基于学习科学的智能教育环境设计海外案例

    屠露洁 张海 杨絮 李思维

    

    

    学习科学领域是一个跨学科领域，包括心理学、社会学、计算机科学、教育和认知科学，研究人员提供了各种各样的理论和方法来探索如何更好地理解和支持教学过程。随着“智能化领跑教育信息化2.0”逐渐取得共识，“教育中的人工智能”（Artificial Intelligence in Education， AIED）研究已经被认为是教育信息化的一种高端形态。近年来，人工智能在教育领域的应用研究数量和质量都在增加，很多系统被证明对学生的学习有显著的积极影响。而这些系统的成功，主要是由于学习科学研究成果在设计中的成功应用。

    然而，大多数商业人工智能开发者对学习科学研究和教学知识仍知之甚少。因此，为了确保用于教育和培训的人工智能技术能够体现其优势，并符合学习科学原则，必须在人工智能开发人员、教育工作者和研究人员等利益相关者间建立通畅的沟通渠道和合作关系。本文将通过两个案例说明了这种合作方式如何展开。

    案例1：学习科学驱动的数据采集环境设计：PELARS项目 （http：//www.pelars.eu）

    PELARS项目设计了一个数据采集学习环境，在实践活动中，使用多个传感器来收集数据，从而获取一系列关于学生交互的数据。该学习环境容纳四名学生和一名收集数据的研究人员，收集的数据包括来自Arduino物理计算工具包的日志文件、面部和目标跟踪（框标），自我报告数据能通过两个大按钮传输，学生可以按下按钮来表示情绪（积极或消极）。网络和移动工具也可供学生记录他们的活动。学生可以通过一个移动设备输入简短的文本来记录他们解决问题的过程，通过该设备他们还可以捕获照片和视频。

    这个案例表明，研究者可以收集数据，并通过学习科学研究的方式进行分析。在PELARS项目中，研究者基于学习科学文献梳理出了有效的协作问题解决过程的四个可观测特征——同步性、平等性、互动性和个体问责性，然后设计了一个能够自动检测这些特征的多模态学习分析系统。此项目探索了学习科学中的四个概念——同步性、个人问责性、平等性和个体内变异，这些概念通过学生身体互动的非语言指标来解释，用以确定学生的协作问题解决能力。研究显示，协作问题解决高能力组的学生在身体互动方面表现出较高且均匀的个体得分，而在个体差异方面表现出较低且均匀的得分。协作问题解决高能力小组的学生也有较高的同步性和个人责任感。

    案例2：基于智能教育评价框架的整合环境设计法则：CENTURY Tech（https：//www.century.tech）

    澳大利亚的新南威尔士州教育部为了评估人工智能教育技术而制定了《教学法案》（TALA）框架。TALA确定了人工智能教育者和学习者需要进行的基本教学活动。特定的人工智能教育技术支持的教学活动可以根据TALA框架编制索引，以帮助教育者利用人工智能来解决他们的学生面临的教育挑战。图1为TALA框架。

    世纪科技（CENTURY Tech）是一个商业AI平台，大量使用了智能教育评价框架，进行了整合环境设计，从而实现了通过为教师提供个性化学习、实时数据和减少工作量的方式，提高学习者的学习效率，缩小优势学习者和弱势学习者之间的成绩差距的目的。图2说明了世纪科技对TALA框架的部分应用。

    总之学习科学这一跨学科研究有助于了解人类学习方式，可以更好地指导用于教育和培訓的人工智能（AI）技术的发展。本文通过介绍两个基于学习科学的教育应用设计案例，说明了学习科学如何在信息分析、数据提供、教学支持等方面，帮助智能教育更好地设计AI算法来快速分析丰富的教育数据，从而为学习者提供更快、更细致、更个性化的“脚手架”。

    参考文献：

    [1]蒋鑫，朱红艳，洪明.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（02）：9-20+48.

    [2]Koedinger，K.R.，Corbett，A.T.，&Perfetti，C.The Knowledge-Learning-Instruction framework：Bridging the science-practice chasm to enhance robust student learning[J].Cognitive Science，2012，36（05），757-798.

    [3]Katterfeldt， E. S.，Cukurova， M.，Spikol，D.，&Cuartielles，D.Physical computing with plug-and-play toolkits： Key recommendations for collaborative learning implementations[J].International Journal of Child-Computer Interaction，2018（17），72-82.

    [4]Spikol，D.，Ruffaldi，E.，Dabisias，G.，& Cukurova，M.Supervised machine learning in multimodal learning analytics for estimating success in project-based learning[J].Journal of Computer Assisted Learning， 2018，34（09），1375-1386.

    本项研究受到吉林省教育厅“十三五”社会科学研究规划项目重点课题“基于数据挖掘的卓越教师能力结构与培训研究”（课题号：JJKH20170931SK），东北师范大学教师教育研究基金重点课题“基于数据挖掘的教师专业发展成长轨迹研究”（课题号：JSJY20180104），东北师范大学交叉研究项目“基于教育数据科学的课堂学习测量与评价研究”（课题号：108-130026916），认知智能国家重点实验室资助项目“基于教育数据科学的智慧课堂测量与评价研究”（课题号：iED2019-Z01）资助。