智能教学技术的发展与展望*

刘清堂，毛 刚，杨 琳，程 云

(华中师范大学 教育信息技术学院，湖北 武汉 430079)

智能教学技术的发展与展望*

刘清堂，毛 刚①，杨 琳，程 云

(华中师范大学 教育信息技术学院，湖北 武汉 430079)

应用技术帮助教师实现高效教学，促进学习者的发展是教育技术研究者追寻的目标。该文以教学技术的“智能发展”为主线，归纳了不同历史发展阶段的代表性教学技术和应用，分析了机器教学、计算机辅助教学、智能导师系统的基本设计理念、关键技术以及代表性系统；以智慧教育环境构建为核心，详细分析了当前最具发展潜力的智能感知、学习分析、情感计算等智能技术的功能与特点。作者对智能教学技术发展进行展望，提出以学习分析为核心的智能技术整合、融合人工智能和人类智能的自适应学习、智能教学环境下的数字教师是未来发展方向。

智能教学技术；程序教学；计算机辅助教育；智能导师系统；智慧教育

一、引言

技术的发展创新及其在教育中的应用推动了教育技术的发展。在这个发展过程中，教育技术的智能化水平逐步提高，经历了工业化时代的教学机器、计算机时代的计算机辅助教学、信息时代的智能导师等发展阶段。如今，教育逐步走进了以网络化、智能化、信息化为特征的智慧时代，如何认识智慧学习环境下技术的作用、教师的角色、学习的变化是需要深入思考的课题。从技术发展的视角，回顾教育技术不同历史发展阶段的特征与特点有助于我们更透彻地认识教育技术的使命，更深入地回答以上的问题。同时，可以帮助我们更清醒地看待当前层出不穷的新技术，适度、合理地应用它们为教与学提供支持。

本文首先探讨机器教学及其发展的历史沿革、理论基础和主要特征，展现了机器教学、计算机辅助教学、智能导师系统在智能化水平上的演进过程，以及在帮助或替代教师工作上的“拟人”功能；其次，对智慧教学概念下的智能感知、学习分析、情感计算等最新技术的功能及特点进行了详细介绍；最后，对智能教学技术发展进行展望，提出大数据驱动下的学习分析、融合人工智能和人类智能的自适应学习、智能教学环境下的数字教师是未来智能教学技术发展与应用的方向。

二、机器教学及其发展

1.程序教学及发展

早在20世纪20年代，因西方主要资本主义国家对大量熟练劳动力的需求，迫切需要改变以“作坊式”的“师徒授受”为主要模式的人才培养方式，转而采取“批量生产”的人才培养模式。正是在这种背景下，现代意义上的学校在当时主要的工业国家中成型并得到普及发展。为解决社会对教育效率和质量等方面的变革需求，相关学者开展了以机器学习为核心的自动化教学(Auto-Instruction)探索。

美国教育心理学家普莱西(S.L.Pressey)于1924年试制出第一台用于测验的机器。真正将教学机器的研究和应用推向高潮的是美国心理学家斯金纳(B.F.Siknner)。斯金纳基于实验研究的成果，提出了以积极响应、小步子、即时反馈、自定步调为基本原则的程序教学理论。以程序教学理论为基础的教学机器以及程序教材能够自动执行测验和计分任务。教学机器的基本运行程序包括：(1)将学习材料处理成一系列的问题，并将这些问题连续地展现给学习者；(2)要求学习者作答，直到回答正确为止；(3)判断每次应答的正误，并给学习者提供即时反馈；(4)在下次学习或复习时不再展示学习者已经掌握的问题[1]。

机器教学探索开启了人们利用机器替代教师工作的窗口。教学机器具有一些基础的“智能”，能够替代教师完成一些教学工作：(1)计算智能，可以自动计分，评价学习效果；(2)逻辑推理，根据学生的应答状况判断下一步呈现的学习内容；(3)信息反馈，为学生提供正误反馈，向教师提供教学效果反馈。

由于教学机器自身的局限性，程序教学在20世纪60年代后期遭受到很多批评，并逐步衰退。尽管如此，以操作条件反射和积极强化为核心的行为主义学习理论的应用与实践，逐步开启了利用机器辅助教学的研究序幕，同时也开辟了一条以学习为起点的教育技术研究之路[2]。

