人工智能的教學(xué)角色隱喻分析

張志禎 張玲玲 徐雪迎 劉佳林

【摘 要】

能夠自主“感知、理解、預(yù)測、行動”的人工智能是靈活強(qiáng)大的學(xué)習(xí)技術(shù)，在教與學(xué)過程中可以發(fā)揮多種作用。技術(shù)的靈活性為智能教學(xué)系統(tǒng)的設(shè)計和應(yīng)用帶來了挑戰(zhàn)。合理的功能定位是人工智能技術(shù)發(fā)揮作用的前提，對其教學(xué)角色隱喻的分析對于智能教學(xué)系統(tǒng)的研究與利用有指導(dǎo)作用。本研究選擇人工智能教育應(yīng)用領(lǐng)域的高影響力項目開展了案例研究。案例研究表明，人工智能的教學(xué)角色隱喻主要有輔導(dǎo)者、教練、評價者、協(xié)調(diào)者、聯(lián)通者、同伴和學(xué)生七種。從歷史發(fā)展與現(xiàn)狀來看，占優(yōu)勢的為教練、評價者和輔導(dǎo)者等教師隱喻。從教學(xué)的完整過程看，人工智能尚無法比肩人類教師，但在“行動中”其表現(xiàn)并不遜色于人類個體，在很多情況下各有千秋。受限于自然語言處理技術(shù)在語義處理上的裹足不前，輔導(dǎo)者還難以像人類教師一樣與學(xué)習(xí)者開展連續(xù)的自然語言對話，但教練、評價者、協(xié)調(diào)者、聯(lián)通者、學(xué)生和同伴則更充分地利用了計算機(jī)的多媒體與網(wǎng)絡(luò)數(shù)據(jù)計算、存儲、交互能力，能夠提供人類教師難以或無法提供的學(xué)習(xí)經(jīng)驗。未來，人工智能的教學(xué)角色隱喻將繼續(xù)演化，呈現(xiàn)出分化與整合、從支持“學(xué)”到“學(xué)教”并重的總體趨勢;智能教學(xué)系統(tǒng)中文化因素的作用將日益顯性化;將更重視與學(xué)習(xí)者建立與維持長期關(guān)系;人工智能將促進(jìn)學(xué)習(xí)環(huán)境的虛實融合，提高學(xué)習(xí)環(huán)境的適應(yīng)性。

【關(guān)鍵詞】 ?人工智能教育應(yīng)用;智能輔導(dǎo)系統(tǒng);計算機(jī)支持的合作學(xué)習(xí);教學(xué)代理;高影響力項目;教學(xué)角色;

案例研究

【中圖分類號】 ?G420 ? ? ? 【文獻(xiàn)標(biāo)識碼】 ?A ? ?   【文章編號】 ?1009-458x（2019）11-0024-15

一、引言

能夠自主“感知、理解、預(yù)測、行動”的人工智能是前所未有的強(qiáng)大學(xué)習(xí)技術(shù)，它增強(qiáng)了教與學(xué)過程中作為交互主體的計算機(jī)的靈活性與適應(yīng)性（張志禎， 等， 2019）。在教育領(lǐng)域，可以低成本、大范圍地使用智能技術(shù)的時間還不長，機(jī)構(gòu)、個體的人工智能教育應(yīng)用意識與能力差別很大，且總體上比較低。人工智能技術(shù)靈活、多樣，它在學(xué)與教活動中起作用的方式多種多樣，描述它作用的術(shù)語也并未達(dá)成一致。例如，“tutor”一詞，有時指談話教學(xué)法（如， Graesser， 2016），有時指認(rèn)知學(xué)徒取向的問題解決教學(xué)法（如， Anderson， et al.， 1995）;譯為中文，則有“輔導(dǎo)”“導(dǎo)學(xué)”“指導(dǎo)”等多種譯法。對于核心概念的用詞與內(nèi)涵缺乏共識，就其后果而言，不但會增加溝通成本，易導(dǎo)致思想混亂，而且可能誤導(dǎo)設(shè)計、開發(fā)與應(yīng)用實踐，不利于領(lǐng)域知識積累;究其原因，是受到領(lǐng)域快速發(fā)展、從業(yè)人員的學(xué)科知識背景與訴求差異大、相對忽視教學(xué)層面的反思總結(jié)等因素的共同作用。在大范圍推進(jìn)人工智能教育研究與實踐的背景下，非常有必要對人工智能支持學(xué)與教的微觀作用方式及其術(shù)語使用進(jìn)行系統(tǒng)梳理。在此過程中，人工智能的教學(xué)角色隱喻分析將是很有效的切入點。教學(xué)角色隱喻（metaphor of instructional role）是對以人工智能技術(shù)為支撐的計算機(jī)系統(tǒng)在促進(jìn)學(xué)習(xí)者①學(xué)習(xí)過程中所扮演的角色或發(fā)揮作用的方式的概括性比喻。

社會心理學(xué)意義上的角色指個人在一定社會關(guān)系中占有的地位及其規(guī)定的行為模式。在某一社會情境中，角色的社會功能是通過主體的行為展現(xiàn)的，是其行為的集合。對于計算機(jī)系統(tǒng)而言，行為等價于其提供的功能（functionality或feature），角色是特定功能的集合。

隱喻是一種修辭手法，也是一種認(rèn)知方式。在修辭法意義上，隱喻是暗喻，是比喻的一種。隱喻較為含蓄，比喻隱藏在“是”這類謂詞中，如“教師是人類靈魂的工程師”。有語言學(xué)研究者認(rèn)為隱喻是一種認(rèn)知方式，是人類的一項基本認(rèn)知能力。在日常生活中，人們常常通過熟悉、具體的概念來認(rèn)識、思考和說明抽象、復(fù)雜的概念，這就產(chǎn)生了隱喻;在新興學(xué)科中這一現(xiàn)象尤為顯著，如信息技術(shù)領(lǐng)域的病毒、信息高速公路等概念（劉丹鳳， 魏躍衡， 2007）。在教育研究領(lǐng)域，教師的教學(xué)角色隱喻分析，即對于教師將教學(xué)看作什么、比作什么的系統(tǒng)分析，用于研究與發(fā)現(xiàn)教師的個人教學(xué)理論（康納利， 克蘭迪寧， 2004， p. 73），促進(jìn)教師教育反思與專業(yè)成長（陳向明， 2001）。

Roll等（2016）認(rèn)為對于人工智能教育應(yīng)用領(lǐng)域，隱喻不但有助于建立共同愿景，而且有助于確立具體目標(biāo)，對于人工智能教育應(yīng)用研究有引領(lǐng)作用。在本領(lǐng)域誕生之初就已注意到計算機(jī)的教學(xué)角色隱喻問題。Collins等（1975）在40多年前就提到了人工智能的“人類教師”隱喻與“交互學(xué)習(xí)環(huán)境”隱喻。20年后，Anderson等（1995）透露出輔導(dǎo)教師（tutor）隱喻的局限性，但已深陷其中，很無奈。20世紀(jì)90年代，可創(chuàng)建可視化交互虛擬的計算機(jī)多媒體技術(shù)成熟、普及，催生出教學(xué)代理（pedagogical agent①）及其教學(xué)角色研究，教學(xué)代理可以作為專家、激勵者、指導(dǎo)者等多種教學(xué)角色（Johnson， et al.， 2000; Baylor & Kim， 2005）。又一個20年后，Roll等（2016）在元分析的基礎(chǔ)上，提出人工智能作為“輔導(dǎo)教師”有局限性，未來應(yīng)該追求做學(xué)習(xí)者的“導(dǎo)師”（mentor）。

二、問題與方法

本研究試圖回答人工智能教育應(yīng)用領(lǐng)域的如下問題：

第一，人工智能主要有哪些教學(xué)角色隱喻？②

第二，與人類教師相比，這些角色的優(yōu)勢與局限是什么？

第三，教學(xué)角色隱喻分析對于未來的人工智能教育應(yīng)用研究與實踐有何啟示？

本研究為多個案的案例研究。采用案例研究的原因有三：一是本領(lǐng)域具有強(qiáng)烈的工程化取向，主要通過利用人工智能及計算機(jī)多媒體、網(wǎng)絡(luò)技術(shù)建造教學(xué)系統(tǒng)或者系統(tǒng)原型來解決教育問題，這些系統(tǒng)蘊(yùn)含了人工智能的教學(xué)角色隱喻，是天然的案例;二是本領(lǐng)域因人工智能技術(shù)發(fā)展、教育教學(xué)變革推進(jìn)而處于快速發(fā)展期，知識體系、研究范式還未成熟，更適合探索性的案例研究;三是更深層次的認(rèn)識論原因，即案例具有綜合性與情境性，案例本身比從中抽象出來的原則更真實可信，更能體現(xiàn)實踐智慧（波蘭尼， 2017， pp. 63-64）。

對于案例研究做如下說明：

① 案例選擇標(biāo)準(zhǔn)。本研究案例為“高影響力”項目，案例需滿足三個標(biāo)準(zhǔn)：一是持續(xù)時間較長，超過5年;二是在同行評審雜志/會議發(fā)表文章至少3篇;三是以目標(biāo)學(xué)習(xí)者為被試開展過教學(xué)實驗研究。

② 案例資料收集與分析方法。采用“滾雪球”法（巴比， 2009）收集案例資料。以《國際人工智能教育應(yīng)用雜志（International Journal of Artificial Intelligence in Education， IJAIED）》的25周年紀(jì)念專刊（2016年， 第26卷第1、2期）為起點，在其“經(jīng)典文章”的反思論文與參考文獻(xiàn)的基礎(chǔ)上，順藤摸瓜，查找文獻(xiàn)。采用質(zhì)性研究的“持續(xù)比較”法，自下而上形成教學(xué)角色隱喻類別，并根據(jù)新案例調(diào)整類別體系。

③ 案例分析單位。以項目開發(fā)的系統(tǒng)或系統(tǒng)原型為單位，匯總信息。記錄案例系統(tǒng)名稱、教學(xué)角色隱喻、開始年份、學(xué)科、知識點、學(xué)習(xí)目標(biāo)類型、首席研究者、研究機(jī)構(gòu)、研究機(jī)構(gòu)所屬地區(qū)、項目成熟度、體驗版訪問地址與賬號等。項目成熟度屬性的取值：原型描述、實驗室實驗、學(xué)校實驗、課程整合和產(chǎn)品化五個水平。一個項目有多個版本或者衍生系統(tǒng)者，按照級別最高的取值。

④ 案例情況。本研究重點分析的21個智能教學(xué)系統(tǒng)案例的基本信息見附表1。案例研究機(jī)構(gòu)所在地區(qū)：北美17個，占比81.0%;歐洲4個，占比19.0%。項目的成熟度分布：實驗室實驗占比14.3%，學(xué)校實驗占比14.3%，課程整合占比52.4%，產(chǎn)品化占比19.0%。學(xué)習(xí)內(nèi)容分布：STEM16個，占比76.2%;語言、地理、社會文化行為等5個，占比23.8%。

