理感联通：人工智能赋能智慧教育新范式

廖剑 刘选 刘革平

摘要：智慧教育是运用智能技术养成智慧的教育。人工智能技术的发展是推动智慧教育研究和实践深入发展的重要动力。尽管以ChatGPT为代表的新一代大规模人工神经网络技术在教育领域已展现出巨大的应用潜力，但仍存在内容不够精确、结果不可解释、过程难以控制等弊端，由此带来了智能答复不准确，智能识别结果可信度低，算法歧视与偏见，教育数据隐私安全等教育应用与伦理问题。该文认为造成该困境的重要原因是，现有人工智能研究中理性计算与感性计算的割裂。研究基于哲学、心理学和脑科学、人工智能等领域对感性与理性这对具有本质性特征的理论概念进行阐释和分析，提出理感联通人工智能的概念，将其表达为理性计算与感性计算的有机整合，并归纳出知识升华、智能耦合及反省控制的三重联通机制。观照到智慧教育领域，建构了理感联通智慧教育框架。该框架不仅解释了理感联通模型中各类技术对智慧教育的作用机制，同时也阐明了其在当前智慧教育中的典型应用场景。理感联通智慧教育框架的提出有助于推进人工智能在智慧教育中的进一步赋能，并降低未来强人工智能所带来的潜在风险。

关键词：智慧教育；理感联通；人工智能；双过程理论；ChatGPT

中图分类号：G434 文献标识码：A

本文系2021年国家自然科学基金面上项目“基于图神经网络的学生课堂状态协同判别及解释模型研究”（项目编号：62177039）、西南大学中央高校基本科研项目“基于实时视频分析的增强智能课堂教学系统研究”（项目批准号：SWU2109323）研究成果。

一、智慧教育发展现状与人工智能赋能教育瓶頸

我国智慧教育的发展起步于2012年，典型标志是祝智庭教授发表《智慧教育：教育信息化的新境界》一文[1]，该文直接指出智慧教育是教育信息化的新诉求和新境界，由此引领我国教育信息化迈向新的发展阶段。同时，智慧教育“以智慧学习环境为技术支撑、以智慧学习为根本基石、以智慧教学法为催化促导”的理念推动和引领智慧教育的研究与实践不断发展[2]。2018年，我国教育部印发《教育信息化2.0行动计划》，正式将“智慧教育”写入官方文本，将开展智慧教育创新示范、构建智慧学习支持环境、加快面向下一代网络的高校智能学习体系建设、加强教育信息化学术共同体和学科建设作为智慧教育创新发展的行动计划。

然而，在智慧教育如火如荼发展的背后，支持智慧教育深入发展的以人工智能为代表的智能技术却也面临诸多问题。例如，尽管目前ChatGPT等大语言模型大大加强了计算机语言交互能力，但仍存在回答问题的准确性不足，如OpenAI 承认 ChatGPT 会给出看似合理但不正确甚至荒谬的答案，由此带来学生的认知与偏差、算法歧视与偏见、数据隐私泄露等潜在风险与问题[3][4]。此外，人工神经网络技术面临着“黑箱”问题，即其计算过程不透明且难以解释，使得一方面智能运算如学生专注度识别结果被质疑，另一方面也引发诸多学者对人工智能是否可控的担忧。

笔者认为，机器智能中“感性计算”与“理性计算”的割裂是造成这些问题的主要原因。本研究通过从哲学、心理学与脑科学、计算机科学等层面对感性计算与理性计算的学理基础进行梳理，提出通过“理感联通”模型来解决上述问题。理感联通深度融合了感性计算与理性计算，是弱人工智能向强人工智能过渡的必然途径，也将是约束人工智能并降低其伦理问题风险的必然手段。本研究在辨识感性计算和理性计算差异的基础上，进一步提出理感联通智慧教育的理论框架，并通过四个典型案例对模型的应用场景进行了阐述，以使其真正为教育环境安全赋能，并促进学习者的智慧发展和养成。

