人工智能时代需培养学生怎样能力
“未来人工智能环境下的课堂，可能是‘双师型’的课堂，人机交互、人机结合将成为主要形态。一堂课可能由一名教师和一个机器人共同来上，布置和批改作业、知识点训练、监督学习、学习情况的分析等工作可能由机器人来完成。”在日前召开的第四次全国数据驱动教育改进专题研讨会上，北京师范大学中国教育创新研究院院长刘坚这样描述人工智能时代的课堂。
人工智能不能代替学习
面对席卷而来、被称为人类“第二次零点革命”的人工智能浪潮，互联网时代的教育界，也不那么淡定了。“因为人工智能不是信息化的延续，技术对教育的影响，正在由‘革新’发展为‘革命’。”中关村学院学术委员会原负责人吕文清说，“高级阶段的人工智能具有类人脑的学习力和思考力，将来还能进化到自适应学习，在这个意义上，人工智能拓展了人的思维。人工智能改变的，不仅是教育的边界和方式，整个教育样态也将面临重塑。”
不过，科大讯飞教育研究院院长孙曙辉认为，人工智能不能代替人的思维，不能代替学习，技术也改变不了教育的本质。因此，在当前热炒人工智能概念的大背景下，一定要认清技术与教育的关系，搞清楚哪些是教育本身的问题，哪些是技术可以解决的问题。
高阶认知能力的重要性将更加凸显
在人工智能时代，学生应该具备怎样的能力，才能适应社会需求，在竞争中立于不败之地？
教育部副部长杜占元在去年12月召开的2017未来教育大会上提出，在机器能够思考的时代，教育应着重培养学生的5种能力，即自主学习能力、提出问题的能力、人际交往的能力、创新思维的能力及筹划未来的能力。
教育部科技发展中心原主任李志民说，今天我们说知识就是力量，讲的是如何学习、记忆和掌握更多的知识，讲究知识的系统性，而在人工智能时代，知识是开放的，随时随地可查找、可检索，因此，记忆知识以及知识的系统性不再像今天这样重要了，学生更需要学习如何从已有的知识中挖掘出新应用、新知识，通过已有知识学习新知识，与之对应的知识结构或学习过程就是思维的训练。
“低阶认知技能的重要性会下降，如记忆、复述、再现等初级信息加工任务将更多地被机器代替，而高阶认知能力的重要性会更加凸显，如识别问题、逻辑推理、意义建构、精致思考、自我指导能力等。”吕文清认为，人工智能时代应重点培养学生的终身学习素养、计算思维素养、设计思维素养和交互思维素养，培养学生5种能力——高阶认知能力、创新能力、联结能力、意义建构能力和元认知能力。终身学习素养，主要基于人工智能时代需要更强大和持续的学习力，强调学会学习和建构不断演进的知识框架；计算思维素养，主要基于学习和理解人工智能，强化思考的逻辑和精致。现在很火的编程课程，主要是培养计算思维；设计思维素养，主要基于人工智能时代学生执行困难任务，需要关注项目设计、任务设计和路径设计等高层次管理，重点引导学生学会选择、学会决策、学会判断；交互思维素养，主要基于人工智能时代学生交往方式的变化，需要高级信息素养、媒体素养、沟通交流和技术伦理，重点引导学生学会开源共享、参与协商、组建社区等，理解复杂的相互关系。高阶认知能力，强调独立思考、逻辑推理、信息加工等；创新能力，强调好奇心、想象力和创新思维、创新人格等；联结能力，强调学会统筹、组织资源、建立联系，特别是包括人工智能在内的多个空间的联结；意义建构能力，强调社会情感、责任意识和高感性、高概念等要素；元认知能力，强调学习自我认知、自我监控和自我指导。
“我认为，没有什么能力是贴有人工智能时代专属标签的。随着时代的发展，人类已有的知识和经验变得不重要，而培养学生的综合素质、高阶思维、创新能力等，这些要求无论在哪个时代都是需要的、共通的、不会过时的。”孙曙辉说。
未来的学习将更加个性化
未来的学习，在哪儿学、跟谁学、怎么学？原有的概念可能都会被颠覆。教育又该如何作出调整，以适应新的时代要求？吕文清认为，人工智能时代对学生的学习目标、学习内容、能力层级甚至心智模式，都提出了新的需求。在教学上，人工智能时代要以“思维教学”为主线，既强调基于认知能力的信息加工、分析综合、逻辑推理等高阶思维的培养，还要增加和突出计算思维、设计思维和交互思维的培养。具体落点上，要强调概念性知识、方法性知识和价值性知识的教学，要注重教原理、教统筹、教大观点、教元认知等不可替代的知识，也就是高阶认知和高阶学习。
人工智能对于当前的教育，不只是颠覆和冲击，也会带来促进和改良。李志民说，人工智能时代的教育管理，无论是宏观层面还是微观层面，都更容易做到精细化，对教师的评价会更加全面而科学；可以根据每个学生的智力程度和思维习惯以及学习方式进行教学，实现真正的个性化学习和因材施教。
据了解，目前许多中小学已开设编程、3D打印技术等与人工智能相关的课程，学生学习兴趣特别浓厚。一些学校还以社团和选修课的形式推进机器人、智能汽车、计算机编程等课程的开设与完善，提升学生信息化素养，促进学科知识融合。
