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
