人工智能助力因材施教：實踐誤區與對策

汪瓊 李文超

摘要：實現以學生為中心的因材施教，為每個學生定制出符合其特點的學習發展路徑，既是一種教育理想，也是一種教育原則。雖然未來人工智能技術可能助力實現大規模因材施教，但是目前大多數教育人工智能產品還處于初級發展階段，在實際應用中存在著因言過其實、誤以為真、不切實際等錯誤認識造成的實踐誤區，比如，過分依賴系統對學生的判斷和幫扶、查漏補缺加重了薄弱生的學習負擔、將自定步調重復學習視為個性化學習等。當前的智能教育雖然可以通過技術手段優化一部分教學工作，但離實現大規模因材施教還有很長的路要走。我們需要清醒地認識到當前人工智能教育應用的局限，在開展人工智能助力教育的實踐中，既要強調和加強人工智能時代教師人工智能素養、數據素養和測評素養的培養，又要督促智能教育產品研發機構和廠商基于教育理論精細化產品設計，增加算法透明度，引導和支持人機協同的因材施教早日實現。

關鍵詞：人工智能;因材施教;智能教學系統;實踐誤區

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2021）03-0012-07? doi10.3969/j.issn.1009-5195.2021.03.002

——————————————————————————————————————————

基金項目：教育部—中國移動科研基金2018 年度項目“中小學編程教育與人工智能工程素養研究”（MCM20180611）。

作者簡介：汪瓊，博士，教授，博士生導師，北京大學教育學院（北京 100871）;李文超，博士研究生，北京大學教育學院（北京 100871）。

一、引言

因材施教是教育領域一直以來的理想追求（張如珍，1997）。由于每個學習者的先驗知識不同，即使學習相同的內容，不同學習者達到同等掌握程度所需花費的時間不同，學習過程中遇到的困難點也不一樣。在生師比居高不下的傳統教學環境中很難做到教學因人而異，但是教育研究者并沒有放棄尋找在群體教學中達到一對一教學效果的教學方法（Bloom，1984）。信息技術特別是人工智能技術的發展，讓教育界對于“智能時代的大規模個性化教育”充滿期待（劉德建等，2018;袁振國，2020）。

目前全國眾多地區都在大力開展智慧教育試點工作，教育部已經設立了18個“智慧教育示范區”創建區域和2個培育區域，不少城市也紛紛設立人工智能實驗校開展“人工智能+教育”的探索。然而，在實際應用中因存在言過其實、誤以為真、不切實際等錯誤認識，引起了一些爭議和困惑。本文從分析人工智能助力因材施教的三個實踐誤區入手，闡明了智能系統助力因材施教的四條實踐原則，并就如何與尚處于初級發展階段的智能教學系統人機協同以實現個性化教學提出了兩條建議。

二、人工智能助力因材施教的實踐誤區

智能教學系統大多以布盧姆的“掌握學習”（Bloom，1968）教育理念為基礎。“掌握學習”也是一種教學策略，即認為：雖然學生對于某學科的學習態度有著喜歡和不喜歡之分，但是如果在其學習過程中，能夠給予其所需要的學習支持，比如，合適的內容、充分的學習時間，以及及時的學習指點，大多數學生都可以達到所期望的教學目標。

掌握學習理論與中國教育經驗十分吻合。在實際教學中，教師普遍認為：造成學生之間差異的原因是有些學生功夫沒花到位，題做得不夠多。于是很多學校使用智能教學系統的主要方式就是通過系統給學生出題，為學生提供更多的練習機會。一些智能系統標榜帶有知識圖譜，可以做到精準訓練，更是受到學校歡迎，成為實施“大規模個性化學習”的基礎。但是理想與現實總是存在差距的。人工智能助力因材施教在實踐中還存在很多問題。這些問題主要源于人們對智能教育存在一些不切實際的認識。

1.誤區一：過分依賴系統對學生的判斷與幫扶

目前的智能教學系統還屬于發展初期，很多系統智能技術含量并不高，中小學的教學應用中也并不需要太高的智能技術就可以勝任。比如，中小學學科知識點有限，學科知識圖譜由有經驗的教師繪制要優于人工智能系統自動生成;許多題庫系統中的測試題的難度、知識點等元數據標簽還是人工標記的，因此也存在出錯的可能;適應性出題技術（如基于項目反應理論的測試設計）是30年前已經成熟的教育測評技術，但目前入校的智能系統采用的并不多;等等。

