蒲清平　王雪婷｜人工智能助力学情分析的理论框架与实践路径

人工智能助力学情分析的理论框架与实践路径

蒲清平　王雪婷

作者简介：蒲清平，四川南部人，工学博士，重庆大学马克思主义学院教授，博士生导师，主要从事高等教育研究；王雪婷，重庆大学马克思主义学院硕士研究生。重庆，400044。

（原文载于《大学教育科学》2024年第3期P31-38）

摘要：学情分析是以学定教、开展教学的前提和依据。但在教学实践中，囿于教师精力、能力与技术发展等限制，学情分析面临数据难以全面获取、分析客观性不足、学情反馈滞后、结果缺乏应用等诸多现实困境。人工智能以大数据、强算法、强算力为基础，有助于全面采集学情数据、科学高效分析学情、及时反馈学情、合理应用学情分析结果，提升学情数据的采集广度、分析效度、反馈速度与应用准度。为了充分发挥人工智能技术优势，应从数据层、分析层、反馈层、应用层建构人工智能助力学情分析的理论框架，并从实践上以人工智能建立全过程学情数据采集系统、多模态学情数据分析系统、及时化学情反馈系统、多场景教学综合服务系统助力学情分析。

关键词：人工智能；学情分析；现实困境；理论框架；实践路径

一、问题缘起

20世纪80年代，教育界逐渐认识到学生在教学过程中的主体地位[1]，开始强调“学生是内因，教师是外因，外因通过内因起作用”。黎世法进一步提出“学情”概念和学情理论，指出学情是正确教与学的根据[2]52，学情分析是提升教学效果的关键。经过40年来的理论阐释与实践探索，学情分析逐渐形成经验本位、知识本位、素养本位、效果本位四种取向。经验本位学情分析采用经验总结法，认为教师在与学生的长期接触中积累了学情分析的经验知识，可以据此归纳学情分析内容、总结学情分析方法。知识本位学情分析采用理论推导法，以建构主义、最近发展区等认知理论为依据，认为学习是学生在已有知识基础之上建构新知的过程，学情分析应当基于学习定义分析学生“四知”（已知、未知、能知、想知）情况。素养本位学情分析采用目标倒推法，认为学情分析与教学实践的根本目标均是发展学生核心素养，学情分析应当掌握学生认知、能力、态度等核心素养情况[3]。效果本位学情分析采用由果溯因法，认为“何种因素影响学生学习收获，如何引导学生更有效地获得更高质量的成长”是学情研究的主要问题[4]，学情分析应当分析学生知识基础、学习风格等教学效果影响因素。上述理论尽管面向的学情分析内容不同，但均强调多维获取学情信息、科学高效定位学情、及时反馈学情分析结果、对症处理学情问题，为教学实践提供循证依据。然而，随着我国高等教育迈入普及化阶段，学情也呈现出非传统生源多点共聚、学习价值观多维共在、学习方式多元共存、学习环境多域共融的共性特征，以及传统生源仍是接受教育的主要群体、大学生自主学习意识仍然有待提高、求学与就业的责任绑定观念仍然存在的特殊性[5]。由于学情复杂多变、学生基数过大、教师精力能力有限、技术引进意识不强和应用不熟等主客观因素的限制，学情分析只能通过课堂观察、问卷调查、测试考察等传统方式开展，学情分析结果仅用于学生整体教学调整和学困生干预转化。学情分析面临的数据难以全面获取、分析客观性不足、学情反馈滞后和结果缺乏应用等诸多现实困境，进一步导致学生学习、教师教学和学校管理陷入无法准确认识、评价、归因和改进的窘境。

