数据新要素视域下的智能教育：模型、路径和挑战
随着大数据、人工智能、5G、物联网等新一代信息技术的发展和应用，数据作为一种新生产要素，推动智能教育的数字化赋能升级，具有人性化、情境化、集成化和数智驱动等特征。本文通过拓展教育要素的内涵边界，打造“以数据自治演进”的内循环和“以服务主体为中心”的外循环，联合创设了一个集“主体—环境—资源—数据”四位一体的内外双循环系统模型;然后重点围绕健全数据治理和保障数据全周期覆盖、强化数据赋能和优化教学创新、构建教育智能体和服务主体新形态、瞄准人机混合智能和勾画智能教育新图景等，解析“数据+智能教育”发展的多重路径;最后从数据伦理规范、人机互信、多学科交叉和教育均衡发展等方面，阐释“数据+智能教育”面临的多重挑战，以期引起教育管理者、研究者、实践者等对于数据要素视域下智能教育创新发展的思考与共鸣。
一、引 言
数据作为赋能经济社会服务的重要引擎，能够助力智能教育的机制创新[1]。2020年3月，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》(以下简称《意见》)明确指出，与农业和工业经济时代的劳动力、土地、资本、知识、技术等传统要素并列，数据作为数字经济时代的一种新型核心生产要素，是国家基础性资源和战略性资源。21世纪以来，大数据、人工智能、5G、物联网等新兴技术的迅猛发展，加快促进数据的采集、分类、存储、加工、流通、分析和转化过程，推动经济社会各领域的加速变革，逐步形成以数据要素为新兴生产力主导市场的发展格局。在2020年中国抗击新冠肺炎疫情全面胜利期间，响应“停课不停教、停课不停学”的国家号召，数据要素支撑的多元应用形态(如，网络教育云资源平台、公共学习服务平台等)在教育领域中的高效资源配置，为广大师生顺利开展在线学习、智能教育提供了攻坚的技术支持和实践服务保障。
智能教育作为一种教育信息化的高阶发展阶段，对于数据驱动教育高质量建设和良性稳定发展起着至关重要作用[2]。2017年7月，智能教育作为“人工智能+教育”的重要创新战略发展方向，首次在国务院印发“新一代人工智能发展规划”文件中被提出，从科技研发、应用推广和产业发展等方面进行了一系列措施部署，旨在打造智能学习、交互式学习的新型教育体系。2019年5月，教育部部长陈宝生在国际人工智能与教育大会上，以《中国的人工智能教育》为题，探索走向智能时代的中国教育，为人工智能和智能教育提供强劲的科技创新动力。在国际层面，未来今日研究所(Future Today Institute)发布最新版《2020科技趋势报告》，该报告指出：“发展智能教育，认识科学技术与未来不确定之间的联系。”随着智能教育的纵深发展和反思实践，新一代数字学习环境被赋予新的职能需求和高质量发展期待，全要素、全场域、全景式数据驱动智能化教育配置机制的宏伟蓝图规划正逐步映入眼前。
二、数据新要素视域下的智能教育意蕴
(一)发展沿脉
教育重构和教育创新变革与技术的迅猛发展密不可分，受摩尔定律的作用，信息技术的快速迭代和迈步前行，促使教育生态“失衡—再平衡—再失衡”螺旋上升发展态势的形成，从早期的工业时代，向数字时代演化迈进[3-4]，智能教育在生产要素来源、教育理念、学习方式、价值样态和应用情境等方面表现出浓厚的时代特征。见表1。
表1 智能教育的历史演化脉络
在工业时代，土地、劳动和资本作为重要的生产经济要素[5]，对于教育变革发展的影响相对比较局限。教育过程通常依赖教学者的主观经验，借助机器媒介开展辅助式教学，容易忽视学习者个体差异性，难以保障有质量的学习效率。
