大數據、人工智能與未來學習

杰勒米·諾克斯　崔新　金俞　孫波

摘? ?要：隨著以機器學習為核心的人工智能技術的發(fā)展，智能教育的應用也日益廣泛。特別是新冠肺炎疫情期間，大型科技公司教育軟件和教學平臺被大量采用并融入到教育領域的核心環(huán)節(jié)。在此背景下，不僅要關注新技術給教育教學帶來的潛力和機會，同時也要對數據驅動的智能教育進行批判性反思。文章從兩個方面闡述數據驅動的智能教育可能對教育教學帶來的負面影響和沖擊：一是“學習界差”，表現為由于智能學習平臺的所有者和用戶對數據知識的掌握和了解不同，而導致的多種明顯不平等現象;二是“行為主義”的回歸，即眾多智能教育產品和應用以落后的行為主義學習理念和方法為主導。為了對數據驅動技術因勢利導，亦突出學生作為教育主體的能動作用，文章通過兩個實證性研究案例提供以學生學習為中心進行數據素養(yǎng)教育的可能途徑：“學習報告卡”項目讓學生參與開發(fā)和設計學習分析應用;“關鍵數據與教育”課程則要求學生采用手繪而非機器自動化的方式進行數據可視化。文章可以為培養(yǎng)學生對數據驅動技術和未來教育進行批判性思考提供有益啟示。

關鍵詞：大數據;人工智能;未來教育;行為主義

中圖分類號：G434? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：1673-8454（2022）02-0005-08

一、引言

隨著人工智能（Artificial Intelligence）、學習分析（Learning Analytics）等應用在教育領域的普及，對數據驅動技術的發(fā)展從理論上進行全面的研究和探討，理解技術如何塑造教育模式和日常教學活動，已經成為當前研究的重難點。盡管上述教育技術被視為促進教育改革和創(chuàng)新的動力和機會，很少遭到質疑，其帶來的負面社會影響也很少被關注，但是本文認為，學校作為未來教育發(fā)展的主要力量之一，不應草率地直接應用數據驅動型決策系統(tǒng)，而是要在更加全面深入地了解技術后，循序漸進地使用。

目前，大型科技公司對未來教育的影響主要體現在兩個方面：第一，越來越多的科技公司為學校提供數據驅動軟件和服務，導致“學習界差”（division of learning）現象的出現。“監(jiān)控資本主義”（surveillance capitalism）理論[1]認為，開發(fā)數據驅動技術的科技公司可能會通過收集學生的學習活動，掌握絕對的話語權并產生社會影響，只有通過立法才能對不良影響進行制約。第二，“行為主義學習理論”的回歸。數據驅動技術通過收集和分析用戶的行為數據來進一步干預教學活動，此類實踐往往被稱為“機器行為主義”（machine behavioursim），通常是復雜機器學習技術、行為主義心理學以及行為經濟學之間的結合。[2]

此外，上述兩種現象可能導致未來教育中“數據”將“人”邊緣化。鑒于此，本文通過愛丁堡大學的兩個教學案例，探索在數據驅動技術越來越普及的情況下，應如何確保未來數據驅動教育環(huán)境中學生的主觀能動性，以及學生多大程度上能夠獨立自主進行決策。第一個案例是“學習分析報告卡”（Learning Analytics Report Card，以下簡稱LARC）項目（https：//www.de.ed.ac.uk/project/ learning-analytics-report-card），該項目圍繞“以學生為中心”的學習分析進行程序設計。第二個案例來自一門研究生課程——“關鍵數據與教育”（Critical Data and Education，http：//cde21.education.ed.ac.uk/introduction/），該課程讓學生采用手繪的方式實現學習數據的可視化，并將此作為對數據驅動技術進行辯證反思的一種形式。

