復(fù)雜性科學(xué)視域下的學(xué)習(xí)干預(yù)：概念解析、核心要素及模型構(gòu)建

田浩 武法提

[摘? ?要] 迅猛發(fā)展的智能技術(shù)在變革教育樣態(tài)的同時(shí)，也使得教育的復(fù)雜性本質(zhì)日益凸顯。立足復(fù)雜性科學(xué)視角開展精準(zhǔn)化、個(gè)性化的學(xué)習(xí)干預(yù)有利于滿足學(xué)習(xí)者學(xué)習(xí)實(shí)踐中的現(xiàn)實(shí)需求。文章在闡述了復(fù)雜性科學(xué)與學(xué)習(xí)干預(yù)的基本概念之后，對(duì)復(fù)雜性科學(xué)指導(dǎo)學(xué)習(xí)干預(yù)實(shí)施的適切性進(jìn)行了分析。進(jìn)而從學(xué)習(xí)問(wèn)題診斷、干預(yù)策略匹配、干預(yù)策略實(shí)施、干預(yù)結(jié)果分析四個(gè)核心要素出發(fā)，分別解析了學(xué)習(xí)干預(yù)的復(fù)雜性特征，并由此構(gòu)建了復(fù)雜性科學(xué)視域下的學(xué)習(xí)干預(yù)模型，包含問(wèn)題診斷層、動(dòng)力引擎層、推理匹配層和進(jìn)化適應(yīng)層四個(gè)邏輯層次，依次描繪了基于學(xué)習(xí)分析技術(shù)的學(xué)習(xí)問(wèn)題發(fā)現(xiàn)、基于元素自組織的學(xué)習(xí)問(wèn)題歸因、基于因果鏈推理的干預(yù)策略匹配以及基于多主體進(jìn)化的干預(yù)策略實(shí)施。該模型形成了完整的智能學(xué)習(xí)服務(wù)路徑，為智能時(shí)代開展人機(jī)協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)提供了理論與實(shí)踐依據(jù)。

[關(guān)鍵詞] 復(fù)雜性科學(xué); 學(xué)習(xí)干預(yù); 智能教育; 模型構(gòu)建

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

一、引? ?言

以大數(shù)據(jù)、區(qū)塊鏈、人工智能為代表的智能技術(shù)正在深刻改變教育形態(tài)，促進(jìn)了教育要素重組、教學(xué)流程再造與教育模式創(chuàng)新，重塑了新型教育生態(tài)[1]。智能技術(shù)在變革當(dāng)前教學(xué)樣態(tài)的同時(shí)，也使得教育的復(fù)雜性本質(zhì)日益凸顯[2]，具體表現(xiàn)為學(xué)習(xí)場(chǎng)景泛在化、學(xué)習(xí)主體多元化、學(xué)習(xí)過(guò)程動(dòng)態(tài)化、學(xué)習(xí)內(nèi)容碎片化等特征。學(xué)習(xí)者隨之出現(xiàn)的學(xué)習(xí)路徑難導(dǎo)航、有效信息難過(guò)濾、個(gè)性化需求難解決等典型學(xué)習(xí)問(wèn)題也不容忽視[3]。因此，在紛繁復(fù)雜的學(xué)習(xí)場(chǎng)景中，如何為學(xué)習(xí)者提供更加個(gè)性化、精準(zhǔn)化的學(xué)習(xí)服務(wù)是優(yōu)化學(xué)習(xí)過(guò)程、改善學(xué)習(xí)結(jié)果的核心議題。

在學(xué)習(xí)服務(wù)的范疇中，學(xué)習(xí)干預(yù)是一類重要的實(shí)踐形式?？v觀現(xiàn)有的學(xué)習(xí)干預(yù)實(shí)踐，主要依靠教師經(jīng)驗(yàn)對(duì)學(xué)生的狀態(tài)進(jìn)行判斷，并由人工進(jìn)行干預(yù)實(shí)施。一方面受限于教師的精力，難以兼顧干預(yù)的規(guī)?；c個(gè)性化;另一方面則容易存在“頭痛醫(yī)頭，腳痛醫(yī)腳”的弊端，干預(yù)過(guò)程流于簡(jiǎn)單化與機(jī)械化，導(dǎo)致無(wú)法還原學(xué)習(xí)者真實(shí)的學(xué)習(xí)過(guò)程，難以回應(yīng)學(xué)習(xí)者在復(fù)雜教育場(chǎng)景下的現(xiàn)實(shí)訴求?；诖?，本文立足于復(fù)雜性科學(xué)的視角，深度解析學(xué)習(xí)干預(yù)核心要素的復(fù)雜性特征，并構(gòu)建復(fù)雜性科學(xué)視角下的學(xué)習(xí)干預(yù)模型，力圖為智能時(shí)代新型學(xué)習(xí)服務(wù)模式的研究提供一個(gè)可行性視角。

二、相關(guān)概念解析與適切性分析

（一）學(xué)習(xí)干預(yù)

在傳統(tǒng)教育的語(yǔ)境下，學(xué)習(xí)干預(yù)是指為了幫助學(xué)習(xí)者克服學(xué)習(xí)困難，提供的一切支持策略和學(xué)習(xí)活動(dòng)的綜合[4]。上述觀點(diǎn)的邏輯前提是學(xué)習(xí)過(guò)程具有一定的動(dòng)態(tài)性與可塑性，因此通過(guò)對(duì)學(xué)習(xí)者施加一定的學(xué)習(xí)干預(yù)，可以使得學(xué)習(xí)者的學(xué)習(xí)狀態(tài)與學(xué)習(xí)結(jié)果向著理想的方向演進(jìn)[5]。經(jīng)過(guò)了漫長(zhǎng)的學(xué)習(xí)干預(yù)實(shí)踐，若干學(xué)習(xí)干預(yù)模型被廣泛使用并驗(yàn)證了其有效性，其中最為經(jīng)典的是干預(yù)反應(yīng)模型（Response to Intervention，簡(jiǎn)稱RTI模型）[6]。RTI模型將干預(yù)過(guò)程分為三個(gè)級(jí)別，隨著等級(jí)的提升，干預(yù)主體逐漸聚焦、干預(yù)強(qiáng)度逐漸加強(qiáng)，形成了干預(yù)實(shí)踐的連續(xù)體[7]。然而，傳統(tǒng)的學(xué)習(xí)干預(yù)主要存在兩方面弊端：其一，較為依靠教師對(duì)學(xué)生的直觀判斷，難以有效針對(duì)學(xué)生的內(nèi)在認(rèn)知狀態(tài)進(jìn)行干預(yù);其二，干預(yù)需要教師的人工高度參與，難以顧及每位學(xué)習(xí)者，干預(yù)的精準(zhǔn)性與個(gè)性化大打折扣[8]。

