智能教育发展中的若干关键问题
刘三女牙 刘盛英杰 孙建文 沈筱譞 刘智
【摘 要】
新一代人工智能技术在全球范围内掀起的热潮为智能教育的加速跃升带来机遇，成为推动教育创新与变革的新动能。同时，受人工智能技术成熟度、算法黑箱属性、人机共融与互信等问题制约，智能教育的研究与发展也面临诸多挑战。本文重点围绕当前智能教育领域因技术泛化与策略迁移瓶颈故而赋能教育环节与领域受限、因算法黑箱与学习分析不深故而智能教育机理与规律不明、因人机协作与混合智能不足故而教育人机共融任重道远、因隐私保护与信任机制薄弱故而教育人机互信亟待加强等几个关键问题进行剖析，然后从推进教育新基建、加快共性技术突破、完善教育伦理规范、促进多学科交叉、加强多主体协同等方面提出未来进路，以期为加快推动智能教育创新发展提供一定参考。
【关键词】? 智能教育;人工智能;技术赋能;泛化能力;黑箱问题;认知机理;人机共融;人机互信
【中图分类号】? ?G434? ? ? ? ?【文献标识码】? A? ? ? ?【文章编号】? 1009-458x（2021）4-0001-07
一、引言
过去十年来，以深度神经网络为代表的新一代人工智能技术的持续突破及其在各行业的创新应用，不断颠覆人们的既有认知，成为推动社会进步的重要动能。在教育领域，人工智能通过可迭代、可演化的算法与模型进行数据驱动的分析归纳与精准决策，广泛应用于智能辅导、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、智能治理等场景，促进了教育创新与变革（杨晓哲， 等， 2021）。
智能教育的发展引起世界各国政府的高度重视，被多个国家纳入国家级战略规划。2016年，美国国家科技委员会发布《为人工智能的未来做好准备》，特别提出将人工智能与国家教育系统进行整合，提升全体公民对人工智能的认识程度;2017年，英国政府发布《在英国发展人工智能》，提出应将数据科学和人工智能广泛嵌入教育;2019年，美国国家科学基金会发布人工智能研究院建设计划，总计投入约2亿美元，重点支持“人工智能增强的学习”等六大方向;2020年，欧盟发布《人工智能白皮书》，提出更好地利用基于数据和人工智能的技术，通过学习及预测分析改进教育和培训系统。我国高度重视智能教育发展，在2017年国务院印发的《新一代人工智能发展规划》中明确强调“利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系”，并在《中国教育现代化2035》中提出“建设智能化校园，统筹建设一体化智能化教学、管理与服务平台”。此外，在政策支持下，智能教育产业加速发展。据《2019全球人工智能教育行业研究报告》统计，我国在2013—2019年间共发生274笔智能教育投融资事件，总融资额达145亿元，融资事件数复合增速达34%，融资总额增速达57%。其中，K12总共融资78亿元，占整体融资额的53.5%。新一代人工智能技术为我国教育发展注入了新动能。
智能教育的发展深受人工智能技术进展的影响，与智能技术的进化历程同频共振。1958年，美国著名心理学家斯金纳（Skinner， 1958）在Science上发表论文Teaching Machine，提出利用机器辅助教学来提高教学的效率和公平性，开启了人类对智能教育的追求。从1956年达特茅斯会议首次提出人工智能的概念后，在符号主义、连接主义、行为主义等不同技术的驱动下，智能教育的发展从知识传递自动化、知识获取自动化转向学习过程智能感知与优化，先后经历了早期计算机辅助教学的起步阶段、以智能导学系统为代表的探索阶段和当前的个性化自适应学习阶段。其间，智能教育吸引了教育学、心理学、计算机科学等多个领域学者的研究兴趣，诞生了一系列具有代表性的智能教育系统。1960年，美国伊利诺伊大学香槟分校的比策教授研发的一种面向自动教学操作的计算机教学系统PLATO，成为早期智能教育发展的标志性成果;1982年，美国斯坦福大学的斯莱曼等（Sleeman， et al.