|
原文刊载于《开放教育研究》2018年第2期51-59页 摘要：对当前教育技术应用效能评估表明，目前教育信息技术的实际适用度不高，教育技术学正面临发展的瓶颈，长期以来的工具性思维使教育技术的环境设计既很难反映教育过程的要求，又呈现出功能分隔的模块化特征，从而只能作为外在学习环境而非嵌入式学习境脉。人工智能的发展为教育技术开发打开了新的视角，我们需要从工具性思维转向人工智能思维。未来的教育技术学应立足教育过程本身，充分吸纳学习科学的已有的研究成果，建构系统化、高关联、深度学习和可实现的学习系统，以真正改善学校教与学的现状。 关键词：工具性思维；学习环境；人工智能思维；学习系统 作者：吴刚，博士，教授，华东师范大学教育高等研究院。研究方向：教育社会学、学习科学。  据说乔布斯去世前曾提出一个疑问：“为什么IT改变了几乎所有的领域，却唯独对教育的影响小得令人吃惊?” [1]对这个不明出处的所谓“乔布斯之问”我并不惊奇，如果IT真能给教育带来根本性的变革，那倒是令人惊奇的。信息技术自诞生之日起就被戴上了美丽的花环，人们希望它能改变现状，期待它为教育带来期待的变革。 十多年来，信息技术在学校教育中的推广应用获得了前所未有的迅猛发展，教育技术学刊物不断推出运用教育技术促进教育发展和学生学业进步的成功案例——且不管那些小范围的实验本身是否可靠。人们相信，互联网正在让世界变平，让更多的人可以分享文明进步的结果，所以巨额技术经费的投入和每一种信息技术的教育应用都被看作是努力消除“数字鸿沟”的举措。但是，返回学校教育现实，课堂教学及学生学习真的因技术的使用而发生根本性改善了吗？ 科技已经以过去不可想象的方式改变了社会的许多领域，信息技术应用所带来的社会变化及教育技术投资的持续增长，使人们普遍对技术改变学习的潜力充满期待。学生、教师和家长看到一系列的教育技术——从数字化个性学习平台到教育游戏，再到大规模在线课程，正以激动人心的方式，对以往教育形态进行全面征服。但是，教育技术究竟是如何帮助学生并在何种情况下改善学习的呢？ 新技术在教育中的迅速普及已被证明是一把双刃剑，有正面和负面的双重影响，而新技术及其教育应用的速度远远超过了研究人员对技术评估的速度。2017年,美国学者埃斯克塔等人(Escueta et al., 2017)在《教育技术：循证评论》一文中对发达国家和发展中国家大量有关教育技术应用结果的研究评估中，将现有文献分为四类：1)技术获取；2)计算机辅助学习；3)行为干预；4)在线课程，希望通过讨论和确认迄今为止最有前途的教育技术发展来推动知识基础，判断技术如何用于教育支持，概述新的实验研究的关键领域，并推动教与学政策、计划和结构的改进。他们的研究发现：1) 简单地为学生提供获得技术的机会，结果会有很大的不同。在基础教育（K-12）阶段，给孩子一台电脑可能对学习成果的影响有限，也无法提高其学业成就，但会提高操作计算机的熟练度和其他一些认知结果。如果为中学后阶段的学生提供技术，如向低收入家庭的学生发放笔记本电脑，则可能会提高其学业表现，包括提高课程成功率、学习成绩、转学课程成绩和毕业率。原因不是增加了学生使用电脑的时间，而是节省了学生在大学计算机实验室使用计算机的时间成本。2)计算机辅助学习(computer-assisted learning)技术可以提高学习结果，比如为学生提供即时反馈的数学作业可以提高数学成绩；印度的适应性学习软件对学习数学和印地语有积极影响。计算机辅助学习也可以支持以学生为中心、个性化和以项目为基础的教学，增加学生的参与度和积极性，不过这些研究大多缺乏严格的因果作用机制。3)行为干预的评估一般在教育生命周期的各个阶段都能找到积极影响，不过其效果比计算机辅助学习的作用要小。与此同时，以技术为手段的行为干预，例如大规模的短信宣传，非常便宜。4)在线学习课程在过去十年越来越流行，但相对于有部分时间的面对面授课，参加在线课程学习的学生可能会有负面的学习结果。一个重要原因是，在面对面授课中，教师能更灵活地整合各种话题，更好地适应和吸引学生；另一方面，混合学习方式与完全面对面课程的学习效果接近。5) 慕课(MOOC)扩散的影响是什么？观察研究发现，关于慕课将“使教育民主化”的预期被夸大了，慕课确实能为弱势群体提供获取优质教育内容的机会，但入学率和成功率都高度偏向于优势人群；慕课甚至可能加剧而不是缩小与社会经济地位相关的教育结果的差距。不难判断，总体而言，这种应用效能只能算中性偏好，与巨大的资源投入形成鲜明反差。 由于教育活动特有的复杂性，我们无法通过严格的可控实验评估教育技术的效用，但国际上已有的大量准实验研究结果揭示，教育技术总体上并没有给我们带来令人激动的应用效果，更没有从根本上改善教育形态。 