人工智能赋能教育与学习
| 全文共13617字，建议阅读时13分钟 |
作者：贾积有
摘要
近年来，人工智能（AI）的迅速发展和广泛应用已引起了我国政府的高度重视，也受到了教育界的极大关注。从教育的本质特征和人工智能的研究领域来分析人工智能与教育的关系，可以发现：教育是提高人的自然智能的过程和系统；人工智能是在机器上实现的教育。并且大量国内外权威期刊的文献分析也表明，人工智能技术在教育领域的应用与传统教学方法相比，具有比较显著的正面影响。人工智能必将对人类的教育与学习方式产生重大影响。
关键词：人工智能；AI；大数据；STEM/STEAM；教学效果；教育；自然智能；智能教学系统；学习方式
一、引言
近年来，人工智能（AI）技术在围棋等领域取得了里程碑式的进展。2016年初，谷歌人工智能团队在权威期刊Nature介绍了他们设计的人工智能围棋程序AlphoGo的原理，即以人类棋谱为样本，运用复杂的人工神经网络进行有监督的学习，人工智能机器人学会了与人类棋手对弈的走法。随后，AlphoGo先后战胜李世石、柯洁，让世人刮目相看。2017年10月，谷歌人工智能团队再次在Nature上介绍了他们设计的人工智能围棋程序AlphoGo Zero原理：它采用无监督的学习，除了围棋规则之外没有学习任何人类棋手的走法，而是从零开始，自学成才。其使用人工神经网络改进搜索质量，通过反复迭代产生高质量的走法，最终以100比0的绝对优势战胜了其前身AlphaGo。
这些突破性的事件，引发了社会各界、特别是教育界对人工智能的广泛关注。2017年7月，国务院印发的《新一代人工智能发展规划》，特别强调人工智能对于教育的重要性。那么，人工智能的学习与人类学习存在什么关系？人工智能真能成为教师，来帮助学生学习围棋等领域的知识？人工智能对教育的影响究竟表现在哪些方面？人工智能会对人的学习方式产生何种影响？本文将围绕这些问题展开深入地探讨。
二、教育是提高人类自然智能的系统和过程
教育作为一个名词，是指一个由人和物所组成的动态系统或者指这个动态系统的变化过程。在这个系统中，必须以人作为受教育者。所谓的受教育者是指他（她）的（自然）智能在这个动态系统中得到提高的人。所以教育是一个受教育者的智能得到提高的动态系统，或者指受教育者在这个动态系统中的智能得到提高的过程。人类的自然智能就是人类具有的智力和行为能力，包括感知能力、记忆能力、思维能力、行为能力和语言能力。人类智能也可以按照其他标准来分类，例如，加德纳（H. Gardner）的多元智能理论将人类智能分为九种：言语、逻辑、视觉（空间）、音乐（节奏）、身体（运动）、人际交往智力、自我内省智力、自然观察、存在智力。教育系统中的不同学科，就是培养受教育者某个或者某些方面的自然智能。
一般来说，教学系统是个典型的动态复杂系统，它存在于一个有限的时间范围内。在这个有限的时间范围中，教学系统的动态性体现在它组成元素的动态变化上，其中变化最明显的元素应当是受教育者。在刚进入这个教育系统时，受教育者对教学内容一无所知或者知之甚少。随着教学活动的展开和教育者的教诲，受教育者逐渐了解、掌握了相关的教学内容，并提高了这方面的智能。从这个教学系统的开始到结束，受教育者的自然智能变化究竟有多大（或者说其智能的提高有多少），依赖于受教育者本身、教育者、教学内容和教学方法的综合作用。
我们在衡量一个教学系统的工作效率的时候，可以采用以下公式：
教学系统的工作效率=该系统中所有受教育者的自然智能的提高程度总和/[（该系统所耗费的教育者的人力资源总和+该系统所耗费的自然资源总和)×该系统所耗费的时间]
在教学系统中受教育者自然智能的提高，可以通过三个方面来进行较为全面的评估：（1）知识与能力；（2）情感与态度；（3）方法与过程。当然如何公平、客观、准确地度量这三个方面，也是一个世界范围内的难题。国际上的PISA测试和我国林崇德教授团队提出的学生核心素养等，都可以说是对此做的有益尝试。
