人工智能时代机器辅助教学：能力向度及发展进路

刘 智 孔 玺 王 泰 刘三女牙 粟 柱

(华中师范大学 教育大数据应用技术国家工程实验室，湖北武汉 430079)

一、引 言

以数字化、网络化、智能化为特征的第四次工业革命正以蓬勃之势在全球各个领域掀起技术革新浪潮(辜胜阻，2020)。在这场革新中，人工智能将引发教育教学过程的结构重组与流程再造，并加速整个教育系统从信息化向智能化演进。《新一代人工智能发展规划》将人工智能技术上升为国家战略(国务院，2017)，《教育信息化2.0行动计划》更是强调人工智能要融于教育全过程，推动改进教学、提升绩效(教育部，2018)。纵观教育发展进程，机器辅助教学的进步一直与人工智能演进的三次浪潮同频共振，其能力向度也得到了有效拓展，实现由单一性、低智能向跨领域、高智能的转变。机器辅助教学以帮助教师高效教学与学习者有效学习为目标，试图优化教学过程，推动教育公平与学习者全面发展，研究内容集中于利用机器助教与智能导师降低教学成本，实现个性化、适应性智能导学等。作为人工智能时代发展的三要素，数据、算法与计算能力的结合使教学机器逐渐具备较强的智能化特征，使其在资源推送、路径规划乃至适应性反馈和干预等复杂教学服务上能更顺应学生个性化需求和认知规律。智能化教学机器甚至可使用各种教学行为数据开展自适应学习、更新与进化，同时能依据教学目标、教学场景、交互对象等约束条件实现适配能力的优化和增强。

随着机器辅助教学服务范围的拓展与质量的提高，如何评测机器辅助教学的能力成为充满挑战且不可回避的问题，其评测方式也亟待从专家评价、量化评测等传统方法，向全面、动态、立体的模式转变。科技部(2020)发布的《2030“新一代人工智能”重大项目2020年度项目申报指南》，就将“建立支撑群体化课程学习和在线实践的智能平台和评测方法”规划为重点支持方向，凸显了以智能教学平台为主要形式的机器辅助教学研究及其评测的重要性。基于人工智能的机器辅助教学系统正大量涌现，我们在惊叹技术进展快速的同时，也需要思考如何划分机器辅助教学的能力等级并进行分级分类评测，以根据智能等级匹配教学场景、教学活动与目标，监测教学效果乃至规范智能教育行业治理。现有智能机器已实现资源推送、路径规划等服务，但有关教学机器个性化教学成效的评估依然是难点。这就需要对机器辅助教学的实施效果开展动态、全面且有效的监测，以保证个性化学习活动的精准化定制与高质量开展。我国教育评价改革与创新面临学习环境复杂、资源分布不均、学习用户规模大、学习服务多样等挑战，人工智能时代机器辅助教学作为有效提升规模化教学质量和个性化学习效果的重要方式，其能力向度应涵盖教学机器所提供服务的各种维度与层级，同时也应为教育综合评价体系的建立和完善提供重要依据。但当前无论是学术领域还是工业界，均未对机器辅助教学的能力向度展开研究，数据驱动的个性化教育和精准化教学的实现有赖于对机器辅助教学能力向度进行深度洞察与系统设计。本研究在深入了解机器辅助教学发展历程与内涵的基础上，对人工智能时代机器辅助教学能力向度展开研究，以全新的视角全面认知机器辅助教学的客观概况与结构，探讨机器辅助教学能力向度的内在逻辑与模型构建范式，以期为能力评测标准的制定提供理论参照。

