在线学习干预的新发展：从学习分析仪表盘到教育智能体*

胡水星 荆 洲

（湖州师范学院 教师教育学院，浙江湖州 313000）

近年来， 在线学习已成为各类学校或培训机构教育生态的重要构成元素，然而，教学监控管理程度下降、人人交互层次浅薄、情感激励程度下降与教学效果存疑等诸多问题，陆续浮出水面（张瑾，2016）。科学高效的学习干预有助于学习者深度思考， 促进协作学习与知识共建（Kaendler，et al.，2015），对于解决在线学习中持续度不强、流失率偏高等问题，有着举足轻重的意义（李锋，2019）。随着在线教育的快速发展， 教育者与学习者均对在线学习干预的智能化与人性化，提出了更高的期许。

在中国知网与万方等平台进行检索后发现，国内关于在线学习干预系统与工具相关的研究数量较少且不够深入。其中，李艳燕等人（2019）从在线协作学习干预的关注点、方式与对象三个维度，探索了学习分析工具对教师的影响并提出了干预工具的使用策略；樊敏生等人（2020）基于结构功能主义理论构建了数据驱动的学习干预系统， 从干预的目标、环境、反应和运行四个层面，阐述了干预系统的运行体系等。 上述研究具有启发意义， 但也暴露出诸多问题，比如，干预策略多局限于将传统课堂作为实验环境，干预应用以人工干预为核心构成，依托工具的智能化水平较低， 这些所带来的教育者负荷的反向增加，最终降低了其可推广性（张家华，等，2017）。 而且，已有研究多从微观层面提出建议或措施，也缺乏整体性与系统性方案（李彤彤，等，2016）。

针对当前在线学习干预领域的发展桎梏， 本研究在文献回顾的基础上， 对两种智能化程度与聚合水平较高的学习干预工具（学习分析仪表盘与教育智能体）进行了现状分析与特征比照，旨在阐明学习干预工具在消解时空壁垒、强化干预效果与提供社会支持等方面的应用机理与实践趋向， 最后提出基于教育智能体的在线学习干预发展建议。

一、在线学习干预的国内外研究现状

（一）在线学习干预的概念界定

在传统教学中， 学习干预囊括了对学习者具有指导与纠正作用的各类介入手段， 通常以教育者为核心干预载体，以学校为主要干预情境。在教育大数据与学习分析技术的助推下蓬勃发展的在线学习干预（Online Learning Intervention），相比于传统干预模式具有更大规模的干预范围、更个性化的干预路径与更全方位的干预应用等特征。 黄荣怀等人（2012）认为， 在线学习干预是一种为学习者创设能够感知学习情境、识别学习者特征的智慧学习环境，并且提供实时规划、监测与评估功能的教学活动。祝智庭等人（2016）认为，在线教学干预是实施精准教学的重要环节， 数据决策可遵循干预—反应 （Response to Intervention，RtI）模型进行逐层递进的循证干预措施。 结合已有相关研究， 本研究将在线学习干预定义为：为了针对性地解决学习者已有问题、改善学习效果或预防学习困境，学习平台协同学习相关者对学习主体采取多样化支持性策略和指导性帮助的一种综合活动。

（二）在线学习干预的研究综述

20 世纪末， 信息技术（Information Technology，IT）的不断进步催化了远程教育的蓬勃发展，在线学习干预渐次进入了教育研究者的眼界。 2000年，李维斯等人（Lewis，et al.，2000）在IBM 的管培规划中，发现在线学习干预的实施可有效优化学习者的行为， 进而提出了在线学习体系应加入具有个体适应性、广泛适用性与可观察性等特征的学习干预设计。随着智能技术的发展与融入， 在线学习干预的形态也经历了多次演变与跃迁，近年来，国内外的相关研究主要集中在以下四个方面：

