游戲化智能教學中的人工智能與認知科學原理：以ARA 為例

馬偉偉 張錦坤

（福建師范大學心理學院，福州 350100）

1 引言

智能教學系統（intelligent tutoring system，簡稱ITS）是一種結合了計算機科學、人工智能、心理學、教育學以及認知科學等多種學科知識在內的， 開放式人機交互式教學系統。 其最終目的就是讓計算機系統在一定程度上替代人類教師來實現最佳教學，即賦予計算機系統以智能， 從而來實現由計算機系統擔當學習者的引導者、幫助者（陳天云，張劍平，2007； 張志禎， 張玲玲， 李芒， 2019）。智能教學系統這一概念最初由Sleeman 和Brown 于1982 年正式提出， 他們認為智能教學系統是一種使用計算機模仿教學專家的方法與經驗， 從而來輔助教學工作的計算機系統（Sleeman ＆ Brown， 1982）。Psotka 將其定義為一種能夠及時為學習者提供個性化指導和反 饋 的 教 學 系 統 （Psotka， Massey， ＆ Mutter，1988）。也有研究者認為智能教學系統是借助人工智能技術， 由計算機扮演教師的角色以實施一對一的教學， 向不同需求和特征的學習者傳遞知識 （張利遠，王春麗， 2012）。上述定義雖然闡述方式不同，但有一個共識即認為智能教學系統是一種提供個性化指導的教學系統。

與傳統教學模式不同，ITS 是以計算機為基礎的學習系統，關于ITS 系統的組成部分，當前研究者大多將其分為四個部分：領域知識庫、學生模型、教師模型（教學策略）以及智能人機接口（劉清堂， 吳林靜， 劉嫚， 范桂林， 毛剛， 2016）。領域知識庫又稱專家知識模型， 主要用來表示某一特定領域的相關知識、事實、概念、規則以及問題的解決策略，旨在解決“教什么”的問題。 學生模型主要是用來存儲學習者的相關信息， 包括學習者的基本信息以及學習者在學習過程中的動態信息， 旨在通過對真實學生的模擬，更好地收集學生特征（個性特點、知識狀態、認知特點）。 教師模型的主要任務是，根據學生模型中學生的相關信息，選擇合適的教學策略，從領域知識庫中選擇合適的教學內容來實現對學生的有效教學，旨在解決“怎么教”的問題。智能人機接口是學習者與系統之間的交互界面，主要包括文本、圖形的選擇、鼠標和鍵盤輸入、多媒體知識的輸入和輸出、用戶信息的獲取等內容。在學習過程中，系統通過向學習者提供指導性暗示、逐步反饋、對常見錯誤的響應等多種形式的個別化輔導來豐富問題解決環境，使學習者在與系統的交互活動中達成學習目標。 作為一種高度交互的學習環境，ITS 的應用有助于提高學習效率， 能夠更好地發揮學習者的主動性與積極性，更有利于學習者能力的培養。許多研究都證明了這點， 一項有關智能教學系統效果的研究表明智能教學系統的輔導效果與人類的輔導一樣有效， 尤其有助于縮小高低水平學習者之間的差距， 幫助低水平學生顯著提高學習成績（VanLehn， 2011）。 另一項研究通過捕捉學習者在智能教學系統下的肢體語言來判斷其情緒并適時做出回應， 提高了學習者的動機和學習效果 （Graesser ＆ D’Mello， 2012）。Aleven 等人對比了兩種輔導方式，一種是基于人工智能的教學輔導，一種是樣例學習（學習者以自身已有的知識為基礎， 對具有詳細步驟的問題解決示例進行思考、觀察，進而從中歸納出隱含的抽象知識或規則并用于解決新問題的學習過程）。 結果發現，與智能教學輔導相比， 樣例學習減少了學習者的認知負荷，學習者用較少的時間掌握了相關知識。而與樣例學習相比，智能輔導不僅有效率，還能夠為學習者提供大量的自我解釋提示與相關支持， 帶來更好的學習效果（Schwonke et al.， 2009）。 此外，一些研究者還嘗試在ITS 的基礎上研發智能社交系統（Sanchez， Bartel， Brown， ＆ DeRosier， 2014），通過計算機系統模擬現實生活中的場景來幫助自閉癥兒童獲得社交技能，更好地融入社會。然而由于社交問題本身的復雜性，此類系統還需要進一步完善。

