人工智能助力學情分析的理論框架與實踐路徑

摘要： 學情分析是以學定教、開展教學的前提和依據。但在教學實踐中，囿于教師精力、能力與技術發展等限制，學情分析面臨數據難以全面獲取、分析客觀性不足、學情反饋滯后、結果缺乏應用等諸多現實困境。人工智能以大數據、強算法、強算力為基礎，有助于全面采集學情數據、科學高效分析學情、及時反饋學情、合理應用學情分析結果，提升學情數據的采集廣度、分析效度、反饋速度與應用準度。為了充分發揮人工智能技術優勢，應從數據層、分析層、反饋層、應用層建構人工智能助力學情分析的理論框架，并從實踐上以人工智能建立全過程學情數據采集系統、多模態學情數據分析系統、及時化學情反饋系統、多場景教學綜合服務系統助力學情分析。

關鍵詞：人工智能；學情分析；現實困境；理論框架；實踐路徑

中圖分類號：G420；G40-057" 文獻標識碼：A " "文章編號：1672-0717（2024）03-0031-08

一、問題緣起

20世紀80年代，教育界逐漸認識到學生在教學過程中的主體地位[1]，開始強調“學生是內因，教師是外因，外因通過內因起作用”。黎世法進一步提出“學情”概念和學情理論，指出學情是正確教與學的根據[2]52，學情分析是提升教學效果的關鍵。經過40年來的理論闡釋與實踐探索，學情分析逐漸形成經驗本位、知識本位、素養本位、效果本位四種取向。經驗本位學情分析采用經驗總結法，認為教師在與學生的長期接觸中積累了學情分析的經驗知識，可以據此歸納學情分析內容、總結學情分析方法。知識本位學情分析采用理論推導法，以建構主義、最近發展區等認知理論為依據，認為學習是學生在已有知識基礎之上建構新知的過程，學情分析應當基于學習定義分析學生“四知”（已知、未知、能知、想知）情況。素養本位學情分析采用目標倒推法，認為學情分析與教學實踐的根本目標均是發展學生核心素養，學情分析應當掌握學生認知、能力、態度等核心素養情況[3]。效果本位學情分析采用由果溯因法，認為“何種因素影響學生學習收獲，如何引導學生更有效地獲得更高質量的成長”是學情研究的主要問題[4]，學情分析應當分析學生知識基礎、學習風格等教學效果影響因素。上述理論盡管面向的學情分析內容不同，但均強調多維獲取學情信息、科學高效定位學情、及時反饋學情分析結果、對癥處理學情問題，為教學實踐提供循證依據。然而，隨著我國高等教育邁入普及化階段，學情也呈現出非傳統生源多點共聚、學習價值觀多維共在、學習方式多元共存、學習環境多域共融的共性特征，以及傳統生源仍是接受教育的主要群體、大學生自主學習意識仍然有待提高、求學與就業的責任綁定觀念仍然存在的特殊性[5]。由于學情復雜多變、學生基數過大、教師精力能力有限、技術引進意識不強和應用不熟等主客觀因素的限制，學情分析只能通過課堂觀察、問卷調查、測試考察等傳統方式開展，學情分析結果僅用于學生整體教學調整和學困生干預轉化。學情分析面臨的數據難以全面獲取、分析客觀性不足、學情反饋滯后和結果缺乏應用等諸多現實困境，進一步導致學生學習、教師教學和學校管理陷入無法準確認識、評價、歸因和改進的窘境。

近年來，智能識別、數據挖掘、學習分析等人工智能技術的快速發展為學情數據規模化采集和智能化分析提供了技術支持。特別是以ChatGPT為代表的生成式人工智能大大推動了人工智能在教育領域的應用和發展，有助于增強教育主體的學情判斷能力[6]。教育部《高等學校人工智能創新行動計劃》明確要求，“運用人工智能開展教學過程監測、學情分析和學業水平診斷”[7]。人工智能助力學情分析能夠快速采集多源數據、高效分析學情信息、及時生成學情報告，對學情進行精準“畫像”、精準監測和精準診斷[8]。一些學者也曾嘗試利用人工智能技術開展學習評價[9]、學生畫像[10]、學情預警[11]等，構建基于學情數據的智慧教學模式[12]。但是，現有研究尚缺乏基于人工智能的學情分析系統研究，人工智能助力學情分析的理論框架和實踐路徑還有待整體建構。

