí)者歷史學(xué)習(xí)行為和表現(xiàn)對(duì)其知識(shí)掌握狀態(tài)進(jìn)行預(yù)測(cè)性建模的研究任務(wù)，廣泛應(yīng)用于智能導(dǎo)學(xué)、自適應(yīng)學(xué)習(xí)等系統(tǒng)。KT最早由美國卡耐基梅隆大學(xué)的科比特和安德森（Corbett & Anderson， 1994）于20世紀(jì)90年代提出，早期主要采用基于貝葉斯網(wǎng)絡(luò)的概率計(jì)算框架（Bayesian Knowledge Tracing，BKT）。BKT定義了多個(gè)具有特定含義的參數(shù)（如學(xué)習(xí)率、猜測(cè)率、失誤率等）來表示學(xué)習(xí)者掌握和運(yùn)用知識(shí)的狀況，然后利用貝葉斯網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)過程建模和參數(shù)估計(jì)。隨著深度神經(jīng)網(wǎng)絡(luò)在人工智能領(lǐng)域展現(xiàn)出的巨大潛力，深度學(xué)習(xí)模型也被引入解決知識(shí)追蹤問題。2015年，美國斯坦福大學(xué)的皮耶等（Piech， et al.， 2015）提出基于深度神經(jīng)網(wǎng)絡(luò)的知識(shí)追蹤算法——深度知識(shí)追蹤（Deep Knowledge Tracing，DKT）。DKT掀起了知識(shí)追蹤新一輪的研究熱潮，后續(xù)改進(jìn)模型不斷涌現(xiàn)，尤其是在2020年高水平論文呈井噴之勢(shì)。與BKT相比，DKT在模型的預(yù)測(cè)準(zhǔn)確率上取得顯著提升（AUC值提升近30%），但由于神經(jīng)網(wǎng)絡(luò)模型固有的“黑箱”特性，難以透過網(wǎng)絡(luò)內(nèi)部神經(jīng)元的行為或狀態(tài)理解模型對(duì)學(xué)習(xí)者認(rèn)知建模的細(xì)節(jié)，無法進(jìn)一步揭示學(xué)習(xí)者的認(rèn)知規(guī)律，從而降低了使用者對(duì)預(yù)測(cè)結(jié)果的利用或信任程度。當(dāng)前，深度神經(jīng)網(wǎng)絡(luò)技術(shù)已廣泛應(yīng)用于智能教育領(lǐng)域，這一現(xiàn)象普遍存在。就現(xiàn)階段來說，如何根據(jù)不同的教育場(chǎng)景或應(yīng)用特點(diǎn)在算法性能與可解釋性之間進(jìn)行取舍或保持平衡，是一個(gè)值得思考與探究的問題。

