陳凱泉 沙俊宏 何 瑤 王曉芳

（中國海洋大學 教育系，山東青島 266100）

人工智能2.0重塑學習的技術路徑與實踐探索*
——兼論智能教學系統(tǒng)的功能升級

陳凱泉 沙俊宏 何 瑤 王曉芳

（中國海洋大學 教育系，山東青島 266100）

人工智能（AI）經(jīng)歷了60余年的發(fā)展積累起強大的技術基礎，近十年來，AI走過計算智能、感知智能之后，正在迅速向認知智能邁進，人工智能已從僅被精英小眾群體認知與使用的1.0時代，走進被各行各業(yè)大量應用的2.0時代。伴隨自然語言理解、表情識別、教育大數(shù)據(jù)、虛擬現(xiàn)實及機器人等技術的飛速發(fā)展與應用，引入這些技術之后的新型智能教學系統(tǒng)，正在對知識的表征形式及學習過程實施智能化改造與重塑，并即時捕捉與感知、分析學習者的學習狀態(tài)，自動測評、學習分析、情緒感知、仿真教學及智能陪伴等成為智能教學系統(tǒng)的應有功能。未來的智能教學系統(tǒng)將基于大數(shù)據(jù)智能與跨媒體智能協(xié)同，支撐精準的學情判斷和科學的學習路徑推薦，教育中的人工智能將走向人機協(xié)同的增強智能。

人工智能；AI；智能教學系統(tǒng)；學習分析；自然語言理解；虛擬課堂；跨媒體智能

一、引言

1956年，在美國達特茅斯學院（Dartmouth College），麥卡錫（John McCarthy）教授等學者提出人工智能（Artificial Intelligence，AI）的概念，意指要使機器像人那樣認知、思考和學習。正如潘云鶴院士在“全球人工智能高峰論壇”上所言[1]，60余年來，機器定理證明、機器翻譯、模式識別、專家系統(tǒng)博弈、神經(jīng)網(wǎng)絡學習和機器人等七個領域迅速發(fā)展，積累起的技術基礎支撐起了模擬醫(yī)生、模擬翻譯者、模擬下棋的人，有的技術還能摸擬人或生物的各種動作。

近十年來，伴隨互聯(lián)網(wǎng)的普及、巨量數(shù)據(jù)的形成及人類對智能化需求的多樣性變化，“通過機器的學習、大規(guī)模數(shù)據(jù)庫、復雜的傳感器和巧妙的算法，來完成分散的任務”成為人工智能的最新定義。人工智能的應用者從精英小眾群體開始走向普羅大眾，潘云鶴院士稱此為人工智能2.0時代的到來[2]，亦有學者稱其為“人工智能+”時代[3]。

在人工智能的2.0時代，人工智能被大量應用于經(jīng)濟、交通、軍事、教育等領域。近幾年，各國都先后出臺關于深化發(fā)展與應用人工智能技術的政策與報告，如，2016年美國連續(xù)發(fā)布了《人工智能、自動化與經(jīng)濟》（Artificial Intelligence，Automation，and the Economy）[4]、《為未來人工智能準備》（Preparing for the Future of Artificial Intelligence）[5]、《美國人工智能研發(fā)戰(zhàn)略計劃》（National Artificial Intelligence Research and Development Strategic Plan）[6]等重要報告，在全球產(chǎn)生了重要影響。2016年9月，斯坦福大學發(fā)布了《2030年的人工智能與生活》（Artificial Intelligence and Life in 2030），該報告詳細闡釋了人工智能在交通、家庭服務、醫(yī)療保健、教育、社區(qū)、公共安全、就業(yè)及娛樂等八個方面將產(chǎn)生的深遠影響及顛覆性變革[7]。

2017年7月8日，我國國務院正式頒布《新一代人工智能發(fā)展規(guī)劃的通知》[8]。該通知明確提出智能教育的概念，并指出：未來要利用智能技術加快推動人才培養(yǎng)模式、教學方法改革，構建包含智能學習、交互式學習的新型教育體系；要開展智能校園建設，推動人工智能在教學、管理、資源建設等全流程應用；要開發(fā)立體綜合教學場及基于大數(shù)據(jù)智能的在線學習教育平臺；要開發(fā)智能教育助理，建立智能、快速、全面的教育分析系統(tǒng)；要建立以學習者為中心的教育環(huán)境，提供精準推送的教育服務，實現(xiàn)日常教育和終身教育的定制化。

2017年6月6日-6月9日在瑞士日內(nèi)瓦，聯(lián)合國召開首次“人工智能峰會”，該會議提出人工智能作為工具有幫助人類解決許多問題的潛力，包括建構質(zhì)量教育（Quality Education），即用個性化教學變革教育[9]。可以預見，進入2.0時代的人工智能技術，必將引發(fā)學習方式的巨大變革，重塑學習者的學習體驗，并推動傳統(tǒng)數(shù)字化教學系統(tǒng)全方位的智能化升級與功能重構。

二、人工智能2.0驅(qū)動學習技術的變革與智能教學系統(tǒng)的轉型升級

應用人工智能技術變革教學由來已久，美國麻省理工學院人工智能實驗室創(chuàng)始人之一西蒙·派珀特（Seymour Papert）從上世紀70年代起就開始嘗試應用人工智能技術教授小學生編程知識。

傳統(tǒng)意義上的智能教學系統(tǒng)和智能教學代理，盡管未被普及應用于教學，但在原型開發(fā)和局部應用等方面成果豐富[10-11]。文獻分析和實踐案例都顯示了近十幾年來，人工智能技術教育應用的主題變化呈現(xiàn)出不斷深化的趨勢，即，智能教學系統(tǒng)的智能化內(nèi)涵更趨豐富，實踐應用迅速普及，應用形式更為靈活、顯著、多樣。

（一）應用人工智能變革學習的文獻分析

1.ITS國際會議與AIED大會論文集的內(nèi)容分析

圍繞人工智能的教育應用，在國際上形成了兩個重要的會議及一份重要的國際期刊，這兩個國際會議的論文集內(nèi)容豐富、涵蓋主題全面、研究深入。

（1）由國際教育人工智能協(xié)會（International AIED Society）主辦的 “教育中的人工智能大會”（Artificial Intelligence in Education，AIED）在1983年召開了第一次會議，此后有所間斷。自1993年開始，每隔一年舉行一次，2017年6月28日至7月2日在中國武漢，由華中師范大學承辦舉行了最新一次會議。

（2）ITS國際會議 （International Conference on Intelligent Tutoring System）自 1988年開始，每隔一年召開一次，由美國國家科學基金會、國際人工智能協(xié)會 （Association for the Advancement of Artificial Intelligence，AAAI）和國際教育人工智能協(xié)會聯(lián)合主辦。到2016年已舉辦到第13屆，該次會議的主題為“真實世界中的適應性學習”（Adaptive Learning in Real World Contexts）[12]。

（3）International Journal of Artificial Intelligence in Education（IJAIE）創(chuàng)刊于1990，是國際教育人工智能協(xié)會的會刊，每年發(fā)刊4期，內(nèi)容聚焦于人工智能教育應用中的主要理論問題及實踐案例分析。

本研究收集、梳理了ITS國際會議2006至2016年（6次會議）、AIED大會2007至2017年（6次會議）的全部論文集。這些論文分為兩大類：第一類是關于深度學習理論、自我博弈理論、神經(jīng)網(wǎng)絡技術及遺傳算法、邏輯推理與定理證明技術、自然語言處理技術、專家系統(tǒng)模型構建技術等純技術研究的文章；第二類是關于基于人工智能技術變革教學系統(tǒng)的應用類論文。

基于研究人工智能教育應用的視角，本研究把ITS國際會議和AIED大會論文集中的教育應用類論文合并作技術主題分類統(tǒng)計，將主題分為以下七類：（1）智能教學系統(tǒng)（Intelligent Tutor System，ITS）的模型分析；（2）智能教學代理（Intelligent Pedagogical Agent，IPA） 和教育機器人（Educational robotics）；（3）智能識別（Recognition）學習者情感及反饋，含表情、手勢、眼部跟蹤等；（4）自然語言理解（Natural Language Understanding，NLU），含語音、手寫文本、圖形圖像識別及語義檢索等；（5）應用虛擬現(xiàn)實（Virtual Reality，VR）技術的仿真實驗環(huán)境及沉浸式學習系統(tǒng)；（6）基于游戲（Serious Game）的教學；（7）大數(shù)據(jù)（Big Data）應用。表1為每個主題在每個會議年度的論文篇數(shù)及所占比例。

表1 ITS國際會議和AIED大會AI教育應用分技術主題的論文數(shù)量及占比統(tǒng)計

從表1可以看出，雖然近十年來有關智能教學系統(tǒng)模型分析的論文發(fā)表篇數(shù)變化不大，但所占比例明顯降低，從2006/2007的37%降低到2016/2017的17%；智能教學代理方面的研究占比有明顯的下降趨勢；有關嚴肅游戲的論文數(shù)量較為穩(wěn)定；有關智能識別、自然語言理解和虛擬現(xiàn)實技術教育應用的論文比重明顯提升，智能識別類論文從2006/2007的3%增加到2016/2017的19%，自然語言理解論文從2006/2007的6%增加到2016/2017的17%。在對IJAIE期刊發(fā)表論文的主題分類中同樣發(fā)現(xiàn)，IJAIE在線可查僅有自2013年第4期至2017年第3期的5卷144篇論文，其中智能識別、自然語言理解、虛擬現(xiàn)實、教育機器人等技術近兩年己逐漸成為AI教育應用的熱門話題。

