教育人工智能的下一步

杨晓哲 任友群

摘要：人工智能的发展备受瞩目，而在教育领域中的研究与应用仍属刚刚起步。不少教育人工智能的研究与应用方兴未艾。该研究进一步定位教育人工智能的内涵，架构其技术框架，并指出八个教育人工智能的应用场景，分别是智能辅导、微格教学、自适应学习、沉浸学习、自动测评、课堂评价、数据决策、智能治理。从而提出教育人工智能的下一步推进策略：抓住关键应用场景，促进智能赋能;提升全员信息素养，促进教学创新;兼顾短期长远结合，促进多方协同;开好信息技术课程，建设教师队伍。研究为教育人工智能的下一步发展提出技术框架，应用场景与推进策略的建议。

关键词：教育人工智能;人工智能;应用场景

中图分类号：G434

文献标识码：A

近些年来，人工智能在教育领域中的应用是一个被广泛热议的话题。2016年，美国在《人工智能研发战略规划》中指出，人工智能技术将进一步促进个性化学习[1]。2018年，日本发布了《人工智能战略草案》，全面推进培养日本中学生的数字素养和人工智能专业人才。2019年，美国国家科学基金会进一步发布了《人工智能研究院建设计划》，重点支持“智能教育”等六个方面[2]。2020年，欧盟委员会发布了《人工智能白皮书》旨在为“塑造欧洲数字未来”提出新的战略方向。我国也高度关注教育领域中的人工智能应用。国务院于2017年印发了《新一代人工智能发展规划》，指出“发展智能教育，利用智能技术加快推动人才培养模式、教学方法改革”[3]。五部委于2020年联合发布了《国家新一代人工智能标准体系建设指南》，进一步指出了人工智能在教育领域的主要方向与标准[4]。

教育人工智能指向人工智能在教育领域的应用与研究。尽管各方高度关注与重视，但客观来说，教育人工智能依旧鲜有突破。如何进一步定位教育人工智能的内涵与价值，建构教育人工智能的技术框架，抓住关键的应用场景，找准有效的推进策略，正是下一步发展的关键。

一、何为教育人工智能

人工智能作为一个新兴领域，通常来说，是指通过计算机模拟、产生、拓展人类的智能。人工智能的实现离不开对智能产生机理的元认知[5]。人工智能發展的过程中不断融入了信息论、控制论、神经生理学等相关学科领域的最新发展。人工智能历经三个重要的发展阶段，分别是符号主义、行为主义和连接主义[6]。符号主义是基于基本的符号与逻辑推理。行为主义主要采取强化学习等模型，在感知与控制中不断修正。而近十年来，随着算力的提升、数据的丰富，广泛采用的连接主义则更多地通过卷积神经网络和循环神经网络建立起自然语言处理、计算机视觉、模式识别等人工智能感知功能。

随着人工智能的发展，学者开始将人工智能分为三大类：弱人工智能，强人工智能，超人工智能[7]。弱人工智能是指那些擅长于单个方面的人工智能。比如战胜人类世界围棋冠军的人工智能AlphaGo也只是弱人工智能。虽然，AlphaGo会下围棋，但无法跨领域完成其他任务。而强人工智能，则是具备一定跨领域的智能，也就是说强人工智能具有一种宽泛的心智能力，能够对不同领域进行分析问题、解决问题，以及自我学习。进而有学者提出，超人工智能，并将其定义为在绝大多数领域中超越了人类智慧的总和，具备通用智能与社交能力，能够在不同智能体之间展开协作。尽管当前的人工智能在某些方面已经初步显现出“智能”的表征，但几乎所有的人工智能仍然属于弱人工智能[8]。短期内，我们还难以实现强人工智能或超人工智能，这也是教育领域内应用人工智能需要考量的定位。

