国际领域“人工智能+教育”的研究进展与前沿热点*——兼论我国“人工智能+教育”的发展策略

李海峰 王 炜

（新疆师范大学 教育科学学院，新疆乌鲁木齐 830017）

阿尔法狗（AlphaGo）的超强自学能力及其卓越智能，再次在全球范围掀起了人工智能研究热潮，各国政府和部门纷纷出台多项战略规划或文件，来探索与推动人工智能发展。我国在《新一代人工智能发展规划》中指出，中国要创建人工智能的科技创新体系、关键共性技术体系和创新平台，加快培养与聚集人工智能的高端人才，构建智能化基础设施体系。

就教育领域而言，机器学习、深度学习、学习分析、人机协作等人工智能技术，已经逐渐融入到教育领域，“人工智能+教育”成为人工智能技术应用的主要形态之一。人工智能在教育应用进程中，亟需厘清“人工智能+教育”的发展动态、研究主题及其前沿热点，明确“人工智能+教育”的发展方向，为我国构建人工智能时代的新型教育生态系统提供经验。

一、数据来源与研究方法

（一）数据来源

我们以“Web of Science核心合集”数据库为文献检索源，检索主题关键词为“artificial intelligence”和“education”，时间跨度为“所有年份”，检索时间为2018年4月23日，所得检索数据去除书评和编辑社论等文献后，共获得842篇学术论文。所得文献以“全记录与引用参考文献”的格式进行题录信息获取，保存为纯文本格式。

（二）研究方法

文献计量学是运用数学和统计学挖掘文献数据信息的研究方法，CiteSpace是当前主流的文献数据挖掘工具之一，主要用于文献的作者、研究机构、学科、研究主题以及知识基础分析。我们将运用CiteS-pace 工具的爆发性（Burstness）、时间轴视图（Timeline View）以及簇（Cluster）等分析功能，来获取“人工智能+教育”研究主题的热点、进展、类别以及知识基础。

二、“人工智能+教育”的基本研究概况

（一）年代分布及背景分析

“人工智能+教育”的研究成果随着年代发展逐步上升，2010年后呈现快速发展趋势，其发展历程包括萌芽阶段、起始阶段和发展阶段，如图1所示。

图1 文献的年代分布

1.萌芽阶段

“人工智能+教育”研究萌芽于20世纪40年代，艾伦·特灵（Alan Turing）在其发表的《计算机器与智能》一文中，对人工智能概念进行了初步讨论，大胆设想了机器能够思考的可能性及编程实践方法。“人工智能”一词出现于1956年，“人工智能+教育”研究可以追溯到1976年康纳蒂（Conati C.）等人发表在《自然》中的《教育中的人工智能》一文，文章围绕人工智能在人际交往与教学中的应用展开了理论上的讨论。然而，在1975年至1990年之间，“人工智能+教育”的研究成果及数量并没有明显进展与上升，根源在于从1956年至1990年期间，人工智能技术存在着难以克服的问题。

2.起始阶段

“人工智能+教育”研究在20世纪90年代后期开始显现，得益于人工智能技术的快速发展以及研究领域的深化和拓展。研究者开始更多地关注人工智能研究的子问题及其现实应用，诸如，图像识别和医疗诊断。“人工智能+教育”的研究成果也在1990年开始出现小幅度快速增长，围绕智能导师系统、认知交互计算机图形学、临床机器人、学生能力测试以及知识学习系统等开始深度探讨。“人工智能+教育”在1998年再次得到了小幅度的快速发展，主要获益于IBM公司开发的具有里程碑意义的计算机 “深蓝”。国际象棋冠军加里·卡斯帕罗夫 （Garry Kasparov）被“深蓝”打败后，再次激起了人工智能的研究热潮和“人工智能+教育”的发展。此时，人工智能教育研究主题开始发生转变，主要关注诊断与识别、智能导师信息处理、智能代理与教学应用、多层次建模教学系统等。

3.发展阶段

“人工智能+教育”的研究热潮真正开始于2010年前后的大数据技术和计算机强大计算能力的发展，高效数据处理能力以及算法的飞速发展，使得人工智能技术得到迅速发展。自适应学习、学习分析以及深度学习等人工智能技术的发展，进一步推动了“人工智能+教育”的快速发展，特别是阿尔法狗的自学能力以及骄人战绩，使得人工智能技术研究得到空前关注，推动了人工智能教育研究从2015年开始急速发展。

（二）核心期刊与学科分布

本研究检索到的文献分别来自625种期刊，学科范围包括农学、医学、工程、教育学、人工智能以及心理学等。其中，以“人工智能+教育”为研究主题且发文量在5篇以上的期刊有12种，如表1所示。

