智能教材研究綜述

江 波杜 影顧美俊

（1. 華東師范大學教育學部 教育技術學系 上海數字化教育裝備工程技術研究中心，上海 200062；2. 義烏市稠州中學教育集團，浙江金華 322000）

教材作為國家意志、文化傳統和學科發展水平的集中體現（左群英等，2021），在教育教學乃至個人成長過程中發揮著重要作用。傳統紙質教材無法承載數字化教學所需的資源和功能，難以實現教學過程的有效閉環。近年來，教育和出版領域非常關注數字教材建設，以解決教育信息化的“最后一公里”問題。當前數字教材主要提供結構化呈現、多媒體交互、筆記、作業和管理等功能（陳桄等，2012），沒能充分采集、挖掘和利用教材使用過程中產生的細粒度數據，尚未真正實現智能化和個性化教學。教材是學習的起點和中心，是最重要的學習資源，如果能實現教材智能化，將會從起點助力個性化學習。這就亟需促進數字教材的智能化轉型，發展智能教材（intelligent textbooks）。

國外智能教材研究起步較早，涌現出一批各具特色的智能教材開發平臺，取得豐富的理論和實踐成果。國內智能教材研究尚處于起步階段，如張家軍等（2021）提出智慧化教材的理念，探究智慧化教材的價值邏輯及實現路徑；張治等（2021）闡述了智能型數字教材系統的核心理念和實現技術。鮮有研究對智能教材的概念界定、發展脈絡、關鍵技術和應用評估等做出系統綜述。2019 年6 月，第20屆國際人工智能教育大會專門舉辦第一屆智能教材工作坊，將智能教材確定為新的跨學科研究領域（AIED, 2019）。本研究結合國內外最新研究進展，嘗試分析智能教材的概念和特征、發展階段、典型開發平臺和應用實踐、關鍵技術，為國內智能教材的設計研發、推廣應用提供借鑒。

一、定義與發展歷程

（一）概念簡析

教材主要指以教科書為核心的所有教學材料，包括教輔、教參、教具、學具等。從發行主體看，教科書通常由教育主管部門統一發行，而教材可以由教研員和教師自行編制（胡畔等，2014）。智能教材是提供智能學習服務的數字教材，與之相關的概念包括數字教材、電子書包和智能導學系統。厘清智能教材與上述三者的區別與聯系，有助于理解和研究智能教材。

1. 智能教材與數字教材

基于實踐角度，陳桄等（2012）認為數字教材是“一種符合教育教學規律的教學資源包，其內容主體應包含課文、注釋、插圖（靜態和動態）、實驗、習題等，并在此基礎上整合多種輔助學習工具（如字典、計算器、筆記本、參考書）和一些多媒體學習材料”。莊科君等（2012）認為數字教材不再是紙質教材的簡單數字化，而是融入教學過程的多媒體材料，具有知識表達多媒體性、實時交互性和動態更新性的特征。智能教材是智能化的數字教材，是對數字教材功能的升級和轉型，為學生提供教材的智能學習服務。

2. 智能教材與電子書包

根據國家標準，電子書包是“一種整合了學習內容、學習終端、虛擬學具和學習服務的數字化教學或學習系統，為電子課本和其他數字化學習內容提供軟件和硬件應用環境”（全國信息技術標準化技術委員會，2019），包括個人作業練習、閱讀、筆記、注釋、測試等學習服務（馬曉玲等，2014）。可見，電子書包是一個軟硬件結合的服務整個學習過程的數字化學習系統。智能教材是為學生提供學習評價和學習規劃等智能學習服務的智能化學習系統。智能教材和電子書包本質上都是學習系統，都是通過技術手段優化和重組知識、資源與工具。智能教材未來可能是電子書包的核心模塊，也可能取代電子書包，輔助學生開展智慧學習。

3. 智能教材與智能導學系統

智能教材本質上是以教材為核心的智能導學系統（intelligent tutoring system，ITS） （Chau et al.,2021）。智能導學系統基于學生學習過程數據，利用人工智能算法，即時干預和調節學生學習。但教材是學生學習的核心工具和主要知識來源，教材的使用貫穿整個學習過程。智能教材結合以智能導學技術為主的人工智能技術，除采集教材中習題和測試產生的結果數據，還可以智能挖掘和分析由閱讀、筆記、實驗等產生的交互數據和內容數據，判斷學生的知識掌握水平，及時提供學習評價和學習規劃。

