开放教育研究是核心

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.

图片来源：unsplash摘要：在“互联网+”时代，在线学习是网络学习者适应时代发展、促进专业发展的重要方式。研究网络学习者学习力，开展在线学习力测评，对提升他们的在线学习水平具有重要价值。为了对网络学习者在线学习力发展测评提供科学依据，本研究结合理论研究、专家论证以及实证检验的多轮迭代，构建了网络学习者在线学习力模型，并通过项目分析、探究性因子分析及信效度验证，研制了网络学习者在线学习力测评量表。综合多轮验证与检验，验证基于此模型开发的量表信效度良好，可作为网络学习者在线学习力测评工具，为我国网络学习者在线学习力发展与测评提供依据。一、问题提出学习力是人发展的核心内驱力，学习力决定发展力（Kirby，2005）。研究网络学习者的学习力，开展在线学习力测评，提升网络学习者在线学习能力，使其成为有意识、有能力的主动学习者，对网络教育质量提升具有重要意义。在当前“互联网+”时代，针对成人学习者，网络教育的目标不应仅限于关注让学习者学会，更重要的是通过有效的支持让学习者成为会学习、有主动学习意识与学习能力的终身学习者。从“学会”到“会学”，是从关注结果走向网络教育育人目标的发展性与开放性，兼顾过程与结果，帮助网络学习者成为具有终身学习能力并适应学习型社会发展的人，是网络教育育人目标的重要诉求（李宝敏等，2017）。国际很多知名大学将学习力发展作为促进学习者学习与发展的重要目标，比如哈佛大学将培养人的目标定位于：哈佛人=学会学习的人。英国开放大学不仅重视在线学习者“学会”，并且将学习能力发展作为重要目标，通过灵活的远程教学设计，促进在线学习者“会学”，将学习能力发展作为重要目标。美国凤凰城大学将如何开展高效能的网络学习做成专题课程，为在线学习者提供支持。在我国，许多开展网络教育的高校及机构，如华东师范大学开放教育学院也特别重视在线学习方法的指导与支持，以促进学习者顺利适应网络学习。然而，对学习力有针对性的指导与培养，需要科学的测评工具提供支撑。美国麻省理工学院的福瑞斯特（Jay Forreste）于二十世纪六十年代首先提出学习力构想，成为管理学领域学习型组织的核心话语，八十年代后学习力研究在教育领域兴起。如今，随着信息技术的发展，学习力作为学习型社会与信息化社会必要的生存能力，正成为学习科学、教育技术学等学科领域学者关注的热点话题。学习是人的发展的最重要的品质和能力，对学习力内涵的研究，经历了从关注单个要素到强调复合体的转变。例如，杜门（Dopmen，1997）关注自主思考力；里斯尼克（Risnik，1987）关注高级思维能力；英国有效终身学习编目（简称ELLI）通过学习的连续性因子分析，提出学习力的七大维度：改变与学习、意义建构、探究意识、创造力、学习关系、战略意识和心理弹性；澳大利亚加强有效学习项目（简称PEEL）中，鲁思迪肯克瑞克（Crick，007）将学习力视为塑造个体参与学习机会的价值观、倾向、态度和能力的复合体。学习力的构成要素中，目前有影响力的观点主要包括：1）“四要素说”。英国布里斯托尔大学克拉克斯顿（Claxton，2007）首先提出学习力构建的四个要素，即通过四种行为表现出来的四种力量“4R”：顺应/顺应力（resilient/resilience）、策应/策应力（resourceful/Resourcefulness）、反省/反省力（Reflective/Reflection）、互惠/互惠力（rcciprccal/Rela/onships）。2）“六要素说”。余建祥基于长期的学习力研究，认为学习力主要包括学习方法、学习动力、时间管理、学习习惯、学习心智、学习意志六个要素，这六个要素互相关联又相对独立，任何一个要素的改善，都会促进学习能力的改善和提升（余建祥，2018）。3）“七要素说”。英国ELLI项目丰富了学习力的构建要素，并在语言表达上做了精确定义，它们分别是：变化和学习（Changing and Leeming）、关键好奇心（CriticalCuriosity）、意义形成（Meaning Making）、创造性（Creativity）、学习互惠（Learning Relation-ships）、策略意识（Strategic Awareness）、顺应力（Resilience），认为七个要素是相互依赖、相互促进的，属于同一事物的不同方面，其中一个或者两个要素获得发展，其他要素及个体的学习力水平亦能获得一定程度的提升。4）“综合体说”。美国哈佛大学柯比（Ki Ay，2005）基于长期的教学实践认为，学习力应该是包括学习动力、学习态度、学习方法、学习效率、创新思维和创造力的综合体，指出学习力还包括兴趣、好奇心和创造等非智力因素。此外，国际经合组织认为，学会学习的能力包括有效管理个人时间，解决各种问题的能力，善于处理不同的程序性事件，评价和吸收新知识，并把新知识及技能应用到家庭、工作、教育等情境的能力（Rychen，2007）。本文基于网络学习者在线学习特征，认为网络学习者在线学习力是指在线学习环境下，能够有效促进学习者学习动力、认知能力、学习策略与方法、学习结果相互作用的动态能力系统，它能激发学习者的在线学习动力和潜能，推动学习者顺利完成在线学习目标，最终帮助他们实现自我完善与终身发展。基于这一认识，本文结合网络学习者学习力研究和实践探索，通过构建在线学习力发展模型，分析在线学习行为特征和学习力结构内容要素，研制学习力测评工具，并通过相关验证，诊断网络学习者在线学习能力，为学习力提升与培养提供科学依据。二、在线学习力模型构建借鉴国内外学习力研究的有关成果，本研究形成网络学习者在线学习力整体框架，包括网络学习者情意、认知、自我与人际四个领域，涉及学习驱动力、学习顺应力、学习策应力、学习反省力、学习互惠力五个维度、20个能力项（见图1）。学习驱动力、学习顺应力、学习策应力、学习反省/管理调节力、学习互惠力分别体现学习的五大系统，即动力系统、情意系统、认知系统、调节系统、社会及自我互动系统，体现通过在线学习行为所表现出来的五种力量：驱动/驱动力、顺应/顺应力、策应/策应力、反省/反省力、互惠/互惠力。（一）学习驱动力学习驱动力是激发网络学习者在线学习的动力系统，是引发与激发网络学习者持续学习的关键，包括学习需要、兴趣、信念、成就目标等，直接影响网络学习者的学习行为，具体包括：1）学习需要：指网络学习者在网络学习过程中对目前水平与期望达到水平之间差距的感知与认识，对学习期望达到的目标与需求；2）兴趣：对在线学习充满积极的倾向，将在线学习作为促进自我发展的源泉和力量；3）信念：坚信在线学习对职业发展、能力提升及所追求的发展目标的正确性，具有为之付出努力的意向；4）成就目标：对在线学习活动和及其目的具有一定知觉，能感知参与在线学习活动的理由及目标。（二）学习策应力学习策应力是网络学习者熟知信息内容表征的方式，能够根据需要综合运用多种方法或策略，如提问、建立联系、想象、推理等进行学习。具体包括：1）提问：具有好奇心，善于提出问题，能潜心思考与钻研，提出与众不同的观点；2）建立联系：能利用自身经验将不同知识或事物建立联系，建立认知图式，形成认知网络图；3）想象：利用想象与知觉获取新经验，在新情境下探究新的可能性；4）推理：运用推理能力，严谨、有序地进行推理，建构观点，且不断修正完善。（三）学习顺应力学习顺应力指网络学习者能够保持耐性与专注精神，排除内外干扰，集中精力投人学习，具体包括引发并保持注意，管理分心、毅力与持久力等。1）专注力：网络学习者全神贯注投人学习；2）管理分心：网络学习者能认识并管理分心，知道什么时候容易走神，并能及时克服干扰，提起精神，创造最佳学习状态；3）注意：引发并保持注意，能聚焦学习重点与关键；4）毅力：在面临困难时仍坚持不懈。（四）学习反省/管理调节力学习反省/管理调节力是指网络学习者的规划管理、反思与调节能力，网络学习者不仅要能感知学习目标，而且能科学制定计划、预计结果、选择策略、预见问题及解决方法，及时评价、反馈学习活动过程及结果，根据问题采取相应措施及时作出修正调整，具体包括：1）计划：思考到哪里去，采取什么行动，所需时间、资源等，预见结果及将会遇到的困难等；2）调整：根据不同情境灵活调整计划，监视学习进展，发现新的机会，调整学习状态与进展；3）提取：知道在需要时提取所需信息，能将相关方法策略运用于后续学习，做自己学习的教练；4）元学习：知道自己作为网络学习者，如何才能学得更好，思考如何学习的过程和方法。（五）学习互惠力学习互惠力是网络学习者能以有效、负责任的方式建立学习关系，既能学习他人的成果，也愿意与他人共享自己的学习成果。网络学习者不仅应知道如何进行自主学习，也知道何时与如何开展合作学习，讨论问题时能表达个人观点，也愿意倾听他人观点，具体包括：1）自主性：知道何时自主学习，何时相互学习，讨论问题时能坚持自己的立场；2）合作性：知道如何管理自己，尊重他人观点，愿意分享自己的观点；3）倾听：倾听他人时能理解他人意图，具有同理心；4）观察：通过观察他人，能建设性调整方法、习惯和价值观。三、在线学习力自我测评工具开发（一）自评工具的开发与修订本研究先通过文献研究、专家咨询、问卷调查、多轮研讨及修订，构建了网络学习者在线学习力模型，并在此模型基础上开发能力测评问卷。问卷验证修订过程采用迭代方法，展开两轮小样本测评，依据反馈信息及数据分析结果，修订测评工具。为了保障测评工具的科学性与合理性，每个题项的修订均经过专家组的研讨论证与学员的试测。综合上述分析过程，确立网络学习者在线学习力的核心能力项及测评工具。（二）被试对象调查对象为华东师范大学开放教育学院在读学员，目前已接受两轮测评，第一轮测评对象为1080人，其中有效测评问卷1023份，有效测评率为94.77%；第二轮测评对象为1986人，其中有效测评问卷1890份，有效测评率为95.21%。本次测评调查采用随机抽样的方法选择样本，为了增强样本的代表性，尽量选择不同专业（23个）的样本进行抽样测评。（三）数据收集与分析数据收集采用集中填写与分散填写相结合的方式，研究者对测评数据进行严格筛选，剔除无效数据，然后利用SPSS对数据展开项目分析、探索性因素分析及信度分析，利用AMOS工具对数据结构展开验证性因素分析（吴明隆，2017）。四、结果分析本研究根据两轮预调研的数据以及专家意见对网络学习者在线学习力测评工具进行了结构调整，删除无关题项，调整各维度的题项内容，最终形成了正式的测试版量表并通过正式测试完善量表结构，形成正式的在线学习力测评工具。（一）项目分析本研究首先根据网络学习者在线学习力的五个维度对问卷题目进行分类编码，对量表题项进行临界比检验，用以检验单个题项的鉴别度，从而确保量表的科学性与严谨性。研究者将核对后的数据进行高低分组，取前27%为高分组，组别为1；后27%为低分组，组别为2。临界比检验指通过T检验检验高低组每个题项的差异，即求出高低组受试者各试题平均数的差异显著性，删除未达到显著性的题项。数据分析显示，该测评工具所有题项临界比值均达到显著水平，表明高低分组差异显著，具有较好的鉴别度，可以保留。（二）模型的探索与验证本研究首先根据一二轮的预调研数据，对量表的题项进行探索与验证，调整量表各题项所在维度与删除不适当题项，形成最终的正式量表。为检验网络学习者在线学习力测评工具的潜在结构及其对在线学习力的影响，本研究将正式测验结果一分为二进行探索性因素分析和验证性因素分析。1.探索性因素分析本研究对网络学习者在线学习力测评工具中的五个维度进行探索性因素研究，揭示各维度间的潜在结构。五个维度的KMO值均大于0.8，达到“良好的”标准，表示变量间有共同因素。此外，量表巴特利特球形度检验的近似卡方值达到0.05显著水平，表示总体的相关矩阵间有共同因素，适合进行因素分析。每个题项的MSA值也大于0.50，且各成分抽取主成分后的共同性均大于0.20，变量均具有一定影响力，说明量表的五个维度适合进行因素分析。在探索性因素分析中，本研究采用主成分分析法对数据进行因子分析，并对因素负荷矩阵直交旋转，将特征值大小以及前期理论研究基础预设的能力项作为因子提取标准。通过因素分析，研究者筛选出因子负荷过低（小于0.40）和多重负荷的（两个及以上因子负荷同时大于0.4）题项，专家根据筛选结果进行研讨，决定是否删除异常题项。研究者根据同一维度提取的因子以及各题项的分布，进一步对该测评工具的潜在结构进行解释。1）学习驱动力根据理论研究成果，学习驱动力维度划分为4个因子，研究者通过探索性因素分析对其进行归类，但归类后通过模型检验发现网络学习者在线学习力测评工具的“驱动力”未达到拟合优度模型水平。研究者进行了相应调整，重新进行探索性因素分析。第二次探索性因素分析提取3个共同因素（可以解释测量题项79.7%的变异量），分别为个人发展、目标兴趣、价值证明（见表一）。其中A1-A5分别考察的是学习者对在线学习可促进自身职业发展、能力提升以及自我完善的信念，专家组将这五题归为“FA1个人发展”要素。A6、A7考察学习者对学习本身和所学内容的兴趣，以及是否将在线学习作为促进发展的积极力量，这两题归到“FA2目标兴趣”要素。A8和A9两题考察了学习者对在线学习自我价值证明方面的期望，归到“FA3价值证明”。2）学习顺应力依据探索性因素分析结果，学习顺应力维度原有13道题目，B11在因素2和4上双重负荷，经专家讨论确实存在语意模糊，故删除该题项。研究者对剩余12个题项再次进行探索性因素分析，提取出4个共同因素（可以解释测量题项81.6%的变异量），命名为专注力、管理分心、注意、毅力（见表二）。其中，B1、B2考察网络学习者对在线学习的投入状态，B3、B4考察学习者的注意力集中程度，专家组认为这四道题目均属于“FB1专注力”范畴。但由于B3“排除外部干扰”表述可能会产生歧义，误认为是管理分心，专家组研讨后，将B3的表述调整为：网络学习时，我能够集中注意力，不受外部干扰”。B5属于及时调整状态、创造最佳学习状态，B6、B7题在两个因子上负荷过高，为谨慎起见，专家组对该题项进行研讨。专家一致认为，B6考察的是学习者克服干扰、持续学习的状态，B7描述的是学习者是否能开展深度学习，表意明确，属于管理分心范畴。因此B5-B7题归到“FB2管理分心”要素。B8-B10题均属于聚焦学习重点与保持注意范畴，应归到“FB3注意”要素。B11-B13表意清晰，指学习者面临困难时仍坚持不懈的态度，归到“FB4毅力”范畴。3）学习策应力学习策应力维度原有13道题，本研究依据探索性因素分析结果删除了第13题与第11题，对剩余11个题项进行第三次探索性因素分析，提取出的4个共同因素（可以解释测量题项85.9%的变异量），分别为推理、建立联系、想象、提问（见表三）。C2在2和4两个因子上负荷较高，虽应优先选择因子2，但专家研讨认为C2属于提问范畴，因此C1、C2两题归到“FC1提问”要素。C3属于思考现象与本质的联系，C4属于探究已知与未知、理论与实践间的联系，这两题均归于“FC2建立联系”要素。C7题项叙述清晰，指运用想象策略进行在线学习，C5、C6两道题虽未直接指出想象，但表达了利用知觉获取新经验的含义，且因子归类结果也属于想象范畴，专家讨论认同将这三道题归到“FC3想象”范畴。C8考察的是建构观点，C9考察的是推理演练，C10和C12考察的是修正和完善观点，根据探索性因素分析结果，这4个题项均归到“FC4推理”。4）学习反省/管理调节力学习反省/管理调节力原有19道题，研究者依据探索性因素分析结果删除了第9题，对剩余18个题项再次进行探索性因素分析，提取出4个共同因素（可以解释测量题项81.4%的变异量），分别为计划、调整、提取、元学习（见表四）。D1-D3属于学习者在线学习时的计划工作，归到“FD1计划”。D4、D5题在两个因子上负荷均过高，为谨慎起见，专家组研讨认为D4预测学习收获与成果不属于学习计划范畴，而是对学习过程的把控，应归到“调整”。D5题项表意明确，属于调整学习计划，也归到“调整”。D6、D7表意明确，属于调整学习计划与进度，专家组将D4-D7四道题项归到“FD2调整”要素。D8、D10两题属于在学习过程中进行思考，提取所需信息，D11属于利用资源获取信息，D12、D13表达了思考何种方法策略适用于学习。这五道题项均属于学习者在线学习中利用学习策略改进学习、做自己学习的教练，专家组将其归到“FD3提取”。D14-D16表达了学习者在线学习中思考如何学习的过程和方法，D17-D19描述了学习者对自身学习的态度，这六道题项表意明确，均属于“FD4元学习”范畴。5）学习互惠力学习互惠力维度原设定4个因子，但通过探索性因素分析，研究者发现提取2个公共因子时量表呈现最佳结构。专家经研讨，将学习互惠力原定的4个要素调整为两个：）自主与合作，即在讨论问题时愿意分享自己的观点，能坚持自己的观点，同时尊重他人观点，能站在对方角度思考问题；2）观察学习，即通过观察他人，向他人学习，建设性调整方法、习惯和价值观。调整后的2个共同因素可以解释测量题项83.3%的变异量（见表五），其中E1-E3属于在讨论中交流互惠，归到“FE1自主合作”要素；E4-E6属于与他人学习过程中习得知识，归到“FE2观察学习”要素。2.验证性因素分析本研究运用Amos软件对随机分半的另一半数据进行验证性因素分析，对探索性因素分析得到的能力模型进行检验。通过进一步调整，能力模型达到拟合优度模型水平（见表六）。网络学习者在线学习力的五个能力维度的CMIN/DF、RMR、GFI、TLI、CFI、PGFI指标均达到标准范围，顺应力和反省/管理调节力的RMSEA指标略高于判断标准，AGFI指标略低于于判断标准，但均在误差允许范围之内，均可视为模型拟合良好。各项指标检验结果显示，本研究所建立的网络学习者在线学习力模型有良好的拟合性，模型合理。（三）问卷信效度检验1.信度检验量表各维度的克隆巴赫Alpha系数（内部信度一致性系数）均大于0.85，且量表的克隆巴赫Alpha系数为0.988，说明问卷具有较高的信度。2.效度检验1）内容效度本研究针对量表内容效度确立的两个阶段进行了严格把控。在量表制定阶段，研究者以相关研究为基础，对量表的维度进行定义，同时邀请专家对量表结构和题项进行调整修订。在量表内容效度的评价阶段，研究者针对华东师范大学开放教育学院的学员开展了多轮测试，对量表的项目进行验证审查，同时专家组对量表项目反复审阅和修订。“分析一修订一验证”多次迭代，确保量表的各个项目具有较好的代表性，能比较准确地测量网络学习者在线学习力水平。因此，本量表具有较高的内容效度。2）结构效度本研究采用项目分析法、探索性因素分析法、验证性因素分析法，对量表各题项的区分度及数据结构进行了严格的筛选和检验，并通过多轮测试、反复迭代，不断修正网络学习者在线学习力模型。以上措施较好地保证了量表的结构效度。六、结语本研究针对网络学习者在线学习力测量工具的开发，经过“文献研究一模型建构一量表开发一量表及模型检验一修订完善”五个阶段，并由多位专家的修改建议，保障了研究过程的规范性与严谨性，确保了研究结果的科学性与合理性。综合理论分析、专家论证及数据分析检验，本文首先构建了在线学习力模型，并针对网络学习者在线学习力进行探究式因子分析，最终得到网络学习者在线学习力量表，由学习驱动力、顺应力、策应力、反省力、互惠力五个维度组成，共56个题项。在这个量表中，学习驱动力、反省力、互惠力是一般性维度，顺应力、策应力是特殊维度。这个框架与编制的学习力量表结构一致。学习内驱力是网络学习者在线学习的动力系统，顺应力是在线学习的方法系统，策应力、反省力是在线学习的调节系统，互惠力是在线学习的激发系统。基于上述能力模型开发的在线学习力自评量表，经过多轮迭代与试用验证，证明具有良好的信度与效度，可以作为网络学习者的在线学习力测评工具。（本文原载于《开放教育研究》2018年第3期）*作者筒介：李宝敏，博士，副研究员，华东师范大学开放教育学院；宫玲玲，华东师范大学教育信息技术系硕士研究生；祝智庭（通讯作者），博士生导师，终身教授，华东师范大学开放教育学院。本文转自微信公众号“MOOC”，作者李宝敏、宫玲玲、祝智庭。文章为作者独立观点，不代表芥末堆立场。

图片来源：Unsplash摘要：移动互联网时代家庭代与代之间在信息获取、利用和再生方面存在信息不对称现象，技术和精神接入沟、功能使用沟、知识生产沟组成的“数字代沟”进一步加剧，成为导致青少年群体游戏沉迷的家庭系统因素。本文建议从国家、区校、个人层面推进和开展亲职教育，将其作为促进代际理解、畅通代际关系、消弭数字代沟、建构代际文化空间的渠道和桥梁，开创移动互联网时代家庭教育模式的最佳结合路径，为破解青少年游戏沉迷之困寻得创新良方。关键词：青少年;游戏沉迷;信息不对称;数字代沟;亲职教育;家庭系近年来移动游戏“王者荣耀”引发的青少年群体恶性安全事件引发社会各层面的广泛关注，甚至成为全国两会众多代表委员关注的热点话题。游戏沉迷现象作为社会流行的“迷”行为和文化的表征形式之一由来已久，而游戏和家长之间的“斗争”更是旷日持久。被称作“数字原住民”的青少年群体呈现出数字化生存的偏好和特点，因该群体在认知、自控、适应等方面的能力缺如，导致游戏沉迷问题的弊端格外突出，使得该群体所面临的数字化生存的在线风险问题避无可避，再次引发全社会对游戏沉迷问题的讨论和反思。本文将青少年群体的游戏沉迷问题置于移动互联网时代整个社会的信息传播环境和媒介文化生态场域中加以考察，试图以更客观冷静的视角趋近游戏文化行为，以探讨青少年群体移动游戏“沉迷”之源，更希望寻得纾解焦虑的他山之石。一、相关研究现状及问题提出反思与前瞻:研究视角的期待移动互联网时代青少年群体接触网络游戏更为便捷和普泛化，且触游低龄化现象日趋凸显。他们借助于媒介化情境在网络空间汇聚，逐渐形成壮大的移动游戏“迷”一族。“沉迷”是主体对某客体发生特殊爱好而沉醉的状态，主体通过沉迷的情愫收获内心的愉悦感与满足感，通过寄情于某客体转移负向情绪，同时收获归属感、依赖感和认同感[1]。纵观国内外研究，游戏沉迷和成瘾已不是一个新命题。已有的文献资源从管理经济学角度对企业运营、市场结构与盈利模式等方面开展了相关研究，但缺乏对用户群体特征和游戏行为的较为细致的跟踪研究。从社会学和心理学角度，对游戏用户的心理需求、社会情感、认知态度等成瘾因素分析方面开展了大量的实证研究，研究表明现实情感的补偿和发泄、人际交往与团队归属、成就体验是青少年群体游戏成瘾的心理需求驱动动机，进而在挑战和技巧的博弈中实现沉浸状态[2]。从教育学视角研究游戏沉迷对用户的影响，大多数学者都表明态度和立场，其中消极负面评价占较大比例，尤其是大陆学者对网络游戏几乎持“一边倒”的负面评价和共识，这种文化观念在一定程度上导致研究者对网络游戏性质和功能的否定性界定和描述，甚至一度成为研究游戏沉迷问题的单一理论话语，直至如今这依然是青少年游戏沉迷问题中最主要的研究言路和价值判断。但是，不同社会发展阶段的游戏沉迷问题都有其外显特征和表现方式，也有其更为具体的内驱因素和相异的社会、文化关联。理论话语的单向性在一定程度上意味着游戏沉迷问题研究的窄化和僵化，折射出研究者与研究问题的空间距离和心理距离，以及研究者个人的主流文化立场，这是值得学界高度警惕的。事实上，随着互联网与文化的不断融合和文化业态的持续革新，关于游戏沉迷问题的研究本身具有包容性和生长性的意蕴。虽然有论者认为网络游戏具有知识承载、世界认知和探索学习等教育价值[3]，根据嵌入理论构建了游戏嵌入信息素养教育的路径和机制[4]，提出了构建青少年思想政治教育网络游戏载体的建设构想[5]，但并未深入细致关注用户游戏行为的深层实践意义，比如青少年群体的商品消费行为及行为背后所释放、表征和建构的具有创新意义的游戏文化，尤其还需要关注和警惕该群体通过突破本土化的约束和界限，在网络世界彰显的消费全球化的族群力量。移动互联网时代背景下，媒介的数字化进程催生信息传播模式变革，媒介社会的文化生态也发生变化，青少年游戏沉迷问题的研究需要发展多样的、丰富的理论话语，更需要拓深学科交叉的研究和问题综合分析的视角。对游戏沉迷影响因素和成因分析的相关研究也应随着媒介技术的演变而与时俱进，突破以往仅从心理学角度去考察游戏“沉迷”影响因素的研究范式，将研究嵌置于移动互联网时代整个社会的信息传播环境和媒介文化生态场域中全面审视。尝试与探索:信息不对称理论及其社会学意义“信息不对称”或“不对称信息”作为微观经济学和信息经济学的元概念，虽然最早源于1970年经济学领域对于“市场失灵”问题的分析[6]，但它作为一种客观现实却一直贯穿人类社会活动的始终。信息不对称理论是研究信息不对称状况下个人以及组织的思想、认知、态度、决策和行为的理论。其跨学科研究发展迅猛，已深入应用经济学、法学、教育学、管理学等多个学科，并衍生出多个交叉主题。本文着重从社会学视角尝试进行理论探讨和延伸。文献回顾研究发现，张君安等认为信息不对称是“信源与信宿之间在信息本体以及信息量上的差异化，是信息分布在信源与信宿之间的一种不平衡状态”[7]。随着社会现代化进程的不断推进，信息不对称导致“信息富有者”与“信息贫困者”之间的“数字鸿沟”呈现更复杂多样的表现形式，既有国家和地域空间范畴、职业和性别等社会群体范畴的，也包括家庭不同年龄成员之间的。学界关于“数字鸿沟”的讨论和研究由来已久，其概念内涵先后经历了三代更迭，分别是“第一代:信息通信技术接入沟”、“第二代:信息通信技术使用沟”、“第三代:信息获取和使用沟”[8];也有学者将“数字鸿沟”按照信息技术的接入差异和使用能力差异分为信息鸿沟和素养鸿沟[9]。无论是哪种内涵阐释，都明确表征随着信息技术的发展和普及，因信息技术使用而产生的“素养”差异是“数字鸿沟”的主要表现形式。学界之前以“物理接入路径”为焦点的研究较多，通常关注因社会政策、经济发展、硬件建设等导致的国家、地区间数字鸿沟的产生和加剧，而对“素养鸿沟”的表现、影响因素的研究方兴未艾，尤其是不同人群之间因成长环境和年龄导致的代际差异关注稍显不足。