周一至周五 | 9:00—22:00

期刊论文网 > 教育论文 > 综合教育论文 > 智能教育论文 智能教育:互联网+教育时代的新模式

智能教育论文 智能教育:互联网+教育时代的新模式

2019-03-14 10:35:03来源:组稿人论文网作者:婷婷

  【摘 要】随着人工智能在教育领域应用的不断深入,互联网教育进入到“智能教育”的高级阶段,教育信息化也从数字化、网络化向智能化方向发展。本文首先梳理了智能教育的演进历程,按历史发展顺序将其分成了五个阶段;然后分别从广义和狭义两个角度阐释了智能教育的目的性和技术性,设计了智能教育的技术框架;接着分析了人工智能技术在解决教育公平化和个性化两大难题中的价值,并从自适应学习与学习分析、智能教学反馈和评测、教育机器人与机器人教育三方面对其应用模式进行了举例说明;最后从加强多学科交叉融合、完善教育数据生态系统、培养智能教育专业人才、需求导向下的智能教育应用四方面提出了智能教育的发展路径,以期为智能教育的深入研究提供借鉴与参考。

  【关键词】智能教育;双重属性;技术框架;应用模式;发展路径;多学科交叉

  引言

  随着深度学习、认知计算、模式识别等技术的飞速发展,以及自动驾驶、聊天机器人、人脸识别等新兴科技产品的出现,新一轮人工智能浪潮正逐渐蔓延至生活的各个领域,整个社会进入到了“人工智能+”时代。Gartner公司预测人工智能将成为未来5-10年三大技术趋势之一,为抢占人工智能制高点,世界各国都相继制定了相关的发展战略。日本、英国、法国、美国分别发布了《第5期科学技术基本计划》、《人工智能给未来决策带来的机遇及影响》、《人工智能战略》、《国家人工智能研究与发展战略规划》等战略性文件。

  在人工智能全球化、产业化的大背景下,人工智能对教育这个数据、知识以及脑力劳动密集型领域的影响更是颠覆性的,近年来各种新型智能教育应用层出不穷,如高考机器人、自动批改作业、智能口语测评、在线拍照搜题等,人工智能与教育深度融合已成为必然趋势。新媒体联盟发布的高等教育版《地平线报告》曾预测人工智能将对未来教育产生重要影响。在我国,人工智能已上升为国家的核心战略,并出台《新一代人工智能发展规划》,其中针对教育领域提出要利用人工智能技术进行教育模式变革、构建新型教育体系、研发智能化的学习支撑平台,并实施全民智能教育项目,从而实现“智能教育”。随着人工智能技术在教育的深度应用,互联网教育将进入“人工智能+教育”的高级阶段。

  一、智能教育的演进历程

  自从教学机器产生以来,心理学家、教育学家就开始探索如何将自动化、智能化手段应用到教学中来提高效率,从历史发展的视角可将智能教育的发展历程划分为以下五个阶段。

  1.萌芽期-早期教学机器阶段

  在教育领域进行人工智能探索的尝试可追溯到20世纪20年代,普莱西最早制作了第一台自动执行测验和计分任务的教学机器;60年代早期,斯金纳基于行为原理设计了支持程序教学的机械装置,其目的在于通过预设的知识项目来实现差异化、个别化的教学,这些早期作品孕育了人工智能教育应用的萌芽。

  2.启动期-计算机辅助教学(CAI)阶段

  在图灵测试以及人工智能概念的影响下,60年代后期,智能教育进入到计算机辅助教学阶段。ALGOL、LOGO编程语言开始应用于计算机辅助教学(CAI),并开发出了相应的辅助教学系统,如PLATO系统、TICCIT系统等。CAI系统一般由硬件、软件及课件三部分组成。

  3.突破期-智能计算机辅助教学(ICAI)阶段

  70年代后期和80年代初,在CAI的基础上引入了知识库、推理机等专家系统技术,智能教育逐渐进入智能计算机辅助教学(ICAI)阶段。这一时期正处于行为主义衰落、认知心理学崛起的阶段,因此这一时期的智能教学系统大致可分为两类:一类是以行为主义理论为基础的系统,如SCHOLAR、WEST、SOPHIE、GUIDON等;另一类是认知主义主导的教学系统,如LISPTutor、PROUST等。其中,最具代表性的是Sleeman和Brown提出的智能导师系统(ITS)。总体而言,这些系统仍是“以教为中心”的教学理念。

