人機智能協同的作業輔導：動因、框架及應用研究
2023-06-16 20:44:28夏雪瑩李玉斌王旭光姚巧紅
電化教育研究 2023年6期
夏雪瑩 李玉斌 王旭光 姚巧紅
[摘? ?要] 在“雙減”政策背景下，研究如何開發擺脫答案供給式輔導模式，強化高階思維發展、元認知調節與情感激勵作用的新一代智能作業輔導系統框架成為當前智能學習系統需要突破的關鍵性技術之一。文章針對當前智能作業輔導系統關鍵環節存在的學習者多元隱性特征難以挖掘、高階思維能力難以引導與培養、輔導策略屬性缺乏精細設計以及輔導效果驗證數據支撐不足等問題，采用人機智能協同的技術破解路線，構建了以學習者多元數據和作業題面信息智能采集為起點、專家經驗與機器智能協同決策為基礎、融入元認知調節策略，結合輔導策略知識圖譜，以促進學習者高階思維能力發展的新一代智能作業輔導系統框架，自動生成服務于不同學習者的以知識掌握與思維發展并重為目標的個性化輔導方案，并在原型設計基礎上結合實例進行應用分析，以推動作業輔導精準化、智能化實現。
[關鍵詞] 智能作業輔導； 人機智能協同； 學習分析； 框架構建
[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A
[作者簡介] 夏雪瑩（1994—），女，安徽宿州人。博士研究生，主要從事人工智能教育應用研究。E-mail：1379505730@qq.com。姚巧紅為通訊作者，E-mail：lnnuyao2023@126.com。
一、引? ?言
2021年7月，中共中央辦公廳、國務院辦公廳印發的《關于進一步減輕義務教育階段學生作業負擔和校外培訓負擔的意見》指出，“線上培訓機構不得提供和傳播拍照搜題等惰化學生思維能力、影響學生獨立思考、違背教育教學規律的不良學習方法”[1]。也就是說，作業輔導要把促進學習者內在知識建構、認知發展、元認知能力提升和高階思維能力發展放在首位[2]，擺脫答案供給式的輔導模式。為此，構建新一代智能作業輔導模式受到廣泛關注。那么，如何在以往學科教師作業輔導經驗的基礎上，充分發揮智能技術在作業輔導中的關鍵作用，以實現思維發展、元認知調節與情感激勵的個性化作業輔導呢？顯然，人機智能協同是可行且當下必然的實現路徑[3]，即在機器學習算法支持下，通過收集學習者的歷史學習記錄與作業題面信息，以確定學習輔導目標。同時，結合專家經驗進行輔導策略的協同標注、檢驗與修正等，最終為學習者提供知識掌握與思維發展并重的個性化輔導方案。為了實現個性化作業輔導并克服已有輔導模式的缺陷，本研究深入分析當前智能作業輔導系統存在的不足，提出新一代人機智能協同的智能作業輔導系統框架，并在原型設計基礎上結合實例進行應用分析，以推動人機智能協同的智能作業輔導研究取得進展。
二、當前智能作業輔導系統存在的不足
作業輔導作為智能輔導系統的核心功能之一，廣泛存在于“AutoTutor”“EER-Tutor”“Bettys Brain”“智慧學伴”“一起作業網”等典型的智能作業輔導系統中。然而，當下在線作業輔導系統在個性化和精準化方面還面臨著不少挑戰。本研究依據問題解決理論[4-5]和波利亞的《怎樣解題》[6]等相關研究成果，將作業輔導的生命周期劃分為輔導目標確定、輔導策略匹配、輔導策略實施和輔導效果驗證等四個關鍵環節，并以此為基礎來分析當前智能作業輔導系統存在的不足。
（一）輔導目標確定：缺乏對學習者多元隱性特征的顯性化挖掘與分析