2.计算机辅助教学

20世纪60年代，计算机的出现推进了计算机辅助教学(Computer-Assisted Instruction)的研究与实践。计算机辅助教学是指把计算机系统的功能和教师的课堂讲授有机地结合在一起，它既包括系统化的课程学习内容以及相应的练习和测试题目，还能够为学习者提供个别指导、对话咨询等学习支持。

从20世纪60年代至90年代，CAI技术的应用研究伴随计算机技术以及教学理论的发展而不断进化，大概可以分为三个阶段：

(1)初期发展阶段(20世纪60年代)。以大学和计算机公司为主体开展的软硬件开发研究工作，出现了一些有代表性的系统，如：PLATO系统，斯坦福大学研制的IBM1500教学系统，这类系统是教学机器的高级版本，其设计思想仍然是以行为主义理论为基础的程序教学方法。

(2)实践探索阶段(20世纪70—80年代)。微型计算机技术发展使CAI的研究规模不断扩大，在数学、物理、医学、语言学、经济学、音乐等多种学科领域均开展了CAI的应用。在设计思想上，关注学习者的内部心理过程，强调学习者的心理特征与认知规律。

(3)规模应用阶段(20世纪90年代)，多媒体计算机的应用使CAI课件能够综合展示文字、图像、声音、图形的能力，并且初具人机交互能力[3]。此阶段的CAI应用走向成熟，在设计上强调以学生为中心，重视“情境、协作、会话和意义建构”在CAI教学环境设计中的重要作用，提倡学习过程中充分发挥学生的主动性，体现学生的首创精神。

计算机辅助教学技术的发展标志着智能教学技术的萌芽。在技术层面，具有数字化、网络化、智能化、多媒体化等特征；在教育层面，体现出教材的多媒体化、资源的全球化、教学的个性化、学习的自主化、任务的合作化、管理的自动化、环境的虚拟化等特征。计算机辅助教学逐步发展成一个集交互、管理和评价能力为一体的“类人”学科专家，其主要特点体现在：

(1)具有结构化的学科知识，并能够为学生提供多样化的信息展示方式；

(2)具有基于领域知识范围内的交互能力，在知识呈现方式、展示节奏、问题查询、异常处理等方面为学习者提供个性化的支持；

(3)具有程序化的管理与评价能力，帮助学习者在没有教师的前提下，方便、准确地进行自我评价，并自定下一步的学习目标。

随着信息技术的发展，CAI开始逐步脱离强调知识的呈现和学习内容的传递，模仿传统的课堂教学的开发与应用模式，转向更“智慧”的研究方向发展。

3.智能导师系统

人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。其精确的定义是：一个电脑系统具有人类知识和行为，并具有学习、推断、判断、记忆知识和了解人类自然语言的能力[4]。

应用人工智能技术解决教学问题是教育研究者关注的焦点。1970年，出现了第一个应用在教育领域的系统——SCHOLAR(Jaime Carbonell)，该系统主要用于教授南美洲地理的简单情况。同期，也出现了一批有影响的智能教学系统，例如：Collins等人于1975年在SCHOLAR系统基础上研制了教授学生探索降雨原因的根源的WHY系统；1977年，Standford大学Wescourt等人设计的辅助Basic语言教学的BIP系统；1977年MIT开发用于逻辑学、概率、判断理论和几何学训练的WUMPUS游戏系统等[5]。

Sleeman和Brown于1982年首次提出智能导师系统(Intelligent Tutoring Systems)这个概念，并认为智能导师系统是利用计算机模仿教学专家的经验、方法来辅助教学工作的计算机系统[6]。一般的ITS系统包含：教师模型、学习者模型、教学策略库、领域知识库和人机交互接口五个组成部分。设计完备的智能导师系统在拟人能力方面能达到相当的“智能”水平，主要表现在：

