蔣鑫 朱紅艷 洪明

【摘要】? ?美國“教育中的人工智能”研究主要分為五大熱點方向：第一，人工智能改善在線教育的參與度研究;第二，情緒感知支持下的教學(xué)實踐研究;第三，游戲化學(xué)習(xí)研究;第四，人工智能教育應(yīng)用的典型模式研究;第五，學(xué)習(xí)空間的設(shè)計研究。美國“教育中的人工智能”研究歷史，依次經(jīng)歷了為促進(jìn)教育實際問題解決的關(guān)注專家知識應(yīng)用自動化的初級階段、對知識自動獲取與系統(tǒng)建模聚焦的轉(zhuǎn)向階段、為促進(jìn)教育優(yōu)質(zhì)與公平而對有效使用技術(shù)的審思階段。經(jīng)歷幾十年的探究與發(fā)展，美國“教育中的人工智能”研究逐漸形成了強調(diào)結(jié)果與凸顯學(xué)生成功導(dǎo)向的研究特色，但同時也存在過于偏向高等教育學(xué)生、部分下位概念邊界模糊和理論層面研究單一等現(xiàn)實問題。

【關(guān)鍵詞】? 人工智能;教育應(yīng)用;AIED;AI;研究歷程;研究文獻(xiàn);智能導(dǎo)師系統(tǒng);學(xué)習(xí)空間

【中圖分類號】? ?G627? ? ? ? 【文獻(xiàn)標(biāo)識碼】? A? ? ? ?【文章編號】? 1009-458x（2020）2-0009-13

一、引言

伴隨著“智能化領(lǐng)跑教育信息化2.0”前沿論斷的提出及成為教育信息化研究者的共識，“教育中的人工智能”研究（Artificial Intelligence in Education， AIED）應(yīng)聲落地，成為教育信息化的一種高端形態(tài)。作為人工智能（AI）與教育科學(xué)融合形成的專項領(lǐng)域，AIED研究有兩個基本目標(biāo)：一是在教育領(lǐng)域全面深入地應(yīng)用人工智能技術(shù)（Artificial Intelligence， AI）以促進(jìn)教育改革和發(fā)展;二是通過利用人工智能技術(shù)，更系統(tǒng)、更微觀、更深入地揭示學(xué)習(xí)發(fā)生的原理與機制，進(jìn)而為學(xué)習(xí)者能夠有效掌握某方面知識創(chuàng)造條件（閆志明， 等， 2017）。然而，人工智能與教育的結(jié)合卻并非是近年才開始出現(xiàn)的新領(lǐng)域，其原始形態(tài)最早可追溯至上世紀(jì)50年代末期的美國程序教學(xué)機（梁迎麗， 等， 2019）。從這個角度講，作為人工智能的發(fā)源地，美國“教育中的人工智能”研究的歷史積淀無與倫比。

近年來，美國已將人工智能與國家安全緊密聯(lián)系在一起，且研究的重點與對象主要針對中國。這其中最典型的當(dāng)屬2018年美國國際戰(zhàn)略中心（CSIS）出臺的《美國機器智能國家戰(zhàn)略規(guī)劃》（A National Machine Intelligence Strategy for the United States），首次將人工智能的發(fā)展上升至國家安全層面進(jìn)行戰(zhàn)略性布局，并多處提及中國政府對人工智能在各個領(lǐng)域的規(guī)劃布局。國內(nèi)學(xué)者對美國人工智能變革教育研究的梳理卻不多見。從國內(nèi)相關(guān)研究的現(xiàn)狀看，有學(xué)者指出，國內(nèi)教育中的人工智能研究仍處于起步階段，從教育教學(xué)立場出發(fā)的系統(tǒng)的理論分析工作亟須開展（張志禎， 等， 2019 a）。鑒于這兩點，本研究嘗試對美國AIED研究進(jìn)行歷史關(guān)照，以便審時度勢努力為國內(nèi)人工智能變革教育的理論和實踐的積累提供來自美國的經(jīng)驗。

二、研究方法與研究過程

（一）研究樣本選擇

本研究選擇了Web of Science平臺下的核心數(shù)據(jù)庫作為文獻(xiàn)數(shù)據(jù)來源，其中包含了自然科學(xué)引文索引數(shù)據(jù)庫、社會科學(xué)引文索引和藝術(shù)引文索引三大核心引文數(shù)據(jù)庫，收錄文獻(xiàn)的質(zhì)量較高。鑒于“教育中的人工智能”已經(jīng)成為一個專項領(lǐng)域，因此，在檢索詞的確定方面，為了盡可能全面地搜索樣本文獻(xiàn)，本研究除了選擇以“Artificial Intelligence in Education”作為檢索策略外，擬再增加“Artificial Intelligence & Education”的主題搜索，將文獻(xiàn)發(fā)表時間設(shè)定為“2019年4月23日之前”，將“精選國家”選擇美國。之后，通過對檢索出的文獻(xiàn)的標(biāo)題、摘要等信息進(jìn)行瀏覽，篩除“人工智能教育”主題文獻(xiàn)，再排除不相關(guān)、重復(fù)等文獻(xiàn)，最終獲得273篇學(xué)術(shù)論文，作為本研究的重要數(shù)據(jù)來源。根據(jù)多數(shù)關(guān)鍵文獻(xiàn)通常集中于少數(shù)核心期刊的布拉德福文獻(xiàn)離散規(guī)律，這273篇文獻(xiàn)基本可以代表美國“教育中的人工智能”研究的真實情況。通過對文獻(xiàn)的檢視發(fā)現(xiàn)，平臺收錄最早的美國學(xué)者在學(xué)術(shù)層面關(guān)注“教育中的人工智能”的研究出現(xiàn)在1981年，錫拉丘茲大學(xué)的莫森塔爾（Mosenthal.P）發(fā)表的《閱讀理解中的理論問題——從認(rèn)知心理學(xué)、語言學(xué)、人工智能和教育的角度》標(biāo)志著美國對該領(lǐng)域開始了系統(tǒng)的學(xué)術(shù)探討。

（二）研究方法與過程

本研究基于知識圖譜的視角，采用內(nèi)容分析法、引文分析法，對檢索文獻(xiàn)的研究內(nèi)容和研究歷程兩個維度進(jìn)行定性分析，以揭示美國人工智能支持教育的研究結(jié)構(gòu)與發(fā)展脈絡(luò)。

第一，采取知識圖譜方法。借助Citespace可視化軟件生成文獻(xiàn)被引聚類圖譜、文獻(xiàn)關(guān)鍵詞聚類圖譜和引文文獻(xiàn)共被引區(qū)視圖譜，以此探測美國人工智能在教育領(lǐng)域應(yīng)用的現(xiàn)狀。第二，運用內(nèi)容分析法、引文分析法對高被引文獻(xiàn)進(jìn)行深度分析。由于高被引文獻(xiàn)是構(gòu)成人工智能輔助教育研究的重要知識基礎(chǔ)，是反映學(xué)科領(lǐng)域研究狀況的核心文獻(xiàn)，具有重大的學(xué)術(shù)價值，因此，它們所蘊含的理論基礎(chǔ)、關(guān)注主題、研究方法等信息均可直觀反映美國AIED研究的主題聚焦與演進(jìn)趨勢。

三、美國“教育中的人工智能”

研究聚焦

關(guān)鍵詞是對整篇文獻(xiàn)的概括，關(guān)鍵詞出現(xiàn)頻次的高低可以在一定程度上作為判斷某研究方向在領(lǐng)域內(nèi)是否為研究熱點的重要論證依據(jù);中心度是衡量研究熱度的另一重要指標(biāo)，在某種意義上中心度是決定節(jié)點在系統(tǒng)中重要程度的重要度量，體現(xiàn)著關(guān)鍵詞節(jié)點在不同聚類之間的樞紐作用，中心性越高的節(jié)點對其他節(jié)點的聯(lián)系控制作用越強。這兩個指標(biāo)可以為確定研究熱點提供重要參考，而從二者的一致性和差異性上可以有效探尋美國AIED研究不同研究方向之間的耦合關(guān)系，為深入分析美國AIED研究的熱點與現(xiàn)狀提供有價值的參考和依據(jù)。將文獻(xiàn)導(dǎo)入軟件，形成關(guān)鍵詞共現(xiàn)知識圖譜（見圖1）。

圖1所示的關(guān)鍵詞共現(xiàn)圖譜共出現(xiàn)677個網(wǎng)絡(luò)節(jié)點，1，674個連接，其中網(wǎng)絡(luò)模塊化度量值Modularity Q和網(wǎng)絡(luò)同質(zhì)性指標(biāo)Mean Sihouette的值分別為0.8369、0.7571。根據(jù)“網(wǎng)絡(luò)模塊化度量值和網(wǎng)絡(luò)同質(zhì)性指標(biāo)值均要大于0.5”的Citespace聚類規(guī)律，可推斷本研究對273篇美國AIED研究文獻(xiàn)所生成的關(guān)鍵詞共現(xiàn)聚類圖是科學(xué)可行的。軟件共運行出13個聚類，每個聚類都代表了AIED研究的一個熱點研究方向，這13個聚類基本可以反映美國AIED研究的全貌。根據(jù)圖1，軟件后臺分別統(tǒng)計出頻次排名居前20位的關(guān)鍵詞信息表（見表1），這些關(guān)鍵詞基本可以確定是美國學(xué)界關(guān)注的熱點主題。

