國外人工智能教學應用研究綜述

郭炯 榮乾 郝建江

[摘? ?要] 人工智能技術在教育教學中的應用日漸豐富，國內關于人機協同的研究多偏向于宏觀理論探索，實踐研究較少。鑒于此，研究以近三年三本具有國際影響力的期刊中人工智能教學應用相關文獻為樣本，以人工智能局部替代教學、賦能教學為焦點，分析國外人工智能教學應用研究現狀。從中可以看出，當前國外研究者在探索認知特征、學習本質和教育規律的基礎上，關注將機器學習、邏輯推理、自然語言理解等人工智能技術嵌入各類教學、學習、決策等工具、系統、平臺中，支持構建體驗學習情境、規范學習行為、評估學業水平和能力結構、制定個性化學習路徑和內容等研究，旨在通過人機協同優化教學方式與路徑，為學習者提供個性化學習服務。這些研究成果對開發人工智能教學產品、理解學習的本質、探索教學規律等提供了方法指導和可供借鑒的研究范式，但也存在人工智能教學應用研究狹窄化、碎片化、微觀化等問題，后期還需從宏觀、中觀層面開展人工智能與教學的關系研究、人工智能教學應用關鍵技術研究、人工智能賦能教師的理論基礎研究、人工智能與教學融合形態研究、人機協同背景下的教師人工智能教學應用素養研究等。

[關鍵詞] 人工智能; 教學應用; 人機協作; 研究綜述; 替代教師; 賦能教師

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

人工智能（Artificial Intelligence，AI）在教育教學中的應用越來越受到重視，大量基于AI的教育教學工具應用在不同的場景中，逐步被教育者和學習者接納。研究者也開始對其在教學過程中引發的變革進行積極探討。國內學者從人工智能對教師職業的再造、人工智能教師在未來教育教學中代替人類所承擔的角色、智能時代的教師工具、人工智能時代教師角色與思維的轉變等方面進行了研究。主流觀點認為，人工智能在可預見的未來并不會完全替代教師，但未來將會是教師與人工智能協作共存的教育新生態[1-4]。但此類研究多偏向于理論探討、宏觀分析，結合案例的教學實證研究較少。國外人工智能教育研究起步早，且更加注重實證研究，可為國內人工智能教學應用的研究與實踐提供借鑒。本研究從國外文獻入手，選取在國際教育技術領域影響力較大的三本期刊（Computers & Education、International Journal of Artificial Intelligence in Education、Journal of Educational Technology and Society）作為文獻來源，從人機協作的視角關注近三年與人工智能教學應用相關的研究。

二、人工智能教學應用研究概述

（一）人工智能教學研究的發展

人工智能教學應用研究在人工智能技術出現后就逐漸出現，最早將人工智能技術應用于教學的嘗試可以追溯到B. F. Skinner于1958年開發的程序性教學機器，它能存儲和呈現教材，接受學習者的回答并進行反饋，用以強化學習者的學習動機[5]。此后，多個領域的研究者以不同角度研究了AI技術在課堂實踐、教師協作、學習者支持等方面的應用，并取得了豐富的研究成果。例如：將AI技術與教育學、心理學、神經科學、語言學、社會學、人類學等領域的相關理論結合，開發了各類人工智能教學應用工具，如智能導學系統、智能代理、自動化測評系統、教育游戲等，并在教學中進行了大量實踐。當前，人工智能教學應用研究領域已經形成了兩個互相促進的目標，即開發基于AI的工具以支持學習，并利用這些工具幫助理解學習的本質[6]。

（二）人工智能教學應用研究分類

2009年，魯本·R.普恩泰德拉（Ruben R. Puentedura）博士建立了SAMR（Substitution、Augmentation、Modification、Redefinition）模型，即技術與教學整合創新模型[7]。在SAMR模型中，S表示技術作為工具替代某些教學要素，但在功能上沒有變化;A表示技術作為改進工具，實現功能上的擴增，但結構上沒有變化;M表示技術支持對重大任務進行創新設計，在結構上出現局部變化;R表示技術支持創造全新任務，引發教學結構與模式的本質性變化。人工智能作為一種技術進入教育教學領域，正在從外置性技術輔助走向內融性技術滲透，功能上的擴增和結構上的改變在同時發生，對人工智能教學應用效度的評估更關注人機協同機制及技術改善學習條件、學習過程的方式等[8]。本研究在借鑒SAMR模型的基礎上，從人機協同的角度出發，即按照人工智能與教師協作的可能方式，將人工智能教學應用研究概括為兩個維度：（1）人工智能替代教師維度（整合S和A），研究關注重塑學習者學習體驗;（2）人工智能賦能教師維度（整合M和R），研究關注人機協同背景下的豐富體驗情境的構建、個性化培養、教學流程重構和學習模式創新。