三、人工智能教學(xué)角色隱喻：框架與案例

總體而言，如何促進(jìn)學(xué)習(xí)者個體或小組的學(xué)習(xí)，即如何“用技術(shù)教”個體或小組，始終是人工智能教育應(yīng)用研究關(guān)注的焦點。有關(guān)人是如何學(xué)習(xí)的、人類教師是如何教學(xué)的心理學(xué)理論是設(shè)計智能教學(xué)系統(tǒng)功能的主要依據(jù)，如維果茨基的內(nèi)化與最近發(fā)展區(qū)理論、Anderson的ACT*R認(rèn)知技能理論、人類教師輔導(dǎo)策略、班杜拉的社會認(rèn)知理論、元認(rèn)知理論、情境學(xué)習(xí)理論與認(rèn)知學(xué)徒策略等。

（一）人工智能教學(xué)角色隱喻的框架

通過對案例中人工智能支持學(xué)習(xí)的方式進(jìn)行分析概括，發(fā)現(xiàn)人工智能主要有七種教學(xué)角色隱喻，即人工智能作為：①輔導(dǎo)者（tutor），呈現(xiàn)問題（question），與學(xué)習(xí)者就問題進(jìn)行自然語言對話，協(xié)同建構(gòu)解釋，促進(jìn)學(xué)習(xí)者對于概念、原理的理解，如SCHOLAR、AutoTutor;②教練（coach），選擇問題（problem），創(chuàng)建問題解決環(huán)境，逐步監(jiān)控學(xué)習(xí)者解決問題的過程，適時給予評價、反饋，發(fā)展學(xué)習(xí)者的認(rèn)知技能或者操作技能，如Cognitive Tutor、Writing Pal;③評價者（evaluator），通過練習(xí)或測驗評價學(xué)習(xí)者對知識、技能的掌握情況，也提供個性化反饋指導(dǎo)以及學(xué)情匯總，如ASSISTments、WISE+c-rater;④協(xié)調(diào)者（facilitator），系統(tǒng)參與學(xué)習(xí)者的在線討論，監(jiān)控討論是否偏離主題以及任務(wù)完成情況，并可根據(jù)情況進(jìn)行干預(yù)，比如向某個學(xué)生提問，如MentorChat、Bazaar;⑤聯(lián)通者（connector），系統(tǒng)將學(xué)習(xí)者與恰當(dāng)?shù)馁Y源或人建立連接，即資源的推薦系統(tǒng)、人的匹配系統(tǒng)，如Course Signals、PHelpS、Quick Helper;⑥同伴（peer），系統(tǒng)模擬出與學(xué)習(xí)者身份相同、人口學(xué)特征相似的同伴，以豐富學(xué)習(xí)交互方式，實現(xiàn)合作、觀察與競爭等學(xué)習(xí)活動，促進(jìn)學(xué)習(xí)者反思、表達(dá)，如LuCy、Mike、Alex;⑦學(xué)生（student），系統(tǒng)模擬出能夠以某種方式學(xué)習(xí)的學(xué)生，讓學(xué)習(xí)者“教中學(xué)”，如Bettys Brain、SimStudent、Square Family。

在七種角色隱喻中，前五種均可視為教師（teacher），因此總體上可以將教學(xué)角色隱喻分為教師、同伴與學(xué)生三大類。

將上述教學(xué)角色按照應(yīng)用環(huán)境（智能輔導(dǎo)系統(tǒng)，ITS;計算機(jī)支持的合作學(xué)習(xí)，CSCL）、領(lǐng)域?qū)ｉL高低、對于學(xué)習(xí)與認(rèn)知社會性的強(qiáng)調(diào)程度等維度進(jìn)行分析，可形成一個組織框架，參見圖1。協(xié)調(diào)者、聯(lián)通者多見于計算機(jī)支持的合作學(xué)習(xí)（CSCL）環(huán)境中，即學(xué)習(xí)者借助網(wǎng)絡(luò)與其他學(xué)習(xí)者開展合作學(xué)習(xí)活動，計算機(jī)起協(xié)調(diào)、支持、幫助建立聯(lián)系等作用;其他五種角色主要在智能輔導(dǎo)系統(tǒng)（ITS）環(huán)境中，即計算機(jī)提供學(xué)習(xí)內(nèi)容與學(xué)習(xí)環(huán)境，并與學(xué)習(xí)者開展教學(xué)互動。七種角色隱喻在領(lǐng)域?qū)ｉL（domain expertise）與學(xué)習(xí)認(rèn)知的社會性（social dimension of learning）方面存在差異。通常而言，輔導(dǎo)者、教練與評價者位于連續(xù)體的一端，即計算機(jī)有很強(qiáng)的領(lǐng)域?qū)ｉL，具備解決學(xué)習(xí)者所面臨的問題或任務(wù)的知識、技能，更強(qiáng)調(diào)學(xué)習(xí)與認(rèn)知的個體性;學(xué)生、同伴、聯(lián)通者、協(xié)調(diào)者位于連續(xù)體的另外一端，即其領(lǐng)域?qū)ｉL較弱，通常無法勝任解決學(xué)習(xí)者的問題這一任務(wù)，更強(qiáng)調(diào)學(xué)習(xí)與認(rèn)知的社會性。

在七種角色隱喻中，以用戶數(shù)量和項目成熟度為標(biāo)準(zhǔn)，占優(yōu)勢的為教練、評價者、輔導(dǎo)者與學(xué)生。

（二）輔導(dǎo)者：SCHOLAR與AutoTutor

輔導(dǎo)者通過與學(xué)習(xí)者進(jìn)行自然語言對話開展教學(xué)，促進(jìn)學(xué)習(xí)。語言是教與學(xué)最基本的媒介，談話教學(xué)法在東西方均有深厚的歷史傳統(tǒng)?？鬃拥摹皢l(fā)”、蘇格拉底的“產(chǎn)婆術(shù)”，都以與學(xué)習(xí)者的談話為核心。

20世紀(jì)60年代末開始研發(fā)的SCHOLAR，利用人機(jī)混合主動對話（man-computer mix initiative dialogue）在與學(xué)習(xí)者進(jìn)行書面英語對話的過程中教授南美地理知識（Carbonell， 1970），開創(chuàng)了計算機(jī)自然語言對話輔導(dǎo)的先河。SCHOLAR的核心實現(xiàn)技術(shù)是自然語言處理（natural language processing， NLP）和語義網(wǎng)（semantic network）技術(shù)：NLP技術(shù)實現(xiàn)了與學(xué)習(xí)者的“交談”，理解學(xué)習(xí)者的回答與提問，生成書面英語，與學(xué)習(xí)者開展多輪次（但非常有限）的輔導(dǎo)對話;語義網(wǎng)實現(xiàn)了學(xué)科知識存儲與推理（檢索），使系統(tǒng)可以實時生成問題、回答問題。SCHOLAR具有里程碑意義，智能計算機(jī)輔助教學(xué)軟件（ICAI）和ITS研究濫觴于此。

AutoTutor項目始于20世紀(jì)末，是SCHOLAR之后眾多輔導(dǎo)者系統(tǒng)中最具代表性的系統(tǒng)。AutoTutor來自美國孟菲斯大學(xué)Art C. Graesser教授領(lǐng)導(dǎo)的跨學(xué)科研究團(tuán)隊。當(dāng)時的智能輔導(dǎo)系統(tǒng)多僅基于專家系統(tǒng)和人類認(rèn)知的一般原則設(shè)計，而AutoTutor則采用了對人類師生一對一輔導(dǎo)對話過程進(jìn)行分析所發(fā)現(xiàn)的輔導(dǎo)策略，關(guān)注如何利用自然語言交談幫助學(xué)習(xí)者精細(xì)化回答問題，以促進(jìn)學(xué)習(xí)者對概念和原理形成深度理解，并在計算機(jī)素養(yǎng)、物理、批判性思維等多個領(lǐng)域取得與人類輔導(dǎo)者相當(dāng)?shù)膶W(xué)習(xí)效果（Graesser， 2016）。有關(guān)其具體輔導(dǎo)策略的介紹可參見高紅麗等（2016）。AutoTutor衍生出了多個項目，其中有開源系統(tǒng)，也有商業(yè)化產(chǎn)品（Nye， et al.， 2014）。

（三）教練：Cognitive Tutor與Writing Pal

教練（coach）支持“認(rèn)知學(xué)徒”教學(xué)策略，教師為學(xué)習(xí)者創(chuàng)設(shè)解決問題、完成任務(wù)的環(huán)境，呈現(xiàn)問題，學(xué)習(xí)者嘗試解決問題，教師在觀察、分析學(xué)習(xí)者的表現(xiàn)過程與結(jié)果的基礎(chǔ)上為學(xué)習(xí)者提供指導(dǎo)、建議，強(qiáng)調(diào)有指導(dǎo)、及時反饋的“做中學(xué)”。這類系統(tǒng)通常圍繞學(xué)習(xí)者的認(rèn)知技能發(fā)展，如操作程序（procedure）、問題解決（problem solving）和對話交流（oral communication）而展開。操作程序是指使用復(fù)雜設(shè)備或者執(zhí)行流程復(fù)雜的關(guān)鍵任務(wù)，如培訓(xùn)如何操作高壓力飛機(jī)的Steve系統(tǒng)（Johnson， 1997）。問題解決多為數(shù)學(xué)、物理、計算機(jī)等理工學(xué)科問題的解決，如Cognitive Tutor系列（VanLEHN， 2011）。對話交流特別強(qiáng)調(diào)口語交流能力培養(yǎng)，尤其是文化適宜的交流方式（Johnson & Lester， 2016）。

為監(jiān)控與引導(dǎo)學(xué)習(xí)者的表現(xiàn)，智能教學(xué)系統(tǒng)利用計算機(jī)技術(shù)創(chuàng)設(shè)出交互學(xué)習(xí)環(huán)境;人工智能技術(shù)隱藏在可視化的環(huán)境與交互對象之后，增強(qiáng)其適應(yīng)性。為了便于初學(xué)者學(xué)習(xí)，也為了方便計算機(jī)感知學(xué)習(xí)者的表現(xiàn)，通常教練類智能教學(xué)系統(tǒng)所構(gòu)造的學(xué)習(xí)環(huán)境是高度結(jié)構(gòu)化與高度限定性的。教練系統(tǒng)所創(chuàng)設(shè)的環(huán)境按照真實程度可分為三類：表單、模型與模擬。表單（form）采用文本框、按鈕、菜單等常規(guī)的計算機(jī)交互組件，參照問題解決步驟構(gòu)建交互界面。例如，教小學(xué)生分?jǐn)?shù)加法時，固定解題步驟，每一步提供分別輸入分子和分母的文本框，嚴(yán)格限定學(xué)生的解題步驟，從而很容易地定位錯誤。有些版本的Cognitive Tutor采用表單環(huán)境;以寫作策略為教學(xué)目標(biāo)的Writing Pal（Weston-Sementelli， et al.， 2018）利用普通的文本輸入框等界面元素為學(xué)習(xí)者提供寫作與反饋環(huán)境。模型（model）指利用學(xué)科模型，如電路圖、函數(shù)圖像、數(shù)據(jù)表格、生態(tài)系統(tǒng)模型等學(xué)科知識表征手段，幫助學(xué)生理解與解決問題，如Andes（VanLehn et al.， 2005）。模擬（simulation）指用計算機(jī)模擬真實的設(shè)備或環(huán)境，讓學(xué)生在仿真的場景中解決問題，發(fā)展技能。如BEETLEII的模擬電路（Dzikovska， et al.， 2014）、Steve的沉浸式虛擬現(xiàn)實學(xué)習(xí)環(huán)境（Johnson， et al.， 2000）。