二、何以助力：人工智能助力學情分析的技術優勢

馬克思指出，自然科學的發展可以“改造人的生活，并為人的解放作準備”[13]307。“人工智能”自1956年達特茅斯論壇提出以來，經過60余年發展，實現了從計算智能到感知智能的轉變，并逐漸步入認知智能與社會智能階段。作為一種革命性、顛覆性技術，人工智能具有溢出帶動性很強的“頭雁”效應[14]，將深刻改變傳統生產生活方式，引領未來社會發展。人工智能在教育領域包括人工智能賦能教育和人工智能學科教育兩類[15]。前者強調人工智能作為一種新興技術對實現教育目標的促進作用；后者強調人工智能作為一門綜合學科對培養人工智能人才的支撐作用。學情分析是實現教育目標的關鍵環節，在本質上應該是一種基于證據的價值判斷[16]20。人工智能應用于學情分析側重運用人工智能技術獲取學情證據，“更深入、更微觀地窺視、理解學習是如何發生和如何受到外界各種因素影響的，進而為學習者高效地進行學習創造條件”[17]。以大數據、強算法、強算力為基礎，人工智能集智能識別、數據挖掘、數據可視化、自適應學習、多模態學習分析等技術于一體。它應用于學情分析能夠全面采集學情數據、科學高效分析學情、及時反饋學情、合理應用學情分析結果，提升學情數據的采集廣度、分析效度、反饋速度與應用準度。

（一）有助于全面采集學情數據

全面性是客觀性的必要前提。在學情分析中，數據全面性直接影響結果精準性與決策適應性。人工智能助力學情分析使學情分析不再局限于從各類學習平臺收集、分析各種日志性數據[18]，有助于拓展學情數據的采集渠道、識別維度、覆蓋范圍，實現學情數據的全面采集。一是拓展學情數據采集渠道。攝像機、高掃儀、眼動儀、點陣筆、移動終端、聊天機器人等智能設備用于學情數據采集，可以使現場錄制、材料掃描、眼動追蹤、筆跡記錄、終端記錄、智能問答等均成為學情數據采集的有效渠道，助力學情數據采集跳出課堂觀察、文本記錄、統計調查等傳統渠道的桎梏。二是拓展學情數據識別維度。人臉識別、文本識別、表情識別、語音識別、動作識別等智能識別技術用于學生身份、筆記、表情、語言、姿勢等多模態學情數據采集，可以使學情數據識別從系統日志等結構化數據拓展至圖文音視等半結構化和非結構化數據。三是拓展學情數據覆蓋范圍。人工智能貫穿連續時間和全域空間，運用它助力學情分析可以使學情數據采集的時間延長至教學全程、樣本擴大至學生整體、場域跨越虛擬與現實，實現課前課中課后“全過程”覆蓋、學生個體“全樣本”覆蓋以及線上線下“全場景”覆蓋。

（二）有助于科學高效分析學情

學情分析只有超越“經驗化”“主觀化”判斷而采取科學高效的分析，才能真正發揮精準定位與調節功能。作為一種有感知、有認知、有行為、可交互、會學習、自成長的機器智能[19]，人工智能在推動學情分析方法智能化、標準最優化、過程規范化方面具有顯著優勢，有助于高校更加科學高效地分析學情。一是方法智能化。人工智能具有強大的數據處理能力、極度的專注力和高效的多任務處理能力[20]，在完成大規模學情數據的深度挖掘、智能統計和模型訓練等復雜工作的速度、精度、強度上遠勝于人類，其縱向追蹤、橫向比較、溯因分析、預測分析等功能能夠客觀描述和評價學情、深度解剖學情的產生原因和未來趨勢，實現學情分析方法智能化。二是標準最優化。人工智能在人類教師指引下分析學情歷史數據，能夠自主習得新的規則和范式[21]，包括形成學情分析參照標準、優化學情指標選擇和權重設置等，助力高校克服傳統學情分析依賴經驗、標準浮動、趨中效應等缺點。三是過程規范化。高校運用人工智能對學情數據進行多渠道融合、多模態互補和區塊鏈存證，并開展數據分析—特征挖掘—模型建構—機理闡釋—趨勢預測，有助于確保學情分析的數據規范和流程規范，使結果更有說服力和解釋力。

