世界教育数字化动向研究·专栏 | 李运福 徐菲等：国际教育领域人工智能研究热点分析与启示
引用格式
李运福,徐菲,李婷.国际教育领域人工智能研究热点分析与启示[J].中国教育信息化,2023,29(2):27-41.DOI: 10.3969/j.issn.1673-8454.2023.02.003.
世界教育数字化动向研究
人工智能与未来教育国际前沿研究专栏
国际教育领域
人工智能研究热点分析与启示
李运福 徐菲 李婷
摘要：人工智能是全世界教育研究的热点话题。国际视野下，多模态数据分析是实现精准教育的最新手段，推进教学评价改革是人工智能助力教学改革的重要切入点，强化人工智能教学系统应用效果评估是人工智能深度应用的重要保障，人工智能课程是普及人工智能知识、培养学生核心素养的重要载体，学校领导及相关机制、教师智能教育素养是影响学校引入和应用人工智能的关键因素，研制人工智能伦理框架与法律法规是规范人工智能教育应用的迫切需求，商业化运作模式及基础理论研究薄弱是人工智能教育应用研究面临的重大挑战，理论研究、人机融合、多方协同、精准教育是人工智能教育应用的未来发展。以此为鉴，为推动我国教育领域人工智能的应用和研究，文章提出相关建议：注重学生参与，创设智慧化学习空间，支持多模态数据采集；深化专业认证及评估改革，强化第三方机构对高校课程的评估；研制通识性人工智能视频公开课，推进人工智能知识普及；强化政府监督和指导，提升教师智能教育素养；坚持立德树人，研制人工智能教育伦理框架；强化人工智能教育基础理论研究。
关键词：人工智能；精准教育；人工智能伦理；人工智能课程
中图分类号：G434
文献标志码：A
文章编号：1673-8454（2023）02-0027-15
作者简介：李运福，西安交通大学中国西部高等教育评估中心助理研究员，博士（西安 710049）；徐菲，西安交通大学中国西部高等教育评估中心副主任，工程师，硕士（西安 710049）；李婷，陕西省教育厅信息处干部，硕士（西安 710061）
基金项目：陕西省教育厅2021年度科研计划——信息化建设专项科研计划项目“政府购买教育信息化服务质量保障机制研究”（编号：21JX003）；2021年度国家社会科学基金教育学一般课题“人机协同时代乡村教师智能素养结构与培养策略研究”（编号：BCA210091）
一、引言
以人工智能技术为核心的第四次工业革命对经济社会发展产生了重大冲击和影响。2018年，人工智能再度被写入我国政府工作报告，侧重点从技术的研发转化转向了研发应用，这就意味着发展人工智能已全面上升为国家战略。再加之世界人工智能大会等一系列重要会议的成功召开，更加激起了人们对人工智能发展的高度关注。教育是经济社会发展人力资本供给的主要方式。面对人工智能引发的产业结构变革，如何发挥人工智能优势、赋能教育改革，成为全球普遍关注的热点话题。基于此，本研究以科学网（Web of Science，简称WOS）核心文集为数据源，通过采用信息计量学的方法对相关文献进行统计分析，探索当前国际教育领域人工智能研究热点，以期为国内教育领域人工智能研究与应用提供参考和借鉴。
二、数据来源与样本特征
本研究以“artificial intelligence”为主题对WOS核心文集收录的1978年至2021年相关文献进行检索，共检索出36936篇文献。之后，筛选出“Education Educational Research”“Education Scientific Disciplines”两个领域的532篇文献，并将其作为文献分析样本。
从时间分布来看，1978年至2017年教育领域关注人工智能研究的文献数量基本处于平稳发展阶段，2018年是国际教育领域对人工智能关注的关键拐点，之后有关人工智能教育应用的讨论呈井喷式增长，具体年度分布如图1所示。
图1 国际教育领域人工智能研究文献数量统计
从来源出版物来看，《国际新兴学习技术杂志》《工程教育中计算机应用》《计算机教育》等10个期刊是国际教育领域发表、讨论人工智能研究成果的主要阵地，刊发文献数量累计占比40.23%，具体分布如表1所示。
表1 研究样本主要国家/地区（N≥10）统计结果
从国家和地区分布来看，美国、中国、英国对推动国际教育领域人工智能研究起着重要的引领作用。刊发文献频次大于10的国家（地区）共计16个，文献累计占比93.05%，具体统计结果如表2所示。
表2 研究样本主要国家/地区（N≥10）统计结果
三、研究热点分析
本研究借助CiteSpace 5.8.R1对研究样本进行聚类分析。具体操作中，选择各年度被引次数前20%的文献进入模型，最终共生教育技术、医学教育、领导力、贝叶斯网络、技术接受模型、精准教育、机器学习、人工智能、智能适应性学习、聊天机器人等成10个群组，时序如图2所示。
图2 国际教育领域人工智能研究热点聚类分析时序
从聚类时序图可以看出，国际教育领域人工智能研究主题相对较为分散。之后，分别抽取各组施引文献进行深度分析，进一步了解各组研究热点。在深度分析各组所包括的施引文献后，对国际教育领域人工智能研究热点重新调整，最终形成多模态数据分析助力精准教育、人工智能助力教学评价、人工智能教学系统应用效果或适宜性评估等八个研究热点。
（一）多模态数据分析助力精准教育研究
采用大数据技术对学生学习行为进行精准预测，并进行及时、个性化干预是精准教育的关键逻辑。随着人工智能技术的逐渐成熟，学生学习预测数据在以往行为表现数据的基础上逐渐拓展至多模态数据，数据分析技术更加注重神经网络技术、深度学习技术的应用。早期大多数关于个性化或适应性学习的研究只涉及传统计算机，只有少数研究基于可穿戴设备、智能手机和平板电脑开展探索。[1]时间相关变量[2]、学生学业成绩、行为指标、社会经济和人口统计特征等纵向记录数据[3]是预测学生辍学率的主要数据源。人工智能、虚拟现实、云计算等新兴技术的快速发展，使学习环境发生革命性变化。在智能学习环境中，与学生学习表现数据相比，增强学生感知数据的采集、分析和反馈，能促进学生学习参与度，提升学习效果。[4]再加之，智能穿戴设备的普及应用和学习分析技术的不断成熟，使多模态数据的伴随式、无感式自动采集，以及深度分析成为可能，多模态学习分析成为了解学生学习轨迹的更有效手段。例如，使用点击流作为建模和预测学生在线学习行为主要数据源，在预测学习绩效方面的错误率为39%，使用来自生理传感的各种多模态数据能更为有效地预测学生在线学习绩效。[5]
多模态数据分析已成为目前在线学习支持技术的研究热点。通过多模态数据分析可以有效洞察学生学习效果与教师教学活动开展情况。有学者研究发现，项目学习中，学习者的手、脸之间的距离是学生人工制品质量的一个强有力的预测因子，可以表明学生协作的价值。[6]有学者采用多模态数据分析系统自动化分析学生的手部、头部的关键数据，进而准确判断学生协作学习能力的发展水平。[7]有学者采用多模态数据预测学生自我调节学习绩效。[8]有学者通过眼球跟踪以及教师佩戴的传感器等手段采集教师日常课堂实践数据，对教师进行多模态教学分析，深度了解教学活动及其随时间变化情况。[9]此外，在数据算法方面，逐步采用深度学习算法，预测效果比基线算法更准确。如有学者采用神经网络技术提出了能早期预测混合学习课程中可能学习失败学生的预测方案。[10]有学者以学生传统学业表现数据和非学业表现数据为基础，采用深度学习和符号数学系统（TensorFlow）人工智能引擎，构建了高精度的学生未来发展预测模型。[11]
