王晓宁：“人工智能+教育”在中国——现状、问题与未来初探
在全球快速进入智能化时代的过程中，我国的“教育信息化”在推进程度上确实称得上先行一步，而“人工智能+教育”作为教育信息化的升级版，也正引发教育界内外高度关注。 从2020年国家自然科学基金“教育信息科学与技术”这一学科领域的申报态势来看，国内立足智能教育的竞争已趋白热化：将人工智能技术向教育垂直领域进行渗透的意识非常热切，理论与实践探索正在全面铺开。当然，就目前技术与教育结合的有效性、适切性、合理性甚至合法性而言，尚需细化。而从当前特征、现存问题与解决之道三个方面看，国内教育界的确已经迎来智能时代教育的挑战。现状：基础先进，探索热切，潜力尚待激活
1.技术界基础先进，教育界探索热切 从世界范围看，不少发达国家和国际组织在部署信息化/数字化/智能化战略，以维系传统大国地位、保持战略主动性和战略自主权时，纷纷将美国和中国作为对标国家。 可以说，中国在人工智能技术领域包括教育智能化领域的繁荣发展，已经在全球范围内引发高度关注，受重视程度甚至超过预期。时下的海外畅销书《第四次教育革命——人工智能如何改变教育》中，对于中国人工智能领域繁荣势头的追捧式解读极具代表性，该书称：“美国在人工智能领域的领先地位会慢慢减弱——而中国渴望填补这一空白，努力在2030年之前将自己打造成全球首要的人工智能创新中心”。值得关注的是，该书所涉及的诸多议题虽有一定新意，但对于中国教育领域人士而言并不陌生，甚至已经进行了超过其理论宽度的现行实践。可见，借助技术基础的繁荣发展，中国的“人工智能+教育”有着堪称热切的先行探索。 2.在线教育抗疫，激发底层潜力 2020年新冠疫情期间，中国智能教育模式经受了大考，给全球同行留下深刻印象。“停课不停学”的大规模在线教育实验展现了中国教育信息化与智能化的底层潜力，启发了中国乃至全球教育界对智能时代教育发展抱持乐观期待。 中国在新冠肺炎疫情期间进行的大规模在线教育，让教育者、受教育者、科技研发者等人群，都有机会亲临教育一线、摸清需求、萌发创意并涌现人才，形成教育推动大众科技创新、科技反哺教育变革的良性循环。教育创新与科技创新既是抗疫的有力工具，也在成为反弹的新经济增长点。在后疫情时代，社会将进入智能化和数字化快车道，线上力量正在兑换为线下力量，为构建基于智能技术的新型教育教学模式、教育服务供给方式，推动教育治理体系和治理能力的现代化，提供深度变革的内生力量。挑战三大问题，打牢智能时代教育根基
1.技术受限，效果模糊
中肯地说，在目前的全球人工智能产业当中，金融、营销、安防、客服领域在IT基础设施、数据质量、新技术接受周期等人工智能发展基础条件方面表现较优，其商业化渗透率和对传统产业的提升程度较高。然而由于数据储备、数据感知、数据标准化受限，跨介质互联困难，情感计算与认知计算难以突破等约束条件，教育的智能化发展确实还慢一拍。迄今为止，多数智能化教学解决方案的落地效果仍然表现一般。而在校外教育方面，在线教学的用户体验粗糙且教学效果模糊，用户对新技术的接受周期较长，更加智能化的产品还需要一定长度的探索期。而与此同时，校内师生的信息素养不高，且信息化设备使用频率较低，也导致智能教育核心教学数据缺失，最终加大了教育数据挖掘分析的难度。 2.重复建设，粗放演进 现在，各方面对于智能化教育在所谓的“精准化监测与个性化评价”这一功能上的探索过于集中，用力过于聚焦，却很少针对过度监控、过度反馈、过度迎合的谨慎反思。而所谓粗放，是指当前教育领域的这只“人工智能大筐”，实际上装进了与人工智能沾边或不沾的各类技术，装进了各路概念、噱头甚至利益诉求，实质的进步、真实的助力在一定程度上被淹没在粗放的统计口径与表面的繁荣里。