人工智能的教學角色隱喻分析

張志禎 張玲玲 徐雪迎 劉佳林

【摘 要】

能夠自主“感知、理解、預測、行動”的人工智能是靈活強大的學習技術，在教與學過程中可以發揮多種作用。技術的靈活性為智能教學系統的設計和應用帶來了挑戰。合理的功能定位是人工智能技術發揮作用的前提，對其教學角色隱喻的分析對于智能教學系統的研究與利用有指導作用。本研究選擇人工智能教育應用領域的高影響力項目開展了案例研究。案例研究表明，人工智能的教學角色隱喻主要有輔導者、教練、評價者、協調者、聯通者、同伴和學生七種。從歷史發展與現狀來看，占優勢的為教練、評價者和輔導者等教師隱喻。從教學的完整過程看，人工智能尚無法比肩人類教師，但在“行動中”其表現并不遜色于人類個體，在很多情況下各有千秋。受限于自然語言處理技術在語義處理上的裹足不前，輔導者還難以像人類教師一樣與學習者開展連續的自然語言對話，但教練、評價者、協調者、聯通者、學生和同伴則更充分地利用了計算機的多媒體與網絡數據計算、存儲、交互能力，能夠提供人類教師難以或無法提供的學習經驗。未來，人工智能的教學角色隱喻將繼續演化，呈現出分化與整合、從支持“學”到“學教”并重的總體趨勢;智能教學系統中文化因素的作用將日益顯性化;將更重視與學習者建立與維持長期關系;人工智能將促進學習環境的虛實融合，提高學習環境的適應性。

【關鍵詞】 ?人工智能教育應用;智能輔導系統;計算機支持的合作學習;教學代理;高影響力項目;教學角色;

案例研究

【中圖分類號】 ?G420 ? ? ? 【文獻標識碼】 ?A ? ?   【文章編號】 ?1009-458x（2019）11-0024-15

一、引言

能夠自主“感知、理解、預測、行動”的人工智能是前所未有的強大學習技術，它增強了教與學過程中作為交互主體的計算機的靈活性與適應性（張志禎， 等， 2019）。在教育領域，可以低成本、大范圍地使用智能技術的時間還不長，機構、個體的人工智能教育應用意識與能力差別很大，且總體上比較低。人工智能技術靈活、多樣，它在學與教活動中起作用的方式多種多樣，描述它作用的術語也并未達成一致。例如，“tutor”一詞，有時指談話教學法（如， Graesser， 2016），有時指認知學徒取向的問題解決教學法（如， Anderson， et al.， 1995）;譯為中文，則有“輔導”“導學”“指導”等多種譯法。對于核心概念的用詞與內涵缺乏共識，就其后果而言，不但會增加溝通成本，易導致思想混亂，而且可能誤導設計、開發與應用實踐，不利于領域知識積累;究其原因，是受到領域快速發展、從業人員的學科知識背景與訴求差異大、相對忽視教學層面的反思總結等因素的共同作用。在大范圍推進人工智能教育研究與實踐的背景下，非常有必要對人工智能支持學與教的微觀作用方式及其術語使用進行系統梳理。在此過程中，人工智能的教學角色隱喻分析將是很有效的切入點。教學角色隱喻（metaphor of instructional role）是對以人工智能技術為支撐的計算機系統在促進學習者①學習過程中所扮演的角色或發揮作用的方式的概括性比喻。

社會心理學意義上的角色指個人在一定社會關系中占有的地位及其規定的行為模式。在某一社會情境中，角色的社會功能是通過主體的行為展現的，是其行為的集合。對于計算機系統而言，行為等價于其提供的功能（functionality或feature），角色是特定功能的集合。

隱喻是一種修辭手法，也是一種認知方式。在修辭法意義上，隱喻是暗喻，是比喻的一種。隱喻較為含蓄，比喻隱藏在“是”這類謂詞中，如“教師是人類靈魂的工程師”。有語言學研究者認為隱喻是一種認知方式，是人類的一項基本認知能力。在日常生活中，人們常常通過熟悉、具體的概念來認識、思考和說明抽象、復雜的概念，這就產生了隱喻;在新興學科中這一現象尤為顯著，如信息技術領域的病毒、信息高速公路等概念（劉丹鳳， 魏躍衡， 2007）。在教育研究領域，教師的教學角色隱喻分析，即對于教師將教學看作什么、比作什么的系統分析，用于研究與發現教師的個人教學理論（康納利， 克蘭迪寧， 2004， p. 73），促進教師教育反思與專業成長（陳向明， 2001）。

Roll等（2016）認為對于人工智能教育應用領域，隱喻不但有助于建立共同愿景，而且有助于確立具體目標，對于人工智能教育應用研究有引領作用。在本領域誕生之初就已注意到計算機的教學角色隱喻問題。Collins等（1975）在40多年前就提到了人工智能的“人類教師”隱喻與“交互學習環境”隱喻。20年后，Anderson等（1995）透露出輔導教師（tutor）隱喻的局限性，但已深陷其中，很無奈。20世紀90年代，可創建可視化交互虛擬的計算機多媒體技術成熟、普及，催生出教學代理（pedagogical agent①）及其教學角色研究，教學代理可以作為專家、激勵者、指導者等多種教學角色（Johnson， et al.， 2000; Baylor & Kim， 2005）。又一個20年后，Roll等（2016）在元分析的基礎上，提出人工智能作為“輔導教師”有局限性，未來應該追求做學習者的“導師”（mentor）。

二、問題與方法

本研究試圖回答人工智能教育應用領域的如下問題：

第一，人工智能主要有哪些教學角色隱喻？②

第二，與人類教師相比，這些角色的優勢與局限是什么？

第三，教學角色隱喻分析對于未來的人工智能教育應用研究與實踐有何啟示？

本研究為多個案的案例研究。采用案例研究的原因有三：一是本領域具有強烈的工程化取向，主要通過利用人工智能及計算機多媒體、網絡技術建造教學系統或者系統原型來解決教育問題，這些系統蘊含了人工智能的教學角色隱喻，是天然的案例;二是本領域因人工智能技術發展、教育教學變革推進而處于快速發展期，知識體系、研究范式還未成熟，更適合探索性的案例研究;三是更深層次的認識論原因，即案例具有綜合性與情境性，案例本身比從中抽象出來的原則更真實可信，更能體現實踐智慧（波蘭尼， 2017， pp. 63-64）。

對于案例研究做如下說明：

① 案例選擇標準。本研究案例為“高影響力”項目，案例需滿足三個標準：一是持續時間較長，超過5年;二是在同行評審雜志/會議發表文章至少3篇;三是以目標學習者為被試開展過教學實驗研究。

② 案例資料收集與分析方法。采用“滾雪球”法（巴比， 2009）收集案例資料。以《國際人工智能教育應用雜志（International Journal of Artificial Intelligence in Education， IJAIED）》的25周年紀念?？?016年， 第26卷第1、2期）為起點，在其“經典文章”的反思論文與參考文獻的基礎上，順藤摸瓜，查找文獻。采用質性研究的“持續比較”法，自下而上形成教學角色隱喻類別，并根據新案例調整類別體系。

③ 案例分析單位。以項目開發的系統或系統原型為單位，匯總信息。記錄案例系統名稱、教學角色隱喻、開始年份、學科、知識點、學習目標類型、首席研究者、研究機構、研究機構所屬地區、項目成熟度、體驗版訪問地址與賬號等。項目成熟度屬性的取值：原型描述、實驗室實驗、學校實驗、課程整合和產品化五個水平。一個項目有多個版本或者衍生系統者，按照級別最高的取值。

④ 案例情況。本研究重點分析的21個智能教學系統案例的基本信息見附表1。案例研究機構所在地區：北美17個，占比81.0%;歐洲4個，占比19.0%。項目的成熟度分布：實驗室實驗占比14.3%，學校實驗占比14.3%，課程整合占比52.4%，產品化占比19.0%。學習內容分布：STEM16個，占比76.2%;語言、地理、社會文化行為等5個，占比23.8%。

