2021 年第10 期 中小学数字化教学 | 5 人工智能赋能教育专题 2017 年7 月，国务院正式印发《新一代人 工智能发展规划》，强调利用智能技术加快推动 人才培养模式改革和教学方法改革，构建包括 智能学习、交互式学习在内的新型教育体系 [1]。 2018 年4 月，教育部出台了《高等学校人工智 能创新行动计划》，倡导推进智能教育发展，探 索基于人工智能的新教学模式，重构教学流程， 并运用人工智能开展教学过程监测、学情分析和 学业水平诊断 [2]。 近年来，人工智能技术得到了长足发展，尤 其在计算机视觉、机器学习等方向与教育的结合 日趋紧密，人工智能在教育领域中的应用呈现出 快速增长的趋势。特别是在2015 年之后，人工 智能的各类教育应用不断涌现，也催生了一批致 力于以人工智能赋能教育的企业。在国家政策和 产业界双重推动的背景下，人工智能的多项关键 技术正在教育领域发挥着越来越重要的作用，并 逐步得到广泛应用。 一、人工智能教育应用的内涵与关键 技术 对于人工智能本身，学术界的定义并不统一， 但公认的基本思想是利用智能机器来模拟人的智 能，感知、学习、理解并最终解决生活中和某个 领域中的实际问题。人工智能的教育应用可以理 解为将人工智能技术融入教育核心业务与场景， 文 | 卢 宇 马安瑶 陈鹏鹤 人工智能+ 教育：关键技术及典型应用场景 人工智能技术正在教育领域发挥着越来越重要的作用。当前，教育领域的人工智能关键技术主要有机器学 习、知识图谱、自然语言处理、机器人与智能控制等，其典型应用场景包括智能教育环境、智能学习过程 支持、智能教育评价、智能教师助理、教育智能管理与服务等。人工智能在教育中的应用极大提升了教育 基础设施、学习过程、评价手段、辅助方法、管理能力等领域的智能化与科学化水平。 关键词：人工智能；智能教育；人工智能教育应用；关键技术；应用场景 摘要： 促进关键业务流程的自动化与关键教育场景的智 能化，从而大幅提高教育工作者和学习者的效率， 创新教育教学生态。 当前，多项人工智能技术正逐步在教育领域 开展应用，包括机器学习、知识图谱、自然语言 处理、机器人与智能控制等（如图1）。每项技 术都具有较强的应用价值与丰富的教育应用方式。 图1 人工智能关键技术 （一）机器学习 简单来说，机器学习是指机器通过对客观世 界的观察获得经验，再利用经验改善自身性能的 过程。典型的机器学习包括监督式学习、非监督 式学习和强化学习等。其中，监督式学习是较为 常用的一种，其工作原理是，机器基于一定规模 的客观数据，利用特定的算法和模型，自动学习 数据中所蕴含的规律性信息，从而帮助人们解决 实际问题。如果模型是基于多层人工神经网络构 6 | 人工智能+ 教育：关键技术及典型应用场景 人工智能赋能教育专题 建的，那么这一类监督式学习通常被称为深度学 习。深度学习也是当前人工智能领域的研究热点， 大量相关的技术和模型已经被应用于社会的各个 领域。机器学习在教育中也已有较为广泛的应用。 