亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國內或國外 期刊或論文

您當前的位置:發(fā)表學術論文網經濟論文》 人工智能賦能課堂反饋的倫理困境及風險化解> 正文

人工智能賦能課堂反饋的倫理困境及風險化解

所屬分類:經濟論文 閱讀次 時間:2022-03-24 10:51

本文摘要:摘要:人工智能(AI)技術為課堂教學反饋帶來質效提升的同時,其引發(fā)的一系列倫理問題也日益受到關注。對應用個案的系統分析有助于揭示此類倫理困境產生的深層次原因;趯中學課堂反饋AI系統的開發(fā)者以及教師、學生等應用者的訪談,通過三級編碼分析構建的內因外緣解

  摘要:人工智能(AI)技術為課堂教學反饋帶來質效提升的同時,其引發(fā)的一系列倫理問題也日益受到關注。對應用個案的系統分析有助于揭示此類倫理困境產生的深層次原因;趯中學課堂反饋AI系統的開發(fā)者以及教師、學生等應用者的訪談,通過三級編碼分析構建的“內因—外緣”解釋模型表明:課堂反饋AI系統應用的倫理困境主要由算法陷阱引起,表現為算法黑箱與算法歧視;由于算法規(guī)則的不透明和偏向性,課堂智能反饋過程呈現出數據失信、數據濫用和隱私侵犯等現象,誘發(fā)了權力失范、關系失衡、情感異化等外發(fā)風險;這些風險表現為“師端”的教育自主權讓渡,“生端”的學習自主性喪失、過度情感勞動以及情感遮蔽等。化解AI賦能課堂反饋的倫理風險,應該規(guī)避算法黑箱和算法歧視,主張師生對算法規(guī)則有知情權,以學生的主動性和發(fā)展性為落腳點完善法律法規(guī)對抗算法歧視;制定數據倫理規(guī)約,確保教育數據與師生隱私的安全;建立師生與AI之間的雙向平等關系,強化人機協作效用;揭示學生情感變化規(guī)律,發(fā)展師生的積極情感關系。

  關鍵詞:人工智能;課堂反饋;算法陷阱;倫理風險

人工智能論文

  一、問題的提出

  人工智能(ArtificialIntelligence,AI)通過分析課堂教學活動過程,能夠為教學反饋提供新思路,為個性化教學提供新方法(孫眾等,2020)。許多學校與企業(yè)合作,嘗試研制出學生課堂反饋AI系統,使教學反饋實現從依賴教師觀察、作業(yè)反饋與測驗反饋向自動化、智能化、精準化與過程化反饋轉變。但AI在提升課堂教學反饋質效的同時,也帶來了巨大的挑戰(zhàn):“計算主義”至上的學習分析方式有悖于教育系統的復雜性(顧小清等,2020);大規(guī)模采集生理信息數據的做法侵犯了學生隱私(唐漢衛(wèi)等,2020);出現“算法囚徒”的風險,甚至某些算法會不斷強化自身的隱性控制,增強算法的監(jiān)控屬性(彭蘭,2021)。

  值得深思的是,AI介入課堂是增強課堂反饋還是強化課堂控制?要實現AI與課堂教學反饋之間的“加法”,應當是計算機科學、心理學、教育學、社會學和倫理學等多學科融通的結果。本研究始于X中學課堂反饋AI系統應用引發(fā)的 媒體爭議。X中學與H公司以提升課堂反饋效率為目標,以采集和分析學習行為數據、表情數據和認知數據為策略,合作研制了X中學課堂反饋AI系統。該系統卻被媒體稱為“黑科技”“天眼”“刷臉神器”“窗外的班主任”等,認為其造成了“無形的壓力”“全天把神經繃緊”“情緒壓抑”等負面影響。本研究對X中學課堂反饋AI系統的應用進行追蹤,旨在透過應用進程中的“故事”,探析AI應用于課堂反饋的倫理困境及成因,并嘗試提出解決方案。

