|
原文刊載于《開放教育研究》2018年第2期51-59頁 摘要：對當前教育技術應用效能評估表明，目前教育信息技術的實際適用度不高，教育技術學正面臨發(fā)展的瓶頸，長期以來的工具性思維使教育技術的環(huán)境設計既很難反映教育過程的要求，又呈現(xiàn)出功能分隔的模塊化特征，從而只能作為外在學習環(huán)境而非嵌入式學習境脈。人工智能的發(fā)展為教育技術開發(fā)打開了新的視角，我們需要從工具性思維轉向人工智能思維。未來的教育技術學應立足教育過程本身，充分吸納學習科學的已有的研究成果，建構系統(tǒng)化、高關聯(lián)、深度學習和可實現(xiàn)的學習系統(tǒng)，以真正改善學校教與學的現(xiàn)狀。 關鍵詞：工具性思維；學習環(huán)境；人工智能思維；學習系統(tǒng) 作者：吳剛，博士，教授，華東師范大學教育高等研究院。研究方向：教育社會學、學習科學。  據(jù)說喬布斯去世前曾提出一個疑問：“為什么IT改變了幾乎所有的領域，卻唯獨對教育的影響小得令人吃驚?” [1]對這個不明出處的所謂“喬布斯之問”我并不驚奇，如果IT真能給教育帶來根本性的變革，那倒是令人驚奇的。信息技術自誕生之日起就被戴上了美麗的花環(huán)，人們希望它能改變現(xiàn)狀，期待它為教育帶來期待的變革。 十多年來，信息技術在學校教育中的推廣應用獲得了前所未有的迅猛發(fā)展，教育技術學刊物不斷推出運用教育技術促進教育發(fā)展和學生學業(yè)進步的成功案例——且不管那些小范圍的實驗本身是否可靠。人們相信，互聯(lián)網(wǎng)正在讓世界變平，讓更多的人可以分享文明進步的結果，所以巨額技術經(jīng)費的投入和每一種信息技術的教育應用都被看作是努力消除“數(shù)字鴻溝”的舉措。但是，返回學校教育現(xiàn)實，課堂教學及學生學習真的因技術的使用而發(fā)生根本性改善了嗎？ 科技已經(jīng)以過去不可想象的方式改變了社會的許多領域，信息技術應用所帶來的社會變化及教育技術投資的持續(xù)增長，使人們普遍對技術改變學習的潛力充滿期待。學生、教師和家長看到一系列的教育技術——從數(shù)字化個性學習平臺到教育游戲，再到大規(guī)模在線課程，正以激動人心的方式，對以往教育形態(tài)進行全面征服。但是，教育技術究竟是如何幫助學生并在何種情況下改善學習的呢？ 新技術在教育中的迅速普及已被證明是一把雙刃劍，有正面和負面的雙重影響，而新技術及其教育應用的速度遠遠超過了研究人員對技術評估的速度。2017年,美國學者埃斯克塔等人(Escueta et al., 2017)在《教育技術：循證評論》一文中對發(fā)達國家和發(fā)展中國家大量有關教育技術應用結果的研究評估中，將現(xiàn)有文獻分為四類：1)技術獲??；2)計算機輔助學習；3)行為干預；4)在線課程，希望通過討論和確認迄今為止最有前途的教育技術發(fā)展來推動知識基礎，判斷技術如何用于教育支持，概述新的實驗研究的關鍵領域，并推動教與學政策、計劃和結構的改進。他們的研究發(fā)現(xiàn)：1) 簡單地為學生提供獲得技術的機會，結果會有很大的不同。在基礎教育（K-12）階段，給孩子一臺電腦可能對學習成果的影響有限，也無法提高其學業(yè)成就，但會提高操作計算機的熟練度和其他一些認知結果。如果為中學后階段的學生提供技術，如向低收入家庭的學生發(fā)放筆記本電腦，則可能會提高其學業(yè)表現(xiàn)，包括提高課程成功率、學習成績、轉學課程成績和畢業(yè)率。原因不是增加了學生使用電腦的時間，而是節(jié)省了學生在大學計算機實驗室使用計算機的時間成本。2)計算機輔助學習(computer-assisted learning)技術可以提高學習結果，比如為學生提供即時反饋的數(shù)學作業(yè)可以提高數(shù)學成績；印度的適應性學習軟件對學習數(shù)學和印地語有積極影響。計算機輔助學習也可以支持以學生為中心、個性化和以項目為基礎的教學，增加學生的參與度和積極性，不過這些研究大多缺乏嚴格的因果作用機制。3)行為干預的評估一般在教育生命周期的各個階段都能找到積極影響，不過其效果比計算機輔助學習的作用要小。