人工智能助力学情分析的理论框架与实践路径

摘要： 学情分析是以学定教、开展教学的前提和依据。但在教学实践中，囿于教师精力、能力与技术发展等限制，学情分析面临数据难以全面获取、分析客观性不足、学情反馈滞后、结果缺乏应用等诸多现实困境。人工智能以大数据、强算法、强算力为基础，有助于全面采集学情数据、科学高效分析学情、及时反馈学情、合理应用学情分析结果，提升学情数据的采集广度、分析效度、反馈速度与应用准度。为了充分发挥人工智能技术优势，应从数据层、分析层、反馈层、应用层建构人工智能助力学情分析的理论框架，并从实践上以人工智能建立全过程学情数据采集系统、多模态学情数据分析系统、及时化学情反馈系统、多场景教学综合服务系统助力学情分析。

关键词：人工智能；学情分析；现实困境；理论框架；实践路径

中图分类号：G420；G40-057  文献标识码：A    文章编号：1672-0717（2024）03-0031-08

一、问题缘起

20世纪80年代，教育界逐渐认识到学生在教学过程中的主体地位[1]，开始强调“学生是内因，教师是外因，外因通过内因起作用”。黎世法进一步提出“学情”概念和学情理论，指出学情是正确教与学的根据[2]52，学情分析是提升教学效果的关键。经过40年来的理论阐释与实践探索，学情分析逐渐形成经验本位、知识本位、素养本位、效果本位四种取向。经验本位学情分析采用经验总结法，认为教师在与学生的长期接触中积累了学情分析的经验知识，可以据此归纳学情分析内容、总结学情分析方法。知识本位学情分析采用理论推导法，以建构主义、最近发展区等认知理论为依据，认为学习是学生在已有知识基础之上建构新知的过程，学情分析应当基于学习定义分析学生“四知”（已知、未知、能知、想知）情况。素养本位学情分析采用目标倒推法，认为学情分析与教学实践的根本目标均是发展学生核心素养，学情分析应当掌握学生认知、能力、态度等核心素养情况[3]。效果本位学情分析采用由果溯因法，认为“何种因素影响学生学习收获，如何引导学生更有效地获得更高质量的成长”是学情研究的主要问题[4]，学情分析应当分析学生知识基础、学习风格等教学效果影响因素。上述理论尽管面向的学情分析内容不同，但均强调多维获取学情信息、科学高效定位学情、及时反馈学情分析结果、对症处理学情问题，为教学实践提供循证依据。然而，随着我国高等教育迈入普及化阶段，学情也呈现出非传统生源多点共聚、学习价值观多维共在、学习方式多元共存、学习环境多域共融的共性特征，以及传统生源仍是接受教育的主要群体、大学生自主学习意识仍然有待提高、求学与就业的责任绑定观念仍然存在的特殊性[5]。由于学情复杂多变、学生基数过大、教师精力能力有限、技术引进意识不强和应用不熟等主客观因素的限制，学情分析只能通过课堂观察、问卷调查、测试考察等传统方式开展，学情分析结果仅用于学生整体教学调整和学困生干预转化。学情分析面临的数据难以全面获取、分析客观性不足、学情反馈滞后和结果缺乏应用等诸多现实困境，进一步导致学生学习、教师教学和学校管理陷入无法准确认识、评价、归因和改进的窘境。

近年来，智能识别、数据挖掘、学习分析等人工智能技术的快速发展为学情数据规模化采集和智能化分析提供了技术支持。特别是以ChatGPT为代表的生成式人工智能大大推动了人工智能在教育领域的应用和发展，有助于增强教育主体的学情判断能力[6]。教育部《高等学校人工智能创新行动计划》明确要求，“运用人工智能开展教学过程监测、学情分析和学业水平诊断”[7]。人工智能助力学情分析能够快速采集多源数据、高效分析学情信息、及时生成学情报告，对学情进行精准“画像”、精准监测和精准诊断[8]。一些学者也曾尝试利用人工智能技术开展学习评价[9]、学生画像[10]、学情预警[11]等，构建基于学情数据的智慧教学模式[12]。但是，现有研究尚缺乏基于人工智能的学情分析系统研究，人工智能助力学情分析的理论框架和实践路径还有待整体建构。