尼葛洛庞帝曾说:“尽管许多人担心新兴技术会加剧社会的两极分化，使整个社会日益分裂为信息富裕者和信息匮乏者、富人和穷人，乃至第一世界和第三世界，但最大的鸿沟将横亘于两代人之间”[10]。已有研究数据表明年龄对于数字鸿沟有不可忽视的影响，在新媒体使用频率、利用程度及有效及时掌握新媒体知识方面，年轻群体都领先于年长群体[11]。周裕琼将这类在互联网时代日益凸显于家庭层面中、不容忽视的数字鸿沟称为“数字代沟”，是传统代沟的新文化表征和延伸形式[12]。基于以上理论基础，我们尝试从主观和客观影响因素角度将信息不对称的家庭层面表现描述为“移动互联网时代家庭内部成员之间因信息素养水平不等、信息传播过程不畅、信息分布不平衡而导致亲代和子代在新媒介的采纳、使用、理解和评价方面存在的数字代沟”。本研究认为，“数字代沟”是移动互联网时代信息不对称现象在家庭层面的投射，是素养鸿沟在家庭结构内部的具体表现形式。基于数字鸿沟的相关理论，我们将“数字代沟”解析为三层，即技术和精神接入沟、功能使用沟、知识生产沟，并引入“信息获取、信息利用、信息再生”三个测量指数，对代际信息不对称的表现进行考察和描摹，力图呈现因信息不对称带来的代际差异是如何影响并加剧“数字代沟”的，努力探求导致青少年群体游戏沉迷的家庭系统因素，也为寻求科学合理化解之法提供新的问题替代视角。二、从信息不对称到数字代沟:“沉迷”问题的家庭系统归因技术和精神接入沟:信息获取的代际差异每一代新媒介平台的诞生都会形成一代用户群，媒介技术的迅速革新在家庭代与代之间产生的媒介经验和技能差异不容忽视。家庭亲代和子代之间因获取信息的渠道、能力和内容不同而导致的信息不对称，将进一步强化代际差异的负面影响，加剧数字代沟。我国学者张海波及其团队在其研究报告中清晰地勾勒出被称为“滑一代、微一代、搜一代、游一代、秀一代”的青少年群体，从幼儿园时期开始经小学到中学三个阶段的数字化成长轨迹。报告显示，44.1%的幼儿园孩子开始玩网游，到初中阶段，手机成为三大媒介(手机、平板电脑、电脑)中最受欢迎的数字媒介，拥有手机的初中生比例达77.8%。在接受调查的孩子当中，70%以上的孩子说自己父母在家里也喜欢玩手机，60%以上的家长并没有成为孩子的微信或者QQ好友，70%以上的家长也没有和孩子约定上网的时间和所看的内容[13]。可见，亲代对于子代的网络行为在一定程度上处于“盲区监管”和“失能监管”的状态，而且青少年群体数字媒介的应用类型从幼儿园时期的“玩游戏”到小学阶段的接近成人“用户”，逐步呈现在线交友的社交需求、发布原创内容、圈粉文化等自媒体偏好。尽管已有研究将亲代与子代之间信息获取的媒介差异视为一个备受关注的变量，但亲代群体“由于缺少兴趣、电脑焦虑和新技术缺乏吸引力而导致基本的数字经验缺乏”表现出的“精神接入沟”，成为代际差异的又一明显表征。该变量体现了技术接入沟除“工具属性”外的精神属性，将比媒介差异更能影响个体在移动互联网时代的知识获取，理应成为一个更值得关注的微观变量。技术和精神接入沟的产生，使家庭系统中成员沟通模式受到了挑战和冲击，父母因不充分了解孩子所感、所思、所需、所愿，不能及时有效满足孩子对于社交互动、情感陪伴等方面的需求，由此产生的现实区隔增加了青少年群体通过网络寻找情感慰藉和心理补偿的可能性。而盛行的“王者荣耀”等游戏，恰恰在一定程度上满足其碎片化时间里对于社交陪伴、情感宣泄、自我认同、圈层归属等方面的需求[14]。功能使用沟:信息利用的数字反哺在现代家庭结构中，亲代因社会、家庭等多角色扮演和多任务并置，加之前述信息获取的差异，在媒介化环境下获取信息的量与质相对有限，成为数字化生存环境中的弱势群体，相较于子代媒介使用技能不断攀升的趋势，亲代在媒介利用的深度和效果方面存在缓滞固化和力不从心的现象，我们称之为“功能使用沟”。而伴随着互联网长大的一代，先天具有网络操作、语言运用、时间精力兴趣充沛等方面的优势，数字化成长环境的浸润使得他们无须后天学习和适应，且具备较强的自主学习能力。网络媒介成为他们在与父母、教师乃至整个成人世界互动时获得“文化反哺”能力或“话语权力”的重要途径[15]。相关调查显示，在上网知识方面，65.4%的儿童和70.9%的父母认为现在的初中生懂的比大人多。他们普遍会利用手机搜索信息、发布信息、创建自媒体，到初中阶段所掌握的娱乐、交往、学习和表达等数字化技能的诸多方面已经超过了自己的父母。未成年群体在次元文化、娱乐消费、审美时尚等数字化生存方式上具有明显的反哺话语权，甚至在社会文化结构中比较稳定的核心层面如生活理念、价值观点、世界观念等方面对年长一代产生明显影响[16]。移动互联网时代网络文化的“互动、平等、公开、共享”，有助于未成年群体摆脱传统单向的文化传递模式的束缚，他们在知识获得和赢得话语权力方面更具优势。由于层出不穷的媒介技术已催生社会、家庭结构变迁和未成年群体社会化范式变革，加之消费全球化、媒介力量、圈层文化等新的社会化因素日益凸显，导致家庭和传统教育的社会化权威在消解，对未成年群体社会化的影响力在削减。因此，互联网时代下的文化传递模式已由传统家庭中的前喻文化向后喻文化转向，“数字反哺”作为数字时代普遍存在的家庭现象，正逐渐成为现代社会生活中不可忽略而且充满无限魅力的组成部分。知识生产沟:信息再生的文化偏向在移动互联网时代，我国社会文化生产、传承的内容和方式都发生了深刻的变化，促使未成年群体社会化范式从传统意义上的“与客观现实世界的互动”变为“与虚拟社会情景的对话”[17]，对新媒介技术的掌握与运用构成了未成年群体网络文化实践中极为凸显和极其重要的组成部分。他们在网络空间享受信息自由传递、实时交互、匿名隐蔽登录和多重身份表达等多种特性时，通过网络文化实践、身份表达和意义建构等方式创造和形塑着网络空间。因此，日新月异的媒介技术和层出不穷的商品形态应该是考察文化与媒介关系的一个重要切入点，尤其是要着眼于媒介技术和商品本身的具有文化建构功能的论析。即使媒介技术在社会阶段、历史情境、经济和政治力量等因素规约的前提下，特定的媒介技术一旦投入使用，即会显示出强大的文化潜能。以网络为载体的移动游戏天生具备在未成年群体中流行的能量和优势，在不断递嬗更迭的过程中以其特有的场景重构能力、部落化特征和时尚流行的语言符号系统形成新鲜的文化刺激，挑战和对抗作用于社会整体文化面貌的建构，激发和催生特定的亚文化形态，进而对未成年群体的游戏“迷”文化产生建构和塑造作用。当青少年游戏群体日益形成“迷”族群体认同而彰显出族群力量时，就会催生知识众创和共享，显示出该群体特殊的游戏行为实践意义和文化症候。综合以上论述，若亲代和子代在信息获取、信息利用方面的信息不对称只是在“数字代沟”的深度量级上施加力量，那么信息再生方面的不对称引发的“知识生产沟”将可能成为撕裂“数字代沟”的重要影响因子。在应对和破解青少年游戏沉迷的问题上，政府层面一直致力于通过内容控制、法规制约和行业自律等强制性网络监管手段进行干预和控制，这对营造安全健康的网络环境，尤其在应对网络色情、网络暴力等网络危险类型方面具有一定防范效果，但是强制性的网络监管措施因内容控制的技术漏洞、法规事后追惩性、游戏服务商自律性不足等因素显得较为低效和乏力。此外，一些柔性管理措施如加强网络素养教育也被作为应对青少年游戏沉迷问题的有效举措得以全面开展，业界呼吁应构建由学校、媒体监管机构和公益组织牵头的工作联合体，如应将网络素养教育纳入中小学教育课程体系[18]、由媒体监管机构和公益组织实施网络素养教育[19]等等。但是，以上工作的受众或服务对象均是青少年，忽略了家庭结构中亲代的力量。从育人目标的宏观体系来看，教师育人和家庭育人作为教育体系的两翼驱动，教师与家庭必须密切配合，以发挥教育合力[20]。尤其是面对青少年这一生命周期阶段，家庭育人位属育人链条的前端环节，亲代素养水平直接影响家庭教育的成效。通过前文论述可知，现代家庭结构内部的数字代沟的产生并非源于“物理接入路径”问题，而是“素养鸿沟”导致，而素养教育在很大程度上涉及教育层面的问题，并非简单通过物质支持和资金投入就能解决。随着现代社会人们对科学育子教育价值的深入理解，学习型社会及终身教育理念的不断普及和落实，针对家庭教育面临的挑战，亲职教育能促进父母通过系统学习获取和习得称职的亲代角色行为，并引导、帮助子女适应社会与健康成长，这已成为顺应时代发展要求而蓬勃发展的教育思想。但是，由于亲职教育目前尚未列入我国正规教育系统，总体研究与发展缺乏整体规划与彻底推行，如何充分借鉴和参考国外亲职教育的先进经验来推进和提升我国亲职教育工作，消弭家庭系统中数字代沟，促进家庭结构和成员之间的“信息对称”，努力建构移动互联网时代双向互喻的家庭教育模式，为破解青少年游戏沉迷寻得创新路径，是值得探讨和思考的重要问题。三、亲职教育:消弭数字代沟、破解游戏沉迷的创新路径国家层面:优化顶层设计，强化制度保障和政策支撑西方国家亲职教育已有近百年历史，其精华和成熟经验值得借鉴，如美国拥有遍及各州的全方位亲职教育机构，涵盖政府机构、学校、社区、教会和企业等各责任主体，建立了诸如“父母中心”、“教育反应研究所”、“公民教育委员会”、“家校研究所”等专业机构，通过“学生与家长角色交换日”、“社区父母资源中心”、“教育改革运动”等活动品牌和计划有效开展亲职教育[21]，在改善家庭沟通模式，促进家、校、社参与和合作方面发挥了积极作用。可见，政策的科学制定和有效施行，是顺利有效开展亲职教育的制度保障。我国应充分认识到对亲职教育进行顶层设计的重要性和迫切性，应出台相关亲职教育法律法规，通过立法明确各级部门的亲职教育职责，解决主管机构和执行机构不明确的问题;建立相关法律制度，明确规定家长学习权利和义务，尽快把亲职教育纳入国民教育体系，为亲职教育的蓬勃发展提供法律保障。同时严格规范家庭教育指导机构，确立亲职教育实践的地位，严格约束与规范教育指导者的行为，积极拓展亲职教育的可行性方式与创新途径，构建家、校、社联合体教育模式，最大限度凝聚合力，发挥一体化优势，解决目前亲职教育实践中随机性强、传播面有限、内容零散等实践难题。区校层面:科学构建亲职教育课程体系，提速学习资源建设亲职教育培训是促进家长知识更新、实现媒介素养提升的有效手段。我国自2003年发起国内首家专门研究中国亲职教育的“中国家长教育工程”以来，旨在以家庭、学校和社区为基地，以家长教育为突破口，以未成年人教育为切入点，将未成年人思想道德教育与国民素质教育有机结合，为构建更加和谐的社会提供有效举措。随着工作的开展，先后进入全国多地市教育、妇联等部门拓建子工程，初步形成了商业推广模式。未来的亲职教育工作开展过程中，教育管理部门要基于科学家庭教育信息、知识与家长迫切需求的现实，有计划、有阶段制定分层、分类的亲职教育培训方案，为家长提供个性化的教育培训服务;同时，组织不同区域教育机构之间互相观摩、借鉴，不断提升区域资源共享水平和联合教育能力。学校层面，国内各高校、公共图书馆等文化教育主体应广泛开展面向社会公众的亲职教育实践，注重转变亲职教育观念、创新亲职教育方式、更新亲职教育内容。笔者建议学校应有针对性地开设如人才学课程，使家长建立新型人才标准，了解人才成长规律，树立科学人才观、培养观，科学引导孩子健康成长;开设生理学、心理学、教育学课程，了解儿童的身心发展规律和特征，形成科学的教育观，科学引导孩子成长过程;同时还要开设计算机、新媒体相关课程，使家长能够了解孩子网络化数字化生存的特点和规律，不断提升家长媒介素养水平，努力弥合家庭系统内部的数字代沟。个人层面:树立家庭系统思想，增强亲职教育的主体意识、行动意识家庭系统理论认为，家庭是一个系统整体，成员之间的情绪活动既相互联系又彼此影响，家庭系统中的情感过程和家庭模式可在代与代之间长期传递，同时家庭系统中存在维护平衡的动力法则，儿童在成长过程中出现的“问题”，既反映了家庭成员关系中的“问题”，也可能是为维持系统之间某种平衡而产生的[22]。父母的自我分化程度、家庭的三角关系、与原生家庭的深层链接等都可能成为家庭系统中的压力因素。因此，家长在教育过程中应转变观念，应充分认识到亲职教育不仅是保障儿童权利、教育子女的需要，也是成人自我完善、构建幸福和谐家庭的需要。根据家庭系统理论的观点，开展亲职教育其目的不能单纯简化为具体的教育方法和技巧，应强化主体意识和行动意识，回归和置身于完整的家庭系统来重新认识子女的教育问题，挖掘其背后深层次的原因，从亲代自身成长经历反省、疗愈和修复，才可能从根本上实现亲职教育的最终目的。其次，要合理设置家庭系统中亲职教育的内容，分别从觉察和梳理与原生家庭关系、构建积极夫妻亲密关系和开展科学亲子教育三个维度激发核心家庭三角关系动力模式的潜力，必要时适当借鉴家庭系统治疗的相关实用技术，对个体、家庭、小组、团体等开展多层次、多维度的亲子教育培训活动，以期在提升亲代媒介素养、改善亲职督导方式、构建和谐亲子关系、重塑家庭系统沟通模式中发挥应有作用。四、结语在移动互联网时代，移动游戏已超出纯粹技术工具论的范畴，除具备实现大众传播的消费和娱乐功能外，其本身承载的同侪认同、团队合作、文化传承等文化功能不可小觑，已逐渐发展成为消融生产、消费和传播之间界限的参与性媒介。诚然，我们反对的不是“游戏”，而是坚决反对任何形式的“沉溺”，如何破解青少年游戏沉迷问题，需要社会、学校、家庭、企业同频共振、联动发力。面对移动互联网时代家庭系统内部的信息不对称导致的数字代沟问题，亲职教育作为促进代际理解、畅通代际关系、消弭数字代沟、建构代际文化空间的渠道和桥梁，可作为破解青少年群体游戏沉迷问题的创新路径。此外，移动游戏成功营销的互联网用户创新思维，将品牌塑造与培养用户情感融合融通，对建立代际优质沟通模式、构建家校师生共同体等教育理念变革提供了思维源泉和智慧借鉴。同时，互联网企业要牢牢把握移动游戏产品的意识形态和文化价值属性，坚持数字产品是文化产品的核心定位，坚守价值的共识排序，在技术层面源头设限，提升游戏防沉迷水平和游戏的教育文化功能，共同助力实现社会、企业、家庭真正的“王者荣耀”。参考文献:[1]马中红，陈霖.无法忽视的另一种力量[M].北京:清华大学出版社，2015.[2]才源源，崔丽娟，李昕.青少年网络游戏行为的心理需求研究[J].心理科学，2007(1):169-172.[3]乔乐林.网络游戏的功能价值及在青少年思想政治教育中的借鉴[J].中国电化教育，2015(4):127-131.[4]张垒.游戏嵌入信息素养教育机制研究[J].图书馆学研究，2013(19):10-13.[5]宋雪飞.开发利用网络游戏促进青少年思想政治教育[J].中国青年研究，2006(6):16-18.[6]Akerlof.The Market for“Lemons”:Quality Uncertainty and the Market Mechanism[J].Quarterly Journal of Economics，1970，84(3):488-500.[7]张君安，汪开海.论新闻传播中的信息不对称—曹墓考古引发的众声喧哗的启示[J].新闻前哨，2010(4):28-30.[8]姜宛彤，王翠萍，张艳婷.后喻文化视域下师生代际数字鸿沟弥合策略研究[J].开放教育研究，2016，22(1):66-71.[9]石映辉，韦怡彤，杨浩.教师数字鸿沟的发展与弥合—基于从信息鸿沟到素养鸿沟的视角[J].现代教育技术，2018，28(3):59-65.[10]尼葛洛庞帝，胡泳，范海燕.数字化生存[M].海口:海南出版社，1997:15-16.[11]林枫，周裕琼，李博.同一个家庭不同的微信:大学生VS父母的数字代沟研究[J].新闻大学，2017(3):99-106.[12]周裕琼.数字代沟与文化反哺:对家庭内“静悄悄的革命”的量化考察[J].现代传播(中国传媒大学学报)，2014，36(2):117-123.[13]张海波.数字时代我们怎样和“00后”一起成长[J].中华家教，2016(3):56-57.[14]李一陵.防止未成年人沉迷游戏不能光靠腾讯“三板斧”[N].中国青年报，2017-07-04.[15]周晓虹.文化反哺与媒介影响的代际差异[J].江苏行政学院学报，2016(2):63-70.[16]刘长城.网络时代的后喻文化特征与亲子互动方式的转变[C].中国青少年发展论坛暨中国青少年研究会，2010.[17]刘长城.网络时代青少年社会化模式的转变[J].当代教育科学，2007(21):55-57.[18]15名政协委员联名提案把网络素养纳入义务教育[EB/OL].https://www.aliyun.com/zixun/content/2_6_394971.html，2014-12-16.[19]王国珍.青少年的网瘾问题与网络素养教育[J].现代传播(中国传媒大学学报)，2015，37(2):143-147.[20]薛二勇，刘爱玲.习近平教育思想:中国教育改革的旗帜与方向[J].中国教育学刊，2017(5):9-16.[21]冯丹.中美两国亲职教育实践的差异性探析[D].曲阜师范大学，2013.[22]欧阳洁.家庭系统理论对当前亲职教育的启发与思考[J].长江论坛，2015(5):69-71.本文转载自微信公众号“中国青年研究”，作者胡玉宁。文章为作者独立观点，不代表芥末堆立场，转载请联系原作者。

内容提要：智慧教育是支撑智慧城市体系不可或缺的重要力量，但发展过程中遭遇演绎逻辑、使用形式和发展阶段的质疑，并经历了形态上的不断演变、充实、丰富和完善。当前智慧教育的发展更加集中地指向了育人的问题，即在教育变革发生的过程中培养什么样人的问题。从目前研究的实际和未来发展趋势来看，核心素养正在尝试对培养什么样的人的问题进行回答，也是对构建什么样育人形态的一种积极反思和探索。因此，将核心素养作为智慧教育体系的基点和核心是合适的，是具有适度前瞻性的。从核心素养的视角来看，智慧教育是指发展学生核心素养过程中形成的教育形态。核心素养贯穿于智慧教育的三层内核体系，即课程走活、教师走网和学生走学；大数据与厚数据、云计算与非云计算、物联网与智联网等技术融通塑造了智慧教育的支撑体系。只有将内核体系和支撑体系相互融合起来，才能发挥智慧教育体系的最佳效力。关 键 词：智慧教育/核心素养/融合创新/内核体系/支撑体系/ System作者简介：赵兴龙，博士，副研究员，中央电化教育馆(北京 100031)。标题注释：北京市教育科学“十三五”规划2016年度优先关注课题“国家‘互联网+’战略下的教育服务供给模式研究”(CEGA16031)。一、智慧教育实践的三大质疑在过去的几年中，智慧教育和智慧交通、智慧医疗等成为了支撑智慧城市体系不可或缺的重要力量。然而，智慧教育虽然在信息技术与教育融合创新推进方面做出了“引领”的贡献，但在实践中却遭遇了质疑，概括起来主要包括三个方面：1.质疑演绎逻辑从智慧的中文本义上来讲，“智”和“慧”是相通的，都有“聪明”的意思。但是随着社会的发展和汉字的演化，“智”这个字可以用于人，也可以用于物，比如说智能。“慧”这个字几乎都用于人，很少用于物。因此逐渐形成了一种“汇人之慧，赋物以智”的说法。从研究领域上来看，智慧城市包含智慧教育，因为城市的发展离不开教育的发展。但是，从研究对象上看，智慧城市的对象主要是物，而智慧教育的对象是人。如果按照和智慧城市相同的概念演绎逻辑，智慧教育就会将“赋物以智”作为主要的研究方向，而忽视“汇人之慧”，这显然是有失偏颇的。对智慧教育演绎逻辑的质疑，本质上反映了对智慧教育到底是“培养人”还是“增强物”这个问题的深度思考。智慧教育究竟要在哪个层面上为智慧城市做出独有的贡献，需要进一步理清。2.质疑使用形式有学者对"Smart""Intelligent""Wisdom"三个词语的英文应用语境进行了辨析(祝智庭&贺斌，2012；黄荣怀，2014；刘晓琳&黄荣怀，2016；祝智庭，2016；陈琳等，2016)，认为前两者可以理解为人或系统的一种状态，也可以理解为一种技术手段，而"Wisdom"是人所具备的一种能力结果。智慧教育概念一直以来都受到智慧地球概念的影响。智慧地球使用的是Smarter Planet，其实包含工具化、相互联系和智能化三个方面，蕴含传感器可以被嵌入整个生态中，系统和对象之间可以彼此对话交流，系统、架构和流程更加高效等发展愿景(Palmisano，2008)。智慧地球概念的提出，与技术发展趋势密不可分。通过概念沿袭的智慧教育翻译也大多使用Smarter Ecation，而中文语境中Smarter为“更加机智”“更加灵巧”。从中文和英文语境相互通达方面来说，智慧教育翻译为Smarter Ecation，是不太全面的。对智慧教育使用形式的质疑，本质上反映了对智慧教育价值取向的深度思考。价值取向反映总信念，影响人们的态度和行为。智慧教育在技术化和标准化经验的基础上，如何在提升教育发展能力上做出独有的贡献，需要进一步探索。3.质疑发展阶段与智慧教育相对应的概念应该是非智慧教育(甚至有人称之为“傻瓜教育”)。对于数字教育而言，即使是传统的，也存在着智慧教育的身影。而与数字教育相对应的概念应该是非数字教育。智慧教育离不开数字教育的身影。从这个角度上说，将智慧教育界说为数字教育的高级形式有待商榷。对智慧教育发展阶段的质疑，本质上反映了对智慧教育实施方式的深度思考。实施方式是激发执行力的关键牵引力，是目标与策略一致性和有效性的重要保证。智慧教育是沿袭数字教育(准确地说是数字学习)的路径，还是选择新型的服务型供给路径，在提升教育质量上做出独有的贡献，需要进一步反思。二、智慧教育的发展演变1.智慧教育的工具形态从20世纪普莱西发明以自动测试和记分为主的教学机器，到斯金纳推行以解决教学问题为主的程序教学，再到后来各种各样的教学机器陆续被使用，技术作为工具应用于教育教学，形成了行为主义学习理论以及标准化教学的基本模式。在当时的社会和经济发展环境下，及时反馈、低错误率等对提高学生的学习效率具有非常重要的作用；而基于标准的学习无疑对学生人数快速增加具有重要的作用。效率提升和人数增加是当时社会和经济发展呼唤教育所做出的一种智慧选择，是一种智慧教育的样式，因为适应了工业化时代人才培养与输出的基本要求。只不过，从历史的角度来看，当时引发智慧教育的生产力还较为朴素，尚停留在工具的发展和教学效率的提升等方面，因此可以称之为智慧教育的工具形态，其对应的内涵是效率至上。2.智慧教育的环境形态21世纪以来，随着互联网和信息技术的飞速发展，人们不再仅仅关注问题解决的工具和效率，而是把注意力转移到教育、技术和人三者的关系上(余胜泉&赵兴龙，2009)。关系论的出现使得智慧教育的发展出现了转机，人们希望更多地了解技术促进人类认知的基本原理和机制，探索真正意义上的学习是如何发生的。虽然以加涅为代表的学者对学习发生的内部条件和外部条件按照信息加工的程序和方式进行了研究，但是限于当时的历史条件和研究基础，直接迁移到互联网和信息技术飞速发展的今天，显然还存在解释力相对不足的问题。西门斯的联通主义对学习观的解释为第二代智慧教育奠定了心理学基础，也为教育教学实践应用提供了更有说服力的理论依据。学习不应只关注内容本身，学习者所在的人际关系网络和知识关系网络同样是促发学习的重要源泉(Siemens，2005；王志军&陈丽，2015)，而由技术工具及其相互嵌入叠加构建的富媒体环境，可以毫无遗漏地捕捉人的行为并转化为信息和数据。每个学生的行为数据、联通环境中的物理参数(湿度、温度、光照、噪声等)以及学习过程中产生的特定生成性信息和数据都被智能地记录下来，以供分析、诊断和共享。联通观和环境生态是此时社会和经济发展呼唤教育所做出的一种智慧选择，是一种智慧教育的样式，其适应了信息化时代人才培养与输出的基本要求。但从历史角度看，引发智慧教育的生产力虽然相较第一代智慧教育有了非常大的进步，但总体而言还较为机械，还是通过技术的进步和改变人类的特定行为来体现。我们虽然可以借助技术对环境发生的变化进行智能应对，但是对于学习者的个性成长和发展本身而言，在更深层次的认识和促进上，还是略显不足。智慧教育主要还是强调技术的激励性和可达性，而不是人的可塑性与发展性。因此这一阶段可以称之为智慧教育的环境形态，对应的内涵是环境构建。3.智慧教育的育人形态如今，移动互联网、大数据、云计算等新技术日新月异，号称万物互联的5G技术的技术原型已经建立，各种新型的教育APP、移动终端、分析诊断软件、智能化管理工具、网络社交应用在课堂教学和校园管理中层出不穷。技术应用于教育教学的焦点已经不再是用或不用的问题，而是如何平衡技术和教育之间的关系。技术的快速发展和人们所持有的标准化教育观念以及评价体系之间不断发生着调和与分化，这个过程本质上是变革的过程，引发这种变革的根本原因是人们对育人形态的重视。美国AECT在佛罗里达州举办的2017年年会的主题是“为了变革而引导学习”(AECT，2017)。变革是这次会议的显著特征，也体现出整个教育技术领域对目前变革实践的关注和推进。2015年召开的全国教育哲学学术委员会高峰论坛从教育哲学的高度对儿童的率性成长给予了高度关注，认为率性教育就是保护天性(即要保护儿童愿意探究、愿意想象、好问好动的天性)、尊重个性(即要尊重差异)、培养社会性(即增强创造激情和社会责任感)的教育(周霖&王澍，2015；于伟，2015)。率性教育与智慧教育虽属不同研究领域，但在本质上，都是将教育指向育人的形态。变革观和育人生态是未来社会和经济发展呼唤教育所做出的一种智慧选择，是一种智慧教育的样式，因为这种教育适应了未来个性化时代人才培养与输出的基本要求。智慧教育需要的不仅仅是技术，还包含社会、经济、人文、环境等各个层面的要素；智慧教育不仅关注效率和联通，而且更加关注人的个性化发展。把人的发展放在首位，用尊重人的发展的观念去统筹教育体系的架构，是一种更为长远、更为深度、更为符合人类未来发展的教育观。因此这一阶段可以称之为智慧教育的育人形态，其对应的内涵是培养什么样的人。三、核心素养对智慧教育的贡献从上面的论述中可以发现，智慧教育的形态经历不断地演变、充实、丰富和完善，如今更加集中地指向了育人的问题，即在教育变革发生的过程中，对培养什么样人的问题前所未有地重视。