智能時代的教育科學研究：內涵、邏輯框架與實踐進路

鄭永和 王楊春曉 王一巖

【摘要】? 教育科學研究是教育事業的重要組成部分，對教育改革發展具有重要的支撐、驅動和引領作用。本研究通過總結當下教育的表征形態、理論基石和研究范式，歸納出智能時代教育科學研究的內涵是以真實教育問題為導向，有效結合自然科學的研究范式，深度融合以人工智能、大數據、認知科學、神經科學為代表的科學與技術，以發現教育基礎規律為重點研究內容，服務于以科學化、精準化、智能化為核心特征的高素質人才培養、多元教育評價、優質服務供給與治理的新型教育研究。基于內涵，本研究考察并參考自然科學基金“教育信息科學與技術”方向的申請主題，將智能時代的教育科學研究歸為“基礎規律層”“技術方法層”“智能服務層”，構建了教育、科學、技術相融合的教育科學研究邏輯框架。最后，從教育科學研究的價值定位與實踐路向、數據驅動的教育評價和教育服務體系、推動多學科交叉融合和構建教育科學研究體系四個方面明確了智能時代教育科學研究的實踐進路，以期為我國教育科學研究的健康發展提供參考。

【關鍵詞】? 智能時代;教育科學;教育研究;教育機制;教育規律;邏輯框架;實踐進路;智能技術;認知神經科學

【中圖分類號】? ?G40-03? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）6-0001-11

一、問題的提出

2019年10月，教育部印發《關于加強新時代教育科學研究工作的意見》。該文件明確提出，教育科學研究是教育事業的重要組成部分，對教育改革發展具有重要的支撐、驅動和引領作用。為促進教育研究有效落地，推動教育實踐快速發展，需要理清教育科學研究的演變方向。智能時代，科技創新為教育變革帶來了巨大動能，主要體現在教育內生機制轉變、教育研究范式演變和教育基礎規律探索三個方面。因此，本研究從以上三個方面入手梳理教育科學研究的現狀與問題，為理清智能時代教育科學研究體系的演進提供參考。

（一）科技創新驅動教育內生機制變革

科技創新是引領社會生產、生活方式變革的內生動力。教育發展的歷史表明，科技和教育始終彼此影響、相互促進，教育既為科技創新提供人才支撐，又受到科技創新需求的深刻影響。第一，科技創新驅動人才培養目標重塑，決定了人才培養方向。創新型國家戰略目標的確立對科技人才和創新型人才培養提出了新的需求，驅動人才培養目標從大規模、流水線、標準化的工業社會人才培養模式向以創新、應用、素養為導向的信息社會人才培養目標轉變。第二，科技創新驅動教育主要矛盾發生轉變。在教育改革發展新時期，我國教育領域的主要矛盾已經由稀缺的優質教育資源同人們日益增長的高質量教育需求之間的矛盾，轉變為優質、均衡、個性、終身教育發展同落后的教育供給體系和教育服務模式之間的矛盾（陳麗， 等， 2017），據此，需要充分發揮科學技術在教育資源供給和教育服務模式創新中的核心作用，推動我國教育現代化建設朝著個性化、均衡化、優質化的方向發展。第三，科技創新驅動教育形態發生轉變。縱觀現代教育改革發展的進程，科技創新在極大程度上改變了知識的生產、傳播和進化模式，使得知識從封閉、穩定的表征形態向不確定性、建構性、多樣性等形態轉變（陳琦， 2004， pp.183-185）。同時，科技創新發展推動了教育媒介和教育環境的升級，使得傳統的以紙質書本為媒介、教師講授為主導的課堂教學模式，轉向以多媒體學習資源為依托、以學生主動進行知識建構為導向的智慧型課堂教學。

（二）智能技術驅動教育研究范式演變

大數據、人工智能等新興技術的快速發展推動了教育現代化的實踐進程，變革了教育科學的研究范式。數據采集與分析技術的進步使得實時、大規模教育教學數據的獲取成為可能，使教與學研究更加基于數據循證;計算能力的大幅度提升，使得教育研究從抽樣檢驗過渡到海量數據的挖掘分析;人工智能算法模型的構建，使得教育研究范式演變為基于數據的預測和解釋。首先，新興技術助力智慧學習環境的構建，學習環境集成了數字化的教室、教具、設備、學習資源、交流社區等，通過多模態數據的獲取與分析探索教學規律，推動了教育科學研究從傳統的經驗主義向數據驅動的循證式研究轉變。其次，利用教育大數據建模、分析、預測的基本思想，拓寬教育科學研究的視野和邊界，破除理論假設的主觀依賴和偏見，克服抽樣誤差彌合數據間隙（南鋼， 等， 2020），深化對教育現象中復雜關聯關系的挖掘分析，推動以抽樣數據為主的實證研究向以海量數據挖掘為主的數據密集型研究范式轉變。最后，傳統量化研究遵循自然科學研究方法，以自上而下的形式展開研究，包括提出假設、構建模型、創設實驗、測量分析等，而以數據密集型研究范式為主的研究有可能是以自下而上的數據分析為基礎，通過大量數據的智能采集和精細分析來解釋教育現象、發現教育規律、構建理論解釋并開展預測應用（鄭永和， 等， 2020）。

（三）認知神經科學深化教育基礎規律探索

人者，心之器也。心理活動與思維過程在教育科學研究中具有重要地位，是揭示人類學習過程的根本，只有明晰“人是如何學習的”，才能對學習者進行更好的培養與干預。然而，關于教育底層規律的探索，相關的心理機制與思維表征因其隱性、難以準確觀測的特點，研究多以理性討論為主，鮮有從教育主體本身出發，用科學的方法來觀測和收集數據（周加仙， 2013）。如今，認知神經科學的快速發展有可能為教育基礎規律的深入探索帶來更多可能。利用認知神經科學的方法與手段，可以：①為經典的教育理論提供輔助證據，從腦認知機制的角度解釋和驗證行為數據，加強研究的科學性和可解釋度;②對教育現象與教育問題進行腦認知機制詮釋，通過對人腦的了解更好地提升教育質量和教學效果;③對教學過程與教學效果進行神經-心理-行為評估，驗證外在表征與內在狀態的一致性，提高評估結果的可靠性和預測效果的準確性。因此，搭建教育、認知科學與神經科學之間的研究橋梁，深入探索教育基礎規律已是大勢所趨。