， 1982）提出智能导学系统（Intelligent Tutoring System，ITS）的概念，由此掀起ITS的研究热潮;1990年，美国卡耐基梅隆大学的安德森等（Anderson， et al.， 1990）发明了一种基于认知模型的Cognitive Tutor系统，经过30来年的改进和演化，该系统如今已衍生出多个分支系统并在全美开展了大规模应用（Ritter， Anderson， Koedinger， & Corbett， 2007; Koedinger & Aleven， 2016）;2004年，美国孟菲斯大学人工智能研究所研发了支持自然人机对话以指导学习者的AutoTutor系统，并在后续发展过程中受益于自然语言处理、语音识别、情感识别等技术突破，该系统的智能化程度不断得到提升（Nye， Graesser， & Hu， 2014）。
人工智能在为智能教育的创新发展提供新机遇的同时，也带来各种问题和挑战。2019年，联合国教科文组织发布《教育中的人工智能：可持续发展的挑战与机遇》，指出人工智能将对学习方式、学习机会、学习质量、学生能力、教师发展等产生直接影响，同时也给教育公平、教育决策、教育政策、隐私与伦理等带来新的挑战和机遇。一方面，在新一代人工智能技术的驱动下，智能教育以实现更高效的教学、更有效的学习为目标，进一步破解高质量个性化学习、教育公平等全球性难题;另一方面，在人工智能技术成熟度、算法黑箱、人機共融以及互信等问题的制约下，智能教育的发展也面临诸多挑战。以下重点围绕智能教育技术泛化、智能教育机理与规律不明、教育人机共融任重道远、教育人机互信亟待加强四个关键问题进行探讨，然后结合人工智能技术演化趋势提出智能教育发展进路及相应对策。
二、关键问题
（一）技术泛化与策略迁移瓶颈：赋能教育环节与领域受限
构建相互融通的学习场景、灵活多元的学习方式、弹性多能的组织管理是智能教育发展的主要目标（黄荣怀， 等， 2019; 曹培杰， 2020）。实现对教、学、管、评、练、测等多环节智能教育服务的全联通，以及对多学科的全覆盖，是达成这一目标的必要条件。但受现阶段弱人工智能技术发展水平所限，当前人工智能有效赋能的教学环节与学科领域还较为单一，这也成为制约智能教育服务常态化应用、规模化普及的一大瓶颈。
以作文自动评分系统（Automated Essay Scoring，AES）为例，AES系统的研究与发展受自然语言处理技术影响较大。比如，有一种称为“词嵌入”的自然语言处理技术在近十年来不断取得创新突破，同时也带动和提升了相关领域智能服务的可用性与应用效果。“词嵌入”技术的发展从图灵奖得主班吉奥提出神经概率语言模型开始，先后诞生了Word2Vec、BERT、GPT等一系列改进模型。AES系统通过结合Word2Vec与BERT模型所提供的特征与文本表示方法，使作文自动评分的精度不断提升（Jin， He， Hui， & Sun， 2018; Uto， Xie， & Ueno， 2020），并逐步达到实用化水平，催生了诸如句酷批改网、IN课堂等在线作文批改产品。类似地，使用自然语言交互的智能学伴也随着自然语言处理技术的发展而逐渐成熟，被赋予更好的语义理解、情绪感知、多轮连续对话等能力，能够更好地提升学习者自主感、胜任感与关系感，使学习者获得良好的学习体验与正向激励，最终提升其学习效率与效果（Graesser， Cai， Morgan， & Wang， 2017）。与此同时，在人工智能赋能教育的实践中也存在大量技术不成熟尚未达到可用程度的情况。例如，数学综合类应用题的智能化解析、阅卷与提示等就是一大难点，这也导致智能教学过程中相关环节或场景的缺位，无法支撑所有环节的联通。因此，需紧密关注人工智能领域的最新技术进展，将其适配应用到合适的教育教学场景，持续提升智能教育服务的可用性与可靠性。
