人工智能将带来怎样的学习未来

刘妍 胡碧皓 顾小清

【摘要】随着人工智能技术的发展与大量教学理论的提出，研究者对未来学习图景的素描也日趋多样化和复杂化，智能技术正在将想象逐步变成可能。采用科学、有效的方法进行相关性研究将有助于我们了解这些图景要素与目前学习现状之间的相关性与差距，为研究者和实践者提供基于数据证据的预测借鉴，以及为如何推动未来学习提供参考。基于此，本文采用文献计量法和质性元分析方法对近十年内未来学习研究相关的论文、报告、访谈、视频以及项目资料等进行分析。研究结果发现：大多数未来学习主题研究主要采用德尔菲法、专家访谈法等质性研究方法，持续性、规模化的个性化未来学习发展调研相对较少;多数采用传统研究方法解决未来研究问题，缺少未来研究方法论在教育领域的迁移;缺少教育相关领域专家和一线教学群体中的未来学习场景构建。本研究综合未来学习的质性分析框架，结合目前未来学习所研究和预测的内容，提炼和勾勒了从传统规模化学习到大规模个性化学习的发展，从单一学科知识到综合的跨学科能力发展，从传统教学决策到数据驱动教学决策的发展的未来学习图景，总结了人工智能技术如何影响和促进未来个性化学习，理清学习方法和环境、知识内容和产生、智能技术和数据驱动的未来发展走向。

【关键词】  未来学习;大规模化学习;个性化学习;人工智能;未来研究方法论;数据驱动教学决策;综合知识观;质性元分析

【中图分类号】   G420         【文献标识码】  A       【文章编号】  1009-458x（2021）6-0025-11

一、问题提出

未来学习与未来学研究息息相关。作为一种前瞻性和创造性的研究手段，未来预测能够从科技和社会发展动态出发，探讨选择、控制甚至改变和创造未来的途径，以确定在当前做出更好决策的方法（保罗·普林斯路， 等， 2020）。近几年来，在教育领域运用未来学研究对学习方式、学习内容以及学习场景等开展预测的研究发展报告纷纷出现。2009年，芬兰国家教育委员会推出“2030年学习的未来晴雨表”，经过多年的德尔菲法调研后，分别针对三类群体的访谈创建了五种未来学习场景，进一步关注教师和学生角色的变化，从学校和社会关系发展视角阐述了教与学发展的可能性。之后，新加坡政府提出“终身学习”“学习兴趣”“公平教育”“母语学习”“未来教师”“跨学科能力”六个未来教育推进方向（Airaksinen， Halinen， & Linturi， 2017）。2018年，OECD启动了《未来教育与技能2030》报告（The future of education and skills Education 2030）项目（Schleicher， 2019）。2019年，巴登-符騰堡州立合作大学发布了《未来技能：学习和高等教育的未来》报告（Ehlers & Kellermann， 2019），借助德尔菲法调研来自高等教育领域和人力资本领域的近50名专家的意见，从未来能力框架、未来学习和高等教育如何应对未来人力资源和经济发展的需求等方面展开了讨论，构建了四个未来高等教育场景。2020年9月，OECD发布《回到教育的未来：学校教育的四种图景》报告，从目标与功能、组织与机构、教学工作、政策与区域规划、机遇与挑战几个方面，阐述了学校外延、教育资源外包、学校以学习为中心、无边界学习的图景。可见，未来学研究正在教育领域得到应用，并且已经能够预测和提供相应预案。

当下，全球科技创新进入空前密集活跃的时期，人工智能技术呈现高速发展与高度融合态势，以颠覆性技术创新带动全面创新，并且积极预测和支持未来颠覆性技术发展，是推动人工智能技术与相关领域融合与发展的重要方面（孙永福， 等， 2019; 蒋鑫， 洪明， 2019）。AI赋能和AI增能的未来学习场景不断被创造出来，冲击着知识产生、学习方式变革和人才能力的诉求等多个方面（顾小清， 2021），学习评价、学习场景和组织形式都将发生改变。郭绍青（2019）认为未来社会是机器智能与人类智慧融合的智慧社会阶段，未来学生的培养更加指向高阶思维的发展，致力于培养学生的问题解决能力、创新能力和情感教育合作能力等。2019年，埃森哲在《人工智能技术驱动未来变革：人类和机器能否携手解决教育危机？》中肯定了数据和人工智能的基本价值在于容纳和解决未来教学方式和学习方式的多变性和个性化。OECD（2018）在未来学习预测报告中提出，未来学习并不是单纯发生在学校，会延伸到家庭，延伸到社会的培训机构，它一定是网络空间和学校实体空间共生的一种学习模式。根据这些关于未来学习的可能性和“模样”预测可知，新兴技术在教育中的应用将越来越复杂化、多元化，与目前学习现状相比，未来学习将会是更加抽象、复杂的教育形态。

教育研究的开放性、未来性和多元化与技术不断碰撞和融合，未来教学环境层出不穷，传统意义的校园和教室教育已经不再能够满足目前的学习需求，个性化的随时随地的信息获取也已成为学习方式之一，这也使得人们不断思索：什么是学习的未来？然而，目前关于未来学习的预测内容更多偏重主观推测和实践经验。因此，了解教育形态中的要素在未来学习中的关系、规律，提供科学的推断证据，为教育研究提供解释现象、改进教学的依据，是未来学习研究中亟待解决的问题。针对以上疑问，本研究将采用文献计量法和质性元分析的方法，选取未来学习领域相关的文本、音视频材料，对其未来学习预测的内容进行框架概括和材料编码，尝试构建未来学习图景、阐述影响因素和发展趋势，为研究者和实践者带来启示和思考。