綜上可知，ITS 已經被應用于各教學領域中，且總體而言取得較積極的反饋。 近年來一些研究者認為ITS 應充分發揮人工智能在激發學習動機上的優勢，在設計智能教學系統時嘗試加入游戲元素，通過游戲來吸引學習者的注意力， 增加學習或訓練過程中的興趣，以此輔助學生完成學習或訓練。 例如，基于游戲環境的ISTART-ME 智能教學系統， 是ISTART（interactive strategy training for active reading and thinking）的增強版，旨在通過策略訓練來幫助提升學習者的閱讀理解能力， 系統中包含了智能指導練習、骰子戰爭和雙人決戰三種游戲練習方式，學習者可以用獲得的點數購買自己感興趣的獎勵品（麥克納馬拉， 杰克森， 蒂勒克， 何先友， 鄧玉梅，2013）。將歌曲和運動結合在一起的幼兒園社交輔助機 器 人 KindSAR （kindergarten social assistive robot），它能夠使用適當的詞匯和語法模仿孩子的聲音說話，可以執行不同的運動動作和表達情緒，通過互動式游戲來幫助教師發展兒童（尤其是特殊兒童）的元認知能力 （Keren ＆ Fridin， 2014）。 ISTARTME 主要用于提升學習者的閱讀能力， 針對的是青少年群體；KindSAR 則致力于發展認知能力， 主要應用于癡呆患者、認知障礙患者以及自閉癥兒童。而對于人類學習而言， 領域與專業知識技能占了更大的比例，也將是智能教學系統的重要應用方向。美國孟菲斯大學心理學系和智能系統中心開發的ARA（acquiring research acumen）游戲化智能教學系統，是一款將智能輔導和學習原則相結合， 并可用于科學知識與技能教學的游戲化教學系統。 ARA 意為“獲取研究智慧”， 即通過教育游戲幫助學習者掌握科學研究的基本知識與技能（例如，數據的相關關系與因果關系的區別與聯系， 影響研究內部效度的因素等），培養學習者的批判性思維。然而，無論是何種形式的智能教學系統或是否加入游戲等元素， 其產生教育影響作用的內在機制和設計原理都是類似的。 下文以ARA 游戲化智能教學系統為例，首先解構系統的各組成部分， 然后分析人工智能原理如何被應用于學習過程中的教與學， 說明認知科學原則在其中的具體應用， 介紹當前針對智能教學系統的效果評估，最后分析其優勢與局限。 對ARA 游戲化智能教學系統的結構和原理等的了解， 有助于更理性地看待和評估智能教學系統的能與不能， 更深刻地認識到認知科學原理在智能教學系統中的重要性。

2 ARA 游戲化智能教學系統

ARA 系統以游戲形式貫穿始終，教學游戲以外星人入侵地球為背景，學生以玩家的身份，通過相應游戲模塊的訓練，不斷學習科學研究素養知識，最后識別并找出隱藏在人類中的外星人，從而拯救地球。在整個游戲化教學系統中， 學生需要依次通過三個模塊的學習， 不斷掌握科學研究方法的相關知識及研究技能（如圖1 所示）。

第一個模塊為基礎訓練模塊 （basic training）。在這一模塊，教學系統會向玩家（即學習者）提供科學思維的基本概念。 學習者閱讀一本關于科學方法的電子書， 這本書描述了優秀的科學研究應具備的各個方面。電子書中的內容被劃分為系列微課，每節課程描述一個主題， 包括控制組的必要性、 隨機分配、因變量的準確性和敏感性、客觀評分、實驗者偏差、樣本量、樣本選擇、參與者偏差、死亡率／損耗、重復以及混淆的因果關系和相關性等。 每節課中都包含選擇題形式的測驗用以評估學習效果，這些問題以短對話的形式呈現，對話教程包括玩家（學習者）、奎恩（Quinn）（動畫教學代理人，扮演老師的角色）和格拉斯（Glass）（動畫教學代理人，扮演同學的角色）。