二、科技公司對教育技術應用的影響

長期以來，教育技術的發(fā)展依賴于科技公司與學校的合作。一方面，以商業(yè)技術為代表的科技公司將學校視為其應用產品的新市場;另一方面，教育系統(tǒng)期待科技公司能夠更好地推動傳統(tǒng)教育升級和實現教育現代化。新冠肺炎疫情對科技公司和教育活動的關系產生了迅猛且深遠的影響，由于校園關閉，學校只能在軟件平臺支持下開展教學活動，這使得科技公司能夠更快、更廣泛地參與公共教育服務。這種現象被稱為“轉型”（pivot），即學校不得不使用主流的數字技術讓學生能夠在家中繼續(xù)學業(yè)，其主要原因在于學校缺乏自有的線上教學支持方案，而科技公司擁有的強大的技術平臺和服務網絡，使其在當前階段一定程度上成為學校的必需品。威廉姆森（Williamson）和霍根（Hogan）指出：“‘在線學習’和‘突發(fā)遠程教學需求’使得教育技術成為全球教育不可缺少的組成部分，并將公司和商業(yè)機構帶入了基礎教育服務的中心環(huán)節(jié)”。[3]威廉姆森還進一步強調，在新冠肺炎疫情期間，各國政府在面臨學校開展遠程教學的巨大挑戰(zhàn)時，不得不求助于谷歌和微軟等擁有成熟技術的科技公司，從表面上“解決”了疫情下開展大規(guī)模遠程教學的問題。[4]然而值得注意的是，這種“應急反應”式的線上教育供給可能會成為今后教育的一種模式。如威廉姆森所指出：“一些人將新冠肺炎疫情視為歷史機遇，疫情的暴發(fā)提供了對教育模式和功能進行大規(guī)模技術實驗的機會，并對全球教育產生潛在和長期的變革性影響”。[4]正因如此，研究這一新的實驗模式，以及科技公司和公共教育供給之間的新合作關系有著迫切需求。此外，另一個非常重要的問題是研究如何開發(fā)真正以教育為目的軟件平臺。事實上，在新冠肺炎疫情爆發(fā)前，塞爾溫（Selwyn）等人就提出技術正在改變傳統(tǒng)的課堂教學，表現出從“課堂中的平臺”到“平臺上的課堂”的發(fā)展趨勢。[5]德屈佩爾（Decuypere）等人還將數字平臺分為不同類型：“一是非教育領域公司獨立開發(fā)的全球化平臺，二是致力于與學校等教育機構深度合作的本地化平臺?！?。[6]這些學者的先見之明，更加突顯出目前重新審視科技公司在教育領域中參與程度日益增加的必要性。

總而言之，由科技公司開發(fā)和提供的軟件平臺正逐漸成為日常教育活動的核心和主流，因此，我們需要對技術發(fā)展和教育發(fā)展的關系進行必要的理論探討。

（一）“學習界差”理論及其對技術與教育關系的啟示

從社交媒體而不是教育研究的視角來理論化教育市場供給轉變的概念框架是一種行之有效的方法。祖博夫（Zuboff）提出“學習界差”概念，并建議將其作為信息文明和當今時代中建立社會秩序的支配性核心原則。雖然祖博夫的理論并非針對教育領域，但本文認為這個概念對深入思考日益增長的教育私有化影響具有借鑒意義。

“學習界差”的概念是從“勞動分工論”（division of labour）引申而來[1]，意指軟件平臺的“用戶”和“所有者”對數據的掌握和了解存在明顯的差異，并可能對社會發(fā)展產生沖擊和影響。在大數據時代，數據逐步演變成具有價值的商品，成為一種戰(zhàn)略性資源，商業(yè)平臺中“用戶”和“所有者”的權力差別造成數據占有差異、地位分化和利益落差;“學習界差”是數字鴻溝（Digital Divide）在人工智能時代的延續(xù)和表現。祖博夫對谷歌等大型科技公司提出了尖銳的批評，“用戶”在社交媒體產生的大量互動數據與其行為和決策方式密切相關，可與此同時，“用戶”僅能獲取非常有限的數據，平臺的“所有者”卻能夠輕易收集、處理大量數據，并獲取巨大的利益，其中包括利用用戶行為數據創(chuàng)造更多經濟價值，如個性化廣告等。祖博夫認為，大型科技公司如谷歌借助處理“用戶”數據之便，已經擁有了“史無前例的知識和權力”[1]，但“用戶”能否從中受益仍有待商榷。祖博夫還指出：“空前的知識集中必然導致空前的權力集中，‘用戶’和‘所有者’之間的學習界差事實上是對用戶數據權益私有化肆意發(fā)展的結果”。[1]“學習界差”揭示了平臺“用戶”的劣勢地位以及平臺“所有者”的絕對優(yōu)勢。