（二）人工智能助力教学评价研究
教学评价是应用人工智能技术推动教育教学改革的重要抓手，主要体现在教学评价手段智能化和教学效果智能化评价两个层面。面对考试在教学评价中的各种弊端，要实现基于人工智能的教育评价，取代现有的考试，就应该在社会、技术和政治三个方面共同发力，且三方面的举措需要政府和私营企业共同提供财政支持。社会方面，需要让教师、学生、家长和其他利益相关者与科学家、决策者合作，制定道德框架，使人工智能评估能够蓬勃发展并带来利益；技术方面，需要在学术界和商业企业之间建立国际合作，开发基于人工智能的评估系统；政治方面，需要领导人认识到人工智能能够在紧缩预算的约束下推动急需的教育转型的可能性。[12]
与评价手段智能化改革相比，对教学效果的智能化评价的研究显得更为集中。如有学者引入熵权法和灰色聚类分析法，设计了一种基于人工智能的基础教育在线教学质量评价方法，为在线教学和人工智能在基础教育中的应用提供很好的参考。[13]有学者分析了人工智能对改善艺术专业课程教学效果的潜在作用，并建立反映改进效果的评价模型。[14]有学者将假设/文献驱动（特征提取）的“白盒”方法与计算/数据驱动（特征融合）的“黑盒”方法相联系，提出从“黑盒”到“灰盒”的转变方法，有助于在任何学习情境中捕获学生的适应性学习行为和推理学习绩效，推动实现学生自适应学习活动中的自我评估。[15]然而，在成果导向教育理念推动的教育深化改革的背景下，人工智能和机器人技术在学习设计中的应用研究很少关注学生学习成果。有学者设计了人工智能和机器人技术对身体、社会、情感、智力学习成果影响的综合分析框架，该框架的开发考虑了更广泛的人类潜力，能够以更完整、包容和平衡的方式分析学生的学习成果。[16]
（三）人工智能教学系统应用效果或适宜性评估研究
随着人工智能教学系统种类的不断增多与普遍应用，系统应用效果怎样以及如何选择合适的人工智能教学系统逐渐引起国际学者的普遍关注。人工智能教学系统应用主要集中在语言、数学或STEM（Science、Technology、Engineering、Mathematics，简称STEM）学科，价值集中体现在促进学生认知和情感发展，其中以智能机器人或智能代理在语言学习中的应用效果评估最为集中。例如，有学者通过实验研究表明，与传统教学模式相比，基于聊天机器人的教学能有效改善大学生西班牙语标点符号的使用，且聊天机器人较强的会话特质能创设更加开放和灵活的学习环境。[17]有学者发现小学四年级学生应用智能机器人开展基于游戏的汉语成语学习时，男孩的认知负荷显著降低，学习成绩也相对较好，学习效率显著提高。[18]此外，从教学规模的视角来看，国际学者普遍认为人工智能教学系统比大班额教师的辅助学习效果要好，但比一对一导师辅导效果要差。[19]从学段与教学代理类型层面来看，与大专学生相比，智能教学代理更能促进K-12学生学习，使用屏幕文本型教学代理比旁白型教学代理能更有效地促进学生学习。[20]从评价主体来看，面对人工智能技术的复杂性，有学者为教育利益相关者提出了一种对人工智能自适应学习系统学生适应性进行评估的贝叶斯网络模拟模型，突破了以往由计算机科学专家评估的局限，[21]促进了评价主体的多元化发展。
人工智能教学系统应用效果评估受多种因素的影响。如有学者对智能导师系统支持K-12阅读研究的元分析发现，已有研究通常采用标准测量的方法比较人类辅导与智能导师辅导，结果是与人类辅导相比，智能导师系统产生的影响较小，但是采用混合测量的方法则显示，与传统教学相比，智能导师系统对提升学生阅读理解能力的效果更明显。[22]有学者发现智能教学系统的作用发挥与智能教学系统类型、学习结果类型、学习知识类型以及其他因素有关。[23]此外，在人工智能教学系统适应性评估方面更加侧重数据驱动的评估框架研究。如有学者从教学方法的角度分析了数据驱动的学习活动的局限，主要聚焦于数据获取、新数据与已有数据集的偏差关联，以及在人工智能算法培训和机器学习路径设计中的人工干预等，为改善数据驱动的学习活动，建议制定数据驱动的教育教学算法框架，确定人工智能系统的教学适宜性，以及对基于人工智能系统的教学过程质量开展评估。[24]有学者构建了人工智能自适应学习系统（Artificial Intelligence-enabled Adaptive Learning Systems，简称AI-ALS）评估框架，利用贝叶斯网络模拟具有可控参数的预测性假设情境，为教育利益相关者对AI-ALS进行独立评估，了解AI-ALS如何提供机会来培养学生的问题解决能力及学生适应性提供有力工具。[25]
在教育应用中，人与聊天机器人的交流持续时间比与人的交流持续时间更长，但信息更短。人与聊天机器人之间的交流缺乏丰富的词汇，表现出更大的亵渎性。这就表明，虽然人类的语言技能很容易转移到人与聊天机器人的交流中，但这类对话的内容和质量与人际对话存在显著差异。[26]从教学、人性、情感、可访问性等四个质量属性来看，聊天机器人编程仍处于一个初级阶段，未来研究主要聚焦在两个领域：一个是专注于开发人员支持，以创建和提供工具，允许教师轻松地将聊天机器人集成到课堂中，并提供教育性聊天机器人指南，以成功支持学生学习；另一个领域是与学生实际对话的内容分析。[27]
（四）人工智能课程研究
检索的文献中，所涉及的人工智能课程指的是具有通识意义的课程，而非人工智能专业人才培养的课程，研究焦点更多地聚焦在人工智能课程在人工智能知识推广普及、课程设计及其对学生发展的重要作用分析两个层面。单从社会普及层面来说，在解决与机器学习系统支持的人类学习相关的紧张关系、系统对不同教育目的的解释性和问责制的重要性方面，社会知识和对机器学习的理解至关重要。解释性和责任性应该从一开始就被纳入机器学习系统设计中，以满足社会、道德和立法的要求。要推动学校教育课程的改革，使学生从小学开始增加对神经科学基本要素的覆盖，以帮助学生发展对人类学习和机器学习的理解，发展相关基本能力，包括算法素养；将了解机器学习用于教育，作为职前教师教育和在职教师专业发展的一部分。[28]建立基于Scratch（一种图形化编程工具）由教师指导、易于实现的工作坊，是一种向高中生介绍人工智能基础知识的有效方法。[29]此外，开设教育机器人课程是提高学生学习动机、促进团队合作，以及引导解决问题和创造力发展的重要途径。[30]有学者聚焦基础教育阶段，明确了学生核心胜任力结构，包括知识胜任力（文化胜任力和技能胜任力）、团队胜任力（团队合作能力、人机协同能力）、学习胜任力（认知能力、自我学习能力）三大类，并在此基础上设计开发能有效促进学生核心胜任力发展的人工智能教育课程。[31]
