奧拉夫·扎瓦克奇-里克特 維多利亞·艾琳·馬林

【摘要】

多種國際報(bào)告顯示教育人工智能是當(dāng)前教育技術(shù)新興領(lǐng)域之一。雖然教育人工智能已有約三十年的歷史，但是目前教育工作者仍然不清楚如何更大規(guī)模地發(fā)揮其在教學(xué)上的優(yōu)勢(shì)，也不清楚現(xiàn)實(shí)中它可能以何種方式對(duì)高等教育教與學(xué)產(chǎn)生有意義的影響。本文旨在通過系統(tǒng)綜述呈現(xiàn)人工智能在高等教育的應(yīng)用研究概況。本研究最初檢索到2007—2018年間發(fā)表的2，656篇論文，根據(jù)明確的收錄和排除標(biāo)準(zhǔn)，最后采用146篇論文作為綜合分析的文獻(xiàn)。描述性結(jié)果顯示，此類論文多數(shù)涉及計(jì)算機(jī)科學(xué)、科學(xué)、技術(shù)、工程和數(shù)學(xué)（STEM）學(xué)科，定量研究方法是實(shí)證研究最常用的方法。對(duì)研究結(jié)果進(jìn)行綜合分析顯示，教育人工智能在學(xué)習(xí)支持服務(wù)和教學(xué)以及行政管理服務(wù)方面的應(yīng)用可以歸為四類：①特征分析和預(yù)測(cè);②考核和評(píng)價(jià);③自適應(yīng)系統(tǒng)和個(gè)性化;④智能輔導(dǎo)系統(tǒng)。文章最后還對(duì)以下問題進(jìn)行反思：對(duì)教育人工智能帶來的挑戰(zhàn)和風(fēng)險(xiǎn)幾乎不見批判性反思、與教學(xué)理論聯(lián)系不密切。必須進(jìn)一步探索符合道德規(guī)范和教育規(guī)律的高等教育人工智能應(yīng)用。

【關(guān)鍵詞】? 人工智能;高等教育;機(jī)器學(xué)習(xí);智能輔導(dǎo)系統(tǒng);綜述

【中圖分類號(hào)】? ?G420? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? B? ? ? ?【文章編號(hào)】? 1009-458x（2020）6-0001-21

導(dǎo)讀：多年來，人工智能（artificial intelligence， AI）在促進(jìn)教育教學(xué)質(zhì)量提升方面被寄予厚望，國內(nèi)外的研究大有日漸升溫之勢(shì)，如同其他教育技術(shù)一樣，AI也博足眼球，引發(fā)人們的豐富遐思。從現(xiàn)有研究成果看，中國是教育AI研究大國之一，發(fā)展教育AI儼然已經(jīng)被提升到國家教育戰(zhàn)略高度。①②2019年由中國政府和聯(lián)合國教科文組織合作舉辦的“國際人工智能與教育大會(huì)”更是彰顯了中國作為教育AI大國的地位，國家最高領(lǐng)導(dǎo)人給大會(huì)發(fā)來賀信，充分肯定AI對(duì)教育發(fā)展的促進(jìn)作用。

在這個(gè)大背景下，全面系統(tǒng)地回顧教育AI的研究成果，客觀認(rèn)識(shí)現(xiàn)階段AI在教育領(lǐng)域的應(yīng)用情況，了解面臨的困難和挑戰(zhàn)，明確進(jìn)一步發(fā)展的方向，應(yīng)該是一件很有意義的事情。正是基于這種考慮，德國奧爾登堡大學(xué)（University of Oldenburg）的奧拉夫·扎瓦克奇-里克特（Olaf Zawacki-Richter）教授與其同事對(duì)2007—2018年間在同行評(píng)審期刊發(fā)表并被EBSCO Education Source、Web of Science和Scopus三家國際知名數(shù)據(jù)庫索引、聚焦AI在高等教育的應(yīng)用并以英語和西班牙語發(fā)表的146篇高質(zhì)量研究論文進(jìn)行深度內(nèi)容分析①，以回答以下三個(gè)問題：

1.高等教育AI研究成果的發(fā)表呈現(xiàn)何種趨勢(shì)？這些成果發(fā)表在哪些期刊？作者的地理分布和學(xué)科背景有何特點(diǎn)？

2.研究者如何理解教育AI？他們認(rèn)為教育AI有可能產(chǎn)生哪些道德上的影響、挑戰(zhàn)和風(fēng)險(xiǎn)？

3.高等教育AI應(yīng)用的本質(zhì)和范圍是什么？

鑒于AI是一個(gè)跨學(xué)科的研究領(lǐng)域，學(xué)界對(duì)其“定義和理解尚未達(dá)成共識(shí)”。文章首先梳理了有關(guān)定義以及AI在高等教育的應(yīng)用可能涉及哪些內(nèi)容和方法?？紤]到短期內(nèi)尚不可能出現(xiàn)“能夠思考，甚至有意識(shí)，而不僅僅是模仿（人類）思維、做出理性行動(dòng)”的AI，即強(qiáng)式或廣義AI，本研究關(guān)注的是“好像真的具有智能一樣”的弱式或狹義AI。文章接著闡述本綜述所采用的研究方法，包括文獻(xiàn)檢索方法、樣本收錄標(biāo)準(zhǔn)、編碼者間信度，以及編碼、數(shù)據(jù)提取和分析過程，也指出本研究的局限。

針對(duì)第一個(gè)研究問題的分析結(jié)果顯示，發(fā)文量隨著時(shí)間的推移呈現(xiàn)上升趨勢(shì)，近年尤為明顯，而刊載此類研究成果的期刊較為分散（146篇論文發(fā)表于104家期刊）。發(fā)文量較多的3家期刊是《國際AIEd期刊》（International Journal of Artificial Intelligence in Education）（n=11）、《計(jì)算機(jī)與教育》（Computers & Education）（n=8）和《國際新興學(xué)習(xí)技術(shù)期刊》（International Journal of Emerging Technologies in Learning）（n=5）。一半研究成果來自美國、中國和土耳其。第一作者主要來自計(jì)算機(jī)科學(xué)院系（42%）和STEM院系（20%），僅有8.9%來自教育學(xué)院系。定量研究方法是實(shí)證研究最常用的方法（73.3%），僅有1篇質(zhì)性研究，8篇采用混合式研究方法，其余（20.5%）為理論性或描述性研究。

針對(duì)第二個(gè)問題的分析結(jié)果顯示，學(xué)界對(duì)AI的理解似乎較為模糊，僅有5篇論文給出清晰定義。有2篇對(duì)挑戰(zhàn)和風(fēng)險(xiǎn)進(jìn)行批判性反思，主要涉及個(gè)人隱私和機(jī)構(gòu)所需投入的經(jīng)費(fèi)和時(shí)間兩個(gè)方面。

針對(duì)第三個(gè)研究問題的分析結(jié)果顯示，AI在高等教育的應(yīng)用集中在學(xué)習(xí)支持服務(wù)和教學(xué)以及行政管理服務(wù)上，可歸為4大類17子類（有些論文出現(xiàn)跨類情況）：①特征分析和預(yù)測(cè)（錄取決定和課程安排;輟學(xué)和保留;學(xué)生模型和學(xué)業(yè)成績）（40%）;②考核和評(píng)價(jià)（自動(dòng)評(píng)分;反饋;評(píng)價(jià)學(xué)生的理解、投入和學(xué)術(shù)誠信;評(píng)價(jià)教學(xué)）（15%）;③自適應(yīng)系統(tǒng)和個(gè)性化（教授課程內(nèi)容;推薦個(gè)性化內(nèi)容;支持教師教學(xué)設(shè)計(jì);使用學(xué)習(xí)數(shù)據(jù)監(jiān)控和指導(dǎo)學(xué)生;用概念圖表征知識(shí)）（18%）;④智能輔導(dǎo)系統(tǒng)（教授課程內(nèi)容;診斷學(xué)生的知識(shí)強(qiáng)項(xiàng)或缺陷并提供自動(dòng)反饋;根據(jù)學(xué)生需要提供學(xué)習(xí)材料;促進(jìn)協(xié)作;教師其他方面的職能）（20%）。這篇綜述詳細(xì)介紹了各（子）類研究的內(nèi)容。

從總體看，AI在高等教育具有廣闊的應(yīng)用前景，但是由于缺乏縱向研究，且以定量研究方法為主，研究結(jié)果對(duì)教育教學(xué)創(chuàng)新的促進(jìn)作用與預(yù)期仍有一段很長距離。這其實(shí)是教育技術(shù)領(lǐng)域的通?。ㄒ姟敖Y(jié)論”的相關(guān)文獻(xiàn)）。本綜述還發(fā)現(xiàn)：

1. 對(duì)教育AI在教學(xué)和倫理道德上可能帶來的挑戰(zhàn)和風(fēng)險(xiǎn)幾乎不見批判性反思。換言之，今后的研究應(yīng)該更多關(guān)注“在教學(xué)、倫理道德、社會(huì)、文化和經(jīng)濟(jì)等方面的意義”，不能囿于AI的技術(shù)能供性層面，尤其要“重新關(guān)注學(xué)習(xí)和教學(xué)法問題，也不應(yīng)該忽視數(shù)字技術(shù)應(yīng)用于教育所涉及的人的因素”。

2. 與教學(xué)理論聯(lián)系不密切。鑒于作者的學(xué)科背景（僅有8.9%來自教育學(xué)院系），缺乏教育視角不足為奇。這同樣是教育技術(shù)研究領(lǐng)域的通病（見“結(jié)論”的相關(guān)文獻(xiàn)）。當(dāng)今技術(shù)決定論在教育教學(xué)實(shí)踐中依然大行其道，而與之呼應(yīng)的是技術(shù)決定論思潮在教育教學(xué)研究中呈愈演愈烈之勢(shì)。澳大利亞莫納什大學(xué)（Monash University）賽爾溫教授是學(xué)界公認(rèn)對(duì)教育技術(shù)秉承理性態(tài)度的學(xué)者，他的“苦口良藥”值得我們高度重視，他指出：“危險(xiǎn)在于把數(shù)據(jù)和編碼看成提供指導(dǎo)和支持的權(quán)威而非相對(duì)的依據(jù)。教育如此復(fù)雜，遠(yuǎn)非可以僅被簡(jiǎn)化為數(shù)據(jù)分析和算法。如同數(shù)字技術(shù)一樣，數(shù)字化數(shù)據(jù)不能提供解決教育窘?jīng)r的技術(shù)良方，不管分析結(jié)果可能顯得有多么大的說服力。”①

作者最后呼吁“必須進(jìn)一步探索符合道德規(guī)范和教育規(guī)律的高等教育AI應(yīng)用”。的確，誠如托尼·貝茨（Tony Bates）所言②，AI在金融、醫(yī)療和市場(chǎng)營銷等領(lǐng)域的成功應(yīng)用經(jīng)驗(yàn)和模式在教育領(lǐng)域不見得同樣可行，把AI視為解決教育問題的靈丹妙藥實(shí)屬炒作行為。他認(rèn)為應(yīng)該從以下幾個(gè)方面檢驗(yàn)AI對(duì)教與學(xué)的促進(jìn)作用：

1.某一款技術(shù)應(yīng)用是否具備“現(xiàn)代”AI的三個(gè)特征：大型數(shù)據(jù)集、大型計(jì)算能力和強(qiáng)大而又恰當(dāng)?shù)乃惴?？與其他媒體技術(shù)（特別是普通計(jì)算機(jī)應(yīng)用）相比，它是否有明顯的優(yōu)勢(shì)？是否促進(jìn)了數(shù)字時(shí)代所需的技能和知識(shí)的培養(yǎng)？

2.是否無意中把某些偏見嵌入所采用的算法中？是否歧視某些群體？

3.是否違背倫理道德規(guī)范侵犯學(xué)生和教師的隱私以及他們?cè)陂_放和民主的社會(huì)所擁有的權(quán)利？

4.結(jié)果是否“可以解釋清楚”？比如，教師或其他相關(guān)人士是否明白為何這款A(yù)I應(yīng)用得出這些結(jié)果或做出這些決定并能向?qū)W生解釋清楚？

貝茨認(rèn)為從扎瓦克奇-里克特教授等的綜述以及其他文獻(xiàn)看，目前教育AI在很大程度上講還不能滿足上述四個(gè)方面的要求。比如，很多AI輔導(dǎo)系統(tǒng)和自適應(yīng)學(xué)習(xí)系統(tǒng)充其量只是普通計(jì)算機(jī)應(yīng)用程序，很多應(yīng)用于教與學(xué)的AI系統(tǒng)主要是為了呈現(xiàn)內(nèi)容和檢測(cè)學(xué)生的理解和記憶，而非促進(jìn)數(shù)字時(shí)代所需的技能和知識(shí)的培養(yǎng)。貝茨最后回到“自動(dòng)化還是賦權(quán)”之問③。的確，如果我們發(fā)展教育AI的目的是通過實(shí)現(xiàn)教育教學(xué)“智能化/自動(dòng)化”，減少對(duì)教師的需求（甚至是取代教師），從而達(dá)到降低教育成本的企圖，那么教育AI的研究方向和應(yīng)用現(xiàn)狀難以有新突破。但是，如果目的是給教師和學(xué)生賦權(quán)，使AI能恰到好處地服務(wù)教育教學(xué)，那么主導(dǎo)AI在教育中應(yīng)用的應(yīng)該是教育工作者和學(xué)生，不是計(jì)算機(jī)科學(xué)家或高科技企業(yè)。更為重要的是，本綜述所總結(jié)的兩大問題——缺乏批判性反思和教育視角也能得以迎刃而解。

AI在教育領(lǐng)域是否“春常在”？我們拭目以待。

我在本綜述尚未定稿時(shí)就已經(jīng)跟扎瓦克奇-里克特教授敲定其中文版在本刊“國際論壇”發(fā)表。衷心感謝他長期以來對(duì)我們的支持和信任！

一、引言

過去幾年，人工智能（Artificial Intelligence， AI）在教育的應(yīng)用日漸升溫，廣為學(xué)界關(guān)注。2018年《地平線報(bào)告》把AI和自適應(yīng)學(xué)習(xí)技術(shù)列為教育技術(shù)的重要發(fā)展（Educause， 2018），并預(yù)期兩三年內(nèi)會(huì)被采用。根據(jù)該報(bào)告，專家預(yù)測(cè)2018—2022年教育AI增長43%，顯然2019年的《地平線報(bào)告》預(yù)計(jì)與教與學(xué)相關(guān)的AI應(yīng)用的增長遠(yuǎn)不止43%（Educause， 2019）?！昂翢o疑問，（AI）這種技術(shù)必定與高等教育的未來聯(lián)系在一起”（Contact North， 2018， p. 5）——這是加拿大一家主要非營利性在線學(xué)習(xí)機(jī)構(gòu)的研究結(jié)論。私營公司在這個(gè)領(lǐng)域投入巨資（如Google花四億美元收購歐洲AI初創(chuàng)企業(yè)Deep Mind），加上非營利性公私合作伙伴機(jī)構(gòu)的出現(xiàn)（如德國人工智能研究中心[Deutsches Forschungszentrum für Künstliche Intelligenz]④），人們目前對(duì)AI的興趣可能很快便會(huì)對(duì)高等教育機(jī)構(gòu)產(chǎn)生重大影響（Popenici & Kerr， 2017）。比如，荷蘭的埃因霍溫科技大學(xué)（Eindhoven University of Technology）最近宣布將啟動(dòng)一個(gè)AI系統(tǒng)，并新增五十個(gè)AI教育和研究的教席。①

