导读：近日，在“全方位赋能·促进教育数字化转型”论坛暨人工智能教育研究联盟年会上，北京师范大学的武法提教授发表了题为《基于人机协同的精准学习干预研究》的主旨报告。
武法提教授认为，人机协同的方式是破解学习干预实践效果不佳，实现精准学习干预的路径和方向。
当规模个性化人才培养成为时代的要求，智能教育就成为平衡规模化教育和个性化人才培养的必然选择。精准学习干预是实现智能教育中精准教学和个性化学习的关键。自适应学习系统中，自适应干预受限于诊断数据源和场景理解的局限，所提供的干预精准度和适切性不高，单纯靠机器干预的路径走不通。如何破解自适应学习干预的实践困境？我们认为，人机智能协同是破解学习干预实践效果不佳，实现精准学习干预的路径和方向。第一阶段，以具体学习场景为入口，伴随式采集学习者多模态学习数据，采用学习分析技术诊断学习问题，并结合人类教师的经验判断，对学习问题进行实体表示。第二阶段，将诊断出的学习问题实体在知识图谱中进行定位，通过问题间关系对当前问题的根源进行溯源，推理最优路径生成问题链并匹配对应的干预策略链，结合教师经验以及社会化推荐，筛选出最适合的干预策略方案。详细解释一下“问题链”，当某位学生出现问题的时候，将错目做错可能只是表象，背后还存在一连串的问题，所以我们需要推理这个学生的问题链，然后匹配相应的干预策略链。第三阶段，根据策略链实施干预策略并检验其效果，若干预有效则结束当前干预；若学习干预无效，则按照“策略链层-问题链层-问题诊断层”的顺序逐级回溯进行，直至干预有效。由此构建精准学习干预的闭合回路，形成人在回路的混合增强智能系统。在整个精准学习干预的过程中，三个阶段都有人类教师和学习共同体中学习伙伴的介入，并且干预效果也会经过学习者自身的反馈，让系统变得更加准确。
在创建学习问题库时，会针对学习投入问题，包括学习进度、情绪状态、认知能力三方面。除了学习投入问题，还有学习互动问题、知识掌握问题，以及学习绩效问题。我们需要标注所在场景以及数据指标，比如学习进度可以通过资源访问时长、资源访问量、测试完成度、作业完成度等指标表达，通过学习分析里的算法进行计算，便可以量化出学生在这个问题上属于哪一等级。如果是一般等级，可以使用机器进行干预，有的级别则需要人为干预，或人机协同干预。这样，我们便形成了问题、场景、数据指标、学习分析技术、量化等级之间的关联关系。
首先要确定干预策略的类型，主要包括六类：可视化类（如学习进度可视化、互动内容关键词可视化）；诊断提示类（如弹出窗口、作业用时提醒）；社会支持类（如学习伙伴推荐、协作学习贡献度呈现）；学习内容类型（如视频资源推荐、试题推荐）、建议引导类（如学习路径规划、阶段性评估报告）、教师会话类（如邮件、站内私信、面对面会话）。然后将各种干预类型与干预场景、干预时机、干预强度、干预频率相结合，从而实现精准干预学习。干预方式主要有三种，第一种是系统干预，适用于学生存在知识性问题，需要直接告诉被告知答案的情况；第二种是人机协同干预，适用于机器干预同时需要人介入的情况；第三种是人工干预，适用于只能通过人类教师的人工干预解决的问题，比如对学生的学习状态进行判断后，发现是情绪方面的问题，这便需要老师进行人工干预。基于以上思路，我们进行了一些实践。下图是一个整体的技术实践方向，分为数据层、技术层、应用层。
技术层是通过集成API来开发接口，依托数据层所提供的资源，进行学习问题诊断训练与建模，这是研发的关键层次，这一部分主要使用一些现成的工具。应用层以可视化界面为师生提供所需的各项应用和服务，直接面向精准学习干预需求。另外，我们针对学习动机、学习水平、作业习惯、学习专注度4个方面进行了干预研究。
我们认为，学习者的行为主要与其动机有关。因此，基于动机理论，我们先在学生使用云平台的过程中采集他们的学习数据，然后进行画像和分析，从而确定学习者的角色类型，这个过程也需要老师的判断和干预。之后，我们还要设置一个动作干预引擎对学习者的角色进行干预判断，当我们的干预判断机器完全可以进行干预的时候，先由机器进行干预，如果学生反馈效果比较好这个过程就结束了，如果反应不好再让老师进行干预。
