智能導學系統人機互動的跨學科研究與設計*

□楊翠蓉 陳衛東 韋洪濤

智能導學系統人機互動的跨學科研究與設計*

□楊翠蓉 陳衛東 韋洪濤

智能導學系統（ITS）是借助人工智能技術，讓計算機扮演專家指導者向不同特征學習者傳授知識、提供學習指導的適應性學習支持系統。它有著不同于傳統導學系統的基本結構與運行機制，學生模型建構與適應性指導是其兩大核心特征。學生模型建構過程是ITS導學過程中通過追蹤學生學習過程逐步形成特定學生知識學習模型。按照建構方式不同，常見的學生模型有四種，分別是期望與錯誤概念調整適應的學生模型、貝葉斯網絡的學生模型、學習追蹤的學生模型以及基于限制的學生模型，它們采用不同的學習行為指標。有效的人機互動不僅要以學生模型為基礎，教學模型、課程腳本數據庫還需要儲存豐富的言語指導行為策略。ITS人機互動教育心理學研究，以及教育技術學、計算機科學領域的探索性設計研究進展啟示：我國要推動ITS發展應聯合不同領域研究者在已有基礎上進行跨學科研究與設計；多研究專家教師的言語指導行為，形成科學系統的互動結構、腳本與策略；重視情感對學生學習的影響，建構集認知與情感為一體的學生模型。

智能導學系統；學生模型；適應性指導；人機互動機制；跨學科研究

當前各國優秀教師數量不能滿足所有學生學習需求，為此各國都強調應大力開發支持學生學習的網絡學習軟件：智能導學系統（Intelligent Tutoring System，簡稱ITS）。ITS是借助人工智能技術，讓計算機扮演專家指導者向不同特征學習者傳授知識、提供學習指導的適應性學習支持系統（Ma et al.，2014）。我國教育技術與計算機科學領域研究者設計了“基于‘導學案’教學模式的智能導學系統”（尚曉晶，2013）、“以知識點為中心的智能導學系統”（康健，2013）、“基于移動端的智能導學系統”（唐崇華，2016）等，但它們似乎更多帶有傳統導學系統的特點。作為一種學習軟件，ITS與傳統導學系統（包括CAI、CAL等）一樣，都是促進或支持學生學習的軟件，但它除依據行為主義學習理論與認知主義學習理論外，還借鑒社會建構主義學習理論，意識到學習是通過互動、合作與協商建構、獲得知識的過程，因此ITS與傳統導學系統最根本區別在于它是對學生學習過程進行一對一指導的人機互動，并體現在基本結構與運行機制的設計上。

一、ITS基本結構與運行機制

1.基本結構

傳統導學系統會收集數據、分析學生學習風格與認知偏好，會在答案錯誤時給予反饋，會在學生完成任務后給予難度更高的新任務，因此其結構由專家模型、學生模型、教學模型、診斷模型四大基本模塊構成。ITS著重學習過程指導，側重對學生各解題步驟的反饋、提示，因此除上述基本模塊外，言語交流智能代理（The Conversational Tutor-ing Agent）模型的功能日益被重視。它通過人機互動指導學生學習過程，由模擬指導者、語義分析器、課程腳本數據庫、對話管理器等子模塊構成（見圖1）。語義分析器承擔分析學生輸入信息的語法語義功能，課程腳本數據庫儲存大量結構化的言語指導腳本，對話管理器則將適宜言語指導行為腳本傳遞給模擬指導者，使模擬指導者通過人機界面對學生學習進行指導。

圖1 ITS基本結構

2.基本運行機制

ITS通過任務設計達到傳授領域知識（如概念、規則等）目的。任務完成需經過兩條運行環路：外部環路與內部環路。外部環路是ITS根據學生特點選擇適宜任務，并對學生任務完成情況進行反饋（VanLehn，2006）。其運行過程是分配學生任務、收集學生答案、針對學生答案給予相應反饋。如果學生答案正確則分配新任務，如果答案錯誤則再次讓學生嘗試。一個環路執行一個學習任務。例如，當要求學生解二次方程式時，學生在草稿紙上算出答案并輸入到電腦中，正確則系統給予“恭喜”反饋，錯誤則提示并要求再做一次?？傊?，外部環路是反饋學習結果與分配學習任務。

內部環路是學生領域知識建構或應用的過程，是一個個“學習事件”，“事件”是學生內在心理活動，只能通過學生在電腦界面上輸入相應“步驟”而外顯，因此它與學生外顯解題步驟一一對應。內部環路的功能是對學生輸入步驟予以指導以促進學生學習。內部環路運行復雜，分為步驟分析與步驟產生兩個階段。步驟分析是ITS通過語義分析器、診斷模型等分析學生輸入信息；步驟產生則根據步驟分析結果，通過教學模型、課程腳本數據庫選擇不同方式予以指導，或正誤反饋，或提示，或提供恰當的學科知識，或描述學生錯誤。同樣是讓學生解二次方程，學生可能第一步是從電腦界面菜單中選擇一種方法，緊接著ITS要求學生輸入問題解決的各步驟，或學生與模擬指導者展開對話“解決這個方程，我們可以用什么方法？”總之，內部環路是對學生學習過程進行指導（見圖2）。