  二、文獻回顧

  1.AI賦能課堂反饋的技術實現

  傳統的課堂教學反饋方式具有主觀性強、樣本量較小、費時費力以及滯后性等局限(吳立寶等,2021)。AI技術的出現,推動了課堂教學反饋通路的變革,實現了高效、動態(tài)、精準、智能以及自動化的反饋過程(趙瑞斌等,2021)。AI技術將攝像頭、拾音器等采集的師生行為、語音、面部表情、生理信號等復雜生理特征數據化,并自動學習數據的隱形結構與內在規(guī)律,探測學習者內隱的認知與情緒狀態(tài),助力課堂反饋(劉清堂等,2019)。

  AI技術支持的課堂反饋研究主要從課堂行為識別、情緒計算、多模態(tài)數據融合等路徑著手。Whitehill等(2014)通過對學習者面部表情數據的采集與計算,推斷其學習參與度,增強教師對學習者參與情況的及時感知;韓麗等(2017)應用人臉檢測與面部表情識別技術,分析認知行為與頭部姿態(tài)、面部表情的關系;曹曉明等(2019)基于臉部圖像、腦電波數據以及學習日志等多模態(tài)數據集,分析學生學習參與度和活躍度。AI賦能課堂反饋呈現出學習過程監(jiān)測化、認知狀態(tài)可視化等趨勢。但AI的融入并未為課堂教學帶來深層次、大規(guī)模和結構性的變革(鐘紹春,2020)。AI可提高效率和準確性,但AI的誤用會對學生產生危害,而當危害發(fā)生時,AI的應用風險可能被放大,甚至帶來諸多偏見(Wang,2021)。

  2.AI賦能課堂反饋的本體局限與倫理問題

  AI為課堂反饋帶來便捷高效的同時,也沖擊和改變了整個課堂教學生態(tài),并誘發(fā)了一系列倫理問題(吳河江等,2020)。事實上,AI的課堂應用仍處于以深度學習為基礎的弱人工智能階段,其算法實現呈現高效率與過度控制的“雙刃劍”效應,彰顯出AI技術自身的局限性(莫宏偉,2018)。

  一方面,面部與行為識別雖能采集并分析出個體的內在情緒狀態(tài),但其依賴攝像追蹤和語料采集所獲得的數據常常過于碎片化和缺乏規(guī)律性,無法有效進行數據融合和兼容計算(李新等,2019)。

  另一方面,教育過程的復雜性和教育數據的非結構性決定了教師教學過程和學生學習過程的數據不可能得到完整記錄,一些和教學行為高度關聯的數據常因難以數字化而缺失(趙佳麗等,2020);此外,數據挖掘獲得的個體行為和情緒數據,也不一定能準確解釋深層次的學習發(fā)生機制(顧小清等,2016)。不少研究也指出了AI技術應用于課堂反饋可能引發(fā)倫理風險。首先,面部表情與內在情緒有著復雜而非一一對應的關聯(黃麗鳳等,2010),簡單應用數據表征學習者情緒有量化、標簽化教育主體的嫌疑(蘇明等,2019)。

  其次,判定行為、面部表情與個體內在情感之間的關系,需要采集海量數據,嚴重威脅教育主體隱私安全(Berendtetal.,2020)。再次,過度的行為與面部表情識別易將課堂文化引向控制和規(guī)訓(安濤,2020)。最后,對學生的內心情緒進行制度化地窺探與導引,學生將被迫進行學習活動之外的情感勞動(程猛等,2021)。如要為學習者搭建促進其學習的智能化學習環(huán)境,需重點探析愈來愈普遍的人工智能教育應用中的倫理風險,建構對人工智能教育應用倫理限度的正確認識(李政濤,2020)。

  三、研究設計

  本研究基于扎根理論,觀察X中學課堂教學,并對X中學校長與H公司7名算法工程師分別進行5輪與1輪的深度訪談,對11位教師與20名學生進行2輪焦點小組訪談,之后依托三級編碼分析數據并構建解釋模型,探究X中學課堂反饋AI系統應用誘發(fā)倫理問題的深層次原因。編碼分為三個步驟:

  第一步,通過開放式編碼將歷時一年的課堂觀察資料、系統日志、訪談資料進行逐條分析、歸類與概念生成;第二步,通過主軸編碼將導致倫理問題的概念類屬建立聯結,生成主要類屬;第三步,通過選擇編碼對主要類屬進行整合與精煉,得出核心類屬,并解釋主要類屬之間的關系。收集的資料涉及兩方面主題:

