人工智能时代的智慧学习：原理、进展与趋势

来源:用户上传      作者:

　　摘要：人工智能正在引领教育信息化朝着智能化方向发展，人工智能时代的智慧学习研究是践行教育信息化2.0思想的重要体现。该文通过回顾人工智能理论与方法的历史演变，揭示了人工智能和人类学习的关系构成与运作原理，从理论和实践的角度分析了新一代人工智能引领智慧学习创新发展的最新进展，并从智慧学习环境、智慧学习实践和智慧学习目标等三个方面指出人工智能时代智慧学习未来的发展趋势，旨在丰富和发展智慧学习理论体系，推动教育信息化融合创新发展。
　　关键词：人工智能;智慧学习;机器学习;脑科学;数据驱动
　　中图分类号：G434 文献标识码：A
　　《教育信息化2.0行动计划》明確指出，“加强智慧学习的理论研究与顶层设计，推进技术开发与实践应用，提高人才培养质量”。事实上，智慧学习这一话题已经成为学界的研究热点，参与讨论的学者众多，且在智慧学习的内涵、智慧学习环境的构成要素、典型特征、系统框架与设计原则和学习分析方法与技术等方面取得了一系列成果。与此同时，人工智能（Artificial Intelligence，AI）取得了突破性进展，并成为各学科及应用领域关注的新焦点。在我国教育信息化发展的历史转折点和新的技术背景下，践行教育信息化2.0新思想，将人工智能作为推动智慧学习发展的新引擎，开展人工智能视域下的智慧学习研究，具有重要的时代意义和教育价值。由此，本文以新一轮人工智能发展浪潮为研究背景，回顾人工智能理论和方法的变迁，力图揭示人工智能和人类学习的关系构成与运作原理，追踪新一代人工智能引领智慧学习理论和实践创新发展的新进展，把握智慧学习未来发展的趋势与走向，为我国智慧学习的发展提供思考和借鉴。
　　一、人工智能和人类学习的关系构成与运作原理
　　人工智能促进人类学习的研究，可以追溯到人工智能诞生之初。早期的人工智能以逻辑推理为主要方法，基于该方法的程序化教学是人工智能促进学生学习的原始形态。而后，人工智能经历了从知识工程到机器学习和跨媒体智能的方法转向，由此引发了人工智能技术促进人类学习应用形态的变迁。在此，本文通过回顾人工智能的各个发展阶段及其促进人类学习的积极作用与时代价值，在学校教育范畴内分析人工智能和人类学习的关系构成与运作原理。
　　（一）知识工程与专家系统
　　逻辑推理是早期人工智能发展的重要基础，但其不能有效解决符号系统与实体世界对应的问题。于是，人工智能研究者提出通过建立完备的知识库与推理引擎进行问题求解的方法，即知识工程。该方法借鉴专家运用知识解决实际问题的工作原理，通过知识获取、知识表示和推理解释的过程，去解决实际问题，是一种知识引导的人工智能方法。知识是智能的前提，这一观点被普遍认可。从此，人工智能研究方法从逻辑推理模型转向知识工程模型，人工智能从理论走向初步应用。例如，Google将知识图谱用于增强搜索引擎的功能，之后大规模的知识图谱被成功地应用于互联网语义搜索之中。而教育领域中的专家系统又逐渐衍生出智能导师系统和自动化测评系统。这两种软件系统是人工智能辅助人类学习的两种主要形态。其中，智能导师系统中领域模型的知识表示与知识推理，以及静态程序测评中程序结构的语义表示，都离不开知识表示与推理的方法和技术。
　　可以说，计算机辅助教学在很大程度上主要通过知识引导的人工智能方法而实现。该方法运用规则去解释做出决策的理由，是一种可解释的人工智能方法，可用于辅助学习者知识的构建，主动引导其知识体系的形成。但该方法面临的一个最大难题便是如何获取到知识，因为研究者尚未能充分解释专家知识是如何形成的。在这种情况下，人工智能便如同无源之水、无本之木。研究者试图寻找突破该瓶颈的新方法，即如何让知识能够自我生长，建立联系并生成新的知识体系，最终形成知识闭环，构建动态的知识生态系统。随着技术对学习方式的不断变革，以往线性的、离散的、非结构化的知识体系逐渐无法满足学习者的需要，研究者迫切需要找到新的知识发现、获取、表示与推理方法。