目前，在日常学校教学中，操作性较强、也较为公正客观的办法是用某门学科的学习成绩及其变化来度量学生知识与能力的变化，不少教学研究和实践则通过调查问卷来收集学生在情感与态度、方法与过程上的变化。通常学习成绩变化的量度方法有两种：一是同一样本的纵向变化，如，内容相同的两次测试（即前测和后测）的变化；二是不同样本的横向比较，如，实验班和对照班在同一次测验中的成绩差异。在教育研究中，常用平均分数来表示一个系统中全体受教育者成绩的集中程度；用标准差来表示在一个系统中全体受教育者成绩的离散程度；用T检验或者F检验来检验纵向变化或者横向差异的显著性；用ES（Effect Size的缩写，翻译为效应量、效果尺度、效果规模或者效果水平）来表示纵向变化或者横向差异的幅度。ES的计算公式有Cohen’s d、Hedge’s g等。Cohen认为，相对而言，ES在0.2附近表示较小的效果；ES在0.5附近时表示中等程度的效果；ES在0.8以上表示很大的效果。美国教育部教育科学研究所认为，ES=0.25时，即可以说这样的教学效果很显著。
为了达到较好的教学效果、提高效率和效益，一般教学系统中的教育者应具备以下能力：掌握学科知识，表达学科知识，了解学生进度，释疑解惑，激发兴趣，因材施教。掌握知识这一基本能力是在职前接受专业知识教育的过程中必须具备的。其他五种能力，则是教育者在教学实践中，在一定的教学理论指导下逐渐掌握的。
三、人工智能是在机器上实现的教育
人工智能是用人工的方法在机器上实现的智能，或者说就是人们使用机器模拟人类和其它生物的自然智能，包括感知能力、记忆和思维能力、行为能力、语言能力。1956年计算机的诞生，即标志着人工智能时代的到来。可以说，人工智能就是在机器上实现类人的教育，或者说是对机器实施教育。这个观点从人工智能的研究领域可以得到证实：人工智能自诞生以来逐渐发展，囊括了诸多领域，而这些领域与人类教育的过程紧密相关，若干研究路线也与教学系统中的教学理论不谋而合。
第一，知识表示。也称作知识工程，主要研究如何在计算机上表示、存储和搜索常识性知识和专业性知识。这相当于在教育系统中首先让教育者掌握知识的过程，也相当于提高机器的记忆智能。具体表示方法有：产生式规则表示法、语义网络、自然语言表示法、框架法、脚本法等。产生式规则表示法最为原始，也被广泛应用，其实是认知主义在人工智能领域的具体应用，即强调计算机和人脑一样，是一个具有信息输入、存储、处理、加工和输出的载体，智能就体现在对信息的处理和加工过程中。
第二，机器学习。主要研究如何用计算机获取知识，即从数据中挖掘信息，从信息中归纳知识，实现统计描述、相关分析、聚类、分类、规则关联、预测、可视化等功能，也称作数据挖掘、知识推理或者知识发现。这相当于在教育系统中让受教育者学习知识的过程，也相当于在提高计算机的思维智能。常用方法有：产生式规则推理、回归分析、决策树、人工神经网络（深度学习）、遗传算法、Bayes算法、邻近算法、模糊逻辑、粗糙集等。产生式规则推理与知识表示中的产生式规则表示法一脉相承，是认知主义的具体应用。人工神经网络则是模拟人脑中由大量的神经元及其复杂连接构成的神经网络的并行计算能力，从早期的Hebb规则到Hopfield网络、自组织网络等算法，发展到目前的深度学习算法，深度学习算法借助大量高速运算的CPU和GPU实现并行计算，具有较强的分类、聚类和预测等功能。而互联网和物联网环境下的大数据，则为深度学习提供了海量的学习和评测样本；这可以说是连接主义在计算机上的具体实现。
第三，模式识别。主要研究如何识别一般自然物体、图像、人类特征（语音、指纹、情感、体感等）等，相当于提高计算机的感知智能。具体方法需要借助知识表示和机器学习的研究成果，例如，深度学习和大数据技术在近几年取得了巨大突破，也被广泛应用在语音、图像、人脸、情感等模式识别中，这大大提高了识别的精确率和召回率。
