2.2　智能教育领域人工智能技术发展分析

通过上一节人工智能技术在教育领域应用的梳理，可以发现教育功能应用是基于不同教育场景的多层次的复合型技术应用，同一教育功能场景，汇聚了多种不同的人工智能技术的发展分析。本研究将智能教育领域应用的人工智能技术按信息处理环节维度和人工智能技术通用性维度进行矩阵分析。进一步对矩阵中所涉及技术的通用性应用类别进行识别，所有相关技术分为5类：人工智能共性技术及其在教育领域的定制化应用技术；自适应学习相关技术；人机交互相关技术；赋能教育学、心理学研究新范式的相关人工智能技术；“以人为本”的教育伦理相关技术。其中，智能教育的人机交互相关技术，又可以根据其作用对象的差别，分为面向教学过程的人机协同教育技术和虚拟教学环境技术。

2.2.1　定制化应用的人工智能共性技术

这一类技术既包括如人脸识别、语音识别等目前已经成熟商用的人工智能技术，也包括像通用机器人本体等尚处于实验室研究阶段的技术，还有跨模态信息表征与分析、情感计算等仍有待理论突破的前沿技术。此类技术除了在教育领域，在医疗、城市治理、科学研究、无人驾驶等领域也同样有着应用需求。复杂光照环境下的视觉对象识别、复杂语言与语言障碍人群的语音识别等问题，也是多领域应用中的普遍问题。此类技术的发展主要依靠人工智能头部企业和高校、科研院所相关研究团队，一旦所有突破，就可以快速地被运用到智能教育领域。

根对人工智能共性技术在教育领域应用的技术成熟度分析（见表2-1），我们可以看到，这些技术在教育领域的应用呈现出不同的发展阶段。一些技术已经较为成熟，并得到了广泛应用，如语音识别技术、自然语言处理技术、计算机视觉等技术，也有一些技术仍处于理论研究或实验室阶段，需要进一步突破，如知识图谱技术、机器学习模型的可解释性、人工智能在教育伦理方面的应用。

未来，随着人工智能技术的不断发展，相信这些技术难题将会逐步得到解决，人工智能技术在教育领域的应用将会更加广泛和深入，为教育发展带来更多可能性。例如，随着知识图谱技术的突破，我们可以构建更加完善的教育知识图谱，为学生提供更加精准和个性化的学习路径和资源推荐。随着机器学习模型可解释性的提升，我们可以更加信任人工智能系统的决策，并将其应用于更加重要的教育场景，例如学生评估、教学策略制定等。随着人工智能在教育伦理方面的应用得到加强，我们可以确保人工智能技术的应用更加公平、公正，并真正服务于学生的学习和成长。

2.2.2　自适应学习技术

早期的自适应学习概念仅包括计算机系统根据学习者的学习方法进行调整，使用户获得更好、更有效的学习体验。但随着智能技术在教育领域的各类场景的应用，目前所有可支持个性化学习的应用，都被定义为自适应学习系统，其所使用的技术也均被收入自适应学习相关技术范围。自适应学习系统主要包括学习者本体数据分析，学科知识库，和个性化导学三个大类。教学过程的人机协同教育技术是一种基于大数据驱动知识学习和人机协同增强智能技术的教育方法。它旨在探索人机智能共生的行为增强与脑机协同，在教学过程中实现人与智能技术的紧密合作和互动，从而提升教学效果和学习体验。以下是具体的应用类型和相关的人工智能技术：

（1）个性化学习系统。这种系统利用大数据技术分析学生的学习数据和行为模式，根据个体差异性和学习需求，为每位学生量身定制个性化的学习路径和教学内容。相关的人工智能技术包括机器学习、数据挖掘和推荐系统等，用于分析学生的学习情况和预测其未来学习需求 ^[18] 。

（2）智能辅助教学工具。这类工具包括智能教学软件、虚拟实验平台等，通过模拟真实教学场景和交互式学习方式，提供更具吸引力和趣味性的学习体验。人工智能技术在其中扮演着重要角色，如自然语言处理、计算机视觉等，用于实现智能对话、自动评估和个性化反馈等功能 ^[19] 。