其实，富山太郎(Toyama，2011)曾提出“良好的教育没有技术捷径”，他逐一反驳了教育技术的九个神话，提出：1)学校中的电化技术史充满了失败；2)计算机也不例外，严谨的研究显示，计算机对教育很难产生正面影响，技术充其量只能扩大教育系统的教学能力，它可以使好学校变得更好，但也能使坏学校变得更糟；3)技术以其更有效的非技术干预形式而有巨大的机会成本；4)许多优秀学校系统不靠太多技术。他建议表现欠佳的学校系统应把重点放在改进教学和管理上，优秀的学校应该在进行教育的补充性投资时，考虑更具低成本高效益的替代技术。富山太郎这些观点也许是偏激的，但提醒我们需要审视教育技术的价值基础，以助于我们重新思考教育改进的技术动力。 我们需要思考两个问题：1)为何我们所见的教育技术，很少是为教育过程或学习过程而开发的，最多只是信息技术在教育中的应用？2)为何这些信息技术的教育应用，总是习惯性地采用传播学模式,并将教育过程理解为传播过程？ 教育技术的进程与学校教育的历史相比，尽管短暂，却始终以其技术优势而将教育传统作为征服对象。一直到今天，包括联合国教科文组织在内的很多研究报告都认为，诞生于工业化时代的学校教育形态，已经完全不适应信息技术时代的发展,突破传统教育形态的路径，就是依靠信息技术(Singh & Hassan,2017)。他们认为，教育需要经历一个构型转变，传统的“一刀切”教学范式正转向以学生为中心的学习范式，这种学习范式强调个性化教育和个性化学习（TEAL，2012），相应地，技术发展已经具有支持新学习概念的属性，例如社交互动性、情境敏感性、连通性或个性化的移动设备，这些属性产生了教育可供性(affordance)。 因此，新的学习概念（个性化的、以学习者为中心的、协作的等）与新的移动技术（个人的、以用户为中心、网络化、移动的等）的结合非常适宜。数百年前，人们在物理教室、图书馆和学校学习；十多年前，利用信息通信技术、移动设备和丰富的媒体，教育将借助技术的能力和优势，可以在任何地方、任何时间、任何地点提供学习机会。从那时起，ICT一直在加强其作为学习的重要组成部分的地位，有效地引导了新的和增强的学习模式（数字学习、慕课、泛在学习和移动学习）。在教育发展过程中，学习机构正处在一个令人兴奋并具有挑战性的阶段，因为学习的下一个重大转变将在这一代人中发生——这是面向今天学习者所提出的转变。通过一种新的方言——数字语言——21世纪的学习者越来越多地显示出数字学习的特点、技能和期望，而这些特点与为他们设计的学习环境形成了鲜明的对照。讲台上的传统圣贤，身着制服的课堂要求，非真实的评估，分等的方法，以及班级里的学习经验，不再吸引学生的思考、参与和他们对环境的反应，在21世纪，有效的学习环境需要根据学习者的不断进化和多样化的学习方式来设计，需要一个更个性化、更社会化、更开放、更动态、更有活力、更有知识的学习模式，而不是传统学习解决方案那种千篇一律的、集中的、静态的、自上而下的、知识推动的模式(Chatti et al.,2010）。 这样的前景是令人鼓舞而富有感染力的，它基于两个前提：1)信息技术是一种通用技术，适用于所有场景和实践；2)现时代的学生(出生于1984年后)是“数字原住民(digital native)”，数字技术是他们天然的环境要求。数字原住民拥有先进的数字技术技能和学习偏好，传统教育对其毫无准备和不适合。依据称谓有吗？普伦斯基（Prensky, 2001）的说法，他们一生都沉浸在数字技术中，具有独特性，与前几代人的成长完全不同。可是，这两个前提都不成立。 在过去几十年里，各种各样的技术被用于增强和支持学习经验。技术，广义上包括硬件——交互式白板、智能表、手持技术、有形物体和软件、计算机支持的协作学习系统、学习管理系统、在线存储的学习内容、教育游戏、三维虚拟现实等。确实，新技术已经改变教育，产生了新的学习传递方式。图1显示了技术增强的学习环境（TeL）中技术支持的范式转变。数字学习(E-learning)扩大了教育和支持的范围，但依赖于在线计算机，因此受到地点和时间的限制；移动学习通过打破这些限制来延伸电子学习，使学习能够随时随地进行；随着低成本嵌入式传感器的出现，更重要的是，配备传感器的智能移动设备能够积累和分析关于学习者及其环境的信息，利用学习者的境脉信息提供自适应和个性化的学习服务已成为现实，学习的核心已转为协调情境意识的“泛在学习”方法。以学生为中心的学习转变正在激发对除了学习以外的社会学习的兴趣。因此，教育工作者正在为教育目的探索社交技术（例如Web 2.0社交网络服务[SNS]和移动Web 2.0）的潜力。最终的研究（例如Cochrane＆Bateman，2010）普遍显示，这些技术支持社会建构主义。由此，一种新的学习范式——智能学习(smart education)——正在成为泛在学习和社会学习的融合概念(Adu and Poo. ,2014 )。 图1 技术增进学习的演化：从数字学习到智能学习 从这张图可以发现，短短十多年，多个“学习概念”应运而生，从数字学习到智能教育，而每种学习概念都依赖于技术，每个台阶都是后一种新技术的叠加。