智能导学系统中反馈的设计研究

夏雪莹 马玉慧

（渤海大学 教育科学学院，辽宁 锦州 121000）

一、引言

智能导学系统（ITS）是指借助人工智能技术模仿人类教师，为学习者提供个性化学习指导，使不同需求和特征的学习者获取知识与技能的智能化计算机辅助教学系统（刘清堂，吴林静，刘嫚，范桂林，毛刚，2016）。其凭借智能化分析学习过程数据，给出智能化指导、反馈及个性化推荐等，对教育教学方式起到变革作用。

有效反馈作为激发学习者动机、提高学习绩效及调整、改进教师教学的重要变量（何克抗，2017），处于课堂教学互动的关键环节。随着相关技术的不断完善，让“教师提问—学习者回答—教师反馈”常态化的教学情景逐渐趋于智能化。智能导学系统作为人工智能教学的应用工具，国内外学者开始关注并引入反馈，最终构建了具有反馈功能的智能导学系统。从国际形势上来看，国外从事智能导学系统研究的学者多注重反馈的设计研究，但是在反馈系统的功能实现以及效果验证等方面都还有待完善。相较于国外研究，国内学者侧重于从智能导学系统的历史演化、理论、技术、基本框架设计及发展趋势等方面进行研究，在反馈的设计研究方面仍具有一定的提升空间（刘清堂 等，2016；高红丽 等，2016；龚礼林，刘红霞，赵蔚，刘阳，2019）。

本文在已有研究的基础上，从影响反馈效果的影响因素出发，提出了智能导学系统中反馈设计的通用性原则。接着从反馈功能入手，对这些已有系统进行分析，总结了认知反馈、元认知反馈和情感反馈的设计方法，可为我国基于反馈的智能导学系统的研究和开发提供参考与借鉴。

二、智能导学系统中影响反馈效果的因素

已有研究表明，反馈对学习者学习效果的影响存在不确定性，其主要与影响反馈的因素有关。本文从反馈内容、反馈形式和学习者因素三方面入手，分析影响反馈效果的主要因素，并提出反馈设计的通用性原则。

（一）反馈内容与效果

反馈内容对学习效果的影响是显而易见的。一方面，Hattie和Timperley（2007）在总结众多反馈的实证研究基础上，根据反馈所包含信息的复杂性将其分为结果性反馈、正确反应反馈和精细反馈。其中，结果性反馈只提供答案对错的信息，属于最简单的反馈；正确反应反馈则提供正确答案，相比于结果性反馈稍复杂；精细反馈（Elaborated Feedback）又分为属性隔离、因情况而异的回应、因情况而异的主题、提示/线索、误解/错误、教育性辅导六类，属于复杂性反馈（Shute，2008）。龚少英、韩雨丝、王祯、徐升和刘小先（2019） 通过对比实验来探究精细反馈的复杂程度对学习迁移的影响，结果表明：反馈的复杂程度仅对先前知识水平低的学习者的学习迁移影响较深，且精细反馈的复杂程度与学习者的迁移成绩成正比关系。可见，由于先前知识掌握情况不同，反馈效果对先前知识水平低的学习者有明显影响，且精细反馈的复杂性越高，其效果越明显。虽然反馈内容没有形成统一标准，但需遵循反馈内容与目标内容相联系的原则。

另一方面，按照反馈内容性质的不同，反馈分为积极反馈和消极反馈，积极反馈是指对学习者的任务表现做出肯定评价，能够对学习者起到激励作用，而消极反馈是指对学习者的任务表现做出否定评价，有助于引起学习者的警觉，并使其调整后期的反应（Lang ＆ Betsch, 2018）。邹雨晨、丁颖、张旭然和李燕芳（2018）通过实证研究发现，消极反馈对8～10岁儿童学习效果的影响比积极反馈更大。高爽和张向葵（2016）使用元分析方法来研究积极反馈对儿童内在动机的影响，结果表明积极反馈对儿童的内部动机有积极作用。此外，Page（1958）发现：得到预先设定的评语的学习者比得到字母等级的学习者有更高的学习热情，相比较于等级评价，书面评语对学习者的学习帮助更大。

