教育人工智能的发展难题与突破路径

       中图分类号：G434 文献标识码：A 文章编号：1009-5195(2018)03-0030-09

       一、教育步入智能化时代

       人工智能是制造智能机器的科学和工程，表现出与人类行为智能相关的特征，包括推理、学习、寻求目标、解决问题和适应性等要素(Monostori，2014)。人工智能作为社会发展的重要科技力量，迅速渗透到各行各业，成为各行业发展的新动力和新趋势。在此形势下，教育如何适应智能时代的需求，利用智能技术推进教学模式变革以及创新型人才培养，成为世界各国政府面临的重要挑战。美国2016年发布的《为人工智能的未来做好准备》提到要实施人工智能教育，扩大人工智能和数据科学课程，为人工智能推动经济发展培养需要的人才(White House，2016)。国务院2017年7月颁布的《新一代人工智能发展规划》提出要发展智能教育，利用智能技术加快推动人才培养模式以及教学方法的改革，构建包含智能学习、交互式学习的新型教育体系，推动人工智能在教学、管理、资源建设等方面的应用(国务院，2017a)。同年，国务院颁布的《国家教育事业发展“十三五”规划》也提出要“综合利用互联网、大数据、人工智能和虚拟现实等技术探索未来教育教学新模式”(国务院，2017b)。可见，利用人工智能技术推进教育系统的变革与创新已经引起世界各国的高度关注。

       当前，我国教育改革虽然取得了显著进步，但仍存在一些突出问题，比如教育发展不均衡，创新型人才培养模式不完善以及优质教育资源配置不合理等。随着智能化时代的到来，人工智能将成为破解这些教育难题的“利器”，在创新教育教学模式、优化人才培养方案、发展学生专业技能、构建终身学习体系等方面发挥重要作用，推动未来教育的变革与发展。

       近年来，国内教育领域的专家学者围绕教育人工智能的内涵与关键技术(闫志明等，2017)、智能教育的内涵与目标定位(张进宝等，2018)、人工智能对混合式教学的促进(戴永辉等，2018)以及深度学习与机器学习的创新教育应用(刘勇等，2017；余明华等，2017)等进行了初步探讨。但是，教育研究者和实践者对于人工智能与教育融合发展过程中的一些基础性问题的认识仍较为模糊，比如教育人工智能技术框架、应用模式、发展难题等。基于此，本研究将构建教育人工智能的技术框架，探讨教育人工智能的典型应用模式以及发展过程中面临的难题，并在此基础上提出教育人工智能的发展路径，以期对人工智能与教育的融合发展提供一定的借鉴。

       二、教育人工智能的技术框架

       人工智能的发展经历过三次浪潮，分别是计算智能时代、感知智能时代和认知智能时代，人工智能教育应用伴随这三类智能技术的发展而不断发展。吴永和等认为，“人工智能+教育”的相关技术有机器学习、深度学习、自然语言处理、神经网络、学习计算、图像识别等(吴永和等，2017)；闫志明等指出，教育人工智能的关键技术主要有知识表示方法、机器学习与深度学习、自然语言处理、智能代理、情感计算(闫志明等，2017)。根据前期的调研分析以及相关学者的研究，笔者构建了教育人工智能的技术框架，主要包括教育数据层、算法层、感知层、认知层和教育应用层(见图1)。

      

       图1 教育人工智能的技术框架

       1.教育数据层

       教育数据层是教育人工智能技术框架的基础层，该层主要包括管理类数据、行为类数据、资源类数据以及评价类数据(李振等，2018)。其中管理类数据包括学生个人信息、学籍档案、教职工信息、一卡通数据等，资源类数据包括试卷、课件、媒体资料、案例等，行为类数据包括教师行为数据(如讲解与演示、指导与答疑、提问与对话、评价与激励)和学生行为数据(如信息检索、信息加工、信息交流)，评价类数据包括学业水平测试数据和综合素质评价数据等。教育数据层主要负责对以上数据进行采集、加工处理、存储等，但由于该层的数据庞大复杂、良莠不齐，因此在数据采集环节需要对数据进行预处理，具体涉及的技术包括数据采集、筛选、集成、格式转换、流计算、信息传输等。其中在数据处理环节，当前应用比较广泛的数据处理平台有Hadoop、MapReduce和Spark等。

       2.算法层

       算法层是实现各类教育人工智能技术的核心，该层主要包括机器学习和深度学习两类算法。机器学习是指利用数据或以往经验，优化计算机程序的性能标准，其目标是开发能够自动检测数据模式的方法，然后使用未覆盖的模式来预测未来的数据(Alpaydin，2014)，是人工智能最核心、最热门的算法。目前，机器学习在学生行为建模、预测学习表现、预警失学风险、学习支持与测评以及资源推送等方面发挥着重要作用(余明华等，2017)。深度学习是机器学习的一个子领域，致力于算法构建，解释和学习传统机器学习算法通常不能提供的高水平和低水平的抽象数据(Taweh Beysolow Ⅱ，2017)。深度学习在文本识别、语音识别、图像识别等方面的应用已取得突破性进展，其识别准确率已远远超过传统技术的识别能力(刘勇等，2017)。