人機智能協同的精準學習干預：動因、模型與路向

武法提 高姝睿 田浩

[摘? ?要] 智能時代孕育了新一輪的教育變革，規模個性化人才培養成為當下的教育訴求與實踐難題，而精準學習干預則是破解上述難題的有力手段。通過分析學習干預相關的理論研究與實踐現狀，發現學習干預在各實施環節上均面臨一定挑戰，制約了精準學習干預的推進。文章認為，將人類智慧與機器智能有機融合方為實現精準學習干預的可行之道，因此，構建了兼具整體性、結構性、動態性的人機智能協同的精準學習干預模型。該模型以學習者多模態數據采集為基礎，采用機器智能與專家經驗協同決策的方式實現問題診斷、策略匹配、策略實施、效果驗證等四個主要環節，各個環節在干預系統中各司其職，構成指向精準學習干預的閉合回路。在未來的相關研究與實踐中，需在分析模型構建、問題成因追溯、干預機制分析、實證研究設計等方面進一步探索，以推動學習干預精準化實現。

[關鍵詞] 精準學習干預; 人機智能協同; 學習分析; 模型構建; 人工智能

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事智能學習系統設計研究。E-mail：wft@bnu.edu.cn。

一、引? ?言

快速發展的人工智能技術是引領新一輪科技革命和產業變革的重要驅動力，推動人類社會迎來人機協同、跨界融合、共創分享的智能時代[1]。2019年，中共中央、國務院印發的《中國教育現代化2035》指出，應“利用現代技術加快推動人才培養模式改革，實現規模化教育與個性化培養的有機結合”[2]。可見，技術創新已成為教育變革的內生變量，驅動標準化的工業社會人才培養模式向個性化的信息社會人才培養模式轉變[3]，也使得我國教育領域的主要矛盾由嚴重短缺的優質教育資源同人民群眾日益增長的高質量教育需求之間的矛盾，轉變為靈活的、優質的、個性化的、終身的教育需求同落后的教育供給體系和教育服務模式之間的矛盾[4]。因此，如何充分發揮科學技術在創新教育供給與教育服務模式中的核心作用，實現規模化、個性化人才培養已成為智能教育時代的關鍵議題。

當前，我國已解決了教育的規模化問題，但對于個性化人才培養的關注力度仍然不夠。而作為重要的學習支持服務，學習干預則是破解規模個性化教育難題的有效舉措。學習干預是指立足于學習者在學習中出現的各種問題，針對每位學習者的具體學習狀態而實施的各種支持性策略和指導性活動的綜合[5-6]。在學習分析技術的支持下，通過收集學習者在不同場景下的多維數據，可以診斷學習者存在的學習問題，如學習績效不佳、學習投入不足、注意力渙散、自我效能感低下等，進而為不同類型的學習者提供科學化、差異化的決策支持[7-9]，學習干預的個性化程度得以有效提升，不斷向精準化邁進。然而，學習干預在理論與實踐中仍存在諸多問題，阻礙了學習干預精準化的進程。因此，分析學習干預難以精準實施的現實挑戰，在此基礎上構建人機智能協同的精準學習干預模型并明確其實現路向，顯得尤為重要。

二、學習干預面臨的挑戰

學習干預的生命周期大致可分為問題診斷、策略匹配、策略實施、效果驗證等四個環節，通過對學習干預相關研究的分析與對“智慧學伴”“智學網”“考拉閱讀”等典型智能學習平臺的調研發現，學習干預在上述四個環節均存在一定問題，阻礙了精準學習干預的實現。

（一）問題診斷：忽視對學習者全面客觀的剖析

在對學習者的問題進行診斷時，往往將學習者在學習過程中表現出的狀態或行為作為診斷依據，但由于學習者是復雜獨特的，不同學習者在表現出同樣的狀態時，其出現的問題可能不盡相同，因此，忽略對學習者本質特征與認知發展水平的分析會降低問題診斷的精準度。此外，學習者的認知風格、學習興趣、心理與情感狀態等特征具有多維性、復雜性的特點，而在當前的智能學習平臺中，對于這類學習者特征多是基于問卷、訪談等傳統方式進行測量分析，這些方法具有一定的主觀性，且并非適用于全部年齡段，而借助過程性數據、基于學習者模型進行科學表征的方法尚未全面在智能學習平臺中應用，制約了對學習者全面客觀的剖析[10]。