干预策略设计包括确立目标、提供反馈、给予认可、提出鼓励四个类型。比如提供反馈这一类型，系统自动推送的策略包括：提供学习标准参照，提醒学生及时完成任务，发送任务完成进度报告，提醒学生使用支持服务。这些都是可以基于触发条件，直接提供给学生的干预。教师人工实施的策略包括：解释为什么学习一个特定的内容是最重要的，向学生提供定期的积极和具体的反馈，定期与学习复习。这些干预如果由机器来做，会有很大的困难性，所以需要老师来介入。
我们在岳阳六中做过实验，经过使用教师发布提醒，教师对学生进行鼓励，以及教师对学生回答进行点赞等干预策略之后，学生登录平台次数、观看课件次数、观看视频时长、发帖次数等学习行为数据都有不同程度的提升。学习者“追求成功的动机”水平显著提升，“避免失败的动机”水平显著下降。
让学生通过电子书包、云平台进行练习和考试，然后基于Rasch模型获取的数据和输出的结果，判断学习者的能力，在这个过程中，教师介入对学习者的干预过程。Rasch模型是由丹麦数学家与教育学家G.Rasch于1960年提出来的一个用来测量潜在特质的概率模型，它能够建立起学生知识点掌握水平和学习者认知能力之间的联系。
Rasch模型可以将学习者能力与题目难度置于同一标尺下进行比较。将题目难度和学生能力值等分成6个区间，干预开始时向学习者推送符合其最近发展区难度的六道练习题，若学生作答正确数量高于阈值，则推送更高难度等级的试题；否则推送低一等级的试题。在这个过程中也要关注学生的反馈，如果推送的题目不符合学生当前的水平，反馈后则需要由老师进行调整。
在我们的研究中，我们将研究对象分为两组，控制组接受统一布置的作业题，实验组根据Rasch模型测量的能力值进行个性化习题的推送。经过四周的练习之后，实验组学生的学习水平显著高于控制组。
我们先建立了学习习惯数字化表征模型，通过数据化的方式表征学生的学习习惯，再具体到完成作业和测试的场景中进行干预研究。此外，我们还用学业拖延习得、学业勤奋习得来表征学生的作业习惯，并从学生做题时间、拖延程度、时间投入、专注度四个维度来构建作业习惯表征框架，最后通过聚类的方法对作业拖延的诊断结果来进行判断。
干预策略设计包括三种类型：任务支持策略、反馈支持策略、社会支持策略，具体可见上图。
学生使用平台完成作业与测试，学生的作业习惯通过作业习惯诊断仪表盘显示，来进行作业习惯徽章反馈的设计。通过作业的的完成、提交，以及最后作业的得分，来判定学生的作业习惯处于习惯徽章的哪一等级。
在研究中，我们将189位学生分为了实验组和控制组，对控制组不施加任何干预，对实验组采用两阶段的作业习惯干预方法。经过为期4个月的干预之后，学习者的不良作业习惯有了明显改善。
问题诊断环节主要分为六步：第一步，基于学习者在混合式课堂中多模态的学习数据，来采集学习者的专注度相关数据，包括面部、头部、手势、坐姿、交互五方面数据；第二步，对这些多模态数据进行时域同步和对齐；第三步，通过特征工程的方法，进行特征的提取和表示；第四步，在特征表征的层面上基于时域，对多模态数据进行专注度表征的融合；第五步，进行特征提取与表示；第六步，通过决策级融合来判定学习者的专注度情况，从而对专注度不良或者说注意力不好的学习者进行干预。
图中是我们在宁夏和重庆的学校里做实验研究的场景，在研究中，我们设计了专注度干预机制。首先获取实时数据，其次对学习者的专注度情况进行诊断，接下来匹配实施学生需要专注度干预策略，紧接着进行策略实施，最后进行效果验证。在智能教育的研究中，对于精准教学、个性化学习、精准评价、精准诊断、精准干预等方面的研究，精准干预的实现难度是非常巨大的，因为实现精准干预需要以精确的数字画像和良好的知识图谱等为基础。
注：武法提，系北京师范大学教授，博士生导师，教育技术学院院长。研究领域：网络学习环境设计、基于大数据的学习分析、智能学习系统、教育机器人。
“教育信息化100人”由媒产学研联合发起，聚焦教育信息化、教育新基建、智慧教育、互联网+教育、人工智能教育、教育技术等领域。我们建了一个读者交流群，群内有学界、政界、企业、学校等多领域的朋友，大家想进群的可以添加王老师微信：zhushou3721,点击下方关注我们。
教育部长怀进鹏：切实以教育信息化推动教育高质量发展
教育部雷朝滋司长：什么是“互联网+教育”?
北师大黄荣怀：中国教育信息化发展趋势分析
北师大李芒教授：教师如何认识“元宇宙”？
华中师大教授刘三女牙：教育技术产品化的思考