人工智能时代，学生获得知识及能力、素养的提升途径无疑会更多元，其中互联网发挥的作用会更大。而人工智能的应用，会让教师从机械重复的工作中解放出来，去做更有价值的工作。孙曙辉认为，在中小学开设编程等人工智能相关课程，有助于训练学生的思维方式，但主要意义在于普及相关科学知识，并不能帮助学生“赢在起跑线”。目前，很多所谓人工智能的应用，包括一些针对职业人群的人工智能培训，都是炒作概念的“伪人工智能”，人工智能在短期内尚难发展到较为高级的阶段。当前市场上已经出现针对中小学生的打着“人工智能”旗号的相关培训班，家长完全没必要怕“掉队”，在现阶段，保持清醒的头脑，不盲目跟风至关重要。（本报记者汪瑞林）
人工智能最新研究发展方向——OCR文字识别简述
1研究背景人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。通过查阅资料将人工智能的发展历程划分为以下6个阶段：一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
2OCR文字识别2.1什么是OCR？图自然场景OCR文字识别OCR英文全称是OpticalCharacterRecognition，中文叫做光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。文字识别是计算机视觉研究领域的分支之一，而且这个课题已经是比较成熟了，并且在商业中已经有很多落地项目了。比如汉王OCR，百度OCR，阿里OCR等等，很多企业都有能力都是拿OCR技术开始挣钱了。其实我们自己也能感受到，OCR技术确实也在改变着我们的生活：比如一个手机APP就能帮忙扫描名片、身份证，并识别出里面的信息；汽车进入停车场、收费站都不需要人工登记了，都是用车牌识别技术；我们看书时看到不懂的题，拿个手机一扫，APP就能在网上帮你找到这题的答案。太多太多的应用了，OCR的应用在当今时代确实是百花齐放。
2.2OCR的分类如果要给OCR进行分类分为两类：手写体识别和印刷体识别。这两个可以认为是OCR领域两个大主题了，当然印刷体识别较手写体识别要简单得多，也能从直观上理解，印刷体大多都是规则的字体，因为这些字体都是计算机自己生成再通过打印技术印刷到纸上。在印刷体的识别上有其独特的干扰：在印刷过程中字体很可能变得断裂或者墨水粘连，使得OCR识别异常困难。当然这些都可以通过一些图像处理的技术帮他尽可能的还原，进而提高识别率。总的来说，单纯的印刷体识别在业界已经能做到很不错了，但说100%识别是肯定不可能的，但是说识别得不错那是没毛病。
图手写字体展示印刷体已经识别得不错了，那么手写体呢？手写体识别一直是OCR界一直想攻克的难关，但是时至今天，感觉这个难关还没攻破，还有很多学者和公司在研究。为什么手写体识别的难度在于因为人类手写的字往往带有个人特色，每个人写字的风格基本不一样，印刷体一般都比较规则，字体都基本就那几十种，机器学习这几十种字体并不是一件难事，但是手写体，每个人都有一种字体的话，那机器该学习大量字体，这就是难度所在。
2.3OCR流程假如输入系统的图像是一页文本，那么识别时的第一件事情是判断页面上的文本朝向，因为得到的这页文档往往都不是很完美的，很可能带有倾斜或者污渍，那么要做的第一件事就是进行图像预处理，做角度矫正和去噪。然后要对文档版面进行分析，进每一行进行行分割，把每一行的文字切割下来，最后再对每一行文本进行列分割，切割出每个字符，将该字符送入训练好的OCR识别模型进行字符识别，得到结果。但是模型识别结果往往是不太准确的，需要对其进行识别结果的矫正和优化，比如可以设计一个语法检测器，去检测字符的组合逻辑是否合理。比如，考虑单词Because，设计的识别模型把它识别为8ecause，那么就可以用语法检测器去纠正这种拼写错误，并用B代替8并完成识别矫正。这样子，整个OCR流程就走完了。从大的模块总结而言，一套OCR流程可以分为：
从上面的流程图可以看出，要做字符识别并不是单纯一个OCR模块就能实现的（如果单纯的OCR模块，识别率相当低），都要各个模块的组合来保证较高的识别率。上面的流程分的比较粗，每个模块下还是有很多更细节的操作，每个操作都关系着最终识别结果的准确性。做过OCR的童鞋都知道，送入OCR模块的图像越清晰（即预处理做的越好），识别效果往往就越好。那现在对这流程中最为重要的字符识别技术做一个总结。
2.4OCR的简单应用图瓶盖的生产日期识别在一些简单环境下OCR的准确度已经比较高了（比如电子文档），但是在一些复杂环境下的字符识别，在当今还没有人敢说自己能做的很好。现在大家都很少会把目光还放在如何对电子文档的文字识别该怎么进一步提高准确率了，因为他们把目光放在更有挑战性的领域。OCR传统方法在应对复杂图文场景的文字识别显得力不从心，越来越多人把精力都放在研究如何把文字在复杂场景读出来，并且读得准确作为研究课题，用学界术语来说，就是场景文本识别（文字检测+文字识别）。
