王靖 巴安妮 吳寶鎖

摘要：反饋是有效教學(xué)中不可或缺的要素，智能技術(shù)在教育領(lǐng)域的興起為形成性、個性化的教學(xué)反饋帶來新的可能。對相關(guān)研究進(jìn)行系統(tǒng)性梳理能夠?yàn)橹悄芊答佅到y(tǒng)的設(shè)計、開發(fā)與應(yīng)用提供指導(dǎo)。從目標(biāo)、作用機(jī)制和系統(tǒng)架構(gòu)三個維度對智能教學(xué)反饋的研究現(xiàn)狀進(jìn)行分析后發(fā)現(xiàn)：基于智能技術(shù)的教學(xué)反饋旨在為學(xué)習(xí)者的認(rèn)知、情感與態(tài)度、元認(rèn)知帶來積極影響，促使學(xué)習(xí)者改進(jìn)當(dāng)前狀態(tài)和學(xué)習(xí)成效。在反饋?zhàn)饔脵C(jī)制層面，基于正確/錯誤響應(yīng)的自動反饋通常采用基于規(guī)則的匹配模式，通過對比答案正誤來觸發(fā)反饋；個性化教學(xué)反饋的關(guān)鍵在于構(gòu)建學(xué)習(xí)者模型，使教學(xué)反饋適應(yīng)不同學(xué)生的特征，并結(jié)合本體論或采用多輪人機(jī)對話的方式實(shí)現(xiàn)教學(xué)反饋的個性化；人機(jī)協(xié)同反饋通過實(shí)現(xiàn)教師、學(xué)生與計算機(jī)之間的互動與互補(bǔ)，來提升教學(xué)反饋的有效性。在系統(tǒng)架構(gòu)層面，反饋系統(tǒng)由輸入層、分析層、推理生成層三個層次組成，通過一系列算法模型和反饋機(jī)制生成反饋決策，其與學(xué)習(xí)者模型、專家模型、領(lǐng)域模型的相互作用決定著教學(xué)反饋的精確性與適應(yīng)程度。

關(guān)鍵詞：智能技術(shù)；教學(xué)反饋；反饋目標(biāo)；反饋機(jī)制；人機(jī)協(xié)同

中圖分類號：G434? ?文獻(xiàn)標(biāo)識碼：A? ? 文章編號：1009-5195（2023）03-0102-11? doi10.3969/j.issn.1009-5195.2023.03.012

基金項(xiàng)目：國家社會科學(xué)基金教育學(xué)青年課題“跨學(xué)科教育中的協(xié)同概念轉(zhuǎn)變研究”（CCA190260）；江蘇省教育科學(xué)“十四五”規(guī)劃2021年度課題“學(xué)習(xí)評價改革對大學(xué)生學(xué)習(xí)收獲影響機(jī)制研究”（D/2021/01/46）。

作者簡介：王靖，博士，副教授，碩士生導(dǎo)師，江南大學(xué)江蘇高校“互聯(lián)網(wǎng)+教育”研究基地（江蘇無錫 214122）；巴安妮，碩士研究生，江南大學(xué)江蘇高?！盎ヂ?lián)網(wǎng)＋教育”研究基地（江蘇無錫 214122）；吳寶鎖，助理研究員，江南大學(xué)教務(wù)處（江蘇無錫 214122）。

一、引言

當(dāng)前，大數(shù)據(jù)、云計算等數(shù)字技術(shù)的創(chuàng)新和迭代速度明顯加快，數(shù)字化轉(zhuǎn)型已成為世界各國發(fā)展的必然趨勢（吳巖，2023）。教育數(shù)字化轉(zhuǎn)型的核心陣地在于課堂，如何在課堂中使用當(dāng)今蓬勃發(fā)展的智能技術(shù)，為不同特征的學(xué)習(xí)者提供差異化的學(xué)習(xí)支持，成為課堂數(shù)字化轉(zhuǎn)型的重要研究議題。教學(xué)反饋?zhàn)鳛檎n堂學(xué)習(xí)支持的重要形式，被視為“對學(xué)習(xí)和成就最有力的影響之一”（Hattie et al.，2007）。智能技術(shù)在教育中的應(yīng)用越來越普遍，尤其是生成式人工智能的飛速發(fā)展，更是引起人們對智能技術(shù)如何與課堂深度融合、如何更好地賦能教學(xué)反饋的思考。

當(dāng)前，智能技術(shù)賦能教學(xué)反饋的文獻(xiàn)綜述中，研究者主要是在智能教學(xué)系統(tǒng)視角下審視反饋功能的設(shè)計。例如Crow等（2018）通過綜述報告如何在編程智能教學(xué)系統(tǒng)中集成反饋功能，尤其針對自適應(yīng)反饋功能模塊進(jìn)行了詳細(xì)論證；Mousavinasab等（2021）梳理了智能教學(xué)系統(tǒng)的經(jīng)典架構(gòu)，并統(tǒng)計了智能技術(shù)的應(yīng)用領(lǐng)域（含反饋）和常見的技術(shù)方法。然而在智能技術(shù)的支持下，教學(xué)反饋到底能夠解決什么問題？具體是如何產(chǎn)生教學(xué)效果的？在技術(shù)上如何實(shí)現(xiàn)？這些問題尚未得到很好的回答?；诖?，研究擬在明晰反饋內(nèi)涵的基礎(chǔ)上，通過系統(tǒng)梳理與審視智能反饋相關(guān)研究，嘗試回答以下三個研究問題：（1）智能教學(xué)反饋的作用維度和具體目標(biāo)是什么？（2）智能教學(xué)反饋的作用機(jī)制和效果如何？（3）智能反饋系統(tǒng)的體系架構(gòu)是什么？其實(shí)現(xiàn)的算法有哪些？

二、反饋的內(nèi)涵

當(dāng)前關(guān)于反饋的內(nèi)涵主要有兩種觀點(diǎn)。一種認(rèn)為：反饋是一種有助于學(xué)生提高績效的信息。Ramaprasad（1983）將反饋形容為“實(shí)際水平和參考水平之間差距的信息，用于以某種方式改變差距”。與之相似的，Hattie等（2007）將反饋概念化為一個代理人（例如，老師、同伴、書本、父母、自我、經(jīng)驗(yàn)等）提供的關(guān)于促進(jìn)一個人表現(xiàn)或理解方面的信息。這與課堂實(shí)際情況相符，學(xué)生接收到教師等人的反饋信息，可能產(chǎn)生行動上的改變。然而，并不是所有的反饋信息都能達(dá)到預(yù)期效果，必須考慮它的作用機(jī)制以及后續(xù)影響等問題。這使部分研究者將反饋概念化為一個過程，即反饋的第二種內(nèi)涵。Price等（2010）指出，只有當(dāng)學(xué)習(xí)者理解反饋，愿意且能夠根據(jù)反饋采取行動時，反饋信息才會有效。換句話說，教育工作者需要思考如何設(shè)計反饋信息，以及如何使反饋信息逐步被學(xué)生理解、運(yùn)用。正如Beaumont等（2011）的觀點(diǎn)，反饋的價值在于將它重新定義為形成性指導(dǎo)過程，而不是單一的事件。Boud等（2013）同樣強(qiáng)調(diào)，反饋需要對學(xué)習(xí)產(chǎn)生積極且持續(xù)的影響。

隨著技術(shù)和學(xué)習(xí)理念的發(fā)展，反饋的第二種內(nèi)涵越發(fā)受到研究者青睞，即反饋不僅是信息，還應(yīng)包含它完整的作用過程。有效的反饋應(yīng)從學(xué)習(xí)者被動接受反饋信息轉(zhuǎn)變?yōu)殛P(guān)注他們的需求，促使學(xué)習(xí)者主動感知、理解與采納反饋信息。智能技術(shù)工具不應(yīng)僅作為反饋信息的載體和輸出端，它們還應(yīng)承擔(dān)起“思考”反饋過程與有效性的責(zé)任。反饋系統(tǒng)應(yīng)以學(xué)習(xí)目標(biāo)和需求為出發(fā)點(diǎn)，模擬人類教師的持續(xù)理解與干預(yù)過程，設(shè)置特定的反饋事件，為學(xué)生帶來積極、可持續(xù)發(fā)展的影響。

