开放教育研究

从计算机、互联网到5G、大数据和人工智能，信息技术的更新突飞猛进，对教育范式的影响日愈加深。今年，规模化在线教学因时之需，不仅有效抵御了疫情给教育系统带来的冲击，也加速了教育理念变革的进程，将进一步推动后疫情时代线上线下融合创新的教育发展新态势。作为“北外网院成立二十周年专家系列讲座”第一讲，国际著名远程教育专家、国际著名期刊《远程教育》杂志副主编肖俊洪教授，将从外语教师/研究者、远程教育研究者/实践者、审稿专家以及学术期刊主编的多维视角，全方位系统分析外语教师开展信息化教学研究的优势与短板，并真诚分享他在如何提升研究质量、激发研究创新和促进成果发表等方面的真知灼见。讲座时间2020年10月16日14:30—16:00讲座主题外语教师的远程教育研究主讲人介绍肖俊洪教授，汕头广播电视大学教授,广东开放大学客座教授,德国奥尔登堡大学（University of Oldenburg）开放教育研究中心创始成员，SSCI期刊Distance Ecation（《远程教育》）副主编,《中国远程教育》专家委员会委员, An International Journal of Open Ecational Resources（《国际开放教育资源期刊》）编委, Asian Journal of Distance Ecation（《亚洲远程教育期刊》）专家委员会委员,SSCI期刊System: An International Journal of Ecational Technology and Applied Linguistics（《系统：教育技术与应用语言学国际期刊》）编委（2014-2020），2019 International Conference on Learning Innovations and Quality (LINQ)（2019年学习创新与质量国际会议）国际程序委员会委员,2016-2018年ICCE Technology-Enhanced Language Learning (TELL) Sub-conference（计算机与教育国际会议技术促进语言学习分会议）程序委员会委员,多家SSCI国际学术期刊匿名审稿专家。出版著作和教材（独著、合著、译审、主编、参编）13部，在几十家包括SSCI期刊、CSSCI期刊和中文核心期刊在内的学术期刊发表250多篇中英文论文以及译文。讲座内容提纲从外语教师/研究者、远程教育研究者/实践者、审稿专家、学术期刊主编的角度，分享对以下五个方面问题的理解、认识和体会：1.外语教师远程教育研究的SWOT分析2.何谓学术研究之新3.关注研究质量的提升4.远程外语教学研究展望/建议5.成果交流：投稿国际学术期刊讲座获取方式译直播和央广网教育直播参会方式1：点击链接入会，或添加至会议列表：https://meeting.tencent.com/s/rxku2SfKmEYn参会方式2：电脑或手机端打开腾讯会议-加入会议-输入会议ID会议 ID：246 692 329【来源：央广网】声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

中国日报北京10月10日电（记者 邹硕）10月10日，新时代在线教育发展研讨会暨学堂在线五周年大会在清华大学主楼隆重举行。国内外教育专家、国际知名慕课平台代表、双一流大学校长、高校教务处负责人、精品慕课名师、高校教师、慕课学习者、企业代表等600余人齐聚一堂，研讨在线教育未来发展前景，共贺学堂在线上线五周年。会议现场清华大学常务副书记、副校长姜胜耀，德克萨斯大学阿灵顿分校心理学教授、MOOC的创建者和奠基人之一乔治·西门子（George Siemens），教育部在线教育研究中心主任、清华大学校务委员会副主任袁驷，贵州理工学院校长龙奋杰，教育部在线教育研究中心副主任、清华大学大规模在线开放教育研究中心主任孙茂松，edX副总裁凯西·普格(Kathy Pugh)，学堂在线总裁李超等专家学者共话混合式教学、智慧教学、在线开放课程建设与应用，共商校企合作、在线学历学位建设、人才培养与高等教育的融合与创新。于世洁主持会议姜胜耀在致辞中指出，中国慕课走过了不平常的五年，慕课的数量与质量、建设与应用等方面都取得了了不起的成绩。慕课打破传统教育的时空界限，促进了优质教育资源开放共享，引发中国高校教育教学模式变革，实现了从“以教师为中心”的教与学，向“以学生为中心”的教与学转变。下一个五年，希望各位同仁敢于探索、大胆实践，以创新推进在线教育，以在线推进教育创新，不断满足数字原住民的学习需求，不断提升中国高校的教育教学质量。姜胜耀致辞乔治·西门子回顾了慕课发展的历史，以及其背后教育理论的变迁。慕课发展至今，取得了巨大的成就，但也逐渐遇到了瓶颈。他认为，应该把重点转向建设一个新的以学习者为核心的生态，慕课平台也应该和更多的学校、企业合作，借助新科技的力量，为学习者提供更丰富的学习内容。乔治·西门子演讲袁驷全面系统地介绍了中国慕课的实践与探索。他指出，积极推进在线教育工作是清华大学面向未来的战略部署。五年来，学堂在线在推动教育教学改革、提高高等教育质量、促进教育公平方面起到了积极的推动作用。希望各高校大力推进在线课程建设与应用，探索在线教育新实践，加强理论研究，推动在线教育深入发展。袁驷演讲龙奋杰在演讲中分享了贵州理工学院的智慧教学实践以及教学成效。他表示，贵州理工学院以智慧教学的全面推广为抓手，极大带动了全校的课程建设与改革，学生成为最大的改革受益者。智慧教学是一种体系，一种方法，更是一种态度，需要高校用心去做。龙奋杰演讲孙茂松重点介绍了人工智能学伴——“小木”。他认为，新时代条件下的高等教育，特别是在线教育，是人工智能前沿研究一个极具特色及挑战性的应用领域。“小木”基于先进的人工智能和自然语言处理技术，利用学堂在线海量的优质内容资源，结合互联网上专业知识库，构建了庞大的知识图谱体系，并以此为基础，提供答疑、导航、推荐、提问、社交等服务。孙茂松演讲凯西·普格提出了2022教育新模式畅想，包含模块化教育、全渠道教育、终身教育三大部分，形成了单门课程、微学位、在线学位阶梯式的产品结构。edX推出的微硕士、微本科项目，与多所高校、企业合作，通过互认学分模式，使得学生能够更灵活地进行学习，同时也将优质高等教育推广到更多的人群和地区。凯西·普格演讲李超回顾了学堂在线五年来取得的成绩，对慕课的未来发展进行了展望。他认为，新时代，慕课面临新挑战，亟待转型升级。为此，学堂在线打造了“慕课+”新模式，包括“慕课+教学改革”“慕课+学历学位”“慕课+职业技能等，为慕课赋予新元素，定义慕课新范式，全面助力人才培养。 李超演讲（编辑：严玉洁 黄硕）

在克林顿任美国总统的时期，美国人评价一个国家的综合潜力时，有一个很重要的参考标准：创新能力，而创新能力的好坏，又跟新生劳动力的创造力直接挂钩，所谓的新生劳动力，就是指从幼儿园一直到大学年龄段之间的人群，这一块恰恰是很多家长担心的。从目前的模式以及现实状况来看，中国孩子并不缺乏吃苦耐劳的精神，也不缺少必要的基础知识积累，硬件条件均已具备，唯独在创造力方面有所欠缺，用家长的话来说，那就是"按部就班去做，孩子没问题，可一旦遇到突发事件，他们就不行了，不知道变通。""不知道变通"也就是"没有自己主观想法"，而做事一旦脱离了自主思考，剩下的只是机械化的运作，可以预见的未来，这样的人和工作都将被淘汰。小石头的妈妈对于孩子的呆板就非常的苦恼，"辅导孩子写作业、让他们懂礼貌、培养好的性格，这些我都会，可这个创造力怎么培养？他想不出新东西，我又不能把想法塞进他脑子里？"其实关于创造力的培养，国外早就有了一套成熟的体系，那就是STEM教育。（某学校STEM教育课表）在美国，STEM教育已经发展很久早在1986年，美国国家科学委员会首次提出STEM教育概念，它是由科学（Science）、技术（Technology）、工程（Engineering）、数学（Mathematics）四大板块构成（近些年有人在这个基础上加入了艺术，变成了STEAM），目的在于让孩子能在几个方面综合发展，以此提高综合竞争力。有人质疑，学得多创造性就高吗？那中国孩子大学之前都是全才，怎么就缺少创造力呢？STEM教育的关键不在于学习科目的多少，而是科目之间的关联性，科学、技术、工程、数学，看似四个不同的领域，真正深入研究过的人才知道，不管你学习哪一种，都不可避免的用到其它领域的知识，这就需要你将思维展开，简而言之，需要"跨学科"，思想呆板的孩子很难在这方面取得好成绩，他们无法适应新的模式在国际上，STEM教育已经从一种理念发展成了主流模式，奥巴马就曾经拨款数亿美元力推，不少发达国家迅速也在同步进行，我们国家几年前也逐渐意识到教育新理念的优越性，曾经派出专家组前往美国调研，调查结果让很多人感慨：从小就锻炼孩子的科学理念，这方面他们确实领先我们太多！《开放教育研究》2019年6月 第25卷第3期：研究表明，孩子接受STEM教育的时间越长，开始的时间越早，其创造力越好，孩子越聪明，二者成正比关系STEM教育模式下的孩子，在很多方面领先同龄人1、独自面对困难时，能保证良好的心态不得不承认，传统教育确实有着其独特的优越性，比如速成、安稳以及可复制，但是它却有一个致命的缺点：不兼容个人意愿，排斥特殊。为了合群，孩子们只能按照规定好的流程进行学习，长时间在已经明确的道路上前进，会让他们变得越来越麻木，尤其是面对新问题的时候，不知道自己应该做什么。在生活中，大家肯定遇到过这样一类人，他们面对无法解决的困难时，会在很短时间内发生巨大变化，具体表现为情绪失控、自我放弃、暴饮暴食等等，说白了，心理素质存在问题。而在STEM教育模式下长大的孩子，由于经常性地面对难题，他们的心理素质将超出同龄人一大截，不是这个办法有多好，唯熟而已。2、将书本上的知识用于生活，摆脱"大演讲家"身份在网络上有那么一种人，被人们称为"大演讲家"，又叫"嘴强王者"，他们知识渊博，见识广泛，不管什么事情都能说得有理有据，看上去就好像是业内专家一样，可现实中，他们就没那么厉害了，这是很典型的"理论派"，满腹经纶却一事无成。STEM教育的实质就是"实用主义"，在教育过程中，有许多东西要求人们去理解、去实践，"纸上得来终觉浅"，老一辈人早就告诉我们这个道理，嘴上厉害是没用的，毕竟这是一个唯物主义的世界，孩子只要去做了，才能真正明白自己学的东西是什么。3、强大的逻辑思维能力，以及更好的创造性马云说过，未来三十年市场的核心在于创造性。过来人不难发现，在过去短短几十年里，文凭、证书以及学历之类的东西，变得越来越不值钱，现在大企业更喜欢工作经验和业务能力，简历再漂亮，上手之后行不行一目了然。倒不是说学历无用，而是那种只有学历却在学校混日子的孩子，到了社会上越来越难混。此外，STEM教育的多变性，还能培养孩子的逻辑思维能力，大脑越用越活，多领域知识的交错带来的不仅仅是广泛的见识，还有碰撞产生的灵感，某种意义上来说，它们是财富的预兆，也是创造力的源泉！开发孩子的创造力，家长应该从这4个方面入手1、对幼龄儿童而言，没有绝对的对与错同样是拼图，一位母亲看孩子花了很长时间还拼得不对，就在一旁一步步指教，最后完成作用，很开心，而另一位母亲却不闻不问，哪怕最后拼得乱七八糟，依旧没有上前纠正，你觉得哪一位母亲更好？如果单单从创造性的角度来说，个人认为，后者比前者聪明好几倍，可以这么想，拼图拼对了，除了帮助孩子建立自信并让他们开心之外，有什么用？在这个过程中，孩子的思维模式一直在按照妈妈的想法在走，效果可想而知。反过来，让孩子自己动手，自信以及喜悦同样不缺（家长不纠正，孩子意识不到做错），还能锻炼他们的自我思考能力，至于拼得对不对，有意义吗？在教育幼龄儿童时，对错其实没有太大意义。2、父母的肯定，是孩子前进的动力源泉"你烦死了，就不能安稳点！"这是一位愤怒的母亲对孩子说的话，人人都想自己的孩子脑子活，可聪明的副作用往往是过于活泼，总是犯错。在孩子的人格还没完善阶段，他们对于"是非对错"其实并没有准确的概念，完全依靠父母的评价，如果家长总是持"否定"的态度，孩子就会慢慢形成"这样的事情不能做"的观念。一次又一次的打击，最终会让孩子的思维陷入禁锢模式，不是他们不够聪明，画地而牢，习惯约束了他们的想法，自然缺乏创造性。在有可能的情况下，不要否认孩子的努力，父母的肯定才是孩子进步的动力。3、学会狠心，培养孩子的动手能力实践结合想法，才能培养出天才，这个道理从古至今没变过，在孩子的发育过程中，他们会遇到无数问题，其中有一部分确实是他们无法解决的，但剩下的那一部分，只是父母认为孩子无法解决的。比如买回来的玩具，家长总是喜欢帮助孩子拆好，装好，递到他们手里，难道孩子不会拆吗？宠溺孩子是为了让他们变得更好，而不是将他们培养成"废人"，学会狠心，将一些事情的决定权交给孩子，让他们在实践中找到想法与现实的平衡点，根据具体状况找出新办法，进而解决问题。4、营造出适合的环境，便于STEM教育的展开巧妇还难为无米之炊呢，何况是教育问题？有条件的父母，可以在家准备一些益智类的玩具以及相关书籍，培养孩子的相关兴趣，让他们爱上创造，而不是家长逼着孩子创造，法国儿童心理学著作《孩子的世界》中有讲，当孩子对某件事情感兴趣的时候，就是他们学习新知识的最佳时期。再结合平日里父母的合理引导，让孩子不拘泥于现实，并非一件困难的事情。看似简单的教育模式转变，有不少需要父母注意的点1、现实与理想的冲突摆在面前的问题，创造与应试教育存在不可调和的矛盾，如何确保孩子在不失本心的情况下，还考出好成绩，这需要父母多加注意。2、施行要彻底很多父母在转变思维模式的时候，会动摇，他们一会想要放手，一会又变迂腐，态度摇摆不定，施行也不彻底，最后将孩子弄糊涂了。3、创造不等于捣乱培养孩子的创造性，与纵容他们捣乱，这是两码事，创造的前提是不违反社会道德，合规合法，这一原则不能违背，"熊孩子"不是天才，他们是惹祸精！看完这些，相信大家对如何培养孩子的创造力已经有了清楚的认识，知识适用一时，创造力适用一世，为了孩子的未来，父母可以多研究一下STEM教育。

编者按：人工智能时代,教育领域的发展必然与时俱进。当教师拥抱技术的同时,技术又将对教师产生哪些深刻 的影响,是否会因机器替代人类教师而令这项神圣的职业走向消亡? 时下,受“奇点”论的影响,该问题出现逻辑相同但结论截然相反的两种观点:“悲观派”认为,人工智能的能力将全面超越人类,教师亦将被人工智能所取代;“乐观派”则认为,人工智能不外乎是一种技术,不会对教师职业产生实质影响。本文指出二者相关讨论的背后存有两大根本局限:其一,对人工智能和“奇点”的认识不够深刻;其二,分析逻辑存在严重漏洞,讨论的前提、支撑理论和证据选择皆有问题。在此基础上,进一步对“奇点”引申出的四类重要的教育问题进行深层 反思,并依据通用人工智能理论针对“悲观派”与“乐观派”关于教师及其未来予以回应。我们认为:“悲观派” 和“乐观派”都是片面和偏激的。在未来,人类教师将面对机器教师的职业挑战,人类教师与机器教师将共同构成教师的两大主体,绝不是机器教师只以辅助教学的角色存在。教育作为一种“元职业”非但不会萎缩和消 亡,反而会更加兴盛和蓬勃。学校教育的主要目标将从知识传承转向经验生长的引导,专用人工智能将教师 从繁冗的事务性教学工作中抽离出来,通用人工智能则需要教师专注于学生个体化的经验建构从而回归教育本源。不同于机械或算法,经验空间的建构无法剥离环境而自动完成,因此,不论主体是人类还是类人机 器,教师都永远不会缺席或“被”缺席。关 键 词：教师 职业 人工智能 通用人工智能 奇点 未来作者：刘凯 隆舟 刘备备 王伟军 王培来源：武汉科技大学学报（社会科学版）与法律、金融、医疗、物流等行业一样,教育如今也处于人工智能的变革潮头。政府支持政策相继出台,技术圈厉兵秣马加大研发投入,企业也争相推出智能化产品。一时间,人工智能成为社会关注的焦点话题。教育界一方面对人工智能抱持极大期许,希望借助技术进一步突破教育改革的坚冰,在更大程度上促进教育公平、提高教育质量[1],同时找准人工智能教育的落脚点,满足未来社会对技术人才的需求[2];另一方面,也对人工智能教育应用的未来存在疑虑:一旦人工智能可以完成教师的工作,教师将何去何从[3]?在已有讨论中,人工智能对教育的影响更多是围绕学习者展开,对教师的专论虽不多见,但从角色[4]、教学模型[5]、师生关系[6]等方面进行了有价值的初步探索。不过,教育界对人工智能影响下的教师未来预期可以区分出两种截然相反的观点:第一种是“悲观派”,认为人工智能的能力将全面超越人类,人类的大部分工作都将被人工智能所取代,教育领域不仅在所难免甚至可能首当其冲[7];第二种是“乐观派”,认为人工智能只是一种技术,并不具有真正意义上的智能,所以不会对人类教育工作者的职业产生实质影响[8]。从字面意义来看,“悲观派”和“乐观派”貌似“水火不容”:“悲观派”本质上抵制人工智能的教育应用,“乐观派”则积极吸纳人工智能技术的应用。但实际上,二者皆以“奇点”论为话题预设,在推论时亦如此,因此二者本质上却是殊途同归。因此,人工智能对教师影响之讨论,看似是一个较为具体的小问题,实际却隐藏着一个以“奇点”为核心的较为复杂的背景。本文从问题的背景切入,采用一明一暗两条线索展开分析:其一,遵从“先破后立”的逻辑框架。首先,对相关概念进行界定和解释,然后指出“悲观派”和“乐观派”在“奇点”支持下的基本逻辑并分析其问题之所在,是为“破”;继而,对“奇点”引申出的四类重要的教育问题进行深层反思;最后,回归问题本身,基于通用人工智能理论,对教师及教师的未来予以回应,是为“立”。其二,以人工智能技术的教育渗透为契机,期望能够在教育的本质层面,对当前存在的主要问题进行深入的思索。一、人工智能与“奇点”论核心概念的清晰和明确是科学讨论的前提。在“悲观派”和“乐观派”的讨论中,人工智能和“奇点”两个概念处于中心地位。然而,人工智能包含三种不同所指且容易混淆的分类,“奇点”背后则蕴含了一系列前提。因此,澄清并正确理解概念,才能为后续深入分析提供坚实的支撑。(一)人工智能由于对人工智能 (ArtificialIntelligence,简称 AI)讨论的前提不同,导致对人工智能的认识各异。近期,在教育类学术刊物中,关于人工智能存在以下三种理解:第一种,认为人工智能包括计算智能、感知智能和认知智能[9];第二种,认为人工智能分为弱人工智能和强人工智能[10],而强人工智能也正是通用人工智能;第三种,认为人工智能分为专用人工智能和通用人工智能[11]。