技术是驱动教育变革的关键力量，早期的造纸术、印刷术改变了口口相传的教育模式，现代的信息技术突破了同位集中式教育模式的时空局限。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》显示，技术、数据均是生产要素，所以未来对教育信息化建设和人才培养会有更高要求和显著需求。智慧教育作为信息技术赋能的未来教育范式，被给予很高的期待，其创新发展更是成为新时代教育信息化八大实施行动之一。为更好地为此行动护航，本研究团队对智慧教育，特别是当前主流与新兴技术对智慧教育技术的赋能进行了再审思，也希望本研究能为本领域同仁与上级领导部门研制教育信息化“十四五”规划提供参考。
智慧教育是技术赋能的未来教育变革的良好取向，不过它只有进行时而没有完成时，要认定“没有最好、只有更好”的基本道理，因此相比“Smart Education”，本团队更愿意用比较级“Smarter Education”来突显这种理念。
(一)智慧教育新发展
1.智慧教育祝氏定义
何为智慧教育？我们认为智慧教育的真谛就是通过构建技术融合的生态化学习环境，通过培植人机协同的数据智慧、教学智慧与文化智慧，本着“精准、个性、优化、协同、思维、创造”的原则，让教师能够施展高成效的教学方法，让学习者能够获得适宜的个性化学习服务和美好的发展体验，使其由不能变为可能，由小能变为大能，从而培养具有良好的人格品性、较强的行动能力、较好的思维品质、较深的创造潜能的人才。简单讲，智慧教育的核心要义就是通过人机协同作用以优化教学过程与促进学习者美好发展的未来教育范式。
其中，生态化学习环境以学为中心、以数据为纽带，体现无缝连通学习空间、敏捷感知学习情境、自然交互学习体验、精准适配学习服务、全程记录学习过程、开放整合学习资源六大特征。人机协同以数据为基础，是教育者的数据启发与智能机器的数据驱动之间的协同，以此为学生提供美好的发展体验。定义中的原则指明学校发展与实践智慧教育的方向，学校明智的变革举措是在校本特征的基础上选取“精准决策、个性服务、优化过程、人机协同、发展思维、注重创造”的个别领域重点突破。
2.智慧教育发展实践
我国信息技术赋能的智慧教育始于2012年宁波论坛，本文第一作者所作的主旨报告《智慧教育：教育信息化之新境界》拉开了我国智慧教育时代的帷幕。历时近六年，我国的智慧教育已于2018年由萌生阶段进入试点示范阶段，标志性事件是《教育信息化2.0行动计划》的发布。新阶段将通过试点示范，探索可推广的先进经验和优秀案例，并以区域发展的方式实现智慧教育“从无到有”向“从有到优”的转变。这方面典型的案例是浙江省丽水市对精准教学改革的探索与实践，它们六方联动，通过机制先行、教研驱动、试点推进等举措，探索出一种精准教学范式，包括精准教学四环节实践指导框架和“以测辅学”模式。目前，这种范式已推广至100所学校，并实现了丽水市基础教育由“跟跑”到与全省“并跑”的转变。
按照中央电化教育馆原馆长王珠珠教授的预测，2022年智慧教育将进入全面普及阶段。这一阶段主要的任务是通过智慧教育规范和制度的建设解决规模化问题，实现规模化教育与个性化培养的有机结合，这是一个漫长的过程。在此之前，需要在完善灵活、泛在的智能环境创设的同时，实现智慧教育的教学模式、方法、内容的长足发展。这方面，山东昌乐一中进行了多科目规模化的翻转课堂模式变革，提炼出了具有校本特色的两段十环节教学方略、AB型新式课表，并创设了集成互动平台、创客平台的融合型智慧课堂环境。更有甚者，河南浚县科达中学进行了更为系统的智慧教育变革，他们营建了独具特色的“晨钟暮鼓”和“榜样引领”教育文化，并提炼出“六三一（六学三讲一练）”智慧教育方略，为了支持这种方略，他们研发了ESWI智慧教学生态系统，并将学习内容整合成智慧学习包，以学习包为单位开展智慧教学。
(二)未来教育已来
技术的赋能，使得教育的发展速度比近代历史上任何时期都要快。在《教育信息化十年发展规划（2011—2020年）》和《教育信息化“十三五”规划》收官之年，业界的基本共识是未来教育已来。
