AI驅動的個性化教育路徑與探索

張波

自工業化、信息化浪潮之后，智能化正在各個領域掀起“從技術范式到應用場景”的新技術革命浪潮。中共中央、國務院發布的《深化新時代教育評價改革總體方案》中強調，“創新評價工具，利用人工智能、大數據等現代信息技術，探索開展學生各年級學習情況全過程縱向評價、德智體美勞全要素橫向評價。”我國三千多年來“因材施教”的教育理念，必將走向由數字化、規模化和網絡化驅動的新變革。

“因材施教”有個繞不過去的關鍵詞——個性化。但傳統教育過程中有限的人力資源，難以滿足龐大學習者的個性化需求。比如，當一位教師面對50名學生，很難想象這位教師能夠根據不同學生的個性特征制定50份學習計劃，并跟蹤每名學生的學習情況隨時調整教學方案。“個性化教育”常常停留在精英教育或拔尖班體系，而無法滿足目前大眾教育優質均衡的本質要求。

隨著技術快速更迭，當“數據、算力、算法”構成的AI三要素逐步走向廉價、高性能、易部署，AI正在打破“次元壁”走入教育場景。讓AI理解每個學習者的教育，陪伴每一個學習者，為每一個學習者“量身定制”學習方案，重塑教學范式，創新AI時代教育理論，這樣才能讓“個性化教育”走進AI時代，實現“大規模因材施教”。

當然，“個性化教育”和“大規模因材施教”是個非常廣泛的概念，它們涉及教育工程中的數字畫像、智能學情分析、個性化學習路徑、學習質量解釋、教學反饋等工作。這是教師借由AI能力重塑教育的過程，也是教師為核心的教育向學習為中心驅動力的轉變過程。在這一過程中，教師與AI的相互認知將會起關鍵性作用。筆者選擇情感認知與計算作為切入點，分享未來個性化教育變革的一種新思路與新探索。

情感認知是個性化教育認知的一方面。與傳統的學生興趣、行為、特長這些可以被快速分析得到的個性化特征不同，情感并非一種表層可記錄、靜態不變的特征，它隨著場景和對象的不同而發生著動態變化。但毫無疑問，情感作為一種心理驅動力，在學生學習成長過程中起著極為關鍵的作用。這種深層且動態的個性化特征認知，在教學目標、教學過程、教學評價和教學反饋等各環節重塑中將起到關鍵作用，由此也對教師提出了全新的要求。下文就情感認知及計算方法在個性化教育中的作用進行探討。

情感認知：從顯性特征到隱性特征的多模態聯合分析過程

情感是人的心理、情緒、腦活動等多種因素綜合作用所形成的特征，在心理學指導下，很多科學家正在通過計算的方法進行情感特征提取。從數據科學的角度來看，我們希望從海量數據中發現相關性問題，而非局限于因果關系的分析。作為非計算科學專家的教師來說，應通過從定量到定性的分析，理解情感特征在教育過程中所起的相關性作用。

然而，教師不可能對每一個學習者都通過細微的顯性特征進行處理加工實現個性化情感的分析，AI驅動的情感計算為此提供了良好的解決手段。當前，通過計算手段提取情感特征的方法，主要是從圖片、語音、文字等，通過包括深度學習在內的分類、識別等方法進行情感分析。很多主流的情感計算能夠基于監督或半監督的方式將受測者情感分為預先設定的有限類別，這些研究工作在輿情分析和推薦系統等領域應用非常廣泛。

需要指出的是，情感計算模型與人類觀察他人情感的過程一樣，并不是單一數據模態來源的計算分析模型。AI在情感計算的過程中，需要對語言、文本、圖像、視頻等多種模態的數據進行聯合分析，結合極為細微的特征提取與融合，才能實現精準的情感分析。這是一個從顯性特征到隱性特征的認知過程。教育中的顯性特征，如表情、語音、動作、問答、文字、分數等，教師可以通過觀察、記錄等手段直接獲取。而情感特征則需要教師通過一系列顯性特征的進一步加工、分析、處理而得到。這個過程中，情感計算框架技術上通常融合了多種AI模型，充分體現“時空”等多維度特征分析的能力。

情感計算的另一個要點是情感相關的數據。數據的維度、數量、標注質量等直接影響AI模型的理解力。換句話說，AI學習理解情感是建立在“人們是否準確地把情感數據標注出來并告訴它們”的基礎上。只有多模態、時序連續的數據預處理準備，并且能夠體現不同個體之間情感表達差異的數據描述，才能為個性化情感理解提供可能。

