智能时代高校创新人才培养的实然困境与应然转向

侯浩翔

摘要：创新人才培养是我国教育现代化的重要目标，但在高校培养实践中却有待改善，智能时代的到来更是给创新人才培养带来深层困境与转变趋向。该文基于素质模型理论视角，分析得出高校学生的创新人格培养、创造性思维生成、创新能力提升与创新知识建构可能遭遇的系统性危机;而借助于智能设备的数据收集与算法编辑、深度学习与神经网络模拟、人机交互与情感计算能力，将促使或迫使高校创新人才培养转向创造人格塑造、高阶创新思维提升、创新本体能力培育和学生创新主体知识建构，在此过程中，立德树人的根本任务始终处于先导性、全局性的关键地位。为此，需要教育行政主管部门构筑人工智能创新教育框架体系，引导高校探索人机协同的创新教学系统，促进教师德育方式改进和数据智慧提升，调动社会组织参与智能教育标准制定及创新氛围营造。

关键词：创新人才培养;立德树人;素质模型理论;人工智能;大数據

中图分类号：G434 文献标识码：A

创新人才培养是我国建设创新型国家的关键步骤，是实施科教兴国和人才强国战略的必然举措，但创新人才培养的欠缺已成为阻碍我国实施创新驱动发展战略的重要因素。审视我国高校人才培养实践，创新型人才培养体系的不完善严重影响了高校的内涵式发展，类似“钱学森之间”的人才培养问题仍未得到有效解决。在中国特色社会主义进入新时代的背景下，中共中央、国务院发布的《中国教育现代化2035》明确提出：“提升一流人才培养与创新能力”“利用现代技术加快推动人才培养模式改革”。伴随着云计算、大数据等技术逐步推广运用于教育领域，创新人才培养同样受到信息技术变革的深刻影响。人工智能作为新一代产业变革的核心驱动技术，在情感计算、深度学习以及智能决策等领域具有明显优势。2018年4月，教育部印发的《高等学校人工智能创新行动计划》倡导“全面落实立德树人根本任务，牢牢抓住提高人才培养能力这个核心点”“利用智能技术支撑人才培养模式的创新”。人工智能为高校创新人才培养方式的革新提供了诸多机遇，围绕立德树人的根本任务推动创新人才培养体系的系统变革，成为高等教育内涵式发展和高质量人才培养的关键路径。就其具体实现过程而言，更有必要探究何以理解高校创新人才的内涵与表征？由于传统培养方式的不适应，人工智能视阈下的创新型人才培养可能面临什么样的困境？人工智能在模拟专家决策系统、人机交互的情感理解与表达以及深度学习等领域的技术优势，将引导高校创新型人才培养转向何方？并在此基础上提出利用人工智能技术优化高校创新型人才培养的因应策略。

一、高校创新型人才的意涵与表征

在对创新型人才的认识上，参照美国心理学家麦克利兰（McClelland）的素质模型理论，将学生的创新品质划分为显性素质和隐性素质。麦克利兰提出的“冰山模型”（如下页图1所示），将水面下的潜在部分概括为人的价值观、道德品质、思想动机、情感等内在特性，对个体发展与人格塑造具有决定性作用;水面上的部分则涉及个人所拥有的知识、技能等显性品质，这些素质易于衡量和改变。从冰山上的水面部分到水下部分，个人素质的塑造及感知难易程度逐渐扩大，对人的综合品质的决定作用也愈加明显。在此基础上，博亚特兹（Boyatzis）提出素质的“洋葱模型”（如图2所示），类似地将知识、技能、社会角色界定为洋葱的外层部分，把难以培养与评价的个人态度、品质、动机等划分为内核部分，需要付诸更多的精力和资源加以养成。

