王晶瑩 周丹華 楊鈺雯 張玉瑩 李春密

（1.北京師范大學，北京 100875； 2.重慶市第七中學校，重慶 400030； 3.河南省洛陽理工學院 附屬高級中學，河南 洛陽 471027）

一、問題提出與研究篩選

數(shù)據(jù)時代加速了人類記錄、存儲和應用各類信息的能力，借助機器學習、模式識別、語法語義分析、人工神經(jīng)網(wǎng)絡等技術(shù)挖掘教育現(xiàn)象背后的規(guī)律與作用機理，在教育領域融合信息加工研究范式的計算教育學應運而生[1]。機器學習作為人工智能的核心，能有效助力計算教育學的發(fā)展，推動教育研究方法的革新。機器學習始于執(zhí)行人類“指令”，其方法模型可分為監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習四類，現(xiàn)有研究多將其定義為“通過經(jīng)驗自動改進的計算機算法”或“利用數(shù)據(jù)或以往經(jīng)驗優(yōu)化計算機程序”。20世紀80年代出現(xiàn)模擬人腦對事物思維方式的人工神經(jīng)網(wǎng)絡，隨后大數(shù)據(jù)和計算能力的提高使其從收斂速度慢和局部收斂的Back Propagation (簡稱BP)神經(jīng)網(wǎng)絡模型發(fā)展到深度學習，使得機器學習能夠應用于眾多學科，拓展了人工智能的領域范圍。機器學習重在從數(shù)據(jù)中獲取“經(jīng)驗”以提高計算機的性能，數(shù)據(jù)挖掘則是從海量數(shù)據(jù)中找出有用知識，使用包括機器學習在內(nèi)的處理方法挖掘數(shù)據(jù)背后信息的過程。總體來說，機器學習是實現(xiàn)數(shù)據(jù)挖掘目標的路徑之一，也是實現(xiàn)人工智能的核心技術(shù)。計算科學領域的理論深化與科技高速發(fā)展為計算教育學的實踐提供保障，技術(shù)支持的教學設計與平臺開發(fā)亦提高了教與學的效率[2]；同時機器學習在教與學行為和規(guī)律方面的研究逐步涌現(xiàn)，拓展了傳統(tǒng)教育研究自上而下的致力于教法和學法改進的經(jīng)驗假設-驗證范式。教育研究的傳統(tǒng)范式受制于人類已知經(jīng)驗，困于假設-驗證的研究路徑，使得寶貴的數(shù)據(jù)資源難以為背后的教與學規(guī)律服務，計算教育學的誕生紓解了這一困局。

基于此，筆者分別選取國內(nèi)外教育技術(shù)領域的CSSCI和SSCI期刊，以“機器學習”和“教育”為關(guān)鍵詞進行檢索。在中國知網(wǎng)檢索獲取2004—2021年的139篇文獻，2004—2015年集中在引介和評述國外研究，2017年至今轉(zhuǎn)向?qū)嵶C研究、階段性案例、經(jīng)驗概述和發(fā)展現(xiàn)狀。國外研究始于1995年，在Web of Science核心集刊以“Machine learning”和“Education”為關(guān)鍵詞檢索，得到10513篇文獻。鑒于本研究聚焦機器學習在學科教育領域的最新應用，時間跨度上截取最近五年，使用三步論文篩選策略進行文獻的精選工作：第一步使用特定關(guān)鍵詞搜索數(shù)據(jù)庫；第二步篩選標題和摘要；第三步詳細閱讀論文。同時依據(jù)以下三條科學原則制定評價標準，篩選符合研究目標的合格文獻：第一，研究內(nèi)容以基于真實數(shù)據(jù)的機器學習在學科教育領域的應用案例為主，聚焦于學科教學，或使用機器“訓練”和“測試”檢驗改進模型及構(gòu)建模型過程；第二，類型是實證研究，研究方法多元，采用定量、定性或混合方法；第三，研究對象包括基礎教育到高等教育階段的學生和教師。最終科學地篩選出機器學習應用于學科教育的實證研究文獻50篇，國內(nèi)與國外各為25篇。