今天的教育技术发展是紧紧依赖于技术发展的，也就是说，教育技术的驱动在技术，不在教育。但是，技术的本质是什么？布莱恩·阿瑟给出了三个定义：1)技术是实现人的目的的一种手段；从这个视角看，某些技术(如炼油)的目的是明确的；某些技术(如计算机)的目的可能是模糊的、多样的、变化的。作为一种手段，一种技术还可能是一种方法、一个过程或一种算法(如一种特殊的语音识别算法),无论它是什么，它总是一种手段，实现人类的目的。2)技术是实践和元器件（components）的集成；3)技术是在某种文化中得以运用的装置和工程实践的集合(布莱恩·阿瑟,2014)。按照这些定义，技术总是面向具体目标的手段或装置，因而不存在可以适用所有对象的通用技术。那么，信息技术是通用技术吗？对于教育系统而言，信息技术本是外源性的，虽然具有某种适用性，但这种适用性必须嵌入具体领域才能兑现。正如要用面包机做中餐，就需要重新设计一样。教育信息技术设计的前提是教育逻辑，教育逻辑的核心是对学生的学习与认知机制的理解。 而“学习环境”作为当下教育信息技术学的主要隐喻，源于传播学模式，传播学模式将大脑视为知识桶，学习是信息有效传递的过程。图2是从传播学视角直观理解教育环境和教学环境的。由传播学模式而来的在线教育本质上将内容与过程分离。 图2 传播学视角下的教育环境和教学环境 从社会学意义看，系统与环境是一对范畴，人的学习机制是个系统。著名的社会理论家卢曼认为，系统通过与环境区分而形成自己的结构(形式)，系统每次的自我建构都基于这种区分，它根据“意义”比较“选择”有助于建立自身秩序的一面。系统通过这种方法，减少环境的不确定性对自身存在造成的压力。通过选择，系统也建立自身的复杂结构来对抗环境同化的压力，而它的自我结构的过滤机制迭代的层次越多，它的结构就越具有特征化和抗变换性。环境外在于系统，系统与环境交互作用。这也意味着，教育技术的应用只是作为外部工具而无法纳入学习系统本身，本质上它与历史上的粉笔和黑板没有太大区别。 另一方面，学习环境设计通过抽象的模块化构造来充实的。例如，智能学习环境(Smart Learning Environment)的七个模块是：1)学习状态检测模块。通过连接到一些传感设备来检测学习者的真实世界状态（如位置和学习行为）和环境（如温度和湿度）。2)学习性能评估模块。通过在线测试或在现实世界中测试来评估和记录学习者的表现。3)适应性学习任务模块。根据学员的学习进度、学习成绩、个人因素以及他们在各学科的学习目标来分配学习任务。4)适应性学习内容模块。为学习者提供学习材料，包括学习进度、学习成绩、个人因素以及个人的真实情况。5)学习支持模块。为学习者提供了基于他们学习需求的学习支持。6)保存学习者资料和档案的数据库，在正确的时间为学生提供适当的支持。7)推理引擎和知识库，用于进一步进行学习推论和支持。知识库是教学和学习经验的集合，可能包含决策规则。推理引擎是一个决策计算机程序，它根据知识库中的规则对当前的情况进行分析。(Wu,Lee, et al. ,2013)在这里，学习环境设计相当于丹麦人克里斯琴森（Ole Kirk Christiansen）发明的乐高积木，通过模块拼接搭建了“智能”学习环境(SLE)。 根据黄等人（Huang，Yang & Zheng，2013）的分析，智能学习环境的设计和一般数字学习系统之间存在很大差异（见表一）。 表一 一般数字学习环境与智能学习环境比较 从表一可以知道，智能学习环境通过模块搭建形成一种类似学习平台的技术装置。确实，智能学习环境正朝适应性方向发展，但是表一中的阴影部分还有一些关键问题没有解决。例如，这些模块是依据什么目标和学习机制选择的？彼此如何形成内在关联？这些关联通过什么约束条件实现？又如，学习共同体是学习科学的核心概念，但是学习共同体的建立需要明确的约束条件，这些设计者并没有明确提出。就表一而言，它如何既保障教学装置又保障学习装置呢？因此，这类看似完整需求指向的设计，有时因为缺少关键部件和内在关联度而成为无法技术实现的抽象模式。 需进一步指出的是，最新的研究证明，根本不存在所谓的“数字原住民” (Kirschner, & Bruyckere, 2017)。相反，我们进行教学设计时，应该警惕基于不存在的“数字原住民”的教学变革；更重要的是，当数字技术可能对学习产生不利影响时，教师在设计数字工具及其可供性、物理空间、虚拟环境以及这些环境中的服务和数字信息时必须注意这一点。例如,信息技术改变了教育生态,原来的“学习者+学习材料”变为了“学习者+学习材料+技术+分心”，写作技巧和大脑已被ICT设备所取代。学生不再需要笔记，因为在线课程材料只需点击即可下载。他们可能不再运用他们的大脑（以及认知、感知和注意）来理解教学内容。(Goundar,2014) 学习与发展是教育永恒的主题。人类之所以成为万物之灵长，很大程度依赖于学习所获得的演化。