例如，基于所采集的学生多维度数据，学校和教 师可以对学生的学业成绩做出预测，对其可能的 学习障碍和困难进行分析，对其退学（尤其在慕 课学习环境中）的风险进行预警等。 （二）知识图谱 知识图谱是基于图的一种结构化的知识表示 方式，本质上是一种大规模语义网络，包含较大 数量的实体以及实体之间的多种语义关系。它可 以较为高效地对海量数据进行存储与检索。知识 图谱最早被用于网络搜索引擎技术中，以帮助用 户从搜索中直接得到所需的答案。这类知识图谱 通常涵盖大量的常识性信息，其实体与实体间关 系的数量规模通常也较大，一般有千万个实体与 上亿个实体间关系的规模。 教育领域有构建简单知识地图与思维导图 的传统，但建立知识地图与思维导图的主要目 的是促进教学，从严格意义上说并不属于知识 图谱的范畴。近年来，教育知识图谱的构建逐 渐活跃，尤其是相继建立了针对慕课平台上的 课程类知识图谱以及针对中小学学科类的知识 图谱，但在总体规模上，这两类图谱与通用知 识图谱相比要小得多。基于所构建的教育知识 图谱，智能化教育系统可以自动解答学生所提 出的学科知识类的问题。另外，基于教育知识 图谱，系统还可以进行相关教学资源与课程的 个性化、精准化推荐。 （三）自然语言处理 自然语言处理技术主要用来实现人与智能机 器之间通过自然语言进行有效交互。人类所使用 的自然语言，通常其语言结构与语义信息较为复 杂。因此，自然语言处理技术是人工智能领域难 度较大的技术之一，目前仍处于较为初级的阶段。 简单而言，自然语言处理技术可分为基础技术和 应用技术两类。基础技术包括词法与句法分析、 语义分析、语篇分析等，应用技术包括机器翻译、 信息检索、情感分析、文字识别等。当前，自然 语言处理技术在教育中也有诸多应用。例如，短 文自动评分系统已经在GMAT 和TOFEL 考试 中使用多年，并被不断改进以接近人类的评分水 平。口语自动测评系统也已经开始广泛应用于中 考等关键性考试，并已被嵌入各类语言学习软件 中应用。 （四）机器人与智能控制 机器人作为人工智能技术的主要载体之一， 涵盖了智能感知与推理、规划与决策、控制与交 互等。机器人当前在无人驾驶、室内服务、物流 运输、极端环境等多个领域均有运用。教育领域 的机器人可以简单分为教育服务类机器人与教学 用途类机器人。教育服务类机器人通常作为不可 拆分的软硬件整体，直接服务于教学过程，完成 特定的教学任务，如通过与学生的互动完成知识 传授或情感陪伴。教学用途类机器人则通常由可 拆分组合的硬件以及可编程的软件组成，作为机 器人教育的载体或STEM、创客课程的教学辅助 工具。 二、人工智能技术的典型应用场景 基于上述关键技术，人工智能教育应用有五 个典型场景：智能教育环境、智能学习过程支持、 智能教育评价、智能教师助理、教育智能管理与 服务 [3]，具体如图2 所示。 （一）智能教育环境 智能教育环境指具备智能感知和交互能力的 教学环境，可以进行多模态的教育信息采集，并 满足多样化的学习需求。基于人工智能的各项关 键技术，当前教育环境中的典型应用包括校园安 全监测与预警、智能教室和智能图书馆等。 1.

