美國(guó)教育中的人工智能研究：回溯與評(píng)析_3

1、    美國(guó)“教育中的人工智能”研究回溯與評(píng)析    摘要：美國(guó)“教育中的人工智能”研究主要分為五大熱點(diǎn)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(shí)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(jì)研究。美國(guó)“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(shí)際問(wèn)題解決的關(guān)注專家知識(shí)應(yīng)用自動(dòng)化的初級(jí)階段、對(duì)知識(shí)自動(dòng)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(duì)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(guó)“教育中的人工智能”研究逐漸形成了強(qiáng)調(diào)結(jié)果與凸顯學(xué)生成功導(dǎo)向的研究特色

2、，但同時(shí)也存在過(guò)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(shí)問(wèn)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(shí)，“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(xiàng)領(lǐng)域，aied研究有兩個(gè)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

3、發(fā)展；二是通過(guò)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(jī)制，進(jìn)而為學(xué)習(xí)者能夠有效掌握某方面知識(shí)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(kāi)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(guó)程序教學(xué)機(jī)（梁迎麗，等，2019）。從這個(gè)角度講，作為人工智能的發(fā)源地，美國(guó)“教育中的人工智能”研究的歷史積淀無(wú)與倫比。近年來(lái)，美國(guó)已將人工智能與國(guó)家安全緊密聯(lián)系在一起，且研究的重點(diǎn)與對(duì)象主要針對(duì)中國(guó)。這其中最典型的當(dāng)屬2018年美國(guó)國(guó)際戰(zhàn)略中心（csis）出臺(tái)的美國(guó)機(jī)器智能國(guó)家戰(zhàn)略規(guī)劃（a national machine intellige

4、nce strategy for the united states），首次將人工智能的發(fā)展上升至國(guó)家安全層面進(jìn)行戰(zhàn)略性布局，并多處提及中國(guó)政府對(duì)人工智能在各個(gè)領(lǐng)域的規(guī)劃布局。國(guó)內(nèi)學(xué)者對(duì)美國(guó)人工智能變革教育研究的梳理卻不多見(jiàn)。從國(guó)內(nèi)相關(guān)研究的現(xiàn)狀看，有學(xué)者指出，國(guó)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(chǎng)出發(fā)的系統(tǒng)的理論分析工作亟須開(kāi)展（張志禎，等，2019 a）。鑒于這兩點(diǎn)，本研究嘗試對(duì)美國(guó)aied研究進(jìn)行歷史關(guān)照，以便審時(shí)度勢(shì)努力為國(guó)內(nèi)人工智能變革教育的理論和實(shí)踐的積累提供來(lái)自美國(guó)的經(jīng)驗(yàn)。二、研究方法與研究過(guò)程（一）研究樣本選擇本研究選擇了web of science平臺(tái)下的核心

5、數(shù)據(jù)庫(kù)作為文獻(xiàn)數(shù)據(jù)來(lái)源，其中包含了自然科學(xué)引文索引數(shù)據(jù)庫(kù)、社會(huì)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(kù)，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(gè)專項(xiàng)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(shí)間設(shè)定為“2019年4月23日之前”，將“精選國(guó)家”選擇美國(guó)。之后，通過(guò)對(duì)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

6、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(lái)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(guó)“教育中的人工智能”研究的真實(shí)情況。通過(guò)對(duì)文獻(xiàn)的檢視發(fā)現(xiàn)，平臺(tái)收錄最早的美國(guó)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(wèn)題從認(rèn)知心理學(xué)、語(yǔ)言學(xué)、人工智能和教育的角度標(biāo)志著美國(guó)對(duì)該領(lǐng)域開(kāi)始了系統(tǒng)的學(xué)術(shù)探討。（二）研究方法與過(guò)程本研究基于知識(shí)圖譜的視角，采用內(nèi)容分析法、引文分析法，對(duì)檢索文獻(xiàn)的研究?jī)?nèi)容和研究歷程兩個(gè)維度進(jìn)行定性分析，以揭示美國(guó)人

7、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(shí)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(cè)美國(guó)人工智能在教育領(lǐng)域應(yīng)用的現(xiàn)狀。第二，運(yùn)用內(nèi)容分析法、引文分析法對(duì)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(shí)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(jià)值，因此，它們所蘊(yùn)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(guó)aied研究的主題聚焦與演進(jìn)趨勢(shì)。三、美國(guó)“教育中的人工智能”研究聚焦關(guān)鍵詞是對(duì)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

