一、引言
为顺应核心素养新要求，人工智能应用教育就有了合理化解释，为知识教学带来新的契机。肯定人工智能的价值，也要明晰与之边界，以免导致技术异化。
知识教学，是针对知识成分(概念、原理等)的教学[1]。误用，是指错误使用。我们认为，教师过于信任且完全委托人工智能进行知识教学，是误用表现。以中国知网为检索数据库，将筛选条件设置“(CSSCI期刊=Y)并含(篇名=知识教学)”。截至2021年，相关文献已有近百篇，主要涵盖学科知识、知识组块、具身认知等研究主题。比如祝智庭等从技术支持视角，探讨了知识教学的实现路径[2]；王天平等分析了知识教学变革的成因，回应了变革的应然策略[3]。知识教学有依附传统教学的基因[4]，将人工智能移植于此，有可能发生免疫排斥，埋下误用危机。它是教育的基本方式，探究人工智能时代知识教学中，教师技术误用的后果、归因与破局，对呼应新时代的人才培养要求具有重要意义。
二、教师技术误用的后果
不论采用何种教学模式、教学方法和教学手段，都应遵守教学规律，通过合理的教学决策(比如创设何种教学情境，如何进行知识迁移等)，开展伦理性的教学活动。当教师过于信任人工智能知识教学时，务必要追问这种现象有违教学规律吗？是否会对教学决策的精准性造成影响？它符合教学伦理吗？
(一)违背了教学规律
任何事物的有序运行，有赖于规律指导，教学也不例外。只有符合教学规律，才能提高教学质量[5]。教师完全信任人工智能，使其在知识教学时违背了教学规律。
第一，忽视了学生在学习过程中需要直接经验与间接经验的简约性规律。教师开展教学活动为了达成教育目标[6]。教育目标分类学指出，记忆、理解、应用、分析、评价与创造是认知领域目标[7]。前两个是低级目标，属于浅层认知[8]，是在直接经验中，通过掌握显性知识而达成；后四个是高阶目标，是在间接经验中，以实践形式(比如小组讨论、亲自动手等)，学习隐性知识达成。只有做到直接经验与间接经验相结合，才能建立新旧知识联系。人工智能具有检索、呈现与推送显性知识的优势[9]。但无法教授诸如经验、技巧与价值观等具有默会属性的隐性知识，这便导致间接经验的缺失。
第二，遮蔽了教学过程中学生发展以教材为基础的规律。知识建构应遵循因材施教的基本原则[10]，既不能偏离框定的教材，也要符合学生认知发展水平。学生在自适应学习时，也许会引发因材施教的缺失。一方面，推送的学习内容有可能偏移教材范围。人工智能通过收集眼动数据[11]，推送学习内容。但学生眼睛注视的内容，不一定集中在与教材相关的学习内容上。除了眼动数据，也可以通过文本、语音、姿态等多模态数据进行学习分析[12]。但这些数据会面临“模态异质性差距、场景复杂性和创新分析方法等的挑战”[13]，影响推送的精确性。另一方面，人工智能有可能误判学生的认知水平。数据是一种事实，它可以解释学生的学习状态，却不能说明这种状态的形成原因。人工智能不会判断数据(比如学习成绩[14]、生物信号[15]等)的真实性，或许是睡眠不足导致学习成绩的下滑；可能是身心紧张引发心率上涨。就是说，学习成绩与生物信号可能是一种假象。没有明晰这些数据的有效性，就根据数据来判断学生的认知水平，随后上调/下滑学习难度，也会阻碍知识建构。
第三，阻碍了教和学之间相互促进的规律。教和学相互促进，来自教学相长，特指师生在教学中相互影响、相互制约[16]。它是促进教师专业发展，实现教化价值的重要原则；也是驱动学生自我成长，提高知识学习的有效途径。学生学习，是建立在教师主导的基础上；教师教学，需要学生的参与。尽管人工智能可以代替教师完成特殊的教学活动，但沁润学生心灵的教师关怀与自我修养，不是机器能够复制的；学生的性格特征与成长经历也不是机器可以粘贴的。教师的教不仅影响学生的学，学生的学也会促进教师的教，但人工智能竖立的隔绝屏障，直接阻碍了师生间的深度交流。
