[中图分类号]G434 [文献标识码]A [文章编号]1009-458x(2021)4-0001-07 一、引言 过去十年来，以深度神经网络为代表的新一代人工智能技术的持续突破及其在各行业的创新应用，不断颠覆人们的既有认知，成为推动社会进步的重要动能。在教育领域，人工智能通过可迭代、可演化的算法与模型进行数据驱动的分析归纳与精准决策，广泛应用于智能辅导、微格教学、自适应学习、沉浸学习、自动测评、课堂评价、数据决策、智能治理等场景，促进了教育创新与变革(杨晓哲，等，2021)。 智能教育的发展引起世界各国政府的高度重视，被多个国家纳入国家级战略规划。2016年，美国国家科技委员会发布《为人工智能的未来做好准备》，特别提出将人工智能与国家教育系统进行整合，提升全体公民对人工智能的认识程度；2017年，英国政府发布《在英国发展人工智能》，提出应将数据科学和人工智能广泛嵌入教育；2019年，美国国家科学基金会发布人工智能研究院建设计划，总计投入约2亿美元，重点支持“人工智能增强的学习”等六大方向；2020年，欧盟发布《人工智能白皮书》，提出更好地利用基于数据和人工智能的技术，通过学习及预测分析改进教育和培训系统。我国高度重视智能教育发展，在2017年国务院印发的《新一代人工智能发展规划》中明确强调“利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系”，并在《中国教育现代化2035》中提出“建设智能化校园，统筹建设一体化智能化教学、管理与服务平台”。此外，在政策支持下，智能教育产业加速发展。据《2019全球人工智能教育行业研究报告》统计，我国在2013-2019年间共发生274笔智能教育投融资事件，总融资额达145亿元，融资事件数复合增速达34％，融资总额增速达57％。其中，K12总共融资78亿元，占整体融资额的53.5％。新一代人工智能技术为我国教育发展注入了新动能。 智能教育的发展深受人工智能技术进展的影响，与智能技术的进化历程同频共振。1958年，美国著名心理学家斯金纳(Skinner，1958)在《Science》上发表论文Teaching Machine，提出利用机器辅助教学来提高教学的效率和公平性，开启了人类对智能教育的追求。从1956年达特茅斯会议首次提出人工智能的概念后，在符号主义、连接主义、行为主义等不同技术的驱动下，智能教育的发展从知识传递自动化、知识获取自动化转向学习过程智能感知与优化，先后经历了早期计算机辅助教学的起步阶段、以智能导学系统为代表的探索阶段和当前的个性化自适应学习阶段。其问，智能教育吸引了教育学、心理学、计算机科学等多个领域学者的研究兴趣，诞生了一系列具有代表性的智能教育系统。1960年，美国伊利诺伊大学香槟分校的比策教授研发的一种面向自动教学操作的计算机教学系统PLATO，成为早期智能教育发展的标志性成果；1982年，美国斯坦福大学的斯莱曼等(Sleeman，et al.，1982)提出智能导学系统(Intelligent Tutoring System，ITS)的概念，由此掀起ITS的研究热潮；1990年，美国卡耐基梅隆大学的安德森等(Anderson，et al.，1990)发明了一种基于认知模型的Cognitive Tutor系统，经过30来年的改进和演化，该系统如今已衍生出多个分支系统并在全美开展了大规模应用(Ritter，Anderson，Koedinger，& Corbett，2007；Koedinger & Aleven，2016)；2004年，美国孟菲斯大学人工智能研究所研发了支持自然人机对话以指导学习者的AutoTutor系统，并在后续发展过程中受益于自然语言处理、语音识别、情感识别等技术突破，该系统的智能化程度不断得到提升(Nye，Graesser，& Hu，2014)。 人工智能在为智能教育的创新发展提供新机遇的同时，也带来各种问题和挑战。2019年，联合国教科文组织发布《教育中的人工智能：可持续发展的挑战与机遇》，指出人工智能将对学习方式、学习机会、学习质量、学生能力、教师发展等产生直接影响，同时也给教育公平、教育决策、教育政策、隐私与伦理等带来新的挑战和机遇。一方面，在新一代人工智能技术的驱动下，智能教育以实现更高效的教学、更有效的学习为目标，进一步破解高质量个性化学习、教育公平等全球性难题；另一方面，在人工智能技术成熟度、算法黑箱、人机共融以及互信等问题的制约下，智能教育的发展也面临诸多挑战。以下重点围绕智能教育技术泛化、智能教育机理与规律不明、教育人机共融任重道远、教育人机互信亟待加强四个关键问题进行探讨，然后结合人工智能技术演化趋势提出智能教育发展进路及相应对策。 二、关键问题 (一)技术泛化与策略迁移瓶颈：赋能教育环节与领域受限 构建相互融通的学习场景、灵活多元的学习方式、弹性多能的组织管理是智能教育发展的主要目标(黄荣怀，等，2019；曹培杰，2020)。实现对教、学、管、评、练、测等多环节智能教育服务的全联通，以及对多学科的全覆盖，是达成这一目标的必要条件。但受现阶段弱人工智能技术发展水平所限，当前人工智能有效赋能的教学环节与学科领域还较为单一，这也成为制约智能教育服务常态化应用、规模化普及的一大瓶颈。 以作文自动评分系统(Automated Essay Scoring，AES)为例，AES系统的研究与发展受自然语言处理技术影响较大。比如，有一种称为“词嵌入”的自然语言处理技术在近十年来不断取得创新突破，同时也带动和提升了相关领域智能服务的可用性与应用效果。“词嵌入”技术的发展从图灵奖得主班吉奥提出神经概率语言模型开始，先后诞生了Word2Vec、BERT、GPT等一系列改进模型。AES系统通过结合Word2Vec与BERT模型所提供的特征与文本表示方法，使作文自动评分的精度不断提升(Jin，He，Hui，& Sun，2018；Uto，Xie，& Ueno，2020)，并逐步达到实用化水平，催生了诸如句酷批改网、IN课堂等在线作文批改产品。类似地，使用自然语言交互的智能学伴也随着自然语言处理技术的发展而逐渐成熟，被赋予更好的语义理解、情绪感知、多轮连续对话等能力，能够更好地提升学习者自主感、胜任感与关系感，使学习者获得良好的学习体验与正向激励，最终提升其学习效率与效果(Graesser，Cai，Morgan，& Wang，2017)。与此同时，在人工智能赋能教育的实践中也存在大量技术不成熟尚未达到可用程度的情况。例如，数学综合类应用题的智能化解析、阅卷与提示等就是一大难点，这也导致智能教学过程中相关环节或场景的缺位，无法支撑所有环节的联通。因此，需紧密关注人工智能领域的最新技术进展，将其适配应用到合适的教育教学场景，持续提升智能教育服务的可用性与可靠性。
