智能教育機器人系統構建及關鍵技術
——以“智慧學伴”機器人為例

盧 宇 薛天琪 陳鵬鶴 余勝泉

(1. 北京師范大學 未來教育高精尖創新中心，北京100875; 2.北京師范大學 教育學部教育技術學院，北京 100875)

一、背景與挑戰

(一)研究背景

隨著人工智能技術的蓬勃發展，人機協作的教學交互模式可能成為未來教育的主要形態之一。教育機器人作為未來教學交互模式的主要對象之一，在K-12教育階段逐漸具備了改變傳統教育教學方式的應用潛力與前景，也引發了學術界與工業界的大量研究與實踐探索。近年來，我國提出了推動機器智能在教育領域全方位應用的戰略規劃，并陸續頒布了《新一代人工智能發展規劃》(國務院，2017)、《教育信息化2.0行動計劃》(教育部，2018)以及《中國教育現代化2035》(國務院，2019)等政策文件，指出要大力發展智能化教育，推動機器智能等在教育領域的多維度應用，尤其要加強對教育機器人、智能教學助手等關鍵技術的研究與實踐，促進教育理念與人才培養模式的改革與創新，從而提升我國教育的質量與效率。

廣義而言，教育機器人可以定義為面向教育領域專門研發的、以培養學生分析創造能力和實踐能力為目標的機器人。教育機器人需要具有教學適用性、人機交互性、開放性及可擴展性等特點。按照實際用途，教育機器人總體上可以分為教學活動類機器人與教育服務類機器人。教學活動類機器人主要用于教學課程與課堂教學活動，作為教輔工具直接輔助學習者進行機器人領域相關知識的學習與實踐，并支持學習者自行拆裝或編程。例如，模塊化的機器人套件及其資源與實體平臺是此類機器人常見的產品形態。教育服務類機器人指可以直接對教學過程進行智能輔助服務的機器人，其應用過程常被歸類為三種基本角色，即導師、學伴及監督者。其中，導師角色指機器人作為教師助手，為學習者提供優質教學資源、個性化學習路徑以及針對性教學反饋等；學伴角色指智能教育機器人作為學習伙伴參與學習者的學習過程，開展學習互動、協助學習時間管理以及情感支持等；監督者角色指機器人通過情境感知、智能測評等技術對學習者的學習狀態及體征數據進行實時監測與采集。區別于教學活動類機器人，教育服務類機器人大多具有固定的軟硬件結構，不支持用戶自行拆裝。本研究主要針對教育服務類機器人，服務于初中或小學學習者，定位是學伴角色，同時融合導師與監督者角色的關鍵功能與服務。

針對教育機器人在教學中的作用和應用，學術界做了大量研究。 阿利米西斯(Alimisis，2013)認為，教育過程引入機器人作為工具，不能促進學習效果的顯著提升，需要增強其與課程設計及學習環境的契合度以及在現有教學中應用模式的研究；江口(Eguchi,2014)也認為教育機器人需要提高與傳統教育的契合，還提供了運用教育機器人的典型成功案例。同時，研究者發現，使用教育機器人能夠增強學習者的學習動機，最終提高學習成績(Chin et al.，2014)。機器人扮演的角色隨學習者對機器人感知的變化而變化(Alves-Oliveira et al.，2016)。坎德霍夫(Kandlhofer，2016)驗證了教育機器人對數學和科學研究技能、團隊合作技能以及社交技能有顯著的正向促進作用。奧斯佩尼科娃等(Ospennikova et al.，2015)提出教育機器人在學生技術創造力上可以發揮良好作用，但實踐應用仍處于初始階段，不總是有效。國內外研究者還系統討論了教育機器人對未來教育的意義(Benitti，2012)，并采用科學計量方法，總結國際范圍內教育機器人研究的熱點和前沿(周進等,2018；張堯等,2019)。

(二)面臨挑戰

1. 教育性不足

教育功能是智能教育機器人的核心。它要針對學習活動的多樣性、認知過程的科學性等設計符合教學規律的教學過程與評估方式，即通過人機交互技術采集與分析學習者的全過程學習數據，自動診斷學習者的學習障礙和薄弱知識點；通過精準推薦和使用優質的學習資源為學習者提供個性化教學服務。然而，目前的教育機器人設計多注重游戲或簡單的重復性教學功能的開發，產品同質化嚴重，教育專業化程度較低，教學策略的設計、教學資源的推薦及精準認知狀態的評估等較為欠缺。