　　（二）机器学习与教学智能体
　　为了破解知识获取这一难题，人工智能中产生了一个重要的分支——机器学习。机器学习是一种基于概率统计理论的方法，主要研究智能数据分析的理论和算法。它通过智能数据分析和推理，能够自动从数据中发现隐藏模式，形成新知识，并利用经验改善系统自身的性能。受人脑生理结构的启发，机器学习中的深度神经网络模型与算法通过增加神经网络模型的深度，即网络的层次数，显著地提升了算法模型的学习能力和性能表现，这种算法也被称为深度学习。其本质体现在新知识的发现及其在解决原有难题中的应用。如今，得益于海量数据的支持，深度学习算法在图像与语音识别领域的应用效果已经达到甚至超越了人类水平，自动驾驶、智能助理、机器人等应用已逐渐成熟。借助于机器学习能够从教育大数据中自动学习和发现知识，新的教育智能体应运而生。如学习者建模、学习行为预测、学业预警、学习测评和学习资源推荐等学习技术和应用系统的智能化水平不断提升，在实用效果方面已远远超越了早期的计算机辅助教学系统。
　　诚然，深度学习算法在计算机视觉等领域的优异表现使其一时间成为学界研究的热点，并被广泛应用。然而，这并不意味着它所代表的机器学习就是人工智能的未来。从本质上讲，机器学习的核心形态就是数据和算法，这就决定了机器学习存在以下局限性：（1）对大量数据样本的依赖性;（2）较难适应问题环境的变化;（3）“黑箱模型”难以解释，导致其难以在高风险应用领域中突围。在教育和学习实践中，学习者是一个个主观能动性较强的个体，且学习环境日趋开放化，无论是学习者个体还是学习环境中都存在很多不确定性因素，甚至我们对于学习者个体的认知过程与原理还都是未知的，如果无法获取学习者学习过程中的重要特征信息，或者机器学习所需的数据样本信息不充分，那么机器学习在促进学习者学习方面也将无能为力。另外，其不可解释性也是其尚未有效成为人类学习支持技术的原因之一。因此，在后深度学习时代，实现机器学习与知识工程的融合，通过数据驱动和知识引导相结合的方法提升机器学习的性能、模型效果和可解释性，是化解这种矛盾的有效路径。 　　（三）跨媒体智能与智慧学习
　　正如米歇尔·麦克卢汉所说，“对人而言，知识和探求知识的过程同等重要。”然而在后深度学习时代，由于机器学习的局限性，新知识的发现和获取并非易事。值得注意的是，由潘云鹤院士提出的跨媒体智能为知识发现提供了新视角和新思路。其基本思想是收集并使用多模态数据实现对世界的感知、理解和推理，其突出特征是能够跨越和消除语义鸿沟和异构鸿沟，因此也被称为“数据融合与推理”。对人类学习者而言，学习是一项极为复杂的脑力活动，且其影响因素较多，比如学习环境和学习媒介、学习经验和学习策略，甚至是大脑活动规律与心智模式，都有可能影响到学习效果。智慧学习作为人工智能教育应用的创新范式，在跨媒体智能思想的引领下，可以从不同的信息源收集多种类型的数据，例如环境数据、个体认知数据、生命体征数据、行为数据、脑神经活动数据，进行多维度的学习分析和跨媒体的泛化推理，揭示学习过程中的心理活动、认知机制、行为模式等规律，并对学习障碍及其原因进行深度分析，做出合理决策，提出科学建议。如此，可以实现智能时代的智慧学习。