第四，自然语言处理。主要研究如何理解和产生人类自然语言，包括语音和文字两种形式，而文字又包括词语形态、语法、语义、语用和篇章五个层次，相当于提高计算机的语言智能。具体方法需要借助语言学、心理学、社会学等多个学科的研究成果，例如，乔姆斯基语法体系影响深远；也要借助知识表示和机器学习的研究成果，例如，基于规则的产生式表示法是一种传统的自然语言处理技术。而基于大量语料借助深度学习等算法进行数据挖掘的自然语言处理技术，则在近几年成效显著。
第五，智能机器人。主要研究如何让机器硬件能够像人类或者动物那样行动，例如，按照一定规则前进、后退、躲避障碍物等，相当于提高机器的行为能力和感知能力。人形机器人、自动行驶车辆可以说是智能机器人的最新成果。行为主义在机器人技术发展历史上起着重要作用，知识表示和机器学习领域的前沿技术，则为智能机器人的飞跃发展添砖加瓦。
第六，专家系统。主要研究如何在在特定领域中模仿专家行为、辅助用户管理决策，相当于提高机器的多种智能，包括感知、行为、记忆、思维和语言等。一般包括规则库、综合知识库、推理机、人机接口等部分，需要综合应用以上各个领域的研究成果。例如，教育领域的专家系统即智能教学系统。
综上，人工智能就是在以计算机为代表的人造机器上实现的人类教育，或者说是对机器实施教育。所不同的是，人类教育要耗费较长的时间，例如，让学生掌握常识性知识的义务教育需要花费十年左右的时间以及大量的人力、物力资源；每个人的教育过程和教育产出都有所不同，甚至异彩纷呈。而人工智能却可让一个机器在具有一定智能的基础上，通过拷贝等办法，让大量机器在一瞬间同时具有相同的智能。可以想象，将来生产千万个能够取得优异成绩的高考机器人，也是分秒之间的事情。
四、人工智能对教育具有较显著的正面影响
（一）知识表示
对人类常识性知识和专业性知识大规模数据库的研究，从上个世纪80年代开始，主要是像编纂大百科全书一样，聘请各个领域的专家编写词条，然后通过一定的格式存储在计算机中，并通过复杂的语义网来表示这些词条之间的关系。
美国军方资助的大型知识库项目CYC [15]就是一个典型例子，它目前的4.0版本包括了239,000个概念（Term），以及关于这些概念的2,093,000个三元组（Triples，就是事实）。另外一个业界著名的例子是曾经得到过美国国家科学基金会资助的美国普林斯顿大学的Wordnet，它是一种按照一定结构组织起来的语义类词典，标明了名词之间、动词之间、形容词之间、副词之间以及这些词类相互之间复杂的语义关系：同义、反义、上下位、蕴含等。这样就构成了一个比较完整的词汇语义网络系统：在词汇概念之间建立多种语义的联系和推理，词汇关系在词语之间体现，语义关系在概念之间体现。
进入21世纪以来，随着国际互联网和Ｗeb2.0的普及，人们自发参与编纂的知识库系统规模越来越庞大。最典型的是维基百科，目前已有5,529,270个英文条目，近百万条汉语条目，以及数百万条其他语言的条目。这些条目通过超链接方式进行广泛互联。国内的百度百科、互动百科、搜狗百科等也各自都有超过千万条以上的条目。这些民间知识库不仅资源丰富，也通过各种机制来尽量保证内容的正确性、准确性和及时性。所以，民间知识库已经成为不少官方数据库的数据来源，例如美国的CYC、德国官方资助的知识库项目YAGO等，都将维基百科作为其知识来源之一。
这些基于互联网的知识库内容日益丰富，大多是免费开放的，不仅成为很多智能系统的知识来源，也成为各个阶段的教育者获取教学资料、学习者获取学习资料的重要渠道。借助于谷歌、百度等搜索引擎，用户可以在几秒之内获取与教学内容相关的文字、图片、音频、视频等多媒体资源，这远远超过从传统图书馆或者印刷品中搜索信息的速度。可以说，这些知识库已经扩展为一个网脑或“全球脑”，它极大程度地扩展了人类的记忆智能。有效搜索和使用这些知识库资源，已经成为当下教师教育技术能力和信息能力水平考试的一个重要考点，也构成了互联网时代教育者和受教育者的一个基本信息素养。这是信息技术对教育具有革命性影响的一个重要体现。
（二）机器学习
