基金項(xiàng)目:北京市教育科學(xué)“十四五”規(guī)劃2023年度優(yōu)先關(guān)注課題“基礎(chǔ)教育階段北京市國際學(xué)校的需求與發(fā)展質(zhì)量研究”(課題編號(hào):ACEA23006)
中圖分類號(hào):G434 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-458x(2025)7-0098-17
一、引言
信息技術(shù)是拓展教育形式的重要途徑。近年來人工智能技術(shù)的迅猛發(fā)展為教育領(lǐng)域帶來了更多可能性(Kayaetal.,2024)。2022年,科技部等六部門印發(fā)《關(guān)于加快場景創(chuàng)新以人工智能高水平應(yīng)用促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展的指導(dǎo)意見》指出,要在教育領(lǐng)域持續(xù)挖掘人工智能的應(yīng)用機(jī)會(huì),積極探索在線課堂、虛擬課堂、虛擬仿真實(shí)訓(xùn)、虛擬教研室、新型教材、教學(xué)資源建設(shè)、智慧校園等場景(科技部等六部門,2022)。人們寄希望于人工智能技術(shù)在教育中的應(yīng)用賦能教育高質(zhì)量發(fā)展,解決教育領(lǐng)域中的疑難問題。
教育公平是社會(huì)公平的基石(薛二勇等,2021),也是教育領(lǐng)域中的重點(diǎn)和難點(diǎn)問題之一。盡管我國已經(jīng)采取了多種措施提升教育公平指數(shù),但是教育的不公平性仍然是社會(huì)各界熱議的話題。人工智能技術(shù)具備與以往信息技術(shù)完全不同的特征,能否借助新技術(shù)促進(jìn)教育公平取得突破性進(jìn)展,已經(jīng)引起了學(xué)界的廣泛討論。有學(xué)者認(rèn)為,人工智能技術(shù)具備精準(zhǔn)擬真和多元個(gè)性的智慧學(xué)習(xí)特征,并可通過自適應(yīng)系統(tǒng)支持個(gè)性化學(xué)習(xí)(胡小勇等,2022),因此有望同時(shí)解決教育的規(guī)?;蛡€(gè)性化問題(石倩amp;萬秀蘭,2024),深度推進(jìn)教育公平。但也有學(xué)者指出,人工智能技術(shù)在教育中的應(yīng)用,可能無法成為解決教育難題的“阿拉丁神燈”(王佑鎂等,2023a),甚至?xí)?duì)教育公平產(chǎn)生反噬作用(張新民amp;張稷鋒,2023)。在大力推進(jìn)人工智能技術(shù)在教育中的應(yīng)用之前,分析人工智能技術(shù)影響教育公平的路徑與條件,結(jié)合現(xiàn)有技術(shù)發(fā)展進(jìn)程系統(tǒng)研判人工智能技術(shù)對(duì)教育公平的影響,尤其是可能引發(fā)的公平風(fēng)險(xiǎn),引導(dǎo)技術(shù)更好地服務(wù)于教育教學(xué),是重要又迫切的問題。
二、文獻(xiàn)綜述:理論觀點(diǎn)梳理及研究限度
在分析人工智能技術(shù)對(duì)教育公平的正向影響時(shí),已有研究認(rèn)為,由于人工智能技術(shù)具備高算力的特性,可通過自適應(yīng)學(xué)習(xí)技術(shù)(董曉輝等,2017),為學(xué)習(xí)者精準(zhǔn)推送個(gè)性化學(xué)習(xí)內(nèi)容(鮑日勤,2018),通過優(yōu)化教育過程彌合教育結(jié)果差距,促進(jìn)教育公平。但是自適應(yīng)學(xué)習(xí)模型是否真正促進(jìn)了學(xué)習(xí)收益,仍然存在爭議(江波等,2023),有實(shí)驗(yàn)結(jié)果顯示在學(xué)校場域中使用基于自適應(yīng)學(xué)習(xí)系統(tǒng)的學(xué)習(xí)者比未使用的學(xué)習(xí)者英語得分優(yōu)秀率更低(李建偉等,2020)。在分析人工智能技術(shù)對(duì)教育公平的負(fù)向影響時(shí),已有研究主要從兩個(gè)角度切入。一是“數(shù)字鴻溝”。這一術(shù)語最早用以描述社會(huì)中那些熱衷于使用信息技術(shù)與不太使用信息技術(shù)的人群之間的社會(huì)分化現(xiàn)象(Gunkel,2003)。許多研究延續(xù)“數(shù)字鴻溝”的論證,從使用者背景差異的角度,解析人工智能技術(shù)對(duì)教育公平的負(fù)向影響(Blanchard,2015)。有研究指出,數(shù)字弱勢群體,如沒有網(wǎng)絡(luò)覆蓋的貧困地區(qū)學(xué)生等,無法同數(shù)字相對(duì)優(yōu)勢人群一樣享受新技術(shù)資源(孫田琳子,2023)。二是“算法偏見”。相關(guān)觀點(diǎn)認(rèn)為,人工智能技術(shù)的算法存在由開發(fā)者帶來的先在偏見,包括性別、種族和階層歧視等(Madaioetal.,2022),造成了不公平態(tài)度的廣泛傳播。破解人工智能技術(shù)對(duì)于教育公平的負(fù)面影響,學(xué)界多從技術(shù)向善和人的向善兩個(gè)方向展開(王佑鎂 等,2022)。技術(shù)向善的破解之道將算法改進(jìn)作為規(guī)避技術(shù)反噬公平現(xiàn)象的重要手段(王佑鎂等,2023b;Bakeramp;Hawn,2022),強(qiáng)調(diào)從技術(shù)供給端優(yōu)化數(shù)字教育資源(Linetal.,2020)。人的向善的應(yīng)對(duì)之策主張技術(shù)進(jìn)步不足以消除所有倫理問題,應(yīng)從主體性視角展開人工智能技術(shù)倫理風(fēng)險(xiǎn)治理(張黎等,2023)。技術(shù)改進(jìn)和人的主觀能動(dòng)性的完善兩個(gè)維度均被視為消解技術(shù)反噬教育公平現(xiàn)象的重要手段。
綜合來看,目前的研究在分析人工智能技術(shù)提升教育公平的路徑時(shí),多從自適應(yīng)學(xué)習(xí)模型能夠支持學(xué)生個(gè)性化學(xué)習(xí),從而有助于提高學(xué)生學(xué)習(xí)效果這一角度人手,但是在探討人工智能技術(shù)對(duì)教育公平的預(yù)期風(fēng)險(xiǎn)以及應(yīng)對(duì)之策時(shí),往往又跳出了這一路徑,從更加宏觀的視角展開研究。有關(guān)人工智能技術(shù)能否基于自適應(yīng)學(xué)習(xí)模型支持個(gè)性化學(xué)習(xí),實(shí)現(xiàn)對(duì)教育公平的預(yù)期正向影響,以及如何促成預(yù)期的實(shí)現(xiàn),并未系統(tǒng)論證?;诖耍疚膹娜斯ぶ悄芗夹g(shù)支持下的“師一生一機(jī)”協(xié)同作用影響學(xué)生學(xué)習(xí)效果的角度切入,結(jié)合這一正向預(yù)期的實(shí)現(xiàn)條件,分析人工智能技術(shù)為什么會(huì)對(duì)教育公平產(chǎn)生反噬風(fēng)險(xiǎn),并依據(jù)具體的發(fā)生機(jī)理探討矯正措施,為降低技術(shù)對(duì)教育公平的反噬風(fēng)險(xiǎn)提供政策參考。
三、先賦與后致:人工智能技術(shù)反噬教育公平的現(xiàn)象釋義
人工智能技術(shù)的精準(zhǔn)擬真和個(gè)性化推送等特性為教育公平的推進(jìn)帶來了新的曙光,人們期望通過自適應(yīng)學(xué)習(xí)模型,在學(xué)校規(guī)?;逃J较轮С謱W(xué)生個(gè)性化學(xué)習(xí),因材施教,彌合差距,達(dá)成每個(gè)學(xué)生均能得到最佳增值發(fā)展的教育結(jié)果公平狀態(tài)。但是這一美好預(yù)期的實(shí)現(xiàn)有賴于嚴(yán)格的前提條件,當(dāng)前提條件缺失時(shí),這一預(yù)期正向影響會(huì)適得其反,人工智能技術(shù)對(duì)教育公平的彌合力也隨之消失。按照羅爾斯第二正義原則,差別的存在需要而且能夠合理地期望符合所有人的利益,尤其是“最少受惠者”的利益。如果一種新技術(shù)的應(yīng)用不僅沒有合理地期望符合最少受惠者的利益,反而拉開了最少受惠者與處境相對(duì)優(yōu)勢者間的差距,那么這是對(duì)教育公平的反噬。
(一)反噬前提:人工智能技術(shù)促進(jìn)教育公平的正向預(yù)期