  一是系統研發(fā)愿景及與結果匹配的情況,包括分析系統的正向激勵作用,對教師、學生和家長之間有效溝通的強化作用等。二是算法實現的辦法,包括學生專注度、參與度判定算法模型的設計思路,分析算法與學生心理安全感、師生關系、情感激勵之間的關系。研究者對收集到的資料進行整理,最終得到7萬余字的訪談記錄;隨機選擇2/3的訪談記錄進行編碼分析和模型構建,剩余1/3的訪談記錄留作理論飽和度檢驗。

  四、資料分析

  1.數據編碼與分析(1)開放式編碼經過多次反復閱讀和比較,最終形成9個初始概念類屬:算法黑箱、算法歧視、數據濫用、隱私侵犯、數據失信、教育自主權讓渡、學習自主性喪失、情感勞動、情感遮蔽。(2)主軸編碼在開放式編碼基礎上挖掘概念類屬之間的關系邏輯,最終形成4個主類屬:算法陷阱、權利失范、關系失衡、情感異化。(3)選擇性編碼通過系統分析,確定“課堂反饋AI系統的倫理困境”這一核心類屬,圍繞核心類屬的“故事線”可以概括為:算法陷阱是課堂反饋AI系統倫理困境的內驅動因,它直接誘致了權力失范、關系失衡、情感異化三個外發(fā)風險,權力失范、關系失衡、情感異化也間接導致算法陷阱,其關系結構如表3所示。此外,權利失范、關系失衡以及情感異化之間也存在間接的影響作用,形成了外緣閉環(huán)。以此“故事線”為基礎,本研究構建了課堂反饋AI系統應用倫理困境的“內因—外緣”解釋模型。

  2.理論飽和度檢驗

  利用預留的1/3的訪談記錄進行理論飽和度檢驗,未出現新的重要類屬和關系屬性;四個主類屬內部也沒有發(fā)現新的構成因子。由此可判斷,上述“內因—外緣”解釋模型在理論上是飽和的。

  五、“內因—外緣”解釋模型闡釋

  用“內因—外緣”的解釋模型可以有效解釋X中學課堂反饋AI系統應用的倫理困境。算法陷阱是造成數據權利失范、師生關系失衡以及情感異化等外發(fā)性倫理風險的內生性動因。數據的權利失范、師生的關系失衡與情感異化會加速課堂反饋AI系統的應用跌入算法歧視與算法黑箱的技術主義窠臼,形成惡性循環(huán)。

  1.內因:算法陷阱的形成機制算法是AI賦能課堂反饋的實質內核,算法規(guī)則是決定反饋是否有效的關鍵。H公司設定算法規(guī)則的初衷是監(jiān)測學生的課堂行為表現,為教師及時干預提供參考。技術人員ET-1和ET-3作為算法研制者,其認為X中學課堂反饋AI系統的算法實現是有依據的:模型從大量的學習者行為與面部表情數據中進行機器學習生成7種情緒(恐懼、快樂、厭惡、悲傷、驚訝、憤怒和中性)、6種行為(讀、寫、聽、站、舉手、趴在桌子上)等特征指標,并賦予這些指標詳細的定義。

  算法研制者根據指標定義對其進行加權處理,閱讀等正向行為則加分,趴桌子等負向行為則減分。已有研究證實,個體的肌體信號是與心理壓力相聯系的,特別是個體的情緒狀態(tài)(韓穎等,2018)。X中學課堂反饋AI系統設計理念源自于此,主要通過面部肌肉振幅、肢體動作來判定學生的專注度與活躍度。但課堂行為與專注度、活躍度之間的因果關系是否成立呢?

