[论文解读] Proactive and Reactive Engagement of Artificial Intelligence Methods for Education: A Review

Sruti Mallik, Ahana Gangopadhyay|arXiv (Cornell University)|Jan 23, 2023

Online Learning and Analytics被引用 5

一句话总结

本综述将2003年至2022年间的194项人工智能教育（AIEd）研究划分为主动型（规划，例如招生、排课）与被动型（执行，例如辅导、评估）人工智能参与模式。研究揭示了向更复杂、可解释模型的范式转变，并指出新冠疫情加速了人工智能的采用，同时指出了在公平性、伦理及基础设施可及性方面持续存在的挑战。

ABSTRACT

Quality education, one of the seventeen sustainable development goals (SDGs) identified by the United Nations General Assembly, stands to benefit enormously from the adoption of artificial intelligence (AI) driven tools and technologies. The concurrent boom of necessary infrastructure, digitized data and general social awareness has propelled massive research and development efforts in the artificial intelligence for education (AIEd) sector. In this review article, we investigate how artificial intelligence, machine learning and deep learning methods are being utilized to support students, educators and administrative staff. We do this through the lens of a novel categorization approach. We consider the involvement of AI-driven methods in the education process in its entirety - from students admissions, course scheduling etc. in the proactive planning phase to knowledge delivery, performance assessment etc. in the reactive execution phase. We outline and analyze the major research directions under proactive and reactive engagement of AI in education using a representative group of 194 original research articles published in the past two decades i.e., 2003 - 2022. We discuss the paradigm shifts in the solution approaches proposed, i.e., in the choice of data and algorithms used over this time. We further dive into how the COVID-19 pandemic challenged and reshaped the education landscape at the fag end of this time period. Finally, we pinpoint existing limitations in adopting artificial intelligence for education and reflect on the path forward.

研究动机与目标

• 考察过去二十年间人工智能方法在教育领域的发展，重点关注其在规划与执行阶段的作用。
• 识别人工智能教育（AIEd）领域中的关键研究方向，包括课程设计、智能辅导系统和表现预测。
• 评估新冠疫情对教育领域人工智能采用的影响及其对研究轨迹的推动作用。
• 评估现有AIEd挑战，如数据隐私、算法透明度，以及基础设施与专业人才获取的不平等。
• 展望2030年前实现公平、伦理且可持续的人工智能教育整合的未来视角。

提出的方法

• 对2003年至2022年间194篇AIEd原始研究论文进行系统性综述，通过结构化检索标准筛选。
• 基于教育生命周期中的时间与功能，将人工智能应用划分为主动型（规划阶段）与被动型（执行阶段）参与。
• 分析人工智能方法的演变，包括数据类型的变化、算法复杂度的提升（如从传统机器学习向深度学习的转变）以及模型可解释性的增强。
• 通过主题综合分析研究趋势，重点关注技术增强学习、人工智能促进社会福祉（AI4SG）以及可持续发展目标（SDGs）。
• 将疫情时期的中断作为评估AIEd韧性与适应能力的视角。
• 通过批判性综合既有文献与政策关切，评估伦理、法律及基础设施方面的障碍。

实验结果

研究问题

• RQ1 2003年至2002年间，教育领域中主动型与被动型人工智能参与的主要研究方向是什么？
• RQ2 在过去的二十年中，AIEd研究中的人工智能方法——特别是数据选择与算法框架——如何演变？
• RQ3 新冠疫情在多大程度上加速或重塑了教育环境中人工智能的采用？
• RQ4 目前教育中的人工智能部署是扩大还是缩小了现有优质教育获取方面的公平性差距？
• RQ5 实现AIEd工具大规模、公平实施的关键伦理、法律与基础设施障碍是什么？

主要发现

• 已发生明显的范式转变：AIEd应用从基础的机器学习模型转向更复杂、可解释的深度学习框架。
• 主动型AI应用（如课程排课与课程设计）日益受到关注，而被动型系统（如智能辅导与表现预测）在研究产出中仍占主导地位。
• 新冠疫情起到了催化剂作用，加速了基于人工智能的远程学习工具的采用，并凸显了对稳健、可扩展人工智能解决方案的需求。
• 尽管取得进展，但在发展中国家，人工智能基础设施的获取仍存在显著差距，电力、互联网与硬件仍是主要制约因素。
• AIEd平台的私有化所有权引发了对数据隐私、透明度与模型可解释性的担忧，且全球范围内监管监督仍显不足。
• 目前尚无证据表明人工智能在教育中取代教师；相反，它在增强教师角色方面发挥作用，人机协同系统在伦理与有效实施中仍至关重要。