國外人工智能教學(xué)應(yīng)用研究綜述

郭炯 榮乾 郝建江

[摘? ?要] 人工智能技術(shù)在教育教學(xué)中的應(yīng)用日漸豐富，國內(nèi)關(guān)于人機協(xié)同的研究多偏向于宏觀理論探索，實踐研究較少。鑒于此，研究以近三年三本具有國際影響力的期刊中人工智能教學(xué)應(yīng)用相關(guān)文獻為樣本，以人工智能局部替代教學(xué)、賦能教學(xué)為焦點，分析國外人工智能教學(xué)應(yīng)用研究現(xiàn)狀。從中可以看出，當(dāng)前國外研究者在探索認(rèn)知特征、學(xué)習(xí)本質(zhì)和教育規(guī)律的基礎(chǔ)上，關(guān)注將機器學(xué)習(xí)、邏輯推理、自然語言理解等人工智能技術(shù)嵌入各類教學(xué)、學(xué)習(xí)、決策等工具、系統(tǒng)、平臺中，支持構(gòu)建體驗學(xué)習(xí)情境、規(guī)范學(xué)習(xí)行為、評估學(xué)業(yè)水平和能力結(jié)構(gòu)、制定個性化學(xué)習(xí)路徑和內(nèi)容等研究，旨在通過人機協(xié)同優(yōu)化教學(xué)方式與路徑，為學(xué)習(xí)者提供個性化學(xué)習(xí)服務(wù)。這些研究成果對開發(fā)人工智能教學(xué)產(chǎn)品、理解學(xué)習(xí)的本質(zhì)、探索教學(xué)規(guī)律等提供了方法指導(dǎo)和可供借鑒的研究范式，但也存在人工智能教學(xué)應(yīng)用研究狹窄化、碎片化、微觀化等問題，后期還需從宏觀、中觀層面開展人工智能與教學(xué)的關(guān)系研究、人工智能教學(xué)應(yīng)用關(guān)鍵技術(shù)研究、人工智能賦能教師的理論基礎(chǔ)研究、人工智能與教學(xué)融合形態(tài)研究、人機協(xié)同背景下的教師人工智能教學(xué)應(yīng)用素養(yǎng)研究等。

[關(guān)鍵詞] 人工智能; 教學(xué)應(yīng)用; 人機協(xié)作; 研究綜述; 替代教師; 賦能教師

[中圖分類號] G434? ? ? ? ? ? [文獻標(biāo)志碼] A

一、引? ?言

人工智能（Artificial Intelligence，AI）在教育教學(xué)中的應(yīng)用越來越受到重視，大量基于AI的教育教學(xué)工具應(yīng)用在不同的場景中，逐步被教育者和學(xué)習(xí)者接納。研究者也開始對其在教學(xué)過程中引發(fā)的變革進行積極探討。國內(nèi)學(xué)者從人工智能對教師職業(yè)的再造、人工智能教師在未來教育教學(xué)中代替人類所承擔(dān)的角色、智能時代的教師工具、人工智能時代教師角色與思維的轉(zhuǎn)變等方面進行了研究。主流觀點認(rèn)為，人工智能在可預(yù)見的未來并不會完全替代教師，但未來將會是教師與人工智能協(xié)作共存的教育新生態(tài)[1-4]。但此類研究多偏向于理論探討、宏觀分析，結(jié)合案例的教學(xué)實證研究較少。國外人工智能教育研究起步早，且更加注重實證研究，可為國內(nèi)人工智能教學(xué)應(yīng)用的研究與實踐提供借鑒。本研究從國外文獻入手，選取在國際教育技術(shù)領(lǐng)域影響力較大的三本期刊（Computers & Education、International Journal of Artificial Intelligence in Education、Journal of Educational Technology and Society）作為文獻來源，從人機協(xié)作的視角關(guān)注近三年與人工智能教學(xué)應(yīng)用相關(guān)的研究。

二、人工智能教學(xué)應(yīng)用研究概述

（一）人工智能教學(xué)研究的發(fā)展

人工智能教學(xué)應(yīng)用研究在人工智能技術(shù)出現(xiàn)后就逐漸出現(xiàn)，最早將人工智能技術(shù)應(yīng)用于教學(xué)的嘗試可以追溯到B. F. Skinner于1958年開發(fā)的程序性教學(xué)機器，它能存儲和呈現(xiàn)教材，接受學(xué)習(xí)者的回答并進行反饋，用以強化學(xué)習(xí)者的學(xué)習(xí)動機[5]。此后，多個領(lǐng)域的研究者以不同角度研究了AI技術(shù)在課堂實踐、教師協(xié)作、學(xué)習(xí)者支持等方面的應(yīng)用，并取得了豐富的研究成果。例如：將AI技術(shù)與教育學(xué)、心理學(xué)、神經(jīng)科學(xué)、語言學(xué)、社會學(xué)、人類學(xué)等領(lǐng)域的相關(guān)理論結(jié)合，開發(fā)了各類人工智能教學(xué)應(yīng)用工具，如智能導(dǎo)學(xué)系統(tǒng)、智能代理、自動化測評系統(tǒng)、教育游戲等，并在教學(xué)中進行了大量實踐。當(dāng)前，人工智能教學(xué)應(yīng)用研究領(lǐng)域已經(jīng)形成了兩個互相促進的目標(biāo)，即開發(fā)基于AI的工具以支持學(xué)習(xí)，并利用這些工具幫助理解學(xué)習(xí)的本質(zhì)[6]。

（二）人工智能教學(xué)應(yīng)用研究分類

2009年，魯本·R.普恩泰德拉（Ruben R. Puentedura）博士建立了SAMR（Substitution、Augmentation、Modification、Redefinition）模型，即技術(shù)與教學(xué)整合創(chuàng)新模型[7]。在SAMR模型中，S表示技術(shù)作為工具替代某些教學(xué)要素，但在功能上沒有變化;A表示技術(shù)作為改進工具，實現(xiàn)功能上的擴增，但結(jié)構(gòu)上沒有變化;M表示技術(shù)支持對重大任務(wù)進行創(chuàng)新設(shè)計，在結(jié)構(gòu)上出現(xiàn)局部變化;R表示技術(shù)支持創(chuàng)造全新任務(wù)，引發(fā)教學(xué)結(jié)構(gòu)與模式的本質(zhì)性變化。人工智能作為一種技術(shù)進入教育教學(xué)領(lǐng)域，正在從外置性技術(shù)輔助走向內(nèi)融性技術(shù)滲透，功能上的擴增和結(jié)構(gòu)上的改變在同時發(fā)生，對人工智能教學(xué)應(yīng)用效度的評估更關(guān)注人機協(xié)同機制及技術(shù)改善學(xué)習(xí)條件、學(xué)習(xí)過程的方式等[8]。本研究在借鑒SAMR模型的基礎(chǔ)上，從人機協(xié)同的角度出發(fā)，即按照人工智能與教師協(xié)作的可能方式，將人工智能教學(xué)應(yīng)用研究概括為兩個維度：（1）人工智能替代教師維度（整合S和A），研究關(guān)注重塑學(xué)習(xí)者學(xué)習(xí)體驗;（2）人工智能賦能教師維度（整合M和R），研究關(guān)注人機協(xié)同背景下的豐富體驗情境的構(gòu)建、個性化培養(yǎng)、教學(xué)流程重構(gòu)和學(xué)習(xí)模式創(chuàng)新。

