蔣鑫 朱紅艷 洪明

【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，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

【中圖分類號(hào)】? ?G627? ? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2020）2-0009-13

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 Intelligence 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（Knowledge 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， 2019 a）。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， & 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， & Kankanhali， 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)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，這種識(shí)別與跟蹤不僅使智能代理實(shí)現(xiàn)了根據(jù)學(xué)習(xí)者的情緒狀態(tài)提供相適應(yīng)的情感支持，使學(xué)習(xí)者更容易沉浸其中，而且豐富了智能代理的功能框架，為促進(jìn)學(xué)習(xí)者與代理的深層次交互提供了情景的支撐。伯恩斯（Berns. A）指出，智能代理嵌入游戲教學(xué)研究在關(guān)注學(xué)習(xí)信息收集與處理的同時(shí)，更應(yīng)考慮如何利用AI對(duì)知識(shí)與教學(xué)內(nèi)容進(jìn)行智能化的表征和改造，具備感知功能的游戲環(huán)境應(yīng)可以根據(jù)學(xué)習(xí)者的情緒和態(tài)度適時(shí)調(diào)整教學(xué)內(nèi)容交互的難度與趣味性，進(jìn)而有效避免倦怠情緒的產(chǎn)生與學(xué)習(xí)行為的提前中止（轉(zhuǎn)引自Lamba， Annettac， Vallettb， & Sadlerd， 2014）。

（四）人工智能教育應(yīng)用的典型模式探究

在智能時(shí)代，隨著機(jī)器對(duì)勞動(dòng)力技能的不斷復(fù)制，知識(shí)等認(rèn)知技能已不再是教學(xué)的唯一標(biāo)準(zhǔn)，學(xué)生的創(chuàng)造力、社會(huì)交互能力、心理健康、解決問(wèn)題能力等非認(rèn)知技能的作用越發(fā)凸顯。為此，美國(guó)已經(jīng)形成了以智能教學(xué)系統(tǒng)、智能學(xué)習(xí)系統(tǒng)和智能管理系統(tǒng)等為代表的人工智能教育應(yīng)用的典型模式 （見(jiàn)表3）。

其中，開(kāi)發(fā)具有育人功能的“AI教師”是美國(guó)AIED研究的一個(gè)亮點(diǎn)趨勢(shì)，主要體現(xiàn)在對(duì)智能導(dǎo)師系統(tǒng)（ITS）功能升級(jí)的關(guān)注上?？偟膩?lái)說(shuō)，傳統(tǒng)的ITS主要有“AI代理”（Agent）和“AI助手”（Assistant）兩種形式。無(wú)論是僅能代替教師重復(fù)性工作的“AI代理”，還是增強(qiáng)教師自動(dòng)化處理的“AI助手”，均無(wú)法完全滿足教學(xué)育人工作的需要。在新形勢(shì)下，突破教師認(rèn)知極限的“AI教師”是教學(xué)育人工作對(duì)ITS提出的新要求，將成為人機(jī)協(xié)同教育的一種更高級(jí)形態(tài)（余勝泉， 等， 2019 b）。從功能上看，“AI教師”主要承擔(dān)人機(jī)協(xié)同過(guò)程中教育規(guī)則、策略等認(rèn)知信息的外包以及增強(qiáng)傳統(tǒng)教師的感知和認(rèn)知能力?？梢?jiàn)，具有“AI教師”角色的新型ITS更加注重從重視知識(shí)教授向能力素養(yǎng)培育的過(guò)渡與轉(zhuǎn)型。

維內(nèi)特（Vernet， Nicolas， 2010）指出，為確保知識(shí)與相關(guān)能力素養(yǎng)的培育，建構(gòu)、定位、預(yù)測(cè)、強(qiáng)化將是未來(lái)ITS系統(tǒng)的主體框架，精準(zhǔn)整合學(xué)習(xí)者背景、學(xué)習(xí)風(fēng)格等各方面的信息則是系統(tǒng)優(yōu)化的關(guān)鍵問(wèn)題。從文獻(xiàn)的梳理看，神經(jīng)網(wǎng)絡(luò)算法、粒子群優(yōu)化、案例推理、遺傳算法、蟻群系統(tǒng)、模糊算法等是美國(guó)學(xué)界為實(shí)現(xiàn)學(xué)習(xí)風(fēng)格等各方面信息精準(zhǔn)判斷涉及較多的智能算法，而位置、身份、時(shí)間、活動(dòng)成為ITS對(duì)動(dòng)態(tài)學(xué)習(xí)環(huán)境表征的關(guān)鍵要素。

基于上述對(duì)具有“AI教師”功能的ITS的構(gòu)想，我們可以將其育人的基本路徑作以下描述。首先，ITS通過(guò)對(duì)位置、身份不同時(shí)刻的屬性進(jìn)行組合或串接表征實(shí)現(xiàn)對(duì)學(xué)習(xí)者學(xué)習(xí)活動(dòng)的實(shí)時(shí)感知;其次，根據(jù)學(xué)習(xí)者的不同學(xué)習(xí)風(fēng)格，從現(xiàn)實(shí)情景中快速提煉出問(wèn)題要點(diǎn)及精準(zhǔn)整合信息，提供學(xué)習(xí)風(fēng)險(xiǎn)預(yù)警;最后，依據(jù)教育學(xué)、心理學(xué)等知識(shí)建構(gòu)針對(duì)育人的綜合解決模型，實(shí)現(xiàn)對(duì)學(xué)習(xí)者在整個(gè)學(xué)習(xí)過(guò)程的動(dòng)態(tài)、個(gè)性化的學(xué)習(xí)服務(wù)供給。從目前研究的進(jìn)展看，基于人工智能模糊邏輯算法的學(xué)習(xí)分析系統(tǒng)、基于本體論的計(jì)算機(jī)輔助項(xiàng)目庫(kù)、網(wǎng)絡(luò)智能導(dǎo)師等成為目前美國(guó)優(yōu)化ITS的主要成果。有研究表明，在學(xué)習(xí)干預(yù)效果方面，這些優(yōu)化的智能導(dǎo)師系統(tǒng)已經(jīng)具備了與人類導(dǎo)師同樣的功效（Vanlehn， 2011）。但是在整合與提煉問(wèn)題信息方面，系統(tǒng)提取出的信息仍較為零散，ITS據(jù)此做出決策的準(zhǔn)確性仍需進(jìn)一步提高（田國(guó)會(huì)， 等， 2018）。可以預(yù)見(jiàn)，建立數(shù)據(jù)之間的完全聯(lián)系，實(shí)現(xiàn)對(duì)學(xué)習(xí)環(huán)境的準(zhǔn)確認(rèn)知，更加準(zhǔn)確地執(zhí)行服務(wù)任務(wù)，可能仍是美國(guó)學(xué)者對(duì)ITS持續(xù)關(guān)注的重要方向。

（五）學(xué)習(xí)空間的設(shè)計(jì)研究

人工智能助力下的教育正發(fā)生著重大變遷?；谌藱C(jī)協(xié)同的精準(zhǔn)教學(xué)使傳統(tǒng)學(xué)習(xí)方式突破了原有學(xué)習(xí)空間的局限，延伸至生活中的每一個(gè)角落，不僅使泛在學(xué)習(xí)、非正式學(xué)習(xí)、智慧學(xué)習(xí)等越來(lái)越多地出現(xiàn)在師生踐行學(xué)習(xí)的過(guò)程之中，成為人們挖掘教學(xué)創(chuàng)新的新途徑，而且也使教學(xué)內(nèi)容實(shí)現(xiàn)了由標(biāo)準(zhǔn)化向定制化轉(zhuǎn)變，使教育理念真正邁向終身全納（塔衛(wèi)剛， 等， 2018）。這種追求優(yōu)質(zhì)、個(gè)性的隨時(shí)隨地皆可學(xué)習(xí)的學(xué)習(xí)環(huán)境也對(duì)合理安排教學(xué)過(guò)程中所涉及的各種要素提出了新要求。