借助微软的EXCEL和ACCESS等通用的数据处理软件，可以对数据进行统计描述、相关分析等较为简单的数据分析和挖掘；借助IBM的SPSS、MathWorks的Matlab、Wolfram的Mathematica等商用软件以及R[19]和WEKA[20]等开源软件系统,则可以实现机器学习的所有功能，包括对大数据的处理。利用这些工具，可以进行教育数据挖掘（Educational Data Mining，EDM）和学习分析（Learning Analytics，LA）。
教育数据挖掘是指从教育领域积累的数据中提取信息，发现知识，以便帮助教育管理者和决策者更好地进行教育管理和决策。数据可以是师生在教学活动中产生的数据，也可以是教育管理活动中用到的数据；可以是在线系统产生的，也可以是离线积累的数据。
学习分析则侧重对学生的学习行为中产生的数据进行分析，以便提取信息，发现知识，帮助教育者更好地实施个性化和适应性教学活动。通过学习分析，学习者可以更准确地认识自己，开展针对性学习，改进学习效果，提高学习效益。例如，对学习者聚类或者分类，建立学习者模型等。数据同样可以是由在线系统产生的，也可以是离线积累的数据。
关于机器学习在教育领域的应用，国内外已有不少文献综述和元分析研究。笔者研究团队借助WEKA等数据挖掘系统，分析了慕课大数据，建立了在线学习活动指数OLAI，设计了基于OLAI的智能教学系统。国外Pena-Ayala[23]对教育数据挖掘领域的文献进行元分析，筛选出了从2010年到2013年第一季度的240篇文献。文献涉及到222种数据挖掘方法和18种工具，然后研究者从各个角度对这些文献进行了分类统计。例如，从数据挖掘任务角度划分为10种：分类（42.1%）和聚类（26.86%），其他还有回归、规则关联等；从涉及到的教育系统角度分为37种：智能教学系统（39.64%）、学习管理系统（9.01%）、传统教育（9.01%）、基于计算机的教育（6.76%），等；从涉及到的应用系统角度分为37种:Algebra（15.38%）、ASSISTments（14.62%）、Moodle（10%）、Algebra-Bridge（7.69%），等；从功能上分为4大类：学生模型（包括行为建模和表现建模等）占61.72%，学生支持和反馈（9.46%），课程、领域知识和教师支持（8.56%），测试评估（20.27%）。
（三）模式识别
基于Ekman普适情感状态和面部动作编码系统等理论的人脸识别、眼睛识别、情感识别、体感识别技术逐渐成熟。例如，德国夫琅和费研究所的脸部识别系统SHORE[26]，可以较好地识别摄像头实时捕捉到的视频中的人脸、眼睛、喜怒哀乐等面部表情；美国Tobii公司生产的眼动仪及其配套软件可以实时跟踪用户眼睛的移动和动作。当然，属于模式识别的语音识别成就也十分巨大。
国际上已经有了大量情感识别等模式识别教育应用方面的研究。Shen等使用来源于生物生理学信号处理的情感检测技术，设计了一种情感化的电子化学习模型，将其应用到上海开放大学的电子化学习平台上，帮助学生改进学习体验，根据学习者的情感状态来定制个性化的学习材料。实验表明：参与和疑惑是在学习过程中最重要和最常出现的情感，应用情感识别技术的学习，比不用情感识别技术的学生成绩高出91%。D’Mello等 开发了一套基于眼动仪设备的智能教学系统，它可以跟踪学习者眼球运动并能识别其无聊和注意力分散状态，并在这些状态下引导学习者注意力集中到屏幕的助教动画代理身上。通过对照实验，他们发现：这个系统确实能够动态地引导学生关注屏幕上的重要学习内容，增加学生在需要深入思考的问题方面的收获，加强了学生的学习动机和参与度。笔者团队也初步实现了对汉语文本进行情感识别的系统开发。
