人工智能與教育系統(tǒng)以人類的知識實踐為紐帶，兩者存在多層次、復(fù)雜且密切的相互作用，人工智能應(yīng)用于教育實踐具有邏輯必然性。人工智能是科學(xué)、工程與數(shù)學(xué)，但是人工智能教育應(yīng)用是具有社會歷史文化屬性的人類教育實踐，其大范圍開展有賴于教育主體(教師、管理者、學(xué)生、組織機構(gòu))理解人工智能在教育活動中的作用方式、可能與限度。本文從微觀教育過程層面，分析人工智能是“如何”應(yīng)用于教育的，即其實現(xiàn)教學(xué)自動化的方法。

從核心實現(xiàn)技術(shù)的角度看，智能教學(xué)系統(tǒng)可以分為專家系統(tǒng)和機器學(xué)習(xí)兩類。本文選擇四個智能教學(xué)系統(tǒng)，分析其實現(xiàn)教學(xué)自動化的方法。 (始于1983年)和(始于1998年)是典型的基于專家系統(tǒng)的智能輔導(dǎo)系統(tǒng)。前者是交互式學(xué)習(xí)環(huán)境，發(fā)展學(xué)生的認(rèn)知技能；后者是虛擬主體，通過自然語言對話促進(jìn)學(xué)生對概念的理解?！爸悄堋蹦K均采用機器學(xué)習(xí)技術(shù)，但教學(xué)功能與外在表現(xiàn)差異很大。前者是針對大學(xué)教學(xué)的學(xué)習(xí)分析，利用歷史記錄與學(xué)習(xí)過程數(shù)據(jù)預(yù)測學(xué)生成功學(xué)習(xí)課程的可能性；后者用于中小學(xué)網(wǎng)絡(luò)科學(xué)探究學(xué)習(xí)，智能模塊對學(xué)生有關(guān)科學(xué)問題的回答自動進(jìn)行評分，根據(jù)評分結(jié)果分配反饋指導(dǎo)語，以促進(jìn)科學(xué)知識的整合學(xué)習(xí)；兩者的教學(xué)信息由人類教師直接提供或通過多媒體學(xué)習(xí)材料傳遞呈現(xiàn)。四者均有實證研究支持其教學(xué)的有效性，前兩個智能輔導(dǎo)系統(tǒng)已衍生出多種大規(guī)模應(yīng)用的商業(yè)產(chǎn)品。

以專家系統(tǒng)為基礎(chǔ)的自動輔導(dǎo)。以認(rèn)知任務(wù)分析為基礎(chǔ)，實現(xiàn)認(rèn)知技能的自動輔導(dǎo)。計算機為學(xué)生創(chuàng)建一個高度結(jié)構(gòu)化的問題解決環(huán)境，能夠逐步跟蹤、判斷學(xué)生的問題解決過程，并適時提供反饋、提示與幫助。為支持特定認(rèn)知技能的學(xué)習(xí)，需詳盡分析完成任務(wù)所需的陳述性知識和程序性知識，利用產(chǎn)生式系統(tǒng)表征知識，為學(xué)生提供解決問題的認(rèn)知工具，系統(tǒng)跟蹤問題解決過程，將學(xué)生的表現(xiàn)記錄在學(xué)生模型中。功用于中小學(xué)代數(shù)、幾何等內(nèi)容的學(xué)習(xí)。

對于給定學(xué)科內(nèi)容的教學(xué)過程，教學(xué)推理與行動模型是個很好的分析框架，與中小學(xué)教師的日常教學(xué)實踐過程高度契合。其基本假設(shè)是：“教學(xué)是觀念交流的活動。教師首先掌握、探索和理解一個觀念，把它轉(zhuǎn)換為自己的思想，從多個角度去理解它。然后，這個觀點要被重新塑造或修正，直到它能夠被學(xué)生所掌握?！奔唇虒W(xué)遠(yuǎn)不止是課堂上的幾十分鐘，完整的教學(xué)過程包括理解、轉(zhuǎn)化、教學(xué)、評價、反思和新的理解六個階段。在教學(xué)過程中，不但學(xué)生對某一主題的理解有變化，教師的理解同樣在更新。模型中的具體任務(wù)可由人完成，也可由計算機完成。