在軟件后臺對圖1形成的13個關(guān)鍵詞聚類的基礎(chǔ)上，再進(jìn)一步合并、排除一些邊緣聚類后。本研究選取了5個核心聚類作為美國AIED研究的主要方向（見表2）。

（一）改善在線教育學(xué)生參與度的可行性探究

參與度是個性化學(xué)習(xí)行為發(fā)生的前提（牟智佳， 等， 2018）。有研究發(fā)現(xiàn)，情感投入、認(rèn)知投入、行為投入都與參與度有直接關(guān)系（Matkin， 2014）。傳統(tǒng)技術(shù)解決在線學(xué)習(xí)個性化服務(wù)之所以遇到困難，教師難以擺脫“滿足盡可能多的學(xué)生”的教學(xué)設(shè)計理念是其重要誘因（Johnson & Lester， 2016）。學(xué)習(xí)個性不同，學(xué)生選擇的學(xué)習(xí)路徑也必然不同。因此，個性化學(xué)習(xí)服務(wù)必然要求智能教學(xué)系統(tǒng)的知識表征方式從傳統(tǒng)對知識內(nèi)容的陳列、細(xì)化向?qū)W習(xí)策略和路徑建議轉(zhuǎn)變。

庫爾山（Kurshan， 2017）指出，學(xué)習(xí)系統(tǒng)的推薦引擎設(shè)計對未來學(xué)習(xí)效率的提高有重要作用。知識圖譜（Knowledge map）技術(shù)的成熟為以多維關(guān)系圖描述真實世界或特定領(lǐng)域各類實體及實體關(guān)系提供了可能。目前，作為知識圖譜重要應(yīng)用的概念網(wǎng)絡(luò)（Concept Net）不僅已經(jīng)實現(xiàn)了智能語義搜索、個人智能助理等智能應(yīng)用，而且能根據(jù)學(xué)生的問題行為、內(nèi)部個體特征以及外部環(huán)境因素提供教育教學(xué)相關(guān)知識的對應(yīng)與定位（余勝泉， 等， 2019 a）。在此基礎(chǔ)上，如果再將人類的經(jīng)驗、常識以及直覺等信息引入智能教學(xué)系統(tǒng)之中，將人類的知識引導(dǎo)與系統(tǒng)的數(shù)據(jù)驅(qū)動融合起來，那么經(jīng)過這種融合之后的教學(xué)系統(tǒng)將不再是單純依賴數(shù)據(jù)驅(qū)動的教學(xué)輔助系統(tǒng)，而是有著更加精準(zhǔn)的學(xué)習(xí)路徑推薦（Bassi， Daradoumis， Xhafa， Caballe， & Sula， 2014）功能的智能系統(tǒng)。以Moocs為例，雖然Moocs因為其在徹底解決優(yōu)質(zhì)資源無法覆蓋所有學(xué)生這一頑疾方面展現(xiàn)出巨大潛力而風(fēng)靡世界，但Moocs教學(xué)模式也存在缺乏知識深度理解和有效教學(xué)手段的不足。有研究分析后發(fā)現(xiàn)，Moocs需要在求助渠道、環(huán)境構(gòu)造方面進(jìn)行改善（胡藝齡， 等， 2018）。將數(shù)據(jù)智能、圖譜嵌入Moocs系統(tǒng)之中，根據(jù)教學(xué)系統(tǒng)對不同學(xué)習(xí)者學(xué)習(xí)過程的記錄，形成對每個知識點的重點、難點以及學(xué)習(xí)策略和路徑的推薦，可以幫助學(xué)習(xí)者在沒有教師或同伴的指導(dǎo)時少走彎路。

在這個實例中，更加準(zhǔn)確地收集學(xué)習(xí)過程信息是學(xué)習(xí)路徑推薦的基礎(chǔ)。學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)包括表情、文字、視頻等多種數(shù)據(jù)信息，能否對這些信息進(jìn)行多模態(tài)統(tǒng)一的數(shù)據(jù)表征與綜合分析對精準(zhǔn)把握學(xué)習(xí)者學(xué)情至關(guān)重要（Handoko， et al.， 2018）。伴隨著媒體關(guān)聯(lián)、媒體統(tǒng)一表征以及深度挖掘技術(shù)的日趨成熟，教學(xué)系統(tǒng)正在逐步突破僅能分析單一數(shù)據(jù)形式的極限，這種可以綜合處理各種感知信息的媒體智能或?qū)⒃陬A(yù)測輟學(xué)學(xué)生、優(yōu)化特殊學(xué)習(xí)者的個性體驗、增加Moocs對學(xué)習(xí)者個人感受與非認(rèn)知體驗等方面發(fā)揮更大作用。

（二）情緒感知支持下的教學(xué)實踐探究

繼計算智能與感知智能之后，認(rèn)知智能揭開了人工智能2.0時代新的序幕。不同于感知智能僅能感知與判斷語音、圖像和手勢信息，認(rèn)知智能具備探究深度學(xué)習(xí)的能力，可以根據(jù)感知的語音、圖像、手勢等表征信息更深入地對學(xué)習(xí)者的觀點、學(xué)習(xí)風(fēng)格與能力、情感態(tài)度進(jìn)行判斷（Freedman， 2018）。從綜合文獻(xiàn)以及技術(shù)類型來看，以自然語言理解、語義分析技術(shù)、學(xué)習(xí)分析、虛擬現(xiàn)實、智能陪伴（Intelligent Companions）以及表情和手勢識別等技術(shù)作支撐的情緒感知系統(tǒng)研究是美國AIED研究的一個重點方向。

在認(rèn)知智能時代，僅聽懂學(xué)生的聲音已經(jīng)不能滿足AI發(fā)展的需求，察言觀色與感知學(xué)習(xí)者的情感與態(tài)度已經(jīng)成為人工智能的新追求。精準(zhǔn)教學(xué)（Precision Teaching）的內(nèi)在要求就是不斷促進(jìn)有效教學(xué)的發(fā)生，而有效教學(xué)不僅意味著教學(xué)系統(tǒng)需按照知識的內(nèi)在要求實現(xiàn)對“準(zhǔn)確”知識精準(zhǔn)傳授，更要求系統(tǒng)可以根據(jù)學(xué)生的情感狀態(tài)自動調(diào)整知識難易及不同趣味程度學(xué)習(xí)材料的推送（Ellis， Rudnitsky， & Moriarty， 2010）。美國北卡羅來納州立大學(xué)亞歷山德里亞（Alexandria）認(rèn)為，如果教學(xué)系統(tǒng)持續(xù)不斷地給一個充滿厭倦、排斥態(tài)度的學(xué)生推送難度較大的教學(xué)知識，必然導(dǎo)致無效教學(xué)的發(fā)生。在一項實驗研究中，亞歷山德里亞通過一套以Java編程的學(xué)習(xí)系統(tǒng)完成了對學(xué)習(xí)者面部表情與學(xué)習(xí)行為等數(shù)據(jù)的收集，精準(zhǔn)實現(xiàn)了學(xué)習(xí)結(jié)果的預(yù)測。結(jié)果顯示，在Java編程中，通過腦電波監(jiān)測、皮膚傳導(dǎo)以及表情識別獲得的學(xué)習(xí)狀態(tài)可以作為未來教學(xué)系統(tǒng)對學(xué)習(xí)者學(xué)習(xí)困惑判斷的重要依據(jù)（Li， Wong， & Kankanhali， 2016）。

與仿真教學(xué)或者傳統(tǒng)教學(xué)相比，這種沉浸式學(xué)習(xí)的最大優(yōu)點是可以實現(xiàn)對真實情景更深的體悟和感知。然而，這種學(xué)習(xí)模式以立體眼鏡、數(shù)據(jù)手套和頭盔等各類跟蹤系統(tǒng)為基礎(chǔ)，在通過感覺完全真實的教學(xué)場景達(dá)到增強教學(xué)互動效果的同時，也極易產(chǎn)生過多的冗余數(shù)據(jù)，出現(xiàn)數(shù)據(jù)、信息的呈現(xiàn)不當(dāng)，在自主學(xué)習(xí)過程中極易造成學(xué)習(xí)者注意力難以集中，進(jìn)而出現(xiàn)認(rèn)知負(fù)荷過重的問題，影響學(xué)習(xí)者的有效學(xué)習(xí)。因此，邁倫·薩哈米等（Sahami， Desjardins， Dodds， & Neller， 2011）指出，在智能環(huán)境中要注重元認(rèn)知策略，減少認(rèn)知負(fù)荷，幫助學(xué)習(xí)者從無關(guān)元素中解放出來，提高學(xué)習(xí)的參與度。也有學(xué)者預(yù)測，未來的人工智能或可將學(xué)生DNA數(shù)據(jù)納入學(xué)習(xí)數(shù)據(jù)框架之中，為每位學(xué)生推薦最佳培養(yǎng)方案，可以幫助學(xué)生減輕由復(fù)雜環(huán)境而引發(fā)的信息呈現(xiàn)不當(dāng)?shù)呢?fù)擔(dān)（曹曉明， 2018）。