近年来，智能识别、数据挖掘、学习分析等人工智能技术的快速发展为学情数据规模化采集和智能化分析提供了技术支持。特别是以ChatGPT为代表的生成式人工智能大大推动了人工智能在教育领域的应用和发展，有助于增强教育主体的学情判断能力[6]。教育部《高等学校人工智能创新行动计划》明确要求，“运用人工智能开展教学过程监测、学情分析和学业水平诊断”[7]。人工智能助力学情分析能够快速采集多源数据、高效分析学情信息、及时生成学情报告，对学情进行精准“画像”、精准监测和精准诊断[8]。一些学者也曾尝试利用人工智能技术开展学习评价[9]、学生画像[10]、学情预警[11]等，构建基于学情数据的智慧教学模式[12]。但是，现有研究尚缺乏基于人工智能的学情分析系统研究，人工智能助力学情分析的理论框架和实践路径还有待整体建构。

二、何以助力：人工智能助力学情分析的技术优势

马克思指出，自然科学的发展可以“改造人的生活，并为人的解放作准备”[13]307。“人工智能”自1956年达特茅斯论坛提出以来，经过60余年发展，实现了从计算智能到感知智能的转变，并逐渐步入认知智能与社会智能阶段。作为一种革命性、颠覆性技术，人工智能具有溢出带动性很强的“头雁”效应[14]，将深刻改变传统生产生活方式，引领未来社会发展。人工智能在教育领域包括人工智能赋能教育和人工智能学科教育两类[15]。前者强调人工智能作为一种新兴技术对实现教育目标的促进作用；后者强调人工智能作为一门综合学科对培养人工智能人才的支撑作用。学情分析是实现教育目标的关键环节，在本质上应该是一种基于证据的价值判断[16]20。人工智能应用于学情分析侧重运用人工智能技术获取学情证据，“更深入、更微观地窥视、理解学习是如何发生和如何受到外界各种因素影响的，进而为学习者高效地进行学习创造条件”[17]。以大数据、强算法、强算力为基础，人工智能集智能识别、数据挖掘、数据可视化、自适应学习、多模态学习分析等技术于一体。它应用于学情分析能够全面采集学情数据、科学高效分析学情、及时反馈学情、合理应用学情分析结果，提升学情数据的采集广度、分析效度、反馈速度与应用准度。

（一）有助于全面采集学情数据

全面性是客观性的必要前提。在学情分析中，数据全面性直接影响结果精准性与决策适应性。人工智能助力学情分析使学情分析不再局限于从各类学习平台收集、分析各种日志性数据[18]，有助于拓展学情数据的采集渠道、识别维度、覆盖范围，实现学情数据的全面采集。一是拓展学情数据采集渠道。摄像机、高扫仪、眼动仪、点阵笔、移动终端、聊天机器人等智能设备用于学情数据采集，可以使现场录制、材料扫描、眼动追踪、笔迹记录、终端记录、智能问答等均成为学情数据采集的有效渠道，助力学情数据采集跳出课堂观察、文本记录、统计调查等传统渠道的桎梏。二是拓展学情数据识别维度。人脸识别、文本识别、表情识别、语音识别、动作识别等智能识别技术用于学生身份、笔记、表情、语言、姿势等多模态学情数据采集，可以使学情数据识别从系统日志等结构化数据拓展至图文音视等半结构化和非结构化数据。三是拓展学情数据覆盖范围。人工智能贯穿连续时间和全域空间，运用它助力学情分析可以使学情数据采集的时间延长至教学全程、样本扩大至学生整体、场域跨越虚拟与现实，实现课前课中课后“全过程”覆盖、学生个体“全样本”覆盖以及线上线下“全场景”覆盖。