在確定作業輔導目標時，往往將作業中已知量、未知量和已知條件等作為重要因素[7]，即以正確解答作業為輔導目標確定的依據。而學習者的多元隱性特征具有豐富的語義信息，對其充分挖掘與分析，可提高輔導目標確定的精準度。但已有的作業輔導系統對學習者的多元隱性特征（包括學習者的已有知識體系、學科能力、學習風格、作業情緒和易錯點等信息）考慮不足。當前智能作業輔導系統的局限性體現在對學習者認知能力以外的隱性能力支持不足[8]，進一步限制了作業輔導系統對學習者隱性特征顯性化的挖掘與分析。
（二）輔導策略匹配：難以引導與培養學習者的高階思維能力
已有的輔導策略多以認知能力提升為指引。例如：通過輔導目標確定學習者某個知識點掌握欠佳，便采用推薦知識點對應的微課資源或者習題資源等利于知識點掌握的輔導策略[7]。以上方式在一定程度上能夠解決同類知識點或相似作業等問題，但忽視了對元認知能力[9]、問題解決能力[10]、人機協同學習能力[11]等高階思維能力的引導，難以從根源上解決學習者作業輔導問題。學習作為一個復雜行為過程，需要以高階思維能力提升為培養目標，方可解決作業問題并達到“一通百通”。
（三）輔導策略實施：缺乏對輔導策略屬性的精細設計
在已有的智能輔導系統中，輔導過程通常包括兩層循環，其內循環用于實現疑難問題的分步提示、反饋與輔導；外循環用于實現學習任務或資源的推薦[12]。但在實際應用中，輔導策略多被當作是單層面實施的過程，并未對輔導策略的具體屬性（如輔導類型、輔導時機、輔導實施方式等）加以考慮。具體而言，輔導類型分為知識點輔導和題目輔導，其對應的輔導策略實施框架存在差異[7]。對于輔導時機，由于眾多研究者對輔導的時長沒有給出統一說明，導致同樣是即時輔導卻對學習成效產生差異性影響[13]，但有效的輔導應具備及時性與持續性已被證實[14]。對于輔導實施方式，可分為人工輔導、機器輔導和人機協同輔導三類。同時，隨著傳統教育不斷向智慧教育范式[15]轉型與發展，智慧教育需要回應智能時代的挑戰，更應關注核心素養，培養全面發展的人。也就是說，智能技術支持的作業輔導系統不僅提供以知識內容掌握為基本目標的學習支持，而且走向培養學習者在不同概念、不同觀點之間發現連接、識別范式和創新意義的能力[16]。以上功能的實現離不開對輔導策略屬性的精細設計。
（四）輔導效果驗證：構建因果關系數據支撐不足
針對輔導系統是否有效，研究者做了大量的實證研究，但測評結果不夠精細，很難從輔導系統的學習行為數據中找到驗證輔導效果的支撐證據[17]。在實證研究中，研究者可嘗試采用基于因果關系的輔導效果驗證方法[18]。例如：為驗證輔導系統中推薦輔導方案的有效性，學習者可自由選擇是否遵從輔導方案，同時收集過程性輔導行為數據，最終得出是否采納輔導方案與請求輔導次數、學習收益、作業量、作業嘗試次數等要素間的因果結構關系，系統地驗證輔導效果的有效性。
綜上所述，當前智能作業輔導系統確實存在一些不足，計算機與人類專家相結合確實在作業輔導中能夠起到解決一些輔導系統難題、提高作業輔導效率和質量的作用，因此，深入研究新一代人機智能協同的智能作業輔導系統框架具有重要的現實與教育意義。
三、基于人機智能協同的作業輔導框架
基于上述分析，要想實現智能化的作業輔導，單純依據專家經驗或者機器智能均難以達成。由此，將專家智慧與機器智能有機融合是實現智能作業輔導的可行之策。
（一）作業輔導的人機智能協同理念