国内外研究者围绕人工智能在教育中的应用展开论述。人工智能教学应用研究可以追溯到程序性教学机器[9]。在后续的发展中，逐步形成了智能导学、自动测评、智能代理等领域实践[10]。教育人工智能应聚焦于利用人工智能与教育过程深度融合，实现1+1>2的成效[11]。艾休克·戈尔（Ashock Goel）认为，人工智能可以代替教师回答学生们的问题。这种新的交互方式在线上课堂中采用，大多数学生甚至都没有察觉异样。杨现民等认为教育人工智能主要有三个方面：面向特殊人群的补偿性教育，针对常规性业务的替代式教育，服务个性发展的适应性教育[12]。余胜泉认为人工智能在教育中的应用不应高估也不应低看，要重在探索人工智能在教育场景中所扮演的教师角色[13]。闫志明等则认为，利用人工智能技术能够更加微观、更加系统、更加全面地揭示学习发生的机理，进而为学习创造新的方式与条件[14]。

根据前期研究与学者观点分析，笔者认为，人工智能在教育中的融合将从表面地辅助教与学的过程到重构教育系统。这就需要将人工智能更加深度地与学习科学、心理学、社会学、神经科学、教育学、教育技术等进行交融。在用人工智能重新表征学校内外教育教学的过程中，将促进开发者、研究者、管理者、教育者、学习者重新理解教育中的诸多要素，并反思背后的逻辑与机理。笔者认为，教育人工智能是运用人工智能技术，以全过程大数据作为基础，以机器学习等算法模型进行分析、模拟、预测与判断，构建自适应学习环境，形成人机耦合的教学生态，发现学习发生机理，为学习者创造新型学习条件，促进现代化教育智能治理。

二、教育人工智能的技术框架

结合教育人工智能的内涵与定位，构建整体的技术框架有助于人工智能在教育领域内的系统建构与应用研究。杨现民等认为：教育人工智能的技术框架应包含教育数据层、算法层、感知层、认知层、教育应用层[15]。根据前期的研究分析，笔者进一步构建了教育人工智能的技术框架（如图1所示），包含四个层面，分别是：基础层、感知层、认知层、应用层。

（一）基础层

技术框架中位于最底部的是基础层，其包含数据、算法、算力三个主体。人工智能的发展离不开这三大基础要素。大数据被形象地称之为人工智能的“数据燃料”。人工智能在教育领域内的应用离不开教育大数据，离不开对数据的采集、整合以及进一步结构化的过程。表面上看教育的数据并不稀缺，既有学生个人信息数据、教师学校基础数据、教学过程性数据，以及教育管理行政数据。但是，教育数据稂莠不齐，错综复杂，离散分离。没有基础层对数据进行统一规范与对接，将难以“喂养”给人工智能系统。算法是人工智能最为核心的组成部分。在算法部分，已有不少算法模型可以直接采用与优化。采用机器学习、深度学习等领域内的算法，结合有效且多维度的数据，加之算力支持，共同构成教育人工智能的基础层。

（二）感知层

感知层让机器具备了像人一样的“五官”功能。该层涉及文字识别、语音识别、图像识别、影像识别等。通过感知层，使得系统能够对文字、语音、图像、视频等信息进行分析。例如，基于语音转文字技术，就能够对课堂中的语音进行文字转写，形成一种课堂做笔记的新方式。又比如，在智能手机上阅读电子图书，通过前置摄像头基于图像识别技术，可以采集与分析阅读者的面部，从而能够建立起文字段落与阅读者面部的关联。总之，这些分类的感知专项为后续的认知层与应用层提供重要发展前提。

（三）认知层

认知层是建立在感知层之上的架构，包含了自然语言处理、知识图谱、用户画像等。有别于感知层对某种数字化载体类型的识别，认知层则是更进一步的推理、诠释与理解。如果说感知层是看得到、听得到，那么认知层就是看得懂、听明白、能理解。认知层在教育领域内往往会整合教育的客观与主观经验。例如，对课堂教师提问进行分析。通过感知层可以对教师的话语进行语音转文字，在此基础上通过自然语言处理判断出哪些句子是教师的提问语句。再进一步结合教育大数据与专家评价标准，确定教师提问中哪些是有效问题，哪些是无效问题，并进一步划分课堂中问题的类型。认知层不是一个孤立的技术处理过程，而是结合教育的深度解析过程。