历经工业革命的变迁进入数字时代的网络化时期，技术、管理和知识要素扩充原有生产要素的内涵边界，互联网介入的新信息技术教学工具和人工制品，为经验式教学朝向引导式教学提供实践支撑，形成以学习者为中心的知识内化牵引。
在数字与智能技术进一步的深度耦合基础上，智能教育将步入数智融合的未来智能化新时期[4]。该时期以数据为第一生产要素，以数智服务学习主体为中心，建设教育主体和数据自控平行智能的学习型社会，旨在破解智能教育科学化和精确化的两大难题[6]。
(二)内涵界定
目前，针对“人工智能+教育”研究领域范畴，已经衍生出教育人工智能、智能教育、智慧教育等相关专业术语。国务院颁布的《新一代人工智能发展规划》文件指出，智能教育是利用智能技术加快推动人才培养模式、教学方法改革，开展智能校园建设、开发立体综合教学场、开发智能教育助理，推动人工智能在教学、资源建设、管理等全流程应用，建立以学习者为中心的教育环境，提供精准推送的教育服务，实现日常教育和终身教育定制化。吴永和等人认为[7]，新型的智能教育体系应以“人工智能服务教育”为行动理念，采用移动互联的信息技术，旨在构建“人人皆学、处处能学、时时可学”的智能化教学场景，推动学习方式改革和教育模式创新。张进宝等人认为[8]，智能教育是指培养学习者系统掌握和运用各种思维与技术工具，实现智能信息处理、构造智能解决方案和开发系统，并整合个体智能与智能技术实践而跨学科开展的创新教育过程。刘邦奇等人从“人的发展”与“技术应用”两种视角[9]，重新定义了智能教育的概念，智能教育旨在加强人的智能发展，以及强化智能技术在教育应用中的实践方式，统筹“教育目的”和“实践方式”的协调归一。
基于上述智能教育相关概念的描述和理解，本文基于数据新要素赋能教育发展规律的研究视角，洞察和拓展智能教育内涵，以数据密集型科学研究的第四范式为基础，利用人工智能、教育大数据、物联网等新兴技术、数据表征教学过程系统中教育主体、环境、资源等要素之间的关系，构造“以数据要素为核心”的智能化教育环境，加快推进数据生产、流通、分析、利用等自动化流程，深刻洞察和把握复杂教育系统的内在运行规律与耦合关联意义，揭示教学活动和教学现象背后存在的隐忧问题，进而为教育主体提供适配、便捷、人性化的优质教育服务。
(三)功能特征
“人工智能+教育”通常具有创新驱动、重塑结构、开放生态、尊重个性、服务智能、自治演进等特征[7]。兰国帅等学者指出[10]，“融合、数字、人机、弹性、互联”是智能教育的五维特征。黄荣怀等学者指出[11]，从智能技术视角出发，智能教育的主要特征包括数据驱动、个性化、情境化和新教育生态思维。郑思思等学者指出[4]，智能教育的核心特征涵盖实时互动、埋点采集、深度分析和循证决策。聂竹明等学者认为[12]，新一代的智能教学环境具备感知智能化、决策数据化、资源集成化、测评及时化、推荐精准化、互动立体化等特征。
本文认为，数据新要素视角下的智能教育特征，不仅具备数据自身的高流动性、高初始成本、零边际成本、累积溢出等属性效能[13]，而且涵盖智能技术在教育领域中的融合特点，如下四个方面。
1. 人性化
新视角下智能教育的个性化特征，强调以马斯洛为代表提出的人本主义学习理论为支点[14]，倡导全人教育的整体思想价值观，回归教育本性和发展健全人性，注重数据赋能教育主体的同时，更加突出人类知觉、情感、价值观、态度等特性，尊重教育主体之间的差异性，激发学习积极性，帮助释放学习天性的潜能，构建以服务主体为中心的教学环境。
2. 情境化