（五）教育领域引入和应用人工智能的影响因素研究
目前，国际教育领域有关引入和引用人工智能影响因素的讨论集中在国际、学校和教师三个层面。
1.国际层面
随着国际间交流和发展中国家科技的不断进步，智能导师系统的推广和应用由最早的发达国家逐渐拓展到发展中国家。在全球化的背景下，发展中国家智能导师系统应用的主要障碍包括学生的基本计算技能、数据成本、互联网基础设施、语言和文化等。[32]
2.学校层面
学校采用和实施人工智能技术的两个关键要素是学校领导者的领导行为和人际交往能力。学校领导者现存的社交网络对其人工智能技术采纳决策有着重要影响，同时，在学校中采纳和应用人工智能的领导者具有共同的特征，即他们是学习型领导者，终身学习理念较为明显，通过学习能够不断增强学校领导者对人工智能的理解，不仅影响学校对人工智能技术的采纳，更对人工智能技术的实际应用产生重要影响。人工智能技术在学校的应用是一个涉及多方利益相关者的过程，这就更加凸显了学校领导者人际交往能力对人工智能技术采纳和应用的重要影响。学校在采纳和应用人工智能技术时，要与学校和所在区域的教育发展目标保持一致，并且考虑多方利益相关者。[33]
3.教师层面
21世纪学校面临的巨大挑战之一不是新技术本身，而是教育工作者接受教育技术的能力。[34]现阶段，研究者主要以技术接受模型、计划行为理论、理性行为理论等为基础，对教师采纳和应用人工智能技术的影响因素进行了探索分析，主要涉及学校制度因素、教师对人工智能系统的有用性与易用性感知，以及教师应用人工智能技术的自我效能感、焦虑等心理因素。
如有学者认为相对优势、相容性、感知信任和经验是教师使用智能教学系统意愿的决定因素。同时，技术复杂性受到经验和兼容性的显著负面影响；相对优势这个因素受到感知信任的显著正向影响，但不受技术复杂性的影响。[35]
有学者研究表明制度障碍是教师采用人工智能教学方案的主要阻碍因素，认知是影响教师采用人工智能教学方案的主要动机，[36]并构建了高校教师应用人工智能技术的阻碍因素框架和激励因素框架，其中阻碍因素分别为：机构壁垒，包括资源匮乏、日常工作负担重导致的时间匮乏、缺乏培训、缺乏技术支持等层面；技术壁垒，包括人工智能过于复杂、人工智能与现有教学方法难以融合两个层面；个人壁垒，包括自我效能感低、计算机焦虑、人工智能知识匮乏、创新力不足等层面。激励因素分别为：奖励或认可因素，包括物质奖励、职务或职称晋升奖励、职业声望和地位改善等层面；教育效益，包括教学效果改善、学习绩效改善两个层面；自我动机，包括个人创新能力、继续学习的机会、专业发展等层面。经分析，机构壁垒是教师应用人工智能的主要阻碍因素，奖励或认可是主要激励因素。[37]
教师对人工智能的使用态度、自我效能感、易用性感知、有用性感知和焦虑可以预测教师在教学中学习使用人工智能的行为意向。其中，教师的自我效能感对教师的易用性感知和使用态度具有积极影响，并通过易用性感知对有用性感知产生影响。教师的自我效能感与焦虑之间呈负相关，提高教师的自我效能感可以减少他们在教学中使用人工智能的焦虑。[38]有学者发现中小学教师对虚拟助理的有用性感知和易用性感知越强，教师的接受度越高，虚拟助理的功能和正式语言会增强教师的使用意图。[39]
此外，在医学教育领域，医务人员对应用人工智能技术的主观规范、易用性感知、有用性感知和使用态度，能预测其学习使用人工智能应用程序支持精确医疗的行为意图。其中，同伴之间的相互鼓励、沟通和分享，能够为医护人员应用人工智能技术开展精准医疗的学习态度和行为提供精准教育支持。[40]在继续教育领域，对于用户来说，数据主权缺失、数据不确定性，以及对数据内涵挖掘不足等因素阻碍了基于人工智能的继续教育优化方案的开发和实施。[41]
（六）人工智能教育伦理研究
人工智能技术在推动教育教学改革的同时，所引发的教育伦理问题也引起了国际学者的普遍关注。现阶段，全球在透明度、公正和公平、非恶意、责任、隐私五个方面对人工智能道德原则基本达成共识，但是对原则的解释、重视缘由、涉及问题或领域、实施等具体方面存在实质性分歧，强调了将人工智能道德指南制定与实质性道德分析、实施战略相结合的重要性。[42]在人工智能道德指南或框架研究中，有学者提出了良好的人工智能社会道德框架[43]，欧盟委员会也发布了《人工智能道德准则》。此外，在教育中引入人工智能会对儿童和年轻人的生活产生深远影响，在公平性、个人教学权利、数据隐私权和数据有效使用之间实现平衡是一项艰巨的挑战，当前法规难以支持这一挑战。[44]推进人工智能教育相关法规的建立与完善逐渐成为人工智能教育伦理研究的热点。
在诸多人工智能伦理问题中，国际学者对信任、数据决策风险等问题进行了重点讨论。技术、环境和个人是影响人工智能教育系统信任的主要因素，其中技术层面因素主要包括功能性、帮助性、可解释性、可靠性和交互界面，环境因素主要包括教育组织的仁慈、数据管理、教师能力、官方规范和知识特征，个体因素主要包括对学习本质的感知、与教师互动的倾向、对人工智能的感知和自主性取向。[45]在基于人工智能的数据决策中，不断增长的计算能力和实时数据、高度可扩展的人工智能技术可以提高教育领导者数据决策的效率和准确性，但人们所坚持的道德价值观可能与使用人工智能做出数据知情决策相冲突，在数据安全和隐私问题上的失误可能会对利益相关者产生终身影响。[46]此外，人工智能辅助的数据驱动决策可能与基于价值的道德决策背道而驰，人工智能辅助数据驱动决策的缺点可以通过道德价值观引导的人类判断来克服，教育领导实践者的决策和未来的学术研究应警惕偏见、注意道德妥协的决定。[47]在微观决策层面，应用机器学习的开发技术评估学生科学学习的算法模型普遍存在不平等结构，新技术的应用导致评估中存在一定的种族歧视，出现了更多的道德挑战。[48]
（七）面向未来的医学教育课程改革
医学教育是国际人工智能教育应用研究中较为关注的领域。随着医学实践进入人工智能时代，利用数据改进临床决策的需求将越来越普遍，需要医疗保健专业人员掌握和使用人工智能技术，更加注重对医机交互知识和技能的掌握，对未来医生的职业发展提出了重大挑战。为了应对这种挑战，未来医生需要参与新的终身教育模式，拥有跨医疗和护理的关联性知识，有效利用数据平台，能将医疗数据转化为精准医学、预防医学和预测建模的附加值。如何培养未来医生，是当今本科医学教育课程改革的焦点。[49]有学者认为医学教育建立在信息获取和应用的基础之上，医学院课程改革应侧重于知识管理、有效使用人工智能、改善沟通和共情培养。[50]有学者提出了融入人工智能的医学教育课程框架，并对医学院入学考试、医学院学习、美国医学执照考试、居民、专家等不同发展阶段接受人工智能的教育内容进行明确阐述，推动人工智能与医学教育课程的无缝集成。[51]有学者认为在医学教育中应用人工智能的挑战主要是难以评估人工智能的有效性，以及开发人工智能应用时面临的技术挑战。为更好地将人工智能融入医学专业，应将人工智能引入医学院课程，让医学专业人员更好地理解人工智能算法并最大限度地利用人工智能。[52]