在正式學(xué)習(xí)的空間設(shè)計(jì)方面，傳統(tǒng)的智慧學(xué)習(xí)空間較多依賴文本信息，對(duì)語(yǔ)音、圖像以及非機(jī)打文本信息關(guān)注較少。對(duì)此，有學(xué)者嘗試?yán)脤?shí)時(shí)傳感器以及可實(shí)現(xiàn)情感識(shí)別的深度學(xué)習(xí)算法和云計(jì)算模塊對(duì)目前的智慧教室系統(tǒng)進(jìn)行重構(gòu)，借助網(wǎng)絡(luò)攝像頭、眼動(dòng)儀等設(shè)備跟蹤學(xué)生的眼球運(yùn)動(dòng)和面部表情。實(shí)驗(yàn)結(jié)果表明，重構(gòu)后的智慧教室系統(tǒng)實(shí)現(xiàn)了對(duì)演講訓(xùn)練者的實(shí)時(shí)監(jiān)測(cè)，幫助訓(xùn)練者及時(shí)糾正了不當(dāng)?shù)姆钦Z(yǔ)言行為，如手勢(shì)、面部表情和身體語(yǔ)言等，有效提高了演講質(zhì)量和記憶能力（Kim， Soyata， & Behnagh， 2018）。

在非正式學(xué)習(xí)空間的設(shè)計(jì)方面，遠(yuǎn)程教育、在線學(xué)習(xí)等非正式學(xué)習(xí)方式或?qū)⑹俏磥?lái)泛在學(xué)習(xí)的主要形式。這種學(xué)習(xí)應(yīng)該是一種主動(dòng)的學(xué)習(xí)、一種適合自己的學(xué)習(xí)、一種滿足自己需要的學(xué)習(xí)、一種可以得到最適合自己的教師幫助的學(xué)習(xí)。從本質(zhì)上說(shuō)，這種學(xué)習(xí)將是一種人網(wǎng)融合的新形態(tài)教育，不能僅滿足于將課堂同步于網(wǎng)絡(luò)之中。這種新形態(tài)教育基于人工智能、大數(shù)據(jù)等技術(shù)，將重新建立起一種匯聚了各種名師教學(xué)以及各種優(yōu)質(zhì)資源的學(xué)習(xí)路徑共享網(wǎng)絡(luò)，并以學(xué)習(xí)分析技術(shù)形成智慧引導(dǎo)系統(tǒng)，以便可以及時(shí)發(fā)現(xiàn)學(xué)習(xí)中存在的問(wèn)題，自動(dòng)為學(xué)生提供適合的學(xué)習(xí)建議和路徑選擇指導(dǎo)（許亞鋒， 等， 2018）。有學(xué)者提出可以通過(guò)智能算法設(shè)置“閾值”的方式實(shí)現(xiàn)對(duì)價(jià)值不大資源的過(guò)濾，但是這種資源價(jià)值的判斷必須以數(shù)據(jù)格式的標(biāo)準(zhǔn)化存儲(chǔ)為前提，基礎(chǔ)性、使用頻次、典型性等均可以成為智能篩選的重要維度。在這個(gè)過(guò)程中，也可以根據(jù)學(xué)習(xí)過(guò)程中生成的學(xué)習(xí)者個(gè)性化學(xué)習(xí)畫像和學(xué)習(xí)軌跡，為學(xué)習(xí)者篩選出同質(zhì)或異質(zhì)學(xué)習(xí)伙伴，實(shí)現(xiàn)合作學(xué)習(xí)（Rose， et al.， 2017）。

四、美國(guó)“教育中的人工智能”的研究流變

利用軟件的“區(qū)視圖”功能可以將圖1所示的聚類圖按照關(guān)鍵詞首次出現(xiàn)的年份予以排序，而關(guān)鍵詞隨著年份的變化則可以直觀反映出美國(guó)AIED研究領(lǐng)域所關(guān)注的主題隨時(shí)間的演進(jìn)脈絡(luò)。這對(duì)把握人工智能技術(shù)在教育領(lǐng)域應(yīng)用的發(fā)展脈絡(luò)和前沿都具有重要意義。在關(guān)鍵詞區(qū)視圖中每一個(gè)圓形節(jié)點(diǎn)代表一個(gè)關(guān)鍵詞，而節(jié)點(diǎn)之間的連線代表關(guān)鍵詞之間的演變關(guān)系（見(jiàn)圖2）。

總體看來(lái)，美國(guó)“教育中的人工智能”研究的歷史基本保持了一個(gè)較為穩(wěn)定的延續(xù)演進(jìn)態(tài)勢(shì)。從時(shí)間線圖譜看，軟件能探測(cè)到AIED研究關(guān)鍵主題詞出現(xiàn)的最早年份為1993年，“閱讀困難”“空間”“閱讀技能”“系統(tǒng)”等主題詞開(kāi)始在該年份成為學(xué)者關(guān)注的熱點(diǎn);從時(shí)間線的走勢(shì)看，在后續(xù)年份出現(xiàn)的主題詞中并未出現(xiàn)新增主題詞或明顯的偏移現(xiàn)象，說(shuō)明后續(xù)出現(xiàn)的高頻關(guān)鍵詞均從1993年出現(xiàn)的主題詞中演變而來(lái)，可以推斷1993年出現(xiàn)的熱點(diǎn)主題詞對(duì)后來(lái)AIED研究的發(fā)展具有重要的方向引領(lǐng)與鋪墊作用。

從研究發(fā)展趨勢(shì)看，2018年可能是美國(guó)教育中的人工智能發(fā)展的關(guān)鍵時(shí)間節(jié)點(diǎn)，18個(gè)高頻關(guān)鍵詞較為集中地出現(xiàn)在該年份，從歷年出現(xiàn)的關(guān)鍵詞數(shù)量上看，高居第一位，表明美國(guó)AIED研究正呈現(xiàn)出豐富多元的發(fā)展趨勢(shì)，其中“情感識(shí)別”“實(shí)時(shí)計(jì)算”“智慧教室”等研究主題開(kāi)始在該年份凸顯出來(lái)。可以預(yù)見(jiàn)，這些研究方向或?qū)⒃谖磥?lái)受到美國(guó)學(xué)界的持續(xù)關(guān)注。

根據(jù)前文對(duì)表1關(guān)鍵詞的中心度呈現(xiàn)，關(guān)鍵詞“系統(tǒng)”“人工智能”在關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)知識(shí)圖譜中的影響力最大，中心度值最高，可以推測(cè)這兩個(gè)關(guān)鍵詞首次出現(xiàn)的年份即1993年，1998年是美國(guó)AIED研究發(fā)展較為關(guān)鍵的時(shí)間節(jié)點(diǎn)，這也在一定程度上印證了圖2所示1993年是關(guān)鍵時(shí)間節(jié)點(diǎn)的推斷，再結(jié)合表1，基本可以將美國(guó)AIED研究發(fā)展劃分為三個(gè)階段，而根據(jù)“高頻關(guān)鍵詞每年的不同代表著研究?jī)?nèi)容的不斷切換”的區(qū)視圖規(guī)律與軟件所析的高被引文獻(xiàn)，我們可以概括出每個(gè)階段美國(guó)學(xué)者關(guān)注的重點(diǎn)與研究特征。

