武法提 高姝睿 田浩

[摘? ?要] 智能時代孕育了新一輪的教育變革，規(guī)模個性化人才培養(yǎng)成為當(dāng)下的教育訴求與實踐難題，而精準(zhǔn)學(xué)習(xí)干預(yù)則是破解上述難題的有力手段。通過分析學(xué)習(xí)干預(yù)相關(guān)的理論研究與實踐現(xiàn)狀，發(fā)現(xiàn)學(xué)習(xí)干預(yù)在各實施環(huán)節(jié)上均面臨一定挑戰(zhàn)，制約了精準(zhǔn)學(xué)習(xí)干預(yù)的推進(jìn)。文章認(rèn)為，將人類智慧與機(jī)器智能有機(jī)融合方為實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的可行之道，因此，構(gòu)建了兼具整體性、結(jié)構(gòu)性、動態(tài)性的人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型。該模型以學(xué)習(xí)者多模態(tài)數(shù)據(jù)采集為基礎(chǔ)，采用機(jī)器智能與專家經(jīng)驗協(xié)同決策的方式實現(xiàn)問題診斷、策略匹配、策略實施、效果驗證等四個主要環(huán)節(jié)，各個環(huán)節(jié)在干預(yù)系統(tǒng)中各司其職，構(gòu)成指向精準(zhǔn)學(xué)習(xí)干預(yù)的閉合回路。在未來的相關(guān)研究與實踐中，需在分析模型構(gòu)建、問題成因追溯、干預(yù)機(jī)制分析、實證研究設(shè)計等方面進(jìn)一步探索，以推動學(xué)習(xí)干預(yù)精準(zhǔn)化實現(xiàn)。

[關(guān)鍵詞] 精準(zhǔn)學(xué)習(xí)干預(yù); 人機(jī)智能協(xié)同; 學(xué)習(xí)分析; 模型構(gòu)建; 人工智能

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事智能學(xué)習(xí)系統(tǒng)設(shè)計研究。E-mail：wft@bnu.edu.cn。

一、引? ?言

快速發(fā)展的人工智能技術(shù)是引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力，推動人類社會迎來人機(jī)協(xié)同、跨界融合、共創(chuàng)分享的智能時代[1]。2019年，中共中央、國務(wù)院印發(fā)的《中國教育現(xiàn)代化2035》指出，應(yīng)“利用現(xiàn)代技術(shù)加快推動人才培養(yǎng)模式改革，實現(xiàn)規(guī)?；逃c個性化培養(yǎng)的有機(jī)結(jié)合”[2]?？梢?，技術(shù)創(chuàng)新已成為教育變革的內(nèi)生變量，驅(qū)動標(biāo)準(zhǔn)化的工業(yè)社會人才培養(yǎng)模式向個性化的信息社會人才培養(yǎng)模式轉(zhuǎn)變[3]，也使得我國教育領(lǐng)域的主要矛盾由嚴(yán)重短缺的優(yōu)質(zhì)教育資源同人民群眾日益增長的高質(zhì)量教育需求之間的矛盾，轉(zhuǎn)變?yōu)殪`活的、優(yōu)質(zhì)的、個性化的、終身的教育需求同落后的教育供給體系和教育服務(wù)模式之間的矛盾[4]。因此，如何充分發(fā)揮科學(xué)技術(shù)在創(chuàng)新教育供給與教育服務(wù)模式中的核心作用，實現(xiàn)規(guī)模化、個性化人才培養(yǎng)已成為智能教育時代的關(guān)鍵議題。

當(dāng)前，我國已解決了教育的規(guī)模化問題，但對于個性化人才培養(yǎng)的關(guān)注力度仍然不夠。而作為重要的學(xué)習(xí)支持服務(wù)，學(xué)習(xí)干預(yù)則是破解規(guī)模個性化教育難題的有效舉措。學(xué)習(xí)干預(yù)是指立足于學(xué)習(xí)者在學(xué)習(xí)中出現(xiàn)的各種問題，針對每位學(xué)習(xí)者的具體學(xué)習(xí)狀態(tài)而實施的各種支持性策略和指導(dǎo)性活動的綜合[5-6]。在學(xué)習(xí)分析技術(shù)的支持下，通過收集學(xué)習(xí)者在不同場景下的多維數(shù)據(jù)，可以診斷學(xué)習(xí)者存在的學(xué)習(xí)問題，如學(xué)習(xí)績效不佳、學(xué)習(xí)投入不足、注意力渙散、自我效能感低下等，進(jìn)而為不同類型的學(xué)習(xí)者提供科學(xué)化、差異化的決策支持[7-9]，學(xué)習(xí)干預(yù)的個性化程度得以有效提升，不斷向精準(zhǔn)化邁進(jìn)。然而，學(xué)習(xí)干預(yù)在理論與實踐中仍存在諸多問題，阻礙了學(xué)習(xí)干預(yù)精準(zhǔn)化的進(jìn)程。因此，分析學(xué)習(xí)干預(yù)難以精準(zhǔn)實施的現(xiàn)實挑戰(zhàn)，在此基礎(chǔ)上構(gòu)建人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型并明確其實現(xiàn)路向，顯得尤為重要。

二、學(xué)習(xí)干預(yù)面臨的挑戰(zhàn)

學(xué)習(xí)干預(yù)的生命周期大致可分為問題診斷、策略匹配、策略實施、效果驗證等四個環(huán)節(jié)，通過對學(xué)習(xí)干預(yù)相關(guān)研究的分析與對“智慧學(xué)伴”“智學(xué)網(wǎng)”“考拉閱讀”等典型智能學(xué)習(xí)平臺的調(diào)研發(fā)現(xiàn)，學(xué)習(xí)干預(yù)在上述四個環(huán)節(jié)均存在一定問題，阻礙了精準(zhǔn)學(xué)習(xí)干預(yù)的實現(xiàn)。