以智能导学系统为例，这是人工智能赋能教育最早进行实践的领域之一，其特点是在教育学、心理学等理论的指导下，利用人工智能技术模拟人类教师开展教学活动，目标是通过增强教师教学能力进一步提升学习者的学习成效。国内外典型的智能导学系统，比如基于认知模型的Cognitive Tutor、基于自然对话的AutoTutor、面向中学数学的ASSISTments、利用虚拟教师帮助学习者训练表达能力的MACH系统，以及清华小木、希赛可等。从系统结构看，智能导学系统一般由领域知识库、学生模型、教学策略和推理模块等组成（屈静， 等， 2020）。其中，领域知识库与教学策略通常与具体的学科紧密耦合，已有的智能导学系统大多只针对特定学科，甚至特定知识点而构建，其中尤以数学、物理、编程等最为常见。如何最大限度实现智能导学技术可泛化与策略可迁移，使不同系统之间的内容可复用、数据可交换、模块可集成等，是推进智能教育服务全场域拓展的一个关键问题。为此，美国陆军实验室的索特拉（Sottilare， 2016）提出一种智能导学系统通用框架（Generalized Intelligent Framework for Tutoring，GIFT）。GIFT定义了传感器、学习者、教学法和领域知识等模块，试图构建一套标准化的框架，实现智能导学内容、数据和系统等多个方面的共享与集成。
（二）算法黑箱与学习分析不深：智能教育机理与规律不明
教育是一个注重揭示教育现象或教育行为之间因果关系的领域，而当前以深度神经网络为代表的智能算法普遍存在黑箱问题，虽然在多个教育场景或任务上都构建了精准、高效的机器学习模型，但却难以理解或解释其工作机理，无法进一步开展针对学习者的错因追溯、归因分析等更具教育价值的服务。
以知识追踪（Knowledge Tracing，KT）为例，这是一种根据学习者历史学习行为和表现对其知识掌握状态进行预测性建模的研究任务，广泛应用于智能导学、自适应学习等系统。KT最早由美国卡耐基梅隆大学的科比特和安德森（Corbett & Anderson， 1994）于20世紀90年代提出，早期主要采用基于贝叶斯网络的概率计算框架（Bayesian Knowledge Tracing，BKT）。BKT定义了多个具有特定含义的参数（如学习率、猜测率、失误率等）来表示学习者掌握和运用知识的状况，然后利用贝叶斯网络模型进行学习过程建模和参数估计。随着深度神经网络在人工智能领域展现出的巨大潜力，深度学习模型也被引入解决知识追踪问题。2015年，美国斯坦福大学的皮耶等（Piech， et al.， 2015）提出基于深度神经网络的知识追踪算法——深度知识追踪（Deep Knowledge Tracing，DKT）。DKT掀起了知识追踪新一轮的研究热潮，后续改进模型不断涌现，尤其是在2020年高水平论文呈井喷之势。与BKT相比，DKT在模型的预测准确率上取得显著提升（AUC值提升近30%），但由于神经网络模型固有的“黑箱”特性，难以透过网络内部神经元的行为或状态理解模型对学习者认知建模的细节，无法进一步揭示学习者的认知规律，从而降低了使用者对预测结果的利用或信任程度。当前，深度神经网络技术已广泛应用于智能教育领域，这一现象普遍存在。就现阶段来说，如何根据不同的教育场景或应用特点在算法性能与可解释性之间进行取舍或保持平衡，是一个值得思考与探究的问题。
此外，新兴技术的快速发展以及与教育教学的不断融合，产生了海量且持续增长的教育大数据。利用数据驱动的学习分析方法深入探究教与学过程，揭示新的教与学规律，成为连接学习行为与学习理论的桥梁，催生出诸如量化学习、计算教育学等新的研究方向，为教育研究提供了新的研究范式（刘三女牙， 等， 2018， 2020）。学习分析与智能教育相辅相成，通过学习分析揭示教与学的机理或规律，能够更加科学、合理地指导智能教育系统的设计、开发、应用与评估等全流程。反之，智能教育的大规模推广应用，既有助于拓展人机交互空间，开创更多新颖的学习场景，又能够利用当前各种成熟的智能化感知技术自动获取多模态、细粒度、高价值的学习大数据，极大丰富学习分析的场景和数据。但当前的学习分析相关研究，一是在适用场景上受智能教育本身技术发展及应用范围所限，传统学习分析的成果难以直接迁移并用于指导智能教育服务的设计与研发，如何进一步揭示各种智能化人机交互环境下的学习机理与规律是学习分析在智能教育时代的必由之路。二是在分析层次上，当前学习分析研究普遍从外显学习行为入手，以分析行为之间的关联关系或外显行为到内隐心理特征之间的映射关系为主。其中，对心理特征的学习分析研究又以认知、情感、风格等维度的研究为主，而对于学习者自我调控非常重要的元认知等深层次心理特征的学习分析研究则较少。另外，将学习分析研究从行为、心理进一步拓展到生理层面，也是目前该领域的一大研究趋势。近年来，智能感知、可穿戴技术的巨大进展，以及教育神经科学的快速崛起，为深层次学习分析研究提供了机遇，有助于加快智能教育创新发展。