AltSchool是致力于面向个性教育的新式科技学校的典范。为让每个孩子获得美好的个性化学习体验，学校组建了一支信息技术工程师队伍，研发与师生教与学活动需求匹配的软硬件，并运用大数据技术采集、处理师生教育活动中的各种信息，为学生的个性化发展“把脉问诊”。在此基础上，学校为每位学生定制私人专属的、富有灵活性的玩学单，在大数据技术的赋能下，玩学单可以根据学生的能力发展情况每周更新。不止如此，Altschool还采用“跨级”“混龄”“小班化”的教学组织方式，让学生通过项目学习解决本真问题，并借助平台打造教师、家长、学生三位一体的教育形态。
K12网校是得到美国权威机构认可的虚拟学校。为通过启发性教学和个性学习激发不能在校学习学生的潜能，K12的教师在虚拟教室中与学生会面、讲课、讨论。为保证学习品质，K12将教师的角色精细化并重构成优秀的团队，包括专业教师、认知学家、课程设计师、互动设计师、内容设计师、软件设计师、质检师。另外，家长也被邀请作为学习教练，负责日常学习的组织与监管工作。
Khan实验学校是面向灵活教育的示范校。作为继Khan学院之后的实体学校，该校重设了学习架构，为学生提供灵活的个性化学习体验。按照架构，学校作了多方面的变革：根据学生的独立水平分组，而不是年龄或能力水平；学生采用协作式项目学习，而不是传统的听讲；课表灵活，指导教学部分之外的个人兴趣部分可自设；固定知识掌握的深度，而学习时间可以灵活改变；学习时间延展到了学习假期，提供更多的利用学校空间的时间和机会；采用混龄式的同侪学习促使学生相互指导和帮扶。
此外，国际上还出现了将体验教育理念应用于学校教育情境的“野趣学习”学校（Expeditionary Learning School），倡导与产业建立合作伙伴关系、致力于融合多学科的达芬奇学校（Da Vinci Schools）；寻求学生评估变革，提供动态跟踪全息档案的MTC联盟校（Mastery Transcript Consortium）；更有甚者，国际上还出现了无教室的实体学校Vittra、学生参与学校管理并且没有考试的西宫萨德伯里学校（Nishinomiya Sudbury School）。
这些学校的共同之处在于，他们力图从不同的角度摆脱“愚笨教育”，奔向教学过程优化、学习体验美好的智慧教育。
(三)教育目标新变化
20世纪70年代后，技术的普及致使企业需求的人才结构发生了转变，引发的社会变化速度也在剧增，为应对复杂、多变、未知的21世纪，让学生能够为将来的学习、生活、工作获得成功做好准备，世界各国与国际组织先后出台了各类能力框架，如OECD的DeSeCo概念框架、P21的21世纪学习框架、欧盟的终身学习核心素养框架等。这些框架的共同教育目标是“为适应未来而教”。
近20年来，技术特别是人工智能技术给社会各界带来了极大冲击，甚至曾引发人们的担忧：因工作被替代而沦为乞丐，甚至更糟。虽然当下“人机共生才是未来常态”已成为共识，但仅仅适应智能机器替代大量工作后的未来，无法充分发挥人类的智慧与价值，人们需要创造出新行业、新工作、新社会模式，共谋新福祉。这种情况下，“为塑造未来而教”将成为教育的新目标。事实证明的确如此，OECD发起的“未来的教育与技能2030”项目已经显露出了此等信号。
智慧人才的能力是与21世纪能力对应的、同质的，“十三五”之后，智慧教育的目标必然也会随之转变：由“为适应未来而教”向“为塑造未来而教”倾斜。届时，智慧人才能力框架中除了核心能力，变革能力也将成为重要的内容。本团队曾用公式“智慧＝智能＋品性”来描述智慧，从这个角度看，新教育目标对人才的全球意识、家国情怀、人文关怀、共情理解、责任担当等品性的要求会更高。
在技术的支持下，智慧教育能够变不能为可能，也能够成小能为大能。智慧教育离不开技术的力量。
（一）5G移动通信技术
