掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能教育應用的理論與方法 版權信息
- ISBN：9787030722799
- 條形碼：9787030722799 ; 978-7-03-072279-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能教育應用的理論與方法 內容簡介
人工智能經歷六十余年的發展積累起強大的技術基礎，人工智能走過計算智能、感知智能之后正在迅速向認知智能邁進，人工智能從僅被精英小眾群體認知與使用的1.0時代走進被各行各業大量應用的2.0時代。本書基于對一系列新興人工智能技術正在形塑新型教育生態的背景，梳理出新型智能教學系統（ITS）
人工智能教育應用的理論與方法 目錄
目錄
序
前言
第1章 人工智能的技術內涵與教育應用的實踐演進 1
1.1 三代人工智能的技術內涵 1
1.1.1 計算智能 1
1.1.2 感知智能 2
1.1.3 認知智能 2
1.2 人工智能教育應用實踐的演進 2
1.2.1 智能教學系統與教學代理 2
1.2.2 人工智能2.0時代智能教學系統的升級 3
第2章 人工智能語境下的多模態學習分析 6
2.1 多模態數據的層次及多模態學習分析的概念 6
2.1.1 人機交互視角下多模態數據及多模態交互的發展歷程 6
2.1.2 人工智能語境下多模態數據層次及多模態學習分析的概念 7
2.2 多模態學習分析的應用實例 8
2.2.1 學習者聲音的收集分析及ITS 的適應性反饋 8
2.2.2 對教師非言語行為的收集分析及自動化教學評估 9
2.2.3 跟蹤學習者身體移動軌跡以評估學習者的合作學習能力 9
第3章 適應性反饋的角色分類及實現形式 11
3.1 智能教學系統中反饋的角色分類 11
3.2 適應性反饋的實現形式 12
3.2.1 應用增強現實提升學習者的觸覺感知 12
3.2.2 綜合應用多種歷史數據給學習者推薦學習內容和學伴 13
3.2.3 應用反思性任務幫助學習者建構對學習狀況的清晰認知 14
3.2.4 主動干預和被動反饋 14
3.3 智能代理與教育機器人構成學習者的智能陪伴 15
3.3.1 智能教學代理 16
3.3.2 教育機器人 17
第4章 智能教學系統的自動化測評和情緒感知 19
4.1 應用語音識別與圖像識別技術完成自動化教學測評 19
4.1.1 語音識別支撐自動化語言學習測評 19
4.1.2 圖像及非機打文本語義識別技術促進寫作教學測評的自動化 19
4.2 表情與手勢識別、眼動跟蹤等技術支持智能教學系統完成情緒感知 20
4.2.1 識別面部表情分析學習者學習結果 20
4.2.2 跟蹤眼動數據判定學習者模型 22
4.3 開源智能教學系統的架構與功能 23
4.3.1 通用性智能教學系統的功能框架 23
4.3.2 開源智能教學系統GIFT 中的課程創建與發布 25
4.3.3 GIFT的應用實例分析 26
4.4 對學生智能感知的系統應用 28
第5章 學習分析技術支撐下的適應性學習 32
5.1 自適應學習概述 32
5.1.1 自適應學習的概念與典型特征 32
5.1.2 自適應學習的實施策略 33
5.1.3 自適應學習中的多維預測與評估 37
5.2 學習分析技術引發學習者模型、知識模型及教學策略的轉型 40
5.2.1 學習者模型的轉型 40
5.2.2 知識模型的轉型 41
5.2.3 教學策略模型的轉型 41
5.3 基于Knewton系統的自適應學習案例評述 42
5.3.1 學習內容以知識圖譜形式存儲 42
5.3.2 基于項目反應理論的學習數據分析 43
5.3.3 基于多次測試及綜合表現的內容推薦 43
5.4 基于學習路徑挖掘的混合式教學分析 44
5.4.1 混合式教學中的學習路徑挖掘 44
5.4.2 數據分析與討論 47
5.4.3 學習路徑挖掘結果對教學改革的啟示 53