圖2 ITS運行機制

由上可知，ITS是對學生學習過程進行實時反饋與適應性指導過程，因此研究者一致認為ITS存在兩大核心特征：（1）學生認知過程的實時診斷，即學生模型建構；（2）適應性指導。ITS是人工智能在教育教學領域中的應用，需要教育心理學、教育技術學、計算機科學等領域研究者合作參與，其人機互動研究與設計應圍繞這兩大核心特征，首先進行教師教學與學生學習的相關教育心理學研究，緊接著在教育技術學、計算機科學領域利用人工智能Agent技術、自然語言處理技術、數據挖掘技術等進行ITS開發與設計。

二、ITS學生模型建構研究

學生模型建構過程是ITS導學過程中通過追蹤學生學習過程，逐步形成特定學生知識學習模型。需要心理學工作者研究與揭示學科知識表征、學生學習過程及錯誤學習、學科知識結構特點，然后教育技術學與計算機科學領域工作者據此選擇相應學生模型建構方式與行為指標進行設計。

1.特定學生知識學習模型建構的相關心理學研究

（1）學科知識模型的心理學研究

最早的學科知識模型是Collins和Quillian（1969年）提出的層級網絡模型，它是以概念為基本單位，按邏輯的上下級關系組織起來的有意義層級網絡系統（王甦等，2006）。層級網絡模型具有嚴格的邏輯性，并不能真實反映個體頭腦中所貯存的知識結構，例如，人們更容易認為“麻雀”是“鳥”，而不是“企鵝”。因此Collins和Loftus（1975年）用語義聯系代替層次結構，根據概念間聯系緊密程度與相互激活快慢難易將不同概念聯系在一起。例如，在該模型中，“麻雀”與“鳥”的聯系更緊密更強，而“企鵝”與“鳥”的聯系更疏遠更弱。激活擴散模型具有彈性，可容納更多的不確定性與模糊性，更適合表征個體學科知識結構（王甦等，2006）。上述兩種知識模型都是對概念、觀念、事實等陳述性知識的表征，而物理、數學等學科更側重于規則、技能等程序性知識?；诖耍珹nderson（1976年）提出思維適應性控制模型（ACT），該模型認為規則就是一個個步驟，它在頭腦中的表征是產生式（“如果……那么……”）或產生式系統，概念、觀念等陳述性知識就貯藏在條件“如果……”當中（王甦等，2006）。規則等程序性知識學習分為三階段：陳述性知識的習得、陳述性知識向程序性知識的轉化、程序性知識的自動化，個體學科知識模型存在著由陳述性知識構成的“聯想記憶模型”（HAM）向“思維適應性控制模型”（ACT）轉化。由于ACT模型將陳述性知識與程序性知識有機聯系在一起，且能動態追蹤個體學科知識學習過程，適用學科更廣，它已成為眾多ITS學生模型建構的理論依據（王甦等，2006）。

（2）學生錯誤學習的心理學研究

人們常將學習錯誤歸為學生粗心或態度不認真，但Silver（1986年）認為學生反復出現的錯誤是因為他們沒有掌握正確的概念、技能，或概念與技能之間缺乏聯系性（Ohlsson，2016）。Gelman和Meck（1983年）發現學生能正確復述問題解決所需的技能，能正確判斷他人問題解決步驟的正誤，但仍然會在相同數學問題解決上出現錯誤，因此為避免學生錯誤，應讓學生明了相關認知過程、解釋錯誤、讓學生用自己的理解去完成問題（Ohlsson，2016）?？傊?，相關心理學研究結果提出要避免錯誤首先應區分陳述性知識與程序性知識，它可以讓我們理解正確解釋與錯誤結果共存現象，學生正確解釋是陳述性知識而學生解題過程是程序性知識，它們都是組成學生知識結構的一部分，兩種知識學習速度不一樣會造成錯誤。相關心理學研究還指出知識錯誤導致一些錯誤行為，但這種錯誤行為不會影響整個問題解決。有研究者將錯誤行為用計算機語言編寫成一種錯誤程序。最早Brown等編寫數學減法錯誤程序，Sleeman編寫代數錯誤程序等，他們還設計數學錯誤程序庫，納入數學學習中常見的錯誤程序（Ohlsson，2016）。通常錯誤程序在診斷模型中以明確哪個錯誤程序應為學生錯誤答案負責，進而給予相應指導。如，“大數減小數”錯誤。學生做“73-26”數學運算時，通常會將大數減去小數，而不會去顧及何為減數、被減數。在錯誤程序中，學生將會被問及“是哪個數從哪個數中減去或移除”（Ohlsson，2016）。