图人工智能课本识别图
3文本检测CTPN2016年出了一篇很有名的文本检测的论文：《DetectingTextinNaturalImagewithConnectionistTextProposalNetwork》，这个深度神经网络叫做CTPN，直到今天这个网络框架一直是OCR系统中做文本检测的一个常用网络，极大地影响了后面文本检测算法的方向。回顾一下FasterRCNN做目标检测的一个缺点就是，没有考虑带文本自身的特点。文本行一般以水平长矩形的形式存在，而且文本行中每个字都有间隔。针对这个特点，CTPN剔除一个新奇的想法，把文本检测的任务拆分，第一步检测文本框中的一部分，判断它是不是一个文本的一部分，当对一幅图里所有小文本框都检测之后，将属于同一个文本框的小文本框合并，合并之后得到一个完整的、大的文本框了，也就完成了文本的检测任务。这个想法很有创造性，有点像“分治法”，先检测大物体的一小部分，等所有小部分都检测出来，大物体也就可以检测出来了。图RPN和CTPN对比如图所示，左边的图是直接使用FasterRCNN中的RPN来进行候选框提取，可以看出，这种候选框太粗糙了，效果并不好。而右图是利用许多小候选框来合并成一个大文本预测框，可以看出这个算法的效果非常不错，需要说明的是，红色框表示这个小候选框的置信度比较高，而其他颜色的候选框的置信度比较低，可以看到，一个大文本的边界都是比较难预测的，那怎么解决这个边界预测不准的问题呢？后面会提到。刚提到CTPN的其中一个闪光点，即检测小框代替直接检测大文本框。除了这个新意，CTPN还提出了在文本检测中应加入RNN来进一步提升效果。为什么要用RNN来提升检测效果？文本具有很强的连续字符，其中连续的上下文信息对于做出可靠决策来说很重要。RNN常用于序列模型，比如事件序列，语言序列等等，那CTPN算法中，把一个完整的文本框拆分成多个小文本框集合，其实这也是一个序列模型，可以利用过去或未来的信息来学习和预测，所以同样可以使用RNN模型。而且，在CTPN中，用的还是BiLSTM（双向LSTM），因为一个小文本框，对于它的预测，不仅与其左边的小文本框有关系，而且还与其右边的小文本框有关系！这个解释就很有说服力了，如果仅仅根据一个文本框的信息区预测该框内含不含有文字其实是很草率的，应该多参考这个框的左边和右边的小框的信息后（尤其是与其紧挨着的框）再做预测准确率会大大提升。
图CTPN候选框如上图所示，如果单纯依靠1号框内的信息来直接预测1号框中否存在文字（或者说是不是文本的一部分），其实难度相当大，因为1号框只包含文字的很小一部分。但是如果把2号框和3号框的信息都用上，来预测1号框是否存在文字，那么就会有比较大的把握来预测1号框确实有文字。还可以看看为什么边缘的文本框的置信度会较中间的低呢？个人认为很大一部分原因就在于因为这些框都位于总文本的边缘，没有办法充分利用左右相邻序列的信息做预测（比如位于最左的文本框丢失了其右边的信息）。这就是双向LSTM的作用，把左右两个方向的序列信息都加入到学习的过程中去。CTPN借助了FasterRCNN中anchor回归机制，使得RPN能有效地用单一尺寸的滑动窗口来检测多尺寸的物体。当然CTPN根据文本检测的特点做了比较多的创新。比如RPN中anchor机制是直接回归预测物体的四个参数（x,y,w,h），但是CTPN采取之回归两个参数(y,h)，即anchor的纵向偏移以及该anchor的文本框的高度，因为每个候选框的宽度w已经规定为16个像素，不需要再学习，而x坐标直接使用anchor的x坐标，也不用学习，所以CTPN的思路就是只学习y和h这两个参数来完成小候选框的检测！跟RPN相类似，CTPN中对于每个候选框都使用了K个不同的anchors（k在这里默认是10），但是与RPN不同的是，这里的anchors的width是固定的16个像素，而height的高度范围为11~273（每次对输入图像的height除以0.7，一共K个高度）。当然CTPN中还是保留了RPN大多数的思路，比如还是需要预测候选框的分数score（该候选框有文本和无文本的得分）。文本行构建很简单，通过将那些text/no-textscore>0.7的连续的textproposals相连接即可。文本行的构建如下。首先，为一个proposalBi定义一个邻居（Bj）：Bj−>Bi，其中，Bj在水平距离上离Bi最近，该距离小于50pixels它们的垂直重叠(verticaloverlap)>0.7，另外，如果同时满足Bj−>Bi和Bi−>Bj，会将两个proposals被聚集成一个pair。接着，一个文本行会通过连续将具有相同proposal的pairs来进行连接来构建。
