人工智能赋能基础教育监测的应用与挑战

刘 浩，刘笑笑，辛 涛

北京师范大学 中国基础教育质量监测协同创新中心，北京 100875

随着机器学习和深度学习驱动人工智能技术飞速发展，多个国家已将人工智能提升到国家战略高度。美国于2020年颁布了《为人工智能的未来做好准备》和《国家人工智能研发战略规划》，欧盟委员会与欧洲机器人协会合作颁布了“SPARC”机器人创新计划。随着人工智能赋能教育的影响逐步加深，我国在2017年7月8日发布了《新一代人工智能发展规划》，并指出要发展智能教育，利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系(1)《国务院关于印发新一代人工智能发展规划的通知》，2017年7月8日，http：//www.moe.gov.cn/s78/A16/s5886/xtp_left/s5895/201708/t20170830_312730.html，2021年7月15日。。2018年，教育部印发的《教育信息化2.0行动计划》提出“智能化”将成为教育信息化体系建设五大方向之一，促进教育信息化从融合应用向创新发展的高阶演进，信息技术和智能技术深度融入教育全过程，推动改进教学、优化管理、提升绩效(2)《教育部关于印发〈教育信息化2.0行动计划〉的通知》，2018年4月18日，http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html，2021年7月15日。。2019年，联合国教科文组织发布的《教育中的人工智能：可持续发展的挑战与机遇》在运用人工智能推动教育变革等问题上达成共识。当前，人工智能技术为教育评价提供了新思路与新手段，开启并塑造了教育评价的新形态。人工智能在学习预测与教学评价中的应用，可以实现动态监测和智能分析。然而，目前人工智能应用在基础教育监测领域中的优势体现还不够充分，在研究与应用中未形成系统高效的应用体系。要全面透彻地分析人工智能对基础教育监测的作用，必须从人工智能的智能控制、自然语言处理、机器学习及深度学习算法等方面全面系统地进行剖析，从“经验主义”走向“数据主义”，从“宏观群体”评价走向“微观个体”评价，从“单一评价”走向“综合评价”，促进人工智能技术在教育监测中的深入应用。

一、人工智能在基础教育监测中的技术原理与应用

1.题库建设与智能化组卷

题库建设是基于教育测量学、统计学和信息技术三门学科交叉融合的基础上，主要应用经典测量理论(CTT)和项目反应理论(IRT)，并逐步向计算机自适应测试(CAT)发展。题库建设的具体内容主要包括：题目命制技术、试题分类与抽样、试题分析、参数等值等技术。例如，基础教育监测题库命制技术主要涉及开发、编制、筛选、评价等方面，既需要题目命制的原则和方法，也需要提供试题的评价标准。伴随着信息技术的发展和我国基础教育监测相关技术的日渐成熟，在教育测量学等理论的指导下，人工智能可以实现计算机题库的智能化管理，如可以依据能力目标、知识内容、题型功能等方面实现对监测工具的自动分类，并对试题进行预测。

题库建设需要明确试题对应的考查目标，且同一考查目标需要包含多道经过等值技术处理的试题。题库建设技术建立在对自然语言理解的基础上，即根据用户的需要搜索试题并组成符合要求的试卷，实现这一要求的前提是题库的每一道试题都能恰当地表征。在表征试题的基础上，题库建设还需要构建一个搜索系统，包括规则库、综合数据库和控制系统(3)蒋培杰、熊斌：《人工智能赋能大规模教育考试五步曲》，《中国考试》，2020年第12期。。题库建设的最终目的是实现智能化组卷，在智能化组卷过程中，从含有大量试题的题库中选取一定数目的试题，组成一份满足特定考试目标要求的试卷。试题编制合理且能反映考试要求，难度层次分明、区分度良好。相较于传统的人工组卷，智能化组卷效率更高，根据组卷的原则、试卷评价指标和指标间关系构建组卷模型，再利用随机算法、回溯法、遗传算法和粒子群等人工智能算法自动生成符合标准的试卷。自动组卷实质上是在试题库内自动挑选出一个满足条件的子集。目前通用的组卷方法是随机选取法，即在题库中随机搜索满足约束条件的试题，直到整个试卷各项指标满足要求，由于各项指标之间的制约关系，这种方法往往需要进行多次回溯，组卷效率不高，成功率较低(4)周红晓：《遗传算法在试题库智能组卷中的应用》，《浙江师范大学学报(自然科学版)》,2003年第4期。。遗传算法是一种模拟自然界生物进行过程的计算模型，它以适应度函数值作为搜索信息，使用群体搜索技术，搜索过程具有很大的灵活性，并且具有随机性、自适应性和并行性的特点，以其良好的智能搜索技术，得到了广泛的应用(5)周明、孙树栋：《遗传算法原理及应用》，北京：国防工业出版社，2002年，第89页。。不同算法在难易程度、求解速度、组卷质量和题库规模适应性上各有优劣，在基础教育监测的实际应用中，需要根据问题的实际情况，选择合适的算法进行适当的改进或组合。通过高质量高效率的智能化组卷，更精准有效地诊断学生的能力水平。