(二)失准了教学决策
人工智能训练的教学决策模型，需要数据支持。但数据是人为赋予的，这便导致解释客观性的缺失。此外，仅有数据是不够的，还要借助因果思维，判断教学决策的合理性。由于人工智能不具备因果思维，它的教学决策机理自然有别于教师。
第一，数据集的桎梏。根据人工智能的训练过程，一般是对多模态数据筛选、清洗与整合后，再使用机器学习方法，拟合出数据的权重，训练出教学决策的模型。人工智能是一种概率预测的技术，出于概率的原因[17]，即使增加、置换或剔除一些数据，也会生成对应权重，这种模型仍然可以解释教学决策。已有的数据集也不能包含解释教学决策的所有因子，如此也暗喻解释力度有些牵强附会。研究者通常秉持“数据可以解释一切”的理念，认为只要有充足的数据挖掘技巧，就能得出真理[18]。数据挖掘是分析已知数据，发现事物的现存规律，而未来往往是难以预料的，这让我们无从得知在未来是否会有新的因子影响教学决策。就算有证据证明教学决策模型是可行的，也不能保证决策效果就是理想的。
第二，相关性的局限。如果赋予人工智能近乎完美的数据，它就可以精准地执行教学决策。这种辩护默认了一个假设，即人工智能与教师有相同的因果思维。因果思维是从因果推断的视角，看待事物的原因与结果[19]。教师有时认为，某种教学决策(原因)可能会达成理想的教学效果(结果)。那么，人工智能执行教学决策，具备像教师一样的因果思维吗？人工智能通常基于数理统计分析数据。一旦有人束缚在统计学世界，他们合乎逻辑的辩护就说明了两者的关联，这表明人工智能可以解释事物的相关性。有了相关性能否精确预测因果？“具有相关性是判别因果与进行预测的前提条件”[20]，而不是充分条件。只有在相关性基础上，并加以反事实推理，才能确立事物的因果关系[21]。人工智能其实不懂得反事实是什么。
第三，反事实的缺失。反事实是基于不是事实(既有数据)的不对称性[22]，以确立事物的因果关系[23]。多数教师在课后扣心自问——换个教学案例有助于知识生成吗？小组讨论能促进知识交流吗？制作飞机模型会提升知识创新能力吗？上述假设正是反事实推论的体现。我们不去讨论教师如何反事实推论的，反事实的确是教师的教学本能。人工智能不是教师，即便赋予解释一切的数据，它的预测机理与教师也是别具一格。因为反事实与数据有不可调和的矛盾，我们不能祈求在虚幻的镜像里找出真实的影子，反事实的世界不可能描摹出数据的痕迹[24]。人工智能缺乏脱离数据的想象力，失去数据，它的价值就荡然无存。不能反事实，人工智能执行教学决策，就远离了预期效果。
(三)僭越了教学伦理
教学伦理是伦理学的延伸，特指“发生在教学活动中，以师生互动为基础，指向个体生命成长的道德意蕴和价值取向”[25]。体现在要尊重学生的个体差异，顾及学生的内心情感，保护学生的个人隐私。
第一，人工智能对待学生的同质性与学生个体差异的矛盾。桑新民指出，知识建构依靠情境支持[26]。学生正是基于个体经验，在特定情境中建构知识的意义。学生具有差异性，这要求人工智能应尊重学生的个体差异，照顾有特殊需要的学生。但人工智能训练的数据集带有主观价值取向，生成的训练模型具有普遍适用性。在知识教学时，人工智能不会理解其创设的学习情境，是否适合学生个体特征，也不会明白学习情境中的学习线索是否符合学生的认知水平。它只是将数据抽象成枯燥无味的字符进行计算，以便符合统计学意义。如果没有妥善处理普遍与特殊的关系，就算学生畅游在知识海洋，也会饱受饥饿的苦楚。