三、人工智能教學角色隱喻：框架與案例

總體而言，如何促進學習者個體或小組的學習，即如何“用技術教”個體或小組，始終是人工智能教育應用研究關注的焦點。有關人是如何學習的、人類教師是如何教學的心理學理論是設計智能教學系統功能的主要依據，如維果茨基的內化與最近發展區理論、Anderson的ACT*R認知技能理論、人類教師輔導策略、班杜拉的社會認知理論、元認知理論、情境學習理論與認知學徒策略等。

（一）人工智能教學角色隱喻的框架

通過對案例中人工智能支持學習的方式進行分析概括，發現人工智能主要有七種教學角色隱喻，即人工智能作為：①輔導者（tutor），呈現問題（question），與學習者就問題進行自然語言對話，協同建構解釋，促進學習者對于概念、原理的理解，如SCHOLAR、AutoTutor;②教練（coach），選擇問題（problem），創建問題解決環境，逐步監控學習者解決問題的過程，適時給予評價、反饋，發展學習者的認知技能或者操作技能，如Cognitive Tutor、Writing Pal;③評價者（evaluator），通過練習或測驗評價學習者對知識、技能的掌握情況，也提供個性化反饋指導以及學情匯總，如ASSISTments、WISE+c-rater;④協調者（facilitator），系統參與學習者的在線討論，監控討論是否偏離主題以及任務完成情況，并可根據情況進行干預，比如向某個學生提問，如MentorChat、Bazaar;⑤聯通者（connector），系統將學習者與恰當的資源或人建立連接，即資源的推薦系統、人的匹配系統，如Course Signals、PHelpS、Quick Helper;⑥同伴（peer），系統模擬出與學習者身份相同、人口學特征相似的同伴，以豐富學習交互方式，實現合作、觀察與競爭等學習活動，促進學習者反思、表達，如LuCy、Mike、Alex;⑦學生（student），系統模擬出能夠以某種方式學習的學生，讓學習者“教中學”，如Bettys Brain、SimStudent、Square Family。

在七種角色隱喻中，前五種均可視為教師（teacher），因此總體上可以將教學角色隱喻分為教師、同伴與學生三大類。

將上述教學角色按照應用環境（智能輔導系統，ITS;計算機支持的合作學習，CSCL）、領域專長高低、對于學習與認知社會性的強調程度等維度進行分析，可形成一個組織框架，參見圖1。協調者、聯通者多見于計算機支持的合作學習（CSCL）環境中，即學習者借助網絡與其他學習者開展合作學習活動，計算機起協調、支持、幫助建立聯系等作用;其他五種角色主要在智能輔導系統（ITS）環境中，即計算機提供學習內容與學習環境，并與學習者開展教學互動。七種角色隱喻在領域專長（domain expertise）與學習認知的社會性（social dimension of learning）方面存在差異。通常而言，輔導者、教練與評價者位于連續體的一端，即計算機有很強的領域專長，具備解決學習者所面臨的問題或任務的知識、技能，更強調學習與認知的個體性;學生、同伴、聯通者、協調者位于連續體的另外一端，即其領域專長較弱，通常無法勝任解決學習者的問題這一任務，更強調學習與認知的社會性。

在七種角色隱喻中，以用戶數量和項目成熟度為標準，占優勢的為教練、評價者、輔導者與學生。

（二）輔導者：SCHOLAR與AutoTutor

輔導者通過與學習者進行自然語言對話開展教學，促進學習。語言是教與學最基本的媒介，談話教學法在東西方均有深厚的歷史傳統?？鬃拥摹皢l”、蘇格拉底的“產婆術”，都以與學習者的談話為核心。

20世紀60年代末開始研發的SCHOLAR，利用人機混合主動對話（man-computer mix initiative dialogue）在與學習者進行書面英語對話的過程中教授南美地理知識（Carbonell， 1970），開創了計算機自然語言對話輔導的先河。SCHOLAR的核心實現技術是自然語言處理（natural language processing， NLP）和語義網（semantic network）技術：NLP技術實現了與學習者的“交談”，理解學習者的回答與提問，生成書面英語，與學習者開展多輪次（但非常有限）的輔導對話;語義網實現了學科知識存儲與推理（檢索），使系統可以實時生成問題、回答問題。SCHOLAR具有里程碑意義，智能計算機輔助教學軟件（ICAI）和ITS研究濫觴于此。

AutoTutor項目始于20世紀末，是SCHOLAR之后眾多輔導者系統中最具代表性的系統。AutoTutor來自美國孟菲斯大學Art C. Graesser教授領導的跨學科研究團隊。當時的智能輔導系統多僅基于專家系統和人類認知的一般原則設計，而AutoTutor則采用了對人類師生一對一輔導對話過程進行分析所發現的輔導策略，關注如何利用自然語言交談幫助學習者精細化回答問題，以促進學習者對概念和原理形成深度理解，并在計算機素養、物理、批判性思維等多個領域取得與人類輔導者相當的學習效果（Graesser， 2016）。有關其具體輔導策略的介紹可參見高紅麗等（2016）。AutoTutor衍生出了多個項目，其中有開源系統，也有商業化產品（Nye， et al.， 2014）。

（三）教練：Cognitive Tutor與Writing Pal

教練（coach）支持“認知學徒”教學策略，教師為學習者創設解決問題、完成任務的環境，呈現問題，學習者嘗試解決問題，教師在觀察、分析學習者的表現過程與結果的基礎上為學習者提供指導、建議，強調有指導、及時反饋的“做中學”。這類系統通常圍繞學習者的認知技能發展，如操作程序（procedure）、問題解決（problem solving）和對話交流（oral communication）而展開。操作程序是指使用復雜設備或者執行流程復雜的關鍵任務，如培訓如何操作高壓力飛機的Steve系統（Johnson， 1997）。問題解決多為數學、物理、計算機等理工學科問題的解決，如Cognitive Tutor系列（VanLEHN， 2011）。對話交流特別強調口語交流能力培養，尤其是文化適宜的交流方式（Johnson & Lester， 2016）。

為監控與引導學習者的表現，智能教學系統利用計算機技術創設出交互學習環境;人工智能技術隱藏在可視化的環境與交互對象之后，增強其適應性。為了便于初學者學習，也為了方便計算機感知學習者的表現，通常教練類智能教學系統所構造的學習環境是高度結構化與高度限定性的。教練系統所創設的環境按照真實程度可分為三類：表單、模型與模擬。表單（form）采用文本框、按鈕、菜單等常規的計算機交互組件，參照問題解決步驟構建交互界面。例如，教小學生分數加法時，固定解題步驟，每一步提供分別輸入分子和分母的文本框，嚴格限定學生的解題步驟，從而很容易地定位錯誤。有些版本的Cognitive Tutor采用表單環境;以寫作策略為教學目標的Writing Pal（Weston-Sementelli， et al.， 2018）利用普通的文本輸入框等界面元素為學習者提供寫作與反饋環境。模型（model）指利用學科模型，如電路圖、函數圖像、數據表格、生態系統模型等學科知識表征手段，幫助學生理解與解決問題，如Andes（VanLehn et al.， 2005）。模擬（simulation）指用計算機模擬真實的設備或環境，讓學生在仿真的場景中解決問題，發展技能。如BEETLEII的模擬電路（Dzikovska， et al.， 2014）、Steve的沉浸式虛擬現實學習環境（Johnson， et al.， 2000）。

（四）評價者：ASSISTments與WISE+c-rater

評價者收集學習過程與結果的數據，對數據進行統計分析，參照標準進行價值判斷，并將評價結果反饋給教師、學習者以促進學習。評價者強調形成性評價。任何類型的智能教學系統都包含評價組件，這是教學模型做出教學決策的基礎，但評價者將結果反饋給教師和學習者，而不只是用于調整教學干預。

