全球视野 | 高等教育中人工智能应用

（本文是基于 Zawacki-Richter 等人 2019 年研究的综述与延伸）

一、研究背景与概述

人工智能（Artificial Intelligence, AI）作为信息技术发展的重要成果，正在重塑教育体系的运行逻辑与知识生产方式。自 21 世纪初以来，AI 已逐渐渗透到教学管理、学习分析、教育测评与学生支持等环节，并成为教育技术研究的重要议题。然而，尽管学界对人工智能教育（AI in Education, AIEd）已有诸多探索，但对于高等教育层面的应用现状、研究趋势与潜在挑战，仍缺乏系统性的整体性认识。

Zawacki-Richter 等（2019）在《International Journal of Educational Technology in Higher Education》发表的系统性综述，正是为弥补这一研究空白而展开的。该研究以 2007 至 2018 年间的学术文献为分析样本，系统梳理人工智能在高等教育领域中的主要应用方向、研究特征与理论反思，揭示出该领域技术与教育之间的结构性失衡，并对教育者在未来 AI 教育体系中的角色转变提出启示。本文旨在基于该研究的主要发现，对其核心结果进行学术性重述与延伸讨论，以期为教育工作者理解人工智能在高教领域的应用逻辑与创新路径提供参考。

二、研究方法与数据来源

该综述采用系统性文献分析方法（Systematic Review）。研究者在 2018 年 11 月通过 EBSCO Education Source、Web of Science 和 Scopus 三个数据库检索 2007 年至 2018 年间的相关文献，使用“artificial intelligence”“higher education”“machine learning”等关键词进行组合搜索。经过初步筛选、去重与全文审查，共纳入 146 篇符合标准的同行评议期刊论文。研究团队建立了多维度编码框架，包括发表年份、作者国别与学科背景、研究方法类型、AI 应用场景、教育环节、伦理反思与定义清晰度等方面。通过统计与定性分析，作者呈现了 AI 教育研究的总体格局与主要主题。

值得注意的是，该综述聚焦于高等教育领域，而非基础教育或职业培训领域，这使其结果更具针对性地反映了高校教学、科研与管理体系中 AI 的应用特征。

三、研究结果与发现

（一）研究总体分布特征

从时间趋势上看，2007 至 2018 年间人工智能在高等教育中的研究呈现持续增长态势，尤其自 2015 年后增长显著，表明人工智能逐渐成为教育技术领域的核心议题。从地域分布看，研究主要集中在美国、中国大陆、中国台湾与土耳其等地区，占全部样本的约一半，显示出研究力量的区域集中性。

在作者学科背景方面，超过三分之二的研究由计算机科学或工程领域的学者主导，教育学背景的第一作者仅占 8.9%。这种学科倾斜表明，高等教育中的 AI 应用研究主要由技术驱动，而教育理论与教学法的介入仍较为薄弱。研究方法上，定量研究占据主导地位（约占样本的 70% 以上），主要使用实验设计、预测模型和统计分析；而质性研究与混合研究方法相对稀缺，导致学习者体验、教师参与及教育情境化理解等维度被边缘化。这一现象揭示了技术导向研究范式在教育领域中的主导地位，也提示未来研究应更重视教育理论的内生参与。

（二）人工智能在高等教育中的应用领域

该综述将人工智能在高等教育中的应用划分为四个主要领域，分别为画像与预测、评估与评价、适应系统与个性化学习、以及智能辅导系统。这四个方向涵盖了教学、学习与教育管理的主要环节，构成了人工智能介入高等教育实践的基本框架。

1. 画像与预测

“画像与预测”是文献数量最多的研究方向，占比超过一半。此类研究主要依托机器学习算法，通过分析学生成绩、出勤、学习轨迹、在线行为等数据，建立学生画像模型，以预测学业表现、辍学风险或课程适配性。研究发现，支持向量机（SVM）、人工神经网络（ANN）与随机森林等算法在学业预测中的准确率普遍高于传统的回归分析方法。一些高校利用此类模型实现了早期预警机制，对学习困难学生进行干预与支持。这一方向的研究体现了数据驱动决策的潜力，但同时也引发了关于数据隐私、算法偏见与模型可解释性等伦理问题。对于教育工作者而言，这意味着在采用预测性模型时，必须在技术效能与教育公正之间寻求平衡。

2. 评估与评价

人工智能在教育评估领域的应用主要集中于自动评分、学习反馈与教学效果分析。研究表明，自动作文评分系统（Automated Essay Scoring, AES）在特定类型写作任务中可与人工评分达到较高一致性（94% 至 98%），显著提升了大规模考试与在线课程的可操作性。此外，AI 系统能够在学生学习过程中提供即时反馈，帮助其识别错误、调整策略并强化元认知能力。一些研究还利用算法检测学术不端行为，如剽窃与合作作弊，准确率可达 90% 以上。

然而，作者指出，这类系统的设计往往忽视教育评价的形成性特征与学习情境的复杂性。自动评分与反馈虽能提高效率，但若脱离教师的教学意图与学生的学习情感，可能削弱评价的人文价值。因此，教育工作者应将 AI 视为辅助工具，而非评估主体，使其服务于更丰富的教学反馈体系。

3. 适应系统与个性化学习

个性化学习是人工智能教育的核心理念之一。此类研究关注如何利用算法根据学习者特征、知识水平与学习路径动态调整教学内容，实现差异化教学。研究表明，AI 驱动的适应系统可在语言学习、编程教学、科学实验等领域显著提升学习效率。系统能够基于学生历史表现实时推荐学习资源，自动调整内容难度与教学节奏，并在学习停滞时提供策略性提示。