此外，新興技術(shù)的快速發(fā)展以及與教育教學(xué)的不斷融合，產(chǎn)生了海量且持續(xù)增長的教育大數(shù)據(jù)。利用數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)分析方法深入探究教與學(xué)過程，揭示新的教與學(xué)規(guī)律，成為連接學(xué)習(xí)行為與學(xué)習(xí)理論的橋梁，催生出諸如量化學(xué)習(xí)、計(jì)算教育學(xué)等新的研究方向，為教育研究提供了新的研究范式（劉三女牙， 等， 2018， 2020）。學(xué)習(xí)分析與智能教育相輔相成，通過學(xué)習(xí)分析揭示教與學(xué)的機(jī)理或規(guī)律，能夠更加科學(xué)、合理地指導(dǎo)智能教育系統(tǒng)的設(shè)計(jì)、開發(fā)、應(yīng)用與評(píng)估等全流程。反之，智能教育的大規(guī)模推廣應(yīng)用，既有助于拓展人機(jī)交互空間，開創(chuàng)更多新穎的學(xué)習(xí)場(chǎng)景，又能夠利用當(dāng)前各種成熟的智能化感知技術(shù)自動(dòng)獲取多模態(tài)、細(xì)粒度、高價(jià)值的學(xué)習(xí)大數(shù)據(jù)，極大豐富學(xué)習(xí)分析的場(chǎng)景和數(shù)據(jù)。但當(dāng)前的學(xué)習(xí)分析相關(guān)研究，一是在適用場(chǎng)景上受智能教育本身技術(shù)發(fā)展及應(yīng)用范圍所限，傳統(tǒng)學(xué)習(xí)分析的成果難以直接遷移并用于指導(dǎo)智能教育服務(wù)的設(shè)計(jì)與研發(fā)，如何進(jìn)一步揭示各種智能化人機(jī)交互環(huán)境下的學(xué)習(xí)機(jī)理與規(guī)律是學(xué)習(xí)分析在智能教育時(shí)代的必由之路。二是在分析層次上，當(dāng)前學(xué)習(xí)分析研究普遍從外顯學(xué)習(xí)行為入手，以分析行為之間的關(guān)聯(lián)關(guān)系或外顯行為到內(nèi)隱心理特征之間的映射關(guān)系為主。其中，對(duì)心理特征的學(xué)習(xí)分析研究又以認(rèn)知、情感、風(fēng)格等維度的研究為主，而對(duì)于學(xué)習(xí)者自我調(diào)控非常重要的元認(rèn)知等深層次心理特征的學(xué)習(xí)分析研究則較少。另外，將學(xué)習(xí)分析研究從行為、心理進(jìn)一步拓展到生理層面，也是目前該領(lǐng)域的一大研究趨勢(shì)。近年來，智能感知、可穿戴技術(shù)的巨大進(jìn)展，以及教育神經(jīng)科學(xué)的快速崛起，為深層次學(xué)習(xí)分析研究提供了機(jī)遇，有助于加快智能教育創(chuàng)新發(fā)展。

（三）人機(jī)協(xié)作與混合智能不足：教育人機(jī)共融任重道遠(yuǎn)

人工智能技術(shù)的不斷進(jìn)步帶來了人機(jī)交互革命，使人與機(jī)器之間的交互變得更加自然和豐富。但對(duì)教育而言，其一大特點(diǎn)是強(qiáng)調(diào)人與人之間的互動(dòng)，無論是“師-生”還是“生-生”之間，人與人之間的言語或情感交流都可釋放出巨大的教育能量。人與機(jī)器智能各有所長，機(jī)器擅長搜索、計(jì)算、優(yōu)化等操作，而人擅長直覺、推理、決策等更復(fù)雜的認(rèn)知活動(dòng)。如何綜合兩者優(yōu)勢(shì)實(shí)現(xiàn)混合增強(qiáng)的智能服務(wù)，一直是人工智能領(lǐng)域的重要研究方向。因此，對(duì)于智能教育，直接利用人工智能領(lǐng)域新的“人-機(jī)”交互技術(shù)很重要，而開展“師-機(jī)-生”交互這類教育領(lǐng)域特有的人機(jī)協(xié)作與混合智能技術(shù)則更重要。