ASSISTments是assist與assessment兩個英語單詞的組合，強調評價活動伴隨學與教的過程自然開展，即其“非侵擾”性。在眾多ITS系統中，ASSISTments是比較獨特的，主要體現在：①在中小學中大范圍應用，2013—2014學年，學生用戶達50，000人;②系統面向教師開放，在應用過程中教師深度參與系統的教學應用，在常見ITS的教學應用過程中通常教師是不能改變其內容的，但是ASSISTments明確提出做平臺而非課程，課程需要由教師提供，可以說這是充分利用教師“智能”的平臺;③隨著系統的發展，逐步開始強調該系統作為教學研究平臺的價值，即利用其開展教學實驗，對比不同材料或教學策略的有效性，截至2014年已有18篇隨機控制實驗研究論文發表于實行同行評審的雜志;④不諱言應試問題，早期該系統的系統目標明確提出幫助高中生準備數學考試（Heffernan， et al.， 2014）。

WISE+c-rater利用計算機自動為學習者的短文回答進行評分，為科學探究學習中的簡答題提供自動反饋。在課堂中開展科學探究學習時，教師如何及時為學習者的回答提供反饋是教學的難題。WISE研究團隊將美國教育考試中心（ETS）用于SAT（Scholastic Assessment Test， 學術能力評估考試）等高利害相關考試中的作文自動評分系統c-rater整合到WISE平臺中，以實現自動評價學習者回答的知識整合水平，根據得分分配事先擬好的反饋指導，以促進科學探究學習（Liu， et al.， 2016; Gerard & Linn， 2016）。

（五）協調者：MentorChat與Bazaar

協調者（facilitator）指人工智能在學習者的在線同步聊天合作學習活動中采取各種策略，促進學習者之間深入對話、合作反思，以此促進學習。這一角色源于人工智能技術在計算機支持的合作學習中的應用，受到網絡技術與自然語言處理技術的推動，也受到學校教育中合作學習過程難以監控以及網絡課程（尤其是MOOC）中學習者互動交流不充分這些現實需求的推動。

MentorChat來自希臘薩落尼卡亞里士多德大學，用于支持大學課堂教學中的合作學習。2011年進行了教師、大學生接受度測試。MentorChat旨在為同伴討論式協同問題解決（如某軟件人機交互界面設計的優點與不足以及如何改進）提供動態支持，它實現了一個類似QQ的聊天環境，系統模擬出的會話代理（conversation agent）參與學習者的討論過程，可根據情況（如參與情況、知識點覆蓋情況等）向學習者提問（Tegos， et al.， 2014; Tegos & Demetriadis， 2017）。MentorChat以促進學習者同伴討論為目標，后期研究采用有學術成效的討論（academically productive talk， APT）框架分析學習者的討論，分析表明會話代理的干預有助于學習者明確表達出推理過程。教師可通過類似概念圖的方式設定討論問題所蘊含的領域知識。

Bazaar來自美國卡內基梅隆大學，其教學應用經歷了從中學到大學課堂教學，再到慕課課程的過程。它模擬出的對話代理（dialogue agent）能夠監控小組交流過程，檢測到特定事件時（如對話中學生用了“重述”策略）可以觸發干預，綜合判斷后智能體可以以“Tutor”名義在會話流中發出消息。Bazaar對話代理支持MOOC學習中的同伴互動始于2014年秋edX平臺上的“學習分析”課程。Bazaar代理參與在線學習者的會話討論，引導學習者合作反思進入聊天室之前學習的內容。數據表明這一經歷有助于降低學習者的退出率（Ferschke， et al.， 2015）。

（六）聯通者：iHelp與Quick Helper

所謂聯通者指人工智能技術能夠使學習者在恰當的時刻，與恰當的材料、人（可以是教師、同伴或外部專家，但多為具有相關問題解決專長的同伴，下文簡稱“同伴專家”）建立聯系，以促進學習。這是在商業、廣告等領域得到成功應用的智能推薦系統的教育版本。在教育領域主要關注同伴專家推薦與資源推薦，本部分關注支持與同伴專家建立關聯的系統。

iHelp來自加拿大薩斯喀徹溫（Saskatchewan）大學研究團隊。在學習者發出幫助請求后，iHelp代理幫助尋求者查找可能的幫助提供者，并建立實時的私下交流的聊天室，交流結束后系統要求雙方對交流做簡短的評價。20世紀90年代末期，為減輕教師的教學負擔，促進同伴互助，iHelp用于支持大學大班額的計算機課程教學（Greer， et al.， 2001; Bull， et al.， 2001）。在十余年的時間中，數以千計的大學生使用了該系統。系列研究的主要發現是：教師的教學措施對于大學生參與討論影響很大，教師的鼓勵、提倡促進了大學生參與討論，增強了大學生的動機與自信心;大學生之間差異很大，多數學生是“潛水者”，即只讀帖但沒有任何貢獻，有些學生則從為他人提供幫助當中獲得滿足感，動機是其中的核心問題（Vassileva， et al.， 2016）。

Quick Helper主要用于解決MOOC課程中多以討論區為學習者提供交流討論之場所，學習者的求助易被帖子淹沒的問題。如何幫助學習者匹配到可以提供幫助的同伴？在edX的課程中，課程論壇增加了一個“Quick Helper”按鈕。學習者在點擊該按鈕后，系統將查找能夠回答該問題的同伴，提供三人，讓提問者選擇。系統向選定的學習者發送電子郵件，通知有人向其提問。相關研究主要關注不同的“獎勵”機制對幫助、回答行為的影響，數據表明，徽章的效果更好，而對回答的肯定與否定投票效果不好（Rosé & Ferschke， 2016）。

（七）同伴：LuCy、Mike和Alex

同伴（peer， 或同儕）是一種特殊的學伴（learning companion），通常在社會角色和任務上與學習者一致，年齡、身份等與學習者相近。以中國俗語“陪太子讀書”引入的學伴系統（learning companion system），在計算機教師、人類學生構成的二元系統中增加了計算機模擬的學生，豐富了學習活動，使人類學生與計算機學生之間的合作、競爭、觀察、模仿等合作學習活動成為可能（Chan， 1996）。本部分以三個案例說明“同伴”隱喻的人工智能的教學方式。

LuCy：促進反思與表達。智能輔導系統PROPA教授衛星活動領域的解釋性分析技能，LuCy是其中一個模塊，是學習者在學習和解決問題過程中的合作伙伴，通過提問，鼓勵學習者反思、評估過去的學習行為，解釋行為背后的原因，說明行為的正當性。其局限是學習者和LuCy間的對話形式為菜單選擇式，不夠靈活自然。但有限的交互方式仍然有助于從學生的回答中獲取信息，探索學生的知識深度，促進學習（Goodman， et al.， 1998; Goodman， et al.，2016）。LuCy對后續研究有廣泛的影響。

Mike：網絡課程中“不智能”的同伴。Mike是面向教學設計初學者有關如何進行教學設計的網絡課程中的同伴（Kim & Baylor， 2006; Kim， 2007）。Mike和學習者一起完成課程任務，為學習者提供不同內容與風格的幫助信息。Mike設定為20歲左右的白人男性，衣著和語言較為隨意，語音為計算機合成。在實驗研究中，Mike的能力、交互方式有差異。能力高者，給學習者的建議專業、表述采用正式語言且自信;能力低者，則相反。主動交互者，主動為學習者提供材料或者建議;被動交互者，等待學生要求時才提供信息。研究表明，高水平學習者對高水平的Mike評價更高;低水平學習者則更喜歡被動交互的Mike。需要注意的是，Mike的行為并不“智能”，所給出的信息是研究者預設的。

