分类：论文范文 发表时间：2020-06-28 08:50
[摘要]以人工智能为核心的智能技术正在推动整个社会转型，人类社会将迎来人机协同、跨界融合、共创分享为特征的智能时代，人们期待教育发生系统变革，向“智能教育”转型和演进。本文首先论述智能技术给教育带来的深刻影响，包括：1)新一轮科技革命与全球可持续发展目标正强化教育变革诉求; 2)社会信息化正“倒逼”学校课堂教学改革; 3)智能技术被期待破解课堂教学改革困境;4)智能教育作为未来教育的基本特征正逐渐形成共识。在综合分析当前教育需要解决的主要矛盾和智能教育关键特征的基础上，本文提出了智能教育的三个基本计算问题，即认知计算、行为计算和环境计算，并深度剖析了面向学习绩效提升的认知计算、面向教学过程重构的行为计算和面向学习环境优化的环境计算的缘起及待研究的问题。文章最后提出了融合认知计算、行为计算、环境计算的“计算教育学”要素模型，期待人们对面向智能教育的基本计算问题展开广泛而深入的研究，推进人工智能与教育的共存共生，推动教育变革健康有序和促进人类社会可持续发展。
[关键词]智能教育;认知计算;行为计算;环境计算;计算教育学;人工智能
关于智能教育的论文范文还有教育信息化课题申报领域和方向，您可以点击并前往查看。
一、新一轮科技革命与智能教育
习近平在致国际人工智能与教育大会的贺信中指出，人工智能是引领新一轮科技革命和产业变革的重要驱动力，正深刻改变着人们的生产、生活、学习方式，推动人类社会迎来人机协同、跨界融合、共创分享的智能时代(新华网，2019)。德勤的研究报告指出，生命科技、神经科学、纳米科技、新能源、信息及移动技术、传感技术、3D打印、人工智能、机器人、无人机等的发展正由线性增长变为指数爆发，促进教育产业显著发展(Brucher & Cravatte，2015)。以人工智能为代表的新兴技术必将引发新一轮教育变革，推动人类教育向“智能教育”阶段转型和演进。
(一)新一轮科技革命与全球可持续发展目标正强化教育变革诉求
斯坦福大学2014年发起的“人工智能百年研究”项目，旨在研究和预测人工智能的影响将如何波及人类工作、生活和娱乐等。2016年，斯坦福大学发布的《人工智能和2030年的生活》(ARTIFICIAL INTELLIGENCE AND LIFE IN 2030)报告列出了未来社会深受人工智能变革的领域，包括交通运输、服务机器人、医疗保健、教育、绿色社区、公共安全和保障、就业和工作场所、娱乐等(Stone et al，2016)。以人工智能为核心的新兴智能技术正持续推动新一轮科技革命，促进社会转型，形成智慧社会。
2015年，联合国可持续发展峰会正式通过17个可持续发展目标，旨在转向可持续发展道路，解决社会、经济和环境三个维度的发展问题。联合国教科文组织(UNESCO，2015a)发布的“教育2030行动框架”具体阐释了第四个可持续发展目标(SDG4)——确保全纳、公平的优质教育，使人人可以获得终身学习机会。同时，联合国教科文组织(UNESCO，2015b)发布的《重新审视教育》(Rethinking Education)，反思了知识、学习、教育的内涵，指出“学会学习”从来没有像今天这样重要，知识不再由一个中心权威来指定，而是由学校、教师社区确定，学习被视为一个连续体，校内外学习应密切互动等。为适应新的教育需求，教育系统的管理、设施、评价、教材、课程等需要变革。
新一轮科技革命驱动社会转型与联合国可持续发展目标提出的新教育需求将共同驱动教育系统的变革。
(二)社会信息化及盛行的课外辅导正“倒逼”学校课堂教学改革
以电子计算机发明为核心的创造带领人类进入“信息时代”。在互联网、大数据、人工智能的驱动下，人类社会的生活和管理方式正发生改变。例如，由信息化支撑的现代物流让披萨的食材和调料可来自全球。随着社会信息化进程的发展，信息化环境成为教育教学环境的重要组成部分，信息技术成为学科教学的核心力量。
