AI背景下中小学师生融合动力现状及改进

赵 铮,李 墨

教育部2018 年发布《教育信息化2.0 行动计划》明确提出“开展智慧教育探索与实践,目的就是要推动教育理念与模式、教学内容与方法的改革创新,提升区域教育水平”[1]。随着当前中小学关于融合课、示范课等形式的探索与推进,融合动力对于教学方法实施与创新的影响愈加明显,促进教学变革的内生性也逐渐作为检验智慧教育在中小学课堂落地实现融合创新的成效标准之一。[2]

与此同时,随着AI技术的普及与应用、AI教育工作的推进与落实,AI时代的来临对于智慧教育创新思路、推进教育信息化2.0走向深入都有着显著的现实意义。根据当前融合课中关于教学动力的现状与需求,研究AI背景下对于教学动力产生与维持的机制是当前应用探索工作中一项重要内容。

一、当前融合课中教学动力的现状与诉求

在技术与教学融合历程之前,教学发展的动力来源大多关注于教师与学生在教学过程中的元认知培养,如促进师生对于教学成效的梳理、对于教学过程的反思与调节等,其在传统教学环境中的现有意义在于强调教师发展性,即促进自我提升以更好地推进教学。[3]当前,教学动力发展意义更关注促进融合动力的发展。[4]关于融合课教学动力的衡量标准定位于技术促进下的教师与学生共同的动力合力,这也与当前智慧课堂以师生集体智慧生成发展为构建取向的理解相映射。具体指新技术环境需要教师不断提升自身信息素养,积极尝试技术与教学融合,创新自身教学方法,面向师生能力培养,重视教学效能,促进师生共同发展等方面。分析教学融合动力的定位与构成有助于实现技术促进教学创新及提高相应的成效。

(一)当前中小学融合动力现状调研

本调研目标定位于分析当前教师与学生互促表现中存在的不足与需求。采用问卷与访谈结合的形式。内容主要考察对象在教学创新过程中的态度与感受,首先确定教师自身、技术对教师、学生对教师、技术对学生四个方面进行问卷调查以摸清初步的情况。而后根据教学环境中的融合动力、群体动力相关框架为理论基础[5－6]对于技术支撑方面进行访谈；结合学习动力对于学习者学习力培养的促进方式为相关理论依据[7]对于学生对教师的影响进行访谈。①此为天津市教育科学研究院年度重点调研课题“智慧教育理念下教学创新发展现状及政策研究”部分调研内容。

1.教师融合动力影响来源——自身情况

图1 教师融合动力影响来源——自身情况

该部分调查主要聚焦于教师自身对于融合课探索的初心,目前教师进行融合探索普遍是基于自我提升的意愿或是往期探索中积累的信心(图1)。这为整体融合课的深入探索在心理准备方面奠定了基础,这种内生的动力往往不会因为外界的看法和态度而受到影响,只会取决于后续的实践与体验,为后续深入研究确定了方向。

2.教师融合动力影响来源——学生方面

该部分主要考察学生对于教师融合动力的影响,原题目为“学生在哪些方面会影响您应用技术进行教学的效果”。根据调查,在当前融合课中教师对于学生方面的感受,有将近一半的教师表示学生的技术应用能力是影响融合课实施的一个主要因素(图2),此外还有教师认为学生的兴趣以及学业水平也会影响其是否继续进行融合课的探索。

图2 教师融合动力影响来源——学生方面

3.教师融合动力影响来源——技术表现

该部分调查围绕技术表现影响教师的融合动力,主要关注各个教学环节之中的应用效果,旨在通过询问“当前技术在哪些教学环节支撑中影响了教学预期”来确定主要关注的方面。多数教师认为技术对于课堂教学以及备课两个环节的支撑还不能满足教师的需求,一些功能仍需要补足和改进,其他方面情况见图3所示。

图3 教师融合动力影响来源——技术表现

4.学生融合动力影响来源——技术表现

该部分旨在通过教师所了解的情况,摸清当前技术在对学生学习过程支撑中有哪些环节低于学生的使用预期。最终梳理了5个主要方面(图4),其中问题情境设置方面较突出,结合对实际情况的了解,当前自主在线学习或是翻转课堂中学生普遍认为技术在“如何启动学习”方面缺少支撑,或是具备推送功能但在适应性方面不能满足学生的要求,难以激发学生尝试应用的兴趣。