三、人工智能替代教師的研究分析

人工智能替代教師，將教師從低效重復(fù)的教學(xué)工作中解放出來，從而提升教學(xué)效率和教育質(zhì)量。在教學(xué)過程中，人類教師無須參與，由人工智能助教系統(tǒng)獨立處理，如智能測評、批改作業(yè)、自動答疑等重復(fù)性體力勞動。人工智能助教系統(tǒng)作為教學(xué)工具扮演教師的角色，沒有改變教學(xué)本身的結(jié)構(gòu)，屬于“替代”，但正在重塑學(xué)習(xí)者的學(xué)習(xí)體驗，實現(xiàn)優(yōu)質(zhì)教育資源共享。

（一）基于機器學(xué)習(xí)算法和預(yù)測模型，替代教師進行文本測評

對學(xué)習(xí)者的文本寫作進行測評的主要目的在于衡量學(xué)習(xí)者的寫作水平、寫作內(nèi)容，為進一步指導(dǎo)提供依據(jù)。以人類教師的評價標(biāo)準(zhǔn)為基準(zhǔn)，借助計算機程序自動對文本內(nèi)容進行評價，相比傳統(tǒng)的人工評價，具有客觀性、效率高、成本低等特點。

1. 建立語言特征編碼框架和預(yù)測模型，實現(xiàn)文本智能測評

做好文本智能測評需要明確學(xué)習(xí)者的寫作特征，建立預(yù)測模型，實現(xiàn)有效指導(dǎo)。在建立語言特征編碼框架和預(yù)測模型方面，國外學(xué)者的研究已經(jīng)取得了一定的進展，如Vajjala基于兩個公開的英語非母語者的短文數(shù)據(jù)集（TOEFL11和FCE），利用自然語言理解技術(shù)對學(xué)習(xí)者的語言詞匯、句法、語篇等語言特征進行編碼，對語言屬性進行建模，然后利用這些特征在兩個數(shù)據(jù)集上分別建立預(yù)測模型，并對最具預(yù)測能力的特征進行比較。雖然TOEFL11和FCE各自數(shù)據(jù)集設(shè)置的特征能較好地建立預(yù)測模型，從而替代人類完成評價，但并未找到這兩個數(shù)據(jù)集的通用語言特征[9]。Rahimi和Litman等人使用自然語言理解技術(shù)，為基于量規(guī)的智能測評設(shè)計了任務(wù)依賴模型（Task-Dependent Model），即基于量規(guī)，利用原材料的證據(jù)片段（Pieces of Evidence）評價學(xué)生的寫作能力。研究者根據(jù)學(xué)習(xí)者對事例的有效使用、對觀點和事例的有效組織這兩種特定的寫作構(gòu)念（包括學(xué)習(xí)者對文章的創(chuàng)作、構(gòu)造、建構(gòu)、人為的設(shè)計），使用該模型對5—8年級學(xué)習(xí)者的兩個RTA（Response to Text Assessment）寫作數(shù)據(jù)樣本進行了檢驗，實驗數(shù)據(jù)顯示，任務(wù)依賴模型在用例基線（Baselines for Evidence）和組織基線（Baselines for Organization）測試中表現(xiàn)優(yōu)秀，并很好地預(yù)測了學(xué)習(xí)者作文的分?jǐn)?shù)。研究者還通過跨語料庫來檢測其普適性，即使用一個數(shù)據(jù)集進行模型訓(xùn)練，另一個數(shù)據(jù)集進行測試，實驗證明該模型表現(xiàn)與基線相當(dāng)，說明基于量規(guī)的模型具有潛在的推廣價值[10]。

2. 整合多種智能算法，提高文本智能測評精確性

Westera等人基于173份學(xué)習(xí)者在環(huán)境政策應(yīng)用游戲中創(chuàng)建的論文，使用ReaderBench框架（一種通用的、多語言的自然語言理解的軟件模型）為每份報告生成一組文本復(fù)雜度指數(shù)，然后結(jié)合多種不同配置的機器學(xué)習(xí)算法來預(yù)測分?jǐn)?shù)，如支持向量回歸算法（Support Vector Regression）、含有單個隱含層的多層感知機（Multilayer Perceptron with One Hidden Layer）和線性回歸算法（Linear Regression）等。研究者通過將二元分類法與精確度的概率模型相結(jié)合，在提高測評精確度與降低教師評估工作量之間進行權(quán)衡（如沒有足夠把握自動評分的文章由教師人工評估）。在使用人類教師的評分作為參考的前提下，實驗表明，該方法在保持高精確度的同時，可以大幅度減少教師的工作量[11]。Rico-Juan等使用機器學(xué)習(xí)和自然語言理解技術(shù)，自動檢測同儕互評中的數(shù)字評分和文本反饋的一致性，以減少教師監(jiān)督整個過程的工作負(fù)荷。該研究提出了兩種方法來分析同儕互評中的一致性[12]。Wiley和Hastings等人對學(xué)習(xí)者在科學(xué)主題調(diào)查活動中產(chǎn)生的文檔，利用兩段式的機器學(xué)習(xí)和自然語言理解技術(shù)，結(jié)合現(xiàn)有的潛在語義索引（Latent Semantic Index）和Coh-Metrix評分引擎，通過檢測文檔中的因果關(guān)系和因果鏈來評價學(xué)生的想法和概念的運用，并將智能測評結(jié)果和教師手動評分進行比較，結(jié)果表現(xiàn)出較高的一致性，顯示出使用混合式方法檢測和評價內(nèi)容的優(yōu)勢[13]。

（二）分析學(xué)習(xí)本質(zhì)與教學(xué)規(guī)律，構(gòu)建智能導(dǎo)學(xué)系統(tǒng)

