文摘
这项研究提供了一个内容分析的研究旨在揭示人工智能(AI)是如何应用于教育部门和探索潜在的AI在教育研究的趋势和挑战。总共100篇论文包括63篇实证论文37(74)研究和分析论文选择从教育和教育研究的社会科学引文索引数据库从2010年到2020年。内容分析表明,研究问题可以分为开发层(分类、匹配、推荐和深学习),应用程序层(反馈,推理和自适应学习)和集成层(情感计算、角色扮演、身临其境的学习和游戏化)。此外,四个研究趋势,包括物联网、群体智慧,深入学习,和神经科学,以及人工智能教育的评估,提出了进一步的调查。然而,我们也提出了挑战,教育可能是由于人工智能AI技术的不当使用,改变教师和学生的角色,以及社会和伦理问题。结果提供见解的概述人工智能用于教育领域,这有助于加强教育和人工智能的理论基础为教育者提供了一个有前途的通道和AI工程师开展进一步的合作研究。
1。介绍
大数据的出现,云计算、人工神经网络、机器学习使得工程师创建一个机器,可以模拟人类智能。在这些技术的基础上,本研究是指机器能够感知、认识、学习、反应和解决问题的人工智能(AI) (1,2]。不可避免的是,这种智能技术将改变未来的工作场所3]。因此,虽然人工智能交互和可以帮助人类在更高的级别上执行,它正成为下一个颠覆性创新[4]。AI现在被许多人视为一个司机积分的第四次工业革命,而且可能引发第四次革命教育。学习人工智能也开始成为学校课程的一部分5,6]。然而,正如电视和电脑的出现曾吹捧是教育的游戏规则颠覆者,他们已被证明实际上大大提高获取信息没有改变的核心教育实践。尽管如此,教育工作者有义务审查当前人工智能能力和识别可能的途径来优化学习。考虑到越来越多的关注,它是及时审查最近的人工智能研究教育为教育工作者提供一个更新的理解领域的准备可能的变化。
人工智能教育日益传播具有战略价值(7]。Loeckx [8)表明,人工智能可以是一个有效的学习工具,减轻师生的负担,为学生提供有效的学习经验。加上当前教育改革等教育资源的数字化,游戏化,个性化的学习经验,都有许多人工智能应用程序的发展教育的机会。例如,人工智能技术的造型可能已经利用系统开发建设的反应和适应性教程个性化学习环境的补偿缺乏教师通过使用智能辅导系统(其)10]。同期对提供个性化的学习经验在四个主要方面:监控学生的输入,提供适当的任务,提供有效的反馈,并应用人机通信的接口(7]。当更多的同期创建更多的主题和话题,它可能会改变教师的角色,因此,学校可能需要重新构建。存在许多问题和担忧老师如果AI挑战他们的工作。等问题的同时,正在学到了什么以及如何使用人工智能研究人员目前正在讨论以及教育实践者。一些研究人员怀疑进步在AI将挑战甚至取代教师因为很多其他工作正在被自动化(11]。有一个新兴承认教师专业角色需要调整随着人工智能的发展,这将引发新的组织形式12]。新兴的挑战还包括学生对这些变化的态度(13]。在某种程度上,学生数字公民能够利用人工智能来提高学习成果。尽管如此,他们可能无法适当地使用合适的人工智能技术为一个特定的学习环境中,这将导致消极的学习态度(14]。
总而言之,本研究涉及的人工智能的研究教育。先前的研究包括三个基本观点的AI知识处理:(一)知识表示,(b)知识获取和知识推导(c) (3];本文将重点讨论人工智能技术和工具已经融入教育之后,最近人工智能的扩散。人工智能的“第一代”可能支持人类知识的工作通过应用基于规则的专家知识,和“第二代”可能会发现统计/搜索模型的最优解,而“第三代”基于大脑模型将大大提高识别性能。本文关注的文章发表在《科学时期从2010年到2020年从Web,代表时期第二和第三代人工智能开始进展到教育。指导本文的研究问题如下:(1)人工智能在教育的整体状态是什么?研究主题和研究设计与人工智能相关的教育是明显的从2010年到2020年?(2)有哪些趋势发表研究人工智能方面的教育?(3)有什么挑战来自当前研究人工智能的教育?
