智能教育發展中的若干關鍵問題

劉三女牙 劉盛英杰 孫建文 沈筱譞 劉智

【摘 要】

新一代人工智能技術在全球范圍內掀起的熱潮為智能教育的加速躍升帶來機遇，成為推動教育創新與變革的新動能。同時，受人工智能技術成熟度、算法黑箱屬性、人機共融與互信等問題制約，智能教育的研究與發展也面臨諸多挑戰。本文重點圍繞當前智能教育領域因技術泛化與策略遷移瓶頸故而賦能教育環節與領域受限、因算法黑箱與學習分析不深故而智能教育機理與規律不明、因人機協作與混合智能不足故而教育人機共融任重道遠、因隱私保護與信任機制薄弱故而教育人機互信亟待加強等幾個關鍵問題進行剖析，然后從推進教育新基建、加快共性技術突破、完善教育倫理規范、促進多學科交叉、加強多主體協同等方面提出未來進路，以期為加快推動智能教育創新發展提供一定參考。

【關鍵詞】? 智能教育;人工智能;技術賦能;泛化能力;黑箱問題;認知機理;人機共融;人機互信

【中圖分類號】? ?G434? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）4-0001-07

一、引言

過去十年來，以深度神經網絡為代表的新一代人工智能技術的持續突破及其在各行業的創新應用，不斷顛覆人們的既有認知，成為推動社會進步的重要動能。在教育領域，人工智能通過可迭代、可演化的算法與模型進行數據驅動的分析歸納與精準決策，廣泛應用于智能輔導、微格教學、自適應學習、沉浸學習、自動測評、課堂評價、數據決策、智能治理等場景，促進了教育創新與變革（楊曉哲， 等， 2021）。

智能教育的發展引起世界各國政府的高度重視，被多個國家納入國家級戰略規劃。2016年，美國國家科技委員會發布《為人工智能的未來做好準備》，特別提出將人工智能與國家教育系統進行整合，提升全體公民對人工智能的認識程度;2017年，英國政府發布《在英國發展人工智能》，提出應將數據科學和人工智能廣泛嵌入教育;2019年，美國國家科學基金會發布人工智能研究院建設計劃，總計投入約2億美元，重點支持“人工智能增強的學習”等六大方向;2020年，歐盟發布《人工智能白皮書》，提出更好地利用基于數據和人工智能的技術，通過學習及預測分析改進教育和培訓系統。我國高度重視智能教育發展，在2017年國務院印發的《新一代人工智能發展規劃》中明確強調“利用智能技術加快推動人才培養模式、教學方法改革，構建包含智能學習、交互式學習的新型教育體系”，并在《中國教育現代化2035》中提出“建設智能化校園，統籌建設一體化智能化教學、管理與服務平臺”。此外，在政策支持下，智能教育產業加速發展。據《2019全球人工智能教育行業研究報告》統計，我國在2013—2019年間共發生274筆智能教育投融資事件，總融資額達145億元，融資事件數復合增速達34%，融資總額增速達57%。其中，K12總共融資78億元，占整體融資額的53.5%。新一代人工智能技術為我國教育發展注入了新動能。

智能教育的發展深受人工智能技術進展的影響，與智能技術的進化歷程同頻共振。1958年，美國著名心理學家斯金納（Skinner， 1958）在Science上發表論文Teaching Machine，提出利用機器輔助教學來提高教學的效率和公平性，開啟了人類對智能教育的追求。從1956年達特茅斯會議首次提出人工智能的概念后，在符號主義、連接主義、行為主義等不同技術的驅動下，智能教育的發展從知識傳遞自動化、知識獲取自動化轉向學習過程智能感知與優化，先后經歷了早期計算機輔助教學的起步階段、以智能導學系統為代表的探索階段和當前的個性化自適應學習階段。其間，智能教育吸引了教育學、心理學、計算機科學等多個領域學者的研究興趣，誕生了一系列具有代表性的智能教育系統。1960年，美國伊利諾伊大學香檳分校的比策教授研發的一種面向自動教學操作的計算機教學系統PLATO，成為早期智能教育發展的標志性成果;1982年，美國斯坦福大學的斯萊曼等（Sleeman， et al.， 1982）提出智能導學系統（Intelligent Tutoring System，ITS）的概念，由此掀起ITS的研究熱潮;1990年，美國卡耐基梅隆大學的安德森等（Anderson， et al.， 1990）發明了一種基于認知模型的Cognitive Tutor系統，經過30來年的改進和演化，該系統如今已衍生出多個分支系統并在全美開展了大規模應用（Ritter， Anderson， Koedinger， & Corbett， 2007; Koedinger & Aleven， 2016）;2004年，美國孟菲斯大學人工智能研究所研發了支持自然人機對話以指導學習者的AutoTutor系統，并在后續發展過程中受益于自然語言處理、語音識別、情感識別等技術突破，該系統的智能化程度不斷得到提升（Nye， Graesser， & Hu， 2014）。

