面向群体智能塑造未来教育:一项重要研究课题

2022-02-22 19:49鲁珀特·韦格里夫张舒袁莉
中国教育信息化·高教职教 2022年1期
关键词:学习分析智能技术合作学习

鲁珀特·韦格里夫[英] 张舒 袁莉

摘   要:群体智能指群体在完成一系列不同任务时表现出的综合能力,是面向未来复杂情境中跨学科、综合型任务解决过程必不可少的关键要素。教育现代化进程中的群体智能教育是面向未来培养公民信息素养、合作能力、问题解决能力的重要载体和实现目标。文章基于当前研究领域中对群体智能基本概念的辨析和探索,从国际视野出发,剖析基于不同的技术手段对群体智能教育的探索和实践,提出教育信息化时代中国教育领域中进一步强化群体智能教育、推动“五育并举”、促进培养复合型人才的可行路径。

关键词:群体智能;智能技术;对话理论;学习分析;合作学习

中图分类号:G434  文献标志码:A 文章编号:1673-8454(2022)01-0004-07

一、引言

《中国教育现代化2035》强调在推进教育现代化的进程中,应当更加注重以德为先、更加注重全面发展、更加注重面向人人、更加注重终身学习、更加注重因材施教、更加注重知行合一、更加注重融合发展、更加注重共建共享八大基本理念。这八大基本理念不仅对信息化时代的教育教学提出了新的要求,更强调了在教育信息化进程中育人的新要求,即不仅从基础知识和技能层面进行育人、培养,更要强调学生能力素养的进一步提升。[1]21世纪技能合作组织(Partnership for 21st Century Skill)也提出了21世纪技能,强调培养学生的信息、媒体与技术技能、批判性思维能力、问题解决能力、沟通能力和合作精神等。整体而言,信息化时代对育人的要求在不断提升,培养能够适应团队工作、解决复杂问题的综合型人才,是适应新时代发展和面向未来的主要育人目标。

随着人工智能技术的不断成熟,基于人工智能技术的教育教学实践探索也逐渐增多。尽管在现有的课堂、学校中随处可见信息技术的影子,但正如中国教育部发布的《教育信息化2.0行动计划》所指出的,构建智能化的学习体系,推进信息技术深度融入教育教学过程,使信息技术真正服务于提高教育教学、服务于育人目标,是教育信息化当前阶段需要攻克的难点。基于此背景,群体智能(Collective Intelligence)教育为探索技术如何深入课堂教育教学、面向未来培养综合型人才、培育信息素养提供了可行的路径。本文厘清了群体智能的概念,随后阐释群体智能在社会情境中的具体表现形式,及其对实现面向未来的育人目标、促进个体能力水平发展的重要意义;回顾现有的基于信息化平台、融合已有技术手段培养群体智能的探索和尝试,并进一步提出面向群体智能培养、重新设计教育教学模式的发展方向。

二、群体智能与个体能力的辩证关系

个体的思维以大脑的基本生理状态和结构为基础,但不仅仅局限于大脑的内部过程。个体仍需要通过其他外在行为,如肢体语言、言语对话等方式,外化内在思维过程。这是当前教育领域中通过写作、言语对话等不同形式的行为过程,探究个体思维能力发展水平的基本前提。[2]目前流行的个体能力测试,如IQ测试,其测试结果通常是基于个体在实验室情境下的一般认知活动中的表现。[3]但此类能力指标,并不是对“社会人”的智能的测评,因为实验情境下对认知活动的测试,往往不涉及社会情境因素。“社会人”的智能可以看成是能够灵活地在不同的社会情境中解决问题的能力。值得一提的是,尽管人工智能(Artificial Intelligence,AI)技术正在各行各业各领域中广泛应用,但实际上,目前大部分AI技术本质上都是数据的挖掘,通过技术方法训练机器或电脑完成特定任务,反复训练使机器获得大量的数据,并能够迅速地提取信息、处理相应的问题,AI并不能称为真正的智能。在这个过程中,机器本身并无法创造性且灵活地提出问题,更无法提出解决问题的方案。清楚地认识人的智能的社会属性,明确地区分人工智能与人的智能的差異,有助于更好地理解群体智能产生的原理及其与个体能力的关系。

