现代教育技术   2024 年 34 卷 10 期

当前,以数据驱动为基础的自适应学习技术在教育领域展现出了巨大的潜力,然而其不透明的"黑箱"属性引发了教育研究者和实践者的普遍担忧.可解释性人工智能被认为有潜力在自适应学习情境中帮助学习者理解干预决策,从而提升学习成效,但其在教育应用中的实践效果存在争议.为此,文章采用元分析方法,对29项实证研究的66个效应量进行分析,发现可解释性人工智能对自适应学习的学习效果的提升为中等程度,其中对学习者认知和元认知维度的影响更大;可解释性人工智能的促进作用因受到解释设计、呈现设计、实验设计的影响而存在差异.基于研究结果,文章提出未来的自适应学习干预应坚持以学习者为中心,注重学习干预解释的互动性、可读性和边界性等启示,以促进可解释性人工智能在教育领域的深度应用.