托尼·贝茨 /文 王文胜 戚亚娟 / 译

一、人工智能和高等教育：期望与现实的鸿沟

在发展潜力方面，作为一个新兴专业领域，教育人工智能有可能改变我们的教学实践和学习过程。如奥姆·马利克（Om Malik）所言，随着高端技术、稳健算法的发展，不仅让人更具想象力，还给人带来新的预期，例如，近乎零成本地保持有效互动的可能性。当提及人工智能或任何应用于教育的技术时，其应用层次都各有不同。在高等教育阶段，对于技术应用的建议至少指向两个层次：用于制定策略或制度，或用于直接教学。

第一，制定策略或制度层次。从技术上来说，人工智能的应用涉及大数据、统计学和机器学习；从教育的角度来看，大多数此类应用解决的是学生选拔、辍学和群体行为倾向的问题，通过分析数据，能够进行预测并据此重新制定教学策略。有许多研究该应用领域的论文，但大多数研究都由计算机科学家完成（使用的是从教育事业单位获得的真实数据），且并未完全在教育事业单位内进行。未来几十年里，一旦教育事业单位提升其数据收集能力，并制定政策指导数据的使用，则在高等教育中这一应用领域很可能越来越重要。不过，该应用领域并非本期关注的焦点。

第二，教学应用层次。这一层次与教学过程直接相关。人工智能可以在多大程度上辅助甚至控制教学过程本身呢？到目前为止，这一应用领域主要包括人工智能助手，如聊天机器人或者为了适应群体或个人的特征与需求而开发的用于个性化学习和适应性学习的技术，以及任何使用了人工智能技术来直接帮助学习的教育软件。这是本期的关注焦点所在。而作为本期编辑，我们不得不说对征稿结果感到失望。尽管接受的这4篇论文质量较高，仍与我们的预期相差甚远，本以为就人工智能对高等教育教学的影响这一主题提交的论文数量会更多，质量更高。

人工智能正广泛应用于社会的诸多领域。从扎瓦基-里希特（Zawacki-Richter）等人的文献综述和本期征稿所得数据来看，尽管人工智能看起来能对教学产生很多直接影响，迄今为止却成效甚微。其原因在于：泰格马克（Tegmark）1Tegmark, M.Life 3.0: Being human in the age of artificial intelligence.London: Penguin Group.2017.认为目前我们还未达到通用人工智能（Artificial General Intelligence）的水平，即机器的处理能力未能与人类的认知能力相匹配。而博斯特罗姆（Bostrum）2Bostrum, N.Superintelligence: Paths, Dangers, Strategies.Oxford: Oxford University Press.2017.则认为，我们经历了一个“人工智能寒冬”，人工智能的支持者失去了人们的信任。虽然近年来，机器智能、深度学习和认知架构的发展有复苏之势，有人继续预测，人工智能将在社会各行各业中大有可为。3Kaku, M.Physics of the future: The inventions that will transform our lives.London: Penguin Group.2011.4Kelly, K.The inevitable: Understanding the 12 technological forces that will shape our future.London: Penguin Group.2017.这些进展有时被描述为“现代”人工智能，以区别于早期基于学习的计算机应用，或许先前人们将计算机应用误称为人工智能。然而，从本期接收到的论文来看，除了学习分析，目前几乎没有实例能证明“现代”人工智能在高等教育教学上的应用有重大突破。正如吉尔伯特·基思·切斯特顿（G.K.Chesterton）对基督教的理想的描写，“基督教的理想，并不是经过试验后发现行不通，而是因为难于实现而无人尝试。”关于这一点，我们必须说明，有可能确实有学者在这一领域做了有效研究，只不过我们的征稿没有引起他们的注意。然而值得关注的是，在我们接收的论文中，很少有论文与征稿启事中提到的大多数教育问题相关。

二、为什么人工智能在高等教育中的应用落后于其他领域？

正如“云”“大数据”和“机器学习”一样，“人工智能”一词早已被营销人员和广告文案人攫取。很多所谓的“人工智能”实际上是数据分析——换句话说，换汤不换药。重点其实在于加强，通过加强功能，智能软件帮助人们与其所处的愈加电子化的世界及其产出的海量数据进行交互。在审阅提交至本期的论文时，我们发现这一点同样适用于高等教育。

人工智能目前对高等教育教学影响如此之小的另一个原因是，当涉及新技术时，教育似乎通常都有所落后。不愿冒险或采用新技术、缺乏用于支持非传统教学方法的资金等，这些都阻碍了新技术在教育、培训中使用。1Wheeler, S.Digital learning in organizations.London: Kogan Page.2019.从本期伦茨（Renz）和希尔毕西（Hilbig）的论文中能够清楚看到，由于很多教育工作者们还不相信新想法能够丰富或扩大学习成果和经历，教育部门对新技术仍持高度保守态度。