2. 交互性較差

交互是教學過程的重要環節，能及時校正或強化學習者的認知過程和效果。及時的交互可以為學習者提供心理與情感支持，縮短學習者與教學目標之間的距離。然而，目前大多數教育機器人缺乏前沿的自然語言處理、最優教學干預策略設計等關鍵技術的支撐，交互性差，不能為學習者提供實時、準確、適當的學習效果強化和認知過程矯正。

3. 感知力欠缺

感知力指教學過程中識別和理解學習者的學習情緒、學習環境等的能力。良好的感知力可以為教育機器人的教學反饋提供基礎信息，對學習者的多維度學習狀態進行實時分析，拓展學習者與機器人之間的交互帶寬，增強機器人對學習者基本信息的采集。然而，當前智能教育機器人較少或者只能通過單一維度感知學習者及其學習過程，缺乏通過表情、動作等多維數據實時感知與理解學習狀態與學習情境，造成教育機器人智能性不足。

為應對和解決教育機器人發展面臨的挑戰，本研究嘗試借助人工智能領域的知識圖譜、自然語言處理以及機器學習等關鍵與前沿技術，結合教育心理學的經典理論，構建具備教育專業性、實時反饋與感知能力的新一代智能教育機器人。

二、理論基礎與關鍵技術

(一) 理論基礎

“智慧學伴”教育機器人采用經典的自我決定理論(self-determination theory)(Ryan & Deci, 2000)作為設計的理論基礎與基本原則。自我決定理論由美國心理學家理查德(Richard Koestner)等人提出，在教育心理學等領域應用廣泛。該理論認為，個體有三種天生的心理需求，即自主感(autonomy)需求、勝任感(competence)需求以及關系感(relatedness)需求。這三類心理需求得到滿足時，個體的內部動機就會增強，同時會促進外部動機的內化，推進目標的達成與個體的成長。如果上述三種基本需求得到滿足，學習者可以獲得良好的學習體驗和激勵，最終提高其學習效果與效率。以自我決定理論的三種基本心理需求為基礎(Lu et al.，2018)，我們確定了“智慧學伴”教育機器人的設計原則：

1. 自主感

自主感指個體在充分了解個人意愿及客觀環境的基礎上，對自身行為作出自由而非強制選擇的感受。這種自由選擇能夠引導個體產生符合其心理需求、有益于個體成長的行為，促成其內在動機，即出于興趣或活動本身的樂趣進行選擇。內在動機通常能促使個體開展更高水平且創造性的學習，能夠自覺運用有效的學習策略，面對困難也更能堅持。因此，針對學習者自主感的心理需求，我們提出教育機器人的三條設計原則：1)為學習者提供多個符合教學規律且合理的學習活動選擇；2)了解學習者對當前學習內容的感受并作相應的反饋或調整；3)盡量減少學習活動對學習者的壓力感與被控制感。

要給學習者提供不同的學習活動及選擇，一方面需要建設多模態、高質量的學習資源，滿足學習者根據自身特點開展學習的需求；另一方面要利用合理科學的方式對學習資源、教學目標、教學概念等進行有效組織和架構，利用簡單、友好的可視化方式，支持學習者與學習內容間的自由交互與選擇。因此，設計新型的教育知識圖譜，將學習者當前的認知狀態進行疊加，可幫助學習者客觀認識自身學習狀態，引導學習者選擇學習資源。其次，及時了解學習者對學習內容的感受并作相應的反饋或調整，需要教育機器人能夠通過不同類別的傳感器實時采集與分析學習者的過程性與測評性學習活動數據，并根據認知科學等理論設計相應的反饋，動態調整學習內容。比如，推斷學習者遇到障礙，有大概率產生“疑惑”等情緒時，教育機器人可以及時提供學科知識問答以及支架式教學反饋或干預。最后，引入激勵機制與放松環節，可盡量減少學習活動對學習者帶來的壓力感與被控制感。有效的激勵能夠緩解學習者的緊張，有利于學習進程的穩步推進；適當的放松反過來可以減輕學習的被控制感。