學(xué)界對(duì)教育人工智能（AI in education， AIEd）應(yīng)用的研究已有約三十年歷史。國際教育人工智能學(xué)會(huì)（International AIEd Society）成立于1997年，該學(xué)會(huì)出版《國際AIEd期刊》（International Journal of Artificial Intelligence in Education），今年將舉辦第二十屆AIEd年度大會(huì)。然而，AI應(yīng)用有可能在“學(xué)生在校學(xué)習(xí)生涯”（student life cycle）中向他們提供哪些學(xué)習(xí)機(jī)會(huì)——教育工作者剛剛開始研究這一類的問題。

雖然AI有可能提供很多支持教與學(xué)的機(jī)會(huì)，但是AI在高等教育的應(yīng)用從道德層面講也帶來新問題和風(fēng)險(xiǎn)。比如，在財(cái)政緊縮的情況下，學(xué)校行政領(lǐng)導(dǎo)可能經(jīng)不住誘惑采用有利可圖的自動(dòng)化AI方案代替教師的教學(xué)。教師、教學(xué)助理、學(xué)生輔導(dǎo)員和行政人員可能會(huì)擔(dān)心智能導(dǎo)師、專家系統(tǒng)和聊天機(jī)器人將搶去他們的飯碗。AI有進(jìn)一步提升學(xué)習(xí)分析能力的潛能，但是另一方面這些系統(tǒng)離不開大數(shù)據(jù)，包括學(xué)生和教職員工的私密信息，這引起人們對(duì)隱私和數(shù)據(jù)保護(hù)的嚴(yán)重關(guān)切。最近成立的一些機(jī)構(gòu)（如英國教育合乎道德規(guī)范人工智能研究院[Institute for Ethical AI in Education]②）旨在制定管理AIEd道德規(guī)范的框架，2019年4月《分析與政策觀察》（Analysis & Policy Observatory）發(fā)表了一篇有關(guān)澳大利亞制定AI道德框架的討論文章。③

羅素和諾維格（Russel & Norvig， 2010， p. 1020）告誡我們：“所有AI研究者都應(yīng)該注意他們的工作可能會(huì)產(chǎn)生道德上的影響?！币虼?，針對(duì)AI教育應(yīng)用可能帶來哪些道德層面的影響和風(fēng)險(xiǎn)，研究者對(duì)此有何反映呢？這也是我們想了解的問題。本文旨在對(duì)AI在高等教育的應(yīng)用研究進(jìn)行全面述評(píng)。近年來本領(lǐng)域發(fā)展迅速，教育工作者對(duì)AI越來越感興趣，因此這個(gè)綜述是非常必要的。

具體來說，本文希望通過系統(tǒng)文獻(xiàn)述評(píng)回答以下研究問題（參見：Gough， Oliver， & Thomas， 2017; Petticrew & Roberts， 2006）：

①高等教育AI的成果發(fā)表是如何隨著時(shí)間推移發(fā)展的？這些成果發(fā)表在哪些期刊？作者的地理分布和學(xué)科背景有何特點(diǎn)？

②研究者如何理解AIEd？他們認(rèn)為AIEd有可能產(chǎn)生哪些道德上的影響、挑戰(zhàn)和風(fēng)險(xiǎn)？

③AI應(yīng)用于高等教育環(huán)境時(shí)其本質(zhì)和范圍是什么？

AI源于計(jì)算機(jī)科學(xué)和工程學(xué)，但是在很大程度上受到其他學(xué)科的影響，如哲學(xué)、認(rèn)知科學(xué)、神經(jīng)科學(xué)和經(jīng)濟(jì)學(xué)。由于AI領(lǐng)域的跨學(xué)科性，AI研究者對(duì)AI（乃至“智能”）的定義和理解尚未達(dá)成共識(shí)（Tegmark， 2018）。伊諾霍-盧塞納等（Hinojo-Lucena， Aznar-Díaz， & Cáceres-Reche， 2019）指出：“（AI）這種技術(shù)已經(jīng)正在高等教育領(lǐng)域得到應(yīng)用，雖然很多教師不知道其范圍，尤其是不清楚它包含哪些內(nèi)容。”鑒于本研究的目的，我們應(yīng)該澄清有關(guān)術(shù)語的含義。因此，我們擬在下一節(jié)梳理AIEd的各種定義以及AI在高等教育的應(yīng)用可能涉及哪些內(nèi)容和方法。

二、AIEd（教育人工智能）

AI的提出可以追溯到20世紀(jì)50年代，當(dāng)時(shí)約翰·麥卡錫（John McCarthy）在美國達(dá)特茅斯學(xué)院（Dartmouth College）組織一次歷時(shí)兩個(gè)月的工作坊。他在組織這次工作坊的申請(qǐng)報(bào)告中第一次使用AI這個(gè)術(shù)語：“學(xué)習(xí)的每一個(gè)方面或智能的任何其他特征原則上都可以被精確描述，以便機(jī)器能對(duì)其進(jìn)行模仿。（人工智能的）研究將在這種假設(shè)的基礎(chǔ)上進(jìn)行。我們將試圖研究機(jī)器如何使用語言、進(jìn)行抽象和形成概念以解決各種人類問題，并自我改進(jìn)”（McCarthy， 1956， 轉(zhuǎn)引自 Russel & Norvig， 2010， p. 17）。

貝克和史密斯（Baker & Smith， 2019， p. 10）的AI定義更寬泛：“（AI用于描述）執(zhí)行通常與人腦相關(guān)，尤其是學(xué)習(xí)和解決問題之類的認(rèn)知任務(wù)的計(jì)算機(jī)?！彼麄兘忉屨fAI不是指任何一種單獨(dú)的技術(shù)，而是一個(gè)統(tǒng)稱，用于描述各種技術(shù)和方法，比如機(jī)器學(xué)習(xí)、自然語言處理、數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)或算法。

AI和機(jī)器學(xué)習(xí)經(jīng)常同時(shí)出現(xiàn)在文獻(xiàn)中。機(jī)器學(xué)習(xí)是AI的一種方法，用于監(jiān)督和非監(jiān)督分類和特征分析，比如可用來預(yù)測(cè)某個(gè)學(xué)生輟學(xué)或被錄取的可能性，或者識(shí)別書面作業(yè)的主題。帕皮尼奇和科爾（Popenici & Kerr， 2017， p. 2）把機(jī)器學(xué)習(xí)定義為“AI領(lǐng)域的一個(gè)分支，包括能夠辨別模式、做出預(yù)測(cè)和把新發(fā)現(xiàn)的模式應(yīng)用于非原先設(shè)計(jì)所涵蓋的情景的軟件?！?/p>

理性代理（rational agents）是AI的核心概念?！按砜梢员豢醋魇悄芡ㄟ^傳感器來感知周圍環(huán)境并通過執(zhí)行器對(duì)該環(huán)境采取行動(dòng)的任何東西”（Russel & Norvig， 2010， p. 34）。真空清潔器機(jī)器人就是一種智能代理的簡(jiǎn)單形式，但是如果我們講的是自動(dòng)駕駛出租車，情況就變得非常復(fù)雜、充滿各種可能性了。

AI有強(qiáng)式和弱式（Russel & Norvig， 2010， p. 1020）或狹義和廣義之分（Baker & Smith， 2019， p. 10）。未來機(jī)器是否能夠思考，甚至有意識(shí)，而不僅僅是模仿（人類）思維、做出理性行動(dòng)？這是一個(gè)哲學(xué)問題。短期內(nèi)可能不會(huì)出現(xiàn)這種強(qiáng)式或廣義AI。因此，本文僅對(duì)“老式AI”（GOFAI，即good old-fashioned AI的縮略詞，是哲學(xué)家約翰·豪奇蘭德[John Haugeland]1985年創(chuàng)造的術(shù)語）在高等教育的應(yīng)用研究文獻(xiàn)進(jìn)行述評(píng)。換言之，這些代理和信息系統(tǒng)好像真的具有智能一樣。

“老式AI”可能在哪些方面應(yīng)用于教育，尤其是高等教育？盧金等（Luckin， et al.， 2016）把今天應(yīng)用于教育領(lǐng)域的AI軟件分為三類：私人導(dǎo)師、協(xié)作學(xué)習(xí)智能支持系統(tǒng)和智能虛擬現(xiàn)實(shí)。

智能輔導(dǎo)系統(tǒng)（Intelligent tutoring systems， ITS）可用于模擬一對(duì)一私人輔導(dǎo)。它們能根據(jù)學(xué)習(xí)者模型、算法和神經(jīng)網(wǎng)絡(luò)決定某個(gè)學(xué)習(xí)者的學(xué)習(xí)路徑和應(yīng)該選擇什么內(nèi)容，提供認(rèn)知上的指導(dǎo)和幫助，與學(xué)生進(jìn)行對(duì)話。ITS有巨大的應(yīng)用潛能，尤其是對(duì)大型遠(yuǎn)程教學(xué)機(jī)構(gòu)而言，因?yàn)檫@些機(jī)構(gòu)的課程報(bào)讀人數(shù)數(shù)以萬計(jì)，不可能提供一對(duì)一輔導(dǎo)。大量研究顯示學(xué)習(xí)是一項(xiàng)社會(huì)活動(dòng)，學(xué)習(xí)的實(shí)質(zhì)是交互和協(xié)作（比如，Jonassen， et al.， 1995）。然而，在線協(xié)作離不開指導(dǎo)，必須有人主持此類活動(dòng)（Salmon， 2000）。AIEd能夠根據(jù)學(xué)習(xí)者模型支持自適應(yīng)分組，指導(dǎo)在線小組交互，或總結(jié)討論情況供教師用于指導(dǎo)學(xué)生朝著達(dá)成課程目標(biāo)的方向努力，因此有助于促進(jìn)協(xié)作學(xué)習(xí)。至于建立在ITS基礎(chǔ)上的智能虛擬現(xiàn)實(shí)，則可以用于吸引和指導(dǎo)學(xué)生參加增強(qiáng)現(xiàn)實(shí)和基于游戲的學(xué)習(xí)環(huán)境下的學(xué)習(xí)。比如，在虛擬或遠(yuǎn)程實(shí)驗(yàn)室，虛擬代理可以充當(dāng)教師、學(xué)習(xí)指導(dǎo)者或?qū)W習(xí)伙伴（Perez， et al.， 2017）。

隨著AIEd的發(fā)展和學(xué)生（大）數(shù)據(jù)以及學(xué)習(xí)分析已成為可能，盧金等（Luckin， et al.， 2016， p. 35）主張“（學(xué)習(xí)）考核的復(fù)興”（renaissance in assessment）。AI能及時(shí)提供反饋和考核結(jié)果。我們不必要求學(xué)生暫停學(xué)習(xí)參加考核，而是可以把AIEd嵌入學(xué)習(xí)活動(dòng)中，持續(xù)分析學(xué)生進(jìn)步。算法則已經(jīng)被用來預(yù)測(cè)某個(gè)學(xué)生不能完成作業(yè)或輟學(xué)的概率，而且準(zhǔn)確率很高（比如：Bahadir， 2016）。

貝克和史密斯（Baker & Smith， 2019）從三個(gè)方面分析教育AI工具：①面向?qū)W生的AIEd;②面向教師的AIEd;③面向系統(tǒng)的AIEd。面向?qū)W生的AI工具指學(xué)生用于學(xué)習(xí)學(xué)科內(nèi)容的軟件，如自適應(yīng)或個(gè)性化學(xué)習(xí)管理系統(tǒng)或ITS。面向教師的系統(tǒng)則用于向教師提供支持服務(wù)，通過管理工作、考核、反饋和剽竊檢測(cè)等的自動(dòng)化減輕教師工作量。AIEd工具還能提供學(xué)生學(xué)習(xí)進(jìn)步情況分析，教師因此能夠未雨綢繆提供必要的支持服務(wù)和指導(dǎo)。面向系統(tǒng)的AIEd則能向?qū)W校行政管理人員和業(yè)務(wù)管理人員提供信息，比如監(jiān)控各學(xué)院的學(xué)生流失模式。

我們把高等教育的“學(xué)生在校學(xué)習(xí)生涯”（Reid， 1995）用作描述機(jī)構(gòu)和行政管理層面以及支持教與學(xué)的各種基于AI的服務(wù)框架。

三、方法

綜述旨在通過使用清晰、系統(tǒng)和可復(fù)制的檢索方法，根據(jù)相關(guān)標(biāo)準(zhǔn)對(duì)檢索結(jié)果予以收錄或排除，以回答具體問題（Gough， Oliver， & Thomas， 2012）。然后對(duì)樣本進(jìn)行數(shù)據(jù)編碼和提取，以便綜合分析研究發(fā)現(xiàn)，揭示它們的實(shí)際應(yīng)用情況，發(fā)現(xiàn)存在的不足或矛盾。本研究的樣本是146篇高等教育AI的論文。

（一）檢索方法

最初的檢索詞（見表1）和標(biāo)準(zhǔn)（見表2）包括以英語發(fā)表、同行評(píng)審的論文，這些論文涉及AI在各層次教育中的應(yīng)用并且被三個(gè)國際數(shù)據(jù)庫索引：EBSCO Education Source、Web of Science和Scopus（標(biāo)題、摘要和關(guān)鍵詞）。雖然學(xué)界對(duì)同行評(píng)審有些疑慮（比如：Smith，2006），本研究的樣本僅限于發(fā)表在同行評(píng)審期刊的論文。一般而言，這些期刊能贏得學(xué)界信任，遵循嚴(yán)格評(píng)審程序（Nicholas， et al.， 2015）。文獻(xiàn)檢索于2018年11月進(jìn)行，最初檢索到2，656篇文章。

剔除重復(fù)文章之后，我們決定把文章發(fā)表時(shí)間限于2007年或之后，因?yàn)檫@一年iPhone推出Siri。這是一款基于算法的個(gè)人助理，原先是美國國防高級(jí)研究計(jì)劃署（US Defense Advanced Research Projects Agency）資助的一個(gè)AI項(xiàng)目，后來轉(zhuǎn)變?yōu)橐患夜静⒈惶O果公司收購了。我們還決定把收錄范圍僅限于討論高等教育AI應(yīng)用的文章。