2.智能化测评与诊断

人工智能作用于基础教育监测的测评与诊断，主要表现在基于大数据可视化技术及深度学习技术，形成评价结果的智能诊断及预警分析模型。智能化测评与诊断是通过人工智能的方式评估学习者的发展，利用人工智能对经过数字化处理的教学过程、教学数据进行测评与分析。以往的测评是题目导向型，以学生成绩和升学率为评价标准，现在的导向逐步由知识转向核心素养。测评核心素养的内涵与维度在不断发展和深化，对学生的能力要求也更加全面，进而要求测评工具的多样化。智能化测评已经在学生能力和知识水平评估、人格与心理健康评估以及教学过程评估等方面取得进展：学生能力和知识水平评估突破纸笔测验的局限，转向过程性评价、综合能力评价和动态性评价；人格与心理健康评估摆脱了对自陈量表法的依赖，依据多模态数据有望实现无痕式和伴随式评估；智能分析技术助力教学反馈，使教学过程评估更加直接、便捷和精准(6)骆方、田雪涛、屠焯然、姜力铭：《教育评价新趋向：智能化测评研究综述》，《现代远程教育研究》，2021年第5期。。

智能化测评是新兴测评手段的重要体现。语义分析技术、语言识别技术和光学字符识别技术的发展是智能化测评与诊断的关键技术。例如，在教育监测中针对音乐学科进行智能电子化测试，通过系统开发，建立学校版本系统和区县版本系统，在数据上传之后，根据制定的机评标准，基于语音合成、语音评测等智能语音技术和虚拟现实、模拟人机对话的客观评价技术进行分析测评，实现了语音数据的采集、储存、结果评分的一体化和智能化。智能化测评相较于传统的教学测评，在对学习者诊断时表现出的优势主要体现在两个方面：一方面，智能化测评通过大量的学习数据对每个学习者进行建模，结合知识图谱和智能算法，将评价贯穿于教学活动的始终，更加关注学习者整体、全面的发展。另一方面，智能测评通过机器批阅作业，快速给予学生反馈并提出针对性的学习指导，从而更好地激发学生的学习积极性。在智能化测评赋能基础教育监测的过程中，为测试工具的开发及监测手段的创新带来了新的启示，通过利用相关算法模型及时给出测评结果与反馈，实现对学习者学习表现的实时监测，并针对他们的学习表现给予适当的评价，让每位学生了解自己的发展水平和优势。通过获取国家不同区域层面的学生个性化的教育监测过程数据，更有利于高效精准把握区县基础教育发展水平，为国家基础教育质量改革与提升提供重要的科学依据。

3.智能化阅卷

传统阅卷中，因考生数量大、评卷工作时间长、工作强度高，评卷教师在评分过程中极易感到身心疲惫，评分主观性强。在智能化阅卷中，智能化阅卷系统不会受到个人情绪等主观或不确定因素的影响，在节省人力成本提高阅卷效率的同时，在很大程度上能够保证评分的客观公正性。智能化阅卷能够提供客观的第三方质量评价标准，管理部门和学科评卷之间对评卷质量的监控和评价，能够由单一的网上评卷系统按照技术规范进行质量监控，上升到通过计算机智能评分来逐一对比计算人工评分的准确程度并进行统计分析，对形成多样化的评卷质量监控体系具有重要意义(7)杨现民、王榴卉、唐斯斯：《教育大数据的应用模式与政策建议》，《电化教育研究》，2015年第9期。。智能化阅卷所具有的减轻人力负担、准确率高和具备第三方质量评价等优点，为基础教育监测的阅卷系统开发、阅卷效率的提高和监测规模的扩大提供了重要的技术支持和保障。