2。方法
本研究是一个系统的文献回顾。审查的目的是分析和解释结果根据预定义的研究问题(见上图)和标准,指出服务未来的发展方向15]。预定义的研究焦点,如表所示1研究目的、学习主题、教育水平、研究的方法和效果。评审是在三个阶段:进行计划、执行和报告系统的审查。
2.1。计划评审
像以前的评论进行了人工智能在物理科学(16,17),该研究旨在进行审查在社会科学领域。
科学的网络数据库和社会科学引文索引(1)期刊选择所需的搜索的文章从2010年到2020年出版。文章发表在《SSCI数据库通常被认为是高质量出版教育研究者之一。使用的关键词是“人工智能”,主题领域是提炼“教育和教育研究”。这一过程产生了142篇文章包括121篇研究论文,10审查论文,论文的一次采访中,和5书评。所选文章包括分析研究(主要是定性研究)和实证研究(主要是定量研究)。
2.2。执行审查
后吴et al。18,本研究是在两个步骤进行:识别和编码。在第一步中,一篇文章被选到潜在池时,能胜任两种标准:(a)研究涉及到一个特定的人工智能技术作为介入协助学习或教学和(b)它提供了经验证据或深入分析。正如已经指出的那样,在人文社会被认为只有文章索引。应该注意的是,研究集中在开发过程的人工智能没有教育意义或只采用AI人工智能的学习主题没有就业被排除在这个评论。其次,对于分析研究,只研究,讨论了人工智能技术对教育的影响是包括在内。每个所有确定论文的全文阅读和筛选分别由三片式成员具有博士学位或领域的教授学习技术。研究,显然不符合标准提出的小组讨论。筛选过程产生了100篇文章的121年的原始设置。
在第二步中,作者讨论了主题分析原理,建立了一个编码方案的AI是如何用于教育。两个主要类别进行调查:采用研究问题和技术。首先,关于研究问题,先前的研究已经发现了AI知识处理的三种基本模式:知识表示、知识获取和知识推导(3]。在这个基础上,样本论文的研究问题分为三个维度:(a)的发展,专注于知识表示模型;(b)提取,围绕如何从数据挖掘获取知识;和(c)应用程序,强调人机交互通过信息推导。其次,在技术采用方面,重点是研究采用的技术类型,这是进一步分为软件(例如,算法和程序)和硬件(例如,传感器和虚拟现实等设备)。应该注意的是,没有人工智能的研究与技术教育的目的是不包括在内。详细描述如表所示1,它包括学习主题、教育水平、研究的方法和效果。此外,研究人员进行了进一步的频率比较之间的关联研究目的和一些因素,如人工智能技术采用时间预测的趋势以及人工智能教育的挑战。
3所示。结果和讨论
根据上面的编码标准和内容分析,研究三维空间问题如表所示2从63年和72年的研究实证研究(5篇论文有两个研究,2篇论文有三个研究)进一步subclassified分为11类。有23个研究维度的发展。人工智能技术作为开发工具,利用智能学习环境建设,可subclassified关注算法的发展包括分类、匹配,建议,和深度学习的教学和学习的目的。此外,35回顾研究中发现提取的维度,这指的是应用程序开发的人工智能技术,通常基于算法,为学生提供反馈,推理和自适应学习。14实证研究发现应用程序由感情的尺寸计算、角色扮演、身临其境的学习和游戏化。在集成维度,人工智能技术包括那些涉及人为因素至关重要的变量来识别和分析学习者的个性化特征。在这样的研究中,人机交互生成提高创造力等特点,责任,和批判性思维,会影响学习者的表演和感知。以下部分描述什么时代的教育问题是处理人工智能和人工智能技术是如何应用于每一个研究问题。
3.1。维度的发展
如表所示216实证研究发现,关注教育的发展系统,如智能辅导系统(ITS)和电子评估。开发过程通常与一个induction-deduction方法进行的,在这之前的实验和数据分析预测变量紧随其后获得最后的建模方程的算法测试(19]。