2.應用CiteSpace對WoS數(shù)據(jù)庫中人工智能變革學習主題論文的聚類分析

除了對以上兩個會議和一份期刊開展分析之外，本研究借助CiteSpace引文分析工具，在Web of Science（WoS）核心合集數(shù)據(jù)庫，檢索了以“artificial intelligence in education”為主題、發(fā)表時間為2010至2017年 （文獻截止日期為2017年7月17日）的文獻，對檢索到的270篇英文文獻進行了共現(xiàn)分析、關鍵詞聚類、時區(qū)分割等可視化操作，繪制知識圖譜和提取關鍵詞。以期能夠直觀、量化地呈現(xiàn)有關“人工智能在教育中的應用”這一研究在近年來的演進與發(fā)展情況。

關鍵詞的共現(xiàn)圖譜顯示，關鍵詞出現(xiàn)詞頻最高的是“artificial intelligence”、“education”及“e-learning”，接下來是“intelligent tutoring system”、“artificial neutral network”、“neutral network”、“design”、“big data”、“genetic algorithm”等，且“big data”、“genetic algorithm”等是進入2015年以后才被大量使用。關鍵詞的聚類分析結果如表2所示，信度較高 （0.7＜Silhouette＜1）的聚類有八個，另有“fault detection”和“expert system”信度達到0.69。

表2 應用AI變革學習的文獻（WoS 2010-2017）關鍵詞聚類

對各聚類下的文獻內(nèi)容分析顯示，在應用人工智能變革學習方式的研究中，以下七類主題的文獻近年來發(fā)表數(shù)量顯著增加：（1）智能代理（Intelligent Agent）與自主學習（Self-regulated Learning）；（2）智能教學系統(tǒng)（Intelligent Tutoring System）與專家系統(tǒng)（Expert System）；（3）學習數(shù)據(jù)分析（Learning Data Analysis）；（4）眼部跟蹤（Eye Tracking）和面部表情識別（Facial Expression Recognition）等智慧感知技術的探索應用；（5）基于游戲（Serious Game）教學系統(tǒng)；（6）應用虛擬現(xiàn)實（Virtual Reality）技術構建仿真實驗環(huán)境；（7）應用教育機器人（Educational robotics）作為學習者的學習伙伴。

（二）人工智能發(fā)展的技術內(nèi)涵與教育應用實踐的演進

1.三類人工智能的技術內(nèi)涵

人工智能的發(fā)展經(jīng)歷過三次大浪潮，分別是始于上世紀50年代的計算智能時代、始于上世紀80年代的感知智能時代及進入21世紀以來的認知智能時代[13]。這三代技術的發(fā)展并非孤立發(fā)展、截然分開，計算智能為感知智能的發(fā)展提供基礎，計算智能與感知智能發(fā)展到一定階段后協(xié)同支撐認知智能的發(fā)展。

（1）計算智能在于迅速讀取、處理與分析結構化或半結構化的數(shù)據(jù)。目前，計算機的計算智能已經(jīng)較為成熟并且遠超人類。計算智能是受到人類智慧的啟發(fā)而設計出來的一類算法的總稱，主要用于解決在科學研究和工程實踐中碰到的異常復雜的計算問題。這些問題復雜度高、計算耗時長、精度要求高，如，大規(guī)模并行計算、仿真計算、模型求解等都需要依靠計算智能來完成。

（2）感知智能主要體現(xiàn)為借助語音識別、圖像識別、手勢識別等技術，對現(xiàn)實世界的信息進行采集與辨別。谷歌公司的Siri助手、國內(nèi)科大訊飛公司的語音測評系統(tǒng)等，都已經(jīng)在語音識別上表現(xiàn)出強大的優(yōu)勢。由牛津大學人工智能實驗室、谷歌DeepMind和加拿大高等研究院 （CIFAR）于2016年11月聯(lián)合發(fā)表的論文顯示，使用了人工智能技術的唇讀系統(tǒng)LipNet能將視頻中人物的嘴巴活動與臺詞匹配，準確率高達95.2%，而人類可以達到的唇語解讀正確率一般在20%，最高值僅有57.3%[14]。

（3）認知智能是在感知智能的基礎上向前邁進一步，即，不僅僅能夠感知與判斷語音、圖像及手勢，而且具備深度學習的能力，能讀懂語義、圖像及手勢的內(nèi)在含義，能判斷出發(fā)言者的觀點、遣詞造句的習慣、情感態(tài)度，具備判斷與學習的能力。眾所周知的AlphaGo戰(zhàn)勝圍棋冠軍柯潔就是認知智能的典型體現(xiàn)。具備了認知智能的計算機，能判斷并學習包括柯潔在內(nèi)的眾多圍棋高手的下棋策略，能在系統(tǒng)內(nèi)部不斷自我博弈，基于此，大幅提升自身下棋水平，其認知與學習能力是戰(zhàn)勝人類的關鍵。

2.人工智能教育應用實踐的演進

人工智能應用于教育教學是伴隨計算智能、感知智能與認知智能這三類智能技術的發(fā)展而逐漸被引入各類教學系統(tǒng)。傳統(tǒng)的智能教學師系統(tǒng)（ITS）和智能教學代理（IPA）主要應用計算智能技術，根據(jù)預先建構好的知識模型、教師模型、學生模型，在學習者的學習過程中判斷其碰到的問題，并及時給予提醒或反饋。

從一定程度上而言，導師（Tutor）或代理（Agent）都體現(xiàn)為一種智能陪伴（Intelligent Companions），但智能化程度較低。在ITS與IPA中，導師或代理所能感知或捕捉到的信息、數(shù)據(jù)主要表現(xiàn)為三個方面：一是知識點的類型、難度及與其他知識之間關系，即知識模型（Knowledge Model）；二是學習者業(yè)已經(jīng)歷過的學習過程和表現(xiàn)出的學習風格，即學生模型（Student Model）；三是在教師模型中預先設定的教學策略，即教學模型（Pedagogy Model）。顯然，這三類信息或數(shù)據(jù)中僅有學習者的學習經(jīng)歷是一個動態(tài)變化的數(shù)據(jù)庫，除此之外的知識模型、學習者學習風格、教學策略等都預先存儲于系統(tǒng)，所以，ITS和IPA對學習者特征、知識特性等的理解力與判斷力都嚴重不足。正因為如此，盡管傳統(tǒng)意義的智能教學系統(tǒng)和智能教學代理已經(jīng)顯現(xiàn)出智能化特征，但此類教學系統(tǒng)普遍較為僵化，這兩類系統(tǒng)的應用普及程度一直不高。

北京大學賈積有的研究顯示，智能代理技術和自然語言處理是2010年之前的三年中人工智能教育應用領域最為關注的兩個問題[15]。但從2010年至今，人工智能的發(fā)展取得了顯著成就，李德毅院士稱此為“人工智能在奔跑”[16]；同時，人工智能在教育中的應用更趨多樣化。美國白宮發(fā)布的報告《為未來的人工智能做準備》指出，在圖像識別領域，2011年人工智能技術的錯誤率高達26%，但到了2015年，人工智能技術的錯誤率僅有3.5%，已然低于人類5%的錯誤率。也就是說，如果交由兩個個體對圖像進行識別，根據(jù)錯誤率我們已經(jīng)無法區(qū)分究竟這兩個個體是人還是人工智能體所做的圖像識別。

更為可喜的是，這種圖像識別能力已被應用于教學當中。如，手機應用“學霸君”APP可以把學生用手機拍下的難題迅速上傳到云端并形成清晰的題目文本，然后這個軟件根據(jù)識別出的文本開展網(wǎng)絡搜索，并迅即反饋出這道題的答案及解題思路。圖像識別技術的發(fā)展是人工智能技術發(fā)展的一個縮影，近年來，其它如語音識別、語義識別、表情識別、眼部跟蹤等技術的發(fā)展同樣突飛猛進。所以，當人工智能從狹義的計算智能向感知智能、認知智能等強人工智能迅速轉型之后，人工智能的教育應用變得豐富并走進了普通大眾。

英國《每日郵報》2016年5月10日曾報道美國佐治亞理工學院 （Georgia Institute of Technology）的機器人助教代替人類助教與學生在線溝通交流竟無學生發(fā)現(xiàn)[17]，這說明了人工智能教育應用的潛力。雖然當前人工智能對教育的影響遠低于人類對人工智能的功能預期，但業(yè)已應用的一些人工智能技術，的確深刻影響了學習者的學習體驗。