人工智能在為智能教育的創新發展提供新機遇的同時，也帶來各種問題和挑戰。2019年，聯合國教科文組織發布《教育中的人工智能：可持續發展的挑戰與機遇》，指出人工智能將對學習方式、學習機會、學習質量、學生能力、教師發展等產生直接影響，同時也給教育公平、教育決策、教育政策、隱私與倫理等帶來新的挑戰和機遇。一方面，在新一代人工智能技術的驅動下，智能教育以實現更高效的教學、更有效的學習為目標，進一步破解高質量個性化學習、教育公平等全球性難題;另一方面，在人工智能技術成熟度、算法黑箱、人機共融以及互信等問題的制約下，智能教育的發展也面臨諸多挑戰。以下重點圍繞智能教育技術泛化、智能教育機理與規律不明、教育人機共融任重道遠、教育人機互信亟待加強四個關鍵問題進行探討，然后結合人工智能技術演化趨勢提出智能教育發展進路及相應對策。

二、關鍵問題

（一）技術泛化與策略遷移瓶頸：賦能教育環節與領域受限

構建相互融通的學習場景、靈活多元的學習方式、彈性多能的組織管理是智能教育發展的主要目標（黃榮懷， 等， 2019; 曹培杰， 2020）。實現對教、學、管、評、練、測等多環節智能教育服務的全聯通，以及對多學科的全覆蓋，是達成這一目標的必要條件。但受現階段弱人工智能技術發展水平所限，當前人工智能有效賦能的教學環節與學科領域還較為單一，這也成為制約智能教育服務常態化應用、規模化普及的一大瓶頸。

以作文自動評分系統（Automated Essay Scoring，AES）為例，AES系統的研究與發展受自然語言處理技術影響較大。比如，有一種稱為“詞嵌入”的自然語言處理技術在近十年來不斷取得創新突破，同時也帶動和提升了相關領域智能服務的可用性與應用效果。“詞嵌入”技術的發展從圖靈獎得主班吉奧提出神經概率語言模型開始，先后誕生了Word2Vec、BERT、GPT等一系列改進模型。AES系統通過結合Word2Vec與BERT模型所提供的特征與文本表示方法，使作文自動評分的精度不斷提升（Jin， He， Hui， & Sun， 2018; Uto， Xie， & Ueno， 2020），并逐步達到實用化水平，催生了諸如句酷批改網、IN課堂等在線作文批改產品。類似地，使用自然語言交互的智能學伴也隨著自然語言處理技術的發展而逐漸成熟，被賦予更好的語義理解、情緒感知、多輪連續對話等能力，能夠更好地提升學習者自主感、勝任感與關系感，使學習者獲得良好的學習體驗與正向激勵，最終提升其學習效率與效果（Graesser， Cai， Morgan， & Wang， 2017）。與此同時，在人工智能賦能教育的實踐中也存在大量技術不成熟尚未達到可用程度的情況。例如，數學綜合類應用題的智能化解析、閱卷與提示等就是一大難點，這也導致智能教學過程中相關環節或場景的缺位，無法支撐所有環節的聯通。因此，需緊密關注人工智能領域的最新技術進展，將其適配應用到合適的教育教學場景，持續提升智能教育服務的可用性與可靠性。

