智能导师系统研究现状与发展趋势 *

刘清堂，吴林静，刘 嫚，范桂林，毛 刚

(华中师范大学 教育信息技术学院，湖北 武汉 430079)

智能导师系统研究现状与发展趋势 *

刘清堂，吴林静①，刘 嫚，范桂林，毛 刚

(华中师范大学 教育信息技术学院，湖北 武汉 430079)

智能导师系统(ITS)是实现智能化教学的有力工具，它的诞生及发展给教育教学带了很大的契机和挑战。该文对智能导师系统的发展历程进行了详细的梳理，进一步明确了智能导师系统的概念及其内涵。文章在分析智能导师系统基本结构的基础上，详细介绍了系统各组成部分的功能以及近几年的最新研究成果；最后，总结了智能导师系统研究的发展趋势，并展望了未来的发展前景。

智能导师系统；ITS；领域知识库；学生模型；推理机制；人机接口

一、智能导师系统的发展历程

自出现教师这个职业以来，人们便寻求各种办法，希望在提高教学质量的同时减轻教学负担。20世纪20年代出现的智能机器使得这种“希望”变得不是那么遥不可及，当时美国俄亥俄州立大学的心理学教授Sidney L. Pressey开发了一个智能机器，用于给学生提供练习。虽然这个机器并没有那么“智能”，但它开启了智能教学系统研究的先河[1]。随着技术的不断发展，到了21世纪的今天，理论和实践研究的不断深入也为智能导师系统的发展提供了更多的契机，使得智能导师系统正在不断走向成熟和完善。根据智能导师系统的成熟程度，我们将智能导师系统的发展分为三个大的发展阶段。

(一)萌芽阶段

20世纪50-70年代，随着计算机技术的发展及其在教育领域的应用，出现了计算机辅助教学(Computer-Assisted Instruction, CAI)、基于计算机的培训(Computer-Based Training, CBT)[2]、计算机辅助学习(Computer-Assisted Learning, CAL)等教学形式。这一类教学系统的设计深受行为主义学习理论的影响，一般都采用程序模式进行设计[3]。这类教学系统开始在程序设计中考虑不同学习者的学习进度差异，并为其提供不同的学习分支，已经具备了智能教学的雏形。但是这一类系统依然不能给学习者提供个性化的学习指导，没有办法根据学习者的学习情况动态的调整教学策略，所以在20世纪60年代饱受教育专家诟病。我们把这一时期定义为智能教学系统的萌芽阶段。

(二)形成阶段

20世纪70-90年代，随着人工智能技术，尤其是专家系统引入到教育领域[4]，出现了一批真正意义上的智能教学系统。其理论基础也由行为主义学习理论转变为认知学习理论。典型的代表性系统有：Jaime Carbonell于1970年开发的教授南美洲地理课程的SCHOLAR系统；Collins等人于1975年在SCHOLAR系统基础上研制了教授学生探索降雨原因的根源的WHY系统；1977年，Standford大学Wescourt等人设计的辅助Basic语言教学的BIP系统；1977年的WUMPUS游戏系统，该系统可用于训练逻辑学、概率、判断理论和几何学[5]。毫无疑问，这一类系统的出现使得“智能化”教学往前迈进了一大步。另一方面，由于认知学习理论是指导这一时期智能系统设计的主导力量，使得系统的设计关注于知识的结构，但学习环境的创建和非智力因素在学习过程中的作用尚未被重视。我们将这一时期定义为智能教学系统的形成阶段。

(三)发展阶段

20世纪90年代之后，随着计算机网络技术、多媒体技术、人工智能技术的发展及其在教育领域的运用，智能教学系统的研究开始转向支持个别化学习与协作学习。除了认知学习理论外，建构主义学习理论在这一时期也开始受到专家们的重视，并将其引入到智能教学系统中。在这一阶段，出现的代表性智能系统主要有：南加州大学开发的RIDES系统、斯坦福大学的MMAP系统、北伊利诺伊州大学的CIRCSIM-Tutor等。这一时期，在人工智能技术的支持下，智能教学系统也得到了长足的发展。生成式教学内容、动态教学策略、智能化教学环境成为这一时期智能化教学系统的主要特征。我们将这一时期定义为智能教学系统的发展阶段。