1.在线学习干预的路径设计研究

在已有研究中， 在线学习干预路径的设计主要有干预内容和干预时机两个维度。在干预内容维度，德利夫雷等人（DeLievre，et al.，2006）认为，具备培养学习者良好协作能力的教育者， 在协作过程中会在认知、元认知、学习动机、秩序治理与学习者情感五个维度设计干预路径；李艳燕等人（2012）将在线学习划分为社交、社交调节、认知与认知调节四类干预路径。在干预时机维度，坎德勒等人（Kaendler，et al.，2015）将干预路径划分为三个阶段，一是干预者基于学情、人物特征与经验积累进行指导的开始阶段，二是干预者促进学生理解、发现学生困惑并解决问题的中间阶段，三是根据效果评估进行查漏补缺、课后辅助的结束阶段；范莱文等人（Van Leeuwen，et al.，2015）发现，学习者在一些阶段需要知识性讲解和逻辑梳理， 在另一些阶段需要外界协调与学习同伴的冲突，因此，干预者需要根据学习者所在阶段进行实时判断与调整。 虽然不同学者对于干预路径的设计方案有所不同，但普遍认为，基于经典学习理论进行的在线学习干预路径设计， 对于干预工具的研发与干预手段的抉择等，均有着系统性的指导作用。

2.在线学习干预工具的研发

在线学习干预工具的研发水平， 既是干预实现智能化与人性化发展的推动因素， 也是其进入各类学校或培训机构推广普及的限制因素。 国内外已有研究从干预工具的师生需求、模块设计、技术支撑与可视化形态设计等方面进行了阐述。 郑燕林等人（2015）采用问卷调查法，从认识维度、有用性维度与易用性维度三个方面， 分析了教师对学习分析工具的需求；牟智佳等人（2017）通过访谈教师对学习分析工具功能的需求， 总结出学习分析工具需呈现任务完成度、学习表现、学习参与度、学习行为四个方面的可视化图表。在洞察师生需求的基础上，瑞迪等人（Reddy，et al.，2021）根据数字素养提升所带来的挑战，构建了由媒体、信息、技术、计算机、视觉和通信素养构成的数字素养的框架， 并分别设计了基于游戏的学习干预模块。在干预工具的终端呈现方面，阿贝尔等人（Abel，et al.，2014）设计了教师干预学生协作过程的能力框架，包括协作设计、监控、支持、巩固和反思五个方面， 并以此为基础总结了干预工具的可视化形式； 科霍斯罗维等人 （Khosravi，et al.，2021）基于在线分析处理、数据挖掘和流程挖掘技术，提出了一种人工智能（Artificial Intelligence，AI）干预方案，帮助教育者识别、探索和选取适当的干预措施，并经由仪表盘完成指令呈现。

综上， 当前在线学习干预工具的研发已取得一定成果，但仍存在缺乏系统性、情感分析技术落后以及应用规模不足等问题，这些问题在国内更为显著。在国内教育数字化的转型过程中，应用AI、教育大数据分析与情感识别等技术的智慧在线学习干预工具，仍亟待探索与完善。

3.在线学习干预模型的建构研究

在线学习干预模型主要分为程序模型和结构模型两类， 通过数学逻辑流程图或结构链接图式的形式，表达干预过程的脉络与特征。 在国外研究中，卡拉拉尔等人（Karalar，et al.，2021）提出了一种基于机器学习算法的最佳集成模型，用于预防学业风险，并在高校中通过预测2000 余名学习者的多维度学业表现，验证了其监测督导效果。 在国内研究中，王改花等人（2019）基于决策树方法，对在线学习者行为与效果进行了预测， 并构建了基于教育大数据和学习分析的干预模型；舒莹等人（2019）基于朴素贝叶斯构建了精准预警模型，模型以机器环境识别、人工干预、积分机制和预警指标四个角度保障干预效果。

上述几类在线学习干预模型的质量较高， 其共同点在于他们的建构过程科学且集成性强， 技术与理念均与时俱进。但也存在两点问题：一是对于不同场景下的干预手段没有进行明确区分； 二是模型的构建多依托于成熟的技术链，而未对人工智能等前沿的教育技术实践进路与发展趋向，作出深入的探索。

