【20211216】文献翻译3：回顾2010年至2020年教育领域的人工智能（AI）_2010-2013年人工智能教育领域发展

Xuesong Zhai, Xiaoyan Chu, Ching Sing Chai, Morris Siu Yung Jong, Andreja Istenic, Michael Spector, Jia-Bao Liu, Jing Yuan, Yan Li, “A Review of Artificial Intelligence (AI) in Education from 2010 to 2020”, Complexity, vol. 2021, Article ID 8812542, 18 pages, 2021. https://doi.org/10.1155/2021/8812542

地址：浙江大学、香港中文大学、普利莫斯卡大学、卢布尔雅那大学、俄罗斯喀山联邦大学、北得克萨斯州大学、安徽建筑大学、安徽新华学院

本研究对研究进行了内容分析，旨在介绍人工智能（AI）如何应用于教育领域，并探索人工智能在教育领域的潜在研究趋势和挑战。从2010年至2020年社会科学引文索引数据库的教育和教育研究类别中共选取了100篇论文，包括63篇经验性论文（74项研究）和37篇分析性论文。内容分析显示，研究问题可分为开发层（分类、匹配、推荐和深度学习）、应用层（反馈、推理和自适应学习）和整合层（亲情计算、角色扮演、沉浸式学习和游戏化）。此外，我们还提出了四种研究趋势，包括物联网、集群智能、深度学习和神经科学，以及对教育中的人工智能的评估，以供进一步研究。然而，我们也提出了人工智能在教育领域可能带来的挑战，涉及到人工智能技术的不恰当使用、教师和学生角色的改变以及社会和伦理问题。结果提供了对用于教育领域的人工智能概述的见解，这有助于加强人工智能在教育领域的理论基础，并为教育工作者和人工智能工程师开展进一步的合作研究提供了有希望的渠道。

1. 简介

大数据、云计算、人工神经网络和机器学习的出现，使工程师们能够创造出一种可以模拟人类智能的机器。在这些技术的基础上，本研究将能够感知、识别、学习、反应和解决问题的机器称为人工智能（AI）[1, 2]。不可避免的是，这种智能技术将彻底改变未来的工作场所[3]。因此，虽然人工智能可以与人类互动并帮助人类发挥更高的水平，但它正在成为下一个颠覆性创新[4]。目前，人工智能被许多人看作是第四次工业革命不可或缺的驱动力，它可能会引发教育领域的第四次革命。关于人工智能的学习也已经开始成为学校课程的一部分[5, 6]。然而，正如电视和计算机的出现曾被吹捧为教育的游戏规则改变者一样，它们事实上被证明是增强了信息的获取，而没有实质性地改变核心教育实践。尽管如此，教育工作者有义务回顾当前的人工智能能力，并确定可能的路径来优化学习。鉴于人们的关注度越来越高，回顾最近的人工智能在教育领域的研究是很有必要的，以便为教育者提供对该领域的最新了解，为可能的变化做准备。

人工智能已被越来越多的人宣传为对教育具有战略价值[7]。Loeckx[8]提出，人工智能可以成为一种有效的学习工具，减轻教师和学生的负担，为学生提供有效的学习体验。再加上当前的教育改革，如教育资源的数字化、游戏化和个性化的学习体验，人工智能在教育领域的应用有很多发展机会。例如，人工智能技术的建模潜力已经被系统地利用起来，通过使用智能辅导系统（ITS），为构建个性化的学习环境开发反应性和适应性辅导，作为对教师短缺的补偿[10]。ITS主要通过四种方式提供个性化的学习体验：监测学生的输入，提供适当的任务，提供有效的反馈，以及应用人机交流的界面[7]。当更多的ITS为更多的科目和主题而产生时，很可能会改变教师的角色，因此，学校教育可能需要重新概念化。教师中存在许多关于人工智能是否挑战他们工作的担忧和顾虑。同时，研究人员和教育工作者目前正在讨论诸如正在学习什么以及如何使用人工智能等问题。一些研究者想知道人工智能的进步是否会挑战甚至取代教师，因为许多其他工作正在被自动化取代[11]。人们逐渐认识到，随着人工智能的进步，教师的专业角色需要调整，这将引发新的组织形式[12]。新出现的挑战还包括学生对这些变化的态度[13]。在某种程度上，作为数字公民的学生能够利用人工智能来提高学习成果。尽管如此，他们可能无法为特定的学习环境恰当地使用合适的人工智能技术，这将导致对学习的消极态度[14]。