隨著人工智能技術的迅速發展，基于數據驅動的機器學習可以幫助人類更好地分析與解決問題[19]，提高了人類智慧決策的科學性。但考慮到人工智能僅在定義明確、擁有大數據的任務中具有良好的效果[20]，其在復雜問題推理、情感動機激發等方面遜于知識驅動的專家經驗[21]。因此，針對以學習者高階思維能力培養、情感動機激勵等為目標的教育領域，機器智能難以完全替代人類智慧；同樣，人類智慧也難以達到機器智能的客觀性與實時性。例如：在作業輔導中，機器收集學習者的歷史答題記錄，計算出學習者個性特征的各項指標，結合作業題面信息自動抽取出相關知識點與能力要求，判斷出作業輔導目標，但機器無法識別與解決新的輔導目標，同時，機器也較難直接在學習者情感、態度、價值觀層面實施深層輔導[22]。顯然，機器提供的輔導多為自動評估、智能推薦等功能[23-24]，人類專家可基于自身教學經驗，在輔導目標屬性的檢驗、輔導策略標注、輔導策略鏈的決策與修正，以及輔導策略組織框架的預設等方面發揮作用，但由于人類專家能力與精力有限，難以對大規模的學習者展開個性化作業輔導。因此，僅依賴專家或者機器均難以實現兼顧個性化、規?；淖鳂I輔導，需要通過人機交互達到專家智慧與機器智能的有機融合，最終形成人機智能協同新生態，構建有效的作業輔導人機協同機制[19]。
參考以上人機智能協同理念，本研究在波利亞提出的“怎樣解題四環節”基礎上，充分考慮當前智能作業輔導存在的不足，以實現面向人機智能協同的智能作業輔導，如圖1所示。以初中數學作業輔導為例，具體闡述面向人機智能協同的作業輔導理念，可概括為四步：第一步是理解數學作業試題，采用對試題的已知量、已知數據和未知量等主要部分進行提問的方式，將系統的題意理解與專家經驗相結合，以確定輔導目標；第二步是為作業解答擬訂方案，采用元認知提問的方式，引導學習者構建作業解答思路，并提示學習者建立已知數據與未知量之間的聯系，同時關注專家教師對學習者高階思維能力的引導與培養，以匹配輔導策略；第三步是執行作業解答方案，采用元認知提問的方式，引導學習者檢查每一個步驟，同時考慮輔導策略的類型、時機和方式等屬性的精細設計，以實施輔導方案；第四步是回顧作業解答結果，即檢查已經得到的解答，同時關注輔導行為數據間的因果結構關系，以驗證輔導效果。
（二）人機智能協同理念下的作業輔導框架
基于人機智能協同理念，結合波利亞“怎樣解題四環節”的成果，本研究提出了人機智能協同的作業輔導框架（Human-Machine Intelligence Collaboration Framework for Homework Tutoring，簡稱HMIC-FHT）， 如圖2所示。該框架以學習者個性特征信息和作業題面信息等數據收集為入口，伴隨式采集學習者的歷史作答數據，基于人機協同診斷以確定輔導目標；依據輔導策略知識圖譜匹配輔導策略；結合不同學科特點實施輔導策略方案并反饋輔導效果，修正人機協同的作業輔導方案，由此構建智能作業輔導的閉合回路。
1． 學習者多元特征數據和作業題面信息的收集
學習者多元特征數據與作業題面信息的獲取與分析是實施智能作業輔導的首要條件。近幾年，研究者從不同的研究視角出發，刻畫了多元化的學習者特征，集中體現在學習者的知識結構狀態、學科能力水平、情感態度、學習風格、易錯點等方面[25-26]。本研究結合作業輔導中的學科作業特征，以及學習者個性特征的動態性，采用了專家智慧和機器智能協同的方式，獲取學習者多元特征數據和作業題面信息。例如：采用問卷或量表的方式獲取學習者的情感態度和學習風格特征；采用最新的知識追蹤算法和分類算法，自動計算出學習者的學科知識狀態、學科能力水平和常見易錯點等信息。其中，學科知識狀態描述了學習者在指定學科、年級、章節對應的知識點掌握狀態；學科能力水平刻畫了學習者開展學習或問題解決活動所需的學科能力層級，已有研究者將學科能力定義為若干維度，且不同的學科對應不同的維度層級[27]；常見易錯點描述了作業試題對應的常見錯誤類型，且不同學科試題對應的常見易錯點存在差異。
