智能导学系统人机互动的跨学科研究与设计*

□杨翠蓉 陈卫东 韦洪涛

智能导学系统人机互动的跨学科研究与设计*

□杨翠蓉 陈卫东 韦洪涛

智能导学系统（ITS）是借助人工智能技术，让计算机扮演专家指导者向不同特征学习者传授知识、提供学习指导的适应性学习支持系统。它有着不同于传统导学系统的基本结构与运行机制，学生模型建构与适应性指导是其两大核心特征。学生模型建构过程是ITS导学过程中通过追踪学生学习过程逐步形成特定学生知识学习模型。按照建构方式不同，常见的学生模型有四种，分别是期望与错误概念调整适应的学生模型、贝叶斯网络的学生模型、学习追踪的学生模型以及基于限制的学生模型，它们采用不同的学习行为指标。有效的人机互动不仅要以学生模型为基础，教学模型、课程脚本数据库还需要储存丰富的言语指导行为策略。ITS人机互动教育心理学研究，以及教育技术学、计算机科学领域的探索性设计研究进展启示：我国要推动ITS发展应联合不同领域研究者在已有基础上进行跨学科研究与设计；多研究专家教师的言语指导行为，形成科学系统的互动结构、脚本与策略；重视情感对学生学习的影响，建构集认知与情感为一体的学生模型。

智能导学系统；学生模型；适应性指导；人机互动机制；跨学科研究

当前各国优秀教师数量不能满足所有学生学习需求，为此各国都强调应大力开发支持学生学习的网络学习软件：智能导学系统（Intelligent Tutoring System，简称ITS）。ITS是借助人工智能技术，让计算机扮演专家指导者向不同特征学习者传授知识、提供学习指导的适应性学习支持系统（Ma et al.，2014）。我国教育技术与计算机科学领域研究者设计了“基于‘导学案’教学模式的智能导学系统”（尚晓晶，2013）、“以知识点为中心的智能导学系统”（康健，2013）、“基于移动端的智能导学系统”（唐崇华，2016）等，但它们似乎更多带有传统导学系统的特点。作为一种学习软件，ITS与传统导学系统（包括CAI、CAL等）一样，都是促进或支持学生学习的软件，但它除依据行为主义学习理论与认知主义学习理论外，还借鉴社会建构主义学习理论，意识到学习是通过互动、合作与协商建构、获得知识的过程，因此ITS与传统导学系统最根本区别在于它是对学生学习过程进行一对一指导的人机互动，并体现在基本结构与运行机制的设计上。

一、ITS基本结构与运行机制

1.基本结构

传统导学系统会收集数据、分析学生学习风格与认知偏好，会在答案错误时给予反馈，会在学生完成任务后给予难度更高的新任务，因此其结构由专家模型、学生模型、教学模型、诊断模型四大基本模块构成。ITS着重学习过程指导，侧重对学生各解题步骤的反馈、提示，因此除上述基本模块外，言语交流智能代理（The Conversational Tutor-ing Agent）模型的功能日益被重视。它通过人机互动指导学生学习过程，由模拟指导者、语义分析器、课程脚本数据库、对话管理器等子模块构成（见图1）。语义分析器承担分析学生输入信息的语法语义功能，课程脚本数据库储存大量结构化的言语指导脚本，对话管理器则将适宜言语指导行为脚本传递给模拟指导者，使模拟指导者通过人机界面对学生学习进行指导。

图1 ITS基本结构

2.基本运行机制

ITS通过任务设计达到传授领域知识（如概念、规则等）目的。任务完成需经过两条运行环路：外部环路与内部环路。外部环路是ITS根据学生特点选择适宜任务，并对学生任务完成情况进行反馈（VanLehn，2006）。其运行过程是分配学生任务、收集学生答案、针对学生答案给予相应反馈。如果学生答案正确则分配新任务，如果答案错误则再次让学生尝试。一个环路执行一个学习任务。例如，当要求学生解二次方程式时，学生在草稿纸上算出答案并输入到电脑中，正确则系统给予“恭喜”反馈，错误则提示并要求再做一次。总之，外部环路是反馈学习结果与分配学习任务。

内部环路是学生领域知识建构或应用的过程，是一个个“学习事件”，“事件”是学生内在心理活动，只能通过学生在电脑界面上输入相应“步骤”而外显，因此它与学生外显解题步骤一一对应。内部环路的功能是对学生输入步骤予以指导以促进学生学习。内部环路运行复杂，分为步骤分析与步骤产生两个阶段。步骤分析是ITS通过语义分析器、诊断模型等分析学生输入信息；步骤产生则根据步骤分析结果，通过教学模型、课程脚本数据库选择不同方式予以指导，或正误反馈，或提示，或提供恰当的学科知识，或描述学生错误。同样是让学生解二次方程，学生可能第一步是从电脑界面菜单中选择一种方法，紧接着ITS要求学生输入问题解决的各步骤，或学生与模拟指导者展开对话“解决这个方程，我们可以用什么方法？”总之，内部环路是对学生学习过程进行指导（见图2）。