（3）學生知識學習模型建構的心理學研究

教學專長研究發現：專家教師在教學過程中更關注學生錯誤回答、正確回答等學習線索，并對它們進行正確判斷與評價，形成或充實完善特定學生知識學習模型，因此他們教學更有效（楊翠蓉等，2012）。形成特定學生知識學習模型對于教學意義重大。

特定學生知識學習模型由學生已有學科知識、常用學習策略、特有學習風格、學生個性心理（如性格、氣質、學習興趣、學習需要）等組成，其中最重要的是學生學科知識，它包括學生已掌握的知識、未掌握的知識、錯誤認識與信念、學生知識與教師知識間的差異。構建特定學生知識學習模型的過程是錨定-調整過程（Anchoring-and-Adjustment Process），其始于教師頭腦中一般學生知識模型或學科知識模型；然后教師根據特定學生平時學習表現，如學習偏好、知識偏好，或不同于其他學生的學習特點、學科知識特點，推斷該生學習特點及所擁有的知識，構建特定學生知識學習的初步模型；教學時，教師再通過注意該生學習表現，不斷收集該生學習的新信息，逐步修訂特定學生知識學習模型（Nickerson，1999）。

2.常見的ITS學生模型建構方式及學習行為指標

設計者建構ITS學生模型時根據上述心理學研究成果，將當前學生學習與專家模型、學生模型比較，追蹤學生知識學習過程包括錯誤知識學習過程，從而推論、計算、不斷建構與修訂學生模型。常見的有四種學生模型建構方式，它們采用不同的學習行為指標。

（1）期望與錯誤概念調整適應的學生模型構建及主要指標

Auto Tutor是孟菲斯大學Grasser教授及其研究團隊（2004）開發的服務于物理與計算機科學的智能導學系統。它通過學生期望與錯誤概念、學生言語信息輸入、學生提問信息逐步構建修訂學生模型，調整學生知識學習目標和錯誤概念。Auto Tutor在每一問題上都構建學生正確答案（期望概念）與錯誤答案（錯誤概念），同時對學生言語進行分類。例如，“力等于質量乘以加速度”這一知識點上設計10個含有正確知識點的句子，設計20種學生言語單元分類，其中包括16種學生問題分類，如論斷、簡短回答、元認知、比較問題、判斷問題等。該模型主要構建指標是不同類別的學生言語、學生正確輸入與錯誤輸入，模型建構方法是對每一次學生信息輸入進行分類，根據潛在語義分析的統計模型，通過語言學測量計算學生步驟輸入的文本信息與學習事件腳本信息的差值、學生回應集合與學科模型學習目標的差值、回應集合與錯誤概念的差值，從而逐步修訂調整學生模型。

（2）貝葉斯網絡的學生模型構建及主要指標

貝葉斯網絡實質上是網絡和概率理論相結合的產物，是一種對不確定知識的概率推理與表征的工具（陳曉湘等，2009）。貝葉斯網絡節點由存在一定關系的目標變量（正確概念與錯誤概念表征）與系列證據變量（測試項目表征）構成，因此該模型主要建構指標是學生正確輸入與錯誤輸入。學生在測試項目上的信息輸入就是證據變量，因此在已知網絡中證據變量正確概率值的情況下，利用貝葉斯網絡計算可以獲得學生正確概念與錯誤概念的概率。由于網絡節點與學生學科知識變量一一對應，貝葉斯網絡的條件概率分布量化學生學科知識關系及各知識點的學習概率，能較好反映學生學科知識結構變化，預測學生學習。它在ITS中被廣泛用于表征多變量的學生學科知識模型，甚至包括基于限制的學生模型與學習追蹤模型構建。

（3）學習追蹤的學生模型構建及主要指標

Cognition Tutor是卡耐基-梅隆大學Anderson教授及其研究團隊開發的服務于數學、物理等學科的智能導學系統。該系統學生模型建構的理論基礎是ACT理論，它模仿人類解決數學、物理問題時提取的系列產生式，默認學生技能是由一系列產生式構成（Corbett et al.，1995）。例如，圍繞8年級“自行車-旅行”的數學應用題，該學生模型最初構建學生數學問題解決的認知步驟，共68個正確的產生式規則，同時還構建錯誤的產生式規則以讓系統理解學生錯誤輸入，通常有：錯誤運算、討論先后順序錯誤、遺漏括號、混淆數量、遺失運算步驟、忽視對子目標錯誤的糾正、兩種以上的錯誤聯合（Hefferman et al.，2002）。Cognition Tutor的學生模型建構主要采用四大指標：初始學習、學習概率、意外出錯、猜對。它通過學生在電腦界面的選擇逐步修訂學生模型。學科技能呈現在界面上以供學生選擇并進行問題解決。學生在選擇過程中，學生模型追蹤過程會將學生選擇結果與學科模型中的產生式進行匹配，如果不匹配，會呈現即時反饋，并允許學生再次進行選擇；如果匹配正確，知識追蹤程序“貝葉斯程序”則更新學生知識掌握概率，因此Cognition Tutor的學生模型是由一系列產生式及每一產生式的掌握概率組成。

