人工智能教育大腦的生態架構和應用場景

張 治 徐冰冰

(1.上海市寶山區教育局,上海201999； 2.上海市寶山區教育事務中心,上海201999)

一、問題提出

人工智能嵌入教育大致要經過三個階段：第一階段是作為內容的人工智能，以觀念傳播和技術普及為主，常作為課程進入學校系統；第二階段是作為工具的人工智能，即廣義的人工智能賦能教育教學的各個場景，技術成為原有教育模式的加速器，用于提升效率，但是幾乎不改變原有流程，沒有流程再造和范式重構；第三階段是作為思維方式，即人工智能作為人類智能的伴生體，深度嵌入教育系統，成為人類智慧的一部分。在第三階段，人們開始思考人類智能和人工智能如何分工，不同的人如何學習才能實現效果最優，學什么最重要，什么可以不學，什么可以不教，教育教學流程和治理范式是否需要重構或優化，而不是簡單地為教育做內容的增量(見圖1)。但是，當前人工智能教育應用仍停留于淺表層面，未形成整體化應用，也沒有形成教育大數據開放共享和治理的機制體制，缺少人工智能治理整體解決方案。此外，作為人工智能核心元素的數據，整體質量不高，文本、圖像、聲音、影視、超媒體等結構化與非結構化數據也缺少固定的標準規范，且缺乏開放共享和治理的機制。

圖1 智能技術融入教育的三個階段

1.缺少安全可控、保護隱私的技術

教育大數據涉及用戶的個人隱私，對數據的合理利用、安全治理提出了較高要求。人工智能+教育的健康發展依賴高質量的數據集，這就對教育大數據的治理提出了要求。隨著教育應用場景的拓展，數據來源越來越廣、過程越來越復雜、規模越來越大、維度越來越多，提升了數據隱私保護的難度。目前數據治理技術和工具眾多，但能夠衡量隱私安全和判斷最優的寥寥無幾。我們要推進教育智能化發展，需要研究和實現面向教育行業的數據治理關鍵技術。

2.缺乏適用于教育的算法模型

算法逐漸成為影響人類行為的基礎規則。然而，受限于技術本身與應用邏輯，算法應用過程中存在不可解釋隱憂、自我強化困境等挑戰。學習者模型和教學策略模型的普適算法難以應對人的獨特性和不可復制性，教育領域的算法歧視也會造成教育公平和個性化的沖突。因此，提出人工智能算法治理體系及核心算法模型，是應對人工智能帶來的風險與挑戰的有效手段。目前，算法治理基礎薄弱還不能有效支持各類教育場景。人工智能在教育行業的探索，一方面應用場景、應用學科比較零散，另一方面相關的人工智能關鍵技術和算法模型往往是“一項目一方案”，且會隨著項目的結束而結束，缺少能夠整合各類教育特色的算法模型和關鍵技術的教育大腦。當前的教育模式是標準化、規模化的，如何滿足學生個性化、靈活的學習需求，是長期難以改變的教育難題。

3.教育實際場景應用還存在諸多困難

人工智能領域已有神經網絡、語義分析、知識圖譜等眾多算法，但這些通用算法在實踐中并不能直接用于教育智能化，還需要利用具體教育場景的歷史數據，按照既定規則和目標，重新訓練和學習，特別是要適應教育的規則體系和國家的教育發展生態，才能貼合教育行業需求，符合人工智能治理原則。

綜上，無論是數據治理還是算法治理，面向教育行業的人工智能治理還缺乏整體的解決方案。本研究提出通過開展教育數據治理和面向教育領域的算法治理，“哺育”健康強壯的教育大腦，加快推動線上線下融合的教學模式改革，實現大規模因材施教和教育決策精準科學。

