人工智能在教育测评领域的应用与研究现状
图片来源：Pexels近年来，人工智能在社会生活的各个领域都得到了越来越广泛的应用，如零售行业中分析消费者消费习惯的商业智能、汽车制造中的自动驾驶等。在教育领域，在线教育在过去十多年里飞速发展，积累了大量的数据，为人工智能的研究奠定了数据基础，也对人工智能的应用提出了新的需求。
一、人工智能在教育领域的主要应用目前，人工智能在教育领域的应用主要包括四类：
第一类是“行为探测”，如考场的作弊监控系统。类似的应用还有前不久新闻里报道的“魔镜系统”，即通过人脸识别，实时探测学生是否在认真听讲。不过，是否应该在课堂教学中运用这样的系统还存在很大争议。
第二类应用被称为“预测模型”，如通过学生学习过程中的行为数据，预测学生是否有高辍学风险，或者预测学生成绩是否及格等。已有的研究主要集中在MOOC领域。学者们使用学生上线时间、观看视频时间、次数、参与讨论情况、作业提交情况等数据，预测学生是否能完成某一课程，从而使教师能及早为有困难的学生提供帮助，提高MOOC的效率。
第三类应用为“学习模型”，如在线的自适应学习系统，即根据学生兴趣、学习能力、知识掌握情况等因素，为学生提供适宜的学习内容。有一些研究试图为学生提供符合其认知模式的学习内容，如为对图像敏感的学生提供以视觉刺激为主的学习资料，但目前研究者们还没有发展出非常成熟的应用。
第四类应用“智能测评”与“学习模型”紧密相关。在自适应学习中，系统需要首先对学生的能力、知识掌握情况等进行测评。智能测评旨在以传统测评无法比拟的效率，完成对学生的测评和诊断任务。
二、人工智能在教育测评的应用智能测评包括人工智能在传统测试的各个环节中的应用。教育测评的过程本质上是把某种潜在特质（看不见、摸不着又确实存在的能力、素养或心理特质）用一种科学的方法进行量化，用数值来表示被试在该项特质上的发展水平。传统的测评主要有三个环节：命题、答题和评分。人工智能在这三个环节中的应用即为机器命题、机器答题和自动评分。
1．机器命题
传统命题是由学科专家或专业的命题人员，根据考试的目的，设计试题的过程。命题质量是决定整个测评质量的关键因素，整个试卷在内容上应该是所有需要考评的内容的代表性抽样。试卷难度应当满足测试目的：选拔性考试通常偏难，而达标考核的难度则依据相应标准来确定。
在线学习系统和计算机自适应考试的发展，大大增加了对试题数量的需求。一次传统的纸笔考试可能只需要50题左右，但在自适应考试中，需要给每个考生不同的试题，所需的题目数量就成倍增加。同时，自适应考试和在线学习系统中测试的频次往往较高，因此也需要更多的试题。传统的命题成本较高，耗费时间较久，且存在一定的错误率，而机器命题能大幅节约命题成本，提高命题效率。此外，由于机器命题没有泄露试题的风险，提高了考试安全性。因此，机器命题在过去十多年里得到了较快的发展。
机器命题有两种主要的模式：强理论模型和弱理论模型。所谓强理论模型，是指在比较扎实的认知理论基础上进行命题。比如部分数学题，解题所需要的能力可以分解为问题提炼、数学表达、运算执行等几个部分。通过分析一组类似试题的考生作答数据，测量学专家们可以较为精确地计算出每个步骤的难度以及这个步骤在整个题目中的权重。随后，计算机自动替换题目中的一个或几个元素，生成新题。这样的新题可以在“母题”的基础上进行较多的变化，新的难度也在很大程度上可控。
不过，教育领域的大部分考试都缺少对应的认知理论支撑。因此，机器命题更多使用弱理论模型。具体过程大致如下：命题专家先找出性能好的题目作为母题，再对题目进行非常详细的分析，构成多层次的题目模型，即把题目分解成背景、内容、问题、辅助信息与选项等部分。接下来，专家再确定可以替换的部分。计算机先分析可替换部分的文本难度、问题的难度，再从语料库和数据库中找到合适的内容，进行替换，形成新题。这类新题和母题的相似度很高，难度也基本保持不变。
数学和英语是机器命题应用较多的学科，特别是英语的语法和阅读理解题，已经有一些商业软件可以完成命题。例如，“ItemDistiller”软件主要被用来命以单句为主的语法题，“EAQC（enhancedautomaticquestioncreator）”软件则多用于命阅读理解题。
