AI在自然教育辅助应用——特殊需求

特殊需求学生鉴定评估往往深陷在课程教学、鉴定工作、观察记录、面谈以及评估报告撰写这一永无止境循环之中，教师承受着巨大心理压力。在决定学生身份认定评估工作中，是否可以在保持客观与全面前提下，找到某种方法来帮助评估人员更快速地厘清学生个体特征？这一问题始终是自然教育领域亟待解决重要课题。

分类是人类与生俱来天性，实施分类不仅能够确保资源分配精准性，还能快速实现诊断与需求引导。各类特殊需求学生具有明确概念性与操作性定义，为评估人员进行数据核对与标准比对提供依据。尽管存在标准比对机制，但对数据解读因评估人员经验与观点差异而有所不同。随着评估人员经验积累，特殊需要学生鉴定评估中结论趋同性日益增强。经验的积累与专业共识形成需要时间，错误鉴定结论将直接影响是否对学生实际需求进行恰当干预，因此需格外谨慎。

随着人工智能（AI）技术日益成熟，利用AI辅助评估特殊需求学生及各类障碍类型可行性不断提高。AI评估系统在特殊需要学生评估领域应用追溯至1984年——当时霍夫迈斯特利用专家系统，采用CLAS.LD系统程序对存在学习障碍学生进行评估；该系统通过整合心理学、教育信息及数据计算机化资料辅助评估，借助数据库进行自动化数据比对操作。

近年来，人工智能（AI）受到广泛关注，基于自然语言处理技术的AI判决预测系统，属于AI辅助预测研判系统，采用AI辅助判读系统协助诊断医生心脏、脑部及肺部疾病，以及对X光片、乳房X线摄影、低剂量肺部影像和计算机断层扫描（CT）进行辅助判读，全面提升医学影像诊断质量，医疗领域已经广泛使用人工智能辅助技术。

一、人工智能是什么

人工智能（AI）是一种使计算机和机器能够模拟人类学习、理解、解决问题、决策、创造力及自主性技术。无论是自动判读系统、广为人知ChatGPT，还是使用系统自动分析并推荐用户感兴趣相关视频，均属于此类技术。2024年起AI 研究人员及相关新闻报道焦点均集中在生成式人工智能（Gen AI）领域突破性进展，生成式人工智能是一种能够创建原始文本、图像、视频及其他内容的技术。

1、20世纪80年代机器学习（ML）

ML是人工智能中基础模型，通过数据输入、模型训练及算法应用构建模型。基于这些模型，计算机借助线性回归、逻辑回归等方法构建模型架构，进行预测与决策。只要模型构建所用前期数据足够丰富，依据设定标准或框架对相关预测结果进行验证。在识别特殊需求学生时，输入大量来自不同障碍类型学生报告数据，便能有效厘清各类报告之间相似性与覆盖范围，构建适用在特殊需求学生预测模型。1979 年温斯顿就针对人工智能在阅读预测方面应用开展研究；在对学习障碍学生进行识别方面，霍夫迈斯特（1984）构建 CLAS.LD 系统是最早开展相关研究案例。他开发一套专家系统，旨在通过数据输入与分类来对当时存在学习障碍学生进行预测性评估。

在机器学习（ML）框架下，存在两种不同计算思维模式。

（1）神经网络

模拟人脑中连接功能，在处理同一事件时，由不同神经由知识节点对数据进行联合分析与处理；

（2）监督学习模式

明确定义每个样本及节点标签，使待预测数据根据这些标签进行分类，完成预测并得出最终结果。

2、2010 年兴起深度学习（DL）

随着决策场景日益复杂，传统“一对一节点对应式”分析方法已经无法满足实际需求。在机器学习（ML）分析节点层面，产生深化分析需求，深度学习（DL）应运而生。DL 核心思想在于：在每个预测分析节点处理过程中，采用深度神经网络进行模拟决策，使该过程更贴近人脑复杂决策机制。在传统机器学习中，通常仅涉及 1 或 2 个层（层是指神经网络模型基本组成单元，通常由一组或多组数据转换方式构成）；深度学习扩大至数百个层，提升预测性能与准确度。这一成果使得无需监督学习成为可能——计算机能够自动从大规模、未标注非结构化数据集中提取特征，并对数据所表征内容进行预测。

3、2020年兴起生成式人工智能（Gen AI）

Gen AI是一种高度先进人工智能技术，具备自主生成新颖内容能力，涵盖文本、图像、音视频、音乐等多种媒体形式。与传统人工智能主要基于规则导向或数据分析特性不同，Gen AI 通过深度学习大规模数据集，模拟人类创造力与问题解决能力。该技术在图像识别、自然语言处理（NLP）及机器翻译等领域展现出应用潜力。从机器角度来看，学习过程需要消耗大量计算资源——涵盖数据收集、清洗与整理，以及数据预处理、训练数据集模型构建、测试数据集对模型性能的评估等环节。人工智能并非完美无缺，它也会出错，甚至产生完全不合理结果。如何构建系统化数据体系以提供有效准确预测结果，是当前亟待解决问题。