（二）策略匹配：難以挖掘表層之下的根源問題

在目前的理論研究與實踐應用中，多是針對發現的問題直接匹配干預，例如：通過診斷發現學習者績效欠佳，便匹配資源推薦、指導建議等提升績效的干預[9，11];發現學習者存在拖延問題，便采取進度可視化、彈窗提醒等方式杜絕拖延[12]。這種“頭痛醫頭、腳痛醫腳”的干預方式只關注到了學習者暴露出的表象問題，未明確其實際癥結所在。學習是一個復雜的過程，當學習者出現問題時，明確問題產生的根本原因才能“對癥下藥”。例如：分析顯示學習者出現了學習危機，這可能是由于知識內容難度超出了學習者的能力水平，抑或是學習者的注意力不夠集中;若是后者，則造成該現象的原因可能是學習者情緒不佳，也或許是學習材料的設計容易分散注意力。只有基于學習者的學習發生機制深入挖掘并準確診斷表象之下的根源問題，才能有的放矢地匹配干預，高效解決學習者存在的問題。

（三）策略實施：缺乏對干預策略屬性的精細設計

在實際應用中，干預策略的可選種類存在較大局限，分析模型及技術支持的限制使得許多干預策略僅停留在理論研究層面，在應用時只能選擇其他干預予以代替，制約了策略的精準實施。同時，學習干預多被認為是一種獨立實施的策略，即在發現問題、完成策略匹配后直接推送給學習者，并未對干預策略的具體屬性（如干預實施的對象、時機、強度、頻率等）進行考量與設計，這會在一定程度上影響干預實施的精準度。對于干預對象，學習平臺中多是針對學習者個體的個人干預，鮮有面向學習者整體的群體干預以及針對同質群體的小組干預[13];對于干預時機，多數干預策略在問題出現后立即實施，未給予學習者進行自我調節、深入思考的時間，容易造成學習者對干預的依賴，導致學習者在學習活動中的主體地位出現階梯式消解，從而弱化其自身的創新動力與自我調節學習能力[14];對于干預強度，多數智能學習平臺的假設是“學習成績不佳的學生更需要補習”[15]，即薄弱生往往會獲得強度更高、數量更多的干預措施，但薄弱生的學習進度本就落后于其他同伴，又需要花費更多時間與認知資源接受比他人更多的干預策略，難免會增加其學習焦慮，干預效果反而適得其反;對于干預頻率，針對不同程度問題的干預頻率應有所不同，且干預若過于頻繁同樣會增加學習者的認知負荷、學習焦慮或形成對系統干預的依賴[16]，而干預頻率過低則會影響干預的有效性。

（四）效果驗證：研究與實踐的證據支撐不足

在目前的研究與實踐中，干預策略實施后的效果驗證與優化大多被忽略。在實證研究中，研究者往往設計多種干預策略，在進行策略檢驗時僅分析干預策略實施后的整體效果，而未詳細分辨每一種策略的有效性，很容易得出“施加干預的實驗組的學習效果較對照組有顯著提升”這類常識性結論，研究結論難以證明干預策略匹配的準確性。同時，現有研究中涉及的實驗對象多限定在某門課程或某個班級中，且實驗對象人數較少，容易影響研究結論的科學性與可推廣性。另外，有研究提出，施加干預后學習者自覺壓力過大、情緒降低[17]，因此，干預實施后的相關連鎖反應與學習者接受度等同樣需被納入效果驗證，以確保干預的精準化實施。

三、人機智能協同的精準學習干預模型

通過分析學習干預面臨的挑戰可知，精準學習干預需要基于對學習者問題的準確診斷與解釋，從而實施最為適切的干預，而單純依靠人工智能或人類經驗均無法實現，因此，將人類智慧與機器智能有機融合方為實現精準學習干預的必由之路。