图2 ITS运行机制

由上可知，ITS是对学生学习过程进行实时反馈与适应性指导过程，因此研究者一致认为ITS存在两大核心特征：（1）学生认知过程的实时诊断，即学生模型建构；（2）适应性指导。ITS是人工智能在教育教学领域中的应用，需要教育心理学、教育技术学、计算机科学等领域研究者合作参与，其人机互动研究与设计应围绕这两大核心特征，首先进行教师教学与学生学习的相关教育心理学研究，紧接着在教育技术学、计算机科学领域利用人工智能Agent技术、自然语言处理技术、数据挖掘技术等进行ITS开发与设计。

二、ITS学生模型建构研究

学生模型建构过程是ITS导学过程中通过追踪学生学习过程，逐步形成特定学生知识学习模型。需要心理学工作者研究与揭示学科知识表征、学生学习过程及错误学习、学科知识结构特点，然后教育技术学与计算机科学领域工作者据此选择相应学生模型建构方式与行为指标进行设计。

1.特定学生知识学习模型建构的相关心理学研究

（1）学科知识模型的心理学研究

最早的学科知识模型是Collins和Quillian（1969年）提出的层级网络模型，它是以概念为基本单位，按逻辑的上下级关系组织起来的有意义层级网络系统（王甦等，2006）。层级网络模型具有严格的逻辑性，并不能真实反映个体头脑中所贮存的知识结构，例如，人们更容易认为“麻雀”是“鸟”，而不是“企鹅”。因此Collins和Loftus（1975年）用语义联系代替层次结构，根据概念间联系紧密程度与相互激活快慢难易将不同概念联系在一起。例如，在该模型中，“麻雀”与“鸟”的联系更紧密更强，而“企鹅”与“鸟”的联系更疏远更弱。激活扩散模型具有弹性，可容纳更多的不确定性与模糊性，更适合表征个体学科知识结构（王甦等，2006）。上述两种知识模型都是对概念、观念、事实等陈述性知识的表征，而物理、数学等学科更侧重于规则、技能等程序性知识。基于此，Anderson（1976年）提出思维适应性控制模型（ACT），该模型认为规则就是一个个步骤，它在头脑中的表征是产生式（“如果……那么……”）或产生式系统，概念、观念等陈述性知识就贮藏在条件“如果……”当中（王甦等，2006）。规则等程序性知识学习分为三阶段：陈述性知识的习得、陈述性知识向程序性知识的转化、程序性知识的自动化，个体学科知识模型存在着由陈述性知识构成的“联想记忆模型”（HAM）向“思维适应性控制模型”（ACT）转化。由于ACT模型将陈述性知识与程序性知识有机联系在一起，且能动态追踪个体学科知识学习过程，适用学科更广，它已成为众多ITS学生模型建构的理论依据（王甦等，2006）。

（2）学生错误学习的心理学研究

人们常将学习错误归为学生粗心或态度不认真，但Silver（1986年）认为学生反复出现的错误是因为他们没有掌握正确的概念、技能，或概念与技能之间缺乏联系性（Ohlsson，2016）。Gelman和Meck（1983年）发现学生能正确复述问题解决所需的技能，能正确判断他人问题解决步骤的正误，但仍然会在相同数学问题解决上出现错误，因此为避免学生错误，应让学生明了相关认知过程、解释错误、让学生用自己的理解去完成问题（Ohlsson，2016）。总之，相关心理学研究结果提出要避免错误首先应区分陈述性知识与程序性知识，它可以让我们理解正确解释与错误结果共存现象，学生正确解释是陈述性知识而学生解题过程是程序性知识，它们都是组成学生知识结构的一部分，两种知识学习速度不一样会造成错误。相关心理学研究还指出知识错误导致一些错误行为，但这种错误行为不会影响整个问题解决。有研究者将错误行为用计算机语言编写成一种错误程序。最早Brown等编写数学减法错误程序，Sleeman编写代数错误程序等，他们还设计数学错误程序库，纳入数学学习中常见的错误程序（Ohlsson，2016）。通常错误程序在诊断模型中以明确哪个错误程序应为学生错误答案负责，进而给予相应指导。如，“大数减小数”错误。学生做“73-26”数学运算时，通常会将大数减去小数，而不会去顾及何为减数、被减数。在错误程序中，学生将会被问及“是哪个数从哪个数中减去或移除”（Ohlsson，2016）。