然而，目前美国医师执照考试和专业能力评估中均未涉及人工智能的相关内容，医学教育中人工智能的教育和应用尚未引起认证界的高度关注，加剧了医学人才培养与需求变革之间的矛盾，难以适应医学实践中数据驱动的挑战。医学教育中的机器学习课程，可以从关注人口健康及其对疾病预测、风险分层和管理的影响开始，也可以通过开发选修课程的方式，提升医护人员编码技能，培养在大数据和机器学习方面具有专业知识的医疗保健领导者，这将有助于更快速地将机器学习融入医学教育。[53]现阶段，人工智能在医学中应用的许多真实事件已经对医学界提出了道德挑战，在医学教育中基于现实生活的案例是教授人工智能伦理的有效方式。[54]此外，还应重视评估对未来医生培养的导向作用，开展医学教育学生人工智能准备度测评，动态监测和评估医学生对人工智能技术和应用的感知准备水平，[55]科学引导未来医生的培养。
（八）人工智能教育面临挑战与未来发展研究
人工智能在教育领域的应用还处于初级阶段，尽管人工智能已成为现实，但其在高等教育中应用的科学成果尚未得到巩固。[56]现阶段，人工智能教育发展面临诸多挑战。
从运作模式来看，商业化运作模式引发的教育公平争议、多公司开发的基础设施无缝集成与对接，以及政府对数据的监管三个方面，忽略了人工智能教育应用的民族志研究、与教育哲学的联系，以及与从事人工智能教育的其他学术团体更有意义的互动。[57]从未来学习的社会性、协作性、探究性、普遍性、可访问性、安全性目标来看，人工智能时代教育面临的五大挑战分别是个人导师、培养21世纪技能、基于互动数据的学习支持、泛在学习空间、终身学习和全方位学习。[58]从教育应用研究的视角来看，人工智能教育跨学科性质对具有不同学科背景的研究人员提出了独特的挑战，[59]研究人员对人工智能教育的挑战和风险几乎缺乏批判性反思、与教育理论观点的联系薄弱、对人工智能教育伦理和方法的探索不够深入，[60]以及关键概念内涵的不断演化及多样化，导致相关研究成果之间相互孤立，很难系统性梳理和明确哪些技术是可行的、哪些实践是可以改善的，以及技术应用能实现什么样的结果。[61]
在未来研究中应重点关注以下几方面：一是关注基础理论研究。现有人工智能教育研究中，传统的人工智能技术，如自然语言处理技术、深度神经网络技术等，在教育环境中普遍采用；而更先进的技术很少采用，如深度学习技术；且人工智能教育理论研究相对滞后，应在强化新兴技术教育应用的同时，强化应用研究与理论研究相融合，夯实人工智能教育研究的理论基础。[62]二是关注人机协同。不同教育背景下人与机器之间的角色和相互关系是未来研究的重点。现阶段的教育人工智能研究，在教学方面主要侧重于课程，未来的研究应集中在人工智能教室、在线教室、人工智能课程设计和人工智能辅助教学上，以增强学生的学习能力、教师的教学以及课堂管理能力。[63]人机交流已成为一种新的教育关系情境，并应成为未来几年教学研究的优先事项。随着基于人工智能和机器人的个性化教学的发展，教师情感，如及时性或心理亲密性、可信性、教学信息的保真度、幽默等，转移到智能机器代理上就显得至关重要。[64]三是关注多方协同。学习科学的跨学科研究帮助人们更深度地了解了人类的学习方式，但商业人工智能开发者对学习科学研究知之甚少，必须在人工智能开发者、教育者、研究者等利益相关者之间建立伙伴关系。[65]此外，人工智能技术将在未来有望丰富学生的学习、辅助教师的工作，进一步打破学校教育与家庭教育间的传统界限，促进家校协同育人。[66]四是关注人工智能支持的精准教育。精准教育（Precision Education，简称PE）是利用人工智能、机器学习、学习分析技术提高教学质量和学习绩效的新主题，是教育研究与实践的近期和长期目标。[67]在未来发展中，智慧学习环境将朝着为学习者提供终身画像、团队教学，以及基于能力评估的方向不断改进，学校教育将更加注重学生适应个体差异的自我调节学习，从而推动正式学习的深度变革。[68]
四、研究总结与启示
（一）研究结论
通过上述分析，可以发现我国学者抓住了人工智能助推教育变革的重要契机，在引领国际人工智能教育应用中起到了重要的推动作用。在国际视野下多模态数据分析是实现精准教育或个性化教育的最新手段，推进教学评价改革是人工智能助力教学改革的重要切入点；强化人工智能教学系统应用效果或适宜性评估是人工智能深度应用的重要保障；人工智能课程是普及人工智能知识、培养学生核心素养的重要载体；学校领导及相关机制、教师智能教育素养是学校引入和应用人工智能的关键因素；研制人工智能伦理框架与法律法规是规范人工智能教育应用的迫切需求；商业化运作模式及基础理论研究薄弱是人工智能教育应用研究面临的重大挑战；理论研究、人机融合、多方协同、精准教育是人工智能教育应用领域未来需关注的研究主题。
（二）对推进我国教育领域人工智能应用及研究的建议
在对国际教育领域人工智能应用研究热点分析的基础上，对推进我国教育领域人工智能应用及研究提出以下几点建议。
1.注重学生参与，创设智慧学习空间，支持多模态数据采集
学习空间对学生认知能力与非认知能力全面开发的重要价值逐渐引起国内外学者的普遍认同。教育基础设施是教育系统正常运转的底座与基石，为学习空间的创设和功能发挥提供重要的条件支撑。不同社会发展阶段，教育基础设施的不断演进塑造了不同时代的教育形态，[69]也推进了学习空间的不断变革。进入教育信息化2.0阶段以来，在国家政策层面非常重视教育基础设施的建设。2018年，教育部印发的《教育信息化2.0行动计划》明确强调关注智能化教学环境的建设。2021年教育部等六部门发布的《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》明确将智慧校园列入教育新型基础设施建设的重要内容。在未来，弹性的学习组织和学生的主动学习将成为一种教育常态。[70]面对多模态数据分析对推进人工智能时代精准教育的重要价值，在推进智慧校园或智慧教室建设、创设智慧学习空间时，由“技术/专家驱动式”设计范式向“参与者驱动式”的设计范式转变，[71]强化用户参与式优化学习空间设计的现实诉求，更好地适应未来学习形态。例如，为实现学生状态数据的伴随式采集，在安装感知设备以及选择轻量型穿戴设备时，强化学生参与，应最大限度减少学生的不适应、降低数据采集的侵入性、平衡数据真实性与准确性。对于教育信息化装备的服务商而言，更应采用同理心的原则推进产品设计和研发。此外，还应强化教师多模态数据分析素养提升，增强数据分析结果的应用价值。
2.深化专业认证及评估改革，强化第三方机构对高校课程评估