（一）人機智能協同理念

隨著人工智能的飛速發展，機器可以幫助人類更為科學理性地分析問題，并自動化、模塊化地解決問題[18]，這在極大程度上增強了人類決策的科學性。但人工智能僅適用于執行規則明確的、定義清晰的任務[19]，其缺少人類發現與解釋問題的能力以及人類特有的社會屬性與心理屬性[20]。故而在面向人類能力培養與靈魂塑造的教育領域中，機器無法完全替代人類;同樣，人類也難以達到機器處理問題的效率與精度。正如在學習干預中，機器善于廣泛收集學習者的數據，并通過學習分析技術對學習者進行全面深入的剖析診斷，為干預的選擇與實施提供目標，但機器智能無法發現并解決新問題，機器社會屬性和心理屬性的缺失也難以直接實施涉及人類情感、態度、價值觀等軟知識的干預與指導[21]，因此，機器實施的多為消息提醒、資源推薦、路徑規劃等個性化程度不高的淺層干預[12];人類教師則可以基于其教學經驗與人本特征，實施策略引導、歸因對話、任務設計等個性化、深層次的干預，教師的指導作用無法被機器替代，但由于教師精力有限，難以針對大規模學習者完成個體的問題診斷與干預實施。因此，獨立的人類或機器均不能實現兼具規模化、個性化、精確化的學習干預，唯有通過人機交互實現人類智能與機器智能的有機融合，即“人機智能協同”，達到人機優勢互補的新生態，構建人機智能協同的干預機制，最大限度地將機器智能高效計算、準確診斷、規模實施的優勢與人類智慧個性化、人性化的特征有機融合，才是實現精準學習干預的有效途徑[18]。

（二）人機智能協同的精準學習干預模型構建

基于人機智能協同理念，本研究構建了精準學習干預模型，如圖1所示。在伴隨式采集學習者多模態數據的基礎之上，采用人機智能協同的方式，進行學習問題的診斷與問題成因的溯源;根據診斷結果進行干預策略匹配;基于場景變化調整干預的實施對象與實施方式，完成干預策略實施;而后檢驗干預實施效果，進行干預策略修正。由此構成人機智能協同的精準學習干預的閉合回路。

1. 學習者多模態數據的伴隨式采集

多模態數據的獲取與采集是全面刻畫學習者、實現精準學習干預的基礎。保羅·布利施泰因（Paulo Blikstein）和馬可·沃斯利（Macro Worsley）在研究中將多模態學習分析劃分為文本分析、話語分析、筆跡分析、草圖分析、動作和手勢分析、情感狀態分析、神經生理標記分析、眼睛凝視分析、多模態整合和多模態界面分析等九個范疇[22]，結合學習者的性別、年齡、家庭背景等基本信息，可將多模態數據源分為以下四類：基礎數據，即學習者的個人基本信息、學習風格、學習基礎等數據，可通過表單或量表獲得，并采用區塊鏈技術將學習歷程數據進行全面梳理與規范化存儲;生理數據，即學習者的心率、腦波信號、皮膚電信號等神經生理數據，多通過可穿戴設備完成采集;視覺數據，即學習者的面部表情、身體姿態等數據，可通過攝像頭進行采集;行為數據，包含學習者的動作、筆跡、學習者之間對話等物理空間中的行為以及在線學習日志等線上學習行為等，可通過攝像頭、點陣筆等設備采集物理空間中的行為數據，并通過網絡學習空間采集線上學習行為數據。通過統一的數據標準體系，實現多源數據的共享與整合[10]。

2. 基于學習者畫像的學習問題診斷

精準診斷問題的前提是對學習者進行全面、準確、實時的刻畫，因此，構建學習者畫像是實現精準問題診斷的基礎。為了能為學習者提供個性化的適性服務，學習者的個體特征、個人表現、個人發展等應引起關注[23]，故而學習者畫像的構建可以從三個層面入手：屬性層，即學習者的個體特征，如年齡、性別、學習風格、學習興趣、學業基礎等，此類數據多為穩定的結構化數據，可基于表單或量表獲取相關數據，同時輔以實時監測數據進行更新;表現層，即學習者在學習過程中的實時表現，如知識點掌握情況、學習情緒、學習行為模式等，此類數據多為非結構化數據且處于動態變化狀態，主要基于學習者的多模態數據來挖掘、分析其學習狀況;愿景層，即學習者的個人發展愿景，如課程目標、個人發展目標等，此類數據同樣是可通過表單來獲得的結構化數據。基于屬性層的個人特質，以愿景層為目標，結合表現層的實時狀態數據，建立對應的問題診斷模型，便可判斷學習者當前存在的學習問題及問題程度。