（3）学生知识学习模型建构的心理学研究

教学专长研究发现：专家教师在教学过程中更关注学生错误回答、正确回答等学习线索，并对它们进行正确判断与评价，形成或充实完善特定学生知识学习模型，因此他们教学更有效（杨翠蓉等，2012）。形成特定学生知识学习模型对于教学意义重大。

特定学生知识学习模型由学生已有学科知识、常用学习策略、特有学习风格、学生个性心理（如性格、气质、学习兴趣、学习需要）等组成，其中最重要的是学生学科知识，它包括学生已掌握的知识、未掌握的知识、错误认识与信念、学生知识与教师知识间的差异。构建特定学生知识学习模型的过程是锚定-调整过程（Anchoring-and-Adjustment Process），其始于教师头脑中一般学生知识模型或学科知识模型；然后教师根据特定学生平时学习表现，如学习偏好、知识偏好，或不同于其他学生的学习特点、学科知识特点，推断该生学习特点及所拥有的知识，构建特定学生知识学习的初步模型；教学时，教师再通过注意该生学习表现，不断收集该生学习的新信息，逐步修订特定学生知识学习模型（Nickerson，1999）。

2.常见的ITS学生模型建构方式及学习行为指标

设计者建构ITS学生模型时根据上述心理学研究成果，将当前学生学习与专家模型、学生模型比较，追踪学生知识学习过程包括错误知识学习过程，从而推论、计算、不断建构与修订学生模型。常见的有四种学生模型建构方式，它们采用不同的学习行为指标。

（1）期望与错误概念调整适应的学生模型构建及主要指标

Auto Tutor是孟菲斯大学Grasser教授及其研究团队（2004）开发的服务于物理与计算机科学的智能导学系统。它通过学生期望与错误概念、学生言语信息输入、学生提问信息逐步构建修订学生模型，调整学生知识学习目标和错误概念。Auto Tutor在每一问题上都构建学生正确答案（期望概念）与错误答案（错误概念），同时对学生言语进行分类。例如，“力等于质量乘以加速度”这一知识点上设计10个含有正确知识点的句子，设计20种学生言语单元分类，其中包括16种学生问题分类，如论断、简短回答、元认知、比较问题、判断问题等。该模型主要构建指标是不同类别的学生言语、学生正确输入与错误输入，模型建构方法是对每一次学生信息输入进行分类，根据潜在语义分析的统计模型，通过语言学测量计算学生步骤输入的文本信息与学习事件脚本信息的差值、学生回应集合与学科模型学习目标的差值、回应集合与错误概念的差值，从而逐步修订调整学生模型。

（2）贝叶斯网络的学生模型构建及主要指标

贝叶斯网络实质上是网络和概率理论相结合的产物，是一种对不确定知识的概率推理与表征的工具（陈晓湘等，2009）。贝叶斯网络节点由存在一定关系的目标变量（正确概念与错误概念表征）与系列证据变量（测试项目表征）构成，因此该模型主要建构指标是学生正确输入与错误输入。学生在测试项目上的信息输入就是证据变量，因此在已知网络中证据变量正确概率值的情况下，利用贝叶斯网络计算可以获得学生正确概念与错误概念的概率。由于网络节点与学生学科知识变量一一对应，贝叶斯网络的条件概率分布量化学生学科知识关系及各知识点的学习概率，能较好反映学生学科知识结构变化，预测学生学习。它在ITS中被广泛用于表征多变量的学生学科知识模型，甚至包括基于限制的学生模型与学习追踪模型构建。

（3）学习追踪的学生模型构建及主要指标

Cognition Tutor是卡耐基-梅隆大学Anderson教授及其研究团队开发的服务于数学、物理等学科的智能导学系统。该系统学生模型建构的理论基础是ACT理论，它模仿人类解决数学、物理问题时提取的系列产生式，默认学生技能是由一系列产生式构成（Corbett et al.，1995）。例如，围绕8年级“自行车-旅行”的数学应用题，该学生模型最初构建学生数学问题解决的认知步骤，共68个正确的产生式规则，同时还构建错误的产生式规则以让系统理解学生错误输入，通常有：错误运算、讨论先后顺序错误、遗漏括号、混淆数量、遗失运算步骤、忽视对子目标错误的纠正、两种以上的错误联合（Hefferman et al.，2002）。Cognition Tutor的学生模型建构主要采用四大指标：初始学习、学习概率、意外出错、猜对。它通过学生在电脑界面的选择逐步修订学生模型。学科技能呈现在界面上以供学生选择并进行问题解决。学生在选择过程中，学生模型追踪过程会将学生选择结果与学科模型中的产生式进行匹配，如果不匹配，会呈现即时反馈，并允许学生再次进行选择；如果匹配正确，知识追踪程序“贝叶斯程序”则更新学生知识掌握概率，因此Cognition Tutor的学生模型是由一系列产生式及每一产生式的掌握概率组成。

