教学智能问题具有一定的“涨落”规律，何克抗教授指出：由于某种内部或外部的原因，系统的状态有可能发生一些小的起伏涨落，有了这种“涨落”，再通过非线性系统的协同作用所引起的相干效应不断放大，就能使系统由不稳定的无序状态跃迁到一个新的稳定有序状态。在系统从无序走向有序的过程中，“涨落”起着杠杆的作用——通过“涨落”导致有序。

就教学智能认知目标而言，系统从无序走向有序，形成新的稳定状态（即耗散结构）的过程，是对某种知识从无知到有知（或知之不多到知之甚多）的意义建构过程。“涨落”是计算机认知训练的“认知冲突”，只要能让计算机抓住这个认知冲突，就能训练学习，就能逐步减少冗余度向熵值逼近，从而顺利完成意义建构过程。

在教育智能化的教学过程中处理事物的过程都有自身的熵，要确定熵首先要确定熵的观察点，这个观察点就是在每个处理事物中的特征或者衡量事物处理评价的指标，能不能找到特征就成为问题的关键，尤其在人工智能仿真问题上以及形态教学设计问题上，需要找到处理过程的特征。在教育问题上这个特征可能是对象的特征，如接受知识学习后学生效果表现的特征等，也就是教学过程中被施加的对象特征。

这个特征也可以从设计目标中去定位寻找，比如进行虚拟现实体验教学设计中，其特征就是体验者体验某个指标，让体验后的特征与设计目标进行比对，考察体验对象的变化和掌握知识的程度能否达到预期的设计效果，不行就重复地修正体验空间设计，让目标逐一逼近设计值，即这个过程的熵值。(www.daowen.com)

在教学状态的仿真当中，也存在着特征值的抽取问题，利用人工智能去完成人思想的改造，去实现资源的构造，并根据优秀的人工传统的资源特征与智能的资源特征进行比对，这种比对的最终结果都反映在对象上，比如说反映在成绩上、反映在创新人才培养上。

我们要尽量地将智能熵的问题进行量化，这种熵值量化必须要根据具体的现象和具体的问题来进行特征值的定位，以这种特征值的接近度和评价来判断逼近熵的能力。教育智能化的应用应该有自己的评价体系，评价体系是如何模仿人处理事物过程的特征、模仿人的思想和替代人工作以后所产生的效应评价等。由于教育资源的对象是学生，所以我们要根据不同的应用场景构造相应的评价内容。不同的场景和不同的应用具有自己的特征，这个特征可能是事物特征，也可能是过程特征，或者是思想对象体现的特征。我们要抓住这样的特征值来进行相应的量化评价，这种量化评价就是在定位和计算熵的值，是在此场景下衡量模仿人工智能的逼近程度。