5G、边缘计算、物联网等技术的进步，正逐步重塑教学环境，教育主体可以随时随地开展教与学系列活动，通过整合多空间智能情境下的基础硬件设施、技术模型、算法应用、教学设计、教学模式、教学资源等教学服务要素，降低智能技术带来的外界刺激干扰，强化主体无意识的知识意义加工，构建和监测主体活动交互的智慧学习情境，完成教和学全过程状态的实时动态反馈和调整。
3. 集成化
数据自身的高流通性、低边际成本等特性，加速重构智能教学资源形态，促成开放共享的海量聚合资源库，涵盖教学知识内容、教资力量等狭义资源，如以中国大学MOOC为载体的资源聚合，以及智能学习同伴、智能学习助手、虚拟教师、学习路径导航等泛义资源，如以Knewton自适应教育平台为媒介的资源整合、优化和提升智能教学资源的集成效能。
4. 数智驱动
数智驱动是数据驱动的新一代高阶形式表征，是数据和智能融合发展规律的必然产物[4]。未来智能教育的数智驱动特征，主要利用新一代信息技术，赋予数据感知、理解、推演、自控制等能力，实现捕获、存储、整合、分析教育全周期过程的高维异构大数据，进而为教育主体自动提供科学化、自适应的智能决策。
三、智能教育新四要素模型
教育是一种影响人、培养人的活动，教育要素是指构成教育活动的基础成分和决定教育发展的内在条件[15]，具有较强的时代特性。从不同的研究视角切入，智能教育要素对比见表2。相比面对面教育，“互联网+教育”更加强调互联网技术介入下对教育要素构成的重新审视。
表2 智能教育要素演进和对比
(一)核心要素
非正式、交互化、数字化学习时代的来临，我们必须扩展和创新原有的教育理论体系，以此适应新时代对教与学的要求。与有关构建智能教育生态系统研究不同，本文以建构主义学习理论(即学习的发生是学生身处于一定的社会文化环境，主动加工处理、建构信息资源内容的意义表征过程[24])、联通主义理论(即学习是不断连接和形成内部认知神经网络、外部社会网络和概念网络的动态过程[25])、活动理论(即研究和解释人类不同学习活动的哲学和跨学科理论框架[26])、本体论(即本体论是对概念化的精确表征，通常描述事物的本质[27])等为基础理论依据，针对智能教育中的“谁在学(Who)—主体表征”“在哪学(Where)—环境建构”“学什么(What)—资源内容”，以及“怎么做(How)—数据赋能”问题，结合教育要素发展规律和数据驱动教育的智能技术赋能，力求剖析智能教育过程的核心本体对象，旨在打造智能教育生态系统的“前设基座”，构建了主体、环境、资源和数据的智能教育新四要素模型(如图1所示)，为保障智能教育实践应用的科学部署提供一定的理论支撑。
图1 智能教育新四要素模型
1. 主体
数据新要素视域下的智能教育主体是实施和开展教育教学活动的本体关联对象，旨在回答“谁在学(Who)”的问题，主要由教育管理者、教师、学生、同伴、家长、企业机构等多方利益实体，以及虚拟教师、虚拟同伴、在线教学助理、在线辅助管家等多元描绘虚体构成。在“数据+智能”的深层融合发展进程中，教育者和受教育者的主客体关系正在悄然发生改变和得以重塑，教育者不再是主宰教学活动和传授知识的唯一实际主体，而是引导和服务受教育者的共生同伴，受教育者不再是单一接受知识的被动学习者，而是主动建构和创造新生知识的主力军，两者之间的角色边界已渐微模糊，主体关系趋于平等。
2. 环境
数据新要素视域下的智能教育环境是提供主体良好学习体验以及真实情境、活动和任务的教学空间[28]，旨在回答“在哪学(Where)”的问题，具有线下线上融合、虚实结合、正式与非正式学习泛化等特性。“数据+”教学环境不仅注重对传统物理课堂的技术功能改造和创新应用变革，而且强调立体化、全景式、多模态感知外部环境的数据计算和智能解构。基于数智推演的全新学习空间，可突破教学时间和空间的局限，助力开展翻转课堂、混合课堂等线下线上融合教学;结合真实情境和虚拟情境，助力创设沉浸式学习环境;拓展课堂的移动学习教学，助力推动正式学习与非正式学习的环境泛化。
