董 艷 李心怡 鄭婭峰 翟雪松

(1.北京師范大學(xué) 教育學(xué)部，北京100875; 2.河南財經(jīng)政法大學(xué) 計算機與信息工程學(xué)院，河南鄭州 450047; 3.浙江大學(xué) 教育學(xué)院，浙江杭州310028)

一、問題提出

隨著人工智能技術(shù)不斷應(yīng)用于教育領(lǐng)域，人機之間的協(xié)同與交互成為研究關(guān)注的重點。《新一代人工智能發(fā)展規(guī)劃》也將提升人機交互能力作為發(fā)展人工智能關(guān)鍵共性技術(shù)的重要目標(biāo)之一。2019年國際人工智能與教育大會發(fā)布的《北京共識》提出人工智能教育應(yīng)以人為本，在賦能教育的基礎(chǔ)上促進人機互動與協(xié)作?，F(xiàn)階段人工智能教育應(yīng)用的交互在一定程度上可能加重了學(xué)生對機器的依賴性，剝奪了學(xué)生的主體地位甚至影響了學(xué)生高階認知能力的培養(yǎng)。在人機交互過程中，反饋是不可缺少的組成部分，加強人工智能教育應(yīng)用中反饋機制設(shè)計與創(chuàng)新應(yīng)用有助于提升學(xué)習(xí)者在技術(shù)時代的反饋能力發(fā)展，提高人機交互的實際效果。近年來，反饋素養(yǎng)這一概念逐漸得到學(xué)術(shù)界的關(guān)注，學(xué)者們主要通過探究其內(nèi)涵、結(jié)構(gòu)要素及影響機制，思考如何提升學(xué)習(xí)者的反饋效果(董艷，2020)。

作為學(xué)術(shù)概念，反饋素養(yǎng)最早由英國學(xué)者薩頓提出，用來研究學(xué)習(xí)者如何通過對反饋的感知、吸收與應(yīng)用促進其在教學(xué)交互中的參與和學(xué)習(xí)投入。學(xué)習(xí)者不僅要作為“信息接收方”理解與感知反饋信息，還要主動作為“信息發(fā)送方”回應(yīng)反饋方。當(dāng)前反饋素養(yǎng)研究主要從理論演繹與實踐歸納兩條路徑構(gòu)建相應(yīng)的結(jié)構(gòu)要素和提升策略。比如，研究者在理論層面結(jié)合社會建構(gòu)主義框架將其劃分為四要素：感知反饋、采取行動、作出評價和管理情感；基于評價理論構(gòu)建五維度框架(真實性、認知挑戰(zhàn)、情感挑戰(zhàn)、評價判斷、執(zhí)行反饋)；在實踐層面，反饋障礙研究將反饋素養(yǎng)歸納為自我評估、評價素養(yǎng)、目標(biāo)設(shè)定與約束、投入與動機。具體模型、研究來源及其主要結(jié)構(gòu)要素見表一。

表一 模型依據(jù)及結(jié)構(gòu)要素

綜合上述模型分析，本研究提出反饋素養(yǎng)模型的六個核心元素：感知反饋、認知統(tǒng)合、評價判斷、采取行動、情感管理、動機調(diào)控(見表二)。這些要素不僅反映了學(xué)習(xí)者面對反饋的內(nèi)在心理過程，也體現(xiàn)出學(xué)習(xí)者基于反饋開展行動的關(guān)鍵環(huán)節(jié)。這些要素可以在智能系統(tǒng)設(shè)計中加以整合，促進學(xué)習(xí)者與智能系統(tǒng)間的交互設(shè)計。

關(guān)注人機雙向反饋對于提升學(xué)習(xí)者主體地位、培養(yǎng)高階能力以及加強情感交互具有重要價值(Baker, 2016)?，F(xiàn)階段，關(guān)于人機之間反饋的研究仍停留在機器對學(xué)習(xí)者的適應(yīng)性反饋，而對學(xué)習(xí)者向機器發(fā)出的反向反饋過程與機制關(guān)注不足。本研究將基于現(xiàn)有人工智能的反饋機理、反饋模型及雙向反饋模型的構(gòu)建原則，探索智能教育應(yīng)用的人機雙向反饋機制。