智能導(dǎo)學(xué)系統(tǒng)（Intelligence Teaching System，ITS）自20世紀(jì)70年代起就受到教育界的廣泛關(guān)注。然而，由于研究者低估了構(gòu)建智能對話功能的復(fù)雜性，智能導(dǎo)學(xué)系統(tǒng)始終未能取得突破。世紀(jì)之交，受計算機硬件處理速度和人工智能技術(shù)進步的影響，智能導(dǎo)學(xué)系統(tǒng)的功能在不斷完善[14]。當(dāng)前智能導(dǎo)學(xué)系統(tǒng)的構(gòu)建與應(yīng)用已經(jīng)成為人工智能教育領(lǐng)域最前沿的研究，形成了以下四個研究主題：

1. 開發(fā)支架式寫作指導(dǎo)系統(tǒng)，提升學(xué)習(xí)者寫作水平

Lin等開發(fā)了一個中文界面的學(xué)術(shù)論文寫作指導(dǎo)系統(tǒng)（Engineering English Journal Paper，EEJP），通過基于題材的寫作指導(dǎo)方法幫助學(xué)習(xí)者提高工程相關(guān)學(xué)科的英語學(xué)術(shù)寫作能力。該系統(tǒng)擁有寫作模塊、學(xué)習(xí)模塊和支持模塊。EEJP能對學(xué)習(xí)者的寫作提供個性化指導(dǎo)，如根據(jù)寫作內(nèi)容自動推薦可遵循的寫作結(jié)構(gòu)與模板，且寫作模板是按步驟提供的，以幫助用戶逐步完成寫作，替代教師對學(xué)習(xí)者的指導(dǎo)[15]。Rapp等研究了學(xué)術(shù)論文寫作的規(guī)?；虒W(xué)工具Thesis Write（TW）。TW旨在為學(xué)習(xí)者提供寫作指導(dǎo)而非反饋，該系統(tǒng)不僅提供在線文本編輯器以支持學(xué)習(xí)者獨立或協(xié)作完成寫作任務(wù)，還提供寫作教程、分步驟的個性化指導(dǎo)，以幫助學(xué)習(xí)者快速創(chuàng)建論文。此外，TW還提供多種寫作支架，如寫前計劃、結(jié)構(gòu)化的模板、實時同伴互助、寫作模型、生成式目標(biāo)等[16]，從而提升學(xué)習(xí)者論文寫作過程中拼寫的準(zhǔn)確性、內(nèi)容的豐富性、思路的合理性和表達的多元性等。

Weston-Sementelli等人使用提供寫作策略教學(xué)的Writing Pal（能幫助學(xué)習(xí)者起草論文，提供有針對性的反饋）和提供閱讀策略教學(xué)的iSTART（提供視頻教學(xué)和練習(xí)指導(dǎo)，提高學(xué)習(xí)者對文章內(nèi)容的自我解釋能力）兩款I(lǐng)TS平臺對學(xué)習(xí)者進行教學(xué)實驗，發(fā)現(xiàn)與不接受任何訓(xùn)練或只接受寫作或理解策略訓(xùn)練的學(xué)習(xí)者相比，同時使用Writing Pal和iSTART接受混合寫作、閱讀策略訓(xùn)練的學(xué)習(xí)者能夠?qū)懗龈哔|(zhì)量的文章[17]。

2. 提供多樣化智能導(dǎo)學(xué)方式，開展學(xué)習(xí)指導(dǎo)與監(jiān)控

Chase等設(shè)計了Invention Coach以支持STEM學(xué)習(xí)領(lǐng)域的問題化導(dǎo)學(xué)，該系統(tǒng)能提供各種“發(fā)明活動”，鼓勵學(xué)習(xí)者在活動中“發(fā)明”出知識的概念、定義或公式。與結(jié)構(gòu)化導(dǎo)學(xué)是為了幫助學(xué)習(xí)者更容易完成任務(wù)不同，問題化導(dǎo)學(xué)策略旨在幫助學(xué)習(xí)者認(rèn)識自身思維存在的問題，鼓勵他們直面并抓住關(guān)鍵的學(xué)科思想。Invention Coach通過圖形與文字描述將學(xué)習(xí)者引入問題化的發(fā)明活動，在學(xué)習(xí)者遇到解題障礙時，不直接提供解決方案，而是鼓勵不斷探索，給出提示性的問題，幫助學(xué)習(xí)者注意到所面對問題的關(guān)鍵點。研究者使用了問題化導(dǎo)學(xué)和結(jié)構(gòu)化導(dǎo)學(xué)兩種不同版本的Invention Coach進行教學(xué)實驗，發(fā)現(xiàn)采用問題化導(dǎo)學(xué)更能幫助學(xué)習(xí)者進行知識遷移，而且遷移效果與人類教師的輔導(dǎo)相比沒有顯著性差異[18]。

Grivokostopoulou等設(shè)計了幫助學(xué)習(xí)者學(xué)習(xí)搜索算法的智能導(dǎo)學(xué)系統(tǒng)AITS。該系統(tǒng)包含學(xué)習(xí)者接口、教師接口、自動評價單元、測試產(chǎn)生器、學(xué)習(xí)分析、領(lǐng)域知識等六個單元。學(xué)習(xí)者從領(lǐng)域知識層次結(jié)構(gòu)中自主選擇一個概念進行理論學(xué)習(xí)，測試產(chǎn)生器會為學(xué)習(xí)者提供符合難度需求的互動實踐練習(xí)，由錯誤檢測機制、自動評分機制和反饋機制組成的自動評價單元利用編輯距離算法（Edit-Distance）對學(xué)習(xí)者的學(xué)習(xí)結(jié)果進行測評，并提供有意義的即時反饋，旨在幫助學(xué)習(xí)者理解理論知識，檢查學(xué)習(xí)結(jié)果，但并不直接提供答案。系統(tǒng)還可以為學(xué)習(xí)者提供一些評估練習(xí)，學(xué)習(xí)分析單元記錄并分析完成練習(xí)等的相關(guān)行為數(shù)據(jù)，協(xié)助教師監(jiān)控學(xué)習(xí)者的學(xué)習(xí)活動。研究者通過實驗發(fā)現(xiàn)，AITS組的學(xué)習(xí)者學(xué)習(xí)效果優(yōu)于傳統(tǒng)教學(xué)組，證明AITS能夠替代教師甚至優(yōu)于教師完成教學(xué)任務(wù)[19]。

3. 基于學(xué)習(xí)者個體特征，支持差異化學(xué)習(xí)