在政策的大力支持与市场对智能化的强烈需求背景之下，“人工智能+教育”的模式仍然亟待清晰化与规范化。 3.审慎不足，导向模糊 从国际经验看，不少国家对于教育与技术的结合都有相对审慎一面，尤其强调教育智能化要首先体现其价值性，然后再体现其工具性——要为承载国家的共同价值与文化基础优先作出努力。这成为各国尤其是发达国家发展智能化教育的普遍起点。而这强有力地形塑了智能技术的应用方向和智能教育的发展根基。对照来看，我们在这一层面上的理性反思尚显不足。那么就可能出现导向模糊——教育领域难以对人工智能应用技术提出准确需求，而技术人员难以深度理解教育，供应方难以设计出符合理性需求的应用形态——这也是当前人工智能技术参与教育过程并大力发展智能教育时最为掣肘的问题。以理性态度尊重规律，支撑智能时代教育变革
1.宏观策略不可“一刀切”，中国教育的巨大体量与智能技术的迅速更迭需要从容应对。
对比世界主要发达国家来看，中国教育体量巨大、东中西部社会经济发展程度很不平衡，同时中国的信息化智能化技术发展又处在世界前沿，存在诸多复杂变量和不确定因素，并不是一味地加大作为、严密规划与管控就有望起到理想效果的。因此，有必要在“有为和无为”之间进行辩证思考，明察进退，有所取舍，以粗线条引导，而非以事无巨细的规制来推动宏观治理，要引导商用、民用、市场等角色发挥作用并自我调节。 进一步看，我国教育端和受教育端所具备的信息化素养与技能，绝大部分是在宏观的互联网经济大背景下形成的，“看不见的手”所发挥作用不可小觑。此外，从世界银行的视角来看，对教育技术的投入首先要将可持续性放在首位——软硬件投入巨大、优质数字资源生成困难、生命周期短促、跟进投资不可预估等问题，都启示我们：在宏观层面，要有适当的策略性留白。 2.中观布局不能急于求成，必须尊重智能时代教育的独特发展节奏。 如前所述，国际经验与中国发展实践都显示，相比于智能化技术在金融、营销、医疗、安防等诸多领域的率先落地与渗透，教育智能化领域由于数据储备、数据感知、数据标准化受限，跨介质互联困难，情感计算与认知计算难以突破等约束条件，自然呈现的发展规律确实是慢一拍。因此，在智能教育发展节奏上不能急于求成。 与此同时，教育领域是“人”的密集程度最大的领域，教育涉及的人群是超大规模的、甚至是全民的，其复杂性与牵涉面超乎寻常，智能时代的教育在理念更新、模式变革、体系重构，尤其是利益重组上不能激进。 此外，要区分群体教育和个体教育的不同规律。同辈压力和集中的时空氛围，可以让群体情境下的智能化教育更好地结合线上的优势资源与线下的立体化传授；而个人情境下的智能化教育则需要更多地探索如何维系注意力的特殊节律，尊重碎片化、娱乐化、热点化、轻量化等需求，不能过多地强调和依赖个人自律和所谓的素质素养等。 3.微观上不“过度迎合”，辩证看待个性化培养潮流。 首先，智能化的教育技术对师生微观状态的精准诊断、即时反馈、全程记录等固然有其便捷，但也有可能带给其过度关注与过度追踪的压力，在某种程度上会将“人人皆学、处处可能学、时时可学”异化为无所不在的钳制和逼迫。 其次，智能化技术辅助进行的个性化诊断与个性化培养固然有其价值，但若不善加使用，也会在某种程度上过度强化初始的、不成熟的、未定型的个体偏好，强化路径依赖，反而很可能抹杀师生在其他维度、广度和深度上的潜力，影响个体自身在竞争合作中的准确定位，进而过早设置隔阂与专业鸿沟，障碍对具备广阔视野和全局观念的“通才型”人才的培养。 最后，“建立终身电子学习档案和数字画像——对学习者的学习成果进行统一认证和核算”等发展思路的提出，也需要辩证看待——人为设计的评价体系，从识别、赋值、感知、记录，多数时候仍是粗线条、显性化、线性化的，丢失了很多维度甚至是关键性信息。将不先进的教育评价思路用先进的技术如区块链等手段来承载，很可能会进一步形成环环相扣的时空限制，进一步收窄可能性与多样性，更遑论数据隐私和技术霸权等问题的潜在负面影响。有冗余、有散漫、有策略性留白，才会有缓冲和创新的空间，这也是智能时代教育必须体认的教育史所传承给这个时代教育者的精神启示和宝贵财富。来源：https://mp.weixin.qq.com/s/XohFhSpQRCQPu2h5II5YJg
