人工智能時代機器輔助教學：能力向度及發展進路

劉 智 孔 璽 王 泰 劉三女牙 粟 柱

(華中師范大學 教育大數據應用技術國家工程實驗室，湖北武漢 430079)

一、引 言

以數字化、網絡化、智能化為特征的第四次工業革命正以蓬勃之勢在全球各個領域掀起技術革新浪潮(辜勝阻，2020)。在這場革新中，人工智能將引發教育教學過程的結構重組與流程再造，并加速整個教育系統從信息化向智能化演進。《新一代人工智能發展規劃》將人工智能技術上升為國家戰略(國務院，2017)，《教育信息化2.0行動計劃》更是強調人工智能要融于教育全過程，推動改進教學、提升績效(教育部，2018)。縱觀教育發展進程，機器輔助教學的進步一直與人工智能演進的三次浪潮同頻共振，其能力向度也得到了有效拓展，實現由單一性、低智能向跨領域、高智能的轉變。機器輔助教學以幫助教師高效教學與學習者有效學習為目標，試圖優化教學過程，推動教育公平與學習者全面發展，研究內容集中于利用機器助教與智能導師降低教學成本，實現個性化、適應性智能導學等。作為人工智能時代發展的三要素，數據、算法與計算能力的結合使教學機器逐漸具備較強的智能化特征，使其在資源推送、路徑規劃乃至適應性反饋和干預等復雜教學服務上能更順應學生個性化需求和認知規律。智能化教學機器甚至可使用各種教學行為數據開展自適應學習、更新與進化，同時能依據教學目標、教學場景、交互對象等約束條件實現適配能力的優化和增強。

隨著機器輔助教學服務范圍的拓展與質量的提高，如何評測機器輔助教學的能力成為充滿挑戰且不可回避的問題，其評測方式也亟待從專家評價、量化評測等傳統方法，向全面、動態、立體的模式轉變。科技部(2020)發布的《2030“新一代人工智能”重大項目2020年度項目申報指南》，就將“建立支撐群體化課程學習和在線實踐的智能平臺和評測方法”規劃為重點支持方向，凸顯了以智能教學平臺為主要形式的機器輔助教學研究及其評測的重要性。基于人工智能的機器輔助教學系統正大量涌現，我們在驚嘆技術進展快速的同時，也需要思考如何劃分機器輔助教學的能力等級并進行分級分類評測，以根據智能等級匹配教學場景、教學活動與目標，監測教學效果乃至規范智能教育行業治理。現有智能機器已實現資源推送、路徑規劃等服務，但有關教學機器個性化教學成效的評估依然是難點。這就需要對機器輔助教學的實施效果開展動態、全面且有效的監測，以保證個性化學習活動的精準化定制與高質量開展。我國教育評價改革與創新面臨學習環境復雜、資源分布不均、學習用戶規模大、學習服務多樣等挑戰，人工智能時代機器輔助教學作為有效提升規模化教學質量和個性化學習效果的重要方式，其能力向度應涵蓋教學機器所提供服務的各種維度與層級，同時也應為教育綜合評價體系的建立和完善提供重要依據。但當前無論是學術領域還是工業界，均未對機器輔助教學的能力向度展開研究，數據驅動的個性化教育和精準化教學的實現有賴于對機器輔助教學能力向度進行深度洞察與系統設計。本研究在深入了解機器輔助教學發展歷程與內涵的基礎上，對人工智能時代機器輔助教學能力向度展開研究，以全新的視角全面認知機器輔助教學的客觀概況與結構，探討機器輔助教學能力向度的內在邏輯與模型構建范式，以期為能力評測標準的制定提供理論參照。

