人工智能2.0重塑学习的技术路径与实践探索*——兼论智能教学系统的功能升级

陈凯泉 沙俊宏 何 瑶 王晓芳

（中国海洋大学 教育系，山东青岛 266100）

人工智能2.0重塑学习的技术路径与实践探索*
——兼论智能教学系统的功能升级

陈凯泉 沙俊宏 何 瑶 王晓芳

（中国海洋大学 教育系，山东青岛 266100）

人工智能（AI）经历了60余年的发展积累起强大的技术基础，近十年来，AI走过计算智能、感知智能之后，正在迅速向认知智能迈进，人工智能已从仅被精英小众群体认知与使用的1.0时代，走进被各行各业大量应用的2.0时代。伴随自然语言理解、表情识别、教育大数据、虚拟现实及机器人等技术的飞速发展与应用，引入这些技术之后的新型智能教学系统，正在对知识的表征形式及学习过程实施智能化改造与重塑，并即时捕捉与感知、分析学习者的学习状态，自动测评、学习分析、情绪感知、仿真教学及智能陪伴等成为智能教学系统的应有功能。未来的智能教学系统将基于大数据智能与跨媒体智能协同，支撑精准的学情判断和科学的学习路径推荐，教育中的人工智能将走向人机协同的增强智能。

人工智能；AI；智能教学系统；学习分析；自然语言理解；虚拟课堂；跨媒体智能

一、引言

1956年，在美国达特茅斯学院（Dartmouth College），麦卡锡（John McCarthy）教授等学者提出人工智能（Artificial Intelligence，AI）的概念，意指要使机器像人那样认知、思考和学习。正如潘云鹤院士在“全球人工智能高峰论坛”上所言[1]，60余年来，机器定理证明、机器翻译、模式识别、专家系统博弈、神经网络学习和机器人等七个领域迅速发展，积累起的技术基础支撑起了模拟医生、模拟翻译者、模拟下棋的人，有的技术还能摸拟人或生物的各种动作。

近十年来，伴随互联网的普及、巨量数据的形成及人类对智能化需求的多样性变化，“通过机器的学习、大规模数据库、复杂的传感器和巧妙的算法，来完成分散的任务”成为人工智能的最新定义。人工智能的应用者从精英小众群体开始走向普罗大众，潘云鹤院士称此为人工智能2.0时代的到来[2]，亦有学者称其为“人工智能+”时代[3]。

在人工智能的2.0时代，人工智能被大量应用于经济、交通、军事、教育等领域。近几年，各国都先后出台关于深化发展与应用人工智能技术的政策与报告，如，2016年美国连续发布了《人工智能、自动化与经济》（Artificial Intelligence，Automation，and the Economy）[4]、《为未来人工智能准备》（Preparing for the Future of Artificial Intelligence）[5]、《美国人工智能研发战略计划》（National Artificial Intelligence Research and Development Strategic Plan）[6]等重要报告，在全球产生了重要影响。2016年9月，斯坦福大学发布了《2030年的人工智能与生活》（Artificial Intelligence and Life in 2030），该报告详细阐释了人工智能在交通、家庭服务、医疗保健、教育、社区、公共安全、就业及娱乐等八个方面将产生的深远影响及颠覆性变革[7]。

2017年7月8日，我国国务院正式颁布《新一代人工智能发展规划的通知》[8]。该通知明确提出智能教育的概念，并指出：未来要利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系；要开展智能校园建设，推动人工智能在教学、管理、资源建设等全流程应用；要开发立体综合教学场及基于大数据智能的在线学习教育平台；要开发智能教育助理，建立智能、快速、全面的教育分析系统；要建立以学习者为中心的教育环境，提供精准推送的教育服务，实现日常教育和终身教育的定制化。

2017年6月6日-6月9日在瑞士日内瓦，联合国召开首次“人工智能峰会”，该会议提出人工智能作为工具有帮助人类解决许多问题的潜力，包括建构质量教育（Quality Education），即用个性化教学变革教育[9]。可以预见，进入2.0时代的人工智能技术，必将引发学习方式的巨大变革，重塑学习者的学习体验，并推动传统数字化教学系统全方位的智能化升级与功能重构。

二、人工智能2.0驱动学习技术的变革与智能教学系统的转型升级

应用人工智能技术变革教学由来已久，美国麻省理工学院人工智能实验室创始人之一西蒙·派珀特（Seymour Papert）从上世纪70年代起就开始尝试应用人工智能技术教授小学生编程知识。

传统意义上的智能教学系统和智能教学代理，尽管未被普及应用于教学，但在原型开发和局部应用等方面成果丰富[10-11]。文献分析和实践案例都显示了近十几年来，人工智能技术教育应用的主题变化呈现出不断深化的趋势，即，智能教学系统的智能化内涵更趋丰富，实践应用迅速普及，应用形式更为灵活、显著、多样。

（一）应用人工智能变革学习的文献分析

1.ITS国际会议与AIED大会论文集的内容分析

围绕人工智能的教育应用，在国际上形成了两个重要的会议及一份重要的国际期刊，这两个国际会议的论文集内容丰富、涵盖主题全面、研究深入。

（1）由国际教育人工智能协会（International AIED Society）主办的 “教育中的人工智能大会”（Artificial Intelligence in Education，AIED）在1983年召开了第一次会议，此后有所间断。自1993年开始，每隔一年举行一次，2017年6月28日至7月2日在中国武汉，由华中师范大学承办举行了最新一次会议。

（2）ITS国际会议 （International Conference on Intelligent Tutoring System）自 1988年开始，每隔一年召开一次，由美国国家科学基金会、国际人工智能协会 （Association for the Advancement of Artificial Intelligence，AAAI）和国际教育人工智能协会联合主办。到2016年已举办到第13届，该次会议的主题为“真实世界中的适应性学习”（Adaptive Learning in Real World Contexts）[12]。

（3）International Journal of Artificial Intelligence in Education（IJAIE）创刊于1990，是国际教育人工智能协会的会刊，每年发刊4期，内容聚焦于人工智能教育应用中的主要理论问题及实践案例分析。

本研究收集、梳理了ITS国际会议2006至2016年（6次会议）、AIED大会2007至2017年（6次会议）的全部论文集。这些论文分为两大类：第一类是关于深度学习理论、自我博弈理论、神经网络技术及遗传算法、逻辑推理与定理证明技术、自然语言处理技术、专家系统模型构建技术等纯技术研究的文章；第二类是关于基于人工智能技术变革教学系统的应用类论文。

基于研究人工智能教育应用的视角，本研究把ITS国际会议和AIED大会论文集中的教育应用类论文合并作技术主题分类统计，将主题分为以下七类：（1）智能教学系统（Intelligent Tutor System，ITS）的模型分析；（2）智能教学代理（Intelligent Pedagogical Agent，IPA） 和教育机器人（Educational robotics）；（3）智能识别（Recognition）学习者情感及反馈，含表情、手势、眼部跟踪等；（4）自然语言理解（Natural Language Understanding，NLU），含语音、手写文本、图形图像识别及语义检索等；（5）应用虚拟现实（Virtual Reality，VR）技术的仿真实验环境及沉浸式学习系统；（6）基于游戏（Serious Game）的教学；（7）大数据（Big Data）应用。表1为每个主题在每个会议年度的论文篇数及所占比例。

表1 ITS国际会议和AIED大会AI教育应用分技术主题的论文数量及占比统计

从表1可以看出，虽然近十年来有关智能教学系统模型分析的论文发表篇数变化不大，但所占比例明显降低，从2006/2007的37%降低到2016/2017的17%；智能教学代理方面的研究占比有明显的下降趋势；有关严肃游戏的论文数量较为稳定；有关智能识别、自然语言理解和虚拟现实技术教育应用的论文比重明显提升，智能识别类论文从2006/2007的3%增加到2016/2017的19%，自然语言理解论文从2006/2007的6%增加到2016/2017的17%。在对IJAIE期刊发表论文的主题分类中同样发现，IJAIE在线可查仅有自2013年第4期至2017年第3期的5卷144篇论文，其中智能识别、自然语言理解、虚拟现实、教育机器人等技术近两年己逐渐成为AI教育应用的热门话题。