根據不同學科作業的特點，作業題面信息的獲取與分析稍有差異。以數學學科為例，波利亞在《怎樣解題》中強調理解題意的重要性，這就要求機器可以自動識別出題目關鍵信息以達到自動理解題意的目的。已有學者嘗試采用句模與模糊匹配[28]、事件抽取[29]等方式對初中數學題目進行題意理解，取得了良好效果。
2. 融合學習者畫像和作業題面信息的輔導目標確定
輔導目標確定的前提是對學習者畫像和作業題面信息進行全面、準確、動態的刻畫，因此，構建題意理解和學習者畫像模型是確定輔導目標的基礎。本研究從特征層、表現層和發展層等三個層面入手[30]。其中，特征層除了表征學習者的個性特征，如基本信息、學習風格、易錯點等信息，還表征作業題面的特征信息，如作業類型、所屬章節、考查知識點以及學科能力層級等信息。表現層刻畫了學習者在作答作業過程中所呈現出的“最近發展區”，即正確作答作業所要求的知識、能力層級與學習者已有知識、能力層級之間的差距。此類數據屬于復雜抽象信息且是動態變化的，主要基于已有的作答記錄和學習者個性特征進行綜合挖掘、刻畫與分析得到。發展層反映了學習者的課程期望目標、個人發展目標等，此類數據可通過問卷獲取。因此，基于特征層的學習者特征和作業題面信息，以發展層為目標，結合表現層所呈現的作業輔導“最近發展區”的實時數據，建立對應的作業輔導目標診斷模型，便可判斷不同學習者的作業輔導目標。
不同的學習者特征和作業信息輔導目標差異較大，因此，輔導目標實體主要包括五個屬性，可表示為A=
3. 基于知識圖譜的輔導策略匹配
實現智能作業輔導的前提是構建具有專業性、全面性的作業輔導策略庫，本研究基于眾包機制的輔導策略標注，結合作業輔導策略特性與輔導流程，對輔導策略試題進行標注，最終生成輔導策略庫。輔導策略實體主要包括五個屬性，可表示為M=
基于構建完善的知識圖譜，可依據輔導目標實體的屬性與學習者的個性特征屬性推理出相應輔導目標最適合學習者的輔導策略。具體而言，將輔導目標置于“輔導目標—輔導策略”知識圖譜中展開關系推理，得到與輔導目標相關聯的輔導策略鏈狀集合；結合學習者個性特征，匹配與學習者契合度較高的輔導策略鏈條。為保證輔導策略的質量，通過引入人機智能協同的決策方式，將置信度評價較低的輔導策略鏈條重新返回給專家教師進行協同決策與修正。
4. 基于學科特點匹配的輔導策略實施
依據不同學科的作業特點，輔導策略框架的自組織性對輔導方案的形成具有關鍵作用。換言之，基于優選的輔導策略鏈，輔導策略的實施應隨著不同學科作業特點而動態調整，以生成個性化輔導方案。具體而言，首先要明確輔導策略的實施學科，依據作業輔導的學科特點選擇預先設定的組織框架。例如：數學學科的作業輔導需采用“審題—解題—拓展學習”三大步驟。其中，審題環節為題意理解的過程；解題環節為傳達解題思路及知識點的過程；拓展學習環節為推薦學習資源和綜合評價過程。在以上環節，選擇合適的輔導策略完成輔導。隨后，依據當前學科匹配不同輔導策略的實施類型、實施時機以及實施方式等屬性，最終形成個性化輔導方案。
5. 基于因果關系的作業輔導效果驗證