另外，Wu等从1997 到2013年的178篇关于情感计算的权威期刊论文中筛选出90篇论文，从各个角度进行分类。他发现这些论文所涉及到的学习领域包括：科学22篇、工程与计算机科学14篇、语言和艺术13篇、社会科学8篇、其它9篇，其它24篇不涉及任何学习领域，而是关注学习动机、观念和算法；在识别方法中最常用的是传统调查问卷（26%）、皮肤导电反应（16%）、面部表情（11%)、心跳（9%）、脑电图（6%）、文字（6%）、肌电图（4%)和语音（3%），其他还有教室观察、面对面谈话、交互软件代理和光学体积描记术等；10种最常见的情感状态是：高兴、惊奇、中性、无聊、悲伤、愤怒、恐惧、沮丧、厌恶和兴趣。
（四）自然语言处理
在语音、词语形态、句法、语义、语用和篇章等各个层次上，自然语言处理技术都取得了长足进步。我国“科大讯飞”等公司的语音识别和合成技术已可以与常人媲美；中国科学院计算技术研究所分词系统等开放的汉语分词系统功能强大；美国斯坦福大学语法分析器Stanford Parser等开源的语法分析系统适用于英语、汉语等多种语言；谷歌、百度、微软等公司的翻译技术日益成熟。
自然语言处理技术在教育上的应用主要有两个方面：一是作为辅助工具应用到语言教学上,即CALL（计算机辅助语言教学）；二是作为人机交互手段应用到智能教学系统上。在CALL领域，我国一大批系统进入实用状态，例如，科大讯飞语音系统被广泛应用在汉语、英语教学和考试评测上；批改网批改了全国的三亿多篇英语作文，减轻了英语老师的批改负担，为学生提供了全天候、个性化的辅助写作服务。
对于计算机辅助语言教学的教学效果这一主题，国内外已有大量实证研究，也有很多基于这些实证研究的元分析。Zhao分析了1997-2001年5本期刊上的CALL实证研究论文，发现这些论文中的实证研究的ES平均值为1.12，这是非常显著的教学效果。Taylor的元分析发现计算机支持的词汇学习比传统纸质方式的词汇学习效果更好。Grgurovic等的元分析从1970年到2006年出版的CALL文献中筛选出37篇实证研究论文，包括了52个具有ES值的实验，发现总体ES均值为0.23，代表一个较小的但是显著的正面效果。Golonka等分析了350多篇CALL方面的实证研究论文，比较了技术支持的教学与传统教学的效果，发现在计算机支持的语音训练、特别在自动语音识别方面，教学效果尤为显著。它能够改进学生发音并提供及时而准确的反馈，网上聊天也会显著促进提高学生语言的产出量和复杂性。技术对于学习者的情感动机、交互能力、元语言能力等，都具有较好的促进作用。
（五）智能机器人
智能机器人作为人工智能技术中集大成的一个跨学科领域，将其应用于教育中，对于科学、技术、工程和数学学科(STEM)的整合式教学至关重要。它鼓励探索、动手操作与学习，将工程技术概念应用到真实世界中，减少科学和数学的抽象性，提高学生的学习兴趣，激发学习动机，增强自信心，增进交流和合作能力、问题解决能力和创造性思维，同时减少焦虑等负面情感体验。
自著名人工智能专家和教育技术专家Papert强调在课堂上使用可编程、积木化的材料来教小学生控制机器人以来，已有大量研究证明了机器人教学整合对于学习效果的正面促进作用。例如，其有助于小学生科学学科成绩的改进；可促进小学和中学STEM知识的学习；有利于小学和中学生数学成绩的提高；可增强中学生物理内容知识的掌握；有助于中学生工程设计技能的增强；可促进STEM学习中关键能力的提高（如，空间能力、图形解释能力、图形序列能力等）。
Merkouris等探讨了学习可触摸计算机（如，机器人和可穿戴计算机）编程的教学效果。他们将36名学生分为三个组，分别使用不同的设备：台式机、机器人和可穿戴计算机；每个组都应用相似的基于模块的可视化编程环境，测量学生在情感、态度和计算机编程能力上的变化。实验结果表明：与使用台式机相比，使用机器人的学生表现出更为强烈的学习编程倾向；不管是机器人还是可穿戴计算机，都对学生的学习顺序、重复和分支结构等基本计算概念，产生了显著的正面影响。
Danahy等以四所美国大学机器人教育的实践为例，分析了“乐高机器人”15年来在工程教育中所起到的作用。从1998年的RCX到2013年的EV3，乐高教育将模块化的编程语言与模块化的搭建平台结合起来，使得所有年龄段的学生都能建造各种各样的物件，从机器人动物到会玩儿童游戏的机器人。更为重要的是，它允许学生们对同一个问题给出不同的答案，从而建立一个学习化社区。