如何将对智能的理解应用到研究群体行为上,美国卡内基梅隆大学和麻省理工学院的研究团队——安妮塔·伍利(Anita Woolley)等人对群体智能的研究发现,在完成不同任务过程中,各个小组总体的表现不同,即其中一些组总能比其他小组更好地完成任务。研究者认为这种现象反映了群体智能存在差异,因此提出“通过与个体智力类比,群体智能可以定义为群体在完成各种任务过程中的综合能力。从经验上讲,当一个群体在完成某一项任务时表现出的能力,与该群体广泛地完成其他任务时表现出的能力相关时,就认为该群体具有群体智能”。[4]研究进一步表明,群体智能并不与个体的认知能力测试结果相关,而是与群体的“社会敏感度”(Social Sensitivity),即群体在社会情境下对周围事物的理解和感知,以及群体在内部合作互动过程中话轮(turn)的分配和转换有关。[4]

三、群体智能的社会表现形式

群体智能的意义体现在现代生活中的方方面面。互联网时代各行各业都需要团队合作,尤其是面对越来越多复杂的、多领域交叉的、全球性的挑战,以信息技术为支撑的群体智能培养,必然是面向未来培养人才的关键所在。例如,2010年4月美国墨西哥湾发生深水地平线石油泄漏事件。在整个事件处理过程中,全球各个领域的专家,密切关注事件全程、持续保持合作,共同参与解决封堵漏油。尽管彼时很多专家学者无法亲临现场,但利用在线平台,全体团队成员共同协作,最终使问题得以解决。全球范围内的很多重大问题,如疫情、环境问题等等,都需要大规模的协同合作,而高效的协同合作依赖更优的群体智能。因此,群体智能教育是未来社会良好运转和发展的必备条件。挖掘群体智能的具体表现形式,以及群体智能教育的关键要素,是进一步推进落实群体智能培养的首要问题。

早期的相关研究致力于厘清群体智能的表现形式及其潜在意义。20世纪90年代末,为了探究群体在合作过程中如何发展集体性思维能力,即群体如何以团队为核心、整体性地发展思维过程,研究者通过使用瑞文非言语推理测验(Ravens Non-Verbal Reasoning Tests)和进一步的实验研究,考察了个体的逻辑推理能力与其参与社会互动能力的关系,发现两者显著相关。该项研究中,64个8年级或9年级的学生参与了实验。在实验过程中,教师进行了探究性对话(exploratory talk)教学。探究性对话指成员在对话过程中通过使用一些表达方式使问题的逻辑推断更加直白和明确。研究结果表明:第一,使用探究性对话能够提高小组的逻辑推理表达;第二,探究性对话是可教学的;第三,探究性对话教学可以在不同的教育情境中转化;第四,在接受探究性对话教学后,学生的个体标准化能力水平测试成绩显著提高。该研究证实了通过对小组进行探究性对话教学,不仅能够提高小组的群体智能,个体的思维能力也能得到相应的提高。[5]

在对青少年群体智能研究的基础上,剑桥大学研究者马塞洛·皮萨罗(Marcelo Pizarro)对42名智利成年人的线上小组问题解决进行了研究。研究对象通过完成标准化的FIXA和FIXB测试作为其认知能力水平的指标。研究发现,小组在测试中的表现出乎意料地比个体的表现更好,其效应量达0.933;并且其中一些小组比其他小组有更显著的优异表现。随后,研究者进一步分析了小组之间表现差异的原因,结果发现小组在完成某项任务的过程中,经常产生分歧和反对意见,而能够正确处理这些分歧和反对意见的小组往往更加成功。此外,小组成员的性格特点也会影响小组表现,具备幽默和风趣性格成员的小组,能够更好地管理和处理认知冲突,从而有效解决问题。这些发现激发了更多讨论,并为未来研究提供了方向,如进一步探究在小组合作中,哪些关键行为能够提供更多的价值,使小组的合作思维能力更加有效,其合作过程更加顺利。[6]