二、基本认识

(一)机器辅助教学的发展历程

“机器”一般指由各种零件组成、用以完成既定任务或产生有用功的装置(《当代汉语词典》编委会，2001)。教育工作者使用机器辅助教学的探索从未停止。机器辅助教学最早可追溯到20世纪20年代美国心理学家普莱西(Pressey，1927)设计的第一台教学机器，学生通过操作机器选择答案，机器根据学生回答正确与否，决定是否进入下一问题和统计错误次数。1958年，哈佛大学教授斯金纳(Skinner，1958)提出通过程序教学和教学机器变革传统教学模式。这一倡议掀起了美国中小学教学改革的热潮，其理论成果被应用于军事训练并取得了良好效果。20世纪60年代，计算机支持的教学机器可实现多媒体通信、终端内容呈现和教师课堂讲授的有机结合，不仅能提供系统的课程学习内容及相应的练习和测试题目，还能为学习者提供个别指导、对话咨询等支持(张剑平等，2008)。得益于计算机性能和算法的发展，计算机辅助教学逐步脱离强调知识呈现和内容传递，开始向模拟人类教师和增强课堂交互体验等更智能的方向发展(刘清堂，毛刚等，2016)。20世纪80年代初期出现的智能导师系统利用计算机模仿人类教师，实现了记录学习过程、制定个性方案、提供问题求解和即时反馈等功能。90年代后，在计算机网络、多媒体和人工智能技术的支持下，生成式教学内容、动态教学策略、智能化教学环境成为机器辅助教学的主要特征(刘清堂等，2016)。进入21世纪以来，基于互联网、大数据和新一代人工智能技术的机器辅助教学具备更强大的类脑智能，在情境理解、智能导学、群体组织和成效评测等方面具有以往机器难以实现的功能。该阶段的教学机器能够理解学生的行为、意图、表情和认知状态，并像人类教师一样帮助学生规划学习路径、推荐学习资源和提供必要的情感交互。

回顾机器辅助教学发展历程可知，教学机器本质上是被用来解放教师时间、提高教学效率、促进学生学习的方法和工具。技术变革促进了机器模拟人类感觉、记忆、推理等能力的提升，强大的智能机器将协助教师开展各种教学活动。

(二)人工智能时代机器辅助教学的内涵

人工智能时代机器辅助教学的重点在于依托教育大数据、学习分析、人机交互以及人工智能等技术，开展有利于教师提高教育质量的活动与实践。技术不断演进也推动着机器辅助教学内涵的丰富。

1.助力机器智能与人类智慧的共同提升

人工智能时代机器辅助教学的关键在于技术层面建构更加人性化、灵活高效且具有持续进化能力的机器智能，并通过机器智能赋能教师和学习者智慧的共同提升。在未来的教学情境中，人机共生与演化将成为人工智能与教育结合的必然趋势，教学机器的智能化演进必将促进人类对自然和人类本身的再认知。随着教师与教师、教师与学生、学生与学生之间信息传输、交互和知识共享的深入发展，海量的知识、行为数据、教学任务与案例等散布于无边界的智慧共享体系中，并将成为教学机器不断智能化演进的原始驱动力。同时，高智能教学机器不断更新人类智慧的集成积累，利用集成智慧和大数据突破人类思维的盲区，生成大量难以通过常规方式挖掘的新知识，并将其提供给教师与学生，不断突破现有的认知极限。教学机器也会利用信息存储能力强化他们的记忆深度与广度，借助人机对话提高师生互动的技术与艺术，提供决策支持，改善教师教学管理的效率与效果，全方位地拓展师生智慧与能力的边界。

2.打破教育主客体二元论

在人工智能时代，技术进步改变了机器的传统内涵，尤其是机器辅助教学的自主意识唤起使得人类教师的中心地位将被撼动，主客二元的思维方法将被打破和颠覆(刘复兴，2019)。首先，以教学机器为支撑的机器辅助教学已成为教育教学的关键组成部分，几乎全方位地渗透于教学过程。智能机器通过经验学习与教师反馈数据越来越具有人的特质，教师与机器在教学过程中将互为主体和互为客体，两者和谐共生，协同进化。其次，人工智能时代机器辅助教学保留了资源载体和计算工具的属性，但随着智能水平的提高，机器也随之转变为施教者，工具属性减弱，主体性成分加强。机器会代替人类教师履行大部分工作，学生也将难以感受到真实教师和机器教师之间的差别。再次，技术创新加快人机融合速度。在脑机接口、脑电帽等可穿戴设备的支持下，智能教育机器甚至能与人融为一体，产生人机结合体。人机沟通愈加顺畅，机器能给予人以计算、记忆等支持，使人类达到以往无法达到的思维与行动能力。由此，人与机器之间主客体界限愈加模糊，将打破传统二元论甚至合为一体。