朱軍文等通過對2014—2019年教育實證研究的梳理，發(fā)現(xiàn)教育學領域的研究內(nèi)容主要涉及學生發(fā)展、教師發(fā)展、教育評價、課程教學、公平與質(zhì)量等議題[3]。田雪葳等提出國際科學教育研究主要可分為教師的教、學生的學、教師教育、課程評估（課程設計評估、教育技術(shù)和政策制定）以及科學文化（文化、社會和性別問題、環(huán)境教育和科學史）五個領域[4]。王晶瑩等運用社會網(wǎng)絡分析將其研究領域分為基于數(shù)據(jù)挖掘的教育學規(guī)律研究、認知與行為模擬的在線教育研究、基于大數(shù)據(jù)的學生學習動機和情感參與研究、師生人格和性別分析四大研究主題[5]。

綜上所述，筆者認為學科教育研究中機器學習的應用領域涉及教師的教、學生的學、教與學的互動（課程、媒體、環(huán)境、教材教法、師生情感等）、教與學的評價以及相關(guān)政策研究。從類別分布上看，國內(nèi)外在教師的教和學生的學兩方面研究數(shù)量持平；國內(nèi)的學生情感研究最多，國外則教學評價研究最多，國內(nèi)的教學媒體研究數(shù)量也多于國外。雖然國外已經(jīng)開始將機器學習應用于學科教育研究，但是在課程、教材和政策研究領域的應用還較為匱乏，相較于教師教學而言，國內(nèi)外更注重學生學習的研究，學生情感、教學媒體和教學評價的研究側(cè)重點存在國內(nèi)外差異，國內(nèi)學者更為關(guān)注前兩者，而國外學者更為關(guān)注后者，見圖1。為進一步剖析學科教育研究中機器學習的應用效果，本論文構(gòu)建了多層次分析框架，展開國際比較、探討應用維度和水平，以期對機器學習的教育學應用研究提供啟示。

圖1 國內(nèi)外學科教育研究中機器學習精選文獻的研究類型分布

二、學科教育研究中機器學習應用效果的分析框架

縱觀國際學界，機器學習在學科教育研究中的應用尚處于初期階段。國外學者正致力于科學化和系統(tǒng)化分析框架的開發(fā)和實踐，其中比較具有代表性的研究來自美國密歇根大學的翟小銘[6]，他從技術(shù)性、有效性、教學性三個角度建構(gòu)機器學習在科學評價中的應用分析框架。技術(shù)性主要指機器學習的關(guān)鍵技術(shù)優(yōu)勢——自動化，即計算機在多大程度上可以像人類一樣獨立運行，即由訓練/學習過程和測試/預測過程兩個過程決定；人機一致性水平則作為有效性的特征因素，教學性的維度設定主要考查學生通過評估結(jié)果的受益程度。目前國外基于機器學習評估進行學習活動設計的工作成為實踐前沿，并在此基礎上循證支持科學教學中師生的互動過程、訪問或使用應用程序的模式與頻率。該評估框架反映了經(jīng)驗證據(jù)和理論基礎對測試得分和其他行為表現(xiàn)的解釋程度，能夠?qū)⑽墨I定位進而判斷其研究水平，但由于其專注于機器學習在科學教育評價中如何實現(xiàn)自動化，提供有效測量手段的程度及其教學潛力，難以直接遷移至學科教育研究的分析和評定中，需要根據(jù)學科教育研究本身和國內(nèi)研究實情開發(fā)新的分析框架。

表1 學科教育研究中機器學習應用效果的分析框架

本論文在參考該分析框架的基礎上，進一步建構(gòu)了學科教育研究中機器學習應用效果的分析框架，將技術(shù)性、有效性和教學性更新為技術(shù)性、有效性和應用性，并重新界定其內(nèi)涵，使得新框架可以有效地應用于學科教育領域。在技術(shù)性維度上吸收了評估框架中自動化的技術(shù)特征并將其視為程序性，考慮到自動化的訓練和測試兩個過程，將使用機器算法構(gòu)建模型的復雜度、研究的程序性作為衡量技術(shù)性的重要指標。在有效性維度上，鑒于經(jīng)驗的主觀性決定從研究整體論視域思考研究對象是否適合應用機器學習（研究對象的適切性），使用的方法能否推廣（研究方法的推廣度），研究過程的合理性以及研究結(jié)果的普適性作為衡量標準。在應用性維度上，保留了原評估框架中機器學習對教 學的改進作用，細化到宏觀的教與學整體結(jié)果預測，中觀的認知、情感或行為以及微觀具體的教與學結(jié)果的解釋和論證。層次劃分參照評估框架對文獻聚類的分析結(jié)果與國內(nèi)實情，最終得到學科教育研究中機器學習應用效果的分析框架。

