智能教育應用的人機雙向反饋：機理、模型與實施原則

董 艷 李心怡 鄭婭峰 翟雪松

(1.北京師范大學 教育學部，北京100875; 2.河南財經政法大學 計算機與信息工程學院，河南鄭州 450047; 3.浙江大學 教育學院，浙江杭州310028)

一、問題提出

隨著人工智能技術不斷應用于教育領域，人機之間的協同與交互成為研究關注的重點?！缎乱淮斯ぶ悄馨l展規劃》也將提升人機交互能力作為發展人工智能關鍵共性技術的重要目標之一。2019年國際人工智能與教育大會發布的《北京共識》提出人工智能教育應以人為本，在賦能教育的基礎上促進人機互動與協作?，F階段人工智能教育應用的交互在一定程度上可能加重了學生對機器的依賴性，剝奪了學生的主體地位甚至影響了學生高階認知能力的培養。在人機交互過程中，反饋是不可缺少的組成部分，加強人工智能教育應用中反饋機制設計與創新應用有助于提升學習者在技術時代的反饋能力發展，提高人機交互的實際效果。近年來，反饋素養這一概念逐漸得到學術界的關注，學者們主要通過探究其內涵、結構要素及影響機制，思考如何提升學習者的反饋效果(董艷，2020)。

作為學術概念，反饋素養最早由英國學者薩頓提出，用來研究學習者如何通過對反饋的感知、吸收與應用促進其在教學交互中的參與和學習投入。學習者不僅要作為“信息接收方”理解與感知反饋信息，還要主動作為“信息發送方”回應反饋方。當前反饋素養研究主要從理論演繹與實踐歸納兩條路徑構建相應的結構要素和提升策略。比如，研究者在理論層面結合社會建構主義框架將其劃分為四要素：感知反饋、采取行動、作出評價和管理情感；基于評價理論構建五維度框架(真實性、認知挑戰、情感挑戰、評價判斷、執行反饋)；在實踐層面，反饋障礙研究將反饋素養歸納為自我評估、評價素養、目標設定與約束、投入與動機。具體模型、研究來源及其主要結構要素見表一。

表一 模型依據及結構要素

綜合上述模型分析，本研究提出反饋素養模型的六個核心元素：感知反饋、認知統合、評價判斷、采取行動、情感管理、動機調控(見表二)。這些要素不僅反映了學習者面對反饋的內在心理過程，也體現出學習者基于反饋開展行動的關鍵環節。這些要素可以在智能系統設計中加以整合，促進學習者與智能系統間的交互設計。

關注人機雙向反饋對于提升學習者主體地位、培養高階能力以及加強情感交互具有重要價值(Baker, 2016)?，F階段，關于人機之間反饋的研究仍停留在機器對學習者的適應性反饋，而對學習者向機器發出的反向反饋過程與機制關注不足。本研究將基于現有人工智能的反饋機理、反饋模型及雙向反饋模型的構建原則，探索智能教育應用的人機雙向反饋機制。

表二 學習者反饋素養的六個核心要素

二、反饋機理

研究表明，人工智能技術的分析越精準，其對學習者主動性的剝奪可能就越徹底。這種人機地位的不平等，使學習者逐步從學習的主體淪為接收機器反饋的客體，將對學生的長期發展造成不良影響 (韓寧等, 2020)。一方面，人工智能通過采集和分析學生學習過程中的客觀數據，提供個性化學習內容與路徑等反饋信息，提升學生的學習績效，改變知識學習與創新活動的形式。但這一過程主要由機器主導，學習者處于被動接收地位，主觀能動性無法充分體現(張剛要等, 2020)。另一方面，人工智能提供的反饋信息替代了學習者在學習過程中的自我評價、自我監控和自我決策等認知活動，使學習者從全程參與變為部分參與，在模糊學習主體的同時也阻礙了學習者高階認知能力的發展(李建中, 2019)。因此，解決這些問題，還需要深入探究人工智能教育應用的反饋作用機制。反饋作為系統有機運行的主要環節，是人工智能教育系統的關鍵要素。然而，現有研究對其探討不足，更沒有深入剖析其機制。

