教育研究中的計算驅動手段探究*

朱雨萌 鈄蘭朵 許馨宸 吳 飛

教育研究中的計算驅動手段探究*

朱雨萌1鈄蘭朵2許馨宸3吳 飛4[通訊作者]

（1．浙江大學 教育學院，浙江杭州 310058；2．浙江大學 竺可楨學院，浙江杭州 310058；3．浙江工業大學 計算機學院，浙江杭州 310014；4．浙江大學 計算機學院，浙江杭州 310023）

近年來，人工智能和網絡通訊等技術的發展使高效分析和理解教育教學過程中涌現的海量數據成為可能。由此，研究數據驅動機器學習模式下有效的計算模型和手段，從數據中洞悉教育教學中客觀規律和模式，成為教育研究的熱點之一。為此，文章首先回顧了教育研究所屬范疇的歷史變化過程；然后，文章圍繞教育作為自然科學研究對象所具有的以實證經驗為基礎、以量化計算為手段的特點，介紹了教育過程復雜性建模、教育效果由果溯因評測以及教育實驗隨機對照分析三個問題中的若干計算手段；最后，文章根據現有人工智能模型解釋性不強這一局限性難以更好促進教育研究進展現狀，指出數據和知識雙輪驅動、閉環反饋回路、隨機對照實驗前提假設等是教育研究技術手段今后發展的趨勢，以期建立解釋性更強教育研究理論和方法。

人工智能；數據驅動；反饋回路；可解釋

一 教育研究所屬范疇的歷史變化

在人類文明發展歷程中，對教育研究范疇的定位經歷了曲折的發展過程。1605年，Bacon[1]出版了《學術的進展》（）這一著作，雄心勃勃地繪制了“人類知識全貌”（The General Distribution of Human Knowledge）樹狀圖，嘗試對其所處時代人類知識進行分類和規范化，其根據記憶、想象、理性三種人類能力將人類總體知識劃分為歷史、詩歌和哲學三個不同領域，其中歷史學被歸屬于記憶范疇、詩和藝術被歸屬為想象范疇、哲學則被歸屬為理性范疇。Bacon對人類知識的分類成為近代科學分類的先導。在Bacon給出的這一人類知識體系圖中，哲學包括了自然神學、自然哲學和人類哲學三個大類。其中，在人類哲學這一類別中，出現了閱讀校勘（The Art of Criticism）和學校學習（School of Learning）兩個領域，用來表示教育中傳播和學習人類文明成果的兩種不同手段。從此，教育從哲學知識體系中分解出來，成為一門專門的科學。更為重要的是，與當時詭辯哲學所采用的從理論到理論的演繹推理研究方法不同，Bacon開創性提出了歸納推理的研究方法，即從觀察和實驗的事實出發，通過排斥法來發現各種現象之間關系，這一“經驗的實驗化”研究方法得到馬克思的認同，稱其是“英國唯物主義和整個現代實驗科學的真正始祖”。

在Bacon將教育從哲學中獨立出來且提出了以“理性和實驗”為核心的現代科學思想后，人們就開始思考是否可以從實驗觀察中發現提升教育效果的普遍化規律，進而用計算手段來模擬這些規律，從而使任何地方、民族和國家所取得的任何新的知識和智能，都可以很快被大多數人所認知，以便更加有效地傳承人類創造的積累知識與精神財富。遺憾的是，這個時期的教育雖然成為科學的一個分類，但人們還是僅僅將其視為知識傳遞的方式，缺乏發現教育中普遍規律的研究方法，遑論尋求合適計算手段來模擬這些規律。

表1 代表性知識圖譜中對教育歸屬分類的內容（按時間順序）[2]

19世紀末，人們開始意識到教育中存在普遍規律，進而對普遍規律研究加以重視。1891年，哈佛大學哲學家Royce[3]在《教育評論》（）創刊號上發表了名為《教育是一門科學嗎？》（）的文章，指出教育作為一門科學，應該研究普遍有效（Universally Valid）的規律，因為科學本身所探討的是普遍規律。簡言之，教育遠非最終和完全地告訴教師人性是什么、必須是什么以及如何處理它，其更應該研究井然有序的秩序和性格形成的一般規則。顯然，教育要成為一門科學，就需要研究教育過程中（如學習、評測等）存在的普遍客觀規律。但是，由于缺乏刻畫這些客觀規律的數據，因此即使人們已經認識到教育是一門科學，仍然很難通過計算手段對其開展相應研究。