  4.发展期-自适应学习阶段

  90年代初,随着互联网的发展,适应性教育超媒体系统AHS开始出现,并在此基础上演化成了自适应学习系统。自适应学习系统不仅能够对学习者的反应进行正误判断,还能够根据当前学习者的学习需求、学习风格、知识水平、认知能力和学习状态进行适应性的调整,实现个性化或差异化学习。一个典型的自适应学习系统包括领域模型、用户模型、教学模型、适应性引擎四部分,代表性系统包括SQLTutor、AutoTutor、Why-2 Atlas 等。这一时期的智能教学系统强调“以学习者为中心”的理念,更加关注学习者的学习需求及个性特征。

  5.高速发展期-智能教育阶段

  近年来,随着云计算、教育大数据、深度学习等技术的不断成熟,智能教育进入高速发展阶段。这一时期,大规模教育数据的采集、存储、计算、分析挖掘成为可能。在全程跟踪记录学习者行为数据基础上,借助于机器学习、知识图谱等人工智能技术,以数据驱动而非问卷测量的方式,智能判别学习风格、个人偏好,深度诊断学习者的知识掌握情况,最大程度地模拟人类教师的角色,为学习者提供实时的、动态的学习内容和路径;同时,在线学习平台借助于学习效果的反馈数据能够进行自学习并不断优化自适应引擎,从而提供类人的、智能化的个性化指导与干预,代表性系统包括Knewton、DreamBox、ALEKS、AltSchool、Kidaptive、Smart Sparrow等。这一时期的智能教学系统强调数据驱动、深度融合,并借助互联网的力量实现规模化的个性化学习。

  图1 智能教育的演进历程

  二、智能教育的内涵及框架

  (一)人工智能概述

  人类智能包含感知、记忆与思维、学习与自适应、决策与行为等能力,而人工智能是对人类意识、思维认知过程进行模拟,使机器具备人类的识别、认知、分析、决策等功能,从而替代人类完成一些重复性的复杂的工作。

  由于人工智能内涵的不断变化及其跨学科的性质,目前对于人工智能还没有一个统一的定义,从广义角度来说,人工智能是一门综合了数学、计算机科学、信息学、心理学的交叉学科,凡是使用机器代替人类实现认知、识别、分析、决策等功能,均可认为使用了人工智能技术。从学科定义上来讲,人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用的一门新的技术科学。从人工智能涉及的算法角度,可将其分为机器学习、语言识别、图像识别、自然语言处理和专家系统等。近年来,随着数据收集及分析、智能技术(尤其是深度学习)以及分布式计算技术的飞速发展,人工智能迎来新的历史机遇进入到新的发展阶段——新一代人工智能阶段。

  (二)智能教育内涵

  关于智能教育的内涵,不同研究者从不同角度对其进行了定义,本文认为其内涵可以从广义和狭义两个角度来理解,如图1所示。

  1.广义的智能教育

  广义的智能教育,一方面是指在进行知识教育的同时着重培养人的多元智能(言语、数理逻辑、空间、肢体、音乐、人际交流、自知等),其理论基础是加德纳提出的“多元智能理论”,这体现了智能教育包含教育目的性;另一方面,智能教育是指运用人工智能等先进的信息技术促进教学方式、方法和模式的变革,使教育管理、教学与学习实现智能化的手段,该视角着重强调了智能技术对于教育的支撑作用,为教育教学提供智能化的学习环境、学习资源等内容。

  2.狭义的智能教育

  从狭义角度来说,智能教育特指人工智能在教育中的应用,包含人工智能教育、教育人工智能两方面。人工智能教育将人工智能作为学习对象,开展知识表示、专家系统、编程语言、问题求解等人工智能内容的教学,《规划》也提出应逐步在中小学阶段设置人工智能相关课程,并实施全民智能教育项目。人工智能作为信息技术课程教学中的重要内容,旨在是学生建立对人工智能技术的基本认知,培养解决复杂问题的逻辑思维能力,从而丰富信息学科素养和提高高阶思维能力。教育人工智能(EAI)是人工智能和学习科学的结合,直指将人工智能作为改善教育的技术手段,利用人工智能工具来助力教学、测评、管理,为自适应学习环境和灵活多样的教育辅助工具提供智能支持,同时利用人工智能探索学习发生的原理与机制。其中,学习者模型、领域知识模型、教学模型是其三大核心内容并具有数据驱动、自学习、人机协同、个性化定制的特点。

