翟雪松 等 | 人工智能赋能高校韧性教学生态的路径研究

【刊载信息】翟雪松,许家奇,童兆平,陈文智,张紫徽 & 李艳.(2023).人工智能赋能高校韧性教学生态的路径研究. 中国远程教育(01),49-58. 

【摘要】新冠疫情的反复使得师生频繁切换不同的混合式教学模式，这对教育韧性生态系统提出更高要求，依靠人工智能赋能韧性教学生态成为当前重要的研究课题。然而，现有研究缺少从系统性的视角综合分析韧性教学生态的构建路径。针对此问题，本研究以Z大学为案例，一方面探讨人工智能赋能韧性教学生态的框架和表现形态，另一方面对人工智能赋能下韧性教学生态的实践经验和教学效果进行分析。研究发现：Z大学以中台架构为技术底座丰富教学平台的功能应用，并贯穿导学、讲授、协作、评价四个阶段，有效地保障了疫情反复过程中师生对环境异化的适应性和教学效果的有效性。最后展望未来人工智能赋能韧性教学生态的发展重点，并对潜在的挑战进行反思。

【关键词】韧性教学生态；人工智能；高校教学；中台架构；协作学习；同屏跨域；教学阶段；知识图谱

一、

引言

现阶段，世界各国的教育系统仍饱受新冠疫情带来的影响，广大师生从起初需全面融入线上教学的转变，转移到需随时随地切换不同教学模式的困境，疫情期间如何构建一套韧性（resilient）教学生态成为国内外亟待破解的难题。2022年初联合国教科文组织教育信息化奖项“哈马德国王奖”以“利用技术增强学习系统的全纳性与韧性”为申报主题，期待遴选全世界利用技术保障韧性教学生态的方案。祝智庭等（2020）认为应构建韧性教育系统，使其具备缓解规避外在冲击、灵活调整功能结构、革新完善内部系统的能力，从而应对突发公共卫生事件、保障教育公平、推进全纳教育的发展。通过技术赋能教育生态系统变革，增强教育系统韧性，提升其应对不同风险的能力，已成为疫情期间教育研究的重要工作（刘奕涛 等, 2021）。

随着人工智能的不断成熟，教育研究者和实践者迫切期望借助人工智能技术赋能教育系统建设，从而破解教学中的难题，全面推动教育变革。然而，现有研究主要通过小规模、单学科、高受控的实验研究，分析特定人工智能技术的阶段性效果，缺少在复杂多变的真实教学场景中对可持续发展技术路线和实践途径的思考（徐欢云 & 胡小勇, 2019）。近年来，诸多学者对人工智能能否及如何赋能教学生态产生了担忧（张志祯 等, 2019）。这种担忧主要源于人工智能技术的迭代速度远快于教育理论及规律的发展速度，教师难以从大量的人工智能技术中寻求恰当的方法匹配到教学的各个环节。此外，与教学实验研究不同，真实教学场景的自主性相对受限，人工智能的应用要符合学校在教学中的各类管控要求。因此，利用人工智能破解疫情期间教学系统脆弱性的难题，依然需要从教育生态构建的视角出发，切实为高校日常教学提供韧性的支撑。

疫情反复下的不同教学方式频繁切换正成为一种常态化趋势，但受制于技术、教学模式、环境等因素，应对疫情而随时切换教学方式的教学质量和效果不尽如人意。探索服务高校大规模常态教学，同时具备弹性、公平、高效性能的韧性教学生态成为人工智能赋能教育的重要研究内容。但现有研究尚缺乏具体的实践案例阐明人工智能赋能的教育生态在高校教学中的表现形式、教学范式和生态体系。2021年11月，教育部高教司司长吴岩在“2021世界慕课与在线教育大会”上从多样化学习方式、教学平台智慧统一等方面介绍了Z大学智慧教学生态实践案例，展示了Z大学在数字化教学组织、实施、分析和评价的智慧教学生态构建成果，体现了Z大学智慧教学系统的韧性（教育部, 2021）。基于以上论述，本研究以Z大学建设的智慧教学生态体系为例，探讨人工智能赋能韧性教学生态构建的体系框架，分析韧性教学生态服务高校教学的效果，思考韧性教学生态服务高校教学发展的重点和面临的挑战。

二、

核心概念的内涵

（一）韧性教育系统

教育系统的韧性是系统通过消纳、适调、变革三种韧性能力来规避外在冲击，在压力下依然能够正常运行甚至自我完善（祝智庭 & 彭红超, 2020）。韧性教育系统能够有效应对自然、社会和卫生等领域的冲击与压力，维持甚至提升原有教育系统（刘奕涛 等, 2021）。2020年，联合国儿童基金会发布《构建后疫情时代韧性教育系统：国家、地方和学校各级教育决策者的应有思考》，强调从恢复、复原和重建阶段降低教育系统的脆弱性，增强教育系统的韧性（UNICEF Europe and Central Asia, 2020）。世界银行COVID-19工作组的教育专家Azzi-Huck和Shmis（2020）提出要引入新的教育模式，使教育系统更具韧性，为突发紧急情况做好准备。可见，构建韧性教育系统已成为教育变革的重要方向。

（二）基于人工智能的韧性教学生态

人工智能在韧性教学生态的适用性是由其基本内涵决定的。人工智能的核心驱动力是海量的数据和机器学习算法，是通过让机器模拟人的思维逻辑，不断学习大数据的表征规律，并不断迭代和修正工作方式，主要目的是输出基于大数据拟合的一种规则（董艳 等, 2021）。可见，人工智能本身就依赖大样本的数据支撑，只有在多态多变的教学生态系统环境下，才能有真实的数据来源保障。此外，与传统自动化不同，人工智能的优势体现在对复杂多变问题处理能力上，高阶人工智能执行的命令是遵循以人的基本思维规律的神经网络为基础的，也可以从微观上表述为实现类脑思维的算法技术（蒋鑫 等, 2020）。高校常规教学摆脱了教学实验约束条件的束缚，能完全体现出教育问题的复杂性和多变性，也只有依赖人工智能才能实现教学决策优化，实现规模化和个性化的统一，这是人工智能能够支持教学生态韧性的重要理论依据。此外，人工智能需要发挥的作用不仅是对简单工作的自动化处理，更有可能与机器思维产生共鸣，激发学习者的灵感和思维。因此，学习者需要的是在恰当的学习阶段接受与之适应的人工智能辅助方法，实现教育生态的韧性。

