从教学样式到学习范式：人工智能环境下学习的通用设计转化

杨绪辉

关键词：教学样式;学习范式;人工智能;学习环境;学习的通用设计

一、UDL教学样式的价值解析与未来进路

作为学习科学研究的重要依托，神经科学、认知科学等领域近年来取得的突破，使其学习研究的成果被教育工作者广泛采纳和传播，这不仅主导人们关于学习者为何学、如何学和学什么探讨基点的变化，而且直接冲击着学校传统教学的经典架构[1]。作为学习科学在现代教育中应用的代表性成果，学习的通用设计无论是在当前的教学样式，还是在构成未来学习的图景中都扮演着重要的角色。

（一）UDL教学样式的价值解析

学习的通用设计（Universal Design for Learning，UDL）是围绕学习科学三大教学原则来组织课程的框架，通过提供灵活的参与方式以及适切的学习支持，进而减少教学阻碍、保持对所有学生的高成就期望[2]。鉴于缺少适切的教育理论以及智能化学习环境的支撑，诸多学者和机构在教育的行动中为UDL三大教学原则的实现构建了教学指南，其中最具代表性的是美国特殊技术应用中心（Centerfor Applied Special Technology，CAST）开发的UDL指南[3]。UDL教学指南提供了便捷概览以及使用建议，教师通过核查建立在三大教学原则下指标点的具体要求，可以分析教学的潜在阻碍和解决方案，有助于创造灵活且富有支持性的学习环境，让组织个性化教学满足所有人的学习需求成为可能。由于UDL致力于实现的三大教学原则分别来源于人类学习的三组脑网络（识别网络、策略网络和情感网络），以及为所有学习者提供均等学习机会的目标，使其写进了美国《国家教育技术计划》和《每一个孩子成功法》等教育政策文件。正因为如此，依托教学指南才得以走进教育实践的UDL成为了信息时代一种颇具影响力的教学样式。所谓教学样式是指人们通过一些简洁的表征形式，来记录和共享特定教学实践中的成功经验，以便于实践者从中获取相关教学策略和技巧的结构框架。

此外，UDL提倡从学习者的兴趣和需要出发，为所有人设计具有包容性课程的思想，具备了实现未来学习图景的巨大潜力。2018年，美国国家科学、工程与医学院通过推出的《人是如何学习的Ⅱ：学习者、境脉与文化》向我们展示了未来学习的一幅新图景：身处学习支持技術及其产品构建的学习环境，不同类型的学习者（包括在职员工、老年人、学习障碍者）面对真实的社会境脉时，在动机、兴趣和投入的支持下可以依据自身特征和偏好获得个性化的学习体验，从而使知识专长、思维能力得到切实发展。由此可确定，在学习环境不断完善的前提下，创造“人-机”合作学习的条件，为所有“潜在学习者”提供公平且真实的学习机会以及丰富的学习选择将会成为教育工作者追求的目标。这种学习图景所体现的学习形态与UDL理念有着天然的契合性，具体而言：从关照对象来看，UDL认为不存在一般程度的学生，即独特性（Variability）和差异性是学习者及其同伴关系的通则，因此他们反对传统教学对那些虚设的、具有一般程度学习者进行关照的设想，而是应该给予所有“潜在学习者”平等的学习机会;从教学结构来看，UDL根据人类学习的“三组脑网络”建立相互协作的教学原则，体现以关系思维为特征的现代教学理念，摆脱了传统教学的线性思维，有助于学习者与真实世界建立联结;从资源保障来看，UDL破除了封闭式的资源配置思路，提出多元智能型资源的建设理念，即根据学情构建开放性和弹性化的学习资源网络。