技术增进学习的本意是指技术扩展了对原有教育活动的理解视野，深化了关于教育过程有效性的机制分析，从而不仅改进了教育效能，更转化了工业革命以来的教育模式。但是，现今的教育技术，包括每年的地平线报告，大都从两个方面推进：一是采用信息技术单调叠加的方式发明学习概念和未经评估的教育技术产品，后者带来的潜在危害非常大(Hulleman et al.,2017)；二是采用尝试—错误的方式开展教育试验。这不仅带来巨大的资源投入的浪费，更是将学习者视为技术的试验品。究其原因，乃是工具性思维限制了我们对于教育问题本身的思考。 工具性思维的核心是工具，它关注由第三方设计的外在环境，环境依赖工具而建立，工具的基础决定了环境的可能性，环境与系统相分离。进行工具应用时，设计者往往注意运用工具的具体场景。工具性思维倾向于以技术为重点，以功能为导向。研究者经常觉得需要使用自上而下的新技术，因此更多关注的是使用技术，而不是为什么使用并如何有效地使用。教育技术开发者将信息技术视为学习工具，由于工具面向不同需求并以不同方式而生产的，因此按照彼此的功能模块进行叠加并外在于人类学习系统，是学习环境的一个组成部分。在运用过程中，工具性思维强调技术要求的“标准”“效率”“绩效”，以及使用相应的外设量规体系对学习行为进行评估。这个看似具体和可操作过程，却是建立在对环境想象，而非对学习系统本身运行及特征挖掘的基础上。 近来，人工智能的发展及AlphaGo Zero的崛起，为教育发展开启了新的视角。AlphaGo Zero没有使用人工数据或人工专长，从零开始，面对一张空白棋盘和游戏规则进行学习，通过自我学习而使自己的游戏技能得以提高，从而与通过一堆人类标注数据及模型进行模仿训练的经典模式渐行渐远。这意味着它可以突破人类预设的模型和知识限制，从它认为最优的东西中学习，甚至可能比某些人类的看法更加细致入微。由此，教育技术学的发展应该从工具性思维转向人工智能思维。 尽管机器工业发展迅速，但智能仍然是人类和机器在执行任务时的根本区别。2017 AlphaGo Zero的出现则可以视为人工智能爆发的元年。这是人类60年来对智能问题不懈探索的结果。而与AlphaGo Zero相关的机器学习（Machine Learning）则是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。机器学习有四种通用方法：1)监督学习(Supervised Learning)；2)无监督学习(Unsupervised Learning)；3)半监督学习(Semi-supervised Learning)；4)强化学习(Reinforcement Learning)。机器学习的目标是使机器能够预测、执行集群、提取关联规则，或者从给定的数据集做出决策。至于深度学习本身不是一种独立算法，而是一系列通过无监督学习实现深度网络(神经网络)的算法。这些网络有n层深度，以至于（除了计算节点集群外）需要采用新计算方法来构建(Khan et al. ,2017)。DeepMind的深度强化学习领军人西尔弗(David Silver)认为,强化学习+深度学习(Reinforcement Learning + Deep Learning) = 人工智能(AI)。当然，这种说法只是一个视角，尽管其非常成功。 多明戈斯(Pedro Domingo) 在《终极算法》一书中描述了五个人工智能学派,每个学派都从不同的角度看问题。1)符号学派（The Symbolists）：它使用基于规则的符号系统进行推理，人脑和计算机都是物理符号系统，认知过程就是在符号表示上的运算。解决问题的方法是使用预先存在的知识库和推理机（Inference Engine）。大多数专家系统都使用符号学派的方法，以 If-Then 的方式解决问题。但是这种知识驱动的符号模型有其局限性，如很多人类行为（知识）并不能精确描述；知识库总是有限的，它不能包含所有的信息；知识是确定的；它只能描述特定的领域；大量知识不能做到定量化（例如质量）；所以这种模型只能在宏观层面用来模拟人类的某些行为。2)进化学派（The Evolutionists）：主要采用模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，它通过模拟自然进化过程搜索最优解。这种方法又被称为遗传算法（Genetic Algorithm）。在深度学习中，遗传算法确实有被用来替代梯度下降法，所以它不是一种孤立的方法。这个学派也研究细胞自动机（cellular automata），例如康韦(Conway)的“生命游戏”和复杂自适应系统（GAS）。3)贝叶斯学派（The Bayesians）：它使用概率规则及其依赖关系进行推理。概率图模型（PGM）是其通用的方法，主要的计算机制是用于抽样分布的蒙特卡罗方法。这种方法与符号学方法相似之处在于，可以以某种方式得到对结果的解释；另一个优点是存在可以在结果中表示的不确定性的量度。