第一种分类常见于行业演讲和报告中,既缺乏理论依据,又具有误导性:逻辑上貌似完整无缺,又与“奇点”不谋而合。其中,计算智能(又称运算智能)指的是快速计算和记忆存储能力,感知智能指的是视觉、听觉、触觉等感知能力,认知智能则是指抽象理解能力。对于计算系统而言,计算智能对应于计算水平,感知智能对应于感知水平,认知智能则对应于认知水平,三者由低至高逐级更加“智能”。现在计算智能和感知智能业已成熟,那么随着技术的发展,在给定这一框架的前提下,认知智能也应该可以实现,毕竟前两者已经实现了。然而,无关乎最后的认知智能是否最终必然实现,关键在于框架的前提存在问题。事实上,计算能力和感知能力只是实现智能的必要条件,而不是智能本身,所以将计算智能和感知智能也划入智能的分解不过是一个玩弄逻辑概念的把戏,在不能真正解决任何实质性问题的同时却极大地提升了“认知智能必定能够实现”的信念和预期。因此,如果不能详实检视这个前提,那么由此得到的后续结论便经不起推敲。第二种分类多见于哲学论述中,最早由约翰·赛尔(SearleJ)提出[12]。他认为,弱人工智能的计算机其价值主要是为心智探索提供有效的工具,而强人工智能则意味着某种程序化系统的运行本身就处于心智状态中,能够真正理解事物并具有自己的认知状态[13]。对此,徐英瑾专门撰文写道:大众理解的“强—弱”之分在于智能的宽与窄之分,而约翰·赛尔心中“强—弱”之分却是真假之分。然而,这种区分并不是没有意义的,起码说明了“人工智能在各个领域内的量的积累,未必会导致真正意义上的智能的涌现”[14]。于是,在赛尔看来,即使一个计算机系统的外在表现完全像人,那也只是个“弱人工智能”,而“强人工智能”必须真正拥有自我意识。这是很多通用人工智能研究者不认可的,因为在此分类下人工智能系统的“强弱”之别就没有任何外部标准来衡量了[15]。可以看出,“强人工智能”并不是智力能够全面接近乃至超越人类智能的机器智能,而“弱人工智能”也不是指对人类智能的某些方面的模仿。所以,从原始学科向学科的概念“转移”中,其内涵和外延已经发生了变化,正如“奇点”一样。第三种分类出自人工智能技术领域,即认为人工智能包括专用人工智能(Special-purposeArtificialIntelligence,简 称 SAI)和通用人工智能(ArtificialGeneralIntelligence,简称AGI)两个不同的子领域。对于“智能”理解的根本差异,使人工智能分化为专用和通用两个不同分支。专用人工智能采取先做后思的路径,即一开始并不深究智能也不对智能进行清晰的定义,而是通过技术迭代渐进式地提升智能化的程度。通用人工智能认为智能的存在代表着可以被认知的理性原则,采取的是先思后做的路径[16]。与人工智能早期工作时所使用“AI”非常相似,“AGI”的表述在2005年前后被核心研究群体认可和采用,希望将他们的目标与当前“AI”(即 SAI)区分开来。随后,AGI学会的年会及其学报于2008年及2009年相继启动。由于 AGI项目的做法往往与主流AI社区有重大差别,所以尽管近年来“AGI”一词大热,但相关研究成果却鲜为人知。因此,上述三种分类既有关联又有不同:“计算智能+感知智能”既不能简单等同于“弱人工智能”,也不能简单等同于“专用人工智能”。同样地,“认知智能”既不能简单等同于“强人工智能”,也不能简单等同于“通用人工智能”。事实上,只有第三种分类适用于当前语境下的学术讨论,因此本文也将以第三种分类──“专用人工智能”和“通用人工智能”为讨论前提。(二)“奇点”论“奇点”(Singularity),也被称为“技术奇点”,是从数学和物理学科中泊来的一个概念。尽管常见于影视文学作品而为公众所熟知,但它却并不是一个真正意义上的计算机科学或技术术语。历史上,1982年美国人工智能协会年会上弗诺·文奇(VernorVinge)首次提出 “技术奇点”,并于1993年再次论述了这个观点,并认为技术奇点有可能在未来50年左右就会出现[17]。2005年,在雷·库兹韦尔(RayKurzweil)《奇点临近》(TheSingularityisNear:When HumansTranscendBiology)一书的推动下,“奇点”的翻版———“库兹韦尔定理”(Kurzweil’sLawofAcceleratedReturn)被广泛宣传。该定理指出,人类出现以来所有技术发展之初都是缓步前行的,但随后以指数的形式快速增长,并最终以指数的指数形式增长。因此,“超级智能”(SuperIntelligence)必将出现并威胁人类自身[18]。针对人工智能,“奇点”论基于如下前提:Ⅰ 系统的智能水平可以表征为一个数值;Ⅱ 经由学习或迭代改进,人工智能主体能够不断提升自己的智能水平;Ⅲ 当人工智能超越人类智能水平之时,它的整个未来将被视作一个单点,因为那以后的发展已经超出了人们的理解力。第一句话看似有理,毕竟一个“智能”或“智慧”的系统应该可以解决许多问题,而人们也总是利用各种测验和检测来评估效果,比如人类自己便使用“智商”(IQ)来衡量智力水平。然而,智商的准确性和科学性一直存在相当大的争议[19]。即便存在,它也无法体现智能的变化因素。通常情况下,提及智能一般与“后天习得的解决问题能力”相关,而非“先天预置的问题解决能力”。于是,在某一给定时刻t,系统的智能应该用该时刻能力的增速来衡量,即可用S(t)表示“问题解决的能力”,而用其导数S′(t)表示“学习的能力”。如图1所示,依据系统所能解决问题的数量S与时间t的关系大致可区分出四类不同系统[20]:①蓝线对应于一个完全没有学习能力的系统。系统技能全部由先天给定,即S′(t)=0。所有传统的计算系统都属于此类,其中一些被视为“AI”;②紫线对应于一个学习能力有限的系统,绝大多数的机器学习算法都属于该类。尽管S′(t)>0,但最终将收敛到0;③绿线对应于一个学习能力基本固定的系统,许多AGI项目都属于这种类型。此时,S′(t)是一个正常数;④红线对应于一个学习能力本身无限增长的系统,其S(t)和S′(t)均呈指数递增。虽然我们认为这样的系统并不可能真实存在,但为了讨论方便而将其作为一种可能概念列出。图1 时间t与总分S 的四种不同关系取决于诸函数中所包含的常量和测量的时刻,在某时刻这四种类型中的任意一种都可能成为当时问题解决能力的最强者。但它们的学习能力却各不相同,由弱至强可排序为:蓝线族<紫线族<绿线族<红线族。所以,“能够解决多少问题”与“能够学到多少东西”其实并不一般相关。尽管学习往往与问题解决被置于同一层面,但“学习是智能核心”的见解却早已有之。我们也认为,各类问题的具体解决能力处于对象层次,而学习能力则是处于元层次。对“绿线族”或“红线族”而言,S(t)虽能够提升至任意层次,甚至“比人类聪明”,但受传感器、动作器及经验所限,并不意味着每个问题都能比人解决得更好。在这一问题上,“绿线族”和“红线族”之间存在根本差别:由于“绿线族”内部的元层次知识由其设计者指定,所以即使S(t)值远高于人类水平,但人们仍然能够理解它的运行原理及基本工作过程。而相反,若真的存在某个“红线族”,它将在某个节点之后让人连它是如何工作都变得无法理解。虽然“奇点”的支持者经常用“指数增长”现象进行佐证,但指数增长根本不会在某个自我改进的孤立系统中持续进行下去,而通常体现在种群之中。纵然“智能”只是一个程度的问题,但没有证据表明“智能水平”在“人类水平”之上依旧可以无限提升。对应于“低于人类水平的智能”,“超级智能”作为一种逻辑类推,却包含对象层次及元层次的双重提高之意。S(t)值显然可以通过知识、技能或计算资源任意一点或多点的增长而提高,但“超级智能”和S(t)值并不相同。在元层次上,“超过人类”的智能将是一种彻底不同的“上帝”思维机制,不论在何种情况下都能找到全局最优解。当然,尽管不否认这种可能性,但至今并没有其存在的任何确凿的支撑证据。二、“悲观派”与“乐观派”的逻辑及错误在理清人工智能“奇点”论的基础上,需要进一步剖析“悲观论”和“乐观论”产生的基本逻辑,并从前提、支撑理论和证据选择等方面说明该逻辑的纰谬及原因。图2 人工智能对人类职业影响的内在逻辑框架(一)基本逻辑一般情况下,人工智能对人类职业影响的程度如图2所示,即“三线四层”框 架:“四 层”即Level-1~ Level-4,分别代表人工智能技术发展的不同程度,“三线”则是安全线、警戒线和危险线。具体而言,Level-1与Level-2 之间为安全线,安全线是“无风险、无危机”的界限,安全线之上既无风险也无危机,安全线之下虽无危机但风险开始显现;Level-2与Level-3之间为警戒线,警戒线是“有风险、无危机”的界限,警戒线上下虽然都有风险,但风险程度不同;Level-3与Level-4之间为危险线,危险线是“有风险、有危机”的界限,危险线上下皆有风险和危机,但危机却由潜在上升为显在。出于人类中心主义的考虑,人工智能不比人类聪明是最理想的状态(Level-1),此时人工智能根本不会对人类教师产生丝毫威胁,这也是被人们乐于接受而不言自明的内在期望。然而,随着近年来 Wason、AlpahGo、BostonDynamics、Siri、高考机器人等人工智能产品被媒体广泛报道,人们意识到人工智能确实能够在某些方面做得比人类好(Level-2),特别是教育领域中远程教学、MOOC、电子白板、增强现实、AutoTutor等技术的应用,教师在享受技术便利的同时,其传统的工作内容(如准备教案、板书、点名、作业批改乃至教学过程等)部分地被技术替代。在这种情况下,虽然暂时不会出现机器教师(既可以是软件系统也可以是实体机器人)取代人类教师,但风险却已攀升。不过,技术发展的脚步不会停歇,即便人工智能并未全面超越人类,但其只要能够在主要教学方面超越人类,那么人类教师便会在通讯和计算能力更为强大的未来与不知疲倦、不发脾气、效率更高的机器教师进行肉搏式的惨烈竞争(Level-3),教师的职业面临前所未有的危机。不过,人类教师与机器教师如果可以相互理解和交流的话,那么二者还能取长补短。然而,按照“奇点”论所言,机器教师不仅终将全面优于人类教师,而且其为何教得好也已经超出人类理解范围了(Level-4),人类教师就算向其求教也无法学会。至此,总结一下基本逻辑过程:如果机器教师永远不如人类教师,从人类自身来看这是最好的情况,人类掌握绝对话语权和导向力。但实际上,人们发现机器教师现在已经在某些方面做得比人类教师更好。那么随着技术的发展,机器教师将会与人类教师战成平手或相互帮助,此时人类还可以跟人工智能“商量着来”。然而,未来机器教师将人类教师远远甩在身后,人类已经与之“商量不通”,此时人工智能完全掌握话语权和导向力,人类只得跟从机器做教育,人类教师职业被推上绝迹之崖。最可怕的是,我们承认不如机器,但我们却连向其沟通和学习的机会都没有,因为根本无法理解!说到底,人工智能对教师的影响本质上是一个以“奇点”为理论预设、以人类中心主义为立场的控制权持有问题。“悲观派”和“乐观派”并没有实质差异,二者都未能跳出“奇点”这一隐含的前提假设和基本逻辑框架,区别仅仅是具体层级信念的不同而已:“乐观派”对 Level-2信念的信心较高而对 Level-3、Level-4信念的信心较低,“悲观派”则对 Level-2、Level-3以及Level-4信念的信心都较高。当然,该问题的本质特征也绝非教师职业独有,律师、医生、司机、公务员、技术工人等职业同样如此。(二)错误解析上文阐述了人工智能对人类职业影响的内在逻辑框架,Level-1到Level-4看上去既通顺又符合常理。然而,正是由于前提混淆、理论倒错和证据偏向等问题不易察觉,才使得“奇点”的逻辑错误被巧妙地遮掩起来。1.前提混淆我们认为,智能实际上是主体在知识和资源相对不足条件下的适应能力。在不同的开放环境中,智能主体能够逐渐通过学习获得在该领域解决问题的能力[16]。也就是说,智能不是“解决具体问题的能力”,而是“获得解决具体问题能力的能力”,是一种具有通用性的“元能力”(Meta-Ability)。事实上,“能力”可以被分解成“技能”和“智能”两个方面。“技能”指的是解决某类问题的能力,“智能”则是获得和提高各种技能的能力。系统在某一时刻的技能等于其先天技能(“本能”)及习得技能(得自智能)之和。不过,人和计算机完全不同:人类个体之间本能差异微小,所以可以利用同龄人的技能差别近似反映智能差别,这也正是“智商”的依据。相反,计算机系统的技能既可以大部分来自本能,也可以来自智能。当一个计算机系统完全靠人编写的程序解决问题,而不根据自己的经验对其行为进行任何调整时,它仍可能拥有很高的技能,却完全没有智能,比如AlphaZero之类的棋类程序或领域性的专家系统;而另一方面,一个高智能系统如果不依赖于预先编好的应用程序,开始运行时并没有多高的技能,却可以在后天的教育过程中不断地“成长”,比如目前研发中的通用人工智能系统。因此,一般意义下的智能水平与目前测量的智商并不等同,特别是在没有考虑人机差异的前提下,将机器全面“拟人化”的理解和决断必然不科学。Level-1到 Level-4 逻辑的前提出现了重大偏差,错用人类的智商对应于机器的智能,从而产生“因为机器智商更高,所以机器教师必将超越人类教师”的悲观倾向,或者“因为机器根本不可能具有智能,所以机器教师永远无法替代人类教师”的乐观倾向。说到底,二者都是极端和片面的。2.理论倒错如前所述,“悲观派”和“乐观派”表面看上去观点相反,但实际上二者背后存在共有的逻辑,即“奇点”论。上文已经对“奇点”论进行了批驳,但仍需指出:尽管“奇点”在人工智能领域中并不正确,但产生如此之大的影响却在情理之中。一方面,公众和学界视野内缺少更合适的理论支持,亦没有适当的优质竞争理论;另一方面,其所接触到的人工智能证据来源更多是影视或文学作品[6],而它们的前提也正是“奇点”。于是,从证据到理论、从理论再到证据选择,两者相互支撑形成了正向闭环。请注意,“奇点”影响下的影视文学作品的共同特点,都是以 Level-3和 Level-4的人工智能技术“能够”实现作为前提条件,却对“如何”从Level-2到Level-3取得实质突破避而不谈,或是用超级网络或计算能力一笔略过。所以,人们当前的感受都来自Level-1和Level-2的专用人工智能,而其担忧却来自Level-3和Level-4的通用人工智能,但二者理论基础完全不一样,甚至可以说是泾渭分明。于是,在人工智能对教师潜在影响的问题上,在概念混淆(专用人工智能与通用人工智能)、内容框架混乱(智能与智商)之外,还存在理论倒错的情况。本文的部分理论依据来自通用人工智能理论中基于经验的语义学(Experience-GroundedSemantics)[21],并得到认知哲学[22]和认知计算研究的关注[23]以及认知语言学研究的支持[24]。最简意义上,对一个语词或符号而言,传统而常用的方法是用指称和定义来刻画意义。前者将其视为语言之外事物的名称,后者将其作为语言之内的结构的名称,二者常被组合使用而构成复杂语词和语句。尽管这种确定意义的办法直观和自然,但它仍不能完全满足人工智能和认知科学的要求。基于通用人工智能的非公理化推演系统(Non-AxiomaticReasoningSystem,简称NARS)智能框架及其系统实现,其概念的意义或理解产生并形成于经验中形成的概括关系[21]。其中,某一概念与概念的关系体现在外延(它所概括的那些项)和内涵(那些概括它的项)之上,而其总和就构成概念在此刻对主体的意义和理解。尽管不排除系统可具有“先天”植入的概念或信念,但概念的实质性意义仍主要来源于经验。举例而言,如果一个系统对“坏人”毫无经验,这个孤立概念就完全没有意义。在得知“坏人会伤害自己”这类与已有概念建立联结或得到“某些人总是抢夺自己东西”的经验后,“坏人”这一概念才获得真实的意义,因此,语义是通过直接经验和间接经验而内生性建构的。由于通用人工智能系统中智能本质的适应性限制,真正的智能系统总是工作在知识和资源相对不足的情况下,因此 NARS运用一个概念去解决当前问题时,受时间和资源约束,通常不会使用概念的全部意义(除非概念本身极其简单),而只能选择小部分参与加工,这也正是某概念“当前意义”和“一般意义”不同的原因(人脑可能也是如此进行意义加工)。前者通常仅是后者的很小部分,而其内容选择受很多因素影响,包括有关信念确定程度、简单程度、有用程度、与情景相关度,等等。这些因素一直在不断变化,不同时刻下同一个概念在系统中便有不同的即时意义。经验丰富后,有些概念中会形成相对稳定的“基本意义”或“本质”,而在其他一些概念中可能就找不到这种“内核”,以至于不能为系统提供太大效用。由此可见,不同的概念对系统的价值是不一样的。目前,许多学者依然将计算机视为一个“物理符号系统”,以为其中的符号只能通过指称外部世界事物来获得意义。NARS中的经验也可以被叫作“符号”,但它对系统的意义不依赖于某个外在的指称或解释,而是体现于它和其他符号在系统内部的联系,这种联系是对系统经验(包括但不限于感知运动经验)的选择性总结。系统对这种符号的处理不仅是基于其形式的,同时也是基于其意义的。这样的系统不仅可以理解符号的意义,而且可以改变和创造符号的意义。因此,通用人工智能系统也能够具有创造性。3.证据偏向1)技术的“指数发展”与局限人们自觉正处于一个快速发展的时代,并感受到“技术似乎呈现指数发展”,一个重要原因在于我们一般更加关注现实体验。特别是在中国,改革开放后的高速发展让国人的生活和工作环境在极短的时间内实现了从机械化到电气化再到网络化的大变革。尽管综合科技水平还未超越先进的发达国家,但技术的“指数发展”却更符合个人体验,“奇点”论在中国更有市场。“奇点”的指数发展基于代际之间的迭代进化而实现,在物种进化的尺度上,人类智能的确由低智能动物发展而来,但这不意味着智能可以无限制发展下去。实际上,在任何领域中,按某个量已有增长趋势而推之未来的预测都不可靠。具体到人工智能领域,在硬件方面,“奇点”论认为智能机器通过制造出比自身智能水平更高的机器而实现“奇点”,然而至今也没有任何一台机器可以独立创造出另一台机器,更别说具备一定智能水平;在软件方面,人们期待人工智能通过“给自己编制程序”来进化,此乃缺乏计算机知识所导致的误解。不仅允许自我修改的程序设计语言早已存在多年(如Lisp和Prolog),而且至今也未曾在计算机病毒程序中发现智能的产生迹象,尽管它们已经自我复制并繁衍了多年。