以混合式學(xué)習(xí)為例，這是一種結(jié)合線上與線下學(xué)習(xí)各自優(yōu)勢(shì)，并被大量研究及實(shí)踐證明有效的教學(xué)方式（吳南中， 2017）。混合式學(xué)習(xí)是對(duì)傳統(tǒng)“以教師為中心”或“以學(xué)生為中心”教學(xué)理念的變革，通過在線自主學(xué)習(xí)部分體現(xiàn)學(xué)習(xí)者的主體地位，并結(jié)合線下課堂教學(xué)充分發(fā)揮教師的主導(dǎo)作用，被廣泛認(rèn)為是一種在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中發(fā)展出來的先進(jìn)教育思想（何克抗， 2018; Clayton， Blumberg， & Anthony， 2018）。當(dāng)前，混合式學(xué)習(xí)的線上部分已逐漸應(yīng)用智能導(dǎo)學(xué)技術(shù)，提供學(xué)習(xí)者動(dòng)態(tài)化認(rèn)知診斷、自適應(yīng)知識(shí)導(dǎo)航、個(gè)性化資源推薦等自主化學(xué)習(xí)功能，以及同步或異步討論、答疑等輔助功能。但從人機(jī)交互角度看，這些智能導(dǎo)學(xué)功能幾乎都源于單一智能。例如學(xué)習(xí)診斷、導(dǎo)航、推薦等均側(cè)重于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器智能，而討論、答疑等功能則以教師或助教等人類智能提供為主。在智能導(dǎo)學(xué)過程中，機(jī)器智能擅長模式識(shí)別與量化計(jì)算，適合完成如學(xué)習(xí)者知識(shí)掌握概率預(yù)測(cè)、下一步最優(yōu)學(xué)習(xí)路徑規(guī)劃、學(xué)習(xí)增益或匹配度最高的資源推送等任務(wù)。但同時(shí)，機(jī)器不擅長復(fù)雜推理，難以理解在線學(xué)習(xí)情境中學(xué)習(xí)者的意圖與狀態(tài)等高層語義，難以為學(xué)習(xí)者自動(dòng)生成遵循各種教學(xué)理論（如最近發(fā)展區(qū)）的提示或暗示等信息。另外，對(duì)于混合式學(xué)習(xí)的線下課堂教學(xué)部分，以小組協(xié)作學(xué)習(xí)為例，如何有機(jī)結(jié)合機(jī)器和人類教師的優(yōu)點(diǎn)，開展基于“師-機(jī)-生”多層次自然交互的智能化協(xié)作學(xué)習(xí)，一直是該領(lǐng)域的研究熱點(diǎn)與難點(diǎn)。一般而言，在這個(gè)場(chǎng)景中機(jī)器擅長自動(dòng)分組以及對(duì)多個(gè)小組學(xué)習(xí)過程的分布式感知與全過程監(jiān)測(cè)，但不擅長對(duì)學(xué)習(xí)者提供情感、動(dòng)機(jī)等支持，也難以在協(xié)作學(xué)習(xí)過程中提供及時(shí)且富有策略性的啟發(fā)與引導(dǎo)等教學(xué)支架，而這兩點(diǎn)正是人類教師所擅長的。因此，近年來雖然智能教育快速發(fā)展且大量應(yīng)用不斷涌現(xiàn)，但大多是輪流式、淺層次的人機(jī)混合，創(chuàng)新性開展“師-機(jī)-生”混合智能教育的案例還少有出現(xiàn)，教育人機(jī)共融相關(guān)的探索仍處于起步階段（葉波， 等， 2020）。

（四）隱私保護(hù)與信任機(jī)制薄弱：教育人機(jī)互信亟待加強(qiáng)

數(shù)據(jù)驅(qū)動(dòng)是當(dāng)前人工智能技術(shù)發(fā)展的主流范式，數(shù)據(jù)也被譽(yù)為智能算法的“燃料”，如何正確、合理地使用和管理用戶數(shù)據(jù)以保護(hù)用戶隱私是非常重要的問題。未清洗的數(shù)據(jù)、不透明的算法、完全自動(dòng)化的決策、元數(shù)據(jù)的缺失，以及用戶使用數(shù)據(jù)授權(quán)機(jī)制的缺位，往往會(huì)構(gòu)成一個(gè)“黑色系統(tǒng)”，難以獲得使用者的充分信任。在智能教育領(lǐng)域，數(shù)據(jù)的隱私保護(hù)同樣是一個(gè)重要的命題，成為近年來國內(nèi)外研究的熱點(diǎn)。比如利用差分隱私、聯(lián)邦學(xué)習(xí)等數(shù)據(jù)加密、共享技術(shù)來實(shí)現(xiàn)更為可靠的教育數(shù)據(jù)使用機(jī)制，構(gòu)建以保護(hù)用戶隱私為核心的數(shù)據(jù)使用規(guī)范，共同推動(dòng)智能教育系統(tǒng)的透明化、可信化發(fā)展，促進(jìn)教育人機(jī)互信。

