鄭慶華 董 博 錢步月 田 鋒 魏筆凡 張未展 劉 均

1(西安交通大學(xué)電子與信息工程學(xué)院 西安 710049)2(西安交通大學(xué)繼續(xù)教育學(xué)院 西安 710049)3(大數(shù)據(jù)算法與分析技術(shù)國家工程實驗室(西安交通大學(xué)) 西安 710049)

教育信息化是信息化時代構(gòu)建學(xué)習(xí)型社會和終身學(xué)習(xí)體系的基本技術(shù)途徑，是《國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006—2020)》和《國家中長期教育改革和發(fā)展規(guī)劃綱要(2010—2020)》的戰(zhàn)略任務(wù)之一.回顧國內(nèi)外教育信息化的發(fā)展歷程，主要經(jīng)歷了數(shù)字化、網(wǎng)絡(luò)化、智能化3個階段的演進(jìn).

在20世紀(jì)70,80年代，隨著信息技術(shù)，特別是個人電腦(PC)的出現(xiàn)，國內(nèi)外首先出現(xiàn)了以計算機(jī)教育為著眼點(diǎn)的教育信息化熱潮.鄧小平同志在1984年的講話“計算機(jī)的普及要從娃娃抓起”深入人心.隨著信息技術(shù)發(fā)展與PC的進(jìn)一步普及，教育信息化進(jìn)入了教育資源數(shù)字化、教育管理信息化的時代，各種電化教育手段與電化教育館、廣播電視大學(xué)的出現(xiàn)，正式標(biāo)志著教育信息化進(jìn)入了數(shù)字化時代.

20世紀(jì)90年代到本世紀(jì)初，隨著互聯(lián)網(wǎng)的高速發(fā)展，教育信息化逐步進(jìn)入了網(wǎng)絡(luò)化時代.遠(yuǎn)程教育、在線教育等網(wǎng)絡(luò)化教育手段成為了緩解教育數(shù)字鴻溝和教育公平問題的重要途徑.1993年我國建成了中國教育與科研計算機(jī)網(wǎng)(Cernet)；在國際上，Internet也在同一階段迅速成長壯大，為開展網(wǎng)絡(luò)化教育提供了重要的支撐平臺.進(jìn)而，隨著智能終端與移動互聯(lián)網(wǎng)的迅猛發(fā)展，具有4A特性(Anywhere,Anytime,Anyone,Anydevice)的移動學(xué)習(xí)，成為了網(wǎng)絡(luò)化時代教育信息化的主要特征之一.

2010年以后，隨著移動互聯(lián)網(wǎng)、人工智能、云計算、大數(shù)據(jù)等技術(shù)的發(fā)展，教育信息化進(jìn)入了一個全新的階段，呈現(xiàn)出智能化、泛在化、個性化、開放化、協(xié)同化的趨勢.2011年大規(guī)模開放在線課程(massive open online course, MOOC)在全球范圍內(nèi)推廣，隨之而來的是對教育信息化的智能需求與日俱增.人工智能與教育的深度融合已成為提升教育信息化發(fā)展水平和質(zhì)量的重要手段.2017年國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中，明確指出“利用智能技術(shù)加快推動人才培養(yǎng)模式、教學(xué)方法改革，構(gòu)建包含智能學(xué)習(xí)、交互式學(xué)習(xí)的新型教育體系.開展智能校園建設(shè)，推動人工智能在教學(xué)、管理、資源建設(shè)等全流程應(yīng)用”，這標(biāo)志著教育信息化的智慧教育時代正式拉開序幕.

智慧教育是指融合現(xiàn)代教育理論與大數(shù)據(jù)分析、人工智能等信息技術(shù)的新的教育信息化范式.當(dāng)前，國內(nèi)外對智慧教育尚未形成共識，但是從不同角度指出了智慧教育應(yīng)具有的特點(diǎn).例如國內(nèi)學(xué)者祝智庭等人分析了“智慧”的內(nèi)涵，指出智慧教育中的學(xué)習(xí)時空環(huán)境應(yīng)具有感知、推理、輔助決策等智慧特性[1].楊現(xiàn)民則認(rèn)為智慧教育是依托新一代信息技術(shù)的物聯(lián)化、智能化、感知化、泛在化的教育信息生態(tài)系統(tǒng)[2].新加坡在iN2015計劃中明確了智慧教育的3個特點(diǎn)，即泛在學(xué)習(xí)、交互式數(shù)字學(xué)習(xí)資源、適應(yīng)不同學(xué)習(xí)風(fēng)格的智能學(xué)習(xí)體驗[3].

本文中，我們將智慧教育定義為基于新一代信息技術(shù)的教育信息化新范式，旨在通過教學(xué)、管理、評估、決策等教育全過程涉及的資源、行為、情境、管理等教育大數(shù)據(jù)進(jìn)行挖掘、分析、融合，建立具有智能導(dǎo)學(xué)、精準(zhǔn)推薦、精細(xì)評價等特點(diǎn)的學(xué)習(xí)生態(tài)系統(tǒng).

本文的貢獻(xiàn)主要有2個方面：

1) 在對國內(nèi)外智慧教育研究與應(yīng)用調(diào)研分析的基礎(chǔ)上，從3個層次建立了智慧教育的研究框架.最底層是教育大數(shù)據(jù)分析與挖掘，包括以教學(xué)行為等結(jié)構(gòu)化數(shù)據(jù)為對象的教育大數(shù)據(jù)分析，以及以非結(jié)構(gòu)化海量知識資源為對象的教育知識圖譜構(gòu)建，這是構(gòu)建智慧教育平臺的基礎(chǔ).中間層是針對教學(xué)中導(dǎo)學(xué)、推薦、答疑、評價等環(huán)節(jié)的4項關(guān)鍵技術(shù)，包括學(xué)習(xí)路徑生成與導(dǎo)航、學(xué)習(xí)者畫像與個性化推薦、智能在線答疑以及精細(xì)化評測.最上層則是主流的國內(nèi)外智慧教育平臺.圍繞上述框架，對國內(nèi)外相關(guān)研究進(jìn)行對比分析，總結(jié)了其特點(diǎn)與存在的問題.

2) 總結(jié)出當(dāng)前智慧教育研究4個方面的局限性.①如何應(yīng)對大規(guī)模學(xué)習(xí)者的在線輔導(dǎo)；②如何對學(xué)習(xí)者、教師、環(huán)境等要素進(jìn)行精細(xì)化、全過程的評測；③如何應(yīng)對有限認(rèn)知帶寬問題導(dǎo)致的個體學(xué)習(xí)局限性；④如何通過分析教育大數(shù)據(jù)發(fā)現(xiàn)影響教學(xué)的潛在致因與規(guī)律.針對上述局限性，指出了智慧教育后續(xù)研究的4個方向，即在線智能學(xué)習(xí)助手技術(shù)、學(xué)習(xí)者智能評估指標(biāo)與方法、網(wǎng)絡(luò)化群體認(rèn)知模型以及教育大數(shù)據(jù)的因果關(guān)系發(fā)現(xiàn)方法.