（一）問題診斷：忽視對學(xué)習(xí)者全面客觀的剖析

在對學(xué)習(xí)者的問題進(jìn)行診斷時，往往將學(xué)習(xí)者在學(xué)習(xí)過程中表現(xiàn)出的狀態(tài)或行為作為診斷依據(jù)，但由于學(xué)習(xí)者是復(fù)雜獨特的，不同學(xué)習(xí)者在表現(xiàn)出同樣的狀態(tài)時，其出現(xiàn)的問題可能不盡相同，因此，忽略對學(xué)習(xí)者本質(zhì)特征與認(rèn)知發(fā)展水平的分析會降低問題診斷的精準(zhǔn)度。此外，學(xué)習(xí)者的認(rèn)知風(fēng)格、學(xué)習(xí)興趣、心理與情感狀態(tài)等特征具有多維性、復(fù)雜性的特點，而在當(dāng)前的智能學(xué)習(xí)平臺中，對于這類學(xué)習(xí)者特征多是基于問卷、訪談等傳統(tǒng)方式進(jìn)行測量分析，這些方法具有一定的主觀性，且并非適用于全部年齡段，而借助過程性數(shù)據(jù)、基于學(xué)習(xí)者模型進(jìn)行科學(xué)表征的方法尚未全面在智能學(xué)習(xí)平臺中應(yīng)用，制約了對學(xué)習(xí)者全面客觀的剖析[10]。

（二）策略匹配：難以挖掘表層之下的根源問題

在目前的理論研究與實踐應(yīng)用中，多是針對發(fā)現(xiàn)的問題直接匹配干預(yù)，例如：通過診斷發(fā)現(xiàn)學(xué)習(xí)者績效欠佳，便匹配資源推薦、指導(dǎo)建議等提升績效的干預(yù)[9，11];發(fā)現(xiàn)學(xué)習(xí)者存在拖延問題，便采取進(jìn)度可視化、彈窗提醒等方式杜絕拖延[12]。這種“頭痛醫(yī)頭、腳痛醫(yī)腳”的干預(yù)方式只關(guān)注到了學(xué)習(xí)者暴露出的表象問題，未明確其實際癥結(jié)所在。學(xué)習(xí)是一個復(fù)雜的過程，當(dāng)學(xué)習(xí)者出現(xiàn)問題時，明確問題產(chǎn)生的根本原因才能“對癥下藥”。例如：分析顯示學(xué)習(xí)者出現(xiàn)了學(xué)習(xí)危機(jī)，這可能是由于知識內(nèi)容難度超出了學(xué)習(xí)者的能力水平，抑或是學(xué)習(xí)者的注意力不夠集中;若是后者，則造成該現(xiàn)象的原因可能是學(xué)習(xí)者情緒不佳，也或許是學(xué)習(xí)材料的設(shè)計容易分散注意力。只有基于學(xué)習(xí)者的學(xué)習(xí)發(fā)生機(jī)制深入挖掘并準(zhǔn)確診斷表象之下的根源問題，才能有的放矢地匹配干預(yù)，高效解決學(xué)習(xí)者存在的問題。

（三）策略實施：缺乏對干預(yù)策略屬性的精細(xì)設(shè)計

在實際應(yīng)用中，干預(yù)策略的可選種類存在較大局限，分析模型及技術(shù)支持的限制使得許多干預(yù)策略僅停留在理論研究層面，在應(yīng)用時只能選擇其他干預(yù)予以代替，制約了策略的精準(zhǔn)實施。同時，學(xué)習(xí)干預(yù)多被認(rèn)為是一種獨立實施的策略，即在發(fā)現(xiàn)問題、完成策略匹配后直接推送給學(xué)習(xí)者，并未對干預(yù)策略的具體屬性（如干預(yù)實施的對象、時機(jī)、強度、頻率等）進(jìn)行考量與設(shè)計，這會在一定程度上影響干預(yù)實施的精準(zhǔn)度。對于干預(yù)對象，學(xué)習(xí)平臺中多是針對學(xué)習(xí)者個體的個人干預(yù)，鮮有面向?qū)W習(xí)者整體的群體干預(yù)以及針對同質(zhì)群體的小組干預(yù)[13];對于干預(yù)時機(jī)，多數(shù)干預(yù)策略在問題出現(xiàn)后立即實施，未給予學(xué)習(xí)者進(jìn)行自我調(diào)節(jié)、深入思考的時間，容易造成學(xué)習(xí)者對干預(yù)的依賴，導(dǎo)致學(xué)習(xí)者在學(xué)習(xí)活動中的主體地位出現(xiàn)階梯式消解，從而弱化其自身的創(chuàng)新動力與自我調(diào)節(jié)學(xué)習(xí)能力[14];對于干預(yù)強度，多數(shù)智能學(xué)習(xí)平臺的假設(shè)是“學(xué)習(xí)成績不佳的學(xué)生更需要補習(xí)”[15]，即薄弱生往往會獲得強度更高、數(shù)量更多的干預(yù)措施，但薄弱生的學(xué)習(xí)進(jìn)度本就落后于其他同伴，又需要花費更多時間與認(rèn)知資源接受比他人更多的干預(yù)策略，難免會增加其學(xué)習(xí)焦慮，干預(yù)效果反而適得其反;對于干預(yù)頻率，針對不同程度問題的干預(yù)頻率應(yīng)有所不同，且干預(yù)若過于頻繁同樣會增加學(xué)習(xí)者的認(rèn)知負(fù)荷、學(xué)習(xí)焦慮或形成對系統(tǒng)干預(yù)的依賴[16]，而干預(yù)頻率過低則會影響干預(yù)的有效性。