在復雜的學習場景中，不同學習者遇到同一學習問題的成因不盡相同，且大多數問題也并非由單一原因導致，為了準確進行問題歸因，為精準策略匹配提供有效支持，構建能推理學習者問題成因的問題知識庫便成為必由之路。首先，以學習者畫像中的屬性層為依據，對學習者進行聚類;其次，基于學習者畫像明確其問題程度;最后，基于理論研究成果選擇可能導致該程度問題的主要成因，采用基于貝葉斯網絡的建模方法確定造成該問題的各個因素，并通過多元回歸分析實現各因素的影響程度判斷，從而形成問題知識庫（如圖2所示）。

明確相應問題的成因后，便可生成完整的問題實體表示。問題實體主要包含五個屬性，可表示為Q=<qn，qs，qt，qr，qc>，其中qn表示該問題的名稱，qs表示該問題隸屬的場景分類，qt表示該問題出現的時間，qr表示該問題的量化等級，qc則表示該問題的主要成因。為了保證問題診斷結果的可靠性和精準度，可在機器診斷的基礎上引入人的經驗進行決策，即機器完成問題診斷后，對診斷結果進行置信度評價，與人類專家預設的置信度閾值進行比較，若低于閾值，則將診斷結果反饋給教師或者專家進行協同診斷與反饋修正，同時將修正的結果反饋給機器進行新一輪的數據訓練與驗證。

3. 基于知識圖譜的干預策略匹配

實現精準策略匹配的前提是具備全面、完善的干預策略庫，可采用基于眾包技術的數據標注方法，綜合考慮干預策略特性與作用機制，對干預策略實體進行標注，從而形成干預策略庫。干預策略實體主要包含七個屬性，可表示為S=<sn，ss，sc，st，si，sf，sm>，其中，sn表示該策略的名稱，ss表示該策略隸屬的場景分類，sc表示該策略隸屬的策略類型（包含學情反映類、診斷提示類、建議引導類、學習內容類及社會支持類等五類），st表示該策略的實施時機，si表示該策略的實施強度，sf表示該策略的實施頻率，sm表示該策略的實施方式（包含人工干預、機器干預、人機協同干預三類）。基于此，明確問題與策略間的關聯關系，并基于深度強化學習進行融合，以形成“問題—策略”知識圖譜。

在形成知識圖譜后，可根據問題實體的各個屬性與學習者的個人屬性推理計算出對相應問題最具針對性、最適宜學習者的干預策略，以實現精準的干預策略匹配。將問題置于“問題—策略”知識圖譜中進行關系推理，得出與問題關聯的干預策略鏈集;結合學習者畫像進行匹配計算，篩選出與學習者個人特質關聯度最高的干預策略鏈，得出與學習者最為適配的最優策略鏈;同樣引入人機協同的決策方式，將置信度較低的策略鏈，反饋給教師或專家進行協同修正。

4. 基于場景匹配的干預策略實施

在真實的學習過程中，學習場景是動態變化的，因此，在明確最優干預策略后，干預的實施應隨場景的變化而不斷調整。首先要明確干預策略的實施對象，采用聚類分析方法對“策略匹配”環節生成的策略鏈進行聚類，劃分具有相同干預策略鏈的學習者群體，根據群體規模與場景需求判斷相應策略的實施對象，即采用個體干預、小組干預抑或群體干預的方式。例如，通過聚類分析發現班內大多數學生需接受學習策略調整的干預，教師便可調整其課程教學設計，從而選擇群體干預的方式完成干預。之后根據當前場景調整干預策略的實施時機、實施強度、實施頻率等實施條件，按照策略鏈順序依次完成干預策略實施。