  因此,无论是从广义角度讲,还是从狭义角度看,智能教育都具有双重属性:教育的技术性和教育的目的性。

  图2 广义狭义智能教育内涵

  3.智能教育的技术框架

  数据、运算力和算法模型是人工智能技术的三大要素,而智能教育是人工智能与学习科学相结合而形成的一个新领域,因此可以认为智能教育的要素有数据、算力、算法模型、学习科学四大要素组成。

  基于上述四大要素,本文提出了智能教育的技术框架如下图所示,包括基础设施层、大数据层、算法层、应用层。其中,基础设施层以云平台为基础,为智能教育提供计算能力;大数据层汇集了教育教学活动中的各种行为数据、过程数据、结果数据以及评价数据,从而为智能计算提供数据基础;算法层提供自然语言处理、计算机视觉和语音识别等先进的算法及框架,是智能教育的核心,基于这三大要素,结合学习科学的理论,实现应用层的各种场景应用。

  图3 智能教育技术架构图

  三、人工智能应用于教育的时代价值

  智能教育属于人工智能在教育领域的应用范畴,应靶向当下教育的具体问题,为解决我国面临的教育公平化和个性化两大难题提供新思路,这也是教育对人工智能技术的最根本需求及其价值体现。

  (一)人工智能助力教育资源均衡化

  教育领域最突出的问题是优质教育资源需求与供给的失衡问题。互联网教育虽然实现了数字化学习资源的极大丰富以及供需双方的链接,但具备先进的智慧教育理念、丰富的专业知识储备、娴熟的信息化教学能力与创造力的优秀教师资源具有不可复制性,并很难实现重新配置,因此,教育资源均衡问题的主要根源在于教师资源这一“第一教育资源”。然而,当前我国师范类教育培养的教师整体供大于求,而优秀教师供不应求,同时存在着区域、学科、学段等方面的不均衡性。

  进入人工智能时代,借助于机器批改、智能组卷、自动评分等智能教育应用将教师从各种重复性标准化的劳动中解放出来,甚至利用人工智能技术代替教师承担一些原理性、策略性的教学工作,使教师更专注于教法创新、课程设计、情感关怀等具有创新性和创造性的劳动中,从而从根本上降低教育对教师人力资源的过度依赖,在一定程度上解决师资力量不均衡的问题,并显著提高教学效率和效能。

  (二)人工智能是实现个性化教育的必由之路

  教育领域面对的另一个问题是教育适应性服务能力不足,不能满足学习者多元化、个性化的学习需求。传统教育方式受制于学校教育模式的限制,只能为学生提供千篇一律的教学内容、教学体验;即使是采用“互联网+教育”手段,如果缺乏人工智能技术的支持,也无法实现智能诊断每个学习者的学习程度、知识水平、认知能力,无法真正实现个性化的资源推送、学习干预。

  人工智能在不断收集学生行为、学习进程、学习结果等多维数据的基础上,利用心理学、学习科学等原理与模型实时评估学习者对知识点的掌握程度以及技能水平,及时发现薄弱环节,并量身打造个性化的学习内容、学习路径;利用学习分析、教育数据挖掘等技术,揭示学习者学习行为与学习结果间的内在规律。此外,借助于人工智能技术中的人脸识别、情绪识别等感知能力,识别学习者当前的注意力、疲劳度、兴趣度,为及时反馈和实时干预提供依据。人工智能为深入理解学习者特征、学习者思维模式提供了技术支撑,从而显著提升在线学习和自适应学习系统的性能。

  四、智能教育的应用模式

  目前,人工智能在教育领域的主要应用包括:自适应学习与学习分析、智能教学反馈和评测、教育机器人与机器人教育、教育数据的智能分析与建模、虚拟现实智能建模、虚拟助手和学习环境、智能虚拟学伴、智能教育决策支持等,下文主要对前三个方面进行总结梳理。

  (一)自适应学习与学习分析

  自适应学习能够根据学习者的学习需求、知识水平、认知能力、情感状态以及学习环境等各方面的差异性为其提供个性化的学习内容、学习资源、学习路径和学习策略;而学习分析是自适应学习在大数据时代新的发展,通过融合多种感知技术获取学习者及其所处情境全过程、全情景、多维度的原始数据,并借助社交网络分析、话语分析、数据挖掘等分析技术,判断学习者学习状态与学习需求、评估学习者的学习进展,深刻理解和洞察学习的潜在问题,预测未来的学习表现、提供个性化指导与干预。二者都是个性化自适应学习环境构建的基础。