（4）基于限制的学生模型构建及主要指标

基于限制的学生模型（Constrain Based Model，简称CBM）依据错误学习理论设计。它认为技能获得过程中的陈述性知识可以帮助学生从错误中学习，因此CBM模型中的学生学科知识表征是产生式条件，是问题解决空间状态相关的逻辑限制。该模型运用违背限制的信息去修订与改进学生部分掌握的认知技能。一个限制由三个基本成分构成：第一，相关条件，即问题解决时知识运用的背景与时机。第二，满意条件，问题解决所需的学科知识。第三，反馈信息，当问题解决失败，提出反馈并提醒学生当前错误运用的问题解决原则与知识。以烧水问题为例，其相关条件是“烧沸一壶水”，满意条件是“炉子温度为120摄氏度左右”，反馈条件是“当烧水时，记得将炉子温度保持在摄氏120度左右”。由于CBM被看成各种限制，学生错误学习的发现与辨别可以看成是模式匹配，其主要行为指标是学生正确输入与错误输入，如果学生输入与相关条件、满意条件都匹配，则学生无错误，不需修改学生模型，不需指导学生学习；如果学生输入与相关条件、满意条件（尤其是后者）相左，CBM监测到错误，会计算学生当前状态与满意条件的差值进而修订学生模型，同时给予相应反馈。

学生模型建构目的在于为ITS学习指导提供丰富的学生学习资讯，因此学生模型不仅要反映学生学习结果，还要反映学生学习过程特点。除上述主要行为指标，有些ITS还增加更多行为指标以精确计算学生学习行为概率与结果概率。Cen等（2006）在建构学生模型时设置学生某步骤的尝试次数、某步骤输入的正确率、学习率等行为指标。Pavlik等（2009）则将学生运用某知识的正确次数、错误次数、某知识难度、学习率等纳入到模型建构的行为指标中，获得学生关于正误回应、正误回应比率等学习信息，更精准预测学生学习过程。Chi等（2011）认为ITS是通过不同言语行为指导学生学习过程的，因此学生模型建构除设置学生正确回应次数、错误回应次数、知识难度、学习率等学生学习行为指标，也应设置指导者陈述某知识次数这一言语指导行为指标，这样能精准预测不同言语指导行为下学生学习行为，从而为ITS言语指导决策提供依据。

三、ITS人机互动研究

ITS有效的人机互动不仅要以学生模型为基础，教学模型、课程脚本数据库还需要储存丰富的言语指导行为策略，具体包括人机互动模式、模拟指导者的课程脚本、学习指导行为及适用规则等。ITS人机互动的设计同样也须以教育心理学相关研究结果为理论依据。

1.人机互动的相关心理学研究

（1）有效指导模式的心理学研究

学习指导模式随着学习理论的更迭出现相应变化，主要有：第一，教师讲授的学习指导模式。教师根据教材与自己对教材的理解系统地将学科知识口授给学生。第二，教师解释的学习指导模式。由学生提问、教师解释、学生理解并进一步提问、教师再次解释、学生最终理解等基本步骤构成的一种螺旋式推进模式。第三，师生对话的学习指导模式。基本步骤是：教师提问、学生回答、教师针对学生回答给予简短反馈、师生合作共同建构知识、教师评价学生掌握程度（Grasser et al.，1995）。

Muldner等（2013）分别以大学生、中学生为被试，探讨上述三种指导模式与学生观察讨论的学习模式对学习的影响，发现教师讲授的指导模式学习效果最差，且显著低于师生对话的指导模式。他们还发现对大学生的学习指导中，只有13.6%的师生对话是由大学生发起；对高中生指导中，只有3.2%的师生对话是由学生发起。由此他们认为学生可能由于内向、害怕自尊受损、学习动机不强，不会主动提出问题；学生不清楚自己知识掌握程度，难以提出问题，因此教师解释的指导模式对学生学业帮助有限。Chi等（2001）控制教师指导过程中的言语行为，要求一组教师尽可能用师生对话的指导模式进行学习指导，另一组教师则尽可能用教师解释的指导模式，结果发现师生对话的指导模式效果要好于教师解释的指导模式。总之，教师讲授的指导模式无助于学生学习，师生对话的指导模式最有利于学生学习，其次是教师解释的指导模式。