1 教育大數(shù)據(jù)分析挖掘

1.1 結(jié)構(gòu)化教育數(shù)據(jù)分析

結(jié)構(gòu)化的教育數(shù)據(jù)主要包括學(xué)習(xí)行為(如鼠標(biāo)點(diǎn)擊次數(shù)等)、學(xué)習(xí)效果(是否獲得證書等)以及學(xué)習(xí)者基本屬性(如年齡、性別等).近年來，國內(nèi)外學(xué)者對大規(guī)模在線學(xué)習(xí)平臺(如Coursera,edX,Udacity等)的海量結(jié)構(gòu)化教育數(shù)據(jù)已開展了分析研究工作.這些研究有助于揭示人類更深層次的認(rèn)知機(jī)理，挖掘有價值的學(xué)習(xí)規(guī)律與模式.當(dāng)前對教育數(shù)據(jù)的分析主要是相關(guān)性分析.相關(guān)性用于衡量變量間具有線性關(guān)系的程度，主要包括假設(shè)檢驗、回歸分析等分析手段.

在假設(shè)檢驗方面，典型研究工作如：Kizilcec等人[4]采用Fisher精確檢驗對MOOC學(xué)習(xí)軌跡數(shù)據(jù)進(jìn)行了分析，并采用非監(jiān)督學(xué)習(xí)方法將學(xué)習(xí)模式分為Completing,Auditing,Disengaging,Sampling Learner四種類型，為理解在線學(xué)習(xí)者的學(xué)習(xí)持續(xù)性提供了依據(jù).Coetzee等人[5]也采用Fisher精確檢驗分析了edX平臺上中“軟件工程”課程的行為數(shù)據(jù)，發(fā)現(xiàn)學(xué)習(xí)者在論壇上的訪問次數(shù)與學(xué)習(xí)成績之間存在正相關(guān)性.Wilkowski等人[6]采用T檢驗分析了Google MOOC平臺上的行為數(shù)據(jù)，發(fā)現(xiàn)了不同學(xué)習(xí)目標(biāo)下學(xué)習(xí)行為與課程完成率之間的相關(guān)性.

在回歸分析方面，典型研究工作如：Firmin等人[7]對3門MOOC課程進(jìn)行了邏輯回歸分析，發(fā)現(xiàn)學(xué)習(xí)者及格與否與個人努力程度相關(guān).Coffrin等人[8]根據(jù)學(xué)習(xí)者的交互數(shù)據(jù)，運(yùn)用生存回歸方法對社交行為的中心度和課程學(xué)習(xí)的參與度進(jìn)行了分析，揭示了能夠預(yù)測MOOC學(xué)習(xí)流失率的顯著性指標(biāo).Ramesh等人[9]基于隨機(jī)邏輯回歸分析出學(xué)習(xí)持續(xù)性相關(guān)的行為特征，用以預(yù)測MOOC學(xué)習(xí)的完成率.He等人[10]采用邏輯回歸方法預(yù)測學(xué)生是否能完成課程學(xué)習(xí)，并對邊界學(xué)生提供干預(yù).國內(nèi)蔣卓軒等人[11]結(jié)合邏輯回歸方法與相關(guān)圖方法分析Coursera上6門課程的學(xué)習(xí)行為數(shù)據(jù)，挖掘出學(xué)習(xí)行為與學(xué)習(xí)間的相關(guān)性.

上述研究得到的相關(guān)性大都是類似“學(xué)習(xí)效果好壞與個人努力程度相關(guān)”的結(jié)論，對構(gòu)建當(dāng)前急需的智能化導(dǎo)學(xué)、推薦、評價等機(jī)制，還缺乏可操作性.而支撐這類機(jī)制的核心是在教育數(shù)據(jù)中蘊(yùn)含的因果關(guān)系.因果關(guān)系是指變量間的作用關(guān)系，一個變量的變化是由另一個變量觸發(fā).盡管相關(guān)性分析在因果關(guān)系挖掘中具有重要作用，但是相關(guān)性既非因果關(guān)系的必要條件，也非充分條件[12].與因果關(guān)系相比，相關(guān)性還很難作為決策的依據(jù).

1.2 教育知識圖譜構(gòu)建

隨著Linking Open Data等項目的全面展開，語義Web數(shù)據(jù)源的數(shù)量激增，大量RDF數(shù)據(jù)被發(fā)布.互聯(lián)網(wǎng)正從僅包含網(wǎng)頁和網(wǎng)頁之間超鏈接的文檔萬維網(wǎng)(document Web)轉(zhuǎn)變成包含大量描述各種實體和實體之間豐富關(guān)系的數(shù)據(jù)萬維網(wǎng)(data Web).知識圖譜(knowledge graph)旨在描述真實世界中存在的各種實體或概念以及它們之間的關(guān)聯(lián)關(guān)系.和傳統(tǒng)的Web頁面網(wǎng)絡(luò)相比，知識圖譜中的節(jié)點(diǎn)從網(wǎng)頁變成了各種類型的實體，而圖中的邊也由連接網(wǎng)頁的超鏈接(hyperlink)變成豐富的各種語義關(guān)系.研究機(jī)構(gòu)及商業(yè)公司以知識圖譜為基礎(chǔ)開展大規(guī)模知識庫構(gòu)建，目前Google、百度和搜狗等公司均構(gòu)建了自己的知識圖譜，分別為Google Knowledge Graph、知心和知立方.知識圖譜不僅可以改進(jìn)搜索質(zhì)量，同時也可以直接回答問題.

知識圖譜在檢索領(lǐng)域獲得廣泛應(yīng)用之后，逐步擴(kuò)展到教育、醫(yī)療等其他領(lǐng)域.教育知識圖譜可將分散、無序、海量的教育信息聚合成結(jié)構(gòu)化、優(yōu)質(zhì)的知識，并智能地推薦給用戶，使用戶從海量信息的人工篩選中解脫出來，快速進(jìn)行認(rèn)知升級.如百度研制的百度教育知識圖譜主要用于K12教育市場，將題目與知識點(diǎn)進(jìn)行對應(yīng)，聚合相關(guān)知識點(diǎn)的多態(tài)優(yōu)質(zhì)資源，能夠支持并完成高效的人機(jī)交互.

知識圖譜的構(gòu)建過程是從原始數(shù)據(jù)出發(fā)，采用一系列自動或半自動的數(shù)據(jù)挖掘技術(shù)，從原始數(shù)據(jù)中提取出知識主題等節(jié)點(diǎn)及節(jié)點(diǎn)間語義或認(rèn)知關(guān)系.這是一個迭代更新的過程，每輪迭代包含2個基本階段：信息抽取和知識融合.教育知識圖譜的構(gòu)建也遵循這2個階段，差別主要是節(jié)點(diǎn)及節(jié)點(diǎn)間關(guān)系類型不同.

