智能教育应用的人机双向反馈：机理、模型与实施原则

董 艳 李心怡 郑娅峰 翟雪松

(1.北京师范大学 教育学部，北京100875; 2.河南财经政法大学 计算机与信息工程学院，河南郑州 450047; 3.浙江大学 教育学院，浙江杭州310028)

一、问题提出

随着人工智能技术不断应用于教育领域，人机之间的协同与交互成为研究关注的重点。《新一代人工智能发展规划》也将提升人机交互能力作为发展人工智能关键共性技术的重要目标之一。2019年国际人工智能与教育大会发布的《北京共识》提出人工智能教育应以人为本，在赋能教育的基础上促进人机互动与协作。现阶段人工智能教育应用的交互在一定程度上可能加重了学生对机器的依赖性，剥夺了学生的主体地位甚至影响了学生高阶认知能力的培养。在人机交互过程中，反馈是不可缺少的组成部分，加强人工智能教育应用中反馈机制设计与创新应用有助于提升学习者在技术时代的反馈能力发展，提高人机交互的实际效果。近年来，反馈素养这一概念逐渐得到学术界的关注，学者们主要通过探究其内涵、结构要素及影响机制，思考如何提升学习者的反馈效果(董艳，2020)。

作为学术概念，反馈素养最早由英国学者萨顿提出，用来研究学习者如何通过对反馈的感知、吸收与应用促进其在教学交互中的参与和学习投入。学习者不仅要作为“信息接收方”理解与感知反馈信息，还要主动作为“信息发送方”回应反馈方。当前反馈素养研究主要从理论演绎与实践归纳两条路径构建相应的结构要素和提升策略。比如，研究者在理论层面结合社会建构主义框架将其划分为四要素：感知反馈、采取行动、作出评价和管理情感；基于评价理论构建五维度框架(真实性、认知挑战、情感挑战、评价判断、执行反馈)；在实践层面，反馈障碍研究将反馈素养归纳为自我评估、评价素养、目标设定与约束、投入与动机。具体模型、研究来源及其主要结构要素见表一。

表一 模型依据及结构要素

综合上述模型分析，本研究提出反馈素养模型的六个核心元素：感知反馈、认知统合、评价判断、采取行动、情感管理、动机调控(见表二)。这些要素不仅反映了学习者面对反馈的内在心理过程，也体现出学习者基于反馈开展行动的关键环节。这些要素可以在智能系统设计中加以整合，促进学习者与智能系统间的交互设计。

关注人机双向反馈对于提升学习者主体地位、培养高阶能力以及加强情感交互具有重要价值(Baker, 2016)。现阶段，关于人机之间反馈的研究仍停留在机器对学习者的适应性反馈，而对学习者向机器发出的反向反馈过程与机制关注不足。本研究将基于现有人工智能的反馈机理、反馈模型及双向反馈模型的构建原则，探索智能教育应用的人机双向反馈机制。

表二 学习者反馈素养的六个核心要素

二、反馈机理

研究表明，人工智能技术的分析越精准，其对学习者主动性的剥夺可能就越彻底。这种人机地位的不平等，使学习者逐步从学习的主体沦为接收机器反馈的客体，将对学生的长期发展造成不良影响 (韩宁等, 2020)。一方面，人工智能通过采集和分析学生学习过程中的客观数据，提供个性化学习内容与路径等反馈信息，提升学生的学习绩效，改变知识学习与创新活动的形式。但这一过程主要由机器主导，学习者处于被动接收地位，主观能动性无法充分体现(张刚要等, 2020)。另一方面，人工智能提供的反馈信息替代了学习者在学习过程中的自我评价、自我监控和自我决策等认知活动，使学习者从全程参与变为部分参与，在模糊学习主体的同时也阻碍了学习者高阶认知能力的发展(李建中, 2019)。因此，解决这些问题，还需要深入探究人工智能教育应用的反馈作用机制。反馈作为系统有机运行的主要环节，是人工智能教育系统的关键要素。然而，现有研究对其探讨不足，更没有深入剖析其机制。