专业建设是提升人才培养质量的着力点。专业认证及评估是我国“五位一体”高校本科教学评估制度的重要组成部分，旨在增强人才培养和社会需求的适应性。一方面鼓励专门机构和行业用人部门对高校的专业进行评估，促进人才培养与职业准入资格制度相衔接；另一方面，积极推进与国际标准实质等效的专业认证，提高我国高校的专业办学水平和国际竞争力。专业认证及评估的实施对强化我国专业建设起到了重要推动作用。但面对以人工智能为核心技术的第四次工业革命的冲击，专业认证、评估的标准及方案的动态调整相对滞后，对人工智能时代高校人才培养的新要求涉及不够，对未来人才培养的引导作用亟待进一步强化。此外，课程是人才培养的核心要素，是影响学生发展最直接的中介和变量，也是专业认证及评估的核心关注点。但现有评估活动尚未深刻触及人才培养的课程要素。因此，评估重心下移、引导核心利益相关者参与是各项评估改革的重要方向，引导第三方评估机构强化课程评估，不仅能对院校评估、专业认证及评估形成良好配合，更能以课程评估为重心，关照高等教育核心利益相关者的参与和发展，进一步完善我国现有高等教育评估体系的内涵。以成果导向教育理念为指导，对各专业培养人才的人工智能准备度进行监测评估，动态调整课程体系。同时，有利于推动评估实践的进一步发展，也有助于巩固人才培养的中心地位、增强人才培养与社会需求的适应性。
3.研制通识性人工智能视频公开课，推进人工智能知识普及
我国较早地推动了人工智能在基础教育的普及。2003年印发的《高中信息技术课程标准（实验）》将“人工智能初步”设定为选修模块。现阶段，我国中小学实行的《基础教育信息技术课程标准（2012版）》和《普通高中课程方案和课程标准（2017年版）》也设置有人工智能相关模块。2017年，国务院印发的《新一代人工智能发展规划》，明确提出要在中小学阶段设置人工智能相关课程，完善课程方案和课程标准，充实适应信息时代、智能时代发展需要的人工智能和编程课程内容。除此外之，中小学STEM课程、创客课程中也有人工智能相关内容。但现阶段，基础教育人工智能课程应用存在着统一课程标准缺失、师资力量紧缺，以及社会实践氛围欠缺等问题。[72]除在国家层面研制课程标准、开展人工智能教师专项培训外，更重要的是发挥高校优势，面向社会群体研制、发布通识性人工智能视频公开课程，推进人工智能知识普及。2021年中央网信办、国家互联网信息办公室发布的《提升全民数字素养与技能行动纲要》为人工智能的社会普及提供了行动纲领。对实践路径而言，应着重关注以下两点：一是对现有成人教育组织架构“高等学校（开放大学）——函授站——教学点”进行内涵升级，拓展服务内容；二是发挥社区教育在解决全民教育“最后一公里”问题中的关键作用。这样既能够发挥高等学校学科建设优势，又能够实现人工智能知识的正式和非正式混合学习、规范化与生活化学习相结合。
4.强化政府监督和指导，提升教师智能教育素养
引入和应用人工智能是新时代校长的新任务和新挑战。现阶段，校长基本了解人工智能，但主要局限于日常生活领域；能够肯定人工智能教育应用的价值，但了解较少；对人工智能具有强烈的系统学习的愿望。[73]基础教育人工智能应用尚且处于起步或待起步阶段。面对人工智能技术的多样化发展，如何选择和引入合适的人工智能技术是学校面临的重大现实问题。在政府购买服务、助推学校信息化发展的背景下，应强化政府对学校引入和应用人工智能技术的监管，研制人工智能教育应用规范或引入标准，为学校引入和应用人工智能技术提供规范指导。此外，除进一步强化校长信息化领导力培训外，应进一步强化教师智能教育素养提升。截至目前，我国先后实施的中小学教师教育技术能力提升计划、信息技术应用能力提升工程促进了教师信息化教学能力显著改善，但其中也存在着明显的问题与不足，如项目实施具有典型的“内容本位”特征以及教师“职业人”的角色定位，这在一定程度上影响了项目实施效果。鉴于此，在提升教师智能教育素养时，应以终身教育理念为指导，教师角色逐步向“社会人”拓展，实现教师智能教育素养提升的生活化、常态化。
5.坚持立德树人，研制人工智能教育伦理框架
人工智能作为智能时代的重要基础设施，对人们的生产生活具有“全域性赋能”作用，在高等教育领域能够推动形成全员育人合力、有机衔接全过程育人环节、有效增强全方位育人效应，起到高校全员、全过程、全方位育人的正向促逼作用。[74]但是，立德树人也是教育伦理的根本原则。[75]面对人工智能教育应用中普遍存在数据安全、技术异化、隐私保护等伦理问题，研究制定人工智能教育伦理框架，规范人工智能教育应用，已成为世界各国的共识。因此，要坚持立德树人的根本原则，谋划构建具有中国特色的人工智能教育伦理框架，推进人工智能在教育领域的合理、规范使用。此外，还应进一步深入开展与人工智能教育应用相关的法律问题研究，制定促进教育领域人工智能发展的法律法规，为人工智能教育应用伦理框架的有效实施提供强有力的法律保障。
6.强化人工智能教育基础理论研究
理论对实践的指导作用主要体现在三个方面：理论是对事物本质和规律的认识，理应走在实践的前头；科学理论能预见未来、端正实践方向；科学理论能够推动实践创新。基础理论研究和关键技术研发是人工智能发展的两大引擎。现阶段，人工智能的教育应用主要聚焦在高等教育阶段，且基本处于探索发展阶段，对人工智能教育应用的规律缺乏深刻认知。如果没有成熟理论的指引，人工智能教育应用及研究就会迷失方向。现阶段，我国在各省市普遍开展各类人工智能教育试点，对推进人工智能教育普遍应用起到了重要的示范引领作用。人工智能本身就具有明显跨学科特征。因此，在试点的基础上，应组建跨学科团队，进一步强化人工智能教育基础理论研究，为人工智能在教育领域的广泛应用和深度研究提供可推广、可复制的经验。
参考文献
[1]XIE H, CHU H C, HWANG G J. Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017[J]. Computers & Education, 2019(10):1-16.
[2] HU Y H, LO C L, SHIH S P. Developing early warning systems to predict students’ online learning performance[J]. Computers in Human Behavior, 2014(36):469-478.
[3]WANLI XING, DONGPING DU. Dropout prediction in MOOCs: using deep learning for personalized intervention[J].Journal of Educational Computing Research, 2019(57):547-570.
[4]GRAWEMEYER BEATE, MAVRIKIS MANOLIS,HOLMES WAYNE, et al. Affective learning: improving engagement and enhancing learning with affect-aware feedback[J].User Modeling and User-Adapted Interaction, 2017(1):119-158.