瑞典教育家托爾斯頓·胡森(Husen,T.)指出教育公平包括起點(diǎn)公平、過程公平和結(jié)果公平三個(gè)階段(Husén,1975,pp.182-186),這一分類也得到了我國學(xué)者的廣泛認(rèn)可(秦樹澤,2023)。在此分析框架中,過程公平特別是結(jié)果公平應(yīng)當(dāng)作為關(guān)注的重點(diǎn)(褚宏啟,2020),結(jié)果公平并非指學(xué)習(xí)結(jié)果的同質(zhì)化,而是盡可能降低學(xué)生的先賦因素以及學(xué)情特點(diǎn)對(duì)于學(xué)習(xí)結(jié)果的影響,增強(qiáng)學(xué)校教育這一后致因素對(duì)于學(xué)習(xí)效果的作用。其中,先賦因素包括學(xué)生的家庭經(jīng)濟(jì)背景、社會(huì)文化資本、性別特征、學(xué)生所在的地理位置(如城鄉(xiāng)分布)等學(xué)生個(gè)人無法決定的特征,學(xué)生的學(xué)情特點(diǎn)包括已有的學(xué)科知識(shí)經(jīng)驗(yàn)以及數(shù)字素養(yǎng)特征等??朔@些因素對(duì)于學(xué)生學(xué)習(xí)結(jié)果的影響,需要充分發(fā)掘處境不利(先賦條件弱勢和當(dāng)前的學(xué)習(xí)結(jié)果不利)學(xué)生的學(xué)習(xí)潛能,讓每一位學(xué)生因最適配的教育過程得到最佳的增值發(fā)展。
這需要教育者根據(jù)不同學(xué)生的先賦因素以及學(xué)情特點(diǎn)提供個(gè)性化教學(xué),換句話說,因材施教才能真正實(shí)現(xiàn)教育公平(潘信林amp;羅妍,2024)。在傳統(tǒng)規(guī)模化教育模式下,每一位教師在授課過程中均需要面對(duì)多位學(xué)生,其數(shù)量遠(yuǎn)超教師自身的認(rèn)知負(fù)荷,因此教師的授課內(nèi)容與形式很難與每個(gè)學(xué)生的個(gè)體特點(diǎn)相匹配,而處境不利學(xué)生更容易被忽視,這一現(xiàn)實(shí)困境制約著因材施教理念的落實(shí),不利于教育公平。
人工智能技術(shù)的自適應(yīng)學(xué)習(xí)模型可以根據(jù)每個(gè)學(xué)習(xí)者個(gè)體的認(rèn)知水平、學(xué)習(xí)能力等,動(dòng)態(tài)調(diào)整與學(xué)習(xí)者相適應(yīng)的學(xué)習(xí)方式,為個(gè)體提供交互式和個(gè)性化的學(xué)習(xí)路徑,以促進(jìn)學(xué)習(xí)效果的提升(陳恩紅等,2021)。為此,人們積極開發(fā)人工智能技術(shù)中的自適應(yīng)學(xué)習(xí)技術(shù),并期望通過人工智能技術(shù)賦能學(xué)習(xí)者的個(gè)性化學(xué)習(xí),降低學(xué)習(xí)者先賦因素對(duì)教育結(jié)果的影響,彌合學(xué)習(xí)結(jié)果差距,實(shí)現(xiàn)教育公平(張海等,2020)。但是,人工智能技術(shù)對(duì)教育公平的影響仍然是基于技術(shù)模型的理想預(yù)測,在現(xiàn)實(shí)條件下能否順利實(shí)現(xiàn)很少被審慎評(píng)估。事實(shí)上,正是這一樂觀預(yù)期使人工智能技術(shù)具備了反噬教育公平的前提。
(二)預(yù)期路徑:基于自適應(yīng)學(xué)習(xí)模型的“師一生一機(jī)”協(xié)同作用
由以上分析可知,人工智能技術(shù)的自適應(yīng)學(xué)習(xí)模型,由于可為學(xué)生提供個(gè)性化學(xué)習(xí)支持而被認(rèn)為有望促進(jìn)教育公平。這一過程看似僅涉及技術(shù)和學(xué)生兩大主體,并不需要教師參與。這是因?yàn)榧夹g(shù)可以直接面向個(gè)體學(xué)習(xí)者,并不必然發(fā)生在學(xué)校場域,亦不必須有教師協(xié)同。但是,在討論人工智能對(duì)教育公平的影響時(shí),落腳點(diǎn)是在學(xué)校教育場域中的學(xué)習(xí)者群體。此時(shí),教師成為不可或缺的角色。因此,分析人工智能技術(shù)的自適應(yīng)學(xué)習(xí)模型對(duì)教育過程和教育結(jié)果的影響時(shí),亦應(yīng)從“師一生一機(jī)”協(xié)同的角度展開。其中,“機(jī)”既包括專門的人工智能教育應(yīng)用,如學(xué)習(xí)任務(wù)推送系統(tǒng)、學(xué)習(xí)行為分析系統(tǒng)等,也包括教師和學(xué)生在學(xué)校教學(xué)和學(xué)習(xí)時(shí)使用的通用人工智能技術(shù),如ChatGPT等。
具體而言,在學(xué)校教育場景中,基于自適應(yīng)學(xué)習(xí)模型的“師一生一機(jī)”協(xié)同賦能個(gè)性化學(xué)習(xí),遵循以下步驟:其一,人工智能技術(shù)和教師獲?。ɑ?qū)W習(xí)者輸入)并分析學(xué)習(xí)者的學(xué)情信息,作為反饋的數(shù)據(jù)基礎(chǔ)。其二,人工智能技術(shù)根據(jù)學(xué)情信息,依托內(nèi)置的大數(shù)據(jù)模型和算法技術(shù),檢索互聯(lián)網(wǎng)資源,形成量身定制的學(xué)習(xí)內(nèi)容和學(xué)習(xí)任務(wù),為學(xué)生提供個(gè)性化的精準(zhǔn)推送,并結(jié)合實(shí)時(shí)學(xué)情數(shù)據(jù)動(dòng)態(tài)調(diào)整推送的學(xué)習(xí)內(nèi)容與任務(wù)。其三,教師作為人工智能技術(shù)的使用者,一方面,結(jié)合學(xué)情解析教學(xué)內(nèi)容,并將教學(xué)需求反饋給人工智能技術(shù);另一方面,根據(jù)教學(xué)內(nèi)容與自身的教學(xué)經(jīng)驗(yàn),對(duì)人工智能技術(shù)提供的反饋進(jìn)行加工,調(diào)整反饋內(nèi)容與形式,糾偏可能產(chǎn)生的不準(zhǔn)確信息。其四,學(xué)生接收反饋,根據(jù)接收到的反饋?zhàn)龀鲞m應(yīng)性改變,改進(jìn)學(xué)習(xí)效果。其五,學(xué)生改進(jìn)后的學(xué)習(xí)效果塑造了新的學(xué)情信息,再次輸入給教師和人工智能技術(shù),形成“師一生一機(jī)”協(xié)同反饋賦能個(gè)性化學(xué)習(xí)作用鏈(如圖1所示)。
由上述作用鏈可知,反饋是人工智能技術(shù)影響教育公平的重要途徑,人工智能技術(shù)對(duì)教育公平的預(yù)期影響就在于改進(jìn)傳統(tǒng)教學(xué)模式,以自適應(yīng)學(xué)習(xí)模型中的個(gè)性化精準(zhǔn)反饋為目標(biāo),通過上述三主體循環(huán)反饋賦能個(gè)性化學(xué)習(xí)鏈條,優(yōu)化學(xué)生的學(xué)習(xí)過程,尤其是滿足“師一生”雙主體的教育模式中最少受惠者的利益,改進(jìn)學(xué)習(xí)結(jié)果,形成促進(jìn)教育公平的差距彌合力。
(三)反噬表現(xiàn):先賦因素的擴(kuò)大與后致因素的削弱
上述對(duì)教育公平的正向影響能否實(shí)現(xiàn),取決于人工智能技術(shù)能否通過基于自適應(yīng)學(xué)習(xí)模型的“師一生一機(jī)”協(xié)同作用,克服先賦因素和學(xué)情基礎(chǔ)對(duì)學(xué)習(xí)者發(fā)展水平的制約。在協(xié)同作用中,反饋失調(diào)現(xiàn)象的出現(xiàn),使得人工智能技術(shù)無法突破這些制約惠及不利處境的學(xué)生,加劇了先賦因素與學(xué)情基礎(chǔ)對(duì)于教育結(jié)果的影響,同時(shí)也削弱了后致因素對(duì)教育的作用,最終形成反噬教育公平的差距擴(kuò)張力。
首先是與技術(shù)相關(guān)的反饋失調(diào)導(dǎo)致的先賦因素被放大。一是學(xué)生的家庭經(jīng)濟(jì)背景因素,經(jīng)濟(jì)條件較好的學(xué)生更容易獲得智能設(shè)備、優(yōu)質(zhì)網(wǎng)絡(luò)以及付費(fèi)技術(shù)的支持,而經(jīng)濟(jì)條件較差的學(xué)生可能因缺乏相應(yīng)資源,難以公平地使用這些技術(shù)(黎明等,2024)。二是學(xué)生所處地區(qū)因素,發(fā)達(dá)地區(qū)的學(xué)校更容易部署高效的人工智能教育工具(馬歡,2024),如智能作業(yè)系統(tǒng)、在線課堂等,而基礎(chǔ)設(shè)施薄弱的地區(qū)或?qū)W校,即便引人了硬件設(shè)備,也會(huì)因系統(tǒng)穩(wěn)定性和資源匹配問題難以充分利用。三是性別或種族等人種學(xué)因素,許多研究論證了人工智能算法中存在性別歧視問題(甘amp;馬亮,2024),如在教育領(lǐng)域中,男生更容易被推薦技術(shù)或科學(xué)類課程,女生則更可能被推薦語言或文科類課程,導(dǎo)致他們的學(xué)習(xí)方向局限于既有的性別刻板印象,限制了其多樣性發(fā)展。現(xiàn)實(shí)的技術(shù)條件制約,會(huì)導(dǎo)致技術(shù)賦能的教學(xué)模式中,學(xué)生的家庭經(jīng)濟(jì)水平、所處地區(qū)、性別、種族等先賦因素的差異被進(jìn)一步放大,擴(kuò)大教育結(jié)果差異,反噬教育公平。
