智能的邊界

樂惠驍 賈積有

【摘 要】??? 本文從人機(jī)合作的角度對(duì)智能教學(xué)系統(tǒng)中的學(xué)習(xí)者的自主度進(jìn)行了探討。通過梳理人機(jī)交互設(shè)計(jì)領(lǐng)域和行為決策領(lǐng)域的相關(guān)研究，結(jié)合教學(xué)場景中的相關(guān)實(shí)驗(yàn)案例，討論了智能教學(xué)系統(tǒng)中學(xué)習(xí)者自主度設(shè)計(jì)的大致原則：一方面，應(yīng)保證學(xué)習(xí)者適當(dāng)?shù)淖灾鞫?，以滿足其自主性的心理需要，同時(shí)授予其部分修正系統(tǒng)錯(cuò)誤的能力，減少算法厭惡的發(fā)生;另一方面，過多或不恰當(dāng)?shù)膶W(xué)習(xí)者自主度也無益于學(xué)習(xí)，可能導(dǎo)致無法為學(xué)習(xí)者的學(xué)習(xí)提供適當(dāng)?shù)闹С?，以及選擇過載和選擇困難的發(fā)生。最后，本文提出了設(shè)計(jì)智能教學(xué)系統(tǒng)中學(xué)習(xí)者自主度的三條具體建議：關(guān)注學(xué)習(xí)者特征，根據(jù)學(xué)習(xí)者特征設(shè)計(jì)合適的自主度;增加系統(tǒng)和算法的透明度，使得用戶能理解智能系統(tǒng)的決策邏輯，或授予用戶部分修改算法的權(quán)限，以減少算法厭惡的發(fā)生;為學(xué)習(xí)者提供必要的自主學(xué)習(xí)支持，而非簡單地將某些學(xué)習(xí)過程的控制權(quán)交給學(xué)習(xí)者。

【關(guān)鍵詞】? 人工智能;智能教學(xué)系統(tǒng);自主度;人機(jī)合作;自我調(diào)節(jié)學(xué)習(xí);選擇與決策;算法厭惡;選擇過載;在線學(xué)習(xí);學(xué)習(xí)支持

【中圖分類號(hào)】? G434? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ?【文章編號(hào)】? 1009-458x（2021）9-0049-10

一、引言

自其研究伊始，智能教學(xué)系統(tǒng)研究的一大初衷即模仿人類教師的教學(xué)（Self， 1990）。從1970年的第一個(gè)智能教學(xué)系統(tǒng)開始，智能教學(xué)系統(tǒng)已在各種教學(xué)場景中有著豐富的應(yīng)用。時(shí)至今日，智能教學(xué)系統(tǒng)已發(fā)展出形形色色的智能形式：或?qū)W(xué)習(xí)者內(nèi)隱的思考過程進(jìn)行推斷，并給予即時(shí)的支持（VanLehn， et al.， 2005; Anderson， et al.， 1995），或用自然語言與學(xué)習(xí)者對(duì)話（Jia， 2009; Nye， et al.， 2014），或可識(shí)別用戶的表情并給予適當(dāng)?shù)姆答仯ˋrroyo， et al.， 2014）。Vanlehn（2011）的研究表明智能教學(xué)系統(tǒng)的教學(xué)效果（d=0.76）已經(jīng)接近人類教師（d=0.79），從性能這一角度來說模仿者與被模仿者的差距已經(jīng)很小，智能教學(xué)系統(tǒng)近50年來的研究已取得巨大成功。

在模仿人類教師的這一愿景的驅(qū)動(dòng)下，學(xué)習(xí)者與計(jì)算機(jī)的交互正從學(xué)習(xí)者與媒體的交互漸漸轉(zhuǎn)向?qū)W習(xí)者與另一智能主體間的交互。在學(xué)習(xí)的過程中，智能教學(xué)系統(tǒng)可以有不同的角色隱喻，如輔導(dǎo)者、教練、評(píng)價(jià)者等（張志禎， 等， 2019）。在不同的系統(tǒng)中，智能教學(xué)系統(tǒng)承擔(dān)著不同的角色，相應(yīng)地，學(xué)習(xí)者也有著不一樣的角色。如果換一個(gè)視角，這些隱喻暗示了理解智能教學(xué)系統(tǒng)的另一種可能：智能教學(xué)系統(tǒng)的設(shè)計(jì)者大可不必將智能教學(xué)系統(tǒng)的設(shè)計(jì)與開發(fā)理解為創(chuàng)造出一個(gè)全知全能的教學(xué)專家，智能教學(xué)系統(tǒng)與學(xué)習(xí)者共同完成學(xué)習(xí)任務(wù)可以被理解為一種人機(jī)合作的問題。

在工業(yè)領(lǐng)域，生產(chǎn)場景中的人機(jī)合作問題，尤其是其中的績效問題已得到關(guān)注。例如，在一條半自動(dòng)的工業(yè)流水線上，哪些環(huán)節(jié)和工作由機(jī)器自動(dòng)完成，哪些環(huán)節(jié)由人類工人負(fù)責(zé)，才能獲得更高的生產(chǎn)效率。從績效上說，單純的機(jī)器工作的效率低于人機(jī)合作（張異繁， 2017）。然而在許多場景中，人機(jī)合作問題并不僅僅是一個(gè)機(jī)械地拼合人和機(jī)器的工作能力的問題。對(duì)于完成任務(wù)的人類參與者來說，其所感受到的在任務(wù)中享有的自主度的多少將影響其內(nèi)部動(dòng)機(jī)和合作體驗(yàn)。有研究發(fā)現(xiàn)，過多的機(jī)器操作會(huì)降低用戶使用機(jī)器的動(dòng)機(jī)和滿意度（Kim， et al.， 2011），而內(nèi)部動(dòng)機(jī)和合作（用戶）體驗(yàn)的變化最終將影響整個(gè)任務(wù)的績效。

在人機(jī)交互的研究中，自主度（Autonomy）是一個(gè)關(guān)鍵概念，指的是在一個(gè)團(tuán)隊(duì)中團(tuán)隊(duì)成員在工作中所體驗(yàn)到的自由度（freedom）、獨(dú)立性（independence）和決定權(quán)（discretion）（Kim & Hinds， 2006）。舉例來說，在學(xué)習(xí)者與智能教學(xué)系統(tǒng)交互的過程中，一個(gè)擔(dān)任著教練角色的系統(tǒng)比一個(gè)擔(dān)任同伴角色的系統(tǒng)享有更大的自主度，相應(yīng)地，學(xué)習(xí)者在教練系統(tǒng)中的自主度就更小。擔(dān)任教練角色的系統(tǒng)，如Cognitive Tutor（Ritter， et al.， 2007），需要根據(jù)學(xué)習(xí)者的情況分解復(fù)雜問題，一步步引導(dǎo)學(xué)習(xí)者進(jìn)行下一步的學(xué)習(xí)。在此過程中，教學(xué)內(nèi)容的選擇、學(xué)習(xí)者當(dāng)前狀態(tài)的評(píng)估、教學(xué)材料的呈現(xiàn)方式都是由系統(tǒng)自行選擇的，而學(xué)習(xí)者則處于“任人擺布”的狀態(tài)。而一個(gè)擔(dān)任同伴角色的系統(tǒng)，如LuCy（Goodman， Linton， & Gaimari， 2016），更多的只是鼓勵(lì)學(xué)習(xí)者在學(xué)習(xí)過程中進(jìn)行反思。那么，在使用智能教學(xué)系統(tǒng)的過程中，學(xué)習(xí)者享有的不同自主度對(duì)學(xué)習(xí)效果會(huì)有影響嗎？

目前，關(guān)于智能教學(xué)系統(tǒng)的研究大多只關(guān)注提升系統(tǒng)的自動(dòng)性，即增強(qiáng)計(jì)算機(jī)系統(tǒng)的自動(dòng)化程度，使其在學(xué)習(xí)科學(xué)與信息技術(shù)的支持下對(duì)學(xué)習(xí)場景中的各種信息進(jìn)行感知和推斷，自動(dòng)地做出下一步?jīng)Q策。然而，很少有研究關(guān)注學(xué)習(xí)過程中的主體——學(xué)習(xí)者的自主度在這一人機(jī)合作過程中所產(chǎn)生的影響?；谝陨媳尘?，本文旨在討論智能教學(xué)系統(tǒng)中學(xué)習(xí)者擁有的自主度對(duì)學(xué)習(xí)效果的可能影響，以此明確怎樣的人機(jī)合作才能更好地提升學(xué)習(xí)者使用智能教學(xué)系統(tǒng)的效果。