在素质模型理论的基础上，将冰山沉没在水面下的部分及洋葱的内核部分，总结为深层次的人格特征、创造性思维、好奇心、求知欲等精神品质;冰山浮在水面上的部分和洋葱模型的外表部分，可以依次划分为创新型人才所必备的知识结构、创新能力表现。其他学者对于创新型人才的概念界定同样验证了这一分析结果，林崇德提出创新型人才实际上是创新思维与创新人格的统一体，具备了创新意识、创新能力、创新思维与创新精神四个方面，该分类方法侧重于创新过程的心理特征。廖志豪基于素质模型理论，采用实地调查方法建构创新人才素质模型，包括创新知识、创新思维、创新能力及创新品格四个要素，较为清晰地划分了创新人才必备的品质。由此将创新型人才概括为基于高校整体构筑的创新型人才培养目标，系统地囊括了学生创新人格养成、创新思维水平提升、创新能力转变、创造性知识建构等素质特征，其中创新人格品质的塑造对学生长期发展具有主导作用（如图3所示）。

这四个方面的特征成为高校创新型人才培养的重要抓手，是提升学生整体创新能力的关键维度。其一，创造性品格是创造力发展的动力和方位保证，反映了大学生对于现实事物的态度及行为方式上的稳定性，包括了主体创造意识及创造动机方面所体现出来的好奇心、问题质疑、顽强意志等精神要素。斯滕伯格（Sternberg）将人格特质列为创造力三维模型理论中的第三维度，包括了“有限的含糊容忍、努力克服障碍、内在动机驱使、坚韧不拔的意志、适度的冒险精神”等部分组成。在艰难的创新创造过程中，学生是否具备坚定的理想信念、能否不断提升个人的品德修养，使自身在思想认知和综合素质层面获得较大提升，遇到艰难险阻时能够以坚韧的意志来克服，成为衡量高校立德树人、培养优秀创新人才的首要标准;其二，创造性思维是一种可以提供新颖独特、并具有实践应用价值的思维综合系统。张晓芒进一步将其概括为通过不同思维方式的灵活转换与判定抉择，突破已有知识、经验及信息资源的局限性并加以重构，运用预测性、超前性思维模式来把握事物内部运作规律及本质特征。相较于一般性思维，创造性思维表现出思维方式和思维水平的深刻性;其三，创造能力侧重于创新活动参与过程中表现出来的行为技能，能够将创新意图转化为创造性产品的应用能力。在大学生创新能力组成要素体系中，既包括了卢伯特（Luburt）所列举的问题发现、问题明确、问题表征和相应策略的选择，也包括了由知识、经验及思维有机融合而延伸出来的洞察力、信息搜集能力等方面;其四，科学合理的知识结构是个体创新发展的前提，如同阿玛拜尔（Amabile）所提出的创造力外显理论，将一定的知识储备作为创新发展的前提。知识结构可以理解为个体知识的排列组合状况，通过对基础知识的摄取、加工、吸收及重新构造，最终形成层次分明、结构清晰的统一体。智能化的外在环境，凭借其大规模数据分析及算法合成等技术优势，逐步改变并重塑了教育生态，必然对创新人才培养的相关要素特征造成相当的外部压力。

二、人工智能背景下高校创新型人才培养的实然困境

从计算机领域的先驱图灵（A.M.Turing）率先开展的“图灵测试”，以及1956年召开的“达特茅斯夏季人工智能研究项目”中，约翰·麦卡锡（John McCarthy）等率先提出人工智能（Artificial Intelligence）的概念开始，人工智能研究历经六十多年的跌宕起伏，直到21世纪初人工智能在数据分析、认知科学以及深度学习等方面获得了快速发展，并对社会环境及学校教育教学产生重要影响。根据已有研究，人工智能可以划分为弱人工智能和强人工智能，弱人工智能的主要功能是记忆存储、图像识别或信息判断，满足人们一般化的智能辅助需求;强人工智能则进一步具备了自主学习和自适应调节能力，能够模仿人类的区分理解及独立感知等思想行为。结合新兴的技术进展，人工智能可以界定为以计算机自主决策、逻辑判断和感知分析为目标，借助于大规模数据分析、优化算法和高性能计算系统，使计算机在特定输入条件下开展学习认知和智能决策辅助等活动。以素质模型理论为引导，检视发现由于传统创新型人才培养在创新品格塑造、创新思维生成、创新能力培养、创新知识建构等方面的落后乃至不适应，面对人工智能技术如人机交互、神经网络、机器学习和专家系统的冲击，可能遭受系统性的创新人才培养危机。