到這里，我們僅完成了第一步準備：讓AI理解教育中的情感。

效應認知：打開教育“黑盒”看相關性的嘗試

通常情況下，教育過程會呈現出很大的“黑盒”效應，即教育過程與結果的可解釋性較差，直接表現為“同樣的標準化教學過程卻得到個體不同的學習效果”。這所體現的正是個性化差異。在AI理解情感之后，需要將情感特征與學習過程的不同狀態進行關聯性分析，從而區分不同個體在不同情感狀態下的“不同學習認知效應”。

具體而言，個性化的情感教育，需要教師充分關注AI所分析的情感特征，與學生的學習狀態、學情數據進行關聯，由此分析出情感作為“驅動力”在學習教育過程中所起的“正向”“負向”或“無效”的作用力。這種打開教育“黑盒”的嘗試，為教師認知不同個體學習狀態與情感特征的關聯性，進而針對性地設計教學環節提供了可能。

必須強調的是，情感在教育中的動力性作用并非僅依賴于學習者個體的心理效應，這種個性化驅動力受外部場景、對象、時間等多種因素交互作用。例如，當學習者在面對不同教師、身處不同教室、面對不同學習材料或學習方式，甚至在同一天的不同時間段，都會因外界因素的變化而產生不同的情感，并對個性化學習的效果產生作用。為此，利用AI模型訓練識別不同個體在不同外界因素“刺激”下產生不同情感的“應激反應”，以及該類情感對學習所產生的差異化驅動力，從而設計形成“學習者在受到不同外界因素影響時可能產生的情感及其對學習效果的影響”的預測模型，也是AI能夠幫助教師做的輔助工作。

這也是我們要做的第二步：讓教師理解個體教育中的情感。

共性認知：由個體情感到群體情感的教育設計

個性化教育不是絕對的個體化學習，教育的一個特質在于其“群體性”。從這個角度來看，我們既需要理解學生個體的情感與學習關聯的差異，也需要理解學生以群體為單位時，群體情感與教育之間的共性關聯特征。甚至，在很大程度上這種學習群體情感對教育的影響效用更加明顯。回想學生時代，我們經常希望跟志同道合、互相幫助的同學們一起學習，這背后正是情感所起的正向驅動效應;反之，當進入一個情感抵觸的學習環境中時，個體往往很難獲得學習內驅力。

從個性到共性，AI驅動的分析技術具有足夠的能力將群體的共性情感狀態、群體情感趨同、群體情感活躍狀態等進行分析，進而幫助教師從時間維度上刻畫出群體情感的發展規律與演化趨勢。那么，教師就可以在不同的群體、不同的時刻、不同的情感狀態下，運用合適的教學手段、教學設計來營造正向的“驅動力”，獲得更加有效的學習效果。同樣，群體情感也可以在“學習伙伴匹配”“學習社團發現”等方面開展應用，實現“互助學習”“協作學習”等目標。

這是第三步：理解情感的共性效應。

評估反饋：完成情感教育的質量閉環

在此之前，我們始終以“情感”為出發點理解個性化教育的要求。那么，從教育本身的規律出發，情感作為“特征”或“驅動力”，如何獲得教育質量的反饋？解答這個問題才能完成教育質量反饋的閉環。

我們可以設想這樣的場景：教師依據AI模型分析的結果為學生群體情感特征設計制定了學習路徑與學習目標，在階段性測試或記錄中發現學習者的狀態并未按照預期的目標開展，群體情感未體現正向驅動甚至在做反作用力，那么教師的設計路徑應該被及時反饋給AI模型并作出效用評價，進而重新設計新的學習路徑與目標。這個過程，將促使AI模型依據新的評估反饋重新調整教學設計的策略。如此不斷迭代，將促使教師與AI模型之間獲得更加良好的協作共進，極大程度地提高教育質量。

到這里，我們完成了“教育結果反饋AI模型”的閉環設計。

基于上述四個方面，我們初步設計了“情感認知計算驅動的AI個性化教學”這樣一種未來教育框架。在整個框架中，AI作為輔助手段依據內部心理因素和外部場景因素幫助教師識別學習者的個性化特征。教師可依據AI的分析重新構建或者塑造設計自己的教學方式與環節。另一方面，我們也應該認識到，情感個性化教育模式會因技術發展、場景變化等，隨時改變所呈現的技術框架或教學狀態。同時，教師、學生、家長作為教育核心角色，都始終在上述教育模式中起著極為重要的作用。而當前的AI所呈現的狀態和能力，更多是作為輔助，還遠未達到真正主導或設計教育的定位。考慮到目前AI學習認知的質量很大程度上依賴于數據、算力、算法本身的性能，我們更應重視和關注AI模型學習認知的質量，以及其介入教育在數據隱私、能力遮蔽、導向正確、目標科學等方面的倫理問題。

（作者系上海師范大學人工智能教育研究院、信息與機電工程學院教授）

責任編輯：李香玉