促进教育创新的关键技术与应用实践——2015-2020《地平线报告》的分析与比较

根据OECD（Organization for Economic Cooperation and Development）的定义，创新是指“出现新的或重大改进的产品或工艺、新的营销方式或者在商业实践、工作场所组织或外部关系中出现的新的组织方式”[1]。在技术引入教育领域过程中，将教育与技术进行有效融合是促进创新的重要环节。也就是说，技术支持的教育创新，不是简单地引进某个新产品或新服务，而是以技术为辅助手段，开展与之相关的教学法实践和研究，从而创建与之相匹配并能产生有效协同作用的教育过程[2]。因此，技术促进的教育创新需要体现出：这些技术或相关服务是否引入到了具体的教学实践过程中，并引起了该领域教学模式、管理方式及组织层面上的变革。

衡量技术促进教育创新的能力，更是提高教育质量的关键。衡量教育创新要将创新实践和教育成果相联系，这些成果既包括学生的学习成果，也包括教师的教学实践成效和组织绩效。衡量技术促进创新的能力，可以包括的问题有：新技术的哪些功能可被用于教学实践以及其是否可以促进教学模式？学习资源、教学组织范式、师生角色发生何种改变？新技术是否对组织的创新文化、政策制定和战略布局产生影响？这些技术用于教学实践的效能如何？何种程度的变革和创新能有助于教育成果的改善?对上述问题的系统性分析，将有利于决策者推进有益的创新实践项目，评估效果以调整教学实践的方向，以及判断这些技术应用教学实践的实施条件和影响因素。

从2004年起，《地平线报告》（以下简称为《报告》）由新媒体联盟发布，2018年起转由EDUCAUSE接手。由于《报告》预测和描述了未来五年内哪些关键技术可以影响全球高等教育及教学活动，该系列《报告》内容成为对全球范围内高等教育机构中技术应用的最佳教学实践的一种扫描。正是基于《报告》内容所具有的战略意义，我们团队从2016年开始，持续对《报告》进行分析和解读，以便深入了解这些技术促进教育创新的可能性、条件、存在之障碍和发展趋势。

2020年《地平线报告》（教学版）于2020年3月在美国高等教育信息化协会（EDUCAUSE）官网上正式发布，但本年度的《报告》框架做了非常大的调整，不再以“持续时间”作为衡量标准对技术的应用趋势进行预测，而是在社会、技术、经济、高等教育和政治等背景下，分析技术创新与推广的应用场景和案例。考虑到《报告》框架发生了改变，在衡量应用趋势时，我们需更加关注技术应用的教学实践、应用情景和影响因素，本文不再对今年《报告》的内容详加解读，而是以2015-2020年《报告》中的关键技术案例为研究样本，对历年《报告》中提及的关键技术应用实践，进行梳理、分类和脉络分析，以把握这些技术应用发展的潜在轨迹。

随着新技术在教育中的应用实践更为普及，对技术如何促进教育创新的研究也日益增长。其中，具有重要影响力的报告除了《地平线报告》系列以外，还有OECD的《衡量教育创新》系列报告、英国开放大学的《创新教学报告》系列等，但每个系列的研究路径不尽相同。

（一）各项目的研究过程

1.OECD系列报告

OECD在2016年发布的《教育创新和创新教育：数字技术和技能的力量》中，提到了两种衡量教育创新的方法。方法之一是国家创新教育的适应性调查，如欧盟开展的创新调查（The EU Community Innovation Survey）和澳大利亚、新西兰的一项关于大学内部管理和服务创新的调查[3]。方法之二是衡量工作实践中特定创新的扩散情况，也是OECD的《衡量教育创新》系列报告中采取的方法，如《衡量教育创新2019》将以往国际报告中的内容作为数据来源，进行了二次分析，侧重于在2006年至2016年之间的各类来源数据变化，以此识别课堂和学校层面的教学实践随时间变化的程度。作为数据来源的报告，包括《国际学生评估项目》（Programme on International Student Assessment，PISA）、《国际数学与科学研究趋势》（Trends in International Mathematics and Science Study，TIMSS）和《国际阅读素养研究进展》（Progress in International Reading Literacy Study，PIRLS）。最终，该报告从以上国际数据库中收集了139种中小学教学创新实践案例，重点分析了教师在阅读、数学和科学教学中使用的教学方法、学习资源的可用性（书籍和信息通信技术）、教师专业发展实践（正式培训和同伴学习）、与利益相关者（家长、公众、其他教育机构）的外部关系[4]。