一般来说,一个教育系统的发展构成了三个组件:演讲、逻辑建模和数据维数(20.]。所有23个研究集中在逻辑模型,而没有发现研究的演示方法或数据挖掘。可能的解释可能由于建模技术是人工智能的基础技术,从根本上渗透在整个系统开发的过程。在这个维度,研究通常在计算机科学和信息科学的领域,和领域知识的源材料导入算法框架(如图1(一))和一些教学设计报告。例如,Horakova et al。3]目的探讨文本的分类能力采矿机使用三个分类技术。结果表明,人工神经网络(ann)明显比回归树和决策树更有效隔离教育文本或文本片段。
(一)
(b)
(c)
此外,匹配/组形成造型,先前的研究运用原型理论评估的贝叶斯网络、关联规则、聚类、模糊c,模糊算法和遗传算法被广泛接受的个人属性的造型的学生。这些技术提供的潜在迹象形成同构和异构群体的调查在一个教育背景下(21]。
此外,越来越多的数据的趋势挑战教育者有效地分析定性数据。自然语言处理(NLP)提供了一种方法来诊断问题和提出建议的简化和加速的发现数据(内22]。然而,一个复杂的教育系统的评估需要更深刻的信息检索。多个方法的集成,如基准在NLP /语义Web领域,提出智能计算机辅助建模系统中自动代理可以训练(23]。
优化模型在学习背景下,层次结构被认为是可能的解决方案模式的教育系统。这是因为教育通常是一个复杂的系统,子系统和组件的展览,无形之间的因果过程子系统/组件的行为将会互相影响24]。建议系统的造型应该分析三维教育背景:学习者的变化,学习领域和学习活动(25,26]。例如,一些研究者构造高阶项目反应理论框架涉及整体能力在第一维度在第二个维度和多个域的能力,这已经被自动解决问题的过程中采用(27]。
基于上述,阮和杨的建议(28),发展AI-integrated系统在教育的目的可以分为四种类型:分类研究(5)匹配(研究),推荐(5)研究,深度学习研究(10)。(1)分类是指知识基础的重建,材料的分类根据不同的特点。分类作为知识内容,导致文本分析的准确性(3]。例如,一些研究人员开发了一个分类的特征运动问题,由学习者可以很容易地访问不同类型的运动问题在数学(29日]。(2)匹配是指一种转换机制,不同的组分类的连接到特定的学习目的。例如,一个盲人学生text-to-diagram系统几何单词链接到一个潜在图盲文打印输出,这被证明是一种有效的教学/学习工具在盲人学校[30.]。(3)建议被认为是一个聪明的创作工具。的支持自然语言过程中,它可以自动创建新主题,理论,和教学内容对学习者的反馈,帮助教师节省时间和精力31日]。它建造了一个人机交互和广泛用于生成实时和智能根据学习者的反馈输入,这被认为是一个可靠的功能在现代评估系统(32]。(4)深入学习,或机器学习,是一个全面的大数据处理的方法和学习行为的分析。基于大数据的扩散在教育、学习或教学等行为时,系统可以通过升级主见来满足用户的动态需求的算法(33]。
到目前为止,一些研究报道缺乏对提高教学产生重大影响。挑战在很大程度上归因于疲软的教学设计和缺乏适当的评估标准(8]。未来的研究应该基于学习理论更容易接受,访问,和有效的人工智能可以学习者的生活的一个组成部分。
3.2。维度的提取
教育工作者已经开始探索合适的人工智能技术在教学中的应用。目前有一些人工智能应用程序的整合技术,实现领域知识和教学设计。人工智能识别的三种类型的教学应用综述反馈(16研究),推理(10研究)和自适应学习研究(9)。而这些应用程序可能是相互关联的,他们被归类为基于分类阐述了文章的作者。
3.2.1之上。反馈
损害的一个挑战个性化学习内容的不恰当的测序。表示序列的重组是寻求一种方式重新定义知识的组织根据学生的反应。在这种情况下,反馈是一个重要的方法来满足学习者的学习模式(近端9]。使用人工神经网络,系统根据学生的输入提供即时的反馈,帮助他们逐步获得抽象概念和执行实际的练习。除此之外,研究人员认为一个积极的趋势,这可能归因于两个方面。