　　从上述分析可以看到，从符号主义到联结主义，从机器学习到跨媒体推理，人工智能发展史上的每一次浪潮都是人工智能向类脑智能的更加接近，都是对智能本质的深度挖掘与探索，研究者试图从人类学习的脑认知机制、神经机制和行为机制等问题着手并寻求答案。由此，人工智能与人类学习的主要关系可以概括为两方面：（1）人工智能拓展人类学习研究的科学范畴。人工智能是关于知识表示、获取、推理与应用的学科，从根本上来说，机器智能要实现类脑智能，其前提是弄清楚人类是如何发现和习得新知识。在这种力量的驱动下，当前研究呈现出跨学科、多尺度、广视角、融合发展的趋势;（2）人类学习相关研究加速推动人工智能的发展与应用。脑与认知科学、神经科学和信息科学等学科借助于多种研究方法、手段和视角，正努力從微观、中观和宏观等多个尺度，揭示分子、细胞、个体、群体等不同层面人类学习的深层机制。表现尤为突出的是，脑科学研究逐渐引领智能科学的发展，人类学习实践为人工智能的创新应用提供了重大机遇。
　　二、新一代人工智能引领智慧学习创新发展
　　在新一轮人工智能浪潮的推动下，脑科学蓬勃发展。脑科学和人工智能已成为变革人类学习的重要力量，它们为人类学习提供智能化的技术支持、科学化的理论依据和创新性的方法理念，这些恰与智慧学习时代发展需求相契合。新一代人工智能正在引领智慧学习创新发展，推动智慧学习理论的不断完善及其实践范式的转型。
　　（一）基于脑科学的智慧学习理论研究
　　如前所述，人工智能大规模爆发式增长的应用需求驱动人工智能相关研究者将研究视线与焦点转移至脑科学与类脑科学研究，人们试图从人类大脑学习的过程中弄清楚智能的深刻本质和学习的内在机制。人工智能技术在促进人类学习领域中的迅速应用及两者进一步融合发展的实践，逐渐暴露出技术丰富条件下人们对脑认知的深度匮乏这一严重问题。在此情形下，脑科学、认知与学习科学研究的新成果在未来学习、未来教育变革中的作用被高度重视。以脑认知与智能的本质与规律为研究目标，阐释大脑的结构与功能，揭示大脑认知的神经机制与基础，破译大脑的信息处理与计算方法，构建脑认知与计算模型，实现类脑信息处理等一系列重大课题迅速引起学界的空前关注与聚焦，脑科学已成为当前最重要的前沿科学研究领域，脑与学习研究呈现出多学科交叉发展的新趋势。与此同时，欧美发达国家等多国政府已经察觉到脑科学与类脑科学研究的战略意义，纷纷启动并部署脑科学研究计划，我国也布局了“脑科学与类脑科学研究”重要科学项目，即“中国脑计划”，旨在占领这一科技制高点。
　　在脑科学研究领域中，学习属于人脑的高级认知功能，聚焦“脑与学习”这一研究主题，目前相关研究及其进展集中体现在以下三个层面：（1）学习的神经基础。对于人类而言，大脑是学习的物质基础，学习即是对大脑的改造活动，探索脑的结构与功能及其发育规律是实现脑科学促进人类学习的重要基础。人脑图谱描绘了人脑结构与功能之间的对应关系。脑科学技术手段的不断提升为探索脑结构与功能、揭示人类学习的神经基础提供了新工具与方法。（2）学习与脑的可塑性机制。脑与学习之间动态交互、关系复杂，学习对于大脑具有极强的可塑性。已有研究表明，人类学习活动可以塑造大脑。由此可以预见不同的学习环境、学习方式、学习内容都将影响脑的活动与发育，大脑神经系统活动的学习效应不容忽视，而基于脑发育和活动规律的学习资源开发和学习活动设计、基于脑认知功能的认知障碍诊断与学习评测方法，以及安全有效的神经调节技术，在教育尤其是儿童早期发育关键阶段中的意义重大而深远。（3）类脑计算与智慧学习。受人脑神经机制与认知行为机制的启发，构建认知脑计算模型，模拟人脑信息处理机制，从本质上变革现有计算体系与系统，发展类脑智能已成为人工智能领域的研究热点，而智慧学习是人工智能朝着类脑智能迈进过程中在教与学领域中的代表性应用。一方面，在类脑模型与类脑信息处理方面，从符号主义到联结主义乃至人工神经网络，人工智能发展史上的每一次飞跃都是类脑思想的深刻体现。