實際上，不同時代的研究者對教育研究范疇所包含的內容有不同的認識，因此在歷史上不同學者按照個人認識將教育分類劃歸為不同領域進行研究。瑞士國家科學基金會（Swiss National Science Foundation）和日內瓦大學于2018年啟動了“學科互動歷史地圖集”（Interactive Historical Atlas of the Disciplines）項目，該項目收集了公元前360年～1967年之間近2000多年，由不同研究者提出的一共255個不同的人類知識圖譜。統計分析可知，這些知識圖譜總共包含了18393個知識領域[4]。分析這255個知識圖譜所包含的18393個知識領域，可以發現人類學科知識整體上由以哲學為原點向以科學為原點不斷演變發展。255個知識圖譜中有27個知識圖譜單列教育這一知識領域，代表性知識圖譜中對教育歸屬分類的內容如表1所示。分析這些將教育單列的知識圖譜，可以發現教育首先被劃為哲學范疇（如Bacon的人類知識樹狀圖所示），然后歸屬于精神與實踐藝術范疇，再后來歸屬于人文科學范疇（具有代表性的學者及其提出的知識圖譜對教育的分類，如表1所示）。同時，教育與心理學、社會學以及歷史學聯系密切，呈現交叉性、實用性和主觀性等特點。

應該承認，由于人們長期以來將教育劃分為人文科學和社會科學的范疇，因此相關研究多采用主觀性思辨與應然性暢想等方法，忽略以自然科學研究范式來深化對教育和人的認知，這極大地阻礙了教育的研究進程。因此，本研究基于教育作為自然科學研究對象所具有的以實證經驗為基礎、以量化計算為手段的特點，探究教育過程中復雜性建模、教育效果由果溯因評測以及教育實驗隨機對照實踐三個問題的若干計算手段，提出數據和知識雙輪驅動、閉環反饋回路、隨機對照實驗前提假設等將成為推動教育研究的發展趨勢，以期為計算驅動的教育學科學研究提供啟示。

二 教育研究中若干計算驅動的手段

計算驅動指把實際問題抽象為可形式化表達的數學問題，用計算機語言來編程，自動優化求解數學問題所表達的模型，從而解決實際問題，即運用計算機科學的基礎概念進行問題模型設計、求解過程構造和計算手段實現的一系列活動。如前所述，教育研究的核心是發現教與學過程中人的認知客觀規律，需要從觀測所得現象出發，以計算技術來實現這一科學研究。當前，科學研究范式正在變革，繼實驗觀測科學（從對自然現象的觀測中總結規律）、理論推導科學（從科學實驗中推導規律）和仿真模擬科學（從對復雜現象的模擬中進行科學研究）之后，正在邁向以數據洪流為核心的數據密集型科學[5]。數據密集型科學研究體現了計算驅動的特點，其結合所觀測現象和已有領域專業知識等數據、基于數學和統計等算法模型、應用計算機科學方法，從海量數據中發現規律，以支持決策、發現知識和預測未知等。

數據密集型這一計算驅動的科學研究范式給教育研究帶來了新的機遇。早期教育研究始于古希臘哲學研究，彼時教育尚未從哲學、政治學、倫理學中分離成為獨立學科，因此對教育本身研究的方法論也大多呈現為主觀性的思辨與應然性的暢想。隨著大數據、人工智能、物聯網、VR/AR和5G等技術的進步，人類正進入“信息空間、物理世界和人類社會”（Cyber Space, Physical World, Human Society，CPH）三元空間時代。在三元空間，收集與挖掘教育活動中學習者、學習資源、學習環境和學習過程等海量數據成為可能，從而可架構數據密集型這一計算驅動模式來進行教育研究。例如在“教師—學生—智能”體所構成的協作學習環境中，個人學習能力和學習效果會受到學習資源（數據與服務）、群體交互（行為）和探索反饋（獎勵）等影響，不同智能算法從對收集的觀測過程和結果等數據出發，通過數據驅動下抽象歸納、知識引導下演繹推理和行為交互下探索反饋等機器學習方法，分析學習手段、學習途徑、交互模式、反饋獎勵等因素對學習效果的不同影響，甄別干預變量、消除混合變量，從而建立以因果推斷為核心的在線協同學習實證評估手段，以動態提升學習質量。

