本文由汪时冲（首都师范大学教育学院）、方海光（通讯作者，首都师范大学教育学院）、张鸽（首都师范大学教育学院）及马涛（北京市海淀区教育网络与数据中心）共同完成，发表于《journal of distance education》2019年第2期。研究聚焦人工智能教育背景下“人机协同”教学模式的创新实践，提出基于人工智能教育机器人（Artificial Intelligence Educational Robots, AIER）的新型“双师课堂”框架，探讨其技术实现路径与教育应用价值。

学术背景

研究领域属于“人工智能+教育”交叉学科，响应国家政策导向（如2017年《新一代人工智能发展规划》提出构建智能教育体系）。背景知识涵盖三方面：
1. 技术基础：人工智能关键技术（机器学习、知识图谱、自然语言处理等）的成熟为教育机器人赋能；
2. 教育需求：传统“双师课堂”（如远程教师与本地教师协作）存在实时性不足、个性化支持有限等问题；
3. 研究缺口：国内对AIER作为独立教学主体的研究较少，且缺乏系统化的课堂环境设计。
研究目标为构建AIER支持的“人机协同”课堂环境，解决个性化学习与实时教学反馈的难题。

研究流程与方法

研究分为四个核心环节：

1. 技术集成与系统设计

• 研究对象：AIER作为边缘计算终端，集成六类关键技术（见表1）：
  
  • 机器学习：用于学习者建模与行为预测；
    
  • 知识图谱：构建学科知识关系网络（如数学方程知识点关联）；
    
  • 自然语言处理：实现师生语音交互与自动答疑；
    
  • 计算机视觉：分析学生表情（情绪检测）及作业批改；
    
  • 人机交互：支持多模态输入（语音/动作/表情）；
    
  • 机器人学：优化机械结构与拟人化行为。
    
• 创新方法：提出“边缘-云协同”架构（图1），AIER本地处理实时数据（如课堂练习反馈），云端负责长期学习分析，缓解网络延迟并保护隐私。
  

2. 课堂环境建模

构建“双师三要素”环境模型（图2）：
- 教学主体：教师（育人导向）与AIER（知识传授）；
- 数字化环境：智能终端（Pad/电子白板）、可穿戴设备等物联网节点；
- 数据流：学生行为数据经AIER分析后，以可视化报告反馈教师。案例显示，在《一元二次方程》课堂中，AIER可动态推送差异化习题（基于知识图谱）并实时统计正确率（图4）。

3. 教学设计对比实验

对比传统与新型“双师课堂”设计差异（表2）：
- 分析数据化：AIER提供班级学情报告（如知识点掌握热力图）；
- 活动精细化：教师设计“机器答疑+教师拓展”的分层问答策略；
- 人机协同化：教师专注高阶思维培养（如批判性提问），AIER处理标准化任务（如作业批改）。

4. 案例实施与验证

以中学数学课为场景，验证AIER的三大优势：
- 实时响应：本地处理练习数据，5秒内生成可视化报告；
- 个性化支持：为70%学生推送适配难度的习题；
- 减轻负荷：教师重复性任务时间减少40%。

主要结果

1. 技术可行性：AIER集成多模态交互能力，在课堂测试中语音识别准确率达92%，作业批改效率提升300%；
   
2. 教学有效性：学生分层教学覆盖率提高50%，教师可腾出30%课时用于深度互动；
   
3. 架构优势：边缘计算使数据延迟低于0.5秒，优于纯云端方案（2秒以上）。
   

结论与价值

• 科学价值：提出首个面向AIER的“人机协同”教学设计框架，填补该领域理论空白；
  
• 应用价值：为规模化因材施教提供技术方案，尤其适用于教育资源薄弱地区；
  
• 社会意义：培养师生“人机协同”素养，适应未来智能社会需求。
  

研究亮点

1. 技术整合创新：首次将边缘计算引入教育机器人，实现“云-边-端”协同；
   
2. 教学模式突破：重新定义教师与AIER的角色分工，形成“育人-授业”双轨机制；
   
3. 实证支持：通过真实课堂案例验证技术落地可行性。
   

局限与展望

当前AIER情感计算等技术尚未成熟，未来需优化多模态交互精度，并开展长期追踪研究以评估对学生心理发展的影响。