人工智能將帶來怎樣的學習未來

劉妍 胡碧皓 顧小清

【摘要】隨著人工智能技術的發展與大量教學理論的提出，研究者對未來學習圖景的素描也日趨多樣化和復雜化，智能技術正在將想象逐步變成可能。采用科學、有效的方法進行相關性研究將有助于我們了解這些圖景要素與目前學習現狀之間的相關性與差距，為研究者和實踐者提供基于數據證據的預測借鑒，以及為如何推動未來學習提供參考。基于此，本文采用文獻計量法和質性元分析方法對近十年內未來學習研究相關的論文、報告、訪談、視頻以及項目資料等進行分析。研究結果發現：大多數未來學習主題研究主要采用德爾菲法、專家訪談法等質性研究方法，持續性、規模化的個性化未來學習發展調研相對較少;多數采用傳統研究方法解決未來研究問題，缺少未來研究方法論在教育領域的遷移;缺少教育相關領域專家和一線教學群體中的未來學習場景構建。本研究綜合未來學習的質性分析框架，結合目前未來學習所研究和預測的內容，提煉和勾勒了從傳統規模化學習到大規模個性化學習的發展，從單一學科知識到綜合的跨學科能力發展，從傳統教學決策到數據驅動教學決策的發展的未來學習圖景，總結了人工智能技術如何影響和促進未來個性化學習，理清學習方法和環境、知識內容和產生、智能技術和數據驅動的未來發展走向。

【關鍵詞】? 未來學習;大規模化學習;個性化學習;人工智能;未來研究方法論;數據驅動教學決策;綜合知識觀;質性元分析

【中圖分類號】? ?G420? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）6-0025-11

一、問題提出

未來學習與未來學研究息息相關。作為一種前瞻性和創造性的研究手段，未來預測能夠從科技和社會發展動態出發，探討選擇、控制甚至改變和創造未來的途徑，以確定在當前做出更好決策的方法（保羅·普林斯路， 等， 2020）。近幾年來，在教育領域運用未來學研究對學習方式、學習內容以及學習場景等開展預測的研究發展報告紛紛出現。2009年，芬蘭國家教育委員會推出“2030年學習的未來晴雨表”，經過多年的德爾菲法調研后，分別針對三類群體的訪談創建了五種未來學習場景，進一步關注教師和學生角色的變化，從學校和社會關系發展視角闡述了教與學發展的可能性。之后，新加坡政府提出“終身學習”“學習興趣”“公平教育”“母語學習”“未來教師”“跨學科能力”六個未來教育推進方向（Airaksinen， Halinen， & Linturi， 2017）。2018年，OECD啟動了《未來教育與技能2030》報告（The future of education and skills Education 2030）項目（Schleicher， 2019）。2019年，巴登-符騰堡州立合作大學發布了《未來技能：學習和高等教育的未來》報告（Ehlers & Kellermann， 2019），借助德爾菲法調研來自高等教育領域和人力資本領域的近50名專家的意見，從未來能力框架、未來學習和高等教育如何應對未來人力資源和經濟發展的需求等方面展開了討論，構建了四個未來高等教育場景。2020年9月，OECD發布《回到教育的未來：學校教育的四種圖景》報告，從目標與功能、組織與機構、教學工作、政策與區域規劃、機遇與挑戰幾個方面，闡述了學校外延、教育資源外包、學校以學習為中心、無邊界學習的圖景。可見，未來學研究正在教育領域得到應用，并且已經能夠預測和提供相應預案。

當下，全球科技創新進入空前密集活躍的時期，人工智能技術呈現高速發展與高度融合態勢，以顛覆性技術創新帶動全面創新，并且積極預測和支持未來顛覆性技術發展，是推動人工智能技術與相關領域融合與發展的重要方面（孫永福， 等， 2019; 蔣鑫， 洪明， 2019）。AI賦能和AI增能的未來學習場景不斷被創造出來，沖擊著知識產生、學習方式變革和人才能力的訴求等多個方面（顧小清， 2021），學習評價、學習場景和組織形式都將發生改變。郭紹青（2019）認為未來社會是機器智能與人類智慧融合的智慧社會階段，未來學生的培養更加指向高階思維的發展，致力于培養學生的問題解決能力、創新能力和情感教育合作能力等。2019年，埃森哲在《人工智能技術驅動未來變革：人類和機器能否攜手解決教育危機？》中肯定了數據和人工智能的基本價值在于容納和解決未來教學方式和學習方式的多變性和個性化。OECD（2018）在未來學習預測報告中提出，未來學習并不是單純發生在學校，會延伸到家庭，延伸到社會的培訓機構，它一定是網絡空間和學校實體空間共生的一種學習模式。根據這些關于未來學習的可能性和“模樣”預測可知，新興技術在教育中的應用將越來越復雜化、多元化，與目前學習現狀相比，未來學習將會是更加抽象、復雜的教育形態。

教育研究的開放性、未來性和多元化與技術不斷碰撞和融合，未來教學環境層出不窮，傳統意義的校園和教室教育已經不再能夠滿足目前的學習需求，個性化的隨時隨地的信息獲取也已成為學習方式之一，這也使得人們不斷思索：什么是學習的未來？然而，目前關于未來學習的預測內容更多偏重主觀推測和實踐經驗。因此，了解教育形態中的要素在未來學習中的關系、規律，提供科學的推斷證據，為教育研究提供解釋現象、改進教學的依據，是未來學習研究中亟待解決的問題。針對以上疑問，本研究將采用文獻計量法和質性元分析的方法，選取未來學習領域相關的文本、音視頻材料，對其未來學習預測的內容進行框架概括和材料編碼，嘗試構建未來學習圖景、闡述影響因素和發展趨勢，為研究者和實踐者帶來啟示和思考。

