以學習者為中心的智聯學習環境：內涵、框架與實施路徑

[摘 要] 學習環境的構建是教育數字化轉型、學與教方式變革的基礎。推動學習環境的改造與智能升級，構建以學習者為中心的智聯學習環境，實現精準推送學習服務，是發展數字教育、建設高質量教育體系的現實需求。圍繞學習環境智聯計算關鍵問題，從學習環境多模態感知與監測、多場景學習過程記錄與分析、跨場域學習場景建模與推薦、人機協同學習社群建構與支持四方面界定智聯學習環境的內涵。遵循“數據處理、模型訓練、智能服務”的邏輯，設計出涵蓋物理環境改造與數據匯聚、數據指標與算法模型構建、精準自適應支持與智能服務的整體框架。以場景化人工智能教育應用為抓手，提出跨場域學習環境設計與評測標準、智慧學習環境計算引擎及大規模智慧教室監測平臺研發、循證導向的規模化示范應用的實施路徑。最后，探討了實現智聯學習環境的關鍵挑戰，包括云邊端算力基礎設施、智能模型的教育可解釋性、人機協同與交互體驗設計、數據安全與隱私保護。

[關鍵詞] 智聯學習環境； 學習者為中心； 云邊端協同； 智能教育； 教育數字化轉型

[中圖分類號] G434 [文獻標志碼] A

[作者簡介] 祁彬斌（1992—），男，江蘇鹽城人。助理研究員，博士，主要從事智慧學習環境、虛擬現實教育應用研究。E-mail：qidoublebins@163.com。李艷燕為通信作者，E-mail：liyy@bnu.edu.cn。

一、引 言

黨的二十大報告提出“推進教育數字化，建設全民終身學習的學習型社會、學習型大國”[1]。教育數字化正成為我國開辟教育發展新賽道和塑造教育發展新優勢的重要突破口。其中，學習環境的構建是實現學與教方式變革的基礎[2]，目前的學習環境正由傳統封閉式校園過渡到基于互聯網的學習環境，并從學校延伸至家庭、社會等場域[3]。近二十年來，依托國家層面教育信息化政策文件的持續牽引，教育信息化實踐從“三通兩平臺”“互聯網+教育”大平臺、再到教育新型基礎設施建設，我國的信息化辦學條件已根本改觀。據統計，全國各級各類學校共有49.83萬余所[4]，中小學（含教學點）互聯網接入率已達100%，網絡多媒體教室超過580萬間，約占全國教室數量的68%。然而，我國學習環境建設的基礎性優勢未能較好地轉化為教學改革與發展的動能，學習環境建設仍面臨著學校、場館、家庭等場域難以協同，本地遠端、線下線上學習難以融通，個性化服務支持不足等方面的難題。

新時期，如何推動學習環境的整體改造與智能升級，構建出以學習者為中心的智聯學習環境，精準推送學習服務，成為發展數字教育、建設高質量教育體系必須正視的現實問題。《新一代人工智能發展規劃》明確提出“開發立體綜合教學場”“建立以學習者為中心的教育環境，提供精準推送的教育服務，實現日常教育和終身教育定制化”[5]。為此，通過突破跨場域、多場景的物理環境感知與監測、學習過程記錄與分析、學習場景建模與服務、學習社群連接與支持等關鍵技術難題，研發規模化智慧教育監測平臺，形成跨場域、以教室為中心的線上線下融合、空間智聯感知的泛在學習環境，可有效促進學習體驗與績效的提升，進而將加快推進教育數字化轉型和智能升級，為構建高質量教育體系提供基礎技術支撐，服務國家“數字中國”戰略和教育強國戰略。