从目前研究的实际和未来发展趋势来看，核心素养正在尝试对培养什么样的人的问题进行回答，也是对构建什么样育人形态的一种积极反思和探索。将核心素养作为智慧教育体系的基点和核心是合适的，是具有适度前瞻性的。这是因为将教育的本真回归到了学生健康成长和个性发展的轨迹上，对学生一生的成长和发展具有基础性作用(谢维和，2016)。1.核心素养促使智慧教育的人才诉求更加聚焦(1)国家核心素养框架：国家如何培养人才无论是新近的美国学生21世纪能力模型、欧盟核心素养框架、OECD核心素养概念参照框架，还是以往联合国教科文组织的四大支柱，都是以核心素养为核心，从国家或地区发展战略层面讨论究竟需要培养什么样的人的问题。我国2014年提出组织研究核心素养体系，明确学生应具备适应终身发展和社会发展需要的必备品格和关键能力，突出强调个人修养、社会关爱、家国情怀，更加注重自主发展、合作参与、创新实践(教育部，2014)。2016年9月，《中国学生发展核心素养》框架正式发布，提出三个方面、六大素养和十八个基本要点(一帆，2016)。北京师范大学中国教育创新研究院2016年发布《面向未来：21世纪核心素养教育的全球经验》报告，从动力因素、主要内容、实践案例和支持体系四大方面，对21世纪未来公民应该具备的核心素养进行详细阐述(黄金鲁克，2016)。辛涛等(2013)认为，世界上各大组织提出的核心素养框架，大体上都可以分为人与工具、人与自己、人与社会三个范畴，突出面向学生的未来发展，反映社会经济和时代的新要求，重视学科课程的核心素养，重视本国的历史文化特色。国家的核心素养框架，反映了国家对人才培养的迫切需求，这促使智慧教育需要从宏观层面考虑人的培养问题。(2)家庭核心素养实践：家长如何教育子女家庭是社会的基本细胞，家庭教育是承担培养符合国家或地区所需人才的重要场所，也是“童蒙养正”的主要阵地。如何教育好自己的子女，对于不同文化领域中的家长而言都是需要亲身实践探索的重大课题。近年来被美国媒体热炒的教育理念“坚毅”(Grit)，体现出了美国家长对子女教育的一种深刻反思。他们对坚毅的讨论，实际上是重新认识孩子性格培养的重要性。无独有偶，近来倍受中国家长喜爱的一套名为《正面管教》的畅销书，里面提出了正面管教的多项原则(简·尼尔森，2009)。该书的作者从认知神经学的角度告诉家长，如果一味地让孩子追求快，孩子很有可能在大脑中建立一种低效率的回路，这种回路只能完成简单的工作，对孩子的成长和发展未必有好处。受到工业时代班级授课制的影响，家长很自然地把学校正式教育作为培养子女的主要手段(黄荣怀等，2017)，认为学习主要发生在学校中，离开了学校的学习，其结果是不被认同的。实际上，不管是正式教育，还是非正式教育，当孩子被置于全程和全方位的泛在育人氛围中时，其兴趣、毅力、爱好、创造性被充分认识并尊重时，孩子反馈给家长的不仅仅是学业成绩，还包括一种积极向上的健康心态、一种活泼可爱的关系融通和对未来的一种探索和渴求，这显然是每一个家长都为之高兴的事情。家庭的核心素养实践，反映了家庭对培养子女的迫切需求，这促使智慧教育需要从中观层面考虑人的培养问题。(3)个体的核心素养内化：个体如何造就自己如果把社会和家庭的影响作为外因，那么个体本身所具备的核心素养就是内因，是个体造就自己的关键力量。李祖超等(2015)通过对25位国家最高科学技术奖获得者非智力因素分析后发现，强烈的动机、广泛而集中的兴趣爱好、顽强的意志、积极的情感以及良好而独特的性格等非智力因素是他们健康成长和在科学研究中取得重大突破以致最终获奖的最重要因素。张景焕等(2007)通过对30名来自物理、化学、数学、地学和生命科学领域的具有创造成就的科学家关于创造的概念结构的研究后发现，取得科学创造成就的重要特征是“成就取向”和“主动进取”。从这两个对高端创新人才的研究结果来看，个体造就自己良好的未来，都必须要把握自己成长和发展过程中反映“非智”的方面。这种“非智”的不断沉淀和内化，对个体的成功乃至成就具有非常重要的影响。个人的核心素养内化，反映了个体对培养自己的迫切需求，这促使智慧教育需要从微观层面考虑人的培养问题。核心素养促使智慧教育从宏观、中观和微观层面考虑人的培养问题，核心素养的提出使得智慧教育的指向更加集中和明晰。需要指出的是，我们这里并不贬低智力因素或知识的作用，而是说“唯智力论”或者说是“唯知识论”的观点应该逐渐改变。基于核心素养去理解与认知智慧教育，在这个时代背景下愈发显得迫切。2.核心素养促使智慧教育的价值取向逐渐转型宾夕法尼亚大学积极心理学中心的Angela L.Duckworth和Martin E.P.Seligman(2005)研究发现，在预示青少年学业成就时，自律胜过智商，而自律乃是属于核心素养的讨论范畴。从大量的案例中可以看出，在讨论孩子健康成长和发展以及未来是否能够取得成就这个问题上，认知和知识方面的因素一般不会被先行提及，反而是兴趣、好奇、坚毅等与核心素养相关的内容常常被置于重要位置。在传统认知观念中，认知和知识水平是衡量能否成为人才的唯一标准。然而，随着互联网技术的不断成熟和发展，移动互联技术、人工智能技术、大数据、物联网等技术，从深层次上改变了学习者获取知识、应用知识和内化知识的方式，知识可以通过“读网”的方式快速获得，学习知识的效率和效果会比以往任何时候都要更好一些。兴趣、爱好等这些反映核心素养、能够陪伴孩子一生的东西，却不一定能够一直保持下去，不一定能被持续固化和激发。这种不同的理念实际上代表了不同的教育取向(谢维和，2016)。总体而言，智慧教育从追求标准化分数逐渐转变为关注创新型人才，这种价值取向的转变，对推动当前我们国家教育改革与发展具有非常重要的意义。3.核心素养促使智慧教育的实施方式不断反思我们认为，核心素养是需要优先保护的，而不是开发殆尽的。优先保护核心素养，重点放在如何发展上。以往的逻辑是开发核心素养，把核心素养作为一种资源，按照学习知识的逻辑学习核心素养，用开发资源的方法开发核心素养。基于这种理念实施智慧教育需要反思。核心素养不是学习和开发得来的，而是一种浸润和习得，是需要保护的(张雯，2016)。单纯从某个学段进行核心素养的保护不太现实，因为随着学段的不断升高，教育者们分不清到底是哪个学段缺失，哪个学段需要保护，往往是被动地进行补救，这虽然能够起到一定的作用，但是对于学生的健康成长和发展却效率低下。核心素养需要从全学段贯通式地进行保护。保护核心素养，绝不是轻视学生知识的学习，把学生推向混乱学习的边缘，而是通过保护核心素养，充分调动学生在学习过程中的潜力，让学生的学习更具有边界穿透力，使学生在面对知识困难、人生挫折的时候，能够激发自身核心素养的“基因”，帮助他们端正心态，克服困难，助力健康完整的人生历程。四、智慧教育的内核体系智慧教育是一个宽泛且较为抽象的概念，如果不进行相应的界定，很难对某种状态或形式做出合理解释。究竟什么是智慧的，什么不是智慧的，很难在短时间内有一个合适、合理而严谨的判断标准。不同的时代、不同的国家、不同的组织、不同的境遇甚至不同的学校、教师、家长和学生个体对智慧的理解和要求都是不一样的。如何重构这个概念的通用涵义值得思考。综合众多学者对智慧教育的认识，以及智慧教育的形态演变，我们认为，当下的智慧教育是指发展学生核心素养过程中形成的教育形态。智慧教育不是直接灌输给学生智慧，而是在促进学生发展核心素养过程中逐渐积累智慧；智慧教育不是辨别、跟踪某种学习模式或教学方式的有效性，而是为学生的未来生活和发展做准备；智慧教育不是在搭建好的某种智慧环境中自动生成的，而是主要看学生在该环境中是如何通过内化而逐渐把个体需求和社会需求结合起来，迎接未来的挑战。基于上述论述，我们给出了智慧教育的内核体系，包括“课程走活”“教师走网”和“学生走学”。1.课程走活钟启泉认为“课程”不仅仅是“公共的知识”和“预设的计划”，而且是“学习经验的历程”，即存在于每一个学习者个人生活之中的学习经验的总体(鲍成中，2014)。钟教授的这个观点，打破了以往认为课程是“内容+表现”的传统认知，在课程的定义中就将学生和学习考虑进去，形成一种新的、面向未来和学生的课程观，具有广泛的代表性和深刻的影响力。这里渗透的另外一个核心理念是“让课程读懂学生”。以往课程的重要特点是让学生去学习课程，课程编制者的选材、理念、编排无疑对学习者的学习具有一定的导向作用。某种意义上说，学习者一半是在学习课程，一半是在领悟课程编制者的意图。“让课程读懂学生”就是在课程形成过程中就能关注并伴随学生的成长，包含学生的经历，为每一个学生的健康成长和发展而形成，清清楚楚地了解学生的实际需求。“课程走活”包括三个方面的内容：一是课程自主权回归学校。固定学时总量，学时总量按照周学时、年级学时进行相应的规定，而把课程如何安排的自主权交给学校。学校可以按照不同的学科、课型灵活地实施课程，可以针对每个年级的特点实行弹性设计，既提高学校课程设置的主动性，也是为按照学生的实际需求和规律来开发课程，这样反而能为弹性课程生成新的课程留下足够的空间，让学生获得新的体验，并把新的体验带回到课程中，丰富课程内容和体系，真正把创新课程结构的作用体现出来。二是学校课程与社会化课程有机融合。校内课程体系和校外课程体系是互动、有机联系的，相互之间有能量流动。校内课程体系是依据课程标准进行设计和实施的。这种课程体系的特点是普惠性，即考虑学生整体的状况和水平。校外课程体系是课标之外的，以培养孩子的创新精神和实践能力为主要指向。两个体系课程更为深层次的含义是：校内课程体系的主要作用是打基础，校外课程体系的主要作用是做拓展，基础为拓展服务，拓展反过来更好地巩固基础。而两种课程体系的叠加，就是需要把学生核心素养的潜质激发出来，真正地把学生已有的兴趣、态度、情感、价值观固化下来，激发出来，服务学生的健康成长与发展，促进个性化发展。构建校内和校外两种课程体系，把课程的选择权真正交还给学生，让学生根据自己的兴趣、爱好、心理特征和认知特点选择适合自己的课程，这是两种体系课程融合的根本出发点。近两年逐渐流行起来的场馆学习为这种课程体系的逐步完善提供了社会条件。场馆学习，从根本上说，不是让学生放弃课堂教学，而是将课堂教学和社会课堂结合起来，形成一个有助于学生未来发展和成长的课程生态，把学生核心素养的增强真正体现在社会化的课程资源服务中(赵兴龙，2017)。不过，目前研究中碰到的困难是，学校与社会机构之间的边界打通尚有难度，学生在场馆中的学习记录和学习结果不能科学、有效、及时地反映到课堂教学中，教师尚未做到通过考量综合表现引导学生的发展。三是课程建设的统筹协调，形成整体育人的氛围和环境。课程走活的本质是统筹育人。这里的统筹，主要包括三层意思：①统筹各个学科；②统筹不同建设主体；③统筹不同的课程形态。课程的建设者不仅仅是教师本人，学生、家长、社会力量都应该成为课程建设的主体，担负着课程建设的不同职责。不同学科之间应该逐渐形成跨学科的整合，真正把学生的表现、能力和思考展示出来，大小课程、长短课程应该很好地嵌入到整体课程设置中，更好地把育人的价值体现出来，突出学生是现实生活中“完整的人”。课程在设置观念上应该统筹学生、学科和社会三方面的发展要求，寻求三者最佳的契合点，确保课程的实践应用价值，满足社会及个人发展的需求(钟启泉，2016)。2.教师走网“教师走网”是指以学生个性化实际需求为导向，在移动互联网、大数据、云计算等先进技术的支持下，教师(或通过资格审核的社会人士)通过精细化诊断、答疑、辅导等方式在线贡献智力资源，从而帮助学生成功获得精准服务的一种独特的教师流动形式(赵兴龙&李奕，2016)。教师走网需要解决三个关键问题：一是教师在线服务折算模型；二是教师在线服务身份流转机制；三是教师在线服务精细化分类。关于“教师走网”的具体步骤和策略体系已在作者其他文章中论述，这里不再赘述。3.学生走学“学生走学”是为了满足不同学生群体在健康成长和发展中的不同需求，努力实现个性化学习。这种需求包括学习态度、学习行为、心理发展等多个方面，是全方位的，甚至还包括家长对孩子成长和发展的期待。在现有学校条件和班级安排情况下，“学生走学”可以分为三个层次：一是走班。“走班”的典型特点是每个学生手中都有一张课表，每个班级门前都有一个电子班牌，每个学生可以按照自己不同的知识需求和兴趣爱好，选择自己喜欢的课程进行学习。二是走校。区域中学校和学校之间的发展是有差异的，不同差异的学校之间无论在学校文化特色还是教学实践方面往往是互补的。一个学校的学生借助区域共享到另外一个学校去上课或参加活动，其实是把本校的文化氛围、知识逻辑、实践思维等带到了另外一所学校，两所学校之间通过共享形成了一种对学生进行知识教育和思想教育的通达空间。学生可以在这个空间认识新的朋友、形成新的思想、开拓新的视野，和其他学校的学生一起进行协作探究。这对于学生的成长和发展是非常有益的。三是走学。“走学”是第三个层次，是把泛在学习和育人全过程之间的边界打通，无论是在图书馆、博物馆、体育馆、科研院所、实验室、高精尖中心还是在学生所在的其他场所，学习都有可能发生。学生真正在泛在的学习环境中获取知识，汲取新的思想，把自己所学习的知识与动手实践、新事物探究结合起来，这对发展学生的核心素养具有重要意义。比如研学旅行、开放性科学实践活动等，都是学生走学的典型案例。其实，我们在研究中也逐步观察到，如果把学生拘束得非常紧，每天都“埋头”在同一种氛围中，效果和效率不太好；如果让学生主动找到某种可以获取知识和思想的环境，学生的创造能力和创造思维反而能得到很好地激发。“学生走学”还折射出了另外一种理念，即精准学习。精准的思想从医疗跨越到教育，其本质上是相通的。在学生的思想和知识体系中，需求是多元化的，很难说某种固定的知识框架或实践框架能够满足他们的需求。学生哪些地方有缺失，最清楚的是他们自己，但是同时需要能够给他们提供精准的诊断，通过技术提供的精准诊断和他们自己对自己的认知相结合，需求才能最终被确定下来。精准学习和以往机器学习的最大不同在于，精准学习是通过大数据挖掘和个体经验的累积，使提供给学习者的教育服务和学习者自己已形成的消费习惯相一致，让学习者集中精力解决成长和发展中的短板问题，使之更能发挥出长项和优势，并加以长期巩固和应用，最终服务于自我发展。而以往的学习是通过不断地重复练习和作业，让学习者针对错误进行反复纠正练习，而没有顾及学习者本身的学习体验和情感氛围，最终导致学习者忽视了自己应有的长项和优势，反而倾向于急功近利地拉平自己每一个学科、每一个学段的学业成绩。这个过程中恰恰忽视了能够引导自己逐步走向幸福人生的重要内容——核心素养。五、智慧教育的支撑体系核心素养贯穿于智慧教育的内核体系，技术融通塑造了智慧教育的支撑体系。只有将内核体系和支撑体系相互融合起来，才能发挥智慧教育体系的最佳效力。1.大数据与厚数据相结合的体系目前对大数据的认知，主要有四个方面：一是大数据的定义及其特征；二是大数据的分类；三是大数据所特有的功能；四是大数据的规模化应用。这些认知，对于大数据更好地促进社会经济改革和发展具有重要的作用。但是，教育领域中的大数据却和社会经济领域的大数据有着本质的不同。基于核心素养的智慧教育，更加注重数据应用的情景化和学生个性化成长与发展的增值，而这也恰恰是厚数据发挥效用的最佳渠道。所谓的厚数据，是和大数据相对而言的，指在某个特定教育情景中用于反映学生全面发展的质性数据，包括学生的兴趣、爱好等，媒介载体包括文本、视频、故事、图片等，重在揭示学生成长过程中的情感、态度、某种经历甚至对某种活动的意义等。大数据关注的是全体数据，厚数据关注的是情景化的个体数据；大数据关注的是混杂性，厚数据关注的是精准性；大数据关注的是相关关系，厚数据关注的是个体在教育教学过程中的某种状态。大数据强调的是整体的方向性，但是就如一些学者描述的那样，大数据的整体取样会涉及诸多的风险，在实际的取样过程中，我们很难取到反映某个真实问题的总体样本。样本不全，就有可能对某个问题的认识不全面、不完善，带来很多的问题，所以大数据的深度是需要教育领域应用过程中重点考虑的。同样，对于厚数据而言，取样小，操作方便，容易出结论，但是结论往往反映的是特定教育情景中的特定问题，属于个案特例，出了那个情景或换个情景，这个结论未必就能适用。这样会给一些结论和结果的推广造成一定的影响。所以厚数据的宽度也是教育领域应用过程中需要重点考虑的。其实，基于核心素养的智慧教育，需要把深度和宽度结合起来，把大数据和厚数据结合起来，形成一个以学生为中心的数据支撑体系。这样对学生的健康成长和发展才是有益的。2.云计算与非云计算相结合的体系云计算在教育中的应用，最为突出的特点是集约化、个性化和一体化，这也是一种应用共识。我们也应该理性地认识到，当学习者在云计算环境中工作、生活和学习的时候，使用的功能还较为局限，大部分是云搜索和云存储功能，这当然是云计算的优势。学习者在积累知识和资源的过程中，可以把认知分布到云计算环境中。学习者作为分布式认知的核心，云计算环境作为参与认知的单元，这种路径对于学习者而言是可控的，是否分布以及如何分布是由学习者决定的。但是，学习者在应用知识和资源的过程中，需要把分布到云计算环境中的认知提取出来，形成解决特定情境问题的方式。学习者作为分布式认知的核心没有改变，但是云计算环境此时不仅仅是参与认知的单元，更是提供反馈的动力源，这种路径对于学习者而言不一定是可控的，是否反馈以及如何反馈是由云计算环境决定的。当云计算环境能够感知到学习者需求的时候，反馈可能就精准有效；当云计算环境不能及时感知到学习者需求的时候，甚至当这种反馈回路由于其他原因被中断的时候，反馈可能就迟缓或者会失去反馈能力。比如很多老师前一天晚上在系统中准备的讲稿和相关上课内容，第二天在上课前一分钟由于网络峰值或停电，不能使用。网络瘫痪导致的资源不能使用，并不意味着教师可以不上这一节课，课还需要照上不误，但确实影响了教学进程，这就是一种反馈中断的极端表现。非云计算，虽然在云计算前面加上一个“非”字，是一种较为泛化的称谓，但是代表了一种理念：即当学习者利用技术改进教学实践，应该从技术实践中学习，提升自己的水平，让技术实践成为自己成长和发展的重要支撑力量，把上述两种路径有效地结合起来，而不是抱有侥幸心理完全依赖技术，而失去了对教育教学的把握，失去了对学生需求的分析，这是我们不愿意看到的。所以，云计算和非云计算的结合体系，是一种对个体/群体成长和发展的保护和增强，是从育人的角度更好地架构平台系统的理性考虑，是促进分布式认知个体和环境之间知识相互流通的重要方式。3.物联网与智联网相结合的体系美国总统行政办公室、美国国家科技委员会和技术委员会在近期所发的《为人工智能的未来做好准备》中，建议要确定人工智能及其他技术是否能够显著提高学生的学习成绩(Executive Office of the President et al.，2016)。我们对于物联网的研究也在致力于如何给学生带来一个可感知、可监控的物理学习环境。我们认为，物联网和智联网需要结合在一起，共同为学生健康成长和发展服务。物联网用于提供学生问题解决的支撑条件，智联网(包括人工智能技术、VR/AR技术)的应用是让学生通过群体智慧解决问题。在问题解决中，个体不但解决了知识问题，同时也收获了解决这个问题的特定认知结构和社会关系网络(赵兴龙，2013；2014)。通过人工智能的增强，这种特定认知结构和社会关系网络将会更加庞大和准确，给学习者提供一种可以自由选择的智慧。即可以用自己的智慧，也可以借助别人的智慧，生成更多的智慧，这是学生核心素养形成和得以持续巩固的一种重要手段。所以，美国OET办公室发布的《为未来而准备的学习——重塑技术在教育中的作用》(OET，2016)报告中，并没有直接提到技术和学业成就之间的关系，而是从实现参与度、学习体验、帮助组织学习、展示能力、帮助学习者追求热情和个人兴趣、获得变革学习机会等方面阐述技术的作用。这对促进学生核心素养的提升以及问题解决能力等有着非常强的指导意义。六、智慧教育体系提出的重大意义从核心素养的视角来看，智慧教育是指发展学生核心素养过程中形成的教育形态。发展核心素养的智慧教育，就不应该仅仅在“增强物”这个层面上停留。智慧教育应该更加注重在培养人才方面为智慧城市做出贡献。发展核心素养的智慧教育，就不应该在技术化和标准化经验上停留。智慧教育翻译为Wisdom in Ecation比其他的翻译方法更能在提升教育发展能力上体现出育人特色和价值取向。发展核心素养的智慧教育，就不应该在传统的发展路径上停留。智慧教育应该在提升教育质量上体现出独特的服务型供给路径。与智慧教育相对应的应该是非智慧教育，而不是数字教育，更不是传统教育。数字教育和传统教育的过程中，也是存在智慧教育的，而且痕迹还非常明显。我们不能因为移植了新的教育形态，就将其他教育形态与智慧教育形态对立起来。智慧教育并不是数字教育的高级形态。二者不是一个范畴的教育形态，研究领域并不相同，又哪里来的形态上的更替呢?当然，这里有一个问题需要说明：既然智慧教育是指发展学生核心素养过程中形成的教育形态，学生核心素养是一个层面的核心素养，教师核心素养也是一个层面的核心素养，发展学生核心素养的教育形态是智慧教育，那么发展教师核心素养的教育形态就不是智慧教育了么?如果继续出现校长核心素养或其他层面的核心素养的话，那么智慧教育的界定还有什么意义呢?我们认为，学生核心素养是其他层面核心素养的核心，也是制订其他层面核心素养的依据和原则。其他层面的核心素养不是各自为阵，而是围绕学生核心素养这个“圆心”进行规划和构筑，最终的成果都要体现在发展学生核心素养上。智慧教育以学生核心素养进行教育形态的讨论，同时也肯定其他层面上核心素养的贡献，只是抓住了核心本质问题进行界说。总之，我们将智慧教育和非智慧教育以及其他教育形态进行区别，并提出智慧教育内核体系的重要意义在于：第一，关注实际获得。学生获得感是自身基于需求的一种认识与体验，感知可用、实际可得和期望确认是其鲜明的三个特点(李奕，2016)。其他的教育形态注重实际发生，即为学生的成长与发展提供了学习资源、认知工具、技术支持服务等。这种实际发生的评价导向在于是否提供，只关注“感知可用”。智慧教育注重实际获得，即既关注教育系统为学生的成长与发展提供了什么，又关注学生本身获得了什么，获得了多少。即在学生感知可用的基础上，更加关注学生的实际可得以及期望确认，让学生对教育资源与服务的认识与体验完全以基于自身需求的满足为判断标准。第二，尊重个性化发展。其他教育形态认为的个性化发展是在已经设定好的考试框架中让学生按照已有的学习路径和轨迹成长。学生成长到哪个时间节点，就会呈现出某种适应考试的能力和特征。如果这种能力特征达不到或不显著，就需要再次学习，最终完成设定框架体系内的考核要求。而智慧教育中的个性化发展对学生健康成长和发展不设定框架，赋予学生更多的选择权和自主权。学生可以自由选择考试科目、考试内容、学科内容、学习进度，课外时间可以根据自己的兴趣爱好发展自己的特长。支持学生走出教室，走进社会，把学生、教师都从分数的海洋中解放出来。在学习过程中，把学生的兴趣、质疑、探究的精神等保护起来，让学生真正认知自己，把自己的擅长和特点挖掘出来，在核心素养的伴随中去丰富学习历程，扩展社会经验。第三，有尊严地学习。2015年11月联合国教科文组织发布的一份新的研究报吿《反思教育：向“全球共同利益”的理念转变》指出，教育要尊重生命、尊重公正、平等，使人们过上有尊严和幸福的生活(顾明远，2016)。桑新民认为学习的目的和结果是使个体身心获得发展，使个体和人类整体不断实现自我意识与自我超越，这不仅是人类学习活动最本质的特征，也是人类创造力之最根本的源泉(桑新民，2005)。这里的自我意识和自我超越，其实就暗含着人们在学习过程中追求的一种权利和对人的一种尊重。学生学习的过程，不仅仅是知识掌握、能力提升的过程，同时也是逐步认识自我、完善自我的过程，即自我超越的过程。无论是社会，还是学校，都应该执著于发现学生的擅长之处以及帮助学生发现自己的擅长之处，以便将个性需求和社会需求更好地结合起来，这也就是智慧教育所倡导的。这里值得注意的是，对学生学习的尊重，并不仅仅是高中、大学阶段的事情，每一个教育阶段都应该关注。学校的真正价值和成果质量，是体现在对每个孩子的发展支持和增值上，而不是对学科成绩的加工和增值上(李奕，2016)。基于核心素养的智慧教育变革了原有的时空关系，给聚焦在技术层面的智慧教育增添了育人的理念、育人的过程、育人的策略、育人的评价，形成了一个以育人为本的智慧教育研究体系。我们在以往的文章中提到了“双抠”，即把学生从传统意义的教师手里给“抠”出来(这是“走学”的关键)，把教师从传统意义的学校手里给“抠”出来(这是“走网”的关键)(赵兴龙&李奕，2016)。如今，在核心素养引导下的智慧教育，应该再增加一个“抠”，即把课程从传统的学校中“抠”出来(这是“走活”的关键)。“三抠”的最终目标就是还给学生能够帮助他们健康成长的自然天性和核心素养。原文参考文献：[1][美]简·尼尔森(2009).正面管教[M].玉冰，译.北京：京华出版社.[2]鲍成中(2014).何为课程和课程何为——对话著名学者钟启泉教授之三[J].生活教育，(19)：43-45.[3]陈琳，陈耀华，李康康等(2016).智慧教育核心的智慧型课程开发[J].现代远程教育研究，(1)：33-40.[4]高岚(2003).关于“灵性”教育的思考[J].学前教育研究，(6)：5-7.[5]顾明远(2016).对教育本质的新认识[DB/OL].[2016-10-20].http：//news.gmw.cn/2016-01/05/content_18358849.htm.[6]黄金鲁克(2016).21世纪核心素养教育的全球经验[DB/OL].[2016-06-10].http：//www.jyb.cn/world/gjgc/201606/t20160610_662321.html.[7]黄荣怀(2014).智慧教育的三重境界：从环境、模式到体制[J].现代远程教育研究，(6)：3-11.[8]黄荣怀，刘德建，刘晓琳等(2017).互联网促进教育变革的基本格局[J].