屈 靜 劉 凱 胡祥恩 楊 釙 蔣卓軒

(1.北京大學(xué) 教育學(xué)院，北京100871；2.華中師范大學(xué) 心理學(xué)院，湖北武漢 430079；3.渤海大學(xué) 教育科學(xué)學(xué)院，遼寧錦州121007；4.京東AI研究院，上海 200001)

一、引 言

深度學(xué)習(xí)能力已被學(xué)界廣泛認(rèn)可為21世紀(jì)公民的核心素養(yǎng)。區(qū)別于淺層學(xué)習(xí)的簡單記憶和淺層理解，深度學(xué)習(xí)指向應(yīng)用、分析、評價和創(chuàng)造等高階思維能力，其內(nèi)涵是對知識的批判性理解和遷移(何克抗，2018)?！?017地平線報告(高等教育版)》強調(diào)，未來五年乃至更長時間，深度學(xué)習(xí)都將是教育質(zhì)量提升的主要改革方向(沈霞娟等, 2019)。信息技術(shù)的日新月異，令模擬對話輔導(dǎo)這種深度學(xué)習(xí)的教學(xué)策略得以實現(xiàn)——對話式智能導(dǎo)學(xué)系統(tǒng)(Conversation-Based Intelligent Tutoring System，CBITS)應(yīng)運而生。作為智能導(dǎo)學(xué)系統(tǒng)的升級版，對話式智能導(dǎo)學(xué)系統(tǒng)突破計算機輔助教學(xué)系統(tǒng)(Computer Assisted Instruction, CAI)重復(fù)記憶、機械練習(xí)的局限，能有效提升學(xué)生概念綜合、定性推斷等深度學(xué)習(xí)能力(Graesser et al., 2001a)。

自2004年自然語言與話語分析首次成為智能導(dǎo)學(xué)系統(tǒng)國際大會專題以來，對話式智能導(dǎo)學(xué)系統(tǒng)迅速成為人工智能、學(xué)習(xí)科學(xué)、教育技術(shù)、心理學(xué)乃至腦科學(xué)共同關(guān)注的研究領(lǐng)域。在我國教育學(xué)界，對話仍囿于傳統(tǒng)教學(xué)情境。而主流智能導(dǎo)學(xué)系統(tǒng)的學(xué)理探討或應(yīng)用實踐不僅鮮有深度學(xué)習(xí)之蹤更難覓對話之跡。因此，將對話式智能導(dǎo)學(xué)系統(tǒng)的研究現(xiàn)狀進行整理的必要性和緊迫性不言而喻。鑒于對話式智能導(dǎo)學(xué)系統(tǒng)的高度跨學(xué)科特點，只有抽取和整合不同學(xué)科的相關(guān)研究，從工程結(jié)構(gòu)層面，才能探析深度學(xué)習(xí)的發(fā)生機理和實現(xiàn)機制。此外，諸多實證研究已驗證了對話式智能導(dǎo)學(xué)系統(tǒng)的學(xué)習(xí)效果。分類歸納形成的成果，有利于理解對話式智能導(dǎo)學(xué)系統(tǒng)支持的深度學(xué)習(xí)發(fā)展水平，以及客觀判斷其發(fā)展趨勢。

事實上，深度學(xué)習(xí)可定義為知識遷移的過程，分認(rèn)知領(lǐng)域、個人領(lǐng)域和人際領(lǐng)域三個維度(National Research Council, 2012)。其中，認(rèn)知領(lǐng)域指知識的推理、批判和問題解決；個人領(lǐng)域關(guān)注情感，如學(xué)習(xí)動機、元認(rèn)知和自我調(diào)節(jié)學(xué)習(xí)；人際領(lǐng)域指用語言和非語言的表達，向他人解釋信息并作出適當(dāng)反應(yīng)的能力，如團隊溝通與協(xié)作?；谝陨先齻€維度，本文用文獻分析法梳理了對話式智能導(dǎo)學(xué)系統(tǒng)的概念定義、理論基礎(chǔ)、系統(tǒng)架構(gòu)和學(xué)習(xí)效果，剖析現(xiàn)有不足并展望未來前景。

二、概念定義和理論基礎(chǔ)

從計算機輔助教學(xué)系統(tǒng)到智能導(dǎo)學(xué)系統(tǒng)的演進，是知識和技能傳授逐漸深化，從淺層學(xué)習(xí)向深度學(xué)習(xí)發(fā)展的過程(Fletcher & Sottilare,2018)。智能導(dǎo)學(xué)系統(tǒng)多以本體為基礎(chǔ)，對領(lǐng)域知識及學(xué)習(xí)者狀態(tài)變化建模(Graesser et al., 2005)。不同于計算機輔助教學(xué)系統(tǒng)千人一面的反饋和練習(xí)，智能導(dǎo)學(xué)系統(tǒng)在人工智能、學(xué)習(xí)科學(xué)、計算機語言學(xué)等多學(xué)科的助力下，嘗試為學(xué)生提供接近人類教師的個性化指導(dǎo)(劉清堂等, 2016)。對話式智能導(dǎo)學(xué)系統(tǒng)是以對話輔導(dǎo)作為教學(xué)方式的智能導(dǎo)學(xué)系統(tǒng)(D’Mello & Graesser, 2013)。它有內(nèi)外兩個循環(huán)(Vanlehn, 2006)。外循環(huán)幫助學(xué)生選擇后續(xù)任務(wù)或者問題。內(nèi)循環(huán)采用預(yù)期—誤解定制式對話(Expectation & Misconception Tailored Dialogue, EMT)，以探究性問答給予學(xué)生個性化的反饋和提示，完成對學(xué)生知識掌握和教學(xué)質(zhì)量的評估，并提升學(xué)生反思和推理等深度學(xué)習(xí)能力(Graesser, 2016)。