盡管“學習界差”并非專門針對教育領域，但不妨應用該理論審視科技公司對教育核心環(huán)節(jié)日益增加的影響。我們首先需要提出疑問：教育平臺支持哪種類型的學習？按照祖博夫對平臺“所有者”和“用戶”的定義，教育平臺上可能存在三種類型的“學習”：①學生使用軟件平臺學習，作為其正式學習活動的一部分;②教師和教育機構使用平臺提供的工具分析學生的學習活動;③軟件平臺的“所有者”對“用戶”（包括學生、教師和學校管理者）的學習。[1]

在三種“學習”類型中，教育平臺“所有者”和“用戶”之間無疑存在差異，學校、教師和學生被統(tǒng)稱為教育產品的“用戶”。這種劃分方式很容易被忽視，其與一般教育語境中將學校、教師和學生作為不同角色的做法完全不同。將學校、教師和學生統(tǒng)一看作教育產品的使用者，更加突出了科技公司的視角。據此進一步拓展描述三種“學習”類型：①學習材料和評價通常是以“個性化”或“自適應”的形式按照學習者的個人學習記錄自動推送和實現;②數據面板（dashboard）和其他分析工具用于對學生或班級表現進行評估;③軟件平臺所有者則能夠“學習”全部后臺數據流，包括平臺上所有用戶行為的精準記錄。承認②和③的區(qū)別非常重要，在這種意義上，教育機構和教師仍是平臺的“用戶”，通常沒有權限獲取所有數據。盡管利用數據面板分析和呈現數據被科技公司視為賦能教育的手段，然而教育機構和教師并未得到學習活動數據的全貌，并且其行為也會被科技公司“學習”。因此，根據“學習界差”理論，教育機構和教師毫無疑問處于弱勢地位。此外，另一個關鍵問題是：上述不同類型的學習者中，哪一方的受益最大？在當前情境中，必然是科技公司，因為其擁有權限訪問全部數據流，并且能夠利用機器學習算法來深入了解用戶的行為;而“用戶”——學校、教師和學生，卻只有對平臺數據有限的訪問權限，并且受到平臺的管理和限制。正如祖博夫對“學習界差”現象的批評：“學校已經被一小部分科技公司雇傭的計算機專家提供的‘隱秘’算法，以及他們通過學習用戶數據獲取的經濟利益所掌控”。[1]

將“學習界差”用于分析教育中平臺使用量激增的現象，可以發(fā)現，隨著學生越來越多地使用科技公司的平臺并輸出大量數據，科技公司對教育教學的掌控和影響也會日益擴大。由于這些數據具有深入認識學生學習過程的潛力，我們需要提出嚴肅的問題：公共教育機構如何能夠在知識的創(chuàng)造和傳授中維護其中心和權威地位，而不僅僅是教育平臺的“用戶”。[7]

（二）行為主義學習理論的回歸

如前文所述，在課堂教學到平臺教學的“轉型”過程中，用戶數據的潛在價值不應被低估，但更重要的是要辯證地思考“轉型”如何改變對學習的既有認識。為此，我們需要了解智能學習平臺的學習理念，即智能學習平臺的“所有者”如何理解學習？以及為何某種理念能夠成為主流？

回答這些問題之前，我們首先要引入“數據化”時代之前的學習理念——“學習化”（learnification）。[8-11]“學習化”理論由比斯塔（Biesta）提出，指教育逐漸遠離以“教”為中心并走向了以“學習者”為中心。盡管彼時陳舊的教育理念仍賦予“教”特權，但比斯塔認為教育話語（educational discourse）已經決定轉向“學習語言”（the language of learning），即教育機構所做的一切都是為了“提供教育機會或經驗”。[8]“學習化”理論是當代教育的共識：教育機構和教師的工作是支持學習者、促進學習，其中學生被置于整個過程的核心，并且假設他們擁有自主性和自我驅動力來引導自己的受教育過程。