（四）評價者：ASSISTments與WISE+c-rater

評價者收集學(xué)習(xí)過程與結(jié)果的數(shù)據(jù)，對數(shù)據(jù)進(jìn)行統(tǒng)計分析，參照標(biāo)準(zhǔn)進(jìn)行價值判斷，并將評價結(jié)果反饋給教師、學(xué)習(xí)者以促進(jìn)學(xué)習(xí)。評價者強(qiáng)調(diào)形成性評價。任何類型的智能教學(xué)系統(tǒng)都包含評價組件，這是教學(xué)模型做出教學(xué)決策的基礎(chǔ)，但評價者將結(jié)果反饋給教師和學(xué)習(xí)者，而不只是用于調(diào)整教學(xué)干預(yù)。

ASSISTments是assist與assessment兩個英語單詞的組合，強(qiáng)調(diào)評價活動伴隨學(xué)與教的過程自然開展，即其“非侵?jǐn)_”性。在眾多ITS系統(tǒng)中，ASSISTments是比較獨(dú)特的，主要體現(xiàn)在：①在中小學(xué)中大范圍應(yīng)用，2013—2014學(xué)年，學(xué)生用戶達(dá)50，000人;②系統(tǒng)面向教師開放，在應(yīng)用過程中教師深度參與系統(tǒng)的教學(xué)應(yīng)用，在常見ITS的教學(xué)應(yīng)用過程中通常教師是不能改變其內(nèi)容的，但是ASSISTments明確提出做平臺而非課程，課程需要由教師提供，可以說這是充分利用教師“智能”的平臺;③隨著系統(tǒng)的發(fā)展，逐步開始強(qiáng)調(diào)該系統(tǒng)作為教學(xué)研究平臺的價值，即利用其開展教學(xué)實驗，對比不同材料或教學(xué)策略的有效性，截至2014年已有18篇隨機(jī)控制實驗研究論文發(fā)表于實行同行評審的雜志;④不諱言應(yīng)試問題，早期該系統(tǒng)的系統(tǒng)目標(biāo)明確提出幫助高中生準(zhǔn)備數(shù)學(xué)考試（Heffernan， et al.， 2014）。

WISE+c-rater利用計算機(jī)自動為學(xué)習(xí)者的短文回答進(jìn)行評分，為科學(xué)探究學(xué)習(xí)中的簡答題提供自動反饋。在課堂中開展科學(xué)探究學(xué)習(xí)時，教師如何及時為學(xué)習(xí)者的回答提供反饋是教學(xué)的難題。WISE研究團(tuán)隊將美國教育考試中心（ETS）用于SAT（Scholastic Assessment Test， 學(xué)術(shù)能力評估考試）等高利害相關(guān)考試中的作文自動評分系統(tǒng)c-rater整合到WISE平臺中，以實現(xiàn)自動評價學(xué)習(xí)者回答的知識整合水平，根據(jù)得分分配事先擬好的反饋指導(dǎo)，以促進(jìn)科學(xué)探究學(xué)習(xí)（Liu， et al.， 2016; Gerard & Linn， 2016）。

（五）協(xié)調(diào)者：MentorChat與Bazaar

協(xié)調(diào)者（facilitator）指人工智能在學(xué)習(xí)者的在線同步聊天合作學(xué)習(xí)活動中采取各種策略，促進(jìn)學(xué)習(xí)者之間深入對話、合作反思，以此促進(jìn)學(xué)習(xí)。這一角色源于人工智能技術(shù)在計算機(jī)支持的合作學(xué)習(xí)中的應(yīng)用，受到網(wǎng)絡(luò)技術(shù)與自然語言處理技術(shù)的推動，也受到學(xué)校教育中合作學(xué)習(xí)過程難以監(jiān)控以及網(wǎng)絡(luò)課程（尤其是MOOC）中學(xué)習(xí)者互動交流不充分這些現(xiàn)實需求的推動。

MentorChat來自希臘薩落尼卡亞里士多德大學(xué)，用于支持大學(xué)課堂教學(xué)中的合作學(xué)習(xí)。2011年進(jìn)行了教師、大學(xué)生接受度測試。MentorChat旨在為同伴討論式協(xié)同問題解決（如某軟件人機(jī)交互界面設(shè)計的優(yōu)點與不足以及如何改進(jìn)）提供動態(tài)支持，它實現(xiàn)了一個類似QQ的聊天環(huán)境，系統(tǒng)模擬出的會話代理（conversation agent）參與學(xué)習(xí)者的討論過程，可根據(jù)情況（如參與情況、知識點覆蓋情況等）向?qū)W習(xí)者提問（Tegos， et al.， 2014; Tegos & Demetriadis， 2017）。MentorChat以促進(jìn)學(xué)習(xí)者同伴討論為目標(biāo)，后期研究采用有學(xué)術(shù)成效的討論（academically productive talk， APT）框架分析學(xué)習(xí)者的討論，分析表明會話代理的干預(yù)有助于學(xué)習(xí)者明確表達(dá)出推理過程。教師可通過類似概念圖的方式設(shè)定討論問題所蘊(yùn)含的領(lǐng)域知識。

Bazaar來自美國卡內(nèi)基梅隆大學(xué)，其教學(xué)應(yīng)用經(jīng)歷了從中學(xué)到大學(xué)課堂教學(xué)，再到慕課課程的過程。它模擬出的對話代理（dialogue agent）能夠監(jiān)控小組交流過程，檢測到特定事件時（如對話中學(xué)生用了“重述”策略）可以觸發(fā)干預(yù)，綜合判斷后智能體可以以“Tutor”名義在會話流中發(fā)出消息。Bazaar對話代理支持MOOC學(xué)習(xí)中的同伴互動始于2014年秋edX平臺上的“學(xué)習(xí)分析”課程。Bazaar代理參與在線學(xué)習(xí)者的會話討論，引導(dǎo)學(xué)習(xí)者合作反思進(jìn)入聊天室之前學(xué)習(xí)的內(nèi)容。數(shù)據(jù)表明這一經(jīng)歷有助于降低學(xué)習(xí)者的退出率（Ferschke， et al.， 2015）。

（六）聯(lián)通者：iHelp與Quick Helper

所謂聯(lián)通者指人工智能技術(shù)能夠使學(xué)習(xí)者在恰當(dāng)?shù)臅r刻，與恰當(dāng)?shù)牟牧?、人（可以是教師、同伴或外部專家，但多為具有相關(guān)問題解決專長的同伴，下文簡稱“同伴專家”）建立聯(lián)系，以促進(jìn)學(xué)習(xí)。這是在商業(yè)、廣告等領(lǐng)域得到成功應(yīng)用的智能推薦系統(tǒng)的教育版本。在教育領(lǐng)域主要關(guān)注同伴專家推薦與資源推薦，本部分關(guān)注支持與同伴專家建立關(guān)聯(lián)的系統(tǒng)。

iHelp來自加拿大薩斯喀徹溫（Saskatchewan）大學(xué)研究團(tuán)隊。在學(xué)習(xí)者發(fā)出幫助請求后，iHelp代理幫助尋求者查找可能的幫助提供者，并建立實時的私下交流的聊天室，交流結(jié)束后系統(tǒng)要求雙方對交流做簡短的評價。20世紀(jì)90年代末期，為減輕教師的教學(xué)負(fù)擔(dān)，促進(jìn)同伴互助，iHelp用于支持大學(xué)大班額的計算機(jī)課程教學(xué)（Greer， et al.， 2001; Bull， et al.， 2001）。在十余年的時間中，數(shù)以千計的大學(xué)生使用了該系統(tǒng)。系列研究的主要發(fā)現(xiàn)是：教師的教學(xué)措施對于大學(xué)生參與討論影響很大，教師的鼓勵、提倡促進(jìn)了大學(xué)生參與討論，增強(qiáng)了大學(xué)生的動機(jī)與自信心;大學(xué)生之間差異很大，多數(shù)學(xué)生是“潛水者”，即只讀帖但沒有任何貢獻(xiàn)，有些學(xué)生則從為他人提供幫助當(dāng)中獲得滿足感，動機(jī)是其中的核心問題（Vassileva， et al.， 2016）。

Quick Helper主要用于解決MOOC課程中多以討論區(qū)為學(xué)習(xí)者提供交流討論之場所，學(xué)習(xí)者的求助易被帖子淹沒的問題。如何幫助學(xué)習(xí)者匹配到可以提供幫助的同伴？在edX的課程中，課程論壇增加了一個“Quick Helper”按鈕。學(xué)習(xí)者在點擊該按鈕后，系統(tǒng)將查找能夠回答該問題的同伴，提供三人，讓提問者選擇。系統(tǒng)向選定的學(xué)習(xí)者發(fā)送電子郵件，通知有人向其提問。相關(guān)研究主要關(guān)注不同的“獎勵”機(jī)制對幫助、回答行為的影響，數(shù)據(jù)表明，徽章的效果更好，而對回答的肯定與否定投票效果不好（Rosé & Ferschke， 2016）。

（七）同伴：LuCy、Mike和Alex

同伴（peer， 或同儕）是一種特殊的學(xué)伴（learning companion），通常在社會角色和任務(wù)上與學(xué)習(xí)者一致，年齡、身份等與學(xué)習(xí)者相近。以中國俗語“陪太子讀書”引入的學(xué)伴系統(tǒng)（learning companion system），在計算機(jī)教師、人類學(xué)生構(gòu)成的二元系統(tǒng)中增加了計算機(jī)模擬的學(xué)生，豐富了學(xué)習(xí)活動，使人類學(xué)生與計算機(jī)學(xué)生之間的合作、競爭、觀察、模仿等合作學(xué)習(xí)活動成為可能（Chan， 1996）。本部分以三個案例說明“同伴”隱喻的人工智能的教學(xué)方式。

LuCy：促進(jìn)反思與表達(dá)。智能輔導(dǎo)系統(tǒng)PROPA教授衛(wèi)星活動領(lǐng)域的解釋性分析技能，LuCy是其中一個模塊，是學(xué)習(xí)者在學(xué)習(xí)和解決問題過程中的合作伙伴，通過提問，鼓勵學(xué)習(xí)者反思、評估過去的學(xué)習(xí)行為，解釋行為背后的原因，說明行為的正當(dāng)性。其局限是學(xué)習(xí)者和LuCy間的對話形式為菜單選擇式，不夠靈活自然。但有限的交互方式仍然有助于從學(xué)生的回答中獲取信息，探索學(xué)生的知識深度，促進(jìn)學(xué)習(xí)（Goodman， et al.， 1998; Goodman， et al.，2016）。LuCy對后續(xù)研究有廣泛的影響。