信息抽取從各種類型的數(shù)據(jù)源抽取構(gòu)建知識圖譜所需的各種候選實體(概念、知識主題)及節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系(包括語義關(guān)系、認(rèn)知關(guān)系等)，形成一個個孤立的抽取圖譜(extracted graphs).知識圖譜主要來源于百科類網(wǎng)站和各種垂直站點(diǎn)的結(jié)構(gòu)化數(shù)據(jù)，這類數(shù)據(jù)特點(diǎn)是質(zhì)量較高、更新較慢.比如Google的知識圖譜很大一部分來源于Freebase,Wikipedia和IMDB等網(wǎng)站.而另一方面，知識圖譜通過從各種半結(jié)構(gòu)化數(shù)據(jù)(如HTML表格)抽取相關(guān)實體的“屬性-值”對來豐富實體的描述.通過信息抽取得到的知識數(shù)據(jù)更大，并能及時發(fā)現(xiàn)最新的實體或事實，但其質(zhì)量相對較差，存在一定的錯誤.Cafarella等人[13-14]開發(fā)了WebTables系統(tǒng)，該系統(tǒng)使用分類技術(shù)從海量HTML頁面的150億表格中抽取了1.5億條的高質(zhì)量關(guān)系數(shù)據(jù).該系統(tǒng)后來被Google收購用于構(gòu)建Google的知識圖譜.Venetis等人[15]開發(fā)了一個用于HTML中海量表格的語義標(biāo)注系統(tǒng).該系統(tǒng)首先從Web上抽取得到含有噪音的類標(biāo)簽及它們之間的關(guān)系形成一個數(shù)據(jù)庫，基于該數(shù)據(jù)庫及Web上觀察到的實例標(biāo)注表格的每個列，從而獲得表格的語義.Mintz等人[16]提出一種Distant Supervision的方法從Web抽取各種關(guān)系，該方法假定，如果已知2個實體存在特定的語義關(guān)系，那么包含實體對的句子在某種程度上就存在表征二者語義關(guān)系的作用.這種方法充分利用了現(xiàn)有的知識庫，如Wikipedia、本體或者人工標(biāo)注的小規(guī)模實體對，將這些高質(zhì)量關(guān)系實體對作為種子，從Web中挖掘包含已知實體對的大規(guī)模文本，作為自動標(biāo)注的語料庫，然后使用監(jiān)督學(xué)習(xí)解決關(guān)系抽取問題.

為了形成一個完整的知識圖譜，還需要通過實體對齊(消歧)、模式層構(gòu)建、可信性驗證等技術(shù)將這些信息孤島集成在一起.Bordes等人[17]基于深度學(xué)習(xí)技術(shù)將不同的符號框架嵌入(embed)到一個連續(xù)的向量空間中，從而可以方便地計算實體間語義相似度，進(jìn)而完成預(yù)測及檢索任務(wù).Google創(chuàng)建了名為 Knowledge Vault的知識圖譜[18]，迄今已經(jīng)收集了16億件事實，其中，2.71億件是“可信的事實”.微軟創(chuàng)建的Probase[19]，從多達(dá)16億網(wǎng)頁數(shù)據(jù)中抽取出270萬條核心概念、2000多萬條概念間關(guān)系，是目前概念空間最大的知識庫.

目前還沒有成熟的教育知識圖譜產(chǎn)品，研究機(jī)構(gòu)及商業(yè)公司側(cè)重于擴(kuò)展現(xiàn)有知識圖譜技術(shù)，并研究基于知識圖譜的個性化資源推薦、導(dǎo)航學(xué)習(xí)、知識發(fā)現(xiàn)等技術(shù).

2 教學(xué)環(huán)節(jié)的智慧教育技術(shù)

在線學(xué)習(xí)中主要包括導(dǎo)學(xué)、推薦、答疑、評價等教學(xué)環(huán)節(jié)，以下對各個環(huán)節(jié)中的學(xué)習(xí)路徑生成與導(dǎo)航、學(xué)習(xí)者畫像與個性化推薦、智能答疑、精細(xì)化評估等關(guān)鍵技術(shù)進(jìn)行綜述.

2.1 學(xué)習(xí)路徑生成與導(dǎo)航

學(xué)習(xí)路徑推薦是根據(jù)學(xué)習(xí)者的先驗知識與學(xué)習(xí)目標(biāo)，規(guī)劃一條由認(rèn)知關(guān)系組成的路徑，其核心問題是如何自動生成高效的學(xué)習(xí)路徑.目前，針對學(xué)習(xí)路徑推薦的研究仍然處于探索階段，針對不同的需求和應(yīng)用背景尚沒有公認(rèn)的權(quán)威經(jīng)典方法解決這一問題.已有的代表性研究工作可以分為基于學(xué)習(xí)者特征、基于語義關(guān)系、基于認(rèn)知關(guān)系的3類學(xué)習(xí)路徑生成方法.

基于學(xué)習(xí)者特征的學(xué)習(xí)路徑生成方法是通過分析學(xué)習(xí)者在學(xué)習(xí)過程中表現(xiàn)出來的學(xué)習(xí)行為特點(diǎn)來完成學(xué)習(xí)路徑推薦.典型的研究有：Salehi與 Kamalabadi[20]提出了一種基于序列模式挖掘和多維屬性的協(xié)同過濾的新型推薦系統(tǒng)框架；Lin等人[21]開發(fā)了基于決策樹的個性化創(chuàng)新學(xué)習(xí)系統(tǒng)，為學(xué)習(xí)者提供個性化的學(xué)習(xí)路徑；Dwivedi等人[22]通過可變長度遺傳算法，綜合考慮學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和知識水平,為學(xué)習(xí)者提供有效的學(xué)習(xí)路徑；Basu等人[23]提出了一種基于用戶模型的系統(tǒng)，該系統(tǒng)考慮了學(xué)習(xí)者的偏好、先前的表現(xiàn)、學(xué)分要求以及推薦學(xué)習(xí)路徑的時間等參數(shù).Bendahmane等人[24]提出了一種基于學(xué)習(xí)數(shù)據(jù)、學(xué)習(xí)者特征、期望和能力的方法CBA，通過對學(xué)習(xí)者進(jìn)行聚類和跟蹤，最后給出合適的學(xué)習(xí)路徑.Salehi等人[25]引入了學(xué)習(xí)者偏好樹，將學(xué)習(xí)者所接觸材料的多維屬性、學(xué)習(xí)者評分、有序模式和順序模式組合到模型中.該模型使用混合、加權(quán)和級聯(lián)混合方法形成最終推薦的學(xué)習(xí)路徑.

以上6種方法都是從學(xué)習(xí)者的角度解決學(xué)習(xí)路徑推薦問題，大多采用集體智慧或表現(xiàn)優(yōu)秀學(xué)習(xí)者的學(xué)習(xí)行為特征來提高生成的學(xué)習(xí)路徑的精確度和有效性.但是，這種思路需要花費(fèi)大量時間構(gòu)造優(yōu)秀學(xué)習(xí)者的先驗知識庫，而且可能會面臨優(yōu)秀學(xué)習(xí)者的日志缺失問題；同時由于并未考慮學(xué)習(xí)者當(dāng)前的先驗知識到學(xué)習(xí)目標(biāo)的必要性，以及不同學(xué)習(xí)者在學(xué)習(xí)過程中所表現(xiàn)的不同學(xué)習(xí)行為特征，因此，所推薦的學(xué)習(xí)路徑會或多或少地偏離學(xué)習(xí)者的原本需求，無法為學(xué)習(xí)者提供有針對性的指導(dǎo).

基于語義關(guān)系的學(xué)習(xí)路徑生成方法是利用知識元本身的語義信息指導(dǎo)學(xué)習(xí)路徑的推薦.典型的研究有：Chu等人[26]提出一種基于本體的學(xué)習(xí)路徑生成方法，該方法首先根據(jù)知識元之間的關(guān)系建立知識元本體庫，進(jìn)而根據(jù)本體之間的關(guān)系指導(dǎo)學(xué)習(xí)路徑的推薦；Colace等人[27]提出了一種基于貝葉斯網(wǎng)絡(luò)生成學(xué)習(xí)路徑的方法，利用領(lǐng)域本體中的概念關(guān)系，將學(xué)習(xí)路徑推薦問題視為一種排序約束滿足問題；Tam等人[28]提出了明確的語義分析，然后通過概念聚類增強(qiáng)本體分析，并應(yīng)用優(yōu)化器來尋找所涉及的概念或模塊的最佳學(xué)習(xí)路徑.Tseng等人[29]構(gòu)建了自適應(yīng)學(xué)習(xí)的概念圖，并為個體學(xué)生提供了知識點(diǎn)推薦.以上方法大多缺失目標(biāo)知識元學(xué)習(xí)的必要條件，忽視了知識間認(rèn)知序關(guān)系對認(rèn)知的影響；此外，本體之間的聯(lián)系是多種多樣的，這種聯(lián)系不一定是認(rèn)知角度的學(xué)習(xí)先后順序，用這些各種各樣的聯(lián)系去建立學(xué)習(xí)路徑并不太合適.