為討論這一問題，之后將延下述邏輯展開論述。

為什么學(xué)習(xí)者在使用智能教學(xué)系統(tǒng)時(shí)需要一定的自主度？自我決定理論（self-determination theory）較為成熟地闡述了個(gè)體對(duì)于自主度的需求。也有一些教育學(xué)研究者從該理論出發(fā)，討論學(xué)習(xí)者在教學(xué)場景中對(duì)于自主度的需要（Niemiec & Ryan， 2009; Black & Deci， 2000）。本文將借鑒自我決定理論，深入探討智能教學(xué)系統(tǒng)中學(xué)習(xí)者和自主度之間的復(fù)雜關(guān)系。

智能教學(xué)系統(tǒng)給予學(xué)習(xí)者的自主度并非是毫無邊界的，過多或過少的學(xué)習(xí)者自主度都會(huì)對(duì)學(xué)習(xí)產(chǎn)生負(fù)面影響。本文將通過論述在學(xué)習(xí)者獲得過多或過少自主度造成的后果，嘗試構(gòu)造一個(gè)智能教學(xué)系統(tǒng)中學(xué)習(xí)者應(yīng)享有的“適度”的自主度邊界。由于自主度這一概念在智能教學(xué)系統(tǒng)中的研究較少，缺少直接的來自實(shí)證研究的證據(jù)，本文主要從學(xué)習(xí)效果的一個(gè)重要預(yù)測因素即學(xué)習(xí)動(dòng)機(jī)入手，討論不同的智能教學(xué)系統(tǒng)設(shè)計(jì)對(duì)于學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)和用戶體驗(yàn)的影響。另外，結(jié)合行為決策（Judgement and Decision Making）領(lǐng)域在關(guān)于人機(jī)交互問題上的實(shí)證研究成果，如選擇過載和算法厭惡等，探討某一計(jì)算機(jī)系統(tǒng)中不同的自主度設(shè)計(jì)對(duì)用戶的影響，并結(jié)合教育學(xué)領(lǐng)域?qū)嵶C研究的結(jié)果來推論教學(xué)場景中這一類影響是否依然有可能發(fā)生。本文關(guān)注的智能教學(xué)系統(tǒng)主要以智能資源推薦、智能導(dǎo)學(xué)系統(tǒng)為主。

本文最后根據(jù)上述討論的結(jié)果，提出優(yōu)化智能教學(xué)系統(tǒng)設(shè)計(jì)的若干建議。

二、學(xué)習(xí)者的自主度——人與機(jī)器的合作與沖突

用機(jī)器代替人類教師是智能教學(xué)系統(tǒng)發(fā)展的目標(biāo)。目前主流的研究方向是增強(qiáng)系統(tǒng)的智能性，使其成為一個(gè)“全知全能”的專家型教師，實(shí)現(xiàn)各種復(fù)雜任務(wù)的交互。但是越來越多的學(xué)者認(rèn)識(shí)到，在當(dāng)前人工智能的發(fā)展水平下，學(xué)習(xí)者與智能教學(xué)之間的關(guān)系更多的是一種人機(jī)合作關(guān)系。貝克（Baker， 2016）認(rèn)為當(dāng)前的智能教學(xué)系統(tǒng)的發(fā)展與其初始的愿景發(fā)生了某種割裂：現(xiàn)有的真正在教育一線場景中使用的智能教學(xué)系統(tǒng)并沒有很強(qiáng)的智能性，與研究中展示的系統(tǒng)的智能性相去甚遠(yuǎn)。這種割裂表明，有的智能教學(xué)系統(tǒng)的發(fā)展方式可能遇到了某種瓶頸，以至于成熟的智能系統(tǒng)無法在實(shí)際教學(xué)中部署使用。機(jī)器善于處理復(fù)雜信息，而人則更善于思考。是否在當(dāng)前這種發(fā)展模式之外，還存在著一條人工智能與教育結(jié)合的出路——人機(jī)合作的模式？

將學(xué)習(xí)者在智能教學(xué)系統(tǒng)中的學(xué)習(xí)理解成一種人機(jī)合作是本文的基本出發(fā)點(diǎn)，但有必要區(qū)分這種人機(jī)合作的形式與一般工業(yè)場景中的人機(jī)合作。施里丹等（Sheridan & Verplank， 1978）用圖1表示人與電腦之間的關(guān)系。在合作處理任務(wù)時(shí)，有這樣幾種合作模式：①完全人工處理任務(wù);②人在計(jì)算機(jī)的幫助下處理任務(wù)（如高強(qiáng)度的科學(xué)計(jì)算）;③計(jì)算機(jī)承擔(dān)一部分人的工作（如批處理任務(wù)）;④計(jì)算機(jī)為人類工作做好備份;⑤計(jì)算機(jī)完全替代人類進(jìn)行工作。

但是在智能教學(xué)系統(tǒng)中，學(xué)習(xí)者與系統(tǒng)的關(guān)系又有所不同。學(xué)習(xí)者與系統(tǒng)的共同目標(biāo)應(yīng)是學(xué)習(xí)者本人行為和行為潛能的改變，這就意味著計(jì)算機(jī)不可能代替學(xué)習(xí)者去學(xué)習(xí)，學(xué)習(xí)者也并非獨(dú)自完成這一目標(biāo)，所以學(xué)習(xí)者與系統(tǒng)的合作模式是共享對(duì)學(xué)習(xí)過程的控制權(quán)，即施里丹等總結(jié)的第二種和第三種合作模式。

自我調(diào)節(jié)學(xué)習(xí)理論認(rèn)為學(xué)習(xí)者在自主學(xué)習(xí)中會(huì)使用一些策略來幫助自己學(xué)習(xí)。自我調(diào)節(jié)學(xué)習(xí)的能力對(duì)學(xué)習(xí)者來說十分重要，學(xué)習(xí)者是否能進(jìn)行自我調(diào)節(jié)學(xué)習(xí)與其最終的學(xué)業(yè)表現(xiàn)高度相關(guān)。自我調(diào)節(jié)學(xué)習(xí)可以分為幾個(gè)階段：①評(píng)估自己的狀態(tài)，激活先前知識(shí)，設(shè)定自己的學(xué)習(xí)目標(biāo)并規(guī)劃學(xué)習(xí);②在學(xué)習(xí)過程中監(jiān)控自己的學(xué)習(xí)行為和狀態(tài);③在學(xué)習(xí)過程中控制自己的學(xué)習(xí)行為、狀態(tài)和外部環(huán)境;④學(xué)習(xí)結(jié)束后進(jìn)行自我評(píng)價(jià)和反思（Pintrich， 2000）。在一個(gè)智能教學(xué)系統(tǒng)中，計(jì)算機(jī)時(shí)常會(huì)介入其中的某幾個(gè)階段，甚至代替學(xué)習(xí)者做出決策。例如智能教學(xué)系統(tǒng)會(huì)幫助學(xué)習(xí)者選擇適合其能力的學(xué)習(xí)內(nèi)容（階段1），監(jiān)控學(xué)習(xí)者的當(dāng)前情感（階段2），監(jiān)督學(xué)習(xí)者的不良學(xué)習(xí)行為（階段3），分析學(xué)習(xí)者的學(xué)習(xí)過程并進(jìn)行歸因（階段4）。對(duì)于一些學(xué)習(xí)者，系統(tǒng)在某些階段的接管對(duì)學(xué)習(xí)過程的控制權(quán)是有利的，但是對(duì)于另外一些自主學(xué)習(xí)者，可能這種控制反而會(huì)降低其使用體驗(yàn)——學(xué)習(xí)者和智能教學(xué)系統(tǒng)的合作與沖突就在這一過程中產(chǎn)生了。在這樣的關(guān)系中，我們能否劃清學(xué)習(xí)者與系統(tǒng)各自擁有的對(duì)學(xué)習(xí)過程的控制權(quán)限，使得二者達(dá)成更高效的合作？

（一）學(xué)習(xí)者對(duì)自主度的需求

1. 自我決定理論與學(xué)習(xí)動(dòng)機(jī)

人有著追求自由的天性。自我決定理論（self-determination theory，SDT）是Deci和Ryan（2000）提出的關(guān)于人類行為的動(dòng)機(jī)理論，其核心思想是將人類的動(dòng)機(jī)歸結(jié)為內(nèi)在傾向與外部環(huán)境有機(jī)結(jié)合、共同作用的結(jié)果。自我決定理論提出了人的幾個(gè)基本心理需要，即勝任（competence）、自主（autonomy）與關(guān)系（relatedness），大部分個(gè)體都為了滿足這三大需要而努力（張劍等， 2010）。自我決定理論認(rèn)為外部環(huán)境與個(gè)體內(nèi)在共同作用，通過滿足三大心理需求促進(jìn)內(nèi)部動(dòng)機(jī)和外部動(dòng)機(jī)的內(nèi)化，從而影響個(gè)體的行為和心理健康。