社会信息化也催生了学生的“补偿学习”。研究报告显示，中国课外辅导行业所得收入已从2012年的2281亿元增至2017年的3930亿元，六年同比增速保持在10%以上，到2020年中国课外辅导规模将超5000亿元(中商产业研究院，2018)。一对一辅导、掌握学习、“普通”班级学习是三种典型的学习组织方式。其中，一对一辅导的学习效果明显好于“普通”班级学习。课外辅导由于学习时间和空间灵活，且学习辅导针对的是难点问题，帮助学习者掌握知识要点与答题技巧，“提分”效果明显。然而，从人的全面发展视角看，学习者的发展不但在于知识的掌握和考试得分，还包括文化基础、自主发展、社会参与等，行为规范、态度、价值观等关键素养的养成也需要家庭环境和社会环境的支持(核心素养研究课题组，2016)。因此，校外辅导不能代替规模化教育与个性化培养。
未来的学习方式将从标准化“班级授课制”向“差异化和个性化学习”过渡(黄荣怀，2017c)。“数字土著”(Marc et al.，2009)对泛在学习的需求日益高涨，他们更倾向主动式、探究式学习，成为学习内容的创造者，而非被动式、灌输式学习，成为学习内容的消费者。而学校提供的教学方式与学习者喜好的教学方式之间存在巨大鸿沟，“数字移民”教师的传统教育思维与“数字土著”学习者偏好的学习方式之间存在冲突，越来越多的学习者认可课外辅导的学习形式。校外辅导使用教育信息技术，能满足新一代学习者的诉求。有证据显示，校外辅导能提高学习效率和效果。信息化社会环境正放大课外辅导带来的适应性学习的规模化效应。这暴露了学校教育的不足，“倒逼”学校教育开展课堂教学改革。
二、智能教育的服务与计算
教学服务指通过教育教学及其他活动而使“教育对象”受益的一种有偿或无偿的行为，包含教育公共服务和教育服务产业。为实现智能教育，对教与学全过程提供智能的教学支持与服务，离不开计算的支撑。随着社会经济和生活水平的提高，人们的教育需求从标准化教学向个性化学习和终身学习发展，教学服务也将由“标准化供给”向“个性化服务”转变(黄荣怀等，2017b)。未来教育制度要求社会重构教育预算和财政支持系统，变革教育供给方式，提升保障系统对教育的支撑能力和适应性(胡耀宗等，2019)。未来教育的教育供给、教育评价和教育教学环境等都需要智能技术提供服务与支撑。
(一)规模化教育与个性化培养是智能教育需要解决的主要矛盾
改革开放四十年特别是十八大以来，我国教育信息化事业取得了重大成就，国家从教育事业发展、时代需求、国际环境等方面入手，越来越重视解决教育中的质量与公平问题(钟登华，2019)。智能时代的教育不仅需要解决教育质量和教育公平问题，还要处理好规模化教育与个性化培养之间的平衡。人类经历了重大的教育革命后，教育不再仅仅局限于学校教育，教育活动更多地发生在家庭、社区、工作场所、公共场所等传统意义上的非正规非正式教育场景中，这种教育场景和教育形态的更迭与倾斜，需要转变工业时代规模化、标准化、集中化的“集体教育”，更关注多步调、全方位的个性化培养，以与现代社会发展相适应、与教育形态变革相适应、与教育大革命的趋势相适应。从教育质量看，当前的学校改革效果不理想，导致校内教育的效率和产出低于校外教育。因此，大量以家庭为单元的教育投入流向了校外培训付费，造成了“校内费时费力效果差、校外费钱费时效果微”的社会现象。
在信息化时代前，规模化教育与个性化培养之间的矛盾难以调和。以信息技术推进规模化教育最典型的代表之一，就是近来年兴起的大型开放式网络课程(MOOC)。以“学堂在线”为例，其上线五年来，吸引全球209个国家和地区的超过1400万名学习者，5000余名教师为学习者服务，累计上线超过1700门在线课程，选课人次突破3200万人(学堂在线，2018)。MOOC的大规模应用有机会创造一个全新的更公平的教育模式，但上线课程和学习者数量的急剧增加也引发质量危机，如师生互动少、成功率低等(康叶钦，2014)。学习伙伴和学习资源的推荐、个性化学习路径生成、自动问答等自适应学习技术为解决MOOC的质量危机提供了丰富的技术手段。人工智能能支撑规模化的个性化学习，提升各级教育水平(Stone et al，2016)。智能教育为解决规模化教育与个性化培养的矛盾提供了可能。
(二)数据驱动、个性化、情境化和新教育生态是智能教育的主要特征
技术一直是影响教育生态的重要因素(程薇等，2019)。智能技术是智能时代教育系统变革的重要作用力，同时也是重塑新时代教育生态的关键因素。信息空间的形成与发展为人类带来了新的认知通道、新的计算方法和新的知识门类。教育的生态结构也发生着巨大而深刻的变化。智能技术的教育应用不再是简单的迁移，而是在充分理解教育教学规律基础上实现对教学过程、教育评价和教育管理的支持(黄荣怀等，2012)。智能技术通过作用教育系统中的教师、学生和管理者等角色，实现对教育系统的变革。其中数据驱动、个性化、情境化是智能技术重塑教育生态的重要切入方向和着力点，是智能教育的主要特征。
