中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

20世紀(jì)50年代以來，人工智能（Artificial Intelligence，簡稱AI）的發(fā)展，經(jīng)歷了注重邏輯算法的機(jī)器翻譯到強(qiáng)調(diào)知識表征的專家系統(tǒng)等階段。時至今日，人工智能受互聯(lián)網(wǎng)、大數(shù)據(jù)、超級計算、傳感器等技術(shù)和神經(jīng)科學(xué)、認(rèn)知科學(xué)等理論及學(xué)習(xí)型社會的價值追求等多重力量的驅(qū)動，進(jìn)入突出神經(jīng)網(wǎng)絡(luò)的認(rèn)知智能的新階段。在新一代人工智能發(fā)展浪潮的沖擊下，一場顛覆人類學(xué)習(xí)理念和方式的智能革命正悄然興起。2017年，國務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》，明確地將“智能教育”列入人工智能國家戰(zhàn)略的重要組成部分，提出“利用智能技術(shù)建立以學(xué)習(xí)者為中心的教育環(huán)境，提供精準(zhǔn)推動的教育服務(wù)，推動人工智能在教學(xué)中的全流程應(yīng)用”（國務(wù)院，2017）。在這樣的背景下，如何汲取神經(jīng)科學(xué)的最新研究成果，將人工智能與學(xué)科教學(xué)深度融合，創(chuàng)生智能課程，重塑師生角色，變革教學(xué)流程，重構(gòu)學(xué)習(xí)生態(tài)，促進(jìn)智能化、網(wǎng)絡(luò)化、個性化和終身化的教育體系構(gòu)建，已成為教育中人工智能（Artificial Intelligence in Education，簡稱AIED）探索的熱點和難點。

一、AI教師：從IDA到LIDA

人工智能主要是研究和開發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及其應(yīng)用系統(tǒng)（中國在學(xué)智能學(xué)會，羅蘭貝格，2017）。在發(fā)展初期，人工智能與心理學(xué)和神經(jīng)科學(xué)密不可分。過去幾十年間，人們一直致力于模擬人類的心理認(rèn)知過程和機(jī)制，不斷對人工智能教學(xué)系統(tǒng)進(jìn)行學(xué)習(xí)認(rèn)知建模，增強(qiáng)和拓展人工智能教學(xué)系統(tǒng)的“智能”。早在20世紀(jì)70~80年代，人工智能研究者就將桑代克等心理學(xué)家提出的聯(lián)結(jié)主義理論融入人工智能教學(xué)系統(tǒng)，開展學(xué)習(xí)認(rèn)知建模，提出了人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)模型。其中，分布式聯(lián)結(jié)網(wǎng)絡(luò)模型（distributed connectionist networks）的應(yīng)用最廣泛。該模型假定：知識的每個組成部分（如概念、對象、屬性等）以分布式方式存儲在人工神經(jīng)網(wǎng)絡(luò)單元中；人工神經(jīng)網(wǎng)絡(luò)的認(rèn)知過程是以網(wǎng)絡(luò)中各個單元并行執(zhí)行的方式建模的；各網(wǎng)絡(luò)單元以數(shù)字方式運算，運算結(jié)果可以激活任何執(zhí)行單元；激活的結(jié)果傳播到與該單元連接的所有其他單元；網(wǎng)絡(luò)通過修改執(zhí)行單元間的連接參數(shù)以隱性方式獲取和存儲知識，這種修改參數(shù)的過程被視為學(xué)習(xí)（，2016）。在人工智能與學(xué)科教學(xué)融合中，分布式聯(lián)結(jié)網(wǎng)絡(luò)模型的典型應(yīng)用是“人工智能教學(xué)系統(tǒng)AI教師”。最早的AI教師代表是“愛達(dá)”（Intelligent Distribution Agent，簡稱IDA），隨后進(jìn)化出好學(xué)愛達(dá)，亦即“琳達(dá)”（Learning Intelligent Distribution Agent，簡稱LIDA）。

（一）IDA

IDA，也稱為智能分布式代理，最初是為美國海軍開發(fā)的一種具有自主性的智能軟件代理（autonomous software agent）（Franklin et al.，1998）。每位水手在任務(wù)結(jié)束時，根據(jù)自身喜好、崗位職責(zé)和一系列規(guī)則分配新的任務(wù)。最初，這一分配過程由海軍雇傭的280多名設(shè)計人員人工完成。為使這一過程自動化，孟菲斯大學(xué)“意識”軟件研究小組（“Conscious”Software Research Group）基于JAVA平臺開發(fā)了IDA，實現(xiàn)了自動化任務(wù)分配，滿足每位水手的需求。具有自主性的智能軟件代理，是一個結(jié)構(gòu)上耦合于真實環(huán)境的系統(tǒng)。作為真實環(huán)境的一部分，它能覺知周圍環(huán)境的變化并以有意義的方式與之相互作用，完成“自身”的任務(wù)和目標(biāo)；同時，它每次與環(huán)境相互作用的方式都可能影響后續(xù)“自身”對環(huán)境的覺知（Franklin&Graesser，1997）。如果它被賦予廣泛意義上的認(rèn)知特征而具有多重感官知覺、短時和長時記憶、注意、推理、問題解決能力、情感態(tài)度等，那么，它就是一種“認(rèn)知代理”（cognitive agent）或“有意識的代理”（conscious agent）。與其它軟件相比，這種代理具有高度靈活性和適應(yīng)性，能在意想不到的情況下創(chuàng)造性地解決問題。

IDA是基于巴爾斯（BaarS）的全局工作空間理論（global workspace theory）進(jìn)行建構(gòu)的（Franklin et al.，1998）。全局工作空間理論是解釋人類意識覺知形成機(jī)制的認(rèn)知理論?！肮ぷ骺臻g”是對人工作記憶的一種存在隱喻。該理論認(rèn)為，意識系統(tǒng)存在一個被稱為“全局工作空間”的結(jié)構(gòu)，這是意識系統(tǒng)中唯一能被意識到的部分。除此之外，整個意識系統(tǒng)還有進(jìn)行無意識加工的專門處理器（specialized processors）和語境（context）。專門處理器是在信息上具有高度選擇性而不被意識到的結(jié)構(gòu)，在常規(guī)任務(wù)中能夠自動工作，不需要意識參與。語境則是約束意識內(nèi)容而自身不被意識到的結(jié)構(gòu)，包括目標(biāo)語境、感知語境、概念語境和共同文化語境。該理論假設(shè)人類的意識通過大量相對較小的、有特定目的的過程綜合形成的，且這些過程幾乎是無意識的；無意識加工模塊之間的競爭勝出者可以進(jìn)入全局工作空間而被意識到，并向其他無意識加工模塊發(fā)出“廣播”，以調(diào)動其他無意識加工的專門處理器進(jìn)行信息交互并協(xié)同解決當(dāng)前問題（Franklin et al.，1998）。

