人機協同的敏捷教育建模及實踐應用

鄭勤華 郭利明

摘要：將教育理論模型轉為可操作的數據模型是智能技術支持教與學變革的關鍵。多場景、多維度的教育教學要素主體的可測度問題是破解教育建模問題的重心，其與目前人工智能技術的局限共同決定了人機協同是教育建模的必然之路。人機協同的教育建模是一個敏捷的教育建模流程，是充分整合領域專家智慧與機器智能優勢以構建教育模型的過程，重點在于將教育建模所需要的多方主體力量進行歸一化統整，形成合力。其流程大致可以分為梳理建模目標、確定教育目標類型、選取指標或特征提取、調節參數、訓練與建模、數據科學驗證、真實教育場景可用性驗證7個階段。然而，以敏捷教育建模理念為指導，進而輸出教育模型服務的過程中，還需解決連接領域專家和技術專家知識的“中間件”問題。鑒于此種思路，人機增強智能支持下的敏捷教育建模平臺DMTS應運而生，旨在結合專家的領域知識、經驗、理論和機器的數據、算法、算力優勢，快速構建能真正理解教育場景的可解釋教育模型，為微觀個體學習、中觀學校管理以及宏觀區域教育治理提供科學且可操作的模型服務。實踐表明，整合領域專家和機器學習的教育建模支撐技術體系，能夠為教育工作者和技術工作者搭建教育建模的生產系統，從而為我國教育領域人工智能技術的深層次應用提供支持和借鑒。

關鍵詞：人工智能;人機協同;教育建模;教育模型;DMTS

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2021）04-0043-08? doi10.3969/j.issn.1009-5195.2021.04.005

基金項目：科技創新2030“新一代人工智能”重大項目“混合增強在線教育關鍵技術與系統研究”（2020AAA0108804）;北京師范大學2020—2021學年博一學科交叉基金項目“多模態數據支持的在線學習情感投入建模與應用研究”（BNUXKJC2004）。

作者簡介：鄭勤華，博士，教授，博士生導師，北京師范大學遠程教育研究中心（北京 100875）;郭利明，博士研究生，北京師范大學遠程教育研究中心（北京 100875）。

一、引言

隨著我國經濟和社會的持續快速發展，教育的變革與創新成為國家下一階段發展的重中之重。《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》把發展高質量教育納入規劃當中，提出要建設高質量教育體系（新華社，2021）。實際上，近年來一系列的政策文件都對高質量教育體系建設的多個維度進行了重要闡述，比如《深化新時代教育評價改革總體方案》提出“改進結果評價，強化過程評價，探索增值評價，健全綜合評價，充分利用信息技術，提高教育評價的科學性、專業性、客觀性”，同時改革黨委和政府、學校、教師、學生以及用人的評價（新華社，2020）;《義務教育質量評價指南》提出義務教育質量評價包括縣域、學校、學生三個層面，即縣域義務教育質量評價、學校辦學質量評價以及學生發展質量評價，三者緊緊圍繞貫徹黨的教育方針，以促進學生全面發展為目標，各有側重、相互銜接、內在統一，構成完整的義務教育質量評價體系（教育部，2021）。顯然，從國家頒布的重大政策文件中可以看出教育改革發展的方向，即當前我國教育改革的基本主線是促進公平和提高質量，未來教育改革的重心是建設高質量的教育體系（薛二勇等，2021）。而信息技術助力乃至部分引領該體系的建立，成為教育信息化領域的重大使命。2020年12月7日，國際人工智能與教育大會上，教育部部長陳寶生提出在應用新技術上著力，推動教育教學方法創新，探索運用新技術開展多元化、過程化評價（教育部，2020）。

建設高質量教育體系需要從質量觀、質量標準、質量要素與質量指標等方面對教育教學的主體、過程以及結果要素進行清晰而準確的定位，并且這種定位要具有政策的指導性、理論的科學性、實踐的可行性，方能真正支持高質量教育體系的構建。這是一項系統化的工程，需要研究者與實踐者緊貼國家政策導向，選擇適切教育理論，進而開展技術工程實踐，最后輸出教育服務，推動實現政策、理論、工程以及服務的一體化發展。這當中教育模型起著“中間橋梁”的重要作用，它將政策、理論與技術研發、實踐服務進行銜接，使得概念、理論等能夠在信息技術的支撐下轉化成具體的可操作實踐。