（2）教学专长的心理学研究

教学专长研究始于上世纪80年代，已有研究发现，与新手教师相比，专家教师有更卓越的教学行为。如，专家教师有更多教学常规且能有效执行；更能有效处理教学意外事件与突发事件；能把学生反应与问题纳入到下一步教学中，平衡学生与教学内容，使教学顺利进行。教学专长研究还发现专家教师教学行为卓越在于他们独特的认知特点（杨翠蓉，2009）。专家教师更能注意学生学习线索；教学模式再认既快又准；更深更准理解与表征教学事件包括突发事件；他们有丰富精致的学科知识、学生知识、一般教学策略、学科教学策略等，且形成相互联系的知识组织，能有效进行教学决策，顺利进行教学。教学专长的研究范式与研究结果为ITS人机互动中涉及的教学模型、课程脚本数据库设计提供了有力依据与丰富数据。

（3）指导策略的心理学研究

第一，指导者支架策略的研究发现。

布鲁纳认为支架是指导者与学生间的对话，是指导者通过提示、暗示等言语推动学生进一步思考，帮助保持学习动力，使其自始至终参与到学习活动中。专家教师与新手教师学习指导策略的比较研究、专家教师指导策略与学生学习结果的相关研究都发现，有经验的教师更频繁运用支架促进学生理解，无经验的教师更倾向于运用解释策略。VanLehn（2011）分析总结有效学习指导研究，指出学习指导有效性的原因之一是支架策略，而不是解释策略。

理论建构与众多实证研究表明，支架策略比解释策略更有利于学生学习，但在实际生活中，支架策略并不一直都能促进学生学业。指导者在运用支架策略过程中，如果不能对学生学习进行正确诊断与评价，如果忽略学生学习的积极主动性，一味给予提示、支持，同样会出现学生学习的“高原效应”、“学习效益递减规则”，最终使学生由主动学习转为被动学习（Koppa et al.，2012）。

第二，指导者解释策略的研究发现。

解释是学习指导中常用的一种策略，是学生提出问题后教师将关键概念、原则及联系等讲解给学生，是学生回答后教师指出并纠正学生错误观念。一些研究者认为解释策略无效原因在于：教师不能准确评价学生学习过程与学习结果。教师解释引发学生更多的简单回应，引发最多的浅层学习活动，不利于学生学科知识理解与掌握（Wittwer et al.，2008）。

支持教师解释指导模式的研究者则认为学生自我解释有时是错误的，他们更倾向于选择教师解释；教师解释有助于学生发现他们理解中不一致之处，从而让学生免于产生已经理解的假象；教师解释有助于弥补学生知识鸿沟，将当前知识与学生已有知识联系并整合起来，促进学生知识建构与理解。为进一步提高教师解释策略对学习指导的作用，他们还提出建议：教师解释应适合学生已有知识基础；教师解释不能替代学生知识建构活动；教师解释应与知识应用活动整合在一起。

2.ITS人机互动的探索性设计研究

ITS人机互动的探索性设计研究是架起连接相关ITS心理学研究与人机互动设计的一座桥梁，它依托于相关心理学研究结果，收集分析指导者的言语指导数据，由表及里，层层深入设计人机互动过程中的结构、模拟指导者的课程脚本、具体言语行为及运用规则等。

（1）ITS人机互动结构研究

Auto Tutor是以师生对话指导模式为依据开发的导学系统，其人机互动结构是模拟指导者对话与学生对话依次轮流完成，起于系统选择呈现一个问题，学生输入一初步简单或模糊答案，模拟指导者则以提问形式进一步回应，学生进行解释，模拟指导者再给予相应反馈并选择重要概念让学生予以澄清，这种循环对话模式直至学生阐明任务中涵盖的所有知识点为止（Grasser et al.，2004）。

SimStudent是卡耐基-梅隆大学Matsuda等（2013）开发的数学智能导学系统，它反向依据教师解释的指导模式，系统设计模拟学生，而学生则成为帮助模拟学生学习的指导者。其对话基本结构是：学生指导者在人机界面上选择一问题让模拟学生回答，模拟学生会提出“为什么选择此问题？”或“该问题对我学习有何帮助？”；学生指导者做出解释；模拟学生尝试输入某一步骤并咨询是否正确；学习指导者给予相应反馈；如反馈为错误，模拟学生或进行另一种步骤的尝试，或提问为什么会是错误步骤，或向学生指导者求助；学生指导者根据模拟学生相应行为或给予反馈，或给予澄清解释，或指出正确的步骤并解释，该对话直到模拟学生顺利完成任务并理解任务所涵盖所有知识为止。

（2）ITS课程脚本研究

学习指导策略研究发现支架策略与解释策略的运用具有一定情境性，教学专长研究发现专家教师拥有更多有效教学常规，因此为使ITS人机互动效果最大化，研究者收集分析专家教师的教学行为，设计具有一定结构的课程脚本。

