刘三女牙  华中师范大学教授，人工智能教育学部副部长兼国家数字化学习工程技术研究中心/教育大数据应用技术国家工程实验室常务副主任

四、数据驱动下的新范式

无论是从教育实践的角度，还是从教育研究的角度来说，在教育数据不断累积的过程中，数据驱动下的新范式——数据密集型研究范式诞生了。

图灵奖得主吉姆·格雷在2007年加州山景城召开的NRC-CSTB（National Research Council-Computer Science and Telecommuni-
cations Board）大会上，发表了留给世人的最后一次演讲“The Fourth Paradigm: Data-Intensive Scientific Discovery”，提出科学研究的第四类范式。其中的“数据密集型”就是现在我们所说的“大数据”。同时，吉姆·格雷还总结出科学研究的范式共有四个：几千年前，是经验科学，主要用来描述自然现象；几百年前，是理论科学，主要使用模型或归纳法进行科学研究；几十年前，是计算科学，主要模拟复杂的现象；今天，是数据探索，统一于理论、实验和模拟。它的主要特征是：数据依靠信息设备收集或模拟产生，依靠软件处理，用计算机进行存储，使用专用的数据管理和统计软件进行分析。

我们现在所需要的数据驱动下的新范式不仅仅是基于数据的实证研究与科学发现，还要实现基于数据的决策支持与教育实践革命，更要深刻改变思维方式和教育要素互动模式，促进教育创新。

由于数据在不断累积，数据的驱动力在不断加强，对数据的计算能力也在不断提高。教育行业的可计算性与通常意义上的数字化不太一样，它来源于教育新模式诞生和落地的需要，来源于数据不断地搜集、采集和累积的基础，以及新型研究范式和实践范式的推动。

教育的可计算性既是一个复杂的哲学命题，也是处于计算型社会的教育系统创新与变革必须要正视的重大现实课题，值得我们进一步深入探讨。但我个人认为，在教育信息化的下半场，在新一代信息技术的助力下，教育的可计算性变成了一个非常突出的问题，也是决定我们如何将教育与技术进行深度融合的关键点。

智能时代教育的基本任务

如果说教育变得可计算，那么它的基本任务是什么？

一、教育的千年梦想

教育教学追求的目标是有教无类（规模化）、因材施教（个性化），二者的有机统一是今后一段时间内教育科学研究与实践的主要目标，也就是要实现教育的公平均衡问题，实现个性化教育。

美国心理学家、教育家本杰明·布鲁姆通过实验研究提出了Two-sigma问题：基于“掌握式学习”的1对1个性化辅导比传统课堂教学平均成绩提升2个标准差。从实验结论来看，个性化的教学效果是显著的、不容怀疑的，同时也是无法回避、必须要解决的。到底如何实现规模化教学和个性化教学的统一，在规模化教学下兼顾个性化学习，就变成了教育研究层面的一个非常重要且急需解决的问题。解决这个问题能够极大提高我们对人才的培养和社会的需要。毫无疑问，在当前情况下我们需要借助技术的力量来破解这个问题。

二、需要解决的问题

从可计算的角度来看，数据驱动下的教育需要解决三个方面的问题：学习主体可理解、学习服务可定制、教育情境可感知。

利用信息技术构建新的教育环境，让教育教学的环境变得可感知、可理解，在感知的基础上让学生充分理解，然后在学生能够感知和理解的基础上提供可定制的个性化学习服务。将这三个基本任务落实到现实教学场景中，可以很好地助力在规模化教育中培养个性化人才。

三、主要着力点

从具体实例、研究层面来看，以人工智能为例，它助力教育基本体现在四个着力点上：场景、感知、理解、服务。

1.场景——虚实结合、人技协同

无论是线上线下教学的融合，还是VR/AR的技术运用，以人工智能为代表的信息技术运用到教育行业，最重要的目的是打造新型教育教学环境。但是需要注意的是，信息技术在教育行业的运用与其他行业最大的不同是人的参与，教师不可能完全被替代。此外，利用人工智能是为了提高教育教学的质量，而不是为了将人工智能打造成像人一样智能。这个关键在于如何实现人的智能和机器智能一体化。

2.感知——量化学习过程（非入侵式感知与隐形状态的深度捕获）

如何利用智能技术去感知社会、场景，尤其是场景中的学习主体，去感知他们的行为和状态，从而让教师更好地判断学生学情、让学生更好地认清自己，这是理解学生很重要的前提。

3.理解——数据驱动的学习机理计算

在感知的基础上，我们还要不断尝试解决在数据驱动的学习过程中的机理计算问题，解决怎样利用大量的数据累积来揭示学习是如何发生的、学习过程中到底发生了什么等问题。

4.服务——算法定义学习

打造一个合适的场景并进行综合建模与分析，实现算法定义学习。在这个场景中，可以给学生提供个性化诊断分析、个性化知识供给、学习路径的规划和适应性能力的培养，从而帮助教师和学生兼顾规模化学习和个性化学习。