4.在线学习干预的应用研究

在线学习干预的应用研究， 主要分为干预的实践效用探析和影响因素研究两个方向。 在应用实践方面，赵慧琼等人（2017）设计了在线学习干预模型并应用于Moodle 平台课程， 通过二元Logistic 回归分析法， 验证了其可行性与有效性； 张家华等人（2017）通过开展对照实验，发现应用适应性学习干预策略与措施的实验组，在规避学习风险的概率、学习者的自我效能感与课程满意度上均显著提升。 在影响因素的探索方面，维尔科娃（Vilkova，2021）在一项基于MOOC 平台的教学实验中发现，社会心理干预对于不同人口学变量存在干预效果的异质效应，比如，对于男性和年龄较大者的干预效果更为显著；埃德蒙兹等人（Edmunds，et al.，2021）以社区大学的1000 余名在校生作为干预对象，结果显示，得到干预的学习者的信心有所提升、辍学比例显著降低，且干预效果在高风险评级学生中更为显著。由此可见，在线学习干预的效果虽然客观存在， 但一方面受到系统设计与工具研发的制约， 另一方面也因不同的人口学变量、不同的干预手段等而造成明显的效果差异。 这启示着干预工具的智慧化与干预过程的适应性发展， 是提升在线学习干预应用水平的瓶颈所在。

（三）在线学习干预框架的构建

我们通过文献回顾， 发现在线学习干预主要由四个核心环节组成，即为什么干预、干预哪些内容、如何判断干预条件和如何落实干预措施。 基于已有的研究，重点参照王林丽等人（2016）对于在线学习预警模型的设计，本研究构建了由干预目的、内容、工具与呈现形式四个要素构成的在线学习干预框架，如图1 所示。

上述框架显示了在线学习干预的设计与工具的运行机制。首先，干预工具以学习效果和满意度为出发点，对学习者特征、诉求与学习场景加以判断与归类；其次，干预技术要保证数据的“全”和“细”，“全”体现在教育大数据的采集过程做到有意义数据的“应采尽采”，“细” 体现在数据引擎对于模块的分属过程，应充分考虑学习者差异与资源差异；最后，干预工具呈现形式的最优解是线上线下相结合的方式，既应丰富线上干预的可视化类型，也应有效发挥线下干预的高效性，为不同的学习风险合理划分层级。

二、基于学习分析仪表盘的在线学习干预现状及问题

近年来， 各国高校与其他教育科研机构争相参与研发功能聚合型的助学工具，比如，Desire2Learn机构开发的学生成功系统、可汗学院的学习仪表盘、普渡大学开发的课程信号系统等， 为学习者提供了学业规划、监测记录、实时评估与多样化干预等服务。 其中， 学习分析仪表盘 （Learning Analytics Dashboard，LAD）作为学习管理系统与可视化终端的结合产物，集成水平较高，吸引了国内外诸多教育者的目光。 由于LAD 和学习者画像、学习者成长档案等可视化学情监测工具，在目标、路径与信息呈递形式上存在相通之处，我们以LAD 为典型代表，阐述该类工具对于在线学习干预的支持。

（一）基于LAD 的在线学习干预研究现状

学习分析仪表盘又称学习者仪表盘、教学仪表盘等，是教育信息化时代的重要学习支持工具（张振虹，等，2014）。 它以学习者与学习空间为研究对象，以特定学习活动中的教育大数据为基础， 运用云计算与智能推荐算法等技术手段， 对学习全过程进行数据收集、数据分析、等级评估与可视化报告，为学习者反思与助学者实施干预提供了可靠证据（姜强，等，2017）。 LAD 的出现增加了教学管理方式的灵活性，保障了适应性学习干预的可行性，正逐步成为教育研究者们关注的焦点。 我们从该工具在学习干预过程的设计与应用两个方面，重点进行了文献分析。

1.基于LAD 的在线学习干预设计研究

国内外关于LAD 促进在线学习干预的设计研究主要分为两类。一是基于已有技术或平台进行应用设计，比如，麦克菲迪恩等人（Macfadyen，et al.，2010）阐述了应用LAD 识别学业风险、实时预警与干预的设计机制并验证了其可行性；陈然（2021）对英国开放大学OU Analyse 在线学习预警项目加以诠释， 详尽复盘了平台的采集分析数据过程、构建预警模型、可视化形式设计与干预策略制定等方面的成功经验。二是依据现有平台的缺陷提出改进设计方案，比如，格拉等人（Guerra，et al.，2020）发现拉丁美洲大学所使用的LAD 自适应水平较低， 据此提出了包含自适应目标、重难点时刻、协同者、交互四个要素的设计框架；萨弗苏等人（Safsouf，et al.，2021）在电子学习者成功评估模型基础上设计了TaBAT 工具， 该工具的干预环节包括平台登录通知、资源访问通知、社交参与提醒、课程未完成预警、测试与作业通知六个板块，补足了原有模型在人机交互层面的缺陷。