二、概念建構

人工智能的發展就是不斷模擬、拓展人類智能的過程，終極目標是模擬、拓展人類大腦(見圖2)。1956年，麥卡錫等科學家在美國達特茅斯學院開會研討“如何用機器模擬人的智能”時，首次提出“人工智能”概念。隨后幾十年，人工智能在模擬、延伸和擴展人類智能方面進步巨大，模擬人的“聽”，形成了語音識別、機器翻譯等；模擬人的“看”，形成了圖像識別、文字識別等；模擬人類“說話”，形成了語音合成、自然語言合成等。大腦是人類最復雜的器官，代表著人類最高智慧的物質基礎。20世紀80年代末，美國科學家卡沃·米德(Carver Mead)首次提出類腦計算概念，希望通過研究人類大腦的工作機理，設計像人類一樣思考、學習的機器人。2016年，AlphaGo引發人們對人工智能的關注，機器學習迅猛發展，人工智能也邁向了認知智能階段，模擬人類思考，發展形成了人機對弈、定理證明等；模仿人類學習，發展形成了機器學習、知識表示等；模仿人類行動，發展形成了類人機器人、自動駕駛汽車等。雷·庫茲韋爾(2011)以智能大腦為隱喻，通過給大數據植入數學算法，模仿人腦融合機制思考、解釋海量數據的機理，做出有邏輯關系的判斷。

圖2 人工智能發展歷程

近幾年，智能大腦從概念逐漸走入實踐。城市治理領域提出了城市大腦，即通過全面采集、集成、分析和挖掘城市空間中的大量異構數據，開展全局實時數據分析，解決城市治理問題，實現公共資源的優化配置。我國多個一線城市分別在城市大腦、數字政府、智慧城市等方面開展了實踐探索。在教育領域，虛擬學校將成為社會教育系統的大腦，擔當資源提供者、學習引導者、管理服務者、決策支持者等角色(張治，2018)。有學者提出人工智能教育大腦概念，并將其定義為海量教育數據模型、深度學習算法、高度計算力等智能化技術與算法的融合體，如同人類大腦，具備理解、交互、情感、計算、決策等強大能力，能夠滿足優質化的教育數據需求(顧小清等，2021)。有學校開展了教育大腦相關探索，提出學校大腦概念，即以互聯網為基礎設施，建設一套完善的感知層、傳輸層、決策執行層(即“感、知、用”的學校大腦架構)，通過對學校教育教學活動的無感沉淀，自動形成豐富、清晰、多維度的學校數據資源，形成能即時分析、診斷、預警、監測、評價、反饋且能融管理、學習、成長支持于一體的人工智能系統(饒美紅，2020)。

這些研究和實踐驅動人工智能發展的三要素——數據、算法、算力，以大腦的概念集成。教育大腦的概念建構還應辨析三對概念。其一，人工智能與大數據。大數據是傳統計算，不會根據結果采取行動，只是尋找結果。人工智能允許機器執行認知功能，作出反應，且不斷改變行為，以適應新的變化并修改反應。這是數據中臺與教育大腦的本質區別。其二，教育大數據與領域知識。除了數據、算法、算力，驅動人工智能的要素還包括“知識”(各行各業領域知識，包括知識、經驗、流程)(周志華，2020)，賦能各行各業提質增效。缺乏知識支撐的數據難以真正賦能認知，就像只有動詞沒有名詞，無法組織文章一樣。特定領域的知識圖譜和認知模型算法相結合，才能真正支撐人工智能的全面賦能。其三，教育大腦與物聯網大平臺。大腦的核心價值是算法集成中樞，沒有神經感知系統的支持，就會失去反射弧的完整性。算法和算力離不開互聯網和物聯網的全面感知能力和數據集聚，否則教育大腦就會喪失功能。