（四）应用层

教育人工智能的最顶层为教育应用层。当前的人工智能仍然属于弱人工智能，特别是在面对教育如此复杂的真实情境应用时，人工智能短期内还难以实现跨越多个教育场景的效果，形成教育中通用的人工智能。因此，明确教育人工智能的应用场景至关重要。笔者认为可以将教育应用层分为四大类，分别是教学、学习、评价、治理。在教学分类中，人工智能一方面充当智能教师角色，开展个性化智能导学;另一方面反过来对教师教学与教师教育提供智能指导与反馈。在学习分类中，人工智能侧重对于学生学习过程的支持，并结合新兴技术，构建人机耦合的新型学习环境。在评价分类中，一方面侧重于对于学习结果的自动化評价，另一方面关注课堂学习过程中的全方面多模态评价。在治理分类中，更关注教育管理者应用人工智能技术进行教育决策与动态智能治理。因此，四大类中典型应用场景分别是智能辅导、微格教学、自适应学习、沉浸学习、自动测评、课堂评价、数据决策、智能治理这8个方面。笔者将在下一部分进一步展开论述。

三、教育人工智能的应用场景

近五年来，随着人工智能逐步赋能各行各业，教育领域内逐步从“人工智能+教育”转向“教育+人工智能”的深度尝试与探索。这不仅代表着先后次序，更重要的是从教育的价值、目标、愿景、使命感与定位出发，结合具体场景，深入应用人工智能，释放其在教育上的效益。以下列举了八个目前已经有初步应用的教育人工智能场景，需要指出的是每个场景中教师、学生、管理者、技术人员都在扮演各自本来角色的同时，扮演着学习者或指导者的角色。

（一）智能辅导

早在20世纪70年代，智能导学系统（Intelligence Teaching System，ITS）就备受关注。智能导学系统在教学中扮演着引导学生学习的重要功能。早期的智能导学系统关注新手型学习者与专家型学习者的差异，并由此在重点环节中进行学习干预与引导。近些年来，随着人工智能技术的介入，智能导学系统借鉴了智能客服机器人的新形式，转为教育领域中的智能答疑。智能辅导在面向学习者学习的过程中，能够根据学习者提问进行语音识别，进而自然语言处理，并模拟人类导师风格进行人机对话等多种形式的自动化反馈。随着智能终端的普及、移动学习的兴起，智能辅导更多以一种线上教育中的虚拟形态出现。例如，利用人工智能自然语言处理系统进一步开发的智能写作助手，其扮演了学习者写作过程中的智能辅导角色。在建立亿级作文语料库的基础上，对作文进行不同水平的分级，并通过专家进行模型修正，能够针对学习者的文段逻辑、语段连贯、用词准确等给出辅导建议。从而，根据学习者的反馈再完善整体模型。

再比如，某智能钢琴AI系统，将人工智能系统嵌入实体钢琴中，并通过互联网实时同步数据。学生弹奏时，钢琴AI系统会自动判断弹奏的力度、旋律，以及节奏是否正确。通过大数据累计与人工智能分析，针对新手型学习者经常出现的错误关键点给予提醒。这种线上与线下互通的方式，使得智能辅导仿佛就在身边，如影随形。

（二）微格教学

在人工智能应用于教学方面，除了直接扮演起人工智能教师角色，同时也能够反过来促进教师的专业成长。特别是在教师职业培训中提供诸多智能反馈与指导建议。微格教学是一种利用现代化教学技术手段来培训师范生和在职教师教学技能的系统方法。微格教学实际上是提供一个练习环境，使日常复杂的课堂教学得以精简化，并能使练习者获得大量的反馈意见。从极其复杂多变的课堂教学中抽离出来，恰恰能够更加充分地结合人工智能技术，对教师教学给予更多可控制、有针对性、可操作性的指导。

在微格教室中，加装音视频采集装置，以及眼动仪、脑电波等设备，从而在技术架构中的基础层获取更多数据。在微格教室中能够更加准确地采集声音，进行语义分析;并能够更加高清地捕捉图像画面，进行表情识别与动作分析;加之其他数据类型结合算法的应用，使得人工智能在典型的微格教室中可以深入地展开微观与系统的教师教学模拟分析。在微格的主控室中可以看到多个微格教室的过程性数据反馈结果与智能分析报告，有助于其他同行教师或专家进行基于数据采集点与人工智能反馈结果的点评、指导与教研。

