汪瓊 李文超

摘要：實現(xiàn)以學(xué)生為中心的因材施教，為每個學(xué)生定制出符合其特點的學(xué)習(xí)發(fā)展路徑，既是一種教育理想，也是一種教育原則。雖然未來人工智能技術(shù)可能助力實現(xiàn)大規(guī)模因材施教，但是目前大多數(shù)教育人工智能產(chǎn)品還處于初級發(fā)展階段，在實際應(yīng)用中存在著因言過其實、誤以為真、不切實際等錯誤認識造成的實踐誤區(qū)，比如，過分依賴系統(tǒng)對學(xué)生的判斷和幫扶、查漏補缺加重了薄弱生的學(xué)習(xí)負擔(dān)、將自定步調(diào)重復(fù)學(xué)習(xí)視為個性化學(xué)習(xí)等。當前的智能教育雖然可以通過技術(shù)手段優(yōu)化一部分教學(xué)工作，但離實現(xiàn)大規(guī)模因材施教還有很長的路要走。我們需要清醒地認識到當前人工智能教育應(yīng)用的局限，在開展人工智能助力教育的實踐中，既要強調(diào)和加強人工智能時代教師人工智能素養(yǎng)、數(shù)據(jù)素養(yǎng)和測評素養(yǎng)的培養(yǎng)，又要督促智能教育產(chǎn)品研發(fā)機構(gòu)和廠商基于教育理論精細化產(chǎn)品設(shè)計，增加算法透明度，引導(dǎo)和支持人機協(xié)同的因材施教早日實現(xiàn)。

關(guān)鍵詞：人工智能;因材施教;智能教學(xué)系統(tǒng);實踐誤區(qū)

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2021）03-0012-07? doi10.3969/j.issn.1009-5195.2021.03.002

——————————————————————————————————————————

基金項目：教育部—中國移動科研基金2018 年度項目“中小學(xué)編程教育與人工智能工程素養(yǎng)研究”（MCM20180611）。

作者簡介：汪瓊，博士，教授，博士生導(dǎo)師，北京大學(xué)教育學(xué)院（北京 100871）;李文超，博士研究生，北京大學(xué)教育學(xué)院（北京 100871）。

一、引言

因材施教是教育領(lǐng)域一直以來的理想追求（張如珍，1997）。由于每個學(xué)習(xí)者的先驗知識不同，即使學(xué)習(xí)相同的內(nèi)容，不同學(xué)習(xí)者達到同等掌握程度所需花費的時間不同，學(xué)習(xí)過程中遇到的困難點也不一樣。在生師比居高不下的傳統(tǒng)教學(xué)環(huán)境中很難做到教學(xué)因人而異，但是教育研究者并沒有放棄尋找在群體教學(xué)中達到一對一教學(xué)效果的教學(xué)方法（Bloom，1984）。信息技術(shù)特別是人工智能技術(shù)的發(fā)展，讓教育界對于“智能時代的大規(guī)模個性化教育”充滿期待（劉德建等，2018;袁振國，2020）。

目前全國眾多地區(qū)都在大力開展智慧教育試點工作，教育部已經(jīng)設(shè)立了18個“智慧教育示范區(qū)”創(chuàng)建區(qū)域和2個培育區(qū)域，不少城市也紛紛設(shè)立人工智能實驗校開展“人工智能+教育”的探索。然而，在實際應(yīng)用中因存在言過其實、誤以為真、不切實際等錯誤認識，引起了一些爭議和困惑。本文從分析人工智能助力因材施教的三個實踐誤區(qū)入手，闡明了智能系統(tǒng)助力因材施教的四條實踐原則，并就如何與尚處于初級發(fā)展階段的智能教學(xué)系統(tǒng)人機協(xié)同以實現(xiàn)個性化教學(xué)提出了兩條建議。

二、人工智能助力因材施教的實踐誤區(qū)

智能教學(xué)系統(tǒng)大多以布盧姆的“掌握學(xué)習(xí)”（Bloom，1968）教育理念為基礎(chǔ)。“掌握學(xué)習(xí)”也是一種教學(xué)策略，即認為：雖然學(xué)生對于某學(xué)科的學(xué)習(xí)態(tài)度有著喜歡和不喜歡之分，但是如果在其學(xué)習(xí)過程中，能夠給予其所需要的學(xué)習(xí)支持，比如，合適的內(nèi)容、充分的學(xué)習(xí)時間，以及及時的學(xué)習(xí)指點，大多數(shù)學(xué)生都可以達到所期望的教學(xué)目標。