三、人工智能替代教師的研究分析

人工智能替代教師，將教師從低效重復的教學工作中解放出來，從而提升教學效率和教育質量。在教學過程中，人類教師無須參與，由人工智能助教系統獨立處理，如智能測評、批改作業、自動答疑等重復性體力勞動。人工智能助教系統作為教學工具扮演教師的角色，沒有改變教學本身的結構，屬于“替代”，但正在重塑學習者的學習體驗，實現優質教育資源共享。

（一）基于機器學習算法和預測模型，替代教師進行文本測評

對學習者的文本寫作進行測評的主要目的在于衡量學習者的寫作水平、寫作內容，為進一步指導提供依據。以人類教師的評價標準為基準，借助計算機程序自動對文本內容進行評價，相比傳統的人工評價，具有客觀性、效率高、成本低等特點。

1. 建立語言特征編碼框架和預測模型，實現文本智能測評

做好文本智能測評需要明確學習者的寫作特征，建立預測模型，實現有效指導。在建立語言特征編碼框架和預測模型方面，國外學者的研究已經取得了一定的進展，如Vajjala基于兩個公開的英語非母語者的短文數據集（TOEFL11和FCE），利用自然語言理解技術對學習者的語言詞匯、句法、語篇等語言特征進行編碼，對語言屬性進行建模，然后利用這些特征在兩個數據集上分別建立預測模型，并對最具預測能力的特征進行比較。雖然TOEFL11和FCE各自數據集設置的特征能較好地建立預測模型，從而替代人類完成評價，但并未找到這兩個數據集的通用語言特征[9]。Rahimi和Litman等人使用自然語言理解技術，為基于量規的智能測評設計了任務依賴模型（Task-Dependent Model），即基于量規，利用原材料的證據片段（Pieces of Evidence）評價學生的寫作能力。研究者根據學習者對事例的有效使用、對觀點和事例的有效組織這兩種特定的寫作構念（包括學習者對文章的創作、構造、建構、人為的設計），使用該模型對5—8年級學習者的兩個RTA（Response to Text Assessment）寫作數據樣本進行了檢驗，實驗數據顯示，任務依賴模型在用例基線（Baselines for Evidence）和組織基線（Baselines for Organization）測試中表現優秀，并很好地預測了學習者作文的分數。研究者還通過跨語料庫來檢測其普適性，即使用一個數據集進行模型訓練，另一個數據集進行測試，實驗證明該模型表現與基線相當，說明基于量規的模型具有潛在的推廣價值[10]。

2. 整合多種智能算法，提高文本智能測評精確性

Westera等人基于173份學習者在環境政策應用游戲中創建的論文，使用ReaderBench框架（一種通用的、多語言的自然語言理解的軟件模型）為每份報告生成一組文本復雜度指數，然后結合多種不同配置的機器學習算法來預測分數，如支持向量回歸算法（Support Vector Regression）、含有單個隱含層的多層感知機（Multilayer Perceptron with One Hidden Layer）和線性回歸算法（Linear Regression）等。研究者通過將二元分類法與精確度的概率模型相結合，在提高測評精確度與降低教師評估工作量之間進行權衡（如沒有足夠把握自動評分的文章由教師人工評估）。在使用人類教師的評分作為參考的前提下，實驗表明，該方法在保持高精確度的同時，可以大幅度減少教師的工作量[11]。Rico-Juan等使用機器學習和自然語言理解技術，自動檢測同儕互評中的數字評分和文本反饋的一致性，以減少教師監督整個過程的工作負荷。該研究提出了兩種方法來分析同儕互評中的一致性[12]。Wiley和Hastings等人對學習者在科學主題調查活動中產生的文檔，利用兩段式的機器學習和自然語言理解技術，結合現有的潛在語義索引（Latent Semantic Index）和Coh-Metrix評分引擎，通過檢測文檔中的因果關系和因果鏈來評價學生的想法和概念的運用，并將智能測評結果和教師手動評分進行比較，結果表現出較高的一致性，顯示出使用混合式方法檢測和評價內容的優勢[13]。

（二）分析學習本質與教學規律，構建智能導學系統

智能導學系統（Intelligence Teaching System，ITS）自20世紀70年代起就受到教育界的廣泛關注。然而，由于研究者低估了構建智能對話功能的復雜性，智能導學系統始終未能取得突破。世紀之交，受計算機硬件處理速度和人工智能技術進步的影響，智能導學系統的功能在不斷完善[14]。當前智能導學系統的構建與應用已經成為人工智能教育領域最前沿的研究，形成了以下四個研究主題：