尽管智能导师系统发展至今，在教学方面已经取得了显著的成效，已经应用于计算机基础教学、语言教学、医学教学、数学教学等各个方面，但是我们认为智能导师系统的深化和成熟阶段还尚未完全到来。随着技术的发展，智能导师系统已经成为一个多学科交叉的研究领域。计算机技术为智能导师系统的构建提供技术支撑；人工智能技术则能够促进个性化教学的实施；认知科学可以帮助我们更深层次地理解学习者如何进行思考、学习和解决问题；网络技术则能够让学习者无限制地、随时随地获取信息资源。虚拟现实技术应用于教学有效增强了学习中的交互性和沉浸感；情感计算则有效弥补了智能导师系统中情感的缺失。但是上述每一项技术都还有许多尚未解决的问题，这也在一定程度上限制了智能导师系统的成熟与应用。因此，本文拟从智能导师系统的定义与功能、组成结构等方面进行分析，以期能够为智能导师系统的研究提供参考。

二、智能导师系统的定义与功能

(一)智能导师系统的定义

在国际上“智能导师系统(Intelligent Tutoring System, ITS)”这一概念由Sleeman和Brown于1982年正式提出。他们同时还给出了智能导师系统的定义，他们认为智能导师系统是利用计算机模仿教学专家的经验、方法来辅助教学工作的计算机系统[6]。还有许多学者都提出了自己对智能导师系统的理解。如：Joseph Psotka将智能导师系统定义为一种能够给学习者提供及时且个性化的指导和反馈的教学系统[7]；Graesser A.认为智能导师系统是利用人工智能技术提供个性化学习指导的自适应教学系统[8]；张利远认为,“智能导师系统是借助人工智能技术，由计算机扮演教师的角色以实施一对一的教学，向不同需求和特征的学习者传递知识”[9]。上述有一个基本的共识是大家都认为智能导师系统是一种提供个性化指导的教学系统。

在国内，智能导师系统的研究大约起始于19世纪80年代末。我国学者也认同智能导师系统是一种提供个性化指导的教学系统，但不同的时期，学者们的研究重心有所变化。20世纪90年代国内主要研究集中在领域知识构建、ITS的系统模型、ITS集成开发环境等方面，并开始涉及系统中自然语言人机接口的设计与实现。从2000年前后开始关注教学过程、知识表示及推理、学习者模型及教学策略，并开始研究将Web技术、分布式、超媒体、Agent、Ontology、数据挖掘等技术应用于ITS。近年来，研究重心更多地体现在自适应、动态学生模型、学习推理机制等方面，语义网、本体、网格等技术的应用也备受关注。

在本文中，我们给出“智能导师系统”的定义如下：利用人工智能技术模仿人类教师在教学中所承担的的角色，为学习者提供个性化学习指导，帮助不同需求和特征的学习者获得知识和技能的一种智能化的计算机辅助教学系统。

(二)智能导师系统的基本功能

随着人工智能技术的不断发展，智能导师系统的功能也在不断深化和完善。综合文献，智能导师系统的主要功能大致包含以下几个方面：(1)自动产生问题求解方案。这一功能主要体现为计算机能够自动对问题进行求解，并给出解题的过程和提示以供学习者参考。(2)表示学习者的知识获取过程。智能导师系统应该能够对学习者的学习过程即知识的建构过程进行采集和表示，以完善学习者模型，并为学习诊断提供数据来源。(3)诊断学习者的学习活动。这一功能主要体现为对学习者的学习过程和学习效果进行诊断和评价，发现学习过程中的优点与不足之处。(4)及时为学习者提供学习建议和反馈。完成诊断后，给出反馈，向学习者提供有针对性的学习建议，并为其推荐个性化的学习资源。

一个智能导师系统往往会包含上述功能中的多个甚至是全部功能。如华南师范大学研制的“基于语音评测的英语口语智能导师系统”可以对学生的口语学习过程进行诊断，并推荐个性化学习资源[10]。美国教育测试服务中心(Education Testing Service)旗下的ETS公司研制的线上英文练习系统Criterion，可以在学生提交作文之后迅速给出其整体评价结果和详细分析报告[11]。由中国自主研发的句酷批改网也具有类似功能。