二、分析框架構建

教育變革總是在不斷推進的，其結果是動態變化的，以學習者作為系統的中心，圍繞學習結果和課程設計的知識、技能、態度和價值觀也不斷發展，其與微觀系統中的課程內容、學習材料等相關，同時也受到中觀和宏觀層面的影響。因此，設計和建構一個合理的教育未來圖景，就必須全面了解影響教育的外部、內部因素，并對其進行層次分析，梳理其內在邏輯和重點關系鏈。從影響結果角度來看，影響因素涉及教育系統、教育的目的和培養目標，以及教育機構的組織形態等。從影響因素的屬性來看，分為內在因素和外在因素。內在因素體現在影響教育系統和組織的變量，如政策、課程和教育相關工作者。外在因素體現在教育系統之外影響教育發展的相關因素，如社會文化、經濟和技術發展等（Zhao， 2019; 李爽， 等， 2020）。在系統動力學中，Fullan（2006）基于結果影響理論提出七大核心要素，包括關注動機、關注結果目標的設計、學習內容、投入反饋、學校和學區等學校環境。將上述要素轉換成具體的策略和行動，才有可能變革教育和學習成果，構成教育生態系統。OECD提出的《未來教育和技能2030》發展報告（Schleicher， 2019）綜合以上七類關鍵因素建立起教育生態系統，分為三層：①微觀層，如教室場所，主要關注學習者動機、教師的個人知識與能力發展等;②中觀層，如學校場所，主要關注以教育結果為重點的能力建立、資源組織體系;③宏觀層，如政策、財政和人力資本、社會和文化等方面。生態系統理論認為：多重嵌套的環境系統會直接或間接地影響學習者;系統內部結構聯系越緊密，學習者的認知發展越順利;外部系統間接影響學習者的社交互動，甚至影響政策和群體穩定性。同樣，教育生態系統更廣泛地由多個嵌套系統影響教學、學習過程和學習結果。從個性化學習模型視角來看，教育變革主要是為了提倡學習者參與設計與其學習過程相關的內容和材料，鼓勵跳出固有的思維模式，影響因素更加偏重體現在學習環境、靈活的課程設計和自主的學習策略（Campbell & Robinson， 2007），以及學習者特征、個性化學習路徑、能力與知識掌握目標和評估方面（Decker， 2014）。

綜合上述已知研究框架，本研究提出質性分析框架，包含：①智能技術和教育數據;②知識與技能培養，課程內容與學習材料設計;③學習過程與方法，學習環境與角色變化。如圖1所示。

（一）智能技術與教育數據

探討未來學習，離不開技術與智能技術應用的影響，《第四次教育革命》一書分析了人工智能技術價值及其對教育系統產生的不可避免的變革性影響（Seldon & Abidoye， 2018）。首先，智能技術的發展推動了知識內容的更新和人才培養需求，重新定義了知識與能力的價值。教育與技術是一場博弈（Goldin & Katz， 2008; 顧小清， 2018），教育培養什么樣的人與技術發展息息相關，學習結果及其目的與智能技術并行。其次，從學習過程角度來看，技術影響著學習的方式、過程和實施。尤其是智能技術的推動，個性化學習的方式逐步普及，為變革教育過程提供了巨大的可能性（邁克爾·桑基， 肖俊洪， 2021）。學習是一種個性化的體驗，技術的價值在于能夠根據學生個性興趣、個人能力和需求量身而定的學習內容、資源、策略路徑，既能提升學習者的好奇心與能力，降低輟學率和學習挫敗感，更重要的是幫助學習者學會學習，并培養自我調節能力和學習習慣等。智能技術能夠獲取學習者的個性化特征數據，根據其學習風格、認知和能力情況制定知識內容，開展精準化的智能輔導，課程設置和教學方法都能根據學生的需要同步調整。埃森哲的報告《人工智能技術驅動未來變革》指出人工智能技術變革教育的場景之一，即映證技術對于教育變革的重要性：在線適應性學習平臺通過人工智能技術提升個性化體驗，即人工智能技術能幫助了解特定學生是如何與平臺互動的，并為每個學生推薦正確的內容，以確保學生的學習質量。人工智能已經被用作教育服務和課程設計的一部分。人類教師將越來越多地使用它，對學生的學習提供反饋，并支持其他“虛擬教學助理”應用程序。它還可以用于精煉語言翻譯，以及幫助有視覺或聽覺障礙的學生訪問平臺。

（二）知識與技能

教育必須重新思考培養什么知識、技能和能力（Wagner， 2012），課程與知識的再設計與重組織更加需要凸顯未來學習的新屬性。新技術創造了新的機會，使傳統上被低估的知識、技能和能力凸顯更大價值。未來學習的目的將是培養學習者迎接和應對新技術帶來的挑戰和機遇。21世紀技能框架要求未來學習者在掌握英語、數學、歷史等基礎知識之外，更加注重學習和培養創新能力、問題解決能力、溝通和協作能力等（Partnership for 21st Century Skills， 2008）。歐盟提出八項具體的未來知識、技能和態度細則，包括基本科學能力、信息素養、學習能力、表達能力和協作能力等（The European Parliament & The Council of the European Union， 2006）。這些技能、知識和專業知識也正是21世紀在工作和生活中取得成功所必須掌握的。未來知識學習體系也將契合培養目標，注重基礎課程內容和綜合能力知識框架的設計，構建個性化和綜合性的課程內容。