[5]GIANNAKOS M N, SHARMA K, PAPPAS I O. Multimodal data as a means to understand the learning experience[J]. International Journal of Information Management, 2019(48):108-119.
[6]SPIKOL DANIEL, RUFFALDI EMANUELE, DABISIAS GIACOMO, et al. Supervised machine learning in multimodal learning analytics for estimating success in project-based learning[J]. Journal of Computer Assisted Learning, 2018(4):366-377.
[7]CUKUROVA MUTLU, LUCKIN ROSE, MILLAN EVA, et al. The NISPI framework: analysing collaborative problem-solving from students’ physical interactions[J]. Computers & Education, 2018(8)93-109.
[8]MITRI D D, SCHEFFEL M, DRACHSLER H, et al. Learning pulse: a machine learning approach for predicting performance in self-regulated learning using multimodal data[C].7th International Learning Analytics and Knowledge Conference (LAK), 2017(3):13-17.
[9]PRIETO L P, SHARMA K, KIDZINSKI L, et al. Multimodal teaching analytics: automated extraction of orchestration graphs from wearable sensor data[J]. Journal of Computer Assisted Learning, 2018(2):193-203.
[10]SUKHBAATAR OTGONTSETSEG, USAGAWA TSUYOSHI, CHOIMAA LODOIRAVSAL. An artificial neural network based early prediction of failure-prone students in blended learning course[J]. International Journal of Emerging Technologies in Learning, 2019(19):77-92.
[11]FOK WILTON, HE Y S, YEUNG H, et al. Prediction model for students’ future development by deep learning and tensorflow artificial intelligence engine[C]. 2018 4th International Conference On Information Management, 2018:103-106.
[12]ROSE LUCKIN. Towards artificial intelligencebased assessment systems[J]. Nature Human Behaviour, 2017(1):1-3.
[13]MY LI, YW SU. Evaluation of online teaching quality of basic education based on artificial intelligence[J]. International Journal of Emerging Technologies in Learning, 2020(16):147-161.
[14]YANG R. Artificial intelligence-based strategies for improving the teaching effect of art major courses in colleges[J]. International Journal of Emerging Technologies in Learning,2020(22):146-160.
[15]SHARMA K, PAPAMITSIOU Z, GIANNAKOS M. Building pipelines for educational data using AI and multimodal analytics: a “grey-box” approach[J]. British Journal of Educational Technology, 2019(6): 3004-3031.
[16]SALAS-PILCO. The impact of AI and robotics on physical, social-emotional and intellectual learning outcomes: an integrated analytical framework[J]. British Journal of Educational Technology, 2020(5):1808-1825.
[17]ESTEBAN V ZQUEZ-CANO, SANTIAGO MENGUAL-ANDR S, ELOY L PEZ-MENESES. Chatbot to improve learning punctuation in Spanish and to enhance open and flexible learning environments[J]. International Journal of Educational Technology in Higher Education, 2021(1):1-20.
[18]CHEN B Y. Gender differences in cognitive load when applying game-based learning with intelligent robots[J]. Educational Technology & Society, 2021(2):102-115.