（一）專家系統(tǒng)的濫觴：教育實(shí)踐導(dǎo)向研究向度的確立（1981—1992年）

20世紀(jì)80年代初，美國(guó)針對(duì)人工智能與教育結(jié)合可能性的系統(tǒng)學(xué)術(shù)研究剛剛起步，學(xué)界研究當(dāng)時(shí)形成了兩個(gè)基本傾向：一是專家系統(tǒng)的研究成為共識(shí);二是將致力解決實(shí)踐問(wèn)題作為“教育中的人工智能”研究的主要目標(biāo)。究其原因，主要有兩點(diǎn)：其一，在技術(shù)應(yīng)用層面，受制于早期人工智能算法的缺陷，AI資助者的“浮夸性承諾”始終難以兌現(xiàn)，“通用型機(jī)器是海市蜃樓”的論斷逐漸成為學(xué)界共識(shí)，使得長(zhǎng)期存在于美國(guó)學(xué)界的過(guò)于智能化的“人工智能可以綜合地復(fù)現(xiàn)人類思維能力”強(qiáng)AI目標(biāo)遭受重創(chuàng)（王彥雨， 2018）。其二，在先期可行性的探究層面，20世紀(jì)50年代以斯金納為代表的行為主義學(xué)者對(duì)程序教學(xué)機(jī)支持教學(xué)實(shí)踐的學(xué)理探討對(duì)后來(lái)智能教學(xué)機(jī)器的實(shí)踐產(chǎn)生了影響。實(shí)驗(yàn)結(jié)果表明，程序教學(xué)機(jī)的邏輯符號(hào)系統(tǒng)與現(xiàn)實(shí)世界始終難以完全對(duì)應(yīng)，導(dǎo)致其在信息呈現(xiàn)、存儲(chǔ)、分析交互等方面表現(xiàn)不佳，限制了原本預(yù)期的適用領(lǐng)域（張志禎， 等， 2019 b）。因此，尋求更加有效的人工智能實(shí)踐路徑就成為學(xué)界在“教育中的人工智能”研究伊始亟須解決的首要問(wèn)題。

博爾科（Borko， 1985）認(rèn)為，作為教育與人工智能結(jié)合的產(chǎn)物，ITS可以借鑒專家運(yùn)用知識(shí)解決實(shí)際問(wèn)題的過(guò)程，通過(guò)完善的知識(shí)庫(kù)與推理引擎實(shí)現(xiàn)教學(xué)問(wèn)題的解決，幫助教師做出只有專家才能做出的科學(xué)決策，實(shí)現(xiàn)教育策略的定制;古德（Good. R）等認(rèn)為ITS、自動(dòng)化測(cè)評(píng)系統(tǒng)在教學(xué)領(lǐng)域的使用應(yīng)該以傳遞知識(shí)、輔助學(xué)習(xí)者的知識(shí)構(gòu)建為核心目標(biāo)，該目標(biāo)的實(shí)現(xiàn)需要基于知識(shí)系統(tǒng)進(jìn)行解釋推理，知識(shí)是實(shí)現(xiàn)教育智能的前提（Good， 1987）。亞茨達(dá)尼（Yazdani， 1986）則更進(jìn)一步指出，若要真正達(dá)到輔助學(xué)習(xí)者并引導(dǎo)其知識(shí)體系形成的目標(biāo)，智能教學(xué)系統(tǒng)必須以追求高效、生動(dòng)的人機(jī)交互為前提。這些交互離不開(kāi)智能技術(shù)輔助教學(xué)過(guò)程中所涉及的影響學(xué)生知識(shí)學(xué)習(xí)效果的心理因素，如自我效能、動(dòng)機(jī)、認(rèn)知策略等，這些因素對(duì)知識(shí)學(xué)習(xí)的促進(jìn)作用遠(yuǎn)超過(guò)支持學(xué)習(xí)和教學(xué)的技術(shù)工具本身。

可以說(shuō)，教學(xué)與評(píng)價(jià)是該時(shí)期美國(guó)專家系統(tǒng)研究者較為青睞的領(lǐng)域，這或與前期程序教學(xué)機(jī)器的探索奠定了一定的學(xué)理基礎(chǔ)不無(wú)關(guān)系。在實(shí)現(xiàn)路徑上，學(xué)者們對(duì)智能教學(xué)機(jī)器的研究突破了傳統(tǒng)借助于邏輯推理的范式，將知識(shí)引導(dǎo)作為專家系統(tǒng)實(shí)現(xiàn)輔助教學(xué)的實(shí)踐方式。專家系統(tǒng)較大程度依賴于系統(tǒng)存儲(chǔ)的專家知識(shí)庫(kù)的知識(shí)引導(dǎo)，從這個(gè)角度講，美國(guó)該時(shí)期的“教育中的人工智能”研究就是圍繞如何實(shí)現(xiàn)系統(tǒng)存儲(chǔ)的教育知識(shí)應(yīng)用自動(dòng)化而展開(kāi)的。以教學(xué)知識(shí)應(yīng)用自動(dòng)化實(shí)現(xiàn)教學(xué)問(wèn)題的解決也就成為該時(shí)期學(xué)者研究的重要特征。值得一提的是，在該時(shí)期對(duì)專家系統(tǒng)進(jìn)行知識(shí)傳遞的研究進(jìn)程中，心理學(xué)層面的研究視角開(kāi)始萌芽，為下一階段教育中的人工智能研究項(xiàng)目的深入奠定了基礎(chǔ)。

（二）機(jī)器學(xué)習(xí)的興起：研究視域的轉(zhuǎn)向與豐富（1993—1998年）

之所以在這一時(shí)期“教育中的人工智能”研究發(fā)生了研究視域的轉(zhuǎn)向，主要是因?yàn)閷＜蚁到y(tǒng)存在難以彌合的缺陷。其一，過(guò)于狹隘的應(yīng)用方向。人工為系統(tǒng)提供知識(shí)是使用專家系統(tǒng)的前提，這就決定了使用專家系統(tǒng)進(jìn)行課程學(xué)習(xí)的本質(zhì)就是一個(gè)給定學(xué)科內(nèi)容的教學(xué)過(guò)程。其二，無(wú)法適用于教學(xué)的全部過(guò)程。安德森等（Anderson， Corbett， Koedinger， & Pelletier， 1995）指出，真正的教學(xué)過(guò)程是一個(gè)包含理解、轉(zhuǎn)化、教學(xué)、評(píng)價(jià)、反思和形成新的理解的完整階段，而對(duì)這個(gè)完整過(guò)程，專家系統(tǒng)僅對(duì)課堂教學(xué)與評(píng)價(jià)實(shí)現(xiàn)了自動(dòng)化，對(duì)理解、反思卻能力有限?；谝陨蟽牲c(diǎn)，美國(guó)在該時(shí)期的“教育中的人工智能”研究開(kāi)始從關(guān)注實(shí)現(xiàn)知識(shí)應(yīng)用的自動(dòng)化向關(guān)注獲取知識(shí)自動(dòng)化轉(zhuǎn)變。具體主要體現(xiàn)在對(duì)兩個(gè)問(wèn)題的回答上。

