教育领域技术原始创新的历史、逻辑与未来——兼论人工智能的教育意蕴

周子荷

(华中师范大学 国家数字化学习工程技术研究中心，湖北武汉 430079)

技术原始创新是转型发展的重要杠杆。长期以来，教育领域技术原始创新能力不足，在很大程度上导致了技术变革教育的效果不彰。在人工智能时代，推进教育领域技术原始创新，是推进技术与教育双向深度有效融合，切实发挥信息技术变革教育之革命性力量，切实促进人工智能可持续发展的战略选择和必由之路。

一、推进技术原始创新：信息技术变革教育的现实困惑及破解之道

“信息技术对教育发展具有革命性影响”已成共识，但历史经验和现实观感却令人困惑。自20世纪初视听教学运动把以电影和广播为代表的第一代信息技术应用于教育以来，教育技术就始终不忘变革教育的初心与使命。一百年前，发明家爱迪生(Thomas Edison)曾乐观地预计：“不久将在学校中废弃书本……有可能利用电影来教授人类知识的每一个分支。在未来的十年里，我们的学校将会得到彻底改造”(Saettler，2004)。时至今日，电影放映机早已退出了技术变革教育的历史舞台，但教育并没有彻底改观。面对一次又一次技术浪潮的冲击，班级授课制这一基本制度框架下以分班授课和分科教学为核心特征的现代学校教育体系并没有发生根本变化，教育的生产方式仍然停留在工场手工业的水平(杨宗凯等，2019)。正因如此，才有形形色色的“乔布斯之问”(桑新民等，2013)，而其背后潜藏的却是技术变革教育效果不彰的事实。

更令人担忧的是，自现代媒体技术应用于教育以来，便始终存在着一个被称为“非显著性差异现象”的魔咒：不同媒体和技术对学生学习的影响在效用上没有显著差异！自20世纪20年代起，就不断有研究报告了这一结论。20世纪末，罗素(Russell，1999)对这些研究进行了汇总，竟有355项之多！进入21世纪，仍不乏有这样的研究结果(McDaniel et al. , 2016)。同时不断有学者指出：“还没有一项研究能够证明，学生成绩的提高是应用计算机的结果”(索耶，2010)；“和传统的技术手段相比，很多信息技术在提升教育与学习的绩效方面并不具有压倒性优势”(杨浩等，2015)。非显著性差异现象表明：在改进学习的效用上，新技术并不必然比原有技术更优越。如此一来，就很容易得到一个令人沮丧的推论：如果在改进学习的效用上，不同媒体和技术差异不显著，那就意味着它不能给学习带来实质改变；如果在微观上不会给学习带来实质改变，它又如何能够在宏观上推进教育革命呢？

已有学术史研究表明，“非显著差异现象”与媒体比较研究如影随形(Lievrouw，2001)，是媒体比较研究必然会得到的两种结果之一。媒体比较是20世纪上半叶视听教学运动的主流研究范式，即通过实验对比不同媒体改进学习的效用，试图找寻超越其它媒体的“万能媒体”或“超级媒体”(Wilkinson，1980)。鉴于教育研究无法像自然科学那样在实验室条件下实现对无关变量的完全排除和控制，因此必然会出现有研究报告有显著性差异，也有研究报告无显著性差异(Surry et al. , 2001)。更严重的是，媒体比较研究得到的只是 “优”或“劣”的简单结论，不能对此提供进一步的科学解释，因此无法产生新知识。这对一个专门研究领域无疑是致命的。20世纪70年代后，媒体比较研究逐渐式微，能倾处理交互(aptitude-treatment interaction)日渐成为教学媒体与技术研究的主流框架(Salomon，1972；Thompson et al. , 1992)。但随即产生了新的问题，即在阐释作为教学处理干预措施的媒体技术与作为学习者能力倾向的认知过程交互作用的过程中，开始追问究竟是什么对学习产生了影响。这就是教育技术学术史上具有广泛影响的“学习与媒体大辩论”。论辩的一方认为是某种媒体具有的特定的技术属性对学习产生了影响(Kozma，1991)，另外一方则认为是媒体在使用过程中嵌入的教学策略对学习产生了影响(Clark，1983)。双方各执一词，莫衷一是。自20世纪80年代初，这场持续近二十年的学术大论辩最终也没有得出明确结论，旋即被互联网大潮的兴起冲击得七零八落。