（三）自适应学习

一直以来，教育者一直寻求某种方式，能够根据学习者的已有经验和水平，推送有效的学习资源以及适恰的学习路径，从而提高学习效率，促进学习者个性化发展。基于机器学习的算法，研究者进一步尝试以学习者为中心的学习系统，广泛采用知识图谱，构建学习者画像，为学习者学习提供精准化、个人化的学习资源、学习诊断，以及学习反馈。

例如，ALEKS自适应学习系统，为学习者提供一种个性化的学习方式，能够根据学习者自身的进度进行调整[16]。系统会尽可能地找出适合学习者的学习材料，帮助学习者在课程中自定步调地展开学习。ALEKS系统最早从数学内容起步，逐步在基础算术之外，加入了代数、几何、统计学、微积分等板块，并进一步覆盖化学、物理、会计学等科目。ALEKS最为鲜明的特点在于能够在短时间内进行精准的学生学习起点评估。系统内部具有完整的知识图谱，并构建起每个知识节点的对应题库。题库一开始由教研团队设计，之后采用机器学习算法，不断对题目进行演化变形，最终形成理论上无限的题库，为有效地诊断学习者学习情况提供了有力支撑。

通过分析已有的自适应学习系统，诸如ALEKS系统、Knewton系统、可汗学院等，其整体架构设计如图2所示。大多数自适应学习系统采用知识图谱作为重要切入口，来表征知识的网络复杂结构关系，并配套对应的题库与学习资源[17]。当学习者进入自适应学习系统之后，通过自身的学习就能够进一步形成个人的知识图谱情况，并于此诊断出个人的能力模型，进而结合背景信息与学习风格习惯形成学习者画像。与此同时，大量学习者进入学习系统学习，也会反过来迭代与修正系统的总知识图谱。在群体的不断贡献与迭代中，每一个学习者既是用户，也是系统学习过程数据的贡献者，最终形成更加适合每个人的大规模个性化学习体系。

（四）沉浸学习

近些年来，虚拟现实技术取得了进一步的发展。无论是虚拟互动场景构建，还是用户配套沉浸虚拟现实的头盔进入到拟真场景中，都为学习者创建了一个更加直观、更加多样、更加丰富的学习场景[18]。基于沉浸虚拟学习环境，通过人工智能技术，能够充分利用虚拟现实中对学习者过程性数据的全面采集与记录，进行无感测评与反馈，还能够模拟大量个性化交互，从而构建一个面向个体的智能学习空间[19]。

例如：AI虚拟现实博物馆。每个学习者戴上沉浸虚拟现实头盔之后，人工智能系统会根据学习者之前的偏好和经验，引导其参观符合自身兴趣的展品。不仅如此，在具体进行博物馆游览参观的时候，会根据学习者的年龄段、已有的相关知识调整解说的词汇量、难度等细节。还能够通过人工智能模拟其他参观者陪同学习者参观博物馆，并与之进行对话交流。

（五）自动测评

计算机更擅长处理大量明确规则的事件，并且不会倦怠，无需休息。自动测评运用于教育评价领域将节省教师大量批改作业与试卷的时间。将教师从大量重复性工作中解放出来，关注于评价的设计，以及后续面对面的交流与反馈。结合人工智能技术，自动测评不再局限于客观题的指定判定，还能够针对一些主观题给出评分。运用自然语言处理，结合专家评价标准的综合模型，通过大数据训练，能够对诸如语文作文等主观性更强的题目进行测评。再比如，美国教育考试服务中心，早在2006年起就采用语音识别技术与自然语言处理，对考生托福口语考试中的发育准确度、词汇量、语法正确性进行自动判定[20]。