2. 勝任感

勝任感指學習者完成學習任務或測評過程中，對所遇挑戰的掌控感與積極的自我肯定。如果學習者能夠持續體驗到勝任感，其內部動機可以得到增強，反之會導致挫敗感。因此，針對學習者對勝任感的心理需求，我們提出教育機器人的兩條設計原則：1)準確估計學習者的知識掌握程度與能力，鼓勵學習者開展高層級知識的學習，逐步引導其學習和理解挑戰性內容。2)及時肯定學習者正確應對挑戰和取得的進步。

這就要對學習者的知識掌握水平、學科能力等關鍵指標進行準確建模，使教育機器人可以在正確的時間適當提高學習內容的難度和挑戰性；通過自然語言交互等方式鼓勵與肯定學習者的關鍵性進步，強化學習者應對新的學習挑戰的內部動機。

3. 歸屬感

歸屬感指學習者需要來自周圍環境與學習伙伴的溝通、理解與支持。良好的關心與溝通可以促進學習者增強內部動機，幫助其高效完成預定的學習內容和任務。因此，針對學習者對歸屬感的心理需求，我們提出教育機器人兩條設計原則：1)在與學習者交互時，機器人盡可能傳達出與學習者直接相關的個性化與標志性信息。2)如技術條件和教學進程允許，機器人可以和學習者擇機開展與教學內容無關的交流和溝通。

基于上述設計原則，教育機器人與學習者的交互盡可能采用基于學習者個人信息的個性化交互方式和內容，比如根據學習者的性別、姓名、經歷等設置問候語等導引信息，自然傳達對學習者的尊重、喜愛與親密。同時，設計非教學用途的聊天對話可使學習者與教育機器人之間產生直接“聯系”，增強學習者的歸屬感。

(二)關鍵支撐技術

要落實上述基于自我決定理論的三類心理需求及機器人系統的設計原則，需要利用多項前沿技術作為其關鍵支撐和功能實現保障。

1．知識圖譜技術構建教育認知地圖

知識圖譜技術通常指利用具有結構化語義知識的概念網絡，描述通用領域或垂直領域的實體以及這些實體間關聯的知識表示。利用知識圖譜技術可以結構化表示教學過程涉及的不同客觀實體，如知識點、教學目標、學科教材等，以及這些實體間存在的具有教育意義的各類認知關系，如知識點間的前驅后繼關系、習題與學習目標間的評測考查關系等。同時，教育知識圖譜疊加學習者知識點掌握程度等認知狀態信息，可以進一步構建教育領域的認知地圖，直觀呈現給學習者，幫助學習者了解其學習進程和掌握程度。

在“智慧學伴”教育機器人中，教育知識圖譜一方面作為學科專業知識與教學相關各類實體的底層數據基礎與基本結構，支持學科知識性智能問答與檢索等基本交互功能；另一方面，教育認知地圖可以直接呈現給學習者，并作為人機交互界面幫助學習者自主選擇與調整學習內容。

2. 機器學習技術構建學習者模型

機器學習技術通常指利用數據或以往經驗，優化計算機程序的性能和標準的技術。作為人工智能領域進展最快的關鍵技術之一，其在智能教育機器人的構建中起著重要作用。教育機器人估計和判斷學習者認知狀態和學習能力的基礎是對學習者建模。例如，知識追蹤(knowledge tracing)是對學習者的動態認知過程進行量化建模，通常利用貝葉斯理論、一階馬爾可夫模型機器學習算法等進行構建。大規模在線學習者及其各學科測評信息的采集，為學習者建模提供了豐富的訓練數據。同時，隨著深度學習技術的發展，基于深度神經網絡等技術的深度知識追蹤模型可以直接幫助解決多知識點動態建模等關鍵問題。

在“智慧學伴”教育機器人的實際系統實現中，我們利用深度學習模型構建了包括知識追蹤模型(Chen et al.，2018)在內的一系列學習者模型，為機器人提供學習者當前學習狀態的動態估計信息，使機器人可以及時診斷和干預學習者學習障礙或困難。同時，將較為準確的學習者認知狀態等信息嵌入教育知識圖譜，構建完整的教育認知地圖。

3．自然語言處理技術構建問答與對話系統

自然語言處理技術是利用機器對人類自然語言進行理解、處理和運用的技術，是當前人工智能領域最富挑戰性的子領域之一。在教育機器人的系統構建中，基于自然語言處理技術的問答系統與聊天系統是支持學習者與機器人有效教學的關鍵交互環節。問答系統通常通過對學習者提問進行語義理解與解析，并基于底層知識圖譜等知識庫高效檢索所需的信息，提取答案信息，最終生成學習者可以接受和理解的自然語言應答。對話系統通常分任務導向型對話系統和非任務導向型對話系統。任務導向型對話系統旨在幫助用戶完成特定任務，非任務導向型對話系統沒有清晰的任務，主要模仿人與人之間聊天等非結構性對話與交互。

