【会员声音】人工智能对混合式教学的促进及生态链构建

1.混合式教学

20世纪90年代，基于网络和数字媒体技术的E-Learning学习方式因其具备4A（Anytime、Anywhere、Anyway、Anyone）特性，受到学习者的喜爱而迅速推广，但呈现出“学生退课率高、情感交流缺乏”等系列问题引发了国际教育界的反思。随即混合式学习作为教学改革的新理念被提出，其学习方式可看成是教学媒体的混合、学习模式的混合和学习内容的混合（祝智庭等，2003）。此外，混合式教学还被认为是“线下面对面与在线学习的集合”，是在线教学和传统教学优势有机结合的教学形式。它既发挥了教师的引导作用，又满足了学习者自主学习的需求，成为近年来教学研究的热点。通过中国知网和万方数据库等文献库，以“混合式教学”“混合式学习”为关键词进行检索，最终得到国内年发文量统计如图1所示。

图1 2008-2017年发文量统计图

由图1可知，2008年到2014年，我国混合式教学相关研究的年均发文量在90篇以内，2015年以来，发文量突破180篇，且呈跳跃式增长，2017年更是高达676篇，这从侧面反映出我国混合式教学改革逐步推进的过程。从国内混合式学习相关研究来看，主要集中在混合式教学的理论与应用、在线教学信息化建设两方面（王国华等，2015； Mittag，2016）。

混合式教学涉及的学习理论众多，但主要有建构主义学习理论和自主学习理论等。其中，建构主义学习理论将主体、情境、协作和资源看成是促进教学的四个条件，并且学习环境由情境、协商、会话、意义建构四大要素组成（马晓燕，2017）。自主学习理论则认为，学习以自学为主，主体是学习者，他们自主决定学习方式和学习行为。赵冬梅等（2012）基于Blackboard平台，以计算机基础课程为例，从课程导入、教学计划和实施、学习评价等方面对大学混合式教学进行了研究，结果表明该模式在培养学生主动学习和实践操作能力上效果甚佳。牟占生等（2014）基于Coursera教学平台，对混合式教学模式进行了前端分析、学习活动与学习评价设计，其教学应用结果表明，该学习模式对于学生成绩和学习兴趣的提升有积极作用。苏佩尧（2015）基于微信公众平台对“课前、课堂、课后”三位一体的混合式学习平台进行了设计与构建，并以“现代教育技术”课程的学生为应用对象，证明了该混合式教学模式能有效激发学生学习的主动性和积极性，并认为混合式教学模式正逐步成为当今教学改革的方向。

纵观在线教学中的信息化发展，Web1.0到Web4.0技术支持下网络课程经历了四个阶段（孙曙辉，2016）。在Web1.0时代，由超文本组成的网络课程进入学习者视野，学习者可通过Email、BBS发帖进行交互学习。在Web2.0时代，XML、Ajax异步刷新技术的出现，使得线上网络课程建设可以整合SNS、Wiki、RSS、博客等应用，初步体现了以学习者为中心的教学理念。在Web3.0时代，互联网信息技术已能支撑学习者对个性化、智能化学习的基本需求，学习者可以自由决定学习进度、学习内容，是学习过程的计划者和管理者（孙立会，2009）。在Web4.0时代，智能化、移动化的学习终端越来越普及，使得多平台和多终端对接的网络课程成为主流。

2.人工智能教育

“人工智能”一词最早出自1956年美国的达特蒙斯大学，发展至今已过60多年，现已成为一门涉及计算机科学、信息科学、心理学、哲学、认知神经科学、生理学等众多领域的前沿交叉科学（徐鹏等，2009）。近年来，信息技术在机器学习、深度学习、神经网络上不断取得突破性进展，为人工智能的发展与应用奠定了坚实基础。尤其是AlphaGo击败职业围棋选手，以及越来越多人工智能技术被运用到经济、交通、医疗、金融、法律、教育等领域，加速了人们对人工智能的认识、理解和运用。在教育领域，学者们对人工智能的研究大体可分为人工智能教育基础研究和技术应用研究两大类。