表二 學(xué)習(xí)者反饋素養(yǎng)的六個核心要素

二、反饋機理

研究表明，人工智能技術(shù)的分析越精準(zhǔn)，其對學(xué)習(xí)者主動性的剝奪可能就越徹底。這種人機地位的不平等，使學(xué)習(xí)者逐步從學(xué)習(xí)的主體淪為接收機器反饋的客體，將對學(xué)生的長期發(fā)展造成不良影響 (韓寧等, 2020)。一方面，人工智能通過采集和分析學(xué)生學(xué)習(xí)過程中的客觀數(shù)據(jù)，提供個性化學(xué)習(xí)內(nèi)容與路徑等反饋信息，提升學(xué)生的學(xué)習(xí)績效，改變知識學(xué)習(xí)與創(chuàng)新活動的形式。但這一過程主要由機器主導(dǎo)，學(xué)習(xí)者處于被動接收地位，主觀能動性無法充分體現(xiàn)(張剛要等, 2020)。另一方面，人工智能提供的反饋信息替代了學(xué)習(xí)者在學(xué)習(xí)過程中的自我評價、自我監(jiān)控和自我決策等認知活動，使學(xué)習(xí)者從全程參與變?yōu)椴糠謪⑴c，在模糊學(xué)習(xí)主體的同時也阻礙了學(xué)習(xí)者高階認知能力的發(fā)展(李建中, 2019)。因此，解決這些問題，還需要深入探究人工智能教育應(yīng)用的反饋作用機制。反饋作為系統(tǒng)有機運行的主要環(huán)節(jié)，是人工智能教育系統(tǒng)的關(guān)鍵要素。然而，現(xiàn)有研究對其探討不足，更沒有深入剖析其機制。

(一)人工智能教育應(yīng)用的反饋形態(tài)

基于經(jīng)典的拉斯韋爾與香農(nóng)-韋弗的單雙向傳播模式及人工智能帶來的靜態(tài)資源與動態(tài)資源形態(tài)，本研究將反饋機理歸納為靜態(tài)反饋、動態(tài)反饋、混合反饋。靜態(tài)反饋主要指反饋信息從機器流向?qū)W習(xí)者，計算機通過算法與學(xué)習(xí)者交互，并從固定的資源庫中選取內(nèi)容呈現(xiàn)給學(xué)習(xí)者。早期智能導(dǎo)學(xué)系統(tǒng)依靠涵蓋學(xué)習(xí)者學(xué)習(xí)風(fēng)格、個性特征的學(xué)生模型，以預(yù)設(shè)的形式與學(xué)生交互。靜態(tài)反饋模型使學(xué)習(xí)者被動參與人機交互，難以動態(tài)適應(yīng)學(xué)習(xí)者的認知變化；動態(tài)反饋主要依托人工智能的自適應(yīng)技術(shù)，借助大數(shù)據(jù)、學(xué)習(xí)分析、自然語言理解、多模態(tài)等分析方法，實時獲取學(xué)習(xí)者學(xué)習(xí)行為、情緒和認知等數(shù)據(jù)并動態(tài)更新學(xué)習(xí)模型，精準(zhǔn)提供個性化的學(xué)習(xí)資源與路徑等反饋信息。動態(tài)反饋模型實現(xiàn)了數(shù)據(jù)采集的多元化與動態(tài)化，但由于缺少靈活雙向的溝通機制，對學(xué)生主觀生成的信息采集不足?；旌戏答伱嫦?qū)嶋H教學(xué)應(yīng)用場景，綜合考慮教師、同伴、學(xué)習(xí)者個體與人工智能應(yīng)用之間的多元交互，并將動態(tài)與靜態(tài)反饋相結(jié)合。其研究結(jié)論已應(yīng)用于外語教學(xué)，通過采用自動評價與人工評價相結(jié)合的方式提升學(xué)生的寫作水平。綜上，現(xiàn)階段人工智能應(yīng)用的反饋機制具有動態(tài)性和單向性，其中數(shù)據(jù)和資源實現(xiàn)了動態(tài)更新；人機交互以“機器→學(xué)生”的單向反饋為主，“學(xué)生→機器”的反饋渠道和信息較匱乏。本研究仍將深入探究反饋機制，以推進人機協(xié)同和人機雙向反饋。