（三）游戲化學(xué)習(xí)研究

作為游戲與教育領(lǐng)域相融合的產(chǎn)物，游戲化學(xué)習(xí)一直是教育技術(shù)領(lǐng)域?qū)W者關(guān)注的熱點問題。由于游戲化解決方案的復(fù)雜程度伴隨著學(xué)習(xí)者認(rèn)知需求的提升而日益增高，將人工智能技術(shù)更深入地嵌入游戲化學(xué)習(xí)之中成為越來越多研究者的理想訴求（Zhang， Zhang， Chang， Esche， & Chassapis， 2016）。從文獻(xiàn)看，該方向的研究主要圍繞智能代理（Intelligent Agent）如何更加有效地增強互動、促進(jìn)學(xué)生的適應(yīng)性發(fā)展和在深度學(xué)習(xí)環(huán)境中的使用策略而展開。具體主要體現(xiàn)在以下兩個方面：

第一，智能代理在游戲情境中扮演的角色。智能代理在游戲化學(xué)習(xí)環(huán)境中所表現(xiàn)出的互動優(yōu)勢正成為一種極具潛力的支持技術(shù)。對于游戲環(huán)境中智能代理應(yīng)如何為學(xué)習(xí)者有效學(xué)習(xí)提供支持與保障，詹姆斯（James）認(rèn)為，智能代理可以在基于故事的學(xué)習(xí)互動中扮演重要角色。在這個過程中，角色細(xì)化是協(xié)作學(xué)習(xí)成功的重要條件，角色越多，越可能在游戲環(huán)境中誘發(fā)學(xué)習(xí)者的負(fù)面情緒，越不利于知識的理解和遷移（轉(zhuǎn)引自胡藝齡， 等， 2018）;埃塞琳（Ethlyn）則認(rèn)為，博弈機制和開放式教學(xué)任務(wù)的游戲結(jié)構(gòu)能有效促使智能代理開展協(xié)作學(xué)習(xí)和概念學(xué)習(xí)，產(chǎn)生高情緒覺醒（轉(zhuǎn)引自Saltzman， Davis， & Homer， 2018）。

第二，游戲環(huán)境下的人機互動與反饋。這個方向主要圍繞如何有效地將自然語言等技術(shù)融入游戲化學(xué)習(xí)環(huán)境之中而開展。自然語言以上下文相關(guān)文本、語音對話的形式使智能代理與學(xué)生用戶直接進(jìn)行互動交流成為可能。將語音識別、智能多模態(tài)界面等技術(shù)引入智能代理，可以實現(xiàn)文本與語音教學(xué)對話相互融合，實現(xiàn)智能代理對學(xué)習(xí)者在游戲過程中的面部表情、手勢以及注視活動的識別和跟蹤。從功能上看，這種識別與跟蹤不僅使智能代理實現(xiàn)了根據(jù)學(xué)習(xí)者的情緒狀態(tài)提供相適應(yīng)的情感支持，使學(xué)習(xí)者更容易沉浸其中，而且豐富了智能代理的功能框架，為促進(jìn)學(xué)習(xí)者與代理的深層次交互提供了情景的支撐。伯恩斯（Berns. A）指出，智能代理嵌入游戲教學(xué)研究在關(guān)注學(xué)習(xí)信息收集與處理的同時，更應(yīng)考慮如何利用AI對知識與教學(xué)內(nèi)容進(jìn)行智能化的表征和改造，具備感知功能的游戲環(huán)境應(yīng)可以根據(jù)學(xué)習(xí)者的情緒和態(tài)度適時調(diào)整教學(xué)內(nèi)容交互的難度與趣味性，進(jìn)而有效避免倦怠情緒的產(chǎn)生與學(xué)習(xí)行為的提前中止（轉(zhuǎn)引自Lamba， Annettac， Vallettb， & Sadlerd， 2014）。

（四）人工智能教育應(yīng)用的典型模式探究

在智能時代，隨著機器對勞動力技能的不斷復(fù)制，知識等認(rèn)知技能已不再是教學(xué)的唯一標(biāo)準(zhǔn)，學(xué)生的創(chuàng)造力、社會交互能力、心理健康、解決問題能力等非認(rèn)知技能的作用越發(fā)凸顯。為此，美國已經(jīng)形成了以智能教學(xué)系統(tǒng)、智能學(xué)習(xí)系統(tǒng)和智能管理系統(tǒng)等為代表的人工智能教育應(yīng)用的典型模式 （見表3）。

其中，開發(fā)具有育人功能的“AI教師”是美國AIED研究的一個亮點趨勢，主要體現(xiàn)在對智能導(dǎo)師系統(tǒng)（ITS）功能升級的關(guān)注上?？偟膩碚f，傳統(tǒng)的ITS主要有“AI代理”（Agent）和“AI助手”（Assistant）兩種形式。無論是僅能代替教師重復(fù)性工作的“AI代理”，還是增強教師自動化處理的“AI助手”，均無法完全滿足教學(xué)育人工作的需要。在新形勢下，突破教師認(rèn)知極限的“AI教師”是教學(xué)育人工作對ITS提出的新要求，將成為人機協(xié)同教育的一種更高級形態(tài)（余勝泉， 等， 2019 b）。從功能上看，“AI教師”主要承擔(dān)人機協(xié)同過程中教育規(guī)則、策略等認(rèn)知信息的外包以及增強傳統(tǒng)教師的感知和認(rèn)知能力。可見，具有“AI教師”角色的新型ITS更加注重從重視知識教授向能力素養(yǎng)培育的過渡與轉(zhuǎn)型。

維內(nèi)特（Vernet， Nicolas， 2010）指出，為確保知識與相關(guān)能力素養(yǎng)的培育，建構(gòu)、定位、預(yù)測、強化將是未來ITS系統(tǒng)的主體框架，精準(zhǔn)整合學(xué)習(xí)者背景、學(xué)習(xí)風(fēng)格等各方面的信息則是系統(tǒng)優(yōu)化的關(guān)鍵問題。從文獻(xiàn)的梳理看，神經(jīng)網(wǎng)絡(luò)算法、粒子群優(yōu)化、案例推理、遺傳算法、蟻群系統(tǒng)、模糊算法等是美國學(xué)界為實現(xiàn)學(xué)習(xí)風(fēng)格等各方面信息精準(zhǔn)判斷涉及較多的智能算法，而位置、身份、時間、活動成為ITS對動態(tài)學(xué)習(xí)環(huán)境表征的關(guān)鍵要素。

基于上述對具有“AI教師”功能的ITS的構(gòu)想，我們可以將其育人的基本路徑作以下描述。首先，ITS通過對位置、身份不同時刻的屬性進(jìn)行組合或串接表征實現(xiàn)對學(xué)習(xí)者學(xué)習(xí)活動的實時感知;其次，根據(jù)學(xué)習(xí)者的不同學(xué)習(xí)風(fēng)格，從現(xiàn)實情景中快速提煉出問題要點及精準(zhǔn)整合信息，提供學(xué)習(xí)風(fēng)險預(yù)警;最后，依據(jù)教育學(xué)、心理學(xué)等知識建構(gòu)針對育人的綜合解決模型，實現(xiàn)對學(xué)習(xí)者在整個學(xué)習(xí)過程的動態(tài)、個性化的學(xué)習(xí)服務(wù)供給。從目前研究的進(jìn)展看，基于人工智能模糊邏輯算法的學(xué)習(xí)分析系統(tǒng)、基于本體論的計算機輔助項目庫、網(wǎng)絡(luò)智能導(dǎo)師等成為目前美國優(yōu)化ITS的主要成果。有研究表明，在學(xué)習(xí)干預(yù)效果方面，這些優(yōu)化的智能導(dǎo)師系統(tǒng)已經(jīng)具備了與人類導(dǎo)師同樣的功效（Vanlehn， 2011）。但是在整合與提煉問題信息方面，系統(tǒng)提取出的信息仍較為零散，ITS據(jù)此做出決策的準(zhǔn)確性仍需進(jìn)一步提高（田國會， 等， 2018）。可以預(yù)見，建立數(shù)據(jù)之間的完全聯(lián)系，實現(xiàn)對學(xué)習(xí)環(huán)境的準(zhǔn)確認(rèn)知，更加準(zhǔn)確地執(zhí)行服務(wù)任務(wù)，可能仍是美國學(xué)者對ITS持續(xù)關(guān)注的重要方向。

（五）學(xué)習(xí)空間的設(shè)計研究

人工智能助力下的教育正發(fā)生著重大變遷?；谌藱C協(xié)同的精準(zhǔn)教學(xué)使傳統(tǒng)學(xué)習(xí)方式突破了原有學(xué)習(xí)空間的局限，延伸至生活中的每一個角落，不僅使泛在學(xué)習(xí)、非正式學(xué)習(xí)、智慧學(xué)習(xí)等越來越多地出現(xiàn)在師生踐行學(xué)習(xí)的過程之中，成為人們挖掘教學(xué)創(chuàng)新的新途徑，而且也使教學(xué)內(nèi)容實現(xiàn)了由標(biāo)準(zhǔn)化向定制化轉(zhuǎn)變，使教育理念真正邁向終身全納（塔衛(wèi)剛， 等， 2018）。這種追求優(yōu)質(zhì)、個性的隨時隨地皆可學(xué)習(xí)的學(xué)習(xí)環(huán)境也對合理安排教學(xué)過程中所涉及的各種要素提出了新要求。