通信技术通过信息互联，破解了传统教育的时空局限性，特别是5G具有高速率、低时延、高密度、高移动性等优势：真实环境下，用户可获得Gb级的高速率（峰值高达数十Gb）；端到端的时延达到毫秒级（运动员的反应时间不小于100ms）；单位平方公里上的在线设备数可达百万（连接数密度）、总流量可达数十Tb（流量密度）；容许收发双方的相对移动速度可达500km/h以上，即使在高铁上使用也无压力（目前我国实际营运的高铁时速不超过400km/h）。
5G技术的优势将促使智慧教育实现四个方面的发展：空间互联、同步授课、远程控制、云存储。空间互联方面，一直以来，智慧教育的学习空间多是物理空间与虚拟空间互联、不同虚拟空间之间互联，在5G技术的支持下，物理空间之间的直连成为可能。借助4K/8K超清视频技术，互联的物理空间能够拼接在一起，借助XR技术（稍后有专门介绍），这种拼接能够更加自然，甚至融合成为一个更大的空间。若互联的空间是两个教室（或多个），则构成了一体化的同步课堂。5G技术在高设备密度下也具有高传输速率，这让同步授课也能够像面对面授课一样，开展多样的师生、生生互动，如远程“爬黑板”回答问题。借助XR技术或全息投影技术“克隆”上课教师，远程课堂中的学生也能获得真实的临场感。不仅如此，5G技术低时延优势还能够让学生远程控制设备、学具，甚至开展远程实验。在5G技术的支持下，视频等大容量资源的云存储也会和本地存储一样快捷，若加上云计算技术，基于学生全学习记录的个性化学习将能够做到实时与“事适”（Make Everything Adapted）。
（二）大数据技术
大数据技术是智慧教育的基础技术力量，它使教与学全过程的印记得以记录、存储、分析和可视化表征。大数据技术在教育中的应用主要是教育数据挖掘和学习分析，其中教育数据挖掘关注如何从大数据中提炼出有价值的信息，如学习模式的识别；在此基础上，学习分析关注如何优化学习体验，如提供精准、个性的教学决策服务。二者即是智慧教育中数据智慧机制的技术基础。
教育数据挖掘技术，可以精准刻画学生画像。大数据的“大”除了体现在6V技术特征外，也体现在关联和聚合技术方面。二者将不同系统/平台中的学生碎片数据，拼接成为完整的学生画像。之后，大数据通过教育数据挖掘技术，为师生呈现只保留重要特征的“简笔画”。“简笔画”通常采用静态的即席报表或动态的学习仪表盘的形式呈现。对于学生而言，这种画像能够让自己清楚目前的学习状态与水平；对于教师而言，教师能够在此技术上开展基于数据启发的精准教学决策，优化教学过程。
学习分析技术，可以提供基于数据驱动的决策服务。学习分析技术是数据分析技术在教育中的情境化应用：将智慧教育理念规则化嵌入系统/平台后，学习分析技术能够自动按照规则为学生提供基于数据证据的决策服务，如学情诊断评估、适切资源推荐等。通常，这种数据驱动决策与教师所作的数据启发决策相互配合，以增加个性化服务的有效性和精准度。随着脑电、眼动、心电等生理仪成为可穿戴的便携设备，多模态学习分析技术成为智慧教育的新生力量。这种技术打破了数据证据只能来源于平台的限制，让更为适切的服务成为可能。
（三）人工智能技术
人工智能是智慧教育的核心技术力量，其发展经历产生了三类人工智能：计算智能（能存会算），感知智能（能听会说、能看会认），认知智能（能理解会思考）。
计算智能赋能教学过程“适性”特色。智慧教育追求为学生实时提供适切的学习服务，例如资源推荐、路径规划、智能检索等，这由自适应技术使然。自适应技术的核心技术即是计算智能的机器学习。机器学习使得智能机器（系统或平台）学习教师的先进理念和经验后，循规蹈矩地作出决策（深度学习技术）或尝试作出新决策，如同问题情境中的新决策（强化学习技术）和类似情境中的新决策（迁移学习技术）。这让学生获得的服务越来越贴心。
感知智能赋能学生人机自然交互。无论是智慧课堂中学生的行为感知、情绪识别、注意力追踪还是智慧实验室的刷脸签到抑或智慧考场中的口语测评，都得益于感知智能。感知智能包括视觉（如人脸识别）、听觉（如语音识别）、触觉（如指纹识别）等方面的智能，在它们的支持下，学生能够以自然的方式与机器交互，大幅提升学生的学习体验。更为重要的是，借助感知智能，机器能够隐式地收集除系统/平台之外的学习行为数据，为学生提供更为全面的精准画像。
