依然在路上：教学人工智能的发展与局限.docVIP

依然在路上：教学人工智能的发展与局限 ——Still on the Way:The Development and Limitation of Artificial Intelligence in Teaching and Learning 作 者： 赵帅/ 黄晓婷 作者简介： 赵帅，男，北京大学中国教育财政科学研究所博士后，博士。北京 100871；黄晓婷，女，香港考试及评核局考试评核及研究总监，博士。 原发信息： 《 北京大学教育评论》2019年第20194期 第2-17页 内容提要： 作为教育人工智能的核心，教学人工智能对提升教学质量有十分积极的意义。了解教学中人工智能技术的运用现状有助于理解这一领域的潜力及局限，但目前少有分析。文章将教学人工智能归为四类：行为探测、学习模型、预测模型及智能测评。行为探测利用计算机视觉、机器学习等技术预测学生的专注度，但由于准确率、成本等问题，这类研究多在实验阶段。预测模型通过构建机器学习模型预测学习效果，这类研究在MOOC中有少量应用。学习模型综合利用自然语言处理、机器人学等技术引导学生进行自适应学习，主要面临分析模式有限、学科分布不均等问题。智能测评主要涉及机器命题、自动评分，机器命题目前仍依赖命题专家与计算机协作，自动评分则主要局限于英文。文章认为，教学人工智能距离全面、成熟的应用还有不小的距离。因此政府或可成立权威的第三方评估机构，对市场上的智能教学产品去伪存真。 Still on the Way:The Development and Limitation of Artificial Intelligence in Teaching and Learning 关 键 词： 教学人工智能/ 行为探测/ 学习模型/ 预测模型/ 智能测评 期刊名称： 《 教育学》 复印期号： 2020年05期 　　中图分类号：G434 文献标识码：A 文章编号：1671-9468(2019)04-0002-16 　　人工智能(Artificial Intelligence，简称AI)的概念诞生于1956年在美国召开的达特茅斯会议，其定义为：让机器的行为看起来像人所表现出的智能行为。迄今为止，人工智能的发展主要经历了三次高峰、两次低谷[1-2]。 　　1956-1974年间，人工智能迎来了第一个发展高峰，主要成就是解决了一些数学、几何问题，但由于能够处理的问题复杂程度有限，因此经历了1974-1980年间的低谷。专家系统的崛起使人工智能在1980-1987年间迎来第二个发展高峰，然而当时的专家系统通用性较差、维护成本高，受限于此，人工智能又经历了1987-1993年间的发展低谷。1993年至今是人工智能发展的第三个高峰，主要推动力是算力强大的计算机、能够构建深层智能的数学模型及大数据。概括来讲，现代人工智能是计算机基于机器学习从大数据中学来的。例如，翻译人工智能源于中英文对照大数据；围棋人工智能AlphaGo则由围棋对局大数据中得来。 　　教育人工智能(AI in education)是学习科学与人工智能相结合而形成的新兴研究领域[3-4]，宏观上可以分为教学人工智能、教育管理人工智能两个方向。教学人工智能侧重于利用人工智能技术支持教师设计教学策略、实现精准化教学，帮助学生规划学习路径、推荐学习资源、提升学习效果等。教育管理人工智能主要依赖人工智能技术提供决策支持服务，如合理调配教育资源、建立有效的教育管理制度等。相比于管理人工智能，教学人工智能在提升教育质量方面发挥的作用更为直接，也更为核心。 　　教学人工智能研究的现状如何？具体来说，这些研究可分为几类？各类研究使用了哪些人工智能技术，当前进展如何，面临哪些挑战？未来可能有哪些研究热点？回答这些问题能为政府出台教育人工智能相关政策提供依据，推动人工智能更好地服务于教学，但现有研究少有回应。鉴于此，本文将对教学领域的人工智能技术运用进行系统分析。 　　二、现代人工智能研究体系 　　现代人工智能体系主要包含计算机视觉、自然语言处理、机器人学、机器学习、认知与推理、博弈与伦理六个活跃的领域①。 　　计算机视觉的工作主要是从图像、视频等数据源中提取特征，进而完成物体的检测、识别、描述等任务，具体研究主题包括图像识别[5]、图像语义分割[6]等。 　　自然语言处理关注人类自然语言与计算机之间进行通信的理论与方法，涉及很多具体研究方向，例如：语音识别旨在将人类的语音内容转化成文本，可用于构建机器翻译系统[7]；文本分类的目的是将文档自动归类到与之匹配的一个或几个类别中，广泛应用于情感分析[8]等多种场景。 　　机器人学注重机械工程学、电子工程学、计算机科学等学科的跨学科研究，用于制造取代人力的自动化机器。如今，机器