三、教育人工智能的典型应用模式
教育人工智能的应用核心应聚焦教育目标和价值体系，利用人工智能技术的优势与教育过程相融合，以产生1＋1＞2的效果（张坤颖等，2017）。根据目前人工智能技术的特点和优势，本研究认为人工智能可以解决三个层面的教育问题，分别是面向特殊人群的补偿性教育、针对常规业务的替代式教育以及服务个性发展的适应性教育（见图2）。
图2 教育人工智能三层次应用模式
1．面向特殊人群的补偿性教育
所谓补偿，就是抵消损失，弥补缺陷（贾静元，2016）。缺陷补偿是特殊教育的重要目的，其有两层含义：一是指用机体未被损害的部分去代替、弥补已损害的部分，以产生新的机能组合和新的条件联系；二是指利用新的科学技术、工具与手段使机体被损害的机能得到部分或全面康复。
特殊教育中的群体一般包括聋哑学生、听障学生、视障学生、智障学生、自闭症学生及肢体残疾学生等，这些学生由于先天或者后天缺陷，在学习和生活上充满困难。目前，人工智能技术已经成功应用于特殊教育领域（Drigas et al．，2011），它可以延伸特殊人群器官的功能，以技术手段弥补其智力或身体的不足，最大程度满足不同特殊人群的需要，促进其个性化学习。生活方面，利用教育人工智能可以促进特殊人群的生活便利化。健康方面，应用教育人工智能可以促进特殊人群的康复专业化，尤其是自闭症患者的康复治疗。
自闭症患者最缺乏社会沟通能力，而人工智能技术支持下的智能虚拟代理或智能社交机器人可以很好地与自闭症患者进行对话交流，获取其社交行为关键数据，并通过快速、非正式的评估来判断患者是否理解活动或进行轻微的技能改进，以培养自闭症患者的语言能力、社会沟通能力甚至是情绪智力。总之，教育人工智能可以有效实现特殊人群的补偿性教育，最大程度开发其优势潜能，发展其多元智能，帮助其加快回归主流社会，打破残障人和正常人之间的隔阂。
2．针对常规业务的替代式教育
人工智能支持下的替代式教育强调通过技术达到与教师从事的某些教育活动相同的作用，代替教师执行部分任务。如图3所示，在目前的教育人工智能应用中，以自然语言处理和机器学习为核心技术的智能批阅系统能够实现机器智能阅卷、作文自动批改；以语音识别测评技术为核心的语言类教育应用能够实现口语考试评分、口语练习纠错。因此，教育人工智能可替代教师执行的常规业务主要体现在考试结果判定、作业及练习效果检查两个方面。
e－rater自1999年以来就一直被美国教育考试服务中心（ETS）用于自动评分。该系统通过从大量文章中提取代表书写质量的一系列特征，并对文章语言、内容、篇章结构进行重点分析，包括词汇复杂度、语法错误的比例、文章风格、单词总数等，将这些分数利用统计模型进行分析并产出最终的得分估计。每个特征的权重由统计过程确定，保障了系统与教师评分相对一致。
e－rater目前主要用于托福考试的作文自动评分，类似能够对作文进行自动评分的系统还有Project Essay Grade（www．lxws．net）、IntelliMetric等。大型考试中数以万计的试卷借助智能阅卷系统可以将教师从机械重复的劳动中解放出来，并在一定程度上减少教师由于主观因素造成的评分标准差异，保证了评分客观公正，提高了作文评分效率。
智能批改系统不仅能自动生成评分，还能提供针对性的反馈诊断报告，指导学生如何修改，一定程度上解决了教师因作文批改数量大而导致的批改不精细、反馈不具体等问题。基于语音识别技术的口语学习软件同样可以对学生的口语发音进行评分、纠错和指导。
人工智能技术使机器能够根据预设程序进行高效地重复性工作，因而教师可以将更多精力投入到教学设计优化、学生心理健康培养等创造性活动中。针对常规业务的替代式教育既能节省大量人力资源，为教育教学提供便利性服务，同时又能促进学生学习方式的多样化和智能化，满足众多学生的学习需求。
3．服务个性发展的适应性教育
由于个体差异，学习者在学习过程中对知识的接受程度不尽相同。实现学生个性化学习，达到因材施教的目标是解决教育问题的关键，也是人工智能技术在教育领域的重要发展方向。智能虚拟助手、智能导学系统、适应性学习平台等系统能根据学习者的个人特点（如语言、学习风格、偏好等）创建个性化课程，让学习者获得更好的学习效果（Pires et al．，2018）。
智能虚拟助手通过自然语言模拟人类对话，深层次理解人类需求，其核心特征是对话式交互与智能性服务（王萍等，2018），可以实现与学习者交互问答、提供情境学习、进行学习分析等功能。将人工智能技术支持的机器人导师嵌入Duolingo语言学习系统中，就可以辅助学习者进行语言学习，在与学习者对话过程中，机器人导师可以变换不同角色来讨论不同话题，增加语境的真实性。
随着交互程度不断加深，机器人导师会更懂学习者，互动过程也将更具针对性。该系统还会对学习者的学习数据进行分析，从而有效调整学习进度与内容。智能导学系统则兼顾学习者的认知和情感状态，借助答案分析和错误反馈过程来评估学习者对知识的掌握程度，并提供个性化的指导（Strain et al．，2013）。
智能化程度较高的个性学习支持系统不仅能对语音、图像等外部信息进行感知，还具备深度学习的能力，能够理解学习者行为习惯甚至情感态度。个性化学习支持系统产生的学习者行为数据，是系统功能完善与技术升级的基础支撑，是实现对学习者个性化学习辅导的关键因素。机器对学习者学习风格、兴趣偏好的了解越深入，对学习内容推送、学习行为反馈、情感变化的处理便越精准。目前，个性化学习支持系统还处于研发阶段，成熟度不高，但已能为学生适应性学习提供不同程度的支持。