（四）效果驗證：研究與實踐的證據(jù)支撐不足

在目前的研究與實踐中，干預(yù)策略實施后的效果驗證與優(yōu)化大多被忽略。在實證研究中，研究者往往設(shè)計多種干預(yù)策略，在進(jìn)行策略檢驗時僅分析干預(yù)策略實施后的整體效果，而未詳細(xì)分辨每一種策略的有效性，很容易得出“施加干預(yù)的實驗組的學(xué)習(xí)效果較對照組有顯著提升”這類常識性結(jié)論，研究結(jié)論難以證明干預(yù)策略匹配的準(zhǔn)確性。同時，現(xiàn)有研究中涉及的實驗對象多限定在某門課程或某個班級中，且實驗對象人數(shù)較少，容易影響研究結(jié)論的科學(xué)性與可推廣性。另外，有研究提出，施加干預(yù)后學(xué)習(xí)者自覺壓力過大、情緒降低[17]，因此，干預(yù)實施后的相關(guān)連鎖反應(yīng)與學(xué)習(xí)者接受度等同樣需被納入效果驗證，以確保干預(yù)的精準(zhǔn)化實施。

三、人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型

通過分析學(xué)習(xí)干預(yù)面臨的挑戰(zhàn)可知，精準(zhǔn)學(xué)習(xí)干預(yù)需要基于對學(xué)習(xí)者問題的準(zhǔn)確診斷與解釋，從而實施最為適切的干預(yù)，而單純依靠人工智能或人類經(jīng)驗均無法實現(xiàn)，因此，將人類智慧與機(jī)器智能有機(jī)融合方為實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的必由之路。

（一）人機(jī)智能協(xié)同理念

隨著人工智能的飛速發(fā)展，機(jī)器可以幫助人類更為科學(xué)理性地分析問題，并自動化、模塊化地解決問題[18]，這在極大程度上增強了人類決策的科學(xué)性。但人工智能僅適用于執(zhí)行規(guī)則明確的、定義清晰的任務(wù)[19]，其缺少人類發(fā)現(xiàn)與解釋問題的能力以及人類特有的社會屬性與心理屬性[20]。故而在面向人類能力培養(yǎng)與靈魂塑造的教育領(lǐng)域中，機(jī)器無法完全替代人類;同樣，人類也難以達(dá)到機(jī)器處理問題的效率與精度。正如在學(xué)習(xí)干預(yù)中，機(jī)器善于廣泛收集學(xué)習(xí)者的數(shù)據(jù)，并通過學(xué)習(xí)分析技術(shù)對學(xué)習(xí)者進(jìn)行全面深入的剖析診斷，為干預(yù)的選擇與實施提供目標(biāo)，但機(jī)器智能無法發(fā)現(xiàn)并解決新問題，機(jī)器社會屬性和心理屬性的缺失也難以直接實施涉及人類情感、態(tài)度、價值觀等軟知識的干預(yù)與指導(dǎo)[21]，因此，機(jī)器實施的多為消息提醒、資源推薦、路徑規(guī)劃等個性化程度不高的淺層干預(yù)[12];人類教師則可以基于其教學(xué)經(jīng)驗與人本特征，實施策略引導(dǎo)、歸因?qū)υ?、任?wù)設(shè)計等個性化、深層次的干預(yù)，教師的指導(dǎo)作用無法被機(jī)器替代，但由于教師精力有限，難以針對大規(guī)模學(xué)習(xí)者完成個體的問題診斷與干預(yù)實施。因此，獨立的人類或機(jī)器均不能實現(xiàn)兼具規(guī)?；€性化、精確化的學(xué)習(xí)干預(yù)，唯有通過人機(jī)交互實現(xiàn)人類智能與機(jī)器智能的有機(jī)融合，即“人機(jī)智能協(xié)同”，達(dá)到人機(jī)優(yōu)勢互補的新生態(tài)，構(gòu)建人機(jī)智能協(xié)同的干預(yù)機(jī)制，最大限度地將機(jī)器智能高效計算、準(zhǔn)確診斷、規(guī)模實施的優(yōu)勢與人類智慧個性化、人性化的特征有機(jī)融合，才是實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的有效途徑[18]。

（二）人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型構(gòu)建

基于人機(jī)智能協(xié)同理念，本研究構(gòu)建了精準(zhǔn)學(xué)習(xí)干預(yù)模型，如圖1所示。在伴隨式采集學(xué)習(xí)者多模態(tài)數(shù)據(jù)的基礎(chǔ)之上，采用人機(jī)智能協(xié)同的方式，進(jìn)行學(xué)習(xí)問題的診斷與問題成因的溯源;根據(jù)診斷結(jié)果進(jìn)行干預(yù)策略匹配;基于場景變化調(diào)整干預(yù)的實施對象與實施方式，完成干預(yù)策略實施;而后檢驗干預(yù)實施效果，進(jìn)行干預(yù)策略修正。由此構(gòu)成人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)的閉合回路。