2.基于LAD 的在线学习干预应用研究

基于LAD 的在线学习干预应用的相关研究，主要有评价标准、影响因素与实证探究三个方面。 比如，帕克等人（Park，et al.，2020）在柯克帕特里克评价框架基础上，从视觉吸引力、易用性、感知有用性、学习者理解水平和行为变化五个层面， 制定了LAD的评估标准，并通过结构方程法验证了其科学性。尤瑟夫等人（Yousef，et al.，2021）以创设“开放课程实验室”的形式，对320 名大学生进行调查后发现，行为分析仪表盘与认知分析仪表盘在学业监测与调节中均对学习效果产生了正向作用。其中，前者显著增强了学生表现优势，后者在促进自我反思与目标达成方面更有优势。 韩俊云等人（Han，et al.，2020）通过实验法验证了LAD 在协作学习中具有三方面的干预作用：一是有效改进了团队流程，使意见发表更加均衡；二是增强了学习的活动交互，评论数量与网络密度显著增加；三是有助于书面论点结构的合理化，进而提高测试评级。

综上所述， 国内外学者通过实证探究， 为基于LAD 的在线学习干预的科学性与可行性提供了实践支撑，并贡献了诸多具有建设性的提议。 然而，当前基于LAD 的干预应用研究数量与质量均低于技术研发预期，应用层次尚未达到融合创新阶段，国外的优秀应用案例，比如，英国开放大学OU Analyse 在线学习预警项目等， 尚未在国内院校引起充分重视与大规模的借鉴推广。

（二）基于LAD 的在线学习干预困境

国内外诸多研究对LAD 在促进感知有用性、一致性与提升学业理解程度等方面给予了肯定， 认可其在改善学习者自我监控与反思、增强内驱力等方面的实际效用， 但也提出了该工具面临的巨大挑战与潜在风险，具体如下：

（1）基于LAD 的在线学习干预，较难促进元认知的发生。 曼查等人（Matcha，et al.，2020）在文献综述中回顾了学习干预领域的大量实证研究， 发现在LAD 的系统设计中普遍缺少成熟的学习理论支撑，许多LAD 对于数据的可视化呈现，常常以课次的阶段性而非实时性来呈现；更为重要的是，干预机制多基于结构化数据， 对非结构化数据的重视程度不够且分析能力较弱， 致使其对学习者行为差异解释性不强，最终导致学习者知其然不知其所以然。 因此，干预工具对于元认知的促进作用十分有限。

（2）基于LAD 的在线学习干预缺乏对人机协同的有效支持。 施文迪曼等人 （Schwendimann，et al.，2017）认为，仪表盘缺乏横向对比与纵向评估，多数LAD 的数据来源为用户活动日志而忽略了教育者评估的价值；库宁等人（Keuning，et al.，2021）对荷兰初等学校中广泛使用LAD 的实际效果予以了质疑，并在实证研究中发现， 经验不足或未受培训的教师可能无法在该助学工具中获益， 致使干预效果未达到学习者的理想预期。

（3）基于LAD 的在线学习干预的情绪调节功能亟待完善。 瓦勒等人（Valle，et al.，2021）发现，LAD会造成计算焦虑与统计数据消极情绪， 认为干预工具针对初始焦虑水平较高的学习者应做出改变，如突出宣传任务主观价值或调节干预措施等； 尤瑟夫等人（Yousef，et al.，2021）也表示，LAD 缺乏自我评估机制，在干预过程中，当学习者出现学习困惑甚至是学习危机时，工具应当设置合理的反馈渠道，优化情绪调节模块的功能。

三、在线学习干预的变革：从学习分析仪表盘到教育智能体

（一）人工智能助推在线学习干预变革

2019年3月，联合国教科文组织在《教育中的人工智能： 可持续发展的挑战与机遇》（Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development）报告中指出，人工智能可以增强教育公平性、包容性，促进个性化发展，培养面向未来的学习者。人工智能技术的纵深发展，已成为引领教育产业变革的核心驱动力之一， 而新冠疫情防控带来的教育形式变迁， 进一步激发了其影响广度与深度（谢幼如，等，2021）。 人工智能以其有效促进人机协同、跨界融合、群智开放与深度学习等优势， 催化着教育尤其是在线学习领域的链式效应与加速跃迁。对于在线教育生态变革而言，人工智能驱动的进化方向主要有三方面的特征：