基于此，IDA主要包括如下幾個模塊（Franklin，2003）：1）感知模塊。該模塊主要利用自然語言處理外部輸入的電子郵件信息。它不采用傳統(tǒng)的符號解析器，而由存儲領(lǐng)域知識的語義網(wǎng)、識別特定文本信息的感知代碼庫以及生成和檢驗語言理解的模板庫等構(gòu)成的整合感知系統(tǒng)，采用基于模板的匹配方式分析輸入的信息，實現(xiàn)自然語言的理解。2）管理模塊。該模塊的作用是確定哪些輸入信息能夠被注意到，并被“帶入”工作空間，形成意識。它又細(xì)分為聯(lián)盟管理器（coalition manager）、焦點控制器（spotlight controller）、廣播管理器（broadcast manager）和注意小代碼集（collection of attention codelets）。以給水手分配任務(wù)為例，注意小代碼集獲取類似“任務(wù)分配”的指令，激活專門處理器收集水手的名字、社會安全碼、工作經(jīng)驗、能力特長等信息形成若干聯(lián)盟，再根據(jù)任務(wù)需求，與每個聯(lián)盟的相關(guān)信息進(jìn)行匹配，激活焦點控制器尋找“焦點”。一旦“焦點”出現(xiàn)，意味著該聯(lián)盟在競爭中獲勝，其內(nèi)容被“意識”到，廣播管理器就將被“意識”到的內(nèi)容儲存在聯(lián)想記憶中。3）工作空間模塊。該模塊扮演著與人類工作記憶相同的角色，包括為特定類別信息預(yù)留的寄存器和專門用于與長時聯(lián)想記憶關(guān)聯(lián)的寄存器。4）情緒模塊。IDA也有情緒“體驗”，如不理解信息時的沮喪、無法說服水手接受合適任務(wù)的煩惱以及沒能及時獲得水手指令的內(nèi)疚等。與人一樣，IDA的情緒會影響其行動決策，如會影響內(nèi)容寫入長時聯(lián)想記憶的強(qiáng)度以及將內(nèi)容“帶入”意識的方式。5）評估模塊。在水手執(zhí)行完任務(wù)后，IDA從個人喜好、崗位職責(zé)等角度設(shè)置了關(guān)于任務(wù)分配的滿意度、匹配度的評價，以此衡量水手與指定任務(wù)的適合度，并將結(jié)果值“寫入”工作空間。

（二）LIDA

盡管IDA始終采用“激活一傳遞”的聯(lián)結(jié)模式，但未能體現(xiàn)節(jié)點激活的信息傳遞功能（Baars&Franklin，2007）。IDA只是“一個機(jī)械化的機(jī)器，是一'種關(guān)于對最尚級的、具有最尚水平的大to組織運行時的算法的假說”（Bridgeman，1996），還不具備真正的學(xué)習(xí)能力。針對這些問題，研究者在IDA的基礎(chǔ)上，增加了三種學(xué)習(xí)機(jī)制，分別是感知式學(xué)習(xí)、情景式學(xué)習(xí)和程序化學(xué)習(xí)（Franklin&Patterson，2006），研制出“好學(xué)愛達(dá)”（Learning IDA，簡稱為LIDA），從而使IDA具有學(xué)習(xí)性。

LIDA在更廣泛的層面模擬了人的認(rèn)知過程，認(rèn)知周期包括三個階段：感知階段、解釋階段和行動階段（Franklin&Patterson，2006）。一直以來，對未知對象的識別是解決人工智能的關(guān)鍵問題之一。通常，將對象描述為由屬性構(gòu)成的特征集，并由分類器將對象歸于多個預(yù)先定義的類別中。在感知階段，LIDA的任務(wù)是定義當(dāng)前可以識別的對象、類別和關(guān)系的列表，形成一個滑移網(wǎng)（slipnet），即一個龐大的由不斷增長的小代碼集合組成的，可以通過識別刺激并將其節(jié)點激活的語義網(wǎng)絡(luò)?；凭W(wǎng)的各個節(jié)點是表示原始特征的偵查器（即感知小代碼），它們包括個體特征（如一個人、一個物體）、類別特征（如椅子、女人、動物）或關(guān)系特征（如桌子上的杯子）。被充分激活的滑移網(wǎng)節(jié)點集合稱為感知，可以被重新組織形成稱為“線索”的二進(jìn)制向量，用于查詢內(nèi)容可尋址的記憶，如自傳式記憶（autobiographical memory）和短時情景記憶（transient episodic memory）。在解釋階段，感知被信息小代碼復(fù)制到長時工作記憶，并與先前被復(fù)制的感知信息相關(guān)聯(lián)。注意小代碼對長時工作記憶的內(nèi)容進(jìn)行分析，尋找感興趣的感知內(nèi)容，形成一系列包含注意小代碼和它感興趣的感知內(nèi)容在內(nèi)的小代碼聯(lián)盟體。其中，最高平均激活率的聯(lián)盟體的相關(guān)信息被“轉(zhuǎn)移”到意識中，在整個LIDA系統(tǒng)中“廣播”。當(dāng)LIDA每個子系統(tǒng)接收到“廣播”后，行動階段即開始。在這一階段，程序記憶（procedural memory）和行為選擇（action selection）子系統(tǒng)是重點。程序記憶是一個積極的自我管理的方案集。每個方案都由語境、行為（動作序列）、結(jié)果和基準(zhǔn)級的激活（即在語境中對行為可能產(chǎn)生結(jié)果的預(yù)估）四部分構(gòu)成。當(dāng)意識中“廣播”的信息與一個或多個方案的語境匹配時，程序記憶將會把方案實例復(fù)制到行為選擇子系統(tǒng)。該子系統(tǒng)通過查看最新的“廣播”和更新小代碼聯(lián)盟體的總激活率，判定LIDA應(yīng)執(zhí)行的行為。至此，LIDA完成一個認(rèn)知周期。