人工智能时代学校教育的现状及发展趋势
（二）积极开展教师人工智能教育培训
教师作为学生培养者、人工智能教育实践者，提升自身人工智能素养是实现教育现代化的重要保障。针对当前教师对人工智能教育认识分化，人工智能教育利用不合理情况，学校与教育主管部门应定期对教师进行相关教育培训。第一，深入调查研究了解当前教师关于人工智能教育认识程度、使用熟练度、存在具体问题及相关建议，由此制定具有针对性的培训内容。第二，针对调查结果结合不同地区实际教育发展需要，制定人工智能专项教育培训计划，达到教师正确认识并熟练运用目的。第三，邀请人工智能专家、教育专家、资深教师进行培训课程研发。使培训课程贴近生活、贴近课堂、贴近学生，做到为教育服务。第四，为保证培训效果，将人工智能教学技能作为教师综合考核标准之一，督促、激励教师向数字化教师转型，带动教育事业走向现代化。
（三）合理为学生制定个性化学习方案
人工智能教育使教师对学生学习过程具有深入了解，可以针对不同层次学生制定个性化学习方案。传统课堂教师无法兼顾学生学习差异，授课内容只能以班级大多数学生水平为参照，导致优等生得不到突破，后进生理解困难，难以真正达到因材施教。在人工智能教育帮助下，通过自适应学习程序、游戏和软件等系统响应学生的需求，全过程搜集学生的学习数据，通过分析数据，最后向学生推荐个性化的学习方案。课前，教师通过数据反馈结合学生学习需要制定本节课教学计划。课中，依据学生课堂表现，教师可以有针对性的对学生薄弱环节，进行深入讲解加深学生印象。课后，分层次布置作业，在确保夯实基础知识前提下，适当拔高作业难度，既能巩固知识，又能减少学生学习挫败感调动学习积极性。人工智能教育把传统课堂的优势与数字化教学的便利相结合，实现线上教育与线下教育的混合式教学，达到个性化教学目的。
（四）考核体系实现素质评价精准化
当前以知识为核心的考试制度，虽然提高了升学率，但是制约了教育创新发展，不利于学生综合素质提升。随着人工智能数据采集方式的不断完善，充分利用大数据智能分析对学生的学习过程、学习行为、学习水平等进行分析，基于学生的个性特点精准建立学习者的动机、能力、爱好、水平、体能、心智水平等要素构成的学习方案，具备大数据智能过程性评价的新制度将从根本上优化当前的以知识为核心的考试制度，以学习者动态发展学业水平为基础的适应性双向匹配与选择制度将被建立，从而实现素质评价精准化，提升学生学习的积极性与主动性。
三、人工智能对未来教育影响
（一）促进学生深度学习
理想的学习效果是让学生认识到学习意义，从而全身心投入到未知领域的学习中，达到深度学习目的，人工智能教育利用技术优势实现学生深度学习。首先，真实地学。真实是深度学习发生的基础，在课堂中减少虚假学习行为，聚焦学生内心世界，了解学生学习困境，进行针对性教学，从而促进学生深度学习。其次，充分使用工具。人工智能为教育提供丰富多样的学习工具，学生结合自身学习特点，合理选择学习工具，提高学习效率促进深度学习。最后，整体地学。关于深度学习，我们应走出碎片化学习误区，利用人工智能辅助学习工具，把知识与生活相联系与学生学习过程体验相结合形成整体教学。人工智能时代深度学习不仅是大脑参与的思维层面的学习，更是人机协同的系统化学习。
（二）促进学生跨学科学习