掌握學(xué)習(xí)理論與中國教育經(jīng)驗十分吻合。在實際教學(xué)中，教師普遍認為：造成學(xué)生之間差異的原因是有些學(xué)生功夫沒花到位，題做得不夠多。于是很多學(xué)校使用智能教學(xué)系統(tǒng)的主要方式就是通過系統(tǒng)給學(xué)生出題，為學(xué)生提供更多的練習(xí)機會。一些智能系統(tǒng)標榜帶有知識圖譜，可以做到精準訓(xùn)練，更是受到學(xué)校歡迎，成為實施“大規(guī)模個性化學(xué)習(xí)”的基礎(chǔ)。但是理想與現(xiàn)實總是存在差距的。人工智能助力因材施教在實踐中還存在很多問題。這些問題主要源于人們對智能教育存在一些不切實際的認識。

1.誤區(qū)一：過分依賴系統(tǒng)對學(xué)生的判斷與幫扶

目前的智能教學(xué)系統(tǒng)還屬于發(fā)展初期，很多系統(tǒng)智能技術(shù)含量并不高，中小學(xué)的教學(xué)應(yīng)用中也并不需要太高的智能技術(shù)就可以勝任。比如，中小學(xué)學(xué)科知識點有限，學(xué)科知識圖譜由有經(jīng)驗的教師繪制要優(yōu)于人工智能系統(tǒng)自動生成;許多題庫系統(tǒng)中的測試題的難度、知識點等元數(shù)據(jù)標簽還是人工標記的，因此也存在出錯的可能;適應(yīng)性出題技術(shù)（如基于項目反應(yīng)理論的測試設(shè)計）是30年前已經(jīng)成熟的教育測評技術(shù)，但目前入校的智能系統(tǒng)采用的并不多;等等。

當然，我們不能因為這些系統(tǒng)沒有采用智能技術(shù)就詆毀這些系統(tǒng)對于教學(xué)的價值，只是在實際應(yīng)用中需要有清醒的認識，不能盲目認為智能系統(tǒng)對學(xué)生的判斷都是正確的，也不能假設(shè)智能系統(tǒng)提供的練習(xí)題目都是學(xué)生需要的而不加審核地直接布置給學(xué)生。目前一些學(xué)校使用系統(tǒng)自動出題、自動判題來對學(xué)生知識掌握情況進行判斷，存在過分相信系統(tǒng)的問題。雖然讓學(xué)生在系統(tǒng)中做練習(xí)，有可能解決教師時間不足的問題，讓教師把原先花在批改作業(yè)上的時間用于與學(xué)生一對一的溝通上，是更好地發(fā)揮了人機各自擅長的作用，但是如果教師沒有因此對有問題的學(xué)生作業(yè)進行個別化診斷，卻可能會出現(xiàn)一些學(xué)生被過度訓(xùn)練、另一些學(xué)生沒有精準練習(xí)的問題。

筆者觀摩過的一節(jié)習(xí)題課就出現(xiàn)過類似的情況。在一堂基于智能系統(tǒng)的綜合題目練習(xí)課中，有幾位學(xué)生課前測驗表現(xiàn)不佳，通過系統(tǒng)強化訓(xùn)練后，這些學(xué)生仍舊不能正確解題，說明這些學(xué)生在知識技能掌握方面可能有一個子技能沒有掌握好。教師雖然發(fā)現(xiàn)了這個問題，但是因為智能系統(tǒng)中沒有針對這個子技能的練習(xí)，教師也就沒有脫離系統(tǒng)來對這些學(xué)生進行這方面的專門訓(xùn)練。這堂課對于這些學(xué)生來說就是浪費時間，毫無幫助的。

相反，不依賴智能系統(tǒng)，依靠提升教師的測評能力，卻早就在實踐中被證實是非常有效的教學(xué)策略。比如，成都市一所知名中學(xué)的新分校，用了3年的時間就使該校學(xué)生的成績超過了老校區(qū)。校長說他只用了一招，就是要求每位教師每天自己出題給學(xué)生布置作業(yè)，而且要對學(xué)生的作業(yè)做數(shù)據(jù)分析，由此提高了教學(xué)的針對性。這種方式下，雖然教師的教學(xué)工作量有所增加，但教學(xué)能力提升明顯，教學(xué)效果顯著。安徽蚌埠市教育局也把命題作為教師崗位研修的基本活動，已經(jīng)連續(xù)兩年開展賽命題活動①。這些都是有經(jīng)驗老校長的共識：教師的命題能力——學(xué)術(shù)術(shù)語是測評素養(yǎng)（Assessment Literacy），即能夠選擇合適的考核方式精準地測定學(xué)生的知識掌握情況和運用能力——是優(yōu)秀教師的核心能力。