其次是與教師相關(guān)的反饋失調(diào)導(dǎo)致的后致因素被削弱。隨著技術(shù)的飛速發(fā)展,教師對(duì)學(xué)生的教學(xué)權(quán)力開始被AI削弱(劉三女牙amp;郝曉晗,2024),從教育的主導(dǎo)者逐漸演變?yōu)椤叭藱C(jī)協(xié)同”教學(xué)的設(shè)計(jì)者和學(xué)習(xí)的輔助者,成為承擔(dān)設(shè)計(jì)人工智能賦能的教學(xué)任務(wù),并輔助學(xué)習(xí)者使用人工智能技術(shù)展開學(xué)習(xí)的角色。在這一過程中,教師的教育教學(xué)能力作為影響教育結(jié)果的重要后致因素,其效用亦被削弱,取而代之的是教師使用人工智能技術(shù)加工反饋的能力。技術(shù)教學(xué)能力較強(qiáng)的教師,能夠通過人工智能進(jìn)行精準(zhǔn)教學(xué),幫助學(xué)生最大化提升學(xué)習(xí)效果;技術(shù)教學(xué)能力不足的教師可能濫用或誤用人工智能技術(shù),無法有效利用人工智能為學(xué)生提供反饋,甚至對(duì)學(xué)習(xí)結(jié)果產(chǎn)生負(fù)面影響。而教師的技術(shù)教學(xué)能力容易被教師自身的先賦因素(如經(jīng)濟(jì)水平、城鄉(xiāng)歸屬等)影響(袁磊amp;劉沃奇,2024),導(dǎo)致其作為學(xué)生發(fā)展影響因素的后致效應(yīng)再一次被間接削弱。
最后是與學(xué)生相關(guān)的反饋失調(diào)導(dǎo)致的學(xué)情基礎(chǔ)差異加劇。生成式人工智能技術(shù)作為通用人工智能,其反饋質(zhì)量有賴于人類輸入的指令質(zhì)量,并且可開展基于人類反饋的強(qiáng)化學(xué)習(xí)(Yuetal.,2024)。學(xué)生輸人的信息質(zhì)量與其學(xué)情基礎(chǔ)密切相關(guān),數(shù)字素養(yǎng)好、邏輯性強(qiáng)的學(xué)生,其輸入的信息質(zhì)量更高,更易被人工智能技術(shù)識(shí)別,從而輸出更精準(zhǔn)的反饋信息。反之,數(shù)字素養(yǎng)相對(duì)較差、邏輯性較弱的學(xué)生,則難以接收到人工智能技術(shù)提供的精準(zhǔn)反饋信息,并做出適應(yīng)性改變,由此造成學(xué)習(xí)結(jié)果的馬太效應(yīng)。
四、反饋失調(diào):人工智能技術(shù)反噬教育公平的原因分析
基于人工智能技術(shù)的自適應(yīng)學(xué)習(xí)模型促進(jìn)教育公平,需要“師一生一機(jī)”三要素協(xié)同反饋,以完成對(duì)學(xué)生的個(gè)性化學(xué)習(xí)支持。然而,在技術(shù)提供反饋、教師加工反饋、學(xué)生接收反饋的任一環(huán)節(jié)中,“師一生一機(jī)”三要素均存在現(xiàn)實(shí)條件與理想狀態(tài)的不匹配性,致使預(yù)期的精準(zhǔn)反饋演變?yōu)榉答伿д{(diào)。
(一)賦能與競技:人工智能技術(shù)發(fā)展的抱負(fù)與局限
人工智能技術(shù)是遵照一定算法,基于大數(shù)據(jù)訓(xùn)練的教學(xué)或?qū)W習(xí)模型,包括大數(shù)據(jù)模型、算力以及算法三個(gè)部分(肖睿等,2020)。為學(xué)生個(gè)性化教學(xué)提供精準(zhǔn)反饋,為教育高質(zhì)量發(fā)展“賦能”,必須建立在完備的反饋輸入與精準(zhǔn)的反饋輸出基礎(chǔ)上,這就要求人工智能技術(shù)汲取所有教育參與者的相關(guān)數(shù)據(jù),通過廣泛可訪問的算力和無偏見的算法邏輯,在一個(gè)全面的數(shù)據(jù)模型中,篩選出與學(xué)習(xí)者個(gè)體特征相匹配的教育資源,達(dá)成在大規(guī)模教育模式中展開個(gè)性化教學(xué)的理想樣態(tài)。但實(shí)際上,現(xiàn)有的大數(shù)據(jù)學(xué)習(xí)分析技術(shù)和學(xué)習(xí)設(shè)計(jì)技術(shù),其針對(duì)性的資源推送能力,不能完全滿足精準(zhǔn)反饋的需求,并且在不同的人工智能技術(shù)應(yīng)用中存在差距(陳明選amp;周亮,2023),即使當(dāng)前人工智能技術(shù)呈現(xiàn)出“競技式”發(fā)展態(tài)勢,仍未能解決現(xiàn)實(shí)問題,反而造成了反饋失調(diào),對(duì)教育公平產(chǎn)生了不良影響。
第一,人工智能技術(shù)訓(xùn)練模型的數(shù)據(jù)基礎(chǔ),存在部分教育者和受教育者相關(guān)信息缺失的問題。從全球視野來看,南半球和北半球人口在數(shù)據(jù)接入端口上存在差距(Wimpennyetal.,2022)。從國家間角度來看,相較于發(fā)達(dá)國家,發(fā)展中國家在人工智能技術(shù)訓(xùn)練模型中的數(shù)據(jù)豐富程度顯著不足(Wilfredet al.,2020)。即使在同一國家內(nèi)部,農(nóng)村地區(qū)相較于城市地區(qū)的數(shù)據(jù),也更少被納入訓(xùn)練模型(Khanetal.,2018)。從群體差異來看,處境不利學(xué)生或教師的信息更難以被收入,而技術(shù)開發(fā)人員可能也沒有批判性地評(píng)估人工智能數(shù)據(jù)信息的公平性(Lynch etal.,2022),這導(dǎo)致人工智能技術(shù)為學(xué)習(xí)者提供的反饋中,本身就蘊(yùn)含了不公平的因素。
第二,人工智能技術(shù)的尖端算力被資本壟斷,使得其抓取信息并提供精準(zhǔn)反饋,從而在自適應(yīng)學(xué)習(xí)模型中提升學(xué)生學(xué)習(xí)收益的能力不再惠及大眾。隨著摩爾定律日益趨近極限,人工智能技術(shù)的芯片制程再次受到成本制約(戚聿東amp;徐凱歌,2021),尖端算力被少數(shù)具有強(qiáng)大經(jīng)濟(jì)實(shí)力的資本集團(tuán)控制。如谷歌開發(fā)的TPUs是專門為機(jī)器學(xué)習(xí)任務(wù)設(shè)計(jì)的硬件加速器,僅供谷歌集團(tuán)內(nèi)部使用,外部開發(fā)者則只能租用云平臺(tái),限制了低成本技術(shù)開發(fā)商的可及途徑。算力不足的技術(shù)無法為學(xué)習(xí)者提供相對(duì)精準(zhǔn)的反饋信息,擴(kuò)大了教育結(jié)果的差距。
第三,不同人工智能技術(shù)的算法不同,更完備的算法體系被“科技巨頭”控制,導(dǎo)致為學(xué)生提供精準(zhǔn)反饋的算法出現(xiàn)差距。比如當(dāng)前最新的生成式人工智能技術(shù),雖然其技術(shù)架構(gòu)是公開的,但除“科技巨頭”外,很少有企業(yè)可以承擔(dān)訓(xùn)練模型的高昂成本(陳永偉,2023)。被核心算法和高水平模型訓(xùn)練驅(qū)動(dòng)的人工智能技術(shù),在教育應(yīng)用中會(huì)更好地為學(xué)生提供反饋信息。反之,未能經(jīng)過核心算法訓(xùn)練的人工智能技術(shù)則空有其表,使用這些技術(shù)不僅增加學(xué)習(xí)者的時(shí)間成本,還可能對(duì)學(xué)習(xí)效果產(chǎn)生負(fù)面反饋,如為學(xué)習(xí)者提供錯(cuò)誤答案,甚至使學(xué)習(xí)者產(chǎn)生依賴性,削弱其自主學(xué)習(xí)能力。
綜上所述,在關(guān)注人工智能技術(shù)的第一類要素即數(shù)據(jù)要素時(shí),技術(shù)的訓(xùn)練模型存在數(shù)據(jù)偏見問題,即發(fā)展中國家、落后地區(qū)和弱勢群體數(shù)據(jù)易被忽視。當(dāng)分析第二類要素即算力要素時(shí),由于摩爾定律趨近極限,算法改進(jìn)必須考慮成本問題,導(dǎo)致人工智能技術(shù)的更新被資本壟斷。而第三類因素即算法要素,則由于“科技巨頭”對(duì)公司產(chǎn)品的技術(shù)保護(hù),最終形成了技術(shù)壟斷。上述三條路徑,從不同角度引發(fā)了不同人工智能技術(shù)為學(xué)生提供精準(zhǔn)反饋時(shí)信息輸入的不完備性,最終反噬教育公平。