表1 “人工智能+教育”研究的主要来源期刊（N≥5）

《国际教育人工智能期刊》是探讨人工智能技术如何在教育教学中应用的重要期刊，其以19篇文章位居期刊发文量榜首 （注：Web of Science核心合集仅收录该刊一定数量的特刊文章）。它的办刊宗旨在于发展基于计算机学习系统的设计原则，研究范围包括智能代理及其学习环境、人工智能教育系统架构、贝叶斯与统计方法、教育机器人以及教学系统的自然语言接口等。除了《农产品加工业高新技术》和《医学中的人工智能》两本期刊明显与教育学科存在差别外，其余期刊从计算机与教育的视角，详细讨论了人工智能技术在教育中的应用。就“人工智能+教育”研究主题的核心期刊分布而言，学科交叉性研究较为明显，研究成果涉及25个学科或者研究方向，主要包括：计算机科学、教育学、工程学、商业经济学、物理学、机器人学以及信息科学等。

（三）核心作者分布

核心作者是推动“人工智能+教育”发展与创新的重要动力，能够形成学科或者学术研究的引领，形成以学术领袖为核心的学术共同体。根据作者的成果数量以及历史引证强度，我们依次对发文数量大于3的作者进行呈现，如表2所示。

表2 “人工智能+教育”研究的核心作者分布

从“人工智能+教育”的研究成果数量看，英国爱丁堡大学的布尔纳·保罗（Brna Paul）以5篇文章居首。从作者学术成就的H指数看，台湾屏东科技大学的袁晨晨、台湾中央大学的陈德怀以及美国卡耐基梅隆大学的科丁格尔·肯尼思（Koedinger Kenneth R.）等三位作者，具有较高的学术影响，他们在学术产出和学术影响力方面获得了更多的同行认可。从作者的国家或地区分布看，中国台湾地区的成果数量和作者H指数呈现出强劲优势。加拿大和罗马尼亚分别有三位核心作者，而且加拿大作者的H指数居于前列。

从作者学术成果的历史发展看，在1981年至2002年期间，斯洛文尼亚马里博尔大学的博扬·多尔萨克（Bojan Dolsak）和玛丽娜·诺瓦克（Marina Novak）以及美国密西西比州立大学的菲利普（Philip T.）是这一时期“人工智能+教育”领域的重要学术研究者。他们在人工智能、专家系统、智能教学系统以及监控和数据分析等方面的研究，影响持续二十余年。在“人工智能+教育”的研究发展过程中，具有最强引证爆发点的作者是台湾屏东科技大学的袁晨晨，她于2001年至2002年期间进行的智能机器人应用、智能手机学习系统以及学习绩效等研究成果，在国际上具有重要影响。斯洛伐克科学技术大学的里格·简 （Ligus Jan）和利古索娃·珍娜（Ligusova Jana）于2012年至2013年期间，在信息控制系统、计算机教育中心和移动智能控制器等理论和实践方面，取得了较大进展。

（四）学术共同体分布

我们通过CiteSpace的共引作者图谱分析功能，解析出了“人工智能+教育”研究领域中的五个主要学习共同体及其成员，如图2所示。

图2 学术共同体及其成员结构

第一个最具代表性的“人工智能+教育”学术共同体，由俄罗斯库班州立大学和莫斯科技术研究所的成员组成，主要包括：瑞德奇科奥·伊戈尔（Ryadchikov Igor）、西克尼·西蒙 （Sechenev Semyon）、斯威德奥·亚历山大（Svidlov Alexander）、斯尼特萨·谢尔盖 （Sinitsa Sergey）、 奥 克 达·帕 维 尔 （Volkodav Pavel）、马梅林·尤锐（Mamelin Yury）、波普奥·科瑞（Popko Kirill），研究主题主要聚焦机器人及教育信息处理。

第二个主要的学术共同体由意大利维罗纳大学和威莫尔科学研究实验室的成员组成，包括：罗恩斯维尔·加特奥（Ronsivalle Gaetano Bruno）、加特·斯蒙娜（Carta Simona）、 梅托斯·凡妮莎（Metus Vanessa）和奥兰多·玛丽莎（Orlando Marisa）等，他们专注于神经网络、在线游戏以及数字化教育智能等领域。

第三个主要的学术共同体由罗马尼亚尤里奥哈蒂加努大学、梅德法姆公司和科技大学的相关成员组成，以伤口图像人工智能理解与评价、数字化学习以及数字化工具等为主要研究内容，代表人物包括普罗丹·奥古斯丁（Prodan Augustin）、鲁苏·马德丽娜（Rusu Madalina）、 坎宾·瑞摩斯 Campean Remus）和普罗丹·罗迪卡（Prodan Rodica）。

