數據驅動的教育智能計算（下）

隨著信息技術對教育的深度賦能，教育信息化正在進入一個全新的階段——教育信息化的下半場。如何在信息化時代打造一個全新的教育模式，助力教育教學發展，是整個行業需要思考的問題。華中師范大學教授劉三ya從教育技術革新的背景、教育的可計算性、智能時代教育的基本任務和發展前沿四個角度，解讀了信息技術環境下如何實現技術與教育的深度融合。

四、數據驅動下的新范式

無論是從教育實踐的角度，還是從教育研究的角度來說，在教育數據不斷累積的過程中，數據驅動下的新范式——數據密集型研究范式誕生了。

圖靈獎得主吉姆·格雷在2007年加州山景城召開的NRC-CSTB（National Research Council-Computer Science and Telecommuni-

cations Board）大會上，發表了留給世人的最后一次演講“The Fourth Paradigm： Data-Intensive Scientific Discovery”，提出科學研究的第四類范式。其中的“數據密集型”就是現在我們所說的“大數據”。同時，吉姆·格雷還總結出科學研究的范式共有四個：幾千年前，是經驗科學，主要用來描述自然現象;幾百年前，是理論科學，主要使用模型或歸納法進行科學研究;幾十年前，是計算科學，主要模擬復雜的現象;今天，是數據探索，統一于理論、實驗和模擬。它的主要特征是：數據依靠信息設備收集或模擬產生，依靠軟件處理，用計算機進行存儲，使用專用的數據管理和統計軟件進行分析。

我們現在所需要的數據驅動下的新范式不僅僅是基于數據的實證研究與科學發現，還要實現基于數據的決策支持與教育實踐革命，更要深刻改變思維方式和教育要素互動模式，促進教育創新。

由于數據在不斷累積，數據的驅動力在不斷加強，對數據的計算能力也在不斷提高。教育行業的可計算性與通常意義上的數字化不太一樣，它來源于教育新模式誕生和落地的需要，來源于數據不斷地搜集、采集和累積的基礎，以及新型研究范式和實踐范式的推動。

教育的可計算性既是一個復雜的哲學命題，也是處于計算型社會的教育系統創新與變革必須要正視的重大現實課題，值得我們進一步深入探討。但我個人認為，在教育信息化的下半場，在新一代信息技術的助力下，教育的可計算性變成了一個非常突出的問題，也是決定我們如何將教育與技術進行深度融合的關鍵點。

智能時代教育的基本任務

如果說教育變得可計算，那么它的基本任務是什么？

一、教育的千年夢想

教育教學追求的目標是有教無類（規模化）、因材施教（個性化），二者的有機統一是今后一段時間內教育科學研究與實踐的主要目標，也就是要實現教育的公平均衡問題，實現個性化教育。

美國心理學家、教育家本杰明·布魯姆通過實驗研究提出了Two-sigma問題：基于“掌握式學習”的1對1個性化輔導比傳統課堂教學平均成績提升2個標準差。從實驗結論來看，個性化的教學效果是顯著的、不容懷疑的，同時也是無法回避、必須要解決的。到底如何實現規模化教學和個性化教學的統一，在規模化教學下兼顧個性化學習，就變成了教育研究層面的一個非常重要且急需解決的問題。解決這個問題能夠極大提高我們對人才的培養和社會的需要。毫無疑問，在當前情況下我們需要借助技術的力量來破解這個問題。

二、需要解決的問題

從可計算的角度來看，數據驅動下的教育需要解決三個方面的問題：學習主體可理解、學習服務可定制、教育情境可感知。

利用信息技術構建新的教育環境，讓教育教學的環境變得可感知、可理解，在感知的基礎上讓學生充分理解，然后在學生能夠感知和理解的基礎上提供可定制的個性化學習服務。將這三個基本任務落實到現實教學場景中，可以很好地助力在規模化教育中培養個性化人才。

三、主要著力點

從具體實例、研究層面來看，以人工智能為例，它助力教育基本體現在四個著力點上：場景、感知、理解、服務。

1.場景——虛實結合、人技協同

無論是線上線下教學的融合，還是VR/AR的技術運用，以人工智能為代表的信息技術運用到教育行業，最重要的目的是打造新型教育教學環境。但是需要注意的是，信息技術在教育行業的運用與其他行業最大的不同是人的參與，教師不可能完全被替代。此外，利用人工智能是為了提高教育教學的質量，而不是為了將人工智能打造成像人一樣智能。這個關鍵在于如何實現人的智能和機器智能一體化。