二、理感联通人工智能的学理基础

理感联通人工智能作为促进智慧教育发展的新技术，不仅具有哲学层面理性与感性的双重隐喻，而且有来自脑科学的左右脑分工理论，以及心理学双重编码理论和双过程理论的观照，还有来自人工智能符号主义和联结主义的分裂与融合[5]，他们共同构成了理感联通人工智能的学理基础。

哲学中的理性主义（Rationalism）和经验主义（Empiricism）为理感联通人工智能提供了理论支撑[6]。理性主义强调从一个最确定的理论支点出发，通过逻辑学等理性方法可靠地推断出更为复杂和系统的知识[7]。人工智能借此发展出了基于规则的方法、形式语言理论、语义网络、一阶谓词演算等计算方法及理论[8]。而经验主义哲学家强调通过感觉和反思，不断将个别和特殊的经验事实，归纳为一般普遍性的知识。人工智能基于此发展出了语料库、数据挖掘、大数据分析等基于统计学的计算方法[9]。

脑科学和心理学对理感联通人工智能的观照体现在，左右脑分工理论指出人的左脑从事逻辑思维活动和右脑从事形象思维活动[10]。双重编码理论指出的人的头脑中存在分别以语言和意象为基础的两种既相互独立又相互联系的加工系统，以及只有这两个系统进行同步编码才能在大脑形成长时记忆的观点[11]。“双过程理论”[12][13]则揭示人的大脑中包括系统1和系统2两个系统，分别进行直觉思考和逻辑推理。上述理论均为理性计算与感性计算之间的“联通”提供了重要的理论支撑。

此外，人工智能本身的发展也表现出符号主义和联结主义两大流派，其中符号主义认为人的认知和思维本质上都是符号运算过程，人和计算机均可被看作物理符号系统，只要厘清人的智能运作原理，并使用形式化符号来描述，就能使计算机通过推理运算来实现智能化的行为[14]。联结主义通过对人脑神经元模型的研究与模拟，能够完成包括模式识别等智能任务。

近年来融合符号主义与联结主义也成为前沿研究热点，其研究可归纳为符号增强神经、神经增强符号、神经符号协同及神经符号转换四种类型。符号增强神经是指将符号主义的方法应用于神经网络的训练识别和解释中，如从用于图像处理的深度神经网络中提取如猫的眼睛和耳朵等概念[15][16]；神经增强符号是指将神经网络应用在符号系统中，如利用图神经网络对符号主义中的知识图谱中缺失的信息进行自动补全等[17][18]；神经符号协同是指通过神经网络和符号系统在体系结构上的协同以实现更高阶的智能行为，如唐杰教授依据双过程理论提出的认知图谱[19][20]；而神经符号转化是指将一个神经系统转换为一个符号系统，如将深度神经网络的分类规则通过知识蒸馏提取进决策树模型中[21]，或通过神经网络从多文档大数据中构建教育知识图谱[22]。由此可见，人工智能自身的发展情况也揭示出两大流派在发展过程中逐步走向融合的趋势，这些均为人工智能“理感联通”的提出奠定了良好的理论和实践基础。

三、理感联通人工智能模型

基于上述分析，本文将哲学中的理性主义、脑科学中左侧大脑的机能、心理学中双重编码的语言系统和双过程理论的系统2，以及人工智能中的理性流派方法，归纳整合为机器处理逻辑与规则等问题的理性计算。同理，将哲学中的经验主义、脑科学中右侧大脑的机能、心理学中双重编码的意象系统和双过程理论的系统1，以及人工智能中的联通主义和数据主义的经验流派方法，归纳整合为机器处理具象与直觉等信息的感性計算。而人的一些更高级的智能行为（如创造性思维），则往往需要感性与理性的融合及共同参与。正如苯环的结构（即理性知识）就是凯库勒（Friedrich A Kekule）感性地梦到一条咬住尾巴的蛇而受到启发后发现的。由此本文进一步引入智慧通道的概念，并认为智慧通道如同大脑中的膑胝体联通左右脑，是连接感性计算与理性计算的关键。基于此认识和理解，我们提出如图1所示的人工智能的理感联通模型。