（二）甄別和編碼者間信度

三位編碼者對(duì)1，549篇論文的標(biāo)題和摘要進(jìn)行甄別。這個(gè)階段的甄別要求編碼者具有敏感性而不是詳細(xì)分析，目的是決定哪些論文可以錄用。我們定期對(duì)第一批80篇論文是否符合收錄標(biāo)準(zhǔn)進(jìn)行討論，以達(dá)成共識(shí)。我們隨機(jī)抽出20篇論文，評(píng)估三位編碼者（A、B和C）的編碼情況，并使用科恩 kappa（κ）系數(shù)檢查編碼者間信度（Cohen， 1960），了解不同評(píng)估者意見一致的程度（Neumann， 2007， p. 326）。Kappa值0.40～0.60、0.60～0.75和0.75以上分別被視為中、良和優(yōu)（Bakeman & Gottman， 1997; Fleiss， 1981）。編碼者A和B的編碼一致程度是κ=0.79，A和C是κ=0.89，B和C是κ=0.69（median=0.79）。因此，本研究的編碼者間信度達(dá)到“優(yōu)”等級(jí)。

經(jīng)過最初的甄別之后，剩下332篇論文進(jìn)行全文甄別（見圖1）。但是，其中有41篇論文無法檢索到全文，通過圖書館訂購系統(tǒng)和聯(lián)系作者均未果。因此，我們對(duì)其余291篇文章的全文進(jìn)行甄別和編碼，進(jìn)一步排除了145篇，最終剩下146篇。①

（三）編碼、數(shù)據(jù)提取和分析

所有文章被上載專門軟件EPPI Reviewer②以提取數(shù)據(jù)，并制定編碼系統(tǒng)。編碼包括文章信息（發(fā)表年份、期刊名稱、作者國籍和第一作者學(xué)科背景）、研究設(shè)計(jì)和過程（實(shí)證或描述性、教育場(chǎng)景）和如何應(yīng)用AI（學(xué)生在校學(xué)習(xí)生涯中的應(yīng)用、具體的應(yīng)用和方法）。此外，還對(duì)文章是否闡述AI的挑戰(zhàn)和益處以及是否對(duì)AI進(jìn)行定義進(jìn)行編碼。描述性數(shù)據(jù)分析在R-tidyr包統(tǒng)計(jì)軟件進(jìn)行（Wickham & Grolemud， 2016）。

（四）局限

雖然本綜述方法嚴(yán)謹(jǐn)，但是任何綜述均受到其檢索方法的限制。我們選擇三個(gè)大型國際性教育研究數(shù)據(jù)庫，規(guī)定錄入文章必須是以英語或西班牙語發(fā)表并經(jīng)同行評(píng)審，因此本綜述不包括其他語言的文章。同樣，會(huì)議論文、論文集論文、灰色文獻(xiàn)（grey literature）以及雖被上述三個(gè)數(shù)據(jù)庫索引但不是學(xué)術(shù)期刊論文等均被排除在外。此外，雖然我們把西班牙語同行評(píng)審作為錄入標(biāo)準(zhǔn)之一，但是檢索詞并不包含西班牙語，因此會(huì)影響對(duì)西班牙語文章的檢索。今后的研究可以考慮增加數(shù)據(jù)庫數(shù)量、出版/發(fā)表類型和語言等，以擴(kuò)大述評(píng)范圍。但是，此時(shí)必須認(rèn)真考慮所需的資源和實(shí)際操作上的難度。

四、結(jié)果

（一）期刊、作者和方法

1. 年發(fā)文量

從2007年起發(fā)文量顯著上升，2007年僅有6篇，到了2018年已經(jīng)增加到23篇（見圖2）。

2. 發(fā)文期刊

146篇文章發(fā)表于104家期刊，發(fā)文最多的三家是《國際AIEd期刊》（International Journal of Artificial Intelligence in Education）（n=11）、《計(jì)算機(jī)與教育》（Computers & Education）（n=8）和《國際新興學(xué)習(xí)技術(shù)期刊》（International Journal of Emerging Technologies in Learning）（n=5）。表3列舉了2007—2018年至少發(fā)表兩篇AIEd論文的期刊。

3. 國家和地區(qū)分布

我們根據(jù)第一作者的國籍對(duì)他們的地理分布進(jìn)行分析（n=38個(gè)國家和地區(qū)）。表4顯示發(fā)文量至少兩篇的19個(gè)國家和地區(qū)，另外，美國、中國（含臺(tái)灣地區(qū)）和土耳其的發(fā)文量占全部樣本的50%。

4. 作者所屬部門

如同其他國家和地區(qū)分布一樣，我們僅分析第一作者的供職部門（見表5）。來自計(jì)算機(jī)科學(xué)院系的作者發(fā)文量最大（n=61），科學(xué)、技術(shù)、工程和數(shù)學(xué)（STEM）院系次之（n=29）。僅有9位第一作者來自教育學(xué)院系，有些作者同時(shí)供職于教育學(xué)和計(jì)算機(jī)科學(xué)院系（n=2）、教育學(xué)和心理學(xué)院系（n=1）或教育學(xué)和STEM院系（n=1）。

5. 方法

編碼結(jié)果顯示，30篇文章（20.5%）是理論性或描述性研究。大多數(shù)研究（73.3%）采用定量方法，僅有1篇（0.7%）是質(zhì)性研究，8篇（5.5%）采用混合式方法。這項(xiàng)質(zhì)性研究對(duì)英語為第二語言的學(xué)生進(jìn)行訪談，目的是對(duì)自動(dòng)作文評(píng)分系統(tǒng)和教師評(píng)分所提供的書面評(píng)語進(jìn)行比較（Dikli， 2010）。很多研究采用準(zhǔn)實(shí)驗(yàn)方法，即把樣本分成實(shí)驗(yàn)組（使用AI應(yīng)用程序，如ITS）和控制組（常規(guī)教學(xué)），并進(jìn)行前測(cè)和后測(cè)（比如：Adamson， Dyke， Jang， & Rosé， 2014）。

（二）對(duì)AI的理解和批判性反思挑戰(zhàn)與風(fēng)險(xiǎn)

146篇文章涉及不同類型和層次的AI，但是僅有5篇（3.4%）給出AI的清晰定義。這5篇文章指出AI的主要特點(diǎn)是AI與人腦的相似之處。作者們把AI理解為智能計(jì)算機(jī)系統(tǒng)或具有人類特點(diǎn)的智能代理，如能夠記憶知識(shí)、如同人一樣能夠感知和利用環(huán)境、能夠理解人類自然語言等（Huang， 2018; Lodhi， et al.， 2018; Huang， 2018; Welham， 2008）。多迪格維克（Dodigovic， 2007）的AI定義是：“AI是一個(gè)用于指模仿智慧生物的機(jī)器的術(shù)語……AI是一個(gè)跨學(xué)科的知識(shí)和研究領(lǐng)域，旨在了解人腦的運(yùn)作并在技術(shù)設(shè)計(jì)中應(yīng)用人腦運(yùn)作原理。在語言學(xué)習(xí)和教學(xué)中，AI可被用于模仿教師或?qū)W習(xí)者的行為?！倍嗟细窬S克是唯一一個(gè)來自藝術(shù)、人文與社會(huì)科學(xué)院系又對(duì)AI進(jìn)行定義的作者，因此她把AI與第二語言學(xué)習(xí)的智能導(dǎo)師聯(lián)系在一起。

146篇論文中僅有2篇（1.4%）批判性反思AI應(yīng)用于教育在道德層面的問題、挑戰(zhàn)和風(fēng)險(xiǎn)。比例之低令人難以置信。李（Li， 2007）在文章中表達(dá)了對(duì)智能代理支持下在線學(xué)習(xí)的隱私關(guān)切：“在開展基于代理的個(gè)性化教育時(shí)隱私也是一個(gè)重要關(guān)切。如上所述，代理能夠自動(dòng)收集學(xué)生的很多個(gè)人信息，如學(xué)習(xí)風(fēng)格和學(xué)習(xí)能力。事實(shí)上，個(gè)人信息是私有的。很多學(xué)生不想別人知道自己的隱私信息（如學(xué)習(xí)風(fēng)格和學(xué)習(xí)能力）。學(xué)生可能會(huì)擔(dān)心教師出于特殊學(xué)習(xí)需要而根據(jù)學(xué)習(xí)表現(xiàn)區(qū)別對(duì)待學(xué)生。因此，必須先解決隱私問題，然后才采用基于代理的個(gè)性化教與學(xué)技術(shù)?！?/p>

韋勒姆（Welham， 2008）提到應(yīng)用AI的另一個(gè)挑戰(zhàn)，即很多公立學(xué)校無法承擔(dān)開發(fā)和引進(jìn)基于AI方法所需的費(fèi)用和時(shí)間。

（三）AI在高等教育的應(yīng)用

如上所述，我們以學(xué)生在校學(xué)習(xí)生涯（Reid， 1995）這個(gè)概念為框架描述機(jī)構(gòu)和行政管理層面各種基于AI的服務(wù)（如入學(xué)錄取、咨詢輔導(dǎo)、圖書館服務(wù)等）和教與學(xué)層面的學(xué)習(xí)支持服務(wù)（如考核、反饋和學(xué)習(xí)輔導(dǎo)等）。編碼結(jié)果顯示，92篇論文（63.0%）是圍繞學(xué)習(xí)支持服務(wù)的研究，48篇（32.8%）聚焦機(jī)構(gòu)和行政管理服務(wù)研究，6篇（4.1%）涉及上述兩個(gè)領(lǐng)域服務(wù)的研究。大多數(shù)研究（n=91，62.3%）的對(duì)象是本科生，以研究生為研究對(duì)象的只有11篇論文（7.5%），另有44篇（30.1%）沒有說明研究對(duì)象的層次。

迭代編碼的結(jié)果表明，146篇論文涉及的AI應(yīng)用可分為四個(gè)方面，共17個(gè)子類。這四個(gè)方面是：①特征分析和預(yù)測(cè);②考核和評(píng)價(jià);③自適應(yīng)系統(tǒng)和個(gè)性化;④智能輔導(dǎo)系統(tǒng)（見表6）。

1. 特征分析和預(yù)測(cè)

很多AI應(yīng)用以學(xué)習(xí)者模型和特征分析為基礎(chǔ)進(jìn)行預(yù)測(cè)，如預(yù)測(cè)學(xué)生輟學(xué)或被某個(gè)專業(yè)錄取的概率，以便在學(xué)習(xí)過程中針對(duì)具體問題及時(shí)提供支持或反饋和指導(dǎo)。分類、建模和預(yù)測(cè)是教育數(shù)據(jù)挖掘不可或缺的一部分（Krishna， Kumar， & Sri， 2018）。

多數(shù)研究（55.2%，n=32）涉及機(jī)構(gòu)和行政管理層面的問題，很多研究（36.2%，n=21）涉及課程的教與學(xué)，還有少數(shù)（8.6%，n=5）同時(shí)涉及這兩方面問題?！疤卣鞣治龊皖A(yù)測(cè)”類文章包括三個(gè)子類：錄取決定和課程安排（n=7）、輟學(xué)和保留（n=23）、學(xué)生模型和學(xué)業(yè)成績（n=27）。另有1篇是研究成本預(yù)測(cè)，對(duì)一所中國大學(xué)用于支持基于人工神經(jīng)網(wǎng)絡(luò)的管理決策的成本進(jìn)行預(yù)測(cè)（Ge & Xie， 2015）。

這一類全部58項(xiàng)研究均采用機(jī)器學(xué)習(xí)方法對(duì)模式進(jìn)行識(shí)別和分類并對(duì)學(xué)生特征進(jìn)行建模以實(shí)現(xiàn)預(yù)測(cè)。因此，它們都是定量研究。很多研究使用幾種機(jī)器學(xué)習(xí)算法（如ANN、SVM、RF、NB，見表7）①并將它們的總體預(yù)測(cè)準(zhǔn)確度與常規(guī)的邏輯回歸進(jìn)行比較。表7顯示所有研究均證明機(jī)器學(xué)習(xí)方法在分類準(zhǔn)確度上優(yōu)于邏輯回歸。我們還可以使用F1分?jǐn)?shù)評(píng)估分類器（classifiers）的表現(xiàn)（Umer， et al.，2017;關(guān)于診斷性準(zhǔn)確率方法另見?imundi， 2009）。F1分?jǐn)?shù)的值介于0～1之間，最佳值是1（最佳精確率和召回率）。一項(xiàng)根據(jù)在線討論參與情況預(yù)測(cè)學(xué)生小組項(xiàng)目表現(xiàn)的研究顯示，J48、NB和SVM的F1分?jǐn)?shù)值很高，分別是0.848、0.911和0.914（Yoo & Kim， 2013）。

（1）錄取決定和課程安排

有研究指出：“準(zhǔn)確預(yù)測(cè)學(xué)生的學(xué)業(yè)表現(xiàn)對(duì)做出錄取決定和提供更好的教育服務(wù)非常重要”（Chen & Do， 2014）。有四項(xiàng)研究旨在預(yù)測(cè)有意愿申請(qǐng)入學(xué)的人是否會(huì)被大學(xué)錄取。比如：阿昔克卡爾和阿凱（Acikkar & Akay， 2009）根據(jù)體能測(cè)試、全國入學(xué)考試成績和中學(xué)畢業(yè)的平均積分點(diǎn)（GPA）為土耳其一所體育和運(yùn)動(dòng)學(xué)校挑選候選人，他們使用SVM技術(shù)對(duì)學(xué)生進(jìn)行分類并預(yù)測(cè)錄取決定，2006年的準(zhǔn)確率是97.1%，2007年是90.51%。SVM也被安德里斯等（Andris， Cowen， & Wittenbach， 2013）用于研究可能偏向于來自美國某些地區(qū)申請(qǐng)入學(xué)者的空間模式（spatial patterns）。馮等（Feng， Zhou， & Liu， 2011）以中國25個(gè)省份的入學(xué)數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，使用ANN模型預(yù)測(cè)其他省份的注冊(cè)率。機(jī)器學(xué)習(xí)方法和ANN也被用于預(yù)測(cè)學(xué)生選課行為以支持課程安排。凱丹等（Kardan， Sadeghi， Ghidary， & Sani， 2013）調(diào)查影響學(xué)生選課的因素，比如課程和教師特點(diǎn)、學(xué)習(xí)量、教學(xué)方式和考試時(shí)間，并建構(gòu)一個(gè)模型，使用ANN預(yù)測(cè)兩個(gè)計(jì)算機(jī)工程和信息技術(shù)碩士專業(yè)的選課情況。凱丹等（Kardan & Sadeghi， 2013）的另一項(xiàng)研究是提出一個(gè)開課決策支持系統(tǒng)?？偟目磥恚瑢?duì)錄取決定預(yù)測(cè)的準(zhǔn)確率能夠達(dá)到很高水平，因此AI方案可以減輕行政管理人員的工作量，使他們能夠集中精力處理更難的問題。

