智能導師系統研究進展與發展趨勢

梁迎麗

（南京郵電大學教育科學與技術學院，江蘇南京 210023）

0 引言

新一代人工智能技術取得了突破性進展，并不斷深入應用到各個行業和研究領域。在教育領域，基于人工智能技術的智能導師系統（Intelligent Tutoring System，ITS）成為當前研究熱點，其目的是模擬人類教師實現一對一個性化教學。智能導師系統由早期的CAI 發展而來，隨著認知科學理論及人工智能技術的發展而不斷演進。高度交叉的智能導師系統不僅涉及計算機科學、信息科學和人工智能等硬科學，而且還涉及認知科學、教育心理學和語言學等軟科學。如今，智能導師系統在數學、物理、醫學、信息與計算機科學等學科教育教學中應用廣泛，滿足學生的個性化學習需要，極大提升了學生的學習效率和效果［1-3］，尤其在疫情期間有力保障了超大規模在線學習活動的順利開展。

1 智能導師系統體系結構

傳統的教育學理論認為，教學系統由教師、學生、教學內容三大要素構成。在實際教學中，教師的教學活動通常包括［4］：①解釋關于某個主題的核心知識；②講解如何在給定領域應用知識來解決問題；③提供問題解決的一些例子；④在問題解決過程中，通過提供線索和糾正信息來支持學生；⑤分析學生的解決方案并解釋錯誤；⑥考慮學生的學習目標和經驗，對后續相關活動提出建議。ITS 體系結構由教學模型、學生模型和領域模型組成，分別與教學系統的教師、學生、教學內容三大要素一一對應。其中，教學模型模擬了實際教學中的教師角色，學生模型模擬了實際教學中的學生，領域模型模擬了實際教學中的教學內容，其對應關系如圖1 所示。ITS 的這種體系結構被稱為“三角模型”。可以說，教學系統三要素的基本理論有效地解釋、支撐和保障了ITS 體系結構的科學性，奠定了ITS 的理論基礎，是ITS 有效模擬人類教師實現一對一個性化教學的重要依據。

Fig.1 Correspondence between ITS“triangular model”and the three elements of teaching圖1 ITS“三角模型”與教學三要素的對應關系

在ITS 體系結構中，領域模型又稱為專家知識，通常由產生式規則、層次結構、本體、語義網絡和框架的形式表示領域基本概念、規則和問題解決策略，其關鍵作用是實現知識的自動推理功能。學生模型是ITS 的核心組成部分，它動態描述了學生在學習過程中的認知水平、情感狀態以及學習過程中的進步情況。學生模型的主要功能體現在：①收集關于學習者的顯性和隱性（推理）數據；②能夠用這些數據表示學生的知識水平；③作為解釋學生知識水平并為其選擇最優教學策略的依據。教學模型根據領域模型和學生模型的輸入數據，選擇適合學生的教學策略和活動安排。通常教學模型與學生的高度交互主要通過人機交互界面實現，通過創設各種形式的學習環境，為學生提供與領域知識的接口通道。因此，有研究者認為ITS 體系結構中應增加接口部分。

2 智能導師系統研究進展

圍繞ITS 系統結構的3 個組成部分，結合教學中的實際應用，ITS 理論、方法和技術研究在多學科教學應用領域展開。

2.1 領域模型

為了使ITS 具有人類教師的智能，首先要具有清晰的領域知識表示能力，其次要具有知識的自動推理能力，能夠解決領域內的問題。因此，在ITS 研究領域中，具有推理能力的領域知識模型研究十分重要。為了讓計算機表示出人類知識，需要弄清楚人類知識是如何表示的。心理學家和認知科學研究者從認識論角度出發，對人類的知識表示及其推理進行研究。在此基礎上，心理學與計算機科學家構建了一些表示人類知識規則和推理機制的認知模型，如美國卡內基·梅隆大學提出的ACT-R（Adaptive Control of Thought-Rational，ACT-R）認知架構，是關于人類認知總體結構的計算模型和開發認知模型的軟件平臺，用以仿真并理解人的認知理論，其目標是使系統能夠執行人類的各種認知任務。一些ITS 的早期版本都采用了ACT-R 的產生式規則，如Algebra Tutor、Geometry Tutor 和LISP Tutor。要想實現知識表示與自動推理，就必須訴諸于一定的技術手段。知識表示是人工智能研究最基本的問題之一，人工智能的研究成果為教育應用ITS 提供了廣泛的基礎。人工智能知識表示方法體系如圖2 所示。其中，產生式規則和約束、語義網絡和本體是ITS 領域模型最常用的幾種方法。