在正式學(xué)習(xí)的空間設(shè)計方面，傳統(tǒng)的智慧學(xué)習(xí)空間較多依賴文本信息，對語音、圖像以及非機打文本信息關(guān)注較少。對此，有學(xué)者嘗試?yán)脤崟r傳感器以及可實現(xiàn)情感識別的深度學(xué)習(xí)算法和云計算模塊對目前的智慧教室系統(tǒng)進(jìn)行重構(gòu)，借助網(wǎng)絡(luò)攝像頭、眼動儀等設(shè)備跟蹤學(xué)生的眼球運動和面部表情。實驗結(jié)果表明，重構(gòu)后的智慧教室系統(tǒng)實現(xiàn)了對演講訓(xùn)練者的實時監(jiān)測，幫助訓(xùn)練者及時糾正了不當(dāng)?shù)姆钦Z言行為，如手勢、面部表情和身體語言等，有效提高了演講質(zhì)量和記憶能力（Kim， Soyata， & Behnagh， 2018）。

在非正式學(xué)習(xí)空間的設(shè)計方面，遠(yuǎn)程教育、在線學(xué)習(xí)等非正式學(xué)習(xí)方式或?qū)⑹俏磥矸涸趯W(xué)習(xí)的主要形式。這種學(xué)習(xí)應(yīng)該是一種主動的學(xué)習(xí)、一種適合自己的學(xué)習(xí)、一種滿足自己需要的學(xué)習(xí)、一種可以得到最適合自己的教師幫助的學(xué)習(xí)。從本質(zhì)上說，這種學(xué)習(xí)將是一種人網(wǎng)融合的新形態(tài)教育，不能僅滿足于將課堂同步于網(wǎng)絡(luò)之中。這種新形態(tài)教育基于人工智能、大數(shù)據(jù)等技術(shù)，將重新建立起一種匯聚了各種名師教學(xué)以及各種優(yōu)質(zhì)資源的學(xué)習(xí)路徑共享網(wǎng)絡(luò)，并以學(xué)習(xí)分析技術(shù)形成智慧引導(dǎo)系統(tǒng)，以便可以及時發(fā)現(xiàn)學(xué)習(xí)中存在的問題，自動為學(xué)生提供適合的學(xué)習(xí)建議和路徑選擇指導(dǎo)（許亞鋒， 等， 2018）。有學(xué)者提出可以通過智能算法設(shè)置“閾值”的方式實現(xiàn)對價值不大資源的過濾，但是這種資源價值的判斷必須以數(shù)據(jù)格式的標(biāo)準(zhǔn)化存儲為前提，基礎(chǔ)性、使用頻次、典型性等均可以成為智能篩選的重要維度。在這個過程中，也可以根據(jù)學(xué)習(xí)過程中生成的學(xué)習(xí)者個性化學(xué)習(xí)畫像和學(xué)習(xí)軌跡，為學(xué)習(xí)者篩選出同質(zhì)或異質(zhì)學(xué)習(xí)伙伴，實現(xiàn)合作學(xué)習(xí)（Rose， et al.， 2017）。

四、美國“教育中的人工智能”的研究流變

利用軟件的“區(qū)視圖”功能可以將圖1所示的聚類圖按照關(guān)鍵詞首次出現(xiàn)的年份予以排序，而關(guān)鍵詞隨著年份的變化則可以直觀反映出美國AIED研究領(lǐng)域所關(guān)注的主題隨時間的演進(jìn)脈絡(luò)。這對把握人工智能技術(shù)在教育領(lǐng)域應(yīng)用的發(fā)展脈絡(luò)和前沿都具有重要意義。在關(guān)鍵詞區(qū)視圖中每一個圓形節(jié)點代表一個關(guān)鍵詞，而節(jié)點之間的連線代表關(guān)鍵詞之間的演變關(guān)系（見圖2）。

總體看來，美國“教育中的人工智能”研究的歷史基本保持了一個較為穩(wěn)定的延續(xù)演進(jìn)態(tài)勢。從時間線圖譜看，軟件能探測到AIED研究關(guān)鍵主題詞出現(xiàn)的最早年份為1993年，“閱讀困難”“空間”“閱讀技能”“系統(tǒng)”等主題詞開始在該年份成為學(xué)者關(guān)注的熱點;從時間線的走勢看，在后續(xù)年份出現(xiàn)的主題詞中并未出現(xiàn)新增主題詞或明顯的偏移現(xiàn)象，說明后續(xù)出現(xiàn)的高頻關(guān)鍵詞均從1993年出現(xiàn)的主題詞中演變而來，可以推斷1993年出現(xiàn)的熱點主題詞對后來AIED研究的發(fā)展具有重要的方向引領(lǐng)與鋪墊作用。

從研究發(fā)展趨勢看，2018年可能是美國教育中的人工智能發(fā)展的關(guān)鍵時間節(jié)點，18個高頻關(guān)鍵詞較為集中地出現(xiàn)在該年份，從歷年出現(xiàn)的關(guān)鍵詞數(shù)量上看，高居第一位，表明美國AIED研究正呈現(xiàn)出豐富多元的發(fā)展趨勢，其中“情感識別”“實時計算”“智慧教室”等研究主題開始在該年份凸顯出來?？梢灶A(yù)見，這些研究方向或?qū)⒃谖磥硎艿矫绹鴮W(xué)界的持續(xù)關(guān)注。

根據(jù)前文對表1關(guān)鍵詞的中心度呈現(xiàn)，關(guān)鍵詞“系統(tǒng)”“人工智能”在關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)知識圖譜中的影響力最大，中心度值最高，可以推測這兩個關(guān)鍵詞首次出現(xiàn)的年份即1993年，1998年是美國AIED研究發(fā)展較為關(guān)鍵的時間節(jié)點，這也在一定程度上印證了圖2所示1993年是關(guān)鍵時間節(jié)點的推斷，再結(jié)合表1，基本可以將美國AIED研究發(fā)展劃分為三個階段，而根據(jù)“高頻關(guān)鍵詞每年的不同代表著研究內(nèi)容的不斷切換”的區(qū)視圖規(guī)律與軟件所析的高被引文獻(xiàn)，我們可以概括出每個階段美國學(xué)者關(guān)注的重點與研究特征。

（一）專家系統(tǒng)的濫觴：教育實踐導(dǎo)向研究向度的確立（1981—1992年）

20世紀(jì)80年代初，美國針對人工智能與教育結(jié)合可能性的系統(tǒng)學(xué)術(shù)研究剛剛起步，學(xué)界研究當(dāng)時形成了兩個基本傾向：一是專家系統(tǒng)的研究成為共識;二是將致力解決實踐問題作為“教育中的人工智能”研究的主要目標(biāo)。究其原因，主要有兩點：其一，在技術(shù)應(yīng)用層面，受制于早期人工智能算法的缺陷，AI資助者的“浮夸性承諾”始終難以兌現(xiàn)，“通用型機器是海市蜃樓”的論斷逐漸成為學(xué)界共識，使得長期存在于美國學(xué)界的過于智能化的“人工智能可以綜合地復(fù)現(xiàn)人類思維能力”強AI目標(biāo)遭受重創(chuàng)（王彥雨， 2018）。其二，在先期可行性的探究層面，20世紀(jì)50年代以斯金納為代表的行為主義學(xué)者對程序教學(xué)機支持教學(xué)實踐的學(xué)理探討對后來智能教學(xué)機器的實踐產(chǎn)生了影響。實驗結(jié)果表明，程序教學(xué)機的邏輯符號系統(tǒng)與現(xiàn)實世界始終難以完全對應(yīng)，導(dǎo)致其在信息呈現(xiàn)、存儲、分析交互等方面表現(xiàn)不佳，限制了原本預(yù)期的適用領(lǐng)域（張志禎， 等， 2019 b）。因此，尋求更加有效的人工智能實踐路徑就成為學(xué)界在“教育中的人工智能”研究伊始亟須解決的首要問題。

博爾科（Borko， 1985）認(rèn)為，作為教育與人工智能結(jié)合的產(chǎn)物，ITS可以借鑒專家運用知識解決實際問題的過程，通過完善的知識庫與推理引擎實現(xiàn)教學(xué)問題的解決，幫助教師做出只有專家才能做出的科學(xué)決策，實現(xiàn)教育策略的定制;古德（Good. R）等認(rèn)為ITS、自動化測評系統(tǒng)在教學(xué)領(lǐng)域的使用應(yīng)該以傳遞知識、輔助學(xué)習(xí)者的知識構(gòu)建為核心目標(biāo)，該目標(biāo)的實現(xiàn)需要基于知識系統(tǒng)進(jìn)行解釋推理，知識是實現(xiàn)教育智能的前提（Good， 1987）。亞茨達(dá)尼（Yazdani， 1986）則更進(jìn)一步指出，若要真正達(dá)到輔助學(xué)習(xí)者并引導(dǎo)其知識體系形成的目標(biāo)，智能教學(xué)系統(tǒng)必須以追求高效、生動的人機交互為前提。這些交互離不開智能技術(shù)輔助教學(xué)過程中所涉及的影響學(xué)生知識學(xué)習(xí)效果的心理因素，如自我效能、動機、認(rèn)知策略等，這些因素對知識學(xué)習(xí)的促進(jìn)作用遠(yuǎn)超過支持學(xué)習(xí)和教學(xué)的技術(shù)工具本身。