（一）人机交互初具情感交互能力，致使学生创新人格塑造难以着手

个体创造性品格同样涵盖了动机、认知、意志等内部情感特征，这些因素不与直接的创造性知识加工、任务处理相衔接，却对主体的认知发展、情绪控制具有显著的促进或抑制作用，是创新型人才必备的品质。但人机交互所延展而来的情感计算，对检测到的情感状态用一种或多种生理或行为反应体现出来，已经具备了与特定教育用户展开深层次交流的能力。人機交互技术最初借助视频端口、声音传输、皮肤导体以及虚拟现实等传感系统，赋予计算机具备情感交互、理解表达与知识生成的能力;情感计算则在突破人机交互技术的基础之上，进一步将情感信号的识别、获取、分析、理解和表达作为主要功能，逐步使计算机在与人类交互过程中具有智能表现特征。与学生创新人格品质的塑造不同，情感计算乃至人工智能所秉持的“机器主导”“工具理性”、技术至上、效率优先等“生存条例”明显超出了人类道德伦理发展的界限，学生人格发展与道德培养逐渐被边缘化。因此，在人机交互、情感计算的发展情境之下，需要培养学生什么样的情感态度与价值观更值得深思。

（二）神经网络模拟人脑运作机理，替代学生创新性思维元素

创造性思维的生成过程是创新个体在先验知识和社会表象的观察理解上，借助于发散性思维、聚合性思维的有机融合，经过意向、感知、思维转换的加工处理所形成的思维观念及综合性认知。相较于人脑创造性思维的稀缺性及缓慢养成特征，人工神经网络表现出更强的适应能力，逐步用于信息过滤、信号处理、语音识别及机器视觉，并模拟人脑工作机制并处理疑难问题。人工神经网络是由人工神经元松散模拟生物神经网络及人脑机理的连接单元或节点集合，如同生物脑中的突触可以使人工神经元之间相互传递。与专家系统的规则输入不同，人工神经网络已经具备了较强的自主学习功能，依赖网络元件分布式的物理联系，可以自动地从知识信息数据库中总结规律，在处理非线性问题与定量定性问题等领域，均具有良好的适应处理能力。虽难以和人类创造性思维的跨时空联想及情感赋能等高阶思维相媲美，但随着技术的发展，人工神经网络能够代替多少人脑创造性思维元素？这就是当前需要提上议程的人才培养问题。

（三）机器学习信息加工处理性能卓著，消弭学生创造创新能力发挥

如前所述，问题导向的能力架构不仅涵盖了发现问题的专业素质，更重要的是具备解决复杂问题所需的创新技能。其中，敏锐的洞察能力可谓认识复杂问题的“门户”，能够促使创新主体排除纷繁复杂的外界干扰，对所需的知识信息加以整合重构，逐渐培养实现创新发展目标的创新技能。在知识信息洪流冲击的时代背景下，搜集信息能力的高低决定了创造主体的眼界，是其掌握专业内最新研究成果并运用于自身创新能力提升的关键变量。自从保罗·泽考斯基（Paul Zurkowski）首次提出信息素养的概念，时至今日已经演化为顺应大数据时代背景下的数据素养，一定程度上个人对数据的掌握及有效分析能力，代表了创新主体可支配资源和运用关键信息等方面的能力。但机器学习在信息处理与问题发现等方面的优势，足以消解个体创造性能力的运用发挥，创新主体能力的增长难以应付技术的飞速发展。机器学习围绕大量统计数据开展的模型架构及规则推理，起到预测数据、指导决策并最终解决复杂问题的作用。随着海量数据信息的激增，机器学习可以进一步聚焦于明晰数据分析规则与数据深度挖掘功能，自行模拟人类决策活动的分析技术。面对机器学习在理论、算法和应用方面的更新迭代，深度学习已成为大数据分析和人工智能研究领域的热点，具备了自主学习与建模推广能力，使其在问题发现、知识交互和决策管理中的语音识别、图像识别及自然语言处理等方面具有更多优势，进一步抵消了学生创造能力的发挥。