對(duì)于為什么要研究系統(tǒng)能否通過(guò)學(xué)習(xí)、反思獲取知識(shí)，研究者們從系統(tǒng)評(píng)估的角度對(duì)該問(wèn)題研究的必要性進(jìn)行了學(xué)理討論。威特等（Witt & Gish， 1996）認(rèn)為，從人力資本的角度而言，使專家系統(tǒng)實(shí)現(xiàn)知識(shí)獲取是智力資本升級(jí)的有效方式;耶魯大學(xué)的尚克等（Schank & Slade， 1991）則從教學(xué)發(fā)生的視角指出，在教師向?qū)W生傳遞已經(jīng)轉(zhuǎn)化為個(gè)體經(jīng)驗(yàn)與觀念的知識(shí)的過(guò)程中，教師對(duì)知識(shí)的理解是會(huì)發(fā)生更新的，而以模擬教師輔導(dǎo)行為為本源特征的智能教學(xué)系統(tǒng)也需要建立心智模型，對(duì)最初輸入系統(tǒng)的知識(shí)進(jìn)行推理，不斷實(shí)現(xiàn)知識(shí)的重塑和修正。另外，認(rèn)知語(yǔ)言學(xué)的基本理論也為智能教學(xué)系統(tǒng)的完善提供了發(fā)展鏡鑒。羅格斯大學(xué)的肯德?tīng)枺↘endall， 1992 a）指出，隱喻作為人類理解抽象概念、認(rèn)知和表述未知概念的重要方式可以為教學(xué)機(jī)器的自然語(yǔ)言理解問(wèn)題提供解決思路。肯德?tīng)柦ㄗh，通過(guò)創(chuàng)建通用的語(yǔ)義知識(shí)庫(kù)和專門的隱喻知識(shí)庫(kù)建立源域與未知概念目標(biāo)域之間的映射，實(shí)現(xiàn)教學(xué)系統(tǒng)對(duì)概念的認(rèn)知。

實(shí)現(xiàn)機(jī)器對(duì)知識(shí)的自主獲取及探尋建模方法是該時(shí)期美國(guó)學(xué)者關(guān)注的主要內(nèi)容。其中，統(tǒng)計(jì)模型與案例推理（CBR）成為該時(shí)期學(xué)者們研究與探究的主要方法，尤其是基于統(tǒng)計(jì)模型方法的提出，成為該時(shí)期研究者們對(duì)建模方法關(guān)注轉(zhuǎn)向的重要標(biāo)志。德州農(nóng)工大學(xué)的帕仁（Parzen， 1997）認(rèn)為，統(tǒng)計(jì)在智能教學(xué)系統(tǒng)使用的目的就是自主擴(kuò)展知識(shí)庫(kù)，這主要體現(xiàn)在迭代算法可以實(shí)現(xiàn)對(duì)信息的提取，并在遞歸推理中得出有證據(jù)的結(jié)論，而案例推理則繼承和發(fā)展了前一時(shí)期基于知識(shí)引導(dǎo)的建模方式，主張通過(guò)提取源案例（Base case）解決不同新情境下的目標(biāo)案例（Target case），強(qiáng)調(diào)對(duì)相似案例求解結(jié)果的復(fù)用。在這一模型中，“什么程度才算相似”成為系統(tǒng)基于案例學(xué)習(xí)的關(guān)鍵。從文獻(xiàn)上看，屬性之間的相似程度成為學(xué)者們對(duì)“類比”定義的共識(shí)。如，肯德?tīng)枺↘endall， 1992 b）認(rèn)為兩個(gè)案例的客體是否一致是通過(guò)語(yǔ)義知識(shí)庫(kù)對(duì)未知抽象概念進(jìn)行解釋的關(guān)鍵;印第安納大學(xué)的萊克等（Leake & Ram， 1995）、匹茲堡大學(xué)的布坎南等（Buchanan， Moore， Forsythe， Carenini， & Ohlsson， 1995）則認(rèn)為求解問(wèn)題是否相關(guān)決定了學(xué)生能否與系統(tǒng)實(shí)現(xiàn)信息的交流與互動(dòng)。

可以說(shuō)，研究目標(biāo)與研究方法的變化是此階段研究視域發(fā)生轉(zhuǎn)向的重要體現(xiàn)，而知識(shí)生產(chǎn)自動(dòng)化的目標(biāo)導(dǎo)向與統(tǒng)計(jì)建模的出現(xiàn)則成為研究目標(biāo)與研究方法發(fā)生轉(zhuǎn)向的重要標(biāo)志。該時(shí)期“教育中的人工智能”研究的突出貢獻(xiàn)是將統(tǒng)計(jì)建模作為通過(guò)機(jī)器學(xué)習(xí)方式達(dá)到自動(dòng)獲取知識(shí)目標(biāo)的方法路徑。事實(shí)表明，正是這種建模方式為后續(xù)的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)算法在教育領(lǐng)域的應(yīng)用提供了依據(jù)。

（三）優(yōu)質(zhì)與公正的追求：AIED研究的正式確立與深化（1999年至今）

21世紀(jì)伊始，人工智能的發(fā)展迎來(lái)巨變。深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的提出使知識(shí)獲取的方法向統(tǒng)計(jì)模型傾斜，綜合多維數(shù)據(jù)的泛在推理成為這個(gè)時(shí)期人工智能發(fā)展的根本特征。得益于新技術(shù)的推動(dòng)，美國(guó)教育中的人工智能研究呈現(xiàn)出了新特征。

首先，在研究目的上，構(gòu)建全球課堂（Global Classroom）成為“教育中的人工智能”研究的新追求。伍爾夫等（Woolf， Lane， Chaudhri， & Kolodner， 2013）認(rèn)為，人工智能教育應(yīng)用的目標(biāo)就是構(gòu)建全球課堂。以人工智能與Moocs系統(tǒng)的結(jié)合為標(biāo)志，學(xué)者們圍繞通過(guò)人工智能實(shí)現(xiàn)全球課堂的構(gòu)建進(jìn)行了初步探究。之所以選擇Moocs作為全球課堂實(shí)踐的雛形，這與以提供一種支持泛在學(xué)習(xí)、深度參與的學(xué)習(xí)環(huán)境作為目標(biāo)的全球課堂和以致力于解決高等教育公平與普及化的教學(xué)質(zhì)量提升問(wèn)題的Moocs在目的上的契合不無(wú)關(guān)系。泰金等（Tekin， Braun， & Van Der Schaar， 2015）以深度學(xué)習(xí)算法為基礎(chǔ)的輟學(xué)預(yù)測(cè)模型可以對(duì)Moocs學(xué)習(xí)過(guò)程中處于輟學(xué)邊緣的學(xué)生進(jìn)行個(gè)性化干預(yù)，改善了Moocs系統(tǒng)僅適應(yīng)具有一定知識(shí)背景和較高學(xué)習(xí)動(dòng)機(jī)學(xué)習(xí)者的不足。除此之外，機(jī)器學(xué)習(xí)的局限性也間接推動(dòng)了全球課堂研究導(dǎo)向的確立。以數(shù)據(jù)和算法為核心的機(jī)器學(xué)習(xí)改進(jìn)學(xué)習(xí)效果的有效與否過(guò)于依賴能否擁有大量的數(shù)據(jù)信息，Moocs的開(kāi)放性給機(jī)器獲取充分的數(shù)據(jù)樣本提供了可能。

其次，在研究方向上，工程教育改革成為學(xué)界關(guān)注的重點(diǎn)領(lǐng)域。具體原因，一方面，以美國(guó)科學(xué)院、工程院聯(lián)合頒布的《21世紀(jì)CPS教育報(bào)告》為標(biāo)志，美國(guó)近年來(lái)工程教育改革愈演愈烈。積重難返的工程教育培養(yǎng)質(zhì)量薄弱問(wèn)題促使研究者考慮如何使用新技術(shù)克服完成工程學(xué)位的障礙;另一方面，AI可以消除相關(guān)概念的抽象性，使學(xué)生切身感受到工程概念的真實(shí)應(yīng)用。有學(xué)者指出，構(gòu)建由計(jì)算機(jī)算法、網(wǎng)絡(luò)和物理組件無(wú)縫集成的系統(tǒng)工程環(huán)境將促進(jìn)航天工程專業(yè)學(xué)生創(chuàng)造力等高階思維的發(fā)展（Farook， Sekhar， Agrawal， Bouktache， & Ahmed， 2011）。對(duì)于軟件工程課程的學(xué)習(xí)，馬克西姆等（Maxim， Kaur， Apzynski， Edwards， & Evans， 2016）則以AI游戲平臺(tái)的形式實(shí)現(xiàn)了編程課堂的體驗(yàn)式教育。結(jié)果表明，智能代理較好地解決了知識(shí)遷移問(wèn)題，降低了學(xué)生對(duì)編程失敗的恐懼和焦慮。從以上實(shí)驗(yàn)不難發(fā)現(xiàn)，人工智能對(duì)促進(jìn)優(yōu)質(zhì)工程教育的積極作用已經(jīng)成為多數(shù)學(xué)者的共識(shí)，但也有學(xué)者提出了質(zhì)疑?；赟TEM教育既有的跨學(xué)科特征，柯林斯等（Collins， et al.， 2015）認(rèn)為，如果研究者不能擁有同教師同等的重構(gòu)教學(xué)的權(quán)利或?qū)⑹怪悄芟到y(tǒng)無(wú)法在實(shí)際教學(xué)中普及。