因此，在特定条件下，积极反馈或消极反馈皆可正向影响学习效果，但有效的反馈应当提供关于表现的具体信息，要将这些结论性的等级评价转化成描述性信息传递给学习者。如果未能进行充分的描述，则反馈效果就可能导致争议（Grant, 2012）。

（二）反馈形式与效果

反馈的形式包括反馈时机、反馈声音、反馈方式等。反馈时机是指学习者应答行为发生到反馈刺激呈现之间的时间间隔，分为即时反馈和延迟反馈。万楠、朱树青和贾世伟（2020）研究反馈时机对类别学习和动作技能学习的影响，结果表明反馈时机对两者的学习过程皆产生不同的影响。邢强、王家慰和黄秀青（2018）研究反馈时机对类别学习的影响，结果表明即时反馈的学习效果明显优于延迟反馈，延迟反馈不利于类别学习的完成。针对动作技能的学习，反馈时机对学习动作技能的影响受控于任务的难度系数，即在复杂任务中反馈时机对动作技能的学习影响较弱；在简单任务中即时的反馈则明显有利于动作技能的获得（冯霞，冯文锋，冯成志，2018）。然而Kulik, J.A.、Kulik,C.C.（1988）和Shute（2008）发现，对需要高阶能力处理的复杂任务，延迟反馈具有促进作用。

由于众多研究者对反馈的时长没有给出统一规定，导致同样是即时反馈却对学习效果的影响产生差异，但有效的反馈应同时具有及时性和持续性（Grant, 2012）。及时反馈不等于即时反馈，及时反馈有“适时”反馈的含义，而适时与否取决于情境和学习者的学习目标。如果学习者正在学习事实或简单概念，即时反馈对学习过程的完成有促进作用，但如果学习者是在完成高层次的学习目标，则适当延迟的反馈会带来更好的学习效果。故反馈时机作为影响反馈有效性的一个重要变量，需遵循及时性和持续性原则。此外，在反馈的声音上，真实人声优于虚拟人声（Atkinson, Mayer, ＆ Merrill,2005）；在反馈方式上，对话式优于正式说话方式，建议式优于说教式（Lin, Ginns, Wang, ＆ Zhang,2020）。

（三）学习者因素与效果

学习者是影响反馈过程和效果的重要因素。学习者因素包括其相关能力的先前水平、处理信息的技能和策略以及克服障碍的意愿和技能。学习者作为影响反馈的内部因素，需具备以下能力：首先，学习者必须具备理解任务要求的能力。学习者是否能够充分和准确地理解任务要求取决于要求的复杂程度，也取决于学习者自身因素，如学习者的先前知识水平、元认知知识和策略等。其次，学习者应具备分析自身知识状态和反馈内容等信息处理方面的技能，且能够将其与期望能力水平进行比较，从而获得缩小两者之间差距的策略。最后，学习者需具备克服障碍的意愿和技能。正如（Nassic）（2004）研究表明，如果学习者忽视反馈的信息或不愿意投入时间和精力纠正错误，即使是最详细的反馈也是无用的。

结合以上影响反馈效果的因素，可总结出反馈设计的可操作性原则，即有效反馈的内容要与学习目标相联系；反馈应是描述性信息；反馈应具有及时性和连续性。接下来从反馈功能的角度，借鉴国外已有的智能导学系统反馈的设计方法，进行反馈设计分析。

三、智能导学系统中反馈设计分析

Nassic（2013）基于交互式教学反馈模型设计的智能辅导系统，从反馈的功能出发，将反馈分为三个维度，分别是：提供认知支持的认知维度（Mello, ＆ Graesser, 2012；韩后，王冬青，2015）、提高自我调节学习能力的元认知维度（韩建华，姜强，赵蔚，2016；蔡旻君，郭婉瑢，娄颜超，2020；张俊，刘儒德，贾玲，2012）和提供情感支持的情感维度（Knewton, 2017）。本文借鉴以上观点，将反馈设计分为认知反馈设计、元认知反馈设计和情感反馈设计，并介绍以上三种反馈在内容设计上的方法。