與此同時，以技術為手段的行為干預，例如大規(guī)模的短信宣傳，非常便宜。4)在線學習課程在過去十年越來越流行，但相對于有部分時間的面對面授課，參加在線課程學習的學生可能會有負面的學習結果。一個重要原因是，在面對面授課中，教師能更靈活地整合各種話題，更好地適應和吸引學生；另一方面，混合學習方式與完全面對面課程的學習效果接近。5) 慕課(MOOC)擴散的影響是什么？觀察研究發(fā)現(xiàn)，關于慕課將“使教育民主化”的預期被夸大了，慕課確實能為弱勢群體提供獲取優(yōu)質教育內容的機會，但入學率和成功率都高度偏向于優(yōu)勢人群；慕課甚至可能加劇而不是縮小與社會經(jīng)濟地位相關的教育結果的差距。不難判斷，總體而言，這種應用效能只能算中性偏好，與巨大的資源投入形成鮮明反差。 由于教育活動特有的復雜性，我們無法通過嚴格的可控實驗評估教育技術的效用，但國際上已有的大量準實驗研究結果揭示，教育技術總體上并沒有給我們帶來令人激動的應用效果，更沒有從根本上改善教育形態(tài)。 其實，富山太郎(Toyama，2011)曾提出“良好的教育沒有技術捷徑”，他逐一反駁了教育技術的九個神話，提出：1)學校中的電化技術史充滿了失?。?)計算機也不例外，嚴謹?shù)难芯匡@示，計算機對教育很難產生正面影響，技術充其量只能擴大教育系統(tǒng)的教學能力，它可以使好學校變得更好，但也能使壞學校變得更糟；3)技術以其更有效的非技術干預形式而有巨大的機會成本；4)許多優(yōu)秀學校系統(tǒng)不靠太多技術。他建議表現(xiàn)欠佳的學校系統(tǒng)應把重點放在改進教學和管理上，優(yōu)秀的學校應該在進行教育的補充性投資時，考慮更具低成本高效益的替代技術。富山太郎這些觀點也許是偏激的，但提醒我們需要審視教育技術的價值基礎，以助于我們重新思考教育改進的技術動力。 我們需要思考兩個問題：1)為何我們所見的教育技術，很少是為教育過程或學習過程而開發(fā)的，最多只是信息技術在教育中的應用？2)為何這些信息技術的教育應用，總是習慣性地采用傳播學模式,并將教育過程理解為傳播過程？ 教育技術的進程與學校教育的歷史相比，盡管短暫，卻始終以其技術優(yōu)勢而將教育傳統(tǒng)作為征服對象。一直到今天，包括聯(lián)合國教科文組織在內的很多研究報告都認為，誕生于工業(yè)化時代的學校教育形態(tài)，已經(jīng)完全不適應信息技術時代的發(fā)展,突破傳統(tǒng)教育形態(tài)的路徑，就是依靠信息技術(Singh & Hassan,2017)。他們認為，教育需要經(jīng)歷一個構型轉變，傳統(tǒng)的“一刀切”教學范式正轉向以學生為中心的學習范式，這種學習范式強調個性化教育和個性化學習（TEAL，2012），相應地，技術發(fā)展已經(jīng)具有支持新學習概念的屬性，例如社交互動性、情境敏感性、連通性或個性化的移動設備，這些屬性產生了教育可供性(affordance)。 因此，新的學習概念（個性化的、以學習者為中心的、協(xié)作的等）與新的移動技術（個人的、以用戶為中心、網(wǎng)絡化、移動的等）的結合非常適宜。數(shù)百年前，人們在物理教室、圖書館和學校學習；十多年前，利用信息通信技術、移動設備和豐富的媒體，教育將借助技術的能力和優(yōu)勢，可以在任何地方、任何時間、任何地點提供學習機會。從那時起，ICT一直在加強其作為學習的重要組成部分的地位，有效地引導了新的和增強的學習模式（數(shù)字學習、慕課、泛在學習和移動學習）。在教育發(fā)展過程中，學習機構正處在一個令人興奮并具有挑戰(zhàn)性的階段，因為學習的下一個重大轉變將在這一代人中發(fā)生——這是面向今天學習者所提出的轉變。通過一種新的方言——數(shù)字語言——21世紀的學習者越來越多地顯示出數(shù)字學習的特點、技能和期望，而這些特點與為他們設計的學習環(huán)境形成了鮮明的對照。