总而言之，这项研究涉及对人工智能在教育中的研究的回顾。以前的研究包括人工智能在知识处理方面的三个基本观点。(a)知识表示，(b)知识获取，©知识推导[3]；本综述将关注人工智能广泛使用后，最近被纳入教育领域的人工智能技术和工具。"第一代 "人工智能可以通过应用基于规则的专家知识支持人类的智力工作，"第二代 "可能通过统计/搜索模型找到最佳解决方案，而 "第三代 "将基于大脑模型极大地提高识别性能。本综述重点关注2010年至2020年期间在Web of Science上发表的文章，因为这代表了第二代和第三代人工智能开始在教育领域取得进展的时期。指导本综述的研究问题如下：

1. 教育领域人工智能的整体状况如何？从2010年到2020年，哪些与教育领域的人工智能有关的研究课题和研究设计是明显的？
2. 在教育领域的人工智能方面，已发表的研究有哪些趋势？
3. 目前人工智能在教育领域的研究中产生了哪些挑战？

2. 方法

本研究是一个系统的文献综述。综述的目的是根据预先确定的研究问题（见上文）和标准来分析和解释研究结果，这些问题和标准有助于指出未来的方向[15]。如表1所示，预先确定的研究重点是研究目的、学习主体、教育水平、研究方法和效果。综述分三个阶段进行：计划、执行和报告系统综述。

CLA：分类；MAT：匹配；REC：推荐；DEE：深度学习；FEE：反馈；REA：推理；ADP：适应性学习；AFF：情感计算；ROL：角色扮演；IMM：沉浸式学习；GAM：游戏化；EXP：实验；QE：准实验；DA：话语分析；INT：访谈；SUR：调查；OUT：结果；PER：感知；OTH：其他包括情感、批评性思维和创造力。?"：统计学上的显著变化。+：可识别的变化，没有进行意义测试。0：侧重于算法测试，不对学习成绩进行检查。

表1有100个ID 作者 研究问题 技术应用 学习对象 教育水平 方法效果

2.1 计划审查

由于之前关于人工智能的评论是在物理科学领域进行的[16, 17]，本研究旨在在社会科学领域进行评论。

我们选择了科学网数据库和社会科学引文索引（SSCI）期刊来搜索2010年至2020年期间发表的理想文章。在SSCI数据库中发表的文章通常被认为是教育研究者中的高质量出版物。采用的关键词是 “人工智能”，主题领域被细化为 “教育和教育研究”。这个过程产生了142篇文章，包括121篇再搜索文章，10篇评论文章，1篇访谈文章和5篇书评。所选文章包括分析性研究（主要是定性研究）和经验性研究（主要是定量研究）。

2.2 进行审查

按照Wu等人[18]的做法，本研究分两步进行：识别和编码。在第一步中，如果一篇文章符合两个标准中的任何一个，它就会被选入潜在的资料库。(a)研究涉及一种特定的人工智能技术作为辅助学习或教学的干预措施；(b)它提供了经验证据或深入分析。如前所述，只有被SSCI索引的文章才被考虑。应该注意的是，那些关注人工智能的发展过程而没有教育意义的研究，或者只采用人工智能作为学习主题而不使用人工智能的研究，都被排除在本评论之外。其次，对于分析性研究，只包括讨论人工智能技术对教育影响的研究。所有确定的论文的每篇全文都由在学习技术领域拥有博士学位或教授职位的三位小组成员单独阅读和筛选。不符合标准的研究被提出来供小组讨论。筛选过程中，在最初的121篇文章中产生了100篇文章。

在第二步，所有作者讨论了主题分析原则，并在人工智能如何用于教育方面建立了一个编码方案。主要调查了两个类别：研究问题和技术采用。首先，在研究问题方面，以往的研究发现人工智能在知识处理方面有三种基本模式：知识表示、知识获取和知识衍生[3]。在此基础上，样本论文的研究问题被分为三个方面。(a)开发，重点是知识呈现模式；(b)提取，中心是如何从数据挖掘中获取知识；(c)应用，强调通过信息推导进行人机互动。其次，在技术采用方面，重点是研究采用的技术类型，进一步分为软件（如算法和程序）和硬件（如传感器和设备，如虚拟现实）。需要注意的是，在教育中采用没有人工智能目的的技术的研究不在其中。详细描述见表1，它包括学习主体、教育水平、研究方法和效果。此外，研究人员对研究目的和一些因素之间的关联进行了进一步的频率比较，如AI技术的采用以及时间段，以预测AI在教育中的趋势和挑战。