當然，我們不能因為這些系統沒有采用智能技術就詆毀這些系統對于教學的價值，只是在實際應用中需要有清醒的認識，不能盲目認為智能系統對學生的判斷都是正確的，也不能假設智能系統提供的練習題目都是學生需要的而不加審核地直接布置給學生。目前一些學校使用系統自動出題、自動判題來對學生知識掌握情況進行判斷，存在過分相信系統的問題。雖然讓學生在系統中做練習，有可能解決教師時間不足的問題，讓教師把原先花在批改作業上的時間用于與學生一對一的溝通上，是更好地發揮了人機各自擅長的作用，但是如果教師沒有因此對有問題的學生作業進行個別化診斷，卻可能會出現一些學生被過度訓練、另一些學生沒有精準練習的問題。

筆者觀摩過的一節習題課就出現過類似的情況。在一堂基于智能系統的綜合題目練習課中，有幾位學生課前測驗表現不佳，通過系統強化訓練后，這些學生仍舊不能正確解題，說明這些學生在知識技能掌握方面可能有一個子技能沒有掌握好。教師雖然發現了這個問題，但是因為智能系統中沒有針對這個子技能的練習，教師也就沒有脫離系統來對這些學生進行這方面的專門訓練。這堂課對于這些學生來說就是浪費時間，毫無幫助的。

相反，不依賴智能系統，依靠提升教師的測評能力，卻早就在實踐中被證實是非常有效的教學策略。比如，成都市一所知名中學的新分校，用了3年的時間就使該校學生的成績超過了老校區。校長說他只用了一招，就是要求每位教師每天自己出題給學生布置作業，而且要對學生的作業做數據分析，由此提高了教學的針對性。這種方式下，雖然教師的教學工作量有所增加，但教學能力提升明顯，教學效果顯著。安徽蚌埠市教育局也把命題作為教師崗位研修的基本活動，已經連續兩年開展賽命題活動①。這些都是有經驗老校長的共識：教師的命題能力——學術術語是測評素養（Assessment Literacy），即能夠選擇合適的考核方式精準地測定學生的知識掌握情況和運用能力——是優秀教師的核心能力。

由此，我們可以得出人工智能助力因材施教的第一個實踐原則：在智能時代，技術可以方便教師出題和進行作業分析，但我們不能完全依賴智能系統所做的教學判斷，這會使教師變得越來越遲鈍。我們需要借助智能技術淬煉教師的核心能力，尤其是測評素養。

2.誤區二：薄弱生最需要自適應系統查缺補漏

薄弱生通常被認為是最需要智能教學系統的（向天成等，2015;劉邦奇，2020），其背后的假設是：學習成績不佳的學生更需要補習，即如果學生的學業水平較低，或者缺乏新知識所需要的前置知識，就需要在學習新知識之前補習。這是自適應教學系統存在的價值。然而補習量過大的自適應教學系統未必適合在學期中使用，因為學期中學生每天需要完成各學科的教學任務，補習量過大的話，很可能造成薄弱生跟不上班級學習進度的情況，從而增加其學習焦慮，甚至產生厭學情緒。

圖1是美國一門號稱全球第一個具有適應性教學功能的MOOC課程②的設計圖。由圖1可知，課程的學習路徑分為主干線和支線兩種。主干線是MOOC課程要完成的教學內容，包括教學視頻、編程挑戰、討論問題等。支線部分是為學生提供的擴展的課程知識點，目的是方便不具備前置知識的學習者進行補充性學習。從圖1中可以看到，補充知識點是多個教學資源組成的微課，課程內容增加了近一倍多。如果從自學角度來看這門課程的設計，確實考慮到了具備不同知識水平的學習者完成課程學習的需要，使其能很便捷地獲取補習的相關資料，進而可以較為順利地完成課程學習。但是從有計劃的教學（如MOOC）角度來說，這種設計是有問題的：一些不具備入門知識的學生需要花費更多時間去學習補充資源，這將使其很難跟上課程的正常學習進度。由于學習步調不一致，這些學生在學習過程中遇到困難的時候，也就很難得到同學的幫助。已有MOOC的相關研究也證實：MOOC課程學習中如果缺乏同學之間的相互支持，將有可能提高學生輟學率，影響結業率（樊文強，2012）。中小學在學期中采用自適應系統需要警惕出現類似的問題。