講臺上的傳統(tǒng)圣賢，身著制服的課堂要求，非真實的評估，分等的方法，以及班級里的學習經(jīng)驗，不再吸引學生的思考、參與和他們對環(huán)境的反應，在21世紀，有效的學習環(huán)境需要根據(jù)學習者的不斷進化和多樣化的學習方式來設計，需要一個更個性化、更社會化、更開放、更動態(tài)、更有活力、更有知識的學習模式，而不是傳統(tǒng)學習解決方案那種千篇一律的、集中的、靜態(tài)的、自上而下的、知識推動的模式(Chatti et al.,2010）。 這樣的前景是令人鼓舞而富有感染力的，它基于兩個前提：1)信息技術是一種通用技術，適用于所有場景和實踐；2)現(xiàn)時代的學生(出生于1984年后)是“數(shù)字原住民(digital native)”，數(shù)字技術是他們天然的環(huán)境要求。數(shù)字原住民擁有先進的數(shù)字技術技能和學習偏好，傳統(tǒng)教育對其毫無準備和不適合。依據(jù)稱謂有嗎？普倫斯基（Prensky, 2001）的說法，他們一生都沉浸在數(shù)字技術中，具有獨特性，與前幾代人的成長完全不同?？墒?，這兩個前提都不成立。 在過去幾十年里，各種各樣的技術被用于增強和支持學習經(jīng)驗。技術，廣義上包括硬件——交互式白板、智能表、手持技術、有形物體和軟件、計算機支持的協(xié)作學習系統(tǒng)、學習管理系統(tǒng)、在線存儲的學習內容、教育游戲、三維虛擬現(xiàn)實等。確實，新技術已經(jīng)改變教育，產生了新的學習傳遞方式。圖1顯示了技術增強的學習環(huán)境（TeL）中技術支持的范式轉變。數(shù)字學習(E-learning)擴大了教育和支持的范圍，但依賴于在線計算機，因此受到地點和時間的限制；移動學習通過打破這些限制來延伸電子學習，使學習能夠隨時隨地進行；隨著低成本嵌入式傳感器的出現(xiàn)，更重要的是，配備傳感器的智能移動設備能夠積累和分析關于學習者及其環(huán)境的信息，利用學習者的境脈信息提供自適應和個性化的學習服務已成為現(xiàn)實，學習的核心已轉為協(xié)調情境意識的“泛在學習”方法。以學生為中心的學習轉變正在激發(fā)對除了學習以外的社會學習的興趣。因此，教育工作者正在為教育目的探索社交技術（例如Web 2.0社交網(wǎng)絡服務[SNS]和移動Web 2.0）的潛力。最終的研究（例如Cochrane＆Bateman，2010）普遍顯示，這些技術支持社會建構主義。由此，一種新的學習范式——智能學習(smart education)——正在成為泛在學習和社會學習的融合概念(Adu and Poo. ,2014 )。 圖1 技術增進學習的演化：從數(shù)字學習到智能學習 從這張圖可以發(fā)現(xiàn)，短短十多年，多個“學習概念”應運而生，從數(shù)字學習到智能教育，而每種學習概念都依賴于技術，每個臺階都是后一種新技術的疊加。今天的教育技術發(fā)展是緊緊依賴于技術發(fā)展的，也就是說，教育技術的驅動在技術，不在教育。但是，技術的本質是什么？布萊恩·阿瑟給出了三個定義：1)技術是實現(xiàn)人的目的的一種手段；從這個視角看，某些技術(如煉油)的目的是明確的；某些技術(如計算機)的目的可能是模糊的、多樣的、變化的。作為一種手段，一種技術還可能是一種方法、一個過程或一種算法(如一種特殊的語音識別算法),無論它是什么，它總是一種手段，實現(xiàn)人類的目的。2)技術是實踐和元器件（components）的集成；3)技術是在某種文化中得以運用的裝置和工程實踐的集合(布萊恩·阿瑟,2014)。按照這些定義，技術總是面向具體目標的手段或裝置，因而不存在可以適用所有對象的通用技術。那么，信息技術是通用技術嗎？對于教育系統(tǒng)而言，信息技術本是外源性的，雖然具有某種適用性，但這種適用性必須嵌入具體領域才能兌現(xiàn)。正如要用面包機做中餐，就需要重新設計一樣。教育信息技術設計的前提是教育邏輯，教育邏輯的核心是對學生的學習與認知機制的理解。 而“學習環(huán)境”作為當下教育信息技術學的主要隱喻，源于傳播學模式，傳播學模式將大腦視為知識桶，學習是信息有效傳遞的過程。圖2是從傳播學視角直觀理解教育環(huán)境和教學環(huán)境的。由傳播學模式而來的在線教育本質上將內容與過程分離。 圖2 傳播學視角下的教育環(huán)境和教學環(huán)境 從社會學意義看，系統(tǒng)與環(huán)境是一對范疇，人的學習機制是個系統(tǒng)。