今天回头重新审视这场论战，或许可以获得新的教益，超越双方立场，从更高层面探寻技术变革教育的深层逻辑。教育技术研究是实践导向的，这使对技术的关注长期停留在应用层面，教育领域的技术创新都属于应用创新而非原始创新。迄今为止，教育领域的技术大都从外部引入。这些技术属于通用技术，最初既不是在教育领域中被发明，也不是为教育服务，因此它的教育应用往往还需要额外寻求教育理论的支撑。通用的技术和教育的理论来自两个不同场域，遵循不同的逻辑。这往往使技术与理论之间难以匹配，无法耦合，从而导致实践中长期存在无法克服的教育和技术“两张皮”问题。进入21世纪以来，伴随着信息技术的进步及其应用的不断深入，教育领域涌现了大量的技术创新成果，如MOOCs。但这些技术创新很少建立在学习科学的基石上(Sawyer，2014)。可以试想，如果某种技术本来就是在教育领域被发明出来的，就是为教育服务的，那么它的应用过程是否还需要额外寻求教育理论作为支撑呢？答案显然是不需要！这样一来，教育和技术“两张皮”的问题自然也就不复存在。从这一意义上讲，不管是破除非显著性差异现象的历史魔咒，还是追问究竟是技术属性还是教学策略对学习产生了影响，甚至解决信息技术与教育教学深度融合难以推进的难题，都可以归结到如何推进教育领域技术原始创新上来。实事求是地讲，长期以来对这个问题的重视是不够的。面对层出不穷地被引入教育的新技术，很少有人意识到教育本身也需要技术原始创新。和从外部引入的通用技术相比，通过原始创新从教育内部生长出来的技术又能给教育带来什么呢？如何更好地推进教育领域的技术原始创新呢？这或许可以从历史中获得些许启发。

二、教育领域技术原始创新的两重境界：从历史中汲取经验与智慧

从历史中汲取经验与智慧，在时代变迁中探寻教育领域技术原始创新的必要条件与内在逻辑，是未来推进教育领域技术原始创新的基础与前提。尽管教育领域技术原始创新的成功案例屈指可数，但并非没有先例。回首过去一百年教育领域技术创新的历史征程，可以发现有两个原始创新的案例值得关注。这两个案例充分体现了教育领域技术原始创新的两重境界。

(一)从基础科学到技术创新：教学机器展现的教育领域技术原始创新的第一重境界

教学机器是过去一百年间教育领域技术原始创新的第一个范例，展现了教育领域技术原始创新的第一重境界，即科学向技术的线性延伸——学习基础研究的突破推动了教育领域技术的原始创新。1954年，斯金纳(Skinner，1954)曾经感慨，教室的机械化水平甚至还不如家庭的厨房，因此“必须来一场教育的‘工业革命’，把教育的科学与具有独创性的教育技术结合在一起，使传统教育低下的效率和笨拙的程序现代化。”(Benjamin，1988)他基于独创的操作性条件反射学习理论，设计了一台教学机器，发展了程序教学技术，迅即引起广泛关注，有力推动了教育领域的技术创新，在世界范围内掀起了程序教学热潮，极大提升了教育实践的技术含量，有效提升了教育的现代化水平。