以智能導學系統為例，這是人工智能賦能教育最早進行實踐的領域之一，其特點是在教育學、心理學等理論的指導下，利用人工智能技術模擬人類教師開展教學活動，目標是通過增強教師教學能力進一步提升學習者的學習成效。國內外典型的智能導學系統，比如基于認知模型的Cognitive Tutor、基于自然對話的AutoTutor、面向中學數學的ASSISTments、利用虛擬教師幫助學習者訓練表達能力的MACH系統，以及清華小木、希賽可等。從系統結構看，智能導學系統一般由領域知識庫、學生模型、教學策略和推理模塊等組成（屈靜， 等， 2020）。其中，領域知識庫與教學策略通常與具體的學科緊密耦合，已有的智能導學系統大多只針對特定學科，甚至特定知識點而構建，其中尤以數學、物理、編程等最為常見。如何最大限度實現智能導學技術可泛化與策略可遷移，使不同系統之間的內容可復用、數據可交換、模塊可集成等，是推進智能教育服務全場域拓展的一個關鍵問題。為此，美國陸軍實驗室的索特拉（Sottilare， 2016）提出一種智能導學系統通用框架（Generalized Intelligent Framework for Tutoring，GIFT）。GIFT定義了傳感器、學習者、教學法和領域知識等模塊，試圖構建一套標準化的框架，實現智能導學內容、數據和系統等多個方面的共享與集成。

（二）算法黑箱與學習分析不深：智能教育機理與規律不明

教育是一個注重揭示教育現象或教育行為之間因果關系的領域，而當前以深度神經網絡為代表的智能算法普遍存在黑箱問題，雖然在多個教育場景或任務上都構建了精準、高效的機器學習模型，但卻難以理解或解釋其工作機理，無法進一步開展針對學習者的錯因追溯、歸因分析等更具教育價值的服務。

以知識追蹤（Knowledge Tracing，KT）為例，這是一種根據學習者歷史學習行為和表現對其知識掌握狀態進行預測性建模的研究任務，廣泛應用于智能導學、自適應學習等系統。KT最早由美國卡耐基梅隆大學的科比特和安德森（Corbett & Anderson， 1994）于20世紀90年代提出，早期主要采用基于貝葉斯網絡的概率計算框架（Bayesian Knowledge Tracing，BKT）。BKT定義了多個具有特定含義的參數（如學習率、猜測率、失誤率等）來表示學習者掌握和運用知識的狀況，然后利用貝葉斯網絡模型進行學習過程建模和參數估計。隨著深度神經網絡在人工智能領域展現出的巨大潛力，深度學習模型也被引入解決知識追蹤問題。2015年，美國斯坦福大學的皮耶等（Piech， et al.， 2015）提出基于深度神經網絡的知識追蹤算法——深度知識追蹤（Deep Knowledge Tracing，DKT）。DKT掀起了知識追蹤新一輪的研究熱潮，后續改進模型不斷涌現，尤其是在2020年高水平論文呈井噴之勢。與BKT相比，DKT在模型的預測準確率上取得顯著提升（AUC值提升近30%），但由于神經網絡模型固有的“黑箱”特性，難以透過網絡內部神經元的行為或狀態理解模型對學習者認知建模的細節，無法進一步揭示學習者的認知規律，從而降低了使用者對預測結果的利用或信任程度。當前，深度神經網絡技術已廣泛應用于智能教育領域，這一現象普遍存在。就現階段來說，如何根據不同的教育場景或應用特點在算法性能與可解釋性之間進行取舍或保持平衡，是一個值得思考與探究的問題。

此外，新興技術的快速發展以及與教育教學的不斷融合，產生了海量且持續增長的教育大數據。利用數據驅動的學習分析方法深入探究教與學過程，揭示新的教與學規律，成為連接學習行為與學習理論的橋梁，催生出諸如量化學習、計算教育學等新的研究方向，為教育研究提供了新的研究范式（劉三女牙， 等， 2018， 2020）。學習分析與智能教育相輔相成，通過學習分析揭示教與學的機理或規律，能夠更加科學、合理地指導智能教育系統的設計、開發、應用與評估等全流程。反之，智能教育的大規模推廣應用，既有助于拓展人機交互空間，開創更多新穎的學習場景，又能夠利用當前各種成熟的智能化感知技術自動獲取多模態、細粒度、高價值的學習大數據，極大豐富學習分析的場景和數據。但當前的學習分析相關研究，一是在適用場景上受智能教育本身技術發展及應用范圍所限，傳統學習分析的成果難以直接遷移并用于指導智能教育服務的設計與研發，如何進一步揭示各種智能化人機交互環境下的學習機理與規律是學習分析在智能教育時代的必由之路。二是在分析層次上，當前學習分析研究普遍從外顯學習行為入手，以分析行為之間的關聯關系或外顯行為到內隱心理特征之間的映射關系為主。其中，對心理特征的學習分析研究又以認知、情感、風格等維度的研究為主，而對于學習者自我調控非常重要的元認知等深層次心理特征的學習分析研究則較少。另外，將學習分析研究從行為、心理進一步拓展到生理層面，也是目前該領域的一大研究趨勢。近年來，智能感知、可穿戴技術的巨大進展，以及教育神經科學的快速崛起，為深層次學習分析研究提供了機遇，有助于加快智能教育創新發展。