人工智能的快速發(fā)展使其安全與信任問題逐漸成為焦點(diǎn)。早在2015年，Google公司研究員古德費(fèi)羅等（Goodfellow， et al.， 2015）發(fā)現(xiàn)，即使最先進(jìn)的圖像識(shí)別系統(tǒng)也可被輕易“欺騙”，只需利用一種簡單方法生成人眼難以察覺的噪聲即可造成系統(tǒng)誤判，被稱為“對(duì)抗攻擊”。研究表明，對(duì)抗攻擊不只存在于圖像識(shí)別，也可影響推薦系統(tǒng)、離散數(shù)據(jù)、圖關(guān)系數(shù)據(jù)等多個(gè)領(lǐng)域（Zhang， Sheng， Alhazmi， & Li， 2020）。2019年，美國麻省理工學(xué)院的拉赫旺等（Rahwan， et al.， 2019）在Nature上發(fā)表論文Machine Behaviour，呼吁關(guān)注“機(jī)器行為學(xué)”這一新方向。隨著人工智能走進(jìn)大眾生活，成為組成和影響人類社會(huì)的重要元素，實(shí)踐過程中產(chǎn)生了大量人機(jī)倫理問題，亟須探究機(jī)器與人類混合形成的社會(huì)規(guī)律，以更好地理解人工智能的行為及其對(duì)人類的影響。對(duì)智能教育而言，智能算法正不斷應(yīng)用于越來越多的教育教學(xué)場(chǎng)景，但由于數(shù)據(jù)、算法或應(yīng)用場(chǎng)景帶來的各種風(fēng)險(xiǎn)，其對(duì)學(xué)習(xí)者個(gè)人或群體潛在的影響變得難以預(yù)估。比如，利用互聯(lián)網(wǎng)開放大數(shù)據(jù)訓(xùn)練而成的算法模型是否會(huì)把各種偏見、知識(shí)錯(cuò)誤或不良價(jià)值觀等內(nèi)容帶入教育場(chǎng)景，從而引起學(xué)習(xí)者、教師、家長或管理者等群體的普遍不信任?；谥悄芩惴ǖ膶W(xué)習(xí)者成效預(yù)測(cè)、能力評(píng)估或畫像技術(shù)是否對(duì)所有學(xué)習(xí)者都同等有效，是否會(huì)降低部分學(xué)習(xí)者的自我效能感，甚至?xí)寣W(xué)習(xí)者產(chǎn)生被打標(biāo)簽之感等。與此同時(shí)，人的行為也在人機(jī)交互過程中影響算法的演化。在智能教育系統(tǒng)中，不同學(xué)習(xí)者個(gè)體和群體如何影響算法的演化趨勢(shì)，以及是否存在學(xué)習(xí)者能夠刻意操縱數(shù)據(jù)從而影響系統(tǒng)正常行為的漏洞，都是值得思考的問題。