5. 基于有限狀態機的干預效果驗證

建立干預效果的驗證與修正機制是實現精準學習干預的保障，可基于有限狀態機的思路判斷干預策略的實施效果，明確修正方法。有限狀態機是指擁有有限數量的狀態，每個狀態可以遷移到零個或多個狀態，通過查表法決定執行哪個狀態的遷移。依據有限狀態機的思路，將干預效果設定為顯著、一般、無效三種狀態，根據干預效果的狀態遷移明確相應的修正方法：若當前策略實施后干預效果達到顯著狀態，則跳出該策略鏈，返回“問題診斷”環節繼續監控學習者;若干預效果為一般狀態，則回溯至“策略實施”環節，調整當前策略的實施對象及實施條件，而后繼續實施該策略，直至干預效果變為顯著狀態或者無效狀態;若干預效果為無效狀態，則依序實施策略鏈中的下一個策略，若已到達策略鏈尾節點且干預效果依然處于無效狀態，則判定該策略鏈無效。

針對無效的干預策略鏈，可首先回溯至“策略匹配”環節，由教師和專家介入修正當前策略鏈，形成新的策略鏈并實施;若干預效果為顯著狀態，則將修正后的干預策略更新到“問題—策略”知識圖譜中，并返回“問題診斷”環節繼續監控學習者;若更新后該策略鏈依然無效，則回溯至“問題診斷”環節，對問題診斷模型進行參數修正，同時依據學習者的自我報告、專家與教師經驗修正問題成因判斷，更新學習者的問題實體屬性，之后根據更新后的問題重新匹配策略并實施，直至效果為顯著狀態，并將修正后的問題更新到“問題知識庫”中，返回“問題診斷”環節繼續監控學習者。

（三）人機智能協同的精準學習干預模型特點

上文已經提到，在目前的研究與應用中，“學習干預”多被視作學習過程中的單一環節，即是針對學習者出現的問題采取的一種解決措施。在如此觀念之下，干預形式的多樣化、干預效果的檢驗等都難以引起關注，干預措施實施后的精準度及有效性難以保證。人機智能協同的精準學習干預模型則是將學習干預視為完整的系統工程，采用系統觀的觀點看待干預，注重學習干預的整體性、結構性與動態性。

1. 整體性

系統的整體性體現為系統整體與部分、部分與部分、系統與環境相聯系的統一性與有機性，強調整體的作用大于部分之和。科學完整的學習干預應基于對學習者全面的數據收集，準確判斷問題并施加干預，干預后需對干預效果進行檢驗優化。人機智能協同的精準學習干預模型則是由干預問題診斷、干預策略匹配、干預策略實施、干預效果驗證等環節構成的閉環系統。各環節在干預系統整體中各司其職、缺一不可，共同作用才能確保準確的學習干預需求定位、策略匹配與效果檢驗，進而實現完整且精準的學習干預。

2. 結構性

系統的結構性是指系統中的各個組成要素相互聯系、相互制約。在精準學習干預模型中，發揮獨特功能的各個環節協調配合，共同完成學習干預。其中，學習者多模態數據收集是精準學習干預實施的前提，基于大數據精準剖析學習者才能明確其問題根源，并實施最適切有效的干預;干預策略匹配是精準學習干預實施的根本，在全面考慮各類干預形式的同時，干預的內容、時機、強度、頻率也應進行考量，最大限度地提升干預的精準度;干預效果驗證是精準學習干預實施的保障，依據實施后的檢驗效果判斷是否已解決問題，進而決定是否需要調整策略。

3. 動態性

系統的動態性強調通過要素、系統和環境三者之間的相互聯系和作用來不斷反饋、調節、控制和更新系統[24]。精準學習干預模型的動態性主要體現在兩點：其一，對學習者狀態的動態監測，持續關注學習者，基于其實時狀態調整干預各環節的進行，從學習者實際情況出發才是精準干預的可行之道;其二，“干預效果驗證”環節的反饋調節作用，每位學習者都有其獨特性，基于先前研究結論或實踐經驗得出的普遍有效的干預措施未必適用于每位學習者，因此，在實施干預措施后，應基于實施效果調節學習干預系統的其他環節，即結合問題解決的程度與學習者狀態判斷是應調節干預實施的時機、強度與頻率，還是更改干預策略的形式與內容，抑或重新進行問題診斷，明確問題診斷是否有誤。

