“智能+”教育场域中的认知计算与教育应用研究*

单美贤 张瑞阳 史

（南京邮电大学 教育科学与技术学院，江苏南京 210023）

2011年，IBM 公司的Watson 在美国智力问答节目Jeopardy（危险边缘）中，战胜了人类智力竞赛冠军并赢得了比赛，展示了自然语言处理以及快速搜索数据库以识别和排序答案的能力。Watson的目标是在计算模型中模拟人类的思维过程，即认知计算（认知科学与计算机科学的结合），提供了实现人工智能的现实路线图。业界普遍认为，认知计算代表了计算的第三代：第一代（始于19世纪）是被称为“计算机之父”的查尔斯·巴贝奇（Charles Babbage）提出的可编程计算机概念；第二代（兴起于20世纪40年代） 经历了诸如ENIAC 之类的数字编程计算机，并开创了现代计算和可编程系统的时代；第三代则是认知计算，它包含信息分析、自然语言处理和机器学习领域的大量技术创新，能够助力决策者从大量结构化和非结构化数据中实现非凡的洞察与关联性。进入人工智能时代，基于认知科学以及机器学习和大数据共同支持的认知计算，将个性化带入我们社会生活的每个角落，被运用于医疗诊断、商业应用及决策评估等多个领域。教育领域中认知计算的发展是由其在学习中的巨大潜力所激发，但到目前为止只实现了一小部分，认知计算的教育应用仍处于初级阶段[1]。目前，国内外尚未有对认知计算教育应用进行系统梳理的相关研究，鉴于此，本文首先通过梳理认知计算的发展脉络，来理解认知计算的含义以及认知计算与人工智能之间的关系；然后从认知计算的四个模型来把握认知计算是如何模拟大脑的运算模式，以此为基础，提出了应用于教育领域中的认知计算集成框架；最后重点分析并探讨了认知计算在教育领域中的应用前景，以期为认知计算今后在教育领域中的应用研究，提供一些参考。

一、认知计算的发展与系统架构

（一）“认知即计算”的由来与演进

尽管学术界已对人类认知进行了广泛的研究，但却没有一个公认的定义。美国心理协会APA 把认知定义为认识（包括注意、识记和推理）的过程；当今心理学关于认知的定义是：认知是指思维，即认知通常是指思考与认识的过程[2]。认知是负责创造知识和通过获取对世界的抽象以表示进行理解的思维过程。经典的认知科学认为，认知即计算[3]，其直接的哲学根源源自托马斯·霍布斯（Thomas Hobbes）的“所有推理只能是计算”这一思想，其含义是人的思想可以被理解为一种计算或通常是无意识地对存储在心智中的符号逻辑规则进行形式操作。霍布斯所说的“计算”是狭义、具体的[4]，莱布尼茨（Leibniz）则进一步发展了霍布斯的观点，认为“所有理性真理最终都可以归结为某种计算”，并设计了用于模拟人类思维的“理性思维机器”[5]。20世纪30年代，图灵机概念的提出证明了通用计算理论，给出了计算机应有的主要架构。在推动认知与计算实践转向的同时，经典的计算功能主义研究纲领开始逐渐形成[6]，有力地推动了认知科学领域的相关研究，并取得了丰硕的成果。

计算理论是现代计算机之基础，这个研究领域是由数学家和逻辑学家在20世纪30年代试图理解“计算”的含义时开始。在理论计算机科学和数学领域中，计算理论是处理如何使用算法在计算模型上有效解决问题的分支，是一门致力于研究自然、人造或虚构计算一般属性的科学学科，旨在了解有效计算的本质，为研究计算奠定了数学基础。从20世纪50年代开始，哲学家和科学家围绕“计算机能否模拟人的大脑”展开了深入的探索，推动了认知科学和人工智能的研究进展。由于“认知即计算”这一观点所倡导的“计算”是一种狭义的计算定义，为此，认知科学界展开了批判的浪潮：有研究者提出了扩展计算的定义，探索替代图灵计算的计算模型[7]；4E（Embodied，Embedded，Extended，Enactive）认知观则认为，认知并非是心智的表征计算，而是具身的、嵌入的、延展的和生成的[8]。从人工智能的发展来看，人工智能的研究以构建能够像人类一样理性地思考和行动的智能系统为目标，经历了两次低谷期和三次热潮期，认知计算则是在第三次热潮期开始崛起[9]。由此可见，学术界持续深入地开展关于认知的计算研究，正不断丰富并发展着计算和认知的内涵。

（二）认知计算概念的提出

认知计算这一概念最初由维利艾特（Valiant）于1995年提出，他把认知计算定义为“将神经生物学、认知心理学和人工智能联系在一起的学科”[10]。随后，不同的研究者给出了不同的定义：齐曼斯基（Szymanski）和海斯（Hise）指出，认知计算是“一个新兴的研究领域，它借鉴了行为、认知、计算机和相关科学的原理”[11]。王英旭则利用通过模仿大脑机制的自主推理和感知来实现计算智能的认知信息学，把认知计算定义为“一种基于认知信息学的智能计算方法和系统的新兴范式”[12]。莫达（Modha）等通过陈述认知计算的目的来描述认知计算，旨在“开发受思维能力启发的连贯、统一、通用的机制”[13]。那哈莫（Nahamoo）将认知计算定义为“从根本上来说，是一种用于解决现实世界中问题的新型计算范式，通过与人类和其它认知系统进行交互的大规模并行机器来利用大量信息”[14]。其他研究人员则选择通过陈述认知计算的主要原理来概述认知计算，例如，克拉克（Clark）指出，在认知计算中“存在适当的方法来抽象具体的行为，并从高层次上讨论目标、计划、约束和方法”[15]。德勤咨询首席分析师罗马（Roma）指出，认知计算能自动地从数据中提取概念和关系，理解其中的含义，并独立地从数据模式和先前经验中进行学习——拓展人或机器可自行完成的工作[16]。