3. 资源
数据新要素视域下的智能教育资源是服务主体建构外部环境输入的基础准备物质，旨在回答“学什么(What)”的问题，可分为狭义资源和泛义资源两种资源形态。狭义资源指通过在线云服务、PC端和手机端等多端媒介载体传播和分享的教学知识内容。泛义资源指在狭义资源基础上，涵盖智能同伴、社会情感信息反馈等多源异构的集成型资源，并且数据可以理解成资源的最小组构单元。“数据+”教学资源贯穿资源的生产、集成、分享、流通和利用过程，助力优质资源的优化配置，充分发挥高质量学习资源的价值和效能，实现跨地域、跨时空、跨业界的教育资源均衡发展，推动教育公平[26]。
4. 数据
“数据+智能教育”深度融合下的“数据”是教育教学全周期过程流关联的人—物—活动的集成，是一系列耦合关系的形式化表征，具有可复制、可共享、再生再创等特性[29]，通过强化和激发数据要素的运用水平，供能教育主体、环境和资源内容的多向流动，服务教学模式、教学设计、教学策略等事项活动，以及教学自动化、自适应决策制定和干预反馈，旨在回答“怎么做(How)”的问题。数据要素既可以促进智能教育新模型中的主体、环境和资源要素的价值利用效率，也可以通过内化运行过程实现数智的价值创造和跨越。
(二)运行机制
运用系统科学思维与基础教育理论方法，智能教育新四要素模型涵盖主体、环境、资源和数据四要素，通过对系统元素、结构、流程的分析与统合，形成具备自我进化、动力引擎制动的智能循环体，如图1所示。智能教育新四要素模型遵从“1234”定律：一个核心，即以数据要素为核心;两个循环，即“以服务主体为中心”的外循环和“以数据自治演进”的内循环;三种赋能关系，即数据和主体、数据和环境以及数据和资源的三种双向赋能关系;四位合一，即智能教育新四要素主体、环境、资源和数据的深层合一。
面向新一代数字教育的发展诉求，彰显教育主体在教学过程中主导的至高性，以学习者、教师、教学智能体等为行为联结本体的智能教育建构逻辑观，重造多空间融合的立体教学场环境，优化资源的形式化表征、生产、供给、流通和组织模式，匹配主体在多元境域场景中的个性化资源服务，并形成复杂时空视角下“外循环”持续迭代的动态过程性生成数据。数据作为主体、环境和资源要素流通的核心枢纽，是智能教育生态系统的中控“智脑”，是主体创造教育价值的基础单元，运用智能化基础设施和智能教育核心技术手段，对教师、学生、环境、资源等各教育组成部分展开全方位感知，实现教育大数据价值挖掘的学情分析和数据智能建模。数智融合持续螺旋上升的自我裂变效能，形成动态演化视角下“内循环”的迭代造能合力，提供主体在知识建构过程中的能量源口，贯穿生态系统内外双循环的双向赋能关系，从而打造一个集聚“主体—环境—资源—数据”四位一体的内外双循环，服务未来智能教育的创新变革，以及大规模和个性化协同共生演进发展。
四、智能教育发展路径
(一)健全数据治理，保障数据全周期覆盖
当前，各区域教育数据管理系统以自建、自管、自用为主，导致数据的分割与垄断。由于教育数据的敏感性，它们不愿放弃“数据资本”，迫使数据治理(如流通与共享)的推进过程困难重重。但是，数据的价值存在明显的感知差异，某些被视为“垃圾”的数据或许在其他场景中被视为“宝藏”。因此，为最大化提高数据效能，数据流通与分享是推进智能教育的必然进路[30]，应推动以政策、思想、技术为主轴的数据治理升级，建立数据隐私保护相关法律法规，突破相关技术、创立保障机制、维护数据权益，提升数据所有者的数据分享意识，保障教育数据的全周期流通和覆盖。