第四个学术共同体主要由来自葡萄牙里斯本大学、希腊海伦开放大学、希腊亚里士多德大学的迪亚斯·索菲娅 （Dias Sofia B.）、迪尼兹·若泽阿尔维斯（Diniz Jose Alves）、 哈迪耶朗蒂亚杜·索菲娅（Hadjileontiadou Sofia J.）、哈吉伦蒂亚斯·列奥蒂奥斯（Hadjileontiadis Leontios J.）等研究者组成，以模糊认知映射、学习分析技术和混合学习环境等为主要研究方向。

此外，围绕马耳他大学和英国的利物浦约翰摩尔斯大学等，形成了以人工智能系统、智能导师系统以及头痛诱因的智能诊断分析为主要研究取向的研究共同体，成员主要包括法鲁吉亚·安东尼（Farrugia Anthony）、阿尔朱梅·达希亚（Al-Jumeily Dhiya）、阿尔朱梅·穆罕默德（Al-Jumaily Mohammed）、侯赛因·阿比尔（Hussain Abir）和兰姆·戴维（Lamb David）等。

（五）作者所属国家（地区）及研究机构分布

我们检索到的“人工智能+教育”文献分别来自75个国家（地区）200个研究机构。根据不同国家的成果数量、被引频次以及中心度统计，表3列举了该领域中最具有影响力的国家（地区）。

表3 作者所属国家（地区）分布

美国以178篇居各国之首，其数量在发文量排名前十的国家中占32.4%，成果被引频次超越了其它排名前十国家被引数量的总和。其“人工智能+教育”的研究成果来自不同领域的研究机构，诸如：马萨诸塞州总医院、斯洛伐克科学技术大学、麻省理工学院、哈佛大学和密西西比州立大学等。这些研究机构之间呈现出密切的科研合作特征，他们围绕“人工智能+教育”的研究主题，形成了相应的学术机构共同体。中国的学术成果数量以71篇排名第二，但被引量排名却仅为第五，这表明中国的成果虽然在数量上排名前列，但是并没有得到国际研究者的高度认可。在中国的科研机构中，以“人工智能+教育”为研究主题的科研机构在CiteSpace共被引图谱中并未寻见，更未见到具有影响力的学术研究机构共同体。从作者所属国家（地区）的发文数量以及被引频次看，除了美国以外的其他国家并未呈现出显著差异，英国、加拿大、德国、中国和巴西在被引频次上处于优势。就研究机构及其共同体而言，除了美国具有显著的科研机构合作外，也出现了以希腊海伦开放大学、加拿大蒙特利尔大学、葡萄牙里斯本大学和希腊亚里士多德大学等为代表的国际研究机构合作典范，他们以访学、学生交流、科研合作等方式建立了稳定的研究机构共同体关系。

三、“人工智能+教育”的研究主题分析

我们进一步利用CiteSpace对“人工智能+教育”研究主题进行关键词聚类分析，主题关键词聚类的轮廓值均大于0.3，表明主题的聚类结构清晰。数据分析表明，国际上近四十年的“人工智能+教育”研究可以划分为四大主要研究向度，包括：人工智能支持的社会化学习系统、智慧学习模型、智能导师系统以及机器人学习系统等，如图3所示。

图3 国际“人工智能+教育”的研究主题结构

（一）人工智能支持的社会化学习系统

“人工智能+教育”为实现学习者的高效率社会化学习，提供了有效途径。人工智能支持的社会化学习系统研究，可以划分为四个子主题，包括：技术智能化、评价智能化、交互智能化以及社交智能化。

1.社会化学习系统的技术智能化

社会化学习系统的技术智能化主要通过神经网络技术、学习系统构建、智慧学习、信息通信等技术或者手段得以实现。在社会化学习系统智能化的研究中，研究者在协助辩论的人工智能支持、[1]面向目标学习的分布式环境、[2]服务导向的生态学习系统[3]以及基于人机交互知识工程方法的数据挖掘和学习引导推荐[4]等方面，取得了重要进展。

2.社会化学习系统的评价智能化

社会化学习系统的评价智能化主要借助于大数据技术、学习分析技术、神经语言处理技术、知识与问题表征、学习过程监控等实现。代表性的研究成果包括：情景演说家、[5]自动化问题生成、[6]网络文本的半自动化语言本体构建、[7]多文档探究活动的解释质量评价方法、[8]学习者学习风格的评鉴[9]以及面向学习绩效的神经网络预测算法等。