在“智慧學伴”教育機器人中，我們同時引入問答引擎與對話代理引擎，支持學習者的不同需求。問答引擎專注于處理學習者提出的學科教學類知識問題，通過對底層教育知識圖譜進行圖搜索生成自然語言答案。對話代理引擎主要支持學習者與機器人的閑聊功能，以通用知識圖譜及深度學習模型支持該部分功能的實現。

4．情感計算技術估計學習情緒與專注度

情感計算技術通常指與人類情感相關、來源于情感或能夠對情感施加影響的技術，其目的是賦予機器識別、理解、表達和適應人類的情感能力，創建更加有效的人機交互過程。例如，通過計算機視覺分析，實時采集和分析學習者的面部表情和身體姿態等關鍵信息，輸出包括愉悅、驚訝等情緒結果。同時，結合當前學習內容的難度、學習者能力及認知科學理論可估計和預測學習者的學習情緒和專注度等學習狀態指標，對教學作出及時調整、干預或反饋，實現個性化的教學服務與情境感知。

利用機器人的前置攝像頭等傳感器設備，我們建立了學習情緒識別模型，可以較準確地判斷學習者對學習內容產生的負面情緒。同時，我們提出了學習分析框架LEARNSense(Lu et al.,2017)。該框架基于學習者學習行為和動作等信息，結合認知科學的經典理論，估計學習者學習專注度，最終構建情感計算引擎，實現教育機器人對學習者學習情感狀態的準確感知和識別。

三、系統架構與實現

基于以上教育心理學理論基礎和人工智能領域的關鍵支撐技術，我們對“智慧學伴”教育機器人進行了系統架構設計與實現(見圖1)。從系統層面而言，“智慧學伴”教育機器人分兩大基本模塊：1)基于機器人硬件系統的教學交互模塊；2)基于“智慧學伴”服務平臺的數據與資源模塊。兩大基本模塊通過互聯網進行信息傳輸和共享。其中，服務器端的“智慧學伴”服務平臺提供學習者基礎數據和教學資源，客戶端依托機器人的硬件系統完成教學交互功能。

圖1 “智慧學伴”教育機器人系統架構

(一) 教學交互模塊

教學交互模塊是“智慧學伴”教育機器人的核心模塊，負責機器人的教學過程及與學習者交互功能的實現，其底層設計了三類基本引擎，即情感計算引擎、問答引擎和對話代理引擎。

1．情感計算引擎

如前所述，情感計算引擎主要基于泛在計算、計算機視覺等技術，負責完成對學習者的學習情緒、學習專注度等狀態與指標的識別與估計。學習者的表情可以反映學習的情緒和狀態，因此實時了解學習者的學習狀態并給予實時反饋與教學支持有重要作用。“智慧學伴”教育機器人利用計算機視覺技術的卷積神經網絡分類模型，根據學習者的面部表情特征，細分出八種基本情緒的概率值，分別為憤怒、輕蔑、厭惡、害怕、悲傷、驚訝、愉悅與中性。當憤怒、輕蔑等前六種情緒的概率值之和或者單一情緒的概率值高于閾值，即判斷學習者處于負面的學習情緒。相反，當憤怒、輕蔑等前六種情緒的概率值之和小于閾值或者愉悅的概率值高于閾值，可以判斷學習者處于相對正面的學習情緒。

學習專注度描述學習者的努力程度和投入程度，同時表征學習者認知系統的運轉效率和對學習內容的興趣(Trowler,2010)。當學習者處于較高水平的學習沉浸度時，通常會取得較好的學習效果和更深的認知程度，這時可以啟動激勵機制促進高水平學習專注度的持續。當學習者處于較低水平的學習專注度時，通常難以達到預定學習效果和認知程度，往往需要采取干預措施。另一方面，學習專注度有隱含性和時變性，通過學習者自陳報告和教師評價等形式的主觀數據通常很難準確、連續地評估學習沉浸度。近年來，教育與認知科學研究(Chi & Wylie，2014)已經證明，不同級別的專注度可以通過學習過程的外顯行為(overt behavior)有效推斷。因此，“智慧學伴”機器人在識別學習者的面部表情與肢體動作等外顯行為基礎上，結合LEARNSense (Lu et al.，2017)等學習分析框架，估計學習者的學習專注度。