人工智能作用于基础教育监测的阅卷评分，主要是结合智能分析技术，有效地辅助教育质量评价的过程。智能化阅卷是通过对考生答卷进行图像识别、文字提取与转写、关键特征提取、文本内容分析，依据专家评分标准和机器评分模型，实现对考生答题内容的自动评分。智能化阅卷可以分为人工特征方案和深度学习方案两个主要方向，人工特征方案是使用浅层语言学特征分析法，先对试题评分标准提取相关特征进行定义，然后自动抽取考生答卷样本的信息，并将其对应到先前定义的相应特征，基于统计数据，完成对样本答卷的评分；深度学习方案主要是通过多引层的神经网络自动抽取与评分标准相关的特征，在多个维度上建立起对待评样本的完整数学模型，并进行匹配评分(8)何屹松、 孙媛媛、 汪张龙：《人工智能评测技术在大规模中英文作文阅卷中的应用探索》，《中国考试》，2018年第6期。。基于自然语言理解基础的发展，无论是汉字识别还是英语识别，人工智能都具有良好的识别效果，与传统阅卷相比，智能化阅卷的准确性更高。基于全连接型的卷积神经网络(Fully Connectted Convolutional Neural Networks)的版面分析理解和文字识别技术核心算法使得计算机智能阅卷评分系统已经形成了一套完善的“端到端”(图片直接输入，文字识别直接输出)的识别处理方案(9)S.Evan，L.Jonathan，D.Trevor，“Fully Convolutional Networks for Semantic Segmentation”，IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(4),pp.640-652.。智能评测技术对填空题和作文类主观题的阅卷优势较为明显。填空题的智能化阅卷步骤主要包括图片预处理、手写体图文识别和机器对比答案判别等；作文类主观题智能化阅卷需将图片转化为文本，通过专家定标评分，训练评分模型，再利用多维度计算机智能评分技术即可得到人机结合的评分结果。以作文评分为例，首先对每篇文本进行词向量转化，将自然语言数值向量化，转化为计算机可识别的语言，再提取各维度的特征，如字迹工整程度、词汇丰富度等，然后将这些向量化后的文本特征数据作为特征空间，以专家评分作为输出空间，通过机器学习算法训练，获得当次考试的评分模型，实现智能化阅卷。智能化阅卷的作用主要体现在：阅卷过程实现降本增效；智能甄别抄袭、套题等虚假结果；智能评分更加客观稳定；评分过程有迹可循等(10)《2021智能教育发展蓝皮书》编写组：《2021智能教育发展蓝皮书——智能技术赋能教育评价》，合肥：讯飞教育技术研究院，2021年，第8-9页。。智能化阅卷在基础教育监测应用中体现出的优势和作用，很大程度上保证了阅卷的效率、科学性和公平性。

4.智能化分析决策与评价

人工智能作用于基础教育监测的分析决策与评价，具体表现在运用大数据建立各级数据分析模型，建立可视化分析工具，给出科学的评价结果，对其中存在的整体与局部问题进行分析并做出科学决策。教育数据挖掘(Educational Data Mining)是综合运用数学统计、机器学习和数据挖掘等技术和方法，对教育大数据进行处理和分析，通过数据建模，发现学习者学习结果与学习内容、学习资源和教学行为等变量之间的相关关系，来预测学习者未来学习趋势的方法(11)徐鹏、 王以宁、 刘艳华：《大数据视角分析学习变革——美国〈通过教育数据挖掘和学习分析促进教与学〉报告解读及启示》，《远程教育杂志》，2013年第6期。。智能化分析决策则基于教育数据挖掘，通过机器学习和深度学习，按照测评目的和需求编辑数据分析架构，智能化生成偏向于数据分析的报告并用于决策。