（2）輟學(xué)和保留

這一類研究旨在開發(fā)早期預(yù)警系統(tǒng)，以便能夠在學(xué)生入學(xué)第一年發(fā)現(xiàn)“危機(jī)”學(xué)生（比如：Alkhasawneh & Hargraves， 2014; Aluko， et al.， 2016; Hoffait & Schyns， 2017; Howard， Meehan， & Parnell）或預(yù)測(cè)本科生的總體流失情況（比如：Oztekin， 2016; Raju & Schumacker， 2015）。德倫（Delen， 2011）收集美國一所大學(xué)過去八年25，224名新生的數(shù)據(jù)，使用ANN、決策樹和邏輯回歸三種分類技術(shù)預(yù)測(cè)輟學(xué)情況。學(xué)生數(shù)據(jù)包括與他們的人口統(tǒng)計(jì)信息、學(xué)習(xí)情況和經(jīng)濟(jì)情況相關(guān)的變量（如性別、年齡、民族、GPA、托福成績、財(cái)政資助、學(xué)生貸款等）。根據(jù)十折交叉驗(yàn)證的結(jié)果，德倫發(fā)現(xiàn)ANN模型準(zhǔn)確率最高（81.19%）（見表7），其結(jié)論是預(yù)測(cè)學(xué)生輟學(xué)的最重要因素是學(xué)生過去和現(xiàn)在的成績以及他們是否獲得財(cái)政支持。蘇塔娜等（Sultana， Khan， & Abbas， 2017）討論了工程學(xué)本科生的認(rèn)知和非認(rèn)知特征對(duì)預(yù)測(cè)其學(xué)習(xí)表現(xiàn)的影響。與其他很多研究相比，他們重點(diǎn)研究能提高預(yù)測(cè)準(zhǔn)確率的非認(rèn)知因素，即時(shí)間管理、自我概念、自我評(píng)價(jià)、領(lǐng)導(dǎo)力和社區(qū)支持。

（3）學(xué)生模型和學(xué)業(yè)成績

很多研究旨在分析學(xué)生特征并對(duì)他們的行為進(jìn)行建模，以預(yù)測(cè)課程學(xué)習(xí)成績。侯賽因等（Hussain， et al.， 2018）使用幾種機(jī)器學(xué)習(xí)算法分析來自英國開放大學(xué)虛擬學(xué)習(xí)環(huán)境的學(xué)生行為數(shù)據(jù)，以便預(yù)測(cè)學(xué)生的學(xué)習(xí)投入。這對(duì)于一所大型遠(yuǎn)程教學(xué)大學(xué)來講尤為重要，因?yàn)椴豢赡芙M織絕大多數(shù)學(xué)生參加面授輔導(dǎo)。該研究旨在開發(fā)一個(gè)智能預(yù)測(cè)系統(tǒng)，使教師能夠自動(dòng)識(shí)別學(xué)習(xí)投入不足的學(xué)生并進(jìn)行干預(yù)。斯皮科爾等（Spikol， Ruffaldi， Dabisias， & Cukurova， 2018）在工程學(xué)學(xué)生的工作坊上通過人臉和手勢(shì)跟蹤技術(shù)評(píng)估他們?cè)诨陧?xiàng)目的學(xué)習(xí)中的進(jìn)步情況，他們的結(jié)論是多模態(tài)數(shù)據(jù)所產(chǎn)生的結(jié)果能使教師更好地了解基于項(xiàng)目學(xué)習(xí)活動(dòng)的主要特征。布利克斯坦等（Blikstein， et al.， 2014）根據(jù)學(xué)生在軟件開發(fā)項(xiàng)目創(chuàng)建的150，000份代碼記錄，研究他們學(xué)習(xí)計(jì)算機(jī)編程的模式，發(fā)現(xiàn)他們這個(gè)基于編程過程的模型比期中成績有更好的預(yù)測(cè)力。巴比奇（Babi， 2017）則是根據(jù)學(xué)生在在線學(xué)習(xí)環(huán)境的行為開發(fā)一個(gè)預(yù)測(cè)他們學(xué)習(xí)動(dòng)力的模型。學(xué)生模型的研究是設(shè)計(jì)ITS和自適應(yīng)學(xué)習(xí)環(huán)境的一個(gè)重要基礎(chǔ)。

2. ITS

研究ITS的29篇文章，除了1篇是針對(duì)機(jī)構(gòu)和行政管理層面問題外，其余均是針對(duì)教與學(xué)層面的問題。針對(duì)機(jī)構(gòu)和行政管理層面問題的這一項(xiàng)研究介紹了一款交互性智能學(xué)生助理StuA，能夠回答大學(xué)新生有關(guān)教師、考試、課外活動(dòng)、圖書館服務(wù)等方面的問題（Lodhi， Mishra， Jain， & Bajaj， 2018）。

這些研究經(jīng)常使用“智能（在線）導(dǎo)師”或“智能輔導(dǎo)系統(tǒng)”（比如：Dodigovic， 2007; Miwa， Terai， Kanzaki， & Nakaike， 2014）等名稱，雖然也有使用其他名稱的，如“智能（軟件）代理”（比如：Schiaffino， Garcia， & Amandi， 2008）或“智能助理”（比如：Casamayor， Amandi， & Campo， 2009; Jeschike， et al.， 2007）。根據(jù)韋勒姆（Welham， 2008）的研究，最早見諸報(bào)道的ITS是1970年推出的SCHOLAR系統(tǒng)，該系統(tǒng)允許師生相互提問但不支持持續(xù)對(duì)話。

有研究（Huang & Chen， 2016）介紹了ITS通常包含的模型：學(xué)生模型（如有關(guān)學(xué)生知識(shí)水平、認(rèn)知能力、學(xué)習(xí)動(dòng)力和學(xué)習(xí)風(fēng)格等的信息）、教師模型（如分析學(xué)生現(xiàn)狀、選擇教學(xué)策略和模式、提供幫助和指導(dǎo)等）、領(lǐng)域模型（如學(xué)生和教師的知識(shí)表征）和診斷模型（如根據(jù)領(lǐng)域模型對(duì)錯(cuò)誤和缺陷進(jìn)行評(píng)估）。

這些研究對(duì)ITS的應(yīng)用和驗(yàn)證通常持續(xù)時(shí)間不長（一門課程或一個(gè)學(xué)期），只有一項(xiàng)縱向研究（Jackson & Cossitt， 2015）。多數(shù)研究顯示（一定程度）積極或令人滿意的初步結(jié)果，但是它們沒有考慮新技術(shù)應(yīng)用于教育時(shí)可能會(huì)產(chǎn)生的新奇效應(yīng)（novelty effect）。有一項(xiàng)研究呈現(xiàn)基于IT的支持服務(wù)產(chǎn)生負(fù)面影響（Adamson， et al.， 2014）;如果研究者也考慮該研究涉及的學(xué)習(xí)者類型這個(gè)因素，研究結(jié)果可能更有價(jià)值。

總體看，ITS的作用尚待進(jìn)一步研究。五年前斯滕貝亨-胡和庫珀（Steenbergen-Hu & Cooper， 2014）對(duì)39項(xiàng)ITS研究進(jìn)行元分析，結(jié)果發(fā)現(xiàn)ITS對(duì)學(xué)生的學(xué)習(xí)有一定影響，其作用不如教師輔導(dǎo)，但卻優(yōu)于其他教學(xué)方法（如傳統(tǒng)課堂教學(xué)、閱讀印刷或數(shù)字化文本、完成家庭作業(yè)）。

根據(jù)本綜述的文獻(xiàn)，ITS的功能可分為教授課程內(nèi)容（n=12）、診斷學(xué)生的知識(shí)強(qiáng)項(xiàng)或缺陷和提供自動(dòng)反饋（n=7）、根據(jù)學(xué)生需要提供學(xué)習(xí)材料（n=3）、促進(jìn)學(xué)習(xí)者協(xié)作（n=2）和教師其他方面的職能（n=5）。

（1）教授課程內(nèi)容

這一類有四項(xiàng)研究涉及教授計(jì)算機(jī)科學(xué)內(nèi)容（Dobre， 2014; Hooshyar， Ahmad， Yousefi， Yusop， & Horng， 2015; Howard， Jordan， di Eugenio， & Katz， 2017; Shen & Yang， 2011）。其他研究包括教授數(shù)學(xué)（Miwa， et al.， 2014）、商業(yè)統(tǒng)計(jì)與會(huì)計(jì)（Jackson & Cossitt， 2015; Palocsay & Stevens， 2008）、醫(yī)學(xué)（Payne， et al.， 2009）和心理學(xué)本科生的寫作和閱讀理解策略（Ray & Belden， 2007; Weston-Sementelli， Allen， & McNamara， 2018）?？傮w看，ITS在這些研究中的主要目的是向?qū)W生推送教學(xué)內(nèi)容，同時(shí)也提供學(xué)習(xí)支持（提供自適應(yīng)反饋以及涉及學(xué)習(xí)內(nèi)容的問題的提示，發(fā)現(xiàn)學(xué)生在學(xué)習(xí)課程內(nèi)容或完成練習(xí)過程碰到的困難或出現(xiàn)的錯(cuò)誤）。

克朗等（Crown， et al.， 2011）把教授內(nèi)容和與聊天機(jī)器人的對(duì)話結(jié)合起來，即學(xué)生同時(shí)也從這種對(duì)話中學(xué)到知識(shí)，他們稱之為“基于文本的聊天代理”。這種教學(xué)方法更能促進(jìn)具有主動(dòng)性、反思性和思考性的以學(xué)生為中心的學(xué)習(xí)。達(dá)菲和阿澤韋多（Duffy & Azevedo， 2015）開發(fā)了一款I(lǐng)TS——MetaTutor，目的是教授人類循環(huán)系統(tǒng)但同時(shí)也通過系統(tǒng)自身的功能（計(jì)時(shí)器、使用不同學(xué)習(xí)策略的工具欄和學(xué)習(xí)目標(biāo)等等）幫助學(xué)生進(jìn)行自我調(diào)節(jié)學(xué)習(xí)。

（2）診斷學(xué)生的知識(shí)強(qiáng)項(xiàng)或缺陷和提供自動(dòng)反饋

這一類有四項(xiàng)研究的ITS是一個(gè)計(jì)算機(jī)對(duì)學(xué)生的單向交流系統(tǒng)，發(fā)現(xiàn)學(xué)生的知識(shí)缺陷并提供反饋。在涉及STEM的三項(xiàng)研究中，兩項(xiàng)通過反饋和監(jiān)控學(xué)生行為在虛擬實(shí)驗(yàn)室提供虛擬幫助（Duarte， et al.， 2008; Ramírez， et al.， 2018），一項(xiàng)是單機(jī)ITS在計(jì)算機(jī)學(xué)科的應(yīng)用（Paquette， Lebeau， Beaulieu， & Mayers， 2015）。此外，還有一項(xiàng)研究涉及ITS在第二語言學(xué)習(xí)中的應(yīng)用（Dodigovic， 2007）。

兩項(xiàng)研究的診斷錯(cuò)誤和提供反饋通過人機(jī)對(duì)話完成，一款是能通過識(shí)別問題與學(xué)習(xí)者進(jìn)行交流的交互式泛在教學(xué)機(jī)器人（Umarani， Raviram， & Wahidabanu， 2011），另一款是基于大學(xué)物理入門的輔導(dǎo)對(duì)話工具包的輔導(dǎo)系統(tǒng)（Chi， VanLehn， Litman， & Jordan， 2011）。這款輔導(dǎo)對(duì)話工具包（TuTalk）是另一項(xiàng)研究開發(fā)的同伴對(duì)話代理的核心（Howard， et al.， 2017），在這項(xiàng)研究中ITS與學(xué)生開展一對(duì)一解決問題的對(duì)話，交流可以通過語言和圖形進(jìn)行，而且是過程導(dǎo)向，協(xié)作解決問題而非常規(guī)輔導(dǎo)。這項(xiàng)研究可被視為同伴代理協(xié)作的例子。

（3）根據(jù)學(xué)生需要提供學(xué)習(xí)材料

這一類有兩項(xiàng)研究著重學(xué)習(xí)材料的提供（Jeschike， et al.， 2007; Schiaffino， et al.， 2008），一項(xiàng)則是把這個(gè)功能當(dāng)成該研究所開發(fā)的探測(cè)系統(tǒng)的一個(gè)特性進(jìn)行介紹（Hall Jr. & Ko， 2008）。希夫里諾等（Schiaffino， et al.， 2008）開發(fā)了一款面向eLearning學(xué)生的eTeacher系統(tǒng)，通過觀察他們的課程學(xué)習(xí)行為形成學(xué)生特征分析，向他們提供個(gè)性化幫助。該系統(tǒng)既能推薦相應(yīng)的閱讀材料和練習(xí)，也能推薦個(gè)性化行動(dòng)。耶施克等（Jeschike， et al.， 2007）研究的是用于統(tǒng)計(jì)力學(xué)虛擬實(shí)驗(yàn)室的一款智能助理，該系統(tǒng)提供練習(xí)、學(xué)生學(xué)習(xí)評(píng)價(jià)以及適合具體學(xué)生的交互式課程材料。

（4）促進(jìn)學(xué)習(xí)者協(xié)作

這一類只有兩項(xiàng)研究：一項(xiàng)使用有利于促進(jìn)學(xué)習(xí)的話步（talk moves）支持在線協(xié)作學(xué)習(xí)討論（Adamson， et al.， 2014），另一項(xiàng)通過提供自動(dòng)反饋、自動(dòng)生成問題和分析學(xué)習(xí)過程促進(jìn)協(xié)作寫作（Calvo， et al.， 2011）。這兩項(xiàng)研究均表明AI軟件有促進(jìn)學(xué)生協(xié)作的潛能，因此應(yīng)該成為今后一個(gè)研究方向。

（5）教師其他方面的職能

如上所述，貝克和史密斯（Baker & Smith， 2019， p.12）區(qū)分面向?qū)W生的AI和面向教師的AI。但是，只有兩篇ITS文章聚焦教師職能?？ㄋ_馬約等（Casamayor， et al.， 2009）研究如何通過監(jiān)控和發(fā)現(xiàn)協(xié)作學(xué)習(xí)過程的沖突向教師提供幫助。該研究的智能助理向教師提供每一個(gè)小組成員學(xué)習(xí)情況，包括每個(gè)人的進(jìn)步、以何種方式參與小組學(xué)習(xí)、發(fā)現(xiàn)有沖突情況時(shí)發(fā)出的提醒信息以及學(xué)習(xí)風(fēng)格（登錄之后的活動(dòng)），方便教師適時(shí)采取干預(yù)措施。另一項(xiàng)研究是突出如何分?jǐn)偨處煹慕虒W(xué)輔導(dǎo)工作（Chou， Huang， & Lin， 2011）。同樣強(qiáng)調(diào)減輕教師工作量的還有池等的研究（Chi， et al.， 2011）。此外，很多面向?qū)W生的AI系統(tǒng)也會(huì)涉及教師職能，雖然它們的重點(diǎn)是幫助學(xué)生。

3. 考核和評(píng)價(jià)