（二）有助于科学高效分析学情

学情分析只有超越“经验化”“主观化”判断而采取科学高效的分析，才能真正发挥精准定位与调节功能。作为一种有感知、有认知、有行为、可交互、会学习、自成长的机器智能[19]，人工智能在推动学情分析方法智能化、标准最优化、过程规范化方面具有显著优势，有助于高校更加科学高效地分析学情。一是方法智能化。人工智能具有强大的数据处理能力、极度的专注力和高效的多任务处理能力[20]，在完成大规模学情数据的深度挖掘、智能统计和模型训练等复杂工作的速度、精度、强度上远胜于人类，其纵向追踪、横向比较、溯因分析、预测分析等功能能够客观描述和评价学情、深度解剖学情的产生原因和未来趋势，实现学情分析方法智能化。二是标准最优化。人工智能在人类教师指引下分析学情历史数据，能够自主习得新的规则和范式[21]，包括形成学情分析参照标准、优化学情指标选择和权重设置等，助力高校克服传统学情分析依赖经验、标准浮动、趋中效应等缺点。三是过程规范化。高校运用人工智能对学情数据进行多渠道融合、多模态互补和区块链存证，并开展数据分析—特征挖掘—模型建构—机理阐释—趋势预测，有助于确保学情分析的数据规范和流程规范，使结果更有说服力和解释力。

（三）有助于及时反馈学情

课堂教学是教与学的互动交往过程，生成是教学活动的基本特征。学情作为教学开展的基本依据，其反馈及时性直接影响教学针对性与有效性。反馈是使反馈对象理解、运用反馈信息的过程，包括反馈信息的输出与接收两个阶段。高校运用人工智能对学情进行形成性反馈、适应性反馈，可以在输出端及时生成学情报告、在接收端及时传达学情报告，助力学情的及时反馈。一是提供形成性反馈，及时生成学情报告。形成性反馈强调反馈信息的持续输出并贯穿整个教学交互过程[22]。人工智能基于强算力和强算法精准高效定位学情动态并进行可视化呈现，能够紧随教学进程自动生成、实时更新、持续输出学情报告，助力高校实现学情的形成性反馈。二是提供适应性反馈，及时传达学情报告。人工智能根据用户语速语调、视觉偏好、表达习惯、认知风格等特征，对学情报告进行合理的语言组织、颜色搭配、数据编排和框架构建，并智能选择文本提示、人机对话、音视互动、虚拟人物等反馈方式，能够更好地诠释学情，助力高校实现学情的适应性反馈。

（四）有助于合理应用学情分析结果

教、学、管的内在一致性是教师有效地教、学生有效地学、学校有效地管的基本前提。人工智能基于学情分析提供定制服务，可以助力高校合理应用学情分析结果，增强教、学、管的协调性、精准性与前瞻性，实现教、学、管的内在统一。一是基于学情分析结果提供定制服务，增强教、学、管协调性。人工智能根据学生实际水平和个体差异智能推送学习资源、组织教学内容、制定教学规划，能够助力高校实现教、学、管同步调整和同向发力，进而提升教师教学效果、学生学习效能和学校管理效率。二是基于学情问题提供定制服务，增强教、学、管精准性。人工智能针对学生学习进度落后、兴趣不高等学情问题提供智能辅导、学习督促与个性化激励等服务，能够助力高校直击教学痛点、难点、堵点，实现教学问题精准应对、教学短板精准弥补。三是基于学情趋势提供定制服务，增强教、学、管前瞻性。人工智能根据学生行为预测、情绪预测、成绩预测等预判教学重点难点、预测教学效果和风险，能够为高校提供增减教学内容、调整教学策略的指导意见，助力高校实现教学风险的提前干预与化解。

三、以何助力：人工智能助力学情分析的理论框架

学情分析是教学论研究转向的结果[23]60，源于教学本质认识中学生主体地位的确证。其核心观点认为，学生不是教学的“物”而是教学的资源，学情分析贯穿于教学过程，引导和推动着整个教学活动[16]18。因而，学情分析要与教学过程整合，通过动态分析和及时反馈帮助教学主体了解学情现象和学情规律，进而提出具有针对性的教学措施促进学生学习。作为一种处方性理论，学情分析侧重于方法论和实践层面[23]61，其常用方法有观察、访谈、问卷调查、资料分析等，可归纳为质性分析和量性分析两种类型。质性学情分析通过收集分析非数值型学情数据理解和解释学情；量性学情分析通过收集分析数值型学情数据理解和解释学情。概言之，学情分析是指教学主体在教学过程中持续获取、分析、反馈、应用学情信息的循环过程。在人工智能视阈下，数据是学情信息的基本表现形式，学情分析遵循着数据采集、数据处理、数据分析与展现以及数据应用服务的教育大数据通用技术框架[24]。因而，人工智能助力学情分析应从数据层、分析层、反馈层、应用层建构其理论框架，具体见图1。