三、發(fā)展進(jìn)路

（一）推進(jìn)教育新基建

為促進(jìn)社會(huì)與經(jīng)濟(jì)高質(zhì)量發(fā)展，近年來我國大力推進(jìn)新型基礎(chǔ)設(shè)施建設(shè)（簡稱“新基建”），提出加快5G網(wǎng)絡(luò)、大數(shù)據(jù)中心、人工智能等基礎(chǔ)設(shè)施建設(shè)，打造支撐數(shù)字轉(zhuǎn)型、智能升級(jí)、融合創(chuàng)新的基礎(chǔ)設(shè)施體系?！靶禄ā睂⒓铀偃斯ぶ悄茉谏鐣?huì)的全面應(yīng)用，促進(jìn)人工智能與各行業(yè)的深度融合。未來，智能教育在受益于“新基建”公共基礎(chǔ)設(shè)施的同時(shí)，也需結(jié)合領(lǐng)域特點(diǎn)，打造符合未來教育發(fā)展趨勢(shì)的行業(yè)基礎(chǔ)設(shè)施——教育新基建。通過支持教室、校園、家庭等傳統(tǒng)正式學(xué)習(xí)場(chǎng)所，以及地鐵、科技館、咖啡廳等非正式學(xué)習(xí)場(chǎng)景，提供更具有彈性的場(chǎng)景化、個(gè)性化學(xué)習(xí)服務(wù)，更加智能化地適應(yīng)學(xué)習(xí)者在多個(gè)碎片化時(shí)空?qǐng)鼍暗牟粩噙w移和變換，從而形成“人人皆學(xué)、處處能學(xué)、時(shí)時(shí)可學(xué)”的學(xué)習(xí)新生態(tài)，為助力智能教育持續(xù)創(chuàng)新奠定物質(zhì)基礎(chǔ)與生態(tài)環(huán)境。其中，作為人才培養(yǎng)的主陣地，智慧校園、智慧教室依然是智能教育研究與發(fā)展的重點(diǎn)。

（二）加快共性關(guān)鍵技術(shù)突破

從技術(shù)角度而言，當(dāng)前人工智能領(lǐng)域正在經(jīng)歷從感知智能到認(rèn)知智能的技術(shù)轉(zhuǎn)型期，“數(shù)據(jù)驅(qū)動(dòng)+知識(shí)引導(dǎo)”的智能技術(shù)研究范式正在成為趨勢(shì)，人機(jī)混合增強(qiáng)智能的時(shí)代正在來臨。智能教育將突破過去以學(xué)習(xí)行為識(shí)別為代表的淺層次感知技術(shù)的局限，進(jìn)一步實(shí)現(xiàn)對(duì)學(xué)習(xí)情景、意圖或狀態(tài)的深度理解，從以行為分析為主發(fā)展到認(rèn)知、情感、社交、生理等多層次、多模態(tài)學(xué)習(xí)分析（汪維富， 等， 2021）。同時(shí)，知識(shí)圖譜增強(qiáng)的認(rèn)知計(jì)算方法將賦予機(jī)器更強(qiáng)的推理和決策能力，能夠在“師-機(jī)-生”交互、群體協(xié)作等更復(fù)雜的認(rèn)知活動(dòng)中提供更具策略性的學(xué)習(xí)支架與教學(xué)輔助（Kizilcec， et al.， 2020）。從教育角度看，利用不斷升級(jí)的智能技術(shù)賦能學(xué)習(xí)環(huán)境、資源、主體、服務(wù)等教育系統(tǒng)的核心元素是傳統(tǒng)智能教育發(fā)展的主要形式。未來，智能教育在細(xì)粒度精準(zhǔn)化知識(shí)圖譜構(gòu)建、“師-機(jī)-生”混合智能增強(qiáng)、融合學(xué)習(xí)者認(rèn)知機(jī)理的可解釋性建模等方面取得的技術(shù)突破，甚至可能會(huì)反哺人工智能的發(fā)展。