科技創新對教育研究的影響日益深刻且重要，但當前教育科學研究的現狀仍然存在諸多嚴峻挑戰。第一，教育與科技長期分離，人才培養模式與教育理念無法滿足教育變革需求，規模化、大眾化的課程、教學方式與教育服務模式仍為主流，創新性、個性化教育理念被嚴重削弱，科技創新在解決教育實際問題方面的作用發揮不夠，科技與教育深度融合亟待加強。第二，教育研究領域重大科學問題凝練不足（鄭永和， 等， 2021），研究者缺乏對教育教學系統復雜性的深刻認識，對自然科學帶來的教育變革認識模糊，跨學科研究意識淡薄，導致無法精準捕捉教育科學發展背后存在的重大科學問題和技術難題，難以有效設定教育科學研究的具體發展方向、路徑與任務。第三，人文社科范式與自然科學范式在應用上缺乏有機融合，教育科學基礎研究薄弱，受制于傳統教育研究范式的影響，我國教育研究以理性討論和傳統實證研究為主，落后于國際前沿的教育研究方向和方法，制約了我國教育教學實踐的發展和人才戰略的實施。第四，教育學與自然科學、技術學科或領域的研究對象、話語體系存在顯著差異，不同學科的研究成果很難簡單移植到教學實踐和課堂學習，不少研究脫離特定教育情境開展跨學科研究，缺少以系統觀和全局觀指導下的面向教育領域真實問題的交叉研究。

據此，亟須系統梳理智能時代的教育研究特點，深入剖析教育科學研究的時代內涵，明確智能時代教育科學研究的方法、內容與路徑，結合多學科的理論與方法，凝練教育科學背后的重大科學問題與技術難題。本研究旨在明確智能時代教育科學研究的內涵，提出教育科學研究的邏輯框架，明確我國教育科學研究的重要問題域和實踐進路，為推動智能時代教育科學研究提供參考。

二、智能時代教育科學研究的內涵

隨著智能時代的來臨，新興科技迅猛發展，教育變革的拐點正在到來，教育的表征形態、理論基礎與研究范式正在發生深刻變革，教育科學的內涵亟待重新梳理，以此指導智能時代教育科學研究的體系建設與有效發展。教育科學中的“科學”之意，更多地代表具有科學性取向的研究方法與手段。“科學”是運用系統的方法處理問題，從而發現事實變化的真相，進而探求其原理原則的學問（胡中鋒， 2018， p.2）。同時，科學知識要求具有客觀性、可驗證性、系統性、規律性等特點（郭貴春， 等， 2006， pp.6-14）。教育科學通常指用科學的方法來研究和處理教育問題，探求教育這種社會現象的變化和發展的客觀規律（陳昌岑， 1986）。據此，教育科學所探討的問題是否客觀，也依賴于探求知識、規律或解決問題時所采用的科學技術方法。本研究從當下教育科學的技術化與多樣化表征、多學科交叉以及自然科學范式融合這三大特點出發，總結教育研究的“科學化”內容與研究方法，從而歸納出智能時代教育科學研究的內涵。

（一）具有技術化、多樣化的表征形態

從農業時期的私塾教育到工業時期的規模化教育，再到互聯網時代規模化和個性化相統一的教育形態，科學技術的進步在極大程度上改變著教育的基本樣態，促進教育方法和教育理念的系統變革（楊宗凱， 等， 2019）。在知識表征方面，隨著多媒體技術的發展，知識的呈現方式由以文字符號為主，轉變為以圖像、音頻、視頻、動畫等多媒體形式進行多元呈現，虛擬現實、增強現實和混合現實等新興媒介技術的發展更是在極大程度上拓展了知識的表征形態。在知識傳播方式方面，在互聯網技術快速發展的時代背景下，知識的獲取途徑越來越多樣化，教師的知識霸權地位逐漸被打破，大規模在線開放課程促進優質教育資源遠程投放，有益于更好地實現教育公平。在學習方法和人才培養機制方面，學習的實踐樣態逐漸從“被動的知識傳授”向“主動的知識建構”方向發展，亟須構建更加靈活、高效的教育組織模式，提供更加多元化的數據驅動的教育評價和智能化的資源供給，為學生的自主學習和探究式學習創造良好的支撐環境，促進人才培養機制的變革。

（二）具有多學科交叉融通的理論基石

教育理論涉及對人活動的解釋。面對教育過程中的復雜現實問題，教育研究逐漸向多學科融合創新的方向發展。信息科學、數據科學、認知科學、神經科學、生物學、人類學等多學科與教育的交叉融合，為教育基礎研究與應用研究提供了新視角和新手段，由此可為教育實踐提供科學化和全方位的理論與方法支持。智能時代的教育科學研究以教育學、心理學和神經科學的理論和方法為基礎，創生出學習神經基礎（黑箱探索）、教學方式創新和超學科性人才培養三類新型共性問題（曾育芬， 等， 2020），反哺人工智能時代的教育變革。

（三）深度融合自然科學的研究范式

中國教育科學研究方法是以馬克思主義為指導，采取多種方法，以探求教育內部各要素之間和其他事物之間的關系，以及教育的質與量之間的變化和規律（李秉德， 2001， pp.12-14）。教育科學研究常用的方法有抽樣法、測量法、問卷法、敘事法、實驗法、比較法、個案法、行動研究法等（胡中鋒， 2018）。從科學研究范式的演化歷程來看，從以實驗研究為主的第一范式和以理論研究為主的第二范式，到以計算機仿真為代表的第三范式，再到以數據密集型科學為代表的第四范式，科學研究的根本邏輯在于利用多樣化的研究手段（王峰， 等， 1996）對客觀現象加以科學解釋，并從中發現潛在的科學規律。在智能時代，社會科學與自然科學相互滲透、相互聯系的趨勢日益明顯。目前，以大數據、云計算、人工智能為代表的現代科學技術的發展為教育科學研究方法的變革提供了新的契機，以神經科學、認知科學為代表的自然科學為發現和解釋教育規律提供了新方法與新手段，由此將推動教育科學研究逐漸向數據化、科學化、智能化的方向發展。