（四）专家系统知识处理效率倍增，削弱学生创新知识建构优势

采用现代认知理论对于知识的界定方法，可以将其归类为陈述性知识与程序性知识，其中陈述性知识代表了关于事物现象及本来面目的客观认识，是一种可以记忆和描述的“显性知识”，程序性知识则是可以借助思维及认知转换的反复操练所形成的“隐性知识”。拥有足够数量及质量的“显性知识”和“隐性知识”，可视为个体创造力发展的“素材”或“原料”。专家系统与知识结构处理具有一定程度的相似性，甚至在某些方面优于创新个体的知识储备速率。专家系统的具体应用逻辑涉及知识的有序输入与教育领域专家、工程师共同编辑决策规则，侧重于对客观显性知识和程序性知识的融合加工。值得关注的是，专家系统体现出结构性知识储备的权威性和高效能，知识工程师在充分汇总相关领域的专家学识前提下，利用便捷的知识获取途径和编辑工具，将知识转化为特定的表达形式存储于知识库中;相关用户则借助人机交互接口或数据采集系统，在整体知识系统中输入信息并获取问题咨询结果。因而无论是“显性知识”还是“隐性知识”，专家系统的输入存量及转换进度，都足以让传统的知识建构望其项背。

三、人工智能时代高校创新型人才培养的应然转向

在提升创新人才培养质量的进程中，适当的技术供应成为创新人才培养的重要支撑。人工智能所特有的智能信息收集与筛选、模糊任务自动识别及自适应感知能力，对高校创新型人才培养的转向提供了重要价值，素质模型理论视角下的创新人才培养体系得以建构（如图4所示）。

（一）剔除功利主義评价导向，将立德树人贯穿创新品质塑造的全过程

创造性品格特质可视为学生创造力发展的必要条件，即使大量研究证明创造性是一种灵感顿悟，但具有卓越成就的创造性人才无不承认创造能力的发挥更需要付出大量精力，如浓厚的科研创新兴趣、持之以恒的精神动力等内在品质。但长期以来，由于受到功利主义价值观的影响，学生创造性品质发展常常遭受挫败，功利化的培养方式没有更好的遵循创新型人才的成长规律，过分关注外显化的成就获取，忽视学生品德修养及创造性品格的养成。如课堂中的教学实验活动本为提升学生实践操作能力及好奇心、求知欲的重要途径，却存在验证教材已有理论而非探索性试验、程式化指导方式而非自由创造的问题。调查显示，高校中有近63.3%的学生从来没有参加过学术论坛或科技竞赛活动，接近四分之一的学生认为“学生参加科技竞赛的临时突击情况较多，注重归纳总结的较少”“学生参与科技竞赛缺乏持之以恒的意志品质也是其中的问题所在”。