二、智聯學習環境的內涵

智聯學習環境是信息化學習環境的升級，其將學習者和學習活動作為環境改造和升級的核心關注點，旨在打造“以人為中心”的智能化學習環境。智聯學習環境具有以下特點：（1）聚焦智能時代學習方式變革的人本化學習環境。智能時代的學習觀，強調在由物聯網、智能工具等構成的智聯學習環境中，學習者通過與同伴、教師等人類參與者以及互聯智能體的協同建構活動，獲取知識、技能和態度的過程[6]。智聯學習環境應立足于數字化、低碳化的發展理念，以可信、智聯、融通為特征，依托學習環境持續智能化升級提升師生學與教的體驗，從而為跨場域、多場景下人類學習提供重要支撐。（2） 實現三元空間融合智能化學習環境。智聯學習環境作為新一代人工智能在教育領域的創新應用，對于建設“人類社會、物理世界和信息空間”三元融合的數字教育具有重要意義。其通過融合時空特征進行智聯感知與學習場景建模，實現跨場域的學習行為分析與自適應支持服務。（3） 促進跨場域學習體驗和績效有效提升的融通性學習環境。智能技術通過對學習活動的支持來促進有效學習的發生，實現真正的數字化學習、促進學生的成長。探索“學校+場館（基地）+家庭共建”等創新模式，形成家、校、社協同育人的良好格局。

智聯學習環境聚焦學習者的學習活動，其核心要素如圖1所示，包括：（1） 學習環境多模態感知與監測。基于物聯網技術進行環境感知與控制，在提升學習環境的舒適性、降低校園能耗的同時，也直接影響著教師和學生的身心健康以及教學活動的順利開展。基于物聯網和各類環境傳感器，研發學習環境感知與監測的邊緣計算節點，動態采集教室、實驗室、圖書館和科技館中的聲光電、溫濕度、網絡等數據，建立典型學習場所的多模態環境狀態數據庫。基于學習環境的原始狀態數據流，構建學習環境動態表征及其數字孿生模型，監測分析各類學習環境的空間狀態、網絡質量和教學設備運行情況。（2） 多場景的學習過程記錄與分析。相較于以往基于觀察、經驗的教學行為研究，教與學過程性的行為數據可為教學過程評價和主體行為分析提供更為客觀、細粒度的基礎。因此，構建多場景的學習過程記錄與分析，需要研制面向多媒體教室、虛擬學習環境和線上線下融合學習空間等多維度數據采集規范和工具，開展非介入、無感的數據采集與匯聚，記錄多維度、全過程學習活動行為數據，通過多主體行為標注技術，建立閱讀、討論、練習、實驗等活動行為的多維信息編碼庫。基于行為編碼庫，開展基于跨媒體計算的學與教行為自動識別，追蹤與評估知識點激活、學習投入度、同伴交互等多種學習狀態，自動生成可解釋的評課記錄。（3） 跨場域的學習場景建模與推薦。針對家庭、學校和場館等場域，構建融合場域、主體等特征的學習場景模型，進行復雜學習活動表征識別，生成場景感知的個人、小組學習活動多粒度學情畫像表征。針對跨場域的多個時序學習場景，挖掘學習者和學習小組的興趣點與潛在意圖，實現跨場域、多場景下的自適應學習內容和個性化學習路徑推薦。（4） 人機協同的學習社群建構與支持。通過定義學習認知模板的數據采集與測量規范，提取學段、先前知識、學習投入、學習風格、認知負荷等維度，形成多維度的學習者認知模板庫。自動識別學習者、參與者及學習環境之間的交互行為，基于時空環境、知識資源和認知行為等，自動繪制融合多層信息的學習社群網絡拓撲。基于專家知識與教學交互網絡，建立人在回路（Human in the Loop）[7]的精準教學推薦與干預策略庫，支持多場景下自適應學習支持服務。總體而言，通過將學習環境核心要素與智能技術進行融合，推進人工智能教育環境建設，構建起智能互聯的學習環境，從而支持和優化典型學習場景下的、以學習者為中心的真實教與學活動。