虽然，目前对于认知计算尚没有统一的定义，但现有定义具有一些共同特征：该术语主要是指来自对人脑功能的研究而得出的一系列技术；它描述了各种人工智能和信号处理的结合，是一种模仿人脑处理信息并增强人类决策能力的技术。值得注意的是，大脑（Brain）和思维（Mind）常包含在认知计算的定义中，且可以互换使用。但大脑和思维显然是不同的，思维是指人类能够感觉、思考和认识的一系列活动；而大脑则是赋予人类感觉、思考和认识能力的器官。因此，认知计算的重点应放在模拟大脑并赋予计算机系统那样的感觉、思考和认识能力的机制上。简言之，认知计算是一个多学科的交叉研究领域，旨在基于大脑、认知科学和心理学的神经生物学过程，设计计算模型和实现决策机制，以赋予计算机系统认识、思考和感觉的能力。

（三）认知计算与人工智能之关系

认知计算是一个与AI 密切相关的领域，正在从感官知觉、演绎推理、学习和数据处理各个方面复制人类的能力：在感觉感知层，诸如计算机视觉和语音处理之类的技术，提供了更好更快的洞察力，以实现卓越的用户体验；在决策层，诸如机器学习和深度学习之类的技术，正在帮助系统解释信息并得出有效明智的决策；在处理层，诸如动态本体、图形数据库等知识表示技术，正在帮助智能系统广泛而深入地寻找连接。认知计算的系统架构图如图1所示[17]，在当前5G 网络、物联网、智能机器人和云计算基础设施等技术的有力支持下，涉及人机交互、语音识别和计算视觉任务（如人脸识别）得到了大规模的实施，支持的上层应用可以是健康监管、智慧教育、智慧城市、智慧交通等，使其系统体系结构的每一层，都有相应的技术挑战和功能要求。

当下的人工智能系统，大多是根据内部所提供的规则和参数进行工作；而基于认知计算的系统则通过解释命令然后得出推论，并提出可能的解决方案来进行工作。认知计算是大规模学习、有目的地推理并与人类自然互动的系统，它是计算机科学和认知科学的交叉融合，即对人脑及其工作方式的理解。在本质上，认知计算是一组功能和特性，使机器变得更加智能的同时也更加友好。也就是说，机器应该考虑人类行为的概念和所处的社会环境。机器学习已经是一种复杂的技术，它允许根据经验进行自我改进。但只有认知计算阶段的用户，才能真正享受到与实用智能技术的交互，不仅提供对结构化信息的访问，还可以自主编写算法并提出问题的解决方案。例如，车载汽车导航系统依靠大量的地形数据，对其进行分析以生成地图，然后显示地图，其中包含诸如从请求点A到点B的路线，并适当考虑了用户的旅行偏好和先前的路线选择数据，这依赖于机器学习。但当车载机器提出避免繁重交通的特定路线，同时结合我们的习惯时，它才开始近似认知计算。

可见，认知计算的目标是建立一个由人类思维能力激励的理性、组合和集合的机制[18]。认知系统具有学习、记忆和分析问题的能力，它具有以下关键特征：学习能力和无需重新编程即可提高其知识水平，并根据系统当前的知识库来开发和分析假设。在认知计算中，计算模型捕获人类的思维过程，并且对系统每次犯下的错误进行即兴处理，这种自我学习机制可以极大地受益于基于大量数据的分析以做出更好决策。因此，认知计算可以检查各种类型的数据并对其进行解释，以产生丰富的见解[19]。

二、认知计算的四种常见模型

认知计算中的认知建模是一个跨学科领域，使用计算机科学、人工智能和认知心理学等方法来开发人类认知过程的计算模型。多年来，其核心目标是开发一种统一的认知理论[20]，即一种包含通用数据结构并实现通用问题解决方法的认知理论。从20世纪50年代认知符号计算模型的诞生，到20世纪80年代联结主义认知模型的出现，符号主义和联结主义成为认知科学的两种关键范式；但自2016年之后，受脑科学和心理学等学科的启发与影响，认知模型的计算已实现从感知决策与控制，开始向认知决策与控制的方向转变。

（一）符号主义认知模型

符号主义认知模型旨在用计算机来模拟人的认知活动，其特点是使用产生式规则来描述人类在推理及问题解决过程中的信息加工过程，目前主要的符号主义认知模型有：ACT-R 和SOAR模型。

ACT-R（Adaptive Control of Thought-Rational）主要是由卡内基·梅隆大学的安德森（Anderson）所开发的一种关于人类认知机制的理论模型，其研究目的在于最终揭示人类组织知识、产生智能行为的思维运动规律。ACT-R 中心思想是：人类认知是在许多特定的、不可分割的小知识单元之间相互作用的结果[21]。从表面看来，ACT-R 类似编程语言平台，平台的构建基于许多心理学研究的成果；但基于ACT-R 构造的模型，其所反映的是人类的认知行为。ACT-R 通过研究人员编程实现特定任务的认知模型构建，利用ACT-R 内建的认知理论，加上特定任务的必要性假设和知识描述，构造特定任务的认知模型；并通过对模型结果和实验结果的比较，来验证模型的有效性，再利用符合人类认知行为的模型指导工作，从而实现预期的任务预测、指导和控制的目的。ACT-R 主要建立在两个假设之上：一是对人类认知的理性分析；二是陈述性知识和程序性知识的区分[22]。