還有的學校認為，通過多做題多練習的方式，就可以提升薄弱生的學業水平。這類學校并不安排薄弱生針對相關教學內容進行重新學習，而是根據所謂的“個性化學習系統”所揭示的學生學習漏洞，有針對性地出題訓練學生。乍一看，很有道理，但細想之下，便有疑惑：薄弱生之所以薄弱，有可能是因為寫字慢、做題慢、知識理解不深等問題。這類學生完成平時的作業都需要花費比其他同學更多的時間，現在又需要比別人多完成一些練習，這個安排真的行得通嗎？真的可持續實施嗎？

20世紀50年代美國斯坦福大學Patrick教授開發的小學數學適應性教學系統在這方面就做得很好（Taylor，2003）。圖2是他所開發的自適應教學系統的工作原理示意圖。圖中灰色框為主學習路徑，學生每學習一個概念需要完成12道練習題。在完成這12道練習題的過程中，如果連續4道題全部做對或者只錯1道，那么系統就會布置右側雙線框中更難一點的4道題目給學生;如果學生繼續全部做對或者只錯1道，系統就會繼續加大題目難度，讓學生去做最右側三線框中的4道難題。但是如果學生在做較難的4道題目時錯誤2道以上，系統就會讓學生回到主線接著做普通題。如果一名學生在進行第一個概念訓練的時候完成了最難的練習題目，那么他在進行第二個概念練習的時候將從較難的題目開始，而不必去做普通題。但如果他在完成第一個概念練習最難的4道題時錯誤2道以上，則在進行第二個概念練習的時候還是要從普通題開始。也就是說，同一個概念，這套自適應學習系統會根據學生的掌握水平匹配有針對性的訓練。對于掌握得特別好的學生，會為其提供與其能力水平相匹配，同時又具有一定挑戰性的難題。對于掌握得不太好的學生，系統就會為其提供一些提示性幫助，如圖2中左半側的學習路徑。做基本題第一次出錯，系統會給一個提示;如果在提示指導下第二次嘗試還出錯，系統會再提供一個提示;如此直至所有的提示都用完。如果這時學生還不能做對題目，就需跳轉至補習環節，額外完成3道補習題目，如圖2最左側粗線框。這些補習題是針對學生錯題的分解題目。當學生正確完成這3道題目后，又將再次回到灰色框的主學習路徑上做剩余題目。

這個自適應教學系統從技術實現來看并不復雜，也不需要特殊的“智能”技術，通過分層教學設計就可以實現為不同知識水平的學生提供相適應的學習資源的目的。除此以外，該系統還有一些細節值得借鑒：比如同一個概念的學習，除非完全跟不上的學生可能會額外補習3道題外，其他絕大多數學生，無論優秀還是普通，都完成相同數量的12道練習題。對于知識掌握水平不佳的學生，在其做錯時系統會有提示提供幫助。這表明這些練習題目是經過精心設計的，每個提示針對的是學生常見的困惑，做到了適度、有針對性的訓練。當然，這個適應性教學系統的成功與高質量的題目有很大的關系。

由此，我們提出人工智能助力因材施教的第二個實踐原則：在學業水平不一致的班級通過智能學習系統幫助薄弱生補習這一設想在實施時需要考慮具體可行性，特別是要估算學生的學習負擔，要提供高質量的練習題。

3.誤區三：翻轉課堂+智能教學系統就能做到因材施教

翻轉課堂教學法與適應性智能教學系統從某種角度來看是一對理想搭配，也是目前很多學校的常見做法，但如果不假思索地結合，可能會事與愿違。

比如，一些學校有了智能教學系統之后，經常在課堂上讓學生用平板電腦進行練習。這時，教師一般會預先設置好完成時間和題量（如要求學生在5分鐘之內做完3道題），時間到后收卷，收卷后利用系統快速對練習結果進行判斷，最后將判斷結果發送給教師和學生。學生只能看到對錯判斷，教師不給予有針對性的反饋。這樣的教學活動不僅不能幫助學生，還可能導致負面效果，實質是一種“負分行為”：學生在做題的時候沒有充分的時間進行思考，這樣的做題過程除了建立條件反射之外，對于學生的思維發展與知識理解沒有任何價值;做完題之后教師也不給予反饋和解釋，這段學習的意義就更低了。