Alex：對英語口語特點敏感的虛擬同伴。美國Cassell教授的研究團隊長期關注兒童口語及交談對于語言、科學學習的影響，先后研發與測試的同伴有：Sam，與兒童共享城堡世界，玩講故事游戲（Ryokai， et al.， 2003）;Alex，可切換英語口語風格與兒童用樂高積木一起搭橋（Cassell， et al.， 2009）;Jamie，分別用標準美語和非洲美語與學生合作完成社會、科學任務（Finkelstein， et al.， 2013）。其中，Alex是針對方言影響中小學生的科學學習表現，而教師的語言對學生語言影響不大，但同伴之間卻經常相互模仿對方的語言等現象而專門設計的。Alex是能夠在標準美語（Modern American English）和非洲美語（African American English）之間切換的虛擬同伴。Alex與學習者合作用樂高積木搭橋，實驗表明與說標準美語合作的黑人兒童，在匯報時口語中標準美語的成分更高，非洲美語的成分降低（Cassell， et al.， 2009）。①

（八）學生：Bettys Brain、SimStudent和Square Family

“以教為學（learning by teaching）”是一種有效的學習策略。人工智能可以模擬出多種形態與功能的學生，即所謂“可教代理（teachable agent）”。

Bettys Brain：學習者與學生共享知識表征。Bettys Brain由美國范德堡大學與斯坦福大學的Teaching Agent小組開發，始于2003年。學習者通過如下活動教Betty科學因果關系：直接教學，學習者閱讀材料，構建概念圖教Betty;提問，學習者利用模板生成問題，讓Betty回答;測驗，讓Betty參加考試，觀察她的表現，并讓Betty解釋回答的原因。Betty的知識僅來自學習者的教授。系統還提供了Mr. Davis代理，為沒有教學經驗的中小學生提供教學上的幫助。系統使學習者和Betty之間共享知識表征、共享責任，利用社會責任激發學習動機：不是為了自己學習，而是為了教授學習時學習者能夠學得更好（Kwong， et al.， 2008; Biswas， et al.， 2016）。

SimStudent：學習者指導學生解決問題。SimStudent內嵌于Web學習環境中。學習者的目標是幫助Lucy（SimStudent模擬出來的虛擬形象的名字）通過考試。學習者的任務是：給Lucy出題，可以從題庫中選擇，也可以編新題。Lucy利用已掌握的產生式規則，嘗試解題，每一步驟都會請學習者確認正確或者錯誤。例如，對于，“3x+5=7”，等號兩邊同時減去5是恰當的，而兩邊同時除以3是不合適的。對于學習者認為是錯誤的步驟，Lucy會嘗試利用產生式規則產生新的解題方法，如果無法生成，則學習者需要給出該步驟的解決方法。SimStudent有時會向學習者提問，請他說明解題方法的依據。有關SimStudent的早期研究（Matsuda， et al.， 2011）發現，低知識水平的學生其學習效應低于高知識水平的學生;后續版本為學習者提供了元認知支架（meta-cognition scaffold）①。提供元認知支架的SimStudent，其學習效果與Cognitive Tutor相當（Matsuda， et al.， 2018）。

Square Family：學習者在游戲中“帶徒弟”，促進反思與知識顯性化。瑞典西部大學Pareto團隊對于如何在數學教學游戲中利用可教代理促進學生對于數學概念的掌握進行了長期的探索（Pareto， et al.， 2009; Pareto， 2014）。Square Family是為小學生掌握數概念而開發的一組棋牌類2人游戲。在游戲中引入可教代理（學生）是為了使學習者將游戲操作與背后的數學概念和原理明確關聯。學習者可以選擇自己玩游戲，也可以教代理玩游戲。教代理的方法有兩種：演示給代理看，或者在代理玩游戲的時候給予指導和幫助。在這兩種情況下，代理都可能提問，要求對操作提供解釋說明。游戲可以增強動機，而“教”代理，為代理演示、講解游戲策略則能夠促進學習者反思，這有助于減少學習者以贏得游戲為目標，積極互動，卻忽略理解學科知識與掌握目標技能的現象。

四、人工智能不同教學角色隱喻的優勢與局限

從教學的全過程看，人工智能尚遠不如人類教師。任何模式的教學活動都可分為“行動前”“行動中”“行動后”（徐碧美， 2003， p.24）?！靶袆忧啊钡膫湔n、開展教學設計、準備教學材料與環境，對人類教師而言通常是個體行為，對人工智能而言通常是多專業背景團隊的工程任務，涉及教學設計、軟件開發、設備調試、系統測試?？梢哉f，對于智能教學系統而言，“行動前”基本上全靠“人工”?！靶袆雍蟆?，對人類教師而言是教學反思與作業批改，對人工智能而言似乎僅是被動的“數據統計報表”。“教學相長”是人類教學活動的基本特點，不管是個別輔導還是集體授課，教學活動不僅能夠促進學習者的發展，也能夠改進人類教師對學科知識、學習者和教育情境的理解，即所謂“經驗+反思=教師的成長”，教師的教學能力主要是在教學實踐中發展起來的;對于人工智能而言，“行動”也許僅僅導致系統中學生模型有所更新而已。因此，本文只對比分析“行動中”人工智能與人類教師的行為表現。先分析人工智能在“行動中”的一般特點，再逐一分析各個教學角色的獨特特點。

與人類教師相比，人工智能在“行動中”的一般特點有：①角色單一固定，系統功能決定了人工智能的教學角色，而功能是預設的和固定的，在“行動中”難以改變，難以靈活切換角色，更難以即興發揮，代理承擔多種角色反而可能會引起學習者的困惑（Johnson， et al.， 2016）;②接觸面大，與計算機網絡結合，可以跨越空間和時間，在大規模應用的情況下成本降低——這是人類教師難以比擬的，也是以巨大的投入來開發這些系統的原因;③穩定性高，即條件相同則系統給出的干預措施相同;④以多媒體形式呈現教學信息;⑤教學過程可回溯、可再現，可以實現詳細的過程記錄和不同級別的概括呈現。從表現上看，智能教學系統介于固定、被動呈現教學信息的教學媒體和靈活、具有生成能力的人類教師之間;接觸面大、穩定、多媒體呈現、可精確回溯重建是其最大優勢。

下面對不同角色隱喻的人工智能在“行動中”的表現分別進行分析。

（一）在語義泥淖中艱難前行的“輔導者”

盡管輔導者是最早實現的教學角色隱喻，也有相當成功的系統，但自然對話輔導之路卻異?？部馈．斍埃o導者的表現仍難以比肩人類教師。以AutoTutor為例，它能夠在某個限定的領域（如牛頓定律、計算機組成等）采用比人類教師更精巧的輔導策略，可以實現復雜的三元對話（輔導者之外，再模擬一個虛擬同伴，與學習者構成三元系統），并取得了在統計上有效的教學效果，但系統很難恰當、正確地回答學習者的問題，用一段時間后通常學習者就再也不會主動提問了（Graesser， 2016）。

這受限于NLP技術本身，更具體地說是計算機對于語義的無能為力。自然對話系統研究領域的開創性研究者Barbara J. Grosz在2018年的訪談中認為，目前最先進的系統其對話能力也遠遜于人類，會犯一些正常人不可能犯的錯誤（Ford， 2018， p. 5423）。當前機器翻譯、語音識別領域的突破主要是消解了語義、利用統計語言學模型取得的成果（吳軍， 2014， pp. 27-40）。令人印象深刻的工程杰作IBM的Watson，它所贏得的“危險邊緣”問答競賽，問題之間互不相關且答案主要為確定的事實，約95%的答案從維基百科頁面標題中檢索就能得到，不是深層次的語義推理（Ford， 2018， p. 5034）。但輔導對話對于話語的精確度要求很高，不真正理解語義、不具備常識的系統很難回答超出規定的問題，難以精準診斷學生的誤解。在NLP技術取得突破之前，恐怕任何輔導系統的表現都難以望人類個體的項背。

輔導者的另一個挑戰是，它主要借助自然語言對話開展教學，這限制了它能夠達成的學習目標：不能給學習者提供“做”的機會，因此無法發展學生的認知技能;限于計算機理解和表達自然語言的能力，系統又無法像孔子和蘇格拉底那樣引導學習者思考開放、深奧、結構不良的原則和理論性問題，只能支持對事實、概念和簡單規則的學習。