（三）完善教育倫理規(guī)范

智能教育中的倫理問題涉及數(shù)據(jù)安全、技術(shù)異化、隱私保護(hù)等多個(gè)方面，在處理數(shù)據(jù)、技術(shù)與人的相互關(guān)系時(shí)應(yīng)遵循“有用”“無害”的倫理訴求，充分發(fā)揮數(shù)據(jù)和技術(shù)的育人價(jià)值。一方面，建構(gòu)教育倫理框架，明確教育數(shù)據(jù)的價(jià)值定位，界定教育主體的數(shù)據(jù)權(quán)利，厘清教育數(shù)據(jù)的教育效用，引導(dǎo)技術(shù)與教育融合進(jìn)程和諧共進(jìn);另一方面，完善數(shù)據(jù)采集規(guī)范，保護(hù)學(xué)習(xí)者敏感信息，保證學(xué)習(xí)者具備自身學(xué)習(xí)數(shù)據(jù)采集與使用知情權(quán)，建立相關(guān)審查機(jī)制，規(guī)范并約束相關(guān)應(yīng)用，在公開與共享教育數(shù)據(jù)時(shí)遵循相關(guān)標(biāo)準(zhǔn)，督促敏感數(shù)據(jù)審查、被試對(duì)象數(shù)據(jù)脫敏，保證數(shù)據(jù)的客觀性與可用性。此外，建立相關(guān)政策約束技術(shù)擁有者的數(shù)據(jù)壟斷，避免技術(shù)異化，消除人工智能系統(tǒng)可能帶來的某些不恰當(dāng)?shù)膬r(jià)值判斷，以免在技術(shù)快速演進(jìn)、法律法規(guī)相對(duì)滯后的當(dāng)下引發(fā)一系列社會(huì)問題和倫理挑戰(zhàn)（劉三女牙， 等， 2017）。

（四）促進(jìn)多學(xué)科交叉

正如一直以來人工智能在計(jì)算機(jī)科學(xué)、心理學(xué)和腦科學(xué)等多學(xué)科交叉融合中不斷取得突破，作為一個(gè)典型的學(xué)科交叉領(lǐng)域，智能教育的研究與發(fā)展面臨教育學(xué)、生命科學(xué)、腦科學(xué)、心理學(xué)、社會(huì)學(xué)、信息科學(xué)、系統(tǒng)科學(xué)、管理科學(xué)等更多學(xué)科、更加復(fù)雜的挑戰(zhàn)（Koedinger， Booth， & Klahr， 2013）。未來，在智能教育理論、方法和應(yīng)用等多個(gè)層面，均需綜合運(yùn)用自然科學(xué)與社會(huì)科學(xué)研究方法，著力探索多學(xué)科交叉融合、聯(lián)合攻關(guān)的新方法、新模式，開拓智能教育研究的新領(lǐng)域、新方向、新發(fā)現(xiàn)，匯聚并培養(yǎng)一批具有跨學(xué)科思維的復(fù)合型人才隊(duì)伍，形成綜合研究能力，促進(jìn)智能教育研究中規(guī)律性和機(jī)制性的理論突破，發(fā)展面向未來教育的新方法、新技術(shù)和新應(yīng)用，為解決教育改革發(fā)展中的環(huán)境重構(gòu)、資源創(chuàng)新、流程再造、評(píng)價(jià)變革、治理優(yōu)化等一系列問題，提供新的研究范式和技術(shù)工具。

（五）加強(qiáng)多主體協(xié)同

教育是一項(xiàng)復(fù)雜的系統(tǒng)工程，多主體協(xié)同攻關(guān)是國內(nèi)外教育科學(xué)研究的重要特征，需要“政產(chǎn)學(xué)研用”等利益相關(guān)方深度協(xié)同（Reich & Ruipérez-Valiente， 2019）。未來智能教育發(fā)展以打造整體生態(tài)為目標(biāo)，探索教育系統(tǒng)相關(guān)組織與機(jī)構(gòu)開展多主體協(xié)同的新途徑與新機(jī)制，全方位支持智能教育研究創(chuàng)新、學(xué)科發(fā)展、人才培養(yǎng)、應(yīng)用推廣和產(chǎn)業(yè)升級(jí)。按照高校/科研機(jī)構(gòu)（U）、政府（G）、企業(yè)（B）、學(xué)校（S）各方共同參與、廣泛合作的“UGBS”運(yùn)行模式，充分發(fā)揮政府引導(dǎo)者與推動(dòng)者的作用，在教育政策引導(dǎo)、宏觀組織、標(biāo)準(zhǔn)制定、經(jīng)費(fèi)投入、績效評(píng)估等方面開展體制機(jī)制創(chuàng)新。通過多主體協(xié)同，形成涵蓋基礎(chǔ)理論突破、關(guān)鍵技術(shù)攻關(guān)、產(chǎn)品研發(fā)和應(yīng)用能力構(gòu)建的整體布局，實(shí)現(xiàn)學(xué)科鏈、產(chǎn)業(yè)鏈、資金鏈的有機(jī)銜接，提升智能教育科研質(zhì)量和應(yīng)用服務(wù)的整體效能。