（3）智能辅助教师系统。这种系统通过人工智能技术，为教师提供个性化的教学支持和指导，帮助其更好地理解学生需求、调整教学策略和提升教学效果。例如，智能辅助教师系统可以通过语音识别和自然语言处理技术，自动生成教学材料或解答学生问题，提高教学效率和质量 ^[20] 。

（4）虚拟实境教学环境。基于虚拟现实和增强现实技术，创建具有身临其境感的教学场景，为学生提供更直观、沉浸式的学习体验。人工智能技术在其中扮演着重要角色，如计算机视觉和机器学习，用于实现虚拟环境中的感知和交互。

这些人机协同教育技术将学习者和智能技术融合在一起，形成了一个新的教育生态系统，为教学过程带来了更多的可能性和创新。随着人工智能技术的不断发展和应用，这些技术将进一步促进教育的智能化和个性化，提升学习者的学习效果和体验。

教育元宇宙是在数字化与智能化科技革命的背景下，利用元宇宙技术构建的虚拟教学环境，其引入了多种新兴技术，包括人工智能技术，为教育带来了全新的发展机遇。教育元宇宙可以为自适应学习技术提供一个更加丰富和沉浸式的学习环境。在这个环境中，自适应学习技术可以更好地发挥其作用，通过分析学生在元宇宙中的学习数据，提供更加个性化的学习内容和路径。同时，教育元宇宙也可以为自适应学习技术提供更多的数据来源，如学生在元宇宙中的互动行为、学习表现等。这些数据可以帮助自适应学习技术更准确地了解学生的学习需求和能力，从而提供更加有效的个性化学习支持。以下是教育元宇宙的具体应用类型以及相关的人工智能技术：

（1）个性化学习环境。教育元宇宙可以根据学习者的个性化需求和学习风格，提供定制化的学习环境和内容。通过人工智能技术，如机器学习和自然语言处理，系统可以分析学习者的学习行为和偏好，从而个性化地推荐学习资源和活动，提升学习者的学习效果和体验。

（2）虚拟实验与模拟。在教育元宇宙中，学生可以通过虚拟实验室进行实验和模拟操作，无须受限于物理空间和实际设备。人工智能技术可以模拟真实环境，并根据学生的操作行为进行实时反馈和指导，提供更具交互性和反馈性的学习体验。

（3）智能导师和助教。教育元宇宙中可以集成智能导师和助教系统，为学生提供个性化的学习指导和支持。这些系统通过人工智能技术，如自然语言处理和机器学习，可以理解学生的提问和需求，并提供即时的解答和指导，提高学习效率和效果。

（4）情境式学习体验。在教育元宇宙中，学生可以通过沉浸式的虚拟场景进行情境式学习。人工智能技术可以实现对虚拟场景的感知和交互，从而提供更真实、生动的学习体验，激发学生的学习兴趣和动力。

教育元宇宙的出现为教育带来了全新的教学范式和机遇，通过整合多种新兴技术，尤其是人工智能技术，可以实现更个性化、交互式和沉浸式的学习体验，推动教育的创新和发展。

2.2.3　人机协同技术

人机协同技术也可以看作是自适应学习的一部分，其中面向教学过程的人机协同教育技术是指“以学习为中心”的，面向学生的新型教师与智能教育系统协同个性化教学模式相关的技术；虚拟教学环境技术，则是指个性化学习的新学习环境技术，同时虚拟教学环境技术还是教育、心理学理论研究的新工具。具体的应用类型和与之相关的人工智能技术主要有：

1.面向教学过程的人机协同教育技术

这项技术旨在建立以学习者为中心的教学模式，通过教师与智能教育系统的协同合作，实现个性化的教学。其中，智能教育系统可以利用机器学习、自然语言处理等人工智能技术分析学生的学习数据和行为，为教师提供个性化的教学建议和指导。这种技术的应用有助于提高教学的针对性和效果。其具体的应用类型和与之相关的人工智能技术主要有：①以教师端—机器协同为研究主体，个性化导学、学习过程监测、教学结果评测等应用类型。②以学生端—机器协同为研究主体，存在学习者特征、学习路径规划、个性化资源推荐、智能辅助服务机器人等应用类型。