2.应用CiteSpace对WoS数据库中人工智能变革学习主题论文的聚类分析

除了对以上两个会议和一份期刊开展分析之外，本研究借助CiteSpace引文分析工具，在Web of Science（WoS）核心合集数据库，检索了以“artificial intelligence in education”为主题、发表时间为2010至2017年 （文献截止日期为2017年7月17日）的文献，对检索到的270篇英文文献进行了共现分析、关键词聚类、时区分割等可视化操作，绘制知识图谱和提取关键词。以期能够直观、量化地呈现有关“人工智能在教育中的应用”这一研究在近年来的演进与发展情况。

关键词的共现图谱显示，关键词出现词频最高的是“artificial intelligence”、“education”及“e-learning”，接下来是“intelligent tutoring system”、“artificial neutral network”、“neutral network”、“design”、“big data”、“genetic algorithm”等，且“big data”、“genetic algorithm”等是进入2015年以后才被大量使用。关键词的聚类分析结果如表2所示，信度较高 （0.7＜Silhouette＜1）的聚类有八个，另有“fault detection”和“expert system”信度达到0.69。

表2 应用AI变革学习的文献（WoS 2010-2017）关键词聚类

对各聚类下的文献内容分析显示，在应用人工智能变革学习方式的研究中，以下七类主题的文献近年来发表数量显著增加：（1）智能代理（Intelligent Agent）与自主学习（Self-regulated Learning）；（2）智能教学系统（Intelligent Tutoring System）与专家系统（Expert System）；（3）学习数据分析（Learning Data Analysis）；（4）眼部跟踪（Eye Tracking）和面部表情识别（Facial Expression Recognition）等智慧感知技术的探索应用；（5）基于游戏（Serious Game）教学系统；（6）应用虚拟现实（Virtual Reality）技术构建仿真实验环境；（7）应用教育机器人（Educational robotics）作为学习者的学习伙伴。

（二）人工智能发展的技术内涵与教育应用实践的演进

1.三类人工智能的技术内涵

人工智能的发展经历过三次大浪潮，分别是始于上世纪50年代的计算智能时代、始于上世纪80年代的感知智能时代及进入21世纪以来的认知智能时代[13]。这三代技术的发展并非孤立发展、截然分开，计算智能为感知智能的发展提供基础，计算智能与感知智能发展到一定阶段后协同支撑认知智能的发展。

（1）计算智能在于迅速读取、处理与分析结构化或半结构化的数据。目前，计算机的计算智能已经较为成熟并且远超人类。计算智能是受到人类智慧的启发而设计出来的一类算法的总称，主要用于解决在科学研究和工程实践中碰到的异常复杂的计算问题。这些问题复杂度高、计算耗时长、精度要求高，如，大规模并行计算、仿真计算、模型求解等都需要依靠计算智能来完成。

（2）感知智能主要体现为借助语音识别、图像识别、手势识别等技术，对现实世界的信息进行采集与辨别。谷歌公司的Siri助手、国内科大讯飞公司的语音测评系统等，都已经在语音识别上表现出强大的优势。由牛津大学人工智能实验室、谷歌DeepMind和加拿大高等研究院 （CIFAR）于2016年11月联合发表的论文显示，使用了人工智能技术的唇读系统LipNet能将视频中人物的嘴巴活动与台词匹配，准确率高达95.2%，而人类可以达到的唇语解读正确率一般在20%，最高值仅有57.3%[14]。

（3）认知智能是在感知智能的基础上向前迈进一步，即，不仅仅能够感知与判断语音、图像及手势，而且具备深度学习的能力，能读懂语义、图像及手势的内在含义，能判断出发言者的观点、遣词造句的习惯、情感态度，具备判断与学习的能力。众所周知的AlphaGo战胜围棋冠军柯洁就是认知智能的典型体现。具备了认知智能的计算机，能判断并学习包括柯洁在内的众多围棋高手的下棋策略，能在系统内部不断自我博弈，基于此，大幅提升自身下棋水平，其认知与学习能力是战胜人类的关键。

2.人工智能教育应用实践的演进

人工智能应用于教育教学是伴随计算智能、感知智能与认知智能这三类智能技术的发展而逐渐被引入各类教学系统。传统的智能教学师系统（ITS）和智能教学代理（IPA）主要应用计算智能技术，根据预先建构好的知识模型、教师模型、学生模型，在学习者的学习过程中判断其碰到的问题，并及时给予提醒或反馈。

从一定程度上而言，导师（Tutor）或代理（Agent）都体现为一种智能陪伴（Intelligent Companions），但智能化程度较低。在ITS与IPA中，导师或代理所能感知或捕捉到的信息、数据主要表现为三个方面：一是知识点的类型、难度及与其他知识之间关系，即知识模型（Knowledge Model）；二是学习者业已经历过的学习过程和表现出的学习风格，即学生模型（Student Model）；三是在教师模型中预先设定的教学策略，即教学模型（Pedagogy Model）。显然，这三类信息或数据中仅有学习者的学习经历是一个动态变化的数据库，除此之外的知识模型、学习者学习风格、教学策略等都预先存储于系统，所以，ITS和IPA对学习者特征、知识特性等的理解力与判断力都严重不足。正因为如此，尽管传统意义的智能教学系统和智能教学代理已经显现出智能化特征，但此类教学系统普遍较为僵化，这两类系统的应用普及程度一直不高。

北京大学贾积有的研究显示，智能代理技术和自然语言处理是2010年之前的三年中人工智能教育应用领域最为关注的两个问题[15]。但从2010年至今，人工智能的发展取得了显著成就，李德毅院士称此为“人工智能在奔跑”[16]；同时，人工智能在教育中的应用更趋多样化。美国白宫发布的报告《为未来的人工智能做准备》指出，在图像识别领域，2011年人工智能技术的错误率高达26%，但到了2015年，人工智能技术的错误率仅有3.5%，已然低于人类5%的错误率。也就是说，如果交由两个个体对图像进行识别，根据错误率我们已经无法区分究竟这两个个体是人还是人工智能体所做的图像识别。

更为可喜的是，这种图像识别能力已被应用于教学当中。如，手机应用“学霸君”APP可以把学生用手机拍下的难题迅速上传到云端并形成清晰的题目文本，然后这个软件根据识别出的文本开展网络搜索，并迅即反馈出这道题的答案及解题思路。图像识别技术的发展是人工智能技术发展的一个缩影，近年来，其它如语音识别、语义识别、表情识别、眼部跟踪等技术的发展同样突飞猛进。所以，当人工智能从狭义的计算智能向感知智能、认知智能等强人工智能迅速转型之后，人工智能的教育应用变得丰富并走进了普通大众。

英国《每日邮报》2016年5月10日曾报道美国佐治亚理工学院 （Georgia Institute of Technology）的机器人助教代替人类助教与学生在线沟通交流竟无学生发现[17]，这说明了人工智能教育应用的潜力。虽然当前人工智能对教育的影响远低于人类对人工智能的功能预期，但业已应用的一些人工智能技术，的确深刻影响了学习者的学习体验。

表3所示的是近年来人工智能教育应用的部分美国案例。此外，英国的EZ Education公司开发的DoodleMaths[18]影响也较大，该款应用主要用于测试小学生的数学学习情况，印度、芬兰等国也开发成功为数不少的基于人工智能技术的教育应用系统。科大讯飞公司在人工智能方面有较为强大的技术储备，该公司开发的畅言智能语音（双语）教学系统是针对中小学英语、语文教学需求，利用智能语音技术开发的新型智能教学工具[19]。