2.《地平线报告》（高等教育版）系列报告

美国新媒体联盟从2004年开始主导系列《报告》项目的研究，采取持续多年不断修订的德尔菲法。该方法的重要特点是研究视角的多样性，通过组建具有多元化的背景、国籍、兴趣和独特专长的专家组（每年大约70人）、每年更换近1/3比例的专家成员方式，保证每年的《报告》都能融入新的视角。截止到2017年，共有2000多位获得国际认可的实践者与专家先后成为专家组成员[5]。每年，首先由新媒体联盟通过RSS订阅方法挑选数百份出版物并放在指定平台中，主要内容包括新兴技术方面的报刊文摘、报告、论文以及其他材料，专家们在阅读文献的基础上，针对材料自由发表见解，并将值得讨论的主题添加到主题集中。围绕这些问题，专家们通过多次展开在线讨论和面对面沟通等方式，以确定未来五年可能对全球高等教育实践产生深刻影响的关键趋势、重大挑战和重要技术进展[6]。每年发布的《报告》都经展示，再由专家组最后确定在未来五年内极有可能影响高等教育变革的六个关键趋势、六个重大挑战和教育技术领域的六项重要进展。并在每一项主题中都会展示近年来具有重要创新意义的教育实践。这些由专家组挑选出来的实践案例，非常具有前瞻性和代表性。

3.《创新教学报告》系列报告

英国开放大学及其合作机构从2012年开始编写《创新教学报告》（Innovating Pedagogy Report）系列。该报告关注技术支持下的教学、学习和评价领域的新理论和实践，介绍未来十年内可能会对教育产生巨大影响的十种“创新教学法”。系列报告由英国开放大学主导，每年邀请一个不同国家的研究机构参与，以确保参与专家的多元化视角。报告采用的研究方法与《地平线报告》类似，其数据来自全球领先的研究项目、教育研究论文和博客等网络资源，由专家组提出过去1-2年间出现的新教育概念、术语、理论和实践，并总结出十种可能改变教育的新教学法或对已有教学法的创新应用[7]。

上述三个系列报告研究方法的共同之处在于，均是先对以往研究素材进行汇总并分析，再由专家确定主题和发展趋势，最后由写作组完成随时间变化的技术发展趋势分析报告。各类报告的研究数据基本以各类研究、报告或者网络资源中的教学实践为基础，通过对教育实践案例报告的分析，进而判断该案例所能代表的典型性和发展趋势。

（二）研究报告的分析维度

国际上对教育创新的比较分析框架也有所不同，但重点要考虑的是：该框架能够分析一个技术应用案例是否属于教育创新实践，即该技术或相关的新产品、新服务能否引起教育组织的系统变革。其中，低层次的变革是在一个或几个维度上引起组织进行调整和改善的小范围变革；而高层次的变革是组织的根本任务、文化、运作过程和结构的变化[8]。因此，大多数研究项目的分析维度，主要在于考虑该案例是否引进新的过程、实践、组织或营销方式，以及这些变化是否导致了教育改善。

新媒体联盟的地平线项目组从2014年开始采用欧盟委员会开发的Up-Scaling创新课堂（Creative Classrooms，CCR）作为框架，用来分析关键趋势、重大挑战对政策、领导力和教学实践的影响。该框架由包括内容与课程、评价、学习实践、教学实践、组织实践、领导力与价值观、连通性和基础设施等8个维度，总计28个重要参数构成[9]。

OECD的系列报告《衡量教育创新》将创新看作是一种新的重要变革的过程、实践、组织、营销方法，侧重于衡量教学实践中特定创新的扩散情况，通过学校内部收集的微观数据对教育系统进行调查。这些微观数据包括：教学风格、教学实践、课堂组织、教材使用、评价方式、电脑和网络的使用、教师合作的范围以及学校反馈机制等[10]。项目组分析了这些教学过程中的创新实践，并对比了这些创新对教学成果的改善，包括学生的学习成果、学生的参与度、公平性、成本效率、教师的工作福利等[11]。

国际教育成就评价研究协会的“第二届国际教育技术应用研究”（The Second Information Technology in Education Studies，SITES M2）是一项关于应用技术进行教学实践创新的国际比较研究项目，采取了案例研究法。项目组分析世界各国学校应用ICT进行教育创新的案例，并完成了174份案例报告，内容包括个案的课程目标、教师和学生的行为和结果、背景、可持续性和可迁移性等[12]。

另外的一些研究，对这些重要的报告进行二次分析研究。如，罗陆慧英等[13]对SITES M2项目中的案例报告进行了聚类分析，采取课程目标、教师角色、学生角色、ICT的复杂性和精密性、多维学习成果以及课程与外界的联系等六个教学维度，对其中的83项个案进行了分析。董丽丽等[14]对英国开放大学的系列《创新教学报告》进行了再次编码分析，分析的维度包括：基本信息、创新教学法的基础、使用情境和创新维度。其中创新维度，特别关注了教育目标、学习者分析、教学内容、教学方法与媒介、教学管理、教学评价等几个子维度，以探讨创新教学法在哪些方面进行了创新。