研究发现,群体在合作过程中能够通过一系列合作行为使小组“增加价值”,这些使小组表现得更好的行为,称之为小组的“增值行为”(Value adding behaviours)。大量对小组的实证研究证明,“增值行为”包括但不限于以下几种:第一,互相鼓励,如通过“这个还可能是……”给予别人建议;第二,表现出谦虚的行为,如“我不是很理解……”;第三,给出清晰的说明案例,如“这个三角形被移动了,这个三角形旋转了90度”;第四,小组中的每一个成员都能在每一个问题的解决过程中公平地参与;第五,通过讲笑话表达幽默并且能够分享快乐;第六,愿意表达自己的直觉,如“我不确定,但我感觉应该就是这个”;第七,通过语气语调和彼此的回应表现出互相的尊重;第八,合作过程中如果出现问题,能够及时止损,花时间解决当前的问题,并且如果有人提出疑问,要给出详细的解释。[7-8]

尽管随着人工智能技术的不断发展,计算机能够为完成某些工作提供技术性支持,但在群体智能教育中,如何能够应用人工智能技术,将技术的发展与群体中每个个体的创造力结合起来,是群体智能教育提出的一个方法性问题。21世纪以来,以信息技术和大数据为基础的群体智能教育培养已经初具规模。

四、技术平台助力群体智能培养路径探索

对群体智能的初期研究主要表现为探究小组成员在分享和合作的过程中表现出的智能水平,但随着信息化进程的不断加快,过去的10多年,群体智能逐渐更加聚焦于计算机辅助教学环境中的群体智能行为。关于技术工具的使用能够促进群体智能的生成和培养的理念,已经逐渐成为教育界的共识,并被社会广泛接受。

(一)群体智能交互管理系统

爱尔兰学者迈克尔·霍根(Michael Hogan)自2018年起,联合相关领域群体在爱尔兰国立大学建立智能群体网络(Collective Intelligence Network,CIN),并提供了群体智能网络支持部(Collective Intelligence Network Support Unit,CINSU),为各类型组织和社会团队解决决策性问题时提供技术和方法性支持。CINSU通过联合不同学科领域和背景领域的专家,为高水平的群体智能形成提供辅助和支持。在CINSU中,成员们主要结合群体智能的方法,应用互动性管理(Interactive Management),如情境设计方法,最大化群体智能以及合作行为的潜能。[9]

交互管理系统是由国际系统科学学会前会长约翰·沃菲尔德(John Warfield)主持开发的。在沃菲尔德的交互管理模型中,群体智能行为表现为运用一系列的方法和工具,将个体从不同观点、背景和视角的贡献进行整合,使群体的产出增加。在交互管理系统的开发过程中,通过应用矩阵结构软件、解释性结构建模(ISM),关键的问题被系统地进行成对建构,并依次对每个单独的问题进行提问和检验(如“A是否影响B”)。在以这种方式分析了所有关键问题之后,矩阵结构软件会生成一个图形问题结构或问题模型,显示这些问题是如何相互关联的。[10]

图1介绍了交互管理系统在辅助生成群体智能的整体过程:第一步,团队成员清楚地描述并提出主要的思想和观点;第二步,交互管理软件支持团队成员对所有观点进行投票、排序和结构重组;第三步,通过解释性模型建构,对所有观点进行结构性整合;第四步,测评团队方案逻辑的图形表示是否合理等。沃菲尔德的交互管理系统在很多大型欧洲项目中都发挥了非常有效的作用,助力各个项目进行了阶段性研究设计,促进群体智能的生成。[9]

(二)学习分析支持合作学习

以色列海法大学研究团队的罗腾·阿卜杜(Roten Abdu)、 谢·奥尔舍(Shai Olsher)和邁克尔·耶鲁沙米(Michal Yerushalmy)在最近发表的论文《设计自动分组系统的教学考虑:抛物线的案例》中介绍了最新的研究进展。在实验室条件下,研究者开发了“预见学习”(Seeing the Entire Picture,STEP)的学习分析评价系统,通过与其他数学图形、数学动画模拟的应用软件,如GeoGebra等,进行交互作用,激发学生对数学概念的解释性案例和解释性说明的创造性构建能力,并以此来判断学生对数学概念的理解程度。[11]

结合数学教学的相关背景,研究根据特定的教学内容(如“抛物线”的概念),采用软件内嵌的分组推荐模式(Group Formation Recommendation Modules),综合考虑任务的特点、个人性格、人际关系等因素,追踪学生在单独完成数学任务、小组合作完成数学任务,和再次单独完成数学任务的过程中,对“抛物线”概念四个基本判断的理解和认识变化过程。研究发现,在小组合作阶段,两个成员对“抛物线”的理解相差越大,最后回到个人任务过程时,个体对数学概念的理解就越具体和深刻。