人机协同技术在教育领域应用的技术成熟度（见表2-2），涵盖了教师端和学生端两个层面。从表中可以看出，人机协同技术在教育领域已经取得了一定的进展，但同时也面临着一些挑战和瓶颈。

教师端方面，智能导学系统已经实现商用，能够辅助教师进行个性化教学。然而，在学习者情感监测方面，技术仍不成熟，无法准确捕捉和解读学生的情绪变化。此外，辅助教学设计和个性化组卷技术虽然已经成熟商用，但缺乏对学生学习情况和知识掌握程度的深入分析，难以实现真正意义上的个性化教学。学习过程监测方面，学情分析系统已经商用，能够为教师提供学生学习和行为数据，但缺乏对学生心理状态的评估和干预机制。教学结果评价方面，基于题库的自动组卷和阅卷技术已经成熟商用，但纸质作业和试卷的自动批改技术仍存在技术难点，无法应用于所有学科。

学生端方面，学习者画像技术已经试用在一些自适应系统中，能够利用大数据技术分析学生学习行为和特征，但目前主要集中在成绩和行为刻画方面，对情感刻画技术仍处于起步阶段。知识追踪和建模方面，基于深度学习的知识追踪模型实践应用较少，知识图谱的构建也面临着数据稀疏和冗余性高等问题。个性化资源推荐方面，现有的推荐算法存在冷启动、好友数据获取困难、可解释性差等问题，难以满足学生多样化的学习需求。智能辅助服务机器人方面，虽然已经开始商用，但存在重游戏化、重同质化、交互性差、感知力差等问题，难以真正融入教学过程。

总体而言，人机协同技术在教育领域的应用还处于初级阶段，需要进一步完善和改进。未来，需要加强人工智能技术的研发和应用，提高系统的智能化水平，同时也要注重教育学、心理学理论的融合，才能真正实现个性化、智能化的教学。

2.虚拟教学环境技术

随着数字化与智能化科技革命的发展，整合多种新兴技术优势的元宇宙、虚拟世界为虚拟教学环境提供了技术支撑，人类正在逐步突破时空界限，打造虚拟与现实相互融合的教育发展形态。当前以元宇宙为代表的虚拟世界走进教育场域不断引发教学活动创新发展，极大拓展了教与学的时空边界，并促进教学观念与模式的变革。在关键技术支撑下的教育元宇宙能够有效提升学习者的认知投入，虚拟世界为大学教学创新提供了新的实践场域，引领教学范式变革新动向。具体的应用类型和与之相关的人工智能技术主要有：①虚拟现实技术为研究主体，虚拟教学为主要应用类型。②以教育元宇宙为研究主体，存在情景化学习、游戏化学习、个性化学习、教师研修等应用场景。③虚拟评测环境还在研发阶段。其具体技术成熟度见表2-3。

表2-3展示了虚拟教学环境技术在教育领域应用的技术成熟度，涵盖了虚拟现实技术、全息课堂和教育元宇宙三个方面。从表中可以看出，虚拟教学环境技术在教育领域已经取得了一定的进展，但仍处于不断发展和完善的过程中。

虚拟现实技术在教育领域已经趋于成熟，并在教学内容和形式上得到了广泛应用，例如虚拟现实卡片、数形结合、虚拟课堂、虚拟实验室等。这些技术能够激发学生的学习兴趣，提高学习效率，但也存在着设备成本高、技术依赖性强等问题。

全息课堂技术发展成熟，能够利用全息投影技术实现虚拟和现实的融合，为学生提供沉浸式的学习体验。但目前全息课堂的应用场景相对有限，主要集中于远程教学和课堂互动等方面。