第6章 人機協同助推教育人工智能走向混合增強智能 56
6.1 人機融合智能及人機協同的概念 56
6.1.1 人機融合智能 56
6.1.2 人機協同 57
6.1.3 教育教學領域人機協同的內涵辨析 58
6.2 人機協同的應用實例 60
6.2.1 edX引入教師參與的預測模型 60
6.2.2 應用智能眼鏡幫助教師充分掌握學情和開展個性化指導 61
6.3 人機協同教學中的教師角色轉換 64
6.3.1 人工智能視域下的教師勝任力特質剖析 64
6.3.2 教師勝任力的操作模型 68
第7章 應用擴展現實打造沉浸式學習 74
7.1 虛擬現實的發展歷程及擴展現實概念的形成 75
7.1.1 虛擬現實的發展歷程、層次劃分及擴展現實（XR）概念的形成 75
7.1.2 XR為營造沉浸式學習環境提供的資源支撐與實施技術 78
7.2 擴展現實支撐沉浸式學習的應用模式 82
7.2.1 虛實融合的混合式學習空間 83
7.2.2 基于擴展現實的虛擬實驗室 83
7.2.3 基于擴展現實建構游戲化學習 85
7.2.4 應用擴展現實打造職業培訓中的沉浸式學習情境 86
7.2.5 應用擴展現實將沉浸式故事講述融入學習 88
7.2.6 應用擴展現實讓學習者成為創意設計者和創造者 89
7.2.7 擴展現實助力STEM 教育 89
第8章 人工智能課程教學 91
8.1 智能化社會需要具備人工智能素養的新時代公民 91
8.1.1 智能化社會的圖景 91
8.1.2 課程教學中信息素養內涵的轉型 92
8.2 信息技術課程的變遷與人工智能教育的目標 93
8.2.1 信息技術課程的變遷 94
8.2.2 編程能力與計算思維培養視角下的人工智能教育目標 95
8.3 人工智能課程教學實施的策略與路徑 97
8.3.1 基于STEM 教育與創客教育的人工智能教學實踐 97
8.3.2 人工智能教育中的多維資源支撐 98
第9章 人工智能賦能核心能力培養 101
9.1 核心能力概述 101
9.1.1 21世紀學習框架 101
9.1.2 4C能力的概念解讀 102
9.2 人工智能賦能核心能力培養的可行性分析 104
9.2.1 智能教學系統設計理念與核心能力培養的目標相契合 104
9.2.2 智能教學系統為核心能力培養所提供的技術支撐 104
9.3 人工智能支撐核心能力培養的案例分析 105
9.3.1 作為認知生態系統的Waston 105
9.3.2 Watson的Element for Educators 108
參考文獻 110
序
前言
第1章 人工智能的技術內涵與教育應用的實踐演進 1
1.1 三代人工智能的技術內涵 1
1.1.1 計算智能 1
1.1.2 感知智能 2
1.1.3 認知智能 2
1.2 人工智能教育應用實踐的演進 2
1.2.1 智能教學系統與教學代理 2
1.2.2 人工智能2.0時代智能教學系統的升級 3
第2章 人工智能語境下的多模態學習分析 6
2.1 多模態數據的層次及多模態學習分析的概念 6
2.1.1 人機交互視角下多模態數據及多模態交互的發展歷程 6
2.1.2 人工智能語境下多模態數據層次及多模態學習分析的概念 7
2.2 多模態學習分析的應用實例 8
2.2.1 學習者聲音的收集分析及ITS 的適應性反饋 8
2.2.2 對教師非言語行為的收集分析及自動化教學評估 9
2.2.3 跟蹤學習者身體移動軌跡以評估學習者的合作學習能力 9
第3章 適應性反饋的角色分類及實現形式 11
3.1 智能教學系統中反饋的角色分類 11
3.2 適應性反饋的實現形式 12
3.2.1 應用增強現實提升學習者的觸覺感知 12
3.2.2 綜合應用多種歷史數據給學習者推薦學習內容和學伴 13
3.2.3 應用反思性任務幫助學習者建構對學習狀況的清晰認知 14
3.2.4 主動干預和被動反饋 14
3.3 智能代理與教育機器人構成學習者的智能陪伴 15
3.3.1 智能教學代理 16