3.促进师—机—生多主体协同与共融

人工智能时代的机器辅助教学致力于构建教师、机器、学生相结合的范式，强调师—机—生彼此间的协同与进化，促进人机共融、教学相长。人类教师教学经验丰富，这对课堂教学、组织管理和问题解决起关键作用。同时，人的抽象思维、逻辑推理和学习等高级属性，有较强的教学场景适应性和应变性，有助于开展教学交互，提升教学效果。相比之下，人脑提取、计算和处理信息的速率不高且容易出现偏差。智能机器海量的数据存储、计算、搜索等特点，可帮助教师快速处理数据并进行分析，代替他们完成大量繁复工作。学生使用智能教学机器开展学习可获得精准的个性化服务，学生反馈数据也可为增强机器辅助能力提供支持。人工智能时代的机器辅助教学将师—机—生三者优势结合，人类智能将与拥有理解和表达能力的智能机器实现社会化协同，实现双主体、互适应、螺旋式的共同进化(余胜泉等，2019)，教育方式也可能发生质的变化。

三、向度模型构建范式

模型可构筑连接理论与实践的桥梁。机器辅助教学能力向度模型从复杂的智能教学机器应用过程提取测评指标等因素，并予以定量刻画，从而将各种复杂对象简单化，用以解决能力评测等实际问题(范涌峰等，2019)，这也是向度研究的关键。向度模型构建范式是关于机器辅助教学能力向度模型的一整套规范，也是构建向度模型的方法论基础，内容包括：确定向度模型构建的价值取向、明确机器辅助教学的系统框架与要素、构建机器辅助教学能力的向度模型、验证与评价机器辅助教学能力向度模型。

(一)确定向度模型构建的价值取向

价值取向贯穿模型构建的整个过程。如果没有厘清价值取向，任何评测模型最终有可能沦为冰冷和无效的工具(范涌峰等，2018)。综合来看，机器辅助教学能力向度模型的构建要遵循三方面价值取向：一是打造包容、公平、适切的教学机器。我国基础设施建设水平和教育资源不均衡对智能教学机器的应用与发展有直接影响，尤其是中西部地区教育发展相对滞后，大范围差异依然存在(陈纯槿等，2018)。另外，教师信息素养、学生先前知识与能力及文化背景各有差异，均对机器辅助教学的规模化应用与实施带来挑战。机器辅助教学应兼顾差异和公平，形成全纳或跨文化、跨区域、包容的价值导向，打造通用性强、适应性高、鲁棒性好的智能教学机器。因此，向度模型应容纳教学主体的差异，促进不同主体协同参与，满足不同智能化教学需求。二是服务于差异化教学实践。差异化教学是教育者积极为学生的差异而规划的所有学生都能最佳学习的一种教学方式(彭红超等，2019)。为学生提供差异化的适性服务一直是我国教育教学实践的目标之一，《教育信息化2.0行动计划》提出，“探索在信息化条件下实现差异化教学”(教育部，2020)。因此，向度模型构建要遵循为教学者和学习者服务的原则，坚持以辅助教学者差异化和精准化教学为核心，以建立学习者为中心的连接、开放、个性、适切的智能教育体系为目标。三是基于科学理论构建支撑模型。机器辅助教学仍处于初级阶段，作用于实际教学的数据规模有限。因此，模型构建需在教育教学理论基础上，经过实证分析和科学论证才能完成向度模型设计、向度特征提取与能力评测。例如，斯金纳(1958)将操作条件反射和积极强化理论成功运用于教学机器，使机器辅助教学获得社会认可。之后，在认知主义和建构主义学习理论的赋能下，机器辅助教学逐步被应用于高级学习任务，并在促进学习者高阶思维能力发展等方面发挥作用(张剑平等，2008)。