(二)强化数据赋能，优化教学创新
数据要素赋能的智能算法能够将数据价值转化为知识，以便深层次理解教学主体的学习交互过程，推动教学决策创新，助力量化学习[6]、计算教育学[31]等领域的高速发展。数据要素应加强对教育环境的赋能效用，通过构建多物理教学场的合并、实体教学空间与数字空间的无缝融合的新型教学环境，完成对教学场的人机物实时记录与信息融合。数据要素应加强对学习资源的生产、流通、组织、精准服务全流程赋能，实现教学资源要素流通可溯源、内容可理解、主体可适配。如，研究者通过构建Learning Markets平台[32]，实现教学资源的互信合作构建框架与可信交易机制，提升资源协作的公平性与透明性，以及交易的安全性。
(三)构筑教育智能体，服务主体新形态
人工智能技术高速发展，促使教育人工智能初现自我演进特性，其应用场景从单一朝向多场景甚至全场景扩展，其形态从辅助工具向具象智能体转变，构筑适应于教育场景的智能体成了近年智能教育研究发展的重点。
通过结合数据赋能下的主体、环境、资源协同应用模式，利用智能算法的自我迭代演化能力，形成了以智能导师、智能学伴、智能代理等为典型代表的新一代教学智能体，旨在助力于学习主体的高阶意义加工，以及实现智能服务交互创新与体验升级。如，研究者通过构建一个服务儿童自然对话交互的虚拟阅读伙伴[33]，帮助和提高了儿童的故事理解能力。
(四)瞄准人机混合智能，勾画智能教育新图景
机器与人各具优势，机器能够快速准确地完成计算、记忆、搜索等工作，而人更擅长推理、决策等复杂认知活动。如何综合两者优势实现混合增强的智能服务，开展人机协作共生将是智能教育发展中的重要议题[34]。
现阶段人工智能存在迭代更新慢，以及适应性、泛化性不足的问题，使得探索“人在回路”的混合决策模式成为教育人工智能的未来发展方向。人在回路的范式通过引入人的参与提升问题求解效率，使得智能体的构建不再仅依赖数据与算法，使得人工智能在不确定性与复杂性并存的新一代智能教育场景中能够发挥最大化的作用。新型人机协作模式的探索应充分融合人工智能与人类教师的特点，构建教师—机器—学生的人机协同教学系统与交互协同模型，实现互补、和谐的人机协作，优化教学流程和提高教学质量。如，以小组协作学习为例，机器擅长自动分组以及对多个小组学习过程的感知与全过程监测[35]，教师擅长对学习者提供情感和动机支持，并提供富有策略性的启发与引导等教学支架。
五、重要挑战
(一)数据伦理规范
数据作为数字化教育发展的一种新生产要素，因其高传播、高流通、再生再创等特性，容易引发教育数据的规模化隐私窃取或信息泄露，并易遭其他非法组织利用这些数据进行价值改造和恶意欺骗，难以保障教育主体的心理和物质安全，甚至导致其情绪不安、精神紊乱、认知失衡，以及教育行为不端的恶性循环等后果。因此，数据伦理道德和安全保障是“数据+智能教育”面对的重大挑战之首。为此，应该综合考量价值、利益、时间和情境的多维因素[36]，培养数据利益相关方的伦理道德理念认同和价值构建意识，完善数据产权的法律界定，加快制定完备的数据伦理监督和管理的法律法规，加速形成未来智能教育的数据分类(公共数据、个体数据、研究数据和跨界数据)分级(数智、知识、信息和元数据)安全保护制度，归纳数据伦理遵循的基本原则，建立科技伦理框架，利用区块链等技术保护教育主体的数据掌控权益，为数据新要素时域下的智能教育发展设置“看门人”。