可以說，教學(xué)與評價是該時期美國專家系統(tǒng)研究者較為青睞的領(lǐng)域，這或與前期程序教學(xué)機器的探索奠定了一定的學(xué)理基礎(chǔ)不無關(guān)系。在實現(xiàn)路徑上，學(xué)者們對智能教學(xué)機器的研究突破了傳統(tǒng)借助于邏輯推理的范式，將知識引導(dǎo)作為專家系統(tǒng)實現(xiàn)輔助教學(xué)的實踐方式。專家系統(tǒng)較大程度依賴于系統(tǒng)存儲的專家知識庫的知識引導(dǎo)，從這個角度講，美國該時期的“教育中的人工智能”研究就是圍繞如何實現(xiàn)系統(tǒng)存儲的教育知識應(yīng)用自動化而展開的。以教學(xué)知識應(yīng)用自動化實現(xiàn)教學(xué)問題的解決也就成為該時期學(xué)者研究的重要特征。值得一提的是，在該時期對專家系統(tǒng)進(jìn)行知識傳遞的研究進(jìn)程中，心理學(xué)層面的研究視角開始萌芽，為下一階段教育中的人工智能研究項目的深入奠定了基礎(chǔ)。

（二）機器學(xué)習(xí)的興起：研究視域的轉(zhuǎn)向與豐富（1993—1998年）

之所以在這一時期“教育中的人工智能”研究發(fā)生了研究視域的轉(zhuǎn)向，主要是因為專家系統(tǒng)存在難以彌合的缺陷。其一，過于狹隘的應(yīng)用方向。人工為系統(tǒng)提供知識是使用專家系統(tǒng)的前提，這就決定了使用專家系統(tǒng)進(jìn)行課程學(xué)習(xí)的本質(zhì)就是一個給定學(xué)科內(nèi)容的教學(xué)過程。其二，無法適用于教學(xué)的全部過程。安德森等（Anderson， Corbett， Koedinger， & Pelletier， 1995）指出，真正的教學(xué)過程是一個包含理解、轉(zhuǎn)化、教學(xué)、評價、反思和形成新的理解的完整階段，而對這個完整過程，專家系統(tǒng)僅對課堂教學(xué)與評價實現(xiàn)了自動化，對理解、反思卻能力有限?；谝陨蟽牲c，美國在該時期的“教育中的人工智能”研究開始從關(guān)注實現(xiàn)知識應(yīng)用的自動化向關(guān)注獲取知識自動化轉(zhuǎn)變。具體主要體現(xiàn)在對兩個問題的回答上。

對于為什么要研究系統(tǒng)能否通過學(xué)習(xí)、反思獲取知識，研究者們從系統(tǒng)評估的角度對該問題研究的必要性進(jìn)行了學(xué)理討論。威特等（Witt & Gish， 1996）認(rèn)為，從人力資本的角度而言，使專家系統(tǒng)實現(xiàn)知識獲取是智力資本升級的有效方式;耶魯大學(xué)的尚克等（Schank & Slade， 1991）則從教學(xué)發(fā)生的視角指出，在教師向?qū)W生傳遞已經(jīng)轉(zhuǎn)化為個體經(jīng)驗與觀念的知識的過程中，教師對知識的理解是會發(fā)生更新的，而以模擬教師輔導(dǎo)行為為本源特征的智能教學(xué)系統(tǒng)也需要建立心智模型，對最初輸入系統(tǒng)的知識進(jìn)行推理，不斷實現(xiàn)知識的重塑和修正。另外，認(rèn)知語言學(xué)的基本理論也為智能教學(xué)系統(tǒng)的完善提供了發(fā)展鏡鑒。羅格斯大學(xué)的肯德爾（Kendall， 1992 a）指出，隱喻作為人類理解抽象概念、認(rèn)知和表述未知概念的重要方式可以為教學(xué)機器的自然語言理解問題提供解決思路?？系聽柦ㄗh，通過創(chuàng)建通用的語義知識庫和專門的隱喻知識庫建立源域與未知概念目標(biāo)域之間的映射，實現(xiàn)教學(xué)系統(tǒng)對概念的認(rèn)知。

實現(xiàn)機器對知識的自主獲取及探尋建模方法是該時期美國學(xué)者關(guān)注的主要內(nèi)容。其中，統(tǒng)計模型與案例推理（CBR）成為該時期學(xué)者們研究與探究的主要方法，尤其是基于統(tǒng)計模型方法的提出，成為該時期研究者們對建模方法關(guān)注轉(zhuǎn)向的重要標(biāo)志。德州農(nóng)工大學(xué)的帕仁（Parzen， 1997）認(rèn)為，統(tǒng)計在智能教學(xué)系統(tǒng)使用的目的就是自主擴展知識庫，這主要體現(xiàn)在迭代算法可以實現(xiàn)對信息的提取，并在遞歸推理中得出有證據(jù)的結(jié)論，而案例推理則繼承和發(fā)展了前一時期基于知識引導(dǎo)的建模方式，主張通過提取源案例（Base case）解決不同新情境下的目標(biāo)案例（Target case），強調(diào)對相似案例求解結(jié)果的復(fù)用。在這一模型中，“什么程度才算相似”成為系統(tǒng)基于案例學(xué)習(xí)的關(guān)鍵。從文獻(xiàn)上看，屬性之間的相似程度成為學(xué)者們對“類比”定義的共識。如，肯德爾（Kendall， 1992 b）認(rèn)為兩個案例的客體是否一致是通過語義知識庫對未知抽象概念進(jìn)行解釋的關(guān)鍵;印第安納大學(xué)的萊克等（Leake & Ram， 1995）、匹茲堡大學(xué)的布坎南等（Buchanan， Moore， Forsythe， Carenini， & Ohlsson， 1995）則認(rèn)為求解問題是否相關(guān)決定了學(xué)生能否與系統(tǒng)實現(xiàn)信息的交流與互動。

可以說，研究目標(biāo)與研究方法的變化是此階段研究視域發(fā)生轉(zhuǎn)向的重要體現(xiàn)，而知識生產(chǎn)自動化的目標(biāo)導(dǎo)向與統(tǒng)計建模的出現(xiàn)則成為研究目標(biāo)與研究方法發(fā)生轉(zhuǎn)向的重要標(biāo)志。該時期“教育中的人工智能”研究的突出貢獻(xiàn)是將統(tǒng)計建模作為通過機器學(xué)習(xí)方式達(dá)到自動獲取知識目標(biāo)的方法路徑。事實表明，正是這種建模方式為后續(xù)的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)算法在教育領(lǐng)域的應(yīng)用提供了依據(jù)。

（三）優(yōu)質(zhì)與公正的追求：AIED研究的正式確立與深化（1999年至今）

21世紀(jì)伊始，人工智能的發(fā)展迎來巨變。深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的提出使知識獲取的方法向統(tǒng)計模型傾斜，綜合多維數(shù)據(jù)的泛在推理成為這個時期人工智能發(fā)展的根本特征。得益于新技術(shù)的推動，美國教育中的人工智能研究呈現(xiàn)出了新特征。

首先，在研究目的上，構(gòu)建全球課堂（Global Classroom）成為“教育中的人工智能”研究的新追求。伍爾夫等（Woolf， Lane， Chaudhri， & Kolodner， 2013）認(rèn)為，人工智能教育應(yīng)用的目標(biāo)就是構(gòu)建全球課堂。以人工智能與Moocs系統(tǒng)的結(jié)合為標(biāo)志，學(xué)者們圍繞通過人工智能實現(xiàn)全球課堂的構(gòu)建進(jìn)行了初步探究。之所以選擇Moocs作為全球課堂實踐的雛形，這與以提供一種支持泛在學(xué)習(xí)、深度參與的學(xué)習(xí)環(huán)境作為目標(biāo)的全球課堂和以致力于解決高等教育公平與普及化的教學(xué)質(zhì)量提升問題的Moocs在目的上的契合不無關(guān)系。泰金等（Tekin， Braun， & Van Der Schaar， 2015）以深度學(xué)習(xí)算法為基礎(chǔ)的輟學(xué)預(yù)測模型可以對Moocs學(xué)習(xí)過程中處于輟學(xué)邊緣的學(xué)生進(jìn)行個性化干預(yù)，改善了Moocs系統(tǒng)僅適應(yīng)具有一定知識背景和較高學(xué)習(xí)動機學(xué)習(xí)者的不足。除此之外，機器學(xué)習(xí)的局限性也間接推動了全球課堂研究導(dǎo)向的確立。以數(shù)據(jù)和算法為核心的機器學(xué)習(xí)改進(jìn)學(xué)習(xí)效果的有效與否過于依賴能否擁有大量的數(shù)據(jù)信息，Moocs的開放性給機器獲取充分的數(shù)據(jù)樣本提供了可能。