實際上，人工智能“輔導者”所提供的“輔導”與人類教師的輔導是不一樣的。人類輔導者通常不僅是對話提問者，還是教練，尤其在數學、理科和語言學科，人類輔導者不但提問、回答問題、反饋、解釋，而且讓學習者做題（解決問題），根據其表現給予反饋，雜以提問、講解、示范，實際上承擔了“教練”的角色。

（二）拓寬了教學交互帶寬的“教練”

能夠模擬出問題解決環境，監控、引導學習者解決問題的“教練”充分利用了計算機的多媒體技術（廣義上的多媒體技術包含虛擬現實與增強現實等技術），拓展了教學交互方式，在發展學習者的認知技能方面比人類教師更具優勢。

計算機模擬出的問題解決環境，或者其增強的虛擬環境、虛實結合的環境，可以根據需要調整復雜程度，動態呈現提示、反饋，消除危險操作，跟蹤學習者的表現，甚至重放問題解決過程，幫助學習者反思、概括——這些也是人類教師很難提供的學習經驗。人類教師的優勢是能夠觀察學習者在真實世界中的表現，給出反饋，但隨著人工智能技術“感知”能力的增強與各種傳感器的發展，這一優勢也可能會逐漸喪失。

認知技能通常是各級各類教育的主體內容，且認知技能總是需要相當數量的練習才能達到自動高效的水平。因此，僅聚焦于認知技能的教練應用空間其實很大。

（三）被低估的“評價者”

作為評價者，計算機的表現優于人類教師。在數據收集、存儲、分析統計、管理、交互式可視化呈現方面，在速度、準確度和規模上人類教師是難以企及的。

Luckin（2016）認為人工智能技術的應用可能會造成評價的“復興”，這歸因于人工智能技術支持的評價能夠提供即時（just-in-time）評價，重塑學習;有助于更好地理解學習過程，明確特定學習的進展狀態;無須“停下來考試（stop-and-test）”，而是伴隨式評價。最后這一點，與ASSISTments系統的名稱和愿景相應和。

作為“評價者”的智能教學系統常常被低估，致使其難以發揮應有的作用。首先，可能是觀念上的，似乎提到評價就是考試，就是為“應試”服務的;其次，評價要真正融入教學，對教師的教學要求做出調整，但從研究的角度似乎缺乏創新或者難以找到值得研究的點。目前，日常教學中的形成性評價發揮的作用還不夠，教師缺乏自動化系統與評價方法上的支持。

（四）聲聲入耳的“協調者”

作為小組討論協調者的人工智能，在理解對話、引導討論的靈活性和大局觀上無法和人類教師相比，但其優勢在于真正的“聲聲入耳”，而且能夠同時參與多個小組的討論，對所有小組一視同仁，不會漏掉一句話。因此，協調者完成了即使在小班教學的情況下對于人類教師而言也是不可能完成的任務：監控、引導每個小組的討論。

和其他類型的智能教學系統不同，協調者的出現，其背后教學需求驅動的色彩更加濃重。一開始，協調者就是作為在線學習生態系統中的一個物種，協助教師做教師難以完成的工作：對小組合作學習的監控和引導在課堂教學和在線學習中都有需求，且難以實現。CSCL是個成熟的研究領域，但在采用NLP技術動態干預之前，該領域研究多采用現有支持同步、異步網絡交流的技術（如論壇、聊天室）對干預措施（任務類型、合作活動的結構或者腳本， script）對于交互過程、模式、效果的影響進行微觀的心理學和語言學分析。NLP技術的發展，使得對合作學習過程進行動態支持監控和干預成為可能。基于多年研究與實踐對于合作學習需求的理解與把握，雖然現有的協調者相對而言不多，出現得也比較晚，但是出現之后很快就用于大學課堂和慕課當中，并且內容教師可以定制，如在MentorChat系統中教師可以通過概念圖設定課程內容（Tegos & Demetriadis， 2017）。

和輔導者不同，協調者不需要負責維持與學習者的連貫對話，它監控學習者之間的對話，根據條件觸發一些動作（如向某學習者提問、重述某學習者的話），再由特定任務限定討論的話題和情境，更容易開發出可用的系統?？梢灶A期未來協調者會有更大范圍的應用。

（五）無遠弗屆的“聯通者”

在課堂教學過程中教師也頻繁地承擔“聯通者”的角色，如合作學習的小組劃分、學習者配對“幫扶”、為某個學習者推薦閱讀材料或者復習資料等。目前的人工智能“聯通者”和教師相比，兩者的差異主要在廣度和深度上。人工智能系統可以在更廣大的范圍內工作，但對于每個對象（學習者個體、資源材料）所掌握的信息比較淺，對于學習者多為特定的認知狀態，缺少性格、情緒與行為管理、家庭背景、學習歷史狀況等方面的信息。有些時候這樣的匹配可能會取得預想不到的效果，但有些時候可能會造成問題。教師作為聯通者，受到了解學習者的程度、資源數量、數據處理能力等方面的限制，但好處是可以靈活地進行監控和調整。

（六）未來可期的“同伴”與“學生”

將同伴與學生一起分析，是因為兩者都強調學習的社會性與合作性;相對于其他角色隱喻而言，成熟程度都較低，應用不夠普遍;都是人類教師所無法承擔的教學角色。而與真正的同伴（同學）相比，人工智能模擬的角色更加靈活多樣，在外貌（種族、性別、年齡等）、衣著、用詞、交互風格、能力水平等方面甚至動態可變，并且能夠以多種方式與學習者開展合作、競爭等學習活動。

人工智能作為同伴與學生角色，目前應用相對較少?？赡艿脑蛴袃煞矫妫阂皇窃O計與開發的難度更大。除了要考慮教學內容與學科之外，同伴和學生通常有一個可視化的外觀，有特定的表達方式與行為模式，即設計開發這樣的系統還需要考慮藝術、文化、社會等諸多方面因素（Kim & Baylor， 2006）。二是學習活動設計難度更大。同伴與學生發揮作用的方式很多，可以是合作者也可以是競爭者，在已有研究中合作者要多于競爭者，原因可能在于競爭雖然對于某些學習者有提高動機的作用，但也會造成只追求表現、忽略學習或導致更高的心理壓力等問題（Chan， 1996）。不管是合作還是競爭，同伴與學生的加入都增加了交互主體，提高了活動結構與交互設計的復雜度。

同伴與學生所提供的學習體驗是人類教師無法提供的，這類經驗對于學科學習的影響以及對學習者其他方面的影響還需要更多的研究加以揭示。

五、人工智能教學角色隱喻分析的啟示

基于本研究的案例分析，對于人工智能教育應用，尤其是智能教學系統研究與應用的發展趨勢，可以得到哪些啟示呢？

（一）人工智能教學角色的持續演化：從支持“學”到“學教”并重

對案例中人工智能的教學角色隱喻從時間上進行概括，其發展可分為三個階段：

第一階段為草創期，1970—1990年。20世紀60年代中后期，研究者開始探索人工智能技術如何應用于教育，模擬人類教師的輔導教學，增強計算機輔助教學（CAI）軟件的靈活性與適應性是當時的切入點，如Carbonell（1970）的SCHOLAR。Bloom（1984）的“2sigma”文章為追求師生一對一輔導奠定了實證基礎。20世紀80年代，以專家系統為核心的教練系統嶄露頭角并迅速成為主角。這一階段人工智能的教學角色隱喻單一，僅有輔導者和教練這兩種教師隱喻。

第二階段為探索期，1990—2010年。20世紀90年代初，同伴與學生隱喻興起，教師隱喻有所擴展。同伴與學生隱喻的出現，既得益于心理學強調學習的情境性、社會性與建構性，也得益于計算機多媒體與網絡技術的成熟使得動畫教學代理在技術上可行（Johnson， et al.， 2000）。聯網計算機與教學平臺的普遍使用使得伴隨式評價成為可能，ASSISTments這樣的評價者開始作為獨立角色出現。教練、輔導者仍是主流，且教練類系統開始產品化。