在智能技术更新迭代的境况下，创新人格特质的培养弥足珍贵，更要将立德树人的根本任务贯穿于创新人才培养的全过程，实现全程育人、全方位育人。注重培养学生面对事物所展现出来的好奇心、敏感性、自信心、幽默、甘愿冒险、不畏艰难险阻等综合性品格特征。具体而言，需要增强学生综合素质，强调对学生创新能力、团队合作能力与实践操作技能的培养，引导学生树立正确的理想信念;好奇心与求知欲能够驱使学生产生“问题意识”，这种“问题意识”会使学生努力探索“为什么”，在寻求“为什么”的答案过程中与科学发明创造具有同等价值;自信心是学生个体保持创造精神的重要驱动力，体现了创新发展中的自我认可、自我评价等具备较高个体效能感的主观判断;坚韧不拔的意志能够使学生在创造性探索的道路上保持一贯的专注度，面对艰难险阻可以激发出锲而不舍、滴水穿石般的坚强意志。人工智能所取得的突破性进展，将倒逼创新人才培养方式的变革，价值观、兴趣、自信心、坚强意志等创新人格的培养变得更加迫切。高校必须从结果导向的创新人才培养方式转向学生创新人格的过程性培养。利用智能机器协助学生有效管理学习资源，成为学生学习助手，引导学生积极投入到创新实践活动中去。将繁重的重复性劳动交给机器，使学生有时间发展创新所必备的品德、好奇心、求知欲等人格特质，涵养性情，提升个人修养，成为一个全面发展的人。此外，在迎接人工智能所裹挟的人类生存危机、价值危机等伦理困境时，必须培养学生树立人类命运共同体的价值情怀，以人文主义价值关怀来克服“机器观”。

（二）摒弃线性思维“堆砌”，着力于学生高阶创新思维培养

在一般化的逻辑推理、理性分析逐步被人工智能所代替的背景下，高水平的思维能力培养必须成为高校创新人才培养的核心要素。布鲁姆（Bloom）依照认知的复杂程度，将其划分为低阶思维与高阶思维，低阶思维局限于认识过程中的理解、记忆和应用，高阶思维则扩展到对问题的剖析、联结与评价层面，具有高阶思维的学生可以将学习材料转化为系统联结、明确归类的知识体系。反观创新人才培养的教学、指导过程，对于讲授式教学方法仍过于倚重，指导方法中严重欠缺互动式、启发式、研讨式等创新方法。讲授式教学方法固然有助于在较短时间内辅助学生建构基本知识框架，培养学生的系统性思维及逻辑思考能力，却容易导致学生形成“只做顺向辩护，不能逆向反思;只能静态复制，不能动态生成;只能被动适应，不能主动建构”的简单线性思维，高阶思维中的质疑精神、批判精神、意义建构、创造性体验等无处下手，难以和求异思维、逆向思维、发散性思维等多元创新思维方式产生关联。

钟志贤认为高阶思维的首要标准在于信息处理方式的水平高低，包括识别可用信息、祛除谬误与“噪音”信息;分析信息背后的逻辑假设;结合中心观点推演信息原理。信息技术在教学领域的广泛应用，为学生有效信息获取提供了一定的技术手段，可以在学生认知发展和高阶思维培养等领域发挥更显著的效用。人工智能作为信息技术进步的“奇葩”，能够通过计算机识别系统为学生感知复杂环境的可用信息。智能识别机制能够自适应地识别外部环境变化，区分并处理相对模糊的自然语言，接收教育用户指令，利用知识信息库的启发式搜索与智能化的算法引导，能够使非线性的复杂信息建立在优先关系的逻辑运算之上。人工智能可以辅助师生获取及时的信息反馈与情境分析，并实现对线性化与非线性的数字、图表、视频、图像等信息的兼容处理，使学生的高阶思维发展获取充分的工具支持。人工神经网络所具备的较强自主学习能力，特别是阿尔法围棋（AlphaGo）在深度学习及多层神经网络方面的“卓越战绩”，要求我们必须从重复知识的机械训练转化为思维水平的锻炼提升，从单一、保守、确定的线性思维堆砌发展为高阶思维中的创造性批判培养，使大学生贯通内外部信息资源，对问题加以创造性地批判审视，达到解决问题并理解世界的目的。