综合以上文献、技术分析及对实践的审视，我们可以看出，近十年来人工智能的教育应用一直在蓬勃发展，研究主题因应AI技术的发展发生着显著变迁。其研究领域不再局限于智能教学系统的模型分析、智能教学代理和游戏教学，而更为关注学习过程数据的收集、处理与应用。智能识别、自然语言理解、学习分析、虚拟现实、教育机器人等五类人工智能技术被大量引入教学系统，使传统数字化教学系统、一系列的在线学习平台及MOOC平台等不仅实现了学习资源呈现、作业批改与答疑、学习社区构建、支持交互协作等功能，还能够在应用AI之后对知识与内容的表征形式实行智能化改造，并即时捕捉与感知、分析学习者的学习状态。

表3 美国人工智能教育应用的案例梳理

三、智能识别技术催生智能教学系统的自动化测评和情绪感知功能

人工智能的发展一直指向对人类信息的获取与理解，如表3中的微软小冰、IBM的Watson、苹果的Siri等，都具备很高的自然语言理解能力。

近年来，基于人工智能的信息获取与识别技术不断涌现，这些技术催生了图1所示的人工智能2.0时代新型智能教学系统的构建与运行模型。

图1 人工智能2.0时代智能教学系统的构建与运行模型

从图1可以看出，教学策略模型、学习者模型、知识模型这三者依然是新型智能教学系统的基本组件。在传统教学系统中被关注较少的语音信息、图像信息及非机打文本信息、学习者表情、手势等表达情感的信息，进入到新型智能教学系统的视域。除了传统的智能推理引擎，新增加智能信息感知与识别引擎基于ITS基本组件的需求，能捕捉、识别各类媒体信息及人体的各种数据，智能推理引擎在完成数据分析、模型重构、决策生成等工作的同时，通过多模态反应生成器以多种类型的信息为用户提供反馈。

（一）应用语音识别与图像识别技术完成自动化教学测评

1.语音识别支撑自动化语言学习测评

人工智能技术家族中的语音识别技术发展迅速，以谷歌的Siri为代表的语音识别工具近年来层出不穷；科大讯飞和51talk等公司开发出的语音测评软件也能实现用户跟读，并对发音的正确性做出评估；Siri作为苹果手机上的一项典型应用，具备识别用户、收发短信、寻找联系人、定位、搜索、翻译等诸多功能，这在极大程度上提升了手机与人交互的流畅性，并在一定程度上实现了手机对用户的自然语言理解。这些技术被引入教学系统后，使教学系统与学习者之间的交互便捷性提升显著，自动批改作业、自动教学测评等应用被相继开发出来。

在语言类课程中，学习者将有关课文朗读、英语发音的作业或练习以音频形式提交以后，教学系统能借助语音识别技术，迅速对学习者的学习状况做出评估，进而提出修正建议。反之，如果由教师独立开展此项工作，所耗费时间很长，对语音辨别的准确性不足。因此，语音识别技术的引入，有助于提升教师对学习者学习情况进行评估的有效性，学习者所获得自动化评估或测评有助于其对自我形成更科学的评价。

2.图像及非机打文本语义识别技术促进写作教学测评的自动化

图像识别技术近几年的发展成果丰硕，该技术不仅可对清晰的机打文本做出准确的识别，而且对较为模糊的非机打文本、手写文本也已经达到较高的识别准确率。如，语义识别在写作教学中的应用已颇具实效，来自美国亚利桑那州立大学（ArizonaState University）的Jennifer等人开发了一套训练学习者写作能力的智能辅导系统[34]。该系统包含一个名为The Writing Pal的写作指导策略模型，系统为学生提供一个话题，学生可以根据自己的真实经验或真实世界中的客观事物展开写作。例如，系统要求学生写作的一个主题是：在达成目标的过程中合作与竞争的关系，并探讨如果想获得更大的成就，需要更多的合作还是竞争。

该系统还为学生提供包括九个策略模块的协作策略指导：随笔、计划、引入写作、正文写作、结论写作、核心论点写作和评论修改。系统会在学生写作初期给学生展现一段5-10分钟的视频，学生看完视频后接受一个小测验，以测试学生对视频中讲解到的写作策略的理解程度。学生根据这些策略建议初步写成一篇观点清晰的文章框架，然后修改得更为精确细致。系统追踪检测学生的写作学习情况，如果学生没有完成该写作策略的学习，则不会进入下一阶段的学习。该系统为学生提供丰富的游戏写作场景，让学习参与到真实情景的协作中，系统应用语义识别技术对学生的写作内容进行自动评分反馈，并提出有针对性的修改意见。

（二）表情与手势识别、眼动跟踪等技术支持智能教学系统完成情绪感知

人工智能不仅要听懂人类的声音，而且要“察言观色”，还要感知人类的情感与态度。在这方面，人脸识别、眼动跟踪、手势识别等技术的发展日新月异。试想一下，如果教学系统对一个面部表情充满了厌倦、排斥等情感因素的学生，还在不断推送难度很大的学习材料，那显然不能促进有效学习的发生。具备情绪感知功能的教学系统可以及时调整推送的教学内容的难度，甚至可以增加教学内容的趣味性及提升学习低难度学习材料的学习成就感，这就避免了学习的倦怠或者学习过程的中止。

1.识别面部表情分析学习者学习结果

来自美国北卡罗来纳州立大学 （North Carolina State University）的 Alexandria等人发现[35]，通过识别、收集及应用学习者的学习行为、面部表情等数据，可以有效地预测及调整学习者的学习结果。该研究被应用于一套Java编程学习系统之中，学习界面包含任务描述窗口、学习者的Java代码编写窗口、程序编译与执行输出窗口、辅导教师与学习者对话交流的文本窗口，借助该系统可实现师生同步交流。作为一项实验研究，该研究选择了5名人类导师和来自美国平均年龄为18.5岁的67名大学生，在收集数据时采用了Kinect深度相机（检测姿势和手势）、一个集成的网络摄像头（观测面部表情）以及皮肤电传导手镯 （检测皮肤电传导活动）（如图2所示），每个学习者在学习之前和学习之后都要经过成绩测评。

图2 收集学习者手势、面部表情的智能教学系统

在学习过程中，导师与学习者之间对话的每条语句都经过自动注释标记，导师所提问题基本都是要求学生进行推理的问题，由此激发学生回顾先前所学知识并唤醒过去的学习经验。该系统对面部表情的侦测包括眉毛高低、嘴角的上扬/下压、唇线的紧闭程度等，皮肤电传导出学生心跳波图及相位变化；该相位是指学生在接受刺激时波形的变化峰值。图3是应用摄像头所采集到的部分学生的面部表情图。

图3 学生的四个典型表情

在图3中显示了该研究应用网络摄像头在预测模型中采集的四个典型表情：A图额头下压和B图上眼睑抬高与学习者成绩呈正向相关；A图表示在短时间内的混乱与挫折感；B表情与集中注意力有关，表示学习者可能正在进行批判思考以解决实际问题；C图嘴角下压通常与挫折感相关，代表对学习成绩负向预判；D图与沮丧情绪相关，嘴部放松可以对学习成绩作正向预判，当嘴唇紧闭时对成绩有负向影响。

图4是一位学习者在回答“How can you fix your code?”这个问题提出后，三秒钟时间内被捕捉到的表情。该表情是与成绩正向相关的图像，与教学系统中该学习者完成的问题回答相吻合。经过Ledalab（开源的Matlab软件）等软件对学习者面部表情及皮肤电变化数据的分析，结果显示：学习者的面部表情与皮肤电传导反应可以用于预测学习效果，未来植入面部表情识别功能的教学系统可以在发现学习者的困惑时，提供相对应的指导帮助。