第三階段為發展期，2010年至今。MOOC是互聯網變革教育（尤其是高等教育）的典型方式，與高校普遍開展的“線上+課堂”混合式教學實踐一起，在教學過程數據積累和個性化學習指導方面帶來了前所未有的挑戰。這為人工智能技術開辟了新的應用空間，如Aleven等（2016）探索了Cognitive Tutor與MOOC課程的整合，通過互聯網提供“做中學”的教練。

未來，人工智能教學角色隱喻的演化，總體上將從支持“學”到“學教”并重。早期人工智能技術僅掌握在少數研究者手中，其教育應用以模仿人類的“教”、實現教的自動化為目標。未來，技術直接“教”仍然是研究重點，但在可以預見的未來，人工智能要對真實世界的教育產生更大影響，必須要借助人類教師的力量。正如Dillenbourg（2016）所言：“更多教師”是未來數字化教育的發展趨勢，對于智能教學系統而言，不僅其學校教育應用需要教師的協助，而且教師應參與到其設計與迭代改進當中——這是站在智能教學系統的立場上的表達方式，更恰當的是反過來說，系統應協助教師，成為教師的工具或助手。

將擴展與分化出新的角色隱喻。擴展指人工智能應用領域的拓寬。目前的“人工智能教育應用”，嚴格來說，僅僅是“教學應用”，而且只是對于個體和小組學習給予支持。新的角色可能在教學之外，具有更多教育功能，如師生的健康健身顧問、課堂問題行為管理、特殊教育需要學生的個性化教育方案制定等，以及如何支持“教”，如作為教師的教學助手。所謂分化是指已有角色在某些方面的功能有所擴展，形成新的角色。在本文的分類中，同伴與學生的角色還比較概括，存在進一步分化的空間。

已有角色隱喻將進一步整合。整合是指一個智能教學系統具備兩個或者兩個以上的角色。實際上，這已經發生，如BEETLEII是輔導者與教練的結合（Dzikovska， et al.， 2014）。可以預期，對話輔導的功能會整合到其他類型的智能教學系統當中;評價者將成為通向其他類型系統的入口，根據學科的不同將整合輔導者、教練、聯通者等功能;聯通者與協調者將互相開放數據，協同工作。

（二）智能教學系統中文化因素的作用顯性化

教與學本身就是文化活動，浸潤在特定文化之中。不過以往的教學媒體和資源自身并不具備文化感知能力，無法感知、適應學習者的文化。同時，智能教學系統多關注STEM學科，這些學科的內容具有跨文化一致性，雖然其深層思維方式或者解釋方式是與文化關聯的，但比較隱蔽。當前和未來智能教學系統中文化因素的作用顯性化，除前文所述同伴、學生等教學代理的設計中將文化顯性化外，還體現在以下幾方面：

第一，明確文化因素對于學科學習影響的實證研究基礎正在形成。例如，Finkelstein等（2013）研究發現不同美語方言（標準美語與非洲美語）影響黑人兒童的科學學習。

第二，智能教學系統在跨文化交流能力培養方面具有獨特優勢。人工智能技術與多媒體技術相結合，模擬出日常生活和工作的場所，在這樣的系統中學習跨文化交流已被證明是有效的，如在VCAT（Johnson & Lester， 2016）中學習。當前，培養學習者的國際素養日益受到重視，這類學習需求將持續增加。

第三，智能教學系統成為實現課程在不同文化間遷移的手段。任何勝任學科教學工作的教師都具有豐富的學科、學生、教學以及學科教學法知識（Shulman， 1986），但這類知識很難跨文化傳播。智能教學系統在這方面可以起到將知識形式化的作用。例如，Genie2（Khachatryan， et al.， 2014）將俄羅斯數學教師的教學專長存儲到智能教學系統中，用于美國課堂，很有成效。

第四，某些智能教學系統的跨文化遷移可能更難。課程與教學的跨文化采納已經是常規。比如教科書翻譯方面，已經有了很多成功的經驗。但是，智能教學系統這樣的教學資源“翻譯”難度要大得多，尤其是輔導類系統。例如，AutoTutor高度依賴NLP技術，“翻譯”涉及語言的語法結構等深層特點，難度很大。人工智能教育應用領域已經關注到這一點。例如，Ogan與Johnson（2016）提出應發展文化敏感的教育技術。

（三）建立并維持與學習者的長期關系

智能教學系統是否有必要與學習者建立長期關系，如何建立并維持長期關系，學習者如何看待、體驗與系統的關系，以及長期關系的作用與副作用等，都是值得研究的問題。

在人與計算機互動過程中似乎具有“人格化”對方、使“人機”關系具有“人際”關系特點的傾向。最早的人機自然語言對話系統Eliza，最有趣的也許是使用者對“她”的反應：很多人就像對待一個真正的人類個體那樣和“她”交流（尼克， 2017， pp. 137-142）。Veletsianos和Miller（2008）對于與教學代理開展對話學習的大學生所進行的現象學研究表明，在現象學意義上，大學生在與教學代理的交談中所獲得的學習經驗是復雜的，虛擬而真實，和與人類的交流類似，具有社會性。

在本研究所概括的七種角色隱喻中，輔導者、同伴和學生通常會創建一個學習者可感知、可交互的人類形象，尤其是同伴、學生本身就強調以社會性，即以學習者與“形象”之間的社會關系，激發興趣、維持動機、促進知識的深度建構。Walker和Ogan（2016）提出應有意設計智能教學系統與學習者之間的社會關系以促進學習，并設想了建立與維持關系在技術與倫理方面的要求與問題。

如果本文引言中所提到的，未來人工智能的角色隱喻應為“導師（mentor）”（Roll & Wylie， 2016），不僅僅停留在某些特定知識和技能的學習上，而且能夠幫助和指導學生的全面發展，這需要與學習者建立長期的關系，而機器人、情感計算等技術的發展為與學習者建立更“人性化”的關系打下了技術基礎（Lubold， et al.， 2018）。

（四）人工智能促進學習環境的虛實融合

當前，“物理/現實”與“數字/虛擬”相互作用的學習環境已經很常見，人工智能技術將進一步推動學習環境的虛實融合，增強整體環境的靈活性與適應性。主要體現在以下方面：

第一，人工智能使計算機有了更強的“感知”能力。計算機能夠收集到有關學習者與學習情境的更全面的數據，不但催生了新型人機交互方式，而且有助于計算機全面感知學習者的特點和狀態，也為支持開展新型學習活動奠定了技術基礎。例如，在某些版本的AutoTutor中，計算機能夠感知學習者的情緒、情感和注意力狀態（Nye， et al.， 2014）;Alex與學生一起用樂高積木搭橋（Cassell， et al.， 2009）;人工智能在支持動作技能學習方面很有潛力（Santos， 2016）。

第二，智能教學系統發布設備的形態多樣化。當前教室中的計算設備多為常規的商業設備，專門為教學場景設計的硬件是未來的發展方向嗎？比如，機器人能為教學帶來什么？Timms（2016）認為與教師合作的教育協作機器人（educational cobot）在未來的教室中將有一席之地，當然機器人的形態和功能還在探索中。本領域的研究者也已經在研究機器人作為教學代理的效果，如Johnson和Lester（2016）、Lubold等（2018）。

第三，虛擬學習空間的智能化。近年來虛擬現實技術的產業化取得了很大進展，在教育中的應用也越來越普遍（張志禎， 2016）。由于虛擬現實（VR）與增強現實（AR）場景、動作均可以靈活生成，與人工智能結合的空間很大，預期未來Steve那樣整合了智能輔導功能的虛擬現實教學“教練”系統（Johnson， et al.， 2000）會日益常見。此外，輔導者和同伴在游戲場景中的應用也很值得期待。