例如，功能性脑图谱的绘制推动了神经网络计算理论的发展，以深度学习为代表的学习技术极大地提升了机器学习在知识获取、融合和推理方面的性能，未来的认知神经网络和复杂神经网络将有望实现更高层次的类脑智能。另一方面，脑科学与类脑计算的多尺度研究成果已初步在学习领域实现不同层次的应用。如关于记忆存储与移植方面的最新研究有可能颠覆记忆与学习领域的传统观点，基于师生脑同步的课堂教学设计理念的提出等，推动了“AI+脑科学”驱动的智慧学习活动设计、学习材料开发、学习效果评价等理论的发展。
　　人工智能的新发展是人类认识外界与自身的新动力，也是一种新挑战，这种挑战向人类提出的新课题正推动智慧学习理论研究的深入发展。在其推动下，智慧学习已经开始从关注外部技术环境转到关注“学习”本身，尤其是人类学习的脑机制。脑科学和人工智能已经成为智慧学习理论研究和实践发展的核心引擎。脑科学不仅是推动人工智能实现类脑智能的根本出路，也是丰富发展智慧学习理论体系的迫切需要。从脑科学的视角来看，学习的过程即是多个脑区和神经网络协同活动的过程，神经活动一致性决定着学习的有效性，影响到个体知识建构和知识获取过程中的行为及其效能。因此，智慧学习也应该是“基于脑、适于脑、促进脑”的学习。脑科学所取得的一系列研究成果拓展了智慧学习的理论基础。基于脑科学的智慧学习理论从客观、科学的角度向我们表明：学习者具有不同的脑物质基础和神经基础，智慧学习应遵循脑的发育规律，借鉴脑图谱所揭示的认知特性，尊重学习者的认知特征及其发展规律，积极适应、恰当调节、充分发展脑的认知功能，运用技术调整完善脑活动模式，才能展开能动有效的学习活动。 　　（二）数据驱动的智慧学习实践范式
　　正如人类通过经验知识提升自己的认知与学习能力，机器学习也是利用经验来改善系统自身的性能。而在机器学习的过程中，数据无疑是获取信息的重要原料，对信息的深度加工、分析和总结，才能形成知识，产生智能。数据科学在科学研究领域扮演着越来越重要的角色。以海量数据为原材料，深度神经网络等新兴技术开辟了知识发现与计算的新路径。从早期假设演绎的理性主义方法和归纳的经验主义方法，到后来的逻辑实证主义，以及今天数据驱动的研究方法，科学研究方法的演变顺应了从信息时代到智能時代的发展趋势。数据呈指数级增长，数据科学迅速发展，数据驱动的方法不仅催生理论、方法和技术的创新，而且开始作用于实践领域。在信息科学研究领域，概率统计方法给人工智能带来革命性的发展。随之，人工智能技术开始快速应用并变革我们的学习、工作和生活。在人工智能最新的知识发现方法与技术的作用下，智慧学习应用实践逐渐实现价值落地，数据驱动的智慧学习已经成为新的实践范式。
　　以数据为基础，学习科学研究的数据方法成为大数据和智能时代的新方法，极大地推动了智慧学习实践。以大数据为基础的行为分析可以通过个体的外显行为深度洞察其内心世界，探索外部世界的未知领域，了解学习者的内心活动与情感状态，在此基础上通过情感、意志等动力因素的积极调节，可以有效促进个体认知系统的发展。例如，德国联邦教育与研究部的基于传感器的自适应学习分析项目，旨在利用数据驱动的学习分析方法智能感知物理空间信息，推测学习者学习状态，推动学习服务的深刻变革;而在国内，杨现民等提出的数据驱动教学新范式，为我国教育信息化教育教学提供了发展思路。在人工智能的影响下，数据驱动的智慧学习实践范式将释放学习大数据的潜力与活力，推动智慧学习价值落地，是有其理论依据的，具体表现如下：（1）智慧学习环境与学习行为大数据富含大量的时空特征信息，为进一步揭示学习者的心智模式、认知规律、行为特征、兴趣偏好等个性信息，并挖掘其活动场景和位置等属性信息提供了可能;（2）沿循“行为-数据-信息-知识-智慧”这一连续体，深度学习等算法模型借助其日益增强的学习能力，从广度和深度上拓展智慧学习分析方法和技术，推动形成完善的学习分析理论体系。