第二個模塊為試驗模塊（proving ground）。 在這一模塊， 教學系統以雜志和報紙的文章形式向學生描述一些科學研究， 學生要練習如何識別并找出所描述的研究當中存在的缺陷。 教學系統向學生呈現了一篇關于重金屬音樂對情緒的影響的研究文章，文章中作者得出的結論是重金屬音樂不會導致抑郁癥，這篇文章的缺陷是作者在下結論時有點草率，因此所得結論并不嚴謹。 玩家（即學生）的任務是要和一個名叫特雷西（Tracy）的動畫教學代理人競爭，輪流找出研究存在的缺陷，回答正確則得分，回答錯誤則扣分。 當玩家在回復框內輸入與答案相關的信息時，系統會根據輸入內容與最佳答案進行匹配，并做出提示。如果玩家輸入“這項研究似乎得出了一個過早的結論”，系統會提示“過早的泛化結果”。 除此之外，試驗模塊里還有兩個教學代理，奎恩（Quinn）和布洛斯（Broth），這兩個動畫教學代理人扮演的都是老師的角色，主要是用于向學習者解釋原理，幫助學習者正確識別缺陷。

第三個也是最后一個模塊， 是實踐模塊（active duty）。 在這個模塊中，學生主要是通過與教學代理人之間的適應性互動來實現教學目標的。 該模塊除了學生之外有兩個教學代理人，特工斯科特（扮演審問者角色）和一名研究人員（可能是外星人假扮，也可能是人類科學家）。學生的任務就是憑借自己在前面兩個模塊中學到的科學知識， 通過詢問的方式來確定該研究是否存在缺陷， 是否遵循和理解科學方法。如學生在回復框輸入要詢問的問題“問你一個與咖啡因相關的問題， 你認為咖啡因會導致胃潰瘍的原因是什么”，然后扮演審問角色的教學代理人斯科特就會向研究人員詢問該問題， 最后學生根據研究人員的回答進行判斷， 如果該研究人員的回復存在錯誤或缺乏對科學方法的理解， 則學生應將該研究人員判定為外星人， 否則應將研究人員判定為人類科學家并予以釋放。

綜上所述，ARA 智能教學系統以游戲的形式，一開始在基礎模塊中向學生教授科學研究的主要概念（陳述性知識）；然后，學生接受指導練習，識別出試驗模塊中含有錯誤概念的實例；最后，學生通過主動提問來區分有缺陷的研究和沒有缺陷的研究。 所有的這些學習活動發生在一個故事背景下， 在這個故事里學生通過完成各個模塊的學習， 可以將游戲中的世界從災難中拯救出來。

3 ARA 智能教學系統的人工智能原理

與其他智能系統一樣，ARA 智能教學系統中有一位智能教師， 其目標是向學生傳授目標領域的內容和技能，對學生的答案進行判斷以及給予反饋，同時還根據學生對問題的理解程度來調整對話的內容，進而引導學生構建出理想答案。智能教學系統的一個特點就是， 大多數教學活動都是通過使用自然語言的對話教程進行的， 這一點在很多智能系統中都有體現。計算機系統使用動畫教學代理，通過對話和獨白在聽覺上（以及其他數字媒體，如文本、動畫和電影）提供內容。 通過這種方式，它模仿真實的導師，他們向學習者提出問題，提供糾正，對于答案的正確與否給出反饋， 以幫助學生形成更完整或更清晰的答案。梅耶在多媒體學習的對話原則中指出，在多媒體教學環境下， 如果以對話風格的形式來呈現言語信息， 那么學習者的學習效果會更好（Mayer，2009）。由于任何學習都可以視為學習者與教師或與課本作者之間的一種對話，因此，學習也就成為了一種社會事件，當通過對話風格來呈現學習材料時，會讓學習者將自己作為一個參照點， 并產生強烈的社會存在感，學生的興趣增加了，學習的參與度也增強了， 進而促使學習者利用自己已有的認知資源對新獲得信息進行積極的認知加工， 最終達到意義學習的目的（毛偉，盛群力， 2017）。