LIDA與眾不同之處還在于它的學(xué)習(xí)性。三種學(xué)習(xí)機(jī)制發(fā)生在解釋階段信息被“廣播”后。感知式學(xué)習(xí)是學(xué)習(xí)識別新的對象、新的分類和新的關(guān)系。當(dāng)新的對象、新的分類和新的關(guān)系與LIDA已有的相關(guān)內(nèi)容建立關(guān)聯(lián)時，節(jié)點（對象和分類）和鏈接（關(guān)系）就被添加進(jìn)感知關(guān)聯(lián)記憶（perceptual associative memory）。情景式學(xué)習(xí)是將信息編碼為情景記憶內(nèi)容以及與事件相關(guān)的、內(nèi)容可尋址的記憶內(nèi)容，如什么事件、發(fā)生在何處、何時發(fā)生等。程序化學(xué)習(xí)是對執(zhí)行動作進(jìn)行編碼，并存儲到程序記憶中的過程，包括對完成新任務(wù)的新行為及其行為序列的學(xué)習(xí)，或是對現(xiàn)有行為的改善。由于LIDA好學(xué)，其在信息提取、轉(zhuǎn)化、診斷等方面有重要應(yīng)用。例如，史特仁等人（Strain et al.，2014）曾基于LIDA認(rèn)知框架，開發(fā)了一款疾病診斷智能代理MAX（Medical Agent X）。該代理能模擬醫(yī)生診斷病情的認(rèn)知過程：識別病人的病征，讀取與病人病歷材料，從病歷中“查詢”病人的過往病史記錄并建立當(dāng)前病征與病史的關(guān)聯(lián)。進(jìn)而，運用假說驅(qū)動（hypothesis-driven）的臨床推理，從一系列可能的疾病和潛在的因素中做出診斷，在程序記憶中“尋找”類似疾病的治療方案和建議，并以自然語言的方式反饋診斷結(jié)果。

二、人腦連接組學(xué)：人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的新依據(jù)

巴爾斯和富蘭克林（Bairs&Franklin，2007）指出，雖然IDA和LIDA在模擬人類神經(jīng)網(wǎng)絡(luò)的算法建模中取得了很大的進(jìn)步，但它們還只是心理學(xué)意義上的，并非生物學(xué)大腦層面的。許多人工智能研究者都忽略了對大腦工作機(jī)制的研究（Brooks et al.，2012）。人的大腦是自然界最復(fù)雜的系統(tǒng)之一，是由萬億個突觸和幾乎可繞月球半周長的軸突線連接數(shù)以十億計的神經(jīng)元組成的錯綜復(fù)雜的網(wǎng)絡(luò)。越來越多的證據(jù)表明，這個復(fù)雜而龐大的網(wǎng)絡(luò)是大腦進(jìn)行信息處理和認(rèn)知表達(dá)的生理基礎(chǔ)。因此，要推動AI教師的進(jìn)化發(fā)展，亟需深入神經(jīng)科學(xué)領(lǐng)域分析人腦的結(jié)構(gòu)網(wǎng)絡(luò)，加快人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建研究。2005年，思博納斯（Spoms）、庫特（）和托諾尼（Tononi）創(chuàng)造性地提出了“人類連接組學(xué)”（human connectomics）。它是系統(tǒng)生物學(xué)向神經(jīng)科學(xué)領(lǐng)域的延伸，具有“結(jié)構(gòu)復(fù)雜多變”和“功能動態(tài)連通”的雙重性質(zhì)，為人工神經(jīng)網(wǎng)絡(luò)構(gòu)建奠定了新的理論依據(jù)。

（一）結(jié)構(gòu)復(fù)雜多變

人類連接組學(xué)將大腦視為一個神經(jīng)網(wǎng)絡(luò)，主要探討兩個關(guān)鍵問題（Spoms，2012）：—是由神經(jīng)元和突觸構(gòu)成的大腦結(jié)構(gòu)（靜態(tài)）是如何促進(jìn)大腦各區(qū)域活動（動態(tài)）的？二是大腦的網(wǎng)絡(luò)結(jié)構(gòu)是如何與人的行為和認(rèn)知關(guān)聯(lián)的？“連接組”（connectome）是人腦連接組學(xué)的基本單位，是神經(jīng)生物學(xué)層面上理解、刻畫大腦結(jié)構(gòu)網(wǎng)絡(luò)的圖譜。美國國家衛(wèi)生研究院負(fù)責(zé)人因塞爾（Insel）曾評論道：“就像現(xiàn)代基因?qū)W需要基因組一樣，大腦的研究也需要大腦連接組，這是我們理解大腦如何運作以及洞悉當(dāng)出現(xiàn)某些問題時大腦內(nèi)部究竟發(fā)生了什么的唯一方法”（Lehrer.2009）。

映射連接組網(wǎng)絡(luò)、繪制連接組圖是連接組學(xué)研究的首要任務(wù)。大腦是多維多面的連通體，要清晰地繪制連接組圖以精確地反映大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，需要從可高度分辨單個神經(jīng)元的微觀尺度（microscale）、聚焦小范圍神經(jīng)元集群的中觀尺度（mesoscale）和整體把握大腦各區(qū)域的宏觀尺度（macroscale）三級水平的空間尺度著手。在微觀尺度上，以納米分辨率成像的電子顯微鏡數(shù)據(jù)可獲得單個神經(jīng)元細(xì)胞和軸突形態(tài)，提供關(guān)于神經(jīng)元結(jié)構(gòu)和神經(jīng)回路模式的最完整和最詳細(xì)的信息。在中觀尺度上，毫米級別的光學(xué)顯微鏡成像可獲取幾毫米范圍內(nèi)神經(jīng)元集群的染色纖維束光學(xué)信號，揭示神經(jīng)元集群的神經(jīng)元結(jié)構(gòu)和突觸連接，但還不足以識別極小突觸連接、無髓鞘軸突和神經(jīng)元其他的超微結(jié)構(gòu)細(xì)節(jié)。在宏觀尺度上，可采用不同模態(tài)的非侵入式成像技術(shù)在較大比例上再現(xiàn)大腦的結(jié)構(gòu)連接，尤其是大腦各區(qū)域及其區(qū)域間的連接矩陣。例如，利用磁共振成像（magnetic resonance Imaging）獲得大腦的灰質(zhì)密度、灰質(zhì)體積和皮層厚度數(shù)據(jù)；利用功能性磁共振成像（functional magnetic resonance Imaging）