从德雷福斯的学习与技能获取理论，到吸引子理论对现象学的阐释，无不强调情境化的智能是无表征的，是一种潜意识的过程(魏屹东等，2009)。因此，智能教育的情境化特征强调智能技术需要依据不同的教育场景，对教学模式、教学方法、学习过程等进行合理组合，以满足用户需求为主要导向，弱化用户对技术本身的感知，强化智能技术支持无意识交互情境的改造能力(崔中良等，2019)。智能教育的个性化特征强调智能技术的应用应尝试回答教育本源性问题，尊重教育中人与人之间的个性差异，以智能技术为工具，实现有教无类和因材施教的教育目标(钟绍春，2019)。未来教育的数据驱动特征，主要以大数据、物联网等技术支持下的学习分析技术为抓手，通过有效应用海量优质的教育应用场景数据，对传统教育场景进行改造升级，提升分析力和支撑力，实现智能时代教育生态系统的变革(郑旭东，2018)。智能教育需要利用智能技术提供数据驱动、个性化和情境化的支持与服务，构建新教育生态。
三、面向学习绩效提升的认知计算
学习绩效的含义包括学习效率和学习效果两个层面。从计算机辅助教学到智能教学系统，业界通过探索技术与教育融合的方法提升学习绩效。随着新一代心理测量理论、认知科学以及人工智能理论技术的发展，学习者知识、技能和能力的习得过程的认知计算成为可能，为提高学习绩效指明方向。
(一)从计算机辅助教学到智能教学系统
1946年，世界上第一台通用计算机ENIAC诞生。1958年，计算机辅助教学(CAI)软件起步。计算机辅助教学是在计算机辅助下进行的教学活动，以对话方式与学生讨论教学内容、安排教学进程、进行教学训练的方法与技术，主要功能包括练习、辅导和模拟等(Fletcher?Flinn et al.，1995)。到20世纪80年代未90年代初，随着多媒体计算机的出现及计算机性能和软件的发展，计算机辅助教学开始向智能教学系统演进，智能教学系统能跟踪学习过程，采集相关的学习轨迹数据，分析学习者的长处和弱势，并在学习过程中根据学习者的不同特点调整进度，给出学习建议，推送学习资源(许高攀等，2009)。
(二)基于认知建模的学习支持服务
随着心理测量学、认知心理学以及学习科学的发展，人们越来越不满足关注个体宏观层次的能力水平，还希望深入了解个体内部的心理加工过程，了解学生在多维、细粒度的潜认知属性差异(李令青等，2019)。认知诊断是新一代心理测量理论，诊断结果有较好的心理学理论基础和可解释性(Tatsuoka，1995)。认知状态诊断是教师对学生进行针对性教学补救的关键(刘淇等，2018)。运用认知诊断方法测量学习者的认知状态，构建细粒度的学习者模型，利用智能算法生成个性化学习路径，匹配合适的学习伙伴，推荐合适的学习资源，形成认知状态驱动的自适应个性化学习方法，对于打造精准教学、实现过程化评估、实施科学教学决策，具有重要的现实意义。
人的发展是大脑不断构建的过程。遵循客观的教育规律必须研究儿童青少年的脑智发育与提升规律，以使教育符合人才成长规律、促进人的全面发展，科学的教育必须理解脑、适应脑、促进脑;在当前教育变革的新形势下，研究人类知识及文明的传承、人类个体脑发育、学习和认知发展规律，已成为未来教育乃至整个人类社会发展进步必须关注的重要问题(董奇，2018)。提供更适切的学习支持服务，需要构建新的计算模型，驱动人工智能从感知智能发展为认知智能阶段。认知计算与教育的结合将促进教育信息技术的发展，进一步通过计算机模拟人类的学习过程，实现将优秀教师的教学经验变成专家系统——“教育脑”。
四、面向教学过程重构的行为计算
课堂教学分析法为课堂分析提供了有效的方法和工具。随着人工智能在物体识别、语音识别等领域赶上或超过人类的水平，课堂行为分析的自动化成为可能。计算行为科学与教育结合，为学习活动的分析提供了理论和方法基础，形成基于学习活动的教学行为计算框架。学习活动分析的自动化使重构和优化教学过程成为可能。
(一)课堂教学分析法