（二）智能教材的定義

關于智能教材，目前尚未形成統一的定義。國內部分學者嘗試從不同角度定義智慧化教材、智能型數字教材系統等概念。例如，張家軍等（2021）認為智慧化教材是“以智能技術為支撐，促進學生個性發展的教材”。張治等（2021）認為智能型數字教材系統是“以數字教材和智能學習平臺為支撐，以提升教學效率和個性化為目的，集成智能終端、數字化資源、教與學工具、學習社群、學習路徑規劃、教學策略實現等的組合系統”。其它的還有，智能教材是類似iPad、電腦、移動設備的知識探索工具（楊宗凱，2017），與云計算、無線技術等結合的智能終端（桑新民等，2012），以及協助師生開展智慧教學、智慧學習活動的智慧工具（朱景達等，2018）。國外雖較早開展智能教材研究，但仍沒有明確界定智能教材的內涵。有研究者（Wang et al., 2020）將智能教材概括為以電子格式呈現內容，集成人工智能可操縱的知識擴展常規教材，增強教材功能的自適應學習系統。還有研究者（Ritter et al., 2019）認為，與其把智能教材當成一本書，不如把它看作活動庫，以及向學生提供學習活動的智能推薦系統。本研究認為，智能教材是以深度交互、學習畫像和自適應為主要特征，為學生提供個性化學習、評價和規劃等服務的智能化數字教材。

（三）智能教材發展歷程

基于技術視角，智能教材的發展先后經歷了以智能鏈接為特征的初級階段、以人機交互為特征的中級階段和以自適應為特征的高級階段。

1. 初級階段：智能鏈接

20 世紀90 年代，第一部數字教材誕生于美國佛羅里達大學（William, 2011）。1996 年，美國卡內基梅隆大學開發了基于萬維網創作和提供電子教材的工具——互書（Interbook）（Brusilovsky et al.,1998），開啟了教材智能化進程。隨著萬維網和超媒體技術的發展，在使用超文本和Web 系統開發電子教材的過程中，作為基于維基百科的協作式電子教材創作平臺，維基百科全書（Wikibooks）使用人工智能技術自動創建教材概念與維基百科的智能 鏈 接（Bareiss ＆ Osgood, 1993；O’Shea et al.,2011）。

2. 中級階段：人機交互

隨著機器學習、人機交互與可視化技術的發展，智能教材的交互性逐漸增強，重點體現在開展交互式學習活動、智能問答和即時反饋的練習測試。計算機科學圈（Computer Science Circles）（Pritchard ＆ Vasiga, 2013） 、 符 石（ Runestone）（Ericson ＆ Miller, 2020）、交互式計算機科學及STEM 課程（zyBooks） （Liberatore ＆ Chapman, 2019）以及開放式數據結構和算法教程（OpenDSA）（Shaffer et al., 2011）等面向計算機學科的智能教材是這一階段的典型代表。同時，編程語言類課程本身就基于計算機，智能教材的出現可以實現“做中學”，無需切換特定的集成開發環境。早在2013 年，國際計算機科學學會便預測，計算機學科的紙質教材將被交互式教材所取代（Ericson, 2019）。例如，符石以富文本形式呈現編程知識，嵌入交互式練習、測試和智能化編程開發環境（Ericson ＆Miller, 2020）。該環境不僅可以編譯程序，還能可視化變量的動態變化過程。為推廣計算機學科的智能教材，開放式數據結構和算法教程制作了大量開源的交互式動畫編程及練習，創新教材的組織和表現形式（Mohammed et al., 2019）。在其他學科領域，斯坦福大學研發的“探究生物學”（Inquire Biology）結合知識表示、問答技術、自然語言生成技術，能夠識別學生的高亮內容，自動生成與之相關的問題，促進學生深度思考（Chaudhri et al., 2013）。