  (1)算法黑箱

  從課堂觀察情況來看,系統給出的結果與教師的判斷往往存在很大分歧。有些學生只是“偶爾走神”,有些學生習慣于“東張西望”,系統的記錄均指向“低專注度”。但事實上這些學生的課堂專注度較高,成績也優(yōu)秀。為解釋這一偏差,深入分析H公司的技術文檔發(fā)現:系統數據采集機制存在問題,偏向性的數據采集可能導致算法歧視風險。系統將教室分為6個區(qū)域通過攝像機進行輪回掃描,40分鐘的課程平均掃描到每個學生的時長大概5分鐘。

  教育的整體性與數據的節(jié)點性存在不可調和的矛盾,僅用5分鐘碎片化數據來判斷學生的課堂學習狀態(tài)是不準確的。加之采集數據類型太過單一,與教育的復雜性本質相悖。教師ST-7、ST-8和ST-9明確指出規(guī)則存在漏洞,忽略具體情境的簡易表征并不能夠完全反映學生真實的學習狀態(tài),同一個學生的同一種行為在教師的不同教學情境中所表示的意義也是不同的。簡單的7種情緒和6種行為難以表征課堂教學活動的復雜性,也難以得到有效證明與保障(Boddington,2020)。并且算法的技術專業(yè)性、單向性以及隱蔽性等特征導致教師難以理解算法輸出的結果,加劇了“算法黑箱”效應,盲目依賴預測性、引導性的算法決策會給教育系統帶來巨大的危害(張愛軍,2021)。

  (2)算法歧視

  X中學教師認為該系統能夠有效提升低專注度學生的課堂學習專注度。H公司據此改進系統,重點關注學習成績差且課堂專注度不高的學生。但當這部分學生意識到他們成為系統的重點監(jiān)控對象后,表達了強烈的不滿,加劇了算法歧視風險。加之,算法規(guī)則來源于算法研制者的主觀判斷與選擇,難以避免嵌入某種偏向。譬如:低頭、眼睛朝向課桌或書本可能是在“閱讀”,亦有可能是“走神”;頭部貼著課桌或課桌上的書有可能是“趴桌子”,亦有可能是“回顧知識點”。算法研制者的行為判斷偏向會在算法的推斷與應用過程中不斷增強,并最終“植入”學習者的意向和行為動機,從而固化或改變其行為選擇(程猛等,2021)。

  2.外緣:算法陷阱的主要危害

  算法通過對課堂教學行為數據的分析與應用,催生了新的課堂反饋形態(tài),并以更創(chuàng)新、更高效的課堂反饋模式取代傳統的課堂反饋模式。但算法規(guī)則的不透明和偏向性引發(fā)的算法黑箱與算法歧視會伴隨其應用疆界的不斷拓展而蔓延至課堂反饋全過程,衍生出數據失信、數據濫用和隱私侵犯等現象。

  數據權利失范所導致的工具理性對價值理性的不斷僭越,進一步造成了教師教育自主權讓渡以及學生學習自主性喪失,帶來師生關系失衡的風險。隨著師生關系異化,正常的情感交流不斷被壓制和邊緣化,進而導致情感失衡,引發(fā)了過度情感勞動與情感遮蔽的風險。師生進行作偽、作秀式的“課堂表演”,進一步加劇了數據失信,形成“權利失范—關系失衡—情感異化”的閉環(huán)回路。此外緣閉環(huán)具有顯著的疊加效應,作用于“黑箱”與“歧視”的算法陷阱內因,會加劇AI支持課堂反饋的倫理風險。

  (1)權利失范

  算法陷阱引發(fā)了數據權利失范。首先,算法并非中立,其暗含了主導者的意識偏向,致使在進行數據采集時收束了教育主體的選擇權。教育管理者、教師有權決定何種信息被采集,何種信息禁止采集,而作為數據主體的學生卻無權選擇。例如教師和學生均對數據的采集、存儲、處理以及使用過程中的安全性產生質疑,H公司技術人員ET-3也透露“數據的傳輸與存儲缺乏保護機制”,由此引發(fā)了教師的抵觸情緒,因教師的抵觸攝像機便只采集學生數據。教師應用“權利”確保了教師自身數據不被采集和分析,這本身就是一種權利失范。而教師行為透露出該系統可能存在數據濫用與隱私泄露的風險,不可避免地讓學生產生憂慮。其次,算法的不透明性忽視了教育主體的知情權。