為了克服上述弊端，伴隨學(xué)習(xí)分析技術(shù)的興起，數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)干預(yù)具有新的內(nèi)涵闡釋。具體來(lái)說(shuō)，數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)干預(yù)就是采集學(xué)習(xí)者的過(guò)程數(shù)據(jù)與結(jié)果數(shù)據(jù)，通過(guò)學(xué)習(xí)者建模，對(duì)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)進(jìn)行評(píng)估與判斷，進(jìn)而為存在風(fēng)險(xiǎn)的學(xué)習(xí)者提供適切的學(xué)習(xí)資源與學(xué)習(xí)支持的過(guò)程[9]。依靠學(xué)習(xí)分析與數(shù)據(jù)挖掘技術(shù)，可以超越人類教師的主觀經(jīng)驗(yàn)，對(duì)學(xué)習(xí)者的問(wèn)題進(jìn)行更加精準(zhǔn)的診斷。另外，學(xué)習(xí)干預(yù)的教育作用也面臨著從“治療”到“服務(wù)”的演變。在傳統(tǒng)語(yǔ)境的假設(shè)下，只有當(dāng)學(xué)習(xí)者出現(xiàn)了某些方面的問(wèn)題，才需要對(duì)其施加干預(yù)。而數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)干預(yù)則更加擁抱人本主義觀念，認(rèn)為每位學(xué)習(xí)者都是個(gè)性化的，因此需要為每個(gè)人提供適應(yīng)性的學(xué)習(xí)服務(wù)[10]，以優(yōu)化學(xué)習(xí)者的學(xué)習(xí)過(guò)程。

（二）復(fù)雜性科學(xué)

霍金認(rèn)為，21世紀(jì)是屬于復(fù)雜性科學(xué)的世紀(jì)。復(fù)雜性科學(xué)并非與自然科學(xué)、社會(huì)科學(xué)等并列的科學(xué)領(lǐng)域，而是層次更加上位，反映科學(xué)基礎(chǔ)和思維方式轉(zhuǎn)型的一門科學(xué)[11]。傳統(tǒng)研究大多屬于簡(jiǎn)單性科學(xué)，遵循的是還原論思想，即把事物整體分割成部分，通過(guò)疊加對(duì)部分的認(rèn)識(shí)，進(jìn)而描繪出整體的圖景[12]。復(fù)雜性科學(xué)則基于整體論思想，認(rèn)為還原論是一種線性的觀點(diǎn)，對(duì)于事物的處理過(guò)于簡(jiǎn)單化和機(jī)械化。智能體作為研究對(duì)象是一個(gè)整體，各要素通過(guò)非線性相互作用會(huì)產(chǎn)生功能和形態(tài)的涌現(xiàn)，系統(tǒng)整體會(huì)呈現(xiàn)出與組成要素迥然不同的新特征和新秩序，因此從部分認(rèn)識(shí)整體不可避免具有局限性。以非線性為必要條件，復(fù)雜系統(tǒng)還具有開放性、動(dòng)態(tài)性、自組織性、涌現(xiàn)性等特征，傳統(tǒng)研究方法難以對(duì)復(fù)雜系統(tǒng)進(jìn)行清晰的認(rèn)識(shí)，因此在相關(guān)研究中引入了模型、數(shù)值、計(jì)算、模擬等方法[13]。

在葉瀾教授看來(lái)，教育可能是人世間復(fù)雜問(wèn)題之最[14]，理應(yīng)從復(fù)雜性科學(xué)的視角來(lái)認(rèn)識(shí)教育問(wèn)題。何克抗教授[15]等學(xué)者都曾主張將復(fù)雜性科學(xué)引入教育技術(shù)領(lǐng)域。在教育研究中，復(fù)雜性科學(xué)思維也早有體現(xiàn)。如皮亞杰的認(rèn)知理論認(rèn)為，學(xué)習(xí)者的認(rèn)知圖式可以通過(guò)同化與順應(yīng)實(shí)現(xiàn)對(duì)于外界環(huán)境變化的適應(yīng)，學(xué)習(xí)的發(fā)生就是從認(rèn)知圖式的一個(gè)平衡狀態(tài)過(guò)渡到更高平衡狀態(tài)的過(guò)程[16]，這一學(xué)習(xí)者自主完成認(rèn)知由無(wú)序到有序協(xié)調(diào)演化的過(guò)程體現(xiàn)了復(fù)雜系統(tǒng)自組織的特性。又如格式塔心理學(xué)強(qiáng)調(diào)經(jīng)驗(yàn)和行為的整體性[17]，其指導(dǎo)下的學(xué)習(xí)觀認(rèn)為學(xué)習(xí)即頓悟，這一各要素之間通過(guò)非線性作用產(chǎn)生新秩序的觀點(diǎn)體現(xiàn)了復(fù)雜系統(tǒng)的涌現(xiàn)性。除此之外，時(shí)龍從復(fù)雜性科學(xué)的視角描繪了學(xué)校發(fā)展與變革的機(jī)制[18];鄭永和等人指出應(yīng)依據(jù)復(fù)雜性科學(xué)的原理剖析并解釋教育生態(tài)系統(tǒng)的演化規(guī)律[19];張婧婧等人則依據(jù)在線學(xué)習(xí)的復(fù)雜性特點(diǎn)，構(gòu)建了在線課程的集體注意力流系統(tǒng)[20]。

（三）復(fù)雜性科學(xué)支持學(xué)習(xí)干預(yù)的適切性分析

復(fù)雜性科學(xué)認(rèn)為，系統(tǒng)內(nèi)各元素之間不斷進(jìn)行非線性作用和自組織過(guò)程，可以推動(dòng)系統(tǒng)狀態(tài)的變化和演進(jìn)。而學(xué)習(xí)干預(yù)旨在將干預(yù)策略作用于學(xué)習(xí)者與學(xué)習(xí)過(guò)程，通過(guò)策略與主體的相互作用，實(shí)現(xiàn)學(xué)習(xí)者狀態(tài)的改善與學(xué)習(xí)過(guò)程的優(yōu)化，這與復(fù)雜性科學(xué)的理念相吻合。

因此，復(fù)雜性科學(xué)可以為深度解析學(xué)習(xí)干預(yù)的運(yùn)行機(jī)制提供理論支持與觀察視角，主要體現(xiàn)在三個(gè)方面（如圖1所示）：首先，學(xué)習(xí)干預(yù)是一個(gè)系統(tǒng)化過(guò)程，需要遵循復(fù)雜性科學(xué)中整體性的特點(diǎn)，同時(shí)觀照學(xué)習(xí)活動(dòng)前、中、后等不同階段，并需要學(xué)習(xí)者、教師、智能代理等多方主體共同參與;其次，學(xué)習(xí)干預(yù)的價(jià)值旨趣是促進(jìn)學(xué)習(xí)者的發(fā)展，優(yōu)化學(xué)習(xí)過(guò)程，實(shí)現(xiàn)干預(yù)系統(tǒng)向著良性方向演化;最后，學(xué)習(xí)干預(yù)并非是一蹴而就的過(guò)程，應(yīng)借助復(fù)雜系統(tǒng)中的反饋機(jī)制，根據(jù)干預(yù)策略具體的實(shí)施過(guò)程不斷迭代循環(huán)，對(duì)干預(yù)方案進(jìn)行調(diào)整，實(shí)現(xiàn)干預(yù)效果的最優(yōu)化。