最后，在研究?jī)?nèi)容上，側(cè)重研究反思與教學(xué)理論的總結(jié)成為新時(shí)期研究的重要亮點(diǎn)。以貝克等1999年《Bringing back the AI to AI & ED》一文的發(fā)表為標(biāo)志，美國(guó)學(xué)界首次有學(xué)者開(kāi)始對(duì)先前研究進(jìn)行反思。該文獻(xiàn)認(rèn)為無(wú)論是過(guò)去的機(jī)器學(xué)習(xí)研究還是智能系統(tǒng)研究都過(guò)于側(cè)重建模方法，缺少?gòu)膶W(xué)習(xí)發(fā)生視角進(jìn)行的討論，這種緣木求魚(yú)的研究取向或僅能使人工智能教育應(yīng)用停留在實(shí)驗(yàn)室中，對(duì)教師的借鑒價(jià)值有限（Beck & Stern， 1999）。可以說(shuō)，該研究指出先前研究存在側(cè)重“教學(xué)之上的技術(shù)”的局限。同年，塞爾夫（Self， 1999）在綜合反思先前ITS研究與技術(shù)新發(fā)展的基礎(chǔ)上首次對(duì)AIED概念進(jìn)行了明確厘定。他認(rèn)為，AIED應(yīng)以使用精準(zhǔn)的計(jì)算和清晰的形式表示學(xué)習(xí)過(guò)程中含糊不清的知識(shí)與全面深入地理解學(xué)習(xí)過(guò)程為目標(biāo)，通過(guò)智能工具的有意義使用為學(xué)習(xí)者的高效學(xué)習(xí)和真實(shí)體驗(yàn)提供支持，提升教學(xué)效率，促進(jìn)教育公平?？梢哉f(shuō)，這兩個(gè)標(biāo)志性成果的發(fā)布對(duì)AIED研究發(fā)展具有里程碑意義，標(biāo)志著AIED研究開(kāi)始由最初的學(xué)術(shù)探討向獨(dú)立研究方向的轉(zhuǎn)型。具體體現(xiàn)在以下兩點(diǎn)：

其一，側(cè)重對(duì)有效使用技術(shù)規(guī)律的總結(jié)，注重對(duì)“技術(shù)之上的教學(xué)”規(guī)律的反思。以學(xué)者對(duì)AI教學(xué)法（Pedagogy）的闡釋為標(biāo)志。當(dāng)面對(duì)數(shù)學(xué)、物理和編程等相關(guān)STEM學(xué)科中過(guò)于抽象的教學(xué)內(nèi)容的困擾時(shí)，可以嘗試基于無(wú)人機(jī)的學(xué)習(xí)（Drone-based learning），但需要考慮環(huán)境、設(shè)備的因素，教師也需要給予引導(dǎo)，避免學(xué)生過(guò)于沉迷對(duì)機(jī)器的控制而忽視學(xué)習(xí)內(nèi)容（Hsu， 2015）;當(dāng)教學(xué)注重學(xué)習(xí)過(guò)程中的體驗(yàn)而非結(jié)果時(shí)，可以通過(guò)趣悅學(xué)習(xí)（Playful Learning）引導(dǎo)學(xué)生從不同角度探索問(wèn)題（Michael， 2001）;在對(duì)大學(xué)生傳授創(chuàng)意、設(shè)計(jì)類的教學(xué)內(nèi)容時(shí)，使用虛擬工作室的學(xué)習(xí)（Virtual Studios）可能效果更佳（Kunnath， 2016）。

其二，不少研究者以先前研究為資料來(lái)源，通過(guò)綜述或元分析的實(shí)證方法拓展理論層面上的AIED研究。學(xué)習(xí)、情感等理論的最新發(fā)展對(duì)先前研究的反思提供了重要視角。掌握學(xué)習(xí)理論認(rèn)為，在掌握學(xué)習(xí)與個(gè)性化輔導(dǎo)策略綜合干預(yù)下的學(xué)生成績(jī)比傳統(tǒng)方式干預(yù)下的學(xué)生成績(jī)高出兩個(gè)完整的標(biāo)準(zhǔn)差。對(duì)此，羅爾等（Roll & Wylie， 2016）指出，實(shí)現(xiàn)學(xué)生成績(jī)表現(xiàn)的“two-sigma”效應(yīng)是人工智能變革教育績(jī)效的標(biāo)準(zhǔn)與追求，而掌握學(xué)習(xí)理論可以作為個(gè)性化教學(xué)系統(tǒng)研究的理論基礎(chǔ)。在此基礎(chǔ)上，他通過(guò)元分析對(duì)1990年以來(lái)的AI輔助教育實(shí)踐總結(jié)后認(rèn)為，在掌握學(xué)習(xí)情境下，交互風(fēng)格、知識(shí)屬性、教學(xué)目標(biāo)均會(huì)對(duì)消除成績(jī)差異有不同程度的影響，而作為對(duì)情感、元認(rèn)知等最新研究成果向教育中的人工智能領(lǐng)域的遷移的回應(yīng)，基于共同學(xué)習(xí)的智能陪伴成為人機(jī)協(xié)同教學(xué)的核心特征。克姆等（Kim & Baylor， 2016）基于扎根理論對(duì)以智能代理為主題的文獻(xiàn)進(jìn)行文本挖掘分析，發(fā)現(xiàn)智能代理的角色存在“分裂效應(yīng)”，即角色維度的數(shù)量與學(xué)生的負(fù)面情緒有直接關(guān)系。將合并的智能代理角色拆分為情感代理和激勵(lì)代理時(shí)對(duì)程序性知識(shí)學(xué)習(xí)動(dòng)機(jī)的增強(qiáng)效果更優(yōu)，因此，要注意降低角色的多面性。但在STEM教學(xué)中，角色的多維性卻對(duì)K12階段的女性學(xué)生有更強(qiáng)的情感與動(dòng)機(jī)支持。

五、美國(guó)“教育中的人工智能”研究的特征與反思

（一）研究重點(diǎn)的演變：從注重過(guò)程轉(zhuǎn)為強(qiáng)調(diào)結(jié)果

從某種意義而言，知識(shí)是早期美國(guó)教育實(shí)現(xiàn)智能化的重要前提。無(wú)論是最早的教育專家系統(tǒng)還是后來(lái)的機(jī)器學(xué)習(xí)模型，學(xué)者們希望教學(xué)系統(tǒng)通過(guò)對(duì)完備專家知識(shí)的自主獲取與應(yīng)用實(shí)現(xiàn)對(duì)實(shí)際教學(xué)問(wèn)題的解決。然而，在近年教育技術(shù)領(lǐng)域逐漸從“使用技術(shù)”向“有效使用技術(shù)”轉(zhuǎn)變的背景下，尤其是傳統(tǒng)技術(shù)始終沒(méi)有徹底解決的“公平享受技術(shù)帶來(lái)的優(yōu)質(zhì)體驗(yàn)”歷史遺留問(wèn)題，人工智能技術(shù)承載著這一久治未愈的問(wèn)題可以隨著技術(shù)進(jìn)步而得到解決的美好期待，因此學(xué)者們愈發(fā)強(qiáng)調(diào)使用智能系統(tǒng)改善學(xué)習(xí)的績(jī)效問(wèn)題。如，近年來(lái)研究越發(fā)明確要實(shí)現(xiàn)學(xué)生成績(jī)表現(xiàn)的“two-sigma”效應(yīng)，實(shí)現(xiàn)全球課堂環(huán)境的構(gòu)建。這種演變既有教育公平與卓越要求的驅(qū)動(dòng)，也是AIED從最初的學(xué)理探討向一個(gè)獨(dú)立研究方向轉(zhuǎn)變的學(xué)科內(nèi)在邏輯發(fā)展的結(jié)果。