1. 學(xué)習(xí)者多模態(tài)數(shù)據(jù)的伴隨式采集

多模態(tài)數(shù)據(jù)的獲取與采集是全面刻畫學(xué)習(xí)者、實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的基礎(chǔ)。保羅·布利施泰因（Paulo Blikstein）和馬可·沃斯利（Macro Worsley）在研究中將多模態(tài)學(xué)習(xí)分析劃分為文本分析、話語分析、筆跡分析、草圖分析、動作和手勢分析、情感狀態(tài)分析、神經(jīng)生理標(biāo)記分析、眼睛凝視分析、多模態(tài)整合和多模態(tài)界面分析等九個范疇[22]，結(jié)合學(xué)習(xí)者的性別、年齡、家庭背景等基本信息，可將多模態(tài)數(shù)據(jù)源分為以下四類：基礎(chǔ)數(shù)據(jù)，即學(xué)習(xí)者的個人基本信息、學(xué)習(xí)風(fēng)格、學(xué)習(xí)基礎(chǔ)等數(shù)據(jù)，可通過表單或量表獲得，并采用區(qū)塊鏈技術(shù)將學(xué)習(xí)歷程數(shù)據(jù)進(jìn)行全面梳理與規(guī)范化存儲;生理數(shù)據(jù)，即學(xué)習(xí)者的心率、腦波信號、皮膚電信號等神經(jīng)生理數(shù)據(jù)，多通過可穿戴設(shè)備完成采集;視覺數(shù)據(jù)，即學(xué)習(xí)者的面部表情、身體姿態(tài)等數(shù)據(jù)，可通過攝像頭進(jìn)行采集;行為數(shù)據(jù)，包含學(xué)習(xí)者的動作、筆跡、學(xué)習(xí)者之間對話等物理空間中的行為以及在線學(xué)習(xí)日志等線上學(xué)習(xí)行為等，可通過攝像頭、點陣筆等設(shè)備采集物理空間中的行為數(shù)據(jù)，并通過網(wǎng)絡(luò)學(xué)習(xí)空間采集線上學(xué)習(xí)行為數(shù)據(jù)。通過統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)體系，實現(xiàn)多源數(shù)據(jù)的共享與整合[10]。

2. 基于學(xué)習(xí)者畫像的學(xué)習(xí)問題診斷

精準(zhǔn)診斷問題的前提是對學(xué)習(xí)者進(jìn)行全面、準(zhǔn)確、實時的刻畫，因此，構(gòu)建學(xué)習(xí)者畫像是實現(xiàn)精準(zhǔn)問題診斷的基礎(chǔ)。為了能為學(xué)習(xí)者提供個性化的適性服務(wù)，學(xué)習(xí)者的個體特征、個人表現(xiàn)、個人發(fā)展等應(yīng)引起關(guān)注[23]，故而學(xué)習(xí)者畫像的構(gòu)建可以從三個層面入手：屬性層，即學(xué)習(xí)者的個體特征，如年齡、性別、學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣、學(xué)業(yè)基礎(chǔ)等，此類數(shù)據(jù)多為穩(wěn)定的結(jié)構(gòu)化數(shù)據(jù)，可基于表單或量表獲取相關(guān)數(shù)據(jù)，同時輔以實時監(jiān)測數(shù)據(jù)進(jìn)行更新;表現(xiàn)層，即學(xué)習(xí)者在學(xué)習(xí)過程中的實時表現(xiàn)，如知識點掌握情況、學(xué)習(xí)情緒、學(xué)習(xí)行為模式等，此類數(shù)據(jù)多為非結(jié)構(gòu)化數(shù)據(jù)且處于動態(tài)變化狀態(tài)，主要基于學(xué)習(xí)者的多模態(tài)數(shù)據(jù)來挖掘、分析其學(xué)習(xí)狀況;愿景層，即學(xué)習(xí)者的個人發(fā)展愿景，如課程目標(biāo)、個人發(fā)展目標(biāo)等，此類數(shù)據(jù)同樣是可通過表單來獲得的結(jié)構(gòu)化數(shù)據(jù)。基于屬性層的個人特質(zhì)，以愿景層為目標(biāo)，結(jié)合表現(xiàn)層的實時狀態(tài)數(shù)據(jù)，建立對應(yīng)的問題診斷模型，便可判斷學(xué)習(xí)者當(dāng)前存在的學(xué)習(xí)問題及問題程度。

在復(fù)雜的學(xué)習(xí)場景中，不同學(xué)習(xí)者遇到同一學(xué)習(xí)問題的成因不盡相同，且大多數(shù)問題也并非由單一原因?qū)е拢瑸榱藴?zhǔn)確進(jìn)行問題歸因，為精準(zhǔn)策略匹配提供有效支持，構(gòu)建能推理學(xué)習(xí)者問題成因的問題知識庫便成為必由之路。首先，以學(xué)習(xí)者畫像中的屬性層為依據(jù)，對學(xué)習(xí)者進(jìn)行聚類;其次，基于學(xué)習(xí)者畫像明確其問題程度;最后，基于理論研究成果選擇可能導(dǎo)致該程度問題的主要成因，采用基于貝葉斯網(wǎng)絡(luò)的建模方法確定造成該問題的各個因素，并通過多元回歸分析實現(xiàn)各因素的影響程度判斷，從而形成問題知識庫（如圖2所示）。

明確相應(yīng)問題的成因后，便可生成完整的問題實體表示。問題實體主要包含五個屬性，可表示為Q=<qn，qs，qt，qr，qc>，其中qn表示該問題的名稱，qs表示該問題隸屬的場景分類，qt表示該問題出現(xiàn)的時間，qr表示該問題的量化等級，qc則表示該問題的主要成因。為了保證問題診斷結(jié)果的可靠性和精準(zhǔn)度，可在機(jī)器診斷的基礎(chǔ)上引入人的經(jīng)驗進(jìn)行決策，即機(jī)器完成問題診斷后，對診斷結(jié)果進(jìn)行置信度評價，與人類專家預(yù)設(shè)的置信度閾值進(jìn)行比較，若低于閾值，則將診斷結(jié)果反饋給教師或者專家進(jìn)行協(xié)同診斷與反饋修正，同時將修正的結(jié)果反饋給機(jī)器進(jìn)行新一輪的數(shù)據(jù)訓(xùn)練與驗證。