對話式智能導(dǎo)學(xué)系統(tǒng)的理論基石為建構(gòu)主義下的自我解釋學(xué)習(xí)理論(Chi et al.,1989;Chi et al.,1994)。作為重要的元認(rèn)知策略和探尋問題深層結(jié)構(gòu)的學(xué)習(xí)活動，自我解釋讓學(xué)習(xí)者在對話中自我反思，將認(rèn)知結(jié)構(gòu)從孤立、零散變得整合而系統(tǒng)，使個人心智模型達到高階思維的水平(Ainsworth & Th Loizou, 2003; Chi, 1997)。自從SCHOLAR系統(tǒng)開創(chuàng)了對話式智能導(dǎo)學(xué)系統(tǒng)的先河，SE Coach系統(tǒng)成為第一個以自我解釋理論為基礎(chǔ)的對話式智能導(dǎo)學(xué)系統(tǒng)以來，技術(shù)領(lǐng)域涌現(xiàn)出了大量類似的系統(tǒng)，如CIRCSIM-Tutor、Geometry Explanation Tutor、Cordillera、AutoTutor和BEETLE Ⅱ等。其中，最具代表性者當(dāng)屬AutoTutor。自1997年至今，AutoTutor系統(tǒng)已有30多個系列產(chǎn)品，包含大量深度推理性問題和元認(rèn)知學(xué)習(xí)策略，被廣泛應(yīng)用于大學(xué)物理、生物、計算機、閱讀理解等科目(Nye et al., 2014)。然而，從1970年至今，對話式智能導(dǎo)學(xué)系統(tǒng)已走過半個世紀(jì)的歷程，卻仍以一對一輔導(dǎo)為主，側(cè)重于認(rèn)知領(lǐng)域和個人領(lǐng)域能力的提升。

對話式智能導(dǎo)學(xué)系統(tǒng)通過腳手架和對話，能夠為學(xué)生提供詳細(xì)的反饋來彌補其缺失的信息和錯誤的理解，因此也被稱為微步式智能導(dǎo)學(xué)系統(tǒng)(Micro-Step Based Intelligent Tutoring System，MBITS)(Chi et al., 2014)或子步式智能導(dǎo)學(xué)系統(tǒng)(Substep-Based Intelligent Tutoring System, SSBITS)(VanLehn, 2011)。需要區(qū)分的是，不具有對話輔導(dǎo)功能的智能導(dǎo)學(xué)系統(tǒng)被稱為步式智能導(dǎo)學(xué)系統(tǒng)(Step-Based Intelligent Tutoring System, SBITS)，如卡耐基梅隆大學(xué)開發(fā)的認(rèn)知導(dǎo)師 (Anderson et al., 1995)。某些步式智能導(dǎo)學(xué)系統(tǒng)(如COVE系統(tǒng))也可能具有自然語言輸入界面，但無法對自然語言話輪進行推理和反饋，故不屬于對話式智能導(dǎo)學(xué)系統(tǒng)(VanLehn, 2011)。下文所有對話式智能導(dǎo)學(xué)系統(tǒng)均符合以上對話式智能導(dǎo)學(xué)系統(tǒng)的定義及內(nèi)涵。

三、對話式智能導(dǎo)學(xué)系統(tǒng)的系統(tǒng)架構(gòu)

本世紀(jì)初，對話式智能導(dǎo)學(xué)系統(tǒng)的架構(gòu)漸趨成熟。其中，迪梅洛和格雷澤(D’Mello & Graesser, 2013)提出的六組件模型受到廣泛認(rèn)可。它包括輸入轉(zhuǎn)換(input transforming)、言語行為分類(speech act classification)、學(xué)習(xí)者建模(learner modeling)、領(lǐng)域模型(domain model)、對話管理(dialog management)和輸出呈現(xiàn)(output rendering)六個部分。目前，該模型已被整合至通用智能導(dǎo)學(xué)框架(Generalized Intelligent Framework for Tutoring，GIFT)中。作為智能導(dǎo)學(xué)系統(tǒng)架構(gòu)的構(gòu)建標(biāo)準(zhǔn)，通用智能導(dǎo)學(xué)框架旨在提升智能導(dǎo)學(xué)系統(tǒng)的兼容性，降低搭建門檻，同時持續(xù)評估技術(shù)對學(xué)習(xí)效果、系統(tǒng)性能、知識遷移和保留率的影響。它在領(lǐng)域模塊、學(xué)習(xí)者模塊、教學(xué)模塊和交互模塊四個基本模塊的基礎(chǔ)上，增設(shè)了傳感器模塊(Sottilare et al., 2017a)。這些模塊遵循共享標(biāo)準(zhǔn)，能在通用智能導(dǎo)學(xué)框架內(nèi)進行消息發(fā)送、接收、編碼與解析時，仍保持運行的獨立性?？紤]到未來對話式智能導(dǎo)學(xué)系統(tǒng)的擴展性和兼容性，本文在通用智能導(dǎo)學(xué)框架下(見圖1)，具體探析對話式智能導(dǎo)學(xué)系統(tǒng)各個模塊促成深度學(xué)習(xí)的原理和機制。