這一類研究也是多數(shù)聚焦教與學(xué)的問題（86%，n=31），雖然有五項(xiàng)圍繞機(jī)構(gòu)層面的應(yīng)用研究。阿納多盧大學(xué)（Anadolu University）研究者使用Twitter API Twython獲取學(xué)生在Twitter上提到該校遠(yuǎn)程開放教育系統(tǒng)使用情況方面的內(nèi)容并采用情感分析法（sentiment analysis）分析這些內(nèi)容，以便了解學(xué)生對(duì)該校在線遠(yuǎn)程教育的意見（Ozturk， Cicek， & Ergul， 2017）。研究者通過分析這些公開獲取的數(shù)據(jù)了解學(xué)生的意見，因?yàn)樗麄兛赡軣o法從學(xué)校的學(xué)習(xí)管理系統(tǒng)獲取這類信息，因此研究結(jié)果有助于改進(jìn)正在使用的系統(tǒng)。有兩項(xiàng)研究通過AI評(píng)估學(xué)生的先前學(xué)習(xí)認(rèn)定?？柶澋龋↘alz， et al.， 2008）采用潛在語義分析（Latent Semantic Analysis）和電子檔案袋幫助學(xué)生設(shè)計(jì)個(gè)性化學(xué)習(xí)路徑;比勒特斯卡等（Biletska， Biletskiy， Li， & Vovk， 2011）使用語義網(wǎng)絡(luò)技術(shù)對(duì)學(xué)生在不同學(xué)校獲得的資格證書進(jìn)行換算，可能還包括課程介紹和主題，方便授予學(xué)分。另一項(xiàng)聚焦機(jī)構(gòu)層面問題的研究（Sanchez， et al.， 2016）通過算法對(duì)照用人單位所要求的專業(yè)素養(yǎng)和能力培養(yǎng)學(xué)生，確保課程內(nèi)容和業(yè)界需求一致。

總體看，AI應(yīng)用能夠非常準(zhǔn)確和高效完成考核和評(píng)價(jià)工作。然而，由于需要對(duì)這些系統(tǒng)進(jìn)行校準(zhǔn)和訓(xùn)練（監(jiān)督機(jī)器學(xué)習(xí)），它們更適合應(yīng)用于學(xué)生規(guī)模大的課程或?qū)I(yè)。

這類文章可以進(jìn)一步分為四個(gè)子類：自動(dòng)評(píng)分（n=13）、反饋（n=8）、評(píng)價(jià)學(xué)生的理解、投入和學(xué)術(shù)誠信（n=5）、評(píng)價(jià)教學(xué)（n=5）。

（1）自動(dòng)評(píng)分

對(duì)自動(dòng)作文評(píng)分（Automated Essay Scoring）系統(tǒng)的研究涉及各個(gè)學(xué)科（如生物學(xué)、醫(yī)學(xué)、商學(xué)、英語作為第二語言等），但是多數(shù)在本科課程使用（n=10），包括以讀寫能力較差的學(xué)生為研究對(duì)象（Perin & Lauterbach， 2018）。吉爾爾等（Gierl， et al.， 2014）采用LightSIDE這款開源Java軟件給醫(yī)學(xué)研究生作文評(píng)分，結(jié)果顯示計(jì)算機(jī)評(píng)分與教師評(píng)分的一致性介于94.6%到98.2%之間，因此在應(yīng)對(duì)大規(guī)?？己说脑u(píng)分任務(wù)時(shí)能夠減少人工費(fèi)用和時(shí)間（Barker， 2011; McNamara， et al.， 2015）。但是，他們強(qiáng)調(diào)并非所有體裁的作文適合使用自動(dòng)作文評(píng)分系統(tǒng)，而且由于需要使用大量預(yù)評(píng)分作文校準(zhǔn)系統(tǒng)，因此不宜在小班教學(xué)中使用。借助算法分析回答文本的模式已被發(fā)現(xiàn)有助于鼓勵(lì)學(xué)生做更多修改（Ma & Slater， 2015），不再只能依靠多項(xiàng)選擇測(cè)試檢查學(xué)生的知識(shí)和能力（Nehm， Ha， & Mayfield， 2012）。但是，自動(dòng)作文評(píng)分系統(tǒng)的反饋質(zhì)量一直引起關(guān)注（Dikli， 2010），貝克（Barker， 2011）發(fā)現(xiàn)系統(tǒng)提供的反饋越詳細(xì)學(xué)生越有可能對(duì)分?jǐn)?shù)提出質(zhì)疑，也有研究質(zhì)疑自動(dòng)反饋對(duì)語言初學(xué)者的幫助（Aluthman， 2016）。

（2）反饋

這一類研究包括各種面向?qū)W生的工具，比如：在學(xué)生感到不解或停滯不前時(shí)向他們提供提示或指導(dǎo)的智能代理（Huang et al.， 2008）、向在飛行途中正在失去情景意識(shí)（situation awareness）的飛行學(xué)員發(fā)出警告的軟件（Thatcher， 2014）和具備生成自動(dòng)反饋、幫助學(xué)生提高寫作水平的詞匯功能的機(jī)器學(xué)習(xí)技術(shù)（Chodorow， Gammon， & Tetreault， 2010; Garcia-Gorrostieta， Lopez-Lopez， & Gonzalez-Lopez， 2018; Nguyen， 2017; Quixal & Meurers， 2016）。這些技術(shù)能防止學(xué)生認(rèn)知超負(fù)荷（Yang， Wong， & Yeh， 2009）;基于自適應(yīng)測(cè)試的自動(dòng)反饋系統(tǒng)不僅能夠根據(jù)布魯姆的認(rèn)知層次確定最恰當(dāng)答案，而且還推薦額外材料和任務(wù)（Barker， 2010）。

（3）評(píng)價(jià)學(xué)生的理解、投入和學(xué)術(shù)誠信

有三項(xiàng)研究報(bào)告面向?qū)W生的工具評(píng)價(jià)學(xué)生理解概念（Jain， Gurupur， Schroeder， & Faulkenberry， 2014; Zhu， Marquez， & Yoo， 2015）和提供個(gè)性化幫助（Samarkou， et al.， 2015）的情況。侯賽恩等（Hussain， Zhu， Zhang， & Abidi， 2018）使用機(jī)器學(xué)習(xí)算法評(píng)價(jià)英國開放大學(xué)學(xué)生在一門社會(huì)科學(xué)課程的學(xué)習(xí)投入，包括最終成績、考核分?jǐn)?shù)和學(xué)生使用虛擬學(xué)習(xí)環(huán)境的情況，目的是提醒教師注意是否需要采取干預(yù)措施。阿米古德等（Amigud， Arnedo-Moreno， Daradoumis， & Guerrero-Roldan， 2017）使用機(jī)器學(xué)習(xí)算法評(píng)估學(xué)生作業(yè)雷同程度，檢查他們的學(xué)術(shù)誠信。該研究的平均準(zhǔn)確率為93%，因此證明這種方法能減少對(duì)監(jiān)考員的需求或因需要登錄學(xué)生賬戶引發(fā)的隱私關(guān)切。

（4）評(píng)價(jià)教學(xué)

有四項(xiàng)研究在課程評(píng)價(jià)中使用數(shù)據(jù)挖掘算法評(píng)價(jià)教師表現(xiàn)（Agaoglu， 2016; Ahmad & Rashid， 2016; DeCarlo & Rizk， 2010; Gutierrez， et al.， 2018），其中阿高格魯（Agaoglu， 2016）使用四種不同分類技術(shù)后發(fā)現(xiàn)評(píng)價(jià)問卷的很多問題不恰當(dāng)。有一項(xiàng)研究通過算法評(píng)價(jià)微分方程課上所使用的教學(xué)方法的影響，結(jié)果發(fā)現(xiàn)提供即時(shí)反饋的在線作業(yè)比課堂反應(yīng)系統(tǒng)的效果更好（Duzhin & Gustafsson， 2018）。這項(xiàng)研究還發(fā)現(xiàn)，一般而言，以前考試成績對(duì)后面的考試結(jié)果有良好的預(yù)測(cè)作用，但是無助于了解學(xué)生在基于項(xiàng)目的任務(wù)中的表現(xiàn)。

4. 自適應(yīng)系統(tǒng)和個(gè)性化

這一類研究多數(shù)涉及教與學(xué)問題（85%，n= 23），也有四項(xiàng)研究旨在解決機(jī)構(gòu)和行政管理層面的問題，其中兩項(xiàng)研究聚焦本科生學(xué)習(xí)咨詢指導(dǎo)（Alfarsi， Omar， & Alsinani， 2017; Feghali， Zbib， & Hallal， 2011），阮等（Nguyen， et al.， 2018）則是圍繞AI支持大學(xué)提供就業(yè)服務(wù)的研究。吳等（Ng， Wong， Lee， & Lee， 2011）開發(fā)一款基于代理的遠(yuǎn)程學(xué)習(xí)管理系統(tǒng)，該系統(tǒng)允許用戶獲取各專業(yè)的數(shù)據(jù)，而不是僅限于使用某一個(gè)院系的數(shù)據(jù)，可用于管理資源、支持決策和機(jī)構(gòu)制定政策以及幫助管理本科生學(xué)習(xí)流程（如入學(xué)、考試和課程管理）。

這些研究對(duì)自適應(yīng)系統(tǒng)的稱謂似乎不一致，這可能是因?yàn)樽赃m應(yīng)系統(tǒng)功能的多樣性所致的結(jié)果。有些研究采用的術(shù)語類似于ITS的別稱，如智能助理（Li， 2007; Ng， et al.， 2011）。最常用的名稱是智能eLearning系統(tǒng)（Kose & Arslan， 2016）、自適應(yīng)基于網(wǎng)站的學(xué)習(xí)系統(tǒng)（Lo， Chan， & Yeh， 2012）或智能教學(xué)系統(tǒng)（Ji & Liu， 2014）。如同ITS的研究一樣，多數(shù)研究對(duì)系統(tǒng)進(jìn)行描述或包含試點(diǎn)但并沒有報(bào)告使用較長時(shí)間的結(jié)果，而且除了維格特等（Vlugter， et al.， 2009）的研究顯示使用基于對(duì)話的計(jì)算機(jī)輔助語言學(xué)習(xí)系統(tǒng)的實(shí)驗(yàn)組在延遲后測(cè)的成績比控制組低，其他研究通常只報(bào)告正面結(jié)果。

針對(duì)教與學(xué)問題的23項(xiàng)研究可以分成五個(gè)子類：教授課程內(nèi)容（n=7）、推薦個(gè)性化內(nèi)容（n=5）、支持教師教學(xué)設(shè)計(jì)（n=3）、使用學(xué)習(xí)數(shù)據(jù)監(jiān)控和指導(dǎo)學(xué)生（n=2）、用概念圖表征知識(shí)（n=2）。但是有些研究難以分類，因?yàn)槠涔ぞ叩氖褂媚康奶厥?，包括幫助組建興趣相同的在線學(xué)習(xí)小組（Yang， Wang， Shen， & Han， 2007）、支持模擬商業(yè)決定（Ben-Zvi， 2012）和使用具身會(huì)話代理改變神經(jīng)性厭食病人的態(tài)度和行為（Sebastian & Richards， 2017）。阿帕利西奧等（Aparicio， et al.， 2018）的研究并不是分析自適應(yīng)系統(tǒng)的應(yīng)用情況，而是研究學(xué)生對(duì)信息系統(tǒng)（包括智能信息獲取系統(tǒng)）應(yīng)用于教育（尤其是生物醫(yī)學(xué)教育）的看法。

（1）教授課程內(nèi)容

這一類研究涉及多種課程，包括環(huán)境教育（Huang， 2018）、動(dòng)畫設(shè)計(jì)（Ji & Liu， 2014）、語言學(xué)習(xí)（Jia， 2009; Vlugter， Knott， McDonald， & Hall， 2009）、計(jì)算機(jī)科學(xué)（Iglesias， Martinez， Aler， & Fernandez， 2009）和生物學(xué)（Chaudhri， et al.， 2013）。沃世爾等（Walsh， Tamjidul， & Williams， 2017）介紹一款基于機(jī)器學(xué)習(xí)與人機(jī)學(xué)習(xí)共生的自適應(yīng)系統(tǒng)，但沒有說明應(yīng)用于哪一個(gè)學(xué)科的教與學(xué)。

（2）推薦個(gè)性化內(nèi)容

這一類研究根據(jù)學(xué)生在工商管理學(xué)（Hall & Ko， 2008）和計(jì)算機(jī)科學(xué)（Kose & Arslan， 2016; Lo， et al.， 2012）的學(xué)習(xí)行為分析結(jié)果向?qū)W生提供量身定制的內(nèi)容、材料和練習(xí)。戴等（Tai， Wu， & Li， 2008）開發(fā)了一個(gè)旨在幫助在線學(xué)生選課的eLearning推薦系統(tǒng)，而托雷斯-迪亞茲等（Torres-Díaz， Infante Moro， & Valdiviezo Díaz， 2014）研究的則是慕課（自適應(yīng)）推薦系統(tǒng)根據(jù)學(xué)生個(gè)人偏好建議他們采取相應(yīng)行動(dòng)、推薦新內(nèi)容等的效果。

（3）支持教師教學(xué)設(shè)計(jì)

有三項(xiàng)研究屬于這一類。一項(xiàng)是圍繞一個(gè)教學(xué)模式混合推薦系統(tǒng)的研究，旨在幫助教師根據(jù)具體班級(jí)的情況制定教學(xué)策略（Cobos， et al.， 2013）;一項(xiàng)介紹一個(gè)基于元數(shù)據(jù)的模型，該模型能夠進(jìn)行自動(dòng)學(xué)習(xí)設(shè)計(jì)，解決發(fā)現(xiàn)的問題（Camacho & Moreno， 2007）;一項(xiàng)是描述性研究（Li， 2007），作者認(rèn)為智能代理能完成重復(fù)性工作，從而節(jié)省在線教師的時(shí)間，使教師更能把精力集中在創(chuàng)造性工作上。

（4）使用學(xué)習(xí)數(shù)據(jù)監(jiān)控和指導(dǎo)學(xué)生

這一類研究的自適應(yīng)系統(tǒng)能提取學(xué)生學(xué)習(xí)信息以做出相應(yīng)診斷，使教師能主動(dòng)提供個(gè)性化指導(dǎo)（Rovira， Puertas， & Igual， 2017）。此外，系統(tǒng)還能評(píng)價(jià)學(xué)生表現(xiàn)和提供個(gè)性化幫助和反饋，如“基于AI的學(xué)習(xí)者診斷、幫助和評(píng)價(jià)系統(tǒng)”（Learner Diagnosis， Assistance， and Evaluation System based on AI [StuDiAsE]）（Samarakou， et al.， 2015）。

（5）用概念圖表征知識(shí)

概念圖有助于培養(yǎng)學(xué)生對(duì)概念結(jié)構(gòu)的自我意識(shí)。這一類的兩項(xiàng)研究均涉及專家系統(tǒng)。一項(xiàng)旨在通過綜合概念圖系統(tǒng)（ICMSys）呈現(xiàn)同伴的觀點(diǎn)，方便比較，減輕學(xué)生認(rèn)知負(fù)荷，促進(jìn)學(xué)生對(duì)概念的反思（Kao， Chen， & Sun， 2010）;另一項(xiàng)旨在幫助英語為外語的大學(xué)生運(yùn)用照應(yīng)（referential）關(guān)系思維導(dǎo)圖提高閱讀理解能力（Yang， Wong， & Yeh， 2009），這個(gè)系統(tǒng)還提供系統(tǒng)指導(dǎo)的教學(xué)、練習(xí)和反饋。