（三）學習過程與學習方法

圍繞未來學習過程與方法的構想，學習策略、學習環境，以及學習過程中的參與者角色同樣會隨之發生變化。首先，在未來，教師的角色是提供足夠的和容易接近的情感、社交和認知以支持學生個性化學習體驗。指導建議是個性化學習的一個基本元素，幫助指導、激勵、促進學生學習。人工智能和教師可以并肩工作，使教學更有效。例如，機器翻譯可以用7，000多種現存語言中的任何一種來呈現世界上任何地方的內容，極大地擴展了教師可獲得的材料的范圍。將基于人工智能的內容管理系統與學生數據相結合，教師可以從全球數據庫中確定適合在課堂上使用的最佳材料和策略。教師使用AI來提供學習內容，確保每個學生都能實現自己的個人學習目標。人工智能可以幫助教師獲得針對特定學生的最佳資源和教學方法，從而最大限度地減少對其他低效的培訓活動的需求，提高教師的績效。隨著適應性學習的推進，個性化學習和自主學習逐步獲得支持。學習者將使用適合自己學習能力的定制化課程和項目，自定義學習進度和環境，培養復雜情境中的問題解決能力和協作能力等。靈活的學習體驗有助于彌補標準化學習模式的不足，也為學習者和教師提供“跳出框架思考”的機會，重塑學習方法和教學路徑。最后，新一代的學習生態環境的建構正在突破固定場所和標準化知識學習的“束縛”，極大地豐富了學習內容，延展了學習深度。事實上，在線學習可獲取的內容和資源越來越豐富，學習者可隨時隨地選擇感興趣和必需的課程內容，大大支持了未來自主學習和終身學習的普及。學習環境的顛覆還體現在人工智能技術的支持上，增強現實和虛擬現實環境模擬全新的沉浸式的學習環境，增加了學習者的投入度和媒體資源的體驗感。

綜上所述，本研究將從智能技術與教育數據、知識與技能、過程與方法三個層面具體展開，將三個維度的闡述內容具體化為二級指標，構建未來學習圖景的編碼框架，為本研究的質性分析提供理論依據。

三、研究過程

本研究綜合運用質性分析法，回歸人工智能和學習的本質，進行人工智能使能的規模化、個性化學習研究，探究人工智能使能的人的學習以及學習的變革，表征未來個性化與規模化學習的圖景以及影響其發展的關鍵性因素，并為推進大規模教育中的個性化學習提供策略性建議。

我們的研究分為以下幾個步驟：①文獻檢索;②選擇符合條件的研究進行研究和元分析;③制定和應用研究綜合的編碼方案;④制定和應用元分析的編碼方案;⑤編碼數據分析。

（一）研究樣本的選擇

本研究采用判斷抽樣的方法，綜合考慮樣本的權威性和全面性，本研究將樣本確定為：①國內外未來學習和教育發布的預測報告，如UNESCO、OECD發布的預測報告The future of education and skills Education 2030等;②有影響力的中英文期刊，如：Journal of Education for Teaching、European Journal of Education、Research in Science Education、European Journal of Teacher Education、The Internet and Higher Education、Futures等;③關于預測未來學習的書籍，如Schooling for Tomorrow Futures Thinking等;④領域專家的分析報告和專項項目，如Rethinking Education through Imagining Future Scenarios、The Millennium Project、德爾菲法百人教育家調研項目。在谷歌學術中輸入“future education”“future learning”“AI impacts personalize education”“未來教育”“未來學習”“未來個性化教育”“AI支持的未來學習”等相關關鍵詞，共搜集2010年到2020年刊發的168篇文獻，經過篩選，排除無關和思辨類文章，最終選擇91篇研究文獻作為本研究的分析對象。

（二）編碼框架與編碼過程

為了進一步細化編碼方案，基于刻畫未來學習框架，本研究結合未來學習的理論框架形成對應維度的細顆粒度的編碼框架，并將樣本屬性部分分為發表機構與時間（OECD， 2020; Miller， 2018）、研究主題、研究階段、主要研究方法和工具、數據支持，如場景構建（Ahmad， 2019）、德爾菲法（OECD， 2020）和社會科幻小說（Social science fiction）方法（Selwyn， Pangrazio， Nemorin， & Perrotta， 2020）。

根據維度的內涵解析，將知識與能力維度細化為知識體系（Airaksinen， Halinen， & Linturi， 2017）、能力體系（OECD， 2020; Ahmad， 2019）、培養目標（Pellegrino， 2017）、評價策略與標準（OECD， 2020）四類;將過程與方法維度細化為學習方法與途徑（Airaksinen， Halinen， & Linturi， 2017; OECD， 2020）、學習過程（OECD， 2020）、學習環境和場景（Ahmad， 2019）、學習者角色（OECD， 2020）、教師角色（OECD， 2020）、課程設計與資源（OECD， 2020）;智能技術解析后的二級維度包括人工智能技術（Singh， 2019; Goksel & Bozkurt， 2019; Pedro， Subosa， Rivas， & Valverde， 2019; OECD， 2020; Chrisinger， 2019; Kumar， 2019; Cox， et al.， 2019）和教育數據（Pedro， Subosa， Rivas， & Valverde， 2019;de la Higuera， 2019）;研究樣本屬性維度細化為發布機構與時間（OECD， 2019; OECD， 2020）、研究主題（Airaksinen， Halinen， & Linturi， 2017; OECD， 2020）、研究階段（COX， et al， 2019; 等等）、研究方法和工具（Ahmad， 2019; 等等）。詳見表1。

