美国“教育中的人工智能”研究回溯与评析 摘要：美国“教育中的人工智能”研究主要分为五大热点方向：第一，人工智能改善教育的参与度研究；第二，情绪感知支持下的教学实践研究；第三，游戏化学习研究；第四，人工智能教育应用的典型模式研究；第五，学习空间的设计研究美国“教育中的人工智能”研究历史，依次经历了为促进教育实际问题解决的关注专家知识应用自动化的初级阶段、对知识自动获取与系统建模聚焦的转向阶段、为促进教育优质与公平而对有效使用技术的审思阶段经历几十年的探究与发展，美国“教育中的人工智能”研究逐渐形成了强调结果与凸显学生成功导向的研究特色，但同时也存在过于偏向高等教育学生、部分下位概念边界模糊和理论层面研究单一等现实问题关键词：人工智能，教育应用，AIED，AI，研究历程，研究文献，智能导师系统，学习空间一、引言伴随着“智能化领跑教育信息化2.0”前沿论断的提出及成为教育信息化研究者的共识，“教育中的人工智能”研究（Artificial Intelligence in Education，AIED）应声落地，成为教育信息化的一种高端形态作为人工智能（AI）与教育科学融合形成的专项领域，AIED研究有两个基本目标：一是在教育领域全面深入地应用人工智能技术（Artificial Intelligence，AI）以促进教育改革和发展；二是通过利用人工智能技术，更系统、更微观、更深入地揭示学习发生的原理与机制，进而为学习者能够有效掌握某方面知识创造条件（闫志明，等，2017）。
然而，人工智能与教育的结合却并非是近年才开始出现的新领域，其原始形态最早可追溯至上世纪50年代末期的美国程序教学机（梁迎丽，等，2019）从这个角度讲，作为人工智能的发源地，美国“教育中的人工智能”研究的历史积淀无与伦比近年来，美国已将人工智能与国家安全紧密联系在一起，且研究的重点与对象主要针对中国这其中最典型的当属2018年美国国际战略中心（CSIS）出台的《美国机器智能国家战略规划》（A National Machine Intelligence Strategy for the United States），首次将人工智能的发展上升至国家安全层面进行战略性布局，并多处提及中国政府对人工智能在各个领域的规划布局国内学者对美国人工智能变革教育研究的梳理却不多见从国内相关研究的现状看，有学者指出，国内教育中的人工智能研究仍处于起步阶段，从教育教学立场出发的系统的理论分析工作亟须开展（张志祯，等，2019 a）鉴于这两点，本研究尝试对美国AIED研究进行历史关照，以便审时度势努力为国内人工智能变革教育的理论和实践的积累提供来自美国的经验二、研究方法与研究过程（一）研究样本选择本研究选择了Web of Science平台下的核心数据库作为文献数据来源，其中包含了自然科学引文索引数据库、社会科学引文索引和艺术引文索引三大核心引文数据库，收录文献的质量较高。
鉴于“教育中的人工智能”已经成为一个专项领域，因此，在检索词的确定方面，为了尽可能全面地搜索样本文献，本研究除了选择以“Artificial Intelligence in Education”作为检索策略外，拟再增加“Artificial Intelligence & Education”的主题搜索，将文献发表时间设定为“2019年4月23日之前”，将“精选国家”选择美国之后，通过对检索出的文献的标题、摘要等信息进行浏览，筛除“人工智能教育”主题文献，再排除不相关、重复等文献，最终获得273篇学术论文，作为本研究的重要数据来源根据多数关键文献通常集中于少数核心期刊的布拉德福文献离散规律，这273篇文献基本可以代表美国“教育中的人工智能”研究的真实情况通过对文献的检视发现，平台收录最早的美国学者在学术层面关注“教育中的人工智能”的研究出现在1981年，锡拉丘兹大学的莫森塔尔（Mosenthal. P）发表的《阅读理解中的理论问题——从认知心理学、语言学、人工智能和教育的角度》标志着美国对该领域开始了系统的学术探讨二）研究方法与过程本研究基于知识图谱的视角，采用内容分析法、引文分析法，对检索文献的研究内容和研究历程两个维度进行定性分析，以揭示美国人工智能支持教育的研究结构与发展脉络。