(1)能够记录学习者的学习过程与结果，自动分析学习者的个性化学习特点；

(2)能够根据学习者的学习特点，为学习者制定个性化的学习方案；

(3)能够模拟人类的似真推理，自动产生问题求解方案；

(4)提供即时、有效、全面且有针对性的学习、诊断，及时为学习者提供学习建议和反馈[7]。

回顾整个20世纪教学技术的发展可以清晰地发现，教学机器的研究开启了利用机械模拟人类逻辑、计算等基本智能的先河；计算机辅助教学的发展则使计算机可以像人类专家一样帮助学习者实现自主学习；智能导师系统使教学机器更智能化、类人化。尽管如此，以程序设计为基础，将人类解决问题的过程公式化或模组化的设计思路在本质上还是有限的事实加规则的知识系统，在面对多样化的教学情境、个体差异以及应用需求的快速变化时往往力不从心。调整思路，以解决个体层面的实际问题为中心，应用更加富有成效的途径开发集成性的计算机工具，同时关注人类智能(教师、专家、学习共同体)在学习中的主导性作用,而不是将注意力全部投入到开发一个全能型的教学机器应该是未来的发展方向[8]。

三、智能教学技术的发展与实践

智能教学技术发展的最终目的是构筑全新的教育形态，智慧教育概念的提出恰逢其时。祝智庭教授认为，智慧教育是信息技术与教育深度融合发展下的一种教育形态，在技术上，它融合了多媒体技术、网络技术、数字技术以及当前快速发展的智能技术的最新特点，在理念上，它秉承开放、共享、交互、协作的精神[9]。可以说，智慧教育环境下的学习将呈现出完全不同的形态，它不再以某一个具体的学习系统或计算机程序为核心，而是以人的需求为中心，多种形态智能地联通。当前，智能硬件及相关应用的大量出现为构建智慧学习环境提供了物质基础，其中，有如下几类智能技术有潜力成为未来智慧教育的驱动性力量。

1.智能感知技术

智能感知技术是以生物特征识别、自然语言理解和动态图像处理为基础、“以人为中心”的智能信息处理和控制技术。应用不同类型的传感器，智能系统能够实现对物理环境的感知，并已经在工业以及商业领域开展了广泛的应用，例如智能感知家电、智能交通定位、智能感知生产线等。在教育情境中，结合智能感知技术的应用已初现端倪，主要包括：

(1)学习情境感知：利用各类传感器或嵌入式设备，感知学习场所的温度、声音、光线等环境指标，为学习者提供最舒适的学习环境。利用RFID，QRCode等技术感知学习者所在场所、所处位置、访问需求，向学习者推送学习资源、找到最有可能帮助解决问题的专家，或者为学习者构建具有相同兴趣的学习共同体[10]。

(2)学习者生物特征感知：利用传感器获取学习者生物特征信息，感知学习者的脉搏、血压、生物电等信息，对学习者身体状态、情绪、心理特征等情况进行分析，为学习者提供及时的学习支持。高效、灵巧的可穿戴设备的逐步应用为获取学习者生物特征信息提供了极大的便利，利用这类智能设备为学习提供支持将越来越常见。例如，利用华为Talk Band 和小米手环，监测儿童的体育教育、营养及健康等方面的状态，为学习以及健康改善提供参考[11]。

(3)学习者社会特征感知：包括两个方面，其一是利用表情识别、语音识别等技术分辨学习者在社会交互过程中的情感状态；其二是利用社会网络分析技术，了解学习者的社会角色，社会交互状态等信息。社会特征感知数据的获取与分析有利于了解学习者的个人风格与偏好等信息，为学习者提供精准的资源推荐，实现自适应的学习。

2.学习分析技术

学习分析是近年来教育技术研究领域的热点之一，它通过测量、收集、分析和报告关于学习者及其学习情景的数据，评估学习者的学术进展，预测未来的学习表现，发现潜在问题，为优化学习和学习发生的情境提供决策参考[12]。学习分析承袭于商务智能、学术分析、行为分析、数据挖掘以及社会网络分析等领域的技术与方法，是一系列数据收集工具和分析技术的松散组合。在实践方面，学习分析技术可以在较少的人工干预的情况下回答这些问题：