Kim等介绍如何帮助在校师范生应用机器人来学会设计和实施STEM教育。研究者调查了学生通过机器人参与STEM学习和课程的情况，收集的数据包括调查问卷、课堂观察、访谈、教学计划。定量和定性数据分析表明，这些职前师范生积极而专注地参与到机器人学习活动中，极大地提高了STEM参与程度；学生的教学设计表明其STEM教学能力正在朝着富有成果的方向发展，尽管仍有不少值得改进的地方。这些发现证明，机器人技术能够被应用到改变教师对STEM教学的态度，提高教师STEM教学能力的活动中去。
（六）专家系统—智能教学系统
教育领域的专家系统就是智能教学系统（ITS），是指一个能够模仿人类教师或者助教来帮助学习者进行某个学科、领域或者知识点学习的智能系统。一个成功的智能教学系统应当具备教育者的基本功能，即拥有某个学科领域的知识；用合适的方式向学生展示学习内容；了解学生的学习进度和风格；对学生的学习情况给予及时而恰当的反馈；帮助学生解决问题。为了实现这些功能，一个智能教学系统通常包括教师模块、学生模块、教学模块和交互模块。教师模块采用产生式表示法等各种知识表示方法来存储学科领域知识；学生模块反映学生认知和情感状态、学习风格等个性信息；教学模块体现认知主义、建构主义等各种教学理论和方法；交互模块采用自然语言对话、情感或体感识别、虚拟现实与增强现实等技术来实现学习者和系统之间的人机交互。
智能教学系统已有半个多世纪的研发和应用历史。行为主义心理学家斯金纳在权威期刊《科学》上发表的论文可以说是智能教学系统的鼻祖。他通过这个机械装置构成的机器，实现了在行为主义指导下的程序教学法。这个机器可以用来教授低年级阶段的语言单词拼写和算数等知识，也可以用来教授高中到大学阶段的知识内容。他和同事们建造了十台这样的机器，哈佛和拉德克利夫大学有将近200名本科生使用这些机器学习人类行为的课程。学生的调查问卷和访谈验证了这种机器教学所预期的优越性：与传统的学习方式相比，学生花费了较少时间，但是学会了较多知识；学生不必等待很多时间，就可以立即知道本人的学习状况。
从20世纪70年代以来，各个学科的智能教学系统不断涌现，典型的如采用苏格拉底对话式的地理教学系统SCHOLAR，用于程序教学的SOPHIE和BUGGY，用于地球物理教学的WHY，用于医学教学的GUIDON，具有适应性学习能力的MAIS，用于LISP教学的ELM-ART,用于数学教学的PAT和Algebra Cognitive Tutor,用于医学教育的CIRCSIM，用于物理、数学、编程等教学的AutoTutor, 用于数据库知识教学的KERMIT，用于语言教学的TLCTS和CSIEC，等等。
这些智能教学系统的教学效果也得到了较为严格的验证。Koedinger etc. [55]介绍了他们多年研发的数学智能导师系统PAT的原理、技术和在美国城市高中的大规模实际应用。匹兹堡市数学教学项目（PUMP）所设计的代数课程以真实世界中的数学问题分析和计算工具使用为中心。其以用户为中心的设计方法满足了用户在课程目标和课堂教学上的需求，也展现了设计团队在数学教学、人工智能和认知心理学上充分结合的优势。基于ACT理论，PAT建立了一个模仿优秀学生表现的心理模型，该模型包括一连串“如果-就”形式的产生式规则，来解决问题的大量步骤和学生典型的错误步骤。这个模型是两个学生模型的基础：模型跟踪和知识跟踪。模型跟踪通过比较学生解决问题时所表现出来的行为与心理模型所定义的行为差异来监控学生的学习过程；而知识跟踪则用来监控学生解决不同问题时的学习。PAT系统正是支持并实现了这种教学思想，因而被常态整合到匹兹堡市三所九年级代数课程中。这些学校1993-1994学年的评估结果显示，470名参与实验学生在标准化考试中的平均成绩比对照班高出15%（ES=0.3），而在以PUMP为考察核心的考试中高出100%（ES=1.2）。