（一）数据层：人工智能助力学情分析的基础

学习理论认为，学习是学习主体通过参与学习获得发展的过程，包括学习的主体要素和过程要素两个维度。与此相对应，“学情”包括“学生情况”和“学习情况”，前者指学生的性别、年龄、专业等基本情况以及行为序列、情感变化、认知发展等个体状态和能力、偏好、习惯等个性特征；后者指学生学习的时间、进度、内容等学业状态和学习的投入、效率、兴趣等学业特征。学情分析是指教学主体对学情的全面了解与客观分析，人工智能助力学情分析的基础就在于实现学情信息的数据表征和全面采集。由于人类社会从二元结构（社会空间—物理空间）转变为三元结构（社会空间—信息空间—物理空间）[25]，学情数据源也随之拓展至人-机-物三种，即学生基本情况和个人状态；智慧学工系统、教务系统、教学系统等虚拟平台记录；学生纸质档案、试卷、笔记等教学实体材料。人工智能与人类智能对外部世界具有相似的符号表征体系、信息感知通道和意义建构模式[26]，能够自动识别、编码、转换、记录学情数据源中的学情信息，实现学情信息的数据表征和全面采集。依照数据蕴含的信息特性，学情数据可划分为学生的性别、年龄、专业等基础数据；内隐于学生机体且非自主可控的心率、脑电、皮肤电等生理数据；外显于学生机体且自主可控的眼动、表情、手势等行为数据；反映学生学习基础、过程和结果的已修课程、学习时长、学习成绩等学业数据。数据层是人工智能助力学情分析的基础，其主要作用是通过智能采集设备和智能识别技术实现学情数据的全面采集和准确识别，为学情分析提供足够的高质量“原料”。

（二）分析层：人工智能助力学情分析的核心

分析是一种理性认识活动，学情分析是由学情现象深入学情本质的认识过程。根据认识层次不同，学情可划分为具体学情和本质学情[2]52，分别指学情现象和学情规律。具体学情包括个体学情现象和群体学情现象，即学生个体学情指标水平和学生群体学情指标特征；本质学情包括学情内部规律和学情外部规律，即学情内部各指标间的关系和学情作为教学的一部分与整个教学系统的其他指标间的关系。其中，个体学情现象分析是群体学情现象分析和学情规律分析的前提。个体学情现象分析侧重学生个体学情指标水平，可以采用语义分析、行为计算、情感计算、认知诊断等多模态学情数据分析方法。群体学情现象分析侧重学生群体学情特征，可以采用聚类、统计、时序等人工智能算法对学生群体学情指标的实时走势、集中趋势、分布形势和发展态势进行描述性分析。学情规律分析侧重学情指标间的内部关系和学情指标与教学指标间的双向影响作用，可以通过单独运用关联规则、时间序列等人工智能算法，或控制变量并综合运用各种智能算法分析指标间的相关关系、共变关系、因果关系等，对学情的形成机制、发展模式、未来趋势进行推断性分析。分析层是人工智能助力学情分析的核心，其主要作用是通过各种分析方法挖掘学情数据的深层意义和潜在价值，以全面了解学情现象、准确把握学情规律，为学情反馈提供内容。