(二)人机互信
人机互信是数智深度融合下人机协同发展的重要保障，如何科学地建立和强化教育人机信任是一个面临的重大挑战。元数据的缺失、基础教育数据预处理的缺乏、不透明的智能算法，以及教育主体使用数据授权机制权利的模糊，容易形成一个“黑色系统”，难以获取人机协同之间的充分信任[37]。如，利用教育多主体在教育活动交互过程中产生的全周期数据，对其训练生成的智能算法模型，可能涵盖大量的错误知识、不良言论信息、学科偏见等，从而导致不当的数据标签和薄弱的信任支持。可信的人机协同机制和智能理解计算能显著提高数智驱动和优化教育服务的直接效益，保障终身教育、终身学习、个性化学习、混合智能学习等新型教学模式的生产效能。未来的机器将逐渐升级和进化为更高阶层“数智能力”和“类人大脑”的智能体，如何确保人机协同过程中人类教与学的主观能动性以及寄托心理情感交互的信任传递，同样值得进一步深究。
(三)多学科交叉
多学科交叉融合普遍存在管理体制缺乏、人才培养薄弱和评价体系滞后等问题[38]，是全世界高校和研究机构整改学科创新面临的一个共同突出挑战。在数据赋能的智能教育体系培育下，考虑教育系统自身的复杂特性，对于教育主体的跨学科数据素养提出了更高的要求，一方面需要高位的跨学科数据内驱视野，另一方面需要差异化学科的教育数据思维加工理念、数据分析建构方法以及数据智能决策的理性审视和多维评估能力。从学科发展的顶层设计角度出发，自上而下地实行多主体协同创新，大力培育一批具备教育数字化处理、加工、价值转化的复合思维型跨界人才，加快推动跨领域、跨学科、跨机构深度融合的应用前景。
(四)教育均衡发展
数字公平不仅是未来智能教育创新发展和应用变革的先决条件和实现目标，也是全球教育的难题和重大挑战之一，应该合理配置教育优质资源，利用未来6G支撑的无线触觉宽带网络、超级计算、物联网、脑科学等新兴技术，引导科技向善，众筹共建优质资源，促进共享教育资源输向偏远农村地区和西部落后地区，避免教育数字鸿沟带来的主体培育失衡、经济增长滞后、人民幸福指数低下等影响社会健康发展的不良问题，实现跨区域的高质量和均衡发展，保障智能技术在教育应用中的普适化、泛能化、融合化和情境化，体现“有教无类”的包容和公平的核心价值观[39]。
六、结 语
科学技术的迅猛发展为智能教育提供了强有力的工具和手段，本文从数据新要素视角，探讨了智能教育模型的内涵边界及其相互关系，并结合经济社会时代演化特征和教育领域发展规律，构建了主体、环境、资源和数据双向赋能的智能教育新四要素模型。基于此模型，聚焦数据治理、数据赋能、教育智能体与人机混合智能等四个维度，描述了数据新要素视域下智能教育的实施路径，并从数据伦理规范、人机互信、多学科交叉与教育均衡发展等四个方面，阐释了数智教育发展面临的关键挑战，为促进未来教育高质量可持续发展提供参考与借鉴。
参考文献（向上滑动阅览）
[1] 刘邦奇，张金霞，许佳慧，胡婷婷，朱广袤. 智能技术赋能因材施教：技术框架、行业特点及趋势——基于智能教育行业发展实证数据的分析[J]. 电化教育研究， 2021， 42(2)：70-77.
[2] 邓文勇，黄尧. 人工智能教育与数字经济的协同联动逻辑及推进路径[J]. 中国远程教育，2020(5)：1-9.
[3] 邢西深.迈向智能教育的基础教育信息化发展新思路[J].电化教育研究，2020，41(7)：108-113.
[4] 郑思思，陈卫东，徐铷忆，袁凡，褚乐阳. 数智融合：数据驱动下教与学的演进与未来趋向——兼论图形化数据智能赋能教育的新形态[J]. 远程教育杂志， 2020， 38(4)：27-37.