檢測不同腦區(qū)間的白質(zhì)纖維束，并根據(jù)白質(zhì)纖維的連接數(shù)目、密度、強(qiáng)度、概率等推斷大腦存在的結(jié)構(gòu)連接。人腦的神經(jīng)元數(shù)量約為1011個，突觸連接數(shù)約為1015個，若從微觀和中觀尺度構(gòu)建大腦網(wǎng)絡(luò)結(jié)構(gòu)將存在數(shù)據(jù)量巨大的困難，目前一般多以宏觀尺度定義大腦網(wǎng)絡(luò)結(jié)構(gòu)。

沒有兩個人的大腦是完全相同的，因為在單個神經(jīng)元級別上測量的連接性在個體數(shù)量和其連接結(jié)構(gòu)方面都是高度可變的。構(gòu)建開放共享的連接組圖數(shù)據(jù)庫是連接組學(xué)未來的發(fā)展方向，為構(gòu)建人類大腦的神經(jīng)網(wǎng)絡(luò)模型提供了可能。美國國家衛(wèi)生研究院資助的“人類連接組項目”（human connectome project）設(shè)計了連接組圖數(shù)據(jù)集的使用框架（見圖1）。項目組從1200名參與者中獲得大腦的連接組數(shù)據(jù)，這些數(shù)據(jù)以一定的結(jié)構(gòu)和類型記錄存儲在連接組數(shù)據(jù)庫（Connectome DB）中，用戶向數(shù)據(jù)庫發(fā)送請求指令，連接組數(shù)據(jù)庫根據(jù)指令進(jìn)行數(shù)據(jù)挖掘，以可視化方式將結(jié)果呈現(xiàn)到用戶的連接組工作臺（connectome workbench）。

（二）功能動態(tài)連通

“連通性”（connectivity）是大腦運作的基本機(jī)制。神經(jīng)病學(xué)和精神病學(xué)專家梅納特（Meynert，1885）曾說過：“如果我們熟悉大腦的運作機(jī)制，那么就可以從其結(jié)構(gòu)中推斷出其功能，并將前者視為后者的自然結(jié)果?！边B接組是“運動中的連接組”（connectome in motion）（Spoms，2012），其最為曼妙之處，不僅在于彼此縱橫交叉、相互連接的神經(jīng)元結(jié)構(gòu)，更在于動態(tài)多變的功能連通網(wǎng)絡(luò)?？梢姡B接組不僅限于對所有神經(jīng)元、軸突、突觸和大腦各區(qū)域的“原始數(shù)據(jù)”描述，更重要的是在突出大腦結(jié)構(gòu)“連接性”描述基礎(chǔ)上揭示大腦復(fù)雜的功能，實現(xiàn)由“靜態(tài)的神經(jīng)結(jié)構(gòu)”擴(kuò)展到“動態(tài)的功能結(jié)構(gòu)”。連接組作為外部環(huán)境和基因遺傳交叉點的中間表型發(fā)揮著作用（見圖2），反映了大腦連通性的遺傳特征，而且引導(dǎo)行為的產(chǎn)生，使有機(jī)體與外部環(huán)境相互作用，并保留有機(jī)體過去在其外部環(huán)境中的經(jīng)驗記錄。這樣，大腦功能延伸到大腦一身體一環(huán)境之間的相互作用，成為一種擴(kuò)展的功能關(guān)系網(wǎng)絡(luò)。

連接組受神經(jīng)可塑性的影響，可記錄過去事件和經(jīng)驗的持久痕跡，因此蘊(yùn)涵著豐富的時間涵義?？伤苄允惯B接組的結(jié)構(gòu)依賴于時間，神經(jīng)活動產(chǎn)生了一組豐富的時變模式，由此可將其描述為一組功能網(wǎng)絡(luò)。宏觀和微觀尺度的大腦不同組織的功能連接如圖3所示。生成連接組的功能連通模式，是連接組學(xué)研究最具挑戰(zhàn)的。反映的是在多個時間尺度上神經(jīng)元之間功能關(guān)系變化，不僅依賴于連接組的結(jié)構(gòu)聯(lián)系，還依賴于有機(jī)體內(nèi)部狀態(tài)變化和外部環(huán)境瞬時需求的調(diào)節(jié)。目前，在統(tǒng)計學(xué)意義上通過多個神經(jīng)元素記錄的時間序列數(shù)據(jù)計算所得的依賴性或動態(tài)性相互作用，可以轉(zhuǎn)換為代表功能性大腦網(wǎng)絡(luò)的連通矩陣。類似地，也可以通過對大腦靜息狀態(tài)時的血流動力信號波動的長期跟蹤數(shù)據(jù)進(jìn)行平均值處理，獲得連接組的功能性結(jié)構(gòu)。漢格曼等人（Hagmann et al.，2010）使用高b值擴(kuò)散MRI纖維束成像和連通性分析，探索白質(zhì)成熟對2歲幼兒到18歲青年大腦連通性的影響，結(jié)果證實結(jié)構(gòu)連接與功能連通之間呈顯著正相關(guān)。

連接組的結(jié)構(gòu)與功能關(guān)系也是相互交織的，并非一一對應(yīng)。尤其是高級認(rèn)知功能的實現(xiàn)，往往需要啟動連接多個連接組結(jié)構(gòu)。以道德認(rèn)知功能為例，卡斯皮爾（Casebeer，2003）指出：“不同的道德規(guī)范理論與大腦的某些區(qū)域結(jié)構(gòu)和功能相聯(lián)系?！蹦柕热耍∕oll et al.，2002）也提到，盡管道德認(rèn)知涉及多個復(fù)雜的認(rèn)知過程，幾乎是高度離散的“全腦事件”（whole-brain affair），但它與大腦的某些重要區(qū)域緊密聯(lián)系（見圖4）。例如，前額葉皮質(zhì)（prefrontal cortex，簡稱PFC）、模前葉（precuneous，簡稱PC）、基底前腦（basal forebrain，簡稱BFB）、顳前皮質(zhì)（anterior temporal cortex，簡稱ATC）、內(nèi)側(cè)額葉皮質(zhì)（medial frontal cortex，簡稱MFC）、內(nèi)側(cè)眶額皮質(zhì)（medial orbitofrontal cortex，簡稱MOFC）、顏上溝（superio rtemporal sulcus，簡稱STS）、前扣帶皮層（anterior cingulate cortex，簡稱ACC）和丘腦/中腦（thalamus/midbran，簡稱TH/MB）。