借助哲学、脑科学、心理学以及人工智能两大流派对理性计算和感性计算的启示，我们将人工智能理感联通模型中三个关键组成要素的定义进一步阐释如下：

感性计算特指基于人工神经网络的计算方式，对客观事物的声音、图像、或文本等多模态信息进行感知与识别，并相应生成文本、声音、图像、动作结果，由此可实现情绪感知、联想、动作控制与会话等。感性计算具有直觉型、启发性、快速性等特点。

理性计算特指电脑对客观事物理性规律的表征，并由此进行的逻辑推理、判断、决策、规则应用等计算活动。理性计算具有分析性、规则明确性、慢速性等特点，在人工智能中对应专家决策系统及知识图谱的构建与推理等。结合前文分析，感性计算与理性计算在各个层面的进一步区别如表1所示。

智慧通道是联结感性计算与理性计算的通道，有助于产生更高阶的智能行为。正如人类大脑中存在的膑胝体能够联通左右脑一样，人的高级智能（如创造性思维）往往需要理性和感性的交互才能形成。此外，感性计算中获取的感性知识可以升华为理性计算中的理性知识，而理性计算也可对感性计算中直觉产生的决策等进行监控和反省，并纠正直觉判断中可能存在的错误。基于心理学、认知科学及人工智能当前的研究基础，我们认为智慧通道中可包含知识升华、智能耦合、反省控制三重联通机制。

（1）知识升华：Dienes与Pemer从语义和心理表征的功能属性提出了内隐知识和外显知识。内隐知识是指未被表征、难以量化和表述的知识[23]，与感性更为相关。外显知识是指理性计算更容易加工处理的概念、原理、规则等。而知识升华则是指从感性的、经验的和不易理解的内隐认识中进行提炼并上升为理性的、易理解的外显认识。当前人工智能研究中的知识蒸馏等技术[24]，能将神经网络中难以直接认知的神经元链接方式，转换为易于理解的规则，就可以看作是知识升华的一种应用。

（2）智能耦合是指由感性计算与理性计算联合产生的更高级的智能行为，如情景理解、语境理解、基于联想的推理、高阶评价、目标规划甚至是创造等。其中，情景理解涉及对情景中物体和人物的感性识别，以及对人物关系和人人关系的理性推理。语境理解不仅需要理解语言的词法、句法、章法等理性规则，更需要理解语言所应用的情景，来确定词语的精确含义和推断谈话者的意图。基于想象的推理，突破了基于逻辑推理的局限，将联想纳入推理规则中，从而更好地模拟人的高阶思维。高阶评价和目标规划不再局限于通过规则明确的评价体系进行量化评价，也可实现对元认知能力、自我管理能力等难以直接量化的目标进行质性的评价和目标规划[25]。

（3）反省控制是指理性计算能够对感性计算所做出的直觉判断进行内省解释，并给予相应干预与控制。埃文斯与斯坦诺维奇的双过程理论对反省机制做了详细阐述[26]，感性计算做出的直觉判断虽快，但有时会犯认知偏差的错误，这就需要理性计算对感性计算进行监控与反省。反省机制由此有助于提高人工智能决策的准确性与解释性[27]。此外，如同人的理性思维可以引领感性行为，机器的理性计算在内省时如预测感性计算行为发生偏差，也能提前进行引领，规避错误。如使人工智能的行为始终不违反机器人三定律理性原则，避免对人产生不可控的负面后果。

总之，人工智能的理感联通模型包含感性计算、理性计算、以及联结感性与理性计算的智慧通道三个关键要素，该模型的建立有助于实现人工智能从“弱人工智能”向“强人工智能”转段升级，同时降低强人工智能所带来的应用伦理风险。