建立教育機器人對學習者情緒與專注度的識別與估計能力，可提高教育機器人的感知力，拓寬與學習者之間的交互帶寬，提升機器人的智能性，同時為教育機器人的教學反饋提供基礎信息，為學習者提供心理與情感支持，增強學習者的自主性，最終為學習者的認知過程提供實時、準確、適當的反饋與支持。

2. 問答引擎

問答引擎主要通過自然語言交流的方式接收、處理和應答學習者提出的學科教學類知識問題。問答系統需要理解與解析學習者提出的問題，學科類問題由問答引擎處理和應答；否則，由對話代理引擎負責處理。對于學科專業問題，問答引擎會先調用學科知識圖譜，然后通過圖搜索的方式檢索和推理相關信息，生成學習者可以接受和理解的自然語言應答。例如，學習者提問“除了綠色植物，還有哪些生物可以進行光合作用？”問答引擎首先判斷該問題為生物學科問題，然后開始在生物學科知識圖譜上進行圖搜索，并將檢索到的“藍細菌”“紫細菌”“海兔”等信息，通過自然語言生成功能，組成學習者可以理解的答案，例如，“藍細菌、紫細菌甚至海兔都可以進行光合作用”。同時，為使學習者與教育機器人的交互獲得與類似人類教師交互的體驗，問答引擎利用自然語言處理的文字轉語音功能，調整機器人應答，并模仿人類教師的語音和語調，附加鼓勵話語，如“這個問題問得很好，還有別的問題嗎？”。

學科問答能力的建立，是支持學習者與機器人有效教學交互的必要和關鍵環節之一，不僅能夠優化和節省學習者的信息搜索過程與時間，提高教學反饋的效率和能力，更能增強教育機器人指導的教育性與專業性。

3. 對話代理引擎

與問答引擎不同，對話代理引擎主要支持學習者與機器人的自由問答和閑聊功能，對學習者及機器人的語音交互內容不作教學限定。同時，區別于傳統的任務導向型對話系統，該對話代理引擎無需幫助用戶完成特定任務，主要基于通用知識圖譜及深度學習模型等關鍵技術，模仿人與人之間聊天開展非結構性對話與交互。例如，“智慧學伴”教育機器人可以智能地安慰學習者的抱怨(如“這個問題好難啊”“我肯定學不會”等)、對機器人本身信息的詢問(如“你多大了”“誰是你的父母”等)以及對通用領域和簡單生活知識的閑聊。但是，受限于自然語言處理技術，目前“智慧學伴”教育機器人閑聊的智能水平有局限。如果機器人不能找到可以回復的答案，它會主動引導學習者回到學習進程(如“這個問題我不懂哈，要不我們還是繼續剛才的學習吧？”)。另外，“智慧學伴”教育機器人利用面部識別技術自動識別學習者身份，并在閑聊等環節自動使用學習者的名字、昵稱等，以增強與學習者之間的聯結，提高學習者使用機器人的興趣。

(二)數據與資源模塊

數據與資源模塊作為教育機器人底層的信息基礎模塊，主要利用“智慧學伴”平臺(余勝泉，2017)通過網絡傳輸等途徑為教學過程以及人機交互功能提供數據與資源支持，包括學科知識圖譜、社會性學習資源、學習者數據和個性化認知地圖。

1. 學科知識圖譜

如前所述，知識圖譜通常指描述通用領域或垂直領域的各類實體以及這些實體間關聯的結構化知識庫。語文、數學、生物、歷史等學科便于構建專屬的學科知識圖譜，表征該學科教學涉及的不同元素及元素之間具有教育意義的有效關系。學科知識圖譜主要基于該學科核心知識點之間的語義關系，形成知識之間的邏輯關聯網絡，并能有效組織教學、評價等環節產生的數據。以知識內容和學習者為核心對象，學科知識圖譜可以實現語義理解和推理，幫助教育機器人完成知識教學和學科問答等。