在三大心理需要中，自主需要指的是個(gè)體有先天的、傾向于自己做選擇的需要。在環(huán)境中，物質(zhì)獎(jiǎng)勵(lì)、監(jiān)督、評(píng)價(jià)、時(shí)間期限等規(guī)定常常使得個(gè)體感到自己的行為受到其他主體或環(huán)境的控制，自主需要無法得到滿足，從而導(dǎo)致內(nèi)部動(dòng)機(jī)的下降。而一個(gè)支持個(gè)體自主決策的環(huán)境則有助于提升個(gè)體對(duì)于任務(wù)的內(nèi)部動(dòng)機(jī)（Deci， et al.， 1994）。人機(jī)交互的實(shí)證研究證實(shí)：機(jī)器過多介入人類的操作過程將降低其對(duì)操作過程的滿意程度（Kim， et al.， 2011）。

賈利維蒂等（Jolivette， et al.， 2002）的一項(xiàng)課堂觀察研究發(fā)現(xiàn)，學(xué)習(xí)者確實(shí)會(huì)在課堂中自發(fā)地尋求一些做選擇的機(jī)會(huì)。許多研究也確認(rèn)了在傳統(tǒng)課堂教學(xué)中給予學(xué)習(xí)者更多的選擇機(jī)會(huì)有利于提升其學(xué)習(xí)動(dòng)機(jī)。例如，麥勒（Myrow， 1979）的研究發(fā)現(xiàn)給予學(xué)習(xí)者選擇學(xué)習(xí)主題的機(jī)會(huì)有助于提升其學(xué)習(xí)動(dòng)機(jī)：一組學(xué)生可以在6個(gè)學(xué)習(xí)主題中進(jìn)行選擇，另一組學(xué)生只能選擇被隨機(jī)分配的學(xué)習(xí)主題進(jìn)行學(xué)習(xí)。研究發(fā)現(xiàn)擁有選擇學(xué)習(xí)主題自主度的學(xué)生對(duì)于學(xué)習(xí)內(nèi)容有更高的熱情，并更愿意繼續(xù)就這一主題進(jìn)行學(xué)習(xí)。此外，科恩等（Kern， Bambara， & Fogt， 2002）的研究也發(fā)現(xiàn)在教學(xué)過程中給學(xué)習(xí)者提供選擇能提升其30%的參與度。

在智能教學(xué)系統(tǒng)的相關(guān)研究中，對(duì)于教學(xué)代理（pedagogical agents）的系統(tǒng)綜述研究也揭示了這樣一種矛盾的現(xiàn)象：相對(duì)于沒有教學(xué)代理（與學(xué)習(xí)者互動(dòng)的屏幕上的虛擬形象）的系統(tǒng)來說，有教學(xué)代理的系統(tǒng)能催生更好的學(xué)習(xí)效果，但是學(xué)習(xí)者的動(dòng)機(jī)卻降低了（Schroeder & Adesope， 2014）。雖然施羅德等（Schroeder， et al.， 2014）將動(dòng)機(jī)降低的這一效應(yīng)解釋為一部分學(xué)習(xí)者并不喜歡這一類系統(tǒng)，但是近期的一些研究為我們理解這一問題提供了新的視角：金等（Kim， Chen， & Zhang， 2016）的研究發(fā)現(xiàn)，即使是給電腦界面畫上一個(gè)笑臉更改其擬人程度（圖2），用戶的使用體驗(yàn)也會(huì)有顯著的降低。其原因在于用戶感知到當(dāng)前環(huán)境中有另一個(gè)主體在與自己爭奪系統(tǒng)的控制權(quán)，其自主度受到了威脅，從而導(dǎo)致用戶體驗(yàn)下降。教學(xué)代理對(duì)學(xué)習(xí)者動(dòng)機(jī)的副作用也許可以通過這一路徑得到解釋。

2. 算法厭惡

除了能否自己做選擇外，學(xué)習(xí)者是否認(rèn)同系統(tǒng)做出的選擇也是值得考量的因素。許多智能教學(xué)系統(tǒng)往往扮演輔導(dǎo)者的角色，為學(xué)習(xí)者的學(xué)習(xí)提供建議（張志禎， 等， 2019）。從性能上來看，基于統(tǒng)計(jì)學(xué)的預(yù)測系統(tǒng)的預(yù)測能力遠(yuǎn)遠(yuǎn)超越人類專家，其工作效率也遠(yuǎn)超人類（賈積有， 2018a; 賈積有， 2018b）。然而，行為決策領(lǐng)域的相關(guān)研究發(fā)現(xiàn)，即使個(gè)體認(rèn)識(shí)到了智能決策系統(tǒng)提供的建議的準(zhǔn)確度超過人類決策者，但是其更傾向于選擇人類決策者來幫助自己進(jìn)行決策，這一現(xiàn)象被稱為“算法厭惡”（algorithm aversion）（Eastwood， Snook， & Luther， 2012）。

迪特沃斯特等（Dietvorst， Simmons， & Massey， 2015）的研究用一系列實(shí)驗(yàn)來探究決策者在何種情況下會(huì)自主做出決策，在何種情況下會(huì)選擇采納算法的決策結(jié)果。其研究發(fā)現(xiàn)，在預(yù)測任務(wù)中，個(gè)體更傾向于相信自己的判斷而非輔助的預(yù)測算法的輸出結(jié)果。甚至即使有時(shí)被試已經(jīng)意識(shí)到算法預(yù)測精度高于自己，但仍會(huì)選擇自己的預(yù)測結(jié)果作為最終答案。

后續(xù)更多的研究表明這一現(xiàn)象廣泛存在于許多決策場景中。例如，在醫(yī)療場景中，相較于醫(yī)用人工智能，病人更喜歡人類醫(yī)生開出的處方（Longoni， et al.， 2019）;在一個(gè)以應(yīng)用統(tǒng)計(jì)學(xué)考試為場景的實(shí)驗(yàn)中，考生在面臨預(yù)測股市走向的任務(wù)時(shí)更愿意用人類專家而非統(tǒng)計(jì)模型給出的結(jié)果來修正自己的結(jié)果，在綜合多種決策結(jié)果時(shí)，他們也對(duì)人類專家給出的結(jié)果賦予更高的權(quán)重（?nkal， et al.， 2009）。

雖然在智能教學(xué)系統(tǒng)的應(yīng)用場景中，仍未有充分的實(shí)證研究探討算法厭惡在這一類系統(tǒng)中是否存在。但可以預(yù)見的是，至少對(duì)于部分能進(jìn)行自我調(diào)節(jié)學(xué)習(xí)（self-regulated learning）的學(xué)習(xí)者來說，學(xué)習(xí)也是一個(gè)需要學(xué)習(xí)者進(jìn)行選擇與決策的場景（Zimmerman， 1989），當(dāng)智能教學(xué)系統(tǒng)的判斷與學(xué)習(xí)者自己的判斷相左，系統(tǒng)卻依然“我行我素”地執(zhí)行程序邏輯時(shí)，學(xué)習(xí)者的內(nèi)部動(dòng)機(jī)就會(huì)下降。

3. 系統(tǒng)的錯(cuò)誤決策

必須承認(rèn)，在某些方面，如今智能教學(xué)系統(tǒng)的一些預(yù)測結(jié)果依然存在著相當(dāng)?shù)恼`差。例如，目前聲音識(shí)別算法的識(shí)別準(zhǔn)確率最高也只能到60%左右（Latif， et al.， 2019），在許多時(shí)候，或許學(xué)習(xí)者會(huì)比系統(tǒng)更了解自己的狀態(tài)。這樣的“絕對(duì)”誤差帶來的后果更為嚴(yán)重。一方面，系統(tǒng)做出了錯(cuò)誤的決策，給出了錯(cuò)誤的干預(yù);另一方面，學(xué)習(xí)者感知到了系統(tǒng)的錯(cuò)誤，會(huì)產(chǎn)生更嚴(yán)重的算法厭惡（Dietvorst， et al.， 2015），進(jìn)一步降低學(xué)習(xí)動(dòng)機(jī)。所以，給予學(xué)習(xí)者更多的自主度也是給予他們手動(dòng)糾正系統(tǒng)錯(cuò)誤的機(jī)會(huì)。

（二）過多/不恰當(dāng)?shù)淖灾鞫?/p>

前文討論了智能教學(xué)系統(tǒng)中學(xué)習(xí)者對(duì)于自主度的要求。一方面，從自我決定理論出發(fā)，學(xué)習(xí)者天然地追求在學(xué)習(xí)過程中進(jìn)行選擇和決策的權(quán)力，在教學(xué)過程中賦予學(xué)習(xí)者一定的選擇空間有利于提升其學(xué)習(xí)動(dòng)機(jī);另一方面，算法厭惡的相關(guān)研究表明，如果將學(xué)習(xí)者看作是自己學(xué)習(xí)計(jì)劃的決策者，相比于智能教學(xué)系統(tǒng)的建議，他可能更相信自己的判斷，而機(jī)器與人的兩種判斷的不一致也會(huì)導(dǎo)致學(xué)習(xí)動(dòng)機(jī)的下降。從以上討論中可以發(fā)現(xiàn)，保證智能教學(xué)系統(tǒng)中學(xué)習(xí)者適度的自主度有助于提升學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)。

