人工智能时代的教师学情分析重构成果

传统意义上的学情分析是教师为了有效教学，对影响学生学习的各因素进行诊断、评估的方法。学情分析是教师胜任教学的基本条件，被不同国家以不同的方式写进各自的教师专业标准中。

教师在对学生做学情分析的时候，需掌握学生的身心发展水平和个性特征，理解学生的知识基础、结构及其加工过程，了解学生的语言、文化和所处的社会经济背景、社区文化、历史背景等，对学生的能力水平有所判断，对特殊儿童的需求及其相关政策有所了解。显然，不同阶段的教师对于学生及其学习了解是不同的。目前，机器学习的发展使得人工智能也具备一些学情分析的功能，其擅长的领域是对学生能力基础、智力发展特征、学习风格判断，且判断的速度、数量、精准度要高于教师。尤其是当前的技术已超越了对能力、学习结果的定性判断，能够系统记录学习过程中的信息，有助于师生对学习过程进行复盘，提高个别化教学中对个体精准诊断的水平。此外，情感识别引擎的迭代促使其在学生情绪判断上的精准度也在提高，数据分析技术的发展也使得活跃在系统里的非结构性数据有了更多的价值。

纵然如此，机器依然无法解决教学泥沼地里的许多问题，例如对特定文化背景、语言环境、社会经济背景中的学生的了解与分析。从数据的集成上来说，这未必是一个技术难题。但是从人之为人的复杂性而言，真正能够成为全面、灵活、不断成长的学情分析师的是教师。如上所述，人工智能可以扮演部分“成熟教师”“资深教师”的角色，用输入的专家知识分析学习者的能力、风格等，给予及时地追踪、评估、反馈、修正。但是人还具有社会性，作为特定组织中的人、制度中的人、特定文化背景下的人，其学习的特点、有效机制是什么？这就需要密切互动与综合判断。换言之，教师能够综合人工智能提供的个别化信息和自我或专业群体判断，来完善学情分析。

案例：牛顿——自适应平台不能代替教师(www.xing528.com)

自适应学习的运作过程是这样的：收集学生学习数据，预测学生未来表现，智能化推荐适合学生内容，最终高效、显著地提升学习效果。

牛顿是美国一家提供个性化教育的公司，通过自适应平台成为行业内的领头羊，为发行商、学校及全球的求学者提供预测性分析及个性化推荐，其覆盖的学生范围包括K-12、高等教育及职业教育等。牛顿有三个重要功能。第一，推荐课程内容，系统抓取学生的学习数据，并分析下一阶段应该学什么。第二，预测性的学习数据分析，呈现学习者现在做得怎么样，未来能做得怎么样。比如说一个学生测试得了60分，系统基于学生数据分析和对内容了解，可能会显示学生水平要高于60分。第三，内容数据分析，即评估课程的内容质量对学生学习有什么影响。牛顿核心团队成员表示，自适应平台不能代替老师，推广自适应学习的意义在于不是所有学生都能遇到好老师，自适应平台能让没有好老师的学生也获得优质的教育资源。2019年，美国知名出版集团威立宣布收购牛顿，这并不意味着自适应学习的失败，而是对自适应平台数据来源、教学内容、综合管理等提出了改良的方向。