对计算机系统而言,“程序”和“数据”的区分具有相对性,只要这种修改是基于系统过去经验的,那么这种“自我编程”和通过修改知识来改变系统行为并无本质区别,而且未必是个更好的设计。2)人类中心主义的种群偏见智能是生物界普遍存在的现象,并非人类独有。不仅高等动物拥有较强的个体智能,个体智能较低的动物也可以具有较高的群体智能。例如,黑猩猩、乌鸦等许多动物都具有较高的个体智能,黑猩猩除了具有使用工具的能力外,也具有理解目标及意图的能力。它们不仅能够对人正在做的事有所反应,还能参与其中,甚至知道人的感受与知识[25]。又如蚂蚁一类的群体动物,虽然个体智能根本无法与人类等高等动物相提并论,但却拥有非常卓越的群体智能,切叶蚁可以用树叶作为肥料培育自己喜欢吃的真菌,有些蚂蚁会把同伴的尸体集中埋葬以避免疾病传播,还有其觅食时的高效分工协作以及建造精致巢穴,等等[26],都印证了即使是低等动物,也同样具有令人惊叹的群体智能。与此形成鲜明对比的是,个体智能极强的人类所组成群体却时常表现出更低的整体智能及问题解决能力,所谓“乌合之众”或“一盘散沙”便是如此。因此,并不是人类由于拥有智能而成为人类,智能是人类、动物乃至通用人工智能系统等具有对开放环境适应能力的主体皆具有的能力。人类本位主义的思考模式时常令我们的思考囿于“人”的范畴,而忽视更广泛和更普遍的情况。3)“明星”事件的选择性报道1997年,IBM 超级计算机“深蓝”击败了国际象棋冠军卡斯帕罗夫,成为人工智能领域中机器战胜人类的里程碑式事件而被广为报道,这为人工智能“入侵”人类职业埋下了伏笔。然而,更多的细节却很少被提及:“深蓝”1996年就已经与卡斯帕罗夫进行了6局比赛并以2∶4告负[27]。之后工程师将“深蓝”的运算速度提高一倍,次年深蓝再次挑战卡斯帕罗夫。在前五局2.5∶2.5打平的情况下,卡斯帕罗夫决胜局败给了深蓝,最终“深蓝”以3.5∶2.5获胜。事实上,赛前“深蓝”已备好针对卡斯帕罗夫行棋的大量信息,比赛过程中IBM工程师又不断利用卡斯帕罗夫的下棋特点对“深蓝”作启发式调整。特别是复赛中,IBM程序员被组委会明令禁止在双方比赛过程中人工修改机器参数。后来,“深蓝”的更强版本DeepFrintz既没能在2002年击败新晋冠军克拉姆尼克,也未能在来年击败卡斯帕罗夫本人[28]。然而,其后却没有人对“机器已经战胜世界冠军”产生一丝质疑。当然,这并不意味着AlphaGo和AlphaZero以及“绝艺”之类的人机对战也都存在水分,只是借以说明受媒体偏向性报道影响,大众对人工智能技术对人类影响的预期判断总是大幅提前。因此,在掌握易得证据的基础上,更要尽力了解事件背后那些鲜为人知的“真相”,避免以偏概全。三、“奇点”论对教育的潜在影响说明“悲观论”和“乐观论”的谬误反映的仅是“奇点”论普遍性的负面影响。然而,教育领域有其特殊性,只有继续顺着“奇点”这条关键藤蔓,才能更为具体地发现并检视“奇点”论对教育带来的特殊影响。(一)微观层面:教育的经验问题在物理还原论倾向的支撑下,“奇点”论背后潜藏着一个对教育的破坏力极大的推论──数字永生,即:科技进步使得有朝一日能够将人脑内的神经结构及神经活动复刻到计算机系统中,或从计算机系统中将“资料”下载到人脑里。在这种情况下,人机的界限变得模糊,而知识和技能习得将变得极为容易,人们无需通过教师指导也可以脱离系统性学习,只需购买特定的功能软件包就能立刻学会并掌握相应知识和技能。于是,人们不仅会变得更加聪明,也可以得到永恒的生命。实际上,数字永生是“复制人”问题的一个新的变体:生理结构完全一致的被复制的“我”是否也与原生的“我”具有相同的思维活动? 在通用人工智能理论视角下,数字永生就是一个被技术包装的骗局。事实上,对经验的解释是一个人围绕其人格长期形成的,两个完全相同的脑结构并不能拥有相同的意识。即使这些经验的神经存储进行了复刻,在另一个复刻脑中依旧面临两个无法解决的根本性问题:① 意识启动。复刻技术只能保证备份大脑的生理一致,却无法保证另一个大脑不会变成植物人的大脑。如何唤醒复制脑并令其在自我意识指导下进行工作是第一个难题,而实际上这是无法实现的,因为意识活动本身的主体性正是个体经验积累的动态体现,而不是某种抽离于经验的静止存在。如果缺失动态的建构过程,便无法直接点燃“意识”之火,只剩一具“标本”躯壳。② 经验解释。退一万步讲,即使成功实现意识启动,复制脑也未必能将当前存储的经验依照本源的方式进行解读。智能主体(包括人脑和通用人工智能系统)的特定经验片段,既可以解读成不同的字符,也可以是一幅图片,或是一段音符等。于是,即使复制脑也有意识,复制的身体也一如本人,复制人对经验的解读也不会完全相同。主观精神世界的本质特征使得智能主体对自我经验的解读具有唯一性和排他性,因此经验的解读是私有和封闭的。不论复刻到另一个大脑,还是复刻到计算机系统中,另一个“我”也不再是我。人的死亡实际上并不意味着经验存储的必然丧失,而是对经验的解读方式不再延续。于是,不论是人类还是智能机器,所有开放适应性系统的成长过程都是经验的习得和塑造过程,绝不存在一劳永逸的可能,不学习、不接受教育就可以迅速成长的所有念想都是不切实际的空想。(二)中观层面:教育的常识问题2013年,斯坦福大学研究人员训练机器人乘坐电梯来完成到楼上买咖啡的任务。但奇怪的是,装备了各种先进传感器的机器人每次打开电梯门后便停了下来,随后反复打开电梯门却就是不肯进入,研究人员对此大惑不解。后来终于发现并非软件漏洞,而是由于机器人把电梯墙面反射的“自己”当成了“别人”,看到自己前行时对方也在前行,避障控制系统随即启动,机器人在电梯门口停下来,然后又发现对方也停了下来,于是陷入行动僵局的循环[28]。当人们惊叹于人工智能技术取得的进步之时,人工智能系统却在“羡慕”人类所掌握的常识。经过长期的研究和讨论,学界已达成共识:“人类之难恰是机器之易,人类之易却是机器之难”[29]。与直觉相反,智能主体(人类或通用人工智能系统)的高级推理并不需要多大的计算量,反倒是低级的感觉运动技能却消耗着庞大的计算资源。不过,与常识问题比较,计算问题就是小巫见大巫了,因为常识问题至今依然无解。目前,人类已经建立了成熟的学科和知识体系,其规模之巨令人惊叹。然而,由于没有常识,尽管可以轻松地存储和检索从而“知道”这些内容,计算机的理解能力却与三岁儿童都相距甚远。“奇点”论的支持者天真地认为,让机器学习人类的婴幼儿教材就可以得到常识。然而,在专用人工智能和通用人工智能系统中的相关尝试皆表明,输入婴幼儿教材与输入学科知识的效果并无二致。本团队也在NARS系统上用简单且极易理解的儿童寓言故事进行了实证研究(具体内容将在后续发表),尽管在机器教育问题上取得了可喜进展,却依旧未能解决常识问题。基于当前线索和已有证据,我们倾向于认为世界上并不存在作为“常识”的最小公约知识子集,亦即常识在深度和广度、数量和质量上都不存在绝对性。因此,从某种程度上说,“常识”是个伪命题。当然,也要看到借助某种途径和手段,人类婴儿或NARS系统确实可以获得某些必要知识从而与环境双向交互成长。因此,有效的“常识”也许和具体经验内容无关,而与经验动态建构的方式有关。在未来,动态建构学习者经验的能力将成为教师的核心竞争力之一。(三)宏观层面1.外向范畴:教育研究的导向问题当问及第二次世界大战爆发的原因时,以下四个选项该如何选择?A.2KNO3+S+3C——K2S+N2+3CO2;B.瞬间形成高温高压气体以极高功率对外界作功,使周围介质受到强烈的冲击、压缩而变形或碎裂;C.1939年9月1日德国对波兰的“白色计划”行动;D.经济危机激化两大政治军事集团的矛盾。上述四个选项中,A 是火药燃烧的化学反应方程式,B为子弹射击的物理原理,C是真实发生的入侵行为,D是形而上的战争背景分析。事实上,对于二战的起因上述四者皆在一定程度上有所贡献。然而,人们并不会将A和B考虑在内,只是在C和D中寻找答案,并最终倾向于 D,因为似乎只有D才能“真正说明问题”。教师既是教育活动的引导者,也是教育研究的参与者。因此,教育研究的导向对教师具有重要影响。与上述例子一样,对教育和学习而言,神经科学从基因、分子和激素水平出发寻求解释,脑科学从大脑功能原理上进行解析,心理学和专用人工智能从行为层面予以分析,而只有通用人工智能是在思维层面的经验探索。正如不能认为二战爆发是因为火药发生爆炸推动子弹运动一样,同样不能认为学生做对题目便是其神经活动符合了某种要求和标准,或“胸怀理想、报效祖国”就是某个特定规模的神经联结。人类行为向下还原的代价便是意义的丧失,教育行为的神经和脑机制还原亦是如此。不同的学习者,相同的学习活动可能对应于不同的神经活动,而相同的神经活动,也可能对应于不同的学习活动;同一个学习者,前后两次相同的学习活动,可能对应于不同的神经活动,而相同的神经活动,也可能对应于不同的学习行为。正所谓,“人不能两次踏进同一条河流”。当然,也不能走向另一个极端,认为神经科学、脑科学的研究成果对教育领域毫无借鉴。因此,教育界同仁们应从学科崇拜中警醒过来,树立属于自身的学科自信,将教育研究的导向重新回到“经验”这一传统优势上来。2.内向范畴:教育政策的取向问题媒体鼓噪下的人工智能对当前诸多行业的“侵蚀”而令人类劳力面临失业潮,“奇点”论的支持者们深以为然,但事实并非如此。电气化和自动化对智能化的最大挑战,不是技术而是环境。开发一个在发达国家驾驶公交车的机器人绝非难事,而开发一个在不发达国家乘坐公交车的机器人则难上加难。具体对于我国而言,高速铁路的无人驾驶很容易实现,但普通公路的无人驾驶却难以实现。环境的结构化程度越高,制造在其中运行的机器就越容易。因此,如今成功的专用人工智能案例背后的重要隐含条件不是技术水平,而是规则明晰的结构化应用环境。锻造一辆在封闭道路上单向行驶到终点的“智能座驾”技术早已成熟,前提是路边围好了拦网,铺装路面都做好了标记,既不会遇到穿越的行人和动物,也不会碰见对向行驶而来的新手司机,更不会因为误认了跌落的树枝或树叶被风吹就的造型而冲出道路。但是,人们所处的真实环境都是开放的,我们永远无法穷尽路面的所有可能而研发出全时全路况毫无瑕疵的自动驾驶车辆。所以,在专用人工智能发展道路上,被“规则化”的不是技术而是我们自己。对专用人工智能系统而言,机器学习或大数据分析过程中,样本的噪声、干扰和异常对结果具有不良甚至致命的影响。而通用人工智能恰恰相反,认为开放环境中的扰动对于智能主体的适应性成长至关重要。在合适的条件下,噪声、干扰乃至异常反而有助于系统更高层次能力的提升。于是,从某种意义上说,“无序意味着发展,秩序代表着停滞”。人类正努力开发像人类一样思考的机器,这并不可怕,真正让人担心的是,人类已经被机器同化得像机器一样思考。自从大工业时代之后,各国教育系统的培育体系正在变得越来越规范,评价标准变得越来越精确。在“标准”的教育政策引导下,所有教育活动都在预先计划好的时间和地点按照预先计划好的方式按部就班地进行,学生们接触到的都是基本相同的经验,从而同时使得教师之间、学习者之间的差异性越来越弱,育化和受育的多样性变得越来越低。四、未来的教师与教师的未来教育的核心问题是经验,经验如同常识一样,不在于特异性的知识,而在于如何被有意义及多样化地塑造。在前述讨论的基础上,本节回归到“未来的教师”和“教师的未来”的问题上来。实际上,前者本质上是一个教育的职业问题,而后者则是教育的职业内涵和价值取向问题。不同于专用人工智能对数据搜集和分析,通用人工智能强调对个体经验的建构。教师的职业内容及其职业发展不仅离不开经验,而且是紧紧围绕着经验而开展的。在这样的背景下,“悲观论”和“乐观论”都是片面和偏激的,智能的发展离不开后天经验的塑造,因此,教师将在未来社会中扮演举足轻重的角色。(一)未来的教师在不同的理论视角下,未来教师将具有不同的主体形式。依据专用人工智能的相关理论,未来教师的主体由人类构成,因为机器将永远无法产生真正的智能,既无情感也无价值观。故而,尽管许多操作性和重复性的教学事务可由机器完成,但人工智能终究无法替代人类而只能扮演各种辅助性的教学助手的角色。或者更进一步说,即便教学过程全面实现自动化和网络化,优秀课程的开发与设计仍然依赖于人类教师的实践经验,人类教学经验的传承中有更多无法言之的内隐知识属于感受性的具身知识,而这些知识永远无法被机器理解。因此,该视角反映的是“乐观派”对未来教师的预期。“悲观派”则以“奇点”为依据,认为未来的教师必定以机器为主体,因为人类智能是相当有限的,具有理性和逻辑思维的同时也表现出非理性和非逻辑的特点。但是,超级智能却没有这样的忧虑,它能以人类所不能理解的方式深刻洞察自然界和人类社会,更别说人类的情感和意识了。拥有超级智能的机器教师具有极强的教学能力,直接向学生提供毫无冗余的个性化教育方案,使学生在学习道路上走最短的“捷径”从而成效斐然。然而,不论教师、学生还是家长,亦或是教育研究者或人工智能专家,却没有人知道超级智能为何能够得到如此高效的教学效果,人们只是知道“相信并听从,照做就是”。于是,在超级智能的机器教师碾压下,人类教师毫无优势可言,教师这一职业也将不复存在———超级智能终将发现教授人类的必要性越来越小,与其让经常犯错的人类做事不如教授给超级智能体来做更有意义———人类最终沦落为机器的宠物,这也是2017年10月23日《纽约客》杂志封面的寓意。实际上,以上两种对未来教师主体的分析都是错误的,不是囿于技术局限,就是脱离科学理论的遐想。在通用人工智能视角下,人类智能的背后存在着一般意义下的智能理论,而该理论也可以在诸如 NARS这样的计算机系统中实现。此类系统具有与人类智能相仿的认知特征,却没有生物学特性。因此,这样的智能系统(或智能机器人)既不是一个完美的复制品,也不是人类智能的廉价替代品,而是与人“平行的”另一种智能形态。另一方面,由于智能主体中经验感受性的建构特性,智能系统(或智能机器人)即便装备了与人类功能相同的传感器,也无法真正拥有与人类完全一致的感觉。反之,人类也无法体验到智能系统(或智能机器人)的所有感受细节。因此,即使面对相同的客观物理环境,二者的经验也不会相同,而且人类群体与人工智能群体的社会性经验差异就更大了。然而,在差异背后也要注意到二者经验的共同点:人与智能机器具有相同的智能原理和相似的认知过程,决定了二者具有大致相同的经验加工机制。与此同时,共同的物理世界和相近的社群内生规约又构成人类与智能机器经验内容中一致性的部分,故而,人与机器之间并非不能沟通,在绝大多数情况下,二者是可以相互交流和理解的。所以,未来教师的主体由人类教师和机器教师共同构成,由于二者之间在功能上具有交集,因此存在一定程度上的竞争关系。未来,人类教师可以教授人类学生,机器教师可以教授机器学生,人类学生也可以向机器教师求教(如围棋界研究AlphaGo的新棋路),机器学生也可以向人类教师求教。人类教师将与机器教师共同承担教学任务,教师这个职业非但不会消亡还将变得“炙手可热”。也就是说,优秀的人才和“好用的”机器都是教出来的。(二)教师的未来除了技术手段日新月异以外,教师未来的工作内容与当前并无本质差别。教师在未来所面临的最大挑战,不是经验的传授,而是经验的建构。首先,经验内容的审视。人类的经验世界不等同于生理组织,大脑内部经验活动的内容无法使用设备直接探测。因此,人类的行为数据在分析和洞察学习者方面依旧具有无可撼动的地位。作为学习者经验的重要载体,“大”数据仍旧备受欢迎,但是其重心却与当前“大数据”恰好相反。实际上,大数据之“大”有横向和纵向两个不同的维度。在学校教育范畴内,横向的大数据为接近全体学生样本的数据集合,其覆盖性突出地表现为对不同个体的涵盖;纵向的大数据为特定学生样本的数据集,其覆盖性突出地表现为对该学生历时性、情境性数据的涵盖。也就是说,在实践层面上,技术对教育的影响有且只有通过个体水平的改变才能表现为群体水平的提升,而不是相反。所以,“广积粮”是当前大数据的特点,不仅数据价值密度低,还面临隐私侵犯的风险;“深挖洞”则是未来大数据的特点,表现为数据来源的选择性和典型性以及数据维度的丰富性和追踪的长期性。由于学习者的经验内容彼此均不完全相同甚至差异极大,对未来的教师而言,对学习者的真正理解和有效教导将在个体层次上深入开展,朝向真正的“个性化”教育,也就是说,对个体学习者A经验的考察,重点并非 A 与他人分数、能力的比较,而是从A的经验建构过程进行分析和解读。换一个角度讲,教师在未来比拼的不是学生的分数,而是发现和了解学生的能力。与此同时,机器教师尽管可以完成某些常规教学活动,但对人类学生的体察永远不能做到“感同身受”,所以对人类学生的关键指导只能由人类教师完成。然而,类似的是,人类教师对机器学生也存在同样的局限性,所以机器教师与人类教师今后将相互配合但各有侧重,尽管在某些例行性教学事务上人类教师面临来自机器教师的竞争和替代,但在各自擅长的特定教学情境中却能够发挥自身优势而形成互补。其次,经验建构的原理。在通用人工智能理论视角下,可以从微观层面、中观层面和宏观层面来阐述。①在微观层面,不论是人脑还是通用人工智能系统的记忆中,既不存在绝对保真的知识,也没有一成不变的真理,有的只是在开放环境下随时接受挑战的经验。事实上,智能主体经验空间的可塑性,决定了主体接受教育的必然性和必要性。在细节上,经验具有陈述和主观判断两个维度。其中,知识描述可以成为经验的陈述,主观判断(又称真值)由证据累积的“正确率”和“可信度”共同表征。尽管可信度通常随支撑该信念的正面证据的增加而提升(如对于某知识点,学生做过的题目越多,正确率越高其信心也越高),但是也有对少数证据进行泛化强化导致正确率不高但可信度极高的“似懂非懂”的情况(如学生声称“知识点已经掌握”但“仍旧做不对题目”)。在微观层面上,教师未来需要借助知识空间、内隐测量、无意识测验等技术探查学生经验背后的真实主观判断。②在中观层面,主体经验通过意义的相互联结形成网状结构(即经验空间),不是一盘散沙而是有机交融。经验空间并非分布均匀,而是密度各异。如果按照密度由紧密到稀疏的分布排序,可以将经验空间由图结构转化为树结构,成为经验树。越靠近叶节点,经验的陈述越具体,陈述的证据总量越小,可信度越低。反之,越靠近根节点,经验的陈述越抽象,陈述的证据总量越大,可信度越高。经验系统具有层级结构,树根正是抽象自我,抽象自我的高可信度对应于“自我存在的合理性和必要性”这种天然心理倾向的表达。