第二，人工智能提供情感反馈的二元逻辑与学生真实情感需要的矛盾。情感是个体对客观事物的心理反应。在学习时，学生希望得到他人的情感反馈。一般认为，情感包括两种基本属性，分别是基于生物的自然属性，基于伦理的社会属性[27]。两种属性共同作用，形成了人类的情感。人工智能进行情感反馈，取决其是否可以准确识别情感，以及分析情感的两种属性。由于情感中自然属性与社会属性的差异性，即便学生表现出相同的情感，也需要提供不同的情感反馈。随着多模态情感计算的发展，可以通过面部表情、生理信号等指标准确识别学生情感。但情感中的两种属性，不是算法的二元逻辑(真/假)就能透视的[28]。这表明人工智能很难提供适切的情感反馈。
第三，人工智能彰显的挟制基因与保护学生隐私的矛盾。社会赋予公众领域的属性后，个体私人空间趋于无限伸缩。教学属于公共场域，在所难免地缩小了学生的活动范围。尤其是在人工智能的监视下，学生失去了应有的自由。这种情况剥夺了最为高级且私人性质没有什么能比拟的东西[29]，比如面部表情、管理日志、学习姿态等。因此，亟需“尊重、授权与告知”等具有共生意义的词语，去调和人机关系。现实的两种情况拒绝了这样的调和：一是攻击者有意地侵犯；二是科学研究的需要。尽管贝叶斯网络在防止他人侵犯上竖起了屏障[30]。但教师有可能附和教育专家的科学研究，对数据的使用并没有做到知情同意，迫使人工智能成为数据帮凶。
三、教师技术误用的归因
海德在1958年提出归因理论，用于解释人类的社会行为。归因理论强调，内因与外因诱发了行为。其中，内因特指个体层面，比如认识与思维；外因特指环境层面，比如压力与制度。本研究基于归因理论，分析技术误用的形成机理。内因层面，误是一种认识，归结于教师没有科学认识人工智能，视人工智能具备像人类一样的因果思维。外因层面，教学产品的普适，以及教学改革的强制，引发了技术误用。
(一)科学认识的偏差
以5G为代表的信息技术，催生新一代互联网的迅猛发展。社交媒体通常制造博人眼球的话题，影响人工智能舆论(威胁论、万能论等)的传播。舆论是“一种群体意见的自然形态，带有自发性和盲目性，它的变化、发展在一定程度上是被动的”[31]。这种被动源自社交媒体用“理性的辩论”把控着公众认知[32]。作为公众的子集，教师不管出于职业需要，还是闲暇娱乐，都不可避免地触及社交媒体，我们也不能要求教师拥有渊博的学识去分辨事物的真假。所以，背离科学认识就不足为奇。
这种现象自2014年，就不断侵蚀着教师对人工智能的认知。在利益裹挟下，社交媒体发酵人工智能舆论，每个舆论也带有对阿尔法狗(AlphaGo)的夸赞。AlphaGo是基于深度学习的围棋程序，前后分别战胜李世石、柯洁等世界围棋冠军。这也被人们“幻想出一种终极的、拥有神一般全知全能的'通用人工智能’(AGI)”[33]。我们不会否认机器战胜人类的事实，但这不能说明人工智能在推理层面就超越了人类。因为“在数万年前，人类开始意识到某些事会导致其他事的发生，改变前者就会导致后者的改变，没有其它物种领悟到这一点，更别说达到我们所理解的这种程度”[34]。如果说人工智能真的超越了人类，它在因果推论层面就要比人类做得好。也就是，期待AlphaGo可以言说“这一步棋你可以下的更好，你可以用这样的方式来打败我”。遗憾的是，世界上根本就没有任何智能机器拥有反事实推论[35]。况且，人工智能处理的数据，以及运算的逻辑都是人类赋予的，因而谈及超越实在为时尚早。人工智能舆论的肆意传播，让教师在随遇而安的思维下，习惯接受所看的事实[36]，不能科学认识人工智能的基本原理。
(二)因果思维的移植
几乎任何一位人工智能教育研究者，都不会否认，甚至夸诞人工智能预测功能，这也是教师使用人工智能的佐证。预测是指“人们根据事物以往发展的客观规律和当前出现的各种可能，运用科学知识、方法与手段，对事物未来趋势和状态预先作出科学的估计和评价”[37]。据此，预测带有因果推论的痕迹，其过程包括发现、分析与评估。如果承认预测的循证艰难性、统计局限性和评估复杂性，以及未来不可知，就会直接证伪预测结果。教育领域的科学研究，习惯使用“预测”术语，坚信人工智能预测某某。在科学研究的影响下，教师将因果思维移植于人工智能也就成了应有之义。