在本文中，我们将采用内容分析法，对系列《地平线报告》的内容进行二次研究，详细编码并分析2015-2020年系列《报告》中所涉及的关键技术案例。重点关注的核心问题有：在《报告》出现的这些教育实践案例中，技术在哪些方面产生了影响？这些技术的实践和理论研究应关注哪些要点？当前，大规模使用该技术仍存在哪些瓶颈？

我们以2015-2020年的系列《报告》为数据来源，选取六年间多次被提及到的关键技术，采取横断研究方法，对出现4次以上的关键技术进行分析，重点关注《报告》案例中所展现的这些技术在教学中的应用趋势，对教育创新的影响以及研究的关注点随时间变化的趋势。

（一）样本选择

从2014年起，新媒体联盟负责的专家组中将各类技术分为：消费者技术、数字化策略、使能技术、互联网技术、学习技术、社交媒体技术、可视化技术七大类。2015-2020年间，《报告》提及的消费者技术有：可穿戴技术和机器人；互联网技术包括：物联网和区块链；数字化策略有：翻转课堂、自带设备、创客空间、移动学习和教学设计；学习技术包括：学习分析、自适应学习技术、虚拟助手、开放教育资源、下一代学习管理系统；可视化技术包括：增强现实和虚拟现实、混合现实；使能技术包括：情感计算、人工智能和自然用户界面。近六年没有社交媒体技术进入到《报告》中，各类技术频次统计如图1所示。

图2是关键技术在2015-2020年时间段中的出现频次分布，从图中可以看出，近六年的重要技术进展主要侧重于教与学策略的技术和未来有可能实现重大创新突破的技术，逐渐淡化社交媒体技术等最初并不是为了教育而设计的辅助类工具。在这三个时间段内，学习技术和数字化策略一直是关注度最多的技术。在以后三年间，学习技术还有所增加，不过关注的重点从数字化策略向可视化技术迁移的倾向，包括混合现实、扩展现实等技术。

图1 2015-2020年《地平线报告》七大类主题中的技术频次分布

图2 2015-2020时间段关键技术频次分布

在每年所提到的关键技术中，有10项技术超过两次出现，包括：自适应学习技术、人工智能、学习分析、扩展现实（增强现实、虚拟现实、混合现实）、创客空间、移动学习、物联网、自带设备、下一代学习管理系统、机器人。其中，自适应学习技术、人工智能和机器学习、学生分析和扩展现实是出现次数最多的关键技术（如表1所示）。

表1 2015-2020年出现最多的四项技术

值得指出的是，在过去的十年中，虽然有些技术出现频次较少，但对一个特定的教育系统及其学生而言，这些在众多列表中挑选出来的技术在实践的规模上仍是显著的，学生或多或少地接触到了这些技术。

考虑到技术应用案例的代表性和文章篇幅，本文选取了表1中的四项关键技术应用的相关案例。据统计，在2015-2020年度的《报告》中出现的案例总计276个，案例分布参见表2。

表2四项技术应用选择案例统计表

（二）分析框架

我们在综合各类国际比较报告分析框架的基础上，根据信息技术融入教育的不同阶段，确立了5个分析维度，分别是技术创新、教学创新、组织变革、绩效评估和影响因素。技术创新是新的技术或产生的新服务出现在教学实践中的形式；教学创新是指随时间推移，该技术引起的教学方法与模式、教学内容与评价方式、师生角色等方面的变化；组织变革是创新的教学实践对教育理念、组织文化、结构和运行机制产生的影响；绩效评估是评估这些创新的技术应用效果，包括学生的学习成果、学生的参与度、公平性、成本效率、教师专业成长和组织绩效等；第五个层面是对技术实践的反思，包括这些应用能够在未来持续并推广的成功因素和障碍。每个维度的二级维度及说明，参照表3。

表3案例内容分析编码体系

（三）编码过程

我们首先进行了编码训练，选取了2015-2020年《报告》中的“自适应学习技术”板块的内容，由两位研究者按照内容分析框架和个人理解，独立进行案例和关键概念的确定并进行编码。通过对95个应用案例的编码比对，两者的编码重合度达83.52%。在此基础上，三位研究者对不同部分进行商讨和确认，并根据编码情况对编码维度进行了微调。之后，统一确定了案例内容，由两位研究者继续对本研究中的总计276个技术应用案例（个别案例中有多项表现，最后编码单元为349个）进行编码，最后协商汇总编码结果。

本研究所选择的四项关键技术分别是学习技术中的自适应技术和学习分析、可视化技术中的扩展现实（增强现实、虚拟现实、混合现实、触感技术），以及使能技术中的人工智能。

《报告》中出现频次最高的四类技术体现了智能技术用于教学实践的关键技术，也体现了这些技术对教育创新与变革的驱动或引领作用。在276项应用案例中，自适应学习技术相关案例共95个，人工智能78个，学习分析技术45个，扩展现实58个。通过案例分析我们可以看出，上述四类技术虽然进入教育领域的时间不同，但在技术创新、教学创新、组织变革、绩效评估和影响因素五个维度上，呈现出类似的发展曲线，即开始时关于技术创新、教学创新的话题占有较多比例；随着时间发展，有关效果的评估、反思方面的话题逐年增多。