著名的社會理論家盧曼認為，系統(tǒng)通過與環(huán)境區(qū)分而形成自己的結構(形式)，系統(tǒng)每次的自我建構都基于這種區(qū)分，它根據(jù)“意義”比較“選擇”有助于建立自身秩序的一面。系統(tǒng)通過這種方法，減少環(huán)境的不確定性對自身存在造成的壓力。通過選擇，系統(tǒng)也建立自身的復雜結構來對抗環(huán)境同化的壓力，而它的自我結構的過濾機制迭代的層次越多，它的結構就越具有特征化和抗變換性。環(huán)境外在于系統(tǒng)，系統(tǒng)與環(huán)境交互作用。這也意味著，教育技術的應用只是作為外部工具而無法納入學習系統(tǒng)本身，本質上它與歷史上的粉筆和黑板沒有太大區(qū)別。 另一方面，學習環(huán)境設計通過抽象的模塊化構造來充實的。例如，智能學習環(huán)境(Smart Learning Environment)的七個模塊是：1)學習狀態(tài)檢測模塊。通過連接到一些傳感設備來檢測學習者的真實世界狀態(tài)（如位置和學習行為）和環(huán)境（如溫度和濕度）。2)學習性能評估模塊。通過在線測試或在現(xiàn)實世界中測試來評估和記錄學習者的表現(xiàn)。3)適應性學習任務模塊。根據(jù)學員的學習進度、學習成績、個人因素以及他們在各學科的學習目標來分配學習任務。4)適應性學習內容模塊。為學習者提供學習材料，包括學習進度、學習成績、個人因素以及個人的真實情況。5)學習支持模塊。為學習者提供了基于他們學習需求的學習支持。6)保存學習者資料和檔案的數(shù)據(jù)庫，在正確的時間為學生提供適當?shù)闹С帧?)推理引擎和知識庫，用于進一步進行學習推論和支持。知識庫是教學和學習經(jīng)驗的集合，可能包含決策規(guī)則。推理引擎是一個決策計算機程序，它根據(jù)知識庫中的規(guī)則對當前的情況進行分析。(Wu,Lee, et al. ,2013)在這里，學習環(huán)境設計相當于丹麥人克里斯琴森（Ole Kirk Christiansen）發(fā)明的樂高積木，通過模塊拼接搭建了“智能”學習環(huán)境(SLE)。 根據(jù)黃等人（Huang，Yang & Zheng，2013）的分析，智能學習環(huán)境的設計和一般數(shù)字學習系統(tǒng)之間存在很大差異（見表一）。 表一 一般數(shù)字學習環(huán)境與智能學習環(huán)境比較 從表一可以知道，智能學習環(huán)境通過模塊搭建形成一種類似學習平臺的技術裝置。確實，智能學習環(huán)境正朝適應性方向發(fā)展，但是表一中的陰影部分還有一些關鍵問題沒有解決。例如，這些模塊是依據(jù)什么目標和學習機制選擇的？彼此如何形成內在關聯(lián)？這些關聯(lián)通過什么約束條件實現(xiàn)？又如，學習共同體是學習科學的核心概念，但是學習共同體的建立需要明確的約束條件，這些設計者并沒有明確提出。就表一而言，它如何既保障教學裝置又保障學習裝置呢？因此，這類看似完整需求指向的設計，有時因為缺少關鍵部件和內在關聯(lián)度而成為無法技術實現(xiàn)的抽象模式。 需進一步指出的是，最新的研究證明，根本不存在所謂的“數(shù)字原住民” (Kirschner, & Bruyckere, 2017)。相反，我們進行教學設計時，應該警惕基于不存在的“數(shù)字原住民”的教學變革；更重要的是，當數(shù)字技術可能對學習產生不利影響時，教師在設計數(shù)字工具及其可供性、物理空間、虛擬環(huán)境以及這些環(huán)境中的服務和數(shù)字信息時必須注意這一點。例如,信息技術改變了教育生態(tài),原來的“學習者+學習材料”變?yōu)榱恕皩W習者+學習材料+技術+分心”，寫作技巧和大腦已被ICT設備所取代。學生不再需要筆記，因為在線課程材料只需點擊即可下載。他們可能不再運用他們的大腦（以及認知、感知和注意）來理解教學內容。(Goundar,2014) 學習與發(fā)展是教育永恒的主題。人類之所以成為萬物之靈長，很大程度依賴于學習所獲得的演化。