4)类推学派（The analogizers），它更多地关注心理学和数学最优化，通过外推来进行相似性判断。类推学派遵循“最近邻”原理进行研究。各种电子商务网站的产品推荐是其最常见的应用。5)联结学派（The Connectionists）：联结学派的主要思想是通过神经元之间的连接推导知识，这种 人工智能系统主要是基于数据驱动。他们聚焦于物理学和神经科学，相信大脑的逆向工程（reverse engineering）；用反向传播算法训练人工神经网络以获取结果，其最新形式是深度学习。 机器学习中，“深度学习”与教育中的“深度学习”是两个完全不同的。机器学习的“深度学习”源于人工神经网络。其“深度”指的是神经网络中的层的数量，浅层神经网络有一个所谓的隐藏层，而深度神经网络则不止一个隐层。多个隐层让深度神经网络能够以分层的方式学习数据的特征，深度学习通过组合低层特征形成抽象的高层特征，以发现数据的分布式特征表示。因此，“深度模型”是手段，“特征学习”是目的。深度学习的特点在于：1)强调模型结构的深度，通常有5层、6层，甚至n层的隐层；2)明确突出特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换(迭代)到新的特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能刻画数据的丰富内在信息。 这个过程既不同于行为主义心理学的刺激—反应—强化模式，也有别于原来的联结主义，AlphaGo Zero的学习方式，已有皮亚杰认知意义上的建构主义的特征。深度强化学习就是用深度学习网络自动学习动态场景的特征，然后通过强化学习学习对应场景特征的决策动作序列，这是一个连续决策以达成最优的过程。深度学习的感知能力较强，但缺乏一定的决策能力；而强化学习具有较强的决策能力，但对感知问题束手无策。因此，将两者结合，优势互补，能够为复杂状态下的感知决策问题提供解决思路。值得指出的是，这两种方法的平衡融合，恰是人脑动态感知决策的方式(Gazzaniga,2014)。所以人工智能与神经科学的结合具有机理的基础。 教育人工智能(Artificial Intelligence in Education)的研究与应用也已有三十多年，教育人工智能的核心是“使计算精确的和用清晰的形式表示曾经是含糊不清的教育的科学目标、心理和社会知识”。换句话说，除了作为智能技术的引擎，教育人工智能也是一个有用的工具来打开有时被为学习的“黑匣子”，使我们能更深和更微观地理解学习是如何实际发生的（例如，学习者的社会经济和物理环境，或技术的影响会如何影响他的学习）。 教育人工智能的核心有三个关键模型:教学模式、领域模型和学习者模型（见表二）。以教育人工智能系统为例，该系统旨在为学生提供适当的个性化反馈。实现这一目标，教育人工智能系统需要了解：1) 有效的教学方法（代表教学模型）；2) 学习知识的主题（代表领域模型）；3) 学生（代表学习者模型） 表二 教育人工智能模型 表二的“生产性挫折(Productive failure,PF)”是卡普尔(Manu Kapur)提出的，强调从失败中学习。他让学生参与学习的设计（Kapur＆Bielaczyc，2012），其四个核心的、相互依存的机制为：1)激活和区分先前的知识；2)关注目标概念的关键特征；3)解释和阐述这些特征；4)将关键概念特征组织和组装到目标概念中。而设计者需要了解学生知道什么？学生的知识边界在哪？学生不知道什么？在实施中需遵循以下原则：1)创建解决问题的情境，涉及处理挑战但不沮丧的复杂问题，依靠先前的教学资源，并认可多种解决方案（机制1和2）；2)提供解释和阐述的机会（机制2和3）；(3)提供机会比较和对比失败或次优解决方案的可供性和约束以及规范解决方案的组装（机制3-4）。从教育人工智能模型的设计可以知道，每一种教育人工智能模型都应该吸纳最新的教育学或学习科学的研究成果，亦即教育技术学首先是从教育出发思考问题。 图3 经典系统的简化图（基于模型的自适应指导）(Luckin et al. ,2016) 自适应教育人工智能系统的一个好处是他们可以在良性循环中收集海量的数据，然后可以动态地改进教学模型和学科领域模型。这个过程有助于采用新的方法提供更高效、个性化、支持情境的，同时也测试和改进我们对教和学过程的理解(Luckin et al. ,2016)。当然，教育人工智能也应该用于培养“21世纪能力(21st century skills)”，但是需要解决两个问题：1) 必须制定可靠和有效的指标，这将使我们能够跟踪学习者在学习在本世纪所需的技能和能力的过程中的进步，这将包括难以测量的特质，如创造力和好奇心；2) 需要更好地了解能够让这些技能的发展最有效的教学方法和学习境脉(context)。 人工智能思维将智能机器体视为人类智能的延伸，是人类认知系统的一部分。