  已有很多自适应学习系统已将人工智能技术融入其中。例如,美国著名的在线智能适应学习平台Knewton借助于心理测量模型以及贝叶斯网络、隐马尔科夫等概率模型来评估学习者知识状态,并基于学科知识图谱进行学习路径推荐;DreamBox 是针对数学学科以游戏化方式在线学习服务的平台,它通过跟踪学习者的行为记录,利用机器学习算法实时为学习者提供自适应学习内容,从而培养学习者对于数学概念的理解能力。目前,很多自适应学习系统已经应用到数学、地理、电路、医学、计算机编程、遗传学和化学等课程的教学中。

  当前,国内外在自适应学习与学习分析方面的研究主要集中在三个方面:学习者数字画像(学习者特征建模)、学科知识图谱构建、智能推荐与个性化干预技术。在人工智能技术支持下,结合大数据的学习行为分析技术,能够建立更加精准的学习者模型以及学科知识本体库与知识图谱,更加智能地自适应调整学习过程,因人而异的为学生推送适合的学习内容,从而快速提高学习效率和学习效果。

  (二)智能教学反馈和评测

  随着人工智能技术在教学中的深度应用,传统的人工审阅、批改、评测及反馈正逐渐被智能化、自动化的系统所取代。典型的应用主要有计算机化智能测验、大规模口语测评、自动化批改等。

  计算机化智能测验是由计算机根据学习者当前状态,自动从题库中选取与之相适应的题目进行测试,进而诊断学习者能力水平和认知水平,并以诊断报告的方式为学习者提供提升的建议和策略,学习者可以显性地了解到自己学科板块知识点和能力点的掌握情况。具体可以分为传统CAT和认知诊断型CAT,其代表理论分别是项目反应理论(IRT)和认知诊断理论(CAT),其目的是达到“因材施教”“量体裁衣”式的自适应诊断。

  当前,计算机化智能测验主要研究内容包括题库建设问题、选题策略问题以及题目属性关联矩阵(Q矩阵)构建问题。其中,题库建设主要为了解决项目的难度、区分度、猜测度等参数标度问题。在人工智能技术支持下,通过数据驱动的方式,将传统心理测量中的IRT、CAT模型和机器学习相融合,结合深度学习等人工智能技术,可以实现对题目参数的自动标注、对Q矩阵的自动估计。

  语音识别技术在教育领域的应用主要是大规模口语测评。目前,英语听说能力的考核已经成为中考改革的重要内容,采用深度学习等智能语音识别技术能够对学生的口语发音进行指正、评分,从而实现英语听说测评的自动化,减少人力投入的成本并显著提升教学效率。在国内,科大讯飞、沪江英语、51Talk、英语流利说等都研发了相应的英语口语识别引擎。在国外,Carnegie Speech、Duolingo软件采用自动语音识别(ASR)和NLP技术来识别语言中的错误,并帮助学习者进行纠正。

  此外,人工智能在自动化批改方面的应用也逐渐成熟,ETS、Pearson等机构已将NLP技术应用到标准化测试中,开发了自动化的作文等级评估工具;EdX、Coursera、Udacity正利用自然语言处理、机器学习、众包等技术来对简答题和论述题以及编程作业进行评估。

  (三)教育机器人与机器人教育

  教育机器人作为一种具有感知、思维、动作、协同等智能能力的自动化机器,能够协助教师进行教学管理、答疑,从而增强或延伸教师的表达能力、知识加工能力和沟通能力;能够作为学生学习的虚拟学伴,激发学生的学习兴趣和动力,因此,教育机器人将成为智慧学习环境的重要组成部分。

  机器人教育是人工智能教育的重要内容,极大地丰富了信息技术教育的内涵。目前,机器人教育已成为创新思维能力、合作探究能力、实践操作能力以及科学素养培养的重要抓手。Ozobot是一种基于光线识别技术开发的能够按线路游走的微型智能机器人,可以用来培养儿童编程以及演绎推理能力。Cubelets是一种模块化机器人玩具,它由具有感知、思考、行动等不同功能的立方体组成,儿童像搭积木一样将不同功效的立方体组装成机器人,实现各种有趣的效果,以此来培养儿童的逻辑思维能力。Wonder Workshop公司开发了一对编程机器人Dash 和 Dot,孩子可以应用Blockly等编程工具进行编程来控制机器人的各种行为,或使用C 或 Java语言开发iOS或 Android应用程序,从而教授孩子们编写代码。PLEO是一款完全智能并具有生命特征的电子宠物机器人,能够模仿生物的各种动作以及生命现象,甚至会形成自有的情感和性格,可以教育孩子认知生物学相关的知识。