3.社会化学习系统的交互智能化

社会化学习系统的交互环境，主要通过虚实融合呈现技术、交互性穿戴设备、体感数据采集技术等得以实现，诸如：智能数字化学习系统、[10]用户动机识别系统[11]以及各种穿戴设备和信息传输工具的开发与应用。澳大利亚新南威尔士大学的交互性虚拟现实技术在国际上处于领先地位，他们将人工智能和模糊逻辑技术，应用到虚拟现实的数据挖掘中，实现了对学习者体感数据、情感计算以及学习行为数据的多模态化采集、分析与学习服务支持。

4.社会化学习系统的社交智能化

社会化学习系统的社会性，是人工智能对人的社会性发展的有力支持，是学习者作为集体学习活动个体抑或作为团队活动成员的迫切需求和存在形态。虚拟社区空间及其智能虚拟代理等，为学习者提供了社会化互动虚拟场域，诸如，聊天机器人、智能伙伴以及各类智能虚拟生物。智能学习伙伴系统是人工智能技术支持的最为典型的社交智能化代表，超越了智能导师系统的学习指导角色限制，承担了学习导师和学习伙伴的双重角色。[12]人工智能支持的社会化学习技术，对于特殊学生的社会性培养具有重要作用，可以通过病症量化的方式实现对不同群体的针对性治疗。譬如，增强现实智能眼镜系统，对于自闭症儿童的社会沟通、思维定势以及自闭症相关行为具有显著的改进作用，[13]应用增强现实和情感人工智能，能够帮助学习者学习关键的社会和情感技能。[14]

（二）人工智能支持的智慧学习模型

智慧学习模型是实现人工智能技术应用于教育领域的关键技术，由学习行为数据算法、数据分析模式、数据分析维度以及学习辅助功能等内容构成。智慧学习模型聚焦于数据挖掘、控制论、学生建模、案例推理、学习虚拟化、贝叶斯网络、多智能体系统、模糊逻辑、深度学习、学生分析、智能计算、智能辅导系统、知识状态和虚拟模型等研究内容。

人工智能推理过程可能由于问题概念的分类而受到限制，但是可以通过“通用情景模拟的多元代理框架”，实现不同问题类别的逻辑推理，将不同的推理过程分布到具有自主权的智能代理而实现智慧学习。[15]在学习服务推荐过程中，依据图论的前后智能序列化方法可以解决会话词语的运动变化问题，通过构建模型将词语的变化动机转换成可以利用智能导师系统处理的算法形式，这对于问题解决背景下的教育软件开发具有重要的参考价值。[16]学习者学习风格是学习服务推荐的重要参考因素，增强型贝叶斯模式的开发提高了人工智能技术对学习者学习风格探测数值的准确性，[17]有助于帮助教师改进课程内容以及学生学习过程。如何对学习管理系统的用户数据进行挖掘是模糊逻辑算法面临的重要挑战，模糊认知图谱与交互质量模型，通过构建学习系统中的交互方式以实现数据挖掘，模型能够提供概念互联以及学习者交互质量的因果依赖表征。[18]

（三）人工智能支持的智能导师系统

智能导师系统是将人工智能、教育科学、认知科学、计算语言学、数学和其它领域中的计算模型结合起来的计算机化学习环境。智能导师系统缘于对原有教育软件未能迎合教育环境需求而产生，聚焦于个性化学习、辅助性学习以及学习精准测评等研究内容，诸如：学习者建模、计算机化、自动预测、辅助教学、学习对象排序、问题复杂性、学习分析、算法、认知增强、教育数据挖掘和自然语言处理等。智能学习评价技术以算法和评价标准为主要研究向度，包括人工智能模糊逻辑算法的学习分析系统、[19]标准化测试项目方法、基于本体论和布鲁姆学习目标分类的计算机辅助项目库、数字化学习系统框架、[20]复杂问题解决测量和表征应用。[21]

智能导师系统实现了学习者个性化学习支持。个性化智能学习支持技术能够实现学习过程的动态学习服务供给，在基于能力学习的教学模型智能导师系统架构中，系统能够根据学生特征和活动动态定制个性化的教学过程，[22]利用案例推理和模糊系统能够实现学习者学习风格和学习内容的个性化自适应学习。[23]在学习者个性化情感体验方面，情绪感知系统开发与改善的理论指导分类框架，[24]能够提高学习者适应性的和积极的情感体验，网络智能导师提供的礼貌反馈和提示，能够激励和吸引学生学习。[25]在人类导师、智能导师系统以及其它导师系统的学习效果比较中，智能导师系统与人类导师对学生的学习影响，几乎具有同样的功效。[26]