在具体维度方面，各类技术的应用案例大多是从对软件和算法的开发，逐渐转为将技术整合到现有学习系统中，强调在教育环境下怎样才能更好二次开发技术功能；在教学层面，四类技术对教学内容、教学策略、教学组织形式以及教学评价的作用不同，因此对其的研究和实践也各有侧重，但总体上体现了这些技术在相关领域的应用优势；在组织变革层面，四类技术主要涉及数据的监测与分析，有些技术进而改变了组织的管理方式和决策手段，很多技术创新实践通过开展合作的项目研究，进一步推动理念和理论的创新；在绩效评估层面，越来越多的院校与机构开始关注组织绩效和学习效果分析，希望能够促进教育公平，提高教育质量；在影响因素层面，在技术较为成熟后，与其相关的经济投入与社会关注开始持续增加，同时在应用过程中潜在的伦理道德等问题，也将引发更深入的思考。

表4应用案例内容分析编码统计

（一）自适应技术

自适应技术可以根据学生的特定需求定制课程、教学资源和活动，正逐渐成为教育技术领域新增的关键工具之一。该技术在为学习者提供个性化学习体验同时，也可以为教学设计、成果评估和教育决策提供数据支持。2015年《报告》首次将自适应学习列为将在未来五年内更有可能推动技术规划和决策的关键技术[15]。在2015-2020这6年时间中，自适应技术共出现了5次，是出现频率最高的关键性技术。对95份应用案例中的关键概念的聚类分析结果表明，自适应技术特征体现在能提供个性化学习体验、调整课程或者资源、提供辅导和建议、帮助教师评估和教学设计迭代等。

自适应技术是个性化学习概念实现的最佳技术方案，但由于技术应用实践正处于正态分布曲线的上升部分，在深受研究者和教育机构关注的同时，该技术的大规模使用和推广还存在操作复杂、与现有系统整合不足、成本等方面的限制。各年度《报告》中的自适应技术应用案例一级编码结果表明（见图3），早期自适应技术的应用案例以自适应软件、工具或者学习平台的介绍为主，而在之后的《报告》中更多是如何将自适应技术与管理系统或平台进行整合，从而对学校服务进行升级完善。

自适应技术在2015年《报告》中首度出现时，主要是介绍自适应学习工具或系统，其中涉及的13个案例有些是由公司开发独立工具或者平台，如Knewton、Smart、Sparrow、Cerego等，有些是处于该领域前沿的一些大学自主研发，如美国凤凰城大学（University of Phoenix）的学习活动流（Academic Activity Stream）[16]、美国密歇根大学的Gradecraft[17]、俄亥俄州州立大学的外挂程序“MOOCulus”[18]等。之后，基于课程变革的软件开发，开始成为自适应技术应用的新趋势。通过分析来自管理系统和课程资料中的数据，可以为学习者提供个性化的活动建议和动态内容，或预测课程掌握情况。

图3自适应技术应用案例的一级维度分析

很多案例对自适应技术的功能和使用做了详细介绍，强调可以针对学生兴趣、以往表现和学习目标，定制学习体验和学习资源。将自适应技术与在线学习系统相结合，通过对群体数据的分析，可以提供针对性更强的个性化辅导与资源，从而帮助学生取得成功；而大学与机构间积极合作，开展自适应学习项目，也可以使大学更具有敏捷性和前瞻性，推进教育变革。随着自适应技术的实践范围的逐步扩大，在后期《报告》中出现了对实践效果的评估与反思的案例，在同时进行课程再设计的情况下，多数案例对其使用效果的评估持乐观态度。很多实践证明（见表5），自适应技术结合主动学习、开放教育资源等策略可以提高学习效率、拓展学科知识、促进学习者参与，学生成绩与满意度都普遍得到提高。

虽然许多机构开始试用这项技术，但大规模的实施仍然较少。对案例提及的影响因素分析也表明，简化操作和系统整合问题，仍然是推广自适应学习技术的障碍；针对自适应技术的教学法研究才刚刚起步，对课程的重新设计难度较大；自适应系统的前期投入成本大，需要使用最先进的技术基础设施；师生的数字素养也有待提高。另外，人们也开始关注智能技术应用所产生的隐私问题，使用学生数据的道德问题以及技术应用中的公平、包容性。