Mike：網(wǎng)絡(luò)課程中“不智能”的同伴。Mike是面向教學(xué)設(shè)計初學(xué)者有關(guān)如何進(jìn)行教學(xué)設(shè)計的網(wǎng)絡(luò)課程中的同伴（Kim & Baylor， 2006; Kim， 2007）。Mike和學(xué)習(xí)者一起完成課程任務(wù)，為學(xué)習(xí)者提供不同內(nèi)容與風(fēng)格的幫助信息。Mike設(shè)定為20歲左右的白人男性，衣著和語言較為隨意，語音為計算機(jī)合成。在實驗研究中，Mike的能力、交互方式有差異。能力高者，給學(xué)習(xí)者的建議專業(yè)、表述采用正式語言且自信;能力低者，則相反。主動交互者，主動為學(xué)習(xí)者提供材料或者建議;被動交互者，等待學(xué)生要求時才提供信息。研究表明，高水平學(xué)習(xí)者對高水平的Mike評價更高;低水平學(xué)習(xí)者則更喜歡被動交互的Mike。需要注意的是，Mike的行為并不“智能”，所給出的信息是研究者預(yù)設(shè)的。

Alex：對英語口語特點敏感的虛擬同伴。美國Cassell教授的研究團(tuán)隊長期關(guān)注兒童口語及交談對于語言、科學(xué)學(xué)習(xí)的影響，先后研發(fā)與測試的同伴有：Sam，與兒童共享城堡世界，玩講故事游戲（Ryokai， et al.， 2003）;Alex，可切換英語口語風(fēng)格與兒童用樂高積木一起搭橋（Cassell， et al.， 2009）;Jamie，分別用標(biāo)準(zhǔn)美語和非洲美語與學(xué)生合作完成社會、科學(xué)任務(wù)（Finkelstein， et al.， 2013）。其中，Alex是針對方言影響中小學(xué)生的科學(xué)學(xué)習(xí)表現(xiàn)，而教師的語言對學(xué)生語言影響不大，但同伴之間卻經(jīng)常相互模仿對方的語言等現(xiàn)象而專門設(shè)計的。Alex是能夠在標(biāo)準(zhǔn)美語（Modern American English）和非洲美語（African American English）之間切換的虛擬同伴。Alex與學(xué)習(xí)者合作用樂高積木搭橋，實驗表明與說標(biāo)準(zhǔn)美語合作的黑人兒童，在匯報時口語中標(biāo)準(zhǔn)美語的成分更高，非洲美語的成分降低（Cassell， et al.， 2009）。①

（八）學(xué)生：Bettys Brain、SimStudent和Square Family

“以教為學(xué)（learning by teaching）”是一種有效的學(xué)習(xí)策略。人工智能可以模擬出多種形態(tài)與功能的學(xué)生，即所謂“可教代理（teachable agent）”。

Bettys Brain：學(xué)習(xí)者與學(xué)生共享知識表征。Bettys Brain由美國范德堡大學(xué)與斯坦福大學(xué)的Teaching Agent小組開發(fā)，始于2003年。學(xué)習(xí)者通過如下活動教Betty科學(xué)因果關(guān)系：直接教學(xué)，學(xué)習(xí)者閱讀材料，構(gòu)建概念圖教Betty;提問，學(xué)習(xí)者利用模板生成問題，讓Betty回答;測驗，讓Betty參加考試，觀察她的表現(xiàn)，并讓Betty解釋回答的原因。Betty的知識僅來自學(xué)習(xí)者的教授。系統(tǒng)還提供了Mr. Davis代理，為沒有教學(xué)經(jīng)驗的中小學(xué)生提供教學(xué)上的幫助。系統(tǒng)使學(xué)習(xí)者和Betty之間共享知識表征、共享責(zé)任，利用社會責(zé)任激發(fā)學(xué)習(xí)動機(jī)：不是為了自己學(xué)習(xí)，而是為了教授學(xué)習(xí)時學(xué)習(xí)者能夠?qū)W得更好（Kwong， et al.， 2008; Biswas， et al.， 2016）。

SimStudent：學(xué)習(xí)者指導(dǎo)學(xué)生解決問題。SimStudent內(nèi)嵌于Web學(xué)習(xí)環(huán)境中。學(xué)習(xí)者的目標(biāo)是幫助Lucy（SimStudent模擬出來的虛擬形象的名字）通過考試。學(xué)習(xí)者的任務(wù)是：給Lucy出題，可以從題庫中選擇，也可以編新題。Lucy利用已掌握的產(chǎn)生式規(guī)則，嘗試解題，每一步驟都會請學(xué)習(xí)者確認(rèn)正確或者錯誤。例如，對于，“3x+5=7”，等號兩邊同時減去5是恰當(dāng)?shù)?，而兩邊同時除以3是不合適的。對于學(xué)習(xí)者認(rèn)為是錯誤的步驟，Lucy會嘗試?yán)卯a(chǎn)生式規(guī)則產(chǎn)生新的解題方法，如果無法生成，則學(xué)習(xí)者需要給出該步驟的解決方法。SimStudent有時會向?qū)W習(xí)者提問，請他說明解題方法的依據(jù)。有關(guān)SimStudent的早期研究（Matsuda， et al.， 2011）發(fā)現(xiàn)，低知識水平的學(xué)生其學(xué)習(xí)效應(yīng)低于高知識水平的學(xué)生;后續(xù)版本為學(xué)習(xí)者提供了元認(rèn)知支架（meta-cognition scaffold）①。提供元認(rèn)知支架的SimStudent，其學(xué)習(xí)效果與Cognitive Tutor相當(dāng)（Matsuda， et al.， 2018）。

Square Family：學(xué)習(xí)者在游戲中“帶徒弟”，促進(jìn)反思與知識顯性化。瑞典西部大學(xué)Pareto團(tuán)隊對于如何在數(shù)學(xué)教學(xué)游戲中利用可教代理促進(jìn)學(xué)生對于數(shù)學(xué)概念的掌握進(jìn)行了長期的探索（Pareto， et al.， 2009; Pareto， 2014）。Square Family是為小學(xué)生掌握數(shù)概念而開發(fā)的一組棋牌類2人游戲。在游戲中引入可教代理（學(xué)生）是為了使學(xué)習(xí)者將游戲操作與背后的數(shù)學(xué)概念和原理明確關(guān)聯(lián)。學(xué)習(xí)者可以選擇自己玩游戲，也可以教代理玩游戲。教代理的方法有兩種：演示給代理看，或者在代理玩游戲的時候給予指導(dǎo)和幫助。在這兩種情況下，代理都可能提問，要求對操作提供解釋說明。游戲可以增強(qiáng)動機(jī)，而“教”代理，為代理演示、講解游戲策略則能夠促進(jìn)學(xué)習(xí)者反思，這有助于減少學(xué)習(xí)者以贏得游戲為目標(biāo)，積極互動，卻忽略理解學(xué)科知識與掌握目標(biāo)技能的現(xiàn)象。

四、人工智能不同教學(xué)角色隱喻的優(yōu)勢與局限

從教學(xué)的全過程看，人工智能尚遠(yuǎn)不如人類教師。任何模式的教學(xué)活動都可分為“行動前”“行動中”“行動后”（徐碧美， 2003， p.24）?！靶袆忧啊钡膫湔n、開展教學(xué)設(shè)計、準(zhǔn)備教學(xué)材料與環(huán)境，對人類教師而言通常是個體行為，對人工智能而言通常是多專業(yè)背景團(tuán)隊的工程任務(wù)，涉及教學(xué)設(shè)計、軟件開發(fā)、設(shè)備調(diào)試、系統(tǒng)測試?？梢哉f，對于智能教學(xué)系統(tǒng)而言，“行動前”基本上全靠“人工”?！靶袆雍蟆?，對人類教師而言是教學(xué)反思與作業(yè)批改，對人工智能而言似乎僅是被動的“數(shù)據(jù)統(tǒng)計報表”?！敖虒W(xué)相長”是人類教學(xué)活動的基本特點，不管是個別輔導(dǎo)還是集體授課，教學(xué)活動不僅能夠促進(jìn)學(xué)習(xí)者的發(fā)展，也能夠改進(jìn)人類教師對學(xué)科知識、學(xué)習(xí)者和教育情境的理解，即所謂“經(jīng)驗+反思=教師的成長”，教師的教學(xué)能力主要是在教學(xué)實踐中發(fā)展起來的;對于人工智能而言，“行動”也許僅僅導(dǎo)致系統(tǒng)中學(xué)生模型有所更新而已。因此，本文只對比分析“行動中”人工智能與人類教師的行為表現(xiàn)。先分析人工智能在“行動中”的一般特點，再逐一分析各個教學(xué)角色的獨(dú)特特點。

與人類教師相比，人工智能在“行動中”的一般特點有：①角色單一固定，系統(tǒng)功能決定了人工智能的教學(xué)角色，而功能是預(yù)設(shè)的和固定的，在“行動中”難以改變，難以靈活切換角色，更難以即興發(fā)揮，代理承擔(dān)多種角色反而可能會引起學(xué)習(xí)者的困惑（Johnson， et al.， 2016）;②接觸面大，與計算機(jī)網(wǎng)絡(luò)結(jié)合，可以跨越空間和時間，在大規(guī)模應(yīng)用的情況下成本降低——這是人類教師難以比擬的，也是以巨大的投入來開發(fā)這些系統(tǒng)的原因;③穩(wěn)定性高，即條件相同則系統(tǒng)給出的干預(yù)措施相同;④以多媒體形式呈現(xiàn)教學(xué)信息;⑤教學(xué)過程可回溯、可再現(xiàn)，可以實現(xiàn)詳細(xì)的過程記錄和不同級別的概括呈現(xiàn)。從表現(xiàn)上看，智能教學(xué)系統(tǒng)介于固定、被動呈現(xiàn)教學(xué)信息的教學(xué)媒體和靈活、具有生成能力的人類教師之間;接觸面大、穩(wěn)定、多媒體呈現(xiàn)、可精確回溯重建是其最大優(yōu)勢。

下面對不同角色隱喻的人工智能在“行動中”的表現(xiàn)分別進(jìn)行分析。

（一）在語義泥淖中艱難前行的“輔導(dǎo)者”

盡管輔導(dǎo)者是最早實現(xiàn)的教學(xué)角色隱喻，也有相當(dāng)成功的系統(tǒng)，但自然對話輔導(dǎo)之路卻異?？部?。當(dāng)前，輔導(dǎo)者的表現(xiàn)仍難以比肩人類教師。以AutoTutor為例，它能夠在某個限定的領(lǐng)域（如牛頓定律、計算機(jī)組成等）采用比人類教師更精巧的輔導(dǎo)策略，可以實現(xiàn)復(fù)雜的三元對話（輔導(dǎo)者之外，再模擬一個虛擬同伴，與學(xué)習(xí)者構(gòu)成三元系統(tǒng)），并取得了在統(tǒng)計上有效的教學(xué)效果，但系統(tǒng)很難恰當(dāng)、正確地回答學(xué)習(xí)者的問題，用一段時間后通常學(xué)習(xí)者就再也不會主動提問了（Graesser， 2016）。