以认识论为基础，人工智能等新技术为人类行为、数据表征、信息存储、知识创新与终极智慧之间建立了重要关联，形成了这样一个连续统一体，实现了技术与教育的融合发展;（3）类脑芯片与计算平台飞速发展，神经网络芯片在类脑机制和高性能计算方面不断突破，深度学习芯片有望在未来融入更多的脑信息处理机制，以不断提升性能并降低能耗，为数据驱动的智慧学习实践奠定了软硬件基础;（4）经典计算向量子计算的发展决定了未来的机器学习应该是能够有效利用计算设备和海量数据。数据融合推动了技术融合和服务融合，在此发展趋势下，智慧学习将实现与经济社会的融合创新发展。
　　三、人工智能时代智慧学习未来的发展趋势
　　“融合创新，智能引领”是教育信息化2.0的时代特征。作为人工智能在学习领域中的典型应用形态，智慧学习迎来了新的发展机遇。然而，人工智能与人类学习之间的关系错综复杂，后机器学习时代人工智能变革人类学习的不确定性愈加凸显，智慧学习未来发展面临新的挑战。
　　（一）智慧学习环境：技术特性与文化特性的统一构建
　　智能技术正在飞速发展并重塑我们的学习环境，智慧学习环境逐渐显示出其新的技术特性。人工智能建立了学习者与技术环境之间新的相互作用关系，但随之而来的，还包括这种复杂关系所带来的问题与挑战。就课堂环境而言，人工智能已经开始通过多种方式、多种渠道作用于课堂，并引起智慧学习课堂环境的悄然变革。毫无疑问，神经科学、人工智能及其与人类自身的结合才是此次人工智能浪潮中真正激动人心的内容。脑机接口（Braincomputer Interface，BCI）是其中的代表性技术，它能够解码人的心理活动并直接作用于由认知、情感和意志决策之下的大脑机制。例如，使用脑电图记录神经信号并构建相应的分类和预测模型，将学习者的认知负载水平保持在最佳范围内，该研究已成功地应用于算术练习的课堂教学之中;BrainCo基于脑机接口技术的Focus EDU脑电波检测头环，教师可以实时获取学生的课堂专注度和参与度情况，提高了课堂教学效果。此外，智慧学习环境的另一显著变化则是它包含了越来越多的真实元素，并逐渐开放于真实的问题解决情境。学校教育体系在保持其自身结构的同时，学习已经开始延伸并扩展到了课堂之外的非正式工作场所。在此情形下，智慧学习环境逐渐融合到社会环境之中，并受到特定文化规范的制约。从文化视角分析，学习存在一定的社会机制，人工智能技术支持下的智慧学习须要客观全面甚至前瞻性地考虑到技术所带来的各种可能性影响，尤其是要对技术的负面效应进行人本考察。正如人工智能的发展必须遵循阿西洛马人工智能原则这一人类共同约定一样，在面对脑机接口等技术所引起的人们对自己身份、能动性和隐私等方面的怀疑和顾虑时，神经科学和人工智能需要考虑的首要伦理问题及建议已经被提出，包括隐私和知情同意、能动性和身份、人类增强、偏见。为防止数据被滥用，权利遭到威胁，身份感和能动性被严重扰乱，不平等被加剧等社会问题，人工智能时代的道德标准、价值观念及伦理教育极为重要。
　　（二）智慧学习实践：真实性、复杂性与挑战性并存