其次，在研究方向上，工程教育改革成為學(xué)界關(guān)注的重點領(lǐng)域。具體原因，一方面，以美國科學(xué)院、工程院聯(lián)合頒布的《21世紀(jì)CPS教育報告》為標(biāo)志，美國近年來工程教育改革愈演愈烈。積重難返的工程教育培養(yǎng)質(zhì)量薄弱問題促使研究者考慮如何使用新技術(shù)克服完成工程學(xué)位的障礙;另一方面，AI可以消除相關(guān)概念的抽象性，使學(xué)生切身感受到工程概念的真實應(yīng)用。有學(xué)者指出，構(gòu)建由計算機算法、網(wǎng)絡(luò)和物理組件無縫集成的系統(tǒng)工程環(huán)境將促進(jìn)航天工程專業(yè)學(xué)生創(chuàng)造力等高階思維的發(fā)展（Farook， Sekhar， Agrawal， Bouktache， & Ahmed， 2011）。對于軟件工程課程的學(xué)習(xí)，馬克西姆等（Maxim， Kaur， Apzynski， Edwards， & Evans， 2016）則以AI游戲平臺的形式實現(xiàn)了編程課堂的體驗式教育。結(jié)果表明，智能代理較好地解決了知識遷移問題，降低了學(xué)生對編程失敗的恐懼和焦慮。從以上實驗不難發(fā)現(xiàn)，人工智能對促進(jìn)優(yōu)質(zhì)工程教育的積極作用已經(jīng)成為多數(shù)學(xué)者的共識，但也有學(xué)者提出了質(zhì)疑?；赟TEM教育既有的跨學(xué)科特征，柯林斯等（Collins， et al.， 2015）認(rèn)為，如果研究者不能擁有同教師同等的重構(gòu)教學(xué)的權(quán)利或?qū)⑹怪悄芟到y(tǒng)無法在實際教學(xué)中普及。

最后，在研究內(nèi)容上，側(cè)重研究反思與教學(xué)理論的總結(jié)成為新時期研究的重要亮點。以貝克等1999年《Bringing back the AI to AI & ED》一文的發(fā)表為標(biāo)志，美國學(xué)界首次有學(xué)者開始對先前研究進(jìn)行反思。該文獻(xiàn)認(rèn)為無論是過去的機器學(xué)習(xí)研究還是智能系統(tǒng)研究都過于側(cè)重建模方法，缺少從學(xué)習(xí)發(fā)生視角進(jìn)行的討論，這種緣木求魚的研究取向或僅能使人工智能教育應(yīng)用停留在實驗室中，對教師的借鑒價值有限（Beck & Stern， 1999）?？梢哉f，該研究指出先前研究存在側(cè)重“教學(xué)之上的技術(shù)”的局限。同年，塞爾夫（Self， 1999）在綜合反思先前ITS研究與技術(shù)新發(fā)展的基礎(chǔ)上首次對AIED概念進(jìn)行了明確厘定。他認(rèn)為，AIED應(yīng)以使用精準(zhǔn)的計算和清晰的形式表示學(xué)習(xí)過程中含糊不清的知識與全面深入地理解學(xué)習(xí)過程為目標(biāo)，通過智能工具的有意義使用為學(xué)習(xí)者的高效學(xué)習(xí)和真實體驗提供支持，提升教學(xué)效率，促進(jìn)教育公平?？梢哉f，這兩個標(biāo)志性成果的發(fā)布對AIED研究發(fā)展具有里程碑意義，標(biāo)志著AIED研究開始由最初的學(xué)術(shù)探討向獨立研究方向的轉(zhuǎn)型。具體體現(xiàn)在以下兩點：

其一，側(cè)重對有效使用技術(shù)規(guī)律的總結(jié)，注重對“技術(shù)之上的教學(xué)”規(guī)律的反思。以學(xué)者對AI教學(xué)法（Pedagogy）的闡釋為標(biāo)志。當(dāng)面對數(shù)學(xué)、物理和編程等相關(guān)STEM學(xué)科中過于抽象的教學(xué)內(nèi)容的困擾時，可以嘗試基于無人機的學(xué)習(xí)（Drone-based learning），但需要考慮環(huán)境、設(shè)備的因素，教師也需要給予引導(dǎo)，避免學(xué)生過于沉迷對機器的控制而忽視學(xué)習(xí)內(nèi)容（Hsu， 2015）;當(dāng)教學(xué)注重學(xué)習(xí)過程中的體驗而非結(jié)果時，可以通過趣悅學(xué)習(xí)（Playful Learning）引導(dǎo)學(xué)生從不同角度探索問題（Michael， 2001）;在對大學(xué)生傳授創(chuàng)意、設(shè)計類的教學(xué)內(nèi)容時，使用虛擬工作室的學(xué)習(xí)（Virtual Studios）可能效果更佳（Kunnath， 2016）。

其二，不少研究者以先前研究為資料來源，通過綜述或元分析的實證方法拓展理論層面上的AIED研究。學(xué)習(xí)、情感等理論的最新發(fā)展對先前研究的反思提供了重要視角。掌握學(xué)習(xí)理論認(rèn)為，在掌握學(xué)習(xí)與個性化輔導(dǎo)策略綜合干預(yù)下的學(xué)生成績比傳統(tǒng)方式干預(yù)下的學(xué)生成績高出兩個完整的標(biāo)準(zhǔn)差。對此，羅爾等（Roll & Wylie， 2016）指出，實現(xiàn)學(xué)生成績表現(xiàn)的“two-sigma”效應(yīng)是人工智能變革教育績效的標(biāo)準(zhǔn)與追求，而掌握學(xué)習(xí)理論可以作為個性化教學(xué)系統(tǒng)研究的理論基礎(chǔ)。在此基礎(chǔ)上，他通過元分析對1990年以來的AI輔助教育實踐總結(jié)后認(rèn)為，在掌握學(xué)習(xí)情境下，交互風(fēng)格、知識屬性、教學(xué)目標(biāo)均會對消除成績差異有不同程度的影響，而作為對情感、元認(rèn)知等最新研究成果向教育中的人工智能領(lǐng)域的遷移的回應(yīng)，基于共同學(xué)習(xí)的智能陪伴成為人機協(xié)同教學(xué)的核心特征?？四返龋↘im & Baylor， 2016）基于扎根理論對以智能代理為主題的文獻(xiàn)進(jìn)行文本挖掘分析，發(fā)現(xiàn)智能代理的角色存在“分裂效應(yīng)”，即角色維度的數(shù)量與學(xué)生的負(fù)面情緒有直接關(guān)系。將合并的智能代理角色拆分為情感代理和激勵代理時對程序性知識學(xué)習(xí)動機的增強效果更優(yōu)，因此，要注意降低角色的多面性。但在STEM教學(xué)中，角色的多維性卻對K12階段的女性學(xué)生有更強的情感與動機支持。

五、美國“教育中的人工智能”研究的特征與反思

（一）研究重點的演變：從注重過程轉(zhuǎn)為強調(diào)結(jié)果

從某種意義而言，知識是早期美國教育實現(xiàn)智能化的重要前提。無論是最早的教育專家系統(tǒng)還是后來的機器學(xué)習(xí)模型，學(xué)者們希望教學(xué)系統(tǒng)通過對完備專家知識的自主獲取與應(yīng)用實現(xiàn)對實際教學(xué)問題的解決。然而，在近年教育技術(shù)領(lǐng)域逐漸從“使用技術(shù)”向“有效使用技術(shù)”轉(zhuǎn)變的背景下，尤其是傳統(tǒng)技術(shù)始終沒有徹底解決的“公平享受技術(shù)帶來的優(yōu)質(zhì)體驗”歷史遺留問題，人工智能技術(shù)承載著這一久治未愈的問題可以隨著技術(shù)進(jìn)步而得到解決的美好期待，因此學(xué)者們愈發(fā)強調(diào)使用智能系統(tǒng)改善學(xué)習(xí)的績效問題。如，近年來研究越發(fā)明確要實現(xiàn)學(xué)生成績表現(xiàn)的“two-sigma”效應(yīng)，實現(xiàn)全球課堂環(huán)境的構(gòu)建。這種演變既有教育公平與卓越要求的驅(qū)動，也是AIED從最初的學(xué)理探討向一個獨立研究方向轉(zhuǎn)變的學(xué)科內(nèi)在邏輯發(fā)展的結(jié)果。

（二）研究目標(biāo)的更新：凸顯學(xué)生成功為目標(biāo)的研究導(dǎo)向

作為對全球競爭激烈和難以完全兌現(xiàn)教育公平愿景的回應(yīng)，“質(zhì)量優(yōu)先，確保公平”已經(jīng)成為美國教育的新追求。正如《每個孩子成功法》（ESSA）指出“通過推進(jìn)教育卓越和確保公平，促進(jìn)學(xué)生提高成績，為全球競爭做好準(zhǔn)備應(yīng)是美國教育的核心使命”（U. S. Department of Education， 2016）。而這反映到教育技術(shù)領(lǐng)域就是關(guān)注如何有效使用技術(shù)促進(jìn)學(xué)生成功。如近年來美國學(xué)界已然形成了新技術(shù)促進(jìn)學(xué)業(yè)成績要高于傳統(tǒng)方式干預(yù)下的學(xué)生成績兩個完整標(biāo)準(zhǔn)差的共識;為了克服Moocs發(fā)展過程中存在的低臨場感、高退出率的不足，研究者們又積極推進(jìn)情感設(shè)計、個性化學(xué)習(xí)路徑推薦等技術(shù)與公共教育體系的融合?？梢姡龠M(jìn)學(xué)業(yè)進(jìn)步、提高學(xué)生留存等已成為學(xué)者們對新技術(shù)變革教育的主要期待，有事實表明，這種學(xué)生成功的研究導(dǎo)向或?qū)⑦M(jìn)一步深化。2019年美國教育科學(xué)研究院（IES）發(fā)布的《利用技術(shù)支持大學(xué)生學(xué)習(xí)》（Using Technology to Support Post-secondary Student Learning from the What Works Clearinghouse）報告對未來有效使用技術(shù)支持學(xué)習(xí)的建議指出，“技術(shù)可提供在大學(xué)內(nèi)外取得成功的關(guān)鍵社會聯(lián)系，技術(shù)的提供應(yīng)與學(xué)習(xí)成果的目標(biāo)相結(jié)合，對此，我們需要更加嚴(yán)謹(jǐn)?shù)募夹g(shù)干預(yù)對學(xué)生成功影響的研究”（Frye & Costelloe， 2019）。