(1)基于欧胜的理论,学生可以学习反馈的结果生成一个错误(34]。在物理教学环境中,老师可以与学生互动立即出现困难。然而,困难等在网上即时交互上下文。形势需要智能算法来自动提供反馈。例如,教学基于主体的认知结构的帮助下,智能虚拟实验室的开发给予适当的反馈学生遇到的困难在实验室(35]。除此之外,一个学习网站,Jutge.org,开发丰富的特性和组织良好的问题库。该网站提供即时反馈,帮助学生逐步解决问题和从错误中学习36]。(2)即时反馈促进积极培训互动学习环境,有利于学习者的理解诊断19]。前面的研究结合语音识别,自然语言处理,机器学习和衡量课堂讨论的质量,新形式的交互创建进一步激起思想和形状的有效交互的学习环境37]。另一个人工智能系统使用路径遍历的算法建立因果链,由学生提供详细的反馈和提示,而不是正确的答案。learning-by-teaching上下文是由学习者的自我组织的交互和反馈的解释(38]。
尽管大量的优点被报道对领域知识的自动反馈,没有研究综述教学理论建立了连接。大部分作者在计算机科学领域的发展维度,从而导致他们关注的源数据(领域知识)技术上没有多少教学的考虑。
3.2.2。AI-Supported推理
递归的反馈可能有潜力培养学习者的能力以特定方式的原因,因为学生之间的人机交互能够产生一种责任感对改善知识资源库的建设(39]。重建的知识存储库被视为使用造型意识到教学设计的过程如图1 (b)。然而,一些研究人员发现,新手如学生和职前教师显示系统中最小的理解无形的因果行为相比,专家和有经验的教师(24]。另一个研究显示一个类似的结论:学生能够学习相关的事实和成对关系,虽然他们仍然可能失败原因与他们很好(39]。一个可能的解释可能是,推理在很大程度上是无形的,很难引起推理过程的观察行为。人工智能技术,如可视化技术可以应用到培养学习者的推理。
帮助学习者提高推理、图形结构(29日)和学习者的参与(24)技术研究了。图结构,智能系统可以让思维清晰可见。从某种意义上说,人工智能技术的模拟方法来模拟跟踪实时推理视觉上的想法。例如,argument-mapping工具旨在帮助学习者与可视化的前提和结论参数。研究结果表明,一系列的连接参数是链接在一起的学习者做出一个最终的结论(40]。从社会文化理论的学习设计人工智能来支持学生的推理、Vattam et al。24)报道,参与学习者可以更好地理解复杂系统的多级组织。因此,学生的参与是一个重要的方面被考虑一个学习系统的设计,旨在支持推理。
生成的分层推理智能系统对学生学习有有益的影响。首先,它可以帮助学习者优化之间的关系说明一个特定的主题的子组件。作为回报,智能推理系统可以作为一种评价评估如果学生足够了对于给定的主题概念(41]。其次,系统可以提供一个争吵将协作学习氛围的建设具有重要意义。这是因为,由于同行的推理,学习者倾向于外部化参数和改善他们的前提。耆那教等。41)结合可视化映射工具和脚本协作。设计成功地帮助学习者分析和评估反对立场是有争议的话题。一般来说,研究人员认为推理的可视化工具价值的支架培养学习者的批判性思维和写作(40]。
然而,使用人工智能技术,包括可视化和分层推理模型,可能不足以支持推理。四个研究成果集中在利用造型来支持一般的推理,而应该很大程度上特定领域(推理模型24,39,40,42]。此外,有一个尚未解决的挑战编码学习者的行为AI-supported推理而言。推理过程可能更有效,当学习者的个性化表现。尽管可视化推理工具可以执行在一个小规模的团队,很难获得足够的推理分析的数据从一个庞大的人口,因为推理系统无法自动调整。因此,数据处理的需求越来越大,越来越多样化的需求自适应选择(9]。
3.2.3。自适应学习
基于人工智能的新分散理论和社会认知,学习者的行为明显的复杂性主要是学习环境的复杂性的反映。这促使教育者提供适应性支架与各种类型的学习者多样化的学习环境。与反馈系统,提供股票的反应不同,自适应教育体制是一个形成和纠正自动化系统,可以调整本身(干预)的目标,以满足个体学习者的特征、需求和偏好(教学目标)43]。虽然只有三个实证研究综述,一些研究人员非常积极的未来促进教学和学习的自适应系统。技术,如智能语音识别和自动写作评价(44)与前途的测试结果。此外,有大量的证据表明,自适应智能增强学习通过自动使学习者能够定位和访问近端教育资源对导航和表示支持(45]。
