教育研究中的计算驱动手段探究*

朱雨萌 钭兰朵 许馨宸 吴 飞

教育研究中的计算驱动手段探究*

朱雨萌1钭兰朵2许馨宸3吴 飞4[通讯作者]

（1．浙江大学 教育学院，浙江杭州 310058；2．浙江大学 竺可桢学院，浙江杭州 310058；3．浙江工业大学 计算机学院，浙江杭州 310014；4．浙江大学 计算机学院，浙江杭州 310023）

近年来，人工智能和网络通讯等技术的发展使高效分析和理解教育教学过程中涌现的海量数据成为可能。由此，研究数据驱动机器学习模式下有效的计算模型和手段，从数据中洞悉教育教学中客观规律和模式，成为教育研究的热点之一。为此，文章首先回顾了教育研究所属范畴的历史变化过程；然后，文章围绕教育作为自然科学研究对象所具有的以实证经验为基础、以量化计算为手段的特点，介绍了教育过程复杂性建模、教育效果由果溯因评测以及教育实验随机对照分析三个问题中的若干计算手段；最后，文章根据现有人工智能模型解释性不强这一局限性难以更好促进教育研究进展现状，指出数据和知识双轮驱动、闭环反馈回路、随机对照实验前提假设等是教育研究技术手段今后发展的趋势，以期建立解释性更强教育研究理论和方法。

人工智能；数据驱动；反馈回路；可解释

一 教育研究所属范畴的历史变化

在人类文明发展历程中，对教育研究范畴的定位经历了曲折的发展过程。1605年，Bacon[1]出版了《学术的进展》（）这一著作，雄心勃勃地绘制了“人类知识全貌”（The General Distribution of Human Knowledge）树状图，尝试对其所处时代人类知识进行分类和规范化，其根据记忆、想象、理性三种人类能力将人类总体知识划分为历史、诗歌和哲学三个不同领域，其中历史学被归属于记忆范畴、诗和艺术被归属为想象范畴、哲学则被归属为理性范畴。Bacon对人类知识的分类成为近代科学分类的先导。在Bacon给出的这一人类知识体系图中，哲学包括了自然神学、自然哲学和人类哲学三个大类。其中，在人类哲学这一类别中，出现了阅读校勘（The Art of Criticism）和学校学习（School of Learning）两个领域，用来表示教育中传播和学习人类文明成果的两种不同手段。从此，教育从哲学知识体系中分解出来，成为一门专门的科学。更为重要的是，与当时诡辩哲学所采用的从理论到理论的演绎推理研究方法不同，Bacon开创性提出了归纳推理的研究方法，即从观察和实验的事实出发，通过排斥法来发现各种现象之间关系，这一“经验的实验化”研究方法得到马克思的认同，称其是“英国唯物主义和整个现代实验科学的真正始祖”。

在Bacon将教育从哲学中独立出来且提出了以“理性和实验”为核心的现代科学思想后，人们就开始思考是否可以从实验观察中发现提升教育效果的普遍化规律，进而用计算手段来模拟这些规律，从而使任何地方、民族和国家所取得的任何新的知识和智能，都可以很快被大多数人所认知，以便更加有效地传承人类创造的积累知识与精神财富。遗憾的是，这个时期的教育虽然成为科学的一个分类，但人们还是仅仅将其视为知识传递的方式，缺乏发现教育中普遍规律的研究方法，遑论寻求合适计算手段来模拟这些规律。

表1 代表性知识图谱中对教育归属分类的内容（按时间顺序）[2]

19世纪末，人们开始意识到教育中存在普遍规律，进而对普遍规律研究加以重视。1891年，哈佛大学哲学家Royce[3]在《教育评论》（）创刊号上发表了名为《教育是一门科学吗？》（）的文章，指出教育作为一门科学，应该研究普遍有效（Universally Valid）的规律，因为科学本身所探讨的是普遍规律。简言之，教育远非最终和完全地告诉教师人性是什么、必须是什么以及如何处理它，其更应该研究井然有序的秩序和性格形成的一般规则。显然，教育要成为一门科学，就需要研究教育过程中（如学习、评测等）存在的普遍客观规律。但是，由于缺乏刻画这些客观规律的数据，因此即使人们已经认识到教育是一门科学，仍然很难通过计算手段对其开展相应研究。