（三）反馈层：人工智能助力学情分析的关键

学情反馈是指向教学主体反馈学情分析结果的过程，其作用是使教学主体了解学情问题和原因以改进教学实践。作为教学改进的重要手段，学情反馈要遵循及时性原则。学情反馈不及时可能使反馈内容与学情产生偏差，降低教学主体信任感，并导致教学改进时间延迟或决策失误，失去学情反馈的应有效力。学情反馈属于基于表现的反馈，可从过程、任务、调节三个层面更有效地反馈学情分析结果[27]。高校运用人工智能对学情分析结果进行数据可视化，能够生成对学情分析结果进行直接描述、客观评价、深层归因的描述型、评价型、归因型学情反馈。具体而言，就是从过程层面呈现学情分析结果的细节和动态变化，使教学主体全面了解学情的过去状态、当前状态和未来趋势；从任务层面呈现学情分析结果与教学目标的差距、与群体学情平均状态的差异、与学生个体基础状态的差别，使教学主体有效监控教学进度、及时发现教学问题、准确查找教学短板；从调节层面呈现学情分析结果的形成原因，使教学主体深入了解学情的生成及演变规律，掌握教学实践的调节机制。反馈层是人工智能助力学情分析的关键，其主要作用是将学情分析结果及时反馈给教学主体，提升其对学情现象与学情规律的感知度和掌握度，为教学主体提供教学改进和管理优化的依据。

（四）应用层：人工智能助力学情分析的归宿

学情分析是促进课堂、教师和课程等教学要素协同发展的有力举措[28]，其目的是为教学主体提供实践依据，帮助教学主体改进基于学情分析结果的教学实践，进而实现教学目标。人工智能基于学情分析结果精准掌握学情现象和学情规律，可以为教学主体提供有针对性的教学建议，指导学生学习、教师教学和学校管理。一是指导学生学习。人工智能可以基于学情分析结果助力学生准确判断自身知识基础、学习进度、优劣势等学情，提升学生的元认知能力，并为其提供个性化学习建议，指导学生调整学习规划、完成学习任务、养成良好的学习习惯。二是指导教师教学。学情分析结果内含学生学习基础、学习状态、学习效果等信息，人工智能可以基于学情分析结果助力教师确定教学起点、掌握教学进度、发现教学问题，并为教师提供具有针对性的教学建议，指导教师的教学设计、教学调整与教学反思。三是指导学校管理。人工智能可以基于学情分析结果助力管理者评估学生学习素养、教师教学质量和学校管理水平，为管理者提供遴选最优教学策略的依据，以指导学校调整培养目标与课程设置、改进教师培训机制与考核方案、优化学校资源建设与人员配置。应用层是人工智能助力学情分析的归宿，其主要作用是帮助教学主体运用学情分析结果开展教学实践，使教师教学、学生学习和学校管理更加有力、有序、有效，实现教、学、管的内在统一。

四、如何助力：人工智能助力学情分析的实践路径

人工智能助力学情分析既是理论探索，亦是实践创新，高校只有基于理论框架提出可供操作的实践路径，才能更有力地推动其落细落实。为了实现人工智能助力学情分析，高校要建立全过程学情数据采集系统、多模态学情数据分析系统、及时化学情反馈系统和多场景教学综合服务系统。具体见图2。

（一）建立全过程学情数据采集系统

学情分析贯穿教学全程，覆盖教学全域。高校运用人工智能采集全过程、全方位学情数据是人工智能助力学情分析的应有之义。首先，高校运用人工智能助力学情分析要厘清学情数据采集内容，进一步明确每个教学阶段和教学空间的学情数据维度及其包含的数据元素、模态、来源和数据元素之间的结构、关联等，形成统一的学情数据模型。其次，高校运用人工智能助力学情分析要统一学情数据采集标准，包括学情数据的命名、定义、值域、单位、格式、计算方法、生存周期等技术标准，原始学情数据采集、质量稽查、异常处理、入库、规整、储存、更新等流程标准，以及负责学情数据采集的业务部门、工作人员的岗位职责、操作权限等管理标准，确保学情数据的规范性和一致性。最后，高校运用人工智能助力学情分析要畅通学情数据采集渠道，在线下引入摄像机、眼动仪、智能手环等智能采集设备搭建物联网学情数据采集系统，通过分布式数据接口采集学生生理特征、行为表现、学习笔记等社会空间和物理空间的学情数据；在线上建立数据传输通道，通过数据库导入采集学工系统、教务系统等信息空间的学情数据。此外，尽管智能识别、数据库管理等人工智能技术已处于广泛应用和高度成熟阶段，高扫仪、眼动仪、智能手环等智能采集设备在精度提高的同时也日益注重便携化、微型化、低成本化，提高了学情数据采集的细粒度，但由于学情分析对教学实践的重要意义，相关人员还需对学情数据采集技术进行更高要求的精度强化、操作简化和成本优化，并辅之以更加可靠的数据稽查和数据异常处理办法，以提升技术的有用性和易用性，确保学情数据的可靠性和精准性。高校通过以上步骤建立全过程学情数据采集系统，全面采集学生基础数据、生理数据、行为数据与学业数据形成课前、课中、课后学情数据集，能够为学情分析奠定坚实的数据基础。