回到最初的問題，筆者認為“數據化”時代正在挑戰(zhàn)“學習化”時代倡導的“學習者中心”假設，智能學習平臺使用的技術破壞了“自主學習”的理念。從根本上說，智能教育平臺等產品將研究學習者行為作為深入認識學習的途徑，這與社會建構主義學習理論觀點背道而馳，而后者在當代教育理論和實踐中占據了主導地位。社會建構主義學習理論認為，學習以個體為中心，個體具有能動性，并且將學生參與討論、對話和交流等視為學習的關鍵。[12]智能教育產品采用的數據驅動系統(tǒng)，從根本上挑戰(zhàn)了社會建構主義對學習的理解，數據驅動技術將正確知識“硬編碼”（hard coding）到系統(tǒng)中，還通過提供所謂“個性化”或“適應性”學習，突出學生和平臺之間的一對一關系。從這種意義上說，智能教育平臺的運行建立在行為主義理論而非社會建構主義學習理論的基礎之上。換言之，數據驅動平臺中的學生并非與教師和同學“建構”其學習，而僅通過分析自身學習行為數據進行學習。例如，如果學習者通過回答測驗問題表現出某種特定的行為，可能表明其回答某類問題時采用特定的方式，那么他們在自動化系統(tǒng)中會被引導到特定的學習路徑，比如系統(tǒng)會提供先前回答錯誤的問題供學生反復練習。這種運行方式由行為主義學習觀驅動，不僅試圖通過行為理解學習，還尋求通過改變環(huán)境來塑造學習者。正如弗里森（Friesen）所說，教育技術的使用導致激進的行為主義“卷土重來”。[13]沃特斯（Watters）同樣指出，大量教育數據處理技術以“行為設計”為基礎。[14]

對上述觀點的討論至關重要，尤其對那些長期接受建構主義理論訓練并承擔教學任務的教師來說，他們被鼓勵在課堂中使用數據驅動技術，從而導致行為主義取向以無法控制的方式重新出現。從“學習界差”的角度來看，教師作為智能教育產品的“用戶”，認為自己正在精心設計和組織建構主義課堂，然而在智能教育產品背后，其“所有者”正在使用“行為技術”實踐斯金納的理論，以達成“行為修正”和“行為工程”的目的。[2]

三、學生能動性和參與未來學習

數據驅動技術在教育中的持續(xù)使用帶來了巨大挑戰(zhàn)，科技公司尋求將公共教育領域作為新市場;同時，頗有爭議的“行為主義學習觀”以“自適應”人工智能的形式重返課堂。在這些場景中，科技公司習慣性地利用知識產權保護其產品運行方式，導致學生幾乎無法擁有能動性，并深度參與到未來數字化教育的發(fā)展與創(chuàng)新中。此外，行為主義學習理論的回歸將“以學生為中心”或“自主學習”的當代學習理論替換為更陳舊的觀念。為了避免學生被邊緣化，教育家需要重新構想如何讓學生在未來數字化學習中仍擁有能動性并提高參與度。本節(jié)將介紹兩個來自愛丁堡大學的線上碩士生項目實證教學案例（https：//digital.education.ed.ac.uk/），即“學習分析報告卡”（LARC）項目和“關鍵數據和教育”課程，以啟發(fā)研究者探討學生如何能夠在未來數據驅動的教育中成為能動的主體。需要注意的是，這些例子并非表明已有的許多挑戰(zhàn)和困境已經解決，而希望以創(chuàng)造性、實驗的方式就此類問題進行探討。更重要的是，在探討這些問題的過程中將學生看作積極的貢獻者。