(二)轉(zhuǎn)譯與中介:教師TPACK水平的愿景與差距
教師是學(xué)生基于自適應(yīng)學(xué)習(xí)模型展開個(gè)性化學(xué)習(xí)的重要支持者。根據(jù)行動(dòng)者網(wǎng)絡(luò)理論,教師被認(rèn)為是學(xué)生使用人工智能技術(shù)進(jìn)行學(xué)習(xí)的重要轉(zhuǎn)譯者,其面向?qū)W生的“轉(zhuǎn)譯”功能決定了對(duì)技術(shù)反饋的加工效果,而這與教師的教學(xué)和技術(shù)知識(shí)息息相關(guān)。為了分析和闡釋技術(shù)支持學(xué)習(xí)情境下教師所應(yīng)具備的能力素質(zhì),龐亞·米什拉(Mishra,P.)和馬修·科勒(Koehler,M.)在李·舒爾曼(Shulman,L.S.)提出的教學(xué)內(nèi)容知識(shí)框架基礎(chǔ)上開發(fā)了整合技術(shù)的學(xué)科教學(xué)知識(shí)(technological pedagogical content knowledge,TPACK)模型(Mishra amp; Koe-hler,2006)。據(jù)此模型分析,在人工智能技術(shù)時(shí)代,教師所需知識(shí)包括內(nèi)容知識(shí)(CK)、技術(shù)知識(shí)(TK)和教學(xué)知識(shí)(PK),由這三類知識(shí)兩兩交叉形成的跨學(xué)科知識(shí),以及由三類知識(shí)統(tǒng)合形成的信息技術(shù)教學(xué)與內(nèi)容綜合性知識(shí)(Chai etal.,2011)。由此,教師才能有效加工反饋促進(jìn)學(xué)習(xí)效果提升。但是,教師在TPACK各個(gè)維度的發(fā)展并不充分且存在差異(肖立amp;黃嘉莉,2024;崔羽杭等2024),低TPACK水平的教師無法成為行動(dòng)者網(wǎng)絡(luò)中的合格轉(zhuǎn)譯者,難以高質(zhì)量完成加工反饋的任務(wù),進(jìn)而造成人工智能技術(shù)反噬教育公平現(xiàn)象的蔓延。
首先,教師如果沒有技術(shù)應(yīng)用的經(jīng)驗(yàn)及技術(shù)知識(shí)(TK),那么在與“非人類行動(dòng)者”即人工智能技術(shù)互動(dòng)時(shí),就無法成為轉(zhuǎn)譯中的主導(dǎo)者(歐陽忠明amp;李書涵,2020),其教學(xué)權(quán)力會(huì)完全讓位于人工智能技術(shù),教師加工反饋的作用難以體現(xiàn)。教育實(shí)踐中,教師的技術(shù)經(jīng)驗(yàn)的確存在差異,部分技術(shù)弱勢教師難以輔助學(xué)生開展人工智能技術(shù)支持情境下的個(gè)性化學(xué)習(xí)過程。如有調(diào)查發(fā)現(xiàn)農(nóng)村教師的技術(shù)知識(shí)顯著落后于城市教師(張靖amp;郭炯,2023),這意味著農(nóng)村教師難以為農(nóng)村地區(qū)的學(xué)生有效加工反饋信息,擴(kuò)大了城鄉(xiāng)教育結(jié)果差距。
其次,如果教師不具備良好的內(nèi)容知識(shí)(CK)和教學(xué)知識(shí)(PK),即使能夠成為轉(zhuǎn)譯者,也很難將學(xué)生的學(xué)習(xí)任務(wù)“問題化”,從而無法輔助學(xué)生的個(gè)性化學(xué)習(xí)。根據(jù)舒爾曼(Shulman,1986)的教學(xué)內(nèi)容知識(shí)框架,教師的內(nèi)容知識(shí)是指教師在特定學(xué)科或領(lǐng)域中的知識(shí),關(guān)注教師對(duì)所教學(xué)科內(nèi)容和概念的理解。教學(xué)知識(shí)是指通用的教育學(xué)知識(shí)如教學(xué)設(shè)計(jì)知識(shí)、學(xué)生發(fā)展知識(shí)、課程知識(shí)等(Flores-Lueg,2022)。調(diào)查顯示,這兩類知識(shí)在教師間一直存在差異(廖絨絨,2023;萬昆amp;饒愛京,2023),掌握程度較低的教師難以通過“問題化”過程加工反饋信息,從而影響學(xué)生接受反饋的效果。
最后,由于信息技術(shù)教學(xué)與內(nèi)容綜合性知識(shí)在不同教師間存在差距,加重了教師轉(zhuǎn)譯過程的差距,導(dǎo)致教師在技術(shù)幫助下加工反饋效果的分化。許多研究論證了上述差距,如相比女教師,男教師的技術(shù)教學(xué)知識(shí)和技術(shù)內(nèi)容知識(shí)得分更高(王宇,2023),這些差距不僅與性別有關(guān),也和教師之前的教育背景相關(guān)(Liet al.,2022)。
綜合來看,在基于人工智能技術(shù)展開教學(xué)的行動(dòng)者網(wǎng)絡(luò)中,教師只有在TPACK的各個(gè)維度得到充分發(fā)展,在面向?qū)W生展現(xiàn)學(xué)習(xí)任務(wù)時(shí),才能成為有效加工反饋的轉(zhuǎn)譯者,提升學(xué)生的學(xué)習(xí)效果,實(shí)現(xiàn)人工智能技術(shù)促進(jìn)教育公平的愿景。但是當(dāng)前教師TPACK水平在各個(gè)維度上的發(fā)展并不充分,并且存在較大差異,導(dǎo)致教師加工反饋信息的能力存在較大差異,從而難以彌合技術(shù)賦能下學(xué)生學(xué)習(xí)效果差異,為教育不公平的蔓延帶來了深層次的風(fēng)險(xiǎn)(如圖2所示)。
(三)適應(yīng)與拒斥:學(xué)生反饋素養(yǎng)的期望與不足
面對(duì)人工智能技術(shù)的反饋信息,學(xué)生接收反饋并由此做出適應(yīng)性改變的能力顯著影響學(xué)習(xí)效果。戴維·卡利斯(Carless,D.)和戴維·邦德(Boud,D.)構(gòu)建了一個(gè)技術(shù)支持學(xué)習(xí)情境下的學(xué)生反饋素養(yǎng)模型,包含感知反饋、評(píng)價(jià)判斷、管理情緒以及采取行動(dòng)四個(gè)部分(Carlessamp;Boud,2018;董艷,2020)。這些要素共同影響學(xué)生接收反饋的效果,并決定學(xué)習(xí)效果的改進(jìn)方向。理想狀態(tài)下,學(xué)生應(yīng)具備高水平的反饋素養(yǎng),能有效接收并適應(yīng)人工智能技術(shù)和教師提供的反饋,并積極做出適應(yīng)性改變。但調(diào)查顯示,學(xué)生的反饋素養(yǎng)在性別、年級(jí)、區(qū)域等方面存在差異(陳小紅等,2023),且這種差異同樣會(huì)導(dǎo)致基于人工智能技術(shù)的學(xué)習(xí)效果差異。如有研究發(fā)現(xiàn),相比于普通高校的學(xué)生,雙一流高校的學(xué)生使用生成式人工智能技術(shù)對(duì)其批判性思維與自主學(xué)習(xí)能力的提升更為顯著(戚佳等,2024),由此可見,學(xué)生反饋素養(yǎng)的差異造成了人工智能技術(shù)反噬教育公平現(xiàn)象的進(jìn)一步深化。
首先,學(xué)生感知反饋信息的準(zhǔn)備水平存在差異,處境不利學(xué)生感知反饋的能力相對(duì)落后。學(xué)生的先驗(yàn)知識(shí)和興趣影響其對(duì)反饋信息的注意方向,而他們的認(rèn)知能力決定了信息接收容量。根據(jù)認(rèn)知負(fù)荷理論,同一時(shí)間內(nèi)學(xué)生能夠處理的信息有限(Sweller,1988),且不同個(gè)體的認(rèn)知負(fù)荷存在差異,當(dāng)接收到的信息超越個(gè)體的認(rèn)知負(fù)荷時(shí),就產(chǎn)生了信息過載問題,此時(shí),學(xué)生無法有效提取服務(wù)于個(gè)性化學(xué)習(xí)的反饋信息。
其次,學(xué)生評(píng)價(jià)反饋能力存在差異,處境不利學(xué)生難以批判性地吸收反饋信息。當(dāng)前,人工智能技術(shù)尚處在發(fā)展階段,其產(chǎn)生的反饋信息存在真假摻雜的問題。不同學(xué)生判斷信息真實(shí)性的能力存在差異,一些無法分辨的學(xué)生接收到了錯(cuò)誤的反饋信息,以此為依據(jù)調(diào)整學(xué)習(xí)方向,使學(xué)習(xí)路徑日益偏離,擴(kuò)大了學(xué)生接收反饋信息后學(xué)習(xí)效果的差距。