（三）消减科层行政主导，回归学生创新本体能力培育

长期以来，高校组织机构在“一元制”权力支配体系和完全理性假设的制度基础上，衍生出经典的科层化组织结构，伴随着组织权威建立、行政规章制定以及非人格化成员特征塑造，形成精密协调、分工明晰的组织形态。但由于科层壁垒导致的沟通不畅、反应滞后、运作乏力等原因，也诱发了高校中普遍存在的行政化倾向。垂直单向的高校组织结构必然寻求相配套的成员管理方式、内部文化氛围等规则规范机制，学生培养也依附于整体的组织架构，受到政绩观“驱使”而被动地接受上级交付的任务，难以真正具备培养学生创新能力的主动性和积极性，

“高素质创新人才培养”只能成为虚设的组织目标。

在智能技术和高校组织行政化倾向的双重压力之下，学生创新能力培养何以为继？我们必须回归人本主义教育理念，认可学生在教育过程中的中心地位，尊重个体差异，着力于学生创造性能力的发展。如杜威（Dewey）所述，“将教育视为一个不断的连续的无止境的生长过程”“激发人终身发展的无限可能”;罗杰斯（Rogers）的人本主义学习理论同样将“人、人的尊严与自由置于核心地位”“生活的目的就是用你的人生去实现你所信仰的事情”，最终实现自我发展与社会价值。技术的蓬勃发展无疑将为学生创新能力培育创造更多的可能性，以算法和数据为技术支撑的人工智能，凭借其高性能的逻辑推理和自主决策能力，使得收集MOOC、在线学习系统的碎片化学生行为数据及学习轨迹效能提升。深度学习功能在较短时间内生成学习成果报告，在学习者和学习系统之间展开情境交互，并利用机器学习算法加以及时诊断和问题反馈，教师利用可视化工具观测个体学生的“学习画像”，为精细化指导与个性化能力培养提供技术支撑。威廉姆森（Williamson）在研究中提出利用皮尔逊教育公司生产的可视化数字交互式教育系统，配合学习曲线（Learning Curve）在线数据库的知识系统，借助学习分析（Learning Analytics）平台预测学生学习，数据化学习平台逐步成为针对性的学生创新能力培养中介。当个性化培养方式发展为创新人才能力培养的必要变量，针对每位学生因材施教，扬长避短，才能真正使拔尖创新人才“冒”出来。

（四）弱化理论知识灌输，强调学生创新主体知识建构

学生创新思维与创新能力生成必须建立在特定的知识建构基础上，这样的知识结构无不关涉布鲁贝克（Brubeck）所界定的“高深知识”，“忠实于真理，不仅要求绝对忠实于客观事实，而且会尽力做到理论简洁、解释有力、概念文雅、逻辑严谨”。随着专业界限的日渐清晰，学生创新发展所必需的知识结构逐渐细化为理论知识、实践知识、人文社科知识与科学文化知识，在学科交叉融合的背景下更加强调各类知识的碰撞激发。以此为基础的“通识教育”“学术前沿及交叉学科知识”成为创新人才培养内容的重要组成部分。但事与愿违的是，通识教育实施多年，始终处于专业课程训练的边缘，高校课程设置人员普遍将通识教育课视为拓展学生知识面的“副课”。在教学方法运用中过于注重知识讲授而忽视知识建构，以“理论灌输”代替学生对于知识的有效加工，偏离了通识教育的创新思维涵养及知识体系建构的初衷。学术前沿及交叉学科知识本为知识创造的“引爆点”，许多重大科技创新与学术成就均建立在知识的融合交叉边缘。可惜的是，高校在类似课程设计中并没有做到与最新科技进展相结合，普遍局限于理论知识讲授，课程教材内容落后于最新的科技发展水平。学生建构的知识网络陈旧且缺乏实际应用价值，何以担当科技创新、知识创造的重任？