一是“三全”型学习空间的建立。 线上与线下的全方位学习、助学功能的全层次、动态评估的全流程是智慧学习空间的主要标志，教育大数据、物联网与区块链等技术为弥合学习空间边界、丰富物理空间要素等提供了有效支持， 学习空间的决策能力与反思能力得到了极大增强。二是人机协同程度的加深。从教学决策、教学干预到教学评价，学习者、教育者与平台的作用不再是各司其职，而是互助互促。三是在线助学工具的人性化进阶。 教学代理等工具的前进路向，是既能从认知过程出发，调节推送内容、呈现形式、自适应路径与学习支持服务，也能感知学习者心态与表情变化，培树学习者自信心、激发其学习兴趣、增强其成就感，贯彻“以人为本”的教育理念。

近年来，在人工智能等技术的推动下，计算机辅助 教学（Computer Aided Instruction，CAI）由智能导师系统、超媒体教学系统和智能学习机器人等形态，逐渐成型并进化到当下的教育智能体等新样态。 教育智能体借助终端平台中功能高度聚合的虚拟角色，帮助学习者完成技能培训、导航指引、教学辅助、学业激励与情感反馈等助学任务， 为在线学习过程中学习者注意力分散、交互层次浅、学业成就感低等问题，提供了解决方案。

（二）基于教育智能体的在线学习干预研究现状

教育智能体 （Pedagogical Agent，PA）的模式理念，源于斯金纳（B. F. Skinner）所提出的程序教学原理和构造的程序教学机，20 世纪70年代的智能导师系统是其早期的迭代雏形。 根据该领域先驱学者罗斯（Hayes-Roth，1995）对于PA 的特征描绘，PA 可定义为学习系统中负责动态觉察学习环境、分析与归纳学习者信息、根据需求主动或被动做出助学行为的虚拟助学角色，如图2 所示（刘智，等，2019）。

在当前的国内外研究中，PA 由导师形象延伸出陪伴者、鼓励者、监督者、评价者等多重形象，从线性程序反馈走向文字、语音、视频与动作等多元交互，从认知层次拓展到社会文化层次，从引导新知、答疑解惑的定位，丰富至可与学习者建立情感纽带、激发其内在驱动力的多元取向（徐振国，等，2021），PA 在迭代中迸发出勃勃生机。

本研究对2012年至今十年内国内外文献进行了检索，主题为教育智能体或教学代理，期刊限定为教育领域，检索日期截止至2022年3月。 检索后发现，CSSCI 来源期刊中的相关研究有47 篇，Web of Science 核心合集数据库中相关研究有553 篇。 与国外研究相比，国内研究数量相对较少，且存在技术转化程度低、应用推广案例少等问题。国内外相关研究内容， 主要包括教育智能体辅助学习干预的理论基础、技术支撑、模式设计与效果探究等四个方面。

在PA 的理论基础方面， 卡斯特罗—阿隆索等人（Castro-Alonso，et al.，2021）在一项多媒体教学代理的元分析研究中，分析了认知负荷理论、多媒体学习的认知理论、社会代理理论对PA 的支持作用，发现多媒体教学代理可提高学习成效，且多数2D 代理比3D 代理更有效； 李文静等人 （Li，et al.，2021）认为，PA 的助学机制符合社会能动性理论， 并通过测量学习期间的学生大脑皮质活动实验证明了该设想； 也有学者基于建构主义的基本原则创设虚拟学习环境等（Martín-Cuadrado，et al.，2021）。

在PA 的技术支撑方面，在第34 届国际先进人工智能协会（Association for the Advancement of Artificial Intelligence，AAAI）年会中， 研究者们解释了PA 的模型结构、决策路径和自适应算法等，并从自我量化、情感计算、情感设计和教学代理等角度，展望了技术整合与突破方向（Tulli， 2020）。

在PA 的模式设计与应用方面， 刘清堂等人（2019）对近年来国外29 篇实证研究文献进行了内容分析，归纳了PA 在功能取向、设计思路、学习者特征与环境四个方面的促学实效， 研究发现：PA 可以增强学习动机， 尤其是手势引导可有效帮助学习者合理分配学习资源，降低学习负荷；但对于学习者的情绪调节作用并不明显，且种族、性别与学习意愿等学习者特征作为自变量时，结果无显著差异。