二、分析框架构建

教育变革总是在不断推进的，其结果是动态变化的，以学习者作为系统的中心，围绕学习结果和课程设计的知识、技能、态度和价值观也不断发展，其与微观系统中的课程内容、学习材料等相关，同时也受到中观和宏观层面的影响。因此，设计和建构一个合理的教育未来图景，就必须全面了解影响教育的外部、内部因素，并对其进行层次分析，梳理其内在逻辑和重点关系链。从影响结果角度来看，影响因素涉及教育系统、教育的目的和培养目标，以及教育机构的组织形态等。从影响因素的属性来看，分为内在因素和外在因素。内在因素体现在影响教育系统和组织的变量，如政策、课程和教育相关工作者。外在因素体现在教育系统之外影响教育发展的相关因素，如社会文化、经济和技术发展等（Zhao， 2019; 李爽， 等， 2020）。在系统动力学中，Fullan（2006）基于结果影响理论提出七大核心要素，包括关注动机、关注结果目标的设计、学习内容、投入反馈、学校和学区等学校环境。将上述要素转换成具体的策略和行动，才有可能变革教育和学习成果，构成教育生态系统。OECD提出的《未来教育和技能2030》发展报告（Schleicher， 2019）综合以上七类关键因素建立起教育生态系统，分为三层：①微观层，如教室场所，主要关注学习者动机、教师的个人知识与能力发展等;②中观层，如学校场所，主要关注以教育结果为重点的能力建立、资源组织体系;③宏观层，如政策、财政和人力资本、社会和文化等方面。生态系统理论认为：多重嵌套的环境系统会直接或间接地影响学习者;系统内部结构联系越紧密，学习者的认知发展越顺利;外部系统间接影响学习者的社交互动，甚至影响政策和群体稳定性。同样，教育生态系统更广泛地由多个嵌套系统影响教学、学习过程和学习结果。从个性化学习模型视角来看，教育变革主要是为了提倡学习者参与设计与其学习过程相关的内容和材料，鼓励跳出固有的思维模式，影响因素更加偏重体现在学习环境、灵活的课程设计和自主的学习策略（Campbell & Robinson， 2007），以及学习者特征、个性化学习路径、能力与知识掌握目标和评估方面（Decker， 2014）。

综合上述已知研究框架，本研究提出质性分析框架，包含：①智能技术和教育数据;②知识与技能培养，课程内容与学习材料设计;③学习过程与方法，学习环境与角色变化。如图1所示。

（一）智能技术与教育数据

探讨未来学习，离不开技术与智能技术应用的影响，《第四次教育革命》一书分析了人工智能技术价值及其对教育系统产生的不可避免的变革性影响（Seldon & Abidoye， 2018）。首先，智能技术的发展推动了知识内容的更新和人才培养需求，重新定义了知识与能力的价值。教育与技术是一场博弈（Goldin & Katz， 2008; 顾小清， 2018），教育培养什么样的人与技术发展息息相关，学习结果及其目的与智能技术并行。其次，从学习过程角度来看，技术影响着学习的方式、过程和实施。尤其是智能技术的推动，个性化学习的方式逐步普及，为变革教育过程提供了巨大的可能性（迈克尔·桑基， 肖俊洪， 2021）。学习是一种个性化的体验，技术的价值在于能够根据学生个性兴趣、个人能力和需求量身而定的学习内容、资源、策略路径，既能提升学习者的好奇心与能力，降低辍学率和学习挫败感，更重要的是帮助学习者学会学习，并培养自我调节能力和学习习惯等。智能技术能够获取学习者的个性化特征数据，根据其学习风格、认知和能力情况制定知识内容，开展精准化的智能辅导，课程设置和教学方法都能根据学生的需要同步调整。埃森哲的报告《人工智能技术驱动未来变革》指出人工智能技术变革教育的场景之一，即映证技术对于教育变革的重要性：在线适应性学习平台通过人工智能技术提升个性化体验，即人工智能技术能帮助了解特定学生是如何与平台互动的，并为每个学生推荐正确的内容，以确保学生的学习质量。人工智能已经被用作教育服务和课程设计的一部分。人类教师将越来越多地使用它，对学生的学习提供反馈，并支持其他“虚拟教学助理”应用程序。它还可以用于精炼语言翻译，以及帮助有视觉或听觉障碍的学生访问平台。

（二）知识与技能

教育必须重新思考培养什么知识、技能和能力（Wagner， 2012），课程与知识的再设计与重组织更加需要凸显未来学习的新属性。新技术创造了新的机会，使传统上被低估的知识、技能和能力凸显更大价值。未来学习的目的将是培养学习者迎接和应对新技术带来的挑战和机遇。21世纪技能框架要求未来学习者在掌握英语、数学、历史等基础知识之外，更加注重学习和培养创新能力、问题解决能力、沟通和协作能力等（Partnership for 21st Century Skills， 2008）。欧盟提出八项具体的未來知识、技能和态度细则，包括基本科学能力、信息素养、学习能力、表达能力和协作能力等（The European Parliament & The Council of the European Union， 2006）。这些技能、知识和专业知识也正是21世纪在工作和生活中取得成功所必须掌握的。未来知识学习体系也将契合培养目标，注重基础课程内容和综合能力知识框架的设计，构建个性化和综合性的课程内容。