（三）人機協作與混合智能不足：教育人機共融任重道遠

人工智能技術的不斷進步帶來了人機交互革命，使人與機器之間的交互變得更加自然和豐富。但對教育而言，其一大特點是強調人與人之間的互動，無論是“師-生”還是“生-生”之間，人與人之間的言語或情感交流都可釋放出巨大的教育能量。人與機器智能各有所長，機器擅長搜索、計算、優化等操作，而人擅長直覺、推理、決策等更復雜的認知活動。如何綜合兩者優勢實現混合增強的智能服務，一直是人工智能領域的重要研究方向。因此，對于智能教育，直接利用人工智能領域新的“人-機”交互技術很重要，而開展“師-機-生”交互這類教育領域特有的人機協作與混合智能技術則更重要。

以混合式學習為例，這是一種結合線上與線下學習各自優勢，并被大量研究及實踐證明有效的教學方式（吳南中， 2017）。混合式學習是對傳統“以教師為中心”或“以學生為中心”教學理念的變革，通過在線自主學習部分體現學習者的主體地位，并結合線下課堂教學充分發揮教師的主導作用，被廣泛認為是一種在網絡學習環境中發展出來的先進教育思想（何克抗， 2018; Clayton， Blumberg， & Anthony， 2018）。當前，混合式學習的線上部分已逐漸應用智能導學技術，提供學習者動態化認知診斷、自適應知識導航、個性化資源推薦等自主化學習功能，以及同步或異步討論、答疑等輔助功能。但從人機交互角度看，這些智能導學功能幾乎都源于單一智能。例如學習診斷、導航、推薦等均側重于數據驅動的機器智能，而討論、答疑等功能則以教師或助教等人類智能提供為主。在智能導學過程中，機器智能擅長模式識別與量化計算，適合完成如學習者知識掌握概率預測、下一步最優學習路徑規劃、學習增益或匹配度最高的資源推送等任務。但同時，機器不擅長復雜推理，難以理解在線學習情境中學習者的意圖與狀態等高層語義，難以為學習者自動生成遵循各種教學理論（如最近發展區）的提示或暗示等信息。另外，對于混合式學習的線下課堂教學部分，以小組協作學習為例，如何有機結合機器和人類教師的優點，開展基于“師-機-生”多層次自然交互的智能化協作學習，一直是該領域的研究熱點與難點。一般而言，在這個場景中機器擅長自動分組以及對多個小組學習過程的分布式感知與全過程監測，但不擅長對學習者提供情感、動機等支持，也難以在協作學習過程中提供及時且富有策略性的啟發與引導等教學支架，而這兩點正是人類教師所擅長的。因此，近年來雖然智能教育快速發展且大量應用不斷涌現，但大多是輪流式、淺層次的人機混合，創新性開展“師-機-生”混合智能教育的案例還少有出現，教育人機共融相關的探索仍處于起步階段（葉波， 等， 2020）。

（四）隱私保護與信任機制薄弱：教育人機互信亟待加強

數據驅動是當前人工智能技術發展的主流范式，數據也被譽為智能算法的“燃料”，如何正確、合理地使用和管理用戶數據以保護用戶隱私是非常重要的問題。未清洗的數據、不透明的算法、完全自動化的決策、元數據的缺失，以及用戶使用數據授權機制的缺位，往往會構成一個“黑色系統”，難以獲得使用者的充分信任。在智能教育領域，數據的隱私保護同樣是一個重要的命題，成為近年來國內外研究的熱點。比如利用差分隱私、聯邦學習等數據加密、共享技術來實現更為可靠的教育數據使用機制，構建以保護用戶隱私為核心的數據使用規范，共同推動智能教育系統的透明化、可信化發展，促進教育人機互信。