基于認(rèn)知關(guān)系的學(xué)習(xí)路徑生成方法主要是通過知識圖譜解決大量的異質(zhì)學(xué)習(xí)資源導(dǎo)致學(xué)習(xí)者的知識迷失和認(rèn)知負(fù)載問題.朱艷茹等人[30]在學(xué)生能力的引導(dǎo)下，構(gòu)建了一個能夠自動診斷用戶學(xué)習(xí)能力的用戶模型，并為不同特征的學(xué)習(xí)者提供“最佳契合”的個性化學(xué)習(xí)路徑.趙琴等人[31]提出一種基于改進(jìn)蟻群優(yōu)化算法的微學(xué)習(xí)路徑推薦方法，該方法主要用于檢測學(xué)習(xí)者的知識水平、知識領(lǐng)域和學(xué)習(xí)目標(biāo)的學(xué)習(xí)遷移；Durand等人[32]提出一種基于圖論的學(xué)習(xí)路徑推薦系統(tǒng)，用貪心算法求最短路徑的局部最優(yōu)解.這些學(xué)習(xí)路徑推薦方法不足之處在于：不能根據(jù)學(xué)習(xí)者的學(xué)習(xí)過程和學(xué)習(xí)能力提供多樣化的學(xué)習(xí).

2.2 學(xué)習(xí)者畫像與個性化推薦

精準(zhǔn)學(xué)習(xí)者畫像是現(xiàn)階段個性化教學(xué)的核心內(nèi)容，即如何有效地利用學(xué)習(xí)者的靜態(tài)和動態(tài)信息來建立學(xué)習(xí)者畫像，為個性化教學(xué)提供基礎(chǔ).陳海建等人[33]結(jié)合學(xué)習(xí)者的基本信息、在線學(xué)習(xí)行為、課堂表現(xiàn)以及腦認(rèn)知實驗，利用標(biāo)簽化的形式進(jìn)行個性歸納和畫像，從而有效地服務(wù)于個性化教學(xué).何娟[34]利用用戶借用的圖書詞頻分析結(jié)合用戶靜態(tài)特征屬性，分別進(jìn)行單個、群組的用戶畫像的構(gòu)建，實現(xiàn)圖書的個性化推薦.黃文彬等人[35]采用頻繁模式挖掘、構(gòu)建概率矩陣、計算熵等方法，從用戶日志中所包含的地理位置信息中構(gòu)建移動用戶行為畫像，分析移動用戶群體行為及用戶間交互行為.楊捷[36]提出一種結(jié)合主題模型和用戶屬性的用戶畫像建模方法，并與因子分解機(jī)模型相結(jié)合，有效地解決了數(shù)據(jù)稀疏問題.費(fèi)鵬[37]提出基于多粒度神經(jīng)網(wǎng)絡(luò)結(jié)合多種機(jī)器學(xué)習(xí)模型對文本特征進(jìn)行特征萃取的多視角融合框架來構(gòu)建用戶畫像.

在資源推薦方面，典型的推薦策略包括：基于內(nèi)容的推薦、協(xié)同過濾推薦、基于社交網(wǎng)絡(luò)的推薦、基于關(guān)聯(lián)規(guī)則的推薦、混合推薦等.

基于內(nèi)容的推薦方法是應(yīng)用于資源推薦領(lǐng)域最主要的推薦策略，最早應(yīng)用于信息獲取領(lǐng)域[38]，主要思想是根據(jù)用戶的交互項目，選擇與用戶交互項目相似的項目作為推薦結(jié)果.梁婷婷等人[39]提出基于內(nèi)容過濾PageRank語義相似替換的Top-k學(xué)習(xí)資源推薦方法.該方法首先基于內(nèi)容的向量空間濾波建立學(xué)習(xí)資源過濾推薦模型，然后通過計算資源間匹配方式以取代語義相似性，從而避免多義詞或同義詞的漏檢問題.

協(xié)同過濾推薦技術(shù)在個性化推薦領(lǐng)域是最成功的策略，適用于存在大量用戶行為數(shù)據(jù)或者具有大量資源信息時的學(xué)習(xí)資源推薦.駱金維等人[40]結(jié)合課程教學(xué)資源數(shù)據(jù)間的相關(guān)性及學(xué)習(xí)者行為數(shù)據(jù)給學(xué)習(xí)者進(jìn)行教學(xué)資源推薦，提高課程教學(xué)資源共享效應(yīng).

隨著在線教育的發(fā)展，基于社交網(wǎng)絡(luò)的推薦快速發(fā)展，Wan等人[41]在充分挖掘?qū)W習(xí)社群成員之間社會關(guān)系的基礎(chǔ)上，開發(fā)了QSIA(questions sharing and interactive assignments)系統(tǒng)用于提升推薦效果和協(xié)作水平.賀超波等人[42]設(shè)計了一種基于興趣社區(qū)的學(xué)習(xí)資源推薦模式，首先通過構(gòu)建基于社交網(wǎng)絡(luò)的在線學(xué)習(xí)服務(wù)為學(xué)習(xí)用戶提供交流協(xié)作以及學(xué)習(xí)資源評價環(huán)境，然后利用興趣社區(qū)挖掘技術(shù)發(fā)現(xiàn)興趣高度相似的用戶群體，最后基于相似用戶群體對目標(biāo)用戶進(jìn)行學(xué)習(xí)資源推薦.

為實現(xiàn)精準(zhǔn)的學(xué)習(xí)資源推薦，需要整體考慮數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，對學(xué)習(xí)者、資源等進(jìn)行多維關(guān)聯(lián)分析，由此產(chǎn)生基于關(guān)聯(lián)規(guī)則的推薦.丁繼紅等人[43]引入張量理論構(gòu)建“學(xué)習(xí)者-資源”融合張量，利用高階奇異值分解算法挖掘?qū)W習(xí)者和資源的關(guān)聯(lián)關(guān)系，實現(xiàn)學(xué)習(xí)者和資源之間的精準(zhǔn)匹配.多維關(guān)聯(lián)分析方法有利于大數(shù)據(jù)環(huán)境中對個性化學(xué)習(xí)資源的推薦，提高在線教育和個性化學(xué)習(xí)的質(zhì)量.

以上推薦策略都有各自的優(yōu)缺點(diǎn)，而在實際應(yīng)用中可以針對具體問題采用推薦策略的組合進(jìn)行推薦.通過組合不同的推薦策略，主要的混合方式可以分成2種:1)對推薦結(jié)果進(jìn)行組合[44];2)對推薦算法進(jìn)行組合[45-46].混合推薦模型是對多維度特征推薦的一種有效方法，依賴于大數(shù)據(jù)的支持[47].