圖1 通用智能導(dǎo)學(xué)框架下的對話式智能導(dǎo)學(xué)系統(tǒng)架構(gòu)

(一)領(lǐng)域模塊

領(lǐng)域模塊由概念、規(guī)則和解決問題策略組成。作為支持深度學(xué)習(xí)的基石，領(lǐng)域模塊通常包含專家知識、易犯錯誤、判錯規(guī)則和誤解。通用智能導(dǎo)學(xué)框架的領(lǐng)域模塊還決定內(nèi)容的呈現(xiàn)順序及反饋類型(如支持性、指導(dǎo)性的提示或問題)，同時評估并保存學(xué)生的課業(yè)表現(xiàn)，最后將評價結(jié)果反饋給教學(xué)模塊和學(xué)習(xí)者模塊，保證領(lǐng)域模塊的獨立性(Sottilare et al., 2017a)。知識表征、計算和構(gòu)建推理是領(lǐng)域模塊的核心機制。早期的對話式智能導(dǎo)學(xué)系統(tǒng)用產(chǎn)生式、語義網(wǎng)絡(luò)和概念圖建立領(lǐng)域模塊，后期開始采用句子和短語組成的腳本，形成深度推理性問題①、正確答案、錯誤回答、提示和暗示(Graesser & Person, 1994)。輔導(dǎo)過程中，AutoTutor系統(tǒng)常會提出“為什么”“如果……然后呢？”“這是如何造成的?”等深度問題，并要求學(xué)生在系統(tǒng)幫助下形成深度解釋(高紅麗等, 2016)。不僅如此，對話式智能導(dǎo)學(xué)系統(tǒng)對答案的評估除“對”和“錯”外，也允許“半對半錯”。例如，BEETLE Ⅱ系統(tǒng)會診斷學(xué)生回答是否存在矛盾或缺失(Dzikovska et al., 2014)。不正確的回答將激活不同的教學(xué)策略，從而引發(fā)新一輪深度問答。

(二)學(xué)習(xí)者模塊

學(xué)習(xí)者模塊是依據(jù)個體差異定制輔導(dǎo)并支持深度學(xué)習(xí)的核心模塊。它包含領(lǐng)域特定(domain specific)和領(lǐng)域獨立(domain independent)兩類信息。前者對應(yīng)深度學(xué)習(xí)的認(rèn)知領(lǐng)域能力，反映學(xué)習(xí)者特定領(lǐng)域知識或能力的狀態(tài)和水平，如課程進度、易犯錯誤、成績表現(xiàn)等；后者指不依賴于具體學(xué)科的學(xué)習(xí)者個人特征，如學(xué)習(xí)動機、個性偏好、學(xué)習(xí)風(fēng)格、自我效能感等(Sottilare et al., 2013)。因此，學(xué)習(xí)者模塊能進行認(rèn)知領(lǐng)域和個人領(lǐng)域建模，并按狀態(tài)或其變化的歷史以及傳感器數(shù)據(jù)，對學(xué)生進行評估與分類(Sottilare et al., 2017a)。對話式智能導(dǎo)學(xué)系統(tǒng)通常需要完成兩個顆粒度上的建模，一個是本地建模，用來判斷學(xué)習(xí)者的回答是否正確，再提供反饋并做出教學(xué)決策，比如是否給予提示、暗示或者跟進提問等；另一個為全局建模，用以評估學(xué)習(xí)者對知識的掌握程度(D’Mello & Graesser, 2013)。需要指出的是，深度學(xué)習(xí)發(fā)生在本地而非全局建模中。以AutoTutor系統(tǒng)為例，其本地建模采用預(yù)期-誤解定制式對話機制，將已存儲的正確和錯誤答案與學(xué)生回答進行語義對比?；卮鸩煌耆_時，系統(tǒng)將給予提示，鼓勵更多的自我解釋，直至學(xué)生完成自我知識建構(gòu)并形成正確理解。實際上，學(xué)習(xí)者模塊中沖突解決的過程，也正是深度學(xué)習(xí)發(fā)生的過程(殷常鴻等, 2019)。此外，AutoTutor家族的MetaTutor系統(tǒng)還在學(xué)習(xí)者模型中加入對學(xué)生元認(rèn)知的關(guān)注，進一步培養(yǎng)學(xué)生的自我調(diào)節(jié)學(xué)習(xí)能力(Nye et al., 2014) 。