1. 開發支架式寫作指導系統，提升學習者寫作水平

Lin等開發了一個中文界面的學術論文寫作指導系統（Engineering English Journal Paper，EEJP），通過基于題材的寫作指導方法幫助學習者提高工程相關學科的英語學術寫作能力。該系統擁有寫作模塊、學習模塊和支持模塊。EEJP能對學習者的寫作提供個性化指導，如根據寫作內容自動推薦可遵循的寫作結構與模板，且寫作模板是按步驟提供的，以幫助用戶逐步完成寫作，替代教師對學習者的指導[15]。Rapp等研究了學術論文寫作的規模化教學工具Thesis Write（TW）。TW旨在為學習者提供寫作指導而非反饋，該系統不僅提供在線文本編輯器以支持學習者獨立或協作完成寫作任務，還提供寫作教程、分步驟的個性化指導，以幫助學習者快速創建論文。此外，TW還提供多種寫作支架，如寫前計劃、結構化的模板、實時同伴互助、寫作模型、生成式目標等[16]，從而提升學習者論文寫作過程中拼寫的準確性、內容的豐富性、思路的合理性和表達的多元性等。

Weston-Sementelli等人使用提供寫作策略教學的Writing Pal（能幫助學習者起草論文，提供有針對性的反饋）和提供閱讀策略教學的iSTART（提供視頻教學和練習指導，提高學習者對文章內容的自我解釋能力）兩款ITS平臺對學習者進行教學實驗，發現與不接受任何訓練或只接受寫作或理解策略訓練的學習者相比，同時使用Writing Pal和iSTART接受混合寫作、閱讀策略訓練的學習者能夠寫出更高質量的文章[17]。

2. 提供多樣化智能導學方式，開展學習指導與監控

Chase等設計了Invention Coach以支持STEM學習領域的問題化導學，該系統能提供各種“發明活動”，鼓勵學習者在活動中“發明”出知識的概念、定義或公式。與結構化導學是為了幫助學習者更容易完成任務不同，問題化導學策略旨在幫助學習者認識自身思維存在的問題，鼓勵他們直面并抓住關鍵的學科思想。Invention Coach通過圖形與文字描述將學習者引入問題化的發明活動，在學習者遇到解題障礙時，不直接提供解決方案，而是鼓勵不斷探索，給出提示性的問題，幫助學習者注意到所面對問題的關鍵點。研究者使用了問題化導學和結構化導學兩種不同版本的Invention Coach進行教學實驗，發現采用問題化導學更能幫助學習者進行知識遷移，而且遷移效果與人類教師的輔導相比沒有顯著性差異[18]。

Grivokostopoulou等設計了幫助學習者學習搜索算法的智能導學系統AITS。該系統包含學習者接口、教師接口、自動評價單元、測試產生器、學習分析、領域知識等六個單元。學習者從領域知識層次結構中自主選擇一個概念進行理論學習，測試產生器會為學習者提供符合難度需求的互動實踐練習，由錯誤檢測機制、自動評分機制和反饋機制組成的自動評價單元利用編輯距離算法（Edit-Distance）對學習者的學習結果進行測評，并提供有意義的即時反饋，旨在幫助學習者理解理論知識，檢查學習結果，但并不直接提供答案。系統還可以為學習者提供一些評估練習，學習分析單元記錄并分析完成練習等的相關行為數據，協助教師監控學習者的學習活動。研究者通過實驗發現，AITS組的學習者學習效果優于傳統教學組，證明AITS能夠替代教師甚至優于教師完成教學任務[19]。

3. 基于學習者個體特征，支持差異化學習

人工智能教育研究者關注如何根據學習者的個人偏好設計個性化的學習內容。Cognitive Tutor Algebra（CTA）是一款代數教學智能導學系統，使用模型跟蹤方法（Model-Tracing），將學習者解決問題的行為與認知模型聯系起來，以提供個性化的反饋。Walkington等在對學習者課外興趣（如運動、電影、游戲）開展問卷和訪談調查的基礎上，將CTA中的教學內容改進為深度個性化內容（與個人興趣真實相關的數學問題）和表面個性化內容（僅改變了數學問題的主題），從而支持差異化學習[20]。