精選的國內(nèi)外研究文獻除研究內(nèi)容不同外，各維度水平也存在差異，研究者根據(jù)應用效果的分析框架對國內(nèi)外50篇實證研究文獻進行協(xié)議評分。首先兩位評分員精讀每一篇論文，對照分析框架判斷文獻評定維度的狀況和水平，根據(jù)評定標準對每一篇論文進行獨立打分；之后第三名評分員與其成立協(xié)議評分小組，監(jiān)督前兩者對評定結(jié)果的對照和審查，對不同之處進行重新閱讀、協(xié)商和共同評議等程序來科學化地解決差異，直到所有評分達成一致認可。為進一步探索國內(nèi)外機器學習在學科教育研究中的應用差異，筆者基于應用效果分析框架對五大研究主題的平均分進行比較，進而發(fā)現(xiàn)各類型在具體維度上的差異。總體看來，五大研究主題的國內(nèi)外水平均高于等級3，且在教師教學主題的差異最為顯著，這一主題的國外平均分明顯高于國內(nèi)。學生學習、學生情感和教學評價所處等級基本持平，國外教學媒體的研究則略顯優(yōu)勢?？v觀國內(nèi)外學科教育研究中機器學習的應用效果，技術(shù)性和有效性的水平較高，應用性相對薄弱，國外長于技術(shù)性的復雜性和程序性，國內(nèi)則長于有效性的合理性，且在應用性的三個二級指標國內(nèi)外存在較大差異，國內(nèi)長于中觀應用，國外長于宏觀和微觀論述，總體看來微觀應用研究在9個二級指標中均值最為薄弱，見圖2。有鑒于此，為進一步厘清國內(nèi)外差異，需要對學科教育研究中機器學習的應用維度和所處水平進行更為具體和深度的研究，通過研究案例解讀各研究維度和比較視角的具體狀況與水平異同。

圖2 國內(nèi)外文獻在五個研究維度（左）和三個分析視角（右）的得分比較

三、學科教育研究中機器學習的應用維度與水平

（一）教師的教：國外精于機器學習應用的算法追求，國內(nèi)重在落實教學應用的服務初衷

當前我國機器學習在教師教學研究層面的復雜性、程序性和適切性維度與國外存在明顯差距。國外對機器學習的研究內(nèi)容與應用場景，尤其是算法設計和模型建構(gòu)方面更為細致深入，并且報告更為完備的機器學習研究程序。例如，有學者利用機器學習和數(shù)字孿生技術(shù)（Digital Twin Technology）構(gòu)建了教師能力評價的數(shù)據(jù)融合模型[7]，包括基于自適應數(shù)據(jù)采集策略和差異化傳輸策略的實時數(shù)據(jù)采集模型以及基于可擴展置標語言（EXtensible Markup Language，簡稱XML）信息模板的數(shù)據(jù)清洗模型，并結(jié)合C4.5決策樹算法、隨機森林算法和GAP-RBF神經(jīng)網(wǎng)絡算法構(gòu)建了三種教師專業(yè)能力序列挖掘模型，對教師能力展開精準化測評。同樣，古鐵雷斯（Gutiérrez）等開發(fā)并評估了一項名為“社交挖掘（Social Mining）”的教師績效評估系統(tǒng)，通過采集分析學生的情感信息對教師教學效果進行評估[8]。該系統(tǒng)采用支持向量機和隨機森林算法以提高算法性能與優(yōu)化參數(shù)，多次驗證與迭代展示了算法執(zhí)行與驗證過程，并在墨西哥阿瓜斯卡連特斯理工大學展開實踐，研究結(jié)果表現(xiàn)出較高的準確率。由此可見，國外研究更加注重對算法設計和實踐流程的描繪，追求算法優(yōu)化的完美和精準，其程序具有更高的再現(xiàn)性。

相較而言，國內(nèi)文獻在“教師的教”方面的普適性和應用性維度表現(xiàn)更好，聚焦于智能技術(shù)對教師教學的方式方法以及課程的模式策略等的優(yōu)化改進，以便應用于不同課堂教學環(huán)境。例如，胡航等基于深度學習框架，結(jié)合認知與腦科學機制以及數(shù)學學習規(guī)律，通過眼動儀和ERP腦電波等技術(shù)促進深度學習的認知-品質(zhì)-技術(shù)的交互[9]。宋宇等基于教師錄播課視頻對師生課堂對話的過程性規(guī)律進行分析，開發(fā)了對話編碼規(guī)則與數(shù)據(jù)挖掘序列，獲得適宜中國課堂的對話模式，展現(xiàn)了課堂對話的學科規(guī)律。由此可見，國內(nèi)研究側(cè)重課堂教法和微觀要素提取，具備有效的普適性與指導性[10]。綜上，機器學習在教師教學方面的應用研究存在國內(nèi)外差異，國外追求算法精準，注重教與學結(jié)果的整體預測，國內(nèi)則更彰顯“接地氣”的教學適用性，關(guān)切學生認知、情感和行為等中觀層面的一般性應用。