3. 高級階段：自適應

“定制以學生為中心的個性化課程”是美國電子教材開發的核心理念（孔令帥等，2020）。20世紀90 年代，布魯斯洛夫斯基等（Brusilovsky et al.,1996）開發出最早的基于網絡的智能導學系統——ELM-ART（后被認為是一種智能交互綜合教材），利用學習測評數據推測學生的知識狀態，這是學生畫像技術在智能教材領域的初步應用。后來，自適應組件學生模型、領域模型、教學模型等技術的加入，強化了智能教材的自適應性，可實現學習資源的智能推薦和學習路徑的智能規劃。這一階段，眾多典型的自適應教材創作平臺涌現，如彈性書（FlexBook）（Batterson ＆ Nugent., 2010）、智能書（SmartBook） （Mcgraw-Hill, 2017）、教材自動創建框架（BBookX） （Pursel et al., 2019）和愛閱讀（iRead）（Deligiannis et al., 2019）。2013 年，智能書推出世界上第一本自適應教材，為學生推薦合適的學習路徑，支持學習資源定制（Mcgraw-Hill, 2017）。2020年，移動概念教科書系統（Mobile Fact and Concept Textbook System，MoFaCTS）針對解剖生理學課程，自動創建完形填空輔助學生學習，以對話系統的形式自動反饋學生的提問，糾正學生概念性知識的錯誤（Pavlik et al., 2020）。現階段，智能教材研究集中于開發與完善教材的自適應特征。融合自適應學習技術的智能教材已成為數字教材的發展趨勢。

（四）典型創作平臺

近年來，商業組織、非營利組織和高校開發了許多代表性的智能教材創作平臺。本研究以時間為序進行梳理（見表一）。國外代表性智能教材平臺主要針對計算機編程、數學、科學、外語和閱讀學科，各平臺普遍以領域知識庫和構建學生模型為起點，提供認知診斷、動態評估、個性化學習策略推薦以及學習路徑規劃等智能學習服務。

二、智能教材的自適應模型

智能教材的本質是智能導學系統，能夠適應學生的知識、行為和心理等多維度特征（Boulanger ＆Kumar, 2019）。典型的智能導學系統包含領域模型、學生模型、教學模型和自適應引擎四個核心組件（Pelánek, 2017）。

（一）領域模型

智能教材領域模型主要由知識、技能、問題及其結構關系（先決關系、映射關系、層次關系等）組成，是教材的本體內容。作為課程教學、知識評估、干預優化的基礎，領域模型的設計至關重要。智能教材的領域模型既要符合課程標準，還要符合學習資源推送的粒度要求（Sottilare et al., 2016）。

表一 智能教材創作平臺

早期智能教材原型由學科領域專家預設知識點間的結構關系，建立可視化的概念圖和語義網絡（Eppler ＆ Burkhard, 2004），使用自適應導航技術提供知識點間的導航鏈接。但這種方法的可拓展性較弱，難以適用大規模網絡教育環境對領域知識的開放式需求。目前，智能教材的領域建模研究開始關注領域知識的自動表征和組織。采用的方法之一是完全基于教材內容本身，如目錄、知識點和文本內容，進行關系提取。常用的有基于文本詞袋（bag-of-words）的方法、基于章節標題的方法和基于潛在語義的方法。基于詞袋的教材文本內容相關性自動提取方法，通過計算文本中關鍵詞出現的頻次比較學習內容間的相似性（Huang et al., 2016），其局限在于無法表征和組織知識點間的語義關系。粗粒度的基于章節標題的方法和細粒度的基于潛在語義的方法能夠解決知識的自動表征問題。基于章節標題的方法將教材的章、節、塊標題直接作為知識點，但不支持深度知識的遷移，因為每篇文檔只映射到對應章節。基于潛在語義的方法使用隱含狄利克雷分布（latent dirichlet allocation，LDA）的主題建模（Blei et al., 2003）。LDA 是完全無監督的機器學習算法，依據一組潛在的主題開展聚類，支持教材知識點語義關系的表示和組織（Guerra et al., 2013）。相比于基于章節標題的方法，基于潛在語義的方法支持深度知識遷移，即通過建立潛在語義關系，不同文檔的相同知識點能夠產生關聯，兩個或者多個學習活動（問題、測試、練習等）與一個知識點（文檔、頁面）相聯系。另一類方法是利用知識圖譜技術構建領域知識、技能和問題間的對應關系，形成開放資源庫，表征領域內容的復雜網絡結構關系。知識圖譜本質為知識語義網絡，由實體、關系和知識構成。它結合學生模型，在多維語義關聯、知識導航、學習路徑推薦方面發揮重要作用（鐘卓等，2020）。例如，泰等（Tay et al., 2018）使用知識圖譜技術構建了數字教材知識點之間的連接和層次關系，實現了知識信息的智能檢索。拉赫達里等（Rahdari et al., 2020）借助知識圖譜連接維基百科資源、學生學習數據以及教材中的基本概念、問題、章節和模塊。李等（Li et al., 2019）提取了電路數字教材中的知識結構關系，實現知識導航。