单科学习让学生有完整系统的学科知识，但其局限性无法满足新时代对学生综合能力提出的要求，新时代跨学科学习是未来创造者的必修课。这种学习方式打破不同学科、领域之间的知识隔阂，在帮助学生解决复杂问题的同时拓宽认识边界，培育学生的发散思维和创新能力。人工智能时代跨学科学习，不再局限于学校学科之间的跨越学习，而是提倡学生学习社会各个学科领域的重要知识，并用此指导实践。进行跨学科学习应使用交流合作的学习方式，在学习过程中取长补短，融百家之所长，实现知识的流动、转换和创新，在理性的学术争论中，帮助学生完善知识，提升学生创新水平。
（三）促进学生思维方式转变
人工智能教育颠覆了不同个体的学习过程和学习方式，促进学生思维方式转变。在应试教育背景下，学生常用死记硬背的学习方式，不考虑知识的来源、用处与其他知识的关联，缺乏在实际生活中运用。针对这一问题，人工智能用庞大数据库和丰富实践案例，来引导学生思维方式从零维上升到一维。线性思维强调不同事物之间彼此关联和相互连接，利于学生用所学知识连接现实解决困境。建立不同知识点的因果联系，有助于提高学生创造力、展现个性。人工智能作为人类学习辅助工具，极大地优化了学生的思维方式，加速素质教育实现。
四、结语
人工智能技术发展使学校教育得到优化，为人类社会发展带来动力和创新契机，我们应从理性的角度出发，合理利用技术推动教育进步，提升教育质量，真正发挥教育立德树人作用。在进行教育体系建设时，始终坚持教育的初心和使命，坚持科学精神、创新精神、实践精神，发展具有中国特色的新时代智能教育。
参考文献：
［1］梁迎丽，刘陈．人工智能教育应用的现状分析、典型特征与发展趋势［J］．中国电化教育，201（8 03）：24-30．
［2］吴晓如，王政．人工智能教育应用的发展趋势与实践案例［J］．现代教育技，201（8 02）：5-11．
［3］余胜泉．人工智能教师的未来角色［J］．开放教育研究，201（8 01）：16-28．
［4］张剑平，张家华．我国人工智能课程实施的问题与对策［J］．中国电化教育，200（8 10）：95-98．
人工智能在教育测评领域的应用与研究现状
摘要：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。本文分析了人工智能在教育领域的主要应用，并对未来的应用和研究方向进行了探讨。
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中的应用
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。
2023年全球人工智能教育行业发展现状、场景变革方向及行业发展建议分析[图]
资料来源：智研咨询整理
人类社会已经进入到了第四次工业革命——人工智能时代,在人工智能领域的国际竞争中,一个世界性趋势日渐清晰——为了加快人工智能技术及产业的发展并应对其负面影响,世界各国都竞相采取更为积极的产业政策。
教育，关乎国计民生，而人工智能教育是前沿技术与国计民生的结合。世界各国不断出台人工智能教育上的相关政策，以推动人工智能的快速发展。世界以美国、中国以及以英国为代表的欧洲地区从2014年开始，陆续将人工智能技术的发展提升到国家战略高度。近几年,中国也把发展人工智能作为提升国家竞争力的重大战略,频繁出台各项规划和政策,不难看出,在这一系列政策背后,国家培养高科技创新型人才,是未来重要培养方向。
部分国家和地区的在人工智能教育上的相关政策
资料来源：智研咨询整理
人工智能作为一项跨学科的新兴技术，在重点难技术的突破上无疑需要更强的技术实力。工智能教育行业的发展与各国家和地区人工智能技术的先进程度、技术相关产业的发展程度息息相关。从2000-2020年全球AI期刊出版文献数地区分布来看，东亚及太平洋AI期刊出版文献数占26.7%；北美AI期刊出版文献数占14.0%；欧洲及中亚AI期刊出版文献数占13.3%；南亚AI期刊出版文献数占4.9%；中东及北非AI期刊出版文献数占3.1%。