三、EVA-LIDAs：推動人工智能與學(xué)科教學(xué)融合走向智能課程

新世紀(jì)興起了“學(xué)習(xí)為本評估”（Learning-Oriented Assessment）的整體性學(xué)習(xí)文化，它融匯了學(xué)習(xí)性評估（Assessment for Learning）、學(xué)習(xí)段評估（Assessment of Learning）和學(xué)習(xí)化評估（Assessment as Learning）三種方式，超越了以往基于過去、聚焦于評估學(xué)生不足的消極價值觀，彰顯面向未來、以評促學(xué)的積極價值觀，推動師生在行動中做出價值選擇、價值判斷和價值創(chuàng)造，從而實現(xiàn)評估與學(xué)習(xí)的融合。學(xué)習(xí)為本評估作為一種特殊的價值創(chuàng)造活動直面真實的學(xué)生學(xué)習(xí)生活，介入學(xué)習(xí)生活，影響學(xué)習(xí)生活，努力利用最新的科學(xué)知識為課程開發(fā)、教學(xué)實施和學(xué)習(xí)活動提供指導(dǎo)，讓學(xué)生作為評估主體與認(rèn)識主體開展做中學(xué)，實現(xiàn)學(xué)生個人自身的價值主體生成與發(fā)展（曾文婕等，2015）。據(jù)此，在學(xué)習(xí)為本評估的開發(fā)中，人們企盼借助人工智能的力量，創(chuàng)生出新一代人工智能教學(xué)系統(tǒng)，展現(xiàn)出學(xué)習(xí)價值創(chuàng)造的無限可能。

（一）神經(jīng)網(wǎng)絡(luò)化的價值創(chuàng)造型智慧學(xué)習(xí)系統(tǒng)結(jié)構(gòu)

連接組學(xué)改變了傳統(tǒng)基于算法和邏輯的思想，突出“結(jié)構(gòu)一功能”的整體模擬，為新一代人工智能教學(xué)系統(tǒng)的研發(fā)開辟了新路。根據(jù)學(xué)習(xí)為本評估的價值創(chuàng)造訴求，研究者基于多年在學(xué)習(xí)為本評估理論與實踐研究中取得的成果，在汲取連接組學(xué)“結(jié)構(gòu)復(fù)雜多變”和“功能動態(tài)連通”的雙重性基礎(chǔ)上，提出了神經(jīng)網(wǎng)絡(luò)化的價值創(chuàng)造型智慧學(xué)習(xí)系統(tǒng)（見圖5）。該系統(tǒng)包括三個子系統(tǒng)：實時課堂教學(xué)轉(zhuǎn)化系統(tǒng)、教學(xué)優(yōu)化參照系統(tǒng)和教學(xué)比較前饋分析系統(tǒng)。其中，教學(xué)優(yōu)化參照系統(tǒng)包括四個子子系統(tǒng)：優(yōu)秀教師教學(xué)參照系統(tǒng)、先進(jìn)理論教學(xué)優(yōu)化參照系統(tǒng)、大數(shù)據(jù)優(yōu)選教學(xué)參照系統(tǒng)和經(jīng)驗自組織教學(xué)參照系統(tǒng)。由此，整個系統(tǒng)好比人腦連接組，各子系統(tǒng)類似人腦的各腦區(qū)，子子系統(tǒng)相當(dāng)于神經(jīng)元集群，各子系統(tǒng)的關(guān)聯(lián)類似腦區(qū)之間的動態(tài)連通，數(shù)據(jù)就像是單個神經(jīng)元，是整個系統(tǒng)中最基本的單位，相互之間交叉連接并傳遞“信號”。各子系統(tǒng)既各司其職，又相互聯(lián)系。

1.實時課堂教學(xué)轉(zhuǎn)化系統(tǒng)

課堂教學(xué)過程因其動態(tài)生成性，隱含大量富有價值的過程性數(shù)據(jù)。實時課堂教學(xué)轉(zhuǎn)化系統(tǒng)正是采用情境感知、模式識別等技術(shù)對課堂教學(xué)過程中教師教學(xué)、學(xué)生學(xué)習(xí)、師生交互、生生交互、教師與環(huán)境交互、學(xué)生與環(huán)境交互等生成的過程性數(shù)據(jù)進(jìn)行實時跟蹤、采集、記錄和建模。其功能在于實時建構(gòu)課堂教學(xué)動態(tài)過程的大數(shù)據(jù)結(jié)構(gòu)網(wǎng)絡(luò)。這些過程性數(shù)據(jù)包括行為活動數(shù)據(jù)、語言對話數(shù)據(jù)、情感態(tài)度數(shù)據(jù)、資源使用數(shù)據(jù)等。這些數(shù)據(jù)與真實課堂教學(xué)情境緊密耦合，關(guān)涉時間和空間的交錯維度，且數(shù)據(jù)結(jié)構(gòu)多樣，因此明確情境分類的標(biāo)準(zhǔn)、選用合適的情境模型、選擇適宜的數(shù)據(jù)采集模型是該子系統(tǒng)需要解決的關(guān)鍵問題。

情境分類的標(biāo)準(zhǔn)很多，如科赫南（Korhonen，2010）將情境分為環(huán)境情境、用戶情境、任務(wù)情境、社會情境、時空情境、設(shè)備情境、服務(wù)情境和網(wǎng)絡(luò)連接情境八種；居尼斯科和維尼奧（Junisko-

學(xué)習(xí)為本評估強(qiáng)調(diào)學(xué)生對學(xué)習(xí)目標(biāo)有清楚而深刻的認(rèn)識，以有利于學(xué)生明確評估標(biāo)準(zhǔn)，開發(fā)個性化方式監(jiān)控和改進(jìn)自身的學(xué)習(xí)，因此，目標(biāo)層的描述非常重要。目標(biāo)層描述師生根據(jù)課程標(biāo)準(zhǔn)、共同確定的適宜的學(xué)習(xí)目標(biāo)?；顒訉用枋鲞_(dá)成學(xué)習(xí)目標(biāo)的教學(xué)活動。事件層將活動層的各個活動細(xì)化為教師或?qū)W生與任務(wù)、資源或工具等交互的具體事件。行為層使用交互行為描述學(xué)習(xí)事件，同時采用語義網(wǎng)絡(luò)，實現(xiàn)大規(guī)模數(shù)據(jù)的語義存儲，提高數(shù)據(jù)使用效率。