四、理感联通智慧教育框架与典型应用场景

人工智能理感联通概念的提出，既为人工智能下一步的发展提供了思路，也为机器智能如何进一步赋能教育提供了思考框架。为厘清理感联通模型如何影响智慧教育，本文尝试构建出一种理感联通智慧教育框架（如下页图2所示）。

从下页图2中可以看出，该框架与人工智能理感联通模型保持一致，包括感性计算、理性计算和起到联通作用的智慧通道三个关键要素。其中，感性计算代表以深度神经网络为主的人工智能技术对学生不同层面的状态的感知，如对师生的文本、声音、动作、情绪等基础特征进行感知；基于上述基础特征再对学习状态、交互状态和教学状态等教育核心变量进行归纳识别；最后在更高层次为学生高阶能力评价等提供数据支持。

理性计算采用教育知识图谱、专家系统、决策树等人工智能技术，对学习内容进行组织并对教育中相应的理性规则进行定义，其内容可涵盖教育知识技能图谱、教学规律、教学干预策略、资源及学伴推荐策略、教育目标规划原则、及高阶能力评价指标体系等。

智慧通道是联通感性计算和理性计算的关键要素。通过联合感性计算与理性计算，可实现对学生个性化教育目标的设定、综合评价高阶学习能力并生成学生全维度画像等。基于学生的智慧画像，可进一步提供丰富的教学策略与学习工具来支持学生的智慧成长，如采用具备想象推理能力的高智能教学Agent对学生进行个性化教学辅导等。此外，智慧通道也有助于挖掘与提炼可解释的教学规律，并设置反省控制环节以规避教育AI应用中所存在的风险。

基于如前面图1所示的理感联通智慧教育框架，我们重点从智慧评价、智慧学习、智慧教学、可解释性及教学规律挖掘四个方面进一步阐释该模型的典型应用。

（一）智慧评价

学习者的智慧发展，不仅包括知识的习得，也包含高阶思维的提升[28]及适应复杂社会的综合能力培养[29]。智慧教育环境除传统课堂外，还可包含课堂之外的学习空间，如智慧校园、在线学习环境、混合现实环境及教育元宇宙[30]。然而当前智能技术仅能对清晰、明确和可量化的教育目标进行评价，难以处理没有明确规则甚至没有明确定义的评价目标，如学习者的创造性思维、批判性思维等[31][32]。采用理感联通教育模型，一方面可借助已有的评价领域专家知识对评价体系进行理性建模；另一方面可从学生的课堂学习音视频、作业记录、生物信号等多模态大数据中，感知挖掘对评价结果产生影响的重要特征，由此对专家评价模型进行印证与补充，最后通过综合专家理性规则和多模态数据感知分析结果来不断完善改进评价结果。

此外，当前评价系统已能对选择题、填空题、连线题等客观题进行精准的自动评价。然而对问答题、作文、作图题等主观题进行意义级别的评判还欠准确。采用理感联通模型，可通过感知联想文本或图中的概念，再结合教育知识图谱在意义层面对问题、作文、图表等进行理解则可给出更优评判。

（二）智慧学习

在智慧学习领域，理感联通可为学生提供富媒体资源推荐及高智能辅导Agent等。富媒体资源推荐是指在多元学习环境下，为学生提供其所需的多种媒体类型的学习资源。如当学生进入智能校园中的一栋建筑时，通过增强现实学习系统，向该学生个性化地推送场景中物品的英语单词拼写、语音及示例视频等。借助理感联通人工智能，可结合教育知识技能图谱，对语音、视频等多媒体学习材料进行自动切片及索引，再根据境脉学习目标推送给学生。此外，也可根据学生的实时反馈，讓具备联想推理及语言深度理解能力的高智能Agent对学生进行相应个性化辅导，如与学生讨论与问题情境及学习目的都相关的问题，由此实现与学习者的深度交互。