再次,學(xué)生在收到反饋信息后,在情感態(tài)度上對(duì)于反饋信息的接受程度,以及應(yīng)用反饋信息的態(tài)度同樣存在差異。雖然有學(xué)生以開放的心態(tài)和積極的情緒接受人工智能的反饋信息,對(duì)技術(shù)有用性和易用性做出了較高的評(píng)判,并迅速調(diào)整自己的學(xué)習(xí)策略,但亦有信息閉塞、能力有限的學(xué)生,抗拒人工智能教育技術(shù)中有效信息的輸入,不認(rèn)可技術(shù)的有用性和易用性。有研究發(fā)現(xiàn),處境不利學(xué)生對(duì)教育情境的感知會(huì)比一般學(xué)生更加消極(張權(quán)力等,2021),這些學(xué)生無法依據(jù)反饋信息調(diào)整自己的學(xué)習(xí)方向。
最后,學(xué)生對(duì)反饋信息的能動(dòng)轉(zhuǎn)化存在差距。當(dāng)學(xué)生感知、接受并認(rèn)可來自人工智能教育應(yīng)用和教師的反饋信息后,仍然需要恰當(dāng)?shù)膭?dòng)機(jī)、把握合適的機(jī)會(huì)并采用適當(dāng)?shù)姆绞阶龀鱿鄳?yīng)行為改變(Shute,2008)。但是不同學(xué)生的相關(guān)能力同樣存在差異,PISA數(shù)據(jù)表明,處境不利學(xué)生的動(dòng)機(jī)和效能感得分顯著低于處境良好學(xué)生(趙德成等,2020),因此,他們更難根據(jù)接收到的反饋信息做出適應(yīng)性改變。
綜合而言,由于處境不利學(xué)生在感知反饋、評(píng)價(jià)反饋、情緒管理和適應(yīng)改變等反饋素養(yǎng)上準(zhǔn)備不足,人工智能技術(shù)基于自適應(yīng)學(xué)習(xí)模型提供的精準(zhǔn)反饋極易演變?yōu)閱我恍畔⒀h(huán),產(chǎn)生“回音室效應(yīng)”(姜婷婷amp;許艷閏,2021)。信息繭房中的學(xué)生無法了解他人的發(fā)展水平,也無法通過繭房之外的信息影響行動(dòng)水平,固化了學(xué)習(xí)結(jié)果的分異,導(dǎo)致了人工智能技術(shù)反噬教育公平現(xiàn)象的深化。
五、協(xié)同提升:人工智能技術(shù)反噬教育公平現(xiàn)象的矯正對(duì)策
人工智能技術(shù)在教育中的應(yīng)用加劇了教育公平風(fēng)險(xiǎn),如何防范技術(shù)對(duì)公平的負(fù)面影響,是需要面對(duì)且深入解析的難題。通過歸因分析可以發(fā)現(xiàn),防止“師一生一機(jī)”協(xié)同作用中的反饋失調(diào)有助于破解人工智能技術(shù)在教育應(yīng)用過程中對(duì)公平的反噬現(xiàn)象。鑒于此,應(yīng)糾偏技術(shù)發(fā)展理念與發(fā)展路線,提升教師TPACK水平,加強(qiáng)學(xué)生反饋素養(yǎng)的培育,并通過完善技術(shù)供給的配套保障和監(jiān)管體系建設(shè),提高反饋精度,優(yōu)化基于人工智能技術(shù)自適應(yīng)學(xué)習(xí)支持的“師一生一機(jī)”互動(dòng)過程,以實(shí)現(xiàn)改進(jìn)學(xué)習(xí)效果、促進(jìn)教育公平的正向預(yù)期。
(一)技術(shù)發(fā)展理念從競技式轉(zhuǎn)向普惠式,讓技術(shù)服務(wù)惠及大眾
人工智能“競技式”的技術(shù)更新,雖從長遠(yuǎn)看有望增加為學(xué)習(xí)者提供反饋的精準(zhǔn)性,但在現(xiàn)實(shí)條件的約束下,容易導(dǎo)致技術(shù)供給只求新不求穩(wěn),只求算法與算力的尖端,不考慮使用成本與面向?qū)ο螅斐少Y源浪費(fèi)等問題。因此,技術(shù)供給理念不應(yīng)一味追求“高精尖”,而應(yīng)綜合考慮技術(shù)的面向范圍,提升技術(shù)供給的普惠性與實(shí)用性,打破技術(shù)壁壘,讓學(xué)習(xí)者公平可及地享受人工智能技術(shù)帶來的教育效果增益。
首先,人工智能技術(shù)構(gòu)建教育大數(shù)據(jù)模型時(shí),應(yīng)當(dāng)充分考慮處境不利學(xué)生的信息收集。“數(shù)字鴻溝”的存在不僅讓數(shù)字弱勢群體難以接觸人工智能教育應(yīng)用,也使得技術(shù)大數(shù)據(jù)模型難以納入處境不利學(xué)生的相關(guān)信息,造成人工智能技術(shù)信息反饋的數(shù)據(jù)偏見。應(yīng)當(dāng)通過數(shù)據(jù)增強(qiáng)和科學(xué)的數(shù)據(jù)管理計(jì)劃消解少數(shù)群體代表性不足的情況,加強(qiáng)對(duì)已有文本數(shù)據(jù)中的各類隱性偏見的對(duì)抗性學(xué)習(xí),提升訓(xùn)練數(shù)據(jù)中樣本的多樣性,為精準(zhǔn)反饋構(gòu)建完備的數(shù)據(jù)基礎(chǔ)。
其次,扭轉(zhuǎn)算力至上的高精尖技術(shù)供給理念,重視技術(shù)供給的普惠性。創(chuàng)造新“鰭片結(jié)構(gòu)”,以期再度拯救摩爾定律,讓人工智能技術(shù)在教育領(lǐng)域的開發(fā)與更新盡可能與高投人、高資本解綁,提升人工智能技術(shù)的普惠性,增強(qiáng)頂級(jí)算力的可及性,讓人工智能技術(shù)普遍擁有足以提供精準(zhǔn)反饋的高性能算力。
最后,弱化技術(shù)供給的競爭性,打破算法孤島,進(jìn)行技術(shù)整合。在競爭形勢下,人工智能技術(shù)的算法更新被封閉,阻斷了與其他技術(shù)或平臺(tái)的整合,導(dǎo)致技術(shù)的孤立和碎片化,不利于教育過程和教育結(jié)果的公平性。因此,應(yīng)當(dāng)轉(zhuǎn)變技術(shù)供給理念,打破技術(shù)壁壘,創(chuàng)設(shè)更多更優(yōu)質(zhì)的開源數(shù)據(jù)開發(fā)平臺(tái),使基于尖端算法提供的精準(zhǔn)反饋能夠惠及全體學(xué)生。
(二)提高教師TPACK水平,優(yōu)化教師反饋加工能力
作為加工反饋改進(jìn)學(xué)習(xí)效果的重要角色,教師TPACK的差異成為技術(shù)反噬教育公平的放大器。要避免這種放大效應(yīng),就應(yīng)提升教師的TPACK水平,在向?qū)W生推廣人工智能技術(shù)支持下的“師一生一機(jī)”互動(dòng)學(xué)習(xí)模式之前,豐富教師的技術(shù)知識(shí),提高教師基于人工智能技術(shù)的教學(xué)能力,以即時(shí)修正人工智能技術(shù)的反饋偏差,促進(jìn)學(xué)習(xí)增效。
其一,開展技術(shù)應(yīng)用培訓(xùn),為教師提供人工智能技術(shù)相關(guān)知識(shí)(TK)培訓(xùn)。通過開展專項(xiàng)講座,編寫和提供關(guān)于人工智能技術(shù)教育應(yīng)用的教材、手冊(cè)或操作指南等措施,為教師全方位提供人工智能技術(shù)賦能教育教學(xué)的知識(shí),防止教師的教學(xué)權(quán)力完全讓位于人工智能技術(shù),提升教師的轉(zhuǎn)譯能力,提升教師對(duì)人工智能技術(shù)提供的反饋信息的加工效能。
其二,為教師提供豐富的人工智能技術(shù)在教育中的應(yīng)用場景,拓展教師的技術(shù)實(shí)踐經(jīng)驗(yàn)。人工智能技術(shù)如若在教育場景中直接面向?qū)W生,極易導(dǎo)致學(xué)生包括認(rèn)知惰性在內(nèi)的各類偏差性學(xué)習(xí)行為,教師如果缺乏使用人工智能技術(shù)的相應(yīng)經(jīng)驗(yàn),則無法識(shí)別并矯正偏差行為。因此,學(xué)校和教育行政部門應(yīng)當(dāng)為教師購買相關(guān)的人工智能技術(shù)應(yīng)用軟件以及相應(yīng)的體驗(yàn)課程,為教師提供智能教學(xué)方式的自主選擇空間(宋凡amp;龔向和,2024),讓教師在實(shí)踐中感知人工智能技術(shù)在教育中應(yīng)用的優(yōu)缺點(diǎn),從而有能力修正技術(shù)對(duì)學(xué)生產(chǎn)生的負(fù)性反饋。