人工智能思维的核心是认知，它关注系统性或关系性。人工智能思维和计算思维是相互交织和重叠的，因为具有计算能力的机器智能是实现智能的主要手段。计算思维通过约简、嵌入、转化和仿真等方法，把一个困难的问题重新阐释成一个知道问题怎样解决的方法；它是一种递归思维，又是一种并行处理；是一种多维分析推广的类型检查方法；是一种采用抽象和分解来控制庞杂的任务或进行巨大复杂系统设计的方法；是一种选择合适的方式去陈述一个问题，或对一个问题的相关方面建模使其易于处理的思维方法；是利用启发式推理寻求解答，也即在不确定情况下的规划、学习和调度的思维方法(Wing J M.,2006)。然而，人工智能思维需要超越计算思维。人工智能的思维涉及系统、框架、技能，以及从人工智能研究和实践中提炼出来的通用工具。与计算思维相比，人工智能思维超越了逻辑和基于算法的视角，如利用知识库和案例库解决问题；捕获和理解常识；启用语义和境脉的处理以及处理非结构化数据等，还应该涵盖深度学习和认知计算背后的基本思想。除总体框架外，人工智能思维还应该包括人工智能通用问题解决方案的内容：一套成熟的、广泛应用的知识表征观念，以及相应的易用的推理引擎。对在教育人工智能的发展，我认为最重要的是系统性、高关联性、深度学习化和可实现性。 基于人工智能思维的教育技术开发思考，已经有简单的尝试。比格尔等人(Bieger et al. 2017)提出了一个“教学法五边形”，或称为人工教学法(Artificial Pedagogy)，通过确定教学系统互动中涉及的五个核心概念：学习者、任务环境、测试、训练和教学，形成一个教学五边形的五个点。关键是其每个点都依据可靠的教育学、心理学或学习理论而确定约束条件。虽然其系统设计描述比较简单，却聚焦教学本身，高关联而减少冗余。我们可以以此进一步开发，因为学习者、任务环境、测试、训练和教学构成一个教学系统，每个点有其相应的约束条件，这些约束条件可以做成隐藏层，隐藏层又可以继续细化并进行特征挖掘，这就可以形成深度神经网络。人工教学法的特点是基于教学现实而从教学过程中生发的。 所以，教育技术学转向人工智能思维意味着：“研究教育活动本身，关注人的认知特质，理解学习发生机制”，这才是新的教育智能技术开发的思维要求。 看似繁荣而迅猛发展的教育技术学其实充满潜在的挑战。《可见的学习》总结了6个通向卓越教育的路标：1)教师是学习最大的影响因素之一；2)教师需要有指导力和影响力，并且能够以关爱、积极和充满热忱的态度参与教与学过程；3)教师需要知道班级每位学生的所知所思，能够依据对学生的了解来建构意义和丰富的经验；4)教师和学生需要知道他们课堂的学习目的和成功标准，知道学生对这些标准上限的了解情况，以及知道下一步去哪里。下一步的行动应当依据学生已有知识和理解与成功标准之间的差距而定；5)教师必须从单一观念转变为多元观念，并联系和扩展这些观念，使学习者建构、再建构知识和观念。关键的不是知识或观念，而是学习者对这些知识和观念的建构；6)学校领导者和教师需要在学校、办公室和班级创造这样的环境：错误是受欢迎的，因为它是学习的机会 (生产性挫折的意义) 。这些无疑是教育技术开发和思考的重要思想资源。 教育技术需要探索如何嵌入学习系统，而不是作为外在的学习环境而存在。长期以来，工具性思维使教育技术的环境设计既难反映教育过程的要求，又呈现出功能分隔的模块化特征，从而只能作为外在学习环境而非嵌入式学习境脉。人工智能的发展为教育技术开发打开了新的视角，从工具性思维转向人工智能思维是未来的方向。未来的教育技术学应该关注教育过程本身，充分吸纳学习科学已有的研究成果，建构系统化、高关联、能够深度学习和可实现的学习系统，以真正改善学校的教与学。当然，真正的人工教学系统要求实现以下五个条件，即：1)推断思维，即在缺乏知识和数据的情况下依然能完成任务；2)直觉思维，即在信息不完善（甚至缺乏信息）的情况下能够完成任务；3)模糊判断，即能够处理非确定性任务；4)适应性专长，即能够处理动态任务；5)分布式加工，即能够处理多领域和多任务。 注释： [1]很可惜，这个在国内广为传播，并被冠以“乔布斯之问”的问题，在有关叙述文章中没有提供出处，我反复搜索各种资源，也没有看到英文出处，所以怀疑是虚构的。 参考文献： [1]Adu, E. K., and Poo, D. C. C. (2014). Smart learning: A new Paradigm of Learning in the Smart Age. Paper presented at TLHE 2014: International Conference on Teaching and Learning in Higher Education, National University of Singapore. [2]Bieger J., Thórisson K. R., Steunebrink B. R.