綜上所述，智能時代的教育科學研究的內涵是指，以真實教育問題為導向，深度融合自然科學的研究范式，結合以信息科學、神經科學、認知科學、學習科學、大數據、云計算、人工智能等為代表的科學與技術，以發現個體認知發展規律、教與學規律和教育生態系統演化規律，明晰人工智能時代科技變革教育的根本途徑為研究重點，服務于以科學化、精準化、智能化為核心特征的高素質人才培養、多元教育評價、優質服務供給與治理的新型教育研究。這里需要明確，教育的研究對象具有復雜性。威廉·笛爾泰曾說：“自然界需要說明，對人則必須去解釋。”因此，一方面，教育科學研究需要理性討論的加持，為其提供倫理價值的考量與評判，保證研究者在教育科學研究道路上的清醒與理智。另一方面，教育科學研究應盡可能去解釋與預測客觀的教育現象，從而為教育的理性討論提供自然科學范式下的參考與借鑒。

三、智能時代教育科學研究的邏輯框架

國家自然科學基金“教育信息科學與技術”（F0701）立足于教育領域的關鍵科學問題與技術難題，面向教育應用實踐中的問題解決需求，開展了自然科學方法促進教育實踐、教育管理與決策等教育科學代表性研究。該方向較多囊括了教育科學領域中的高水準研究項目，涵蓋了豐富的教育科學研究問題，體現了教育科學在基礎理論、基本方法和關鍵技術等方面與自然科學深度融合發展的新趨勢（鄭永和， 等， 2021）。因此，本研究參考國家自然科學基金“教育信息科學與技術”（F0701）2018—2020年度的資助項目主題，以及陳麗等提出的“新時代信息化進程中教育研究問題域框架”（陳麗， 等， 2018），梳理出以個體認知發展規律、教與學規律和教育生態系統演化規律（基礎規律層）為研究目標，以面向真實場景的智能化教育情境感知、基于多模態數據融合的教與學過程解構、基于多學科交叉融合的學習發生機理和基于復雜性科學的教育生態系統演化規律詮釋（技術方法層）為方法手段，以實現個性化學習、智能化教學、精準化評價、科學化供給與治理（智能服務層）為研究愿景的智能時代教育科學研究的邏輯框架。具體框架內容如圖1所示。

（一）基礎規律層

對教育規律的探索與掌握，是教育科學研究的基礎工作，對推進教育科學化發展、助力社會實踐育人具有重要意義。作為智能時代教育科學研究的基礎規律層，需要探索人之根本的心智與腦、心智與外顯行為的關系;在此之上探索教學過程中的人與技術、資源、環境等要素的交互作用機制，把握教學中的基本規律與現象成因;為了保障教育內部及教育與社會的健康和可持續性發展，需要從生態學視角研究智能時代的教育發展規律，以宏觀、中觀到微觀的視角對教育生態系統進行深度剖析。對這些規律的科學認識，有助于回答當代“培養怎樣的人”“如何培養人”等核心問題。

1. 個體認知發展規律

人的可塑性是教育得以可能的根本存在（約翰·哈蒂， 2015， p.5）。個體在教育過程中的知識習得、能力提升、思維養成和創新發展與大腦的認知過程密切相關，因此在教育“科學化”的探索道路上，從個體的認知發展規律入手來研究教育更能夠觸及教育本質。認知（cognition）或心理活動，描述的是知識的獲得、存儲、轉化和使用，其中包含了大量的心理加工過程，涉及知覺、注意、記憶、語言、問題解決、推理和決策等方面（瑪格麗特·馬特林， 2016， pp.1-2）。就個體的一般認知發展規律而言，人是社會性動物，渴望與他人交往并理解對方行為，對社交中的非言語線索非常敏感（約翰·哈蒂， 2015， p.4）;認知負荷理論認為個體的認知資源相當有限，大腦一旦處理過多信息會產生認知負載，注意力和記憶力將快速下降（陳巧芬， 2007）。就教育過程中的個體認知發展而言，其認知過程復雜多變，受教育環境、教學內容、教學模式、教師與同伴、社會文化等外在因素，以及學生心智發展水平和信息加工能力的內在因素綜合影響;對于特定教育情境下的認知發展，尤其是在信息技術不斷重塑人類學習方式的背景下，個體可能會對多媒體創設的環境更加感興趣，對生動活潑、色彩鮮明的材料保持更好的注意力（曹培杰， 等， 2012），可能更傾向于屏幕閱讀來專注多重任務與提高信息獲取速度（Prensky， 2001）。無論是從心理層面討論個體認知規律，還是對教育過程中的個體學習發展規律的研究，對于教育科學的系統化研究來說都極為重要，對教育質量的提升具有根本性意義。

2. 教與學規律

教學系統作為教育系統的一個子系統，是由教、學以及師生互動組成的一個有機整體（Zheng， et al.， 2018; 楊輝， 等， 2007）。如今依舊活躍在教育話語體系中的“教學相長”“因材施教”等重要思想，無一不在揭示教育主客體、教學環境、教學內容、教學媒介之間存在重要的相互作用和聯系。對于教與學規律的探索，需有限定的教育情境，將教師、學生、環境、資源及其教學的各種影響因素作為有機共同體來探索，這是教與學研究需要遵循的基本要求。

