教育正迈向智能化时代，人工智能与教育的融合创新已成为未来教育变革的重要趋势。

关键词：教育人工智能;技术框架;应用模式;发展难题;突破路径

作者简介：

1.教育数据层

教育数据层是教育人工智能技术框架的基础层，该层主要包括管理类数据、行为类数据、资源类数据以及评价类数据(李振等，2018)。其中管理类数据包括学生个人信息、学籍档案、教职工信息、一卡通数据等，资源类数据包括试卷、课件、媒体资料、案例等，行为类数据包括教师行为数据(如讲解与演示、指导与答疑、提问与对话、评价与激励)和学生行为数据(如信息检索、信息加工、信息交流)，评价类数据包括学业水平测试数据和综合素质评价数据等。教育数据层主要负责对以上数据进行采集、加工处理、存储等，但由于该层的数据庞大复杂、良莠不齐，因此在数据采集环节需要对数据进行预处理，具体涉及的技术包括数据采集、筛选、集成、格式转换、流计算、信息传输等。其中在数据处理环节，当前应用比较广泛的数据处理平台有hadoop、mapreduce和spark等。

2.算法层

算法层是实现各类教育人工智能技术的核心，该层主要包括机器学习和深度学习两类算法。机器学习是指利用数据或以往经验，优化计算机程序的性能标准，其目标是开发能够自动检测数据模式的方法，然后使用未覆盖的模式来预测未来的数据(alpaydin，2014)，是人工智能最核心、最热门的算法。目前，机器学习在学生行为建模、预测学习表现、预警失学风险、学习支持与测评以及资源推送等方面发挥着重要作用(余明华等，2017)。深度学习是机器学习的一个子领域，致力于算法构建，解释和学习传统机器学习算法通常不能提供的高水平和低水平的抽象数据(taweh beysolow ⅱ，2017)。深度学习在文本识别、语音识别、图像识别等方面的应用已取得突破性进展，其识别准确率已远远超过传统技术的识别能力(刘勇等，2017)。

3.感知层

感知层是让机器和人一样能看会认，能听会说，具备感知能力。该层涉及的技术主要有语音识别与合成、计算机视觉、图像识别、生物特征识别、文字识别等。其中，语音识别和人脸识别分别入选《麻省理工科技评论》评选出的“2016年十大突破技术”和“2017年十大突破技术”。在我国，人工智能识别技术已处于世界领先行列，被广泛应用到教育教学中。近年来，基于语音识别技术的语言测评与辅助学习软件层出不穷，它们通过识别学习者的语音然后进行评测并给出修正意见以帮助学习者提升语言表达能力。图像识别技术在教学上的应用也颇具成效，基于该技术的拍照搜题软件被中小学生广泛使用。生物特征识别技术能够捕捉和感知学生学习过程中的面部表情、手势等变化，帮助教师了解学生在课上的学习情况。计算机视觉是利用计算机通过模仿人类视觉来感知和理解世界中的物体(zhang,et al.，2014)，借助该技术可以采集学生学习过程中的图像，对其特征进行提取、分析，从而达到学情监测的目的。

4.认知层

认知层是感知层的进一步发展，不仅能够让机器感知和识别语音、图像和文字，而且能够读懂语音、图像和文字的内在含义。该层涉及的技术主要有自然语言处理、智能代理、知识表示方法、情感计算等。自然语言处理技术能够让机器“理解”人的语言，其在教育领域的应用主要体现在机器翻译、作文评价与批改、智能问答与人机交互等。智能代理技术能够让机器变得更具人性化和个性化，被广泛应用到教学系统中以提升教学质量。知识表示方法是指将人类知识推理编码成符号语言，使其能够被信息系统处理，该方法在提升专家系统智能方面发挥了重要作用。情感计算是人工智能的一个热门话题，是picard教授于1997年在麻省理工学院提出的，她认为情感计算是对情感或情感产生影响的计算(picard，1997)。情感计算应用于教育教学，可以有效促进学习者情感上的交互，从而提高学生学习的积极性。

5.教育应用层

教育应用层位于教育人工智能技术框架的最顶层，是各类人工智能技术在教育领域应用的集中体现。目前，人工智能教育应用主要聚焦在智能导学、自动化测评、拍照搜题、教育机器人、智能批改、个性化学习、分层排课、学情监测8个方面，服务的对象主要是学生、教师和管理者。

三、教育人工智能的典型应用模式

教育人工智能的应用核心应聚焦教育目标和价值体系，利用人工智能技术的优势与教育过程相融合，以产生1+1＞2的效果(张坤颖等，2017)。根据目前人工智能技术的特点和优势，本研究认为人工智能可以解决三个层面的教育问题，分别是面向特殊人群的补偿性教育、针对常规业务的替代式教育以及服务个性发展的适应性教育(见图2)。

图2 教育人工智能三层次应用模式

作者简介

姓名：杨现民 张昊 等工作单位：

以上是网络信息转载，信息真实性自行斟酌。