树根向枝叶延伸对应于从人格、社会角色等高度抽象的心理概念到认知风格、语言、学科知识、生活经验等更为具体的陈述。经验系统层级结构的重要特征是上层信念(元认知)对下层信念具有更大的影响力:信念越抽象,正确率和可信度越高,对下层信念的影响力就越大。然而,叶节点并不必然与合适的上层信念相连接,也未必一定能够形成更为适合或合理的新的抽象信念。所以,在中观层面,教师未来工作的重点不是给学生布置海量的习题,而是通过精讲精练有目的、有针对性地引入新经验,同时注重上层经验的生成与巩固,让学生掌握学会学习和正确对待自己及他人的能力。③宏观层面,教育不只是经验树叶节点知识的生长,而是对经验树整体的捏合、塑造甚至再生,是面向人性的有趣的教育、幸福的教育和生态的教育。然而,不论是高层的“社会主义核心价值观”或“爱国主义”,还是中层的“核心素养”,社会抽象经验(德行知识)既非某种具体知识,也非诸如身体自我之类的内在指向。社会抽象经验不会简单地由于知道而被直接接受,而是在与所有相关经验的互动中被强化、被抽象和被建构。因此,作为教育价值的根本性体现,对观念的树立不只是知识讲解、课程设计、考核评价,而是依赖于学校内外、家庭内外、线上线下的全方位引导。在宏观层面,教师未来工作的重大转向正是把对学习者的关注从成绩转移到个性塑造上来,鼓励学生获得更多的生活体验、激励学生探寻更多的发展潜能、启发学生对高层经验更多的深层加工。一言以蔽之,便是培养人格完善的“观察员和思考者”,而非装载知识的“移动硬盘”,亦不是熟练操作的“技能机器”。五、总结人工智能技术必将对人类社会产生意义深远的影响。现如今,计算机的存储量越来越大,但稳定性却越来越差,其计算能力越来越强,但价格越来越低廉。在这样的背景下,专用人工智能依附“奇点”论,产生了“悲观派”和“乐观派”两种极端思潮。通用人工智能为问题的探究开启了另一扇窗:人类教师是否会被机器教师替代,并不存在简单的回答;人类教师如何与机器教师协同工作,也不存在简单的回答。认为机器教师无法拥有情感所以不能取代人类教师的想法是错误的,实际上,机器教师是可以替代人类教师的,特别是那些遵循固有模式“讲教材”的人类教师会遭到机器教师的挑战,使得会“教”而不会“育”的人类教师将被无情淘汰,毕竟机器教师在了解学生知识结构方面具有更大的优势。实际上,警钟已鸣响:未来对人类教师的要求非但不会降低,反而变得更高。与其他职业不同,教育作为一种“元职业”,未来非但不会萎缩和消亡,反而会更加兴盛和蓬勃。同时,教师也并不会由于人工智能技术的存在和渗透而数量锐减。恰恰相反,未来教师岗位需求增多的同时也对教师综合能力的要求大幅提高。专用人工智能将教师从繁冗的事务性教学工作中抽离出来,通用人工智能则不仅要求教师回归教育本源而专注于学生个体化的经验建构,还要掌握机器教育的基本理论和技能,学校教育的主要目标必将从知识传承转向经验生长。因此,不论人类还是智能机器,教师作为灵魂的塑造者,永远不会缺席或“被”缺席。参考文献[1] 刘德建,杜静,姜男,等.人工智能融入学校教育的发展趋势[J].开放教育研究,2018,24(4):33-42.[2] 王竹立.技术是如何改变教育的? ———兼论人工智能对教育的影响[J].电化教育研究,2018,39(4):5-11.[3] 李政涛.当教师遇上人工智能……[J].人民教育,2017(Z3):20-23.[4] 余胜泉.人工智能教师的未来角色[J].开放教育研究,2018(1):16-28.[5] 郝兆杰,潘林.高校教师翻转课堂教学胜任力模型构建研究———兼及“人工智能 +”背景下的教学新思考[J].远程教育杂志,2017(6):66-75.[6] 苏令银.论人工智能时代的师生关系[J].开放教育研究,2018(2):23-30.[7] 温洁.人工智能技术的发展与教师职业的未来[J].教育理论与实践,2018(8):35-36.[8] 段伟.人工智能会替代教师吗? [N].中国教师报,2017-06-28(003).[9] 钟义信.高等人工智能:人工智能理论的新阶段[J].计算机教育,2012(18):6-11.[10]曾毅,刘成林,谭铁牛.类脑智能研究的回顾与展望[J].计算机学报,2016(1):212-222.[11]刘凯,胡祥恩,王培.机器也需教育? 论通用人工智能与教育学的革新[J].开放教育研究,2018(1):10-15.[12]SearleJ.Minds,brainsandprograms[J].Behavioral& BrainSciences,1980(3):417-424.[13]唐热风.心的本质是计算吗? [J].自然辩证法研究,1998(4):1-6.[14]徐英瑾.强人工智能、弱人工智能及语义落地问题[EB/OL].[2018-05-16].https://mp.weixin.qq.com/s/_CiD8wR-onrJG_pmleoONw.[15]王培.人工智能迷途:计算机的高技能等于高智能吗? [EB/OL].[2018-05-16].http://tech.sina.com.cn/d/i/2016-02-17/doc-ifxpmpqp7861219.shtml.[16]刘凯,胡祥恩,马玉慧,等.中国教育领域人工智能研究论纲———基于通用人工智能视角[J].开放教育研究,2018(2):31-40.[17]VingeV.Thecomingtechnologicalsingularity[J].WholeEarthReview,1993,81:88-95.[18]KurzweilR.Thelawofacceleratingreturns[M]∥AlanTuring.Lifeandlegacyofagreatthinker.Berlin:Springer,2004:381-416.[19]斯蒂芬·默多克.智商测试:一段闪光的历史,一个失色的点子[M].卢欣渝,译.北京:生活·读书·新知三联书店,2016:251-253.[20]WangP,LiuK,DoughertyQ.y[J].Information,2018,9(4):79.[21] WangP.Experience-groundedsemantics:atheoryforintelligentsystems[J].CognitiveSystemsResearch,2005,6(4):282-302.[22]刘伟伟.人工智能的语义学基础[J].科学技术哲学研究,2015(3):27-32.[23]TargonV.oticcognitiveautomaton[J].CognitiveComputation,2016,8(4):555-5.[24]谭爱平.认知语言学理论研究[M].成都:西南交通大学出版社,2017:148-152.[25]JosepC,MichaelT.Doesthechimpanzeehaveatheoryofmind?30yearslater[J].TrendsinCognitiveSciences,2008(5):187-192.[26]M Dorigo,M Birattari,CBlum.Antcolonyoptimizationandswarmintelligence[J].LectureNotesinComputerScience,2004(8):767-771.[27]邓婧.人机对战简史:从国际象棋到德州扑克[EB/OL].[2018-05-16].http://www.sohu.com/a/132735388_413980.[28]皮埃罗·斯加鲁菲.智能的本质:人工智能与机器人领域的64个大问题[M].任莉,张建宇,译.北京:人民邮电出版社,2017:40.[29]EricksonT.Someproblemswiththenotionofcontext-awarecomputing[J].CommunicationsoftheACM,2002,45(2):102-104.

新智元 AI World 2018 世界人工智能峰会全程回顾新智元于9月20日在北京国家会议中心举办AI WORLD 2018世界人工智能峰会，邀请机器学习教父、CMU教授 Tom Mitchell，迈克思·泰格马克，周志华，陶大程，陈怡然等AI领袖一起关注机器智能与人类命运。爱奇艺上午：https://www.iqiyi.com/v_19rr54cusk.html下午：https://www.iqiyi.com/v_19rr54hels.html新浪：http://video.sina.com.cn/l/p/1724373.html新智元专栏 作者：王培（美国天普大学 计算机与信息科学系），刘凯（华中师范大学 心理学院）【新智元导读】在当前关于“人工智能”（Artificial Intelligence，AI）与“奇点”（Singularity）的讨论中，这两个词语的不同含义经常不同程度地被混用，成为诸多分歧产生的根源之一。本文对这些含义进行了辨析，进而提出“通用人工智能”（Artificial General Intelligence，AGI）所代表的智能观，认为AGI可以存在，但奇点却不会出现。01:37震撼！AI WORLD 2018世界人工智能峰会开场视频近年来深度学习进展神速，令“计算机能否比人更聪明”再度成为热点话题。在这类讨论中存在两种截然相反的观点：“无限论”者认为，从人工智能已取得的成果上一看便知，没有人工智能做不了的事情；“有限论”者则认为人工智能不可能真有多少智能，所以做不了很多事情。在我们看来，二者的论证皆有概念混淆的问题。下面我们从概念分析开始，希望在这团乱麻中理出些头绪，也为这炎炎夏日的火热论争带来一丝清凉。本文是我们一篇英文论文[1]的缩写版。人工智能（AI）与通用人工智能（AGI）“人工智能（AI）”没有公认的严格定义，尽管简而言之，这项研究是试图“让计算机像人脑一样工作”。尽管听上去似乎直截了当，这种看法实际上要求AI在某些方面与人类智能相似（甚至相同）。由于计算机既非生物有机体，也不可能过和人类一模一样的生活，故而期望人工智能与人类智能在所有方面都完全一样显然是不切实际的。但这是个自明的“潜假设”，很少被明确提及。其结果是当人们关注人类智能的不同方面时，提出和遵从的AI范式彼此迥异，其目标、需求、假设、路径和应用均大相径庭。在相关讨论中，至少存在三种不同见解：1、认为“AI”应该行为表现与人完全一致。2、认为“AI”应该能够解决某些过去只有人脑才能解决的问题。3、认为“AI”应该具有与人相同的认知功能。在后面的讨论中，它们将分别被称为AI-1、AI-2和AI-3。就AI-1而言，最广为人知的形式莫过于一个能够通过图灵测试的计算机系统。由于通俗易懂，这种AI经常出现在科幻小说和电影中。在公众看来，这就是“AI”的含义。但事实上，这基本上不是人工智能领域的研究目标。在AI研究的初期（上个世纪中叶），绝大多数研究者的确都试图创建在各方面均可与人类心智相媲美（尽管未必完全相同）的“思维机器”。然而，对这一目标的所有直接尝试均宣告失败。于是，主流AI研究者将“AI”重新诠释为AI-2，即在某一特定应用或认知功能上达到人类水平。常规AI教科书中几乎所有的内容都成为了AI-2的脚注，就连新近增补的深入学习和其他机器学习算法也无出其右。尽管AI-2取得了令人瞩目的成就，业界内外的许多人仍然觉得这种系统其实更接近传统计算而非一般意义的智能。这也正是十几年前需要引入“通用人工智能（AGI）”这个新词的原因。尽管这类研究项目实际上从AI之初便一直存续至今，但是当主流AI已经在这个招牌下从事不同的经营活动之后，给这个目标取个新名字就成为必要的了。AGI将“智能”视为一种一般能力，而主流AI则将其视作多种具体能力的松散集合。因此，AGI更接近于前述AI-3。许多人用“强AI”称呼AI-1和AI-3（以及AGI），而用“弱AI”指AI-2。虽然这个区分有其直观吸引力，很多AGI研究者通常并不用“强AI”来称呼自己的研究工作。理由一是避免该对语词背后潜藏着的哲学预设（“强AI”和“弱AI”的差别原本就不体现在外部功能上，而是系统是否有“内省”能力），二是AI-2与AI-3的主要区别不在于“能力的强弱”，而在于“适用的范围”。对某一确定性问题而言，专用方案的能力往往强于通用方案。因此，期望AI-2的技术变得“更强大”而最终跃升为AI-3是不现实的，因为二者的设计源自根本不同的出发点。换言之，将现有AI-2技术捆绑整合而成为AI-3系统的想法是不会实现的。此外，AI-1侧重于系统的外在行为，而AI-3则侧重于其内部功能，但“强AI”这个概念却无法区分AI-1和AI-3。尽管有理由认为“行为表现与人脑完全一致的计算机系统”（AI-1）大约依赖于“与人类心智相同的认知功能”（AI-3），但反过来却未必成立。系统的行为（或其“输出”）不仅取决于内部的处理机制和功能，还依赖于系统的“输入”（可粗略称其为“经验”）。因此，“类人”的认知机制如果被给予“非人”的经验，其行为也不会像人。这就好比在输入值差别很大的情况下，即使两个数学函数几乎等同，但其输出值也可能有着天壤之别。那么，为何不能给AGI人类的经验呢？原则上，人类感官及感知过程均可能被计算设备模拟到任意精度，但这在实际上却不太可能。以视觉为例：每种光感受器都应具有一定的灵敏度、解析度、反应时等等。人眼如此，其它动物的眼或各种电子感光设备也莫不如此。因此，“让计算机有视觉”和“让计算机有和人类完全一样的视觉”是两个难度相差悬殊的任务。退一万步讲，即便能够在所有细节上模拟人类的全部感官，也仍然只能得到某人的直接的物理经验，依旧无法获取从人际交流中得到的间接的社会经验。因为社会经验的取得，需要计算机被其他人（或机器）视为人。这已然不是能否实现的技术问题，而是是否需要或值得去做的问题了。为了便于讨论，假设全体人类社会确实像对待人类一般来对待AGI系统；在这种情况下，AI-1是有可能实现的。然而，这是基于对“智能”高度的人类中心主义的解释，其实它应该被称为“人工的人类智能”。用人类行为来刻画智能会令其他非人智能（如“动物智能”、“群体智能”、“外星智能”等）仅根据定义便成为不可能，仅仅因为它们并不具有类人的输入和输出。这种人类中心主义的“智能观”总是作为隐含的预设立场而存在，却几乎未被明确地讨论过。一个突出的例子便是将图灵测试作为AI的操作性定义，尽管图灵自己只是将其视为智能或思维的充分条件而非必要条件。图灵本人写道：“难道机器不能进行一些与人不同却可称之为思维的活动？这个反诘很有力，但至少我们可以说，如果能够很好地应对角色扮演任务的机器可以被造出来，我们就不必为这种反诘而烦恼”。这就是说，即使“行为像人”说明有智能，“行为不像人”也未必就是没有智能。在当前AGI研究中，几乎没有人将目标设定为建立AI-1系统；相反，将他们的工作视为某种AI-3的版本才更适合。他们认为，“思维机器”或“通用智能”不仅和人类心智有可比性，甚至可能在某种抽象意义上完全相同，尽管未必是行为细节的全部等同。就像我们认为鱼和鸟有视觉但却与人类之所见非常不同一样，这种行为差异的存在并不意味着非人系统无法拥有真正的智能。 “奇点”（Singularity）与通用人工智能（AGI）“奇点”，也被称为“技术奇点”，是另一个既无准确含义也未被广泛接受的概念。尽管常见于一些作品而为公众所熟知，但实际上这并不是一个真正的计算机科学或技术术语。“AI将导致奇点”这一观点的典型表述可以分解为下列三个结论：1、系统的智能水平可以表示为一个数值。2、经由学习或迭代改进，AI能够提升自己的智能水平。3、当AI的智能水平超越人类，它的整个未来将被我们视作一个单点，因为从那以后这个系统将超出人类的理解范围。当然，有人也仅使用“奇点”一词来指代“AI达到人类水平”或“计算机比人类更聪明”这个时间节点，而不做其他假设。接下来，我们将聚焦于上述典型表述，因为当它被分析之后，我们对其各种变体的看法也便一望而知了。第一句话看似正确，毕竟一个“聪明”或“智慧”的系统应该可以解决许多实际问题，而人们也总是利用各式测验和检测来评估效果，比如人类自身便通常使用“智商”（IQ）来衡量智力水平。尽管为通用系统的问题解决能力的找到一个恰当的度量绝非易事，但为方便讨论，我们假设可以确立这样的一个度量S，代表系统在解题能力上所得的“分数”。即使如此，我们也不认为这是一个衡量系统“智能”的正确标准，因为它完全排除了时间因素。在通常意义下，人们往往把“智能”与后天习得的解决问题能力相联系，而非先天拥有的问题解决能力。出于这个原因，在某一给定时刻t，系统的智能应该用该时刻增速S'(t)而非S(t)来衡量，也就是说，智能水平不是指系统在此刻能解决多少实际问题，而是指其解题能力在此刻的增长速度。图1 时间t与总分S的四种不同关系图1更为直观地展示出S(t)和S'(t)之间的差异。就当前的讨论而言，就其所能解决的问题的数量S与时间t的关系可区分出四类不同的系统：蓝线对应于一个完全没有学习能力的系统。系统能力完全由先天因素确定，即S'(t) = 0。所有传统的计算系统都属于这一类，尽管其中一些被人们视为“AI”。紫线对应于一个学习能力有限的系统。此类系统中S'(t) > 0，但最终收敛至0。绝大多数的机器学习算法都属于该类。绿线对应于一个学习能力基本恒定的系统。此时，S'(t)是一个正常数。包括我们团队在内的许多AGI项目都属于这种类型。红线对应于一个学习能力本身在增长的系统，其S(t)和S'(t)均呈指数递增。我们认为这样的系统并不存在，在此仅将其作为一种可能性列出来。粗略地说，这里的 S(t) 表示“解决问题的能力”，S'(t) 则表示“学习的能力”，“能够解决多少问题”与“能够学到多少东西”并不直接相关。如图1所示，取决于其中的常量和测量的时刻，四种类型中的任意一种都可能成为问题解决能力最强者，但其学习能力却各不相同，由弱至强可排序为：蓝线 < 紫线 < 绿线 < 红线。我们认为，智能水平应由S'(t) 而非S(t) 来刻画，尽管这与当前主流观点不同，但事实上这种理解不仅更加符合“智能”一词的深层含义，也有助于开创AI研究的新局面。上述结论与人类智商（IQ）的衡量方式其实并不冲突，虽然智商测试的直接目标上是问题解决能力。智商是人的“心智年龄”（由测试分数给出）除以所在年龄段之商。在人们先天的问题解决能力S(0) 并无明显差异的情况下，更高的S(t) 值意味着更高的S'(t) 值，所以可以用IQ来衡量某人的学习效能与他人的差异。