实际上，不同时代的研究者对教育研究范畴所包含的内容有不同的认识，因此在历史上不同学者按照个人认识将教育分类划归为不同领域进行研究。瑞士国家科学基金会（Swiss National Science Foundation）和日内瓦大学于2018年启动了“学科互动历史地图集”（Interactive Historical Atlas of the Disciplines）项目，该项目收集了公元前360年～1967年之间近2000多年，由不同研究者提出的一共255个不同的人类知识图谱。统计分析可知，这些知识图谱总共包含了18393个知识领域[4]。分析这255个知识图谱所包含的18393个知识领域，可以发现人类学科知识整体上由以哲学为原点向以科学为原点不断演变发展。255个知识图谱中有27个知识图谱单列教育这一知识领域，代表性知识图谱中对教育归属分类的内容如表1所示。分析这些将教育单列的知识图谱，可以发现教育首先被划为哲学范畴（如Bacon的人类知识树状图所示），然后归属于精神与实践艺术范畴，再后来归属于人文科学范畴（具有代表性的学者及其提出的知识图谱对教育的分类，如表1所示）。同时，教育与心理学、社会学以及历史学联系密切，呈现交叉性、实用性和主观性等特点。

应该承认，由于人们长期以来将教育划分为人文科学和社会科学的范畴，因此相关研究多采用主观性思辨与应然性畅想等方法，忽略以自然科学研究范式来深化对教育和人的认知，这极大地阻碍了教育的研究进程。因此，本研究基于教育作为自然科学研究对象所具有的以实证经验为基础、以量化计算为手段的特点，探究教育过程中复杂性建模、教育效果由果溯因评测以及教育实验随机对照实践三个问题的若干计算手段，提出数据和知识双轮驱动、闭环反馈回路、随机对照实验前提假设等将成为推动教育研究的发展趋势，以期为计算驱动的教育学科学研究提供启示。

二 教育研究中若干计算驱动的手段

计算驱动指把实际问题抽象为可形式化表达的数学问题，用计算机语言来编程，自动优化求解数学问题所表达的模型，从而解决实际问题，即运用计算机科学的基础概念进行问题模型设计、求解过程构造和计算手段实现的一系列活动。如前所述，教育研究的核心是发现教与学过程中人的认知客观规律，需要从观测所得现象出发，以计算技术来实现这一科学研究。当前，科学研究范式正在变革，继实验观测科学（从对自然现象的观测中总结规律）、理论推导科学（从科学实验中推导规律）和仿真模拟科学（从对复杂现象的模拟中进行科学研究）之后，正在迈向以数据洪流为核心的数据密集型科学[5]。数据密集型科学研究体现了计算驱动的特点，其结合所观测现象和已有领域专业知识等数据、基于数学和统计等算法模型、应用计算机科学方法，从海量数据中发现规律，以支持决策、发现知识和预测未知等。

数据密集型这一计算驱动的科学研究范式给教育研究带来了新的机遇。早期教育研究始于古希腊哲学研究，彼时教育尚未从哲学、政治学、伦理学中分离成为独立学科，因此对教育本身研究的方法论也大多呈现为主观性的思辨与应然性的畅想。随着大数据、人工智能、物联网、VR/AR和5G等技术的进步，人类正进入“信息空间、物理世界和人类社会”（Cyber Space, Physical World, Human Society，CPH）三元空间时代。在三元空间，收集与挖掘教育活动中学习者、学习资源、学习环境和学习过程等海量数据成为可能，从而可架构数据密集型这一计算驱动模式来进行教育研究。例如在“教师—学生—智能”体所构成的协作学习环境中，个人学习能力和学习效果会受到学习资源（数据与服务）、群体交互（行为）和探索反馈（奖励）等影响，不同智能算法从对收集的观测过程和结果等数据出发，通过数据驱动下抽象归纳、知识引导下演绎推理和行为交互下探索反馈等机器学习方法，分析学习手段、学习途径、交互模式、反馈奖励等因素对学习效果的不同影响，甄别干预变量、消除混合变量，从而建立以因果推断为核心的在线协同学习实证评估手段，以动态提升学习质量。