不仅如此，结合一定的可穿戴设备与仪器，自动测评也开始运用于体育考试，在其他学科也逐步尝试应用。例如：在物理、化学、生物实验操作考试中也开始能够通过人工智能系统进行评分。上海教委组织下，启动了探索初中物理、化学、生物中考考试的人工智能自动赋分。在不改变学生实验环境与实验器材的情况下，主要通过主侧多个摄像头，动态采集学生实验过程视频数据。在定义关键考评点，结合大量学生实验视频的分段训练下，能够对考生进行的特定实验进行自动化赋分。

（六）课堂评价

课堂依旧是教育教学发生的主要时空。但是，课堂又是极其复杂的教育空间。课堂中学生如何学习始终是一个“黑箱”。某种程度上，即使依靠大量的人力也难以进行大规模课堂观察与评估。故而，采用图像识别、语音识别、语义识别等对课堂进行分析，是人工智能在教育领域内应用的主要方向之一。华东师范大学课程与教学研究所团队对多模态课堂分析进行了试验性探索。多模态课堂分析是对课堂中的语音、图像、视频、空间、姿态以及多模态数据进行采集与分析，全方位追踪课堂轨迹，采用人工智能技术，提取与解析课堂多维度数据，进而实现智能诊断与智能反馈的一体化课堂教学与研究。

通过人工智能技术能够采集并分析出一系列课堂细化采集点，诸如学生举手次数、教师提问次数、学生回答次数、教师表情、学生表情等。但是这些细化的技术采集与分析结果，过于碎片化，如果没有有效整合与重组处理，难以形成有意义的课堂评价，反而容易陷入课堂监控与过度反馈。因此，人工智能技术运用于课堂评价，需要在尊重数据安全与信息伦理的同时，从细化的技术指标采集到整合的专项分析，从而能够对课堂评价与教学教研产生实质性价值。

（七）数据决策

从教育治理的视角切入，人工智能有助于教育部门建立数据中台，基于人工智能分析后的有关信息进行数据决策。不少地区的教育主管部门纷纷搭建平台，形成区/校/班/学生四级协同数据同步，建立区域内教学大数据基础，通过标准化数据管理和完整教学数据积淀为教育决策提供科学依据和有效支撑。教育大数据的全面采集，包括学生层面、学校层面、家庭层面、区域层面，从而通过机器学习等人工智能算法，能够构建学校发展画像分析、区域教育发展趋势预测、教师专业发展路径分析等。

（八）教育治理

以往的教育治理某种程度上很难连接起社会需求、技术发展变量，以及政治、经济、人文等相关因素。而在人工智能时代，教育治理不再仅限于教育系统的内部数据，从而进一步打破了教育数据壁垒。教育数据能够联通“城市大脑”，使得教育领域与社会、经济、科技、文化等领域协同，从而实现数字化、智能化、动态化、生态化。随着智慧城市的发展，智慧医疗、智慧交通、智慧生活将逐步与教育体系融通，教育治理也能够在動态中更好地融入智慧城市的整体建设中。

四、教育人工智能的推进策略

教育人工智能是一個跨学科、跨部门、跨体系的新兴探索领域。纵然我们鼓励自下而上的积极探索，但教育人工智能的推进策略，仍需更多地采取双向赋能策略，兼顾至上而下与至下而上相结合，兼顾教育主体与企业政府相辅相成，兼顾前瞻研发与实际应用顾全平衡。

（一）抓住关键应用场景，促进智能赋能

目前，人工智能的特性本身在于更擅长实现明确规则与目标的任务。因此，抓住核心的应用场景，才能够在深度融合中单点优化，挖掘并实现实际价值。应用场景的实现离不开教育信息化。教育信息化是教育人工智能的底盘。没有教育信息化，也就没有教育人工智能，也就没有教育现代化。在教育信息化2.0中所提出的以数据为基础、以体验为中心、以智能为导向也正是教育人工智能的发展方向[21]。抓住教育教学过程中的教学、学习、评价与治理四大方面，八个应用场景，重点突破，以点带面，促进人工智能对教育的实质性效益。