(二)明确机器辅助教学的系统框架与要素

机器辅助教学的内涵表明，机器智能将与人类智能共同成为认知主体。随着这类智能的自我意识和自我进化能力的增强，现代科学所倡导的主客二分、人与非人的二元论将被打破，师—生二元结构也将被拓展为师—机—生三元结构。这一结构具有较强的稳定性与适应性，可实现复杂教育场景中信息的传递与反馈，形成以教育目标为引导的复合教育主体内部信息互联与意志的协调统一。因此，机器辅助教学系统不再是仅具有助教和导学功能的智能教学机器，同时也是教育实践中介，可构筑起包含教师和学生在内的复合系统框架，支持三者通过多层级自然交互促进人机共融、教学相长和学生发展的提质增效。但对机器辅助教学能力向度的研究，不仅要从外部框架入手，还要抓住根本从内部着力，剖析机器辅助教学系统的内在要素(乌杰，1997)。机器辅助教学试图从认识论和方法论维度重塑教学方式，其核心任务是基于系统框架，实现“教育主体”的理解、“教育场景”的感知、“教育资源”的定制，以及“数据”支持。其中，教育主体包括教师、学生和机器，是机器辅助教学系统的重要成分，也是内部信息流的产生者与传递者；教育场景是开展教育活动的物质基础，包括物理、虚拟或混合式教育环境，增加教育场景感知和计算有助于发现场景对主体的促进与影响作用；教育资源的能动性是机器辅助教学的研究重点，资源服务于学生个性化学习，需根据主体特点实现动态演化和优化适配；数据是记录教育教学各环节行为信息的重要载体，推动系统高效协同发展。它们在解构机器辅助教学系统的同时，又能与师—机—生三元复合主体产生互动，并与教学目标、教学过程、教学效果等动态关联。因此，我们有理由将“教育主体”“教育场景”“教育资源”和“数据”作为支撑机器辅助教学系统的要素承载，以实现对机器辅助教学实验场域研究对象的抽象化与可重现性。

(三)构建机器辅助教学能力的向度模型

机器辅助教学的系统框架与要素为构建向度模型提供了外部支撑和内部协调，研究者应注意向度模型的构建指向能力评测，以验证机器辅助教学对教学目标的达成与促进作用。机器辅助教学系统的关键作用在于帮助教师将教学活动由“教育工厂”向“学习村落”的转变，智能教学机器可辅助教师向学生推送适配的学习资源，提供精准学习支持，逐渐从“统一的教”转向“个性的学”，利用数据和算法的力量服务全体师生(曹培杰，2018)。本研究通过剖析机器辅助教学系统与教学活动系统的内在逻辑，对能力向度进行理论解构，形成构建机器辅助教学能力向度模型的基本思路：

一是探析机器辅助教学的实践样式与能力向度范畴。人类教师的专业素养结构由“应知”的专业知识、“会做”的专业实践、“愿持”的专业品质构成(黄彬，2017)，我们也希望机器在教学实践中能够达成该素养结构的完整映射。随着技术的发展，机器辅助教学的实践样式变得更加多样。例如，虚拟写作导师通过定义规则和内部计算对作文自动打分，并从语法、词汇、拼写等方面发现学生的写作问题并给出修改建议(Walker，2020)；柏林应用技术大学的学习分析系统使用可穿戴学习状态监测器非侵入获取学生的生理信号，可快速、实时地感知学生生理与情绪状态，以便教师与家长及时作出干预(Fortenbacher et al.，2017)；“AI好教师”在关注学生如何学的基础上，实现个性化资源推荐、路径规划等教学交互，帮助学生全面提升成绩与素养(余胜泉等，2019)；加州大学儿童社交机器人(RUBI)能根据儿童行为呈现哭、笑、沉默等表情，从而在情感交互层面起到独特教育作用(谢诺夫斯基，2019)；内容技术公司(Content Technologies Inc.，2020)研发的智能内容服务软件“Cram101”使用深度学习技术将教科书分解为“智能”学习指南，包括章节摘要、判断题、多选题等。该公司研发的算法可使教学机器更加智能，能创建增强型数据库进行独立学习和演进，具有一定的进化能力。当然，要提炼出有效且关键的机器辅助教学能力向度，研究者应从把握全局、全貌、调研大量教学机器入手，分析、归纳智能教学机器的共性特征。这些特征表现为智能教学机器利用规则、算力、情景模板和素材批阅试卷和生成试题；借助智能传感器和学习分析工具有效拓展教师与家长感知范围，帮助他们及时发现隐含问题；利用自然交互手段开展知识与情感沟通，实现个性化学习；作为精准教研伙伴，协助教师发现问题与互助改进，实现师—机—生协同与智慧提升(余胜泉，2018)。结合机器辅助教学的实践样式、内在机理及共性特征，本研究将能力向度范畴分解为计算、感知、交互、协同、进化五个向度，机器辅助教学能力评测可细化为对五个向度单元的考查。