（三）編碼框架與一致性

本研究對論文的編碼由兩位編碼員完成。兩位編碼員在充分理解編碼框架及編碼規則后開展背對背編碼，統計其編碼一致性為0.92，滿足質性分析一致性的要求。之后，針對有異議的內容，尤其是二級維度的內容進行討論，達成一致后形成修訂后的編碼框架。

四、研究發現

（一）研究資料分布

未來學研究是一門綜合性學科研究，未來社會的發展變化必將影響教育的發展。未來學習和未來教育作為教育領域的未來研究內容，近十年來受到國際教育組織和研究者的持續關注。未來學習研究的文獻發表數量見圖2。在2010年之前，關于未來學習的研究處于起步階段，在2014年、2017年和2019年呈現發文量峰值，出現了英特爾未來教育、信息技術、人工智能、教師培訓、教育大數據、未來學習機制、未來教室，未來學習空間和學習科學等關鍵研究詞。

（二）研究主題和研究方法

本研究選用社會網絡分析軟件CiteSpace 進行關鍵詞共現分析，對一些關鍵詞經常同時出現在同一篇文獻的現象進行分析。在圖3中結點間的連線反映關鍵詞間的共現關系。從關鍵詞共現網絡可以看出與未來學習和未來教育相關的關鍵詞有學習過程、學習活動、虛擬學習環境、數字化學習、人工智能和學習空間。

進一步講，從文獻互引網絡分析可以看出與未來學習相關的關鍵詞有未來課堂、虛擬學習環境、智慧學習環境、人機交互、非正式學習和自適應計算等（如圖4所示）。未來學習和教育的預測內容關注了未來技術支持教育變革、未來高等教育預測、未來個性化學習（Airaksinen， Halinen， & Linturi， 2017）、未來學習能力培養和未來學習場景構建內容，與上述理論框架知識與能力、過程與環境、智能技術變革一致。

從研究方法和工具角度來看，根據文獻和調研報告的分析，我們發現研究方法有未來研究法、情境建構、社會科幻小說法、案例研究法、問卷調查法、訪談法、德爾菲法，數據分析主要包括定量分析、定性分析和文獻分析。參見表1。德爾菲法是一種結構化的決策支持研究方法，通過反復征詢專家觀點獲得見解。“千禧年”項目對全球頂級教育專家213人進行長期訪談，統計了教育專家關于2030年預測內容出現頻率在70%以上的六大維度，如適應性的知識和學習、終身學習系統等。該項目搭建獨立的德爾菲平臺（https：//www.realtimedelphi.com/），能夠實時收集和積累專家反饋，并且可以多次修改。社會科幻小說（Social science fiction）法的本質是探索未來社會和未來技術。早在1975年，該方法就已經被描述為直接從社會科學領域提取思想的寫作方式，用以闡明社會生活的多個方面，展示各種復雜關聯，如人與人之間的關聯，也包括時間、地點和其他事物之間的關聯等。在教育技術領域中，這并不是一類常見的研究方法，但是也有學者認為該方法是一種非常符合構想未來的研究方法，能夠講述“不存在的故事”（Gerlach & Hamilton， 2003）。社會科幻小說可講述在當代社會中與關鍵主題和思想相關的故事，能夠體現時代特色和文化屬性（Facer， 2011）。換言之，這樣的方法并不是單純對未來的幻想，而是根據現階段發展情況做出推斷，由此呈現矛盾沖突和辯論，為未來如何發展帶來一定思考或借鑒（Graham， et al.， 2019）。Selwyn等人（2020）曾采用社會科幻小說的方法來探索2030年數字技術在澳大利亞一所高中（湖畔中學）的使用，以及這對人們而言意味著什么。Selwyn等通過五部關于湖畔中學生活的社會科幻小說“小片段”的共同建構，討論了21世紀20年代學校數字化和數據化的發展趨勢。未來場景規劃和構建是未來學中常用的方法，《改變未來：預知21世紀》報告中第十二個案例“再思考亞太地區非正式教育的可持續發展”召集了40個相關領域專家想象未來教育的情境，通過多輪迭代和討論重新思考教育（Miller， 2018）。這樣的場景構建需要每一位專家對未來某一個階段進行快照式的想象，并描述該場景，這與動態的電影畫面不同，并不需要參與者擔心這些場景如何出現，以及為什么出現，從而盡可能地為參與者提供無限想象的空間。

（三）未來預測內容分布

根據編碼框架，本研究進一步對91篇研究論文和報告進行內容編碼，借助ATLAS.ti7軟件和可視化詞云軟件進行三重編碼以萃取最終的未來研究預測內容和要素，建立編碼之間的關聯，進而對研究主題進行提煉。在瀏覽原始材料的過程中，初始形成11個開放編碼節點。開放編碼初始統計結果如表2所示。