(三)教學(xué)模塊

基于領(lǐng)域模塊和學(xué)習(xí)者模塊，教學(xué)模塊能夠完成認(rèn)知診斷并提供輔導(dǎo)策略②。目前，輔導(dǎo)行為多被視為系統(tǒng)與學(xué)生的雙向交互(Graesser et al., 2001a)。對話式智能導(dǎo)學(xué)系統(tǒng)教學(xué)模塊的顯著特點是以對話交互為中心，利用言語行為分類和對話管理模塊，處理復(fù)雜的自然語言對話(D’Mello & Graesser, 2013)。其中，言語行為分類的作用是對凍結(jié)表達③、學(xué)生問題及學(xué)生貢獻進行分類；其次，對話管理模塊通過模擬人類導(dǎo)師的教學(xué)對話分析并精準(zhǔn)匹配學(xué)習(xí)狀態(tài)，保持學(xué)習(xí)者認(rèn)知與情感維度的平衡(Boyer et al., 2008)。對話管理的對話策略包含主導(dǎo)策略和控制策略兩種。主導(dǎo)策略分系統(tǒng)主導(dǎo)、學(xué)生主導(dǎo)和混合主導(dǎo)三類。對話式智能導(dǎo)學(xué)系統(tǒng)的主導(dǎo)策略多為系統(tǒng)主導(dǎo)或混合主導(dǎo)。主導(dǎo)策略直接關(guān)注學(xué)生認(rèn)知層面深度學(xué)習(xí)能力的發(fā)展?；旌现鲗?dǎo)下的教學(xué)則充分考慮到學(xué)生學(xué)習(xí)的自我調(diào)節(jié)和元認(rèn)知策略。在控制策略實現(xiàn)上，對話式智能導(dǎo)學(xué)早期系統(tǒng)是基于模板或規(guī)則的。盡管所實現(xiàn)的對話靈活性尚有局限，但正因解釋性反饋更能促使外部信息從工作記憶轉(zhuǎn)為長時記憶，形成信息加工的自動化，才令深度認(rèn)知得以激發(fā)(National Research Council, 2012)。20世紀(jì)90年代后，基于統(tǒng)計原理的機器學(xué)習(xí)和自然語言處理迅速成為構(gòu)建對話式智能導(dǎo)學(xué)系統(tǒng)的主流技術(shù)。這種運用統(tǒng)計模型預(yù)測后續(xù)狀態(tài)的方式，極大地增強了對話系統(tǒng)的魯棒性。對話式智能導(dǎo)學(xué)系統(tǒng)的教學(xué)模塊還具有多輪對話管理功能，系統(tǒng)與學(xué)生圍繞知識點進行層層遞進而非發(fā)散討論。若學(xué)生偏離主題，會被拉回主線，以促進反思，增進深度思考。

(四)交互模塊

交互模塊是驅(qū)動學(xué)習(xí)者模塊的人機接口。在對話式智能導(dǎo)學(xué)系統(tǒng)中，交互形式主要是文本和語音，包含輸入轉(zhuǎn)換和輸出呈現(xiàn)兩個組件。輸入轉(zhuǎn)換組件將輸入轉(zhuǎn)換為系統(tǒng)可理解的形式。以對話式智能導(dǎo)學(xué)系統(tǒng)SOPHIE為例，它在用戶輸入為文本時，會進行大小寫轉(zhuǎn)換、拼寫錯誤糾正和單詞時態(tài)轉(zhuǎn)換(Burton, 1977)；若輸入為語音，則通過自動語音識別技術(shù)轉(zhuǎn)化成文本，再做處理。文本的輸出，目前常采用基于自然語言生成的文本自動生成技術(shù)，如模板生成技術(shù)、管道技術(shù)、規(guī)劃技術(shù)或統(tǒng)計技術(shù)(商雄偉, 張志祥, 2015)；語音的輸出，則使用文本轉(zhuǎn)語音技術(shù)。有的對話式智能導(dǎo)學(xué)系統(tǒng)運用能夠綜合文本、語音和圖像的動畫代理技術(shù)增進交互。當(dāng)然，研究表明，采用對話教學(xué)方式比采用其它交互方式，更能影響深層知識的學(xué)習(xí)效果(Graesser et al., 2003)。因此，對話智能導(dǎo)學(xué)系統(tǒng)的交互模塊構(gòu)建的核心在于如何有效推進對話。

(五)傳感器模塊

作為交互模塊的延伸，傳感器模塊專門負(fù)責(zé)接收來自傳感器的學(xué)生行為和生理信息等多模態(tài)的原始數(shù)據(jù)，并對數(shù)據(jù)進行過濾、分段和特征提取。處理后的數(shù)據(jù)被發(fā)至學(xué)習(xí)者模塊，以此幫助對話式智能導(dǎo)學(xué)系統(tǒng)完成學(xué)生認(rèn)知和情感狀態(tài)的分析，實現(xiàn)更準(zhǔn)確和細(xì)顆粒度的學(xué)習(xí)者建模。

四、對話式智能導(dǎo)學(xué)系統(tǒng)應(yīng)用效果

經(jīng)過近五十年的發(fā)展，對話式智能導(dǎo)學(xué)系統(tǒng)已形成支持深度學(xué)習(xí)的完整架構(gòu)并步入教學(xué)一線，對其應(yīng)用效果的檢視成為確保對話式智能導(dǎo)學(xué)系統(tǒng)科學(xué)性和有效性不可或缺的環(huán)節(jié)。