先前的研究已经强调,设计维度是一个值得探索的替代应用程序中自适应系统(46]。设计成功的自适应系统在教育、课程设计者和系统设计师们利用包括问题解决过程的造型在特定的领域知识和使用大数据21,44]。首先,机制的自适应系统连接学习者的先验领域知识和当前域的评价性能脚手架他们解决问题47]。特别是,自适应智能上下文中的教学设计是至关重要的。它包括自适应算法和考虑的选择学习方式的兼容性和情报支持方法。从这个意义上讲,假设AI会威胁到教师的位置可能是毫无根据的,因为教师作为课程设计师至关重要的作用。其次,自适应系统是由大数据授权。由于自适应学习系统的主要特征是个性化、积累等大数据的范围不同个人特征和学习风格和偏好是智能的个性化实现所必需的。然而,研究个性化的自适应系统局限于用户的特征相关领域知识。更深层次的内部字符,如人类的精神状态和创造力,几乎没有注意到,研究[21]。然而这至关重要的研究潜在的发展先进的人工智能技术,如生物反馈技术。
3.3。维度的应用
3.3.1。技术采用应用程序中的维度
应用程序突出的维度包括人类感情的重要性AI在教育领域的应用。最新的研究表明,情感越来越被报道对决策产生重大影响,感知和学习(48]。以前的研究对学习的测量性能只专注于两个维度:学习成果(例如,得分和成就)和感知(例如,满意度和接受),而其他方面不太注意。基于生物反馈技术的成熟,如眼球追踪和脑电图、情感计算被越来越多地采用调查学生的内部学习动机,比如创造力和责任(49,50]。
根据所选论文的内容分析表所示1,有五个典型的人工智能技术,情感计算和分析教育部门的支持。他们是复杂的算法,可视化,XR(虚拟/ /混合增强现实),可穿戴技术,和神经科学。在很多情况下,他们相互支持构建一个智能学习环境和系统。(1)复杂的算法在设计时考虑人为因素而不是功能块的简单组合。从人机交互的角度,学习者应被视为知识的创造者而不是接收器,这有助于产生积极的情感状态。从表现方式的角度来看,传统的声明语句在一个计算机系统应该被更多元化的口头陈述,如对话、教练和普遍性。(2)可视化被视为解决方案的优化方法选择复杂的概念。可视化的好处之一是使复杂的知识娱乐,如基于游戏的学习,学习者的动机将极大地生成。(3)XR包括虚拟/ /混合增强现实提供了一个高度模拟的学习环境中,这可能是一个挑战,实现物理课堂。例如,帮助学习者理解复杂的地形地理,XR沉溺于学生变成一个活泼的和创造性的状态。 (4) The wearable technique, such as Google glasses, helps to integrate learning activity into somatosensory moves. Although it was still in an exploratory period, it has great potential to advance domain knowledge in a practical context in daily life. (5) Modern neuroscience exploits how the brain works and this expands the research of learning to include the learners’ physiological state. Research in this area would enrich understanding about individual variations and could provide additional avenues to match instruction with the most optimal guidance.