三、智能导师系统的组成结构

智能导师系统的组成结构在不同的文献中有些许的差异。部分专家认为智能导师系统是由三个部分组成，即领域知识库、学生模型、教学策略和推理模块。也有部分专家认为智能导师系统由五部分组成，即学生模型、教学策略和推理模块、人机接口、专家模型与领域知识库[12]。国内的文献则大部分采用四部分之说，即包含四个组成部分。这四部分的基本关系如下图所示。

智能导师系统的组成结构

(一)领域知识库

领域知识库又被称为认知模型、专家知识模型。它是针对某一领域求解需要而构建的，是智能导师系统的重要组成部分，主要解决“教什么”的问题，包含教学所需的相关知识(概念、事实、规则)以及问题求解策略。领域知识库是专家知识的来源，是评价学习者学习表现或错误判定的标准。它的优劣直接决定着ITS的质量。

构建领域知识库的核心工作包括知识获取与知识表示。由于计算机不能像人一样理解知识，为了实现对知识的存储和处理，必须对知识进行符号化处理，即将知识表示成计算机能够理解的数据结构。采用不同的知识表示方法，产生的效果可能会有很大的差异。只有采用合理的知识表示方法，才能将领域知识有效地组合在一起。

早期知识库一般是基于知识点构建的，周晓军等人提出了一种基于SC文法的知识点表示方法[13]，吴郑红等为了使构建的知识点关系适合学习者的认知结构，采用基于解释结构模型的方法，并生成了可视化的知识点关系[14]。

随着语义网的发展，现在知识库的创建和知识表示，采用较多的是知识工程中本体论的方法。南京师范大学开发的智能导师系统DS-TUTOR中利用本体论的方法，从六个维度即概念、子知识本体、行为、属性、实例、关系，建立了领域知识模型，并取得了不错的效果[15]。宾夕法尼亚州匹兹堡大学医学院的R. Crowley开发的可视化分类问题解决智能导师系统在构建知识库时也利用了本体论的方法[16]。兰州理工大学采用本体论的方法，利用概念—关系模型存储知识，形成了一种新的知识查询模式——基于本体论的知识查询[17]。本体论在知识构建方面的应用将有助于知识的重用和各智能导师系统之间的知识共享。

尽管在领域知识的构建方法上获得了很大的进展，但知识的表征依然具有相当高的复杂性。智能导师系统可能要面对领域知识、教学知识和语言知识等，各种知识间存在着复杂的关系，单一的知识表示方法很难满足系统构建的所有需求。如何对同一知识从多个侧面进行表示以满足智能导师系统的需要是领域知识库研究的难题。

(二)学生模型

学生模型建立于领域知识库之上，是智能导师系统的核心[18]。它负责存储学习者的基本信息和有关学习者学习过程的动态信息，该动态信息随学习者的学习过程动态更新。收集学生特征进行建模，是实现个性化教学的基础。而个性化教学正是未来教学的发展方向：研究表明个性化教学充满人文关怀，有利于提高学习效率[19]。国内关于学生个性化模型的研究，可查询到的最早的文献为1989年张一立等人的文章《智能教学系统PCICAI, SETTI和GITUS》，在该文中作者强调个别教学的开展需要建立学生模型[20]。学生模型的构建过程是一个对学习者全面认识的过程，它包含知识模型、认知模型、心理模型等。

学生知识模型有覆盖模型、偏差模型、干扰模型等。覆盖模型是将学生实际的学习状况与其需要学习的内容进行对比，如果对于某个知识点，学习者做题的正确率低于一定的比例，则需要重学。偏差模型则是对覆盖模型的优化，它会对学生做错的题进行分析，得出错误的类型，了解学生的缺陷所在，然后再进行有针对性的教学。构建偏差模型需要对学习者的整个学习过程进行跟踪诊断。干扰模型则在覆盖模型的基础上加入错误知识的表示，学生的知识不再只是专家知识的子集，而是既有领域专家的知识表示，又有学生可能持有的错误概念的知识。

认知模型强调对学生认知状态的建模，武栋针对认知活动复杂程度的六个等级构建了ITS中的学生模型[21]。郭富强从学习者个体学习情况和学习需求出发，在分析影响学习的学习基础、认知能力、心理因素的基础上，设计了学生模型，并给出了学生模型的动态调整算法[22]。为了克服单一学生模型结构数据处理的障碍，首师大的杨卉、忻州师范的郝耀军等建立了两层动态学生模型[23][24]。重庆大学的文春明等设计了基于神经网络的智能教学系统学生模型[25]。