Fig.2 Knowledge representation system圖2 知識表示方法體系

產生式規則以If Condition Then Action 的形式描述，將規則作為知識的單位，其語義含義是：如果前件滿足，則可得到后件的結論或執行后件的相應動作。該領域模型能夠幫助系統理解學生的思維和問題解決方法。卡內基梅隆大學人機交互研究中心采用產生式規則的領域模型開發了幾何認知導師系統［5］（Geometry Cognitive Tutor，CCT），在美國的高中和初中數學課中，已有數萬名學生使用該類型的認知智能導師系統，教學效果顯著。為克服產生式規則領域建模的復雜性，有研究者提出使用基于約束的建模方法（Constraint-Based Modeling，CBM）。CBM 將問題解決方案表示為抽象的約束條件，約束與產生式規則區別在于：產生式規則的結論或動作由前提條件觸發，而約束條件由結果觸發。SQL-Tutor［6］是采用該領域模型方法的系統之一，它由新西蘭坎特伯雷大學計算機科學與軟件工程系智能計算導師小組研發，在CBM 理論基礎上進行了擴展、測試，至今已有十余年教學應用歷史。

語義網絡和本體都通過帶有標記的有向圖進行知識表示，適合于邏輯推理。本體是面向特定領域公認的概念，其描述深度大于語義網絡。目前，通過自動化構建領域本體的方法成為領域建模新途徑。用領域本體表示知識具有兩方面優勢：①其標準形式使其具有共享性和重用性；②其形式化結構使知識表示和推理過程實現一定程度的自動化，稱為“本體學習”技術。其用來實現知識的自動化提取，如可根據不同形態的知識源（文本、數據庫、XML文檔等）提取不同的知識類型（概念、分類、概念關系、屬性、實例、公理等），然后構建本體或者更新已有的本體。文獻［7］描述了MATHESIS 本體，開發了可重用的數學導師編輯環境。MATHESIS 本體提供了具有語義的、可重用的、開發模型追蹤導師系統所需的陳述性和過程性知識，加快了模型追蹤導師系統的敏捷開發。

2.2 學生模型

學生模型是對學生個人知識技能水平、認知特征、學習風格和情感狀態等信息的數字化表示，其中，學生的知識技能水平是關鍵信息。學生模型的主要作用是為教學模型提供決策依據。只有清晰準確地描述學生當前的水平與狀態，才能在教學模型作用下實現個性化教學。因此，學生模型是ITS 的核心。

傳統的覆蓋模型、偏差模型和貝葉斯網絡模型通常用于構建學生模型。雖然這些模型提出了較為有效的解決思路，但其在學生能力、狀態水平和特征的刻畫等方面仍存在很大的不確定性。在此基礎上，一部分研究者采用了神經網絡、模糊神經網絡模型和模糊邏輯算法等數學模型來提高學生模型的有效性和準確度；同時，也有一大部分研究者采用數據挖掘方法從學生學習記錄數據中挖取有效信息。對學生模型數據挖掘的方法有聚類、分類、預測、關聯、決策樹、時間序列、模式挖掘和文本挖掘等。其中，聚類、分類方法可以檢測學生的行為，對學生進行分組分類；預測的方法可以預測學生的行為表現；關聯挖掘可以揭示學習內容序列之間的聯系，以實施合適的教學策略；決策樹方法可以識別學生的認知特征，判斷學生是否為新手還是經驗豐富；模式挖掘可以揭示學生行為之間的模式規律，推斷學生的個性特征，為泛在學習情境研究提供支持。