綜上，本研究關(guān)注的教學(xué)反饋是指在教育教學(xué)中由智能系統(tǒng)、AI技術(shù)或者其他數(shù)字化學(xué)習(xí)軟件提供的智能反饋和支持，即“計算機(jī)→學(xué)生”反饋路徑，這也是后續(xù)文獻(xiàn)搜索和綜述的依據(jù)。

三、研究過程與方法

本研究采用系統(tǒng)性文獻(xiàn)綜述法。系統(tǒng)性文獻(xiàn)綜述是利用不同的數(shù)據(jù)庫和多種檢索與分析技術(shù)，全面而準(zhǔn)確地掌握某一專題研究進(jìn)展，并得出和檢驗(yàn)研究結(jié)論的標(biāo)準(zhǔn)化文獻(xiàn)研究方法（黃甫全等，2017）。本文采用的文獻(xiàn)檢索、文獻(xiàn)評估、數(shù)據(jù)抽取與整合過程與方法如下。

1.文獻(xiàn)檢索

本研究選定的數(shù)據(jù)庫為CNKI、Web of Science、EBSCO，搜索時間限定為2012—2021年。中文檢索關(guān)鍵詞包括“智能反饋”、“反饋”＋“智能”，文獻(xiàn)來源限定為北大核心期刊、CSSCI期刊，學(xué)科選擇“教育理論與教育管理”，在CNKI中獲得文獻(xiàn)94篇。英文檢索語句為：TS＝intelligent feedback AND AB＝students，加入“學(xué)生”作為限定詞是因?yàn)榍捌谒阉鲿r發(fā)現(xiàn)大量工程學(xué)文獻(xiàn)；研究領(lǐng)域選擇“教育教學(xué)研究”，搜索得到319篇文獻(xiàn)。中英文文獻(xiàn)共計413篇。此外研究還選取了International Conference on Artificial Intelligence in Education（AIED）、International Conference on Educational Data Mining（EDM）等智能教育、教育大數(shù)據(jù)領(lǐng)域有較大影響力的國際會議論文集，根據(jù)題目與摘要初步篩選出19篇會議文獻(xiàn)。

2.文獻(xiàn)評估

為解決研究問題，本研究制定了文獻(xiàn)納入與排除標(biāo)準(zhǔn)，確保最終納入文獻(xiàn)的內(nèi)容與研究高度相關(guān)，如表1所示。結(jié)合文獻(xiàn)納入與排除標(biāo)準(zhǔn)，通過排除重復(fù)文獻(xiàn)、閱讀文獻(xiàn)標(biāo)題與摘要、閱讀全文三個步驟，對413篇期刊文獻(xiàn)進(jìn)行篩選，最終獲得40篇文獻(xiàn)。對于會議論文，采取逐一閱讀全文的方式，并通過滾雪球納入相關(guān)文獻(xiàn)，最終得到10篇文獻(xiàn)。二者共計獲得文獻(xiàn)50篇。整個篩選過程與結(jié)果如圖1所示。

3. 抽取與整合數(shù)據(jù)

對于納入的50篇文獻(xiàn)，研究編制了文獻(xiàn)信息抽取單，從以下四個方面完成關(guān)鍵信息的提?。海?）文獻(xiàn)基本信息；（2）反饋的目標(biāo)與反饋的結(jié)果；（3）反饋設(shè)計的內(nèi)容、流程；（4）反饋系統(tǒng)的架構(gòu)、算法。

四、智能反饋的目標(biāo)

研究從認(rèn)知、情感與態(tài)度、元認(rèn)知三個維度梳理了納入文獻(xiàn)中智能反饋的目標(biāo)（如表2所示）。其中，23項(xiàng)研究重點(diǎn)關(guān)注對學(xué)生認(rèn)知層面的錯誤糾正與學(xué)習(xí)過程指導(dǎo)，這可能與當(dāng)下對智能反饋的需求有關(guān)。研究者期望使用精確、及時的糾正性反饋來減輕教師的負(fù)擔(dān)，增強(qiáng)教學(xué)便利性。在情感與態(tài)度方面，研究主要探討基于智能技術(shù)的反饋是如何激發(fā)學(xué)生學(xué)習(xí)動機(jī)、增強(qiáng)教學(xué)互動以及改善學(xué)生的情感體驗(yàn)的。在學(xué)生的元認(rèn)知方面，相關(guān)研究主要涉及反饋是如何促進(jìn)學(xué)生自我調(diào)節(jié)以及是如何反映學(xué)習(xí)異常的。

1.認(rèn)知維度的反饋目標(biāo)

認(rèn)知維度的反饋目標(biāo)是指借助智能技術(shù)，通過表征學(xué)生關(guān)于某一問題或知識點(diǎn)的理解及掌握程度，及時提供輔助性信息，幫助學(xué)生達(dá)到提升認(rèn)知和能力水平的目的。認(rèn)知維度的反饋存在提示解釋錯誤、指導(dǎo)學(xué)習(xí)過程兩種目標(biāo)。

提示解釋錯誤。智能技術(shù)賦能的教學(xué)反饋在二外寫作、反思性寫作、編程等領(lǐng)域或解決封閉式問題過程中，能為學(xué)生提供有關(guān)答案正誤的信息，輔以解釋或提示，幫助學(xué)生及時修正錯誤，減少不確定性。例如，Hung等（2015）通過基于對話的認(rèn)知輔導(dǎo)系統(tǒng)為學(xué)生提供強(qiáng)化反饋、糾正性反饋和進(jìn)一步建議；Ai（2017）在智能計算機(jī)輔助語言學(xué)習(xí)環(huán)境中根據(jù)學(xué)習(xí)者表現(xiàn)為其提供隱式、一般或顯式的、具體的糾正反饋。在寫作領(lǐng)域的反饋中，Kang等（2015）通過元分析發(fā)現(xiàn)，糾錯反饋確實(shí)能夠?qū)ν庹Z寫作的準(zhǔn)確性產(chǎn)生積極效果，但其有效性受學(xué)習(xí)者的熟練程度、任務(wù)背景和類型等許多變量的影響，因而在設(shè)計與實(shí)施反饋時應(yīng)綜合考慮多重因素，最大化地發(fā)揮反饋?zhàn)饔谩?/p>

指導(dǎo)學(xué)習(xí)過程。針對任務(wù)過程的反饋能夠支持學(xué)習(xí)者更深入地理解他們的當(dāng)前水平以及未來應(yīng)如何逐步達(dá)成目標(biāo)（Balzer et al.，1989），它是對學(xué)生任務(wù)選擇、學(xué)習(xí)策略選擇、下一步行動等方面的干預(yù)指導(dǎo)，通常與認(rèn)知錯誤提示結(jié)合使用。如Bush（2021）設(shè)計的自適應(yīng)有理數(shù)導(dǎo)師中，每個任務(wù)完成后學(xué)生會收到此次任務(wù)的正誤反饋，如果連續(xù)多次任務(wù)作答錯誤，系統(tǒng)會調(diào)整教學(xué)順序或提供面向過程的反饋，這種反饋以可交互的視頻形式呈現(xiàn)；Tacoma等（2020）嘗試將內(nèi)外部反饋結(jié)合，幫助學(xué)生調(diào)整當(dāng)前關(guān)于領(lǐng)域的知識狀態(tài)以及選擇合適的后續(xù)任務(wù)或?qū)W習(xí)活動。

2.情感與態(tài)度維度的反饋目標(biāo)

基于學(xué)生情感與態(tài)度在學(xué)習(xí)中的重要性，許多智能教學(xué)反饋系統(tǒng)將學(xué)生的情緒，如沮喪、無聊、困惑、好奇和焦慮等，納入學(xué)習(xí)者模型。本研究認(rèn)為，情感與態(tài)度維度的反饋主要存在激發(fā)學(xué)習(xí)動機(jī)、增強(qiáng)教學(xué)互動和改善情感體驗(yàn)三種目的。