心理模型关注学习者的心理因素，如学生的学习偏好、学习风格等。20世纪90年代，随着情感计算技术的引入，智能导师系统开始关注情感对学习过程的影响，通过对学习者面部表情和动作行为的实时观察和分析，了解学习者的个性化的情感信息，并将其纳入到学生模型中，以构建更加个性化的智能导师系统。新西兰梅西大学的A. Sarrafzadeh等在智能导师系统中引入了表情识别和手势识别以监测学生的学习行为，获得有效的教学反馈[26]。程萌萌等提出了一个结构模型和技术框架，能够将表情识别与视线跟踪技术相结合以获取信息[27]。

(三)教学策略和推理模块

教学策略和推理模块(或称教学模块，或教师模型)接收来自学生模型的信息，依据教学原理，选择合适的教学策略，根据教学策略从领域知识库中选择合适的教学内容。该模块关注如何合理有效地组织教学，即解决“如何教”的问题。

国内早期的智能导师系统对教学策略的选择一般采用两种方式：一种是提供菜单供学习者自己选择学习内容；另一种方式则是系统自动选择策略。前者是教师的某种教学策略的系统表现形式，是固化的，不能随意进行更改；后者则依据人类导师的经验，提前建立教学策略库，运行过程中，根据知识内容特点和学生信息选择某种教学策略。后者比前者在个性化教学方面有更好的适应性和灵活性，但依然不能完全满足智能化教学的需要。

在最近的研究趋势中，学者们开始越来越强调对学生的学习过程进行追踪、诊断和评价，并根据诊断结果，适时动态调整教学策略和教学资源。早期的诊断技术更加注重对学习结果的诊断，而缺乏对学习过程的诊断与监控。现在，学者们开始研究如何对学习过程进行有效的监控和诊断，以保证教学策略的调整能够更加及时和有针对性。如李昕等利用数据挖掘相关技术，在对学生模型和Web日志信息进行分析的基础上，对学习过程进行诊断性评价，制定个性化的教学策略，并能在此基础上利用模式匹配和推理技术进一步修正和完善[28]。

(四)人机接口

人机接口又称交互模块，是智能导师系统的前端交互界面，集成了包括图形、文本、多媒体、键盘输入、鼠标驱动菜单等在内的与学习者交互所需的所有类型的信息。它负责学习者或教师与智能导师系统之间的交互。交互设计的研究最为多样化，主要研究热点包括自然语言理解、人机对话、虚拟现实等。

1.自然语言理解、人机对话

自然语言理解的目的是为计算机理解人类语言提供理论和方法。自然语言包括语言表达的两种基本形式：一种是语音，另一种是文字表述。例如，瓦伦西亚大学的Miguel Arevalillo-Herráez等人设计了用于解答应用题的智能导师系统(ITS for Word Problem Solving)，能够将语言描述的数学问题智能转换成代数符号表示[29]。Patricia A. Jaques等人开发了基于规则的，能够为代数问题解决提供分步指导的智能导师系统PAT2Math[30]。句酷科技和南京大学共同研发了句酷批改网能够对学生提交的英语作文进行智能化批改，标识出作文中的语法、拼写错误，短语、词组的用法建议等，并能给出作文的综合评定分数[31]。此外，很多智能导师系统中都实现了人机对话，如首尔国民大学、伊利诺理工大学等多校联合开发的CIRCSIMTutor、曼彻斯特城市大学开发的Oscar等[32][33]。

2.虚拟现实

虚拟现实(Virtual Reality，VR)技术是利用计算机技术生成逼真的虚拟环境，用户可以与环境中的对象进行交互。虚拟现实技术在构建学习情境方面的应用，增强了智能导师系统的真实性，感官性和交互性。该技术目前被广泛应用于教学的实验环节，例如医学实验、机械操作实验、电力系统实验等，以实现教学内容的视觉化，增加沉浸感和真实感，并且有效降低教学成本。华南师范大学开发的智能导师系统iTutor，支持真实情境下的做中学和问题解决[34]。麻省理工学院媒体实验室开发的MACH系统，虚拟了一个真实的教师，通过与学习者的互动，捕捉并分析学习者的肢体动作、语言特征，从而提供实时的分析反馈，帮助学习者有效提高在面试等情境中的语言和动作表达能力。