在此基礎上，本研究立足于數據、算法、算力三個核心要素，引入學科知識圖譜的教育領域知識，將教育大腦定義為人工智能在教育領域的仿生智能體，包括多模態數據的全面感知系統、基于知識圖譜和學習者模型的多智能算法裁定類腦中樞系統、多場景應用的反饋系統三部分(見圖3)。教育大腦面向特定學科領域，表現為自適應學習系統，面向全部領域就演變為智能學習管理系統或智能導師，并在教育決策支持等方面發揮增能效應。 教育大腦具備可感知、可進化、能決策、快反饋、有情感等特征。1)可感知。教育大腦的感知系統能全面感知教育大數據，結合多種數據感知手段，實現多模態數據融合、全域互聯、智能感知，發揮數據驅動教育的最大價值。2)可進化。人類之所以能夠進化成智慧生命創造文明，得益于人腦進化。人腦有很強的自適應與自組織能力，后天學習可進化出新功能。教育大腦也具備這種能力。人工神經網絡可在學習或訓練過程中改變突觸權重值，以適應變化，超越設計者原有知識水平，促進教育智慧沉淀與智能進化，帶動人、機、物、資源、環境協同進化。3)能決策。人工智能正向高階決策智能躍遷，即從感知智能到分析智能再到決策智能由低向高的非線性演化，教育大腦將為教育管理者決策提供支持。4)快反饋。人腦是一個大規模并行與串行組合處理的網絡系統，其判斷、決策和處理的速度遠高于串行結構的普通計算機。教育大腦中樞神經系統是類腦的人工神經網絡，具有并行處理特征，相較于計算機系統，其反饋速度提升明顯。5)有情感。教育大腦可開展算法治理，進行倫理分析，避免算法歧視。

圖3 教育大腦概念圖

三、生態架構及關鍵技術

本研究嘗試結合人類大腦的生物結構和人工智能典型特征構建教育大腦。人類大腦皮層約有100億個神經元，每立方毫米約有數萬個神經元，它們互相聯結形成神經網絡，通過感覺器官和神經接收身體內外的信息，然后傳遞至中樞神經系統，經過對信息的分析和綜合，再通過運動神經發出控制信息，以實現機體與內外環境的聯系，協調全身的各種機能活動。神經元分為感覺(傳入)神經元、聯絡(中間)神經元、運動(傳出)神經元，進而形成感受器、傳入神經、神經中樞、傳出神經和效應器的反射弧結構，能夠感受信息、處理信息、支配運動。據此，我們將教育大腦架構為類腦神經感知系統、類腦中樞神經系統和類腦運動神經系統三個基本結構，分別對應人工智能“輸入數據—處理數據—輸出功能”的基本流程。感知系統是輸入端，場景應用是輸出端，類腦中樞神經系統負責人工智能算法處理(見圖4)。

圖4 教育大腦架構

(一)類腦感知神經系統：融合多源多維多模態教育數據

人類通過眼、耳、口、鼻、皮膚把檢測到的信息源，包括光子、壓力、溫度等傳遞至大腦，進而形成感官體驗。教育大腦的類腦感知神經系統如同人的感知神經網絡，可獲取線上線下多來源、多維度、多模態教育數據。感知數據的“神經元”就是數據采集工具。為保證數據的深度、廣度和質量，系統需要設計多樣化的數據采集手段。攝像頭、傳感器等數據采集工具相當于人類的感受器官，負責采集數據，傳輸至教育大腦。教育數據采集工具包括平臺采集(終端采集)、物聯感知、機器視覺(圖像識別、視頻采集)、機器聽覺。

教育信息化正在從1.0走向2.0，教育平臺和系統越來越多，教育管理、教輔后勤、教育評價、行政辦公、家校溝通等環節都配有系統、平臺，存儲了大量用戶數據，包括學生學習的過程性數據和結果性數據。這就需要打通數據孤島，開展數據治理。物聯網數據和信息系統數據融合正在成為新的趨勢。智能攝像頭能夠采集線下教學環境中學習者交互的視頻音頻數據、校園安全數據、學生行為軌跡數據等；邊緣計算可用于自動切片關鍵動作，并對重要動作、危險動作進行管理；智能教室的攝像頭具備自動導播功能，能自動標注課堂行為。物聯網數據和信息系統數據正在融合這些教育數據，使其具備價值，并進入教育大腦的中樞系統(見表一)。