(一)人工智能教育应用的反馈形态

基于经典的拉斯韦尔与香农-韦弗的单双向传播模式及人工智能带来的静态资源与动态资源形态，本研究将反馈机理归纳为静态反馈、动态反馈、混合反馈。静态反馈主要指反馈信息从机器流向学习者，计算机通过算法与学习者交互，并从固定的资源库中选取内容呈现给学习者。早期智能导学系统依靠涵盖学习者学习风格、个性特征的学生模型，以预设的形式与学生交互。静态反馈模型使学习者被动参与人机交互，难以动态适应学习者的认知变化；动态反馈主要依托人工智能的自适应技术，借助大数据、学习分析、自然语言理解、多模态等分析方法，实时获取学习者学习行为、情绪和认知等数据并动态更新学习模型，精准提供个性化的学习资源与路径等反馈信息。动态反馈模型实现了数据采集的多元化与动态化，但由于缺少灵活双向的沟通机制，对学生主观生成的信息采集不足。混合反馈面向实际教学应用场景，综合考虑教师、同伴、学习者个体与人工智能应用之间的多元交互，并将动态与静态反馈相结合。其研究结论已应用于外语教学，通过采用自动评价与人工评价相结合的方式提升学生的写作水平。综上，现阶段人工智能应用的反馈机制具有动态性和单向性，其中数据和资源实现了动态更新；人机交互以“机器→学生”的单向反馈为主，“学生→机器”的反馈渠道和信息较匮乏。本研究仍将深入探究反馈机制，以推进人机协同和人机双向反馈。

(二)人工智能教育应用反馈的“主客体”变迁

基于上述反馈机制的演变和发展不难看出，机器在反馈过程中所占比例逐渐增高，学生的主体地位正在发生阶梯式消解(李建中，2019)。学生是学习的主体，人工智能是对人类智能仿真的技术，其应用于教育过程也遵循这一规律(刘凯等, 2018)。学习者和机器之间的主客体关系对于处理两者之间的主动性具有重要价值。梳理“主客体”变迁路径，探究其变迁的动力与本质，能够促使学习者积极参与学习规划，提升自身的主动性。在人机交互的最初阶段，双方的主客体关系表现在“学习者为主体、机器为客体”，机器作为工具辅助学习者学习。例如，IBM开发的Jill Waston机器人助教能回答学习者的问题，其机器人的身份却不被察觉；游戏环境中的人机互动反馈，结合语音文本对话和多模态数据追踪，为学习者提供反馈循环，有助于学习者发挥自主学习的能动性(Agapito & Rodrigo, 2018)。但这一过程的交互仅依靠人工智能技术，忽视了情感交流，教育的情感性将会逐渐消失，进而影响学习者的社会性发展(李洪修等, 2020)。

随着大数据以及人工智能算法快速发展，人机关系进入“机器为主体，学习者为客体”的阶段。人工智能技术通过过程数据采集、视频监控、情感计算、自然语言理解等技术越来越全面地掌握学生的信息，如将人工神经网络技术用于学习者认知模型构建，可精准诊断与预测学习者技能发展与学习投入度(Chaplot et al.,2018)。在这一阶段，学习者处于被动位置，机器处于主体地位，人际关系的主客体发生颠倒，违背了“学习者中心”的基本原则。人机如何处理好双主体的关系？一方面发挥机器的优势，同时突出学习者的主体性，都是未来需要探索的重要方面，即实现“人机双主体”。人机双主体呈现的主体间性关系，将交互双方均看作主体，两者具有平等关系和对称责任，对外强调利益，对内强调情感。例如，依托自然语言理解技术的发展，智能导师能为学习者提供类似于人类导师的辅导，即系统和学生都可以提问和作答(张志祯等, 2019)。这种关系也被描述为混合式主动教学。再如，开放学习者模型支持学习者通过插入、共享、重新混合等修改原有的模型，有助于学习者自我评估决策(Bodily et al.,2018)。KB map-CT支持学习者自主构建概念题图，系统根据命题的正确性和置信信息设计识别和指导反馈，提升了阅读质量(Pailai et al., 2018)。

(三)现有研究的局限

现阶段人工智能教育应用以静态和动态反馈机制为主，基于行为预设和学习者客观数据提供反馈信息，对学习者主观数据的研究和采集不足，智能化程度有待提升。例如，学习者的知识隐藏行为具有很强的主观隐蔽性，很难被计算机发现(翟雪松等，2019)。人机关系从人作为主体向机器作为主体偏移，学习者逐渐降为客体(张刚要等, 2020)。例如，自适应技术的资源与路径推荐取代了学生的自主反思和自我调节，使学习者处于被动状态，不利于学习能力与高阶思维能力的发展。人工智能技术在赋能人的同时也在取代人类工作，技术发展趋势不可逆转。为适应这一局面，构建主体间性的新型人机关系，保持人在此过程中的主体性，就显得非常必要。本研究尝试提出人机双向反馈模型，将反馈素养内涵与人工智能教育现有反馈机制相融合，同时加强情感、社会及具身环境交互以及学生反馈素养，平衡人机关系，提升人工智能教育的育人效果(王慧莉等, 2020)。