Kla？觢nja-Mili evi 等將協同標記技術引入智能導學系統ProTuS之中，增強了該系統用戶對資源的標記功能，基于使用者對資源的標記，結合序列模式挖掘（Sequential Pattern Mining）技術為學習者生成個性化學習建議。實驗表明，不同類型的標記算法可用于提升智能導學系統的推薦功能，且學習資源的標記可以幫助學習者理解學習對象的語境，提高學習效率[21]。

4. 利用數據驅動方法，為學習者提供個性化提示

數據驅動方法的研究是智能導學系統研究的子領域。它將對學習者的輔導決策建立在已有學習者的數據分析基礎上，而不是由專家建立的知識庫。例如：Rivers和Koedinger設計了一個數據驅動的編程教學智能導學系統Intelligent Teaching Assistant for Programming（ITAP），該系統使用狀態抽象、路徑構建和狀態具體化算法為學習者的編程錯誤自動產生個性化的提示。ITAP可以自動更新解決方案，不斷改進其能力，即使教師或設計者只給系統一個單獨的編程參考解決方案，該系統也可以生成一個提示鏈，將學習者從錯誤的編程狀態引導到正確的狀態，為幾乎所有學習者的錯誤情況提供提示[22]。而Mostafavi和Barnes為邏輯學導學軟件Deep Thought（DT）添加了數據驅動方法，使該系統能夠基于學習者的掌握程度，按需自動產生提示，系統給出的提示降低了學習者的學習難度，減少了學習者完成輔導課程所用的時間，從而提高了學習效率[23]。

（三）建立協商機制，提升學習者自我調節能力

目前的自適應系統更多的是采用人工智能技術判斷學習者是否需要幫助，而不是讓學習者自己判斷并決策是否需要幫助，因此，剝奪了學習者的自我調節能力。為解決這些問題，Chou等提出了基于協商的適應[24]，屬于一種混合主動適應，使學習者和系統之間能夠進行協商調節，并設計開發了基于協商的適應性學習系統（Negotiation-based Adaptive Learning System，NALS）。該系統采用尋求幫助的協商機制，通過學習者和系統之間的共同協商規范學習者尋求幫助的行為，如提醒學習者不要尋求太多的幫助、鼓勵適時尋求幫助或在他們需要幫助時主動提供幫助。

就目前來看，人工智能替代教師的研究主要關注機器學習、模式識別、自然語言理解等技術為學習者創設學習、評價與反饋環境，基于對學習者活動相關的行為數據進行分析，實現認知過程的追蹤和評估，了解學習者在問題解決中的知識建構過程，依此進行學習干預，替代教師完成重復性指導與反饋任務。學習者利用這些反饋信息進行學習反思，并基于同化順應機理形成新的知識結構，促進深度理解。從教學實踐中可以看出，人工智能在某些方面已經接近了人類教師，但更多的是聚焦知識學習，而在學習者核心素養、創新能力等方面的培養上，人工智能還不能替代教師。

四、人工智能賦能教師的研究分析

人工智能賦能教師是在人機協同背景下，利用人工智能提供的學習障礙診斷與及時反饋、問題解決能力測評、心理素質測評與改進、元認知支持等功能，為學習者設計個性化學習路徑，創設沉浸式體驗學習場景，提供智能代理、推送學習資源等，并幫助教師精準了解學習進度、學習效果等，從而進行教學決策。人工智能賦能教師實現了教學功能上的擴增，提升了學業成就與學習動機，凸顯了個性化培養優勢。

（一）智能代理與干預相結合，提升學習者學業成就與學習動機

智能代理一般被定義為在教學軟件中，促進學習、激發學習動機并給予學習者反饋的模塊[25]。智能代理通常是基于教師的教學策略和教學模型設計的，在不同的教學情境中，其功能有所不同。由于智能代理可以為教師的教學起到輔助作用，在各種教學軟件中智能代理使用率正在不斷提升，得到了研究者的關注。

如Din？觭er等設計的指導學習者學習計算機知識的教學軟件中，包含不同形式可供學習者自由選擇的教學智能代理，如卡通型、擬人型、文本型、語音型等。該教學軟件可為學習者呈現計算機知識教學視頻，智能代理則會適時出現，與學習者進行交互，如向學習者介紹教學軟件的使用方法，說明如何查看學習任務、呈現學習主題，在學習過程中向學習者提出問題并給出解決問題的線索。研究者通過實驗對比了使用教學智能代理和不使用教學智能代理的教學軟件的教學效果，發現智能代理對學習者學業成就、學習動機和認知負荷等都有積極影響[26]。