(二)人工智能教育應(yīng)用反饋的“主客體”變遷

基于上述反饋機制的演變和發(fā)展不難看出，機器在反饋過程中所占比例逐漸增高，學(xué)生的主體地位正在發(fā)生階梯式消解(李建中，2019)。學(xué)生是學(xué)習(xí)的主體，人工智能是對人類智能仿真的技術(shù)，其應(yīng)用于教育過程也遵循這一規(guī)律(劉凱等, 2018)。學(xué)習(xí)者和機器之間的主客體關(guān)系對于處理兩者之間的主動性具有重要價值。梳理“主客體”變遷路徑，探究其變遷的動力與本質(zhì)，能夠促使學(xué)習(xí)者積極參與學(xué)習(xí)規(guī)劃，提升自身的主動性。在人機交互的最初階段，雙方的主客體關(guān)系表現(xiàn)在“學(xué)習(xí)者為主體、機器為客體”，機器作為工具輔助學(xué)習(xí)者學(xué)習(xí)。例如，IBM開發(fā)的Jill Waston機器人助教能回答學(xué)習(xí)者的問題，其機器人的身份卻不被察覺；游戲環(huán)境中的人機互動反饋，結(jié)合語音文本對話和多模態(tài)數(shù)據(jù)追蹤，為學(xué)習(xí)者提供反饋循環(huán)，有助于學(xué)習(xí)者發(fā)揮自主學(xué)習(xí)的能動性(Agapito & Rodrigo, 2018)。但這一過程的交互僅依靠人工智能技術(shù)，忽視了情感交流，教育的情感性將會逐漸消失，進而影響學(xué)習(xí)者的社會性發(fā)展(李洪修等, 2020)。

隨著大數(shù)據(jù)以及人工智能算法快速發(fā)展，人機關(guān)系進入“機器為主體，學(xué)習(xí)者為客體”的階段。人工智能技術(shù)通過過程數(shù)據(jù)采集、視頻監(jiān)控、情感計算、自然語言理解等技術(shù)越來越全面地掌握學(xué)生的信息，如將人工神經(jīng)網(wǎng)絡(luò)技術(shù)用于學(xué)習(xí)者認知模型構(gòu)建，可精準(zhǔn)診斷與預(yù)測學(xué)習(xí)者技能發(fā)展與學(xué)習(xí)投入度(Chaplot et al.,2018)。在這一階段，學(xué)習(xí)者處于被動位置，機器處于主體地位，人際關(guān)系的主客體發(fā)生顛倒，違背了“學(xué)習(xí)者中心”的基本原則。人機如何處理好雙主體的關(guān)系？一方面發(fā)揮機器的優(yōu)勢，同時突出學(xué)習(xí)者的主體性，都是未來需要探索的重要方面，即實現(xiàn)“人機雙主體”。人機雙主體呈現(xiàn)的主體間性關(guān)系，將交互雙方均看作主體，兩者具有平等關(guān)系和對稱責(zé)任，對外強調(diào)利益，對內(nèi)強調(diào)情感。例如，依托自然語言理解技術(shù)的發(fā)展，智能導(dǎo)師能為學(xué)習(xí)者提供類似于人類導(dǎo)師的輔導(dǎo)，即系統(tǒng)和學(xué)生都可以提問和作答(張志禎等, 2019)。這種關(guān)系也被描述為混合式主動教學(xué)。再如，開放學(xué)習(xí)者模型支持學(xué)習(xí)者通過插入、共享、重新混合等修改原有的模型，有助于學(xué)習(xí)者自我評估決策(Bodily et al.,2018)。KB map-CT支持學(xué)習(xí)者自主構(gòu)建概念題圖，系統(tǒng)根據(jù)命題的正確性和置信信息設(shè)計識別和指導(dǎo)反饋，提升了閱讀質(zhì)量(Pailai et al., 2018)。