智能教學系統的另一個優勢是人們可以從輔導對話（tutoring dialogue）中學習（Graesser， D’Mello，＆ Cade， 2011； Graesser， Person， ＆ Magliano，1995）。 根據教學的相互作用假設，由教師的語言風格所激發的學習者心理的互動水平能夠決定學習者對教學材料的加工程度。在相互作用假設視域下，采用對話方式解釋信息對于學習者主動理解學習材料的意義有激勵作用（Doctorow， Wittrock， ＆ Marks，1978）。 ARA 教學游戲中教程對話的核心就是對話中學習者的交互性。 如果導師只是簡單地向學習者講課，那么交互性很低。如果學生回答問題并且提出符合對話的內容問題，則交互性會更高。 當然，人們可以從對話的內容中學習， 就像他們從閱讀文本或聽講座中學習一樣， 但是對話中的互動似乎有自己的效果（VanLehn et al.， 2007）。 在一系列七個實驗中，VanLehn 等人將教學對話和閱讀文本（在很大程度上等同于閱讀內容）進行了比較。 研究結果表明，當學習者的知識水平與教學內容不完全匹配時，高交互性的教學條件要比低交互性的教學條件更有助于學習。 具體而言，當先前知識水平較低的學生（沒有上過大學物理課的學生） 學習為先前知識水平較高的學生（上過大學物理課的學生）編寫的教學內容時， 與交互性較差的教學相比， 輔導對話確實更有益， 而且效果更大。 當知識水平與教學內容相匹配時， 輔導對話與文本閱讀兩種條件下的學習效果并無顯著差異。

為什么人們會從教程對話中學習呢？ 因為參與對話涉及幾個與學習相關的過程，包括跟隨內容、回答和提問、監控理解、推理、解釋、推斷、從長期記憶中提取信息。 這些過程，需要人們積極參與，結合對話呈現的內容共同構建一個連貫的心理表征。 因為知識是在工作記憶中主動構建、聯系和重復的，所以它們會被學習， 而且比被動地接受它們更容易被記住。智能對話框的結構與真實教學對話非常相似。這些結構基于 Graesser 和 Person（Graesser ＆ Person，1994； Graesser et al.， 1995）的研究，他們系統地分析了中學和大學真實教學情境中教師進行教學輔導時的典型對話模式，發現對話中使用了“預期-誤解式”對話。 教師在開始輔導課程時，腦海中往往會有一個課程相關問題的清單列表， 列出所考慮的主要問題， 這些問題通常還包括一組預期答案和常見誤解。根據問題的不同，可能會有十幾個或更多的預期答案要素以及誤解。智能教學系統的每一步對話，一般都包括反饋、提示以及啟發式問題三個要素。反饋是指智能教學系統模擬人類教師對學生的回答進行判斷，如果符合預期就給予正確反饋（“你說的不錯”），如果出現誤解則立即進行糾正。如果學生還是出現誤解，智能教學系統則會給予提示（“看看以下問題是否能給你一些提示”）。諸如此類，通過多輪對話幫助學生盡可能構造出滿意的答案。 在每輪對話中， 系統將學生的回答與預期答案要素和誤解進行比較， 以此給出不同的反饋并選擇下一輪對話的材料，ARA 教學游戲中的對話采用的就是這種模式。例如在一個試驗場模塊中， 對話教程包含了兩個教學代理人，學習者以及學習者的對手（一個動畫代理人），學習者在系統中輸入了一個回答之后，教學代理人奎恩博士將學生的答案與預期答案對比， 然后給出反饋“這是正確的”，另一個教學代理人布洛斯進行了更細致的答案講解。