五、結(jié)論與進(jìn)一步研究的啟示

本文分析了AIEd研究的作者和發(fā)文期刊情況。研究發(fā)現(xiàn)，本領(lǐng)域的主要研究者是來自美國、中國、中國臺(tái)灣地區(qū)和土耳其（占第一作者的50%）的學(xué)者，他們大多（62%）就職于計(jì)算機(jī)科學(xué)和STEM院系，主要發(fā)文期刊是《國際AIEd期刊》《計(jì)算機(jī)與教育》《國際新興學(xué)習(xí)技術(shù)期刊》。

更重要的是，本綜述顯示AI在高等教育有廣泛的應(yīng)用潛能，包括向?qū)W生、教師和行政管理人員等提供支持。這些方面的應(yīng)用被分為4大類（特征分析和預(yù)測(cè)、智能輔導(dǎo)系統(tǒng)、考核和評(píng)價(jià)，以及自適應(yīng)系統(tǒng)和個(gè)性化）、17個(gè)子類。這樣的分類有助于學(xué)界了解和認(rèn)識(shí)AIEd的實(shí)踐和研究。

縱向研究的匱乏，對(duì)技術(shù)進(jìn)行描述性和試點(diǎn)研究為數(shù)可觀，以及以定量方法為主，尤其是準(zhǔn)實(shí)驗(yàn)方法的實(shí)證研究比比皆是，所有這些都說明，從對(duì)高等教育學(xué)習(xí)產(chǎn)生積極影響的角度看，AIEd實(shí)踐與研究的創(chuàng)新性和意義仍有很大的提升空間，如可以采用基于設(shè)計(jì)的研究方法（Easterday， Rees Lewis， & Gerber， 2018）。最近一項(xiàng)文獻(xiàn)綜述顯示有關(guān)教育技術(shù)促進(jìn)個(gè)性化的研究也經(jīng)常采用定量方法（Bartolomé， Casta?eda， & Adell， 2018）。米西約克和沃森（Misiejuk & Wasson， 2017， p. 61）在其學(xué)習(xí)分析文獻(xiàn)綜述中指出：“（有關(guān)學(xué)習(xí)分析的）實(shí)施研究和影響研究為數(shù)極少。”這一點(diǎn)也在本綜述得到印證。

今天我們?nèi)匀粺o法預(yù)測(cè)AI發(fā)展的全面影響，但是AI應(yīng)用似乎可能成為未來20年最為重要的教育技術(shù)問題之一。基于AI的工具和服務(wù)在學(xué)生在校學(xué)習(xí)生涯中向?qū)W生、教師和行政管理者提供支持上的潛力很大。本綜述所歸納的各種應(yīng)用為智能學(xué)生支持系統(tǒng)的設(shè)計(jì)和引導(dǎo)學(xué)生在自適應(yīng)和個(gè)性化學(xué)習(xí)環(huán)境下進(jìn)行學(xué)習(xí)提供巨大的教與學(xué)機(jī)會(huì)。對(duì)于大型高等教育機(jī)構(gòu)（如遠(yuǎn)程開放教學(xué)大學(xué)）而言更是如此，因?yàn)锳IEd能幫助它們克服向眾多學(xué)生提供高等教育的機(jī)會(huì)（大眾化高等教育）所面對(duì)的窘境。AIEd也能有助于它們提供靈活且具有交互性和個(gè)性化的學(xué)習(xí)機(jī)會(huì)。比如：AIEd能給數(shù)以百計(jì)，甚至是數(shù)以萬計(jì)的作業(yè)評(píng)分，從而減輕教師的工作負(fù)擔(dān)，使他們能夠把精力放在充滿人文關(guān)懷的教學(xué)上。

必須指出，教育技術(shù)不（僅僅）是關(guān)乎技術(shù)，我們應(yīng)該關(guān)心的是AIEd在教學(xué)、倫理道德、社會(huì)、文化和經(jīng)濟(jì)等方面的意義。賽爾溫（Selwyn， 2016， p. 106）指出：“當(dāng)然，危險(xiǎn)在于把數(shù)據(jù)和編碼看成提供指導(dǎo)和支持的權(quán)威而非相對(duì)的依據(jù)。教育如此復(fù)雜，遠(yuǎn)非可以僅被簡(jiǎn)化為數(shù)據(jù)分析和算法。如同數(shù)字技術(shù)一樣，數(shù)字化數(shù)據(jù)不能提供解決教育窘?jīng)r的技術(shù)良方，不管分析結(jié)果可能顯得有多么大的說服力。”

技術(shù)潛能不應(yīng)該是我們追求的目標(biāo)，我們應(yīng)該經(jīng)常自問：哪些（技術(shù)潛能）具有教學(xué)上的意義？教室的人臉識(shí)別技術(shù)（“智慧校園”[Smart Campus]①）在中國正被用于監(jiān)控學(xué)生的課堂表現(xiàn)，并顯示在教師的儀表盤上。這是教育監(jiān)控的例子，諸如此類的系統(tǒng)能否給教師提供真正的增值服務(wù)，使其能夠及時(shí)了解學(xué)習(xí)小組的動(dòng)態(tài)（包括在線和在校園的情況），并相應(yīng)采取富有人性關(guān)懷和教學(xué)意義的措施？這一點(diǎn)現(xiàn)在還遠(yuǎn)未定論。從這個(gè)意義上講，我們必須有“關(guān)懷道德”（ethics of care）之心，開始思考我們是如何發(fā)揮嵌入AIEd應(yīng)用之中的算法決策系統(tǒng)的潛能的。此外，我們也不應(yīng)該忘記AI系統(tǒng)“首先需要人的控制。即使最智能化的AI系統(tǒng)也可能出現(xiàn)非常愚蠢的錯(cuò)誤。……AI系統(tǒng)的智能充其量只能達(dá)到用于訓(xùn)練它們的數(shù)據(jù)的智慧程度”（Kaplan & Haenlein， 2019）。我們應(yīng)該超越工具層面，重新關(guān)注學(xué)習(xí)和教學(xué)法問題，也不應(yīng)該忽視數(shù)字技術(shù)應(yīng)用于教育所涉及的人的因素（Casta?eda & Selwyn， 2018）。聯(lián)合國教科文組織關(guān)于AIEd促進(jìn)可持續(xù)發(fā)展的機(jī)會(huì)和挑戰(zhàn)的報(bào)告涉及幾個(gè)方面的內(nèi)容，這些內(nèi)容均包括重要的教學(xué)、社會(huì)和倫理道德問題，比如確保AIEd的包容和公平、確保教師為AI驅(qū)動(dòng)的教育做好準(zhǔn)備、開發(fā)優(yōu)質(zhì)和包容的數(shù)據(jù)系統(tǒng)、數(shù)據(jù)采集、使用和傳播的倫理道德和透明度等（Pedró， et al.， 2019）。

本綜述有一個(gè)令人吃驚的研究發(fā)現(xiàn)，即對(duì)于在高等教育實(shí)施AI應(yīng)用可能在教學(xué)和倫理道德上帶來的問題以及風(fēng)險(xiǎn)的批判性反思嚴(yán)重缺失。從倫理道德上講，有一項(xiàng)學(xué)習(xí)分析文獻(xiàn)綜述也發(fā)現(xiàn)實(shí)證研究很少注意隱私問題（Misiejuk & Wasson， 2017）。如何把AI應(yīng)用融合到學(xué)生在校學(xué)習(xí)生涯中？如何充分利用它們給創(chuàng)設(shè)智能教與學(xué)系統(tǒng)所帶來的巨大機(jī)會(huì)？這些問題有待于教育工作者和學(xué)習(xí)設(shè)計(jì)者進(jìn)一步研究。本綜述顯示來自教育學(xué)院系背景的作者比例非常低，由此可見我們必須重視從教育的角度看AI這些技術(shù)的發(fā)展。

總體看，理論缺失可能是教育技術(shù)領(lǐng)域的一種典型現(xiàn)象。丘等（Hew， et al.， 2019）發(fā)現(xiàn)三家一流教育技術(shù)期刊的文章中超過40%存在“去理論化”（a-theoretical）。巴托洛美等（Bartolomé， Casta?eda， & Adell， 2018）的綜述也顯示他們所分析的研究缺乏清楚的教育法視角。本綜述的大多數(shù)研究把重點(diǎn)局限于分析和發(fā)現(xiàn)數(shù)據(jù)中的模式，目的是為了開發(fā)模型和面向?qū)W生和教師的應(yīng)用，或使用幾十年前提出的數(shù)學(xué)理論和機(jī)器學(xué)習(xí)方法支持行政管理上的決策（Russel & Norvig， 2010）。由于計(jì)算能力的發(fā)展和學(xué)生大數(shù)據(jù)唾手可得，這一類研究現(xiàn)在已經(jīng)不是什么難事。然而，目前幾乎沒有證據(jù)表明AI驅(qū)動(dòng)的教育技術(shù)促進(jìn)了教學(xué)理論和學(xué)習(xí)心理學(xué)理論的發(fā)展。本綜述一個(gè)重要的啟示是：要鼓勵(lì)研究者闡述圍繞AIEd開發(fā)和實(shí)施的實(shí)證研究的理論基礎(chǔ)，這樣才能使研究結(jié)果得到推廣，幫助我們了解（如本綜述所示）將對(duì)高等教育機(jī)構(gòu)帶來巨大影響的AI發(fā)展的原因和機(jī)制。

[參考文獻(xiàn)]

Acikkar， M.， & Akay， M. F. （2009）. Support vector machines for predicting the admission decision of a candidate to the School of Physical Education and Sports at Cukurova University. Expert Systems with Applications， 36（3 PART 2）， 7228-7233. https：//doi.org/10.1016/j.eswa.2008.09.007

Adamson， David， Dyke， G.， Jang， H.， & Penstein Rosé， C. （2014）. Towards an Agile Approach to Adapting Dynamic Collaboration Support to Student Needs. International Journal of Artificial Intelligence in Education， 24（1）， 92-124. https：//doi.org/10.1007/s40593-013-0012-6

Agaoglu， M. （2016）. Predicting Instructor Performance Using Data Mining Techniques in Higher Education. IEEE ACCESS， 4， 2379-2387. https：//doi.org/10.1109/ACCESS.2016.2568756

Ahmad， H.， & Rashid， T. （2016）. Lecturer performance analysis using multiple classifiers. Journal of Computer Science， 12（5）， 255-264. https：//doi.org/10.3844/fjcssp.2016.255.264

Alfarsi， G. M. S.， Omar， K. A. M.， & Alsinani， M. J. （2017）. A Rule-Based System for Advising Undergraduate Students. Journal of Theoretical and Applied Information Technology， 95（11）. Retrieved from http：//www.jatit.org

Alkhasawneh，? R.， & Hargraves，? R. H. （2014）. Developing a hybrid model to predict student first year retention in STEM disciplines using machine learning techniques. Journal of STEM Education： Innovations & Research， 15（3）， 35-42. https：//core.ac.uk/download/pdf/51289621.pdf

Aluko， R. O.， Adenuga， O. A.， Kukoyi， P. O.， Soyingbe， A. A.， & Oyedeji， J. O. （2016）. Predicting the academic success of architecture students by pre-enrolment requirement： using machine-learning techniques. Construction Economics and Building， 16（4）， 86-98. https：//doi.org/10.5130/AJCEB.v16i4.5184

Aluthman， E. S. （2016）. The Effect of Using Automated Essay Evaluation on ESL Undergraduate Students Writing Skill. International Journal of English Linguistics， 6（5）， 54-67. https：//doi.org/10.5539/ijel.v6n5p54

Amigud， A.， Arnedo-Moreno， J.， Daradoumis， T.， & Guerrero-Roldan， A.-E. （2017）. Using learning analytics for preserving academic integrity. International Review of Research in Open and Distance Learning， 18（5）， 192-210. DOI： 10.19173/irrodl.v18i5.3103

Andris， C.， Cowen， D.， & Wittenbach， J. （2013）. Support Vector Machine for Spatial Variation. Transactions in GIS， 17（1）， 41-61. https：//doi.org/10.1111/j.1467-9671.2012.01354.x

Aparicio， F.， Morales-Botello， M. L.， Rubio， M.， Hernando， A.， Mu?oz， R.， López-Fernández， H.， … Buenaga， M. de. （2018）. Perceptions of the use of intelligent information access systems in university level active learning activities among teachers of biomedical subjects. International Journal of Medical Informatics， 112（December 2017）， 21-33. https：//doi.org/10.1016/j.ijmedinf.2017.12.016

Babic， I. D. （2017）. Machine learning methods in predicting the student academic motivation. Croatian Operational Research Review， 8（2）， 443-461. https：//doi.org/10.17535/crorr.2017.0028

Bahad?r， E. （2016）. Using neural network and logistic regression analysis to predict prospective mathematics teachers academic success upon entering graduate education. Kuram ve Uygulamada Egitim Bilimleri， 16（3）， 943-964. https：//doi.org/10.12738/estp.2016.3.0214

Bakeman， R.， & Gottman， J. M. （1997）. Observing interaction-an introduction to sequential analysis. Cambridge： Cambridge University Press.

Baker， R. S. （2016）. Stupid Tutoring Systems， Intelligent Humans. International Journal of Artificial Intelligence in Education， 26（2）， 600-614. https：//doi.org/10.1007/s40593-016-0105-0

Baker， T.， & Smith， L. （2019）. Educ-AI-tion Rebooted？ Exploring the future of artificial intelligence in schools and colleges. Retrieved from Nesta Foundation website： https：//media.nesta.org.uk/documents/Future of AI and education v5 WEB.pdf

Barker， T. （2010）. An automated feedback system based on adaptive testing： Extending the model. International Journal of Emerging Technologies in Learning， 5（2）， 11-14. https：//doi.org/10.3991/ijet.v5i2.1235

Barker， T. （2011）. An Automated Individual Feedback and Marking System： An Empirical Study. Electronic Journal of E-Learning， 9（1）， 1-14. https：//www.learntechlib.org/p/52053/

Bartolomé， A.， Casta?eda， L.， & Adell， J. （2018）. Personalisation in educational technology： the absence of underlying pedagogies. International Journal of Educational Technology in Higher Education， 15（14）. https：//doi.org/10.1186/s41239-018-0095-0

Ben-Zvi， T. （2012）. Measuring the perceived effectiveness of decision support systems and their impact on performance. Decision Support Systems， 54（1）， 248-256. https：//doi.org/10.1016/j.dss.2012.05.033

Biletska， O.， Biletskiy， Y.， Li， H.， & Vovk， R. （2010）. A semantic approach to expert system for e-Assessment of credentials and competencies. Expert Systems with Applications， 37（10）， 7003-7014. https：//doi.org/10.1016/j.eswa.2010.03.018

Blikstein， P.， Worsley， M.， Piech， C.， Sahami， M.， Cooper， S.， & Koller， D. （2014）. Programming Pluralism： Using Learning Analytics to Detect Patterns in the Learning of Computer Programming. Journal of the Learning Sciences， 23（4）， 561-599. https：//doi.org/10.1080/10508406.2014.954750

Brunton，? J.， & Thomas，? J. （2012）. Information management in systematic reviews. In D. Gough， S. Oliver， & J. Thomas （Eds.）， An introduction to systematic reviews （pp. 83-106）. London： SAGE.