顯然，一旦將教育作為自然科學研究對象，其科學內稟就逐漸明晰，走出了原先基于形而上思辨與演繹推理的桎梏，可以將涌現數據作為實證研究基礎、以量化分析作為計算手段，建立數據驅動機器學習模式下有效的計算模型。接下來，本研究選取教育過程復雜性建模、教育效果由果溯因評測以及教育實驗隨機對照分析三個方面為例，介紹數據驅動機器學習模式下計算模型，展示計算驅動下這些教育研究場景所采用的典型人工智能手段和方法。

1 教育過程復雜性建模

教育是人類社會所特有的更新性再生巨復雜系統，具有教育對象的主體性、教育過程的綜合性、教育資源的多樣性以及教育成效的潛在性等特點。

法國著名思想家、哲學家Morin[6]在2000年以法文出版了《未來教育所必需的七種復雜性經驗》（）論著，后聯合國教科文組織將其翻譯為英文。Morin在論著中強調教育之所以復雜，是因為教育對象（人類本身）是世界上最復雜的生命體。只有揭示人在教與學過程中的客觀認知規律，才能提升教與學的效果。一般認為，人的認知規律具有非線性、群智涌現、回路反饋等特性，需要用可計算手段對教與學復雜過程中非線性映射、合作行為和反饋等行為進行建模，以洞悉學習意圖和興趣偏好等認知規律。在現實世界中，非線性是世界萬事萬物運轉的魂魄，原子彈之父Fermi曾經說過：“大自然的一切定律并非都可以用線性方程來表示”[7]。在教育研究中，通過將具有非線性映射能力函數（如核函數、稀疏編碼、卷積池化和矩陣分解等）引入有監督學習模型（如深度神經網絡、決策樹和支持向量機等）、無監督學習模型（如聚類、主題建模和流形學習等）以及半監督學習模型，就能從海量數據中識別、跟蹤和預測學習興趣點與知識點的演變等內在模式，提升個性化學習效能。

此外，合作是進化過程的架構師，是人類社會的最大成功。與自然界一樣，在人類社會，我們可以觀察到這樣的現象：群體成員間通過協作、競爭和激勵等去中心化的方式，產生復雜的行為模式，體現群體所獨有的智能/智慧，具有“整體大于部分總和”的涌現性特點，即群智涌現[8]。涌現群體智能與群體中個人成員之間的協作、競爭和激勵等要素密切相關，而與成員平均或最高智能無關。在學習認知過程中設計激勵機制能夠激發學生和學生、學生和教師之間在教學合作場景中的群智涌現，促使學生提出創造性想法，解決學習過程中產生的困惑與難點，形成學會學習的能力。

同時，個體在學習過程中會根據學習效果來糾正或調整學習方法，這可視為一種“試錯學習方法”。這種方法的本質是在學習過程中建立“閉環反饋回路”，將輸出端結果反饋給輸入端，進而對系統中相應方法進行調整。學習過程中的“閉環反饋回路”包含了人這一個體，2013年1月，雜志刊文呼吁建立“人在回路”（Human-in-the-loop）計算模式，指出在計算過程中要更加重視人的交互作用和參與程度，推動從以機器為中心計算模式到以人為中心計算模式的巨大演變[9]。在學生—教師—教學資源—教育環境所構成的學習場景中，個人學習行為會受到學習資源（數據與服務）、群體交互（行為）和探索反饋（獎勵）等影響，學習能力因此不斷演化。因此，如何對學習內容、學習手段和學習目標進行不斷調整，建立解釋性強、自適應好的行為交互探索反饋計算模型以刻畫學習的進化與演化過程，從而提供更佳個性化學習輔助手段，是推動人工智能與在線教育深度融合要解決的重要挑戰之一。

2 教育效果由果溯因評測

為了實現教育效果由果溯因評測，需要使用因果效應評估這一建模計算手段。因果效應評估是洞悉觀測數據中因果關聯的重要途徑，其關鍵挑戰在于消除混淆變量（Confounder）對干預變量（Treatment）的影響，這方面的代表性建模計算方法有基于傾向值（Propensity Score）評估方法、非參數結構方程（Nonparametric Structural Equations）、有向無環圖（Directed Acyclic Graph）以及復雜試驗、工具變量法、因果勢理圖和因果干擾等計算方法[10]。