五、机器学习应用于智慧教育的几点建议. 机器学习作为人工智能的核心技术作用于教育大数据，将帮助我们更好地理解数据、信息、知识与智慧之间的关系。但机器学习教育应用在技术方面尚不成熟，在教育框架下也没有规模化。

本文分析了生成式人工智能技术的发展和人工智能与教育的国际趋势，梳理了七个教育机器人的典型应用场景，如STEM教育、编程教育、语言学习等，并以ChatGPT为例，探讨了其在学校教育中的价值和使用建议。同时，提出了教育领域可信人工智能框架，为教育高质量和可持续发展提供保障。

️2.机器学习基本原理 🛤️2.1定义与关键概念. 机器学习是人工智能的一个子领域，致力于通过算法使计算机系统能够从数据中自动地获取知识和技能，从而改善自身的性能。其主要特点包括： 自适应性：机器学习算法能够自动地调整模型参数，以适应新的数据和环境。

机器学习是 人工智能 的一个子集，侧重于构建能够从历史数据中学习、识别模式并在几乎没有人工干预的情况下做出合理决策的系统。. 它是一种数据分析方法，通过使用包含数字、文字、点击和图像等各种数字信息形式的数据，自动建立分析模型。. 机器学习 ...

。 无监督机器学习 无监督学习也称为无监督机器学习，使用机器学习算法，分析未标注的数据集并将这些数据集形成聚类。 这些算法可发现隐藏的模式或数据分组，无需人工干预。 这种方法能够发现信息的相似性和差异，因此是探索性数据分析、交叉销售策略、客户群细分、图像和模式识别的理想之选。 通过降维过程，它还可用于减少模型中的特征数量。 主成分分析 (PCA) 和奇异值分解 (SVD) 是无监督学习中两种常用的方法。 无监督学习中使用的其他算法包括神经网络、k 均值聚类和概率聚类方法。 半监督机器学习 半监督学习是监督式学习和无监督学习的巧妙结合。 在训练期间，它使用较小的标注数据集，以指导从较大的未标注数据集进行分类和特征提取。 半监督学习可以解决因标注数据不足而无法采用监督式学习算法的问题。 如果标注足够的数据成本太高，也可以使用这种方法。 要深入了解这些方法之间的差异，请参阅"监督式学习与无监督学习：有何区别？" 强化机器学习是一种机器学习模型，类似于监督式学习，但不使用样本数据对算法进行训练。  这种模型通过不断试错进行学习。 它通过强化一系列成功结果，为特定问题开发最佳建议或策略。 赢得 2011 年 Jeopardy!  由三层以上组成的神经网络（包含输入和输出）可视为深度学习算法或深度神经网络。 只有三层的神经网络只是基本神经网络。 深度学习和神经网络目前的成就，要归功于计算机视觉、自然语言处理和语音识别等领域的突飞猛进。 请阅读博客帖子"AI、机器学习、深度学习与神经网络：有何区别？"，详细了解这些不同概念之间的关系。 加州大学伯克利分校（链接位于 IBM 外部）将机器学习算法的学习系统分为三个主要部分。 机器学习模型主要分为三大类。 监督式机器学习 监督式学习也称为监督式机器学习，它使用标注数据集来训练算法，以便准确进行数据分类或预测结果。 将输入数据传入模型后，该模型会调整权重，直到适当拟合为止。 这是交叉验证过程的一部分，可确保模型避免过拟合或欠拟合。    监督式学习可帮助组织大规模解决各种现实问题，例如将垃圾邮件归类到收件箱的单独文件夹中。 监督式学习中使用的方法包括神经网络、朴素贝叶斯、线性回归、逻辑回归、随机森林和支持向量机 (SVM) 等 功能，将人类语音转变为书面格式。 许多移动设备都在系统中包含了语音识别功能，用于执行语音搜索（如 Siri），或者用于改进文本信息的辅助功能。 客户服务：在客户服务领域，在线聊天机器人正逐步取代人工客服，改变了我们对网站和社交媒体平台中客户互动的看法。    聊天机器人可以回答有关运货等主题的常见问题 (FAQ)，或者提供个性化建议、交叉销售产品或为用户建议尺码。 示例包括电子商务网站上的虚拟客服、使用 Slack 和 Facebook Messenger 的消息传递机器人，以及通常由虚拟助理和语音助手完成的任务。 计算机视觉：这种 AI 技术使计算机能够从数字图像、视频和其他可视输入中获取有意义的信息，然后采取相应的行动。 计算机视觉由卷积神经网络提供支持，应用于社交媒体行业的照片标记、医疗保健行业的放射成像以及汽车行业的自动驾驶汽车等领域。 推荐引擎：AI 算法通过使用过去的消费行为数据，帮助发现可用于制定更有效的交叉销售策略的数据趋势。 PyTorch。 轻松训练、验证、调优和部署基础模型及机器学习模型 由于深度学习和机器学习这两个术语往往互换使用，因此必须注意这两者之间的细微差别。 机器学习、深度学习和神经网络都是人工智能的子领域。 但是，神经网络实际上是机器学习的一个子领域，而深度学习则是神经网络的一个子领域。 深度学习和机器学习的不同之处在于每个算法的学习方式。 "深度"机器学习可以利用标注数据集（也称为监督式学习）为算法提供所需信息，但并不一定要使用标注数据集。 深度学习能够以原始格式（例如文本或图像）采集非结构化数据，并且可以自动确定用于区分不同类别数据的特征集。 这避免了一些原本必需的人工干预，并能够使用更大的数据集。 可将深度学习视为"可扩展的机器学习"，就如  在 1962 年与 IBM 7094 计算机对弈，结果输给了计算机。 与机器学习今天的成就相比，这看似微不足道，但被公认为人工智能领域的一个重要里程碑。 在过去的几十年里，存储和处理能力方面的技术进步推动一些基于机器学习的创新产品顺利落地，例如 Netflix 的推荐引擎和自动驾驶汽车。 机器学习是不断发展的数据科学领域的重要组成部分。 通过使用统计方法对算法进行训练，使其能够执行分类或预测，以及在数据挖掘项目中揭示关键洞察。 而这些洞察又可以推动应用和业务中的决策，有效影响关键增长指标。