如今，大多数所谓的人工智能在教学中的应用都十分专注于内容呈现和理解测试。扎瓦基-里希特等人指出，大多数应用于教学的人工智能，或至少是研究论文，都出自计算机科学家之手，而非教育工作者。由于人工智能往往由计算机科学家开发，他们基于计算机或计算机网络的工作原理开发学习模型（因为运行人工智能算法的显然只能是计算机）。因此，此类人工智能应用通常采取非常行为主义的学习模式：呈现/测试/反馈。林奇（Lynch）认为：“如果人工智能想推动教育发展，需要加强人工智能研发人员与学习科学专家间的联系。否则，人工智能将只会‘发现’质量不佳的新教学方法，并使教学的错误观念永久化。理解领悟能力才是重要的基本技能，但目前人工智能还无法帮助学习者提升批判性思维、解决问题的能力、创造力和知识管理等高级技能。”

通常，许多将人工智能运用于高等教育教学中的人，特别是那些具有计算机科学背景的人，还未意识到或还未接受这一观点，即学习是发展性、建构性的活动。与之相反，他们的做法是运用一种基于行为主义和客观主义认识论的特定教学方法，这并不能很好地体现高等教育学习的复杂性。就连行为心理学家也认为，知识包括复杂认知模式的发展或概念的构建。

因此，对通过记忆和理解获取的知识进行测试并不能很好地支持个性化教学、智能辅导和学生测评。高级心智技能如批判性思维、创造力和解决问题的能力，和情感技能如共情能力，是数字时代非常需要的技能。大部分教育工作者都认为要发展这些能力需要开发一种以学习者为中心的建构主义方法。

值得注意的是，虽然目前大多数人工智能在教学上的应用更多聚焦于学习的“基础”层面，如记忆和理解测试等，其他诸如模拟、基于游戏的学习方法和虚拟现实等技术已在培养解决问题的能力、批判性思维和创造力等方面取得了更多的成功经验。

三、如何在高等教育教学中更好地应用人工智能？

目前学习分析与人工智能在继续教育领域的应用还处于初级阶段，主要是因教育院校的需求不足。当面临可能有益于高等教育的潜在颠覆性变革时，不仅要从人工智能的特殊性去看待，还要对教学现象有更全面和多样化的认识，并从新的认识角度来看待这些变革，这一点至关重要。多元视角仍是面对未来挑战与机遇的最有力策略之一。

（一）亟待跨学科研究

大多数情况下，高等教育领域内的专家所做的研究不一定是跨学科研究。尽管在过去30年里，跨学科研究中心不断增多，但这并不代表20世纪及之前的高等教育领域的传统研究。本期观察到的情况也绝非例外。

有意思的是，探究人工智能如何渗透高等教育壁垒的似乎主要是计算机科学家、数据专家、信息学和理工专业的专家，而非其他学科。扎瓦基-里希特等人尖锐地指出：教育工作者去哪里了？似乎计算机科学家完成了大多数人工智能在高等教育领域的研究，也难怪他们的研究焦点在于工具、算法及其可信度和应用，而非人工智能对教学成果的影响。他们对教学成果感兴趣的研究点，也主要在于验证算法的有效性。因此，他们对教学成果的关注往往较为浅显。其关注点都集中在易于测量的领域，如短期记忆测试或学生辍学率。

我们仍需继续努力促进教育工作者与其他相关领域的专家开展合作，如社会信息学、社会学、心理学、法学、人类学和有关人文与社会科学的其他知识领域等。

（二）教育工作者需广泛参与

伦茨和希尔毕西1Renz, A., Hilbig, R.Prerequisites for artificial intelligence in further education: identification of drivers, barriers, and business models of educational technology companies.International Journal of Educational Technology in Higher Education.17(1), 2020, 1-21.指出：“对教育科技公司的采访表明，使用数字教育服务的公司和/或机构都不愿意或不能够充分挖掘潜在的学习数据。”

这表明教育工作者本身不那么重视人工智能的潜力。相反，他们往往关注于人工智能的负面影响，如伦理问题和机器替代教师的可能性。这或许能解释为什么本期或扎瓦基-里希特等人的文献综述中缺乏来自教育工作者的论文。但是，也暗示了人工智能的优势与危害之间过于尖锐的区分。为了发现人工智能的优势与不足，需要教育工作者更多地参与人工智能的潜在应用中去。