（一）學習分析中的學生能動性

LARC項目自2015年在愛丁堡大學數字教育研究中心（https：//www.de.ed.ac.uk/）啟動[15]，試圖探索讓學生參與并辯證地思考學習分析。學習分析通常由機構、業(yè)界專家主導，幾乎沒有給學生參與或提供反饋的機會。因此，LARC項目的目標之一是開發(fā)新的學習分析程序，使其允許學生自主決定數據收集、分析方法，最后生成關于自身學習進程的個體化報告。該項目試圖解決的核心問題是：“學生和大學教學團隊如何能開發(fā)出具備審辯性和參與性等特點的方案，從而開展數據素養(yǎng)教育活動?！盠ARC項目并沒有試圖簡單地提供“以學生為中心”技術，而是強調分析本身的復雜性。此外，該項目也并非簡單地打開分析技術的“黑箱”并直接揭示其工作方式，而是關注數據驅動系統(tǒng)本質上難以測知的特點。

LARC項目的重要特點是建立了學生界面，學生能夠利用該界面選擇不同類型的數據、分析所需時間段以及報告呈現的語言風格。學生交互界面包括下拉菜單和復選框，為學生提供了眾多選項（見圖1）。下拉菜單用于選擇需要生成報告的課程、特定教學周和報告的語言風格。復選框允許學生選擇課程評價的特定方面，如出勤（Attendance）、課堂參與度（Engagement）、社交互動（Social Interaction）、課程表現（Performance）和個人畫像（Personal）。這些選項被有意設計得很簡潔，意圖是讓學生在報告生成之后主動思考其意義。例如，“個人畫像”類別沒有解釋其具體含義或說明其分析方式，學生被鼓勵審閱報告并嘗試“反推”其中的算法，進而辯證地反思數據分析過程。LARC項目的后續(xù)階段還加入了更多選項，允許學生選擇“寬松”“中等”和“嚴格”三種類型的報告，不同選項會改變最終報告的語言風格，但所用數據仍然相同，這樣能夠凸顯數據分析結果存在的“解釋性”問題。LARC項目的最后階段加入了算法計算（algorithmic calculations）和數據—文本加工，能夠在生成報告的同時，自動生成一些與報告主題相關的句子。例如：

你的出勤表現總體優(yōu)異，但第二周參加課程的次數較少。你在課堂中表現出了極好的社交能力，但是在第49周你與他人的互動較少。你在大多數時間都對課程相當投入，并且對第41周的主題尤其感興趣。你十分關心課堂中其他伙伴對你的看法。你在社交活動和課堂互動處于中上水平，而出勤情況位居前三分之一。

這里需要強調，其他學習分析程序試圖對學生行為進行客觀、可操作的分析，但LARC報告并不追求這樣的目標，而是啟發(fā)學生對數據分析流程進行思考。學生被鼓勵提出問題，例如：“這個系統(tǒng)是如何收集和分析數據從而得到這樣的結果？”“什么樣的行為導致了這些結果以及為了改變數據分析結果一個人可能怎樣改變其行為？”采用這種方式，學生不僅能夠積極思考數據分析的決策過程，還可以深入辯證地思考是否要增加學習分析技術應用等更宏觀的問題。

（二）手繪數據可視化

第二個案例來自“關鍵數據和教育”課程中的活動任務，該任務要求學生使用紙、筆和其他“手繪”的方式進行數據可視化，而不是使用數字技術“在屏幕上”以統(tǒng)計值和圖形展示數據。這種方式借鑒了盧皮（Lupi）和博薩維克（Posavec）在2016年合作的“親愛的數據”（Dear Data）項目的理念。[16]盧皮和博薩維克兩人每周選一個主題，在一年中互寄明信片，每張明信片都手繪了他們的生活百態(tài)。該項目備受好評，他們的明信片還被紐約現代藝術博物館永久收藏。這種“手繪”數據可視化挑戰(zhàn)了所謂“大數據”的很多假設。首先，盧皮和博薩維克的明信片描繪了與“大數據”相對的“小數據”，他們所做的可視化代表了生活細節(jié)，例如一張明信片展示了“請更友善”的主題（見圖2）。這種方式挑戰(zhàn)了一些關于“大數據”解決重大社會問題能力的宣傳言論。此外，鑒于兩名作者不僅能自主選擇可視化的對象，而且手繪數據可視化傳達了軟件驅動算法和自動化流程無法提供的親密感和不完美感，使其具有了“更人性”的特點。[17]