  課堂行為評價算法是一個未知的“黑箱”,師生作為數據主體無法知悉算法的運行機制,利用不可解釋的課堂行為評價算法,對海量教育數據進行分析,其最終生成的結果是否合理,是否有利于學生成長發(fā)展,亦存在爭議。最后,深度學習機制具有不確定性,對學生信息的挖掘不能完全為其設計者所主導,對數據進行廣泛而深入地解讀,可能形成意料之外的數據鏈,挖掘出個體敏感信息,嚴重威脅師生的隱私安全。SS-17在被系統認定為“左顧右盼”后,被同伴取笑,認為他是對后座異性同學“有意思”。

  (2)關系失衡算法陷阱誘發(fā)了師生關系失衡。X中學為助力學生學習引入AI,卻忽視了課堂教學的本質是師生交流互動的過程。AI的強勢介入,在課堂反饋中扮演“監(jiān)控者”的角色,必然會導致師生關系的解構與重構。于教師而言,“算法黑箱”可能導致盲目的技術崇拜,進而消解教師對教學的熱情與創(chuàng)造性(孫艷秋,2018)。有教師表示課堂反饋AI系統一定程度上可以起到督促學生的作用,尤其是幫助低專注度的學生提高注意力,將其從點名、維持課堂秩序中解放出來,從而提高課堂效率。

  但是系統的常態(tài)化使用,可能使教師愈加依賴系統的監(jiān)控與決策,喪失獨立思考和判斷的能力。于學生而言,借助人臉識別、情感分析等技術手段發(fā)現、計算和糾正微小的不當行為的算法機制,其本質是對學習者實施心靈的“全景敞視”,可能導致學生個性異化與學習專注力喪失(張家軍等,2021)。

  學生時時刻刻被無形的監(jiān)管者記錄和分析,身體與情緒被置于被注視和被計算的狀態(tài),其安全感、信任感得不到滿足,容易引發(fā)“寒蟬效應”,將課堂文化導向逼仄、壓抑,學生喪失學習的主動性與專注力。學生SS-7就表示“我不喜歡被監(jiān)控,這讓我不自在。這個系統有可能有效,但我沒辦法按我的步調去安排學習進度,我可能反而學不好了。”AI賦能課堂反饋的過度監(jiān)控忽視了師生內部的自主性與自我控制力,抑制了教師的創(chuàng)造性,導致教師教育自主權讓渡與學生學習自主性喪失。

  (3)情感異化算法陷阱致使師生情感發(fā)生異化。于學生而言,AI技術通過攝像頭持續(xù)采集學生人臉特征、行動軌跡、個人偏好等數據,實現對學生認知、情緒和行為習慣的全方位、實時關注,使得學生如同身處“全景敞視監(jiān)獄”中(米歇爾·福柯,1999)。它無形之中規(guī)訓學生的身體,抑制其真實情緒的表達,進而導致其情感的內在體驗和外部表達失調(程猛等,2020)。

  學生甚至被迫進行智識活動之外的情緒整飾,進行頻繁、高強度的情感勞動,甚至養(yǎng)成“表演性人格”(馮銳等,2020)。迪特爾·察普夫指出過度情感勞動可能導致情感枯竭和個性喪失(Zapf,2002)。于教師而言,在監(jiān)控之下開展教學,其難免會出現迎合的心態(tài),無法完全敞開心靈進行自主發(fā)揮。由此課堂教學蛻變成“前臺”表演,所有外顯的情緒、行為都具有了強烈的工具性價值,師生都將通過作偽、作秀的表演做出符合既定算法機制的情緒和行為表達,如此便可獲得系統“過程性”與“真實性”的評價。

  長此以往,教育生態(tài)會被嚴重破壞。教師SS-11對系統常態(tài)化使用表達了深切的憂慮:“這個系統如果長期使用,老師會用來給學生施加壓力,學校會用來給老師施加壓力,建議千萬不要常規(guī)化。”此外,攝像頭對師生反復、無限度地“注視”,將師生對象化,遮蔽了其作為教育主體的完整性和時空感,學生言行被去情境化呈現,使其陷入被誤解與錯判的風險(郝東方,2015)。如此則招致師生正常的情感交流被邊緣化,學生心理安全、自尊以及自我實現等需要被忽視。