激發(fā)學(xué)習(xí)動機(jī)。為學(xué)生提供的學(xué)習(xí)支持服務(wù)需要情感層面的互動，通過鼓勵學(xué)生來提高其學(xué)習(xí)動機(jī)。例如，Xie等（2021）研究激勵式在線對話代理，通過表達(dá)共同的情緒、緩解心理抗拒和呈現(xiàn)認(rèn)知沖突來促使低參與度的學(xué)習(xí)者產(chǎn)生改變行為的動機(jī)；Rajendran等（2019）使用智能輔導(dǎo)系統(tǒng)對學(xué)生出現(xiàn)的錯誤和挫折進(jìn)行外部歸因，并通過提供與認(rèn)知相關(guān)的鼓勵、表揚(yáng)等方式，增強(qiáng)學(xué)生的自我效能感，促進(jìn)其參與學(xué)習(xí)活動。

增強(qiáng)教學(xué)互動。反饋的隱喻之一是作為學(xué)習(xí)者的工具（Jensen et al.，2021），其核心是學(xué)生使用反饋來學(xué)習(xí)（Chen et al.，2018）。反饋?zhàn)鳛閹熒鷾贤ǖ拿浇?，通常需要借助軟件和硬件設(shè)備，通過增強(qiáng)交互的方式來提升學(xué)習(xí)者的課堂投入與參與感。例如，王偉東等（2015）研究中的互動反饋系統(tǒng)能夠?qū)W(xué)生終端的作答實(shí)時呈現(xiàn)于教室內(nèi)的大屏幕上，便于師生及時了解學(xué)生及同伴答題情況并促進(jìn)學(xué)生積極參與課堂互動；田嵩（2018）使用基于微信的移動課堂實(shí)時屏幕反饋系統(tǒng)，促進(jìn)師生實(shí)時觀點(diǎn)交互，提升學(xué)生對課堂的關(guān)注度與滿意度，同時延伸了課堂話語空間。

改善情感體驗(yàn)。通過智能技術(shù)模擬人類教師的情感并回應(yīng)學(xué)習(xí)者的情緒狀態(tài)，是改善學(xué)習(xí)者情感體驗(yàn)的良好方式。Jiménez等（2018）為學(xué)生提供的反饋系統(tǒng)，能實(shí)現(xiàn)問候、積極地感嘆以及道歉等情感支持，有效地延長了學(xué)生的學(xué)習(xí)時間，提升了學(xué)生愉悅程度。Bringula等（2018）嘗試采用包含高興、悲傷、驚訝和中性面部表情反饋的個人教學(xué)代理，一定程度上提升了學(xué)習(xí)者的數(shù)學(xué)績效。

總的來說，情感與態(tài)度維度的反饋研究表現(xiàn)出兩種趨勢：一是通過增強(qiáng)智能技術(shù)對學(xué)習(xí)者情感態(tài)度的感知，設(shè)計相應(yīng)的情感反饋機(jī)制；二是通過增強(qiáng)智能技術(shù)反饋的情感表達(dá)，例如包含情緒的表情、問候、關(guān)懷等，促進(jìn)虛擬教師與學(xué)生的情感交互，提升系統(tǒng)交互友好性與學(xué)習(xí)體驗(yàn)。

3.元認(rèn)知維度的反饋目標(biāo)

學(xué)習(xí)者的元認(rèn)知是其對自己學(xué)習(xí)過程的監(jiān)控。納入文獻(xiàn)中元認(rèn)知維度的反饋主要存在促進(jìn)學(xué)生自我調(diào)節(jié)和反映學(xué)習(xí)異常兩個子目標(biāo)。

促進(jìn)自我調(diào)節(jié)。促進(jìn)自我調(diào)節(jié)的反饋具備“可持續(xù)發(fā)展”的特性，它幫助學(xué)習(xí)者自我發(fā)現(xiàn)錯誤、反思原因、改進(jìn)學(xué)習(xí)策略和方法等。Duffy等（2015）為具有不同成就動機(jī)的學(xué)生提供腳手架和自我調(diào)節(jié)策略，并反饋其使用的準(zhǔn)確性和質(zhì)量；Wolff等（2014）使用機(jī)器學(xué)習(xí)和可視化呈現(xiàn)來幫助學(xué)習(xí)者檢查觀點(diǎn)是否具有內(nèi)在一致性，糾正思維中的不一致。在這個過程中，反饋系統(tǒng)不會給學(xué)習(xí)者提供任何明確的指示，而是引導(dǎo)他們反思自我表現(xiàn)并解決問題。

反映學(xué)習(xí)異常。學(xué)生在自主學(xué)習(xí)中常見的異常狀態(tài)包括離線、沉默和濫用提示等；在協(xié)作學(xué)習(xí)中突出的異常表現(xiàn)為學(xué)生不積極參與，甚至不參與（張立山等，2021）。這些均可從系統(tǒng)監(jiān)測角度對學(xué)生行為表現(xiàn)進(jìn)行追蹤并干預(yù)，例如識別學(xué)生當(dāng)下行為屬于任務(wù)型或非任務(wù)型，在兩者間轉(zhuǎn)化時及時提供鼓勵或警告反饋（Sun et al.，2019）。Chiu等（2021）利用傳感器技術(shù)和圖像識別技術(shù)收集數(shù)據(jù)，采用貝葉斯分類網(wǎng)絡(luò)對學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行推斷，將即時的學(xué)習(xí)狀態(tài)分析結(jié)果反饋給學(xué)生。

五、智能反饋?zhàn)饔脵C(jī)制與效果

1.智能反饋的作用機(jī)制

對于反饋如何發(fā)揮作用這一問題，研究者們持有不同觀點(diǎn)，這與他們秉持的學(xué)習(xí)理念及對反饋概念的理解息息相關(guān)。何克抗（2017）在前人觀點(diǎn)的基礎(chǔ)上總結(jié)出兩種影響較大的模型：一是機(jī)械模型，二是建構(gòu)主義模型。前者將學(xué)生作為反饋信息的被動使用者，后者強(qiáng)調(diào)學(xué)生主動使用反饋并積極建構(gòu)自我的過程。從作用機(jī)制來分析納入文獻(xiàn)，可將其劃分為基于正確/錯誤響應(yīng)的自動反饋和智能系統(tǒng)中的個性化反饋。前者屬于機(jī)械模型，以答案正誤為反饋觸發(fā)機(jī)制；后者以學(xué)習(xí)者需求為出發(fā)點(diǎn)，基于學(xué)習(xí)者模型，為學(xué)生提供個性化反饋。此外，隨著智能技術(shù)與課堂的深度融合，人機(jī)協(xié)同是進(jìn)一步提升反饋個性化和全面性的發(fā)展趨勢。

（1）基于正確/錯誤響應(yīng)的自動反饋

能夠檢測、糾正學(xué)生在測驗(yàn)、考試、寫作中的認(rèn)知錯誤的自動反饋，可以減輕教師負(fù)擔(dān)，提升教學(xué)效率，因而常被運(yùn)用于編程、寫作以及數(shù)學(xué)、英語等學(xué)科教學(xué)之中。根據(jù)反饋信息的不同，有研究者將其總結(jié)歸納為驗(yàn)證反饋和應(yīng)變反饋兩類（Demaidi et al.，2018）。