這受限于NLP技術(shù)本身，更具體地說是計算機(jī)對于語義的無能為力。自然對話系統(tǒng)研究領(lǐng)域的開創(chuàng)性研究者Barbara J. Grosz在2018年的訪談中認(rèn)為，目前最先進(jìn)的系統(tǒng)其對話能力也遠(yuǎn)遜于人類，會犯一些正常人不可能犯的錯誤（Ford， 2018， p. 5423）。當(dāng)前機(jī)器翻譯、語音識別領(lǐng)域的突破主要是消解了語義、利用統(tǒng)計語言學(xué)模型取得的成果（吳軍， 2014， pp. 27-40）。令人印象深刻的工程杰作IBM的Watson，它所贏得的“危險邊緣”問答競賽，問題之間互不相關(guān)且答案主要為確定的事實，約95%的答案從維基百科頁面標(biāo)題中檢索就能得到，不是深層次的語義推理（Ford， 2018， p. 5034）。但輔導(dǎo)對話對于話語的精確度要求很高，不真正理解語義、不具備常識的系統(tǒng)很難回答超出規(guī)定的問題，難以精準(zhǔn)診斷學(xué)生的誤解。在NLP技術(shù)取得突破之前，恐怕任何輔導(dǎo)系統(tǒng)的表現(xiàn)都難以望人類個體的項背。

輔導(dǎo)者的另一個挑戰(zhàn)是，它主要借助自然語言對話開展教學(xué)，這限制了它能夠達(dá)成的學(xué)習(xí)目標(biāo)：不能給學(xué)習(xí)者提供“做”的機(jī)會，因此無法發(fā)展學(xué)生的認(rèn)知技能;限于計算機(jī)理解和表達(dá)自然語言的能力，系統(tǒng)又無法像孔子和蘇格拉底那樣引導(dǎo)學(xué)習(xí)者思考開放、深奧、結(jié)構(gòu)不良的原則和理論性問題，只能支持對事實、概念和簡單規(guī)則的學(xué)習(xí)。

實際上，人工智能“輔導(dǎo)者”所提供的“輔導(dǎo)”與人類教師的輔導(dǎo)是不一樣的。人類輔導(dǎo)者通常不僅是對話提問者，還是教練，尤其在數(shù)學(xué)、理科和語言學(xué)科，人類輔導(dǎo)者不但提問、回答問題、反饋、解釋，而且讓學(xué)習(xí)者做題（解決問題），根據(jù)其表現(xiàn)給予反饋，雜以提問、講解、示范，實際上承擔(dān)了“教練”的角色。

（二）拓寬了教學(xué)交互帶寬的“教練”

能夠模擬出問題解決環(huán)境，監(jiān)控、引導(dǎo)學(xué)習(xí)者解決問題的“教練”充分利用了計算機(jī)的多媒體技術(shù)（廣義上的多媒體技術(shù)包含虛擬現(xiàn)實與增強(qiáng)現(xiàn)實等技術(shù)），拓展了教學(xué)交互方式，在發(fā)展學(xué)習(xí)者的認(rèn)知技能方面比人類教師更具優(yōu)勢。

計算機(jī)模擬出的問題解決環(huán)境，或者其增強(qiáng)的虛擬環(huán)境、虛實結(jié)合的環(huán)境，可以根據(jù)需要調(diào)整復(fù)雜程度，動態(tài)呈現(xiàn)提示、反饋，消除危險操作，跟蹤學(xué)習(xí)者的表現(xiàn)，甚至重放問題解決過程，幫助學(xué)習(xí)者反思、概括——這些也是人類教師很難提供的學(xué)習(xí)經(jīng)驗。人類教師的優(yōu)勢是能夠觀察學(xué)習(xí)者在真實世界中的表現(xiàn)，給出反饋，但隨著人工智能技術(shù)“感知”能力的增強(qiáng)與各種傳感器的發(fā)展，這一優(yōu)勢也可能會逐漸喪失。

認(rèn)知技能通常是各級各類教育的主體內(nèi)容，且認(rèn)知技能總是需要相當(dāng)數(shù)量的練習(xí)才能達(dá)到自動高效的水平。因此，僅聚焦于認(rèn)知技能的教練應(yīng)用空間其實很大。

（三）被低估的“評價者”

作為評價者，計算機(jī)的表現(xiàn)優(yōu)于人類教師。在數(shù)據(jù)收集、存儲、分析統(tǒng)計、管理、交互式可視化呈現(xiàn)方面，在速度、準(zhǔn)確度和規(guī)模上人類教師是難以企及的。

Luckin（2016）認(rèn)為人工智能技術(shù)的應(yīng)用可能會造成評價的“復(fù)興”，這歸因于人工智能技術(shù)支持的評價能夠提供即時（just-in-time）評價，重塑學(xué)習(xí);有助于更好地理解學(xué)習(xí)過程，明確特定學(xué)習(xí)的進(jìn)展?fàn)顟B(tài);無須“停下來考試（stop-and-test）”，而是伴隨式評價。最后這一點，與ASSISTments系統(tǒng)的名稱和愿景相應(yīng)和。

作為“評價者”的智能教學(xué)系統(tǒng)常常被低估，致使其難以發(fā)揮應(yīng)有的作用。首先，可能是觀念上的，似乎提到評價就是考試，就是為“應(yīng)試”服務(wù)的;其次，評價要真正融入教學(xué)，對教師的教學(xué)要求做出調(diào)整，但從研究的角度似乎缺乏創(chuàng)新或者難以找到值得研究的點。目前，日常教學(xué)中的形成性評價發(fā)揮的作用還不夠，教師缺乏自動化系統(tǒng)與評價方法上的支持。

（四）聲聲入耳的“協(xié)調(diào)者”

作為小組討論協(xié)調(diào)者的人工智能，在理解對話、引導(dǎo)討論的靈活性和大局觀上無法和人類教師相比，但其優(yōu)勢在于真正的“聲聲入耳”，而且能夠同時參與多個小組的討論，對所有小組一視同仁，不會漏掉一句話。因此，協(xié)調(diào)者完成了即使在小班教學(xué)的情況下對于人類教師而言也是不可能完成的任務(wù)：監(jiān)控、引導(dǎo)每個小組的討論。

和其他類型的智能教學(xué)系統(tǒng)不同，協(xié)調(diào)者的出現(xiàn)，其背后教學(xué)需求驅(qū)動的色彩更加濃重。一開始，協(xié)調(diào)者就是作為在線學(xué)習(xí)生態(tài)系統(tǒng)中的一個物種，協(xié)助教師做教師難以完成的工作：對小組合作學(xué)習(xí)的監(jiān)控和引導(dǎo)在課堂教學(xué)和在線學(xué)習(xí)中都有需求，且難以實現(xiàn)。CSCL是個成熟的研究領(lǐng)域，但在采用NLP技術(shù)動態(tài)干預(yù)之前，該領(lǐng)域研究多采用現(xiàn)有支持同步、異步網(wǎng)絡(luò)交流的技術(shù)（如論壇、聊天室）對干預(yù)措施（任務(wù)類型、合作活動的結(jié)構(gòu)或者腳本， script）對于交互過程、模式、效果的影響進(jìn)行微觀的心理學(xué)和語言學(xué)分析。NLP技術(shù)的發(fā)展，使得對合作學(xué)習(xí)過程進(jìn)行動態(tài)支持監(jiān)控和干預(yù)成為可能?；诙嗄暄芯颗c實踐對于合作學(xué)習(xí)需求的理解與把握，雖然現(xiàn)有的協(xié)調(diào)者相對而言不多，出現(xiàn)得也比較晚，但是出現(xiàn)之后很快就用于大學(xué)課堂和慕課當(dāng)中，并且內(nèi)容教師可以定制，如在MentorChat系統(tǒng)中教師可以通過概念圖設(shè)定課程內(nèi)容（Tegos & Demetriadis， 2017）。

和輔導(dǎo)者不同，協(xié)調(diào)者不需要負(fù)責(zé)維持與學(xué)習(xí)者的連貫對話，它監(jiān)控學(xué)習(xí)者之間的對話，根據(jù)條件觸發(fā)一些動作（如向某學(xué)習(xí)者提問、重述某學(xué)習(xí)者的話），再由特定任務(wù)限定討論的話題和情境，更容易開發(fā)出可用的系統(tǒng)?？梢灶A(yù)期未來協(xié)調(diào)者會有更大范圍的應(yīng)用。

（五）無遠(yuǎn)弗屆的“聯(lián)通者”

在課堂教學(xué)過程中教師也頻繁地承擔(dān)“聯(lián)通者”的角色，如合作學(xué)習(xí)的小組劃分、學(xué)習(xí)者配對“幫扶”、為某個學(xué)習(xí)者推薦閱讀材料或者復(fù)習(xí)資料等。目前的人工智能“聯(lián)通者”和教師相比，兩者的差異主要在廣度和深度上。人工智能系統(tǒng)可以在更廣大的范圍內(nèi)工作，但對于每個對象（學(xué)習(xí)者個體、資源材料）所掌握的信息比較淺，對于學(xué)習(xí)者多為特定的認(rèn)知狀態(tài)，缺少性格、情緒與行為管理、家庭背景、學(xué)習(xí)歷史狀況等方面的信息。有些時候這樣的匹配可能會取得預(yù)想不到的效果，但有些時候可能會造成問題。教師作為聯(lián)通者，受到了解學(xué)習(xí)者的程度、資源數(shù)量、數(shù)據(jù)處理能力等方面的限制，但好處是可以靈活地進(jìn)行監(jiān)控和調(diào)整。

（六）未來可期的“同伴”與“學(xué)生”

將同伴與學(xué)生一起分析，是因為兩者都強(qiáng)調(diào)學(xué)習(xí)的社會性與合作性;相對于其他角色隱喻而言，成熟程度都較低，應(yīng)用不夠普遍;都是人類教師所無法承擔(dān)的教學(xué)角色。而與真正的同伴（同學(xué)）相比，人工智能模擬的角色更加靈活多樣，在外貌（種族、性別、年齡等）、衣著、用詞、交互風(fēng)格、能力水平等方面甚至動態(tài)可變，并且能夠以多種方式與學(xué)習(xí)者開展合作、競爭等學(xué)習(xí)活動。