由此，我們可以得出人工智能助力因材施教的第一個實踐原則：在智能時代，技術(shù)可以方便教師出題和進行作業(yè)分析，但我們不能完全依賴智能系統(tǒng)所做的教學(xué)判斷，這會使教師變得越來越遲鈍。我們需要借助智能技術(shù)淬煉教師的核心能力，尤其是測評素養(yǎng)。

2.誤區(qū)二：薄弱生最需要自適應(yīng)系統(tǒng)查缺補漏

薄弱生通常被認為是最需要智能教學(xué)系統(tǒng)的（向天成等，2015;劉邦奇，2020），其背后的假設(shè)是：學(xué)習(xí)成績不佳的學(xué)生更需要補習(xí)，即如果學(xué)生的學(xué)業(yè)水平較低，或者缺乏新知識所需要的前置知識，就需要在學(xué)習(xí)新知識之前補習(xí)。這是自適應(yīng)教學(xué)系統(tǒng)存在的價值。然而補習(xí)量過大的自適應(yīng)教學(xué)系統(tǒng)未必適合在學(xué)期中使用，因為學(xué)期中學(xué)生每天需要完成各學(xué)科的教學(xué)任務(wù)，補習(xí)量過大的話，很可能造成薄弱生跟不上班級學(xué)習(xí)進度的情況，從而增加其學(xué)習(xí)焦慮，甚至產(chǎn)生厭學(xué)情緒。

圖1是美國一門號稱全球第一個具有適應(yīng)性教學(xué)功能的MOOC課程②的設(shè)計圖。由圖1可知，課程的學(xué)習(xí)路徑分為主干線和支線兩種。主干線是MOOC課程要完成的教學(xué)內(nèi)容，包括教學(xué)視頻、編程挑戰(zhàn)、討論問題等。支線部分是為學(xué)生提供的擴展的課程知識點，目的是方便不具備前置知識的學(xué)習(xí)者進行補充性學(xué)習(xí)。從圖1中可以看到，補充知識點是多個教學(xué)資源組成的微課，課程內(nèi)容增加了近一倍多。如果從自學(xué)角度來看這門課程的設(shè)計，確實考慮到了具備不同知識水平的學(xué)習(xí)者完成課程學(xué)習(xí)的需要，使其能很便捷地獲取補習(xí)的相關(guān)資料，進而可以較為順利地完成課程學(xué)習(xí)。但是從有計劃的教學(xué)（如MOOC）角度來說，這種設(shè)計是有問題的：一些不具備入門知識的學(xué)生需要花費更多時間去學(xué)習(xí)補充資源，這將使其很難跟上課程的正常學(xué)習(xí)進度。由于學(xué)習(xí)步調(diào)不一致，這些學(xué)生在學(xué)習(xí)過程中遇到困難的時候，也就很難得到同學(xué)的幫助。已有MOOC的相關(guān)研究也證實：MOOC課程學(xué)習(xí)中如果缺乏同學(xué)之間的相互支持，將有可能提高學(xué)生輟學(xué)率，影響結(jié)業(yè)率（樊文強，2012）。中小學(xué)在學(xué)期中采用自適應(yīng)系統(tǒng)需要警惕出現(xiàn)類似的問題。

還有的學(xué)校認為，通過多做題多練習(xí)的方式，就可以提升薄弱生的學(xué)業(yè)水平。這類學(xué)校并不安排薄弱生針對相關(guān)教學(xué)內(nèi)容進行重新學(xué)習(xí)，而是根據(jù)所謂的“個性化學(xué)習(xí)系統(tǒng)”所揭示的學(xué)生學(xué)習(xí)漏洞，有針對性地出題訓(xùn)練學(xué)生。乍一看，很有道理，但細想之下，便有疑惑：薄弱生之所以薄弱，有可能是因為寫字慢、做題慢、知識理解不深等問題。這類學(xué)生完成平時的作業(yè)都需要花費比其他同學(xué)更多的時間，現(xiàn)在又需要比別人多完成一些練習(xí)，這個安排真的行得通嗎？真的可持續(xù)實施嗎？