3. 研究结果和讨论

根据上述编码标准和内容分析，研究问题的三个维度如表2所示，并将63个实证研究中的72个研究（5篇论文有两个研究，2篇论文有三个研究）进一步细分为11个类别。"发展 "维度有23个研究，利用人工智能技术作为构建智能学习环境的开发工具，可以细分为专注于开发包括分类、匹配、推荐和深度学习的算法，用于教学和学习。此外，在前牵引的维度上发现了35项回顾性研究，指的是应用开发的人工智能技术，通常基于算法，为学生提供反馈、推理和自适应学习。在应用的维度上发现了14项实证研究，其中包括亲情计算、角色扮演、沉浸式学习和游戏化。在整合方面，人工智能技术包括那些涉及人类因素的技术，作为识别和分析学习者的个性化特征的重要变量。在这些研究中，产生了人机互动，以改善诸如创造力、责任感和批判性思维等能够影响学习者表现和认知的特征。以下章节描述了在人工智能时代处理了哪些教育问题，以及在每个研究问题中如何运用人工智能技术。

3.1 发展的维度

如表2所示，发现有16项实证研究集中在智能辅导系统（ITS）和电子评估等教育系统的开发上。开发程序通常采用归纳-演绎法，即先分析先前的实验和数据以预测变量，然后进行算法测试以获得最终的建模方程[19]。

一般来说，教育系统的开发由三个部分组成：演示、逻辑建模和数据维度[20]。所有的23项研究都以逻辑建模为中心，而没有发现关于演示方法或数据挖掘的研究。可能的解释是，建模技术是人工智能技术的基础，并从根本上渗透到系统开发的整个过程中。在这个层面上，研究通常在计算机科学或信息科学领域进行，领域知识作为源材料被导入算法框架（如图1（a）所示），很少有教学设计的报道。例如，Horakova等人[3]旨在利用三种分类技术探索文本挖掘机的分类能力。结果显示，人工神经网络（ANNs）在分离教育文本或文本片段方面明显比回归树和决策树更有效。

pedagogical design：教学设计

此外，在匹配/群体形成建模方面，先前采用定型理论的研究已经评估了贝叶斯网络、关联规则、聚类、模糊C-means以及模糊和遗传算法是被接受的学生个人属性建模算法。这些技术为调查在教育背景下形成同质和异质群体提供了潜在指示[21]。

此外，数据量不断增长的趋势对教育工作者有效分析定性数据提出了挑战。自然语言处理（NLP）提供了一种手段，通过简化和加速发现数据中的内容来诊断问题并提出建议[22]。然而，对一个复杂的教育系统的评估需要更深刻的信息检索。建议整合多种方法，如NLP/语义网领域的基准，以建立更智能的计算机辅助系统，其中的代理可以自动训练[23]。

为了优化学习背景下的建模，层次结构被认为是教育系统建模的潜在解决方案。这是因为教育通常是一个由子系统和组件组成的复杂系统，其中子系统/组件行为之间的隐形因果过程会相互影响[24]。有人提出，系统化的建模应该分析教育背景下的三个维度：学习者的变化、学习领域和学习活动[25, 26]。例如，一些研究者构建了高阶项目反应理论框架，在第一个维度上涉及整体能力，在第二个维度上涉及多个领域能力，该框架在自动解决问题的过程中被很好地采用[27]。

基于上述和Nguyen和Yang的建议[28]，在教育领域开发人工智能集成系统的目的可以归纳为四种类型：分类（5项研究），匹配（3项研究），推荐（5项研究），和深度学习（10项研究）。(1) 分类是指知识库的重建，其中的材料可以根据不同的特征进行分类。分类划定了知识内容，这有助于提高文本分析的准确性[3]。例如，一些研究人员开发了一个具有运动问题分类特征的ITS，通过它，学习者可以很容易地获得数学中不同类型的运动问题[29]。(2) 匹配是指一种转换机制，其中不同的分类集与特定的学习目的相联系。例如，为盲人学生开发了一个文本-图表系统，将几何学单词与盲文打印的底层图表联系起来，该系统已被认证为一所盲人学校的有效教学/学习工具[30]。(3)推荐被视为一种智能创作工具。在自然语言过程的支持下，它可以自动创建新的主题、理论和教学内容，作为对学习者反馈的回应，以帮助教师节省时间和精力[31]。它构建了一个人机交互，并广泛用于根据学习者的输入产生实时和智能的反馈，这被认为是现代评估系统的一个可靠功能[32]。(4）深度学习，即机器学习，是一种大数据处理和学习行为分析的综合方法。基于教育领域大数据的激增，如学习或教学行为，系统可以通过升级其算法来自我调整，以满足用户的动态需求[33]。