但是，事物總有其兩面性。接下來，我們將論證給予學(xué)習(xí)者過多的自主度或錯(cuò)誤地給學(xué)習(xí)者提供選擇的機(jī)會(huì)，也將妨礙其學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)效果。

1. 缺少學(xué)習(xí)支持

在傳統(tǒng)課堂中，即使有一些自學(xué)者對(duì)學(xué)習(xí)內(nèi)容很感興趣，但其最終的學(xué)習(xí)效果很難與接受課堂中教師系統(tǒng)教學(xué)的學(xué)習(xí)者相比，原因在于后者的學(xué)習(xí)過程經(jīng)過了科學(xué)、系統(tǒng)的教學(xué)設(shè)計(jì)。一般的學(xué)習(xí)者不是教學(xué)法的專家，他們?cè)趯W(xué)習(xí)過程中做出的決策以及使用的策略很難與智能教學(xué)系統(tǒng)相媲美，因?yàn)楹笳呤强茖W(xué)的教學(xué)設(shè)計(jì)的產(chǎn)物。所以這樣就引出了一個(gè)問題：在智能教學(xué)系統(tǒng)中，賦予學(xué)習(xí)者更多的自主度往往意味著系統(tǒng)提供了更少的學(xué)習(xí)支持，許多關(guān)于自身學(xué)習(xí)的決策需要學(xué)習(xí)者自己做出。

如上文所述，一些研究者在傳統(tǒng)課堂中研究了賦予學(xué)習(xí)者更多選擇機(jī)會(huì)對(duì)其學(xué)習(xí)動(dòng)機(jī)和效果的影響，但是也有許多研究同時(shí)揭示了這一類場景中學(xué)習(xí)動(dòng)機(jī)與學(xué)習(xí)效果之間的割裂：雖然給予學(xué)習(xí)者更多的選擇有利于提升其學(xué)習(xí)動(dòng)機(jī)，但是其最終的學(xué)習(xí)效果并沒有顯著的變化。例如，麥勒（Myrow， 1979）的研究發(fā)現(xiàn)，雖然有選擇學(xué)習(xí)主題權(quán)力的那一組的學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)增強(qiáng)了，但是其在學(xué)習(xí)效果上與對(duì)照組并無顯著差別。納卡穆拉等（Nakamura， Phung， & Reinders， 2020）的研究發(fā)現(xiàn)，在課堂中給予外語學(xué)習(xí)者更多的選擇機(jī)會(huì)雖然能有效提升學(xué)習(xí)者在學(xué)習(xí)過程中的體驗(yàn)，但是在學(xué)習(xí)者投入的大多數(shù)維度上，有更多選擇機(jī)會(huì)的學(xué)習(xí)者與選擇機(jī)會(huì)更少的學(xué)習(xí)者之間并無顯著差異。

雖然麥勒（Myrow， 1979）將這一情況歸咎于提供的選擇自由度不夠“徹底”，即其只提供了6種學(xué)習(xí)材料以供選擇（這一點(diǎn)將之后展開討論），但是學(xué)習(xí)者缺少自主學(xué)習(xí)能力也是一個(gè)可能的原因。需要注意的是，如果將學(xué)習(xí)動(dòng)機(jī)看作是學(xué)習(xí)效果的自變量，從主效應(yīng)上來說，內(nèi)部動(dòng)機(jī)的強(qiáng)度與學(xué)習(xí)效果之間有一定程度的正相關(guān)，但是內(nèi)部動(dòng)機(jī)的增強(qiáng)并不一定導(dǎo)致學(xué)習(xí)效果的提升，績效是內(nèi)部動(dòng)機(jī)和外部動(dòng)機(jī)共同作用的結(jié)果（Cerasoli， et al.， 2014）。許多時(shí)候，更多的學(xué)習(xí)者自主度往往意味著更少的學(xué)習(xí)引導(dǎo)和支持。本研究認(rèn)為，學(xué)習(xí)者缺少與其自主度相匹配的自我學(xué)習(xí)能力是一個(gè)可能的原因。

在軟件的交互設(shè)計(jì)中，為“新手型”用戶設(shè)計(jì)交互與為“專家型”用戶設(shè)計(jì)交互的思路往往是不同的（Cooper， et al.， 2014）。同樣，對(duì)一個(gè)“專家型”學(xué)習(xí)者來說，更多的自主度意味著內(nèi)部動(dòng)機(jī)的提升，且其可以使用自己熟悉的學(xué)習(xí)策略來規(guī)劃自己的學(xué)習(xí)，而一個(gè)“新手型”學(xué)習(xí)者雖然自主度的需求得到滿足，但可能因?yàn)槿鄙俳虒W(xué)者的引導(dǎo)而不知所措。

從整個(gè)學(xué)習(xí)者群體來看，并不是所有學(xué)習(xí)者都有自我調(diào)節(jié)學(xué)習(xí)的能力。一部分學(xué)習(xí)者可以自主完成自我學(xué)習(xí)策略的幾個(gè)階段，但是另一部分學(xué)習(xí)者則可能需要計(jì)算機(jī)介入其中的幾個(gè)學(xué)習(xí)階段并引導(dǎo)或代替其做出決策，才能取得更好的學(xué)習(xí)效果。

這一點(diǎn)或許可以通過對(duì)比麥勒（Myrow， 1979）與赫斯卡等（Huéscar， et al.， 2019）的兩個(gè)實(shí)驗(yàn)得到一定程度上的印證。后者實(shí)驗(yàn)中實(shí)驗(yàn)組的干預(yù)方式并不是簡單地給予學(xué)習(xí)者更多的選擇，而是采用支持學(xué)習(xí)者自主度的方式（autonomy supportive）進(jìn)行的，即教師鼓勵(lì)實(shí)驗(yàn)組中的學(xué)習(xí)者參與活動(dòng)、參與小組討論，直到學(xué)習(xí)者發(fā)展出能自己組織學(xué)習(xí)的能力。相較于另一組簡單按照教師的想法執(zhí)行教學(xué)的對(duì)照組，在前后測中實(shí)驗(yàn)組的學(xué)習(xí)效果有顯著的變化，感知到的自主度有很大的提升，而對(duì)照組則無顯著的變化。該實(shí)驗(yàn)與麥勒（Myrow， 1979）研究的不同之處在于其中設(shè)計(jì)了對(duì)學(xué)習(xí)者自主學(xué)習(xí)的支持機(jī)制，使得學(xué)習(xí)者在獲得更多的自主度的同時(shí)并不會(huì)因?yàn)槿鄙俦匾膶W(xué)習(xí)支持而阻礙學(xué)習(xí)效果的提升。

2. 選擇過載

正如麥勒（Myrow， 1979）將提供選擇機(jī)會(huì)后未能提升學(xué)習(xí)效果解釋為提供的選擇機(jī)會(huì)不夠“徹底”、選擇集不夠龐大一樣，2000年前的行為心理學(xué)理論一直認(rèn)為給主體的選擇空間應(yīng)當(dāng)是多多益善的，越是多樣的選擇越能滿足主體對(duì)于自主度的追求，從而獲得更正面的行為與動(dòng)機(jī)。

然而，近年來的行為心理學(xué)研究逐漸推翻了這一論斷。伊恩格等（Iyenger & Lepper， 2000）發(fā)現(xiàn)，正如麥勒（Myrow， 1979）的實(shí)驗(yàn)中對(duì)于選擇數(shù)量的設(shè)計(jì)一樣，以往的心理學(xué)關(guān)于選擇的實(shí)驗(yàn)中呈現(xiàn)的選擇集的大小大多在2～6個(gè)選擇?？紤]到人的短時(shí)工作記憶容量是7左右（Lisman & Idiart， 1995），包含2～6個(gè)選擇的選擇集并不足以對(duì)短時(shí)工作記憶造成很大的負(fù)荷，故個(gè)體在這一量級(jí)的選擇集中進(jìn)行選擇是一件相對(duì)更愉悅的事。但是，一旦個(gè)體面臨的選擇數(shù)量遠(yuǎn)遠(yuǎn)超過短時(shí)工作記憶可以處理的容量時(shí)，增加選擇集的數(shù)量只會(huì)降低個(gè)體的內(nèi)部動(dòng)機(jī)。這一現(xiàn)象被稱為“選擇過載”（Choice Overload）。