（二）UDL的未来进路：从教学样式向学习范式的转化

随着实践的日益深入，UDL开始出现一些亟需攻克的难题。一是，UDL追求的在教学设计阶段就实现周全考虑的目标难以实现。UDL来源于“通用设计”（UD）理念，即“从伊始奏效而无需事后改进”是其追求目标，但是学习经验创造与生活物品建造存在本质的不同，难以在设计阶段考虑到所有个体的现实需求;二是，UDL提倡的通用方法可能引发新的学习障碍。UDL通过提供灵活且多样的教学方法和材料，允许每一位学习者以其最有效的方式实现学习目标。虽然这种方法能够满足大多数学习者的学习需求，但是对于那些有选择性障碍以及典型场依存类型的学习者而言却形成了新的学习障碍[4];三是，UDL指南式架构的合法性地位遭受质疑。UDL是基于对人类学习方式的科学洞察来优化所有人的教与学框架，由于在各个教学环节缺少具体的实现手段，人们往往需要依赖其他教学方式的支撑来完成实践过程，这使UDL难以成为独立的设计方法，甚至经常会被取代。此外，UDL的教育实践同样可以提供佐证：Mavrou和Symeonidou教授[5]通过调查美国推行的一些国家课程发现，UDL在实践中未能将其所提倡的三大原则有效融入课程;Franz等学者[6]的研究也表明，现代教育理念促发了诸多教学方式对于满足个性化学习需求的重视，因此UDL并未像理论家预言的那样具有吸引力。

人工智能的快速发展及其在教育领域的不断渗透，给UDL解决上述难题带来了契机。更为重要的是，由于UDL对技术有着天然的内生性需求，引入人工智能带来的影响不仅限于学习工具层面，其在理论逻辑、模型方法和价值体系等方面亦能得到极大的提升，从而具备了发展为学习范式的潜力。在人工智能环境下从教学样式向学习范式转化，UDL不仅可以提升学习设计的品质，塑造未来学习的新形态，而且可以衍生出全新的价值体系，通过共同价值取向的驱动有效凝结社会心向，从而有针对性地促进学习的研究与实践，同时能够根据学习需求来合理指引教育人工智能发展。推动某种学习理念由教学样式向学习范式转变，在教育发展的历程中并非偶一为之。例如，基于创造的学习是人类自身最需要、最偏好的，也是最人性化的学习方式，其在早期就是一种典型的教学样式。由于缺少适切技术的支撑，早期这种学习难以形成以“建构论”为核心的理论逻辑，也缺少模型方法和价值体系的指引，因此只能依靠教育实践经验的积累和分享，继而促使教师通过主动改进教学方法的形式来实现。随着信息技术逐步孕育出了大众化板块，即技术的开源化、智能化和低成本化，技术实体才得以充当学习者创造过程中的“思考对象”，这种学习则重新受到了学界的关注，通过学者对其开展的理论逻辑、模型方法及其蕴含的价值体系进行探究，在当今已成为一种能够创造有意义学习经历的学习范式，为我国创新人才培养的国家战略提供了支持。鉴于UDL与未来学习的设计理念有着高度的契合性，接下来需要追问的是：人工智能在UDL向学习范式的转化过程中提供了怎样的支持，我们又该如何促进其完成这个转化的过程？这些问题的解答无疑对于当前教育与技术的发展具有双重意义。

二、人工智能何以支持UDL向学习范式的转化

作为库恩科学哲学的核心概念， “ 范式”（Paradigm）不仅引发了科学界的关注，同时也被其他领域学者广泛采用，变身最为时尚的话语体系。由于各领域学者对范式理解的多样性，在当今包括学习范式在内的相关术语已成为极具争论性的话题。为了厘清UDL向学习范式转化的有关问题，有必要对此概念重新界定。

（一）学习范式概念的界定

1962年美国物理学家、哲学家托马斯·库恩在所著《科学革命的结构》提出了“范式”的概念，目的是为了更好表达科学发展历程中思维方式的变革过程。鉴于学界对范式概念的泛滥使用，库恩在1974年所著《对范式的再思考》强调范式是科学家群体对共同关注的某领域问题和理论本质持有的信念或观点，并将其划分为符号概括、范例、模型和价值四种成分。符号概括和范例隶属于科学共同体的认知因素，共同特征是要运用规范规则进行相关内容的描述;模型和价值隶属于科学共同体的社会因素，代表着所持信念、象征意义和评判标准等构成的整体[7]。根据库恩的解释，“范式”具有认识论、方法论和价值论三个层面的涵义。认识论是理论实体及其有关现象的抽象和公认概括，方法论承担着审视和改造世界的特定方式，价值论则暗含着科学家在做出某项决定时的群体性取向。