以往教與學規律的探索未能從學生的生物學基礎展開討論，而認知科學和神經科學的崛起，為挖掘深層次的教與學規律提供了更大可能。大腦的可塑性是學習發生的生物學基礎，個體學習潛能受到生物學基礎的約束。隨著神經科學、腦成像技術的發展與突破，神經元信號傳遞的工作原理、腦功能分區的工作特性、腦聯通網絡的工作機制不斷被揭示，腦的黑箱正在逐漸被打開，學習發生機制的探索更加深入。在認知神經層面，已經有大量研究聚焦探索學習的一般規律和學科教與學的特異性規律的腦認知機制及其聯系;解析教與學過程中師生互動、生生互動、人機互動的腦認知機制;研究特定教育情境下教學媒介和教與學的調控因素（注意、情緒、動機、睡眠、執行功能、元認知策略、家庭教育、社會教育、學校教育以及因素間的交互作用）對教學人際互動影響的腦認知機制，以及教師教育與專業發展的腦認知機制等。而在智能技術蓬勃發展的今天，學習內容、學習環境和教學方式均發生了巨大改變，“技術”視角下的教與學規律探索為教育科學基礎研究增添了活力，如探索智能教學環境下的多智能體混合增強的機理研究，人機互動支持教學的一般和特殊規律研究，計算環境下的協作學習發生機制研究，STEAM教育、翻轉課堂、項目式學習以及在線協作學習的學習發生機理研究等，為更好地發展智能時代“如何學習最有效，如何教授最有效”的相關研究提供了科學的基礎支撐。

3. 教育生態系統演化規律

當人類文明走向新階段，人與自然成為命運共同體，人類的生態意識與生態思維空前活躍，運用生態學的理論和方法研究教育現象和教育問題日趨興盛（鄧小泉， 等， 2009）。人、教育、環境彼此聯通，構成了一個不斷適應與發展、平衡與失衡、共生與競爭的生態系統，其發展是一種漸進有序的系統發育和功能完善過程（范國睿， 1997）。教育生態系統通過自身變革來適應外在環境，體現在根據當時社會的經濟、科技、政治現狀等來適應性地調整人才培養目標。教育生態系統內的學習者，會根據自身的認知結構、行為模式、身心狀況“同化”和“順應”環境（皮亞杰， 1990， pp.42-50），從而不斷成長與發展。不同水平與層次的教育需要教育資源的不同投入，產出不同類型與質量的人才，服務社會不同領域的發展，社會發展又會影響人才培養方向與質量，這一持續發展的過程還會有新技術的融入與舊技術的淘汰，整個過程影響教育生態系統，教育生態系統與外部環境不斷進行物質、信息和能量交換，在平衡與失衡中不斷轉變。

從生態位理論的視角來看教育生態系統，其中不同層級的個體（學校、學生等）都擁有適合自身生存和發展的生態位。學校需要宏觀把控教育生態系統的發展規律，研究教育資源分布、行業競爭、人口與勞動力等情況，同時還需要微觀剖析自身優勢，如此才能產生和諧穩定的共生與競爭狀態。同時，需要關注學習者的個體差異，運用生態學、數據科學、信息科學、教育學、心理學等的理論和方法，對學生的個體特征與個性化需求進行智能分析，使學生契合實際生態位，由此才能使育人生態鏈科學健康（李景春， 2006）。由此可知，把握教育生態系統發展規律是促進教育變革，實現教育內部以及教育與社會和諧發展的重要基礎與前提。

（二）技術方法層

技術方法是智能時代教育科學研究的關鍵，是支持教育基礎規律探索和教育實踐變革的有力武器。該層聚焦智能時代輔助與優化教育研究的關鍵技術與方法的設計、開發與應用。對教育情境進行全方位、精準化和科學化的數字刻畫與智能感知，是后續構建人工智能算法模型和進行智能化分析的基礎。作為科技與教育深度融合的高階表現形式，個性化學習以知識的結構化表征、學習者建模以及個性化推薦技術為核心，助力規模化與個性化相統一的新時代教育。而多模態數據融合、多學科交叉融合作為智能時代解決教育實際問題、解釋教育現象的關鍵方法論，結合復雜性視野下“整體”和“系統”的視角，對探索智能時代的個體認知發展規律、教與學規律以及教育生態系統演化規律具有重要意義。

1. 面向真實教學場景的智能化教育情境感知

情境感知作為智能時代教育信息生態系統最基礎的功能特征（楊現民， 2014），通過對特定教育情境下外在學習環境和人內在的學習狀態數據的采集、清洗、整理和分析，為教育教學的個性化服務提供基礎支撐。同時，智能技術的融入也極大豐富了教育情境要素，如虛擬現實（VR）、增強現實（AR）技術通過多通道感知覺信號提供虛實結合的情境體驗，智能化的教育情境感知技術能更好地輔助學習者和教師全身心沉浸在教與學過程中。智能時代的教育情境涉及學習者自身情境、物理情境、計算機系統情境、人機交互情境和社會情境（吳南中， 等， 2016），情境之間相互關聯，圍繞特定的教學活動形成具有內在聯系的有機整體，具有動態性和穩定性。教育情境的感知涉及各種傳感器、探測器、采集器對用戶行為和生理、教學媒介、數字和物理環境、教學信息等的直接感知，如個人基本信息、心率、眼動軌跡等，以及應用信息技術與方法對這些信息的“二次加工”，輸出對學生、教師、環境、資源、技術、媒介等自身及相互間交互的綜合性感知結果，如學習者的知識建構模式、認知發展狀況和情感發生機制等。直接感知的技術和設備包括定位系統、紅外線探測、射頻識別、心電、皮電、皮溫、眼動追蹤、觸覺反饋、語音記錄、視頻記錄、溫度濕度記錄等，“二次加工”感知涉及復雜動態情境中不同要素內部和之間的交互機理研究、教育情境感知數據的采集模型研究、網絡探究社區的情境信息共享技術研究等。只有穩固智能化情境感知這一基礎，才能對與其有密切相關性的個性化學習開展科學、有效的應用與研究。