(三)現(xiàn)有研究的局限

現(xiàn)階段人工智能教育應(yīng)用以靜態(tài)和動態(tài)反饋機制為主，基于行為預(yù)設(shè)和學(xué)習(xí)者客觀數(shù)據(jù)提供反饋信息，對學(xué)習(xí)者主觀數(shù)據(jù)的研究和采集不足，智能化程度有待提升。例如，學(xué)習(xí)者的知識隱藏行為具有很強的主觀隱蔽性，很難被計算機發(fā)現(xiàn)(翟雪松等，2019)。人機關(guān)系從人作為主體向機器作為主體偏移，學(xué)習(xí)者逐漸降為客體(張剛要等, 2020)。例如，自適應(yīng)技術(shù)的資源與路徑推薦取代了學(xué)生的自主反思和自我調(diào)節(jié)，使學(xué)習(xí)者處于被動狀態(tài)，不利于學(xué)習(xí)能力與高階思維能力的發(fā)展。人工智能技術(shù)在賦能人的同時也在取代人類工作，技術(shù)發(fā)展趨勢不可逆轉(zhuǎn)。為適應(yīng)這一局面，構(gòu)建主體間性的新型人機關(guān)系，保持人在此過程中的主體性，就顯得非常必要。本研究嘗試提出人機雙向反饋模型，將反饋素養(yǎng)內(nèi)涵與人工智能教育現(xiàn)有反饋機制相融合，同時加強情感、社會及具身環(huán)境交互以及學(xué)生反饋素養(yǎng)，平衡人機關(guān)系，提升人工智能教育的育人效果(王慧莉等, 2020)。

三、反饋模型

為構(gòu)建面向智能教育應(yīng)用的人機雙向反饋模型，本研究分析了反饋素養(yǎng)與人工智能融合的必要性與可行性，并結(jié)合兩者的功能結(jié)構(gòu)，構(gòu)建了涵蓋數(shù)據(jù)、分析決策、支架、交互、行動以及遷移目標(biāo)六個層次的人機雙向模型。

圖1 面向智能教育應(yīng)用的人機雙向反饋模型

(一)人機模型構(gòu)建需求

人工智能教育應(yīng)用如何發(fā)揮智能教育應(yīng)用的智能性、反饋性和多源性，突出反饋活動中學(xué)習(xí)者的主體地位，不斷提升學(xué)習(xí)者自我策略選擇和價值判斷能力，并積極采取相應(yīng)的行動管理自我情緒，是當(dāng)前研究的焦點(Dawson et al., 2020)。反饋素養(yǎng)理論啟發(fā)研究者關(guān)注學(xué)習(xí)者與外界互動過程中的主體能動性發(fā)揮，喚醒學(xué)習(xí)者在人工智能教育場景中的主體意識。而且，反饋素養(yǎng)理論強調(diào)學(xué)習(xí)者自身因素對反饋效果的影響，有助于打破人工智能應(yīng)用中關(guān)注反饋信息本身的局限。例如，在學(xué)習(xí)者模型構(gòu)建過程中，已有模型數(shù)據(jù)主要來自于系統(tǒng)采集的學(xué)生客觀數(shù)據(jù)，對交互中的學(xué)生主觀數(shù)據(jù)關(guān)注不足。開放學(xué)習(xí)者模型為學(xué)習(xí)者提供修改權(quán)限，一定程度上提升了人機交互中學(xué)生的地位(馬志強等, 2016)。如果能利用人工智能技術(shù)發(fā)展學(xué)生的反饋素養(yǎng)，提升學(xué)習(xí)者的反饋態(tài)度、學(xué)業(yè)調(diào)節(jié)能力和投入度，將會提升其主動尋求反饋的能力。