虚拟现实技术在智能导师系统中还可以用来作为交互界面、或是用于构建虚拟图书馆、虚拟研讨等。利用虚拟现实技术构建交互界面可以增加学生的感官感受，有效增加沉浸感。虚拟图书馆可以为学习者提供丰富的学习资源，方便学习者随时随意的查阅。虚拟研讨会可以为学习者之间创建有效的沟通交流的环境，让处于不同地域的学习者协同工作成为可能。

四、发展趋势与展望

智能导师系统是一个多种学科、多种技术的融合体，它的发展与计算机技术的发展有着最直接、最紧密的联系。在发展的初级阶段，ITS只能自动生成各种问题和练习，不能根据学生的水平进行教学安排，不能自动解决问题生成答案。随着技术的不断发展，智能导师系统也得到了长足的进步，逐步具有了自然语言的生成和理解能力、教学内容的解释咨询能力，错误诊断能力和分析能力等人类基础能力。随着人工智能技术的进一步发展，智能导师系统的研究将不仅仅聚焦于帮助学习者理解和掌握知识，而会以促进学习者的个性化发展、为学习者提供环境、感情等全方位的支持为发展目标，不断提高智能化程度，为学习者带来更好的学习体验。围绕上述目标，智能导师系统的未来发展趋势主要体现在以下五个方面：

(一)自适应开放式学习环境

智能导师系统不仅仅是一个系统工具，还应该是一个环境创建工具，是一个学习生态系统。随着“学习化社会”和“社会化学习”的提出，以及虚拟现实、交互模拟、教学游戏的应用，越来越多的研究者将焦点放在了自适应开放式学习环境的研究上。利用智能导师系统为学习者开发自适应学习环境，在这种环境中允许学习者进行自由探索。学习者可以根据自己的需要，组织制定学习目标和计划，自主选择适合自己的学习内容和策略。智能导师系统通过与学习者交互，对学习活动进行监控和评估，以此获得学习者的相关信息，隐性调整学习过程中优先呈现的资源和工具，帮助学习者获得最优化的发展策略。

(二)情感感知与服务

智能导师系统不仅仅是一个知识学习的帮助系统，还应该是一个情感支持系统。这个系统应该能够像人类教师一样通过学生的情感来了解学生对学习内容的了解和掌握情况，是愉快的学习、紧张的思考还是困惑不解。通过人脸表情识别、眼球追踪、生理信号采集等技术，分析和理解学习者在学习过程中的情绪，通过适当的情感激励策略，适时地给予干预，提升学习者的学习兴趣、给予积极的鼓励、帮助克服困难和不足。

(三)协作学习环境

智能导师系统不仅仅是一个帮助个体学习者的学习环境，还应该是一个培养协作学习能力的开放学习场所。协作是当前知识社会中必须具备的一项能力。“教师和学生以及学生和学生之间缺乏交流会导致一系列的问题：学习者对问题认识的广度和深度受到自身条件和认识水平的局限，学习者在学习过程中会产生孤独感等”[35]。因此，智能导师系统应关注协作学习环境的创建。香港城市大学开发的SQL Tutor+系统就是一个典型的代表，它能够为学生与学生、学生与老师提供一个学习SQL语言的协作环境[36]。武汉大学吴青等构建了支持协作学习的群体感知模型，为构建具有协作学习环境的智能导师系统提供了技术参考[37]。尽管如此，基于协作学习理念的智能导师系统还不够成熟，仍然需要进一步的深入探索。

(四)元认知导师

智能导师系统不仅仅是一个帮助学习知识的工具，还应该是一个帮助学习者进行元认知的导师。元认知是对认知活动进行调节和控制，是对自身正在进行的认知活动的认识和思考。通过智能导师系统，监控、分析学习者的学习规划策略、问题解决策略、协作学习等策略，在方法论的层面帮助学习者了解自身，改进、完善元认知方法。卡内基梅隆大学的Ido Roll等人开发的Help Tutor就是这方面研究的一个很好的尝试[38]。

