教育数字化转型的系统思考与攻坚战

谢阳斌

教育数字化转型的系统思考与攻坚战

谢阳斌

（之江实验室 智能教育研究中心，浙江杭州 311121）

桑：伴随着我国教育信息化发展的进程，我们学术团队立足于课堂学习方式创新和人才培养模式变革，在理论与实践的结合中艰难探索20多年了。谢阳斌博士（简称“谢”）从本科到硕士、博士、博士后，是我们南京大学创业团队的亲历者，毕业后在中国海洋大学教育技术学专业和全校学习指导中心继续从事学习科学与课程教学创新研究，最近又调入浙江之江实验室专门从事智能教育研究与实践。学生、教师、研究者三种不同角色都是在信息化新时空中亲身体验过来的，请他介绍对教育数字化转型的独特思考和感悟。

谢：我有幸从本科开始就加入了南京大学探索课堂学习方式变革的创新团队，近20年来经历了信息化、智能化、数字化发展的不同阶段，领略了一次又一次教育创新“热点”像“过山车”般的跌宕起伏。人工智能理论中有一个重要课题是研究“专家与新手的区别”，我们学术团队中既有不同经历、水平的专家，又有不同层次、类型的学生、新手，这为我提供了难得的学习和探究环境、资源，积累了从新手向专家攀升的经验教训、方法策略。下面很多思考大多得益于导师的言传身教与团队共识。

一 反思中的系统思考

我国教育信息化已走过了20多年的历程，在信息化基础设施建设、资源建设和人才培养等方面都取得了显著成效。但在学校课堂教学第一线学习方式的变革方面效果却并不明显，这里的原因是需要深刻反思的。教育信息化是一项极其复杂的教育创新系统工程，要整体设计、分步实施、上下联动，这些我们都有明确的部署和力度较大的推动，但为什么到教学过程中就推不动了呢？教师满堂灌、学生死记硬背应付考试的教学模式为什么始终还是现实课堂中的常态呢？从我们团队在教学第一线的切身感受来说，至少有以下几个“痛点”：

首先是缺少与教育信息化目标和价值导向相适应的评价和平台。学生评价、课程教学评价、教师评价、学科专业评价、学校评价……环环相扣，改革评价体系必须整体联动，这显然需要理论、实践、政策协调一致，宏观、中观、微观政策体制机制协同创新，任何一个环节的缺失都会使改革发展却步。比如前几年大力推动了“三通两平台”建设，且不说管理平台和资源平台的设计思路和智能化程度如何，这两个平台功能的有效发挥，最终都必须都要落实到以学习者为中心的智能化学习平台上，但至今我们学校所使用的基本都还是以教师讲授灌输为中心的课程教学平台，这种平台支持的只能是传统评价模式，使改革的阻力有增无减……

另一个“痛点”是智能学习终端设计和使用的方向和价值导向混乱，学习终端发展很快，电脑、手机、平板、电子白板、电子书包五花八门，智能化水平越来越高，但学生使用后所产生的正反两方面效果却让教师、家长、社会产生了极大困惑，问题究竟出在哪里？如何破解？当前一个更严峻、紧迫的难题是，在后疫情时代如何协调疫情防控与学校正常教学活动？如何保证线上教学质量？如何在数字化转型和智能化攀升中减轻师生负担，实实在在地提高教学质量和效率？

所有这些痛点和难点是现实教育面临的严峻挑战，也是教育数字化转型必须破解的难题、发展的机遇。

二 转型中的重点突破

数字化生存新时空为这些难题的解决提供了新的可能性。当前迫切需要在智能技术和教育创新的内在结合上选择突破口。其研究思路和方法论必须是问题导向、从教育信息化的目标着眼、从当前教育的痛点出发选择技术，在数字化转型中重点突破。

教育信息化追求的根本目标是要走出工业文明“三中心”的教学模式，实现因材施教，但以教师讲授为主的班级授课制只能照顾到大多数学生，两头的学生必然吃不饱或跟不上，这是其厌学、低效的根本原因。有经验的优秀教师善于抓住教学的重难点，采取适当的方法进行分层教学、分类指导。但一个教师要面对众多学生，具体实施难度很大。课程教学的数字化转型展现了破解这一难题的希望，但需要在三条战线组织教育和人工智能专家协同创新、重点突破：

第一条战线是主攻课程教材的数字化转型，这是教学内容和资源建设的重大课题，技术支撑主要是人工智能中的知识图谱[1]；

第二条战线是对学生学习难点分类研究的数字化转型，这是实现分层教学、因材施教的前提和依据，技术支撑主要是人工智能中的学习者画像[2]；

第三条战线是在前两条战线的基础上创建人机结合的智能化、自适应学习系统，实现教学和评价体系的数字化转型，技术支撑主要是整合各类人机交互技术基础上的增强智能、深度学习、教师画像。