  六、倫理困境的化解策略

  1.彰顯算法價值理性,遵循教育的人性邏輯

  AI在改進課堂反饋層面顯示出巨大的潛力,但同時也帶來了不可避免的挑戰(zhàn)。如果出現錯誤的價值引導,這些挑戰(zhàn)可能就會轉化為教育技術創(chuàng)新應用的巨大阻力(Dawsonetal.,2018)。重視AI課堂應用的價值引導,須從以下兩個方面著手。

  一是規(guī)避算法黑箱風險。技術參與課堂反饋的過程,使教師不必在學生學習行為發(fā)生的所有場合都出席,卻能對學生每一個階段的學習行為了如指掌,這將有助于教師采取更為合適的教學干預措施(Holroyde,1971)。但AI在課堂反饋中的應用應遵循賦能教師而非異化教師的原則。該原則的關鍵在于提升算法透明度。盡可能地向師生公開算法程序和算法運行的全過程,用可視化的簡單指標解釋技術和模型狀態(tài);及時向師生公開數據信息收集的范圍和系統運行的可能結果,使得師生對自己的數據隱私和身份標簽有較為清晰的了解。教師應強化與學生的常態(tài)化互動,利用系統輸出結果輔助判定學生狀態(tài),合理采取相應教學改進措施。

  二是避免算法歧視風險。在某種技術的設計與教育應用中充分考慮學生的主動性與發(fā)展性方為該技術最好的教育應用(李政濤,2006)。因此在數據采集、算法設計和決策制定的全過程中,應將學生的主動性和發(fā)展性作為落腳點,并通過立法規(guī)范算法技術,明確篩選數據的標準化制度,建立算法透明性和可解釋性的審查機制,完善算法問責機制,以完善的法律法規(guī)對抗算法歧視。

  2.制定數據倫理規(guī)約,確保師生隱私安全

  數據是AI賦能課堂反饋的基礎。但對教育數據的濫用與過度解讀會威脅教育主體的隱私安全,甚至會限制學生長遠發(fā)展。因此,可從價值定位與數據確權兩個方面為教育數據安全提供內生規(guī)約與外在保障,以確保數據主體的隱私安全。

  明確教育數據的價值定位可為教育數據安全提供內生規(guī)約。教育數據的本體限度決定了其應用價值在于“洞察”而非預測(茍學珍,2021),即洞察師生的交流互動,助力因材施教與個性化學習,而非考核教師業(yè)務能力、預測學生未來發(fā)展。并且在對教育數據進行收集、分析以及存儲過程中應以有用無害為價值追求;在數據被分析、解釋與挖掘過程中應將隱私保護作為數據規(guī)則來保護教育主體的隱私安全。

  在明確教育數據價值定位的基礎上進行數據確權是根治教育數據濫用的關鍵。數據確權即制定相應數據采集與使用制度,保障數據主體的隱私權、知情權與遺忘權。例如,對數據采集、存儲、訪問、提取等方面做出明確規(guī)定,盡量避免采集個人敏感信息;數據傳輸與存儲過程中進行加密處理,對敏感信息進行智能清洗,防止隱私意外泄露;數據使用過程中保證數據主體的知情權,并對相關信息進行有效保護,不得隨意泄露甚至買賣他人數據;定期刪除服務器上師生的個人數據,保障數據主體的“被遺忘權”,避免數據濫用持續(xù)性存在。

  3.建立雙向平等關系,強化人機協作效用

  人工智能的強勢介入,嚴重沖擊了課堂教學中師生關系的平衡,引發(fā)了教師教育自主權讓渡與學生學習自主性喪失。因此,調和AI帶來的負作用,防止技術對教育主體的僭越,就需要形成AI與教育主體相互制約的交互關系,強化人工智能與人腦智能的有效協作,充分發(fā)揮師生的主觀能動性與技術的輔助作用,建立雙向平等的關系,形成“師—AI—生”的人機協作共同體。

  維貝克認為,技術意向性對于人的道德主體性具有建構作用(李日容等,2018)。因此,要建立師生與AI之間雙向平等的關系,其基本前提是教育管理者與教師要理性認識課堂反饋AI系統的工作機理及其有效賦能的條件與限度,避免技術崇拜與技術依賴造成的教育主體性缺失。具體舉措包括:建立具有明確道德觀、價值觀指引的倫理框架,增強教育主體對技術倫理的自我感知,同時對其已經或可能產生的價值迷失、行為失范等進行澄清和引導。

