智能导师系统研究热点与趋势的可视化分析

唐静萍，张　萍

陕西师范大学教育学院， 西安　710062

人工智能发展进入新阶段，国务院印发的《新一代人工智能发展规划》中提倡实施全民智能教育项目，为中小学生开展人工智能相关课程[2]。在这样的背景下，智能导师系统的发展面临的挑战将更加严峻。

1　数据来源

在WebofScience中选择“核心合集数据库”，以“Intelligent tutoring system”为主题词，时间跨度为所有年份进行检索。在初步得到的检索结果中选择文献类型为“Article”进行精炼，删除不相关的文献，最终可用于该研究的论文共608篇。

2　研究现状

2.1　文献量统计

图1中的实线表示年份与发文数量，虚线表示发文数量的变化趋势。WOS核心合集数据库中关于“In- telligent tutoring system”主题的论文最早可以追溯到2007年1月：沃斯·汉斯[3](Vos H J)采用贝叶斯序列决策理论为明尼苏达自适应教学系统的连续决策制定了最优规则；之后的几年时间里文献数量逐渐增多，2013年达到小高峰78篇，2014年是一个转折点，这一时期研究者在对智能导师系统的研究经过冷思考之后又开辟了新的研究方向，比如：结合学习者情绪、学习能力、数据挖掘等；到2016年达到103篇，文献量整体呈平稳上升趋势，这说明在人工智能时代的影响下研究者对智能导师系统的关注在增加。

图1　年份与发文数量

2.2　作者统计

经统计发现共有1 471名作者参与了论文写作，高产作者如表1所示。

表1　高产作者统计

第一、二、三名均来自卡耐基梅隆大学(Carnegie Mellon Univ)，他们主要研究认知导师(一种基于认知心理学理论的问题解决与学习的智能导师)，并探索支持元认知的互动方法以及学习者自我调节的策略[4]。他们使用认知导师创作工具(CTATs)创建了开放访问的数学家教网，指导中学生解决数学问题[5]；第四名亚利桑那州立大学的VanLehn K主要研究智能导师系统的效果，其研究表明智能导师系统可以缩小高水平和低水平学习者之间的差距，其辅导效果和人类的辅导一样有效，学生的学习成绩显著提高[6]；第五、六名来自孟菲斯大学(Univ Memphis)的D 'mello S、Graesser A和排在第八位的来自孟菲斯市州立大学(Memphis State Univ)的Graesser A C是一个团队的，他们侧重于智能导师系统中学习者情绪的研究，通过捕捉学习者的肢体语言来判断其情绪，并适时地回应，以提高学习动机[7]；第七名Mcnamara D S主要研究在智能导师系统中如何让学生在材料的概念之间建立联系，尤其是与先前的知识建立联系；第九名Mitrovic A主要研究自适应教育系统的评估和改进；排名第十的Rau M A主要研究多重表征在智能导师系统中的应用，为复杂课程设计提供指导。总体上，研究者都是基于人类认知或者情感，借助人工智能的理论、工具和技术来设计和实现智能导师系统。

2.3　主要研究机构、地区统计

表2显示的是排名前十的研究机构。第一名是卡耐基梅隆大学，发文46篇，占总数的7.57%，高产作者前三位都来自该所大学，他们主要研究认知导师；第二名是亚利桑那州立大学，发文28篇，高产作者第四名来自该所大学。其他的机构这里不再详细说明，总体上智能导师系统的研究机构主要是各大高校，并且都是围绕某一方向进行研究。

表2　高产机构统计

排名前十位的国家(地区)如表3所示。美国作为智能导师系统的创始国家[8]，发文数量最多，占总数的37.34%；其次是中国的台湾地区，55篇；然后是西班牙、加拿大、德国、土耳其、中国、英国、澳大利亚和韩国。从地区的角度看中国(包括台湾地区)共发文76篇，仅次于美国。

就当前的发展形式来看，短视频的主要收入来源为广告、电商和用户付费等，平台以补贴来鼓励用户大量生产内容。随着短视频用户量的增加，仅仅是给补贴已经维护不了团队的生存。在用户付费和会员方面，相关的制度并不完善，没有足够的版权意识；在用户打赏这一方面，平台的纷乱状态导致获得的金钱很难变现给内容生产者。在收益方面，移动短视频应该进一步改革探索。