技術增進學習的本意是指技術擴展了對原有教育活動的理解視野，深化了關于教育過程有效性的機制分析，從而不僅改進了教育效能，更轉化了工業(yè)革命以來的教育模式。但是，現(xiàn)今的教育技術，包括每年的地平線報告，大都從兩個方面推進：一是采用信息技術單調疊加的方式發(fā)明學習概念和未經(jīng)評估的教育技術產品，后者帶來的潛在危害非常大(Hulleman et al.,2017)；二是采用嘗試—錯誤的方式開展教育試驗。這不僅帶來巨大的資源投入的浪費，更是將學習者視為技術的試驗品。究其原因，乃是工具性思維限制了我們對于教育問題本身的思考。 工具性思維的核心是工具，它關注由第三方設計的外在環(huán)境，環(huán)境依賴工具而建立，工具的基礎決定了環(huán)境的可能性，環(huán)境與系統(tǒng)相分離。進行工具應用時，設計者往往注意運用工具的具體場景。工具性思維傾向于以技術為重點，以功能為導向。研究者經(jīng)常覺得需要使用自上而下的新技術，因此更多關注的是使用技術，而不是為什么使用并如何有效地使用。教育技術開發(fā)者將信息技術視為學習工具，由于工具面向不同需求并以不同方式而生產的，因此按照彼此的功能模塊進行疊加并外在于人類學習系統(tǒng)，是學習環(huán)境的一個組成部分。在運用過程中，工具性思維強調技術要求的“標準”“效率”“績效”，以及使用相應的外設量規(guī)體系對學習行為進行評估。這個看似具體和可操作過程，卻是建立在對環(huán)境想象，而非對學習系統(tǒng)本身運行及特征挖掘的基礎上。 近來，人工智能的發(fā)展及AlphaGo Zero的崛起，為教育發(fā)展開啟了新的視角。AlphaGo Zero沒有使用人工數(shù)據(jù)或人工專長，從零開始，面對一張空白棋盤和游戲規(guī)則進行學習，通過自我學習而使自己的游戲技能得以提高，從而與通過一堆人類標注數(shù)據(jù)及模型進行模仿訓練的經(jīng)典模式漸行漸遠。這意味著它可以突破人類預設的模型和知識限制，從它認為最優(yōu)的東西中學習，甚至可能比某些人類的看法更加細致入微。由此，教育技術學的發(fā)展應該從工具性思維轉向人工智能思維。 盡管機器工業(yè)發(fā)展迅速，但智能仍然是人類和機器在執(zhí)行任務時的根本區(qū)別。2017 AlphaGo Zero的出現(xiàn)則可以視為人工智能爆發(fā)的元年。這是人類60年來對智能問題不懈探索的結果。而與AlphaGo Zero相關的機器學習（Machine Learning）則是一門專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身性能的學科。機器學習有四種通用方法：1)監(jiān)督學習(Supervised Learning)；2)無監(jiān)督學習(Unsupervised Learning)；3)半監(jiān)督學習(Semi-supervised Learning)；4)強化學習(Reinforcement Learning)。機器學習的目標是使機器能夠預測、執(zhí)行集群、提取關聯(lián)規(guī)則，或者從給定的數(shù)據(jù)集做出決策。至于深度學習本身不是一種獨立算法，而是一系列通過無監(jiān)督學習實現(xiàn)深度網(wǎng)絡(神經(jīng)網(wǎng)絡)的算法。這些網(wǎng)絡有n層深度，以至于（除了計算節(jié)點集群外）需要采用新計算方法來構建(Khan et al. ,2017)。DeepMind的深度強化學習領軍人西爾弗(David Silver)認為,強化學習+深度學習(Reinforcement Learning + Deep Learning) = 人工智能(AI)。當然，這種說法只是一個視角，盡管其非常成功。 多明戈斯(Pedro Domingo) 在《終極算法》一書中描述了五個人工智能學派,每個學派都從不同的角度看問題。1)符號學派（The Symbolists）：它使用基于規(guī)則的符號系統(tǒng)進行推理，人腦和計算機都是物理符號系統(tǒng)，認知過程就是在符號表示上的運算。