屠露潔 張海 楊絮 李思維

學(xué)習(xí)科學(xué)領(lǐng)域是一個跨學(xué)科領(lǐng)域，包括心理學(xué)、社會學(xué)、計算機(jī)科學(xué)、教育和認(rèn)知科學(xué)，研究人員提供了各種各樣的理論和方法來探索如何更好地理解和支持教學(xué)過程。隨著“智能化領(lǐng)跑教育信息化2.0”逐漸取得共識，“教育中的人工智能”（Artificial Intelligence in Education， AIED）研究已經(jīng)被認(rèn)為是教育信息化的一種高端形態(tài)。近年來，人工智能在教育領(lǐng)域的應(yīng)用研究數(shù)量和質(zhì)量都在增加，很多系統(tǒng)被證明對學(xué)生的學(xué)習(xí)有顯著的積極影響。而這些系統(tǒng)的成功，主要是由于學(xué)習(xí)科學(xué)研究成果在設(shè)計中的成功應(yīng)用。

然而，大多數(shù)商業(yè)人工智能開發(fā)者對學(xué)習(xí)科學(xué)研究和教學(xué)知識仍知之甚少。因此，為了確保用于教育和培訓(xùn)的人工智能技術(shù)能夠體現(xiàn)其優(yōu)勢，并符合學(xué)習(xí)科學(xué)原則，必須在人工智能開發(fā)人員、教育工作者和研究人員等利益相關(guān)者間建立通暢的溝通渠道和合作關(guān)系。本文將通過兩個案例說明了這種合作方式如何展開。

案例1：學(xué)習(xí)科學(xué)驅(qū)動的數(shù)據(jù)采集環(huán)境設(shè)計：PELARS項(xiàng)目 （http：//www.pelars.eu）

PELARS項(xiàng)目設(shè)計了一個數(shù)據(jù)采集學(xué)習(xí)環(huán)境，在實(shí)踐活動中，使用多個傳感器來收集數(shù)據(jù)，從而獲取一系列關(guān)于學(xué)生交互的數(shù)據(jù)。該學(xué)習(xí)環(huán)境容納四名學(xué)生和一名收集數(shù)據(jù)的研究人員，收集的數(shù)據(jù)包括來自Arduino物理計算工具包的日志文件、面部和目標(biāo)跟蹤（框標(biāo)），自我報告數(shù)據(jù)能通過兩個大按鈕傳輸，學(xué)生可以按下按鈕來表示情緒（積極或消極）。網(wǎng)絡(luò)和移動工具也可供學(xué)生記錄他們的活動。學(xué)生可以通過一個移動設(shè)備輸入簡短的文本來記錄他們解決問題的過程，通過該設(shè)備他們還可以捕獲照片和視頻。

這個案例表明，研究者可以收集數(shù)據(jù)，并通過學(xué)習(xí)科學(xué)研究的方式進(jìn)行分析。在PELARS項(xiàng)目中，研究者基于學(xué)習(xí)科學(xué)文獻(xiàn)梳理出了有效的協(xié)作問題解決過程的四個可觀測特征——同步性、平等性、互動性和個體問責(zé)性，然后設(shè)計了一個能夠自動檢測這些特征的多模態(tài)學(xué)習(xí)分析系統(tǒng)。此項(xiàng)目探索了學(xué)習(xí)科學(xué)中的四個概念——同步性、個人問責(zé)性、平等性和個體內(nèi)變異，這些概念通過學(xué)生身體互動的非語言指標(biāo)來解釋，用以確定學(xué)生的協(xié)作問題解決能力。研究顯示，協(xié)作問題解決高能力組的學(xué)生在身體互動方面表現(xiàn)出較高且均勻的個體得分，而在個體差異方面表現(xiàn)出較低且均勻的得分。協(xié)作問題解決高能力小組的學(xué)生也有較高的同步性和個人責(zé)任感。

案例2：基于智能教育評價框架的整合環(huán)境設(shè)計法則：CENTURY Tech（https：//www.century.tech）

澳大利亞的新南威爾士州教育部為了評估人工智能教育技術(shù)而制定了《教學(xué)法案》（TALA）框架。TALA確定了人工智能教育者和學(xué)習(xí)者需要進(jìn)行的基本教學(xué)活動。特定的人工智能教育技術(shù)支持的教學(xué)活動可以根據(jù)TALA框架編制索引，以幫助教育者利用人工智能來解決他們的學(xué)生面臨的教育挑戰(zhàn)。圖1為TALA框架。

世紀(jì)科技（CENTURY Tech）是一個商業(yè)AI平臺，大量使用了智能教育評價框架，進(jìn)行了整合環(huán)境設(shè)計，從而實(shí)現(xiàn)了通過為教師提供個性化學(xué)習(xí)、實(shí)時數(shù)據(jù)和減少工作量的方式，提高學(xué)習(xí)者的學(xué)習(xí)效率，縮小優(yōu)勢學(xué)習(xí)者和弱勢學(xué)習(xí)者之間的成績差距的目的。圖2說明了世紀(jì)科技對TALA框架的部分應(yīng)用。

總之學(xué)習(xí)科學(xué)這一跨學(xué)科研究有助于了解人類學(xué)習(xí)方式，可以更好地指導(dǎo)用于教育和培訓(xùn)的人工智能（AI）技術(shù)的發(fā)展。本文通過介紹兩個基于學(xué)習(xí)科學(xué)的教育應(yīng)用設(shè)計案例，說明了學(xué)習(xí)科學(xué)如何在信息分析、數(shù)據(jù)提供、教學(xué)支持等方面，幫助智能教育更好地設(shè)計AI算法來快速分析豐富的教育數(shù)據(jù)，從而為學(xué)習(xí)者提供更快、更細(xì)致、更個性化的“腳手架”。

參考文獻(xiàn)：

[1]蔣鑫，朱紅艷，洪明.美國“教育中的人工智能”研究：回溯與評析[J].中國遠(yuǎn)程教育，2020（02）：9-20+48.

[2]Koedinger，K.R.，Corbett，A.T.，&Perfetti，C.The Knowledge-Learning-Instruction framework：Bridging the science-practice chasm to enhance robust student learning[J].Cognitive Science，2012，36（05），757-798.

[3]Katterfeldt， E. S.，Cukurova， M.，Spikol，D.，&Cuartielles，D.Physical computing with plug-and-play toolkits： Key recommendations for collaborative learning implementations[J].International Journal of Child-Computer Interaction，2018（17），72-82.

[4]Spikol，D.，Ruffaldi，E.，Dabisias，G.，& Cukurova，M.Supervised machine learning in multimodal learning analytics for estimating success in project-based learning[J].Journal of Computer Assisted Learning， 2018，34（09），1375-1386.

本項(xiàng)研究受到吉林省教育廳“十三五”社會科學(xué)研究規(guī)劃項(xiàng)目重點(diǎn)課題“基于數(shù)據(jù)挖掘的卓越教師能力結(jié)構(gòu)與培訓(xùn)研究”（課題號：JJKH20170931SK），東北師范大學(xué)教師教育研究基金重點(diǎn)課題“基于數(shù)據(jù)挖掘的教師專業(yè)發(fā)展成長軌跡研究”（課題號：JSJY20180104），東北師范大學(xué)交叉研究項(xiàng)目“基于教育數(shù)據(jù)科學(xué)的課堂學(xué)習(xí)測量與評價研究”（課題號：108-130026916），認(rèn)知智能國家重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目“基于教育數(shù)據(jù)科學(xué)的智慧課堂測量與評價研究”（課題號：iED2019-Z01）資助。