通用人工智能（Gen AI）核心特征在于对训练数据进行高效学习与再利用，能够基于所学知识自动推导出适用在新情境解决方案。例如，Gen AI 通过学习自然语言结构生成语法与语义一致文本，在给定词汇或主题前提下创作诗歌或散文。鉴于 Gen AI 目前主要应用在创作领域或创意方案构思，是否适用对学生人生决策（身份认定）评估，仍有待进一步明确。

二、特殊需求评估模式差异化影响

特殊需求学生进行鉴定时，采用多元化评估方法，根据学生个体情况，采用标准化测评、直接观察、访谈、医学检查等方式，或参考证明文件收集个案资料。需要基于法规制定，通过对学生能力进行定性观察与定量测试分析，开展综合研判；具体分析步骤如下：

(1)对学生初步能力进行诊断并识别需求；

(2)在转介前实施干预性辅导与调整；

(3)对辅导资料与学生学习资料进行比对与探究；

(4)鉴定评估人员开展初筛与模式评估；

(5)对定量与定性数据进行佐证性分析与比对；

(6)初步完成鉴定评估报告及身份认定；

(7)通过三角验证确认学生身份等。

相关评估方法力求严谨，需要由三名及以上评估人员达成共识后进行验证；特殊需求对象差异极大，在进行评估研判时难以统一标准。主要挑战包括：评估表单资料繁杂个案数量激增、个案间存在显著差异；评估资料收集困难；评估人员对测试结果解读能力不足，研判时间有限；缺乏发展史记录导致研判难度增加。综合自然教育特殊需求评估实践，归纳出以下几点：

（1）需求类型差异较大，鉴定评估人员经验是否足以准确判断被评估对象；

（2）佐证材料繁杂，相互对应与核对方式是否全面或是否存在论证不足，耗时费力；

（3）量化测量数据分析与解释涉及统计分析及信效度检验影响，质性数据佐证评估难以找到一致即时基准；

（4）鉴定评估人员背景差异，随机抽样排除人为因素对个案影响，内部一致性评估标准仍难以明确。

三、基于DLDL 架构AI 评估辅助系统

赫尔曼等人（2020）研究指出，自然教育正朝着由大数据分析与AI 技术支撑精准教育方向发展。对特殊需求学生身份认定涉及人生影响；采用生成式AI 进行评估，会引发“机器凌驾于人类之上”伦理问题。

库布施等人（2023）指出，人类对自身角色认知依靠于机器学习技术进行自动化评分，将引发伦理与透明度方面争议。

内姆（2023）提出，当前人工智能领域常见偏见可分为三种类型：偏差、系统性错误以及倾向性。

随着数据挖掘及相关算法日趋成熟，越来越多研究人员开始使用学习平台中记录或数据开展“自然教育人工智能”（AIED）领域研究；例如“自然教育数据挖掘”（EDM）与“学习分析”等方法，基于学习者在平台上学习数据来分析学习历程，分析过程与针对特殊需求学生学业能力评估所需分析流程颇为相似。在对学生重要身份认同评估时，不容许存在系统性偏差；采用深度学习（DL）方法对数据增厚后再开展分析与评估，或许是一种可行方案，规避由人工智能主导评估引发偏差。

深度学习核心思想在于：在每个预测分析节点生成决策过程时，运用深度神经网络对决策过程进行模拟，使该过程更贴近人脑复杂决策机制。

为有效解决上述特殊需求学生鉴定评估中疑虑并提升评估效能，运用人工智能辅助评估系统，实现评估标准全面性与统一性目标。运用计算机分析与深度学习模型，构建特殊需求学生在生活、医疗、发展、诊断、测验、质性观察及综合评估等佐证体系及评估基准。具体实施方法如下：

表1 AI特殊需求辅助评估系统

（1）通过基于各维度语料分析对相关数据区分，建立相应数据库后，系统自动计算每份报告在各维度及个案语料差异中判定比例，为研判工作提供参考依据。新纳入个案符合率达到90% 以上，表明该新个案与既往个案被判定为具有此类特殊需求学生描述相符；反之，表明该个案与以往研判经验不符，需要提交专家或学者进行复审确认。

（2）经过验证后发现，该模型符合度受评估人员经验影响，需要进一步验证。

由资深评估人员撰写评估报告在构建模型回归预测中总体预测符合率较高；随着评估人员经验增加，预测符合率呈下降趋势。在各类特殊需求群体中学生评估预测符合率高，其次为自闭症学生，学业障碍及情感障碍学生预测符合率相对较低——与智力障碍学生评估标准较为明确有关。未来需要通过大量案例资料及语料分析进行深入评估后，可以得出可靠结论。

四、结语

将人工智能辅助研判系统应用在自然教育特殊需求学生认定与研判，能够有效平衡特殊需求学生认定——减轻教师工作负担，提高自然教育特殊需求认定效率。对特殊需求学生身份认定终究是身份信息确认；人工智能辅助研判系统可行性，未来需要通过后续大规模数据分析来验证准确度以及与人工研判间差异，明确实际应用效果与可实现支持度，避免陷入机器研判偏差困境，避免出现对学生身份误判。

• 山林田野

• 生态教育|生命教育|生产教育|生活教育