教育元宇宙作为一种新兴的教育模式，整合了多种新兴技术，为教育带来了全新的发展机遇。在教育元宇宙中，学生可以通过个性化学习环境、虚拟实验与模拟、智能导师和助教等获得更加个性化、交互式和沉浸式的学习体验。然而，教育元宇宙目前还处于理论研究和试点应用阶段，需要进一步完善和优化技术方案，才能真正实现其在教育领域的广泛应用。

总体而言，虚拟教学环境技术在教育领域具有广阔的应用前景，但仍面临着一些挑战和瓶颈。未来，需要加强技术研发和应用，降低技术成本，提高系统的稳定性和可靠性，才能真正实现虚拟教学环境技术在教育领域的普及和应用。

2.2.4　赋能教育与心理学研究的新范式技术

人工智能赋能教育学、心理学实证研究，探索新数字时代下，“数字原住民”数字化学习的行为模式，心理变化，基于智能化教学产品，教师与系统协同教学的新教学方法等工作，目前还处于较为零碎的试验中。经文献调研和专家访谈，目前开展较多的，和此类工作有关的人工智能技术大致如下：

（1）学习者潜发展水平的测量。维果斯基将最近发展区界定为学生现有发展水平和潜在发展水平之间的差距。现有发展水平是指学习者能独立解决问题的能力，其水平可以通过问卷调查、试题测验、学生访谈、教师观察等方式来测量。学习者潜在发展水平是指学生通过支架（教学阶梯）可能达到的发展水平，测量具有一定难度。基于大数据的预测分析技术可为学生的潜在发展水平提供一个参考预测。

（2）最近发展区可计算模型构建。每个学习者的最近发展区都不同，也会受到认知、智力、态度等多方面因素的影响而动态变化。通过人工智能决策支持的数据挖掘，可以从海量的聚身采集数据中，发现最近发展区的影响因素；人工智能的控制决策技术，可通过将影响因素与现有发展水平、潜在发展水平直接作为参数，建立最近发展区的神经网络模型，将内隐的心理概念外显化。人工智能技术参与的最近发展区可计算模型构建不需要认为假设寻找影响因素、现有发展水平、潜在发展水平等复杂多模态的数据关联，但也存在可解释性差的问题。

（3）行为外显、内隐的量化。外显、内隐学习行为的关系，是学习有效性分析的重要参数，但要从教学、学习活动所产生的海量行为数据中识别并量化学习行为的外显、内隐关系，存在数据的挖掘分析难、识别难等问题。人工智能技术介入后，可通过使用行为识别的深度学习算法中的卷积循环神经网络（CNN-LSTM）方法进行外显行为的识别，通过使用贝叶斯算法构建学科及题目的作答语法树通过分析作答过程来识别学生的内隐行为。

（4）课堂学习机制研究。在研究课堂学习机制时，除了利用多摄像头视频和语音数据外，还可以结合自然语言处理（NLP）技术，对课堂教学中的文字信息进行分析和挖掘。通过分析教师和学生的话语内容、情感表达、交互模式等，可以深入理解课堂中的教学过程和学习动态。同时，可以运用图论分析方法，建立课堂知识体系的网络结构，揭示知识之间的关联和演化规律，为构建更有效的课堂教学模式提供理论支持。

（5）综合素养的智能化测评。学生综合素养的评测，以往只能采用人为主观评价的方法。但基于虚拟现实/增强现实和人工智能技术，评测活动任务可以批量自动化生成，具体包括参数完全一致的基于真实情景的复杂任务环境，虚拟环境中的虚拟智能交互对象，评测活动流程，以及评测活动中高开放性的多智能体自适应性交互。

（6）基于脑机芯片的新型学习方式研究。在研究基于脑机芯片的学习方式时，可以利用先进的脑机接口技术，如高密度脑电图（HD-EEG）和功能磁共振成像（fMRI），对学习者的脑活动进行实时监测和记录。通过分析学习任务对脑神经网络的激活模式和连接模式的影响，可以深入理解学习过程中的神经机制和认知规律，为优化学习环境和提升学习效果提供科学依据。