（4）基于限制的學生模型構建及主要指標

基于限制的學生模型（Constrain Based Model，簡稱CBM）依據錯誤學習理論設計。它認為技能獲得過程中的陳述性知識可以幫助學生從錯誤中學習，因此CBM模型中的學生學科知識表征是產生式條件，是問題解決空間狀態相關的邏輯限制。該模型運用違背限制的信息去修訂與改進學生部分掌握的認知技能。一個限制由三個基本成分構成：第一，相關條件，即問題解決時知識運用的背景與時機。第二，滿意條件，問題解決所需的學科知識。第三，反饋信息，當問題解決失敗，提出反饋并提醒學生當前錯誤運用的問題解決原則與知識。以燒水問題為例，其相關條件是“燒沸一壺水”，滿意條件是“爐子溫度為120攝氏度左右”，反饋條件是“當燒水時，記得將爐子溫度保持在攝氏120度左右”。由于CBM被看成各種限制，學生錯誤學習的發現與辨別可以看成是模式匹配，其主要行為指標是學生正確輸入與錯誤輸入，如果學生輸入與相關條件、滿意條件都匹配，則學生無錯誤，不需修改學生模型，不需指導學生學習；如果學生輸入與相關條件、滿意條件（尤其是后者）相左，CBM監測到錯誤，會計算學生當前狀態與滿意條件的差值進而修訂學生模型，同時給予相應反饋。

學生模型建構目的在于為ITS學習指導提供豐富的學生學習資訊，因此學生模型不僅要反映學生學習結果，還要反映學生學習過程特點。除上述主要行為指標，有些ITS還增加更多行為指標以精確計算學生學習行為概率與結果概率。Cen等（2006）在建構學生模型時設置學生某步驟的嘗試次數、某步驟輸入的正確率、學習率等行為指標。Pavlik等（2009）則將學生運用某知識的正確次數、錯誤次數、某知識難度、學習率等納入到模型建構的行為指標中，獲得學生關于正誤回應、正誤回應比率等學習信息，更精準預測學生學習過程。Chi等（2011）認為ITS是通過不同言語行為指導學生學習過程的，因此學生模型建構除設置學生正確回應次數、錯誤回應次數、知識難度、學習率等學生學習行為指標，也應設置指導者陳述某知識次數這一言語指導行為指標，這樣能精準預測不同言語指導行為下學生學習行為，從而為ITS言語指導決策提供依據。

三、ITS人機互動研究

ITS有效的人機互動不僅要以學生模型為基礎，教學模型、課程腳本數據庫還需要儲存豐富的言語指導行為策略，具體包括人機互動模式、模擬指導者的課程腳本、學習指導行為及適用規則等。ITS人機互動的設計同樣也須以教育心理學相關研究結果為理論依據。

1.人機互動的相關心理學研究

（1）有效指導模式的心理學研究

學習指導模式隨著學習理論的更迭出現相應變化，主要有：第一，教師講授的學習指導模式。教師根據教材與自己對教材的理解系統地將學科知識口授給學生。第二，教師解釋的學習指導模式。由學生提問、教師解釋、學生理解并進一步提問、教師再次解釋、學生最終理解等基本步驟構成的一種螺旋式推進模式。第三，師生對話的學習指導模式?；静襟E是：教師提問、學生回答、教師針對學生回答給予簡短反饋、師生合作共同建構知識、教師評價學生掌握程度（Grasser et al.，1995）。

Muldner等（2013）分別以大學生、中學生為被試，探討上述三種指導模式與學生觀察討論的學習模式對學習的影響，發現教師講授的指導模式學習效果最差，且顯著低于師生對話的指導模式。他們還發現對大學生的學習指導中，只有13.6%的師生對話是由大學生發起；對高中生指導中，只有3.2%的師生對話是由學生發起。由此他們認為學生可能由于內向、害怕自尊受損、學習動機不強，不會主動提出問題；學生不清楚自己知識掌握程度，難以提出問題，因此教師解釋的指導模式對學生學業幫助有限。Chi等（2001）控制教師指導過程中的言語行為，要求一組教師盡可能用師生對話的指導模式進行學習指導，另一組教師則盡可能用教師解釋的指導模式，結果發現師生對話的指導模式效果要好于教師解釋的指導模式。總之，教師講授的指導模式無助于學生學習，師生對話的指導模式最有利于學生學習，其次是教師解釋的指導模式。