2000-2020年全球AI期刊出版文献数地区分布
资料来源：亿欧智库、智研咨询整理
2000-2020年期间，中国AI期刊出版文献数占18.0%，超过美国5.7个百分点；美国AI期刊出版文献数占12.3%；欧盟AI期刊出版文献数占8.6%。
2000-2020年中国、美国及欧盟AI期刊出版文献数占比
资料来源：亿欧智库、智研咨询整理
相关报告：智研咨询发布的《2022-2028年中国人工智能教育行业市场竞争状况及发展趋向分析报告》
疫情拉开全球AI教育发展差距,中国AI教育企业优势明显。截止2021年6月30日，在中国、美国、印度和欧洲四个地区或者国家中融资金额超过一亿美元的AI教育企业共有60家，其中中国有29家，美国有24家，印度有7家；中国、美国、印度融资超1亿企业总融资规模分别为模220.69亿美元、72.07亿美元、37.9亿美元。可以看出，中国AI教育企业受到了资本更多关注融资金额远远超过美国。
融资额超1亿的人工智能教育企业数量及分布
（注数据统计截止2021年6月30日）
资料来源：亿欧智库、智研咨询整理
从人工智能教育融资轮次分布来看，截止2021年6月30日，中国A、B轮融资次数占31%，C、D、E轮融资次数占46%，F轮以上轮融资次数占23%；欧洲A、B轮融资次数占41%，C、D、E轮融资次数占39%，F轮以上轮融资次数占20%；印度A、B轮融资次数占49%，C、D、E轮融资次数占41%，F轮以上轮融资次数占10%。
全球部分国家及地区人工智能教育融资轮次分布
资料来源：亿欧智库、智研咨询整理
从人工智能教育融资金额分布来看，中国人工智能教育融资金额1亿美元以上占43.28%，融资金额在5000万-1亿美元占14.93%，融资金额在500万-1000万美元的占4.48%，融资金额在1000万-5000万美元的占19.40%，融资金额在500万美元以下的占8.96%；印度人工智能教育融资金额1亿美元以上占17.95%，融资金额在5000万-1亿美元占10.26%，融资金额在500万-1000万美元的占10.26%，融资金额在1000万-5000万美元的占35.90%，融资金额在500万美元以下的占25.64%；欧洲 人工智能教融资金额在5000万-1亿美元占6%，融资金额在500万-1000万美元的占19%，融资金额在1000万-5000万美元的占38%，融资金额在500万美元以下的占37%；美国人工智能教育融资金额1亿美元以上占13%，融资金额在5000万-1亿美元占7%，融资金额在500万-1000万美元的占22%，融资金额在1000万-5000万美元的占30%，融资金额在500万美元以下的占28%。
全球部分国家及地区人工智能教育融资金额分布
人工智能的发展伴随着其他先进技术如大数据、物联网、云计算等的同步发展，尤其是随着国内大量数据被挖掘和应用，人工智能将深度渗透到许多行业。人工智能教育应用创新场景的变革还体现在教育的空间环境上。2021年中国人工智能教育企业数量从2020年的21520家增长到38328家，同比增长78.1%。
2013-2021年中国人工智能教育企业数量及增长
（仅统计企查查关键词为人工智能教育搜索）
资料来源：企查查、智研咨询整理
CPU/GPU/GFPGA/ASIC及SoC是目前用的较多的Al芯片，此类AI芯片大多是基于深度学习，也就是深度神经网络(DNN)，以并行方式进行计算的芯片，此类AI芯片又被称为深度学习加速器。2014-2019年中国类脑芯片发文数量呈高速增长趋势，2020年、2021年连续两年出现小幅下降，截止2021年，中国类脑芯片发文数量144篇。