尽管机器命题能节约成本，提高效率，但也存在一定的局限。首先，命题过程仍然离不开命题专家对母题的选择和分析。其次，机器在设计干扰项时比较死板，只会依据母题的模版生成干扰项，而不会根据题目的特点重新设计。第三，由于开放性问题（如简答题等）的标准答案设计需要另一套设计模型，机器命题目前也较少被用于此类问题。最后，机器命题十分依赖语料库。英语的语料库发展比较快，计算语言学的研究已经完成了对词的难度、词和词之间的距离等的量化，为机器命题奠定了良好的基础。而对其他没有成熟语料库的语言来说，好的机器命题则难以实现。
2．自动评分
这里将要讨论的评分不包括扫描仪读取答题卡，而是指在传统考试中需要由评分员进行打分的开放性问题，如口语考试、简答题、作文题等。评分员打分耗时耗力，机器自动评分可以节约时间和成本，大大提高效率。
自动评分一般包括三个步骤。首先，要把语言或手写的文字转化为电脑可以读取、分析的文本。这一步依赖自然语言处理系统，目前中文也有一些软件可以便捷地完成处理。
第二步，分析文本。常用的分析方法有两种，一种被称为“隐含语义分析”，另一种则是“人工神经网络”。所谓隐含语义分析，是指把被试的回答转换成数字矩阵，计算与标准答案矩阵之间的距离。这种方法多用于简答题。对于较长的回答，如作文，则更多使用人工神经网络。人工神经网络简单说来就是找出本文的特征，如关键词出现的频率、复杂句式出现的频率、连接词的频率等，根据本文的特征来完成打分。让计算机学习已经由专家完成了评分的答案，每一种分值都需要一定数量的案例，从而完成特征的选取。
最后一步就是打分。打分也有两种方法：分类和回归模型。当题目的分值较低时（如可能的得分是0到5分），分类法较为常用。计算机把被试的回答和已经学习过的不同分值的回答进行对比，把回答归入最接近的一组，就完成了打分。当题目的分值较高时（如高考中作文为60分），则多用回归模型，即通过机器学习已经由专家完成打分的大量案例，建立回归模型。新的文本特征作为自变量“X”，通过回归模型，计算出最终得分“Y”。
目前已经有一些成熟的自动评分软件，如“ProjectEssayGrade”，美国ETS开发的“E-Rater”等。新一代的评分软件不仅可以完成评分，还能根据评分模型，给学生提出改进建议。当然，自动评分还存在很多局限。一方面，机器学习的资料是不同专家的评分，本身就存在一定的不一致性，因此，自动评分的结果与人工评分还会有一定的差异。另一方面，自动评分也十分依赖语料库的建设，对于计算语言学没有深入研究的语种，就难以建立比较精准的模型。此外，自动评分在面对“创作型写作”时，往往很难给出准确的判断。
3．机器答题
机器答题可以大大降低试测成本。在题库建设中，所有的新题都需要经过试测，计算其各项性能指标后，才能在实际考试中使用。招募被试进行试测需要花费大量时间和成本。此外，试测过程中，也可能存在考务安全的问题。目前也在大力加快题库建设，但由于保密问题，很难实现在高考这样的高利害考试中使用试测过的试题。机器答题也可以大大降低泄露试题的风险。机器答题的复杂程度更高，目前还没有成熟的、商业化的应用。我国的科大讯飞正在积极研发，日本、欧美也有一些团队在进行研究。
三、人工智能与教育测评的未来研究方向人工智能在命题、答题和评分中的研究和应用都在不断推进过程中。但不少研究者认为，目前的这些应用没有改变测评的基本内容和形式，只在一定程度上降低了成本、提高了效率。在线学习平台已经积累的数据，应该能够支撑研究者们进行更多的探索，突破原有的测评方式，例如应用学习过程中的行为数据完成测试等。研究者们开创了一个新的领域——“分析测量学”，即通过大数据分析而非传统的考试，对学生进行测评。
墨尔本大学教育学院的研究团队已经进行了初步的探索。他们通过分析学生在一项游戏化学习过程中的1600多个行为数据，对学生的合作问题解决能力、批判性思维能力、创新领导力等几项核心素养进行评估。分析测量学仍然遵循测量学的基本逻辑：首先要建立理论框架；随后在学科和认知理论的基础上，进行新型“命题”，即通过数据挖掘找到高相关的信息，同时通过传统命题的思路赋予这些数据实践意义；随后再通过理论与数据结合的方式，对不同的行为进行评分；最后运用测量学模型估算被试的能力。这种“分析测量”将改变测试的场景、命题和评分方式，给测量领域带来更具深远意义的变革。
人工智能在高效实现个性化学习方面有着无可比拟的优势，未来在教育领域的应用必将更为广泛。但在我们热情迎接人工智能时代的同时，研究者和实践者们仍需保持谨慎。人类认知的拼图还远没有拼完整，因此我们要理智地对待根据已有大数据得出的结论，防止推论过度泛化。此外，如何保护学生、教师和学校的隐私和秘密，合理使用数据，也是急需我们思考和解决的问题。