T？覿rning等在數學教學游戲中引入可教智能代理，通過數據記錄和問卷調查探究不同自我效能感水平的可教智能代理對學習者的影響。研究發現，學習者與低自我效能感的智能代理進行交互，其學習表現優于與高自我效能感的智能代理進行交互。而且原本低自我效能感的學習者在此過程中自我效能感水平得到顯著提高。因此，T？覿rning建議，所有可教智能代理的效能感水平都應設置為低自我效能感[27]。Damacharla等使用交互式、基于語音的智能代理等輔助培訓師訓練急救隊的學員，智能代理糾正學員在醫療過程中所犯錯誤并指出錯誤所在的步驟，幫助培訓師建立起嚴格監控的培訓系統，以提高急救訓練的效率。實證研究表明，使用智能代理的實驗組在每次訓練中報告錯誤的次數明顯減少，且學習者的自我效能感和學習表現得到了顯著提高[28]。

（二）探索認知特征，提供元認知支持

元認知對于有效解決學習問題、調節學習過程通常有較大的作用。在試圖利用智能學習環境改善學習者學習的研究中，元認知因素越來越受到重視。如Kautzmann和Jaques將動畫智能代理（Animated Pedagogical Agent，APA）集成到數學智能導學系統PAT2Math中自動分析學習者的學習過程，并進行元認知指導，教學實驗結果顯示，受到元認知指導的學習者在元認知知識監控能力上有很大提升，并正確完成了較多的公式練習[29]。McCarthy等為智能導學系統iSTART增加了元認知提示的功能，實驗發現，使用iSTART進行閱讀理解練習后的學習者在遷移測試中的自我解釋和推理理解得分高于不使用iSTART的控制組，且iSTART的元認知提示有效提升了學習者的遷移水平[30]。

（三）建立學習者學業能力評估模型，預測學習者學業能力結構

準確了解學習者的學習水平和能力結構有助于幫助教師更好地設計教學，滿足學習者學習需求，但用傳統的評估方法難以快速準確評估學習者的能力結構。為此，研究者對借助人工智能算法快速診斷學習者學業能力進行了研究，為解決學習者在適應性學習環境中的“冷啟動”問題（在學習者初次進入學習平臺時，平臺對學習者的知識水平無從了解）提供了方案。

Pliakos等利用機器學習算法，將項目反應理論（Item Response Theory，IRT）與建立在學習者信息（即用戶屬性，如年齡、相關課程、智商、前測分數等）基礎上的分類回歸樹相結合，對學習者進行能力估計和項目響應預測。通過對兩個公開教育數據集上的學習者數據進行測試，發現這種將機器學習算法與IRT模型相結合的方法與其他方法（包括非基于決策樹的機器學習方法以及隨機預測）相比，對學習者的能力估計誤差更小，響應預測精度更高[31]。Vie等使用了一種新的基于機器學習的行列式點過程算法，對MOOC平臺上536名學習者進行多樣化提問，用盡可能少的問題快速對學習者的能力特征項進行預測，以解決學習者“冷啟動”問題[32]。Kaoropthaia等人提出了采用數據挖掘技術兩步聚類算法（Two-Step Cluster，TSC）的智能診斷框架（Intelligent Diagnostic Framework，IDF），能夠對學習者的學術閱讀能力進行診斷[33]。

（四）多種方式誘發學習表現，優化學習評價反饋效果

在傳統課堂評價中，教師難以開展個性化評價和即時反饋。而基于人工智能技術的智能評價與反饋工具將有效彌補傳統評價反饋模式的缺陷。

Chen等人構建了混合學習課程實驗系統，幫助學習者及時獲得家庭作業正確與否的反饋，即系統會對學習者提交的答案進行及時判定。這種實時評價相比傳統的評價模式，更好地激發了學習者的學習表現，例如：這些學習者會更早地提交作業，多次檢查答案，直到系統確定他們的答案是正確的[34]。Stevenson等則對比了智能導學系統AnimaLogica中輔導型反饋、多次嘗試反饋、無反饋在兒童分類推理學習中的影響，結果發現，輔導型反饋能較好地提升學習效果[35]。

針對反饋內容的研究，Perikos等人開發了幫助學習者練習人工智能課程中轉換自然語言到一階邏輯公式的智能導學系統NLtoFOL。該系統具有較強的評價與反饋機制，能檢測學習者的錯誤類型，向學習者傳遞基于認知水平的逐步反饋。該機制的架構由三部分組成：領域處理單元、錯誤檢測單元和反饋生成單元。在學習者提交答案后，領域處理單元被激活，檢測學生的答案，如答案有誤，錯誤檢測機制將檢測該錯誤類型。分析完成后，按照反饋規則，確定反饋類型和參數，產生合適的反饋信息[36]。