表一 類腦感知神經系統的數據采集

(二)類腦中樞神經系統：集聚多智能算法的教育決策模型

中樞神經系統是人腦思維和意識活動的基礎。人類通過將感知到的數據傳入大腦，穿過中樞神經系統，形成大腦反應。教育大腦的類腦中樞神經系統由多重組合的教育決策模型組成，是教育大腦運行和效能發揮的邏輯基礎。人工智能賦能教育本質上是數據驅動的算法應用。就教育大腦支撐的大規模因材施教而言，算法模型主要有三類。

第一，構建學科知識圖譜，積淀教育領域知識與規律。2012年，谷歌公司為提高語義搜索功能，提出了知識圖譜概念，目的是減輕用戶收集、總結和歸納的壓力，通過知識圖譜迅速、快捷地查詢主題的脈絡。知識圖譜是將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法，與計量學引文分析等方法結合，用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構的多學科融合的研究方法。知識圖譜不僅能夠幫助學生建立完整的知識體系，明確學習目標，提高學習效率，而且有助于教師迅速發現學生學習薄弱環節，進行針對性答疑，從而有效提升教學質量。

第二，構建學習者模型(見圖5)，了解學習者的學習特征、學習狀態和所需的幫助。一是了解學習者學習特征、學習風格、能力傾向，即根據學生的基本信息、多元智能測試和霍蘭德職業興趣測試，初始化學習者模型，根據預置程序性和方法類知識構建初始的知識模型，為學習者推薦研究方向和學習資源，并提供學習流程引導和支持。二是了解學生所處學習狀態，即通過主動感知學習者對文本、視頻、圖片等學材的操作數據和學生的社交數據，以及獲取物聯網技術 (如傳感器、攝像頭等)提供的學習情境和學習者狀態(如眼動跟蹤、情緒感知等)等信息，感知學習者所處情境和學習進程等。這樣可以不斷更新和完善學習者模型，并依賴智能推理引擎適時推送有效的學習資源(如系統預置的與方法論相關的微視頻、動畫、案例、文本等)和任務，輔助教師引導、激勵學生完成學習任務。三是了解學生需要哪些支持。越來越多的學習者行為和結果數據被實時記錄，不僅為學習管理、服務和評估提供了客觀依據，還能基于智能技術進行數據挖掘，實現學習者模型、程序性和方法類知識模型、個性化教學策略模型的重構和調優，推動系統不斷優化，為學習者提供更精準的自適應學習服務。

圖5 基于人工智能的學習系統概念模型

第三，專家經驗與機器學習相結合、知識圖譜與學習行為數據相結合，形成教學策略模型，支撐大規模因材施教。教學策略模型是規范，也是引導。教師上崗前，大多學習了大量理論知識，如多元智能理論、認知心理學……但很少在教學中踐行這些理論。我們花了大量時間、精力把世界上最先進的教育理論傳授給教師，遺憾的是，教師還是用傳統的方式教學，教育理念和實踐之間的差距非常大。很多教師沒有真正理解這些教育理論，即使有理解，也受限于班級環境等因素，最終難以實施。教師一般會選最簡單、最容易的方式授課。教學策略模型能推動教師在課堂上將教育理論“用”起來。教學策略模型不是唯一的，模型之間可自由切換。主流教學策略模型有三種：講解輔助的建構、任務驅動的探究、評價驅動的補救。三種模型彼此交叉，進而生成多種路徑(張治等，2018)。

(三)類腦運動神經系統：驅動人工智能與教育生態協同進化

類腦運動神經是教育大腦各項功能的輸出，保證人工智能支撐各類教育場景。計算能力指數據處理能力，是人工智能發展的三個支撐之一。人臉識別、語音識別等需要算力支持，算力的高低與人工智能的發展程度成正比，反映人工智能的成熟度和智能化程度。