表5自适应技术的绩效评估二级维度分析①因参考文献篇幅限制，本文表格中提到的案例项目均没有标出全称和出处，具体信息可以查询《地平线报告》相关内容。

（二）人工智能（AI）/机器学习教育应用

人工智能（AI）是通过海量数据收集和自然语言处理，基于机器学习进行推理，由计算机进行预测和决策的能力[19]。我们对78份案例的聚类分析表明（见图4），人工智能用于教育领域的主要方式包括：可以通过解释言语线索与人类交互的虚拟助手、虚拟教师、智能辅导系统、聊天机器人等；能够模拟、评估或解决问题的诊断系统、模拟系统、导航系统等。

图4人工智能技术应用案例的一级维度分析

早期对人工智能的关注主要停留在对软件功能、应用愿景、深度学习算法等内容的介绍上，包括机器学习、机器人技术、自然语言处理等。专家们对人工智能的应用予以高度认可，并普遍认为，该技术将对未来教育产生积极影响。其中，虚拟学习助理通过提供免费资源、个性化辅导和实时反馈，可降低高等教育学生的成本，提高在线课程的保留率，并帮助学生取得成功；人工智能还通过预测学生成绩表现和学术风险，提前制定干预策略；能够促进教育公平和包容性，改善障碍学生学习体验等。

从2017年到2020年的《报告》来看，人工智能在技术功能创新的三类核心应用（即，软件开发、装备建设和系统环境）中均有典型案例，包括面向个性化学习体验的算法开发，专门的字幕制作工具等。另外，人工智能技术也开始被用于高校图书馆服务的升级，如，在线计算机图书馆中心（Online Computer Library Center，OCLC）与来自各组织的专家协作开发了人工智能服务产品，利用机器学习等技术与算法追踪并记录各种图书馆服务[20]。在一些高校中，美国西北大学（Northwest University）、俄克拉荷马大学（University of Oklahoma）等也开展了基于人工智能的图书馆服务升级[21]。

从2019年《报告》开始，关于可能阻碍人工智能应用的反思逐年增多，包括：存在学生缺少AI技术的使用经验，教师将被AI软件或机器人所取代等担忧。另外，人们对在高等教育领域实施这些技术也存在争议，尤其是这些新兴技术产生的偏见、隐私和数据使用的道德挑战等话题。Natalie Schwartz在其2018年研究中指出：谷歌因为一些种族主义和性别歧视的自动搜索提示而受人批评；微软的青少年聊天机器人Tay也因为模仿Twitter上的仇恨言论而被关闭[22]（见表6）。在2020年《报告》的原文中，进一步表达了对滥用潜在数据的担心，并讨论到关于利用学生数据、做出智能干预决策的审查与监测问题。

表6人工智能的影响因素二级维度分析

在2020年《报告》中，近年来各国均将发展人工智能作为国家重要战略，高等院校也纷纷出台与人工智能教育相关的人才培养计划。随着关键技术日趋成熟，越来越多的AI技术元素被嵌入到了现有学习管理系统、学生信息系统、图书馆系统和招生服务系统中，帮助人类处理低阶常规和重复认知性的任务，提高该系统的准确性、速度和保真度。

（三）学习分析技术

2011年，《报告》首次将学习分析纳入到长期关键技术之一，并预测该技术在未来5年间将在高等教育中受到广泛关注，将有越来越多的院校开展相关实践研究。随着各类智能技术和在线学习的发展，基于大数据的科学分析，越来越普遍地用于对学习路径、学习资源、学习体验和学习环境的改善，并为各级决策提供参考[23]。学习分析技术能根据学习者的需求和兴趣评估学习者的学习体验，提供反馈并以适合的方式进行学习资源的推荐；帮助学习者了解其在学习发展过程中的优劣势，提供合理的学位成功指南和最佳学习规划；当学习者遇到障碍时为其提供调整方案及最佳学习路径；也为教育系统的各相关群体，提供行动指南和决策参考[24]。

我们收集了2015-2020年间《报告》中涉及学习分析的45份案例，分析结果表明（见图5），因为该技术的教学应用实践较早，使得人们对其的技术创新和教学创新的关注度降低。这些案例已经不再是单纯的技术介绍，而大多是探讨一些成熟系统的应用实践，如，美国维多利亚大学（University of Victoria）的数据分析平台Brightspace[25]、美国加州州立大学（California State University）的“学生成功仪表盘”[26]等。利用这些系统的应用数据，可以分析学生的投入度、学习困难，以帮助大学判定所实施的特定干预措施的有效性。一些大学开始利用学习分析改善组织服务、管理和教学计划，如，英国开放大学（UK Open University）利用学习行为分析数据评估在线学习的参与率，为教育工作者提供辍学预测[27]；美国斯坦福大学（Stanford University）的开放学习项目[28]，利用学习分析技术为在线学生提供针对性的反馈以及自我评估工具，使学生能够更好地了解他们的知识缺口，并相应地调整他们的学习计划。