实际上，早在20世纪20年代，教育心理学家普莱西(Sidney L. Pressey)就发明了类似的教学机器，但最终应者寥寥，很快便归于沉寂，未能在教育领域得到认可和推广。斯金纳与普莱西的教学机器遭遇了迥然不同的历史命运。斯金纳本人把这一结果归结于“文化惯性”，即普莱西的时代还没有为教学机器的技术原始创新做好准备(Skinner，1958)。但在“文化惯性”外，似乎还有更深层的原因：技术原始创新除了受时代变迁进程中“文化惯性”这一外部因素影响外，还必须有基础科学研究的源头。斯金纳的教学机器源自于基础科学对学习研究的重大突破，而普莱西的教学机器则缺乏有关学习之原创型科学理论的支撑。换句话说，不管是斯金纳的教学机器，还是普莱西的教学机器，都是教育领域的技术原始创新，但二者的根基不同。斯金纳的“操作性条件反射”重大理论成果能够为教学机器这一技术原始创新提供系统、有力的理论支撑和指引，让程序教学技术成为“基于科学的技术”(science-based technology)。在学习的基础研究没有取得重大突破的情况下，普莱西设计的教学机器只能停留在经验层面，其发展主要借助于常识而不是理论，属于“工艺诀窍”，依靠反复试错进行修正与完善，以此取得进步。

斯金纳的教学机器作为教育领域技术的原始创新，成为推动学习的基础科学研究向程序教学实践应用转化的关键杠杆(Holland，1960)，充分展现了基础科学推动技术创新的巨大力量。斯金纳的成功和普莱西的失败，从正反两个方面揭示了学习的基础科学研究与教育的技术原始创新之间的密切关系。近代以来的科技发展史表明，没有基础科学作为基石，技术原始创新注定走不远。这一普遍原则在教育领域同样适用。工业革命以来，我们见证了无数基础科学研究促进技术原始创新的成功案例。

(二)科学技术的耦合发展：LOGO语言展现的教育领域技术原始创新的第二重境界

诞生于20世纪60年代的LOGO语言作为世界上第一款儿童编程语言，是教育领域技术原始创新的第二个典范，展现了不同于由教学机器所展现的教育领域技术原始创新的第二重境界。LOGO语言的诞生立足两大基石：皮亚杰在建构主义和明斯基(Margaret Minsky)在人工智能方面的开拓性贡献，是学习科学家和人工智能专家通力合作的结晶(Solomon et al. , 2020)。作为人工智能在教育领域内的第一个技术原始创新，它展现了科学与技术如何以耦合发展的方式推动教育领域技术原始创新的历史轨迹。从学习研究看，LOGO语言的发明源于皮亚杰建构主义理论对学习的新解释，而LOGO二十年的应用又有力地推进了学习理论的建设与发展，其代表性成果即建构主义(constructionism)在20世纪80年代的崛起，极大地拓宽和深化了对学习的科学理解，并为学习科学的崛起做了思想启蒙和理论准备(Sawyer，2006)。正如帕伯特(Papert，1986)所言：“从建构主义心理学的理论视角看，我们把学习视为知识的重构而不是传递。从大量教育经验中，我们意识到当学习被嵌入活动中时就会变得非常有效，因为正是在活动中学习者才能够经验到对一件有意义作品的建构……建构主义不仅包含而且还超越了构成学习深层结构之基础的认知主义原则，对学习科学来说至关重要：它在认知的深层结构外增加了很多其它深层维度，包括情感的、审美的、社会文化的，在我们看来，这些维度起码和那些认知方面的因素同等重要。”由此不难看到，皮亚杰有关建构主义的学习基础研究为LOGO语言的技术原始创新提供了科学支撑，而LOGO语言二十年的应用实践反过来又深化了对学习的科学理解。学习的基础科学研究与教育的技术原始创新之间的双向交互与耦合发展，在这里得到了淋漓尽致的体现。

从人工智能看也是如此。“编程是对人类认知的复杂性进行建模，因此也是理解人类认知这一行为的一种手段。”(Pea et al. , 1985)正如所罗门(Solomon et al. , 2020)所言：“人工智能和LOGO语言之间思想的流动不是单向的。一开始被引入LOGO语言的一些重要思想对人工智能以及更为一般意义上的计算机科学也有所回馈。”历史地看，LOGO语言的发明离不开以明斯基为代表的一批人工智能学者的开创性工作。没有明斯基等人在人工神经网络和Lisp等人工智能编程语言方面的开拓性工作，便不可能有LOGO这一世界上第一款儿童编程语言的技术原始创新。而LOGO语言反过来又有力地推动了人工智能、计算机科学等相关学科领域的创新发展，其典型代表即是对Lisp这一人工智能编程语言的发展，比如Lisp LOGO作为未来孩子编程环境的原型(Miller，1979)，不仅可以在计划制定与错误纠正方面与学生沟通、互动，而且还可以用于测试由Lisp代码编成的其它人工智能微世界，以及用来测试、拓展基于LOGO之上的新编程语言。从LOGO语言的诞生和发展还可以看到，以教育领域技术原始创新为牵引，真正实现了教育和技术两大领域的双向互动。一方面，LOGO语言的诞生有赖于人工智能研究的进步，特别是相关技术成熟的有力支撑；另一方面，LOGO的持续发展也有力推动了人工智能及更为广义的计算机科学的进步。这样一来，教育就不再是技术单纯的消费者，教育领域内的技术原始创新不光让教育受惠，同时也带动了相关技术领域的创新发展。