對話式智能導(dǎo)學(xué)系統(tǒng)帶來的學(xué)習(xí)成績提升，雖不及人類教師的一對一輔導(dǎo)，卻優(yōu)于計算機輔助教學(xué)系統(tǒng)。元分析結(jié)果表明，智能導(dǎo)學(xué)系統(tǒng)輔導(dǎo)效應(yīng)值為0.66(Kulik & Fletcher, 2016)，計算機輔助教學(xué)系統(tǒng)輔導(dǎo)的效應(yīng)值僅為0.3(Kulik & Kulik, 1991)，而人類輔導(dǎo)最佳——介于0.79至2.0之間(Bloom, 1984；VanLehn, 2011)。盡管效果不如人類，對話式智能導(dǎo)學(xué)系統(tǒng)仍體現(xiàn)出提升認(rèn)知水平的顯著優(yōu)勢。實證研究表明，考慮到控制組實驗方法和測試科目的差異，AutoTutor系統(tǒng)的效應(yīng)值在0.4至1.5之間，平均可達0.8 (Nye et al., 2014)，屬中等偏上水平(Cohen, 2013)，并非常接近人類輔導(dǎo)(Bloom, 1984)。其中，依據(jù)布魯姆教學(xué)目標(biāo)分類理論，將測試問題按認(rèn)知水平分成淺層問題和深層問題后的研究結(jié)果發(fā)現(xiàn)，對比文本閱讀和無輔導(dǎo)，AutoTutor系統(tǒng)在計算機基礎(chǔ)課的深層學(xué)習(xí)方面帶來的效應(yīng)值為0.49，遠高于淺層學(xué)習(xí)的0.05(Graesser et al., 2004)?？突仿〈髮W(xué)的實驗顯示，Geometry Explanation Tutor系統(tǒng)在輔導(dǎo)學(xué)生學(xué)習(xí)幾何時，能形成更有效的學(xué)習(xí)策略(Aleven et al., 2004)。研究人員對學(xué)生對話輔導(dǎo)中的學(xué)習(xí)策略進行了分類編碼，將關(guān)于角的名稱和角的測量的回答，標(biāo)注為只針對具體問題的“特定問題”學(xué)習(xí)策略。若學(xué)生回答角的特征，并用最小代價獲得“正確答案的范圍”，然后擴展至答案正確，則標(biāo)注為“增量”學(xué)習(xí)策略。后者多被學(xué)業(yè)表現(xiàn)好的學(xué)生使用。研究結(jié)果發(fā)現(xiàn)，Geometry Explanation Tutor的“師生對話”能夠促進增量學(xué)習(xí)策略的形成，并帶來較高的長期學(xué)習(xí)收益。

若與步式智能導(dǎo)學(xué)系統(tǒng)相比，對話式智能導(dǎo)學(xué)系統(tǒng)也能產(chǎn)生更好的深度學(xué)習(xí)效果。新西蘭兩位學(xué)者開發(fā)了KERMIT-SE系統(tǒng)，用以檢測對話交互引起的自我解釋能否提升學(xué)習(xí)成績。對125名大學(xué)生兩個小時前后測及實驗干預(yù)后的結(jié)果表明，使用對話式智能導(dǎo)學(xué)系統(tǒng)KERMIT-SE的學(xué)生獲得的學(xué)業(yè)成績整體優(yōu)于使用步式智能導(dǎo)學(xué)系統(tǒng)KERMIT 的學(xué)生(Weerasinghe & Mitrovic, 2003)。類似的結(jié)果，也來自對話式智能導(dǎo)學(xué)系統(tǒng)Cordillera和步式智能導(dǎo)學(xué)系統(tǒng)ANDES的對比。無論定量或是定性問題，Cordillera系統(tǒng)都具有顯著提升學(xué)習(xí)成績的作用。相比ANDES系統(tǒng)，Cordillera系統(tǒng)平均效應(yīng)值高達0.82(Chi et al., 2014)。當(dāng)然，對話式智能導(dǎo)學(xué)系統(tǒng)輔導(dǎo)效果優(yōu)于步式智能導(dǎo)學(xué)系統(tǒng)，其原因通常被歸結(jié)于對話式智能導(dǎo)學(xué)系統(tǒng)提供輔導(dǎo)的及時性和精細(xì)度。然而，范萊恩(VanLehn, 2011)的研究發(fā)現(xiàn)，按交互顆粒度從密到疏，將輔導(dǎo)分為人類輔導(dǎo)、對話式智能導(dǎo)學(xué)系統(tǒng)、步式智能導(dǎo)學(xué)系統(tǒng)、計算機輔助教學(xué)系統(tǒng)以及無輔導(dǎo)后，對話式智能導(dǎo)學(xué)系統(tǒng)與步式智能導(dǎo)學(xué)系統(tǒng)效應(yīng)值相當(dāng)，均為0.76并接近人類輔導(dǎo)的0.79。這種現(xiàn)象被稱為交互平原，它意味著交互顆粒度的增加，并不必然導(dǎo)致輔導(dǎo)效果線性增加。

五、總結(jié)及展望

(一)研究總結(jié)