迄今为止，从本期的论文和由扎瓦基-里希特等人做出的系统文献综述来看，教育研究者站在了旁观者的角度批评人工智能，而并未参与其中。他们需要与计算机科学家合作，关注教学潜在提升空间的研究，在这一领域人工智能或许能做出贡献。鉴于人工智能在教育领域的应用仍处于萌芽状态，我们预测，随着它的发展，将涌现出更多探究教育新兴趋势与实践的论文。

（三）当前的人工智能应用与现代教育理论间缺乏“契合度”

关于教学，我们首先想到的是，距离实现人工智能的潜在用途还有多大差距。适合金融或医学的智能技术不一定能应用于教学领域。

尽管总体来说，人的行为是可预测的，并且在一定程度上是可控的。但每个学生都是单独的个体，在相同环境下的反应和其他人有轻微差别。学习容易受到强烈的情感或情绪的影响，当他们感受到教师的关心时，通常会学得更好。而且，学生希望自己被视作个体，他们有对兴趣、学习方法和学习过程的掌控感。

由于这些学习中的情感和个人因素，学生需要通过某种方式与其教师有所联系。从某个角度来说，学习可以被视为一种复杂的活动，其中仅相对较小的一部分过程能有效实现自动化。而从个体来看，学习是一种人的活动，受益于人际关系和社交活动。

相关研究（Garrison，2007）强有力地证明了，无论是在线还是面对面，都可以同等处理好这种学习的相关因素，但是需要计算来支持通信、传递和测试内容采集。聊天机器人能够做到这一点；机器学习和可视化技术在该方面也大有可为。

（四）教师威胁论

人工智能的支持者经常说他们并非企图替代教师，而是想让教师的生活更加轻松高效。这一说法需谨慎看待。人工智能应用的关键驱动力在于缩减成本，意味着减少教师数量，因为教师便是教育中主要成本所在。

尼克·博斯特罗姆说道，“我认为当前可能有夸大人工智能对劳动市场影响的趋势。现在还远远达不到大规模推出智能系统以产生巨大影响的水平。不过，随着时间的推移，我的确认为机器学习的进步将对人类劳动市场产生越来越大的影响。若你成功将人工智能开发到极致，那么，事实就是人工智能基本上可以做任何事。在某些领域，最终目标是完全替代人工。我们发展技术，研究自动化，就是为了用更少的精力去实现一个给定的结果。你可以做到事半功倍，这才是技术。”2Ford, M.Architects of intelligence: The truth about AI from the people building it.Packt Publishing Ltd.2018.

但是，迪曼蒂斯（Diamandis）和科特勒（Kotler）3Diamandis, P.H., Kotler, S.The Future Is Faster Than You Think: How Converging Technologies Are Transforming Business, Industries, and Our Lives.Simon & Schuster.2020.却提醒我们，“生产力是公司想要实现劳动力自动化的主要原因。然而，事实一次又一次证明，能让生产力突飞猛进的并非是用机器取代人类，而是由人类增强机器的作用。”此外，克鲁卡(（Klutka）等人4Klutka, J., et al.Artificial Intelligence in Higher Education: Current Uses and Future Applications.Louisville: Learning house.2018.声称人工智能可以应对许多目前由教师和管理者负责的日常工作，将他们从中解放出来就可以解决更复杂的问题，并和学生建立更深层次的联系。

这一观点也强调了，教师的角色需要从内容呈现、内容管理和内容理解测试——所有这些可以被计算机应用完成的任务——转变到技能培养上。

好消息是，通过这种方式使用人工智能，将帮助教师而非替代教师。不过，许多教师需要改变教学方法，否则将面临淘汰。显然，人工智能的发展给我们上的关键一课就是，在一个高度智能化的社会里，我们需要更加关注生活的情感与情绪，教师将因此变得更加重要。

四、未来的挑战与问题

本期提出了很多问题：在增强人类潜力方面，人工智能是否有别于先前的技术创新？是否有可能缩小人工智能对教育的预期贡献和现实之间的差距？当人工智能用于支持和增强人类能力时，主要受哪些约束？人工智能的应用能否帮助提升数字时代所需的技能与知识？

以上五个问题至关重要，需要在未来研究人工智能，及其与不同的教育背景结合时加以考虑。这些问题并非只是说说而已，而是突出了研究人员、教育管理者和政策制定者在人工智能的开发上面对的主要挑战。