2.3 智能答疑

智能答疑系統(tǒng)是將機(jī)器視為一個認(rèn)知主體的人機(jī)交互系統(tǒng)，是人工智能領(lǐng)域的一個重要分支.隨著計算機(jī)硬件技術(shù)和移動互聯(lián)網(wǎng)的迅猛發(fā)展，能夠有效處理非精確信息交互的、符合人類自然交互習(xí)慣的認(rèn)知型智能答疑系統(tǒng)受到了越來越多的關(guān)注，并在網(wǎng)絡(luò)自動答疑、在線學(xué)習(xí)平臺、智能教師(intelligent tutor)、個性化學(xué)習(xí)助手等方面得到了廣泛應(yīng)用.目前，國內(nèi)外智能問答系統(tǒng)的研究主要涉及問題理解、對話管理、對話生成和對話評測4部分.

1) 問題理解.目前自然語言處理領(lǐng)域主流的對話理解研究多是對問句進(jìn)行關(guān)鍵詞提取和擴(kuò)充、語法分析、句法分析等，一般包括問題分類(如what,when,who,where,why,how)[48-50]、關(guān)鍵詞提取和關(guān)鍵詞擴(kuò)展.通過確定問題的類型，制定關(guān)鍵詞和答案抽取的規(guī)則，提取出關(guān)鍵詞后，依據(jù)問題類型等因素對關(guān)鍵詞進(jìn)行適當(dāng)?shù)臄U(kuò)展，然后將關(guān)鍵詞提交到信息檢索模塊來查找相關(guān)文檔[51].基于語法、句法分析的問題理解的方法也是一種重要的問題理解方式，這類方法主要是以語義角色標(biāo)注為代表的基于語義表示模型的分析方法[52-53].國內(nèi)研究人員根據(jù)中文語言的獨(dú)有特點(diǎn)也提出了很多中文語義表示模型[54]，例如漢語問句語義組塊[55]、融合事件信息的復(fù)雜問句分析方法[56]、基于句法分析樹的查詢語義圖語義理解方法[57]以及基于主題和焦點(diǎn)的問句分析方法[58-60].此外，隨著深度學(xué)習(xí)的發(fā)展，基于詞向量的語義理解也逐漸得到關(guān)注[61-63].

2) 對話管理.對話管理通常包括問答知識庫構(gòu)建、對話策略管理、搜索引擎3個核心功能.建立問答知識庫并從中構(gòu)建高質(zhì)量的問答模型是對話管理的核心問題，同時還是人機(jī)對話順利進(jìn)行的必要保證.對知識庫進(jìn)行建模就是利用已有的大量問題答案對、自由文本等語料構(gòu)建問題答案之間的匹配模型.目前解決問答匹配的方式主要是問題建模、對答知識建模和答案建模，另一種技術(shù)路線則采用了Encoder-Decoder框架，通過構(gòu)建端到端(end-to-end)的深度學(xué)習(xí)模型[64-65]，從海量對話數(shù)據(jù)中自動學(xué)習(xí)提問和回答之間的語義關(guān)聯(lián)，達(dá)到對于任何用戶提問都能夠自動生成回復(fù)的目的.在對話管理策略功能方面，目前應(yīng)用的模型主要包括有限狀態(tài)機(jī)、填槽法、Markov決策過程(Markov decision process， MDP)、部分可觀察Markov決策過程(partially observable Markov decision processes，POMDP)、基于實例的、基于規(guī)劃的、貝葉斯網(wǎng)絡(luò)等近10種方法.而搜索引擎技術(shù)是問答系統(tǒng)的重要支撐之一，智能答疑系統(tǒng)中的搜索引擎就是根據(jù)從用戶已輸入的自然語言中提取有用信息，使用不同的搜索技術(shù)，在已有的數(shù)據(jù)庫、文本庫、模型庫或是網(wǎng)絡(luò)中搜索與用戶問題最為相關(guān)的信息，并交給對話生成模塊以構(gòu)成對用戶問題的回答.

3) 對話生成.在使用智能答疑系統(tǒng)進(jìn)行人機(jī)交互時，生成語句通順流暢的類人(human-like)對話是交互能不斷進(jìn)行的前提.自然語言生成是根據(jù)對話管理部分產(chǎn)生的非語言信息，自動生成面向用戶的自然語言反饋[66].近年來，在智能答疑系統(tǒng)上的對話生成主要涉及檢索式和生成式[67-69]2類技術(shù).檢索式對話生成代表技術(shù)是在已有的對話語料庫中通過排序?qū)W習(xí)技術(shù)和深度匹配技術(shù)找到適合當(dāng)前輸入的最佳回復(fù).這種方法的局限是僅能以固定的語言模式進(jìn)行回復(fù)，無法實現(xiàn)詞語的多樣性組合.生成式對話生成代表技術(shù)則是從已有的對話中學(xué)習(xí)語言的組合模式，通過類似機(jī)器翻譯中常用的“編碼-解碼”過程去逐字逐詞地生成一個回復(fù)，這種回復(fù)有可能是從未在語料庫中出現(xiàn)的、自主“創(chuàng)造”的句子.

4) 對話評測.評測一個任務(wù)驅(qū)動的多輪對話系統(tǒng)，主要涉及評測自然語言理解、對話狀態(tài)跟蹤[70-71]和對話策略[72-75]3個部分.自然語言理解是一個典型的分類問題，可以通過準(zhǔn)確率、召回率和F-score等指標(biāo)進(jìn)行評測.對話狀態(tài)跟蹤，作為輔助對話策略的一個中間環(huán)節(jié)，業(yè)界已總結(jié)出一系列的評測標(biāo)準(zhǔn)，詳情請參考?xì)v屆DSTC[76]公開評測.而對話策略的質(zhì)量通常需要通過對話系統(tǒng)的整體效果來體現(xiàn)，其主要評測指標(biāo)是任務(wù)完成率和平均對話輪數(shù).

隨著計算機(jī)科學(xué)、自然語言處理以及人工智能技術(shù)的進(jìn)步，智能答疑系統(tǒng)也取得了巨大的發(fā)展和突破.但是，就目前智能答疑系統(tǒng)的應(yīng)用和發(fā)展來看，當(dāng)前的智能問答系統(tǒng)仍存在諸多問題，并且大都以“一問一答”的單輪簡單對話形式呈現(xiàn)，多采用基于規(guī)則的和數(shù)據(jù)的信息檢索方式實現(xiàn)，都比較短視，并沒有考慮前后多輪對話之間的連貫性，缺乏有效的知識支撐，在專業(yè)領(lǐng)域自然語言理解也存在諸多困難，而交互式多輪對話管理機(jī)制缺乏多學(xué)科融合和新技術(shù)的推動.對此，可以從智能答疑問題的基本定義出發(fā)，深入探索所研究問題的背后機(jī)理，據(jù)此建立其數(shù)據(jù)與基本算法支撐，聚焦到解決問題的核心算法與數(shù)學(xué)理論，構(gòu)建出以知識推理為支撐、深度學(xué)習(xí)語義驅(qū)動的多輪對話系統(tǒng)，以此解決目前智能答疑系統(tǒng)所面臨的挑戰(zhàn)和問題.

2.4 精細(xì)化評估

精細(xì)化評估指以學(xué)習(xí)者、教師、教學(xué)環(huán)境等要素為對象對教學(xué)過程進(jìn)行精準(zhǔn)、細(xì)粒度、全過程的評估，主要包括過程性評估和終結(jié)性評估2方面.以對學(xué)習(xí)者的評估為例，過程性評估關(guān)注學(xué)生學(xué)習(xí)過程中的學(xué)習(xí)方式，通過對學(xué)習(xí)方式持續(xù)的過程性評估，將學(xué)習(xí)方式由表層式或成就式引導(dǎo)到深層式的方向上來，從而形成“深層式學(xué)習(xí)方式—高層次學(xué)習(xí)結(jié)果—深層式學(xué)習(xí)方式”的良性互動[77].終結(jié)性評估關(guān)注學(xué)生學(xué)習(xí)的結(jié)果，對其最終學(xué)習(xí)效果作出結(jié)論和判斷.