2.2.5　以人为本的教育伦理技术

人工智能在教育领域的应用所带来的革命性影响同时也引发了一系列伦理问题，这些问题需要我们高度重视并积极解决。以下是一些与教育伦理相关的技术和挑战：

（1）安全性。教育数据的安全性是人工智能教育应用面临的首要挑战之一。确保学生、教师和学校的数据不被未经授权地访问、篡改或泄露是至关重要的。安全技术的发展和应用能够帮助保护教育数据的安全性，包括数据加密、访问控制、安全认证等。

（2）透明性。人工智能算法的透明度是另一个重要问题。教育系统中使用的人工智能算法需要能够解释其决策的依据，以便教育工作者和学生理解并信任系统的运行原理。透明性技术的发展可以帮助揭示算法的决策逻辑，提高系统的可信度。

（3）公平性。人工智能在教育中的应用必须遵循公平原则，确保所有学生都能平等获得教育资源和机会。然而，算法可能会受到数据的影响而产生偏见，导致对某些群体的不公平对待。公平性技术的发展可以帮助识别和纠正算法中存在的偏见，从而实现公平的教育机会。

（4）鲁棒性。人工智能系统需要具备足够的鲁棒性，在面对不确定性、噪声和攻击时保持稳定性和可靠性。特别是在教育环境中，系统的鲁棒性尤为重要，以确保持续的教育服务和学习体验。

（5）问责制度和学生福祉。强调教育伦理的发展需要建立有效的问责制度，明确教育系统中各方的责任和义务。此外，必须将学生的福祉置于首位，确保人工智能技术的应用不会损害到学生的权益和福祉，而是为他们的学习和成长提供支持和保障。

2.2.6　小结

根据对人工智能技术在智能教育领域应用的现状及以上五个方面智能教育技术发展成熟程度的分析，可以看到智能教育领域的人工智能技术应用，大致可以分为以下几种情况：①主要面向人工智能赋能教育学、心理学研究新方法、新范式的前沿探索类技术，且理论上也似乎可行的研究，但究竟哪些人工智能技术可以起到作用，具体到什么程度，是否需要开发新的人工智能技术等问题，都需要多学科理论的深度交叉融合，共同探索。②理论研究阶段技术，如非题库题目的机器自动做题等。此类大部分为知识驱动的人工智能技术，目前可成熟商用的人工智能技术大多为数据驱动的人工智能技术，知识驱动或知识数据双驱动的人工智能技术还存在理论和技术的瓶颈。面向更泛化、更通用的人工智能技术若有理论上的突破，将会快速使得此类技术从研究转向落地。③有实验室成果，或仍处于技术研究阶段的技术，主要为在非教育领域的类似场景已有较为成熟的应用，但在当前应用场景或数据环境，已有算法、模型尚不能达到预期目标的技术，如学习者情绪、心理建模等。对于此类场景，若能将教育学、心理学理论以可量化评估的插件模式嵌入到目前的人工智能算法、模型中，可能会是快速突破的一种途径。如课堂行为分析等已开始试用的产品，一般情况下工作良好，但在复杂环境或人机交互多的开放环境中，系统的稳定性、可泛化性仍存在问题。这类系统人工智能算法模型的优化，部分需要人工智能共性技术的底层架构突破，部分需要一线教育产品使用者参与到产品的设计中，明确产品使用范围，规避高成本优化提升。但同时也要避免因技术实现受限提供的办法造成对教师教学活动的僵化控制。

已成熟大规模商用的系统，如外语学习辅导等，主要为基于数据驱动，对学习者事实性知识机械记忆评估的系统。单纯的机械记忆，使得学习者思维僵化、智能活动受限。若将此类系统作为标杆，将会导致教学法的智能降级，而不是智能升级。综上，人工智能技术当前在智能教育领域的应用和发展趋势，应伴随着人工智能技术从感知智能向认知智能转变，在“以人为本”的教育伦理支持下，更多地将教育学、心理学理论以知识计算、知识驱动的方式，融入人工智能算法、模型中，兼顾学习者、教师的知识、能力、素养、心理等多维评价体系，开展可持续智能升级的个性化自适应教学。