20世紀50年代美國斯坦福大學(xué)Patrick教授開發(fā)的小學(xué)數(shù)學(xué)適應(yīng)性教學(xué)系統(tǒng)在這方面就做得很好（Taylor，2003）。圖2是他所開發(fā)的自適應(yīng)教學(xué)系統(tǒng)的工作原理示意圖。圖中灰色框為主學(xué)習(xí)路徑，學(xué)生每學(xué)習(xí)一個概念需要完成12道練習(xí)題。在完成這12道練習(xí)題的過程中，如果連續(xù)4道題全部做對或者只錯1道，那么系統(tǒng)就會布置右側(cè)雙線框中更難一點的4道題目給學(xué)生;如果學(xué)生繼續(xù)全部做對或者只錯1道，系統(tǒng)就會繼續(xù)加大題目難度，讓學(xué)生去做最右側(cè)三線框中的4道難題。但是如果學(xué)生在做較難的4道題目時錯誤2道以上，系統(tǒng)就會讓學(xué)生回到主線接著做普通題。如果一名學(xué)生在進行第一個概念訓(xùn)練的時候完成了最難的練習(xí)題目，那么他在進行第二個概念練習(xí)的時候?qū)妮^難的題目開始，而不必去做普通題。但如果他在完成第一個概念練習(xí)最難的4道題時錯誤2道以上，則在進行第二個概念練習(xí)的時候還是要從普通題開始。也就是說，同一個概念，這套自適應(yīng)學(xué)習(xí)系統(tǒng)會根據(jù)學(xué)生的掌握水平匹配有針對性的訓(xùn)練。對于掌握得特別好的學(xué)生，會為其提供與其能力水平相匹配，同時又具有一定挑戰(zhàn)性的難題。對于掌握得不太好的學(xué)生，系統(tǒng)就會為其提供一些提示性幫助，如圖2中左半側(cè)的學(xué)習(xí)路徑。做基本題第一次出錯，系統(tǒng)會給一個提示;如果在提示指導(dǎo)下第二次嘗試還出錯，系統(tǒng)會再提供一個提示;如此直至所有的提示都用完。如果這時學(xué)生還不能做對題目，就需跳轉(zhuǎn)至補習(xí)環(huán)節(jié)，額外完成3道補習(xí)題目，如圖2最左側(cè)粗線框。這些補習(xí)題是針對學(xué)生錯題的分解題目。當學(xué)生正確完成這3道題目后，又將再次回到灰色框的主學(xué)習(xí)路徑上做剩余題目。

這個自適應(yīng)教學(xué)系統(tǒng)從技術(shù)實現(xiàn)來看并不復(fù)雜，也不需要特殊的“智能”技術(shù)，通過分層教學(xué)設(shè)計就可以實現(xiàn)為不同知識水平的學(xué)生提供相適應(yīng)的學(xué)習(xí)資源的目的。除此以外，該系統(tǒng)還有一些細節(jié)值得借鑒：比如同一個概念的學(xué)習(xí)，除非完全跟不上的學(xué)生可能會額外補習(xí)3道題外，其他絕大多數(shù)學(xué)生，無論優(yōu)秀還是普通，都完成相同數(shù)量的12道練習(xí)題。對于知識掌握水平不佳的學(xué)生，在其做錯時系統(tǒng)會有提示提供幫助。這表明這些練習(xí)題目是經(jīng)過精心設(shè)計的，每個提示針對的是學(xué)生常見的困惑，做到了適度、有針對性的訓(xùn)練。當然，這個適應(yīng)性教學(xué)系統(tǒng)的成功與高質(zhì)量的題目有很大的關(guān)系。

由此，我們提出人工智能助力因材施教的第二個實踐原則：在學(xué)業(yè)水平不一致的班級通過智能學(xué)習(xí)系統(tǒng)幫助薄弱生補習(xí)這一設(shè)想在實施時需要考慮具體可行性，特別是要估算學(xué)生的學(xué)習(xí)負擔(dān)，要提供高質(zhì)量的練習(xí)題。

3.誤區(qū)三：翻轉(zhuǎn)課堂+智能教學(xué)系統(tǒng)就能做到因材施教

翻轉(zhuǎn)課堂教學(xué)法與適應(yīng)性智能教學(xué)系統(tǒng)從某種角度來看是一對理想搭配，也是目前很多學(xué)校的常見做法，但如果不假思索地結(jié)合，可能會事與愿違。