(1)有关信息和事实的问题：过去发生了什么？以数据为基础，描述过去发生过的事情并生成分析报告（过去）；当前正在发生什么？以分析为基础，对当前的情况提供实时预警(现在)；未来的趋势如何？以已有的数据为基础，推测未来可能出现的结果(未来)。

(2)深度理解和洞察性问题：这些是如何发生的以及为什么发生？建立分析模型并对过去发生的事情进行解释(过去)；接下来应该怎样做才是最优选择？通过分析为下一步的行动提供建议(现在)；未来可能发生什么？通过分析可以预测、模拟备选方案的效果，或确认最优举措(未来)[13][14]。

学习分析技术的重要作用逐渐被相关领域的利益相关者所重视，已经开展了一些成功的应用实践，相较于传统的学习评价技术，融入网络学习环境下的学习分析具有以下特点：

(1)关注学习结果，更重视学习过程。将学习评估工具融入到虚拟学习环境中，对学习过程以及学习结果进行智能评测。例如，普渡大学的Course Signals系统，通过采集分析学生在学习系统中的登录次数、持续时间、关注内容等数据，推测学生在一门课程中的表现如何，也可以提前探知哪些学生处于“学业挣扎”当中，并通过红黄绿信号灯的方式展现出来，教师或专家在学习过程中予以干预，化解危机。

(2)微观指导个体学习，宏观指导政策制定。从微观角度关注学习者的个体发展是学习分析关注的重点，例如上述普渡大学的实践。从更宏观的角度看，学习分析还有助于解答一些长期困扰我们的问题。有学者指出，过去50年来我们在学习中投入的技术是否真的达到了最初的许诺，如何判断我们投入的资源是否收到了期望的回报一直是一个众说纷纭的问题[15]。应用学习分析技术对教育数据进行跟踪分析，以发展的视角观测技术在促进教学发展、教育变革等方面的作用，对回应以上问题，指导信息化发展政策与规划具有重要意义。

(3)定量分析有依据，定性分析有来源。学习分析的结果通常以可视化的方式呈现给学习者或教师，通过报告，学生可以清晰地了解自身的优势与不足，有助于学生通过反思，认识自我、发展自我、规划自我[16]。教师能通过报告考量自己的教学实践，通过反思提升自身的专业实践能力[17]。

(4)自动化的海量数据处理。学习分析的数据来源非常广泛，从数据的标准化水平分为结构化和非结构化两类数据，结构化的学习数据包括网络学习过程中的时间、资源访问频率、社会交互频次、测试成绩等数据；非结构化的数据包括学习过程中的情感表现、心理状态等。通过人工的方式处理这些数据是难以想象的，数据分析与处理技术在教育中的应用改变了这一局面，可以帮助教师应对更多数量的学生，从更深的层次分析学习者的需求、了解他们的学习风格、当前的学习进展、存在的学习问题，为教师制定教学计划、选择教学策略、实施学习干预提供决策支持。

3.情感计算技术

情感作为人类意识的重要组成部分，是人类认识世界、反映世界的特殊方式。将情感与计算机联系起来，使机器能够感知、识别人的情感，并且能够表达情感一直以来就是计算机专家关注的课题。麻省理工学院人工智能项目创始人明斯基(Marvin Minsky) 早在1950年就提出了计算机与情感的问题：问题并不在于智能机器是否能有情感，而是没有情感的机器怎么能是智能的[18]？后续的研究者在这一课题上保持持续关注，形成了以“情感计算”为核心的研究领域，指出情感计算是与情感相关，来源于情感或能够对情感施加影响的计算[19]。

情感计算是关于情感机制、情感产生以及影响情感因素的研究，涉及认知科学、心理学、生理学、行为学、传感技术、计算机科学等，是一个多学科交叉的研究领域[20]。目前，情感计算的研究非常活跃，已经在诸多领域开展了应用。例如，在商业领域出现了具有情感表达能力的机器人Pepper；通过分析求职者视频简历中的情感表现，帮助雇主评估更合适售货员或其他工作要求的求职网站HireVue等。