（三）学习过程与学习方法

围绕未来学习过程与方法的构想，学习策略、学习环境，以及学习过程中的参与者角色同样会随之发生变化。首先，在未来，教师的角色是提供足够的和容易接近的情感、社交和认知以支持学生个性化学习体验。指导建议是个性化学习的一个基本元素，帮助指导、激励、促进学生学习。人工智能和教师可以并肩工作，使教学更有效。例如，机器翻译可以用7，000多种现存语言中的任何一种来呈现世界上任何地方的内容，极大地扩展了教师可获得的材料的范围。将基于人工智能的内容管理系统与学生数据相结合，教师可以从全球数据库中确定适合在课堂上使用的最佳材料和策略。教师使用AI来提供学习内容，确保每个学生都能实现自己的个人学习目标。人工智能可以帮助教师获得针对特定学生的最佳资源和教学方法，从而最大限度地减少对其他低效的培训活动的需求，提高教师的绩效。随着适应性学习的推进，个性化学习和自主学习逐步获得支持。学习者将使用适合自己学习能力的定制化课程和项目，自定义学习进度和环境，培养复杂情境中的问题解决能力和协作能力等。灵活的学习体验有助于弥补标准化学习模式的不足，也为学习者和教师提供“跳出框架思考”的机会，重塑学习方法和教学路径。最后，新一代的学习生态环境的建构正在突破固定场所和标准化知识学习的“束缚”，极大地丰富了学习内容，延展了学习深度。事实上，在线学习可获取的内容和资源越来越丰富，学习者可随时随地选择感兴趣和必需的课程内容，大大支持了未来自主学习和终身学习的普及。学习环境的颠覆还体现在人工智能技术的支持上，增强现实和虚拟现实环境模拟全新的沉浸式的学习环境，增加了学习者的投入度和媒体资源的体验感。

综上所述，本研究将从智能技术与教育数据、知识与技能、过程与方法三个层面具体展开，将三个维度的阐述内容具体化为二级指标，构建未来学习图景的编码框架，为本研究的质性分析提供理论依据。

三、研究过程

本研究综合运用质性分析法，回归人工智能和学习的本质，进行人工智能使能的规模化、个性化学习研究，探究人工智能使能的人的学习以及学习的变革，表征未来个性化与规模化学习的图景以及影响其发展的关键性因素，并为推进大规模教育中的个性化学习提供策略性建议。

我们的研究分为以下几个步骤：①文献检索;②选择符合条件的研究进行研究和元分析;③制定和应用研究综合的编码方案;④制定和应用元分析的编码方案;⑤编码数据分析。

（一）研究样本的选择

本研究采用判断抽样的方法，综合考虑样本的权威性和全面性，本研究将样本确定为：①国内外未来学习和教育发布的预测报告，如UNESCO、OECD发布的预测报告The future of education and skills Education 2030等;②有影响力的中英文期刊，如：Journal of Education for Teaching、European Journal of Education、Research in Science Education、European Journal of Teacher Education、The Internet and Higher Education、Futures等;③关于预测未来学习的书籍，如Schooling for Tomorrow Futures Thinking等;④领域专家的分析报告和专项项目，如Rethinking Education through Imagining Future Scenarios、The Millennium Project、德尔菲法百人教育家调研项目。在谷歌学术中输入“future education”“future learning”“AI impacts personalize education”“未来教育”“未来学习”“未来个性化教育”“AI支持的未来学习”等相关关键词，共搜集2010年到2020年刊发的168篇文献，经过筛选，排除无关和思辨类文章，最终选择91篇研究文献作为本研究的分析对象。

（二）编码框架与编码过程

為了进一步细化编码方案，基于刻画未来学习框架，本研究结合未来学习的理论框架形成对应维度的细颗粒度的编码框架，并将样本属性部分分为发表机构与时间（OECD， 2020; Miller， 2018）、研究主题、研究阶段、主要研究方法和工具、数据支持，如场景构建（Ahmad， 2019）、德尔菲法（OECD， 2020）和社会科幻小说（Social science fiction）方法（Selwyn， Pangrazio， Nemorin， & Perrotta， 2020）。

根据维度的内涵解析，将知识与能力维度细化为知识体系（Airaksinen， Halinen， & Linturi， 2017）、能力体系（OECD， 2020; Ahmad， 2019）、培养目标（Pellegrino， 2017）、评价策略与标准（OECD， 2020）四类;将过程与方法维度细化为学习方法与途径（Airaksinen， Halinen， & Linturi， 2017; OECD， 2020）、学习过程（OECD， 2020）、学习环境和场景（Ahmad， 2019）、学习者角色（OECD， 2020）、教师角色（OECD， 2020）、课程设计与资源（OECD， 2020）;智能技术解析后的二级维度包括人工智能技术（Singh， 2019; Goksel & Bozkurt， 2019; Pedro， Subosa， Rivas， & Valverde， 2019; OECD， 2020; Chrisinger， 2019; Kumar， 2019; Cox， et al.， 2019）和教育数据（Pedro， Subosa， Rivas， & Valverde， 2019;de la Higuera， 2019）;研究样本属性维度细化为发布机构与时间（OECD， 2019; OECD， 2020）、研究主题（Airaksinen， Halinen， & Linturi， 2017; OECD， 2020）、研究阶段（COX， et al， 2019; 等等）、研究方法和工具（Ahmad， 2019; 等等）。详见表1。