在伊恩格等（Iyenger & Lepper， 2000）的研究中，有一個(gè)相似的教育場景下的實(shí)驗(yàn)設(shè)計(jì)：在一堂社會(huì)心理學(xué)課程上，193位大學(xué)生被隨機(jī)分成兩組，完成同一項(xiàng)課程的附加作業(yè)。一組學(xué)生可以在6個(gè)作業(yè)主題中選擇一個(gè)主題，另一組學(xué)生則可以在30個(gè)作業(yè)主題中選擇一個(gè)主題。結(jié)果顯示在作業(yè)的質(zhì)量和完成率上前者均高于后者。由于學(xué)習(xí)者需要在太多的可選擇項(xiàng)之間進(jìn)行取舍（trade-off），太多的選擇對(duì)其工作記憶造成過大的認(rèn)知負(fù)荷，反而降低了其完成任務(wù)的動(dòng)機(jī)。同樣，在教學(xué)場景下布魯克斯等（Brooks & Young， 2011）的實(shí)驗(yàn)中也有類似發(fā)現(xiàn)，即在實(shí)體課堂中給予學(xué)習(xí)者提供更多選擇的機(jī)會(huì)未必提升學(xué)習(xí)者的動(dòng)機(jī)。相反，在一定的邊界條件下過多的選擇反而會(huì)有副作用。

伊恩格等（Iyenger & Lepper， 2000）認(rèn)為，選擇過載之所以發(fā)生，是因?yàn)閭€(gè)體在進(jìn)行決策時(shí)需要對(duì)不同選擇的結(jié)果進(jìn)行考量，如需要考量做出錯(cuò)誤選擇的后果，需要了解和評(píng)估每個(gè)備選項(xiàng)的優(yōu)劣，等等，這一切都對(duì)其認(rèn)知造成了一定的負(fù)荷。同樣，在教學(xué)場景中，這樣的情況也有可能發(fā)生。舉一個(gè)典型的例子：學(xué)習(xí)者在選擇接下來的學(xué)習(xí)內(nèi)容時(shí)，需要綜合評(píng)估自身的狀況與學(xué)習(xí)內(nèi)容的屬性，還需要考量情境中的各種因素以對(duì)各選擇的好壞進(jìn)行評(píng)估?？梢?，在這種場景中提供太多的備擇項(xiàng)也會(huì)造成認(rèn)知負(fù)荷的上升，導(dǎo)致學(xué)習(xí)動(dòng)機(jī)的下降。

3. 兩難選擇削弱學(xué)習(xí)動(dòng)機(jī)

同樣在決策與選擇領(lǐng)域，博迪（Botti， 2004）的研究揭示了這樣一種矛盾的現(xiàn)象：雖然個(gè)體都更傾向于自己做出決策，但是并非所有擁有選擇機(jī)會(huì)的個(gè)體的滿意度都會(huì)高于沒有選擇機(jī)會(huì)的個(gè)體。如果選擇集中的各備選項(xiàng)都符合選擇者的喜好，那么相對(duì)于沒有選擇機(jī)會(huì)的個(gè)體來說，選擇者體驗(yàn)到的滿意度會(huì)高于沒有選擇機(jī)會(huì)的個(gè)體。但是，如果備選項(xiàng)并不能很好地符合選擇者的喜好，那么他們體驗(yàn)到的滿意度甚至比那些沒有選擇機(jī)會(huì)的個(gè)體低。換句話說，雖然從主效應(yīng)看選擇者能體驗(yàn)到更多選擇的自主度，有更強(qiáng)的動(dòng)機(jī)，但是當(dāng)其面臨一個(gè)兩難選擇時(shí)，其對(duì)于選擇過程的滿意度甚至不如沒有選擇機(jī)會(huì)的個(gè)體。

相似的情況可能同樣會(huì)發(fā)生在教學(xué)場景中。扎克等（Zach & Yanovich， 2015）的研究也得到了一種與自我決定理論相悖的結(jié)果：在體育課上，一組學(xué)生可以在5～8種運(yùn)動(dòng)中選擇自己想?yún)⑴c的運(yùn)動(dòng)，而另一組學(xué)生沒有選擇的機(jī)會(huì)。最后的結(jié)果顯示，沒有選擇機(jī)會(huì)的學(xué)生在選擇滿意度上反而高于有選擇機(jī)會(huì)的學(xué)生。由于場地的限制，許多學(xué)生最喜歡的體育課程都無法開展，而有選擇機(jī)會(huì)的學(xué)生之所以選擇了某樣課程可能“并不是因?yàn)橄矚g這種運(yùn)動(dòng)，而只是更不喜歡其他運(yùn)動(dòng)”。所以，當(dāng)選擇者面臨兩難選擇后，他們對(duì)于選擇過程和結(jié)果的滿意度就會(huì)下降。有理由相信在智能教學(xué)系統(tǒng)中相似的情況也會(huì)發(fā)生。當(dāng)學(xué)習(xí)者必須在多種與自己的偏好不一致的備選項(xiàng)中做出選擇時(shí)，其學(xué)習(xí)動(dòng)機(jī)就有可能會(huì)下降。

三、學(xué)習(xí)者自主度的邊界

從以上的討論中，我們大致從學(xué)習(xí)者選擇的角度勾勒出了智能教學(xué)系統(tǒng)中學(xué)習(xí)者自主度的一個(gè)輪廓，如圖3。

一方面，從自我決定理論出發(fā)，學(xué)習(xí)者需要有一定的自主度。此外，算法厭惡的相關(guān)研究顯示個(gè)體在許多時(shí)候并不信賴機(jī)器的決策結(jié)果。如果系統(tǒng)處處僭越學(xué)習(xí)者的選擇和決策，學(xué)習(xí)者的動(dòng)機(jī)水平就會(huì)下降。另一方面，如果給予學(xué)習(xí)者過多的或者不恰當(dāng)?shù)淖灾鞫龋瑢W(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)也有可能降低，妨礙學(xué)習(xí)效果的提升。更多的學(xué)習(xí)者自主度往往意味著更少的學(xué)習(xí)支持，如果僅僅通過更多的自由度提高學(xué)習(xí)者的動(dòng)機(jī)水平而沒有相應(yīng)支持其自主學(xué)習(xí)，并不一定能提高其最終的學(xué)習(xí)效果。此外，過于復(fù)雜的選擇可能使學(xué)習(xí)者選擇過載，降低其學(xué)習(xí)動(dòng)機(jī)水平;呈現(xiàn)給學(xué)習(xí)者與其偏好不一致的可選擇項(xiàng)也有可能降低其對(duì)學(xué)習(xí)內(nèi)容選擇過程和結(jié)果的滿意度。

由此可以發(fā)現(xiàn)，在智能教學(xué)系統(tǒng)中恰當(dāng)設(shè)計(jì)學(xué)習(xí)者自主度的關(guān)鍵，在于在學(xué)習(xí)者的自主度和人工智能系統(tǒng)的自主度之間尋求某種平衡。然而，由于缺少本領(lǐng)域相關(guān)實(shí)證證據(jù)的支持，這個(gè)平衡點(diǎn)難以確切界定?；诖?，在接下來的討論中，本文將嘗試援引自主調(diào)節(jié)學(xué)習(xí)和用戶交互、行為決策領(lǐng)域的相關(guān)研究成果，為智能教學(xué)系統(tǒng)的設(shè)計(jì)提出若干建議。

1. 關(guān)注不同學(xué)習(xí)者對(duì)自主度的不同需要

如同教學(xué)設(shè)計(jì)的模型一樣，學(xué)習(xí)者特征的前端分析也應(yīng)是智能教學(xué)系統(tǒng)設(shè)計(jì)中的一項(xiàng)重要工作（Dick， 1996）。總體來說，在設(shè)計(jì)智能教學(xué)系統(tǒng)時(shí)，由學(xué)習(xí)者確定學(xué)習(xí)者需要多大的自主度可以從兩方面來考慮：①學(xué)習(xí)者是否對(duì)自己的學(xué)習(xí)有明確的目標(biāo)與規(guī)劃;②學(xué)習(xí)者對(duì)于學(xué)習(xí)內(nèi)容的熟悉程度。

