教育AI面临发展难题，技术路径如何突破？
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，具体涉及到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 BeysolowⅡ，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）。
3．感知层
感知层是让机器和人一样能看会认，能听会说，具备感知能力。该层涉及的技术主要有语音识别与合成、计算机视觉、图像识别、生物特征识别、文字识别等。其中，语音识别和人脸识别分别入选《麻省理工科技评论》评选出的“2016年十大突破技术”和“2017年十大突破技术”。在我国，人工智能识别技术已处于世界领先行列，被广泛应用到教育教学中。近年来，基于语音识别技术的语言测评与辅助学习软件层出不穷，它们通过识别学习者的语音然后进行评测并给出修正意见以帮助学习者提升语言表达能力。图像识别技术在教学上的应用也颇具成效，基于该技术的拍照搜题软件被中小学生广泛使用。生物特征识别技术能够捕捉和感知学生学习过程中的面部表情、手势等变化，帮助教师了解学生在课上的学习情况。计算机视觉是利用计算机通过模仿人类视觉来感知和理解世界中的物体（Zhang et al．，2014），借助该技术可以采集学生学习过程中的图像，对其特征进行提取、分析，从而达到学情监测的目的。
4．认知层
认知层是感知层的进一步发展，不仅能够让机器感知和识别语音、图像和文字，而且能够读懂语音、图像和文字的内在含义。该层涉及的技术主要有自然语言处理、智能代理、知识表示方法、情感计算等。自然语言处理技术能够让机器“理解”人的语言，其在教育领域的应用主要体现在机器翻译、作文评价与批改、智能问答与人机交互等。智能代理技术能够让机器变得更具人性化和个性化，被广泛应用到教学系统中以提升教学质量。知识表示方法是指将人类知识推理编码成符号语言，使其能够被信息系统处理，该方法在提升专家系统智能方面发挥了重要作用。情感计算是人工智能的一个热门话题，是Picard教授于1997年在麻省理工学院提出的，她认为情感计算是对情感或情感产生影响的计算（Picard，1997）。情感计算应用于教育教学，可以有效促进学习者情感上的交互，从而提高学生学习的积极性。
5．教育应用层
教育应用层位于教育人工智能技术框架的最顶层，是各类人工智能技术在教育领域应用的集中体现。目前，人工智能教育应用主要聚焦在智能导学、自动化测评、拍照搜题、教育机器人、智能批改、个性化学习、分层排课、学情监测8个方面，服务的对象主要是学生、教师和管理者。
智能导学系统是利用人工智能技术提供个性化学习指导的自适应教学系统（Graesser et al．，2005），该系统能够满足不同学习者的需求，在知识、技能和情感上提供智能服务。在自动化测评方面，一些基于人工智能技术的语音测评软件，已投入市场。借助图像识别技术，拍照搜题类软件为学生的自主学习提供了便利。教育机器人作为一个强有力的学习工具，在教育领域的应用越来越普遍（Benitti，2012）。智能批改借助人工智能技术能实现作业自动批改，并给出评语和修改意见。在个性化学习方面，人工智能技术结合大数据能为每位学生制定个性化的学习路径，推送合适的学习资源，提升学生的学习效果。分层排课是利用先进的人工智能算法实现“一人一课表”，以应对分层教学带来的挑战。学情监测是借助人工智能技术全面了解学生的学习情况，并对其学习结果进行预测和干预。
1 2 3 下一页>