三、復(fù)雜性科學(xué)視域下的學(xué)習(xí)干預(yù)核心要素及特征

苗東升教授認(rèn)為，復(fù)雜性科學(xué)帶來(lái)了認(rèn)識(shí)論轉(zhuǎn)向，幫助研究者由實(shí)驗(yàn)室研究走向現(xiàn)場(chǎng)實(shí)踐[21]。作為優(yōu)化教育實(shí)踐的關(guān)鍵環(huán)節(jié)，學(xué)習(xí)干預(yù)需要基于復(fù)雜性科學(xué)的視角來(lái)反映其有效發(fā)生的內(nèi)在機(jī)理與規(guī)律。本研究借鑒李彤彤等人的觀點(diǎn)，將學(xué)習(xí)干預(yù)分為學(xué)習(xí)問(wèn)題診斷、干預(yù)策略匹配、干預(yù)策略實(shí)施、干預(yù)結(jié)果分析四個(gè)核心要素。四個(gè)要素層層遞進(jìn)、首尾相連，構(gòu)成了學(xué)習(xí)干預(yù)實(shí)踐的完整閉環(huán)鏈路。其中，每個(gè)階段都體現(xiàn)了學(xué)習(xí)干預(yù)的復(fù)雜性本質(zhì)，如圖2所示。

（一）學(xué)習(xí)問(wèn)題診斷的涌現(xiàn)性和開放性

學(xué)習(xí)問(wèn)題診斷就是收集學(xué)習(xí)者的學(xué)習(xí)過(guò)程數(shù)據(jù)與結(jié)果數(shù)據(jù)，通過(guò)學(xué)習(xí)者建模，并借助學(xué)習(xí)分析相關(guān)技術(shù)，發(fā)現(xiàn)學(xué)習(xí)薄弱點(diǎn)的過(guò)程。學(xué)習(xí)問(wèn)題診斷是學(xué)習(xí)干預(yù)的起點(diǎn)與實(shí)踐依據(jù)。在復(fù)雜性科學(xué)的視角下，學(xué)習(xí)問(wèn)題診斷具有涌現(xiàn)性、開放性的特征。

其一，學(xué)習(xí)問(wèn)題診斷的涌現(xiàn)性。一方面，學(xué)習(xí)問(wèn)題的出現(xiàn)受到內(nèi)外部多種因素的共同影響，教師無(wú)法提前預(yù)設(shè)學(xué)習(xí)者的全部學(xué)習(xí)問(wèn)題，學(xué)習(xí)問(wèn)題是學(xué)習(xí)者在與同伴、教師以及學(xué)習(xí)環(huán)境的互動(dòng)過(guò)程中不斷涌現(xiàn)出來(lái)的。另一方面，學(xué)習(xí)者也是一個(gè)復(fù)雜的主體，隨著學(xué)習(xí)者持續(xù)獲取、建構(gòu)知識(shí)，其認(rèn)知狀態(tài)和認(rèn)知能力不斷發(fā)展，學(xué)習(xí)問(wèn)題也會(huì)涌現(xiàn)出新的特征。因此，需要對(duì)學(xué)習(xí)過(guò)程進(jìn)行持續(xù)追蹤，以獲取實(shí)時(shí)的學(xué)習(xí)問(wèn)題狀態(tài)，實(shí)現(xiàn)對(duì)學(xué)習(xí)者的精準(zhǔn)建模。

其二，學(xué)習(xí)問(wèn)題診斷的開放性。一方面，學(xué)習(xí)系統(tǒng)不是一個(gè)封閉的系統(tǒng)，學(xué)習(xí)過(guò)程與外界環(huán)境相互關(guān)聯(lián)，并與外部系統(tǒng)及內(nèi)部子系統(tǒng)不斷進(jìn)行信息、物質(zhì)和能量的交換，因此是一個(gè)動(dòng)態(tài)的開放系統(tǒng)，學(xué)生常見的學(xué)習(xí)問(wèn)題庫(kù)也并非一成不變，而是隨著實(shí)踐進(jìn)程不斷擴(kuò)展更新。另一方面，學(xué)習(xí)問(wèn)題的范疇也具有開放性，以往研究中大多將學(xué)習(xí)問(wèn)題局限于學(xué)習(xí)結(jié)果或知識(shí)掌握方面的問(wèn)題，但是隨著對(duì)學(xué)習(xí)者主體性的認(rèn)識(shí)以及對(duì)學(xué)習(xí)過(guò)程的重視，學(xué)習(xí)者的能力、素養(yǎng)以及個(gè)人品格，都應(yīng)納入學(xué)習(xí)問(wèn)題診斷的范疇。

（二）干預(yù)策略匹配的自組織和協(xié)同性

干預(yù)策略匹配就是根據(jù)學(xué)習(xí)問(wèn)題的診斷結(jié)果，從干預(yù)策略庫(kù)中選取適切的干預(yù)策略，以適應(yīng)學(xué)習(xí)問(wèn)題的過(guò)程[22]。干預(yù)策略匹配是確保學(xué)習(xí)干預(yù)成功的基礎(chǔ)環(huán)節(jié)。在復(fù)雜性科學(xué)的視角下，干預(yù)策略匹配具有自組織、協(xié)同性的特征。

其一，干預(yù)策略匹配的自組織。自組織是指系統(tǒng)中的元素在非強(qiáng)制指令的作用下，由無(wú)序混亂自發(fā)演變?yōu)橛行騾f(xié)調(diào)狀態(tài)的過(guò)程[23]。以往的學(xué)習(xí)干預(yù)研究往往囿于學(xué)習(xí)者暴露出的表象問(wèn)題，難以明確實(shí)際癥結(jié)所在，因此是一種“頭痛醫(yī)頭、腳痛醫(yī)腳”的機(jī)械式干預(yù)[24]。隨著學(xué)習(xí)過(guò)程的推進(jìn)，學(xué)習(xí)問(wèn)題不斷涌現(xiàn)，且問(wèn)題并非孤立存在，學(xué)習(xí)問(wèn)題之間可以相互關(guān)聯(lián)，通過(guò)自組織的方式形成問(wèn)題圖譜，有利于對(duì)當(dāng)前學(xué)習(xí)問(wèn)題的產(chǎn)生機(jī)制進(jìn)行精準(zhǔn)溯源歸因，從而提升干預(yù)策略匹配的準(zhǔn)確性。

其二，干預(yù)策略匹配的協(xié)同性。協(xié)同性的第一個(gè)層次體現(xiàn)為人機(jī)協(xié)同，因?yàn)楦深A(yù)系統(tǒng)具有復(fù)雜性，單純依靠人類教師或智能代理都難以進(jìn)行精準(zhǔn)的干預(yù)策略匹配。對(duì)于人類教師而言，人工實(shí)施教學(xué)干預(yù)需要耗費(fèi)較高的人力物力，并且難以顧及每位學(xué)習(xí)者的個(gè)性化需求[25];對(duì)于智能代理而言，人工智能更適合處理封閉、單一的問(wèn)題[26]，對(duì)于具有開放、多元特性的復(fù)雜干預(yù)系統(tǒng)，往往力不能及。協(xié)同性的第二個(gè)層次體現(xiàn)為社會(huì)化協(xié)同，教師在進(jìn)行干預(yù)策略匹配時(shí)，可以借鑒其他教師對(duì)類似問(wèn)題的干預(yù)經(jīng)驗(yàn)，實(shí)現(xiàn)群體智慧的匯聚。