认知智能赋能教师教学智慧。具备认知智能的机器，不再只作为AI代理，替代教师处理机械、单调、重复的工作，而是作为AI助教，负责需要理解和思考的工作，比如问题答疑、个性化辅导等。这样，智慧教育中的人机协同不再局限于事务层面，而是上升为认知层面，也就是说，人工智能可以作为教师的“外脑”，为包括教学设计、情感交流等创造性工作在内的教育教学各个方面献策献力，从而提升教师的教学智慧，为学生提供精准、高效益的服务。
（四）XR技术
XR为eXtended Reality或Cross-Reality的简称，指“拓展现实”或指“交叉实现”，是混合物理和虚拟环境或提供完全沉浸式虚拟体验环境的技术总称，具体包括AR、MR（混合现实）、VR及其具备的触感技术。XR是对现实世界不同程度的扩展：AR只是数字信息对现实世界作“注解”，它与现实世界的关联最强，MR则将虚拟世界与现实世界相融合，二者没有边界，用户可以同时与虚拟世界和现实世界交互，而VR则为用户创设了一个完全虚拟的新世界，“置身其中”的用户难以与现实世界互动。它们各自的特点如图1所示。
智慧教育注重学生深度参与学习，并能够将所学应用到新情境中的问题解决，甚至创造性地解决前所未遇的问题。要实现此目标，学生需要进行情境化学习，并历经多次去情境、再情境的如此往复。这种多情境学习需要XR技术的支持，它能够让学生“足不出户”地快捷切换不同情境。
AR技术提供的情境主要是作了注解的现实世界，注解一般是指示、解释说明等。在此种情境中，学生能够快速识别物体的特征、学具的功能，也能得到个性化的学习指引，它们能够提高游历学习、野趣学习的效能。MR技术提供的是虚实交融的情境，现实的部分可以简单到一块空旷的场地。这种情境的特色是高真实性和临场感，身处其中的学生甚至难以辨别场景的真假。对于需要频繁观察、合作、研讨的智慧学习形式，可以创设此种情境。VR技术提供的情境是完全虚拟的世界，其特色是高沉浸感。按照心流理论，这种情境能够增强学生学习的参与度，促使学生全身心投入其中。这种技术适合仿真高危情境、历史情境，或者创设游戏世界，开展游戏教育。
区块链是一种通过P2P通信方式来集体维护分布式账本的技术方案，为增加账本的安全可靠性，账本以区块为单位，区块用哈希链链接，并用共识机制维护各账本副本的一致性。作为新兴的颠覆性技术，区块链具有去中心化、高可信度、不可伪造、记录可溯源等特征，这促使它有望实现信息互联网向价值互联网的转变。
区块链最早用于支持比特币的流通，同样，它也可以用于支持智慧教育中的“学币”流通，激发学生的深度参与学习的动机。当然，这需要配套的激励机制，比如学币能够在“学习超市”中购买精美的学习用品、资源或礼品。如果不考虑流通性，可以用数字徽章代替学币，学生每完成一个知识或技能的学习，便可获得一个对应的徽章。徽章的获得采用微能力认证的方式，认证机制同样基于区块链，实现对全部的学习共同体成员透明，增加徽章的公信力。
除了数字徽章，区块链中的账本也可以记录学生更多阶段性成果，比如标志性学习轨迹、各学科的测验成绩、参赛的获奖证书等，这些印记共同构成智慧教育的学习成长档案袋。这种基于区块链的档案袋，每次录入新成果时，均向P2P网络中的所有人公示，并且录入后无法更改，更不能伪造，因此具有高信效度。基于这样数据证据的多元评估，更全面、客观、真实。
在学习成长档案袋的基础上，还可建立基于区块链的智慧教育学信系统。一般，学信系统含有身份认证、学习成绩与学分、学分转换机制、教育经历、学历学位证书等内容。除了安全可信外，学信系统还可溯源，甚至能够追溯到学习档案袋中的记录，这有助于改善由于信息不完整、不透明产生的学信危机。当然，并非所有人都能查看学信的内容，只有授权的单位或个人才可查阅，并且授权具有时效性或有次数限制，以保护个人隐私。