從學(xué)習(xí)目標(biāo)與規(guī)劃來說，自我調(diào)節(jié)學(xué)習(xí)理論給出了一個(gè)對(duì)學(xué)習(xí)者進(jìn)行分類的視角：如果說所有學(xué)習(xí)者都有學(xué)習(xí)目標(biāo)的話，一部分學(xué)習(xí)者可以自主、有效地對(duì)自己的學(xué)習(xí)過程進(jìn)行規(guī)劃，而另一部分學(xué)習(xí)者則可能在自我調(diào)節(jié)學(xué)習(xí)的某幾個(gè)階段需要系統(tǒng)幫助甚至替代其進(jìn)行決策。對(duì)于前者而言，賦予其更多的自主度有利于提升其學(xué)習(xí)動(dòng)機(jī)，同時(shí)可以更少地犧牲學(xué)習(xí)效果，因?yàn)檫@部分學(xué)習(xí)者相對(duì)來說需要更少的學(xué)習(xí)支持，如果在此時(shí)對(duì)其學(xué)習(xí)過程加以過多的約束和外在規(guī)劃，其學(xué)習(xí)動(dòng)機(jī)水平反而會(huì)下降。對(duì)于后者來說，賦予其更多的自主度卻往往意味著讓無法有效掌控自己學(xué)習(xí)的學(xué)習(xí)者來冒險(xiǎn)進(jìn)行決策。選擇過載發(fā)生的內(nèi)部心理機(jī)制在于評(píng)估過于復(fù)雜的備選項(xiàng)和選擇集需要占用大量的認(rèn)知資源，引起個(gè)體對(duì)選擇活動(dòng)本身的厭煩和內(nèi)部動(dòng)機(jī)水平的下降。切訥夫等（Chernev， B?ckenholt， & Goodman， 2015）在元分析中提出了引發(fā)選擇過載的四個(gè)因素：兩個(gè)外部因素為選擇集復(fù)雜、選擇任務(wù)過難;兩個(gè)內(nèi)部因素為不明確自身選擇偏好、不明確選擇的目的。從這一角度來說，自我調(diào)節(jié)學(xué)習(xí)更強(qiáng)的學(xué)習(xí)者更明確為何選擇，也更擅長評(píng)估當(dāng)前的學(xué)習(xí)環(huán)境（Pintrich， 2000; Shah & Oppenheimer， 2008），這也使得他們更不易選擇過載。

所以學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力可以是判斷學(xué)習(xí)者需要多大程度自主度的一個(gè)理想指標(biāo)。同時(shí)，豐富的已有研究和量表等工具使得這一指標(biāo)的使用在工程上也易于實(shí)現(xiàn)。舉例來說，用戶剛進(jìn)入系統(tǒng)時(shí)用自我調(diào)節(jié)學(xué)習(xí)量表對(duì)其自我學(xué)習(xí)能力進(jìn)行一個(gè)簡單的分類，之后針對(duì)性地賦予不同程度的自主度，也可能有效促進(jìn)其學(xué)習(xí)（Zimmerman & Pons， 1986; Zimmerman， et al.， 1992）。

同時(shí)，學(xué)習(xí)者對(duì)于學(xué)習(xí)內(nèi)容的熟悉程度也是一個(gè)重要的決定因素。對(duì)于熟悉學(xué)習(xí)內(nèi)容的學(xué)習(xí)者來說，選擇集和選擇任務(wù)的困難度會(huì)有一定程度的下降，此外他們對(duì)于自身的選擇偏好也更清晰。切訥夫（Chernev， 2003）的研究認(rèn)為，在面臨選擇任務(wù)時(shí)，在任務(wù)開始之前心中已有理想選擇項(xiàng)的決策者更不易發(fā)生選擇困難。而在智能教學(xué)系統(tǒng)中，學(xué)習(xí)者構(gòu)造出這樣一個(gè)希望學(xué)習(xí)的“理想型”需要一定的過往經(jīng)驗(yàn)的支持，需要對(duì)學(xué)習(xí)內(nèi)容有更多的了解。

所以，能否有效地鑒別“新手型”和“專家型”學(xué)習(xí)者，能否鑒別有明確學(xué)習(xí)目的的學(xué)習(xí)者是智能教學(xué)系統(tǒng)自主度設(shè)計(jì)的一個(gè)關(guān)鍵問題。應(yīng)根據(jù)不同的學(xué)習(xí)者特征決定在何種程度上干預(yù)或指導(dǎo)學(xué)習(xí)者學(xué)習(xí)。在工程上，動(dòng)態(tài)自主度（Dynamic Autonomy）是人機(jī)交互領(lǐng)域提高人機(jī)合作效率的一種解決方案，即由當(dāng)前系統(tǒng)評(píng)估人類操作者的操作是否能完成任務(wù)目標(biāo)，并決定是否等待人類的操作指令或是自主做出響應(yīng)（Schermerhorn & Scheutz， 2009; Hardian， et al.， 2006）。對(duì)于一個(gè)學(xué)習(xí)者背景多元的智能教學(xué)系統(tǒng)來說，也可以按照相似的思路進(jìn)行設(shè)計(jì)，感知當(dāng)前學(xué)習(xí)者的行為和狀態(tài)，并決定是否給予適當(dāng)?shù)母深A(yù)、如何提供個(gè)性化的交互和學(xué)習(xí)支持。

2. 采納更透明的算法和系統(tǒng)

迪特沃斯特等（Dietvorst， et al.， 2015）的研究指出，決策者出現(xiàn)算法厭惡的一個(gè)先決條件是發(fā)現(xiàn)算法犯錯(cuò)?？紤]到目前智能教學(xué)系統(tǒng)的發(fā)展水平，在學(xué)習(xí)者使用系統(tǒng)的過程中很難避免系統(tǒng)犯錯(cuò)（如推薦不恰當(dāng)?shù)馁Y源、對(duì)話中文不對(duì)題等），那么增加算法系統(tǒng)的透明度就成了為數(shù)不多的解決方案之一，即讓學(xué)習(xí)者看到算法內(nèi)部更多的信息，包括該算法如何運(yùn)行、可以調(diào)節(jié)哪些參數(shù)來調(diào)整結(jié)果等。

迪特沃斯特等（Dietvorst， Simmons， & Massey， 2018）的研究發(fā)現(xiàn)了克服算法厭惡的一種方案：相比那些自己無法控制、無法理解其內(nèi)部邏輯的算法，人們更喜歡使用那些自己可以調(diào)整的“不完美”的算法。即使在預(yù)測精度上有所偏差，但是只要有一點(diǎn)修改算法的權(quán)限，也可以極大地提升其使用動(dòng)機(jī)水平。所以，如果在智能教學(xué)系統(tǒng)中開放系統(tǒng)的一小部分權(quán)限，能使學(xué)習(xí)者通過調(diào)節(jié)一些簡單參數(shù)“定制”自己的系統(tǒng)，或許也將有顯著的積極效果。例如，在一個(gè)電腦擔(dān)任輔助者的系統(tǒng)中，學(xué)習(xí)者設(shè)置解題提示出現(xiàn)的邏輯和方式;原先系統(tǒng)判定學(xué)習(xí)者的當(dāng)前能力未達(dá)到某一閾值就彈出提示，學(xué)習(xí)者可以小幅度修改這一閾值以配合自己的學(xué)習(xí)規(guī)劃。

伯格等（Berger， et al.， 2020）也提出了克服算法厭惡的一種新思路：向用戶展示系統(tǒng)所使用的算法正在錯(cuò)誤中“吸取教訓(xùn)”，隨著用戶的使用精度變高，能有效降低算法厭惡程度。所以，在智能教學(xué)系統(tǒng)中向?qū)W習(xí)者展示算法正在錯(cuò)誤中進(jìn)步，也能有效提升學(xué)習(xí)者的內(nèi)部動(dòng)機(jī)水平以及使用系統(tǒng)的意愿。

此外，增加系統(tǒng)決策的透明度，在用戶能理解的程度上向其解釋為何這樣決策，能幫助用戶理解系統(tǒng)決策的邏輯，還可以給手動(dòng)修正系統(tǒng)的錯(cuò)誤決策提供可能。更透明的算法能幫助學(xué)習(xí)者判斷機(jī)器是否做出了正確的決策。如果學(xué)習(xí)者有相應(yīng)的自主度和控制權(quán)，他們可以手動(dòng)修正系統(tǒng)的決策結(jié)果，從而獲得更優(yōu)的學(xué)習(xí)效果和體驗(yàn)。此外，在系統(tǒng)并不確定對(duì)當(dāng)前學(xué)習(xí)者的狀態(tài)評(píng)估是否準(zhǔn)確時(shí)，可以征求學(xué)習(xí)者的輸入，輔助其進(jìn)行判斷，以減少錯(cuò)誤決策。

3. 增加學(xué)習(xí)者自主學(xué)習(xí)的支持

雖然在許多情況下更高的學(xué)習(xí)者的自主度往往意味著更少的學(xué)習(xí)支持，但是值得注意的是，系統(tǒng)能提供的學(xué)習(xí)支持與學(xué)習(xí)者的自主度之間并不是零和的，通過適當(dāng)?shù)脑O(shè)計(jì)可以在提升學(xué)習(xí)者自主度的同時(shí)依然提供必要的學(xué)習(xí)支持。