三、智聯學習環境的框架設計

數據、算法和算力是人工智能發展的三大要素，也是優質、個性化智能教育服務的關鍵。為了推進智聯學習環境的建設，筆者提出涵蓋設備層、數據層、模型層和服務層的整體框架，通過智能設備收集數據，處理和分析數據以構建指標體系，在訓練算法模型的基礎上，最終為師生提供個性化學習資源和支持服務。這一框架遵循“數據處理、模型訓練、智能服務”的總體邏輯，本節將從物理環境改造與數據匯聚、數據指標與算法模型構建，以及精準自適應支持與智能服務三方面進行詳細闡述，具體框架設計如圖2所示。

（一）物理環境改造與數據匯聚

學習者、學習環境的數據采集與記錄是智聯學習環境構建的前提，需對現有多媒體教室、實驗實訓室等學習場所進行改造與增強，通過部署物聯網傳感器、攝像頭等智能感知設備，進行環境參數、音視頻等數據實時采集。基于部署的邊緣節點，匯聚典型學習場所的多模態傳感信息，包括聲光電、溫濕度、網絡設備使用狀態等指標，硬件設施的尺寸、材質、空間布局等物理參數，構建學習環境特征指標集。針對線下學習活動行為的感知，主要是基于文本、語音、圖像和視頻等數據模態，標注和提取出注視點、動作姿態、面部表情、語音內容與音調等特征，在多模態特征融合的基礎上形成學習活動行為數據集。同時，在線學習平臺匯聚了點擊流、知識瀏覽等學習序列行為數據，也包括討論、留言、分享等社群交互數據。此外，可使用特定量表和問卷測量學習者的先前知識、學習風格、心理狀態、認知水平等認知狀態。在此基礎上，對于線下教室、在線平臺等不同來源，以及音視頻、文本、地理位置等多源異構數據進行清洗與匯聚。依據時間戳的次序，構建涵蓋學習環境、學習者、學習資源、學習活動行為以及社交網絡等多類別的智聯學習環境數據池。

（二）數據指標與算法模型構建

針對單幀圖像、視頻片段中的師生主體或其他物體，通過目標檢測、多目標追蹤、屬性識別等基礎模型進行學習主體的自動識別。此時，考慮到教育場景中學習者隱私保護問題，可以利用行人重識別（Person Re-identification， ReID）[8]技術，從不同攝像頭或同一攝像頭的不同視頻序列中定位出相同身份的目標對象，以避免在時空數據挖掘中暴露人臉特征。然后，基于學習活動行為數據集，訓練出多場景的學習活動行為識別模型，將個體相關的多模態數據自動識別為學與教的行為序列。隨后，基于教師、學生的個體行為序列，結合學習過程中的課堂筆記、師生問答、面部表情等，計算教學內容關聯知識點的激活量，評估學習投入度、師生交互、同伴交互等活動行為狀態的變化情況。

除了線下教室的活動行為數據，在線學習平臺的日志文件（即點擊流、論壇帖子和作業記錄等）記錄著個體學習和社群交流的行為數據，涉及的形式包括文本、音視頻、網絡關系數據和時空數據等。通過登錄在線學習平臺時的IP地址以及注冊時填寫的位置信息，可以獲取空間屬性對應的地理空間數據，例如所在城市、校區等，而時間屬性通常對應視頻觀看、討論互動時的時間序列數據。知識資源數據表現為課程大綱、課堂講義、MOOC視頻等，這些非結構化多媒體中蘊含著知識圖譜的實體與關系數據。此外，從不同模態的數據中分析與識別學習者的認知能力、學習路徑與社交互動行為。例如：師生、學生之間的交互行為存在于網絡關系數據中，可以通過實體抽取和關系抽取等技術，揭示數據中隱含的拓撲結構。基于上述數據的特點，構建融合時空環境、知識資源和認知行為多層信息的圖結構，該圖結構包括節點（如地點、知識點、行為等）和邊（如空間關系、知識關系、行為關系等）。依據具體任務需求，添加相關的編碼器和解碼器模塊，以便在不同場景下進行圖結構數據的學習和推理，圖神經網絡（Graph Neural Network，GNN）能夠捕捉節點之間的關聯關系和局部特征，分析網絡中的關鍵節點、社群結構和傳播路徑等。利用可視化工具可繪制出動態多層耦合網絡的拓撲圖，幫助理解學習社群網絡中各要素之間的關系，探索隱藏的復雜特征和關聯模式。