Calvo， R. A.， ORourke， S. T.， Jones， J.， Yacef， K.， & Reimann， P. （2011）. Collaborative Writing Support Tools on the Cloud. IEEE Transactions on Learning Technologies， 4（1）， 88-97. https：//www.learntechlib.org/p/73461/

Camacho， D.， & Moreno， M. D. R. （2007）. Towards an automatic monitoring for higher education Learning Design. International Journal of Metadata， Semantics and Ontologies， 2（1）， 1-1. https：//doi.org/10.1504/ijmso.2007.015071

Casamayor， A.， Amandi， A.， & Campo， M. （2009）. Intelligent assistance for teachers in collaborative e-Learning environments. Computers & Education， 53（4）， 1147-1154. https：//doi.org/10.1016/j.compedu.2009. 05.025

Casta?eda， L. & Selwyn， N. （2018）. More than tools？ Making sense of the ongoing digitizations of higher education. International Journal of Educational Technology in Higher Education， 15（22）. https：//doi.org/10.1186/s41239-018-0109-y

Chaudhri， V. K.， Cheng， B.， Overtholtzer， A.， Roschelle， J.， Spaulding， A.， Clark， P.， … Gunning， D. （2013）. Inquire Biology： A Textbook that Answers Questions. AI Magazine， 34（3）， 55-55. https：//doi.org/10.1609/aimag.v34i3.2486

Chen， J.-F.， & Do， Q. H. （2014）. Training neural networks to predict student academic performance： A comparison of cuckoo search and gravitational search algorithms. International Journal of Computational Intelligence and Applications， 13（1）. https：//doi.org/10.1142/S14690268 14500059

Chi， M.， VanLehn， K.， Litman， D.， & Jordan， P. （2011）. Empirically evaluating the application of reinforcement learning to the induction of effective and adaptive pedagogical strategies. User Modeling and User-Adapted Interaction， 21（1）， 137-180. DOI 10.1007/s11257-010- 9093-1

Chodorow， M.， Gamon， M.， & Tetreault， J. （2010）. The utility of article and preposition error correction systems for English language learners： Feedback and assessment. Language Testing， 27（3）， 419-436. https：//doi.org/10.1177/0265532210364391

Chou， C.-Y.， Huang， B.-H.， & Lin， C.-J. （2011）. Complementary machine intelligence and human intelligence in virtual teaching assistant for tutoring program tracing. Computers & Education， 57（4）， 2303-2312. https：//www.learntechlib.org/p/167322/

Cobos， C.， Rodriguez， O.， Rivera， J.， Betancourt， J.， Mendoza， M.， León， E.， & Herrera-Viedma， E. （2013）. A hybrid system of pedagogical pattern recommendations based on singular value decomposition and variable data attributes. Information Processing and Management， 49（3）， 607-625. https：//doi.org/10.1016/j.ipm.2012.12.002

Cohen， J. （1960）. A coefficient of agreement for nominal scales. Educational and Psychological Measurement， 20， 37-46. https：//doi.org/10.1177/001316446002000104

Contact North. （2018）. Ten facts about artificial intelligence in teaching and learning. Retrieved from https：//teachonline.ca/sites/default/files/tools-trends/downloads/ten_facts_about_artificial_intelligence.pdf

Crown， S.， Fuentes， A.， Jones， R.， Nambiar， R.， & Crown， D. （2011）. Anne G. Neering： Interactive chatbot to engage and motivate engineering students. Computers in Education Journal， 21（2）， 24-34.

DeCarlo， P.， & Rizk， N. （2010）. The design and development of an expert system prototype for enhancing exam quality. International Journal of Advanced Corporate Learning， 3（3）， 10-13. https：//doi.org/10.3991/ijac.v3i3.1356

Delen， D. （2011）. Predicting student attrition with data mining methods. Journal of College Student Retention： Research， Theory and Practice， 13（1）， 17-35. https：//doi.org/10.2190/CS.13.1.b

Delen， D. （2010）. A comparative analysis of machine learning techniques for student retention management. Decision Support Systems， 49（4）， 498-506. https：//doi.org/10.1016/j.dss.2010.06.003

Dikli， S. （2010）. The Nature of Automated Essay Scoring Feedback. CALICO Journal， 28（1）， 99-134. DOI： 10.11139/cj.28.1.99-134

Dobre， I. （2014）. Assessing the students knowledge in informatics discipline using the METEOR metric. Mediterranean Journal of Social Sciences， 5（19）， 84-92. DOI： 10.5901/mjss.2014.v5n19p84

Dodigovic， M. （2007）. Artificial Intelligence and Second Language Learning： An Efficient Approach to Error Remediation. Language Awareness， 16（2）， 99-113. https：//doi.org/10.2167/la416.0

Duarte， M.， Butz， B.， Miller， S.， & Mahalingam， A. （2008）. An Intelligent Universal Virtual Laboratory （UVL）. IEEE Transactions on Education， 51（1）， 2-9. DOI： 10.1109/SSST.2002.1027009

Duffy， M. C.， & Azevedo， R. （2015）. Motivation matters： Interactions between achievement goals and agent scaffolding for self-regulated learning within an intelligent tutoring system. Computers in Human Behavior， 52， 338-348. https：//doi.org/10.1016/j.chb.2015.05.041

Duzhin， F.， & Gustafsson， A. （2018）. Machine Learning-Based App for Self-Evaluation of Teacher-Specific Instructional Style and Tools. Education Sciences， 8（1）. https：//doi.org/10.3390/educsci8010007

Easterday， M. W.， Rees Lewis， D. G.， & Gerber， E. M. （2018）. The logic of design research. Learning： Research and Practice， 4（2）， 131-160. https：//doi.org/10.1080/23735082.2017.1286367

EDUCAUSE. （2018）. Horizon Report： 2018 Higher Education Edition. Retrieved from EDUCAUSE Learning Initiative and The New Media Consortium website： https：//library.educause.edu/～/media/files/library/ 2018/8/2018horizonreport.pdf

EDUCAUSE. （2019）. Horizon Report： 2019 Higher Education Edition. Retrieved from EDUCAUSE Learning Initiative and The New Media Consortium website： https：//library.educause.edu/-/media/files/library/ 2019/4/2019horizonreport.pdf

Feghali， T.， Zbib， I.， & Hallal， S. （2011）. A web-based decision support tool for academic advising. Educational Technology and Society， 14（1）， 82-94. https：//www.learntechlib.org/p/52325/

Feng， S.， Zhou， S.， & Liu， Y. （2011）. Research on data mining in university admissions decision-making. International Journal of Advancements in Computing Technology， 3（6）， 176-186. https：//doi.org/10. 4156/ijact.vol3.issue6.21

Fleiss， J. L. （1981）. Statistical methods for rates and proportions. New York： Wiley.

Ge， C.， & Xie， J. （2015）. Application of Grey Forecasting Model Based on Improved Residual Correction in the Cost Estimation of University Education. International Journal of Emerging Technologies in Learning， 10（8）， 30-33. DOI： 10.3991/ijet.v10i8.5215

Gierl， M.， Latifi， S.， Lai， H.， Boulais， A.， & Champlain， A. （2014）. Automated essay scoring and the future of educational assessment in medical education. Medical Education， 48（10）， 950-962. https：//doi.org/10.1111/medu.12517

Gough， D.， Oliver， S.， & Thomas， J. （2017）. An introduction to systematic reviews （2nd edition）. Los Angeles： SAGE.

Gutierrez， G.， Canul-Reich， J.， Ochoa Zezzatti， A.， Margain， L.， & Ponce， J. （2018）. Mining： Students Comments about Teacher Performance Assessment using Machine Learning Algorithms. International Journal of Combinatorial Optimization Problems and Informatics， 9（3）， 26-40. https：//ijcopi.org/index.php/ojs/article/view/99

Hall， O. P.， & Ko， K. （2008）. Customized content delivery for graduate management education： Application to business statistics. Journal of Statistics Education， 16（3）. https：//doi.org/10.1080/10691898.2008. 11889571

Haugeland， J. （1985）. Artificial intelligence： The very idea. Cambridge， Mass.： MIT Press

Hew， K. F.， Lan， M.， Tang， Y.， Jia， C.， & Lo， C. K. （2019）. Where is the “theory” within the field of educational technology research？ British Journal of Educational Technology， 50（3）， 956-971. https：//doi.org/10.1111/bjet.12770

Hinojo-Lucena， F.-J.， Aznar-Díaz， I.， Cáceres-Reche， M.-P.， & Romero-Rodríguez， J.-M. （2019）. Artificial Intelligence in Higher Education： A Bibliometric Study on its Impact in the Scientific Literature. Education Sciences， 9（1）， 51. https：//doi.org/10.3390/educsci9010051

Hoffait， A.-S.， & Schyns， M. （2017）. Early detection of university students with potential difficulties. DECISION SUPPORT SYSTEMS， 101， 1-11. https：//doi.org/10.1016/j.dss.2017.05.003

Hooshyar， D.， Ahmad， R.， Yousefi， M.， Yusop， F.， & Horng， S. （2015）. A flowchart-based intelligent tutoring system for improving problem-solving skills of novice programmers. Journal of Computer Assisted Learning， 31（4）， 345-361. https：//doi.org/10.1111/jcal.12099

Howard， C.， Jordan， P.， di Eugenio， B.， & Katz， S. （2017）. Shifting the Load： a Peer Dialogue Agent that Encourages its Human Collaborator to Contribute More to Problem Solving. International Journal of Artificial Intelligence in Education， 27（1）， 101-129. https：//doi.org/10.1007/s40593-015-0071-y

Howard， E.， Meehan， M.， & Parnell， A. （2018）. Contrasting prediction methods for early warning systems at undergraduate level. Internet and Higher Education， 37， 66-75. https：//doi.org/10.1016/j.iheduc.2018.02.001

Huang， C.-J.， Chen， C.-H.， Luo， Y.-C.， Chen， H.-X.， & Chuang， Y.-T. （2008）. Developing an Intelligent Diagnosis and Assessment E-learning Tool for Introductory Programming. Educational Technology & Society， 11（4）， 139-157. https：//www.jstor.org/stable/jeductechsoci.11. 4.139

Huang， J.， & Chen， Z. （2016）. The research and design of web-based intelligent tutoring system. International Journal of Multimedia and Ubiquitous Engineering， 11（6）， 337-348. https：//doi.org/10.14257/ijmue.2016.11.6.30

Huang， S. P. （2018）. Effects of using artificial intelligence teaching system for environmental education on environmental knowledge and attitude. Eurasia Journal of Mathematics， Science and Technology Education， 14（7）， 3277-3284. https：//doi.org/10.29333/ejmste/91248

Hussain， M.， Zhu， W.， Zhang， W.， & Abidi， S. M. R. （2018）. Student engagement predictions in an e-Learning system and their impact on student course assessment scores. Computational Intelligence and Neuroscience. https：//doi.org/10.1155/2018/6347186

Iglesias， A.， Martinez， P.， Aler， R.， & Fernandez， F. （2009）. Reinforcement learning of pedagogical policies in adaptive and intelligent educational systems. Knowledge-Based Systems， 22（4）， 266-270. https：//e-archivo.uc3m.es/bitstream/handle/10016/6502/reinforcement_aler_KBS_2009_ps.pdf？sequence=1&isAllowed=y

Jackson， M.， & Cossitt， B. （2015）. Is intelligent online tutoring software useful in refreshing financial accounting knowledge？ Advances in Accounting Education： Teaching and Curriculum Innovations， 16， 1-19. https：//doi.org/10.1108/S1085-462220150000016001

Jain， G. P.， Gurupur， V. P.， Schroeder， J. L.， & Faulkenberry， E. D. （2014）. Artificial Intelligence-Based Student Learning Evaluation： A Concept Map-Based Approach for Analyzing a Students Understanding of a Topic. IEEE Transactions on Learning Technologies， 7（3）， 267-279. DOI： 10.1109/TLT.2014.2330297

Jeschike， M.， Jeschke， S.， Pfeiffer， O.， Reinhard， R.， & Richter， T. （2007）. Equipping Virtual Laboratories with Intelligent Training Scenarios. AACE Journal， 15（4）， 413-436. https：//www.learntechlib.org/primary/p/23636/

Ji， Y.， & Liu， Y. （2014）. Development of an Intelligent Teaching System Based on 3D Technology in the Course of Digital Animation Production. International Journal of Emerging Technologies in Learning， 9（9）， 81-86. https：//doi.org/10.3991/ijet.v11i09.6116

Jia， J. （2009）. An AI Framework to Teach English as a Foreign Language： CSIEC. AI Magazine， 30（2）， 59-59. https：//doi.org/10.1609/aimag.v30i2.2232

Jonassen， D.， Davidson， M.， Collins， M.， Campbell， J.， & Haag， B. B. （1995）. Constructivism and computer-mediated communication in distance education. American Journal of Distance Education， 9（2）， 7-25. https：//doi.org/10.1080/08923649509526885

Kalz， M.， van Bruggen， J.， Giesbers， B.， Waterink， W.， Eshuis， J.， & Koper， R. （2008）. A model for new linkages for prior learning assessment. Campus-Wide Information Systems， 25（4）， 233-243. https：//doi.org/10.1108/10650740810900676

Kao， Chen， & Sun. （2010）. Using an E-Learning System with Integrated Concept Maps to Improve Conceptual Understanding. International Journal of Instructional Media， 37（2）， 151-151.

Kaplan， A.， & Haenlein， M. （2019）. Siri， Siri， in my hand： Whos the fairest in the land？ On the interpretations， illustrations， and implications of artificial intelligence. Business Horizons， 62（1）， 15-25. https：//doi.org/10.1016/j.bushor.2018.08.004

Kardan， A. A.， & Sadeghi， H. （2013）. A Decision Support System for Course Offering in Online Higher Education Institutes. International Journal of Computational Intelligence Systems， 6（5）， 928-942. https：//doi.org/10.1080/18756891.2013.808428

Kardan， A. A.， Sadeghi， H.， Ghidary， S. S.， & Sani， M. R. F. （2013）. Prediction of student course selection in online higher education institutes using neural network. Computers and Education， 65， 1-11. https：//doi.org/10.1016/j.compedu.2013.01.015

Kose， U.， & Arslan， A. （2016）. Intelligent E-Learning System for Improving Students Academic Achievements in Computer Programming Courses. International Journal of Engineering Education， 32（1， A）， 185-198.