（三）编码框架与一致性

本研究对论文的编码由两位编码员完成。两位编码员在充分理解编码框架及编码规则后开展背对背编码，统计其编码一致性为0.92，满足质性分析一致性的要求。之后，针对有异议的内容，尤其是二级维度的内容进行讨论，达成一致后形成修订后的编码框架。

四、研究发现

（一）研究资料分布

未来学研究是一门综合性学科研究，未来社会的发展变化必将影响教育的发展。未来学习和未来教育作为教育领域的未来研究内容，近十年来受到国际教育组织和研究者的持续关注。未来学习研究的文献发表数量见图2。在2010年之前，关于未来学习的研究处于起步阶段，在2014年、2017年和2019年呈现发文量峰值，出现了英特尔未来教育、信息技术、人工智能、教师培训、教育大数据、未来学习机制、未来教室，未来学习空间和学习科学等关键研究词。

（二）研究主题和研究方法

本研究选用社会网络分析软件CiteSpace 进行关键词共现分析，对一些关键词经常同时出现在同一篇文献的现象进行分析。在图3中结点间的连线反映关键词间的共现关系。从关键词共现网络可以看出与未来学习和未来教育相关的关键词有学习过程、学习活动、虚拟学习环境、数字化学习、人工智能和学习空间。

进一步讲，从文献互引网络分析可以看出与未来学习相关的关键词有未来课堂、虚拟学习环境、智慧学习环境、人机交互、非正式学习和自适应计算等（如图4所示）。未来学习和教育的预测内容关注了未来技术支持教育变革、未来高等教育预测、未来个性化学习（Airaksinen， Halinen， & Linturi， 2017）、未来学习能力培养和未来学习场景构建内容，与上述理论框架知识与能力、过程与环境、智能技术变革一致。

从研究方法和工具角度来看，根据文献和调研报告的分析，我们发现研究方法有未来研究法、情境建构、社会科幻小说法、案例研究法、问卷调查法、访谈法、德尔菲法，数据分析主要包括定量分析、定性分析和文献分析。参见表1。德尔菲法是一种结构化的决策支持研究方法，通过反复征询专家观点获得见解。“千禧年”项目对全球顶级教育专家213人进行长期访谈，统计了教育专家关于2030年预测内容出现频率在70%以上的六大维度，如适应性的知识和学习、终身学习系统等。该项目搭建独立的德尔菲平台（https：//www.realtimedelphi.com/），能够实时收集和积累专家反馈，并且可以多次修改。社会科幻小说（Social science fiction）法的本质是探索未来社会和未来技术。早在1975年，该方法就已经被描述为直接从社会科学领域提取思想的写作方式，用以阐明社会生活的多个方面，展示各种复杂关联，如人与人之间的关联，也包括时间、地点和其他事物之间的关联等。在教育技术领域中，这并不是一类常见的研究方法，但是也有学者认为该方法是一种非常符合构想未来的研究方法，能够讲述“不存在的故事”（Gerlach & Hamilton， 2003）。社会科幻小说可讲述在当代社会中与关键主题和思想相关的故事，能够体现时代特色和文化属性（Facer， 2011）。换言之，这样的方法并不是单纯对未来的幻想，而是根据现阶段发展情况做出推断，由此呈现矛盾冲突和辩论，为未来如何发展带来一定思考或借鉴（Graham， et al.， 2019）。Selwyn等人（2020）曾采用社会科幻小说的方法来探索2030年数字技术在澳大利亚一所高中（湖畔中学）的使用，以及这对人们而言意味着什么。Selwyn等通过五部关于湖畔中学生活的社会科幻小说“小片段”的共同建构，讨论了21世纪20年代学校数字化和数据化的发展趋势。未来场景规划和构建是未来学中常用的方法，《改变未来：预知21世纪》报告中第十二个案例“再思考亚太地区非正式教育的可持续发展”召集了40个相关领域专家想象未来教育的情境，通过多轮迭代和讨论重新思考教育（Miller， 2018）。这样的场景构建需要每一位专家对未来某一个阶段进行快照式的想象，并描述该场景，这与动态的电影画面不同，并不需要参与者担心这些场景如何出现，以及为什么出现，从而尽可能地为参与者提供无限想象的空间。

（三）未来预测内容分布

根據编码框架，本研究进一步对91篇研究论文和报告进行内容编码，借助ATLAS.ti7软件和可视化词云软件进行三重编码以萃取最终的未来研究预测内容和要素，建立编码之间的关联，进而对研究主题进行提炼。在浏览原始材料的过程中，初始形成11个开放编码节点。开放编码初始统计结果如表2所示。