美國教育家布魯姆曾進行過一項研究，發現一對一教學法要優于普通班級教學法2個標準方差（Bloom，1984），而掌握學習教學法的效果介于二者之間。布魯姆的研究目的是為了說明個別化教學的價值，但為什么普通班級教學不如一對一教學，另一位學者福克爾（Vockell，1994）給出了解釋。福克爾認為：如果教師不稱職，所設計的教學活動可能不僅無助于學生學習，還會損害學生的學業發展，就像上面提到的機械課堂練習活動一樣。為此，福克爾提出，教師不僅需要做一些事情來提高學習效果，還需要停止一些行為——那些不能提升學習效果或者浪費學生時間的“負分行為”。當我們在使用智能教學系統時，也需要警惕幫倒忙的“負分行為”。這是人工智能助力因材施教的第三個實踐原則：要辨識哪些行為是“負分行為”。這需要教師始終從幫助學生完成教學目標的本心出發，也需要教師掌握一些教育理論和教學原則，通過持續學習發展專業眼光（Professional Vision）。

翻轉課堂教學法的流行讓更多的教師學會了制作微課，高校精品課程建設工程也讓許多大學課程擁有了配套的視頻教學資源。于是當通過智能教學系統發現學生做題表現不佳時，一些教師會建議學生反復觀看教學錄像來提升課程學習效果。這種做法對于一部分學生有效，特別是那些上課沒跟上教師講課進度的學生，但是單純地重復教學并不是真正的因材施教。

庫伯指出，一個完整的學習過程是由四個階段構成的閉環（Kolb，1984），其中：具體經驗階段（Concrete Experience）是指學生通過親身體驗來獲得新知;反思性觀察階段（Reflective Observation）是指學生對已有體驗加以思考或者通過觀察別人的做法去領會;抽象概念化（Abstract Conceptualization）階段是指學生通過學習相關的理論或總結體驗建立新知識與新認識;主動實踐（Active Experimentation）階段是指學生用理論指導實踐，或者在實踐中去驗證所形成的概念。庫伯認為，不同人經歷這個學習圈的起點不同。比如，有人習慣于先從理論學習開始，然后動手嘗試，在嘗試中獲取體驗，最后反思總結;也有人喜歡先動手嘗試，遇到問題時進行思考，然后進行形式化總結，并與理論對話;等等。學習從不同階段開始便形成了不同的學習風格。根據這一理論來思考基于數據的個別化教學策略，當發現學生有一些知識沒有掌握而需要重復教學時，教師需要做的應該是換一種教法，而不能一味地實施令自己舒服的教學方式。

美國學者格羅根據其教學經歷也證實教師的教學策略需要與學生的學習階段及學習需求相匹配（Grow，1991）。格羅提出了SSDL模型（Staged Self-Directed Learning Model），即階段性自我指導學習模式。格羅認為，可以將學習者的自我指導水平劃分為四個階段：依賴階段（Dependent）、好奇階段（Interested）、參與階段（Involved）和自我指導階段（Self-Directed），學習者通過不斷提升自我指導階段而獲得進步，從低自我指導水平（依賴階段）、初級自我指導水平（好奇階段）、中等自我指導水平（參與階段），逐漸發展到高自我指導水平（自我指導階段）。處于不同自我指導水平的學生，對教師的要求也有所不同。比如，學生剛剛進入某個新的領域，處于自我指導水平的依賴階段，這時候權威型的教學方式，即常見的教師講學生聽的教學方式可能最適合學生;但如果學生在該領域已有一定基礎，比如對學習內容已經產生了興趣（好奇階段），愿意開始做一些嘗試（參與階段），這時候教師除了布置必要的練習之外，給予及時反饋，提供協助、支持和鼓勵很重要。但是當學生已經可以長時間自主學習的時候，授權型的建構主義教學方式可能最適合學生。格羅還認為，教師的教學方法既可能會促進學生的自我指導水平，也可能會阻礙學生的自我指導水平。只有將教學方法與學生發展水平進行合理匹配，才能夠促進學生的發展（Grow，1991）。