[5] 谢康，夏正豪，肖静华. 大数据成为现实生产要素的企业实现机制：产品创新视角[J].中国工业经济， 2020(5)：42-60.
[6] 刘三女牙，李卿，孙建文，刘智. 量化学习：数字化学习发展前瞻[J]. 教育研究， 2016， 37(7)：119-126.
[7] 吴永和，刘博文，马晓玲.构筑“人工智能+教育”的生态系统[J].远程教育杂志， 2017， 35(5)：27-39.
[8] 张进宝，姬凌岩. 是“智能化教育”还是“促进智能发展的教育”——AI时代智能教育的内涵分析与目标定位[J]. 现代远程教育研究， 2018(2)：14-23.
[9] 刘邦奇，王亚飞. 智能教育：体系框架、核心技术平台构建与实施策略[J]. 中国电化教育， 2019(10)：23-31.
[10] 兰国帅，郭倩，魏家财，杨喜玲，于亚萌，陈静静. 5G+智能技术：构筑“智能+”时代的智能教育新生态系统[J]. 远程教育杂志， 2019， 37(3)：3-16.
[11] 黄荣怀，周伟，杜静，孙飞鹏，王欢欢，曾海军，刘德建. 面向智能教育的三个基本计算问题[J]. 开放教育研究， 2019， 25(5)：11-22.
[12] 聂竹明，张犇. 从智能教育到未来学习：新时代教育技术创新与应用新常态——第十九届教育技术国际论坛综述[J]. 开放教育研究， 2021， 27(2)：18-25.
[13] 刘玉奇，王强. 数字化视角下的数据生产要素与资源配置重构研究——新零售与数字化转型[J]. 商业经济研究， 2019(16)：5-7.
[14] 钟志贤. 冲突与调和——人文主义学习理论与教学技术[J]. 电化教育研究， 1994(2)：6-9.
[15] 顾明远. 教育大辞典[M]. 上海：上海教育出版社， 1998.
[16] 张国霖. 重构“教育要素”及其实践意义[J]. 当代教育科学， 2007(9)：9-11.
[17] 梁渭雄，孔棣华.现代教育哲学[M]. 广州：广东高等教育出版社，1999：114-137.
[18] 孟志中. 思想政治教育要素论[J]. 中国青年政治学院学报， 2003(3)：15-19.
[19] 李德显， 李海芳.论交往视域下的教育要素[J].教育科学，2013，29(2)：1-6.
[20] 柳海民. 教育原理[M]. 长春：东北师范大学出版社，2000：101-107.
[21] 马启龙. 从教育技术学的视角看教育要素[J]. 中小学教师培训， 2015(1)：5-9.
[22] 王越，杨成. 教育数据挖掘对教育要素的影响研究[J].中国医学教育技术， 2020， 34(1)：12-15.
[23] 刘革平，余亮，龚朝花，吴海燕. 教育信息化2.0视域下的“互联网+教育”要素与功能研究[J]. 电化教育研究， 2018， 39(9)：37-42.
[24] BADA S O， OLUSEGUN S. Constructivism learning theory：a paradigm for teaching and learning[J]. Journal of research & method in education， 2015， 5(6)：66-70.
[25] 王志军，陈丽. 联通主义学习理论及其最新进展[J]. 开放教育研究， 2014， 20(5)：11-28.
[26] 董晓辉.活动理论视角下高校教育数据治理体系构成要素研究[J].中国电化教育， 2021(3)：79-87.
[27] COCCHIARELLA N B. Logic and ontology[J]. Axiomathes， 2001， 12(1)：117-150.
[28] RAMSDEN P. The context of learning in academic departments[J]. The experience of learning， 1997(2)：198-216.
[29] 武法提，黄石华. 基于多源数据融合的共享教育数据模型研究[J]. 电化教育研究， 2020， 41(5)：59-65.
[30] FISCHER C， PARDOS Z A， BAKER R S， et al. Mining big data in education：affordances and challenges[J]. Review of research in education， 2020， 44(1)：130-160.