Cade等（2008）分析8位数学与科学专家教师的言语指导，总结8类学习指导言语及呈现规律，并将其转化为课程脚本。学习指导言语包括引导性介绍、解释、提出新的问题、示范、支架、撤消支架、无关信息介绍和总结，有效的课程脚本有：引导性介绍+解释；解释+支架；提出新的问题+支架；支架+解释；支架+提出新的问题。Chen等（2011）收集与分析两位专家指导者的言语，将解释策略细分为程序性知识的解释策略以及陈述性知识的解释策略，提出不同知识的有效解释脚本。对于程序性知识而言，程序性知识解释+反馈结构更为有效；对于陈述性知识而言，反馈+陈述性知识的解释结构更为有效。但他们指出，相对于解释脚本，结合支架与解释的脚本更为有效，它们是：支架+程序性知识解释+反馈、陈述性知识解释+反馈+支架。

（3）ITS解释、支架的言语行为及应用规则研究

教学专长与学习指导策略的心理学研究表明，主动建构学习效果好于被动接受学习。指导者应根据学生学习状况给予提问、提示等支架策略，针对学生回答给予反馈、解释；只有在学生不能主动建构情况下，指导者才给予解释。

Auto Tutor通过人机言语互动，纠正学生错误概念，逐步掌握正确知识，因此它除要对学生言语进行分类外，还要形成相应的指导者言语类型以回应学生言语或推进对话深入。回应学生言语的指导者言语是解释，主要有简短反馈、回答学生问题、纠正学生错误概念；推进对话的指导者言语是支架，主要有推进、提示、暗示、推断等。DT数学智能导学系统的提示与反馈功能是建立在学生学习概率模型之上的，它通过指导过程中的言语互动计算学生学习概率、学习厌倦概率、正确输入概率，形成学生模型，进而决定模拟指导者是给予立即反馈还是延迟反馈，是学生言语输入前给予提示还是之后提示。例如，学生在信息输入错误时，通过概率计算，DT系统判断该生知识掌握程度较高，则会延迟反馈；如果判定该生能力不足，则会即时反馈；如果通过概率计算发现不给予提示，该生会进行错误尝试并最终陷入学习倦怠，则会在学生信息输入前就给予下一正确步骤及相应规则运用的明确提示。Katz等（2013）通过分析8位物理专家教师的言语数据开发并设计了物理导学系统Andes言语行为的运用规则。如当学生尤其是学科知识少的学生不能解释自己观点时，模拟指导者应当提“为什么”的推进性问题；当学生作出部分正确回答时，模拟指导者应给予反馈并解释；当学生仅仅说出答案时，模拟指导者应提问让学生说出自己的解题过程等。

四、ITS研究与设计展望

1.应联合不同领域研究者，合作开展ITS的研究与设计

国外ITS研究与设计的深入受益于相关跨学科研究机构的成立。匹兹堡大学的学习研究与发展中心致力于包括ITS在内的学习与教学研究，该中心的教学专长研究、课堂谈话研究、物理学科教学研究等为中心开发物理智能导学系统Andes提供借鉴与借用（University of Pittsburgh，2016）。在计算机科学及其相关领域享有盛名的卡耐基-梅隆大学，心理学研究者Anderson、Kendigoer等除进行学科知识表征、学生学习包括错误学习等心理学研究外，也与计算机科学相结合设计Cognition Tutor、SimStudent等（Carnegie Mellon University，2016）。国内ITS的研究与设计相对落后，主要是不同领域研究者较少交流合作，教育技术学与计算机科学领域的研究者较少了解学科教学、学生学习尤其是错误学习，国内教育心理学研究者甚少了解人工智能在教育领域中的应用。今后有必要成立更多跨学科研究机构，联合国内教育心理学、教育技术学与计算机科学领域的研究者共同开展ITS的跨学科研究与设计。

2.应更多研究专家教师的言语指导行为，形成科学系统的互动结构、脚本与策略

国内教学对话研究表明，课堂教学中教师更具有话语权，他们会提更多的预设性问题、封闭性问题、概念性问题，但是专家教师课堂话语日益减少，更关注学生经验，他们的课堂对话表现出一种探索性对话与协商性对话的多向度对话结构（刘兰英，2012）。ITS是计算机扮演专家指导者的一种适应性学习支持系统（Ma et al.，2014）。人机互动的探索性研究应以专家教师或专家指导者为研究对象。不过国外现有ITS指导者言语行为的心理学研究、人工智能研究多选择数量有限的专家教师，依据少量言语数据开发的言语指导结构、课程脚本、言语指导策略的有效程度与推广程度不得而知。观课、赛课、师徒结对等策略是目前国内中小学校教师校本发展的主要策略，这些策略使得国内大范围收集专家教师的言语指导行为成为可能。我国有必要建立专家教师言语指导语料库，系统研究与分析中国专家教师学习指导过程中的言语规律，为ITS人机互动设计提供丰富的科学数据。