研究结果说明在合作过程中,合作的个体对话之间极可能存在一定的隔阂,而正是这些隔阂使个体无法明确地传达个人的想法和观点,需要通过进一步的沟通对话,逐渐使彼此理解对方的视角和思维过程,从而寻求共同解决问题的方法。而如果两个成员能够认识到彼此的差异,并激发个体主动克服认知差异的意愿,这样的过程能够使个体获得更高质量的概念理解。因此,如果借助技术手段,能够放大个体在合作讨论过程中的“声音”,并且通过巧妙的分组,使小组成员都能够听到彼此的“声音”,合作学习的效率往往会得到提升。[11]

(三)PeerTalk促进发展思维

2020年以来,在疫情的影响下,全球教育正在经历前所未有的变革,网络教学和在线学习也在疫情期间被整个教育体系重新提上讨论日程。远程教学和网络教学过程中的一个关键问题就是,如何促进在线环境下的同伴互动,并且通过同伴互动发展学生的思维能力水平。希腊学者斯特乔奥斯·泰格斯(Stergios Tegos)及其同事,开发了同伴讨论(PeerTalk)插件,嵌入大学MOOC课程中,用以辅助在线教学过程中即时发起合作学习活动。PeerTalk通过引入对话交流的相关理论和技术支撑,旨在搭建学生的在线合作活动,并且通过教师或其他介入方式,为合作提供建设性指导。[12]

PeerTalk是基于ADDIE(Analysis, Design, Development, Implementation, Evaluation)模型进行的开发,该模型在构建教育系统中被广泛使用。[13]模型的建构主要分为两个阶段:第一阶段,依据教育者或教学设计,收集合作学习过程中的关键特征数据。通过半结构化的访谈和专家论证,形成系统的功能性和非功能性的特征。第二阶段,整合运行系列单独的模块,设计并且基于单独模块,开发互动系统。总体来说,PeerTalk整合的在线合作学习的关键要素包括:共同参加视频课程,合作完成作业和课堂问题回答,共同完成练习、板书和其他基于用户的实时应用小程序。图2、3给出了在PeerTalk上形成合作小组并完成任务的流程示意图。

PeerTalk的显著优势是在在线课程中,非常方便地嵌入实时对话系统,能够通过互动和对话的方式,更好地组织合作学习,并且促进问题的解决。这不失为一个通过增加互动功能,改善传统在线课程缺乏互动和学生参与的有效方法。而事实上,通过使用系统适用性评价量表(System Usability Scale)和学生问卷对PeerTalk使用过程中用户的使用度、使用时间,以及中断效应的评测,进一步地证实了PeerTalk在MOOCs课程中的有效性。[12]

(四)Argunaut——高质量在线对话的智能支持系统

当前,大部分关于群体智能的教育研究都以在线学习为主要研究情境,主要可能基于两点原因:第一,在线学习的主要优势在于其为技术创新提供了平台,并且能够跨越地理位置的局限;第二,在线学习情境下产生的对话往往更能够直观地反映出群体决策的过程,因此,将在线学习情境作为群体智能教育研究的前沿是值得的,而对在线对话的研究也是必然的。如果说PeerTalk是在已有课程的基础上,提供更加方便的对话通道,那么Argunaut项目则是更深入地研究如何能够促进更好地开展在线对话、如何提高在线对话的质量和产出。

在Argunaut项目中,学生使用图形化讨论工具Digalo 和 FreeStyler进行讨论,教师通过主持人界面(Moderators Interface,MI)对学生对话进行干预。干预的目的是及时地提供信息并更好地管控任务的进程。通过整合平台数据,系统能够提供互动过程中相关参与、信息类型及人物关系的社会网络图。在Argunaut项目中,通过社会网络分析、话语分析,以及人工智能技术手段,对生成的社会网络图形进行智能匹配,识别讨论过程中产生的创造性思维要素,对合作过程的批判性思维和辨证推理进行多方面的评估,进而对讨论质量进行评估。[7,14]