同樣，課堂教學中的師生和生生互動是復雜和豐富的，手繪數據可視化作為有效的學習活動，可以脫離大數據的一些抽象表述，展現學生個體學習數據的“小而美”（small but beautiful）。首先，手繪數據可視化將所有的決策過程交給了學生，而不是讓軟件半自動地替代決策過程。此外，從表面上看，數據可視化這種任務不可能完全避免使用技術，但這恰恰表明整個流程需要作出很多決策，而這些決策通常被隱藏在了軟件“用戶友好”界面的背后。其次，手繪可視化能夠鼓勵學生以創(chuàng)造性、非傳統(tǒng)方式去思考數據分析和數據呈現。放棄成熟的可視化方法，從而避免學生對“數據可視化是什么”和“應該是什么”產生先入為主的觀點，他們才能夠試驗富有創(chuàng)造力的想法，這樣不僅拓展了數據素養(yǎng)教育實踐的邊界，還允許學生辯證地思考教育數據分析中的人類決策，及其對教育實踐諸多方面的潛在影響。

四、結論

本文認為，人工智能、學習分析等數據驅動技術存在引發(fā)“學習界差”和重回陳舊“行為主義學習理論”的潛在風險，呼吁辯證地看待、客觀地反思其在教育領域的應用。特別是在新冠肺炎疫情期間，校園的關閉極大地增加了科技公司在公共教育活動中的參與度。本文建議將智能教育平臺作為“數據化”的突出例子，借用兩個理論反思智能教育平臺對公共教育的影響。第一，“學習界差”表明通過教育平臺學習導致了嚴重的不平等。筆者利用平臺“所有者”和“用戶”等概念闡述了兩者在獲益中的巨大差異：科技公司能夠通過收集和處理公共教育活動中的大數據從而獲取巨大利益;相反，學校、教師和學生的益處卻極具爭議。第二，利用“行為主義”理論來說明，數據驅動平臺的使用隱藏著重回落后學習理念的風險。行為主義學習理論和現有教育研究及實踐的理論相悖，后者強調建構主義思想和教學法，即“以學生為中心”并假設學生有能力自我引導以及控制自己的學習過程。與這種觀點完全不同的是，數據驅動平臺通過管理和控制學習路徑以達成特定結果，此外，還假設能夠通過學習者的行為數據來深入理解學習本身。通過兩個實證教學研究案例，本文提出教育機構和教師應當開展有益探索和嘗試，鼓勵學生審辯地思考數據驅動技術和未來教育的關系?！皩W習分析報告卡”項目對學生自主決策分析學習數據進行了實驗，允許學生選擇需要處理的數據以及分析方法。“關鍵數據與教育”課程則通過手繪數據可視化的方式，將學生視為數據分析流程的決策者并“小而美”地呈現其學習數據。手工數據可視化避免了現有數字分析軟件的約束，允許學生創(chuàng)造性、辯證地探索數據分析過程。盡管兩個案例都是小范圍實驗，但其提供了鼓勵學生積極參與未來數字化教育的可能途徑，而不是只將學生當作被動的“數據生產者”。

參考文獻：

[1]ZUBOFF S. The age of surveillance capitalism： the fight for a human future at the new frontier of power： Barack Obama’s books of 2019[M]. London： Profile Books， 2019：179-191.

[2]KNOX J， WILLIAMSON B， BAYNE S. Machine behaviourism： future visions of “l(fā)earnification”and “datafication”across humans and digital technologies[J]. Learning， Media and Technology， 2020，45（1）：31-45.

[3]WILLIAMSON B， HOGAN A. Commercialisation and privatisation in/of education in the context of Covid-19[J/OL]. Education International， 2020. https：//eprints.qut.edu.au/216577/.