驗(yàn)證反饋也被稱為結(jié)果知識反饋。它只驗(yàn)證學(xué)生答案的正誤，因此教師通常需要向?qū)＜抑R庫中輸入題目ID和正確答案信息。學(xué)習(xí)者測試后，系統(tǒng)將學(xué)習(xí)者答案與標(biāo)準(zhǔn)答案進(jìn)行匹配，根據(jù)結(jié)果提示正確或錯誤。通常采用文本、符號、語句、閃爍提示、顏色標(biāo)注等方式呈現(xiàn)反饋信息。例如Mitrovic等（2013）使用教學(xué)系統(tǒng)SQL—Tutor，結(jié)合700個領(lǐng)域特定約束的知識庫，為學(xué)習(xí)者提供“干得好”“那是正確的”類似短語形式的正反饋。然而它的作用領(lǐng)域與效果有限，不適用于語句、段落等含義復(fù)雜的分析和反饋。應(yīng)變反饋在驗(yàn)證答案的基礎(chǔ)上增添了更多輔助性信息，例如錯誤后顯示正確答案、解釋答案正確與錯誤的原因等。Demir（2020）在英語教學(xué)中使用智能輔導(dǎo)系統(tǒng)，采用基于約束的學(xué)生模型發(fā)現(xiàn)學(xué)生錯誤并解釋原因。

由此可見，以上兩類反饋采用基于規(guī)則的匹配模式，實(shí)施路徑多為：由專家教師預(yù)測與總結(jié)學(xué)生可能產(chǎn)生的所有學(xué)習(xí)表現(xiàn)和錯誤類型，隨后在系統(tǒng)中預(yù)存儲和定義標(biāo)準(zhǔn)庫、學(xué)生的錯誤以及相應(yīng)的應(yīng)答語句等，因而當(dāng)系統(tǒng)通過匹配發(fā)現(xiàn)異常時，能夠自動、迅速且精準(zhǔn)地提取并推送反饋信息。然而面對多路徑問題，人為列舉出所有問題解決方案和學(xué)生錯誤類型十分困難。此外早有研究指出，學(xué)習(xí)者是影響反饋效果的重要因素之一（Esterhazy et al.，2019）。因此，在數(shù)據(jù)驅(qū)動的反饋中結(jié)合學(xué)習(xí)者特征可以使反饋產(chǎn)生更大的效益。

（2）智能系統(tǒng)中的個性化反饋

由于學(xué)習(xí)者在學(xué)習(xí)風(fēng)格、動機(jī)、先驗(yàn)知識等方面存在差異，所以提供統(tǒng)一的反饋顯然無法滿足個性化學(xué)習(xí)需求。個性化反饋可以根據(jù)學(xué)生和任務(wù)問題的特點(diǎn)來調(diào)整反饋類型及反饋內(nèi)容（Narciss et al.，2014）。例如，Lallé等（2020）設(shè)計的FUMA系統(tǒng)，可以在線檢測學(xué)生行為并提取這些行為的關(guān)鍵特征，由此建立學(xué)習(xí)者模型。當(dāng)學(xué)習(xí)者的后續(xù)學(xué)習(xí)行為“偏離”模型常規(guī)參數(shù)時，系統(tǒng)會為他們提供有針對性的、可行的建議——即個性化反饋。

在個性化反饋中，基于本體論的個性化反饋具有良好的應(yīng)用前景。在這里本體論主要指的是領(lǐng)域本體，用于描述某一門課程中的核心概念及其相互關(guān)系。在基于本體論的個性化反饋系統(tǒng)中，系統(tǒng)能夠基于領(lǐng)域本體構(gòu)建起屬于某個領(lǐng)域的知識圖譜，并生成和這個圖譜中知識點(diǎn)相關(guān)的問題，以及與這些問題對應(yīng)的、不同類型的反饋。還有研究者將基于多個領(lǐng)域本體的個性化反饋用于跨學(xué)科教育領(lǐng)域。例如Demaidi等（2018）基于本體論開發(fā)了個性化反饋生成器OntoPeFeGe，集成了多種生成策略和模板來遍歷領(lǐng)域本體并自動生成基于跨學(xué)科領(lǐng)域知識的問題和反饋。然而，基于本體論的個性化反饋的本質(zhì)是從領(lǐng)域知識出發(fā)，這種反饋所依賴的知識圖譜如何與學(xué)習(xí)者模型整合，構(gòu)建更為全面、開放的反饋模型，是其面臨的關(guān)鍵挑戰(zhàn)（Belcadhi，2016）。

此外，對話反饋也能實(shí)現(xiàn)個性化。其通過智能系統(tǒng)扮演專家、激勵者、導(dǎo)師或同伴等角色，理解學(xué)生對話內(nèi)容、情緒動機(jī)變化并不斷調(diào)整反饋，持續(xù)解答學(xué)生問題，輔以情感回應(yīng)。對話反饋一般由信息輸入、自然語言理解、對話管理、對話反饋生成等模塊構(gòu)成，完成從數(shù)據(jù)處理、語義與情感分析、推理、到生成對話的整個過程（Xie et al.，2021），通過一對一的答疑解惑與引導(dǎo)支持，提供持續(xù)的、多輪次的對話以滿足學(xué)習(xí)者個性化需求。

（3）人機(jī)協(xié)同的反饋

人機(jī)協(xié)同模式下，基于智能技術(shù)的反饋包括給教師的提示和給學(xué)生的反饋（張立山等，2021）。給教師的提示是將學(xué)生狀態(tài)評估結(jié)果做進(jìn)一步表征，如采用可視化圖表、圖形符號、文字等方式呈現(xiàn)學(xué)生學(xué)習(xí)狀態(tài)。例如，Martinez-Maldonado（2019）為教師提供手持儀表盤，實(shí)時顯示學(xué)生學(xué)習(xí)參與情況和進(jìn)度，方便教師為學(xué)生提供形成性反饋。如前文所述，面向?qū)W生的反饋在目標(biāo)上可以是對學(xué)生認(rèn)知、情感與態(tài)度、元認(rèn)知等方面的調(diào)節(jié)改進(jìn)；在內(nèi)容上表現(xiàn)為對學(xué)生錯誤的糾正與解釋、對正確答案的肯定、鼓勵與歸因、反思性問題與提示、對異常狀態(tài)的警示等?，F(xiàn)階段人機(jī)協(xié)同中的反饋機(jī)制多為單向的，即人機(jī)交互以“機(jī)器→學(xué)生”的單向反饋為主（董艷等，2021）。為了增強(qiáng)反饋的動態(tài)性，學(xué)生與計算機(jī)之間有必要建立雙向的信息傳遞途徑。例如，學(xué)生是否以及如何使用反饋信息、學(xué)生的滿意度等可以被系統(tǒng)采集作為后續(xù)智能系統(tǒng)自適應(yīng)調(diào)整的依據(jù)。

總之，人機(jī)協(xié)同反饋模式下的人人、人機(jī)交互（教師—計算機(jī)—學(xué)生）還有待深入研究。但無論目標(biāo)、內(nèi)容上如何變化，學(xué)生在接受、理解、應(yīng)用反饋上需要擁有一定的自主權(quán)，因?yàn)閷W(xué)習(xí)者是反饋的主體，反饋只有被學(xué)習(xí)者接受并用于改進(jìn)當(dāng)前學(xué)習(xí)狀態(tài)時才是有效的。

2.智能反饋的作用效果

納入文獻(xiàn)中，大多數(shù)經(jīng)過設(shè)計的反饋實(shí)驗(yàn)都取得了顯著成效，在一定程度上達(dá)成了反饋目標(biāo)。基于正確/錯誤響應(yīng)的自動反饋在及時糾正認(rèn)知錯誤上有良好的應(yīng)用前景和效果。在缺乏教師指導(dǎo)的情況下，學(xué)生可以通過智能導(dǎo)師系統(tǒng)得到足夠的反饋來即時糾錯，逐步完成復(fù)雜的問題解決過程。恰當(dāng)?shù)膫€性化反饋有助于改進(jìn)學(xué)生在認(rèn)知、情感與態(tài)度、元認(rèn)知等各方面的表現(xiàn)，如Rajendran等（2019）通過激勵和歸因，顯著減少了大學(xué)生的受挫感；Jiménez等（2018）的書面情感反饋，增強(qiáng)了學(xué)生的愉悅程度和學(xué)習(xí)動機(jī)，最終使得學(xué)習(xí)績效有效提升。對于人機(jī)協(xié)同的反饋模式，許多研究在理論層面闡述了其具有的潛在優(yōu)勢，但相關(guān)的教學(xué)模式和應(yīng)用效果均有待進(jìn)一步探究。在最新的研究中，李艷等（2022）通過準(zhǔn)實(shí)驗(yàn)發(fā)現(xiàn)，人機(jī)協(xié)同相較于僅通過教師評價反饋更能顯著提升學(xué)生寫作激情，初步展現(xiàn)了人機(jī)協(xié)同模式的作用。