六、結語

本研究從教學角色隱喻的角度，以人工智能教育應用領域的高影響力項目為案例，對人工智能是如何支持學習活動的以及描述其作用方式的術語做了系統梳理。從案例中概括出七種教學角色隱喻，即輔導者、教練、評價者、協調者、聯通者、同伴和學生。案例分析表明，人工智能的確是強大、靈活的學習技術，盡管在教學全過程中尚無法與人類個體相比，但它在“行動中”的表現并不遜色于人類個體，人工智能與人類教師在很多情況下各有千秋。受限于自然語言處理技術在語義處理上的裹足不前，輔導者還難以像人類教師一樣與學習者開展連續的自然語言對話，但教練、評價者、協調者、聯通者、學生與同伴則更充分地利用了計算機的多媒體數據計算、存儲和交互能力，能夠提供人類教師難以或無法提供的學習經驗。如此靈活強大的學習技術，如何能夠更充分地發揮作用，在更大范圍內促進學習，提升教學質量，是亟待探索的課題。

未來，在各種外部力量與教育改革內在需求的推動下，人工智能教育應用將逐步生態化。人工智能教學角色隱喻將持續演化，總體上將從僅關注、支持“學”，技術自己去“教”，轉變為“學教”并重，即技術除了繼續支持“學”，還將支持教師的“教”。智能教學系統中文化因素的作用將顯性化。人工智能教育應用領域將重視與學習者建立和維持長期關系的必要性、可行性與方法;將持續推進學習環境的虛實融合，提高學習環境的智能化水平，即提高其靈活性與適應性。

本研究也存在一些局限。第一，案例選擇的標準使新的項目未能納入，特別是有關機器人教育應用的項目。這一決定有利有弊：好的方面，是能夠排除一些“趕潮流”的項目，畢竟雖然技術發展飛速，但人類的學習和認知方式與能力是基本穩定的，而且人工智能技術復雜、不穩定，教育領域的研究者與實踐者充分理解技術、全面認識其教育潛力、找到其發揮作用的方式與情境是需要時間的;壞的方面，是可能會遺漏關鍵項目，導致忽略重要的研究趨勢，但通過對2018年、2019年相關學術會議論文的內容進行非正式分析可以發現，本研究所概括的隱喻能夠涵蓋最新的研究。第二，本研究所選擇的案例是和學習過程直接相關的人工智能教育應用項目，而對于其在大規模考試的作文、口語評判以及拍照搜題等與學習過程不直接相關的應用沒有涉及。第三，選擇的案例主要為美國、歐洲的科研項目。案例未涵蓋我國的項目，是受文獻檢索結果、案例選擇標準所限;未將某些知名的商業項目納入分析的原因是，有關這些產品的可信度高的資料很難獲取。

智能時代來臨，教育變革壓力空前;我國教育信息化進入2.0新階段，領跑的“智能化教育”亟待研究支持。對高影響力項目的案例分析，折射出歐美四十多年的人工智能教育應用研究與實踐經驗，對我們利用人工智能變革教育有借鑒價值。因此，盡管研究存在一些局限，我們也不揣淺陋，希望從教學角色隱喻這一視角對于人工智能在學與教過程中微觀作用方式的概括分析，有助于引發更多對于人工智能教育應用過程中教學法層面的思考與討論。

[參考文獻]

Russell， S. J.， & Norvig， P. 2013. 人工智能：一種現代的方法[M]. 第3版. 殷建平，祝恩，劉越，陳躍新，王挺，譯. 北京：清華大學出版社.

艾爾·巴比. 2009. 社會研究方法[M]. 邱澤奇，譯. 第11版. 北京：華夏出版社.

邁克爾·波蘭尼. 2017. 個人知識：朝向后批判哲學[M]. 徐陶，譯. 上海：上海人民出版社.

陳向明. 2001. 教師的作用是什么：對教師隱喻的分析[J]. 教育研究與實驗（1）：13-19，72.

高紅麗，隆舟，劉凱，徐升，蔡志強，胡祥恩. 2016. 智能導學系統AutoTutor：理論、技術、應用和預期影響[J]. 開放教育研究，22（2）：96-103.

F. 邁克爾·康納利，D. 瓊·克蘭迪寧. 2004. 教師成為課程研究者：經驗敘事[M]. 劉良華，鄺紅軍，譯. 杭州：浙江教育出版社.

劉丹鳳，魏躍衡. 2007. 談隱喻意識在英語學習者深層閱讀理解中的作用[J]. 遵義師范學院學報（1）：68-71.

尼克. 2017. 人工智能簡史[M]. 北京：人民郵電出版社.

徐碧美. 2003. 追求卓越：教師專業發展案例研究[M]. 北京：人民教育出版社.

吳軍. 2014. 數學之美[M]. 第2版. 北京：人民郵電出版社.

張志禎，張玲玲，羅瓊菱子，鄭葳. 2019. 人工智能教育應用的實然分析：教學自動化的方法與限度[J]. 中國遠程教育（3）：1-13，92.

張志禎. 2016. 虛擬現實教育應用：追求身心一體的教育——從北京師范大學“智慧學習與VR教育應用學術周”說起[J]. 中國遠程教育（6）：5-15，79.

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

Aleven， V.， Baker， R.， Wang， Y.， Sewall， J.， & Popescu， O. （2016）. [acm press the third （2016） acm conference-edinburgh， scotland， uk （2016.04.25-2016.04.26）] proceedings of the third （2016） acm conference on learning @ scale-l@s＼"16-bringing non-programmer authoring of intelligent tutors to moocs. 313-316.

Baylor， A. L.， & Kim， Y.. （2005）. Simulating instructional roles through pedagogical agents. International Journal of Artificial Intelligence in Education， 15（15）， 95-115.

Biswas， G.， Segedy， J. R.， & Bunchongchit， K. （2016）. From design to implementation to practice a learning by teaching system： Bettys Brain. International Journal of Artificial Intelligence in Education， 26（2）， 350-364.

Bloom， B. S. （1984）. The 2 sigma problem： The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher， 13（6）， 4-16.

Bull， S.， Greer， J.， McCalla， G.， Kettel， L.， & Bowes， J. （2001， July）. User modelling in i-help： What， why， when and how. In International Conference on User Modeling （pp. 117-126）. Springer， Berlin， Heidelberg.

Cassell， J.， Geraghty， K.， Gonzalez， B.， & Borland， J.. （2009）. Modeling culturally authentic style shifting with virtual peers. International Conference on Multimodal Interfaces. ACM.

Carbonell， J. R. （1970）. AI in CAI： An artificial intelligence approach to computer-assisted instruction. IEEE Transactions， 11（4）， 190-202.

Chan， T. W. （1996）. Learning companion systems， social learning systems， and the global social learning club. Journal of Artificial Intelligence in Education， 7（2）， 125-159.

Collins， A.， & Grignetti， M. 1975. Intelligent CAI. Final Report （1 March 1971-31 August 1975）. Retrieved October 10， 2018， from https：//eric.ed.gov/？id=ED114089

Dillenbourg， P. （2016）. The evolution of research on digital education. International Journal of Artificial Intelligence in Education， 26（2）， 544-560.

Dzikovska， M.， Steinhauser， N.， Farrow， E.， Moore， J.， & Campbell， G. （2014）. BEETLE II： Deep natural language understanding and automatic feedback generation for intelligent tutoring in basic electricity and electronics. International Journal of Artificial Intelligence in Education， 24（3）， 284-332.

Ferschke， O.， Yang， D.， Tomar， G.， & Carolyn Penstein Rosé. （2015）. Positive impact of collaborative chat participation in an edX MOOC. International Conference on Artificial Intelligence in Education. Springer， Cham.

Finkelstein， S.， Yarzebinski， E.， Vaughn， C.， Ogan， A.， & Cassell， J.（2013）. The effects of culturally congruent educational technologies on student achievement. Artificial Intelligence in Education. Springer Berlin Heidelberg.

Ford， M. （2018）. Architects of intelligence： The truth about AI from the people building it. Birmingham： Packt Publishing. ISBN 978-1- 78913-151-2 （Kindle） （kindle edition）.