（二）研究目標(biāo)的更新：凸顯學(xué)生成功為目標(biāo)的研究導(dǎo)向

作為對(duì)全球競(jìng)爭(zhēng)激烈和難以完全兌現(xiàn)教育公平愿景的回應(yīng)，“質(zhì)量?jī)?yōu)先，確保公平”已經(jīng)成為美國(guó)教育的新追求。正如《每個(gè)孩子成功法》（ESSA）指出“通過(guò)推進(jìn)教育卓越和確保公平，促進(jìn)學(xué)生提高成績(jī)，為全球競(jìng)爭(zhēng)做好準(zhǔn)備應(yīng)是美國(guó)教育的核心使命”（U. S. Department of Education， 2016）。而這反映到教育技術(shù)領(lǐng)域就是關(guān)注如何有效使用技術(shù)促進(jìn)學(xué)生成功。如近年來(lái)美國(guó)學(xué)界已然形成了新技術(shù)促進(jìn)學(xué)業(yè)成績(jī)要高于傳統(tǒng)方式干預(yù)下的學(xué)生成績(jī)兩個(gè)完整標(biāo)準(zhǔn)差的共識(shí);為了克服Moocs發(fā)展過(guò)程中存在的低臨場(chǎng)感、高退出率的不足，研究者們又積極推進(jìn)情感設(shè)計(jì)、個(gè)性化學(xué)習(xí)路徑推薦等技術(shù)與公共教育體系的融合?？梢?jiàn)，促進(jìn)學(xué)業(yè)進(jìn)步、提高學(xué)生留存等已成為學(xué)者們對(duì)新技術(shù)變革教育的主要期待，有事實(shí)表明，這種學(xué)生成功的研究導(dǎo)向或?qū)⑦M(jìn)一步深化。2019年美國(guó)教育科學(xué)研究院（IES）發(fā)布的《利用技術(shù)支持大學(xué)生學(xué)習(xí)》（Using Technology to Support Post-secondary Student Learning from the What Works Clearinghouse）報(bào)告對(duì)未來(lái)有效使用技術(shù)支持學(xué)習(xí)的建議指出，“技術(shù)可提供在大學(xué)內(nèi)外取得成功的關(guān)鍵社會(huì)聯(lián)系，技術(shù)的提供應(yīng)與學(xué)習(xí)成果的目標(biāo)相結(jié)合，對(duì)此，我們需要更加嚴(yán)謹(jǐn)?shù)募夹g(shù)干預(yù)對(duì)學(xué)生成功影響的研究”（Frye & Costelloe， 2019）。

（三）研究方法的變化：從以質(zhì)性描述為主轉(zhuǎn)變?yōu)槠蛄炕瘜?shí)證研究

從歷史發(fā)展看，20世紀(jì)90年代后，技術(shù)硬件的無(wú)力與專家系統(tǒng)難以彌合的缺陷使得學(xué)界亟須扭轉(zhuǎn)已經(jīng)陷入瓶頸的傳統(tǒng)AIED研究思路。在此背景下，研究者以系統(tǒng)評(píng)估的視角將機(jī)器“應(yīng)可以自主獲取知識(shí)”作為當(dāng)時(shí)研究的側(cè)重目標(biāo)，提出了諸如“兩個(gè)案例的客體屬性是否相同、待解決的問(wèn)題是否相關(guān)”等實(shí)現(xiàn)機(jī)器自主學(xué)習(xí)的主要設(shè)計(jì)思路?？梢哉f(shuō)，歸納推演成為先前研究者進(jìn)行系統(tǒng)建模及機(jī)器獲得解釋性理解的主要方式。但當(dāng)有學(xué)者指出這種研究取向“存在過(guò)于側(cè)重對(duì)系統(tǒng)建模構(gòu)建的缺陷”時(shí)，美國(guó)學(xué)界的研究視角逐漸向聚焦“技術(shù)之上的教學(xué)”過(guò)渡，從研究熱點(diǎn)看近年來(lái)美國(guó)學(xué)界已經(jīng)完成了研究關(guān)注的轉(zhuǎn)向。尤其是深度學(xué)習(xí)算法的出現(xiàn)使得基于數(shù)據(jù)統(tǒng)計(jì)的建模思路逐漸取代基于案例推理的建模方法成為研究者關(guān)注的新思路，教育數(shù)據(jù)也相應(yīng)成為研究者關(guān)注的重心。在實(shí)踐層面，研究者積極嘗試圍繞教育數(shù)據(jù)驅(qū)動(dòng)形成如教學(xué)機(jī)器人、智能批改、學(xué)習(xí)者數(shù)字肖像、智能導(dǎo)師等典型應(yīng)用場(chǎng)景，通過(guò)對(duì)數(shù)據(jù)的分析實(shí)現(xiàn)了“技術(shù)之上的教學(xué)”規(guī)律的總結(jié);在理論層面，也有不少研究者選擇元分析方法對(duì)先前研究資料進(jìn)行回顧，對(duì)影響智能系統(tǒng)改善學(xué)生成績(jī)效果的可能因素進(jìn)行總結(jié)，并將此作為理論增長(zhǎng)的重要方式。

（四）美國(guó)“教育中的人工智能”研究的反思與不足

從前文對(duì)美國(guó)AIED研究的熱點(diǎn)與歷史發(fā)展的回溯看，重視人工智能與教育質(zhì)量、學(xué)習(xí)效果之間的關(guān)系的研究已經(jīng)成為當(dāng)前美國(guó)學(xué)界進(jìn)行AIED研究的主流趨向。教育研究的重要價(jià)值之一就是促進(jìn)教育理論向教育實(shí)踐的轉(zhuǎn)化。換言之，AIED研究的重要意義就在于使人工智能可以最大限度地兌現(xiàn)其改善教學(xué)績(jī)效的潛力作用。梅耶曾言，任何一種藝術(shù)在被引入教學(xué)領(lǐng)域時(shí)，都會(huì)被人寄予巨大期望（轉(zhuǎn)引自任友群， 等， 2019 a）。但有研究卻指出，從先前技術(shù)的使用效果看，技術(shù)改善教學(xué)績(jī)效的實(shí)際效果未如預(yù)期，而有關(guān)技術(shù)對(duì)學(xué)習(xí)實(shí)際影響研究的缺乏是造成技術(shù)未能發(fā)揮其改變教育潛力的重要原因（任友群， 等， 2019 b）。從前文對(duì)美國(guó)AIED研究熱點(diǎn)與演進(jìn)的梳理看，美國(guó)學(xué)界已經(jīng)注意到了人工智能改善實(shí)際教育效果的復(fù)雜性，更加注重對(duì)人工智能在實(shí)際教學(xué)環(huán)境中使用績(jī)效的研究。如，在研究熱點(diǎn)方面，美國(guó)學(xué)界近年來(lái)開(kāi)始聚焦游戲化學(xué)習(xí)環(huán)境中智能代理的角色研究、情緒感知的教學(xué)實(shí)踐研究等熱點(diǎn)方向;在研究視角方面，美國(guó)學(xué)界更加強(qiáng)調(diào)“學(xué)習(xí)發(fā)生視角”;在教學(xué)策略與方法方面，更加注重對(duì)不同領(lǐng)域、學(xué)科使用人工智能支持教學(xué)可采用的不同教學(xué)方法的總結(jié)以及將學(xué)生成績(jī)表現(xiàn)的“two-sigma”效應(yīng)作為研究績(jī)效的重要追求。這些都表明，美國(guó)學(xué)界可能已經(jīng)意識(shí)到了技術(shù)改善教學(xué)的潛力與技術(shù)改善實(shí)際教學(xué)效果之間存在的鴻溝，而與技術(shù)有關(guān)的教育研究也難以得出普適性的結(jié)論與策略，體現(xiàn)出美國(guó)學(xué)界對(duì)人工智能與實(shí)際教學(xué)績(jī)效之間關(guān)系的關(guān)注。相較于先前有關(guān)技術(shù)對(duì)學(xué)習(xí)實(shí)際影響研究的缺乏，當(dāng)前美國(guó)學(xué)界對(duì)AIED的研究無(wú)疑是明顯進(jìn)步了。