（一）认知反馈设计

良好的认知反馈设计应致力于提升学习者的知识维度和认知过程维度，可见认知反馈的设计重点在于反馈内容的设计。在已有反馈的影响因素中，从反馈内容的粒度上，逐步反馈相较于整体反馈效果更佳（Finn, Thomas, ＆ Rawson, 2017）。接下来分析认知反馈内容的设计（Fyfe, 2016; Wang, Gong,Xu, ＆ Hu, 2019），为符合学习者认知发展的过程及规律，依据反馈内容复杂性的分类标准，笔者列举并分析了几种典型的认知反馈设计方法。

借鉴Shute（2008）的观点，本文重点阐述典型的智能导学系统都具有的两种反馈，分别是因情况而异的回应和属性隔离的反馈。接下来对其进行分析与总结。

1. 因情况而异的回应

因情况而异的回应是指关注学习者特定回应的详细反馈。其描述“为什么答案是错误的，为什么答案是正确的”，即不使用形式化的错因分析。比如Auto-Tutor系统采用定制化对话的形式，通过多轮对话帮助学习者构造出满意的答案。在每轮对话中，系统将学习者的回应与预期答案和错误解法进行比较，以此给出具体的解释并选择下一轮对话的材料（高红丽 等，2016）。

Auto-Tutor中每一轮对话使用的语言通常包括三部分：简短反馈、铺垫和启发式提问。例如：“你说得很棒（简短反馈）；看看接下来这个问题是不是能给你一点启发（铺垫）；你觉得正比例函数和一次函数有哪些关系呢（启发式问题）？”Auto-Tutor每一步的启发性问题，皆是依据学习者在对话中的回应进行选择的，不仅会指明学习者回答的正确性，加深学习者对学习内容的理解，同时还会对学习情况进行必要的总结和评论等。可见，详细反馈的设计原则是基于细粒度的逐步反馈。

2. 属性隔离的反馈

属性隔离反馈是指系统呈现学习者正在学习的目标概念或技能属性所涉及核心问题信息的详细反馈。以Knewton系统为例，将学习者的回答内容与正确答案对比，能预见学习者出错原因。若属于概念性知识没掌握导致解题出错的情况，系统通过采用“通知+提示”的形式，来“通知”学习者的回答是错误的，并提供“提示”信息。以数学学科为例，系统将所有的概念性知识变成问题，进行详细性认知反馈。如果学习者忘记知识点的内容，那么系统会及时指出知识盲区，帮助学习者回忆知识点，以达到更好记忆、理解知识点的目的（Heffernan ＆ Koedinger, 2002）。可见，属性隔离反馈的设计原则是将核心知识点及解题思路变成“问题”来反馈给学习者。

（二）元认知反馈设计

元认知反馈作为反馈系统的重要成分，其反馈内容主要有两种形式，其一，系统对学习者提出阐释性、反思性和探究性问题；其二，以学习者的认知结果、学习进度情况、学习投入度和努力度情况等作为元认知的反馈内容。本研究综合以上两种元认知反馈内容的形式，以系统对学习者的自我调节学习活动的反馈为设计框架，提升学习者对认知的自我监控和调节，最终提高学习者的元认知能力。

元认知反馈的设计源于自我调节学习COPES模型（Kinnebrew, Segedy ＆ Biswas, 2014）。在智能导学系统中，将学习者的行为活动分为目标设定和计划、知识建构、监管和求助四个领域（Segedy,Kinnebrew, ＆ Biswas, 2011）。这四个领域概括了学习者的自我调节学习行为活动类别，对元认知反馈的设计具有支撑作用。故在智能导学系统中的元认知反馈设计可依据不同的行为活动类别，产生不同的反馈信息。