图CTPN网络架构首先CTPN的基础网络使用了VGG16用于特征提取，在VGG的最后一个卷积层CONV5，CTPN用了3×3的卷积核来对该featuremap做卷积，这个CVON5特征图的尺寸由输入图像来决定，而卷积时的步长却限定为16，感受野被固定为228个像素。卷积后的特征将送入BLSTM继续学习，最后接上一层全连接层FC输出要预测的参数：2K个纵向坐标y，2k个分数，k个x的水平偏移量。看到这里大家可能有个疑问，这个x的偏移到底是什么，为什么需要回归这个参数？如果需要X的参数，为什么不在候选框参数回归时直接预测成（x,y,h）三个参数呢，而要多此一举把该参数单独预测，这个X的作用作者提到这也是他们论文的一大亮点，称之为Side-refinement，可以理解为文本框边缘优化。回顾一下上面提到的一个问题，文本框检测中边缘部分的预测并不准确。那么改咋办，CTPN就是用这个X的偏移量来精修边缘问题。这个X是指文本框在水平方向的左边界和右边界，通过回归这个左边界和右边界参数进而可以使得对文本框的检测更为精准。在这里想举个例子说明一下回归这个x参数的重要性。通过观察下图，第一幅图张看到有很多小候选框，位于左边的候选框我标记为1、2、3、4号框,1号框和2号框为蓝色，表明得分不高就不把这两个框合并到大文本框内，对于3号框和4号框那就比较尴尬了，如果取3号框作为文本框的边缘框，那么显然左边边缘留白太多，精准度不够，但如果去掉3号框而使用4号框作为左边缘框，则有些字体区域没有检测出来，同样检测精度不足。这种情况其实非常容易出现，所以CTPN采取了Side-refinement思路进一步优化边缘位置的预测即引入回归X参数，X参数直接标定了完整文本框的左右边界，做到精确的边界预测。第二幅图中的红色框就是经过Side-refinement后的检测结果，可以看出检测准确率有了很大的提升。side-refinement确实可以进一步提升位置准确率，在SWT的Multi-Lingualdatasets上产生2%的效果提升。再看多几幅图，体验一下Side-refinement后的效果。
最后总结一下CTPN这个流行的文本检测框架的三个闪光点：
将文本检测任务转化为一连串小尺度文本框的检测；引入RNN提升文本检测效果；Side-refinement（边界优化）提升文本框边界预测精准度。当然，CTPN也有一个很明显的缺点：对于非水平的文本的检测效果并不好。CTPN论文中给出的文本检测效果图都是文本位于水平方向的，显然CTPN并没有针对多方向的文本检测有深入的探讨。
4总结通过查阅相关资料学习什么是OCR并且查阅了如何实现OCR文字识别中的文字检测，并且通过理论实现流程并且用代码对CPTN文字检测进行复现。通过对文字数据预处理并且进行文字字符分割，看似简单，做起来其实很难做得很好，我们也对此查阅了很多论文，发现其实很多论文也谈到了，汉字确实很那做到一个高正确率的分割，直至现在还没有一统江湖的解决方案。汉字切割的失败，就会直接导致了后面OCR识别的失败，这也是当前很多一些很厉害的OCR公司都没法把汉字做到100%识别的一个原因。所以这个问题就必须得到很好的解决。最后我们解决汉字切割的较好方法是，在OCR识别中再把它修正。并且通过文字分割后对数据进行数据增强生成了大量数据防止模型的过拟合。并且通过学习CPTN论文，学习到了思路上的创新，在检测水平上的文字置信度很高，但是也有一些弊端对于非水平的文本检测效果并不好。
5引用文献[1]DetectingTextinNaturalImagewithConnectionistTextProposalNetwork.作者:ZhiTian;WeilinHuang;TongHe;PanHe;YuQiao0001[2]基于深度学习的汉字识别方法研究[D].任凤丽.东华大学.2021[3]基于深度学习的光学字符识别技术研究[D].冯亚南.南京邮电大学2020[4]基于卷积神经网络的手写数字识别研究与设计[D].刘辰雨.成都理工大学2018[5]基于CRNN的中文手写识别方法研究[J].石鑫,董宝良,王俊丰.信息技术.2019(11)
人工智能视域下教师智能教育素养研究: 内涵、挑战与培养策略
王丹
摘 要 ：以人工智能为代表的新一轮科技革命正在不断重塑现有的教育形态，教师作为“教与学”关系中的核心要素，其专业素养也亟待进行适应性调整与升级。教师智能教育素养可视为对原有教师信息 素养的转型升级，强调教育功能与教学法的核心价值以及教师作为“人”不可替代的发展特性。智能时代的教师专业素养是智能化和人性化的统一，可划分为以智能技术为工具、以智能应用为路径、以智能 人才培养为目的三个层次。通过重塑教师角色、激发主体意识，面向学生需求、提升教学效能，增加SEL 维度、注重价值引领等培养策略推进人工智能赋能教师队伍建设。
关键词：人工智能；智能教育；教师智能教育素养；教师教育。