图4 学习者被提问后三秒内的面部表情

2.跟踪眼动数据判定学习者模型

人工智能除了识别学习者的面部表情，还可以从学习者的眼动数据跟踪中，分析学习者的学习兴趣、内容偏好等。来自英国坎特伯雷大学（University of Canterbury）的Antonija Mitrovic等人开发了一个被称为EER-Tutor的智能辅导系统[36]，用于获取开放学习者模型（Open Student Model，OSM），此处的开放学习者模型被定义为学习者如何看待其正在学习的知识，智能教学系统正是依据这个学习者模型来判别每个学习者的学习情况，然后做进一步的教学辅助。在这项研究中，学习者模型的形成依赖于系统对学习者眼动数据的跟踪，图5所示是在该研究中某位被试学生的眼动数据图，被试者对某一概念的凝视时间越长，节点越大。

图5 学习者眼动数据跟踪结果

Antonija Mitrovic等人研究发现，每位学习者对呈现在屏幕上内容的凝视时间差异显著。这项研究选择了来自新西兰坎特伯雷大学大二数据库课程的17名本科生，使用Tobii TX300眼球数据追踪仪跟踪、测试学生的内容关注点、关注时长等数据。

智能教学系统通过语音识别、图形图像识别、表情及手势识别等多种形式捕捉、感知学习过程和学习状态。然后ITS又根据这些数据更新学习者模型，在后续学习过程中，会相应地给不同学生呈现不同教学内容。同时，ITS给学生提供的反馈也走向多模态化，新型智能教学系统亦能综合应用自然语言表达、文本显示、预制的动画或视频等多种形式，为学生提供人性化的生动反馈。

四、学习分析技术推动智能教学系统支撑个性化学习

在人工智能2.0时代，基于大数据的学习分析技术，智能教学系统对非结构化数据的分析能力和基于不完整数据做出决策的能力，都得到大幅提升。教育数据的捕捉已经达到非常精细的颗粒度，来自悉尼大学的学者已经应用可触摸屏幕来捕捉协作学习中每个小组、每个成员的学习表现[37]。教师采用仪表盘（Dashboard）的形式，能非常清晰的看到协作小组的学习活动是否与课程目标一致、学习者是否需要及时干预。总体而言，学习分析被用于学习评估、学习预测及教与学的优化[38]，基于人工智能的学习分析为实现更为科学的个性化学习、个性化诊断、个性化反馈及因材施教提供了可能。

（一）学习分析技术引发学习者模型、知识模型及教学策略的转型

1.学习者模型（Learner Model）的转型

与传统的智能教学系统和智能教学代理进行比较可以发现，在传统智能教学系统中，学生模型的形成主要采取如下方式：首先，教师或系统开发者预先设定学生的众多学习风格，如，先在学习管理系统（Learning Management System，LMS）中根据菲尔德（Felder）和西尔弗曼（Silverman）的学习风格模型选定学习风格的分类[39]；然后，在学习者开始学习之前进行问卷式的评测；最后，根据问卷评测结果选定学生的学习风格[40-41]。

显而易见，根据简单的问卷评测并不能对学生的学习风格做出准确评测，传统智能教学系统对学习者学习风格的选定策略，是在无法获取学习者大量学习过程数据情况下的权宜之计。随着教育大数据概念的深入人心，各类教学系统的数据收集与分析能力得到大幅度提高，学习管理系统有能力鉴别出学习者的学习风格、媒体偏好、兴趣、认知水平，并根据学习的进展，逐渐调整对学习者的判定[42]。因此，学习者模型的形成范式正在从预设式向生成式转型，如，著名的儿童教育内容制作公司芝麻街（SESAME STREET）基于IBM具备理解、推理和学习能力的认知系统Watson，开发出各种“个性化学习工具”以认知并适应不同孩子的学习方式。伴随着每次人机互动，Watson能够不断优化自身以匹配每个学生的学习模式[43]。

2.知识模型（Knowledge Model）的转型

鉴于人工智能对大数据收集、处理能力的优越性，在2017年美国“ASU-GSU教育科技峰会”上，众多科技人员和学者一致认为，基于大数据智能的学习分析技术，应成为数字化教学系统的标准配置。更值得期望的是，数字化教学系统所收集的学习过程数据，还将包括学生的情感信息及学生的元认知策略，教学系统对学习者的理解与判断将达到一个新的高度。

当我们把关注点转移到MOOC教学系统之后又会发现，因为MOOC系统面向的学习者数量极其巨大，如果MOOC系统实现对学习者学习过程的记录，那么学习者对学习内容的重点、难点、学习路径会形成一种公众认知与判断 （将被用于对知识的标注）。传统智能教学系统中的知识模型，将不再仅是知识内容的细化与陈列，还将伴随有对每个知识点的学习策略和学习路径建议，这个学习路径往往要以包含有层次结构和映射关系的知识图谱为基础。因此，在应用学习分析技术之后，教学系统的知识呈现形式及属性表征都变得异常丰富，这对学习者而言意义巨大。在传统学习中，如果没有老师或同伴的指导，学习者只有在学习很长时间以后才能逐渐认知到正在学习的知识的难度及学习方法，而应用了学习分析技术的教学系统能在呈现知识的同时，清晰地表达相对应的学习策略，学习者将少走很多弯路。

3.教学策略模型（Pedagogical Strategy Model）的转型

有过一定教学经验的人都会有如下经历，在每个学习群体中会有些学生非常勤奋，但学习成绩一直不高。教师往往把这种现象归因于该生的学习方法不当，为此，教师要借助与学生的交流，再结合个人经验来调整学生的学习方法。但不容忽视的是，如果学生不能清晰、准确地表述个人的学习状况，那么，教师的经验虽然宝贵却并不一定适用于所有学生，学生的学习方法的调整效果不理想。最终老师只能将学生成绩不高归因于学习动机不高或天资水平欠佳。

正是基于学习者模型与知识模型的转型，学习分析技术能帮助教师打开学生学习过程的黑箱。由于学生的个性不同，每个学生应该有其独特的学习路径，教师既能从学习路径上寻找到不合理之处，也能从学生在每个知识点的掌握情况上追踪、探查问题的根源。即使是5年级的学生，其当前学习的困境即可能来自于3年级时对某个知识点或某个知识单元掌握不佳。例如，在“一起作业网”这个教学平台上，将学生的作业、课堂行为、考试等数据集中起来以后，能够很全面的表征学生的学习行为。同样是得了80分的两位同学，传统教育会默认为这两位同学处于同样的能力水平。而“一起作业网”的智能评价系统会追踪这两位同学的学习过程，分析他们每个知识点的掌握情况和每一道错题的失分点等，从而得出不同的学情诊断。另外，通过对学生作业数据的记录，老师还可为每一位学生整理形成错题本，帮助学生开展针对性练习，实现个性化学习。

（二）应用学习分析技术支撑个性化学习的案例评述——Knewton系统

创立于纽约的Knewton公司致力于个性化教育研究及平台研发，Knewton系统拥有庞大的学习资源和先进的学习数据分析能力，个性化学习内容推送精准、有效。Knewton基于每个学生的独特性，根据学生教育背景、智力水平、学习速率、遗忘速率、注意范围和学习模型的不同，联合教师和出版商为学生提供个性化的学习路径，提供智能化并具有适应性的学习方案，该系统平台上的课程主要有英语、数学、化学等。区别于其它学习分析与内容推送系统，Knewton系统的特点主要表现在以下三个方面：