SOAR模型（State Operator And Result）是由卡内基·梅隆大学的莱尔德（Laird）、纽厄尔（Newell）和罗森布鲁姆（Rosenbloom）所创建的一种符号认知体系，1983年首次提出并出现在1987年发表的论文中，现已被人工智能研究人员广泛地用于模拟人类行为的各个方面。SOAR的主要目标是能够处理智能体的全部功能（从日常事务到极端困难的开放式问题）[23]，基于产生式规则系统，解决问题的过程可以粗略地描述为对目标状态的问题空间进行搜索。即通过搜索使系统逐渐接近其目标的状态来实现，每一步都包括一个决策周期和一个决策过程。SOAR也是通用的问题求解程序，以知识块理论为基础，利用基于规则的记忆，以获取搜索控制知识和操作符。即它能从经验中进行学习，能记住自己是如何解决问题，并把这种经验和知识用于以后的问题求解过程之中，从而实现通用问题的求解[24]。

ACT模型和SOAR模型都是模拟人类行为的程序，这些模拟可以在简单的心理实验模型级别上进行，也可以模拟复杂任务（如驾驶飞机）中的人类表现。但本质上两者都是图灵完备式的编程环境，对于人类认知的实现模型而言，仍然严重依赖于聪明的编程这一现状，成为其一个主要限制。

（二）认知联结主义模型

基于联结主义的认知计算，则把认知理解为利用多个形式神经元所组成的神经网络来处理信息的一种信息计算系统。它的认知信息通常是一组特定的信息，是具有交互作用的形式神经元激活模式，信息并不存在于特定的形式神经元中，而是存在于神经网络的联结中或权重中，即通过调整权重就可以改变网络的联结关系并进而改变网络的功能，这也是“联结主义”概念的基本内涵。

当今流行的联结主义方法，最初称为“并行分布式处理模型”（PDP：Parallel Distributed Processing），是一种强调并行性和分布性的人工神经网络方法。由于它试图以实际发生在大脑中的方式，对信息处理进行建模，于是现在人们普遍地把PDP 完全等同于联结主义[25]。认知联结主义模型具有以下三个基本原则：（1）信息的表示是分布式的（不是本地的），分散于多个并行操作的简单处理单元上；（2）特定事物的记忆和知识不是显式存储，而是存储在单元之间的连接中；（3）计算是基于相似度，由问题域的统计结构所驱动，并随着经验的增加，连接强度会逐渐发生变化从而发生学习[26]。

联结主义模型为认知计算模型带来了新的思维方式：一是联结主义模型计算功能强大且易于使用，二是作为神经元模型，在生理上似乎也是合理的。建立人类认知模型的联结主义框架，也导致了一系列认知功能的显式计算模型的发展。在不同的计算认知模型中，神经网络是迄今为止最常用的联结主义模型。神经网络的一种特定变体，称为循环神经网络，其哲学思想是学习需要记忆。而递归神经网络，当前正在成为认知科学的一种流行计算模型。

（三）贝叶斯脑模型

贝叶斯脑模型是一类神经计算模型，旨在最小化预测误差的单个计算原理下，成为实现感知、认知和行为的基础[27]。贝叶斯脑理论认为，大脑的工作是对感官数据做出预测，将其与实际数据进行比较，并估计预测误差以更新其模型。其主要目的是使预测误差尽可能小，并随着其期望与现实之间的不匹配最小化，实现感知、行为和认知。该理论可以将认知科学与更广泛的自然科学统一起来，但目前尚无法解释认知和行为之间的关键要素。因为人的行为是由类似信念和类似欲望的动机所驱动，即分别定义世界上哪些状态是最可能和最有价值的，这也是整个认知科学理论的一个关键特征与难点所在。例如，认知模型表明，目标导向的行为取决于行为与结果（工具信念）和结果与价值（激励）之间的独立关联。类似的区别也是经济选择模型的基础，在这种模型中，决策被认为反映了效用（此选择有多好）和概率（我有多确定性要获得它）的组合[28]。

如果人的大脑是贝叶斯脑，也就是说，预测性处理是认知的基本原理，那意味着我们所有的感知、思考和行为都取决于做出预测。即大脑是一个预测机器，大脑的主要功能是对身体意向进行预测。想象一下篮球投篮，在贝叶斯推理行为的理论中，“信念”将是我们的大脑已经知道的关于世界的本质（重力如何工作、球如何表现、我们曾经投篮过的每一个动作等）；而“证据”是有关当前情况信息的感官输入（是否有微风、到篮筐的距离、有多疲倦以及对方球员的防守能力等）。我们的大脑会收集不同运动任务的统计数据，并将这些信息以贝叶斯方式与感官数据相结合，并作出可靠性的估计[29]。

（四）直觉推理与因果模型

生物智能体的计算结构是建立在大脑和神经系统基础之上，计算过程是应用风险判断和价值判断来适应环境的过程，信息处理机制有两个方面[30]：一个是自然进化过程，要求生物智能系统能够对环境及其本身的状态进行建模，然后提供一种“可解释的模型”以形成风险和价值的衡量标准；另一个是“选择性注意”，它提供了一种可以对风险或价值进行综合判断的有效机制，并筛选出复杂环境中的关键因素。在许多情况下，基于认知模型的风险和价值判断是连续的预测和选择的循环性思维活动，并在验证思维活动的过程中不断发展和完善认知模型。例如，把经验抽象或公式化为一个定理。

因此，认知计算的流程，需要构建因果模型来解释和理解世界，并使用因果模型通过观察值（后验概率）更新预测值（先验概率）。认知计算的流程，包括以下步骤：下一步该做什么？ 产生预期的结果了吗？是否需要进一步努力或尝试其他方法？在此过程中，基于推理和经验（长期记忆）可以丰富对环境的理解与指导，并相应地增强“验证”的能力。

上述所描述的四种认知计算模型，均通过对人脑的结构、功能和行为进行研究，以探索大脑的运算模式（如图2所示[31]）。例如，认知计算中的因果模型可以通过身体和心理水平上的认知，推断并追踪时空的发展，这意味着学习过程受心理状态的指导。比如，日常生活中某孩子在观赏别人玩游戏时，会记住奖励和惩罚；当他玩同一个游戏时，分根据别人如何玩游戏的记忆，迅速找到如何处理类似场景的方法。认知计算模型致力于模拟并效仿人脑的感觉、行为、互动以及认识能力。随着脑科学和计算科学的发展，将进一步增强认知计算模型在教育领域中的应用。