卡耐基梅隆大學和印第安納大學所進行的面向教育的實驗分析表明：學習習慣、教育手段、教育資源與學習效果改善存在一定的因果關系，而內嵌（Embedding）實驗是因果分析的有效手段[11]。范施·因德爾（van Schijndel）等[12]通過因果隱性模型來分析因為學習行為差異化而對學習性能的影響，提出了理性、聯想和不確定性規避三種策略來解釋學習行為差異化的原因。

不同于單純從數據中挖掘不同變量之間存在的潛在因果關系，在教育效果由果溯因評測中，因和果之間的關系由于人這一研究對象的引入而使計算建模方法變得異常復雜，需要對計算模型進行如下三個方面的擴展：①目前因果評測中干預變量往往只有二值變量（如好或不好等），需要將二值變量擴展為連續干預變量，從而應用合理的控制手段對個體、群體和行為進行評價；②要重視教育場景中實現有效因果關系推斷所應滿足的基本條件；③要準確界定因和果所適用的學習范圍以及研究結論推及總體的一般化能力，形成可靠假設和知識的有效累積。以上三點是推動教育評價科學化發展的重要原生動力。

在測量與評估教學效果以指導并改善學習的研究手段和建模方法中，可以通過綜合質性研究（依托評價量規）和量化研究（協作計算），構建面向多主體的協同學習因果網絡，引入基于介入、反事實等推理手段的歸因分析機制，從學習手段、學習途徑、交互模式、反饋獎勵等因素中甄別干預變量、消除混合變量，建立以因果推斷為核心的教學效果實證評估方法，以計算驅動手段動態提升教育質量。

3 教育實驗隨機對照分析

教育是一項在現實世界中進行的具體實踐活動，不同教學方法會對不同受教育者產生不同的影響。為了分析技術手段的優劣好壞，需要使用自然科學中隨機對照實驗（Randomized Controlled Trials，RCT）這一計算手段來進行分析。所謂隨機對照實驗是一種對醫療衛生服務中某種療法或藥物的效果進行檢測的方法，常用于醫學、生物學、農學等方面。隨機對照實驗的基本方法是，將研究對象隨機分組，對不同組實施不同的干預，以對照效果的不同。

自20世紀初隨機對照實驗這一計算手段被引入教育學研究以來，教育隨機對照實驗的發展先后經歷了高潮期和低谷期，其代表性研究如表2所示。其中，美國是最早使用隨機對照實驗開展教育學研究的國家，其教育實驗隨機對照分析經歷了五個階段，分別是心理學實驗賦能教育研究設計階段（1900～1940年）、費希爾所著《實驗設計》被引入教育研究設計階段（1940～1960年）、教育隨機對照實驗第一次浪潮（1960～1980年）、美國教育實驗的低谷（1980～2000年）以及教育科學研究時代（2002年至今）[13]。相較而言，英國、瑞典、挪威等國家起初以定性定質研究為主，直到20世紀中后期才開始采用隨機對照實驗開展教育研究。自21世紀以來，各國家政府對于教育政策效果的評估需求增加，通過隨機對照實驗方法開展的教育研究由此受到了高度重視。此外，教育隨機對照實驗呈現從小規模特殊群體洞察轉向大規模社會實驗研究的趨勢[14][15][16]。

表2 隨機對照實驗在教育中代表性研究

隨機對照實驗方法的引入為教育研究打下了堅實基礎。20世紀60年代中期到80年代，美國聯邦政府注重提升教育和社會福利，并通過“偉大社會計劃”改善教育。為了對這些政策實施效果進行系統科學的評估，研究者開展了大量的隨機現場實驗（Randomised Field Trials，RFT），即將單個個體隨機分配到兩個或多個組中的一個，每組都接受不同手段的教育干預，來觀測得到的不同效果[28]，為教育政策的決策提供參考依據，并為教師培訓方案、課程創新、技術在教育中的應用、職業培訓、職業教育、測試效果等提供決策參考。教育隨機對照實驗中較著名的實驗包括“高范圍”（HighScope）實驗和“斯坦福棉花糖實驗”（Stanford Marshmallow Experiment）。這一階段也被稱為美國教育隨機對照實驗的黃金年代。