二、何以助力：人工智能助力学情分析的技术优势

马克思指出，自然科学的发展可以“改造人的生活，并为人的解放作准备”[13]307。“人工智能”自1956年达特茅斯论坛提出以来，经过60余年发展，实现了从计算智能到感知智能的转变，并逐渐步入认知智能与社会智能阶段。作为一种革命性、颠覆性技术，人工智能具有溢出带动性很强的“头雁”效应[14]，将深刻改变传统生产生活方式，引领未来社会发展。人工智能在教育领域包括人工智能赋能教育和人工智能学科教育两类[15]。前者强调人工智能作为一种新兴技术对实现教育目标的促进作用；后者强调人工智能作为一门综合学科对培养人工智能人才的支撑作用。学情分析是实现教育目标的关键环节，在本质上应该是一种基于证据的价值判断[16]20。人工智能应用于学情分析侧重运用人工智能技术获取学情证据，“更深入、更微观地窥视、理解学习是如何发生和如何受到外界各种因素影响的，进而为学习者高效地进行学习创造条件”[17]。以大数据、强算法、强算力为基础，人工智能集智能识别、数据挖掘、数据可视化、自适应学习、多模态学习分析等技术于一体。它应用于学情分析能够全面采集学情数据、科学高效分析学情、及时反馈学情、合理应用学情分析结果，提升学情数据的采集广度、分析效度、反馈速度与应用准度。

（一）有助于全面采集学情数据

全面性是客观性的必要前提。在学情分析中，数据全面性直接影响结果精准性与决策适应性。人工智能助力学情分析使学情分析不再局限于从各类学习平台收集、分析各种日志性数据[18]，有助于拓展学情数据的采集渠道、识别维度、覆盖范围，实现学情数据的全面采集。一是拓展学情数据采集渠道。摄像机、高扫仪、眼动仪、点阵笔、移动终端、聊天机器人等智能设备用于学情数据采集，可以使现场录制、材料扫描、眼动追踪、笔迹记录、终端记录、智能问答等均成为学情数据采集的有效渠道，助力学情数据采集跳出课堂观察、文本记录、统计调查等传统渠道的桎梏。二是拓展学情数据识别维度。人脸识别、文本识别、表情识别、语音识别、动作识别等智能识别技术用于学生身份、笔记、表情、语言、姿势等多模态学情数据采集，可以使学情数据识别从系统日志等结构化数据拓展至图文音视等半结构化和非结构化数据。三是拓展学情数据覆盖范围。人工智能贯穿连续时间和全域空间，运用它助力学情分析可以使学情数据采集的时间延长至教学全程、样本扩大至学生整体、场域跨越虚拟与现实，实现课前课中课后“全过程”覆盖、学生个体“全样本”覆盖以及线上线下“全场景”覆盖。

（二）有助于科学高效分析学情

学情分析只有超越“经验化”“主观化”判断而采取科学高效的分析，才能真正发挥精准定位与调节功能。作为一种有感知、有认知、有行为、可交互、会学习、自成长的机器智能[19]，人工智能在推动学情分析方法智能化、标准最优化、过程规范化方面具有显著优势，有助于高校更加科学高效地分析学情。一是方法智能化。人工智能具有强大的数据处理能力、极度的专注力和高效的多任务处理能力[20]，在完成大规模学情数据的深度挖掘、智能统计和模型训练等复杂工作的速度、精度、强度上远胜于人类，其纵向追踪、横向比较、溯因分析、预测分析等功能能够客观描述和评价学情、深度解剖学情的产生原因和未来趋势，实现学情分析方法智能化。二是标准最优化。人工智能在人类教师指引下分析学情历史数据，能够自主习得新的规则和范式[21]，包括形成学情分析参照标准、优化学情指标选择和权重设置等，助力高校克服传统学情分析依赖经验、标准浮动、趋中效应等缺点。三是过程规范化。高校运用人工智能对学情数据进行多渠道融合、多模态互补和区块链存证，并开展数据分析—特征挖掘—模型建构—机理阐释—趋势预测，有助于确保学情分析的数据规范和流程规范，使结果更有说服力和解释力。

（三）有助于及时反馈学情

课堂教学是教与学的互动交往过程，生成是教学活动的基本特征。学情作为教学开展的基本依据，其反馈及时性直接影响教学针对性与有效性。反馈是使反馈对象理解、运用反馈信息的过程，包括反馈信息的输出与接收两个阶段。高校运用人工智能对学情进行形成性反馈、适应性反馈，可以在输出端及时生成学情报告、在接收端及时传达学情报告，助力学情的及时反馈。一是提供形成性反馈，及时生成学情报告。形成性反馈强调反馈信息的持续输出并贯穿整个教学交互过程[22]。人工智能基于强算力和强算法精准高效定位学情动态并进行可视化呈现，能够紧随教学进程自动生成、实时更新、持续输出学情报告，助力高校实现学情的形成性反馈。二是提供适应性反馈，及时传达学情报告。人工智能根据用户语速语调、视觉偏好、表达习惯、认知风格等特征，对学情报告进行合理的语言组织、颜色搭配、数据编排和框架构建，并智能选择文本提示、人机对话、音视互动、虚拟人物等反馈方式，能够更好地诠释学情，助力高校实现学情的适应性反馈。