表3　高产国家(地区)统计

3　相关知识图谱的构建

3.1　文献引证

在Citespace中“Time Slicing”设置从2007到2017，选择1年作为时间切片；“Term Source”选择Title、Abstract、Author Keywords(DE)、Keywords plus(ID)；“Nodes Types”选择cited reference；“Top N Per Slice”选择30(后面的几个知识图谱通过同样的方法来获得)。可视化之后得到473个结点，1 257条连线的引文知识图谱(如图2所示)。依据被引频次和中心度共得到3篇关键性文献。

图2　引文知识图谱

第一篇是Aleven V于2009年发表的Thework-ed-exampleeffect:Notanartefactoflousycontrolcon-ditions一文[9]，频次237，中心度0.15。Aleven V等对比了样例学习和认知导师两种辅导方式，结果表明：样例学习中学生需要较少的时间来掌握知识，减轻了认知负荷。而认知导师除了有效率优势外，还可以为学生提供大量的支持、纠正反馈、自我解释提示，进一步优化了应试教育和辅导学习相结合的方法。

第二篇是Koedinger K R于2012年发表的Apar-adigmforhandwritingbasedintelligenttutors一文[10]，频次159，中心度0.13。作者在文中介绍了智能辅导系统的交互设计和技术可行性，提出了一种基于笔端输入的智能辅导系统，以用户为中心的设计原则，根据上下文来降低识别错误。这为学生未来系统的设计提供了借鉴。

第三篇是VanLehn K于2011年发表的TheRel-ativeEffectivenessofHumanTutoring,IntelligentTu-toringSystems,andOtherTutoringSystems一文[11]，频次163，中心度0.10。作者认为智能导师与人类导师一样可以为学生增加学习成果，不过智能导师应该被用来辅助学习，而不是取代整个课堂。

3.2　关键词共现

“Nodes Types”选择Keyword，可视化之后得到一个有176个结点，766条连线的主题词共现知识图谱，经过聚类之后如图3所示。再选择Burst Terms之后得到的突现词聚类时区知识图谱如图4所示。

图3　关键词共现知识图谱

图4　突现词聚类时区知识图谱

图3中的聚类#0是工具(tool)、聚类#1是情感(emotion)、聚类#2是学生模型(student model)、聚类#3是风格(style)、聚类#4是边缘学科(interdisci- plinary project)、聚类#5是多重表征(multiple repres- entation)、聚类#6是反馈(feedback)。这7大类代表了智能导师系统当前的研究前沿，其中最大的聚类是学生模型。

聚类0“工具”。许多研究者将智能辅导系统作为辅助学生学习的工具，比如智能写作辅导系统“笔友(W-Pal)”为学生提供明确的写作指导，W-Pal的关键在于其包含一套教育游戏，学生在与W-Pal的互动中增加了对写作的兴趣[12]。又如在语言课程学习中，阅读能力的培养十分重要，Hsu C K等提出了一种基于知识工程方法，通过从多个专家系统中获取领域知识来开发阅读材料智能推荐系统。实验结果表明，该系统能够通过分析学生的偏好和知识水平，以及文章的分类和特点，来向学生提供个性化推荐[13]。

聚类1“情感”。情感参与是衡量交流质量的一个重要指标，但是要让机器识别、测量、模拟学习者情感是十分困难的。Mello D等认为情感导师对于低领域知识的学习者可能是最有用的，为了改善人机交互，研究者正致力于研究一种能产生适当的情感反馈来建立更加自然的人机交流的智能系统，为学习者创建基于情感的更友好的学习环境。

聚类2“学生模型”。学生模型已被应用于模拟学生的领域知识、认知技能和兴趣。研究人员已经尝试开发计算机辅助测试和诊断系统，以帮助学生提高他们的学习成绩。Panjaburee P整合多个专家测试系统中的学生模型，设计并实现了一个创新的测试和诊断系统[14]。VanLehn K等开发并评估了一个智能辅导系统，该系统包括两个部分：导师和元导师(meta-tutor)。导师可以对学生的练习给出反馈，并能在学生提问时进行示范；元导师则帮助学生进行深度建模，但遗憾的是当不使用元导师时学生倾向于回归浅层次的学习[15]。

聚类3“风格”。满足学生的个性化学习是智能导师系统的宗旨，学习风格属于学生模型下的认知模型的一部分，智能辅导系统的一大特色就是基于对每个用户的学习风格和特点的优化，从而实现个性化的学习体验。