2. 基于多模態數據融合的教與學過程解構

隨著智能技術與數據科學的發展，教育數據的表征形態和處理方式得到了極大豐富;學習科學、認知科學與神經科學的快速發展，也使得越來越多的教育科學研究將人、教育和環境作為系統，將課堂教學中的教育主體、教育內容、教學方法、教學媒介等作為有機整體，將人的行為、心理和生理作為學習機制發生的綜合性因素，教與學的數據總體呈現出多源化、層次化、情境化和時序化的特征（王一巖， 等， 2021），這需要利用多模態數據的信息互補機制，提升單一模態數據分析的有效性，最大限度還原教學生態全貌并剖析底層的教與學規律。為了明晰整個教與學過程中要素間的交互作用以及各個要素對教學效果的影響機制，需要對其進行全局化的數據處理，以多模態數據的融合呈現來反映整個教與學過程全貌，梳理教育要素之間的層級關系和并列關系，并為優化教學過程提供精準化的數據分析基礎與調整方法。首先，利用智能感知設備實現對真實課堂環境下教學行為數據和教學情境數據的精準采集，構建基于文本、語音、視頻、生理信息、環境信息等內容的多模態數據集，對教育主體和教育情境的特征進行有效提取，實現對教學過程的全面追蹤。利用多模態融合技術探索多通道教學信息融合下的人機交互、人人交互的學習機理，挖掘基于多模態數據感知的教與學行為模式，實現教與學過程的完整解構。

3. 基于多學科交叉融合的學習發生機理解讀

重大科學突破多產生于學科交叉。多學科交叉所形成的綜合性方法和思維，有利于有效解決教育領域面臨的重大問題與復雜問題，是教育科學創新發展的重要支撐。利用認知神經科學的理論與研究方法，利用腦電技術（EEG）、功能性近紅外光譜技術（fNIRS）、功能磁共振成像技術（fMRI）等腦成像技術探索學習和教學過程中的腦機制，為以經驗為主的教育研究向行為、心理和生理相結合的循證教育研究轉變提供理論依據與技術支持。例如，根據“集中學習更有效還是分布學習更有效”這一經典爭論，有研究提出了神經科學的相關證據，支持了教育心理學中通過行為研究法得出的結論，即分布學習要比集中學習更好（Gerbier & Toppino， 2015）;神經科學研究證明師生的腦信號同步數據可以驗證學習效果的優良，腦同步越強，教學效率越高（Zheng， et al.， 2018）。此外，人工智能、信息科學、數據科學的融合研究為教育中的問題解決和規律發現提供了更多可能性。情感計算是人機交互與人工智能領域中日益受到關注的新研究方向，也是信息科學、神經科學、生物學、心理學、認知科學等多學科交叉的新結合點。在教育領域，一旦機器具有情感識別和表達能力，與學習者實現自然交互，必然會達到更好的教學效果。因此，面向學習空間的基于多模態大數據的學習者情感分析與歸因、隱性學習行為挖掘與情感傾向計算、情境學習心理建模與評價機制等交叉研究受到關注。

4. 基于復雜性科學的教育生態系統演化規律詮釋

教育生態系統是一種復雜系統。隨著社會的進步和科技的發展，教育領域不斷涌現出新的復雜形態與影響機制，運用復雜性科學的原理和方法對教育生態系統的演化規律進行剖析與解釋成為必然與應然。復雜性科學目前還沒有統一的定義（苗東升， 2001），但可以從方法論的角度來辨析復雜性科學的內涵。簡單性問題是可以用還原論方法予以解釋的問題，即能夠將研究對象分解成最基礎、最簡單的成分，最終形成成熟且普適的方法論和具體方法體系。但用還原論解決復雜問題時會捉襟見肘，原因在于諸如經濟、社會、教育這類領域打上了與人相關的烙印，組成成分雜而多，問題根源多種多樣，存在多個不確定、個別性和主觀性結果，無法用還原論解釋;學校受到外部環境的影響，一直在需求與被需求中不斷調節;學校內教師、行政人員和學生在教學、管理與學習的各自事務上具有相互聯系又各自高度自主的結合性;教學過程中存在多因素、多變量和非線性的現象，以及教學主體本身在認知發展過程中具有不確定性、涌現性和自組織性等特征，因此我們有可能運用“整體”或“系統”的理念來處理復雜性教育問題。

智能時代的教育科學并非牛頓、愛因斯坦所代表的“硬”科學，也非單純探討精神世界、感性體驗的“非科學”，而是處于中間地帶的“軟”科學，是復雜性科學發展的產物。教育科學研究得出的因果關系并不絕對，結論實際上也不能完全可重復，理應運用復雜性科學解釋教育生態系統中的非線性、不確定性、自組織性、非平衡性和不可逆性（王洪明， 2006）。基于復雜性科學的理論和方法，面對大數據與教育融合的新路向，以數據科學、人工智能、教育學、心理學、認知科學、神經科學等交叉融合作為方法論基礎，對學生個體的認知過程、認知特點、認知策略、元認知體驗等進行建模分析;以教與學發展過程中的動態信息流為基本框架，建立面向教與學、管理、決策、實施、評價的數據分析模型，從而理清“人-機-物”協同生態下教育主體、教育情境、智能技術之間的交互作用模式;在保證師生等數據主體的隱私和數據安全的前提下，采集、整理與分析學校、區域內的教育教學數據、教育管理數據等，形成學校生態系統的“數描化”，為整個教育生態系統的演化與發展研究提供數據支撐，從而形成有理論、有方法、可驗證、可落地的教育生態系統演化規律。

（三）智能服務層

新興科學與技術正逐漸滲透到當代教育的各方面，對個體學習、課堂教學、規律探索、現象詮釋等產生了深刻影響，革新了教育的服務業態。智能服務層作為智能時代教育科學研究的實現樣態，是基礎規律和技術方法的落腳點。對智能服務層的個體學習、教師教學、教育評價、教育供給和教育治理這幾個方面展開探索，既能反哺教育基礎規律的深入研究，同時還能為教學過程中智能技術的優化迭代提供可靠的證據支撐，最終形成動態穩定、健康循環的教育科學研究新生態。