雖然班級授課在提升教育效率和降低成本上“一舉兩得”，但教學(xué)效果“打了折扣”。與人類教師的一對一輔導(dǎo)相比，二者差距達2個標(biāo)準(zhǔn)差(Bloom, 1984)。而且，學(xué)生對知識的連貫性解釋、問題解決和推理的深度學(xué)習(xí)能力也難得以得到提高(Graesser et al., 2001a)。在教育質(zhì)量與成本之間的矛盾日益尖銳的背景下，對話式智能導(dǎo)學(xué)系統(tǒng)登上歷史舞臺。受益于自我解釋理論和人工智能技術(shù)的發(fā)展，對話式智能導(dǎo)學(xué)系統(tǒng)突破機械重復(fù)的淺層學(xué)習(xí)，采用預(yù)期—誤解定制式對話模仿人類對話輔導(dǎo)實現(xiàn)學(xué)生的自我建構(gòu)。ICAP(interative,constuetive,active,passive) 理論認(rèn)為，被激發(fā)的互動性認(rèn)知投入，更有可能引發(fā)深度學(xué)習(xí)(Chi et al., 2018)。以AutoTutor系統(tǒng)為代表的大量實證研究表明，除人類教師輔導(dǎo)外，對話式智能導(dǎo)學(xué)系統(tǒng)帶來的學(xué)習(xí)效果優(yōu)于包括步式智能導(dǎo)學(xué)系統(tǒng)在內(nèi)的其他輔導(dǎo)方式，并有助于深層知識的掌握和學(xué)習(xí)策略的形成。通用智能導(dǎo)學(xué)框架下整合的對話式智能導(dǎo)學(xué)系統(tǒng)體系架構(gòu)，進一步夯實了對話式智能導(dǎo)學(xué)系統(tǒng)的工程基礎(chǔ)，令深度學(xué)習(xí)的規(guī)?；蛷椥曰蔀楝F(xiàn)實。然而，對話式智能導(dǎo)學(xué)系統(tǒng)仍存在不足：

首先，學(xué)習(xí)效率有待提高?，F(xiàn)有對話式智能導(dǎo)學(xué)系統(tǒng)多以文本交互為主，學(xué)習(xí)時間的經(jīng)濟性差。研究發(fā)現(xiàn)，完成同樣任務(wù)，對話式智能導(dǎo)學(xué)系統(tǒng)所需時間高于步式智能導(dǎo)學(xué)系統(tǒng)(Chi et al., 2014)。有實驗顯示，這種導(dǎo)學(xué)系統(tǒng)耗時幾乎是文本閱讀的兩倍(Rosé et al., 2003)。這意味著，對話式智能導(dǎo)學(xué)系統(tǒng)有效提高學(xué)習(xí)成績、促進知識深度理解和掌握，從某種程度上是以降低學(xué)習(xí)效率為代價的。

其次，對認(rèn)知以外的深度學(xué)習(xí)能力支持不足。對話式智能導(dǎo)學(xué)系統(tǒng)主要聚焦于核心學(xué)科知識的掌握，及批判性思維形成和復(fù)雜問題理解的認(rèn)知領(lǐng)域能力提升，而對團隊協(xié)作和有效溝通等人際能力支持尚存不足。團隊協(xié)作要求學(xué)生為實現(xiàn)團隊共同目標(biāo)，制定步驟，合作解決問題(卜彩麗等, 2016)。故而，學(xué)生需組織和利用資源，促成觀點的有效溝通。但目前對話式智能導(dǎo)學(xué)系統(tǒng)大多以人機一對一輔導(dǎo)為主，較少支持團隊學(xué)習(xí)環(huán)境。此外，非智力因素的表征和建模技術(shù)還存在一定困難，因而對話式智能導(dǎo)學(xué)系統(tǒng)對涉及個人領(lǐng)域的學(xué)習(xí)監(jiān)控能力和學(xué)習(xí)意志的支持也有待加強。

再次，開發(fā)成本過高，規(guī)模化應(yīng)用困難。對話式智能導(dǎo)學(xué)系統(tǒng)與其他智能導(dǎo)學(xué)系統(tǒng)一樣，開發(fā)成本居高不下。據(jù)估算，200-300小時的開發(fā)工程量才能產(chǎn)生1小時的輔導(dǎo)量(Chang et al., 2018)。即使在領(lǐng)域模塊著作工具(Authoring Tool)的協(xié)助下，開發(fā)時間和輔導(dǎo)時間比仍高達200∶1(Koedinger et al., 1997)。IBM創(chuàng)建的名為Watson Tutor的對話式智能導(dǎo)學(xué)系統(tǒng)可借助內(nèi)容自動生成技術(shù)(Automatic Content Extraction Techniques)，可將問答對、概念圖、被標(biāo)注的內(nèi)容塊和案例在內(nèi)的非結(jié)構(gòu)化信息自動標(biāo)簽并提取語料，繼而生成可驅(qū)動對話的結(jié)構(gòu)化信息，以此降低開發(fā)投入產(chǎn)出至40∶1(Chang et al., 2018)。但此種構(gòu)建方式能否保證對話式智能導(dǎo)學(xué)系統(tǒng)的輔導(dǎo)效果，尚無確鑿證據(jù)?？傊?，對話式智能導(dǎo)學(xué)系統(tǒng)應(yīng)用開發(fā)成本偏高，是其在真實教學(xué)場景落地的瓶頸，也阻礙了對它的評估和改進。