2. 社會性學習資源

學習活動及其所需學習資源具備社會屬性，需要利用個體的社會化學習行為進行資源聚合，并提升其質量和結構化程度。知識之間的內在關系與人的社會性交互形成的人與知識共生的社會性知識網絡，有助于學習資源的有效聚合與質量提升。同時，學習資源具有多模態性，需要涵蓋教材、測評試題以及課標庫等。其中，多模態教材包括高質量的視頻類微課等多媒體教學資源，測評試題可以利用語音識別等技術進行答案采集。學習資源還要根據課程教學大綱標準，進行細顆粒度知識點標注，并根據教學大綱的學習目標劃分與歸類能力層級，供個性化認知地圖及精準推薦使用。教育機器人的硬件支持多種學習資源使用，如視頻教學資源可以通過機器人的前置屏幕或者后置投影等，高清晰地展示與播放。

3. 學習者數據與分析

學習者數據涵蓋學習者產生的學習測評數據、學習行為數據和學習報告數據。其中，學習測評數據和行為數據為學習報告的生成提供信息支持。學習測評數據主要來源于學習者的各類測試結果，包括學習者作答正確與否、作答順序、時長等關鍵信息；學習行為數據包括學習者與機器人交互過程信息，包括所有的學科問答與聊天對話數據、學習者面部表情與動作等過程性信息。在此基礎上，機器人自動生成學習者階段性學習分析報告，涵蓋薄弱或易錯知識點、與機器人教學互動以及試題作答等情況，在實際教學應用中還可以生成可視化報告等。

4. 個性化認知地圖

學習者數據和多模態教學資源可以進一步構成學習者個性化認知地圖(萬海鵬，2017)。個性化認知地圖以樹狀或網狀結構展現學科細顆粒度知識點，然后在知識點上疊加學習者當前的認知狀態(即是否掌握該知識、學習與測評進度等)、多模態學習資源以及該知識點對應的教學目標等教學關鍵性信息。個性化認知地圖可以作為結構化的基本信息，為教育機器人的上層教學服務提供數據支撐(如學科問答、知識學習等)，也可以用可視化與交互方式直接反饋給學習者，使學習者了解自身的知識掌握狀態，促進其自我認知和激勵。學習者還可以利用教育機器人的觸摸屏等硬件，與其個性化認知地圖交互，自由選擇所點擊知識點的詳細信息和多模態學習資源的推薦。

綜上所述，基于教學交互、數據與資源兩大基本模塊的整體系統架構，同時依托個性化認知地圖、多模態教學資源等基礎性、結構化信息，“智慧學伴”教育機器人可以實現學習情緒與專注度識別、學科問答以及聊天對話等教學與交互功能。

四、應用模式

在實現前述系統架構的基礎上，“智慧學伴”教育機器人能夠作為學習者在家庭環境的教育指導者，利用其教育專業性、實時反饋與感知等關鍵能力，設計符合個體學習者特點的典型應用模式，完成不同階段的教學目標，滿足學習者對于自主感、勝任感及歸屬感等核心需求(見圖2)。“智慧學伴”教育機器人的典型應用模式包括學習疑難問答、學情報告分析、學習督促提醒、學習陪伴激勵和家長教育助手五類。

圖2 “智慧學伴”教育機器人的典型應用模式

(一) 學習疑難問答

“智慧學伴”教育機器人可以與學習者共同完成一系列學習活動。首先，機器人基于內置的教學目標與自適應學習路徑，將多模態學習資源向學習者精準推薦和交互式講授，滿足學習者的自主感。在此過程中，機器人允許并鼓勵學習者提出問題，并通過問答引擎自動處理和解答所涉及的知識問題，鼓勵學習者深入反思或者分享，觸發學習者的思考。其次，當完成重要知識點的教學后，教育機器人會建議學習者完成三道題左右的測試。測試方式可以是自然語言，也可以是接觸機器人前端觸摸屏完成，從而幫助學習者鞏固知識點，也為機器人提供學習者掌握狀態的測評信息，有助于機器人準確估計學習者認知狀態。同時，學校端學習過程性和測評性數據的共享可以提高機器人對學習者的理解，包括其優勢或者薄弱的科目和知識點，從而更好地解答學習者的疑難問題，推薦優質教學資源，動態優化學習路徑。