根據對節點及文獻的分析，可知關于未來學習預測的內容圍繞技術與教育數據、知識與技能、學習過程與方法展開。

1. 未來學習

從已編碼文獻和關鍵詞匯云可以看出，在未來學習中與學生相關的內容主要是未來學習方式和學習環境的描繪，學生在未來學習中更加自由，移動學習和無縫學習將進一步實現，這超越了學生與物理空間、學生與家庭、學生與老師等實體和虛擬的邊界，未來學生與其他學生、領域專家、真實物理環境的交互也將更加頻繁。在未來技術的幫助下，學生學習的方式將會借助思維導圖等多種認知工具和各種通用的媒體捕獲與編輯工具（Burden & Kearney， 2016），學生也會因此得到更加及時的學習反饋。未來也將更加注重過程性評價或是形成性評價。此外，在及時反饋的推動下，學生學習知識和技能的速度也會加快，學生開始學習一些具有難度的學習內容的年齡階段將發生前移。與如今的學生相比，未來學生將提前掌握更多的知識與技能。

與教師相關的主要是課程和資源的設計、學生能力培養和評價方式等方面的內容。教師在未來學習中將進一步轉變成為監督學習實踐和提供學習理論的指導者（Airaksinen， et al.， 2017; Snoek， et al.， 2003），而不是站在講臺上授課。課程的設計將更加考慮真實情境與人才目標，教師培訓將注重培訓老師如何基于個性化學習指導方法設計課程材料，以設計符合個性化學習與教學要求的課程（OECD， 2020; Shaikh & Khoja， 2012）。學生不僅要學習知識與技能，還要注重問題解決、溝通、合作、和平解決沖突等方面能力的培養，以滿足未來市場的需求。在多種技術和數據的支持下，教師和學生的溝通將不僅僅發生在課堂，多種云端交流形式也將會出現。對學生的評價方式也將發生改變，期末考試將會取消，學完即測成為新的評價方式。學生的學習進度將依據每個學生的學習能力而不同，這將進一步實現自定步調的學習形式。

2. 智能技術與教育數據

智能技術與數據驅動將增能與賦能未來學習，使其無限“逼近”個性化的因材施教。從AI打造的學習環境來看，在實體物理學習環境中將利用多種復雜的技術設備來監測學生實時的學習狀況，為學習提供技術支持，如攝像頭、可穿戴設備、學習分析技術等。一方面，適應性學習為學習者帶來了未來因材施教的可能，但同時適應性變革所需的學習者畫像、學習環境、學習內容和學習方式需要數據技術的突破。數據作為學習者學習過程的“留痕”載體，為個性化的、系統支持的適應性學習提供支持。打破傳統教學的單一知識與技能掌握模式，學習者基于自身原有知識經驗，借助適應性的技術系統和數據反饋，自我組織、自我選擇學習過程，充分考慮個體的特征，打破傳統學習的群體組織方式，將自己置于一個適應性的數字化學習環境中。

3. 未來知識與能力培養

未來的課程設計與課程資源進一步凸顯綜合能力和需求個性化，將依據學習者的人才需求和培養目標給學習者提供相應的知識和技能，不再統一傳授完全一樣的知識與技能，并且課程的設計更加注重終身學習的理念，更多考慮真實情境與人才目標。

未來的學習需要培養高階能力來適應社會發展，這也是AI發展對于未來人才需求的影射（顧小清， 2021）。未來的能力培養和人才培養目標與需求更加注重思維、素養和問題解決、創造、溝通、適應、合作、危險處置等能力的培養，評價方式也隨之更加多元化。2019年“千禧年”（The Millennium Project）項目對2050年未來教育進行預測，提取了93條行動計劃和措施，包括未來教育的發展需要利用新的人工智能工具創建一個自主管理、自定步調和探究式的混合式學習系統，旨在培養創造力、批判性思維和溝通能力。未來，人工智能與人類的認知、社交和情感能力相結合，在及時反饋的推動下教育的目標將逐步從掌握專業技能和知識向掌握個人技能、社會技能、學習技能（OECD， 2019， 2020; Scott， 2015）轉變。

4. 未來學習過程和方式

2019年，埃森哲在報告《人工智能技術驅動未來變革》中肯定了數據和人工智能的基本價值，即在于容納和解決未來教學方式和學習方式的多變性和個性化。在未來技術的支持下，基于位置的學習、移動學習、基于真實情境的學習、無縫學習將得到發展，學習方式和學習環境將更加智能和個性化。首先，未來學校里的分工會更加明確，并行于教學職能的教師之外，還會有更為專業的學習和教學數據分析師、學生情感交流輔導者。教師的時間將被釋放，在學習網絡中扮演共同學習者的角色，并以團隊的形式一起工作，承擔監督和指導的任務（Snijders， 2018）。其次，動態的、無邊界的學校將會打破傳統知識傳授的圍界，利用網絡空間隨時隨地傳遞知識，逐步模糊正式學習和非正式學習間的區分，利用AI技術推動學習空間、物理環境和學習資源的發展。未來還將出現人工智能學伴，陪伴和支持學習者在校內外開展學習（Luckin， 2016）。學校和教室等學習場所將發生變化，大學將依然存在，但是作用和地位有所降低，更加去學校化，將會出現許多學習中心，為學生提供線下學習場地，學習的地點將更加開放，向社會化過渡，學校內外將創建專用的空間，如博物館、農場或動物園等，讓學生可以隨時進行學習與實驗（Leahy， 2019）。