3.3.2 教育機器人 17
第4章 智能教學系統的自動化測評和情緒感知 19
4.1 應用語音識別與圖像識別技術完成自動化教學測評 19
4.1.1 語音識別支撐自動化語言學習測評 19
4.1.2 圖像及非機打文本語義識別技術促進寫作教學測評的自動化 19
4.2 表情與手勢識別、眼動跟蹤等技術支持智能教學系統完成情緒感知 20
4.2.1 識別面部表情分析學習者學習結果 20
4.2.2 跟蹤眼動數據判定學習者模型 22
4.3 開源智能教學系統的架構與功能 23
4.3.1 通用性智能教學系統的功能框架 23
4.3.2 開源智能教學系統GIFT 中的課程創建與發布 25
4.3.3 GIFT的應用實例分析 26
4.4 對學生智能感知的系統應用 28
第5章 學習分析技術支撐下的適應性學習 32
5.1 自適應學習概述 32
5.1.1 自適應學習的概念與典型特征 32
5.1.2 自適應學習的實施策略 33
5.1.3 自適應學習中的多維預測與評估 37
5.2 學習分析技術引發學習者模型、知識模型及教學策略的轉型 40
5.2.1 學習者模型的轉型 40
5.2.2 知識模型的轉型 41
5.2.3 教學策略模型的轉型 41
5.3 基于Knewton系統的自適應學習案例評述 42
5.3.1 學習內容以知識圖譜形式存儲 42
5.3.2 基于項目反應理論的學習數據分析 43
5.3.3 基于多次測試及綜合表現的內容推薦 43
5.4 基于學習路徑挖掘的混合式教學分析 44
5.4.1 混合式教學中的學習路徑挖掘 44
5.4.2 數據分析與討論 47
5.4.3 學習路徑挖掘結果對教學改革的啟示 53
第6章 人機協同助推教育人工智能走向混合增強智能 56
6.1 人機融合智能及人機協同的概念 56
6.1.1 人機融合智能 56
6.1.2 人機協同 57
6.1.3 教育教學領域人機協同的內涵辨析 58
6.2 人機協同的應用實例 60
6.2.1 edX引入教師參與的預測模型 60
6.2.2 應用智能眼鏡幫助教師充分掌握學情和開展個性化指導 61
6.3 人機協同教學中的教師角色轉換 64
6.3.1 人工智能視域下的教師勝任力特質剖析 64
6.3.2 教師勝任力的操作模型 68
第7章 應用擴展現實打造沉浸式學習 74
7.1 虛擬現實的發展歷程及擴展現實概念的形成 75
7.1.1 虛擬現實的發展歷程、層次劃分及擴展現實（XR）概念的形成 75
7.1.2 XR為營造沉浸式學習環境提供的資源支撐與實施技術 78
7.2 擴展現實支撐沉浸式學習的應用模式 82
7.2.1 虛實融合的混合式學習空間 83
7.2.2 基于擴展現實的虛擬實驗室 83
7.2.3 基于擴展現實建構游戲化學習 85
7.2.4 應用擴展現實打造職業培訓中的沉浸式學習情境 86
7.2.5 應用擴展現實將沉浸式故事講述融入學習 88
7.2.6 應用擴展現實讓學習者成為創意設計者和創造者 89
7.2.7 擴展現實助力STEM 教育 89
第8章 人工智能課程教學 91
8.1 智能化社會需要具備人工智能素養的新時代公民 91
8.1.1 智能化社會的圖景 91
8.1.2 課程教學中信息素養內涵的轉型 92
8.2 信息技術課程的變遷與人工智能教育的目標 93
8.2.1 信息技術課程的變遷 94
8.2.2 編程能力與計算思維培養視角下的人工智能教育目標 95
8.3 人工智能課程教學實施的策略與路徑 97
8.3.1 基于STEM 教育與創客教育的人工智能教學實踐 97
8.3.2 人工智能教育中的多維資源支撐 98
第9章 人工智能賦能核心能力培養 101
9.1 核心能力概述 101
9.1.1 21世紀學習框架 101
9.1.2 4C能力的概念解讀 102
9.2 人工智能賦能核心能力培養的可行性分析 104
9.2.1 智能教學系統設計理念與核心能力培養的目標相契合 104