4 ARA 游戲化智能教學系統中的認知科學原則

除了已述及的對話交互性原則外，在ARA 游戲化智能教學系統中還包含了其它四個重要的認知科學原則：最近發展區、自我解釋、分散學習效應和編碼可變性。這些原則與人工智能的整合，為智能教學系統實現提高學習效率提供重要保障。

4.1 最近發展區

最近發展區 （the zone of proximal development） 指的是個體在獨自處理問題時的活動水平與在成人指導下或在更有能力的同伴幫助下所能達到的活動水平之間的差距 （Vygotskie， Embong， ＆Muslim， 1978）。 當個體處于這個區域之外時，如果問題太簡單， 他們可能會感到無聊； 如果問題太困難，他們可能會感到沮喪或不投入。

ARA 教學游戲設計不論是整體還是局部，都緊密圍繞最近發展區。 從整體來看，整個游戲過程中，三個模塊的順序有助于通過從簡單的任務到困難的任務來維持個體的最近發展區。 教學指導從知識概念（基礎模塊）開始，然后個人將概念應用于實例（試驗模塊）。最后需要學習者通過自主提問來辨別研究的缺陷（實踐模塊）。三個模塊的難度依次增加，每個模塊都需要借助前一個模塊中教授的知識和技能。從局部來看，這一原則又被應用在基礎訓練模塊中，在這一模塊中， 系統以三角對話框的形式， 通過選擇、填空以及糾錯等問題來擴展學習者的知識。當學習者對某個概念缺乏理解時， 系統會向他們提示一個對話框， 對話框內容的難易程度根據學習者當前的知識水平而定：如果是低知識水平的學生，會收到一個簡單的對話框， 以避免內容太難而使他們感到沮喪；如果是高知識水平的學生，會收到更嚴苛更標準的對話框，因為內容太過于簡單時，他們會感到無聊，以此來確保最近發展區的應用。 從經驗上看，這種策略的使用是基于VanLehn（2007）的工作，他們發現采用對話框方式進行學習活動時， 如果對話的內容要比學生當前的知識水平高一些， 學習效果最好。

4.2 自我解釋

自我解釋 （self-explanation） 由美國心理學家Chi 于1989 年首次提出，他將自我解釋定義為學習者在樣例學習或閱讀文章的過程中， 為了解釋句子或澄清句子所做出的陳述性推理 （Chi， Bassok，Lewis， Reimann， ＆ Glaser， 1989）。 也有研究者將自我解釋界定為在教學情景中， 學習者向其自身做出解釋，以此力圖理解新信息的活動，是一種學習者經常使用的用于幫助自己理解以各種方式呈現出來的外部信息的加工過程 （吳慶麟， 杜偉宇， 2003）。自我解釋除了有助于增加理解（Palincsar ＆ Brown，1984）之外，還有助于增加讀者準確判斷他們理解的能力，即元認知（Griffin， Wiley， ＆ Thiede， 2008）。而在ARA 教學游戲中，自我解釋原則主要應用于前兩個模塊。 首先，在基礎訓練模塊中，玩家會不斷地學習有關科學概念的基本知識， 而教學系統會向玩家提出一些反思問題，讓玩家對相關概念進行解釋，以此來促進對學習材料的進一步加工。 到了第二個模塊試驗模塊中，當玩家找到研究中存在的缺陷時，系統還會要求玩家進一步闡述為什么選擇這種缺陷。正是通過自我解釋這種方式，學習者對學習材料進行深層次加工，確定已有的誤解，修復心理的認知模型，從而構建新的認識圖式，最后促進更深層次的學習（Mayer， 2014）。

4.3 分散學習效應

分散學習效應（spacing effect）是指分散學習的學習效果優于集中學習的現象。 分散學習效應是一種穩定且強勁的現象，除了一些非常短的時間間隔，這一效應在大多數情況下均能觀察到（Cepeda，Pashler， Vul， Wixted， ＆ Rohrer， 2006）。