當前，已有一些智能教材支持知識點之間、知識點與題目之間自動創建先決關系，允許查找每個知識點（題目）的前序和后序知識點（題目）。例如，互書（Interbook）使用先決關系提取等技術創建并注釋領域概念，將靜態數字教材轉變為自適應教材（Brusilovsky et al., 1998）。互語（Interlingua）為不同語言學生提供基于母語的學習材料，并自動識別教材的內部術語，通過生成鏈接的方式組織教材知識結構（Alpizar-Chacon ＆ Sosnovsky, 2019）。類似自動創建領域知識之間結構關系的研究還有不少，如拉布托夫等（Labutov et al., 2017）使用半監督算法自動識別數字教材中具有先決關系的知識點，帕薩拉夸等（Passalacqua et al., 2019）將可視化網絡圖用于數字教材先決關系的分析。此外，某些智能教材開發平臺支持創建有梯度的領域知識點，為每個知識點提供豐富的媒體形式，交互式計算機科學及STEM 課程能夠基于教材領域內容自動生成有梯度的學習問題，并針對問題提供交互式動畫演示教材中的概念、公式（Liberatore, 2017）。

（二）學生模型

學生模型是對學生學習過程和結果的評估和推斷，包含依賴于領域模型或獨立于領域模型的學生信息（Shute ＆ Towle, 2003）。前者對應學生的知識狀態，包括學生對知識點、規則和技能的掌握狀態；后者對應學生的認知狀態，包括認知能力、工作記憶容量、學習風格等個性化認知特征（Normadhi et al., 2019）。

1. 知識狀態模型

學生知識狀態指學生學習過程中形成的領域知識或技能水平。需指出的是，學生學習過程中的知識掌握是動態的，不能使用教育測量的認知診斷方法進行建模。知識追蹤使用機器學習技術，基于學生問題解決和問答數據推斷學生的知識狀態（張暖等，2021）。黃等（Huang et al., 2016）基于隱馬爾可夫模型，以學生數字教材的閱讀時間為觀測變量，以是否已經學習某個知識點為隱藏變量，對知識狀態模型進行訓練、預測和更新。為了排除學生注意力和動機的主觀影響，該模型有嚴格的假設：學生閱讀教材的速度和知識狀態掌握程度正相關。但此假設在某些條件下并不成立。塔克爾等（Thaker et al., 2018）在閱讀圈（Reading Circle）應用能融合任意學習者特征的知識追蹤技術，解決閱讀行為數據存在噪音、個體閱讀能力和動機差異對結果干擾等問題。網際書（CyberBook）應用知識追蹤技術計算學生正確回答認知導師下一個形成性評估問題的可能性（Matsuda ＆ Shimmei, 2019）。還有研究基于成績因子模型（performance factor analysis，PFA） （Thaker et al., 2019a），增補了學生閱讀機會和閱讀速度兩個因子，提高知識狀態預測的正確率（Thaker et al., 2019b）。