综上所述，教育智能体正依托于IT 产业迅速提升其适用范围与智慧化程度， 为在线学习干预的脱胎换骨，创设了广阔的想象空间。 但是，基于PA 的人机协同干预程序算法研究、系统架构研究与应用实证研究仍然匮乏。 例如，基于PA 的工具干预机制是否合理？ PA 的内部认知引擎与情感引擎如何设计？虚拟角色呈现选取二维还是三维？角色形象选取拟人还是拟物？诸如此类，不同自变量所带来的工具中介效用差异也亟待探索，PA 技术从研发创新走向推广与普及依然道阻且长。

（三）基于教育智能体的在线学习干预框架

张家华等人（2017）在RtI 模式基础上构建了在线学习干预模型， 制定了筛查—监测—决策—干预—分析为核心要素的逻辑流程，并借助Moodle 平台验证其在提高资源访问频率、讨论回复数量和客观题测试成绩等方面的有效性。在此基础上，本研究设计了基于PA 的在线学习干预框架，如图3 所示，进而通过对比明晰由PA 主导或参与协助的在线学习干预的优势。

在基于PA 的在线学习干预框架中， 单次干预流程可以分为四个阶段：

第一是伴随式数据采集阶段。PA 角色根据实际场景确定形象，在终端通过平台输入、语音识别、情绪识别等采集数据，进而判断学习者困惑、预测学习危机并生成问题事件。

第二是问题归类与方案制定阶段。 平台将生成的问题依照领域模型归类， 溯源对应的知识点与模块资源库，依据学习者问题的场景、类型、量化等级等指标，在可视化图表、即时消息通知、社会支持服务、学习资源推荐、学业建议规划推荐和学习相关者交互六类干预策略中，选取适切性最高的选项，具体见表1。 PA 系统沿最优路径调取问题链所匹配的干预策略链，结合教师决策与协助，形成该问题的干预策略。

表1 基于PA 的在线学习干预核心要素的对应关系

第三为适应性学习干预的实施阶段。 对于存在学习困惑与危机的学习者， 采取的干预策略主要有三类：一是PA 干预，主要应用于知识理解与识记类问题；二是助学者干预，主要应用于学习驱动力弱、情绪低落或抵抗学习类问题， 以及风险量化等级较高的学情；三是人机协同干预，主要应用于需要多方介入的综合类问题。

第四为效果分析与自我调节阶段。 经过干预之后， 一方面需要诊断学习者认知能力与学习水平，鉴定此次学习困惑或危机处理的有效性；另一方面通过面部识别或行为传感器记录情绪变化，鉴定此次干预的可持续性，并作为PA 自我调节的基石。 若干预无效或造成情绪困扰，则由助学者协助系统调整干预策略与推荐机制，最终形成人在回路的闭环系统。

（四）教育智能体相比于学习分析仪表盘的优势分析

我们通过上述文献回顾与特征归纳， 发现LAD主要立足于“呈现”而非“决策”，因此，多数研究落脚于以发送邮件、在线消息提醒为主的“弱干预”手段，并不能满足当前国内教育领域，尤其是重结果的学校教育领域的实际需求。PA 作为人工智能、学习分析技术与教育大数据等的结合产物，干预活动更加丰富也更加人性化， 有利于降低在线学习过程中的无助感，帮助跨越低监督学习环境下普遍存在的本源性障碍，最终提升学生的学习成就。 主要有以下几方面优势：

1.干预时空的全覆盖

LAD 对于学习者认知过程某一维度的可视化呈现，具有阶段性、片面性的桎梏，且干预渠道以网络空间为主，干预强度较难调节。 PA 则贯穿了学习策略制定、学习方法选取、学习资源呈现与学习评价反馈等环节，沟通渠道为真实与虚拟的双空间融合，突破了学习过程的时空限制， 加速了学习空间的扁平化进程。在空间方面，除了手机APP，PA 可以携带于智能手表、手环、笔记本电脑、实验室设备等多终端上，进而实现情境模拟仿真，将传递式学习干预转化为体验式学习干预。在时间方面，PA 通过传感器、智能手表、VR/AR 等辅助设备进行数据收集， 数据反馈由阶段性变更为实时性， 且小组干预和个体干预得到增强， 学习者情绪的个体差异得到重视。 帕克（Park，2015）在实证研究中发现，当PA 提供更为详尽的学习资源相关的内容解释时， 无论是语音还是文字形式的补充说明， 学习者的测试结果均存在显著的提升。 PA 相比于LAD 在干预时空层面的优势，显著增强了干预工具的科学性与易用性。