在集中學習條件下， 同一類別樣例是連續呈現的， 而分散學習則是不同類別樣例連續呈現。 這在ARA 教學游戲中也有所體現，即某個概念以及實例在學生初次學習后， 會在不同階段以不同的形式再次呈現給學生。 具體表現為：隨著游戲的進行，學生從一個模塊進入到另一個模塊， 他們對科學概念和科學原理的理解也在不斷地接受測試。 在基礎訓練中， 學生在每一章結束時會回答一些與該章節主題相關的問題，然后與虛擬人物進行三段論討論，以加強對章節內容的理解。 而學生在試驗場模塊對案例進行評估時， 他們對每一個案例都必須運用或者提取在基礎模塊中學到的科學概念， 以此來確定研究是可靠的還是有缺陷的。換句話說，學生在基礎訓練模塊和試驗模塊中， 都會接觸到相同的概念以及實例。因此，學生將會在游戲中的不同時間段學習并提取這些概念。

4.4 編碼可變性

學習的最終目標是學生能夠將學到的信息應用到新的環境中。 編碼可變性（Encoding variability）指的是，當學習期間的材料具有可變性時，更有利于在新環境中的應用 （Bransford， Sherwood， Hasselbring， Kinzer， ＆ Williams， 1990； Halpern， 2002）。學習過程中的變異性對提高長期記憶和增強知識遷移具有重要作用，由于使用不同科學領域的例子，學生們需要專注于基本的科學原理， 這實際上使學習更加困難。 盡管學習條件的變化使學習者需要付出更多的努力，然而在評估長期記憶時，也會獲得更好的學習效益。 用認知心理學的觀點來說，和提取練習一樣，當學習發生在不同的條件下，關鍵詞的想法有“多種提取線索”，因此在記憶中更“有效”。 例如，教育學研究表明，當不同類型的問題和解決方案在同一節課中混合使用時， 可以獲得顯著的學習收益， 盡管在初始學習時可能需要更長的時間（Perry， Samuelson， Malloy， ＆ Schiffer， 2010）。

基于此，ARA 教學游戲中涵蓋了多種不同科學領域的目標概念讓玩家去閱讀與識別，包括心理學、生物學、化學、物理學等。不僅如此，學生在學習過程中所接觸到的研究文章在格式、 示例與插圖上也是不同的，它們讀起來或看起來更像博客、廣告、報紙和雜志文章。 這種內容和格式上的變化實際上就是為了促進將獲得的科學探究技能更好地遷移到其他情境中。而且內置于ARA 教學游戲中的三個不同的階段本身也是變異性最顯著的表現。

5 ARA 游戲化智能教學系統的效果評估

Graesser 和他的同事們基于二十多個實驗研究的分析表明，在多個不同的學科學習領域（物理、計算機信息等）中，使用智能教學系統均帶來了顯著的學習收益 （平均效應量達到 0.8， 屬于大效應）（Graesser et al.， 2012； VanLehn et al.， 2007）。雖然總體而言，ARA 游戲化智能教學系統在實踐中的使用得到了積極的反饋，但它所包含的許多特性（例如分數、 故事情節） 理論上可能會分散學習的注意力，在具體評估其效果時應加以考慮。 例如，故事情節本身可能會擾亂學習， 因為它可能會占用學習核心知識的認知資源 （Adams， Mayer， MacNamara，Koenig， ＆ Wainess， 2012）， 從而導致出現誘惑性細節效應（Seductive details effcet）。 誘惑性細節效應是當前認知教學領域發現的一個現象， 它指當文本中包含有趣但無關緊要的附件（圖片、插入語）時，可能會導致學習效果受消極影響（Garner， Gillingham， ＆ White， 1989）。 產生這種效應的一個原因是學習者圍繞著無關信息來組織材料， 而不是文本主體中的重要信息組織材料 （Harp ＆ Mayer，1998）。