而Chen等設計的對學習者進行數據庫查詢的智能導學系統SQL-Tutor則可以提供六種不同層次的反饋，由低到高分別是：簡單反饋（正確或錯誤）、錯誤標記反饋（標記學生解決方案中的錯誤部分）、提示反饋（指出錯誤，說明學生解決方案所違反的領域規則）、部分解決方案反饋（為錯誤的部分提供正確的方案）、列出所有錯誤（對所有錯誤提供提示）、完整解決方案反饋（提供完整的解決方案），初始的反饋為底層的簡單反饋，根據學生的表現，反饋層次會不斷升高，學生也可以要求系統直接給予特定層次的反饋[37]。

從以上研究可以看出，國外學者從構建學習情境、規范學習行為、促進學習參與、提供學習支持等方面探索人工智能對教師的賦能，強化了人機協同對學習者學習過程的干預能力，促使學習者高效完成學習任務、提高自我效能感以及學習效率、增強學習體驗等。但人機協同的教學方式如何融入到具體的教學活動中，如何通過組織任務單式的學習、游戲化學習、項目式學習、多學科交叉學習等方式將學習者置于教學主體地位，引發教學結構與教學模式的本質性變化，人機協同適時、適當地給予點撥，解決學習過程中出現的問題，促進認識，關注學習者思維方式和核心素養培養等的研究相對較少。

五、總結與展望

國際教育技術領域影響力較高的三本期刊中的相關研究大多關注將機器學習、問題求解、邏輯推理、自然語言理解、自動程序設計、專家系統、模式識別、機器學習算法、數據挖掘等人工智能技術嵌入各類教學、學習、決策等工具、系統或平臺中，支持構建學習情境、規范學習行為、促進學習參與、提供學習支持、評估學業水平和能力結構、制定個性化學習路徑和內容等，旨在幫助教師支持差異化教學，改善教學效果，優化教學方式與路徑，根據個體特定的情境、困難和需求，提供課內外結合的個性化學習服務。這些研究成果對我們開發人工智能教學產品，開展關于認知特征、學習本質和教育規律的研究提供了方法指導和可供借鑒的研究范式。

但也不難發現，目前人工智能教學應用的績效表現與應用范圍與人們的期待仍相去甚遠，存在狹窄化、碎片化的問題，需要關注多元化的應用情境，改變以講授、練習、測試為核心的人工智能教學應用現狀，避免人工智能淪為單純強化應試教育的工具。人工智能教學應用研究多定位于教學或學習的某個特定方面，如文本測評、學習能力結構評估、適應性及個性化學習系統等，忽視了學習者整體素質的提升和發展，忽視了人工智能賦能教師的理論基礎研究，忽視了人機協同教學機制與教學模式等的研究。鑒于此，未來的人工智能教學應用研究應在目前微觀研究的基礎上，從中觀、宏觀層面注重以下幾個方面的研究：

（一）人工智能與教學的關系研究

在教學場景中應用的人工智能技術是基礎，促進教學目標的有效實現和學習者的發展，主導著人工智能教學內容、方式等。如何最大程度地發揮人工智能教學應用價值，批判地分析和判斷人工智能技術應用引發的不同學習體驗，正確認識人工智能技術在教學中發揮作用的前提、條件和約束，找到兩者之間的契合點，將人工智能技術有效融入教學，并最大限度地發揮教師的教學智慧，這是需要研究的問題。

（二）人工智能教學應用關鍵技術研究

這里所指的關鍵技術不是專家系統、自然語言理解、人工神經網絡、機器學習等人工智能技術本身，而是借助這些技術，結合教育學、心理學、腦科學等，探索智能時代的認知特征、學習本質與教育價值，開發人工智能教學應用關鍵技術，包括基于學習者學業診斷及行為數據分析的智能推薦服務技術，基于社會性、情感性和元認知模型的學情分析服務技術，基于業務建模的監控、模擬和預測的決策支持服務技術，適應性學習策略進行形式化描述的方法與模型，教育機器人的系統架構等關鍵技術。

（三）人工智能賦能教師的理論基礎研究

人工智能賦能教師的理論基礎研究是明晰技術賦能教師和人機協同教學的內在邏輯和學理依據，主要涉及人工智能、教師群體的本質屬性及二者之間的關系，其中，人工智能本質的探討需從技術哲學層面，深入分析人工智能嵌入教育系統中的內在邏輯基礎、優勢潛力及應然狀態;教師群體本質的探討主要從技術哲學、教育學層面分析人類教師本身的人性結構缺陷和技術賦能的現實需求;人工智能和教師的關系分析中，需明確教育生態系統中人工智能這一技術和教師群體的各自生態位及作用，明晰二者的自身優勢和不足，如人工智能對于機械的、重復的任務處理，創新性展示與交互，個性化學習體驗等方面的優勢;人類教師在批判性思考、社會和情感交互等方面的優勢，為后續人工智能生態位和教師生態位的有效整合，即人機協同的分工合作提供基礎支撐。