比如，一些學(xué)校有了智能教學(xué)系統(tǒng)之后，經(jīng)常在課堂上讓學(xué)生用平板電腦進行練習(xí)。這時，教師一般會預(yù)先設(shè)置好完成時間和題量（如要求學(xué)生在5分鐘之內(nèi)做完3道題），時間到后收卷，收卷后利用系統(tǒng)快速對練習(xí)結(jié)果進行判斷，最后將判斷結(jié)果發(fā)送給教師和學(xué)生。學(xué)生只能看到對錯判斷，教師不給予有針對性的反饋。這樣的教學(xué)活動不僅不能幫助學(xué)生，還可能導(dǎo)致負面效果，實質(zhì)是一種“負分行為”：學(xué)生在做題的時候沒有充分的時間進行思考，這樣的做題過程除了建立條件反射之外，對于學(xué)生的思維發(fā)展與知識理解沒有任何價值;做完題之后教師也不給予反饋和解釋，這段學(xué)習(xí)的意義就更低了。

美國教育家布魯姆曾進行過一項研究，發(fā)現(xiàn)一對一教學(xué)法要優(yōu)于普通班級教學(xué)法2個標準方差（Bloom，1984），而掌握學(xué)習(xí)教學(xué)法的效果介于二者之間。布魯姆的研究目的是為了說明個別化教學(xué)的價值，但為什么普通班級教學(xué)不如一對一教學(xué)，另一位學(xué)者福克爾（Vockell，1994）給出了解釋。?？藸栒J為：如果教師不稱職，所設(shè)計的教學(xué)活動可能不僅無助于學(xué)生學(xué)習(xí)，還會損害學(xué)生的學(xué)業(yè)發(fā)展，就像上面提到的機械課堂練習(xí)活動一樣。為此，福克爾提出，教師不僅需要做一些事情來提高學(xué)習(xí)效果，還需要停止一些行為——那些不能提升學(xué)習(xí)效果或者浪費學(xué)生時間的“負分行為”。當我們在使用智能教學(xué)系統(tǒng)時，也需要警惕幫倒忙的“負分行為”。這是人工智能助力因材施教的第三個實踐原則：要辨識哪些行為是“負分行為”。這需要教師始終從幫助學(xué)生完成教學(xué)目標的本心出發(fā)，也需要教師掌握一些教育理論和教學(xué)原則，通過持續(xù)學(xué)習(xí)發(fā)展專業(yè)眼光（Professional Vision）。

翻轉(zhuǎn)課堂教學(xué)法的流行讓更多的教師學(xué)會了制作微課，高校精品課程建設(shè)工程也讓許多大學(xué)課程擁有了配套的視頻教學(xué)資源。于是當通過智能教學(xué)系統(tǒng)發(fā)現(xiàn)學(xué)生做題表現(xiàn)不佳時，一些教師會建議學(xué)生反復(fù)觀看教學(xué)錄像來提升課程學(xué)習(xí)效果。這種做法對于一部分學(xué)生有效，特別是那些上課沒跟上教師講課進度的學(xué)生，但是單純地重復(fù)教學(xué)并不是真正的因材施教。

庫伯指出，一個完整的學(xué)習(xí)過程是由四個階段構(gòu)成的閉環(huán)（Kolb，1984），其中：具體經(jīng)驗階段（Concrete Experience）是指學(xué)生通過親身體驗來獲得新知;反思性觀察階段（Reflective Observation）是指學(xué)生對已有體驗加以思考或者通過觀察別人的做法去領(lǐng)會;抽象概念化（Abstract Conceptualization）階段是指學(xué)生通過學(xué)習(xí)相關(guān)的理論或總結(jié)體驗建立新知識與新認識;主動實踐（Active Experimentation）階段是指學(xué)生用理論指導(dǎo)實踐，或者在實踐中去驗證所形成的概念。庫伯認為，不同人經(jīng)歷這個學(xué)習(xí)圈的起點不同。比如，有人習(xí)慣于先從理論學(xué)習(xí)開始，然后動手嘗試，在嘗試中獲取體驗，最后反思總結(jié);也有人喜歡先動手嘗試，遇到問題時進行思考，然后進行形式化總結(jié)，并與理論對話;等等。學(xué)習(xí)從不同階段開始便形成了不同的學(xué)習(xí)風(fēng)格。根據(jù)這一理論來思考基于數(shù)據(jù)的個別化教學(xué)策略，當發(fā)現(xiàn)學(xué)生有一些知識沒有掌握而需要重復(fù)教學(xué)時，教師需要做的應(yīng)該是換一種教法，而不能一味地實施令自己舒服的教學(xué)方式。