然而，盡管聯邦政府在教育實驗中投入了大量資源，卻并未得出對實際教學實踐和學生成績產生巨大或可復制影響的結論，美國教育隨機對照實驗研究在20世紀80年代～21世紀初進入了低谷停滯期。在這個時期，雖然美國教育研究開始轉向其他定性研究方法，但美國政府部門在這一階段仍主導開展了少量教育社會實驗研究，如田納西州小班化教育改革實驗，這項實驗也被稱為STAR（Student-Teacher Achievement Ratio，學生—教師成就比）項目，于1985年由田納西州立法機構委托田納西州大學和田納西州教育部聯合實施，以評估小班教學對學生成就的影響。在對田納西州所有學區學校進行規模標準篩選后，其42個學區的79所小學成為STAR實驗的場地，參與為期長達四年的教育隨機對照實驗。該實驗將幼兒園學生隨機分為小班（13～17名學生）、大班（22～26名學生）以及有全職助理大班三類。教師也被隨機分配到不同類型的班級。在實驗期間研究團隊會進行實地考察（以核實班級規模）、訪談、數據收集與測試。實驗結果表明被分配到小班的學生具有更高的學術成就（成績）[29]，并且該優勢會持續到整個小學八年級乃至高中[30]。田納西班級規模實驗對美國教育政策產生了巨大影響。

2002年成立的美國教育科學研究所（Institute of Education Science，IES）提出了“什么干預是有效的”標準，將隨機現場試驗評為最嚴格的研究方法，隨機對照實驗迎來第二次發展浪潮。本次浪潮中，歐洲國家也愈發重視教育研究中的隨機對照實驗方法。英國于2011年成立教育捐贈基金會（England’s Education Endowment Foundation），重視并資助開展教育隨機對照實驗[31]。20世紀下半葉石油危機后，丹麥、挪威和瑞典等國家遭遇財政危機。如何在有限的國家財政資助下，高效率地干預教育事業以提升教育質量成為這些國家的重點關注問題。例如，瑞典國家教育署和勞動力市場與教育政策評估研究所在2016～2020年間針對6～18歲的學生開展了“提高新生教育質量的干預措施”（Insatser f?r att st?rka utbildningens kvalitet f?r nyanl?nda elever）項目調研，通過對新生進行知識檢測來分配合適的班級、為貧困學校的教師提供更高的工資、招聘更多教師等方式，提高新生教育的質量[32]。

本研究于2022年10月6日以“隨機對照實驗”為關鍵詞對Web of Science核心合集SCI（Science Citation Index Expanded）和SSCI（Social Sciences Citation Index）數據庫進行檢索，得到教育類（Education & Educational Research）論文5365篇。分析發現，隨機對照實驗自1998年以來在教育領域的研究熱度持續上升；美國RCT相關論文發表數量自2010年起有著明顯上升趨勢并在論文發表數量上呈現研究主導地位；英國相關論文發表數量自2016年起快速增長；我國相關論文發表數量仍較少。對所有論文關鍵詞進行詞頻統計后可以發現，研究領域多聚焦于醫學教育（Medical education，72/5356）、干預（Intervention，43/5356）、專業發展（Professional Development，43/5356）、讀寫能力（Literacy，32/5356）、評估（Evaluation，26/5356）等方面。

三 教育研究中的計算驅動手段未來趨勢

在教育過程復雜性建模、教育效果由果溯因評測以及教育實驗隨機對照分析等問題中引入計算手段，為教育研究提供了新的機遇，然而計算驅動的教育學研究仍處于發展初期，本研究總結了其未來趨勢，具體如下。

①建立數據和知識雙輪驅動下解釋性強的計算手段。當前以深度學習為核心的人工智能模型存在解釋性不強的局限性。物理學家Feynman曾經說過：“What I cannot create, I do not understand.”（不可造者，未能知也）[33]。為了能夠使用機器學習等計算手段來研究人的認知過程，需對這一過程進行清晰描述，從而用算法模型和機器學習系統來清晰模擬實現認知過程。因此，在用知識、規則和邏輯等刻畫認知學習過程基礎上，將知識與算法模型進行結合，可使算法模型更具解釋性，而不是對一個“黑盒”進行暴力優化擬合。如何將教育領域中的專業知識（如學習理論、認知發展理論等）引入人工智能算法模型，建立起數據和知識雙輪驅動下解釋性強的計算手段，是教育研究未來發展的趨勢。