8、研究熱點(diǎn)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(diǎn)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(diǎn)在不同聚類之間的樞紐作用，中心性越高的節(jié)點(diǎn)對(duì)其他節(jié)點(diǎn)的聯(lián)系控制作用越強(qiáng)。這兩個(gè)指標(biāo)可以為確定研究熱點(diǎn)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(guó)aied研究不同研究方向之間的耦合關(guān)系，為深入分析美國(guó)aied研究的熱點(diǎn)與現(xiàn)狀提供有價(jià)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(shí)圖譜（見(jiàn)圖1）。圖1所示的關(guān)鍵詞共現(xiàn)圖譜共出現(xiàn)677個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，1，674個(gè)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

9、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(duì)273篇美國(guó)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(yùn)行出13個(gè)聚類，每個(gè)聚類都代表了aied研究的一個(gè)熱點(diǎn)研究方向，這13個(gè)聚類基本可以反映美國(guó)aied研究的全貌。根據(jù)圖1，軟件后臺(tái)分別統(tǒng)計(jì)出頻次排名居前20位的關(guān)鍵詞信息表（見(jiàn)表1），這些關(guān)鍵詞基本可以確定是美國(guó)學(xué)界關(guān)注的熱點(diǎn)主題。在軟件后臺(tái)對(duì)圖1形成的13個(gè)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(gè)核心聚類作為美國(guó)aied研究的主要方向（見(jiàn)表2）。（一）改善在線

10、教育學(xué)生參與度的可行性探究參與度是個(gè)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(gè)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(jì)理念是其重要誘因（johnson & lester，2016）。學(xué)習(xí)個(gè)性不同，學(xué)生選擇的學(xué)習(xí)路徑也必然不同。因此，個(gè)性化學(xué)習(xí)服務(wù)必然要求智能教學(xué)系統(tǒng)的知識(shí)表征方式從傳統(tǒng)對(duì)知識(shí)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(kù)爾山（kurshan，2017）指出，學(xué)習(xí)系統(tǒng)的推薦引擎設(shè)計(jì)對(duì)未來(lái)學(xué)習(xí)效率的提高有重要作用。知識(shí)圖譜（knowl

11、edge map）技術(shù)的成熟為以多維關(guān)系圖描述真實(shí)世界或特定領(lǐng)域各類實(shí)體及實(shí)體關(guān)系提供了可能。目前，作為知識(shí)圖譜重要應(yīng)用的概念網(wǎng)絡(luò)（concept net）不僅已經(jīng)實(shí)現(xiàn)了智能語(yǔ)義搜索、個(gè)人智能助理等智能應(yīng)用，而且能根據(jù)學(xué)生的問(wèn)題行為、內(nèi)部個(gè)體特征以及外部環(huán)境因素提供教育教學(xué)相關(guān)知識(shí)的對(duì)應(yīng)與定位（余勝泉，等，2019a）。在此基礎(chǔ)上，如果再將人類的經(jīng)驗(yàn)、常識(shí)以及直覺(jué)等信息引入智能教學(xué)系統(tǒng)之中，將人類的知識(shí)引導(dǎo)與系統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)融合起來(lái)，那么經(jīng)過(guò)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(dòng)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，

12、& sula，2014）功能的智能系統(tǒng)。以moocs為例，雖然moocs因?yàn)槠湓趶氐捉鉀Q優(yōu)質(zhì)資源無(wú)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(shí)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(duì)不同學(xué)習(xí)者學(xué)習(xí)過(guò)程的記錄，形成對(duì)每個(gè)知識(shí)點(diǎn)的重點(diǎn)、難點(diǎn)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(méi)有教師或同伴的指導(dǎo)時(shí)少走彎路。在這個(gè)實(shí)例中，更加準(zhǔn)確地收集學(xué)習(xí)過(guò)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(guò)程數(shù)據(jù)包括表情、文字、視頻等多種