（三）智慧教学

智慧教学是指借助人工智能等技术，进行差异化教学设计，动态调整教学策略，并通过智慧化教研活动反思教师自身教学水平[33][34]。现有教学资源库大多有现成的教学材料与教案，然而教师仍需要手动调整教学材料与教案来适应不同水平的学习者群体。采用理感联通人工智能，可通过图像视频分析技术等提炼教学材料中的对象，并根据教育知识图谱及学生群体状态，自动生成教学资源与教学设计方案。教师在实施教学过程中，理感联通智慧教学系统也可对学生课堂学习状态的音视频等进行实时监控，并通过屏幕等智能设备反馈给教师，最后结合教学干预策略库调整教学策略或针对部分学生进行教学干预。

此外，理感联通还有助于提升智慧教学研究。传统的教学研究通常由教研员观察教师上课，并在课后进行讨论，由此导致教研目标不明确、教研内容不精准、教研手段单一等缺点。采用理感联通模型，可实时采集教师上课音视频，通过深度学习网络对教师的提问技巧、教学策略运用、教姿等进行识别，并结合教学专家知识库对教师的教学进行自动或人机协同的评价与指导，从而促进教师的智慧教学水平。

（四）教学规律挖掘解释及可控型教育人工智能

由于当前机器智能运算的准确率仍存在局限，对于机器智能所做出的判断（如学生专注度、教师表现等），应给予人能理解的解释，才能使判断结果更可信[35]。传统深度学习网络由于内部运算过程不透明，在解释性上存在较大缺陷。在理感联通模型中，可采用如知识蒸馏等技术，提取神经网络中识别结果的可解释模式，并通过自然语言处理等技术，为智能分析的结果提供人类可理解的解释。基于可解释的分析结果，还可进一步从海量多模态教学数据中挖掘出与教学相关的特征及其关联，并将其升华为可理解的、可推广的、有助于教与学的教学规律。

此外，通过理感联通模型中的反省与控制机制，将理性计算中的规则、策略、知识图谱关系等引入到感性计算中，还可有效地监控、预测及控制产生式AI（如教育辅导Agent）的输出内容，避免错误内容导致学习者认知偏离，规避敏感及错误话题，并保护用户隐私数据不在交互中泄露等。

五、推进理感联通智慧教育实践的发展建议

尽管当前关于理感联通智慧教育的研究还处于初级阶段，笔者认为人工智能的理感联通将是未来发展的必然趋势，其研究成果也将对未来教育产生巨大影响。把握人工智能理感联通的学理基础和发展脉络，厘清理感联通智慧教育的内涵外延与理论模型，有助于更好地推进理感联通的智慧教育实践。未来的研究与实践可在以下几方面展开。

第一，加强理感联通智慧教育理论框架研究。当前的理感联通智慧教育框架，虽已指出了理感联通的作用机制及其在智慧教育中的应用途径，但是关于理感联通智慧教育模型的内涵与外延、相关概念的关系与辨析等问题，仍需在后续研究中进一步深化和细化。同样，与理感联通智慧教育相关的教学理论与学习理论，仍需进一步厘清。未来可通过组建跨学科学术共同体来开展跨学科研究，围绕理感联通的核心问题，从哲学、计算机科学、心理学和教育技术学等多元视角切入，立足各自不同学科的优势，深入探索理感联通智慧教育的理论和技术问题。

第二，积极展开人工智能理感联通算法模型研究。尽管当前人工智能领域已有研究致力于将符号主义与联结主义相结合，但是将感性计算与理性计算进行有机联通的研究仍然很有限。未来研究者需充分借鉴来自脑科学和神经科学方面的研究成果来进一步探索感性计算与理性计算联结的机制、模型与算法等。