人工智能教育研究者關(guān)注如何根據(jù)學(xué)習(xí)者的個人偏好設(shè)計個性化的學(xué)習(xí)內(nèi)容。Cognitive Tutor Algebra（CTA）是一款代數(shù)教學(xué)智能導(dǎo)學(xué)系統(tǒng)，使用模型跟蹤方法（Model-Tracing），將學(xué)習(xí)者解決問題的行為與認(rèn)知模型聯(lián)系起來，以提供個性化的反饋。Walkington等在對學(xué)習(xí)者課外興趣（如運動、電影、游戲）開展問卷和訪談?wù){(diào)查的基礎(chǔ)上，將CTA中的教學(xué)內(nèi)容改進為深度個性化內(nèi)容（與個人興趣真實相關(guān)的數(shù)學(xué)問題）和表面?zhèn)€性化內(nèi)容（僅改變了數(shù)學(xué)問題的主題），從而支持差異化學(xué)習(xí)[20]。

Kla？觢nja-Mili evi 等將協(xié)同標(biāo)記技術(shù)引入智能導(dǎo)學(xué)系統(tǒng)ProTuS之中，增強了該系統(tǒng)用戶對資源的標(biāo)記功能，基于使用者對資源的標(biāo)記，結(jié)合序列模式挖掘（Sequential Pattern Mining）技術(shù)為學(xué)習(xí)者生成個性化學(xué)習(xí)建議。實驗表明，不同類型的標(biāo)記算法可用于提升智能導(dǎo)學(xué)系統(tǒng)的推薦功能，且學(xué)習(xí)資源的標(biāo)記可以幫助學(xué)習(xí)者理解學(xué)習(xí)對象的語境，提高學(xué)習(xí)效率[21]。

4. 利用數(shù)據(jù)驅(qū)動方法，為學(xué)習(xí)者提供個性化提示

數(shù)據(jù)驅(qū)動方法的研究是智能導(dǎo)學(xué)系統(tǒng)研究的子領(lǐng)域。它將對學(xué)習(xí)者的輔導(dǎo)決策建立在已有學(xué)習(xí)者的數(shù)據(jù)分析基礎(chǔ)上，而不是由專家建立的知識庫。例如：Rivers和Koedinger設(shè)計了一個數(shù)據(jù)驅(qū)動的編程教學(xué)智能導(dǎo)學(xué)系統(tǒng)Intelligent Teaching Assistant for Programming（ITAP），該系統(tǒng)使用狀態(tài)抽象、路徑構(gòu)建和狀態(tài)具體化算法為學(xué)習(xí)者的編程錯誤自動產(chǎn)生個性化的提示。ITAP可以自動更新解決方案，不斷改進其能力，即使教師或設(shè)計者只給系統(tǒng)一個單獨的編程參考解決方案，該系統(tǒng)也可以生成一個提示鏈，將學(xué)習(xí)者從錯誤的編程狀態(tài)引導(dǎo)到正確的狀態(tài)，為幾乎所有學(xué)習(xí)者的錯誤情況提供提示[22]。而Mostafavi和Barnes為邏輯學(xué)導(dǎo)學(xué)軟件Deep Thought（DT）添加了數(shù)據(jù)驅(qū)動方法，使該系統(tǒng)能夠基于學(xué)習(xí)者的掌握程度，按需自動產(chǎn)生提示，系統(tǒng)給出的提示降低了學(xué)習(xí)者的學(xué)習(xí)難度，減少了學(xué)習(xí)者完成輔導(dǎo)課程所用的時間，從而提高了學(xué)習(xí)效率[23]。

（三）建立協(xié)商機制，提升學(xué)習(xí)者自我調(diào)節(jié)能力

目前的自適應(yīng)系統(tǒng)更多的是采用人工智能技術(shù)判斷學(xué)習(xí)者是否需要幫助，而不是讓學(xué)習(xí)者自己判斷并決策是否需要幫助，因此，剝奪了學(xué)習(xí)者的自我調(diào)節(jié)能力。為解決這些問題，Chou等提出了基于協(xié)商的適應(yīng)[24]，屬于一種混合主動適應(yīng)，使學(xué)習(xí)者和系統(tǒng)之間能夠進行協(xié)商調(diào)節(jié)，并設(shè)計開發(fā)了基于協(xié)商的適應(yīng)性學(xué)習(xí)系統(tǒng)（Negotiation-based Adaptive Learning System，NALS）。該系統(tǒng)采用尋求幫助的協(xié)商機制，通過學(xué)習(xí)者和系統(tǒng)之間的共同協(xié)商規(guī)范學(xué)習(xí)者尋求幫助的行為，如提醒學(xué)習(xí)者不要尋求太多的幫助、鼓勵適時尋求幫助或在他們需要幫助時主動提供幫助。

就目前來看，人工智能替代教師的研究主要關(guān)注機器學(xué)習(xí)、模式識別、自然語言理解等技術(shù)為學(xué)習(xí)者創(chuàng)設(shè)學(xué)習(xí)、評價與反饋環(huán)境，基于對學(xué)習(xí)者活動相關(guān)的行為數(shù)據(jù)進行分析，實現(xiàn)認(rèn)知過程的追蹤和評估，了解學(xué)習(xí)者在問題解決中的知識建構(gòu)過程，依此進行學(xué)習(xí)干預(yù)，替代教師完成重復(fù)性指導(dǎo)與反饋任務(wù)。學(xué)習(xí)者利用這些反饋信息進行學(xué)習(xí)反思，并基于同化順應(yīng)機理形成新的知識結(jié)構(gòu)，促進深度理解。從教學(xué)實踐中可以看出，人工智能在某些方面已經(jīng)接近了人類教師，但更多的是聚焦知識學(xué)習(xí)，而在學(xué)習(xí)者核心素養(yǎng)、創(chuàng)新能力等方面的培養(yǎng)上，人工智能還不能替代教師。

四、人工智能賦能教師的研究分析

人工智能賦能教師是在人機協(xié)同背景下，利用人工智能提供的學(xué)習(xí)障礙診斷與及時反饋、問題解決能力測評、心理素質(zhì)測評與改進、元認(rèn)知支持等功能，為學(xué)習(xí)者設(shè)計個性化學(xué)習(xí)路徑，創(chuàng)設(shè)沉浸式體驗學(xué)習(xí)場景，提供智能代理、推送學(xué)習(xí)資源等，并幫助教師精準(zhǔn)了解學(xué)習(xí)進度、學(xué)習(xí)效果等，從而進行教學(xué)決策。人工智能賦能教師實現(xiàn)了教學(xué)功能上的擴增，提升了學(xué)業(yè)成就與學(xué)習(xí)動機，凸顯了個性化培養(yǎng)優(yōu)勢。

（一）智能代理與干預(yù)相結(jié)合，提升學(xué)習(xí)者學(xué)業(yè)成就與學(xué)習(xí)動機

智能代理一般被定義為在教學(xué)軟件中，促進學(xué)習(xí)、激發(fā)學(xué)習(xí)動機并給予學(xué)習(xí)者反饋的模塊[25]。智能代理通常是基于教師的教學(xué)策略和教學(xué)模型設(shè)計的，在不同的教學(xué)情境中，其功能有所不同。由于智能代理可以為教師的教學(xué)起到輔助作用，在各種教學(xué)軟件中智能代理使用率正在不斷提升，得到了研究者的關(guān)注。