然而，雖然技術發展迅速，但由于目前人工智能的智能性還尚未達到理想的程度，再加上有些教育要素難以量化，甚至有些教育目標根本沒有明確的評價規則（鄭勤華等，2019）（如創新思維能力包含哪些維度？這些維度如何確定？各維度中包含哪些要素？），導致目前純粹從數據科學和計算機科學的角度開展模型構建還存在一定困難。人工智能技術的教育應用，始于對學習者發展規律的認識，需要教育學、心理學、腦科學、系統科學等多學科協同探索，構建出清晰的評量、匹配、干預規則，進而整合領域知識與機器學習構建模型體系。因此，人機協同是教育模型構建的必由之路。基于此，本研究立足于智能時代背景，深度探討人機如何協同以構建教育模型、人機協同構建的教育模型如何在實踐中應用以及解決什么樣的教育問題，期望能夠為推動人工智能的深層次教育應用、促進我國人工智能教育的發展提供參考。

二、教育建模的內涵與外延

建模，即建立模型。智能時代背景下，教育領域所談及的模型更多是指諸如數學模型、結構模型等在內的虛擬模型類型，是電子數據通過數字表現形式構成的形體及其他實效性表現（王薇等，2021）。從這個層面上講，教育建模不是指將紛繁復雜的教育過程簡化為一種教育模式，因為這種教育模式既無實踐的解釋力也無實踐的指導力，不具有解釋力和指導力的建模是失敗的建模（楊開城等，2020）。本研究認為，教育建模是從教育學、心理學、學習科學的理論和規律出發，基于教育教學過程中產生的結構化和非結構化數據，利用各類算法綜合解讀教育要素主體的模式化和數據化的過程，是從教育場景出發的理論建模與數據建模相結合的建構過程。

理論模型是將教育問題的相關主體要素（如學生的學習動機、學習風格、學習投入、學習態度等，教師的教學投入、教學成效、教學策略，以及學校的教育資源、教育水平等教育教學相關變量）進行提煉，形成多維結構化的體系。理論模型構建一般依賴于理論演繹法和專家訪談法，自上而下挖掘不同維度的信息。基本的建構流程為：首先需要確定模型類型（如是層次分析模型還是規律探索模型等），然后通過理論演繹等方式確定模型下的不同維度，最后需要通過專家評估等方式為每個維度選擇合適的指標，確保每一個維度之下的不同指標具有代表性和可操作性。因此，一個理論模型在結構上會包含多個維度，每個維度下會包含多個指標。比如本研究團隊在開發學生綜合評價參考模型（Student-Systematically Evaluation Reference Indicator，S-SERI）時便是從理論模型入手，通過理論演繹和專家訪談得到了包含投入度、完成度、主動性、調控度以及聯通度等5個維度若干指標的理論模型（鄭勤華等，2016a）。

數據模型是對理論模型進行操作化處理，為理論模型的指標找到可測量、可計算的數據指標，提煉出相應的數學結構，進而為應用模型進行量化評估提供參考和依據。數據模型構建與理論模型構建的出發點往往相反，一般自下而上，從數據出發，結合傳統量化研究的系列方法，以及人工智能領域的機器學習和深度學習算法，以求獲得一個解釋相應教育要素的數學方程，比如利用貝葉斯算法對知識點掌握情況的探究（李景奇等，2018），利用認知網絡分析對交互水平的分析（馬志強等，2020），基于神經網絡分析學生的情緒水平（Zhang et al.，2017;陳子健等，2019），利用序列分析對學生學習路徑的探討（Wu et al.，2015;胡丹妮等，2019），等等。

建模是從內部邏輯分析教育問題的最好方式。教育建模是對教育問題的真切表達，而且表達的是一種真相性事實，這種真相性事實必然與現實有著某種聯系。因此，從根源上講，教育模型是能夠操作且能夠用于計算的。然而教育建模具有典型的復雜系統特征，既有的教育理論和教育規律，往往從社會科學的角度建立概念框架對人的發展進行解讀，據此構建的理論模型在信息化實踐應用中難以落地;既有的數據模型，往往又缺失了系統性的教育理論支持。因此，教育建模不僅要關注理念化的流程與策略化的描述，同時更要關注可測量、可計算的數據指標，只有二者的結合才算是一個成功的建模。