情感计算技术在教育中的应用独具特色，着力于情感表现能力训练方面的应用。例如，麻省理工学院Ehsan Hoque等人研发的社交技能训练系统MACH(如图1所示)。该系统通过虚拟的三维教师与学习者进行交互，在交互过程中通过麦克风、摄像头采集学生的表情动作、语言内容、表述方式等信息，并进行实时分析，同时，根据实时分析的结果自动调整虚拟教师自身的情感状态，创建出在真实的情境下与人交流的场景。实验证明，MACH系统在提高学生非语言行为表现上具有不输于人类专家的性能[21]。

图1 MACH系统结构

情感计算技术与智能感知技术的结合越来越紧密，通过智能硬件及时捕获生理信号可以实现对学习者情感的实时分析。可以预计，在可见的将来，情感计算技术将广泛应用于工作面试培训、公众演讲、社交训练等多个领域，为学习者提供支持与帮助，如下页图2所示。

图2 情感计算技术应用场景[21]

如果说计算机具有能力很强的“大脑”，具备强大的记忆能力和计算能力，计算机视觉技术使它具有视觉能力，语音识别技术使它具有听觉能力，语音合成技术使它具有语言表达能力、自然语言理解技术使它具有理解的能力，那么情感计算技术则为计算机安上了一颗善解人意的“心”，使它能够感知、理解和表达情感，为构建具有情感表达能力的虚拟人奠定了基础[22]。

四、智能教学技术发展展望

技术的发展日新月异，在这个过程中智能技术渗透到教学的各个方面，其主要特征表现在软硬件技术的融合、人工智能与人类智能的融合，在教学环境、学习形态、教师角色三个方面的创新与变革将改变整个教育的生态。

1.以学习分析为核心的智慧学习环境

智慧学习环境是整合了智能感知、学习分析、情感计算等技术的融合体。这种融合体不再是单向的学习发生的场所，而是可以与学习者进行交互的动态集合，具备情境感知、教学内容个性化适配、学习跟踪、错误诊断与评价等能力。根据智慧教育的技术发展部分的论述，构建智慧学习环境模型，如图3所示。

智慧学习环境重塑了传统教学结构中教师、学生、学习资源三要素的关系。首先，学习不是发生在固化的物理场所中，而是发生在强交互的数字环境中，智能环境能够感知学习发生的情境、学习者的学习状态、社会关系等信息，为学习者进行个性化的定制。其次，核心三要素在智慧学习环境下的交互构建出多样化的教学模式，例如教师通过社会特征感知技术和生物特征感知技术，了解学习者当前的学习进度、情绪状态、资源选择偏好等信息，灵活组织学习活动，及时推荐学习资源或者对资源进行重新设计开发。最后，核心三要素的形态是发展变化的，这种变化不仅表现在相互关系的组合，还表现在要素自身在智能环境下的发展与进化，例如学习资源不是以静态的方式存在，它是在教师与学习者、学习者与学习者、学习者与环境的交互过程中不断的再生，具有自我更新能力的新型学习资源。

图3 智慧学习环境模型

智慧学习环境的核心是学习分析技术。正如学习分析的核心观点所述，其研究的对象是学习者及其学习情景，研究的基础是对象产生的数据，其目的在于对学习进展进行评估，预测可能的学习风险，为优化学习和学习发生的情境提供决策参考。不论是智能感知技术捕获的数据，还是核心三要素之间的交互数据都需要通过学习分析技术进行提炼、挖掘，形成下一步决策的参考。当前，学习分析还处于初步的研究与应用阶段，更多的是小范围、被动的应用(主要指在数据采集上多以系统平台上已有的数据为基础，而较少采取有目的、设计性的数据获取手段)。因此，深刻理解学习分析的意涵，并将学习分析技术融入到学习系统与平台中，创建以学习分析为核心的智慧学习环境是智能教学技术发展的重要方向。

2.以资源推荐与社会联通技术为支撑的自适应学习

自适应学习是一种“复杂的、数据驱动的、很多时候以非线性方法对学习提供支持。它根据学习者的交互及其表现水平而调整，并随之预测学习者在某个特定时间点需要哪些学习内容和资源方能取得进步”[23]。根据不同的学习要求，选择不同类型的自适应学习技术，可以实现不同形态的自适应学习，包括以资源推荐为主的自适应学习和以社会联通为主的自适应学习。