斯卡达玛连（Scardamalia）等人认为，知识建构的目的不是为了让学生掌握更多的基础知识，知识创造应该成为学习任务的根本要求。在数据信息以指数级速度增长的境况下，记忆性知识完全可以交付给智能设备储存和查询，学生应该从海量的机械性知识中脱离出来，减轻低阶知识的负荷，将更多的精力放在知识的建构上。主体性的知识建构有助于认知主体内化外源知识，建构个性化、内在化的知识体系，成为大学生创新能力发展的本源。人工智能所具备的评估模拟、仿真技术等优势，为大学生主体知识建构创造了便利。人工智能以模型分析和深度学习的方式来理清知识信息的多层逻辑，发挥人工神经网络的分布信息存储与大规模并行处理功能，可以有效化解专家系统中有限知识库容的困境，特别是利用神经网络在处理线性问题及非线性问题领域的优势，模拟人脑的运作机理与智能处理效能，在实验操作中总结提炼决策方法。在应对外部环境挑战的过程中，进一步培养试错、联想、自适应与自组织性等方面的专长，对学生自主知识建构起到模拟与辅助的目的。

四、人工智能时代优化高校创新型人才培养的可取路径

人工智能背景下创新人才培养所面临的一系列困境与应然转向，有必要重新界定教育行政部门的治理权限，探索高校人机协同的创新教育系统，提升教师数据智慧与创新人格塑造能力，进一步引导社会组织参与创新人才标准制定及创新氛围的营造。

（一）创建人工智能创新教育框架体系，完善法律监督机制

人工智能技術在创新人才培养过程中的有效运用，离不开正式规则、程序与准则的法律规制，也需要维护正常培养体系运转的伦理辩护与道德支援。彼得斯（Peters）认为在制度的约束下，“可以延伸出预期的价值与规则性，也能进一步明确决策的适用范围，使参与者不会被无休止地转入组织运作机制中去”。一方面，教育主管部门有责任建立人工智能与创新教育深度融合的体系框架，包括智能教育的目标定位、发展策略与行业标准规范，打造智能化创新教育服务平台，明确人工智能技术与创新教育管理方式、组织架构、运转机制、评价督导等具体路径。鼓励高校开展智能教育示范基地，为创新人才培养创建良好的制度规范;另外，现有的人工智能技术在大数据挖掘处理的支撑下，通过对个人学习、行为、社交数据的整合分析，描绘出的学生“人格画像”给个人隐私保护带来极大风险。深度学习所拥有的自适应及自主决策能力，在外部操作支配下甚至可能做出超乎学习者认知范畴的损害性行为。参照欧美的“被遗忘权法案”“橡皮擦法案”，我国教育主管部门可设置事前备案、事中授权、事后惩戒的监督机制，即互联网公司在设计智能学习设备时，必须向信息监管部门备案，承诺该系统的算法编制及数据采集行为不会侵犯师生的隐私权益;事中授权则是要建立常态化的风险评估机制，授权给专业的监测部门对互联网公司团队的安全认证、资格审定进行系统化评估;事后惩戒是在智能设备出现侵犯师生隐私或合法权益时，监管部门要及时追究相关责任人是否存在窃取隐私等不法行为，进行事故问责和法律惩处，最终使学生在智能设备支持下的创新学习行为得到安全保障。

（二）探索人机协同的创新教育系统，优化高校数据结构

面对新一代人工智能技术的发展机遇，高校有必要发挥数据收集和智能技术研究的天然优势，变革创新人才培养方式，回归人本主义教育理念，保证学生的主体中心地位，健全学生的创新型人格。第一，高校可以借助传统人才培养方式重基础、偏技能的可取之处，整合情感分析、智能计算、神经网络等技术优势，探索创新人才培养与智能系统协同运作机制。大量的研究表明，当人类智慧和智能技术得以有效结合时，往往可以产生出更积极的教学效果。佐治亚理工学院（Georgia Institute of Technology）在面对学生网上提问繁多、传统授课方式难以应付的问题时，引进IBM开发的Jill Watson智能虚拟助教，经过海量的数据训练后，配合人工助教的及时审核，Jill已经能够达到97%的问题回答正确率，学生们一度认为Jill是一位助教老师。因此，借助人工智能设备的高效能问题处理方式，结合传统培养方式的有效指导，能够为学生提供更加个性化、即时性的学习反馈，真正聚焦于创新人才培养的关键素养与核心能力。第二，人工智能技术的正常运用，需要大量清洗后的数据作为支撑，推进校内数据的兼容性和衔接性成为必要步骤。高校可以推广使用兼容的数据信息管理系统，分门别类地统计师生相关信息，具体包括学生的学业成就、创新活动参与、日常行为表现、创新实践等方面的数据表现，实现对学生创新发展的综合评价。