在《深化新时代教育评价改革总体方案》政策文件的指引下，未来基础教育监测趋势必然走向评价方式多元化。人工智能可以根据教育监测的形态及其指标，如监测学科数据的层次性、监测设计的模块化和监测学科项目选择的个性化等方面，设定好计算机可识别的评价标准和相应的算法，按照评价标准自动对监测数据进行分析评价。借助仿真实现人机结合、数据驱动的教育决策，是目前教育领域极受关注的研究热点，是未来教育管理、教育政策研究的新范式(12)畅肇沁、陈小丽：《基于人工智能对教育影响的反思》，《教育理论与实践》，2019年第1期。。根据各级或者不同的评价主体构建评价模型，有助于实现从单一评价方式向多元评价方式转变，促进教育决策的精准化。未来的教育是人工智能与教师协作的时代，人工智能利用大数据统计的方式将数据进行相关统计和处理，构建有针对性的模型，有助于发现学生在知识、技能、能力和素养等方面的优势和不足。总的来说，人工智能技术将会有效促进教育教学和科学化决策。一方面，可以为教师有针对性地改进教学、提高课堂质量和为学生有针对性地改善学习提供建议。另一方面，教育大数据的表征与关联价值为决策者提供了现实依据与科学参考，教育大数据表征了社会资源、教育投入等影响科学化决策的因素，同时，关联价值提供了宏观价值调控方案的参考，让决策者在信息充足的基础上进行决策，从对决策对象准确把握的角度支持科学化决策(13)刘桐、沈书生：《从表征到决策：教育大数据的价值透视》，《电化教育研究》，2018年第6期。。借助大数据技术开展智能化决策与评价，在教育质量监测结果的分析解读和应用中，有助于为政府依据地方教育发展水平做出决策提供科学依据，并通过开展智能化分析动态把握政策实施效果。

二、人工智能赋能基础教育监测的挑战与对策

(一)人工智能赋能基础教育监测的挑战

国际教育成就评价协会(IEA)主席Thierry Rocher先生指出，伴随数字革命，教育评估从评估理念、对象到评估工具和方法等各方面都面临着新的需求和挑战(14)科大讯飞智慧教育：《教育未来 因A.I.而能——2020全球人工智能与教育大数据大会在京召开》，2020年12月11日，http：//news.bnu.edu.cn//zx/ttgz/119928.html，2021年7月15日。。人工智能与基础教育监测的融合，能够促进基础教育监测的新样态发展。在促进人工智能赋能基础教育监测创新技术应用的过程中，面临着处理教育复杂性与算法确定性之间的矛盾、人工智能技术与监测过程的创新融合以及高素质监测人才队伍建设等方面的挑战。准确识别伴随技术而来的巨大挑战，减轻其弱点、风险和潜在危害是非常必要的。

1.教育复杂性与算法确定性之间矛盾的平衡

我们要关注人工智能技术在教育应用中的边界与尺度，认识到人的不可代替性。由于教育监测中的评价对象是不确定的、个性化的和灵活的人，而人工智能却是确定性的、公式化和标准化的工具，在人工智能融合基础教育监测的过程中，需要恰当地处理好教育的复杂性与算法确定性之间的矛盾。主要表现在以下三个方面：教育的模糊性、不确定性与算法的确定性之间的矛盾；学生发展的个性化与算法公式化之间的矛盾；教育规则的灵活性与算法规则的生硬性之间的矛盾(15)谭维智：《人工智能教育应用的算法风险》，《开放教育研究》，2019年第6期。。人的成长和发展没有明确的路径，教育的过程、目标、方法充满模糊性和复杂性，人工智能的算法是确定性的，如果不加以区分地使用统一的数据模型来评价学生，可能无法发现学生特长培养出个性化发展的人。人工智能赋能的教育监测把每个人都抽象为一组数据、一组标签或一组特征，对于学生特征的精准识别虽然有利于为不同学生提供差异化、个性化学习诊断与决策，但也可能强化学生个人偏好甚至促使学生走向极端化(16)贾开：《人工智能与算法治理研究》，《中国行政管理》，2019年第1期。。因此，在教育监测过程中需要恰当处理教育复杂性、学生发展多样性和算法确定性之间的矛盾。