1.学习内容以知识图谱形式存储

Knewton平台系统里有成千上万的内容模块，学习内容的存在形式包括视频、题库、问答对话等等，每个模块里的内容可大可小，可能是一个小问题，也可能是一个连续的学习系列。这些内容之间的关系以知识图谱的形式存在，可实现知识的可视化，其作用在于表示课程材料知识点之间的概念关系。系统会根据学生学习情况给每一个内容打分，并根据学生表现调整呈现的内容及相应的呈现方式。图6所示是Knewton系统基于知识图谱形成的个性化学习路径，图中每一个小圆圈都代表一个知识点，圆圈之间的连线就代表一条学习路径，例如：1.1—1.2—2.1—2.2—3.2就是一条学习路径。

图6 Knewton系统的个性化学习路径

2.基于项目反应理论的学习数据分析

Knewton系统基于项目反应理论把学生的能力建模为问题表现水平，而不是测验表现水平。如，在耗时10分钟且包含10道题目的小测验中，其中两道题目特别简单，两道题目特别难，另外6个题目是中等难度的。在参加考试的所有学生中，其中两个学生都答对9道题目，一个学生答错一道简单题，而另一个学生答错一道难道。在传统分级方法中，这两个学生都得90分，等级都是A，并且安排他们进入相同的下一场考试。但在Knewton中，由于答错的题目对应的是不同难度，还有可能对应不同的知识点，对学生能力的测试结果会大不相同。

3.基于多次测试及综合表现的内容推荐

Knewton的内容推荐系统可以满足不同兴趣和不同学习风格学生的需求，并根据学习的顺序和进度不断调整。不同学生的Knewton教材会因为他们的使用习惯而存在差异，同一篇文章篇幅的长短也取决于学生的具体表现。如果某位学生对“细胞分裂”的注意力在开课15分钟后持续下降，那么下次上课的时候，Knewton会在第14分钟时停止推送“细胞分裂”的内容。同样的，如果某位学生对视频教学反馈良好，系统会持续推送视频内容而不是文本和音频内容。

基于以上三个特性，Knewton能较好的作为个人学习情况和课堂教学质量的分析工具，实现可视化学习过程，尤其是对学习效果、参与程度和知识滞留做出可视化分析。近年来，Knewton系统已经先后与Pearson Education、Macmillan Education、Houghton Mifflin Education等数家教育出版商开展合作，为出版社所出教材提供数字化改造与学习平台搭建。2015年起，Knewton系统进入中国，成为“好未来”等在线教育公司学习平台的技术供应商。

除了上述国外案例，国内的在线学习平台更在大力推进应用学习分析技术支撑个性化学习。如，在沪江在线今年推出的大学生英语四级课程追踪平台上，将近1.5亿的在线学习用户群体在每个课件的每一页内容、每一个知识点、每一个对应的题目、每个题目及每个题目对应的选项上，都有学习行为记录。基于这些学习过程数据，嵌入了人工智能的沪江在线平台，使每位学习者获得的课程内容都是个性化的、量身定制的。学习者之前牢固掌握的内容绝不会重复出现，教学系统会给学生智能化推送未复习考点，这在极大程度上节省了学习者的学习时间并提高了学习效率[44]。

五、应用虚拟现实技术为学习者搭建虚拟课堂

《第四次革命》的作者卢西亚诺·弗罗里迪（Luciano Floridi）预计每个人都将经历“线上人生”[45]，这种生活消除了虚拟世界和现实世界间的门槛。现实世界的生活方式及实物都以仿真的形式存在于虚拟世界中，每个人借助于虚拟世界能更好的获取知识与感知文明。

虚拟现实（VR）技术的突破有赖于智能对象行为建模技术的发展，近些年，伴随智能计算芯片技术的发展，在虚拟现实中，智能对象行为的社会性、多样性和交互逼真性都得到突飞猛进的发展。从这点而言，尽管虚拟现实一直作为信息科学技术中一个较为独立的研究领域存在，但其发展、突破与应用都与人工智能息息相关。虚拟现实技术的发展推动了仿真教学系统及沉浸式学习环境的设计与开发，两者都为搭建虚拟课堂提供了坚实的平台支撑。

（一）仿真教学（Simulation Teaching）系统

1.EON Reality

在全球众多的仿真教学系统中，由EON Reality公司开发的一系列仿真教学模型得到广泛应用。尤其在高等教育领域，这些仿真教学模型显著提升了学生在学习过程中的注意力。EON Reality建立的虚拟现实3D数据库 （Experience Portal）收集有4000多种模型和虚拟场景，教师和学生从这个数据库中下载高度仿真的立体模型之后，在应用EON公司提供的VR/AR软件时就可以看到各类三维模型，如，宇宙中星球间的关系模型、动物解剖模型、植物成长生态环境的变化模型等等。教师应用这个数据库能在较短时间内为上课做好准备，学生还可以应用该公司提供的软件创建3D模型供以分享和研讨。

在提供内容庞大、种类丰富的虚拟仿真模型的同时，EON Reality还提供了一个被称为EON Coli-seum的多用户虚拟平台。通过该平台，教师可以很方便的搭建虚拟课堂，然后学生加入其中，这与Second Life[46]等三维虚拟社区相似。在虚拟课堂学生能够应用这些仿真模型开展基于角色扮演的游戏式教学。

2.物理仿真学习环境VIPs

正如斯坦福大学人机交互实验室创始人杰里米·拜伦森（Jeremy Bailenson）教授所说[47]，虚拟现实的世界可以提供丰富的物理信息，涵盖视觉、声音、触感及味道等各方面的信息。如，奥本大学 （Auburn University）的Lakshman等人构建虚拟物理系统VIPs用以模拟真实世界中很难操作的仪器设备[48]，VIPs系统支持学习者搭建、仿真、收集不同滑轮情境中的数据。

首先，VIPs系统预置了物理课程专家对滑轮这一概念学习中常见的六个误区。系统通过询问学习者相关问题让学习者在仿真情境下动手操作滑轮实验，以判定学习者是否能够避免概念误区。然后，学习者在学习每个内容模块时都要经过组块测试，获得相应的学习反馈。Lakshman等人对这个系统的有效性开展了实验比较，在与真实情景的对比试验中，选择了158名小学职前教师随机分配到实验组与对照组分别进行前测，试验阶段分别提供真实滑轮操作情境和VIPs虚拟情境。最后，研究者对两组被试进行后测，通过对实验数据的反复方差检验，发现使用VIPs的实验组学习所得，在统计学意义上要高于使用真实情景的对照组，结果显示使用VIPs的学习者可以学到更多的知识。

（二）沉浸式学习（Immersive Learning）环境

比仿真教学系统更进一步，沉浸式学习环境综合利用立体眼镜、数据手套及头盔、操纵杆等各类跟踪系统，使师生感觉完全置身于真实场景观察事物。来自利物浦大学 （University of Liverpool）的 Maria Limniou等人设计了名为CAVE[49]的沉浸式虚拟教学环境，这个系统在英国索尔福德大学的虚拟现实中心被试用。CAVE的跟踪系统记录3D物体的角度和方向的变化，操纵杆帮助用户向前或向后移动3D物体或旋转不同角度的物体。教师将跟踪系统戴在头上，以便简单地通过移动头部来观察虚拟现实环境，而不需要使用单独的控制器来改变图像的角度。为了让学生更好地观察，教师使用操纵杆把分子向前或向后旋转，从而解释发生反应的化学变化。为了让学生从不同角度观察结构分子的变化，教师可以停止或翻转动画。参加实验的学生戴着立体眼镜，当教师提出问题时，学生们能非常积极地参与回答。

沉浸式学习环境比仿真教学环境对软硬件设备的要求更高，相应的，学生在沉浸式学习环境中对真实情景的体悟、感知程度也更深。在上述CAVE案例中，研究者通过与传统课堂教学中学生课堂参与度及最后成绩进行比较，发现使用沉浸式虚拟学习环境的学生课堂参与度显著提升，虚拟学习环境使学生能多视角观察化学反应的进行，从而积极参加教学过程，能积极回答教师提出的关于分子结构的问题。