如Din？觭er等設(shè)計的指導(dǎo)學(xué)習(xí)者學(xué)習(xí)計算機知識的教學(xué)軟件中，包含不同形式可供學(xué)習(xí)者自由選擇的教學(xué)智能代理，如卡通型、擬人型、文本型、語音型等。該教學(xué)軟件可為學(xué)習(xí)者呈現(xiàn)計算機知識教學(xué)視頻，智能代理則會適時出現(xiàn)，與學(xué)習(xí)者進行交互，如向?qū)W習(xí)者介紹教學(xué)軟件的使用方法，說明如何查看學(xué)習(xí)任務(wù)、呈現(xiàn)學(xué)習(xí)主題，在學(xué)習(xí)過程中向?qū)W習(xí)者提出問題并給出解決問題的線索。研究者通過實驗對比了使用教學(xué)智能代理和不使用教學(xué)智能代理的教學(xué)軟件的教學(xué)效果，發(fā)現(xiàn)智能代理對學(xué)習(xí)者學(xué)業(yè)成就、學(xué)習(xí)動機和認(rèn)知負(fù)荷等都有積極影響[26]。

T？覿rning等在數(shù)學(xué)教學(xué)游戲中引入可教智能代理，通過數(shù)據(jù)記錄和問卷調(diào)查探究不同自我效能感水平的可教智能代理對學(xué)習(xí)者的影響。研究發(fā)現(xiàn)，學(xué)習(xí)者與低自我效能感的智能代理進行交互，其學(xué)習(xí)表現(xiàn)優(yōu)于與高自我效能感的智能代理進行交互。而且原本低自我效能感的學(xué)習(xí)者在此過程中自我效能感水平得到顯著提高。因此，T？覿rning建議，所有可教智能代理的效能感水平都應(yīng)設(shè)置為低自我效能感[27]。Damacharla等使用交互式、基于語音的智能代理等輔助培訓(xùn)師訓(xùn)練急救隊的學(xué)員，智能代理糾正學(xué)員在醫(yī)療過程中所犯錯誤并指出錯誤所在的步驟，幫助培訓(xùn)師建立起嚴(yán)格監(jiān)控的培訓(xùn)系統(tǒng)，以提高急救訓(xùn)練的效率。實證研究表明，使用智能代理的實驗組在每次訓(xùn)練中報告錯誤的次數(shù)明顯減少，且學(xué)習(xí)者的自我效能感和學(xué)習(xí)表現(xiàn)得到了顯著提高[28]。

（二）探索認(rèn)知特征，提供元認(rèn)知支持

元認(rèn)知對于有效解決學(xué)習(xí)問題、調(diào)節(jié)學(xué)習(xí)過程通常有較大的作用。在試圖利用智能學(xué)習(xí)環(huán)境改善學(xué)習(xí)者學(xué)習(xí)的研究中，元認(rèn)知因素越來越受到重視。如Kautzmann和Jaques將動畫智能代理（Animated Pedagogical Agent，APA）集成到數(shù)學(xué)智能導(dǎo)學(xué)系統(tǒng)PAT2Math中自動分析學(xué)習(xí)者的學(xué)習(xí)過程，并進行元認(rèn)知指導(dǎo)，教學(xué)實驗結(jié)果顯示，受到元認(rèn)知指導(dǎo)的學(xué)習(xí)者在元認(rèn)知知識監(jiān)控能力上有很大提升，并正確完成了較多的公式練習(xí)[29]。McCarthy等為智能導(dǎo)學(xué)系統(tǒng)iSTART增加了元認(rèn)知提示的功能，實驗發(fā)現(xiàn)，使用iSTART進行閱讀理解練習(xí)后的學(xué)習(xí)者在遷移測試中的自我解釋和推理理解得分高于不使用iSTART的控制組，且iSTART的元認(rèn)知提示有效提升了學(xué)習(xí)者的遷移水平[30]。

（三）建立學(xué)習(xí)者學(xué)業(yè)能力評估模型，預(yù)測學(xué)習(xí)者學(xué)業(yè)能力結(jié)構(gòu)

準(zhǔn)確了解學(xué)習(xí)者的學(xué)習(xí)水平和能力結(jié)構(gòu)有助于幫助教師更好地設(shè)計教學(xué)，滿足學(xué)習(xí)者學(xué)習(xí)需求，但用傳統(tǒng)的評估方法難以快速準(zhǔn)確評估學(xué)習(xí)者的能力結(jié)構(gòu)。為此，研究者對借助人工智能算法快速診斷學(xué)習(xí)者學(xué)業(yè)能力進行了研究，為解決學(xué)習(xí)者在適應(yīng)性學(xué)習(xí)環(huán)境中的“冷啟動”問題（在學(xué)習(xí)者初次進入學(xué)習(xí)平臺時，平臺對學(xué)習(xí)者的知識水平無從了解）提供了方案。

Pliakos等利用機器學(xué)習(xí)算法，將項目反應(yīng)理論（Item Response Theory，IRT）與建立在學(xué)習(xí)者信息（即用戶屬性，如年齡、相關(guān)課程、智商、前測分?jǐn)?shù)等）基礎(chǔ)上的分類回歸樹相結(jié)合，對學(xué)習(xí)者進行能力估計和項目響應(yīng)預(yù)測。通過對兩個公開教育數(shù)據(jù)集上的學(xué)習(xí)者數(shù)據(jù)進行測試，發(fā)現(xiàn)這種將機器學(xué)習(xí)算法與IRT模型相結(jié)合的方法與其他方法（包括非基于決策樹的機器學(xué)習(xí)方法以及隨機預(yù)測）相比，對學(xué)習(xí)者的能力估計誤差更小，響應(yīng)預(yù)測精度更高[31]。Vie等使用了一種新的基于機器學(xué)習(xí)的行列式點過程算法，對MOOC平臺上536名學(xué)習(xí)者進行多樣化提問，用盡可能少的問題快速對學(xué)習(xí)者的能力特征項進行預(yù)測，以解決學(xué)習(xí)者“冷啟動”問題[32]。Kaoropthaia等人提出了采用數(shù)據(jù)挖掘技術(shù)兩步聚類算法（Two-Step Cluster，TSC）的智能診斷框架（Intelligent Diagnostic Framework，IDF），能夠?qū)W(xué)習(xí)者的學(xué)術(shù)閱讀能力進行診斷[33]。