显然，一旦将教育作为自然科学研究对象，其科学内禀就逐渐明晰，走出了原先基于形而上思辨与演绎推理的桎梏，可以将涌现数据作为实证研究基础、以量化分析作为计算手段，建立数据驱动机器学习模式下有效的计算模型。接下来，本研究选取教育过程复杂性建模、教育效果由果溯因评测以及教育实验随机对照分析三个方面为例，介绍数据驱动机器学习模式下计算模型，展示计算驱动下这些教育研究场景所采用的典型人工智能手段和方法。

1 教育过程复杂性建模

教育是人类社会所特有的更新性再生巨复杂系统，具有教育对象的主体性、教育过程的综合性、教育资源的多样性以及教育成效的潜在性等特点。

法国著名思想家、哲学家Morin[6]在2000年以法文出版了《未来教育所必需的七种复杂性经验》（）论著，后联合国教科文组织将其翻译为英文。Morin在论著中强调教育之所以复杂，是因为教育对象（人类本身）是世界上最复杂的生命体。只有揭示人在教与学过程中的客观认知规律，才能提升教与学的效果。一般认为，人的认知规律具有非线性、群智涌现、回路反馈等特性，需要用可计算手段对教与学复杂过程中非线性映射、合作行为和反馈等行为进行建模，以洞悉学习意图和兴趣偏好等认知规律。在现实世界中，非线性是世界万事万物运转的魂魄，原子弹之父Fermi曾经说过：“大自然的一切定律并非都可以用线性方程来表示”[7]。在教育研究中，通过将具有非线性映射能力函数（如核函数、稀疏编码、卷积池化和矩阵分解等）引入有监督学习模型（如深度神经网络、决策树和支持向量机等）、无监督学习模型（如聚类、主题建模和流形学习等）以及半监督学习模型，就能从海量数据中识别、跟踪和预测学习兴趣点与知识点的演变等内在模式，提升个性化学习效能。

此外，合作是进化过程的架构师，是人类社会的最大成功。与自然界一样，在人类社会，我们可以观察到这样的现象：群体成员间通过协作、竞争和激励等去中心化的方式，产生复杂的行为模式，体现群体所独有的智能/智慧，具有“整体大于部分总和”的涌现性特点，即群智涌现[8]。涌现群体智能与群体中个人成员之间的协作、竞争和激励等要素密切相关，而与成员平均或最高智能无关。在学习认知过程中设计激励机制能够激发学生和学生、学生和教师之间在教学合作场景中的群智涌现，促使学生提出创造性想法，解决学习过程中产生的困惑与难点，形成学会学习的能力。

同时，个体在学习过程中会根据学习效果来纠正或调整学习方法，这可视为一种“试错学习方法”。这种方法的本质是在学习过程中建立“闭环反馈回路”，将输出端结果反馈给输入端，进而对系统中相应方法进行调整。学习过程中的“闭环反馈回路”包含了人这一个体，2013年1月，杂志刊文呼吁建立“人在回路”（Human-in-the-loop）计算模式，指出在计算过程中要更加重视人的交互作用和参与程度，推动从以机器为中心计算模式到以人为中心计算模式的巨大演变[9]。在学生—教师—教学资源—教育环境所构成的学习场景中，个人学习行为会受到学习资源（数据与服务）、群体交互（行为）和探索反馈（奖励）等影响，学习能力因此不断演化。因此，如何对学习内容、学习手段和学习目标进行不断调整，建立解释性强、自适应好的行为交互探索反馈计算模型以刻画学习的进化与演化过程，从而提供更佳个性化学习辅助手段，是推动人工智能与在线教育深度融合要解决的重要挑战之一。

2 教育效果由果溯因评测

为了实现教育效果由果溯因评测，需要使用因果效应评估这一建模计算手段。因果效应评估是洞悉观测数据中因果关联的重要途径，其关键挑战在于消除混淆变量（Confounder）对干预变量（Treatment）的影响，这方面的代表性建模计算方法有基于倾向值（Propensity Score）评估方法、非参数结构方程（Nonparametric Structural Equations）、有向无环图（Directed Acyclic Graph）以及复杂试验、工具变量法、因果势理图和因果干扰等计算方法[10]。