人工智能的快速發展使其安全與信任問題逐漸成為焦點。早在2015年，Google公司研究員古德費羅等（Goodfellow， et al.， 2015）發現，即使最先進的圖像識別系統也可被輕易“欺騙”，只需利用一種簡單方法生成人眼難以察覺的噪聲即可造成系統誤判，被稱為“對抗攻擊”。研究表明，對抗攻擊不只存在于圖像識別，也可影響推薦系統、離散數據、圖關系數據等多個領域（Zhang， Sheng， Alhazmi， & Li， 2020）。2019年，美國麻省理工學院的拉赫旺等（Rahwan， et al.， 2019）在Nature上發表論文Machine Behaviour，呼吁關注“機器行為學”這一新方向。隨著人工智能走進大眾生活，成為組成和影響人類社會的重要元素，實踐過程中產生了大量人機倫理問題，亟須探究機器與人類混合形成的社會規律，以更好地理解人工智能的行為及其對人類的影響。對智能教育而言，智能算法正不斷應用于越來越多的教育教學場景，但由于數據、算法或應用場景帶來的各種風險，其對學習者個人或群體潛在的影響變得難以預估。比如，利用互聯網開放大數據訓練而成的算法模型是否會把各種偏見、知識錯誤或不良價值觀等內容帶入教育場景，從而引起學習者、教師、家長或管理者等群體的普遍不信任。基于智能算法的學習者成效預測、能力評估或畫像技術是否對所有學習者都同等有效，是否會降低部分學習者的自我效能感，甚至會讓學習者產生被打標簽之感等。與此同時，人的行為也在人機交互過程中影響算法的演化。在智能教育系統中，不同學習者個體和群體如何影響算法的演化趨勢，以及是否存在學習者能夠刻意操縱數據從而影響系統正常行為的漏洞，都是值得思考的問題。

三、發展進路

（一）推進教育新基建

為促進社會與經濟高質量發展，近年來我國大力推進新型基礎設施建設（簡稱“新基建”），提出加快5G網絡、大數據中心、人工智能等基礎設施建設，打造支撐數字轉型、智能升級、融合創新的基礎設施體系。“新基建”將加速人工智能在社會的全面應用，促進人工智能與各行業的深度融合。未來，智能教育在受益于“新基建”公共基礎設施的同時，也需結合領域特點，打造符合未來教育發展趨勢的行業基礎設施——教育新基建。通過支持教室、校園、家庭等傳統正式學習場所，以及地鐵、科技館、咖啡廳等非正式學習場景，提供更具有彈性的場景化、個性化學習服務，更加智能化地適應學習者在多個碎片化時空場景的不斷遷移和變換，從而形成“人人皆學、處處能學、時時可學”的學習新生態，為助力智能教育持續創新奠定物質基礎與生態環境。其中，作為人才培養的主陣地，智慧校園、智慧教室依然是智能教育研究與發展的重點。

（二）加快共性關鍵技術突破

從技術角度而言，當前人工智能領域正在經歷從感知智能到認知智能的技術轉型期，“數據驅動+知識引導”的智能技術研究范式正在成為趨勢，人機混合增強智能的時代正在來臨。智能教育將突破過去以學習行為識別為代表的淺層次感知技術的局限，進一步實現對學習情景、意圖或狀態的深度理解，從以行為分析為主發展到認知、情感、社交、生理等多層次、多模態學習分析（汪維富， 等， 2021）。同時，知識圖譜增強的認知計算方法將賦予機器更強的推理和決策能力，能夠在“師-機-生”交互、群體協作等更復雜的認知活動中提供更具策略性的學習支架與教學輔助（Kizilcec， et al.， 2020）。從教育角度看，利用不斷升級的智能技術賦能學習環境、資源、主體、服務等教育系統的核心元素是傳統智能教育發展的主要形式。未來，智能教育在細粒度精準化知識圖譜構建、“師-機-生”混合智能增強、融合學習者認知機理的可解釋性建模等方面取得的技術突破，甚至可能會反哺人工智能的發展。

（三）完善教育倫理規范

智能教育中的倫理問題涉及數據安全、技術異化、隱私保護等多個方面，在處理數據、技術與人的相互關系時應遵循“有用”“無害”的倫理訴求，充分發揮數據和技術的育人價值。一方面，建構教育倫理框架，明確教育數據的價值定位，界定教育主體的數據權利，厘清教育數據的教育效用，引導技術與教育融合進程和諧共進;另一方面，完善數據采集規范，保護學習者敏感信息，保證學習者具備自身學習數據采集與使用知情權，建立相關審查機制，規范并約束相關應用，在公開與共享教育數據時遵循相關標準，督促敏感數據審查、被試對象數據脫敏，保證數據的客觀性與可用性。此外，建立相關政策約束技術擁有者的數據壟斷，避免技術異化，消除人工智能系統可能帶來的某些不恰當的價值判斷，以免在技術快速演進、法律法規相對滯后的當下引發一系列社會問題和倫理挑戰（劉三女牙， 等， 2017）。