二、基本認識

(一)機器輔助教學的發展歷程

“機器”一般指由各種零件組成、用以完成既定任務或產生有用功的裝置(《當代漢語詞典》編委會，2001)。教育工作者使用機器輔助教學的探索從未停止。機器輔助教學最早可追溯到20世紀20年代美國心理學家普萊西(Pressey，1927)設計的第一臺教學機器，學生通過操作機器選擇答案，機器根據學生回答正確與否，決定是否進入下一問題和統計錯誤次數。1958年，哈佛大學教授斯金納(Skinner，1958)提出通過程序教學和教學機器變革傳統教學模式。這一倡議掀起了美國中小學教學改革的熱潮，其理論成果被應用于軍事訓練并取得了良好效果。20世紀60年代，計算機支持的教學機器可實現多媒體通信、終端內容呈現和教師課堂講授的有機結合，不僅能提供系統的課程學習內容及相應的練習和測試題目，還能為學習者提供個別指導、對話咨詢等支持(張劍平等，2008)。得益于計算機性能和算法的發展，計算機輔助教學逐步脫離強調知識呈現和內容傳遞，開始向模擬人類教師和增強課堂交互體驗等更智能的方向發展(劉清堂，毛剛等，2016)。20世紀80年代初期出現的智能導師系統利用計算機模仿人類教師，實現了記錄學習過程、制定個性方案、提供問題求解和即時反饋等功能。90年代后，在計算機網絡、多媒體和人工智能技術的支持下，生成式教學內容、動態教學策略、智能化教學環境成為機器輔助教學的主要特征(劉清堂等，2016)。進入21世紀以來，基于互聯網、大數據和新一代人工智能技術的機器輔助教學具備更強大的類腦智能，在情境理解、智能導學、群體組織和成效評測等方面具有以往機器難以實現的功能。該階段的教學機器能夠理解學生的行為、意圖、表情和認知狀態，并像人類教師一樣幫助學生規劃學習路徑、推薦學習資源和提供必要的情感交互。

回顧機器輔助教學發展歷程可知，教學機器本質上是被用來解放教師時間、提高教學效率、促進學生學習的方法和工具。技術變革促進了機器模擬人類感覺、記憶、推理等能力的提升，強大的智能機器將協助教師開展各種教學活動。

(二)人工智能時代機器輔助教學的內涵

人工智能時代機器輔助教學的重點在于依托教育大數據、學習分析、人機交互以及人工智能等技術，開展有利于教師提高教育質量的活動與實踐。技術不斷演進也推動著機器輔助教學內涵的豐富。

1.助力機器智能與人類智慧的共同提升

人工智能時代機器輔助教學的關鍵在于技術層面建構更加人性化、靈活高效且具有持續進化能力的機器智能，并通過機器智能賦能教師和學習者智慧的共同提升。在未來的教學情境中，人機共生與演化將成為人工智能與教育結合的必然趨勢，教學機器的智能化演進必將促進人類對自然和人類本身的再認知。隨著教師與教師、教師與學生、學生與學生之間信息傳輸、交互和知識共享的深入發展，海量的知識、行為數據、教學任務與案例等散布于無邊界的智慧共享體系中，并將成為教學機器不斷智能化演進的原始驅動力。同時，高智能教學機器不斷更新人類智慧的集成積累，利用集成智慧和大數據突破人類思維的盲區，生成大量難以通過常規方式挖掘的新知識，并將其提供給教師與學生，不斷突破現有的認知極限。教學機器也會利用信息存儲能力強化他們的記憶深度與廣度，借助人機對話提高師生互動的技術與藝術，提供決策支持，改善教師教學管理的效率與效果，全方位地拓展師生智慧與能力的邊界。

2.打破教育主客體二元論

在人工智能時代，技術進步改變了機器的傳統內涵，尤其是機器輔助教學的自主意識喚起使得人類教師的中心地位將被撼動，主客二元的思維方法將被打破和顛覆(劉復興，2019)。首先，以教學機器為支撐的機器輔助教學已成為教育教學的關鍵組成部分，幾乎全方位地滲透于教學過程。智能機器通過經驗學習與教師反饋數據越來越具有人的特質，教師與機器在教學過程中將互為主體和互為客體，兩者和諧共生，協同進化。其次，人工智能時代機器輔助教學保留了資源載體和計算工具的屬性，但隨著智能水平的提高，機器也隨之轉變為施教者，工具屬性減弱，主體性成分加強。機器會代替人類教師履行大部分工作，學生也將難以感受到真實教師和機器教師之間的差別。再次，技術創新加快人機融合速度。在腦機接口、腦電帽等可穿戴設備的支持下，智能教育機器甚至能與人融為一體，產生人機結合體。人機溝通愈加順暢，機器能給予人以計算、記憶等支持，使人類達到以往無法達到的思維與行動能力。由此，人與機器之間主客體界限愈加模糊，將打破傳統二元論甚至合為一體。