卡耐基梅隆大学和印第安纳大学所进行的面向教育的实验分析表明：学习习惯、教育手段、教育资源与学习效果改善存在一定的因果关系，而内嵌（Embedding）实验是因果分析的有效手段[11]。范施·因德尔（van Schijndel）等[12]通过因果隐性模型来分析因为学习行为差异化而对学习性能的影响，提出了理性、联想和不确定性规避三种策略来解释学习行为差异化的原因。

不同于单纯从数据中挖掘不同变量之间存在的潜在因果关系，在教育效果由果溯因评测中，因和果之间的关系由于人这一研究对象的引入而使计算建模方法变得异常复杂，需要对计算模型进行如下三个方面的扩展：①目前因果评测中干预变量往往只有二值变量（如好或不好等），需要将二值变量扩展为连续干预变量，从而应用合理的控制手段对个体、群体和行为进行评价；②要重视教育场景中实现有效因果关系推断所应满足的基本条件；③要准确界定因和果所适用的学习范围以及研究结论推及总体的一般化能力，形成可靠假设和知识的有效累积。以上三点是推动教育评价科学化发展的重要原生动力。

在测量与评估教学效果以指导并改善学习的研究手段和建模方法中，可以通过综合质性研究（依托评价量规）和量化研究（协作计算），构建面向多主体的协同学习因果网络，引入基于介入、反事实等推理手段的归因分析机制，从学习手段、学习途径、交互模式、反馈奖励等因素中甄别干预变量、消除混合变量，建立以因果推断为核心的教学效果实证评估方法，以计算驱动手段动态提升教育质量。

3 教育实验随机对照分析

教育是一项在现实世界中进行的具体实践活动，不同教学方法会对不同受教育者产生不同的影响。为了分析技术手段的优劣好坏，需要使用自然科学中随机对照实验（Randomized Controlled Trials，RCT）这一计算手段来进行分析。所谓随机对照实验是一种对医疗卫生服务中某种疗法或药物的效果进行检测的方法，常用于医学、生物学、农学等方面。随机对照实验的基本方法是，将研究对象随机分组，对不同组实施不同的干预，以对照效果的不同。

自20世纪初随机对照实验这一计算手段被引入教育学研究以来，教育随机对照实验的发展先后经历了高潮期和低谷期，其代表性研究如表2所示。其中，美国是最早使用随机对照实验开展教育学研究的国家，其教育实验随机对照分析经历了五个阶段，分别是心理学实验赋能教育研究设计阶段（1900～1940年）、费希尔所著《实验设计》被引入教育研究设计阶段（1940～1960年）、教育随机对照实验第一次浪潮（1960～1980年）、美国教育实验的低谷（1980～2000年）以及教育科学研究时代（2002年至今）[13]。相较而言，英国、瑞典、挪威等国家起初以定性定质研究为主，直到20世纪中后期才开始采用随机对照实验开展教育研究。自21世纪以来，各国家政府对于教育政策效果的评估需求增加，通过随机对照实验方法开展的教育研究由此受到了高度重视。此外，教育随机对照实验呈现从小规模特殊群体洞察转向大规模社会实验研究的趋势[14][15][16]。

表2 随机对照实验在教育中代表性研究

随机对照实验方法的引入为教育研究打下了坚实基础。20世纪60年代中期到80年代，美国联邦政府注重提升教育和社会福利，并通过“伟大社会计划”改善教育。为了对这些政策实施效果进行系统科学的评估，研究者开展了大量的随机现场实验（Randomised Field Trials，RFT），即将单个个体随机分配到两个或多个组中的一个，每组都接受不同手段的教育干预，来观测得到的不同效果[28]，为教育政策的决策提供参考依据，并为教师培训方案、课程创新、技术在教育中的应用、职业培训、职业教育、测试效果等提供决策参考。教育随机对照实验中较著名的实验包括“高范围”（HighScope）实验和“斯坦福棉花糖实验”（Stanford Marshmallow Experiment）。这一阶段也被称为美国教育随机对照实验的黄金年代。