迄今为止，一些研究报告称，对改善教学缺乏明显的影响。这一挑战主要归因于薄弱的教学设计和缺乏适当的评估标准[8]。因此，未来的研究应该以学习理论为基础，以便使更多可接受的、可获得的、有效的人工智能成为学习者生活的一个组成部分。

3.2 提取的维度

教育工作者已经开始探索人工智能技术在教学中的合适应用。目前有一些人工智能应用已经实现了技术、领域知识和教学设计的整合。本综述中确定的人工智能的三类教学应用是反馈（16项研究）、推理（10项研究）和自适应学习（9项研究）。虽然这些应用可能是相互关联的，但它们是根据被审查文章的作者所阐述的分类而被归类的。

3.2.1 反馈

损害个性化学习的挑战之一是不恰当的内容排序。演示顺序的重组正在寻求一种方法，根据学生的反应重新定义知识的组织。在这种情况下，反馈是满足学习者近似学习模式的一个重要方法[9]。利用人工神经网络，该系统根据学生的输入提供即时反馈，帮助他们逐渐接触到抽象的概念并进行实际练习。此外，研究人员认为该系统有积极的趋势，这可能归因于两个方面。

(1) 基于Ohlsson的理论，学生可以从错误产生的反馈中学习[34]。在实体教学环境中，教师可以在困难出现时立即与学生互动。然而，在网络环境中很难进行这种及时的互动。这种情况需要智能算法来自动提供反馈。例如，在基于教学代理的认知架构的帮助下，开发了智能虚拟实验室，以向在实验室中遇到困难的学生提供适当的反馈[35]。此外，还开发了一个学习网站Jutge.org，该网站具有丰富和组织良好的问题库的特点。该网站提供即时反馈，帮助学生逐步解决问题并从错误中学习[36]。(2）即时反馈促进了互动学习环境中的主动训练，这将有利于学习者的理解诊断[19]。以前的研究结合了语音识别、自然语言处理和机器学习来衡量课堂谈话的质量，其中创造了新的互动形式来引发思考并进一步塑造学习环境的有效互动[37]。另一个人工智能系统使用路径遍历算法来建立因果链，通过它向学生提供详细的反馈和提示，而不是正确的答案。通过学习者对互动的自我组织和对反馈的解释来构建学习环境[38]。

尽管在领域知识的自动反馈方面报告了大量的好处，但本综述中没有研究建立与教学理论的联系。在发展层面上的大多数作者都来自计算机科学领域，这导致他们在技术上关注源数据（领域知识）的呈现，而没有太多的教学考虑。

3.2.2 AI支持的推理

递归反馈有可能培养学习者以特定方式进行推理的能力，因为人机交互能够使学生对改善知识库的构建产生责任感[39]。知识库的重建被视为使用建模来实现教学设计的过程，如图1（b）所示。然而，一些研究者发现，与专家和有经验的教师相比，学生和职前教师等新手对系统中不可见的因果行为的理解极少[24]。另一项研究显示了类似的结论：学生能够学习相关的事实和配对关系，而他们可能仍然不能很好地进行推理[39]。一个可能的解释是，推理在很大程度上是看不见的，很难通过观察行为来诱导推理的过程。像可视化技术这样的人工智能技术可以被应用于培养学习者的推理能力。

为了帮助学习者提高推理能力，人们研究了图结构[29]和学习者的参与[24]技术。对于图式结构，可以开发智能系统来使思维变得可见。从某种意义上说，人工智能技术的模拟方法被采用来模拟思维，实时直观地跟踪推理。例如，论点映射工具的设计是为了帮助学习者将论点的前提和结论可视化。研究结果表明，一连串相连的论点被串联起来，使学习者得出最终结论[40]。Vattam等人[24]在设计人工智能以支持学生的推理时借鉴了学习的社会文化理论，报告说，参与的学习者可以更好地理解复杂系统中的多层次组织。