(二)趨勢展望

1.微觀層面

對話式智能導(dǎo)學(xué)系統(tǒng)微觀層面?zhèn)戎赜陉P(guān)注教育技術(shù)和教學(xué)法，從多模態(tài)、多維度、多代理三方面推動發(fā)展。

1) 多模態(tài)的人機交互

可穿戴傳感器、生物傳感器(皮電、心電和腦電等信號)、手勢傳感、紅外成像和眼球跟蹤等數(shù)據(jù)收集和傳感技術(shù)的進步，使多模態(tài)數(shù)據(jù)的捕獲成為可能。心理、行為和生理的多模態(tài)數(shù)據(jù)全方位整合，能夠幫助我們判斷深度學(xué)習(xí)發(fā)生的程度，解釋深度學(xué)習(xí)的作用機制(劉哲雨等，2018)。因此，對話式智能導(dǎo)學(xué)系統(tǒng)發(fā)展的多模態(tài)趨勢與深度學(xué)習(xí)具有同步性和一致性。未來的對話式智能導(dǎo)學(xué)系統(tǒng)將融合文本、語音、面部表情、眼神交流、手勢等的多模態(tài)交互方式來提升教學(xué)效率和效果。交叉驗證傳感器模塊收集的多模態(tài)數(shù)據(jù)能降低各模態(tài)的噪聲和不確定性，動態(tài)捕捉學(xué)生涉及情感和社會學(xué)習(xí)的全過程(Yang et al,2020)。實驗證明，多模態(tài)數(shù)據(jù)，如音頻和心理測量的結(jié)合，比單模態(tài)數(shù)據(jù)能更準(zhǔn)確地評估學(xué)習(xí)者狀態(tài)(Cukurova et al., 2019)。未來研究將聚焦于更精細(xì)的多模態(tài)表征建模、多模態(tài)學(xué)習(xí)分析、多模態(tài)融合引擎(Fusion Engine)、多模態(tài)與認(rèn)知負(fù)荷之間的關(guān)系(Turk，2014)和不同模態(tài)之間是否等價等問題。

2) 多維度的情感計算

教育學(xué)和心理學(xué)研究表明，情感對學(xué)習(xí)起著重要作用，學(xué)習(xí)者的認(rèn)知能力取決于情感狀態(tài)(Frasson & Chalfoun, 2010)。情感狀態(tài)也是深度學(xué)習(xí)考量的三個維度之一，但情感的測量和分析通常需要攝像頭、傳感器等設(shè)備，不僅成本高，且無法確認(rèn)哪些數(shù)據(jù)與學(xué)習(xí)直接相關(guān)。對話式智能導(dǎo)學(xué)系統(tǒng)的優(yōu)勢在于，教學(xué)交互產(chǎn)生的大量對話與教學(xué)目標(biāo)聯(lián)系緊密。這些對話也被證明可有效預(yù)測學(xué)生者情感狀態(tài)(D’Mello & Graesser, 2012)。對文本進行話語分析是有效判斷深度學(xué)習(xí)發(fā)生與否的方式(殷常鴻等, 2019)，因此基于交互文本進行情感分析值得深入研究和關(guān)注。鑒于目前多數(shù)情感計算只停留在情感與其前因后果的線性關(guān)系層面，未來研究的主攻方向是引入更復(fù)雜的多維度情感計算模型，考慮情感組合、持續(xù)時間及其轉(zhuǎn)換等問題，充分挖掘變量間的非線性關(guān)系 (Graesser, 2019)。此外，如何借助學(xué)習(xí)分析和教育大數(shù)據(jù)挖掘技術(shù)，進行情感調(diào)節(jié)策略識別和反饋干預(yù)，建立具有情感調(diào)節(jié)功能的對話式智能導(dǎo)學(xué)系統(tǒng)，也是此領(lǐng)域的重要研究課題。

3) 多代理的團隊學(xué)習(xí)

以團隊溝通與協(xié)作為核心的人際領(lǐng)域，是促進深度學(xué)習(xí)的重要評估維度。未來對話式智能導(dǎo)學(xué)系統(tǒng)將從一對一的傳統(tǒng)輔導(dǎo)模式中解放出來，使用會話代理建立定制化的團隊學(xué)習(xí)環(huán)境。例如，AutoTutor家族的Operation ARIES系統(tǒng)在教師代理、同伴代理和真人學(xué)生之間實現(xiàn)了三方對話。學(xué)生除與教師代理對話溝通外，還能觀察兩個代理之間的交互，亦可幫助同伴代理解決問題。實驗結(jié)果顯示，三方對話比傳統(tǒng)一對一輔導(dǎo)模式能更有效地提升學(xué)習(xí)效果并改善學(xué)習(xí)情感(Graesser et al., 2017)。通用智能導(dǎo)學(xué)框架目前已納入團隊行為(如溝通、合作、認(rèn)知、領(lǐng)導(dǎo)/指導(dǎo)和沖突)和團隊產(chǎn)出(績效、滿意度和生存能力)之間關(guān)系的元分析研究成果(Sottilare et al., 2017b)，并在模塊里增加對團隊學(xué)習(xí)的支持(Sottilare et al.,2018)。未來對話式智能導(dǎo)學(xué)系統(tǒng)將以多會話代理為基礎(chǔ)進行團隊建模，培養(yǎng)學(xué)習(xí)者的溝通協(xié)作和問題解決能力。研究重點是共享心智模型(shared mental model)、團隊學(xué)習(xí)曲線、動態(tài)任務(wù)選擇和多代理間的協(xié)調(diào)。當(dāng)然，會話代理的發(fā)展還面臨著創(chuàng)作工具、自然語言處理技術(shù)和腳本自動生成方面的挑戰(zhàn)。