然而，尽管联邦政府在教育实验中投入了大量资源，却并未得出对实际教学实践和学生成绩产生巨大或可复制影响的结论，美国教育随机对照实验研究在20世纪80年代～21世纪初进入了低谷停滞期。在这个时期，虽然美国教育研究开始转向其他定性研究方法，但美国政府部门在这一阶段仍主导开展了少量教育社会实验研究，如田纳西州小班化教育改革实验，这项实验也被称为STAR（Student-Teacher Achievement Ratio，学生—教师成就比）项目，于1985年由田纳西州立法机构委托田纳西州大学和田纳西州教育部联合实施，以评估小班教学对学生成就的影响。在对田纳西州所有学区学校进行规模标准筛选后，其42个学区的79所小学成为STAR实验的场地，参与为期长达四年的教育随机对照实验。该实验将幼儿园学生随机分为小班（13～17名学生）、大班（22～26名学生）以及有全职助理大班三类。教师也被随机分配到不同类型的班级。在实验期间研究团队会进行实地考察（以核实班级规模）、访谈、数据收集与测试。实验结果表明被分配到小班的学生具有更高的学术成就（成绩）[29]，并且该优势会持续到整个小学八年级乃至高中[30]。田纳西班级规模实验对美国教育政策产生了巨大影响。

2002年成立的美国教育科学研究所（Institute of Education Science，IES）提出了“什么干预是有效的”标准，将随机现场试验评为最严格的研究方法，随机对照实验迎来第二次发展浪潮。本次浪潮中，欧洲国家也愈发重视教育研究中的随机对照实验方法。英国于2011年成立教育捐赠基金会（England’s Education Endowment Foundation），重视并资助开展教育随机对照实验[31]。20世纪下半叶石油危机后，丹麦、挪威和瑞典等国家遭遇财政危机。如何在有限的国家财政资助下，高效率地干预教育事业以提升教育质量成为这些国家的重点关注问题。例如，瑞典国家教育署和劳动力市场与教育政策评估研究所在2016～2020年间针对6～18岁的学生开展了“提高新生教育质量的干预措施”（Insatser för att stärka utbildningens kvalitet för nyanlända elever）项目调研，通过对新生进行知识检测来分配合适的班级、为贫困学校的教师提供更高的工资、招聘更多教师等方式，提高新生教育的质量[32]。

本研究于2022年10月6日以“随机对照实验”为关键词对Web of Science核心合集SCI（Science Citation Index Expanded）和SSCI（Social Sciences Citation Index）数据库进行检索，得到教育类（Education & Educational Research）论文5365篇。分析发现，随机对照实验自1998年以来在教育领域的研究热度持续上升；美国RCT相关论文发表数量自2010年起有着明显上升趋势并在论文发表数量上呈现研究主导地位；英国相关论文发表数量自2016年起快速增长；我国相关论文发表数量仍较少。对所有论文关键词进行词频统计后可以发现，研究领域多聚焦于医学教育（Medical education，72/5356）、干预（Intervention，43/5356）、专业发展（Professional Development，43/5356）、读写能力（Literacy，32/5356）、评估（Evaluation，26/5356）等方面。

三 教育研究中的计算驱动手段未来趋势

在教育过程复杂性建模、教育效果由果溯因评测以及教育实验随机对照分析等问题中引入计算手段，为教育研究提供了新的机遇，然而计算驱动的教育学研究仍处于发展初期，本研究总结了其未来趋势，具体如下。

①建立数据和知识双轮驱动下解释性强的计算手段。当前以深度学习为核心的人工智能模型存在解释性不强的局限性。物理学家Feynman曾经说过：“What I cannot create, I do not understand.”（不可造者，未能知也）[33]。为了能够使用机器学习等计算手段来研究人的认知过程，需对这一过程进行清晰描述，从而用算法模型和机器学习系统来清晰模拟实现认知过程。因此，在用知识、规则和逻辑等刻画认知学习过程基础上，将知识与算法模型进行结合，可使算法模型更具解释性，而不是对一个“黑盒”进行暴力优化拟合。如何将教育领域中的专业知识（如学习理论、认知发展理论等）引入人工智能算法模型，建立起数据和知识双轮驱动下解释性强的计算手段，是教育研究未来发展的趋势。