以资源推荐为主的自适应学习的基本原理是：通过分析学习者网络学习数据，获知学习风格、认知水平等信息，以此作为适应性推荐的驱动信息，从领域知识库中提取相应的学习资源，为学习者提供适应性学习服务、资源和工具(如图4所示)。这种自适应推荐学习模式是以学习分析为基础的智能应用，已经广泛用于学习资源检索领域，例如中国知网、ScienceDirect等，可以根据用户以前的检索内容或当前查阅的文献自适应推荐相关的链接资源。

图4 自适应学习资源推荐系统

以社会联通为主的自适应学习的设计思想完全不同于以资源推荐为主的自适应学习。联通主义学习理论认为：知识以片段的形式存在于网络中，并且始终处于创造、更新、批判、完善的变化过程。学习是一个连续的、与外部建立知识网络的过程。学习的重心不是知识内容本身，而是建立个人学习网络，通过网络与各类组织和机构开展各种形式的互动，在交互过程中相互影响，使学习不断取得进步[24]。基于联通主义的学习往往被称为自组织学习，但缺乏技术支持的联通学习几乎不可能实现，学习者往往难以与外部世界建立有效的联系。信息技术与网络通信技术的发展为联通学习创造了基础环境，学习分析技术以及智能推荐技术为基于联通的学习提供了条件。从技术视角，自组织的学习更多的体现出自适应的特征。基于社会联通的自适应学习的基本原理是：以具体的项目或问题为中心，依据学习者个人能力、兴趣、爱好等要素，构建一个由专家、教师、共同兴趣学习者组成的社会交互网络，形成学习共同体，充分发挥成员在知识创造、完善、更新和批判中的作用，基本结构如图5所示。

图5 社会联通的自适应学习

当前，以资源推荐为主的自适应学习模式被研究者广泛关注，但以社会联通的自适应学习模式还处于发展阶段，融合两类模式的优势，为学习者提供效率更高，体验感更优的技术支持必然是未来的研究重点。

3.智能教学环境下的数字教师

技术的发展是推动教育变革的外在因素，对技术的应用及思考是教育变革的核心，教师则是这个核心的关键因素。如何驾驭这些技术成为智慧学习环境下的重大挑战。杨宗凯教授在第十二届中国教育信息化创新与发展论坛的报告《科技支撑教育创新——先进教室、数字教师、未来教育》中提到的“数字教师”这一概念具有前瞻性，他认为数字教师应该由知识的占有者转变为学习活动的组织者，由知识的传授者转变为学习的引导者，由课程的执行者转变为课程开发者，从教教材转变为用教材，从“教书匠”转变为教育研究者，从知识固守者转变为终身学习者[25]。

完成以上转变的外在因素是智慧教育环境，内在因素则是教师对其角色的重新认识和定位。与传统的教师角色相比，智慧环境下的教师是装备了各类现代化教学工具的学习设计者、指导者和评价者，在教学感知、分析与处置能力上具有以下特点：

(1)智能教学技术极大拓展了教师的感知范围。传统课堂教学环境下，即使经验丰富的教师也难记住所有学习者的信息，了解每一位学生学习过程中的认知、情感状态，更不用提网络环境下师生难以面对面进行交流的情况。应用学习情境感知、生物特征感知、社会特征感知技术，教师即使没有“看到”学习者，也能够清楚地了解学习者的学习状态、情绪变化、社会关系等要素，对学习者提供及时的支持。

(2)智能教学技术极大增强了教师的分析能力。智慧学习环境下的学习者的任何行为都会被计算机感知，特定的行为模式及特点均会被智能算法分析出来，应用学习分析技术可以极大地增强教师对学习者的监控与分析能力，教师不仅能够掌握学习者学习风格等相对静态的学习特征，还能够了解学习者当前的学习进度、可能存在的学习问题，甚至情绪上的困扰等动态特征，为个别化教学、个性化指导提供技术支持。

(3)智能教学技术改变了教师参与教学的过程。在情境感知技术的支持下，教师对学习资源进行设计和开发，是资源的设计者；在教学过程中，教师根据学习者的生物特征分析数据，组织适宜的学习活动、为学生提供相宜的学习内容；在学习过程中，教师是学习的深度参与者，在学习分析技术的支持下，为学生的自适应学习提供半监督式的学习支持。