綜上，良好的智能反饋設(shè)計能夠?yàn)閷W(xué)生的認(rèn)知、內(nèi)部心理過程、外部學(xué)習(xí)行為等帶來積極的影響。但并不是所有的反饋都能帶來令人滿意的效果，例如，包含情感內(nèi)容的反饋可能成為學(xué)生注意力分散的因素（Cabestrero et al.，2018）。Tausczik等（2013）的實(shí)驗(yàn)結(jié)果表明，使用實(shí)時語言反饋系統(tǒng)，能夠有效提升群體參與，但其會導(dǎo)致團(tuán)隊(duì)績效的降低。因此，智能反饋研究必須厘清反饋的作用機(jī)制，探究如何在真實(shí)的課堂實(shí)踐中正確使用反饋。

六、智能反饋系統(tǒng)的架構(gòu)、流程和算法

研究參考Grawemeyer等（2017）、董艷等（2021）、張立山等（2021）的相關(guān)研究和流程設(shè)計，并綜合考慮學(xué)生數(shù)據(jù)的多樣性、智能系統(tǒng)的適應(yīng)性等因素，將反饋系統(tǒng)按照功能分為輸入層、分析層、推理生成層，它們與數(shù)據(jù)庫中的學(xué)習(xí)者模型、專家模型、領(lǐng)域模型相互作用，如圖2所示。

1.系統(tǒng)架構(gòu)及工作流程

在反饋系統(tǒng)的輸入層，學(xué)習(xí)者基于客戶端與智能系統(tǒng)發(fā)生交互，根據(jù)不同的評估和反饋需求，利用攝影機(jī)、傳感器等設(shè)備采集特定的學(xué)習(xí)者數(shù)據(jù)，并存儲于數(shù)據(jù)庫中。例如，關(guān)注學(xué)習(xí)者情感狀態(tài)的反饋系統(tǒng)可以通過量表讓學(xué)習(xí)者進(jìn)行主觀的情感自我評估（Cabestrero et al.，2018），也可以借助傳感器設(shè)備，檢測情感狀態(tài)，包括自信、興奮、無聊、專注、沮喪和焦慮等，獲取客觀的學(xué)生情感數(shù)據(jù)。

分析層內(nèi)包含檢測器，用于識別學(xué)生的認(rèn)知、情感狀態(tài)、行為表現(xiàn)等。首先，來自輸入層的數(shù)據(jù)需要經(jīng)歷預(yù)處理、關(guān)鍵特征提取過程。例如，Lehman等（2020）提取填充詞、停頓、重復(fù)詞等6個關(guān)鍵的語音特征來判斷學(xué)習(xí)者語言學(xué)習(xí)情況。在該環(huán)節(jié)中自然語言處理（Natural Language Processing， NLP）是技術(shù)重點(diǎn)，研究人員需要收集人類如何理解和使用語言的知識，從而在計算機(jī)和人類語言之間搭建橋梁，具體包括潛在語義分析（Sung et al.，2016）、中文分詞（張登博等，2021）、句法分析（Ai，2017）等方法與技術(shù)?？傊嵘嬎銠C(jī)對自然語言的理解能力是后續(xù)進(jìn)行精確分析與反饋的基礎(chǔ)和前提。其次，學(xué)習(xí)者的關(guān)鍵特征經(jīng)過訓(xùn)練完畢的算法模型的檢測、分類、擬合回歸等過程，被用于判斷和預(yù)測學(xué)習(xí)者認(rèn)知水平、情感情緒、行為異常及其他狀態(tài)。例如，Arguedas等（2021）在情感教學(xué)導(dǎo)師中設(shè)置“認(rèn)知—情感”分析模型，推斷出學(xué)生認(rèn)知、情緒狀態(tài)的維度與范疇。分析層完成對學(xué)習(xí)者的評估后，這些數(shù)據(jù)將進(jìn)入推理生成層，同時可以被納入學(xué)習(xí)者模型以便生成個性化、適應(yīng)性的反饋。

推理生成層包含一系列算法和反饋機(jī)制，其決定著反饋類型、呈現(xiàn)方式等。簡單反饋機(jī)制的典型案例為對正誤答案的反饋。當(dāng)系統(tǒng)判定學(xué)生給出正確的答案時，將給予表揚(yáng)；當(dāng)答案不正確時，將提供鼓勵和提示文本（Bringula et al.，2018）。以個性化、適應(yīng)性反饋為需求的系統(tǒng)需要預(yù)設(shè)更復(fù)雜的反饋機(jī)制，并連接專家模型、學(xué)習(xí)者模型和領(lǐng)域模型。例如，Cabestrero等（2018）提出的學(xué)習(xí)者模型綜合考慮學(xué)習(xí)者情感狀態(tài)和之前的表現(xiàn)，從而決定接下來的問題難度等級和情感反饋類型?？偠灾?，推理生成層中根據(jù)分析層數(shù)據(jù)和預(yù)設(shè)的反饋機(jī)制選擇恰當(dāng)?shù)姆答亙?nèi)容、類型，決定反饋方式、時間等要素，最終生成并輸出反饋。

2.學(xué)習(xí)者模型、領(lǐng)域模型和專家模型

學(xué)習(xí)者模型是智能反饋系統(tǒng)的核心之一，它由一系列計算機(jī)算法和學(xué)生數(shù)據(jù)構(gòu)成。學(xué)生數(shù)據(jù)的類型取決于任務(wù)與問題類型和系統(tǒng)的具體架構(gòu)。早期的自動反饋系統(tǒng)中，學(xué)習(xí)者模型主要以知識結(jié)構(gòu)為特征，記錄學(xué)習(xí)者當(dāng)下認(rèn)知水平。而在更具自適應(yīng)的反饋系統(tǒng)中，學(xué)生數(shù)據(jù)包括他們的基本信息、學(xué)習(xí)風(fēng)格、認(rèn)知水平、行為交互、情感狀態(tài)、反饋信息（已經(jīng)提供的反饋、學(xué)生是否查看反饋）、學(xué)習(xí)進(jìn)度等（董艷等，2021）。近年來，數(shù)據(jù)挖掘和學(xué)習(xí)分析技術(shù)為學(xué)習(xí)者模型構(gòu)建提供了新思路，研究者還可以通過建立學(xué)習(xí)者數(shù)字畫像，精準(zhǔn)理解其內(nèi)部心理機(jī)制和外部行為變化規(guī)律，構(gòu)建更加開放、個性化的學(xué)習(xí)者模型（張濤等，2020）。正如前文提及的多項(xiàng)研究，學(xué)習(xí)者模型中的數(shù)據(jù)可以存儲事實(shí)信息，觸發(fā)反饋機(jī)制；也可以生成反饋約束規(guī)則，例如以高績效學(xué)生的行為模式為參照，促進(jìn)低績效學(xué)生學(xué)習(xí)行為的改進(jìn)（Wolff et al.，2014）；還可以將學(xué)生學(xué)習(xí)狀態(tài)、進(jìn)度等可視化顯示并反饋給學(xué)生，例如，Tacoma等（2020）使用包含9～14個知識組件的學(xué)習(xí)者模型，將任務(wù)完成情況用進(jìn)度條的方式呈現(xiàn)給學(xué)習(xí)者，使之明確其與目標(biāo)之間的差距。

