可解释性人工智能有助于提升自适应学习的学习效果吗——基于29项实验与准实验的元分析.pdf

Vol.34No.102024

可解释性人工智能有助于提升自适应学习的

学习效果吗？*

——基于29项实验与准实验的元分析

陈昂轩贾积有[通讯作者]

（北京大学教育学院，北京100871）

摘要：当前，以数据驱动为基础的自适应学习技术在教育领域展现出了巨大的潜力，然而其不透明的“黑箱”

属性引发了教育研究者和实践者的普遍担忧。可解释性人工智能被认为有潜力在自适应学习情境中帮助学习者

理解干预决策，从而提升学习成效，但其在教育应用中的实践效果存在争议。为此，文章采用元分析方法，对

29项实证研究的66个效应量进行分析，发现可解释性人工智能对自适应学习的学习效果的提升为中等程度，

其中对学习者认知和元认知维度的影响更大；可解释性人工智能的促进作用因受到解释设计、呈现设计、实验

设计的影响而存在差异。基于研究结果，文章提出未来的自适应学习干预应坚持以学习者为中心，注重学习干

预解释的互动性、可读性和边界性等启示，以促进可解释性人工智能在教育领域的深度应用。

关键词：自适应学习；可解释性人工智能；元分析

【中图分类号】G40-057【文献标识码】A【论文编号】1009—8097（2024）10—0092—11【DOI】10.3969/j.issn.1009-8097.2024.10.010

引言

随着人工智能技术在教育领域中的高速发展，越来越多的研究表明人工智能技术能够在教、

[1]

学、评等各个环节体现数据驱动的自适应、个性化的教育价值。然而，智能分析与决策的“黑

箱问题”造成了人对机器的“认识缺失”，在教学实践中也呈现出算法厌恶干扰、推送错误风

[2]

险、教师难以理解等个性化教学信赖危机。为了解决人工智能的可控性问题，可解释性人工智

能（ExplainableAI，XAI）方法逐渐受到重视。先前一些研究对XAI的教育内涵进行了分析，

体现在教育领域中应用XAI（XAI-ED）的特征包括：①透明性，XAI技术可以对数据处理和决

策过程进行透明化展示，使用户了解每一步操作的逻辑。②可追溯性，XAI的决策过程可以追

溯，帮助用户理解每个决策背后的依据与数据处理流程。③用户友好性，XAI技术重视用户交

[3]

互，可以通过可视化、自然语言解释等方式，使不同背景的用户理解和使用人工智能系统。例

如，在个性化学习环境中，XAI技术可以提供关于推荐内容或学习路径选择的详细解释，帮助

学习者理解这些推荐是如何产生的，从而增强其对于学习规划的理解；XAI还可以详细解释预

[4][5]

测成绩或自动反馈背后的依据，协助教师识别哪些因素影响了学习者成绩或者评估结果等。

此外，过往对XAI在教育情境下的应用研究也指出，XAI的解释信息本身具有促进学习者

[6][7]

自身水平发展的教育功能。Miller指出，在教育情境下，解释不仅被视为一种信息产出，还

被视为学习者和教学对象互动的过程，以及从解释者到被解释者的知识转移过程。因此，从教

育实践上看，XAI的解释不仅应该增加学习者对系统或系统决策的信任，还应该赋予其更好的

[8][9]

学习表现。例如，对于自适应学习路径的解释性说明能够帮助学习者适时调整自身的学习策

略，对于自适应学习者建模的解释性说明能够帮助学习者进行有效的自我监控，等等。然而，

92

Vol.34No.102024

当前对于可解释性人工智能的教育应用效果争论不一，其中Robbins[10]认为教育应用中人工智能

算法的许