现代预测基于数理统计有了科学的根据，科学量化数据已成为预测的根本条件。所以，人工智能预测也就圈定在合法化边缘。也许人工智能的预测机理是把握不了的(黑箱机制)，但可以通过探讨教育数据的意义来论证合理与否。人类对客观事物的无休止探索，使得我们通常用以偏带全的知识来赋予数据有限的意义。如果数据有歧义，事物的因果关系就不成立。即便数据没有歧义，也会出现讽刺的味道，即“每当研究者想用数学分析来解决一些问题时，他们就不得不将该问题转化为一个关联的伪命题”[38]。我们不去批判这种讽刺的源头是否和高尔顿的思想有关，可是统计分析的结果确实不是在预测因果，因为相关性与因果关系有很大的差别。这也说明，人工智能的预测结果只是说明数据间的相关性。因此，人工智能的旨趣不是为了预测因果，而是通过预测结果去辅助教师解释教学中的各种因果关系。
(三)教学产品的普适
没有人会质疑“人工智能助力因材施教”的初衷。这种认识的背后通常会形成一个认识误区，也就是附着于教学产品形态的人工智能是个性化的。如果不是，就违背了人工智能信仰者的立场。现实拒绝了这个假设，人工智能“在实际应用中存在着因言过其实、误以为真、不切实际等错误认识造成的实践误区”[39]。教育公司通常漠然于教师的存在，模糊了学生的基本特征，混淆了“需要这些功能”与“师生需要这些功能”的语义，致使教学产品的个性化缺失。
因材施教的词源典故，出自于《论语·先进篇》，意思是根据学生的性格，选择不同的行动方案，后被形容因人而异的个性化教育。做到因材施教，即要找普遍意义变量(比如年龄、性别)；也要照顾特殊意义变量(比如学习成绩、学习准备)。只有了解学生的基本特征，才能及时调整教学目标、教学内容与教学方法。事实上，教学产品偏向于前者，遗忘于后者。本研究团队曾在某中学调研，该学校正在推进面向智慧教育的教学改革，使用了某公司的平板电脑，及其研制的智能教学系统。在学生使用知识图谱进行知识点学习时，知识图谱的呈现界面与内容偏向动画形态，不符合中学生的认知发展规律。根据皮亚杰认知发展理论，这种情况比较适合前运算阶段(2—7岁)的学龄儿童。此外，知识库中的多模态资源欠缺，仅有图像与文字，没有语音及反馈，不能得知学生究竟喜欢何种学习资源。访谈发现，产品代理、技术人员、学校校长、教导主任、地理主任组建的教学产品研发共同体，缺少教师的参与。
(四)教学改革的强制
实施教学改革的是为了消除传统教学的弊端，因而人工智能融入教学便有了合理化解释。但有些学校剥夺了教师的主体地位，压制了教师的话语权力，强制规定，且严格实施较为刚硬的规章制度[40]。此类环境为教学改革抹上了强制色彩，表征出非改不可的责任义务。我们需要听从教师的意见，绝不允许将强制命令施加给教师。因为教师是教学的主体，也是教育的主导者。无视教师，教书育人将会沦为一句空谈。
强制实施教学改革，似乎让教师难以喘息。因为传统教学思想不会因教学改革而臣服于改变，它习惯扎根在教师的灵魂深处。尽管传统教学有许多的不完善性，但一些教师仍然可以花费时间精力，来弥补其与智能技术之间的差距。教学改革的强制实施，打破了这种宁和，即便教师拥有坚强的自由意志，依然无法摆脱外界压力的束缚。特别是年长教师对新事物接受度、适应性、操作性等方面，确实不如年轻教师。纵然颇有微词地以开展教师培训为借口，但谁能体会年长教师所处年龄阶段的难处。这有可能因为对人工智能理解不到位，不能完成与之对应的教学任务。利益是捆绑的，受教学任务所牵制的教学评价就是必然的。教学是教师的基本生活，也是维持生计的方式。迫于生存的压力，教师的教学热情、教学态度与教学理解也会发生微妙变化。所以，应付教学也是情理，产生技术误用更是当然。生活好似一场搏斗，一方是道德责任，另一方是个人爱好[41]。尽管道德的普遍约束性限制了教师的某些行为。迫于实现切身利益，教师可能泄露敏感数据，服务教育研究者进行科学研究。