建立輔導效果的驗證和優化機制是實施智能作業輔導的保障。依據因果關系思路以及學習者的作業行為數據，可將輔導效果界定為學習收益、作業量、作業嘗試次數等指標，同時根據不同的輔導效果明確下一步的優化方法。例如：若當前的輔導策略實施后明顯提高了學習收益且減少作業量、作業嘗試次數，那么跳出輔導方案，重新進入“輔導目標確定”環節繼續為學習者服務；若輔導效果為提高了學習收益但增加了作業量、作業嘗試次數，那么返回“輔導策略實施”環節，重新審視學科特點，確定輔導策略的組織框架以及輔導策略的實施時機、方式等因素，然后繼續實施該輔導方案，直至輔導效果中的作業量和作業嘗試次數降到最低為止；若輔導效果為學習收益不顯著且作業量、作業嘗試次數較多，則依據事先確定的輔導策略組織框架，依次實施輔導方案中的下一條策略，直至結束仍然輔導效果不明顯，則斷定該輔導方案失效。
對于失效的輔導方案，首先返回至“輔導策略匹配”環節，邀請學科專家介入修訂當前的輔導方案，形成新的輔導方案并實施；若輔導效果為學習收益顯著且減少作業量、作業嘗試次數，則將修訂后的輔導策略更新至“輔導目標—輔導策略”知識圖譜中，并返回“輔導目標確定”環節繼續為學習者服務；若修訂后的輔導方案的輔導效果依然不明顯，則返回至“輔導目標確定”環節，對學習者畫像和題意理解模型進行重新修正，同時依據學習者訪談和學科專家的診斷修正輔導目標的知識點和能力層級，更新輔導目標的實體屬性，而后更新輔導目標重新匹配輔導策略并再次實施，直至輔導效果為學習收益顯著且減少作業量、作業嘗試次數，則將修補后的輔導策略更新至“輔導目標—輔導策略”知識圖譜中，并返回“輔導目標確定”環節繼續為學習者服務。
（三）人機智能協同的作業輔導框架特點
在已有的作業輔導研究中，“作業輔導”多以單一模塊存在于學習者的課后服務中，并聚焦學習者疑難問題的解答。在這種場景下，作業輔導的形式、輔導效果的驗證等過程皆難以引起研究者的關注，最終作業輔導的有效性無法保證。本研究中，人機智能協同的智能作業輔導框架將作業輔導看作一個完整的系統性工程，采用復雜系統科學的視角看待作業輔導，注重作業輔導的結構性、程序性與動態性。
1. 作業輔導框架的結構性
作業輔導框架的結構性是指作業輔導框架中的各個組成部分相互協同、相互制約。結構性主要體現為兩個方面：一方面是作業輔導內容的結構性。在智能作業輔導框架中，各個環節內容協調配合，協同完成作業輔導。其中，學習者多元特征數據和作業題面信息的收集是輔導目標確定的前提，輔導策略匹配與實施是智能作業輔導的實施根本，輔導效果驗證是智能作業輔導實施的保障。另一方面是作業輔導形式的結構性。在充分考慮學科特點的基礎上，事先預設了作業輔導的組織框架，使得模型輸出的作業輔導方案呈現出一定的結構性與規范性。
2. 作業輔導框架的程序性
作業輔導框架的程序性體現為作業輔導的操作步驟集解題程序、解題策略、學習者畫像分析、系統驗證等于一身，融教育理論與系統開發于一體，是關于“如何進行作業輔導”的程序化工程。理想情況下，程序性的智能作業輔導應從信息的獲取與分析開始，準確識別輔導目標并展開作業輔導，然后進行輔導效果的驗證與優化。事實上，人機智能協同的智能作業輔導同樣是由數據收集、輔導目標確定、輔導策略匹配、輔導策略實施和輔導效果驗證等一套流程構成的閉合操作系統。該閉合操作流程更具有程序性，且各環節以自動或者半自動化的方式共同作用以完成程序化的作業輔導。
3. 作業輔導框架的動態性
作業輔導框架的動態性是指依據系統、環境和要素三者間的相互關聯與作用，以不斷調節、反饋和更新系統的過程。智能作業輔導框架的動態性主要體現在兩個方面：其一，對學習者多元特征的持續動態監測，基于監測結果實時調整輔導策略。其二，基于“輔導效果驗證”環節的反饋優化機制。考慮到學習者畫像的動態性，事先預設的輔導策略并非完全適用于當前學習者，因此，在實施輔導方案之后，應基于因果關系的輔導效果調節其他環節，判斷是調整輔導策略的實施時機和方式等因素，還是更新輔導策略的內容，抑或是重新確定輔導目標。