人工智能时代，教学生态表现出以下智慧特征：教学走向人机协同及自动化，学习转向个性化、定制化和终身化，管理走向创新协作的智能治理，评估朝向高精度、实时性和全面性拓展（唐玉溪 & 何伟光, 2019）。数字化、集成性、交互性和多元性的智慧教学生态成为当前高校教学系统的演进方向。研究者从技术运用的角度理解智慧教学生态。例如，通过智能辅导系统进行学习资源的精准推送，解决学生个性化学习问题（王正青 & 但金凤, 2020）；基于机器学习算法，深入挖掘学生学习过程的认知、情感、行为数据，构建学习者画像，赋能教师教学（Zhai et al., 2021）；利用智能虚拟现实技术构建情境化课堂，通过人机交互技术对学生的学习过程进行实时和智能的反馈（Kelly et al.,  2018）；基于人工智能技术创建包含教师智慧、机器智能、协同教学和学生智慧等要素的人机协同课堂教学模式，实现课前智能诊断、课中“人机”助学、课后精准评价（高琼 等, 2021）。总之，人工智能作为一种中介功能的技术，已经开始改变和重塑教育生态系统（顾小清 等, 2021）。

综上所述，人工智能赋能的韧性教学生态可以从系统本身和技术应用两方面理解。首先，韧性教学生态是具有自我改变、自我调整能力，能降低教育系统自身脆弱性影响，在受到外界环境冲击下能够持续运转甚至自我提升的韧性教育系统。其次，韧性教学生态基于人工智能技术支撑的智慧教学生态，既服务真实教学的不同阶段，解决教师教和学生学过程中存在的资源分配、决策、协作和评价问题，又促进教和学的数据化、精准化、个性化和智能化，最终实现教学活动能面对复杂的环境进行有效适配。

三、

人工智能赋能韧性教学生态框架

框架建设是探索人工智能赋能的韧性教学生态构建的首要问题。现有人工智能服务高校教学的框架有基于特定学科教学和工具开发两种类型。基于特定学科教学的服务框架主要以该学科特点的教学困境为出发点，寻求技术辅助。例如，建筑学科往往需要3D仿真来辅助学习者对空间的认知（王娟 等, 2015），计算机视觉中的神经网络算法被用于对于3D环境的模拟，不仅用机器学习替代人工建模提升了建模效率，而且能高效地渲染出虚拟现实效果，更易于学习者与建筑环境的交互。然而，以课程为基础的服务体系往往只解决了部分知识点传递和表征问题，没有将整个课程的知识图谱和学生的全面发展做出链接和系统规划，因此技术的推广性和普适性不强。基于工具开发的服务框架是以普适性的功能实现为出发点的，在此基础上不断优化技术工具的性能。如将机器学习中的分类算法或回归模型应用于学习者情感识别等，并不断通过算法的优化来提升其诊断的准确性（叶俊民 等, 2020）。然而，看似以工具开发的服务框架的算法精准度有了提高，但是较少考虑到多变的教学情绪，对情绪产生的教育背后复杂的原因分析不透彻。因此这类研究框架表面上可以“广谱抗菌”，但针对具体问题“功效不足”。以上两种框架结构虽能在一定程度上服务高校的日常教学，但面对疫情期间线上线下以及混合教学的频繁切换，传统教育系统的消纳、适应和变革能力不足，使得其难以达到理想效果，充分保障高校师生教和学。

Z大学在面临疫情反复的困境中，以“满足多变教学环境，且能达到一致教学效果”为目标，构建了人工智能赋能高校韧性教学生态的框架（如图1所示），既解决了人工智能服务高校教学的灵活性和公平性问题，也实现了一定的规模化效益，体现了教学生态的韧性。其中：①中台架构是智能技术贯穿应用的基础。Z大学构建“大中台、小前台”的信息系统，让各类原本处于信息孤岛的数据通过数据中台洗涤得到融通，并利用业务中台灵活的组件优势，根据教学需要高效地形成应用工具。②在数据中台融通基础上，人工智能技术（如语音识别、云计算、机器翻译）和算法（如深度学习算法、自适应算法）借助业务中台的组建，形成了“学在Z大”“研在Z大”等教学平台载体（李艳 等, 2020）。③基于平台支持，教师根据所选择的教学场景（如讲授式、翻转式）和不同教学阶段（导入阶段、讲授—学习阶段、协作阶段和评价阶段），确定教学过程中的具体功能应用。人工智能赋能韧性生态框架在教学阶段的主要应用体现在以下四个部分。

图1 人工智能赋能的韧性教学生态框架

（一）以结构化数字资源重组个性化导学

在教学导入阶段，数字资源是支持教学活动开展的关键元素，对数字化资源进行结构化处理和分析是韧性教学生态体现灵活性和有效性的具体表现。然而，当前的数字化资源类型多、存量大，难以进行有效分析，数字化资源的巨大价值也没有得到充分应用。一方面，数字资源的存储呈现出非结构化。当前，大多数系统平台和数据库的数字化资源仍然以一种非结构化的方式进行存储，非结构化数字资源种类繁多、存量巨大，想要对其进行深入的挖掘、过滤和迭代是一项重大挑战。另一方面，数字资源的分析停留在内容表征层面，缺少学生与学习资源的交互特征研究。现有研究主要针对数字化资源画面的社会线索、媒体表征特征等媒体的内容层面，但缺少这些特征如何与学习者的互动分析，如哪些数字资源是学习兴趣点、互动次数与频率等学习行为的关联性分析等。这不仅导致了数字化资源的堆积浪费，而且也影响了其后续的改进和优化。