人工智能教育基础研究主要集中在人工智能教育现状及趋势、人工智能教育基本理论和人工智能教育发展等方面。如：徐鹏等（2009）对国内人工智能教育应用研究现状进行了综述，指出国内教育技术界将人工智能教育技术开发作为重点，有关实践应用类的研究偏少；王斐（2013）认为人工智能辅助教学的功能在中学教育中体现得不够充分，需要各级教育行政机构、专家学者和一线教师进行积极探索。此外，有学者指出在“人工智能+”时代，应以学习者为中心，以目标、过程和评价为导向进行个性化学习，在学习者心智特征分析基础上提供符合其个性化学习需求的内容、活动、路径和评价（牟智佳，2017）。在教育人工智能标准上，需要提供可实施的准则和规范来促进人工智能教育系统和应用的发展（闫志明等，2017）。

人工智能技术在教育中的应用主要有情感计算（李勇帆等，2013）、大数据、智慧教育（柯清超，2013）、深度学习、人机互动自适应学习（杨翠蓉等，2016）、机器人学习（黄荣怀等，2017）等。如：李德毅（2016）指出教育机器人将给教育带来重大的机遇与挑战，集新材料、人工智能、大数据、语言学、脑认知等多学科交叉融合的机器人，将成为人类社会走向智慧社会的重要技术应用；基于人工智能的虚拟现实产品，将给教学带来越来越多的互动体验（郭汉等，2016）；此外，基于人工智能的排课优化算法，使得“一人一课表”成为可能，在有效降低排课成本的同时，为个性化教学推送奠定了良好基础（刘辰，2017）。

1.推动个性化教学资源建设

个性化教学资源建设是个性化教学的重要组成部分。个性化教学实施的前提是对学习者进行建模和知识表征，这就需要对学习者的认知水平、兴趣爱好和学习能力进行精准描绘。在人工智能技术发展成熟以前，上述内容的提取和建模不太理想，因而个性化学习资源和个性化学习方案一直难以真正实现。随着物联网、云计算、大数据分析技术的不断成熟，基于上述智能技术进行的学习者行为精准数据挖掘为个性化教学资源建设提供了关键技术支撑。

学习者建模表征，是个性化教学资源建设的基础，可以通过对学习者的基本属性、学习风格偏好、学习者类型和知识点兴趣等的描述来完成学习者画像（陈海建等，2017），进而完成学习者个性化教学资源推送。如图2所示，学习过程中的海量语音、文本、图片、日志等数据经情感计算、模式识别、深度学习等人工智能挖掘和推理表征后，完成对学习者画像的精准描绘，再与丰富的各类学习资源进行匹配，自动生成个性化学习资源推送给学习者。

图2 个性化教学资源推送

2.推动互动教学与浸润式情感教学

混合式教学效果不佳的原因主要来自两个方面：一是教学内容无法激发学习者的兴趣；二是教学过程感受不到情感交流。浸润式情感教学是指教师在教学过程中，根据教学内容来创设恰当的情境，进行情感浸润为导向的教学，在潜移默化中让学生的情感发生积极变化，激发学生的学习兴趣，由浅入深掌握知识，力求达到“润物细无声”的效果。实施浸润式情感教学不仅需要教师获取到学习者的学习状态，还需要教师在教学过程中清楚学习者当前的学习任务和情绪状态，以便根据学习者的当前状态来实施针对性的教学。从采集学习者的各类数据，到判定学习者的情感和学习兴趣所在，正是人工智能技术所擅长的事情。一旦学习者的情感和学习兴趣被提取出来，有针对性的浸润式情感教学随即可以开展。

人工智能中情感计算与虚拟现实技术的发展，无疑会推动浸润式情感教学迈向新的发展阶段。情感计算的目的是通过赋予计算机识别、理解、表达和适应人的情感的能力来建立和谐人机环境，并使计算机具有更高的智能。在混合式教学过程中，师生之间线上和线下的文字、语音交流，都蕴藏着情感，这些情感经过人工智能中的情感计算将得以捕捉和解读。虚拟现实技术作为一种新的教学手段被引入教学，其所搭建的学习环境可以让学习者在虚拟世界体验真实世界中的情感，能够以近乎仿真的形式参与到自主探索中，打破了以往呆板的课堂形式，对于推动浸润式情感教学与互动教学具有积极的作用。