（四）有助于合理应用学情分析结果

教、学、管的内在一致性是教师有效地教、学生有效地学、学校有效地管的基本前提。人工智能基于学情分析提供定制服务，可以助力高校合理应用学情分析结果，增强教、学、管的协调性、精准性与前瞻性，实现教、学、管的内在统一。一是基于学情分析结果提供定制服务，增强教、学、管协调性。人工智能根据学生实际水平和个体差异智能推送学习资源、组织教学内容、制定教学规划，能够助力高校实现教、学、管同步调整和同向发力，进而提升教师教学效果、学生学习效能和学校管理效率。二是基于学情问题提供定制服务，增强教、学、管精准性。人工智能针对学生学习进度落后、兴趣不高等学情问题提供智能辅导、学习督促与个性化激励等服务，能够助力高校直击教学痛点、难点、堵点，实现教学问题精准应对、教学短板精准弥补。三是基于学情趋势提供定制服务，增强教、学、管前瞻性。人工智能根据学生行为预测、情绪预测、成绩预测等预判教学重点难点、预测教学效果和风险，能够为高校提供增减教学内容、调整教学策略的指导意见，助力高校实现教学风险的提前干预与化解。

三、以何助力：人工智能助力学情分析的理论框架

学情分析是教学论研究转向的结果[23]60，源于教学本质认识中学生主体地位的确证。其核心观点认为，学生不是教学的“物”而是教学的资源，学情分析贯穿于教学过程，引导和推动着整个教学活动[16]18。因而，学情分析要与教学过程整合，通过动态分析和及时反馈帮助教学主体了解学情现象和学情规律，进而提出具有针对性的教学措施促进学生学习。作为一种处方性理论，学情分析侧重于方法论和实践层面[23]61，其常用方法有观察、访谈、问卷调查、资料分析等，可归纳为质性分析和量性分析两种类型。质性学情分析通过收集分析非数值型学情数据理解和解释学情；量性学情分析通过收集分析数值型学情数据理解和解释学情。概言之，学情分析是指教学主体在教学过程中持续获取、分析、反馈、应用学情信息的循环过程。在人工智能视阈下，数据是学情信息的基本表现形式，学情分析遵循着数据采集、数据处理、数据分析与展现以及数据应用服务的教育大数据通用技术框架[24]。因而，人工智能助力学情分析应从数据层、分析层、反馈层、应用层建构其理论框架，具体见图1。

（一）数据层：人工智能助力学情分析的基础

学习理论认为，学习是学习主体通过参与学习获得发展的过程，包括学习的主体要素和过程要素两个维度。与此相对应，“学情”包括“学生情况”和“学习情况”，前者指学生的性别、年龄、专业等基本情况以及行为序列、情感变化、认知发展等个体状态和能力、偏好、习惯等个性特征；后者指学生学习的时间、进度、内容等学业状态和学习的投入、效率、兴趣等学业特征。学情分析是指教学主体对学情的全面了解与客观分析，人工智能助力学情分析的基础就在于实现学情信息的数据表征和全面采集。由于人类社会从二元结构（社会空间—物理空间）转变为三元结构（社会空间—信息空间—物理空间）[25]，学情数据源也随之拓展至人-机-物三种，即学生基本情况和个人状态；智慧学工系统、教务系统、教学系统等虚拟平台记录；学生纸质档案、试卷、笔记等教学实体材料。人工智能与人类智能对外部世界具有相似的符号表征体系、信息感知通道和意义建构模式[26]，能够自动识别、编码、转换、记录学情数据源中的学情信息，实现学情信息的数据表征和全面采集。依照数据蕴含的信息特性，学情数据可划分为学生的性别、年龄、专业等基础数据；内隐于学生机体且非自主可控的心率、脑电、皮肤电等生理数据；外显于学生机体且自主可控的眼动、表情、手势等行为数据；反映学生学习基础、过程和结果的已修课程、学习时长、学习成绩等学业数据。数据层是人工智能助力学情分析的基础，其主要作用是通过智能采集设备和智能识别技术实现学情数据的全面采集和准确识别，为学情分析提供足够的高质量“原料”。