中国电化教育，(1)：7-16.[9]教育部(2014).教育部关于全面深化课程改革，落实立德树人根本任务的意见[DB/OL].[2014-03-30].http：//www.moe.e.cn/publicfiles/business/htmlfiles/moe/s7054/201404/167226.html.[10]李奕(2016).以移动互联促进基础教育课程及考试评价改革[J].开放学习研究，(2)：30-34.[11]李祖超，李蔚然，王天娥(2015).国家最高科学技术奖获得者非智力因素分析[J].教育研究，(10)：78-89.[12]刘晓琳，黄荣怀(2016).从知识走向智慧：真实学习视域中的智慧教育[J].中国电化教育，(3)：14-20.[13]桑新民(2005).学习究竟是什么?——多学科视野中的学习研究论纲[J].开放教育研究，(1)：8-17.[14]王志军，陈丽(2015).联通主义学习中教学交互研究的价值与关键问题[J].现代远程教育研究，(5)：47-54.[15]谢维和(2016).谈核心素养的“资格”[J].中国教育学刊，(5)：1.[16]辛涛，姜宇，刘霞(2013).我国义务教育阶段学生核心素养模型的构建[J].北京师范大学学报(社会科学版)，(1)：5-11.[17]一帆(2016).《中国学生发展核心素养》总体框架正式发布[J].教育测量与评价，(9)：34.[18]于伟(2015).儿童的意蕴与率性教育[N].中国教师报，2015-08-12(013).[19]余胜泉，赵兴龙(2009).基于信息生态观的区域教育信息化推进[J].中国电化教育，(8)：33-40.[20]张景焕，金盛华(2007).具有创造成就的科学家关于创造的概念结构[J].心理学报，(1)：135-145.[21]张雯(2016).让核心素养伴随学生的成长[J].中小学信息技术教育，(12)：59-60.[22]赵兴龙(2013).翻转教学的先进性和局限性[J].中国教育学刊，(4)：65-68.[23]赵兴龙(2014).翻转课堂中知识内化过程及教学模式设计[J].现代远程教育研究，(2)：55-61.[24]赵兴龙(2017).“互联网+”教育：以学生为中心的教育变革[M].北京：科学出版社.[25]赵兴龙，李奕(2016).教师走网：移动互联时代教师流动的新取向[J].教育研究，(4)：89-96.[26]钟启泉(2016).基于核心素养的课程发展：挑战与课题[J].全球教育展望，(1)：3-25.[27]周霖，王澍(2015).以哲学的方式观照儿童的率性成长——“全国教育哲学学术委员会2015年高峰论坛”综述[J].教育研究，(7)：159.[28]祝智庭(2016).智慧教育新发展：从翻转课堂到智慧课堂及智慧学习空间[J].开放教育研究，(1)：18-26.[29]祝智庭，贺斌(2012).智慧教育：教育信息化的新境界[J].电化教育研究，(12)：5-13.[30]AECT(2017).2017 AECT International Convention[DB/OL].[2017-02-01].http://www.aect.org/events/call.[31]Duckworth,A.L.,& Seligman,M.E.P.(2005).Self-Discipline Outdoes IQ in Predicting Academic Performance of Adolescents[J].Psychological Science,16(12):939-944.[32]Executive Office of the President,Holden,H.,& Smith,J.P.(2016).Preparing for the Future of Artificial Intelligence[R].[33]IBM(2016).IBM Builds a Smarter Planet[DB/OL].[2016-10-15].http://www.ibm.com/smarterplanet/us/en/?re=spf.[34]OET(2016).National Ecation Technology Plan[DB/OL].[2016-09-01].http://tech.ed.gov/files/2015/12/NETP16.pdf.[35]Palmisano,S.(2008).A Smarter Planet:The Next Leadership Agenda[DB/OL].[2008-11-08].http://www.govtech.com/pcio/A-Smarter-Planet-The-Next-Leadership.html?page=1.来源: 社科院网站

本文来源：陈小丽, 叶仁春, 刘淼, 谢志敏, 郑彬, 季至宇. 教与学管理系统的应用比较研究与选型参考. 现代教育技术, Vol. 29, No. 10, 2019, p60-65,73作者简介陈小丽1，叶仁春1，刘淼1，谢志敏1，郑彬1，季至宇2[通讯作者]（1．华中科技大学 现代教育技术中心，湖北武汉 430074； 2．武汉大学 教育技术与教学服务中心，湖北武汉 430072）摘要学习管理系统（Learning Management System，LMS）在中国的发展非常缓慢。相反，中国高校从 2015 年开始，借助教师“民间传播”方式迅速涌现出一批以课堂互动教学为核心的中国式LMS——教与学管理系统（Teaching and Learning Management System，TLMS）。文章首先明确了TLMS的概念内涵与功能范畴，分析了它与LMS的核心差异与发展成因；随后，基于对国内6家主流的TLMS应用的各项真实数据的深度比较研究，文章提出了一套倒金字塔TLMS选型参考模型；最后，文章从安全、规划、系统集成、教学管理、教师发展、学生发展等六个层面进行评价，以期为高校推进教学信息化的规划、设计与实施工作提供有益的参考。关键词学习管理系统；教与学管理系统；BYOD；课堂互动教学引言LMS是帮助教学者把教学材料传递给学习者，管理考试或作业，跟踪学习者学习进展并管理整个学习记录过程，是链接教育机构、教师和学习者的信息系统。早期的LMS出现在1990～2000年前后，经过20多年的发展，国外LMS的普及程度相当高，调查数据显示：99%的教育机构支持至少一种学习管理系统的使用，74%的教师使用 LMS，71%认为它对教学非常有用[1]；从学生的角度来看，学校的LMS是一种基础教学资源，也是有价值的平台，对学生最终的成功有重要的价值和作用[2]。以Blackboard为代表[3]，LMS很早就进入了中国，有不少高校先后尝试了多种开源LMS[4][5]，但总体上LMS在国内的普及程度不高，发展缓慢。一直到 2015～2016 年，国内涌现出一批以课堂互动教学为核心的云平台，它们采用学生自带设备（Bring Your Own Device，BYOD）的方式[6]解决了课堂教学的互动与测评问题。随着这类课堂互动教学系统应用的深入，越来越多的管理机构开始关注课堂互动教学系统并着手纳入官方的规划。但是问题也随之而来，课堂教学互动系统是一个什么样的教学工具？和国外的学习管理系统LMS是不是同一个概念？国内各家厂商系统的特色是什么？学校如何进行系统的选型等。因此，本研究通过对国内主流课堂教学互动系统厂商进行调查分析，提出了符合中国国情的教与学管理系统的定义，明确了它的概念内涵与功能范畴，分析了它与LMS的核心差异与发展成因，进而给出了系统选型的参考模型。一国外LMS的发展早期的LMS是为了满足专业和课程完全在线教学的目标而设计的，所以带有比较浓重的教学色彩。LMS主要包含三大类功能：教学资源发布、作业与测试、课外交流。正是因为LMS最初是为了满足完全在线教学的设计目标，所以它在课堂教学服务方面存在先天不足。图1 国外LMS市场的变化情况（数据来自于 ETechnica.com[7]）第三方研究机构最新发布的数据显示，国外LMS的主要产品有Blackboard、Canvas、Desire2Learn、Moodle、Sakai等，专有系统与开源系统势均力敌，但开源系统增量明显，并不断拓展市场份额，如图1所示。在中国，无论是专有阵营的Blackboard，还是开源阵营的Moodle、Canvas，都有一定的用户规模，但由于售价和运维难度的问题，市场占比非常小。二TLMS概念的提出及与LMS的比较2015～2016年期间，国内涌现出一批以课堂互动教学为核心的LMS，与国外LMS相比有明显的差异：国外LMS更侧重课外部分，强调资源、作业、课外交互与课堂教学的有效互补，课堂教学不是重点；而国内LMS更强调课堂教学过程中的信息服务，以课堂为中心向课前、课后延伸，从而形成了一套独有的教学信息服务与管理方法体系。因此，本研究给这些国内 LMS一个新的名称——教与学管理系统（Teaching and Learning Management System，TLMS），即在系统中将“教”与“学”看成是同样重要的两极，凸显课堂教学在传统LMS中的重要作用，从而与中国高校开展教学信息化改革进程相适应。下文将从四个方面系统分析国内TLMS与国外LMS的主要差异：1 辅助教学的侧重点不同在国内TLMS萌芽阶段，高校课堂以大班制为主，教学模式以教为主，教学媒介以多媒体和PPT为主。这种单向的教学模式存在课堂交互效率方面的问题：一方面，教师并不能清晰地掌握学生的课堂习得情况；另一方面，学生很难与教师进行互动，学习积极性得不到激发。更糟糕的是，智能手机在学生中的快速普及，让“第二块屏”现象严重冲击了传统的课堂秩序， 教师被迫选择新的教学工具来维持课堂信息的平衡。很多教师都受手机签到这个功能的吸引而开始使用TLMS，并随着使用程度的加深而逐渐扩展到使用其它的课堂互动功能。因此，课堂教学互动功能是国内TLMS的一个鲜明特征，而国外LMS更加强调课后作业和交流。2 对移动设备的侧重点不同一方面，智能手机在学生中的快速普及催生了国内TLMS；另一方面，课堂交互的场景也更加适合手机终端的使用。从国内校园信息化发展的情况来看，在国内TLMS萌芽阶段，还有许多高校的无线网络覆盖达不到规模开展移动学习的要求。由于欧美高校的基础网络覆盖较好，国外LMS更多地依赖笔记本电脑或平板电脑等移动设备。因此，以手机作为系统的终端设备，同时解决计算和网络的问题，是中国在BYOD模式探索实践中的一次创新。3 发展模式不同与国外LMS采用的“先机构建设，后教师使用”的发展模式不同，国内TLMS是一场由教师发起的课堂变革：①中国高校并没有建设LMS的主观意愿；②教师作为一线执行层，能第一时间感受到手机带给传统课堂的冲击并作出反应，而教学管理者还在尝试多种解决途径，如打造无手机课堂、教室屏蔽信号等；③从 2012年起，高校开启教师发展中心建设，此中心为高校教师交流学习提供了良好的平台，这也使得国内TLMS能够以“民间”的方式在教师之间传播；④国内TLMS的使用门槛非常低，教师几乎不需要得到学校的额外支持就可以自行免费尝试。4 平台是否开源ETechnica的报告[7]表明，国外LMS的发展趋势已经逐步由封闭转向开源，但这个趋势很难在中国高校再现，主要原因如下：①国内TLMS价格低廉，没有开源市场的空间；②国内TLMS厂商能够比开源平台提供更好的本地化服务；③国内高校普遍不愿采用开源平台，也不具备独自运维开源平台的技术能力。所以，国内TLMS是将技术服务化，而国外开源的LMS 是将服务技术化，这是它们之间的显著差异。三TLMS应用调查分析与国外成熟的LMS市场不同，国内并没有像 ETechnica这样的调查机构定期跟踪、发布LMS市场发展的情况，国外研究机构也基本不会将中国新兴的TLMS市场纳入其观察范围。因此，本研究是第一次针对国内TLMS市场及其应用情况的系统调查。通过这些调查数据的分析，本研究希望勾勒出国内TLMS的应用现状及共性特征，明确其独特的发展进程。本研究以覆盖百万级用户为选择标准，选取了目前国内主流的6家TLMS厂商进行调查，其产品按名称音序排序为：对分易、课堂派、蓝墨云班课、微助教、学习通、雨课堂。本研究与各家分别进行了面对面沟通，按统一标准系统收集了厂商提供的原始数据并进行了分析。1 企业与产品的基本情况6家TLMS厂商的基本情况如表1所示。从时间上看，他们几乎都是在2015～2016年萌芽的。从产品形态上看，学生端全部是手机形态（明显区别于国外使用笔记本电脑的情况），其中有4家依托的是微信平台，有2家采用了自己研发的专有APP平台。在商业模式上，这6家都采用的是教师免费、TLMS机构版收费的模式。因此，学校考虑采购TLMS机构版时，通常比较关心是否支持系统本地私有化部署的问题。目前，这6家都宣称支持学校的私有化部署， 除1家外都有已经实施的案例。此外，企业微信也是高校官方移动平台的一个发展趋势，本研究通过对这方面工作的调研，发现对分易、课堂派和微助教明确支持学校企业的微信接入。表1 6家TLMS厂商基本情况一览表从这些厂商的基本情况来看，有3家（蓝墨云班课、学习通、雨课堂）是从其教学资源服务领域横切到教学信息服务市场，其余3家是全新进入到教务信息服务市场，而传统的教务管理系统厂商无一入局。这一点印证了“TLMS 是教师发起的课堂变革”此观点，由于管理机构跟进的滞后，TLMS市场的首批厂商是离教师需求最近的人。2 产品的使用情况本研究将各厂商提供的一所应用情况最好的典型学校数据作为研究样本。为能清晰、直观地比较不同厂商的产品使用情况，本研究对原始数据进行了归一化处理，具体如表2所示。首先，略去了学校的名称，仅列出系统覆盖的师生规模。教师覆盖率是通过查询学校官网获知学校的教师总人数，用总人数对使用系统的教师人数进行归一化。教师课堂数和学生互动数都是用使用系统的教师人数和学生人数求人均值。表2中统计的数据均为使用系统至今的累计值。表2 6家TLMS厂商典型学校数据及互动行为占比一览表由表2不难看出，即使厂商选取的是典型学校，在正常情况下，单一平台对教师的覆盖度也就在20%上下，说明教师在使用TLMS辅助教学有一个时间过程。即使是学校整体推荐，教师覆盖度跟教师自由发展的情况并没有太大的差异。一定是部分老师先尝试、感受到效果后，再带动身边老师尝试这样一个过程。图2 互动行为占比对几种主流教学行为类型进行统计分析与比较，如图2所示，可以明显看出不同厂商TLMS的功能使用差异。分发资源和布置作业是LMS的核心内容，可以看出：课堂派、蓝墨云班课和学习通更接近LMS的范畴，但这3家产品也有一定的课堂教学互动行为，其中课堂派的课堂教学互动行为甚至超过了分发资源和布置作业行为的总和；而另外3家，对分易、微助教和雨课堂的课堂教学互动行为占比更高，教师甚至可以在完全没有作业支持或较低资源支持的情况下， 高频率使用课堂教学互动功能——这显然印证了本研究提出的TLMS更加注重课堂教学这一观点。目前，国外也在积极探索下一代学习管理系统，而国内教师使用的真实数据表明：教与学管理系统中的“教”与“学”功能同样重要。四TLMS选型参考模型本研究提出了一套TLMS选型参考模型——倒金字塔模型，为高校进行TLMS产品规划与选型提供了参考。模型将TLMS选型考虑的因素划分为六层，如图3所示。重要性和优先级从低到高逐层递减，下层是基石，上层是建筑；内容则从低到高逐层递增。该模型具有较强的系统性和区分度，学校可以参考建立自己的评分体系，直接进入实操环节。图3 TLMS选型参考模型（倒金字塔模型）1 第一层：安全、可控、可持续安全强调的是系统和数据安全，是高校教学系统的核心问题。安全标准考虑的先后原则是：国家标准、行业（教育部）标准、学校标准、企业标准。可控一般强调的是系统与数据的控制权，是否私有化部署是可控的最基本问题，其它可控问题还包括：数据的归属权问题、数据的使用及增值使用问题、系统可用性问题、责任界定及赔偿条款等。可持续是指不同TLMS 厂商提供服务的可持续问题，应更多地考虑系统对资源和数据共享标准的支持，如学习资源共享的SCORM标准[8]和学习记录共享的xAPI标准[9]。2 第二层：与未来总体规划相适应教学管理是学校管理的一个部分，因此教学管理信息化同样需要与学校管理信息化的总体目标与未来规划相适应。如现在很多高校在考虑数字（智慧）校园建设规划时，需要在TLMS选型时提前考虑与未来数字化校园的集成关系，设计一体化方案或组合式方案。因此，TLMS选型需要充分兼顾学校未来总体规划的多种可能性，避免推倒重来。3 第三层：与已有业务系统集成TLMS作为新出现的管理子系统，存在与学校现有业务系统集成的需求。如与教务管理系统对接以获得排课信息，与人员管理系统对接以获得师生账号信息等。因此，TLMS选型需要具有兼容学校现有业务系统和数据的能力，避免出现新的“信息孤岛”。4 第四层：服务于教学管理的宏观发展目标TLMS需要支持学校教学管理的宏观发展目标。由于TLMS深度服务于教学，它能很自然地成为了学校实现教学管理目标的关键基础，如成果导向型教学、高教本科教学评估、专业学科认证以及最新的建设五大金课等教学管理目标的实现，都需要TLMS提供常态、持续、深度的支持。因此，TLMS能否满足上述目标数据广度和深度的要求，是决定教学管理水平能否提升的关键。5 第五层：服务于教师发展，推动课堂改革，提高教学效率这一层较为直观，主要是关心TLMS对教师教学活动的支持能力问题，具体体现在系统的功能实现与交互设计两个方面。虽然总体上TLMS功能趋同的特征越来越明显，但在相同功能的设计理念、交互方式、易用性、科学性、智能性等方面，各家TLMS仍有一定程度的差异。另外，教师在这个层次的个性化选择也会造成系统选型众口难调的局面。6 第六层：服务于学生发展，向以“学生为中心”的下一代学习环境转换最后一层是TLMS选型中比较抽象的一个层次，主要关心TLMS对“学生为中心”发展目标的支持。虽然目前的TLMS有许多教学活动已经赋予学生更大的权力，但是学校设置课程、教师设计课程的核心逻辑并未发生变化。因此，本研究认为关心TLMS对学生发展的支持是一 个重要的方向，它会伴随着教学改革的进程，逐步显现出系统的理念和能力差异。综上所述，倒金字塔模型包括六个层次，其中，第一层至第三层是学校最关心、实施最关键的层次，同时也是厂商商业模式和产品技术基因最不容易改变的层次，因此学校只要明确自己的发展目标和总体规划，便很容易确定符合自身需求的TLMS；第四层至第六层则是学校目标还不容易明确、厂商很容易调整改进的层次，因此它们应该扮演辅助参考的角色。可以说， 只要下三层的产品基因对了，上三层有些出入和不足，并不会影响学校教学管理信息化的长期发展。按照这个逻辑，本研究建议TLMS的实施过程应由学校信息化主管部门来主持选型（下 三层）、教学管理部门及教师组织来主持验收（上三层）——两者各把一道关、各担一份责，确保TLMS在倒金字塔模型的不同层次上符合预期目标。五总结服务教学管理的LMS在国内普及程度不高，反而促进了中国课堂教学互动系统的迅猛发展。与国外LMS不同，这类工具更加侧重于课堂教学，本研究将这一类符合中国国情的LMS称为TLMS。本研究在明确TLMS的概念内涵与功能范畴的基础上，通过对国内六种TLMS的应用比较研究，分析了它与LMS的核心差异及发展成因，并提出了一套TLMS选型参考模型， 以期为高校推进教学信息化的规划、设计与实施工作提供有益的参考。参考文献[1]Dahlstrom E, Brooks D C, Bichsel J. The current ecosystem of learning management systems in higher ecation: Student, faculty, and IT perspectives[R]. Louisville, CO: Ecause Center for Analysis and Research, 2014:1-28.[2]Dahlstrom E, Bichsel J. ECAR Study of Undergraate students and information technology, 2014[R]. Ecause Center for Analysis and Research, 2014:1-28.[3]周红春.基于 Blackboard 学习平台的混合学习模式的探索与实践[J].电化教育研究,2011,(2):87-91、98.[4]张雪云,马志强.国内 Moodle 平台研究综述[J].开放教育研究,2007,(6):96-99.[5]黄德群.云服务架构下的 Canvas 开源学习管理系统研究[J].中国远程教育,2013,(7):64-70.[6]汪丽,潘建斌,冯虎元.基于 BYOD 的高校课堂新型教学模式研究[J].现代教育技术,2015,(1):39-45.[7]Etechnica. LMS data - spring 2019 updates[OL]. <http://etechnica.com>[8]The Advanced Distributed Learning Initiative. SCORM 1.2[OL]. <https://www.adlnet.gov/research/SCORM/SCORM-1-2/>[9]顾小清,郑隆威,简菁.获取教育大数据:基于 xAPI 规范对学习经历数据的获取与共享[J].现代远程教育研 究,2014,(5):13-23.*基金项目：本文为湖北省 2018 年省级教学研究项目“基于智慧教室的信息技术与教育教学深度融合模式改革研究及实践”（项目编号：2018048）的阶段性研究成果。声明：本文仅代表该作者观点。微助教仅提供信息发布平台。

——兼与《计算教育学：内涵与进路》作者商榷谭维智［摘 要］ 随着以大数据、人工智能为代表的信息技术的发展，计算教育学作为一个新兴的交叉研究领域受到国内外学者的关注。计算教育学研究教育的基本方式是数据分析与计算，但教育学是否与计算社会学一样同属于“可计算社会科学”值得认真讨论。大数据的化约、数据化处理方式与教育的整体性特质并不完全相容，教育活动或人的行为的数学化操作不具有自然科学的数学化操作那样的有效性和可行性。教育的特殊性以及教育主体的独特性决定了应用数据密集型计算方法所能发现的“新知识”不同于自然科学领域。对教育主体及教育系统各要素之间的互动过程，只能进行有限的、局部的、特定视角下的量化与计算。关于教育知识、教育规律的寻求和表达本质上是原理机制的研究和理论阐释，而不是数据分析。就该问题进行商榷并不表示笔者反对计算教育学作为一个新兴领域、新兴学科的出现，而是主张在学科交叉的样态下保持计算教育学清晰的研究边界和学科归属。从计算教育学赖以诞生的学科渊源来看，其学科归属更应该是计算科学和信息科学。［关键词］ 计算教育学；数据密集型科学研究范式；教育大数据；计算社会科学［作者简介］ 谭维智，曲阜师范大学中国教育大数据研究院常务副院长、教育学院教授 （山东曲阜 273165）当前，随着以大数据、人工智能为代表的信息技术的发展，数据与计算分析等逐渐成为描述自然现象和社会现象的主流方式， 并即将进入一个“ 计算社会科学时代”［1］。在“万物皆数”、计算一切的潮流中，计算教育学作为一个新兴的交叉研究领域受到国内外学者的关注。目前，已有多项探讨“计算教育学”的内涵、立场、范式、体系、发展路径的研究成果发表。［2］这些成果中不乏一些具有前瞻性和启示意义的思想闪现。以《计算教育学：内涵与进路》（以下简称《计算教育学》） 一文为例，作者提出了包括计算教育伦理、教育主体计算、教育情境计算、教育服务计算等相关内容的计算教育学的知识体系，以及计算教育学在教育评价、教育服务、教育治理、教育决策等方面的应用前景，这些都是饱含着智慧的、富有启发性的新观念、新思想。本文在探寻这些新范式、新理论、新技术的基础上，主要围绕教育活动、教育主体是否可以量化、是否可以进行数学化计算等问题进行哲学上的，并就计算教育学研究对象的设定、研究范式的选择、研究结论的表达以及学科属性等问题进行商榷，以期推进对这一研究的深入展开。一、计算教育活动与教育问题何以可能《计算教育学》提出：“ 计算教育学是通过技术赋能，基于数据密集型的研究范式，解释信息时代的教育活动与问题，揭示教育复杂系统内在机制与运行规律的新兴交叉学科。”［3］数据密集型研究范式（或曰大数据范式）由美国计算机科学家格雷（Gray，J.）首先提出。格雷将其称为实验科学、理论科学和计算科学范式之后的第四范式，“新的研究模式是通过仪器收集数据或通过模拟方法产生数据，然后用软件进行处理，再将形成的信息和知识存储于计算机中”［4］。数据密集型研究范式“主要利用计算机、数据管理和统计分析工具对大数据进行分析，发现复杂现象背后隐含的模式，并从中获取知识”［5］。数据密集型研究范式的本质是数据驱动，其研究对象、研究结果都是“数据”，“这意味着数据已经成为整个科学研究的核心环节，‘数据—驱动’已经成为科学的主流形式，在科学模型中数据也将成为核心甚至唯一要素”［6］。数据密集型科学研究范式所计算与分析的对象是数据，是关于事物与现象的数据，而不是事物与现象本身。《计算教育学》一文认为计算教育学的主要研究对象为“信息时代的教育活动与问题”［7］。在这里我们看到了数据密集型科学范式与《计算教育学》一文对计算教育学研究对象的设置所存在的差异。也因此，计算教育学运用数据密集型科学研究范式进行教育研究，就必须进行研究对象的转换，将教育活动、教育问题转换为与数据密集型科学范式相匹配的数据。研究对象的精准设置是一切科学研究的起点。对此，我们有必要对计算教育学的研究对象的设定进行哲学上的：教育活动与教育问题能否被表征为抽象的数据？数据作为一种符号是否能够完全替代它所表征的本体成为研究对象？ 或者说，《计算教育学》一文对计算教育学研究对象的设置是否是适宜的？ 进一步地，应用数据密集型科学研究范式对教育活动、教育问题进行量化、计算的数学化操作是否是适宜的教育学研究范式？