1.自我调节学习中的行为活动分类

依据智能导学系统的学习行为分析功能，将学习行为数据进行归类。从学习者自我调节学习视角出发，总结出四类行为活动。其一，目标的设定和计划，指学习者识别目标、选择目标和计划实现目标的过程；其二，知识的构建和整合，指学习者在对知识的自我理解的基础上，进行知识的整合和建构；其三，监管活动，指学习者对自己的学习进度、学习投入与努力度的把控；其四，求助行为，指学习者主动向系统寻求提示和建议，从元认知反馈视角，系统需鼓励学习者自我评估与反思先前知识。

2. 基于行为活动的元认知反馈设计方法

基于以上行为活动分类，系统给予不同的元认知反馈设计方法。根据以上行为活动的分类皆是从自我调节学习视角出发，表现的是元认知层面的策略；元认知策略依赖于学习者的认知活动是如何展开的；认知活动的展开可依托学习者的行为数据信息，故我们只需找出学习者的行为数据信息与以上四类行为活动的映射关系，即可依据四类行为活动提出不同的元认知反馈设计方法。

1）目标设定和计划类的元认知反馈设计

以Betty’s Brain系统为例，当学习者询问智能导学系统关于策略建议和链接正确性、点击学科资源库来了解学科基本信息及学科培养目标行为时，可知学习者在进行识别、选择和计划实现目标的认知活动，属于目标设计和计划类。系统应提醒学习者目前的学习状态，如提供徽章反馈。徽章反馈可满足学习者“我现在在哪里”（Hattie, 2007）的需要，因为徽章记录着学习者的认知结果，即知识点的量达到预设值，便可收获某一种徽章，并设置若干等级。故采用徽章反馈告知学习者目前知识状态，便于学习者对学习目标的设计和计划。

2）知识建构和整合类的元认知反馈设计

当学习者使用资源来查找信息、添加知识点间的因果关系来组织因果图等，可知学习者在主动进行知识获取、知识的构建和整合，属于学习者知识建构和整合类。从元认知反馈的视角，系统应提问教学材料中的反思性问题，让学习者重新思考知识点间的关联性，进而丰富元认知知识。

3）监管活动类的元认知反馈设计

当学习者要求解释相关链接的含义、通过询问系统来检查知识点间的间接关系、通过修正因果关系来编辑因果图、查看学习进度条等行为，可知学习者的元认知策略属于识别误解、更正误解及评价目标进度，属于监管活动类。系统首先应采用积分反馈的形式，给学习者反馈自身的学习投入度和努力度。其积分反馈主要是记录学习者的学习行为次数和行为持续时间，并且学习行为次数越多、行为的持续时间越长，可知学习者的积分越高，同时表示学习者的学习投入度和努力度越高。其次，系统采用学习进度反馈来呈现学习者的学习进度和同伴学习进度情况，让学习者完成元认知监控过程。

4）求助类的元认知反馈设计

当学习者主动向系统寻求帮助和建议时，属于求助类。从元认知反馈的视角，不宜经常性地给予学习者认知反馈，容易导致学习者的依赖心理，应采用元认知反馈策略。比如通过提问“你还记得之前做的哪道题和这道题类似？”或者提示“慢慢来，仔细阅读提示”等来要求学习者仔细思考，反思先前知识。接着系统提供知识地图反馈，学习者根据已有知识体系构建知识地图并及时更新，系统可在学习者寻求帮助时，提供自身包括同伴的知识地图反馈。对学习者而言，既可以看到自己的先验知识也可以对比同伴的知识体系与自身知识体系的区别，从而丰富元认知知识，增强元认知体验。