通過建立學習場景特征指標集，并結合學習環境特征和學習活動行為特征的指標集，構建面向學校、家庭、社會等不同學習場景的多模態數據集。在多模態數據集初步構建后，采用深度學習目標檢測方法確定學習主體，基于學習者的活動行為時間序列，通過長短期神經網絡（LSTM）構建跨場域學習場景識別模型，以分析多場景下的學習活動環節與整體過程。依據學習活動行為、學習者認知模板、同伴交互以及知識點激活等，進行個人和學習小組的多尺度學情畫像表征，涵蓋學習行為特點、成績變化、方法偏好、學習習慣等維度。依據不同場景下的學習表現，定期收集新的數據對學情畫像進行動態調整，從而實現場景感知的學情畫像刻畫。

（三）精準自適應支持與智能服務

通過對物理環境、活動過程、學情畫像、學習社群等方面進行智能計算，進而提供學習環境監測調控、可解釋學習行為理解、自適應學習資源推薦、學習社群支持與教學干預等智能服務。具體包括：（1） 構建學習環境智能感知模型，實現環境舒適度的動態調控。考慮到照明光線對于學生視覺健康、環境噪聲對于課堂沉浸度等方面的影響，建立環境舒適度多維度評價指標。通過部署的邊緣節點，實時提取環境中的聲光電、溫濕度和網絡等數據流，利用深度神經網絡構建學習環境智能感知模型。該模型能夠根據網絡情況自適應調節端側感知設備的音視頻編碼參數，實現室內學習環境舒適度實時預測與動態調控。（2）制定評課規則與指標，生成可解釋的課堂智能反饋。在學與教的個體活動行為序列、多場景下的活動狀態序列的基礎上，通過提煉一線教師的經驗，并結合學科教學專家的知識，制定出分場景的評課規則與指標體系。然后，通過層次分析等方法，對學習投入、課堂互動、教師授課和教學組織等維度進行計算，生成交互式、可解釋的課堂智能反饋報告，可為教師和教育管理者提供有價值的參考，以改進教學策略并提升課堂效果。（3）基于活動感知的學情畫像，進行個性化學習資源推薦。基于識別出的跨場域復雜學習活動、個人與小組學情畫像維度，結合場景中的學習活動，生成符合學習者個性特征和偏好的提示詞（Prompt），以進行個性化的學習資源推薦。例如：在操作類實驗實訓場景中，自適應學習資源推薦可輔助教師的實驗備課和精準化教學。基于實驗步驟的引導和錯誤操作提示，提供交互式學習支持，幫助學習者反思并加深對知識點的理解。此外，結合學習者間的相似性和差異性生成推薦結果，為學習小組提供適合共同學習和討論的資源，激發小組成員之間的互動和合作。（4） 識別學習社群的網絡結構，提供精準教學支持與干預。通過多層耦合網絡的原型系統，教學者可對社群網絡數據進行聚類分析和交互探索，從而深入了解學習社群的內部結構和運行機制。結合學習社群網絡和專家教學干預策略庫，這些干預策略包括學習心理疏導、社群伙伴支持以及家、校、社共同干預等[9]，基于可信的人機交互閉環，能夠針對不同教學場景提供精準教學支持與干預服務。

四、智聯學習環境的實施路徑

基于智聯學習環境的整體框架，依托上述的算法模型與智能服務，將其應用于實際教育場景，為規模化應用示范提供支撐。本節將從四方面探討智聯學習環境的實施路徑，分別是：跨場域學習環境設計與評測、事件驅動的學習環境計算引擎、云邊端協同的智慧教室監測平臺、循證導向的規模化示范應用。