Z大学韧性教学生态基于深度学习、云存储、大数据、图像识别等技术的融合，实现数字化资源的结构化处理和分析，有效提升了教学资源使用的灵活性和有效性，具体表现在：第一，通过串联录播教室、课程云平台和在线教学平台，形成数字化资源的采集、发布、存储闭环。其中，智慧教室是数字化资源采集的基本环境。Z大学通过对400余间公共教室进行改造升级，使改造后的智慧教室能够实现人像姿态的识别，完成课件展示和教师讲授的自动切换和采集。同时，智慧教室的高清直播录播系统与Z大学“智云课堂”连接，实现了疫情期间教和学的线上线下相连及常态化的直播录播。第二，智慧教室采集的视频资源可以通过平台的智能媒体处理工具、深度学习算法实现数字化资源结构化分析和精品资源的自动生成。一方面，Z大学提供了智能的数字化资源编辑工具。这一工具能够联通资源云平台，把相关的数字化资源（如直播录像、课程微视频）自动导入到编辑工具中，从而实现数字资源的快速编辑。另一方面，深度学习算法可以对数字化资源进行结构化编辑，通过识别数字资源的高关注部分，从中挖掘出有重点、难点等教学需求，并构建一套适合碎片化学习的短视频集。资源的结构化分析能够最大化利用已有的数字化资源，使优质数字化资源重组再造，从而提升数字化资源的价值；结构化的数字资源能有效帮助学习者根据自身需求定位内容，并可以基于课前的问题重构一套导向体系，同时又便于教师根据课前不同的教学目标实现灵活组合。

（二）基于同屏跨域的知识图谱自动构建

在高校日常教学的讲授—学习阶段，优质师资的选课容量有限成为突出问题，解决优质师资共享难题是韧性教学生态体现公平性的关键。一些优秀教师的课程由于深受学生欢迎而被“秒抢”，学生的选课需求得不到满足，而选课不足的老师缺少一定的教学示范引领。如何促进优质师资的扩容，实现跨时空共享、课堂教学公平成为讲授—学习阶段亟待解决的难题。Z大学通过同屏互动跨时空混合式教学实现多教师课程的共建共享教学形态。在这一过程中解决了学生对于优质课程的选课问题，同时多教师协同授课也促进了课堂知识的多维重构，教师收获了彼此的教学策略，学生也享受到不同的知识传递方式。同屏跨区的混合式教学带来的不仅是多元的知识争鸣，同时对知识图谱也是一种重构，按照不同学科的教学需求灵活重组教育资源。Z大学韧性教学生态基于语音识别和深度学习技术帮助学生构建个性化知识图谱，促进公平学习。一方面通过声纹识别将不同老师和同学直播录播课程的音频转换成文本数据；另一方面通过深度学习分析挖掘课堂中不同教师讲授内容的特征，生成可视化的关键词云图和课程内容标签，建立课程、知识点、资源等相关内容之间的联系。这种多元视角构建的知识图谱帮助学生把课程内容异构的知识结构化，有助于学生从多维的角度理解所学内容，建立知识的立体层面，把握课程全貌。这种同屏跨域同样有利于国际高水平课程的引进和共享，Z大学与哈佛大学基于此打造了远程互动历史考古系列课程，有效地从多文化视角共享了知识内容，促进了教师协同的混合式教学策略（杨玉辉 等, 2019）。

（三）创新以协同编辑为核心的协作模式

协作学习是促进知识构建的重要阶段，支持多样的协作群体、多种协作方式和持久的协作时间是韧性教学生态稳定性、变更性的重要体现。然而，由于缺少合适的支持协作学习的工具和平台，导致成员活动参与不均衡，知识管理难以开展，协作学习效果得不到有效提升（何文涛 等, 2021）。一方面，协作学习是多方参与的学习过程，不同个体在协作过程中扮演不同的角色，如果没有支持多角色协作的工具，或者没有记录分析成员的参与、分工、任务完成情况的平台，可能会出现小组任务被个人承接的现象，从而得不到有效的协作学习效果。另一方面，小组成员在协作过程中产生的有价值资源得不到有效的管理和沉淀，致使协作学习缺乏连续性，从而影响协作学习有效性。因此，在协作阶段提供合适的工具和平台意义重大。

为解决以上问题，Z大学在构建韧性教学生态中通过优化协同工具和构造协同环境两个方面优化了教学的协作环节。前者指的是研发具有协同编辑功能的应用，后者指组合符合协作环境的工具包。一方面，Z大学使用阿里云的IaaS服务，实现师生对文档、媒体等学习资源的智能化同步协同编辑。据此，通过建设知识共享平台帮助学生实现稳定的协作学习知识管理和共享。另一方面，重组了翻译工具、OCR识图、搜索引擎等工具的协作环境。原有的这些工具和应用只是为了单一功能目标而开发或应用，Z大学信息中心与教育学院在技术应用教学的场景上进一步深化，构建了多种协同环境的工具包，促进了师生协作的动机，并创造了有效的环境。以协同编辑为核心的协作模式，创新了知识构建过程，提高了跨学科、跨团队的协作效率；基于云端平台，使协作过程中产生的资源文档得到良好的沉淀，实现协作学习的可持续发展；通过广泛的知识共享，实现协作学习过程的创新和变更，促进资源利用最大化。

（四）融合多态数据重塑评价体系

评价体系的科学性是提高课堂教学质量的关键环节，也是维持韧性教学生态生命力的重要一环。传统评价体系主要聚焦学生学习绩效，即使是过程性评估，也仅仅关注阶段性学业水平。科学的评价标准具体表现在关注学生的全面发展。全面发展过程性评价需融入价值教育、体现价值关怀、强调学习者适当的主体参与，但是目前仍较少关注学生参与情况和互动情况等过程性内容（张文, 2017）。特别在高等教育阶段，大部分学生的入学基础相近，因而其学业水平与其进入大学后的习惯和价值观等非智力因素关系更为紧密。因此，除了学习行为数据，通过生理、情感等多模态数据实现对学习者的全模态测评，对评价也有积极的意义（郑娅峰 等, 2020）。