智慧学习环境是技术增强、赋能的线上与线下融合的学习环境。早期，受制于技术的水平，线上虚拟空间与线下实体空间具有明显的边界，这一边界即是笔记本、平台、智能手机等设备的界面。此时的智慧学习环境，线上、线下具有强依赖关系——线上带动线下，线上空间处于主体地位，属于典型的基于O2O（Online To Offline）架构的智慧学习环境。
基于O2O架构的智慧环境，教学过程主要发生在线下空间，线上空间的职责主要是“分流”。典型教学的模式是翻转学习和创客学习。翻转学习将知识传授由课上前移至课前，将知识内化由课后前移至课上，实现由“先教后学”向“先学后教”的转置。“先学后教”的真实目的是“以学定教”，也即“分流”。对于学生课前的自学，平台会自动记录分析，并反馈教师，教师据此决定需要教哪些内容、重点关注哪些学生。同样，创客学习中，学生在线上认领任务、组队分配任务、发布任务进展状态、发起异步讨论，在线下按照任务动手实践，接受教师或专家的操作指导。容易看出，基于O2O架构的智慧环境，主要是单向流通的（线上至线下）。
相比之下，基于OAO（Online And Offline）架构的智慧学习环境，线上空间多了教学职能，线下空间也能够进行智能分析，这样智慧学习环境便成了线上线下有机整合的一体化“双店”形态。线下空间能够像在线空间那样智能分析，得益于边计算技术（Edge Computing）。边计算技术让数据生成端的设备或附近的设备能够更快速地处理、分析数据，特别是在智能设备或软件的支持下，线下空间甚至无需联网即可智能分析学情。线上空间增加教学职能，不存在技术难题，只是义务教育阶段，学生必须在校接受面对面的课堂教学，没有此方面的需求。COVID-19疫情强势转变了这种范式。受疫情影响，学生必须居家上课，导致各大平台的教学授课功能纷纷上线。OAO架构下的典型学习模式是无缝学习，即学生能够快速且容易地切换不同环境、情境，且依然能够连贯地上课，无论是线上上课还是线下上课。也即，基于OAO架构的智慧环境，是线上线下互通、互联、互增值的，它是双向流通的。
无论是O2O架构还是OAO架构的智慧学习环境，线上空间与线下空间都是具有明显边界的——设备界面。在诸如XR技术、人工智能技术以及可穿戴设备的赋能下，这种边界已呈现出模糊化的趋势。这种无明显边界的学习环境，即是基于OMO（Online Merge Offline）的智慧学习环境。这种环境有两种形态：线上空间实体化、线下空间虚拟化。前者，在MR技术的赋能下，师生难以辨别虚实；在感知智能技术的赋能下，学生能够直接和机器对话，甚至再感知不到线上空间存在的情况下就能得到服务，如学生直接用传统的纸笔学习，而感压板实时记录学生的笔迹。后者，在“5G＋感控技术”的支持下，直接遥感远方设备、场地，并利用VR或全息技术将这些可控的设备、场景重现。OMO环境架构下的典型学习模式是体验式情境学习，在这种环境中，学生能够获得丰富的切实体验，无论是在线上还是线下。
追求“为未来而教”的智慧教育不仅关注基本知能，更侧重高阶知能，这种知能往往需要通过解决复杂的劣构问题或项目来培育，由此，协同自然成为智慧教育需要的学习策略。这种协同是人际协同，包括学生之间的协同和师生之间的协同。在班级授课制的当下，这是个不小的挑战。
技术在教育中的应用，使之成为可能。总体而言，技术赋能的人际协同包括三个层面：作业小组的协作、实践共同体的协作与合作、社会网的合作。它们对技术的依赖逐层递增。小组协作的任务一般不会太过复杂，在协作工具、感知与分析技术的支持下即能够有效开展。实践共同体的协作与合作涉及知识经验的碰撞、启迪，以及创造性地解决疑难问题，不但需要协作工具，更需要认知工具的支持，比如思维导图、协作软件、虚拟实验室等。社会网的合作，注重发挥更大群体的智慧，除了上述技术，还需要互联网甚至XR技术的支持，它不再仅仅是众包（多人共同解决问题），更多的是共创（多人共同创设项目）。