第一，采取知识图谱方法借助Citespace可视化软件生成文献被引聚类图谱、文献关键词聚类图谱和引文文献共被引区视图谱，以此探测美国人工智能在教育领域应用的现状第二，运用内容分析法、引文分析法对高被引文献进行深度分析由于高被引文献是构成人工智能辅助教育研究的重要知识基础，是反映学科领域研究状况的核心文献，具有重大的学术价值，因此，它们所蕴含的理论基础、关注主题、研究方法等信息均可直观反映美国AIED研究的主题聚焦与演进趋势三、美国“教育中的人工智能”研究聚焦关键词是对整篇文献的概括，关键词出现频次的高低可以在一定程度上作为判断某研究方向在领域内是否为研究热点的重要论证依据；中心度是衡量研究热度的另一重要指标，在某种意义上中心度是决定节点在系统中重要程度的重要度量，体现着关键词节点在不同聚类之间的枢纽作用，中心性越高的节点对其他节点的联系控制作用越强这两个指标可以为确定研究热点提供重要参考，而从二者的一致性和差异性上可以有效探寻美国AIED研究不同研究方向之间的耦合关系，为深入分析美国AIED研究的热点与现状提供有价值的参考和依据将文献导入软件，形成关键词共现知识图谱（见图1）图1所示的关键词共现图谱共出现677个网络节点，1，674个连接，其中网络模块化度量值Modularity Q和网络同质性指标Mean Sihouette的值分别为0.8369、0.7571。
根据“网络模块化度量值和网络同质性指标值均要大于0.5”的Citespace聚类规律，可推断本研究对273篇美国AIED研究文献所生成的关键词共现聚类图是科学可行的软件共运行出13个聚类，每个聚类都代表了AIED研究的一个热点研究方向，这13个聚类基本可以反映美国AIED研究的全貌根据图1，软件后台分别统计出频次排名居前20位的关键词信息表（见表1），这些关键词基本可以确定是美国学界关注的热点主题在软件后台对图1形成的13个关键词聚类的基础上，再进一步合并、排除一些边缘聚类后本研究选取了5个核心聚类作为美国AIED研究的主要方向（见表2）一）改善教育学生参与度的可行性探究参与度是个性化学习行为发生的前提（牟智佳，等，2018）有研究发现，情感投入、认知投入、行为投入都与参与度有直接关系（Matkin，2014）传统技术解决学习个性化服务之所以遇到困难，教师难以摆脱“满足尽可能多的学生”的教学设计理念是其重要诱因（Johnson & Lester，2016）学习个性不同，学生选择的学习路径也必然不同因此，个性化学习服务必然要求智能教学系统的知识表征方式从传统对知识内容的陈列、细化向学习策略和路径建议转变。
库尔山（Kurshan，2017）指出，学习系统的推荐引擎设计对未来学习效率的提高有重要作用知识图谱（Knowledge map）技术的成熟为以多维关系图描述真实世界或特定领域各类实体及实体关系提供了可能目前，作为知识图谱重要应用的概念网络（Concept Net）不仅已经实现了智能语义搜索、个人智能助理等智能应用，而且能根据学生的问题行为、内部个体特征以及外部环境因素提供教育教学相关知识的对应与定位（余胜泉，等，2019a）在此基础上，如果再将人类的经验、常识以及直觉等信息引入智能教学系统之中，将人类的知识引导与系统的数据驱动融合起来，那么经过这种融合之后的教学系统将不再是单纯依赖数据驱动的教学辅助系统，而是有着更加精准的学习路径推荐（Bassi，Daradoumis，Xhafa，Caballe，& Sula，2014）功能的智能系统以Moocs为例，虽然Moocs因为其在彻底解决优质资源无法覆盖所有学生这一顽疾方面展现出巨大潜力而风靡世界，但Moocs教学模式也存在缺乏知识深度理解和有效教学手段的不足有研究分析后发现，Moocs需要在求助渠道、环境构造方面进行改善（胡艺龄，等，2018）。