專家模型和領(lǐng)域模型在很多研究中沒有明確的界限。為了進(jìn)一步厘清反饋系統(tǒng)中的數(shù)據(jù)組成，本研究將教師及教育理論的特定信息集成稱為專家模型，包含教師經(jīng)驗(yàn)、教學(xué)理論與方法、問題解決方案、預(yù)設(shè)規(guī)則等內(nèi)容；領(lǐng)域模型則是領(lǐng)域知識的結(jié)構(gòu)化表示，包含解決相關(guān)任務(wù)所需的所有知識點(diǎn)，例如，數(shù)學(xué)、英語等學(xué)科的領(lǐng)域模型可以是其課程標(biāo)準(zhǔn)涵蓋的所有章節(jié)的知識點(diǎn)內(nèi)容及其結(jié)構(gòu)關(guān)系。專家模型和領(lǐng)域模型的結(jié)合可以用于構(gòu)建反饋機(jī)制中的約束規(guī)則，也可以以兩者中的數(shù)據(jù)為驅(qū)動，匹配最相近的問題情境和已有解決方案來輸出反饋。

3.相關(guān)算法模型

反饋系統(tǒng)需要根據(jù)目標(biāo)需求預(yù)訓(xùn)練一系列的算法模型，將海量關(guān)鍵特征進(jìn)行提取、歸納、整合，識別學(xué)習(xí)者的表現(xiàn)并生成決策。本研究將智能反饋中的算法劃分為兩大類：基于靜態(tài)測評的認(rèn)知診斷算法與基于動態(tài)測評的知識追蹤算法，如表3所示。

基于靜態(tài)測評的認(rèn)知診斷算法能夠客觀、快速、精確地評價學(xué)習(xí)者當(dāng)前狀態(tài)。項(xiàng)目反應(yīng)理論（Item Response Theory，IRT）模型是其中的經(jīng)典模型，它通過特征曲線表示考生對一個測試項(xiàng)目作出反應(yīng)的概率，在教育和心理測量領(lǐng)域常被用于考試測評。例如，Uto等（2020）將IRT融入基于深度神經(jīng)網(wǎng)絡(luò)的自動論文評分模型中，改善“評分者偏見”問題，增強(qiáng)評分的穩(wěn)定性。確定性輸入，噪聲“與”門（Deterministic Inputs，Noisy “and” Gate，DINA）模型是一種多維離散認(rèn)知診斷模型，與IRT相比，它能提供更精確、具體的評估信息。例如，Zhao等（2020）使用它的通用模型G-DINA設(shè)計英語閱讀自動測試程序，并為師生提供科學(xué)、有針對性的反饋。然而，靜態(tài)的認(rèn)知診斷僅能反映學(xué)生當(dāng)前狀態(tài)。實(shí)際上，學(xué)生的認(rèn)知水平隨著學(xué)習(xí)過程而動態(tài)變化。

基于動態(tài)測評的知識追蹤算法模型具有自動化和個性化的特點(diǎn)。貝葉斯知識追蹤（Bayesian Knowledge Tracing，BKT）模型是傳統(tǒng)的知識追蹤模型。它將學(xué)習(xí)者的表現(xiàn)看作可觀測變量，將學(xué)習(xí)者的知識狀態(tài)看作潛在變量，并且根據(jù)當(dāng)前的狀態(tài)來預(yù)測學(xué)生的答題正誤概率。然而，BKT并不是一個完全理想的算法模型，它難以滿足大數(shù)據(jù)情境下的教育需求，研究者們對它進(jìn)行了改進(jìn)和拓展（Pu et al.，2020），包括動態(tài)貝葉斯網(wǎng)絡(luò)（Dynamic Bayesian Network，DBN）、深度知識追蹤（Deep Knowledge Tracing，DKT）等。DBN基于貝葉斯網(wǎng)絡(luò)對知識組件內(nèi)的先決條件、層次結(jié)構(gòu)和關(guān)系進(jìn)行建模，能夠在一個模型中聯(lián)合表示多種知識組件（概念、知識點(diǎn)等）來增加知識追蹤表示能力。DKT在傳統(tǒng)模型的基礎(chǔ)上引入深度學(xué)習(xí)，它結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)，將上一時刻的表現(xiàn)輸出，用于預(yù)測下一刻學(xué)習(xí)者的表現(xiàn)情況，其在性能上取得了顯著的改進(jìn)（曾凡智等，2022）。

除上述算法模型外，支持向量機(jī)（Support Vector Machine，SVM）、決策樹（Decision Tree，DT）、隨機(jī)森林（Random Forest，RF）、貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）、高斯樸素貝葉斯（Gaussian Naive Bayes，GaussianNB）、Logistic回歸（Logistic Regression，LR）和多層感知器（Multi-Layer Perceptron，MLP）等機(jī)器學(xué)習(xí)算法也能夠用于學(xué)生認(rèn)知、情感動機(jī)狀態(tài)的測評。例如，Hayati等（2020）使用SVM將學(xué)習(xí)者認(rèn)知參與情況分為四個層次；Lee等（2021）在自動反饋系統(tǒng)中使用DT模擬交互變量，預(yù)測學(xué)生科學(xué)論證的不確定性歸因得分等。

總之，無論采用哪種算法，其基本思路都是幫助智能系統(tǒng)識別學(xué)生狀態(tài)，跟蹤、評估學(xué)生的問題解決路徑和方案，甚至預(yù)測學(xué)生未來行為表現(xiàn)及績效，以作為后續(xù)生成反饋的依據(jù)。

七、總結(jié)與展望

本文系統(tǒng)梳理了近十年研究者們在智能技術(shù)發(fā)展背景下，為優(yōu)化教學(xué)反饋?zhàn)龀龅囊幌盗刑剿鞴ぷ鳎⑨槍θ齻€研究問題，明晰了智能技術(shù)支持下反饋的目標(biāo)、反饋的作用機(jī)制以及反饋系統(tǒng)架構(gòu)等內(nèi)容，主要得出以下結(jié)論：

第一，智能反饋的目標(biāo)包含認(rèn)知、情感與態(tài)度、元認(rèn)知3個維度下7個子目標(biāo)。反饋的主要作用是促使學(xué)生改進(jìn)當(dāng)前狀態(tài)和績效，因而智能技術(shù)支持的反饋同樣以認(rèn)知維度為主，將提示解釋錯誤和指導(dǎo)學(xué)習(xí)過程作為主要目標(biāo)；此外情感的反饋形式逐漸受到研究者青睞，期望能夠激發(fā)學(xué)生學(xué)習(xí)動機(jī)、增強(qiáng)教學(xué)互動和改善學(xué)生的情感體驗(yàn)；元認(rèn)知維度的反饋更加關(guān)注學(xué)生可持續(xù)發(fā)展能力的提升，希望通過反映學(xué)習(xí)異常和促進(jìn)自我調(diào)節(jié)幫助學(xué)生反思改進(jìn)。

第二，基于正確/錯誤響應(yīng)的自動反饋機(jī)制通常以答案正誤為反饋依據(jù)，不考慮學(xué)習(xí)者的特征和差異；智能系統(tǒng)中個性化反饋模式的核心在于構(gòu)建學(xué)習(xí)者模型，可以結(jié)合本體論或者開展多輪人機(jī)對話實(shí)現(xiàn)；人機(jī)協(xié)同反饋模式是實(shí)現(xiàn)教師反饋與計算機(jī)反饋互補(bǔ)互助，提升反饋全面性的有效途徑，但兩者如何協(xié)同作用、分擔(dān)反饋職責(zé)等問題仍需要在課堂實(shí)踐中進(jìn)一步探索。對于反饋效果的分析表明，即使是經(jīng)過良好設(shè)計的反饋，也必須在真實(shí)課堂情境中開展實(shí)踐，厘清作用機(jī)制和干擾因素，才能發(fā)揮反饋的作用。