表3所示的是近年來人工智能教育應用的部分美國案例。此外，英國的EZ Education公司開發(fā)的DoodleMaths[18]影響也較大，該款應用主要用于測試小學生的數(shù)學學習情況，印度、芬蘭等國也開發(fā)成功為數(shù)不少的基于人工智能技術的教育應用系統(tǒng)。科大訊飛公司在人工智能方面有較為強大的技術儲備，該公司開發(fā)的暢言智能語音（雙語）教學系統(tǒng)是針對中小學英語、語文教學需求，利用智能語音技術開發(fā)的新型智能教學工具[19]。

綜合以上文獻、技術分析及對實踐的審視，我們可以看出，近十年來人工智能的教育應用一直在蓬勃發(fā)展，研究主題因應AI技術的發(fā)展發(fā)生著顯著變遷。其研究領域不再局限于智能教學系統(tǒng)的模型分析、智能教學代理和游戲教學，而更為關注學習過程數(shù)據(jù)的收集、處理與應用。智能識別、自然語言理解、學習分析、虛擬現(xiàn)實、教育機器人等五類人工智能技術被大量引入教學系統(tǒng)，使傳統(tǒng)數(shù)字化教學系統(tǒng)、一系列的在線學習平臺及MOOC平臺等不僅實現(xiàn)了學習資源呈現(xiàn)、作業(yè)批改與答疑、學習社區(qū)構建、支持交互協(xié)作等功能，還能夠在應用AI之后對知識與內(nèi)容的表征形式實行智能化改造，并即時捕捉與感知、分析學習者的學習狀態(tài)。

表3 美國人工智能教育應用的案例梳理

三、智能識別技術催生智能教學系統(tǒng)的自動化測評和情緒感知功能

人工智能的發(fā)展一直指向?qū)θ祟愋畔⒌墨@取與理解，如表3中的微軟小冰、IBM的Watson、蘋果的Siri等，都具備很高的自然語言理解能力。

近年來，基于人工智能的信息獲取與識別技術不斷涌現(xiàn)，這些技術催生了圖1所示的人工智能2.0時代新型智能教學系統(tǒng)的構建與運行模型。

圖1 人工智能2.0時代智能教學系統(tǒng)的構建與運行模型

從圖1可以看出，教學策略模型、學習者模型、知識模型這三者依然是新型智能教學系統(tǒng)的基本組件。在傳統(tǒng)教學系統(tǒng)中被關注較少的語音信息、圖像信息及非機打文本信息、學習者表情、手勢等表達情感的信息，進入到新型智能教學系統(tǒng)的視域。除了傳統(tǒng)的智能推理引擎，新增加智能信息感知與識別引擎基于ITS基本組件的需求，能捕捉、識別各類媒體信息及人體的各種數(shù)據(jù)，智能推理引擎在完成數(shù)據(jù)分析、模型重構、決策生成等工作的同時，通過多模態(tài)反應生成器以多種類型的信息為用戶提供反饋。

（一）應用語音識別與圖像識別技術完成自動化教學測評

1.語音識別支撐自動化語言學習測評

人工智能技術家族中的語音識別技術發(fā)展迅速，以谷歌的Siri為代表的語音識別工具近年來層出不窮；科大訊飛和51talk等公司開發(fā)出的語音測評軟件也能實現(xiàn)用戶跟讀，并對發(fā)音的正確性做出評估；Siri作為蘋果手機上的一項典型應用，具備識別用戶、收發(fā)短信、尋找聯(lián)系人、定位、搜索、翻譯等諸多功能，這在極大程度上提升了手機與人交互的流暢性，并在一定程度上實現(xiàn)了手機對用戶的自然語言理解。這些技術被引入教學系統(tǒng)后，使教學系統(tǒng)與學習者之間的交互便捷性提升顯著，自動批改作業(yè)、自動教學測評等應用被相繼開發(fā)出來。

在語言類課程中，學習者將有關課文朗讀、英語發(fā)音的作業(yè)或練習以音頻形式提交以后，教學系統(tǒng)能借助語音識別技術，迅速對學習者的學習狀況做出評估，進而提出修正建議。反之，如果由教師獨立開展此項工作，所耗費時間很長，對語音辨別的準確性不足。因此，語音識別技術的引入，有助于提升教師對學習者學習情況進行評估的有效性，學習者所獲得自動化評估或測評有助于其對自我形成更科學的評價。

2.圖像及非機打文本語義識別技術促進寫作教學測評的自動化

圖像識別技術近幾年的發(fā)展成果豐碩，該技術不僅可對清晰的機打文本做出準確的識別，而且對較為模糊的非機打文本、手寫文本也已經(jīng)達到較高的識別準確率。如，語義識別在寫作教學中的應用已頗具實效，來自美國亞利桑那州立大學（ArizonaState University）的Jennifer等人開發(fā)了一套訓練學習者寫作能力的智能輔導系統(tǒng)[34]。該系統(tǒng)包含一個名為The Writing Pal的寫作指導策略模型，系統(tǒng)為學生提供一個話題，學生可以根據(jù)自己的真實經(jīng)驗或真實世界中的客觀事物展開寫作。例如，系統(tǒng)要求學生寫作的一個主題是：在達成目標的過程中合作與競爭的關系，并探討如果想獲得更大的成就，需要更多的合作還是競爭。

該系統(tǒng)還為學生提供包括九個策略模塊的協(xié)作策略指導：隨筆、計劃、引入寫作、正文寫作、結論寫作、核心論點寫作和評論修改。系統(tǒng)會在學生寫作初期給學生展現(xiàn)一段5-10分鐘的視頻，學生看完視頻后接受一個小測驗，以測試學生對視頻中講解到的寫作策略的理解程度。學生根據(jù)這些策略建議初步寫成一篇觀點清晰的文章框架，然后修改得更為精確細致。系統(tǒng)追蹤檢測學生的寫作學習情況，如果學生沒有完成該寫作策略的學習，則不會進入下一階段的學習。該系統(tǒng)為學生提供豐富的游戲?qū)懽鲌鼍埃寣W習參與到真實情景的協(xié)作中，系統(tǒng)應用語義識別技術對學生的寫作內(nèi)容進行自動評分反饋，并提出有針對性的修改意見。

（二）表情與手勢識別、眼動跟蹤等技術支持智能教學系統(tǒng)完成情緒感知

人工智能不僅要聽懂人類的聲音，而且要“察言觀色”，還要感知人類的情感與態(tài)度。在這方面，人臉識別、眼動跟蹤、手勢識別等技術的發(fā)展日新月異。試想一下，如果教學系統(tǒng)對一個面部表情充滿了厭倦、排斥等情感因素的學生，還在不斷推送難度很大的學習材料，那顯然不能促進有效學習的發(fā)生。具備情緒感知功能的教學系統(tǒng)可以及時調(diào)整推送的教學內(nèi)容的難度，甚至可以增加教學內(nèi)容的趣味性及提升學習低難度學習材料的學習成就感，這就避免了學習的倦怠或者學習過程的中止。

1.識別面部表情分析學習者學習結果

來自美國北卡羅來納州立大學 （North Carolina State University）的 Alexandria等人發(fā)現(xiàn)[35]，通過識別、收集及應用學習者的學習行為、面部表情等數(shù)據(jù)，可以有效地預測及調(diào)整學習者的學習結果。該研究被應用于一套Java編程學習系統(tǒng)之中，學習界面包含任務描述窗口、學習者的Java代碼編寫窗口、程序編譯與執(zhí)行輸出窗口、輔導教師與學習者對話交流的文本窗口，借助該系統(tǒng)可實現(xiàn)師生同步交流。作為一項實驗研究，該研究選擇了5名人類導師和來自美國平均年齡為18.5歲的67名大學生，在收集數(shù)據(jù)時采用了Kinect深度相機（檢測姿勢和手勢）、一個集成的網(wǎng)絡攝像頭（觀測面部表情）以及皮膚電傳導手鐲 （檢測皮膚電傳導活動）（如圖2所示），每個學習者在學習之前和學習之后都要經(jīng)過成績測評。

圖2 收集學習者手勢、面部表情的智能教學系統(tǒng)

在學習過程中，導師與學習者之間對話的每條語句都經(jīng)過自動注釋標記，導師所提問題基本都是要求學生進行推理的問題，由此激發(fā)學生回顧先前所學知識并喚醒過去的學習經(jīng)驗。該系統(tǒng)對面部表情的偵測包括眉毛高低、嘴角的上揚/下壓、唇線的緊閉程度等，皮膚電傳導出學生心跳波圖及相位變化；該相位是指學生在接受刺激時波形的變化峰值。圖3是應用攝像頭所采集到的部分學生的面部表情圖。

圖3 學生的四個典型表情

在圖3中顯示了該研究應用網(wǎng)絡攝像頭在預測模型中采集的四個典型表情：A圖額頭下壓和B圖上眼瞼抬高與學習者成績呈正向相關；A圖表示在短時間內(nèi)的混亂與挫折感；B表情與集中注意力有關，表示學習者可能正在進行批判思考以解決實際問題；C圖嘴角下壓通常與挫折感相關，代表對學習成績負向預判；D圖與沮喪情緒相關，嘴部放松可以對學習成績作正向預判，當嘴唇緊閉時對成績有負向影響。