图5学习分析技术案例的一级维度分析

我们通过对学习分析技术的二级维度分析，可以看出该技术已被广泛用于教学创新中，用于试点项目中的成就评估、学习行为、预测分析等。作为重要的学习技术，对相关学习理论的探讨也非常广泛。2017年美国教育部教育技术办公室发布了报告，概述并分析了学习分析技术在教育环境中的研究可能性和实际应用[29]。为了应对逐渐成熟的学习分析应用和发展，国际开放和远程教育理事会也制定了一套道德规范实践指南[30]。与此同时，学习分析技术支持的教学实践效果也开始显现，一些研究证明，通过提供个性化学习方案，学生获得了更好的学习体验，对其学习有积极影响。学习技术对教育创新的影响也逐渐显现，尤其是在组织变革的创新管理二级维度中的案例数最多，也体现了学习分析技术在这方面的应用优势（见表7）。

此外，通过对《报告》应用案例的分析和对比，结果表明了学习分析技术的三个趋势：其一，学习分析技术在MOOC平台改进方面的应用，包括：学习结果预测分析、交互可视化分析、学习风险预测、学习投入度分析以及得到更普遍应用的个性化学习资源与学习伙伴推荐；其二，学习分析技术与教学各流程的密切配合，如，基于学习分析技术的教学评价指标体系构建和开展教学干预等相关研究；其三，学习分析技术与深度学习的交叉研究，主要涉及如何利用学习分析促进学习深度。

介于数据隐私的敏感性，很多专家已经开始引导大家思考，关于促进学习的数据信息类型及数据使用所涉及的隐私和伦理问题[31]。并且围绕学生数据的复杂的伦理和法律问题，已成为学习分析技术发展和采用的障碍。尽管如此，学习分析项目还是得到很多教育机构和联盟的支持，一些组织还开始了使用标准和制度的制定工作，如，英国开放大学制定了收集和分析学生数据的详细规则[32]。

学习分析技术将会和自适应技术、人工智能技术一样，更广泛应用于在线学习数据的可视化分析。早期预警和提供主动帮助等功能，将在未来的学习分析系统中体现，并能为教育系统的各个层面提供参考依据。另外，让学生接触学习分析的应用程序并理解个人数据、对自己的学习进行评估，将可能为学生的提供新的成功模式[33]。不过，未来对数据隐私的担忧和技术工具使用的伦理问题，还将制约学习技术的使用，学校需要考虑实施关于如何使用和保护这些数据的相关政策和明确道德规范实践指南。

（四）扩展现实技术

扩展现实（XR）旨在将物理与虚拟世界进行混合，或提供完全沉浸式虚拟体验的环境，包括增强现实（AR）、虚拟现实（VR）、混合现实（MR）、触感（Haptic）技术等。2013年，可穿戴技术首次在《报告》中出现，比较典型的应用案例是谷歌于2013年初发布的“未来眼镜”项目[34]。利用增强现实技术，眼镜用户可以完成利用语音指令接入互联网，进行邮件回复等诸多工作。在2016年《报告》中，将增强现实和虚拟现实列为中期关键技术，两者不同但紧密相连。虚拟现实技术提供了有情境的学习体验，在虚拟环境下引导学生对现实世界进行探索；增强现实技术的响应交互，让学生建构更宽广的认知和理解[35]。

图6扩展现实技术案例的一级维度分析

基于2016-2020年间《报告》中涉及扩展现实的58个应用案例（见图6），我们发现，早期《报告》不仅包含对该技术硬件设备与应用原理的介绍，也涉及成熟系统的应用实践探讨。博物馆已经广泛采用了增强现实技术，通过手机提高信息传递，进一步丰富参观者的学习体验[36]。一些技术已将虚拟现实技术融入到软件中，为用户提供三维体验。高等院校通过扩展现实技术完善了教学环境，为学习者提供模拟校园体验、模拟实验、对工作场所的模拟训练，如，美国马里兰大学（The University of Maryland）的增强现实实验室Augmentarium[37]、博伊西州立大学虚拟现实设备Oculus Rift[38]等。这些使能技术在教育领域具有广阔的应用场景，既能带给学生丰富的沉浸式体验，转变知识的传授方式，使学生进入更深层的学习，还能在虚拟环境中磨练学生解决真实问题的技能。

相关分析表明（见表8），随着技术的发展，扩展现实技术在地理、管理、设计、医学、外语、人类学等领域学科教学中均得到了广泛应用。有利于应对当前课程体系所面临的挑战和机遇，在增加任务时限、扩展学科知识的基础上，更好地帮助学习者从实习和工作经验中获益[39]。典型的案例是莱顿大学的两个医学项目（AugMedicine[40]和急救护理课程[41]），通过模拟实践，这些项目可以增强学习者将所学技术应用于实际紧急情况的信心，从而在理论与实践之间架起重要桥梁。