同时，也必须认识到智慧学习环境对教师提出的挑战：

(1)教学决策。大量分析数据的汇聚会对教师决策能力提出极高的挑战。例如，如何对这些信息进行即时处理，优先级如何，采取什么处理方式，如何进行跟踪评估等。

(2)组织策略。智慧环境下的学习资源极大丰富，学习者对学习活动的个性化需求更迫切，如何针对多样化的需求，选择适宜的资源，组织灵活、多变的学习活动是数字教师需要关注的重要课题。

(3)技术应用。智慧学习环境是多种软硬件技术的综合应用，即使在智能化水平不断提高的今天，软件设计越来越人性化，对广大的教师而言，仍然是巨大的挑战。如何帮助教师快速适应智慧学习环境，需要依靠多种渠道，为教师提供技术培训，提高教师的信息素养。

五、结语

梦想引领人类前行。智能教学技术的发展历史就是教育技术的发展历史，在此过程中，教育学人不断地探索新的技术，减轻教师的教学负担，使教学更有效率，学习更加符合个性化的需求。教学机器是人类关于自动化教学的一次尝试，它能够帮助教师摆脱批改作业等重复的工作；计算机辅助教学则使得学生能够应用计算机学习结构化的课程知识；智能导师系统赋予了计算机“智能”，它能够根据学习者的特点开展知识教学；智能感知、学习分析、情感计算、自适应学习等技术的发展和应用融合了人工智能与人类智能，使真正的智能教学出现在我们的眼前。如果说我们在智能导师系统及之前关于利用机器代替教师教学的探索是“盲人摸象”的话，那么在这个过程中所积累和掌握的经验、技术已经使我们对这头“大象”的认知越来越具体，驾驭能力越来越娴熟。智能教学技术在教与学的各个领域中将无限延伸，智慧学习将无处不在。

[1] 龚维瑶.程序教学简介[J].心理科学通讯,1965,(2):17-22.

[2] 李艺,单美贤.“教师”的智慧:谈程序教学思想的兴起与归宿[J].电化教育研究,2013,(7):11-16.

[3] 闫寒冰,祝智庭.CAI的概念及技术在信息化教育中的新发展[J].外语电化教学,2001,(79):58-61.

[4] 蒋秀莲.基于人工智能技术的智能教学系统研究与设计[J].微型电脑应用,2009,(6):49-51.

[5] 许高攀,曾文华,黄翠兰.智能教学系统研究综述[J].计算机应用研究,2009,(11):4019-4022.

[6 Sleeman D H,Brown J S.Intelligent Tutoring Systems:An Overview[M].New York: Academic Press,1982.1-11.

[7] 刘勇秀.现代教育技术与智能计算机辅助教学[J].哈尔滨师范大学自然科学学报,2003,(5):59-61.

[8] 赵建华.智能教学系统概述[J].中国电化教育,2007,(7):10-17.

[9] 祝智庭.智慧教育—教育信息化的新境界[J].电化教育研究,2012,(12):5-13.

[10] 张永和,肖广德,胡永斌等.智慧学习环境中的学习情景识别——让学习环境有效服务学习者[J].开放教育研究,2012,(1):85-89.

[11] L·约翰逊,刘德建,黄荣怀等. 2016新媒体联盟中国基础教育技术展望：地平线项目区域报告[R].奥斯汀,德克萨斯:新媒体联盟,2016.

[12] Cummins M, Johnson L, Adams S. The NMC horizon report:2012 higher education edition[M]. Austin, Texas:The New Media Consortium, 2012.

[13] Cooper A. A Brief History of Analytics[J]. Analytics, 2012, 1(1):6-7.

[14] 祝智庭,沈德梅.学习分析学:智慧教育的科学力量[J].电化教育研究,2013,34(5):5-12.

[15] Ochoa, Xavier. 1st international conference on Learning Analytics and Knowledge 2011[EB/OL]. https://tekri.athabascau.ca/analytics/about,2016-02-01.