為了檢驗ARA 教學游戲中的故事情節和其他游戲功能對學習效果的影響，Millis 等人對ARA 教學游戲中試驗模塊的游戲因素進行了操縱， 研究者將大學生分到三組學習條件下：游戲組（在ARA 游戲的試驗模塊下學習）、無游戲組（在刪除ARA 游戲試驗模塊的故事情節、圖像的條件下學習）、控制組（不進行任何學習）。除了游戲因素的不同之外，游戲組與無游戲組所學內容材料均相同。正如預期那樣，游戲組學生的成績要優于無游戲學習組， 說明盡管這些材料和反饋有助于學習， 但游戲活動的加入產生了額外的價值（Millis et al.， 2011）。隨后，為了進一步證明ARA 教學游戲對促進學習的有效性，Halpern 等人又以三所不同大學的學生為研究對象，實驗組通過ARA 游戲進行學習，控制組以普通方式學習。 通過計算學習收益比例——公式為（后測-前測）∕（1-前測），發現實驗組的學習收益比例顯著高于控制組， 游戲帶來了積極的學習效果（Halpern et al.， 2012）。

上述發現與一項有關游戲化智能教學系統的元分析報告的結果一致： 學生通過一種教學游戲或者多種教學游戲相結合的方法進行學習時， 游戲化教學的學習效果顯著優于傳統方法；在延遲測試上，游戲化教學的效果也優于傳統方法；在訓練的次數上，與傳統的教學方法相比， 多次訓練后的游戲化教學將產生更高的學習收益。當只進行一次訓練時，游戲化教學并不比傳統的教學方法更有效（Wouters，Van Nimwegen， Van Oostendorp， ＆ Van Der Spek， 2013）。Mayer（2004）認為，將游戲化教學與其他教學方法相結合之所以能提高效果， 主要是因為游戲作為補充材料提供了反思和知識表達的機會。此外， 最初使用游戲化教學的一個重要原因就是研究者們所謂的動機訴求， 教育游戲的動機吸引力實際上是基于商業電腦游戲的高娛樂價值，因此，游戲因素的加入往往被認為是為增加動機、 增加趣味性的， 而且可能是游戲化智能教學系統發揮作用的重要中介變量。

有趣的是，Wouters 等的元分析報告發現， 與傳統的教學方法相比， 游戲化智能教學并未顯著提高學生的學習動機。這有些反常識，對此，Wouters 等人綜合相關研究提出了三種可能的解釋： 第一種解釋認為，根據自我決定理論，個體對自己的行動做出自由的選擇，強調自我在動機過程中的能動作用，而自主性支持有利于增強內部動機 （Ryan， Rigby， ＆Przybylski， 2006）。 因此，限制控制感或行動自由可能會破壞內在動機。 休閑電腦游戲與教學游戲的本質區別在于前者是由玩家選擇的， 玩家可以隨時玩游戲，想玩多久就玩多久，而對于教育游戲而言，所使用的游戲類型和游戲時間一般由相關課程來定義。因此，在教學背景下缺乏對這些決定的控制感可能削弱了教育游戲的動機吸引力。第二種解釋認為，注重娛樂的游戲設計與注重學習的教學設計之間的聯系并不自然。為了創造有趣吸引人的教育游戲，必須解決好學習與游戲、 自由與控制之間的關系（De Castell ＆ Jenson， 2003； Wouters， Van Oostendorp， Boonekamp， ＆ Van der Spek， 2011）。例如，通過彈出式提示框來向玩家反映信息， 從教學設計的角度來看，這種反饋可能會產生好的學習效果，但這樣的干預也有可能會擾亂游戲的進程， 從而破壞游戲的娛樂性。 第三種解釋認為測量動機水平的方式方法也可能是影響因素之一。 在元分析報告的31個成對比較結果中，有30 個采用游戲結束后進行問卷調查的方法來測量動機。 而游戲結束后玩家的動機可能會減弱， 因此在游戲結束后進行問卷調查所測得的動機水平可能存在偏差。 有一項研究以游戲過程中觀察到的學習者的參與程度評分來衡量動機水平， 發現游戲組比接受練習和小組討論的對照組更有動力 （Annetta， Minogue， Holmes， ＆ Cheng，2009）。