综上，元认知反馈设计主要应用于学习者自我调节学习活动中。通过采用徽章反馈告知学习者目前的知识状态，便于学习者对学习目标的设计和计划。通过提问教学材料中的反思性问题，让学习者重新思考知识点间的关联性，来帮助学习者建构和整合知识。通过积分反馈和学习进度反馈来辅助学习者的监管活动。通过要求学习者反思与自我评估先前知识，进而提供知识地图反馈来解决学习者的求助类活动。如图1所示，以上元认知反馈的设计，对学习者监管、调节认知活动和认知策略起到支撑作用，能更好地发挥学习者的自我调节学习能力。

图1 元认知反馈设计框架

（三）情感反馈设计

为弥补在线学习中学习者情感缺失的问题，众多智能导学系统皆设计了情感反馈。情感反馈的设计提高了智能导学系统中学习者的学习体验和学习效果，增强了系统的可用性（Lin, Wu, ＆ Hsueh,2014）；同时因其良好的情感互动，激发了学习者的学习动机，增加了学习者的主动学习行为。

情感反馈的设计源于OCC情感模型，OCC情感模型是基于情感的认知理论得出的（Ortony,Clore, ＆ Collins, 1988），乔向杰、王志良和王万森（2010）基于OCC模型，提出学习者情感识别方法，构建具有情感智能的教学系统并通过实验证明该模型符合实际需求。OCC模型对智能导学系统中情感反馈的设计具有支撑作用。故在智能导学系统的交互事件中，情感反馈是依据系统对不同的掌握和表现取向学习者产生不同的情感状态进行的反馈设计，即ATS设计。

1. 智能导学系统中的事件分析

从典型的智能导学系统出发，比如Auto-Tutor、Knewton和MetaTutor系统，这些系统中都包括以下十一个典型事件：学习者登录（事件1）、学习者退出（事件2）、错误答题（事件3）、正确答题（事件4）、未完成学习任务（事件5）、放弃任务的学习（事件6）、完成学习任务（事件7）、学习者接受系统帮助（事件8）、学习者拒绝系统帮助（事件9）、学习者请求系统帮助（事件10）和学习者对系统提供的帮助不满（事件11）。

2. 基于事件的情感反馈设计方法

鉴于国际上很多智能导学系统都带有情感识别功能，其情感状态分为愉快、苦恼、感激、生气、满意、失望、骄傲和羞耻八类（詹泽慧，2013）。李太华（2008）基于不同的动机类型提出情感教学的反馈策略，这里不同动机取向的学习者可分为掌握取向和表现取向两种。其中具有掌握取向的学习者以发展新技能与能力为导向，通过全身心投入学习，来提高自身能力；基于表现取向的学习者，非常看重表现，并希望向其他人展示自己具有做好某些事情的能力。本文借鉴此观点，基于以上交互事件，系统对不同动机取向学习者的情感状态进行反馈设计（见上页表1）。

表1 基于事件的情感反馈设计方法

1）答题正误的情感反馈设计

当掌握取向的学习者因错误答题（事件3）感到失望时，系统会向学习者提供帮助。对于表现取向的学习者，答题错误会认为自己很失败，但通常不会为此付出更大的努力。因此系统应呈现鼓励消息，提高学习者的自我效能感。当掌握取向学习者因正确答题（事件4）而感到满意，系统会向学习者表示祝贺。对于表现取向的学习者，系统对这类学习者的反馈同样表示祝贺，以强化学习动机。

2）学习任务是否完成的情感反馈设计

通常情况下，掌握取向的学习者都会很努力，未完成学习任务（事件5）不是因为努力不够，而是确实有困难。因此，系统的反馈策略应该是呈现出鼓励消息，让学习者继续努力，同时提供帮助信息。但如果这类学习者没有产生失望反应，则说明他们对这个主题不感兴趣，那么系统就应向学习者呈现该学习主题能获得的新技能来引起学习者的兴趣，并且提供帮助信息。对于表现取向的学习者，没有完成学习任务意味着学习者能力不足，会触发其失望情感。系统的反馈策略应是向其显示鼓励消息，提高自我效能感。