四、總結(jié)

綜上所述，人工智能賦能教育，為教育的創(chuàng)新變革帶來新動(dòng)能，同時(shí)也面臨諸多挑戰(zhàn)。智能教育并非人工智能在教育領(lǐng)域的簡單應(yīng)用，受人工智能技術(shù)變革、人才培養(yǎng)目標(biāo)牽引、地域文化滲透等多重因素影響，智能教育的發(fā)展具有時(shí)代性、領(lǐng)域性和文化性等特點(diǎn)，其背后有更加豐富和深刻的內(nèi)涵。智能教育的創(chuàng)新也并非一個(gè)智能技術(shù)在教育教學(xué)中的單點(diǎn)突破問題，而是一項(xiàng)需要從基礎(chǔ)設(shè)施建設(shè)、共性技術(shù)突破、倫理規(guī)范完善等方面進(jìn)行多學(xué)科交叉、多主體協(xié)同的系統(tǒng)性工程。未來，應(yīng)考慮結(jié)合教育領(lǐng)域特點(diǎn)和發(fā)展目標(biāo)，著力提升智能教育的技術(shù)泛化能力，明確智能教育的機(jī)理與規(guī)律，促進(jìn)多場(chǎng)景下的教育人機(jī)共融與互信。

[參考文獻(xiàn)]

曹培杰. 2020. 人工智能教育變革的三重境界[J]. 教育研究，41（2）：143-150.

何克抗. 2018. 關(guān)于我國教育技術(shù)學(xué)研究現(xiàn)狀和教育變革著力點(diǎn)的思考[J]. 電化教育研究，39（8）：5-14.

黃榮懷，周偉，杜靜，等. 2019. 面向智能教育的三個(gè)基本計(jì)算問題[J]. 開放教育研究，25（5）：11-22.

劉三女牙，李卿，孫建文，等. 2016. 量化學(xué)習(xí)：數(shù)字化學(xué)習(xí)發(fā)展前瞻[J]. 教育研究，37（7）：119-126.

劉三女牙，楊宗凱，李卿. 2017. 教育數(shù)據(jù)倫理：大數(shù)據(jù)時(shí)代教育的新挑戰(zhàn)[J]. 教育研究，38（4）：15-20.

劉三女牙，楊宗凱，李卿. 2020. 計(jì)算教育學(xué)：內(nèi)涵與進(jìn)路[J]. 教育研究，41（3）：152-159.

屈靜，劉凱，胡祥恩，等. 2020. 對(duì)話式智能導(dǎo)學(xué)系統(tǒng)研究現(xiàn)狀及趨勢(shì)[J]. 開放教育研究，26（4）：112-120.

汪維富，毛美娟. 2021. 多模態(tài)學(xué)習(xí)分析：理解與評(píng)價(jià)真實(shí)學(xué)習(xí)的新路向[J]. 電化教育研究，42（2）：25-32.

吳南中. 2017. 混合學(xué)習(xí)空間：內(nèi)涵、效用表征與形成機(jī)制[J]. 電化教育研究，38（1）：21-27.

楊曉哲，任友群. 2021. 教育人工智能的下一步——應(yīng)用場(chǎng)景與推進(jìn)策略[J]. 中國電化教育（1）：89-95.

葉波，吳定初. 2020. 智能時(shí)代的教師實(shí)踐智慧：走向智慧的實(shí)踐[J]. 教育研究，41（12）：129-140.