3. 基于知識圖譜的干預(yù)策略匹配

實現(xiàn)精準(zhǔn)策略匹配的前提是具備全面、完善的干預(yù)策略庫，可采用基于眾包技術(shù)的數(shù)據(jù)標(biāo)注方法，綜合考慮干預(yù)策略特性與作用機(jī)制，對干預(yù)策略實體進(jìn)行標(biāo)注，從而形成干預(yù)策略庫。干預(yù)策略實體主要包含七個屬性，可表示為S=<sn，ss，sc，st，si，sf，sm>，其中，sn表示該策略的名稱，ss表示該策略隸屬的場景分類，sc表示該策略隸屬的策略類型（包含學(xué)情反映類、診斷提示類、建議引導(dǎo)類、學(xué)習(xí)內(nèi)容類及社會支持類等五類），st表示該策略的實施時機(jī)，si表示該策略的實施強度，sf表示該策略的實施頻率，sm表示該策略的實施方式（包含人工干預(yù)、機(jī)器干預(yù)、人機(jī)協(xié)同干預(yù)三類）?；诖耍鞔_問題與策略間的關(guān)聯(lián)關(guān)系，并基于深度強化學(xué)習(xí)進(jìn)行融合，以形成“問題—策略”知識圖譜。

在形成知識圖譜后，可根據(jù)問題實體的各個屬性與學(xué)習(xí)者的個人屬性推理計算出對相應(yīng)問題最具針對性、最適宜學(xué)習(xí)者的干預(yù)策略，以實現(xiàn)精準(zhǔn)的干預(yù)策略匹配。將問題置于“問題—策略”知識圖譜中進(jìn)行關(guān)系推理，得出與問題關(guān)聯(lián)的干預(yù)策略鏈集;結(jié)合學(xué)習(xí)者畫像進(jìn)行匹配計算，篩選出與學(xué)習(xí)者個人特質(zhì)關(guān)聯(lián)度最高的干預(yù)策略鏈，得出與學(xué)習(xí)者最為適配的最優(yōu)策略鏈;同樣引入人機(jī)協(xié)同的決策方式，將置信度較低的策略鏈，反饋給教師或?qū)＜疫M(jìn)行協(xié)同修正。

4. 基于場景匹配的干預(yù)策略實施

在真實的學(xué)習(xí)過程中，學(xué)習(xí)場景是動態(tài)變化的，因此，在明確最優(yōu)干預(yù)策略后，干預(yù)的實施應(yīng)隨場景的變化而不斷調(diào)整。首先要明確干預(yù)策略的實施對象，采用聚類分析方法對“策略匹配”環(huán)節(jié)生成的策略鏈進(jìn)行聚類，劃分具有相同干預(yù)策略鏈的學(xué)習(xí)者群體，根據(jù)群體規(guī)模與場景需求判斷相應(yīng)策略的實施對象，即采用個體干預(yù)、小組干預(yù)抑或群體干預(yù)的方式。例如，通過聚類分析發(fā)現(xiàn)班內(nèi)大多數(shù)學(xué)生需接受學(xué)習(xí)策略調(diào)整的干預(yù)，教師便可調(diào)整其課程教學(xué)設(shè)計，從而選擇群體干預(yù)的方式完成干預(yù)。之后根據(jù)當(dāng)前場景調(diào)整干預(yù)策略的實施時機(jī)、實施強度、實施頻率等實施條件，按照策略鏈順序依次完成干預(yù)策略實施。

5. 基于有限狀態(tài)機(jī)的干預(yù)效果驗證

建立干預(yù)效果的驗證與修正機(jī)制是實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的保障，可基于有限狀態(tài)機(jī)的思路判斷干預(yù)策略的實施效果，明確修正方法。有限狀態(tài)機(jī)是指擁有有限數(shù)量的狀態(tài)，每個狀態(tài)可以遷移到零個或多個狀態(tài)，通過查表法決定執(zhí)行哪個狀態(tài)的遷移。依據(jù)有限狀態(tài)機(jī)的思路，將干預(yù)效果設(shè)定為顯著、一般、無效三種狀態(tài)，根據(jù)干預(yù)效果的狀態(tài)遷移明確相應(yīng)的修正方法：若當(dāng)前策略實施后干預(yù)效果達(dá)到顯著狀態(tài)，則跳出該策略鏈，返回“問題診斷”環(huán)節(jié)繼續(xù)監(jiān)控學(xué)習(xí)者;若干預(yù)效果為一般狀態(tài)，則回溯至“策略實施”環(huán)節(jié)，調(diào)整當(dāng)前策略的實施對象及實施條件，而后繼續(xù)實施該策略，直至干預(yù)效果變?yōu)轱@著狀態(tài)或者無效狀態(tài);若干預(yù)效果為無效狀態(tài)，則依序?qū)嵤┎呗枣溨械南乱粋€策略，若已到達(dá)策略鏈尾節(jié)點且干預(yù)效果依然處于無效狀態(tài)，則判定該策略鏈無效。

針對無效的干預(yù)策略鏈，可首先回溯至“策略匹配”環(huán)節(jié)，由教師和專家介入修正當(dāng)前策略鏈，形成新的策略鏈并實施;若干預(yù)效果為顯著狀態(tài)，則將修正后的干預(yù)策略更新到“問題—策略”知識圖譜中，并返回“問題診斷”環(huán)節(jié)繼續(xù)監(jiān)控學(xué)習(xí)者;若更新后該策略鏈依然無效，則回溯至“問題診斷”環(huán)節(jié)，對問題診斷模型進(jìn)行參數(shù)修正，同時依據(jù)學(xué)習(xí)者的自我報告、專家與教師經(jīng)驗修正問題成因判斷，更新學(xué)習(xí)者的問題實體屬性，之后根據(jù)更新后的問題重新匹配策略并實施，直至效果為顯著狀態(tài)，并將修正后的問題更新到“問題知識庫”中，返回“問題診斷”環(huán)節(jié)繼續(xù)監(jiān)控學(xué)習(xí)者。