目前，围绕这三条战线，已积累了大量典型经验和成功个案，但缺乏智能化评价筛选和集成创新、快速迭代、推广应用的平台、技术、人才培养、体制机制。

桑：知识图谱、学生画像、教师画像是人工智能中比较成熟的三种技术，三者之间有密切联系，近两年在教育智能化领域也被炒得火热，但真正成功、成熟的案例却为数不多，一个重要原因正是缺少技术与教育之间的对话、沟通、融合。这里有大量深入细致的工作要做：首先是要采集大量有效数据，并对数据进行科学精准分类。以学科知识图谱为例，应先在学科概念的层次上梳理概念之间的复杂网络关系，以学科知识为核心，建立各个知识点概念的层级关系，大知识点包含多个小知识点,小知识点下面还有更细的知识点，知识点之间的层级关系、关联关系、前后序关系，构成学科知识图谱，由此把握知识之间复杂的相关性，这即使对于专业化的课程专家来说也是一件难事，因为现行的纸介媒体教材都是线性的知识结构，跨越章节之间不同概念、知识之间的联系在教材上显现不出来，也很少有人去关注，对于一线教师来说把握这种非线性联系就更困难了，但按照知识图谱技术的要求整体建模，则必须把不同章节知识分解、细化到概念层次，并将众多概念之间复杂的非线性关系以直观的图像形式（概念图）梳理、展示出来，在此基础上才可能按知识图谱的要求建模；接下来要综合利用人工智能中的知识推理、知识挖掘等技术，对所构建的知识图谱模型进行质量评估与补全，然后再根据不同专业知识的需求设计不同的应用场景，进入智能化深度学习，在这样的超循环快速迭代中，使知识图谱在人机结合的应用过程中不断完善。学习者画像是在知识图谱基础上的深化，知识图谱刻画的是静态的知识结构，尤其对理工科来说都是逻辑性很强的结构化显性知识体系；而学习者画像（“打标签”）是刻画学习者动态的知识学习过程，利用知识测评系统来精准了解学习者在该学科知识结构上的具体掌握情况，发现学习中薄弱点，给出针对性的解决方案，并为学习者推荐相关内容及学习策略、学习路径规划，指导学习者开展自适应学习，消灭知识盲区和认知误区、提升学习能力。对学习者的学习过程进行多维度分析挖掘，不限于测试成绩、学习记录等行为轨迹中挖掘其薄弱知识这些显性特征，同样可以挖掘一些深层次的学习速度、学习偏好、认知水平等隐性特征，学习者画像是对人的行为画像，其中包含大量情感、态度、价值观等隐性知识，复杂性和难度要大得多。再进一步深入到对教师行为的画像就更加复杂，因为优秀教师的行为已经超越了严格规范的科学的疆界，深入到出神入化的教学艺术境界，这既是教育研究的千古之谜和永恒难题，也是人工智能虽奋力攻关但至今仍难以征服的高科技前沿……要能够有效从事这样的创造性工作，一定要有两个乃至众多领域专家团队之间的默契配合，并在大量经验教训的积累中逐渐成熟起来。我们团队在“学习科学与技术”课程研发和教学创新实践中精耕细作20多年，2004年出版的教材就对每个章节和全书的知识结构作了思维导图，2017年再版的教材在目录上专门设计了多种学习路径，电子版教材还可以进入快速迭代的超循环更新，但与人工智能的结合仍然步履艰难。这里需要特别强调，大量的数据采集不是一次性的，而是一项广泛持久、不断深化提高的常态化工作，而且要有越来越智能化的平台和数据库支撑，还要有稳定的应用场景、试验基地和人才、资金、政策、体制机制的支持。

谢：具备这样条件的教育智能化创新团队是非常少有而可贵的。我曾就此问题专门对上海市宝山区教育局张治局长进行了深度访谈，他详细介绍了在担任上海电教馆长时主持的国家项目“基于数字画像的综合素质评价”[3]，在项目进展过程中，他们开发了大规模在线开放应用学习系统MOORS（Massive Open Online Research System）平台，目前上海每天大概有5万多名学生在上面做课题，高峰时全国每天约有28万名学生在线做课题，学生在专家系统引导下进行探索性学习，实现了对研究的过程性导航和智能支持，平台上采集了大量学生课题研究的行为数据，对数据清洗之后进行建模分析，在此基础上刻画出学生的批判性思维、团队合作、创造力等，这是人工智能技术中学习者画像的探索性应用。该项目曾获得国家教育成果一等奖[4]，但张治局长在反思中深刻揭示了他们所遇到的三大瓶颈：数据采集中的选择瓶颈、伦理瓶颈、建模瓶颈，这是在教育人工智能领域里深耕细作、有真才实学和真知灼见的专家型领导才能想得到、提得出的真问题、关键难题。

[1]王昊奋,漆桂林,陈华钧,等.知识图谱:方法、实践与应用[M].北京:电子工业出版社,2019:4-6.

[2]胡艺龄.学习者画像[M].北京:教育科学出版社,2022:7-18.

[3]张治.MOORS助力研究型课程实施[J].未来教育家,2019,(7):18-20.

[4]中国教育报道.教学成果奖|MOORS平台成上海学生研究型课程好帮手[OL].

谢阳斌，副教授，博士，研究方向为学习科学与智能教育，邮箱为xybpure@126.com。

2022年11月28日