（三）研究方法的變化：從以質(zhì)性描述為主轉(zhuǎn)變?yōu)槠蛄炕瘜嵶C研究

從歷史發(fā)展看，20世紀(jì)90年代后，技術(shù)硬件的無力與專家系統(tǒng)難以彌合的缺陷使得學(xué)界亟須扭轉(zhuǎn)已經(jīng)陷入瓶頸的傳統(tǒng)AIED研究思路。在此背景下，研究者以系統(tǒng)評估的視角將機器“應(yīng)可以自主獲取知識”作為當(dāng)時研究的側(cè)重目標(biāo)，提出了諸如“兩個案例的客體屬性是否相同、待解決的問題是否相關(guān)”等實現(xiàn)機器自主學(xué)習(xí)的主要設(shè)計思路?？梢哉f，歸納推演成為先前研究者進(jìn)行系統(tǒng)建模及機器獲得解釋性理解的主要方式。但當(dāng)有學(xué)者指出這種研究取向“存在過于側(cè)重對系統(tǒng)建模構(gòu)建的缺陷”時，美國學(xué)界的研究視角逐漸向聚焦“技術(shù)之上的教學(xué)”過渡，從研究熱點看近年來美國學(xué)界已經(jīng)完成了研究關(guān)注的轉(zhuǎn)向。尤其是深度學(xué)習(xí)算法的出現(xiàn)使得基于數(shù)據(jù)統(tǒng)計的建模思路逐漸取代基于案例推理的建模方法成為研究者關(guān)注的新思路，教育數(shù)據(jù)也相應(yīng)成為研究者關(guān)注的重心。在實踐層面，研究者積極嘗試圍繞教育數(shù)據(jù)驅(qū)動形成如教學(xué)機器人、智能批改、學(xué)習(xí)者數(shù)字肖像、智能導(dǎo)師等典型應(yīng)用場景，通過對數(shù)據(jù)的分析實現(xiàn)了“技術(shù)之上的教學(xué)”規(guī)律的總結(jié);在理論層面，也有不少研究者選擇元分析方法對先前研究資料進(jìn)行回顧，對影響智能系統(tǒng)改善學(xué)生成績效果的可能因素進(jìn)行總結(jié)，并將此作為理論增長的重要方式。

（四）美國“教育中的人工智能”研究的反思與不足

從前文對美國AIED研究的熱點與歷史發(fā)展的回溯看，重視人工智能與教育質(zhì)量、學(xué)習(xí)效果之間的關(guān)系的研究已經(jīng)成為當(dāng)前美國學(xué)界進(jìn)行AIED研究的主流趨向。教育研究的重要價值之一就是促進(jìn)教育理論向教育實踐的轉(zhuǎn)化。換言之，AIED研究的重要意義就在于使人工智能可以最大限度地兌現(xiàn)其改善教學(xué)績效的潛力作用。梅耶曾言，任何一種藝術(shù)在被引入教學(xué)領(lǐng)域時，都會被人寄予巨大期望（轉(zhuǎn)引自任友群， 等， 2019 a）。但有研究卻指出，從先前技術(shù)的使用效果看，技術(shù)改善教學(xué)績效的實際效果未如預(yù)期，而有關(guān)技術(shù)對學(xué)習(xí)實際影響研究的缺乏是造成技術(shù)未能發(fā)揮其改變教育潛力的重要原因（任友群， 等， 2019 b）。從前文對美國AIED研究熱點與演進(jìn)的梳理看，美國學(xué)界已經(jīng)注意到了人工智能改善實際教育效果的復(fù)雜性，更加注重對人工智能在實際教學(xué)環(huán)境中使用績效的研究。如，在研究熱點方面，美國學(xué)界近年來開始聚焦游戲化學(xué)習(xí)環(huán)境中智能代理的角色研究、情緒感知的教學(xué)實踐研究等熱點方向;在研究視角方面，美國學(xué)界更加強調(diào)“學(xué)習(xí)發(fā)生視角”;在教學(xué)策略與方法方面，更加注重對不同領(lǐng)域、學(xué)科使用人工智能支持教學(xué)可采用的不同教學(xué)方法的總結(jié)以及將學(xué)生成績表現(xiàn)的“two-sigma”效應(yīng)作為研究績效的重要追求。這些都表明，美國學(xué)界可能已經(jīng)意識到了技術(shù)改善教學(xué)的潛力與技術(shù)改善實際教學(xué)效果之間存在的鴻溝，而與技術(shù)有關(guān)的教育研究也難以得出普適性的結(jié)論與策略，體現(xiàn)出美國學(xué)界對人工智能與實際教學(xué)績效之間關(guān)系的關(guān)注。相較于先前有關(guān)技術(shù)對學(xué)習(xí)實際影響研究的缺乏，當(dāng)前美國學(xué)界對AIED的研究無疑是明顯進(jìn)步了。

不過，通過梳理相關(guān)研究文獻(xiàn)發(fā)現(xiàn)，美國“教育中的人工智能”研究仍存在一些不足。第一，對部分下位概念邊界的界定尚不明確。其中最明顯的證據(jù)就是“智慧教育”概念的邊界模糊。有學(xué)者將“智慧教育”理解成是運用智能化技術(shù)的智慧教育，但也有學(xué)者從智能概念的視角將智慧教育理解成是一種以培養(yǎng)人的高階思維能力為目標(biāo)的教育，這兩種理解一種側(cè)重于教育方式，一種側(cè)重于教育結(jié)果，二者是有明顯不同的。第二，在理論層面，雖然近年來有學(xué)者開始注重AIED理論的拓展與豐富，但總體而言，基于先前實證研究的反思在美國AIED理論研究中所占比例較大，較少有學(xué)者將人工智能教育應(yīng)用與社會文化、技術(shù)哲學(xué)、人類學(xué)結(jié)合起來進(jìn)行探究，在一定程度上使AIED理論研究缺少了一個重要維度。第三，在研究對象上，過于偏向大學(xué)生群體，針對基礎(chǔ)教育階段的研究不多?；蛟S有四個方面的原因：①受美國近年來“以學(xué)生為中心”本科教學(xué)（SC）改革潮流的帶動;②受人工智能對勞動力市場巨大沖擊的驅(qū)使;③在教學(xué)內(nèi)容重構(gòu)方面，大學(xué)需要根據(jù)社會分工的變化重新整合設(shè)置專業(yè)，相較于基礎(chǔ)教育，高等教育學(xué)習(xí)內(nèi)容整合改變的自主性更大;④受限于學(xué)生的年齡特征，倫理、安全因素對基礎(chǔ)教育的影響更大。

[參考文獻(xiàn)]

曹曉明. 2018. “智能+”校園：教育信息化2.0視域下的學(xué)校發(fā)展新樣態(tài)[J]. 遠(yuǎn)程教育雜志，36（04）：57-68.

胡藝齡，胡夢華，顧小清. 2018. 兼容并包：從多元走向開放創(chuàng)新——美國AERA 2018年會述評[J]. 遠(yuǎn)程教育雜志，36（05）：15-26.

梁迎麗，梁英豪. 2019. 人工智能時代的智慧學(xué)習(xí)：原理、進(jìn)展與趨勢[J]. 中國電化教育（02）：16-21.

牟智佳，王衛(wèi)斌，李雨婷，等. 2018. MOOCs環(huán)境下個性化學(xué)習(xí)需求預(yù)測建模與仿真——系統(tǒng)動力學(xué)的視角[J]. 電化教育研究，39（11）：29-37.

任友群，萬昆，馮仰存. 2019. 促進(jìn)人工智能教育的可持續(xù)發(fā)展——聯(lián)合國《教育中的人工智能：可持續(xù)發(fā)展的挑戰(zhàn)和機遇》解讀與啟示[J]. 現(xiàn)代遠(yuǎn)程教育研究（05）：3-10.

塔衛(wèi)剛，張際平. 2018. 我國學(xué)習(xí)空間研究的進(jìn)展與前瞻——兼論“人工智能+教育”視域下學(xué)習(xí)空間未來發(fā)展[J]. 遠(yuǎn)程教育雜志，36（06）：31-40.

田國會，王曉靜，張營. 2018. 一種家庭服務(wù)機器人的環(huán)境語義認(rèn)知機制[J]. 華中科技大學(xué)學(xué)報（自然科學(xué)版），46（12）：18-23.

許亞鋒，高紅英. 2018. 面向人工智能時代的學(xué)習(xí)空間變革研究[J]. 遠(yuǎn)程教育雜志，36（01）：48-60.

閆志明，唐夏夏，秦旋，等. 2017. 教育中的人工智能（EAI）的內(nèi)涵、關(guān)鍵技術(shù)與應(yīng)用趨勢——美國《為人工智能的未來做好準(zhǔn)備》和《國家人工智能研發(fā)戰(zhàn)略規(guī)劃》報告解析[J]. 遠(yuǎn)程教育雜志，35（01）：26-35.