值得注意的是，學生的情感狀態極大影響到學習效率和效果［8］。因此，情感狀態是學生模型的重要組成部分［9］。ITS 對學生情感的研究主要聚焦于情感感知、情感識別與情感引導3 個方面。文獻［10］提出基于語音和情感識別的計算機口語對話導師系統，在促進口語對話導師系統自動適應學生情感狀態方面做了重要的研究工作。該研究首先創建了人機對話語料庫，當學生情感發生消極、中立和積極性變化時，在語料庫中進行標注。然后，從學生的言語中自動提取聲音韻律特征，從轉錄的言語中提取實詞項。通過所提取的上述特征，預測學生在講話過程中情感的變化；文獻［11］采用了基于統計的語音識別方法，根據ITS 中學生與系統的交互信息進行情感推理；文獻［12］采用傳感器測量學生的心率、血壓、皮電反應、呼吸頻率等信息，感知學生的心理生理狀態，并對其進行調節。有研究提出利用深度學習算法進行情感識別［13］，借助于ITS 中用戶的面部表情與其肢體動作的相關性，構建關于面部表情的數據庫并提取相關特征，采用視覺—面部表情與鍵盤敲擊動作相結合的情感識別方式。實驗結果表明該混合方式能有效促進ITS 用戶情感識別。學生情感識別與引導研究主要從認知科學的研究角度出發，借助情感代理Agent或AI 技術進行情感推理，識別學生的情感狀態并進行引導。針對獲取的信息制定合適的系統交互策略，如調節環境、任務強度等，增強學生的動機意識。通過設置人機交互代理的方法建立情感同伴，預測和引導學生的受挫情感問題。

2.3 教學模型

學生知識技能水平及其情感狀態等特征是進行教學決策的依據。因此，如何構建與學習者的交互環境，從中獲取學生當前的知識技能水平和情感狀態等信息，是ITS教學模型研究的首要問題。ITS 教學模型的作用主要體現在與學生的交互過程中，通過適應性決策選取適合的教學策略，并推薦個性化學習資源以主動適應學生需要。

教學模型主要模擬教師的教學過程。教師通常具有學科領域知識，具有認知和學習能力以及相應的教學策略，這些特征為教學模型的實現提供了幾種可借鑒方法：①觀察教師的教學活動并對其進行模擬；②觀察真實情境下學生和系統的交互情況并將其作為參考；③借鑒學習理論的研究成果并將其作為理論指導依據。盡管如此，ITS系統與學生人機交互的計算機輔助教學，與師生面對面交流與溝通的課堂教學存在很大差異。考慮到這些差異，方法③成為教師模型實現的有效途徑。Bloom 的掌握學習理論、Vigotsky 的最近發展區理論、Gagne 的教學設計理論，以及協作與社會化學習理論以及交互設計理論，是實現教學模型適應決策的理論依據。

個性化教學尊重學習者的個性特征，如學習風格、興趣、特長等，以滿足學習者個性化需求為目標。ITS 中個性化教學體現在學生模型基礎上，依據學生特征向其提供個性化的學習路徑、學習內容、學習策略和學習伙伴等資源。如通過概念圖模型建立領域知識結構，通過診斷與測試單元測評出學生未掌握的知識點，然后生成個性化學習路徑推薦給學生。在對情境感知的泛在學習研究中，采用啟發式路徑算法為學生尋求最佳的學習路徑［14］。值得注意的是，已有的資源推薦研究忽視了學習者能力水平這一重要因素。有研究者提出以項目反應理論為基礎，根據學習內容的難易程度以及學生的能力水平，向學生推薦個性化學習路徑。同時，個性化課程序列也能促進學生的個性化學習。文獻［15］利用貝葉斯網絡和模糊邏輯開發了用于高校教學的智能導師系統，有效提高了學生成績。