图4 学生融合动力影响来源——技术表现

(二)提升教与学动力水平的主要问题与需求

我们通过调研发现,当前教师普遍应用技术支撑教学的内生动力较高,有自我提升的意愿,更多的教师愿意进行技术的尝试,本研究认为在技术支撑教学环境下出现“教师厌教、学生厌学”并阻碍教师融合动力维持的主要因素存在于教师与学生获得技术支撑后的反馈之中,体现为“学生因素对教师造成的心理落差”“技术因素对教师造成的心理落差”“技术因素对学生造成的心理落差”三个方面。

1.学生表现与教师心理预期间的落差

在融合课实施过程中,往往出现师生行动不协调的状况,尤其教师在应用新技术或创新课堂形式时,就会出现教师准备时间过长,课堂节奏缓慢、效率不高的局面。归结为学生在几个方面的缺少：一是在应用虚拟实验进行教学过程中,学生缺少软件功能的准备,技术理解能力不强拖延了融合课实施的时间。二是在开展翻转课堂时,学生在课前的准备不够充分,缺少信息检索、收集、整理等相关素养能力,影响了课堂更深层次教学的实施。三是在开展STEAM 课程探索时,学生缺少在学科融合思维、学科迁移性思维、计算性思维、编程性思维等方面的培养基础,而这些思维无法从当前传统单学科、讲授型课堂中培养,导致了教师准备时间过长。

2.技术表现与教师心理预期间的落差

由于课堂教学涉及的影响因素很多,某一环节应用技术改变了教学方式,会对其他因素产生更多的影响。教师更多擅长为设计者提供与教学内容、学科知识教学方法相关的支撑工具修改意见,但当前技术无法从整体为教师提供更全面的学习情况分析,如学生学习力水平、学生实际掌握的知识水平、学生纪律和专注情况等只能凭借经验去推测,导致了最终教学成效往往低于教师预期的标准,并与传统课堂成效差别不大,所以当前融合课探索过程中,仍有很多教师没有采用新技术环境进行教学的动力或意愿。

3.技术表现与学生心理预期间的落差

学生对于自我提升的意愿和课堂外学习的效果影响推动教师尝试新技术新方法来改变现有的教学成效。当前即便在先进融合示范的区校中,学生获得的个人学习环境也难以维持其内生动力水平,教师方面需要学生在整个教学过程中具有全面的自我认知从而和教师一起共同面对教学实践中出现的问题,而学生方面对于个人学习环境的要求聚焦于个性化和精准化的诉求,能够概括为帮助自己认清当前学习水平、近期清晰的学习路径以及远期的发展方向。

综上所述,当前阶段技术融合仍存在的需求如表1所示。而面对这些需求,AI背景下的融合动力能否得到改善,会不会出现新的问题,这是需要我们继续讨论的内容。

表1 当前融合探索中主客体心理预期

二、AI背景下的师生融合动力

(一)AI应用影响下的师生融合动力

关于师生融合动力(对于新技术应用在教与学中的探索)的讨论集中于是否满足教师与学生的心理预期,而应用过程的载体是技术与教学的融合方式,讨论AI背景下的融合方式则需要关注其本源诉求对象的发展与演变,其中涉及价值取向、角色预期以及技术功能的演变。

目前在常态化自主学习中,从技术融合角度来说并不能够支撑学习者快速进入学习状态,往往需要教师的有效引导,在一定程度上降低了教学的效率。从融合动力角度来说,技术应用带来的效果应当满足教师的预期：应然能够解放教师进行更有针对性的问题设计与课堂组织,AI技术(传感器＋机器学习)的介入可以实现课堂教学行为的自主识别采集以及面向过程数据的自动编码,更能够对以往课堂“教与学交互情况”“学生兴趣状态”“识别课堂教学情境”“学习参与度”等方面的分析技术进行建模与赋能,[8－10]帮助教师提高利用技术进行教学的自信,从而实现“满足教师心理预期”的诉求。

对比成绩等最终效果,技术融合中的教师也需要学生在过程中给予心理上的支持,包括学生表现出的专注性、深度性和积极性。我们可以将之理解为AI应用背景下学生给予的融合动力：即帮助教师促进学生进入更深层次的学习状态以保持学习者的心流,[11]这与学生的内生动力激发有直接的关系,特别是多元混合且环境复杂的未来学习之中,让学习者获得“保持”与“深度”需要提升现有的适应性手段,包括个性化的学习路径与更多的适配性的学习资源。构建以学生为主体、由学生自主规划、以技术支撑为辅助的个体学习机制,从而为学习者驱动整个学习过程提供动力。