（四）促進多學科交叉

正如一直以來人工智能在計算機科學、心理學和腦科學等多學科交叉融合中不斷取得突破，作為一個典型的學科交叉領域，智能教育的研究與發展面臨教育學、生命科學、腦科學、心理學、社會學、信息科學、系統科學、管理科學等更多學科、更加復雜的挑戰（Koedinger， Booth， & Klahr， 2013）。未來，在智能教育理論、方法和應用等多個層面，均需綜合運用自然科學與社會科學研究方法，著力探索多學科交叉融合、聯合攻關的新方法、新模式，開拓智能教育研究的新領域、新方向、新發現，匯聚并培養一批具有跨學科思維的復合型人才隊伍，形成綜合研究能力，促進智能教育研究中規律性和機制性的理論突破，發展面向未來教育的新方法、新技術和新應用，為解決教育改革發展中的環境重構、資源創新、流程再造、評價變革、治理優化等一系列問題，提供新的研究范式和技術工具。

（五）加強多主體協同

教育是一項復雜的系統工程，多主體協同攻關是國內外教育科學研究的重要特征，需要“政產學研用”等利益相關方深度協同（Reich & Ruipérez-Valiente， 2019）。未來智能教育發展以打造整體生態為目標，探索教育系統相關組織與機構開展多主體協同的新途徑與新機制，全方位支持智能教育研究創新、學科發展、人才培養、應用推廣和產業升級。按照高校/科研機構（U）、政府（G）、企業（B）、學校（S）各方共同參與、廣泛合作的“UGBS”運行模式，充分發揮政府引導者與推動者的作用，在教育政策引導、宏觀組織、標準制定、經費投入、績效評估等方面開展體制機制創新。通過多主體協同，形成涵蓋基礎理論突破、關鍵技術攻關、產品研發和應用能力構建的整體布局，實現學科鏈、產業鏈、資金鏈的有機銜接，提升智能教育科研質量和應用服務的整體效能。

四、總結

綜上所述，人工智能賦能教育，為教育的創新變革帶來新動能，同時也面臨諸多挑戰。智能教育并非人工智能在教育領域的簡單應用，受人工智能技術變革、人才培養目標牽引、地域文化滲透等多重因素影響，智能教育的發展具有時代性、領域性和文化性等特點，其背后有更加豐富和深刻的內涵。智能教育的創新也并非一個智能技術在教育教學中的單點突破問題，而是一項需要從基礎設施建設、共性技術突破、倫理規范完善等方面進行多學科交叉、多主體協同的系統性工程。未來，應考慮結合教育領域特點和發展目標，著力提升智能教育的技術泛化能力，明確智能教育的機理與規律，促進多場景下的教育人機共融與互信。

[參考文獻]

曹培杰. 2020. 人工智能教育變革的三重境界[J]. 教育研究，41（2）：143-150.

何克抗. 2018. 關于我國教育技術學研究現狀和教育變革著力點的思考[J]. 電化教育研究，39（8）：5-14.

黃榮懷，周偉，杜靜，等. 2019. 面向智能教育的三個基本計算問題[J]. 開放教育研究，25（5）：11-22.

劉三女牙，李卿，孫建文，等. 2016. 量化學習：數字化學習發展前瞻[J]. 教育研究，37（7）：119-126.

劉三女牙，楊宗凱，李卿. 2017. 教育數據倫理：大數據時代教育的新挑戰[J]. 教育研究，38（4）：15-20.

劉三女牙，楊宗凱，李卿. 2020. 計算教育學：內涵與進路[J]. 教育研究，41（3）：152-159.

屈靜，劉凱，胡祥恩，等. 2020. 對話式智能導學系統研究現狀及趨勢[J]. 開放教育研究，26（4）：112-120.

汪維富，毛美娟. 2021. 多模態學習分析：理解與評價真實學習的新路向[J]. 電化教育研究，42（2）：25-32.