從這兩個案例看，專家系統(tǒng)類的人工智能教育系統(tǒng)僅實現(xiàn)了教學(xué)知識應(yīng)用的自動化?？梢?，就完整教學(xué)過程而言，計算機能做的實際上很有限，計算機還無法勝任理解教學(xué)內(nèi)容、轉(zhuǎn)化、反思和形成新的理解等任務(wù)，能夠自動化(由計算機完成)的是教學(xué)與評價。即“理解”了知識且能“施展”技能的計算機系統(tǒng)，能夠為學(xué)生個體或小組提供動態(tài)適應(yīng)的教學(xué)，例如個別化的速度、學(xué)習(xí)路徑、反饋和練習(xí)題目等，并在學(xué)習(xí)過程中全面評價學(xué)生的學(xué)習(xí)過程與結(jié)果利用產(chǎn)生式系統(tǒng)(“如果……，那么……”的規(guī)則集合)存儲人類專家的內(nèi)容知識，在恰當(dāng)?shù)臅r候針對學(xué)生的問題解決給出相關(guān)知識。課程開發(fā)成本高昂主要是因為需要手動為系統(tǒng)提供知識，需要進(jìn)行詳盡細(xì)致的認(rèn)知任務(wù)分析，將專家的陳述性知識和程序性知識顯性化，同時還要轉(zhuǎn)換為產(chǎn)生式規(guī)則輸入計算機，這一過程費時費力。解決知識獲取難題的途徑有兩個：一是通過創(chuàng)作工具提高人類專家輸入、管理知識的效率，降低操作的認(rèn)知難度；二是通過提供范例，簡化知識獲取與表征。

以機器學(xué)習(xí)為基礎(chǔ)的自動模式發(fā)現(xiàn)與識別。工作流程類似，所不同的是樣例特征與類別。從基本邏輯看，兩者都假定以往的樣例(以往學(xué)生的學(xué)習(xí)記錄和回答)在未來仍保持穩(wěn)定。若學(xué)習(xí)者和學(xué)習(xí)情境有顯著變化，則訓(xùn)練出來的模型的預(yù)測力就會下降，需要更新訓(xùn)練數(shù)據(jù)集或者調(diào)整參數(shù)，甚至換成其他算法。這一過程不僅耗費人力，而且對執(zhí)行者的專業(yè)能力有很高的要求。

機器學(xué)習(xí)之所以受到重視，根本原因在于其部分解決了知識“分析(生成)”難題，算法可以從案例中自動發(fā)現(xiàn)知識。更準(zhǔn)確地說，應(yīng)該是發(fā)現(xiàn)模式，即pattern，哪些屬性經(jīng)常會一起出現(xiàn)，通過屬性之間的相關(guān)，在不確定因果的情況下也可以實現(xiàn)具有實用價值的預(yù)測。從根源上看，機器學(xué)習(xí)所獲得的知識還是來源于人類，它不過是將隱含于案例中的人類知識挖掘出來。在教育領(lǐng)域，高質(zhì)量的已標(biāo)注案例數(shù)據(jù)集不多見。最容易想到的，也許就是高利害考試中已評分的題目。批改作文的人工成本高昂，標(biāo)注案例數(shù)據(jù)豐富，人工智能技術(shù)很早就大規(guī)模應(yīng)用于ETS的GRE、托福等考試的作文評價也就不足為奇了。但機器學(xué)習(xí)技術(shù)的局限在于：一是需要大量的實例，如要為作文評分，系統(tǒng)需要某一作文題目下不同級別的文章實例，機器運用算法從這些文章中發(fā)現(xiàn)不同分值文章的特征；二是分類機制難以解釋；三是特征設(shè)定還需要人工完成；四是缺乏常識，評分系統(tǒng)實際上并不能理解文字的含義，無法像人一樣感知、理解文章。這樣造成的后果就是非常新穎且有創(chuàng)造性的作文很可能被判低分。

綜上所述，人工智能是如何實現(xiàn)教學(xué)自動化的?針對典型智能教學(xué)系統(tǒng)的案例研究表明：以專家系統(tǒng)為核心實現(xiàn)技術(shù)的智能輔導(dǎo)系統(tǒng)主要實現(xiàn)了人類學(xué)科知識和教學(xué)知識的自動化應(yīng)用，知識采集和分析尚需人工完成；以機器學(xué)習(xí)為核心實現(xiàn)技術(shù)的學(xué)習(xí)分析系統(tǒng)與自動指導(dǎo)反饋(如WISE+c-Rater)，從歷史數(shù)據(jù)中發(fā)現(xiàn)模式，用于預(yù)測與識別現(xiàn)象，其自動化的是模式發(fā)現(xiàn)與應(yīng)用，而準(zhǔn)備歷史數(shù)據(jù)、選擇與調(diào)整算法需要人工完成。人工智能在教學(xué)“完整”過程中的作用還非常有限，靈活性與適應(yīng)性還比較差，代替人類教師還很不現(xiàn)實。智能教學(xué)系統(tǒng)在增強教師方面比替代教師有更廣闊的空間。

審核編輯：符乾江