9.2.2 智能教學系統為核心能力培養所提供的技術支撐 104
9.3 人工智能支撐核心能力培養的案例分析 105
9.3.1 作為認知生態系統的Waston 105
9.3.2 Watson的Element for Educators 108
參考文獻 110
展開全部
人工智能教育應用的理論與方法 節選
第1章 人工智能的技術內涵與教育應用的實踐演進 1.1 三代人工智能的技術內涵 人工智能的發展經歷過三次大的浪潮，分別是始于 20世紀 50年代的計算智能時代、始于 20世紀 80年代的感知智能時代及進入 21世紀以來的認知智能時代[1]，這三代技術的發展并非孤立發展、截然分開，計算智能為感知智能的發展提供基礎，計算智能與感知智能發展到一定階段后協同支撐認知智能的發展。 1956年，麥卡錫（John McCarthy）等學者提出人工智能（Artificial Intelligence， AI）的概念，意指要使機器像人那樣認知、思考和學習。正如潘云鶴院士在全球人工智能高峰論壇上所講 [2]，六十余年來，機器定理證明、機器翻譯、模式識別、專家系統、神經網絡和機器人等領域迅速發展，積累的技術基礎支撐起了模擬的醫生、模擬的翻譯者、模擬的對弈者，有的技術還能模擬人或生物的各種靈巧動作。在近十年中，隨著互聯網的普及、巨量數據的形成及人類對智能化需求的多樣性變化，“通過機器的學習、大規模數據庫、復雜的傳感器和巧妙的算法，來完成具有挑戰性的任務”成為人工智能的昀新定義，人工智能的應用者從精英小眾群體走向普羅大眾，潘云鶴院士把此稱為人工智能 2.0時代的到來[3]，也有學者稱其為“人工智能 +”時代 [4]。 1.1.1 計算智能 計算智能在于迅速讀取、處理與分析結構化或半結構化的數據，目前計算機的計算智能已經較為成熟并且在一些任務上超過了人類的能力。計算智能是受到人類智慧的啟發而設計出來的一類算法的總稱，主要用于解決在科學研究和工程實踐中碰到的異常復雜的計算問題，這些問題復雜度高、計算耗時長、精度要求高，如仿真計算、模型求解等都需要依靠計算智能來完成。 隨著數據規模、機器算力和算法復雜度的不斷增長，計算智能在很多領域得到了廣泛的應用，如機器翻譯、人機對話、無人駕駛等。但是，在環境感知、高級認知和智能決策方面，以數據驅動的計算智能距離人類水平還非常遠。 1.1.2 感知智能 感知智能主要體現為借助語音識別、圖像識別、手勢識別等技術，對現實世界的信息進行采集與辨別。谷歌公司的 Siri助手、國內科大訊飛公司的語音測評系統等都已經在語音識別上表現出強大的優勢。由牛津大學人工智能實驗室、谷歌 DeepMind和加拿大高等研究院（Canadian Institute For Advanced Research， CIFAR）于 2016年 11月聯合發表的論文顯示，使用了人工智能技術的唇讀系統 LipNet能將視頻中人物的嘴巴活動與臺詞匹配，準確率高達 95.2%，而人類可以達到的唇語解讀準確率一般在 20%，昀高值僅有 57.3%[5]。 1.1.3 認知智能 認知智能是在感知智能的基礎上向前邁進一步，即不僅僅是感知與判斷語音、圖像及手勢，而且具備深度學習的能力，能讀懂語義、圖像及手勢的內在含義，能判斷出發言者的觀點、遣詞造句的習慣、情感態度，具備判斷與學習的能力。眾所周知的 AlphaGo戰勝圍棋冠軍柯潔的案例是認知智能的典型體現，具備了認知智能的計算機能判斷并學習包括柯潔在內的眾多圍棋高手的下棋策略，能在系統內部不斷自我博弈，基于此大幅提升自身下棋水平，其認知與學習能力是戰勝人類的關鍵。 近年來，以知識圖譜為核心的知識工程領域發展迅速，知識圖譜中一般包含實體、概念、屬性、關系等信息，認知智能可以在知識圖譜的基礎之上，幫助機器進行理解、做出解釋。 1.2 人工智能教育應用實踐的演進 1.2.1 智能教學系統與教學代理 人工智能應用于教育教學是伴隨計算智能、感知智能與認知智能這三類智能技術的發展而漸次應用于各類教學系統。