四、人機智能協同的作業輔導框架在初中數學作業輔導中的應用
依托上述人機智能協同的作業輔導框架HMIC-FHT，研究團隊充分考慮智能化作業輔導在學習者課后作業服務中的重要作用，展開了原型系統設計，并在此基礎上結合作業輔導實例進行了應用分析。
（一）HMIC-FHT原型系統
在作業輔導過程中，HMIC-FHT系統根據學習者個性特征和作業題面信息確定輔導目標，在輔導策略匹配、輔導策略實施、輔導效果驗證等環節中生成個性化輔導方案，如圖3所示。整個過程可分為三大部分：首先是輔導目標識別；其次是輔導策略匹配與實施，包括融合知識圖譜的輔導策略匹配和基于學科特點匹配的輔導策略實施兩個階段；最后是輔導效果驗證，即考查各個要素間的因果結構關系，對個性化輔導方案進行反饋調節。
（二）應用實例
HMIC-FHT系統主要包括輔導目標識別模塊、輔導策略匹配模塊、輔導策略實施模塊和輔導效果驗證模塊，初步實現了人機智能協同下作業輔導的功能，能夠為學習者提供個性化作業輔導。以初中數學為例，從作業輔導系統中選取“求滿足方程的值”內容專題，對系統的主要環節進行說明。
環節1：伴隨式獲取利益相關的數據信息，確定作業輔導目標，即通過收集學習者多元特征、歷史作答數據和作業題面信息，構建學習者畫像模型和題意理解模型，以確定作業輔導目標。其中，學習者畫像模型利用歷史作答數據，經過深度知識追蹤（DKT）算法和雙向長短時記憶（Bi-LSTM）分類算法，監測學習者的已有知識體系掌握狀態、學科能力狀態、薄弱點、學習風格指標。題意理解模型是采用深度學習算法，對作業題面信息進行實體抽取與事件抽取，以識別已知量、已知條件和未知量等信息，同時，使用分類算法，識別題目對應的知識點、易錯點和學科能力層級信息。經模型得出，學習者A與學習者B的畫像情況、題意理解結果，如圖4所示。
環節2：借助輔導策略知識圖譜，匹配不同輔導策略。即依據上述確定的輔導目標，結合“輔導目標—輔導策略”知識圖譜，將輔導目標置于以上知識圖譜中進行關系推理，結合輔導策略的屬性特征得出與輔導目標相關聯的輔導策略鏈。其中，輔導策略的匹配結果如下：（1）輔助元素法→反思性問題→在解決相似的問題，你總結了什么方法？（2）完全平方公式法→反思性問題→利用完全平方公式法時，需要注意什么？（3）題目A→同方法題目推薦→已知長方體由一頂點引出的三條棱長，求這個長方體的對角線長？（4）題目A→同知識點題目推薦→求滿足方程的x的值：x4-8x2+15=0。（5）題目A→審題環節提問1→觀察未知量，通過變化題目，你能想到輔助題目嗎？（6）題目A→解題環節提問1→你能想到一道曾經做過的題目嗎？
環節3：分析不同學科特點，生成個性化輔導方案。這里，結合數學學科特點形成的輔導方案包括輔導診斷目標、審題、解題、拓展學習和語義信息等元素。針對相同的題目，不同的學習者具有不同的輔導方案。其中，輔導目標診斷的結果是在綜合考查學習者的知識能力水平與作業要求的知識能力水平而計算得出；“審題—解題—拓展”是依據數學學科特點，結合學科知識圖譜中的輔導目標與輔導策略的匹配信息而生成的結構化組織框架；語義信息用于保證輔導話語的語義邏輯性。
環節4：基于因果關系思路，驗證系統應用效果。針對個性化輔導方案在作業輔導中的應用效果進行測驗。一方面該系統，通過元認知提問或者自我提問的方式讓學習者有更多反思和自我調節學習的機會；另一方面，通過對學習者多元特征的實時監測為學習者提供動態、精準的學習推薦資源。研究結果表明，作業輔導方案能夠在不增加學習者作業量、作業嘗試次數的前提下，保持學習者積極正向的作業輔導態度，增進學習者對智能學習平臺的認可度，促進學習者與智能學習平臺的深度交互，顯著提高了學習者在線學習的學習收益。