本文转自微信公众号“中国教育财政”，作者黄晓婷，北京大学中国教育财政科学研究所副研究员。文章为作者独立观点，不代表芥末堆立场。
人工智能测评1、本文是芥末堆网转载文章，原文：中国教育财政；2、芥末堆不接受通过公关费、车马费等任何形式发布失实文章，只呈现有价值的内容给读者；3、如果你也从事教育，并希望被芥末堆报道，请您填写信息告诉我们。来源：中国教育财政芥末堆商务合作：010-57269867谈国内外人工智能教育研究现状
谈国内外人工智能教育研究现状时间：2023-04-0700:06:35
摘要：人工智能（ArtificialIntelligence）正以飞快的速度在发展，与此同时也很大影响着教育发展，引领教育迈向“人工智能教育”的新阶段将成为它的使命。通过对比国内外的政策文件以及目前的探究现状，为“人工智能教育”的实际发展提供可操作的路径，进一步建构人工智能新时代背景下的人才培养体系。
关键词：人工智能；人工智能教育；人才培养体系
人工智能（ArtificialIntelligence，简称AI）在很大程度扩充了人类身体和大脑无限的潜能。世界围棋冠军李世石和柯洁连续战败于“阿尔法狗”，这使得新一轮的发展热潮在全球性人工智能界掀起了热浪。这几年，很多知名学者在国内陆续开展了有关方面的探索，如，教育人工智能（EAI），闫志明等提出，这一理论划分了教育人工智能的内涵（闫志明等，2017）；智慧教育时代我国人工智能教育应用的发展路径（马玉慧等，2017）；刘清堂等对智能教学技术的发展与展望进行了研究（刘清堂等，2016）。由此看来，人工智能作为一项崭新的技术，将会使教育迎来“人工智能教育”的新征程。人工智能的探索，在国外的发展历程比国内相对较早，所以比国内的技术要更加稳定成熟。人工智能的绝大一部分研究所涉及到的主要部分，又在人工智能的应用方面占据了各个领域。那么，教育作为不可或缺的一部分，已经深深地被人工智能技术带来的便利性所引导。实际上，人工智能教育现阶段早已应用，人工智能教育任何有可能性的发展我们都必须密切关注，作为一名新时代的高等学校的教育工作者，开拓自己的视野，争取走在时代的前列，就必须密切关注着人工智能教育任何有可能性的发展。
1国内外研究现状对比分析
1.1国内研究现状
一般所说的“人工智能教育”，是人工智能与教育的深度融合与发展（吴永和等，2017）。新时代环境下对于“人工智能教育”的研究正在热火朝天地进行着，这时期产生了非常多的研究成果。现在看来，主要应用的方式为“人工智能+教育”，通过将人工智能应用于教育领域，达到提高教育教学质量的目的。本文将把人工智能教育领域的相关调查研究成果作为基础，通过对其进行关键字词的共词网络图分析，以透视“人工智能教育”的学术内涵。以“中国知网”作为主要的检索方式，将“人工智能教育”作为概念的介入点进行搜索，期刊来源限定为核心期刊和CSSCI，时间区间为2000年—2018年，共得到结果48篇。人工智能和教育的融合有着无限可能性。“人工智能教育”人们关注的更多是教育的应用。随着科学技术的发展，人工智能在网路和远程教育中得到了越来越多的应用。其中，机器学习、智能教育以及图像技术处理是“人工智能教育”的基础组成部件。在此基础上，计算机辅助教学、决策支持系统和智能教育系统也得到了迅猛发展。此外，该模式也将触角伸到“互联网+”教育，情感教育等热门教育方向。信息技术、教育应用和学习过程共同出现的次数较多，与很多关键词联系紧密。这表明信息技术、教育应用和人工智能在同一篇文章中一起大量的存在，这也受到了研究者广泛关注。这从总体上说明了“人工智能教育”的研究重点，因此与之相关的研究也围绕其开展。
1.2国外研究现状
美国白宫科技政策办公室于2016年10月了《为人工智能的未来做好准备》报告。在美国，人工智能目前发展的情况以及未来或许会出现的一些疑问，可能存在的市场潜力这篇报告从以下7个层面进行了分析：（1）在交通运输国民的医疗层面的保障，解决了极端的效率低的问题。在公共事务方面，大大改善了国民的生活水平。（2）联邦政府建议，为了提高服务水平和办公效率，应在政府中广泛使用人工智能技术。（3）保障社会的公共安全对于人工智能的应用是首要需要遵守的条件，完善良好的管理制度以利于更好地监管产品后续的管理。（4）人工智能技术的发展离不开联邦政府的长时间的基础投资和对于从业人员的基础培养，巨大的市场需求对于研究人员以及技术专业的需要，需要政府和学校采取有效的措施来满足。