（四）人工智能支持的机器人学习系统

教育机器人可以分为物理形态机器人和虚拟形态机器人，前者以开源硬件、编程控制和实践操作等方式，通过协作互动、参与交流以及做中学的学习方式促进学习者学习；后者为促进学生学习的虚拟机器人，诸如：虚拟学习助手、虚拟学伴、虚拟学习团队以及虚拟导师等。人工智能支持的教育机器人研究，涉及到虚拟社区、虚拟原型、学习者建模系统、社会化基本理论、机器人、自适应采样、个人学习、自动预测状态、创新学习过程、辅助教学体系建设、自适应系统、伤口愈合模拟、乐高机器人、智能眼镜、增强现实和交互学习环境等。

其中，乐高（Lego NXT）机器人技术在人工智能教育机器人中具有重要影响，运用乐高头脑风暴，能够帮助学生创建具有反应的和缜密思考的教育机器人。[27]基于模糊系统开发的乐高教育机器人，实现了数学教学功能，能够帮助学习者完成学科知识复习、知识检测以及学习引导，[28]对学习意向和学习成绩具有显著的积极作用。[29]乐高教育机器人以“做中学”理念为导向，为学习者提供知识创新、自主学习和实践探索的编程环境。教育机器人常以虚拟教育机器人的形式服务于学习者，通过动态接口代理技术与智能学习环境融合，在游戏化的学习环境中开展对学习者的学习帮助。[30]未来教育机器人的发展，可能在教室、虚拟学习环境中承担更多功能，帮助教师进行监督、管理和教学。[31]

四、“人工智能+教育”的前沿研究与知识基础分析

为了分析“人工智能+教育”的研究前沿与知识基础，我们利用CiteSpace对收集的文献进行突现关键词探测、聚类以及时间轴图谱的文献施引与被引关系呈现，如图4所示。

（一）前沿研究分析

通过对“人工智能+教育”研究的关键词时间轴图谱分析发现，高等教育、交互质量、大数据、智能导师系统以及增强现实等关键词的引用频率较为密集，表明研究者对上述研究领域进行了较为集中的探究，特别是大数据、智能导师系统以及增强现实等技术。

1.大数据

图4 “人工智能+教育”研究的关键词时间轴图谱

教学是一项复杂活动，需要教师考虑不同教学方法和学习技巧如何适应每一位学生，然而，学习管理系统并未把人工智能算法作为一种决策支持机制。教师利用Hadoop和Mahout技术构建的学生培训模型框架，能够根据学生的兴趣和知识状态调整课程内容或材料。[32]大数据技术在支持个性化运动技能学习中具有较大潜能，穿戴设备、大数据处理、3D打印以及环境智能等技术的发展，为个性化运动技能学习提供了更加有效的支持，模拟神经运动交互以及提供适切的个性化神经运动支持，将是“人工智能+教育”研究的重要取向。[33]

此外，远程数字化教与学系统已难以适应智慧社会的个性化泛在教与学，后者构建的个性化泛在数字化教与学框架（UTiLearn），以物联网、大数据、超级计算、人工智能、云计算和深度学习等技术，提供了一个社会环境和生态系统，[34]解决了数据分析与管理、学习者系统交互、系统认知、资源规划、灵活性以及可扩展性等方面的缺陷。

在协作学习环境中，云计算服务支持的知识评价与学习推荐，为评价学生的学习兴趣、知识水平和互动参与等提供了有效支持。云计算、大数据与人工智能技术的结合，为推测学习者的知识水平和兴趣提供了一种有效方式。[35]社会性计算技术的发展，使研究者能够利用大量学习资源，但是集成正确的协议和用户接口，将是大数据面临的重要挑战。[36]运用人工智能技术将这些资源结合起来，通过大数据分析技术以生成不同的统计数据和监控学习算法，能够设计出学生参与和评价的新机制。在具体的语言评价测验环境中，运用大数据、人工智能和数据挖掘等技术，能够从大量语言学习数据中，抽取出学习者的相关数据进行语言习得测评。[37]

2.智能导师系统

智能导师系统以模仿教学专家的方法或者经验来辅助教师进行教学，是提供个性化学习指导的教与学系统，研究范畴涉及问题求解方案的自动生成、知识获取过程的表征、学习活动的诊断以及学习建议和反馈的提供等。“智能导师系统”的功能已经从知识教授型转向了能力素养提升型，知识与技能习得的智能导师框架，为智能导师系统兼具知识与能力的培养功能提供了一条路径。该框架由建构、定位、预测与强化等四个主要阶段构成，确保了理论知识和学科能力素养的习得。[38]在程序员新手的编程能力培养中，人工智能系统能够简化计算机编程的学习过程，根据学生的需求监听学生、推断目的并加快进程。[39]