在传统课堂教学上，借助二维画面和教师讲解，学生们并没有意识到三维空间中的分子及其体积，但通过使用三维虚拟学习环境，学生很容易理解分子是不平坦的。相比于二维画面展示，CAVE中的三维动画可以让学生更好地感知化学反应过程中分子结构的变化，因为学生可以暂停或旋转动画，向前移动或向后移动从而更好地观察。使用CAVE后，学生对CAVE的评价积极，他们认为自己似乎参与了化学反应，可以从不同的角度观察它。无论是借助仿真教学环境还是沉浸式学习环境所搭建起的虚拟课堂，都能在一定程度上促进学生提出更多的问题，增强与老师教互动。

六、智能代理与教育机器人构成学习者的智能陪伴

人工智能以更自然的方式融入人类社会，作为一种“伴侣”而存在，人工智能可以具象化为一种智能陪伴（Artificial Companions，ACs），因其智能化程度不同，ACs可以划分为轻人工智能体和智能体[50]。轻人工智能体仅具备少量的计算智能，其自然语言理解与情感识别等方面的能力还比较薄弱；智能体在自然语言理解及情感识别等方面的能力大幅提升。美国佐治亚理工学院（Georgia Institute of Technology）应用IBM的Watson系统作为机器人模拟导师给学生网上答疑，此时的智能体已经具备较强的学习能力和社交能力，甚至可以成为用户的替身，变成人类与他人、社交网络进行互动的主要媒介。在实践当中，智能陪伴的形式主要体现为智能教学代理和教育机器人两种形式。

（一）智能教学代理

智能教学代理主要体现为一个助教教师，目前仅实现了初级的陪伴学习。但其下一步将有望发展并实现主动的知识输出与对学习者的引导。来自希腊萨洛尼卡市的亚里士多德大学（Aristotle Universi-ty of Thessaloniki）的 Stergios Tegos等人，应用对话代理模式干预学习者的协作性学习[51]。该研究选取了小学五年级现代历史课上32名学生 （含18名女生和14名男生，年龄在11-12岁不等），在计算机实验室进行探究性试验。实验开始为学习者呈现一系列具有特定历史背景的卡片，然后要求学习者收集与给定历史背景相符的卡片，接下来将这些卡片组合起来创建一个历史故事，对话界面（见图7）提供了一个猫头鹰形态的智能代理，为学习者提供相关概念的引导，帮助其具化历史故事的推理过程。

图7 协作学习中的智能代理

当组内一位学习者提出关键性概念后，如果30秒内无其他响应，猫头鹰代理将会自动触发干预机制，干预机制分析学习者的会话贡献度，采用分割、关键词提取匹配算法决定最适合的干预决策，引导所有学习者共同参与协作学习过程。整个活动耗时90分钟，协作阶段占用近25分钟。

该实验研究发现，智能代理可以诱发小组在协作中更多地参与交互，学习者在等待同伴提交代理反馈时非常不耐烦，但是在面对智能代理的问题时，对于不明白的问题更加坦诚“我不知道”，尽管智能代理并不是一个权威性的沟通角色，但是在面对智能代理时，相较于面对同伴，学习者能够以更加礼貌、正式的方式对智能代理的问题进行反应。随着时间变化，学习者的提问和回答模式似乎更加倾向于智能代理的模式，当学习者无法回答智能代理的问题时，他们向同伴求助更容易获得帮助，能够获得更好的组内协作。

（二）教育机器人

教育机器人分为面向大学和面向中小学的机器人，机器人又可以进一步分为教育性机器人和比赛型机器人。其中比赛型机器人的发展历史较长，主要是为了训练学生的设计与创造能力，学生可以编程控制机器人的行为。通过应用比赛型机器人，培养学生的科学素养已经成为当前非常盛行的STEAM教育的重要内容。在FIRA机器人足球赛、中国教育机器人大赛、世界教育机器人大赛、FLL机器人世界锦标赛等比赛中所出现的机器人主要属于这类。比赛型机器人作为玩具和学生操控对象的特性比较突出，但作为学习工具或智能陪伴的属性较为欠缺。

教育性机器人主要用于对学生的智能陪伴和陪学。学生在学习时，教育机器人可直接讲授或即时回答学生提出的问题，感知并调整学生的情绪，这类机器人往往兼具玩具和学习工具的功能。在全球比较著名的教育机器人中，类似毛绒玩具的智能机器人Romibo会讲故事，它可以通过其前置摄像头捕捉孩子们的动作，能给孩子提示和好评，以降低使用者的焦虑水平。WowWeeMiP Robot机器人看起来像一个小孩，它可以识别人的手势，用户可以用智能手机、手部动作来控制机器人的行为。PLEO rb外观像恐龙，它可以教孩子关于生物学和生命周期等方面的知识，这个机器人在模仿真实生命方面能力突出，具备较强的学习、思考和独立行动的能力。图8是来自麻省理工学院设计的一款教育机器人，图9是著名的美国汉森机器人公司开发的爱因斯坦机器人。

图8 会讲故事并与孩子交互的机器人

图9 爱因斯坦机器人

麻省理工学院媒体实验室的 Jacqueline Kory Westlund等研究人员，开发了一个给孩子讲故事并且教孩子讲故事的机器人。基于与学习者较长时间的交互，这个教育机器人能够收集学习者的语言习惯及讲故事的技巧信息。通过收集到的这些数据和信息，教育机器人讲故事的方式得以调整，并能感知每个学习者的进步。

爱因斯坦机器人是款外形酷似爱因斯坦的迷你机器人，该机器人的主设计师是美国汉森机器人公司的大卫·汉森（David Hanson）。早在2009年，汉森还是加利福尼亚州立大学的一名研究人员时，他使用软体机械工程和纳米科技成功地制造了这款机器人的雏形。后来这款机器人的智能性及与真人的外形相似度都不断提高，发展至今已经成为全球机器人中的典范。这个机器人使用一种类似肉体的叫做“Frubber”的材料，使其面部皮肤能呈现出具有4-40纳米直径的毛孔，机器人面部上的皱纹非常逼真。爱因斯坦机器人不仅具备说话的功能，还能够识别出许多种人类的面部表情，识别用户的语音，并与用户进行合理有效的交谈。爱因斯坦机器人能够做出超过50种手势和表情，它还可以与用户谈论天气、名人、食物和数学问题及与用户做游戏互动。与此同时，爱因斯坦机器人虽然不能解释广义相对论等复杂理论，但能够讲授数学和科学等相关科目知识，其知识库储备能够实现百科全书式的检索，几乎可以回答学龄阶段的所有科学问题。

教育机器人是一种具象化的智能陪伴，而智能教学代理主要是一种虚拟的卡通形象，属于低成本的智能陪伴。人工智能1.0时代的智能教学代理（IPA）主要承担助手（Assistant）和实时导师（Real-time Tutor）的角色[52]。随着IPA采用越来越多的感知智能、认知智能等高阶人工智能技术，人工智能2.0时代的IPA与教育机器人同样具备较好的情绪感知和学习能力，交互内容更加丰富，交互过程也更加自然、流畅。

七、人工智能2.0重塑学习的应用前瞻

科技的发展与应用永无止境，人工智能升级、革新教学系统将不止于智能识别、情绪感知、学习分析、虚拟现实、智能陪伴等技术的应用。人工智能的基础理论及各类相关技术仍在迅速发展，并将引发学习方式、学习技术的颠覆式创新。最近《科学》杂志发表论文证实华人科学家张首晟及其团队发现 “天使粒子”（马约拉那费米子的存在证据），这一物理学领域的重大发现将推动人工智能实现 “量子跳跃”。正如张首晟所言，“人工智能的核心是算法。如果依托量子计算机开展运算，人工智能就可以将以前多个步骤才能完成的计算简化为一步，从而最快找到最优化解决途径，这将引发各行各业的深刻变革”[53]。