（三）人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型特點

上文已經(jīng)提到，在目前的研究與應(yīng)用中，“學(xué)習(xí)干預(yù)”多被視作學(xué)習(xí)過程中的單一環(huán)節(jié)，即是針對學(xué)習(xí)者出現(xiàn)的問題采取的一種解決措施。在如此觀念之下，干預(yù)形式的多樣化、干預(yù)效果的檢驗等都難以引起關(guān)注，干預(yù)措施實施后的精準(zhǔn)度及有效性難以保證。人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型則是將學(xué)習(xí)干預(yù)視為完整的系統(tǒng)工程，采用系統(tǒng)觀的觀點看待干預(yù)，注重學(xué)習(xí)干預(yù)的整體性、結(jié)構(gòu)性與動態(tài)性。

1. 整體性

系統(tǒng)的整體性體現(xiàn)為系統(tǒng)整體與部分、部分與部分、系統(tǒng)與環(huán)境相聯(lián)系的統(tǒng)一性與有機(jī)性，強調(diào)整體的作用大于部分之和?？茖W(xué)完整的學(xué)習(xí)干預(yù)應(yīng)基于對學(xué)習(xí)者全面的數(shù)據(jù)收集，準(zhǔn)確判斷問題并施加干預(yù)，干預(yù)后需對干預(yù)效果進(jìn)行檢驗優(yōu)化。人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型則是由干預(yù)問題診斷、干預(yù)策略匹配、干預(yù)策略實施、干預(yù)效果驗證等環(huán)節(jié)構(gòu)成的閉環(huán)系統(tǒng)。各環(huán)節(jié)在干預(yù)系統(tǒng)整體中各司其職、缺一不可，共同作用才能確保準(zhǔn)確的學(xué)習(xí)干預(yù)需求定位、策略匹配與效果檢驗，進(jìn)而實現(xiàn)完整且精準(zhǔn)的學(xué)習(xí)干預(yù)。

2. 結(jié)構(gòu)性

系統(tǒng)的結(jié)構(gòu)性是指系統(tǒng)中的各個組成要素相互聯(lián)系、相互制約。在精準(zhǔn)學(xué)習(xí)干預(yù)模型中，發(fā)揮獨特功能的各個環(huán)節(jié)協(xié)調(diào)配合，共同完成學(xué)習(xí)干預(yù)。其中，學(xué)習(xí)者多模態(tài)數(shù)據(jù)收集是精準(zhǔn)學(xué)習(xí)干預(yù)實施的前提，基于大數(shù)據(jù)精準(zhǔn)剖析學(xué)習(xí)者才能明確其問題根源，并實施最適切有效的干預(yù);干預(yù)策略匹配是精準(zhǔn)學(xué)習(xí)干預(yù)實施的根本，在全面考慮各類干預(yù)形式的同時，干預(yù)的內(nèi)容、時機(jī)、強度、頻率也應(yīng)進(jìn)行考量，最大限度地提升干預(yù)的精準(zhǔn)度;干預(yù)效果驗證是精準(zhǔn)學(xué)習(xí)干預(yù)實施的保障，依據(jù)實施后的檢驗效果判斷是否已解決問題，進(jìn)而決定是否需要調(diào)整策略。

3. 動態(tài)性

系統(tǒng)的動態(tài)性強調(diào)通過要素、系統(tǒng)和環(huán)境三者之間的相互聯(lián)系和作用來不斷反饋、調(diào)節(jié)、控制和更新系統(tǒng)[24]。精準(zhǔn)學(xué)習(xí)干預(yù)模型的動態(tài)性主要體現(xiàn)在兩點：其一，對學(xué)習(xí)者狀態(tài)的動態(tài)監(jiān)測，持續(xù)關(guān)注學(xué)習(xí)者，基于其實時狀態(tài)調(diào)整干預(yù)各環(huán)節(jié)的進(jìn)行，從學(xué)習(xí)者實際情況出發(fā)才是精準(zhǔn)干預(yù)的可行之道;其二，“干預(yù)效果驗證”環(huán)節(jié)的反饋調(diào)節(jié)作用，每位學(xué)習(xí)者都有其獨特性，基于先前研究結(jié)論或?qū)嵺`經(jīng)驗得出的普遍有效的干預(yù)措施未必適用于每位學(xué)習(xí)者，因此，在實施干預(yù)措施后，應(yīng)基于實施效果調(diào)節(jié)學(xué)習(xí)干預(yù)系統(tǒng)的其他環(huán)節(jié)，即結(jié)合問題解決的程度與學(xué)習(xí)者狀態(tài)判斷是應(yīng)調(diào)節(jié)干預(yù)實施的時機(jī)、強度與頻率，還是更改干預(yù)策略的形式與內(nèi)容，抑或重新進(jìn)行問題診斷，明確問題診斷是否有誤。

四、精準(zhǔn)學(xué)習(xí)干預(yù)的實現(xiàn)路向

為了確保人機(jī)智能的有效融合，實現(xiàn)人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)，真正推動學(xué)習(xí)干預(yù)走向精準(zhǔn)化，未來在研究與實踐中仍需進(jìn)一步探索。