（一）跨場域學習環境設計與評測

基于智能技術改造和增強跨場域學習環境，場景化人工智能教育應用成為關鍵抓手[10]。場景驅動的技術創新是通過場景引導人工智能技術實現突破，從而形成智能技術供給和教育需求的互動演進[11]。首先，調研班級授課、協作學習/教研、實驗實訓、在線自學等各類學習場景的典型案例，分析出學校現有的軟硬件等基礎設施狀況，制定出傳統學習環境升級改造的建設標準與技術指南。針對典型學習場景，剖析學習事件/活動、學習主體、技術設備以及學習空間等要素，并進行數據化、結構化建模。其次，提煉學習者在不同階段的活動行為、情緒變化、痛點需求等，形成“以學習者為中心”的用戶旅程圖[12]。基于教育學基礎理論，設計自適應學習服務流程，提出智聯技術支持學習活動的基本邏輯思路。最后，邀請師生和專家進行反饋與評測，通過多輪迭代優化智聯學習環境的設計。

（二）事件驅動的學習環境計算引擎

在智聯學習環境中，物聯網設備、音視頻感知設備和在線學習平臺等是數據的重要來源。這些設備和平臺產生的行為或動作，通常被定義為事件，包括環境傳感器狀態、用戶操作行為和外部服務響應等。為了構建核心算法模型庫，需要集成環境感知、過程記錄、場景識別以及社群連接等，從而研制事件驅動的學習環境計算引擎，感知跨場域復雜學習場景下的師生行為與狀態變化。事件驅動架構（Event-Driven Architecture，EDA）[13]是一種基于事件的軟件架構模式，其核心思想是系統的各個組件通過“發布—訂閱”機制觸發和處理事件，實現松散耦合、可擴展性和高靈活性。事件驅動的學習環境計算引擎可通過事件隊列、事件調度器、事件通道和事件處理器等組件，依據事件的類型和屬性設計出相應的事件處理和響應機制，并基于事件流主動提供服務。此外，需要基于環境狀態、行為編碼、認知模板、學情畫像和教學支持與干預策略等實體關聯及因果關系，構建學習環境智聯計算的知識庫，歸納實體關系描述及推斷規則，為跨場域、多場景下的精準學習服務提供參考依據。

（三）云邊端協同的智慧教室監測平臺

云邊端協同的智慧教室監測平臺以數據計算和智能處理為中心，通過云邊端分層協同計算[14]，實現云端計算集群、邊緣網絡節點和物聯網智能終端共同參與感知、學習和決策。終端層通過Zigbee、LoRa、Wi-Fi等物聯通信協議，滿足跨廠家、跨設備、跨業務的泛物聯接入。邊緣計算網關作為IoT設備、學習終端與云端之間的數據通信“橋梁”，承擔數據采集與預處理、通信協議轉換、實時數據分析與決策、遠程監測與控制，實現邊端協同的智慧學習環境感知調度。邊緣計算節點處理視頻關鍵幀時，可在本地可信執行環境中運行或調用云側的AI模型，并將識別結果上傳至云端時序數據庫。云平臺負責邊緣計算節點管理、AI模型訓練等核心功能，通過設計教育物模型，定義出物聯網設備的屬性、功能與事件，將邊緣節點及其子設備注冊并接入云平臺。AI模型訓練依據學習場景數據、數字資源進行模型訓練和大模型微調，依據云邊協同消息通信與模型分發規范，實現智能模型云端訓練和邊端分發部署。基于云邊端協同技術框架，大規模智慧教室監測平臺集成仿真設計、狀態監測、效率評估等功能模塊，全過程地記錄、監測和分析學習者和學習環境數據，為學習者提供適應性學習支持。