(2017). The pedagogical pentagon: A conceptual framework for artificial pedagogy[A]. International Conference on Artificial General Intelligence[C]. Springer, Cham, 2017：212-222. [3]Chatti, M. A., Agustiawan, M. R., Jarke, M., and Specht, M.(2010). Toward a personal learning environment framework. International Journal of Virtual Personal Learning Environments. Vol. 1, No. 4, pp. 66-85. [4] Hulleman, C. S., Burke, R. A., May, M., Charania, M., & Daniel, D. B. (2017). Merit or marketing?:Evidence and quality of efficacy research in educational technology companies . White paper produced by Working Group D for the EdTech Academic Efficacy Symposium. University of Virginia:Charlottesville, VA. [5]Zeng，D. (2013), From computational thinking to AI thinking. IEEE INTELLIGENT SYSTEMS, [6]Roll.I,&Wylie.R,(2016)Evolution and Revolution in Artificial Intelligence in Education. International Journal of Artificial Intelligence in Education.Vol26, Issue 2, pp 582–599 [7]Gazzaniga, M.S.,& Mangun, G.R.(2014) .The cognitive neurosciences. Massachusetts Institute of Technology.p689 [8]Goundar,S.(2014). The distraction of technology in the classroom. Journal of Education & Human Development. ,Vol. 3, : 211-229 [9]Huang, R., Yang, J., and Zheng, L.(2013). The components and functions of smart learning environments for easy, engaged and effective learning. International Journal for Educational Media and Technology. Vol.7, No. 1, pp. 4-14. [10]Kapur, M., & Rummel, N. (2012). Productive failure in learning and problem solving. InstructionalScience, 40(4), 645–650. [11]Kapur,M.(2014). Productive failure in learning math，Cognitive Science,Vol.38, Issue 5, pp1008–1022. [12]Mohammed.M., Khan,M.B.,& Bashier.E.B.M., (2017), Machine learning：Algorithms and applications., CRC Press [13]Kirschner, P. A. & Bruyckere, P. D.(2017) .The myths of the digital native and the multitasker，Teaching & Teacher Education, 67 :135-142 [14]Luckin, R., Holmes, W., Griffiths, M. & Forcier,L. B. (2016). Intelligence unleashed. An argument for AI in education. London: Pearson. [15]Singh, A.D., Hassan,. M.