  五、智能教育发展路径探析

  (一)加强多学科交叉融合研究

  智能教育是系统性科学,属于多学科交叉研究方向,涉及教育技术学、计算机科学、软件工程、信息管理等,需要多学科的对接和联合攻关。其中,教育技术学主要侧重于智能教育模型与方法研究,并融合前沿教育教学理念,设计以学习者为中心、以创造性思维培养为目标、提供深度学习体验、支持多模态互动教学模式的智能学习环境和资源;计算机科学以及信息管理主要负责教育大数据获取、教育知识图谱构建、数据智能处理与分析、智能化诊断评测、学习路径智能规划、学习资源智能推送等方法与技术研究,软件工程负责相关智能平台的工程开发与服务研究。此外,还应加强与脑科学、认知科学、心理学、统计学等学科的交叉融合,为智能教育应用的研究提供理论基础,实现信息技术与教育教学深度融合。

  图4 多学科交叉融合视角下的智能教育体系

  (二)完善教育数据生态系统

  海量的教育数据是发展智能教育的核心要素之一,是训练人工智能系统的基础。首先,应加快建立教育数据采集的标准与规范,适度开放共享公共教育数据资源,鼓励社交媒体等跨领域的多元数据共享融通。目前,ADL、IMS、ISO等国际标准化组织都在积极制定相应的教育大数据标准,其中最具代表性的是学习行为数据采集标准xAPI和学习分析数据互操作规范IMSCaliperAnalytics。其次,在教育数据预处理方面,通过数据清洗、数据扩充、数据交叉校验等环节,清除“脏”数据、补全缺失数据、统一数据格式,形成高质量的、“干净”的数据资源。再次,在教育数据存储与计算方面,开展基于Hadoop、Storm、Spark等开源框架的并行存储与计算技术研究,开发定制适合教育数据的一体化大数据平台,从而构建完善的教育数据生态系统,为智能教育提供可靠的、有质量的数据资源。

  (三)培养智能教育专业人才

  开展智能教育的研究与实践,需要与之匹配的人才培养式以及课程体系。智能教育需要跨学科复合型的专业技术人才,一方面要具有机器学习、知识图谱、深度学习等人工智能方面的专业能力,另一方面要具备教育心理学、教育信息化理论与方法、数字化学习资源环境设计与开发等教育技术学的背景知识,而既懂人工智能又懂教育的交叉学科人才供求严重失衡,因此急需重新设计人工智能教育的培养方式以及课程体系,培养智能教育的复合型人才。此外,在中小学阶段,以人工智能课程为主线,结合机器人教育、Scratch编程教育、STEM教育、创客教育等形式,开展人工智的普及性教育。

  (四)以需求为导向,深化智能教育应用

  智能技术只是解决个性化教育等问题的手段而非目的,因此开展智能教育应以教育需求为导向而非技术研发为动力,加强人工智能与教育的深度融合。具体而言,以资源均衡化、学习个性化等迫切需求为目标,利用人工智能的智能感知、智能建模、智能决策能力,开展智能校园、立体综合教学场、智能在线学习教育平台、智能教育助理等以智能化为核心的数字化学习资源与环境设计与开发,并利用机器学习从数据中自动发现教育教学的规律和基因,以便解开教学的“黑箱”。在人工智能技术运用方面,随着云计算平台以及TensorFlow、MXNet等深度学习框架的不断成熟,人工智能算法的壁垒及准入门槛都会降低,这也为开展智能教育应用提供了便利条件。

  六、结语

  人工智能在教育领域的应用,涉及教育的教、学、测、评、管等诸多环节,人工智能以其高效计算、精准分析、智能诊断的优势,能够针对不同的学习需求提供个性化学习服务,能够指导教师制定合理的教学计划,能够辅助决策者做出科学的决策,为改善优质教育资源分布不均、个性化服务能力不足以及教育投入成本高、收益低等问题提供新的技术支撑,使得精准教学和自适应学习成为可能。但教育是个复杂的系统工程,人工智能在处理复杂性、创新性、情感性的教学问题时,是无法取代人类智能的,因此未来的教育是人类智能与人工智能协同工作的时代。

栏目分类