余勝泉，彭燕，盧宇. 2019. 基于人工智能的育人助理系統(tǒng)——“AI好老師”的體系結(jié)構(gòu)與功能[J]. 開放教育研究，25（01）：25-36.

余勝泉，王琦. 2019. “AI+教師”的協(xié)作路徑發(fā)展分析[J]. 電化教育研究，40（04）：14-22，29.

王彥雨. 2018. 基于歷史視角分析的強人工智能論爭[J]. 山東科技大學(xué)學(xué)報（社會科學(xué)版），20（06）：16-27，35.

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)自動化的必然與可能[J]. 中國遠(yuǎn)程教育（01）：25-35，92.

張志禎，張玲玲，羅瓊菱子，等. 2019. 人工智能教育應(yīng)用的實然分析：教學(xué)自動化的方法與限度[J]. 中國遠(yuǎn)程教育（03）：1-13，92.

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

Bassi， R.， Daradoumis， T.， Xhafa， F.， Caballe， S.， Sula， A. （2014）. Software Agents In Large Scale Open E-learning： A Critical Component For The Future Of Massive Online Courses. International Conference on Intelligent Networking and Collaborative Systems （pp. 184-188）.

Beck， Je.， Stern， Mk. （1999）. Bringing Back The AI To AI & ED. Artificial Intelligence in Education： Open Learning Environments： New Computational Technologies to Support Learning， Exploration and Collaboration， （50）， 233-240.

Borko， H. （1985）. Artificial-intelligence And Expert Systems Research And Their Possible Impact On Information-science Education. Education for Information， 3（2）， 103-114.

Buchanan， Bg.， Moore， Jd.， Forsythe， De.， Carenini， G.， Ohlsson， S. （1995）. An Intelligent Interactive System For Delivering Individualized Information To Patients. Artificial Intelligence in Medicine， 7 （2）， 117-154.

Collins， Dl.， Santiago， Ng.， Huyke， H.， Papadopoulos， C.， Vega-Riveros， Jf.， Nieves-Rosa， A.， et al. （2015）. Increasing Student Engagement Through The Development Of Interdisciplinary Courses： Linking Engineering And Technology， The Sciences， And The Humanities. 2015 Frontiers in Education Conference （FIE） （pp. 912-916）.

Ellis， G.， Rudnitsky， A.， Moriarty， M. （2010）. Theoretic Stories： Creating Deeper Learning In Introductory Engineering Courses. International Journal of Engineering Education， 26 （5）， 1072-1082

Farook， O.， Sekhar， Cr.， Agrawal， Jp.， Bouktache， E.， Ahmed， A. （2011）. Computer Engineering Technology Program - A Curriculum Innovation Initiative. Asee Annual Conference & Exposition.

Freedman， R. （2018）. Evolution Of Methods Of Evaluation In Ai In Education. Intelligent Tutoring Systems， 428-430.

Frye， M.， Costelloe， S. （2019， May 24）. Using Technology to Support Postsecondary Student Learning from the What Works Clearinghouse. Retrieved July 1， 2019， from https：//ies.ed.gov/blogs/ncee/post/leading-experts-provide-evidence-based-recommendations-on-using- technology-to-support-postsecondary-student-learning

Good， R. （1987 April）. Artificial-intelligence And Science-education. Journal of Research in Science Teaching， 24 （4）， 325-342.

Handoko， E.， Robin， R.， Mcneil， G.， Gronseth， S.， Phan， T.， Zhang， H. Y. （2018）. Igniting the Massive Population Potential： The Role of Self Regulated Learning in Student Achievement in MOOCs. New York： Annual Conference of the American Educational Research Association.

Hsu， Wh. （2015）. Creating Open Source Lecture Materials： A Guide To Trends， Technologies， And Approaches In The Information Sciences. Stem Education： Concepts， Methodologies， Tools， and Applications， 68-94.

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.

Kendall， Je. （1992）. Using Metaphors To Enhance Intelligence In Information-systems - Rationale For An Alternative To Rule-based Intelligence. Ifip Transactions a-computer Science and Technology， （14）， 213-219.

Kim， Y.， Soyata， T.， Behnagh， R. F. （2018， January 10）. Towards Emotionally Aware AI Smart Classroom： Current Issues and Directions for Engineering and Education. IEEE Access， （6）， 5308-5331.

Kim， Y.， Baylor， Al. （2016）. Research-based Design Of Pedagogical Agent Roles： A Review， Progress， And Recommendations. International Journal of Artificial Intelligence in Education， 26 （1）， 160-169.

Kunnath， Mla. （2016）. Virtualized Higher Education： Where E-learning Trends And New Faculty Roles Converge Towards Personalization. International Conference on Information Society （i-society 2016） （pp.109-114）.

Kurshan， B. （2017， May 31）. The future of artificial intelligence in education. Retrieved June 20， 2019， from http：//www.forbes.com/sites/barbarakurshan/2016/03/10the-future-of-artificial-intelligence-in-education/#9e3113d2e4d8

Lamba， R.， Annettac， L.， Vallettb， D.， Sadlerd， T. （2014）. Cognitive diagnostic like approaches using neural-network analysis of serious educational videogames. Computers & Education， （70）， 92-104.

Leake， Db.， Ram， A. （1995）. Learning， Goals， And Learning-goals - A Perspective On Goal-driven Learning. Artificial Intelligence Review， 9 （6）， 387-422.

Li， J.， Wong， Y.， Kankanhali， M. S. （2016）. Multi-stream Deep Learning Framework for Automated Presentation Assessment. 2016 IEEEIntl. Symp. Multimedia （pp. 222-225）.

Matkin， G. W. （2014）. Mooc Research： What Can We Learn And How？. 7th International Conference of Education， Research and Innovation （pp.5276-5281）.

Maxim， Br.， Kaur， R.， Apzynski， C.， Edwards， D.， Evans， E. （2016）. An Agile Software Engineering Process Improvement Game. 2016 IEEE Frontiers in Education Conference （FIE）.

Michael， J. （2001）. In Pursuit Of Meaningful Learning. Advances In Physiology Education， 25 （3）， 145-158.

Parzen， E. （1997）. Data Mining， Statistical Methods Mining， And History Of Statistics. Mining and Modeling Massive Data Sets in Science， Engineering， and Business With a Subtheme in Environmental Statistics， 29 （1）， 365-374.

Roll， I.， Wylie， R. （2016）. Evolution And Revolution In Artificial Intelligence In Education. International Journal of Artificial Intelligence in Education， 26 （2）， 582-599.

Rose， L.， Manolis， M.， Mutlu， C.， Kaska P. P.，Wayne， H.， Bart， R.， et al. （2017）. How Do We Unleash AIED at Scale to Benefit All Teachers and Learners？. Artificial Intelligence in Education， （10）， 665-667.

Sahami， M.， Desjardins， M.， Dodds， Z. Neller， T. （2011）. Neller T.educational Advances In Artificial Intelligence. Proceedings of the 42nd ACM Technical Symposium on Computer Science Education （pp. 81-82）.

Saltzman， E.， Davis， A. R.， Homer， B. D. （2018）. Exploring Collaborative Learning with a Geometry Video Game： The Role of Elaboration and Game Mechanics. New York： Annual Conference of the American Educational Research Association.

Schank， Rc.， Slade， Sb. （1991）. The Future Of Artificial-intelligence - Learning From Experience. Applied Artificial Intelligence， 5 （1）， 97-107.

Self， J. （1999）. The Defining Characteristics Of Intelligent Tutoring Systems Research： ITSs care， precisely. International Journal of Artificial Intelligence in Education， （10）， 350-364.

Tekin， C.， Braun， J.， Van Der Schaar， M. （2015）. Etutor： Online Learning For Personalized Education. 2015 IEEE International Conference on Acoustics， Speech， and Signal Processing （ICASSP） （pp. 5545-5549）.

U. S. Department of Education. （2016， January 1）. Every Student Succeeds Act. Retrieved July 1， 2019， from http：//www.ed.gov/essa？src=policy

Vanlehn， K. （2011）. The Relative Effectiveness of Human Tutoring ，Intelligent Tutoring Systems， and Other Tutoring Systems. Educational Psychologist， （4）， 197-221.

Vernet， D.， Nicolas， R. （2010）. Work in Progress-Intelligence Tutouing Systerm Framework for the Acquisition of Knowledge and Competences. NewYork： 2010 IEEE Frontiers in Education Conference （pp. 1-2）.

Witt， J.， Gish，J. （1996）. Intelligent Advisor To Assist Extruder Operators： A Case Study. Journal of Plastic Film & Sheeting， 12 （3）， 180-194.

Woolf， BP.， Lane， HC.， Chaudhri， VK.， Kolodner， JL. （2013）. AI Grand Challenges for Education. AI Magazine， 34 （4）， 66-84.

Yazdani， M. （1986 May）. Lawler RwArtificial-intelligence And Education - An Overview. Instructional Science， 14 （3/4）， 197-206.

Zhang， Z.， Zhang， Ms.， Chang， Yz.， Esche， S. K.， Chassapis， C. （2016， March 7）. A Smart Method For Developing Game-based Virtual Laboratories. Houston： Proceedings of the ASME International Mechanical Engineering Congress and Exposition， （5）.