（三）有助于及時反饋學情

課堂教學是教與學的互動交往過程，生成是教學活動的基本特征。學情作為教學開展的基本依據，其反饋及時性直接影響教學針對性與有效性。反饋是使反饋對象理解、運用反饋信息的過程，包括反饋信息的輸出與接收兩個階段。高校運用人工智能對學情進行形成性反饋、適應性反饋，可以在輸出端及時生成學情報告、在接收端及時傳達學情報告，助力學情的及時反饋。一是提供形成性反饋，及時生成學情報告。形成性反饋強調反饋信息的持續輸出并貫穿整個教學交互過程[22]。人工智能基于強算力和強算法精準高效定位學情動態并進行可視化呈現，能夠緊隨教學進程自動生成、實時更新、持續輸出學情報告，助力高校實現學情的形成性反饋。二是提供適應性反饋，及時傳達學情報告。人工智能根據用戶語速語調、視覺偏好、表達習慣、認知風格等特征，對學情報告進行合理的語言組織、顏色搭配、數據編排和框架構建，并智能選擇文本提示、人機對話、音視互動、虛擬人物等反饋方式，能夠更好地詮釋學情，助力高校實現學情的適應性反饋。

（四）有助于合理應用學情分析結果

教、學、管的內在一致性是教師有效地教、學生有效地學、學校有效地管的基本前提。人工智能基于學情分析提供定制服務，可以助力高校合理應用學情分析結果，增強教、學、管的協調性、精準性與前瞻性，實現教、學、管的內在統一。一是基于學情分析結果提供定制服務，增強教、學、管協調性。人工智能根據學生實際水平和個體差異智能推送學習資源、組織教學內容、制定教學規劃，能夠助力高校實現教、學、管同步調整和同向發力，進而提升教師教學效果、學生學習效能和學校管理效率。二是基于學情問題提供定制服務，增強教、學、管精準性。人工智能針對學生學習進度落后、興趣不高等學情問題提供智能輔導、學習督促與個性化激勵等服務，能夠助力高校直擊教學痛點、難點、堵點，實現教學問題精準應對、教學短板精準彌補。三是基于學情趨勢提供定制服務，增強教、學、管前瞻性。人工智能根據學生行為預測、情緒預測、成績預測等預判教學重點難點、預測教學效果和風險，能夠為高校提供增減教學內容、調整教學策略的指導意見，助力高校實現教學風險的提前干預與化解。

三、以何助力：人工智能助力學情分析的理論框架

學情分析是教學論研究轉向的結果[23]60，源于教學本質認識中學生主體地位的確證。其核心觀點認為，學生不是教學的“物”而是教學的資源，學情分析貫穿于教學過程，引導和推動著整個教學活動[16]18。因而，學情分析要與教學過程整合，通過動態分析和及時反饋幫助教學主體了解學情現象和學情規律，進而提出具有針對性的教學措施促進學生學習。作為一種處方性理論，學情分析側重于方法論和實踐層面[23]61，其常用方法有觀察、訪談、問卷調查、資料分析等，可歸納為質性分析和量性分析兩種類型。質性學情分析通過收集分析非數值型學情數據理解和解釋學情；量性學情分析通過收集分析數值型學情數據理解和解釋學情。概言之，學情分析是指教學主體在教學過程中持續獲取、分析、反饋、應用學情信息的循環過程。在人工智能視閾下，數據是學情信息的基本表現形式，學情分析遵循著數據采集、數據處理、數據分析與展現以及數據應用服務的教育大數據通用技術框架[24]。因而，人工智能助力學情分析應從數據層、分析層、反饋層、應用層建構其理論框架，具體見圖1。