[16] 顾小清,黄景碧等.让数据说话:决策支持系统在教育中的应用[J].开放教育研究,2010,(10):99-105.

[17] Brunner, C., Fasca, C., Heinze, J., Honey, M., Light, D., Mandinach, E. and Wexler, D. Linking Data and Learning:The GrowNetwork Study[J].Journal of Education for Students Placed at Risk,2005,10(3):241-267.

[18] Minsky M. Society of mind[M]. New York: Simon and Schuster, 1988.

[19] Picard R.W. Affective Computing[M]. Cambridge: The MIT Press,1997.

[20] 李昕,李红红,窦祎等.情感计算——一个探索人类情感的神秘工具[J].生物医学工程学杂志, 2013,(6):1368-1372.

[21] Hoque M E, Picard R W. Rich Nonverbal Sensing Technology for Automated Social Skills Training [J]. Computer, 2014, 47(4): 28-35.

[22] 张迎辉,林学照.情感可以计算——情感计算综述[J].计算机科学,2008, 35(5):5-8.

[23] Advisors E G. Learning to adapt: A case for accelerating adaptive learning in higher education[EB/OL]. http://www.georgiacolleges.org/members/sm_files/Adaptive%20Learning%20Report.pdf,2016-02-01.

[24] 王志军,陈丽.联通主义学习理论及其最新进展[J].开放教育研究,2014,(5):11-28.

[25] 杨宗凯.科技支撑教育创新—先进教室、数字教师、未来教育[J].中国教育信息化,2013,(1):12-13.

责任编辑：赵兴龙

第十五届教育技术国际论坛(IFET 2016)拟于长春召开

第十五届教育技术国际论坛(IFET2016)将于2016年8月18-20日在东北师范大学召开，同时召开2016年教育技术院长、系主任联席会议。

本次会议的主题是“技术·教育·社会：互联网+时代教育技术支持服务”。下设如下十个专题：

专题1：政府、机构、企业合作下的教育技术创新应用研究

专题2：智慧教育的探索与实践

专题3：创客教育的研究与实践

专题4：面向社会服务的教育技术学科发展研究

专题5：数字教育资源建设的理论与实践

专题6：信息技术教育研究

专题7：新媒体新技术教育教学应用与实践

专题8：慕课、微课、翻转课堂的实践研究

专题9：大数据教育应用研究

专题10：信息技术支持的教师专业发展研究

欢迎海内外教育技术及相关领域的专家学者、研究人员、研究生提交论文并参加会议。会议网址：http://cs.nenu.edu.cn/ifet/index.html。

The Development and Prospect of Intelligent Teaching Technology

Liu Qingtang, Mao Gang, Yang Lin, Cheng Yun
(School of Educational Information Technology, Central China Normal University, Wuhan Hubei 430079)

The aim of the education technology researchers is achieving effective teaching and promoting the development of learners with technology. This paper focused on the “Intelligence Development” in teaching technology, summarized the representative teaching technology in different historical stage, analyzed the basic design idea, key technology and the representative system of teaching machines, computer-assisted instruction and intelligent tutor system. Secondly, took the construction of wisdom education environment as the core, analyzed the functions and characters of intelligence, learning analytics and affective computing. Finally,this article made a prospect of intelligent teaching technology, proposed that the integration of intellectual technology based on learning analytics, the adaptive learning which merged artificial intelligence and human intelligence, the digital teachers under intelligent teaching environment is the future development direction.

Intelligent Teaching Technology; Programmed Instruction; Computer-Assisted Instruction; Intelligent Tutor System;Smart Education

G434

A

1006—9860(2016)06—0008—08

刘清堂：教授，博士生导师，常务副院长，研究方向为数字化学习技术、版权保护、知识挖掘与知识服务(liuqtang@mail.ccnu.edu.cn)。

毛刚：讲师，在读博士，研究方向为知识资源服务理论与方法(catihg@sina.com)。

2016年3月1日

* 本研究系全国教育科学“十二五”规划课题“基于视频内容分析的课堂教学评价研究”(课题编号：ECA130373)研究成果，受到华中师范大学优秀博士论文培育计划项目(项目编号：2015YBYB054)资助。

① 毛刚为本文的通讯作者。