二是剖析机器辅助教学能力的向度构成及逻辑结构。全面剖析机器辅助教学各能力向度的构成是一项富有挑战的工作，应用场景和实施任务的不同决定智能教学机器在各向度构成上存在差异，解析能力向度构成也需要融合人机优势并结合算法实现。与机器相比，人类具有较强的非结构化信息处理和自主学习能力，能根据长期积累的知识与经验，针对各个向度凝练外显、合理的“粗粒度”指标。机器在特征抽取方面具有独特优势，能从海量数据中挖掘关联信息，在人类制定的粗粒度指标基础上，采用主动学习、强化学习等方法生成内隐的“细粒度”指标。基于此，各能力向度通过机器辅助教学系统全过程数据驱动，粗细粒度不断迭代，最终形成有利于机器计算、测量和解读的指标集。以感知向度为例，研究者可将粗粒度指标初步设定为对学习场景、学习主体状态等方面的感知，并结合具体情境抽取融合人、机等要素的细粒度指标。其中，学习场景包括对温度、湿度、光线、声音、空气质量等环境状态以及讨论、面授、探究等不同教学活动和组织形态的感知与监测；学习主体状态细粒度指标可分为对个体的姿态、动作、情绪、认知、生理等特征的感知。此外，任何向度都潜含着对教学功能的支持，只有根植于现实的教学实践，才能体现其真正的意义与价值。从机械的视角看，机器辅助教学能力的五个向度各有区别，具有不同的教学任务层级。计算向度提供算法、算力与规则，指向教师所面临的繁难任务和大量信息处理的困境；感知向度识别物理情境，协助教师解决大规模个性化教学过程中难以感知个体显性或隐性特征等窘迫；交互向度加强人机沟通，传递个性化资源内容与人文情感关怀；协同向度混合人机智能，优化教师与机器之间的分工协作；进化向度综合教学全过程数据，促进人机教学智慧持续发展。从辨证的视角看，各个向度之间不是彼此孤立、非此即彼的，而是相互关联、共同支撑教学实践活动的顺利开展。计算和感知向度混合发力，满足教学的低阶任务需求，拓宽人类教师生理限界。计算和感知向度产生的信息流经过特征处理，能为交互、协同向度提供支持，满足教学任务高阶需求。最终，全阶段信息流汇总到进化向度。进化向度综合全过程信息，利用强化学习等技术手段，提升机器智能并促进人类智慧的解蔽与进化，进而促进其他向度能力的提升，构成适应性闭环反馈系统。

图1 人工智能时代机器辅助教学能力向度模型

三是理清机器辅助教学能力向度的要素承载。系统论认为，关键要素的功能及变化对系统的功能起决定作用。机器辅助教学在五个能力向度上正常运行，也离不开系统要素(教育主体、教育场景、教育资源、数据)的承载。首先，教育主体是机器辅助教学能力向度的实践者，可结合教学目的和任务对各种能力向度进行合理组织、规划和使用，使得教学活动有效开展。其次，教育资源(知识资源、技术资源和活动资源)充当了教育主体与教学机器信息交互的重要中介。另外，在计算和感知的基础上，教学机器可利用交互与协同能力向度有效调动各类资源，在服务学生个性化学习的同时，也有助于教师的差异化教及机器的演化再生。教育场景是借助机器辅助教学开展教学活动所必须的依存环境，各个能力向度要依据具体场景和教育实践活动有序进行，在教学效果和机器效能上充分协调。同时，在机器辅助教学能力向度应用到教学活动时，各个部分都产生了大量信息流，数据就成为记录这些信息流的重要载体，推动教学过程的高效协同发展。结合模型构建思路，研究者需慎重考虑机器辅助教学能力向度逻辑结构，把握系统要素与向度之间的内在理路。最终，机器辅助教学能力向度模型得以完成(见图1)。在该模型中，教育场景为其他要素和机器辅助教学能力向度提供外部依托。以教育资源为中介，教育主体与机器辅助教学能力向度闭环系统产生交互。智能教学机器在服务师生的过程中，因应不同教学对象的需求，产生各种交互信息流。所有信息流均要服从特定的教育教学目标，并利用数据这一核心要素进行表征，最后通过特定方法对不同问题场域进行分析和解构。由此可见，数据对向度模型刻画的核心价值，在于对其他要素具有乘数效应，可凸显教育主体、资源和场景等要素在复杂交互信息流中产生的价值、意蕴和规律。