这项应用研究表明，实验室中的智能教学系统可以满足大规模教学实践的需求。PAT根据学生的操作给予及时恰当的反馈和帮助性提示；这种即时反馈和帮助是智能教学系统对学生产生认知和动机正面影响的一个重要原因。通常来说，一个学生需要花20-30分钟来解决一个计算价格性质的数学问题；而要实现同样的教学目标，传统的延迟反馈比这样的及时反馈要让学生多花3倍以上的时间。
Graesser etc.介绍了AutoTutor，一个基于建构主义理论的模仿人类导师与学习者进行自然语言对话的系统。这种对话通过一个对话角色代理和三维交互模拟得到了加强，以便增强学习者的参与感和学习深度。该系统的对话基于错误概念与期待值之间误差的矫正模型，用潜在语义分析工具来判断学生输入文本，并将之与对话期待值或者错误概念进行匹配。
对于AutoTutor的评估在四个层面展开：第一是系统的对话输出的合理性，已有研究表明，这种合理性与人类导师相差无几；第二个层次是其产生对话的质量，让学生作为旁观者进行的图灵测试，以表明他们无法区分系统产生的对话与人类导师发出的对话的差异；第三个层次是它在教学上的应用能否帮助学生提高学习成绩，这个系统在大学计算机文化和概念性物理学教学中的应用，不管是在实验室还是班级常规教学中，对学生的影响效果都是正面的，ES从0.2到1.6，具体值与教学科目、学习效果的测量方法和比较条件有关；第四个层次是学生是否喜欢使用这个系统进行学习。
笔者所在的研究团队将智能技术整合于中学英语教学。经过在四所中学多个学期较为严格的实证研究，证明智能系统支持的混合式教学对于提高学生学习兴趣和学习成绩具有较为显著的促进作用。实验班与对照班的常规考试成绩相比效果尺度ES大小为从0.12到0.45。同时，研究团队也对一个数学智能教学系统“乐学一百”在初中的课程整合进行了评估，发现智能系统支持的混合式教学可以将实验班学生的成绩显著提升，效果尺度从0.18增加到0.25。
国际上也有不少关于智能教学系统的元分析。Vahlehn在基于与智能教学系统相关的搜索结果中，按照严格条件筛选出了44篇文献,通过元分析方法，比较了在人类导师、计算机辅助教学系统和无导师情况下的教学效果。计算机辅助教学系统根据人机交互界面的颗粒度大小，分为基于答案的、基于步骤的、基于小步骤的导师系统。大部分智能教学系统具有基于步骤的或者基于小步骤的人机交互功能，而其他计算机教学系统（如，CAI、CBT、CAL等）则具有基于答案的人机交互功能。已有的研究认为，辅导的步骤越小，教学效果越显著；与没有导师的学习情况相比，基于答案的计算机教学系统、智能教学系统、人类导师系统的ES分别为0.3、1.0和2.0。有趣的是Vahlehn的元分析研究却表明，人类导师的ES只有0.79，而智能教学系统的ES为0.76，两者没有显著性差异。
Kulik和Fletcher[61]再次使用元分析技术研究智能教学系统的效果。他们按照一定条件搜索相关数据库，获得550篇候选文献；研读这些文献后，按照更加严格的条件筛选出50篇智能教学系统方面的文献。对这50篇文献的分析表明：46篇（92%）文献证明后测中使用智能教学系统的实验学生的学习效果好于对照组学生；其中的39篇（78%）的ES大于0.25；平均ES是0.66。
智能教学系统的效果也是稳定可靠的。50个案例发生在不同时间、场合和教育环境中，比如分布在四个大洲的9个国家。其中39（78%） 在美国，平均ES为0.56；其他11个国家的平均ES为0.79。智能教学系统不仅仅走出了它的发源地美国，还走向了世界各地，而且在其他地方发展得还很好。不过，智能教学系统的这种中等以上的教学效果是相对于为研究而特殊设计的测试而言的。在这50个研究中，使用特殊测试的研究平均ES是0.73，而其他采用标准化测试的研究平均ES只有0.13，这是元分析中非常普遍的现象。该文由此认为，在相关研究中的绝大多数智能教学系统对于学生学习效果的促进作用不仅仅是正面的，而且对于教学而言是足够大的，智能教学系统可以成为非常有效的教学工具。