（2）教學專長的心理學研究

教學專長研究始于上世紀80年代，已有研究發現，與新手教師相比，專家教師有更卓越的教學行為。如，專家教師有更多教學常規且能有效執行；更能有效處理教學意外事件與突發事件；能把學生反應與問題納入到下一步教學中，平衡學生與教學內容，使教學順利進行。教學專長研究還發現專家教師教學行為卓越在于他們獨特的認知特點（楊翠蓉，2009）。專家教師更能注意學生學習線索；教學模式再認既快又準；更深更準理解與表征教學事件包括突發事件；他們有豐富精致的學科知識、學生知識、一般教學策略、學科教學策略等，且形成相互聯系的知識組織，能有效進行教學決策，順利進行教學。教學專長的研究范式與研究結果為ITS人機互動中涉及的教學模型、課程腳本數據庫設計提供了有力依據與豐富數據。

（3）指導策略的心理學研究

第一，指導者支架策略的研究發現。

布魯納認為支架是指導者與學生間的對話，是指導者通過提示、暗示等言語推動學生進一步思考，幫助保持學習動力，使其自始至終參與到學習活動中。專家教師與新手教師學習指導策略的比較研究、專家教師指導策略與學生學習結果的相關研究都發現，有經驗的教師更頻繁運用支架促進學生理解，無經驗的教師更傾向于運用解釋策略。VanLehn（2011）分析總結有效學習指導研究，指出學習指導有效性的原因之一是支架策略，而不是解釋策略。

理論建構與眾多實證研究表明，支架策略比解釋策略更有利于學生學習，但在實際生活中，支架策略并不一直都能促進學生學業。指導者在運用支架策略過程中，如果不能對學生學習進行正確診斷與評價，如果忽略學生學習的積極主動性，一味給予提示、支持，同樣會出現學生學習的“高原效應”、“學習效益遞減規則”，最終使學生由主動學習轉為被動學習（Koppa et al.，2012）。

第二，指導者解釋策略的研究發現。

解釋是學習指導中常用的一種策略，是學生提出問題后教師將關鍵概念、原則及聯系等講解給學生，是學生回答后教師指出并糾正學生錯誤觀念。一些研究者認為解釋策略無效原因在于：教師不能準確評價學生學習過程與學習結果。教師解釋引發學生更多的簡單回應，引發最多的淺層學習活動，不利于學生學科知識理解與掌握（Wittwer et al.，2008）。

支持教師解釋指導模式的研究者則認為學生自我解釋有時是錯誤的，他們更傾向于選擇教師解釋；教師解釋有助于學生發現他們理解中不一致之處，從而讓學生免于產生已經理解的假象；教師解釋有助于彌補學生知識鴻溝，將當前知識與學生已有知識聯系并整合起來，促進學生知識建構與理解。為進一步提高教師解釋策略對學習指導的作用，他們還提出建議：教師解釋應適合學生已有知識基礎；教師解釋不能替代學生知識建構活動；教師解釋應與知識應用活動整合在一起。

2.ITS人機互動的探索性設計研究

ITS人機互動的探索性設計研究是架起連接相關ITS心理學研究與人機互動設計的一座橋梁，它依托于相關心理學研究結果，收集分析指導者的言語指導數據，由表及里，層層深入設計人機互動過程中的結構、模擬指導者的課程腳本、具體言語行為及運用規則等。

（1）ITS人機互動結構研究

Auto Tutor是以師生對話指導模式為依據開發的導學系統，其人機互動結構是模擬指導者對話與學生對話依次輪流完成，起于系統選擇呈現一個問題，學生輸入一初步簡單或模糊答案，模擬指導者則以提問形式進一步回應，學生進行解釋，模擬指導者再給予相應反饋并選擇重要概念讓學生予以澄清，這種循環對話模式直至學生闡明任務中涵蓋的所有知識點為止（Grasser et al.，2004）。

SimStudent是卡耐基-梅隆大學Matsuda等（2013）開發的數學智能導學系統，它反向依據教師解釋的指導模式，系統設計模擬學生，而學生則成為幫助模擬學生學習的指導者。其對話基本結構是：學生指導者在人機界面上選擇一問題讓模擬學生回答，模擬學生會提出“為什么選擇此問題？”或“該問題對我學習有何幫助？”；學生指導者做出解釋；模擬學生嘗試輸入某一步驟并咨詢是否正確；學習指導者給予相應反饋；如反饋為錯誤，模擬學生或進行另一種步驟的嘗試，或提問為什么會是錯誤步驟，或向學生指導者求助；學生指導者根據模擬學生相應行為或給予反饋，或給予澄清解釋，或指出正確的步驟并解釋，該對話直到模擬學生順利完成任務并理解任務所涵蓋所有知識為止。