（5）人工智能的应用给人们带来了很多便利，机器的自动化操作让人们解放了双手，但有一些行业和人群会因此受到一些潜在的负面影响。（6）在公平性、安全性与治理方面，人工智能被用来控制现实设备，并使人类开始对安全问题产生关注。（7）全球问题，例如：灾害预防、气候变化等，人工智能可以提供解决的新思路。针对人工智能研发，《国家人工智能研发战略规划》提出：（1）人工智能研究的可持续性发展与投资。（2）人与智能的有效性平衡。（3）人工智能的道德性、法律性的提出以及处理其社会性影响。（4）保证人工智能安全的系统环境。（5）开发用于人工智能训练及测试的共享公共数据集环境。（6）人工智能技术测试根据制定的标准和相关参照。（7）对于人力资源的需求性。
2构建“人工智能教育”人才培养体系
2.1“人工智能教育”的业态趋向
以学习者为主体的教育模式，能够帮助教师定制教育模式、个性化受教育者短期以及远期培养。这样的“人工智能教育”，需要学校、企业、政府之间通力合作才能实现。而学校是“人工智能教育”的主要应用阵地，能够为受教育者提供丰富且内容完善的教学资料、先进的教学理论，同时还能够正确地提出理论指导数据；同时，学校也是企业“人工智能教育”此类产品的主要的应用对象。企业应该依托先进的技术，以教育为导向，研发并提供多样化、个性化的教育产品和服务。并依据学校教育的反馈数据，不断改进产品和服务，使其逐渐迎合教育市场和社会的需求，促进学校“人工智能教育”的发展。政府是推动“人工智能教育”正确发展的导向，一方面要为“人工智能教育”产品和服务制定市场标准与政策，规范市场，另一方面也要为学校“人工智能教育”提供科学的导向与指导意见。
2.2“人工智能教育”知识储备措施
2.2.1推广基础教育中的人工智能活动基础教育目前已经在为“人工智能+教育”的教育路径提供发展的基础环境。现阶段，中小学生是国家未来发展的根基，让其学习相关的知识显得非常重要。这就要求学校和政府作出调整，在中小学时期可以设立与人工智能有关的课程，例如，科学技术课程，或者具有开拓性、探究性的学习课程。其能够使得学生具备一些基础知识，帮助学生能够了解人工智能，提高其对人工智能技术的正确认知。
2.2.2完善高校人工智能学科教育框架高等教育能够在“人工智能教育”理念下，为该领域的发展提供人才保障。高校是“人工智能教育”进行各类研发的主要实验场所，因此，需要改善人工智能学科现有的整体知识架构，不断完善人工智能专业种类，同时专门设计人工智能类课程，随着人工智能理论探索的深入，不断推动人工智能教育的实施。高等院校是各种创新人才的发源地，可在部分高校建立人工智能教育试点，同时可以在试点高校建立以人工智能为主的实验室，大力吸引人工智能学科相关高技术人才，通过这些人才的通力合作，逐步优化人工智能培养的专业知识体系以及学科组成。
2.2.3打造人工智能的高端人才队伍人工智能的发展和技术倚重高端人才，培养具有创新能力和研究精神的专业高技术含量人才至关重要，其是“人工智能教育”能够长远、快速发展的依靠。组建“人工智能教育”高端人才队伍，要坚持培养与引进两手把握。一方面，培育高水平研发团队以及实验室。着重支持和培养具有领导能力的领军人才，加强此类技术的基础研究、细化应用研究等。另一方面，还应该加大高端人才的吸引力度。通过重大研发任务和基地平台建设，实现人工智能国际高端人才和创新队伍精准引进。
3结语
人类处于知识改变命运的时代，各类技术正呈现大融合的状态。人工智能从一定程度上帮助人类进行思考，是人类社会发展的重要助力。而将其应用在教育领域，不仅能够更好地提高学生的学习效率，也可以将教师、学校的管理力度提高一个档次。然而，该技术在教育领域的发展还需要不断地努力才可以。
参考文献：
[1]闫志明,唐夏夏,秦旋,等.教育人工智能(EAI)的内涵,关键技术与应用趋势*——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志,2017,35(001):26-35.
[2]刘清堂,毛刚,杨琳,etal.智能教学技术的发展与展望[J].中国电化教育,2016(6):15.
[3]吴永和,刘博文,马晓玲.ConstructinganEcosystemof“ArtificialIntelligence+Education”%构筑“人工智能+教育”的生态系统[J].远程教育杂志,2017,35(05):27-39.
作者：缪甜佳单位：南京邮电大学