2.教學(xué)優(yōu)化參照系統(tǒng)

學(xué)習(xí)為本評估開辟了一種基于過去、觀照現(xiàn)在、面向未來的評估促進(jìn)學(xué)習(xí)理路。這意味著，評估的目的不在于認(rèn)識學(xué)生的學(xué)習(xí)結(jié)果，把握他們當(dāng)前的學(xué)習(xí)狀態(tài)，更重要的是在此基礎(chǔ)上認(rèn)識學(xué)生下一階段的個性化學(xué)習(xí)需求，進(jìn)而“改造”學(xué)生學(xué)習(xí)活動，使之更有效和優(yōu)化。教師要根據(jù)學(xué)生的具體表現(xiàn)，有針對性地設(shè)計與改進(jìn)下一階段的課程與教學(xué)，采用差異化的教學(xué)策略滿足學(xué)生學(xué)習(xí)需要；學(xué)生要清楚認(rèn)識自己的學(xué)習(xí)需求，有針對性地規(guī)劃與實施下一階段的學(xué)習(xí)活動（曾文婕，劉成珍，2017）。教學(xué)優(yōu)化參照系統(tǒng)作為整個學(xué)習(xí)系統(tǒng)的核心，其功能在于為學(xué)生優(yōu)化學(xué)習(xí)、教師優(yōu)化教學(xué)提供關(guān)鍵的技術(shù)支持。

教學(xué)優(yōu)化參照系統(tǒng)，基于實時課堂教學(xué)轉(zhuǎn)化系統(tǒng)存儲的大數(shù)據(jù)，利用包括決策樹方法、遺傳算法、統(tǒng)計分析方法和模糊集方法等的數(shù)據(jù)挖掘方法，采用話語分析、內(nèi)容分析、社會網(wǎng)絡(luò)分析等學(xué)習(xí)分析技術(shù)，智能地集中、萃取、提煉教師教學(xué)和學(xué)生學(xué)習(xí)的相關(guān)數(shù)據(jù)，從中找出潛在的、穩(wěn)定的規(guī)律，進(jìn)而構(gòu)建基于數(shù)據(jù)的師生畫像，形成教師的教學(xué)模型和學(xué)生的學(xué)習(xí)模型，更全面地認(rèn)識學(xué)生真實的學(xué)習(xí)狀況，把握學(xué)生、教師、學(xué)習(xí)內(nèi)容和學(xué)習(xí)環(huán)境之間相互作用的實際狀況。為了更好地給學(xué)生提供個性化的學(xué)習(xí)路徑推薦、給教師的教學(xué)過程提供精準(zhǔn)的教學(xué)服務(wù)，該系統(tǒng)運用本體描述語言和編碼工具，構(gòu)建優(yōu)秀教師教學(xué)參照子系統(tǒng)和先進(jìn)理論教學(xué)優(yōu)化參照子系統(tǒng)，以期為學(xué)習(xí)為本評估提供標(biāo)準(zhǔn)參照。前者主要提供各學(xué)科優(yōu)秀教師的教學(xué)范例，后者主要是提供先進(jìn)的教與學(xué)理論知識。

在此基礎(chǔ)上，該系統(tǒng)采用命題語義網(wǎng)絡(luò)和數(shù)據(jù)語義網(wǎng)絡(luò)技術(shù)，以及基于問題解決和概念提示等知識表達(dá)規(guī)則的方法創(chuàng)建教學(xué)法領(lǐng)域知識庫，包括大數(shù)據(jù)優(yōu)選教學(xué)參照子系統(tǒng)和經(jīng)驗自組織教學(xué)參照子系統(tǒng)。其中，大數(shù)據(jù)優(yōu)選教學(xué)參照子系統(tǒng)是基于教師教學(xué)模型和學(xué)生學(xué)習(xí)模型，分析教師的教學(xué)活動序列和學(xué)生的學(xué)習(xí)活動序列，采用智能優(yōu)化算法、數(shù)據(jù)挖掘算法以及基于知識的推薦算法生成系列優(yōu)化方案（含教師教學(xué)優(yōu)化、學(xué)生學(xué)習(xí)優(yōu)化和學(xué)習(xí)環(huán)境優(yōu)化）。值得一提的是，教師教學(xué)來源于多年經(jīng)驗積累，在經(jīng)驗重組中調(diào)整自身的教學(xué)策略，可以改變學(xué)生的學(xué)習(xí)過程，那么，如何賦予教學(xué)優(yōu)化參照系統(tǒng)以人類教師那樣的經(jīng)驗自組織學(xué)習(xí)能力，是該系統(tǒng)需要突破的難點。在此，借鑒連接組功能網(wǎng)絡(luò)的時間序列可塑性思想，本團(tuán)隊提出了經(jīng)驗自組織教學(xué)參照子系統(tǒng)。該子系統(tǒng)并非預(yù)先定義的一套教學(xué)方法，而是借助人工智能算法，從大數(shù)據(jù)優(yōu)選教學(xué)參照子系統(tǒng)中先前多次優(yōu)化方案數(shù)據(jù)中提取特征，發(fā)現(xiàn)隱性結(jié)構(gòu)和存在規(guī)律，結(jié)合新的問題情境做出決策和預(yù)測，轉(zhuǎn)化形成新的教學(xué)優(yōu)化經(jīng)驗。這彰顯了學(xué)習(xí)為本評估的“評估即探究”的深刻意蘊(yùn)，即系統(tǒng)不僅評估教師教學(xué)或?qū)W生學(xué)習(xí)的狀態(tài)，而且反思評估對“自身”的知識深層理解的作用，將評估經(jīng)驗轉(zhuǎn)化為學(xué)習(xí)經(jīng)驗，實現(xiàn)自組織學(xué)習(xí)。這正是該系統(tǒng)的獨特魅力所在，也是其高級智慧體現(xiàn)。

3.教學(xué)比較前饋分析系統(tǒng)