Gerard， L. F.， & Linn， M. C.. （2016）. Using automated scores of student essays to support teacher guidance in classroom inquiry. Journal of Science Teacher Education， 27（1）， 111-129.

Goodman， B.， Linton， F.， & Gaimari， R.. （2016）. Encouraging student reflection and articulation using a learning companion： A commentary. International Journal of Artificial Intelligence in Education， 26（1）， 474-488.

Goodman， B.， Soller， A.， Linton， F.， & Gaimari， R. （1998）. Encouraging student reflection and articulation using a learning companion. International Journal of Artificial Intelligence in Education， 9（2）， 237-255.

Graesser， A. C. （2016）. Conversations with autotutor help students learn. International Journal of Artificial Intelligence in Education， 26（1）， 124-132.

Greer， J.， McCalla， G.， Vassileva， J.， Deters， R.， Bull， S.， & Kettel， L. （2001）. Lessons learned in deploying a multi-agent learning support system： The I-Help experience. Proceedings of AI in Education AIED， 410-421.

Heffernan， N. T.， & Heffernan， C. L.. （2014）. The assistments ecosystem： Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education， 24（4）， 470-497.

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.

Johnson， W. L.， Rickel， J.W.， & Lester， J. C. （2000）. Animated pedagogical agents： Face-to-face interaction in interactive learning environments. International Journal of Artificial Intelligence in Education， 11（1）， 47-78.

Khachatryan， G. A.， Romashov， A. V.， Khachatryan， A. R.， Gaudino， S. J.， Khachatryan， J. M.， & Guarian， K. R.， et al. （2014）. Reasoning mind genie 2： An intelligent tutoring system as a vehicle for international transfer of instructional methods in mathematics. International Journal of Artificial Intelligence in Education， 24（3）， 333-382.

Kim， Y. （2007）. Desirable characteristics of learning companions. International Journal of Artificial Intelligence in Education， 17（4）， 371- 388.

Kim， Y.， & Baylor， A. L.. （2006）. A social-cognitive framework for pedagogical agents as learning companions. Educational Technology， Research and Development， 54（6）， 569-596.

Liu， O. L.， Rios， J. A.， Heilman， M.， Gerard， L. & Linn， M. C. （2016）， Validation of automated scoring of science assessments. J Res Sci Teach， 53： 215-233. doi：10.1002/tea.21299.

Lubold， N.， Walker， E.， Pon-Barry， H.， & Ogan， A. （2018） Automated pitch convergence improves learning in a social， teachable robot for middle school mathematics. In： Penstein Rosé C. et al. （Eds） Artificial Intelligence in Education. AIED 2018. Lecture Notes in Computer Science， vol 10947. Springer， Cham

Luckin， R.， Holmes， W.， Griffiths， M.， & Forcier， L. B. （2016）. Intelligence unleashed： An argument for AI in education. London： Pearson.

Matsuda， N.， Sekar， V. P. C.， & Wall， N. （2018）. Metacognitive scaffolding amplifies the effect of learning by teaching a teachable agent. In Penstein Rosé C. et al. （Eds） Artificial Intelligence in Education. AIED 2018. Lecture Notes in Computer Science， vol 10947. Springer， Cham

Matsuda， N.， Yarzebinski， E.， Keiser， V.， Raizada， R.， & Koedinger， K. R. （2011）. Learning by teaching SimStudent： An initial classroom baseline study comparing with Cognitive Tutor. Artificial Intelligence in Education - 15th International Conference， AIED 2011， Auckland， New Zealand， June 28 - July 2011. Springer-Verlag.

Nye， B. D.， Graesser， A. C.， & Hu， X. （2014）. Autotutor and family： A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education， 24（4）， 427-469.

Ogan， A.， & Johnson， W. L. （2015）. Preface for the special issue on culturally aware educational technologies. International Journal of Artificial Intelligence in Education， 25（2）， 1-4.

Pareto， L. （2014）. A teachable agent game engaging primary school children to learn arithmetic concepts and reasoning. International Journal of Artificial Intelligence in Education， 24（3）， 251-283.

Pareto， L.， Schwartz， D. L.， & Svensson， L. （2009）. Learning by guiding a teachable agent to play an educational Game. Artificial Intelligence in Education： Building Learning Systems that Care： From Knowledge Representation to Affective Modelling. Proceedings of the 14th International Conference on Artificial Intelligence in Education， AIED 2009， July 6-10， 2009， Brighton. IOS Press.

Rickel， J.， & Johnson， W. L. （1997）. Steve： An animated pedagogical agent for procedural training in virtual environments. Intelligent virtual agents， Proceedings of Animated Interface Agents： Making Them Intelligent， 71-76.

Roll， I.， & Wylie， R. （2016）. Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education， 26（2）， 582-599.

Rosé， C. P.， & Ferschke， O. （2016）. Technology support for discussion based learning： From computer supported collaborative learning to the future of massive open online courses. International Journal of Artificial Intelligence in Education， 26（2）， 660-678.

Ryokai， K.， Vaucelle， C.， & Cassell， J. （2003）. Virtual peers as partners in storytelling and literacy learning. Journal of Computer Assisted Learning， 19（2）， 195-208.

Santos， O. C. （2016）. Training the body： The potential of aied to support personalized motor skills learning. International Journal of Artificial Intelligence in Education， 26（2）， 730-755.

Shulman， L. S. （1986）. Those who understand： Knowledge growth in teaching. Educational Researcher， 15（2）， 4-14.

Tegos， S.， & Demetriadis， S. （2017）. Conversational agents improve peer learning through building on prior knowledge. Educational Technology & Society， 20（1）， 99-111.

Tegos， S.， Demetriadis， S.， & Tsiatsos， T.. （2014）. A configurable conversational agent to trigger students productive dialogue： A pilot study in the call domain. International Journal of Artificial Intelligence in Education， 24（1）， 62-91.

Timms， M. J. （2016）. Letting artificial intelligence in education out of the box： Educational cobots and smart classrooms. International Journal of Artificial Intelligence in Education， 26（2）， 701-712.

Vanlehn， K. （2011）. The relative effectiveness of human tutoring， intelligent tutoring systems， and other tutoring systems. Educational Psychologist， 46（4）， 197-221.

Vanlehn， K.， Lynch， C.， Schulze， K.， Shapiro， J. A.， Shelby， R.， Taylor， L.， ... & Wintersgill， M. （2005）. The Andes physics tutoring system： Lessons learned. International Journal of Artificial Intelligence in Education， 15（3）， 147-204.

Vassileva， J.， Mccalla， G. I.， & Greer， J. E. （2016）. From small seeds grow fruitful trees： How the phelps peer help system stimulated a diverse and innovative research agenda over 15 years. International Journal of Artificial Intelligence in Education， 26（1）， 431-447.

Veletsianos， G.， & Miller， C. （2008）. Conversing with pedagogical agents： A phenomenological exploration of interacting with digital entities. British Journal of Educational Technology， 39（6）， 969-986.

Wagster， J.， Kwong， H.， Segedy， J.， Biswas， G.， & Dan， S. （2008）. Bringing CBLEs into Classrooms： Experiences with the Bettys Brain system. Eighth IEEE International Conference on Advanced Learning Technologies.

Walker， E.， & Ogan， A. （2016）. Were in this together： Intentional design of social relationships with aied systems. International Journal of Artificial Intelligence in Education， 26（2）， 713-729.

Weston-Sementelli， J. L.， Allen， L. K.， & Mcnamara， D. S. （2014）. 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.

收稿日期：2019-08-05

定稿日期：2019-08-27

作者簡介：張志禎，博士，講師，碩士生導師，北京師范大學教育學部教育技術學院（100875）。

張玲玲，碩士，研究實習員，北京開放大學國開業務部（100081）。

徐雪迎，碩士研究生;劉佳林，碩士研究生。北京師范大學教育學部教育技術學院（100875）。

責任編輯 單 玲