三、巴斯德象限：人工智能时代教育领域技术原始创新的新逻辑解读

进入21世纪，无论是科学技术发展，还是社会生活进步，乃至教育技术的创新应用，都已进入了更高境界。时至今日，教育领域技术原始创新的这两大范例留给后世的也不再是这些技术成果本身，而是其背后展现出来的教育领域技术原始创新的经验与智慧。教学机器的发明展现了基础科学与技术创新之间的线性关系，LOGO语言的发明则展现了二者之间更复杂的交互作用，为理解人工智能时代教育领域技术原始创新的逻辑，重新审视科学研究与技术创新之间的双向交互给教育领域基础科学突破与技术原始创新带来更多的可能。

(一)巴斯德象限：基础科学与技术创新的耦合发展及其教育意蕴

科学与技术的关系，大体上有三种解释框架：第一种是“独立模式”，认为科学和技术是两个相互独立、基本没有互动的知识领域，这一框架可以用来有效解释古代及中世纪早期的实践；第二种是“依赖模式”，认为不是科学依赖技术就是技术依赖科学，这一框架在解释从中世纪早期到19世纪的实践时卓有成效；第三种是“互助模式”，强调科学和技术之间形成了共生关系，且二者的区分越来越模糊，它是解释20世纪以来科学与技术实践的主导框架(Channell，2009)。这三种解释框架基于不同时期的科学技术实践，反映了不同时期科学与技术之间关系的认知。由技术创新所催生的科学远不如基于科学而产生的技术的历史久远(赵克，2015)。基础科学与技术创新之间曾被认为是“层次相关”，即科学与技术之间展现出线性延展的特征(周子荷等，2020)，科学理论单方面推动了技术进步(Barnes，1982)。这在一定时期内是符合事实的，但随着实践和认识的不断深入，人们越来越发现两者呈现平行交互、动态相关、相互促进的关系(Klahr，2019)。斯托克斯(2011)基于历史发展划分了科学与技术研究的类型，认为在由好奇心驱动的纯粹基础研究和以应用实践为导向的纯粹应用研究之外，还存在着由应用激发的基础研究，并把其命名为“巴斯德象限”，用巴斯德作为范例以隐喻基础科学与技术创新之间的耦合发展关系。在斯托克斯看来，纯粹基础研究与纯粹应用研究沿着各自的轨道独立发展，但并非没有交集。由应用激发的基础研究就是连接上述两个轨道的枢纽，它穿透了长期矗立在科学与技术实践之间的深沟高垒，开辟了基础科学与技术创新耦合发展的新格局。如果说在斯金纳时代，教育领域基础科学与技术创新的发展还处于早期阶段，展现出来的还是基础科学与技术创新之间的线性关系，那么到了佩珀特时代，教育领域基础科学与技术创新的关系已经步入了新境界，越来越呈现出协同共生、耦合发展的新趋势。时至今日，这一格局不但基本形成，甚至还有所发展。正如科拉尔(Klahr，2019)指出的，斯托克斯的分析框架以更宏阔的视野分析了不同类型研究之间的交互作用，在价值判断上也摒弃了以往厚“此”(基础研究)薄“彼”(技术创新)的立场，而目前对学习的探索覆盖了斯托克斯2乘2这一分类框架的所有类型。