[31] 刘三女牙，杨宗凯，李卿. 计算教育学：内涵与进路[J]. 教育研究， 2020， 41(3)：152-159.
[32] OUYANG L， YUAN Y， WANG F Y. Learning markets：an AI collaboration framework based on blockchain and smart contracts[J]. IEEE internet of things journal， 2020(5)， doi：10.1109/JIOT.2020.3032706， https：//ieeexplore.ieee.org/document/9234516.
[33] YING X， DAKUO W， PENELOPE C， et al. Same benefits， different communication patterns：comparing children's reading with a conversational agent vs. a human partner[J/OL]. Computers & education， 2021(161)， https：//doi.org/10.1016/j.compedu.2020.104059.
[34] 李海峰，王炜. 人机学习共生体——论后人工智能教育时代基本学习形态之构建[J]. 远程教育杂志， 2020， 38(2)：46-55.
[35] LIU H， WARNER T， IKL?魪 M， et al. Harness big data by iCycle：intelligent computer-supported hybrid collaborative learning environment[J]. International journal of smart technology and learning， 2020， 2(1)：31-47.
[36] 刘三女牙，杨宗凯，李卿. 教育数据伦理：大数据时代教育的新挑战[J]. 教育研究， 2017， 38(4)：15-20.
[37] 刘三女牙，刘盛英杰，孙建文， 沈筱譞， 刘智. 智能教育发展中的若干关键问题[J]. 中国远程教育， 2021(4)：1-7.
[38] 刘三女牙. 加快推动学科交叉融合助力发展高质量教育[J]. 国家教育行政学院学报， 2020(12)：46-51.
[39] 王佑镁，宛平，赵文竹，柳晨晨. 科技向善：国际“人工智能+教育”发展新路向——解读《教育中的人工智能：可持续发展的机遇和挑战》[J]. 开放教育研究， 2019， 25(5)：23-32.
Intelligent Education from the Perspective of New Data Element :
Model, Paths, and Challenges
LIU Sanya, PENG Xian, SHEN Xiaoxuan, SUN Jianwen, LI Qing
(National Engineering Laboratory for Educational Big Data, Central China Normal University, Wuhan Hubei 430079)
[Abstract] With the development and application of new generation information technologies such as big data, artificial intelligence, 5G and Internet of Things, data, as a new factor of production, promotes the digital empowerment of intelligent education, which has the characteristics of humanization, contextualization, integration and digital intelligence driving. By expanding the connotation boundary of educational elements, this study builds an internal cycle of 'data autonomous evolution' and an external cycle of 'subject service centered', and jointly creates an internal and external double-cycle model incorporating 'subject-environment-resource-data' elements. The study analyzes the multiple path of the development of 'data + intelligent education', focusing on improving data governance and guaranteeing the full cycle coverage of data, strengthening data empowerment and optimizing teaching innovation, constructing new forms of educational agents and service subjects, aiming at man-machine hybrid intelligence and drawing a new picture of intelligent education. Furthermore, this study explains the multiple major challenges faced by 'data + intelligent education', with emphasis on data ethics, human-computer trust, multidisciplinary intersection and balanced development of education, in order to arouse the thinking and resonance of education managers, researchers and practitioners on the innovation and development of intelligent education from the perspective of data elements.
[Keywords] Data Element; Data Empowerment; Intelligent Education; Educational Agent
基金项目：科技部科技创新2030新一代人工智能重大项目“混合增强在线教育关键技术与系统研究”(项目编号：2020AAA0108804);教育部—中国移动科研基金“在线教育发展现状分析与政策研究”(项目编号：MCM20200406)
（本文作者刘三女牙(1973—)，男，安徽桐城人。教授，博士，主要从事教育技术、教育大数据、智能教育研究。E-mail：lsy5918@mail.ccnu.edu.cn。彭晛为通讯作者，E-mail：pengxian@mail.ccnu.edu.cn。）
来源：电化教育研究