在智能時代復雜多變的教育情境下，成功的教育建模離不開人機協同，畢竟個體無法通曉機器算法與掌握機器算力，機器也無法完全理解與明白領域知識。這正是教育建模概念在當下的外延所在。比如要對教師在線教學質量成效進行評價，就需要人機協同構建一個評價模型。首先，依據教育專家的知識和經驗，構建教學的投入、促進、調控以及認可等一級維度（粗粒度指標），并初步構建能反映一級維度的二級行為指標（如投入度是從活躍性、持續性等方面對教師的在線教學投入程度進行評價）。然后，基于多源在線教學數據，教育專家對所獲得的數據指標進行人工標注，形成教師評價經驗數據池，機器采用主動學習方法對已標注的數據指標進行訓練，得到新的數據指標并補充到教育專家構建的指標體系中，實現粗粒度指標向細粒度指標的拓展和細化;在此基礎之上，機器采用神經網絡算法初步建立細粒度指標與粗粒度高階指標的映射關系，并對映射關系質量的判斷設置置信度，保留高置信度的映射關系，由教育專家對低置信度的映射關系進行判斷，決定是否保留該映射關系。最后，采用強化學習方法實現對細粒度指標的篩選與聚合，以此形成可解釋、可操作的教師在線教學質量成效評價模型。

三、人機協同的教育建模流程

人機協同系統正在全面滲入人類的工作與生活，社會正快速地人機協同化（蔡連玉等，2021），教育領域也不例外。人工智能的邏輯性與教育利益相關者的靈活性相結合，共同實現為教育增知增智（祝智庭等，2021）。隨著教育的不斷發展，教育問題呈現多樣化趨勢，教育建模實質就是將多樣化的教育問題依據實際教育場景轉化為數據化的結構模型，從而能更有針對性地提供解決方案。因此，本研究認為，教育建模需要以真實的教育問題為切入點，通過借助專家智慧和機器智能，將不同類型的教育問題梳理成特定的描述、診斷、預測、干預的教育建模目標，進而開展人機協同的教育建模，具體建模流程如圖1所示。人腦圖標的環節是以人類智慧為核心的建模要素，機器圖標的環節是以機器智能為重點的建模要素。可以看出，整個建模流程是人機協同完成對教育要素的理論和數據建模。所有建模的出發點都是圍繞教育實際應用的場景。在真實的教育應用場景中，建模問題一般可以梳理為兩類：一類是已經在教育學、心理學或者學習科學等領域有了比較明確的理論體系，并且在已有研究成果中形成了標準的測量目標，比如學習風格、學習路徑、知識掌握水平等;另一類是尚未形成有扎實理論體系和公信力的測量目標，但又是新的發展時期教育特別關注且對未來發展十分重要的新型目標，比如核心素養體系、能力體系等。兩類目標的建模方式有著明顯的不同。

1.易測量目標的教育建模

有著清晰、明確、可量化標準的教育目標更容易建立機器規則，其所對應的教育教學環節是目前人工智能在教育應用中的主要場景，其中典型的代表是以發展學生知識習得水平的教育目標。基于該目標，有研究通過采集學習者學習行為海量過程數據，設計開發學習者學業預警系統（Arnold et al.，2012）;也有研究通過采集學習者答題數據，并基于領域專家標注的學科知識圖譜，判斷其知識掌握程度，以此形成個性化的習題推薦系統等（Piech et al.，2015）。這類教育目標已經在教育教學領域建立了以分數、正確率、百分比等標準化測試成績為量化標準的評價。

首先，在領域知識范疇，已經建立了對特定目標的多維度理論模型，教育專家首先要做的就是選取可測量目標各維度的數據指標集合，測量該目標的不同維度。這里的數據指標集合是在教育教學流程中生成的各類結構化和非結構化數據經過基本的測算后形成的指標池，比如將學生登錄平臺的數據換算成日均登錄時長等原子指標，在此基礎上，形成抽象為特定教育要素的基本數據指標體系（如將日均登錄時長、視頻訪問次數、作業次數等聚合成學生日常學習投入指標等）。如果教育專家在具體建模時認為某個特定目標維度是學生的日常學習投入，則可以直接將該指標引入下一步建模。

其次，在特定維度計算已經明晰的前提下，依據具體的教育應用場景，教育專家可以調節該目標不同維度的指標權重。易測量教育目標維度指標權重設定的常用方法包括專家人工賦權的層次分析法與算法賦權的熵權法等。教育專家可以根據實際需要和數據體系的支撐能力，靈活調節權重，形成初步的計算模型。