人工智能作為同伴與學(xué)生角色，目前應(yīng)用相對較少。可能的原因有兩方面：一是設(shè)計與開發(fā)的難度更大。除了要考慮教學(xué)內(nèi)容與學(xué)科之外，同伴和學(xué)生通常有一個可視化的外觀，有特定的表達(dá)方式與行為模式，即設(shè)計開發(fā)這樣的系統(tǒng)還需要考慮藝術(shù)、文化、社會等諸多方面因素（Kim & Baylor， 2006）。二是學(xué)習(xí)活動設(shè)計難度更大。同伴與學(xué)生發(fā)揮作用的方式很多，可以是合作者也可以是競爭者，在已有研究中合作者要多于競爭者，原因可能在于競爭雖然對于某些學(xué)習(xí)者有提高動機(jī)的作用，但也會造成只追求表現(xiàn)、忽略學(xué)習(xí)或?qū)е赂叩男睦韷毫Φ葐栴}（Chan， 1996）。不管是合作還是競爭，同伴與學(xué)生的加入都增加了交互主體，提高了活動結(jié)構(gòu)與交互設(shè)計的復(fù)雜度。

同伴與學(xué)生所提供的學(xué)習(xí)體驗是人類教師無法提供的，這類經(jīng)驗對于學(xué)科學(xué)習(xí)的影響以及對學(xué)習(xí)者其他方面的影響還需要更多的研究加以揭示。

五、人工智能教學(xué)角色隱喻分析的啟示

基于本研究的案例分析，對于人工智能教育應(yīng)用，尤其是智能教學(xué)系統(tǒng)研究與應(yīng)用的發(fā)展趨勢，可以得到哪些啟示呢？

（一）人工智能教學(xué)角色的持續(xù)演化：從支持“學(xué)”到“學(xué)教”并重

對案例中人工智能的教學(xué)角色隱喻從時間上進(jìn)行概括，其發(fā)展可分為三個階段：

第一階段為草創(chuàng)期，1970—1990年。20世紀(jì)60年代中后期，研究者開始探索人工智能技術(shù)如何應(yīng)用于教育，模擬人類教師的輔導(dǎo)教學(xué)，增強(qiáng)計算機(jī)輔助教學(xué)（CAI）軟件的靈活性與適應(yīng)性是當(dāng)時的切入點，如Carbonell（1970）的SCHOLAR。Bloom（1984）的“2sigma”文章為追求師生一對一輔導(dǎo)奠定了實證基礎(chǔ)。20世紀(jì)80年代，以專家系統(tǒng)為核心的教練系統(tǒng)嶄露頭角并迅速成為主角。這一階段人工智能的教學(xué)角色隱喻單一，僅有輔導(dǎo)者和教練這兩種教師隱喻。

第二階段為探索期，1990—2010年。20世紀(jì)90年代初，同伴與學(xué)生隱喻興起，教師隱喻有所擴(kuò)展。同伴與學(xué)生隱喻的出現(xiàn)，既得益于心理學(xué)強(qiáng)調(diào)學(xué)習(xí)的情境性、社會性與建構(gòu)性，也得益于計算機(jī)多媒體與網(wǎng)絡(luò)技術(shù)的成熟使得動畫教學(xué)代理在技術(shù)上可行（Johnson， et al.， 2000）。聯(lián)網(wǎng)計算機(jī)與教學(xué)平臺的普遍使用使得伴隨式評價成為可能，ASSISTments這樣的評價者開始作為獨(dú)立角色出現(xiàn)。教練、輔導(dǎo)者仍是主流，且教練類系統(tǒng)開始產(chǎn)品化。

第三階段為發(fā)展期，2010年至今。MOOC是互聯(lián)網(wǎng)變革教育（尤其是高等教育）的典型方式，與高校普遍開展的“線上+課堂”混合式教學(xué)實踐一起，在教學(xué)過程數(shù)據(jù)積累和個性化學(xué)習(xí)指導(dǎo)方面帶來了前所未有的挑戰(zhàn)。這為人工智能技術(shù)開辟了新的應(yīng)用空間，如Aleven等（2016）探索了Cognitive Tutor與MOOC課程的整合，通過互聯(lián)網(wǎng)提供“做中學(xué)”的教練。

未來，人工智能教學(xué)角色隱喻的演化，總體上將從支持“學(xué)”到“學(xué)教”并重。早期人工智能技術(shù)僅掌握在少數(shù)研究者手中，其教育應(yīng)用以模仿人類的“教”、實現(xiàn)教的自動化為目標(biāo)。未來，技術(shù)直接“教”仍然是研究重點，但在可以預(yù)見的未來，人工智能要對真實世界的教育產(chǎn)生更大影響，必須要借助人類教師的力量。正如Dillenbourg（2016）所言：“更多教師”是未來數(shù)字化教育的發(fā)展趨勢，對于智能教學(xué)系統(tǒng)而言，不僅其學(xué)校教育應(yīng)用需要教師的協(xié)助，而且教師應(yīng)參與到其設(shè)計與迭代改進(jìn)當(dāng)中——這是站在智能教學(xué)系統(tǒng)的立場上的表達(dá)方式，更恰當(dāng)?shù)氖欠催^來說，系統(tǒng)應(yīng)協(xié)助教師，成為教師的工具或助手。

將擴(kuò)展與分化出新的角色隱喻。擴(kuò)展指人工智能應(yīng)用領(lǐng)域的拓寬。目前的“人工智能教育應(yīng)用”，嚴(yán)格來說，僅僅是“教學(xué)應(yīng)用”，而且只是對于個體和小組學(xué)習(xí)給予支持。新的角色可能在教學(xué)之外，具有更多教育功能，如師生的健康健身顧問、課堂問題行為管理、特殊教育需要學(xué)生的個性化教育方案制定等，以及如何支持“教”，如作為教師的教學(xué)助手。所謂分化是指已有角色在某些方面的功能有所擴(kuò)展，形成新的角色。在本文的分類中，同伴與學(xué)生的角色還比較概括，存在進(jìn)一步分化的空間。

已有角色隱喻將進(jìn)一步整合。整合是指一個智能教學(xué)系統(tǒng)具備兩個或者兩個以上的角色。實際上，這已經(jīng)發(fā)生，如BEETLEII是輔導(dǎo)者與教練的結(jié)合（Dzikovska， et al.， 2014）?？梢灶A(yù)期，對話輔導(dǎo)的功能會整合到其他類型的智能教學(xué)系統(tǒng)當(dāng)中;評價者將成為通向其他類型系統(tǒng)的入口，根據(jù)學(xué)科的不同將整合輔導(dǎo)者、教練、聯(lián)通者等功能;聯(lián)通者與協(xié)調(diào)者將互相開放數(shù)據(jù)，協(xié)同工作。

（二）智能教學(xué)系統(tǒng)中文化因素的作用顯性化

教與學(xué)本身就是文化活動，浸潤在特定文化之中。不過以往的教學(xué)媒體和資源自身并不具備文化感知能力，無法感知、適應(yīng)學(xué)習(xí)者的文化。同時，智能教學(xué)系統(tǒng)多關(guān)注STEM學(xué)科，這些學(xué)科的內(nèi)容具有跨文化一致性，雖然其深層思維方式或者解釋方式是與文化關(guān)聯(lián)的，但比較隱蔽。當(dāng)前和未來智能教學(xué)系統(tǒng)中文化因素的作用顯性化，除前文所述同伴、學(xué)生等教學(xué)代理的設(shè)計中將文化顯性化外，還體現(xiàn)在以下幾方面：

第一，明確文化因素對于學(xué)科學(xué)習(xí)影響的實證研究基礎(chǔ)正在形成。例如，F(xiàn)inkelstein等（2013）研究發(fā)現(xiàn)不同美語方言（標(biāo)準(zhǔn)美語與非洲美語）影響黑人兒童的科學(xué)學(xué)習(xí)。

第二，智能教學(xué)系統(tǒng)在跨文化交流能力培養(yǎng)方面具有獨(dú)特優(yōu)勢。人工智能技術(shù)與多媒體技術(shù)相結(jié)合，模擬出日常生活和工作的場所，在這樣的系統(tǒng)中學(xué)習(xí)跨文化交流已被證明是有效的，如在VCAT（Johnson & Lester， 2016）中學(xué)習(xí)。當(dāng)前，培養(yǎng)學(xué)習(xí)者的國際素養(yǎng)日益受到重視，這類學(xué)習(xí)需求將持續(xù)增加。

第三，智能教學(xué)系統(tǒng)成為實現(xiàn)課程在不同文化間遷移的手段。任何勝任學(xué)科教學(xué)工作的教師都具有豐富的學(xué)科、學(xué)生、教學(xué)以及學(xué)科教學(xué)法知識（Shulman， 1986），但這類知識很難跨文化傳播。智能教學(xué)系統(tǒng)在這方面可以起到將知識形式化的作用。例如，Genie2（Khachatryan， et al.， 2014）將俄羅斯數(shù)學(xué)教師的教學(xué)專長存儲到智能教學(xué)系統(tǒng)中，用于美國課堂，很有成效。

第四，某些智能教學(xué)系統(tǒng)的跨文化遷移可能更難。課程與教學(xué)的跨文化采納已經(jīng)是常規(guī)。比如教科書翻譯方面，已經(jīng)有了很多成功的經(jīng)驗。但是，智能教學(xué)系統(tǒng)這樣的教學(xué)資源“翻譯”難度要大得多，尤其是輔導(dǎo)類系統(tǒng)。例如，AutoTutor高度依賴NLP技術(shù)，“翻譯”涉及語言的語法結(jié)構(gòu)等深層特點，難度很大。人工智能教育應(yīng)用領(lǐng)域已經(jīng)關(guān)注到這一點。例如，Ogan與Johnson（2016）提出應(yīng)發(fā)展文化敏感的教育技術(shù)。

（三）建立并維持與學(xué)習(xí)者的長期關(guān)系

智能教學(xué)系統(tǒng)是否有必要與學(xué)習(xí)者建立長期關(guān)系，如何建立并維持長期關(guān)系，學(xué)習(xí)者如何看待、體驗與系統(tǒng)的關(guān)系，以及長期關(guān)系的作用與副作用等，都是值得研究的問題。

在人與計算機(jī)互動過程中似乎具有“人格化”對方、使“人機(jī)”關(guān)系具有“人際”關(guān)系特點的傾向。最早的人機(jī)自然語言對話系統(tǒng)Eliza，最有趣的也許是使用者對“她”的反應(yīng)：很多人就像對待一個真正的人類個體那樣和“她”交流（尼克， 2017， pp. 137-142）。Veletsianos和Miller（2008）對于與教學(xué)代理開展對話學(xué)習(xí)的大學(xué)生所進(jìn)行的現(xiàn)象學(xué)研究表明，在現(xiàn)象學(xué)意義上，大學(xué)生在與教學(xué)代理的交談中所獲得的學(xué)習(xí)經(jīng)驗是復(fù)雜的，虛擬而真實，和與人類的交流類似，具有社會性。