智能化数据采集与计算能够满足来自学生获取学习决策的需求,这就意味着AI技术能够支持自主学习承担更多的认知任务,学生的心理预期就从个性化转变为精准个性化。与课堂多模态采集的算法不同(身体姿态、视线角度、眼睛焦点等),获取学生的信任需要机器充分了解学生并且针对学习者的属性进行不断学习,涉及针对学生个体学习过程性的数据,采取伴随式的画像建模,需要对学生学习风格、动机水平(情绪识别、生理反馈)、情境要素、知识本体等统合并加以合理的解释。[12－13]

但当前采集设备技术发展相对缓慢,一定程度上会对学习者的心理(隐私安全)、生理(脑机过载)、认知(信息爆炸)产生负荷或影响,这为满足融合动力提出了新的要求。

(二)AI教育影响下的师生融合动力

随着技术应用的限域不断提高,师生对于技术的理解与操作显然应当跟进技术发展的步伐,为了满足应用过程中所带来的融合动力不足问题,推进AI教育渐渐引起研究者们的关注。《中共中央国务院关于全面深化新时代教师队伍建设改革的意见》指出：“教师应主动适应信息化、AI等新技术变革,积极有效地开展教育教学,”[14]同时学生也应当做好应对AI时代来临的准备。

在当前“智能化领跑教育信息化2.0”[15]已然进入深潜阶段、硬件环境建设标准已然基本统一的前提下,来自教师与学生对于AI应用的心理预期标准也会因AI教育发展的影响而变化。本研究认为考虑AI时代下的STT(学生、教师与技术)三者深度融合方向在让学生学会学习之前应当着眼于师生如何更好地适应和融入技术环境之中,换言之植入融合动力是体现融合最终价值的前提。

从内生角度来看,目前教师培训内容逐步涉及大量的关于AI理念的宣讲,并且普遍得到了教师的认同,教师对技术在教学中的应用发展充满了期待,能够积极地尝试新技术新方法来满足现有教与学的需求。应对AI时代的来临主要聚焦于师生在教学探索中的自我定位以及所需技能深入细化,则AI教育首先需要肩负起改善师生思维、提升师生技能的职责。

1.AI教育对于教师的回应

AI环境下教师融合动力从体验角度出发关注于应用更省时、更高效、更轻松等方面。而此时教师相关知识、技能成为了这一视角下的主要影响因素。其一,由于大量的数据生成需要教师的甄别,大量的可选性教学策略需要教师去抉择。其二,围绕针对学习的路径、策略、方向的话语权归属问题,这涉及AI本身的公式、逻辑等背后的设计者与教师的博弈,尽管教师减轻了工作负担,但也需要储备相应的知识去识别可能出现的模型不完备或是设计者操纵、利用数据等情况。针对以上情况,AI教育需要走在应用的前面,相信学校中各领域各学科最终都会走向人机协同,学生、机器、教师三角色交互比重也会趋于4：3：3,在一定程度上也可以理解为教师与学生都需要AI相关系统化的学习,这也与教师角色与定位变化契机相吻合。

2.AI教育对于学生的回应

当前AI关于学生的教育主旨在于培养学生相关技能和思维以适应万物皆可赋能的时代。计算机科学以数学为基础,AI应用思维也可以称之为数学范畴下的思维,AI思维的运用同样受人文思维的限制,AI教育同样需要关注目的性、严密性、科学性、专注性、实用性等社会属性。就如在当前编程课程、STEM 课程的火热推行中,也存在一些冷声音,诸如“学生所具备的相应技能无法应用于生活之中”、“对于自身学习毫无帮助”,等等。不同于教师的体验性,学生应用技术的融合动力取决于如何更好地利用技术获得满足和成就,这也成为了AI教育对于学生心理预期的积极回应,这其中涵盖了学生具备明确的技术应用目标以及科学的技术应用方法,能够结合AI具有可编辑、可扩展的属性来帮助自己学习和实践。AI教育在涵盖培养逻辑、计算、编程等技术型思维之前,首先需要思考如何为学生树立科学正确的价值观和个人发展方向以及实现过程中所需要具备的创新性、迁移性、科学性思维。