三、反馈模型

为构建面向智能教育应用的人机双向反馈模型，本研究分析了反馈素养与人工智能融合的必要性与可行性，并结合两者的功能结构，构建了涵盖数据、分析决策、支架、交互、行动以及迁移目标六个层次的人机双向模型。

图1 面向智能教育应用的人机双向反馈模型

(一)人机模型构建需求

人工智能教育应用如何发挥智能教育应用的智能性、反馈性和多源性，突出反馈活动中学习者的主体地位，不断提升学习者自我策略选择和价值判断能力，并积极采取相应的行动管理自我情绪，是当前研究的焦点(Dawson et al., 2020)。反馈素养理论启发研究者关注学习者与外界互动过程中的主体能动性发挥，唤醒学习者在人工智能教育场景中的主体意识。而且，反馈素养理论强调学习者自身因素对反馈效果的影响，有助于打破人工智能应用中关注反馈信息本身的局限。例如，在学习者模型构建过程中，已有模型数据主要来自于系统采集的学生客观数据，对交互中的学生主观数据关注不足。开放学习者模型为学习者提供修改权限，一定程度上提升了人机交互中学生的地位(马志强等, 2016)。如果能利用人工智能技术发展学生的反馈素养，提升学习者的反馈态度、学业调节能力和投入度，将会提升其主动寻求反馈的能力。

学生反馈素养为人工智能教育应用的反馈机制设计带来新的思考，激发教育领域对人工智能技术的新需求。人工智能技术的教育应用相对滞后于其他领域，这主要是因为教育中的大量需求还未被发现，导致遵循需求导向的人工智能教育应用还存在很大改进空间。反馈素养框架的融入，可以从学习者角度为人工智能教育提供新的实践和研究视角，加速教育现代化的发展。同时，反馈素养的理论与实践对人工智能的技术整合具有良好的指导作用，有助于人工智能对教育活动的系统支持与赋能。因此，反馈素养的要素与智能代理、虚拟现实、自然语言理解和自适应等技术有机整合，有助于提升反馈素养与改善人机关系。

(二)人机双向反馈模型构建

表二所描述的六个核心要素不仅是学习者积极参与反馈的一种内在或外在行为，也反映出其认知和情感方面的综合变化。本研究在分析已有人工智能教育应用模型的基础上，构建了双向反馈模型(见图1)。该模型通过交互层将学生与人工智能作为双主体联结起来。其中，学生端包括学生行为层和目标迁引层。人工智能端在已有数据采集和决策分析的基础上，增加了支架层。支架层以支架理论与认知学徒制为设计依据，通过提供意义建构、表达反思以及规划问题解决等支持，帮助学习者完成其能力范围之外的复杂任务；认知学徒制强调真实情境中导师示范与学习者实践的重要性以及二者间的社会性互动。模型以“学习投入、知识学习、情感学习、沟通协作、主观能动”为主要目标，设计了代理、可视化、情感与环境四类支架，支持与引导学习者感知反馈，管理反馈过程，加强反思评价、维持学习动机以及处理情感，促进人机双向反馈。

人机双向反馈模型以数据为基础。数据是人工智能决策的重要依据。为了充分关注学习者学习过程中的主观能动性，数据层将采集交互过程中学习者生成的主观数据。该模型将学习者在内容与情感等方面对机器的反馈数据纳入数据层，实现了数据的双向流通。交互层连接了学习者与机器，体现了人机双主体的反馈过程：“自适应模块-适应性反馈-学习者”的单向反馈和“自适应模块-支架层-学习者”的双向反馈。其中，双向反馈主要依赖支架层实现，支架层的设计综合提供了语言、文字、图像、情感以及具身感知等方面的交互；利用多模态、虚拟现实等技术，促进学习者对反馈内容的理解与回应，通过智能代理的多重身份(导师、同伴、学生)促进学习者自我监控与自我评价，提升学习者在人机交互中的主体地位。