其三,培養(yǎng)教師使用人工智能技術(shù)開展教學(xué)的能力,提升加工反饋的精準(zhǔn)性。即使教師的技術(shù)知識(shí)達(dá)到基本均衡水平,結(jié)合人工智能技術(shù)進(jìn)行教育教學(xué)的能力仍可能存在差異。因此,不僅要讓教師掌握相關(guān)技術(shù),還應(yīng)幫助其將這些技術(shù)有效融入日常教學(xué),提升其跨學(xué)科教學(xué)能力,從而更好地利用最新的人工智能技術(shù)改進(jìn)教學(xué)效果,優(yōu)化反饋質(zhì)量,增強(qiáng)技術(shù)對(duì)教育公平的促進(jìn)作用。
(三)加強(qiáng)學(xué)生反饋素養(yǎng)培育,提升反饋接收效用
學(xué)生擁有著復(fù)雜的行為模式與情緒系統(tǒng),影響著他們對(duì)學(xué)習(xí)任務(wù)的完成情況,在技術(shù)供給時(shí)應(yīng)當(dāng)予以充分考慮。因此,人工智能技術(shù)在為學(xué)生提供反饋時(shí),不應(yīng)只提供知識(shí)性學(xué)習(xí)內(nèi)容,還應(yīng)綜合考慮學(xué)生的認(rèn)知能力、思維水平、動(dòng)機(jī)意愿與情緒情感狀態(tài)等反饋素養(yǎng),以提升學(xué)生接收反饋改進(jìn)學(xué)習(xí)結(jié)果的效用。
一是人工智能技術(shù)在提供反饋內(nèi)容以及教師在加工反饋內(nèi)容時(shí),應(yīng)從學(xué)生先驗(yàn)經(jīng)驗(yàn)和認(rèn)知負(fù)荷的角度,考慮學(xué)生接受反饋的興趣與能力?,F(xiàn)有的人工智能技術(shù)根據(jù)學(xué)生前期知識(shí)掌握情況,給出下一步的學(xué)習(xí)內(nèi)容,設(shè)計(jì)學(xué)習(xí)進(jìn)度,但缺少對(duì)學(xué)生認(rèn)知負(fù)荷的考量,削弱了技術(shù)對(duì)學(xué)習(xí)效果的影響,甚至造成相同知識(shí)基礎(chǔ)學(xué)生的不同學(xué)習(xí)結(jié)果。因此,應(yīng)當(dāng)統(tǒng)籌考慮不同學(xué)生的認(rèn)知能力,重點(diǎn)加工契合處境不利學(xué)生認(rèn)知能力的反饋信息,減小教育結(jié)果差距。
二是注重培養(yǎng)學(xué)生的批判性思維能力,避免人工智能技術(shù)的不良反饋對(duì)學(xué)生產(chǎn)生負(fù)面影響。人工智能技術(shù)發(fā)展的初期階段,存在大量的“AI幻覺”現(xiàn)象。如果學(xué)生沒有一定的批判性思維能力,對(duì)人工智能技術(shù)提供的反饋內(nèi)容照單全收,將在錯(cuò)誤的學(xué)習(xí)道路上越走越偏。因此,應(yīng)設(shè)置專門課程,培養(yǎng)學(xué)生的批判性思維能力,防止學(xué)生接收人工智能技術(shù)提供的不實(shí)反饋信息,加劇教育不公平。
三是應(yīng)在“師一生一機(jī)”協(xié)同作用過程中關(guān)注學(xué)生情緒情感狀態(tài)和動(dòng)機(jī)水平。根據(jù)人本主義學(xué)習(xí)理論,知識(shí)學(xué)習(xí)只是學(xué)習(xí)過程的一部分,更有意義的學(xué)習(xí)是讓學(xué)習(xí)者情緒情感和價(jià)值觀都產(chǎn)生變化的學(xué)習(xí),這種情緒情感還會(huì)影響學(xué)習(xí)者反饋適應(yīng)的能動(dòng)性和適應(yīng)效果。因此,收集不同年齡段學(xué)生的情緒情感狀態(tài)數(shù)據(jù),建立情緒情感認(rèn)知數(shù)據(jù)庫,將有助于超越“莫拉維克悖論”,進(jìn)一步幫助學(xué)生更好地接收反饋信息,改進(jìn)學(xué)習(xí)效果。
(四)完善技術(shù)供給配套保障和監(jiān)管體系建設(shè),提高反饋精度
達(dá)成人工智能技術(shù)基于自適應(yīng)學(xué)習(xí)模型促進(jìn)教育公平的正向預(yù)期,不僅要從“師一生一機(jī)”協(xié)同作用的角度出發(fā)提高反饋精度,還需完善技術(shù)供給的配套機(jī)制建設(shè),避免人工智能技術(shù)在教育領(lǐng)域的冒進(jìn)式推廣,加快技術(shù)水平和技術(shù)應(yīng)用的配套評(píng)價(jià)體系和監(jiān)管體系建設(shè),消解反饋失調(diào),提升促進(jìn)教育公平的差距彌合力。
第一,穩(wěn)步調(diào)節(jié)人工智能技術(shù)在教育實(shí)踐中的推進(jìn)步伐,減少負(fù)性反饋,削弱反噬教育公平的擴(kuò)張力。在人工智能技術(shù)飛速發(fā)展過程中,人工智能教育應(yīng)用層出不窮,但是質(zhì)量良莠不齊。因此,要改進(jìn)技術(shù)供給質(zhì)量,研究多樣化混合推薦策略,真正滿足教育場域中學(xué)生的使用需求。而在技術(shù)水平未盡如人意時(shí),應(yīng)適當(dāng)調(diào)節(jié)甚至放慢技術(shù)供給速度,優(yōu)先設(shè)置技術(shù)供給標(biāo)準(zhǔn),保障人工智能技術(shù)影響教育公平的底線。
第二,謹(jǐn)慎將人工智能技術(shù)供給水平作為學(xué)校的考核評(píng)估指標(biāo),提高技術(shù)的精準(zhǔn)反饋,提升技術(shù)對(duì)教育公平的彌合力。技術(shù)供給程度具有量化易評(píng)估的特性,因此成為不少學(xué)校項(xiàng)目評(píng)估中的考核指標(biāo)。許多技術(shù)開發(fā)商以此為契機(jī),以營利為目的,不遺余力向?qū)W校等教育機(jī)構(gòu)推銷帶有人工智能技術(shù)名號(hào)的相關(guān)產(chǎn)品,學(xué)校則僅根據(jù)經(jīng)費(fèi)情況和考核需求進(jìn)行采買,未能考慮產(chǎn)品質(zhì)量和給學(xué)生帶來的效果增益,錯(cuò)失了借助人工智能技術(shù)促進(jìn)教育公平的良機(jī)。因此,應(yīng)慎重考慮在各類考核中添加“技術(shù)供給程度”相關(guān)指標(biāo),不將采購設(shè)備作為評(píng)價(jià)要素,保證學(xué)校根據(jù)實(shí)際使用效果采買相關(guān)技術(shù)設(shè)施設(shè)備。在使用端保障技術(shù)對(duì)教育的正向影響,從開發(fā)端倒逼精準(zhǔn)反饋技術(shù)的研發(fā),提高人工智能技術(shù)對(duì)教育公平的正向影響。
第三,構(gòu)建人工智能技術(shù)在教育應(yīng)用過程中的配套開發(fā)與推廣監(jiān)管體系,加強(qiáng)政策約束,形成促進(jìn)教育公平的合力。當(dāng)前,我國雖然已經(jīng)頒布了有關(guān)人工智能技術(shù)的發(fā)展規(guī)劃,但配套的政策保障尚不完善,更缺乏細(xì)致完備的監(jiān)管體制(王建梁amp;劉天雨,2023),未形成對(duì)學(xué)生權(quán)益的基本保障。因此,應(yīng)完善并細(xì)化基于人工智能技術(shù)的教育應(yīng)用政策標(biāo)準(zhǔn),構(gòu)建多層次技術(shù)供給配套法律和政策規(guī)范,保障學(xué)習(xí)者在學(xué)習(xí)過程中使用人工智能技術(shù)的基本權(quán)益。
六、結(jié)語
人工智能技術(shù)對(duì)于教育公平的影響同時(shí)存在正負(fù)屬性,其正面屬性是人們不斷發(fā)展并且拓展人工智能技術(shù)應(yīng)用的動(dòng)力,而面對(duì)其負(fù)面屬性,則應(yīng)當(dāng)深入分析、盡早布局。數(shù)字鴻溝和算法偏見等學(xué)界討論較多的“天然”負(fù)面屬性值得重視,同時(shí)預(yù)期中的正面屬性能否實(shí)現(xiàn),是否會(huì)發(fā)生反噬現(xiàn)象而潰變?yōu)閷?shí)際上的負(fù)面屬性,亦需警惕。自適應(yīng)學(xué)習(xí)模型是人工智能技術(shù)對(duì)于教育公平影響的預(yù)期正向路徑,但當(dāng)前人工智能技術(shù)中的大數(shù)據(jù)模型、算力與算法的差距,使用人工智能技術(shù)進(jìn)行輔助教學(xué)的教師TPACK差異,以及應(yīng)用人工智能技術(shù)開展學(xué)習(xí)的學(xué)生在反饋素養(yǎng)方面的差異,均會(huì)導(dǎo)致此鏈條中的反饋有所偏差,出現(xiàn)反饋失調(diào),使得預(yù)期中的教育結(jié)果的差距彌合無法實(shí)現(xiàn),從而反噬教育公平。為了有效減少人工智能技術(shù)帶來的負(fù)面效應(yīng),亟須開展技術(shù)供給的內(nèi)容創(chuàng)新與機(jī)制優(yōu)化。應(yīng)擺脫“競技式”“技術(shù)至上”等追求高精尖技術(shù)供給理念的束縛,在教師中優(yōu)先進(jìn)行技術(shù)使用的推廣和技術(shù)應(yīng)用能力培訓(xùn),提升學(xué)生接收和應(yīng)用技術(shù)反饋信息的綜合能力,加強(qiáng)人工智能技術(shù)在教育應(yīng)用中的配套考核與約束政策體制供給。這些舉措能為技術(shù)供給帶來轉(zhuǎn)變與調(diào)適的方向,有助于矯正人工智能教育技術(shù)引發(fā)的反噬公平問題,同時(shí)也在一定程度上規(guī)避技術(shù)帶來的其他倫理風(fēng)險(xiǎn)。