（二）學生情感：國外專注動機等內(nèi)部情感表現(xiàn)挖掘，國內(nèi)聚焦表情反應等外部信息提取

圖3 “教師的教”學術(shù)文獻中機器學習應用效果的分布圖

機器學習也被積極應用于學習者的認知、情感和行為的研究中，捕捉和分析學科學習過程的情緒情感、行為姿態(tài)等，為改進教育教學提供了新思路。相較于學生認知與行為層面的信息詮釋，對真實學習過程中的情感分析可以較為精準地反映學習者的內(nèi)隱信息。學生情感研究方面，國外文獻在普適性維度較為突出，國內(nèi)則在推廣度上表現(xiàn)更好。具體來看，國外研究更為關(guān)注學生內(nèi)部思維和動機等情感表現(xiàn)的挖掘。例如，耶爾韋萊（J?rvel?）等建立了一個基于學習管理系統(tǒng)的學習動機預測模型，探討動機與學習行為之間的聯(lián)系[11]。國內(nèi)研究側(cè)重學生外部情感信息的提取，如面部表情、情緒反應等，用以反映學生學習困難以及教師評價等問題。江波等提出了基于面部表情的學習困難自動識別算法，并設計在線測評的困惑誘導實驗加以驗證，結(jié)果表現(xiàn)出極高的正確率[12]。韓麗等基于面部表情對課堂教學效果展開分析，利用多姿態(tài)人臉檢測和面部表情識別技術(shù)獲取學生的情緒變化，完成及時的教學反饋以幫助教師準確掌握學生學習動態(tài)[13]。綜上，學生情感研究的“側(cè)面印證”有時比“正面回應”更有說服力，機器學習在學生情感分析的應用再次說明情感作為三維學習結(jié)果（認知-情感-行為）的重要價值。

（三）教學評價：國外致力于學科學習互動的評價創(chuàng)新，國內(nèi)集中于教育大數(shù)據(jù)的挖掘與建模

機器學習在教與學評價中的作用愈加凸顯，分析可知，國內(nèi)外評價研究各維度得分差異并不顯著，僅在普適性上國內(nèi)略高。國外文獻致力于具體學科教學互動中評價模式的創(chuàng)新，拉姆（Lamb）等將機器學習算法應用于科學寫作過程，對學習者的寫作能力進行評價反饋，獲取針對性的認知訓練以提高寫作能力[14]。國內(nèi)文獻聚焦于在線數(shù)據(jù)的挖掘與建模，胡航等基于數(shù)百名大學生在線學習日志數(shù)據(jù)、一卡通消費和借閱圖書日志數(shù)據(jù)，構(gòu)建了在線學習行為、早起行為、借閱行為和學習績效的預測指標，設計了結(jié)合決策樹和深度神經(jīng)網(wǎng)絡的學習行為診斷模型，實現(xiàn)精準教學干預與資源推薦[15]。綜上所述，在教學評價方面，國外文獻更多投入到學生學業(yè)能力的測評及其精準提升，國內(nèi)重在揭示現(xiàn)狀、預測發(fā)展以實現(xiàn)教學干預，共同朝著拓寬成績與能力的評價邊界而不懈努力。