以人工智能为代表的新一轮科技革命正在深刻地改变着人类社会。新形势下人工智能与教育教学的深度融合发展已经成为未来教育的必然趋势。这场新科技革命所引发的社会变革也在不断重塑现有的教育形态，包括知识生产模式、教育服务供给、人才培养观念以及教师的价值定位等。教师作为“教与学”关系中的核心要素，其专业素养也亟待进行适应性调整与升级。为此，党和国家近年来密集出台一系列政策文件，积极推进人工智能赋能教师队伍建设。2018年《中共中央国务院关于全面深化新时代教师队伍建设改革的意见》要求“教师主动适应信息化、人工智能等技术变革，积极有效开展教育教学”。政策文件的出台和技术手段的不断升级为人工智能教育发展提供了重要的外部支持，但发展是内外因共同作用、相互转化的结果，不仅需要信息技术革命的外源性刺激，也需要教师专业素养的内生性发展与之配合，将外部社会需求转化为促进“人工智能+教育”双向融合的内在驱动力，反作用于教学实践与教育理论创新。因此，如何提升与完善智能时代的教师专业素养，如何利用人工智能提高教师教学效能以适应教育生态系统数字化转型的新趋势，成为亟待解决的重要课题。
当前，智能教育发展仍面临着诸多问题与挑战，特别是教师专业素养缺乏明确、系统的培养理念与培养机制，导致了不同教师群体在信息技术应用能力与智能化教学方面仍存在巨大的“数智鸿沟”，一线教师对人工智能及智能教育素养的认识还比较片面，信息素养、数据素养等概念无法满足智能时代人才培养与教师专业发展的新需求，等等。为此，本文从智能教育发展的现实诉求出发，对“教师智能教育素养”的内涵构成进行解读，探索与AI时代智能教育发展相适应的教师专业素养培养路径。
一、人工智能时代教师培养面临的挑战
(一)后疫情时代智能教育发展的现实诉求
世界范围内的新冠疫情推动了智能教育的高速发展，在线课程的规模化与常态化、智能教学环境的普遍应用对教育管理、教师定位、教学设计、家校互动等各教育层面产生了直接的影响。其中，教师信息技术素养不足成为影响教育教学质量最为突出的问题之一。在教学与课程层面，大多数教师仍停留在“信息化”与“智能化”教学的第一层级，即作为工具与手段的技术应用阶段，而对于优化教学活动、提升课堂效能、培养学生问题解决能力、实现个性化学习和精准教学等第二层级教学目标的实现还存在较大差距。党和国家相关政策文件的密集出台显示出我国对发展智能教育的重视以及与国际接轨的愿景，但在具体的教学实践中，尚缺乏明确指示性与可操作性。疫情防控期间出现了部分教师对线上授课、辅导、答疑等活动准备不足，教学资源利用不充分，在线教学内容与形式单一等问题。钟绍春认为，教师自身没有能力独立研究、解决第二层级教学问题的能力，是制约人工智能助推教师队伍建设工作向纵深发展的主要障碍。相较于教育技术发展的前沿性，教师教育则具有相对的独立性与滞后性，“还没有做好充分的准备应对来自人工智能的挑战，还没有在人与机器的关系中重新思考如何培养人类的教师。”因此，加强对智能时代教师专业素养的理论研究、更新认知与技术层面的教师培养理念显得尤为迫切。
(二)知识生产模式以及“教与学”方式的转变
人工智能时代，新理念、新技术、新方法的迭代发展突破了知识生产来源的封闭性，挑战了教师的权威性，深刻地改变了“教与学”的关系。知识生产模式受到人类社会发展水平的影响，经历了从单一学科知识生产(模式I)到多学科应用情境下知识生产(模式II)的现代转型。一些研究者认为，知识生产越来越具备情境性、问题性、跨学科性、实践性等特点。人工智能作为革命性的技术创新，使学科知识生产与技术知识应用的边界日益模糊。智能社会的知识生产模式，其基本特征可以归纳为以应用驱动为导向、体现跨学科和学科融合以及知识生产参与者的多样性和异质性三个方面。学科之间的深度交叉融合、海量数字化教育资源的自由获取、从学术知识到应用知识的需求转变、知识生产机构的多样性与复杂性，决定了未来教育将形成知识集群、创新网络、智能生态体系为一体的多主体、跨学科的知识生产范式，使基于单一学科知识传授的传统教师角色面临严峻的挑战。
同时，智能教育环境下，学生亦成为知识创生的主体，即在知识习得的基础上为满足个性化学习需求通过借助外部技术支持实现对已有知识的改造和创新，改变了以教师为中心的传统课堂。慕课、微课、翻转课堂、混合式教学等教学法的普遍应用使教师从知识的生产者、传授者转变为组织者、辅助者，使教学成为一种以学习者为中心的动态知识建构过程。这种以个性化学习、问题解决、知识应用为导向的教育模式对教师的教学能力和专业素养都提出了更高的要求。
(三)人工智能教育的全球治理对教师专业素养的新需求