三、认知计算的教育应用集成框架

认知计算在教育中的应用潜力巨大，这种应用的总体目标是设计一种计算框架，以通过利用有关学习过程和活动中的数据，来帮助学习者更好地学习。我们可以从以下两个方面得到推进和延伸：第一，研究关于学习者如何学习的机制；第二，研究学习活动的外部表现，目前很多研究都集中在后一个方面。认知计算的目的是模仿人类的思维，重点在于表示和处理信息。在日益智能化的教育和学习环境中，通过学习活动生成了大量数据，也带来了巨大的挑战。认知计算聚焦教与学过程中产生的大数据，旨在与教育领域中的动态任务环境进行互动的过程中，生成时间戳行为流；再根据认知计算模型进行预测与推理，以更好地支持个性化学习和为教育决策服务。应用于教育领域的认知计算集成框架，如图3所示。

第一，认知计算的核心是数据聚合的过程，大数据范式以及由此创建的数据收集和聚合的提升是必不可少的。在当前智能化教育和学习环境中，大数据的5V（Volume，Variety，Velocity，Veracity，Value）特征中前四个V 显而易见，例如，以Moodle 为代表的学习管理系统或MOOC 课程都会生成大量数据。此外，数据也以多种形式出现，例如，学生对定量问题的回答以及论文中的问题，这些数据在很多方面都有很大的不同。通常，数据是连续不断地高速生成的，如果我们收集学生的参与程度或他们对材料的理解程度的数据，这些数据中将存在不确定性[32]。认知计算在拥抱大数据的同时，在三个方面超过了大数据分析技术：可扩展性、动态性和自然交互性。它与仅处理给定问题的人工智能系统不同，认知计算通过研究模式来学习，并建议人们根据其理解采取相应的行动。因此，认知计算为人们提供了更快、更准确的数据分析能力，以帮助人们进行有效决策。

第二，推理和预测是思考过程的关键组成部分，推理与预测功能来自数据建模层，它可以对信息检索并进行智能化论证。教育领域中的认知计算还要求检测学习者的情绪，以使学习者的学习体验与个人兴趣相关，这样可以增强学习者的学习动机并提高他们的整体表现，在此情况下，动态构建有意义的学习模块是最明显的应用方案之一。情感挖掘和社交网络分析的进步，提供了新的见解和解决方案，例如，通过学习和认知障碍的检测和支持，以及对学习者个人资料数据的大量处理以进行高级教育决策。例如，根据有关学习者情绪的汇总数据创建一个有效的关系框架，并以该框架来测试给定目标群体的期望；然后，再审视或测评他们对这些线索的反应，可以收集更详细的信息，进而提升学习质量。

第三，教育系统中更好地使用认知计算服务还体现在实践应用环节，即通过提供个性化的学习支持服务和认知计算驱动所产生的教育策略，以改善整个学习与教学过程。从学习过程的角度来看，我们需要考虑两个不同的方面：一是学习者将通过所采用的教育策略和方法来获取新知识；二是机器、系统和平台借助认知服务，获取学习者及其个体学习过程的信息。以学习者为中心的认知计算模型，可以利用教育环境中的数据在深度算法级别上实现人机交互，从而突破机器学习对数据的依赖性。也正因为如此，教育领域中的认知计算为探索学习者的学习规律，提供了一条有效的途径，进而为学与教提供更智能的数据分析与服务。

四、认知计算在教育领域中的应用与分析

近年来，随着新技术的不断进步，正给教育与学习带来了新的变革，大数据范式、数据挖掘、视频分析、神经网络和模糊逻辑等技术发展表明：建立个性化、定制化的教学环境，以提升学习者学习表现的方法是可行的。而认知计算过程结合了人工智能、神经网络、机器学习、自然语言处理和情感分析，来解决人们的日常问题，从而为不断发展的技术增强学习领域注入了新的动力：一方面，认知计算作为一种方法和方法学，是封装新兴技术并允许建立和利用它们之间协同作用所形成的广泛框架；另一方面，机器学习对认知计算如此之重要，这是实现教育交互性、个性化学习体验等非常重要的基础。

人工智能技术在教育领域的运用已逐步增多，AI阅卷、拍照搜题、教育机器人等AI 教育工具在教育领域中的运用日益成熟。“智能+”教育时代的学习离不开认知计算，正如罗斯玛丽·卢金（Rosemary Luckin）在《智能学习的未来》中写道，“教育体系唯一正确的路径和方向，就是要让人类比人工智能更善于学习”。未来将是一个超级智能化的社会，为此，我们必须为自己的能力发展范畴建立起一个认知框架[33]。

（一）认知计算有助于更好地理解“学习”

认知计算除了成为许多“智能”技术背后的引擎外，还是一个打开“学习黑匣子”的强大工具，使我们能够更深入地理解学习实际发生的方式（例如，学习者的社会经济和物理环境是如何影响学习）。认知计算采用类似于人类的推理和问题解决方法，其解决方案是在神经网络及深度学习之类的数字数据处理技术之上，使用符号逻辑来追求知识，以使学习者可以查看黑匣子内部。UCL（University of College London）知识实验室教授卢金（Luckin）表示[34]：“当我们根据对学与教（即学习科学）知识的了解来设计人工智能时，可以将其与有关学习者的大数据结合起来，以解开学习的黑匣子。在支持学习者提高学习效率的同时，帮助他们学习知识和掌握技能”。