（三）干預(yù)策略實(shí)施的漲落性和層次性

干預(yù)策略實(shí)施就是根據(jù)匹配出的干預(yù)策略，依據(jù)干預(yù)策略的屬性（如干預(yù)強(qiáng)度、干預(yù)時(shí)機(jī)、干預(yù)頻率等），擬定干預(yù)方案并面向?qū)W習(xí)者開展實(shí)施的過(guò)程。干預(yù)策略實(shí)施是連接干預(yù)研究與教學(xué)實(shí)踐的中介環(huán)節(jié)。在復(fù)雜性科學(xué)的視角下，干預(yù)策略實(shí)施具有漲落性、層次性的特征。

其一，干預(yù)策略實(shí)施的漲落性。漲落性是指學(xué)習(xí)者的狀態(tài)在多數(shù)時(shí)間內(nèi)都處在一種相對(duì)穩(wěn)定平衡的狀態(tài)，雖然會(huì)受到內(nèi)外部因素的影響而發(fā)生輕微的擾動(dòng)，但是可以憑借自身的自我調(diào)節(jié)與適應(yīng)能力維持學(xué)習(xí)狀態(tài)的平衡[27]。為了幫助學(xué)習(xí)者克服學(xué)習(xí)問(wèn)題，在干預(yù)實(shí)施的過(guò)程中，需要借助干預(yù)策略引發(fā)學(xué)習(xí)者的認(rèn)知沖突，增強(qiáng)學(xué)習(xí)過(guò)程的非線性作用，打破原有平衡;同時(shí)應(yīng)提供必要的支持手段，增加學(xué)習(xí)者的學(xué)習(xí)投入，幫助學(xué)習(xí)者建立新的平衡與秩序，實(shí)現(xiàn)由一個(gè)平衡狀態(tài)向更高的平衡狀態(tài)躍遷[28]，促進(jìn)學(xué)習(xí)過(guò)程的改善。

其二，干預(yù)策略實(shí)施的層次性。干預(yù)是一個(gè)系統(tǒng)化工程，干預(yù)策略根據(jù)作用時(shí)間和作用范圍的不同，可以被組織成不同的層次類別。在作用時(shí)間層次，可以在學(xué)習(xí)活動(dòng)前實(shí)施預(yù)防性干預(yù)，學(xué)習(xí)活動(dòng)中實(shí)施診斷提醒類干預(yù)，學(xué)習(xí)活動(dòng)后實(shí)施輔助反思類干預(yù)等;在作用范圍層次，干預(yù)策略的實(shí)施可以面向不同的群體規(guī)模，例如針對(duì)班級(jí)整體實(shí)施普適性干預(yù)，針對(duì)風(fēng)險(xiǎn)學(xué)生實(shí)施個(gè)性化干預(yù)等[29]。

（四）干預(yù)結(jié)果分析的非線性和進(jìn)化性

干預(yù)結(jié)果分析就是在實(shí)施干預(yù)方案之后，判斷學(xué)習(xí)問(wèn)題在何種程度上被解決，并分析學(xué)習(xí)者狀態(tài)的更新，從而決定下一輪干預(yù)起點(diǎn)的過(guò)程。干預(yù)結(jié)果分析是實(shí)現(xiàn)干預(yù)閉環(huán)，檢驗(yàn)干預(yù)效果的重要環(huán)節(jié)。在復(fù)雜性科學(xué)的視角下，干預(yù)結(jié)果分析具有非線性、進(jìn)化性的特征。

其一，干預(yù)結(jié)果分析的非線性。非線性是指系統(tǒng)內(nèi)各要素之間的相互作用不符合線性特征，這是造成系統(tǒng)具有復(fù)雜性的核心特征[30]，導(dǎo)致了系統(tǒng)的隨機(jī)性與不可預(yù)測(cè)性。在干預(yù)結(jié)果分析中，一方面，策略實(shí)施與學(xué)習(xí)成效之間存在非線性，學(xué)習(xí)者不是被動(dòng)的知識(shí)接受者，而是主動(dòng)的知識(shí)建構(gòu)者，因此在實(shí)施干預(yù)的過(guò)程中，干預(yù)策略并非始終是客觀穩(wěn)定的“外部因素”，而是經(jīng)過(guò)學(xué)習(xí)者加工從而具有主觀特性的“內(nèi)生因素”，容易產(chǎn)生無(wú)法預(yù)知的干預(yù)結(jié)果[31]。另一方面，干預(yù)策略的作用具有時(shí)滯性特點(diǎn)，施加的某種學(xué)習(xí)干預(yù)往往要經(jīng)過(guò)一段時(shí)間才會(huì)顯現(xiàn)效果，期間學(xué)習(xí)者會(huì)與外界環(huán)境不斷進(jìn)行交互，使得多種影響交織在一起，增加了干預(yù)結(jié)果的不可預(yù)知性。

其二，干預(yù)結(jié)果分析的進(jìn)化性。干預(yù)系統(tǒng)并非是靜態(tài)的系統(tǒng)，而是不斷演化的動(dòng)態(tài)系統(tǒng)。一方面，學(xué)習(xí)者的狀態(tài)不斷進(jìn)化，經(jīng)過(guò)學(xué)習(xí)干預(yù)，學(xué)習(xí)者的知識(shí)掌握程度、學(xué)習(xí)能力等屬性都有可能發(fā)生改變。另一方面，通過(guò)對(duì)干預(yù)結(jié)果的分析，能夠判斷當(dāng)前干預(yù)策略與學(xué)習(xí)問(wèn)題的適切程度，通過(guò)反饋可以對(duì)適切度較低的干預(yù)策略進(jìn)行修正，實(shí)現(xiàn)干預(yù)策略的不斷進(jìn)化。

四、復(fù)雜性科學(xué)視域下的學(xué)習(xí)干預(yù)模型構(gòu)建

復(fù)雜性科學(xué)對(duì)于剖析智能時(shí)代學(xué)習(xí)干預(yù)的過(guò)程，揭示學(xué)習(xí)干預(yù)的復(fù)雜性運(yùn)行機(jī)理具有重要作用。根據(jù)學(xué)習(xí)干預(yù)的核心要素及復(fù)雜性特征，本文構(gòu)建了復(fù)雜性科學(xué)視域下的學(xué)習(xí)干預(yù)模型，如圖3所示。模型包括問(wèn)題診斷層、動(dòng)力引擎層、推理匹配層以及進(jìn)化適應(yīng)層四個(gè)邏輯層次。在問(wèn)題診斷層中，依據(jù)學(xué)習(xí)問(wèn)題診斷的涌現(xiàn)性與開放性特征，同時(shí)采用學(xué)習(xí)分析、眾包標(biāo)注、專家預(yù)設(shè)多種方式，構(gòu)建彈性學(xué)習(xí)問(wèn)題庫(kù)和動(dòng)態(tài)干預(yù)策略庫(kù)，保持其中要素的不斷更新。在動(dòng)力引擎層中，依據(jù)干預(yù)策略匹配的自組織與協(xié)同性特征，構(gòu)建學(xué)習(xí)問(wèn)題圖譜和問(wèn)題策略圖譜，作為驅(qū)動(dòng)后續(xù)干預(yù)策略匹配和實(shí)施過(guò)程的動(dòng)力引擎。在推理匹配層中，基于學(xué)習(xí)問(wèn)題圖譜和問(wèn)題策略圖譜，由學(xué)習(xí)者當(dāng)前學(xué)習(xí)問(wèn)題出發(fā)，抽取學(xué)習(xí)問(wèn)題鏈，并匹配對(duì)應(yīng)的干預(yù)策略鏈，作為學(xué)習(xí)干預(yù)的系統(tǒng)化實(shí)施方案。在進(jìn)化適應(yīng)層中，綜合考慮干預(yù)策略實(shí)施的漲落性與層次性特征，進(jìn)行人機(jī)協(xié)同的策略實(shí)施，并基于干預(yù)結(jié)果分析的非線性與進(jìn)化性特征，實(shí)現(xiàn)學(xué)習(xí)者與干預(yù)策略的協(xié)同進(jìn)化。