智能系统产生的分层推理对学生的学习产生了有益的影响。首先，它可以帮助学习者优化对某一特定主题的各子部分之间关系的阐释。作为回报，智能推理系统可以作为一种评价形式，评估学生是否已经掌握了特定主题的足够概念[41]。其次，该系统可以提供一种争论性的互动，这对构建协作学习氛围具有重要意义。这是因为，作为同伴推理的结果，学习者倾向于将他们的论点外化并改进他们的前提。Jain等人[41]将可视化的绘图工具与协作脚本结合起来。该设计成功地帮助学习者分析和评估有争议的话题的反对立场。一般来说，研究者认为推理的可视化工具是发展学习者批判性思维和写作的宝贵支架[40]。

然而，使用人工智能技术，包括可视化和分层推理建模，可能不足以支持推理。回顾的四项研究主要是利用建模来支持一般推理，而推理模型在很大程度上应该是特定领域的[24, 39, 40, 42]。此外，就人工智能支持的推理而言，对学习者的行为进行编码是一个尚未解决的挑战。如果考虑到学习者的个性化表现，推理过程可能会更加有效。尽管可视化的推理工具在小规模的群体环境中可以表现良好，但由于推理系统不能自动调整，所以很难获得对大群体数据的充分推理分析。因此，处理日益庞大和多样化的数据的要求需要自适应的替代方案[9]。

3.2.3 自适应学习

基于人工智能和社会认知的新的分散理论，学习者行为的明显复杂性在很大程度上反映了学习环境的复杂性。这促使教育者为各种类型的学习者的多样化学习环境提供自适应支架。与提供存量反应的反馈系统不同，适应性教育系统是一个形成性和纠正性的自动化系统，可以根据学习者个人的特点、需求和偏好（教学目标）进行自我调整（干预对象）[43]。虽然在本综述中只发现了三个实证研究，但一些研究者对未来在教学中推广自适应系统非常积极。诸如智能语音识别和自动写作评估等技术[44]已经得到了测试，并取得了可喜的成果。此外，有大量证据表明，自适应智能通过自动使学习者在导航和演示支持方面找到并获得近似的教育资源来增强学习效果[45]。

以前的研究强调，在适应性系统的应用中，设计层面是一个值得探索的选择[46]。为了在教育领域设计出成功的自适应系统，课程设计者和系统设计者必须借助于将问题解决过程的建模纳入具体的领域知识和大数据的使用[21, 44]。首先，自适应系统的机制将学习者先前的领域知识和对他们当前领域表现的评估联系起来，以支持他们的问题解决[47]。特别是，在自适应智能背景下，教学设计是至关重要的。它涉及到自适应算法的选择以及对学习风格和智能支持方法的兼容性的考虑。在这个意义上，认为人工智能会威胁到教师的地位的假设可能是没有根据的，因为教师作为课程设计者的重要作用。第二，自适应系统得到了大数据的支持。由于自适应学习系统的主要特点是个性化，因此，大数据的积累，如多样化的个体特征和学习风格及偏好的范围，是实现智能个性化的必要条件。然而，对自适应系统背景下的个性化研究仅限于与领域知识相关的用户特征。更深层次的内在特征，如人的精神状态和创造力，几乎没有人注意和研究[21]。然而，随着生物反馈技术等先进人工智能技术的发展，这具有重要的研究潜力。

3.3 应用维度

3.3.1 应用方面的技术采用

应用这一维度强调了将人类感情纳入人工智能在教育中的应用的重要性。最新的研究表明，感情已经越来越多地被报道为对决策、感知和学习产生了重要影响[48]。以前关于学习成绩的测量研究只关注两个方面：学习结果（如得分和成绩）和感知（如满意度和接受度），而其他方面则较少被关注。基于生物反馈技术的成熟，如眼球追踪和脑电图，亲情计算被越来越多地采用来研究学生对学习的内部动机，如创造力和责任感[49, 50]。

根据表1所示的所选论文的内容分析，有五种典型的人工智能技术支持教育领域的亲情计算和分析。它们是复杂算法、可视化、XR（虚拟/增强/混合现实）、可穿戴技术和神经科学。在许多情况下，它们相互支持，以构建一个智能学习环境和系统。(1) 复杂算法的设计考虑到了人的因素，而不是功能块的简单组合。从人机交互的角度来看，学习者应该被当作知识的创造者而不是接受者，这有助于产生积极的感情状态。从表述模式的角度来看，计算机系统中传统的陈述性语句应该被更多样化的语言表述所取代，如对话、辅导和概括。(2) 可视化被认为是解决复杂构思所选择的最佳方法。可视化的好处之一是使复杂的知识具有娱乐性，如基于游戏的学习，学习者的积极性将被大大激发。(3) 包括虚拟/增强/混合现实在内的XR提供了一个高度模拟的学习环境，这在物理教室中可能是难以实现的。例如，为了帮助学习者理解地理学中的复杂地貌，XR让学生沉浸在生动和创造性的状态中。(4）可穿戴技术，如谷歌眼镜，有助于将学习活动融入体感动作。虽然它仍处于探索期，但在日常生活的实际背景下，它有很大的潜力来推进领域知识。(5) 现代神经科学利用了大脑的工作方式，这将学习的研究扩大到包括学习者的生理状态。这一领域的研究将丰富对个体差异的理解，并可以提供更多的途径来使教学与最优化的指导相匹配。