②引入“人在回路”的協同學習方法。學習行為的發生不是孤立存在的，而是在學習者（學生）、學習構成空間（如學習資源和算法模型等）和教育工作者（教師）之間所構成的環路中發生。因此，研究人在回路模式中協同學習機理并建立適應性學習方法是未來發展的一個趨勢。美國國家科學基金會（National Science Foundation，NSF）從2020年以來一共資助成立18個美國國家人工智能研究院，其中設立了一個面向教育的人工智能研究院“成人學習與在線教育研究院”（The National AI Institute for Adult Learning and Online Education，AI-ALOE）。該研究院是一個跨學科學術團體，匯集了來自哈佛大學、喬治亞理工、北卡羅來納大學以及范德比爾特大學等大學聯盟中認知科學、計算機和教育等領域專家學者。AI-ALOE的研究重心是建立有效的數據驅動反饋回路（如以教師為中心回路和以學習者為中心回路），來提升個性化學習能力。在傳統以“數據、知識和模型”為中心的機器學習模型中，引入“人在回路”的閉環協同學習機制，形成數據驅動下歸納、知識指導中演繹以及反饋認知中頓悟等相互結合計算理論模型，是在“人-機-物”耦合而成學習空間中進行“教”與“學”今后的發展方向。

③設計教育隨機對照實驗結果的全覆蓋指標?，F有教育實驗研究往往會采取隨機對照實驗的方法。美國國家教育研究基金會成員本·斯泰爾斯（Ben Styles）與約克大學教授卡羅爾·托格森（Carole Torgerson）在2018年所發表的論文《教育研究中的隨機對照實驗（RCTs）——方法論辯論、問題、挑戰》（）中指出，只有衡量隨機對照實驗結果的指標能夠覆蓋該教育評估所致結果多樣化內涵，才能使用隨機對照實驗來評估干預措施的結果[34]。為此，設計科學實驗評價指標，加強對產生實驗結果背景的理解，審慎辨析實驗對于理論的影響與貢獻，是今后教育隨機對照實驗方法的發展方向。

更為根本的是，由于教育研究是與人相關的研究，教育研究呈現很強的學科交叉特點，因此要采用的計算手段不僅僅來自某一學科。在教育研究過程中，以信息技術為手段，結合心理學、腦與神經科學、語言學、認知學等學科研究成果，才能在人類學習與發展的客觀規律等基礎研究方面取得突破。

四 總結與展望

本研究溯源了人類知識分類發展中教育研究范疇演變歷程，介紹以主觀性思辨與應然性暢想等方法對教育進行研究，正在轉向以數據驅動機器學習模式為核心的計算手段對教育進行研究的轉變。隨后從教育過程的復雜性建模、教育由果朔因可評測與教育實驗中隨機對照方法三個方面來探討計算驅動教育研究的具體方法并對計算驅動教育研究的局限性進行思考，以期引發各界對科學屬性的思考以及計算驅動教育研究的進一步關注。

人工智能是戰略性通用目的技術，將人工智能算法和模型與教育場景中問題結合會推動教育研究跨越發展[35]。在現有以數據驅動下機器學習模型中引入刻畫教育教育客觀規律和機理的可計算模型，建立人在回路的閉環反饋機器學習框架，構建由果溯因的學習效果評測方法，充分融合數據驅動、知識指導和反饋優化等手段，推動自然科學和社會科學交叉融合，對于教育研究具有重大的科學研究價值和工程實踐意義。

[1]Bacon F, Montagu B.The works of Francis Bacon [M].London: J. Rivington, 1819:43.

[2][4]Sandoz R. Interactive historical atlas of the disciplines - university of geneva. Interactive historical atlas of the disciplines - university of geneva[OL].

[3]Royce J. Is there a science of education[J]. Educational Review, 1891,(1):23-24.

[5]Tansley S, Tolle K M. The fourth paradigm: data-intensive scientific discovery[M]. Washington: Microsoft Research, 2009: xvii.

[6]Morin E. Seven complex lessons in education for the future[M]. Paris: Unesco, 2002:2-3.