四、教师技术误用的破局
人工智能为知识教学撒下了一粒种子，如果这粒种子反阳生长，势必有违教育的初衷。拨正反阳式生长的关键，在于破局技术误用。本研究针对技术误用的形成机理，提供下列建议，以期促进知识教学的良性生长。
(一)构筑科学认识的方法体系，增长科学基因
认识是指人的头脑对客观世界的反映[42]，提升认识就应丰富知识。如果在直观层面接受错误的理解，概念也不会是真实的。不论出自何种原因，教师对人工智能的概念认识已发生偏离，并且随着时间的流逝逐渐造成技术误用。因此，构筑对人工智能的科学认识方法体系，增长科学基因，是知识教学良性生长的第一条路径。
科学反映“自然、社会、思维等的客观规律的分科的知识体系”[43]。所以，科学是指符合客观规律的知识体系，它是真实的、可信的，且被验证过，由共同体认可的。科学不是盲目跟风的舆论，而是在专业人员的指导下，赋予事物具有科学的意义。构筑科学认识方法体系，要消除伪科学的虚假声音，也要保留科学的真实声音。一方面，遵循多元协同理念，开展人工智能舆论治理。相关部门(司法部门、教育部门与自媒体等)务必明确治理任务，实施监管、审查、分析、诊断与评估等治理活动，判断风险等级；也要通过追溯、核实与惩戒，廓清传播源，按照法律法规进行惩处。另一方面，拓展教师认识渠道，提升人工智能科学认识。从传播学视角，他人与资料是知识的传播源。学校应聘请人工智能理论专家，组织教学培训，扫清教师认识盲区；依托于人工智能政策文件、学习手册、会议报告与优秀论文等，打造知识库，丰富教师的科学认识。只有将科学基因溶入认识过程，才能形成科学认识。
(二)树立相互联系的关系思维，实现人机共生
当教师视人工智能具有因果思维，就说明教学无形中被某种神秘的东西所控制，也意味着这个东西必然导致某些教学结果。但教学以过程的形式而存在，是教学各要素相互联系、相互渗透、相互制约的体现，其中充满着难以预料的教学事件，它的教学结果也不是固定的。如果被这种观念所控制，那么教学就是“技术决定论”的产物，教师自然就排斥在教学之外。人工智能不仅是技术，也是教学要素，教师只有把握自身与人工智能的关系，才是人机共生的关键。
其一，确立相辅相成的互补关系。教师应用人工智能关键在于溯清其有能所向，把握其不能所指。人工智能的学习机理，实质是对数据的计算，它的运算能力是教师难以望其项背的，有些地方也是不如教师的。教师应择其善者而从之，其不善者而改之，既要厘清人工智能在知识检索、问题解答等方面的优势；也要互补其在情感交流、教学设计等方面的劣势。其二，厘清次序分明的主客关系。人机共生不意味人机平等，教师才是教学活动的组织者与倡导者。现实也绝不会容忍具有算法偏见的工具来主宰课堂。追溯偏见的根源，一定要回答数据的来源。人工智能训练的计算模型有赖于数据，而数据则是由利益相关者赋予的[44]，这凸显了其固有的偏见基因。而且，我们也很难要求人工智能可以客观地融入教学。因此，人工智能带来的教学价值始终是有指向的，这要求教师不要迷惑于其智能的外表，应化身为主，时刻监督客的行为。
(三)创设休戚与共的研发环境，促进深度对话
顾及学生的差异性，了解学生的基本特征，才能提升教学产品研发的科学性，进而提升教学产品的应用效率。但由于模态异质性、数据稀疏性等挑战，无疑为个性化教学产品蒙上了阴影。也许现有的技术很难解决这个问题，但绝不是教学产品具有普适性的设词。因为如果不清楚学生的基本特征，就无法进行科学的研发工作。但教师被排斥在研发共同体外，缺少与教育公司的深度对话。