3.促進師—機—生多主體協同與共融

人工智能時代的機器輔助教學致力于構建教師、機器、學生相結合的范式，強調師—機—生彼此間的協同與進化，促進人機共融、教學相長。人類教師教學經驗豐富，這對課堂教學、組織管理和問題解決起關鍵作用。同時，人的抽象思維、邏輯推理和學習等高級屬性，有較強的教學場景適應性和應變性，有助于開展教學交互，提升教學效果。相比之下，人腦提取、計算和處理信息的速率不高且容易出現偏差。智能機器海量的數據存儲、計算、搜索等特點，可幫助教師快速處理數據并進行分析，代替他們完成大量繁復工作。學生使用智能教學機器開展學習可獲得精準的個性化服務，學生反饋數據也可為增強機器輔助能力提供支持。人工智能時代的機器輔助教學將師—機—生三者優勢結合，人類智能將與擁有理解和表達能力的智能機器實現社會化協同，實現雙主體、互適應、螺旋式的共同進化(余勝泉等，2019)，教育方式也可能發生質的變化。

三、向度模型構建范式

模型可構筑連接理論與實踐的橋梁。機器輔助教學能力向度模型從復雜的智能教學機器應用過程提取測評指標等因素，并予以定量刻畫，從而將各種復雜對象簡單化，用以解決能力評測等實際問題(范涌峰等，2019)，這也是向度研究的關鍵。向度模型構建范式是關于機器輔助教學能力向度模型的一整套規范，也是構建向度模型的方法論基礎，內容包括：確定向度模型構建的價值取向、明確機器輔助教學的系統框架與要素、構建機器輔助教學能力的向度模型、驗證與評價機器輔助教學能力向度模型。

(一)確定向度模型構建的價值取向

價值取向貫穿模型構建的整個過程。如果沒有厘清價值取向，任何評測模型最終有可能淪為冰冷和無效的工具(范涌峰等，2018)。綜合來看，機器輔助教學能力向度模型的構建要遵循三方面價值取向：一是打造包容、公平、適切的教學機器。我國基礎設施建設水平和教育資源不均衡對智能教學機器的應用與發展有直接影響，尤其是中西部地區教育發展相對滯后，大范圍差異依然存在(陳純槿等，2018)。另外，教師信息素養、學生先前知識與能力及文化背景各有差異，均對機器輔助教學的規模化應用與實施帶來挑戰。機器輔助教學應兼顧差異和公平，形成全納或跨文化、跨區域、包容的價值導向，打造通用性強、適應性高、魯棒性好的智能教學機器。因此，向度模型應容納教學主體的差異，促進不同主體協同參與，滿足不同智能化教學需求。二是服務于差異化教學實踐。差異化教學是教育者積極為學生的差異而規劃的所有學生都能最佳學習的一種教學方式(彭紅超等，2019)。為學生提供差異化的適性服務一直是我國教育教學實踐的目標之一，《教育信息化2.0行動計劃》提出，“探索在信息化條件下實現差異化教學”(教育部，2020)。因此，向度模型構建要遵循為教學者和學習者服務的原則，堅持以輔助教學者差異化和精準化教學為核心，以建立學習者為中心的連接、開放、個性、適切的智能教育體系為目標。三是基于科學理論構建支撐模型。機器輔助教學仍處于初級階段，作用于實際教學的數據規模有限。因此，模型構建需在教育教學理論基礎上，經過實證分析和科學論證才能完成向度模型設計、向度特征提取與能力評測。例如，斯金納(1958)將操作條件反射和積極強化理論成功運用于教學機器，使機器輔助教學獲得社會認可。之后，在認知主義和建構主義學習理論的賦能下，機器輔助教學逐步被應用于高級學習任務，并在促進學習者高階思維能力發展等方面發揮作用(張劍平等，2008)。