个性化和适应性一直是智能导师系统需要不断优化和提升的艰巨任务，如何精准鉴别学习者的学习风格特征，是实现这一目标的途径之一。通过计算智能算法，可以明显提升学习风格鉴定的精准性，诸如：人工神经网络、遗传算法、蚁群系统和粒子群优化算法。[40]根据学生的需求进行学科内容的自动化编辑与推送，并提供相应反馈，是智能导师系统的关键功能之一，通过对课程内容进行XML编码，从而实现智能导师系统的知识表征。[41]从知识传授或者个性化学习推荐向情绪感知支持转向，成为了当今智能导师系统探究的另一热点，通过理论引导分类能够发展与完善情绪意识系统，[42]促进学习者与系统之间进行积极的个性化交互。

3.增强现实

增强现实是将真实世界和虚拟世界的信息进行“无缝”集成的一项新技术，通过科学技术模拟仿真后，将虚拟信息叠加应用到真实世界，从而被人类感官所感知，但又超越现实的感官体验。增强现实智能眼镜是目前的一项新兴技术，常用于帮助自闭症者习得与培养社会交际能力，集成了虚拟现实、情感人工智能以及智能眼镜技术，是一种数字表现型辅助分析工具。[43]用户对增强现实智能眼镜的容忍度以及可用性，是帮助自闭症者进行社会沟通技能训练的关键因素，影响着用户使用增强现实智能软件的可用性、易用性以及情感体验。增强现实技术与脑电系统的融合，进一步提升了增强现实眼镜对自闭症者社会沟通技能治疗的可行性，不仅可以实现智能眼镜的个性化定制，而且也可以提供目标导向的个性化训练体验。[44]

4.交互质量

人人交互、人机交互以及与信息交互等，是人工智能教育质量的基本保证，交互质量的影响因素涉及到技术的可用性、易用性以及系统功能。智慧社会的发展，对远程数字化的教与学范式提出了新挑战，诸如：数据分析与管理、学习系统的交互性、系统认知、资源计划、灵活性以及可扩展性。个性、泛在数字化教与学框架，以智慧社会需要为导向，运用信息化技术手段实现了教与学的高效交互。[45]在特殊远程学习者群体的交互中，基于模糊逻辑算法，能够对学习者的认知和信息意识进行智力、心理和身体等方面的鉴别，以创造一个可获得的学习环境。[46]在交互质量的评价中，文档探究活动过程中形成的偶然关系和偶然链接是监测的难点，机器学习及学习分析技术等为多文档探究活动的交互质量评价，提供了切实可行的途径。[47]基于遗传算法的人工智能系统能够缩短交互过程，节省大量时间来提升教与学活动的交互质量。[48]

（二）知识基础分析

通过对“人工智能+教育”文献的共被引聚类分析和引用强度分析，涌现出了评价、智能导师以及数据分析等“人工智能+教育”的重要知识基础。

1.学习评价

学习评价一直是“人工智能+教育”研究的重要旨趣，形成性评价和自主学习的模型与反馈原则，受到了人工智能教育领域的借鉴。“反馈实践的模式与七原则”是人工智能教育关于学习者评价和自主学习管理的重要知识基础，研究者把这些自主学习模型和反馈原则作为适应性学习、数据挖掘以及智能教育效果的评价依据。自主学习模型由内部处理和外部反馈两部分组成，不仅呈现了学习者监视和管理学习行为与学习绩效的方法，而且显示了内部反馈在这些过程中的关键作用。自主管理过程的触发，始于教师设定的学习任务，基于领域知识、策略知识和动机信念等基础，经过学生目标、手段与策略、内部学习结果等自主学习管理过程，实现外部可观察的学习结果，教师、同伴和管理者等根据学习结果，对学习者的认知、动机和行为进行反馈。

支持和培养学习者自主学习的 “七条原则”，包括：阐明绩效标准、促进自我评价、发布反馈信息、鼓励师生会话、鼓励积极动机和自尊、提供弥合差距的机会、应用反馈改进教学。[49]智能认知地图分析系统，为评价学生对特殊概念的理解提供了有效工具，通过分析学生所提概念的分布概率得以实现，而学生的话题理解评价，通过分析概念图的图形曲线变化进行。[50]