（2）ITS課程腳本研究

學習指導策略研究發現支架策略與解釋策略的運用具有一定情境性，教學專長研究發現專家教師擁有更多有效教學常規，因此為使ITS人機互動效果最大化，研究者收集分析專家教師的教學行為，設計具有一定結構的課程腳本。

Cade等（2008）分析8位數學與科學專家教師的言語指導，總結8類學習指導言語及呈現規律，并將其轉化為課程腳本。學習指導言語包括引導性介紹、解釋、提出新的問題、示范、支架、撤消支架、無關信息介紹和總結，有效的課程腳本有：引導性介紹+解釋；解釋+支架；提出新的問題+支架；支架+解釋；支架+提出新的問題。Chen等（2011）收集與分析兩位專家指導者的言語，將解釋策略細分為程序性知識的解釋策略以及陳述性知識的解釋策略，提出不同知識的有效解釋腳本。對于程序性知識而言，程序性知識解釋+反饋結構更為有效；對于陳述性知識而言，反饋+陳述性知識的解釋結構更為有效。但他們指出，相對于解釋腳本，結合支架與解釋的腳本更為有效，它們是：支架+程序性知識解釋+反饋、陳述性知識解釋+反饋+支架。

（3）ITS解釋、支架的言語行為及應用規則研究

教學專長與學習指導策略的心理學研究表明，主動建構學習效果好于被動接受學習。指導者應根據學生學習狀況給予提問、提示等支架策略，針對學生回答給予反饋、解釋；只有在學生不能主動建構情況下，指導者才給予解釋。

Auto Tutor通過人機言語互動，糾正學生錯誤概念，逐步掌握正確知識，因此它除要對學生言語進行分類外，還要形成相應的指導者言語類型以回應學生言語或推進對話深入?；貞獙W生言語的指導者言語是解釋，主要有簡短反饋、回答學生問題、糾正學生錯誤概念；推進對話的指導者言語是支架，主要有推進、提示、暗示、推斷等。DT數學智能導學系統的提示與反饋功能是建立在學生學習概率模型之上的，它通過指導過程中的言語互動計算學生學習概率、學習厭倦概率、正確輸入概率，形成學生模型，進而決定模擬指導者是給予立即反饋還是延遲反饋，是學生言語輸入前給予提示還是之后提示。例如，學生在信息輸入錯誤時，通過概率計算，DT系統判斷該生知識掌握程度較高，則會延遲反饋；如果判定該生能力不足，則會即時反饋；如果通過概率計算發現不給予提示，該生會進行錯誤嘗試并最終陷入學習倦怠，則會在學生信息輸入前就給予下一正確步驟及相應規則運用的明確提示。Katz等（2013）通過分析8位物理專家教師的言語數據開發并設計了物理導學系統Andes言語行為的運用規則。如當學生尤其是學科知識少的學生不能解釋自己觀點時，模擬指導者應當提“為什么”的推進性問題；當學生作出部分正確回答時，模擬指導者應給予反饋并解釋；當學生僅僅說出答案時，模擬指導者應提問讓學生說出自己的解題過程等。

四、ITS研究與設計展望

1.應聯合不同領域研究者，合作開展ITS的研究與設計

國外ITS研究與設計的深入受益于相關跨學科研究機構的成立。匹茲堡大學的學習研究與發展中心致力于包括ITS在內的學習與教學研究，該中心的教學專長研究、課堂談話研究、物理學科教學研究等為中心開發物理智能導學系統Andes提供借鑒與借用（University of Pittsburgh，2016）。在計算機科學及其相關領域享有盛名的卡耐基-梅隆大學，心理學研究者Anderson、Kendigoer等除進行學科知識表征、學生學習包括錯誤學習等心理學研究外，也與計算機科學相結合設計Cognition Tutor、SimStudent等（Carnegie Mellon University，2016）。國內ITS的研究與設計相對落后，主要是不同領域研究者較少交流合作，教育技術學與計算機科學領域的研究者較少了解學科教學、學生學習尤其是錯誤學習，國內教育心理學研究者甚少了解人工智能在教育領域中的應用。今后有必要成立更多跨學科研究機構，聯合國內教育心理學、教育技術學與計算機科學領域的研究者共同開展ITS的跨學科研究與設計。