（四）循證導向的規模化示范應用

按照“設計開發、實施驗證、分析評價、完善優化”的實驗流程，采用實驗或準實驗研究方法開展對照實驗，比較不同反饋組學生在學習過程和結果上的差異，探索智能技術與服務（如評課記錄生成、學習資源推薦、自適應學習支持）對學生和教師績效（如知識水平、實驗技能、情感動機等）的影響，挖掘智能技術支持學習的內在規律，明確典型學習場景下有效學習支持的原則和策略，提供可解釋性證據支持學習者為中心的理念。將優化后的“立體綜合教學場設計”應用到實際教學活動中，通過溯源技術明晰智能技術在教學活動中的關鍵作用，分析其在教與學中的實質性的輔助或支持作用。結合學習活動理論與系統性教學設計原則，分析關鍵事件和要素，確定影響最終事件的關鍵要素。結合已有教育學理論模型，梳理出智能技術與教育教學活動的融合機理，提煉若干針對不同典型學習場景的智能技術支持下的教與學融合設計原則，以指導與改進各類教育教學活動。隨后，開展規模化典型區域應用示范，驗證立體綜合教學場整體解決方案的有效性與智能技術的教育成效，為大規模智聯環境下跨場域教學支持服務提供支撐。

五、智聯學習環境實現的關鍵挑戰

受限于技術成熟度、倫理風險和教育基礎設施等，以人為中心的智聯學習環境的構建仍面臨諸多制約。本節將從云邊端算力基礎設施、人工智能模型的教育可解釋性、人機協同與交互體驗設計、數據安全與隱私保護四個方面探討關鍵挑戰。

（一）云邊端算力基礎設施

智聯學習環境依托云邊端協同的技術框架，迫切需要改造與升級教育行業現有網絡基礎設施。圍繞跨場域學習場景，立足“數據、算法、算力”三要素，亟須推動公共算力對場景化教育應用的支撐。在規模化落地驗證時，可依托國家一體化算力服務體系，為各級教育機構提供混合異構算力的動態供給，支持AI模型構建、訓練和推理。面對智聯學習場景的差異化訴求，需智能推薦與匹配算力、存力和運力，實現多策略驅動的分布式算網協同調度服務。此時，邊緣智能計算節點通常提供CPU、GPU、NPU等算力資源，支持AI模型推理、3D圖形渲染、視頻解碼等計算任務；當本地算力不足時，可從區域級算力樞紐調度資源，實現跨場域學習環境的混合異構算力動態供給，滿足高算力、低時延等智聯學習場景的需求。

（二）智能模型的教育可解釋性

隨著智能技術逐步融入教育情境，通用分析模型難以直接適用于師生活動行為，單一智能算法無法應對復雜教育場景，且容易引發以偏概全的風險。同時，可解釋性成為教育人工智能的重要問題，人類分析與決策依賴于自身背景知識，如何跨越人類可理解的語義空間與數據特征空間的鴻溝至關重要[15]。此時，需要引入教育專家經驗，構建活動行為、學習場景和學習狀態的編碼表，為可解釋計算提供先驗知識。教學活動是課堂觀測分析的主要依據，應以此為橋梁/樞紐，連接計算機可識別的底層數據特征與教育學高層語義，研發智能技術核心算法。同時，針對深度學習模型的“黑箱”問題[16]，可通過可視化和交互技術解釋AI模型的基本邏輯與工作機理，增強學習者和教師對AI決策結果的理解，克服決策過程不透明所引發的不信任感。

（三）人機協同與交互體驗設計

人機交互與人本人工智能都旨在輔助學習任務執行、增強人類認知能力，從而提升感知、思考、行動和創造的能力[17]。因此，需要重點關注人工智能系統的用戶界面（UI）和交互機制，基于以人為中心的設計方法與原則，針對不同應用場景提供異常事件響應、學習者主動喚醒等交互方式，實現錯誤提示、學習引導等類型的反饋。通過可用性、心理和生理狀態等指標評估交互體驗，確保輕松、投入、有效的學習體驗。同時，在人類與AI協作方面，學習者的特征和AI的外觀、角色等因素會影響其對AI的感知和使用意愿[18]。應考慮教育場景中的活動流程、角色分工和情感因素，促使AI系統或者教學代理自然融入教與學流程。通過融合學習者經驗與AI生成計算結果，提升交互任務的執行效率和質量。