（一）人工智能服务于高等教育还是高等院校为人工智能发展服务？

显然，这不是一个先有鸡还是先有蛋的问题。我们目前探究了人工智能的新进展能在何种程度上有益于教育。也许机器学习、深度学习和数据的密集使用最终会用以支持和改进高等教育的教育教学，但现实却往不同的方向发展。尽管全世界的高等教育事业单位正广泛促进各种数字科技平台的安装和密集使用，教育教学活动并没有发生明显变化。谷歌（Google）、脸书（Facebook）、亚马逊云计算服务（Amazon AWS）、油管（Youtube）等正在“免费”提供服务以“服务”和“赋能”学生和职工，但是许多活动只是为训练这些大的技术提供商的算法做了贡献。

显然，高等教育界从全球技术供应商（如大数据或模式认知研究）提供的人工智能服务中获益匪浅。但忽视教育事业单位（有意识或者无意识地）作为数据供应者的角色将是个严重的错误。这些科技巨头每天从大学获得海量的个人数据用来训练算法，大大提高了他们的利润空间1Zuboff, S.The age of surveillance capitalism: The fight for a human future at the new frontier of power.Profile Books.2019.。“目前，人工智能研究是开放的，但只有少数公司在开发研究，这就造成了权力的集中。”2Ford, M.Architects of intelligence: The truth about AI from the people building it.Packt Publishing Ltd.2018.私营公司对这些不易察觉的交换了然于心，特别是当其考虑到数据和人工智能服务能为“大型科技”公司带来多大利润的时候。在这个数据密集的时代，高等教育事业单位是否处于重新定义其权利关系的有利地位？

（二）学习不仅仅是在对的时间获得对的信息。还需要考虑什么？

人工智能不是唯一的黑匣子。人脑及其学习过程也是一个黑匣子。没有特别或特定的神奇公式可以不受时间地点限制地将知识教授给每个人。四十多年的研究表明，只有许多复杂的干预条件共同作用时，学习才会发生。这些因素包括相关背景、适当动机、必要的时间和机会，个人技能和其他可能超出我们认知能力的社会与情绪因素。

这就是教学发挥重要作用的地方。诸如技术和信息如何展现，面向哪个群体，具备什么层次的技能和多样化的动力（内在的和外在的）等关键因素都需要我们考虑。教育和技术研究群体知道早先的方案未能按照所计划的那样发挥作用，是因为这些关键因素未得到妥当处理（清单过长，在此省略）。横跨人工智能、学习和高等教育三个领域的研究者们需要考虑这些经验教训。

不可避免的是，在当今这个人工智能与劳动市场联系越来越紧密的世界，对于个人技能的要求绝不可能与Windows 95系统从办公室走向千家万户时的要求相同。我们的思维模式也需要做出改变。人类正前所未有地接近和自动化系统协同工作的场景。新的教育挑战越来越多，正不断被列入高等教育事业单位积攒的清单里。在人工智能深入影响劳动市场之前，是否有足够的时间、能力和机会对劳动力进行再培训？

（三）教育界需要接受再教育，以在“新常态”下工作

在高等教育界，技术支持者们积极推动、保护和庆祝新技术的广泛应用，而技术抵制者们不愿推动技术变革，可能只是单纯地对其持怀疑态度，也可能担心其带来的后果。

人工智能是否能成功催生新的学习模式和提升学习成效，现在判定还为时尚早。从本期文章可以看出，迄今为止所得证据不容乐观。不过，人工智能可以在减少处理行政事务的时间和精力方面发挥重要作用，这一点越来越凸显。在招聘、聊天机器人、音像识别、预测信息搜索、模式识别和自动筛选与推荐系统等领域都已可以看到这种例子。

对教育院校来说，忘掉旧知识和再学习至关重要，这也许听起来比较奇怪。1Wheeler, S.Digital learning in organizations.London: Kogan Page.2019.这里的再学习是指避免极端的观点和立场，超越激进的或者还原论者二元论中的“爱与恨”，以驾驭这些新场景的复杂性。在新场景下，高等教育越来越多的信息交换将通过人工智能实现。

（四）理解学习数据化的后果至关重要

在高等教育中，大数据的广泛应用提高了效率，并在可能的情况下优化了流程，降低了成本（代替工作人员）或量化产出内容。但与其他领域一样，这并不是高等教育内部的必然创新，主要是外部的开发商和供应商推动的结果。正如先前所述，需要教育院校研究开发人工智能才能更好地推动人工智能在教育领域的应用。