1. 學習

智能時代的教育更注重學習者的個性化體驗、學習情境的感知性與靈活性，強調學習過程的跟蹤以及行為數據的深度分析，強調學習方式的多元化。為實現教育資源的精準化推送和學習路徑的自適應測評，首先要對資源進行結構化表征，構建面向資源表征、組織和計算的精準化、細粒度資源分類體系，構建多學科融合的知識圖譜，獲取知識概念及其上下位關系，實現知識的組織模式、表征模式和計算模式的深度融合，進而實現個體知識圖譜的動態生成，為精準化學習資源的推薦和自適應學習路徑的規劃提供支持。同時，要對學習者建模，利用教育學、心理學、神經科學、認知科學等領域的理論和方法，對學習者的內部心理機制和外部行為結構進行深入剖析，借助人工智能技術實現基于多模態感知的全時空多維度數據采集，對學習者“認知、行為、情感、交互”等潛在特征進行深入的挖掘分析，實現對學習者知識構建模式、認知發展規律和情感發生機制的深層解析（黃濤， 等， 2020）。然后，要利用人工智能的方法對學習者和知識之間的潛在關系進行深層次理解與表征，探究個體的知識結構和教學資源之間的潛在邏輯關系，對特定教育情境下的學習需求進行診斷，建立個性化學習路徑模型，為學習者提供精準的資源推薦和學習路徑規劃服務。

2. 教學

如今，教學方式由以教師、課本為中心的填鴨式教學，逐漸轉變為信息技術支持下的混合式教學、協作式學習等，跨學科交叉的STEAM教育、創客教育也是社會進步、信息技術發展與教育理念轉變的綜合性結果，突出了多領域融合、多技能發展的復合型人才這一培養目標。同時，傳統教學工具由于受到使用場地、操作安全性、數量與體積的限制，無法靈活、有效地運用于教學，大大降低了教學效率。科學與技術的嵌入使得教學工具自然成為教學過程的有機組成部分，無須單獨考慮其存在，其非單一、強交互的教學內容呈現工具、虛擬教具與一體化管理軟件，為教學開展提供了巨大便利。對于教學的進一步研究，需利用認知科學、神經科學、心理學、信息科學、復雜性科學等理論和方法多角度解析學科差異、年級差異、性別差異、認知差異下的教學規律，由實驗室研究逐漸轉向真實的課堂情境研究。同時，結合人工智能、云計算、物聯網、大數據等技術，探索新教學模式對教學產生影響的機理機制，提出科學、合理的教學優化路徑，助力智能時代的教學變革。

3. 教育評價

面對傳統教育評價維度單一、手段不足、結果導向等問題，智能時代教育評價的理念和方式強調，在遵循個體認知發展規律和教育自身規律的基礎上，采用數據驅動的研究范式，重點突破非侵入式、普適化、科學化的行為感知計算，研究基于大數據技術的行為感知計算、量化分析、評價建模等機制與方法，推動教育評價向精準化、智能化方向發展。針對學習成效的評價研究，通過多設備采集教學過程中的行為、心理、生理數據，建立基于多模態數據的學習評價量化分析模型與預測模型，研究面向長周期、多層面的精準學習評價模式及有效性驗證方法，揭示學習能力與學習表現之間的關系及規律。針對核心素養的評價研究，分析創新素養、數字化素養和職業與生活技能中各概念之間的層次關系和邏輯關系，提出概念分類的方法，建立科學的評價指標體系，通過交互式人機會話智能測試模型和編碼體系，采集思維活動的過程性數據和結果性數據，提出不同素養的綜合性測試方法，并構建自適應的素養診斷性綜合評價模型。針對學校、區域的教育質量評價研究，重點構建教育評價綜合指數（吳砥， 2020），通過校際或區域教育數據管理平臺采集的過程性數據和表現性數據，反映不同時空下的教育發展方向和發展程度，精準定位發展現狀與問題，促進教育質量的綜合評價向可視化、科學化和智能化邁進，提高智能時代的教育管理效能。

4. 教育供給

針對目前教育供給內容質量不高、供給方式落后等問題，亟須加大數字化教育資源的建設力度，建立優質資源的共建共享機制，利用智能技術實現虛實融合的新型教育服務，實現學習全過程的數字化、精準化、智能化和個性化;針對教育資源分配及勞動力結構不合理等問題，借助人工智能增強教師的部分職能，賦能貧困地區的教師教學，通過教育管理流程的自動化，使教師資源分配向不發達地區投放，分析學習模式并優化學習過程以確保學習質量，可以克服弱勢群體接受教育的語言和地域障礙。進一步，利用人工智能、數據科學、生態學、復雜性科學等梳理教育生態系統與外部環境之間、學校教育生態系統內部的要素關系，在教育資源分配、教育勞動力結構調整、教育單位成本計算、社會協同供給優化等方面提供精準化、智能化的數據支撐和決策支持;利用信息科學、認知科學、神經科學、數據科學、學習科學等領域，從教育主體的行為、心理和生理層面構建準確完善的學習者模型，深度挖掘學習行為的個性化特征，以此提供更優質的個性化學習支持服務，實現共性需求與個性需求共生的供給結構，構建智能時代的消費驅動、個性化優先的新型供給體系。

5. 教育治理

教育治理是多元主體民主參與、共同管理教育公共事務的過程（褚宏啟， 2014），是國家治理的重要組成部分。信息技術的飛躍式發展極大促進了教育管理信息化，提升了教育治理能力，發揮了精準決策支持、多方參與、分層實施及優化等重要作用。其中，大數據和人工智能技術是探究新時代教育生態治理體系和治理能力變革的核心，以動態發展的研究視角進一步構建基于海量、異構、多維的教育大數據綜合治理模型是關鍵。利用數據科學的思想與方法，采集教育生態系統中全時空、多主體、多模態數據并進行精準化建模分析，進而模擬教育生態系統不同層級中教育要素之間的交互機制和系統發展規律，對與教育治理相關的資源、環境、政策等要素進行綜合考量，探究相關構成要素在教育系統治理中的價值本位，從而理清智能時代教育生態系統的內部運作模式與要素間的影響機制，為教育治理的流程重組與結構再造提供科學決策證據，助力建設有序、高效、公平的智能時代教育治理新格局。