在Argunaut项目中,研究者通过应用自然语言处理等技术,将师生的对话过程进行了系统标记,并且通过深度循环编码及其反馈以提高系统性能。编码过程包括对话中话轮的转化、话语的模式,以及话语的质量;质量维度包括话语的逻辑性和创新性。对话语质量的编码也涉及四个主要维度:第一,说话者提出的正面论断和反面论断体现批判性思维;第二,说话者视角的创造性推理(creative reasoning);第三,在互动的过程中,表现出说话者表达观点的意愿,表达怀疑和疑问的意愿,在表达的过程中引用他人观点,激发更多的观点;第四,在对话的过程中,通过鼓励和重述、重新表述和评估等搭建脚手架的方式调节气氛(moderation)。[14]

五、面向未来的群体智能教育

回顾过去20年群体智能相关研究发展的历史轨迹,我们可以发现:群体智能的概念最早主要用于描述个体在合作和竞争过程中的收获;[15]但随着技术的发展,群体智能的概念被迅速拓展用于描述网络用户之间迅速、简单、安全地分享彼此的观点和信息等现象。直至现在,群體智能发展成了一个相对宽泛的、跨学科的复杂概念。事实上,群体智能在教育情境下蕴涵着巨大的潜能,其在不同学科教育过程中的应用,及其对个体21世纪能力培养的教育意义和社会价值不可小觑。随着技术的不断成熟,合作学习的形式和质量都得到了提升,群体智能教育也在不断延伸。尤其是目前远程教学和网络学习日益增多,群体智能使在线合作学习、社会性学习以及问题解决的效率都得到了进一步提升。[16]

结合目前智能教育领域的整体研究现状,本文提出面向未来群体智能教育的几个研究方向。第一,对目前技术方法的深度回顾和综述是技术创新的必要前提,也是进一步探索人工智能等技术如何辅助群体智能教育的基础。第二,在不同学科领域内,结合特定学科知识、概念的教学,进一步开发基于设计的教育研究,探究如何能够应用智能分组技术调整小组组合,从而促进更深层次的概念理解和学习行为。第三,结合视觉语言等多种表达途径,提高合作过程中的沟通互动质量,进一步促进合作、解决问题。第四,借鉴深度学习的主要技术路径,开发相应的工具或平台,以提高合作教学过程中对话和互动的质量,挖掘高质量对话对产生群体智能的深层意义。

尽管进入21世纪20年代后,群体智能教育的尝试层出不穷,但其实践仍然处于萌芽阶段。教育情境本身极具复杂性和动态性,如何能够真正发挥技术在教育变革中的作用和优势、如何帮助教师认可和掌握不断更新的技术,并恰当地应用于教学实践中,更是道阻且长。本文通过整合相关研究发现,以信息技术、数字技术和智能技术的不断发展为基础,在教育教学中引导学生开展高质量的对话互动、赋能合作学习和促进群体智能的培养,是未来教育发展的一个重要领域和核心思路。

參考文献:

[1]新华社.中共中央、国务院印发《中国教育现代化2035》[R/OL].(2019-02). http://www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html.

[2]BARNES D, TODD F. Commincation and learning in small groups[M]. London: Routledge and Kegan Paul, 1977:136.

[3]DEARY I J. Looking down on human intelligence: from psychometrics to the brain[M]. New York: Oxford University Press, 2000.

[4]WOOLLEY A W, CHABRIS C F, PENTLAND A, et al.Evidence for a collective intelligence factor in the performance of human groups[J]. Science, 2010,330(6004): 686-8.doi: 10.1126/science. 1193147. Epub 2010 Sep 30. PMID: 20929725.

[5]WEGERIF R, MERCER N, DAWES L. From social interaction to individual reasoning: an empirical investigation of a possible socio-cultural model of cognitive development[J].Learning and Instruction, 1999,9(6):493-516.

[6]WEGERIF R. Designing education for collective intelligence: a research agenda[EB/OL]. (2021-11-24). https://www.rupertwegerif.name/blog.

[7]WEGERIF R, FUJITA T, DONEY J, et al. Developing and trialing a measure of group thinking[J]. Learning and Instruction, 2017,48:40-50. https://doi.org/10.1016/j.learninstruc.2016.08.001.