此外，个性化系统不仅作用于学生端，也可为教师提供学习分析报告，帮助其掌握班级整体学习进度与个体差异。然而，作者也指出，这类系统往往缺乏明确的教育理论支撑，更多以算法逻辑为主导。教育工作者若要充分利用其潜能，需在系统设计阶段介入教学法原则，确保个性化学习符合课程目标与认知发展规律。

4. 智能辅导系统

智能辅导系统（Intelligent Tutoring Systems, ITS）是人工智能教育应用中最具代表性和成熟度的领域。ITS 旨在模拟人类导师的思维与互动过程，为学生提供即时反馈与指导。其基本结构通常包括学生模型、教师模型、领域模型与诊断模型，通过实时监测学习行为识别学生知识盲点，从而生成个性化反馈。研究显示，ITS 在数学、医学、语言与写作等领域已取得显著成效，可显著提高学习成绩与学习动机。

然而，该领域的研究多为短期实验或局部应用，缺乏长期纵向追踪与规模化实证支持。同时，ITS 对教师角色的研究相对匮乏。尽管部分研究尝试探讨教师与智能系统的协同教学模式，但总体而言，ITS 仍主要定位为“虚拟教师”，而非“智能助教”。这提示未来研究应转向“人机协作”视角，强调教师在系统中的引导与监督作用。

（三）理论与伦理维度的缺席

综述结果显示，在 146 篇文献中，仅有 5 篇对人工智能的概念进行了明确界定，仅 2 篇讨论了伦理与社会风险议题。这意味着多数研究将 AI 视为既定技术，而非教育现象。伦理维度的缺失导致对隐私、数据安全、算法偏差与教育公平的关注严重不足。此外，研究中鲜有从教学理论、学习科学或教育哲学角度探讨 AI 对学习关系与教育价值的影响。

作者指出，这种“技术中心主义”倾向是高等教育 AI 研究的主要局限。技术的教育化应以学习者为中心，而非算法为中心。教育工作者在设计与使用 AI 系统时，应同时考量教学适切性、学习者主体性与教育伦理责任。

四、教育启示与实践反思

该研究的结论对当代教育者具有多方面启示。首先，人工智能研究需要教育视角的深度介入。当前多数研究由工程技术人员主导，导致教育目标与教学逻辑被算法化思维取代。教育工作者应在研究与实践中重新确立教学主导地位，明确技术应用的教育目的与学习成效标准，使 AI 真正服务于教学创新。

其次，教师的角色正在由知识传递者向智能合作者转变。AI 系统能够承担部分重复性与分析性工作，使教师从“信息提供者”转型为“学习引导者”“数据解释者”和“情感支持者”。教师应学会利用 AI 提供的学习分析结果优化教学设计，同时保持对学习过程的情境性理解与人文关怀。

再次，AI 教育系统的建设离不开跨学科合作。教育学、心理学、计算机科学与伦理学的融合是构建可持续教育智能生态的关键。教育机构应建立多学科团队，共同制定 AI 教育应用的伦理准则与数据治理规范，保障技术的透明性与公平性。

最后，教育者自身应具备基本的数据素养与算法理解能力。只有当教师能够理解 AI 系统的运作逻辑与潜在偏差时，才能在教学过程中合理解释算法结果，防止技术对教育决策的过度支配。

五、大语言模型的出现

自 2019 年以来，以 GPT、Gemini、Claude、通义千问等为代表的大语言模型（Large Language Models, LLMs）推动了人工智能在教育领域的又一次范式跃迁。若将 LLMs 纳入 Zawacki-Richter 等人提出的研究框架，可以发现其对四大领域均带来了结构性扩展与创新。

在“画像与预测”领域，LLMs 能够通过自然语言理解技术分析学生的作文、讨论文本与学习日志，从而捕捉更深层次的情感、思维模式与学习动机，丰富学习分析的维度。在“评估与评价”领域，LLMs 可在开放式问题、论文写作与口语表达等任务中提供即时反馈与自动评分，极大拓宽了 AI 在形成性评价中的应用边界。

在“个性化学习”方面，大语言模型展现出动态生成与对话交互的能力，能够根据学习者提问生成定制化学习内容，成为学生的“认知伙伴”。在“智能辅导系统”层面，LLMs 使教育代理（AI Tutor）具备更强的语义理解与情境对话能力，实现了从“预设式教学”向“生成式教学”的跃迁。学生与 AI 的互动不再仅限于任务反馈，而转化为持续的对话式学习过程。

然而，与早期 AI 应用类似，LLMs 亦面临教学适切性、学术诚信、算法偏见与伦理监管等问题。教育者在使用 LLMs 时，应在教学设计中明确模型的辅助功能边界，确保学生学习的原创性与批判性思维不被削弱。同时，教育机构需建立针对生成式 AI 的伦理审查与透明机制，使 AI 的引入符合教育公平与人文价值的基本原则。

六、结论

Zawacki-Richter 等（2019）的系统性综述不仅揭示了人工智能在高等教育中的主要应用方向，也为理解教育与技术的关系提供了重要参照。研究表明，高等教育中 AI 的发展正从技术实验阶段迈向系统整合阶段，但其教育逻辑、伦理治理与教师参与仍处于初步探索阶段。对教育工作者而言，人工智能不是教学的替代者，而是教学革新的催化剂。

随着大语言模型技术的迅猛发展，人工智能与教育的关系将进一步深化。未来的关键不在于技术能做什么，而在于教育如何善用技术。唯有在教育者的价值引导下，人工智能才能真正成为促进学习、推动公平与实现人类潜能的工具。这一转向，标志着从“技术赋能教育”到“教育塑造技术”的时代变革，也为高等教育的未来开启了新的智能篇章。

参考文献

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0