最后，基于目標的海量測量數據和指標權重的確定，機器發揮算力、算法等作用對該可測量目標不斷進行訓練與建模，并通過建模之初預留的測試集數據，對該模型進行數據科學驗證。若數據科學驗證通過，則最終嵌入日常的教育應用中。教育專家通過在真實的教育情境中應用該模型以驗證其可用性，進而針對教育問題提供相應的教育教學服務。若數據科學驗證不通過，則返回參數調節，教育專家根據真實的教育情境調節目標不同維度的指標權重，機器再進行訓練與建模，直至通過機器的數據科學驗證為止。

2.難測度目標的教育建模

在教育實際應用場景中，還有一類建模目標目前沒有清晰的可量化規則，例如元認知能力、自我管理能力、學習能力、創新能力等。這類目標以往需要通過開發問卷測試工具或者主觀觀測等方式進行測量，但這些問卷和觀測指標還無法量化成機器所能理解的規則。因此，對于這類教育目標，如果要實現人工智能的自動化教育應用，就需要對原始要素體系中的測量指標進行量化操作。

首先，教育專家采用理論演繹、專家訪談等方法對難測度目標進行領域知識理論模型構建，包括該類目標的多級維度劃分、可測量指標的數據等。這一階段，由于教育目標難測度，獲取指標因變量的值較為困難，因此往往采用無監督機器學習方法，對數據指標進行分析。要完成這種分析，需要先將專家知識通過某種方式傳授給機器，再由機器完成教育專家所不能夠完成的整合分析（鄭勤華等，2016a）。比如分析學習者的活躍度這一指標可以找到在線時長、登錄次數等特征數據進行表征。為充分發揮人機協同作用，可以先由教育專家為不同活躍水平的學習者打上標簽，再由機器對各類活躍水平的學習者進行聚類等分析。

其次，經歷過理論建模之后，通過教育特征提取和數據指標特征提取兩種方式，教育專家可以再構建新知識算法模型。其中，教育特征提取是教育專家依據教育領域知識來人工選取能夠反映該類目標不同維度的特征變量，指標特征提取是機器采用有監督機器學習對該類目標不同維度之下的相應數據指標特征進行提取。需要說明的是，進行特征變量選取的原因是不相關的變量會對模型訓練產生干擾，而且有可能會使得訓練出來的模型過擬合。另外在數據量越來越多的情況下，過多的變量會降低模型的訓練和計算效率。

最后，基于測試數據，機器驗證新知識算法模型。若通過驗證，則嵌入日常教育應用進行可用性驗證;若不通過驗證，則教育專家依據具體的教育情境調節目標不同維度的指標權重，機器再進行訓練與建模，直至通過機器的數據科學驗證為止。

總體來看，圍繞教育問題，梳理教育建模目標，進而開展人機協同的教育建模，有以下三點值得注意：

第一，關于可測量教育目標指標集合的選取。這里涉及指標計算的方式，具體步驟為：（1）基于獲取的教育大數據（包含教、學、管、評、測等線上線下的數據），教育專家對反映該測量目標的數據進行人工標注，形成人工標注的數據集;（2）采用有監督的機器學習方法（比如人工神經網絡）來獲得指標因變量的值;（3）基于有監督的機器學習進行聚類等分析后，教育專家梳理匯聚成原子指標池，用于存放最初始的數據指標;（4）結合可測量目標的不同維度需要，從原子指標池中調用數據指標，并對指標進行計算（如對兩個單一指標進行計算轉化形成復合指標），進而形成數據指標集合。

第二，關于難測度教育目標指標特征提取。先由領域專家選擇該難測度目標的人工標注數據集，再經有監督的機器學習進行分析，進而梳理生成原子指標池，再根據需要對指標進行計算，最后為機器的指標特征提取服務。

第三，關于新知識算法模型生成。在訓練與建模階段，當數據結構較為復雜的時候，機器采用深度學習算法來自動識別特征變量，從大規模未標注的數據集中學習數據本質特征（鄭勤華等，2016b），教育專家進而可以構建新知識算法模型。這一階段，經過深度學習，數據從無序變成有序，從無標注變成有標注，最終也能服務于數據指標計算，為教育建模目標的指標集選取和指標特征提取奠定基礎。另外，新知識算法生成模型也需要經數據科學驗證方可嵌入日常的教育應用中，否則就要重新依據具體的教育情境調整目標不同維度的指標權重，進而進行模型訓練與建模。