2.智能导师

智能导师系统是“人工智能+教育”研究领域中的重要分支，以知识表征、教学策略、学习诊断以及资源推荐等为主要研究内容。基于网页的智能导师系统是教学软件与互联网功能进行融合的经典成果，消解了仅具有交互和诊断能力的电子书学习方式，使得教育软件能够迎合正式教育环境的需求。国外学者开发的ZOSMAT系统，[51]能够响应真实学习环境中每一位学生的需求，应用于个体学习和教师指导的真实教室环境。该系统能够跟踪每个学生学习过程的各个阶段，指导他们所需要做的事情，体现了以学生为中心的教育理念，其功能主要包括：解释关于话题的核心知识、告知何种类型的知识能够被应用以解决特定领域的问题、提供具有范例模型的问题解决案例、呈现学习绩效测试报告、为学生提供可供选择的下一个最有效活动。该系统包括管理、问题库、学生模型、内容结构、专家模型以及用户界面等部分。在教师辅导、计算机辅导以及无辅导等状态的讨论中，智能导师对学习者学习效果的影响与教师处于相当地位。[52]

3.数据信息挖掘与处理

数据信息挖掘与处理是“人工智能+教育”提升教与学效果和效率的重要基础，学习风格、学习行为、学习绩效以及个性化学习推荐等数据信息的处理，必须获得相关技术支持。深度问答技术，为“人工智能+教育”中的数据挖掘和个性化学习指导，提供了一种更加有效的途径，能够完成开放域问题的回答，其在游戏比赛和临床医学系统中表现出卓越的优势。基于深度问答技术的临床决策系统，能够担负大范围的假设和相关证据探索，也能发现自主性会话所丢失的信息。[53]深度问答技术在游戏和临床决策系统中的表现，吸引了更多的“人工智能+教育”研究者，来探讨实现人机会话、智能问答以及学伴功能等内容。在数据挖掘算法方面，进化算法、遗传算法、贝叶斯定理等，是“人工智能+教育”领域中的重要知识基础，为适应性学习、智能导师系统、学习行为数据挖掘等，提供了理论基础。

五、对我国“人工智能+教育”的发展策略思考

我们通过对国际“人工智能+教育”的相关文献分析，可以发现，国际人工智能教育研究呈现出多学科交叉、校企联合、团队组建以及主题聚焦等特征。在借鉴国际“人工智能+教育”研究的经验基础上，提出了我国“人工智能+教育”发展的四项策略，如图5所示。

（一）制定跨界驱动的智能教育发展机制

图5 我国“人工智能+教育”的发展策略

跨界驱动是指不同场域中的知识，跨越个体群体、组织机构、学科领域、时间空间以及媒体介质等边界，在交叉融合过程中产生新知识。知识跨界将是驱动“人工智能+教育”发展的重要基础和动力。[54]

1.重构人工智能教育机构的功能关系

“人工智能+教育”的创新与发展得益于多学科知识的交融，涵盖计算机科学、量子科学、心理学、神经科学、认知科学、经济学、数学和社会学等相关基础学科，原来以学科划分学院或者教育机构的培养模式，将不能适应“人工智能+教育”的人才培养，需要转向以研究领域为导向的多学科人才或者机构融合的联盟性机构，形成人工智能教育研究的集群组织。各学科既具有自己独特的研究方向和组织结构的独立性，又是一个以某一研究领域为导向的联合性单位。

2.建立学生跨界知识研修的评价机制

“人工智能+教育”研究的知识基础多样性，决定了学习者必须进行学科知识的跨界研修，跨界学科研修评价机制，对于人工智能教育的发展至关重要。学校可以通过学分互认实现学习者按需学习的目标，也可通过主辅双修课程的学分管理方式，实现跨界知识学习，规定部分主修科目、跨界学习感兴趣的辅修课目。

3.构建人工智能技术跨界联合研发机制

通过以协议、合约或者合同等方式，与人工智能教育相关的技术公司进行跨界技术研发合作，将具有不同技术优势的企事业单位联合起来，共同围绕人工智能教育进行技术研发。跨界技术研发将进一步加速人工智能教育的发展，避免了技术的重复性研发以及低速研发等问题，充分发挥不同企事业单位在人工智能教育领域中的各自优势。

（二）组建优质学术研究共同体

“人工智能+教育”是一个具有明显学科交叉性的研究领域，应积极创建国际化交叉学科研究共同体，形成跨学科、跨区域、汇人才的特色学术研究共同体。

1.搭建人工智能教育研究的学术交流平台

进一步开展以“人工智能+教育”为主题的国际会议，定期开展相关主题的研讨活动。建立不同研究机构或者研究者之间的学术交流抑或访学机制，为研究者进行学术访问，提供更多的机会和资金资助。