學(xué)生反饋素養(yǎng)為人工智能教育應(yīng)用的反饋機制設(shè)計帶來新的思考，激發(fā)教育領(lǐng)域?qū)θ斯ぶ悄芗夹g(shù)的新需求。人工智能技術(shù)的教育應(yīng)用相對滯后于其他領(lǐng)域，這主要是因為教育中的大量需求還未被發(fā)現(xiàn)，導(dǎo)致遵循需求導(dǎo)向的人工智能教育應(yīng)用還存在很大改進空間。反饋素養(yǎng)框架的融入，可以從學(xué)習(xí)者角度為人工智能教育提供新的實踐和研究視角，加速教育現(xiàn)代化的發(fā)展。同時，反饋素養(yǎng)的理論與實踐對人工智能的技術(shù)整合具有良好的指導(dǎo)作用，有助于人工智能對教育活動的系統(tǒng)支持與賦能。因此，反饋素養(yǎng)的要素與智能代理、虛擬現(xiàn)實、自然語言理解和自適應(yīng)等技術(shù)有機整合，有助于提升反饋素養(yǎng)與改善人機關(guān)系。

(二)人機雙向反饋模型構(gòu)建

表二所描述的六個核心要素不僅是學(xué)習(xí)者積極參與反饋的一種內(nèi)在或外在行為，也反映出其認知和情感方面的綜合變化。本研究在分析已有人工智能教育應(yīng)用模型的基礎(chǔ)上，構(gòu)建了雙向反饋模型(見圖1)。該模型通過交互層將學(xué)生與人工智能作為雙主體聯(lián)結(jié)起來。其中，學(xué)生端包括學(xué)生行為層和目標(biāo)遷引層。人工智能端在已有數(shù)據(jù)采集和決策分析的基礎(chǔ)上，增加了支架層。支架層以支架理論與認知學(xué)徒制為設(shè)計依據(jù)，通過提供意義建構(gòu)、表達反思以及規(guī)劃問題解決等支持，幫助學(xué)習(xí)者完成其能力范圍之外的復(fù)雜任務(wù)；認知學(xué)徒制強調(diào)真實情境中導(dǎo)師示范與學(xué)習(xí)者實踐的重要性以及二者間的社會性互動。模型以“學(xué)習(xí)投入、知識學(xué)習(xí)、情感學(xué)習(xí)、溝通協(xié)作、主觀能動”為主要目標(biāo)，設(shè)計了代理、可視化、情感與環(huán)境四類支架，支持與引導(dǎo)學(xué)習(xí)者感知反饋，管理反饋過程，加強反思評價、維持學(xué)習(xí)動機以及處理情感，促進人機雙向反饋。

人機雙向反饋模型以數(shù)據(jù)為基礎(chǔ)。數(shù)據(jù)是人工智能決策的重要依據(jù)。為了充分關(guān)注學(xué)習(xí)者學(xué)習(xí)過程中的主觀能動性，數(shù)據(jù)層將采集交互過程中學(xué)習(xí)者生成的主觀數(shù)據(jù)。該模型將學(xué)習(xí)者在內(nèi)容與情感等方面對機器的反饋數(shù)據(jù)納入數(shù)據(jù)層，實現(xiàn)了數(shù)據(jù)的雙向流通。交互層連接了學(xué)習(xí)者與機器，體現(xiàn)了人機雙主體的反饋過程：“自適應(yīng)模塊-適應(yīng)性反饋-學(xué)習(xí)者”的單向反饋和“自適應(yīng)模塊-支架層-學(xué)習(xí)者”的雙向反饋。其中，雙向反饋主要依賴支架層實現(xiàn)，支架層的設(shè)計綜合提供了語言、文字、圖像、情感以及具身感知等方面的交互；利用多模態(tài)、虛擬現(xiàn)實等技術(shù)，促進學(xué)習(xí)者對反饋內(nèi)容的理解與回應(yīng)，通過智能代理的多重身份(導(dǎo)師、同伴、學(xué)生)促進學(xué)習(xí)者自我監(jiān)控與自我評價，提升學(xué)習(xí)者在人機交互中的主體地位。