Z大学基于机器学习、深度学习等大数据分析技术对学生和教学资源进行过程性评价和多维度评价，保障了学习者在不同学习环境下接收评价的准确性。在过程性评价方面，一是通过教学平台记录学生学习行为及数字化资源相关信息，包括学习时长、学习内容、视频资源观看时长、观看内容和观看次数等。二是通过机器学习、深度学习等大数据分析技术将收集的数据进行挖掘和智能化分析。在此过程中，既能生成包括日常数据、阶段性测验数据、总评报告的学生数字画像供教学评价，又能基于“观看曲线”得到视频的学习人数、播放次数、学习集中点等信息，从而实现视频资源的过程性评价。在多维度评价方面，一是通过人脸识别、声纹识别和语音识别得到学生参与课堂学习的个体生理信息，从而准确定位学习者并分析其产生的过程性课堂参与内容。声纹识别区分不同的学生个体，人脸识别定位学生，确定学生身份，最后通过语言识别分析学生表述的内容。二是结合学习行为信息，实现学生的学习行为和生理情况的多维度、多模态数据评价。其中，学习行为包括学生的课堂表现、活动参与、互动交流等，生理情况包括学生的面部表情、语音语调等。多维度的评价能够帮助教师全面、多样地了解学生情况，关注学生个体差异，从而为学生提供个性化的反馈和指导意见。

四、

韧性教学生态服务高校教学的效果分析

为了探究人工智能赋能的韧性教学生态的实际效用，本研究结合Z大学信息技术中心收集的师生调查问卷以及开展的试点课程，从师生使用情况和学生成绩两方面探讨了韧性教学生态服务高校教学的效力和作用。

（一）师生使用情况分析

为了解师生教学生态中平台的使用情况，Z大学信息技术中心通过邮件和钉钉发布调查问卷，收回有效问卷279份，其中教师问卷68份，学生问卷211份。问卷主要包括两部分内容：一是对于Z大学教学生态中平台、功能使用情况的调查，二是对Z大学教学生态平台、功能的评价。教学平台和工具包括“学在Z大”“Z大钉”“智云课堂”。

1. 平台功能使用情况

Z大学教学生态平台功能使用主要有平台的课件、视频分享、作业上传、智云课堂直播回放、平台点名签到、课件分享、群协作、智云课堂PPT识别、语音识别、互动、智云课堂笔记、智能翻译等。其中，教学平台的课件和视频分享功能使用最多，占比72%。功能使用前五的还有教学平台的作业上传（68%）、智云课堂直播/回放视频（56%）、教学平台的点名签到（45%）、班级群分享课件（38%）。此外，智云课堂PPT课件、直播、语音识别等智能功能也有部分师生在使用。以上功能使用情况说明，一方面，师生已广泛使用人工智能赋能教学生态的平台和对应功能。其中，与教师教学和学生学习最直接相关的辅助功能，如课程资源的分享、作业上传、点名签到是Z大学智慧教学生态中师生用到最多的功能。另一方面，随着智能技术的广泛应用，与人工智能相关的功能也被师生接受和使用，如PPT识别、语音识别等。

2. 平台和功能评价情况

第一，在平台功能整体满意度方面，112位师生态度为非常满意，占总数的40%；123位师生态度为满意，占比43.93%；3位师生为尚未使用，占比1.07%；42位师生态度为有待提高，占比15%。可见，师生对Z大学智慧教学生态的平台和相关功能持满意态度。

第二，在教师评价方面，有69%（16人非常同意，31人同意）的教师认为平台的学习分析功能能够让教师更好地掌握学生的学习进展和情况；有79%（19人非常同意，35人同意）的教师认为平台的使用能够提升教师教学质量；有88%（23人非常同意，37人同意）的教师认为平台的协同功能的使用能够促进师生交流；有62%（21人非常同意，21人同意）的教师认为平台中留存、生成的视频资源是非常宝贵的教学资源，有助于促进教师互相借鉴，提高教学质量。

第三，在学生评价方面，有82%（117人非常同意，57人同意）的学生认为平台的直播、回放功能给自己提供了学习和复习的渠道，提升了学习效果；有77%（85人非常同意，77人同意）的学生认为平台提供的语音识别、智能翻译、记事本、直播回放等功能提升了课前预习、课中学习和课后复习的学习效果；有84%（95人非常同意，83人同意）的学生认为平台的协作功能能够促进师生交流。由此可见，大部分师生对教学生态中平台和工具的使用持积极态度。平台和相关功能已经广泛服务于教师的教和学生的学，拥有多样的使用场景，并产生了积极的影响。

（二）试点课程学生成绩分析

在疫情防控的背景下，Z大学利用人工智能等信息技术手段打通了教室、平台、资源等环节，构建了数字化教学组织、实施、分析和评价的韧性教学生态。然而，学生在该生态中的学习是否能够达到先前线下课堂学习的效果还未得到验证。基于此，Z大学信息技术中心以10门课程作为试点，验证学习者在人工智能赋能的韧性教学生态中学习是否能够达到传统线下学习的效果。学习效果分析内容为Z大学2021学期课程成绩数据。试点课程包括会计学、宏观经济学、计量经济学、微观经济学、金融学、刑事诉讼法、经济法、中国书法史、托福阅读和Python程序设计；学习效果验证指标包括课程的通过率、优秀率和成绩的显著性。

分析试点课程通过率和优秀率可得：在10门试点课程中传统线下学习和混合式学习通过率都高于70%；有4门课程（会计学、计量经济学、微观经济学、金融学）的混合式学习通过率高于传统线下学习通过率；传统线下学习和混合式学习优秀率超过60%的课程有6门（托福阅读、中国书法史、宏观经济学、会计学、经济法、刑事诉讼法），其中有4门课程（托福阅读、中国书法史、经济法、刑事诉讼法）的混合式学习优秀率高于传统线下学习优秀率。