四、精準學習干預的實現路向

為了確保人機智能的有效融合，實現人機智能協同的精準學習干預，真正推動學習干預走向精準化，未來在研究與實踐中仍需進一步探索。

（一）構建分析模型，準確表征問題

當前的智能學習平臺在對學習者進行問題診斷時，多是基于單維數據的分級判斷，或是對數據的簡要統計分析，缺乏面向不同學習者、不同場景的深度剖析，并未充分挖掘海量數據中的信息價值，從而難以對相應問題進行科學準確的等級量化，對生成問題實體造成了一定困難。因此，未來需關注“學習者問題是怎樣的”，首先應了解學習者的認知發展規律，可借助認知神經科學的方法與手段，在經典教育理論的基礎上深入剖析人的認知發展過程，并基于相關理論指導與研究成果選擇可恰當表征問題的特征，構建科學有效的學習分析模型，揭示數據背后隱藏的意義，準確判斷學習者出現的問題類型及等級，為后續干預策略的匹配與實施提供準確目標。

（二）追溯問題根源，助力策略匹配

準確的問題歸因是精準匹配干預策略的前提，目前對學習者問題的歸因多是基于訪談或問卷來完成，但由于不同場景中教育主客體、教學環境、教學內容、教學媒介之間的相互作用以及關系是不同的，僅通過訪談與問卷的形式歸因難以保證結論的科學性。因此，在未來的研究中應關注“學習是如何發生的”，即探析教與學的客觀規律，將研究從實驗室環境逐漸轉向真實的學習場景，并利用認知科學、神經科學、心理學、信息科學、復雜性科學等理論和方法多角度解析教學規律[2]，明確不同學習問題的成因，為面向不同場景、不同問題的學習干預策略精準匹配提供理論支持。

（三）探究干預機制，改進策略實施

由于干預策略的性質各有不同，其解決問題均有獨特的工作方式，但目前的相關研究并不多見。因此，未來研究中也應著重探析“干預策略是如何奏效的”，即明確干預策略的作用機制。例如，個性化提示策略雖可以有效引導學習者進行自我監控與自我反思，但若在學習者尚未取得任何進展時頻繁提示其查看學習結果，不但不能激起其學習動機，反而會造成焦慮，產生負向的干預效果[16]。此外，部分策略的干預效果并非立刻顯現，其具有滯后性，需充分考慮策略的起效時間。因此，在研究中應加強對干預策略作用機制的探究，以明確干預策略的最佳實施時機、強度與頻率。

（四）完善研究設計，明確干預效果

實證研究設計的局限性制約了研究結論的應用價值，因此，有關學習干預實證研究的研究設計應進一步予以完善，以明晰“干預效果是怎樣的”。其一，在研究思路方面，應著重探索每一種干預策略的具體應用效果，例如，對比不同干預措施的實施效果，明確每項干預措施的學習效果優化指向，并將學習者對干預措施的接受度、滿意度等納入效果驗證指標;其二，在研究方法上，為了明確解決某個問題的有效干預策略，應考慮采用可探究多個自變量與某因變量關系的方法，例如，采用多元線性回歸，挖掘可預測某種問題解決的干預策略最優組合，或采用結構方程模型，清晰分析單個干預策略與相應問題之間的關系;其三，在被試的選擇上，補充被試層次，將學齡前學習者、K12學習者、職業教育學習者等納入考量，同時擴大被試數量，以確保研究結論的科學性與說服力;其四，在研究周期上，將不同干預策略的起效時間作為研究設計的重要依據，根據干預策略的作用周期設定實驗時間，科學明確干預的實施效果。

五、結? ?語

智能教育的典型場景是精準教學與個性化學習，精準學習干預作為二者同頻共振的交匯點，是實現規模個性化人才培養、創新優質教育服務的重要途徑。隨著技術的發展，大數據、人工智能等信息技術的支持使得學習干預逐漸兼具個性化與全面性，但其依然難以達到精準化的標準。人工智能與人類智慧均有其“天花板”，將二者融合方為實現精準學習干預的可行路徑。未來研究者應關注人機智能協同理念，并基于人機智能協同的精準學習干預模型研發智能學習平臺，助力學習干預的精準施策。

[參考文獻]

[1] 新華社.習近平向國際人工智能與教育大會致賀信[EB/OL].（2019-05-16）[2021-10-20].http：//www.xinhuanet.com/politics/leaders/2019-05/16/c_1124502111.htm.