五、結? ?語
智能輔導系統的典型功能是智能輔導與個性化學習，智能化作業輔導作為二者協同發展的增長點，是實現規?；瘋€性化學習、優化教育公共服務和創新教育公平的關鍵路徑。隨著信息技術的快速發展，人工智能、大數據等技術支持使得作業輔導兼具有效性和全面性，但仍難以達到精準化的程度。機器智能與人類智慧均有其能力邊界，將兩者融合是實現精準化作業輔導的可行路徑。盡管HMIC-FHT原型系統在初中數學作業輔導的初步應用已驗證了系統的有效性與可用性，未來研究仍需要進一步提升作業輔導各環節中算法模型的準確率與可解釋性，并且將學習者的學習情緒因素納入輔導目標的識別、采用智能化手段實現輔導策略屬性的自動標注、采用眾包機制實現專家對融合多場景的輔導策略組織框架的預設以及融合知識驅動與數據驅動的方法進行輔導效果的驗證與優化，以進一步優化人機智能協同的智能作業輔導系統框架，逐步走向智能作業輔導的規?；瘧?，助力作業輔導領域的精準化與智能化。
[參考文獻]
[1] 中共中央辦公廳 國務院辦公廳.關于進一步減輕義務教育階段學生作業負擔和校外培訓負擔的意見[EB/OL]. （2021-07-24） [2022-10-20].http：//www.moe.gov.cn/jyb_xxgk/moe_1777/moe_1778/202107/t20210724_546576.html.
[2] 韓龍淑.專家型教師與熟手教師運用元認知提示語的數學課堂比較研究[J].數學教育學報，2016，25（4）：59-62.
[3] 新華社.習近平向國際人工智能與教育大會致賀信[EB/OL].（2019-05-16） [2022-10-20].http：//www.xinhuanet.com/politics/leaders/2019-05/16/c_1124502111.htm.
[4] 梁寧建.當代認知心理學[M].上海：上海教育出版社，2014：283.
[5] 朱貴璽.數學解決問題過程中須培養的四種關鍵能力[J].教學與管理，2020（2）：36-38.
[6] 波利亞.怎樣解題[M].涂漲，馮承天，譯.上海：上海科技教育出版社，2007.
[7] 陳鵬鶴，夏雪瑩，盧宇.基于學習意圖的智能輔導系統[J].人工智能，2022（2）：48-56.
[8] 屈靜，劉凱，胡祥恩，楊釙，蔣卓軒.對話式智能導學系統研究現狀及趨勢[J].開放教育研究，2020，26（4）：112-120.
[9] 韓建華，姜強，趙蔚.基于元認知能力發展的智能導學系統研究[J].現代教育技術，2016，26（3）：107-113.
[10] 吳斕，余勝泉，駢揚，劉陽.面向學生過程表現的協作問題解決能力評估研究[J].中國電化教育，2022（7）：87-96.
[11] 李冀紅，莊榕霞，年智英，劉德建，黃榮懷.面向人機協同的創新能力培養——兼論面向智能時代的創造性人才訴求[J].中國電化教育，2021（7）：36-42，61.
[12] VANLEHN K. The behavior of tutoring systems[J]. International journal of artificial intelligence in education， 2006， 16（3）：227-265.