在本研究所概括的七種角色隱喻中，輔導(dǎo)者、同伴和學(xué)生通常會創(chuàng)建一個學(xué)習(xí)者可感知、可交互的人類形象，尤其是同伴、學(xué)生本身就強(qiáng)調(diào)以社會性，即以學(xué)習(xí)者與“形象”之間的社會關(guān)系，激發(fā)興趣、維持動機(jī)、促進(jìn)知識的深度建構(gòu)。Walker和Ogan（2016）提出應(yīng)有意設(shè)計智能教學(xué)系統(tǒng)與學(xué)習(xí)者之間的社會關(guān)系以促進(jìn)學(xué)習(xí)，并設(shè)想了建立與維持關(guān)系在技術(shù)與倫理方面的要求與問題。

如果本文引言中所提到的，未來人工智能的角色隱喻應(yīng)為“導(dǎo)師（mentor）”（Roll & Wylie， 2016），不僅僅停留在某些特定知識和技能的學(xué)習(xí)上，而且能夠幫助和指導(dǎo)學(xué)生的全面發(fā)展，這需要與學(xué)習(xí)者建立長期的關(guān)系，而機(jī)器人、情感計算等技術(shù)的發(fā)展為與學(xué)習(xí)者建立更“人性化”的關(guān)系打下了技術(shù)基礎(chǔ)（Lubold， et al.， 2018）。

（四）人工智能促進(jìn)學(xué)習(xí)環(huán)境的虛實融合

當(dāng)前，“物理/現(xiàn)實”與“數(shù)字/虛擬”相互作用的學(xué)習(xí)環(huán)境已經(jīng)很常見，人工智能技術(shù)將進(jìn)一步推動學(xué)習(xí)環(huán)境的虛實融合，增強(qiáng)整體環(huán)境的靈活性與適應(yīng)性。主要體現(xiàn)在以下方面：

第一，人工智能使計算機(jī)有了更強(qiáng)的“感知”能力。計算機(jī)能夠收集到有關(guān)學(xué)習(xí)者與學(xué)習(xí)情境的更全面的數(shù)據(jù)，不但催生了新型人機(jī)交互方式，而且有助于計算機(jī)全面感知學(xué)習(xí)者的特點和狀態(tài)，也為支持開展新型學(xué)習(xí)活動奠定了技術(shù)基礎(chǔ)。例如，在某些版本的AutoTutor中，計算機(jī)能夠感知學(xué)習(xí)者的情緒、情感和注意力狀態(tài)（Nye， et al.， 2014）;Alex與學(xué)生一起用樂高積木搭橋（Cassell， et al.， 2009）;人工智能在支持動作技能學(xué)習(xí)方面很有潛力（Santos， 2016）。

第二，智能教學(xué)系統(tǒng)發(fā)布設(shè)備的形態(tài)多樣化。當(dāng)前教室中的計算設(shè)備多為常規(guī)的商業(yè)設(shè)備，專門為教學(xué)場景設(shè)計的硬件是未來的發(fā)展方向嗎？比如，機(jī)器人能為教學(xué)帶來什么？Timms（2016）認(rèn)為與教師合作的教育協(xié)作機(jī)器人（educational cobot）在未來的教室中將有一席之地，當(dāng)然機(jī)器人的形態(tài)和功能還在探索中。本領(lǐng)域的研究者也已經(jīng)在研究機(jī)器人作為教學(xué)代理的效果，如Johnson和Lester（2016）、Lubold等（2018）。

第三，虛擬學(xué)習(xí)空間的智能化。近年來虛擬現(xiàn)實技術(shù)的產(chǎn)業(yè)化取得了很大進(jìn)展，在教育中的應(yīng)用也越來越普遍（張志禎， 2016）。由于虛擬現(xiàn)實（VR）與增強(qiáng)現(xiàn)實（AR）場景、動作均可以靈活生成，與人工智能結(jié)合的空間很大，預(yù)期未來Steve那樣整合了智能輔導(dǎo)功能的虛擬現(xiàn)實教學(xué)“教練”系統(tǒng)（Johnson， et al.， 2000）會日益常見。此外，輔導(dǎo)者和同伴在游戲場景中的應(yīng)用也很值得期待。

六、結(jié)語

本研究從教學(xué)角色隱喻的角度，以人工智能教育應(yīng)用領(lǐng)域的高影響力項目為案例，對人工智能是如何支持學(xué)習(xí)活動的以及描述其作用方式的術(shù)語做了系統(tǒng)梳理。從案例中概括出七種教學(xué)角色隱喻，即輔導(dǎo)者、教練、評價者、協(xié)調(diào)者、聯(lián)通者、同伴和學(xué)生。案例分析表明，人工智能的確是強(qiáng)大、靈活的學(xué)習(xí)技術(shù)，盡管在教學(xué)全過程中尚無法與人類個體相比，但它在“行動中”的表現(xiàn)并不遜色于人類個體，人工智能與人類教師在很多情況下各有千秋。受限于自然語言處理技術(shù)在語義處理上的裹足不前，輔導(dǎo)者還難以像人類教師一樣與學(xué)習(xí)者開展連續(xù)的自然語言對話，但教練、評價者、協(xié)調(diào)者、聯(lián)通者、學(xué)生與同伴則更充分地利用了計算機(jī)的多媒體數(shù)據(jù)計算、存儲和交互能力，能夠提供人類教師難以或無法提供的學(xué)習(xí)經(jīng)驗。如此靈活強(qiáng)大的學(xué)習(xí)技術(shù)，如何能夠更充分地發(fā)揮作用，在更大范圍內(nèi)促進(jìn)學(xué)習(xí)，提升教學(xué)質(zhì)量，是亟待探索的課題。

未來，在各種外部力量與教育改革內(nèi)在需求的推動下，人工智能教育應(yīng)用將逐步生態(tài)化。人工智能教學(xué)角色隱喻將持續(xù)演化，總體上將從僅關(guān)注、支持“學(xué)”，技術(shù)自己去“教”，轉(zhuǎn)變?yōu)椤皩W(xué)教”并重，即技術(shù)除了繼續(xù)支持“學(xué)”，還將支持教師的“教”。智能教學(xué)系統(tǒng)中文化因素的作用將顯性化。人工智能教育應(yīng)用領(lǐng)域?qū)⒅匾暸c學(xué)習(xí)者建立和維持長期關(guān)系的必要性、可行性與方法;將持續(xù)推進(jìn)學(xué)習(xí)環(huán)境的虛實融合，提高學(xué)習(xí)環(huán)境的智能化水平，即提高其靈活性與適應(yīng)性。

本研究也存在一些局限。第一，案例選擇的標(biāo)準(zhǔn)使新的項目未能納入，特別是有關(guān)機(jī)器人教育應(yīng)用的項目。這一決定有利有弊：好的方面，是能夠排除一些“趕潮流”的項目，畢竟雖然技術(shù)發(fā)展飛速，但人類的學(xué)習(xí)和認(rèn)知方式與能力是基本穩(wěn)定的，而且人工智能技術(shù)復(fù)雜、不穩(wěn)定，教育領(lǐng)域的研究者與實踐者充分理解技術(shù)、全面認(rèn)識其教育潛力、找到其發(fā)揮作用的方式與情境是需要時間的;壞的方面，是可能會遺漏關(guān)鍵項目，導(dǎo)致忽略重要的研究趨勢，但通過對2018年、2019年相關(guān)學(xué)術(shù)會議論文的內(nèi)容進(jìn)行非正式分析可以發(fā)現(xiàn)，本研究所概括的隱喻能夠涵蓋最新的研究。第二，本研究所選擇的案例是和學(xué)習(xí)過程直接相關(guān)的人工智能教育應(yīng)用項目，而對于其在大規(guī)模考試的作文、口語評判以及拍照搜題等與學(xué)習(xí)過程不直接相關(guān)的應(yīng)用沒有涉及。第三，選擇的案例主要為美國、歐洲的科研項目。案例未涵蓋我國的項目，是受文獻(xiàn)檢索結(jié)果、案例選擇標(biāo)準(zhǔn)所限;未將某些知名的商業(yè)項目納入分析的原因是，有關(guān)這些產(chǎn)品的可信度高的資料很難獲取。

智能時代來臨，教育變革壓力空前;我國教育信息化進(jìn)入2.0新階段，領(lǐng)跑的“智能化教育”亟待研究支持。對高影響力項目的案例分析，折射出歐美四十多年的人工智能教育應(yīng)用研究與實踐經(jīng)驗，對我們利用人工智能變革教育有借鑒價值。因此，盡管研究存在一些局限，我們也不揣淺陋，希望從教學(xué)角色隱喻這一視角對于人工智能在學(xué)與教過程中微觀作用方式的概括分析，有助于引發(fā)更多對于人工智能教育應(yīng)用過程中教學(xué)法層面的思考與討論。

[參考文獻(xiàn)]

Russell， S. J.， & Norvig， P. 2013. 人工智能：一種現(xiàn)代的方法[M]. 第3版. 殷建平，祝恩，劉越，陳躍新，王挺，譯. 北京：清華大學(xué)出版社.

艾爾·巴比. 2009. 社會研究方法[M]. 邱澤奇，譯. 第11版. 北京：華夏出版社.

邁克爾·波蘭尼. 2017. 個人知識：朝向后批判哲學(xué)[M]. 徐陶，譯. 上海：上海人民出版社.

陳向明. 2001. 教師的作用是什么：對教師隱喻的分析[J]. 教育研究與實驗（1）：13-19，72.

高紅麗，隆舟，劉凱，徐升，蔡志強(qiáng)，胡祥恩. 2016. 智能導(dǎo)學(xué)系統(tǒng)AutoTutor：理論、技術(shù)、應(yīng)用和預(yù)期影響[J]. 開放教育研究，22（2）：96-103.

F. 邁克爾·康納利，D. 瓊·克蘭迪寧. 2004. 教師成為課程研究者：經(jīng)驗敘事[M]. 劉良華，鄺紅軍，譯. 杭州：浙江教育出版社.

劉丹鳳，魏躍衡. 2007. 談隱喻意識在英語學(xué)習(xí)者深層閱讀理解中的作用[J]. 遵義師范學(xué)院學(xué)報（1）：68-71.

尼克. 2017. 人工智能簡史[M]. 北京：人民郵電出版社.

徐碧美. 2003. 追求卓越：教師專業(yè)發(fā)展案例研究[M]. 北京：人民教育出版社.

吳軍. 2014. 數(shù)學(xué)之美[M]. 第2版. 北京：人民郵電出版社.

張志禎，張玲玲，羅瓊菱子，鄭葳. 2019. 人工智能教育應(yīng)用的實然分析：教學(xué)自動化的方法與限度[J]. 中國遠(yuǎn)程教育（3）：1-13，92.

張志禎. 2016. 虛擬現(xiàn)實教育應(yīng)用：追求身心一體的教育——從北京師范大學(xué)“智慧學(xué)習(xí)與VR教育應(yīng)用學(xué)術(shù)周”說起[J]. 中國遠(yuǎn)程教育（6）：5-15，79.

Anderson， J. R.， Corbett， A. T.， Koedinger， K. R.， & Pelletier， R. （1995）. Cognitive Tutors： Lessons learned. The Journal of The Learning Sciences， 4（2）， 167-207.