(二)明確機器輔助教學的系統框架與要素

機器輔助教學的內涵表明，機器智能將與人類智能共同成為認知主體。隨著這類智能的自我意識和自我進化能力的增強，現代科學所倡導的主客二分、人與非人的二元論將被打破，師—生二元結構也將被拓展為師—機—生三元結構。這一結構具有較強的穩定性與適應性，可實現復雜教育場景中信息的傳遞與反饋，形成以教育目標為引導的復合教育主體內部信息互聯與意志的協調統一。因此，機器輔助教學系統不再是僅具有助教和導學功能的智能教學機器，同時也是教育實踐中介，可構筑起包含教師和學生在內的復合系統框架，支持三者通過多層級自然交互促進人機共融、教學相長和學生發展的提質增效。但對機器輔助教學能力向度的研究，不僅要從外部框架入手，還要抓住根本從內部著力，剖析機器輔助教學系統的內在要素(烏杰，1997)。機器輔助教學試圖從認識論和方法論維度重塑教學方式，其核心任務是基于系統框架，實現“教育主體”的理解、“教育場景”的感知、“教育資源”的定制，以及“數據”支持。其中，教育主體包括教師、學生和機器，是機器輔助教學系統的重要成分，也是內部信息流的產生者與傳遞者；教育場景是開展教育活動的物質基礎，包括物理、虛擬或混合式教育環境，增加教育場景感知和計算有助于發現場景對主體的促進與影響作用；教育資源的能動性是機器輔助教學的研究重點，資源服務于學生個性化學習，需根據主體特點實現動態演化和優化適配；數據是記錄教育教學各環節行為信息的重要載體，推動系統高效協同發展。它們在解構機器輔助教學系統的同時，又能與師—機—生三元復合主體產生互動，并與教學目標、教學過程、教學效果等動態關聯。因此，我們有理由將“教育主體”“教育場景”“教育資源”和“數據”作為支撐機器輔助教學系統的要素承載，以實現對機器輔助教學實驗場域研究對象的抽象化與可重現性。

(三)構建機器輔助教學能力的向度模型

機器輔助教學的系統框架與要素為構建向度模型提供了外部支撐和內部協調，研究者應注意向度模型的構建指向能力評測，以驗證機器輔助教學對教學目標的達成與促進作用。機器輔助教學系統的關鍵作用在于幫助教師將教學活動由“教育工廠”向“學習村落”的轉變，智能教學機器可輔助教師向學生推送適配的學習資源，提供精準學習支持，逐漸從“統一的教”轉向“個性的學”，利用數據和算法的力量服務全體師生(曹培杰，2018)。本研究通過剖析機器輔助教學系統與教學活動系統的內在邏輯，對能力向度進行理論解構，形成構建機器輔助教學能力向度模型的基本思路：

一是探析機器輔助教學的實踐樣式與能力向度范疇。人類教師的專業素養結構由“應知”的專業知識、“會做”的專業實踐、“愿持”的專業品質構成(黃彬，2017)，我們也希望機器在教學實踐中能夠達成該素養結構的完整映射。隨著技術的發展，機器輔助教學的實踐樣式變得更加多樣。例如，虛擬寫作導師通過定義規則和內部計算對作文自動打分，并從語法、詞匯、拼寫等方面發現學生的寫作問題并給出修改建議(Walker，2020)；柏林應用技術大學的學習分析系統使用可穿戴學習狀態監測器非侵入獲取學生的生理信號，可快速、實時地感知學生生理與情緒狀態，以便教師與家長及時作出干預(Fortenbacher et al.，2017)；“AI好教師”在關注學生如何學的基礎上，實現個性化資源推薦、路徑規劃等教學交互，幫助學生全面提升成績與素養(余勝泉等，2019)；加州大學兒童社交機器人(RUBI)能根據兒童行為呈現哭、笑、沉默等表情，從而在情感交互層面起到獨特教育作用(謝諾夫斯基，2019)；內容技術公司(Content Technologies Inc.，2020)研發的智能內容服務軟件“Cram101”使用深度學習技術將教科書分解為“智能”學習指南，包括章節摘要、判斷題、多選題等。該公司研發的算法可使教學機器更加智能，能創建增強型數據庫進行獨立學習和演進，具有一定的進化能力。當然，要提煉出有效且關鍵的機器輔助教學能力向度，研究者應從把握全局、全貌、調研大量教學機器入手，分析、歸納智能教學機器的共性特征。這些特征表現為智能教學機器利用規則、算力、情景模板和素材批閱試卷和生成試題；借助智能傳感器和學習分析工具有效拓展教師與家長感知范圍，幫助他們及時發現隱含問題；利用自然交互手段開展知識與情感溝通，實現個性化學習；作為精準教研伙伴，協助教師發現問題與互助改進，實現師—機—生協同與智慧提升(余勝泉，2018)。結合機器輔助教學的實踐樣式、內在機理及共性特征，本研究將能力向度范疇分解為計算、感知、交互、協同、進化五個向度，機器輔助教學能力評測可細化為對五個向度單元的考查。