2.组建人工智能教育的国际化学术团队

以研究机构或者国际性学术组织为基础，将与人工智能教育相关的研究者，组建成人工智能教育的国际化学术团体，建立学术团队成员的遴选机制、人员交流制度、专家互聘机制以及物资支持机制。特别需要与美国、英国和俄罗斯等具有影响力的研究机构和学术团队，建立密切的合作关系。

3.打造具有特色研究主题的学术团队

在全国建立或筛查人工智能教育的特色研究团队，引导低水平、重复性的研究团队转型，在博士点申报、研究机构评估以及人才队伍建设等方面进行引导和评估。鼓励建立稳定的研究团队和特色研究方向，充分利用院校的人才引进政策加快研究团队组建，加强校企合作，以实现“人工智能+教育”团队的人才共享、技术共享和人才联合培养。

（三）形成“校、企、政”联动机制

1.确立政府主导的联动机制

发挥政府在人工智能教育发展中的主导地位，特别是政府在组织管理、资金支持、人才引进以及统筹协调等方面的作用。创新新一代人工智能教育研究重大科技项目的组织实施模式，进一步发挥市场运行机制的作用，以调动政府、学校和企业的力量，协同推进人工智能教育的发展。积极利用政府与社会资本的合作模式，引导社会资本、公司参与人工智能教育重大项目的研发、实施以及科技成果的转化应用。

2.建立校企合作共赢模式

加强校企联动与深度融合，是实现高校与企业在人工智能教育领域优势互补和协同发展的关键，有助于实现人才校企协同培养、科研校企协作、成果转化校企联动。[55]我国具有世界级的人工智能企业，诸如，百度、科大讯飞和阿里巴巴等，能够为人工智能教育研发提供技术、资金和人员支持。学校、政府和企业可以通过协议，来充分利用他们的人力资源、物力资源和技术手段。学校与企业签订相应的人才培养计划，为企业提供专业化的人才供给，通过联合培养人才以实现人工智能教育的快速发展。

3.制定师资队伍共建模式

坚持人工智能教育人才自主培养与人才引进相结合的策略，培育具有示范引领作用的高水平人工智能教育师资和团队，构建与百度、科大讯飞和阿里巴巴等公司联合培养师资的行动框架。推动公司与高校人工智能教育高端人才的双向互聘机制，弥补我国当前人工智能教育师资明显短缺的问题。鼓励企业派高端人才进驻校园进行教学研究，将人工智能教育的新技术、新思想和新方法融入到课堂教学中。此外，亟需探索人工智能教育的教师教育培养新模式，为人工智能教育工作者提供相应的知识与技能。[56]

（四）优化人才培养体系与制度

1.设计与开发人工智能教育的教材和资源

教材和学习资源是人工智能教育人才培养的基础，精选人工智能教育的相关基础理论和关键性技术是实现这一基础的保障。人工智能教育的教材和资源的设计与开发，需要将大数据智能理论、跨媒体感知计算理论、混合增强智能理论、群体智能理论、机器学习理论、类脑智能计算理论以及量子智能计算理论和相应技术，依据学习者的身心发展、智力水平和学段特征等相结合，构建从基础教育到高等教育的系统化教材和资源体系。教材和学习资源的开发，需要聚集课程专家、一线教师、人工智能专家以及相关领域的人员共同参与，确保教材和资源的科学性、适切性、艺术性以及系统性。

2.开设人工智能教育学科或专业

人工智能教育的专业人才培养，需要以学科或者专业为培养载体得以实现，专业化的发展路径为人工智能教育的人才培养，提供了优越的学习条件和师资队伍。人工智能教育的学科或者专业建设，既可以通过组建专业化的教师队伍得以实现，又可以通过融合不同专业的教师构建学科集群的方式联合组建，从而解决目前人工智能教育师资匮乏的问题。学科或专业创建需要加强与科研院所和企业等机构的合作，力争实现“人工智能+教育”的产、学、研一体化发展，形成“人工智能+教育”人才的复合培养新模式。[57]

3.积极开展人工智能科普与教学改革

加强人工智能教育的顶层设计，既要重视理论研究，更要推动教与学的变革，实现人工智能教育与学科的深度融合。[58]将人工智能的相关知识，适度融入到基础教育和高等教育的教材中，推动人工智能知识在大中小学生中的普及，激发他们对人工智能技术的兴趣和学习动力，遵循师资先行、兴趣导向和课程承载的基本行动路径。[59]在中小学阶段设置适切的人工智能课程，逐步推动编程教育生根与发展，鼓励企业和个人参与到寓教于乐的编程教学软件和人工智能教学游戏的开发和推广中。