这是以教育活动和教育问题为研究对象的计算教育学所必须面对的问题。数据是数据密集型科学研究范式的基本质料，计算教育学是通过数据认知教育的，但是，“数据”并不是教育活动本身具备的本质特性，教育活动的数据特性完全是人为赋予的。数据可以代表自然科学领域的事实或现象，比如一公里、一小时、一米都是恒定的事实，但是在教育领域，我们很难用数据来表征人的心理现象和思维状态等内在世界。进行大数据抓取、挖掘、采集的计算机软件以及大数据的记录、清洗、分析方式都是人设计的。其中，不可避免地包含着设计人员的价值取向和对教育的种种认知。“数据”实际上是由人来赋值的，依此产生的数据并不真正具有可通约性。事物本身并无可客观测量的本有特质，“是测量工具与程序决定了测量对象的性质，而非测量本身客观自存着”［8］。教育大数据很大程度上只是各种传感器、智能设备捕捉到的教育活动的外部行为数据，它所表征的教育活动的特征主要是视觉感官经验可认证的属性。外显的行为数据天然地排斥人的内在特质，数据并非是最好的反映人的内在态度、意识的方式，“不论人们如何细心而谨慎地使用，实际具体表现的行为模式与特质之间必然有着落差”［9］。我们仅仅通过外显行为并不能有效获得人内在思维、思想意识、价值观的真相，数据并不能很好地定义教育中的人和教育现象。不同教育现象背后所反映的问题是不同的，看起来等值的数据并不真正等值。同样的教育现象在不同时候、不同背景下出现具有不同的意义和内涵， “单凭量化、测量，尤其是数学化的‘实证’作为，是不足以让我们有挖掘到深层意义的可能的，因为这涉及的是隐藏在行为与社会现象背后的意义性问题，绝非强调表象之量化研究策略所能触及”［10］。大数据在教育领域 具有不同于金融、交通、商业等领域的特殊 性 ，教 育大数据还不具备皮特 什（Pietsch，W. ）等人所提出的“包含现象所有内容”［11］、 “详尽无遗”［12］的本质特征。“不管测量多么精细或者考虑得多么周到，它本身所能触及的总是片面的、部分的。”［13］因此，教育大数 据并不能完全等于它所表征的教育本体，教育大数据不能完全替代教育活动、教育问题成为教育学的研究对象，我们不能直接地将 作为数据密集型计算分析对象的数据替换成教育活动和教育问题。简言之，计算教育学的研究对象是也只能是教育大数据，而非教 育活动和教育问题。计算教育学研究教育的基本方式是数据分析与计算，教育学是否与计算社会学一样属于“可计算社会科学”是值得认真讨论的。传统的数据科学是用机械还原的方式将整体世界还原成小的单元再进行数据化测量，数据密集型科学研究是直接通过对数据的统计分析将整体世界拆分成一个个小的类型。就整体性的拆解而言，数据密集型计算的方法和传统数据科学的方式没有本质的差异。其区别仅仅在于传统数据科学还原的方式是基于单子论的，其拆分的最小单元仍然被认为具有整体的特征，或者整体的特征等于小单元的特征之和，小的单元的特性可以反映整体的特性；而数据密集型科学采用的统计分析方法是对组成整体的不同个体按照特征进行分类，通过对整体进行分解、拆零获取对整体的认知，本质上它“只不过是一种较为精致的分类功夫，或者说，基本上是一种理论或概念的方法而已”［14］。大数据的聚类、分类表面上是由计算机进行的科学化操作，但是如何进行分类、分类标准的说明则完全取决于研究者的主观经验。比如，我们按照关键词进行某个教育现象的聚类、分类，在决定使用哪些关键词的时候，选项是无穷的，最终决定选哪些完全是研究者的主观意志的反映，是一种人为的设定。用大数据的方法进行聚类、分类之后的不同类别并不必然具有整体的特性，个体类别的属性并不能完全反映整体的属性。任何计算都包含某种程度的化约和抽象，要对教育活动、教育问题进行数据化转换，这种转换需要进行化约、归一和去情境化，也就是将千差万别的教育现象进行分类， 将具有个别性的、异质特征的现象“一”归结为同质的“一”。［15］这种化约、归一和去情境化处理，抹平了不同现象之间的差异，某些现象和性质必然被从所描述的数据中剔除。大数据的方法必然“包含某种程度的抽象化，即某些事物必然从数目的描述中被剔除”［16］。无论我们如何对各种分类进行拼接和加总， 在类型之间总是会存在裂隙和盲区，这就导致我们很难通过对种种类型的属性的测量施以加总的方法来获得对整体的认知。教育是整体性的，具有不可分解、不可拆分的特质。首先，教育的对象是包含智力、情感、艺术、灵性、创造性、理性、非理性诸方面具有整全性、全面性的人。虽然教学内容 可以分成不同的学科、不同的学习单元和知 识点，但是进入任何一个学科领域的学习者 都带着他所接受的全部教育。学习者以个人 的全部身心进入一个独立的学科领域或某个 被强拆出来的知识环节，而且这些学科知识 也终将被融入他作为独立个体的不可再分的 “整体”。人的成长不能不因某个年龄段而区分不同的培养任务或目标要求或成长路线， 但是，居于任何一个学习阶段的人都是一个 整全的人，即使一个人中途辍学、没有接受完整的由学校教育制度规划的教育过程，他仍 然是一个整全的人，而不像在流水线上没有 加工完成的“半成品”一样缺少些什么，即使缺少了些什么，也不是因为没有接受完完整的教育过程而导致的。流水线上的加工物只要有一个工序没有完成，也不会是一件“被完成”的产品。教育的过程和流程或环节并不像流水线那样每一道工序都不可或缺。同时，教育的过程不像流水线那样，可以分开生产不同的组件，并在最终一道工序中组装完成。教育中的每一道“工序”都可以是最终完成的工序，都不会产出半成品。学习者虽然可以按照德智体美劳这样的教育内容接受不同形式的教育，但是这些不同形式的教育完全不同于工业流水线上的加工流程。教育的内容也不是一个个的可以组成一个完整个体的独立的零件，貌似细分之后的教育内容也不是一道一道独立的工序，划分出来的不同学科、不同教育内容也不同于流水线上的组装程序，每个被细分之后的教育内容对于教育对象而言，都是一种整体推进，而不是仅仅加固了某一个方面或某一种品性，它们直接就是人的整体。简言之，教育活动不像工业生产那样可以细分为详细的工序或流程，而是一种整体性的活动。教育对象不像工业产品那样可以细分为更具体的零部件，而是一种整体性的存在。其次，教育问题是具有整全性的问题。每一个教育问题都涉及诸多变量，而且这些变量之间又互相联系、互生互动，如同阴阳一样共生共存。教育中的问题很难像物理或数学问题那样通过问题分割逐一予以解决。教育问题分割成若干小问题之后，会导致问题性质的变化，小问题本身仍然是具有整全性的问题，甚至是完全不同于大问题的新问题，同时又会因为对问题的分割生成其他新的问题。教育小问题的解决并不等于大问题的解决，不能通过对问题的分割进行化整为零的处理，教育中的问题必须整体性地解决。再次，教育对象和教育问题的整全性决定了教育活动的整全性。现代教育制度对教育过程进行了一定的划分，但并非工业流水线那样的工序化过程。教育活动不像工业流水线那样一道工序只针对一个具体的部件或程序，每个人只执行一小部分操作。教育过程中不同的教育活动面对的是教育对象的全部要素，教师在教育过程中要处理的几乎是所有的教育问题。现代学校的班级授课制虽然将学生分为不同年级、不同学科由不同的教师分阶段开展教育工作，但是就教育本身而言，教师在教育过程中需要掌握的是具有共性的整体性教育技术，而不是工业流水线上所需要的可以分割为一个部分、一个程序的规范性技术。从根本上说，教育就是一个过程，是一个不可拆分的、具有整体性的过程，教育过程中要面对的是教育的整体或整体的教育，而不是某一个部分或某一个环节。教育的整体性与数据密集型计算之间存在着研究范式通约的困难。科学哲学家波普尔（Popper，K.）认为，“ 整体不能成为科学研 究的对象，也不能成为其他活动例如控制或改造的对象”［17］，“ 如果我们要研究一个事 物。我们就不得不选择它的某些方面”［18］。计算教育学依然面临着观察和描述教育整体 的困难。大数据的全样本、总体、全过程、全 数据、全景式描述之“全”都是相对性的、局域 性的、有条件的，大数据之“全”并不等于教育 整体之“全”，大数据并非是对教育整体的描 述或教育整体的数据，被纳入大数据分析框 架的“总体”只是某个维度、某个角度、某个方 位、某个点的总体而非教育的整体。比如，学习者通过大规模在线开放课程（Massive Open Online Course，以下简称MOOC）进行线上学 习，所有的学习行为都可以转化为数据，这个总体只是在 MOOC 上发生的线上学习行为总体，并不是所有的线上学习者的总体，更不是包括线下学习者在内的全部学习者的学习行为的总体，所谓的总体是一定范围的总体。“大数据技术的空前发展并不意味着我们能够掌握所有的经验数据，随着信息数据的扩 张我们也要接触到更多未知的领域和空间，科学技术的触角难以控制人类生活的所有层面，数据采集达到‘全样本’的预见可能是过于乐观了。”［19］局域性的大数据导致我们只能以类似于拆分的方式，对教育活动的一部分特征或属性进行测量与计算。大数据只能触及教育活动的一部分、一个层面或有限的几个层面。我们无法计算教育活动的全部属性，也很难通过“零存整取”的方式获取全部教育真相。即使我们了解了某几个维度上的教育属性的分布，对于预测整体性的教育行为基本上没有什么帮助，“分析、分离是可行的，合成、合并则困难得多，而且可能是不可能的”［20］。就教育而言，我们很难通过部分获取对整体的认知，同时我们也很难穷尽所有的“部分”，总是有一些“部分”因为无法测量、无法用概念描述而被忽略。算法会突出那些可计算的数据的重要性，会让我们只关注那些可以进行计算的现象，而忽略掉那些原本也很重要但无法测量、无法计算的现象， 这就会因为被关注的现象缺乏代表性而导致以偏概全。局限于大数据的方法对教育的计算，就有可能只计算了我们收集到的数据而不是计算我们该去计算的数据，导致可测量、可数据化的发生在线上的教育被计算，而更重要的线下教育教学却因没有被大数据记录而被忽视。大数据将教育活动化约为数的同时也化约掉了活动背后的意义。大数据的方法无法处理教育的意义问题，它肢解了“ 教育”的内涵，我们在关注“是什么”的时候，却忽视了“为什么”。因此，大数据的化约、数据化处理方式与教育的整体性特质并不完全相容。从研究对象以及研究方法来看，基于数据密集型计算的研究范式应用于教育学研究还存在很大的局限性，数据密集型科学范式还不足以支撑教育学科的研究。二、教育主体是否可以被量化与计算《计算教育学》提出，计算教育学的核心任务是教育各要素及其互动过程的量化与计算，“计算教育学以信息时代的教育活动与问题为主要研究对象，通过量化教育各要素及要素间的互动过程，开展多学科交叉”［21］， “重点解决新时代人才培养过程中计算教育伦理、教育情境计算、教育主体计算以及教育服务计算等核心任务”［22］。量化与计算的对 象涉及教育各要素、特别是作为教育主体的人（学习者和教育者），“教育主体计算以个体 行为的多元属性和群体行为的涌现为核心， 实现对学习者外显行为和内隐状态精准化的表示与计算”［23］。在这些核心任务中，计算 教育主体与对“教育各要素及要素间的互动 过程”的量化是一体两面的，可以将其归结为一点，即对教育活动中人的数据化表征与计 算。对此，我们有必要对几个认识论和本体论问题进行：教育主体是可计算的吗？ 教育主体能否被表征为数据？数据能够代替 “人”的本体吗？数据密集型科学研究的核心是数据及其处理技术。就建构一门计算教育学来说，我们首要的是看它如何获取数据、能够获取何种数据，这是对教育进行数学化计算的必要条件。数据密集型科学由数据的采集、管理和分析三个基本活动组成。［24］数据获取是进行数据密集型计算的关键，使用统计分析工具进行计算，需要采用一定的计量尺度对现象（事件）进行量化以获取可计算之数。邦格（Bunge，M.）在对经典测量理论进行研究的基础上，提出量化与测量要满足以下几个必要但非充分条件：受测项或所欲测量之具体体系的特质来自自然或社会，但其存在由理论来提引；受测项有一清楚的计量概念，即具有量值；同时有一概念尺度与物质尺度，使得量值得以测量；有一属于具首尾一贯之单位体系的测量单位。［25］也就是说，一个现象是否可以被量化和计算，取决于欲量化或数据化之现象的本质、尺度与单位问题。大数据手段与传统测量手段所获取的数据除了取数方式和数据量的不同之外并无本质的差异。通过各种传感器和人工智能数据处理设备所获 取的教育数据仍然需要进行定量描述和定量概括，特别是各种非结构化数据，如视频、图 像、音频等均需经过量化处理后才能进行计算。大数据的统计分析仍需“做一些界定数 据单位这样的基础事情，如什么是测量单位， 谁做的测量，以及该测量是在什么时候做的。这些是适用于所有领域的工作”［26］。要 “提供一种标准的表达方式”、将数据“以某种算法的方式表达出来”［27］，“把从一堆仪器中 获得的数据放入一个校准和‘清洗’数据的管道中，包括必要时重新填补数据空缺，然后把这些信息‘重新网格化’”［28］。邦格提出的量化条件很大程度上是针对自然科学领域而言的，适合于自然科学的测量未必适合于对教育主体的测量，教育活动及其人的特质、计量概念、概念尺度、测量单位与自然科学领域中的物质存在极大的差异。教育活动或“教育人”的“数据”与自然科学之“数”具有不同的性质，教育活动或人的行为的数学化操作不具有自然科学的数学化操作那样的有效性和可行性。教育主体通过外显行为所表现出来的态度、情感、兴趣等的程度或强度复杂多变，不具有自然科学领域的物理性那样的稳定性和精确性，测量工具只能是一些尺度上具有很大模糊性的量表， 测量工具的可靠性和稳定性完全不同于物理性测量所用的卡尺、测光仪等；对“教育人”的测量不具有物理性测量的确定的“ 测量单位”，测量所获得量值往往很难进行数学计算。因此，对“教育人”的计算只能是一种基于经验的计算。首先，教育量化概念是基于经验的，比如，关于同学友谊、师生互动、课堂教学活动量的强度指标可以设定为每天一次，也可以设定为每周一次或每堂课一次。这类指标的确立需要基于人们对同学友情的经验感知所形成的共识，依次获得的量值能否代表概念本身需要教育学或社会学的理论进行解释或检验，具有极强的主观性。其次，教育测量尺度的确立是基于经验的，只能是一种由经验赋予的尺度，如区分为高、中、低等，凭借经验在等级与等距尺度之间寻求一种感觉差异的区分。第三，教育主体没有“首尾一贯之单位体系的测量单位”，我们无法像时间、长度、重量那样赋予教育期望、学习兴趣、理解力一个精确的测量单位，“与物理现象不同，在社会现象里，我们没有任何测量体系可以运用小数量的面向来首尾一贯地描绘，而且，至少在原则上，我们也缺乏明确的测量单位体系，足以让使用的变项与其逻辑上乃属初始性之数量的共同集合有所关联”［29］。涉及教育主体的关键性因素如意义、理解、兴趣、努力、高兴、希望等都是无“单位”的，也不具备量值， 量值并不是这些因素的原有本质，无法用量值对其进行衡量。不能像自然科学计算那样进行单位的转换与单位体系的对比。量值无法替代价值和意义，这直接导致了与主体密切相关的教育观念、教育价值无法通过量化计算证实或证伪。没有测量单位以及单位体系背后的教育意义和社会意义做支撑，把量值摆在同一个公式里不仅毫无意义，而且也失去了其应有的价值。对这些无单位的量值所进行的数学运算的结果，只能进行一种基于经验的阐释。可以说，教育主体计算必须配合理论分析和意义阐释进行，数据在教育中并不像自然科学领域那样具有显著的解释现象、反映主体行为的有效性。目前所进行的教育计算，不过是一种语言转译，“把原本是文字性的命题转译成为以数学符号来表达的公式性命题”［30］。教育的特殊性以及教育主体的独特性决定了应用数据密集型计算方法所能发现的“新知识”不同于自然科学领域。在量化一切事物、人人量化自我的时代，人们认为一切可测，但涉及人的研究一直存在“应用数量方法的特殊困难，尤其是测量方法”［31］。同样是社会科学领域对“人”的计算，教育学也与经济学、社会学等学科有极大的差异。经济学领域对“消费者（人）”的计算主要是对消费者消费行为的量化和计算。比如，在何处购物、购买了什么、对什么感兴趣、购买物品主要集中在什么价格区间等。社会学领域对“网络人”的计算主要是对人的网络浏览行为的量化和计算。比如，在哪里上网、主要搜索什么信息、浏览哪些网站，等等。这些领域计算的主要是人的外显行为数据，研究目的是寻求外显行为的“恒常因”的形成、影响等，关注的是外显行为的关联性，而极少追究隐含的因果关系特别是人的内在思维过程。相对而言，对“教育人”的研究要复杂得多，教育学要计算的是“人心”、内部主观世界，是学生的知识、道德、价值观等层面的内隐思维、意识流动，而不是可观察的外显行为。大数据感知和记录的是教育主体在教育过程中的外显行为数据，而非内隐思维数据。这种外显的客观痕迹和符号更接近于人类行为的表征，而不是内部真实心理、情感的直接显现。［32］外显的痕迹和符号只是教育过程的冰山一角， 行为背后隐藏的主观世界才是教育的真相。经济学、社会学的研究旨在通过概率分析，发现和预测人在消费行为和网络浏览行为中表现出的稳定性的、重复性的外显行为及其规律，并通过满足某些条件以诱使相同行为再次出现。对“ 教育人”的研究是寻求教育过程中的内隐思维“变化”，教育的最终目标是要达成对人的行为、思想意识、知识、价值观等方面的“ 改写”，使行为、思想意识、知识、价值观按照一定的社会体系“升级”，而不是简单“重复”。如果说教育学研究有某些寻求具有稳定性、恒常性因素的需要，这些因素也不是人的行为本身而是使行为之所以如此的“第二因”，也就是能够使行为发生变化的方法背后的规律性因素。大数据可以计算“ 恒常因”，却不能计算“第二因”。与同为计算“人心”的学科如心理学相比，教育学计算的是人心之“变”，而非心理学那样计算“人心”在固定情境下的稳定反应或变化。大数据可以计 算“人心”在未来会如何重复过去曾经发生过的变化，却不能计算“人心”在未来可能发生 的过去从未出现过的变化。大数据计算某个 人未来可能发生的变化依据的往往是他者过 去所发生的变化，按照概率计算这个人会重 复他者过去曾经发生的变化。应用过去的数 据、群体的特征去分析某个具体的人的内隐思维变化存在极大的问题，“一个群体所具有的特征并未见得是某个体的真实特征，大数 据不能说明、涵盖、体现所有人的特征，只能大凡分析平均情况、了解一般问题”［33］。按 照时间的逻辑，能被数学化的东西都是过去， 现在不可被数学化，前一刻被数学化的人已 经与下一刻有很大的不同。人类由于获得了 对他们所参与的事件，或对他们作为其成员 的社会的新知识，因而经常更改他们习惯的社会行为方式。［34］教育中的人是时间性的人，“ 教育人”的思维、思想意识是流动的， “迄今最先进的智能机器也无法记录并直接呈现学生的内部心理，或者说会存在很大误 差。因此，很难想象一个依靠数据客观性、注重外部行为记录的大数据方法能彻底解决教育科学研究问题”［35］。在自然科学领域，我们可以获取研究对象的准确知识，但是在教育领域我们只能获取对教育主体一般性的、模糊性的认识。比如，我们可以发现学生的学业成功与他的个人学习努力程度、学习专注度、学习兴趣存在大约的相关性，但是对于努力程度、学习专注度和学习兴趣我们只掌握了一些“质性”的、很不精确的一般知识，我们只能大体地说某个学生学业的成功是他比较努力、专注、学习兴趣高的结果，但对于这些事实在教育过程中的作用我们无法用量化证据加以证实。我们无法提供统计学的数据、通过计算以揭示学业有成的学生达到了何种努力、专注以及兴趣水平，也无法揭示学业失败的学生努力程度、专注程度、兴趣爱好是如何偏离了保证一个人学业成功的应有水平。我们不掌握学生努力程度、专注度、兴趣高低的量化数据， 我们也不知道努力、专注、兴趣达到何种数值就能保证一个学生的学业成功。我们并不掌握这些事实的精确的“量化”知识，对学生学业失败原因的解释，也只能是一种经验理论。例如，一个学生如果努力程度不够、上课听讲专注程度不够、对于知识兴趣不高，就会导致他的学业失败、厌学；这种理论肯定不是能够使我们得出学业成功的有关努力值、专注值和兴趣值分布的量化预测理论。教育系统各要素及其之间的活动过程是一个复杂的结构，运用数据密集型科学范式 处理教育的复杂结构要面临比自然科学领域更大的量化与计算困难。在自然科学领域“克服困难不必利用有关个别因素的特殊知识，而是可以求诸与这些因素有关的各种特征之出现频率或概率方面的相关数据”［36］。社会科学“所处理的结构，只能用包含着较多变量的模式加以说明”［37］，社会科学领域的 现象，“结构的性质不仅取决于其中个别的特性以及它们出现的相对频率，并且取决于各因素之间相互联系的方式”［38］。教育活动各 要素之间的互动不是由个别的因素以及概率决定的，而是由全部因素以及它们之间的相 互作用决定的。我们在解释这种结构的运行时，不能用统计数字取代有关各个因素的知识；如果我们打算用我们的理论对个别事件做出预测，就要对每个因素都有充分的了 解。［39］对教育主体、教育系统各要素互动过程的化约只能是一种“等等式化约”，“对能够 产生这种现象的那类事件的实例之性质的列举，并加上‘等等’这样的字眼。这种‘等等式化约’并不能使我们处理生物或精神实体，或能够用物理事件的陈述取代它们；它们仅仅 是对某些类型的秩序或模式之一般特征的说 明，对于这些秩序或模式，我们只有通过对它们的具体经验才能有所了解”［40］。对教育主体及教育系统各要素的互动过程我们无法做到如同物理学、化学等自然科学那样的化约。我们能够获取数据进行研究的方面是十分有限的，我们无法一览无余地列出构成教育活动、教育各要素互动过程的全部充分必要条件，“我们虽说知道了大量的事实，但是这些事实却是我们无力对之进行计量的；即使就我们所知道的这些事实来说，我们所掌握的也只是一些极不精确且相当一般化的信息。再者，由于这些事实在任何特定情势中的效用是不可能通过量化证据加以证实的， 所以这些事实的效用也就被那些只承认那种被他们视作科学证据的因素的人忽视不顾了。这种人还会因此而产生这样一种虚幻的感觉，即他们能够计量的因素才是唯一相关的因素”［41］。对教育主体的化约只能帮我们获取部分数据而不是全部数据，我们对教育主体及教育系统各要素的互动过程能够进行充分观察和计算的方面是极为有限的。教育主体的教育生活绝大部分是发生在线下的，网络空间、虚拟空间只是教育生活的一个极小的部分， 网络空间、虚拟空间之外的教育生活中那些无意识中发生的、顿悟的、休闲的、隐性的学习和教育活动都没有也不可能被记录和保存。线下的教育生活是大数据记录的盲区， 我们只能掌握教育主体满足特定条件的特定类型的数据，而不是教育主体全部教育生活的数据。教育中真正重要的部分并不一定是发生在网络空间，更多的是教育主体间的日常互动过程。日常生活中的互动过程是较为隐秘的，互动中涉及大量非言语表达的手势、眼神、表情等，都只能通过意会、阐释转换为质性知识，不能被转换为可以量化与计算的量化知识。人被当作一个可以被计算的物体来对待，人的丰富性、复杂性和深邃的内在性被缩减了。［42］总之，对教育主体及教育系统各要素之间的互动过程，我们只能进行有限的、局部的、特定视角下的量化与计算，用数据密集型科学范式计算教育中的人与教育发展的目的存在很大的矛盾。“真正的教育所面向的内在心灵和完整人性是无法测算的，即灵魂品质的形成、建构和完善是无法测评的。人的精神成长与经验的更新只有在实践行动中被证实，而无法被测评和估算，人的行动、成长的体验、精神发展的成果，只有在主体自身的反思中，由主体自身从内在进行把握或判断 。”［43］正 如技术哲学家埃吕尔（Ellul，J.）所批评的那样，当技术表现出对人的兴趣，它都会把人转化成一个物质对象。它只能通过这种方法对待人：贬低人以及量化人。因为技术的完善性只有通过量的发展才能够获得，而且不可避免地必然指向可测量的东西，相反，人类美德属于质的领域，针对的是不可测量的对象。所以，在技术的完善性和人的发展之间存在着尖锐矛盾。［44］三、数据密集型科学研究范式能否帮助发现教育规律《计算教育学》认为，“ 计算教育学隶属于教育学”，作为教育学的分支学科，计算教育学“旨在阐明教育系统内部要素的本质，找出教育活动良性运行的影响因素，揭示教育活动发生发展的规律”［45］。《计算教育学》将计算教育学的学科研究宗旨确立为对教育本质的阐明、教育规律的揭示，这是为解决计算教育学的教育学属性而与教育学学科发展定位的对接，不如此，无以解决其“隶属于教育学”的学科合法性问题。但是，我们能否通过互联网和智能感知等技术以及数据管理和统计分析工具“解释教育现象与教育内在机制， 揭示新时期教育复杂系统运行规律”、“发现信息时代教育教学的模式和规律”［46］则有待进一步研究。毋庸置疑，计算科学在自然科学领域能够帮助我们发现各种自然现象和自然规律，但在教育领域，计算科学能帮助我们发现隐藏在数据中的何种教育现象和教育规律？基于数据密集型科学研究范式的模式预测能力是否存在应用领域的局限？更加根本性的问题是：教育是数据驱动还是规则驱动？教育研究的最终目标是发现关联性还是因果性？计算教育学是否能够发现并揭示教育模式、教育规律在很大程度上取决于它所应用的计算工具。“规律是能使我们将某一时间的某一陈述的真实性通过在此之前的另一陈述的真实性推断出来的一般性命题。”［47］对教育规律的揭示就是寻求对教育现象的因果关系解释。与传统的社会科学应用统计学方法寻求因果关系的路径一致，数据驱动的路径主要是“通过统计分析或机器学习等各类算法从数据中分析、挖掘现象和规律”［48］。运用数理统计的方法可以帮助我们处理复杂的教育活动中相同类型的信息，为我们提供教育过程中某些行为或特征一起出现的相对频率，却不能告诉我们这些行为的构成因素以及它们之间存在的“因果关系”。统计学的方法只是把这些因素中的某些相同的类型作为一个“数据”来对待，而无法对它们的统一特征做出任何说明。“它通过用出现率信息取代有关个别要素的信息，避开复杂性问题，它故意不考虑一个结构中不同要素的相对位置也会有一定作用这个事实。”