综上所述,关于融合动力需求的解决,AI给予了其身处背景之下需要对应的问题,即AI应用对应产生预期落差的问题,AI教育对应影响体验的问题,这些对应都能在一定程度上保证师生能够更主动地应用技术以及更持久地融入技术。但AI技术所具有的精准与全面两重属性,也在另一方面为融合动力的维持提供了新的挑战。自从其从认知层面改变了学生信息加工的方式以来,学生和教师在应用AI前都会考虑其将代替自身行使哪些行为、其不能干扰自身哪些行为,因而AI时代带来的角色讨论在融合动力诉求中显得尤为重要。

三、AI背景下的角色边界

融合动力从心理简化机制来阐述就是通过彼此之间的信任而自愿为一个目标去努力,我们在忽视教育外领域AI发展造成的趋同影响后,可以理解为AI应用需要实然背景下的教育应然做到：让学生、教师、技术三个角色之间产生更为强烈的认同与信任。由此,角色间定位与认同、角色边界维持对于融合动力持续性存在尤为重要。

一是对于面向持有“教师角色蜕化”或“机器更加亲和”观念的学生,教师的融合动力显然会受到阻碍,让学生了解机器协同及角色转换的本质是AI教育另一个需要注重的方面,AI只是充当一种“观察—转述—学习—模仿者”的角色,并不会成为知识的源头,同样需要教师引领、协同和不断地调整。

二是当前AI所扮演的角色在碎片化的领域已然从决策者转变为控制者,在个性化精准化推送(如新闻推送、淘宝推送等)影响下,我们需要避免用户一直沉浸在由他喜欢的内容、风格、路径所构建的环境之中,产生安逸感以及思维定式的同时也会排斥教师所进行的改变,尤其在场景以及目标产生变化之时难以适应并加以排斥,从而影响了教师的角色作用。学习过程中内容与目标的渐进性恰恰又是不断修正和调整的过程。

此外,AI能够伴随学生学习过程来识别相应信号(动作、表情、脑电波)以计算其知识技能水平、个性水平(爱好、特长)、情感状态等信息,并提供全方位的检测、分析、决策,但情感介入和价值方向引领还需要教师的引导,这也是人的社会属性领域所提倡的内容,如果AI干预了师生之间的交互,带有一些主观意识的培养将随之被削减,学校乃至社会在整体治理方面将会受到影响。那么如何做到角色边界维持?我们需要从教师与技术两方面出发探讨各自所应输出的角色功能。

(一)来自教师的角色输出

1.培养学生生涯意识和主动性人格

为了避免学生被AI所固化,教师应当清晰自己的角色属性,着重关注学生意识的培养、人格的塑造,帮助学生在AI环境下的学习具备明细的发展方向和生涯意识,保有主动性的人格。这样才能促进学生学会抉择和判断,保持不断改变和修正自己的状态。

生涯意识培养可以理解成在强调社会生存与精神影响下的学生的内部发展动力,教师需要在教育实践中尽可能地了解学生的内心需求。[16]特别是主动性人格特质方面,其并非静态人格,应着眼于环境或组织因素,将主动性人格特征视为动态并加以干预。[17]相比“大五”人格,主动性人格(compound personality)作为一种复合型人格特征能更好地预测员工在学习情境下的动机从而促进员工的开发活动。[18]此外,父母生涯发展期望与主动性人格以及生涯适应力存在正相关。[19]主动性人格是一种相对稳定的个人特质,反映了一个人无论在什么环境中都很少被情境阻力所限制,会最大限度地积极采取行动,以确保取得积极成果的倾向。[20－21]主动性人格有利于促进创新行为和开发活动。与低主动性人格的个体相比,高主动性人格的个体会积极加入到知识分享的活动中去,增加自身的知识积累。[22]

2.构建实践型场域

教师应积极探索利用自动感知与虚拟现实相结合,帮助学生扩充学习场域,并为学生的学习带来沉浸式与交互式的体验,为教学情境的创建提供支撑,其对于辅助学生进行知识迁移方面有突出的作用。[23]尤其在工程学领域,可以更直观地观察客观事物的现象和运动规律,对深入分析其本体属性具有很好的促进作用；增强现实技术帮助使用者看到真实世界以及融合于真实世界之中的虚拟对象,以此能够传达以往无法实现的讯息。[24]特别是应用于人文科学中(结合游历教学、生活教学等具体形式),通过增强学生体验的途径,促进了学生相关的思想认识和精神体会。由上正是随着这种虚实结合的发展使得教学条件在获得上更显便利,教师可以选择更适合的资源条件引导学生进行更专注、更深度的学习。