（一）構(gòu)建分析模型，準(zhǔn)確表征問題

當(dāng)前的智能學(xué)習(xí)平臺在對學(xué)習(xí)者進(jìn)行問題診斷時，多是基于單維數(shù)據(jù)的分級判斷，或是對數(shù)據(jù)的簡要統(tǒng)計分析，缺乏面向不同學(xué)習(xí)者、不同場景的深度剖析，并未充分挖掘海量數(shù)據(jù)中的信息價值，從而難以對相應(yīng)問題進(jìn)行科學(xué)準(zhǔn)確的等級量化，對生成問題實體造成了一定困難。因此，未來需關(guān)注“學(xué)習(xí)者問題是怎樣的”，首先應(yīng)了解學(xué)習(xí)者的認(rèn)知發(fā)展規(guī)律，可借助認(rèn)知神經(jīng)科學(xué)的方法與手段，在經(jīng)典教育理論的基礎(chǔ)上深入剖析人的認(rèn)知發(fā)展過程，并基于相關(guān)理論指導(dǎo)與研究成果選擇可恰當(dāng)表征問題的特征，構(gòu)建科學(xué)有效的學(xué)習(xí)分析模型，揭示數(shù)據(jù)背后隱藏的意義，準(zhǔn)確判斷學(xué)習(xí)者出現(xiàn)的問題類型及等級，為后續(xù)干預(yù)策略的匹配與實施提供準(zhǔn)確目標(biāo)。

（二）追溯問題根源，助力策略匹配

準(zhǔn)確的問題歸因是精準(zhǔn)匹配干預(yù)策略的前提，目前對學(xué)習(xí)者問題的歸因多是基于訪談或問卷來完成，但由于不同場景中教育主客體、教學(xué)環(huán)境、教學(xué)內(nèi)容、教學(xué)媒介之間的相互作用以及關(guān)系是不同的，僅通過訪談與問卷的形式歸因難以保證結(jié)論的科學(xué)性。因此，在未來的研究中應(yīng)關(guān)注“學(xué)習(xí)是如何發(fā)生的”，即探析教與學(xué)的客觀規(guī)律，將研究從實驗室環(huán)境逐漸轉(zhuǎn)向真實的學(xué)習(xí)場景，并利用認(rèn)知科學(xué)、神經(jīng)科學(xué)、心理學(xué)、信息科學(xué)、復(fù)雜性科學(xué)等理論和方法多角度解析教學(xué)規(guī)律[2]，明確不同學(xué)習(xí)問題的成因，為面向不同場景、不同問題的學(xué)習(xí)干預(yù)策略精準(zhǔn)匹配提供理論支持。

（三）探究干預(yù)機(jī)制，改進(jìn)策略實施

由于干預(yù)策略的性質(zhì)各有不同，其解決問題均有獨特的工作方式，但目前的相關(guān)研究并不多見。因此，未來研究中也應(yīng)著重探析“干預(yù)策略是如何奏效的”，即明確干預(yù)策略的作用機(jī)制。例如，個性化提示策略雖可以有效引導(dǎo)學(xué)習(xí)者進(jìn)行自我監(jiān)控與自我反思，但若在學(xué)習(xí)者尚未取得任何進(jìn)展時頻繁提示其查看學(xué)習(xí)結(jié)果，不但不能激起其學(xué)習(xí)動機(jī)，反而會造成焦慮，產(chǎn)生負(fù)向的干預(yù)效果[16]。此外，部分策略的干預(yù)效果并非立刻顯現(xiàn)，其具有滯后性，需充分考慮策略的起效時間。因此，在研究中應(yīng)加強對干預(yù)策略作用機(jī)制的探究，以明確干預(yù)策略的最佳實施時機(jī)、強度與頻率。

（四）完善研究設(shè)計，明確干預(yù)效果

實證研究設(shè)計的局限性制約了研究結(jié)論的應(yīng)用價值，因此，有關(guān)學(xué)習(xí)干預(yù)實證研究的研究設(shè)計應(yīng)進(jìn)一步予以完善，以明晰“干預(yù)效果是怎樣的”。其一，在研究思路方面，應(yīng)著重探索每一種干預(yù)策略的具體應(yīng)用效果，例如，對比不同干預(yù)措施的實施效果，明確每項干預(yù)措施的學(xué)習(xí)效果優(yōu)化指向，并將學(xué)習(xí)者對干預(yù)措施的接受度、滿意度等納入效果驗證指標(biāo);其二，在研究方法上，為了明確解決某個問題的有效干預(yù)策略，應(yīng)考慮采用可探究多個自變量與某因變量關(guān)系的方法，例如，采用多元線性回歸，挖掘可預(yù)測某種問題解決的干預(yù)策略最優(yōu)組合，或采用結(jié)構(gòu)方程模型，清晰分析單個干預(yù)策略與相應(yīng)問題之間的關(guān)系;其三，在被試的選擇上，補充被試層次，將學(xué)齡前學(xué)習(xí)者、K12學(xué)習(xí)者、職業(yè)教育學(xué)習(xí)者等納入考量，同時擴(kuò)大被試數(shù)量，以確保研究結(jié)論的科學(xué)性與說服力;其四，在研究周期上，將不同干預(yù)策略的起效時間作為研究設(shè)計的重要依據(jù)，根據(jù)干預(yù)策略的作用周期設(shè)定實驗時間，科學(xué)明確干預(yù)的實施效果。

五、結(jié)? ?語

智能教育的典型場景是精準(zhǔn)教學(xué)與個性化學(xué)習(xí)，精準(zhǔn)學(xué)習(xí)干預(yù)作為二者同頻共振的交匯點，是實現(xiàn)規(guī)模個性化人才培養(yǎng)、創(chuàng)新優(yōu)質(zhì)教育服務(wù)的重要途徑。隨著技術(shù)的發(fā)展，大數(shù)據(jù)、人工智能等信息技術(shù)的支持使得學(xué)習(xí)干預(yù)逐漸兼具個性化與全面性，但其依然難以達(dá)到精準(zhǔn)化的標(biāo)準(zhǔn)。人工智能與人類智慧均有其“天花板”，將二者融合方為實現(xiàn)精準(zhǔn)學(xué)習(xí)干預(yù)的可行路徑。未來研究者應(yīng)關(guān)注人機(jī)智能協(xié)同理念，并基于人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)模型研發(fā)智能學(xué)習(xí)平臺，助力學(xué)習(xí)干預(yù)的精準(zhǔn)施策。

[參考文獻(xiàn)]

[1] 新華社.習(xí)近平向國際人工智能與教育大會致賀信[EB/OL].（2019-05-16）[2021-10-20].http：//www.xinhuanet.com/politics/leaders/2019-05/16/c_1124502111.htm.