2.應更多研究專家教師的言語指導行為，形成科學系統的互動結構、腳本與策略

國內教學對話研究表明，課堂教學中教師更具有話語權，他們會提更多的預設性問題、封閉性問題、概念性問題，但是專家教師課堂話語日益減少，更關注學生經驗，他們的課堂對話表現出一種探索性對話與協商性對話的多向度對話結構（劉蘭英，2012）。ITS是計算機扮演專家指導者的一種適應性學習支持系統（Ma et al.，2014）。人機互動的探索性研究應以專家教師或專家指導者為研究對象。不過國外現有ITS指導者言語行為的心理學研究、人工智能研究多選擇數量有限的專家教師，依據少量言語數據開發的言語指導結構、課程腳本、言語指導策略的有效程度與推廣程度不得而知。觀課、賽課、師徒結對等策略是目前國內中小學校教師校本發展的主要策略，這些策略使得國內大范圍收集專家教師的言語指導行為成為可能。我國有必要建立專家教師言語指導語料庫，系統研究與分析中國專家教師學習指導過程中的言語規律，為ITS人機互動設計提供豐富的科學數據。

3.應重視情感對學生學習的影響，建構集認知與情感于一體的學生模型

情緒情感也會影響學生學習過程與學習結果。國內外一些研究者也注意到情緒等非認知因素對學生學習過程的影響，分別用眼動追蹤技術、表情追蹤識別技術與基于認知的情緒識別模型，根據學生注視模式、瞳孔大小、嘴眼間距等指標對學生情緒情感變化進行追蹤，并選擇相應的指導策略（詹澤慧，2013）。但是已有ITS學生模型建構或側重學生認知過程追蹤，或側重學生情緒情感過程追蹤。教學專長研究表明，專家教師往往綜合學生認知與情緒情感變化進行教學決策。未來的ITS有必要建構集認知與情感于一體的學生模型。

[1]陳曉湘,費洪曉(2009).智能授導系統中的學生建模研究[J].計算機與現代化,(1):8-11.

[2]康健(2013).以知識點為中心的智能導學系統的研究與實現[D].長春:東北師范大學.

[3]劉蘭英(2012).小學數學課堂師生對話的特征分析[D].上海:華東師范大學.

[4]尚曉晶(2013).基于“導學案”教學模式的智能導學系統的設計開發和實證研究[D].錦州:渤海大學.

[5]唐崇華(2016).基于移動端的智能導學系統研究[J].軟件導刊,(3):93-96.

[6]王甦,汪安圣(2006).認知心理學[M].北京:北京大學出版社:170-194.

[7]楊翠蓉(2009).教學專長的實質研究[M].長春:吉林人民出版社,100-110.

[8]楊翠蓉,吳慶麟,周成軍(2012).教學決策的專家-新手比較研究[J].中國特殊教育,(9):88-93.

[9]詹澤慧(2013).基于智能Agent的遠程學習者情感與認知識別模型——眼動追蹤與表情識別技術支持下的耦合[J].現代遠程教育研究,(5):100-105.

[10]Cade,W.L.,Copeland,J.L.,&Person,N.K.et al. (2008).Dialogue Modes in Expert Tutoring[A].Proceedings of International Conference on Intelligent Tutoring Systems(ITS 2008)[C].Montreal,Canada:470-490.

[11]Carnegie Mellon University (2016).Home[EB/OL]. [2016-05-23].http://act-r.psy.cmu.edu/.

[12]Cen,H.,Koedinger,K.R.,&Junker,B.(2006).Learning Factors Analysis:A General Method for Cognitive Model Evaluation and Improvement[A].Ikeda,M.,Ashley,K.D.,& Chan,T.-W.(Eds).International Conference on Intelligent Tutoring Systems[C].Springer-Verlag:164-175.

[13]Chen,L.,Eugenio,B.D.,&Fossati,D.et al.(2011).Exploring Effective Dialogue Act Sequences in One-on-One Computer Science Tutoring Dialogue[A].Proceedings of the 6th Workshop on Innovative Use of NLP for Building Educational Applications[C]:65-75.

[14]Chi,M.T.H.,Siler,S.A.,Jeong,H.et al.(2001). Learning From Human Tutoring[J].Cognitive Science,25(4): 471-533.

[15]Chi,M.,Koedinger,K.R.,&Gordon,G.J.et al.(2011). Instructional Factors Analysis:A Cognitive Model For Multiple Instructional Interventions[A].Proceedings of International Conference on Educational Data Mining[C].Eindhoven,the Netherlands:61-70.

[16]Corbett,A.T.,&Anderson,J.R.(1995).Knowledge Tracing:Modeling the Acquisition of Procedural Knowledge[J]. User Modeling and User-Adapted Interaction,(4):253-278.

[17]Grasser,A.C.,Lu,S.,&Jackson,G.T.et al.(2004). AutoTutor:A Tutor With Dialogue in Natural Language[J].Behavior Research Methods Instruments&Computers,36(2): 180-192.

[18]Grasser,A.C.,Person,N.K.,&Magliano,J.P.(1995). Collaborative Dialogue Patterns in Naturalistic One-to-One Tutoring[J].Applied Cognitive Psychology,9(6):495-522.