根据对节点及文献的分析，可知关于未来学习预测的内容围绕技术与教育数据、知识与技能、学习过程与方法展开。

1. 未来学习

从已编码文献和关键词汇云可以看出，在未来学习中与学生相关的内容主要是未来学习方式和学习环境的描绘，学生在未来学习中更加自由，移动学习和无缝学习将进一步实现，这超越了学生与物理空间、学生与家庭、学生与老师等实体和虚拟的边界，未来学生与其他学生、领域专家、真实物理环境的交互也将更加频繁。在未来技术的帮助下，学生学习的方式将会借助思维导图等多种认知工具和各种通用的媒体捕获与编辑工具（Burden & Kearney， 2016），学生也会因此得到更加及时的学习反馈。未来也将更加注重过程性评价或是形成性评价。此外，在及时反馈的推动下，学生学习知识和技能的速度也会加快，学生开始学习一些具有难度的学习内容的年龄阶段将发生前移。与如今的学生相比，未来学生将提前掌握更多的知识与技能。

与教师相关的主要是课程和资源的设计、学生能力培养和评价方式等方面的内容。教师在未来学习中将进一步转变成为监督学习实践和提供学习理论的指导者（Airaksinen， et al.， 2017; Snoek， et al.， 2003），而不是站在讲台上授课。课程的设计将更加考虑真实情境与人才目标，教师培训将注重培训老师如何基于个性化学习指导方法设计课程材料，以设计符合个性化学习与教学要求的课程（OECD， 2020; Shaikh & Khoja， 2012）。学生不仅要学习知识与技能，还要注重问题解决、沟通、合作、和平解决冲突等方面能力的培养，以满足未来市场的需求。在多种技术和数据的支持下，教师和学生的沟通将不仅仅发生在课堂，多种云端交流形式也将会出现。对学生的评价方式也将发生改变，期末考试将会取消，学完即测成为新的评价方式。学生的学习进度将依据每个学生的学习能力而不同，这将进一步实现自定步调的学习形式。

2. 智能技术与教育数据

智能技术与数据驱动将增能与赋能未来学习，使其无限“逼近”个性化的因材施教。从AI打造的学习环境来看，在实体物理学习环境中将利用多种复杂的技术设备来监测学生实时的学习状况，为学习提供技术支持，如摄像头、可穿戴设备、学习分析技术等。一方面，适应性学习为学习者带来了未来因材施教的可能，但同时适应性变革所需的学习者画像、学习环境、学习内容和学习方式需要数据技术的突破。数据作为学习者学习过程的“留痕”载体，为个性化的、系统支持的适应性学习提供支持。打破传统教学的单一知识与技能掌握模式，学习者基于自身原有知识经验，借助适应性的技术系统和数据反馈，自我组织、自我选择学习过程，充分考虑个体的特征，打破传统学习的群体组织方式，将自己置于一个适应性的数字化学习环境中。

3. 未来知识与能力培养

未来的课程设计与课程资源进一步凸显综合能力和需求个性化，将依据学习者的人才需求和培养目标给学习者提供相应的知识和技能，不再统一传授完全一样的知识与技能，并且课程的设计更加注重终身学习的理念，更多考虑真实情境与人才目标。

未来的学习需要培养高阶能力来适应社会发展，这也是AI发展对于未来人才需求的影射（顾小清， 2021）。未来的能力培养和人才培养目标与需求更加注重思维、素养和问题解决、创造、沟通、适应、合作、危险处置等能力的培养，评价方式也随之更加多元化。2019年“千禧年”（The Millennium Project）项目对2050年未来教育进行预测，提取了93条行动计划和措施，包括未来教育的发展需要利用新的人工智能工具创建一个自主管理、自定步调和探究式的混合式学习系统，旨在培养创造力、批判性思维和沟通能力。未来，人工智能与人类的认知、社交和情感能力相结合，在及时反馈的推动下教育的目标将逐步从掌握专业技能和知识向掌握个人技能、社会技能、学习技能（OECD， 2019， 2020; Scott， 2015）转变。

4. 未来学习过程和方式

2019年，埃森哲在报告《人工智能技术驱动未来变革》中肯定了数据和人工智能的基本价值，即在于容纳和解决未来教学方式和学习方式的多变性和个性化。在未来技术的支持下，基于位置的学习、移动学习、基于真实情境的学习、无缝学习将得到发展，学习方式和学习环境将更加智能和个性化。首先，未来学校里的分工会更加明确，并行于教学职能的教师之外，还会有更为专业的学习和教学数据分析师、学生情感交流辅导者。教师的时间将被释放，在学习网络中扮演共同学习者的角色，并以团队的形式一起工作，承担监督和指导的任务（Snijders， 2018）。其次，动态的、无边界的学校将会打破传统知识传授的围界，利用网络空间随时随地传递知识，逐步模糊正式学习和非正式学习间的区分，利用AI技术推动学习空间、物理环境和学习资源的发展。未来还将出现人工智能学伴，陪伴和支持学习者在校内外开展学习（Luckin， 2016）。学校和教室等学习场所将发生变化，大学将依然存在，但是作用和地位有所降低，更加去学校化，将会出现许多学习中心，为学生提供线下学习场地，学习的地点将更加开放，向社会化过渡，学校内外将创建专用的空间，如博物馆、农场或动物园等，让学生可以随时进行学习与实验（Leahy， 2019）。