在類腦運動神經系統的驅使下，各教育生態要素重組形成教育智能體(見圖6)，具備自我改進的功能。一方面，對于任何學習者，存在某種教育資源、學習環境、互動機制和學習過程，使學習者的知識結構改變達到最優；另一方面，教育資源通過在特定學習環境與學習者互動而得以改善。未來，學校是教育學、認知科學、技術和社會的混合體，伴隨著教育大腦的進化而不斷進化。

圖6 各生態要素系統進化形成教育智能體

四、典型應用場景

教育大腦將富有立體感、多元化的數據匯集成教育大數據，通過智能算法挖掘出規律、關系、原理等，一是可以避免數據混亂無章、彼此相互割裂；二是采用智能算法，進行智能思考、理解與快速反應。人工智能教育大腦不僅是感知系統、中樞系統，更起到末梢的作用，支撐人工智能對教育的全面賦能。在當前弱人工智能的現實背景下，教育大腦至少可以支撐智能教學、精準評價、智能治理、智能預警四種典型場景。

(一)智能教學服務

教育大腦從學生自適應學習、教師智能備課、家校共育三方面支撐智能教學服務(見圖7)。第一，支撐學生個性化學習。同質化的大眾教育體系曾給人類世界帶來了不可估量的好處，但是這種同質化的大眾化教育體系不僅讓教育日益機械化，在本質上也抹殺了教育的創新可能(安東尼·塞爾登等，2019)。教育大腦可從中樞神經系統的“記憶”中獲取學習資源和學生學習數據，從而了解學生的興趣愛好、能力傾向、學習風格，為學生推薦適合的學習資源，定制個性化學習路徑，盡可能讓學生花最少的時間達到理想的學習效果。個性化學習讓教學目標、教學方法、教學內容及教學順序可能因學習者的需要而有所不同(Culatta & Fairchild，2016)。第二，支撐教師備課、教學、課外輔導。教師往往基于經驗和認知上課，難以考慮每位學生的知識基礎。人工智能教育大腦通過收集和分析學生信息，并通過統計和分析，為教師針對性教學提供基礎。人工智能教育大腦不但可以開展數據收集，還可以對海量數據進行分類，總結針對性問題以及給出針對性建議。教育決策不再以經驗為主，而是以規模化的數據和智能算法為中間媒介，由數據智能驅動，走向智慧化決策，讓決策有規律可循。教育大腦利用教學數據，幫助教師的判斷和決定，幫助不了解學生、做不到個性化教學的教師更精確地推送資源、實施個性化教學和因材施教。第三，促進家校共育。人工智能教育大腦促使教育不局限于學校，而是面向各個系統，不僅可以對師生產生作用，同時將學校、教師、家庭融為一個系統。這有利于促進家校溝通，構建新型的教育生態環境，成為教育與社會其他系統連接的紐帶。教育大腦所提供的教育是動態的、智能化的。它不但可以理解周圍的環境變化，而且還可以根據環境變化做出及時、針對性反饋。我們可以通過教育大腦構建立體化的綜合教學場。

圖7 教育大腦支撐的智能教學服務

(二)精準教育評價

人工智能技術正在為滿足多種多樣的教育需求發揮著不可替代的作用。教育正實現從“少數人的個性化”到“多數人的標準化”再到“多數人的個性化”的歷史性跨越。學生數字畫像是實現這一目標的關鍵技術。學生數字畫像由用戶畫像發展而來。人工智能教育大腦通過收集數據進而總結出描述其真實特征及行為的標簽。在技術支持下，學生學習行為(如學習發展、學習特征、能力傾向、興趣愛好、行為軌跡)和結果數據可被全方位采集，而后以自動化方式處理，提煉出可描述其特征和行為的標簽集，最終從各維度完整地描述學生，并精準識別其學習狀態，幫助教師精準指導與干預，使教學更具個性化。