严格意义上来讲，社会科学不属于库恩描述的科学领域，但它同样拥有具备共同特质、归属感以及信守教育实践规则和标准的共同体。此外，社会科学也具有与构建“范式”相类似的基本要素，例如理论逻辑、模型方法和价值体系。即使与科学领域相比，这些要素在社会科学某个领域中的结构是松散的，但也是其固守的立场，并应该得到广泛承认[8]。因此，根据库恩对科学领域“范式”的描述，学习范式的概念可被界定为：研究者和实践者在面向有关学习能力提升的方法体系及其理论逻辑时所持有的共同价值取向。其中理论逻辑是开展学习研究与实践的起点，模型方法是理论逻辑运用于新情境的示范，价值体系则是学习实践与评判的体系标准，它们分别充当了学习范式的认识论、方法论和价值论的角色。

（二）人工智能對UDL向学习范式转化的支撑

虽然UDL对于技术有着天然的内在需求，但是为了兼顾传统的学习方式，诸多学者在设计UDL教学指南时并未将其作为关键要素进行考虑。由于承载的规则较为简单，传统技术只是作为一种教学工具存在，因此这种观点在传统技术时代是无可厚非的。随着信息技术的快速发展尤其是人工智能的出现，技术与科学知识高度融合继而演化为一种文化，不可避免地影响着学习观念和行为。也就是说，作为信息技术发展的高级形态，人工智能对UDL的影响不仅限于学习工具的层面，更多的是推动了UDL理论逻辑、模型方法和价值体系的创新发展。具体而言：

一是，人工智能促进了教育理论的发展，有助于UDL深化自身的理论逻辑。过去UDL发展主要依赖通用设计和认知科学的研究成果，鉴于缺少合适的教育理论支撑，研究者始终坚持在教育实践的行动中不断完善UDL教学框架。教育理论的缺失及其理论逻辑关系的不完善，不仅让UDL中的教师、学习者、教学媒体和教学资源四个核心要素难以得到有效融合，而且使其缺少持续发展的基础。教育人工智能正在从外置性技术辅助走向内融性技术渗透[9]，学习的发生机制、支持环境和调控形式也在悄然发生变化。一方面，诸多教学理论为适应新时期教学的需要，迫使其重新定位技术在教学中的角色，重新建构教学过程的推进策略;另一方面，一些学习理论开始从关注人类学习的工作原理，转变为如何通过人工智能环境让学习者获取更高水平的思维与实践能力。仔细考究，这些理论无不在指导人们利用技术手段创造性地设计学习场域，以满足学习者个性化的学习需求。当前教育理论发展与UDL理念的内在一致性，有助于后者深化自身的理论逻辑。

二是，人工智能增强了数据服务的能力，有益于UDL创建自己的模型方法。在人工智能发展的低谷时期，研究者始终将目光投向UDL教学指南的修订，来帮助教师为学习者创建灵活且适宜的学习支持。鉴于缺少数据服务的有效支撑，这些教学指南并没有具体的实现路径，导致UDL也未建立自己的模型方法。例如，在UDL教学指南的原则III中有“改变要求和资源以优化挑战”的相关要求，由于学习者对过于容易的任务会感到无趣，对过于困难的任务又会变得沮丧，因此借助强大的数据服务才能够支持每位学习者来改变学习计划、调整学习状态。基于大数据、传感识别和深度学习的发展兴起的新一代人工智能，实现了信息技术的飞跃式发展，在学情分析的精准化、资源推荐的个性化以及学习服务的智能化等方面的潜力已经初露端倪。因此，人工智能强大的数据服务能力能够全方位支持UDL教学原则的实现过程，从而为UDL模型方法的创建提供前所未有的条件。

三是，人工智能重构了UDL的教学结构，有利于后者衍生出全新的价值体系。从根本上讲，学习范式的形成是一个社会化的过程。也就是说，在多样性的社会中，某种学习方式之所以能够获得广泛认可，成为倾向选择的一种学习范式，很大程度上依赖于人们在追求共同价值过程中形成的社会心向。“尊重差异实现学习者的个性化发展”是UDL固守的价值取向，然而随着以学习者为中心学习理念的推广，诸多新兴的学习方式都将其纳入实现的目标范畴，从而导致UDL辨识度急剧下降。更为严重的是，UDL教学的巨大工作量与“轻负高质”的现代教学思想相违背，使其难以获得实践者的青睐。人工智能在理论逻辑和模型方法层面带来的根本变化，意味着UDL教学结构需要被重构。相较于其他学习方式，UDL独特的理念决定了新结构中的人机协同更加紧密，学习者培育更具特色。这些无疑会使UDL衍生出全新的价值体系，成为凝结社会心向，推动自身发展的动力。