当掌握取向的学习者放弃任务的学习（事件6）并触发失望情感，则意味着学习者虽然没能够完成这项任务，但己付出了努力。系统应提供具体的帮助，并且通过呈现鼓励消息让学习者继续努力，而如果学习者并未因该事件而感到失望，则表明学习者对这个主题不感兴趣。因此系统应展示能够引起学习者好奇心的一些信息。对于表现取向的学习者，因为事件6而感到失望，则说明没有实现预期目的，自我效能感也会随着消极情感而降低，系统应说服学习者付出更大努力。

当掌握取向的学习者在完成学习任务（事件7）后感到满意，系统的反馈策略应为其努力而取得的成绩表示祝贺，因为要让学习者意识到自己成功完成了学习内容源于自己的努力付出。对表现取向的学习者使用同样的反馈策略。

3）是否接受系统帮助的情感反馈设计

系统会根据学习者的学习情况决定何时向学习者提供帮助，提供什么种类的帮助，如果学习者接受了帮助（事件8），那么系统则继续提供帮助。但学习者拒绝系统提出的帮助（事件9），对于表现取向的学习者，可能会因为接受帮助而感到不适。系统就会解释帮助的重要性，然后再提供帮助。如果这类学习者因为自己能够独立解决这项任务，而认为系统帮助会形成干扰，因此触发苦恼情感，系统应呈现出致歉类反馈行为。

4）是否请求系统帮助的情感反馈设计

对于掌握取向的学习者来说，向系统请求帮助（事件10）是很正常的事件，系统会为学习者提供帮助，而对于表现取向的学习者则往往会认为寻求帮助意味着缺乏能力而感到羞愧。对此，系统应显示旨在澄清这种错误概念的信息，即解释帮助的重要性，并向他提供帮助（Matsuda, Cohen, ＆Koedinger, 2015）。当学习者对系统提供的帮助（事件11）感到不满时，系统应表现出“对不合适帮助致歉”的情感反馈，会呈现“实在抱歉，我可能添麻烦了”等对话语。反之，系统应表现出“对帮助有效而欣慰”的情感反馈，其对话语包括“非常高兴能对你有用！”等，从而与学习者的感激情绪形成呼应。

四、总结与展望

智能导学系统中反馈的设计在遵循通用性原则的基础上，依据反馈功能的不同，将反馈设计分为三个层面，即认知反馈、元认知反馈和情感反馈，给出相应的设计方法。研究中认知反馈的设计以提升学习者的认知过程维度为目标，给出几种典型的认知反馈设计方法；元认知反馈的设计在识别学习者的自我调节学习行为数据的基础上，将行为数据归于四类行为活动类别，系统对每一类别的行为活动给予相应的反馈设计方法；情感反馈的设计是以典型智能导学系统的交互事件为基础，对不同动机取向学习者的不同情感状态给予不同的情感支持。这三个反馈功能的设计相互协调、相互促进，在增强学习者学习体验的同时也提升学习者的认知能力和元认知能力，让学习者达到预期的学习效果。

在后续研究中，在认知反馈设计上，将侧重于反馈粒度层面的逐步反馈（Van Lehn，2011）；在元认知反馈设计上，倾向于激发学习者的反思性行为；在情感反馈设计上，情感导学系统（ATS）除了具备智能导学系统（ITS）的功能外，还能根据学习者的情绪状态，甚至学习风格、压力、兴趣，提供个性化干预，以改善学习效果（龚礼林 等，2019）。未来ATS的设计研究可关注如何更好地收集并识别学习过程中的情绪，根据面部表情、眼动数据以及语音信息等数据来源来识别学习过程中的情感信息（詹泽慧，2013；Dimitrios ＆ Savvas,2019），给学习者提供更丰富的情感支持。随着智能导学系统的不断升级和教育大数据应用技术的持续发展，智能导学系统中反馈系统的设计将进一步借助智能引擎和深度学习算法等技术手段达到自动生成反馈的目的，为学习者提供个性化、智能化服务，最终实现智慧教育目标。