傳統的智能教學系統（Intelligent Tutoring System，ITS）和智能教學代理（Intelligent Pedagogical Agent，IPA）主要應用計算智能技術，根據預先建構好的知識模型、教師模型、學生模型在學習者學習過程中判斷學習者碰到的問題，及時給予提醒或反饋。一定程度上而言，導師（Tutor）或代理（Agent）都體現為一種智能陪伴（Intelligent Companions），但智能化程度較低。在 ITS與 IPA中，導師或代理所能感知或捕捉到的信息、數據主要表現為三個方面：一是知識點的類型、難度及與其他知識之間關系 —知識模型（Knowledge Model）；二是學習者業已經歷過的學習過程和表現出的學習風格 —學生模型（Student Model）之間關系；三是在教師模型中預先設定的教學策略 —教學模型（Pedagogy Model）。顯然，這三類信息或數據中僅有學習者的學習經歷是一個動態變化的數據庫，除此之外的知識模型、學習者學習風格、教學策略等都預先存儲于系統，所以 ITS和 IPA對學習者特征、知識特性等的理解力與判斷力都嚴重不足。正因為如此，盡管傳統意義的智能教學系統和智能教學代理已經顯現出智能化特征，但此類教學系統普遍較為僵化，這兩類系統的應用普及程度一直不高。 1.2.2 人工智能 2.0時代智能教學系統的升級 北京大學賈積有教授所做研究顯示，智能代理技術和自然語言處理是 2010年之前三年來人工智能教育應用中被關注的兩個問題 [6]。但從 2010年至今，人工智能的發展取得顯著成就，李德毅院士稱此為“人工智能在奔跑” [7]，同時人工智能在教育中的應用更趨多樣化。美國白宮發表的報告《為未來的人工智能做準備》指出，在圖像識別領域， 2011年人工智能技術的錯誤率高達 26%，但到了2015年，人工智能技術的錯誤率僅有 3.5%，已低于人類 5%的錯誤率。也就是說，如果交由兩個個體對圖像識別，根據錯誤率已經無法區分這兩個個體是人還是人工智能體。更為可喜的是，這種圖像識別能力已經應用于教學中。如手機應用“學霸君”APP可以把學生用手機拍下的難題迅速上傳到云端并形成清晰的題目文本，然后這個軟件根據識別出的文本開展網絡搜索并迅即反饋出這道題的答案及解題思路。圖像識別技術的發展是人工智能技術發展的一個縮影，其他如語音識別、語義識別、表情識別、眼部跟蹤等技術的發展近年來同樣突飛猛進。所以，當人工智能從狹義的計算智能向感知智能、認知智能等強人工智能迅速轉型之后，人工智能的教育應用變得豐富并走進普通大眾。英國每日郵報 2016年 5月 10日曾報道美國佐治亞理工學院的機器人助教代替人類助教與學生在線溝通交流竟無學生發現 [8]，這說明了人工智能教育應用的潛力。雖然當前人工智能對教育的影響遠低于人類對人工智能的功能預期，但業已應用的一些人工智能技術的確深刻影響了學習者的學習體驗。 表1.1是近年來人工智能教育應用的部分美國案例。此外英國的 EZ Education公司開發的 DoodleMaths[9]影響也較大，該款應用主要是測試小學生的數學學習情況，印度、芬蘭等國開發成功為數不少的基于人工智能技術的教育應用系統。科大訊飛公司在人工智能方面有較為強大的技術儲備，該公司開發的暢言智能語音（雙語）教學系統是針對中小學英語、語文教學需求，利用智能語音技術開發的新型智能教學工具 [10]。 表1.1 美國人工智能教育應用的部分案例梳理 綜合以上文獻、技術分析及對實踐的審視，可以看出，近十年來人工智能的教育應用一直蓬勃發展，研究主題因人工智能技術的發展發生著顯著變遷。研究領域不再局限于智能教學系統的模型分析、智能教學代理和游戲教學，人工智能更加關注學習過程數據的收集、處理與應用。智能識別、自然語言理解、學習分析、虛擬現實、教育機器人等五類人工智能技術大量引入教學系統，傳統數字化教學系統、一系列的在線學習平臺及 MOOC（Massive Open Online Course）平臺等不僅完成學習資源呈現、作業批改與答疑、學習社區構建、支持交互協作等功能，這些系統或平臺在應用 AI之后能夠對知識與內容的表征形式實行智能化改造，能夠即時捕捉與感知、分析學習者的學習狀態。 