Li， X. （2007）. Intelligent Agent-Supported Online Education. Decision Sciences Journal of Innovative Education， 5（2）， 311-331. https：//doi.org/10.1111/j.1540-4609.2007.00143.x

Lo， J. J.， Chan， Y. C.， & Yeh， S. W. （2012）. Designing an adaptive web-based learning system based on students cognitive styles identified online. Computers and Education， 58（1）， 209-222. https：//doi.org/10.1016/j.compedu.2011.08.018

Lodhi， P.， Mishra， O.， Jain， S.， & Bajaj， V. （2018）. StuA： An Intelligent Student Assistant. International Journal of Interactive Multimedia and Artificial Intelligence， 5（2）， 17-25. https：//doi.org/10.9781/ijimai. 2018.02.008

Luckin， R.， Holmes， W.， Griffiths， M.， & Forcier， L. B. （2016）. Intelligence unleashed-an argument for AI in education. Retrieved from http：//discovery.ucl.ac.uk/1475756/

Ma， H.， & Slater， T. （2015）. Using the Developmental Path of Cause to Bridge the Gap between AWE Scores and Writing Teachers Evaluations. Writing & Pedagogy， 7（2）， 395-422. https：//doi.org/10.1558/wap.v7i2-3.26376

McNamara， D. S.， Crossley， S. A.， Roscoe， R. D.， Allen， L. K.， & Dai， J. （2015）. A hierarchical classification approach to automated essay scoring. Assessing Writing， 23， 35-59. https：//doi.org/10.1016/j.asw.2014. 09.002

Misiejuk， K.， & Wasson， B. （2017）. State of the Field report on Learning Analytics. SLATE Report 2017-2. Bergen： Centre for the Science of Learning & Technology （SLATE）. Retrieved from http：//bora.uib.no/handle/1956/17740

Miwa， K.， Terai， H.， Kanzaki， N.， & Nakaike， R. （2014）. An intelligent tutoring system with variable levels of instructional support for instructing natural deduction. Transactions of the Japanese Society for Artificial Intelligence， 29（1）， 148-156. https：//doi.org/10.1527/tjsai.29.148

Moher，? D.， Liberati，? A.， Tetzlaff，? J.， & Altman，? D. G. （2009）. Preferred reporting items for systematic reviews and meta-analyses： The PRISMA statement. BMJ. Clinical Research Ed.， 339， b2535. https：//doi.org/10.1136/bmj.b2535

Nehm， R. H.， Ha， M.， & Mayfield， E. （2012）. Transforming Biology Assessment with Machine Learning： Automated Scoring of Written Evolutionary Explanations. Journal of Science Education and Technology， 21（1）， 183-196. https：//doi.org/10.1007/s10956-011-9300-9

Neumann， W. L. （2007）. Social research methods： Qualitative and quantitative approaches. Boston： Pearson.

Ng， S. C.， Wong， C. K.， Lee， T. S.， & Lee， F. Y. （2011）. Design of an Agent-based Academic Information System for Effective Education Management. Information Technology Journal， 10（9）， 1784-1788. https：//doi.org/10.3923/itj.2011.1784.1788

Nguyen， J.， Sánchez-Hernández， G.， Armisen， A.， Agell， N.， Rovira， X.， & Angulo， C. （2018）. A linguistic multi-criteria decision-aiding system to support university career services. Applied Soft Computing Journal， 67， 933-940. https：//doi.org/10.1016/j.asoc.2017.06.052

Nicholas，? D.， Watkinson，? A.， Jamali，? H. R.， Herman，? E.， Tenopir，? C.， Volentine，? R.， . . . Levine，? K. （2015）. Peer review： still king in the digital age. Learned Publishing， 28（1）， 15-21. https：//doi.org/10.1087/20150104

Oztekin， A. （2016）. A hybrid data analytic approach to predict college graduation status and its determinative factors. Industrial Management and Data Systems， 116（8）， 1678-1699. https：//doi.org/10.1108/IMDS-09-2015-0363

Ozturk， Z. K.， Cicek， Z. I. E.， & Ergul， Z. （2017）. Sentiment Analysis： an Application to Anadolu University. Acta Physica Polonica A， 132（3）， 753-755. DOI： 10.12693/APhysPolA.132.753

Palocsay， S. W.， & Stevens， S. P. （2008）. A Study of the Effectiveness of Web-Based Homework in Teaching Undergraduate Business Statistics. Decision Sciences Journal of Innovative Education， 6（2）， 213-232. https：//doi.org/10.1111/j.1540-4609.2008.00167.x

Paquette， L.， Lebeau， J. F.， Beaulieu， G.， & Mayers， A. （2015）. Designing a Knowledge representation approach for the generation of pedagogical interventions by MTTs. International Journal of Artificial Intelligence in Education， 25（1）， 118-156. https：//www.learntechlib.org/p/168275/

Payne， V. L.， Medvedeva， O.， Legowski， E.， Castine， M.， Tseytlin， E.， Jukic， D.， & Crowley， R. S. （2009）. Effect of a limited-enforcement intelligent tutoring system in dermatopathology on student errors， goals and solution paths. Artificial Intelligence in Medicine， 47（3）， 175-197. https：//doi.org/10.1016/j.artmed.2009.07.002

Pedró， F.， Subosa， M.， Rivas， A.， & Valverde， P. （2019）. Artificial intelligence in education： challenges and opportunities for sustainable development. Paris： UNESCO.

Perez， S.， Massey-Allard， J.， Butler， D.， Ives， J.， Bonn， D.， Yee， N.， & Roll， I. （2017）. Identifying Productive Inquiry in Virtual Labs Using Sequence Mining. In E. André， R. Baker， X. Hu， Ma. M. T. Rodrigo， & B. du Boulay （Eds.）， Artificial Intelligence in Education （Vol. 10331， pp. 287-298）. https：//doi.org/10.1007/978-3-319-61425-0 24

Perin， D.， & Lauterbach， M. （2018）. Assessing Text-Based Writing of Low-Skilled College Students. International Journal of Artificial Intelligence in Education， 28（1）， 56-78. https：//doi.org/10.1007/s40593- 016-0122-z

Petticrew， M.， & Roberts， H. （2006）. Systematic reviews in the social sciences： A practical guide. Malden， MA; Oxford： Blackwell Pub.

Phani Krishna， K. V.， Mani Kumar， M.， & Aruna Sri， P. S. G. （2018）. Student information system and performance retrieval through dashboard. International Journal of Engineering and Technology（UAE）， 7， 682-685. DOI： 10.14419/ijet.v7i2.7.10922

Popenici， S.， & Kerr， S. （2017）. Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning. DOI： 10.1186/s41039- 017-0062-8

Prinsloo， P. （2017）. Fleeing from Frankensteins monster and meeting Kafka on the way： Algorithmic decision-making in higher education. E-Learning and Digital Media， 14（3）， 138-163. https：//doi.org/10.1177/2042753017731355

Quixal， M.， Meurers， Detmar. （2016）. How can Writing Tasks be Characterized in a way serving Pedagogical Goals and Automatic Analysis Needs？ Calico Journal， 33（1）， 19-48. https：//doi.org/10.1558/cj.v33i1.26543

Raju， D.， & Schumacker， R. （2015）. Exploring student characteristics of retention that lead to graduation in higher education using data mining models. Journal of College Student Retention： Research， Theory and Practice， 16（4）， 563-591. https：//doi.org/10.2190/CS.16.4.e

Ramírez， J.， Rico， M.， Riofrío-Luzcando， D.， Berrocal-Lobo， M.， & Antonio， A. （2018）. Students Evaluation of a Virtual World for Procedural Training in a Tertiary-Education Course. Journal of Educational Computing Research， 56（1）， 23-47. https：//doi.org/10.1177/0735633117706047

Ray， R. D.， & Belden， N. （2007）. Teaching College Level Content and Reading Comprehension Skills Simultaneously via an Artificially Intelligent Adaptive Computerized Instructional System. Psychological Record， 57（2）， 201-218. https：//opensiuc.lib.siu.edu/cgi/viewcontent.cgi？referer=https：//www.google.com/&httpsredir=1&article=1103&co ntext=tpr

Reid， J. （1995）. Managing learner support. In F. Lockwood （Ed.）， Open and distance learning today （pp. 265-275）. London： Routledge.

Rovira， S.， Puertas， E.， & Igual， L. （2017）. Data-driven system to predict academic grades and dropout. PLoS ONE， 12（2）， 1-21. https：//doi.org/10.1371/journal.pone.0171207

Russel， S.， & Norvig， P. （2010）. Artificial Intelligence-A Modern Approach. New Jersey： Pearson Education.

Salmon， G. （2000）. E-Moderating-The key to teaching and learning online （1st ed.）. London： Routledge.

Samarakou， M.， Fylladitakis， E. D.， Früh， W. G.， Hatziapostolou， A.， & Gelegenis， J. J. （2015）. An advanced eLearning environment developed for engineering learners. International Journal of Emerging Technologies in Learning， 10（3）， 22-33. https：//doi.org/10.3991/ijet.v10i3.4484

Sanchez， E. L.， Santos-Olmo， A.， Alvarez， E.， Huerta， M.， Camacho， S.， & Fernandez-Medina， E. （2016）. Development of an expert system for the evaluation of students curricula on the basis of competencies. FUTURE INTERNET， 8（2）. https：//doi.org/10.3390/fi8020022

Schiaffino， S.， Garcia， P.， & Amandi， A. （2008）. eTeacher： Providing personalized assistance to e-learning students. Computers & Education， 51（4）， 1744-1754. https：//doi.org/10.1016/j.compedu.2008.05.008

Sebastian， J.， & Richards， D. （2017）. Changing stigmatizing attitudes to mental health via education and contact with embodied conversational agents. Computers in Human Behavior， 73， 479-488. https：//doi.org/10.1016/j.chb.2017.03.071

Selwyn， N. （2016）. Is technology good for education？ Cambridge， UK： Malden， MA ： Polity Press.

Shen， V. R. L.， & Yang， C.-Y. （2011）. Intelligent Multiagent Tutoring System in Artificial Intelligence. International Journal of Engineering Education， 27（2）， 248-256.

?imundi， A.-M. （2009）. Measures of diagnostic accuracy： basic definitions. Journal of the International Federation of Clinical Chemistry and Laboratory Medicine， 19（4）， 203-2011. https：//www.ncbi.nlm.nih.gov/pubmed/27683318

Smith，? R. （2006）. Peer review： a flawed process at the heart of science and journals. Journal of the Royal Society of Medicine， 99， 178-182. DOI： 10.1258/jrsm.99.4.178

Spikol， D.， Ruffaldi， E.， Dabisias， G.， & Cukurova， M. （2018）. Supervised machine learning in multimodal learning analytics for estimating success in project‐based learning. Journal of Computer Assisted Learning， 34（4）， 366-377. https：//doi.org/10.1111/jcal.12263

Sreenivasa Rao， K.， Swapna， N.， & Praveen Kumar， P. （2018）. Educational data mining for student placement prediction using machine learning algorithms. International Journal of Engineering and Technology（UAE）， 7（1.2）， 43-46. DOI： 10.14419/ijet.v7i1.2.8988

Steenbergen-Hu， S.， & Cooper， H. （2014）. A meta-analysis of the effectiveness of intelligent tutoring systems on college students academic learning. Journal of Educational Psychology， 106（2）， 331-347. https：//doi.org/10.1037/a0034752

Sultana，? S.， Khan，? S.， & Abbas，? M. （2017）. Predicting performance of electrical engineering students using cognitive and non-cognitive features for identification of potential dropouts. International Journal of Electrical Engineering Education， 54（2）， 105-118. https：//doi.org/10.1177/0020720916688484

Tai， D. W. S.， Wu， H. J.， & Li， P. H. （2008）. Effective e-learning recommendation system based on self-organizing maps and association mining. Electronic Library， 26（3）， 329-344. https：//doi.org/10.1108/02640470810879482

Tegmark， M. （2018）. Life 3.0： Being human in the age of artificial intelligence. London： Penguin Books.

Thatcher， S. J. （2014）. The use of artificial intelligence in the learning of flight crew situation awareness in an undergraduate aviation programme. World Transactions on Engineering and Technology Education， 12（4）， 764-768. https：//www.semanticscholar.org/paper/The-use- of-artificial-intelligence-in-the-learning-Thatcher/758d305305151 1cde2f28fc6b2181b8e227f8ea2

Torres-Díaz， J. C.， Infante Moro， A.， & Valdiviezo Díaz， P. （2014）. Los MOOC y la masificación personalizada. Profesorado， 18（1）， 63-72. http：//www.redalyc.org/articulo.oa？id=56730662005

Umarani， S. D.， Raviram， P.， & Wahidabanu， R. S. D. （2011）. Speech based question recognition of interactive ubiquitous teaching robot using supervised classifier. International Journal of Engineering and Technology， 3（3）， 239-243. http：//www.enggjournals.com/ijet/docs/IJET11-03-03-35.pdf

Umer， R.， Susnjak， T.， Mathrani， A.， & Suriadi， S. （2017）. On predicting academic performance with process mining in learning analytics. Journal of Research in Innovative Teaching， 10（2）， 160-176. https：//doi.org/10.1108/JRIT-09-2017-0022

Vlugter， P.， Knott， A.， McDonald， J.， & Hall， C. （2009）. Dialogue-based CALL： A case study on teaching pronouns. Computer Assisted Language Learning， 22（2）， 115-131. https：//doi.org/10.1080/095882209 02778260

Walsh， K.， Tamjidul， H.， & Williams， K. （2017）. Human Machine Learning Symbiosis. Journal of Learning in Higher Education， 13（1）， 55-62. http：//cs.uno.edu/～tamjid/pub/2017/JLHE.pdf

Welham， D. （2008）. AI in training （1980-2000）： Foundation for the future or misplaced optimism？ British Journal of Educational Technology， 39（2）， 287-303. https：//doi.org/10.1111/j.1467-8535.2008.00818.x

Weston-Sementelli， J. L.， Allen， L. K.， & McNamara， D. S. （2018）. Comprehension and Writing Strategy Training Improves Performance on Content-Specific Source-Based Writing Tasks. International Journal of Artificial Intelligence in Education， 28（1）， 106-137. https：//doi.org/10.1007/s40593-016-0127-7

Wickham， H.， & Grolemund， G. （2016）. R for data science： Import， tidy， transform， visualize， and model data （First edition）. Sebastopol， CA： O Reilly.

Yang， F.， Wang， M.， Shen， R.， & Han， P. （2007）. Community-organizing agent： An artificial intelligent system for building learning communities among large numbers of learners. Computers & Education， 49（2）， 131-147. https：//doi.org/10.1016/j.compedu.2005.04.019

Yang， Y. F.， Wong， W. K.， & Yeh， H. C. （2009）. Investigating readers mental maps of references in an online system. Computers and Education， 53（3）， 799-808. https：//doi.org/10.1016/j.compedu.2009.04.016

Yoo， J.， & Kim， J. （2014）. Can Online Discussion Participation Predict Group Project Performance？ Investigating the Roles of Linguistic Features and Participation Patterns. International Journal of Artificial Intelligence in Education， 24（1）， 8-32. https：//www.learntechlib.org/p/155243/

Zhu， W.， Marquez， A.， & Yoo， J. （2015）. “Engineering Economics Jeopardy！” Mobile App for University Students. Engineering Economist， 60（4）， 291-306. https：//doi.org/10.1080/0013791X.2015.1067343

責(zé)任編輯 韓世梅