[19]Hefferman,N.T.,&Koedinger,K.R.(2002).An Intelligent Tutoring System Incorporating a Model of an Experienced Human Tutor[A].Cerri,S.A.,Gouarderes,G.,&Paraguacu,F. (Eds).Intelligent Tutoring Systems[M].Berlin Heidelberg:Springer:596-608.

[20]Katz,S.,&Albacete,P.L.(2013).A Tutoring System That Simulates the Highly Interactive Nature of Human Tutoring [J].Journal of Educational Psychology,105(4):1126-1141.

[21]Koppa,K.J.,Britta,M.A.,&Millisa,K.et al.(2012). Improving the Efficiency of Dialogue in Tutoring[J].Learning and Instruction,22(22):320-330.

[22]Ma,W.,Adesope,O.O.,&Nesbit,J.C.et al.(2014). Intelligent Tutoring Systems and Learning Outcomes:A Meta-Analysis[J].JournalofEducationalPsychology,106(4): 901-918.

[23]Matsuda,N.,Yarzebski,B.,&Keiser,V.et al.(2013). Cognitive Anatomy of Tutor Learning:Lessons Learned With SimStudent[J].JournalofEducationalPsychology,105(4): 1152-1163.

[24]Muldner,K.,Lam,R.,&Chi,M.T.H.(2013).Comparing Learning From Observing and From Human Tutoring[J]. Journal of Educational Psychology,106(2):364-379.

[25]Nickerson,R.S.(1999).How We Know—and Sometimes Misjudge-What Others Know:Imputing One's Own Knowledge to Others[J].Psychological Bulletin,125(6):737-759.

[26]Ohlsson,S.(2016).Constraint-Based Modeling:From Cognitive Theory to Computer Tutoring-and Back Again[J].International Journal of Artificial Intelligence in Education,26(1): 457-473.

[27]Pavlik,P.I.,Cen,H.,&Koedinger,K.R.(2009).Performance Factors Analysis-A New Alternative to Knowledge Tracing[A].Proceeding of the 2009 Conference on Articial Intelligence in Education[C].IOS Press:531-538.

[28]University of Pittsburgh(2016).Learning Technology [EB/OL].[2016-05-23].http://www.lrdc.pitt.edu/research/learning_technology.cshtml.

[29]VanLehn,K.(2006).The Behavior of Tutoring Systems [J].International Journal of Artificial Intelligence in Education, 16(3):227-265.

[30]VanLehn,K.(2011).The Relative Effectiveness of Human Tutoring,Intelligent Tutoring Systems,and Other Tutoring Systems[J].Educational Psychologist,46(4):197-221.

[31]Wittwer,J.,&Renkl,A.(2008).Why Instructional Explanations Often Do Not Work:A Framework for Understanding the Effectiveness of Instructional Explanations[J].Educational Psychologist,43(1):49-64.

Sim-Agent and Student Interaction in ITS:From Interdisciplinary Research and Design

Yang Cuirong,Chen Weidong,Wei Hongtao

Intelligent tutoring system(ITS)is an adaptive tutoring system which guides the learning process and learning outcome of students with different characteristics by artificial intelligence technology as an expert tutor.ITS has the specific structure and mechanism different from traditional tutoring system,and its core characters are student modeling and adaptive tutoring.According to educational psychology,student modeling in ITS is the process of constructing specific student learning model by tracing his or her learning behavior.There are mainly four different student models in ITS which employ different student learning behavior:Expectation and Misconception Tailoring,Model Tracing,Constraint based Modeling,and Bayesian Network Modeling.According to human tutoring study in educational psychology,the effective interaction between Sim-agent and student should not only bases on student module in ITS system,but also needs rich and effective tutoring strategies in teaching module and curriculum script's database.ITS studies from educational psychology,educational technology,and computer science give some implications to us.Researchers in our country should be combined in various areas to promote the development of ITS on the basis of existing ITS research and design.Expert teachers'tutoring should be studied more for constructing effective interaction structure,tutoring script and tutoring strategies in ITS.In addition,more focus should be put on student's emotion because of its influence to learning,and student cognitive and affective model should be constructed in the future of ITS'student model design.

ITS;Student Modeling;Adaptive Tutoring;Sim-Agent and Student Interaction;Interdisciplinary Research

434

A

1009-5195（2016）06-0103-09 doi10.3969/j.issn.1009-5195.2016.06.012

江蘇省社科基金一般項目“智能導學系統ITS人機言語互動的心理機制研究”（15JYB012）資助。

楊翠蓉，博士，教授，碩士生導師，蘇州科技大學教育與公管學院心理學系；陳衛東（通訊作者），博士，教授，碩士生導師，蘇州科技大學傳媒與視覺藝術學院副院長；韋洪濤，教授，碩士生導師，蘇州科技大學教育與公管學院書記（江蘇蘇州 215009）。

2016-07-02 責任編輯 汪燕