教育是人工智能最重要的应用领域之一，也是一项全球共同责任。推进人工智能参与全球教育治理有助于增强学习机会的获取、提高全球范围内教育资源配置的合理性与有效性，加速实现全球教育的可持续发展。当今世界正经历百年未有之大变局，人类发展前景与世界局势均充满不确定性，加之全球疫情对教育产生的深远影响，引发了全球教育治理方式与服务供给模式的变革。从治理的视角来看，推动智能教育可持续发展尤其是人工智能赋能教育的动因，源于推动科技发展与完善全球治理的基本诉求，需将智能教育与国家发展进行价值整合，使其成为推动构建全球教育共同体、实现教育现代化的重要助推力量。如《中国教育现代化2035》指出，中国要积极参与全球教育治理，深度参与国际教育规则、标准、评价体系的研究制定。
当前，如何构建人机协同发展的教育治理新秩序，共同应对人工智能教育产生的风险，缩小区域间的“数智鸿沟”从而促进“人工智能+教育”公平健康发展已经成为全球教育治理要面对的普遍性问题。在宏观层面上，完善智能社会教师教育治理体系、改善教育资源配置失衡现象，很大程度上依赖于教师的专业素养发展水平。在微观层面上，全球教育治理需要每一位教师重塑教育理念，通过职业培训、课程开发、教学质量评估等全方位的教育实践活动不断更新自身的信息技术素养与智能教学应用能力，以胜任人工智能时代的教师角色。
因此，人工智能时代的教师培养应从全球治理的视角出发，彰显时代发展特色、以服务国家重大战略需求为使命，应对人才培养理念的转变，将提升智能教育素养作为教师专业发展的核心目标。
二、教师智能教育素养的内涵解读
2018年《教育部办公厅关于开展人工智能助推教师队伍建设行动试点工作的通知》首次提出“教师智能教育素养”的概念:对教师进行智能教育素养培训，帮助教师把握人工智能技术进展，推动教师积极运用人工智能技术，改进教育教学、创新人才培养模式。对此，北京外国语大学作为唯一试点高校进行了全方位的教育实践，并开展了“全国教师智能教育素养提升论坛暨第二届北京外国语大学─英国开放大学在线教育研修班”等一系列活动。经过三年时间的不断探索，在2021年9月举行的试点工作总结交流会上，与会专家充分肯定了北京外国语大学积极建设教师发展智能实验室、教师智能教育素养提升平台(BFSUTDLDP)等推进行动。在总结试点经验的基础上，教育部启动第二批人工智能助推教师队伍建设行动试点工作，在北京大学等100个单位开展第二批试点，进一步“推进人工智能、大数据、第五代移动通信技术(5G)等新技术与教师队伍建设的融合”，将提升教师智能教育素养作为六项重要任务之一推广到地市和区县，成为“助推教师管理优化、助推教师教育改革、助推教育教学创新、助推教育精准扶贫新路径”。由此可见，人工智能赋能教师队伍建设、提升教师智能教育素养是我国下一阶段教育现代化的重要发展目标之一。
(一)相关概念辨析
自计算机与网络技术普及以来，对获取、处理、理解、评价信息和利用信息技术解决实际问题的能力要求也在不断扩展与升级，衍生出一系列相关概念，如信息素养(InformationLiteracy)、数据素养(DataLiteracy)、媒介素养(MediaLiteracy)、数字胜任力(DigitalCompetence)等，其中以信息素养的使用最为广泛与基础。如2003年我国信息技术课程标准提出“信息素养”是21世纪公民的必备素养，包括学生掌握信息获取、加工、管理的方法，让学生学会在交流和表达过程中解决实际问题等。张建平认为，信息素养反映的是人们搜索、鉴别、筛选、利用信息的处理技能 以及人们对于信息的情感、态度和价值观。另一个使用较广泛的概念是数据素养。威尔玛·基珀(WilmaB.Kippers)等学者将数据素养定义为教育者设定目标、收集、分析和解释数据以及采取教学行动的能力，包括教师在数据的采集、组织和管理、处理和分析、共享与协同创新方面的能力，以及教师在数据的生产、管理和发布过程中的道德与行为规范。从这些概念的界定我们可以清楚地看到，教师专业发展目标遵循着技术—能力—素养的建构路径。这些概念从不同视角和应用情境阐释了近几十年教育发展对于信息通信技术及应用能力的要求，扩展、完善了信息化教育的边界与框架，显示出对“信息素养”的理解与认识伴随着技术发展与社会进步在不断地深化。但这些概念的核心要素与能力目标仍处于同一层面，并未产生质的变化，仍属于前一次教育革命(以互联网为核心的信息技术革命)的理论范畴。
UNESCO曾建议每种新环境都需要一种新的信息素养表述。当前世界处在信息社会向智能社会转型的过程中，智能教育发展对应的是以人工智能技术为核心的新型素养，称之为智能素养，即“胜任智能时代社会生产生活与个体发展的品格和能力，包括与人工智能有关的知识、技能、能力以及伦理态度”。智能素养囊括了上述几种相关素养并在此基础上强调创新思维与应用能力的核心价值，是智能时代未来公民应具备的基本素养。它既包含知识体系与技能体系的要求，如高级认知能力(逻辑推理、信息加工等)、知识应用能力(解决复杂问题、创新意识等)，也包含非智力体系的精神追求与价值观塑造，如社会行为态度(关系建构、协作共享意识等)，其本质内涵是通过智能技术的应用满足社会需求、促进人的全面发展，可以将其视为对信息素养的理论拓展与价值重构。与此相应，这种人才发展目标与培养理念的革新也要求与之相匹配的教师专业能力，原有的教师信息素养概念亟待转型升级。