正如前述，认知计算是一个跨学科领域，在于利用认知科学和脑科学等学科的最新研究成果，更好地理解学习过程，从而建立更准确的模型来预测和影响学习者的进度、动机和毅力。布里斯托大学教育神经科学教授霍华德·琼斯（Howard-Jones）的研究表明，当学习与不确定的奖励联系在一起时，学习可以得到改善[35]。琼斯的发现，为神经科学如何帮助认知计算系统进行设计，提供了支持。在计算机游戏世界中，不确定奖励的使用更为普遍，因此，我们在设计教育游戏时，可以利用这些不确定奖励的机制，来吸引学习者并促进他们进行学习。就此而言，将认知计算添加到这些教育游戏的设计中，在提供不确定奖励时，可以根据学习者对给定不确定性水平的个人反应进行校准，以支持其投入学习的探索。

斯坦福大学教授德韦克（Dweck）一直在探索“思维”在学习中的作用，她把思维分为成长性思维和固定性思维。拥有成长性思维的学习者乐于接受挑战，更加重视努力，坚持不懈，这促使他们获得了更大的成功。很多研究表明，成长性思维是可以教授的，学习者思维的改变对其学习成绩有着显著影响[36]。在帮助学习者发展成长性思维方面，认知计算将带来更大的可能性：认知计算系统可以捕获学习者随时间变化的思维方式，并相应的调整教学过程，帮助学习者以最有效的方式发展成长性思维。德韦克团队开发的Brainology[37]，就是一款旨在为发展学生成长性思维提供支持和内容的软件，它通过捕捉学习者随时间变化的思维方式脉络，支持每个学习者以最有效的方式发展其成长性思维。

大量研究表明，学习者的情感状态和行为方式对学习存在着显著影响[38]。未来教育领域中的认知计算系统，将通过多模态数据获取方式，动态捕捉学习者的情感状态和身体状态，构建起复杂的学习模型，为教与学过程提供学习者身心健康以及认知发展的实时数据；并在进行判断决策的同时，进一步促进我们对智能时代学习方式的理解与支持。西班牙马德里人工智能部的坎伯拉多（Imbernon Cuadrado）团队研发的ARTIE （Affective Robot Tutor Integrated Environment） 机器人[39]，其功能专注于三种认知状态：专心、分神和不活跃。ARTIE的主要作用是通过键盘击键和鼠标操作，来识别学生的情绪状态，然后通过算法，选择所需的、最合适的干预措施（包括激励响应、情感支持），从而为学生提供个性化的社交支持和情感反馈。研究发现，ARTIE的社交支持行为，对学习者的学习能力产生了积极影响。

（二）认知计算推动智能化学习的创新发展

1.帮助学习者掌握21世纪核心技能

一些研究指出，智能化时代人的技能日显重要。到2030年，学生毕业时尤其需要掌握[40]：一是知道如何利用不断变化的技术（例如AI）来发挥自己的优势；二是了解如何与团队成员一起有效解决问题。斯班克特（Spector）指出[41]，培养21世纪的“4C 技能”（创新能力、批判性思维、交流能力和合作能力），至少需要解决两个突出的挑战：（1）必须制定可靠且有效的指标，包括难以衡量的特征（例如，创造力和好奇心），以便能够追踪学习者技能和能力方面的进步；（2）需要更好地了解最有效的教学方法和可以发展这些技能的学习环境。近年来，众多的研究报告认为，“4C 技能”是21世纪学习者的核心技能。

认知计算可以从以下两个方面提供帮助：（1）认知计算拥有进行细粒度分析的工具和技术，使我们可以跟踪每个学习者随着时间的推移其能力的发展状况，然后根据需要调整与改进每个学习者的情况。越来越多的数据采集设备（如，生物数据、语音识别和眼动追踪等），将使认知计算系统能够为当前难以评估的技能提供新证据，例如，可以使用语音识别和眼动追踪数据源的组合，评估基于实践的学习效果。（2）认知计算系统将使收集教与学过程中的海量数据成为可能，这些数据能够针对不同的教学方法跟踪学习者的学习过程，从而可以针对不同的21世纪技能发展要求，动态设计最佳教学流程；有助于进一步优化或调整情境因素（例如，技术、教师和环境的结合），以提高特定教学方法的有效性。

2.为协作学习提供智能化支持

协作学习与独立学习相比，无论是共同完成项目的同伴学习，还是参加在线课程中学习群体间的合作，都能取得更好的学习成果，还可以增强学习动力[42]。协作学习之所以有效，在于通过建设性的对话与探讨解决问题，它要求协作成员具有有效协作所需的社交互动能力。认知计算可以从以下几个方面成为协作学习的促进者：

第一，自适应协作小组的分组与形成：使用AI分析学习者模型中参与者的先验知识并有针对性的分组，分组原则可以是一组认知水平和兴趣相似的学习者，也可以是具有互补技能并且可以互相帮助的学习者，以组成适合特定协作任务的小组。

第二，专家协助：使用有效的协作模式为协作学习者提供交互支持，这些模式由系统提供或从以前的协作数据中挖掘而来。诸如机器学习或马尔可夫建模之类的AI技术，已被用于识别有效的协作问题解决策略。可用于训练系统以识别学生何时难以理解他们彼此共享的概念，或者在适当的时间提供正确或有效的针对性支持，还可以向学生（和教师）展示个人对小组工作的贡献程度。

第三，智能虚拟代理：在协作过程中引入智能虚拟代理，可以充当不同角色来引导协作学习者的互动或直接促进对话。比如，专家、与学习者具有相似认知水平但有能力引入新颖想法的虚拟同伴。

第四，智能审核：当协作小组中有大量的成员时，学习者可能无法理解讨论过程中生成的大量数据，智能审核则使用认知计算技术（如，机器学习或浅层文本处理）来分析和总结讨论，以使导师可以指导学习者进行富有成效的交流。