二是剖析機器輔助教學能力的向度構成及邏輯結構。全面剖析機器輔助教學各能力向度的構成是一項富有挑戰的工作，應用場景和實施任務的不同決定智能教學機器在各向度構成上存在差異，解析能力向度構成也需要融合人機優勢并結合算法實現。與機器相比，人類具有較強的非結構化信息處理和自主學習能力，能根據長期積累的知識與經驗，針對各個向度凝練外顯、合理的“粗粒度”指標。機器在特征抽取方面具有獨特優勢，能從海量數據中挖掘關聯信息，在人類制定的粗粒度指標基礎上，采用主動學習、強化學習等方法生成內隱的“細粒度”指標。基于此，各能力向度通過機器輔助教學系統全過程數據驅動，粗細粒度不斷迭代，最終形成有利于機器計算、測量和解讀的指標集。以感知向度為例，研究者可將粗粒度指標初步設定為對學習場景、學習主體狀態等方面的感知，并結合具體情境抽取融合人、機等要素的細粒度指標。其中，學習場景包括對溫度、濕度、光線、聲音、空氣質量等環境狀態以及討論、面授、探究等不同教學活動和組織形態的感知與監測；學習主體狀態細粒度指標可分為對個體的姿態、動作、情緒、認知、生理等特征的感知。此外，任何向度都潛含著對教學功能的支持，只有根植于現實的教學實踐，才能體現其真正的意義與價值。從機械的視角看，機器輔助教學能力的五個向度各有區別，具有不同的教學任務層級。計算向度提供算法、算力與規則，指向教師所面臨的繁難任務和大量信息處理的困境；感知向度識別物理情境，協助教師解決大規模個性化教學過程中難以感知個體顯性或隱性特征等窘迫；交互向度加強人機溝通，傳遞個性化資源內容與人文情感關懷；協同向度混合人機智能，優化教師與機器之間的分工協作；進化向度綜合教學全過程數據，促進人機教學智慧持續發展。從辨證的視角看，各個向度之間不是彼此孤立、非此即彼的，而是相互關聯、共同支撐教學實踐活動的順利開展。計算和感知向度混合發力，滿足教學的低階任務需求，拓寬人類教師生理限界。計算和感知向度產生的信息流經過特征處理，能為交互、協同向度提供支持，滿足教學任務高階需求。最終，全階段信息流匯總到進化向度。進化向度綜合全過程信息，利用強化學習等技術手段，提升機器智能并促進人類智慧的解蔽與進化，進而促進其他向度能力的提升，構成適應性閉環反饋系統。

圖1 人工智能時代機器輔助教學能力向度模型

三是理清機器輔助教學能力向度的要素承載。系統論認為，關鍵要素的功能及變化對系統的功能起決定作用。機器輔助教學在五個能力向度上正常運行，也離不開系統要素(教育主體、教育場景、教育資源、數據)的承載。首先，教育主體是機器輔助教學能力向度的實踐者，可結合教學目的和任務對各種能力向度進行合理組織、規劃和使用，使得教學活動有效開展。其次，教育資源(知識資源、技術資源和活動資源)充當了教育主體與教學機器信息交互的重要中介。另外，在計算和感知的基礎上，教學機器可利用交互與協同能力向度有效調動各類資源，在服務學生個性化學習的同時，也有助于教師的差異化教及機器的演化再生。教育場景是借助機器輔助教學開展教學活動所必須的依存環境，各個能力向度要依據具體場景和教育實踐活動有序進行，在教學效果和機器效能上充分協調。同時，在機器輔助教學能力向度應用到教學活動時，各個部分都產生了大量信息流，數據就成為記錄這些信息流的重要載體，推動教學過程的高效協同發展。結合模型構建思路，研究者需慎重考慮機器輔助教學能力向度邏輯結構，把握系統要素與向度之間的內在理路。最終，機器輔助教學能力向度模型得以完成(見圖1)。在該模型中，教育場景為其他要素和機器輔助教學能力向度提供外部依托。以教育資源為中介，教育主體與機器輔助教學能力向度閉環系統產生交互。智能教學機器在服務師生的過程中，因應不同教學對象的需求，產生各種交互信息流。所有信息流均要服從特定的教育教學目標，并利用數據這一核心要素進行表征，最后通過特定方法對不同問題場域進行分析和解構。由此可見，數據對向度模型刻畫的核心價值，在于對其他要素具有乘數效應，可凸顯教育主體、資源和場景等要素在復雜交互信息流中產生的價值、意蘊和規律。