從預(yù)期正向影響路徑切入分析人工智能技術(shù)對(duì)教育公平的反噬現(xiàn)象,有助于打破對(duì)技術(shù)應(yīng)用的盲目樂觀想象,提升技術(shù)更新和推廣的審慎態(tài)度。但是,這一相對(duì)微觀的切人點(diǎn)顯然無法對(duì)人工智能技術(shù)與教育公平的關(guān)系進(jìn)行全面探討,仍有下述問題有待進(jìn)一步討論:第一,教育公平是否應(yīng)成為人工智能技術(shù)追求的最重要的教育價(jià)值?如何凸顯這一價(jià)值導(dǎo)向?第二,除自適應(yīng)學(xué)習(xí)模型外,人工智能技術(shù)還能通過哪些機(jī)制彌合學(xué)習(xí)結(jié)果差距,促進(jìn)教育公平?第三,不同國家或地區(qū),人工智能技術(shù)對(duì)教育公平是否有不同影響?未來的研究可通過價(jià)值分析、實(shí)證研究、國際比較等方法,更加全面和深入地探索人工智能技術(shù)與教育公平的關(guān)系,推動(dòng)人工智能技術(shù)全面惠及教育公平。
參考文獻(xiàn)
鮑日勤.(2018).人工智能時(shí)代的教與學(xué)變遷與開放大學(xué)2.0新探.遠(yuǎn)程教育雜志(3),25-33.
陳恩紅,劉淇,王士進(jìn),黃振亞,蘇喻,丁鵬,馬建輝,amp;竺博.(2021).面向智能教育的自適應(yīng)學(xué)習(xí)關(guān)鍵技術(shù)與應(yīng)用.智能系統(tǒng)學(xué)報(bào)(5),886-898.
陳明選,amp;周亮.(2023).數(shù)智化時(shí)代的深度學(xué)習(xí):從淺層記憶走向深度理解.華東師范大學(xué)學(xué)報(bào)(教育科學(xué)版)(8),53-62.
陳小紅,王琳,amp;李燕玲.(2023).中學(xué)生批判性思維的培養(yǎng)——基于S市學(xué)生的調(diào)查.心理月刊(1),167-170.
陳永偉.(2023).超越ChatGPT:生成式AI的機(jī)遇、風(fēng)險(xiǎn)與挑戰(zhàn).山東大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版)(3),127-143.
褚宏啟.(2020).新時(shí)代需要什么樣的教育公平:研究問題域與政策工具箱.教育研究(2),4-16
崔羽杭,陳嘉儀,amp;時(shí)利利.(2024).高校英語教師TPACK能力現(xiàn)狀調(diào)查研究.現(xiàn)代英語(10),70-72.
董曉輝,楊曉宏,amp;張學(xué)軍.(2017).自適應(yīng)學(xué)習(xí)技術(shù)研究現(xiàn)狀與展望.電化教育研究(2),91-97,121.
董艷.(2020).學(xué)生反饋素養(yǎng)論綱:內(nèi)涵、模型與發(fā)展.開放教育研究(5),26-39.
甘活,amp;馬亮.(2024).算法性別歧視:特征、類型與治理.山東行政學(xué)院學(xué)報(bào)(2),97-105.
胡小勇,孫碩,楊文杰,amp;丁格瑩.(2022).人工智能賦能教育高質(zhì)量發(fā)展:需求、愿景與路徑.現(xiàn)代教育技術(shù)(1),5-15.
江波,章恒遠(yuǎn),amp;魏雨昂.(2023).如何判定自適應(yīng)學(xué)習(xí)系統(tǒng)的有效性——基于因果結(jié)構(gòu)分析框架.現(xiàn)代遠(yuǎn)程教育研究(2),95-101.
姜婷婷,amp;許艷閏.(2021).窄化的信息世界:國外信息繭房、選擇性接觸與回音室研究進(jìn)展.圖書情報(bào)知識(shí)(5),134-144.
科技部等六部門.(2022-7-29).科技部等六部門關(guān)于印發(fā)《關(guān)于加快場景創(chuàng)新以人工智能高水平應(yīng)用促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展的指導(dǎo)意見》的通知.中華人民共和國中央人民政府網(wǎng)站.ttps://www.gov.cn/zhengce/zhengceku/2022-08/12/content_5705154.htm
李建偉,葛子剛,amp;張愛陽.(2020).自適應(yīng)學(xué)習(xí)系統(tǒng)在成人本科學(xué)士學(xué)位英語學(xué)習(xí)中的應(yīng)用研究.現(xiàn)代教育技術(shù)(3),59-65.
黎明,徐政,葛力銘,amp;徐中平.(2024).“人工智能 + \"賦能高等教育:理論邏輯、現(xiàn)實(shí)困境與實(shí)踐路徑.科學(xué)管理研究(5),57-65.
廖絨絨.(2023).新文科建設(shè)背景下英語專業(yè)教師學(xué)習(xí)共同體的PCK發(fā)展研究.海南師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2),73-80,122.
劉三女牙,amp;郝曉晗.(2024).生成式人工智能助力教育創(chuàng)新的挑戰(zhàn)與進(jìn)路.清華大學(xué)教育研究(3),1-12.
馬歡.(2024).教育數(shù)字歧視的規(guī)制邏輯:從技術(shù)理性、價(jià)值理性到制度理性.現(xiàn)代遠(yuǎn)程教育研究(3),46-54.
歐陽忠明,amp;李書涵.(2020).歐洲代際學(xué)習(xí)項(xiàng)目的跨個(gè)案研究.寧波大學(xué)學(xué)報(bào)(教育科學(xué)版)(6),8-17.
潘信林,amp;羅妍.(2024).建立健全更加公平的教材供給機(jī)制.全球教育展望(11),43-54.
戚佳,徐艷茹,劉繼安,amp;薛凱.(2024).生成式人工智能工具使用對(duì)高校學(xué)生批判性思維與自主學(xué)習(xí)能力的影響.電化教育研究(12),67-74.
戚聿東,amp;徐凱歌.(2021).后摩爾時(shí)代數(shù)字經(jīng)濟(jì)的創(chuàng)新方向.北京大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版)(6),138-146.
秦樹澤.(2023).教育公平視域下家庭教育的有效性審視——兼評(píng)《家庭教育促進(jìn)法》.清華大學(xué)教育研究(4),73-79.
石倩,amp;萬秀蘭.(2024).培養(yǎng)“為未來做好準(zhǔn)備\"的數(shù)字化學(xué)習(xí)者——新加坡《教育技術(shù)規(guī)劃》的實(shí)施路徑與影響因素探析.浙江師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)1),97-107.
宋凡,amp;龔向和.(2024).替代還是賦能:人工智能教學(xué)對(duì)教師教學(xué)權(quán)的沖擊及其應(yīng)對(duì).中國遠(yuǎn)程教育(4),15-27.
孫田琳子.(2023).技術(shù)民主化視域下教育元宇宙的治理邏輯——兼論一場教育思想實(shí)驗(yàn)何以可能.電化教育研究(10),63-69.
萬昆,amp;饒愛京.(2023).促進(jìn)跨學(xué)科學(xué)習(xí)的發(fā)生機(jī)制、模型構(gòu)建與實(shí)證研究.中國電化教育(8),59-67.
王建梁,amp;劉天雨.(2023).三螺旋理論視角下新加坡人工智能教育戰(zhàn)略研究.比較教育學(xué)報(bào)(3),111-122.
王佑鎂,王旦,amp;柳晨晨.(2022).從科技向善到人的向善:教育人工智能倫理規(guī)范核心原則.開放教育研究(5),68-78.
王佑鎂,王旦,梁煒怡,amp;柳晨晨.(2023a).“阿拉丁神燈\"還是\"潘多拉魔盒\(zhòng)":ChatGPT教育應(yīng)用的潛能與風(fēng)險(xiǎn).現(xiàn)代遠(yuǎn)程教育研究(2),48-56.