智能技术在教育中的应用，使主体行为的协同不再仅仅局限于师生、生生之间，而是扩展到了人机协同。人机协同的原则即是优势互补，具体讲，即是把适合机器做的事让机器去做，把适合人做的事让人来做，把适合人机合作的事让人与机器一起来做。目前，多关注教师与机器之间的协同教学（即人机共教），按照余胜泉教授的观点，人机协同教学包括四个阶段：AI代理（替代教师的重复性工作）、AI助手（教师增强AI自动化处理）、AI教师（AI增强教师创新）、AI伙伴（二者相互社会性增强），目前我们处在AI助手阶段。
要实现后两个阶段，除了要在技术上有颠覆性突破外（如AI教师要突破认知智能技术，AI伙伴要突破社会智能，特别是情感智能技术），人机协同决策机制也需要精心设计。从学习问题解决的角度看，教师首先查明智能机器（系统/平台）是否自动作出了决策。如果没有，则教师介入开展数据启发的决策，具体流程为筛选数据（从零散的数据中筛选出可能相关的数据）、探寻线索（探寻筛选出的数据背后隐藏的各种线索）、探究原因（探究各种线索之间的因果关系或至少探究出相关关系）；如果自动作出了决策，教师则审核是否合适，如果不合适，则依然进行数据启发的决策，如果合适，则采用机器的方案，如果介于二者之间，则修正不合适的部分、补充缺失的部分。最终形成的方案，如果有多个，可以给予学生自主选择的机会，如果只有一个，则直接执行，如图2所示。
图2人机决策机制（教师视角）为学习者提供个性化学习服务，是智慧教育的诉求，这也是公认的教育变革大难题，之所以难，是因为在规模化教育制度（如班级授课制）中探究个性化培养的路径，存在着统一化与个性化的矛盾。
技术赋能教育后，破解这一难题成为可能。大数据技术和人工智能技术加持的个性化学习系统/平台，能够基于学习全记录数据探析学生的偏好、风格、特长与薄弱环节，所作的个性化服务决策（如适性资源推荐、个性路径规划等）还能够根据学生的这些特征适性调整（机器学习使然），甚至诸如学习路径都是根据学生的现状即时生成的。Knewton即是个性化平台的典型案例。容易发现，技术赋能个性化教育教学的最大优势即是“适性”：学生得到的个性化服务，随着学生的发展变化适性调整。
这种技术赋能的适性满足个性化需求的同时，也造成学生学习路径的繁杂多样，为教师的群体教学新增了挑战。这也是为何个性化学习平台在课堂教学中一直处于“合法的边缘”的根本原因，更甚者，这种平台只服务于自主学习模式。
在解决这个问题的过程中，国际上涌现出了各种创新名校，比如上述提到的AltSchool、Khan实验学校等。它们纷纷跳出现有教育制度的束缚，在教育教学各环节寻求突破口。汇总下来，主要有这几方面的举措：课表方面，留有课时让学生选择自己感兴趣的课程；不再以固定的时间为单位，而是依据能力的精熟度；不再以知识为单位，而是以项目为单位；课表每周更新；教学组织方面，不再以教育水平为组织依据，而是以独立水平；不再局限于课堂，户外探究也是常态；学习时间方面，不再局限于课上时间，节假日也能进校学习；教育者方面，不再局限于教师，社会上的成人或家长也参与其中。由于教育成本高（如经济成本、师资成本），这些名校多是微型校，有些甚至只有一间教室。另外，这些名校有个共同点，即采用“小班化”教学，这也说明，它们并没有解决规模化与个性化的统一问题。
本研究团队认为，这并非技术造就的适性化“不给力”，而是力气打偏了。回顾课堂教学，教师的优势本就是统一化教学或共性教学。为了满足学生的个性需求而否定这种优势并不明智，即使有技术的协助。个性化平台无法真正融入课堂教学已说明这一点，据调研，Knewton平台近年来也节节败退。其实，技术真正的作用点应该是“帮学”而非“帮教”。帮教方面，回归教师优势，让教师为共同内容而教、为共性问题而教。帮学方面，用技术帮助学生开展同侪学习，同侪学习只关注每个学生的个性问题。一般讲，越是个性问题，越有更多的同伴已解决，越有更多的同伴能教。而这方面，技术能够发挥重要作用：帮助同伴教，监测被教学生的实时状况，为同伴出谋划策，甚至可以自己作为同伴为学生“解惑”。对于学生的共性问题，技术只要做好统计与归纳，即时反馈给教师即可。从这个角度看，人机协同除了与教师的“人机共教”，更重要的是与学生的“人机帮学”。