反饋在學(xué)生學(xué)習(xí)和發(fā)展中起著決定作用，是促進(jìn)教師改進(jìn)教學(xué)和學(xué)生優(yōu)化學(xué)習(xí)的重要腳手架。它不能僅僅是評價性的（evaluative），還要盡可能是描述性的（descriptive）。反饋一旦能為教師的教和學(xué)生的學(xué)提供指導(dǎo)，就不再是回顧性的，而生長為前瞻性的反饋，實質(zhì)上成為了前饋（曾文婕等，2015）。研究揭示，將反饋發(fā)展為前饋，對教師的教和學(xué)生的學(xué)以及環(huán)境開發(fā)都有積極的作用。就教師的教而言，前饋信息為改進(jìn)課程與教學(xué)設(shè)計、實施與評價提供了依據(jù)。就學(xué)生的學(xué)而言，前饋信息向?qū)W生提供了外在參照，幫助學(xué)生理解、檢測自己的學(xué)習(xí)狀態(tài)，明確學(xué)習(xí)方向。就環(huán)境開發(fā)而言，前饋信息為學(xué)習(xí)環(huán)境優(yōu)化提供了方向或方案。然而，已有的許多數(shù)字化學(xué)習(xí)系統(tǒng)不能提供教學(xué)反饋策略，而僅僅提供結(jié)果正確/錯誤響應(yīng)的簡單反饋（Narciss，2013）。

教學(xué)比較前饋分析系統(tǒng)為教師教學(xué)與學(xué)生學(xué)習(xí)提供基于數(shù)據(jù)的實時反饋和有針對性的改進(jìn)策略。一方面，教學(xué)比較前饋分析系統(tǒng)可以利用雷達(dá)圖等可視化方式呈現(xiàn)學(xué)生現(xiàn)有學(xué)習(xí)水平與預(yù)期學(xué)習(xí)目標(biāo)的差距，生成學(xué)業(yè)評估報告，從而提醒教師提升教學(xué)決策，啟示學(xué)生提升學(xué)習(xí)決策，并啟發(fā)師生提升協(xié)作與交互。另一方面，教學(xué)比較前饋分析系統(tǒng)運用約束模型和語義推理，將基于大數(shù)據(jù)優(yōu)選教學(xué)參照子系統(tǒng)中的大量學(xué)習(xí)優(yōu)化方案與情境本體進(jìn)行相似度規(guī)則匹配計算，按照相似度值由低到高排列，將相似度較高的前N個優(yōu)選方案推薦給教師或?qū)W生，為教師改進(jìn)教學(xué)、學(xué)生開展個性化學(xué)習(xí)以及環(huán)境優(yōu)化提供建議。而且，參考通用的教學(xué)管理系統(tǒng)學(xué)習(xí)設(shè)計規(guī)范，從用戶、學(xué)習(xí)資源、領(lǐng)域知識和學(xué)習(xí)環(huán)境四個要素為師生提供個性化資源鏈接。由此，基于教學(xué)比較前饋分析系統(tǒng)，學(xué)生的元認(rèn)知、自我概念和學(xué)習(xí)動機(jī)得以建構(gòu)，創(chuàng)造性地開啟新一輪學(xué)習(xí)評估活動，真正實現(xiàn)“以評估促進(jìn)學(xué)生學(xué)習(xí)”的價值創(chuàng)造功能。

（二）EVA-LIDAs融入學(xué)科教學(xué)：創(chuàng)生智能課程

神經(jīng)網(wǎng)絡(luò)化的價值創(chuàng)造型智慧學(xué)習(xí)系統(tǒng)與人工智能技術(shù)融合，創(chuàng)生出人工智能教學(xué)系統(tǒng)“伊萬琳達(dá)”（Evaluative Learning Intelligent Distribution Agents，簡稱EVA-LIDAs）。它是具有學(xué)習(xí)價值創(chuàng)造功能的新一代人工智能教學(xué)系統(tǒng)，像人一樣會思考、愛學(xué)習(xí)。EVA-LIDAS應(yīng)用于學(xué)科教學(xué)，并非完全取代教師，而是與教師、學(xué)生進(jìn)行協(xié)同合作和知識創(chuàng)新，扮演著AI教師和AI學(xué)伴的雙重角色，超越以往人工智能僅對教學(xué)某一環(huán)節(jié)進(jìn)行系統(tǒng)輔助的局限，以全方位、全流程的姿態(tài)滲入教學(xué)系統(tǒng)中，推動和深化人工智能與學(xué)科教學(xué)的深度融合。

1.教師成為課程創(chuàng)新者

學(xué)習(xí)為本評估不僅是對評估的再概念化，而且是對教師信念、課程、教學(xué)與學(xué)習(xí)的再概念化。這意味著教師要改變作為學(xué)生學(xué)習(xí)評估唯一“專家”的傳統(tǒng)理念，創(chuàng)造條件讓學(xué)生參與到自我評估、自我監(jiān)控及改進(jìn)學(xué)習(xí)的過程中。那么，怎樣將人工智能教學(xué)系統(tǒng)與面對面教學(xué)相結(jié)合，使教師與人工智能系統(tǒng)之間協(xié)同工作，最大限度地發(fā)揮二者的協(xié)作優(yōu)勢，共同為學(xué)生提供個性化、更有效的教學(xué)體驗？這是當(dāng)前教育人工智能研究需要深入探討的問題之一（閆志明等，2017）。EVA-LIDAS融入學(xué)習(xí)為本評估，教師將成為課程的創(chuàng)新者，擔(dān)負(fù)設(shè)計者、組織者、研究者等多重角色。作為設(shè)計者，教師要盡力開發(fā)出創(chuàng)新性學(xué)習(xí)環(huán)境，包括技術(shù)條件和各種利于學(xué)生自我導(dǎo)向?qū)W習(xí)與合作學(xué)習(xí)的條件，支持學(xué)生與學(xué)習(xí)環(huán)境互動。作為組織者，教師要組織有效評估，讓學(xué)生積極主動地參與到學(xué)習(xí)為本評估中。例如，與學(xué)生共同確定學(xué)習(xí)目標(biāo)，使外在的課程目標(biāo)轉(zhuǎn)化為學(xué)生的內(nèi)在學(xué)習(xí)意圖，讓學(xué)生建立起學(xué)習(xí)認(rèn)同感；組織學(xué)生參與學(xué)習(xí)目標(biāo)達(dá)成途徑和方法的協(xié)商中，使之清楚意識到自己通過什么樣的途徑和方法可以實現(xiàn)學(xué)習(xí)目標(biāo)，這是保證學(xué)生自我導(dǎo)向?qū)W習(xí)和自我監(jiān)控的關(guān)鍵。作為研究者，教師要對學(xué)生學(xué)習(xí)進(jìn)行研究，探尋新型的學(xué)習(xí)條件與適宜的學(xué)習(xí)方法，激活學(xué)生的學(xué)習(xí)動機(jī)和學(xué)習(xí)投入，促進(jìn)當(dāng)前和未來的學(xué)生學(xué)習(xí)。