(四)驗證與評價機器輔助教學能力向度模型

向度模型是表征機器輔助教學能力的重要結構，同時也是教學機器參與智能化教學實踐的目標導向和設計依據。機器輔助教學能力向度模型的驗證與評價是收集各種證據，以證明模型有效性的過程，這些證據通常來自智能教學機器在應用過程中產生的全過程交互數據信息流、結構化證據鏈及實踐效果。首先，人工智能時代機器輔助教學能力向度模型的驗證必然要回歸到數據本身，數據信息流的指向在該過程中起到關鍵作用。在特定工具支持下對信息流活動過程進行分析，可全方位、周期性地剖析能力向度內在邏輯，為理論建構的科學性增強數據解釋。其次，對機器輔助教學能力向度模型的評價不僅需要信息流等客觀數據，更需要與專家評價等主觀數據深度融合以形成結構化證據鏈。結構化證據鏈包含大量的證據序列，由學習數據信息流和專家評價共同驅動，具有邏輯性、靈活性與可回溯等特征，充分體現了模型評價的公平性。另外，實踐效果主要體現在機器輔助教學系統在應用過程中各向度能力能否滿足實際教育需求，例如，計算向度表征對解決教師繁雜教學任務的協助程度，感知向度表征對外部場景形態和學習者特征的識別效果，交互向度表征對學生協作學習與個性化學習的促進效果，協同向度表征對教師、機器在教學設計、協作分工和活動部署上的助力程度，進化向度表征機器能否通過圖靈測試，乃至機器進化水平對閉環系統中其他向度與教學參與者本身智慧的促進作用。同時，教學機器的可用性、易用性、穩定性，以及系統響應速度能否持續處在較高水平等諸多因素也是實踐效果的重要體現(Jeremic et al.，2009)。總體來看，向度模型的評價與驗證是項長期且系統的工程，需要綜合考慮教育現象的復雜性、動態性等特點，并融合模型性能檢驗、用戶滿意度調查和應用成效測試等多種驗證方式，及時發現機器輔助教學自身能力和向度模型存在的問題，根據實際情形作出修正。

四、發展進路

雖然向度模型指出了整體前進方向，但機器輔助教學仍面臨教育倫理、數據與理論驅動、人機協同共生和數據模型可解釋性增強等問題。

(一)秉持教育倫理先導

人工智能時代機器輔助教學的創新應用在快速推進教育服務質量的同時，也帶來難以預測的風險和倫理問題。例如，當機器輔助教學具備自我意識時，教師主體地位會發生怎樣的消解和重構？智能教學機器能否有意識地認識或作用于客體，并在教育實踐中表現出主體性(馮銳等，2020)。具有“感性”特征的智能機器能否滿足學生心理和情感需求，它該如何行動才符合情感教育規范。從機器學習角度出發，機器輔助教學依靠訓練數據生成目標系統(何積豐，2019)，若訓練樣本大多來自發達地區的學生，如何保證輸出結果不會出現偏倚和不可信賴的情況？是否需要對技術輸出結果(資源推薦、路徑規劃)加強過程監管乃至完善相關制度(劉三女牙等，2017)？此外，人工智能與大數據時代的隱私保護問題也值得關注。智能機器在輔助教師和學生完成學習活動時，必然會采集大量敏感、隱私數據，如果沒有嚴格的保障措施，這可能影響學生的未來發展。可見，構建人工智能時代機器輔助教學的倫理框架是當前的重要任務，也是保障機器輔助教學和諧發展的必由之路。