试点课程学生成绩均值及显著性情况如下：10门试点课程中，混合式学习的成绩均值高于传统线下学习的有3门（托福阅读、微观经济学、金融学）；在10门试点课程传统线下和混合式学习绩独立样本T检验中，成绩的Sig值均大于0.05，说明在疫情反复的情况下Z大学的韧性教学生态能支撑学习者同样达到传统线下学习效果；Sig值最接近0.05的是中国书法史（Sig=0.069）、Python程序设计（Sig=0.070）和宏观经济学（Sig=0.084）。这三门课线下学生成绩虽高于混合式学生，但均未达到显著水平。

通过对10门试点课程成绩通过率、优秀率和显著性的分析可以发现：第一，传统线下学习和基于韧性教学生态的混合式学习相比，在平均成绩上没有显著性差异；第二，在韧性教学生态中进行混合式学习的学生，课程通过率基本能够达到传统线下学习的水平，甚至超过线下学习（如金融学）；第三，在韧性教学生态中进行混合式学习的成绩优秀率统计上与传统线下学习无差异。可以看出，基于韧性教学生态的非传统线下学习能够达到传统线下学习的效果，甚至超过传统线下学习，如课程优秀率超过60%的数量更多。同时，基于韧性教学生态的非传统线下学习与传统线下学习还存在一定差距，如大部分学科的成绩还低于传统线下学习等。综上所述，人工智能赋能的Z大学韧性教学生态为学校疫情期间的日常教学提供了丰富的平台和工具，满足了师生的教学需求，在一定程度上保持和提升了学习成绩，体现出了教学生态的韧性。当然，基于韧性教学生态的混合式学习总体上还没有达到传统线下学习的效果。因此，探索优化教学生态的方法从而提升学习成效将是未来高校教学持续关注的焦点。

五、

人工智能赋能韧性教学生态的发展重点和挑战

人工智能从实验室走进教室，并落地到日常教学才是保障教育生态可持续发展的重要举措和方向（魏雪峰 等, 2018）。当前，韧性教学生态的构建取得了一定的成果，然而在实践过程中又有来自师生和管理部门新的需求，表现为：在知识结构层面，人工智能如何实现跨学科知识的融通；在教学与科研管理层面，如何破除“五唯”为典型的产出式考核和管理模式，构建一套基于师生投入度的多维评价方式；在智慧学习环境建设方面，探索有助于学习者身心健康的线上线下混合式学习空间；在技术使用规则上，建设人工智能应用常态教学的伦理和信息安全管理机制。基于此，本研究从知识图谱和学科交叉、多维数据和评价改革、健康学习空间、信息安全和人工智能伦理等方面提出人工智能赋能韧性教学生态的发展重点；从人工智能对教育的超前布局和教师对人工智能的恐惧和压力思考人工智能赋能韧性教学生态面临的挑战。

（一）人工智能赋能韧性教学生态的发展重点

1. 跨界知识图谱，加强学科交叉

基于知识图谱，可以发现学科的知识结构，解决学生知识迷航和信息过载等问题。Z大学已经开始通过文本挖掘对部分课程进行知识图谱的自动构建，并将此与专家团队的人工编码进行了比对，从而不断迭代和优化算法实现对单科知识图谱的精准构建。在文本挖掘工作中，研究团队发现大量知识点的关键词往往在多个学科中同时出现。通过这些关键词的串联可以形成一套新的基于学科交叉的知识图谱体系。一方面，跨学科知识图谱的构建有助于揭示学科间知识的互动关系。单科的知识图谱往往是二维的线性关系，而多学科间的知识图谱让知识点在多维立体空间里建立关联，这种学科关系的抽取与重构本身就是实现学科交叉发展的重要途径。另一方面，跨学科知识图谱提高了教师的跨学科教学能力。长久以来，学科教师适应了在单一学科教学的舒适区，也缺乏跨学科教学的动力和意识。利用人工智能对多学科知识点进行重构，有助于形成对教师跨学科教学能力的冲击，也会在未来形成新型的教学管理形态和模式，有助于学习者跨学科知识的建构能力。

2. 融通多维数据，深化评价改革

深化课堂教学评价改革是提升课堂教学质量、提高学生学习效果的重要手段。《深化新时代教育评价改革总体方案》指出，充分利用信息技术，深化教育评价改革，建立健全教育评价制度和机制（中共中央、国务院, 2020）。只有坚持深化教育评价改革，才能扭转不科学的教育评价导向，提高教育治理能力和水平，推进教育现代化。近年来，对于过度重视以产出为导向的简单量化评价体系，教育主管部门的高度警惕，提出了以“破五唯”为代表的评价主张。“五唯”顽疾的形成从一个侧面反映了对于人才成长的数据挖掘和分析的缺乏，未来人工智能应用常规教学中的一个重要任务就是发挥智能技术对师生投入、产出多维数据的融合分析，综合判断师生和管理人员在各项工作中的胜任力和参与度，重塑以人为本的评价体系。

未来的智能评价必须建立在多维数据协同分析和智能权重配比两个方面。一、在多维数据协同分析方面，图像、语音识别和语义分析方面的成果不仅能有效应用于学生过程分析（包括听课时间、学习注意力、学习投入情况），同时也能有效地获取教师的教学行为（包括教师的教态、教学方式、教师语言、教学内容等）（王雪 等, 2021）。Z大学在数据中台方面已经取得一定成果，这为跨平台数据的融通提供了技术基础。二、现有的评价原则依然以主观性较强的层次分析法（Analytic Hierarchy Process，AHP）等为主，未来评价模型的构建要重点考虑各个因素的权重配比问题，基于各单元数据表现自动配比权重方法将被引入到评价体系中。Z大学教育学院和信息技术中心目前正基于熵权分析的方法，构建教育信息化的自动化配权的模型构建方法，这为未来教育投入—产出评价模型构建提供了智慧、高效的技术路径。