  強化人機有效協作就要求算法設計者把握AI智能性與師生自主性二者間的平衡,使之既能充分利用教育人工智能高效、全面、精確的特性進行數據采集、分析與可視化呈現,又能充分發(fā)揮教師“靈魂工程師”的角色,以人腦智慧完成最優(yōu)決策,以獨具特色的知識經驗為學習者學習外部知識及價值觀等提供美好的學習體驗,豐富師生的情感與思想交流,助力學生價值觀的建構,消弭技術對師生互動產生的負面影響。

  4.揭示情感變化規(guī)律,發(fā)展積極情感關系

  情緒識別與情感計算在豐富課堂反饋通路的同時,也帶來了情感遮蔽與情感勞動的負面影響。目前,情緒狀態(tài)的智能感知研究大多停留在去時空化的基于文本、語音、視頻或生理信息的單模態(tài)識別模型層面,難以還原學生真實狀態(tài),進而形成情感遮蔽(王一巖等,2021)。提高情感計算的還原率有助于增強教師對學生認知情緒狀態(tài)的理解,強化課堂反饋的有效性。具體舉措包括三點:

  一是注重情感數據的多元整合性,將人臉識別、語音識別和自然語言處理等技術相融合,綜合不同模態(tài)的情感數據來提高情感識別的準確度,綜合衡量學習者的學習狀態(tài)。二是注重情感發(fā)生依存性,利用智能感知技術對真實的教學情境進行全方位、多層次的精準刻畫,探究教師教學風格、課堂氛圍等教學要素對學習者情感狀態(tài)的影響機制。

  三是注重情感狀態(tài)的時序變化,利用時序性數據,構建基于時間序列的動態(tài)分析模型,以便更精準地還原學生當下情緒狀態(tài),揭示其情感變化規(guī)律。課堂教學的本質是師生互動。人工智能作為課堂監(jiān)控異化了師生間的互動。因而,采用輕量化的人工智能設備,弱化其監(jiān)控屬性,有助于調和師生正常的互動交流。同時,教師應加強對學生的情感關懷,及時進行情感干預,消弭人工智能對師生情感互動產生的負面影響,發(fā)展積極的情感關系。

  參考文獻:

  [1][法]米歇爾·?(1999).規(guī)訓與懲罰[M].劉北成,楊遠嬰.北京:生活·讀書·新知三聯書店:241-242.

  [2]安濤(2020).“算計”與“解蔽”:人工智能教育應用的本質與價值批判[J].現代遠程教育研究,32(6):9-15.

  [3]曹曉明,張永和,潘萌等(2019).人工智能視域下的學習參與度識別方法研究——基于一項多模態(tài)數據融合的深度學習實驗分析[J].遠程教育雜志,37(1):32-44.

  [4]程猛,宋文玉,陽科峰(2020).人臉識別技術的課堂應用:一種批判性反思[J].基礎教育,17(5):47-53.

  [5]程猛,陽科峰,宋文玉(2021).“精準識別”的悖論及其意外后果——人臉情緒識別技術應用于大學課堂的冷思考[J].重慶高教研究,9(6):78-86.

  [6]馮銳,孫佳晶,孫發(fā)勤(2020).人工智能在教育應用中的倫理風險與理性抉擇[J].遠程教育雜志,38(3):47-54.

  [7]茍學珍(2021).智能時代教育數據安全的倫理規(guī)約簡論[J].電化教育研究,42(9):35-40.

  [8]顧小清,胡藝齡(2020).理解、設計和服務學習:學習分析技術的回顧與前瞻[J].開放教育研究,26(2):40-42.

  [9]顧小清,舒杭(2016).信息技術的作用發(fā)生了嗎——用學習分析技術刻畫學習行為印記[J].現代遠程教育研究,(5):10-19

  作者:羅江華王琳劉璐

轉載請注明來自發(fā)表學術論文網:http:///jjlw/29849.html