(五)计算知识引擎

智能导师系统不仅仅是帮助学习者学习的工具，还应该是一个帮助学习者解决问题的助手。学习者在学习过程中可能会遇到各种各样的问题，但无论是谷歌、百度、雅虎还是自动问答系统，输入问题进行查询，返回的往往都是多条的搜索结果。尽管这些搜索结果已经按照相关性进行了排序，但问题的答案仍然需要学习者在查看了多条结果之后进一步归纳总结。Stephen Wolfram开发的计算知识引擎Wolfram Alpha则颠覆了对传统的信息检索模式，而转向对知识的查询，它可以针对用户输入的问题，计算出问题答案，并将答案直接显示给用户。这种全新的计算方法——基于知识的计算，不仅可以使用原始数据，还能使用大量的内建知识，来对特定问题计算新的答案。如何将计算知识引擎应用于智能导师系统将是未来努力的方向。

智能教学系统的研究涉及到人工智能、认知科学、计算机科学，人机交互、教育学、心理学等多个研究领域，它的发展水平代表这些领域研究的融合发展水平，随着研究的深入以及智能导师系统广泛投入使用，智能导师系统已经涉及人工智能、虚拟现实、自然语言理解、数据挖掘等技术，还有一些热点技术例如云计算的应用、网格的应用等[39][40]。随着新技术的发展及应用，ITS将越来越智能化和个性化，也将会在未来学习中发挥越来越重要的作用。

[1]Pressey, S. L. A simple apparatus which gives tests and scores, and teaches[J].School and Society,1926,(586):373-376.

[2]陈仕品,张剑平.智能教学系统的研究热点与发展趋势[J].电化教育研究,2007,(10):41-46.

[3]程永清,胡庆,杨静宇.智能教学系统IPTS[J].计算机研究与发展,1988,(10):9-14.

[4]武栋.基于WEB的ITS中学生模型和教学策略的设计[J].现代教育技术,2007,(5):6-64.

[5]许高攀,曾文华,黄翠兰.智能教学系统研究综述[J].计算机应用研究,2009,(11):4019-4022.

[6]Sleeman D H, Brown J S.Intelligent Tutoring Systems:An Overview[A].In: Sleeman D H,Brown J S,eds.Intelligent Tutoring Systems[C].New York: Academic Press,1982.1-11.

[7]Joseph Psotka,Sharon A. Mutter.Intelligent Tutoring Systems: Lessons Learne[M].United States: Lawrence Erlbaum Associates,1988.

[8]Graesser, A., Chipman, P., Haynes, B. C., & Olney, A. AutoTutor:an intelligent tutoring system with mixed-initiative dialogue[J].IEEE Transactions on Education,2005,(4):612-618.

[9][39]张利远,王春丽.面向智能导师系统的Siri个人助理应用研究[J].中国电化教育,2012,(10):131-135.

[10]梁迎丽,梁英豪.基于语音评测的英语口语智能导师系统研究[J].现代教育技术,2012,(11):82-85.

[11][30]P. Jaques, H. Seffrin, G. Rubi et al. Rule-based expert systems to support step-by-step guidance in algebraic problem solving: The case of the tutor PAT2Math[J].Expert Systems with Applications,2013,(14):5456-5465.

[12]李红美,徐振华.智能教学系统支持英语学习的案例研究[J].远程教育杂志,2012,(3):66-72.

[13]周晓军,黄河燕,张普.智能教学系统中的知识树增长模型[J].计算机研究与发展,2001,(10):1217-1223.

[14]吴郑红,吴彦文,李金玲.ITS中可视化知识点结构网络的设计与实现[J].中国远程育,2005,(10):71-73.

[15]陈刚.基于本体论的ITS领域知识建模[J].开放教育研究,2004,(6):74-76.

[16][34]R. Crowley,O. Medvedeva.An intelligent tutoring system for visual classification problem solving[J].Artificial intelligence in medicine,2006,(1):85-117.

[17]李睿,王旭阳,萧波.智能教学系统中知识查询研究[J].电化教育研究,2011,(4):73-76.

[18]王冬青,柳泉波,任光杰等.一种面向问题解决的智能导师系统[J].中国电化教育,2008,(8):90-94.

[19]郭延兵.现代远程开放教育个性化教学的特点[J].电化教育研究,2011,(7):73-77.