[2] 中共中央，國務院.中國教育現代化2035[EB/OL].（2019-02-23）[2021-10-27].http：//www.gov.cn/xinwen/2019-02/23/content_536 7987.htm.

[3] 鄭永和，王楊春曉，王一巖.智能時代的教育科學研究：內涵、邏輯框架與實踐進路[J].中國遠程教育，2021（6）：1-10，17，76.

[4] 中華新聞網.教育專家：中國教育的主要矛盾已發生轉變[EB/OL].（2017-11-15）[2021-10-20].http：//www.edu.cn/zhong_guo_jiao_ yu/zong_he/zong_he_news/201711/t20171115_1566602.shtml.

[5] 陳珊.促進問題解決的學習干預設計與應用研究[D].上海：華東師范大學，2014.

[6] 李彤彤，黃洛穎，鄒蕊，武法提.基于教育大數據的學習干預模型構建[J].中國電化教育，2016（6）：16-20.

[7] 周媛，韓彥鳳.混合學習活動中學習者學習投入的研究[J].電化教育研究，2018，39（11）：99-105.

[8] 胡航，李雅馨，曹一凡，趙秋華，郎啟娥.腦機交互促進學習有效發生的路徑及實驗研究——基于在線學習系統中的注意力干預分析[J].遠程教育雜志，2019，37（4）：54-63.

[9] 劉紅霞，趙蔚，李士平.學習分析視角下學習設計對大學生學業自我效能的影響研究——兼論學習設計與學習分析的一致性[J].現代遠距離教育，2017（5）：58-65.

[10] 晉欣泉，姜強，趙蔚.網絡學習空間中學業預警及干預研究：態勢、關鍵問題及創新應用[J].現代教育技術，2021，31（6）：79-87.

[11] 魏雪峰，崔光佐.小學數學學習困難學生“一對一”認知診斷與干預研究[J].電化教育研究，2016，37（2）：75-81.

[12] LONG P D， SIEMENS G. Penetrating the fog： analytics in learning and education[J]. Educause review， 2011，46（5）：31-40.

[13] 尤佳鑫，孫眾.云學習平臺大學生學業成績預測與干預研究[J].中國遠程教育，2016（9）：14-20，79.

[14] 李建中.人工智能時代的知識學習與創新教育的轉向[J].中國電化教育，2019，387（4）：10-16.

[15] 汪瓊，李文超.人工智能助力因材施教：實踐誤區與對策[J].現代遠程教育研究，2021，33（3）：12-17，43.

[16] 殷寶媛，武法提.學習習慣在線干預的原理與模型設計[J].電化教育研究，2019，40（12）：72-79.

[17] 張家華，鄒琴，祝智庭.學習分析視角下在線學習干預模型應用[J].現代遠程教育研究，2017（4）：88-96.

[18] 黃濤，龔眉潔，楊華利，王涵，張晨晨.人機協同支持的小學語文寫作教學研究[J].電化教育研究，2020，41（2）：108-114.

[19] 鄭勤華，熊潞穎，胡丹妮.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，2019，25（4）：10-17.

[20] 朱永海，劉慧，李云文，王麗.智能教育時代下人機協同智能層級結構及教師職業形態新圖景[J].電化教育研究，2019，40（1）：104-112，120.

[21] 趙勇.未來，我們如何做教師？[J].中國德育，2017（11）：48-51.

[22] BLIKSTEIN P M. Multimodal learning analytics and education data mining： using computational technologies to measure complex learning tasks[J]. Journal of learning analytics， 2016，3（2）：220-238.

[23] 彭紅超，祝智庭.人機協同決策支持的個性化適性學習策略探析[J].電化教育研究，2019，40（2）：12-20.

[24] 張卓民.辯證唯物主義系統觀初探[J].社會科學輯刊，1983（6）：32-39.