五、勾勒學習的未來圖景

近年來，人工智能、大數據分析和深度學習、云計算等技術“井噴”式突破，促使智能技術在各個領域的運用不斷深化，與之相應的面向信息化、網絡化、數字化和智能化手段變革未來學習的研究也不斷增多。通過對近10年的未來學習和教育的研究文獻和報告進行分析，我們發現未來研究已經廣泛用于各個學習階段，并且AI技術和經濟發展很大程度上影響了學習過程和環境，推動了知識內容和資源呈現方式的變革。從預測領域和內容來看，從單向媒體技術到虛擬和增強現實技術，從“死記硬背”知識到碎片化獲取信息，從工廠化學習到差異化和個性化學習，從單一學科能力到綜合素養，再到適應性的終身學習，未來學習在方方面面都將發生變化。本研究綜合上述分析結論，從學習方式、能力培養和智能技術支持三個方面勾勒學習的未來圖景。

（一）從線下的傳統學習到混合式、個性化的大規模學習

一場新冠肺炎（COVID-19）疫情無疑深刻影響了我們傳統學習的方式，凸顯利用技術開展教學的必要性。正因如此，學習方式也“被迫”過渡到混合式的、規模化的學習，學生將有更多的機會在不同的時間、不同的地方學習。數字化學習工具也為遠程自主學習提供了便利。目前視頻電話、在線教科書和預先錄制的講座作為傳統課堂的補充，彌補了黑板授課的不足。當下的變革大多存在于高等教育和非正式學習階段，少見于幼兒園、K12階段。未來學習將在更大程度上強調學習空間和資源的開放性、適應性和差異性。在未來，“免費”的學習機會隨處可見，這或許標志著現有課程結構的衰落和學校制度的瓦解，知識成為社會性概念，知識產生于共享的經歷。以智能技術支持的個性化學習有可能滿足每一位學習者的需求，更是在體量上能夠支持大規模學習者的個性化教與學過程。

從當前的班級制標準化教育到實現隨時隨處隨需的個性化教育，“適應性”得以實現的程度取決于標準化課堂中教學關系的破壞創新程度。由于人工智能將被用于自動化生產過程，我們可能需要重塑現有的教育機構。2020年，Kaltura公司（全球開源視頻公司）對1，400名教育工作者的調查結果顯示，他們中大多數人表示未來的教室將采取以自定步調和個性化學習為中心的學習方式。未來學習將允許學生根據個人興趣選擇他們自己的學習節奏和學習目標，也可以由人工智能、智能輔學機器人等引導完成相關選擇。AI將在教育領域識別學生知道什么或不知道什么，然后為每個學生推薦個性化的課程，也就是說，規模化的個性化學習有可能逐步開展。

（二）從單一學科知識的培養到綜合能力的提升

隨著人工智能的發展與融合，社會對人才的需求呈現出多元化趨勢，而人才的綜合素質與學生發展緊密相關。教育領域的知識觀呈現由單一向綜合發展的趨勢，這一視角下的適應性學習也因此呈現由結構化知識掌握到綜合素養發展的趨勢。人工智能在教學和知識開發中的潛力將是無限的。未來知識的獲取和掌握將是多元的和跨學科的。把知識和技能分開是不可能的，重要的是要認識到它們的區別及相互依存性。人工智能系統可以很容易地獲取和處理知識，迅速地建立知識體系的大量表象，這些表象可以被用來幫助我們發展知識和學習事實。傳統課堂中“題海戰術”優化策略，旨在通過做題來評估、診斷學習者知識狀態，以提高學習者在結構化知識點上的掌握水平，是適應性目標的下限，也意味著對單一知識的掌握。綜合能力作為適應性學習的目標，對應于未來社會對人才全面發展的需求，將通過診斷學習者在擬真問題解決情境中的多模態行為數據評估其素養發展水平，并據此提供適合其認知發展及情感適應性的發展路徑，是適應性目標的上限。

未來學習需要培養高階技能適應未來社會發展的需求（顧小清， 2021）。在人工智能時代，社會對人才的需求呈現出多元化與精益化的發展趨勢。現代社會是流動的、開放的、充滿不確定性的，未來人類需要在更復雜的情境中完成更多非常規的認知任務，這就需要綜合運用各類知識與技能，個體也將在技能、態度、情感與價值觀等的養成與取向上接受考驗。要建立人才培養與勞動力市場需求之間正向的反饋循環關系，逐步化解未來技能需求和能力培養差距的問題。

（三）從傳統教學決策和場景到AI技術和數據驅動的適應性評價

實現大規模、公平化和個性化的學習是一直追求的目標，需要識別和發現學習者的個性特征。過去，由于缺乏獲取和分析信息的手段與方法，數據是在周期性、階段性的評估中獲得，凸顯的是群體水平，詮釋的是宏觀教育狀況，缺乏對學習者的特點和個性差異的了解，無法為其提供支持性學習服務。而教育大數據具備數據量大、產生速度快、數據多樣的特點，正好適應了個性化和人性化的學習變化，從而推進傳統教學評價和決策走向依賴數據的精準評價和診斷。在大數據時代，教育過程中的一切行為都可以轉化為教育大數據，數據的產生完全是過程性的，于是有可能去關注每一個個體學生的微觀表現。有效、全面、精準的學習評價是構建適應性學習服務的前提條件。