（二）建立多模态学情数据分析系统

感性是感知外部世界的媒介，“人不仅通过思维，而且以全部感觉在对象世界中肯定自己”[13]305。学生作为“现实”“感性”的客观存在，其学习是在多感官调动下的多模态学习交互过程。教育管理者和教师基于多模态学情数据的信息互补性进行分析，可以更加准确地了解真实学情。首先，高校运用人工智能助力学情分析要以建构主义、认知发展、自我效能等理论为指导，综合四种学情分析理论厘清学情分析的具体指标和指标间的结构关系，建构学情分析指标框架。其次，高校运用人工智能助力学情分析要在多学科理论指导下确定衡量学情指标的数据维度和数据元素，创建学情指标与学情数据的映射关系。最后，高校运用人工智能助力学情分析要基于多模态学情数据分析个体学情、群体学情和学情规律。其中，个体学情分析包括特征提取、多模态融合、学情指标分析三个步骤，分别指从多模态学情数据中提取学情指标的特征参数；采用数据层、特征层、决策层数据融合方法进行特征参数融合；通过分类、回归、贝叶斯等人工智能算法分析提取融合后的特征表示，得出学生的行为序列、情感类型、认知层级等学情。群体学情分析包括群体聚类、群体学情指标特征分析两个步骤，前者指通过层次聚类和非层次聚类将个体学情特征相似的学生分类为相对同质的学生群体；后者指计算、比较班级/年级等预设学生群体和根据学情分析结果划分的未预设学生群体的学情指标的比率、平均值、偏倚系数等特征数，分析群体学情共性和差异。学情规律分析包括探索规律和验证规律两个步骤，分别指通过关联分析、因果分析、模式分析等推断学情指标间和学情指标与教学指标间的相关关系、因果关系等，探索学情的形成机制；根据学情规律进行学情预测，分析学情的发展趋势和发生概率。

（三）建立及时化学情反馈系统

课程教学伴随着教师与学生的持续交流反馈，其主要作用是促使学生改进当前状态。因而，高校运用人工智能助力学情分析要建立及时化学情反馈系统，与课程教学同步提供学情反馈。首先，要根据教学需求确定学情反馈内容。为了满足学生、教师、学校在不同教学阶段的学习、教学、管理需求，高校要设计人工智能助力学情反馈的内容跨度，使面向不同教学主体的学情反馈内容在课前学情、课中学情、课后学情、课堂学情、课程学情，以及个体学情、班级学情、专业学情、学院学情、学校学情上有所侧重。其次，要根据学情分析结果确定学情反馈形式。高校要针对学情分析结果的内容特征，运用人工智能选择文本描述、对比表格、密度图、桑基图、雷达图、堆叠面积图等反馈形式，生成描述型、评价型、归因型学情报告，以更好地呈现学情指标的比例、频数、总体分布、发展趋势等基本情况以及标准参照评价、常模参照评价、个人参照评价等评价情况和学情指标间的关联关系、形成原因等归因情况。最后，要根据教学主体确定学情反馈方式。高校要针对教学主体的认知特征等，运用人工智能优化学情反馈系统的图标、动画、弹窗、导航栏、空间布局、交互方式等系统设计，智能选择学情报告的内容元素、颜色搭配、形状样式、字体格式、排列方式、标注形式等，提升学情报告的呈现效果和传播效率。