(二)學情報告分析

“智慧學伴”服務平臺的學校端，可以采集學習者長周期、多模態的過程性與測評性數據，如學習者的周期性單元微測與總測成績、心理與體質健康測評數據、與教師在線互動問答等數據，然后結合學習者個體、班級以及學校層面的分析模型，把個體與群體性學情報告通過機器人端呈現給家長和學習者。基于內置的知識追蹤等學習者模型與階段性的知識測評信息，可以實時更新學習者的認知地圖，如是否掌握當前學習單元的知識點，從而動態調整學習者的學習內容和學習資源。學習者也可以直接與自己的個性化認知地圖交互，選擇想學習的知識點或教學資源。多維度的學習報告以可視化方式呈現給學習者或者家長，讓其了解階段性學習的數據和意義，如學科能力素養水平、優勢知識點、累計觀看的視頻資源數量等。學習者在家與機器人的互動學習或在線學習行為，如學習內容、觀看時間、停留學科等信息，也可以傳輸和共享給學校教師端，幫助教師及時了解學習者在家中的學習狀態。

(三)學習督促提醒

根據階段性學習報告發現的問題或者學習障礙，教育機器人可以語音提醒學習者或家長。同時，根據學習計劃，“智慧學伴”教育機器人可以利用其無線通訊模塊，連接學習者手機、智能手表或者手環等可穿戴設備，追蹤學習者的實時位置，并在適當時間提醒其學習。如果學習者不在家庭學習區域或未能按時完成學習計劃，“智慧學伴”教育機器人可以發督促指令，制定干預措施，鼓勵其按時學習。

(四)學習陪伴激勵

機器人需要引導學習者逐步建立較好的人機關系與情感連結，使學習者熟悉與機器人交流的途徑和方法。具體而言，“智慧學伴”教育機器人在首輪交互中，會通過自然語言、人臉識別、游戲問答等方式，完成自我介紹、學習者信息采集(包括人臉、姓名、學習基礎和背景等)與存儲、人機交互模式設置等(如語音或者觸屏交流等方式)。在此基礎上，機器人利用人臉識別登錄功能，在確認交流對象身份和個體信息的基礎上，根據學習者的偏好采用不同風格的交流方式和昵稱，創設符合學習者特點的學習場景。同時，機器人多個傳感器對學習者的學習情緒與專注度等重要指標實時監測，如感知到學習者處于負面學習狀態時，會觸發對話代理引擎，對學習者進行詢問，與學習者進行非教學內容的自由聊天或建議學習者短暫休息，從而滿足學習者歸屬感需求。“智慧學伴”教育機器人也采用積分等獎勵機制，或跳舞等方式，以提高學習者的勝任感。

(五)家長教育助手

“智慧學伴”教育機器人能夠作為家長的助手。它可以通過學習者的個體認知地圖展示等，幫助家長輔導學習者。如果家長學科知識不夠，可以通過機器人的問答引擎詢問和求解。同時，教育機器人還可以在家庭端替代家長規劃學習者的家庭學習內容與活動時間，確保家庭教育有序開展。

五、趨勢與展望

(一) 教育專業化

當前最豐富且優質的教學資源仍然以人類教師授課為基礎進行設計，教育機器人只能針對某些特定學習內容的簡單知識記憶進行教學，如何針對教育機器人的特點對教學資源進行開發，包括機器人教學方法的頂層設計、專業學科的知識圖譜建設、基于認知科學的教學策略實施等，都是教育機器人走向教育專業化的重要保障。

(二) 交互智能化

人類教師與學習者的實時交流與反饋可以及時滿足學習者答疑解惑的需求，還可以滿足學習者溝通表達的情感需求。人機交互等技術的采用可以降低學習者與教育機器人之間的交流閾值，保證相互之間信息交流的便捷性和通暢性。隨著人工智能領域自然語言處理技術的發展，教育機器人需要提高其交互的自然性和高效性，如實現教學目標驅動的聊天對話系統，引導學習者在交互中完成特定學習任務，使交互具備教育意義及智能性。

(三) 感知情境化

不同的教育場景和教學內容，通常需要對學習者進行不同維度的觀察和理解。因此，教育機器人需要根據不同的教學情境，主動感知學習者學習狀態及其學習環境。教育機器人將擁有越來越豐富的嵌入式傳感器，各類環境與可穿戴設備等可以為其提供基礎數據。基于人工智能領域的情境感知與情感計算等技術，教育機器人需要具備將這類數據轉化成可以對學習者內在情緒、專注度、心理需求等進行感知的能力，并在此基礎上提供自適應教學服務與支持。