然而，这对于AI系统却不能成立，因为不同的计算机系统可以有差异极大的S(0)值，取决于它们不同的设计与配置。尽管在AI研发过程中“学习”往往与“问题解决”被置于同一层面，但“学习是智能的核心”的见解却早已有之。按照我们的理论，各类问题解决能力处于“对象层次”，而学习能力则是处于“元层次”。正如前面“AI与AGI”比较中所提及的，这一差异开启了另一扇窗：主流AI研究把智能视为解决特定问题的能力，由于不同的问题具有不同的问题特征，其解决方案也因此不同。相反，AGI关注的是独立于具体领域的“元问题”。其实，这两种方法既不重叠也非竞争，而是互补的。“绿线族”便是个很好的例子，这类系统将其元层次的知识和操作看做“智能”（主要来自系统先天预设），而将其对象层次的知识和操作视为“信念和技能”（主要来自系统后天经验）。当我们说此类系统达到“人类水平”时，实际上意指其元知识和元操作与人类的相类似，不论对象层的信念和技能和人有多大程度的重合。在AI系统中元知识的习得并非不可能，但有几个重要问题却很少在相关讨论中被提及：许多AI系统中虽然存在着“对象层次”和“元层次”之别，但其具体边界取决于系统的设计，所以某系统元层次上的学习可能对应于另一系统对象层次上的学习。有的“元学习”算法用穷举尝试找寻最优解，但考虑其所消耗的时空资源及潜在风险，这种做法其实并不可取。一个常见的误解是将“递归式的自我改进”与“系统修改自身源代码”相等同。对于Lisp和Prolog这样的编程语言，自身源代码修改和函数生成其实早已实现；但是，这些技术的实际使用并不会造成革命性的后果，因为其他编程语言也可以通过对某些数据的修改而实现同样的效果。请注意，“程序”与“数据”二者之间并无理论鸿沟，只是应用解释有别而已。由于现有的机器学习技术是为对象层任务而设计的，因此对学习元知识并不能胜任。人类的大脑也是如此：作为一个个体，我们的心理机制大多是先天形成，只能通过有限的方式缓慢地加以调整。只有在规模上升到物种层面的讨论时，人类才会借由进化而“学习”，但付出的代价却是更慢的速度和更高的风险（对个体而言，不佳的改变往往致命）。于是，最好将群际内的元学习过程称为“进化”，而为个体对象层的学习过程保留“智能”一词。时至今日，我们依然没有看到任何说明“红线族”系统可能存在的确实证据。虽然奇点的支持者经常把“指数增长”现象的存在挂在嘴边，其证据也不是关于一个能够自我改进的独立系统中的。纵然“智能”是一个程度的问题，也没有证据表明智能在“人类水平”之上依旧可以无限提升。“超人智能”往往是对应于“低于人类水平的智能”的一种类比，而这里的“智能水平”既包括对象层因素也包括元层次因素。在这里，S(t)值显然可以通过知识、技能或计算资源任意的增长而提高，但“超人智能”和高S(t)值不是一回事。在元层次上，“超人智能”意味着一种完全不同的思维机制，能够更好地满足适应的目的。当然我们不能否认这种可能性，但确实没有看到任何证明其可能存在的证据。计算机能比人类更聪明吗？如果“更聪明”是指更高的问题解决能力的话，那么这在很多领域中早已发生了。计算机在很多方面都比人做得好，却尚不足冠以“智能”之冕，不然连数值计算和排序算法也都能算作其所在领域的智能标兵了。引入“AGI”一词的原因也正是要避免这种什么都算是“有智能”的局面。同样，尽管“机器学习”的字面意思也包括了“绿线族”系统，而且机器学习领域一开始还是“百花齐放”，但现在“机器学习”一词却几近等同为“统计学的函数拟合”，变得仅仅侧重“紫线族”而已。故此，不得不用一个新的名称来避免混淆。对“绿线族”或“红线族”而言，S(t) 虽能够提升至任意水平，甚至“比人类聪明”，但受到传感器、动作器及经验所限，并不意味着在每一个问题都能比人做得更好。在这一问题上，“绿线族”和“红线族”之间存在根本差别：由于“绿线族”内部的元知识由其设计者指定，所以即使其S(t)值远高于人类水平，人们仍然能够理解它的运行原理及基本工作过程。而相反，如若果真存在某个“红线族”系统，它将在某个时间点之后让人连它是如何工作都变得无法理解。既然不相信“红线族”能够存在，我们也不认为“奇点”可能发生。但是，我们却坚信可媲美人类心智的AGI系统是能够创建出来。这种系统在元层次上的能力与人类大致相等（不高也不低但未必完全相同），而在对象层次上的能力则可高于人类（指总分，而非每项任务）。这些AGI系统仍旧可以经由人类或自身来持续改进，但不会突现一个机制全然不同的“超人智能”。总结：AGI是等同于人类的计算机系统，无需处处一致因此，我们的智能观是：AGI将是在原理、机制和功能上与人类智能相似的计算机系统，却不必然非得在内部结构、外部行为或问题解决能力上与人一致。作为另一种智力形式，AGI将具有与人类大致相同的智能水平，既不会过不高也不会过低。对于具体的问题解决能力而言，由于躯体和经验的差别，AGI既可能比人强也可能不如人。AGI的实现需要新理论、新模型和新技术。当前主流AI基本上延循着智能就是问题解决能力这一思路而发展，所以其发展路线并未朝向AGI，从而也具有与AGI所不同的理论和实践价值。即使AGI已然实现，也不会导致一个奇点出现，以至于智能计算机系统变得完全无法理解、不可预知和无法控制。相反，AGI的实现意味着智能本质已为人所悉，这将进一步引导人们使用AGI来满足人类的价值和需求。AGI的研究还处于初期，因此各方高见皆有价值。但正所谓“大川归道，百宝万货”，为了取得一个最低共识有必要澄清基本问题，以便避免驴唇不对马嘴的情况出现。参考文献：[1] Wang P, Liu K, Dougherty Q. Conceptions of Artificial Intelligence and Singularity[J]. Information, 2018, 9(4):79.[2] Pei Wang, Rigid Flexibility: The Logic of Intelligence, Springer, 2006.[3] 刘凯, 胡祥恩, 王培. 机器也需教育? 论通用人工智能与教育学的革新[J]. 开放教育研究, 2018(1):10-15.更多阅读：马斯克：人类极有可能生活在更高文明模拟的矩阵游戏中强化学习重大突破：DeepMind用一个AI在57个游戏中全面超越人类【星际争霸2】南大AI单机训练一天，击败最高难度内置 Bot新智元AI WORLD 2018世界人工智能峰会全程回顾新智元于9月20日在北京国家会议中心举办AI WORLD 2018世界人工智能峰会，邀请机器学习教父、CMU教授 Tom Mitchell，迈克思·泰格马克，周志华，陶大程，陈怡然等AI领袖一起关注机器智能与人类命运。全程回顾新智元 AI World 2018 世界人工智能峰会盛况： 爱奇艺 上午：https://www.iqiyi.com/v_19rr54cusk.html 下午：https://www.iqiyi.com/v_19rr54hels.html新浪：http://video.sina.com.cn/l/p/1724373.html

不久前，一篇名为《这块屏幕可能改变命运》的文章在朋友圈刷屏。这篇文章像在无际的黑夜中划燃了一根火柴，让无数读者看到了教育平权的希望——直播教学。一块小小的屏幕，连接起了位于四川省会的重点中学成都七中和远在800多公里之外的云南省昆明市禄劝县的禄劝第一中学。禄劝学子无需跋涉，便能接触到顶级名师的课程。3年来，248所接受直播教学的7.2万名学生中，88人考上了清北，大多数成功考取了本科。然而，沿着直播教学的路走，就真能抵达教育公平的终点吗？城乡教育的沟壑之深，可能远超你的想象。- 消失的农村学生 -2016年，湖南平江县南江镇万家村万家小学仅剩7名学生、2名老师。2017年，朱烘丙是山西五寨县前所中心小学的唯一的学生。2018年，2名老师、1名学生已是吉林省公主岭三门李村小学的全部人员。……这不是什么耸人听闻的消息，类似的故事正在中国的多数农村上演。一组冰冷的数据摆在人们眼前：近五年来，全国农村在校生和专职教师的人数都在锐减。在校生数量由4113万减少至3495万，减少了15%，而专职教师则由371万减少至312万。（点击查看大图）这一数据中涵盖的不仅仅是农村小学，初中和高中也包括在内。学生走了，老师走了，学校自然也无以为继。短短五年间，全国农村学校数量急剧缩减。4万余所小学、3千余所初中和33所高中在此间谢幕，退出农村教育的舞台。（点击查看大图）这或许会让人们想起本世纪初的撤点并校政策。在“小学就近入学、初中相对集中、优化教育资源配置”的政策背景下，一些农村中小学被关停、合并。撤点并校带来的最直接粗暴的影响是农村学校数量剧跌。2000年到2010年，农村地区平均每天有63所小学、30个教学点、3所初中消失。换言之，几乎每小时都有4所农村学校消失。由于撤点并校带来了辍学现象加剧、农村教育负担过重等问题，早在2012年底就被叫停了。但2013年以来农村学校蒸发的现象却不减。高中则更为夸张。2017年全国普通高中合计有13555所，其中城区6810所，镇区6070所，而农村仅有675所。农村学生、老师和学校的减少，当然和中国快速的城市化进程密不可分。只是学生流失的速度，似乎比城镇化的速度要快出不少。-学生们都去哪儿了？-有的农村孩子早早就辍学，走上社会；有的在家留守；还有一些跟着父母外出谋生，变成了流动儿童。在城镇化高速发展的当下，人们为了生计乘上了这辆高速向前飞驰的列车。而乡村、故土、家园等词汇则被面目模糊地留在身后，目送着背井离乡的人们越来越远。根据第六次全国人口普查的数据，2010年中国0-17岁的流动儿童已达3580万。其中有1078.2万人是跨省流动，673.2万人是省内跨地市流动，459.4万人市内跨县，还有1369.7万人在县内跨乡。（点击查看大图）如此庞大的流动儿童群体，在城市人的日常生活中看似隐形，实则无处不在。从基于第六次全国人口普查的研究分析来看，全国各省市中，城镇中流动儿童占儿童总数的比例均比较高，少则近1/5，多则过半。（点击查看大图）城镇中流动儿童占儿童总数比例高的省份大多集中在东部经济发达省市（如北京、上海、广东、浙江、福建）和部分西部省份（如内蒙古、青海、宁夏、甘肃、新疆、贵州）。具体到流动类型，也有较为明显的地域特征。东部经济发达省市主要以跨省流动为主，其中福建的县内跨乡和广东的省内跨地市也较为突出。这一结果也与常识相符，东部经济发达省市城镇化水平高、发展速度快、工作机会多，吸引了大量外地进城务工人员。而中西部省份则以省内流动为主。由于发展不均衡，很多省会城市一家独大，吸引了不少人跨市流动。（点击查看大图）在流动儿童迁移过程中，不同省市扮演着不同的角色。来自安徽、河南、四川的孩子四散各地，而迁移中的孩子们更多地去往了北京、江苏、福建和广东。对于他们的父辈来说，这些经济发达的省市机会多、挣钱快，是村民心心念念的“城里”。而在孩子的想象里，城里有没有地方口音的英语老师、有无论怎么奔跑也不会尘土满天的塑胶跑道、有摆满最新出版的书刊的图书室……想象纵然美好，可惜我们的城市并不是很欢迎这些孩子。户籍问题带来的异地中高考难题使不满足条件的流动儿童不得不返乡考试；进公立学校难于登天，但打工子弟学校教育资源同样欠佳，还时常面临被关闭的风险；流动儿童被迫面对的社会适应和文化融合；父母忙于工作缺少陪伴带来的心理问题……凡此种种，不一而足。2013年广州市启明关爱促进会秘书长刘秀琴表示，流动儿童的辍学率高达五成。他们中的很多人别无选择，只得继续走父辈的路子，早早离开了学校，成为新生代农民工。- 直播教育救不了教育不平等 -不管是农村孩子，还是城里孩子，每个省份的学生必然都知道“那几所重点中学”。这些学校或严厉 、或自由、或崇文、或尊理，但它们在坊间有一句共同的宣传语——“进了这个学校，一只脚就已经迈入重点大学了。”它们坐拥全省前列的一本率和清华北大录取率，是当之无愧的凤毛麟角。它们中尤为突出的，被通俗地称为“超级中学”。无人不知的超级中学有多好呢？以国内某公认一流大学为例，有研究发现，在其2005年至2009年录取的学生中，来自超级中学的比例逐年升高，而来自普通中学的比例却在下跌。而这五年也正是自主招生名额逐步增多的五年。这意味着在高考和自主招生两大录取机制下，该大学的录取名额向超级中学不断倾斜。（点击查看大图）但是，超级中学对于农村学生来说，几乎是大门紧闭的。这些学校大多位于省会城市，农村户籍的学生本来就不多。就算全省招生，最后能考进来的农村学生也没多少。2005至2009年，全国的超级中学为这所一流大学贡献了三四成的生源，但其中只有1.53%~3.69%的学生是农村户籍。（点击查看大图）根据农村教育行动计划（REAP）的统计，农村初中生平均辍学率达24%。100个初中生，最终只有25人可以进入高中，其余学生则流向辍学或中等职业学校。即便没有辍学，超级中学的学生与普通的农村学生之间也可谓是两个世界。如果这是场赛跑，那农村学生必然是“输在起跑线上”的。从学前教育到小学、初中，从补习班、家教到海外游学，从省级名师到英语外教，无一不是阻碍。对于教育资源而言，“城拥挤、乡薄弱、村空壳”的现象似乎已成僵局。成都七中的“同步直播教学班”给云南禄劝第一中学送去的“那块屏幕”也许是黑夜中的火光，但毕竟不等于白昼。有研究表明，在三年的直播教学后，参与成都七中网课的班级总分平均分与成都七中本部班缩小了20分。20分虽然也是可贵的进步，但与两班之间的绝对分值相比，差距依然较大。更不用说能参与直播班的学生，本身就经过选拔，家里还有条件支付高昂的学费。对于学习主动性强、学习能力优异的尖子生而言，直播教学的确为他们接触更优秀的师资与课程内容打开了一扇窗口。可对于大多数普通学生而言，缺乏互动性、难度过大的直播教学往往难以使其真正投入其中，对学习成绩无甚裨益。对此，国外一系列对于在线课程的研究表明，与传统课堂相比，并没有充分可靠的证据证明在线课程有益于教育平等，甚至可能产生负面影响，尤其对那些成绩较差的学生来说，受到的负面影响更大。一块屏幕，或许能够改变一小部分人的命运，却依然改变不了教育不平等。更值得关心的，是为什么他们只能对着一块屏幕学习？作者 | 柳书琪设计师 | 郭晓静 赵鹏路参考文献：[1] “空心”的村小 留不住的乡愁(2016). 网易新闻. Retrieved from http://news.163.com/16/0722/06/BSICFVCC00014AEE.html[2] 直击乡村“空巢小学”:除了缺学生啥都不缺(2016). 新华网. Retrieved from http://www.xinhuanet.com//mrdx/2016-07/01/c_135479441.htm[3] 吉林乡村小学生源流失严重:开学典礼只剩一个学生 (2018). 网易新闻. Retrieved from http://news.163.com/18/0228/07/DBNECJ5D0001899N.html[4] 各地暂停农村学校撤并（政策聚焦·关注撤点并校）(2012). 人民网. Retrieved from http://politics.people.com.cn/n/2012/1123/c1027-19669582.html[5] 中华人民共和国2017年国民经济和社会发展统计公报 (2018). 国家统计局. Retrieved from http://www.stats.gov.cn/tjsj/zxfb/201802/t20180228_1585631.html[6] 流动儿童辍学率高达五成 家庭贫穷过多生育为主因(2013). 人民网. Retrieved from http://politics.people.com.cn/n/2013/0530/c70731-21674383.html[7] 黄晓婷, 关可心, 熊光辉, 陈虎, & 卢晓东. (2016). “超级中学” 公平与效率的实证研究——以 K 大学学生学业表现为例. 教育学术月刊, (5), 32-37.[8] 段成荣, 吕利丹, 王宗萍, & 郭静. (2013). 我国流动儿童生存和发展: 问题与对策——基于 2010 年第六次全国人口普查数据的分析. 南方人口, 28(4), 44-55.[9] 李爽, 王磊, & 白滨. (2009). 基于卫星的远程直播教学模式评价研究——以成都七中网校为例. 开放教育研究, 15(4), 86-92.[10] 蒋美花. (2017). 远程直播教学模式存在的问题及改进策略——以成都七中网校直播班数学教学为例. 西部素质教育, 3(8), 191-191.[11] 这块屏幕可能改变命运. (2018). 中国青年报. Retrieved from https://mp.weixin.qq.com/s/l4f4r2d7bw06mqBstJL-mA[12] Amirault, R. J. (2012). Distance learning in the 21st century university: Key issues for leaders and faculty. Quarterly Review of Distance Ecation, 13(4), 253.[13] Alpert, W. T., Couch, K. A., & Harmon, O. R. (2016). A randomized assessment of online learning. American Economic Review, 106(5), 378-82.[14] Bowen, W. G., Chingos, M. M., Lack, K. A., & Nygren, T. I. (2014). Interactive learning online at public universities: Evidence from a sixcampus randomized trial. Journal of Policy Analysis and Management, 33(1), 94-111.[15] Bettinger, E., & Loeb, S. (2017). Promises and pitfalls of online ecation. Washington, DC: Brookings Institution.