不過(guò)，通過(guò)梳理相關(guān)研究文獻(xiàn)發(fā)現(xiàn)，美國(guó)“教育中的人工智能”研究仍存在一些不足。第一，對(duì)部分下位概念邊界的界定尚不明確。其中最明顯的證據(jù)就是“智慧教育”概念的邊界模糊。有學(xué)者將“智慧教育”理解成是運(yùn)用智能化技術(shù)的智慧教育，但也有學(xué)者從智能概念的視角將智慧教育理解成是一種以培養(yǎng)人的高階思維能力為目標(biāo)的教育，這兩種理解一種側(cè)重于教育方式，一種側(cè)重于教育結(jié)果，二者是有明顯不同的。第二，在理論層面，雖然近年來(lái)有學(xué)者開(kāi)始注重AIED理論的拓展與豐富，但總體而言，基于先前實(shí)證研究的反思在美國(guó)AIED理論研究中所占比例較大，較少有學(xué)者將人工智能教育應(yīng)用與社會(huì)文化、技術(shù)哲學(xué)、人類學(xué)結(jié)合起來(lái)進(jìn)行探究，在一定程度上使AIED理論研究缺少了一個(gè)重要維度。第三，在研究對(duì)象上，過(guò)于偏向大學(xué)生群體，針對(duì)基礎(chǔ)教育階段的研究不多。或許有四個(gè)方面的原因：①受美國(guó)近年來(lái)“以學(xué)生為中心”本科教學(xué)（SC）改革潮流的帶動(dòng);②受人工智能對(duì)勞動(dòng)力市場(chǎng)巨大沖擊的驅(qū)使;③在教學(xué)內(nèi)容重構(gòu)方面，大學(xué)需要根據(jù)社會(huì)分工的變化重新整合設(shè)置專業(yè)，相較于基礎(chǔ)教育，高等教育學(xué)習(xí)內(nèi)容整合改變的自主性更大;④受限于學(xué)生的年齡特征，倫理、安全因素對(duì)基礎(chǔ)教育的影響更大。

[參考文獻(xiàn)]

曹曉明. 2018. “智能+”校園：教育信息化2.0視域下的學(xué)校發(fā)展新樣態(tài)[J]. 遠(yuǎn)程教育雜志，36（04）：57-68.

胡藝齡，胡夢(mèng)華，顧小清. 2018. 兼容并包：從多元走向開(kāi)放創(chuàng)新——美國(guó)AERA 2018年會(huì)述評(píng)[J]. 遠(yuǎn)程教育雜志，36（05）：15-26.

梁迎麗，梁英豪. 2019. 人工智能時(shí)代的智慧學(xué)習(xí)：原理、進(jìn)展與趨勢(shì)[J]. 中國(guó)電化教育（02）：16-21.

牟智佳，王衛(wèi)斌，李雨婷，等. 2018. MOOCs環(huán)境下個(gè)性化學(xué)習(xí)需求預(yù)測(cè)建模與仿真——系統(tǒng)動(dòng)力學(xué)的視角[J]. 電化教育研究，39（11）：29-37.

任友群，萬(wàn)昆，馮仰存. 2019. 促進(jìn)人工智能教育的可持續(xù)發(fā)展——聯(lián)合國(guó)《教育中的人工智能：可持續(xù)發(fā)展的挑戰(zhàn)和機(jī)遇》解讀與啟示[J]. 現(xiàn)代遠(yuǎn)程教育研究（05）：3-10.

塔衛(wèi)剛，張際平. 2018. 我國(guó)學(xué)習(xí)空間研究的進(jìn)展與前瞻——兼論“人工智能+教育”視域下學(xué)習(xí)空間未來(lái)發(fā)展[J]. 遠(yuǎn)程教育雜志，36（06）：31-40.

田國(guó)會(huì)，王曉靜，張營(yíng). 2018. 一種家庭服務(wù)機(jī)器人的環(huán)境語(yǔ)義認(rèn)知機(jī)制[J]. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），46（12）：18-23.

許亞鋒，高紅英. 2018. 面向人工智能時(shí)代的學(xué)習(xí)空間變革研究[J]. 遠(yuǎn)程教育雜志，36（01）：48-60.

閆志明，唐夏夏，秦旋，等. 2017. 教育中的人工智能（EAI）的內(nèi)涵、關(guān)鍵技術(shù)與應(yīng)用趨勢(shì)——美國(guó)《為人工智能的未來(lái)做好準(zhǔn)備》和《國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃》報(bào)告解析[J]. 遠(yuǎn)程教育雜志，35（01）：26-35.

余勝泉，彭燕，盧宇. 2019. 基于人工智能的育人助理系統(tǒng)——“AI好老師”的體系結(jié)構(gòu)與功能[J]. 開(kāi)放教育研究，25（01）：25-36.

余勝泉，王琦. 2019. “AI+教師”的協(xié)作路徑發(fā)展分析[J]. 電化教育研究，40（04）：14-22，29.

王彥雨. 2018. 基于歷史視角分析的強(qiáng)人工智能論爭(zhēng)[J]. 山東科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），20（06）：16-27，35.

張志禎，張玲玲，李芒. 2019. 人工智能教育應(yīng)用的應(yīng)然分析：教學(xué)自動(dòng)化的必然與可能[J]. 中國(guó)遠(yuǎn)程教育（01）：25-35，92.

張志禎，張玲玲，羅瓊菱子，等. 2019. 人工智能教育應(yīng)用的實(shí)然分析：教學(xué)自動(dòng)化的方法與限度[J]. 中國(guó)遠(yuǎn)程教育（03）：1-13，92.

Anderson， J.R.， Corbett， A.T.， Koedinger， K.R.， Pelletier， R. （1995）. Cognitive tutors： Lessons learner： Lessons learned. The Journal of the Learning Sciences， 4 （2） ， 167-207.

Bassi， R.， Daradoumis， T.， Xhafa， F.， Caballe， S.， Sula， A. （2014）. Software Agents In Large Scale Open E-learning： A Critical Component For The Future Of Massive Online Courses. International Conference on Intelligent Networking and Collaborative Systems （pp. 184-188）.

Beck， Je.， Stern， Mk. （1999）. Bringing Back The AI To AI & ED. Artificial Intelligence in Education： Open Learning Environments： New Computational Technologies to Support Learning， Exploration and Collaboration， （50）， 233-240.

Borko， H. （1985）. Artificial-intelligence And Expert Systems Research And Their Possible Impact On Information-science Education. Education for Information， 3（2）， 103-114.