2. 學習行為模型

學生學習行為建模指對學生與學習平臺的交互行為數據進行追蹤、分析和評估。數字教材作為新型數據采集平臺，可以采集、存儲、同步和共享學生閱讀數字教材的交互行為（如添加下劃線、高亮顯示、備忘錄、書簽、前后翻頁等）數據。部分研究者將數字教材的閱讀行為分為閱讀時間、閱讀頁數、添加標記、做筆記等顯性學習行為，以及反思、回看、課程預習等隱性學習行為，并使用聚類算法分析學生閱讀數字教材的多維度數據，據此將學生分組開展差異化教學（Yin et al., 2015; Yin ＆Hwang., 2018; Yin et al., 2019a; Yin et al., 2019b）。還有研究者應用滯后序列分析挖掘數字教材閱讀行為轉換關系，通過系列行為序列分析矩陣計算，確定學生的行為模式和學習策略（Yin et al., 2017;Yin ＆ Hwang, 2018）。金等（Kim et al., 2020）發現學生在數字教材上的高亮顯示注釋行為可以反映學生的理解和記憶能力，這可用于指導數字教材的個性化內容設計，即根據高亮顯示的相似性將學生分組，設計自適應規則，提供合適的學習內容。毛利等（Mouri et al., 2019）使用非負矩陣分解算法發現，學生理解水平與閱讀數字教材的瀏覽行為模式相關。大久保等（Okubo et al., 2017）收集學生數字教材學習行為日志，借助知識圖譜的狀態轉換圖為有輟學可能的學生提供學業預警。此外，學生在數字教材交互環境和協作學習過程中的共享注釋、社會導航和同伴比較也受到研究者關注（Brusilovsky et al., 2009; Barria-Pineda et al., 2019）。

3. 心理特征模型

學生心理特征建模通過了解學生的認知、情緒和個性等，解釋學習行為，從更內隱的角度衡量學生知識狀態水平，是學生建模的新研究方向。學生的認知特征包括學習風格、態度、動機、工作記憶容量等，指學生使用歸納、推理等認知加工技能和策略選擇并獲取知識時表現出來的特點（Normadhi et al., 2019）。在智能教材開發技術中，認知診斷技術結合認知科學和心理測量學，通過將學生不易觀察的認知能力轉換為可觀察的測試結果數據，評估和診斷學習問題出現的源頭及學生的認知能力（Sottilare et al., 2016）。例如， 智能交互綜合教材結合了基于案例和規則的模型設計方法診斷學生在編程學習環境中的認知變化，透視學生學習編程的過程（Weber ＆ Brusilovsky, 2016）。賴利安等（Railean, 2010）設計了細分數字教材內容的講授式模型，診斷學生的認知結構。除了認知診斷技術外，個性化推薦技術以學生檔案數據（學習興趣、學習動機、學習偏好等）為中心，查找改善學習過程最佳的學習路徑，提供個性化學習材料和自適應系統交互界面。例如，倫古等（Lungu et al., 2018）基于學生對外語數字教材學習內容的偏好，推薦他們感興趣的外語詞匯、新聞和博客。

心理學研究發現，學生的心理特征影響知識狀態和學習行為，對學習過程和結果會產生積極或消極影響。目前，學生情感特征數據主要分三類：面部表情圖像、文本信息和生理信號（江波等，2018）。學生學習過程中的不同面部特征，代表困惑、投入、沮喪等情緒。現有的面部特征編碼系統能夠識別學生情緒，為情緒建模提供啟發。林等（Lin et al.,2017）使用面部識別技術和基于Kinect 傳感器的情感傳感技術檢測學生面部表情和情感，增強學生與數字教材的互動。文本分析技術、心理測量學和可穿戴智能設備等可用于分析數字教材中反映學生情感的詞語，測量學生閱讀數字教材的生理和心理指標，引領數字教材走向智能化。