美國學(xué)者格羅根據(jù)其教學(xué)經(jīng)歷也證實教師的教學(xué)策略需要與學(xué)生的學(xué)習(xí)階段及學(xué)習(xí)需求相匹配（Grow，1991）。格羅提出了SSDL模型（Staged Self-Directed Learning Model），即階段性自我指導(dǎo)學(xué)習(xí)模式。格羅認為，可以將學(xué)習(xí)者的自我指導(dǎo)水平劃分為四個階段：依賴階段（Dependent）、好奇階段（Interested）、參與階段（Involved）和自我指導(dǎo)階段（Self-Directed），學(xué)習(xí)者通過不斷提升自我指導(dǎo)階段而獲得進步，從低自我指導(dǎo)水平（依賴階段）、初級自我指導(dǎo)水平（好奇階段）、中等自我指導(dǎo)水平（參與階段），逐漸發(fā)展到高自我指導(dǎo)水平（自我指導(dǎo)階段）。處于不同自我指導(dǎo)水平的學(xué)生，對教師的要求也有所不同。比如，學(xué)生剛剛進入某個新的領(lǐng)域，處于自我指導(dǎo)水平的依賴階段，這時候權(quán)威型的教學(xué)方式，即常見的教師講學(xué)生聽的教學(xué)方式可能最適合學(xué)生;但如果學(xué)生在該領(lǐng)域已有一定基礎(chǔ)，比如對學(xué)習(xí)內(nèi)容已經(jīng)產(chǎn)生了興趣（好奇階段），愿意開始做一些嘗試（參與階段），這時候教師除了布置必要的練習(xí)之外，給予及時反饋，提供協(xié)助、支持和鼓勵很重要。但是當學(xué)生已經(jīng)可以長時間自主學(xué)習(xí)的時候，授權(quán)型的建構(gòu)主義教學(xué)方式可能最適合學(xué)生。格羅還認為，教師的教學(xué)方法既可能會促進學(xué)生的自我指導(dǎo)水平，也可能會阻礙學(xué)生的自我指導(dǎo)水平。只有將教學(xué)方法與學(xué)生發(fā)展水平進行合理匹配，才能夠促進學(xué)生的發(fā)展（Grow，1991）。

依據(jù)這兩個教育理論和模型來反思人工智能助力因材施教，不難得出第四個實踐原則：支持因材施教的智能系統(tǒng)，在資源種類上需要多樣化。比如，同一教學(xué)內(nèi)容最好有不同的教學(xué)法資源。在智能系統(tǒng)做不到的情況下，或者在需要人機協(xié)同開展因材施教的情境下，教師要有意識變化教學(xué)策略，特別是對薄弱生的重復(fù)教學(xué)，需要有意識地分析學(xué)生的學(xué)習(xí)風(fēng)格。

三、人工智能助力因材施教的實踐策略

1.智能時代的教師需要具備人工智能素養(yǎng)+數(shù)據(jù)素養(yǎng)+測評素養(yǎng)

信息技術(shù)進入各行各業(yè)后對人才的素養(yǎng)提出了新的要求，教師崗位也是如此，教師在基本教學(xué)能力之外，還需要擴展習(xí)得許多新素養(yǎng)。智能時代，教師首先需要具備人工智能素養(yǎng)（AI Literary），即教師要能對教育中人工智能技術(shù)的發(fā)展保持關(guān)注，了解具體人工智能產(chǎn)品的優(yōu)勢和不足，能夠辨識新聞中、廠家介紹中的未來設(shè)想功能與現(xiàn)實可用功能之間的差距，能夠選擇適當?shù)娜斯ぶ悄墚a(chǎn)品，以符合倫理的方式恰當?shù)剡\用于提高教學(xué)質(zhì)量的教學(xué)工作中。這里并不是要求教師要非常了解人工智能技術(shù)，只是需要教師不迷信技術(shù)的實現(xiàn)原理，審慎對待技術(shù)系統(tǒng)的產(chǎn)出，特別是技術(shù)產(chǎn)品對學(xué)生的判斷。

其次，教師還需要具備數(shù)據(jù)素養(yǎng)。數(shù)據(jù)素養(yǎng)是信息素養(yǎng)的延伸和擴展，指具備數(shù)據(jù)意識和數(shù)據(jù)敏感性，能夠有效且恰當?shù)孬@取、分析、處理、利用和展現(xiàn)數(shù)據(jù)，并對數(shù)據(jù)具有批判性思維的能力（郝媛玲等，2016）。隨著教育環(huán)境中信息技術(shù)設(shè)備增多，教師可以用于教學(xué)判斷和決策的數(shù)據(jù)也越來越多。教師需要具備從教育情境數(shù)據(jù)中甄別數(shù)據(jù)質(zhì)量、發(fā)現(xiàn)學(xué)生學(xué)習(xí)需求、基于數(shù)據(jù)進行反思教學(xué)的能力。