(二)教师智能教育素养的概念与内涵
基于新一轮科技革命中不断涌现的教育新样态，近年来国家对教师专业素养进行了理论创新，提出了教师智能教育素养的培养需求。这一概念的提出既是面对智能社会信息技术革命与人才需求变化的应然之策，也是从“物”到“人”、从“硬件”到“软件”的一种服务转变。其外在表现是技术升级与资源更新，内在意蕴却是文化转型与观念创生。
人工智能赋能教育的核心价值在于改善学习评价、助力个性化培养，赋能教学、辅助教师工作，改善教育管理、优化教育供给，其最终目的在于培养具备智能素养、全面发展的学生。而以往的“教师信息素养”或“教师数据素养”受到现有认知的框定，更重视教师对技术知识的学习以及将信息与数据转化成可操作的教学实践的能力，如通过教育大数据收集与分析的方式进行成绩监测、教学评估、教学能力诊断等。这种以信息驱动教学的能力培养更偏重于技术层面的应用，而忽视了信息智能技术与教师情绪劳动等其他重要教学环节的融通，容易造成教师教学热情减退、学生学业压力过大、师生沟通交流不畅等负面作用。
作为教师专业能力发展的适应性调整与优化，教师智能教育素养的概念从效能、标准等技术化层面的外部因素延伸到教师的个性发展与价值定位等内在精神范畴。其中“智能”是指新一轮技术革命对于以往信息素养、数据素养的升级迭代；“教育”则是在智能素养的基础上强调教育功能与教学法的核心价值，以教师自身专业发展与人才培养需求为双向目标，突出教师作为“人”在教学优化、师生互动、价值引领等方面不可被技术替代的发展特性。UNESCO2018年更新的《教师ICT能力框架(第3版)》在人工智能技术赋能教育变革的背景下，对标联合国《2030年可持续发展目标》，提出了对教师信息技术应用能力水平的新要求，包括三个层次———知识获取、知识深化和知识创造，以及六个实践层面———理解信息通信技术的教育政策、课程与评估、教育教学、数字技能应用、组织与管理、教师专业学习。该框架指出“教师仅拥有管理数字技术并将其传授给学生的某些技能是不够的，还必须让学生在使用数字技术时能够协作、解决问题并富有创造性”，即在利用人工智能改变教学模式的基础上，重点培养学生利用人工智能与数字技术思考问题、解决问题的能力以及面对人工智能的情感、社交与伦理态度，以促进智能教育的可持续发展与生态体系构建。
综上所述，教师智能教育素养是建立在信息技术发展基础上的多元化、系统化的概念范畴，是教师运用人工智能技术提升教学与管理效能、创新人才培养模式、塑造智能伦理与价值规范、提高学生个性化、智能化学习水平与创新能力的综合性素养。
三、教师智能教育素养的培养策略
教师作为教育教学工作的直接承担者，肩负着知识传播、技能培养与价值观塑造三个重要任务。如何将人工智能更好地融入这三个维度的人才培养，需要重塑教师角色与价值定位，构建教师智能教育素养的培养体系。一般来讲，素养概念指的是为了人们能够成功地生活和形成健全的社会而要求具备的自觉意识和思维习惯。世界经合组织(OECD)提出的核心素养框架围绕着使用工具、自主行动、在社会异质群体中互动三个核心问题提出，进而形成人与工具、人与自己、人与社会三个维度。与之相对应，智能教育素养按照技术—能力—素养的专业发展路径可划分为以智能技术为工具、以智能应用为路径、以智能人才培养为目的三个层次。
(一)工具应用:突出“智技”之要
与过去截然不同的教学场景和课堂环境，要求教师的角色发生相应的转变和重构。教学条件的智能化、教学关系的立体化、教学行为的人机交互性是驱动智能时代教师角色变革的根本立场。人工智能技术正在不断推动教师更新观念、重塑角色、提升素养、增强能力。《新一代人工智能发展规划》将智能教育分为“AI与教育的深度融合(即AI支持的教育)”与“提高对AI的整体认知和应用水平(即学习AI技术的教育)”。“教师智能教育素养”首先要求教师熟悉和掌握人工智能的相关知识和技能，增强人工智能意识，以人工智能技术辅助教学与管理，处理好“人与工具”的关系。
同时，教学实践的复杂性和综合性决定了教师需要具备高度的专业性和自主性，而不仅仅是对教育政策和教学任务的执行。人工智能教育的大背景下，一些涉及教师“情绪劳动”教学环节，因为无法通过量化数据测量而被忽视，在此情形之下，教师的实际角色可能会成为“技术人员”而非自主的专业人员。这种趋势不仅限制了教师的专业精神，而且还可能严重损害学生的学习，因为它削弱了教学，使其只能产生政策所规定的主要结果，而没有充分认识到学生的各种背景、需要和潜力。
因此，在人工智能与教育的深度融合中，仅靠信息、数据驱动教学是不完整的，还需激发教师的主体意识，从教学课堂和教育实践的真实场景出发，以教与学过程中产生的真正需求为导向，而不仅仅局限于对智能技术的被动迎合和工具化操作。除提高自身智能素养外，教师还需提升教学效能，唤醒价值自觉，构建包含智能学习、交互式学习的新型教学模式。