3. 优化学习空间，营造健康环境

在混合式教学常态化的今天，学习空间已经突破了传统的物理空间走上了混合式的道路。Z大学已经在传统物理空间的舒适度上做了大量升级，从照明、噪声、通风等多方面实现了智能优化，但在线健康学习环境还有待进一步优化，特别是随着疫情期间在线学习方式和规模迅速发展，视觉健康问题日益严峻，成为全社会共同关注的话题。《教育部高等教育司2021年工作要点》（教高司函〔2021〕1号）一方面要求普及数字校园建设与应用，加强中小学线上教育教学资源建设与应用，完善国家数字教育资源公共服务体系，另一方面明确要求各地儿童青少年总体近视率比2020年下降0.5或1个百分点以上，并向各省（自治区、直辖市）人民政府通报防控儿童青少年近视工作评议考核结果。可见，在线学习者视觉健康防控给优质数字学习资源建设和规模化应用提出挑战，人工智能在常规教学应用下的视觉健康有重要的研究价值和现实意义。  

基于大规模线上开放课程的视觉健康保护机制，首先要明确可靠的数据来源。眼球随动是挖掘开放课程行为数据的有效途径，为充分利用轻量技术在学习行为中的分析作用，Z大学教育学院和信息中心正优化视频识别算法，利用普通摄像头对眼机交互数据与生理性眼动数据进行协同分析，构建符合在线学习认知规律的视觉训练机制，并通过计算机视觉和深度学习算法实现在线学习资源的自适应表征，从而优化视觉训练效果，促进在线学习视觉健康。人工智能在这一过程中所体现的功用表现在：双维眼动数据协同分析算法优化；在线学习环境下“认知行为—视觉健康”模型构建；融入视觉训练的在线学习资源表征机制构建；基于双维眼动数据的在线学习资源自适应呈现研究（翟雪松 等, 2021）。

4. 严保信息安全，探索人工智能伦理

人工智能在教育教学中发挥重要作用的同时，也带来了信息安全和伦理问题，涉及数据安全、技术异化、隐私保护等多个方面（刘三女牙 等, 2021）。如上述的语音和人脸识别技术获取师生的生理参数，智能感知技术获取师生的行为习惯等。尽管这在一定程度上提升了教学和管理，但其背后产生的个人数据隐私、信息泄露等问题也不可忽视。目前，算法和大数据已经产生信息自由、传播权、信息隐私权、信息触达和数字身份及其保护等问题，这些问题通过进一步传导会形成身份认同、传播效率和信息安全等问题（赵瑜, 2019）。人脸识别技术在带来效率、便利并增进社会福祉的同时，也不断引发隐私保护、个人自由、伦理边界、歧视偏见等争议（翟雪松 & 史聪聪, 2020）。国内外开始重视人工智能的伦理问题，如欧盟委员会起草了《人工智能高级专家组—可信赖AI道德准则草案》，联合国教科文组织（United Nations Educational, Scientific and Cultural Organization， UNESCO）和世界科学知识与技术伦理委员会（World Commission on Ethics of Scientific Knowledge and Technology, COMEST）联合发布了《机器人伦理学研究报告》，我国国家互联网办公室起草并发布了《数据安全管理办法（征求意见稿）》，但尚未建立在教育领域中的人工智能伦理和安全导则。

Z大学已经从数据信息保护方面思考高校信息安全问题（李艳 等, 2021）。首先，明确收集的数据类型。师生对数据具有知情权，允许学生按需查看和更新自己的数据，允许学生随时选择退出数据的收集和使用。其次，确保安全的数据存储。数据的存储时间和方式直接关系到数据的安全和伦理，应遵守专管专用原则。在常态教学活动中，师生的个人数据可能随课程或项目不同而存在不同的保存时间和方式，也需要根据个人倾向性配置个性化的存储方式。最后，加强数据使用管理。现有的研究已经开展了大量对于采集者使用数据的规范研究，但是作为数据拥有者的师生却很难让全部的数据信息对自己开放，拥有者对数据的可获得性是人工智能伦理的一个重要标志。

（二）人工智能赋能韧性教学生态系统面临的挑战

1. 人工智能对教育“超前布局”

人工智能在韧性教学生态中常态化、规模化应用的首要条件是牢固建立技术与教育目标的对标关系，避免出现既将智能技术作为出发点又作为终点的实践误区。部分技术派教育者惯于超前“布局”新兴人工智能技术产业与教育场景的交叉景象，不断追逐技术领域的最新走势以“创造”教育热点（卢迪 等, 2020）。这同样也是很多新兴技术（如脑机接口、全息影像等）只停留在一些小规模、短周期的教育实验研究，甚至停留在构想阶段的原因。这些实验研究的约束条件已脱离了常态化的教学场景，可重复性弱，用片面的教学实验数据来推理教学实践，不仅造成教育资源的浪费，也误导了教育实践者对技术角色的判断（翟雪松 等, 2020）。另一类误区更为隐蔽，看似引入了常态化的教学大数据，但其结论往往是分析不同人工智能算法的准确性，而其中教育问题要么属于常识性问题，要么尚未提供明确的解决方案。这一现象以智能技术的功能性为出发点，最终也是为了证明这些功能的有效性，而教育在其中的价值沦为收集样本的群体和实验的场景。李芒和张华阳（2020）将这一现象称为人工智能乐观主义，并对这种看似繁华的人工智能教育的背后臆想做出批判，并呼吁警惕簇拥人工智能乐观主义的“愉悦盲区”。