交互式環境設計和及時有效的教學反饋是ITS 促進個性化教學的重要環節和有效方式，是教學模型的主要任務。研究表明，為學生提供交互式學習環境和即時反饋對于在線學習和智能教學至關重要。引導性反饋、參與式反饋教學等理念為教學模型交互環境和反饋功能的實現提供了理論指導。如編程教育中的智能導師系統［16］，應用了知識追蹤、多模態學習感知、深度學習等相關技術，設計了可視化和支持協作的交互式程序設計學習環境，為中小學階段的編程學習提供了智能化輔導和支持。如批改網是用于輔助大學英語教學的一種智能導師系統［17］，該系統以大型語料庫為基礎，基于自然語言處理技術等算法實現對學生英語詞匯、句法、篇章結構、內容等多個方面的智能評價，并提供拓展辨析、學習提示、推薦表達、語法搭配等方面的即時反饋與內容推薦，能夠及時解決學生學習過程中存在的問題，糾正典型的語言錯誤，有效提高學生的英語學習效率。此外，有研究者將認知導師創作工具（The Cog?nitive Tutor Authoring Tools，CTAT）嵌入于大規模在線開放課程MOOC 平臺中，有效提升了學習者“做中學”的積極性［18］。

實踐表明，教學模型復雜性高，具有極大的不確定性。如何選取簡單有效的教學策略，并通過交互式環境設計和即時反饋等方式向學生推薦個性化學習資源，是有效實現一對一個性化教學的關鍵，也是當前教學模型研究面臨的難題。

2.4 相互關系

ITS 所有功能都表現在學習者與系統的交互過程中，交互環境設計是ITS 實現的重要前提，測評數據是實現學生模型的重要依據，教學模型是領域模型和學生模型之間的橋梁。教學模型根據領域知識及其推理，依據學生模型反映的學生當前知識技能水平，作出適應性決策，并向學習者提供個性化的資源推薦和學習支持服務，最終實現一對一個性化教學目標。

事實上，在眾多的ITS 教學系統中，領域模型、學生模型與教學模型三者之間是相互依賴和相輔相成的，其相互關系如圖3 所示。首先，學生模型是ITS 的核心與關鍵，它的重要性體現在：從理論的角度分析，學生是教學過程的主體，以學生為中心的教學設計等活動需要尊重學生的學習風格、知識水平、情感態度、生理心理狀態等個性化特征，如此才能實現有效教學；從技術的角度分析，要想實現學生個性化特征等信息的數字化和智能化表示，必須借助于人工智能等技術，將學生知識水平和情感狀態等個性化特征進行科學的量化分析，并將其作為學習支持服務的根本依據，在此基礎上才能實現個性化的智能輔導。其次，教學模型是領域模型和學生模型之間的紐帶，教學模型的實質是作出適應性決策和提供個性化的資源推薦服務。教學模型根據學生模型所反映的學生特征，尤其是知識和能力水平、情感狀態等個性化特征，對學生當前的整體狀態進行識別和判斷，并從領域模型所包含的知識和策略庫中選取針對性的學習資源，通過一定的策略推薦給學生，由此從技術層面實現“因材施教”的教育理念。最后，領域模型和學生模型是教學模型功能實現的基礎。領域模型的知識表示與自動推理、學生知識水平和情感狀態的數字化表示，為智能教學提供了教育科學層面的根本遵循。

Fig.3 Relationship between domain model，learner model and teaching model圖3 領域模型、學生模型與教學模型的相互關系

由此可見，ITS 中的領域模型是學科知識體系的科學化和系統化表示，知識表示與自動推理是領域模型的最重要功能；學生模型依賴于智能測評技術，是學生學習水平與情感狀態等學習特征的數字化表示，是反映學生個性化特征的重要依據；教學模型根據學生模型所體現的知識水平等信息，借助于領域模型作出個性化判斷和適應性決策，向學生推薦個性化學習資源，并通過智能測評促進學生不斷學習。