Aleven， V.， Baker， R.， Wang， Y.， Sewall， J.， & Popescu， O. （2016）. [acm press the third （2016） acm conference-edinburgh， scotland， uk （2016.04.25-2016.04.26）] proceedings of the third （2016） acm conference on learning @ scale-l@s＼"16-bringing non-programmer authoring of intelligent tutors to moocs. 313-316.

Baylor， A. L.， & Kim， Y.. （2005）. Simulating instructional roles through pedagogical agents. International Journal of Artificial Intelligence in Education， 15（15）， 95-115.

Biswas， G.， Segedy， J. R.， & Bunchongchit， K. （2016）. From design to implementation to practice a learning by teaching system： Bettys Brain. International Journal of Artificial Intelligence in Education， 26（2）， 350-364.

Bloom， B. S. （1984）. The 2 sigma problem： The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher， 13（6）， 4-16.

Bull， S.， Greer， J.， McCalla， G.， Kettel， L.， & Bowes， J. （2001， July）. User modelling in i-help： What， why， when and how. In International Conference on User Modeling （pp. 117-126）. Springer， Berlin， Heidelberg.

Cassell， J.， Geraghty， K.， Gonzalez， B.， & Borland， J.. （2009）. Modeling culturally authentic style shifting with virtual peers. International Conference on Multimodal Interfaces. ACM.

Carbonell， J. R. （1970）. AI in CAI： An artificial intelligence approach to computer-assisted instruction. IEEE Transactions， 11（4）， 190-202.

Chan， T. W. （1996）. Learning companion systems， social learning systems， and the global social learning club. Journal of Artificial Intelligence in Education， 7（2）， 125-159.

Collins， A.， & Grignetti， M. 1975. Intelligent CAI. Final Report （1 March 1971-31 August 1975）. Retrieved October 10， 2018， from https：//eric.ed.gov/？id=ED114089

Dillenbourg， P. （2016）. The evolution of research on digital education. International Journal of Artificial Intelligence in Education， 26（2）， 544-560.

Dzikovska， M.， Steinhauser， N.， Farrow， E.， Moore， J.， & Campbell， G. （2014）. BEETLE II： Deep natural language understanding and automatic feedback generation for intelligent tutoring in basic electricity and electronics. International Journal of Artificial Intelligence in Education， 24（3）， 284-332.

Ferschke， O.， Yang， D.， Tomar， G.， & Carolyn Penstein Rosé. （2015）. Positive impact of collaborative chat participation in an edX MOOC. International Conference on Artificial Intelligence in Education. Springer， Cham.

Finkelstein， S.， Yarzebinski， E.， Vaughn， C.， Ogan， A.， & Cassell， J.（2013）. The effects of culturally congruent educational technologies on student achievement. Artificial Intelligence in Education. Springer Berlin Heidelberg.

Ford， M. （2018）. Architects of intelligence： The truth about AI from the people building it. Birmingham： Packt Publishing. ISBN 978-1- 78913-151-2 （Kindle） （kindle edition）.

Gerard， L. F.， & Linn， M. C.. （2016）. Using automated scores of student essays to support teacher guidance in classroom inquiry. Journal of Science Teacher Education， 27（1）， 111-129.

Goodman， B.， Linton， F.， & Gaimari， R.. （2016）. Encouraging student reflection and articulation using a learning companion： A commentary. International Journal of Artificial Intelligence in Education， 26（1）， 474-488.

Goodman， B.， Soller， A.， Linton， F.， & Gaimari， R. （1998）. Encouraging student reflection and articulation using a learning companion. International Journal of Artificial Intelligence in Education， 9（2）， 237-255.

Graesser， A. C. （2016）. Conversations with autotutor help students learn. International Journal of Artificial Intelligence in Education， 26（1）， 124-132.

Greer， J.， McCalla， G.， Vassileva， J.， Deters， R.， Bull， S.， & Kettel， L. （2001）. Lessons learned in deploying a multi-agent learning support system： The I-Help experience. Proceedings of AI in Education AIED， 410-421.

Heffernan， N. T.， & Heffernan， C. L.. （2014）. The assistments ecosystem： Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education， 24（4）， 470-497.

Johnson， W. L.， & Lester， J. C. （2016）. Face-to-face interaction with pedagogical agents， twenty years later. International Journal of Artificial Intelligence in Education， 26（1）， 25-36.

Johnson， W. L.， Rickel， J.W.， & Lester， J. C. （2000）. Animated pedagogical agents： Face-to-face interaction in interactive learning environments. International Journal of Artificial Intelligence in Education， 11（1）， 47-78.

Khachatryan， G. A.， Romashov， A. V.， Khachatryan， A. R.， Gaudino， S. J.， Khachatryan， J. M.， & Guarian， K. R.， et al. （2014）. Reasoning mind genie 2： An intelligent tutoring system as a vehicle for international transfer of instructional methods in mathematics. International Journal of Artificial Intelligence in Education， 24（3）， 333-382.

Kim， Y. （2007）. Desirable characteristics of learning companions. International Journal of Artificial Intelligence in Education， 17（4）， 371- 388.

Kim， Y.， & Baylor， A. L.. （2006）. A social-cognitive framework for pedagogical agents as learning companions. Educational Technology， Research and Development， 54（6）， 569-596.

Liu， O. L.， Rios， J. A.， Heilman， M.， Gerard， L. & Linn， M. C. （2016）， Validation of automated scoring of science assessments. J Res Sci Teach， 53： 215-233. doi：10.1002/tea.21299.

Lubold， N.， Walker， E.， Pon-Barry， H.， & Ogan， A. （2018） Automated pitch convergence improves learning in a social， teachable robot for middle school mathematics. In： Penstein Rosé C. et al. （Eds） Artificial Intelligence in Education. AIED 2018. Lecture Notes in Computer Science， vol 10947. Springer， Cham

Luckin， R.， Holmes， W.， Griffiths， M.， & Forcier， L. B. （2016）. Intelligence unleashed： An argument for AI in education. London： Pearson.

Matsuda， N.， Sekar， V. P. C.， & Wall， N. （2018）. Metacognitive scaffolding amplifies the effect of learning by teaching a teachable agent. In Penstein Rosé C. et al. （Eds） Artificial Intelligence in Education. AIED 2018. Lecture Notes in Computer Science， vol 10947. Springer， Cham

Matsuda， N.， Yarzebinski， E.， Keiser， V.， Raizada， R.， & Koedinger， K. R. （2011）. Learning by teaching SimStudent： An initial classroom baseline study comparing with Cognitive Tutor. Artificial Intelligence in Education - 15th International Conference， AIED 2011， Auckland， New Zealand， June 28 - July 2011. Springer-Verlag.

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（4）， 427-469.

Ogan， A.， & Johnson， W. L. （2015）. Preface for the special issue on culturally aware educational technologies. International Journal of Artificial Intelligence in Education， 25（2）， 1-4.

Pareto， L. （2014）. A teachable agent game engaging primary school children to learn arithmetic concepts and reasoning. International Journal of Artificial Intelligence in Education， 24（3）， 251-283.

Pareto， L.， Schwartz， D. L.， & Svensson， L. （2009）. Learning by guiding a teachable agent to play an educational Game. Artificial Intelligence in Education： Building Learning Systems that Care： From Knowledge Representation to Affective Modelling. Proceedings of the 14th International Conference on Artificial Intelligence in Education， AIED 2009， July 6-10， 2009， Brighton. IOS Press.

Rickel， J.， & Johnson， W. L. （1997）. Steve： An animated pedagogical agent for procedural training in virtual environments. Intelligent virtual agents， Proceedings of Animated Interface Agents： Making Them Intelligent， 71-76.

Roll， I.， & Wylie， R. （2016）. Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education， 26（2）， 582-599.

Rosé， C. P.， & Ferschke， O. （2016）. Technology support for discussion based learning： From computer supported collaborative learning to the future of massive open online courses. International Journal of Artificial Intelligence in Education， 26（2）， 660-678.

Ryokai， K.， Vaucelle， C.， & Cassell， J. （2003）. Virtual peers as partners in storytelling and literacy learning. Journal of Computer Assisted Learning， 19（2）， 195-208.

Santos， O. C. （2016）. Training the body： The potential of aied to support personalized motor skills learning. International Journal of Artificial Intelligence in Education， 26（2）， 730-755.

Shulman， L. S. （1986）. Those who understand： Knowledge growth in teaching. Educational Researcher， 15（2）， 4-14.

Tegos， S.， & Demetriadis， S. （2017）. Conversational agents improve peer learning through building on prior knowledge. Educational Technology & Society， 20（1）， 99-111.

Tegos， S.， Demetriadis， S.， & Tsiatsos， T.. （2014）. A configurable conversational agent to trigger students productive dialogue： A pilot study in the call domain. International Journal of Artificial Intelligence in Education， 24（1）， 62-91.

Timms， M. J. （2016）. Letting artificial intelligence in education out of the box： Educational cobots and smart classrooms. International Journal of Artificial Intelligence in Education， 26（2）， 701-712.

Vanlehn， K. （2011）. The relative effectiveness of human tutoring， intelligent tutoring systems， and other tutoring systems. Educational Psychologist， 46（4）， 197-221.

Vanlehn， K.， Lynch， C.， Schulze， K.， Shapiro， J. A.， Shelby， R.， Taylor， L.， ... & Wintersgill， M. （2005）. The Andes physics tutoring system： Lessons learned. International Journal of Artificial Intelligence in Education， 15（3）， 147-204.

Vassileva， J.， Mccalla， G. I.， & Greer， J. E. （2016）. From small seeds grow fruitful trees： How the phelps peer help system stimulated a diverse and innovative research agenda over 15 years. International Journal of Artificial Intelligence in Education， 26（1）， 431-447.

Veletsianos， G.， & Miller， C. （2008）. Conversing with pedagogical agents： A phenomenological exploration of interacting with digital entities. British Journal of Educational Technology， 39（6）， 969-986.

Wagster， J.， Kwong， H.， Segedy， J.， Biswas， G.， & Dan， S. （2008）. Bringing CBLEs into Classrooms： Experiences with the Bettys Brain system. Eighth IEEE International Conference on Advanced Learning Technologies.

Walker， E.， & Ogan， A. （2016）. Were in this together： Intentional design of social relationships with aied systems. International Journal of Artificial Intelligence in Education， 26（2）， 713-729.

Weston-Sementelli， J. L.， Allen， L. K.， & Mcnamara， D. S. （2014）. Comprehension and writing strategy training improves performance on content-specific source-based writing tasks. International Journal of Artificial Intelligence in Education， 28（1）， 106-137.

收稿日期：2019-08-05

定稿日期：2019-08-27

作者簡介：張志禎，博士，講師，碩士生導(dǎo)師，北京師范大學(xué)教育學(xué)部教育技術(shù)學(xué)院（100875）。

張玲玲，碩士，研究實習(xí)員，北京開放大學(xué)國開業(yè)務(wù)部（100081）。

徐雪迎，碩士研究生;劉佳林，碩士研究生。北京師范大學(xué)教育學(xué)部教育技術(shù)學(xué)院（100875）。

責(zé)任編輯 單 玲