表8扩展现实技术创新和教学创新二级维度分析

另外，教学实践领域开始关注该技术的组织绩效，致力于通过扩展现实的创新教育促进学生成效。在某种程度上，扩展现实技术还有助于降低院校的整体成本，促进教育全纳性。一些案例如美国内华达大学里诺分校（University of Nevada，Reno）为脑瘫学生提供了XR体验，促进了教育公平性[42]；美国康奈尔大学兽医学院（Cornell University Veterinary College）在其马匹兽医课程中开发了基于XR技术的X射线定位模拟器，节省了大量的空间、时间和成本等[43]。早期研究和实验表明，将扩展现实技术与相关学习活动紧密结合，可以支持基于能力的教学，扩大实践学习经验的范围。随着设备成本的显著下降，5G等网络技术的普及，扩展现实的应用也将更加具有沉浸性，当然，有效地将这些技术整合到课程中需要严谨的规划和众多资源的辅助。除了整合技术本身外，各高校还必须考虑相关的工作，包括：教师发展规划、教学设计、学习空间整合、基础设施评估、设备监管、政策制定以及道德和访问权限等[44]。

为了进一步了解我国在四项技术的教学实践应用情况，我们以四项技术为主题进行国内相关文献检索，并对检索结果采取与前述报告分析同样的维度，进行编码和内容分析。

在案例选择上，将期刊范围限定为CSSCI来源期刊并聚焦高等教育领域，时间限定为2017-2019年，排除结果内会议综述、访谈记录以及发表期刊综合影响因子小于1的文章，最终获得230篇研究文献。其中自适应技术24篇，人工智能72篇，学习分析73篇，扩展现实61篇。这些案例在各个维度的分布如图7所示。

图7 2017-2019国内应用案例的一级维度分析

各项技术的研究文献在2017-2019年间数据统计如表9所示，四项技术的相关研究，在教学法创新和改革、促进创新服务和管理等方面的文献占比很大，但在影响因素和绩效评估方面的研究相对较少。

（一）自适应技术

我们以“自适应学习”或含“适应性学习”作为关键词，在“中国知网”分别进行主题检索和关键词检索，共得到71条检索结果，最终选取24篇研究文献。经过编码和数量统计后，国内自适应技术文献和《报告》中案例数量占比统计结果，如图8所示。

图8自适应技术国内外文献案例占比

整体来看，2017-2019年，自适应技术发展已经相对成熟，对于技术功能的研究不再占过多比重。国内研究和《报告》中的案例，均集中于教学创新和组织变革领域。

虽然，2020年的《报告》中组织变革相关案例仍占比较大，但对于绩效评估方面的研究与应用，已经从2015年的5%显著上升至2020年的20%。同样，国内研究重点也从教学创新逐渐转向绩效评估，到2020年比重已达35%。其中，值得注意的是，国内研究在推进绩效评估的过程中，更聚焦于师生能力的培养，包括学生技能培养和教师自适应素养的培训等。

对研究主题进行分类分析我们可以发现，现阶段国内有关自适应学习技术的研究思路与《报告》较为统一。在理论研究方面，研究主题涉及自适应系统或工具的应用与启示，自适应学习相关研究主题与趋势梳理，以及国际自适应系统的比较分析等。教学实践主要涵盖系统平台的开发与改进、学习资源推荐、学习者学习效果分析、新模型的构建以及影响因素分析等应用方向。也有学者开始探讨基于自适应技术的教学法的创新，如，张治等[45]设计了基于自适应系统的混合式研究性学习模式，实现线上学习和线下探究相结合，促进学生持续、深入地开展研究性学习。

在差异性方面，国内研究在分析技术影响因素时，更多关注师生因素，包括但不限于能力与水平、技术接受度等。《报告》则更多关注社会因素和经济因素。在诸多案例中，还提到了公众对于隐私与数据安全的担忧，以及时间、资金支持对于自适应技术实施和发展的影响。

（二）人工智能技术

人工智能教育方面的文献，共计可得到216条检索结果，最终筛选出72篇文献作为研究样本。经过编码和数量统计后，国内文献和《报告》中案例数量占比统计结果，如图9所示。

图9关于人工智能教育主题的国内外文献案例占比

从整体上看，国内人工智能教育研究自2017年起呈现持续发展态势。2017年相关研究文献仅3篇，2018年增长为25篇，2019年达到44篇，其中影响因素相关案例始终占比较高。在该维度下，社会因素二级维度的相关案例最多，国内学者围绕伦理道德、技术挑战、影响风险、教师素养等视角进行思辨性探索，尝试提出应对策略。与国外研究相比，国内在人工智能技术与学习管理或教学评估等系统的整合方面，相关研究较少。

