AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

教育中的人工智能

创建 2026-09-22 · 更新 2026-11-07

本页是英文页面的机器翻译，尚未经母语者审校。

教育中的人工智能（AI in Education，AIED）：一个广阔而跨学科的研究领域，它把人工智能应用于教与学，并研究其设计、使用、评价与后果。作为本知识库的总括概念，教育中的人工智能既包含面向教育的人工智能（用人工智能改进教学与评估），也包含关于人工智能的教育（培养人工智能素养与批判性理解）。它位于教学技术、学习科学（即探究学习者是否发生变化、而不只是工具是否发挥作用的实证研究领域）、计算机科学、教育政策、伦理与公平的交汇处。本页既是这一领域的导论，也是通往本知识库所涵盖的每一个概念的地图。

值得思考的问题

  • “教育中的人工智能”横跨两个方向：面向教育的人工智能（用人工智能改进教学）与关于人工智能的教育（培养素养与批判性理解）。哪个方向你更熟悉，哪个方向又容易被你忽略？
  • 这一领域的历史被概括为“控制”与“学习者自主性”之间反复出现的张力。在你观察人工智能工具被采用的过程中，你在哪里注意到同样的张力正在当下上演？
  • 教育中的人工智能处在技术、学习科学、政策、伦理与公平的交汇处。在评价一个人工智能工具时，你会自然地运用其中哪些视角，又可能忘记哪些？
  • 本知识库把这一领域组织为若干条脉络：教学法、学习理论、技术、学科、评估、反馈、相关人群与治理。如果要为你自己使用人工智能的方式画一张地图，你会处在哪条脉络之中？
  • AIED 把“教会学生批判性地使用人工智能”本身作为一个目标。在你的情境中，人工智能更多被当作一门要教的科目，还是一件要用的工具？这一侧重是否反映了学习者真正需要的东西？
  • 学生或许是通过批判性地使用人工智能来习得人工智能素养，而不只是通过“学习关于人工智能的知识”。动手而带有批判性的使用，如何建立被动讲授无法给予的理解？

引言

教育中的人工智能是那个总括性的领域，所有其他概念页面共同界定了它。本知识库把这一领域组织为下面几条主要脉络，每条都链接到相关的概念页面。

一个具有里程碑意义的历史视角来自**Mishra 等**：他们追溯了 AIED 从控制论和 1956 年达特茅斯会议开始，经由认知导学系统与 Papert 的建构主义一路发展的历程，并主张今天围绕生成式人工智能的争论，实际上是在重演这一领域自奠基以来就存在的“控制”与自主性之争。

知识库的组织方式：总括页面

本知识库的概念覆盖由若干总括页面支撑，它们把相关概念归入可导航的脉络。这些页面是探索这一领域的良好入口：

这些总括页面在下面的各节中都有链接；下面每一条脉络都会同时指出它的总括页面与构成它的概念。

教育中的人工智能的两个维度

教育中的人工智能研究横跨两个相互关联的方向：

这两个维度并非彼此分离：用好人工智能需要理解它，而关于人工智能的教学又会因使用它而更丰富。这种人机协作是一个核心主题。

教育中的人工智能的基础

这一领域横贯性的、基础性的概念支撑着本知识库的覆盖，并最先出现在侧边栏中。它们以要点一组开场，即每位读者都应从之入手的概念：总括页面本身、关于人工智能的误解、人工智能素养、智能体式 AI、认知卸载、如何向学生界定人工智能的使用、减少人工智能误用、学术诚信、教学、学习设计与教育发展。随后，领域这条脉络涵盖这一领域的历史、证据基础普遍存在的局限、它的哲学基础、理论与框架图谱以及理论发展。横贯性的主题，包括人机协作、学习者自主性、学习者身份、设计思维、课程设计、批判性思维与计算思维，会贯穿每一条脉络，因为人们对人工智能所持的不准确心智模型，位于误用与校准不足的信任的上游。

学习与教学

人工智能如何支持教与学，是这一领域的核心。关键概念包括：

技术与方法

技术页面是技术层的总括页面：

各学科中的人工智能

人工智能被应用于各个学科与教育层次。本知识库的各学科 AIED 概览梳理了学科领域的覆盖范围，并与学习科学并列，后者不是一门被教授的科目，而是研究学习本身的横贯性研究领域，它把学科内容视为众多变量之一：

层次与情境

同一件人工智能工具面对的是差异极大的情境，因此本知识库把教育层次与教学法分开处理，以免研究结论在两者之间悄然迁移：K-12 学校、幼儿与小学教育、高等教育、成人学习、职业教育与培训、特殊教育与教师教育。跨层次的领域相关概念包括通用学习设计、神经多样性、多语言学习与社会情感学习。