2.感知——量化學習過程（非入侵式感知與隱形狀態的深度捕獲）

如何利用智能技術去感知社會、場景，尤其是場景中的學習主體，去感知他們的行為和狀態，從而讓教師更好地判斷學生學情、讓學生更好地認清自己，這是理解學生很重要的前提。

3.理解——數據驅動的學習機理計算

在感知的基礎上，我們還要不斷嘗試解決在數據驅動的學習過程中的機理計算問題，解決怎樣利用大量的數據累積來揭示學習是如何發生的、學習過程中到底發生了什么等問題。

4.服務——算法定義學習

打造一個合適的場景并進行綜合建模與分析，實現算法定義學習。在這個場景中，可以給學生提供個性化診斷分析、個性化知識供給、學習路徑的規劃和適應性能力的培養，從而幫助教師和學生兼顧規模化學習和個性化學習。

我預感，隨著數據驅動的密集型教育科學研究與實踐的不斷深入，計算教育學正在萌芽。

智能時代教育的發展前沿

一、人工智能賦能教育的三個層次

人工智能賦能教育可以分為三個層次：智能增強、智能補償、智能替代。

智能增強是指以前人為可以做到的，機器可以幫忙做得更好;智能補償是指以前人為無法做到的，機器可以幫助完成，比如教師在規模化授課時不可能兼顧到每一個學生，但機器可以幫助教師分析學生的情況，讓教師及時清晰地了解到每一個學生的情況;智能替代是指機器在某些環節替代人類發揮作用，比如在一個在線學習論壇中安排機器助手來代替教師回答學生的問題。

這三個層次在不同環節、不同階段可以完成不同的工作，但需注意的是，智能替代不存在替代教師的情況，只是替代教師在某一環節完成特定的任務，雖然在某些方面可能會比教師做得更好，但是機器不可能完全代替教師在教育教學過程中的核心作用。

二、發展前沿

針對人工智能賦能教育的三個層次，教育智能計算目前發展的重點主要體現在以下三個方面。

1.感知與理解

對現有的教育教學進行感知與理解，最重要的是如何進行智能感知與計算、學習認知機理。如果這些問題得不到解決，我們所談論的其他問題都會變得虛無。

2.解構與賦能

要想進行智能增強、智能補償、智能替代，就必須要對傳統的教育教學進行解構，同時對其他相關環節進行賦能，這個環節就會涉及對群體的智能調控和對個體的個性化智能導學。

3.重構與增強

要想實現人機共融就必須重構教育教學的過程，同時要提升教育教學的質量。

需要注意的是，在這三個層次發展過程中，我們要始終把教育倫理放在一個核心位置上加以約束。

三、具體實踐

1.智能感知與計算

智能感知與計算主要分為行為狀態感知、生理狀態感知和心理狀態感知三個方面。行為狀態感知可以分為多空間數據感知、行為特征融合和行為狀態識別;生理狀態感知可以分為生理數據感知、生理數據融合和生理狀態識別;心理狀態感知可以分為多模態數據感知和心理狀態識別。

2.學習認知機理

學習認知機理需要達成認知過程可解釋、認知模型可解釋這兩個目標，這也是人工智能賦能教育的很重要的使命。

3.個性化智能導學

新的教學模式下，個性化智能導學如何更好地服務于我們的教與學涉及很多的關鍵技術，值得我們關注，包括對認知診斷模型的構建、對知識追蹤算法的改進和對智能資源推薦算法的完善等。

4.群體智能調控

“群體智能”一詞最早在1989年由Gerardo和Jing Wang針對電腦屏幕上細胞機器人的自組織現象所提出。早期，大部分學者將其定義為具有分布控制、去中心化特點的自組織智能行為。它是智能形態高級的表現方式之一。如今，其作為我國新一代人工智能重點發展的五大智能形態之一，在推動我國新一代人工智能技術發展中占據重要地位。

學習是一個社會性活動、群體性活動，因此要注意對群體知識構建過程的感知，對群體知識演化的智能調控，對群體智慧與高階思維涌現的機理發現。

5.教育倫理

智能教育中的倫理問題涉及數據安全、技術異化、隱私保護等多個方面，在處理數據、技術與人的相互關系時應遵循“有用”“無害”的倫理訴求，充分發揮數據和技術的育人價值。

教育倫理最重要的是要做到不讓技術異化，要讓技術更好地服務人的發展，呈現一個良性的循環發展。從計算的角度來說，需要思考新型人技環境下教育倫理的數理機制，不能簡簡單單靠原則和條文來約束教師，而應該從最基礎層面去控制、約束技術應該發揮什么作用，不能發揮什么作用，以及出現異化時及時給教師或學生提供預警，這才是我們追求的數理機制。有了這樣的數理機制，我們就能夠將其嵌入到技術的所有環節中去，讓技術更好地為教育服務。

綜上所述，真正的技術與教育的深度融合、教育的顛覆性變革將很大程度上取決于教育計算理論與方法的突破。智能教育的創新也并非一個智能技術在教育教學中的單點突破問題，而是一項需要從基礎設施建設、共性技術突破、倫理規范完善等方面進行多學科交叉、多主體協同的系統性工程。我個人認為，只有這二者有所突破，才能真正促進技術和教育的深度融合，做到我中有你，你中有我。

（本文根據2021年粵港澳臺人工智能教育論壇專家報告整理，有刪節）