2014-2021年中国类脑芯片发文数量及增长
资料来源：智研咨询整理
在2020-2021年期间，中国发布的智能教育硬件大多存在于智能家居的相关产品中，比如智慧音箱、智能穿戴设备、智能作业灯等。但在早期，电子辞典、学习机、平板也曾渗透到各个家庭之中。
2020-2021年中国部分智能教育硬件发布情况
资料来源：智研咨询整理
从各国家/地区侧重角度可以看出，各国的人工智能教育应用仍更多的集中在教学相关场景，印度人工智能教育应用场景占44%，欧洲地区人工智能教育应用场景占49%，中国人工智能教育应用场景占60%，美国人工智能教育应用场景占45%。印度人工智能教育能力评测占8%，欧洲地区人工智能教育能力评测占6%，中国人工智能教育能力评测占2%，美国人工智能教育能力评测占9%。可以看出，中国AI教育企业更看重教学领域的技术应用，对能力评测方向关注度较低。
中、美、欧、印四个国家/地区人工智能教育应用场景分布状况
资料来源：亿欧智库、智研咨询整理
美国人工智能教育企业经营时间小于5年的有26家，经营时间大于10年的有67家，经营时间在5-10年的有84家；欧洲地区人工智能教育企业经营时间小于5年的有11家，经营时间大于10年的有27家，经营时间在5-10年的有32家；中国人工智能教育企业经营时间小于5年的有11家，经营时间大于10年的有24家，经营时间在5-10年的有34家；印度人工智能教育企业经营时间小于5年的有7家，经营时间大于10年的有17家，经营时间在5-10年的有15家。
中、美、欧、印四个国家/地区人工智能教育企业经营时间情况（单位：家）
资料来源：亿欧智库、智研咨询整理
从全球人工智能教育行业主要投资机构来看，美国的投资方更倾向于多场景投资，中国的投资方更偏向于教学应用场景，欧洲投资频次较高的投资方大多集中于英国，印度投资方偏好职业生涯规划应用场景。
截至2021年6月全球人工智能教育行业主要投资机构
资料来源：智研咨询整理
从全球部分国家及地区人工智能教育（AIED）企业业务分类来看，美国人工智能教育教学的企业有79家，学习业务范围的有49家，人生规划管理的有16家，能力评测的有16家，考试的有15家；欧洲人工智能教育教学的企业有34家，学习业务范围的有20家，人生规划管理的有8家，能力评测的有8家，考试的有8家；印度人工智能教育教学的企业有17家，学习业务范围的有11家，人生规划管理的有7家，能力评测的有3家，考试的有1家；中国人工智能教育教学的企业有39家，学习业务范围的有19家，人生规划管理的有7家，能力评测的有4家，考试的有7家。
全球部分国家及地区人工智能教育（AIED）企业业务分类（单位：家）
资料来源：亿欧智库、智研咨询整理
二、人工智能教育场景变革方向及发展建议
在后疫情时代，兴起的智慧课堂和智能学习硬件类产品则是整合了多项AI技术，使得多种智能功能在同一产品上体现，单一细分场景智慧教育产品的同质化越来越明显。未来人工智能教育场景的变革方向将主要体现在三大要素上，一是技术精度的提升；二对教育环节的依赖程度降低；三是在同一大类场景聚合多元功能。
人工智能教育场景变革方向
资料来源：智研咨询整理
教育大脑将富有立体感、多元化的数据汇集成教育大数据。人工智能教育大脑不仅是感知系统、中枢系统，更起到末梢的作用，支撑人工智能对教育的全面赋能。人工智能教育发展应开展数据治理，加快数据安全、隐私保护、伦理等相关立法，开展算法治理，推进算法健康、有序发展，推进社会实验，促进人工智能+教育的良性发展。
人工智能教育行业发展建议
资料来源：智研咨询整理返回搜狐，查看更多
人工智能在教育中的应用的现状