第三，反饋系統(tǒng)架構(gòu)分為輸入層、分析層、推理生成層，它們與學(xué)習(xí)者模型、專家模型、領(lǐng)域模型相互作用，實(shí)現(xiàn)個性化反饋。首先，輸入層與分析層的數(shù)據(jù)反映學(xué)習(xí)者當(dāng)前認(rèn)知水平、任務(wù)進(jìn)展以及其他信息，不斷促進(jìn)學(xué)習(xí)者模型的生成與更新；學(xué)習(xí)者模型、專家模型與領(lǐng)域模型中的數(shù)據(jù)影響反饋決策生成，包括內(nèi)容、形式、頻率等，使得系統(tǒng)在學(xué)習(xí)者產(chǎn)生不同問題時能夠提供個性化的反饋。學(xué)習(xí)分析過程可以采用貝葉斯知識追蹤、動態(tài)貝葉斯網(wǎng)絡(luò)、決策樹等成熟的算法模型，為反饋決策提供依據(jù)。

盡管智能技術(shù)在優(yōu)化教學(xué)反饋上具有巨大的潛力，但它們無法完全替代教師在教學(xué)反饋中的價值，在實(shí)際教學(xué)中兩者如何最大程度地發(fā)揮各自優(yōu)勢，這個問題最終指向“人機(jī)協(xié)同”話題，且伴隨著ChatGPT等生成式人工智能應(yīng)用的介入，智能反饋的內(nèi)涵將會進(jìn)一步擴(kuò)展，由此引發(fā)的一系列問題都值得進(jìn)一步探索。基于此，未來研究中，一是可以進(jìn)一步建立動態(tài)的、個性化的智能教學(xué)反饋機(jī)制，明確反饋?zhàn)饔寐窂剑欢菓?yīng)優(yōu)化智能反饋的算法模型，提升反饋的精確性。同時在課堂中可以使用已開發(fā)的智能反饋系統(tǒng)工具逐步開展實(shí)踐，探索人機(jī)融合、協(xié)同反饋的新模式，促進(jìn)計算機(jī)與教師、學(xué)生協(xié)同交互，共同提升反饋效果。

參考文獻(xiàn)：

[1]董艷，李心怡，鄭婭峰等（2021）.智能教育應(yīng)用的人機(jī)雙向反饋：機(jī)理、模型與實(shí)施原則[J].開放教育研究，27（2）：26-33.

[2]何克抗（2017）.對反饋內(nèi)涵的深層認(rèn)知和有效反饋的規(guī)劃設(shè)計——美國《教育傳播與技術(shù)研究手冊（第四版）》讓我們深受啟發(fā)的亮點(diǎn)之二[J].中國電化教育，（5）：1-7，14.

[3]黃甫全，游景如，涂麗娜等（2017）.系統(tǒng)性文獻(xiàn)綜述法：案例、步驟與價值[J].電化教育研究，38（11）：11-18，25.

[4]李艷，劉淑君，李小麗等（2022）.人機(jī)協(xié)同作文評價能促進(jìn)寫作教學(xué)嗎？——來自Z校拓展課的證據(jù)[J].現(xiàn)代遠(yuǎn)程教育研究，34（1）：63-74.

[5]田嵩（2018）.開放話語課堂環(huán)境構(gòu)建及實(shí)效驗(yàn)證[J].現(xiàn)代遠(yuǎn)程教育研究，30（3）：104-112.

[6]王偉東，金義富（2015）.一對一數(shù)字化互動反饋智能課堂學(xué)習(xí)環(huán)境研究[J].中國電化教育，342（7）：55-59.

[7]吳巖（2023）.打造引領(lǐng)世界高等教育數(shù)字化發(fā)展風(fēng)向標(biāo)——《無限的可能：世界高等教育數(shù)字化發(fā)展報告》序言一[J].中國教育信息化，29（1）：3-4.

[8]曾凡智，許露倩，周燕等（2022）.面向智慧教育的知識追蹤模型研究綜述[J].計算機(jī)科學(xué)與探索，16（8）：1742-1763.

[9]張登博，劉明（2021）.智能反思寫作反饋系統(tǒng)的設(shè)計與應(yīng)用[J].現(xiàn)代教育技術(shù)，31（11）：96-103.

[10]張立山，馮碩，李亭亭（2021）.面向課堂教學(xué)評價的形式化建模與智能計算[J].現(xiàn)代遠(yuǎn)程教育研究，33（1）：13-25.

[11]張濤，張思（2020）.教育大數(shù)據(jù)挖掘的學(xué)習(xí)者模型設(shè)計與計算研究[J].電化教育研究，41（9）：61-67.

[12]Ai， H. （2017）. Providing Graduated Corrective Feedback in an Intelligent Computer-Assisted Language Learning Environment[J]. ReCALL， 29（3）：313-334.

[13]Arguedas， M.， & Daradoumis， T. （2021）. Analysing the Role of a Pedagogical Agent in Psychological and Cognitive Preparatory Activities[J]. Journal of Computer Assisted Learning， 37（4）：1167-1180.

[14]Balzer， W. K.， Doherty， M. E. & OConnor， R.， Jr. （1989）. Effects of Cognitive Feedback on Performance[J]. Psychological Bulletin， 106（3）：410-433.

[15]Beaumont， C.， ODoherty， M.， & Shannon， L. （2011）. Reconceptualising Assessment Feedback： A Key to Improving Student Learning？[J]. Studies in Higher Education， 36（6）：671-687.

[16]Belcadhi， L. C. （2016）. Personalized Feedback for Self Assessment in Lifelong Learning Environments Based on Semantic Web[J]. Computers in Human Behavior， 55：562-570.

[17]Boud， D.， & Molloy， E. （2013）. Rethinking Models of Feedback for Learning： The Challenge of Design[J]. Assessment & Evaluation in Higher Education， 38（6）：698-712.

[18]Bringula， R. P.， Fosgate Jr， I. C. O.， & Garcia， N. P. R. et al. （2018）. Effects of Pedagogical Agents on Students Mathematics Performance： A Comparison Between Two Versions[J]. Journal of Educational Computing Research， 56（5）：701-722.

[19]Bush， J. B. （2021）. Software-Based Intervention with Digital Manipulatives to Support Student Conceptual Understandings of Fractions[J]. British Journal of Educational Technology， 52（6）：2299-2318.

[20]Cabestrero， R.， Quirós， P.， & Santos， O. C. et al. （2018）. Some Insights into the Impact of Affective Information When Delivering Feedback to Students[J]. Behaviour & Information Technology， 37（12）：1252-1263.

[21]Chen， X.， Breslow， L.， & DeBoer， J. （2018）. Analyzing Productive Learning Behaviors for Students Using Immediate Corrective Feedback in a Blended Learning Environment[J]. Computers & Education， 117：59-74.

[22]Chiu， C. K.， & Tseng， J. C. （2021）. A Bayesian Classification Network-Based Learning Status Management System in an Intelligent Classroom[J]. Educational Technology & Society， 24（3）：256-267.

[23]Crow， T.， Luxton-Reilly， A.， & Wuensche， B. （2018）. Intelligent Tutoring Systems for Programming Education： A Systematic Review[C]// ACE 2018： 20th Australasian Computing Education Conference. New York： Association for Computing Machinery：53-62.

[24]Demaidi， M. N.， Gaber， M. M.， & Filer， N. （2018）. OntoPeFeGe： Ontology-Based Personalized Feedback Generator[J]. IEEE Access， 6：31644-31664.

[25]Demir， ?. （2020）. The Effect of Using Negative Knowledge Based Intelligent Tutoring System Evaluator Software to the Academic Success in English Language Education[J]. Pedagogies： An International Journal， 15（4）：245-261.

[26]Duffy， M. C.， & Azevedo， R. （2015）. Motivation Matters： Interactions Between Achievement Goals and Agent Scaffolding for Self-Regulated Learning Within an Intelligent Tutoring System[J]. Computers in Human Behavior， 52：338-348.

[27]Esterhazy， R.， & Damsa， C. （2019）. Unpacking the Feedback Process： An Analysis of Undergraduate StudentsInteractional Meaning-Making of Feedback Comments[J]. Studies in Higher Education， 44（2）：260-274.