[4]WILLIAMSON B. Education technology seizes a pandemic opening[J]. Current History， 2021，120（822）：15-20.

[5]SELWYN N， HILLMAN T， EYNON R， et al. What’s next for Ed-Tech？ Critical hopes and concerns for the 2020s[J]. Learning， Media and Technology， 2020，45（1）：1-6.

[6]DECUYPERE M， GRIMALDI E， LANDRI P. Introduction： critical studies of digital education platforms[J]. Critical Studies in Education， 2021，62（1）：1-16.

[7]KNOX J. Refocusing Zuboff’s “division of learning” on education[C]// Seminar. net. 2021，17（2）.

[8]BIESTA G. Against learning. reclaiming a language for education in an age of learning[J]. Nordic Studies in Education， 2005，25（1）：54-66.

[9]BIESTA G. Beyond Learning： democratic education for a human future[M]. United Kingdom： Taylor & Francis， 2006.

[10]BIESTA G. Giving teaching back to education. responding to the disappearance of the teacher[J]. Phenomenology and Practice， 2013，6（2）：35-49.

[11]BIESTA G. Interrupting the politics of learning[J]. Power and Education， 2013，5 （1）：4-15.

[12]FRIESEN N. Personalized learning technology and the new behaviorism： Beyond freedom and dignity[J/OL]. 2018.https：//www.academia.edu/36112036/Personalized_Learning_ Technology_and_the_New_Behaviorism_Beyond_Freedom_ and_ Dignity_docx.

[13]WATTERS A. Education technology and the new behaviorism[J/OL]. Hack Education， 2017. http：//hackeducation.com/2017/12/23/top-ed-tech-trends-social-emotional-learning.

[14]KNOX J. Data power in education： Exploring critical awareness with the “Learning Analytics Report Card”[J]. Television & New Media， 2017，18（8）：734-752.

[15]ISARD A， KNOX J. Automatic generation of student report cards[C]// Proceedings of the 9th International Natural Language Generation conference， 2016：207-211.

[16]LUPI G， PPOSAVEC S. Dear data： the story of a friendship in fifty-two postcards[M]. London： Penguin， 2016.

[17]SILVERBERG D. “Dear Data”： a portrait of the data points that create a life [EB/OL]. [2016-9-11]. https：//www.seattletimes.com/entertainment/books/dear-data-a-portrait-of-the- data-points-that-create-a-life/.

作者簡介：

杰勒米·諾克斯（Jeremy Knox），愛丁堡大學數字教育研究中心主任;

崔新，北京師范大學未來教育學院講師，共同第一作者、同等貢獻者;

金俞，北京師范大學未來教育學院講師;

孫波，北京師范大學珠海校區(qū)副教務長、未來教育學院副院長、人工智能與未來網絡研究院教授，通訊作者，郵箱：tosunbo@bnu.edu.cn。

Abstract： The rapid development of artificial intelligence technologies such as machine learning has increased the use of adaptive learning systems in education. While the involvement of big technology companies in the provision of educational technologies is well-established， the recent pandemic has seen a huge surge in the deployment of privately-owned systems， principally software platforms. However， as well as educators making use of the opportunities that technologies present to educational activities， they should also think critically about the “l(fā)earning” that is involved in technologies. In this paper， two concepts are suggested for thinking critically about the “l(fā)earning” involved in technologies： firstly， the “division of learning” will highlight distinct inequalities in the ways learning is undertaken through educational platforms; and secondly the return of “behaviourism” will emphasise the ways in which very particular understandings of learning are becoming dominant. There is a need for critical reflection on the increasing use of data-driven technology in education. The second part of the paper will offer two examples of research-led teaching that suggest ways of fostering critical thinking amongst students about data-driven technologies. The Project of Learning Analytics Report Card and the course of “Critical Data and Education”， which provide insights into the ways of the student-centered instruction of data literacy and encourages students to reflect on the relationships between data-driven technologies and future education.

Keywords： Big data; Artificial intelligence; Future education; Behaviorism

編輯：王曉明? ?校對：李曉萍