②引入“人在回路”的协同学习方法。学习行为的发生不是孤立存在的，而是在学习者（学生）、学习构成空间（如学习资源和算法模型等）和教育工作者（教师）之间所构成的环路中发生。因此，研究人在回路模式中协同学习机理并建立适应性学习方法是未来发展的一个趋势。美国国家科学基金会（National Science Foundation，NSF）从2020年以来一共资助成立18个美国国家人工智能研究院，其中设立了一个面向教育的人工智能研究院“成人学习与在线教育研究院”（The National AI Institute for Adult Learning and Online Education，AI-ALOE）。该研究院是一个跨学科学术团体，汇集了来自哈佛大学、乔治亚理工、北卡罗来纳大学以及范德比尔特大学等大学联盟中认知科学、计算机和教育等领域专家学者。AI-ALOE的研究重心是建立有效的数据驱动反馈回路（如以教师为中心回路和以学习者为中心回路），来提升个性化学习能力。在传统以“数据、知识和模型”为中心的机器学习模型中，引入“人在回路”的闭环协同学习机制，形成数据驱动下归纳、知识指导中演绎以及反馈认知中顿悟等相互结合计算理论模型，是在“人-机-物”耦合而成学习空间中进行“教”与“学”今后的发展方向。

③设计教育随机对照实验结果的全覆盖指标。现有教育实验研究往往会采取随机对照实验的方法。美国国家教育研究基金会成员本·斯泰尔斯（Ben Styles）与约克大学教授卡罗尔·托格森（Carole Torgerson）在2018年所发表的论文《教育研究中的随机对照实验（RCTs）——方法论辩论、问题、挑战》（）中指出，只有衡量随机对照实验结果的指标能够覆盖该教育评估所致结果多样化内涵，才能使用随机对照实验来评估干预措施的结果[34]。为此，设计科学实验评价指标，加强对产生实验结果背景的理解，审慎辨析实验对于理论的影响与贡献，是今后教育随机对照实验方法的发展方向。

更为根本的是，由于教育研究是与人相关的研究，教育研究呈现很强的学科交叉特点，因此要采用的计算手段不仅仅来自某一学科。在教育研究过程中，以信息技术为手段，结合心理学、脑与神经科学、语言学、认知学等学科研究成果，才能在人类学习与发展的客观规律等基础研究方面取得突破。

四 总结与展望

本研究溯源了人类知识分类发展中教育研究范畴演变历程，介绍以主观性思辨与应然性畅想等方法对教育进行研究，正在转向以数据驱动机器学习模式为核心的计算手段对教育进行研究的转变。随后从教育过程的复杂性建模、教育由果朔因可评测与教育实验中随机对照方法三个方面来探讨计算驱动教育研究的具体方法并对计算驱动教育研究的局限性进行思考，以期引发各界对科学属性的思考以及计算驱动教育研究的进一步关注。

人工智能是战略性通用目的技术，将人工智能算法和模型与教育场景中问题结合会推动教育研究跨越发展[35]。在现有以数据驱动下机器学习模型中引入刻画教育教育客观规律和机理的可计算模型，建立人在回路的闭环反馈机器学习框架，构建由果溯因的学习效果评测方法，充分融合数据驱动、知识指导和反馈优化等手段，推动自然科学和社会科学交叉融合，对于教育研究具有重大的科学研究价值和工程实践意义。

[1]Bacon F, Montagu B.The works of Francis Bacon [M].London: J. Rivington, 1819:43.

[2][4]Sandoz R. Interactive historical atlas of the disciplines - university of geneva. Interactive historical atlas of the disciplines - university of geneva[OL].

[3]Royce J. Is there a science of education[J]. Educational Review, 1891,(1):23-24.

[5]Tansley S, Tolle K M. The fourth paradigm: data-intensive scientific discovery[M]. Washington: Microsoft Research, 2009: xvii.

[6]Morin E. Seven complex lessons in education for the future[M]. Paris: Unesco, 2002:2-3.

[7]Maglab. Enrico Fermi[OL].

[8]Michelucci P, Dickinson J L. The power of crowds[J]. Science, 2016,(6268):32-33.