学生行为层主要定位在反馈机制。学生通过感知反馈进而理解反馈，并结合反馈采取行动，同时通过情感管理和动机调控与机器进行互动反馈。在这个过程中，学生和机器是相互主客体关系，机器可以促进学生的反馈，学生的反馈又可以为机器提供更多内容，从而促进学生学习目标的达成。学习者周期性地参与这一反馈过程，会不断激发他们提升反馈素养。在支架层与交互层的作用下，学生对反馈信息的感知理解、加工处理以及决策行动等行为得到支持。同时，学生的情感和动机也得到支撑，二者贯穿于整个反馈过程，对各环节起到调节作用。反馈素养的提升也会积极影响学生的其他能力。目标迁引层呈现的是学习者通过智能教育应用可以更好地达成的教育发展目标，满足未来的职业要求。同时，这些目标不仅强调学习类型的重要性，也关注学生主动性、能动性等动力层面的发展。支持性框架可促进他们在行为层面更好地参与学习。在反馈素养的基础上，学习者的学习投入、知识掌握、情感培养、沟通交流和主观能动性都会得到相应的提升。

四、实施原则

原则一：增强学习者的反馈理解与主观能动性

学生反馈素养以“感知反馈”为基础。感知反馈维度强调学习者能够充分理解反馈内容以及认识反馈的作用与价值，能够在反馈中具有主观能动性。已有研究表明，学习者对反馈信息的理解困难往往会影响其反馈和学习投入的效果(Noble et al.,2019)，需要掌握必要的学术语言，才能理解、解释并进行复杂的思考。有学者使用“反馈词汇表”帮助学习者理解反馈内容，提升反馈理解能力(Winstone et al.,2019)。当学习者遇到学习困难时，可以通过技术引导的形式拆解问题，并提供思维线索。支架还应具备适应性，即根据学生的行为水平自动更改出现频率。

原则二：促进学习者的情感管理和动机调控

情感是反馈过程中影响学习者接收反馈信息的重要因素，通常包括情绪和态度。研究表明，只有在激发学习者情感的基础上才能取得应有的反馈效果(唐林飞, 2014)。当学习者收到批评或者成绩差的反馈时，他们往往会表现出对反馈的抵制。在这种情况下，反馈效果就取决于学习者自身的自我效能感、动机以及有效处理情绪的能力(Pitt & Norton, 2017)。构建双方互信的反馈环境，可减轻学习者向外表达的焦虑。人工智能教育可以先从同伴反馈切入，营造平等信任的氛围，降低学习者的焦虑并引发学习者共鸣。也有学者设计了情感反馈型虚拟教师，利用情感计算技术为学习者提供情感支持(朱珂等, 2020)。

原则三：促进学习者的认知投入与评价判断

认知投入指学习者在学习期间能有效应用策略，促进知识理解和问题解决。评价判断指学习者对自身或他人的绩效与工作作出判断，现阶段学习者对于评价指标的理解并不透彻，往往倾向于那些容易理解的部分。为促进学习者有效地选取与应用策略和评价标准，教学过程需要增加认知评价练习和认知支架(Lubin et al.,2012; Nicol et al., 2014)。认知导师在智能导师系统中融入认知模型，对学习者的各种策略与迷思概念进行表征，并通过模型跟踪和知识跟踪算法，为学习者从新手转变为专家提供路径支持(Koedinger & Corbett,2006)。可汗学院采用学习仪表盘为学习者提供学习报告，方便学习者更清楚地掌握自身学习状况，及时调整与规划学习活动，实现个性化学习。

原则四：促进学习者的行动意识和执行过程

学习者的行动维度主要指学习者对反馈信息的回应，及回应之后如何调整行动。这些行动一方面包括学习者所采取的缩小实际目标与期望目标之间差距的策略，另一方面包括学习者主动寻求反馈和执行反馈需要采取的下一步行动。人工智能的反馈应当改变以学习结果为导向的模式，更加关注学生的长远发展与技能培养(牟智佳等, 2018)。反馈行动的执行会受到情境影响，在真实的情境下，学习者更容易感知反馈信息并增加学习投入(Noble, 2019)。技术反馈更具有深度和真实感，学生也更喜欢这一形式。例如，增强现实技术提供的视觉反馈，可以提升儿童的内在体验。