四、實踐進路

通過對智能時代教育科學的內涵剖析與研究問題梳理可以發現，教育科學與時代同頻發展，其價值定位與實踐路向隨著科技進步和文化發展而改變，把握每一階段的生長點尤其關鍵。多學科交叉與智能技術融合也在逐漸走向成熟，我國教育科學研究的發展正在逐漸形成體系，為保證教育科學研究的健康、可持續發展，需要進一步推動數據科學、信息科學、神經科學、認知科學、學習科學、心理學、教育學等的融合研究，深入探索數據驅動下教育科學的重大發展方向，并建立教育科學研究的長效機制。

（一）明確智能時代教育科學研究的價值定位與實踐路向

智能時代教育科學研究的開展需要以國家教育發展的重大研究問題為導向，構建多學科交叉融合的研究范式，融合教育學、心理學、神經科學、認知科學、信息科學等多學科的理論和方法，以智能時代教育現象的解釋和教育規律的發現為價值追求，探究智能時代技術變革教育的根本途徑，以此為后續相關研究的開展提供支持。第一，明確智能時代教育科學研究的價值定位。教育科學研究的開展始終應該以教育規律的發現為其價值追求，智能時代教育科學研究應該強調智能技術的應用在學習者認知發展規律、教與學規律、教育系統演化規律等方面的實踐價值，利用智能技術優化教育研究的中間環節，提升教育科學研究的成效。第二，明確智能時代教育科學研究的目標樣態。明晰智能時代教育科學研究支持教育現代化建設的邏輯理路與實踐框架，探究教育科學研究在教育現代化建設過程中的核心作用，并以此為依據指導教育科學研究的開展。第三，明確智能時代教育科學研究的實踐路向。通過對智能時代教育科學研究內涵、目標和定位的有機整合，探究智能時代教育科學研究的實踐路向，通過核心教育問題的界定、關鍵科學問題的凝練、重大科研項目的設立、跨學科研究團隊的設立為智能時代教育科學研究的開展提供多元支持。

（二）構建數據驅動的精準化教育評價和智能教育服務體系

數據驅動的精準化教育評價和智能教育服務旨在構建數據驅動的循證式教育科學研究范式，利用數據科學的思想對教育主體、教育情境進行精準化建模分析，構建智能化的教育評價體系，并對相關研究主體進行智能測評，利用人工智能技術實現對教育發展潛在問題的精準測評，并以此為依托，構建智能化的教育服務體系，以此推動教育科學研究的有效開展。第一，利用數據科學的思想對教育主體、教育客體和教育情境信息進行精準化采集分析，構建面向“學生、教師、學校、區域”的多元化評價體系，進而對教育活動、教育過程和教育結果進行科學研判，構建多源異構數據驅動的科學化教育評價體系，對教育生態發展和教育系統治理中的潛在問題進行智能診斷和測評。第二，利用物聯網、大數據、人工智能等新興技術實現對智慧教學生態的精準測評，并對學習、教學和管理過程中的潛在問題進行智能測評，以此為依據實現面向多元主體的精準干預。如：為學習者提供個性化的學業診斷、資源推薦和學習路徑規劃服務，為教師提供精準化的教學改進服務，為管理者提供智慧化的教育管理決策服務。

（三）推動多學科交叉融合的教育科學研究的開展

教育系統的復雜性為教育科學研究的開展帶來極大挑戰，單一學科的理論和方法已經不能滿足復雜教育科學研究的需要，需要利用多學科交叉融合的思想實現對教育問題、教育現象、教育活動的多元詮釋，推動多學科交叉融合的教育科學研究的開展。第一，利用神經科學、認知科學和信息科學的研究方法實現面向學習者行為、認知、情感的精準測評，對與學習相關的學習興趣、學習動機、學習偏好、自我效能感等特征進行深入的挖掘分析，實現對基礎科學問題的有效解決。第二，利用數據科學的思想模擬教育生態系統的演化規律，利用智能采集設備實現面向真實教育場景的多通道、多模態數據采集，探究“人—機—物”協同學習的交互機理，構建多模態數據驅動的學習交互分析機制，理清教育主體、教育情境、智能技術之間的交互作用模式，實現人類智能和機器智能的深度融合。第三，利用復雜性科學的理論和方法對教育生態系統的演變機制進行深度剖析，探究教育生態系統的構成要素、系統結構和運行模式，實現智能技術與教育教學的深度融合，挖掘深層次的教育生態系統演變規律。

（四）建立智能時代教育科學研究的長效機制

教育規律的發現、教育問題的解決、教育服務模式的優化是智能時代教育科學研究的最終目標，但教育本身又受經濟社會發展和科學技術進步等諸多方面的制約，因此教育規律本身具有很強的時代色彩。為推動教育科學研究的有序開展，建立智能時代教育科學研究的長效機制，應通過重大科研項目的設立和國家級研究中心的成立，加大對教育科學研究的資助力度，實現智能時代教育科學研究的長效發展。第一，加強國家自然科學基金對教育科學研究項目的支持，優化F0701的資助體系，強化對智能教育和教育認知神經科學領域的關注，通過重大項目和重點項目群的設立在領域內形成示范效應，推動教育科學領域關鍵科學問題的技術攻關，推動教育科學研究的實踐進程。第二，加強對國家級科研中心的支持力度，通過項目設立、人才引進、經費投入等措施培育適應國家教育發展的重要研究基地，推動教育科學理論和實踐研究的開展，并為地區教育信息化建設和智慧教育示范區建設工作的開展貢獻力量。第三，推動面向智能時代教育科學前沿發展的智庫建設，以教育科學領域知名專家學者為主體，對與教育發展相關的智慧學習環境建設、教材建設、課程設置、人才培養模式、教師培訓體系等問題進行長遠規劃，以此為我國教育科學研究的開展理清思路。