五、勾勒学习的未来图景

近年来，人工智能、大数据分析和深度学习、云计算等技术“井喷”式突破，促使智能技术在各个领域的运用不断深化，与之相应的面向信息化、网络化、数字化和智能化手段变革未来学习的研究也不断增多。通过对近10年的未来学习和教育的研究文献和报告进行分析，我们发现未来研究已经广泛用于各个学习阶段，并且AI技术和经济发展很大程度上影响了学习过程和环境，推动了知识内容和资源呈现方式的变革。从预测领域和内容来看，从单向媒体技术到虚拟和增强现实技术，从“死记硬背”知识到碎片化获取信息，从工厂化学习到差异化和个性化学习，从单一学科能力到综合素养，再到适应性的终身学习，未来学习在方方面面都将发生变化。本研究综合上述分析结论，从学习方式、能力培养和智能技术支持三个方面勾勒学习的未来图景。

（一）从线下的传统学习到混合式、个性化的大规模学习

一场新冠肺炎（COVID-19）疫情无疑深刻影响了我们传统学习的方式，凸显利用技术开展教学的必要性。正因如此，学习方式也“被迫”过渡到混合式的、规模化的学习，学生将有更多的机会在不同的时间、不同的地方学习。数字化学习工具也为远程自主学习提供了便利。目前视频电话、在线教科书和预先录制的讲座作为传统课堂的补充，弥补了黑板授课的不足。当下的变革大多存在于高等教育和非正式学习阶段，少见于幼儿园、K12阶段。未来学习将在更大程度上强调学习空间和资源的开放性、适应性和差异性。在未来，“免费”的学习机会随处可见，这或许标志着现有课程结构的衰落和学校制度的瓦解，知识成为社会性概念，知识产生于共享的经历。以智能技术支持的个性化学习有可能满足每一位学习者的需求，更是在体量上能够支持大规模学习者的个性化教与学过程。

从当前的班级制标准化教育到实现随时随处随需的个性化教育，“適应性”得以实现的程度取决于标准化课堂中教学关系的破坏创新程度。由于人工智能将被用于自动化生产过程，我们可能需要重塑现有的教育机构。2020年，Kaltura公司（全球开源视频公司）对1，400名教育工作者的调查结果显示，他们中大多数人表示未来的教室将采取以自定步调和个性化学习为中心的学习方式。未来学习将允许学生根据个人兴趣选择他们自己的学习节奏和学习目标，也可以由人工智能、智能辅学机器人等引导完成相关选择。AI将在教育领域识别学生知道什么或不知道什么，然后为每个学生推荐个性化的课程，也就是说，规模化的个性化学习有可能逐步开展。

（二）从单一学科知识的培养到综合能力的提升

随着人工智能的发展与融合，社会对人才的需求呈现出多元化趋势，而人才的综合素质与学生发展紧密相关。教育领域的知识观呈现由单一向综合发展的趋势，这一视角下的适应性学习也因此呈现由结构化知识掌握到综合素养发展的趋势。人工智能在教学和知识开发中的潜力将是无限的。未来知识的获取和掌握将是多元的和跨学科的。把知识和技能分开是不可能的，重要的是要认识到它们的区别及相互依存性。人工智能系统可以很容易地获取和处理知识，迅速地建立知识体系的大量表象，这些表象可以被用来帮助我们发展知识和学习事实。传统课堂中“题海战术”优化策略，旨在通过做题来评估、诊断学习者知识状态，以提高学习者在结构化知识点上的掌握水平，是适应性目标的下限，也意味着对单一知识的掌握。综合能力作为适应性学习的目标，对应于未来社会对人才全面发展的需求，将通过诊断学习者在拟真问题解决情境中的多模态行为数据评估其素养发展水平，并据此提供适合其认知发展及情感适应性的发展路径，是适应性目标的上限。

未来学习需要培养高阶技能适应未来社会发展的需求（顾小清， 2021）。在人工智能时代，社会对人才的需求呈现出多元化与精益化的发展趋势。现代社会是流动的、开放的、充满不确定性的，未来人类需要在更复杂的情境中完成更多非常规的认知任务，这就需要综合运用各类知识与技能，个体也将在技能、态度、情感与价值观等的养成与取向上接受考验。要建立人才培养与劳动力市场需求之间正向的反馈循环关系，逐步化解未来技能需求和能力培养差距的问题。

（三）从传统教学决策和场景到AI技术和数据驱动的适应性评价

实现大规模、公平化和个性化的学习是一直追求的目标，需要识别和发现学习者的个性特征。过去，由于缺乏获取和分析信息的手段与方法，数据是在周期性、阶段性的评估中获得，凸显的是群体水平，诠释的是宏观教育状况，缺乏对学习者的特点和个性差异的了解，无法为其提供支持性学习服务。而教育大数据具备数据量大、产生速度快、数据多样的特点，正好适应了个性化和人性化的学习变化，从而推进传统教学评价和决策走向依赖数据的精准评价和诊断。在大数据时代，教育过程中的一切行为都可以转化为教育大数据，数据的产生完全是过程性的，于是有可能去关注每一个个体学生的微观表现。有效、全面、精准的学习评价是构建适应性学习服务的前提条件。