2.宏觀層面

對話式智能導(dǎo)學(xué)系統(tǒng)宏觀層面則基于學(xué)科、范式及倫理視角，關(guān)注合作、標(biāo)準(zhǔn)及倫理三方面問題。

1) 增進學(xué)科合作

對話式智能導(dǎo)學(xué)系統(tǒng)具有高度跨學(xué)科性。設(shè)計需要學(xué)習(xí)科學(xué)的理論指導(dǎo)，構(gòu)建需要計算機科學(xué)的技術(shù)支持，應(yīng)用則需要教育學(xué)和心理學(xué)的操作把控。既往歷史也印證了人工智能技術(shù)和學(xué)習(xí)理論是對話式智能導(dǎo)學(xué)系統(tǒng)發(fā)展的兩大主要制約因素。我國學(xué)科協(xié)作與互助不充分是對話式智能導(dǎo)學(xué)系統(tǒng)領(lǐng)域研究數(shù)量少、質(zhì)量低的重要原因，因而打破學(xué)科壁壘，搭建多學(xué)科融合創(chuàng)新平臺，推進人工智能下的深度教學(xué)變革勢在必行。

2) 遵從國際標(biāo)準(zhǔn)

高開發(fā)成本是阻礙對話式智能導(dǎo)學(xué)系統(tǒng)走進課堂的主要原因之一。通用智能導(dǎo)學(xué)框架提供的可重用模塊和標(biāo)準(zhǔn)化組件，為加速構(gòu)建對話式智能導(dǎo)學(xué)系統(tǒng)掃清了障礙。AutoTutor作為對話式智能導(dǎo)學(xué)系統(tǒng)的典型系統(tǒng)，已將主要模塊整合進通用智能導(dǎo)學(xué)框架，并支持多樣化的對話式智能導(dǎo)學(xué)系統(tǒng)開發(fā)。遺憾的是，國內(nèi)學(xué)者對此了解較少。本研究建議了解、遵行和利用這一標(biāo)準(zhǔn)化智能導(dǎo)學(xué)系統(tǒng)框架，加速研發(fā)對話式智能導(dǎo)學(xué)系統(tǒng)，促進我國真實教育場景中“智適應(yīng)”產(chǎn)品的落地和迭代發(fā)展(劉凱等, 2019)。

3) 重視倫理問題

對話式智能導(dǎo)學(xué)系統(tǒng)的倫理問題不容小覷。一項名為“旁觀者圖靈測試”(by-stander turing test)的實驗發(fā)現(xiàn)，AutoTuto在對話輔導(dǎo)上與人類教師無顯著差異(Nye et al., 2014)。然而，對話式智能導(dǎo)學(xué)系統(tǒng)與人類教學(xué)相似度越大，欺騙性就越大。其代入感會令學(xué)生與系統(tǒng)之間產(chǎn)生依賴和情緒鏈接，從而可能導(dǎo)致學(xué)生社交能力的缺失(劉瑞娜等, 2019)。因此，對話式智能導(dǎo)學(xué)系統(tǒng)適合用于哪些學(xué)生群體，值得從AI倫理層面加以研究和探討。

[注釋]

① 格雷澤和珀森(Person)將人類老師對話輔導(dǎo)的提問分為深度、中級和淺層三類。其中，屬于深層問題的是原因性問題(為什么？這是如何造成的？)、結(jié)果性問題(如果……然后呢?)、目標(biāo)導(dǎo)向性問題(為什么有人這樣做？)、可行性問題(發(fā)生的條件是什么？)、詮釋性問題(這意味著什么？)和預(yù)期性問題(為什么不這樣呢？)。

② 對話式導(dǎo)學(xué)系統(tǒng)的輔導(dǎo)策略包含給予提示、給予信息補充、提供完型填空和給予結(jié)論四類。

③ 在基本對話循環(huán)外的學(xué)生反饋，包含凍結(jié)表達(frozen expression)和學(xué)生問題。凍結(jié)表達指那些與內(nèi)容無關(guān)，或者對于問題沒有貢獻的學(xué)生回答，如對話的致謝(如“好”)，簡短的回復(fù)(如“是”或“不是”)，元認(rèn)知語句(如“我需要幫助”“我不知道”)，或者抱怨。基本循環(huán)內(nèi)的學(xué)生反饋包括導(dǎo)師提問，學(xué)生的貢獻(針對問題的回答)和導(dǎo)師反饋。