(一)人工智能教育應用的反饋形態

基于經典的拉斯韋爾與香農-韋弗的單雙向傳播模式及人工智能帶來的靜態資源與動態資源形態，本研究將反饋機理歸納為靜態反饋、動態反饋、混合反饋。靜態反饋主要指反饋信息從機器流向學習者，計算機通過算法與學習者交互，并從固定的資源庫中選取內容呈現給學習者。早期智能導學系統依靠涵蓋學習者學習風格、個性特征的學生模型，以預設的形式與學生交互。靜態反饋模型使學習者被動參與人機交互，難以動態適應學習者的認知變化；動態反饋主要依托人工智能的自適應技術，借助大數據、學習分析、自然語言理解、多模態等分析方法，實時獲取學習者學習行為、情緒和認知等數據并動態更新學習模型，精準提供個性化的學習資源與路徑等反饋信息。動態反饋模型實現了數據采集的多元化與動態化，但由于缺少靈活雙向的溝通機制，對學生主觀生成的信息采集不足?；旌戏答伱嫦驅嶋H教學應用場景，綜合考慮教師、同伴、學習者個體與人工智能應用之間的多元交互，并將動態與靜態反饋相結合。其研究結論已應用于外語教學，通過采用自動評價與人工評價相結合的方式提升學生的寫作水平。綜上，現階段人工智能應用的反饋機制具有動態性和單向性，其中數據和資源實現了動態更新；人機交互以“機器→學生”的單向反饋為主，“學生→機器”的反饋渠道和信息較匱乏。本研究仍將深入探究反饋機制，以推進人機協同和人機雙向反饋。

(二)人工智能教育應用反饋的“主客體”變遷

基于上述反饋機制的演變和發展不難看出，機器在反饋過程中所占比例逐漸增高，學生的主體地位正在發生階梯式消解(李建中，2019)。學生是學習的主體，人工智能是對人類智能仿真的技術，其應用于教育過程也遵循這一規律(劉凱等, 2018)。學習者和機器之間的主客體關系對于處理兩者之間的主動性具有重要價值。梳理“主客體”變遷路徑，探究其變遷的動力與本質，能夠促使學習者積極參與學習規劃，提升自身的主動性。在人機交互的最初階段，雙方的主客體關系表現在“學習者為主體、機器為客體”，機器作為工具輔助學習者學習。例如，IBM開發的Jill Waston機器人助教能回答學習者的問題，其機器人的身份卻不被察覺；游戲環境中的人機互動反饋，結合語音文本對話和多模態數據追蹤，為學習者提供反饋循環，有助于學習者發揮自主學習的能動性(Agapito & Rodrigo, 2018)。但這一過程的交互僅依靠人工智能技術，忽視了情感交流，教育的情感性將會逐漸消失，進而影響學習者的社會性發展(李洪修等, 2020)。

隨著大數據以及人工智能算法快速發展，人機關系進入“機器為主體，學習者為客體”的階段。人工智能技術通過過程數據采集、視頻監控、情感計算、自然語言理解等技術越來越全面地掌握學生的信息，如將人工神經網絡技術用于學習者認知模型構建，可精準診斷與預測學習者技能發展與學習投入度(Chaplot et al.,2018)。在這一階段，學習者處于被動位置，機器處于主體地位，人際關系的主客體發生顛倒，違背了“學習者中心”的基本原則。人機如何處理好雙主體的關系？一方面發揮機器的優勢，同時突出學習者的主體性，都是未來需要探索的重要方面，即實現“人機雙主體”。人機雙主體呈現的主體間性關系，將交互雙方均看作主體，兩者具有平等關系和對稱責任，對外強調利益，對內強調情感。例如，依托自然語言理解技術的發展，智能導師能為學習者提供類似于人類導師的輔導，即系統和學生都可以提問和作答(張志禎等, 2019)。這種關系也被描述為混合式主動教學。再如，開放學習者模型支持學習者通過插入、共享、重新混合等修改原有的模型，有助于學習者自我評估決策(Bodily et al.,2018)。KB map-CT支持學習者自主構建概念題圖，系統根據命題的正確性和置信信息設計識別和指導反饋，提升了閱讀質量(Pailai et al., 2018)。

(三)現有研究的局限

現階段人工智能教育應用以靜態和動態反饋機制為主，基于行為預設和學習者客觀數據提供反饋信息，對學習者主觀數據的研究和采集不足，智能化程度有待提升。例如，學習者的知識隱藏行為具有很強的主觀隱蔽性，很難被計算機發現(翟雪松等，2019)。人機關系從人作為主體向機器作為主體偏移，學習者逐漸降為客體(張剛要等, 2020)。例如，自適應技術的資源與路徑推薦取代了學生的自主反思和自我調節，使學習者處于被動狀態，不利于學習能力與高階思維能力的發展。人工智能技術在賦能人的同時也在取代人類工作，技術發展趨勢不可逆轉。為適應這一局面，構建主體間性的新型人機關系，保持人在此過程中的主體性，就顯得非常必要。本研究嘗試提出人機雙向反饋模型，將反饋素養內涵與人工智能教育現有反饋機制相融合，同時加強情感、社會及具身環境交互以及學生反饋素養，平衡人機關系，提升人工智能教育的育人效果(王慧莉等, 2020)。