(二)堅持數據與理論雙向驅動

人工智能時代教育大數據成為重要生產力，借助數據力量可有效實現科學循證決策、推動個性化教與學、革新傳統教學模式和學習機制等(但金鳳等，2020)。海量數據的出現使許多人認為由理論驅動的“假設—檢驗”式教育研究模式正在變得過時，他們認為僅憑借計算機集群和數據就能發現傳統科學未能尋找到的模式(Anderson，2008)。但事實證明，這種輕視領域知識和理論的“唯數據論”觀點是盲目樂觀的。正如約翰·斯頓認為的，“如果沒有理論，我們為繼續收集和分析不斷增多的統計資料所作的努力，可能降為一種‘任意的實證主義’，只是提供無意義的事實和無重點的指標，而且研究所得的結論，其造成的問題可能遠較所解答的為多。”(Rossi & Gilmartin，1985)機器輔助教學的優勢是生產與利用數據。然而，如果沒有教育學與心理學等理論的指導，數據驅動很可能會成為無本之木。因此，機器輔助教學發展應當堅持理論與數據并重，即以教育實踐問題為導向，以領域知識和理論構建為基礎，結合科學方式驗證理論假設，為機器輔助教學等數據驅動型教學范式提供安全保障機制與改進路徑，確保其之于教育實踐的合法性、可靠性、能動性、有效性和科學性。

(三)推動人機協同并進

未來教育不再是僅有人類參與的“獨角戲”，而是由人和智能教學機器一起創造的，人類智能和機器智能的優勢互補與融合共生是繪制未來美好教育藍圖的充要條件和強大動力。人類教師與機器最初是進行基于命令行、鍵盤、鼠標等的簡單交互，之后手勢、動作、語音、腦機接口等自然方式為教學中交互行為的發生提供了極大便利。先進的交互技術為師生與機器的全方位協同創造了基本條件。結合機器在計算、檢索和記憶等方面的優勢，人類教師與智能教學機器相互輔助、共同促進，在減輕教師負擔的同時也致力于提升教學質量和學生學習成績。未來，人類與機器也不再局限于交互與協同的關系，而是更高層級的融合與共生(張學軍等，2020)。這也意味著人類教師、學生將與機器共學、共教與共生。

(四)結合因果推斷增強數據解釋

基于大數據的深度學習在解決機器翻譯、輔助教學等教育問題上取得了進展，但幾乎所有模型都是基于統計學或者“黑箱”形式(Pearl，2018)，系統仍缺乏可解釋性和魯棒性，人們難以對深度學習決策過程進行回溯、監測。“黑箱”模型的優勢在于感知、預測和分類等數據關聯任務，卻不能回答因果問題，更不能達到人類級別的智能。因果推斷是解決因果問題的邏輯和工具，人們通過建構因果模型，就能找到發生某個結果的具體原因，進而采取針對性措施(朱迪亞·珀爾等，2019)。在因果推斷的支持下，研究者可利用計算機進行因果問題的模擬，進而設計強大的自動化機器，在提高模型可解釋性的同時幫助人們解決現有人工智能難以完成的因果推斷問題。具體到教育領域，機器輔助教學能力向度評測就存在大量難以通過“黑箱”模型推斷的因果關系，例如，某項指標對機器輔助教學感知能力評估效果的影響如何？假如增加了幾個測評協同能力的指標，測評的準確率會提高多少？因此，機器輔助教學能力評測要重點結合數據科學與因果科學，在重視數據科學的指標發現、特征提取能力的同時，也要結合因果推斷優化指標，提高指標體系的可解釋性與科學性，為提升計算、感知、交互、協同、進化五個維度的能力評測質量提供支持。

著名的“喬布斯之問”(沃爾特·艾薩克森，2015)也映射出教育信息化發展中的唯數量論問題，但人工智能、大數據等技術對教育的影響，實質上不能以使用的數量為準則，而應以使用效果為最高標準(李芒等，2017)。機器輔助教學能力向度研究注重技術之于教育效果的評測，打破人工智能用于教育的技術感性層面，將注意力轉移到教育問題，促進了技術與教育教學的深度融合，讓技術更好地推動教育進步。另外，在科技迅猛發展的當下，廣大師生的教育工具需求與外界技術支持之間的矛盾逐漸激化，其根本原因在于當前的技術使用沒有顧及師生的自然需要，導致技術概念和教育工具的泛濫(李芒等，2020)。機器輔助教學能力向度研究可細化機器智能等級，使教育服務能根據具體場景實現更加精確的供給，促進教育工具與資源的合理分配與利用，滿足師生需求。目前，機器輔助教學及其能力向度等相關研究仍存在諸多局限，智能技術與教育理論的逐步融合將為模型改進與評測體系的具象化帶來更多啟示。未來，研究者需要綜合資源優勢，協同促進機器輔助教學及其評測的和諧發展，助力我國實現人工智能時代的教育變革。