[20]张一立,刘亚练,林桑楠,唐常杰.智能教学系统PCICAI,SETTI和GITUS[J].计算机学报,1989,(8):632-634.

[21]武栋.基于WEB的ITS中学生模型和教学策略的设计[J].现代教育技术,2007,(5):62-64.

[22]郭富强.智能教学系统中动态学生模型的研究与设计[J].中国电化教育,2011,(1):119-123.

[23]杨卉,王陆,冯红.在智能教学系统中两层动态学生模型的研究[J].电化教育研究,2005,(1):72-75.

[24]郝耀军,王建国,赵青杉.网络智能教学系统中双层学生模型的设计[J].中国远程教育,2011,(12):64-67.

[25]文春明,吴建生.基于神经网络的智能教学系统学生模型设计[J].智能计算机与应用,2011,(6):52-53.

[26]A. Sarrafzadeh, S. Alexander, F. Dadgostar et al.“How do you know that I don’t understand?” A look at the future of intelligent tutoring systems[J]. Computers in Human Behavior,2008,(4):1342-1363.

[27]程萌萌,林茂松,王中飞.应用表情识别与视线跟踪的智能教学系统研究[J].中国远程教育,2013,(3):59-64.

[28]李昕,荆永君,王鹏.智能授导系统中的教学策略研究[J].中国电化教育,2012,(10):126-130.

[29]M. Arevalillo-Herráez, D. Arnau, L. Marco-Giménez. Domainspecific knowledge representation and inference engine for an intelligent tutoring system[J].Knowledge-Based Systems,2013, (1):97-105.

[31]蒋艳,马武林.中国英语写作教学智能导师系统:成就与挑战——以句酷批改网为例[J].电化教育研究,2013,(7):76-81.

[32]C. Woo, M. Evens, R. Freedman et al. An intelligent tutoring system that generates a natural language dialogue using dynamic multi-level planning[J].Artificial intelligence in medicine, 2006,(1):267-280.

[33]A. Latham, K. Crockett, D. McLean et al. A conversational intelligent tutoring system to automatically predict learning styles[J].Computers &Education,2012,(1):95-109.

[35]董宏建,金慧,秦彩霞,孙振天.网络课程中协作学习环境的设计框架研究[J].电化教育研究,2012,(5):43-47.

[36]H. wang. SQL Tutor+: A co-operative ITS with repository support[J].Information and Software Technology,1997,(5):343-350.

[37]吴青,罗儒国.智能教学系统中支持协作学习的群体感知模型[J].现代远程教育研究,2013,(4):107-112.

[38]I. Roll, V. Aleven, B. McLaren et al. Improving students’ helpseeking skills using metacognitive feedback in an intelligent tutoring system[J].Learning and Instruction,2011, (2):267-280.

[40]丁晖,徐钦赟.基于知识网格的智能教学系统[J].计算机与数字工程,2010,(8):129-132.

Research Status and Development Trend of Intelligent Tutoring System

Liu Qingtang, Wu Linjing, Liu Man, Fan Guilin
(School of Educational Information Technology, Central China Normal University, Wuhan Hubei 430079)

Intelligent Tutoring System (ITS) is a powerful tool to realize intelligent and personalized learning. Its appearance and development has brought great opportunities and challenges for education. This paper gives a detailed description of the history and development of Intelligent Tutoring System. In this paper the authors clarify the concept and connotation of intelligent tutoring system. Then it describes the basic structure and essential components of intelligent tutoring system. The functions of each component and the latest research results are also introduced. At last, the paper summarizes the main research trends and future developments of intelligent tutoring system.

Intelligent Tutoring System; ITS; Domain Knowledge Base; Student Model; Reasoning Mechanism; Man-machine Interface

G434

A

刘清堂：教授，博士生导师，常务副院长，研究方向为数字化学习技术、版权保护、知识挖掘与知识服务(liuqtang@mail.ccnu.edu.cn)。

吴林静：讲师，博士，研究方向为知识挖掘与知识服务、文本分析和语义分析(wlj_sz@126.com)。

2016年7月9日

责任编辑：宋灵青

1006—9860(2016)10—0039—06

* 本文系全国教育科学规划教育部青年课题“基于知识地图的教育资源个性化推荐研究”(课题编号：ECA140366)阶段性研究成果。

① 吴林静为本文的通讯作者。