(2017), In pursuit of smart learning environments for the 21st century. UEESCO [16]Toyama, K. (2011). There are no technology shortcuts to good education.Ict in Schools. [17] Wing J M.(2006),Computational Thinking.Communications of ACM，28（9）：23-28. [18]Wu, H. K., Lee, S. W. Y., Chang, H. Y., and Liang, J. C.(2013). Current status, opportunities and challenges of augmented reality in education. Computers & Education. Vol. 62, pp. 41-49. [19]参见佩德罗·多明戈斯(2017)：终极算法：机器学习和人工智能如何重塑世界，北京：中信出版社。(没有具体页码，是综述) [20] 约翰·哈蒂(2015)：可见的学习：最大限度地促进学习，北京：教育科学出版社：第21页。 [21] 布莱恩·阿瑟（2014），技术的本质：技术是什么，它是如何进化的，浙江人民出版社：页码，第21-23页。 From instrumental thinking to artificial intelligence thinking ——the crisis of education technology and its transformation. Wu Gang （Institute of Advanced Studies in Education, East China Normal University,200062,Shanghai） Abstract: On the current application of education technology effectiveness evaluation indicated that the actual effectiveness of education information technology is not high, the development of education technology is facing a crisis. The instrumental thinking for a long time to make education technology environment design is both hard to reflect the requirements of the education process, and shows the characteristics of function space of modularization, which can only be as external learning environments rather than embedded learning context. The development of artificial intelligence opens a new perspective for education technology development. We need to shift from instrumental thinking to artificial intelligence thinking. Education technology of the future should pay attention to the education process itself, fully absorb the scientific study of the existing research results, construct the systematic, high correlation, deep learning and technology realization of learning system, to really improve the present situation of teaching and learning in the school. Key words: instrumental thinking; learning environment; artificial intelligence thinking; learning system
|
|
|