互动分析通过现场观摩课堂或录制课堂教学视频，真实地记录和分析课堂教学师生互动过程，对课堂教学行为进行编码解读，获得客观的课堂教学质量评估信息。弗兰德斯互动分析是一种常用的课堂教学分析法。该方法由美国教育学家弗兰德斯于20世纪60年代提出，分为教师言语、学生言语和安静三类编码。教师言语又分间接影响学生和直接影响学生两类。间接影响包括接受学生的感情、表扬和鼓励、接受学生的思想、提问;直接影响包括讲授、指导、批评学生或为教师权威辩护。学生言语分对教师的讲话作出反应、向教师提出倡议(Flanders，1963)。有些学者对该编码系统进行了改进，如扩充编码(Amidon & Hough，1967)、改进编码过程(宁虹，武金红，2003)、细化语言活动(顾小清，王炜，2004)、数字化环境下的课堂分析(方海光等，2012)等。
课堂教学分析为课堂评价提供了决策数据。课堂评价一般可从：情绪支持、教学支持、课堂管理三个维度进行评分。情绪支持包括积极氛围、教师敏感性、尊重学生观点;教学支持分为指导性学习方式、内容理解、分析和问询、反馈质量、教学性对话、学生参与;课堂管理又分为产出、行为管理和消极氛围，其与学习者的学习成就成正比(Pianta et al.，2008)。
(二)基于计算行为科学的学习活动分析
教学行为识别是对课堂教学分析的基础，而行为的识别需要科学的研究方法——行为科学的支撑。行为科学研究人与人之间的交互和活动，通过比较控制组与自然观察，或设计严谨的科学实验对人或动物行为进行系统分析和调查。行为科学与计算机技术的融合形成计算行为科学。计算行为科学使用先进的传感器技术、计算机感知技术以及机器学习等知识和方法，解决发展心理学与临床医学问题。
计算行为科学与教育的结合在学习分析领域有广阔前景，如研究学习过程的行为数据采集方法、基于大数据研究学习者的特征和偏好、基于线下学习与网络空间的群体行为、研究个体自学、小组学习和班级教学的教师指导行为等。学习活动指为了达到预定的学习目标，在参与者以特定角色的支持下，学习者与环境的特殊互动行为(见图2)。学习活动的分析需要跨学科领域的行为计算对学习活动进行建模。
随着信息技术尤其是近年深度学习理论的发展，计算机视觉、语音识别、自然语言处理等技术在很多领域开始达到或超过人类的平均水平，融合多种模态的学习分析方法为课堂行为分析带来新的机遇。多模态学习分析可通过捕获、融合和分析互补的学习轨迹数据源，可获得对学习过程稳定性高且非确定性少的理解，其数据来源不仅包括在线系统捕获的传统日志文件数据，还包括学习过程的自然信号，如手势、注视、讲话或写作等(Lang et al.，2017)。
五、结语
“智能教育”是在我国新一代人工智能发展战略框架下，将移动互联网、大数据、超级计算、物联网、脑科学等新理论新技术与教育深度融合，发挥新一代人工智能在综合深度推理、跨媒体感知、情境理解、自主协同交互等方面的优势和潜能，变革教育的供给方式，推进教育治理体系和治理能力现代化，创新教与学的方式，向学习者提供数据驱动、个性化、情境化的学习支持服务，以促进规模化教育和个性化培养的有机结合，形成适应智能时代发展的新教育生态。
教育中计算问题的研究将使未来政府机关和企事业单位在相关政策的规划、施行和产品研发少走弯路，降低社会成本;可信的智能教育服务与计算能显著降低未来人工智能变革教育产生的负面影响，真正实现保障公共安全的目的;以环境计算为支撑的场域智慧学习环境将为终身教育、终身学习和学习型社会提供强有力的支撑;超大规模智能教学系统将通过支持掌握学习、差异化教学和个性化学习等新型教学模式，提高学习者的学习效率和学习效果，强化整个社会教育体系的效能效力。这将理性地推进人工智能与教育的共存共生，推动教育变革健康有序地进行和促进人类社会可持续发展。
[参考文献]
[1] 陈鹏宇, 冯晓英, 孙洪涛, 陈丽(2015). 在线学习环境中学习行为对知识建构的影响 [J]. 中国电化教育,(8): 59?63
[2] 陈伟宏, 安吉尧, 李仁发, 李万里 (2017). 深度学习认知计算综述 [J]. 自动化学报, 43(11), 1886?1897
[3] 程薇, 凡正成, 陈桄, 庄榕霞, 黄荣怀(2019). 重溯技术与学习关系之争:整合元分析的发现. 电化教育研究, 40(6), 35?42
作者：黄荣怀1,2周伟1,2杜静1,2孙飞鹏1,2王欢欢1,2曾海军1,2刘德建1,2
上一篇：猪TLR4基因SNP位点筛选及生物信息学分析 下一篇：混合教学的生命意象及其营造
相关阅读
论文常识
期刊知识
著作出版
教材出书
专利申请
出版社
扫码关注公众号