最后，如前所述，測評能力是優(yōu)秀教師的核心能力之一，測評素養(yǎng)是無論什么時候教師都應(yīng)該必備的素養(yǎng)?，F(xiàn)代信息技術(shù)快速發(fā)展，知識呈爆炸式增長，學(xué)生獲取信息的渠道越來越多樣。教師如何借助信息技術(shù)設(shè)計多樣化測試以了解學(xué)生知識掌握、學(xué)習(xí)目標達成的情況，已成為智能時代教師測評素養(yǎng)的新要求。高質(zhì)量的測評工具才能獲得可靠的數(shù)據(jù)，也才能保證基于數(shù)據(jù)的教學(xué)決策是科學(xué)、合理的。

這三類素養(yǎng)中除了測評素養(yǎng)較早提出但一直沒普及到每個教師之外，另外兩種素養(yǎng)都是時代發(fā)展對教師提出的新要求，需要盡快納入教師培訓(xùn)內(nèi)容。

2.智能教學(xué)系統(tǒng)產(chǎn)品需要基于教學(xué)理論做更加精細化和實用性的設(shè)計

目前進入中小學(xué)的智能教學(xué)系統(tǒng)產(chǎn)品有功能趨同的現(xiàn)象，且大多簡單假設(shè)允許學(xué)生自定步調(diào)的學(xué)習(xí)就是在支持個性化學(xué)習(xí)了，這是對個性化學(xué)習(xí)的誤解。前文已經(jīng)舉例說明了現(xiàn)有智能系統(tǒng)的基本假設(shè)沒有考慮操作可行性，學(xué)校對智能教學(xué)系統(tǒng)的應(yīng)用也存在盲目信任和簡單誤用。要解決這個問題，智能教學(xué)系統(tǒng)產(chǎn)品需要基于教學(xué)理論做更精細化設(shè)計。以自適應(yīng)學(xué)習(xí)系統(tǒng)為例，不同系統(tǒng)可以有不同的“自適應(yīng)”側(cè)重，或者以適應(yīng)學(xué)生的知識水平為目標，如提供不同難度的內(nèi)容;或者以適應(yīng)學(xué)生學(xué)習(xí)風(fēng)格為目標，如改變學(xué)習(xí)任務(wù)的完成順序，提供其喜聞樂見的學(xué)習(xí)內(nèi)容呈現(xiàn)方式等。近年來，自適應(yīng)教學(xué)系統(tǒng)從界面到算法都有了一些改進探索和嘗試，但還需要放在學(xué)校教學(xué)的實際情境中去思考需求，避免加重學(xué)生學(xué)習(xí)負擔(dān)，挫傷學(xué)生學(xué)習(xí)積極性。

另外，智能教學(xué)系統(tǒng)產(chǎn)品也需要就算法透明性作出解釋。比如，有些智能教學(xué)系統(tǒng)記錄課堂教學(xué)行為，給學(xué)生和教師畫像，卻沒有說明算法依據(jù)，無法判斷其評價的科學(xué)性與合理性。目前一些學(xué)校已經(jīng)引入了這樣的產(chǎn)品，并將其當作學(xué)校與時俱進的展示窗口。幸而大多學(xué)校還未用其對師生進行關(guān)鍵性評價，尚未產(chǎn)生嚴重不良影響。但是隨著越來越多的學(xué)校開始“以數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)”為抓手，不了解系統(tǒng)的計算原理就盲目進行教學(xué)應(yīng)用，會帶來很大風(fēng)險。

四、總結(jié)

兩千多年前，孔子因?qū)W生的秉性不同而給出不同的行動建議：對于膽怯的學(xué)生，孔子鼓勵他想到就去做;對于魯莽的學(xué)生，孔子建議他想清楚了再去做，這是成語“因材施教”的來源。因材施教既是一種教育理想，也是一種教育原則。實現(xiàn)以學(xué)生為中心的因材施教，為每個學(xué)生定制出符合其特點的學(xué)習(xí)發(fā)展路徑，是智能教育的重要目標和追求。今天的人工智能技術(shù)雖然還無法做到依據(jù)學(xué)生秉性給出針對性行動建議，但是已經(jīng)可以通過技術(shù)手段部分實現(xiàn)因材施教，比如使用智能技術(shù)糾正英語發(fā)音等。同時，有了技術(shù)支持還可以釋放教師的部分精力，讓教師們有機會投入到人工智能尚不能發(fā)揮作用的教學(xué)情境，比如，更準確地分析和處理學(xué)生的情感問題等。