三、反饋模型

為構建面向智能教育應用的人機雙向反饋模型，本研究分析了反饋素養與人工智能融合的必要性與可行性，并結合兩者的功能結構，構建了涵蓋數據、分析決策、支架、交互、行動以及遷移目標六個層次的人機雙向模型。

圖1 面向智能教育應用的人機雙向反饋模型

(一)人機模型構建需求

人工智能教育應用如何發揮智能教育應用的智能性、反饋性和多源性，突出反饋活動中學習者的主體地位，不斷提升學習者自我策略選擇和價值判斷能力，并積極采取相應的行動管理自我情緒，是當前研究的焦點(Dawson et al., 2020)。反饋素養理論啟發研究者關注學習者與外界互動過程中的主體能動性發揮，喚醒學習者在人工智能教育場景中的主體意識。而且，反饋素養理論強調學習者自身因素對反饋效果的影響，有助于打破人工智能應用中關注反饋信息本身的局限。例如，在學習者模型構建過程中，已有模型數據主要來自于系統采集的學生客觀數據，對交互中的學生主觀數據關注不足。開放學習者模型為學習者提供修改權限，一定程度上提升了人機交互中學生的地位(馬志強等, 2016)。如果能利用人工智能技術發展學生的反饋素養，提升學習者的反饋態度、學業調節能力和投入度，將會提升其主動尋求反饋的能力。

學生反饋素養為人工智能教育應用的反饋機制設計帶來新的思考，激發教育領域對人工智能技術的新需求。人工智能技術的教育應用相對滯后于其他領域，這主要是因為教育中的大量需求還未被發現，導致遵循需求導向的人工智能教育應用還存在很大改進空間。反饋素養框架的融入，可以從學習者角度為人工智能教育提供新的實踐和研究視角，加速教育現代化的發展。同時，反饋素養的理論與實踐對人工智能的技術整合具有良好的指導作用，有助于人工智能對教育活動的系統支持與賦能。因此，反饋素養的要素與智能代理、虛擬現實、自然語言理解和自適應等技術有機整合，有助于提升反饋素養與改善人機關系。

(二)人機雙向反饋模型構建

表二所描述的六個核心要素不僅是學習者積極參與反饋的一種內在或外在行為，也反映出其認知和情感方面的綜合變化。本研究在分析已有人工智能教育應用模型的基礎上，構建了雙向反饋模型(見圖1)。該模型通過交互層將學生與人工智能作為雙主體聯結起來。其中，學生端包括學生行為層和目標遷引層。人工智能端在已有數據采集和決策分析的基礎上，增加了支架層。支架層以支架理論與認知學徒制為設計依據，通過提供意義建構、表達反思以及規劃問題解決等支持，幫助學習者完成其能力范圍之外的復雜任務；認知學徒制強調真實情境中導師示范與學習者實踐的重要性以及二者間的社會性互動。模型以“學習投入、知識學習、情感學習、溝通協作、主觀能動”為主要目標，設計了代理、可視化、情感與環境四類支架，支持與引導學習者感知反饋，管理反饋過程，加強反思評價、維持學習動機以及處理情感，促進人機雙向反饋。

人機雙向反饋模型以數據為基礎。數據是人工智能決策的重要依據。為了充分關注學習者學習過程中的主觀能動性，數據層將采集交互過程中學習者生成的主觀數據。該模型將學習者在內容與情感等方面對機器的反饋數據納入數據層，實現了數據的雙向流通。交互層連接了學習者與機器，體現了人機雙主體的反饋過程：“自適應模塊-適應性反饋-學習者”的單向反饋和“自適應模塊-支架層-學習者”的雙向反饋。其中，雙向反饋主要依賴支架層實現，支架層的設計綜合提供了語言、文字、圖像、情感以及具身感知等方面的交互；利用多模態、虛擬現實等技術，促進學習者對反饋內容的理解與回應，通過智能代理的多重身份(導師、同伴、學生)促進學習者自我監控與自我評價，提升學習者在人機交互中的主體地位。