3.3.2 应用维度的类别

在上述五种人工智能技术的支持下，应用感情分析产生了四种学习模型，分别是生物反馈（6项研究）、角色扮演（2项研究）、沉浸式学习（2项研究）和游戏化（4项研究）。

情感计算是指对物理传感器和情感算法所捕获的人类情绪和情感的分析，近年来得到了广泛关注。情感计算增强了人机互动。基于面部识别，一些研究人员改进了智能辅导系统，通过检测学生的情绪状态，及时给予他们情绪反馈[51]。优化情感计算技术需要两个基本方面：第一，教师要根据学习者的情感状态及时做出适当的教学调整；第二，综合操作多模式的情感源，因为单一的情感源不可能提供准确的情感分析。例如，眼球追踪技术可以捕捉到学习者的眼球固定来追踪被关注的区域，但病灶的原因可能归因于不同的情感，如兴趣、焦虑，甚至是分心。一个额外的数据来源，如EEG，可以帮助做出更准确的评估[52]。

角色扮演是一种激发学生思考问题的学习方法，感情上承担了不同的角色。一些算法在设计时将角色扮演整合到教学设计中，学生由一个智能代理来教，而不是由学习系统来教[39]。启用角色扮演可以增强学习者在与计算机互动中的投入。不仅如此，学习者对智能代理的责任感也得到了发挥，这与Chase等人的研究一致，证明学生代表他们的代理工作可能比他们为自己工作更努力[53]。此外，为了激励学生作为智能代理的同伴，在智能辅导系统中采用了礼貌展示模式，据观察，这对有需要的学生有利[54]。角色扮演的未来研究可能集中在授予学生权限，以便他们可以定制他们的角色和目标代理。

沉浸式学习是一种使学生能够定制场景的人物从事全视角学习的方法。XR、3D图形和可穿戴设备的增强可以促进学习成绩，这些都与沉浸式感情密切相关，它产生了学生的学习成绩和积极的感知，如兴奋、热情和创造力。例如，学习者可以在沉浸式学习环境中获得高度的兴奋感。沉浸式环境也可以与手势、情感和非语言交流的沉浸式合作结合起来[14]。当学生接触到模拟的技术和计算问题时，使用沉浸式学习也可以减少他们对复杂话题和技术概念的畏惧感[55]。最重要的是，许多沉浸式学习工具鼓励学习者创造和改变环境的热情，这可以促进创造力[56]。然而，很少有研究将领域知识作为一个变量。可能的原因是，许多沉浸式学习工具都处于探索阶段。急需在特定领域进行进一步的调查。

游戏化已经成为教育领域的一个重要理论概念。最成功的教育游戏将教学设计、领域知识和感情元素与游戏性紧密结合。人工智能协助了游戏和知识领域的整合，进一步的潜力是使游戏动态地适应学习者的行为和情感[57]。Minecraft Edu是将领域知识与情感适当整合的例子之一。这是一个历史模拟游戏，学生可以了解历史人物和事件，或者深入了解流行病的传播。学习者可以在实时互动中获得带有真实情感的历史事件，而附带的情感会帮助他们更好地理解具体的内容知识[8]。另一个例子采用了游戏奖励系统作为激励机制，以促进自愿和主动的学习。结果显示，奖励系统与教学设计有理想的契合度，未来的教育算法可能会更好地与人工智能领域联系起来，以激励出现的学习[58]。

3.4 定性研究的结果

根据选定的定性研究（如表3所示），人工智能在教育领域的探索经历了一个从理论研究到具体实践领域，最后又回到回顾的过程。同时，在整个过程中，定性研究也为定量研究的发展提供了支持。一些理论研究走在了前列。例如，在2011年和2012年，出现了关于分散理论[43]和群集智能[59]的定性研究，然后就开始了真正的人工智能研究。人工智能算法一开始还不是很成熟，而先进的智能算法通常是基于大数据技术，可以在海量数据中不断学习和改进，大数据必须是去中心化和群体化的，因此，我们认为早期的理论研究起到了重要的支撑作用。2019年，研究人员更加重视对前期研究的总结和对未来发展的展望，对人工智能在教育各领域的现状、未来以及可能存在的问题会有更多的考虑。