（四）多種方式誘發(fā)學(xué)習(xí)表現(xiàn)，優(yōu)化學(xué)習(xí)評價反饋效果

在傳統(tǒng)課堂評價中，教師難以開展個性化評價和即時反饋。而基于人工智能技術(shù)的智能評價與反饋工具將有效彌補傳統(tǒng)評價反饋模式的缺陷。

Chen等人構(gòu)建了混合學(xué)習(xí)課程實驗系統(tǒng)，幫助學(xué)習(xí)者及時獲得家庭作業(yè)正確與否的反饋，即系統(tǒng)會對學(xué)習(xí)者提交的答案進行及時判定。這種實時評價相比傳統(tǒng)的評價模式，更好地激發(fā)了學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)，例如：這些學(xué)習(xí)者會更早地提交作業(yè)，多次檢查答案，直到系統(tǒng)確定他們的答案是正確的[34]。Stevenson等則對比了智能導(dǎo)學(xué)系統(tǒng)AnimaLogica中輔導(dǎo)型反饋、多次嘗試反饋、無反饋在兒童分類推理學(xué)習(xí)中的影響，結(jié)果發(fā)現(xiàn)，輔導(dǎo)型反饋能較好地提升學(xué)習(xí)效果[35]。

針對反饋內(nèi)容的研究，Perikos等人開發(fā)了幫助學(xué)習(xí)者練習(xí)人工智能課程中轉(zhuǎn)換自然語言到一階邏輯公式的智能導(dǎo)學(xué)系統(tǒng)NLtoFOL。該系統(tǒng)具有較強的評價與反饋機制，能檢測學(xué)習(xí)者的錯誤類型，向?qū)W習(xí)者傳遞基于認(rèn)知水平的逐步反饋。該機制的架構(gòu)由三部分組成：領(lǐng)域處理單元、錯誤檢測單元和反饋生成單元。在學(xué)習(xí)者提交答案后，領(lǐng)域處理單元被激活，檢測學(xué)生的答案，如答案有誤，錯誤檢測機制將檢測該錯誤類型。分析完成后，按照反饋規(guī)則，確定反饋類型和參數(shù)，產(chǎn)生合適的反饋信息[36]。

而Chen等設(shè)計的對學(xué)習(xí)者進行數(shù)據(jù)庫查詢的智能導(dǎo)學(xué)系統(tǒng)SQL-Tutor則可以提供六種不同層次的反饋，由低到高分別是：簡單反饋（正確或錯誤）、錯誤標(biāo)記反饋（標(biāo)記學(xué)生解決方案中的錯誤部分）、提示反饋（指出錯誤，說明學(xué)生解決方案所違反的領(lǐng)域規(guī)則）、部分解決方案反饋（為錯誤的部分提供正確的方案）、列出所有錯誤（對所有錯誤提供提示）、完整解決方案反饋（提供完整的解決方案），初始的反饋為底層的簡單反饋，根據(jù)學(xué)生的表現(xiàn)，反饋層次會不斷升高，學(xué)生也可以要求系統(tǒng)直接給予特定層次的反饋[37]。

從以上研究可以看出，國外學(xué)者從構(gòu)建學(xué)習(xí)情境、規(guī)范學(xué)習(xí)行為、促進學(xué)習(xí)參與、提供學(xué)習(xí)支持等方面探索人工智能對教師的賦能，強化了人機協(xié)同對學(xué)習(xí)者學(xué)習(xí)過程的干預(yù)能力，促使學(xué)習(xí)者高效完成學(xué)習(xí)任務(wù)、提高自我效能感以及學(xué)習(xí)效率、增強學(xué)習(xí)體驗等。但人機協(xié)同的教學(xué)方式如何融入到具體的教學(xué)活動中，如何通過組織任務(wù)單式的學(xué)習(xí)、游戲化學(xué)習(xí)、項目式學(xué)習(xí)、多學(xué)科交叉學(xué)習(xí)等方式將學(xué)習(xí)者置于教學(xué)主體地位，引發(fā)教學(xué)結(jié)構(gòu)與教學(xué)模式的本質(zhì)性變化，人機協(xié)同適時、適當(dāng)?shù)亟o予點撥，解決學(xué)習(xí)過程中出現(xiàn)的問題，促進認(rèn)識，關(guān)注學(xué)習(xí)者思維方式和核心素養(yǎng)培養(yǎng)等的研究相對較少。

五、總結(jié)與展望

國際教育技術(shù)領(lǐng)域影響力較高的三本期刊中的相關(guān)研究大多關(guān)注將機器學(xué)習(xí)、問題求解、邏輯推理、自然語言理解、自動程序設(shè)計、專家系統(tǒng)、模式識別、機器學(xué)習(xí)算法、數(shù)據(jù)挖掘等人工智能技術(shù)嵌入各類教學(xué)、學(xué)習(xí)、決策等工具、系統(tǒng)或平臺中，支持構(gòu)建學(xué)習(xí)情境、規(guī)范學(xué)習(xí)行為、促進學(xué)習(xí)參與、提供學(xué)習(xí)支持、評估學(xué)業(yè)水平和能力結(jié)構(gòu)、制定個性化學(xué)習(xí)路徑和內(nèi)容等，旨在幫助教師支持差異化教學(xué)，改善教學(xué)效果，優(yōu)化教學(xué)方式與路徑，根據(jù)個體特定的情境、困難和需求，提供課內(nèi)外結(jié)合的個性化學(xué)習(xí)服務(wù)。這些研究成果對我們開發(fā)人工智能教學(xué)產(chǎn)品，開展關(guān)于認(rèn)知特征、學(xué)習(xí)本質(zhì)和教育規(guī)律的研究提供了方法指導(dǎo)和可供借鑒的研究范式。

但也不難發(fā)現(xiàn)，目前人工智能教學(xué)應(yīng)用的績效表現(xiàn)與應(yīng)用范圍與人們的期待仍相去甚遠(yuǎn)，存在狹窄化、碎片化的問題，需要關(guān)注多元化的應(yīng)用情境，改變以講授、練習(xí)、測試為核心的人工智能教學(xué)應(yīng)用現(xiàn)狀，避免人工智能淪為單純強化應(yīng)試教育的工具。人工智能教學(xué)應(yīng)用研究多定位于教學(xué)或?qū)W習(xí)的某個特定方面，如文本測評、學(xué)習(xí)能力結(jié)構(gòu)評估、適應(yīng)性及個性化學(xué)習(xí)系統(tǒng)等，忽視了學(xué)習(xí)者整體素質(zhì)的提升和發(fā)展，忽視了人工智能賦能教師的理論基礎(chǔ)研究，忽視了人機協(xié)同教學(xué)機制與教學(xué)模式等的研究。鑒于此，未來的人工智能教學(xué)應(yīng)用研究應(yīng)在目前微觀研究的基礎(chǔ)上，從中觀、宏觀層面注重以下幾個方面的研究：