（一）數據層：人工智能助力學情分析的基礎

學習理論認為，學習是學習主體通過參與學習獲得發展的過程，包括學習的主體要素和過程要素兩個維度。與此相對應，“學情”包括“學生情況”和“學習情況”，前者指學生的性別、年齡、專業等基本情況以及行為序列、情感變化、認知發展等個體狀態和能力、偏好、習慣等個性特征；后者指學生學習的時間、進度、內容等學業狀態和學習的投入、效率、興趣等學業特征。學情分析是指教學主體對學情的全面了解與客觀分析，人工智能助力學情分析的基礎就在于實現學情信息的數據表征和全面采集。由于人類社會從二元結構（社會空間—物理空間）轉變為三元結構（社會空間—信息空間—物理空間）[25]，學情數據源也隨之拓展至人-機-物三種，即學生基本情況和個人狀態；智慧學工系統、教務系統、教學系統等虛擬平臺記錄；學生紙質檔案、試卷、筆記等教學實體材料。人工智能與人類智能對外部世界具有相似的符號表征體系、信息感知通道和意義建構模式[26]，能夠自動識別、編碼、轉換、記錄學情數據源中的學情信息，實現學情信息的數據表征和全面采集。依照數據蘊含的信息特性，學情數據可劃分為學生的性別、年齡、專業等基礎數據；內隱于學生機體且非自主可控的心率、腦電、皮膚電等生理數據；外顯于學生機體且自主可控的眼動、表情、手勢等行為數據；反映學生學習基礎、過程和結果的已修課程、學習時長、學習成績等學業數據。數據層是人工智能助力學情分析的基礎，其主要作用是通過智能采集設備和智能識別技術實現學情數據的全面采集和準確識別，為學情分析提供足夠的高質量“原料”。

（二）分析層：人工智能助力學情分析的核心

分析是一種理性認識活動，學情分析是由學情現象深入學情本質的認識過程。根據認識層次不同，學情可劃分為具體學情和本質學情[2]52，分別指學情現象和學情規律。具體學情包括個體學情現象和群體學情現象，即學生個體學情指標水平和學生群體學情指標特征；本質學情包括學情內部規律和學情外部規律，即學情內部各指標間的關系和學情作為教學的一部分與整個教學系統的其他指標間的關系。其中，個體學情現象分析是群體學情現象分析和學情規律分析的前提。個體學情現象分析側重學生個體學情指標水平，可以采用語義分析、行為計算、情感計算、認知診斷等多模態學情數據分析方法。群體學情現象分析側重學生群體學情特征，可以采用聚類、統計、時序等人工智能算法對學生群體學情指標的實時走勢、集中趨勢、分布形勢和發展態勢進行描述性分析。學情規律分析側重學情指標間的內部關系和學情指標與教學指標間的雙向影響作用，可以通過單獨運用關聯規則、時間序列等人工智能算法，或控制變量并綜合運用各種智能算法分析指標間的相關關系、共變關系、因果關系等，對學情的形成機制、發展模式、未來趨勢進行推斷性分析。分析層是人工智能助力學情分析的核心，其主要作用是通過各種分析方法挖掘學情數據的深層意義和潛在價值，以全面了解學情現象、準確把握學情規律，為學情反饋提供內容。

（三）反饋層：人工智能助力學情分析的關鍵

學情反饋是指向教學主體反饋學情分析結果的過程，其作用是使教學主體了解學情問題和原因以改進教學實踐。作為教學改進的重要手段，學情反饋要遵循及時性原則。學情反饋不及時可能使反饋內容與學情產生偏差，降低教學主體信任感，并導致教學改進時間延遲或決策失誤，失去學情反饋的應有效力。學情反饋屬于基于表現的反饋，可從過程、任務、調節三個層面更有效地反饋學情分析結果[27]。高校運用人工智能對學情分析結果進行數據可視化，能夠生成對學情分析結果進行直接描述、客觀評價、深層歸因的描述型、評價型、歸因型學情反饋。具體而言，就是從過程層面呈現學情分析結果的細節和動態變化，使教學主體全面了解學情的過去狀態、當前狀態和未來趨勢；從任務層面呈現學情分析結果與教學目標的差距、與群體學情平均狀態的差異、與學生個體基礎狀態的差別，使教學主體有效監控教學進度、及時發現教學問題、準確查找教學短板；從調節層面呈現學情分析結果的形成原因，使教學主體深入了解學情的生成及演變規律，掌握教學實踐的調節機制。反饋層是人工智能助力學情分析的關鍵，其主要作用是將學情分析結果及時反饋給教學主體，提升其對學情現象與學情規律的感知度和掌握度，為教學主體提供教學改進和管理優化的依據。