　　事实上，人工智能的发展在学习和教育领域不断地掀起研究热潮，教育研究的自然科学基础越来越被重视，脑科学的突破性进展将为智慧学习和教育创新提供新的科学依据，前景令人期待。当人工智能技术无缝集成和融合于智慧学习环境中，智慧学习所产生的变化就不再局限于技术所带来的种种智能化、自动化与协同化特性，其更大价值则在于智能技术所激发出来的人们对知识的内在渴望，对未知世界的好奇，对知识体系、概念框架与结构秩序的探寻与重构，个性的充分释放与人格的全面发展，甚至是建立新的价值观，这些都赋予学习新的意义。然而，人工智能时代智慧学习实践是一个真实性、复杂性与挑战性并存的矛盾统一体。智慧学习环境及其技术特性所决定，智慧学习活动将日趋接近现实生活中的真实情境与复杂问题。简言之，学习场景趋向真实，且高度复杂。具体而言，智慧学习对象将逐步转向真实问题，学习方式越来越多地走向体验式学习、真实情境的学习和协作学习等，其结果是导致学习实践复杂性的增加：任务的复杂性，如从常规计算到基于问题的学习;学习目标的复杂性，如从简单的记忆到信息搜寻和综合应用;所需能力的复杂性，如从口头读写能力到技术和信息等媒介素养;以及课堂交互和协调的复杂性，如从支持个体到支持团队的交互等。智慧学习环境的延伸，也意味着未来的智慧学习实践将是课堂活动、教学活动、实践活动和课外活动的全面融合，随时随地学习和终身学习将成为时代特征和发展趋势。面对上述种种挑战，智慧学习实践研究必须要思考这样的问题：如何通过技术协助教师支持学生成为更好的学习者，同时使用技术等多种手段将上述挑战转化为机遇。 　　（三）智慧学习目标：知识观与价值观的重塑
　　回顾人工智能在教育中的应用与发展，从早期的知识推理机、程序化教学和专家系统，到今天的教育机器人、智能导师系统，以及机器学习在成绩预测等方面的应用，人工智能将计算机强大的存储和计算优势展现得淋漓尽致，并不断地通过机器学习提升自己的逻辑推理能力。以计算机软硬件为表现形式的教育智能体不断拓展并延伸人类学习的广度和深度。其典型特征表现为：教育智能体能够比学习者自身能更敏锐地、更精确地感知和理解自己的认知风格、知识水平和情感状态等特征与规律;教育智能体能够比教师更准确地记录学习者的成长历程，能够比教师更客观、更符合脑智规律地进行学习指导;教育智能体能够洞察学习者更广阔的外部世界和内心世界，提供更开放的学习空间、思考空间和成长空间。可以说，人工智能正在从技术层面重塑我们的学习形态，并逐渐渗透和作用于我们的文化，加速现代文明的进步。与此同时，人工智能视域下“人”与“知识”的关系模式正在被重新定位.传统的知识观正在被颠覆，新的价值理念被孕育并引领个体的发展。具体而言，智慧学习的目标已经开始从培养具备严格知识体系的社会劳动力，转向支持并促进学生成为适应性人才和终身学习者。智慧学习新的技术特征与文化内涵，将使其承载起传播与构筑智能时代知识观与价值观的重任。
　　四、结语
　　学习是人类终身的主题，智慧学习是一个融合了多种理论、方法、技术和活动的复杂系统。在教育信息化2.0时代开展对智慧学习的深入研究，有助于厘清技术与学习的深刻关系与内在逻辑，把握人工智能浪潮下智慧学习的发展趋势，并认识到智慧学习所面临的挑战，从而推动人工智能与智慧学习的深度融合和积极发展。虽然机器学习已经在学习者建模、学习行为预测等方面得以应用，但人工智能技术尚未普惠人类学习。人工智能从狭义的、特定領域应用走向广义通用范围的应用，即实现从弱人工智能到强人工智能，再到通用人工智能，尚需时日。同时，技术可以成为人类学习过程中的强劲动力，但也可以成为其负担和阻力。人工智能促进智慧学习的良性发展需要基于对脑智规律的科学认识、理解尊重与合理应用，同时学习者要在智慧学习的过程中树立新的知识观和价值观，践行新思想，拥抱新时代。
　　作者简介：
　　粱迎丽：讲师，博士，研究方向为人工智能教育应用、智慧学习（lyl@njupt.edu.cn）。
　　梁英豪：讲师，在读博士，研究方向为教育心理学（enherolong@sina.com）.
转载注明来源:https://www.xzbu.com/1/view-14747488.htm