(四)验证与评价机器辅助教学能力向度模型

向度模型是表征机器辅助教学能力的重要结构，同时也是教学机器参与智能化教学实践的目标导向和设计依据。机器辅助教学能力向度模型的验证与评价是收集各种证据，以证明模型有效性的过程，这些证据通常来自智能教学机器在应用过程中产生的全过程交互数据信息流、结构化证据链及实践效果。首先，人工智能时代机器辅助教学能力向度模型的验证必然要回归到数据本身，数据信息流的指向在该过程中起到关键作用。在特定工具支持下对信息流活动过程进行分析，可全方位、周期性地剖析能力向度内在逻辑，为理论建构的科学性增强数据解释。其次，对机器辅助教学能力向度模型的评价不仅需要信息流等客观数据，更需要与专家评价等主观数据深度融合以形成结构化证据链。结构化证据链包含大量的证据序列，由学习数据信息流和专家评价共同驱动，具有逻辑性、灵活性与可回溯等特征，充分体现了模型评价的公平性。另外，实践效果主要体现在机器辅助教学系统在应用过程中各向度能力能否满足实际教育需求，例如，计算向度表征对解决教师繁杂教学任务的协助程度，感知向度表征对外部场景形态和学习者特征的识别效果，交互向度表征对学生协作学习与个性化学习的促进效果，协同向度表征对教师、机器在教学设计、协作分工和活动部署上的助力程度，进化向度表征机器能否通过图灵测试，乃至机器进化水平对闭环系统中其他向度与教学参与者本身智慧的促进作用。同时，教学机器的可用性、易用性、稳定性，以及系统响应速度能否持续处在较高水平等诸多因素也是实践效果的重要体现(Jeremic et al.，2009)。总体来看，向度模型的评价与验证是项长期且系统的工程，需要综合考虑教育现象的复杂性、动态性等特点，并融合模型性能检验、用户满意度调查和应用成效测试等多种验证方式，及时发现机器辅助教学自身能力和向度模型存在的问题，根据实际情形作出修正。

四、发展进路

虽然向度模型指出了整体前进方向，但机器辅助教学仍面临教育伦理、数据与理论驱动、人机协同共生和数据模型可解释性增强等问题。

(一)秉持教育伦理先导

人工智能时代机器辅助教学的创新应用在快速推进教育服务质量的同时，也带来难以预测的风险和伦理问题。例如，当机器辅助教学具备自我意识时，教师主体地位会发生怎样的消解和重构？智能教学机器能否有意识地认识或作用于客体，并在教育实践中表现出主体性(冯锐等，2020)。具有“感性”特征的智能机器能否满足学生心理和情感需求，它该如何行动才符合情感教育规范。从机器学习角度出发，机器辅助教学依靠训练数据生成目标系统(何积丰，2019)，若训练样本大多来自发达地区的学生，如何保证输出结果不会出现偏倚和不可信赖的情况？是否需要对技术输出结果(资源推荐、路径规划)加强过程监管乃至完善相关制度(刘三女牙等，2017)？此外，人工智能与大数据时代的隐私保护问题也值得关注。智能机器在辅助教师和学生完成学习活动时，必然会采集大量敏感、隐私数据，如果没有严格的保障措施，这可能影响学生的未来发展。可见，构建人工智能时代机器辅助教学的伦理框架是当前的重要任务，也是保障机器辅助教学和谐发展的必由之路。