（四）學生的學：國外落腳校內(nèi)外學生管理模式的探索，國內(nèi)傾向?qū)W習過程與習慣養(yǎng)成干預

圖4 “學生情感”與“教學評價”學術(shù)文獻中機器學習應用效果的分布圖

在學生的學方面，研究者利用機器學習探討學習者在課堂內(nèi)外的學習結(jié)果，旨在深度分析學習者的認知、情感、行為數(shù)據(jù)，從而優(yōu)化教育過程、教學管理和支持輔助等層面的實施水平與達成質(zhì)量。國內(nèi)外文獻在學生學習研究中的整體差異并不明顯，國外文獻在應用性、程序性和合理性維度得分相對較高，國內(nèi)則在復雜性、適切性和推廣度維度更勝一籌。具體來看，國外文獻機器學習的應用集中在課堂教學輔助、教學管理和學習監(jiān)測等學科主題，延伸至學生學校生活的各個層面，多數(shù)具備完整的應用背景和算法過程。例如，博施（Bosch）利用機器學習進行成長心態(tài)干預以培養(yǎng)學生的進取意識與成功信念[16]；侯賽因（Hussain）通過對學生每節(jié)課的練習、活動和空閑時間編碼計算，利用機器學習算法輸出學生學期中每節(jié)課的分數(shù)以預測期末結(jié)束前輟學風險[17]。國內(nèi)研究致力于學生學習習慣養(yǎng)成、學習過程與結(jié)果測評等，徐家臻等以真實課堂教學視頻為數(shù)據(jù)源并結(jié)合人體骨架信息，基于自適應算法和卷積神經(jīng)網(wǎng)絡算法識別學生課堂行為，以優(yōu)化教學策略和提高教學效率[18]。同時，在線學習主體的關(guān)注也成為重要趨勢，張曉峰等側(cè)重學習云空間個體認知投入度，構(gòu)建了基于支持向量機的認知投入量化算法以解決在線學習云輟學率高、學習投入不足等問題[19]。由此可見，機器學習在助力學生學習研究方面的成果突出，貫穿于課堂內(nèi)外，兼顧過程管理、學業(yè)監(jiān)測、行為預測等諸多方面，探索多維度、寬場域的機器學習應用模式將是其未來的發(fā)展方向。

（五）教學媒體：國外關(guān)注構(gòu)建課堂內(nèi)外教學管理體系，國內(nèi)展現(xiàn)在線教育系統(tǒng)的個性化輔導

智能教學媒體是機器學習應用于學科教育研究的主要載體，以學習系統(tǒng)和虛擬平臺為主要教學形式，涉及教學管理、個性化輔導與評價決策等多種途徑，以此優(yōu)化學習環(huán)境、增強學習體驗。國外文獻在復雜性、普適性與宏觀和微觀應用性維度表現(xiàn)較好，而國內(nèi)文獻在中觀應用性、適切性與合理性維度表現(xiàn)更為突出。國外文獻覆蓋智能輔導、課堂管理和作業(yè)管理等多領域，同時服務并根植于學科本質(zhì)，應用性與普適性良好。例如，范萊恩（VanLehn）等開發(fā)了一款龍騎士智能輔導系統(tǒng)（Dragoon Intelligent Tutoring System）以針對性解決高等數(shù)學和科學教學中動態(tài)系統(tǒng)建模的教學難點，并展示了完整的操作流程與實踐結(jié)果[20]。除此之外，國內(nèi)研究還在個性化方面有所側(cè)重，例如，王艷芳以人工智能和數(shù)據(jù)挖掘技術(shù)為基礎構(gòu)建基于網(wǎng)絡的個性化學習系統(tǒng)，針對學習者的學習目標、風格以及喜好等提供學習資源與指導[21]。教學媒體的后續(xù)研究難點在于把握好大規(guī)模應用與精準化輔導并進的因地制宜的實踐進程。

圖5 “學生的學”與“教學媒體”學術(shù)文獻中機器學習應用效果的分布

四、啟示與建議

（一）把準航向，開發(fā)精準技術(shù)與詮釋教育本質(zhì)協(xié)同共進

大數(shù)據(jù)時代的社會計算為科學研究提供了不同視角，由此催生了計算教育學，但教育如何被“計算”以及能否被有效“計算”成為當下學界爭論與努力的焦點。新銳的互聯(lián)網(wǎng)科技、人工智能等領域極大地推動了教育研究方法的創(chuàng)新，在此過程中海量數(shù)據(jù)驅(qū)使教育學從基于實際經(jīng)驗的認知模式向基于量化信息的數(shù)據(jù)化認知模式轉(zhuǎn)變，推動計算教育學走向科學化和精準化[22]。保守派對計算教育學的應用行為和學科倫理產(chǎn)生質(zhì)疑，我們應該客觀地吸取不同聲音的意見和建議，還需要面向未來的教育研究，即教育大數(shù)據(jù)如何科學預測和解釋復雜的教育過程、揭示教與學活動的內(nèi)在規(guī)律……這些已經(jīng)成為計算教育學領域的重要課題。通過對比機器學習的學科教育研究可知，國外的教學研究更多追求技術(shù)本身的精準與創(chuàng)新，呈現(xiàn)完備的程序運演過程，國內(nèi)則專注于機器學習優(yōu)化改進教學策略和教師指導的效果。我們應當清醒地認識到，利用新興技術(shù)手段解決教育的本質(zhì)問題才是計算教育學的根本與靈魂，而問題的關(guān)鍵就在于對“人”的關(guān)切。機器學習為學科教育研究提供更加科學量化的多模態(tài)數(shù)據(jù)，這并非是教學和管理“權(quán)柄”的轉(zhuǎn)移，教育工作者應當對教學過程做好科學規(guī)劃、監(jiān)測與評價，同時為學生的個性化發(fā)展和教師的有效教學提供切實支持。