整體而言，人機協同的教育建模是一個敏捷化的教育建模流程，大致可以分為梳理建模目標、確定教育目標類型、選取指標或特征提取、調節參數、訓練與建模、數據科學驗證、真實教育場景可用性驗證7個階段。敏捷教育建模是充分整合領域專家智慧與機器智能優勢以構建教育模型的過程，重點在于將教育建模所需要的多方主體力量進行歸一化統整，形成合力，突破傳統教育建模主體力量單一化（如數據工程師、算法工程師）的局限，解決傳統教育建模成本高、難度大、模型解釋力度不足等現實問題。相對于傳統依托單一化主體力量對教育進行建模的方式，敏捷教育建模應對真實教育場景的解釋性較強，并且具有成本低、難度較低、易操作且可操作等典型特征。

然而，以敏捷教育建模理念為指導進而輸出教育模型服務的過程中還需解決一個關鍵問題，即通過什么樣的載體來連接在敏捷教育建模過程中發揮作用的教育專家與技術專家。為了讓二者優勢互補、相互促進、形成整體，需要有一個“中間件”來連接二者，并沉淀二者的領域知識，讓不懂技術或不懂教育的人依托這個“中間件”都能夠構建基于真實教育場景的可解釋性模型。

四、敏捷教育建模實踐應用

教育是一個非常復雜的系統，完全依靠機器解決教育實踐問題目前還只是理想狀態。但是，依托機器的數據、算力和算法來延伸人們的認知、提升人們的能力、增強人們的智慧已經成為了一種共識，這能幫助人們在教育場景更好地理解教育本身，進而更好地為教育問題提供解決方案。通過借鑒此種思路，并完全融合上述人機協同的教育建模流程，本研究團隊設計研發了人機增強智能支持下的敏捷教育建模平臺，并針對真實的小范圍教育場景開展了實踐。

1.敏捷教育建模平臺——DMTS

為了解決教育目標可測量、難測度兩類教育場景的教育建模問題，我們充分結合領域專家知識、經驗、理論和機器的數據、算法、算力優勢，研發了人機增強智能支持下的敏捷教育建模平臺——DMTS。其中D代表數據（Data），表示匯聚多源、多維、多類教育大數據;M代表模型（Model），表示支持人機增強智能的半自動化快速建模;T代表任務（Task），表示教育問題場景導向的任務式建模流程;S代表服務（Service），表示為教育相關利益者提供全方位、系統化服務。DMTS平臺通過建立協同機制，充分發揮領域專家與機器的最大合力作用，在建模的不同階段引入不同領域專家，使得教育專家與技術專家之間的知識能夠連接，實現敏捷化教育建模。

DMTS平臺支持以模型構建為核心業務的適應性學習、科學決策、精準管理、區域教育治理，全方位、系統化地依據真實教育問題有效構建教育模型，為教育大數據應用提供支撐。并且，作為一種敏捷教育建模平臺，DMTS在教育大數據生態體系中處于中間層的位置，下層連接大數據平臺，上層連接教育大數據應用系統，輸送專業化的教育服務。具體而言，DMTS依托底層大數據平臺的數據進行模型構建，通過人機協同的教育建模流程構建出更理解教育場景的專業化教育模型，進而生成評價報告，為微觀個體發展層面、中觀學校教育管理層面以及宏觀區域教育治理層面面向教育問題提供專業化的解決方案，從而滿足差異化的教育需求（王懷波等，2020）。

需要強調的是，基于DMTS平臺，不懂技術的領域專家也能夠構建出比較專業化的教育模型，因為數據的采集與處理等工作已經由底層大數據平臺完成。比如一位課程與教學論的專家經過多年在教學一線的實踐，已經形成了一整套成熟的理論、規律以及方法，但是由于不懂數據科學等領域的知識使得這些理論、規律以及方法難以轉化成可量化的數據，進而更為科學、精準、高效地服務學習者。借助DMTS平臺，課程與教學論專家只需選擇預先經過科學設計的理論模型，導入能夠測量指標的數據，生成算法模型，經過數據科學驗證之后就能夠形成具有可操作性的課程評估模型。

2.實踐案例

基于國內第一門聯通主義慕課課程“互聯網+教育：理論與實踐的對話”，本研究依托DMTS平臺對知識主題、學習狀態分別進行了建模分析，為課程的優化與改善提供了較為科學的依據。