（三）人机协作与混合智能不足：教育人机共融任重道远
人工智能技术的不断进步带来了人机交互革命，使人与机器之间的交互变得更加自然和丰富。但对教育而言，其一大特点是强调人与人之间的互动，无论是“师-生”还是“生-生”之间，人与人之间的言语或情感交流都可释放出巨大的教育能量。人与机器智能各有所长，机器擅长搜索、计算、优化等操作，而人擅长直觉、推理、决策等更复杂的认知活动。如何综合两者优势实现混合增强的智能服务，一直是人工智能领域的重要研究方向。因此，对于智能教育，直接利用人工智能领域新的“人-机”交互技术很重要，而开展“师-机-生”交互这类教育领域特有的人机协作与混合智能技术则更重要。
以混合式学习为例，这是一种结合线上与线下学习各自优势，并被大量研究及实践证明有效的教学方式（吴南中， 2017）。混合式学习是对传统“以教师为中心”或“以学生为中心”教学理念的变革，通过在线自主学习部分体现学习者的主体地位，并结合线下课堂教学充分发挥教师的主导作用，被广泛认为是一种在网络学习环境中发展出来的先进教育思想（何克抗， 2018; Clayton， Blumberg， & Anthony， 2018）。当前，混合式学习的线上部分已逐渐应用智能导学技术，提供学习者动态化认知诊断、自适应知识导航、个性化资源推荐等自主化学习功能，以及同步或异步讨论、答疑等輔助功能。但从人机交互角度看，这些智能导学功能几乎都源于单一智能。例如学习诊断、导航、推荐等均侧重于数据驱动的机器智能，而讨论、答疑等功能则以教师或助教等人类智能提供为主。在智能导学过程中，机器智能擅长模式识别与量化计算，适合完成如学习者知识掌握概率预测、下一步最优学习路径规划、学习增益或匹配度最高的资源推送等任务。但同时，机器不擅长复杂推理，难以理解在线学习情境中学习者的意图与状态等高层语义，难以为学习者自动生成遵循各种教学理论（如最近发展区）的提示或暗示等信息。另外，对于混合式学习的线下课堂教学部分，以小组协作学习为例，如何有机结合机器和人类教师的优点，开展基于“师-机-生”多层次自然交互的智能化协作学习，一直是该领域的研究热点与难点。一般而言，在这个场景中机器擅长自动分组以及对多个小组学习过程的分布式感知与全过程监测，但不擅长对学习者提供情感、动机等支持，也难以在协作学习过程中提供及时且富有策略性的启发与引导等教学支架，而这两点正是人类教师所擅长的。因此，近年来虽然智能教育快速发展且大量应用不断涌现，但大多是轮流式、浅层次的人机混合，创新性开展“师-机-生”混合智能教育的案例还少有出现，教育人机共融相关的探索仍处于起步阶段（叶波， 等， 2020）。
（四）隐私保护与信任机制薄弱：教育人机互信亟待加强
数据驱动是当前人工智能技术发展的主流范式，数据也被誉为智能算法的“燃料”，如何正确、合理地使用和管理用户数据以保护用户隐私是非常重要的问题。未清洗的数据、不透明的算法、完全自动化的决策、元数据的缺失，以及用户使用数据授权机制的缺位，往往会构成一个“黑色系统”，难以获得使用者的充分信任。在智能教育领域，数据的隐私保护同样是一个重要的命题，成为近年来国内外研究的热点。比如利用差分隐私、联邦学习等数据加密、共享技术来实现更为可靠的教育数据使用机制，构建以保护用户隐私为核心的数据使用规范，共同推动智能教育系统的透明化、可信化发展，促进教育人机互信。