研究表明，STEM教学持续时间越久，创造力培养效果越明显。来源|《开放教育研究》2019年6月 第25卷第3期作者 | 周榕 李世瑾编辑 | 申晴摘要培养创造力被认为是STEM教学的主要目标。然而，STEM教学真地能提高学生创造力吗？国内外学者已开展了大量实验与准实验研究，研究结论尚未统一。鉴于此，本研究采用元分析方法，以“STEM教学对学生创造力的影响”为主题，对2008-2018年国内外42项实验研究文献进行量化统计。研究发现：1）纳入研究的合并效应值为0.36，这说明STEM教学对提高学生创造力具有中等偏小的正向影响，且在创新思维、创新实践能力、创新人格与心理等层面不存在显著差异；2）从学段看，STEM教学对高中生创造力影响最大；3）从学科看，在创新科技类学科（信息技术、STEM课程、机器人、3D打印等）中实施STEM教学，对创造力的促进效果较明显；4）从教学周期看，实验周期愈长，STEM教学对创造力的影响效果愈明显；5）从教学主题看，科学探究和原型创造类教学主题对创造力的影响较明显；6）从教学方式看，探究式、问题式、设计式和项目式教学对创造力有中等偏小的正向影响，且四类教学方式无显著差异；7）从教学场域看，实验室和生活场景类教学场域对创造力影响较明显。基于上述发现，本研究建议降低STEM学习的认知负荷，优化STEM教学主题设计，实现STEM教学的学段贯通以及构建STEM教学的创新场域。关键词：STEM教学；创造力；元分析；调节效应一、问题提出STEM教育的主要目标是培养学生创新精神、创新能力和实践能力（ Parker et al.，2015；余胜泉等，2015）。能否形成创造性文化和创新性成果，被认为是判断STEM教育发展阶段的重要指标（赵慧臣等，2017）。然而，STEM教学是多学科融合、面向复杂学习的过程，其对创造能力的影响须借助严谨的实验加以验证，而非简单体验或主观判断（Judson，2014）。因此，国内外学者积极开展实验研究，探讨STEM教学与创造力的关系，并得出三种迥然不同的结论。第一种观点认为，STEM教学对学生的创造力确实有提升作用。例如，韩国庆尚大学孔梁云等通过实验研究发现，STEM教学能显著提高小学四年级学生的创新实践能力，其中科学探究、工程设计能力提升最明显（Kong＆Huo，2014）。雷诺兹等通过STEM教学发现，实验组的创新思维与创新心理显著高于对照组（Reynolds et al.，2008）。吴永和等（2018）通过实验研究发现，STEM教学实践活动能显著提高大学生的学习兴趣及跨学科创新实践能力。孙江山等（2016）利用心理旋转测试和威廉斯创造力量表，发现STEM活动能显著提高初中生的创新思维和空间能力。第二种研究结论证实STEM教学能提升部分学习能力，但对创造力无直接影响。例如，耶伊尔德勒姆等研究发现，STEM教学对小学生的创造力没有显著影响，但对小学生的学习兴趣、动手实践能力有正向作用（Yildirim＆ Sidekli，2018）。张屹（2017）、赵月（2018）等研究表明，STEM实践对小学生的自我效能感、问题解决能力、小组协作与交流能力等有显著作用，但对创造力无正向影响。第三种结论全面否定了STEM教学对创造力的影响。例如，卡维耶蒂等（Cervetti et al.，2012）以937名小学生为研究对象，开展以阅读理解、科学写作为主题的STEM教学结果显示，小学生的创造力没有显著变化。汤斯（Townes，2016）的研究同样表明，STEM教学并未显著提升初中生的学习态度、创造力水平。元分析是对同一主题的多项实验结论进行分析的量化研究方法。它通过计算平均效应值（ Effect Size，简称ES），探寻结论不一致的单项研究之间的共性，从而获得普适的研究结论（Lipsey & Wilson，2000）本研究对国内外42项实证研究进行元分析，尝试回答：1）STEM教学真地能提高学生创造力吗？2）STEM教学提升创造力，是否受学段、学科、教学周期、教学主题、教学方式及教学场域等的影响？二、研究方法与过程元分析方法遵循严格的程序，组织、抽取、整合、分析同类研究，并以平均效应值客观评价现有研究结论。本研究严格按照哈里斯库伯等的元分析步骤开展文献分析（Cooper et al.，2009）。（一）研究方法本研究提取42项研究的样本量、均值、标准差等参数，采用实验组与控制组之间的标准化均差值为效应值（Standardized Mean Difference，简称SMD），并以此效应值表征STEM教学对学生创造力影响的整体效果，其函数关系为:n1和n2分别表示实验组和对照组的样本量，X1和X2分别表示实验组和对照组的均值，s1和s2分别表示实验组和对照组的标准差。（二）研究过程1.文献检索文献检索分两轮进行。第一轮是在中国知网（CNKI）、万方数据库、维普数据库（VPCS）以及Google Scholar、Web of Science、ERIC等数据库中进行大范围检索。其中，STEM教学搜索关键词包括“STEM Teaching”“STEAM Teaching”“STEM Learning”“STAEM Learning”，创造力关键词包括“Creativity”“Creative Achievement”“Creative Ability”。第二轮采取引文回溯法，即利用参考文献追溯查找“引文”。本研究在剔除重复文献后，共获得7938篇文献；初步筛选样本题目、摘要后得到586篇文献；对文献全文初读得到263篇文献。2.遴选标准文献遴选标准如下：1）研究主题为STEM教学对学生创造力的影响；2）研究方法为随机对照实验或准实验研究；3）实验对象为在校学生，不包括社会人士或成人学习者；4）研究数据应包含平均值、标准差、样本量、t值、P值等，以便计算出实验效应值。本研究最终获得42篇有效文献样本（国外文献25篇，国内文献17篇），符合元分析统计“样本量不少于30”的分析标准（宋伟等，2013）。此外，实验总样本为6680，效应值为80（部分研究包括多个效应值）。3.特征值编码不同研究通常包括多个特征值。为便于分析，本研究将文献作者、出版年份、实验人数（实验组与对照组人数）、学习者学段、教学学科、教学周期、教学主题、教学方式及教学场域作为编码对象。两位研究员对42个样本进行独立编码，Cohen Kappa一致性系数为0.92，满足0.7的统计学要求，说明特征值编码结果有效（ Yildirim＆Simsek，2011）。学段编码包括小学(1～6年级)、初中(7～9年级)、高中(10～12年级)、大学及以上（专科、本科及研究生）。学科编码为数学、机器人、科学、STEM、地理、化学、生物、信息技术和3D打印。教学周期编码为0～3个月、3～6个月和6个月以上。参照不同的实践目标（傅骞等，2016），教学主题编码为结果验证、科学探究、工程制作和原型创造。教学方式编码包括探究式、问题式、设计式及项目式。教学场域编码包括普通课堂、实验室与生活场景。本研究参照“脑—手—心创造力模型”（Kozbelt et al.，2010），将创造力类别编码为A类：创新思维（逻辑思维、批判思维、跨学科思维、发现问题、解决问题、创新想象、空间能力）；B类：创新实践能力（科学探究、实践操作、工程设计、技术应用能力）；C类：创新人格与心理（认知能力、团队合作、主动参与、学习兴趣、学习态度）。实验结果编码为提高、部分提高、未提高（见表一）。4.数据分析框架与工具本研究将STEM教学设定为自变量，创造力（创新思维、创新实践、创新人格）为因变量，学段、学科、教学周期、教学主题、教学方式和教学场域为调节变量，以 Review Manager 5.3（Rev Man）为数据分析工具，利用漏斗图、森林图、效应值、异质性检验等分析结果表征研究效应。三、研究结果（一）发表偏倚检验罗斯坦等强调，元分析样本出现发表偏倚时，会导致效应值远大于实验真实值，直接影响元分析结果的准确性和可靠性（Rothstein et al.，2006）。本研究采用漏斗图对42项样本进行发表偏倚检测。样本源均分布于漏斗图的上部有效区域，两侧数据对称且向中线靠拢，说明纳入的42项元分析样本科学有效，出现发表偏倚的可能性极小（见图1）。（二）异质性检验异质性检验是防止因存在异质性而无法合并效应值。研究采取统计量方法判断样本的异质性程度。通常，≥75％时采用随机效应模型，0≤≤75％时采用固定效应模型消除异质性，以防研究结果出现偏差（Borenstein et al.，2009）。42项元分析样本的异质性结果（见表二），故本研究采用随机效应模型消除样本的异质性，以保证分析结果的科学性。（三）STEM教学对学生创造力的影响本研究首先分析 STEM教学对学生创造力影响的整体效应，然后从创新思维、创新实践能力以及创新人格与心理三方面探究STEM教学对不同类别创造力的影响效果。1.STEM教学对创造力的影响STEM教学对创造力影响的整体效应森林图见图2。结果显示，42项实验研究的合并效应值SMD为0.36，其95％CI为0.24～0.48，Z=5.93（P<0.05），达到显著水平。根据科恩效应值统计理论，0.2、0.5、0.8、1分别表示影响效果的较小、中度、中上、较强水平（Cohen，1992）。STEM教学对创造力影响的合并效应值处于0.2至0.5之间，说明整体而言，STEM教学能够在中等偏小程度提高学生的创造力。2.STEM教学对不同类别创造力的影响STEM教学对不同类别创造力的影响见表三。所有类别创造力的效应值均大于0，说明STEM教学对不同类别的创造力有正向影响。A类创新思维SMD＝0.42，B类创新实践能力SMD＝0.44，C类创新人格与心理SMD＝0.33。三者的效应值均小于0.5，说明STEM教学对创新思维、创新实践能力以及创新人格与心理的提升作用均处于中等偏下水平。从组间效应看，这说明STEM教学对不同类别创造力的影响不存在显著差异。（四）调节变量效果检验本研究通过分析学习者学段、教学学科、教学周期、教学主题、教学方式及教学场域等六类调节变量的影响差异，探究STEM教学中影响创造力生成的关键要素。1.学段的调节效应STEM教学在不同学段对创造力的调节作用明显不同，其组间效应，P＝0.047＜0.05（见表四）。效应值排序为高中（SMD=0.52）＞初中（SMD＝0.44）＞大学及以上（SMD＝0.38）＞小学（SMD＝0.20），说明STEM教学在高中阶段的影响最明显，达到中等程度。STEM教学对初中、大学及以上、小学的学习者创造力的影响较低，均处于中等偏下程度。国内普遍认为，高中阶段学业压力大，无法长期和有效开展STEM教学。但STEM理念真正渗透到日常教学，将对提升高中阶段的学习绩效产生关键作用。2.学科的调节效应不同学科对创造力发展的影响差异显著，其组间效应，P＝0.004＜0.05（见表五）。效应值排序为：信息技术（SMD＝0.81）＞STEM课程（SMD＝0.48）＞机器人（SMD＝0.44）＞3D打印（SMD＝0.36）＞化学（SMD＝0.34）＞数学（SMD＝0.32）＞科学（SMD＝0.25）＞生物（SMD＝0.19）＞地理（SMD＝0.08），说明在创新科技类学科（如信息技术、STEM课程、机器人、3D打印等）中实施STEM教学，对创造力的促进效果最明显，而在生物、地理等传统学科的应用效果较弱。3.教学周期的调节效应不同教学周期对创造力的调节作用差异显著，组间效应，P＝0.032＜0.05（见表六）。效应值排序显示，实验周期愈长，STEM教学对创造力的影响效果愈明显。持续6个月以上的教学，对创造力的提升作用达到中等程度（SMD＝0.48）；3-6个月的教学效果稍差（SMD＝0.44）；低于3个月的教学，创造力培养绩效仅达到较低水平（SMD＝0.27）。这与罗宾逊等的研究结果一致，即学生创造力的受影响程度与教学周期正相关（Robinson et al.，2014）。4.教学主题的调节效应四类主题的STEM教学对创造力都有正向影响，其效应值处于0.4～0.6之间（见表七）。组间效应，P＝0.018＜0.05。其中，科学探究类（SMD＝0.53）、原型创造类（SMD＝0.51）教学主题对创造力培养有中等偏上效果，工程制造类（SMD＝0.48）、结果验证类（SMD＝0.42）等主题的培养效果为中等偏下程度。从验证型STEM到探究型STEM，研究成分越来越多，STEM学习就是实现从验证到创新的突破，增强学习者的自主性和创造性（吕延会，2017）。5.教学方式的调节效应问题式、探究式、设计式和项目式等教学方式对创造力培养有正向影响，效应值处于0.3-0.5之间（见表八）。不同教学方式的组间效应10.46，P＝0.072＞0.05，无显著差异。这说明教学方式并非是影响创造力生成的决定因素，不存在绝对意义的“最佳方法”或“黄金模式”，探寻与教学目标和内容相适应的恰当方式，才是STEM教学设计的核心任务。6.教学场域的调节效果三种场域对创造力的影响效果差异明显，其组间效应 P＝0.009＜0.05。其中，STEM实验室、STEM学习中心等场所的教学效果最佳（SMD＝0.37），在各类生活场景（家庭环境、社会场所、校外场馆等）开展教学的效果稍弱（SMD=0.33），普通课堂实施教学的效果最差（SMD＝0.24）。这符合布尔迪厄场域理论的基本假设：作为连接社会和个人的中介，教学场域的活动资源和技术支持越丰富和越有针对性，有效学习行为越可能发生。四、结论与讨论元分析结果表明，STEM教学能整体提高学生的创造力，但对创新思维、创新实践能力及创新人格与心理不存在显著影响。学段、学科、教学周期、教学主题及教学场域等变量均对创造力培养效果有显著正向影响和明显调节作用，但不同教学方式带来的差异不显著。（一）STEM教学对创造力的积极正向影响元分析结果表明，STEM教学能激发创新思维及创造行为。其作用机制可理解为：STEM整合相互分离、割裂的学科知识，使学生按照关联、动态、系统的方式理解世界，在发散思维—聚合思维的迭代循环中发展创新思维（Park＆Yoo，2013）。同时，STEM教学通过面向真实情境的复杂问题，引导学生经历完整的科学求证过程（Tati et al.，2017），从中获得创新实践的直观体验、非良构知识、科学理性及自我管理策略。此外，STEM教学能通过协作活动，支持不同认知水平、思维特征和知识背景的学生进行自我表达，在互通情感和相互激励中建立自我认知，塑造创新人格与心理。然而，STEM教学对不同类别创造力的最大效应值为0.44，仍属中等偏小程度。这说明STEM教学的实际成效并不尽如人意。研究表明，STEM教学对教师和学生提出了更高要求（ Yildirim＆Sevi，2016）。STEM学习中，无论是知识综合应用、复杂问题的创造性解决还是科学探究活动的完成，都依赖于动作图示、符号图示或运算图示的正确运用。当学生认知图式不健全或者图示构建存在困难时，会产生认知负荷。过高认知负荷使创新成为“精神的负担”，而非“快乐的源泉”（Yildirim et al.，2018）。这提醒我们，应理性认识STEM学习中的认知障碍，并通过控制认知负荷提升STEM教学绩效。（二）不同变量对创造力培养的调节效应调节效应检验结果表明，STEM教学对创造力的影响存在边界条件，体现在学段、学科、教学周期、教学主题、教学场域及教学方式等方面。学段方面，STEM教学对高中生创造力提升最显著，根源在于心智模型（简洁思维、发散思维、逻辑思维和逆向思维）成熟度对创造力生成的影响。高中阶段的学生学科知识储备基本完成，问题解决所需的智慧技能与学习管理所需的认知策略也已具备。路塞兹等证明，高中阶段是自我认同形成和发展的关键时期，高中生跨学科应用STEM知识的实践需求会刺激认同感的保持（Lou et al.，2010）。可以说，高中生的知识水平与心智水平均处于创造力发生的最佳阶段，因而能在STEM学习中获得高绩效。学科方面，创新科技类课程最容易实现创造力培养。可能的原因是，创新科技类学科基于信息技术展开，新技术本身对创新意愿刺激较强。加之此类学科内容多以设计、制作等创造性应用为主，更贴近STEM教学要求。教师开展教学设计时，亦容易将跨学科的概念融入产品制作或原型设计。而且，创新科技类活动是创造性、开放式的问题解决过程，能为学生提供创新实践、综合应用STEM相关学科知识的机会，促进学生高阶认知和创新机制的发生（Cotabish et al.， 2013）。教学周期方面，STEM教学持续时间越久，创造力培养效果越明显。这与雷诺兹等关于学生创新能力培养与教学周期正向相关的研究结论一致（Reynolds et al.，2008）。STEM教学持续周期越长，学生完成复杂学习和深度学习的经验越丰富，能够建立充分的自信以应对创新活动的困难与阻碍。罗宾逊等指出，教学周期越长，学生对STEM元认知及角色期待越明显，越倾向于参与自主探究活动，并在合作交流中形成乐观自信的态度（Robinson et al.，2014）。教学主题方面，科学探究与原型创造类主题较工程制造与结果验证类主题，更易激发创造力。对比可知，前两类主题面向学习者“未知”的对象，强调逻辑推断、探索求真或者艺术想象与创意实现，需要逻辑的左脑思维与发散的右脑思维交替互补才能完成。后两类主题面向“已知”的现象或“可见”的产品，强调知识的综合理解与工程实践，更多依赖左脑思维。因此，将开放式探究有效融入探索实践，引发全脑思维，是STEM教学主题设计的关键（王佑镁，2019）。教学方式方面，采用问题式、探究式、设计式或项目式教学不会对创造力培养带来明显影响。科学哲学理论认为，创新思维发生的起点和基础是科学问题（付冰垚，2014）。这类问题需包含足够的科学知识、方法论和经验性材料。同时，它还必须能从多角度分析，且有助于更好地实践。无论这种科学问题最终表现为挑战性问题、设计型任务、探究式任务还是综合性研究项目，只要具备上述特征，就满足激发创新思维的条件。