三、人工智能如何支持UDL向学习范式的转化

根据界定的学习范式内涵，以及人工智能对UDL学习范式转化的支撑作用，本研究从理论逻辑、模型方法和价值体系三个层面，分别指出了人工智能环境下UDL通向学习范式的具体路径，并明确了各个层面的完善对于UDL转化的意义。

（一）理论逻辑层面

在人工智能学习环境下，通用设计、认知科学、精准教学和智能学习的跨界融合构成了UDL的理论逻辑，如图1所示。通用设计是UDL的核心思想，决定了教学的功能定位和学习的预期效果;认知科学是UDL的科学基础，揭示了学习的原理，为教学的实施提供了原则导向;精准教学和智能学习是UDL实践的方法理论，不仅定义了教与学的具体形态，也为UDL理念的落地提供了行为路向。

通用设计是推动UDL建立和发展的奠基性理论。通用设计是由无障碍设计的思想演变而来，因此最初的UDL也是为消解失能学习者的肢体、感官和认知障碍而生。美国设计先驱梅斯（Ron Mace）将通用设计从对弱势群体的关爱，发展为对使用者自我选择的尊重，社会大众开始意识到通用设计环境可以使每个人受益。UDL也逐渐从强调为失能学习者创造适切学习环境的语境，转变为加强所有学习者学习的通用设计理念。当今通用设计理论的不断完善，从多个维度给UDL的发展指明了方向：（1）合身，适应各种学习者的认知能力和发展水平;（2）平等，能够给不同个体创造一致性的价值;（3）个性，给予选择的机会和个人偏好的表达;（4）觉察，确保学习的关键信息易于获得;（5）舒适，学习需求和挑战需保持在合理的限度内;（6）文化适宜，尊重和加强学习设计的文化背景及价值。

认知科学尤其是近年来脑研究成果为UDL实践奠定了科学的基础。认知科学发现无论是个体脑中的学习，还是个体之间的学习都是高度多样化且分布式的，这就要求UDL必须允许每位学习者以其最有效的方式完成学习任务[10]。此外，认知科学构建的各种“脑活动模型”已经被CAST等机构广泛采纳，并用于分析UDL课程的结构及其与学习者之间的交互过程。而各种模型所共有的“三组脑网络”回答了“学什么”“如何学”和“为何学”的重要问题，并且揭示了学习的基础，从而成为UDL学者制定实践策略的主要依据。它们分别为：识别网络，为觉察所见并给其分配意义的模式，使学习者能够进行概念的辨别和理解;策略网络，为监管心智和动作的模式，用于对自身行为和技能的规划、管理和监督;情感网络，为专注评价并且产生情感意义的模式，决定了学习者心智和策略的投入程度。

精准教学的发展为UDL构建定制式的服务提供了有力支撑。早期的精准教学以行为主义学习理论为基础，采用小步骤的教学路径，并提倡利用数据的实时反馈进行学习过程的强化。这种教学理念与强调为学习者创造丰富学习机会的UDL相差甚远，因此早期的精准教学始终未能进入UDL研究者和实践者视野。随着技术环境优化和理论研究深入，进入2.0发展阶段的精准教学使其在多个维度的品质得到了提升，即从教学数据的静态分析发展为适时更新，从强调学习者知识技能的掌握发展为高级思维的培养，从提倡资源的精细分类发展为资源网络的动态生成，从注重学习的刺激强化发展为个性化路径推荐。由此可见，精准教学2.0凸显了建构主义和联通主义思想，能够为UDL个体定制式的教学提供有力支撑。

智能学习是将UDL中的学习支持转化为学习者自身智慧的理论指导。在人工智能环境下，机器学习和人类学习相伴而生，人机协同学习将成为一种新常态。UDL倡导学习者以其最有效方式实现目标的理念，会进一步触发人们对于如何利用学习的规律来超越自身和人工智能的智慧，以获取更高水平思维能力和实践能力的思考。智能学习致力于构建人机协同的智能结构，实现人机优势互补的学习新生态。根据人工智能的发展现状，有学者[11]提出人机合成智能的建议：认知智能层面，机器负责知识感知和记忆，学习者负责知识理解和应用;情感智能层面，机器负责情感识别，学习者负责情感的表达和理解;志趣层面，由于涉及到灵感、想象、信念和创造有关的心智能力，因此该层面的事务理应由学习者负责处理。这三种智能的协同配合可以超越单纯的人类学习和机器学习所拥有的智慧。