3.应重视情感对学生学习的影响，建构集认知与情感于一体的学生模型

情绪情感也会影响学生学习过程与学习结果。国内外一些研究者也注意到情绪等非认知因素对学生学习过程的影响，分别用眼动追踪技术、表情追踪识别技术与基于认知的情绪识别模型，根据学生注视模式、瞳孔大小、嘴眼间距等指标对学生情绪情感变化进行追踪，并选择相应的指导策略（詹泽慧，2013）。但是已有ITS学生模型建构或侧重学生认知过程追踪，或侧重学生情绪情感过程追踪。教学专长研究表明，专家教师往往综合学生认知与情绪情感变化进行教学决策。未来的ITS有必要建构集认知与情感于一体的学生模型。

[1]陈晓湘,费洪晓(2009).智能授导系统中的学生建模研究[J].计算机与现代化,(1):8-11.

[2]康健(2013).以知识点为中心的智能导学系统的研究与实现[D].长春:东北师范大学.

[3]刘兰英(2012).小学数学课堂师生对话的特征分析[D].上海:华东师范大学.

[4]尚晓晶(2013).基于“导学案”教学模式的智能导学系统的设计开发和实证研究[D].锦州:渤海大学.

[5]唐崇华(2016).基于移动端的智能导学系统研究[J].软件导刊,(3):93-96.

[6]王甦,汪安圣(2006).认知心理学[M].北京:北京大学出版社:170-194.

[7]杨翠蓉(2009).教学专长的实质研究[M].长春:吉林人民出版社,100-110.

[8]杨翠蓉,吴庆麟,周成军(2012).教学决策的专家-新手比较研究[J].中国特殊教育,(9):88-93.

[9]詹泽慧(2013).基于智能Agent的远程学习者情感与认知识别模型——眼动追踪与表情识别技术支持下的耦合[J].现代远程教育研究,(5):100-105.

[10]Cade,W.L.,Copeland,J.L.,&Person,N.K.et al. (2008).Dialogue Modes in Expert Tutoring[A].Proceedings of International Conference on Intelligent Tutoring Systems(ITS 2008)[C].Montreal,Canada:470-490.

[11]Carnegie Mellon University (2016).Home[EB/OL]. [2016-05-23].http://act-r.psy.cmu.edu/.

[12]Cen,H.,Koedinger,K.R.,&Junker,B.(2006).Learning Factors Analysis:A General Method for Cognitive Model Evaluation and Improvement[A].Ikeda,M.,Ashley,K.D.,& Chan,T.-W.(Eds).International Conference on Intelligent Tutoring Systems[C].Springer-Verlag:164-175.

[13]Chen,L.,Eugenio,B.D.,&Fossati,D.et al.(2011).Exploring Effective Dialogue Act Sequences in One-on-One Computer Science Tutoring Dialogue[A].Proceedings of the 6th Workshop on Innovative Use of NLP for Building Educational Applications[C]:65-75.

[14]Chi,M.T.H.,Siler,S.A.,Jeong,H.et al.(2001). Learning From Human Tutoring[J].Cognitive Science,25(4): 471-533.

[15]Chi,M.,Koedinger,K.R.,&Gordon,G.J.et al.(2011). Instructional Factors Analysis:A Cognitive Model For Multiple Instructional Interventions[A].Proceedings of International Conference on Educational Data Mining[C].Eindhoven,the Netherlands:61-70.

[16]Corbett,A.T.,&Anderson,J.R.(1995).Knowledge Tracing:Modeling the Acquisition of Procedural Knowledge[J]. User Modeling and User-Adapted Interaction,(4):253-278.

[17]Grasser,A.C.,Lu,S.,&Jackson,G.T.et al.(2004). AutoTutor:A Tutor With Dialogue in Natural Language[J].Behavior Research Methods Instruments&Computers,36(2): 180-192.

[18]Grasser,A.C.,Person,N.K.,&Magliano,J.P.(1995). Collaborative Dialogue Patterns in Naturalistic One-to-One Tutoring[J].Applied Cognitive Psychology,9(6):495-522.

[19]Hefferman,N.T.,&Koedinger,K.R.(2002).An Intelligent Tutoring System Incorporating a Model of an Experienced Human Tutor[A].Cerri,S.A.,Gouarderes,G.,&Paraguacu,F. (Eds).Intelligent Tutoring Systems[M].Berlin Heidelberg:Springer:596-608.