人工智能技術和教育數據在教育服務提供和課程設計中有著不可低估的潛力和價值。隨著數據的積累，人工智能在教育中的應用很可能會經過三個階段直至成熟穩定。在第一階段，學生數據收集不足將會限制機器學習，人工智能硬件成本仍然很高，學生將被限制使用原始的自適應學習工具，教師也只能主要根據他們的輸入來獲取內容，而且學生的數據也非常有限。在第二階段，技術強化的教室為大規模人工智能應用奠定了基礎。數據隱私政策和人工智能的進步將促進更全面地收集學生數據以改善教育，而不斷下降的人工智能硬件成本將推動人工智能的廣泛使用。教室將配備視頻和音頻采集設備、手寫識別工具，并可能與現有的可穿戴技術相結合，以支持對學生和教師的行為和互動進行分析。因此，學生將獲得更多由人工智能推薦的復雜作業和補充內容，以補充課堂學習，教師則可以利用更大的數據集以及實時分析，為學生創造更個性化的學習體驗。在第三階段，將建立起一個互聯的教育平臺提供相關服務，這將極大地改變學習體驗。基于學生的數據和人工智能的強大基礎，加上支持的技術進步，將進一步加速人工智能的使用。

綜上所述，本研究通過對未來學習和未來教育的文獻和報告進行梳理，對影響未來學習發展的因素進行理論構建，勾勒了從線下的傳統學習到混合式的大規模學習、從單一學科知識到綜合跨學科能力、從傳統教學決策到數據驅動適應性診斷三個方向的學習未來圖景，期望能夠為我國研究者和實踐者提供關于未來學習方向的參考和借鑒。也許，我們可能無法精準預測未來學習究竟會是什么樣子，但是我們已經注意到AI正在提供助力。在后續的研究中，研究團隊將繼續關注未來研究方法論的應用，一方面從AI專家、教育管理和決策者、企業和一線教師的視角描繪未來學習圖景，另一方面聚焦人工智能增能的學習場景，利用社會性研究方法探討學什么、向誰學、如何學等具體問題。

[參考文獻]

保羅·普林斯路，莎倫·斯萊德，默罕默德·哈利勒，肖俊洪. 2020. 生態系統觀視角下的學習分析[J]. 中國遠程教育，41（4）：1-11，76.

顧小清. 2018. 破壞性創新：技術如何改善教育生態[J]. 探索與爭鳴：8，34-36.

顧小清. 2021. 當現實逼近想象：人工智能時代預見未來教育研究[J]. 開放教育研究，27（1）：04-12.

郭紹青. 2019. “互聯網+教育”對教育理論發展的訴求[J]. 華東師范大學學報（教育科學版），37（4）：25-37.

蔣鑫，洪明. 2019. 從“NSTC規劃”到“CSIS規劃”：美國人工智能賦能教育的顛覆與創新[J]. 中國遠程教育（7）：27-37.

李爽，李夢蕾，趙宏. 2020. 在線課程質量觀和質量要素的質性研究——基于專家、實踐者和學習者的視角[J]. 中國遠程教育（3）：42-50，81.

邁克爾·桑基，肖俊洪. 2021. 構建技術促進學習生態：如何恰當搭配技術？[J]. 中國遠程教育（3）：24-35，60，76-77.

孫永福，王禮恒，陸春華，等. 2018. 國內外顛覆性技術研究進展跟蹤與研究方法總結[J]. 中國工程科學，20（6）：14-23.

Ahmad， T. （2019）. Scenario based approach to re-imagining future of higher education which prepares students for the future of work. Higher Education， Skills and Work-Based Learning， 10（1）， 217-238.

Airaksinen， T.， Halinen， I.， & Linturi， H. （2017）. Futuribles of learning 2030-Delphi supports the reform of the core curricula in Finland. European Journal of Futures Research， 5（1）， 2.

Burden， K.， & Kearney， M. （2016）. Future Scenarios for Mobile Science Learning. Research in Science Education， 46（2）， 287-308. doi：10.1007/s11165-016-9514-1

Campbell， R. J.， & Robinson， W. （2007）. Personalised learning： Ambiguities in theory and practice. British Journal of Educational Studies， （2）， 135.

Chrisinger， D. （2019）. The solution lies in education： Artificial intelligence & the skills gap. On the Horizon， 27（1）， 1-4.

Cox， A.M.， Pinfield， S. and Rutter， S. （2019）， “The intelligent library： Thought leaders views on the likely impact of artificial intelligence on academic libraries”， Library Hi Tech， 37（3）， pp. 418-435. https：//doi.org/10.1108/LHT-08-2018-0105

Decker， S. （2014， October 20）. Personalized learning： A working definition. Education Week. Retrieved November 24， 2020， from https：//www.edweek.org/ew/collections

de la Higuera， C. （2019）. A report about Education， Training Teachers and Learning Artificial Intelligence： Overview of key issues. Retrieved November 24， 2020， from http：//cdlh7.free.fr/UNESCO/Teaching_AI-cdlh.pdf

Ehlers， U. D. & Kellermann， S.A. （2019）. Future Skills： The future of learning and higher education. Karlsruhe. Retrieved November 23， 2020 from https：//www.learntechlib.org/p/208249/

Facer， K. （2011）. Learning futures： Education， technology and social change. Taylor & Francis.

Fullan， M. （2006）. The future of educational change： System thinkers in action. Journal of educational change， 7（3）， 113-122.

Gerlach， N.， & Hamilton， S. N. （2003）. Introduction： A history of social science fiction. Science Fiction Studies， 161-173.