通过对研究主题进行分类分析，我们发现，国内外研究在两个方面存在的差异：其一，在理论研究方面，国内研究主要涉及国外人工智能案例的应用与启示，人工智能相关研究主题与趋势梳理，以及人工智能教育的理论模型构建等。与国内研究相比，国外研究主要通过实验研究论证人工智能增强教学的有效性，同时，不断提高组织认同与增强信念。其二，国内教学实践研究主要关注数字化教学环境建设、跨学科融合模式构建，以及教学设计的创新与完善，一些高校着手开展基于人工智能技术的融合式教育；国外研究则多关注人工智能在促进教育公平性，节省教学成本，提高学生连通性等方面的积极作用。

（三）学习分析技术

在“中国知网”中以“学习分析”作为关键词进行检索，得到128条检索结果，最终获得73篇研究文献。经过编码和数量统计后，国内学习分析文献和《报告》中案例数量占比统计结果，如图10所示。

图10学习分析国内文献案例占比

整体来说，《报告》有关学习分析技术的应用案例近年逐渐脱离对教学和影响因素的关注，重点关注推进组织变革和绩效评估。相对而言，国内有关学习分析技术的研究关注点，主要在于促进组织变革和对师生影响因素的讨论上，绩效评估方面的研究则呈递减趋势。

在具体维度方面，国内对于学习分析技术的探究，也处于逐步成熟且多样化的阶段，基本涵盖了2020《报告》中提到的学生参与度和表现数据分析、早期预警和主动帮助工具、面向学生的分析程序以及学生学习体验分析等内容。研究的应用案例包括：基于社会网络分析法开展学习交互分析及多模态交互分析等；利用数据分析技术进行个性化预测研究；通过学习行为分析构建合适的学习习惯干预模型，开发学习资源推送等功能。

我们发现，国内研究与《报告》主要在两个方面存在差异。其一，国内对于教学创新的研究多集中于基于学习分析改进或设计教学策略，以提高学习效果。而《报告》中旨在推进教学创新的案例，主要关注个性化教学内容与资源的开发，以及课程设计与建设。其二，在组织变革方面，国内许多案例在推进理论创新过程中，侧重于建立分析模型来提高分析技术效率；而《报告》中的案例，更多倾向于实验研究和案例研究的开展。

（四）扩展现实技术

在“中国知网”以“扩展现实”“增强现实”“虚拟现实”“混合现实”“触感”与“教育”作为主题和关键词进行检索，检索关系为“并含”，得到229条检索结果，最终筛选出61篇研究文献作为研究样本。经过编码和数量统计后，国内学习分析文献和《报告》中案例数量占比统计结果，如图11所示。

图11扩展现实技术国外内文献案例占比

从整体上看，国内研究中组织变革相关案例始终占据多数。国内学者基于现有文献与国外案例进行思辨分析，尝试建构该领域理论基础。虽然在2018与2019年《报告》中，与组织变革相关的案例也占到多数，但是与国内相比，《报告》中的理论创新案例较少，项目推广、组织结构变革相关案例较多。国内外与技术功能维度相关的研究发展呈现出相同趋势，相关案例占比逐年减少；影响因素与绩效评估维度国内外案例则呈现出相反趋势，国内这两个维度相关案例占比逐年减少，而报告中的相关案例占比却逐年增多。

通过对研究主题进行分类分析，我们发现，国内外扩展现实教育均关注教学创新维度。不同之处在于：国内学界多从理论视角出发，尝试构建该技术教育应用的机制框架与理论模型，例如，学习者动觉学习机制框架、学习行为意向影响因素模型等；国外学者则更多基于实验研究结论以及技术设备更新，尝试通过改良教学设计，进一步提升基于扩展现实技术的组织绩效（节省空间、时间和成本）与学生学习成果（学生技能与能力培养）。

人工智能、混合现实技术、学习分析、自适应学习技术的发展，为高等教育创新学习机制和系统的构建，提供了重要技术保障；同时，推动着创新文化体系、促进创新型学习空间的发展，使未来的学习生态系统更为智能化、数字化、个性化，也为其未来社会创新发展提供更多可能性[46]。

国内外相关案例对比结果显示，整体来说，国内高等教育领域对于上述技术的应用和研究思路与《报告》有所重叠，近年来《报告》中的有关案例也在一定程度上指向了我国技术发展与应用的趋势。国内在技术促进变革和反思方面略显滞后，在某些具体研究方向和主题上，也与《报告》分析结果有所不同。但这些技术的教学实践从开始进入教育领域、开展一些实践项目、推进一些示范项目的过程中，对其应用的效果评估和反思案例也逐步增多。随着高等教育领域对实现多元、灵活、开放的学习模式、普及在线教育、促进教育公平和全纳性、降低成本等方面的硬性诉求越来越高，这些技术的应用实践还将持续增长。本文上述这些比较分析的数据，也为了解技术研究和实践方面的缺陷与走向，提供一些参照依据。