精細(xì)化評估一直是教育領(lǐng)域的研究熱點(diǎn)，其應(yīng)用場景既包括在線教育又包括近年來興起的MOOC.例如國際計算機(jī)學(xué)會(ACM)規(guī)?；瘜W(xué)習(xí)會議(Learning at Scale， 簡稱L@S)每年都設(shè)立專門的分組(Session)研討評估技術(shù)的進(jìn)展.

在在線教育場景方面，典型研究工作如：Admiraal等人[78]提出了一種基于語義Web技術(shù)的在線教育評估框架，基于學(xué)習(xí)者動態(tài)的學(xué)習(xí)過程評估學(xué)習(xí)者的知識水平.劉力紅等人[79]提出一種基于矩陣的二級模糊綜合評估模型，量化評估學(xué)習(xí)者的學(xué)習(xí)狀況.Ozkan等人[80]提出一種面向在線教育的六角形評估模型，從內(nèi)容質(zhì)量、學(xué)習(xí)者觀點(diǎn)等六個維度對在線學(xué)習(xí)環(huán)境進(jìn)行多元回歸分析.

在MOOC場景方面，典型研究工作如：Huisman等人[81]利用分層線性回歸的思想把學(xué)習(xí)者的終結(jié)性評估分為自我評估和同伴評估，并探討了學(xué)習(xí)者成績與其同伴自身能力水平的關(guān)聯(lián)性.Gamage等人[82]提出一種IPR(identified peer review)評價框架，通過設(shè)置激勵條件和隨機(jī)條件，識別出關(guān)聯(lián)性高的學(xué)習(xí)者進(jìn)行同伴評估，對比盲目同伴評審有更好的反饋結(jié)果.Alcarria等人[83]設(shè)計了一種強(qiáng)化的同伴評分算法，通過檢測并剔除異常反饋來糾正同伴評價偏差，以此提高同伴評估的效果.

上述研究從學(xué)習(xí)者、教師、教學(xué)環(huán)境等不同角度進(jìn)行評估，特別是在MOOC場景下關(guān)注同伴評估.但現(xiàn)有研究成果對構(gòu)建智慧教育的精細(xì)化評估還缺乏可操作性.首先，教師與學(xué)習(xí)者在空間上是分離的，他們之間缺少情感交流和反饋，不利于為學(xué)生找到適合自己的教學(xué)方式[84]，盡管目前個性化推薦系統(tǒng)豐富多樣，但并未以精細(xì)化評估學(xué)習(xí)者的興趣為基礎(chǔ).其次，在線上授課系統(tǒng)中，學(xué)習(xí)者的積極性無法保證，具體體現(xiàn)在學(xué)習(xí)過程中學(xué)習(xí)者之間難以形成學(xué)習(xí)共同體，學(xué)習(xí)動力不足[85].對此，綜合考慮學(xué)習(xí)者、教師、教學(xué)環(huán)境3方面的因素，在考慮學(xué)習(xí)者隱私的情況下捕獲并分析其學(xué)習(xí)環(huán)境[86-88]，建立學(xué)習(xí)者與教師間的反饋機(jī)制與情感溝通，進(jìn)而實現(xiàn)精細(xì)化評估，是評估技術(shù)的一個重要發(fā)展方向.

2.5 小 結(jié)

對在線學(xué)習(xí)中的導(dǎo)學(xué)、推薦、答疑、評價4個教學(xué)環(huán)節(jié)涉及的關(guān)鍵技術(shù)進(jìn)行總結(jié)，如表1所示:

Table 1 Representative Methods and Their Characteristics in the Four Processes of Teaching表1 教學(xué)4個環(huán)節(jié)的代表性方法與特征

Continued (Table 1)

3 主流的智慧教育平臺及應(yīng)用

近年來，隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等技術(shù)的發(fā)展，更得益于人工智能的浪潮，新興的教育平臺不斷地朝著更加智慧的方向發(fā)展.智慧教育平臺相對于傳統(tǒng)的教育平臺，實現(xiàn)了人工智能技術(shù)與教育核心業(yè)務(wù)的深度融合，體現(xiàn)出智能化個性化學(xué)習(xí)服務(wù)、教育資源智能化組織管理、人機(jī)協(xié)同智能交互、教學(xué)過程與效果智能評測、智能化沉浸式學(xué)習(xí)環(huán)境等諸多鮮明特征.

基于學(xué)習(xí)者行為的智能分析，提供個性化的學(xué)習(xí)服務(wù)，是智慧教育平臺的基本特征，可顯著提升平臺用戶的學(xué)習(xí)效率.國際上三大MOOC平臺Coursera[89],edX[90]和Udacity[91]，及國內(nèi)的主流MOOC平臺，如MOOC中國[92]、學(xué)堂在線[93]等，都已經(jīng)具備不同方式的個性化學(xué)習(xí)功能，包括通過收集數(shù)據(jù)分析學(xué)生的學(xué)習(xí)進(jìn)度和理解情況，提供與個人學(xué)習(xí)水平相當(dāng)?shù)淖鳂I(yè)、測試及分組任務(wù).此外，主流的學(xué)習(xí)管理系統(tǒng)(LMS)、課程管理系統(tǒng)(CMS)等，也均提供個性化的學(xué)習(xí)管理服務(wù).例如，世界上最知名的開源學(xué)習(xí)管理系統(tǒng)Moodle平臺[94]已支持個性化的學(xué)習(xí)環(huán)境.而著名的商用系統(tǒng)Blackboard[95]也能夠提供個性化、基于能力的掌握式學(xué)習(xí)(mastery study).此外，在混合式教學(xué)領(lǐng)域，Edgenuity[96],Fuel Education[97]等均為面向K12混合學(xué)習(xí)的個性化智慧教育平臺，使學(xué)生個性化地合理安排學(xué)習(xí)時間與內(nèi)容，顯著提升混合式學(xué)習(xí)的教學(xué)效果.

在教育資源的智能化組織管理領(lǐng)域，為了實現(xiàn)教育資源的有效組織，為個性化導(dǎo)航式學(xué)習(xí)及智能人機(jī)交互提供技術(shù)支持，知識圖譜技術(shù)已逐步地被采用.Yotta系統(tǒng)[98]側(cè)重于實現(xiàn)海量教育資源的有效組織與管理，基于碎片化資源聚合的“知識森林”，為學(xué)習(xí)者提供方便的學(xué)習(xí)導(dǎo)航服務(wù).網(wǎng)易云課堂[99]在其最新版本中，實現(xiàn)了基于“學(xué)習(xí)圖譜”關(guān)聯(lián)碎片化知識的功能.好未來K12智慧教育產(chǎn)品[100]構(gòu)建了跨年級的知識網(wǎng)絡(luò)，用于個性化學(xué)習(xí)推薦以及評測.乂學(xué)教育的松鼠AI智適應(yīng)學(xué)習(xí)系統(tǒng)[101]同樣構(gòu)建了以細(xì)粒度知識點(diǎn)為單位的知識圖譜，以助力自適應(yīng)學(xué)習(xí).在國外，MIT公開課[102]、Khan Academy[103]均構(gòu)建了相應(yīng)的知識圖譜.其中，MIT公開課進(jìn)一步將面向本科教育的課程圖譜可視化.