2.人工智能技术赋能监测过程的创新与融合

当前大数据技术在深入发展，但我国数据存储、处理技术基础薄弱，教育大数据的应用面临着数据收集、存储、分析处理、结果可视化呈现、数据结果兼容性以及基础薄弱等挑战(17)方海光：《教育大数据：迈向共建、共享、开放、个性的未来教育》，北京：机械工业出版社，2016年，第89页。。在基础教育监测中，人工智能技术也尚未深度融合到监测的各个环节，在数据线上收集、存储、可视化呈现、模型构建和实时反馈等方面有待改进。例如，我国基础教育评估监测以纸笔测试和问卷调查为主。纸笔测试在测查学生对知识技能的掌握方面有很大优势，但对了解学生的高阶思维能力、合作能力、问题解决能力、沟通能力等有较大的局限性(18)李勉：《基础教育评估监测：教育督导体系建设的新领域和新挑战》，《中国考试》，2021年第5期。。另外，在人工智能赋能基础教育监测中可能存在数据隐私安全、算法设计缺陷和模型有偏等风险，这在智能化组卷、阅卷和测评与诊断环节尤为重要。未来，在借助人工智能技术开展计算机自适应测验、心理素质测验、实时反馈能力测验等方面，还面临着技术创新与转变的巨大挑战。

3.教育监测人才队伍的缺乏与培养

基础教育监测结果应用的有效落脚点在课堂，对教师等教育教学者而言，目前熟悉监测理念和技术原理的一线教师较少，对于结果的解读和应用水平还有待提升。当人工智能的算法应用于基础教育监测时，教师很难理解算法评价的内在逻辑，教育教学的分析、评价与决策，是根据算法本身的一套规则，教师无法判断依据算法做出的评价是否准确以及是否符合学生需求。对于校长等教育决策者而言，如果未准确识别算法设计的缺陷，可能会影响到不同层面有效的教育决策。对于家长而言，如果学生数据信息使用不当，学生家长之间更有可能利用“数据标签”进行比较，错配学生关键能力，从而误导学生的综合成长。在人工智能大规模地推进并应用于教育教学监测的过程中，提升教育者、管理者、决策者等不同群体的教育监测理论水平，是结果应用与解读过程中面临的重大需求与挑战。

(二)人工智能赋能基础教育监测的对策

从教育长远规划和发展趋势看，人工智能更好地服务于基础教育监测，必须加强和拓展人工智能在基础教育监测中的研究和实践。主要对策体现在以下四个方面：

1.拓展多学科评估，开发新型测评工具，准确评估学生关键能力

2021年3月，教育部等六部门印发了《义务教育质量评价指南》，进一步补充了关于义务教育质量评价的相关要求，监测学科领域主要包括德育、语文、数学、英语、科学、体育与健康、艺术、劳动、心理健康。并强调要注重结果评价与增值评价相结合、综合评价与特色评价相结合、自我评价与外部评价相结合、线上评价与线下评价相结合(19)《教育部关于印发〈国家义务教育质量监测方案(2021年修订版)〉的通知》，2021年9月24日，http：//www.moe.gov.cn/srcsite/A11/moe_1789/202109/t20210926_567095.html，2021年11月29日。。建立多学科、全覆盖的智能监测评估系统，发挥大数据技术在教育监测中的有效应用，是未来人工智能赋能基础教育监测的重要发展方向。同时，要开发并广泛应用新型监测工具，精准测评并培养有关学生核心素养的重要学习能力。例如：基于大脑功能模块开展学习能力测评，培养学生面向未来发展的关键学习能力；结合新型评价工具设置问题情境，让学生在与动态的任务环境互动过程中，探索整合信息培养复杂问题解决能力；在核心素养测评方面，开发试验多任务情景的创造力测评工具，在游戏的交互环境中测量学生的高阶思维能力。基于学生关键学习能力的精准测评，有助于摒弃传统的学科知识测验向注重能力测验转变，为多学科评估学生学习能力提供科学测评工具。