（二）內(nèi)生驅(qū)動，提升課程與教材研究力度并突破政策研究瓶頸

基于大數(shù)據(jù)的機器學習技術(shù)打破了長期以來社會科學研究囿于經(jīng)驗性思辨和傳統(tǒng)研究方法的行動詮釋與事實解釋的困局。社會網(wǎng)絡分析、情感分析、數(shù)據(jù)挖掘與機器學習等技術(shù)推動了大數(shù)據(jù)時代計算教育學的發(fā)展，教育大數(shù)據(jù)、復雜算法和高階算力支持下的教育政策計算也必將成為未來發(fā)展趨勢。北京大學葉曉陽博士基于隨機干預實驗的機器學習開展教育政策文本分析，為循證教育決策提供精準預測與評價。相比而言，機器學習在學科教育研究中的應用機制還有待深度挖掘?？v觀國內(nèi)外研究，機器學習在學科教育研究中的應用很少涉及課程與教材分析維度?；跈C器學習的學科教材研究可以拓展傳統(tǒng)的內(nèi)容分析，通過教材大數(shù)據(jù)的挖掘揭示課程的內(nèi)在教學機理與實施規(guī)律。借助諸如主題建模、文本聚類、信息抽取、文本自動摘要等機器學習方法，通過文本內(nèi)容的深度分析揭示主流教材的內(nèi)在規(guī)律與實施路徑?？傊?，教育大數(shù)據(jù)的機器學習是對教育現(xiàn)象與規(guī)律的機器認識論，有助于揭示課程與教學研究的黑箱，突破教與學規(guī)律的研究瓶頸，科學測評教材質(zhì)量并開展循證決策。

（三）應用主導，打造教與學全方位的計算教育研究系統(tǒng)

應對新時代的挑戰(zhàn)，計算教育學將助力以領域知識和智能技術(shù)融合為基礎的課程、管理、決策、實施、評價等教學體系中各個環(huán)節(jié)的智能化發(fā)展[23]。在當前的計算教育學研究中，機器學習活躍在自適應輔導系統(tǒng)、定制學習、自動評估和教師支持等環(huán)節(jié)，通過教育大數(shù)據(jù)挖掘更好地詮釋教與學的關(guān)系，為揭示課程與教學作用規(guī)律的黑箱研究提供腳手架，捕捉教與學的復雜作用過程與機制?？v觀學科教育研究五大領域，國內(nèi)外文獻中的機器學習方法各有千秋?？傮w而言，國內(nèi)聚焦中觀層面的學習結(jié)果，較為關(guān)注行為和情感層面的外顯化表現(xiàn)；而國外側(cè)重整體思維，從系統(tǒng)視域考查學生宏觀層面的學習結(jié)果，并落地于具體的學科能力。機器學習的學科教育研究案例提供了更加科學與清晰地認識計算教育學應用的實踐場景，也促使我們反思我國學科教育如何更好地基于國際視野、立足本土，落實新興技術(shù)應用為學科教育本質(zhì)服務的初衷。

綜上，在經(jīng)歷了從電子學習到機器學習的萌生期后，計算范式為學科教育研究的范式轉(zhuǎn)型帶來了生機。學科教育研究的計算時代已來，數(shù)據(jù)驅(qū)動的計算教育學的根本目標在于揭示復雜教育系統(tǒng)的內(nèi)在規(guī)律與運行機制，核心在于將假設-驗證的經(jīng)驗為基礎的教育學轉(zhuǎn)變?yōu)榇髷?shù)據(jù)驅(qū)動的“計算+教育”的信息加工范式。縱觀國內(nèi)外文獻，課程、教材、政策研究成為機器學習應用于學科教育研究的薄弱環(huán)節(jié)。因此，我們?nèi)诤蠙C器學習國外經(jīng)驗的同時，也需要立足國內(nèi)應用的實情探討計算教育學的應用倫理與邊界，推動機器學習在學科教育本質(zhì)研究的方法論突破，解決傳統(tǒng)研究范式在學科教育領域的瓶頸與局限。