學(xué)生行為層主要定位在反饋機制。學(xué)生通過感知反饋進而理解反饋，并結(jié)合反饋采取行動，同時通過情感管理和動機調(diào)控與機器進行互動反饋。在這個過程中，學(xué)生和機器是相互主客體關(guān)系，機器可以促進學(xué)生的反饋，學(xué)生的反饋又可以為機器提供更多內(nèi)容，從而促進學(xué)生學(xué)習(xí)目標(biāo)的達成。學(xué)習(xí)者周期性地參與這一反饋過程，會不斷激發(fā)他們提升反饋素養(yǎng)。在支架層與交互層的作用下，學(xué)生對反饋信息的感知理解、加工處理以及決策行動等行為得到支持。同時，學(xué)生的情感和動機也得到支撐，二者貫穿于整個反饋過程，對各環(huán)節(jié)起到調(diào)節(jié)作用。反饋素養(yǎng)的提升也會積極影響學(xué)生的其他能力。目標(biāo)遷引層呈現(xiàn)的是學(xué)習(xí)者通過智能教育應(yīng)用可以更好地達成的教育發(fā)展目標(biāo)，滿足未來的職業(yè)要求。同時，這些目標(biāo)不僅強調(diào)學(xué)習(xí)類型的重要性，也關(guān)注學(xué)生主動性、能動性等動力層面的發(fā)展。支持性框架可促進他們在行為層面更好地參與學(xué)習(xí)。在反饋素養(yǎng)的基礎(chǔ)上，學(xué)習(xí)者的學(xué)習(xí)投入、知識掌握、情感培養(yǎng)、溝通交流和主觀能動性都會得到相應(yīng)的提升。

四、實施原則

原則一：增強學(xué)習(xí)者的反饋理解與主觀能動性

學(xué)生反饋素養(yǎng)以“感知反饋”為基礎(chǔ)。感知反饋維度強調(diào)學(xué)習(xí)者能夠充分理解反饋內(nèi)容以及認識反饋的作用與價值，能夠在反饋中具有主觀能動性。已有研究表明，學(xué)習(xí)者對反饋信息的理解困難往往會影響其反饋和學(xué)習(xí)投入的效果(Noble et al.,2019)，需要掌握必要的學(xué)術(shù)語言，才能理解、解釋并進行復(fù)雜的思考。有學(xué)者使用“反饋詞匯表”幫助學(xué)習(xí)者理解反饋內(nèi)容，提升反饋理解能力(Winstone et al.,2019)。當(dāng)學(xué)習(xí)者遇到學(xué)習(xí)困難時，可以通過技術(shù)引導(dǎo)的形式拆解問題，并提供思維線索。支架還應(yīng)具備適應(yīng)性，即根據(jù)學(xué)生的行為水平自動更改出現(xiàn)頻率。

原則二：促進學(xué)習(xí)者的情感管理和動機調(diào)控

情感是反饋過程中影響學(xué)習(xí)者接收反饋信息的重要因素，通常包括情緒和態(tài)度。研究表明，只有在激發(fā)學(xué)習(xí)者情感的基礎(chǔ)上才能取得應(yīng)有的反饋效果(唐林飛, 2014)。當(dāng)學(xué)習(xí)者收到批評或者成績差的反饋時，他們往往會表現(xiàn)出對反饋的抵制。在這種情況下，反饋效果就取決于學(xué)習(xí)者自身的自我效能感、動機以及有效處理情緒的能力(Pitt & Norton, 2017)。構(gòu)建雙方互信的反饋環(huán)境，可減輕學(xué)習(xí)者向外表達的焦慮。人工智能教育可以先從同伴反饋切入，營造平等信任的氛圍，降低學(xué)習(xí)者的焦慮并引發(fā)學(xué)習(xí)者共鳴。也有學(xué)者設(shè)計了情感反饋型虛擬教師，利用情感計算技術(shù)為學(xué)習(xí)者提供情感支持(朱珂等, 2020)。