人工智能的快速发展使其安全与信任问题逐渐成为焦点。早在2015年，Google公司研究员古德费罗等（Goodfellow， et al.， 2015）发现，即使最先进的图像识别系统也可被轻易“欺骗”，只需利用一种简单方法生成人眼难以察觉的噪声即可造成系统误判，被称为“对抗攻击”。研究表明，对抗攻击不只存在于图像识别，也可影响推荐系统、离散数据、图关系数据等多个领域（Zhang， Sheng， Alhazmi， & Li， 2020）。2019年，美国麻省理工学院的拉赫旺等（Rahwan， et al.， 2019）在Nature上发表论文Machine Behaviour，呼吁关注“机器行为学”这一新方向。随着人工智能走进大众生活，成为组成和影响人类社会的重要元素，实践过程中产生了大量人机伦理问题，亟须探究机器与人类混合形成的社会规律，以更好地理解人工智能的行为及其对人类的影响。对智能教育而言，智能算法正不断应用于越来越多的教育教学场景，但由于数据、算法或应用场景带来的各种风险，其对学习者个人或群体潜在的影响变得难以预估。比如，利用互联网开放大数据训练而成的算法模型是否会把各种偏见、知识错误或不良价值观等内容带入教育场景，从而引起学习者、教师、家长或管理者等群体的普遍不信任。基于智能算法的学习者成效预测、能力评估或画像技术是否对所有学习者都同等有效，是否会降低部分学习者的自我效能感，甚至会让学习者产生被打标签之感等。与此同时，人的行为也在人机交互过程中影响算法的演化。在智能教育系统中，不同学习者个体和群体如何影响算法的演化趋势，以及是否存在学习者能够刻意操纵数据从而影响系统正常行为的漏洞，都是值得思考的问题。
三、发展进路
（一）推进教育新基建
为促进社会与经济高质量发展，近年来我国大力推进新型基础设施建设（简称“新基建”），提出加快5G网络、大数据中心、人工智能等基础设施建设，打造支撑数字转型、智能升级、融合创新的基础设施体系。“新基建”将加速人工智能在社会的全面应用，促进人工智能与各行业的深度融合。未来，智能教育在受益于“新基建”公共基础设施的同时，也需结合领域特点，打造符合未来教育发展趋势的行业基础设施——教育新基建。通过支持教室、校园、家庭等传统正式学习场所，以及地铁、科技馆、咖啡厅等非正式学习场景，提供更具有弹性的场景化、个性化学习服务，更加智能化地适应学习者在多个碎片化时空场景的不断迁移和变换，从而形成“人人皆学、处处能学、时时可学”的学习新生态，为助力智能教育持续创新奠定物质基础与生态环境。其中，作为人才培养的主阵地，智慧校园、智慧教室依然是智能教育研究与发展的重点。
（二）加快共性关键技术突破
从技术角度而言，当前人工智能领域正在经历从感知智能到认知智能的技术转型期，“数据驱动+知识引导”的智能技术研究范式正在成为趋势，人机混合增强智能的时代正在来临。智能教育将突破过去以学习行为识别为代表的浅层次感知技术的局限，进一步实现对学习情景、意图或状态的深度理解，从以行为分析为主发展到认知、情感、社交、生理等多层次、多模态学习分析（汪维富， 等， 2021）。同时，知识图谱增强的认知计算方法将赋予机器更强的推理和决策能力，能够在“师-机-生”交互、群体协作等更复杂的认知活动中提供更具策略性的学习支架与教学辅助（Kizilcec， et al.， 2020）。从教育角度看，利用不断升级的智能技术赋能学习环境、资源、主体、服务等教育系统的核心元素是传统智能教育发展的主要形式。未来，智能教育在细粒度精准化知识图谱构建、“师-机-生”混合智能增强、融合学习者认知机理的可解释性建模等方面取得的技术突破，甚至可能会反哺人工智能的发展。
（三）完善教育伦理规范
智能教育中的伦理问题涉及数据安全、技术异化、隐私保护等多个方面，在处理数据、技术与人的相互关系时应遵循“有用”“无害”的伦理诉求，充分发挥数据和技术的育人价值。一方面，建构教育伦理框架，明确教育数据的价值定位，界定教育主体的數据权利，厘清教育数据的教育效用，引导技术与教育融合进程和谐共进;另一方面，完善数据采集规范，保护学习者敏感信息，保证学习者具备自身学习数据采集与使用知情权，建立相关审查机制，规范并约束相关应用，在公开与共享教育数据时遵循相关标准，督促敏感数据审查、被试对象数据脱敏，保证数据的客观性与可用性。此外，建立相关政策约束技术拥有者的数据垄断，避免技术异化，消除人工智能系统可能带来的某些不恰当的价值判断，以免在技术快速演进、法律法规相对滞后的当下引发一系列社会问题和伦理挑战（刘三女牙， 等， 2017）。