（二）提升全员信息素养，促进教学创新

人工智能在教育领域中的研究与应用，离不开教育管理者、教师，以及学生的信息素养提升。教育管理者要有信息意识，能够基于数据展开决策判断，能够基于一定的人工智能算法预测模型制定政策。对于教师而言，人工智能并非要取代教师，而是重新分配与部署教师的专业角色与定位，从而实现教育现代化的新生态。技术不会取代教师，但技术会淘汰那些完全不运用技术的自我封闭群体。在新的“教育+人工智能”的发展机遇中，我们应更多地鼓励因地制宜，试探性地探索人机耦合的教学工作场景，避免教师进行大量重复的工作，提升机器智能与教学智慧的全方面整合。

对于数字化原住民的新一代学生来说，大量人工智能的应用并不新鲜，他们甚至会觉得人机对话、智能分析、自动评分、个性化推荐等人工智能应用稀松平常。虽然学生们非常熟悉也更加乐于结合人工智能的方式展开学习，但是学生的信息素养决定了他们应用人工智能展开学习的深度与广度。学生们需要提升在人工智能与数字化环境中自主、协作、探究的信息素养。学生能够对学习资源进行选择与判断，能够自主对学习材料进行再加工与整理，能够将人工智能视为学习伙伴甚至是学习共同体[22]。他们既不全听从于人工智能算法判定的结果，也不拒绝使用，而是在人机协调中综合判断，形成数字化学习与创新能力，提升信息素养[23]。

（三）兼顾短期长远结合，促进多方协同

教育人工智能本身就是一个跨界融合范畴。难以仅仅通过个别学校、个别教育者，甚至个别技术团队的努力实现重大进展，必然是一个需要高度整合的产业与事业。注重顶层设计，建立有效机制，确定具体明确的技术路线，联合政府、学校、企业等诸多方面必不可少。相关的教育部门要统筹协调，提供平台、条件、资源和环境，协调培训、教研、研究、信息化等部门，共同推进教育人工智能。

各方需要理清角色定位，避免各自独立研发，导致过度零起点开发与资源浪费。应该说教育专家和企业部门合作，是一种不可避免的跨界合作，双方各自优势明显，但关注点往往差异较大。专家更关注学术研究成果，企业则更关注投入与收益比，关注产生的经济效益。故而，双方需要相互理解，达成共识。因此，多方在相互协作中才能共同发展，取得教育人工智能的相关突破。与此同时，教育人工智能非常容易陷入巨大的效益陷阱中，被某种机械化的应试教育，卷入错误的方向。辩证看待与处理各方诉求，以学生发展为中心尤为重要。

（四）开好信息技术课程，建设教师队伍

随着人工智能在教育领域应用的不断深入，开设好信息技术等相关课程是持续性深入的关键。学生们不仅能够在小学、初中、高中的信息技术相关课程学习中提升信息素养，还能够掌握人工智能的相关知识与技能，奠定学生们面向人工智能时代的终身学习能力[24]。2017年全国高中信息技术课程标准出台，在必修与选择性必修板块中均凸显了人工智能学习模块[25]。目前，正在修订的义务教育阶段信息科技课程标准也将进一步加入人工智能与现代社会等相关课程模块。于此同时，信息技术课程的开设离不开广大信息技术教师，培养与建设信息技术教师专业队伍。这批教师也将是整个学校开展人工智能进一步应用的骨干力量。

五、总结与展望

从互联网到人工智能，每一次重大的新兴技术变革，都给各行各业带来思维转变的挑战与融合创新的机遇。教育人工智能的下一步发展，不仅仅是人工智能技术本身的进阶突破，而是以教育全过程大数据为基础，建构教育人工智能的技术架构，在具体的应用场景中形成实际性效益，从而构建自适应的学习环境、人机耦合的教学生态、现代化的教育治理。教育人工智能的下一步发展越来越离不开行之有效的顶层机制设计，离不开师生的信息素养提升。在具体可行的重要路线引领下，各方力量的协作投入，在小规模多试的过程中，教育人工智能逐步走向大规模部署的新阶段。

参考文献：

[1] National Science and Technology CounciI.The National Artificial Intelligence Research and Development Strategic plan [EB/OL].https：// www.nitrd.gov/puhs/nationaLai_rd_strategic_plan.pdf，2020-10-09.