教学场域方面，在实验室进行STEM教学更有利于培养创造力。事实上，STEM教学场域可理解为由参与创新活动的要素相互作用而构成的实践网络（张国举，2007）。各种外在的因素通过场域的社会关系空间对创新主体产生作用，使其表现出特定的创新属性和行为特征。实验室能有效连接正式学习与非正式学习、真实环境与虚拟空间。较之普通课堂，实验室提供的资源和关系网络更系统，更容易协调STEM教学的创新主体、行为和结果间的关系，获得更多创造性成果。五、思考与启示基于元分析结果，STEM教学应关注对认知负荷的控制，并充分利用学段、教学周期、教学主题及教学场域的调节作用提升绩效。（一）降低STEM学习的认知负荷如前所述，降低认知负荷是STEM学习有效发生的必要条件。约翰斯威勒提出的认知负荷效应理论可用于优化STEM教学（Sweller et al.，2011）。例如，用目标自由的题目代替特定目标的传统题目，促进学习迁移的发生；向学习者提供问题解决样例和部分解决方案，帮助学习者建立认知图式；利用口头和多种视觉信息代替单一的书面文字，拓展有效工作记忆的容量；精炼教师的指导内容，减轻外部认知负荷；多采用想象和心理练习替代传统的附加练习，并使用高交互的学习材料；增加任务特征、呈现方式、操作情境的可变性，并在面对高挑战性任务时，积极采用集体学习方式。（二）优化STEM教学主题设计元分析显示，科学探究和原型创造类教学主题对学生创造力的影响较显著。因此，STEM教学设计应积极寻找跨学科、贴近现实的主题，并尽可能提升主题的可探究性。例如，从传统学科（如科学课、数学课）的拓展内容中寻找主题，通过观察学生的日常行为发现代表性现象或问题，对社会热点问题进行筛选和梳理等。此外，借助美国国际技术与工程教育协会（ITEEA）开发的I-STEM模式（管光海，2017），教师可以对主题的领域（知、行、思）、类型（内容、特性、影响、情境、过程）、内容（包含共同核心概念和关键内容）进行界定，并最终获得跨学科和探究性的STEM教学主题。（三）实现STEM教学的学段贯通元分析结果表明，STEM教学对中学阶段学生创造力的影响效果较显著，对大学生的影响效果明显下降。这很大程度上是因为STEM教学尚未形成连续统。所谓连续统，指人们认识和实践的对象在时间上连续不断、空间上紧密关联、性质上相互交融的统合整体（钟志贤，2005）。STEM教学应是包括创新精神、创新潜力、创新知能、创新实践为一体的连续统。这种连续首先体现在创造力培养目标的贯通上。小学阶段的STEM教学应强调创新素养和创新潜力的培养。中学阶段的STEM教学应强调创新知能和创新思维的形成。大学阶段的STEM教学应强调高阶思维、创造性问题解决能力和创新实践能力的形成。元分析结果同时表明，随着教学周期的延长，STEM教学对学生创造力的影响效果持续增加。因此，保持STEM课程内容和教学时间的连续，并关注学段衔接问题有重要意义。美国的经验为我们提供了两条可行之路：一是设立跨学段的STEM教学试验项目，如面向小学、初中和高中的项目引路（Project Lead The Way）以及面向初中、高中和大学的Ten80学生汽车挑战赛（Ten80 Student Racing Challenge）项目（CTEq，2013）；二是构建跨学段的STEM连贯课程群，如亚利桑那州立大学联合宇航局开发的面向小学至研究生阶段的火星教育项目STEM课程（Mars Ecation at Arizona State University，2002），北卡罗来纳州科学和数学学校设立的贯穿初中、高中和大学等学段的精英课程等（ NCSSM，2016）。（四）构建STEM教学的创新场域依据布迪厄场域理论，教学场域被认为是物理形态场域与意义形态场域的相互交融（马维娜，2003）。STEM教学场域的物理形态表现为适应创新的环境资本（即创新资源条件），精神形态表现为创新主体的性情倾向系统（即惯习，主体在场域中积淀下来的主观精神结构，如态度、行为习惯和价值观）。元分析结果表明，STEM实验室更有利于培养创造力，正是源于其所具有的丰富资源和良好的创新氛围。因此，STEM教学应尽可能将有利于创新的资源链接起来。这方面可效仿北美大学联盟的做法（Kober，2015），以现有电教中心或电教室为基础，整合校园网、多媒体教室、智慧教室、创客空间、学科实验室等校内资源，并联合博物馆、科技馆、图书馆、行业基地等校外资源，构建融合性的“STEM学习中心；同时，关注STEM教学场域中对惯习的塑造，通过建立“尊重创造”的价值导向、打造积极的创造行为者、提高创造结果的精神回报、形成“科学为本”的思维默契，最终完成创新自觉和科学精神的养成。总之，本研究对国内外42项实证数据进行元分析，对“STEM教学真地提高了创造力吗？”问题作出基本回答。研究仍存在不足：一是研究样本局限于中英文文献，会因语言的局限漏检部分文献；二是调节变量效应值的样本数量较少。未来还需持续关注STEM教学实证研究的新结论，并通过引入更多视角挖掘影响创造力的潜在调节变量，如基于学生视角的STEM学习协作参与度、交互复杂度，基于教师视角的STEM教学内容整合方式、学习支持服务类型与技术应用水平，以及基于管理者视角的STEM教学师资配置政策、绩效考核方式等。基金项目：2013年陕西师范大学中央高校基本科研业务费专项资金项目一般项目“信息环境下免费师范生专业创新能力协同成长机制与策略研究”（13 SZYB14）。作者简介：周榕（通讯作者），博士，副教授，硕士生导师，陕西师范大学教育学院，研究方向：STEM教育、智慧教育与创新能力；李世瑾，硕士研究生，陕西师范大学教育学院，研究方向：STEM教育。（声明：除STEAM在线原创文章外，STEAM在线分享和转载的文章皆为促进STEAM教育在中国的传播，非商业用途，都会注明来源，如文章、照片的原作者有异议，请联系我们快速处理或删除，谢谢支持。）

Georgette Yakman编者按：美国格雷特·亚克门( Georgette Yakman) 教授及其团队在 STEM 教育的基础上提出 STEAM 教育( 科学、技术、工程、艺术和数学) ，构建了 STEAM 教育框架，设计了 STEAM 教学过程卡，并开展 STEAM 教育的培训认证。STEAM 教育以数学为基础，从工程和艺术的角度解读科学和技术，以跨学科的理念将不同类科目整合，为现代社会的发展提供优秀的人力资源支持。作为 STEAM 教育领域的研究者和实践者，她协助美国、韩国以及其它国家( 地区) 开展 STEAM 教育，得到了国际同行的广泛认可。她还开发了 STEAM 教育网站，以满足不同受众对 STEAM 教育资源的需求。由于在 STEAM 教育方面成绩斐然，格雷特·亚克门教授 2009 年受邀作为弗吉尼亚州举办的 STEM 教育会议主持人; 被参议员马克·华纳提名为年度全国有线电视协会教育专家。2010 年，她还当选为弗吉尼亚州科技教育协会主席。本次访谈着重于深入了解格雷特·亚克门教授对 STEAM 教育的理念、实践框架、未来发展的看法以及对中国实施 STEAM 教育的建议。［关键词］ STEAM 教育; STEM 教育; 跨学科; 改革教学［中图分类号］ G434 ［文献标识码］A ［文章编号］ 1007-2179( 2016) 05-0004-07来源：《开放教育研究》，作者：赵慧臣，陆晓婷记者：亚克门教授，非常感谢您接受我们的访谈。您在STEAM教育领域的研究卓有成效，在国际上影响巨大，能否向中国读者介绍一下您提出STEAM教育的动机？亚克门教授：根据综合性学习的本质，我对如何解决学校单一学科教学引起的问题进行了多层面的思考。我设想可以将传统的学校转变为综合性学习中心，使学生享有全面接触所有学科的机会。基于此类设想和现实需要，我提出了STEAM教育理论。STEAM教育用跨学科的方法教授科学、技术、工程、艺术和数学方面的知识，引导学生适应不断更新的专业知识和快速变化的社会生活。STEAM教育的理念可以概括为：以数学为基础，通过工程和艺术解读科学和技术。STEAM教育支持学生以学科整合的方式认识世界，以综合创新的形式改造世界，培养他们解决问题的创新能力。STEAM教育主要以基于项目的学习、问题的学习为主要教学（学习）方式，引导学生通过合作与实践，完成主题项目和解决生活中遇到的难题。作为一种超越传统的教育模式，STEAM教育可以缩小学生现有知识技能与职业所需知识技能间的差距，提升学生的就业竞争力。STEAM教育在原有STEM教育基础上加入了艺术，有助于学生从更多视角认识不同学科间的联系，提高自身综合运用知识解决现实问题的能力。2015年，人文艺术类大学机构、专业组织以及艺术类团体从比较广泛的层次上分析“艺术”范畴。艺术“A”包含较广泛的人文艺术科目，涵盖社会研究（social studies）、语言（language）、形体（physical）、音乐（musical）、美学（fine）和表演（performing）等。从STEM教育到STEAM教育再到STREAM教育（添加了读/写能力‘Reading/wRiting’），STEAM教育的内涵不断丰富，成为教育界的热点。在STEM和STEAM教育的热潮下，STREAM（科学、技术、读/写、工程、艺术和数学）教育应运而生。事实上，强调读写能力是科学、工程和技术教育的重要组成部分，目的是使高素质专业人士能够胜任撰写报告、实验材料以及与人交流的需要。STEAM教育已得到公众的认可，逐步成为更加完善的人力资源教育模式。我们可以把基于现实需要、具有终身学习效能的STEAM教育称为“全民有效性学习”。截至2016年1月，我们已经培训了来自1个国家和美国34个州的2000余名教师。接受STEAM教育后，学生的课程活动参与度和对所学知识的掌握程度改善显著，不少家庭、社区和企业对此兴趣强烈。随着国际上不断将STEAM教育运用于实践教学，我受邀作为顾问协助美国、韩国和卡塔尔等国家发展STEAM教育。2014年，我应邀到中国上海发表STEAM教育主题演讲。借此机会，我将STEAM教育理念引人中国。记者：STEAM教育研究主要围绕S、T、E、A和M展开，它们之间的联系是什么？艺术在其中扮演什么角色？亚克门教授：STEAM教育认为科学、技术、工程、数学、艺术之间存在结构上的顺序关系，在人们分析和改造世界中发挥着各自作用。在STEAM教育中，科学支持人们认识世界的规律；工程与技术支持人们根据社会需求改造世界；艺术帮助人们以美好的形式丰富世界；数学则为人们发展与应用科学、工程、艺术和技术提供思维方法和分析工具。人们只有在拥有了技术的前提下才可以理解科学，只有理解了艺术和数学后才能从事工程的研究与开发。我们聚焦在如何分析不同学科间知识的联系，探讨它们在现实世界中的应用，而不是关注某些知识是否属于哪个研究领域。STEAM教育不是将重点放在某个学科上，而是放在引导学生采用学科融合的学习方式，运用跨学科思维解决现实问题。艺术加入科学、技术、工程、数学教育中，是对这四类课程的良好补充，能帮助学生优化不同学科知识的理解与应用。例如，“声音”具有影响和传授知识的效能，学生运用沟通和语言的艺术能更好地实现知识共享；通过美术，学生能更好地了解过去和现在的文化和美学；学生了解人性、道德、自由和艺术等知识，有助于理解社会发展。STEAM教育将人文艺术中的“谁来做”和“为什么这样做”（Who and Why）加入到STEM教育领域的“做什么”和“怎么做”（What and How）中，让人和伦理道德在创新过程中扮演重要的角色。因此，STEAM教育不仅可以提升学生的演绎与归纳等逻辑思维能力，还能培养学生养成解决现实问题所需的灵活性和适应性，使他们具备跨文化交流能力。STEAM教育让学生远离碎片化的知识和死记硬背的过程，引导学生联系不同学科之间的知识，不断提升学生的逻辑思维能力、问题解决的创新能力、同伴之间的合作能力，以及自我实现的激励能力。因此，STEAM教育有利于培养具有创造和革新精神的全面发展的人，支持他们成为未来发明家和创造者。记者：您构建的STEAM教育框架集成的STEAM研究成果，有利于相关研究成果的推广。请问您是怎样想到构建STEAM教育框架的？该框架的具体内涵是什么？亚克门教授：在STEAM教育的研究和实践中，我已经和许多国家（地区）的教育人员（机构）进行了合作。我发现，实施STEAM教育的模式不同地方会有重叠或相同。当然，这些教育实践有不少非常好的例子。参考戴尔的经验之塔，我们所构建的STEAM教育框架将很多学科有机联结起来，可以被看作是STEAM教育领域的生物树。STEAM教育框架（见图1）中，最顶层的是最终目标（Life-long Holistic），表明STEAM教育的终身性、整体性；第二层是STE@M，可以作为综合层级（Multidisciplinary Level），强调STEAM教育支持学生以跨学科的方式发现和解决问题；第三层是STEM加艺术（STEM+A），强调艺术对各个学科的渗透；第四层是学科层，主要探讨科学、技术、工程、艺术和数学等学科间的联系；最底层是具体内容层（Content Specific Level），主要是科学、技术、工程、艺术和数学等学科的相关课程。例如，科学学科包括物理、生物、化学、空间和地理科学等。STEAM教育框架可用来帮助教育者设计教学模式，改善教学活动。STEAM教育框架不仅支持教育者以跨学科的方式将不同学科联系起来，而且引导教育者将不同学科与生活技能、职业发展联系起来。STEAM教育已经在P（preschool）K（kindergarten）-12、大学课程、博物馆、课外项目、老年痴呆症患者康复等领域取得了成功。我们可以通过很多方法或形式完善STEAM教育框架，但没有必要从根本上改变它，毕竟它已具备深度、清晰度和完整性。记者：STEAM变革了传统教学形式，改革了目前的教学活动。我们该如何改革教学，从而更好地反映这一领域的新变化？亚克门教授：我很乐意在现有教育体系的基础上帮助人们开展STEAM教育的研究和应用。对于STEAM教育，我已经进行了九年的理论探索和实践研究。根据我的研究，如果定期对学校人员提供STEAM教育的培训，学校顺利实施STEAM教育一般需要三年。为了促进教学改革和提升教学水平，STEAM教育需要向教师、教辅人员和项目提供面对面与在线相结合的培训，使更多教育者了解STEAM教育的理念、特点与方法。例如，对于STEAM教育的教师，我提供八小时的在线培训。参训教师通常需要一周时间消化与吸收每个章节的内容。教师应培养学生之间、学生与他人之间合作的能力。当学生与能力强的同学共同完成任务时，他更多的是在配合，不利于其自身合作技能的提高。此时，我们需要按照层级对学生分组，让同一水平的学生围绕现实问题开展项目活动，以提高每个学生的合作技能。学生也能从实践中体验到合作的益处，从而有助于其在工作和生活中有效开展合作。记者：您设计了STEAM教学过程卡，用于指导师生开展教学，我们该如何借助STEAM教学过 程卡，开展相关的研究和实践？亚克门教授：STEAM教育针对学生目前的学习需要和未来的工作需要，通过问题导向的项目实践，实现多个学科之间的整合，为学生提供体验创新、独立思考和团队协作的机会。尽管STEAM教育提供多种方式支持学习，但学生仍需要对个人学习负责，需要不断发挥自身的能动性和创造性。STEAM教育的教学不以传授知识为主要任务，而以培养学生的问题解决能力和创新能力为目标。相对于传统的教学活动设计，STEAM教学坚持以学生为中心。教师不仅告诉学生怎么做，而且引导学生体验解决实际问题的过程，在探索中开启学生的创造力。为了培养创新型人才，教师应该鼓励学生去质疑和反思，而不是依赖死记硬背；引导学生面向问题去创新，而不是强调简单应用。为此，STEAM教育的教师需要科学安排教学过程，即要做什么（活动的目的）、用什么做（设备、要素和材料等）以及达到什么效果（学生发现了什么、收获了什么）等。为了提高STEAM教学的有效性，我们根据STEAM教学流程，设计了STEAM教育教学过程卡。该教学过程卡涵盖了项目活动的主要内容，可以帮助学生了解项目活动的要素和如何开展项目活动。学生在教师引导下发挥主体作用，选择需要的材料与工具，参与策划、组织、实践、反思与改进等。记者：从STEAM教育立项到现在，您对学生的学习情况是否进行过调查？学生的反馈是什么？他们哪些方面得到了提高？亚克门教授：如果现在就发表这方面的专题报告可能还为时过早。实施STEAM教育的学校数量还在变化。很多学校的STEAM教育项目的课程还在等待申批。为了适应社会和家长的需求，很多STEAM教育项目的课程已经进行了扩展，有的项目课程增加了25%。美国的STEAM学校项目迄今已经运行了约四年。调查显示，伴随着STEAM教育中跨学科学习内容的优化和组织，学生能更深入地理解原本孤立的学科知识内容，学生课堂注意力、出勤率和记忆力等有较大提升。STEAM教育可以帮助学生以较低成本丰富学习经历，而这是学生想在快速变化的世界中获得成功所必不可少的。STEAM教育引导学生在历史、当前和潜在情境下评估个人爱好和生活机遇以及职业发展，引导学生了解未来可能从事的职业，帮助他们认清自己的职业兴趣，并积极做好知识、技能和心理方面的准备。对于STEAM教育而言，信息技术不仅是人们优化教育的手段，更是促进人们开展研究、调查和展示成效的工具。反映STEAM教育效果的媒介可以是网站社交媒体、新闻稿、访谈、记录片等。学校每年应在新闻传媒或学校主要人口、餐厅、走廊等公共场所举办4-6次STEM教育主题展示。学校已经意识到高质量的STEAM教育可以培养学生21世纪所需的工作技能，为他们未来的职业和工作做好准备。学校应该优化STEAM教育环境，提高学生对STEAM教育的认知和参与，支持学生通过STEAM教育提高创新能力和工作技能。记者：您与许多机构合作开展知识可视化的综合、交叉研究，能介绍一下不同学校、不同学科人员如何协同开展STEAM教育吗？亚克门教授：STEAM教育中，不同学科之间的融合是其根本。