Goksel， N.， & Bozkurt， A. （2019）. Artificial Intelligence in Education： Current Insights and Future Perspectives. In S. Sisman-Ugur， & G. Kurubacak （Eds.）， Handbook of Research on Learning in the Age of Transhumanism （pp. 224-236）. Hershey， PA： IGI Global

Goldin， C.， & Katz， L. F. （2008）. The race between education and technology. Cambridge， MA： Harvard University Press.

Graham， M.， Kitchin， R.， Mattern， S.， & Shaw， J. （Eds.）. （2019）. How to run a city like Amazon， and other fables. Meatspace Press.

Kumar， S. （2019）. Artificial intelligence divulges effective tactics of top management institutes of India. Benchmarking： An International Journal， 26（7）， 2188-2204.

Leahy， S. M.， Holland， C.， & Ward， F. （2019）. The digital frontier： Envisioning future technologies impact on the classroom. Futures， 113， 102422.

Luckin， R.， Holmes， W.， Griffiths， M. & Forcier， L.B. （2016）. Intelligence Unleashed： an argument for AI in Education. London： Pearson

Miller， R. （2018）. Sensing and making-sense of Futures Literacy： towards a Futures Literacy Framework （FLF）. In Transforming the Future （Open Access） （pp. 39-74）. Routledge.

OECD （2018）. The future of education and skills： Education 2030， The future we want. Paris： Author. Retrieved November 24， 2020， from https：//www.oecd.org/education/2030/E2030%20Position%20Paper%20（05.04.2018）.pdf

OECD （2019）. “Play！”， Trends Shaping Education Spotlights， No. 18， OECD Publishing， Paris. Retrieved November 24， 2020， from https：//dx.doi.org/10.1787/a4115284-en

OECD （2020）.Back to the Future of Education： Four OECD Scenarios for Schooling， Educational Research and Innovation， OECD Publishing， Paris， https：//doi.org/10.1787/178ef527-en

Partnership for 21st Century Skills. （2008）. Mission： Twenty First Century Children. Retrieved November 24， 2020， from http：//www.21stcenturyskills.org/index.php？option=com_content&task=view&id=188&It emid=110

Pedro， F.， Subosa， M.， Rivas， A.， & Valverde， P. （2019）. Artificial intelligence in education： Challenges and opportunities for sustainable development. Retrieved November 24， 2020， from http：//repositorio. minedu.gob.pe/bitstream/handle/MINEDU/6533/Artificial%20intelligence%20in%20education%20challenges%20and%20opportunities%20for%20sustainable%20development.pdf？sequence=1&isAllowed=y

Pellegrino， J. W. （2017）. Teaching， learning and assessing 21st century skills. in Pedagogical Knowledge and the Changing Nature of the Teaching Profession， OECD Publishing， Paris， http：//dx.doi.org/10.1787/ 9789264270695-12-en

Schleicher， A. （2019）. The Future of Education and Skills： Education 2030. Retrieved November 24， 2020， from https：//www.oecd.org/education/2030/E2030%20Position%20Paper%20（05.04.2018）.pdf

Scott， C. L.（2015）. The Futures of learning 2： what kind of learning for the 21st century？ Education， research and foresight： working papers. In.

Seldon， A. & Abidoye， O. （2018） The Fourth Education Revolution： Will Artificial Intelligence liberate or infantilize humanity？ The University of Buckingham Press.

Selwyn， N.， Pangrazio， L.， Nemorin， S.， & Perrotta， C. （2020）. What might the school of 2030 be like？ An exercise in social science fiction. Learning， Media and Technology， 45（1）， 90-106.

Shaikh， Z. A.， & Khoja， S. A. （2012）. Identifying measures to foster teachers competence for personal learning environment conceived teaching scenarios： a Delphi study. In Proceedings of the 13th annual conference on Information technology education （pp. 127-132）. ACM.

Singh， A. （2019）. AI： Next Gen Education a Step Ahead. Journal of Industrial Relationship， Corporate Governance & Management Explorer （e ISSN 2456-9461）， 2（3）， 55-57.

Snijders， D.， Duin， P.， Marchau， V.， & Doorn， G.V. （2018）. Scenarios for ICT-related Education： A Qualitative Meta-analysis. Journal of Futures Studies， 23， 13-28.

Snoek， M.， G. Baldwin， P. Cautreels， T. Enemaerke， V. Halstead， G. Hilton， T. Klemp， et al. （2003）. “Scenarios for the Future of Teacher Education in Europe.” European Journal of Teacher Education. 26（1）：21-36. doi：10.1080/0261976032000065616

The European Parliament and the Council of the European Union. （2006）. Recommendations of the European Parliament and of the Council of 18 December 2006 on Key Competences for Lifelong Learning （2006/962/EC） （Official Journal of the European Union. 30.12.2006）.

Wagner， T. （2012）. Creating innovators： The making of young people who will change the world. New York： Scribner.

Zhao. Y. （2019）. The Future of Education： 2030. In： Yu S.， Niemi H.， Mason J. （Eds） Shaping Future Schools with Digital Technology. Perspectives on Rethinking and Reforming Education. Springer， Singapore.

收稿日期：2020-11-30

定稿日期：2021-03-13

作者簡介：劉妍，博士后;胡碧皓，碩士研究生;顧小清，博士生導師，教授。華東師范大學教育信息技術學系（200062）。

責任編輯 郝 丹