（四）促进多学科交叉
正如一直以来人工智能在计算机科学、心理学和脑科学等多学科交叉融合中不断取得突破，作为一个典型的学科交叉领域，智能教育的研究与发展面临教育学、生命科学、脑科学、心理学、社会学、信息科学、系统科学、管理科学等更多学科、更加复杂的挑战（Koedinger， Booth， & Klahr， 2013）。未来，在智能教育理论、方法和应用等多个层面，均需综合运用自然科学与社会科学研究方法，着力探索多学科交叉融合、联合攻关的新方法、新模式，开拓智能教育研究的新领域、新方向、新发现，汇聚并培养一批具有跨学科思维的复合型人才队伍，形成综合研究能力，促进智能教育研究中规律性和机制性的理论突破，发展面向未来教育的新方法、新技术和新应用，为解决教育改革发展中的环境重构、资源创新、流程再造、评价变革、治理优化等一系列问题，提供新的研究范式和技术工具。
（五）加强多主体协同
教育是一项复杂的系统工程，多主体协同攻关是国内外教育科学研究的重要特征，需要“政产学研用”等利益相关方深度协同（Reich & Ruipérez-Valiente， 2019）。未来智能教育发展以打造整体生态为目标，探索教育系统相关组织与机构开展多主体协同的新途径与新机制，全方位支持智能教育研究创新、学科发展、人才培养、应用推广和产业升级。按照高校/科研机构（U）、政府（G）、企业（B）、学校（S）各方共同参与、广泛合作的“UGBS”运行模式，充分发挥政府引导者与推动者的作用，在教育政策引导、宏观组织、标准制定、经费投入、绩效评估等方面开展体制机制创新。通过多主体协同，形成涵盖基础理论突破、关键技术攻关、产品研发和应用能力构建的整体布局，实现学科链、产业链、资金链的有机衔接，提升智能教育科研质量和应用服务的整体效能。
四、总结
综上所述，人工智能赋能教育，为教育的创新变革带来新动能，同时也面临诸多挑战。智能教育并非人工智能在教育领域的简单应用，受人工智能技术变革、人才培养目标牵引、地域文化渗透等多重因素影响，智能教育的发展具有时代性、领域性和文化性等特点，其背后有更加丰富和深刻的内涵。智能教育的创新也并非一个智能技术在教育教学中的单点突破问题，而是一项需要从基础设施建设、共性技术突破、伦理规范完善等方面进行多学科交叉、多主体协同的系统性工程。未来，应考虑结合教育领域特点和发展目标，着力提升智能教育的技术泛化能力，明确智能教育的机理与规律，促进多场景下的教育人机共融与互信。
[参考文献]
曹培杰. 2020. 人工智能教育变革的三重境界[J]. 教育研究，41（2）：143-150.
何克抗. 2018. 关于我国教育技术学研究现状和教育变革着力点的思考[J]. 电化教育研究，39（8）：5-14.
黄荣怀，周伟，杜静，等. 2019. 面向智能教育的三个基本计算问题[J]. 开放教育研究，25（5）：11-22.
刘三女牙，李卿，孙建文，等. 2016. 量化学习：数字化学习发展前瞻[J]. 教育研究，37（7）：119-126.
刘三女牙，杨宗凯，李卿. 2017. 教育数据伦理：大数据时代教育的新挑战[J]. 教育研究，38（4）：15-20.
刘三女牙，杨宗凯，李卿. 2020. 计算教育学：内涵与进路[J]. 教育研究，41（3）：152-159.
屈静，刘凯，胡祥恩，等. 2020. 对话式智能导学系统研究现状及趋势[J]. 开放教育研究，26（4）：112-120.
汪维富，毛美娟. 2021. 多模态学习分析：理解与评价真实学习的新路向[J]. 电化教育研究，42（2）：25-32.
吴南中. 2017. 混合学习空间：内涵、效用表征与形成机制[J]. 电化教育研究，38（1）：21-27.