學生行為層主要定位在反饋機制。學生通過感知反饋進而理解反饋，并結合反饋采取行動，同時通過情感管理和動機調控與機器進行互動反饋。在這個過程中，學生和機器是相互主客體關系，機器可以促進學生的反饋，學生的反饋又可以為機器提供更多內容，從而促進學生學習目標的達成。學習者周期性地參與這一反饋過程，會不斷激發他們提升反饋素養。在支架層與交互層的作用下，學生對反饋信息的感知理解、加工處理以及決策行動等行為得到支持。同時，學生的情感和動機也得到支撐，二者貫穿于整個反饋過程，對各環節起到調節作用。反饋素養的提升也會積極影響學生的其他能力。目標遷引層呈現的是學習者通過智能教育應用可以更好地達成的教育發展目標，滿足未來的職業要求。同時，這些目標不僅強調學習類型的重要性，也關注學生主動性、能動性等動力層面的發展。支持性框架可促進他們在行為層面更好地參與學習。在反饋素養的基礎上，學習者的學習投入、知識掌握、情感培養、溝通交流和主觀能動性都會得到相應的提升。

四、實施原則

原則一：增強學習者的反饋理解與主觀能動性

學生反饋素養以“感知反饋”為基礎。感知反饋維度強調學習者能夠充分理解反饋內容以及認識反饋的作用與價值，能夠在反饋中具有主觀能動性。已有研究表明，學習者對反饋信息的理解困難往往會影響其反饋和學習投入的效果(Noble et al.,2019)，需要掌握必要的學術語言，才能理解、解釋并進行復雜的思考。有學者使用“反饋詞匯表”幫助學習者理解反饋內容，提升反饋理解能力(Winstone et al.,2019)。當學習者遇到學習困難時，可以通過技術引導的形式拆解問題，并提供思維線索。支架還應具備適應性，即根據學生的行為水平自動更改出現頻率。

原則二：促進學習者的情感管理和動機調控

情感是反饋過程中影響學習者接收反饋信息的重要因素，通常包括情緒和態度。研究表明，只有在激發學習者情感的基礎上才能取得應有的反饋效果(唐林飛, 2014)。當學習者收到批評或者成績差的反饋時，他們往往會表現出對反饋的抵制。在這種情況下，反饋效果就取決于學習者自身的自我效能感、動機以及有效處理情緒的能力(Pitt & Norton, 2017)。構建雙方互信的反饋環境，可減輕學習者向外表達的焦慮。人工智能教育可以先從同伴反饋切入，營造平等信任的氛圍，降低學習者的焦慮并引發學習者共鳴。也有學者設計了情感反饋型虛擬教師，利用情感計算技術為學習者提供情感支持(朱珂等, 2020)。

原則三：促進學習者的認知投入與評價判斷

認知投入指學習者在學習期間能有效應用策略，促進知識理解和問題解決。評價判斷指學習者對自身或他人的績效與工作作出判斷，現階段學習者對于評價指標的理解并不透徹，往往傾向于那些容易理解的部分。為促進學習者有效地選取與應用策略和評價標準，教學過程需要增加認知評價練習和認知支架(Lubin et al.,2012; Nicol et al., 2014)。認知導師在智能導師系統中融入認知模型，對學習者的各種策略與迷思概念進行表征，并通過模型跟蹤和知識跟蹤算法，為學習者從新手轉變為專家提供路徑支持(Koedinger & Corbett,2006)?？珊箤W院采用學習儀表盤為學習者提供學習報告，方便學習者更清楚地掌握自身學習狀況，及時調整與規劃學習活動，實現個性化學習。

原則四：促進學習者的行動意識和執行過程

學習者的行動維度主要指學習者對反饋信息的回應，及回應之后如何調整行動。這些行動一方面包括學習者所采取的縮小實際目標與期望目標之間差距的策略，另一方面包括學習者主動尋求反饋和執行反饋需要采取的下一步行動。人工智能的反饋應當改變以學習結果為導向的模式，更加關注學生的長遠發展與技能培養(牟智佳等, 2018)。反饋行動的執行會受到情境影響，在真實的情境下，學習者更容易感知反饋信息并增加學習投入(Noble, 2019)。技術反饋更具有深度和真實感，學生也更喜歡這一形式。例如，增強現實技術提供的視覺反饋，可以提升兒童的內在體驗。