第三，开展理感联通智慧教育实践研究。只有切实推进理感联通智慧教育应用，才能将理感联通智慧教育的理论研究落地，从而对教育产生实际影响。目前的相关技术（如认知图谱、知识蒸馏等）已在算法上初步具备完备性，因此如何将理感联通技术逐步深入地应用于不同学科的智慧教学实践，不断积累应用经验并进行推广是摆在智慧教育实践领域的紧迫课题。与此同时，教师应该充分认识到人工智能理感联通给教育带来的机遇和挑战，不断转变自身的观念与角色，以更好地适应理感联通智慧教育实践。

六、研究总结与反思

本研究将智慧教育置于教育信息化的视角来审视，认为以ChatGPT为代表的新一代人工智能技术虽然已取得了长足的进步和发展，但仍存在内容不精确、结果不可解释、过程不可控制等弊端，由此带来了诸多教育应用与伦理问题。本研究提出理感联通人工智能的模型，其本质就是通过智慧通道将感性计算与理性计算相联通来促进其智慧发展，并控制人工智能应用的风险。观照到智慧教育领域，本研究建构了理感联通智慧教育框架，并具体阐释了感性计算、理性计算和智慧通道中可应用的各类技术及对智慧教育的作用机制，以及其典型应用场景，最后提出了推进理感联通智慧教育实践发展的建议。

虽然本研究在人工智能理感联通模型的提出和理感联通智慧教育框架的构建方面具有初步的创新性，但其理论模型是否完善还有待进一步研究与探讨，如理性计算与感性计算是否能完整清晰地进行划分，智慧通道里的反省控制等机制如何系统实现，是否还有其它重要组成部分，人工智能理感联通对智慧教育的支持是否还有遗漏等。此外，如何在智慧教育实践中进行应用推广，仍有待于理感联通智慧教育模型的进一步优化完善和相关算法的进一步深入探索。

参考文献：

[1] 祝智庭，贺斌.智慧教育：教育信息化的新境界[J].电化教育研究，2012，（12）：5-13.

[2] 刘革平，刘选.跨学科比较视域下智慧教育的概念模型[J].电化教育研究，2021，（3）：5-11.

[3] 王佑镁，王旦等.ChatGPT教育应用的伦理风险与规避进路[J].开放教育研究，2023，（2）：26-35.

[4] 张绒.生成式人工智能技术对教育领域的影响——关于ChatGPT的专访[J].电化教育研究，2023，（2）：5-14.

[5] 张钹，朱军等.迈向第三代人工智能[J].中国科学：信息科学.2020，（9）：1281-1302.

[6] 赵泽林.理性主义与经验主义：人工智能的哲学分析[J].系统科学学报，2018，（4）：11-15.

[7] 陈修斋.欧洲哲学史上的经验主义和理性主义（第2版）[M].北京：人民出版社，2007.

[8] [美]休伯特·德雷福斯.宁春岩译.计算机不能做什么[M].上海：三联书店，1986.

[9] [英]玛格丽特·博登.刘西瑞等译.人工智能哲学[M].上海：上海译文出版社，2001.

[10] 苏叶兰.开发右脑记忆英语单词的教学案例分析——基于斯佩里的左右脑分工理论[J].南昌教育学院学报，2018，（3）：38-41.

[11] Paivio，A.MentalRepresentations：A Dual Coding Approach [M].New York：Oxford University Press，1986.

[12][26] Stanovich，K.Rationality and the Reflective Mind [M].New York：Oxford University Press，2011.

[13] Evans，J.S.B.T.Dual-Processing Accounts of Reasoning，Judgment，and Social Cognition [J].Annual Review of Psychology，2008，（1）：255-278.[14] 蔡恒进.行为主义、联结主义和符号主义的贯通[J].上海师范大学学报（哲学社会科学版），2020，（4）：87-96.

[15] Zablocki é，Ben-Younes H，et al.Explainability of deep vision-based autonomous driving systems：Review and challenges [J].International Journal of Computer Vision，2022，130（10）：2425-2452.