（一）問(wèn)題診斷層：基于學(xué)習(xí)分析技術(shù)的學(xué)習(xí)問(wèn)題發(fā)現(xiàn)

1. 場(chǎng)景化學(xué)習(xí)問(wèn)題建模

學(xué)習(xí)過(guò)程作為一個(gè)開放的復(fù)雜系統(tǒng)，不斷與外界環(huán)境進(jìn)行信息、物質(zhì)與能量的交換，因此若要精準(zhǔn)診斷學(xué)習(xí)問(wèn)題，基礎(chǔ)是對(duì)學(xué)習(xí)問(wèn)題發(fā)生的場(chǎng)景進(jìn)行感知。首先，借助智能學(xué)習(xí)終端與物聯(lián)感知設(shè)備，獲取學(xué)習(xí)過(guò)程與學(xué)習(xí)環(huán)境的相關(guān)數(shù)據(jù)。其次，依據(jù)xAPI規(guī)范，使用statement語(yǔ)句將數(shù)據(jù)梳理為主謂賓格式的語(yǔ)義結(jié)構(gòu)，存儲(chǔ)在非關(guān)系型數(shù)據(jù)庫(kù)中。進(jìn)而，使用決策樹、貝葉斯網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法，對(duì)學(xué)習(xí)過(guò)程數(shù)據(jù)進(jìn)行挖掘，診斷學(xué)習(xí)者出現(xiàn)的問(wèn)題類型，如學(xué)業(yè)情緒類問(wèn)題、知識(shí)掌握類問(wèn)題、學(xué)習(xí)投入類問(wèn)題、認(rèn)知能力類問(wèn)題等;并使用時(shí)空聚類算法，對(duì)時(shí)間數(shù)據(jù)、空間數(shù)據(jù)、設(shè)備數(shù)據(jù)等場(chǎng)景信息進(jìn)行感知，判斷當(dāng)前問(wèn)題所處的學(xué)習(xí)場(chǎng)景，如作業(yè)場(chǎng)景、討論場(chǎng)景、探究學(xué)習(xí)場(chǎng)景等。

2. 彈性學(xué)習(xí)問(wèn)題庫(kù)構(gòu)建

為了更好地描述學(xué)習(xí)問(wèn)題的語(yǔ)義特征，基于上述場(chǎng)景化學(xué)習(xí)問(wèn)題建模的結(jié)果，本研究采用五元組對(duì)問(wèn)題診斷結(jié)果進(jìn)行形式化表征：Q=，其中，qn表示該問(wèn)題的名稱，qd表示該問(wèn)題的分類，qt表示該問(wèn)題出現(xiàn)的時(shí)間，qs表示該問(wèn)題隸屬的場(chǎng)景分類，qr表示該問(wèn)題的嚴(yán)重等級(jí)。形式化表征之后的學(xué)習(xí)問(wèn)題將被存入學(xué)習(xí)問(wèn)題庫(kù)中。值得注意的是，學(xué)習(xí)問(wèn)題在學(xué)習(xí)過(guò)程中是不斷涌現(xiàn)的，系統(tǒng)無(wú)法預(yù)設(shè)所有的問(wèn)題類型與屬性。因此，當(dāng)出現(xiàn)無(wú)法歸類的學(xué)習(xí)問(wèn)題時(shí)，該問(wèn)題將被隨機(jī)發(fā)放給五位審核專家，依據(jù)多數(shù)投票法決定問(wèn)題是否可以被添加到問(wèn)題庫(kù)中，并對(duì)其類別及屬性進(jìn)行標(biāo)注。同時(shí)，教師也可以根據(jù)自身經(jīng)驗(yàn)，人工向問(wèn)題庫(kù)中添加學(xué)習(xí)問(wèn)題，實(shí)現(xiàn)問(wèn)題庫(kù)的彈性擴(kuò)展。

3. 動(dòng)態(tài)干預(yù)策略庫(kù)構(gòu)建

為了解決相應(yīng)的學(xué)習(xí)問(wèn)題，本研究構(gòu)建了干預(yù)策略庫(kù)，并將干預(yù)策略以六元組進(jìn)行形式化表征：S=，其中sn表示該策略的名稱，sc表示該策略的分類，st表示該策略適宜的干預(yù)時(shí)機(jī)，si表示該策略適宜的干預(yù)強(qiáng)度，sf表示該策略適宜的干預(yù)頻率，sm表示該策略適宜的干預(yù)方式。邀請(qǐng)專家對(duì)常見的干預(yù)策略進(jìn)行預(yù)設(shè)（見表1），并存儲(chǔ)到干預(yù)策略庫(kù)中。同時(shí)，允許教師通過(guò)眾包的方式向策略庫(kù)中人工添加干預(yù)策略，經(jīng)專家審核后實(shí)現(xiàn)策略庫(kù)的動(dòng)態(tài)更新。

問(wèn)題診斷層的技術(shù)路線如圖4所示。

（二）動(dòng)力引擎層：基于元素自組織的學(xué)習(xí)問(wèn)題歸因

1. 學(xué)習(xí)問(wèn)題圖譜構(gòu)建

在診斷出當(dāng)前學(xué)習(xí)問(wèn)題之后，了解該問(wèn)題發(fā)生的動(dòng)力機(jī)制，并對(duì)其產(chǎn)生過(guò)程進(jìn)行溯源歸因，是保證干預(yù)精準(zhǔn)性的重要步驟。因此，通過(guò)分析學(xué)習(xí)問(wèn)題庫(kù)中各問(wèn)題之間的關(guān)聯(lián)關(guān)系，可以構(gòu)建出學(xué)習(xí)問(wèn)題的關(guān)聯(lián)圖譜。借助學(xué)習(xí)問(wèn)題圖譜，由當(dāng)前問(wèn)題進(jìn)行溯源，便可以實(shí)現(xiàn)對(duì)當(dāng)前學(xué)習(xí)問(wèn)題的歸因，幫助我們從根源上探查問(wèn)題產(chǎn)生的機(jī)制。