人工智能的迅速發展將深刻改變人類社會生活、改變世界。人工智能發展進入新階段。經過六十多年的演進，特別是在移動互聯網、大數據、超級計算、傳感網、腦科學等新理論新技術以及經濟社會發展強烈需求的共同驅動下，人工智能加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特征。大數據驅動知識學習、跨媒體協同處理、人機協同增強智能、群體集成智能、自主智能系統成為人工智能的發展重點，受腦科學研究成果啟發的類腦智能蓄勢待發，芯片化硬件化平臺化趨勢更加明顯，人工智能發展進入新階段。當前，新一代人工智能相關學科發展、理論建模、技術創新、軟硬件升級等整體推進，正在引發鏈式突破，推動經濟社會各領域從數字化、網絡化向智能化加速躍升。 第2章 人工智能語境下的多模態學習分析 2.1 多模態數據的層次及多模態學習分析的概念 對學習者學習過程數據的收集與分析是智能教學系統（ITS）中的關鍵環節。伴隨人工智能技術的飛速發展， ITS所收集數據的類型日益廣泛，“SCHOLAR”[11]這樣具備里程碑意義的智能輔導系統于 1970年誕生時僅對學習者做題的正確率給予收集分析，但現在的 ITS不僅關注學習者在網頁上的停留時間以及做測試題的正確率等傳統意義上的日志數據，還包括學習者學習過程中學習路徑、情緒狀況、對學習內容的關注焦點、身體的移動軌跡等數據。其中，學習情緒的跟蹤主要應用面部表情識別技術，對學習內容的關注焦點主要應用眼動跟蹤技術，對身體移動軌跡的跟蹤主要基于運動傳感技術。 所以，在人工智能語境下做學習分析是基于對學習者全方位數據的收集，學習分析中的數據范圍大幅度增加。其實不僅是在教學領域要分析的數據類型日趨多樣化，在醫療、體育、軍事等領域所需分析的數據類型同樣非常豐富，從 1996年開始，國際計算機學會（Association for Computing Machinery，ACM）就召開了多模態交互國際會議（International Conference on Multimodal Interaction，ICMI），旨在探討如何綜合分析音頻、視頻、文本、圖片等多種數據源。到 2012年，第14屆 ICMI會議上設立了多模態學習分析（Multimodal Learning Analysis，MLA）工作組，專題研究如何綜合分析多模態的學習數據。 2.1.1 人機交互視角下多模態數據及多模態交互的發展歷程 之所以被稱為多模態交互或多模態分析，首先源于計算機可以捕捉收集數據的多模態化。人機交互的輸入輸出中，文本是昀基本的數據類型，并且長期以來是人機交互的主要形式。當人機交互界面從文本交互界面走向圖形用戶界面（Graphic User Interface，GUI）之后，鼠標移動被感知和捕捉，被轉化為可被計算機執行的指令。伴隨人工智能技術的成熟，基于自然語言處理（Natural LanguageProcessing，NLP）的人機交互被大家熟知和應用，同時一些電子游戲或虛擬現實
人工智能教育應用的理論與方法 作者簡介
陳凱泉，博士，現任中國海洋大學教育系副教授、碩士研究生導師，2018年9月至2019年9月在美國猶他州立大學教育學院做訪問學者，2016年被評為中國海洋大學很好教師。長期致力于教育信息化和科研信息化方面的研究，近年來主持包括國家社科基金項目在內的重量、省部級課題多項，發表學術論文四十余篇。曾獲山東省省級教學成果一等獎、中國海洋大學東升課程教學很好獎和山東省教育科學研究很好成果一等獎等多項獎勵。
書友推薦
- >
李白與唐代文化
- >
伊索寓言-世界文學名著典藏-全譯本
- >
名家帶你讀魯迅:故事新編
- >
自卑與超越
- >
有舍有得是人生
- >
苦雨齋序跋文-周作人自編集
- >
小考拉的故事-套裝共3冊
- >
詩經-先民的歌唱
本類暢銷