[2] 中共中央，國務(wù)院.中國教育現(xiàn)代化2035[EB/OL].（2019-02-23）[2021-10-27].http：//www.gov.cn/xinwen/2019-02/23/content_536 7987.htm.

[3] 鄭永和，王楊春曉，王一巖.智能時代的教育科學(xué)研究：內(nèi)涵、邏輯框架與實踐進(jìn)路[J].中國遠(yuǎn)程教育，2021（6）：1-10，17，76.

[4] 中華新聞網(wǎng).教育專家：中國教育的主要矛盾已發(fā)生轉(zhuǎn)變[EB/OL].（2017-11-15）[2021-10-20].http：//www.edu.cn/zhong_guo_jiao_ yu/zong_he/zong_he_news/201711/t20171115_1566602.shtml.

[5] 陳珊.促進(jìn)問題解決的學(xué)習(xí)干預(yù)設(shè)計與應(yīng)用研究[D].上海：華東師范大學(xué)，2014.

[6] 李彤彤，黃洛穎，鄒蕊，武法提.基于教育大數(shù)據(jù)的學(xué)習(xí)干預(yù)模型構(gòu)建[J].中國電化教育，2016（6）：16-20.

[7] 周媛，韓彥鳳.混合學(xué)習(xí)活動中學(xué)習(xí)者學(xué)習(xí)投入的研究[J].電化教育研究，2018，39（11）：99-105.

[8] 胡航，李雅馨，曹一凡，趙秋華，郎啟娥.腦機(jī)交互促進(jìn)學(xué)習(xí)有效發(fā)生的路徑及實驗研究——基于在線學(xué)習(xí)系統(tǒng)中的注意力干預(yù)分析[J].遠(yuǎn)程教育雜志，2019，37（4）：54-63.

[9] 劉紅霞，趙蔚，李士平.學(xué)習(xí)分析視角下學(xué)習(xí)設(shè)計對大學(xué)生學(xué)業(yè)自我效能的影響研究——兼論學(xué)習(xí)設(shè)計與學(xué)習(xí)分析的一致性[J].現(xiàn)代遠(yuǎn)距離教育，2017（5）：58-65.

[10] 晉欣泉，姜強，趙蔚.網(wǎng)絡(luò)學(xué)習(xí)空間中學(xué)業(yè)預(yù)警及干預(yù)研究：態(tài)勢、關(guān)鍵問題及創(chuàng)新應(yīng)用[J].現(xiàn)代教育技術(shù)，2021，31（6）：79-87.

[11] 魏雪峰，崔光佐.小學(xué)數(shù)學(xué)學(xué)習(xí)困難學(xué)生“一對一”認(rèn)知診斷與干預(yù)研究[J].電化教育研究，2016，37（2）：75-81.

[12] LONG P D， SIEMENS G. Penetrating the fog： analytics in learning and education[J]. Educause review， 2011，46（5）：31-40.

[13] 尤佳鑫，孫眾.云學(xué)習(xí)平臺大學(xué)生學(xué)業(yè)成績預(yù)測與干預(yù)研究[J].中國遠(yuǎn)程教育，2016（9）：14-20，79.

[14] 李建中.人工智能時代的知識學(xué)習(xí)與創(chuàng)新教育的轉(zhuǎn)向[J].中國電化教育，2019，387（4）：10-16.

[15] 汪瓊，李文超.人工智能助力因材施教：實踐誤區(qū)與對策[J].現(xiàn)代遠(yuǎn)程教育研究，2021，33（3）：12-17，43.

[16] 殷寶媛，武法提.學(xué)習(xí)習(xí)慣在線干預(yù)的原理與模型設(shè)計[J].電化教育研究，2019，40（12）：72-79.

[17] 張家華，鄒琴，祝智庭.學(xué)習(xí)分析視角下在線學(xué)習(xí)干預(yù)模型應(yīng)用[J].現(xiàn)代遠(yuǎn)程教育研究，2017（4）：88-96.

[18] 黃濤，龔眉潔，楊華利，王涵，張晨晨.人機(jī)協(xié)同支持的小學(xué)語文寫作教學(xué)研究[J].電化教育研究，2020，41（2）：108-114.

[19] 鄭勤華，熊潞穎，胡丹妮.任重道遠(yuǎn)：人工智能教育應(yīng)用的困境與突破[J].開放教育研究，2019，25（4）：10-17.

[20] 朱永海，劉慧，李云文，王麗.智能教育時代下人機(jī)協(xié)同智能層級結(jié)構(gòu)及教師職業(yè)形態(tài)新圖景[J].電化教育研究，2019，40（1）：104-112，120.

[21] 趙勇.未來，我們?nèi)绾巫鼋處?？[J].中國德育，2017（11）：48-51.

[22] BLIKSTEIN P M. Multimodal learning analytics and education data mining： using computational technologies to measure complex learning tasks[J]. Journal of learning analytics， 2016，3（2）：220-238.

[23] 彭紅超，祝智庭.人機(jī)協(xié)同決策支持的個性化適性學(xué)習(xí)策略探析[J].電化教育研究，2019，40（2）：12-20.

[24] 張卓民.辯證唯物主義系統(tǒng)觀初探[J].社會科學(xué)輯刊，1983（6）：32-39.