（1）利用非結構化數據形成對知識主題的建模

聯通主義慕課課程與傳統的慕課課程有所不同，它是以群體智能的生存和演化為導向，沒有一個完全特定的教學目標與教學評價方案，更多強調的是群體在這種社區中的交互，以及在交互的基礎之上群體形成的新知識和知識的演化。因此，知識如何形成以及演化就變得非常關鍵。基于這樣一個場景，本研究在課程第四期中作了主題知識的建模分析，即如何發現課程中學習者通過交流討論形成的知識主題。研究通過采集課程第四期中的所有文本數據，整合聯通主義專家領域知識和主題挖掘算法，以人機交互增強的方式訓練算法，快速構建主題分析模型，并通過不斷迭代發現知識主題，具體的人機分工如圖2所示。

具體建模流程如下：第一，將“如何發現課程中學習者通過交流討論形成的知識主題？”這一教育問題梳理成建模目標——知識主題聚類。第二，選擇課程第四期的所有文本數據導入到建模平臺中，建模平臺的底層大數據平臺采用無監督的機器學習對所有的文本數據進行清洗，形成原始數據集。第三，根據課程中不同主題知識情境選擇專家詞庫和停用詞庫，并導入建模平臺中，便于機器進行切詞分析。第四，機器經過一輪切詞分析生成新知識，研究者根據知識內容修正專家詞庫和停用詞庫，并導入建模平臺進行新一輪切詞分析（本質上是調參的過程）。第五，依據聯通主義的教育情境，選擇需要聚類的主題類型，再由建模平臺發揮其在數據和算法方面的優勢來進行知識主題學習與訓練，最后生成知識主題模型。通過上述步驟，基于知識主題的建模完成，研究者就可以發現平臺上的學習者都在討論哪些問題與內容，以及討論的問題中包含哪些知識、新生成了什么知識等。

（2）利用綜合指標形成對特定學習狀態的建模

開放的在線學習空間中，如何實現對學習者的有效診斷、監測與評價，進而做出干預，這是“互聯網+教育：理論與實踐的對話”這門聯通主義慕課課程改進過程中不斷思考的問題。學習者的過程性評價通過分析建模達成，這是精準化學習評價過程中至關重要的一步（黃濤等，2021）。基于此，本研究在課程第五期中對在線學習者的學習狀態進行了建模分析。研究通過采集該期課程平臺上所有學習者的學習行為數據，依托DMTS平臺，構建學習者類型評價模型，如圖3（左圖）所示。在不同的維度當中，研究通過統一處理學習者的結構化與非結構化數據，并結合領域知識，生成一個每日更新的可視化簡單報告，這樣就可以看出學習者的類型，最終為其推薦相應的資源等服務。

圖3 基于DMTS的學習者類型診斷與監測

具體建模流程如下：第一，將教育問題梳理成建模目標，即將“如何對在線學習環境下學習者的學習過程進行監測與診斷？”這一教育問題梳理成“學習者類型診斷與監測”這一建模目標。第二，通過查詢相關文獻資料，并咨詢領域專家，從理論層面構建了囊括分享型、創新型、反思型以及互動型在內的學習者類型評價模型。在這一過程當中，研究通過設定特定計算公式（每種學習者類型都有相應的計算公式）讓機器能夠采用有監督機器學習算法對課程平臺上已標注的相關數據或者行為進行分析，進而形成數據指標集合。第三，通過選取表征不同學習者類型維度的數據指標，基于設定的計算公式，形成初步的計算模型。最后，將模型導入研發的建模平臺進行教育應用可行性驗證。建模平臺利用底層大數據平臺采集“互聯網+教育：理論與實踐的對話”第五期中學習者的所有學習行為數據（如發表的博客數、資源數、案例數、博客評論數、博客點贊數等），按照計算公式（如分享型=高質量資源和案例×次數+高質量評論×次數+高質量回帖×次數①）對相應的學習行為數據進行分析，進而得出相應學習者類型的得分。如圖3（左圖）所示，通過平臺的建模分析，這位學習者在互動維度上得分最高，因此我們可以認為其屬于互動型聯通主義學習者。進一步地，結合學習者類型診斷，建模平臺基于設定的推薦機制還可以為這位學習者提供比較個性化的學習建議，如圖3（右圖）所示。