3.推动教育评估的科学化

认知计算在教育评估中的使用，将使我们拥有更科学、精确的教育评估方法。即通过实施合理的通用数据标准和数据共享要求，能够提供各个层次（学科、班级、学院、地区乃至国家）的教与学大数据分析，可以通过认知计算模型分析、获得不同国家教育系统绩效的证据，甚至可以对PISA 和TIMMS 等国际测试的精准性分析提供帮助。今后，认知计算将通过以下三种方式改善教育评估：

首先，认知计算将提供及时的评估以改进学习效果。技术在教育中的持续使用，使得所收集到的学习者和教师的数据越来越多，大数据已广泛应用于学习分析领域，以识别与分析具有潜在教育价值的各种数据。因此，应用认知计算+学习分析，可以高精准度地用于预测学生的学业情况及课程评估，可用于提供及时的干预措施以帮助学生提高学习绩效。

其次，认知计算将提供有关学习进展情况的新分析。在教学过程中及时获得的大量数据，能为我们提供新的发现，而这些发现通常是无法从现有评估中确定。例如，除了确定学习者是否给出了正确答案外，还可以对数据集进行分析，以帮助教师了解学习者是如何得出答案。这些数据还可以帮助我们更好地理解诸如记忆和遗忘之类的认知过程，以及这些过程对学习和学生成绩的关联影响。认知计算分析还可以识别学生是否以及何时感到困惑、无聊或沮丧，以帮助学习者调整学习中的情感状态。

再次，认知计算将帮助我们超越已有的“stopand-test”方法[43]。即通过对学生学习中的认知计算进行持续分析，可改进当前许多教育评估中依靠学生所学知识的小样本这样一种传统评估方法。认知计算驱动的教育评估，将内置到有意义的学习活动中，甚至可对所有教与学活动进行全程评估。

（三）推进学习支持服务的各种应用

1.辅助学习分析并预测学习效果

学习分析把教育数据挖掘与认知计算的推理预测相结合，可以将其视为规范性分析[44]。学习分析通过对学习者及其背景数据的测量、收集、分析和报告，以理解并优化学习以及学习发生的环境[45]。旨在使每个学习者可以实时跟踪其数据轨迹，并为其提供未来学习进度的自动预测[46]。认知计算结合学习分析可以建模技术为基础，包括学习者建模、认知建模、行为建模、学科知识结构建模等，并在这些模型上构建预测模型，为每个学生确定最适合的学习方式，最大程度地提高其学习成绩。随着教育领域中智能化技术应用的增多，可以实时收集有关学生学习进展的各种数据并进行分析。除结构化数据外，这种分析还包括半结构化、非结构化数据。

与教育数据挖掘相比，认知计算结合学习分析更能体现对学习效果的预测。教育数据挖掘专注于自动化，经常关注从数据中发现隐藏的模式，而学习分析则更注重整体性和以人为本。虽然预测学生的表现是教育数据挖掘的核心问题，但学习分析更注重预测学习方法或学习系统的结果，因此，各种分析工具（例如，话语分析、社交网络分析）应用得较多。但由于这两个领域的共同目标和利益相关者之间的界限有时会变得模糊，加上这两个领域都涉及预测模型（尽管适用于不同领域），所以与机器学习和数据挖掘有关的许多计算技术，可以在它们之间实现通用。认知计算便是这种通用的最佳介入方式，认知计算可以并行构建学习分析策略和标准，以理解学习者行为并增强高级决策集成分析能力。

2.学习成绩预测模型与智能课程推荐

应用认知计算对学生学习成绩进行预测，旨在预测学生或小组在学习任务中的表现，这样可以提供教师进行指导、建议和早期反馈，从而有助于提高学生的知识获取和学业成绩；它也可以用于识别有可能失败的高风险学生。从长远来看，认知计算可以使用良好而可靠的预测模型为学习者定义最佳的课程路径，从而减轻学习者的考试压力和教师的教学工作量。成绩预测可以为课程模块、单个课程内容项提供更明智的指导和明确的选择建议，进而最大化地发挥学习者的潜能。这种学习成绩的预测，还可以帮助大学在录取过程中选择最佳的申请者。即借助于训练机器学习算法，在以往的学生数据及其相应的历史成绩指标之间建立映射功能，然后将其用于响应新学生数据并进行实时的成绩预测。学习成绩预测模型，可提供不同粒度等级的成绩指标：可以是通过/未通过，或者是A、B、C、D、E 分类等级；也可以精确到0-100 间的分数，在回归模型和分类模型之间选择以匹配输出类型。其模型如图4所示。

而将认知计算应用于智能课程推荐系统，主要价值在于为学习者推荐合适的课程：（1）充分利用可用的学习资源；（2）避免时间分配上的冲突；（3）符合学校的教学规范要求；（4）使学生的兴趣和领域情况相匹配；（5）最优化学习效率和效果；（6）最大限度地提高学生满意度；（7）最大限度地利用学习者的现有能力和潜在能力；（8）实现学生的发展目标；（9）支持学生未来的职业计划。图5展示了一个以成绩预测驱动的智能课程推荐系统框架，该框架在课程选择阶段，针对每个选择主动使用上述的成绩预测模型，以提供最合适的课程排序，从而帮助学生做出具有价值的路径选择。融入认知计算的智能课程推荐系统，将最大程度地提高学生的预期表现和发展水平。并随着信息化学习环境广泛应用于各种学习和培训过程，比如，可帮助学习者从大量的电子学习资源和公开课程中，自主选择最合适的学科领域、课程、知识项目和主题。