原則三：促進學(xué)習(xí)者的認知投入與評價判斷

認知投入指學(xué)習(xí)者在學(xué)習(xí)期間能有效應(yīng)用策略，促進知識理解和問題解決。評價判斷指學(xué)習(xí)者對自身或他人的績效與工作作出判斷，現(xiàn)階段學(xué)習(xí)者對于評價指標(biāo)的理解并不透徹，往往傾向于那些容易理解的部分。為促進學(xué)習(xí)者有效地選取與應(yīng)用策略和評價標(biāo)準(zhǔn)，教學(xué)過程需要增加認知評價練習(xí)和認知支架(Lubin et al.,2012; Nicol et al., 2014)。認知導(dǎo)師在智能導(dǎo)師系統(tǒng)中融入認知模型，對學(xué)習(xí)者的各種策略與迷思概念進行表征，并通過模型跟蹤和知識跟蹤算法，為學(xué)習(xí)者從新手轉(zhuǎn)變?yōu)閷＜姨峁┞窂街С?Koedinger & Corbett,2006)?？珊箤W(xué)院采用學(xué)習(xí)儀表盤為學(xué)習(xí)者提供學(xué)習(xí)報告，方便學(xué)習(xí)者更清楚地掌握自身學(xué)習(xí)狀況，及時調(diào)整與規(guī)劃學(xué)習(xí)活動，實現(xiàn)個性化學(xué)習(xí)。

原則四：促進學(xué)習(xí)者的行動意識和執(zhí)行過程

學(xué)習(xí)者的行動維度主要指學(xué)習(xí)者對反饋信息的回應(yīng)，及回應(yīng)之后如何調(diào)整行動。這些行動一方面包括學(xué)習(xí)者所采取的縮小實際目標(biāo)與期望目標(biāo)之間差距的策略，另一方面包括學(xué)習(xí)者主動尋求反饋和執(zhí)行反饋需要采取的下一步行動。人工智能的反饋應(yīng)當(dāng)改變以學(xué)習(xí)結(jié)果為導(dǎo)向的模式，更加關(guān)注學(xué)生的長遠發(fā)展與技能培養(yǎng)(牟智佳等, 2018)。反饋行動的執(zhí)行會受到情境影響，在真實的情境下，學(xué)習(xí)者更容易感知反饋信息并增加學(xué)習(xí)投入(Noble, 2019)。技術(shù)反饋更具有深度和真實感，學(xué)生也更喜歡這一形式。例如，增強現(xiàn)實技術(shù)提供的視覺反饋，可以提升兒童的內(nèi)在體驗。

五、研究展望

本研究基于對目前人工智能教育應(yīng)用中反饋機制與人機雙向交互的分析，指出學(xué)習(xí)者主體性缺失問題，同時圍繞反饋素養(yǎng)研究提出六個過程要素，并從理論上構(gòu)建了面向智能教育應(yīng)用的人機雙向反饋模型。當(dāng)前，人工智能教育在構(gòu)建面向未來的教學(xué)生態(tài)系統(tǒng)中扮演著重要作用，研究者應(yīng)不斷促進人類智能和人工智能的協(xié)同作用，推動教育信息化與智能教育的發(fā)展。

(一)探索“教師-同伴-個人-機器”多元混合交互模型的實現(xiàn)路徑

人工智能要真正應(yīng)用到教育場景，促進學(xué)習(xí)者的能動性發(fā)展，除了關(guān)注機器與學(xué)習(xí)者、機器與教師的雙向交互，還要綜合考慮個人、教師、同伴與機器之間復(fù)雜的多元交互關(guān)系，深入探討“教師-同伴-個人-機器交互學(xué)習(xí)”多元主體模型和機制構(gòu)建。這包括探究如何將人工智能應(yīng)用更好地從非正式學(xué)習(xí)引入到各學(xué)科的課堂教學(xué)實踐，檢驗人工智能教育應(yīng)用的實際價值；充分考慮人工智能作為伙伴、教師、助手、代理等多種身份，發(fā)揮混合多元交互的作用。

再者，基于人機之間的反饋機制以及師生和生生之間的交互模式，探索多元人工智能之間的交互關(guān)系，如基于動力學(xué)理論，通過不同人工智能體間行動、語言、情緒等的耦合，關(guān)注意義、價值、辯護以及不確定性等因素對這一過程的影響，并且通過“社會交互”塑造個體自治和群體智能(何靜, 2020)，促進協(xié)同發(fā)展。輕量級生理反饋技術(shù)在教育中應(yīng)用的發(fā)展，也給大規(guī)模實施混合多元交互提供了技術(shù)基礎(chǔ)(翟雪松等，2020)。