通過上述兩個案例的實踐表明，人工智能的賦能作用為人們理解真實且復雜教育場景中的問題提供了新的視角，一定程度上實現了人們認知的外包以及能力的提升，有助于學習者提供更好的教育服務。人機協同作為智能時代教育未來發展的必然途徑（孫眾等，2020），目前只有把領域知識和機器智能有機結合起來，才能夠真正地實現在不同場景下的因材施教，進而滿足學習者多樣且個性化的學習需求。這才是人工智能在教育應用中的最大價值。

五、結語

由于教育的復雜性、動態性、全域性以及不確定性，單純通過人工智能等技術去解決與人的發展相關的教育建模問題，目前來看還有較大的困難，有必要在教育建模過程中更多地引入領域知識，實現人機協同。機器的數據、算法和算力將成為強大的創新驅動力，人類的行為、認知和能力將被增強（沈陽等，2020），使得越來越多真實且復雜教育場景下的教育問題都將能夠形成可解釋、可操作性的教育模型。這一過程中，教育建模離不開中間工具的作用以打破領域專家和技術專家“兩張皮”現象的困境。領域專家對教育問題有較好理解但在計算機科學和數據科學應用上存在困難，而技術專家能在工具層面提供有力支持但對于教育問題的把握不足。這就需要為二者搭建對話和實操的工具橋梁。本研究正是在這種思路的指導下，立足智能時代背景，對人機協同教育建模流程進行了探討，提出用“中間件”來連接教育建模過程中的領域專家和技術專家之間的知識。

隨著對實踐需求的回應，教育建模的重點不僅要關照教育理論和數據科學問題，同時也要更加重視實踐的迭代應用。只有經過“理論—技術—應用—理論”的多輪迭代，持續優化教育建模過程，才能為教育現實問題提供更好的教育模型服務。然而既有教育建模的準確性與有效性，我們常常用算法的準確率、召回率等技術指標來表征。但在真實的教育場景中，尤其是在沒有明晰的監督變量的情況下（如表征能力、素養等教育目標的測量準確性時），這些技術指標還遠遠不夠。因此，需要在“建模—應用”的不斷迭代過程中，優化教育模型，增強其可解釋性，為實踐提供真正有價值的技術支持。

注釋：

① 高質量資源和案例指資源或案例被cMOOC周報收錄，賦值10分;高質量評論指評論字數≥20字且不是水評論，賦值5分;高質量回帖指回帖字數≥20字且不是水帖，賦值5分。

參考文獻：

[1]蔡連玉，劉家玲，周躍良（2021）.人機協同化與學生發展核心素養——基于社會智能三維模型的分析[J].開放教育研究，27（1）：24-31.

[2]陳子健，朱曉亮（2019）.基于面部表情的學習者情緒自動識別研究——適切性、現狀、現存問題和提升路徑[J].遠程教育雜志，37（4）：64-72.

[3]胡丹妮，章夢瑤，鄭勤華（2019）.基于滯后序列分析法的在線學習者活動路徑可視化分析[J].電化教育研究，40（5）：55-63.

[4]黃濤，趙媛，耿晶等（2021）.數據驅動的精準化學習評價機制與方法[J].現代遠程教育研究，33（1）：3-12.

[5]教育部（2020）.承擔教育使命 共同謀劃教育未來 陳寶生出席國際人工智能與教育會議[EB/OL].[2021-02-17].http：//www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/moe_1485/202012/t20201207_503933.html.

[6]教育部（2021）.教育部等六部門關于印發《義務教育質量評價指南》的通知[EB/OL].[2021-04-06].http：//www.moe.gov.cn/srcsite/A06/s3321/202103/t20210317_520238.html.

[7]李景奇，卞藝杰，方征（2018）.基于BKT模型的網絡教學跟蹤評價研究[J].現代遠程教育研究，（5）：104-112.

[8]馬志強，管秀（2020）.面向多維關聯的社會認知網絡分析——協作學習交互研究的新進展[J].遠程教育雜志，38（6）：96-103.

[9]沈陽，田浩，黃云平（2020）.智能增強時代推進新一輪學習革命——訪中國科學院院士吳朝暉教授[J].電化教育研究，41（8）：5-10.

[10]孫眾，呂愷悅，駱力明等（2020）.基于人工智能的課堂教學分析[J].中國電化教育，（10）：15-23.