高等教育事业单位将在未来几十年成为大型数据仓储机构（如果他们现在还不是的话）。高等教育工作者和管理者需要练就使用新的数据密集型技术的能力，或者在必要之时外包给他人做。显然，数字技术的迅猛发展远远超过人类培养出能够适应大数据时代的数字素养的速度。仅仅会使用或能够与这些新系统进行交互是不够的。我们只有培养批判性思维，才能够理解、评估并预测学习数据化产生的意外后果。目前，大多数组织仍缺乏该能力，高等教育群体也是一样。

尽管在过去二十年里，我们一直在齐心协力培养、提升和不断更新教职工、研究人员和管理者的数字技能，如今面临的挑战似乎更加复杂。过去几年内，人工智能演进过程中一个有趣的变化在于交互界面的多样性。即它们远不止鼠标和键盘；这意味着用户（特别是非专家用户）可以简单地通过语音或图像识别与人工智能产生交互。这不仅使得人类与高级系统的互动更加透明，也为那些技能水平较低的人带来了受益的可能性。

期望每个人都应像计算机科学家一样思考和行动并不现实。我们面临的挑战似乎是，在不损害高等教育的核心原则与价值观的前提下，使得高等教育充分融入人工智能的世界：

·培养摒弃偏见，尊重差异的能力；

·保护隐私；

·制定透明的数据政策；

·结合对所采用系统的常规伦理数据影响评估；

·将个人数据视为基本权利（至少允许三项基本权利，包括使用权、处分权、孳息）。1Douilhet, Emile, and Argyro P.Karanasiou.Legal Responses to the Commodification of Personal Data in the Era of Big Data: The Paradigm Shift from Data Protection towards Data Ownership.Web Services: Concepts, Methodologies, Tools, and Applications.IGI Global, 2019, pp.2076-2085.

在当下日益变化的环境中，高等院校要反应迅速，能够及时采纳新的做法和互动方式，这一点十分重要。

（五）需要研究（意外的）后果与机遇

“信任，但要核实。”这句话在罗纳德·里根（Ronald Reagan）与米哈伊尔·戈尔巴乔夫（Mikhail Gorbachev）于1987年12月签署中导条约的时候成了名言。尽管人工智能在高等教育领域的应用仍处于新兴阶段，我们不能忽视人工智能系统这个黑匣子可能引发的意外后果，正如在不同的政府机构和卫生部门发生过的那样，及时采取行动变得越来越重要。

人们越是依赖人工智能系统去学习、提升技能或验证已有的知识与技能，保持一种既开放又警惕的态度就越重要。正如前文所述，我们不仅需要多学科的专业知识去发展人工智能，还要做跨学科研究以便能更好地认识人工智能是如何帮助减少现存的和未来的不平等。正如尼尔·波兹曼（Neil Postman）在三十多年前所书，有几个关键问题在今天仍有现实意义：

·这项技术解决的问题是什么？

·技术解决方案可能对哪些人或机构产生的伤害最大？

·解决这个问题后，新的问题可能会是什么？

·哪类人或机构可能因技术变革而获得特殊的经济和政治权利？

我们需要敏捷、机智、开放与创造力。正如迪曼蒂斯和科特勒所补充的“我们往往用线性思维去思考面临的危险，试图用昨天的工具解决明天的问题”1Diamandis, P.H., Kotler, S.The Future Is Faster Than You Think: How Converging Technologies Are Transforming Business, Industries, and Our Lives.Simon & Schuster.2020.。

五、结论

在教育领域，人工智能仍是一位沉睡的巨人。人工智能在教学上的“突破”性应用不太可能出现在主流高等教育领域。它们更有可能出现在正规的高等教育系统之外，如领英（LinkedIn）、在线教学网站lynda.com、亚马逊（Amazon）或课程时代（Coursera）等组织机构，这些机构能够使用大数据集，使得人工智能的应用可扩展化并具有盈利性。

然而，这将给公立中小学和高等教育院校构成生存威胁。那么，在数字化时代，谁最能得到保护并保持独立：是跨国公司还是公共教育系统？

关键问题在于发展技术的目的是否是通过自动化取代教职工，抑或是否应该使用技术的同时赋能教师和学生。最重要的是，应该由谁控制教育领域的人工智能：教育工作者、学生、计算机科学家还是大型公司？如果人工智能真的能够极大地降低教学成本，要思考这样一个存在性问题：我们人类要付出什么样的代价？幸运的是，人工智能目前还不足以产生这样的威胁，但并非总是如此。人工智能的“海啸”即将来临。

注释

1 Garrison, D.R.Online community of inquiry review: Social, cognitive, and teaching presence issues.Journal of Asynchronous Learning Networks,11(1),2007, pp.61-72.