人工智能及其教育应用的研究及趋势
一．人工智能是什么
利用机器来模拟人的智能，从而感知、学习、理解并最终解决实际问题。
二．人工智能与图灵测试
“人工智能之父”图灵，在其1950年发表的论文《计算机与人工智能》（Computing Machinery and Intelligence）为人工智能提供了开创性的构思。他也提出了著名的“图灵测试”，指出如果第三者无法辨别人类与人工智能机器反应的差别，则可以认为该机器具备了智能。近10年来，人工智能在一些特定领域有了极大的进展。
三．人工智能与教育研究的热点
（一）学习者建模
它可以被认为是对学习者在知识状态、认知状态、情感体验与体质健康等方面进行量化和抽象表征，可以对个体学习者进行定量和微观描述，从而满足个性化与自适应学习的基本需求，另一方面，学习者建模可以对大规模学习者进行定性和宏观刻画，为教师和教研人员提供重要的理论支持和决策参考。
1.统计性分析与评析
◆实时获取学习者评价数据和阶段评价数据
◆对知识点覆盖情况、知识点能力层级、个体与班级对比情况等进行可视化
◆形成直观的、系统化的报告，并结合系统的诊断库对报告反映出的问题提供诊断和指导
2. 学习情绪与专注度
◆基于课堂采集的学生与教师视频数据，利用计算机视觉分析技术，对学习者进行多
个维度实时情绪测量，例如高兴、沮丧、生气、惊讶等。
◆结合教师方面的数据，也可以用于分析教师在课堂上的情绪饱满度，评估教师在不
同情绪下授课所表现出的学习效果。
◆除视频与图片信息外，可以利用可穿戴设备(例如智能手表、皮肤电传导手镯、智能眼镜
等)，对学习者行为数据进行采集。例如，额头下压和上眼睑通常可以表示在短时间内的混
乱与挫折感，而嘴部的放松可以对表示积极学习的学习情绪。
◆可穿戴设备通常都会配备多个传感器，包括三轴加速度传感器、角速度传感器以及心率
传感器等；在此基础上，利用特定的机器学习算法，可以较准确地识别学生在课堂中的举
手、记录笔记、起立回答问题等行为。
◆基于已经识别的学习行为，利用现有的学习科学理论和数据标注的方法，将不同类别的行为综合考量来判断学习者当前的学习专注度与学习情绪。
◆多个人工智能开放平台提供在线开放式服务，例如微软Azure开放多个AI功能的接口，它
的emotion API可以从图片和视频中自动识别出人脸并分析表情和情绪。
◆支持多操作系统与多语言开发，且实现代码简单。
3. 能力与知识追踪
各类智能教育系统都需要对学习者的能力与知识掌握状态进行准确区分与量化：
◆计算机自适应测验(Computerized Adaptive Testing, CAT)，提供基于被试能力的题目，
应用于GRE/GMAT考试等。
◆智能教学系统(Intelligent Tutoring System,ITS)，提供个性化学习与练习内容，包括
Knewton Platform、智慧学伴平台等。
◆人工智能领域中知识推理(knowledge reasoning)的各类模型，例如贝叶斯模型，被大量
应用于知识追踪问题，用于计算学习者掌握给定知识点的概率。
◆深度学习模型近年来也被应用于能力与知识追踪等问题，用来对学习者进行建模。
◆传统的IRT模型仍然被广泛使用和改进，用来对学习者能力进行估计。
◆北师大高精尖中心人工智能实验室利用知识点间前驱后继关系，结合深度学习模型，也
提出了新的学习者深度知识追踪模型。
◆该工作也将以长文形式正式发表于201 8年人工智能领域的顶级学术会议之一（IEEE
lnternational Conference on Data Mining, ICDM).
（二）知识表示与教育知识图谱
（三）认知诊断
（四）教育试题资源表征
（五）机器阅读理解与批阅
（六）智能教育系统
（七）脑科学与教育的结合
人工智能曾在上个世纪70年代和90年代经历过两次低谷期，从2010年开始，人工智能达到了增长爆发期，新一代信息技术引发信息环境与数据基础变革，海量图像语音文本等多模态数据不断出现，计算能力提高。