3.服务与促进个性化学习

在教育领域中，认知计算目前更多地运用在智能导学系统以及自适应/个性化学习系统或推荐系统中，用以整合学习者的认知数据，形成更为完整的学习者模型，以便作出更准确的个性化判断[47]。20世纪70年代以来，智能导学系统（ITS）一直处于人工智能研究的前沿，虽然其应用范围较为广泛，但离实现其全部潜力仍很遥远。ITS的发展离不开几十年来对人类认知和智能化的研究，如今，ITS的前沿研究集中于编程方面，比如，最近一些研究讨论了帮助学生学习编程的问题[48-50]，特别是在编码时实时向学生提供有用的提示，这便是认知计算应用的一种表现。原因在于：即使对于非常简单的编程任务，在语法和语义上也存在多种不同的解决方案，即使将语义方面（即基础算法）限制为一个方面，实现该算法的句法变体也为提示生成带来了艰巨的挑战。在这方面，认知计算的应用仍有较大的空间。

如今，网络学习是一种以学习者为中心的最主要途径，最能体现个性化学习[51]。融合认知计算应用的网络学习，把学习视为个人知识网络的不断创建过程，学习的结果是对个人知识网络的重组、拓展或关联，即通过新的知识节点扩展个人的外部网络，并重新构建个人认知。因此，它可以从多个角度定义个性化学习，一种是让学习者按照自己的步调前进，即可以自由地以任何顺序探索某个学习内容；另一种是自动生成评估，在提供脚手架支持的同时，提供有关评估的即时反馈。这两种方式都主张个性化学习是由目标驱动的，具有三个可识别的阶段：一是目标设定，二是执行，三是评估。

由于每个学习者具有不同的个性、思维方式、认知水平和学习能力，即使在完全相同的学习环境中，他们的学习方式和学习效果也存在着很大的差异。融入认知计算的个性化学习旨在跟踪分析学习者的每一个学习旅程，最大程度地发挥其学习潜力，以实现其教育目标[52]。认知计算服务与促进个性化学习还包括：推荐能最适合、最大程度地发挥学生潜力的特定模块、课程、知识单元和支持材料；优化知识获取过程，以匹配单个学生的有效学习模式；定制最适合学生获取的知识单元等。

在应用认知计算构建个性化学习的框架方面，古迪瓦达（Gudivada）分析了由教育数据挖掘、学习分析和认知分析驱动的个性化学习系统ISPeL[53]，查蒂（Chatti）和莫斯林（Muslim）提出 了PERLA 框架（Personalization and Learning Analytics），旨在将个性化与学习分析融合，以支持不同环境中的个性化学习；同时，提供了一个全面的框架，为学习分析的研究人员和开发人员提供较为系统方法，来设计与开发支持个性化学习的指标[54]。另外，MATHIA[55]使用“知识追踪”（确定学生对不同概念的理解过程）以及“模型追踪”（理解学生解决问题的方法过程），从而为每个学习者的思考过程给予支持。Thinkster Math[56]是一款辅导应用程序，它将真实的数学课程与个性化的教学风格融为一体，使用人工智能和机器学习来可视化学生在解决问题过程中的想法，以便老师可以快速发现导致学生陷入困境的思维和逻辑问题，并通过即时的个性化反馈为他们提供帮助。

4.为学习者提供智能认知助手

智能认知助手利用机器智能来协同工作，以增强人类的认知和身体能力。从认知计算的角度审视，智能认知助手可以主动解释数据并从数据中学习，利用所学知识解决不熟悉的问题，并以人脑的工作效率运行，主要通过所拥有的个人知识图、社交图、活动图和社群知识图，预测学习者的需求与愿望，为学习者提供服务，如图6所示。融入认知计算的智能认知助手的目标，在于创建对人类具有实用性的系统，特别是在利用机器智能来增强人类认知和模仿人类解决问题的能力方面，未来它将在许多方面超越人类的沟通和记忆能力。

融入认知计算的智能认知助手所具有的优劣，将成为教育领域的出色工具，尤其是在教育教学过程中需要大量数据和决策支持时，这种认知助手具有四个帮助特征：提供信息检索支持、为用户提供推荐系统、自适应学习能力和服务委托系统[58]。今后，其在高等教育中的应用主要集中在三个领域：

第一，课堂中的应用，以改善教育者和学生的体验，并提升学习绩效。目前典型的应用主要有：佐治亚理工大学的Goel 团队开发的Jill Watson 助教，用以帮助教师管理AI 课程中的问题[59]；麦格劳-希尔教育公司开发的ALEKS（Assessment and Learning in Knowledge Spaces）“个性化数学学习自适应学习系统”，它使用AI 为每个学生量身定制学习内容，确定学生的优劣，并在学习者需要时提供精确的指导[60]；Pearson 开发的Watson 智能导师，可构建自适应学习体验[61]；人工智能研发公司（CTI）开发的自动生成定制教育内容的AI，引擎使用深度学习为学生创建定制的学习工具，教师可将教学大纲导入该引擎，然后使用算法并根据核心概念，来创建个性化的教科书和课程内容[62]。

第二，校园中的应用，以提高学生的参与度和持久性。主要有：Campus Management 发布的Retention360，其中AI 角色会根据学生档案、最佳实践和其他输入自动启动干预[63]；AdmitHub 公司使用AI聊天机器人作为学生的“校园教练”，使新生入学指标得到了显著改善[64]；智能学生助理StuA 能够回答有关学者、考试、图书馆和额外课程活动的所有大学新生的查询[65]。这种应用现在已越来越多。

第三，职业分析工具，帮助学生建立个人职业理想并为实现这些目标提供清晰的路径。大数据尤其是非结构化的数据，可以支持职业指导，以帮助学习者适应其一生中不断变化的劳动力需求。基于认知计算的智能助手，一方面，为学生提供有效指导，以帮助他们探索和追求职业目标；另一方面，这些职业发展路径将成为支持基于AI 训练工具的数据集，学生将拥有可提供定制分析和建议的工具[66]。比如，Burning Glass Technologies 所提供就业市场数据的实时数据库，可支持决策与分析服务[67]；Roadtrip Nation 开发的视频采访库，内容涉及不同个体的职业道路，这些视频可以帮助学生和求职者进行个性化的职业选择[68]。