(二)培养路径:重视“学生”之需
与传统教育模式相比，智能教育更强调跨界融合的教育理念与人才培养模式。国家“四新”学科建设(新工科、新文科、新医科、新农科)集中反映了这一趋势———学科、技术、产业、社会的深度融合发展，以及对学生知识应用、问题解决等综合能力的考量。2017年《美国国家教育技术计划》提出“知觉学习模块”(PerceptualLearningModules)，即学生在复杂信息环境中作出快速判断、提取出关键信息的能力，并将创造力放在学习目标的首要位置。在智能教育发展的过程中，随着学生自主创新意识以及人机协作能力的提升，教师日益从“讲台上的圣人”转变成“身边的向导”，学生在解决复杂问题，探索新领域和获得具体技能时仍需要教师相对应的辅导和指导。为此，教师应具备智能时代的“育人能力”———组织与引导学生进行思维创新，创设适应不同学习内容的学习情境，帮助学生进行内外部知识资源整合，使其具备智能学习的意识和能力，最终“建立以学习者为中心的教育环境，提供精准推送的教育服务，实现日常教育和终身教育定制化”。
智能时代的教师需要在具体的教学情境中进行系统性、智能化教学设计，可由人机协同转化为人类教师、学生、机器人教师的三元交互，通过智能技术手段使各种资源与课堂研讨、教材使用、考试方式、教学评价等环节实现“深度融合”，为学习者提供个性化支持，具体体现在以下四个方面。第一，运用人工智能技术对与学习有关的资源进行重新设计、开发，突破传统教材的局限，创建数字化、开放性的教学资源。教师在获取信息资源过程中要注意对信息进行甄别、评估和整合。第二，运用人工智能技术创设适应不同学习内容的学习情境，对学生学习中的问题进行全方位诊断和精准化测评，实现内容、方法、评价与技术的高度融合。第三，营造现代、和谐、促进学生充分发展的智慧化教学环境，构建师生、人机学习共同体。第四，依托教师、学生、资源、媒体等各种要素，构建信息交换为纽带的对话式互动平台，实现数据信息的交换与共享。
(三)发展目标:把握“教育”之本
通过智能技术驱动教育理念与教育方式的升级转型，需坚持以人为本、以学生为中心、注重全面发展的价值取向，回归教育的本质。“我们需要一种更具有‘未来智慧’的教育视角，在复杂而多变的世界努力培养人的好奇心、启发人的智慧、增进人的自主性和责任感，引导学生积极地、广泛地、有远见地追寻有意义的学习。”
相较于人工智能与机器，人类教师的优势在于体现人类智慧与情感以及作为价值引领者不可替代的发展特性。2019年3月，UNESCO发布《教育中的人工智能:可持续发展的机遇和挑战》工作报告，对教师在智能环境下的价值判断能力、数智认知能力、情感交流与关系建构提出了新要求，以帮助教师为人工智能驱动的教育做好准备。因此，针对科技发展与工具理性可能带来的负面影响，智能时代的教师培养需要构建清晰的人文主义立场与智能伦理道德规范，需要在教师培养中增加社会情感学习(SocialEmotionalLearning，SEL) 维度，其内容包括“获取和应用知识、技能、态度，管理自身的情绪，实现个人和集体目标，建立并维持积极的社会交往意识与人际关系，作出负责任和关心他人的决定等”。国内外多项研究表明，SEL能够减轻教师教学压力、增强职业认同感、创造稳定有效的课堂环境，从而促进教师专业能力发展并有效提升学生的学业成就。在以智能技术为背景的教育环境中，SEL 原有的“人际关系”“个体情绪及行为模式”将扩展至“人机关系”“交互行为模式”的范畴，以提升教师在混合式教学与人机协作中的教学能效，同时通过灵活的教学策略、班级管理、隐性课程等方式对学生的 SEL 水平与状态形成正面影响。
将 SEL融入教师智能教育素养的意义有以下四点。第一，有助于教师认识和处理人工智能时代“人与工具”“人与技术”之间的关系，及时调整自身角色定位并减轻工作中的负面情绪，培养与人工智能的协作共建意识。第二，提升教师的社会情感能力有助于教师感知、理解和调节自我及学生的情绪波动，其亲社会的价值观与行为态度对塑造学生的自我认知与形成智能伦理规范更具正面影响力。第三，有助于教师检测与评估人工智能教育应用的教学效果，通过关注学生的课堂行为与学业情绪及时调整教学方法与教学内容，为个性化、精准化学习提供保障。第四，有助于教师培养跨界融通意识、团队协作意识，增强数据分析与甄别能力，提升智能化教学管理水平，从而促进教师智能教育素养的整体、协调发展。
为此，一方面需要在职前教师教育与职后培训中增强教师对于SEL知识与技能的学习，同时可以利用人工智能、大数据等技术对学生的社会情感能力进行数据评估从而帮助教师完善教育教学。另一方面，教师在教学实践中要做到智能化与人性化的协调发展，增强对学生的价值观教育与人文关怀，重视鲜活的学生生命个体的存在，保障学生隐私与数据信息安全，防止出现“人的空场”。
来源：《中国教育学刊》2022.03