解決問題的方法是使用預先存在的知識庫和推理機（Inference Engine）。大多數(shù)專家系統(tǒng)都使用符號學派的方法，以 If-Then 的方式解決問題。但是這種知識驅動的符號模型有其局限性，如很多人類行為（知識）并不能精確描述；知識庫總是有限的，它不能包含所有的信息；知識是確定的；它只能描述特定的領域；大量知識不能做到定量化（例如質量）；所以這種模型只能在宏觀層面用來模擬人類的某些行為。2)進化學派（The Evolutionists）：主要采用模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，它通過模擬自然進化過程搜索最優(yōu)解。這種方法又被稱為遺傳算法（Genetic Algorithm）。在深度學習中，遺傳算法確實有被用來替代梯度下降法，所以它不是一種孤立的方法。這個學派也研究細胞自動機（cellular automata），例如康韋(Conway)的“生命游戲”和復雜自適應系統(tǒng)（GAS）。3)貝葉斯學派（The Bayesians）：它使用概率規(guī)則及其依賴關系進行推理。概率圖模型（PGM）是其通用的方法，主要的計算機制是用于抽樣分布的蒙特卡羅方法。這種方法與符號學方法相似之處在于，可以以某種方式得到對結果的解釋；另一個優(yōu)點是存在可以在結果中表示的不確定性的量度。4)類推學派（The analogizers），它更多地關注心理學和數(shù)學最優(yōu)化，通過外推來進行相似性判斷。類推學派遵循“最近鄰”原理進行研究。各種電子商務網(wǎng)站的產品推薦是其最常見的應用。5)聯(lián)結學派（The Connectionists）：聯(lián)結學派的主要思想是通過神經(jīng)元之間的連接推導知識，這種 人工智能系統(tǒng)主要是基于數(shù)據(jù)驅動。他們聚焦于物理學和神經(jīng)科學，相信大腦的逆向工程（reverse engineering）；用反向傳播算法訓練人工神經(jīng)網(wǎng)絡以獲取結果，其最新形式是深度學習。 機器學習中，“深度學習”與教育中的“深度學習”是兩個完全不同的。機器學習的“深度學習”源于人工神經(jīng)網(wǎng)絡。其“深度”指的是神經(jīng)網(wǎng)絡中的層的數(shù)量，淺層神經(jīng)網(wǎng)絡有一個所謂的隱藏層，而深度神經(jīng)網(wǎng)絡則不止一個隱層。多個隱層讓深度神經(jīng)網(wǎng)絡能夠以分層的方式學習數(shù)據(jù)的特征，深度學習通過組合低層特征形成抽象的高層特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。因此，“深度模型”是手段，“特征學習”是目的。深度學習的特點在于：1)強調模型結構的深度，通常有5層、6層，甚至n層的隱層；2)明確突出特征學習的重要性，也就是說，通過逐層特征變換，將樣本在原空間的特征表示變換(迭代)到新的特征空間，從而使分類或預測更加容易。與人工規(guī)則構造特征的方法相比，利用大數(shù)據(jù)來學習特征，更能刻畫數(shù)據(jù)的豐富內在信息。 這個過程既不同于行為主義心理學的刺激—反應—強化模式，也有別于原來的聯(lián)結主義，AlphaGo Zero的學習方式，已有皮亞杰認知意義上的建構主義的特征。深度強化學習就是用深度學習網(wǎng)絡自動學習動態(tài)場景的特征，然后通過強化學習學習對應場景特征的決策動作序列，這是一個連續(xù)決策以達成最優(yōu)的過程。深度學習的感知能力較強，但缺乏一定的決策能力；而強化學習具有較強的決策能力，但對感知問題束手無策。因此，將兩者結合，優(yōu)勢互補，能夠為復雜狀態(tài)下的感知決策問題提供解決思路。值得指出的是，這兩種方法的平衡融合，恰是人腦動態(tài)感知決策的方式(Gazzaniga,2014)。所以人工智能與神經(jīng)科學的結合具有機理的基礎。 教育人工智能(Artificial Intelligence in Education)的研究與應用也已有三十多年，教育人工智能的核心是“使計算精確的和用清晰的形式表示曾經(jīng)是含糊不清的教育的科學目標、心理和社會知識”。