3.推动课堂教学与在线学习的相互融合

课堂教学与在线学习割裂脱节，是当前混合式教学中突出存在的问题。混合式学习中的线下教学仍然主要采用传统教学模式，教师作为课堂教学的中心和权威，承担着向学生传授知识的任务，学生则被动接受知识，是知识灌输的承受者。线上教学原本是对线下学习的补充和延伸，然而承担线下教学、作业和试卷批改的教师，原本教学任务就繁重，再加上需要开展线上教学，因而在线上与学生的互动未能及时完成。此外，线上教学资源的制作也需要教师来完成，这使得教师疲于应付，所制作的教学资源有时仅用于形式上的交差，质量堪忧。学生在线上互动时如果未能获得教师的及时响应，或者访问到的课程资源质量不佳，兴趣自然逐渐消去，课堂教学与在线学习割裂脱节现象则愈发加重。

上述现象的产生，很大程度来自于教师负压过重。随着人工智能教学技术的发展，教师的角色逐步发生转变，有望“减负”。当前的人工智能技术已能承担一些知识记忆类和简单重复性的教学工作。专家建议将那些承担陈述性、程序性知识的教学工作分配给人工智能技术去完成，让教师更多关注在课堂上利用人工智能技术对学生进行学习引导。教学将不再以向学生填鸭式灌输为主，教师也将从繁重的讲解中解脱出来，不再被那些繁琐、简单机械的工作套住，而是将更多的精力和时间放在引导学生学习、提升自身学术涵养、提供高质量的课程教学资源上，从而更好地促进课堂教学与在线学习的相互融合。

1.面向教师的人工智能应用

（1）智能评测

智能评测是指通过对学习者学习过程和学习行为数据进行大规模自主智能评估，并进行个性化即时反馈。其中，大规模评估是指通过人工智能大数据分析技术对学生的学习行为和学习成果进行针对性地评测；个性化即时反馈是指通过对某位或某一群体学生的学习行为和学习过程数据进行分析后给予反馈。当前，基于人工智能技术的智能评测应用主要有口语考官和试卷批改机器人等。

众所周知，每年都有各种类型的英语听说考试，考试者的录音如果都由人工去评分，不仅工作量巨大，而且评判标准很难一直保持统一。随着语音识别准确率的不断提升，使得借助人工智能口语考官来对英语听说考试进行评分成为现实。只需抽取样本数据进行训练，人工智能口语考官便能学会像人类考官一样对学生的回答进行评估。美国教育考试服务中心已经在一些英语考试中采用人工智能技术来评测打分。科大讯飞公司的语音技术也在2015年应用于广东70万高考英语口语环节考生答卷的批阅（刘胜男等，2015）。

人工智能口语考官不仅能进行语音评分，还能纠错，对平翘舌音、前后鼻音都能进行精准分辨。基于人工智能的评分不仅更快，而且更准和更公正。我国的“英语流利说APP”就是一款能指出用户发音错误和自动打分的移动端APP应用，深受英语学习者的喜爱。

评卷对每位教师而言并不陌生，但人工阅卷通常容易受主观因素影响而导致结果偏差，机器阅卷应运而生。国内的阿里AI智能阅卷、科大讯飞智能评卷系统等应用的推广，开启了以机器评阅为主、人工审核为辅的全新评阅方式。国外的Gradescope公司开发的批改卷面试题软件，解决了给试题打分的耗时问题，伯克利大学、斯坦福大学、麻省理工学院等高校已经加入该应用的使用行列。

（2）智能应答

智能应答是基于自然语言处理、知识推理、文本语音和图像分析等技术而实现的大规模知识处理与反馈的自动应答系统，它主要从语义理解和答案搜索方面解答学习者的疑问。如：微软小冰聊天机器人、百度智能问答机器人，它们在接收到文字、图像或语音信息后，先进行内容解读，然后再自动给予合适的回复。