（四）建立多场景教学综合服务系统

学情分析的落脚点是教学目标的实现，这需要高校基于学情分析结果开展教学实践，推动实现个性化学习、精准化教学和精细化管理。因而，高校运用人工智能助力学情分析不能停留于分析层面，而要进一步建立多场景教学综合服务系统，面向不同教学主体提供教学服务，通过数字化转型适应学生学习、增强教师能力、提升教育管理水平[29]。一是面向学生提供学习服务。高校要借助自适应学习、大语言模型、教学机器人等人工智能技术，为学生提供基于学情分析结果的学习资源推荐、内容分发、活动安排、路径规划、任务督促等智能导学服务和资料查找、文献翻译、数据处理、观点凝练等智能助学服务，以及作业辅导、问题答疑、朋辈互助、虚拟实验等智能伴学服务。二是面向教师提供教学服务。高校要以教学专家系统、智能教师助理等人工智能技术为助力，实现基于学情分析结果精准匹配教学要素、智能分析教学规律，为教师提供教学内容生成、教学资源供给、教学方案制定、教学质量评估等精准教学服务和教学理论验证、教学问题归因、教学趋势预测、教学风险评估等智能教研服务。三是面向学校提供管理服务。高校要以智能管理系统、智能管理助手等人工智能技术为支撑，实现基于学情分析结果监测和评估学生学习、教师教学、学校管理的过程和质量，助力学校了解各学科特殊性问题和跨学科普遍性问题，进而判断教学目标设定、教学措施部署的合理性，推进教学主体协同决策、教学资源集约供给、教学生态智慧共建，减少课程体系建设、师资结构调整、学科交叉合作、管理制度设计的偏差，使教学管理从人治走向智治，实现科学化决策与精细化管理，提高学校管理效率和管理水平。

五、结语

高校运用人工智能开展学情分析，既是学情分析精准化、全面化、智能化的内在需要，又是适应时代发展、推动教育数字化转型的重要内容，有助于高校突破传统学情分析存在的教师精力不足、能力不够，数据处理速度慢、水平低等人力物力限制。但是，基于人工智能的学情分析并非对传统学情分析的彻底否定，而是对课堂观察、问卷调查等传统学情分析方法的智能优化和有益拓展，其重点在于高校运用人工智能技术优势完成学情分析中具有重复性、机械性、可替代性的工作内容，将教师从繁琐重复的简单劳动中解放出来；提高学情信息的采集广度、分析效度、反馈速度和应用准度，实现更全面、更客观、更迅速、更精准的学情分析。同时，高校运用人工智能推动学情分析的智能化转向仍然存在诸多障碍，可能面临教学主体素养欠缺、技术人才储备不足、个人信息过度采集、数据泄露侵犯隐私、平台管理权责不明、智能设备成本过高、系统运行能耗过大等现实挑战，需要相关部门、企业和高校携手合作，共同致力于开展智能素养培训提升教学主体能力，搭建技术人才培养平台拓展人才资源，制定法律法规和伦理规范约束数据采集行为，完善数据脱敏处理和分级管理制度保护数据安全，建立平台管理规范和责任清单明确权责范围，进行技术优化降低生产成本和减少能源损耗等，最大限度地降低技术风险，坚守教育初心，以科技创新赋能教育高质量可持续发展[30]，为中国式教育现代化贡献智慧和力量。

[1] 王策三.论教师的主导作用和学生的主体地位[J].北京师范大学学报,1983(6):70-76.

[2] 黎世法.最优中学教学方式的研究和实验[J].教育研究与实验,1984(2):51-55.

[3] 马思腾,褚宏启.基于学生核心素养发展的学情分析[J].现代教育管理,2019(5):124-128.

[4] 周溪亭,张蓝文.由“器”及“道”:中国大学生学情研究的本土化历程与展望[J].河北师范大学学报(教育科学版),2023(3):44-51.