（三）促进教师德育方式改进和数据智慧提升，成为学生创新创造的引领者

教师对于创新型人才培养具有显著的促进作用，当学生被施以创造性教学方法时，学生的创造性思维与能力均可以达到显著增长。人工智能对教师教学产生的深刻影响，要求教师必须转变传统的知识灌输与单向传授的教学角色，集中精力于创新人才的本体知识建构及高阶思维培养过程，真正成为学生创新的引领者。为适应创新型人才培养的智能化环境，教师需要在德育方式改进、数据智慧提升、引领学生创新方面具有更高程度的发展。首先，创新人才培养要求教师必须落实立德树人的根本任务，构建一体化的人才培养体系，并将思想政治工作贯穿到学科体系、教学体系、教材体系、管理体系当中。其次，利用智能设备开展针对性的学生指导，必须基于学生行为表现数据进行系统分析，包括数据的敏感性、加工处理能力及必备的数据隐私保护意识。因此教师的数据智慧可划分为数据意识、数据能力和数据伦理道德三个层面。数据意识是指具有起码的数据敏锐度，认可利用数据改善教学的价值;数据能力并不是指教师要掌握复杂的技术处理工作，而是指教师具有准确的数据定位能力、数据理解与数据解读能力、数据决策及反思能力;数据伦理道德即注重保护学生隐私数据，加强自我行为规范和伦理约束。最后，在“弱人工智能”技术逐渐成熟的背景下，重复且单调的教学任务完全可以交付给智能系统，教师应该付诸更多精力于培养学生的创新型人格，成为学生创新生涯的指导者、信仰与价值观的引导者。相较于创造创新道路中所遭遇的技术性难题，大学生面临的挫败感、懈怠、焦虑等情绪问题同样需要教师的安抚，教师通过对学生思想的疏导、情绪的慰藉更能保障他们创新探索活动的持久开展。

（四）引导社会组织参与智能教育标准制定，营造社会创新氛围

无论是柯尔伯格（Kohlberg）所提及的“社会影響对人的作用多少的问题”，还是谢弗勒（Scheffler）“自我意识与社会规范的统一性”，同样彰显了社会环境对于创造性人才培养的关键作用。在此过程中，社会组织的参与作用和营造良好的创新文化氛围成为社会应当承担的重要任务。社会组织与创新团体本应积极参与到创新人才标准制定、人工智能设备应用条例的谋划布局当中，却由于过于突出的行政依附性、顺从性而丧失应有的专业化功能。因此必须引导社会组织革除弊政，投身智能时代创新人才培养的应用技术研发、算法及数据使用的日常监督过程中，提升对创新人才培养的支持力度，并积极营造创新的文化氛围。社会创新文化氛围可以理解为学生所感受到外在环境对于个体创新的支持力度，包括了社会的政策支持、资源供应、创新团队构建等因素。就创新人才培养政策制定而言，必须最大程度地为学生创新提供便利条件，鼓励学生在智能环境中探索新知、发明创造;兼顾硬件设施与人力资源的支持作用，使学生在面临可支配资源的困境时，能得到及时的物质资本和社会资本供给。当整个社会逐渐认识到智能环境下创新人才培养的挑战与机遇，并合力营造良好的创新环境，祛除功利化教育理念的侵蚀作用，创新人才培养方式才可以真正步入正轨。