在混合式教学中，学习者通过线上和线下完成学习及师生互动交流，针对学习者发出的文本、语音和图像，以深度学习、机器学习、神经网络等技术为基础的人工智能教学应答机器人正好能大显身手。例如，能力风暴教育机器人已推广到4万多家学校；海尔小帅智能机器人，能与小朋友进行语音交互，回答小朋友的问题。

（3）个性化教学

根据学生的个性特征，进行教学资源的个性化智能推荐与因材施教一直是教育界所期望看到的理想教育方式，然而具体实施起来却困难重重。个性化推荐就是根据学习者的学习行为，自动预测学习者的兴趣偏好，有针对性地向学习者推送合适的教学资源。为此，大量基于学习行为数据建模的各种推荐算法纷纷被应用，如关联规则算法、蚁群聚类算法、协同顾虑算法、机器学习算法等。其中基于人工智能的深度学习推荐算法最受关注。

深度学习的思想来自于机器学习，是指初始数据获得之后，对数据做预处理、特征提取与选择，再到推理，最后进行预测的过程。在混合式教学中，根据学习者网上浏览文本、语音、图像、视频等资源的行为数据，进行特征提取并基于人工智能的深度学习推荐算法，可以为学习者提供学习资源的智能推荐。例如，爱奇艺视频网、网易云课堂，以及优必选联合腾讯叮当推出的个性化智能教育机器人等，它们均能根据用户的浏览行为给用户智能推荐相关的课程资源。

2.面向学生的人工智能应用

（1）智能识别

智能识别在人工智能教学中属于应用最早也是最为成功的技术，无论是语音识别、图像识别、人脸识别，还是脑波识别，都属于智能识别范畴。由于人的语音天生就蕴藏着情感，因而基于语音情感库的情感识别在教学中也被广泛应用（Chen et al.，2017）。

我国2015年成立的“管理科学与工程学会神经管理与神经工程研究会”，标志着我国的神经管理与神经工程研究进入新的阶段。越来越多的机构和学者投入到基于脑神经认知的情感识别研究中。例如，浙江大学管理学院神经管理学实验室对脑信号的感知与情感评估分析技术进行了大量研究；复旦大学管理学院戴伟辉教授研究了面向教育大数据分析的神经管理学机制；软银情感识别智能机器人Pepper、小影印象 APP应用等，都能根据人的表情、语音来识别人的情绪。若将这些技术应用到混合式教学中，则有利于教师识别出学习者的状态，对讲课内容、授课方式进行及时调整，从而获得更好的教学效果。

（2）智能导学

以往“题海战术”是学习者最常选择的学习方式，然而盲目学习的结果往往是浪费时间，事倍功半。当混合式学习者面对海量的互联网学习资源不知所措时，智能导学无疑是帮助学习者提升学习效率的重要手段。智能导学的总体思路是对学科领域知识体系先做分解，形成一个个知识元，然后通过导学关键点进行语义定义，再将上述定义好的知识元进行归纳与整理，形成体系，并得到相应的逻辑知识地图，进而形成个性化学习路径。

在人工智能大数据分析的帮助下，教师和管理者可以对混合式学习者的学习行为和知识量进行全面扫描评估，找到学习者的薄弱项，进行自适应学习路径设计，让其能针对性地开展学习，减少重复学习的时间，提高效率。智能导学的关键是对学习者进行画像和适应性指导。智能导学在混合式教学中的应用如下：

学习路径智能化引导。当学习者首次进入系统学习新知识点时，系统会首先判定学习者的知识量，即通过调用已建立的领域知识判定模型，对当前知识点的前驱知识点和后续知识点进行扫描。在学习过程中，通过与系统交互的情况来检测学习者对前驱知识点的掌握程度，如果未达要求则引导至前驱知识点继续进行学习。学习者每完成一个知识点的学习，都要接受测试，只有通过了测试，才能认为掌握了该知识点。

薄弱环节自行检测。在混合式学习中，学习者可对薄弱环节知识点进行自我检测，对于那些没有掌握好的知识点，可以进行多次学习，并与以往学习情况进行对比。在此过程中人工智能学习系统可以查询该领域知识库的相关内容，并对薄弱环节进行补强。