在人機(jī)協(xié)同的智能交互領(lǐng)域，隨著自然語言處理等相關(guān)技術(shù)的發(fā)展，AI虛擬教學(xué)助手逐步得到應(yīng)用，為學(xué)習(xí)者提供互動的教學(xué)輔助手段，以提高課程的關(guān)注度與完成率.2016年美國佐治亞理工學(xué)院Ashok Goel教授使用的智能虛擬助教Jill Waston，實現(xiàn)97%的回答準(zhǔn)確率，該虛擬助教基于IBM Watson Assistant[104]平臺技術(shù)實現(xiàn)，大幅度減輕教師教學(xué)壓力，同時幫助學(xué)習(xí)者進(jìn)行在線智能答疑，提高學(xué)習(xí)效率.在國內(nèi)，學(xué)堂在線也發(fā)布了個性化的學(xué)習(xí)伴侶“小木”，在減輕教師教學(xué)負(fù)擔(dān)的同時，幫助學(xué)習(xí)者提高學(xué)習(xí)的積極性.

在教學(xué)過程與效果的智能評測領(lǐng)域，一方面，眾多智慧教育平臺及應(yīng)用具備了面向教學(xué)過程的自動化評測，包括智能題庫、閱卷、作業(yè)批改等，以減輕教師的教學(xué)壓力，并及時反饋評測學(xué)生的學(xué)習(xí)狀態(tài).例如，科大訊飛的智慧教育系列產(chǎn)品[105]實現(xiàn)了面向英語教學(xué)的智能評分，能夠完成智能化的英文寫作批改與英語口語評測.Khan Academy開發(fā)的練習(xí)記錄系統(tǒng)，對學(xué)生的學(xué)習(xí)狀況進(jìn)行評估測試，與同階段學(xué)生比較后進(jìn)行教學(xué)班級的重編.另一方面，基于教育大數(shù)據(jù)的深度分析，眾多智慧教育平臺及應(yīng)用同時也為教育管理者提供教學(xué)效果的精準(zhǔn)分析.例如，Blackboard提供抄襲檢測、電子檔案袋、自動評分和重新分級、交互式評價和風(fēng)險跟蹤等功能.好未來的智慧教育產(chǎn)品面向教育管理者，可預(yù)測學(xué)生的學(xué)習(xí)意愿，為培訓(xùn)機(jī)構(gòu)的管理運(yùn)行提供參考.

在智能化沉浸式學(xué)習(xí)環(huán)境的構(gòu)建領(lǐng)域，Agilix平臺[106]在混合與虛擬現(xiàn)實的沉浸式學(xué)習(xí)環(huán)境中，提供個性化服務(wù).Web Courseworks[107]通過AR,VR等技術(shù)，基于3D視頻實現(xiàn)人機(jī)協(xié)同的智能交互.SkyClass[108]在提供基于Web的實時多媒體交互課堂的基礎(chǔ)上，引入了人臉檢測與增強(qiáng)現(xiàn)實的功能，既可以用于確認(rèn)學(xué)生身份，也可以通過AR提升學(xué)習(xí)者的興趣與沉浸感.在國外，谷歌的VR,AR教育產(chǎn)品Google Expeditions[109]允許教師引導(dǎo)學(xué)生瀏覽360度場景和3D對象，并智能顯示學(xué)生的興趣點(diǎn).

Table 2 Comparative Analysis of Mainstream Intelligence Education Platforms and Applications表2 主流智慧教育平臺及應(yīng)用對比分析

人工智能與互聯(lián)網(wǎng)教育的結(jié)合使得智慧教育平臺高速發(fā)展，主流智慧教育平臺及應(yīng)用對比分析如表2所示.然而，現(xiàn)有的智慧教育平臺依然存在諸多不足之處，如老師與學(xué)生、學(xué)生與學(xué)生之間的時空隔離，在線智能學(xué)習(xí)助手與虛擬導(dǎo)師還無法通過圖靈測試，網(wǎng)絡(luò)化群體學(xué)習(xí)環(huán)境下的協(xié)同認(rèn)知機(jī)理有待挖掘與利用等.

4 智慧教育的研究展望

4.1 研究方向1：在線智能學(xué)習(xí)助手

近年來，在線智能學(xué)習(xí)已經(jīng)從計算機(jī)輔助教學(xué)、智能教學(xué)系統(tǒng)、智能教室逐漸演化為以學(xué)習(xí)者為中心，強(qiáng)調(diào)普適化、個性化的學(xué)習(xí)技術(shù).隨著人工智能技術(shù)的發(fā)展，如何在學(xué)習(xí)過程中通過學(xué)生與在線學(xué)習(xí)系統(tǒng)的交互，實現(xiàn)個性化的教學(xué)和輔導(dǎo)受到研究者們越來越多的關(guān)注.

在利用智能學(xué)習(xí)助手進(jìn)行學(xué)習(xí)的過程中，個體具有能力、背景、學(xué)習(xí)方式、學(xué)習(xí)目標(biāo)等各種差異性，即使是個體本身，在學(xué)習(xí)過程中，知識狀態(tài)也在不斷的變化，所以針對每個個體實現(xiàn)個性化的自適應(yīng)在線智能學(xué)習(xí)系統(tǒng)是必然發(fā)展趨勢.未來的教育必須是個性化的，學(xué)生必將從與在線智能學(xué)習(xí)的交互中受益，但是在線智能學(xué)習(xí)中的人機(jī)交互(human-computer interaction， HCI)不僅僅是簡單的界面交互，而是在學(xué)習(xí)的過程中學(xué)生與機(jī)器之間知識的連續(xù)傳授與更新[110].目前最新的認(rèn)知計算技術(shù)(cognitive computing, CC)在在線智能學(xué)習(xí)領(lǐng)域的應(yīng)用方面具有良好的前景，借助于其教育數(shù)據(jù)挖掘(educational data mining, EDM)、學(xué)習(xí)分析(learning analysis, LA)等相關(guān)的技術(shù)，可以通過分析學(xué)習(xí)者的學(xué)習(xí)活動中產(chǎn)生的數(shù)據(jù)，為學(xué)生、教師和管理者提供實現(xiàn)其各自目標(biāo)的參考，并動態(tài)追蹤學(xué)習(xí)者的學(xué)習(xí)活動，提供個性化的學(xué)習(xí)體驗，此類技術(shù)有望實現(xiàn)傳統(tǒng)以內(nèi)容為主的在線學(xué)習(xí)到以人為主的個性化學(xué)習(xí)的轉(zhuǎn)變.此外，在在線智能學(xué)習(xí)的過程中，如何評估學(xué)生的接受程度、學(xué)習(xí)狀態(tài)的變化以及如何更新知識，是個性化自適應(yīng)在線智能學(xué)習(xí)實現(xiàn)智能化需要解決的重要問題.隨著深度學(xué)習(xí)和大規(guī)模人工神經(jīng)網(wǎng)絡(luò)的蓬勃發(fā)展，人工智能時代的到來使教育具有可追蹤性和可預(yù)見性，通過進(jìn)行學(xué)生知識建模，如貝葉斯網(wǎng)絡(luò)的學(xué)生知識點(diǎn)追蹤模型(Bayesian knowledge tracing, BKT)[111]、基于神經(jīng)網(wǎng)絡(luò)的學(xué)生知識點(diǎn)追蹤模型(deep knowledge tracing, DKT)[112]、效果因素分析模型(performance factors analysis model, PFA)[113]等.通過相關(guān)的模型分析，可以對學(xué)生知識點(diǎn)的變化進(jìn)行追蹤，實時了解學(xué)生知識點(diǎn)的掌握情況，并根據(jù)學(xué)生的實踐和知識生成相關(guān)的問題來評估每個學(xué)生的熟練程度，依照每個學(xué)生的知識結(jié)構(gòu)、智力與熟練程度來設(shè)計個性化的教程.