學(xué)習(xí)問(wèn)題由孤立狀態(tài)演變?yōu)橄嗷リP(guān)聯(lián)的問(wèn)題圖譜是一個(gè)自組織的過(guò)程。自組織就是系統(tǒng)在不受外力影響的前提下，由無(wú)序自發(fā)變?yōu)橛行虻倪^(guò)程。經(jīng)過(guò)自組織，系統(tǒng)的不確定性降低，系統(tǒng)熵值減小[32]。因此，學(xué)習(xí)問(wèn)題圖譜自組織的過(guò)程，就是系統(tǒng)熵值最小化的過(guò)程。學(xué)習(xí)問(wèn)題圖譜的自組織需要滿足兩個(gè)約束條件：（1）問(wèn)題嚴(yán)重等級(jí)越高，越容易導(dǎo)致其他問(wèn)題發(fā)生;（2）問(wèn)題在圖譜中與其他問(wèn)題節(jié)點(diǎn)的連接越多，越容易成為其他問(wèn)題產(chǎn)生的動(dòng)力源。基于此，令問(wèn)題i的度數(shù)d（i）表示與該問(wèn)題相連的問(wèn)題節(jié)點(diǎn)總數(shù)，令問(wèn)題i的加權(quán)度數(shù)dw（i）表示該問(wèn)題的度數(shù)與嚴(yán)重等級(jí)的乘積，即dw（i）=qr（i）×d（i）;進(jìn)而，計(jì)算各問(wèn)題加權(quán)度數(shù)的信息熵。由此，學(xué)習(xí)問(wèn)題圖譜的總熵值H等于各問(wèn)題節(jié)點(diǎn)信息熵之和（如公式1所示）。當(dāng)系統(tǒng)總熵值保持最小時(shí)，形成最終的學(xué)習(xí)問(wèn)題圖譜。

2. 問(wèn)題策略圖譜構(gòu)建

除了學(xué)習(xí)問(wèn)題之間存在關(guān)聯(lián)，學(xué)習(xí)問(wèn)題與干預(yù)策略之間也存在關(guān)聯(lián)。通過(guò)將學(xué)習(xí)問(wèn)題與對(duì)應(yīng)干預(yù)策略進(jìn)行關(guān)聯(lián)，可以構(gòu)建出問(wèn)題策略圖譜，作為干預(yù)策略匹配的動(dòng)力引擎。

問(wèn)題策略圖譜的構(gòu)建主要是通過(guò)計(jì)算學(xué)習(xí)問(wèn)題描述與干預(yù)策略內(nèi)容之間的語(yǔ)義相似度實(shí)現(xiàn)。首先，將問(wèn)題描述文本與策略內(nèi)容文本通過(guò)word2vec詞嵌入模型進(jìn)行向量化處理;其次，遍歷干預(yù)策略庫(kù)中每條干預(yù)策略，將當(dāng)前策略內(nèi)容的文本向量依次與各問(wèn)題的描述文本向量進(jìn)行余弦相似度計(jì)算;最后，選取相似度最高的“問(wèn)題—策略”組合，在兩者之間建立關(guān)聯(lián)，并遍歷至下一條干預(yù)策略，直至所有干預(yù)策略都與學(xué)習(xí)問(wèn)題建立關(guān)聯(lián)，形成最終的問(wèn)題策略圖譜。

動(dòng)力引擎層的技術(shù)路線如圖5所示。

（三）推理匹配層：基于因果鏈推理的干預(yù)策略匹配

1. 學(xué)習(xí)問(wèn)題鏈的溯源與提取

在構(gòu)建了學(xué)習(xí)問(wèn)題圖譜與問(wèn)題策略圖譜之后，如何由當(dāng)前問(wèn)題推理出問(wèn)題鏈，是精準(zhǔn)匹配干預(yù)策略的前提。問(wèn)題鏈代表當(dāng)前問(wèn)題產(chǎn)生的因果鏈條，反映了當(dāng)前問(wèn)題的發(fā)生路徑。本研究采用定性比較分析（Qualitative Comparative Analysis，簡(jiǎn)稱QCA）作為問(wèn)題鏈的提取方法。相比于傳統(tǒng)定量分析方法，QCA基于整體論思想，將影響當(dāng)前問(wèn)題的關(guān)聯(lián)節(jié)點(diǎn)視為條件集合，并通過(guò)集合隸屬度計(jì)算進(jìn)行因果推斷，因此更加適合處理問(wèn)題之間的復(fù)雜關(guān)聯(lián)關(guān)系[33]。

首先，根據(jù)學(xué)習(xí)問(wèn)題圖譜，溯源與當(dāng)前學(xué)習(xí)問(wèn)題有直接或間接關(guān)系的關(guān)聯(lián)問(wèn)題，形成關(guān)聯(lián)問(wèn)題集合;其次，計(jì)算關(guān)聯(lián)問(wèn)題集合中不同問(wèn)題組合與當(dāng)前結(jié)果的一致性;最后，提取超過(guò)一致性閾值的問(wèn)題組合作為影響當(dāng)前學(xué)習(xí)問(wèn)題的問(wèn)題鏈。通過(guò)QCA分析，可以生成問(wèn)題鏈的中間解和簡(jiǎn)約解，簡(jiǎn)約解中蘊(yùn)含的要素是核心問(wèn)題，而僅存在于中間解的要素是邊緣問(wèn)題。核心問(wèn)題表示與當(dāng)前問(wèn)題間存在較強(qiáng)的因果性，而邊緣問(wèn)題則表明與當(dāng)前問(wèn)題間的因果性較弱[34]。

2. 干預(yù)策略鏈的推理與輸出

提取出當(dāng)前問(wèn)題的問(wèn)題鏈之后，需要由問(wèn)題鏈匹配出對(duì)應(yīng)的策略鏈，作為后續(xù)干預(yù)實(shí)施的具體方案。首先，遍歷問(wèn)題鏈，按照鏈路順序依次將問(wèn)題鏈中的每個(gè)問(wèn)題在問(wèn)題策略圖譜中進(jìn)行定位，獲取該問(wèn)題對(duì)應(yīng)的策略集;其次，結(jié)合學(xué)習(xí)者的數(shù)字畫像，從策略集中選取符合學(xué)習(xí)者興趣偏好的適切干預(yù)策略;最后，將每個(gè)問(wèn)題推理出的適切策略組合，形成干預(yù)策略鏈。除系統(tǒng)推理輸出的干預(yù)策略鏈之外，還可以根據(jù)此問(wèn)題下其他教師的策略選取結(jié)果進(jìn)行推薦，教師可以參考推薦結(jié)果進(jìn)行最終策略鏈的選擇。

推理匹配層的技術(shù)路線如圖6所示。

（四）進(jìn)化適應(yīng)層：基于多主體進(jìn)化的干預(yù)策略實(shí)施

1. 干預(yù)策略的人機(jī)協(xié)同實(shí)施

在分析得到針對(duì)每位學(xué)習(xí)者的干預(yù)策略鏈之后，使用統(tǒng)計(jì)分析與聚類算法，將相似的策略鏈進(jìn)行聚合，識(shí)別每一干預(yù)策略鏈對(duì)應(yīng)的學(xué)習(xí)者范圍，并根據(jù)范圍規(guī)模決定每條干預(yù)策略鏈的實(shí)施對(duì)象為個(gè)體、小組或群體[35]。