五、總結與展望

本研究從智能時代科技進步、人才培養和教育發展的時代背景出發，對智能時代教育科學研究的價值內涵進行了系統詮釋，提出智能時代教育科學研究的開展應以國家教育發展的重大問題為導向，以教育規律的發現為目標，以多學科交叉融合的研究范式為依托，創新智能時代教育科學研究的服務模式，并從基礎規律層、技術方法層、智能服務層對智能時代教育科學研究的邏輯框架進行了系統介紹，以期為后續相關研究的開展理清思路。后續研究應在現有研究的基礎上推動教育科學研究關鍵理論和技術難題的突破，強化對教育規律的深入挖掘，充分發揮人工智能技術在教育科學研究中的核心作用，建立智能時代教育科學研究的長效機制，推動教育研究朝著智能化、精準化、科學化的方向發展。

[參考文獻]

曹培杰，余勝泉. 2012. 數字原住民的提出、研究現狀及未來發展[J]. 電化教育研究，33（4）：21-27.

曾育芬，黃甫全，曾文婕. 2020. 論智能化時代教育科學的超學科范式[J]. 電化教育研究，41（1）：45-52，68.

陳昌岑. 1986. 關于教育科學研究的分類問題[J]. 外國教育動態（2）：57-60，51.

陳麗，郭玉娟，王懷波，等. 2018. 新時代信息化進程中教育研究問題域框架[J]. 現代遠程教育研究（1）：40-46，87.

陳麗，鐘秉林. 2017-11-15. 教育專家：中國教育的主要矛盾已發生轉變[EB/OL]. 中國新聞網. http：//www.edu.cn/edu/zong_he/zong_ he_news/201711/t20171115_1566602.shtml

陳琦. 2004. 教育心理學：原理與應用[M]. 合肥：安徽教育出版社.

陳巧芬. 2007. 認知負荷理論及其發展[J]. 現代教育技術（9）：16-19.

褚宏啟. 2014. 教育治理：以共治求善治[J]. 教育研究，35（10）：4-11.

鄧小泉，杜成憲. 2009. 教育生態學研究二十年[J]. 教育理論與實踐， 29（13）：12-16.

范國睿. 1997. 教育生態系統發展的哲學思考[J]. 教育評論（6）：21-23.

郭貴春，成素梅. 2006. 科學技術哲學概論[M]. 北京：科學出版社.

黃濤，王一巖，張浩，等. 2020. 智能教育場域中的學習者建模研究趨向[J]. 遠程教育雜志，038（1）：50-60.

胡中鋒. 2018. 教育科學研究方法[M]. 第1版. 北京：中國人民大學出版社.

李秉德. 2001. 教育科學研究方法[M]. 北京：人民教育出版社.

李景春. 2006. 生態位理論視域中的教育生態系統及其發展[J]. 教育科學（3）：26-29.

瑪格麗特·馬特林. 2016. 認知心理學：理論、研究和應用[M]. 北京：機械工業出版社.

苗東升. 2001. 復雜性研究的現狀與展望[J]. 系統辯證學學報（4）：3-9.

南鋼，夏云峰. 2020. 大數據時代的教育科學研究：可能、風險與策略[J]. 湖南師范大學教育科學學報，19（4）：87-94.

皮亞杰. 1990. 兒童智力的起源[M]. 北京：教育科學出版社.

王峰，殷正坤. 1996. 社會科學范式與自然科學范式特征的比較研究[J]. 科學技術與辯證法（3）：31-35.

王洪明. 2006. 復雜性視野下的教育研究[J]. 教育科學（4）：12-16.

王一巖，王楊春曉，鄭永和. 2021. 多模態學習分析：“多模態”驅動的智能教育研究新趨向[J]. 中國電化教育（3）：88-96.

吳砥. 2020. 我國基礎教育信息化發展指數構建及應用研究[J]. 教育科學研究（11）：92-96.

吳南中，王覓. 2016. 基于情境感知的智慧學習環境探究[J]. 現代教育技術，26（5）：18-23.

楊輝，周應中. 2007. 課堂教學活動系統復雜性特征及其啟示[J]. 當代教育論壇（學科教育研究）（01）：80-82.

楊現民. 2014. 信息時代智慧教育的內涵與特征[J]. 中國電化教育（1）：29-34.

楊宗凱，吳砥，陳敏. 2019. 新興技術助力教育生態重構[J]. 中國電化教育（2）：1-5.

約翰·哈蒂. 2015. 可見的學習[M]. 北京：教育科學出版社.

鄭永和，嚴曉梅，王晶瑩，等. 2020. 計算教育學論綱：立場、范式與體系[J]. 華東師范大學學報（教育科學版），38（6）：1-19.

鄭永和，鄭婭峰，吳國政，等. 2021. 教育信息科學與技術領域關鍵科學問題的分析與思考[J]. 中國科學基金，35（1）：135-142.

周加仙. 2013. 教育神經科學：創建心智、腦與教育的聯結[J]. 華東師范大學學報（教育科學版），31（2）：42-48.

Gerbier， E.， Toppino， T. C.， （2015）. The effect of distributed practice： Neuroscience， cognition， and education. Trends in Neuroscience & Education， 4（3）： 49-59.

NSF. （2020， August 16）. National Science Foundation - Funding. Retrieved March 7，2021， from https：//www.nsf.gov/funding/index.jsp Prensky， M. （2001）. Digital Natives， Digital Immigrants.（pp.94-98）. On the horizon.

Zheng， L.， Chen， C.， Liu， W.， et al. （2018）. Enhancement of teaching outcome through neural prediction of the students knowledge state. Human Brain Mapping， 39（2）： 3046.

收稿日期：2021-03-29

定稿日期：2021-04-12

作者簡介：鄭永和，二級教授，博士生導師，北京師范大學科學教育研究院院長（100875）。

王楊春曉，博士研究生，本文通訊作者;王一巖，博士研究生。北京師范大學科學教育研究院（100875）。

責任編輯 劉 莉