Buchanan， Bg.， Moore， Jd.， Forsythe， De.， Carenini， G.， Ohlsson， S. （1995）. An Intelligent Interactive System For Delivering Individualized Information To Patients. Artificial Intelligence in Medicine， 7 （2）， 117-154.

Collins， Dl.， Santiago， Ng.， Huyke， H.， Papadopoulos， C.， Vega-Riveros， Jf.， Nieves-Rosa， A.， et al. （2015）. Increasing Student Engagement Through The Development Of Interdisciplinary Courses： Linking Engineering And Technology， The Sciences， And The Humanities. 2015 Frontiers in Education Conference （FIE） （pp. 912-916）.

Ellis， G.， Rudnitsky， A.， Moriarty， M. （2010）. Theoretic Stories： Creating Deeper Learning In Introductory Engineering Courses. International Journal of Engineering Education， 26 （5）， 1072-1082

Farook， O.， Sekhar， Cr.， Agrawal， Jp.， Bouktache， E.， Ahmed， A. （2011）. Computer Engineering Technology Program - A Curriculum Innovation Initiative. Asee Annual Conference & Exposition.

Freedman， R. （2018）. Evolution Of Methods Of Evaluation In Ai In Education. Intelligent Tutoring Systems， 428-430.

Frye， M.， Costelloe， S. （2019， May 24）. Using Technology to Support Postsecondary Student Learning from the What Works Clearinghouse. Retrieved July 1， 2019， from https：//ies.ed.gov/blogs/ncee/post/leading-experts-provide-evidence-based-recommendations-on-using- technology-to-support-postsecondary-student-learning

Good， R. （1987 April）. Artificial-intelligence And Science-education. Journal of Research in Science Teaching， 24 （4）， 325-342.

Handoko， E.， Robin， R.， Mcneil， G.， Gronseth， S.， Phan， T.， Zhang， H. Y. （2018）. Igniting the Massive Population Potential： The Role of Self Regulated Learning in Student Achievement in MOOCs. New York： Annual Conference of the American Educational Research Association.

Hsu， Wh. （2015）. Creating Open Source Lecture Materials： A Guide To Trends， Technologies， And Approaches In The Information Sciences. Stem Education： Concepts， Methodologies， Tools， and Applications， 68-94.

Johnson， W. L.， Lester， J. C. （2016）. Face-to-face Interaction With Pedagogical Agents， Twenty Years Later. International Journal of Artificial Intelligence in Education， 26 （1）， 25-36.

Kendall， Je. （1992）. Using Metaphors To Enhance Intelligence In Information-systems - Rationale For An Alternative To Rule-based Intelligence. Ifip Transactions a-computer Science and Technology， （14）， 213-219.

Kim， Y.， Soyata， T.， Behnagh， R. F. （2018， January 10）. Towards Emotionally Aware AI Smart Classroom： Current Issues and Directions for Engineering and Education. IEEE Access， （6）， 5308-5331.

Kim， Y.， Baylor， Al. （2016）. Research-based Design Of Pedagogical Agent Roles： A Review， Progress， And Recommendations. International Journal of Artificial Intelligence in Education， 26 （1）， 160-169.

Kunnath， Mla. （2016）. Virtualized Higher Education： Where E-learning Trends And New Faculty Roles Converge Towards Personalization. International Conference on Information Society （i-society 2016） （pp.109-114）.

Kurshan， B. （2017， May 31）. The future of artificial intelligence in education. Retrieved June 20， 2019， from http：//www.forbes.com/sites/barbarakurshan/2016/03/10the-future-of-artificial-intelligence-in-education/#9e3113d2e4d8

Lamba， R.， Annettac， L.， Vallettb， D.， Sadlerd， T. （2014）. Cognitive diagnostic like approaches using neural-network analysis of serious educational videogames. Computers & Education， （70）， 92-104.

Leake， Db.， Ram， A. （1995）. Learning， Goals， And Learning-goals - A Perspective On Goal-driven Learning. Artificial Intelligence Review， 9 （6）， 387-422.

Li， J.， Wong， Y.， Kankanhali， M. S. （2016）. Multi-stream Deep Learning Framework for Automated Presentation Assessment. 2016 IEEEIntl. Symp. Multimedia （pp. 222-225）.

Matkin， G. W. （2014）. Mooc Research： What Can We Learn And How？. 7th International Conference of Education， Research and Innovation （pp.5276-5281）.

Maxim， Br.， Kaur， R.， Apzynski， C.， Edwards， D.， Evans， E. （2016）. An Agile Software Engineering Process Improvement Game. 2016 IEEE Frontiers in Education Conference （FIE）.

Michael， J. （2001）. In Pursuit Of Meaningful Learning. Advances In Physiology Education， 25 （3）， 145-158.

Parzen， E. （1997）. Data Mining， Statistical Methods Mining， And History Of Statistics. Mining and Modeling Massive Data Sets in Science， Engineering， and Business With a Subtheme in Environmental Statistics， 29 （1）， 365-374.

Roll， I.， Wylie， R. （2016）. Evolution And Revolution In Artificial Intelligence In Education. International Journal of Artificial Intelligence in Education， 26 （2）， 582-599.

Rose， L.， Manolis， M.， Mutlu， C.， Kaska P. P.，Wayne， H.， Bart， R.， et al. （2017）. How Do We Unleash AIED at Scale to Benefit All Teachers and Learners？. Artificial Intelligence in Education， （10）， 665-667.

Sahami， M.， Desjardins， M.， Dodds， Z. Neller， T. （2011）. Neller T.educational Advances In Artificial Intelligence. Proceedings of the 42nd ACM Technical Symposium on Computer Science Education （pp. 81-82）.

Saltzman， E.， Davis， A. R.， Homer， B. D. （2018）. Exploring Collaborative Learning with a Geometry Video Game： The Role of Elaboration and Game Mechanics. New York： Annual Conference of the American Educational Research Association.

Schank， Rc.， Slade， Sb. （1991）. The Future Of Artificial-intelligence - Learning From Experience. Applied Artificial Intelligence， 5 （1）， 97-107.

Self， J. （1999）. The Defining Characteristics Of Intelligent Tutoring Systems Research： ITSs care， precisely. International Journal of Artificial Intelligence in Education， （10）， 350-364.

Tekin， C.， Braun， J.， Van Der Schaar， M. （2015）. Etutor： Online Learning For Personalized Education. 2015 IEEE International Conference on Acoustics， Speech， and Signal Processing （ICASSP） （pp. 5545-5549）.

U. S. Department of Education. （2016， January 1）. Every Student Succeeds Act. Retrieved July 1， 2019， from http：//www.ed.gov/essa？src=policy

Vanlehn， K. （2011）. The Relative Effectiveness of Human Tutoring ，Intelligent Tutoring Systems， and Other Tutoring Systems. Educational Psychologist， （4）， 197-221.

Vernet， D.， Nicolas， R. （2010）. Work in Progress-Intelligence Tutouing Systerm Framework for the Acquisition of Knowledge and Competences. NewYork： 2010 IEEE Frontiers in Education Conference （pp. 1-2）.

Witt， J.， Gish，J. （1996）. Intelligent Advisor To Assist Extruder Operators： A Case Study. Journal of Plastic Film & Sheeting， 12 （3）， 180-194.

Woolf， BP.， Lane， HC.， Chaudhri， VK.， Kolodner， JL. （2013）. AI Grand Challenges for Education. AI Magazine， 34 （4）， 66-84.

Yazdani， M. （1986 May）. Lawler RwArtificial-intelligence And Education - An Overview. Instructional Science， 14 （3/4）， 197-206.

Zhang， Z.， Zhang， Ms.， Chang， Yz.， Esche， S. K.， Chassapis， C. （2016， March 7）. A Smart Method For Developing Game-based Virtual Laboratories. Houston： Proceedings of the ASME International Mechanical Engineering Congress and Exposition， （5）.