五、研究展望

本研究基于对目前人工智能教育应用中反馈机制与人机双向交互的分析，指出学习者主体性缺失问题，同时围绕反馈素养研究提出六个过程要素，并从理论上构建了面向智能教育应用的人机双向反馈模型。当前，人工智能教育在构建面向未来的教学生态系统中扮演着重要作用，研究者应不断促进人类智能和人工智能的协同作用，推动教育信息化与智能教育的发展。

(一)探索“教师-同伴-个人-机器”多元混合交互模型的实现路径

人工智能要真正应用到教育场景，促进学习者的能动性发展，除了关注机器与学习者、机器与教师的双向交互，还要综合考虑个人、教师、同伴与机器之间复杂的多元交互关系，深入探讨“教师-同伴-个人-机器交互学习”多元主体模型和机制构建。这包括探究如何将人工智能应用更好地从非正式学习引入到各学科的课堂教学实践，检验人工智能教育应用的实际价值；充分考虑人工智能作为伙伴、教师、助手、代理等多种身份，发挥混合多元交互的作用。

再者，基于人机之间的反馈机制以及师生和生生之间的交互模式，探索多元人工智能之间的交互关系，如基于动力学理论，通过不同人工智能体间行动、语言、情绪等的耦合，关注意义、价值、辩护以及不确定性等因素对这一过程的影响，并且通过“社会交互”塑造个体自治和群体智能(何静, 2020)，促进协同发展。轻量级生理反馈技术在教育中应用的发展，也给大规模实施混合多元交互提供了技术基础(翟雪松等，2020)。

(二)在反馈基础上关注前馈，以提升反馈的应用效果

人工智能教育应用的反馈，主要关注学生当前状态与结果评估，对学生的长远技能发展关注不足(Kluger & Van Dijk, 2010)。前馈是一种面向未来的教学策略(Björkman, 1972)，为解决反馈的自身局限提供了思路。它通过指令向学习者传输先前的评估和实践经验，帮助学习者更清晰地理解任务的绩效期望与评价标准。前馈关注对象是尚未发生的事情，其形式可分为两类：一是在学习任务开展之前，预先告知学习者预期目标及评价标准，为学习过程提供指导(Sadler,1983)；另一类是反馈之后，提出策略、认知方面的更高目标与建议(Hattie & Timperley, 2007)。人工智能教育应用如果能够融入前馈的机制与策略，将能够改善现有反馈机制中目标不明确与评价标准模糊等问题；同时改善反馈只关注当前问题的局限性，把目标扩展到更加关注学习者长远发展的全局视野(Noon & Eyre, 2020) 。

人工智能教育应用的实现仍然离不开研发团队与教育专家的合作。目前人工智能在教育领域的应用越来越广泛，但大规模推广应用仍不多见。不断加强技术开发人员与教育实践者之间的深度沟通与对话，开展多元视角下的人机反馈机制探索，并在实际教学中迭代优化与完善(Luckin & Cukurova,2019)，是未来人工智能应用发展的主要路径。

(三)基于具身认知理论，拓展人机双向反馈的智能应用场域

当前人机双向反馈研究仍局限于人工智能应用工具的视角。伴随人工智能应用与环境的广泛融合，必然形成新的人机交互模式与反馈素养的相互作用机制。具身认知理论强调身体感知及先前经验对认知的作用，尤其关注感知器官与环境的交互作用。因此，具身认知理论可以为深入理解未来场景的人机交互机制提供新的思路和途径。具体体现在三方面：第一，具身认知理论能够扩展人机交互的范畴，为人工智能学习环境建设提供指导。依据具身认知理论构建的人工智能学习环境，学生与技术的交互更为频繁多样，如学生与人工智能代理交互，并通过观察代理的行为，促进学生知识理解具身化(王美倩等，2015)；第二，具身认知理论为拓展人工智能的感知能力，丰富人机交互数据类型提供方向。具身认知理论下，借助多种知觉传感器感知和理解学习过程，使得面向智能教育的人工智能实现由“游离身外”的辅助学习转向“具身模拟”的“人-机融合”学习(谢泉峰等，2020)，也使得人机交互更加全面深入，为机器反馈提供充分的数据支撑；第三，具身认知理论强调学生在交互中的主体性与能动性，能为学生反馈素养的培养提供理论支撑。以具身形式达成的学习，学生会更主动参与环境的交互，并对接收的信息积极反馈，促进人机双向的高质量反馈机制的形成。