吳南中. 2017. 混合學習空間：內涵、效用表征與形成機制[J]. 電化教育研究，38（1）：21-27.

楊曉哲，任友群. 2021. 教育人工智能的下一步——應用場景與推進策略[J]. 中國電化教育（1）：89-95.

葉波，吳定初. 2020. 智能時代的教師實踐智慧：走向智慧的實踐[J]. 教育研究，41（12）：129-140.

Anderson， J. R.， Boyle， C. F.， Corbett， A. T.， & Lewis， M. W. （1990）. Cognitive modeling and intelligent tutoring. Artificial Intelligence， 42， 7-49.

Clayton， K. E.， Blumberg， F. C.， & Anthony， J. A. （2018）. Linkages between course status， perceived course value， and students preference for traditional versus non-traditional learning environments. Computers & education， 125， 175-181.

Corbett， A. T.， & Anderson， J. R. （1994）. Knowledge tracing： Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction， 4（4）， 253-278.

Goodfellow， I. J.， Shlens， J.， & Szegedy， C. J. （2015）. Explaining and harnessing adversarial examples. Proceedings of the 3rd International Conference on Learning Representations （ICLR2015）.

Graesser， A. C.， Cai， Z.， Morgan， B.， & Wang， L. （2017）. Assessment with computer agents that engage in conversational dialogues and trialogues with learners. Computers in Human Behavior， 76， 607-616.

Jin， C.， He， B.， Hui， K.， & Sun， L. （2018）. TDNN： a two-stage deep neural network for prompt-independent automated essay scoring. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics （pp. 1088-1097）.

Kizilcec， R. F.， Reich， J.， Yeomans， M.， Dann， C.， Brunskill， E.， Lopez， G.， et al. （2020）. Scaling up behavioral science interventions in online education. Proceedings of the National Academy of Sciences， 117（26）， 14900-14905.

Koedinger， K.R.， & Aleven， V. （2016）. An interview reflection on “Intelligent tutoring goes to school in the big city.” International Journal of Artificial Intelligence in Education， 26（1）， 13-24.

Koedinger， K. R.， Booth， J. L.， & Klahr， D. （2013）. Instructional complexity and the science to constrain it. Science， 342（6161）， 935-937.

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， 427-469.

Piech， C.， Bassen， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas， L. J.， et al. （2015）. Deep knowledge tracing. Advances in Neural Information Processing Systems （pp. 505-513）.

Rahwan， I.， Cebrian， M.， Obradovich， N.， Bongard， J.， Bonnefon， J.-F.， Breazeal， C.， et al. （2019）. Machine behaviour. Nature， 568（7753）， 477-486.

Reich， J.， & Ruipérez-Valiente， J. A. （2019）. The MOOC pivot. Science， 363（6423）， 130-131.

Ritter， S.， Anderson， J. R.， Koedinger， K. R.， & Corbett， A. （2007） Cognitive Tutor： Applied research in mathematics education. Psychonomic Bulletin & Review， 14， 249-255.

Skinner， B. F. （1958）. Teaching Machines. Science， 128（3330）， 969-977.

Sleeman， D. H.， & Brown， J. S. （Eds.）. （1982）. Intelligent Tutoring Systems. New York： Academic Press.

Sottilare， R. A. （2016）. Adaptive instruction for individual learners within the Generalized Intelligent Framework for Tutoring GIFT. In Proceedings， Part II， of the 10th International Conference on Foundations of Augmented Cognition： Neuroergonomics and Operational Neuroscience （pp. 90-96）.

Uto， M.， Xie， Y.， & Ueno， M. （2020）. Neural automated essay scoring incorporating handcrafted features. Proceedings of the 28th International Conference on Computational Linguistics （pp. 6077-6088）.

Zhang， W. E.， Sheng， Q. Z.， Alhazmi， A.， & Li， C. （2020）. Adversarial attacks on deep-learning models in natural language processing： A survey. ACM Transactions on Intelligent Systems Technology， 11（3）， 1-41.

收稿日期：2021-01-15

定稿日期：2021-02-10

作者簡介：劉三女牙，博士，教授，博士生導師;劉盛英杰，博士研究生;孫建文，博士，副教授，本文通訊作者;沈筱譞，博士后;劉智，博士，副教授。華中師范大學教育大數據應用技術國家工程實驗室（430079）。

責任編輯 劉 莉