就教育领域而言，基础科学意义上的研究主要是学习的科学探索，即学习科学技术创新层面上的探索主要表现为各种技术手段在教育领域的应用创新和集成创新，即教育技术。在过去相当长的时间里，学习科学与教育技术两者各自独立运作，平行发展。学习科学主要依赖于以心理学为主的学习研究不断向前推进。教育技术主要表现为各种通用技术在教育领域的集成应用。二者最后在教育实践的场域中相遇。随着时间的推移，教育领域基础科学与技术创新两条平行线之间的距离越来越近，交互愈发频繁，呈二元耦合、一体发展的趋势。这意味着，教育的技术原始创新越迅速，学习的基础科学研究就越深入；反之，学习的基础研究越深入，教育的技术原始创新就越加速。这对于教育系统的变革具有重要意义。历史地看，教育系统几乎符合超稳定结构的所有特征，长期保持在超稳定状态，缺乏自发变革的动力，面对外部因素遵循的是“冲击—回应”模式，面临的也是强制性变迁，最终收获的结局是“有变化而无变革”(Cuban，1997)。有学者曾经指出：“到1520年，西方世界建立的约85个机构至今仍以其公认的形式存在着。这些机构有相似的功能，历史也不曾中断。它们包括天主教会，马恩岛、冰岛和大不列颠议会，瑞士几个州和70所大学(克拉克，1993)。”就变化相对较快的教育信息化领域来说，也长期存在着“新瓶装老酒”的批评(Tay et al. , 2018)。教育系统的超稳定性由此可以一斑。形成这种超稳定结构的原因很多，包括时代变迁和社会发展的制约等，但归根结底还在于教育系统自身原始创新能力不足。在这种情况下，教育领域技术原始创新与基础科学研究的二元耦合模式将有助于打破教育系统的超稳定结构，扩大教育系统中以创新为基础之转型实践的规模(Serdyukov，2017)。

(二)巴斯德象限的人工智能：既是学习的科学也是教育的技术

人工智能的发展反映了当代基础科学与技术创新的普遍规律，即基础科学与技术创新的一体化。当前，以人工智能为代表的新一代信息技术强势崛起，为教育领域提供了基础科学研究与技术原始创新协调共生、耦合发展的新机遇。早在三十年前，人工智能专家尚克(Schank et al. , 1991)就提出了审视人工智能未来发展的三重视角：科学的、技术的和教育的。这三重视角有个共同主题，即对学习中心地位的强调。从科学的视角看，人工智能构造的心智模型必须能够解释不同的学习现象；从技术的视角看，人工智能构造的计算机系统要促进初始知识的习得并最终适应各种新情境，拥有学习能力是一项最基本的技术要求。站在教育的立场上看人工智能，它既是学习的科学，也是教育的技术，一如硬币的两面。人工智能的终极使命是用技术手段模拟人类智能。要用技术手段模拟人类智能，显然离不开对人类智能特别是学习机制的理解与认知。对人类智能特别是人类学习的研究本就是人工智能科学的主要部分，甚至有部分人工智能专家在人工智能研究陷入最低潮时直接转入对人类学习的科学探索(Kolodner，2004)。20世纪70年代，尚克试图将人工智能研究的新成果应用于自然语言理解，却屡屡受挫。他发现：“要想让机器变得更智能，就必须思考机器怎样学习，而答案在于只有人才是能够让研究并得出答案的唯一实体”(Beach，1993)。其后，他转入对人类学习的基础研究，进而开辟了学习科学这一新领域。在第一代学习科学家群体中，很多研究者都来自人工智能领域，其背后的逻辑正在于此。同时，还可以看到学习科学家在探索人类学习机制的过程中，不断从人工智能技术的发展获得思想灵感和技术支持。事实上，早期研究学习的认知科学家正是从计算机科学和人工智能研究中受到启发，才建立了人类认知的“计算机隐喻”和“机器隐喻”(Searle，1990)。