4. 人工智能在教育领域的研究趋势

4.1 物联网的技术应用

现有的研究主要集中在虚拟在线系统上，而物联网（IoT）则较少被关注。学习者的生物反馈也需要在未来的教育研究中进行探索。根据所查阅的论文，大部分教育领域的人工智能技术都集中在在线信息技术或系统上（109篇中的107篇），如智能辅导系统、智能虚拟实验室和评估系统。只有一项研究[55]采用了可穿戴电路来检查学习者的生物反馈。这可能是由于智能在线系统已经很成熟，更容易建立，而且成本效益高。然而，为了迎合多样化的学习内容和不同的学习技能，物联网有很大的前景。在科学教育中，它可能会增强学生对物理构造过程的空间和机械理解。物联网技术可以在物理环境中模拟大脑功能，感知和理解人类的认知行为，在两项定性研究中，它显然优化了人类的认知和表现[33, 60]。虽然在所选论文中没有发现实证研究来测试物联网技术对教育的影响，但成本低廉的物联网和可穿戴计算设备可能是人工智能在教育领域未来发展的一个潜在领域。这与2019年的地平线报告是一致的。

4.2 教育中的群集智能

群集智能已经成为人工智能的一个重要发展方向，教师和学生的角色将发生颠覆性的改变。根据所选论文，2011年首次在教育领域研究了分散理论[43]，随后在2012年将群集智能引入教育领域[59]。然而，没有任何实证研究探讨了教师和学生如何应对群集智能带来的挑战。据预测，根据群集智能的特点，以下两个课题可能成为研究趋势。首先，群集智能不依赖于对个体行为的集中控制。在这种情况下，学习者从知识的吸收者变成了创造者。他们通过在各种情境中与系统的互动来主动构建知识。教师的 "权威 "可能会受到一群有经验的从业者（如工程师和农民）的挑战，一个合作的课程设计将由群集智能系统来构建[45]。此外，群集智能可能会将教师的职责从知识传递变为知识组织。之前的研究提出了教师对教育的众筹或众包的探索，以及教师在未来如何发挥组织能力[5]。但如图2所示，从教师角度的调查还不够，需要进一步研究。其次，群集智能促进了动态或不稳定环境下的适应性。群集代理通常通过留下标记和观察其同伴的活动来交换信息。例如，当前时刻的最佳解决方案可能在下一时刻变得不可用。因此，建议进一步投资人工智能如何为不同学习进度的学生进行动态推荐[59]。

4.3 深度学习和神经计算

深度学习或机器学习将在未来重塑人类和机器之间的互动。人机互动的趋势将不再是基于人类对机器操作的角度。相反，机器可以通过从大数据中学习来提高预测能力，而无需专门编程。2017年，有两项关于深度学习的研究首次在选题论文中被提及[23，32]。2018年，发表了一项实证研究[37]，它将深度学习技术集中在基于评分的数据建模上。然而，基于人的身体特征的数据却较少被关注。基于神经科学对大脑的理解，Pearson和IBM提出研究基于神经计算的大脑教育技术[33]。然而，只有两项定性研究[33，60]提出了神经科学和人工智能在教育领域的整合。可以预见，未来的研究趋势是将大脑功能与深度学习技术相结合，以优化人机交互。它将影响人工智能在教育领域的应用和整合，如自适应学习和角色扮演。这一观点已在2018年的地平线报告中报告。具体而言，报告预测，自适应学习技术将在两到三年内进一步普及。

4.4 教育中的人工智能评估

所有审查的实证研究都提出了人工智能技术对教育的积极影响（见表1）。然而，访谈和评论文章分别浮现了人工智能在教育中的挑战或误解[4，21]。需要阐明一个整体的评价标准来衡量人工智能在教育中的有效性。为了确保评价的有效性和可靠性，应该采用一个多维模型，其中包括技术、教学设计、领域知识和人为因素。伍尔夫[119]的《教育技术路线图》预测，在人工智能教育数据挖掘时代，对学生的知识、进度和学习环境的终身评估，以及教学策略的成功和失败，都可以按时间顺序进行追踪。