[9]Schirner G, Erdogmus D, Chowdhury K, et al. The future of human-in-the-loop cyber-physical systems[J]. Computer, 2013,(1):36-45.

[10]Kuang K, Li L, Geng Z, et al. Causal inference[J]. Engineering, 2020,(3):253-263.

[11]Motz B A, Carvalho P F, de Leeuw J R, et al. Embedding experiments: Staking causal inference in authentic educational contexts[J]. Journal of Learning Analytics, 2018,(2):47-59.

[12]Van Schijndel T J P, Huijpen K, Visser I, et al. Investigating the development of causal inference by studying variability in 2-to 5-year-olds’ behavior[J]. Plos One, 2018,(4):e0195019.

[13][14][18][19][20][21][22][24]Hedges L V, Schauer J. Randomised trials in education in the USA[J]. Educational Research, 2018,(3):265-275.

[15][25][31]Dawson A, Yeomans E, Brown E R. Methodological challenges in education RCTs: Reflections from England’s education endowment foundation[J]. Educational Research, 2018,(3):292-310.

[16][26][27]Pontoppidan M, Keilow M, Dietrichson J, et al. Randomised controlled trials in Scandinavian educational research[J]. Educational Research, 2018,(3):311-335.

[17]Oakley A. Experimentation and social interventions: A forgotten but important history[J]. Bmj, 1998,(7167):1239-1242.

[28]Stufflebeam T K D L. International handbook of educational evaluation[M]. New York: Taylor & Francis, 2003:107-124.

[23]Wikipedia contributors. Oportunidades[OL].

[29]Nye B, Hedges L V, Konstantopoulos S. The long-term effects of small classes: A five-year follow-up of the Tennessee class size experiment[J]. Educational Evaluation and Policy Analysis, 1999,(2):127-142.

[30]Nye B, Hedges L V, Konstantopoulos S. The long-term effects of small classes in early grades: Lasting benefits in mathematics achievement at grade 9[J]. The Journal of Experimental Education, 2001,(3):245-257.

[32]Skolverket. Insatser för att stärka utbildningens kvalitet för elever som är nyanlända eller har annat modersmål än Svenska[OL].

[33]Way M. What I cannot create, I do not understand[J]. Journal of Cell Science, 2017,(18):2941-2942.

[34]Styles B, Torgerson C. Randomised controlled trials (RCTs) in education research-methodological debates, questions, challenges[J]. Educational Research, 2018,(3):255-264.

[35]吴飞.《走进人工智能》[M].北京:高等教育出版社,2022:200-214.

An Inquiry into Computing-driven Methods in Educational Research

ZHU Yu-meng1DOU Lan-duo2XU Xin-chen3WU Fei4[Corresponding Author]

In recent years, the development of technologies such as artificial intelligence and communication network has made it possible to efficiently analyze and understand the massive data emerging in teaching and learning process. Therefore, studying the efficient computing models and means under the data-driven machine learning model and further gaining insight into the objective laws and patterns of education and teaching from data has become one of the hotspots in educational research. Therefore, this paper firstly reviewed the the historical change process of the category that education research belonged to. Further, focusing on the characteristics of taking on empirical experience as basis and quantitative calculation as the means belonging to education as a natural science research object, this paper introduced several computing methods in three problems of complexity modeling of educational process, causal inference evaluation in educational effect assessment and educational randomized controlled analysis. Finally, according to the limitation that the existing artificial intelligence models were not very explanatory, ipointed out in this paper that two-wheel drive of data and knowledge, closed-loop feedback, and presuppositioof randomized controlled trails were the trends of educational research in future, so as to establish educational research theories and methods with more explanatory.

artificial intelligence; data-driven; feedback loop; explanator

G40-057

A

1009—8097（2023）02—0033—10

10.3969/j.issn.1009-8097.2023.02.004

本文为国家自然科学基金重点项目“面向在线教育的群体智能支持下人机协同学习研究”(项目编号：62037001）的阶段性研究成果。

朱雨萌，在读博士，研究方向为智能教育，邮箱为yumeng_zhu@zju.edu.cn。

2022年8月13日

编辑：小时