简单讲，这是一种技术作用于学生同侪学习（同侪学习只关注学生的个性问题），让教师回归统一化教学优势的方案，此种技术赋能的教育教学适性化，更有可能做到规模化与个性化的统一。
智慧教育需要智慧评估，智慧评估基于数据，具有全程化、多元化、多维度、可视化等特征，追求以评促学、以评促发展。
云计算与大数据技术，已成功促使评估由学业成就向学习过程扩展，当前，通过过程表现和学习结果来评估已成为智慧教育的常态。具体讲，学生在学习过程中，系统/平台会自动监测、记录学生各方面的行为表现，外加学习过程及学习后的测验、测验成绩，系统/平台能够刻画出学生的学习画像。若将数据实时传送到云中提高算力，学习画像还能够实时更新。表情识别、语音识别等人工智能技术的加入，促使智慧评估开始关注心理，比如基于表情识别技术的学业情绪分析、基于语音识别技术的紧张度、兴奋度分析。此时，智慧评估已不再局限于平台中的行为数据，开始能够从行为、心理两个维度为学生提供更为精准的平面画像。
近年来，脑科学、神经科学取得了长足进步，加之生理仪的便携式发展，脑电、心电等生理数据成为智慧评估的新元素，智慧评估也由此从平面画像走向立体画像（生理—心理—行为）。脑电、皮电、心电等生理数据由自主神经系统调节，它们不受主观意识的支配，能够真实反映学生的学习情况，这也使得这些生理数据能够作为学生心理、生理反应的校标，判断它们是否真实。
生理、心理、行为数据一般由多通道收集而来，因此统称为多模态数据。基于多模态数据的智慧评估，能够更为全面、真实、精准地描绘学生的“全息”画像，画像的指标数据甚至能够动态更新。要实现这一点，需要解决的难题是多模态数据的融合。深度学习技术领域的多模态融合策略有三类：前期融合、后期融合和混合融合。前期融合策略是在评估前融合数据，这样做的优点是能够挖掘不同模态间的关联，不过需要大样本且容易过度拟合；后期融合策略是评估后再融合数据，这样做的优点是能够以最优的方式处理单个模态，不过无法挖掘不同模态间的关联；混合策略是二者的混合，能够取长补短，不过结构无法确定。
当下，智慧教育理论已经明晰可见，在中小学的应用也进入“从有到优”的发展阶段，此阶段的变革风险相比之前会陡然上升，应做好评估与防范。技术给社会各界带来的巨大变化，已然让专家智库感知到只是为适应未来而教已不足以获得美好的福祉，应该向为塑造未来而倾斜，这方面智慧教育也会随之调整。
纵然诸如5G、XR、区块链等新技术为智慧教育注入了更大的技术力量，但本研究团队认为，“喜新不厌旧”才是良策。探索新技术赋能教育的可能当然理所应当，但很多时候，“过气”的技术更有能力临危受命。COVID-19疫情期间的“停课不停学”运动即是最好的证明：原本寄予厚望的在线教学，最终并没有电视教育的贡献大。当然，任何技术都有各自的优势，按需、按条件构建全媒体学习生态才是正道，不过要知道，技术从不是专为教育而生，其便利性及高效性也不是教育的根本诉求。实现技术的教育效用既需要先进教育理念的引导，也需经过精心的设计，包括技术融合的学习空间构建、学习情境创设、学习体验设计、学习评估设计以及学习内容设计等。
此外，今年全球爆发的COVID-19大疫情也暴露出教育系统的脆弱性。根据UNESCO发布的《全球教育监测报告》，全球超过95%（12.7亿名）的中小学生的教育受到中断，尽管各国政府努力提供远程教学作为替代方案，仍有至少5亿名的儿童或青少年无法继续学习。这给我们敲响一个警钟：设法消解现行教育系统的脆弱性，建设具有韧性的未来教育系统。
在《教育信息化十年发展规划（2011—2020年）》和《教育信息化“十三五”规划》收官之年，本研究团队对技术赋能的智慧教育进行了再审思，希望能够引起学术同仁的共鸣，并对未来智慧教育的发展有所启发。
[1]中华人民共和国教育部. 教育信息化 2. 0 行动计划[EB / OL]. ( 2018 - 04 - 13) [ 2020 - 02 - 20]. http: / /www. moe. gov. cn / srcsite / A16 / s3342 / 201804 /t20180425_334188. html.