（二）模型方法层面

通过对《人是如何学习的Ⅱ》论著文本的理解可得知，虽然学习是一种复杂的心智活动，但是可以宽泛划分为三种交互的形式：兴趣动机、策略加工和知识内容。也就是说，学习是学习者在注入的兴趣动机构成生物驱动力的基础上，通过规划、协调和执行等学习策略的支持，对知识内容进行辨别和理解的过程。这一见解深刻体现了“三组脑网络”的工作原理，同样也是UDL教学原则备受青睐的原因之一。鑒于UDL教学原则的科学性，同时为了契合理论逻辑层面的约定，研究对其进行了适当修改并作为模型方法组件的核心。经过完善的UDL三大教学原则为：原则I，提供个性化的表征方式，以便学习者以最适当的方式获取学习内容，包括为知识感知、表征形式以及理解提供精准化的支持;原则Ⅱ，提供个性化的行动与表达方式，帮助学生以最适应的方式展示已获取的知识与技能，包括为身体力行、表达与交流以及执行功能提供精准化的支持;原则III，提供个性化的参与方式，目的是激发学生全身心的投入学习，包括为激发兴趣、持续的努力、坚持以及自我调节提供精准化的支持。在此基础上，我们构建了以人工智能技术为支撑，以精准教学和智能学习为实现手段的UDL模型方法，如图2所示。下面将以人工智能环境的支持作为行文线索具体说明UDL教学原则的实现过程。

UDL所需要的人工智能环境由多模态学习分析、知识融合和适应性反馈三种关键的人工智能技术组成。多模态学习分析是通过分析和整理多个维度的学习数据，进而准确刻画学情的技术。根据数据来源，多模态分析可归纳为四个层次[12]：外显数据，通过文本和眼球运动来反应错题率、学习时长等方面的数据;心理数据，利用表情识别和话语分析来反应学习者兴趣、积极性等方面的数据;生理数据，综合神经生理标记和情感分析来反应学习内容难度的数据;基础数据，通过多模态整合来表征学习风格和学习基础的数据。多模态分析的数据不仅是人工智能系统运转的基础，也是教师组织和调整UDL教学的主要依据，外显数据可以让教师有效监控教学系统的状态，心理数据有利于为不同学习者知识的感知方式和表征形式匹配适合的媒体，生理数据能够让教师适时优化学习的挑战，基础数据有助于教师为不同学习者的交流和表达搭建合适的通道。

知识融合技术利用实体链接和知识合并的方法将零散的知识组建起来形成序列化的知识图谱，从而能够促进学习者对知识体系的掌握。在多模态学习分析的支持下，知识融合技术不再是满足共性学习的标准化知识体系，而是成为了知识驱动个性化学习的推荐手段，即在表征各学科知识的基础上，推理得出知识之间前驱后继的关系，继而依据学习者画像，抽象出个性化的知识子图，推荐适切的学习内容与学习路径。由于生活经验和学习基础的差异性，学习者对于知识学习的信息加工方式以及适应的学习挑战也不尽相同。知识融合技术对于UDL的意义在于：一方面知识融合技术能够为学习者构建符合认知规律的学习序列，使其对于知识背景的激活和深层次理解成为了可能，另一方面提供的个性化行动路径和适切的学习挑战，为学习者在学习过程中的持续努力和坚持奠定了基础。

如果说多模态分析和知识融合技术分别注重学情感知和学习规划的话，那么智适应反馈的作用就是在恰当的时机给予学习者精准的反馈。相较于传统反馈系统的被动介入，智适应反馈实现的是基于学情数据的主动干预，且提供了丰富的反馈信息。根据在UDL中担任的角色，智适应反馈的服务分为以下几种类型：一是，督导服务，为迷航的学习者指明学习的方向;二是，告知服务，告知学习行为和结果的正误;三是，教导服务，支持学习规划和开展的有关策略;四是，激励服务，提供奖励和惩罚的相关措施;五是，劝告服务，提醒学习者当前学习状态与期望目标之间的差距;六是，总结服务，学习状况的分析和总结。智适应反馈系统有效地激发了学习者兴趣，不仅使其在目标管理、学习规划和进程监控等执行功能得到了优化，也促进了策略改进和学习反思等自我调节水平的提升。