正如尚克(Schank et al. , 1991)所指出的，应该放弃把人工智能理解为一种技术这样肤浅的想法，只有从科学和技术两个层面上才能够揭示人工智能这一领域丰富的层次，并揭示它和教育之间的亲缘关系。从科学层面看，人工智能的底层研究以对人类智能、人类学习机制的理解为基础。经典著作《计算机与思维》概括了推动人工智能早期发展的三大目标，其中两个目标均涉及以理解人类学习为基础的科学理论的发展：第一是形成“复杂信息处理”能力，构建基于智能的计算机程序，发展智能系统的基本理论；第二是通过将任务拆解成人类处理类似任务的程序化过程进行智能挖掘，从而在理论层面探索如何对机器进行人类智能的模拟。人工智能是计算机科学的一部分(Newell et al. , 1967)，同时也深深地植根于心理学和认知科学(Frankish et al. , 2014)。人工智能的大部分基础研究是基于认知开展的(Glymour，1988)，主要研究计算机执行任务时智能化的解决方案，涉及到人类处理类似任务时的智能思维(Simon，1995)，如最早的人工智能程序“逻辑理论家”的设计便受到了心理学研究关于记忆和问题解决能力的启发(Newell et al. , 1956；Hutchins，1995)。近年来，人工智能围绕认知架构，即基于认知主体信息处理系统的结构和性质，发展计算机的认知功能(Carter，2007)。智能与适应能力密切相关，包括解决问题、学习与改进的能力，而人工则是研究适应环境的具体手段(Simon，1996)。认知科学是一门人工科学，关注心智适应不同场景发生的变化(Simon，1980)，这对于人工智能自适应功能的发展有强大的支撑作用。人工智能高度关注人类的心智模式，这与学习科学家的追求是一致的。人工智能底层的基础科学集计算机科学、认知科学、心理学、脑科学、语言学等为一体，这种交叉学科性质蕴含了对学习的多视角、多层次理解，无疑可以有效提升技术设计过程中的科学性及其后续在教育场景中的应用与转换能力。长期以来，在认知理论能够预测什么以及究竟什么才在真实场景中具有教育意义之间长期缺乏联系，20世纪90年代初学习科学的崛起有效促进了二者的融合，使有关学习的科学研究与针对教育的技术创新之间实现了耦合发展(Hoadley，2018)。

人工智能内在地包含了学习的科学与教育的技术。一方面，有关人类学习的科学理论为人工智能系统的搭建提供了精细、便捷的指南；另一方面，可操作的人工智能系统包含了大量结构化的程序，而不同脚本的实现方式代表了不同的理论，在程序运行时表现出不同的特性，从中可以提炼学习的基本规律，促进相应的学习理论的形成、检验及完善。对学习机制的科学探索为人工智能时代教育技术的设计提供了基础支撑(Luckin，2019)，极大地丰富了人工智能技术在教育场景中的垂直应用，同时又不断从人工智能的理论发展与技术创新中汲取灵感和力量，持续深化对学习的科学认识。就人类学习而言，认知和情绪是两个基本的组成部分。以情绪这一议题为例。情绪状态在一定程度上会对学生学习态度和效率产生影响(Nkambou et al. , 2010)，所以受到广泛关注。人工智能利用技术手段针对涉及学生情绪的各种可察觉因素与可测量行为获取数据，进行分析(梁迎丽等，2018)，可以有效实现对学生情绪的感知、识别、调节与预测，提升对学习过程中学习者情绪的理解与认识的科学化与精准化水平，同时认知科学、心理学等模型也为实现人工智能技术教育应用的情绪识别、情感计算等工作提供了科学理论支撑(Petrovica et al. , 2017)。由于人工智能内在地包含了学习的科学与教育的技术，并在应用中实现了二者的耦合一体发展，必将改变技术与教育融合的基本格局。既往对信息技术与教育融合的强调主要是单向度的，即信息技术在教育领域内的应用。人工智能时代需要超越这种单向度，更全面地认识信息技术与教育的深度融合，更注重推进人工智能与教育实践的双向交互而不是单向应用。这不仅可以把教育领域的基础科学研究与技术原始创新推进到新的高度，同时也必将有力地促进人工智能自身的可持续发展，在内部实现学习的基础科学与教育的技术创新的耦合发展，在外部实现技术和教育的双向互动。