（三）教學模型

智能教材的第三個重要組成部分是教學模型，它有兩個設計目標。首先，在項目式教學、九段式教學、協作式教學、講授式教學等指導下的教學模型，能根據學生模型的知識和技能特征，評估和診斷其與專家構建的領域模型之間的差距，明確知識點問題產生的源頭，確定學生接下來需要學習的知識點（Boulanger ＆Kumar, 2019）。同時，教學模型還能根據學生模型的認知能力、學習風格和個性特征等檔案數據，確定學習資源呈現方式，即針對不同類別的學生，呈現不同形式的學習對象。蔡等（Choi et al., 2011）借助學習通用設計（universal design for learning，UDL）原理，設計了典型的數字教材教學模型案例，將學生英語學習過程分為知識理解和知識表達兩類，每類學習活動包括知識、技能、情感三個維度，修復了學生模型與領域模型之間的差距，為不同類別的學生提供不同形式的媒體資源。其次，按學生模型劃分的不同知識狀態、學習行為和心理特征的學生，教學模型需要為每類學生制定適合的教學規則、組織學習材料并提供不同的教學策略和評價方法。舒特和托爾（Shute ＆Towle, 2003）在設計自適應學習平臺設計時提到，不同知識類型需要不同的教學和評估策略，比如對于陳述性知識，采用直接的、說教式教學策略介紹定義和公式法則，要求學生達到知道和了解的程度；對于程序性知識，更多采用實驗、練習策略以提高問題解決的技能和方法，要求學生能夠達到理解和應用的水平；對于概念圖式知識，采用類比或案例學習教學策略，要求學生具備分析、評價和創造的能力。

現有的智能教材開發平臺為教學模型的設計提供了技術支撐。比如，開放式數據結構和算法教程（OpenDSA）支持教師和研究者創建不同難度的知識點模塊，自動評估學生問題回答、記錄完成練習的時間和統計成績數據，從而確定下一步學習的知識點模塊。穆罕默德等（Mohammed et al., 2019）在程序教學法原則的指導下，借助開放式數據結構和算法教程構建了面向計算機科學課程的數字教材。愛閱讀為不同閱讀技能水平的學生制定不同的自適應規則，為學生提供個性化語言學習內容和學習活動，包括詞匯、語句和游戲。德利吉安尼斯等（Deligiannis et al., 2019）基于愛閱讀對學生檔案數據和閱讀歷史構建個性化交互式教材，便于教師開展適合不同學生的教學。互語能夠自動識別教材的內部術語，在知識點之間生成鏈接，依據學生檔案數據以及學生與知識點的交互數據提供和學生母語相關的閱讀材料，幫助教師實現教學內容的個性化設計（Alpizar-Chacon ＆ Sosnovsky, 2019）。

學生建模技術常被用來支持教學模型設計，常用的有貝葉斯知識追蹤技術（Mislevy et al., 2013）和響應式教學的學生建模方法（student modeling approach for responsive tutoring， SMART） （ Shute,1995）。后者已被用于教學系統設計，通過將低難度的知識分為基本知識、程序性知識、概念圖式知識，開展教學、評估和糾正，一方面適應學生的知識和技能，另一方面適應學生的認知能力、學習風格、工作記憶容量等個性特征。目前這兩類技術已成功應用于智能導學系統。智能教材的本質是智能導學系統，這兩類技術在智能教材中的應用也是未來的研究方向。

綜上所述，更加自動化的領域建模技術是智能教材領域建模亟待突破的關鍵技術之一。同時，基于多模態學習數據，構建能夠反映知識—情感—認知等全維度特征的學生模型，是智能教材中學生建模的未來發展趨勢。已有大量研究關注領域模型和學生模型，但教學模型研究相對較少。此外，自動評估、關鍵術語識別以及個性化推薦等側重于數據驅動的機器智能，提供答疑、討論、策略啟發、支架引導、情感和動機識別等基于教學理論和方法的提示信息則是教師擅長的人類智能。如何結合機器和教師的優點，探索人機協同教學，對教學模型的發展具有重要價值。

三、應用與評估

隨著智能教材的應用，國內外研究者已開展相關實證研究，評估智能教材的教學效果。智能教材豐富了學生的閱讀和學習體驗。例如，閱讀鏡提升了學生學習的專注度和閱讀教材的參與度（Barria-Pineda et al., 2019）， 教材自動創建框架的智能推薦引擎輔助學習者進一步掌握學科相關的主題和概念（Pursel et al., 2019）。面向計算機科學領域的智能教材蘊含巨大潛力。例如，符石提高了學生編程的質量和效率（Ericson, 2019），其交互組件有助于學生掌握計算機科學課程的學科概念（Miller ＆Ranum, 2012）。面向教師設計的智能教材，豐富了教師的專業知識和教學信心（Ericson, 2019）。此外，智能教材普遍提高了學生的學習成績。例如，探究生物學顯著提高了學生家庭作業及課后測驗的成績（Chaudhri et al., 2013），智能交互綜合教材顯著提高了編程基礎薄弱者的成績（Weber ＆ Brusilovsky,2001）。相比于靜態的編程教材，智能教材提高了學生的學習動機及學習效果（Pollari-Malmi et al.,2017）。但是，并非所有智能教材的應用都能取得預期的效果。例如，基于PASTEL 組件的數學智能教材，未對學生的學習成績產生顯著的影響，具體原因有待進一步探究（Matsuda ＆ Shimmei, 2019）。