除了家长之外，几乎没有人像教师那样了解学生，这亟需教师参与教学产品的研发过程。其一，赋予教师充分的话语权利。受科层制影响，通常是教育公司与学校采购部门组建研发共同体，旁落了教师的话语。学校应突破传统交流体制，组建多元参与共同体，选择部分教师及其代表参与研制过程。其二，倾听教师提出的宝贵意见。如果交流是赤裸的压制，倾听就失去了固有的价值。只有秉持合作理念，以聆听的姿态问其难处、听其建议，才能相互理解、相互尊重，达成价值共识。其三，提升参与主体的共情能力。共情是相互理解的基础[45]，也是规避意见分歧的有效措施。应使用观点采择、换位思考与及时反思等方法，区分彼此的观点，提升个体的共情能力。一言蔽之，共同研制具有个性化的教学产品，是技术赋能因材施教的关键。
(四)尊重教师教学改革的意愿，沁润伦理关怀
教学改革是指导教师如何开展教学活动的方向标，具有某种意义上的强制性；也是面向教师的一种行为规范，需要伦理的规约。如果强制凌驾于伦理，规范就不是通过知情同意方式制定的。这样的强制是对人性的贬损与无视，是毫无意义的表现。以人为本渗透意旨相同的价值共识，也是尊重教师的体现。将以人为本嵌入教学改革，是解放奴役、沁润伦理、回归理性的现实路径。
回归以人为本的教学改革，就要做到知情同意，不用则不强为。教师会逐渐形成个性化的教学风格，习惯沉湎以往合适的教学环境。这体现教师的价值取向，也说明教师群体具有多元性、差异性与耦合性的特征。如果将强制命令施加教师，就可能动摇教师的教学欲望，限制教师的专业发展。只有弱化强制的硬度，提升意愿的韧性，才能彰显以人为本。此外，教学改革与教师的个人利益息息相关，没有完成教学改革任务也意味着利益受损，教师有可能实施另辟捷径的行为。虽然教师受到职业道德的约束，但我们不可能完全依赖道德，因为道德也有面临社会冲突的不稳定。所以，应针对不同的教师群体，制定对应的奖励制度，协调教师的个人利益。
五、结语
如果生活在梦境之中，就不排除人工智能赋予知识教学完美的、夸张的、宏伟的期待。可是，梦醒之后终究要回归平常。所以，我们必须要剔除梦的夸张元素，接受现实的洗礼。人工智能对知识教学的价值不言而喻，但这种价值的实现必须要有一个“破梦之人”，不能任由人工智能在梦境中自由畅想。这个重担无疑落在教师的肩头。教师要充分认识到梦的存在，不能完全仰赖人工智能而不去干预。只有回归到实践场域，才能凸显知识教学的真实样态。总体而言，在人工智能时代的知识教学中，我们应该保持谨慎、冷静与理性的态度，以面对过于盲目的悲观；以卑躬、谦逊与低调的姿态，去审慎无的放矢的乐观；以科学方法为指导，去探究知识教学的良性生长。
参考文献：
[1] 张恩铭,盛群力.条件适配促进有效教学——科丁格“知识—学习—教学”(KLI)框架及其应用建议[J].中国电化教育,2020,(6):112-119.
[2] 祝智庭,彭红超.信息技术支持的高效知识教学:激发精准教学的活力[J].中国电化教育,2016,(1):18-25.
[3] 王天平,闫君子.人工智能时代的知识教学变革[J].湖南师范大学教育科学学报,2021,(1):47-54.
[4] 谭维智.在“后疫情时代”如何进行知识教学变革？[J].现代教育技术,2020,(5):5-10.
[5] 何克抗,李文光.教育技术学[M].北京:北京师范大学出版社,2009.126-127.
[6] 李春迪,唐爱民.人工智能时代课堂教学的困厄与澄明[J].中国电化教育,2021,(8):42-47.
[7] [美]洛林W·安德森,彼得W·艾拉沙恩等.蒋小平,张琴美等译.布卢姆教育目标分类学:分类学视野下的学与教及其测评(完整版)[M].北京:外语教学与研究出版社,2009.21.
[8] 何克抗.深度学习:网络时代学习方式的变革[J].教育研究,2018,(5):111-115.
[9] 宋灵青,许林.人工智能教育应用的逻辑起点与边界——以知识学习为例[J].中国电化教育,2019,(6):14-20.