圖4是一位學習者在回答“How can you fix your code?”這個問題提出后，三秒鐘時間內(nèi)被捕捉到的表情。該表情是與成績正向相關的圖像，與教學系統(tǒng)中該學習者完成的問題回答相吻合。經(jīng)過Ledalab（開源的Matlab軟件）等軟件對學習者面部表情及皮膚電變化數(shù)據(jù)的分析，結果顯示：學習者的面部表情與皮膚電傳導反應可以用于預測學習效果，未來植入面部表情識別功能的教學系統(tǒng)可以在發(fā)現(xiàn)學習者的困惑時，提供相對應的指導幫助。

圖4 學習者被提問后三秒內(nèi)的面部表情

2.跟蹤眼動數(shù)據(jù)判定學習者模型

人工智能除了識別學習者的面部表情，還可以從學習者的眼動數(shù)據(jù)跟蹤中，分析學習者的學習興趣、內(nèi)容偏好等。來自英國坎特伯雷大學（University of Canterbury）的Antonija Mitrovic等人開發(fā)了一個被稱為EER-Tutor的智能輔導系統(tǒng)[36]，用于獲取開放學習者模型（Open Student Model，OSM），此處的開放學習者模型被定義為學習者如何看待其正在學習的知識，智能教學系統(tǒng)正是依據(jù)這個學習者模型來判別每個學習者的學習情況，然后做進一步的教學輔助。在這項研究中，學習者模型的形成依賴于系統(tǒng)對學習者眼動數(shù)據(jù)的跟蹤，圖5所示是在該研究中某位被試學生的眼動數(shù)據(jù)圖，被試者對某一概念的凝視時間越長，節(jié)點越大。

圖5 學習者眼動數(shù)據(jù)跟蹤結果

Antonija Mitrovic等人研究發(fā)現(xiàn)，每位學習者對呈現(xiàn)在屏幕上內(nèi)容的凝視時間差異顯著。這項研究選擇了來自新西蘭坎特伯雷大學大二數(shù)據(jù)庫課程的17名本科生，使用Tobii TX300眼球數(shù)據(jù)追蹤儀跟蹤、測試學生的內(nèi)容關注點、關注時長等數(shù)據(jù)。

智能教學系統(tǒng)通過語音識別、圖形圖像識別、表情及手勢識別等多種形式捕捉、感知學習過程和學習狀態(tài)。然后ITS又根據(jù)這些數(shù)據(jù)更新學習者模型，在后續(xù)學習過程中，會相應地給不同學生呈現(xiàn)不同教學內(nèi)容。同時，ITS給學生提供的反饋也走向多模態(tài)化，新型智能教學系統(tǒng)亦能綜合應用自然語言表達、文本顯示、預制的動畫或視頻等多種形式，為學生提供人性化的生動反饋。

四、學習分析技術推動智能教學系統(tǒng)支撐個性化學習

在人工智能2.0時代，基于大數(shù)據(jù)的學習分析技術，智能教學系統(tǒng)對非結構化數(shù)據(jù)的分析能力和基于不完整數(shù)據(jù)做出決策的能力，都得到大幅提升。教育數(shù)據(jù)的捕捉已經(jīng)達到非常精細的顆粒度，來自悉尼大學的學者已經(jīng)應用可觸摸屏幕來捕捉協(xié)作學習中每個小組、每個成員的學習表現(xiàn)[37]。教師采用儀表盤（Dashboard）的形式，能非常清晰的看到協(xié)作小組的學習活動是否與課程目標一致、學習者是否需要及時干預?？傮w而言，學習分析被用于學習評估、學習預測及教與學的優(yōu)化[38]，基于人工智能的學習分析為實現(xiàn)更為科學的個性化學習、個性化診斷、個性化反饋及因材施教提供了可能。

（一）學習分析技術引發(fā)學習者模型、知識模型及教學策略的轉型

1.學習者模型（Learner Model）的轉型

與傳統(tǒng)的智能教學系統(tǒng)和智能教學代理進行比較可以發(fā)現(xiàn)，在傳統(tǒng)智能教學系統(tǒng)中，學生模型的形成主要采取如下方式：首先，教師或系統(tǒng)開發(fā)者預先設定學生的眾多學習風格，如，先在學習管理系統(tǒng)（Learning Management System，LMS）中根據(jù)菲爾德（Felder）和西爾弗曼（Silverman）的學習風格模型選定學習風格的分類[39]；然后，在學習者開始學習之前進行問卷式的評測；最后，根據(jù)問卷評測結果選定學生的學習風格[40-41]。

顯而易見，根據(jù)簡單的問卷評測并不能對學生的學習風格做出準確評測，傳統(tǒng)智能教學系統(tǒng)對學習者學習風格的選定策略，是在無法獲取學習者大量學習過程數(shù)據(jù)情況下的權宜之計。隨著教育大數(shù)據(jù)概念的深入人心，各類教學系統(tǒng)的數(shù)據(jù)收集與分析能力得到大幅度提高，學習管理系統(tǒng)有能力鑒別出學習者的學習風格、媒體偏好、興趣、認知水平，并根據(jù)學習的進展，逐漸調(diào)整對學習者的判定[42]。因此，學習者模型的形成范式正在從預設式向生成式轉型，如，著名的兒童教育內(nèi)容制作公司芝麻街（SESAME STREET）基于IBM具備理解、推理和學習能力的認知系統(tǒng)Watson，開發(fā)出各種“個性化學習工具”以認知并適應不同孩子的學習方式。伴隨著每次人機互動，Watson能夠不斷優(yōu)化自身以匹配每個學生的學習模式[43]。

2.知識模型（Knowledge Model）的轉型

鑒于人工智能對大數(shù)據(jù)收集、處理能力的優(yōu)越性，在2017年美國“ASU-GSU教育科技峰會”上，眾多科技人員和學者一致認為，基于大數(shù)據(jù)智能的學習分析技術，應成為數(shù)字化教學系統(tǒng)的標準配置。更值得期望的是，數(shù)字化教學系統(tǒng)所收集的學習過程數(shù)據(jù)，還將包括學生的情感信息及學生的元認知策略，教學系統(tǒng)對學習者的理解與判斷將達到一個新的高度。

當我們把關注點轉移到MOOC教學系統(tǒng)之后又會發(fā)現(xiàn)，因為MOOC系統(tǒng)面向的學習者數(shù)量極其巨大，如果MOOC系統(tǒng)實現(xiàn)對學習者學習過程的記錄，那么學習者對學習內(nèi)容的重點、難點、學習路徑會形成一種公眾認知與判斷 （將被用于對知識的標注）。傳統(tǒng)智能教學系統(tǒng)中的知識模型，將不再僅是知識內(nèi)容的細化與陳列，還將伴隨有對每個知識點的學習策略和學習路徑建議，這個學習路徑往往要以包含有層次結構和映射關系的知識圖譜為基礎。因此，在應用學習分析技術之后，教學系統(tǒng)的知識呈現(xiàn)形式及屬性表征都變得異常豐富，這對學習者而言意義巨大。在傳統(tǒng)學習中，如果沒有老師或同伴的指導，學習者只有在學習很長時間以后才能逐漸認知到正在學習的知識的難度及學習方法，而應用了學習分析技術的教學系統(tǒng)能在呈現(xiàn)知識的同時，清晰地表達相對應的學習策略，學習者將少走很多彎路。

3.教學策略模型（Pedagogical Strategy Model）的轉型

有過一定教學經(jīng)驗的人都會有如下經(jīng)歷，在每個學習群體中會有些學生非常勤奮，但學習成績一直不高。教師往往把這種現(xiàn)象歸因于該生的學習方法不當，為此，教師要借助與學生的交流，再結合個人經(jīng)驗來調(diào)整學生的學習方法。但不容忽視的是，如果學生不能清晰、準確地表述個人的學習狀況，那么，教師的經(jīng)驗雖然寶貴卻并不一定適用于所有學生，學生的學習方法的調(diào)整效果不理想。最終老師只能將學生成績不高歸因于學習動機不高或天資水平欠佳。

正是基于學習者模型與知識模型的轉型，學習分析技術能幫助教師打開學生學習過程的黑箱。由于學生的個性不同，每個學生應該有其獨特的學習路徑，教師既能從學習路徑上尋找到不合理之處，也能從學生在每個知識點的掌握情況上追蹤、探查問題的根源。即使是5年級的學生，其當前學習的困境即可能來自于3年級時對某個知識點或某個知識單元掌握不佳。例如，在“一起作業(yè)網(wǎng)”這個教學平臺上，將學生的作業(yè)、課堂行為、考試等數(shù)據(jù)集中起來以后，能夠很全面的表征學生的學習行為。同樣是得了80分的兩位同學，傳統(tǒng)教育會默認為這兩位同學處于同樣的能力水平。而“一起作業(yè)網(wǎng)”的智能評價系統(tǒng)會追蹤這兩位同學的學習過程，分析他們每個知識點的掌握情況和每一道錯題的失分點等，從而得出不同的學情診斷。另外，通過對學生作業(yè)數(shù)據(jù)的記錄，老師還可為每一位學生整理形成錯題本，幫助學生開展針對性練習，實現(xiàn)個性化學習。