（四）數據安全與隱私保護

數據作為新型生產要素，已成為教育未來發展的關鍵戰略資源。智聯學習環境將采集與匯聚環境、學習者、活動行為、社群交互和學習資源等多類數據，教育行業公共數據資產的管理與合規使用尤為重要。因此，亟須推動數據基礎設施建設，明確各類教育數據的責任主體和邊界，通過健全共享開放機制，促進跨機構、跨部門的專業數據可信、高效流通和利用。同時，應高度關注學生和教師的隱私保護，重視個人敏感數據的脫敏和合規風險。需制定嚴格的數據管理制度和技術規范，加強數據加密與訪問權限控制；采用可信密態計算[19]、隱私計算、聯邦機器學習等[20]技術手段，通過軟硬件結合的方式，在保護數據隱私的同時，實現多模態數據的安全合規與有效利用。

六、結 束 語

面對教育高質量發展的迫切需求和以人工智能為代表的新一代信息技術變革的復雜性、不確定性，科技與教育融合的進程依然存在挑戰。在智能時代，智慧學習環境成為推動教育數字化轉型和創新的重要基礎。通過將學習環境核心要素與智能技術進行融合，突破學習環境多模態感知與監測、多場景的學習過程記錄與分析、跨場域的學習場景建模與推薦、人機協同的學習社群建構與支持等技術，構建起以學習者為中心的智聯學習環境。它遵循“數據處理、模型訓練、智能服務”的總體邏輯，涉及物理環境改造與數據匯聚、數據指標與算法模型構建，以及精準自適應支持與智能服務等層面。以場景化人工智能教育應用為關鍵抓手，通過制定跨場域學習環境設計與評測標準，研發智慧學習環境計算引擎及大規模智慧教室監測平臺，推動人工智能在教育中的大規模應用。智聯學習環境是新一代人工智能在教育領域的創新應用，為個性化學習、終身學習和擴大優質教育資源覆蓋面提供有效技術支撐。同時，對構建網絡化、數字化、個性化、終身化的教育體系，建設“人人皆學、處處能學、時時可學”的學習型社會也具有重要意義。

[參考文獻]

[1] 中華人民共和國中央人民政府. 高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告[EB/OL]. （2022-10-16）[2024-01-02]. https：//www.gov.cn/xinwen/2022-10/25/content_5721685.htm.

[2] 黃榮懷. 智慧教育的三重境界：從環境、模式到體制[J]. 現代遠程教育研究，2014（6）：3-11.

[3] 李艷燕. 科技賦能教育創新：學習環境的變革與升級[J]. 人民論壇·學術前沿，2023（20）：73-79.

[4] 中華人民共和國教育部. 2023年全國教育事業發展基本情況[EB/OL]. （2024-03-01）[2024-08-14]. http：//www.moe.gov.cn/fbh/live/2024/55831/sfcl/202403/t20240301_1117517.html.

[5] 中華人民共和國中央人民政府. 國務院關于印發《新一代人工智能發展規劃》的通知[EB/OL]. （2017-07-08）[2024-01-02]. https：//www.gov.cn/gongbao/content/2017/content_5216427.htm.

[6] 黃榮懷，虎瑩，劉夢彧，等. 邁向數字時代教學變革的基本理論：數字教學法[J]. 電化教育研究，2024，45（6）：14-22，33.

[7] MOSQUEIRA-REY E， HERN？魣NDEZ-PEREIRA E， ALONSO-R？魱OS D， et al. Human-in-the-loop machine learning： a state of the art[J]. Artificial intelligence review， 2023，56（4）：3005-3054.

[8] YE M， SHEN J， LIN G， et al. Deep learning for person re-identification： a survey and outlook [J]. IEEE transactions on pattern analysis and machine intelligence， 2021，44（6）：2872-2893.

[9] 武法提，高姝睿，田浩. 人機智能協同的精準學習干預：動因、模型與路向[J]. 電化教育研究， 2022，43（4）：70-76.