在人工智能学习环境中，UDL结构发生了彻底的变化，原本由教师负责实现的教学原则递交给了人工智能，从而可以将自身投入到学习服务层面。譬如，提供教学咨询、制定教学决策，把控学习过程和监控教学质量。除此之外，为了促进学习者把握知识的重心以及提升学以致用的能力，教师还需要设计相应的脚手架以凸显知识的关键特征，创设适切情境以促进学习者进行知识的有效迁移。学习者在享受教师和人工智能提供的服务的同时，可以有效地定制学习资源、管理学习目标、调整学习情绪以及改进学习策略。由此可见，研究构建的UDL模型方法同样是一种人机协同学习的方式，教师、学习者和人工智能三方各司其职，有效抵御了来自外界的学习威胁，有助于建立富有挑战且相处融洽的学习共同体。

（三）价值体系层面

按照人工智能环境下UDL价值实现层次，由低到高可分为“尊重差异，实现个性化发展”的基础价值取向，“增强协同，建立人机共生体”的核心价值取向，以及“重构素养，培育专家学习者”的目标价值取向，如图3所示。由于UDL的基础价值取向已经多次涉及，这里着重阐述核心价值取向和目标价值取向。

核心价值取向层面。人机协同学习是人工智能时代多种学习理念所追求的学习生态，然而UDL需要将其从人机协同学习强调的“人机知识习得”，发展到人机共生体所追求的“人机知识创造”。相较于前者而言，人机共生体是一种更为高级的人机学习形式，能够促使学习者和智能体之间“心理”的相容，推动默会知识的相互转化，实现知识的协同创造。据上所知，UDL為所有学习者提供个性化服务的理念，使其三大教学原则的实现由教师转向人工智能，也就是说人工智能在UDL中真正发挥了的主体性的作用，而非一种辅助教学的手段。更为关键的是，UDL对学习者情感的关注，将人工智能的主体性行为从教人的职责，全面提升为需要彼此交往和情感维系的责任主体。由于人工智能和学习者同时具备了认知、情感和社交的能力，这就使得学习的对象不再是固定僵化、高度学科化的现有知识单元，而是人机协同不断创生出来的新知识，以及与学习者生活实际联结的知识体系。当然，不同领域的学者在追求UDL“人机共生体”核心价值的过程中，也有助于推动其理论逻辑、模型方法，甚至是人工智能技术的发展和进化。

目标价值取向层面。在人工智能环境下，UDL不再止步于满足个性化的学习需求，更应将培育专家学习者作为更高层次的目标。专家学习者是指在学习这一领域具备特定专长、表现杰出的学习者[13]。在人工智能时代，专家学习者的特质可概括为三个维度：一是，善用资源且知识渊博。人工智能将大量先前知识带入了新的学习，专家学习者更善于组织学习资源并打通新旧知识之间的通道，且拥有更多的背景知识，从而可以辨识新知识的价值，将其真正内化为“有用”的知识;二是，善用策略且意图明确。尽管人工智能会根据学情实时推送学习策略，但是相较于普通学习者，专家学习者对于策略的理解和把握更为深入，不仅熟悉不同学习策略的使用细节和目标价值，而且在面向复杂情境时可以综合采用多种策略获得学习的成功;三是，善于调节且富有韧性。专家学习者善于根据反馈信息进行情感调节，以增强学习动机、消解负面情绪和排除外界干扰。此外，对于学习的渴望以及坚定的学习意志，使专家学习者能够保持足够的学习韧性。UDL蕴含的人机共生体结构，真正诠释了“化知识为运用”转换为“化知识为智慧”的教育观演变新趋向[14]，从而能够成为培养人工智能时代专家学习者的典范。

四、结语

“既有魅力又不完善”是范式的两层深刻含义，它足以凝聚坚定的拥护者来改善社会现状，又“故意”留下问题促进科学的下一步飞跃。本研究的意义也在于此，自新一轮人工智能浪潮的来袭，各领域学者就期望能够突破当前学习研究的藩篱，为学习者创设个性灵活以及人机协同的学习方式。于是诸多学习理念都在争先上位，各类人工智能开始层出不穷，但是从总体上看，这些工作却显得杂而无序，始终缺少行动的向心力。鉴于UDL对于实现未来学习图景所具备的潜力，在人工智能环境下推动其由教学样式向学习范式的转化，吸引一批拥护者有针对性地开展学习的研究与实践，同时根据需求的指引来促进教育人工智能的合理发展，让教育与技术能够相互成全，未必不是一种好的尝试。