[19]BOULAY B D. Artificial intelligence as an effective classroom assistant[J]. IEEE Intelligent Systems, 2016(6):76-81.
[20]SCHROEDER N L, ADESOPE O O, GILBERT R B. How effective are pedagogical agents for learning? a meta-analytic review[J]. Journal of Educational Computing Research, 2013(1):1-39.
[21]HOW M L, WEI L.Educational stakeholders’ independent evaluation of an artificial intelligence-enabled adaptive learning system using bayesian network predictive simulations[J]. Education Sciences, 2019(2):110.
[22]XU Z H, WIJEKUMAR K, RAMIREZ G. The effectiveness of intelligent tutoring systems on K-12 students’ reading comprehension: a meta-analysis[J]. Educational Technology, 2019(6):3119-3137.
[23]MA W T, ADESOPE O O, NESBIT J C.Intelligent tutoring systems and learning outcomes: a meta-analysis[J].Journal of Educational Psychology, 2014(4):901-918.
[24]DOM NGUEZ FIGAREDO. Data-driven educational algorithms pedagogical framing[J]. Revista Iberoamericana de Educación a Distancia, 2020(2):65-84.
[25]MENG-LEONG HOW. Educational stakeholders’ independent evaluation of an artificial intelligence-enabled adaptive learning system using bayesian network predictive simulations[J]. Education Sciences, 2019(2):1-32.
[26]HILL JENNIFE, FORD W, FARRERAS INGRID G. Real conversations with artificial intelligence: a comparison between human-human online conversations and human-chatbot conversations[J]. Computers In Human Behavior, 2015, 49:245-250.
[27]SMUTNY P, SCHREIBEROVA P. Chatbots for learning: a review of educational chatbots for the facebook messenger[J]. Computers & Education, 2020,151:1-11.
[28]WEBB M E, FLUCK A, MAGENHEIM J. Machine learning for human learners: opportunities, issues,tensions and threats[J]. Educational Technology Research and Development,2021(4):2109-2130.
[29]ESTEVEZ J, GARATE G, GRANA M.Gentle introduction to artificial intelligence for high-school students using scratch[J]. Ieee Access, 2019,7:179027-179036.
[30]CASTRO E, CECCHI F, SALVINI P, et al. Design and impact of a teacher training course, and attitude change concerning educational robotics[J]. International Journal of Social Robotics, 2018(5):669-685.
[31]HUANG X D. Aims for cultivating students’ key competencies based on artificial intelligence education in China[J]. Education and Information Technologies, 2021(5):5127-5147.
[32]NYE B D. Intelligent tutoring systems by and for the developing world: a review of trends and approaches for educational technology in a global context[J]. International Journal of Artificial Intelligence in Education, 2015(2):177-203.
[33]TYSON M M, SAUERS N J. School leaders’ adoption and implementation of artificial intelligence[J]. Journal of Educational Administration, 2021(3):271-285.
[34]WATTY K, MCKAY J, NGO L. Innovators or inhibitors? Accounting faculty resistance to new educational technologies in higher education[J]. Journal of Accounting Education, 2016:1-15.
[35]WANG S, YU H, HU X, et al. Participant or spectator? Comprehending the willingness of faculty to use intelligent tutoring systems in the artificial intelligence era[J]. British Journal of Educational Technology, 2020(5):1657-1673.
[36][37]GUPTA K P, BHASKAR P. Inhibiting and motivating factors influencing teachers’ adoption of AI-based teaching and learning solutions: prioritization using analytic hierarchy process[J]. Journal of Information Technology Education-Research, 2020,19:693-723.
[38]YM WANG, CC LIU, YF TU. Factors affecting the adoption of AI-based applications in higher education: an analysis of teachers’ perspectives using structural equation modeling[J]. Educational Technology & Society, 2021(3):116-129.
[39]CHOCARRO R, CORTINAS M, MARCOS-MATAS G. Teachers’ attitudes towards chatbots in education: a technology acceptance model approach considering the effect of social language, bot proactiveness, and users’ characteristics[J]. Educational Studies, 2021(2):1-19.
[40]HC LIN, YF TU, G J WANG, et al. From precision education to precision medicine: factors affecting medical staff’s intention to learn to use AI applications in hospitals[J]. Educational Technology & Society, 2021(1):123-137.
[41]RENZ A, HILBIG R. Prerequisites for artificial intelligence in further education: identification of drivers, barriers, and business models of educational technology companies[J]. International Journal of Educational Technology in Higher Education, 2020(1):1-21.
[42]JOBIN A, IENCA M, VAYENA E. The global landscape of AI ethics guidelines[J]. Nature Machine Intelligence,2019(9):389-399.
[43]FLORIDI L, COWLS J, BELTRAMETTI M, et al. AI4People—an ethical framework for a good AI society: opportunities, risks, principles, and recommendations[J]. Minds and Machines, 2018(4):689-707.
[44]GRAY S L. Artificial intelligence in schools: towards a democratic future[J]. London Review of Education, 2020(2):163-177.
[45]QIN F LI, K YAN J. Understanding user trust in artificial intelligence-based educational systems: evidence from China[J]. British Journal of Educational Technology, 2020(5):1693-1710.
[46]WANG Y. When artificial intelligence meets educational leaders’ data-informed decision-making: a cautionary tale[J]. Studies in Educational Evaluation, 2021(S1):1-9.
[47]WANG Y. Artificial intelligence in educational leadership: a symbiotic role of human-artificial intelligence decision-making[J]. Journal of Educational Administration, 2021(2):256-270.
[48]TINA CHEUK. Can AI be racist? Color-evasiveness in the application of machine learning to science assessments[J]. Science Education, 2021(105):825–836.
[49]WARTMAN S A, COMBS C D. Medical education must move from the information age to the age of artificial intelligence[J]. Academic Medicine, 2018(8):1107-1109.
[50]WARTMAN STEVEN A, COMBS C DONALD.Medical education reimagining medical education in the age of AI[J]. AMA Journal of Ethics, 2019(2):146-152.
[51]PARANJAPE KETAN, SCHINKEL MICHIEL, NANNAN PANDAY RISHI, et al. Introducing artificial intelligence training in medical education[J]. JMIR Medical Education, 2019(2):16048.
[52]CHAN KAI SIANG, ZARY NABIL. Applications and challenges of implementing artificial intelligence in medical education: integrative review[J]. JMIR Medical Education, 2019(1):13930.