（四）應用層：人工智能助力學情分析的歸宿

學情分析是促進課堂、教師和課程等教學要素協同發展的有力舉措[28]，其目的是為教學主體提供實踐依據，幫助教學主體改進基于學情分析結果的教學實踐，進而實現教學目標。人工智能基于學情分析結果精準掌握學情現象和學情規律，可以為教學主體提供有針對性的教學建議，指導學生學習、教師教學和學校管理。一是指導學生學習。人工智能可以基于學情分析結果助力學生準確判斷自身知識基礎、學習進度、優劣勢等學情，提升學生的元認知能力，并為其提供個性化學習建議，指導學生調整學習規劃、完成學習任務、養成良好的學習習慣。二是指導教師教學。學情分析結果內含學生學習基礎、學習狀態、學習效果等信息，人工智能可以基于學情分析結果助力教師確定教學起點、掌握教學進度、發現教學問題，并為教師提供具有針對性的教學建議，指導教師的教學設計、教學調整與教學反思。三是指導學校管理。人工智能可以基于學情分析結果助力管理者評估學生學習素養、教師教學質量和學校管理水平，為管理者提供遴選最優教學策略的依據，以指導學校調整培養目標與課程設置、改進教師培訓機制與考核方案、優化學校資源建設與人員配置。應用層是人工智能助力學情分析的歸宿，其主要作用是幫助教學主體運用學情分析結果開展教學實踐，使教師教學、學生學習和學校管理更加有力、有序、有效，實現教、學、管的內在統一。

四、如何助力：人工智能助力學情分析的實踐路徑

人工智能助力學情分析既是理論探索，亦是實踐創新，高校只有基于理論框架提出可供操作的實踐路徑，才能更有力地推動其落細落實。為了實現人工智能助力學情分析，高校要建立全過程學情數據采集系統、多模態學情數據分析系統、及時化學情反饋系統和多場景教學綜合服務系統。具體見圖2。

（一）建立全過程學情數據采集系統

學情分析貫穿教學全程，覆蓋教學全域。高校運用人工智能采集全過程、全方位學情數據是人工智能助力學情分析的應有之義。首先，高校運用人工智能助力學情分析要厘清學情數據采集內容，進一步明確每個教學階段和教學空間的學情數據維度及其包含的數據元素、模態、來源和數據元素之間的結構、關聯等，形成統一的學情數據模型。其次，高校運用人工智能助力學情分析要統一學情數據采集標準，包括學情數據的命名、定義、值域、單位、格式、計算方法、生存周期等技術標準，原始學情數據采集、質量稽查、異常處理、入庫、規整、儲存、更新等流程標準，以及負責學情數據采集的業務部門、工作人員的崗位職責、操作權限等管理標準，確保學情數據的規范性和一致性。最后，高校運用人工智能助力學情分析要暢通學情數據采集渠道，在線下引入攝像機、眼動儀、智能手環等智能采集設備搭建物聯網學情數據采集系統，通過分布式數據接口采集學生生理特征、行為表現、學習筆記等社會空間和物理空間的學情數據；在線上建立數據傳輸通道，通過數據庫導入采集學工系統、教務系統等信息空間的學情數據。此外，盡管智能識別、數據庫管理等人工智能技術已處于廣泛應用和高度成熟階段，高掃儀、眼動儀、智能手環等智能采集設備在精度提高的同時也日益注重便攜化、微型化、低成本化，提高了學情數據采集的細粒度，但由于學情分析對教學實踐的重要意義，相關人員還需對學情數據采集技術進行更高要求的精度強化、操作簡化和成本優化，并輔之以更加可靠的數據稽查和數據異常處理辦法，以提升技術的有用性和易用性，確保學情數據的可靠性和精準性。高校通過以上步驟建立全過程學情數據采集系統，全面采集學生基礎數據、生理數據、行為數據與學業數據形成課前、課中、課后學情數據集，能夠為學情分析奠定堅實的數據基礎。