依據這兩個教育理論和模型來反思人工智能助力因材施教，不難得出第四個實踐原則：支持因材施教的智能系統，在資源種類上需要多樣化。比如，同一教學內容最好有不同的教學法資源。在智能系統做不到的情況下，或者在需要人機協同開展因材施教的情境下，教師要有意識變化教學策略，特別是對薄弱生的重復教學，需要有意識地分析學生的學習風格。

三、人工智能助力因材施教的實踐策略

1.智能時代的教師需要具備人工智能素養+數據素養+測評素養

信息技術進入各行各業后對人才的素養提出了新的要求，教師崗位也是如此，教師在基本教學能力之外，還需要擴展習得許多新素養。智能時代，教師首先需要具備人工智能素養（AI Literary），即教師要能對教育中人工智能技術的發展保持關注，了解具體人工智能產品的優勢和不足，能夠辨識新聞中、廠家介紹中的未來設想功能與現實可用功能之間的差距，能夠選擇適當的人工智能產品，以符合倫理的方式恰當地運用于提高教學質量的教學工作中。這里并不是要求教師要非常了解人工智能技術，只是需要教師不迷信技術的實現原理，審慎對待技術系統的產出，特別是技術產品對學生的判斷。

其次，教師還需要具備數據素養。數據素養是信息素養的延伸和擴展，指具備數據意識和數據敏感性，能夠有效且恰當地獲取、分析、處理、利用和展現數據，并對數據具有批判性思維的能力（郝媛玲等，2016）。隨著教育環境中信息技術設備增多，教師可以用于教學判斷和決策的數據也越來越多。教師需要具備從教育情境數據中甄別數據質量、發現學生學習需求、基于數據進行反思教學的能力。

最后，如前所述，測評能力是優秀教師的核心能力之一，測評素養是無論什么時候教師都應該必備的素養。現代信息技術快速發展，知識呈爆炸式增長，學生獲取信息的渠道越來越多樣。教師如何借助信息技術設計多樣化測試以了解學生知識掌握、學習目標達成的情況，已成為智能時代教師測評素養的新要求。高質量的測評工具才能獲得可靠的數據，也才能保證基于數據的教學決策是科學、合理的。

這三類素養中除了測評素養較早提出但一直沒普及到每個教師之外，另外兩種素養都是時代發展對教師提出的新要求，需要盡快納入教師培訓內容。

2.智能教學系統產品需要基于教學理論做更加精細化和實用性的設計

目前進入中小學的智能教學系統產品有功能趨同的現象，且大多簡單假設允許學生自定步調的學習就是在支持個性化學習了，這是對個性化學習的誤解。前文已經舉例說明了現有智能系統的基本假設沒有考慮操作可行性，學校對智能教學系統的應用也存在盲目信任和簡單誤用。要解決這個問題，智能教學系統產品需要基于教學理論做更精細化設計。以自適應學習系統為例，不同系統可以有不同的“自適應”側重，或者以適應學生的知識水平為目標，如提供不同難度的內容;或者以適應學生學習風格為目標，如改變學習任務的完成順序，提供其喜聞樂見的學習內容呈現方式等。近年來，自適應教學系統從界面到算法都有了一些改進探索和嘗試，但還需要放在學校教學的實際情境中去思考需求，避免加重學生學習負擔，挫傷學生學習積極性。

另外，智能教學系統產品也需要就算法透明性作出解釋。比如，有些智能教學系統記錄課堂教學行為，給學生和教師畫像，卻沒有說明算法依據，無法判斷其評價的科學性與合理性。目前一些學校已經引入了這樣的產品，并將其當作學校與時俱進的展示窗口。幸而大多學校還未用其對師生進行關鍵性評價，尚未產生嚴重不良影響。但是隨著越來越多的學校開始“以數據驅動的個性化學習”為抓手，不了解系統的計算原理就盲目進行教學應用，會帶來很大風險。

四、總結

兩千多年前，孔子因學生的秉性不同而給出不同的行動建議：對于膽怯的學生，孔子鼓勵他想到就去做;對于魯莽的學生，孔子建議他想清楚了再去做，這是成語“因材施教”的來源。因材施教既是一種教育理想，也是一種教育原則。實現以學生為中心的因材施教，為每個學生定制出符合其特點的學習發展路徑，是智能教育的重要目標和追求。今天的人工智能技術雖然還無法做到依據學生秉性給出針對性行動建議，但是已經可以通過技術手段部分實現因材施教，比如使用智能技術糾正英語發音等。同時，有了技術支持還可以釋放教師的部分精力，讓教師們有機會投入到人工智能尚不能發揮作用的教學情境，比如，更準確地分析和處理學生的情感問題等。