2.干预过程的适切性

LAD 依据的干预策略制定大多基于群体画像分层，对于学习者自定步调的学习缺乏收集反馈渠道，故而在干预时机方面，基于LAD 的干预以形成性与终结性评价为主。 而PA 受益于其技术优势，在研判发展趋势、预测学习危机等方面的成熟度更高，“不治已病治未病”的理念得以践行。 在干预角色方面，PA 的适切性体现在角色形象能够根据其对学情的研判而适应性调整，以“导学者”“助学者”“伴学者”“督学者”等形象适时呈现。 比如，当PA 的角色为导学者时，它可以通过视听觉干预或肢体动作干预，引导学习者将注意力聚焦于关键的学习内容中， 或根据学习者的偏好或倦怠程度改变知识的呈现方式；当PA 的角色为伴学者时， 可以根据学习者表现给予夸赞或安慰，帮助其激发成就感或树立信心、坚定学习意志。在干预指令方面，仪表盘多以扁平化的二维视觉呈现评估，借助在线消息发出指令，可能会导致学习者的遗漏与轻视， 而PA 多样化的信号传递形式可以提升传递效率。 施耐德等人（Schneider，2022）在教学实验中发现，PA 的手势与面部表情一致时会提升仿真效果， 其指引作用可以有效提升学习便利性。此外，教育智能体既可以根据外部刺激或环境变化被动执行指令， 也可以根据学习者内设目标主动采取动作， 适应性学习干预在PA 的支持下得以实行。

3.干预形态的人性化

在线下教学中，师生、生生之间的社会交互对于帮助学习者调节情感状态、增强内在驱动力等具有重要价值。 学生需要的是有情感、有温度的知识导师、求学伴侣，在线学习中单一的指标计算、水平划分，反而常常恶化焦虑情绪。 因此，模拟真实情境、形成仿真助学角色形象是PA 相比于LAD 在学习干预领域的一大跨越。 马克兰斯基等人（Makransky，et al.，2018）在一项VR 教学实验中发现，针对学习者性别差异做出自适应学习干预调整的PA，可以带来情感增益；Line 公司旗下的Gatebox 系统通过混合传感器辨别人类表情与声音并分析主人情绪状态， 进而通过虚拟角色为使用者提供社会情感支持。 PA 还原现实学习情境、延伸与拓展学习资源呈递形式的过程，也是持续加强与学习者的社会联系纽带、降低在线学习带来的疏离感的过程，有助于缓解学习焦虑与失落情绪，使得认知过程更加贴近自然、贴近真实。

四、基于教育智能体的在线学习干预发展建议

（一）构建多元的物理学习空间

基于PA 的在线学习干预，建立在可以智能感知与深度融通的物理学习空间之上， 以成体系的教育智能产品为基本落脚点， 依托多重技术的有效汇聚与协同实现干预水平的优化。 PA 在不同学习情境中的干预目的、干预设计、干预主体、干预手段各有不同，因此，打造学校/培训机构—家庭—场馆—户外等组成的多元学习场域， 为助学工具提供底层技术支持，成为了PA 发展的根基。 北京师范大学王一岩等人（2021a）也提出，实现“人—机—物—环境”的泛在感知和智能互联是教育产品设计的归宿。

我们应建立的物理学习空间， 应从多样化的数据采集与信息推送两个维度，保障干预的效用。在数据采集方面，应融通多元学习情境，为教室、图书馆、自习室、家庭、户外等常见学习场所，配备相应的PA终端。以居家在线学习为例，可为学习者配置皮肤电手套、压力鼠标、面部识别摄像头、姿势传感座椅等传感器设备， 采集学习者的认知状态与情绪波动数据。在信息推送方面，在线学习干预应当根据实际需要，设定多档干预强度和多样化的干预路径。 比如，学习者若出现迟到、走神、未及时答题等，可给予电脑端消息提醒等弱干预； 若未按计划开始学习任务或延误重要讲座、直播课程等，可给予腕带震动、手机响铃等中等干预； 若出现明显学习障碍或学习中断，应考虑通过导师、助学者、学习同伴等渠道为学习者提供社会支持，实现强干预。只有建立完备的物理学习空间、达成多源异构数据的连通共享之后，人人干预与人机干预才能协同发挥价值。