2017年7月9日在杭州召开的“全球人工智能高峰论坛”上，中国工程院院士潘云鹤指出，新一代人工智能的重点方向将从数据智能、群体智能、跨媒体智能、人机混合的增强智能和自主智能系统等五个方面进行。其中的数据智能、跨媒体智能及人机协同的增强智能，将对教育教学领域形成重大影响。

（一）大数据与跨媒体智能共同支撑精准的学情判断和科学的学习路径推荐

大数据智能表现为从浅层计算到深度神经推理，从单纯依赖数据驱动到数据驱动与知识引导相结合，能够实现可解释、更鲁棒和更通用的人工智能[54]。就如AlphaGo在系统内部存储数量庞大的优秀棋谱，基于自我博弈的技术，能应用所学知识在内部与自我下棋，反复学习、推演。随着智能教学系统做逻辑推理及决策所依据的经验、知识库、题库的迅速增长，规模庞大、种类丰富的学习大数据基础或知识基础得以建立，不断发展的大数据智能将数据驱动的机器学习方法与人类的经验常识和直觉相结合，智能教学系统推荐给学习者的学习路径将更为个性化、人性化并能适时调整。

所谓跨媒体智能，是指智能系统所处理的信息不是单一的媒体形式，而是由文字、图像、音频、视频等相互融合的多媒体形态[55]。如今跨媒体统一表征、跨媒体关联与深度挖掘、跨媒体知识图谱构建、跨媒体知识演化与推理等技术日趋成熟。跨媒体智能将能综合处理前文所述的语音识别、图形图像识别、手势与面部表情识别等技术捕捉或感知到的信息。此外，借助于可穿戴技术及脑机融合等技术，甚至于学生的意识都可能被感知，对这些信息的多模态统一数据表征与分析应用可以更准确的判定学情。

（二）未来教学系统将广泛采用人机协同的增强智能

由于人类面临的许多问题具有不确定性、脆弱性和开放性，任何智能程度的机器都无法完全取代人类。这就需要将人的作用或人的认知模型引入到人工智能系统中，形成混合增强智能的形态，这种形态是人工智能或机器智能的可行的、重要的成长模式[56]。此外，人工智能在现阶段仍不可避免地面临信任危机，如，身患绝症的病人断然不能完全信任由智能机器开出的诊治方案，教育机器人对学习者的科学应答过程显然也缺乏情感交流与人性化对话，人类需要面对人工智能的信任危机及对人工智能系统错误包容性的技术伦理困境。

人类不能完全依赖于对人工智能的使用。正是因为认识到这点，IBM使用Watson开发药物的关键一环是该系统不断与医药学家进行沟通。Watson虽能提高癌症和其他疾病的早期检测结果，但也需要人类医生的配合，医生需要了解患者的症状，通知患者治疗计划，并引导患者完成整个治疗计划。在教育教学过程中，如果人工智能形成的学情分析以及个性化推荐能与优秀教师的经验、智慧、对知识的尊重、对学生的爱等协同，学习者方能感受到真正的因材施教，个性化深度学习才能发生。更需要注意的是，在开放的互联网上，应用人工智能技术收集到的学习数据隐私权面临巨大挑战，需要应用法律及区块链数据加密等技术限定学习过程数据的使用边界，借助人类教师与智能教学系统的相互协同，是新一代人工智能真正安全、可控，并发挥其重塑学习效用的必然选择。

[1]潘云鹤.AI2.0时代的五个布局方向[EB/OL].[2017-07-15].http:// www.donews.com/news/detail/1/2959778.html.

[2]潘云鹤.人工智能走向2.0[J].Engineering，2016，2（4）：1-6.

[3]牟智佳.“人工智能+”时代的个性化学习理论重思与开解[J].远程教育杂志，2017（3）：22-30.

[4]White House.Artificial Intelligence，Automation，and the Economy [EB/OL].[2017-01-25].https://obamawhitehouse.archives.gov/blog/2016/ 12/20/artificial-intelligence-automation-and-economy.

[5]White House.Preparing for the Future of Artificial Intelligence[EB/ OL].[2016-12-30].https://obamawhitehouse.archives.gov/blog/2016/ 05/03/preparing-future-artificial-intelligence.

[6]National Science and Technology Council.National Artificial Intelligence Research and Development Strategic Plan[EB/OL].[2016-12-28]. https://www.nitrd.gov/PUBS/national_ai_rd_strategic_plan.pdf.

[7]Stanford University.Artificial Intelligence and Life in 2030[EB/OL]. [2017-05-20].http://www.donews.com/news/detail/1/2959778.html.

[8]国务院关于印发新一代人工智能发展规划的通知[EB/OL].[2017-07-26].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996. htm

[9]李九喻.联合国召开首次人工智能峰会:让AI助力17个可持续发展目标.[2017-07-01].https://news.uc.cn/a_148308135966785100/.

[10]陈凯泉.智能教学代理的系统特性及设计框架[J].远程教育杂志，2010（6）：98-103.

[11]赵建华.智能教学系统概述[J].中国电化教育，2007（7）：5-12.

[12]13th International Conference on Intelligent Tutoring Systems[EB/ OL].[2017-06-07].http://its2016.its-conferences.com/.

[13]徐贵宝.拥抱人工智能2.0新时代[J].中国人工智能学会通讯，2017（5）：50-56.

[14]Assael Y M，Shillingford B，Whiteson S，et al.LipNet:End-to-End Sentence-level Lipreading[EB/OL].[2017-05-16].http://www. oxml.co.uk/publications/2016-Assael_Shillingford_LipNet.pdf.

[15]贾积有.国外人工智能教育应用最新热点问题探讨[J].中国电化教育，2010（7）：113-118.

[16]李德毅.人工智能在奔跑 教育的机遇与挑战[J].北京联合大学学报，2016（3）：1-4.

[17]Daily Mail Online.A Robot has been Teaching Grad Students for 5 Months...and None of them Realized[EB/OL].[2017-05-10].http:// www.dailymail.co.uk/news/article-3581085/A-robot-teaching-gradstudents-5-months-NONE-realized.html.

[18]EZ Education.Research behind the Making of Doodle Maths[EB/ OL].[2017-05-10].https://www.doodlemaths.com/.

[19]科大讯飞.科大讯飞畅言智能语音（双语）教具系统[EB/OL]. [2017-02-17].http://www.iflytek.com/content/details_26_666.html.

[20]Pearson Education.Ordinate，Creator of the Versant Test，is now a Part of Pearson[EB/OL].[2017-03-18].https://www.versanttests.com/ aboutus.

[21]McGraw-Hill Education.Overview of Aleks[EB/OL].[2017-03-19]. https://www.aleks.com/about_aleks/course_products.

[22]McGraw-Hill Education.McGraw-Hill Education Launches Connect Master，a New Adaptive Learning Technology Focused on Deeper Foundational Learning[EB/OL].[2017-03-20].http://www.prnewswire. com/news-releases/mcgraw-hill-education-launches-connect-master-a-new-adaptive-learning-technology-focused-on-deeper-foundational-learning-300061431.html.

[23]McGraw-Hill Education.What is LearnSmart?[EB/OL].[2017-04-10].http://www.mheducation.com/highered/platforms/learnsmart.html.

[24]McGraw-Hill Education.What is SmartBook?[EB/OL].[2017-04-11].http://www.mheducation.com/highered/platforms/smartbook.html.

[25]Gradescope.How it Works?[2017-05-22].https://www.gradescope. com/.

[26]Knewton.Updated Instructor Experience[EB/OL].[2017-04-02]. https://www.knewton.com/resources/.

[27]Pearson Education.The Learning Science behind Revel[EB/OL]. [2017-04-15].https://www.pearsonhighered.com/revel/educators/learning-science/.