[16] 毛典輝，薛子育等.基于深度神经网络的图像语句转换方法发展综述[J].计算机科学，2018，（3）：25-30.[17] 张吉祥，张祥森等.知识图谱构建技术综述[J].计算机工程，2022，（3）：23-37.[18] 杨东华，何涛等.面向知识图谱的图嵌入学习研究进展[J].软件学报，2022，（9）：3370-3390.

[19] 赵国庆，李欣媛等.从认知地图到认知图谱：相似概念的跨学科审视[J].现代远程教育研究，2021，（5）：14-25.

[20] 万海鹏，王琦等.基于学习认知图谱的适应性学习框架构建与应用[J].现代远距离教育，2022，（4）：73-82.

[21] 邵仁荣，刘宇昂等.深度学习中知识蒸馏研究综述[J].计算机学报，2022，（8）：1638-1673.

[22] 吕品，贺云艳等.面向教育的中文知识图谱自动构建技术[J].中国教育信息化，2021，（2）：86-92.

[23][27] 曾春艳，严康等.深度学习模型可解释性研究综述[J].计算机工程与应用，2021，（8）：1-9.

[24] 李莉，杨治良.解析Dienes & Pemer的内隐知识理论[J].黑龙江高教研究，2011，（6）：114-117.

[25] 郑勤华，郭利明.人机协同的敏捷教育建模及实践应用[J].现代远程教育研究，2021，（4）：43-50.

[28] 高琳琳，解月光等.智慧课堂视域下高阶思维发展的干预策略体系研究[J].中国电化教育，2022，（6）：112-119+133.

[29] 童莉莉，张晨等.教育社会实验：人工智能融入教育的研究新探索[J].中国电化教育，2022，（3）：62-68.

[30] 刘革平，王星等.从虚拟现实到元宇宙：在线教育的新方向[J].现代远程教育研究，2021，（6）：12-22.

[31] 郑勤华，熊潞颖等.任重道远：人工智能教育应用的困境与突破[J].开放教育研究，2019，（4）：10-17.

[32] 郑勤华，陈丽等.理论与技术双向驱动的学生综合素养评价新范式[J].中国电化教育，2022，（4）：56-63.

[33] 谢幼如，邱艺等.人工智能赋能课堂变革的探究[J].中国电化教育，2021，（9）：72-78.

[34] 钟绍春，钟卓等.智能技术如何支持新型课堂教学模式构建[J].中国电化教育，2022，（2）：21-29+46.

[35] 刘桐，顾小清.走向可解释性：打开教育中人工智能的“黑盒”[J].中国电化教育，2022，（5）：82-90.

作者简介：

廖剑：副教授，博士，研究方向为人工智能教学应用、教育音视频智能分析及机器人辅助教育。

刘选：副研究员，在读博士，研究方向为智慧教学设计和数据治理。

刘革平：教授，博士生导师，研究方向为教育信息化理论与政策、智慧教学环境、虚拟现实。

Rational-perceptual Interconnectionism： The New Paradigm of Artifical Intelligence in Education

Liao Jian1， Liu Xuan1，2， Liu Geping1

（1.Faculty of Education of Southwest University， Chongqing 400715； 2.Office of Academic Research of Open University of Sichuan， Chendu610073， Sichuan）

Abstract： Smart education is a form of education that applies intelligent technologies to foster human wisdom. The new generation of AI， such as ChatGPT， has demonstrated strong potential to support smart education fundamentally. However， the limitations of current AI technologies on transparency， interpretability， and controllability hinder the further application of AI in education. One of the main reasons for these drawbacks is the division of perceptual computing and rational computing in AI. This study proposes the concept of rational-perceptual interconnectionism， aiming to integrate the models of perceptual and rational computing based on relevant research in philosophy， psychology， neural science， and computer science. This study also builds a framework to apply rational-perceptual interconnectionism in typical scenarios of smart education. The proposed framework has great potential to enhance the application of AI in smart education and decrease the potential risks of strong AI in the future.

Keywords： smart education； rational-perceptual interconnectionism； AI； dual process theory； ChatGPT

責任编辑：李雅瑄