[28]Grawemeyer， B.， Mavrikis， M.， & Holmes， W. et al. （2017）. Affective Learning： Improving Engagement and Enhancing Learning with Affect-Aware Feedback[J]. User Modeling and User-Adapted Interaction， 27：119-158.

[29]Hattie， J.， & Timperley， H. （2007）. The Power of Feedback[J]. Review of Educational Research， 77（1）：81-112.

[30]Hayati， H.， Khalidi Idrissi， M.， & Bennani， S. （2020）. Automatic Classification for Cognitive Engagement in Online Discussion Forums： Text Mining and Machine Learning Approach[C]// Bittencourt， I. I.， Cukurova， M.， & Muldner， K. et al. （Eds.）. Artificial Intelligence in Education： 21st International Conference. Morocco： AIED 2020：114-118.

[31]Hung， W. C.， Smith， T. J.， & Smith， M. C. （2015）. Design and Usability Assessment of a Dialogue-Based Cognitive Tutoring System to Model Expert Problem Solving in Research Design[J]. British Journal of Educational Technology， 46（1）：82-97.

[32]Jensen， L. X.， Bearman， M.， & Boud， D. （2021）. Understanding Feedback in Online Learning-A Critical Review and Metaphor Analysis[J]. Computers & Education， 173：104271.

[33]Jiménez， S.， Juárez-Ramírez， R.， & Castillo， V. et al. （2018）. A Feedback System to Provide Affective Support to Students[J]. Computer Applications in Engineering Education， 26（3）：473-483.

[34]Kang， E.， & Han， Z. （2015）. The Efficacy of Written Corrective Feedback in Improving L2 Written Accuracy： A Meta-Analysis[J].The Modern Language Journal， 99（1）：1-18.

[35]Lallé， S.， & Conati， C. （2020）. A Data-Driven Student Model to Provide Adaptive Support During Video Watching Across MOOCs[C]// Bittencourt， I. I.， Cukurova， M.， & Muldner， K. et al. （Eds.）. Artificial Intelligence in Education： 21st International Conference. Morocco： AIED 2020：282-295.

[36]Lee， H. S.， Gweon， G. H.， & Lord， T. et al. （2021）. Machine Learning-Enabled Automated Feedback： Supporting StudentsRevision of Scientific Arguments Based on Data Drawn from Simulation[J]. Journal of Science Education and Technology， 30：168-192.

[37]Lehman， B.， Gu， L.， & Zhao， J. et al. （2020）. Use of Adaptive Feedback in an App for English Language Spontaneous Speech[C]// Bittencourt， I. I.， Cukurova， M.， & Muldner， K. et al. （Eds.）. Artificial Intelligence in Education. Morocco： AIED 2020：309-320.

[38]Martinez-Maldonado， R. （2019）. A Handheld Classroom Dashboard： TeachersPerspectives on the Use of Real-Time Collaborative Learning Analytics[J]. International Journal of Computer-Supported Collaborative Learning， 14（3）：383-411.

[39]Mitrovic， A.， Ohlsson， S.， & Barrow， D. K. （2013）. The Effect of Positive Feedback in A Constraint-Based Intelligent Tutoring System[J]. Computers & Education， 60（1）：264-272.

[40]Mousavinasab， E.， Zarifsanaiey， N.， & Niakan Kalhori， S. et al. （2021）. Intelligent Tutoring Systems： A Systematic Review of Characteristics， Applications， and Evaluation Methods[J]. Interactive Learning Environments， 29（1）：142-163.

[41]Narciss， S.， Sosnovsky， S.， & Schnaubert， L. et al. （2014）. Exploring Feedback and Student Characteristics Relevant for Personalizing Feedback Strategies[J]. Computers & Education， 71：56-76.

[42]Price， M.， Handley， K.， & Millar， J. et al. （2010）. Feedback： All That Effort， but What Is the Effect？[J]. Assessment & Evaluation in Higher Education， 35（3）：277-289.

[43]Pu， S.， Yudelson， M.， & Ou， L. et al. （2020）. Deep Knowledge Tracing with Transformers[C]// Bittencourt， I. I.， Cukurova， M.， & Muldner， K. et al. （Eds.）. Artificial Intelligence in Education. Morocco： AIED 2020：252-256.

[44]Rajendran， R.， Iyer， S.， & Murthy， S. （2019）. Personalized Affective Feedback to Address Students Frustration in ITS[J]. IEEE Transactions on Learning Technologies， 12（1）：87-97.

[45]Ramaprasad， A. （1983）. On the Definition of Feedback[J]. Behavioral Science， 28（1）：4-13.

[46]Sun， J. C. Y.， Yu， S. J.， & Chao， C. H. （2019）. Effects of Intelligent Feedback on Online Learners Engagement and Cognitive Load： The Case of Research Ethics Education[J]. Educational Psychology， 39（10）：1293-1310.

[47]Sung， Y. T.， Liao， C. N.， & Chang， T. H. et al. （2016）. The Effect of Online Summary Assessment and Feedback System on the Summary Writing on 6th Graders： The LSA-Based Technique[J]. Computers & Education， 95：1-18.

[48]Tacoma， S.， Drijvers， P.， & Jeuring， J. （2020）. Combined Inner and Outer Loop Feedback in An Intelligent Tutoring System for Statistics in Higher Education[J]. Journal of Computer Assisted Learning， 37（2）：319-332.

[49]Tausczik， Y. R.， & Pennebaker， J. W. （2013）. Improving Teamwork Using Real-Time Language Feedback[C]// CHI： Conference on Human Factors in Computing Systems. New York： Association for Computing Machinery：459-468.

[50]Uto， M.， & Okano， M. （2020）. Robust Neural Automated Essay Scoring Using Item Response Theory[C]// Bittencourt， I. I.， Cukurova， M.， & Muldner， K. et al. （Eds.）. Artificial Intelligence in Education： 21st International Conference. Morocco： AIED 2020：549-561.

[51]Wolff， A.， Mulholland， P.， & Zdrahal， Z. （2014）. Using Machine-Learning and Visualisation to Facilitate Learner Interpretation of Source Material[J]. Interactive Learning Environments， 22（6）：771-788.

[52]Xie， T.， Liu， R.， & Chen， Y.et al. （2021）. MOCA： A Motivational Online Conversational Agent for Improving Student Engagement in Collaborative Learning[J]. IEEE Transactions on Learning Technologies， 14（5）：653-664.

[53]Zhao， H.， Wang， W.， & Huang， Y. （2020）. A Cognitive Analysis of An English Reading Test Through the G-DINA Model[C]// 2020 2nd International Conference on Applied Machine Learning and Data Science. UK： IOP Publishing：1629：12-37.

收稿日期 2022-12-20責(zé)任編輯 李鑫

Abstract： Feedback is an indispensable element of effective teaching and learning， and the rise of intelligent technologies in education has brought new possibilities for formative and personalized feedback. A systematic review of related research can provide guidance for the design， development and application of intelligent feedback systems. An analysis of the current state of research on intelligent technology-enabled feedback in terms of objectives， mechanisms of action， and system architecture has revealed that intelligent technology-based feedback aims to bring positive effects on learnerscognition， emotions and attitudes， and metacognition in order to motivate learners to improve their current states and learning outcomes. At the level of feedback mechanism， an automatic feedback based on correct and incorrect responses usually adopts a rule-based matching model to trigger feedback by comparing correct and incorrect answers; the key to personalized feedback is to build a learner model to adapt feedback to different studentscharacteristics and to realize personalized feedback by combining ontology or using multiple rounds of human-computer dialogue; a human-computer collaborative feedback can be achieved by realizing interaction and complementarity between teachers， students and computers. At the system architecture level， the feedback system consists of three layers： input layer， analysis layer and inference generation layer， generating feedback decisions through a series of algorithmic models and feedback mechanisms， whose interactions with learner models， expert models and domain models determine the degree of accuracy and adaptability of teaching feedback.

Keywords： Intelligent Technology; Instructional Feedback; Feedback Goals; Feedback Mechanism; Human-Computer Collaboration