（二）應用學習分析技術支撐個性化學習的案例評述——Knewton系統(tǒng)

創(chuàng)立于紐約的Knewton公司致力于個性化教育研究及平臺研發(fā)，Knewton系統(tǒng)擁有龐大的學習資源和先進的學習數(shù)據(jù)分析能力，個性化學習內(nèi)容推送精準、有效。Knewton基于每個學生的獨特性，根據(jù)學生教育背景、智力水平、學習速率、遺忘速率、注意范圍和學習模型的不同，聯(lián)合教師和出版商為學生提供個性化的學習路徑，提供智能化并具有適應性的學習方案，該系統(tǒng)平臺上的課程主要有英語、數(shù)學、化學等。區(qū)別于其它學習分析與內(nèi)容推送系統(tǒng)，Knewton系統(tǒng)的特點主要表現(xiàn)在以下三個方面：

1.學習內(nèi)容以知識圖譜形式存儲

Knewton平臺系統(tǒng)里有成千上萬的內(nèi)容模塊，學習內(nèi)容的存在形式包括視頻、題庫、問答對話等等，每個模塊里的內(nèi)容可大可小，可能是一個小問題，也可能是一個連續(xù)的學習系列。這些內(nèi)容之間的關系以知識圖譜的形式存在，可實現(xiàn)知識的可視化，其作用在于表示課程材料知識點之間的概念關系。系統(tǒng)會根據(jù)學生學習情況給每一個內(nèi)容打分，并根據(jù)學生表現(xiàn)調(diào)整呈現(xiàn)的內(nèi)容及相應的呈現(xiàn)方式。圖6所示是Knewton系統(tǒng)基于知識圖譜形成的個性化學習路徑，圖中每一個小圓圈都代表一個知識點，圓圈之間的連線就代表一條學習路徑，例如：1.1—1.2—2.1—2.2—3.2就是一條學習路徑。

圖6 Knewton系統(tǒng)的個性化學習路徑

2.基于項目反應理論的學習數(shù)據(jù)分析

Knewton系統(tǒng)基于項目反應理論把學生的能力建模為問題表現(xiàn)水平，而不是測驗表現(xiàn)水平。如，在耗時10分鐘且包含10道題目的小測驗中，其中兩道題目特別簡單，兩道題目特別難，另外6個題目是中等難度的。在參加考試的所有學生中，其中兩個學生都答對9道題目，一個學生答錯一道簡單題，而另一個學生答錯一道難道。在傳統(tǒng)分級方法中，這兩個學生都得90分，等級都是A，并且安排他們進入相同的下一場考試。但在Knewton中，由于答錯的題目對應的是不同難度，還有可能對應不同的知識點，對學生能力的測試結果會大不相同。

3.基于多次測試及綜合表現(xiàn)的內(nèi)容推薦

Knewton的內(nèi)容推薦系統(tǒng)可以滿足不同興趣和不同學習風格學生的需求，并根據(jù)學習的順序和進度不斷調(diào)整。不同學生的Knewton教材會因為他們的使用習慣而存在差異，同一篇文章篇幅的長短也取決于學生的具體表現(xiàn)。如果某位學生對“細胞分裂”的注意力在開課15分鐘后持續(xù)下降，那么下次上課的時候，Knewton會在第14分鐘時停止推送“細胞分裂”的內(nèi)容。同樣的，如果某位學生對視頻教學反饋良好，系統(tǒng)會持續(xù)推送視頻內(nèi)容而不是文本和音頻內(nèi)容。

基于以上三個特性，Knewton能較好的作為個人學習情況和課堂教學質(zhì)量的分析工具，實現(xiàn)可視化學習過程，尤其是對學習效果、參與程度和知識滯留做出可視化分析。近年來，Knewton系統(tǒng)已經(jīng)先后與Pearson Education、Macmillan Education、Houghton Mifflin Education等數(shù)家教育出版商開展合作，為出版社所出教材提供數(shù)字化改造與學習平臺搭建。2015年起，Knewton系統(tǒng)進入中國，成為“好未來”等在線教育公司學習平臺的技術供應商。

除了上述國外案例，國內(nèi)的在線學習平臺更在大力推進應用學習分析技術支撐個性化學習。如，在滬江在線今年推出的大學生英語四級課程追蹤平臺上，將近1.5億的在線學習用戶群體在每個課件的每一頁內(nèi)容、每一個知識點、每一個對應的題目、每個題目及每個題目對應的選項上，都有學習行為記錄。基于這些學習過程數(shù)據(jù)，嵌入了人工智能的滬江在線平臺，使每位學習者獲得的課程內(nèi)容都是個性化的、量身定制的。學習者之前牢固掌握的內(nèi)容絕不會重復出現(xiàn)，教學系統(tǒng)會給學生智能化推送未復習考點，這在極大程度上節(jié)省了學習者的學習時間并提高了學習效率[44]。

五、應用虛擬現(xiàn)實技術為學習者搭建虛擬課堂

《第四次革命》的作者盧西亞諾·弗羅里迪（Luciano Floridi）預計每個人都將經(jīng)歷“線上人生”[45]，這種生活消除了虛擬世界和現(xiàn)實世界間的門檻?，F(xiàn)實世界的生活方式及實物都以仿真的形式存在于虛擬世界中，每個人借助于虛擬世界能更好的獲取知識與感知文明。

虛擬現(xiàn)實（VR）技術的突破有賴于智能對象行為建模技術的發(fā)展，近些年，伴隨智能計算芯片技術的發(fā)展，在虛擬現(xiàn)實中，智能對象行為的社會性、多樣性和交互逼真性都得到突飛猛進的發(fā)展。從這點而言，盡管虛擬現(xiàn)實一直作為信息科學技術中一個較為獨立的研究領域存在，但其發(fā)展、突破與應用都與人工智能息息相關。虛擬現(xiàn)實技術的發(fā)展推動了仿真教學系統(tǒng)及沉浸式學習環(huán)境的設計與開發(fā)，兩者都為搭建虛擬課堂提供了堅實的平臺支撐。

（一）仿真教學（Simulation Teaching）系統(tǒng)

1.EON Reality

在全球眾多的仿真教學系統(tǒng)中，由EON Reality公司開發(fā)的一系列仿真教學模型得到廣泛應用。尤其在高等教育領域，這些仿真教學模型顯著提升了學生在學習過程中的注意力。EON Reality建立的虛擬現(xiàn)實3D數(shù)據(jù)庫 （Experience Portal）收集有4000多種模型和虛擬場景，教師和學生從這個數(shù)據(jù)庫中下載高度仿真的立體模型之后，在應用EON公司提供的VR/AR軟件時就可以看到各類三維模型，如，宇宙中星球間的關系模型、動物解剖模型、植物成長生態(tài)環(huán)境的變化模型等等。教師應用這個數(shù)據(jù)庫能在較短時間內(nèi)為上課做好準備，學生還可以應用該公司提供的軟件創(chuàng)建3D模型供以分享和研討。

在提供內(nèi)容龐大、種類豐富的虛擬仿真模型的同時，EON Reality還提供了一個被稱為EON Coli-seum的多用戶虛擬平臺。通過該平臺，教師可以很方便的搭建虛擬課堂，然后學生加入其中，這與Second Life[46]等三維虛擬社區(qū)相似。在虛擬課堂學生能夠應用這些仿真模型開展基于角色扮演的游戲式教學。

2.物理仿真學習環(huán)境VIPs

正如斯坦福大學人機交互實驗室創(chuàng)始人杰里米·拜倫森（Jeremy Bailenson）教授所說[47]，虛擬現(xiàn)實的世界可以提供豐富的物理信息，涵蓋視覺、聲音、觸感及味道等各方面的信息。如，奧本大學 （Auburn University）的Lakshman等人構建虛擬物理系統(tǒng)VIPs用以模擬真實世界中很難操作的儀器設備[48]，VIPs系統(tǒng)支持學習者搭建、仿真、收集不同滑輪情境中的數(shù)據(jù)。

首先，VIPs系統(tǒng)預置了物理課程專家對滑輪這一概念學習中常見的六個誤區(qū)。系統(tǒng)通過詢問學習者相關問題讓學習者在仿真情境下動手操作滑輪實驗，以判定學習者是否能夠避免概念誤區(qū)。然后，學習者在學習每個內(nèi)容模塊時都要經(jīng)過組塊測試，獲得相應的學習反饋。Lakshman等人對這個系統(tǒng)的有效性開展了實驗比較，在與真實情景的對比試驗中，選擇了158名小學職前教師隨機分配到實驗組與對照組分別進行前測，試驗階段分別提供真實滑輪操作情境和VIPs虛擬情境。最后，研究者對兩組被試進行后測，通過對實驗數(shù)據(jù)的反復方差檢驗，發(fā)現(xiàn)使用VIPs的實驗組學習所得，在統(tǒng)計學意義上要高于使用真實情景的對照組，結果顯示使用VIPs的學習者可以學到更多的知識。