（一）人工智能與教學(xué)的關(guān)系研究

在教學(xué)場景中應(yīng)用的人工智能技術(shù)是基礎(chǔ)，促進教學(xué)目標(biāo)的有效實現(xiàn)和學(xué)習(xí)者的發(fā)展，主導(dǎo)著人工智能教學(xué)內(nèi)容、方式等。如何最大程度地發(fā)揮人工智能教學(xué)應(yīng)用價值，批判地分析和判斷人工智能技術(shù)應(yīng)用引發(fā)的不同學(xué)習(xí)體驗，正確認(rèn)識人工智能技術(shù)在教學(xué)中發(fā)揮作用的前提、條件和約束，找到兩者之間的契合點，將人工智能技術(shù)有效融入教學(xué)，并最大限度地發(fā)揮教師的教學(xué)智慧，這是需要研究的問題。

（二）人工智能教學(xué)應(yīng)用關(guān)鍵技術(shù)研究

這里所指的關(guān)鍵技術(shù)不是專家系統(tǒng)、自然語言理解、人工神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)等人工智能技術(shù)本身，而是借助這些技術(shù)，結(jié)合教育學(xué)、心理學(xué)、腦科學(xué)等，探索智能時代的認(rèn)知特征、學(xué)習(xí)本質(zhì)與教育價值，開發(fā)人工智能教學(xué)應(yīng)用關(guān)鍵技術(shù)，包括基于學(xué)習(xí)者學(xué)業(yè)診斷及行為數(shù)據(jù)分析的智能推薦服務(wù)技術(shù)，基于社會性、情感性和元認(rèn)知模型的學(xué)情分析服務(wù)技術(shù)，基于業(yè)務(wù)建模的監(jiān)控、模擬和預(yù)測的決策支持服務(wù)技術(shù)，適應(yīng)性學(xué)習(xí)策略進行形式化描述的方法與模型，教育機器人的系統(tǒng)架構(gòu)等關(guān)鍵技術(shù)。

（三）人工智能賦能教師的理論基礎(chǔ)研究

人工智能賦能教師的理論基礎(chǔ)研究是明晰技術(shù)賦能教師和人機協(xié)同教學(xué)的內(nèi)在邏輯和學(xué)理依據(jù)，主要涉及人工智能、教師群體的本質(zhì)屬性及二者之間的關(guān)系，其中，人工智能本質(zhì)的探討需從技術(shù)哲學(xué)層面，深入分析人工智能嵌入教育系統(tǒng)中的內(nèi)在邏輯基礎(chǔ)、優(yōu)勢潛力及應(yīng)然狀態(tài);教師群體本質(zhì)的探討主要從技術(shù)哲學(xué)、教育學(xué)層面分析人類教師本身的人性結(jié)構(gòu)缺陷和技術(shù)賦能的現(xiàn)實需求;人工智能和教師的關(guān)系分析中，需明確教育生態(tài)系統(tǒng)中人工智能這一技術(shù)和教師群體的各自生態(tài)位及作用，明晰二者的自身優(yōu)勢和不足，如人工智能對于機械的、重復(fù)的任務(wù)處理，創(chuàng)新性展示與交互，個性化學(xué)習(xí)體驗等方面的優(yōu)勢;人類教師在批判性思考、社會和情感交互等方面的優(yōu)勢，為后續(xù)人工智能生態(tài)位和教師生態(tài)位的有效整合，即人機協(xié)同的分工合作提供基礎(chǔ)支撐。

（四）人工智能與教學(xué)融合形態(tài)研究

人工智能教育教學(xué)應(yīng)用在20世紀(jì)便已出現(xiàn)，從早期的CAI到智能導(dǎo)學(xué)系統(tǒng)、教育機器人、智能代理等表現(xiàn)出不同的應(yīng)用形態(tài)，如人工智能主體性融入形態(tài)、人工智能功能性嵌入形態(tài)和人工智能輔助技術(shù)手段形態(tài)。因此，需要從技術(shù)本質(zhì)層面深入挖掘人工智能技術(shù)的本質(zhì)形態(tài)，剖析人工智能技術(shù)教學(xué)應(yīng)用本質(zhì)的教育業(yè)務(wù)現(xiàn)象和技術(shù)組合，從技術(shù)應(yīng)用層面明確各類應(yīng)用案例的教育教學(xué)業(yè)務(wù)需求及應(yīng)用場景類型。同時，要充分考慮未來人工智能技術(shù)的結(jié)構(gòu)深化和進化機制，探討人智能賦能教師的可能發(fā)展形態(tài)和理想狀態(tài)。

（五）人機協(xié)同背景下的教師人工智能教學(xué)應(yīng)用素養(yǎng)研究

基于人工智能與教學(xué)融合的形態(tài)，需要明確教師應(yīng)該具備的人工智能知識、人機協(xié)同思維、數(shù)據(jù)思維、人工智能教學(xué)應(yīng)用能力等，構(gòu)建人工智能教育應(yīng)用素養(yǎng)框架。在人工智能知識層面，明確教師人工智能素養(yǎng)能力的基礎(chǔ)知識內(nèi)容;在人工智能情感和價值觀層面，探討教師人工智能教育教學(xué)應(yīng)用的基本信念和價值觀念;在人工智能教學(xué)應(yīng)用能力層面，明晰教師開展人機協(xié)同所具備的基本能力;在倫理和安全層面，分析教師人工智能應(yīng)用過程中應(yīng)當(dāng)具備的道德規(guī)范、安全意識和應(yīng)用邊界。在此基礎(chǔ)上，探索教師的人工智能教育應(yīng)用素養(yǎng)的提升策略。

[參考文獻]

[1] 張優(yōu)良，尚俊杰.人工智能時代的教師角色再造[J].清華大學(xué)教育研究，2019，40（4）：39-45.

[2] 余勝泉.人工智能教師的未來角色[J].開放教育研究，2018，24（1）：16-28.

[3] 顧小清，舒杭，白雪梅.智能時代的教師工具：喚醒學(xué)習(xí)設(shè)計工具的數(shù)據(jù)智能[J].開放教育研究，2018，24（5）：64-72.

[4] 余勝泉.人機協(xié)作：人工智能時代教師角色與思維的轉(zhuǎn)變[J].中小學(xué)數(shù)字化教學(xué)，2018（3）：24-26.

[5] HOLMES W，BIALIK M.Artificial intelligence in education promises and implications for teaching and learning[EB/OL].[2019-08-01].https：//curriculumredesign.org/wp-content/uploads/AIED-Book-Excerpt-CCR.