我预感，随着数据驱动的密集型教育科学研究与实践的不断深入，计算教育学正在萌芽。

智能时代教育的发展前沿

一、人工智能赋能教育的三个层次

人工智能赋能教育可以分为三个层次：智能增强、智能补偿、智能替代。

智能增强是指以前人为可以做到的，机器可以帮忙做得更好；智能补偿是指以前人为无法做到的，机器可以帮助完成，比如教师在规模化授课时不可能兼顾到每一个学生，但机器可以帮助教师分析学生的情况，让教师及时清晰地了解到每一个学生的情况；智能替代是指机器在某些环节替代人类发挥作用，比如在一个在线学习论坛中安排机器助手来代替教师回答学生的问题。

这三个层次在不同环节、不同阶段可以完成不同的工作，但需注意的是，智能替代不存在替代教师的情况，只是替代教师在某一环节完成特定的任务，虽然在某些方面可能会比教师做得更好，但是机器不可能完全代替教师在教育教学过程中的核心作用。

二、发展前沿

针对人工智能赋能教育的三个层次，教育智能计算目前发展的重点主要体现在以下三个方面。

1.感知与理解

对现有的教育教学进行感知与理解，最重要的是如何进行智能感知与计算、学习认知机理。如果这些问题得不到解决，我们所谈论的其他问题都会变得虚无。

2.解构与赋能

要想进行智能增强、智能补偿、智能替代，就必须要对传统的教育教学进行解构，同时对其他相关环节进行赋能，这个环节就会涉及对群体的智能调控和对个体的个性化智能导学。

3.重构与增强

要想实现人机共融就必须重构教育教学的过程，同时要提升教育教学的质量。

需要注意的是，在这三个层次发展过程中，我们要始终把教育伦理放在一个核心位置上加以约束。

三、具体实践

1.智能感知与计算

智能感知与计算主要分为行为状态感知、生理状态感知和心理状态感知三个方面。行为状态感知可以分为多空间数据感知、行为特征融合和行为状态识别；生理状态感知可以分为生理数据感知、生理数据融合和生理状态识别；心理状态感知可以分为多模态数据感知和心理状态识别。

2.学习认知机理

学习认知机理需要达成认知过程可解释、认知模型可解释这两个目标，这也是人工智能赋能教育的很重要的使命。

3.个性化智能导学

新的教学模式下，个性化智能导学如何更好地服务于我们的教与学涉及很多的关键技术，值得我们关注，包括对认知诊断模型的构建、对知识追踪算法的改进和对智能资源推荐算法的完善等。

4.群体智能调控

“群体智能”一词最早在1989年由Gerardo和Jing Wang针对电脑屏幕上细胞机器人的自组织现象所提出。早期，大部分学者将其定义为具有分布控制、去中心化特点的自组织智能行为。它是智能形态高级的表现方式之一。如今，其作为我国新一代人工智能重点发展的五大智能形态之一，在推动我国新一代人工智能技术发展中占据重要地位。

学习是一个社会性活动、群体性活动，因此要注意对群体知识构建过程的感知，对群体知识演化的智能调控，对群体智慧与高阶思维涌现的机理发现。

5.教育伦理

智能教育中的伦理问题涉及数据安全、技术异化、隐私保护等多个方面，在处理数据、技术与人的相互关系时应遵循“有用”“无害”的伦理诉求，充分发挥数据和技术的育人价值。

教育伦理最重要的是要做到不让技术异化，要让技术更好地服务人的发展，呈现一个良性的循环发展。从计算的角度来说，需要思考新型人技环境下教育伦理的数理机制，不能简简单单靠原则和条文来约束教师，而应该从最基础层面去控制、约束技术应该发挥什么作用，不能发挥什么作用，以及出现异化时及时给教师或学生提供预警，这才是我们追求的数理机制。有了这样的数理机制，我们就能够将其嵌入到技术的所有环节中去，让技术更好地为教育服务。

综上所述，真正的技术与教育的深度融合、教育的颠覆性变革将很大程度上取决于教育计算理论与方法的突破。智能教育的创新也并非一个智能技术在教育教学中的单点突破问题，而是一项需要从基础设施建设、共性技术突破、伦理规范完善等方面进行多学科交叉、多主体协同的系统性工程。我个人认为，只有这二者有所突破，才能真正促进技术和教育的深度融合，做到我中有你，你中有我。

（本文根据2021年粤港澳台人工智能教育论坛专家报告整理，有删节）