学习进度有效控制。学习者在开始学习之前要制定自己的学习计划，详细列出课程内容学习计划，一旦出现偏差或者未按照原定计划执行时，系统就会给予提醒，并且定期对计划进行检查。在完成一定时段的学习后，系统会将学习者的学习状况进行统计，列出这段时间内的知识难点以及尚未完全掌握的知识点，并对后续学习计划进行审查，看是否需要调整今后的学习计划。

3.面向教学的人工智能应用

（1）智慧课堂

从信息化视角来看，智慧课堂可看作是利用先进的信息技术手段来营造智能化的课堂教学环境，形成师生交流立体化、教学过程智能化的课堂。大数据、物联网、云计算、可穿戴设备等技术的发展成熟，数字化学习环境与教育的深度融合，使得教学中各类数据的收集、追踪、分析成为可能，为智慧课堂的建成奠定了坚实的基础。

近年来，越来越多的教学机构参与到智慧课堂建设中来。例如，依托上海开放大学的上海开放远程教育工程技术研究中心所建的“智慧课堂”，配备有虚拟现实（VR）和增强现实（AR）设备、人体眼神姿态识别仪、EEG/ERP脑波检测器等数字化设备，能将学习者课堂上的面部表情、身体姿态和脑电波等数据信息全程捕捉下来。智慧课堂的构建如图3所示。

图3 智慧课堂构建图

由于人的兴奋、紧张、愉悦等状态通过脸部表情、身体姿态和脑电波能够反映出来，因此对每位学习者脸部表情进行相应的历史对照分析，并结合脑波检测，便能较准确地识别出学习者的状态，分析出学生的注意力是否集中，以及对知识点的掌握程度。然而由于学习过程中的脸部表情、脑电波数据所呈现出的复杂、非线性、数据量大、干扰性大等特性，常用的数据分析方法识别效果不佳，而基于机器学习、深度学习的人工智能识别技术能有效处理上述特性，使得智慧课堂成为学习者进行个性化学习的重要场所。

（2）智能在线考试

基于人工智能的在线考试系统除具有常见的用户信息管理、试题库管理、在线考试、自动评卷功能外，还提供了智能组卷功能和在线作弊防范监测功能，不仅能自动生成区分度良好的试卷，而且还能对作弊试卷、雷同试卷进行辨别。此外，智能在线考试系统还能对每次考试结果生成考试分析报告，对考试结果进行精准分析，以及对考试难易程度做出评判。

智能在线考试系统的另一特色是具备数据挖掘统计功能，即能对每一场考试产生的数据进行挖掘与统计，并给出描述性统计值，如每场考试最早完成答卷的时间、平均答卷时间、最长答卷时间、答题者的最高分、平均分、最低分等信息，以及对试卷的难易程度给出评判，并以图表的形式直观展示，便于师生迅速了解该次考试的情况。此外，智能在线考试系统还能对考试数据执行分类、聚类、关联规则分析等操作，通过数据挖掘方法来寻找知识点、试题间的潜在关联，为在线考试更好地服务。

从混合式教学的特征、现状与需求来看，人工智能在上述教学中的发展与应用呈现以下规律：人工智能技术将不断应用于解决混合式教学中存在的问题，并为教学的创新发展提供更具智能化的模式与手段。与此同时，混合式教学中的应用新需求将为人工智能在上述专业领域的发展不断提供新的动力，由此促进人工智能的进一步发展。因此，我们应该在人工智能发展与混合式教学应用需求之间构建深度融合的生态链，形成可持续创新、双螺旋演进的互动发展模式。

混合式教学作为一种“线上+线下”相结合的新型教学方式，颠覆了传统教学中“以教师为中心”的理念，已成为互联网环境下现代教学变革的重要方向。当前混合式教学中存在着教学资源单一、学生学习自主性不强、课堂教学与在线学习缺乏有机结合等主要问题。人工智能的发展与应用，不仅为解决上述问题提供了新的手段，而且促进了上述教学进一步向“以学习者为中心”的个性化、精准化和智能化教学方向发展。从上述领域未来的发展看，混合式教学的应用需求将为人工智能的发展不断提供新动力，而人工智能的发展应该以上述应用为导向，在两者之间构建深度融合的生态链，形成可持续创新、双螺旋演进的互动发展模式。