原标题：人工智能在教育中的应用的现状进入21世纪以来,随着人工智能研究的不断深入以及教育信息化的发展,人工智能在教育领域的应用也逐渐得到了人们的重视,国内许多专家学者从不同角度对人工智能的教育教学应用展开了深入的研究,取得了丰硕的成果。本文是知世研究院对近年来国内有关人工智能教育应用的研究脉络做以梳理,以期发现研究趋势,反思研究中存在的问题,启发未来研究。
人工智能在教育领域更多的是应用于学校教学和远程教育等方面。人工智能教育应用使教育资源内容更加丰富，教学方式更为灵活，教学环节和流程得到了优化。如Z+Z智能教学系统、智能导师系统、智能自适应学习系统及机器人DIY等在教育中的应用，充分考虑学习者的个体差异，协助教师更好地进行因材施教，优化和创新了教学方式；实现了O2O混合式个性化教学，创造了新的教育生态。同时在教学过程中，人工智能为智慧教育提供了技术支撑，如智能批改、基于案例的推理等新兴的机器学习为教育注入了新鲜的血液。机器阅卷减轻了教师的负担，教师能够腾出更多的时间和精力关注学生互动、教学设计、专业发展和教育质量。
通过知世研究院的研究发现,近年来国内教育技术界对于人工智能教育教学应用的技术开发研究关注度较高,研究范围也比较广泛,涉及教育教学活动的诸多环节,具体集中在以下几个方面
1、智能教学系统(ITS）
智能教学系统是人工智能技术在教育中的重要应用之一,是对计算机辅助教学(CAI)相关研究的进一步发展。它能够模拟人类专家,根据学生自身的特点,对其实施个性化教学,主要包括领域知识模块、学生模型、教学策略模块和自然语言接口四个部分。
2、智能代理(Agent)技术的教育
智能代理是一种以主动服务方式自动完成一组操作的机动计算机程序,具有自主性、主动适应性和迁移性等特点,目前已广泛应用于教育教学当中,比较典型的教育应用有智能教师代理、智能学生代理、智能信息资源代理等等。
3、智能答疑系统开发
智能答疑系统,是将人工智能技术应用于答疑系统,克服以往答疑系统中存在的缺乏个性化交互的问题,从而能够更加有效的解决学生的疑难问题,消除学生的学习障碍,促进学习。
展开全文4、智能化教育决策支持系统开发
智能决策支持系统(IDSS)是人工智能的重要应用之一,是人工智能(AI)和决策支持系统(DSS)相结合,应用专家系统,使决策支持系统能够更充分地应用人类的知识,如关于决策问题的描述性知识,决策过程中的过程性知识,求解问题的推理性知识,通过逻辑推理来帮助解决复杂的决策问题。
人工智能为远程教育的智能化提供了有力的技术支撑。通过运用专家系统、自然语言处理、人工神经网络、机器学习等技术，跟踪学习者的思维路径及其解决问题的潜在目标结构，诊断和评估学习者的理解域，对学习者提供及时的指导、反馈和解释，通过平台大数据的分析以合适的难度水平和最适当的内容来规划学习活动，进一步促进高效学习行为的发生。
但是,在看到我们所取得的研究成果的同时,我们也应该意识到,我们的研究与国外还有一定的差距,如有关智能教学系统对于适应性学习支持的研究还不够深入;构建真实的智能教学环境相关研究国内还较少,亟待我们在以后的研究中加以改进。
而我们知世研究院秉承引领世界信息智能化科技前沿与企业实际应用相结合的理念，积极探寻智能化、信息化科技产品的服务与研发，目前已与国内多所知名研究机构及高校合作，共同打造人才与项目研发“院士站”、“博士站”等多个科研项目基地与课题，充分将产学研用落地高校。同时，研究院致力于开展基于5G、大数据、云计算、物联网技术条件下，人工智能与教育应用相结合的关键平台技术及产品研发工作、
公司在研发技术基础上，开发面向市场、应用性较强的系列化产品，为更好的服务我们的学生为目的做出更好的解决方案。返回搜狐，查看更多
责任编辑：