（二）沉浸式學習（Immersive Learning）環(huán)境

比仿真教學系統(tǒng)更進一步，沉浸式學習環(huán)境綜合利用立體眼鏡、數(shù)據(jù)手套及頭盔、操縱桿等各類跟蹤系統(tǒng)，使師生感覺完全置身于真實場景觀察事物。來自利物浦大學 （University of Liverpool）的 Maria Limniou等人設計了名為CAVE[49]的沉浸式虛擬教學環(huán)境，這個系統(tǒng)在英國索爾福德大學的虛擬現(xiàn)實中心被試用。CAVE的跟蹤系統(tǒng)記錄3D物體的角度和方向的變化，操縱桿幫助用戶向前或向后移動3D物體或旋轉不同角度的物體。教師將跟蹤系統(tǒng)戴在頭上，以便簡單地通過移動頭部來觀察虛擬現(xiàn)實環(huán)境，而不需要使用單獨的控制器來改變圖像的角度。為了讓學生更好地觀察，教師使用操縱桿把分子向前或向后旋轉，從而解釋發(fā)生反應的化學變化。為了讓學生從不同角度觀察結構分子的變化，教師可以停止或翻轉動畫。參加實驗的學生戴著立體眼鏡，當教師提出問題時，學生們能非常積極地參與回答。

沉浸式學習環(huán)境比仿真教學環(huán)境對軟硬件設備的要求更高，相應的，學生在沉浸式學習環(huán)境中對真實情景的體悟、感知程度也更深。在上述CAVE案例中，研究者通過與傳統(tǒng)課堂教學中學生課堂參與度及最后成績進行比較，發(fā)現(xiàn)使用沉浸式虛擬學習環(huán)境的學生課堂參與度顯著提升，虛擬學習環(huán)境使學生能多視角觀察化學反應的進行，從而積極參加教學過程，能積極回答教師提出的關于分子結構的問題。

在傳統(tǒng)課堂教學上，借助二維畫面和教師講解，學生們并沒有意識到三維空間中的分子及其體積，但通過使用三維虛擬學習環(huán)境，學生很容易理解分子是不平坦的。相比于二維畫面展示，CAVE中的三維動畫可以讓學生更好地感知化學反應過程中分子結構的變化，因為學生可以暫?；蛐D動畫，向前移動或向后移動從而更好地觀察。使用CAVE后，學生對CAVE的評價積極，他們認為自己似乎參與了化學反應，可以從不同的角度觀察它。無論是借助仿真教學環(huán)境還是沉浸式學習環(huán)境所搭建起的虛擬課堂，都能在一定程度上促進學生提出更多的問題，增強與老師教互動。

六、智能代理與教育機器人構成學習者的智能陪伴

人工智能以更自然的方式融入人類社會，作為一種“伴侶”而存在，人工智能可以具象化為一種智能陪伴（Artificial Companions，ACs），因其智能化程度不同，ACs可以劃分為輕人工智能體和智能體[50]。輕人工智能體僅具備少量的計算智能，其自然語言理解與情感識別等方面的能力還比較薄弱；智能體在自然語言理解及情感識別等方面的能力大幅提升。美國佐治亞理工學院（Georgia Institute of Technology）應用IBM的Watson系統(tǒng)作為機器人模擬導師給學生網(wǎng)上答疑，此時的智能體已經(jīng)具備較強的學習能力和社交能力，甚至可以成為用戶的替身，變成人類與他人、社交網(wǎng)絡進行互動的主要媒介。在實踐當中，智能陪伴的形式主要體現(xiàn)為智能教學代理和教育機器人兩種形式。

（一）智能教學代理

智能教學代理主要體現(xiàn)為一個助教教師，目前僅實現(xiàn)了初級的陪伴學習。但其下一步將有望發(fā)展并實現(xiàn)主動的知識輸出與對學習者的引導。來自希臘薩洛尼卡市的亞里士多德大學（Aristotle Universi-ty of Thessaloniki）的 Stergios Tegos等人，應用對話代理模式干預學習者的協(xié)作性學習[51]。該研究選取了小學五年級現(xiàn)代歷史課上32名學生 （含18名女生和14名男生，年齡在11-12歲不等），在計算機實驗室進行探究性試驗。實驗開始為學習者呈現(xiàn)一系列具有特定歷史背景的卡片，然后要求學習者收集與給定歷史背景相符的卡片，接下來將這些卡片組合起來創(chuàng)建一個歷史故事，對話界面（見圖7）提供了一個貓頭鷹形態(tài)的智能代理，為學習者提供相關概念的引導，幫助其具化歷史故事的推理過程。

圖7 協(xié)作學習中的智能代理

當組內(nèi)一位學習者提出關鍵性概念后，如果30秒內(nèi)無其他響應，貓頭鷹代理將會自動觸發(fā)干預機制，干預機制分析學習者的會話貢獻度，采用分割、關鍵詞提取匹配算法決定最適合的干預決策，引導所有學習者共同參與協(xié)作學習過程。整個活動耗時90分鐘，協(xié)作階段占用近25分鐘。

該實驗研究發(fā)現(xiàn)，智能代理可以誘發(fā)小組在協(xié)作中更多地參與交互，學習者在等待同伴提交代理反饋時非常不耐煩，但是在面對智能代理的問題時，對于不明白的問題更加坦誠“我不知道”，盡管智能代理并不是一個權威性的溝通角色，但是在面對智能代理時，相較于面對同伴，學習者能夠以更加禮貌、正式的方式對智能代理的問題進行反應。隨著時間變化，學習者的提問和回答模式似乎更加傾向于智能代理的模式，當學習者無法回答智能代理的問題時，他們向同伴求助更容易獲得幫助，能夠獲得更好的組內(nèi)協(xié)作。

（二）教育機器人

教育機器人分為面向大學和面向中小學的機器人，機器人又可以進一步分為教育性機器人和比賽型機器人。其中比賽型機器人的發(fā)展歷史較長，主要是為了訓練學生的設計與創(chuàng)造能力，學生可以編程控制機器人的行為。通過應用比賽型機器人，培養(yǎng)學生的科學素養(yǎng)已經(jīng)成為當前非常盛行的STEAM教育的重要內(nèi)容。在FIRA機器人足球賽、中國教育機器人大賽、世界教育機器人大賽、FLL機器人世界錦標賽等比賽中所出現(xiàn)的機器人主要屬于這類。比賽型機器人作為玩具和學生操控對象的特性比較突出，但作為學習工具或智能陪伴的屬性較為欠缺。

教育性機器人主要用于對學生的智能陪伴和陪學。學生在學習時，教育機器人可直接講授或即時回答學生提出的問題，感知并調(diào)整學生的情緒，這類機器人往往兼具玩具和學習工具的功能。在全球比較著名的教育機器人中，類似毛絨玩具的智能機器人Romibo會講故事，它可以通過其前置攝像頭捕捉孩子們的動作，能給孩子提示和好評，以降低使用者的焦慮水平。WowWeeMiP Robot機器人看起來像一個小孩，它可以識別人的手勢，用戶可以用智能手機、手部動作來控制機器人的行為。PLEO rb外觀像恐龍，它可以教孩子關于生物學和生命周期等方面的知識，這個機器人在模仿真實生命方面能力突出，具備較強的學習、思考和獨立行動的能力。圖8是來自麻省理工學院設計的一款教育機器人，圖9是著名的美國漢森機器人公司開發(fā)的愛因斯坦機器人。

圖8 會講故事并與孩子交互的機器人

圖9 愛因斯坦機器人

麻省理工學院媒體實驗室的 Jacqueline Kory Westlund等研究人員，開發(fā)了一個給孩子講故事并且教孩子講故事的機器人。基于與學習者較長時間的交互，這個教育機器人能夠收集學習者的語言習慣及講故事的技巧信息。通過收集到的這些數(shù)據(jù)和信息，教育機器人講故事的方式得以調(diào)整，并能感知每個學習者的進步。

愛因斯坦機器人是款外形酷似愛因斯坦的迷你機器人，該機器人的主設計師是美國漢森機器人公司的大衛(wèi)·漢森（David Hanson）。早在2009年，漢森還是加利福尼亞州立大學的一名研究人員時，他使用軟體機械工程和納米科技成功地制造了這款機器人的雛形。后來這款機器人的智能性及與真人的外形相似度都不斷提高，發(fā)展至今已經(jīng)成為全球機器人中的典范。這個機器人使用一種類似肉體的叫做“Frubber”的材料，使其面部皮膚能呈現(xiàn)出具有4-40納米直徑的毛孔，機器人面部上的皺紋非常逼真。愛因斯坦機器人不僅具備說話的功能，還能夠識別出許多種人類的面部表情，識別用戶的語音，并與用戶進行合理有效的交談。愛因斯坦機器人能夠做出超過50種手勢和表情，它還可以與用戶談論天氣、名人、食物和數(shù)學問題及與用戶做游戲互動。與此同時，愛因斯坦機器人雖然不能解釋廣義相對論等復雜理論，但能夠講授數(shù)學和科學等相關科目知識，其知識庫儲備能夠?qū)崿F(xiàn)百科全書式的檢索，幾乎可以回答學齡階段的所有科學問題。