此外，目前的研究不成比例地集中在特定的教育背景和少数几个变量上。如图2所示，大多数研究都是以学生为样本，而教师和教授从业者则较少被关注；此外，大多数研究者都将科学、人文和社会科学作为研究对象，但对体育、艺术和特殊教育的关注较少。例如，只发现有一项研究将文本到图表的转换作为一种新颖的教学辅助手段来开发给盲人学习者[30]。

5. 人工智能在教育领域所面临的挑战

人工智能是一个很有前途的领域，面临着许多技术瓶颈。挑战将更加复杂和错综复杂，特别是当它们与教育中的应用相联系时。本评论所确定的挑战可分为三类：技术、教师和学生以及社会道德。

尽管人工智能技术在教育领域展示和预测了智能计算，但由于对成本的担忧，它们普遍不能给大规模的学生带来 “附加值”，主流仍然被 "基本价值 "所占据[38]。具体来说，一些研究者发现，许多人工智能技术是针对一般情况设计的，不能解决特定领域、特定学习活动或教学目标的需要。这将阻碍个性化学习体验的实际化[8, 120]。

2018年地平线报告中提到的另一个巨大挑战是对教育者角色的重新认识。教师对人工智能的态度对在教育中使用人工智能的有效性有很大影响。教师可能会从完全抵制到过度依赖中摇摆不定。前者可能来自于不充分、不适当、不相关或过时的专业发展。后者可能是由于教师不切实际的期望。这些教师可能过于关注新兴的人工智能技术，而不是学习本身[44]。此外，从学生的角度来看，人工智能技术可能提供智能和高效的工具，导致学生避免做教师期望他们做的知识处理工作。例如，人工智能翻译器可能提供现成的插图、发音、固定的短语，甚至是一系列的例子。因此，学生不愿意参与促进深度学习的探究过程。

人工智能带来的伦理问题对研究人员和教育从业者来说也是一个挑战。很明显，人工智能在过去几年取得了长足的进步，主要是因为处理成本更低和数据的可用性；然而，学生个人数据可能会被曝光、分享或被不适当地使用。在考虑我们如何访问、评估和分享大数据和数据分析结果时，这是教育工作者和人工智能工程师将面临的一个不断注意的挑战[44, 65]。另一个伦理争论在游戏化中也很明显，即强调应该把重点放在学习上，而倾向于把游戏的乐趣 “吸走”，或者把游戏性 “吸走”[57]。

6. 结论

鉴于人工智能的快速发展，我们迫切需要了解教育者如何才能最好地利用人工智能技术来促进学生的学业成功。本文回顾了2010年至2020年的人工智能在教育领域的研究。研究发现，迄今为止的研究可以分为三个维度：包括分类、匹配、推荐和深度学习在内的发展维度；涉及反馈、推理和自适应学习的提取维度；以及包括亲情计算、角色扮演、沉浸式学习和游戏化在内的应用维度。此外，基于研究问题和相关的人工智能技术，确定了四个研究趋势，即物联网、群集智能、深度学习和神经科学，以及对人工智能在教育中的影响的评估。在技术角度、教师和学生的角色以及社会伦理问题方面，人工智能在教育中的挑战也很明显。此外，似乎很明显，教育者需要与人工智能工程师合作，以解决技术和教学法之间的差距。

7. 局限性和未来研究

尽管本综述确实为教育领域的人工智能提出了一些有价值的趋势和潜在的研究方向，但也存在着一些局限。首先，本研究中审查的论文是从社会科学引文索引中筛选出来的，而其他自然科学数据库（如SCOPUS和EI）和来源（如报告、新闻、会议论文和专利）可以参与进来，以提供该领域更全面的概述。例如，没有考虑已出版30卷的《国际教育人工智能杂志》的文章。因此，本评论只限于SSCI文章。此外，最初的搜索可以使用更多的关键词进行扩展，比如自适应学习和导师系统，这可能会导致本文没有包括的人工智能在教育领域的最新技术报告。其次，由于目前的综述并不试图包罗万象，而是对教育领域的人工智能进行系统的概述，因此本综述中的分析可能为未来的研究整合提供一个框架。例如，可以对选定的报告了效应大小的实证研究进行更正式的元分析，看看人工智能对学习可能产生的影响。此外，未来的分析可以进一步追溯到时间，看看在人工智能2.0开始进入教育领域的时候是否有变化。

数据提供
用来支持本研究结果的内容分析数据包含在文章中。

利益冲突
作者声明在本研究中没有利益冲突需要报告。