人工智能技术和教育数据在教育服务提供和课程设计中有着不可低估的潜力和价值。随着数据的积累，人工智能在教育中的应用很可能会经过三个阶段直至成熟稳定。在第一阶段，学生数据收集不足将会限制机器学习，人工智能硬件成本仍然很高，学生将被限制使用原始的自适应学习工具，教师也只能主要根据他们的输入来获取内容，而且学生的数据也非常有限。在第二阶段，技术强化的教室为大规模人工智能应用奠定了基础。数据隐私政策和人工智能的进步将促进更全面地收集学生数据以改善教育，而不断下降的人工智能硬件成本将推动人工智能的广泛使用。教室将配备视频和音频采集设备、手写识别工具，并可能与现有的可穿戴技术相结合，以支持对学生和教师的行为和互动进行分析。因此，学生将获得更多由人工智能推荐的复杂作业和补充内容，以补充课堂学习，教师则可以利用更大的数据集以及实时分析，为学生创造更个性化的学习体验。在第三阶段，将建立起一个互联的教育平台提供相关服务，这将极大地改变学习体验。基于学生的数据和人工智能的强大基础，加上支持的技术进步，将进一步加速人工智能的使用。

综上所述，本研究通过对未来学习和未来教育的文献和报告进行梳理，对影响未来学习发展的因素进行理论构建，勾勒了从线下的传统学习到混合式的大规模学习、从单一学科知识到综合跨学科能力、从传统教学决策到数据驱动适应性诊断三个方向的学习未来图景，期望能够为我国研究者和实践者提供关于未来学习方向的参考和借鉴。也许，我们可能无法精准预测未来学习究竟会是什么样子，但是我们已经注意到AI正在提供助力。在后续的研究中，研究团队将继续关注未来研究方法论的应用，一方面从AI专家、教育管理和决策者、企业和一线教师的视角描绘未来学习图景，另一方面聚焦人工智能增能的学习场景，利用社会性研究方法探讨学什么、向谁学、如何学等具体问题。

[參考文献]

保罗·普林斯路，莎伦·斯莱德，默罕默德·哈利勒，肖俊洪. 2020. 生态系统观视角下的学习分析[J]. 中国远程教育，41（4）：1-11，76.

顾小清. 2018. 破坏性创新：技术如何改善教育生态[J]. 探索与争鸣：8，34-36.

顾小清. 2021. 当现实逼近想象：人工智能时代预见未来教育研究[J]. 开放教育研究，27（1）：04-12.

郭绍青. 2019. “互联网+教育”对教育理论发展的诉求[J]. 华东师范大学学报（教育科学版），37（4）：25-37.

蒋鑫，洪明. 2019. 从“NSTC规划”到“CSIS规划”：美国人工智能赋能教育的颠覆与创新[J]. 中国远程教育（7）：27-37.

李爽，李梦蕾，赵宏. 2020. 在线课程质量观和质量要素的质性研究——基于专家、实践者和学习者的视角[J]. 中国远程教育（3）：42-50，81.

迈克尔·桑基，肖俊洪. 2021. 构建技术促进学习生态：如何恰当搭配技术？[J]. 中国远程教育（3）：24-35，60，76-77.

孙永福，王礼恒，陆春华，等. 2018. 国内外颠覆性技术研究进展跟踪与研究方法总结[J]. 中国工程科学，20（6）：14-23.

Ahmad， T. （2019）. Scenario based approach to re-imagining future of higher education which prepares students for the future of work. Higher Education， Skills and Work-Based Learning， 10（1）， 217-238.

Airaksinen， T.， Halinen， I.， & Linturi， H. （2017）. Futuribles of learning 2030-Delphi supports the reform of the core curricula in Finland. European Journal of Futures Research， 5（1）， 2.

Burden， K.， & Kearney， M. （2016）. Future Scenarios for Mobile Science Learning. Research in Science Education， 46（2）， 287-308. doi：10.1007/s11165-016-9514-1

Campbell， R. J.， & Robinson， W. （2007）. Personalised learning： Ambiguities in theory and practice. British Journal of Educational Studies， （2）， 135.

Chrisinger， D. （2019）. The solution lies in education： Artificial intelligence & the skills gap. On the Horizon， 27（1）， 1-4.

Cox， A.M.， Pinfield， S. and Rutter， S. （2019）， “The intelligent library： Thought leaders views on the likely impact of artificial intelligence on academic libraries”， Library Hi Tech， 37（3）， pp. 418-435. https：//doi.org/10.1108/LHT-08-2018-0105

Decker， S. （2014， October 20）. Personalized learning： A working definition. Education Week. Retrieved November 24， 2020， from https：//www.edweek.org/ew/collections

de la Higuera， C. （2019）. A report about Education， Training Teachers and Learning Artificial Intelligence： Overview of key issues. Retrieved November 24， 2020， from http：//cdlh7.free.fr/UNESCO/Teaching_AI-cdlh.pdf

Ehlers， U. D. & Kellermann， S.A. （2019）. Future Skills： The future of learning and higher education. Karlsruhe. Retrieved November 23， 2020 from https：//www.learntechlib.org/p/208249/

Facer， K. （2011）. Learning futures： Education， technology and social change. Taylor & Francis.

Fullan， M. （2006）. The future of educational change： System thinkers in action. Journal of educational change， 7（3）， 113-122.

Gerlach， N.， & Hamilton， S. N. （2003）. Introduction： A history of social science fiction. Science Fiction Studies， 161-173.

