智能代理,即Intelligent Agent,又简称Agent,目前已经广泛应用于人工智能、分布式计算、人机界面等领域。智能代理能够从过去的经验中不断积累知识,并能根据知识的变化来改变自己的行为,具有高度的智能性和自主学习性。
在网络教育过程中,智能代理能够动态跟踪和实时监控教与学的各种行为,分析学习者学习的情况,识别学习者的认知水平,并对不同认知水平的学习者或不同的教学内容采用不同的教学策略,支持和促进学习者对复杂、抽象概念的学习与理解,进而能够基于情感态度的自动辨别与感知等,为学习者提供适应其个人爱好的学习资源与学习方式,以实现对学习者具有针对性、有实际价值的指导与帮助,真正实现因材施教。
2.按不同需求组织与精准推送
由于每个学习者之间在认知能力、认知结构、知识基础和学习动机等方面存在较大的差异,他们对于学习自然有不同的需求与偏向。因此,我们需要采用智能推送技术,将资源特征和学习者偏好和需求尽量匹配起来,以提供符合不同学习者口味的学习内容,并适时、精准推送给学习者。
在网络教育中,学习者个性化学习内容推送是当今智能化学习平台的基本功能。学习内容的精准化定位与推送,在于通过收集学习者认知状态的信息与数据,提取学习者的生理特征信息,识别学习者所处物理环境教与学的场景,精准定位其教与学需求,适时为学习者推送所需的数字化教育资源。
3.基于学习效果的动态评价与大数据分析
在信息时代,传统评价是在特定时间评价被试者的学习效果,是一种结果评价,目的不是为了改进学习效果,大多是一种教学管理的程序。而动态评价是对评价对象的教学发生和学习过程进行实时性评价。其主要目的是为了通过评价活动为学习者提供教学辅助,改进教学方式,以此来改善学习者的学习效果。
近年来,在网络教育中基于大数据分析的学习效果动态评价越来越常态化,通过教与学产生的各种大数据采集与挖掘,构建起学习效果动态监测评价数据集,再利用云网络计算平台,实现基于大数据的动态监测与分析评价。并将这种监测与分析的结果,动态反馈给学习者和教师,以此重新设计学习路径,改善教学环节,推送有价值的学习资料等。可见,动态评价与大数据分析,它们成为网络教育中实现个性化学习的关键要素。
三、人工智能时代远程开放教育教与学的变迁
(一)知识生成与流动的变迁
知识是“人类认识的成果或结晶”(辞海,1999)。在计算机网络诞生之前,知识主要载体是纸质书本以及广播电视媒体。这些媒体具有制作成本高、单向传播、信息流通与交换速度较为缓慢等特征,因而知识更新的速度也相对比较缓慢;进入信息时代,知识(信息)主要以文档形式出现,超链接技术使得知识不断变幻各种形态,成为动态的网络生态,而不再像书本和广播电视中那样呈静态的层级结构;而到了人工智能时代,网络从以文档为主体向数字为主体转移,信息主要以数字形式出现。这时,不仅人可以读懂这些信息,机器也可读懂这些信息,而且所有的信息都处于流动、不断变化之中,这些信息可以根据学习者的需要动态地聚合在一起,通过分析判断学习者的学习需求与习惯,推送获取所需要的信息。同时,“人工智能+教育”使得学习者由知识的消费者转变为知识的创造者。知识在交互中生成,比如,通过智能搜索,人人生成并通过网络交互拓展、聚集与嬗变,学习者本身既是信息消费者,又是信息的发布者。
(二)学习资源形式与构建的变迁
从信息时代到人工智能时代,远程开放教育学习资源的变迁体现在三个方面:一是学习资源的形式变迁。从教材+课件资源,向教材+课件资源+互联网资源转变;特别是学习资源的微型化,是开放大学学习资源建设面临的重要变革。随着机器学习、深度学习、视觉技术不断发展,不论学习资源的长度如何,原有的视频资源都可以通过视频分析技术,实现对视频进行切块、标记,分割成众多小资源以推送给不同需要的学习者;二是学习资源的结构变迁。由单结构化向适应于学习者个体的跨媒介型、非结构化形式转变;三是学习资源的生成变迁。由静态向个性化动态生成变迁。比如,在智能化学习系统里,虽然不同学习者学习同样的知识,但系统给他们设定的学习路径、推送的学习资源往往并不一样。
(三)教学内容组织与实施的变迁
为了实现教育教学目标,需要选择合适的教育教学内容,并加以科学组织,形成了各种课程。在信息时代,远程开放教育教学内容由教师组织与实施,具有结构化、固定化、超链接的特点,对所有学习者都呈现一样的教学内容和结构。进入人工智能时代,教学内容将由人工智能组织与实施,智能技术会充分应用学习分析和数据分析,给予学习者AI智能画像与建模,智能地把握学习者的心智特征,分析、判断学习者的学习需求与习惯,匹配资源做到和学习者偏好和需求相吻合,以精准推送个性化的教学内容给学习者。因此,每个学习者具有不一样的学习路径,教学内容和组织方式呈现出非结构化、精准化、个性化、动态化的特征。
(四)教学绩效评价与管理的变迁
在传统教育的环境下,由于针对学习者的个性化和发展性评价的操作难度较大,因此,对学习者进行教学绩效评价的主要形式是纸笔考试,而且一般只在课程教学结束后实施评价。这种评价方式的主要问题是偏重结果评价,忽略过程评价,偏重群体发展,忽视个体发展等。
在“人工智能+教育”的环境下,新技术为实施个性化学习评价成为可能。正如前述,大数据技术支持对学习者进行过程性评价和个性化评价,通过记录学习者的所有在线学习行为,包括学习路径、答题情况、考试评价、师生互动信息等,每个学习者都有个性化的学习行为数据。实现对学习者学习行为作出精准的学习分析,达成学习者评价的个性化。目前,一些研究机构已经推出应用产品。例如,美国普渡大学的“课程信号灯”,通过采集和计算学习者的课程学习表现、学习努力程度、学习者特征等数据,实时预测学习者课程学习绩效,帮助学习者取得课程学习的成功。
四、人工智能时代的开放大学2.0框架