[6] ROLL I，WYLIE R. Evolution and revolution in artificial intelligence in education[J]. International journal of artificial intelligence in education，2016，26（2）：582-599.

[7] PUENTEDURA R R. Transformation，technology，and education[EB/OL].[2019-06-22].http：//hippasus.com/resources/tte/puentedura_tte.pdf.

[8] 郭炯，郝建江.人工智能環(huán)境下的學(xué)習(xí)發(fā)生機制[J].現(xiàn)代遠(yuǎn)程教育研究，2019，31（5）：32-38.

[9] VAJJALA S. Automated assessment of non-native learner essays： investigating the role of linguistic features[J]. International journal of artificial intelligence in education，2018，28（1）：79-105.

[10] RAHIMI Z， LITMAN D， CORRENTI R. Assessing students' use of evidence and organization in response-to-text writing： using natural language processing for rubric-based automated scoring[J].International journal of artificial intelligence in education， 2017，27（4）：694-728.

[11] WESTERA W， DASCALU M， KURVERS H，et al. Automated essay scoring in applied games： reducing the teacher bandwidth problem in online training[J]. Computers & education，2018，123（8）：212-224.

[12] RICO-JUAN J R， GALLEGO A J， CALVO-ZARAGOZA J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning[J]. Computers & education，2019，140（13）：103609.

[13] WILEY J， HASTINGS P， BLAUM D，et al. Different approaches to assessing the quality of explanations following a multiple-document inquiry activity in science[J]. International journal of artificial intelligence in education，2017，27（4）：758-790.

[14] FLETCHER J D， SOTTILARE R A. Shared mental models in support of adaptive instruction for teams using the GIFT tutoring architecture[J]. International journal of artificial intelligence in education，2018，28（2）：265-285.

[15] LIN A C， LIU G， WANG T，et al. Development and usability test of an e-Learning tool for engineering graduates to develop academic writing in english a case study[J].International forum of educational technology & society，2017，20（4）：148-161.

[16] RAPP C， KAUF P. Scaling academic writing instruction： evaluation of a scaffolding tool （Thesis Writer）[J].International journal of artificial intelligence in education，2018，28（4）：590-615.

[17] WESTON-SEMENTELLI J L， ALLEN L K， MCNAMARA D S. Comprehension and writing strategy training improves performance on content-specific source-based writing tasks[J]. International journal of artificial intelligence in education，2018，28（1）：106-137.

[18] CHASE C C， CONNOLLY H， LAMNINA M，et al. Problematizing helps！A classroom study of computer-based guidance for invention activities[J].Internationaljournal of artificial intelligence in education，2019，29（2）：283-316.

[19] GRIVOKOSTOPOULOU F， PERIKOS I， HATZILYGEROUDIS I. An educational system for learning search algorithms and automatically assessing student performance[J]. International journal of artificial intelligence in education，2017，27（1）：207-240.

[20] WALKINGTON C， BERNACKI M L. Personalizing algebra to students' individual interests in an intelligent tutoring system： moderators of impact[J]. International journal of artificial intelligence in education，2019，29（1）：58-88.

[21] KLA？譒NJA-MILI? EVI? ?A， VESIN B， IVANOVI? ?M. Social tagging strategy for enhancing e-learning experience[J]. Computers & education， 2018，118（3）：166-181.

[22] RIVERS K， KOEDINGER K R. Data-driven hint generation in vast solution spaces： a self-improving python programming tutor[J].International journal of artificial intelligence in education，2017，27（1）：37-64.

[23] MOSTAFAVI B， BARNES T. Evolution of an intelligent deductive logic tutor using data-driven elements[J].International journal of artificial intelligence in education，2017，27（1）：5-36.

[24] CHOU C Y， LAI K R， CHAO P Y，et al. A negotiation-based adaptive learning system for regulating help-seeking behaviors[J]. Computers & education，2018，126（11）：115-128.

[25] VELETSIANOS G， RUSSELL G S. Pedagogical agents[M]// Handbook of research on educational communications and Technology. New York：Springer，2014：759-769.

[26] DIN？覶ER S，DO? ANAY A.The effects of multiple-pedagogical agents on learners' academic success，motivation，and cognitive load[J]. Computers & education，2017，111（8）：74-100.

[27] T？魧RNING B， SILVERVARG A， GULZ A，et al. Instructing a teachable agent with low or high self-efficacy-does similarity attract？[J]. International journal of artificial intelligence in education，2019，29（1）：89-121.

[28] DAMACHARLA P， DHAKAL P， STUMBO S，et al. Effects of voice-based synthetic assistant on performance of emergency care provider in training[J].International journal of artificial intelligence in education，2019，29（1）：122-143.

[29] KAUTZMANN T R， JAQUES P A. Effects of adaptive training on metacognitive knowledge monitoring ability in computer-based learning[J]. Computers & education，2019，129（2）：92-105.

[30] MCCARTHY K S， LIKENS A D， JOHNSON A M ，et al. Metacognitive overload?。簆ositive and negative effects of metacognitive prompts in an intelligent tutoring system[J]. International journal of artificial intelligence in education，2018，28（3）：420-438.

[31] PLIAKOS K， JOO S H， PARK J Y，et al. Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems[J]. Computers & education，2019，137（10）：91-103.

[32] VIE J J， POPINEAU F， BRUILLARD ？魪，et al. Automated test assembly for handling learner cold-start in large-scale assessments[J]. International journal of artificial intelligence in education，2018，28（4）：616-631.

[33] KAOROPTHAI C， NATAKUATOONG O， COOHAROJANANONE N. An intelligent diagnostic framework： a scaffolding tool to resolve academic reading problems of Thai first-year university students[J]. Computers & education，2019，128（1）：132-144.

[34] CHEN X， BRESLOW L， DEBOER J.Analyzing productive learning behaviors for students using immediate corrective feedback in a blended learning environment[J]. Computers & education，2018，117（2）：59-74.

[35] STEVENSON C E. Role of working memory and strategy-use in feedback effects on children's progression in analogy solving：an explanatory item response theory account[J].International journal of artificial intelligence in education，2017，27（3）：393-418.

[36] PERIKOS I， GRIVOKOSTOPOULOU F， HATZILYGEROUDIS I. Assistance and feedback mechanism in an intelligent tutoring system for teaching conversion of natural language into logic[J].International journal of artificial intelligence in education，2017，27（3）：475-514.

[37] CHEN X， MITROVIC A. Investigating the effect of agency on learning from worked examples，erroneous examples and problem solving[J]. International journal of artificial intelligence in education，2019，28（1）：59-74.