3.3.2。应用程序的类别维度
上面的五个AI技术的支持,四种学习模式与应用程序生成的感情分析,生物反馈(6研究),角色扮演(2)研究,身临其境的学习研究(2),和游戏化研究(4)。
情感计算是指人类情感与感觉的分析被物理传感器和情感算法,近年来已得到太多的关注。情感计算增强人机交互。基于面部识别,一些研究人员改善学生的情感状态的智能辅导系统检测到给他们及时的情感反馈(51]。两个重要的方面需要优化情感计算技术:首先,教师要及时恰当的教学调整根据学习者的情感状态;第二,综合操作多模感情来源作为一个单一的源不太可能提供准确分析的感情。例如,眼球追踪技术可以获取学习者的眼睛固定跟踪参加区域,但焦点的原因可能是由于不同的情感如兴趣,焦虑,甚至是分心。另一个数据来源如脑电图可以帮助作出更准确的评估52]。
角色扮演是一种学习方法,激发学生思考感情问题假设不同的角色。一些算法设计与集成的角色扮演的教学设计,由一个智能代理,学生被教导学习系统(而不是教会的39]。争取角色扮演能增强学习者的投资与计算机的交互。更重要的是,学习者的责任感是对智能代理,这是符合研究追逐et al .,证明学生可能代表其代理人努力工作比为自己(53]。此外,激励学生作为同伴一个智能代理,礼貌表示模式采用智能辅导系统,这是观察到造福贫困学生54]。角色扮演的未来的研究可能会专注于授予访问学生,以便他们可以自定义他们的角色和目标代理。
身临其境的学习方式,使学生定制的场景人物参与学习全视图设置。XR的增强、3 d图形和可穿戴设备可以促进学习性能和身临其境的感情,这些都是强烈相关,生成学生的学业成绩和积极的看法,如兴奋、热情、和创造力。例如,学习者可以获得高度的兴奋在身临其境的学习环境。身临其境的环境也可以加上身临其境的合作姿态,情感,和非语言沟通14]。使用身临其境的学习也可以减少学生吓倒的感觉复杂的主题和技术概念,当他们暴露于模拟技术和计算问题(55]。最重要的是,许多身临其境的学习工具鼓励学习者的热情创造和改变环境,培养创造力[56]。然而,一些研究发现认为领域知识是一个变量。可能的原因可能是许多身临其境的学习工具都在探究的阶段。在特定领域急切地需要进一步调查。
游戏化已成为教育领域的一个重要理论概念。最成功的教育游戏紧密整合的教学设计、领域知识、情感元素和游戏。游戏的AI已经帮助集成和知识领域,并进一步潜在的游戏动态适应学习者的行为和感情(57]。适当的一个例子将领域知识与情感是Minecraft Edu。这是一个历史模拟游戏,学生可以了解历史人物和事件或洞察流行病的传播。学习者可以获得与真实的情感历史事件实时互动,和抵押品情感将帮助大家更好地了解具体内容知识(8]。另一个例子使用游戏奖励制度激励机制来促进自愿和积极主动的学习。结果表明,奖励制度有一个理想的符合教学设计,和未来教育算法可能更好的获得与人工智能领域的相关激励的学习(58]。
3.4。定性研究的结果
根据选择的定性研究(如表所示3),人工智能的探索教育经历了一个过程从理论研究到一个特定的实践领域,最后回到审查。同时,定性研究也提供了支持定量研究发展的整个过程。一些理论研究的前沿。例如,在2011年和2012年,定性研究在分散的理论43和群体智慧59)出现,然后真正的人工智能研究的开始。AI算法开始时不是很成熟而先进的智能算法通常基于大数据技术,他们可以不断学习和改进的大规模数据。大数据必须分散和差别。因此,我们认为,早期的理论研究起到了重要的辅助作用。2019年,研究人员在更注重总结之前的研究和未来发展前景,更会考虑现状,人工智能的未来,可能出现的问题在各个领域的教育。
4所示。人工智能在教育的研究趋势
4.1。采用物联网技术