6 小結

本文基于ARA 游戲化智能教學系統，分析了智能教學系統中蘊含的認知科學原則以及現實應用的教學效果， 并以此為例說明了人工智能原理是如何應用于教育領域的。 智能教學系統作為人工智能技術在教育領域的典型應用，在實驗對比條件下，其教學效果優于傳統教學模式， 這已經得到眾多實證研究的支持。但同時，對游戲化智能教學系統的優勢和可能存在的局限應有客觀而謹慎的認識。

首先，相對于傳統教學方式，智能教學系統在個性化教學、反饋、教學互動方面有其獨特的優勢。 在個性化教學方面， 不同于一般的計算機輔助學習系統，智能教學系統更加靈活，在人工智能技術的支撐下，系統軟件用計算機扮演教師的角色，并能根據學習者當下的知識水平特征、認知特點等，對學生實施個別化教學，對不同特征的學生教授知識。在反饋方面，由于參與了學生學習的全過程，它可以通過對學生學習過程行為數據的感知、跟蹤、收集，對學習效果進行分析、評價（如學生的出錯率、成績、目前的學習行為、目前的情緒狀態），并據此給予指導反饋，通過調整教學進度、選擇最合適的內容、優化教學組織形式來確保學生所學內容與其自身需求與能力相匹配，進而有效促進學習。 在人際互動方面，傳統教學方式（尤其是講授式教學）的短板是學生較易處于被動學習地位， 而智能教學系統可以幫助提供更具互動性的教學，它甚至可以從視覺、聽覺、觸覺來影響人們的認知。 同時，當學生完成一定學習任務時，智能導師會及時提供積極評價， 未完成時給予即時的監督鼓勵。這種經常性、及時的反饋有助于促進學生積極主動地去學習。 確實，已有研究表明，適應性學習、反饋、人際互動這幾點都是促進深度學習的必需因素（朱莎， 余麗芹， 石映輝， 2017）。

另一方面， 盡管游戲化智能教學系統在實踐中的應用得到了積極反饋， 但其在未來的發展與應用上還應注意以下幾點問題。在設計上，游戲化智能教學系統存在的一個主要問題就是如何更好地將學習任務整合到游戲故事中， 真正的整合意味著游戲關卡的推進、 故事情節的推動要在學習者成功地學習和應用新的主題知識之后才能繼續。 如果僅僅將游戲和學習結合起來， 而游戲的敘述和學習部分不統一 ， 并不能 促 進 學 習 （Seelhammer， Grebe， ＆Niegemann， 2009）。毫無疑問，這將是一個巨大的設計挑戰， 游戲化智能教學系統的設計需要游戲設計師、教學設計師和主題知識專家深入合作才能完成。在游戲類型的選擇上， 需要慎重考慮所選游戲類型與學校課程、教學目標之間的適配性。已有所使用的游戲具有很高的異質性， 包含了模擬游戲、 拼圖游戲、冒險游戲、棋盤游戲、動作游戲、策略游戲和商業模擬游戲等， 它們在游戲類型、 媒體格式 （2D 或3D）、時間框架、游戲設計和教學支持功能方面都各不相同。哪種游戲與學習目標更為適切，是未來研究有待明確的問題。在生態應用上，如何將游戲化智能教學系統應用于現有的教學體系也是一個挑戰。 對于已運行在“教師、黑板、教科書”生態中的學校教育而言， 智能教學系統的融入可能需要重構原有的課程規劃，改變原有的教學設計。 例如，美國賓夕法尼亞州匹茲堡學區的智能教學系統（cognitive tutor）教學改革實驗之所以成功， 部分原因是研究者擁有重構課程與教學的權力及資源， 學區按照研究者的需求， 重新設計了數學課程與教學 （Koedinger， Anderson， Hadley， ＆ Mark， 1997）。 顯然，這是需要多方協調的系統工程。