[2]王正青，但金凤.人工智能技术在美国学校教学中的应用领域与推进策略[J].比较教育研究，2020，42（6）：43 -49.

[3]国务院（2017）.国务院关于印发新一代人工智能发展规划的通知fEB/OL].http：//www.gov.cn/zhengce/zhengceku/2017-07/20/content 5211996.htm.2018-01-25.

[4]国家标准化管理委员会（2020）.国家新一代人工智能标准体系建设指南[EB/OL].http：//www.gov. cn/zhengce/zhengceku/2020-08/09/content 5533454.htm.2020-07-27.

[5] Gonzalez-Calero J A，Arnau D.et al.lntensive scaffolding in an intelligent tutoring system for the learning of algebraic word prohlem solving[J].British Joumal of Educational Technology，2015，46（6）：1189-1200.

[6] Minsky M L，Singh P，et aI.The St. Thomas common sense symposium：designing architectures for human-level intelligence[J].AI Magazine，2004，25（2）：113-125.

[7] Wikipedia.Artificial intelligence [DB/OL].https：//en.wikipedia.org/wiki/Artificial_intelligence.2017-04-23.

[8]莫宏偉.强人工智能与弱人工智能的伦理问题思考[J].科学与社会，2018，8（1）：14-24.

[9][15] Borko.H.Artificial-intelligence And Expert Systems Research And Their Possihle Impact On Information-science Education [J].Education for Information，2017，3 （2）： 103-1 14.

[10]袁利平，陈川南.美国人工智能战略中的教育蓝图——基于三份国家级人工智能战略的文本分析[J].比较教育研究，20207（2）：9-15.

[11]张坤颖，张家年.人工智能教育应用与研究中的新区、误区、盲区与禁区[J].远程教育杂志，2017，35 （5）：54-63.

[12]杨现民，张昊等.教育人工智能的发展难题与突破路径[J].现代远程教育研究，2018，（3）：30-38.

[13]余胜泉.人工智能教师的未来角色[J].开放教育研究，2018，24（1）：16-28.

[14]闫志明，唐夏夏等.教育人工智能（EAI）的内涵，关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志，2017，35（1）：26-35.

[16]王硕烁，马玉慧.国外典型自适应学习平台的基本框架及其关键技术分析[J].开放学习研究，2018，23（1）：48-54.

[17]蒋鑫，朱红艳等.美国“教育中的人工智能”研究：回溯与评析[J].中国远程教育，2020，（2）：9-20+48.

[18] Yang Xiaozhe.Lin L.et aI.Which EEG feedback works better for creativity performance in immersive virtual reality：The reminder or encouraging feedback？ [J].Computers in Human Behavior，2019.99（10）：345-351.

[19]杨晓哲，任友群.虚拟现实与脑电联动系统的开发及其教育研究功能探索[J].远程教育杂志，2019，37（1）：47-54.

[20] VAJJALA S.Automated assessment of non-native learner essays： investigating the role of linguistic features [J].lnternational joumal of artificial intelligence in education，201 8.28（1）：79- 105.

[21]任友群，吴曼瑜等.追寻常态：从生态视角看信息技术与教育教学的融合[J].中国电化教育，2015，（1）：107-113.

[22]郭炯，荣乾等.国外人工智能教学应用研究综述[J]电化教育研究，2020.41（2）：91-98+107.

[23]杨晓哲，任友群.高中信息技术学科的价值追求：数字化学习与创新[J].中国电化教育，2017，（1）：21-22_

[24]任友群，隋丰蔚等.数字土著何以可能？——也谈计算思维进入中小学信息技术教育的必要性和可能性[J].中国电化教育2016，（1）：1-8.

[25]任友群，黄荣怀.高中信息技术课程标准修订说明高中信息技术课程标准修订组[J].中国电化教育，2016.（12）：1-3.

作者简介：

杨晓哲：副教授，硕士生导师，研究方向学习科学、教育信息化、信息技术。

任友群：教授，博士生导师，研究方向教育政策、教育信息化、学习科学。

收稿日期：2020年10月20日

责任编辑：李雅瑄