［49］统计学的工作假设是“用一个集中不同要素的出现率”来解释现象，也因此导致了统计概率的方法应用于教育研究所要面对的一个最大问题：“它无法解决涉及不同属性的个别要素之间的关系的问题”。这个问题体现出一种无法调和的矛盾：一方面，只有故意忽略“不同属性的每个要素之间的关系”、“不考虑或不了解它们所形成的任何结构”时，统计学的方法才是有用的；另一方面，那些故意忽略掉的“不同属性的每个要素之间的关系”恰恰是教育中最重要的东西。比如，对学生在学习行为中表现出的学习兴趣、好奇心、想象力、理解力等精神现象，统计学方法只能将它们的某些要素作为一个相同的类型进行频率计算。统计学方法可以告诉我们这些要素出现的频率， 却不能告诉我们兴趣、好奇心、想象力、理解力的结构以及构成这些精神现象的要素之间的关系，不能解释为什么会形成这样的结构， 也不能提出如何调整它们的结构的策略。统计学方法的工作假设也间接决定了它会发现何种教育模式和教育规律。教育模式和教育规律的发现是对在有关特定情况下会发生什么的预测。只要我们能够控制所有的相关条件就可以预测会形成何种结果，能够进行教育的模式预测意味着可以通过计算发现一些关系。比如，发现使学习发生、获取教益的具体条件，只要这些条件获得满足就可以产生我们期望的结果。传统的教育研究实际上一直在寻求一种“关系”解释，各种教育模式或教育规律本质上体现为教育活动中的各种“ 关系”（因果关系，不是相关关系），教育模式或教育规律实际上是对教育活动中各种关系的具体表述。统计学方法忽略掉了教育活动中的“关系”，实际上也就忽略掉了可能发现的教育模式或教育规律。因此，计算教育学通过统计学方法的概率计算寻求教育模式或教育规律可能是一个悖论。当然，这些局限性并不妨碍我们用教育大数据做出某些分析，如学习分析、教育评价等数据密集型计算方法确实有效。但是，不能因为这种方法的局部有效性就以为它可以解决所有的教育问题，就可以用这种技术去测量、计算整个教育的各种量的数值，并发展出一门计算教育学，通过计算获得某些规律。我们通过概率计算教育活动的时候，当一些集体现象表现出一定的稳定性、具有高概率，就被认为其背后有规律的存在。这种发现规律的方式本质上还是经验主义的，概率计算获得的还是经验类知识。教育规律并不是建立在高概率的基础上，教育方法、教育策略、教育政策并非依据概率制定的，教育规律受到文化、制度、伦理等多层面的制约和影响。“统计概念并不是如实证社会学者们一向所以为的，可以超越特定时空场域而有着普遍而客观的有效性。”［50］数据密集型科学研究范式并非像人们认为的那样可以完全规避传统的实验科学、理论科学、计算科学范式对于理性判断、理论假设、理论诠释的依赖，只不过将对研究者本身的知识结构、价值立场和意识形态的“个体依赖”转交给了算法开发者和程序员，数据并非在没有理论的情况下自己在发言。数据驱动的驱动器是算法和模型，算法和模型的背后需要某种原理做支撑， 任何算法和模型都是基于某种先验的理论构建起来的。无论是采用何种算法，本质上都是数学建模，都隐含着对教育问题、教育活动的主观考察和价值判断，程序员调整模型、引入新变量、调整参数离不开已有的教育理论、知识、经验总结，特别是源自于程序员的主观因素。数据密集型科学研究范式貌似帮助研究者摆脱了对理论假设的依赖和个体主观因素，但是研究的理论依赖和主观性乃至于偏 见依然存在，只不过是隐藏在了算法、智能设备的背后，不过是将“以研究者为中心”转换成了“以机器为中心”，“理论依赖”转换成了 “数据依赖”和“算法依赖”。这种就地掩埋式的“客观性”背后隐藏着更大的教育风险，因 此更加需要配套计算教育理论以抵御数据风 险、算法风险。算法和模型是数据密集型计算方法的实现载体，智能设备以及算法、模型、数据处理技术定义了我们能够获取何种 数据以及能够从数据中发现什么。“每一个代数方程或一组这样的方程都规定了一类模 式，当我们用明确的数值代替其中的变量时， 这些模式便具体化为个别的具体表现。”［51］因此，所谓的“数据驱动”背后依然隐藏着“规则驱动”。规则驱动也导致了某些计算上的 逻辑循环，我们应用基于某个教育原理的算 法去计算教育，发现的往往还是那个已知的原理或规则。目前，采用大数据方法所进行的教育数据分析还没有发现一条新规律。教育本质上是由规则驱动的，而非由数据驱动的。在自然语言处理、计算机视觉、信息抽取和信息检索等领域单使用相关性模型就可以满足应用需求，然而如果要求在给定情景下提供如何干预或者控制某些因素的决策支持，则需要使用因果推断模型。［52］教育实践中教师更多地需要使用因果推断进行教育决策。各种统计工具擅长的是相关分析， 它并不追求数据背后的必然逻辑、不进行因果推断，基于相关分析得出的结论往往是表面现象，反映它们有某种共同变化的趋势，但并不必然存在因果关系。［53］相关分析并不足以对教育决策提供有效支持，“教育学”价值不大。“量化其实只是一种近乎没做什么决定的决定。”［54］从教育研究的最终目的来说，我们想知道的并非“是什么”的问题，而是要知 道“怎么办”、“怎么教”。对教育规律的寻求不是像自然科学学科那样寻求相对简单的公式。自然科学对规律的寻求是数据的，教育领域并不存在这种基于数据的“规律”，教育规律并不是用数据表征的。甚至在教育领域我们很难应用“规律”这个概念，“通常意义上的规律的概念，似乎很难被用在有关复杂现象的理论中，因此把科学描述为‘制定规律’ 或‘立法’的学说，只适用于那些可以归纳出简单现象理论的只有两三个变量的问题，却不适用于超过了一定复杂水平的现象的理论”［55］。发现教育规律的前提是我们能够知道对形成教育结果起作用的所有条件和关系，运用实验科学范式或理论科学范式，我们能够知道学习的发生是由某些类型的条件决定的，“但无法具体说明决定着被预测的那类模式将会出现的特定条件”［56］。统计学的方法不能帮助我们知道教育以及学习何以发生的条件和关系，我们无法搞清楚使学习发生的、对人的学习起作用的所有事实，也无法控制使学习发生的所有相关条件。我们对教育进行的规律性解释实际上都是针对某种教育模式的理论描述。比如， 像雅斯贝尔斯（Jaspers，K.）所揭示的那样， “所谓教育，不过是人对人的主体间灵肉交流活动”［57］。而且类似对教育模式的揭示也只 能到此为止，我们无法控制一个心灵如何去 影响另一个心灵，无法控制心灵之间互相影 响的所有条件以获取预期的肯定性结果。我 们研究发现的“规律”只是这种对教育活动特点进行描述的一般模式，而不是自然科学领域经过精确预测和计算所发现的精确模式， 即使借助于大数据手段，我们也不可能期望掌握“ 灵肉交流”过程中各种变量之间的关系。所以不要期望以“数据驱动”发现某种可控制结果的模式，获取教育发生的必要且充 分条件，并通过满足这些条件使预期的教育 效果得以发生。“个人的个性仍然是一种非常独特且无法说明的现象——我们可能有望通 过诸如赞扬和谴责这类从经验中发展出来的 做法对这种现象施以可欲的影响，但是从一 般的角度来讲，我们仍然无力对个人的具体行动做出预测或进行控制。”［58］教育领域并 不存在类似于物理规律、机械规律那种隐藏 在现象背后的简单规律，所谓的教育规律只 能是关于教育的一些理论性阐释，而不是那 种用两三个变量表达出来的“定理”、“定律” 或“公式”。我们应该构建不同于自然科学的“数据驱动”的教育理论表达范式，不能“把科学理论等同于寻找一个参数取决于另一个参数这种简单意义上的规律”［59］。教育过程中虽然也存在大量成功的教育案例，但是，这些成功的教育案例背后存在何种规律性，需要满足哪些条件、这些条件的满足需要达到什么量值我们并不清楚，对于教育何以成功我们的认识是模糊的。如同埃尔斯特（Elster，J.）所认为的那样，自然科学的规律解释是“一种决定论的解释：给出前提，只有一个可能的结果。社会科学即使有这样类规律的解释，也是极少数的。解释项与被解释项之间的关系不是一对一或多对一，而是一对多或多对多。很多社会科学家试着用统计的方法为这种关系建模。然而，统计解释本身并不完备， 因为它最终不得不依赖对看似可信的因果机制的直觉”［60］。他主张不通过寻求统计相关的因素来解释社会现象，而是通过探求那些可以展示出社会现象如何产生的机制来进行解释。［61］波普尔同样认为，社会学家不可能将对社会变化的因果解释“ 表述为数量规律”，“社会科学的因果律即使有，在性质上也必然与物理学的因果律迥然不同，因为它们是定性的，而不是定量的和数学的。如果社会学的规律能够确定任何事情的程度，它们也只有用十分含糊的措辞，充其量只能作出大致的估计”［62］。我们应该围绕教育活动建构关于如何协调各种复杂“关系”的理论或方法，而不是为了使教育学成为“科学”而像自然科学学科那样寻求某个唯一的数量规律。这样说，并不是说我们不可以进行教育模式的探索，而是说我们实际上不可能运用计算科学、统计学的技术通过量化、计算发现教育模式。对教育模式的探讨只能通过解释学的、质性的、模糊性的方式进行。教育学所涉及的教育方法、教育策略、教育理论看似做了正确的解释，其实本质上都是有限性理论而不是精确性理论，根据这些理论，我们对教育效果只能进行笼统的预测。对于做出的任何一种教育策略，我们都无法预测可能产生的确定性结果，即使最优秀的教师，也无法对他自己的教育活动进行精确预测。教育所能产生的更多的是“ 未预期结果”。 我们寻求的教育模式或教育规律只能是一些教育机制的运行原理，我们能做的只是对教育现象的部分一般性特征的预测和解释，只是一种经验概括、一个解释方案，而不是自然科学意义上的精确预测和规律发现。基于数据密集型科学研究范式构建起来的计算教育学是完全数据科学化的教育学。教育学是认识解释教育现象、解决教育问题的实践性学科，它告诉人们在教育实践中怎么做、如何教。教育学的知识体系建构基于范畴化的知识表达方式，是用因果关系反映出来的可理解的、清晰的、可在教育者之间交流的语言，而数据分析所得到的是数据之间的函数拟合关系（也就是相关关系）。这种结果“仅仅是随机波动的产物，并不代表所研究现象的任何本质的特征”［63］。这与教育学的已有知识表示方式和话语体系存在很大差异。我们无法想象一门由函数拟合关系表达出来的教育学的知识体系是怎样的，以及它如何可能应用于教育实践、实现在教育者之间的对话和知识交流。教育知识、教育规律的寻求和表达本质上是原理机制的研究和理论阐释，而不是数据分析。教育学的适切的研究范式应该是基于解释学、现象学的原理机制解释、经验概括，而不是基于计算科学、信息科学、数学的，以数据驱动、以计算为核心任务的计算教育学。数据密集型科学研究范式“是一种探索性数据分析的范式，旨在对数据进行定量描述和定量概括，发现变量间的相关性，在性质上类似于传统研究中理论建构和假设检验之前的数据预处理”［64］。从构建一门教育学的分支学科的角度来看，这种研究范式只相当于教育研究过程中的数据处理环节或只是研究的数据起点。构建一门教育学的分支学科仅仅以“数据说话”还远远不够，需要其他研究范式“接着说”。而且，仅用数据这种研究范式“无法触及教育领域的‘真实’和‘本然’，更无法揭示教育规律，似乎大数据时代的数据挖掘本身就与教育学科的人文性相抵触”［65］。因此，我们很难将计算教育学归属于教育学科。微软研究院的贝尔（Bell，G.）在论及数据密集型研究范式时，认为这种新的科学研究范式主要是基于数据密集型计算、利用计算机从我们创建并存储在电子数据库中的数据中发现和理解自然与世界。［66］从计算教育学赖以诞生的学科渊源来看，它的学科归属更应该是计算科学和信息科学。格雷从科学领域的学术体系演变的角度指出，当前每个学科正在演变生成两个新的分支。一个分支是与收集、分析、编码数据有关的学科信息学（X-Info），一个分支是模拟该领域的系统及其运转的计算学科学（Comp-X）。［67］计算教育学的概念正是从格雷提出的新分支概念“Comp-X”演化而来，按照这种概念命名模式可以推演出诸如计算社会学、计算生态学、计算生物学等分支学科，但这并不等于我们将这些新的分支学科归属于社会学、生态学、生物学。而且，格雷是“从计算科学中把数据密集型科学区分出来作为一个新的、科学探索的第四种范式”提出来的，从概念的命名模式看，格雷更倾向于将“Comp-X”这类分支归属于计算科学。［68］总之，从学科渊源、技术手段、研究对象、研究范式各方面考量，计算教育学应该是计算科学、信息科学的细分学科，而不应是教育学的细分学科。笔者更倾向于认同计算教育学中文概念的提出者所做的学科归属，“通过对教育全过程的大数据进行精确分析和计算，把以定性研究为主体、以经验为基础的教育科学，转变为以大数据为基本对象、以计算和模型为手段的定量精确科学。从而创造一门新的科学研究方向——计算教育学。它将成为信息科学的一个重要分支，进一步促进信息科学其他分支的快速发展”［69］。与《计算教育学》一文作者进行商榷并不表示笔者反对计算教育学作为一个新兴领域、新兴学科的出现，而是主张在学科交叉的样态下保持计算教育学清晰的研究边界和学科归属， 让这个新兴的以教育数据为研究对象的学科计算它可以计算的、研究它可以研究的。在计算科学、计算机信息技术、数据科学的基础上构建一门进行数据密集型计算的，以教育数据获取、管理、计算分析为目标的归属于信息科学的教育计算学或计算教育学，可能比以教育活动和教育问题为研究对象归属于教育学的计算教育学更为适切。四、结语最后，不妨让我们科幻一下。假如计算教育学帮助我们计算出了想要知道的一切， 假如我们可以获取完美的教育规则、教育规律，那么，按照规则去执行教育计划、满足一个（或多个）原因的各种充分必要条件，是否就可以断定确定性的教育结果会一再重复出现呢？ 假使我们能够获取所有的假设条件， 将教育的所有问题如同“二二得四”那样用数学方法精确计算出来，教育是不是就一定会呈现为一种严格按照自然规律运行的图景呢？正如陀思妥耶夫斯基在一本小说中所描述的：“人的所有行为都自然而然地可以根据这些规律计算出来，用数学的方法，像对数表那样，一直算到十万零八千，并载入历书；或者更好一些，将会出现某些中规中矩的出版物，一如当今的百科辞典那样，其中的一切都得到了精确的计算和编排，于是，世界上便不再有任何冒失行为和意外事故了。”［70］一切都被精确计算出来的教育还是教育吗？像历书或百科辞典那样的教育学还是教育学吗？ 可以想象，如此按图索骥般的数学化操作将会扼杀教育和教育学。套用陀思妥耶夫斯基笔下那位“奇谈怪论者”的话：我们就假定这是一条逻辑规律吧，但或许根本就不是人类的规律。或许生命根本就是不可被计算的。在电影《流浪地球》中有一个值得回味的情节：人工智能莫斯（Moss）通过概率计算出航天员刘培强“拯救地球”的计划 100%要失败， 所以它命令刘培强放弃行动返回冷冻仓。但是，刘培强却孤注一掷引爆自己拯救了地球。人工智能可以计算所有的信息，但是它却无法将尚未发生的信息计算在内，“当人们试图用过去发生的来归纳和凝炼规律并预测未来的时候，未来的总体通常并不等于过去的总体”［71］，现在尚未发生的事情使得我们无法用过去预测未来。教育最终要追寻的是那些尚未发生的、意料之外、没有被计算在内、能够改变预定概率的未预期结果。教育的过程和结果永远是尚未发生、悬而未决的，它不像自然科学那样一旦获取答案就可以永久性地解决某个问题。教育不能用一个模式面对所有的受教育者，哪怕是最成功的教育模式也不能应用于所有的教育对象，“把统计性的概括应用于个案是个严重的错误，不仅在科学领域，在日常生活中也是如此”［72］。面对每一个受教育者都需要像西西弗斯（Sisyphus）一次次滚石上山、从头再来。“须知二二得四已经并非生活， 而是死亡的开始了。”［73］我们在“宣称一门科学能做什么不能做什么时要非常谨慎”［74］，按照机器驱动、数据驱动的模式处理教育活动和教育问题时更应保持慎重。对于教育我们要始终保持一种“谦逊的”无知和无为。人们必须明白，在社会领域中，“他们根本就不可能获得那种可以使他们掌控事件成为可能的充分知识。因此，他们必须运用他们所能够获得的知识，像园丁培植其植物那样，经由提供适宜的环境去促成社会的发展，而决不能像手工艺人打造手工艺品那样刻意地塑造其产品”［75］。————————参考文献：［1］ Lazer，D.，et al. Social Science. Computational Social Science［J］. Science（New York），2009，（6）.［2］ 刘三女牙，等. 计算教育学：内涵与进路［J］. 教育研究， 2020，（3）；李政涛，文娟. 计算教育学：是否可能，如何可能？［J］.远程教育杂志，2019，（6）；王晶莹，等. 计算教育学：是什么、做什么及怎么做［J］. 现代远程教育研究，2020，（4）；郑永和，等. 计算教育学论纲：立场、范式与体系［J］. 华东师范大学学报（教育科学版），2020，（6）；王晶莹，等. 从大数据到计算教育学：概念、动因和出路［J］. 中国电化教育，2020，（1）；许新华. 计算教育学—— 一门新兴的交叉融合新学科［J］. 湖北师范大学学报（哲学社会科学版），2019，（5）；王晶莹，等. 计算教育学：研究动态与应用场景［J］. 开放教育研究，2020，（5）.［3］［7］［21］［22］［23］［45］［46］刘三女牙，等. 计算教育学：内涵与进路［J］. 教育研究，2020，（3）.［4］［24］［26］［27］［28］［66］［67］［68］Hey，T.，et al. 第四范式：数据密集型科学发现［M］. 北京：科学出版社，2012. 前言.xi、前言.v、前言.xxi、前言.xii、前言.xiv、前言. iii、前言. xi-xii、前言. xi.［5］余胜泉，徐刘杰. 大数据时代的教育计算实验研究［J］. 电化教育研究，2019，（1）.［6］［19］贾向桐. 大数据背景下“第四范式”的双重逻辑及其问题［J］. 江苏行政学院学报，2017，（6）.［8］［9］［10］［13］［14］［16］［25］［29］［30］［50］［54］叶启政.实证的迷思：重估社会科学经验研究［M］. 北京：生活·读书·新知三联书店，2018.128、167、132、122、97、123、95、125、122、204、215.［11］ Pietsch，W. Big Data—The New Science of Complexity［EB/OL］.http：//philsciarchive.pitt.e/9944/1/pietsch-bigdata_ complexity.pdf［12］Kitchin，R. Big Data，New Epistemologies and Paradigm Shifts［J］. Big Data & Society，2014，（1）.［15］张务农. 大数据推动教育科学研究进入新境界［J］. 中国教育学刊，2018，（7）.［17］［18］［31］［62］卡尔·波普尔. 历史决定论的贫困［M］. 上海：世纪出版集团、上海人民出版社，2009. 62、61、112、20—21.［20］［47］［60］［72］［74］乔恩·埃尔斯特.解释社会行为：社会科学的机制视角［M］. 重庆：重庆大学出版社，2019. 440、8、8、26、 438.［32］［35］张务农. 论大数据之于教育研究“科学化”的价值与局限［J］. 中国远程教育，2018，（8）.［33］李芒，段冬新. 历史的会师点：教育技术的学术繁荣［J］. 现代远程教育研究，2020，（2）.［34］欧内斯特·内格尔. 科学的结构［M］. 上海：上海译文出版社，2005. 524.［36］［37］［38］［39］［40］［49］［51］［55］［56］［59］哈耶克文选［M］. 郑州：河南大学出版社，2015. 597—598、597、598、598、665、 650、641、668、661、670.［41］［58］［75］哈耶克. 知识的僭妄：哈耶克哲学、社会科学论文集［M］. 北京：首都经济贸易大学出版社，2014. 191—192、 110、204.［42］［43］金生鈜. 大数据教育测评的规训隐忧——对教育工具化的哲学审视［J］. 教育研究，2019，（8）.［44］埃吕尔. 技术秩序［A］. 吴国盛. 技术哲学经典读本［C］. 上海：上海交通大学出版社，2008. 125.［48］沈阳，等. 大数据时代的教育：若干认识与思考——访中国科学院院士梅宏教授［J］. 电化教育研究，2020，（7）.［52］［53］马双鸽，等. 大数据时代统计学发展的若干问题［J］. 统计研究，2017，（1）.［57］雅斯贝尔斯. 什么是教育［M］. 北京：生活·读书·新知三联书店，1991. 3.［61］彼得·赫斯特洛姆.解析社会：分析社会学原理［M］. 南京：南京大学出版社，2010. 26.［63］［64］［71］丁小浩. 大数据时代的教育研究［J］. 清华大学教育研究，2017，（5）.［65］南钢，夏云峰. 大数据时代的教育科学研究：可能、风险与策略［J］. 湖南师范大学教育科学学报，2020，（4）.［69］李未. 抓住 MOOC 发展机遇 全面提高高等教育质量［J］. 中国大学教学，2014，（3）.［70］［73］陀思妥耶夫斯基.地下室手记［M］. 杭州：浙江文艺出版社，2020. 32、45.What Ecation Is Needed in the Era of Computational Social Science？——An Inquiry into Some of the Opinions of theAuthors ofComputational Ecation：Connotations and ApproachesTan WeiAbstract：With the development of information technology represented by big data and artificial intelligence， computational ecation，a new cross-disciplinary research area，attracts attention at home and abroad. It studies ecation mainly based on data analysis and computation，but it deserves discussion whether ecation is categorized into a "computable social science，" just like computational social science. The rection and data processing of big data are not completely compatible with the integrity of ecation. The mathematization of ecational activities or human behavior is not as valid or feasible as that of natural sciences. Owing to the particularity of ecation and the uniqueness of ecators，"new knowledge" that can be discovered by means of data-intensive computation differs from the knowledge in natural sciences. We can merely perform limited，partial，and specific quantification and calculation of the interactions between ecators and the elements of the ecational system. The pursuit and expression of ecational knowledge and laws is essentially the study and the theoretical interpretation of principles rather than data analysis. The discussion of this issue does not mean that the author opposes computational ecation as an emerging field and a new discipline；instead，the author advocates that it should have its clear boundaries of research as a cross-disciplinary research area. According to its disciplinary origin，it should be categorized into computational science and information science.Key words： computational ecation； data-intensive scientific research paradigm； big data in ecation； computational social scienceAuthor：Tan Wei，Executive Vice President of the Chinese Academy of Ecation Big Data，Qufu Normal University，and professor of the Faculty of Ecation，Qufu Normal University （Qufu 273165）

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.

