工欲善其事，必先利其器。人工智能赋能教与学的研究也应拥有自身独特的方法和手段。在长期的实践过程中，人工智能在教育场景重塑和流程再造方面取得了一定的成效，但由于没有系统揭示智能教学新场景下教与学的规律，仍是知其然而不知其所以然。例如：我们发现在线学习中成绩好的学习者话语互动会更多，主题讨论中探索性对话远远多于任务解决式对话，对于这些问题的研究仍然只知其现象而不明其原理。为了系统构建人工智能赋能教与学的研究体系，我们应从研究目标、研究路径和研究方法多个层面着手考虑未来的研究进路。

(一)以促进人机协同环境下人类更高效的学习为研究目标

为了明确研究目标，我们要回归教育问题本源，紧密围绕智能教学场景中的主体、环境、资源、策略等核心要素，系统性突破人工智能赋能教与学的相关理论。同时，我们还可以利用人类学习认知机理与规律的新发现，深度解构机器智能辅助教学的数理机制，以推动人工智能技术的可持续发展。具体来说，应瞄准以下五个方面的研究目标：(1)针对学习主体，提出人工智能赋能教与学的基础理论。解析人脑语用推理的神经认知机理、知识建构的认知机理及动态演化模式。(2)针对教学环境，突破新型智能教学场景感知关键技术。研制多模态跨尺度的非侵入式生理状态感知技术与设备，实现学习者内隐状态的精准感知和定量分析，构建人机协同教学环境。(3)针对教学资源，形成资源深度理解的个性化导学新方法。实现对跨媒体教学资源中多模态知识的深入理解，为智能导学推理框架提供高阶推理单元，实现针对学生需求、能力、兴趣等要素的精准导学。(4)针对教学策略，建立多重知识表达的教学调节新策略。探究教学策略的多重知识表达机制，研制知识引导的人机协同教育辅助方法，提供面向教师端的智能教学策略生成、教学活动干预和教学状态归因三种典型教学环节的智能辅助，实现对教育过程的协同调节。(5)针对实际教学应用，实现大规模应用验证与示范。建立人工智能赋能教与学的教学效能评测模型，实现增强智能的机器评测，开展相关理论与关键技术的验证和优化。

(二)以“揭示机理—构建环境—个性导学—教学调节—验证成效”为研究路径

人工智能赋能教与学终究还是要落实到教学成效上，为此，我们需要集中神经科学、认知科学、计算机科学、教育学等学科优势力量，开展多学科交叉研究。在研究思路上，以智能教学环境下的学习认知机理为牵引，从教学场景感知、资源高阶推理以及教学过程调节三方面进行系统性技术攻关，为有效支撑人工智能赋能教与学的系统构建与应用验证提供理论与关键技术支撑。具体实施路径如下：

一是针对新型人机环境下的认知机理不明晰问题，通过认知神经科学实验的有效实施，发现有效学习的注意情绪等认知关键影响因素。构建学习认知过程的感知、追踪和预测模型，揭示智能教学中的学习认知机理，以期在认知计算理论模型上取得重大理论突破，为不同场景的有效学习提供实验数据与科学依据。

二是针对教学场景感知难、多主体协同交互受限问题，以场景感知作为突破口，通过视觉重构、非侵入式生理状态检测以及跨模态语义增强等感知技术，解译学习主体内隐状态，取得人机协同教学感知环境构建方法的重点突破，显著提升学习主体认知、疲劳以及情绪等状态的感知精度。

三是针对教学资源服务粗放、精准化适配难等问题，通过挖掘学习资源的高阶推理模式，发现学习成效提升的资源效应，在场景感知与资源理解两者共同作用下，提升自主学习场景下学习者学习成效，重点突破规则引导的跨媒体高阶推理方法，实现针对学生需求、能力、兴趣等要素的精准导学。

四是针对人机协同教学难调节、教学问题难归因等问题，通过教学策略多重知识引导下的教案自动生成、活动编排与干预以及可解释的教学诊断与归因，形成教学效能提升的过程调节效应，重点突破人机协同教学难适应的问题，拟形成多重知识引导下的教学过程调节新方法，以降低教师教学负荷。

五是在上述理论、方法与技术手段的支撑下，打造具有国际领先水平的人机协同智能教学平台，验证技术实施后的智能教学整体成效，面向大规模用户，开展人工智能赋能教与学的增效循证研究、综合评测与系统验证。

(三)以数据驱动的人工智能算法、自然环境下的教学实证、受控环境下的因果实验为研究方法

研究方法是一门科学的精髓，随着教育研究范式的不断演进，方法论上也吸收了越来越多自然科学领域运用成熟的理论、方法与技术。人工智能赋能教与学研究的发展浪潮中已形成以数据驱动的人工智能算法、自然环境下的教学实证、受控环境下的因果实验为代表的三大方法进路，它们为数据驱动的教学模式挖掘与智能适配、自然环境下教学规律发现以及受控实验环境下的复杂关系因果验证提供了强大助力。

数据计算是当前人工智能时代涌现的一种教育研究新方法。它以数据驱动、无干预的方式建立自学习模型，探索教育主体的行为模式、教学风格和活动。数据计算不需要事先建立研究假设，它通过获取原始数据并提取有价值信息，用科学建模方法验证教学规律，填补了传统研究在数据采集和解析深度方面的不足。最近，ChatGPT等大模型为数据计算提供了强劲动能，使其在教育活动中加强了对知识的支持和对教育数据的精准理解，助力潜在教学模式的全方位挖掘，并基于对学习者问题、学业困惑和学习目标的感知形成智能适配方案。

随着人工智能技术发展和教育数据迅速增长，教学实证研究的边界正不断拓展。大规模教育中的教学实证具有影响因素复杂、场景多元融通的特点，而传统的“假设－建模－检验”方法已不能适应这些特点，教学实证开始转向通过智能算法从大数据中识别关键状态变量，并利用假设模型发现这些变量与不同教学活动的关系。人工智能支持下的教学实证具有动态追踪和循证的优势，能够揭示线上和线下不同场域中的教育规律和动态特征。特别是在大规模在线教育中，教学实证可通过采集话语和行为数据，应用深度神经网络、大语言模型等多种新型方法，全面刻画学生认知规律，评估各种因素对教育质量的影响。

受控环境下的因果实验旨在探索特定场景下教育现象的多因素作用机制，寻找有效学习的关键影响因子，以揭示人类学习的深层认知机理并制定适应性教学策略。人工智能为多变量因果实验提供了技术基础和实践领域，创新了传统方法的研究逻辑。与传统教育科学实验不同，其独特的实验平台以及多模态传感器、深度学习等新技术的应用为探索学习的内在发生机理提供了有效手段。它旨在探寻教育现象中个体神经层面的微观认知机制，发现外部干预策略对认知能力的影响，通过采集和分析大脑神经活动数据，精准感知实验室内微观教育活动中各种影响变量和个体学习状态，彰显教与学因果关系探索的价值。（文章摘自：《华中师范大学学报（人文社会科学版）》）