(二)在反饋基礎(chǔ)上關(guān)注前饋，以提升反饋的應(yīng)用效果

人工智能教育應(yīng)用的反饋，主要關(guān)注學(xué)生當(dāng)前狀態(tài)與結(jié)果評估，對學(xué)生的長遠技能發(fā)展關(guān)注不足(Kluger & Van Dijk, 2010)。前饋是一種面向未來的教學(xué)策略(Bj?rkman, 1972)，為解決反饋的自身局限提供了思路。它通過指令向?qū)W習(xí)者傳輸先前的評估和實踐經(jīng)驗，幫助學(xué)習(xí)者更清晰地理解任務(wù)的績效期望與評價標(biāo)準(zhǔn)。前饋關(guān)注對象是尚未發(fā)生的事情，其形式可分為兩類：一是在學(xué)習(xí)任務(wù)開展之前，預(yù)先告知學(xué)習(xí)者預(yù)期目標(biāo)及評價標(biāo)準(zhǔn)，為學(xué)習(xí)過程提供指導(dǎo)(Sadler,1983)；另一類是反饋之后，提出策略、認知方面的更高目標(biāo)與建議(Hattie & Timperley, 2007)。人工智能教育應(yīng)用如果能夠融入前饋的機制與策略，將能夠改善現(xiàn)有反饋機制中目標(biāo)不明確與評價標(biāo)準(zhǔn)模糊等問題；同時改善反饋只關(guān)注當(dāng)前問題的局限性，把目標(biāo)擴展到更加關(guān)注學(xué)習(xí)者長遠發(fā)展的全局視野(Noon & Eyre, 2020) 。

人工智能教育應(yīng)用的實現(xiàn)仍然離不開研發(fā)團隊與教育專家的合作。目前人工智能在教育領(lǐng)域的應(yīng)用越來越廣泛，但大規(guī)模推廣應(yīng)用仍不多見。不斷加強技術(shù)開發(fā)人員與教育實踐者之間的深度溝通與對話，開展多元視角下的人機反饋機制探索，并在實際教學(xué)中迭代優(yōu)化與完善(Luckin & Cukurova,2019)，是未來人工智能應(yīng)用發(fā)展的主要路徑。

(三)基于具身認知理論，拓展人機雙向反饋的智能應(yīng)用場域

當(dāng)前人機雙向反饋研究仍局限于人工智能應(yīng)用工具的視角。伴隨人工智能應(yīng)用與環(huán)境的廣泛融合，必然形成新的人機交互模式與反饋素養(yǎng)的相互作用機制。具身認知理論強調(diào)身體感知及先前經(jīng)驗對認知的作用，尤其關(guān)注感知器官與環(huán)境的交互作用。因此，具身認知理論可以為深入理解未來場景的人機交互機制提供新的思路和途徑。具體體現(xiàn)在三方面：第一，具身認知理論能夠擴展人機交互的范疇，為人工智能學(xué)習(xí)環(huán)境建設(shè)提供指導(dǎo)。依據(jù)具身認知理論構(gòu)建的人工智能學(xué)習(xí)環(huán)境，學(xué)生與技術(shù)的交互更為頻繁多樣，如學(xué)生與人工智能代理交互，并通過觀察代理的行為，促進學(xué)生知識理解具身化(王美倩等，2015)；第二，具身認知理論為拓展人工智能的感知能力，豐富人機交互數(shù)據(jù)類型提供方向。具身認知理論下，借助多種知覺傳感器感知和理解學(xué)習(xí)過程，使得面向智能教育的人工智能實現(xiàn)由“游離身外”的輔助學(xué)習(xí)轉(zhuǎn)向“具身模擬”的“人-機融合”學(xué)習(xí)(謝泉峰等，2020)，也使得人機交互更加全面深入，為機器反饋提供充分的數(shù)據(jù)支撐；第三，具身認知理論強調(diào)學(xué)生在交互中的主體性與能動性，能為學(xué)生反饋素養(yǎng)的培養(yǎng)提供理論支撐。以具身形式達成的學(xué)習(xí)，學(xué)生會更主動參與環(huán)境的交互，并對接收的信息積極反饋，促進人機雙向的高質(zhì)量反饋機制的形成。