[10] 刘邦奇.智能技术支持的“因材施教”教学模式构建与应用——以智慧课堂为例[J].中国电化教育,2020,(9):30-39.
[11] 王一岩,王杨春晓等.多模态学习分析:“多模态”驱动的智能教育研究新趋向[J].中国电化教育,2021,(3):88-96.
[12] 张琪,李福华等.多模态学习分析:走向计算教育时代的学习分析学[J].中国电化教育,2020,(9):7-14+39.
[13] 吴永和,郭胜男等.多模态学习融合分析(MLFA)研究:学理阐述、模型样态与应用路径[J].远程教育杂志,2021,(3):32-41.
[14] 姜强,赵蔚等.基于大数据的学习分析仪表盘研究[J].中国电化教育,2017,(1):112-120.
[15] 牟智佳,符雅茹.多模态学习分析研究综述[J].现代教育技术,2021,(6):23-31.
[16] 李保强,薄存旭.“教学相长”本义复归及其教师专业发展价值[J].教育研究,2012,(6):129-135.
[17] 任祥华,柳士彬.人工智能时代教学以何存在[J].中国电化教育,2021,(5):87-93.
[18][21][24][34][35][38] [美]朱迪亚·珀尔,达纳·麦肯齐.江生,于华译.为什么:关于因果关系的新科学[M].北京:中信出版集团,2019.
[19] 于文浩,伍艳.绩效技术的因果观:吉尔伯特的工程学模型[J].现代教育技术,2021,(3):34-41.
[20] 陈云松,吴晓刚等.社会预测:基于机器学习的研究新范式[J].社会学研究,2020,(3):94-117+244.
[22] 吴小安.因果方向与反事实依赖——大卫·刘易斯关于因果方向的形而上学理论[J].自然辩证法研究,2021,(4):17-24.
[23] 裘江杰.实际因果的反事实定义[J].自然辩证法通讯,2020,(8):10-17.
[25] 蒿楠.教学伦理:内涵、关键话题与实践回应[J].思想理论教育,2013,(24):13-18.
[26] 桑新民.学习科学与技术——信息时代学习能力的培养(第2版)[M].北京:高等教育出版社,2017.135.
[27][28] 陈凡,徐旭.后人类时代的技术情感及其伦理反思[J].系统科学学报,2020,(1):1-5+11.
[29] [美]汉娜·阿伦特.王寅丽译.人的境况[M].上海:上海人民出版社出版,2009.24.
[30] 郝志峰,王日宇等.基于贝叶斯网络与语义树的隐私数据发布方法[J].计算机工程,2019,(4):124-129.
[31] 陈力丹.关于舆论的基本理念[J].新闻大学,2012,(5):6-11+21.
[32][33] [美]史蒂芬·平克.侯新智,欧阳明亮等译.当下的启蒙[M].杭州:浙江人民出版社,2019.386+326.
[36] 杨欣.魔法与科学:人工智能的教育迷思及其祛魅[J].教育学报,2021,(2):18-31.
[37] 郎茂祥.预测理论与方法[M].北京:清华大学出版社,2011.1.
[39] 汪琼,李文超.人工智能助力因材施教：实践误区与对策[J].现代远程教育研究,2021,(3):12-17+43.
[40] 徐继存.作为伦理实体的学校[J].教育研究,2020,(4):77-84.
[41] [德]伊曼努尔·康德.苗力田译.道德形而上学原理[M].上海:上海人民出版社,1988.7.
[42][43] 中国社会科学院.现代汉语词典(第五版)[M].北京:商务印刷馆,2005.1150+769.
[44] 毛刚,王良辉.人机协同:理解并建构未来教育世界的方式[J].教育发展研究,2021,(1):16-24.
[45] 刘聪慧,王永梅等.共情的相关理论评述及动态模型探新[J].心理科学进展,2009,(5):964-972.
作者简介：
刘丰源：在读博士，研究方向为智能教育、区块链教育、问题青少年预防与教育。
张香兰：教授，博士，博士生导师，研究方向为教育基本理论、德育原理。
张夫伟：教授，博士，博士生导师，研究方向为教育基本理论、德育原理。
孔玺：在读博士，研究方向为智能教育、学习行为分析。
联系客服