（四）人工智能與教學融合形態研究

人工智能教育教學應用在20世紀便已出現，從早期的CAI到智能導學系統、教育機器人、智能代理等表現出不同的應用形態，如人工智能主體性融入形態、人工智能功能性嵌入形態和人工智能輔助技術手段形態。因此，需要從技術本質層面深入挖掘人工智能技術的本質形態，剖析人工智能技術教學應用本質的教育業務現象和技術組合，從技術應用層面明確各類應用案例的教育教學業務需求及應用場景類型。同時，要充分考慮未來人工智能技術的結構深化和進化機制，探討人智能賦能教師的可能發展形態和理想狀態。

（五）人機協同背景下的教師人工智能教學應用素養研究

基于人工智能與教學融合的形態，需要明確教師應該具備的人工智能知識、人機協同思維、數據思維、人工智能教學應用能力等，構建人工智能教育應用素養框架。在人工智能知識層面，明確教師人工智能素養能力的基礎知識內容;在人工智能情感和價值觀層面，探討教師人工智能教育教學應用的基本信念和價值觀念;在人工智能教學應用能力層面，明晰教師開展人機協同所具備的基本能力;在倫理和安全層面，分析教師人工智能應用過程中應當具備的道德規范、安全意識和應用邊界。在此基礎上，探索教師的人工智能教育應用素養的提升策略。

[參考文獻]

[1] 張優良，尚俊杰.人工智能時代的教師角色再造[J].清華大學教育研究，2019，40（4）：39-45.

[2] 余勝泉.人工智能教師的未來角色[J].開放教育研究，2018，24（1）：16-28.

[3] 顧小清，舒杭，白雪梅.智能時代的教師工具：喚醒學習設計工具的數據智能[J].開放教育研究，2018，24（5）：64-72.

[4] 余勝泉.人機協作：人工智能時代教師角色與思維的轉變[J].中小學數字化教學，2018（3）：24-26.

[5] HOLMES W，BIALIK M.Artificial intelligence in education promises and implications for teaching and learning[EB/OL].[2019-08-01].https：//curriculumredesign.org/wp-content/uploads/AIED-Book-Excerpt-CCR.

[6] ROLL I，WYLIE R. Evolution and revolution in artificial intelligence in education[J]. International journal of artificial intelligence in education，2016，26（2）：582-599.

[7] PUENTEDURA R R. Transformation，technology，and education[EB/OL].[2019-06-22].http：//hippasus.com/resources/tte/puentedura_tte.pdf.

[8] 郭炯，郝建江.人工智能環境下的學習發生機制[J].現代遠程教育研究，2019，31（5）：32-38.

[9] VAJJALA S. Automated assessment of non-native learner essays： investigating the role of linguistic features[J]. International journal of artificial intelligence in education，2018，28（1）：79-105.

[10] RAHIMI Z， LITMAN D， CORRENTI R. Assessing students' use of evidence and organization in response-to-text writing： using natural language processing for rubric-based automated scoring[J].International journal of artificial intelligence in education， 2017，27（4）：694-728.

[11] WESTERA W， DASCALU M， KURVERS H，et al. Automated essay scoring in applied games： reducing the teacher bandwidth problem in online training[J]. Computers & education，2018，123（8）：212-224.

[12] RICO-JUAN J R， GALLEGO A J， CALVO-ZARAGOZA J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning[J]. Computers & education，2019，140（13）：103609.

[13] WILEY J， HASTINGS P， BLAUM D，et al. Different approaches to assessing the quality of explanations following a multiple-document inquiry activity in science[J]. International journal of artificial intelligence in education，2017，27（4）：758-790.

[14] FLETCHER J D， SOTTILARE R A. Shared mental models in support of adaptive instruction for teams using the GIFT tutoring architecture[J]. International journal of artificial intelligence in education，2018，28（2）：265-285.

[15] LIN A C， LIU G， WANG T，et al. Development and usability test of an e-Learning tool for engineering graduates to develop academic writing in english a case study[J].International forum of educational technology & society，2017，20（4）：148-161.