[7]Maglab. Enrico Fermi[OL].

[8]Michelucci P, Dickinson J L. The power of crowds[J]. Science, 2016,(6268):32-33.

[9]Schirner G, Erdogmus D, Chowdhury K, et al. The future of human-in-the-loop cyber-physical systems[J]. Computer, 2013,(1):36-45.

[10]Kuang K, Li L, Geng Z, et al. Causal inference[J]. Engineering, 2020,(3):253-263.

[11]Motz B A, Carvalho P F, de Leeuw J R, et al. Embedding experiments: Staking causal inference in authentic educational contexts[J]. Journal of Learning Analytics, 2018,(2):47-59.

[12]Van Schijndel T J P, Huijpen K, Visser I, et al. Investigating the development of causal inference by studying variability in 2-to 5-year-olds’ behavior[J]. Plos One, 2018,(4):e0195019.

[13][14][18][19][20][21][22][24]Hedges L V, Schauer J. Randomised trials in education in the USA[J]. Educational Research, 2018,(3):265-275.

[15][25][31]Dawson A, Yeomans E, Brown E R. Methodological challenges in education RCTs: Reflections from England’s education endowment foundation[J]. Educational Research, 2018,(3):292-310.

[16][26][27]Pontoppidan M, Keilow M, Dietrichson J, et al. Randomised controlled trials in Scandinavian educational research[J]. Educational Research, 2018,(3):311-335.

[17]Oakley A. Experimentation and social interventions: A forgotten but important history[J]. Bmj, 1998,(7167):1239-1242.

[28]Stufflebeam T K D L. International handbook of educational evaluation[M]. New York: Taylor & Francis, 2003:107-124.

[23]Wikipedia contributors. Oportunidades[OL].

[29]Nye B, Hedges L V, Konstantopoulos S. The long-term effects of small classes: A five-year follow-up of the Tennessee class size experiment[J]. Educational Evaluation and Policy Analysis, 1999,(2):127-142.

[30]Nye B, Hedges L V, Konstantopoulos S. The long-term effects of small classes in early grades: Lasting benefits in mathematics achievement at grade 9[J]. The Journal of Experimental Education, 2001,(3):245-257.

[32]Skolverket. Insatser f?r att st?rka utbildningens kvalitet f?r elever som ?r nyanl?nda eller har annat modersm?l ?n Svenska[OL].

[33]Way M. What I cannot create, I do not understand[J]. Journal of Cell Science, 2017,(18):2941-2942.

[34]Styles B, Torgerson C. Randomised controlled trials (RCTs) in education research-methodological debates, questions, challenges[J]. Educational Research, 2018,(3):255-264.

[35]吳飛.《走進人工智能》[M].北京:高等教育出版社,2022:200-214.

An Inquiry into Computing-driven Methods in Educational Research

ZHU Yu-meng1DOU Lan-duo2XU Xin-chen3WU Fei4[Corresponding Author]

In recent years, the development of technologies such as artificial intelligence and communication network has made it possible to efficiently analyze and understand the massive data emerging in teaching and learning process. Therefore, studying the efficient computing models and means under the data-driven machine learning model and further gaining insight into the objective laws and patterns of education and teaching from data has become one of the hotspots in educational research. Therefore, this paper firstly reviewed the the historical change process of the category that education research belonged to. Further, focusing on the characteristics of taking on empirical experience as basis and quantitative calculation as the means belonging to education as a natural science research object, this paper introduced several computing methods in three problems of complexity modeling of educational process, causal inference evaluation in educational effect assessment and educational randomized controlled analysis. Finally, according to the limitation that the existing artificial intelligence models were not very explanatory, ipointed out in this paper that two-wheel drive of data and knowledge, closed-loop feedback, and presuppositioof randomized controlled trails were the trends of educational research in future, so as to establish educational research theories and methods with more explanatory.

artificial intelligence; data-driven; feedback loop; explanator

G40-057

A

1009—8097（2023）02—0033—10

10.3969/j.issn.1009-8097.2023.02.004

本文為國家自然科學基金重點項目“面向在線教育的群體智能支持下人機協同學習研究”(項目編號：62037001）的階段性研究成果。

朱雨萌，在讀博士，研究方向為智能教育，郵箱為yumeng_zhu@zju.edu.cn。

2022年8月13日

編輯：小時