正如赫斯卡等（Huéscar， et al.， 2019）在傳統(tǒng)課堂中取得成功的方式一樣，在智能教學(xué)系統(tǒng)中添加支持學(xué)習(xí)者自主學(xué)習(xí)的設(shè)計(jì)是一個(gè)可行的方案（Wong， et al.， 2019）。例如，可以在學(xué)習(xí)者選擇學(xué)習(xí)內(nèi)容之前呈現(xiàn)一些提示，刻意引導(dǎo)其使用自我調(diào)節(jié)學(xué)習(xí)的策略評(píng)估自己當(dāng)前的狀態(tài)，或基于系統(tǒng)的判斷給出一些建議，之后再做出決策（Bannert & Reimann， 2012）。這種設(shè)計(jì)既滿足了學(xué)習(xí)者對(duì)于學(xué)習(xí)自主性的要求，又給“新手型”的學(xué)習(xí)者提供了必要的支持。與系統(tǒng)動(dòng)態(tài)自主度的設(shè)計(jì)策略不同，這種策略的一大特點(diǎn)在于并非通過改變系統(tǒng)的設(shè)計(jì)去迎合不同類型的學(xué)習(xí)者的需要，而是通過塑造學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力等方式在使用的過程中改變其對(duì)于自主度的需要，使得學(xué)習(xí)者適應(yīng)系統(tǒng)的自主度設(shè)計(jì)。

4. 以適當(dāng)?shù)姆绞浇M織和呈現(xiàn)信息

如果能夠通過一些策略提供關(guān)于每個(gè)選擇的必要信息（如備選項(xiàng)的難度、復(fù)雜度），或以適當(dāng)形式來呈現(xiàn)選擇項(xiàng)的信息（如以知識(shí)圖譜的方式呈現(xiàn)學(xué)習(xí)內(nèi)容），也有助于學(xué)習(xí)者進(jìn)行選擇，防止選擇過載的發(fā)生（Chernev， 2006）。這其中的核心在于降低學(xué)習(xí)者在決策過程中的認(rèn)知負(fù)荷。

四、結(jié)論

本文從人機(jī)合作的角度對(duì)智能教學(xué)系統(tǒng)中的學(xué)習(xí)者的自主度進(jìn)行了探討，通過梳理人機(jī)交互設(shè)計(jì)領(lǐng)域以及行為決策領(lǐng)域的相關(guān)研究，結(jié)合教學(xué)場景中的相關(guān)實(shí)驗(yàn)案例，討論了在智能教學(xué)系統(tǒng)中學(xué)習(xí)者自主度設(shè)計(jì)的大致原則：一方面，應(yīng)保證學(xué)習(xí)者適當(dāng)?shù)淖灾鞫?，以滿足其自主性的心理需要，授予其部分修正系統(tǒng)錯(cuò)誤的能力，減少算法厭惡的發(fā)生;另一方面，過多的或不恰當(dāng)?shù)膶W(xué)習(xí)者自主度也無益于學(xué)習(xí)，可能導(dǎo)致無法為學(xué)習(xí)者的學(xué)習(xí)提供適當(dāng)?shù)闹С郑约斑x擇過載和選擇困難的發(fā)生。最后，本文提出了設(shè)計(jì)智能教學(xué)系統(tǒng)中學(xué)習(xí)者自主度的三條具體建議：①關(guān)注學(xué)習(xí)者特征，根據(jù)學(xué)習(xí)者特征設(shè)計(jì)合適的自主度;②增加系統(tǒng)和算法的透明度，使得學(xué)習(xí)者能理解智能系統(tǒng)的決策邏輯，或授予學(xué)習(xí)者部分修改算法的權(quán)限，以減少算法厭惡的發(fā)生;③為學(xué)習(xí)者提供必要的自主學(xué)習(xí)支持，而非簡單地將某些學(xué)習(xí)過程的控制權(quán)交給學(xué)習(xí)者。

由于智能教學(xué)系統(tǒng)相關(guān)領(lǐng)域的學(xué)習(xí)者選擇和自主度研究較少，本文在論證過程中引用了行為決策領(lǐng)域和人機(jī)交互領(lǐng)域的一些研究結(jié)果，為了保證這些結(jié)論適用于智能教學(xué)系統(tǒng)的場景，另結(jié)合實(shí)體課堂中學(xué)習(xí)者選擇機(jī)會(huì)與學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)效果的相關(guān)研究進(jìn)行推論。但是這些結(jié)論仍然需相關(guān)實(shí)證研究做進(jìn)一步的驗(yàn)證。此外，本文未能給出一個(gè)明確的學(xué)習(xí)者自主度的定義，對(duì)自主度的探討大多從學(xué)習(xí)者在學(xué)習(xí)過程中的選擇與決策進(jìn)行，未來研究可以從更多角度展開討論。在許多場景下，智能教學(xué)系統(tǒng)使用中的人機(jī)交互并不只限于單個(gè)學(xué)習(xí)者與系統(tǒng)之間的交互，還有可能包含其他利益相關(guān)者，如教師在智能教學(xué)系統(tǒng)的幫助下確定學(xué)習(xí)者的學(xué)習(xí)內(nèi)容，未來的研究可以針對(duì)這些更多主體的更復(fù)雜的智能教學(xué)系統(tǒng)中的主體自主度進(jìn)行探討。

最后，一些批判的聲音應(yīng)該是有益的（Baker， 2016; 李芒， 張華陽， 2020）。智能教學(xué)系統(tǒng)研究的目的是“育人”而非“造人”，應(yīng)是提升學(xué)習(xí)者的智能而非本末倒置地去創(chuàng)造一個(gè)全知全能的機(jī)器教師。相比那個(gè)看似宏大的用機(jī)器代替人類教師的愿景，如何促進(jìn)教學(xué)才應(yīng)是智能教學(xué)系統(tǒng)研究的初心。在這個(gè)意義上，一種全新的以學(xué)習(xí)者為中心的智能教學(xué)系統(tǒng)的發(fā)展范式可能正逐漸浮現(xiàn)在我們面前，其中的人機(jī)合作、自主度等概念都值得進(jìn)一步研究。

[參考文獻(xiàn)]

賈積有. 2018a 人工智能與教育的辯證關(guān)系[J]. 上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），047（3）：25-33.

賈積有. 2018b. 人工智能賦能教育與學(xué)習(xí)[J]. 遠(yuǎn)程教育雜志，36（1）：39-47.

李芒，張華陽. 2020. 對(duì)人工智能在教育中應(yīng)用的批判與主張[J]. 電化教育研究，41（3）：29-39.

張劍，張建兵，李躍，Edward L. Deci. 2010. 促進(jìn)工作動(dòng)機(jī)的有效路徑：自我決定理論的觀點(diǎn)[J]. 心理科學(xué)進(jìn)展，18（5）：752-759.

張異繁. 2017. 人機(jī)合作決策中效率與信任問題的研究[D]. 武漢：華中科技大學(xué).

張志禎，張玲玲，徐雪迎，劉佳林. 2019. 人工智能的教學(xué)角色隱喻分析——以人工智能教育應(yīng)用領(lǐng)域高影響力項(xiàng)目為例[J]. 中國遠(yuǎn)程教育，（11）：24-37，57，93.

Arroyo， I.， Woolf， B. P.， Burelson， W.， Muldner， K.， Rai， D.， & Tai， M. （2014）. A multimedia adaptive tutoring system for mathematics that addresses cognition， metacognition and affect. International Journal of Artificial Intelligence in Education， 24（4）， 387-426.

Baker， R. S. （2016）. Stupid tutoring systems， intelligent humans. International Journal of Artificial Intelligence in Education， 26（2）， 600-614.

Berger， B.， Adam， M.， Rühr， A.， & Benlian， A. （2020）. Watch Me Improve—Algorithm Aversion and Demonstrating the Ability to Learn. Business & Information Systems Engineering， 1-14.

Black， A. E.， & Deci， E. L. （2000）. The effects of instructors autonomy support and students autonomous motivation on learning organic chemistry： A self-determination theory perspective. Science education， 84（6）， 740-756.

Botti， S. （2004）. The psychological pleasure and pain of choosing： when people prefer choosing at the cost of subsequent outcome satisfaction. Journal of personality and social psychology， 87（3）， 312.

Brooks， C. F.， & Young， S. L. （2011）. Are Choice-Making Opportunities Needed in the Classroom？ Using Self-Determination Theory to Consider Student Motivation and Learner Empowerment. International Journal of Teaching and Learning in Higher Education， 23（1）， 48-59.

Cerasoli， C. P.， Nicklin， J. M.， & Ford， M. T. （2014）. Intrinsic motivation and extrinsic incentives jointly predict performance： A 40-year meta-analysis. Psychological bulletin， 140（4）， 980.