在干預(yù)實(shí)施過(guò)程中，按照策略鏈的順序，逐項(xiàng)執(zhí)行干預(yù)策略，并根據(jù)當(dāng)前策略在干預(yù)策略庫(kù)中標(biāo)記的屬性，確定適切的干預(yù)時(shí)機(jī)、干預(yù)頻率與干預(yù)方式。干預(yù)強(qiáng)度則由學(xué)習(xí)問(wèn)題鏈進(jìn)行確定，若問(wèn)題鏈中的節(jié)點(diǎn)屬于核心問(wèn)題，則實(shí)施對(duì)應(yīng)的高強(qiáng)度干預(yù)策略;若屬于邊緣問(wèn)題，則只需實(shí)施對(duì)應(yīng)的低強(qiáng)度策略。系統(tǒng)推薦的干預(yù)方案作為教師實(shí)踐的參考依據(jù)，教師可以將其與自身教學(xué)經(jīng)驗(yàn)結(jié)合，綜合進(jìn)行人機(jī)協(xié)同的干預(yù)策略實(shí)施。

2. 學(xué)習(xí)者與干預(yù)策略的協(xié)同進(jìn)化

隨著干預(yù)的實(shí)施，需要即時(shí)判斷干預(yù)的效果，并通過(guò)反饋機(jī)制促進(jìn)干預(yù)策略的不斷改善。本研究使用遺傳算法進(jìn)行干預(yù)策略的優(yōu)化。首先定義干預(yù)策略的適配度函數(shù)，用于表征干預(yù)策略與當(dāng)前學(xué)習(xí)問(wèn)題的匹配程度。本研究令策略適配度等于干預(yù)前后學(xué)習(xí)問(wèn)題嚴(yán)重等級(jí)的變化量，若適配度函數(shù)的值大于閾值，則說(shuō)明干預(yù)策略能夠較好地解決當(dāng)前學(xué)習(xí)問(wèn)題，并停止優(yōu)化過(guò)程;否則，則需要選擇適配度最高的兩條干預(yù)策略鏈，以pc的概率進(jìn)行兩條策略鏈間的交叉操作，并以pm的概率從策略庫(kù)中隨機(jī)選擇新的策略進(jìn)行變異操作，進(jìn)化生成子策略鏈，進(jìn)而檢驗(yàn)當(dāng)前子策略鏈的適配度。重復(fù)上述操作，直至適配度函數(shù)大于閾值，或者迭代次數(shù)達(dá)到上限。之后，將優(yōu)化后的干預(yù)策略同步更新至策略庫(kù)和問(wèn)題策略圖譜，實(shí)現(xiàn)干預(yù)策略的持續(xù)進(jìn)化。

除了干預(yù)策略的進(jìn)化，伴隨干預(yù)策略的實(shí)施以及學(xué)習(xí)過(guò)程數(shù)據(jù)的積累，學(xué)習(xí)問(wèn)題類型與屬性會(huì)涌現(xiàn)出新的特征，學(xué)習(xí)問(wèn)題之間也不斷建立新的連接關(guān)系，因而學(xué)習(xí)者狀態(tài)也是一個(gè)持續(xù)進(jìn)化的過(guò)程。學(xué)習(xí)者狀態(tài)在狀態(tài)空間中動(dòng)態(tài)轉(zhuǎn)移，又可以驅(qū)動(dòng)新一輪的問(wèn)題診斷與干預(yù)實(shí)施，維持干預(yù)系統(tǒng)的持續(xù)運(yùn)轉(zhuǎn)。

進(jìn)化適應(yīng)層的技術(shù)路線如圖7所示。

五、結(jié)? ?語(yǔ)

教育的本質(zhì)是一個(gè)復(fù)雜系統(tǒng)。因此，從復(fù)雜性科學(xué)的視角來(lái)看，學(xué)習(xí)過(guò)程是整體的、開放的、動(dòng)態(tài)的。基于復(fù)雜性科學(xué)開展學(xué)習(xí)干預(yù)，有利于將學(xué)習(xí)干預(yù)作為整體的系統(tǒng)性工程進(jìn)行實(shí)施，更加符合現(xiàn)實(shí)教育實(shí)踐中學(xué)習(xí)問(wèn)題的生發(fā)邏輯與解決思路。本研究立足于復(fù)雜性科學(xué)的視角，描繪了學(xué)習(xí)問(wèn)題診斷、干預(yù)策略匹配、干預(yù)策略實(shí)施、干預(yù)結(jié)果分析等學(xué)習(xí)干預(yù)要素的復(fù)雜性特征，并構(gòu)建了涵蓋問(wèn)題診斷層、動(dòng)力引擎層、推理匹配層、進(jìn)化適應(yīng)層的學(xué)習(xí)干預(yù)模型，旨在深度解構(gòu)學(xué)習(xí)干預(yù)的實(shí)踐流程，探索一種人機(jī)協(xié)同的精準(zhǔn)學(xué)習(xí)服務(wù)模式。

在未來(lái)的研究中，一方面需要結(jié)合復(fù)雜性科學(xué)的研究方法，如復(fù)雜網(wǎng)絡(luò)、模擬仿真等，以數(shù)據(jù)驅(qū)動(dòng)的方式對(duì)學(xué)習(xí)干預(yù)的過(guò)程與規(guī)律進(jìn)行驗(yàn)證;另一方面需要進(jìn)一步明確各類學(xué)習(xí)問(wèn)題與干預(yù)策略的內(nèi)涵與表征方式，并與教學(xué)實(shí)踐中可采集、可使用的多模態(tài)數(shù)據(jù)進(jìn)行關(guān)聯(lián)，推動(dòng)基于復(fù)雜性科學(xué)的學(xué)習(xí)干預(yù)模型應(yīng)用于實(shí)踐。

[參考文獻(xiàn)]

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

[2] 王一巖，鄭永和.面向智慧課堂的教育情境感知：價(jià)值定位、特征模型與實(shí)踐框架[J].電化教育研究，2021，42（11）：84-91.

[3] 劉銘，武法提.場(chǎng)景化學(xué)習(xí)服務(wù)模式構(gòu)建研究[J].電化教育研究，2021，42（1）：87-92.

[4] 李彤彤，黃洛穎，鄒蕊，等.基于教育大數(shù)據(jù)的學(xué)習(xí)干預(yù)模型構(gòu)建[J].中國(guó)電化教育，2016（6）：16-20.

[5] 武法提，殷寶媛，黃石華.學(xué)習(xí)習(xí)慣動(dòng)力學(xué)研究范式及其創(chuàng)新價(jià)值[J].現(xiàn)代遠(yuǎn)程教育研究，2019（1）：46-52.

[6] FUCHS D， FUCHS L S. Introduction to response to intervention： what， why， and how valid is it？[J]. Reading research quarterly， 2006， 41（1）： 93-99.

[7] ZHANG J H， ZOU L， MIAO J， et al. An individualized intervention approach to improving university students' learning performance and interactive behaviors in a blended learning environment[J]. Interactive learning environments， 2020， 28（2）： 231-245.

[8] HERODOTOU C， HLOSTA M， BOROOWA A， et al. Empowering online teachers through predictive learning analytics[J]. British journal of educational technology， 2019， 50（6）： 3064-3079.

[9] WONG B T， LI K C. A review of learning analytics intervention in higher education（2011—2018）[J]. Journal of computers in education， 2020， 7（1）： 7-28.

[10] XING W， DU D. Dropout prediction in MOOCs： using deep learning for personalized intervention[J]. Journal of educational computing research， 2019， 57（3）： 547-570.