[13] 萬楠，朱樹青，賈世偉.反饋間隔影響反饋加工：整合行為和電生理研究的視角[J].心理科學進展，2020，28（2）：230-239．
[14] GRANT W. Seven keys to effective feedback[J].Educational leadership， 2012， 70 （1）：10-16．
[15] 祝智庭，彭紅超.技術賦能智慧教育之實踐路徑[J].中國教育學刊，2020（10）：1-8.
[16] 余勝泉，劉恩睿.智慧教育轉型與變革[J].電化教育研究，2022，43（1）：16-23，62.
[17] 孟青泉，賈積有，張志永，顏澤忠.智能教學系統測評模型的構建與實證研究[J].現代教育技術，2022，32（5）：68-74.
[18] JIANG B， ZHAO W， GU X， et al. Understanding the relationship between computational thinking and computational participation： a case study from scratch online community[J]. Educational technology research and development， 2021， 69：2399-2421.
[19] 黃濤，龔眉潔，楊華利，王涵，張晨晨.人機協同支持的小學語文寫作教學研究[J].電化教育研究，2020，41（2）：108-114.
[20] 鄭勤華，熊潞穎，胡丹妮.任重道遠：人工智能教育應用的困境與突破[J].開放教育研究，2019，25（4）：10-17.
[21] 朱永海，劉慧，李云文，王麗.智能教育時代下人機協同智能層級結構及教師職業形態新圖景[J].電化教育研究，2019，40（1）：104-112，120.
[22] 趙勇.未來，我們如何做教師？[J].中國德育，2017（11）：48-51.
[23] 劉清堂，吳林靜，劉嫚，范桂林，毛剛.智能導師系統研究現狀與發展趨勢[J].中國電化教育，2016，357（10）：39-44．
[24] 朱莎，余麗芹，石映輝.智能導學系統：應用現狀與發展趨勢——訪美國智能導學專家羅納德·科爾教授、亞瑟·格雷澤教授和胡祥恩教授[J].開放教育研究，2017，23（5）：4-10.
[25] 張濤，張思.教育大數據挖掘的學習者模型設計與計算研究[J].電化教育研究，2020，41（9）：61-67.
[26] 武法提，黃石華，殷寶媛.基于場景感知的學習者建模研究[J].電化教育研究，2019，40（3）：68-74.
[27] 王磊.學科能力構成及其表現研究——基于學習理解、應用實踐與遷移創新導向的多維整合模型[J].教育研究，2016，37（9）：83-92，125.
[28] 彭明.基于句模與模糊匹配的初等數學題意理解研究及實現[D].成都：電子科技大學，2018.
[29] 岑斐斐.基于深度學習的初中數學習題信息抽取方法研究[D].錦州：渤海大學，2021.
[30] 彭紅超，祝智庭.人機協同決策支持的個性化適性學習策略探析[J].電化教育研究，2019，40（2）：12-20.
[Abstract] In the context of the "double reduction" policy， the research on how to develop a new generation of intelligent homework tutoring system framework that is free from the answer-supply tutoring mode and strengthens the role of higher-order thinking development， metacognitive regulation and emotional motivation becomes one of the key technologies that need to be broken through in the current intelligent learning system. This paper addresses the problems that exist in the key aspects of the current intelligent homework tutoring system， such as the difficulty in tapping learners' multiple implicit characteristics， the difficulty in guiding and cultivating higher-order thinking ability， the lack of fine-grained design of tutoring strategy attributes and insufficient data support for tutoring effect verification， adopts the technical breakthrough route of human-machine intelligence collaboration， and builds a new generation of intelligent homework tutoring system framework based on the intelligent collection of learners' multiple data and homework question information， the collaborative decision-making between expert experience and machine intelligence， the integration of metacognitive adjustment strategies， and the knowledge graph of tutoring strategies to promote the development of learners' higher-order thinking ability. The system automatically generates personalized tutoring solutions for different learners with the goal of both knowledge mastery and thinking development， and conducts application analysis based on the prototype design with examples to promote the accurate and intelligent implementation of homework tutoring.
[Keywords] Intelligent Homework Tutoring; Human-Machine Intelligence Collaboration; Learning Analytics; Framework Construction