学科之间应由谁进行融合？这需要不同学科人员之间加强交流，运用跨学科的思维开展合作。STEAM教育的教师应根据学生特征，开展不同学科、不同课程之间的融合，并注重通过项目活动带动课程的整合，培养学生的STEAM素养（科学、技术、工程、艺术、数学等素养）和解决问题的创新能力。学校可以为教师协作提供时间和资源，创建他们分享专业知识和提升教学技能的条件，不断促进教师专业发展。不同学科人员应充分利用各种社会机构、社会专业人员等资源，重视开发校本课程进行课堂教学模式的改革，设计符合学生需要的学习资源和教学模式。例如，教师可以将所教的课程变为STEAM课程的组成部分，并邀请相关专家将他们的观点融入STEAM教育中，围绕共同的主题联合开展教学。STEAM教育要获得成功，离不开多部门的合作，也需要学校与学校间的协同交流。不同的STEAM教育学校之间应加强合作交流，共享教学资源、教育模式和方法等。STEAM教育的骨干教师与辅助人员每周应有一定的时间进行跨校合作，以便于不同学校教师之间分享STEAM教育经验，共同提升STEAM教育的效果。记者：教育工作者是STEAM教育中的重要组成部分和实施者，您能对他们提些建议吗？亚克门教授：STEAM教育中，教育工作者需要学习新的知识，获得所需的教学经验，不断提高教学设计能力。教育工作者应该在引导学生“了解自己”和“如何进行团队协作”等基础上，帮助学生掌握如何进行互动、成为小组成员、如何开展团队合作等知识。这些活动涉及基本的写作、科学运用词汇和行为调查等，需要教育工作者有效地组织与实施。STEAM教育对教育工作者有严格要求，至少90%的骨干教师、指导人员、管理人员在相关专业领域得到STEAM教育的认证和批准。另外，所有新增教师（包含艺术、技术和工程、体育等）应获得STEAM教育的认证。其中，作为教育工作者的核心人员，教师应根据学生兴趣和不同学科知识的特点，面向现实问题设计跨学科项目活动，采用不同的教学方式和个别化教学，并不断增强现实问题、课程内容、活动设计、能力培养以及未来工作之间的联系，引导学生在问题解决过程中提高创新能力。记者：STEAM教育项目的认证有什么作用？亚克门教授：我们为实施STEAM教育项目学校提供“计划认证”，使学校能够充分采纳和实施STEAM教育。对于无法现场访问的STEAM教育工作者，我们要求学校提供相关照片、教学视频以及网络电话联系时间，以便必要时通过网络等方式给他们指导。我们基于对学校原有基础的考察设置培训认证方案，以支持STEAM教育工作者的专业发展。STEAM教育培训有助于丰富教育者的专业知识，使他们更好地理解如何与其他教育者（本地和国际）合作，帮助他们了解如何安排学生的学习活动，发挥学生个体的创新优势，还可以帮助他们精心设计团队，让所有成员为STEAM教育做出贡献。每个STEAM教育转型学校至少应包含一名管理员、一名指导人员和90%的专业人员。如果必要，学校可以通过面对面或者网络的方式对相关人员进行培训。面向STEAM教育工作者（学校管理者、教育者、图书馆协助员和课外项目辅导员等）培训认证的重点是帮助他们学习如何整合科学、技术、工程、艺术和数学教育，侧重于引导教师在课程整合中如何开展教学活动设计，支持学生以跨学科的方式解决现实问题。STEAM教育的培训方式为虚拟和现场混合训练；培训资源为24个视频和7.5小时的训练支持文件，培训内容包含STEAM教育理论、STEAM教育流程、STEAM教育的课堂说明以及如何编写自定义的STEAM课程；培训目标为培养能够撰写和提交通过认证审核的STEAM课程简介的教育者（见表一）。通过STEAM培训与STEAM认证的教育者有一定区别。参加过一次全面STEAM培训的教育者可以说他们接受过STEAM训练，学习过如何运用STEAM课程计划和实践进行传授和教学。已完成课程计划并经认证的教育者可以声明他们被STEAM认证成功，证明他们已经知道如何写作STEAM课程计划。STEAM培训和认证人员有权访问培训和教学文件，包括访问在一年培训期内STEAM课程计划中不断更新的资源。拥有STEAM认证和经验的教育者在全球市场广受欢迎。在实施过程中，我们要求所有课程基于年级水平和科目标准基础，紧密联系STEAM教育，实现与STEAM教育主题相匹配。学生可以参加核心课程外的拓展课程（艺术、音乐、体育等）。标准化评价可以帮助学生认识自身“应该知道什么”和“能够做什么”。研究表明，STEAM教育的标准化评价可以促进学生不断取得进步。记者：STEAM教育利用网站等形式推广，您能否对网站的设计作点说明，以便我们获取相关资讯？亚克门教授：互联网不断改变着人类生产、生活、娱乐和学习的方式。STEAM教育与互联网结合是我的一项重要研究计划。在推广STEAM教育的过程中，我们开发了网站平台，以便于更多的国家和地区的教育专家或机构通过浏览网站了解STEAM教育的发展。我们将网站设计成不同的模块，清晰地展现给不同的受众，方便感兴趣的个人或群体获取想要的资源。此网站提供了丰富的资源，介绍了STEAM教育的发展理念、我个人与该项目相关的发展情况、STEAM在美国和其它国家和地区的发展现状以及不同级别的网络会员拥有的优惠级别。其中，“下载和资源”（Downloads and Resources）栏目提供STEAM教育的背景、理念、商标、研究领域、课程培训等；“常见问题解决（FAQ）”栏目可以查看STEAM教育常见问题的解决方案，如STEAM教育框架的定义、STEAM教育团队成员信息、培训课程内容等常见问题；“联系我们”（Contact US）栏目发布了针对不同类别应聘者的联系方式，以便有意加人的机构或个人与我们联系。针对服务对象（一般咨询、国际咨询、媒体请求、客户支持、金融机构等）的不同，我们提供不同的职位（办公室经理、全球经理、营销经理、支持经理、业务经理等）；“新闻”（News）和“产品”（Store）栏目提供了与STEAM教育项目相关的信息和辅助STEAM学习的材料和产品。M教育项目中所承担的角色，如通过项目的参与所应达到的目标、通过网站可以获取的资源信息等（见表二）。我们还利用社交平台推广STEAM教育，在网站界面放置了Twitter、Facebook、Pinterest、Reddit、Academia、imgur、YouTube、Linkedin等八个社交网站的链接，为社会大众更好地了解项目提供渠道，同时利用社交网站受众面广、传播即时的优势扩大STEAM教育的影响，促进STEAM教育的实施。记者：您注册了多个商标并发表在网站上，这对培训和推广有什么益处？亚克门教授：在知识经济时代，STEAM教育主旨是为了促进学生创新，但开展此类培训与推广活动也具有一定的商业性。我们的STEAM教育公司自2007年以来一直接受个人资助，更便于实现独立出资人发展STEAM教育的愿景。公司不是个社会组织，而是以营利为目的的。作为STEAM教育的推广和培训企业，注册商标有其必要性。在开展STEAM教育的推广和培训时，我们一直注重打造成服务全球的教育企业，所以商业信誉举足轻重，商标设计尤为关键。商标的注册有利于我们取得STEAM教育的专用权，使研究成果和实践产品受法律保护。此外，商标提高了STEAM教育的识别度，有利于区别于其它的教育商品。根据营销理论，我们开展了STEAM教育商标的形象化设计，赋予其理念意蕴。例如，“STE@M=Science & Technology interpreted through Engineer-ing & the Arts，all based in Mathematical elements”的意思为：以数学为基础，通过工程与艺术解释科学与技术。商标中包含了“STEAM”一词。我们用希腊字母西格玛代替“E”，符号“@”取代“A”，并用“=”联接，以显示其中的关系。这简明地表达了STEAM教育主题，在一定程度上又吸引了社会大众（学生、父母（监护人）、社区成员、管理者、商界领袖、政治家等），促进了STEAM教育的推广和传播。记者：您能否对中国开展STEAM教育提些建议？亚克门教授：STEAM教育立足于实际问题，鼓励学生通过协作和实践完成项目、解决问题，有助于培养学生的综合素养和问题解决能力，形成具有创新能力的优秀人力资源，而人力资源的培养为科学技术水平的提升起到了推动作用，因此STEAM教育正在成为技术创新的重要驱动力。尽管不是所有学生都能进入STEAM行业，但其他行业正变得越来越依赖STEAM技能。几乎所有职业要求学生精通STEAM教育所培养的能力。中国要开展STEAM教育，建议在教授课程时应将STEAM看作是提升创造力的方法。例如，对于其中的艺术教育而言，STEAM教育的目的不是教艺术，而是让学生懂得如何在现实生活中运用艺术，不断完善目前的生活方式和所在的现实世界。其次，应当将教育辅助人员融入STEAM团队，包括：1）指导人员，他们要帮助学生了解自己的兴趣和爱好，指导他们选择符合职业目标的课程，引导他们实现自身技能和兴趣与未来职业的匹配；2）图书馆管理员/媒体专家，他们要帮助学生寻找信息、查询教育专家，以及为学生STEAM教育项目的作品展示提供空间，让学生看到大家在做什么、怎么做的，以及引导学生如何借鉴他人成果改善自己的产品或者方案；3）信息/教育技术人员，他们要改善STEAM教育中技术应用的过程和方法，优化师生教学，并对如何购买与使用新兴教育技术提出建议。为促使STEAM教育取得更好的效果，我建议：1）每个学校应配备一名STEAM认证协调员。作为课程专家、申请撰写人和社区联络员，这些协调员应精通职业规划、基于问题的学习、课程整合等相关知识，熟悉教育、科学、技术、工程、艺术、数学等学科间的联系；2）学校应当根据技术教育的相关国家标准设计STEAM教育主题；3）采购设备与设计课程应具有可持续发展的视野，既要基于STEAM教育的现实状况，又能满足STEAM教育的未来需要；4）实现信息技术与STEAM教育的深度融合，采用翻转课堂等方式开展教学活动。（声明：除STEAM在线原创文章外，STEAM在线分享和转载的文章皆为促进STEAM教育在中国的传播，非商业用途，都会注明来源，如文章、照片的原作者有异议，请联系我们快速处理或删除，谢谢支持。）

本期导读：本文通过剖析高校多媒体教室存在的诸多问题，提出智慧教室的“智慧性”，并从“智慧性”的三个维度来思考研讨型智慧教室如何设计。多媒体教室是什么20世纪90年代，随着网络信息技术的不断发展以及各种多媒体设备、网络资源、教学工具的出现，教室逐渐发展为多媒体教室。在多媒体教室中，教师和学生可以不受时空的限制，通过网络进行随时随地的教学和学习。▲多媒体教室（图片来自网络）多媒体教室由多媒体计算机、投影机、数字视频展示台、中央控制系统、投影屏幕、音响设备等多种现代教学设备组成。在多媒体演示教室里，教师可以通过操作计算机和数字视频展示台等设备随心所欲地运用文本、图形、图像、声音等媒体进行教学，也可以运用板书、教材、图表、图片等常规教学媒体进行教学，整个教学过程都可以显示在大屏幕上，摆脱了黑板加粉笔的教学模式。教师利用多媒体教室可以进行的教学内容一般有:利用计算机调用多媒体课件;利用校园网或Internet网络，调出自己需要的教学资料;利用数字视频展示台将书稿、教材、图表、图片、实物以及教师即时书写的文字、画图投影到银幕上;利用幻灯片、投影片等常规电教软件进行教学。多媒体教室存在的一些问题多媒体教室的学习环境不利于培养学习者“分析、评价和创造”等高阶认知目标,主要表现在以下六个方面:第一，多媒体呈现内容的“堆砌”,妨碍了学生对内容的“消化”投影机是多媒体教室的基本配置,在许多教室投影屏幕几乎替代了过去的黑板。大多数教师只是利用投影代替板书,将原本写在黑板上的内容简单“复制“到大屏幕上,内容也是静态文字居多,实际上只是运用屏幕替代了黑板的内容呈现作用。对于这种方式的教学,学习者往往没有时间对知识进行联系和对比,学生的认知活动容易受到阻碍。第二，多媒体呈现工具的“间断性”展示,割裂了教学内容的前后联系在传统课堂中,有经验的教师使用板书能够将定理、公式、推导过程、发展脉络等重点内容保留在黑板上,这样有利于学生的理解;而多媒体呈现工具, 如PPT、Keynote 等按顺序逐一呈现页面,在某种程度上不容易引导学生思维的连贯性。第三，固定在讲台位置上的多媒体控制台,限制了教师课堂教学能力的发挥在教学过程中,教师为了操作课件,坐在控制台前面对电脑屏幕,基本不走动,不与学生互动,计算机的操作消耗了教师相当多的精力，这影响了师生的交互和学生跟随教师逐步展开思维的主观积极性。第四，统一固定的座位布局,不利于多种教学活动的开展教室大多采用“秧苗式”的座位布局,这种形式有利于教师的课堂讲授,但无形中强化了学生的顺从倾向和对从教师言行的认同心理。 第五，多媒体教室的配备和控制难以满足学生探究的需要多媒体教室安装的多媒体网络教学系统涉及广播教学、学生演示、个别辅导、语音教学、双向对讲、电子白板、 分组讨论等多种功能,但在实践应用中很多功能由于种种原因得不到应用,也就不能完全发挥它的功能优势。第六，电子白板的教学应用与预期的深度教学互动存在一定差距目前很多课堂配置了交互式电子白板,但是白板的交互功能并未全部得到应用,大多仅仅作为投影屏幕使用。部分教师对基于小组的“协作学习”认识不足,“交互”活动仅仅停留在“演示”的层次,基于小组的读书活动、讨论活动等泛泛而过。▲老师在多媒体控制台操作课件由于教学工具的缺乏，教师难以及时获得学生的学习状态，也很难根据学习者的学习情况调节教学节奏。学生规模过大及网络接入不便利，导致学生很难在课堂上获得合适的学习资源和进行实时的互动，并得到及时的帮助。另外，多媒体教室的管理和维护也一直是困扰教学管理人员的一个难题。因此，重构教室环境，创建适合学生学习和教师教学的新型教室环境，是一种必然趋势。 智慧教室的“智慧性”智慧教室是从教与学的角度实现促进学习的智慧，强调智慧教室整合各种资源，提供多种教学工具，支持教与学方式的灵活多变，支持丰富的学习体验，利于交流、协作和共享，强调的不只是设备与技术的先进性，更是如何灵活运用技术来支持学习过程、增强学习效果。智慧教室的“智慧性”涉及教学内容的优化呈现、学习资源的便利性获取、课堂教学的深度互动、情境感知与检测、教室布局等多方面的内容,国内研究者将其概括为内容呈现、环境管理、资源获取、及时互动、情境感知五个维度,这五个维度正好体现了智慧教室的特征。▲ 智慧教室“SMART”概念模型内容呈现“内容呈现”主要表征智慧教室的教学信息呈现能力，不仅要求呈现的内容清晰可见，而且呈现的方式要符合学习者的认知特点，有助于增强学习者对学习材料的理解和加工。“内容呈现”包括视觉和听觉两个方面。环境管理“环境管理”主要表征智慧教室布局的多样性和管理的便捷性。智慧教室的所有设备、系统、资源都应具备可管理性，包括教室布局管理，设备管理、物理环境管理、电气安全管理、网络管理五个方面。资源获取“资源获取”主要表征资源获取的能力和设备接入的便利程度，涉及资源选择、内容分发和访问速度三个方面。及时交互“及时交互”主要表征智慧教室支持教学互动及人机互动的能力，涉及便利操作、流畅互动和互动跟踪三个方面。情境感知“情境感知”主要表征智慧教室对物理环境和学习行为的感知能力。在“SMART”概念模型中,“环境管理(M)”和“情境感知 (T)”两个维度是智慧教室装备的共性要求，“环境管理(M)”维度要求智慧教室能够实现对所有设备、系统、资源的 监控和管理。“情境感知 (T)”包括两个方面,一是对内的空气、温度、光线、声音、颜色、气味等参数的监控,为“环境管理(M)”提供依据;二是利用课堂录播系统记录教学过程,利用手持设备记录交互过程、监测学习结果,从而完成对学习过程的跟踪。锐捷如何设计研讨型智慧教室随着“探究性学习”、“小组合作学习”和“项目式学习”等多种教学模式的不断提出,当前很多教室在设计上亟待改善。我们可以考虑从“内容呈现”、“资源获取”和“及时交互”三个维度来增强教室的设计，锐捷研讨型智慧教室主要有“协作探究型”、“灵活转换型”和“自主交互型”三大类型学习空间。在空间布局上，“协作探究型”智慧教室采用半岛式支架，将小组屏和小组桌绑为一体，更方便学生自主学习、深入探究并进行小组合作交流。▲协作探究型学习空间“灵活转换型”智慧教室采用分离式可移动桌椅，可以实现多种人数分组，支持讲授、TBL(小组合作学习)、PBL（项目式学习）等多种教学场景的快速转换，可以根据教学需要灵活转换为大组学习模式、小组研讨模式和不同人数成组，小型或标准教室可适配12-54人，大班可适配96人左右班容量。“自主交互型”智慧教室的桌椅一体化方便移动，座位布局相对灵活，可以实现高度自由自主。能够支持学生自由安排，支持多种教学交互方式，支持讲授、个人探究、TBL(小组合作学习)、PBL（项目式学习）等多种教学场景的快速转换，小型或标准教室可适配12-54人，大班可适配96人左右班容量。在内容呈现上，三种学习空间的中央视觉区以教师大屏为主，小组信息岛以小组显示屏为主，并通过多屏互动系统、无线投屏系统和有课教学应用的有效结合呈现教学内容。其中，多屏互动能有效促进教学中的信息流转，当小组内容分享时，老师操作控制平板，切换到讨论模式，学生们即可在自己的小组终端上白板书写和文件讨论；当小组讨论结束后，老师可以开启小组展示模式，那么所有屏幕显示被选中的小组屏画面。在资源获取方面，三种学习空间覆盖高速无线网络,支持丰富的教学内容和相关的教学资源的获取,全面支持各种终端接入。在及时交互上，交互方式支持师生交互、生生交互,学生可通过手机登陆有课教学应用发表个人和小组观点、用点赞的方式和其他小组讨论交流，小组的讨论结果能够以无线的方式投到大屏幕上，而老师可以随时看到学生的讨论重点，也可以基于学生的反馈，归纳合作成果。参考资料：● 黄荣怀，胡永斌，杨俊锋，等．智慧教室的概念及特征[J].开放教育研究，2012(2):22一27本文撰稿：小声人猜你喜欢