換句話說，除了作為智能技術的引擎，教育人工智能也是一個有用的工具來打開有時被為學習的“黑匣子”，使我們能更深和更微觀地理解學習是如何實際發(fā)生的（例如，學習者的社會經(jīng)濟和物理環(huán)境，或技術的影響會如何影響他的學習）。 教育人工智能的核心有三個關鍵模型:教學模式、領域模型和學習者模型（見表二）。以教育人工智能系統(tǒng)為例，該系統(tǒng)旨在為學生提供適當?shù)膫€性化反饋。實現(xiàn)這一目標，教育人工智能系統(tǒng)需要了解：1) 有效的教學方法（代表教學模型）；2) 學習知識的主題（代表領域模型）；3) 學生（代表學習者模型） 表二 教育人工智能模型 表二的“生產性挫折(Productive failure,PF)”是卡普爾(Manu Kapur)提出的，強調從失敗中學習。他讓學生參與學習的設計（Kapur＆Bielaczyc，2012），其四個核心的、相互依存的機制為：1)激活和區(qū)分先前的知識；2)關注目標概念的關鍵特征；3)解釋和闡述這些特征；4)將關鍵概念特征組織和組裝到目標概念中。而設計者需要了解學生知道什么？學生的知識邊界在哪？學生不知道什么？在實施中需遵循以下原則：1)創(chuàng)建解決問題的情境，涉及處理挑戰(zhàn)但不沮喪的復雜問題，依靠先前的教學資源，并認可多種解決方案（機制1和2）；2)提供解釋和闡述的機會（機制2和3）；(3)提供機會比較和對比失敗或次優(yōu)解決方案的可供性和約束以及規(guī)范解決方案的組裝（機制3-4）。從教育人工智能模型的設計可以知道，每一種教育人工智能模型都應該吸納最新的教育學或學習科學的研究成果，亦即教育技術學首先是從教育出發(fā)思考問題。 圖3 經(jīng)典系統(tǒng)的簡化圖（基于模型的自適應指導）(Luckin et al. ,2016) 自適應教育人工智能系統(tǒng)的一個好處是他們可以在良性循環(huán)中收集海量的數(shù)據(jù)，然后可以動態(tài)地改進教學模型和學科領域模型。這個過程有助于采用新的方法提供更高效、個性化、支持情境的，同時也測試和改進我們對教和學過程的理解(Luckin et al. ,2016)。當然，教育人工智能也應該用于培養(yǎng)“21世紀能力(21st century skills)”，但是需要解決兩個問題：1) 必須制定可靠和有效的指標，這將使我們能夠跟蹤學習者在學習在本世紀所需的技能和能力的過程中的進步，這將包括難以測量的特質，如創(chuàng)造力和好奇心；2) 需要更好地了解能夠讓這些技能的發(fā)展最有效的教學方法和學習境脈(context)。 人工智能思維將智能機器體視為人類智能的延伸，是人類認知系統(tǒng)的一部分。人工智能思維的核心是認知，它關注系統(tǒng)性或關系性。人工智能思維和計算思維是相互交織和重疊的，因為具有計算能力的機器智能是實現(xiàn)智能的主要手段。計算思維通過約簡、嵌入、轉化和仿真等方法，把一個困難的問題重新闡釋成一個知道問題怎樣解決的方法；它是一種遞歸思維，又是一種并行處理；是一種多維分析推廣的類型檢查方法；是一種采用抽象和分解來控制龐雜的任務或進行巨大復雜系統(tǒng)設計的方法；是一種選擇合適的方式去陳述一個問題，或對一個問題的相關方面建模使其易于處理的思維方法；是利用啟發(fā)式推理尋求解答，也即在不確定情況下的規(guī)劃、學習和調度的思維方法(Wing J M.,2006)。然而，人工智能思維需要超越計算思維。人工智能的思維涉及系統(tǒng)、框架、技能，以及從人工智能研究和實踐中提煉出來的通用工具。與計算思維相比，人工智能思維超越了邏輯和基于算法的視角，如利用知識庫和案例庫解決問題；捕獲和理解常識；啟用語義和境脈的處理以及處理非結構化數(shù)據(jù)等，還應該涵蓋深度學習和認知計算背后的基本思想。除總體框架外，人工智能思維還應該包括人工智能通用問題解決方案的內容：一套成熟的、廣泛應用的知識表征觀念，以及相應的易用的推理引擎。