（二）建立多模態學情數據分析系統

感性是感知外部世界的媒介，“人不僅通過思維，而且以全部感覺在對象世界中肯定自己”[13]305。學生作為“現實”“感性”的客觀存在，其學習是在多感官調動下的多模態學習交互過程。教育管理者和教師基于多模態學情數據的信息互補性進行分析，可以更加準確地了解真實學情。首先，高校運用人工智能助力學情分析要以建構主義、認知發展、自我效能等理論為指導，綜合四種學情分析理論厘清學情分析的具體指標和指標間的結構關系，建構學情分析指標框架。其次，高校運用人工智能助力學情分析要在多學科理論指導下確定衡量學情指標的數據維度和數據元素，創建學情指標與學情數據的映射關系。最后，高校運用人工智能助力學情分析要基于多模態學情數據分析個體學情、群體學情和學情規律。其中，個體學情分析包括特征提取、多模態融合、學情指標分析三個步驟，分別指從多模態學情數據中提取學情指標的特征參數；采用數據層、特征層、決策層數據融合方法進行特征參數融合；通過分類、回歸、貝葉斯等人工智能算法分析提取融合后的特征表示，得出學生的行為序列、情感類型、認知層級等學情。群體學情分析包括群體聚類、群體學情指標特征分析兩個步驟，前者指通過層次聚類和非層次聚類將個體學情特征相似的學生分類為相對同質的學生群體；后者指計算、比較班級/年級等預設學生群體和根據學情分析結果劃分的未預設學生群體的學情指標的比率、平均值、偏倚系數等特征數，分析群體學情共性和差異。學情規律分析包括探索規律和驗證規律兩個步驟，分別指通過關聯分析、因果分析、模式分析等推斷學情指標間和學情指標與教學指標間的相關關系、因果關系等，探索學情的形成機制；根據學情規律進行學情預測，分析學情的發展趨勢和發生概率。

（三）建立及時化學情反饋系統

課程教學伴隨著教師與學生的持續交流反饋，其主要作用是促使學生改進當前狀態。因而，高校運用人工智能助力學情分析要建立及時化學情反饋系統，與課程教學同步提供學情反饋。首先，要根據教學需求確定學情反饋內容。為了滿足學生、教師、學校在不同教學階段的學習、教學、管理需求，高校要設計人工智能助力學情反饋的內容跨度，使面向不同教學主體的學情反饋內容在課前學情、課中學情、課后學情、課堂學情、課程學情，以及個體學情、班級學情、專業學情、學院學情、學校學情上有所側重。其次，要根據學情分析結果確定學情反饋形式。高校要針對學情分析結果的內容特征，運用人工智能選擇文本描述、對比表格、密度圖、桑基圖、雷達圖、堆疊面積圖等反饋形式，生成描述型、評價型、歸因型學情報告，以更好地呈現學情指標的比例、頻數、總體分布、發展趨勢等基本情況以及標準參照評價、常模參照評價、個人參照評價等評價情況和學情指標間的關聯關系、形成原因等歸因情況。最后，要根據教學主體確定學情反饋方式。高校要針對教學主體的認知特征等，運用人工智能優化學情反饋系統的圖標、動畫、彈窗、導航欄、空間布局、交互方式等系統設計，智能選擇學情報告的內容元素、顏色搭配、形狀樣式、字體格式、排列方式、標注形式等，提升學情報告的呈現效果和傳播效率。

（四）建立多場景教學綜合服務系統

學情分析的落腳點是教學目標的實現，這需要高校基于學情分析結果開展教學實踐，推動實現個性化學習、精準化教學和精細化管理。因而，高校運用人工智能助力學情分析不能停留于分析層面，而要進一步建立多場景教學綜合服務系統，面向不同教學主體提供教學服務，通過數字化轉型適應學生學習、增強教師能力、提升教育管理水平[29]。一是面向學生提供學習服務。高校要借助自適應學習、大語言模型、教學機器人等人工智能技術，為學生提供基于學情分析結果的學習資源推薦、內容分發、活動安排、路徑規劃、任務督促等智能導學服務和資料查找、文獻翻譯、數據處理、觀點凝練等智能助學服務，以及作業輔導、問題答疑、朋輩互助、虛擬實驗等智能伴學服務。二是面向教師提供教學服務。高校要以教學專家系統、智能教師助理等人工智能技術為助力，實現基于學情分析結果精準匹配教學要素、智能分析教學規律，為教師提供教學內容生成、教學資源供給、教學方案制定、教學質量評估等精準教學服務和教學理論驗證、教學問題歸因、教學趨勢預測、教學風險評估等智能教研服務。三是面向學校提供管理服務。高校要以智能管理系統、智能管理助手等人工智能技術為支撐，實現基于學情分析結果監測和評估學生學習、教師教學、學校管理的過程和質量，助力學校了解各學科特殊性問題和跨學科普遍性問題，進而判斷教學目標設定、教學措施部署的合理性，推進教學主體協同決策、教學資源集約供給、教學生態智慧共建，減少課程體系建設、師資結構調整、學科交叉合作、管理制度設計的偏差，使教學管理從人治走向智治，實現科學化決策與精細化管理，提高學校管理效率和管理水平。