[10] 中華人民共和國科學技術部. 科技部等六部門關于印發《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》的通知[EB/OL]. （2022-07-29）[2024-01-02]. https：//www.most.gov.cn/xxgk/xinxifenlei/fdzdgknr/fgzc/gfxwj/gfxwj2022/202208/ t20220812_181851.html.

[11] 張曉林，梁娜.知識的智慧化、智慧的場景化、智能的泛在化——探索智慧知識服務的邏輯框架[J]. 中國圖書館學報，2023，49（3）：4-18.

[12] ALVAREZ J， L？魪GER P M， FREDETTE M， et al. An enriched customer journey map： how to construct and visualize a global portrait of both lived and perceived users' experiences？[J]. Designs， 2020，4（3）：29.

[13] 湯小春，張克，趙全，等. 基于事件驅動架構的分布式流處理彈性資源分配策略研究[J]. 計算機學報，2023，46（2）：244-259.

[14] YAO J， ZHANG S， YAO Y， et al. Edge-cloud polarization and collaboration： a comprehensive survey for AI[J]. IEEE transactions on knowledge and data engineering， 2022，35（7）：6866-6886.

[15] 張鈸，朱軍，蘇航. 邁向第三代人工智能[J]. 中國科學：信息科學，2020，50（9）：1281-1302.

[16] 盧宇，章志，王德亮，等. 可解釋人工智能在教育中的應用模式研究[J]. 中國電化教育，2022（8）：9-15，23.

[17] SHNEIDERMAN B. Human-centered AI [M]. Oxford：Oxford University Press， 2022.

[18] 姜婷婷，許艷閏，傅詩婷，等. 人智交互體驗研究：為人本人工智能發展注入新動力[J]. 圖書情報知識，2022，39（4）：43-55.

[19] ZHAO C， ZHAO S， ZHAO M， et al. Secure multi-party computation： theory， practice and applications [J]. Information sciences， 2019，476：357-372.

[20] WEI K， LI J， DING M， et al. User-level privacy-preserving federated learning： analysis and performance optimization [J]. IEEE transactions on mobile computing， 2021，21（9）：3388-3401.

A Learner-centered Intelligent Learning Environment：

Connotation， Framework and Implementation Paths

QI Binbin1， BAO Haogang2， ZHENG Yafeng3， LI Yanyan1

（1.National Engineering Research Center for Cyberlearning and Intelligent Technology， Beijing Normal University， Beijing 100875; 2.Institute of Basic Education Research， China National Academy of Educational Science， Beijing 100088; 3.Center for Educational Science and Technology，

Beijing Normal University， Zhuhai Guangdong 519087）

[Abstract] The construction of learning environments is the foundation of the digital transformation in education and the transformation of learning and teaching methods. Promoting the renovation and intelligent upgrading of learning environments， constructing learner-centered intelligent learning environments， and realizing precise delivery of learning services are the realistic demands for the development of digital education and the construction of a high-quality education system. Focusing on the key issues of intelligent computing in learning environments， the connotation of intelligent learning environments is defined from four aspects： the multimodal perception and monitoring of learning environment， the recording and analysis of learning process in multiple scenarios， the modeling and recommendation of cross-disciplinary learning scenarios， and the construction and support of human-computer collaborative learning communities. Following the logic of "data processing， model training， and intelligent services"， a framework was designed covering physical environment transformation and data aggregation， data index and algorithmic model construction， precise adaptive support and intelligent service. Taking the application of scenario-based artificial intelligence in education as a starting point， the implementation paths were proposed， which included the design and evaluation criteria for cross-disciplinary learning environments， the development of intelligent learning environment computing engines and large-scale smart classroom monitoring platforms， and the evidence-based large-scale demonstration applications. Finally， the key challenges for realizing intelligent learning environments were discussed， including cloud-edge-device computing infrastructure， the educational interpretability of intelligent models， human-computer collaboration and interaction experience design， and data security and privacy protection.

[Keywords] Intelligent Learning Environment; Learner-centered; Cloud-Edge-Device Collaboration; Intelligent Education; Digital Transformation in Education