[28]EON Reality.EON Virtual Trainer[EB/OL].[2017-02-19].https: //www.eonreality.com/eon-virtual-trainer/.

[29]MIT Scheller Teacher EducationProgam/Education Arcade.Overview，Research and Collaborative Design[EB/OL].[2017-04-28].http:// education.mit.edu/about/our-work/.

[30]Hanson Robotics.My Story[EB/OL].[2017-04-29].https://professoreinstein.com/pages/about.

[31]Massachusetts Institute of Technology.Personalized Robot Storyteller [EB/OL].[2017-05-26].https://www.media.mit.edu/projects/collaborative-robot-storyteller/overview/.

[32]Vail A K，Grafsgaard J F，Boyer K E，et al.Predicting Learning from Student Affective Response to Tutor Questions[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:154-164.

[33]Taub M，Azevedo R.Using Eye-Tracking to Determine the Impact of Prior Knowledge on Self-Regulated Learning with an Adaptive Hypermedia-Learning Environment[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:34-47.

[34]Weston-Sementelli J L，Allen L K，Mcnamara D S.Comprehension and Writing Strategy Training Improves Performance on Content-Specific Source-based Writing Tasks[J].International Journal of Artificial Intelligence in Education（IJAIE），2016:1-32.

[35]Vail A K，Grafsgaard J F，Boyer K E，et al.Predicting Learning from Student Affective Response to Tutor Questions[C].International Conference on Intelligent Tutoring Systems.Springer International Publishing，2016:154-164.

[36]Mathews M，Mitrovic A，Lin B，et al.Do Your Eyes Give It Away? Using Eye Tracking Data to Understand Students’Attitudes towards Open Student Model Representations[C].International Conferenceon Intelligent Tutoring Systems.2012:422-427.

[37]Maldonado R M，Kay J，Yacef K，et al.An Interactive Teacher’s Dashboard for Monitoring Groups in a Multi-tabletop Learning Environment[C].International Conference on Intelligent Tutoring Systems.Springer，Berlin，Heidelberg，2012:482-492.

[38]刘清堂，王洋等.教育大数据视角下的学习分析应用研究与思考[J].远程教育杂志，2017（3）：71-77.

[39]El-Bishouty M M，Saito K，Chang T W，et al.An Interactive Course Analyzer for Improving Learning Styles Support Level[M]. Human-Computer Interaction and Knowledge Discovery in Complex，Unstructured，Big Data.Springer Berlin Heidelberg，2013: 136-147.

[40]Roll I，Aleven V，Mclaren B M，et al.Improving Students’Helpseeking Skills Using Metacognitive Feedback in an Intelligent Tutoring System[J].Learning&Instruction，2011，21（2）:267-280.

[41]Murray T.An Overview of Intelligent Tutoring System Authoring Tools:Updated Analysis of the State of the Art[M].Authoring Tools for Advanced Technology Learning Environments.Springer Netherlands，2003:491-544.

[42]Liu X，Du Y，Sun F，et al.Design of Adaptive Learning System based on Big Data[C].International Conference on Information Engineering.ACM，2017:1-5.

[43]Education News.Sesame Street，IBM’s Watson Team Up for Early Childhood Tools[EB/OL].[2017-03-28].http://www.educationnews. org/technology/sesame-street-ibms-watson-team-up-for-earlychildhood-tools/.

[44]伏彩瑞.智启未来[R].上海：“人工智能与未来教育”高峰论坛.2017（5）.

[45][50][意]Luciano Floridi.第四次革命[M].王文革译.杭州：浙江人民出版社，2016，10：65，177.

[46]Mayrath M C，Traphagan T，Jarmon L，et al.Teaching with Virtual Worlds:Factors to Consider for Instructional Use of Second Life[J]. Journal of Educational Computing Research，2015，43（4）:403-444.

[47]Bailey J O，Bailenson J N.Considering Virtual Reality in Children’s lives[J].Journal of Children and Media，2017:1-7.

[48]Myneni L S，Narayanan N H.An Intelligent Tutoring and Interactive Simulation Environment for Physics Learning[M].Intelligent Tutoring Systems.Springer Berlin Heidelberg，2012:250-255.

[49]Limniou M，Roberts D，Papadopoulos N.Full Immersive Virtual Environment CAVETM in Chemistry Education[M].Elsevier Science Ltd.2008.

[51]Tegos S，Demetriadis S，Tsiatsos T.An Investigation of Conversational Agent Interventions Supporting Historical Reasoning in Primary Education[M].Intelligent Tutoring Systems.Springer International Publishing，2016.

[52]陈凯泉.实时导师和助手：智能教学代理的实践定位[J].中国电化教育，2006（4）：85-87.

[53]新华社.科研团队成员揭秘“天使粒子”发现的背后[EB/OL].[2017-07-26].http://news.xinhuanet.com/2017-07/25/c_1121375201.htm.

[54]Zhuang Y T，Wu F，Chen C，et al.Challenges and Opportunities: from Big Data to Knowledge in AI 2.0[J].Frontiers of Information Technology&Electronic Engineering，2017，18（1）:3-14.

[55]Peng Y X，Zhu W W，Zhao Y，et al.Cross-media Analysis and Reasoning:Advances and Directions[J].Frontiers of Information Technology&Electronic Engineering，2017，18（1）:44-57.

[56]Zheng N N，Liu Z Y，Ren P J，et al.Hybrid-augmented Intelligence:Collaboration and Cognition[J].Frontiers of Information Technology&Electronic Engineering，2017，18（2）:153-179.

The Technological Path and Practice Exploration of Reconstructing Learning based on Artificial Intelligence（AI）2.0：Also on the Functional Upgrade of Intelligent Tutoring System

Chen Kaiquan，Sha Junhong，He Yao&Wang Xiaofang
（Department of Education，Ocean University of China，Qingdao Shandong 266100）

ArtificialIntelligence（AI）hasaccumulatedstrongbasisofthetechnologythroughmorethan60years.Innearlya decade，AI has been stepping into cognitive intelligence rapidly after computational intelligence and perceptual intelligence in sequence.AI 2.0 has been applied in every field of life instead of AI 1.0 which was just used and recognized by elite minorities.With the rapid development and application of technologies including natural language understanding，facial expression recognition，educational big data，virtual reality and robotics，the new intelligent tutoring system involved these technologies transforms and reconstructs the manifestation of knowledge and learning process intelligently.Besides，the function of the new intelligent tutoring system should consist of capture and perception immediately，analysis of learner’s state，evaluation automatically，learning analytics，emotion perception，simulation teaching，intelligently accompany，and so on.In the future，the new intelligent tutoring system based on big data intelligence and intermedia intelligence is likely to support precise learning judgment and scientific learning path recommendation，and the artificial intelligence in education will make for human-machine-cooperative augmented intelligence.

Artificial intelligence;AI;Intelligent tutoring system;Learning analysis;Natural language understanding;Virtual classroom;Intermedia intelligence

G40-057

A

1672-0008（2017）05—0040—14

2017年7月28日

责任编辑：陈 媛

本文系国家社会科学基金项目“基于E-SCIENCE的新型科研范式研究”（15BTQ057）；教育部人文社会科学研究项目“高校虚拟科研组织的组建模式与运行机制研究——基于协同创新的视角”（14YJC880005）；中国海洋发展研究会基金项目“海洋科学研究中的范式转型及对策研究”（CAMAJJ201605）的研究成果。

陈凯泉，中国海洋大学教育系副教授，主要研究方向为教育信息化、学习科学与科研信息化；沙俊宏，中国海洋大学教育系在读硕士研究生，研究方向为人工智能的教育应用；何瑶，中国海洋大学教育系在读硕士研究生，研究方向为教育大数据与学习分析；王晓芳，中国海洋大学教育系在读硕士研究生，研究方向为信息技术支持下的深度学习。