现有的研究主要集中在虚拟网络系统,和互联网(物联网)不太注意到的东西。学习者的生物反馈还需要在未来的教育研究探索。根据审查论文,大多数人工智能技术在教育专注于网络信息技术或系统(107 109),如智能辅导系统,智能虚拟实验室,和评估系统。只有一个研究[55)采用耐磨电路来检查学生的生物反馈。这可能归因于智能网络系统已是不争的事实,更容易建立,和成本效益。然而,为了迎合不同的学习内容和多样的学习技能,物联网拥有太多的承诺。可以提高学生的空间和机械物理施工过程在科学教育的理解。物联网技术可以模拟大脑功能在物理上下文感知和理解人类的认知行为,这显然是人类认知优化和性能在两个定性研究(33,60]。尽管没有实证研究在选定的论文被发现测试物联网技术对教育的影响,负担得起的成本和可穿戴计算设备的物联网可能是一个潜在的AI在教育领域未来发展。这是与地平线2019年报告一致。
4.2。群体智慧在教育
群体智慧已成为人工智能的一个重要发展方向,在教师和学生的角色将是破坏性的改变。根据所选的论文,分散理论于2011年首先在教育调查(43),其次是群体智慧的引入2012年教育(59]。但是,没有实证研究探讨了教师和学生如何满足群体智慧带来的挑战。据预测,以下两个主题可能成为研究趋势根据群体智慧的特点。首先,群体智慧不依赖集中控制的个人行为。在这种情况下,学习者从知识吸收的创造者。他们积极地构建知识与系统在各种情况下。教师的“有关部门”可能是受到一群经验丰富的从业者如工程师和农民,和合作课程设计将由群体智慧系统[45]。此外,群体智慧可能会改变教师从知识传播知识组织职责。先前的研究表明群体集资或众包老师教育的探索,以及教师如何执行他们的组织能力在未来(5]。然而,如图2礼物,调查从教师角度还不足,需要进一步的研究。其次,群体智慧促进自适应性在动态或不稳定的环境。群代理通常由留痕交换信息和观察同龄人的活动。例如,当前时刻的最佳解决方案可能不可用在未来的时刻。因此,建议进一步投资AI如何执行动态推荐学生在不同的学习进步59]。
(一)
(b)
4.3。深入学习和Neurocomputation
深入学习或机器学习将重塑人类和机器之间的交互。人机交互的趋势将不再是基于人类机器操作的角度。相反,这台机器可以提高预测从大数据没有专门学习编程。两项研究在深度学习在2017年第一次选择的论文中提到(23,32]。2018年,一个实证研究37)发表,深度学习技术关注的造型scoring-based数据。然而,数据基于人类的物理特性不太注意。基于神经科学的基础的理解大脑,皮尔森和IBM提出调查neurocomputation幼童教育技术(33]。然而,只有两个定性研究(33,60)建议集成神经科学和人工智能的教育部门。未来的研究趋势将大脑功能与深度学习技术来优化人机交互可以预期。它会影响人工智能的应用和集成在教育、自适应学习、角色扮演等。这一观点已经在地平线报告2018年报告。值得一提的是,该报告还预测,自适应学习技术在两到三年内将进一步推广。
4.4。人工智能在教育的评价
所有的实证研究综述了人工智能技术在教育的积极作用(见表1)。然而,面试和审查论文,分别出现的挑战或人工智能教育的误解4,21]。有必要阐明整体评价标准来衡量人工智能教育的有效性。为了保证评估的有效性和可靠性,应采用多维模型,其中包括技术、教学设计、领域知识和人为因素。伍尔夫的(119年)教育技术路线图预测,在人工智能时代教育数据挖掘,终身评估学生的知识,他们的进展,他们学习的环境中,以及教学策略的成功与失败,可以按时间顺序跟踪。
除此之外,目前的研究是不成比例地集中在特定的教育背景和一些变量。如图2,大多数研究抽样学生作为参与者,而教师和教授从业人员没有注意到;此外,大多数研究人员认为科学、人文和社会科学学科,但较少关注体育,艺术,和特殊教育。例如,只有一个研究发现开发text-to-diagram转换作为一种新颖的教具盲人学习者(30.]。
5。人工智能教育面临的挑战