图片来源：unsplash摘要：在“互联网+”时代，在线学习是网络学习者适应时代发展、促进专业发展的重要方式。研究网络学习者学习力，开展在线学习力测评，对提升他们的在线学习水平具有重要价值。为了对网络学习者在线学习力发展测评提供科学依据，本研究结合理论研究、专家论证以及实证检验的多轮迭代，构建了网络学习者在线学习力模型，并通过项目分析、探究性因子分析及信效度验证，研制了网络学习者在线学习力测评量表。综合多轮验证与检验，验证基于此模型开发的量表信效度良好，可作为网络学习者在线学习力测评工具，为我国网络学习者在线学习力发展与测评提供依据。一、问题提出学习力是人发展的核心内驱力，学习力决定发展力（Kirby，2005）。研究网络学习者的学习力，开展在线学习力测评，提升网络学习者在线学习能力，使其成为有意识、有能力的主动学习者，对网络教育质量提升具有重要意义。在当前“互联网+”时代，针对成人学习者，网络教育的目标不应仅限于关注让学习者学会，更重要的是通过有效的支持让学习者成为会学习、有主动学习意识与学习能力的终身学习者。从“学会”到“会学”，是从关注结果走向网络教育育人目标的发展性与开放性，兼顾过程与结果，帮助网络学习者成为具有终身学习能力并适应学习型社会发展的人，是网络教育育人目标的重要诉求（李宝敏等，2017）。国际很多知名大学将学习力发展作为促进学习者学习与发展的重要目标，比如哈佛大学将培养人的目标定位于：哈佛人=学会学习的人。英国开放大学不仅重视在线学习者“学会”，并且将学习能力发展作为重要目标，通过灵活的远程教学设计，促进在线学习者“会学”，将学习能力发展作为重要目标。美国凤凰城大学将如何开展高效能的网络学习做成专题课程，为在线学习者提供支持。在我国，许多开展网络教育的高校及机构，如华东师范大学开放教育学院也特别重视在线学习方法的指导与支持，以促进学习者顺利适应网络学习。然而，对学习力有针对性的指导与培养，需要科学的测评工具提供支撑。美国麻省理工学院的福瑞斯特（Jay Forreste）于二十世纪六十年代首先提出学习力构想，成为管理学领域学习型组织的核心话语，八十年代后学习力研究在教育领域兴起。如今，随着信息技术的发展，学习力作为学习型社会与信息化社会必要的生存能力，正成为学习科学、教育技术学等学科领域学者关注的热点话题。学习是人的发展的最重要的品质和能力，对学习力内涵的研究，经历了从关注单个要素到强调复合体的转变。例如，杜门（Dopmen，1997）关注自主思考力；里斯尼克（Risnik，1987）关注高级思维能力；英国有效终身学习编目（简称ELLI）通过学习的连续性因子分析，提出学习力的七大维度：改变与学习、意义建构、探究意识、创造力、学习关系、战略意识和心理弹性；澳大利亚加强有效学习项目（简称PEEL）中，鲁思迪肯克瑞克（Crick，007）将学习力视为塑造个体参与学习机会的价值观、倾向、态度和能力的复合体。学习力的构成要素中，目前有影响力的观点主要包括：1）“四要素说”。英国布里斯托尔大学克拉克斯顿（Claxton，2007）首先提出学习力构建的四个要素，即通过四种行为表现出来的四种力量“4R”：顺应/顺应力（resilient/resilience）、策应/策应力（resourceful/Resourcefulness）、反省/反省力（Reflective/Reflection）、互惠/互惠力（rcciprccal/Rela/onships）。2）“六要素说”。余建祥基于长期的学习力研究，认为学习力主要包括学习方法、学习动力、时间管理、学习习惯、学习心智、学习意志六个要素，这六个要素互相关联又相对独立，任何一个要素的改善，都会促进学习能力的改善和提升（余建祥，2018）。3）“七要素说”。英国ELLI项目丰富了学习力的构建要素，并在语言表达上做了精确定义，它们分别是：变化和学习（Changing and Leeming）、关键好奇心（CriticalCuriosity）、意义形成（Meaning Making）、创造性（Creativity）、学习互惠（Learning Relation-ships）、策略意识（Strategic Awareness）、顺应力（Resilience），认为七个要素是相互依赖、相互促进的，属于同一事物的不同方面，其中一个或者两个要素获得发展，其他要素及个体的学习力水平亦能获得一定程度的提升。4）“综合体说”。美国哈佛大学柯比（Ki Ay，2005）基于长期的教学实践认为，学习力应该是包括学习动力、学习态度、学习方法、学习效率、创新思维和创造力的综合体，指出学习力还包括兴趣、好奇心和创造等非智力因素。此外，国际经合组织认为，学会学习的能力包括有效管理个人时间，解决各种问题的能力，善于处理不同的程序性事件，评价和吸收新知识，并把新知识及技能应用到家庭、工作、教育等情境的能力（Rychen，2007）。本文基于网络学习者在线学习特征，认为网络学习者在线学习力是指在线学习环境下，能够有效促进学习者学习动力、认知能力、学习策略与方法、学习结果相互作用的动态能力系统，它能激发学习者的在线学习动力和潜能，推动学习者顺利完成在线学习目标，最终帮助他们实现自我完善与终身发展。基于这一认识，本文结合网络学习者学习力研究和实践探索，通过构建在线学习力发展模型，分析在线学习行为特征和学习力结构内容要素，研制学习力测评工具，并通过相关验证，诊断网络学习者在线学习能力，为学习力提升与培养提供科学依据。二、在线学习力模型构建借鉴国内外学习力研究的有关成果，本研究形成网络学习者在线学习力整体框架，包括网络学习者情意、认知、自我与人际四个领域，涉及学习驱动力、学习顺应力、学习策应力、学习反省力、学习互惠力五个维度、20个能力项（见图1）。学习驱动力、学习顺应力、学习策应力、学习反省/管理调节力、学习互惠力分别体现学习的五大系统，即动力系统、情意系统、认知系统、调节系统、社会及自我互动系统，体现通过在线学习行为所表现出来的五种力量：驱动/驱动力、顺应/顺应力、策应/策应力、反省/反省力、互惠/互惠力。（一）学习驱动力学习驱动力是激发网络学习者在线学习的动力系统，是引发与激发网络学习者持续学习的关键，包括学习需要、兴趣、信念、成就目标等，直接影响网络学习者的学习行为，具体包括：1）学习需要：指网络学习者在网络学习过程中对目前水平与期望达到水平之间差距的感知与认识，对学习期望达到的目标与需求；2）兴趣：对在线学习充满积极的倾向，将在线学习作为促进自我发展的源泉和力量；3）信念：坚信在线学习对职业发展、能力提升及所追求的发展目标的正确性，具有为之付出努力的意向；4）成就目标：对在线学习活动和及其目的具有一定知觉，能感知参与在线学习活动的理由及目标。（二）学习策应力学习策应力是网络学习者熟知信息内容表征的方式，能够根据需要综合运用多种方法或策略，如提问、建立联系、想象、推理等进行学习。具体包括：1）提问：具有好奇心，善于提出问题，能潜心思考与钻研，提出与众不同的观点；2）建立联系：能利用自身经验将不同知识或事物建立联系，建立认知图式，形成认知网络图；3）想象：利用想象与知觉获取新经验，在新情境下探究新的可能性；4）推理：运用推理能力，严谨、有序地进行推理，建构观点，且不断修正完善。（三）学习顺应力学习顺应力指网络学习者能够保持耐性与专注精神，排除内外干扰，集中精力投人学习，具体包括引发并保持注意，管理分心、毅力与持久力等。1）专注力：网络学习者全神贯注投人学习；2）管理分心：网络学习者能认识并管理分心，知道什么时候容易走神，并能及时克服干扰，提起精神，创造最佳学习状态；3）注意：引发并保持注意，能聚焦学习重点与关键；4）毅力：在面临困难时仍坚持不懈。（四）学习反省/管理调节力学习反省/管理调节力是指网络学习者的规划管理、反思与调节能力，网络学习者不仅要能感知学习目标，而且能科学制定计划、预计结果、选择策略、预见问题及解决方法，及时评价、反馈学习活动过程及结果，根据问题采取相应措施及时作出修正调整，具体包括：1）计划：思考到哪里去，采取什么行动，所需时间、资源等，预见结果及将会遇到的困难等；2）调整：根据不同情境灵活调整计划，监视学习进展，发现新的机会，调整学习状态与进展；3）提取：知道在需要时提取所需信息，能将相关方法策略运用于后续学习，做自己学习的教练；4）元学习：知道自己作为网络学习者，如何才能学得更好，思考如何学习的过程和方法。（五）学习互惠力学习互惠力是网络学习者能以有效、负责任的方式建立学习关系，既能学习他人的成果，也愿意与他人共享自己的学习成果。网络学习者不仅应知道如何进行自主学习，也知道何时与如何开展合作学习，讨论问题时能表达个人观点，也愿意倾听他人观点，具体包括：1）自主性：知道何时自主学习，何时相互学习，讨论问题时能坚持自己的立场；2）合作性：知道如何管理自己，尊重他人观点，愿意分享自己的观点；3）倾听：倾听他人时能理解他人意图，具有同理心；4）观察：通过观察他人，能建设性调整方法、习惯和价值观。三、在线学习力自我测评工具开发（一）自评工具的开发与修订本研究先通过文献研究、专家咨询、问卷调查、多轮研讨及修订，构建了网络学习者在线学习力模型，并在此模型基础上开发能力测评问卷。问卷验证修订过程采用迭代方法，展开两轮小样本测评，依据反馈信息及数据分析结果，修订测评工具。为了保障测评工具的科学性与合理性，每个题项的修订均经过专家组的研讨论证与学员的试测。综合上述分析过程，确立网络学习者在线学习力的核心能力项及测评工具。（二）被试对象调查对象为华东师范大学开放教育学院在读学员，目前已接受两轮测评，第一轮测评对象为1080人，其中有效测评问卷1023份，有效测评率为94.77%；第二轮测评对象为1986人，其中有效测评问卷1890份，有效测评率为95.21%。本次测评调查采用随机抽样的方法选择样本，为了增强样本的代表性，尽量选择不同专业（23个）的样本进行抽样测评。（三）数据收集与分析数据收集采用集中填写与分散填写相结合的方式，研究者对测评数据进行严格筛选，剔除无效数据，然后利用SPSS对数据展开项目分析、探索性因素分析及信度分析，利用AMOS工具对数据结构展开验证性因素分析（吴明隆，2017）。四、结果分析本研究根据两轮预调研的数据以及专家意见对网络学习者在线学习力测评工具进行了结构调整，删除无关题项，调整各维度的题项内容，最终形成了正式的测试版量表并通过正式测试完善量表结构，形成正式的在线学习力测评工具。（一）项目分析本研究首先根据网络学习者在线学习力的五个维度对问卷题目进行分类编码，对量表题项进行临界比检验，用以检验单个题项的鉴别度，从而确保量表的科学性与严谨性。研究者将核对后的数据进行高低分组，取前27%为高分组，组别为1；后27%为低分组，组别为2。临界比检验指通过T检验检验高低组每个题项的差异，即求出高低组受试者各试题平均数的差异显著性，删除未达到显著性的题项。数据分析显示，该测评工具所有题项临界比值均达到显著水平，表明高低分组差异显著，具有较好的鉴别度，可以保留。（二）模型的探索与验证本研究首先根据一二轮的预调研数据，对量表的题项进行探索与验证，调整量表各题项所在维度与删除不适当题项，形成最终的正式量表。为检验网络学习者在线学习力测评工具的潜在结构及其对在线学习力的影响，本研究将正式测验结果一分为二进行探索性因素分析和验证性因素分析。1.探索性因素分析本研究对网络学习者在线学习力测评工具中的五个维度进行探索性因素研究，揭示各维度间的潜在结构。五个维度的KMO值均大于0.8，达到“良好的”标准，表示变量间有共同因素。此外，量表巴特利特球形度检验的近似卡方值达到0.05显著水平，表示总体的相关矩阵间有共同因素，适合进行因素分析。每个题项的MSA值也大于0.50，且各成分抽取主成分后的共同性均大于0.20，变量均具有一定影响力，说明量表的五个维度适合进行因素分析。在探索性因素分析中，本研究采用主成分分析法对数据进行因子分析，并对因素负荷矩阵直交旋转，将特征值大小以及前期理论研究基础预设的能力项作为因子提取标准。通过因素分析，研究者筛选出因子负荷过低（小于0.40）和多重负荷的（两个及以上因子负荷同时大于0.4）题项，专家根据筛选结果进行研讨，决定是否删除异常题项。研究者根据同一维度提取的因子以及各题项的分布，进一步对该测评工具的潜在结构进行解释。1）学习驱动力根据理论研究成果，学习驱动力维度划分为4个因子，研究者通过探索性因素分析对其进行归类，但归类后通过模型检验发现网络学习者在线学习力测评工具的“驱动力”未达到拟合优度模型水平。研究者进行了相应调整，重新进行探索性因素分析。第二次探索性因素分析提取3个共同因素（可以解释测量题项79.7%的变异量），分别为个人发展、目标兴趣、价值证明（见表一）。其中A1-A5分别考察的是学习者对在线学习可促进自身职业发展、能力提升以及自我完善的信念，专家组将这五题归为“FA1个人发展”要素。A6、A7考察学习者对学习本身和所学内容的兴趣，以及是否将在线学习作为促进发展的积极力量，这两题归到“FA2目标兴趣”要素。A8和A9两题考察了学习者对在线学习自我价值证明方面的期望，归到“FA3价值证明”。2）学习顺应力依据探索性因素分析结果，学习顺应力维度原有13道题目，B11在因素2和4上双重负荷，经专家讨论确实存在语意模糊，故删除该题项。研究者对剩余12个题项再次进行探索性因素分析，提取出4个共同因素（可以解释测量题项81.6%的变异量），命名为专注力、管理分心、注意、毅力（见表二）。其中，B1、B2考察网络学习者对在线学习的投入状态，B3、B4考察学习者的注意力集中程度，专家组认为这四道题目均属于“FB1专注力”范畴。但由于B3“排除外部干扰”表述可能会产生歧义，误认为是管理分心，专家组研讨后，将B3的表述调整为：网络学习时，我能够集中注意力，不受外部干扰”。B5属于及时调整状态、创造最佳学习状态，B6、B7题在两个因子上负荷过高，为谨慎起见，专家组对该题项进行研讨。专家一致认为，B6考察的是学习者克服干扰、持续学习的状态，B7描述的是学习者是否能开展深度学习，表意明确，属于管理分心范畴。因此B5-B7题归到“FB2管理分心”要素。B8-B10题均属于聚焦学习重点与保持注意范畴，应归到“FB3注意”要素。B11-B13表意清晰，指学习者面临困难时仍坚持不懈的态度，归到“FB4毅力”范畴。3）学习策应力学习策应力维度原有13道题，本研究依据探索性因素分析结果删除了第13题与第11题，对剩余11个题项进行第三次探索性因素分析，提取出的4个共同因素（可以解释测量题项85.9%的变异量），分别为推理、建立联系、想象、提问（见表三）。C2在2和4两个因子上负荷较高，虽应优先选择因子2，但专家研讨认为C2属于提问范畴，因此C1、C2两题归到“FC1提问”要素。C3属于思考现象与本质的联系，C4属于探究已知与未知、理论与实践间的联系，这两题均归于“FC2建立联系”要素。C7题项叙述清晰，指运用想象策略进行在线学习，C5、C6两道题虽未直接指出想象，但表达了利用知觉获取新经验的含义，且因子归类结果也属于想象范畴，专家讨论认同将这三道题归到“FC3想象”范畴。C8考察的是建构观点，C9考察的是推理演练，C10和C12考察的是修正和完善观点，根据探索性因素分析结果，这4个题项均归到“FC4推理”。4）学习反省/管理调节力学习反省/管理调节力原有19道题，研究者依据探索性因素分析结果删除了第9题，对剩余18个题项再次进行探索性因素分析，提取出4个共同因素（可以解释测量题项81.4%的变异量），分别为计划、调整、提取、元学习（见表四）。D1-D3属于学习者在线学习时的计划工作，归到“FD1计划”。D4、D5题在两个因子上负荷均过高，为谨慎起见，专家组研讨认为D4预测学习收获与成果不属于学习计划范畴，而是对学习过程的把控，应归到“调整”。D5题项表意明确，属于调整学习计划，也归到“调整”。D6、D7表意明确，属于调整学习计划与进度，专家组将D4-D7四道题项归到“FD2调整”要素。D8、D10两题属于在学习过程中进行思考，提取所需信息，D11属于利用资源获取信息，D12、D13表达了思考何种方法策略适用于学习。这五道题项均属于学习者在线学习中利用学习策略改进学习、做自己学习的教练，专家组将其归到“FD3提取”。D14-D16表达了学习者在线学习中思考如何学习的过程和方法，D17-D19描述了学习者对自身学习的态度，这六道题项表意明确，均属于“FD4元学习”范畴。5）学习互惠力学习互惠力维度原设定4个因子，但通过探索性因素分析，研究者发现提取2个公共因子时量表呈现最佳结构。专家经研讨，将学习互惠力原定的4个要素调整为两个：）自主与合作，即在讨论问题时愿意分享自己的观点，能坚持自己的观点，同时尊重他人观点，能站在对方角度思考问题；2）观察学习，即通过观察他人，向他人学习，建设性调整方法、习惯和价值观。调整后的2个共同因素可以解释测量题项83.3%的变异量（见表五），其中E1-E3属于在讨论中交流互惠，归到“FE1自主合作”要素；E4-E6属于与他人学习过程中习得知识，归到“FE2观察学习”要素。2.验证性因素分析本研究运用Amos软件对随机分半的另一半数据进行验证性因素分析，对探索性因素分析得到的能力模型进行检验。通过进一步调整，能力模型达到拟合优度模型水平（见表六）。网络学习者在线学习力的五个能力维度的CMIN/DF、RMR、GFI、TLI、CFI、PGFI指标均达到标准范围，顺应力和反省/管理调节力的RMSEA指标略高于判断标准，AGFI指标略低于于判断标准，但均在误差允许范围之内，均可视为模型拟合良好。各项指标检验结果显示，本研究所建立的网络学习者在线学习力模型有良好的拟合性，模型合理。（三）问卷信效度检验1.信度检验量表各维度的克隆巴赫Alpha系数（内部信度一致性系数）均大于0.85，且量表的克隆巴赫Alpha系数为0.988，说明问卷具有较高的信度。2.效度检验1）内容效度本研究针对量表内容效度确立的两个阶段进行了严格把控。在量表制定阶段，研究者以相关研究为基础，对量表的维度进行定义，同时邀请专家对量表结构和题项进行调整修订。在量表内容效度的评价阶段，研究者针对华东师范大学开放教育学院的学员开展了多轮测试，对量表的项目进行验证审查，同时专家组对量表项目反复审阅和修订。“分析一修订一验证”多次迭代，确保量表的各个项目具有较好的代表性，能比较准确地测量网络学习者在线学习力水平。因此，本量表具有较高的内容效度。2）结构效度本研究采用项目分析法、探索性因素分析法、验证性因素分析法，对量表各题项的区分度及数据结构进行了严格的筛选和检验，并通过多轮测试、反复迭代，不断修正网络学习者在线学习力模型。以上措施较好地保证了量表的结构效度。六、结语本研究针对网络学习者在线学习力测量工具的开发，经过“文献研究一模型建构一量表开发一量表及模型检验一修订完善”五个阶段，并由多位专家的修改建议，保障了研究过程的规范性与严谨性，确保了研究结果的科学性与合理性。综合理论分析、专家论证及数据分析检验，本文首先构建了在线学习力模型，并针对网络学习者在线学习力进行探究式因子分析，最终得到网络学习者在线学习力量表，由学习驱动力、顺应力、策应力、反省力、互惠力五个维度组成，共56个题项。在这个量表中，学习驱动力、反省力、互惠力是一般性维度，顺应力、策应力是特殊维度。这个框架与编制的学习力量表结构一致。学习内驱力是网络学习者在线学习的动力系统，顺应力是在线学习的方法系统，策应力、反省力是在线学习的调节系统，互惠力是在线学习的激发系统。基于上述能力模型开发的在线学习力自评量表，经过多轮迭代与试用验证，证明具有良好的信度与效度，可以作为网络学习者的在线学习力测评工具。（本文原载于《开放教育研究》2018年第3期）*作者筒介：李宝敏，博士，副研究员，华东师范大学开放教育学院；宫玲玲，华东师范大学教育信息技术系硕士研究生；祝智庭（通讯作者），博士生导师，终身教授，华东师范大学开放教育学院。本文转自微信公众号“MOOC”，作者李宝敏、宫玲玲、祝智庭。文章为作者独立观点，不代表芥末堆立场。