然而我們要清楚地認識到，當前我們正處于人工智能教育應用的初期。智能技術的發展特點需要在迭代中進步，需要大量的實踐數據，但教育不能拿學生做實驗，每一位學生都不可以成為不成熟教育產品的試驗品。我們在開展人工智能助力教育的實踐中，要遵循教育規律，對技術系統不濫用不誤用;同時技術公司也要以教育理論為指導，通過與教育研究者和實踐者的合作，開發具有教育性產品，真正解決教學中的關鍵問題。

注釋：

①蚌埠市教育局 “四賽”崗位研修總決賽賽命題實施方案（2021）1號（賽命題）[EB/OL].[2021-05-01].http：//www.

ahgzyz.com/display.asp？id=1878.

②? 網址為：https：//cse.ucsd.edu/about/news/news/uc-san-dx-

launchfirst-adaptive-online-course-teach-bioinformatics.

參考文獻：

[1]樊文強（2012）.基于關聯主義的大規模網絡開放課程（MOOC）及其學習支持[J].遠程教育雜志，30（3）：31-36.

[2]郝媛玲，沈婷婷（2016）.數據素養及其培養機制的構建與策略思考[J].情報理論與實踐，39（1）：58-63.

[3]劉邦奇（2020）.智能技術賦能：邁向大規模個性化教育[N].中國教育報，2020-10-21（05）.

[4]劉德建，杜靜，姜男等（2018）.人工智能融入學校教育的發展趨勢[J].開放教育研究，24（4）：33-42.

[5]向天成，趙微（2015）.大數據時代學困生幫助機制構建的內涵、原則及途徑[J].教師教育論壇，28（12）：18-21.

[6]袁振國（2020）.線上線下融合：實現大規模個性化的未來教育[J].中小學數字化教學，（11）：1.

[7]張如珍（1997）.“因材施教”的歷史演進及其現代化[J].教育研究，（9）：73-76.

[3]Bloom， B. S. （1968）. Learning for Mastery. Instruction and Curriculum. Regional Education Laboratory for the Carolinas and Virginia， Topical Papers and Reprints， Number 1.[DB/OL].[2021-04-30].

https：//files.eric.ed.gov/fulltext/ED053419.pdf.

[4]Bloom， B. S. （1984）. The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One-to-One Tutoring[J]. Educational Researcher， 13（6）：4-16.

[5]Grow， G. O. （1991）. Teaching Learners to Be Self-Directed[J]. Adult Education Quarterly， 41（3）：125-149.

[6]Kolb， D. A. （1984）. Experiential Learning： Experience as the Source of Learning and Development[M]. Englewood Cliffs， NJ： Prentice Hall.

[7]Taylor， R. P. （2003）. The Computer in School： Tutor， Tool， Tutee[J]. Contemporary Issues in Technology and Teacher Education， 3（2）：240-252.

[8]Vockell， E. L. （1994）. The Minus Two-Sigma Problem： Correcting Defective Instruction[J]. Contemporary Education， 65（4）：185.

收稿日期 2020-05-04 責任編輯 汪燕

AI-Empowered Personalized Education： Practical Mistakes and Countermeasures

WANG Qiong， LI Wenchao

Abstract： To teach students in accordance with their aptitude and allow them have individualized learning path is not only an educational ideal， but also an educational principle. Though AI technology may help to enable large-scale personalized education in the future， most educational AI products at present are still in their infant stage with some misunderstandings and abuse in application， such as the excessive reliance on the teaching and learning evaluation report given by AI， increasing the learning burden of weak students by the adaptive drill and practice， regarding self-paced repeated learning as the personalized learning and so on. AI techniques have optimized the teaching process in some degree， but there is still a long way to go to realize personalized education. We need a clear understanding of the limitations of the current AI application in education， emphasize and strengthen teachersAI literacy， data literacy and assessment literacy， and urge the research and development departments and corporations of intelligent educational products to refine product design based on educational principles， increase the transparency of algorithms， in order to guide and support the personalized education with man-machine coordination.

Keywords： AI Literacy; Personalized Education; Intelligent Tutoring System; Practical Mistakes