[53]KOLACHALAMA V, GARG P. Machine learning and medical education[J]. Npj Digital Medicine, 2018,1:1-3.
[54]KATZNELSON G, GERKE S.The need for health AI ethics in medical school education[J]. Advances in Health Sciences Education, 2021(4):1447-1458.
[55]KARACA O, CALISKAN S, DEMIR K.Medical artificial intelligence readiness scale for medical students (MAIRS-MS)-development, validity and reliability study[J]. BMC Medical Education, 2021(1):1-9.
[56]HINOJO-LUCENA F, AZNAR-DIAZ I, CACERES-RECHE M, et al. Artificial intelligence in higher education: a bibliometric study on its impact in the scientific literature[J]. Education Sciences, 2019(1):1-9.
[57]WILLIAMSON B, EYNON R. Historical threads, missing links, and future directions in AI in education[J]. Learning Media and Technology, 2020(3):223-235.
[58]WOOLF B P, LANE H C, CHAUDHRI V K, et al. AI grand challenges for education[J]. AI Magazine, 2013(4):66-84.
[59]GWO-JEN H, HAORAN XIE, BENJAMI W, et al. Vision, challenges, roles and research issues of artificial intelligence in education[J]. Computers and Education: Artificial Intelligence, 2020(1):1-5.
[60]ZAWACKI-RICHTER O, VI MAR N, BOND M, et al. Systematic review of research on artificial intelligence applications in higher education -where are the educators?[J]. International Journal of Educational Technology in Higher Education, 2019(16):1-27.
[61]COX A M. Exploring the impact of artificial intelligence and robots on higher education through literature? based design fictions[J]. International Journal of Educational Technology In Higher Education, 2021(1):1-19.
[62]CHEN X, XIE H, ZOU D, et al. Application and theory gaps during the rise of artificial intelligence in education[J]. Computers and Education: Artificial Intelligence, 2020(1):1-20.
[63]SONG P, WANG X. A bibliometric analysis of worldwide educational artificial intelligence research development in recent twenty years[J]. ASIA Pacific Education Review,2020(3):473-486.
[64]EDWARDS C, EDWARDS A, SPENCE P, et al. I, teacher: using artificial intelligence (AI) and social robots in communication and instruction[J]. Communication Education, 2018(4):473-780.
[65]LUCKIN R, CUKUROVA M. Designing educational technologies in the age of AI: a learning sciences-driven approach[J]. British Journal Of Educational Technology, 2019(6): 2824-2838.
[66]REISS M J. The use of AI in education: practicalities and ethical considerations[J]. London Review of Education, 2021(1):1-14.
[67]HART S. Precision education initiative: moving toward personalized education[J]. Mind Brain and Education, 2016(4):209-211.
[68]KINSHUK, CHEN N S, CHENG I L, et al. Evolution Is not enough: revolutionizing current learning environments to smart learning environments[J]. International Journal of Artificial Intelligence in Education, 2016(2):561-581.
[69]郑旭东,周子荷.教育新基建三问:何为基？新在哪？如何建？[J].电化教育研究,2021(11):42-47.
[70]关成华,黄荣怀.面向智能时代:教育、技术和社会发展[M].北京:教育科学出版社,2021:143.
[71]BANATHY B H.Comprehensive systenms design in education:who shoud be the designers?[J]. Educational Technology,1991,31(9):49-51.
[72]张丹,崔光佐.中小学阶段的人工智能教育研究[J].现代教育技术,2020(1):39-44.
[73]钟祖荣,高山艳,邸磊.人工智能进校园仍需多方努力[J].中小学管理,2020(6):44-47.
[74]任志锋.以人工智能赋能高等学校立德树人[J].社会科学战线,2020(4):274-280.
[75]王正平,林雅静.立德树人:教育伦理的根本原则[J].道德与文明,2018(4):111-118.
Analysis and Enlightenment of the Research Hot Spots of AI Applied in Education
in the Global Context
Yunfu LI1, Fei XU1, Ting LI2
(1.West China Higher Education Evaluation Center, Xi’an JIAOTONG University, Xi’an Shaanxi 710049;2.Education Department of Shaanxi Provincial Government, Xi’an Shaanxi 710061)
Abstract:Artificial Intelligence is a hot topic in educational research all over the world. At present, from an international perspective, multi-modal data analysis is the latest means to realize precision education or personalized education; promoting the reform of teaching evaluation is an important way for AI to help with the teaching reform; strengthening the application effect or suitability evaluation of the AI teaching system is an important guarantee for the in-depth application of AI; AI course is an important carrier for popularizing AI knowledge and cultivating students’ core literacy; school leaders and related mechanisms, teachers’ intelligent education literacy are the key factors for schools to introduce and apply AI; the development of an AI ethical framework and laws are an urgent need to standardize the application of AI; commercial operation mode and basic theory research are major challenges for the application research of AI in education; theoretical research, man-machine integration, multi-party cooperation and precision education are the future development trends of AI research in education. In view of this, and in order to promote the application and research of AI in the field of education in China, we should attach importance to student participation, create an intelligent learning space and support multi-modal data acquisition; deepen the reform of professional certification and evaluation, and strengthen the evaluation of college courses by third-party institutions; develop general AI video open courses and promote the popularization of AI knowledge; strengthen government supervision and guidance and improve teachers’ literacy of intelligent education; adhere to building morality and cultivating people, develop the ethical framework of AI education; and strengthen the basic theoretical research of AI in education.
Keywords:AI; Precision education; AI ethics; AI course
编辑：王天鹏 校对：王晓明
相关荐读
2023-03-08
2023-03-09
2023-03-16
期刊简介
《中国教育信息化》创刊于1995年8月，是由中华人民共和国教育部主管，教育部教育管理信息中心主办，面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况，开展我国教育信息化发展状况调研和教育信息化国际比较研究，服务于国家教育宏观决策；力求全面准确地把握教育信息化相关的方针政策和标准规范，及时追踪ICT前沿技术的发展趋势及其与教育的融合，深度挖掘教育信息化建设与应用的体制、机制创新，服务于我国教育信息化实践。
●RCCSE中国核心学术期刊
●中国人文社会科学（AMI）扩展期刊
●中国期刊全文数据库收录期刊
●中文科技期刊数据库收录期刊
●国家哲学社会科学学术期刊数据库收录期刊
●中国核心期刊（遴选）数据库收录期刊
●龙源期刊网收录期刊
一年12期，每月20日出版
20元 / 期，邮发代号：82-761
编辑部邮箱：mis@moe.edu.cn
通讯地址：北京市西城区华远北街2号921室