[5] 郝广龙.高等教育普及化时代的学情及其应对[J].当代教育论坛,2023(1):17-24.

[6] 蒲清平,向往.生成式人工智能:ChatGPT的变革影响、风险挑战及应对策略[J].重庆大学学报(社会科学版),2023(3):102-114.

[7] 中华人民共和国教育部.教育部关于印发《高等学校人工智能创新行动计划》的通知［EB/OL］.(2018-04-02)[2023-05-20].http://www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.

[8] 肖银洁,吕宏山.教育数字化赋能高校教学新形态的风险审视与纾解路向[J].大学教育科学,2023(2):24-32,92.

[9] 张家华,胡惠芝,黄昌勤.多模态学习分析技术支持的学习评价研究[J].现代教育技术,2022(9):38-45.

[10] 张紫徽,林子涵,廖会心,等.面向学习成功的非认知能力学生画像可视化[J].现代教育技术,2021(12):94-102.

[11] 米春桥,邓青友,彭小宁,等.高校预警教育业务流程的优化:以H学院为例[J].现代教育技术,2018(3):92-98.

[12] 宋丹,胡瑛,方正军,等.基于学情数据的智慧教学模式研究与实践[J].高等工程教育研究,2022(6):116-120.

[13] 马克思,恩格斯.马克思恩格斯全集(第三卷)[M].中共中央马克思恩格斯列宁斯大林著作编译局,编译.北京:人民出版社,2002.

[14] 中共中央党史和文献研究院.习近平关于网络强国论述摘编[M].北京:中央文献出版社,2021:119.

[15] 孟翀,王以宁.教育领域中的人工智能:概念辨析、应用隐忧与解决途径[J].现代远距离教育,2021(2):62-69.

[16] 刘岗,田静.学情分析的价值意蕴、实践困境与改进路径[J].教学与管理,2020(27).

[17] 闫志明,唐夏夏,秦旋,等.教育人工智能(EAI)的内涵、关键技术与应用趋势:美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志,2017(1):26-35.

[18] 陈凯泉,张春雪,吴玥玥,等.教育人工智能(EA I)中的多模态学习分析、适应性反馈及人机协同[J].远程教育杂志,2019(5):24-34.

[19] 李德毅.新一代人工智能十问十答[J].智能系统学报,2021(5):828-833.

[20] 郑世林,姚守宇,王春峰.ChatGPT新一代人工智能技术发展的经济和社会影响[J].产业经济评论,2023(3):5-21.

[21] 顾小清,李世瑾.人工智能促进未来教育发展:本质内涵与应然路向[J].华东师范大学学报(教育科学版),2022（9):1-9.

[22] 朱泓,吕柔.形成性教学反馈视角的大学混合式课程互动融合模式研究[J].现代教育管理,2022(10):90-100.

[23] 邵燕楠,黄燕宁.学情分析:教学研究的重要生长点[J].中国教育学刊,2013(2).

[24] 杨现民,唐斯斯,李冀红.教育大数据的技术体系框架与发展趋势:“教育大数据研究与实践专栏”之整体框架篇[J].现代教育技术,2016(1):5-12.

[25] 潘云鹤.人工智能2.0与教育的发展[J].中国远程教育,2018（5):5-8,44,79.

[26] 王一岩,王杨春晓,郑永和.多模态学习分析:“多模态”驱动的智能教育研究新趋向[J].中国电化教育,2021（3):88-96.

[27] 伍绍杨,彭正梅.迈向更有效的反馈:哈蒂“可见的学习”的模式[J].开放教育研究,2021(4):27-40.

[28] 陈爱香,姚利民.思想政治理论课学情分析的逻辑理路与推进策略[J].思想理论教育,2023(4):75-79.

[29] 祝智庭,胡姣.教育数字化转型的实践逻辑与发展机遇[J].电化教育研究,2022(1):5-15.

[30] 邓桂英,李晏新闻,陈京军.元宇宙赋能高等教育:价值意蕴、潜在挑战与纾解路径[J].大学教育科学,2023(4)：38-47.