2. 教师对人工智能的恐惧和压力

与以上情形相反，有些对人工智能持保守观点的教育者，又会将人工智能对韧性教学生态的影响引向另一个极端，表现出怯生或麻木的态度。原因可以总结为三个方面。其一，一部分教育者出于堪忧技术凌驾自身的能力，产生抵制的情绪。有研究者将其归咎为这部分教师信息素养不高，更重要的是信息素养的形成不是简单建立在教师对人工智能技术的使用意愿上，而是建立在技术应用过程中对出现问题及困境的思考和解决中（张坤颖 & 张家年, 2017）。新冠疫情期间，大部分教育工作者不得不面对使用录播平台和相关技术手段，他们经历了从心理抵触、初步体验到技术困扰和解决，再到接受技术的变化过程，这一体验成为提升信息素养的一剂良药，也说明基于人工智能应用外部教育环境的搭建是至关重要的。其二，一部分教育者，特别是在高等教育领域，他们将科研与教学割裂开（邬大光, 2020），在研究中重视技术工具和手段，但不愿意尝试利用人工智能对日常教学工作进行变革，造成技术在科研和教学中的“两张皮”现象。其三，最后一个原因是认为教学容易被技术“绑架”。教师感受到虽然社会生活中许多职业已经被智能化的人工智能产品取代，但生活压力似乎没有减轻。反观教育场域，技术与教学的叠加似乎在解决一些问题的同时，又“强行”将这些叠加个案推向主流，从而增加了教师压力和负担（张蓉菲 等, 2022）。

综上所述，人工智能赋能的韧性教学生态既要小心人工智能应用布局和教师态度方面的挑战导致的“蜻蜓点水”式教学应用，也要警惕离开教学全流程的生态观，仅仅依靠技术的革新和对前沿方法的追逐而进行的“掩耳盗铃”式建设。韧性教学生态是复杂和多变的，要善于把握高校常态化的教学形态，注重将学校数字化改革设计、教学管理、师生服务对标恰当的人工智能技术才是当下的重点任务。人工智能技术的发展速度远快于教育的自身发展规律，从教学本身出发思考人工智能的应用价值，突出人工智能对于常态教学的作用机制，才是发展“人工智能+教育”的关键途径。

六、

结语

2021年12月，联合国教科文组织、联合国儿童基金会和世界银行联合发布了《全球教育危机状况：复苏之路》（The State of the Global Education Crisis: A Pathto Recovery），指出当前阶段要通过积极的政策行动以期恢复学习，充分利用这场危机重塑教育，使之更具弹性、更公平、更有效地为所有人提供学习。人工智能作为新一轮科技革命和产业革命的重要驱动力量，正成为保障教育系统安全稳定、推动教育系统改革创新的有效支撑手段。同时，实现人工智能赋能韧性教学生态服务高校常态化、规模化教学不仅需要实践上的探索，更需要广大教师和管理者树立以立德树人为核心的价值观，怀揣技术服务学生全面发展的情怀，以人工智能等信息化技术手段促进教育公平和教育高质量发展（韩世梅, 2021）。我们要深刻认识到人工智能将与人类智能交互影响的普遍规律，积极探索人工智能契合教育发展规律的应用通道，构建韧性的教学生态系统，实现更高质量、更公平教育的规模化与个性化均衡发展。

参考文献

向上滑动阅览

董艳，李心怡，郑娅峰，& 翟雪松. （2021）. 智能教育应用的人机双向反馈：机理、模型与实施原则. 开放教育研究（2），26-33.

高琼，陆吉健，王晓静，商家慧，& 周跃良. （2021）. 人工智能时代人机协同课堂教学模式的构建及实践案例. 远程教育杂志（4），24-33.

顾小清，李世瑾，& 李睿. （2021）. 人工智能创新应用的国际视野——美国NSF人工智能研究所的前瞻进展与未来教育展望. 中国远程教育（12），1-9，76.

韩世梅. （2021）. 我国教育信息化促进教育公平的政策演进、问题分析和发展建议. 中国远程教育（12），10-20，76.

何文涛，梁晨，庞兴会，& 路璐. （2021）. 协作学习活动设计的困境与出路[J]. 电化教育研究（3），103-110.

蒋鑫，朱红艳，& 洪明. （2020）. 美国“教育中的人工智能”研究：回溯与评析. 中国远程教育（2），9-20，48.

教育部. （2021-12-10）. 2021世界慕课与在线教育大会在线上举行. 中华人民共和国教育部网站. http：//www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/s5987/202112/t20211210_586245.html

李芒，& 张华阳. （2020）. 对人工智能在教育中应用的批判与主张. 电化教育研究（3），29-39.

李艳，陈新亚，陈逸煊，& 张帆. （2020）. 疫情期间大学生在线学习调查与启示——以浙江大学竺可桢学院为例. 开放教育研究（5），60-70.

李艳，陈新亚，孙丹，朱雨萌，& 翟雪松. （2021）. 从“透明人”到“践行者”：高校信息安全面临的挑战与应对——《2021地平线报告（信息安全版）》之启示. 远程教育杂志（3），11-19.

刘三女牙，刘盛英杰，孙建文，沈筱譞，& 刘智. （2021）. 智能教育发展中的若干关键问题. 中国远程教育（4），1-7，76.

刘奕涛，杨体荣，& 方晓湘. （2021）. 增强教育系统的韧性：联合国教科文组织危机敏感型教育规划论析. 比较教育研究（11），31-38.

卢迪，段世飞，胡科，李福华，& 陈熠舟. （2020）. 人工智能教育的全球治理：框架、挑战与变革. 远程教育杂志（6），3-12.

唐玉溪，& 何伟光. （2019）. 世界一流大学智能教育生态系统构建及演替. 教育发展研究（17），72-78.

王娟，吴永和，段晔，& 季隽. （2015）. 3D技术教育应用创新透视. 现代远程教育研究（1），62-71.

王雪，高泽红，徐文文，& 张蕾. （2021）. 反馈的情绪设计对视频学习的影响机制研究. 电化教育研究（3），69-74.

王正青，& 但金凤. （2020）. 人工智能技术在美国学校教学中的应用领域与推进策略. 比较教育研究（6）：43-49.