[20]Katz,S.,&Albacete,P.L.(2013).A Tutoring System That Simulates the Highly Interactive Nature of Human Tutoring [J].Journal of Educational Psychology,105(4):1126-1141.

[21]Koppa,K.J.,Britta,M.A.,&Millisa,K.et al.(2012). Improving the Efficiency of Dialogue in Tutoring[J].Learning and Instruction,22(22):320-330.

[22]Ma,W.,Adesope,O.O.,&Nesbit,J.C.et al.(2014). Intelligent Tutoring Systems and Learning Outcomes:A Meta-Analysis[J].JournalofEducationalPsychology,106(4): 901-918.

[23]Matsuda,N.,Yarzebski,B.,&Keiser,V.et al.(2013). Cognitive Anatomy of Tutor Learning:Lessons Learned With SimStudent[J].JournalofEducationalPsychology,105(4): 1152-1163.

[24]Muldner,K.,Lam,R.,&Chi,M.T.H.(2013).Comparing Learning From Observing and From Human Tutoring[J]. Journal of Educational Psychology,106(2):364-379.

[25]Nickerson,R.S.(1999).How We Know—and Sometimes Misjudge-What Others Know:Imputing One's Own Knowledge to Others[J].Psychological Bulletin,125(6):737-759.

[26]Ohlsson,S.(2016).Constraint-Based Modeling:From Cognitive Theory to Computer Tutoring-and Back Again[J].International Journal of Artificial Intelligence in Education,26(1): 457-473.

[27]Pavlik,P.I.,Cen,H.,&Koedinger,K.R.(2009).Performance Factors Analysis-A New Alternative to Knowledge Tracing[A].Proceeding of the 2009 Conference on Articial Intelligence in Education[C].IOS Press:531-538.

[28]University of Pittsburgh(2016).Learning Technology [EB/OL].[2016-05-23].http://www.lrdc.pitt.edu/research/learning_technology.cshtml.

[29]VanLehn,K.(2006).The Behavior of Tutoring Systems [J].International Journal of Artificial Intelligence in Education, 16(3):227-265.

[30]VanLehn,K.(2011).The Relative Effectiveness of Human Tutoring,Intelligent Tutoring Systems,and Other Tutoring Systems[J].Educational Psychologist,46(4):197-221.

[31]Wittwer,J.,&Renkl,A.(2008).Why Instructional Explanations Often Do Not Work:A Framework for Understanding the Effectiveness of Instructional Explanations[J].Educational Psychologist,43(1):49-64.

Sim-Agent and Student Interaction in ITS:From Interdisciplinary Research and Design

Yang Cuirong,Chen Weidong,Wei Hongtao

Intelligent tutoring system(ITS)is an adaptive tutoring system which guides the learning process and learning outcome of students with different characteristics by artificial intelligence technology as an expert tutor.ITS has the specific structure and mechanism different from traditional tutoring system,and its core characters are student modeling and adaptive tutoring.According to educational psychology,student modeling in ITS is the process of constructing specific student learning model by tracing his or her learning behavior.There are mainly four different student models in ITS which employ different student learning behavior:Expectation and Misconception Tailoring,Model Tracing,Constraint based Modeling,and Bayesian Network Modeling.According to human tutoring study in educational psychology,the effective interaction between Sim-agent and student should not only bases on student module in ITS system,but also needs rich and effective tutoring strategies in teaching module and curriculum script's database.ITS studies from educational psychology,educational technology,and computer science give some implications to us.Researchers in our country should be combined in various areas to promote the development of ITS on the basis of existing ITS research and design.Expert teachers'tutoring should be studied more for constructing effective interaction structure,tutoring script and tutoring strategies in ITS.In addition,more focus should be put on student's emotion because of its influence to learning,and student cognitive and affective model should be constructed in the future of ITS'student model design.

ITS;Student Modeling;Adaptive Tutoring;Sim-Agent and Student Interaction;Interdisciplinary Research

434

A

1009-5195（2016）06-0103-09 doi10.3969/j.issn.1009-5195.2016.06.012

江苏省社科基金一般项目“智能导学系统ITS人机言语互动的心理机制研究”（15JYB012）资助。

杨翠蓉，博士，教授，硕士生导师，苏州科技大学教育与公管学院心理学系；陈卫东（通讯作者），博士，教授，硕士生导师，苏州科技大学传媒与视觉艺术学院副院长；韦洪涛，教授，硕士生导师，苏州科技大学教育与公管学院书记（江苏苏州 215009）。

2016-07-02 责任编辑 汪燕