王佑鎂,王旦,王海潔,amp;柳晨晨.(2023b).算法公平:教育人工智能算法偏見的邏輯與治理.開放教育研究(5),37-46.
王宇.(2023).西安市初中農(nóng)村數(shù)學(xué)教師TPACK發(fā)展的現(xiàn)狀調(diào)查與應(yīng)對(duì)策略研究.西安文理學(xué)院學(xué)報(bào)(自然科學(xué)版)(2),99-104.
肖立,amp;黃嘉莉.(2024).數(shù)字化時(shí)代欠發(fā)達(dá)地區(qū)鄉(xiāng)村中小學(xué)教師TPACK的組態(tài)構(gòu)型與提升策略.教育科學(xué)研究(2),20-26.
肖睿,肖海明,amp;尚俊杰.(2020).人工智能與教育變革:前景、困難和策略.中國電化教育(4),75-86.
薛二勇,傅王倩,amp;李健.(2021).論在線教育發(fā)展的公平問題.中國電化教育(3),1-7,70.
袁磊,amp;劉沃奇.(2024).民族地區(qū)教師數(shù)字素養(yǎng)的發(fā)展現(xiàn)狀與提升路徑——基于廣西9市教師樣本的實(shí)證分析.民族教育研究(1),117-124.
張海,崔宇路,余露瑤,季孟雪,amp;王以寧.(2020).人工智能視角下深度學(xué)習(xí)的研究熱點(diǎn)與教育應(yīng)用趨勢—基于 2006~2019 年WOS數(shù)據(jù)庫中20708篇文獻(xiàn)的知識(shí)圖譜分析.現(xiàn)代教育技術(shù)(1),32-38.
張靖,amp;郭炯.(2023).農(nóng)村中小學(xué)教師數(shù)字素養(yǎng)提升:價(jià)值意蘊(yùn)、現(xiàn)實(shí)困境及策略探析.電化教育研究(8),122-128.
張黎,周霖,amp;趙磊磊.(2023).生成式人工智能教育應(yīng)用風(fēng)險(xiǎn)及其規(guī)避——基于教育主體性視角.開放教育研究(5),47-53.
張權(quán)力,陳星霖,沈悅,amp;王宏梅.(2021).積極心理學(xué)視角下高校貧困生成長需求的關(guān)照研究——基于高校貧困生發(fā)展資源模型的建構(gòu)與分析.福建教育學(xué)院學(xué)報(bào)(1),23-28.
張新民,amp;張稷鋒.(2023).論教育技術(shù)向善:基于技術(shù)反噬公平的視角.四川師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(3),107-116.
趙德成,周瑤,amp;李睿淼.(2020).處境不利學(xué)生的發(fā)展及其影響因素——基于我國四省市PISA2015數(shù)據(jù)的分析.教育學(xué)報(bào)(6),85-95.
Baker,R.S.,amp; Hawn,A. (2O22).Algorithmic bias ineducation. International Journal ofArtificial IntellgenceinEducation,32(4),1052-1092.
Blanchard,E.G.(2O15).Socio-cultural imbalances in AIED research: Investigations,implications and oppor-tunities. International Journal ofArtificial Intelligence inEducation, 25,204-228.
Carless,D.,amp; Boud,D.(2O18).The development of student fedback literacy: Enabling uptake of feedback.Assessmentamp; Evaluationin Higher Education, 43(8),1315-1325.
Chai, C.S., Koh,J.H.L.,Tsai, C.C.,amp; Tan,L.L.W. (2O1).Modeling primaryschool pre-service teachers’Technological Pedagogical Content Knowledge (TPACK) for meaningful learning with information and com-munication technology (ICT). Computers amp; Education, 57(1),1184-1193.
Flores-Lueg, C. (2O22). Reflective processes promoted in the practicum tutoring and pedagogical knowledgeobtainedby teachers in initial training. EducationSciences,I2(9),583.
Gunkel,D.J. (2O03). Second thoughts: Toward a critique of the digital divide.New Media amp; Society,5(4),499-522.
Husen,T. (1975). Social influences on educational attainment: Research perspectives on educational equality.OECD Publications Center.
Kaya,F(xiàn).,Aydin,F(xiàn).,Schepman,A.,Rodway,P.,Yetisensoy,O.,amp;DemirKaya,M.(2O24).The roles of person-ality traits,AIanxiety,and demographic factors inatitudes towardartificial inteligence.International Jour-nal of Human-Computer Interaction, 40(2),497-514.
Khan,S.,Hwang, G.J.,Abbas,M.A.,amp; Rehman,A. (2O18).Mitigating the urban-rural educational gap in de-veloping countries through mobile technology-supported learning.British Journal of Educational Tecahnolo-gy,9,735-749.
Li,S.Q.,Liu,Y.X.,amp;Su,Y.S.(2022).Differentialanalysisof teachers’technological pedagogicalcontentknowledge (TPACK) abilities according to teaching stages and educational levels. Sustainability,14(12),7176. HTTPS://DOI.ORG/10.3390/SU14127176
Lin,X.F.,Tang,D.D.,Shen,W.P.,Liang,Z.M.,Tang,Y.E.,amp;Tsai,C.C.(2O2O).Exploring the relationshipbetween perceived technology-asisted teacher support and technology-embedded scientific inquiry: Themediation effect of hardiness.International Journal of Science Education,42(8),1225-1252.
Lynch,P., Singal,N.,amp;Francis,G.A. (2O22).Educational technology for learners with disabilities in primaryschool setings inlow-and middle-income countries:A systematic literature review.Educational Review,76(2),405-431.
Madaio,M.,Egede,L.,Subramonyam,H.,Vaughan,J.W.,amp;Walach,H.(2O22).Assessing thefairnesofAIsystems: AI practitioners’processes,challenges,and needs for support.Proceedings of the ACM on Hu-man-Computer Interaction,6,1-26.
Mishra,P.,amp; Koehler,M.J. (2Oo6).Technological pedagogical content knowledge: A framework for teacherknowledge. Teachers College Record, 108(6),1017-1054.
Shulman,L. S. (1986).Those who understand: Knowledge growth in teaching.Educational researcher,15(2),4-14.
Shute,V.J. (2Oo8).Focus on formative feedback.Review of educational research,78(1),153-189.
Sweller,J. (1988).Cognitive load during problem solving:Effcts on learning.Cognitive science,12(2),257-285.
Wilfred,N.,Ian, O.,amp; Kathleen,M.S. (202O).The use of health-related technology to reduce the gap betweendeveloped and undeveloped regions around the globe.American Society of Clinical Oncology EducationalBook, 40,1-10.
Wimpenny, K.,F(xiàn)inardi,K.R., Orsini-Jones,M.,amp;Jacobs,L. (2O22). Knowing,being,relating and expressingthrough third space global south-north COIL: Digital inclusion and equity in international higher education.Journal ofStudies inInternational Education,26(2),279-296.
Yu,T.,Yao,Y.,Zhang,H.,He,T.,Han,Y.,Cui, G.,Hu,J.,Liu,.,Zheng,H.T.,Sun,M.,amp; Chua,T.S.(2024).Rlhf-v:Towards trustworthymllms via behavior alignment from fine-grained correctional humanfedback. In Proceedings of the IEEE/CVF Conference on Computer Vision and Patern Recognition (pp.13807-13816). Seattle.
The Phenomenon of Artificial Intelligence Technology Undermining Educational Equity and Its Correction
Ma Siteng, Shi Guangjun and Wang Qi
Abstract: Educational equity is one of the key and challenging issues in education.The traditional “one to many” teacher-student relationship often fails to provide disadvantaged students with optimal value-added development, which can not bridge educational gaps. As a new subject emerging in education,artificial intelligence(AI) technology holds the potential to provide learners with precise feedback through adaptive learning models, therebyempoweringhigh-quality personalized learning processes and overcoming the impact of learners’ascribed factors and foundational differences in learning conditions,enhancing the role of acquired factors,so as to promote educational equity. The realization of this vision depends on the full and balanced development of the three key subjects-teachers, students, and AI.However, in practical terms,issues such as the the big data models,computational power and algorithm differentiation of AI, variations in teachers’TPACK levels and disparities in students’feedback literacy can all lead to feedback imbalances in personalized learning supported by adaptive learning models,which fails to meet the interests of the “l(fā)east beneficiaries”and triggers a backlash against educational equity. To this end, efforts should focus on four aspects: establishing a concept of inclusive technology supply, providing teachers with technical pedagogical training,emphasizing the improvement of students’ feedback literacy,and constructingsupporting technology policy supervision systems,so as to prevent the risk of artificial intelligence technology backlashing against educational equity.
Keywords: artificial intelligence technology; educational equity;“teacher-student-AI” collaboration;adaptive learning model; feedback
Authors:Ma Siteng,lecturer of the School of Urban Economics and Public Administration, Capital University of Economics and Business (Beijing 10oo70); Shi Guangjun, lecturer of the School of Educational Science, Yangzhou University (Yangzhou 225oo9);Wang Qi,associate professor of the Key Laboratory of Artificial Intelligence and Human Language,Beijing Foreign Studies University (Corresponding Author: wangqi.20080906@163.com Beijing 100089)
責(zé)任編輯 單玲 韓世梅