[16] RAPP C， KAUF P. Scaling academic writing instruction： evaluation of a scaffolding tool （Thesis Writer）[J].International journal of artificial intelligence in education，2018，28（4）：590-615.

[17] WESTON-SEMENTELLI J L， ALLEN L K， MCNAMARA D S. Comprehension and writing strategy training improves performance on content-specific source-based writing tasks[J]. International journal of artificial intelligence in education，2018，28（1）：106-137.

[18] CHASE C C， CONNOLLY H， LAMNINA M，et al. Problematizing helps！A classroom study of computer-based guidance for invention activities[J].Internationaljournal of artificial intelligence in education，2019，29（2）：283-316.

[19] GRIVOKOSTOPOULOU F， PERIKOS I， HATZILYGEROUDIS I. An educational system for learning search algorithms and automatically assessing student performance[J]. International journal of artificial intelligence in education，2017，27（1）：207-240.

[20] WALKINGTON C， BERNACKI M L. Personalizing algebra to students' individual interests in an intelligent tutoring system： moderators of impact[J]. International journal of artificial intelligence in education，2019，29（1）：58-88.

[21] KLA？譒NJA-MILI? EVI? ?A， VESIN B， IVANOVI? ?M. Social tagging strategy for enhancing e-learning experience[J]. Computers & education， 2018，118（3）：166-181.

[22] RIVERS K， KOEDINGER K R. Data-driven hint generation in vast solution spaces： a self-improving python programming tutor[J].International journal of artificial intelligence in education，2017，27（1）：37-64.

[23] MOSTAFAVI B， BARNES T. Evolution of an intelligent deductive logic tutor using data-driven elements[J].International journal of artificial intelligence in education，2017，27（1）：5-36.

[24] CHOU C Y， LAI K R， CHAO P Y，et al. A negotiation-based adaptive learning system for regulating help-seeking behaviors[J]. Computers & education，2018，126（11）：115-128.

[25] VELETSIANOS G， RUSSELL G S. Pedagogical agents[M]// Handbook of research on educational communications and Technology. New York：Springer，2014：759-769.

[26] DIN？覶ER S，DO? ANAY A.The effects of multiple-pedagogical agents on learners' academic success，motivation，and cognitive load[J]. Computers & education，2017，111（8）：74-100.

[27] T？魧RNING B， SILVERVARG A， GULZ A，et al. Instructing a teachable agent with low or high self-efficacy-does similarity attract？[J]. International journal of artificial intelligence in education，2019，29（1）：89-121.

[28] DAMACHARLA P， DHAKAL P， STUMBO S，et al. Effects of voice-based synthetic assistant on performance of emergency care provider in training[J].International journal of artificial intelligence in education，2019，29（1）：122-143.

[29] KAUTZMANN T R， JAQUES P A. Effects of adaptive training on metacognitive knowledge monitoring ability in computer-based learning[J]. Computers & education，2019，129（2）：92-105.

[30] MCCARTHY K S， LIKENS A D， JOHNSON A M ，et al. Metacognitive overload！：positive and negative effects of metacognitive prompts in an intelligent tutoring system[J]. International journal of artificial intelligence in education，2018，28（3）：420-438.

[31] PLIAKOS K， JOO S H， PARK J Y，et al. Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems[J]. Computers & education，2019，137（10）：91-103.

[32] VIE J J， POPINEAU F， BRUILLARD ？魪，et al. Automated test assembly for handling learner cold-start in large-scale assessments[J]. International journal of artificial intelligence in education，2018，28（4）：616-631.

[33] KAOROPTHAI C， NATAKUATOONG O， COOHAROJANANONE N. An intelligent diagnostic framework： a scaffolding tool to resolve academic reading problems of Thai first-year university students[J]. Computers & education，2019，128（1）：132-144.

[34] CHEN X， BRESLOW L， DEBOER J.Analyzing productive learning behaviors for students using immediate corrective feedback in a blended learning environment[J]. Computers & education，2018，117（2）：59-74.

[35] STEVENSON C E. Role of working memory and strategy-use in feedback effects on children's progression in analogy solving：an explanatory item response theory account[J].International journal of artificial intelligence in education，2017，27（3）：393-418.

[36] PERIKOS I， GRIVOKOSTOPOULOU F， HATZILYGEROUDIS I. Assistance and feedback mechanism in an intelligent tutoring system for teaching conversion of natural language into logic[J].International journal of artificial intelligence in education，2017，27（3）：475-514.

[37] CHEN X， MITROVIC A. Investigating the effect of agency on learning from worked examples，erroneous examples and problem solving[J]. International journal of artificial intelligence in education，2019，28（1）：59-74.