[2]祝智庭,贺斌. 智慧教育:教育信息化的新境界[ J]. 电化教育研究,2012(12):7-15.
[3]祝智庭,彭红超,雷云鹤. 智能教育:智慧教育的实践路径[J]. 开放教育研究,2018,24(4):13-24.
[4]王珠珠. 智慧教育的提出与推动:兼谈祝智庭教授的学术风格[R]. 上海:华东师范大学,2019.
[5]OECD. OECD Future of Education and Skills 2030: Project background[EB / OL]. ( 2019- 05- 22) [ 2020- 04-03]. https: / / www. oecd. org / education / 2030 - project / about / E2030%20Introduction_FINAL. pdf.
[6]彭红超,祝智庭. 深度学习研究:发展脉络与瓶颈[ J].现代远程教育研究,2020:1-10.
[7]IMT- 2020 ( 5G) Promotion Group. 5G Vision and Requirements[ EB / OL]. [ 2020- 04 - 03]. https: / / wenku.baidu. com / view / 02540487360cba1aa811da7d. html.
[8]彭红超,祝智庭. 人机协同的数据智慧机制:智慧教育的数据价值炼金术[ J]. 开放教育研究,2018,24( 2):41-50.
[9] DEMCHENKO Y, GRUENGARD E. Big Data course and Learning Model for Online education ( LMO) [ EB/ OL].(2014-09-21) [2020- 02- 23]. http:/ / www. uazone. org/demch/ presentations/ edison2014wsh-bigdata-edu-v01. pdf.
[10]BROWN M, MCCORMACK M, REEVES J, et al. 2020 EDUCAUSE Horizon Report, Teaching and Learning Edition[R]. Louisville, CO:EDUCAUSE,2020.
[11] CSIKSZENTMIHALYI M. Flow:The psychology of optimal experience[M]. New York: Harper & Row,1990.
[ 12] MUHAMMAD E, CARSTEN B, ARVIND A, et al. BlockchainDB: a shared database on blockchains [ J]. Proceedings of the VLDB Endowment, 2019, 12 ( 11): 1597-1609.
[13] UNDERWOODS. Blockchainbeyond Bitcoin [ J]. Communications of the Acm,2016,59(11):15-17.
[14] TAPSCOTT D, TAPSCOTT A. Blockchain revolution: how the technology behind bitcoin is changing money, business, and the world[ M]. London: Penguin,2016: 3-27.
[15]魏非,闫寒冰,李树培,等. 基于教育设计研究的微认证体系构建:以教师信息技术应用能力为例[J]. 开放教育研究,2019,25(2):99-106.
[16]雒亮,祝智庭. 创客空间 2. 0:基于 O2O 架构的设计研究[J]. 开放教育研究,2015(4):35-43.
[17]余胜泉,王琦. “AI+教师”的协作路径发展分析[ J].电化教育研究,2019,40(4):14-22.
[18]彭红超. 智慧课堂中的深度学习设计研究[ D]. 上海:华东师范大学,2020.
[19]曹晓明,张永和,潘萌,等. 人工智能视域下的学习参与度识别方法研究:基于一项多模态数据融合的深度学习实验分析[ J]. 远程教育杂志,2019,37( 1):32-44.
[20]祝智庭,彭红超. 全媒体学习生态:应对大规模疫情时期上学难题的实用解方[ J]. 中国电化教育,2020,(3):1-6.
英文标题：Practical Path of Intelligent Education Empowered by Technology
基金项目：全国教育科学“十二五”规划2014年度国家一般课题“智慧教育环境的构建与应用研究”(项目编号:BCA140051)研究成果;
中国教育学刊 2020,(10),1-8