13、數(shù)據(jù)信息，能否對(duì)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(duì)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(cè)輟學(xué)學(xué)生、優(yōu)化特殊學(xué)習(xí)者的個(gè)性體驗(yàn)、增加moocs對(duì)學(xué)習(xí)者個(gè)人感受與非認(rèn)知體驗(yàn)等方面發(fā)揮更大作用。（二）情緒感知支持下的教學(xué)實(shí)踐探究繼計(jì)算智能與感知智能之后，認(rèn)知智能揭開(kāi)了人工智能2.0時(shí)代新的序幕。不同于感知智能僅能感知與判斷語(yǔ)音、圖像和手勢(shì)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(yǔ)音、圖像、手勢(shì)等表征

14、信息更深入地對(duì)學(xué)習(xí)者的觀點(diǎn)、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(lái)看，以自然語(yǔ)言理解、語(yǔ)義分析技術(shù)、學(xué)習(xí)分析、虛擬現(xiàn)實(shí)、智能陪伴（intelligent companions）以及表情和手勢(shì)識(shí)別等技術(shù)作支撐的情緒感知系統(tǒng)研究是美國(guó)aied研究的一個(gè)重點(diǎn)方向。在認(rèn)知智能時(shí)代，僅聽(tīng)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(shí)的內(nèi)在要求實(shí)現(xiàn)對(duì)“準(zhǔn)確”知識(shí)精準(zhǔn)傳授，更要求系統(tǒng)可

15、以根據(jù)學(xué)生的情感狀態(tài)自動(dòng)調(diào)整知識(shí)難易及不同趣味程度學(xué)習(xí)材料的推送（ellis，rudnitsky，& moriarty，2010）。美國(guó)北卡羅來(lái)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(gè)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(shí)，必然導(dǎo)致無(wú)效教學(xué)的發(fā)生。在一項(xiàng)實(shí)驗(yàn)研究中，亞歷山德里亞通過(guò)一套以java編程的學(xué)習(xí)系統(tǒng)完成了對(duì)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(shí)現(xiàn)了學(xué)習(xí)結(jié)果的預(yù)測(cè)。結(jié)果顯示，在java編程中，通過(guò)腦電波監(jiān)測(cè)、皮膚傳導(dǎo)以及表情識(shí)別獲得的學(xué)習(xí)狀態(tài)可以作為未來(lái)教學(xué)系統(tǒng)對(duì)學(xué)習(xí)者學(xué)習(xí)困惑判斷的重要依據(jù)（li，wong，& ka

16、nkanhali，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(diǎn)是可以實(shí)現(xiàn)對(duì)真實(shí)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(guò)感覺(jué)完全真實(shí)的教學(xué)場(chǎng)景達(dá)到增強(qiáng)教學(xué)互動(dòng)效果的同時(shí)，也極易產(chǎn)生過(guò)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(guò)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(guò)重的問(wèn)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(wú)關(guān)元素中解放出來(lái)，提高學(xué)習(xí)的參

17、與度。也有學(xué)者預(yù)測(cè)，未來(lái)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(diǎn)問(wèn)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(lái)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(qiáng)

18、互動(dòng)、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(kāi)。具體主要體現(xiàn)在以下兩個(gè)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(dòng)優(yōu)勢(shì)正成為一種極具潛力的支持技術(shù)。對(duì)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(dòng)中扮演重要角色。在這個(gè)過(guò)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(shí)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(jī)制和開(kāi)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(kāi)展協(xié)作學(xué)習(xí)和概念學(xué)習(xí)，產(chǎn)生高情緒覺(jué)醒（轉(zhuǎn)引自saltzman，davis，& homer，2018）。第二，游戲環(huán)境下的人機(jī)互動(dòng)與反饋。這個(gè)方向主要圍繞如何有效地將自然語(yǔ)言等技術(shù)融入游戲化學(xué)習(xí)環(huán)境之中而開(kāi)展。自然語(yǔ)言以上下文相關(guān)文本、語(yǔ)音對(duì)話的形式使智能代理與學(xué)生用戶直接進(jìn)行互動(dòng)交流成為可能。將語(yǔ)音識(shí)別、智能多模態(tài)界面等技術(shù)引入智能代理，可以實(shí)現(xiàn)文本與語(yǔ)音教學(xué)對(duì)話相互融合，實(shí)現(xiàn)智能代理對(duì)學(xué)習(xí)者在游戲過(guò)程中的面部表情、手勢(shì)以及注視活動(dòng)的識(shí)別和跟蹤。從功能上看，