3 智能導師系統發展趨勢

當前，新一代人工智能技術正在推動教育領域的深層次變革。技術的進步與教育理念的革新，將進一步推動智能導師系統的創新發展。有研究指出，游戲化和社交功能是未來智能導師系統的發展方向，智能輔導的有效性研究是未來智能導師系統關注的突出問題［19-20］。在對智能導師系統領域模型、學生模型與教學模型的相互關系分析基礎上，本研究認為自動化測評和個性化資源推薦是決定未來智能導師系統發展趨勢的關鍵性因素。

當前，評價理論和學習理論互相促進發展，測評系統與ITS 日漸融合，自動化測評已成為個性化學習系統的決定性因素。這種決定性主要表現在兩個方面：①測評是獲取學生特征，尤其是學生知識、技能水平等主要特征的重要來源；②測評數據是以學生模型為基礎，實現個性化資源推薦的重要依據。通常，ITS 通過分析學生與系統的交互過程和學習記錄收集學生學習能力信息。但傳統的學生模型往往側重于學生學習風格、興趣和情感狀態等特征的描述，忽略了學生的知識技能水平這一主要因素。事實上，測評數據是反映學生知識技能水平的重要來源。計算機輔助測評（Computer Assisted Assessment，CAA）系統的應用引發了評價內容、方法和形式的深刻變革，尤其是自動化測評技術已經成為實現知識和技能測評的重要手段。在技能訓練方面，CAA 能夠創設高度交互的、有意義的問題解決情境，注重學生解決問題能力的培養，且自動化測評結果具有客觀性、一致性、高效率和高可用性等優點，能夠為教師的教學決策提供真實可靠的依據。因此，自動化測評技術將極大地提升學生模型的準確性，為個性化學習奠定基礎。

教學模型是領域模型和學生模型的橋梁，其實質是做出適應性決策和提供個性化資源推薦服務。也就是說，教學模型根據學生模型所反映的知識技能水平，從領域模型中選取合適的資源推薦給學生，并以恰當的教學策略為指導，實現一對一個性化教學。由此，教學模型實現一對一個性化教學的過程即是適應性教學策略選取和個性化資源推薦算法的實現過程。適應性教學策略選擇是資源個性化推薦的前提，其表現在兩個方面：①在適應性教學策略選擇方面，這種適應性表現為多個層次，從適應性應答學生的表現、適應學生的知識水平、幫助學生取得具體目標，到對學生的情感狀態做出適應性反應，提供適應學生元認知能力的幫助。然而，正如前文所述，教學模型具有極大的復雜性，如何選取簡單有效的教學策略是當前教學模型研究面臨的難題。針對此問題，“因材施教”是最簡單且最有效的教學策略，即根據學生的知識技能水平，向其提供適合該水平的學習資源；②在個性化資源推薦算法方面，學習資源包括學習路徑、學習內容、學習策略和學習伙伴等類型，但已有的個性化推薦服務僅考慮學生的學習風格、偏好和興趣等特征，忽視了最重要的學生能力特征，最終造成信息過載、認知超負荷和缺乏適應機制等問題。針對該問題，本文認為資源推薦算法應以滿足學習者能力水平的學習需求為主要目標。從測評數據反映學生能力水平的重要指標角度分析，自動化測評將是實現個性化資源推薦的重要基礎。

4 結語

新一代人工智能技術給智能導師系統帶來了新的發展機遇。面對突如其來的新冠疫情，智能導師系統通過模擬人類教師的教學和輔導，為在線學習者提供了有針對性的、個性化的學習支持服務，有效保障了疫情期間在線教學秩序，為全球教育體系提供了技術保障。本研究詳細分析了ITS 體系結構中的領域模型、學生模型和教師模型及其之間的關系，在此基礎上進一步指出自動化測評技術是實現學生模型的關鍵性方法與技術，是教師模型做出適應性教學策略選擇和實現個性化資源推薦的重要基礎，并提出CAA 技術是當前ITS 研究的突破口。可以預見，在新的學習理論指導下，以適應性決策和個性化推薦技術為基礎，借助于人工智能技術的不斷進步實現人機協同學習，將是智能導師系統未來的發展方向。