[11] 何克抗.運(yùn)用“新三論”的系統(tǒng)方法促進(jìn)教學(xué)設(shè)計(jì)理論與應(yīng)用的深入發(fā)展[J].中國(guó)電化教育，2010（1）：7-18.

[12] 武杰，孫雅琪.復(fù)雜性科學(xué)的學(xué)科特征及其哲學(xué)境界[J].自然辯證法研究，2017，33（7）：112-117.

[13] 曹征，張雪平，曹謝東，等.復(fù)雜系統(tǒng)研究方法的討論[J].智能系統(tǒng)學(xué)報(bào)，2009，4（1）：76-80.

[14] 葉瀾.世紀(jì)初中國(guó)教育理論發(fā)展的斷想[J].華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版），2001（1）：1-6.

[15] 何克抗.對(duì)美國(guó)《教育傳播與技術(shù)研究手冊(cè)》（第三版）的學(xué)習(xí)與思考之二——關(guān)于“復(fù)雜性理論”與“技術(shù)支持的復(fù)雜學(xué)習(xí)”[J].電化教育研究，2013，34（8）：24-27.

[16] 皮亞杰.發(fā)生認(rèn)識(shí)論原理[M].王憲鈿，譯.北京：商務(wù)印書館，1981.

[17] 劉勁楊，湯杉杉.當(dāng)代整體論的思想整合與形式分析[J].系統(tǒng)科學(xué)學(xué)報(bào)，2021，29（3）：1-7.

[18] 時(shí)龍.復(fù)雜性科學(xué)研究視野中的學(xué)校發(fā)展與變革[J].教育科學(xué)研究，2020（4）：5-9.

[19] 鄭永和，王楊春曉，王一巖.智能時(shí)代的教育科學(xué)研究：內(nèi)涵、邏輯框架與實(shí)踐進(jìn)路[J].中國(guó)遠(yuǎn)程教育，2021（6）：1-10.

[20] 張婧婧，楊業(yè)宏.在線學(xué)習(xí)中的冪律法則：基于開放與平衡流系統(tǒng)的新指標(biāo)[J].遠(yuǎn)程教育雜志，2019，37（4）：96-105.

[21] 苗東升.從科學(xué)轉(zhuǎn)型演化看大數(shù)據(jù)[J].首都師范大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2014（5）：48-55.

[22] 殷寶媛，武法提.學(xué)習(xí)習(xí)慣在線干預(yù)的原理與模型設(shè)計(jì)[J].電化教育研究，2019，40（12）：72-79.

[23] 閆麗霞，周川.從傳統(tǒng)范式到復(fù)雜性范式的轉(zhuǎn)向：論一流學(xué)科生長(zhǎng)路徑的構(gòu)建拓展[J].中國(guó)高教研究，2020（3）：24-29.

[24] 武法提，高姝睿，田浩.人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)：動(dòng)因、模型與路向[J].電化教育研究，2022，43（4）：70-76.

[25] 白雪梅，顧小清，尹歡歡，武美玖，胡碧皓.數(shù)據(jù)驅(qū)動(dòng)精準(zhǔn)教學(xué)：實(shí)踐路徑、感知理解與現(xiàn)實(shí)困境[J].電化教育研究，2022，43（4）：77-84.

[26] 余勝泉，王琦.“AI+教師”的協(xié)作路徑發(fā)展分析[J].電化教育研究，2019，40（4）：14-22.

[27] 吳靖.復(fù)雜科學(xué)視域下的教育趨法及對(duì)教育技術(shù)研究方法的啟示——兼及教育信息化“頂棚效應(yīng)”問(wèn)題的分析[J].遠(yuǎn)程教育雜志，2017，35（2）：94-103.

[28] WHITE D G， LEVIN J A. Navigating the turbulent waters of school reform guided by complexity theory[J]. Complicity： an international journal of complexity and education， 2016， 13（1）： 43-80.

[29] 樊敏生，武法提.數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)學(xué)習(xí)干預(yù)系統(tǒng)設(shè)計(jì)[J].電化教育研究，2020，41（11）：87-93.

[30] 黃欣榮.從復(fù)雜性科學(xué)到大數(shù)據(jù)技術(shù)[J].長(zhǎng)沙理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2014，29（2）：5-9.

[31] ENGESTROM Y， SANNINO A. Studies of expansive learning： foundations， findings and future challenges[J]. Educational research review， 2010， 5（1）： 1-24.

[32] DAVIS B， SUMARA D. Complexity science and educational action research： toward a pragmatics of transformation[J]. Educational action research， 2005， 13（3）： 453-466.

[33] 伯努瓦·里豪克斯，查爾斯·C·拉金. QCA設(shè)計(jì)原理與應(yīng)用：超越定性與定量研究的新方法[M]. 杜運(yùn)周，李永發(fā)，等譯. 北京：機(jī)械工業(yè)出版社，2017.

[34] FISS P C. Building better causal theories： a fuzzy set approach to typologies in organization research[J]. Academy of management journal， 2011， 54（2）： 393-420.

[35] 唐麗，王運(yùn)武，陳琳.智慧學(xué)習(xí)環(huán)境下基于學(xué)習(xí)分析的干預(yù)機(jī)制研究[J].電化教育研究，2016，37（2）：62-67.

Learning Intervention from the Perspective of Complexity Science：

Concept Explanation， Core Elements and Model Construction

TIAN Hao1，? WU Fati2

（1.School of Educational Technology， Beijing Normal University， Beijing 100875; 2.Engineering Research Center of Digital Learning and Educational Public Service， Ministry of Education， Beijing 100875）

[Abstract] The rapid development of intelligent technology has not only transformed the style of education， but also brought the complexity of education to the fore. Precise and personalized learning interventions based on the perspective of complexity science are conducive to meeting the real needs of learners in learning practice. After explaining the basic concepts of complexity science and learning interventions， this paper analyzes the applicability of complexity science to guide the implementation of learning interventions. Then， this paper analyzes the complexity characteristics of learning interventions in terms of four core elements of learning problem diagnosis， intervention strategy matching， intervention strategy implementation， and intervention effect analysis. A learning intervention model is constructed from the perspective of complexity science， which consists of four logical levels： problem diagnosis， motivation engine， reasoning matching， and evolutionary adaptation. It successively depicts the discovery of learning problems based on learning analytics technology， the attribution of learning problems based on elemental self-organization， the matching of intervention strategy based on causal chain reasoning， and the implementation of intervention strategy based on multi-agent evolution. This model forms a complete intelligent learning service path， which provides a theoretical and practical basis for carrying out precise learning interventions of human-computer collaboration in the intelligent era.

[Keywords] Complexity Science; Learning Intervention; Smart Education; Model Construction

[作者簡(jiǎn)介] 田浩（1994—），男，山東濱州人。博士研究生，主要從事智能教育、多模態(tài)學(xué)習(xí)分析研究。E-mail：tianhao @mail.bnu.edu.cn。武法提為通訊作者，E-mail：wft@bnu.edu.cn。

基金項(xiàng)目：國(guó)家社會(huì)科學(xué)基金2020年度教育學(xué)一般課題“基于人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)研究”（課題編號(hào)：BCA200080）