Goksel， N.， & Bozkurt， A. （2019）. Artificial Intelligence in Education： Current Insights and Future Perspectives. In S. Sisman-Ugur， & G. Kurubacak （Eds.）， Handbook of Research on Learning in the Age of Transhumanism （pp. 224-236）. Hershey， PA： IGI Global

Goldin， C.， & Katz， L. F. （2008）. The race between education and technology. Cambridge， MA： Harvard University Press.

Graham， M.， Kitchin， R.， Mattern， S.， & Shaw， J. （Eds.）. （2019）. How to run a city like Amazon， and other fables. Meatspace Press.

Kumar， S. （2019）. Artificial intelligence divulges effective tactics of top management institutes of India. Benchmarking： An International Journal， 26（7）， 2188-2204.

Leahy， S. M.， Holland， C.， & Ward， F. （2019）. The digital frontier： Envisioning future technologies impact on the classroom. Futures， 113， 102422.

Luckin， R.， Holmes， W.， Griffiths， M. & Forcier， L.B. （2016）. Intelligence Unleashed： an argument for AI in Education. London： Pearson

Miller， R. （2018）. Sensing and making-sense of Futures Literacy： towards a Futures Literacy Framework （FLF）. In Transforming the Future （Open Access） （pp. 39-74）. Routledge.

OECD （2018）. The future of education and skills： Education 2030， The future we want. Paris： Author. Retrieved November 24， 2020， from https：//www.oecd.org/education/2030/E2030%20Position%20Paper%20（05.04.2018）.pdf

OECD （2019）. “Play！”， Trends Shaping Education Spotlights， No. 18， OECD Publishing， Paris. Retrieved November 24， 2020， from https：//dx.doi.org/10.1787/a4115284-en

OECD （2020）.Back to the Future of Education： Four OECD Scenarios for Schooling， Educational Research and Innovation， OECD Publishing， Paris， https：//doi.org/10.1787/178ef527-en

Partnership for 21st Century Skills. （2008）. Mission： Twenty First Century Children. Retrieved November 24， 2020， from http：//www.21stcenturyskills.org/index.php？option=com_content&task=view&id=188&It emid=110

Pedro， F.， Subosa， M.， Rivas， A.， & Valverde， P. （2019）. Artificial intelligence in education： Challenges and opportunities for sustainable development. Retrieved November 24， 2020， from http：//repositorio. minedu.gob.pe/bitstream/handle/MINEDU/6533/Artificial%20intelligence%20in%20education%20challenges%20and%20opportunities%20for%20sustainable%20development.pdf？sequence=1&isAllowed=y

Pellegrino， J. W. （2017）. Teaching， learning and assessing 21st century skills. in Pedagogical Knowledge and the Changing Nature of the Teaching Profession， OECD Publishing， Paris， http：//dx.doi.org/10.1787/ 9789264270695-12-en

Schleicher， A. （2019）. The Future of Education and Skills： Education 2030. Retrieved November 24， 2020， from https：//www.oecd.org/education/2030/E2030%20Position%20Paper%20（05.04.2018）.pdf

Scott， C. L.（2015）. The Futures of learning 2： what kind of learning for the 21st century？ Education， research and foresight： working papers. In.

Seldon， A. & Abidoye， O. （2018） The Fourth Education Revolution： Will Artificial Intelligence liberate or infantilize humanity？ The University of Buckingham Press.

Selwyn， N.， Pangrazio， L.， Nemorin， S.， & Perrotta， C. （2020）. What might the school of 2030 be like？ An exercise in social science fiction. Learning， Media and Technology， 45（1）， 90-106.

Shaikh， Z. A.， & Khoja， S. A. （2012）. Identifying measures to foster teachers competence for personal learning environment conceived teaching scenarios： a Delphi study. In Proceedings of the 13th annual conference on Information technology education （pp. 127-132）. ACM.

Singh， A. （2019）. AI： Next Gen Education a Step Ahead. Journal of Industrial Relationship， Corporate Governance & Management Explorer （e ISSN 2456-9461）， 2（3）， 55-57.

Snijders， D.， Duin， P.， Marchau， V.， & Doorn， G.V. （2018）. Scenarios for ICT-related Education： A Qualitative Meta-analysis. Journal of Futures Studies， 23， 13-28.

Snoek， M.， G. Baldwin， P. Cautreels， T. Enemaerke， V. Halstead， G. Hilton， T. Klemp， et al. （2003）. “Scenarios for the Future of Teacher Education in Europe.” European Journal of Teacher Education. 26（1）：21-36. doi：10.1080/0261976032000065616

The European Parliament and the Council of the European Union. （2006）. Recommendations of the European Parliament and of the Council of 18 December 2006 on Key Competences for Lifelong Learning （2006/962/EC） （Official Journal of the European Union. 30.12.2006）.

Wagner， T. （2012）. Creating innovators： The making of young people who will change the world. New York： Scribner.

Zhao. Y. （2019）. The Future of Education： 2030. In： Yu S.， Niemi H.， Mason J. （Eds） Shaping Future Schools with Digital Technology. Perspectives on Rethinking and Reforming Education. Springer， Singapore.

收稿日期：2020-11-30

定稿日期：2021-03-13

作者簡介：刘妍，博士后;胡碧皓，硕士研究生;顾小清，博士生导师，教授。华东师范大学教育信息技术学系（200062）。

责任编辑 郝 丹