Anderson， J. R.， Boyle， C. F.， Corbett， A. T.， & Lewis， M. W. （1990）. Cognitive modeling and intelligent tutoring. Artificial Intelligence， 42， 7-49.

Clayton， K. E.， Blumberg， F. C.， & Anthony， J. A. （2018）. Linkages between course status， perceived course value， and students preference for traditional versus non-traditional learning environments. Computers & education， 125， 175-181.

Corbett， A. T.， & Anderson， J. R. （1994）. Knowledge tracing： Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction， 4（4）， 253-278.

Goodfellow， I. J.， Shlens， J.， & Szegedy， C. J. （2015）. Explaining and harnessing adversarial examples. Proceedings of the 3rd International Conference on Learning Representations （ICLR2015）.

Graesser， A. C.， Cai， Z.， Morgan， B.， & Wang， L. （2017）. Assessment with computer agents that engage in conversational dialogues and trialogues with learners. Computers in Human Behavior， 76， 607-616.

Jin， C.， He， B.， Hui， K.， & Sun， L. （2018）. TDNN： a two-stage deep neural network for prompt-independent automated essay scoring. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics （pp. 1088-1097）.

Kizilcec， R. F.， Reich， J.， Yeomans， M.， Dann， C.， Brunskill， E.， Lopez， G.， et al. （2020）. Scaling up behavioral science interventions in online education. Proceedings of the National Academy of Sciences， 117（26）， 14900-14905.

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.

Koedinger， K. R.， Booth， J. L.， & Klahr， D. （2013）. Instructional complexity and the science to constrain it. Science， 342（6161）， 935-937.

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， 427-469.

Piech， C.， Bassen， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas， L. J.， et al. （2015）. Deep knowledge tracing. Advances in Neural Information Processing Systems （pp. 505-513）.

Rahwan， I.， Cebrian， M.， Obradovich， N.， Bongard， J.， Bonnefon， J.-F.， Breazeal， C.， et al. （2019）. Machine behaviour. Nature， 568（7753）， 477-486.

Reich， J.， & Ruipérez-Valiente， J. A. （2019）. The MOOC pivot. Science， 363（6423）， 130-131.

Ritter， S.， Anderson， J. R.， Koedinger， K. R.， & Corbett， A. （2007） Cognitive Tutor： Applied research in mathematics education. Psychonomic Bulletin & Review， 14， 249-255.

Skinner， B. F. （1958）. Teaching Machines. Science， 128（3330）， 969-977.

Sleeman， D. H.， & Brown， J. S. （Eds.）. （1982）. Intelligent Tutoring Systems. New York： Academic Press.

Sottilare， R. A. （2016）. Adaptive instruction for individual learners within the Generalized Intelligent Framework for Tutoring GIFT. In Proceedings， Part II， of the 10th International Conference on Foundations of Augmented Cognition： Neuroergonomics and Operational Neuroscience （pp. 90-96）.

Uto， M.， Xie， Y.， & Ueno， M. （2020）. Neural automated essay scoring incorporating handcrafted features. Proceedings of the 28th International Conference on Computational Linguistics （pp. 6077-6088）.

Zhang， W. E.， Sheng， Q. Z.， Alhazmi， A.， & Li， C. （2020）. Adversarial attacks on deep-learning models in natural language processing： A survey. ACM Transactions on Intelligent Systems Technology， 11（3）， 1-41.

收稿日期：2021-01-15

定稿日期：2021-02-10

作者簡介：劉三女牙，博士，教授，博士生導(dǎo)師;劉盛英杰，博士研究生;孫建文，博士，副教授，本文通訊作者;沈筱譞，博士后;劉智，博士，副教授。華中師范大學(xué)教育大數(shù)據(jù)應(yīng)用技術(shù)國家工程實(shí)驗(yàn)室（430079）。

責(zé)任編輯 劉 莉