五、結語

高校運用人工智能開展學情分析，既是學情分析精準化、全面化、智能化的內在需要，又是適應時代發展、推動教育數字化轉型的重要內容，有助于高校突破傳統學情分析存在的教師精力不足、能力不夠，數據處理速度慢、水平低等人力物力限制。但是，基于人工智能的學情分析并非對傳統學情分析的徹底否定，而是對課堂觀察、問卷調查等傳統學情分析方法的智能優化和有益拓展，其重點在于高校運用人工智能技術優勢完成學情分析中具有重復性、機械性、可替代性的工作內容，將教師從繁瑣重復的簡單勞動中解放出來；提高學情信息的采集廣度、分析效度、反饋速度和應用準度，實現更全面、更客觀、更迅速、更精準的學情分析。同時，高校運用人工智能推動學情分析的智能化轉向仍然存在諸多障礙，可能面臨教學主體素養欠缺、技術人才儲備不足、個人信息過度采集、數據泄露侵犯隱私、平臺管理權責不明、智能設備成本過高、系統運行能耗過大等現實挑戰，需要相關部門、企業和高校攜手合作，共同致力于開展智能素養培訓提升教學主體能力，搭建技術人才培養平臺拓展人才資源，制定法律法規和倫理規范約束數據采集行為，完善數據脫敏處理和分級管理制度保護數據安全，建立平臺管理規范和責任清單明確權責范圍，進行技術優化降低生產成本和減少能源損耗等，最大限度地降低技術風險，堅守教育初心，以科技創新賦能教育高質量可持續發展[30]，為中國式教育現代化貢獻智慧和力量。

參考文獻

[1] 王策三.論教師的主導作用和學生的主體地位[J].北京師范大學學報，1983（6）：70-76.

[2] 黎世法.最優中學教學方式的研究和實驗[J].教育研究與實驗，1984（2）：51-55.

[3] 馬思騰，褚宏啟.基于學生核心素養發展的學情分析[J].現代教育管理，2019（5）：124-128.

[4] 周溪亭，張藍文.由“器”及“道”：中國大學生學情研究的本土化歷程與展望[J].河北師范大學學報（教育科學版），2023（3）：44-51.

[5] 郝廣龍.高等教育普及化時代的學情及其應對[J].當代教育論壇，2023（1）：17-24.

[6] 蒲清平，向往.生成式人工智能：ChatGPT的變革影響、風險挑戰及應對策略[J].重慶大學學報（社會科學版），

2023（3）：102-114.

[7] 中華人民共和國教育部.教育部關于印發《高等學校人工智能創新行動計劃》的通知［EB/OL］.（2018-04-02）[2023-05-20].http：//www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.

[8] 肖銀潔，呂宏山.教育數字化賦能高校教學新形態的風險審視與紓解路向[J].大學教育科學，2023（2）：24-32，92.

[9] 張家華，胡惠芝，黃昌勤.多模態學習分析技術支持的學習評價研究[J].現代教育技術，2022（9）：38-45.

[10] 張紫徽，林子涵，廖會心，等.面向學習成功的非認知能力學生畫像可視化[J].現代教育技術，2021（12）：94-102.

[11] 米春橋，鄧青友，彭小寧，等.高校預警教育業務流程的優化：以H學院為例[J].現代教育技術，2018（3）：92-98.

[12] 宋丹，胡瑛，方正軍，等.基于學情數據的智慧教學模式研究與實踐[J].高等工程教育研究，2022（6）：116-120.

[13] 馬克思，恩格斯.馬克思恩格斯全集（第三卷）[M].中共中央馬克思恩格斯列寧斯大林著作編譯局，編譯.北京：人民出版社，2002.

[14] 中共中央黨史和文獻研究院.習近平關于網絡強國論述摘編[M].北京：中央文獻出版社，2021：119.

[15] 孟翀，王以寧.教育領域中的人工智能：概念辨析、應用隱憂與解決途徑[J].現代遠距離教育，2021（2）：62-69.