五、研究展望

本研究基于對目前人工智能教育應用中反饋機制與人機雙向交互的分析，指出學習者主體性缺失問題，同時圍繞反饋素養研究提出六個過程要素，并從理論上構建了面向智能教育應用的人機雙向反饋模型。當前，人工智能教育在構建面向未來的教學生態系統中扮演著重要作用，研究者應不斷促進人類智能和人工智能的協同作用，推動教育信息化與智能教育的發展。

(一)探索“教師-同伴-個人-機器”多元混合交互模型的實現路徑

人工智能要真正應用到教育場景，促進學習者的能動性發展，除了關注機器與學習者、機器與教師的雙向交互，還要綜合考慮個人、教師、同伴與機器之間復雜的多元交互關系，深入探討“教師-同伴-個人-機器交互學習”多元主體模型和機制構建。這包括探究如何將人工智能應用更好地從非正式學習引入到各學科的課堂教學實踐，檢驗人工智能教育應用的實際價值；充分考慮人工智能作為伙伴、教師、助手、代理等多種身份，發揮混合多元交互的作用。

再者，基于人機之間的反饋機制以及師生和生生之間的交互模式，探索多元人工智能之間的交互關系，如基于動力學理論，通過不同人工智能體間行動、語言、情緒等的耦合，關注意義、價值、辯護以及不確定性等因素對這一過程的影響，并且通過“社會交互”塑造個體自治和群體智能(何靜, 2020)，促進協同發展。輕量級生理反饋技術在教育中應用的發展，也給大規模實施混合多元交互提供了技術基礎(翟雪松等，2020)。

(二)在反饋基礎上關注前饋，以提升反饋的應用效果

人工智能教育應用的反饋，主要關注學生當前狀態與結果評估，對學生的長遠技能發展關注不足(Kluger & Van Dijk, 2010)。前饋是一種面向未來的教學策略(Bj?rkman, 1972)，為解決反饋的自身局限提供了思路。它通過指令向學習者傳輸先前的評估和實踐經驗，幫助學習者更清晰地理解任務的績效期望與評價標準。前饋關注對象是尚未發生的事情，其形式可分為兩類：一是在學習任務開展之前，預先告知學習者預期目標及評價標準，為學習過程提供指導(Sadler,1983)；另一類是反饋之后，提出策略、認知方面的更高目標與建議(Hattie & Timperley, 2007)。人工智能教育應用如果能夠融入前饋的機制與策略，將能夠改善現有反饋機制中目標不明確與評價標準模糊等問題；同時改善反饋只關注當前問題的局限性，把目標擴展到更加關注學習者長遠發展的全局視野(Noon & Eyre, 2020) 。

人工智能教育應用的實現仍然離不開研發團隊與教育專家的合作。目前人工智能在教育領域的應用越來越廣泛，但大規模推廣應用仍不多見。不斷加強技術開發人員與教育實踐者之間的深度溝通與對話，開展多元視角下的人機反饋機制探索，并在實際教學中迭代優化與完善(Luckin & Cukurova,2019)，是未來人工智能應用發展的主要路徑。

(三)基于具身認知理論，拓展人機雙向反饋的智能應用場域

當前人機雙向反饋研究仍局限于人工智能應用工具的視角。伴隨人工智能應用與環境的廣泛融合，必然形成新的人機交互模式與反饋素養的相互作用機制。具身認知理論強調身體感知及先前經驗對認知的作用，尤其關注感知器官與環境的交互作用。因此，具身認知理論可以為深入理解未來場景的人機交互機制提供新的思路和途徑。具體體現在三方面：第一，具身認知理論能夠擴展人機交互的范疇，為人工智能學習環境建設提供指導。依據具身認知理論構建的人工智能學習環境，學生與技術的交互更為頻繁多樣，如學生與人工智能代理交互，并通過觀察代理的行為，促進學生知識理解具身化(王美倩等，2015)；第二，具身認知理論為拓展人工智能的感知能力，豐富人機交互數據類型提供方向。具身認知理論下，借助多種知覺傳感器感知和理解學習過程，使得面向智能教育的人工智能實現由“游離身外”的輔助學習轉向“具身模擬”的“人-機融合”學習(謝泉峰等，2020)，也使得人機交互更加全面深入，為機器反饋提供充分的數據支撐；第三，具身認知理論強調學生在交互中的主體性與能動性，能為學生反饋素養的培養提供理論支撐。以具身形式達成的學習，學生會更主動參與環境的交互，并對接收的信息積極反饋，促進人機雙向的高質量反饋機制的形成。