聚类4“边缘学科”。智能导师系统最初被用来帮助学生解决数学问题，后来又被用来帮助学生进行医学学习、语言学习等。现如今，ITS又被用于边缘学科的教学中。

聚类5“多重表征”。在STEM教育的过程中，建立图形化之间的连接是必不可少的，然而学生常常不能自发地建立这些联系。为了解决这个问题，Rau M A等使用了一种基于目标域的特定需求的方法，结合知识测试、眼动跟踪、访谈和日志数据分析设计了智能化学导师系统，研究图形表征在化学知识学习中的作用。

聚类6“反馈”。这是计算机自适应技术在教育领域的一个热点，学生的性别、先前知识、动机会影响反馈效率，辅导反馈策略也会影响学生学习动机，为学生提供即时反馈至关重要[16]。El Saadawi G M的研究表明，医学智能辅导系统中的即时反馈对患者的元认知和认知能力都有积极的影响[17]。

图4中有14个突现词，它们分别是：个体学习者(individual-learner)、解决问题(problem solving)、教育数据挖掘(educational data mining)、隐马尔可夫模型(hidden markov model)、本体论(ontology)、风格(sty- le)、教室(classroom)、学习风格(learning style)、技能(skill)、数学(mathematics)、学习(learning)、框架(fra- mework)、表现(performance)、教学代理(pedagogical agent)。这些突现词反映了ITS的研究趋势。

4　研究热点与研究趋势：基于知识图谱的结果分析

4.1　研究热点

4.1.1智能辅导的有效性智能导师系统的辅导效果是研究者比较关注的一个问题，他们在研究智能辅导的效果时一般是与常规课堂教学的辅导进行对比。当实验周期大于一学期或更长的时间时，智能辅导的效果似乎更大。普通学习者在智能辅导系统中获得的辅导效果要优于低成就学习者。这说明智能辅导的效果受实验周期和学习者知识水平的影响。另外，还有研究发现智能导师系统对大学生的学术学习有适度的积极影响。Graesser A C的研究发现使用亚力克斯数学智能辅导系统的学生的行为和参与情况跟专业教师授课的学生相同，不同的是前者要求教师的帮助大大减少[18]。

4.1.2学生模型学生模型是智能导师系统的核心，智能导师系统当前的一个关键应用领域是改进学生模型，系统根据学生的知识、动机、元认知和态度等基本信息进行个性化建模，识别学生的表情、手势等信息[19]，从而适应学生的个体差异。

4.1.3游戏化一些研究者在设计智能导师系统的时候倾向于加入游戏元素，这类智能系统大多被用于幼儿、注意力不易集中的学生等，通过游戏吸引学生的注意力，以此帮助学生完成学习。例如：基于游戏的智能辅导系统Istart-me被用来研究学生的受控行为；幼儿园社交辅助机器人(KindSAR)以讲故事作为一种建设性教育活动，在互动过程中将歌曲和运动结合在一起；Kegel C A T等运用随机对照试验研究312名低社会经济地位儿童学习字母的情况，结果发现在智能导师系统中添加游戏会促进孩子们的学习[20]。

4.2　研究趋势

4.2.1教育数据挖掘教育数据挖掘已成为一个独立的研究领域，只有将智能教育与大数据结合起来才能顺应“数智时代”的发展。因此，近年来研究者格外注重智能导师系统中教育数据的挖掘，通过一系列数据进行学习分析，从而为有效学习、深度学习的发生创造有利条件。

4.2.2社交技能社交能力在学校和生活中都是成功的关键，为了帮助自闭症儿童更好地融入社会，研究者开发了智能社交导师系统[21]。通过模拟现实生活中的场景，为孩子们提供一个安全的实践环境。目前，部分家长、教育工作者、心理健康专家已经认可使用这种方式帮助孩子获得社交技能。然而，由于社交问题的复杂性，此类系统仍需不断完善。

4.2.3虚拟现实技术虚拟现实技术在ITS中的价值主要体现在实验教学中的运用，诸如医学实验、电力系统实验等。传统教学中，牙科学生用塑料牙齿来训练技能，这样的训练带来的结果就是使学生在真实场景中往往无从下手[22]。基于此，研究者开拓了一个智能系统，逼真的场景加上沉浸式学习，完美的解决了以上难题。受此类研究的启发，陆续有研究者研发出了各种虚拟患者，学习者通过与系统的交互来完成对患者病情的诊断和治疗。