魏雪峰，高媛，曾海军，& 黄荣怀. （2018）. 我国高等教育与基础教育技术应用发展趋势分析——基于《2017新媒体联盟中国高等教育技术展望》和《2016新媒体联盟中国基础教育技术展望》的对比. 中国电化教育（1），72-76.

邬大光. （2020）. 教育技术演进的回顾与思考——基于新冠肺炎疫情背景下高校在线教学的视角. 中国高教研究（4），1-6，11.

徐欢云，& 胡小勇. （2019）. 借鉴、融合与创新：教育人工智能发展的多维路向——基于AIED（2011- 2018）的启示. 开放教育研究（6），31-45.

杨玉辉，董榕，张宇燕，汤显峰，& 黄健. （2019）. 基于虚拟现实的远程教学空间的创建与应用——以哈佛大学与浙江大学的跨国VR远程教学为例. 现代教育技术（11），87-93.

叶俊民，周进，& 李超. （2020）. 情感计算教育应用的多维透视. 开放教育研究（6），77-88.

翟雪松，& 史聪聪. 2020. 《教育信息化十年发展规划（2011-2020年） 》的实施现状、挑战与展望. 现代教育技术（12），20-27.

翟雪松，束永红，楚肖燕，& 朱雨萌. （2020）. 轻量级生理反馈技术的教育应用及测量——基于2015—2020年的文献综述. 开放教育研究（6），37-46. 

翟雪松，楚肖燕，& 李艳. （2021）. 融合视觉健康的在线学习环境设计原则与技术路径. 现代教育技术（12），12-19.

张坤颖，& 张家年. （2017）. 人工智能教育应用与研究中的新区、误区、盲区与禁区. 远程教育杂志（5），54-63. 

张蓉菲，田良臣，& 马志强. （2022）. 智能时代教师设计思维培养：逻辑向度与困境纾解. 中国远程教育（4），55-64，77.

张文. （2017）. 新课程推进中学生评价存在的问题与对策. 教育理论与实践（2），20-22.

张志祯，张玲玲，& 李芒. （2019）. 人工智能教育应用的应然分析：教学自动化的必然与可能. 中国远程教育（1），25-35，92.

赵瑜. （2019）. 人工智能时代新闻伦理研究重点及其趋向. 浙江大学学报：人文社会科学版（2），100-114.

郑娅峰，王杨春晓，严晓梅，张志祯，& 郑永和. （2020）. 我国智能教育装备发展现状及重点研发方向分析. 中国远程教育（11），11-19，76.

中共中央、国务院. （2020-10-13）. 深化新时代教育评价改革总体方案. 中华人民共和国中央人民政府网站. http：//www.gov.cn/zheng ce/2020-10/13/content_5551032.htm

祝智庭，& 彭红超. （2020）. 技术赋能的韧性教育系统：后疫情教育数字化转型的新路向. 开放教育研究（5），40-50.

Azzi-Huck, K., & Shmis, T. (2020). Managing the Impact of COVID-19 on Education Systems around the World: How Countries Are Preparing, Coping, and Planning for Recovery. https://blogs.worldbank.org/education/managing-impact-COVID-19-education-systemsaround-world-how-countries-are-preparing

Kelly, S., Olney, A. M., Donnelly, P., Nystrand, M., & D'Mello, S. K. (2018). Automatically Measuring Question Authenticity in Real-World Classrooms. Educational Researcher, 47(7), 451-464.

UNESCO, UNICEF, & WORLD BANK. (2021, December 3). The state of the global education crisis: a path to recovery. https://www.worldbank.org/en/topic/education/publication/the-state-of-the-global-education-crisis-a-path-to-recovery

UNICEF Europe and Central Asia. (2020, June). Building Resilient Education Systems beyond the COVID-19 Pandemic: Considerations for education decision-makers at national, local and school levels. https://www.unicef.org/eca/media/13411/file

Zhai, X., Chu, X., Chai, C. S., Jong, M., & Li, Y. (2021). A review of artificial intelligence (ai) in education from 2010 to 2020. Complexity, (6), 1-18.

Research on the Path of Resilient Instruction Ecology in Colleges Empowered by Artificial Intelligence

Xuesong Zhai, Jiaqi Xu, Zhaoping Tong,

 Wenzhi Chen, Zihui Zhang and Yan Li

Abstract: During the COVID-19, the repeated switching of online and offline teaching requires teachers and students to be resilient in teaching and learning, to meet the challenge of adjusting teaching methods correspondently. Currently, the employment of artificial intelligence to empower resilience teaching ecology has become a vital research topic. However, there is lack of systematic perspective to comprehensively analyze the construction of resilience teaching ecology in the existing research. This study aims to take Z University as a case to explore the framework and manifestation of AI enabling resilience teaching ecology. Furthermore, the effect of resilience teaching ecology by AI on the practical experience and teaching are investigated. The results of this research indicate that Z University, taking the middle-platform architecture as the technical base, enriches the application of the teaching platform through four stages of learning guidance, teaching, collaboration and evaluation. The Resilient Instruction Ecology ensures the adaptability of teachers and students to environmental alienation and the effectiveness of teaching performance in the process of repeated epidemic. Finally, it looks forward to the future development focus of AI-enabled and resilient instruction ecology and reflects on the potential challenges.

Keywords: resilient instruction ecosystem; artificial intelligence; college instruction; middle-platform architecture; collaborative learning; distance learning with synchronizing screen; teaching stage; knowledge graphic 

作者简介

翟雪松，浙江大学教育学院特聘研究员。

许家奇，浙江大学教育学院博士研究生。

童兆平，浙江省教育技术中心发展研究部主任。

陈文智，浙江大学信息技术中心教授。

张紫徽，浙江大学信息技术中心总工程师。

李艳，浙江大学教育学院教授（通讯作者：[e-mail]）。

基金项目：本文系国家自然科学基金面上项目“融合视觉健康的在线学习资源自适应表征及关键技术研究”（项目编号：62177042）的研究成果。

责任编辑：韩世梅

2023年第1期目次