目前，絕大部分學生對智能教材評價較高，預示著智能教材應用前景廣闊。調查表明，師生對智能教材有較高的主觀滿意度（Weber ＆ Brusilovsky,2001）。盡管靜態PDF 格式的教材與智能教材的文本內容幾乎相同，但具有自主選擇權的學生更偏向智能教材（Pollari-Malmi et al., 2017）。在針對混合智能教材Tobbits 開展的調查中，半數以上的被調查者認可該教材的實用性，部分使用者還自發推廣該教材（Feng et al., 2019）。此外，大部分學生認為，相比傳統紙質教材，智能教材有更強的趣味性和有用性（Pursel et al., 2019）。

四、智能教材的核心特征

本研究認為，智能教材是以深度交互、學習畫像和自適應為主要特征，為學生提供個性化學習、評價和規劃等學習服務的智能化數字教材。在交互性方面，現有數字教材僅提供筆記、標注、答題、播放等弱交互功能，智能教材能提供智能答疑、協作學習、即時反饋、實踐操作（如虛擬仿真實驗和編程實踐）等深度交互功能。在學生畫像方面，現有數字教材僅能實現對學生作業和測試的評價，而智能教材可以采集和分析學生與教材交互產生的細粒度學習行為數據（如閱讀、練習、操作等），利用人工智能算法進行學習畫像。在自適應方面，現有數字教材因缺少學生畫像而無法實現自適應學習，智能教材可基于學習畫像提供個性化學習服務，如個性化學習資源推薦和學習路徑規劃。對于智能教材，深度交互、學習畫像、自適應缺一不可。深度交互是建立學生精準學習畫像的前提，學習畫像又是自適應的必備條件。智能教材提供的深度交互功能可產生大量能夠反映學生真實學習狀態的學習過程數據，通過自動采集、深度挖掘和精準分析此類數據，支撐算法模型識別學生對教材內容的理解水平和知識水平，構建符合學生最近發展區的學習支架（Boulanger ＆ Kumar, 2019），推薦符合學生認知特征和能力水平的學習資源。

（一）深度交互

智能教材的深度交互主要體現在智能問答、即時反饋的互動練習以及集成虛擬實驗環境等方面。首先，根據預訓練自然語言知識庫、學科知識庫和教材內容（Gunning et al., 2011），通過理解、綜合和推理，結合知識表示、問答技術和自然語言生成技術，智能教材能在特定范圍回答學生的問題并生成推薦的問題供學生選擇（Chaudhri et al., 2013）。其次，智能教材提供即時反饋的互動練習。例如，面向計算機與編程學科開發的智能教材可供直接運行、編輯和修改代碼（Ericson, 2019）。智能教材還可以利用自動化評分技術對代碼進行評分并提出修改建議，大大節省教師的工作量。結合具體學科需求，智能教材集成虛擬仿真實驗環境和虛擬學具，支持學生隨時隨地開展科學實驗等探究活動。例如，化學教材中可直接嵌入大量不便于實體操作的化學實驗，并結合情景化技術，在教材中構建虛擬仿真實驗系統。最后，智能教材可記錄學生與教材的所有交互數據，分析學生的高亮、畫線、注釋、筆記等操作，自動提取其中蘊含的知識本體或概念，判斷學生知識掌握水平，推薦相應學習支架或輔助學習資源。此外，智能教材也能夠基于學生的注釋和翻頁行為，不斷完善教材（Boulanger ＆ Kumar,2019），如基于頻繁出現的翻頁模式，構建不同頁面的直接聯系，為學生提供自動翻頁服務。