人工智能是一个有前途的领域,面临着许多技术瓶颈。的挑战将是更复杂的和复杂的,尤其是当他们被连接到应用程序在教育。挑战本文识别可以分为三个类别:技术、师生和社会道德。
尽管人工智能技术显示和预测智能计算在教育领域中,他们通常无法带来“附加值”大规模的学生因为成本的问题,和主流仍然是被“基本价值”(38]。具体地说,一些研究人员发现,许多人工智能技术设计概况,不能解决一个特定的域的需要,具体的学习活动,或教学目标。这将防止实现个性化学习经验(8,120年]。
在2018年的另一个巨大的挑战在地平线报告是对于教育者的角色。教师态度AI显著影响使用人工智能教育的有效性。教师可以从总电阻摇摆过度信赖。前者可能出现不足,不合适的,无关紧要的,或过时的专业发展。后者可能是由于教师的不切实际的期望。这些教师可能过于关注新兴的人工智能技术,而不是学习本身(44]。另外,从学生的角度来看,人工智能技术可以提供智能、高效的工具,使学生避免知识处理老师希望他们做的工作。例如,人工智能翻译可能提供现成的插图,发音,固定短语,甚至是一个串行的例子。学生因此不愿意参与调查过程,促进深度学习。
人工智能带来的伦理问题也具有挑战性的研究人员和教育工作者。很明显,人工智能在过去的几年中取得了非常大的进步,这主要是因为便宜的处理和数据的可用性;然而,个别学生数据可能暴露,共享,或使用不当。经常注意的挑战,教育工作者和AI工程师将面临在考虑我们如何访问,评估,并分享大数据和数据分析的结果44,65年]。另一个游戏化的道德争论明显发现,重点应该放在学习和倾向于“吸乐趣”的游戏,或者在游戏“吸出学习”(57]。
6。结论
鉴于人工智能的快速发展,迫切需要了解教育者如何最好地利用人工智能技术对学生的学术成就。综述了人工智能教育研究从2010年持续至2020年。它是迄今为止发现的研究可以分为三个维度:发展的维度,包括分类、匹配,建议,和深度学习;提取的维度包括反馈、推理、自适应学习;应用程序包括情感计算的维数,角色扮演,身临其境的学习、游戏化。此外,根据研究问题和相关的人工智能技术,确定了四个研究趋势。物联网,群体智慧,深入学习,和神经科学,以及评估人工智能教育的影响。人工智能在教育的挑战也明显的技术角度来看,教师和学生的角色,和社会伦理问题。这些发现可能是很有价值的参考教育研究人员、学生、和AI开发者计划有助于相关研究。此外,显然,教育者需要使用人工智能工程师解决技术和教学之间的差距。
7所示。局限性和未来研究
尽管本文并提出一些有价值的趋势和潜在的研究方向为人工智能在教育、存在一些局限性。首先,论文综述了研究从社会科学引文索引过滤,而其他数据库自然科学(例如,斯高帕斯和EI)和资源(如报告、新闻、会议论文和专利)可能涉及在这个领域提供更全面的概述。例如,文章从人工智能教育的国际期刊发表了30卷没有考虑。本文因此只有SSCI有限的文章。此外,最初的搜索可能会延长使用更多的关键词,如自适应学习和导师系统,这可能会导致人工智能的最新技术报告并不包括在本文的教育。其次,因为当前的审查并没有试图包容,但提供一个系统的概述人工智能在教育、分析综述可能为未来的研究提供了一个框架集成。例如,一个更正式的荟萃分析可以进行选择的实证研究报告影响大小,看看学习人工智能可能有影响。此外,未来进一步分析可以回去时间是否有变化,AI 2.0开始进展到教育。
数据可用性
内容分析的数据用于支持本研究的结果包括在本文中。
的利益冲突
作者宣称他们没有利益冲突的报告对于本研究。
确认
本研究工作得到了2020年教育部人文社会科学项目(格兰特ID: 20 yjc880118),中国国家科学基金(格兰特ID: 61977057), 2019年国家社会科学基金(19 zda364),和项目的信息化能力在大学治理系统,中国高等教育协会,2020年(批准号2020 zdwt18)。