楊晓哲，任友群. 2021. 教育人工智能的下一步——应用场景与推进策略[J]. 中国电化教育（1）：89-95.
叶波，吴定初. 2020. 智能时代的教师实践智慧：走向智慧的实践[J]. 教育研究，41（12）：129-140.
Anderson， J. R.， Boyle， C. F.， Corbett， A. T.， & Lewis， M. W. （1990）. Cognitive modeling and intelligent tutoring. Artificial Intelligence， 42， 7-49.
Clayton， K. E.， Blumberg， F. C.， & Anthony， J. A. （2018）. Linkages between course status， perceived course value， and students preference for traditional versus non-traditional learning environments. Computers & education， 125， 175-181.
Corbett， A. T.， & Anderson， J. R. （1994）. Knowledge tracing： Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction， 4（4）， 253-278.
Goodfellow， I. J.， Shlens， J.， & Szegedy， C. J. （2015）. Explaining and harnessing adversarial examples. Proceedings of the 3rd International Conference on Learning Representations （ICLR2015）.
Graesser， A. C.， Cai， Z.， Morgan， B.， & Wang， L. （2017）. Assessment with computer agents that engage in conversational dialogues and trialogues with learners. Computers in Human Behavior， 76， 607-616.
Jin， C.， He， B.， Hui， K.， & Sun， L. （2018）. TDNN： a two-stage deep neural network for prompt-independent automated essay scoring. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics （pp. 1088-1097）.
Kizilcec， R. F.， Reich， J.， Yeomans， M.， Dann， C.， Brunskill， E.， Lopez， G.， et al. （2020）. Scaling up behavioral science interventions in online education. Proceedings of the National Academy of Sciences， 117（26）， 14900-14905.
Koedinger， K.R.， & Aleven， V. （2016）. An interview reflection on “Intelligent tutoring goes to school in the big city.” International Journal of Artificial Intelligence in Education， 26（1）， 13-24.
Koedinger， K. R.， Booth， J. L.， & Klahr， D. （2013）. Instructional complexity and the science to constrain it. Science， 342（6161）， 935-937.
Nye， B. D.， Graesser， A. C.， & Hu， X. （2014）. AutoTutor and family： A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education， 24， 427-469.
Piech， C.， Bassen， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas， L. J.， et al. （2015）. Deep knowledge tracing. Advances in Neural Information Processing Systems （pp. 505-513）.
Rahwan， I.， Cebrian， M.， Obradovich， N.， Bongard， J.， Bonnefon， J.-F.， Breazeal， C.， et al. （2019）. Machine behaviour. Nature， 568（7753）， 477-486.
Reich， J.， & Ruipérez-Valiente， J. A. （2019）. The MOOC pivot. Science， 363（6423）， 130-131.
Ritter， S.， Anderson， J. R.， Koedinger， K. R.， & Corbett， A. （2007） Cognitive Tutor： Applied research in mathematics education. Psychonomic Bulletin & Review， 14， 249-255.
Skinner， B. F. （1958）. Teaching Machines. Science， 128（3330）， 969-977.
Sleeman， D. H.， & Brown， J. S. （Eds.）. （1982）. Intelligent Tutoring Systems. New York： Academic Press.
Sottilare， R. A. （2016）. Adaptive instruction for individual learners within the Generalized Intelligent Framework for Tutoring GIFT. In Proceedings， Part II， of the 10th International Conference on Foundations of Augmented Cognition： Neuroergonomics and Operational Neuroscience （pp. 90-96）.
Uto， M.， Xie， Y.， & Ueno， M. （2020）. Neural automated essay scoring incorporating handcrafted features. Proceedings of the 28th International Conference on Computational Linguistics （pp. 6077-6088）.
Zhang， W. E.， Sheng， Q. Z.， Alhazmi， A.， & Li， C. （2020）. Adversarial attacks on deep-learning models in natural language processing： A survey. ACM Transactions on Intelligent Systems Technology， 11（3）， 1-41.
收稿日期：2021-01-15
定稿日期：2021-02-10
作者簡介：刘三女牙，博士，教授，博士生导师;刘盛英杰，博士研究生;孙建文，博士，副教授，本文通讯作者;沈筱譞，博士后;刘智，博士，副教授。华中师范大学教育大数据应用技术国家工程实验室（430079）。
责任编辑 刘 莉