目前，研究者們在已有研究中對在線智能學(xué)習(xí)系統(tǒng)的知識建模方法、認(rèn)知計算技術(shù)和生物傳感技術(shù)的應(yīng)用方面已經(jīng)做了較為深入的探討，但是以人機(jī)互適應(yīng)學(xué)習(xí)、自主探索學(xué)習(xí)等核心技術(shù)為基礎(chǔ)，以人類智能與機(jī)器智能協(xié)同互適應(yīng)學(xué)習(xí)為目標(biāo)，個性化、高效的新型在線智能學(xué)習(xí)系統(tǒng)的構(gòu)建方式仍需繼續(xù)探索.

4.2 研究方向2：學(xué)習(xí)者智能評估

當(dāng)前，對于學(xué)習(xí)者的智能評估，傳統(tǒng)且普遍的方法是通過間接測量比如試卷檢測、問卷調(diào)查等來判定學(xué)習(xí)者的能力、智力發(fā)展水平[114-115]，但這種方式模糊且不精確.利用無線傳感、人機(jī)交互、虛擬現(xiàn)實等技術(shù)，可實現(xiàn)實時監(jiān)測學(xué)習(xí)者學(xué)習(xí)狀態(tài)，全方位多維度采集學(xué)習(xí)者第一、二課堂及生活數(shù)據(jù)，以機(jī)器學(xué)習(xí)算法為支撐進(jìn)行全面且高效的學(xué)習(xí)者能力評估.然而其中還面臨一系列的挑戰(zhàn)：1)數(shù)據(jù)的來源廣、維度高、規(guī)模大[116]，使得評估指標(biāo)難提?。患夹g(shù)發(fā)展的不成熟使得數(shù)據(jù)采集存儲存在隱私泄露隱患[117].2)思維與能力具有復(fù)雜映射關(guān)系，且其各自本身具有不同層次，設(shè)計有效的測試方案是一大難題，同時，結(jié)果的評價存在不可證實性.

圍繞上述難題，需要開展的研究工作包括：1)采用數(shù)據(jù)降維去噪、多模態(tài)融合解決數(shù)據(jù)的規(guī)模大、維度高等問題，同時采用互聯(lián)網(wǎng)+云計算、訪問控制等方式進(jìn)行隱私保護(hù);2)針對不同背景的學(xué)習(xí)者，采用定量和定性結(jié)合、個體與整體結(jié)合的方式進(jìn)行測試，從能力與思維的不同側(cè)面全面綜合進(jìn)行評價方案的設(shè)計.

4.3 研究方向3：網(wǎng)絡(luò)化群體認(rèn)知模型

人類個體存在有限認(rèn)知帶寬問題，表現(xiàn)為獲取、處理、理解信息的能力受生理特點(diǎn)限制，例如：大腦同時處理最多4個概念，理解文本的速度低于60 bps，短期記憶(short-term memory, STM)僅能存儲7±2個信息塊.

網(wǎng)絡(luò)化群體智能(networked collective intelli-gence， NCI)是指網(wǎng)絡(luò)環(huán)境下個體通過以競爭和合作等協(xié)同方式在完成特定任務(wù)過程中涌現(xiàn)出來的超越個體的智能.利用NCI能夠?qū)崿F(xiàn)網(wǎng)絡(luò)化群體認(rèn)知，是突破個體認(rèn)知局限的重要途徑.其難點(diǎn)在于：如何對NCI進(jìn)行建模與評測、如何發(fā)現(xiàn)影響NCI的關(guān)鍵因素.

需要開展的研究工作包括4個方面：1)面向群體認(rèn)知的NCI協(xié)同學(xué)習(xí)模型(synergetics model)；2)群體認(rèn)知行為對NCI的影響機(jī)理與關(guān)鍵因素；3)網(wǎng)絡(luò)化群體智能的涌現(xiàn)特性分析；4)基于NCI的知識聚合機(jī)理.

4.4 研究方向4：教育大數(shù)據(jù)的因果關(guān)系發(fā)現(xiàn)

當(dāng)前對于教育大數(shù)據(jù)的分析，主要側(cè)重于相關(guān)性分析，對于因果關(guān)系分析的研究還非常薄弱，而后者是構(gòu)建智能化的導(dǎo)學(xué)、推薦、評價機(jī)制的重要依據(jù).然而，教育大數(shù)據(jù)的因果關(guān)系還面臨一系列技術(shù)難題：

1) 教育大數(shù)據(jù)包含了學(xué)習(xí)者、內(nèi)容、效果、行為等多個維度的變量.挖掘高維變量間的因果關(guān)系通常存在較高的復(fù)雜度.例如因果圖構(gòu)建的復(fù)雜度與變量個數(shù)呈指數(shù)函數(shù)關(guān)系[118].

2) 從高維的教育數(shù)據(jù)中識別出混淆因子(con-founder variables)和偏倚(selection bias)等隱變量也是一個難題.隱變量是指未能觀察或無法度量的變量[119]，通常是事件的隱性致因，對于簡化因果關(guān)系、提升其可解釋性具有重要作用.

圍繞上述難題，需要開展的研究工作主要包括2個方面：1)針對教育數(shù)據(jù)的海量、高維和稀疏等特性，研究高效的因果圖生成方法，解決圖學(xué)習(xí)與方向?qū)W習(xí)中時空開銷大的問題;2)研究教育數(shù)據(jù)的隱變量識別問題，并基于認(rèn)知科學(xué)分析因變量的可解釋性.

5 結(jié) 論

當(dāng)前，教育信息化經(jīng)歷了以解決教育資源及場景時空受限問題的計算機(jī)輔助教學(xué)、網(wǎng)絡(luò)教育、MOOC等階段，逐步過渡到大數(shù)據(jù)、人工智能驅(qū)動的智慧教育階段.由于具有智能導(dǎo)學(xué)、精準(zhǔn)推薦、定制輔導(dǎo)、精細(xì)評價等特點(diǎn)，智慧教育成為國際上教育信息化發(fā)展的趨勢，也成為一個熱點(diǎn)研究方向.本文在對國內(nèi)外智慧教育研究與應(yīng)用調(diào)研分析的基礎(chǔ)上，從教育大數(shù)據(jù)分析挖掘、主要教學(xué)環(huán)節(jié)的關(guān)鍵技術(shù)以及國內(nèi)外智慧教育平臺3個層次對國內(nèi)外相關(guān)研究進(jìn)行對比分析，總結(jié)了其特點(diǎn)與存在的問題.本文進(jìn)一步分析了當(dāng)前智慧教育研究的局限性，總結(jié)了在線智能學(xué)習(xí)助手、學(xué)習(xí)者智能評估、網(wǎng)絡(luò)化群體認(rèn)知以及教育大數(shù)據(jù)的因果關(guān)系發(fā)現(xiàn)4項研究問題，指出了智慧教育未來的研究趨勢.