图片来源：Unsplash摘要：移动互联网时代家庭代与代之间在信息获取、利用和再生方面存在信息不对称现象，技术和精神接入沟、功能使用沟、知识生产沟组成的“数字代沟”进一步加剧，成为导致青少年群体游戏沉迷的家庭系统因素。本文建议从国家、区校、个人层面推进和开展亲职教育，将其作为促进代际理解、畅通代际关系、消弭数字代沟、建构代际文化空间的渠道和桥梁，开创移动互联网时代家庭教育模式的最佳结合路径，为破解青少年游戏沉迷之困寻得创新良方。关键词：青少年;游戏沉迷;信息不对称;数字代沟;亲职教育;家庭系近年来移动游戏“王者荣耀”引发的青少年群体恶性安全事件引发社会各层面的广泛关注，甚至成为全国两会众多代表委员关注的热点话题。游戏沉迷现象作为社会流行的“迷”行为和文化的表征形式之一由来已久，而游戏和家长之间的“斗争”更是旷日持久。被称作“数字原住民”的青少年群体呈现出数字化生存的偏好和特点，因该群体在认知、自控、适应等方面的能力缺如，导致游戏沉迷问题的弊端格外突出，使得该群体所面临的数字化生存的在线风险问题避无可避，再次引发全社会对游戏沉迷问题的讨论和反思。本文将青少年群体的游戏沉迷问题置于移动互联网时代整个社会的信息传播环境和媒介文化生态场域中加以考察，试图以更客观冷静的视角趋近游戏文化行为，以探讨青少年群体移动游戏“沉迷”之源，更希望寻得纾解焦虑的他山之石。一、相关研究现状及问题提出反思与前瞻:研究视角的期待移动互联网时代青少年群体接触网络游戏更为便捷和普泛化，且触游低龄化现象日趋凸显。他们借助于媒介化情境在网络空间汇聚，逐渐形成壮大的移动游戏“迷”一族。“沉迷”是主体对某客体发生特殊爱好而沉醉的状态，主体通过沉迷的情愫收获内心的愉悦感与满足感，通过寄情于某客体转移负向情绪，同时收获归属感、依赖感和认同感[1]。纵观国内外研究，游戏沉迷和成瘾已不是一个新命题。已有的文献资源从管理经济学角度对企业运营、市场结构与盈利模式等方面开展了相关研究，但缺乏对用户群体特征和游戏行为的较为细致的跟踪研究。从社会学和心理学角度，对游戏用户的心理需求、社会情感、认知态度等成瘾因素分析方面开展了大量的实证研究，研究表明现实情感的补偿和发泄、人际交往与团队归属、成就体验是青少年群体游戏成瘾的心理需求驱动动机，进而在挑战和技巧的博弈中实现沉浸状态[2]。从教育学视角研究游戏沉迷对用户的影响，大多数学者都表明态度和立场，其中消极负面评价占较大比例，尤其是大陆学者对网络游戏几乎持“一边倒”的负面评价和共识，这种文化观念在一定程度上导致研究者对网络游戏性质和功能的否定性界定和描述，甚至一度成为研究游戏沉迷问题的单一理论话语，直至如今这依然是青少年游戏沉迷问题中最主要的研究言路和价值判断。但是，不同社会发展阶段的游戏沉迷问题都有其外显特征和表现方式，也有其更为具体的内驱因素和相异的社会、文化关联。理论话语的单向性在一定程度上意味着游戏沉迷问题研究的窄化和僵化，折射出研究者与研究问题的空间距离和心理距离，以及研究者个人的主流文化立场，这是值得学界高度警惕的。事实上，随着互联网与文化的不断融合和文化业态的持续革新，关于游戏沉迷问题的研究本身具有包容性和生长性的意蕴。虽然有论者认为网络游戏具有知识承载、世界认知和探索学习等教育价值[3]，根据嵌入理论构建了游戏嵌入信息素养教育的路径和机制[4]，提出了构建青少年思想政治教育网络游戏载体的建设构想[5]，但并未深入细致关注用户游戏行为的深层实践意义，比如青少年群体的商品消费行为及行为背后所释放、表征和建构的具有创新意义的游戏文化，尤其还需要关注和警惕该群体通过突破本土化的约束和界限，在网络世界彰显的消费全球化的族群力量。移动互联网时代背景下，媒介的数字化进程催生信息传播模式变革，媒介社会的文化生态也发生变化，青少年游戏沉迷问题的研究需要发展多样的、丰富的理论话语，更需要拓深学科交叉的研究和问题综合分析的视角。对游戏沉迷影响因素和成因分析的相关研究也应随着媒介技术的演变而与时俱进，突破以往仅从心理学角度去考察游戏“沉迷”影响因素的研究范式，将研究嵌置于移动互联网时代整个社会的信息传播环境和媒介文化生态场域中全面审视。尝试与探索:信息不对称理论及其社会学意义“信息不对称”或“不对称信息”作为微观经济学和信息经济学的元概念，虽然最早源于1970年经济学领域对于“市场失灵”问题的分析[6]，但它作为一种客观现实却一直贯穿人类社会活动的始终。信息不对称理论是研究信息不对称状况下个人以及组织的思想、认知、态度、决策和行为的理论。其跨学科研究发展迅猛，已深入应用经济学、法学、教育学、管理学等多个学科，并衍生出多个交叉主题。本文着重从社会学视角尝试进行理论探讨和延伸。文献回顾研究发现，张君安等认为信息不对称是“信源与信宿之间在信息本体以及信息量上的差异化，是信息分布在信源与信宿之间的一种不平衡状态”[7]。随着社会现代化进程的不断推进，信息不对称导致“信息富有者”与“信息贫困者”之间的“数字鸿沟”呈现更复杂多样的表现形式，既有国家和地域空间范畴、职业和性别等社会群体范畴的，也包括家庭不同年龄成员之间的。学界关于“数字鸿沟”的讨论和研究由来已久，其概念内涵先后经历了三代更迭，分别是“第一代:信息通信技术接入沟”、“第二代:信息通信技术使用沟”、“第三代:信息获取和使用沟”[8];也有学者将“数字鸿沟”按照信息技术的接入差异和使用能力差异分为信息鸿沟和素养鸿沟[9]。无论是哪种内涵阐释，都明确表征随着信息技术的发展和普及，因信息技术使用而产生的“素养”差异是“数字鸿沟”的主要表现形式。学界之前以“物理接入路径”为焦点的研究较多，通常关注因社会政策、经济发展、硬件建设等导致的国家、地区间数字鸿沟的产生和加剧，而对“素养鸿沟”的表现、影响因素的研究方兴未艾，尤其是不同人群之间因成长环境和年龄导致的代际差异关注稍显不足。尼葛洛庞帝曾说:“尽管许多人担心新兴技术会加剧社会的两极分化，使整个社会日益分裂为信息富裕者和信息匮乏者、富人和穷人，乃至第一世界和第三世界，但最大的鸿沟将横亘于两代人之间”[10]。已有研究数据表明年龄对于数字鸿沟有不可忽视的影响，在新媒体使用频率、利用程度及有效及时掌握新媒体知识方面，年轻群体都领先于年长群体[11]。周裕琼将这类在互联网时代日益凸显于家庭层面中、不容忽视的数字鸿沟称为“数字代沟”，是传统代沟的新文化表征和延伸形式[12]。基于以上理论基础，我们尝试从主观和客观影响因素角度将信息不对称的家庭层面表现描述为“移动互联网时代家庭内部成员之间因信息素养水平不等、信息传播过程不畅、信息分布不平衡而导致亲代和子代在新媒介的采纳、使用、理解和评价方面存在的数字代沟”。本研究认为，“数字代沟”是移动互联网时代信息不对称现象在家庭层面的投射，是素养鸿沟在家庭结构内部的具体表现形式。基于数字鸿沟的相关理论，我们将“数字代沟”解析为三层，即技术和精神接入沟、功能使用沟、知识生产沟，并引入“信息获取、信息利用、信息再生”三个测量指数，对代际信息不对称的表现进行考察和描摹，力图呈现因信息不对称带来的代际差异是如何影响并加剧“数字代沟”的，努力探求导致青少年群体游戏沉迷的家庭系统因素，也为寻求科学合理化解之法提供新的问题替代视角。二、从信息不对称到数字代沟:“沉迷”问题的家庭系统归因技术和精神接入沟:信息获取的代际差异每一代新媒介平台的诞生都会形成一代用户群，媒介技术的迅速革新在家庭代与代之间产生的媒介经验和技能差异不容忽视。家庭亲代和子代之间因获取信息的渠道、能力和内容不同而导致的信息不对称，将进一步强化代际差异的负面影响，加剧数字代沟。我国学者张海波及其团队在其研究报告中清晰地勾勒出被称为“滑一代、微一代、搜一代、游一代、秀一代”的青少年群体，从幼儿园时期开始经小学到中学三个阶段的数字化成长轨迹。报告显示，44.1%的幼儿园孩子开始玩网游，到初中阶段，手机成为三大媒介(手机、平板电脑、电脑)中最受欢迎的数字媒介，拥有手机的初中生比例达77.8%。在接受调查的孩子当中，70%以上的孩子说自己父母在家里也喜欢玩手机，60%以上的家长并没有成为孩子的微信或者QQ好友，70%以上的家长也没有和孩子约定上网的时间和所看的内容[13]。可见，亲代对于子代的网络行为在一定程度上处于“盲区监管”和“失能监管”的状态，而且青少年群体数字媒介的应用类型从幼儿园时期的“玩游戏”到小学阶段的接近成人“用户”，逐步呈现在线交友的社交需求、发布原创内容、圈粉文化等自媒体偏好。尽管已有研究将亲代与子代之间信息获取的媒介差异视为一个备受关注的变量，但亲代群体“由于缺少兴趣、电脑焦虑和新技术缺乏吸引力而导致基本的数字经验缺乏”表现出的“精神接入沟”，成为代际差异的又一明显表征。该变量体现了技术接入沟除“工具属性”外的精神属性，将比媒介差异更能影响个体在移动互联网时代的知识获取，理应成为一个更值得关注的微观变量。技术和精神接入沟的产生，使家庭系统中成员沟通模式受到了挑战和冲击，父母因不充分了解孩子所感、所思、所需、所愿，不能及时有效满足孩子对于社交互动、情感陪伴等方面的需求，由此产生的现实区隔增加了青少年群体通过网络寻找情感慰藉和心理补偿的可能性。而盛行的“王者荣耀”等游戏，恰恰在一定程度上满足其碎片化时间里对于社交陪伴、情感宣泄、自我认同、圈层归属等方面的需求[14]。功能使用沟:信息利用的数字反哺在现代家庭结构中，亲代因社会、家庭等多角色扮演和多任务并置，加之前述信息获取的差异，在媒介化环境下获取信息的量与质相对有限，成为数字化生存环境中的弱势群体，相较于子代媒介使用技能不断攀升的趋势，亲代在媒介利用的深度和效果方面存在缓滞固化和力不从心的现象，我们称之为“功能使用沟”。而伴随着互联网长大的一代，先天具有网络操作、语言运用、时间精力兴趣充沛等方面的优势，数字化成长环境的浸润使得他们无须后天学习和适应，且具备较强的自主学习能力。网络媒介成为他们在与父母、教师乃至整个成人世界互动时获得“文化反哺”能力或“话语权力”的重要途径[15]。相关调查显示，在上网知识方面，65.4%的儿童和70.9%的父母认为现在的初中生懂的比大人多。他们普遍会利用手机搜索信息、发布信息、创建自媒体，到初中阶段所掌握的娱乐、交往、学习和表达等数字化技能的诸多方面已经超过了自己的父母。未成年群体在次元文化、娱乐消费、审美时尚等数字化生存方式上具有明显的反哺话语权，甚至在社会文化结构中比较稳定的核心层面如生活理念、价值观点、世界观念等方面对年长一代产生明显影响[16]。移动互联网时代网络文化的“互动、平等、公开、共享”，有助于未成年群体摆脱传统单向的文化传递模式的束缚，他们在知识获得和赢得话语权力方面更具优势。由于层出不穷的媒介技术已催生社会、家庭结构变迁和未成年群体社会化范式变革，加之消费全球化、媒介力量、圈层文化等新的社会化因素日益凸显，导致家庭和传统教育的社会化权威在消解，对未成年群体社会化的影响力在削减。因此，互联网时代下的文化传递模式已由传统家庭中的前喻文化向后喻文化转向，“数字反哺”作为数字时代普遍存在的家庭现象，正逐渐成为现代社会生活中不可忽略而且充满无限魅力的组成部分。知识生产沟:信息再生的文化偏向在移动互联网时代，我国社会文化生产、传承的内容和方式都发生了深刻的变化，促使未成年群体社会化范式从传统意义上的“与客观现实世界的互动”变为“与虚拟社会情景的对话”[17]，对新媒介技术的掌握与运用构成了未成年群体网络文化实践中极为凸显和极其重要的组成部分。他们在网络空间享受信息自由传递、实时交互、匿名隐蔽登录和多重身份表达等多种特性时，通过网络文化实践、身份表达和意义建构等方式创造和形塑着网络空间。因此，日新月异的媒介技术和层出不穷的商品形态应该是考察文化与媒介关系的一个重要切入点，尤其是要着眼于媒介技术和商品本身的具有文化建构功能的论析。即使媒介技术在社会阶段、历史情境、经济和政治力量等因素规约的前提下，特定的媒介技术一旦投入使用，即会显示出强大的文化潜能。以网络为载体的移动游戏天生具备在未成年群体中流行的能量和优势，在不断递嬗更迭的过程中以其特有的场景重构能力、部落化特征和时尚流行的语言符号系统形成新鲜的文化刺激，挑战和对抗作用于社会整体文化面貌的建构，激发和催生特定的亚文化形态，进而对未成年群体的游戏“迷”文化产生建构和塑造作用。当青少年游戏群体日益形成“迷”族群体认同而彰显出族群力量时，就会催生知识众创和共享，显示出该群体特殊的游戏行为实践意义和文化症候。综合以上论述，若亲代和子代在信息获取、信息利用方面的信息不对称只是在“数字代沟”的深度量级上施加力量，那么信息再生方面的不对称引发的“知识生产沟”将可能成为撕裂“数字代沟”的重要影响因子。在应对和破解青少年游戏沉迷的问题上，政府层面一直致力于通过内容控制、法规制约和行业自律等强制性网络监管手段进行干预和控制，这对营造安全健康的网络环境，尤其在应对网络色情、网络暴力等网络危险类型方面具有一定防范效果，但是强制性的网络监管措施因内容控制的技术漏洞、法规事后追惩性、游戏服务商自律性不足等因素显得较为低效和乏力。此外，一些柔性管理措施如加强网络素养教育也被作为应对青少年游戏沉迷问题的有效举措得以全面开展，业界呼吁应构建由学校、媒体监管机构和公益组织牵头的工作联合体，如应将网络素养教育纳入中小学教育课程体系[18]、由媒体监管机构和公益组织实施网络素养教育[19]等等。但是，以上工作的受众或服务对象均是青少年，忽略了家庭结构中亲代的力量。从育人目标的宏观体系来看，教师育人和家庭育人作为教育体系的两翼驱动，教师与家庭必须密切配合，以发挥教育合力[20]。尤其是面对青少年这一生命周期阶段，家庭育人位属育人链条的前端环节，亲代素养水平直接影响家庭教育的成效。通过前文论述可知，现代家庭结构内部的数字代沟的产生并非源于“物理接入路径”问题，而是“素养鸿沟”导致，而素养教育在很大程度上涉及教育层面的问题，并非简单通过物质支持和资金投入就能解决。随着现代社会人们对科学育子教育价值的深入理解，学习型社会及终身教育理念的不断普及和落实，针对家庭教育面临的挑战，亲职教育能促进父母通过系统学习获取和习得称职的亲代角色行为，并引导、帮助子女适应社会与健康成长，这已成为顺应时代发展要求而蓬勃发展的教育思想。但是，由于亲职教育目前尚未列入我国正规教育系统，总体研究与发展缺乏整体规划与彻底推行，如何充分借鉴和参考国外亲职教育的先进经验来推进和提升我国亲职教育工作，消弭家庭系统中数字代沟，促进家庭结构和成员之间的“信息对称”，努力建构移动互联网时代双向互喻的家庭教育模式，为破解青少年游戏沉迷寻得创新路径，是值得探讨和思考的重要问题。三、亲职教育:消弭数字代沟、破解游戏沉迷的创新路径国家层面:优化顶层设计，强化制度保障和政策支撑西方国家亲职教育已有近百年历史，其精华和成熟经验值得借鉴，如美国拥有遍及各州的全方位亲职教育机构，涵盖政府机构、学校、社区、教会和企业等各责任主体，建立了诸如“父母中心”、“教育反应研究所”、“公民教育委员会”、“家校研究所”等专业机构，通过“学生与家长角色交换日”、“社区父母资源中心”、“教育改革运动”等活动品牌和计划有效开展亲职教育[21]，在改善家庭沟通模式，促进家、校、社参与和合作方面发挥了积极作用。可见，政策的科学制定和有效施行，是顺利有效开展亲职教育的制度保障。我国应充分认识到对亲职教育进行顶层设计的重要性和迫切性，应出台相关亲职教育法律法规，通过立法明确各级部门的亲职教育职责，解决主管机构和执行机构不明确的问题;建立相关法律制度，明确规定家长学习权利和义务，尽快把亲职教育纳入国民教育体系，为亲职教育的蓬勃发展提供法律保障。同时严格规范家庭教育指导机构，确立亲职教育实践的地位，严格约束与规范教育指导者的行为，积极拓展亲职教育的可行性方式与创新途径，构建家、校、社联合体教育模式，最大限度凝聚合力，发挥一体化优势，解决目前亲职教育实践中随机性强、传播面有限、内容零散等实践难题。区校层面:科学构建亲职教育课程体系，提速学习资源建设亲职教育培训是促进家长知识更新、实现媒介素养提升的有效手段。我国自2003年发起国内首家专门研究中国亲职教育的“中国家长教育工程”以来，旨在以家庭、学校和社区为基地，以家长教育为突破口，以未成年人教育为切入点，将未成年人思想道德教育与国民素质教育有机结合，为构建更加和谐的社会提供有效举措。随着工作的开展，先后进入全国多地市教育、妇联等部门拓建子工程，初步形成了商业推广模式。未来的亲职教育工作开展过程中，教育管理部门要基于科学家庭教育信息、知识与家长迫切需求的现实，有计划、有阶段制定分层、分类的亲职教育培训方案，为家长提供个性化的教育培训服务;同时，组织不同区域教育机构之间互相观摩、借鉴，不断提升区域资源共享水平和联合教育能力。学校层面，国内各高校、公共图书馆等文化教育主体应广泛开展面向社会公众的亲职教育实践，注重转变亲职教育观念、创新亲职教育方式、更新亲职教育内容。笔者建议学校应有针对性地开设如人才学课程，使家长建立新型人才标准，了解人才成长规律，树立科学人才观、培养观，科学引导孩子健康成长;开设生理学、心理学、教育学课程，了解儿童的身心发展规律和特征，形成科学的教育观，科学引导孩子成长过程;同时还要开设计算机、新媒体相关课程，使家长能够了解孩子网络化数字化生存的特点和规律，不断提升家长媒介素养水平，努力弥合家庭系统内部的数字代沟。个人层面:树立家庭系统思想，增强亲职教育的主体意识、行动意识家庭系统理论认为，家庭是一个系统整体，成员之间的情绪活动既相互联系又彼此影响，家庭系统中的情感过程和家庭模式可在代与代之间长期传递，同时家庭系统中存在维护平衡的动力法则，儿童在成长过程中出现的“问题”，既反映了家庭成员关系中的“问题”，也可能是为维持系统之间某种平衡而产生的[22]。父母的自我分化程度、家庭的三角关系、与原生家庭的深层链接等都可能成为家庭系统中的压力因素。因此，家长在教育过程中应转变观念，应充分认识到亲职教育不仅是保障儿童权利、教育子女的需要，也是成人自我完善、构建幸福和谐家庭的需要。根据家庭系统理论的观点，开展亲职教育其目的不能单纯简化为具体的教育方法和技巧，应强化主体意识和行动意识，回归和置身于完整的家庭系统来重新认识子女的教育问题，挖掘其背后深层次的原因，从亲代自身成长经历反省、疗愈和修复，才可能从根本上实现亲职教育的最终目的。其次，要合理设置家庭系统中亲职教育的内容，分别从觉察和梳理与原生家庭关系、构建积极夫妻亲密关系和开展科学亲子教育三个维度激发核心家庭三角关系动力模式的潜力，必要时适当借鉴家庭系统治疗的相关实用技术，对个体、家庭、小组、团体等开展多层次、多维度的亲子教育培训活动，以期在提升亲代媒介素养、改善亲职督导方式、构建和谐亲子关系、重塑家庭系统沟通模式中发挥应有作用。四、结语在移动互联网时代，移动游戏已超出纯粹技术工具论的范畴，除具备实现大众传播的消费和娱乐功能外，其本身承载的同侪认同、团队合作、文化传承等文化功能不可小觑，已逐渐发展成为消融生产、消费和传播之间界限的参与性媒介。诚然，我们反对的不是“游戏”，而是坚决反对任何形式的“沉溺”，如何破解青少年游戏沉迷问题，需要社会、学校、家庭、企业同频共振、联动发力。面对移动互联网时代家庭系统内部的信息不对称导致的数字代沟问题，亲职教育作为促进代际理解、畅通代际关系、消弭数字代沟、建构代际文化空间的渠道和桥梁，可作为破解青少年群体游戏沉迷问题的创新路径。此外，移动游戏成功营销的互联网用户创新思维，将品牌塑造与培养用户情感融合融通，对建立代际优质沟通模式、构建家校师生共同体等教育理念变革提供了思维源泉和智慧借鉴。同时，互联网企业要牢牢把握移动游戏产品的意识形态和文化价值属性，坚持数字产品是文化产品的核心定位，坚守价值的共识排序，在技术层面源头设限，提升游戏防沉迷水平和游戏的教育文化功能，共同助力实现社会、企业、家庭真正的“王者荣耀”。参考文献:[1]马中红，陈霖.无法忽视的另一种力量[M].北京:清华大学出版社，2015.[2]才源源，崔丽娟，李昕.青少年网络游戏行为的心理需求研究[J].心理科学，2007(1):169-172.[3]乔乐林.网络游戏的功能价值及在青少年思想政治教育中的借鉴[J].中国电化教育，2015(4):127-131.[4]张垒.游戏嵌入信息素养教育机制研究[J].图书馆学研究，2013(19):10-13.[5]宋雪飞.开发利用网络游戏促进青少年思想政治教育[J].中国青年研究，2006(6):16-18.[6]Akerlof.The Market for“Lemons”:Quality Uncertainty and the Market Mechanism[J].Quarterly Journal of Economics，1970，84(3):488-500.[7]张君安，汪开海.论新闻传播中的信息不对称—曹墓考古引发的众声喧哗的启示[J].新闻前哨，2010(4):28-30.[8]姜宛彤，王翠萍，张艳婷.后喻文化视域下师生代际数字鸿沟弥合策略研究[J].开放教育研究，2016，22(1):66-71.[9]石映辉，韦怡彤，杨浩.教师数字鸿沟的发展与弥合—基于从信息鸿沟到素养鸿沟的视角[J].现代教育技术，2018，28(3):59-65.[10]尼葛洛庞帝，胡泳，范海燕.数字化生存[M].海口:海南出版社，1997:15-16.[11]林枫，周裕琼，李博.同一个家庭不同的微信:大学生VS父母的数字代沟研究[J].新闻大学，2017(3):99-106.[12]周裕琼.数字代沟与文化反哺:对家庭内“静悄悄的革命”的量化考察[J].现代传播(中国传媒大学学报)，2014，36(2):117-123.[13]张海波.数字时代我们怎样和“00后”一起成长[J].中华家教，2016(3):56-57.[14]李一陵.防止未成年人沉迷游戏不能光靠腾讯“三板斧”[N].中国青年报，2017-07-04.[15]周晓虹.文化反哺与媒介影响的代际差异[J].江苏行政学院学报，2016(2):63-70.[16]刘长城.网络时代的后喻文化特征与亲子互动方式的转变[C].中国青少年发展论坛暨中国青少年研究会，2010.[17]刘长城.网络时代青少年社会化模式的转变[J].当代教育科学，2007(21):55-57.[18]15名政协委员联名提案把网络素养纳入义务教育[EB/OL].https://www.aliyun.com/zixun/content/2_6_394971.html，2014-12-16.[19]王国珍.青少年的网瘾问题与网络素养教育[J].现代传播(中国传媒大学学报)，2015，37(2):143-147.[20]薛二勇，刘爱玲.习近平教育思想:中国教育改革的旗帜与方向[J].中国教育学刊，2017(5):9-16.[21]冯丹.中美两国亲职教育实践的差异性探析[D].曲阜师范大学，2013.[22]欧阳洁.家庭系统理论对当前亲职教育的启发与思考[J].长江论坛，2015(5):69-71.本文转载自微信公众号“中国青年研究”，作者胡玉宁。文章为作者独立观点，不代表芥末堆立场，转载请联系原作者。