将数据智能、图谱嵌入Moocs系统之中，根据教学系统对不同学习者学习过程的记录，形成对每个知识点的重点、难点以及学习策略和路径的推荐，可以帮助学习者在没有教师或同伴的指导时少走弯路在这个实例中，更加准确地收集学习过程信息是学习路径推荐的基础学习者学习过程数据包括表情、文字、视频等多种数据信息，能否对这些信息进行多模态统一的数据表征与综合分析对精准把握学习者学情至关重要（Handoko，et al.，2018）伴随着媒体关联、媒体统一表征以及深度挖掘技术的日趋成熟，教学系统正在逐步突破仅能分析单一数据形式的极限，这种可以综合处理各种感知信息的媒体智能或将在预测辍学学生、优化特殊学习者的个性体验、增加Moocs对学习者个人感受与非认知体验等方面发挥更大作用二）情绪感知支持下的教学实践探究继计算智能与感知智能之后，认知智能揭开了人工智能2.0时代新的序幕不同于感知智能仅能感知与判断语音、图像和手势信息，认知智能具备探究深度学习的能力，可以根据感知的语音、图像、手势等表征信息更深入地对学习者的观点、学习风格与能力、情感态度进行判断（Freedman，2018）从综合文献以及技术类型来看，以自然语言理解、语义分析技术、学习分析、虚拟现实、智能陪伴（Intelligent Companions）以及表情和手势识别等技术作支撑的情绪感知系统研究是美国AIED研究的一个重点方向。
在认知智能时代，仅听懂学生的声音已经不能满足AI发展的需求，察言观色与感知学习者的情感与态度已经成为人工智能的新追求精准教学（Precision Teaching）的内在要求就是不断促进有效教学的发生，而有效教学不仅意味着教学系统需按照知识的内在要求实现对“准确”知识精准传授，更要求系统可以根据学生的情感状态自动调整知识难易及不同趣味程度学习材料的推送（Ellis，Rudnitsky，& Moriarty，2010）美国北卡罗来纳州立大学亚历山德里亚（Alexandria）认为，如果教学系统持续不断地给一个充满厌倦、排斥态度的学生推送难度较大的教学知识，必然导致无效教学的发生在一项实验研究中，亚历山德里亚通过一套以Java编程的学习系统完成了对学习者面部表情与学习行为等数据的收集，精准实现了学习结果的预测结果显示，在Java编程中，通过脑电波监测、皮肤传导以及表情识别获得的学习状态可以作为未来教学系统对学习者学习困惑判断的重要依据（Li，Wong，& Kankanhali，2016）与仿真教学或者传统教学相比，这种沉浸式学习的最大优点是可以实现对真实情景更深的体悟和感知然而，这种学习模式以立体眼镜、数据手套和头盔等各类跟踪系统为基础，在通过感觉完全真实的教学场景达到增强教学互动效果的同时，也极易产生过多的冗余数据，出现数据、信息的呈现不当，在自主学习过程中极易造成学习者注意力难以集中，进而出现认知负荷过重的问题，影响学习者的有效学习。
因此，迈伦萨哈米等（Sahami，Desjardins，Dodds，& Neller，2011）指出，在智能环境中要注重元认知策略，减少认知负荷，帮助学习者从无关元素中解放出来，提高学习的参与度也有学者预测，未来的人工智能或可将学生DNA数据纳入学习数据框架之中，为每位学生推荐最佳培养方案，可以帮助学生减轻由复杂环境而引发的信息呈现不当的负担（曹晓明，2018）三）游戏化学习研究作为游戏与教育领域相融合的产物，游戏化学习一直是教育技术领域学者关注的热点问题由于游戏化解决方案的复杂程度伴随着学习者认知需求的提升而日益增高，将人工。