总之，在智能教学系统领域，不管是众多的实证研究还是元分析的结果都证明，与传统教学方式相比，智能教学系统对于学生的学业表现都具有比较显著的正面影响。
五、人工智能促进人类学习方式变革
丰富多样的网络资源、日益成熟的人工智能技术正在提供越来越快速、便捷的技术支撑，这使得我们可以进行适应性、个性化的学习，而不仅仅被局限于正规学校里发生、进行的传统学习。
第一，借助“网脑”搜索所需要的任何领域的知识。维基百科、百度百科等网上知识库的内容几乎可以说是无所不包，并且准确性、正确性和及时性越来越高，其可以提供与任何学科有关的资料。
第二，借助机器翻译系统阅读和学习外文资料。随着我国国际化程度的进一步提高，经济、社会、教育、文化、体育等各个领域的国际交流日益广泛，需要我们阅读一定的外文资料。谷歌翻译、百度翻译等网上多种语言翻译系统的翻译效果越来越好，可以帮助我们翻译单词、句子和篇章，并提供词汇解释和例句、合成语音等辅助学习功能。即使没有学过某种外语，我们也可以了解该语种资料的大致含义。
第三，借助语言技术学习外语。比如，使用“批改网”等系统提交英语作文，在得到系统即时反馈后多次修改拼写、语法和修辞等错误直到满意为止；借助“讯飞畅言语音系统”、“英语流利说”、“英语模仿秀”等系统学习英语发音。
第四，借助智能机器人学习编程，培养计算思维和创造性思维。“乐高机器人”、“能力风暴”等智能机器人系统都提供了与硬件配套的可视化、模块化编程环境，如Scratch等。这便于我们学习控制机器人的传感器和行动装置，学习顺序、分支、循环等程序结构和并发计算，并在此基础上发挥我们的想象力和创造力，设计、搭建、开发出富有创意的作品。
第五，借助智能教学系统进行某个学科的深入学习。比如在数学方面，可以借助“乐学一百”、“可汗学院”、“数学盒子”、“洋葱数学”等智能学习平台，找到与本人知识阶段相应的内容；或者借助平台的自动推荐功能，深入学习代数、几何等某个领域的知识，通过平台的自测功能看到自己的进步与不足、甚至是具体形象的学科画像，然后继续学习系统推荐的微课或者阅读材料等内容；或者参与系统推荐的练习，直到自己牢固掌握这些知识为止。笔者团队提出并设计的基于在线学习活动指数的智能教学系统，就具有这样的功能。
第六，用适合自己学习风格的方式进行学习。学习风格作为影响学生学习的一种个性化要素，受到教育研究者广泛关注。Keefe定义学习风格为：“认知的、情感的和生理上的因素的组合，能够相对稳定地表明一个学习者如何感知学习环境，与环境交互及做出反应”。不同学习风格的学习者，会对一定的学习媒体产生不同的偏好。例如，Memletics学习风格量表将学习风格划分为七个维度：视觉、听觉、言语、逻辑、社会、个体、身体，每个维度的取值在[0,20]。智能教学系统会根据学习者的过程数据或者调查反馈结果，确定学习者的学习风格，并据此向学习者推荐合适的学习媒体、方法与路径。
总之，现在人人都可以借助人工智能技术，创建人机和谐的学习环境。我们可以期待，在不久的未来，人工智能技术可以创造出更加个性化、适应性、服务于终身学习的智能普适学习环境。在这个环境中，任何人，不管想学什么、在什么地方都可以学习；学习可以是个性化的，智能教学系统就像教师一样在旁边辅导；学习也可以是社会化的，就像在传统教室里一样，有竞争也有协作。
作者简介：贾积有，博士，北京大学教育学院教育技术系教授，北京大学教育信息化国际研究中心主任，主要研究领域：人工智能教育应用、教育技术学。
基金项目：本文系2017年北京大学本科教改立项项目“教育与人工智能”（项目编号：20173048）的研究成果。
转载自：《远程教育杂志》2018年第1期
排版、插图来自公众号：MOOC（微信号：openonline）
喜欢我们就多一次点赞多一次分享吧~
有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~
相关内容
微信扫码咨询专知VIP会员