教育機器人是一種具象化的智能陪伴，而智能教學代理主要是一種虛擬的卡通形象，屬于低成本的智能陪伴。人工智能1.0時代的智能教學代理（IPA）主要承擔助手（Assistant）和實時導師（Real-time Tutor）的角色[52]。隨著IPA采用越來越多的感知智能、認知智能等高階人工智能技術，人工智能2.0時代的IPA與教育機器人同樣具備較好的情緒感知和學習能力，交互內(nèi)容更加豐富，交互過程也更加自然、流暢。

七、人工智能2.0重塑學習的應用前瞻

科技的發(fā)展與應用永無止境，人工智能升級、革新教學系統(tǒng)將不止于智能識別、情緒感知、學習分析、虛擬現(xiàn)實、智能陪伴等技術的應用。人工智能的基礎理論及各類相關技術仍在迅速發(fā)展，并將引發(fā)學習方式、學習技術的顛覆式創(chuàng)新。最近《科學》雜志發(fā)表論文證實華人科學家張首晟及其團隊發(fā)現(xiàn) “天使粒子”（馬約拉那費米子的存在證據(jù)），這一物理學領域的重大發(fā)現(xiàn)將推動人工智能實現(xiàn) “量子跳躍”。正如張首晟所言，“人工智能的核心是算法。如果依托量子計算機開展運算，人工智能就可以將以前多個步驟才能完成的計算簡化為一步，從而最快找到最優(yōu)化解決途徑，這將引發(fā)各行各業(yè)的深刻變革”[53]。

2017年7月9日在杭州召開的“全球人工智能高峰論壇”上，中國工程院院士潘云鶴指出，新一代人工智能的重點方向?qū)臄?shù)據(jù)智能、群體智能、跨媒體智能、人機混合的增強智能和自主智能系統(tǒng)等五個方面進行。其中的數(shù)據(jù)智能、跨媒體智能及人機協(xié)同的增強智能，將對教育教學領域形成重大影響。

（一）大數(shù)據(jù)與跨媒體智能共同支撐精準的學情判斷和科學的學習路徑推薦

大數(shù)據(jù)智能表現(xiàn)為從淺層計算到深度神經(jīng)推理，從單純依賴數(shù)據(jù)驅(qū)動到數(shù)據(jù)驅(qū)動與知識引導相結合，能夠?qū)崿F(xiàn)可解釋、更魯棒和更通用的人工智能[54]。就如AlphaGo在系統(tǒng)內(nèi)部存儲數(shù)量龐大的優(yōu)秀棋譜，基于自我博弈的技術，能應用所學知識在內(nèi)部與自我下棋，反復學習、推演。隨著智能教學系統(tǒng)做邏輯推理及決策所依據(jù)的經(jīng)驗、知識庫、題庫的迅速增長，規(guī)模龐大、種類豐富的學習大數(shù)據(jù)基礎或知識基礎得以建立，不斷發(fā)展的大數(shù)據(jù)智能將數(shù)據(jù)驅(qū)動的機器學習方法與人類的經(jīng)驗常識和直覺相結合，智能教學系統(tǒng)推薦給學習者的學習路徑將更為個性化、人性化并能適時調(diào)整。

所謂跨媒體智能，是指智能系統(tǒng)所處理的信息不是單一的媒體形式，而是由文字、圖像、音頻、視頻等相互融合的多媒體形態(tài)[55]。如今跨媒體統(tǒng)一表征、跨媒體關聯(lián)與深度挖掘、跨媒體知識圖譜構建、跨媒體知識演化與推理等技術日趨成熟?？缑襟w智能將能綜合處理前文所述的語音識別、圖形圖像識別、手勢與面部表情識別等技術捕捉或感知到的信息。此外，借助于可穿戴技術及腦機融合等技術，甚至于學生的意識都可能被感知，對這些信息的多模態(tài)統(tǒng)一數(shù)據(jù)表征與分析應用可以更準確的判定學情。

（二）未來教學系統(tǒng)將廣泛采用人機協(xié)同的增強智能

由于人類面臨的許多問題具有不確定性、脆弱性和開放性，任何智能程度的機器都無法完全取代人類。這就需要將人的作用或人的認知模型引入到人工智能系統(tǒng)中，形成混合增強智能的形態(tài)，這種形態(tài)是人工智能或機器智能的可行的、重要的成長模式[56]。此外，人工智能在現(xiàn)階段仍不可避免地面臨信任危機，如，身患絕癥的病人斷然不能完全信任由智能機器開出的診治方案，教育機器人對學習者的科學應答過程顯然也缺乏情感交流與人性化對話，人類需要面對人工智能的信任危機及對人工智能系統(tǒng)錯誤包容性的技術倫理困境。

人類不能完全依賴于對人工智能的使用。正是因為認識到這點，IBM使用Watson開發(fā)藥物的關鍵一環(huán)是該系統(tǒng)不斷與醫(yī)藥學家進行溝通。Watson雖能提高癌癥和其他疾病的早期檢測結果，但也需要人類醫(yī)生的配合，醫(yī)生需要了解患者的癥狀，通知患者治療計劃，并引導患者完成整個治療計劃。在教育教學過程中，如果人工智能形成的學情分析以及個性化推薦能與優(yōu)秀教師的經(jīng)驗、智慧、對知識的尊重、對學生的愛等協(xié)同，學習者方能感受到真正的因材施教，個性化深度學習才能發(fā)生。更需要注意的是，在開放的互聯(lián)網(wǎng)上，應用人工智能技術收集到的學習數(shù)據(jù)隱私權面臨巨大挑戰(zhàn)，需要應用法律及區(qū)塊鏈數(shù)據(jù)加密等技術限定學習過程數(shù)據(jù)的使用邊界，借助人類教師與智能教學系統(tǒng)的相互協(xié)同，是新一代人工智能真正安全、可控，并發(fā)揮其重塑學習效用的必然選擇。

[1]潘云鶴.AI2.0時代的五個布局方向[EB/OL].[2017-07-15].http:// www.donews.com/news/detail/1/2959778.html.

[2]潘云鶴.人工智能走向2.0[J].Engineering，2016，2（4）：1-6.

[3]牟智佳.“人工智能+”時代的個性化學習理論重思與開解[J].遠程教育雜志，2017（3）：22-30.

[4]White House.Artificial Intelligence，Automation，and the Economy [EB/OL].[2017-01-25].https://obamawhitehouse.archives.gov/blog/2016/ 12/20/artificial-intelligence-automation-and-economy.

[5]White House.Preparing for the Future of Artificial Intelligence[EB/ OL].[2016-12-30].https://obamawhitehouse.archives.gov/blog/2016/ 05/03/preparing-future-artificial-intelligence.

[6]National Science and Technology Council.National Artificial Intelligence Research and Development Strategic Plan[EB/OL].[2016-12-28]. https://www.nitrd.gov/PUBS/national_ai_rd_strategic_plan.pdf.

[7]Stanford University.Artificial Intelligence and Life in 2030[EB/OL]. [2017-05-20].http://www.donews.com/news/detail/1/2959778.html.

[8]國務院關于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].[2017-07-26].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996. htm

[9]李九喻.聯(lián)合國召開首次人工智能峰會:讓AI助力17個可持續(xù)發(fā)展目標.[2017-07-01].https://news.uc.cn/a_148308135966785100/.

[10]陳凱泉.智能教學代理的系統(tǒng)特性及設計框架[J].遠程教育雜志，2010（6）：98-103.

[11]趙建華.智能教學系統(tǒng)概述[J].中國電化教育，2007（7）：5-12.

[12]13th International Conference on Intelligent Tutoring Systems[EB/ OL].[2017-06-07].http://its2016.its-conferences.com/.

[13]徐貴寶.擁抱人工智能2.0新時代[J].中國人工智能學會通訊，2017（5）：50-56.

[14]Assael Y M，Shillingford B，Whiteson S，et al.LipNet:End-to-End Sentence-level Lipreading[EB/OL].[2017-05-16].http://www. oxml.co.uk/publications/2016-Assael_Shillingford_LipNet.pdf.

[15]賈積有.國外人工智能教育應用最新熱點問題探討[J].中國電化教育，2010（7）：113-118.

[16]李德毅.人工智能在奔跑 教育的機遇與挑戰(zhàn)[J].北京聯(lián)合大學學報，2016（3）：1-4.

[17]Daily Mail Online.A Robot has been Teaching Grad Students for 5 Months...and None of them Realized[EB/OL].[2017-05-10].http:// www.dailymail.co.uk/news/article-3581085/A-robot-teaching-gradstudents-5-months-NONE-realized.html.

[18]EZ Education.Research behind the Making of Doodle Maths[EB/ OL].[2017-05-10].https://www.doodlemaths.com/.

[19]科大訊飛.科大訊飛暢言智能語音（雙語）教具系統(tǒng)[EB/OL]. [2017-02-17].http://www.iflytek.com/content/details_26_666.html.

[20]Pearson Education.Ordinate，Creator of the Versant Test，is now a Part of Pearson[EB/OL].[2017-03-18].https://www.versanttests.com/ aboutus.