(三)智能教育治理

教育治理是教育管理民主化的集中體現，是治理理論在教育領域的延伸，指政府、社會組織、利益群體和公民個體，通過一定的制度安排開展合作互動，共同管理教育公共事務。教育治理現代化是教育現代化的重要組成部分，是教育治理與信息化的結合。在智能環境下，傳感器和定位系統的廣泛部署，將數據收集觸角延伸至細微時空的各個角落，實現高動態、分布式的全場景感知(Peng，2017)。人工智能教育大腦打破了數據流通的壁壘，融合了互聯網、大數據、5G、人工智能等新興信息技術，實現了教育生態融合，讓智能技術貫穿于教育決策形成、執行、反饋和智能糾錯的全過程，可支撐學校或區域宏觀教育治理，提升教育決策的科學性、精準性，有助于開展更全面、更系統的智能治理。教育大腦支持下的智能教育治理融合政府、學校、家庭、社會等多方力量，促進教育生態系統的發展與完善，使教育管理者思維、理念、行為方式與現代社會高度契合(褚宏啟，2013)。

(四)智能教育預警

人工智能不僅可以支持人類決策，還可以幫助人類預測未來。人工智能可實現學生學業預警和身心健康預警。對在線學習場景中學生學習過程缺乏監督、學習主動性不高、教師的反饋和幫助不及時、學習效果不佳等問題，教育大腦可通過分析學生學習行為數據，結合學科知識圖譜，精準識別處于學習危機的學生，提前提醒并進行干預。此外，教育大腦的類腦感知神經系統基于學生校園學習數據、生活數據以及互聯網行為數據，通過學生心理危機事件預警模型(見圖8)，可形成學生心理危機五級分類及具體的學生心理關愛服務和心理危機干預方案。

圖8 青少年心理健康預警數據分析模型

五、思考與建議

第一，開展數據治理，加快數據安全、隱私保護、倫理等相關立法。人工智能的發展離不開數據，但教育數據涉及大量學生數據，且具有特殊性、復雜性等特征。在數據開放成為國際趨勢的背景下，教育行業應積極探索如何在保護數據安全、不侵犯隱私、合乎倫理的條件下，促進教育數據開放共享，讓數據真正變成驅動教育變革的動力。在數據應用層面，我國應加快制定行業統一的數據標準，建立數據安全管理辦法和開放共享機制，加強隱私保護；在研究層面，鼓勵研究者在遵守安全、隱私、倫理的前提下，深入研究。

第二，開展算法治理，推進算法健康、有序發展。算法是負責加工數據“石油”，不僅決定機器的“智商”，更關乎人工智能發展的安全性、規范性。如果算法不能納入治理范疇，必然存在算法亂用、算法歧視等隱患。目前，人工智能等新技術教育應用的社會監管能力提升速度遠落后于技術革新的速度。要保證算法和模型的良性運轉，我們必須對其進行必要監管，及時進行風險評估和管理(凱西·奧尼爾，2018)。2021年，國家互聯網信息辦公室等九部委發布的《關于加強互聯網信息服務算法綜合治理的指導意見》提出，將逐步建立算法安全綜合治理體系。教育領域應進一步強化互聯網教育企業主體責任，推進算法監管模式創新，提高算法可解釋性。

第三，推進社會實驗，促進人工智能+教育的良性發展。人工智能必須經過檢驗才可以用于教育實踐，也必須提前考慮進入教育可能帶來的問題。這就需要在真實教育場景中開展實驗，推動人工智能技術在特定教育場景中的應用，通過科學抽樣和倫理審查，建立實驗組和對照組，通過觀察、對比、總結，形成技術規范、標準、政策、建議，將因技術不成熟而造成的負面影響降至最低，促進人工智能技術良性發展。