2.學(xué)生成為自主學(xué)習(xí)者

在學(xué)習(xí)為本評估看來，評估活動即學(xué)習(xí)活動，評估任務(wù)即學(xué)習(xí)任務(wù)。入學(xué)習(xí)為本評估，意味著學(xué)生不是被動地接受評估，而是在評估過程中具有自我導(dǎo)向（self-regulated）意識的積極參與者和建構(gòu)者。這主要體現(xiàn)為：學(xué)生1）主動完成評估任務(wù)，習(xí)得任務(wù)背后的課程知識，獲得真實的學(xué)習(xí)體驗；2）參與學(xué)習(xí)目標(biāo)、評估標(biāo)準(zhǔn)和達(dá)成途徑的研制，對自己的學(xué)習(xí)產(chǎn)生能動認(rèn)識——自主做出“如何促進(jìn)學(xué)習(xí)”的價值選擇和判斷；3）成為自己和同伴學(xué)習(xí)的旁觀者和監(jiān)控者，依據(jù)適當(dāng)標(biāo)準(zhǔn)看待自己和同伴的學(xué)習(xí)，提升對學(xué)習(xí)評估的認(rèn)知；4）善于利用反饋信息進(jìn)行學(xué)習(xí)反思，從而形成新的理解，并將這些新的理解與先前的知識經(jīng)驗聯(lián)系起來，運用于新的學(xué)習(xí)情境，提升自身的元認(rèn)知能力。

3.AI教師與AI學(xué)伴成為介導(dǎo)者

EVA-LIDAS融入學(xué)習(xí)為本評估，彰顯了評估數(shù)據(jù)的處理、分析、建模與呈現(xiàn)的多樣化、動態(tài)化、個性化、精準(zhǔn)化，創(chuàng)新了人工智能技術(shù)支持學(xué)習(xí)價值創(chuàng)造的作用。EVA-LIDAs既是AI教師也是AI學(xué)伴，成為學(xué)生學(xué)習(xí)經(jīng)驗的重要介導(dǎo)者（mediator）。作為AI教師，它著眼于鑒別診斷學(xué)生學(xué)習(xí)是否達(dá)到了相應(yīng)課程標(biāo)準(zhǔn)所要求的目標(biāo)，為學(xué)生提供學(xué)業(yè)評估報告和個性化學(xué)習(xí)路徑及資源等持續(xù)反饋，提升學(xué)生的自我反思、自我監(jiān)控和自我調(diào)節(jié)的元認(rèn)知水平，發(fā)揮認(rèn)知性介導(dǎo)和反思性介導(dǎo)的作用。作為AI學(xué)伴，它是學(xué)生同伴學(xué)習(xí)反饋的提供者，著眼于支持學(xué)生對合作學(xué)習(xí)活動展開自我評估和同伴互評，發(fā)揮共同體介導(dǎo)和實踐性介導(dǎo)的作用。而且，EVA-LIDAs不是單純的技術(shù)人造物，它具備像人一樣的神經(jīng)網(wǎng)絡(luò)。金等人（Kim， et al.，2017）開展了電生理學(xué)實驗，研究神經(jīng)元對前庭神經(jīng)核（vestibular nucleus）重復(fù)刺激的反應(yīng)，以解釋適應(yīng)性（habituation）和敏感性（sensitization）的神經(jīng)元反應(yīng)模式。結(jié)果發(fā)現(xiàn)，盡管適應(yīng)性和敏感性的強(qiáng)度多種多樣，但前庭神經(jīng)核的神經(jīng)元對相同類型的刺激卻具有相反的反應(yīng)，即適應(yīng)性神經(jīng)元反應(yīng)減弱而敏感性神經(jīng)元反應(yīng)增強(qiáng)，反之亦然。這說明整個神經(jīng)網(wǎng)絡(luò)的神經(jīng)元對新學(xué)的信息（刺激）有神經(jīng)介導(dǎo)（neural mediation）作用，使之始終維持細(xì)胞水平的神經(jīng)平衡。這意味著EVA-LI-DAS的認(rèn)知性介導(dǎo)和反思性介導(dǎo)，乃至共同體介導(dǎo)和實踐性介導(dǎo)，其本質(zhì)都離不開神經(jīng)層面的介導(dǎo)作用。EVA-LIDAS會依據(jù)融入課程標(biāo)準(zhǔn)的預(yù)期目標(biāo)不斷在達(dá)標(biāo)條件和已有條件（如學(xué)生已有的知識基礎(chǔ)、興趣等）中做出辨識。若已有條件缺少，則激勵學(xué)生創(chuàng)設(shè)達(dá)標(biāo)條件，完成目標(biāo)檢測與確認(rèn)；若已有條件充足，則鼓勵學(xué)生積極做出選擇。如此循環(huán)，在檢視、判斷、選擇中激活學(xué)生產(chǎn)生自我導(dǎo)向意識，主動投入評估過程，實現(xiàn)持續(xù)的學(xué)習(xí)價值創(chuàng)造。

這樣，教師、學(xué)生、AI教師和AI學(xué)伴之間實現(xiàn)多維交互，創(chuàng)設(shè)形成新形態(tài)的智能課程，其實質(zhì)是以神經(jīng)網(wǎng)絡(luò)化的人工智能技術(shù)融合的生態(tài)化學(xué)習(xí)環(huán)境為基礎(chǔ)，以評估促進(jìn)學(xué)習(xí)的價值創(chuàng)造為旨趣，以協(xié)同、精準(zhǔn)、個性、優(yōu)化為原則，以人類智能與機(jī)器智能的相互協(xié)作、相互學(xué)習(xí)、相互融合為機(jī)理，以情境感知、大數(shù)據(jù)關(guān)聯(lián)、經(jīng)驗自組織、智能決策為手段，最終通過持續(xù)改進(jìn)師生教與學(xué)而優(yōu)化學(xué)生的學(xué)習(xí)。

基金項目：國家社會科學(xué)基金教育學(xué)一般課題“以學(xué)習(xí)為中心的評估理論建構(gòu)研究”（課題批準(zhǔn)號：BHA180125）。