然而我們要清楚地認識到，當前我們正處于人工智能教育應(yīng)用的初期。智能技術(shù)的發(fā)展特點需要在迭代中進步，需要大量的實踐數(shù)據(jù)，但教育不能拿學(xué)生做實驗，每一位學(xué)生都不可以成為不成熟教育產(chǎn)品的試驗品。我們在開展人工智能助力教育的實踐中，要遵循教育規(guī)律，對技術(shù)系統(tǒng)不濫用不誤用;同時技術(shù)公司也要以教育理論為指導(dǎo)，通過與教育研究者和實踐者的合作，開發(fā)具有教育性產(chǎn)品，真正解決教學(xué)中的關(guān)鍵問題。

注釋：

①蚌埠市教育局 “四賽”崗位研修總決賽賽命題實施方案（2021）1號（賽命題）[EB/OL].[2021-05-01].http：//www.

ahgzyz.com/display.asp？id=1878.

②? 網(wǎng)址為：https：//cse.ucsd.edu/about/news/news/uc-san-dx-

launchfirst-adaptive-online-course-teach-bioinformatics.

參考文獻：

[1]樊文強（2012）.基于關(guān)聯(lián)主義的大規(guī)模網(wǎng)絡(luò)開放課程（MOOC）及其學(xué)習(xí)支持[J].遠程教育雜志，30（3）：31-36.

[2]郝媛玲，沈婷婷（2016）.數(shù)據(jù)素養(yǎng)及其培養(yǎng)機制的構(gòu)建與策略思考[J].情報理論與實踐，39（1）：58-63.

[3]劉邦奇（2020）.智能技術(shù)賦能：邁向大規(guī)模個性化教育[N].中國教育報，2020-10-21（05）.

[4]劉德建，杜靜，姜男等（2018）.人工智能融入學(xué)校教育的發(fā)展趨勢[J].開放教育研究，24（4）：33-42.

[5]向天成，趙微（2015）.大數(shù)據(jù)時代學(xué)困生幫助機制構(gòu)建的內(nèi)涵、原則及途徑[J].教師教育論壇，28（12）：18-21.

[6]袁振國（2020）.線上線下融合：實現(xiàn)大規(guī)模個性化的未來教育[J].中小學(xué)數(shù)字化教學(xué)，（11）：1.

[7]張如珍（1997）.“因材施教”的歷史演進及其現(xiàn)代化[J].教育研究，（9）：73-76.

[3]Bloom， B. S. （1968）. Learning for Mastery. Instruction and Curriculum. Regional Education Laboratory for the Carolinas and Virginia， Topical Papers and Reprints， Number 1.[DB/OL].[2021-04-30].

https：//files.eric.ed.gov/fulltext/ED053419.pdf.

[4]Bloom， B. S. （1984）. The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One-to-One Tutoring[J]. Educational Researcher， 13（6）：4-16.

[5]Grow， G. O. （1991）. Teaching Learners to Be Self-Directed[J]. Adult Education Quarterly， 41（3）：125-149.

[6]Kolb， D. A. （1984）. Experiential Learning： Experience as the Source of Learning and Development[M]. Englewood Cliffs， NJ： Prentice Hall.

[7]Taylor， R. P. （2003）. The Computer in School： Tutor， Tool， Tutee[J]. Contemporary Issues in Technology and Teacher Education， 3（2）：240-252.

[8]Vockell， E. L. （1994）. The Minus Two-Sigma Problem： Correcting Defective Instruction[J]. Contemporary Education， 65（4）：185.

收稿日期 2020-05-04 責(zé)任編輯 汪燕

AI-Empowered Personalized Education： Practical Mistakes and Countermeasures

WANG Qiong， LI Wenchao

Abstract： To teach students in accordance with their aptitude and allow them have individualized learning path is not only an educational ideal， but also an educational principle. Though AI technology may help to enable large-scale personalized education in the future， most educational AI products at present are still in their infant stage with some misunderstandings and abuse in application， such as the excessive reliance on the teaching and learning evaluation report given by AI， increasing the learning burden of weak students by the adaptive drill and practice， regarding self-paced repeated learning as the personalized learning and so on. AI techniques have optimized the teaching process in some degree， but there is still a long way to go to realize personalized education. We need a clear understanding of the limitations of the current AI application in education， emphasize and strengthen teachersAI literacy， data literacy and assessment literacy， and urge the research and development departments and corporations of intelligent educational products to refine product design based on educational principles， increase the transparency of algorithms， in order to guide and support the personalized education with man-machine coordination.

Keywords： AI Literacy; Personalized Education; Intelligent Tutoring System; Practical Mistakes