[16] 劉崗，田靜.學情分析的價值意蘊、實踐困境與改進路徑[J].教學與管理，2020（27）.

[17] 閆志明，唐夏夏，秦旋，等.教育人工智能（EAI）的內涵、關鍵技術與應用趨勢：美國《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》報告解析[J].遠程教育雜志，2017（1）：26-35.

[18] 陳凱泉，張春雪，吳玥玥，等.教育人工智能（EAI）中的多模態學習分析、適應性反饋及人機協同[J].遠程教育雜志，2019（5）：24-34.

[19] 李德毅.新一代人工智能十問十答[J].智能系統學報，2021（5）：828-833.

[20] 鄭世林，姚守宇，王春峰.ChatGPT新一代人工智能技術發展的經濟和社會影響[J].產業經濟評論，2023（3）：5-21.

[21] 顧小清，李世瑾.人工智能促進未來教育發展：本質內涵與應然路向[J].華東師范大學學報（教育科學版），2022（9）：1-9.

[22] 朱泓，呂柔.形成性教學反饋視角的大學混合式課程互動融合模式研究[J].現代教育管理，2022（10）：90-100.

[23] 邵燕楠，黃燕寧.學情分析：教學研究的重要生長點[J].中國教育學刊，2013（2）.

[24] 楊現民，唐斯斯，李冀紅.教育大數據的技術體系框架與發展趨勢：“教育大數據研究與實踐專欄”之整體框架篇[J].現代教育技術，2016（1）：5-12.

[25] 潘云鶴.人工智能2.0與教育的發展[J].中國遠程教育，2018（5）：5-8，44，79.

[26] 王一巖，王楊春曉，鄭永和.多模態學習分析：“多模態”

驅動的智能教育研究新趨向[J].中國電化教育，2021（3）：88-96.

[27] 伍紹楊，彭正梅.邁向更有效的反饋：哈蒂“可見的學習”的模式[J].開放教育研究，2021（4）：27-40.

[28] 陳愛香，姚利民.思想政治理論課學情分析的邏輯理路與推進策略[J].思想理論教育，2023（4）：75-79.

[29] 祝智庭，胡姣.教育數字化轉型的實踐邏輯與發展機遇[J].電化教育研究，2022（1）：5-15.

[30] 鄧桂英，李晏新聞，陳京軍.元宇宙賦能高等教育：價值意蘊、潛在挑戰與紓解路徑[J].大學教育科學，2023（4）：38-47.

The Theoretical Framework and Practical Path of Learning Situation Analysis Assisted by Artificial Intelligence

Pu Qingping" "Wang Xueting

Abstract： Learning situation analysis is the premise and basis for determining teaching and carrying out teaching based on learning. However， in teaching practice， limited by teachers' energy， ability and technological development， learning situation analysis faces many practical difficulties such as difficulty in comprehensively obtaining data， insufficient objectivity of analysis， lagging learning feedback， and lack of application of results. Artificial intelligence is based on big data， strong algorithms， and strong computing power. It helps to comprehensively collect learning data， scientifically and efficiently analyze learning data， provide timely feedback on learning status， rationally apply learning results， and improve the breadth， validity， feedback speed and application accuracy of learning situation data. In order to give full play to the advantages of artificial intelligence technology to assist student situation analysis， a theoretical framework for artificial intelligence to assist student situation analysis should be constructed from the data layer， analysis layer， feedback layer， and application layer. And in practice， a full-process academic situation data collection system should be established using artificial intelligence ， a multi-modal academic situation data analysis system， a timely academic situation feedback system， and a multi-scenario teaching comprehensive service system to assist in academic situation analysis.

Key words： artificial intelligence; learning situation analysis; realistic dilemmas; theoretical framework; practical path

（責任編輯" 黃建新）

收稿日期：2024-03-05

基金項目：國家社會科學基金高校思想政治理論課研究專項“高校課程思政教學理論與實踐研究”（22VSZ022）；

中央高校基本科研業務費項目“偉大建黨精神融入思想政治教育的邏輯與路徑”（2022CDJSKZX03）。

作者簡介：蒲清平，四川南部人，工學博士，重慶大學馬克思主義學院教授，博士生導師，主要從事高等教育研究；王雪婷，重慶大學馬克思主義學院碩士研究生。重慶，400044。