[21]McGraw-Hill Education.Overview of Aleks[EB/OL].[2017-03-19]. https://www.aleks.com/about_aleks/course_products.

[22]McGraw-Hill Education.McGraw-Hill Education Launches Connect Master，a New Adaptive Learning Technology Focused on Deeper Foundational Learning[EB/OL].[2017-03-20].http://www.prnewswire. com/news-releases/mcgraw-hill-education-launches-connect-master-a-new-adaptive-learning-technology-focused-on-deeper-foundational-learning-300061431.html.

[23]McGraw-Hill Education.What is LearnSmart?[EB/OL].[2017-04-10].http://www.mheducation.com/highered/platforms/learnsmart.html.

[24]McGraw-Hill Education.What is SmartBook?[EB/OL].[2017-04-11].http://www.mheducation.com/highered/platforms/smartbook.html.

[25]Gradescope.How it Works?[2017-05-22].https://www.gradescope. com/.

[26]Knewton.Updated Instructor Experience[EB/OL].[2017-04-02]. https://www.knewton.com/resources/.

[27]Pearson Education.The Learning Science behind Revel[EB/OL]. [2017-04-15].https://www.pearsonhighered.com/revel/educators/learning-science/.

[28]EON Reality.EON Virtual Trainer[EB/OL].[2017-02-19].https: //www.eonreality.com/eon-virtual-trainer/.

[29]MIT Scheller Teacher EducationProgam/Education Arcade.Overview，Research and Collaborative Design[EB/OL].[2017-04-28].http:// education.mit.edu/about/our-work/.

[30]Hanson Robotics.My Story[EB/OL].[2017-04-29].https://professoreinstein.com/pages/about.

[31]Massachusetts Institute of Technology.Personalized Robot Storyteller [EB/OL].[2017-05-26].https://www.media.mit.edu/projects/collaborative-robot-storyteller/overview/.

[32]Vail A K，Grafsgaard J F，Boyer K E，et al.Predicting Learning from Student Affective Response to Tutor Questions[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:154-164.

[33]Taub M，Azevedo R.Using Eye-Tracking to Determine the Impact of Prior Knowledge on Self-Regulated Learning with an Adaptive Hypermedia-Learning Environment[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:34-47.

[34]Weston-Sementelli J L，Allen L K，Mcnamara D S.Comprehension and Writing Strategy Training Improves Performance on Content-Specific Source-based Writing Tasks[J].International Journal of Artificial Intelligence in Education（IJAIE），2016:1-32.

[35]Vail A K，Grafsgaard J F，Boyer K E，et al.Predicting Learning from Student Affective Response to Tutor Questions[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:154-164.

[36]Mathews M，Mitrovic A，Lin B，et al.Do Your Eyes Give It Away? Using Eye Tracking Data to Understand Students’Attitudes towards Open Student Model Representations[C].International Conferenceon Intelligent Tutoring Systems.2012:422-427.

[37]Maldonado R M，Kay J，Yacef K，et al.An Interactive Teacher’s Dashboard for Monitoring Groups in a Multi-tabletop Learning Environment[C].International Conference on Intelligent Tutoring Systems.Springer，Berlin，Heidelberg，2012:482-492.

[38]劉清堂，王洋等.教育大數(shù)據(jù)視角下的學習分析應用研究與思考[J].遠程教育雜志，2017（3）：71-77.

[39]El-Bishouty M M，Saito K，Chang T W，et al.An Interactive Course Analyzer for Improving Learning Styles Support Level[M]. Human-Computer Interaction and Knowledge Discovery in Complex，Unstructured，Big Data.Springer Berlin Heidelberg，2013: 136-147.

[40]Roll I，Aleven V，Mclaren B M，et al.Improving Students’Helpseeking Skills Using Metacognitive Feedback in an Intelligent Tutoring System[J].Learning&Instruction，2011，21（2）:267-280.

[41]Murray T.An Overview of Intelligent Tutoring System Authoring Tools:Updated Analysis of the State of the Art[M].Authoring Tools for Advanced Technology Learning Environments.Springer Netherlands，2003:491-544.

[42]Liu X，Du Y，Sun F，et al.Design of Adaptive Learning System based on Big Data[C].International Conference on Information Engineering.ACM，2017:1-5.

[43]Education News.Sesame Street，IBM’s Watson Team Up for Early Childhood Tools[EB/OL].[2017-03-28].http://www.educationnews. org/technology/sesame-street-ibms-watson-team-up-for-earlychildhood-tools/.

[44]伏彩瑞.智啟未來[R].上海：“人工智能與未來教育”高峰論壇.2017（5）.

[45][50][意]Luciano Floridi.第四次革命[M].王文革譯.杭州：浙江人民出版社，2016，10：65，177.

[46]Mayrath M C，Traphagan T，Jarmon L，et al.Teaching with Virtual Worlds:Factors to Consider for Instructional Use of Second Life[J]. Journal of Educational Computing Research，2015，43（4）:403-444.

[47]Bailey J O，Bailenson J N.Considering Virtual Reality in Children’s lives[J].Journal of Children and Media，2017:1-7.

[48]Myneni L S，Narayanan N H.An Intelligent Tutoring and Interactive Simulation Environment for Physics Learning[M].Intelligent Tutoring Systems.Springer Berlin Heidelberg，2012:250-255.

[49]Limniou M，Roberts D，Papadopoulos N.Full Immersive Virtual Environment CAVETM in Chemistry Education[M].Elsevier Science Ltd.2008.

[51]Tegos S，Demetriadis S，Tsiatsos T.An Investigation of Conversational Agent Interventions Supporting Historical Reasoning in Primary Education[M].Intelligent Tutoring Systems.Springer International Publishing，2016.

[52]陳凱泉.實時導師和助手：智能教學代理的實踐定位[J].中國電化教育，2006（4）：85-87.

[53]新華社.科研團隊成員揭秘“天使粒子”發(fā)現(xiàn)的背后[EB/OL].[2017-07-26].http://news.xinhuanet.com/2017-07/25/c_1121375201.htm.

[54]Zhuang Y T，Wu F，Chen C，et al.Challenges and Opportunities: from Big Data to Knowledge in AI 2.0[J].Frontiers of Information Technology&Electronic Engineering，2017，18（1）:3-14.

[55]Peng Y X，Zhu W W，Zhao Y，et al.Cross-media Analysis and Reasoning:Advances and Directions[J].Frontiers of Information Technology&Electronic Engineering，2017，18（1）:44-57.

[56]Zheng N N，Liu Z Y，Ren P J，et al.Hybrid-augmented Intelligence:Collaboration and Cognition[J].Frontiers of Information Technology&Electronic Engineering，2017，18（2）:153-179.

The Technological Path and Practice Exploration of Reconstructing Learning based on Artificial Intelligence（AI）2.0：Also on the Functional Upgrade of Intelligent Tutoring System

Chen Kaiquan，Sha Junhong，He Yao&Wang Xiaofang
（Department of Education，Ocean University of China，Qingdao Shandong 266100）

ArtificialIntelligence（AI）hasaccumulatedstrongbasisofthetechnologythroughmorethan60years.Innearlya decade，AI has been stepping into cognitive intelligence rapidly after computational intelligence and perceptual intelligence in sequence.AI 2.0 has been applied in every field of life instead of AI 1.0 which was just used and recognized by elite minorities.With the rapid development and application of technologies including natural language understanding，facial expression recognition，educational big data，virtual reality and robotics，the new intelligent tutoring system involved these technologies transforms and reconstructs the manifestation of knowledge and learning process intelligently.Besides，the function of the new intelligent tutoring system should consist of capture and perception immediately，analysis of learner’s state，evaluation automatically，learning analytics，emotion perception，simulation teaching，intelligently accompany，and so on.In the future，the new intelligent tutoring system based on big data intelligence and intermedia intelligence is likely to support precise learning judgment and scientific learning path recommendation，and the artificial intelligence in education will make for human-machine-cooperative augmented intelligence.

Artificial intelligence;AI;Intelligent tutoring system;Learning analysis;Natural language understanding;Virtual classroom;Intermedia intelligence

G40-057

A

1672-0008（2017）05—0040—14

2017年7月28日

責任編輯：陳 媛

本文系國家社會科學基金項目“基于E-SCIENCE的新型科研范式研究”（15BTQ057）；教育部人文社會科學研究項目“高校虛擬科研組織的組建模式與運行機制研究——基于協(xié)同創(chuàng)新的視角”（14YJC880005）；中國海洋發(fā)展研究會基金項目“海洋科學研究中的范式轉型及對策研究”（CAMAJJ201605）的研究成果。

陳凱泉，中國海洋大學教育系副教授，主要研究方向為教育信息化、學習科學與科研信息化；沙俊宏，中國海洋大學教育系在讀碩士研究生，研究方向為人工智能的教育應用；何瑤，中國海洋大學教育系在讀碩士研究生，研究方向為教育大數(shù)據(jù)與學習分析；王曉芳，中國海洋大學教育系在讀碩士研究生，研究方向為信息技術支持下的深度學習。