（二）學習畫像

智能教材借助學習分析技術和人工智能算法，根據學生細粒度的學習交互數據，生成學生的知識、行為、情感和認知等維度的學習畫像（Boulanger ＆Kumar, 2019）。例如，智能教材可動態可視化個人的閱讀進度，并與他人對比，把握學生的教材使用情況（Barria-Pineda et al., 2019）。隨著教材交互數據、筆記數據、測試數據的積累和分析，智能教材能夠判斷學生的知識掌握水平，預測學生的學習結果，并根據預測結果推薦學習資源。它也可通過分析教材使用過程中產生的細粒度操作數據，構建學生情感特征和行為特征的評估模型（Normadhi et al., 2019），以解讀學習表現背后的深層次原因。同時，智能教材可根據學生在學習過程中的興趣、情緒和態度的改變，判斷不良的學習態度、傾向和行為，并發出預警。現階段學生的學習畫像基于教室場景或在線場景，信息采集不太全面，智能教材可突破學習場景的界限，貫穿學習全過程，能積累多場景、多維度、多模態、高質量、細粒度的學習過程數據，生成更全面、客觀、有深度的學習畫像。

（三）自適應

自適應是智能教材的核心特征，也是區別于傳統數字教材的主要功能。基于深度交互產生的數據、學習畫像生成的學生特征，智能教材可推薦個性化學習資源和規劃學習路徑。智能教材可根據學習畫像，將學習內容、學習支架、學習資源以符合學生自身知識、情感和認知特點的形式呈現。在學習過程中，智能教材可根據學生的閱讀行為判斷學生對當前內容的理解水平，智能推薦學習支架，提供學習規劃。例如，智能教材可收集學生在每個頁面的回看行為，記錄每人的回跳頁面，再基于知識圖譜建立內容之間的關聯。當其他學生閱讀該頁面時，智能教材可通過自動化即時提問的方式促進其對學習內容的反思，或提供自動化翻頁提示等服務。在學習結束后，智能教材可分析學生的學習日志，結合學生畫像，生成個性化學習評價和反饋，并基于人工智能算法推薦外部學習資源。智能教材還可根據學生偏好、學習風格以及期望的學習結果，構建個性化教材知識庫。

五、結論與討論

從電子教材到智能教材的轉化，不僅體現了教材形態從數字化到智能化的新發展，也為電子教材和智能教育注入新的活力。現階段智能教材開發和應用有待破解以下困境：

（一）接受度不高

以電子書包、電子教材為主的電子學習資源已進入課堂。但無論是電子書包還是電子教材，在試驗或應用的過程中都面臨很多爭議和問題（蔣建梅，2015; 童慧等，2016），主要集中在以視力下降為代表的健康問題，以網絡成癮為代表的心理問題，以推廣成本、版權保護為代表的社會問題（Alpizar-Chacon ＆ Sosnovsky, 2019），以及大眾對電子學習資源能否有效提高學習的疑慮等。這些問題都可能阻礙智能教材的應用與發展。

（二）開發難度大

除了由教育主管部門開發教材，教師或其他研究者也可以自主開發教材。但無論開發主體是誰，智能教材創建面臨的最核心困難是教材知識組件的提取、解題路徑的設置、教學支架的設計以及知識圖譜的構建。雖然有研究者設計開發了自動概念提取技術（Thaker et al., 2019a），但還未得到足夠的理論驗證和實踐經驗支持。因此，目前這一過程主要依靠課程設計者或課程專家手動構建，效率較低，嚴重阻礙了智能教材的大規模開發和推廣（Alpizar-Chacon et al., 2020）。

（三）缺乏政策保障及統一的規范標準

智能教材的開發依賴高校和商業組織的合作，應用實踐也多以教材開發者自發或小規模試驗為主，政府尚未出臺支持政策。開發平臺之間缺乏統一的數據標準和開發規范，也是一大問題。

（四）技術阻礙

目前智能教材的設計與開發依賴自適應學習技術，領域模型面臨模型的遷移能力和泛化能力兩大挑戰（李晶晶等，2021）。由于認知診斷、情感計算、場景感知等技術的發展相對緩慢，學生模型的構建缺少有力的技術支持（黃濤等，2020），對學生情感支持的研究也有待加強（董曉輝等，2017）。