Chernev， A. （2003）. When more is less and less is more： The role of ideal point availability and assortment in consumer choice. Journal of consumer Research， 30（2）， 170-183.

Chernev， A. （2006）. Decision focus and consumer choice among assortments. Journal of Consumer Research， 33（1）， 50-59.

Chernev， A.， B?ckenholt， U.， & Goodman， J. （2015）. Choice overload： A conceptual review and meta-analysis. Journal of Consumer Psychology， 25（2）， 333-358.

Choi， S.， & Clark， R. E. （2006）. Cognitive and affective benefits of an animated pedagogical agent for learning English as a second language. Journal of educational computing research， 34（4）， 441-466.

Cooper， A.， Reimann， R.， Cronin， D.， & Noessel， C. （2014）. About face： the essentials of interaction design. John Wiley & Sons.

Deci， E. L.， Eghrari， H.， Patrick， B. C.， & Leone， D. R. （1994）. Facilitating internalization： The self-determination theory perspective. Journal of Personality， 62， 119-142.

Deci， E. L.， & Ryan， R. M. （2000）. The “what” and “why” of goal pursuits： Human needs and the self-determination of behavior. Psychological Inquiry， 11， 227-268.

Dick， W. （1996）. The Dick and Carey model： Will it survive the decade？ Educational technology research and development， 44（3）， 55-63.

Dietvorst， B. J.， Simmons， J. P.， & Massey， C. （2015）. Algorithm aversion： People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology： General， 144（1）， 114.

Dietvorst， B. J.， Simmons， J. P.， & Massey， C. （2018）. Overcoming algorithm aversion： People will use imperfect algorithms if they can （even slightly） modify them. Management Science， 64（3）， 1155-1170.

Eastwood， J.， Snook， B.， & Luther， K. （2012）. What people want from their professionals： Attitudes toward decision-making strategies. Journal of Behavioral Decision Making， 25（5）， 458-468.

Goodman， B.， Linton， F.， & Gaimari， R. （2016）. Encouraging student reflection and articulation using a learning companion： a commentary. International Journal of Artificial Intelligence in Education， 26（1）， 474-488.

Hardian， B.， Indulska， J.， & Henricksen， K. （2006， March）. Balancing autonomy and user control in context-aware systems-a survey. In Fourth Annual IEEE International Conference on Pervasive Computing and Communications Workshops （PERCOMW'06） （pp. 6-pp）. IEEE.

Huéscar， E.， Moreno-Murcia， J. A.， Domenech， J. F.， & Nú?ez， J. L. （2019）. Effects of an Autonomy-Supportive Physical Activity Program for Compensatory Care Students During Recess Time. Frontiers in Psychology， 10.

Iyengar， S. S.， & Lepper， M. R. （2000）. When choice is demotivating： Can one desire too much of a good thing？ Journal of personality and social psychology， 79（6）， 995.

Jia， J. （2009）. An AI framework to teach English as a foreign language： CSIEC. AI Magazine， 30（2）， 59-71.

Jolivette， K.， Stichter， J. P.， Sibilsky， S.， Scott， T. M.， & Ridgley， R. （2002）. Naturally occurring opportunities for preschool children with or without disabilities to make choices. Education and Treatment of Children， 396-414.

Kern， L.， Bambara， L.， & Fogt， J. （2002）. Class-wide curricular modification to improve the behavior of students with emotional behavioral disorders. Behavioral Disorders， 27， 317-326.

Kim， D. J.， Hazlett-Knudsen， R.， Culver-Godfrey， H.， Rucks， G.， Cunningham， T.， Portee， D.， ... & Behal， A. （2011）. How autonomy impacts performance and satisfaction： Results from a study with spinal cord injured subjects using an assistive robot. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 42（1）， 2-14.

Kim， S.， Chen， R. P.， & Zhang， K. （2016）. Anthropomorphized helpers undermine autonomy and enjoyment in computer games. Journal of Consumer Research， 43（2）， 282-302.

Kim， T.， & Hinds， P. （2006， September）. Who should I blame？ Effects of autonomy and transparency on attributions in human-robot interaction. In ROMAN 2006-The 15th IEEE International Symposium on Robot and Human Interactive Communication （pp. 80-85）. IEEE.

Latif， S.， Rana， R.， Khalifa， S.， Jurdak， R.， Epps， J.， & Schuller， B. W. （2019）. Multi-Task Semi-Supervised Adversarial Autoencoding for Speech Emotion Recognition. arXiv preprint arXiv：1907.06078.

Lisman， J. E.， & Idiart， M. A. （1995）. Storage of 7+/-2 short-term memories in oscillatory subcycles. Science， 267（5203）， 1512-1515.

Longoni， C.， Bonezzi， A.， & Morewedge， C. K. （2019）. Resistance to medical artificial intelligence. Journal of Consumer Research， 46（4）， 629-650.

Myrow， D. L. （1979）. Learner choice and task engagement. The Journal of Experimental Education， 47（3）， 200-207.

Nakamura， S.， Phung， L.， & Reinders， H. （2020）. The effect of learner choice on L2 task engagement. Studies in Second Language Acquisition， 1-14.

Niemiec， C. P.， & Ryan， R. M. （2009）. Autonomy， competence， and relatedness in the classroom： Applying self-determination theory to educational practice. Theory and research in Education， 7（2）， 133-144.

Nye， B. D.， Graesser， A. C.， & Hu， X. （2014）. AutoTutor and family： A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education， 24（4）， 427-469.

?nkal， D.， Goodwin， P.， Thomson， M.， G?nül， S.， & Pollock， A. （2009）. The relative influence of advice from human experts and statistical methods on forecast adjustments. Journal of Behavioral Decision Making， 22（4）， 390-409.

Pintrich， P. R. （2000）. The role of goal orientation in self-regulated learning. In Handbook of self-regulation （pp. 451-502）. Academic Press.

Ritter， S.， Anderson， J. R.， Koedinger， K. R.， & Corbett， A. （2007）. Cognitive Tutor： Applied research in mathematics education. Psychonomic bulletin & review， 14（2）， 249-255.

Schermerhorn， P.， & Scheutz， M. （2009）. Dynamic robot autonomy： Investigating the effects of robot decision-making in a human-robot team task. In Proceedings of the 2009 international conference on multimodal interfaces （pp. 63-70）.

Schroeder， N. L.， & Adesope， O. O. （2014）. A systematic review of pedagogical agents persona， motivation， and cognitive load implications for learners. Journal of Research on Technology in Education， 46（3）， 229-251.

Self， J. A. （1990）. Theoretical foundations of intelligent tutoring systems. Journal of Artificial Intelligence in Education， 1（4）， 3-14.

Shah， A. K.， & Oppenheimer， D. M. （2008）. Heuristics made easy： An effort-reduction framework. Psychological bulletin， 134（2）， 207.

Sheridan， T. B.， & Verplank， W. L. （1978）. Human and computer control of undersea teleoperators. Massachusetts Inst of Tech Cambridge Man-Machine Systems Lab.

VanLehn， （2011）. The relative effectiveness of human tutoring， intelligent tutoring systems， and other tutoring systems. Educational Psychologist， 46（4）， 197-221.

VanLehn， K.， Lynch， C.， Schulze， K.， Shapiro， J. A.， Shelby， R.， Taylor， L.， Treacy， D.， Weinstein， A.， &Wintersgill， M. （2005）. The. Andes physics tutoring system： Lessons learned， International Journal of Artificial Intelligence in Education， 15（3）， 1-47.

Wong， J.， Baars， M.， Davis， D.， Van Der Zee， T.， Houben， G. J.， & Paas， F. （2019）. Supporting self-regulated learning in online learning environments and MOOCs： A systematic review. International Journal of Human-Computer Interaction， 35（4-5）， 356-373.

Zach， S.， & Yanovich， E. （2015）. Autonomy， Choice， and Pupils Motivation—Are They Really Related？. Advances in Physical Education， 5（02）， 84.

Zimmerman， B. J. （1989）. Models of self-regulated learning and academic achievement. In Self-regulated learning and academic achievement （pp. 1-25）. New York： Springer.

Zimmerman， B. J.， Bandura， A.， & Martinez-Pons， M. （1992）. Self-motivation for academic attainment： The role of self-efficacy beliefs and personal goal setting. American educational research journal， 29（3）， 663-676.

Zimmerman， B. J.， & Pons， M. M. （1986）. Development of a structured interview for assessing student use of self-regulated learning strategies. American educational research journal， 23（4）， 614-628.

收稿日期：2020-11-06

定稿日期：2020-12-10

作者簡介：樂惠驍，博士研究生;賈積有，博士，教授，博士生導(dǎo)師。北京大學(xué)教育學(xué)院教育技術(shù)系（100871）。

責(zé)任編輯 郝 丹