评估与测量

人工智能既改变了我们评价学习者的方式，也改变了我们评价人工智能系统本身的方式：

研究方法与评价

我们如何知道人工智能是否有效，是自成一体的脉络，本知识库也把它当作一条脉络来对待：

该领域自身的研究工作如今已成为一个独立主题：AI 辅助教育研究涵盖把 AI 用作文献检索、筛选、质性编码、分析与写作工具的研究，包括教学与学习学术这类实践者研究。它与用于研究 AI 对学习者产生何种影响的各类设计保持区分。

相关人群

教育中的人工智能改变了每一类相关人群的角色。本知识库的人工智能教育中的相关人群页面是覆盖所有这些人群的总括页面：

  • 学习者：学生体验、职业发展与就业准备与人工智能焦虑与压力塑造了学生接触人工智能的方式。
  • 家庭与社区：家长与家庭是学校在人工智能问题上最常沟通的对象，也是其指导意见背后研究最少的一类人，因此他们的关切应被纳入相关人群的图景之中，而不是留在其外。
  • 教师与教学框架：教师人工智能胜任力、技术教学内容知识（TPACK）、SAMR与教育发展涉及教育者的培养与支持。
  • 开发者：教育技术开发者，即把模型能力转化为机构可以采购之产品的产品设计师、软件开发者、学习工程师与分析设计师。他们是一个与上述实践者和管理者不同的受众，而且身处采用其工具的机构之外，这也是为什么默认设置、协同设计与经费结束后的维护，在本知识库中被当作教学问题而非商业问题来讨论。

机构与政策

制度层是人工智能决策真正被作出并为之辩护的地方：管理者与机构领导者、教育人工智能政策、人工智能治理、作为“让采用真正落地”之工作的变革管理、人工智能监管，以及由技术采纳、开源与教育技术平台引出的采购与平台问题，此外还有职业与终身学习与专业培训。

公平、伦理与负责任的使用

公正、可及性与责任是教育中的人工智能的核心议题：

一篇关于这一领域伦理文献的系统综述（Agarwal et al. 2026，25 篇文章）把 AIED 伦理归纳为六项主要伦理价值：非歧视、数据管理、人类监督、善意、可解释性与教育适切性，并把伦理规范映射到一张“相关人群乘价值”的矩阵上。它发现终端用户在伦理文献中基本处于被动地位（学生的声音几乎缺席），并呼吁把伦理整合进 AIED 的设计，以及更多关注 AIED 伦理中教育的（教学的）维度。

新兴与横跨主题

若干主题横跨整个领域：

领域成熟度

本知识库反映的是一个快速演变中的领域：从早期智能导学系统到大语言模型驱动的导学与智能体式 AI；从以检测为核心的学术诚信工具到评估的重新设计；从以工具为中心的研究到社会技术与公平导向的框架。证据基础越来越强调严谨的研究方法、评价、实验设计与长期结果。

关联

教育中的人工智能与本知识库中的每一个概念都相连，因为正是这一领域由所有其他概念页面共同界定。把本页当作起点，去浏览整个知识库。

常见误解

"教育中的人工智能是一个拥有单一证据基础的领域。" 它是一把覆盖多个不同分支的伞——学科、层次、评估、研究方法、机构、公平——这些分支在方法、结果测量和成熟度上各不相同。一个分支的发现不会转移到另一个分支，这正是知识库这样组织、而不是当作单一文献的原因。

"能改善课程结果的一款工具就能改善学生的成功。" 机构分支显示出相反的模式：在学生支持与成功中，AI 可靠地推动任务完成，却不推动持续就读或毕业。一项干预可以在课程内的每一项指标上取胜，却让完成结果保持不动。

"技术性能就是关于学习的证据。" 这个领域位于教学技术与学习科学的交汇处，两者的区别恰恰在于：学习者是否发生了改变，而不只是工具是否表现良好。一次演示只是关于工具的主张。

"因为 AI 是通用的，任何地方的发现都适用于所有地方。" 技术的通用性并不产生证据的通用性。学科、层次和情境分支之所以存在，是因为同一工具在它们之间表现不同；把一个不变的发现带过边界，就是一种外推。

"领域的成熟度可以从其出版数量看出来。" 数量与成熟度会分道扬镳；研究方法分支记录下反复出现的设计弱点，这些弱点并不会因数量而修复，而框架的增殖速度快于它们被检验的速度。

关联概念

关联文章

关于教育中的人工智能的领域级综述，即那些综述整个领域或整个教育层次、而非单一主题的研究：

相关常见问题

元数据

层次Higher Ed, K 12
目标读者Instructors, Learners, Faculty Developers, Administrators
技术与方法生成式人工智能, 智能辅导, 大语言模型（LLM）
评估与测量评估
机构与政策教育人工智能政策
公平、伦理与负责任使用公平性
教育中的人工智能基础教育中的人工智能, AI 素养, 教学
来源历史编辑对话

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。