對在教育人工智能的發(fā)展，我認為最重要的是系統(tǒng)性、高關聯(lián)性、深度學習化和可實現(xiàn)性。 基于人工智能思維的教育技術開發(fā)思考，已經(jīng)有簡單的嘗試。比格爾等人(Bieger et al. 2017)提出了一個“教學法五邊形”，或稱為人工教學法(Artificial Pedagogy)，通過確定教學系統(tǒng)互動中涉及的五個核心概念：學習者、任務環(huán)境、測試、訓練和教學，形成一個教學五邊形的五個點。關鍵是其每個點都依據(jù)可靠的教育學、心理學或學習理論而確定約束條件。雖然其系統(tǒng)設計描述比較簡單，卻聚焦教學本身，高關聯(lián)而減少冗余。我們可以以此進一步開發(fā)，因為學習者、任務環(huán)境、測試、訓練和教學構成一個教學系統(tǒng)，每個點有其相應的約束條件，這些約束條件可以做成隱藏層，隱藏層又可以繼續(xù)細化并進行特征挖掘，這就可以形成深度神經(jīng)網(wǎng)絡。人工教學法的特點是基于教學現(xiàn)實而從教學過程中生發(fā)的。 所以，教育技術學轉向人工智能思維意味著：“研究教育活動本身，關注人的認知特質，理解學習發(fā)生機制”，這才是新的教育智能技術開發(fā)的思維要求。 看似繁榮而迅猛發(fā)展的教育技術學其實充滿潛在的挑戰(zhàn)?！犊梢姷膶W習》總結了6個通向卓越教育的路標：1)教師是學習最大的影響因素之一；2)教師需要有指導力和影響力，并且能夠以關愛、積極和充滿熱忱的態(tài)度參與教與學過程；3)教師需要知道班級每位學生的所知所思，能夠依據(jù)對學生的了解來建構意義和豐富的經(jīng)驗；4)教師和學生需要知道他們課堂的學習目的和成功標準，知道學生對這些標準上限的了解情況，以及知道下一步去哪里。下一步的行動應當依據(jù)學生已有知識和理解與成功標準之間的差距而定；5)教師必須從單一觀念轉變?yōu)槎嘣^念，并聯(lián)系和擴展這些觀念，使學習者建構、再建構知識和觀念。關鍵的不是知識或觀念，而是學習者對這些知識和觀念的建構；6)學校領導者和教師需要在學校、辦公室和班級創(chuàng)造這樣的環(huán)境：錯誤是受歡迎的，因為它是學習的機會 (生產性挫折的意義) 。這些無疑是教育技術開發(fā)和思考的重要思想資源。 教育技術需要探索如何嵌入學習系統(tǒng)，而不是作為外在的學習環(huán)境而存在。長期以來，工具性思維使教育技術的環(huán)境設計既難反映教育過程的要求，又呈現(xiàn)出功能分隔的模塊化特征，從而只能作為外在學習環(huán)境而非嵌入式學習境脈。人工智能的發(fā)展為教育技術開發(fā)打開了新的視角，從工具性思維轉向人工智能思維是未來的方向。未來的教育技術學應該關注教育過程本身，充分吸納學習科學已有的研究成果，建構系統(tǒng)化、高關聯(lián)、能夠深度學習和可實現(xiàn)的學習系統(tǒng)，以真正改善學校的教與學。當然，真正的人工教學系統(tǒng)要求實現(xiàn)以下五個條件，即：1)推斷思維，即在缺乏知識和數(shù)據(jù)的情況下依然能完成任務；2)直覺思維，即在信息不完善（甚至缺乏信息）的情況下能夠完成任務；3)模糊判斷，即能夠處理非確定性任務；4)適應性專長，即能夠處理動態(tài)任務；5)分布式加工，即能夠處理多領域和多任務。 注釋： [1]很可惜，這個在國內廣為傳播，并被冠以“喬布斯之問”的問題，在有關敘述文章中沒有提供出處，我反復搜索各種資源，也沒有看到英文出處，所以懷疑是虛構的。 參考文獻： [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]參見佩德羅·多明戈斯(2017)：終極算法：機器學習和人工智能如何重塑世界，北京：中信出版社。(沒有具體頁碼，是綜述) [20] 約翰·哈蒂(2015)：可見的學習：最大限度地促進學習，北京：教育科學出版社：第21頁。 [21] 布萊恩·阿瑟（2014），技術的本質：技術是什么，它是如何進化的，浙江人民出版社：頁碼，第21-23頁。 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
|
|
|