3.促进学习者深层次学习

为促使学生合理运用AI相关技能实现解决问题的能力,教师仍然需要将高阶思维作为学生的发展目标,鼓励并支持学习者进行深层次的学习,而目前在常态化自主学习中,AI提供的技术支持在基于前概念方面能够为学习者提供一种来自知识结构的支撑,[25]但学习者快速进入学习状态往往需要教师的有效引导,其中包括积极的情绪感染、针对性的教学策略以及交互的课堂组织等领域,这些领域也都可以被AI所感知和分析,但关注和干预仍需要教师去探索。总体而言教师这个角色会越来越具有挑战性,这不是AI替代的挑战,而是来自教学多样性的挑战,这也恰恰突出了教师所扮演角色的重要性。

(二)来自技术的角色输出

在AI时代来临之时,其本身也在逐步完善以更好地突出本身角色的价值,从加强教师的体验到改变学生的思维定式最终促成学习方式的补充,这也是技术对于师生更积极的应用与探索作出的回馈。

1.支持教师的规划和调整

如上文所述,教师的角色在于不断对课堂进行干预和调整,来源于教师超越课堂环境对整个学习过程的把握和规划。AI在对学习者行为痕迹进行动态捕捉的同时,也要考虑如何反馈给教师,则机器学习的画像维度也同时要超越学生的范畴,将学生学习过程特征、教师的教学特征、课堂综合特征以及学科内容特征统合起来以帮助教师更好地施行和调整规划。如建立学生风格档案,建立学生学习风格共性特征库,挖掘其中的教学切入点,从而规划教师教学计划和分配定向教学任务等,对教学组织的整体综合性分析是未来AI维持角色边界的关键。

2.生成动态的学习决策方案

目前技术并不会尝试不符合学习者风格、知识水平、兴趣内容、行为习惯的推送,设计者们不会冒险根据未来可能会出现的情况来决定现有的计算方法。为了避免学生产生思维定式,动态的决策学习方案需要用户模型在可动态调整下做到实时的精准,根据具体学习内容、环境以及其他因素的变化而动态修改对人物属性的测算模型。这需要AI不断地进行深度学习并对经验加以总结,可以为学生提供假设下的一些新的可能,尤其未来学习形式中,对非正式场所的学习时间占比较大,需要对更为复杂的学习痕迹进行跟踪,在此基础上整合其他属性的计算模块,如学习内容的条件参数,环境对学习者注意力与理解力的影响,等等,再结合学习者相对稳定的认知与人格数据,为学习者形成生成性的学习决策提供服务。

3.将学生置于路径之中

社会属性作用下,学生在路径网络中通过互助与互比更容易获得积极的动力。

目前,AI提供相对适应的学习决策服务是在满足学习者现有学习特征的基础上实现的。除了一些相对稳定不具有明显偏向的因素之外,一些因素虽然切合当前的学习特征,但在适配性满足的同时并不一定保证其是最有效的,特别是在学习路径方面,AI学习除了结合目标学习者自身特征之外,应加强对学习网络的学习来对比优秀学习者的数据进行综合分析,用推荐代替适配。其中,发现并揭示变量间的依赖关系、预测路径的精准性显得尤为重要,当然基于概率的不确定性推理(如将图论与概率论相结合的贝叶斯网络,为数据分类、推理和预测等问题提供了重要的理论基础)以及路径推荐相关算法(用户相似度算法,如余弦相似性、皮尔森系数、调整余弦相似性)目前已经具备。[26－27]但是要解释复杂路径内的因果关系还需要我们进一步探索,AI学习尽量以学生心理变化为抓手,如学习投入不仅可以预测网络学习者的学业成就,而且可以预测其辍学率和心理与行为问题等。[28]不过我们仍然需要继续探索并做好准备,特别是对于学生集体画像而言,更要适应整体的学习发展路径,目的在于让学生改变低效果的学习风格和习惯并且在过程上凸显两个作用,一是达到学习效果,二是促进学生的内生动力,从而在培养学生的学习惯性基础上,促进其人格的塑造以及对学习和自身的认同。