[11]王懷波，李冀紅，孫洪濤等（2020）.基于模型的教育大數據應用框架設計[J].現代教育技術，30（6）：5-12.

[12]王薇，張鑫（2021）.學校評價結果解釋模型的建構[J].中國考試，（1）：89-94.

[13]新華網（2020）.中共中央 國務院印發《深化新時代教育評價改革總體方案》[EB/OL]. [2021-04-06].http：//www.xinhuanet.com/2020-10/13/c_1126601551.htm.

[14]新華社（2021）.中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[EB/OL].[2021-04-06].http：//www.xinhuanet.com/2021-03/13/c_1127205564.htm.

[15]薛二勇，李健（2021）.新時代教育規劃的形勢、挑戰與任務[J].中國教育學刊，（3）：19-24.

[16]楊開城，陳潔（2020）.論教育作為一種工程性實踐[J].現代遠程教育研究，32（6）：3-8，51.

[17]鄭勤華，陳耀華，孫洪濤等（2016a）.基于學習分析的在線學習測評建模與應用——學習者綜合評價參考模型研究[J].電化教育研究，37（9）：33-40.

[18]鄭勤華，孫洪濤，陳耀華等（2016b）.基于學習分析的在線學習測評建模與應用——綜合建模方法研究[J].電化教育研究，37（12）：40-45.

[19]鄭勤華，熊潞穎，胡丹妮（2019）.任重道遠：人工智能教育應用的困境與突破[J].開放教育研究，25（4）：10-17.

[20]祝智庭，韓中美，黃昌勤（2021）.教育人工智能（eAI）：人本人工智能的新范式[J].電化教育研究，42（1）：5-15.

[21]Arnold， K. E.， & Pistilli， M. D. （2012）. Course Signals at Purdue： Using Learning Analytics to Increase Student Success[C]// Proceedings of the 2nd International Conference on Learning Analytics and Knowledge：267-270.

[22]Piech， C.， Spencer， J.， & Huang， J. et al. （2015）. Deep Knowledge Tracing[J]. Computer Science， 3（3）：19-23.

[23]Wu， S. Y.， & Hou， H. T. （2015）. How Cognitive Styles Affect the Learning Behaviors of Online Problem-Solving Based Discussion Activity： A Lag Sequential Analysis[J]. Journal of Educational Computing Research， 52（2）：277-298.

[24]Zhang， K.， Huang， Y.， & Du， Y. et al. （2017）. Facial Expression Recognition Based on Deep Evolutional Spatial-Temporal Networks[J]. IEEE Transactions on Image Processing， 26（9）：4193-4203.

收稿日期 2021-04-26責任編輯 汪燕

Agile Educational Modeling and Practical Application Supported by Human-Machine Collaboration

ZHENG Qinhua， GUO Liming

Abstract： The shift from theoretical models to operable data models is the key for intelligent technology to support the reform of teaching and learning. The measurability of multi-scenario and multi-dimensional education and teaching elements is the focus of solving the problem of educational modeling. And together with the current limitations of artificial intelligence technologies， it determines that human-machine collaboration is the inevitable way of educational modeling. Human-machine collaborative educational modeling is an agile educational modeling process， which is a process of fully integrating the domain experts wisdom and the advantages of machine intelligence to construct an educational model. Its key point is to normalize and integrate the multi-agent forces required for educational modeling to form a joint force. The process of human-machine collaborative educational modeling can be roughly divided into seven stages： sorting out modeling goals， determining the types of educational goals， selecting indicators or feature extraction， adjusting parameters， training and modeling， scientific validation of data， and usability validation of real educational scenarios. However， in the process of exporting educational model services under the guidance of agile educational modeling concepts， it is necessary to solve the “middleware” problem that connects domain experts and technical experts. Given this idea， the agile educational modeling platform DMTS supported by human-machine enhanced intelligence came into being. It aims to combine experts domain knowledge， experience， theory and data， algorithms and arithmetic advantages of machines to quickly build interpretable education models that truly understand educational scenarios， which provides scientific and operational modeling services for micro-individual learning， meso-school management and macro-regional education governance. The practice has shown that the educational modeling support technology system that combines domain experts and machine learning can build a production system of educational modeling for educators and technical workers， thereby providing support and reference for the in-depth application of artificial intelligence technologies in the educational field in our country.

Keywords： Artificial Intelligence; Human-Machine Collaboration; Educational Modeling; Educational Models; DMTS