人工智能时代已经到来，在医疗健康、安防、教育、电商零售、金融、智能汽车、机器人等领域已经越来越多地体现了人工智能的价值。通过对ITS研究热点和趋势的分析，笔者认为：智能导师系统的发展必须牢牢抓住学习者、大数据、智能技术这三个关键因素。学习者是ITS的中心、大数据是ITS的基础、智能技术是ITS创新的依据。同时，我们应该理性地去看待智能辅导系统，绝不能一味地去追捧。

[1]刘清堂,吴林静,刘嫚,等.智能导师系统研究现状与发展趋势[J].中国电化教育,2016(10):39-44

[2]国务院.新一代人工智能发展规划[EB/OL].http://www.gov.cn/zhengce/content/2017-07/20/content_5211

996.htm,2017-07-20

[3]Vos H J.A Bayesian sequential procedure for determining the optimal number of interrogatory examples for conce- pt-learning[J].Computers in Human Behavior,2007,23(1):609-627

[4]Koedinger K R,Aleven V.Exploring the assistance dilem- ma in experiments with cognitive tutors[J].Edu Psychol Rev,2007,19(3):239-264

[5]Aleven V,McLaren B M,Sewall J.Scaling up programm- ing by demonstration for intelligent tutoring systems dev- elopment:An open-access web site for middle school ma- thematics learning[J].IEEE Transa on Learning Tech- nol,2009,2(2):64-78

[6]VanLehn K.The relative effectiveness of human tutoring,intelligent tutoring systems,and other tutoring systems[J].Edu Psychol,2011,46(4):197-221

[7]Graesser A C,D'Mello S.5 Emotions During the Learning of Difficult Material[J].Psychology of Learning and Mo- tivation-Advances in Research and Theory,2012(57):183

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

[9]Schwonke R,Renkl A,Krieg C,et al.The worked-exam- ple effect:Not an artefact of lousy control conditions[J].Computers in Human Behavior,2009,25(2):258-266

[10]Anthony L,Yang J,Koedinger K R.A paradigm for han- dwriting-based intelligent tutors[J].Inter J of Human-Computer Studies,2012,70(11):866-887

[11]VanLehn K.The relative effectiveness of human tutor- ing,intelligent tutoring systems,and other tutoring sys- tems[J].Edu Psychol,2011,46(4):197-221

[12]Allen L K,Crossley S A,Snow E L.L2 Writing Practice:Game Enjoyment as a Key to Engagement[J].Language Learning & Technol,2014,18(2):124-150

[13]Hsu C K,Hwang G J,Chang C K.Development of a read- ing material recommendation system based on a know- ledge engineering approach[J].Computers & Edu,2010,55(1):76-83

[14]Panjaburee P,Hwang G J,Triampo W,et al.A multi-ex- pert approach for developing testing and diagnostic sys- tems based on the concept-effect model[J].Computers & Edu,2010,55(2):527-540

[15]Zhang L,VanLehn K,Girard S,et al.Evaluation of a me- ta-tutor for constructing models of dynamic systems[J].Computers & Edu,2014(75):196-217

[16]Narciss S,Sosnovsky S,Schnaubert L,et al.Exploring feedback and student characteristics relevant for perso- nalizing feedback strategies[J].Computers & Edu,2014(71):56-76

[17] El Saadawi G M,Azevedo R,Castine M,et al.Factors af- fecting feeling-of-knowing in a medical intelligent tutor- ing system:the role of immediate feedback as a meta- cognitive scaffold[J].Adv in Health Sci Edu,2010,15(1):9-30

[18]Craig S D,Hu X G,Graesser A C.The impact of a techno- logy-based mathematics after-school program using A- LEKS on student's knowledge and behaviors[J].Com- puters & Edu,2013(68):495-504

[19]Sarrafzadeh A,Alexander S,Dadgostar F,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

[20]Kegel C A T,Bus A G.Online tutoring as a pivotal qua- lity of web-based early literacy programs[J].J of Edu Psychol,2012,104(1):182-192

[21]Sanchez R P,Bartel C M,Brown E,et al.The acceptab- ility and efficacy of an intelligent social tutoring system[J].Computers & Edu,2014(78):321-332

[22]Stevens A,Hernandez J,Johnsen K,et al.The use of vi- rtual patients to teach medical students history taking and communication skills[J].Am J of Surg,2006,191(6):806-811