[8]FUJITA T, DONEY J, FLANAGAN R, et al. Collaborative group work in mathematics in the UK and Japan: use of group thinking measure tests[J]. Education, 2021,49(2):119-133.

[9]HOGAN M. Collective intelligence in medias res: mulgan, warfield, and the collective intelligence network support unit(CINSU) [EB/OL]. (2020-03-02). https://europepmc.org/article/PPR/PPR330643.

[10]WARFIELD J, CARDENAS R. A handbook of interactive management[M]. Ames: Iowa State University Press, 1994.http://futureworlds.eu/w/1/5/57/Handbook_of_Interactive_Management.pdf.

[11]ABDU R, OLSHER S, YERUSHALMY M. Pedagogical considerations for designing automated grouping systems: the case of the parabola[J]. Digital Experiment in Mathematics Education, 2021. https://doi.org/10.1007/s40751-021-00095-7.

[12]TEGOS S, MAVRIDIS A, DEMETRIADIS S. Agent-Supported peer collaboration in MOOCs[J]. Frontiers in Artificial Intelligence, 2021, 4:710856. https://doi.org/10.3389/frai.2021.710856.

[13]ALDOOBIE N. ADDIE Model[J]. American International Journal of Contemporary Research, 2015,5(6):68-72.

[14]MCLAREB B M, SCHEUER O, MIKSATKO J. Supporting collaborative learning and e-Discussions using artificial intelligence techniques[J]. International Journal of Artificial Intelligence in Education, 2010,20(1):1-46.

[15]LEVY P, Bononno R. Collective Intelligence: Mankinds Emerging World in Cyberspace[M]. Cambridge. MA, USA: Perseus Books, 1997.

[16]TENORIO T, ISOTANI S I, BITTENCOURT I, et al.The State-of-the-Art on Collective Intelligence in Online Educational Technologies[C]. in IEEE Transactions on Learning Technologies, 2021,14(2):257-271.

作者简介:

鲁珀特·韦格里夫(Rupert Wegerif),北京师范大学未来教育学院国家外专项目特聘专家,英国剑桥大学教育学院教授、剑桥未来数字教育中心主任;

张舒,共同第一作者、同等贡献者,北京师范大学未来教育学院讲师;

袁莉,北京师范大学未来教育学院教授、通讯作者,邮箱:l.yuan@bnu.edu.cn。

Designing Future Education for Collective Intelligence: A Research Agenda

Rupert WEGERIF 1,2 ?, Shu ZHANG1 ?, Li YUAN2 *

(1.Beijing Normal University, College of Education for the Future, Zhuhai Guangdong 519087;

2.The University of Cambridge, School of Education, Cambridge, The UK CB1 2EW1)

Abstract: Collective intelligence refers to the general ability that a group performs when completing a sequence of tasks, which is one of the essential abilities that is needed in coping with complex,  multidisciplinary tasks. In the modern process of education,  collective intelligence helps to foster the literacy and develop collaboration and problem-solving skills of citizens. In this paper, we first clarify the concept of collective intelligence and provide a detailed review of the recent research and development in the field. We will then discuss a number of successful projects using technology,  including data-mining and AI to support more productive collective thinking from an international perspective. Finally,  this paper provides research directions on enhancing collective intelligence with technology to foster multidisciplinary talents in future education in China.

Keywords: Collective intelligence; Artificial intelligence; Dialogic theory; Learning analytics; Collaborative learning

編辑:王天鹏   校对:王晓明

基金项目:2021年国家外专项目“人工智能和未来教育前沿问题研究与教学改革探索”(编号:G2021111027L);2021年广东省哲学社会科学规划项目“粤港澳大湾区中学合作问题解决教学实证研究”(编号:GD21YJY18);2021年度广东省教育科学规划课题“互联网+国际教育:高校学生自主性学习和新型能力培养的研究”(编号:2021GXJK375)。

猜你喜欢
学习分析智能技术合作学习
智能技术在电力系统自动化中的运用研究
电气自动化控制中的人工智能技术探究
简析小学劳动与技术教育的有效合作学习
浅析大数据在教育中的应用
浅谈语文课堂阅读教学
推进合作学习激活中职英语教学研究
合作学习在语文阅读教学中的运用研究
体育教学中学生合作学习能力的培养研究
关于烟草设备自动化系统浅析