（四）驱动教育管理与决策的精准化

教育领域开始进入计算与数据驱动的时代，各种系统的可用性、各种类型的结构化和非结构化数据，以及微内容的提供并允许采用机器学习和人工智能技术，都成为认知计算的用武之地：无论是有监督和无监督的学习算法、情感分析、软计算和模糊逻辑还是神经网络，都可以用来处理与分析教育领域中的各种数据，从而为教育管理部门以及教育质量评估的各个方面提供服务。可以说，认知计算驱动教育管理与决策是一个不断融入和完善的过程，正在促进并增强以下五个方面的发展：

第一，行政管理能力：从学习管理系统、社交媒体和第三方应用程序收集的数据，可为高级管理人员提供新的、有意义的报告。

第二，政策制定与执行：认知计算研究及其集成的组成部分，可以促进地方、国家和国际各级教育政策的设计、执行和监控。通过标准化问题、教育流程建模、与教育政策保持一致的服务设计，将提供一个完整的“数据—流程—决策”综合能力的生态系统。

第三，绩效和评估：认知计算进一步促进以学生为中心、以过程为中心、以资源为中心、以目标为中心的智能化教育发展。随着认知计算的发展及其在教育领域中的应用，将采用新的内容丰富、政策整合、创新和针对行业特点的方法进行评估。高校也将使用多种方法和工具，以使其能力和技能发展计划与行业创新驱动的需求保持一致。

第四，教学法：认知计算将提供新颖的见解和服务。基于剖析和解释学习者需求的编码学习内容的发现，将为动态构建有意义的学习模块，提供不可预见的计算能力，教学流程也将重新设计。将匹配算法与神经网络以及社交挖掘服务相结合，还将促进团队学习和团队领导的技能提升。当然，这也将带来一系列挑战：促进小组学习和团队技能发展的正确策略是什么？对于小组学习和主动学习而言，哪些是技术增强学习的正确模式？

第五，课程设计：在智能化时代，课程形态将走向多学科、跨界的整合。认知计算可促进、提供有益的多元化服务，例如，对等匹配、自动学习模块集成、动态学习路径的开发以及学习网络的组成。

据国内外一些分析师预测，认知计算市场从2020年至2026年，将增长490 亿美元[69]。基于认知计算的分析与决策将是教育系统收集和分析数据，用以指导和支持教育管理与教育决策的“新常态”。数据的使用可以被描述为一个循环过程，在这一过程中，解释和诊断数据以及采取行动的各个阶段环环相扣。因此，基于认知计算的教育决策，在于把基于数据的决策和直觉指导下的人类决策有机结合的最佳体，这也是智能教育中人机协同的一种新型方式。

总之，在“智能+”教育的背景下（以学习分析为重点）整合认知计算，可以定义决策制定和学习各个维度新的定性和定量标准，可以展现多样性和互补性。与其他领域相比，教育领域中的认知计算需要考虑复杂的认知和行为成分，用于学习的认知系统设计中的不确定性和复杂程度更高，这使得建模和预测行为都变得更为困难。另外，各种教育数据所需的数据聚合，还必须考虑到与人类参与者有关敏感的道德问题。因此，教育领域关于复杂的认知计算技术许可，需要有更适切的政策制定作为基础。

五、展望与思考

2017年7月，国务院发布《新一代人工智能发展规划》[70]，要求发展智能教育，推动人工智能在教学、管理、资源建设等全流程应用；强调开展跨学科探索性研究，推动人工智能与神经科学、认知科学、心理学、社会学等相关基础学科的交叉融合。可见，在计算机科学、认知科学和脑科学共同支持下的认知计算，将在下一阶段的教育改革中发挥关键作用[71]。具体表现在：在“智能+”教育中，认知计算与学习科学的结合，可以促进适应性学习环境和其他人工智能教育应用工具的发展；认知计算在教育领域中的应用，将最大程度地实现“增强智能”，特别是在利用机器智能来增强人类认知和模仿人类解决问题的能力方面，能够更好地理解“学习”，推进学习支持服务，培养学习者的成长性思维，为学习者提供学习伴侣和智能化工具的支持；并为各个层次（学科、班级、学院、地区或国家）教与学的分析，提供有力的技术支撑。

今后，在认知计算教育应用的探索过程中，还需面对的一个问题是：如何区分并有效应用认知计算与情感计算？ 情感是人工智能角色与人类互动的重要组成部分：角色需要情感模型来合成情感并表达情感；情感模型应该使人工智能角色能像人类一样具有情感。认知计算系统可以被视为“更人性化的”人工智能，教育领域中的认知计算系统需要与用户进行自然的社交互动，以说服用户AI 具有理解人类思想（包括情感）的能力。为此，需要一种能够在社交情感互动中表现出适当、可信行为的人工情感智能，而情感理论目前在认知计算系统项目中的应用鲜有研究。随着情感计算的发展，使机器具备感知和识别人类情感表达（如兴趣、困扰和愉悦）的能力将成为可能。未来开发情感计算模型作为人工智能和认知计算的核心研究重点，在于使用由两个过程同时驱动的认知架构：（1）理性的推理和思考，自上而下（给定的任务、超级目标、承诺）；（2）对刺激的情感反应，自下而上。由此可见，认知计算与情感计算的结合，可以更好地适应人们的感受和行为方式。

认知计算在“智能+”教育中的应用虽然尚处于起步阶段，但其具有广阔的应用前景，这就需要我们在关注技术本身发展的同时，思考在智能化教育中的认知计算产品如何有效应用，使其更好地为学与教服务；建立创新与协作的教育生态系统（如，共享数据标准、共享学习模型），致力于服务所有学习者的学习广度和学习质量的提高，以进一步促进其个性化学习与21世纪技能的发展。