（二）研探多模态的情绪识别技术

情绪作为一种关键的内隐式学习特征， 对于学习者的学业持续、效率保持和学习韧性而言举足轻重，社会情感支持的缺席，易导致学习者的学业倦怠与目标迷茫，甚至埋下心理健康的隐患。 然而，当前助学工具对认知数据的采集远成熟于情绪数据的采集，这既是初期研发者关注点的选择使然，也是受技术水平的限制。

基于PA 的情绪干预技术探索，应在两个方面着重发力：一是增强情绪的识别精准度。 首先，PA 系统通过学习空间的基础设施采集真实学习情境里学习者的表情、动作、语言、皮肤电、心跳等数据，构建多模态符号表征体系；其次，系统通过计算机视觉、生物识别、自然语言处理等技术，铺设人机之间的多模态信息感知通道，发出基于PA 的情绪干预指令；最后，学习系统基于随机森林（Random Forest）、支持向量机（SVM）、朴素贝叶斯（Naive Bayesian）等多模态机器学习算法，建构多模态学习者情感模型，深入挖掘学习者情感的形成机理，调整适应性情感模型，实现基于PA 的情感干预的元分析（王一岩，等，2021b）。 二是提升学习者的情绪反馈意愿。学习者情绪变化受学习情境、任务练习与认知紧迫感等多方面的作用，较难实时规划适应性干预路径。基于此，PA 应设置明显的情绪在线反馈入口，引导学习者上传与更新个人情绪状态，实时记录负面情绪，促成人机之间的主动情绪关联，最终形成人机协同形态的“教学相长”。

（三）培育学习相关者的数据素养

数据素养按其内涵， 可分为互有交集的四个要素：涉及专业知识的陈述型数据认知，理解其结论与用途的概要型数据认知， 知晓数据处理过程与操作技能的过程型数据认知， 明晰知识应用情境与方法的策略型数据认知（惠恭健，等，2021）。 学习者及其助学者或学习同伴的数据素养， 与在线学习干预的效果存在正相关， 为最大程度发挥PA 类助学工具的优势，应推动建立数据素养的培养体系，加速该能力的进阶。

学习活动相关者的数据素养培育， 可以从培育理念、建立标准与丰富途径三个方面着手。 首先，应宣传PA 的使用者自己参与管理数据的理念，提倡个体从数据的接受者转变为数据的管理者， 在目标设定与数据逻辑探析过程中提升素养水平。 其次，应建立科学且统一的数据解释标准。 数据本身并无意义，其被收集、归类、对比与分析之后才具备价值，而平台或教育管理者应对数据的层次划分与意义作出明确解读与指导，消除学习者的工具使用障碍。 最后，应丰富数据素养培养的实施路径，比如，对于学习者而言有资源录播、网络研修等专项培训，对于导学者如教师、培训导师等有各省市建立的继续教育网或名师工作室等研修空间等等。 学习活动相关者的数据素养的提升，有利于把基于PA 等工具的在线学习干预落到实处，推动人机协同到达更高的契合点。

诚然， 人工智能为在线学习的赋能催生了更智慧、更便捷的干预工具，人机交互也变得更真实、更有人情味，但新兴技术从IT 领域移植到教育领域仍需时间。许多电商领域、制造业领域逐渐成熟的智能代理工具，在教育领域仍是研发探索的初期阶段。比如， 在手表、VR 设备等移动终端上如何嵌套PA 程序，拟人化形象的手势、身体动作如何与教学融合，如何组织PA 工具的应用培训等等， 均有待教育工作者对其进一步开展理论与实证研究。 只有技术转化过程的桎梏得以完全冲破， 才能真正地开拓PA类助学工具的应用领域，才能为强化在线学习监管、智能化处理学习危机、完善自适应预警机制等议题，呈递出新的解决方案，助推在线学习在高效性、适应性与人性化等方面更上一层楼。