(二)坚持数据与理论双向驱动

人工智能时代教育大数据成为重要生产力，借助数据力量可有效实现科学循证决策、推动个性化教与学、革新传统教学模式和学习机制等(但金凤等，2020)。海量数据的出现使许多人认为由理论驱动的“假设—检验”式教育研究模式正在变得过时，他们认为仅凭借计算机集群和数据就能发现传统科学未能寻找到的模式(Anderson，2008)。但事实证明，这种轻视领域知识和理论的“唯数据论”观点是盲目乐观的。正如约翰·斯顿认为的，“如果没有理论，我们为继续收集和分析不断增多的统计资料所作的努力，可能降为一种‘任意的实证主义’，只是提供无意义的事实和无重点的指标，而且研究所得的结论，其造成的问题可能远较所解答的为多。”(Rossi & Gilmartin，1985)机器辅助教学的优势是生产与利用数据。然而，如果没有教育学与心理学等理论的指导，数据驱动很可能会成为无本之木。因此，机器辅助教学发展应当坚持理论与数据并重，即以教育实践问题为导向，以领域知识和理论构建为基础，结合科学方式验证理论假设，为机器辅助教学等数据驱动型教学范式提供安全保障机制与改进路径，确保其之于教育实践的合法性、可靠性、能动性、有效性和科学性。

(三)推动人机协同并进

未来教育不再是仅有人类参与的“独角戏”，而是由人和智能教学机器一起创造的，人类智能和机器智能的优势互补与融合共生是绘制未来美好教育蓝图的充要条件和强大动力。人类教师与机器最初是进行基于命令行、键盘、鼠标等的简单交互，之后手势、动作、语音、脑机接口等自然方式为教学中交互行为的发生提供了极大便利。先进的交互技术为师生与机器的全方位协同创造了基本条件。结合机器在计算、检索和记忆等方面的优势，人类教师与智能教学机器相互辅助、共同促进，在减轻教师负担的同时也致力于提升教学质量和学生学习成绩。未来，人类与机器也不再局限于交互与协同的关系，而是更高层级的融合与共生(张学军等，2020)。这也意味着人类教师、学生将与机器共学、共教与共生。

(四)结合因果推断增强数据解释

基于大数据的深度学习在解决机器翻译、辅助教学等教育问题上取得了进展，但几乎所有模型都是基于统计学或者“黑箱”形式(Pearl，2018)，系统仍缺乏可解释性和鲁棒性，人们难以对深度学习决策过程进行回溯、监测。“黑箱”模型的优势在于感知、预测和分类等数据关联任务，却不能回答因果问题，更不能达到人类级别的智能。因果推断是解决因果问题的逻辑和工具，人们通过建构因果模型，就能找到发生某个结果的具体原因，进而采取针对性措施(朱迪亚·珀尔等，2019)。在因果推断的支持下，研究者可利用计算机进行因果问题的模拟，进而设计强大的自动化机器，在提高模型可解释性的同时帮助人们解决现有人工智能难以完成的因果推断问题。具体到教育领域，机器辅助教学能力向度评测就存在大量难以通过“黑箱”模型推断的因果关系，例如，某项指标对机器辅助教学感知能力评估效果的影响如何？假如增加了几个测评协同能力的指标，测评的准确率会提高多少？因此，机器辅助教学能力评测要重点结合数据科学与因果科学，在重视数据科学的指标发现、特征提取能力的同时，也要结合因果推断优化指标，提高指标体系的可解释性与科学性，为提升计算、感知、交互、协同、进化五个维度的能力评测质量提供支持。

著名的“乔布斯之问”(沃尔特·艾萨克森，2015)也映射出教育信息化发展中的唯数量论问题，但人工智能、大数据等技术对教育的影响，实质上不能以使用的数量为准则，而应以使用效果为最高标准(李芒等，2017)。机器辅助教学能力向度研究注重技术之于教育效果的评测，打破人工智能用于教育的技术感性层面，将注意力转移到教育问题，促进了技术与教育教学的深度融合，让技术更好地推动教育进步。另外，在科技迅猛发展的当下，广大师生的教育工具需求与外界技术支持之间的矛盾逐渐激化，其根本原因在于当前的技术使用没有顾及师生的自然需要，导致技术概念和教育工具的泛滥(李芒等，2020)。机器辅助教学能力向度研究可细化机器智能等级，使教育服务能根据具体场景实现更加精确的供给，促进教育工具与资源的合理分配与利用，满足师生需求。目前，机器辅助教学及其能力向度等相关研究仍存在诸多局限，智能技术与教育理论的逐步融合将为模型改进与评测体系的具象化带来更多启示。未来，研究者需要综合资源优势，协同促进机器辅助教学及其评测的和谐发展，助力我国实现人工智能时代的教育变革。