2.结合人工智能大数据技术，构建组卷、测评、阅卷与决策的四维一体化监测体系

人工智能技术将会渗入基础教育监测的每个环节。在题库建设中，通过记录每道题目的研发过程、智能化分类到科学化组卷，结合智能分析技术给予客观稳定的智能化阅卷评分并实时反馈学生的学习结果，最后基于可视化分析工具为各级各类决策提供科学依据。在体系构建中，还需在关键技术方面取得突破：深化对人类情绪、情感的识别及了解，与脑科学、认知心理学等相关学科融合，重点推进情感计算、认知计算、智能感知等技术的发展(20)黄璐、郑永和：《人工智能教育发展中的问题及建议》，《科技导报》，2018年第17期。。目前的智能教学系统在检测学生的认知水平时，交互方式以键盘加鼠标为主，不能识别学生的真实物理身份，更不能有效识别学生的情感状态并给予及时而恰当的情感反馈(21)贾积有等：《人工智能赋能基础教育的路径与实践》，《数字教育》，2020年第6期。。在评价过程中注重探索多种评价方式的技术实现，注重评价的结果性、过程性、增值性、系统性和科学性。在人工智能赋能教育监测中，努力做到评价模型科学化、主体参与多元化、数据获取立体化、诊断分析最优化和评价反馈精准化(22)刘邦奇等：《智能技术赋能教育评价：内涵、总体框架与实践路径》，《中国电化教育》，2021年第8期。。通过开发实时监测系统，精准刻画学与教实时动态互动模式，全面收集学生行为数据，建立科学模型进行可视化分析，为课堂教学提供科学的教学资源和有效的教学指导。

3.刻画学生个性化画像，促进基础教育监测数据结果在不同层面的分析与应用

目前，基础教育监测的结果尚未大量应用到学校层面，仅将结果应用在省级、市级和区县层面，一定程度上制约了结果的深入解读和应用。培养具有个性化发展的人是教育的重要目标之一，未来在开展基础教育监测的计算机自适应测验背景下，利用监测数据识别学生的个性化特征，刻画促进学生个性化发展的画像，并通过模型构建和数据分析，掌握学生发展的过程数据和个性化数据，最终将数据反馈给校长、教师、家长等教育主体，为校长改善管理、教师提升教学和家长教育子女提供恰当指导，从而加强基础教育监测数据结果在家庭、学校、区县和国家层面的应用。当前，教育大数据的应用主要体现在驱动国家教育政策科学化，区域教育均衡发展、学校教育质量提升，课程体系与教学效果的最优化和个体的个性化发展方面(23)杨现民、王榴卉、唐斯斯：《教育大数据的应用模式与政策建议》，《电化教育研究》，2015年第9期。。针对教育质量监测结果在学校和个体层面应用不足的现状，未来需要创新测验形式、继续完善数据管理和应用系统，通过对数据进行科学处理，为学生个体化学习进步提供反馈，推动监测结果在个体和学校层面的应用。

4.有效开展各级层面的监测技术培训，提高决策者、教育者和学习者的数据素养

基础教育监测在人工智能赋能的背景下，在工具开发、监测实施和评价等方面有了科学完善的实施步骤，但是不同管理层面的领导者和教育者对一些关键技术的理解还不够深入，尤其是教师可能无法理解算法的内在逻辑，在结果的应用与解读过程中还存在算法缺陷、模型有偏、应用不充分等问题，不同群体数据素养的提升成为监测结果应用面临的重要挑战。通过在各级层面开展监测技术和理论培训，增强教育决策者对监测数据结果的发现力、教育教学者对监测理论技术的理解力以及学习者对自身学业表现的感知力，有效提高不同教育主体的数据素养。例如，对教师而言，培养教师的数据素养，一方面需要从教师培训入手，重点培养其数据知识和数据技能，同时加强培训的绩效评估；另一方面还要聚焦于基于数据的教学实践，重点培养教师基于数据解决教育教学实际问题的能力，形成科学合理的数据观念(24)林攀登、张立国、周釜宇：《从经验回顾到数据驱动：人工智能赋能教师教学反思新样态》，《当代教育科学》，2021年第10期。。在加强新兴测评技术的开发应用过程中，帮助管理者、教育者、学习者理解技术原理和数据应用技术，提升数据素养，对于科学合理地解读数据、恰当使用数据具有重要意义。

人工智能赋能基础教育监测，促进了教育监测过程中各个环节的技术应用与创新。未来在人工智能与基础教育监测深入融合的过程中，需要有效发挥人工智能与大数据带来的技术优势，克服人才短缺、技术创新应用以及学生个体发展等方面的问题与挑战，构建新时代的教育评价体系，进一步促进以核心素养为导向的评价，发展增值评价、过程评价，并扩大能够自动评估的学习活动、可捕捉能力的范围以及跨时间和跨环境的范围，确保人工智能赋能基础教育监测的科学性、可靠性、有效性和公平性。