本刊特約記者 隆 舟 劉 凱 屈 靜

訪談者：索特拉博士，感謝您接受我們的專訪。中國學者熟悉智能導學系統(tǒng),但對通用智能導學框架較陌生，作為通用智能導學框架的聯(lián)合創(chuàng)始人，您能否介紹一下通用智能導學框架與智能導學系統(tǒng)的關系，以及創(chuàng)立這一項目的初衷？

索特拉博士：好的。1983年，我進入美國陸軍和海軍訓練科學技術部，開始關心軍人執(zhí)勤后如何更好地學習，以便為退役生活做準備。由于軍人執(zhí)勤的時間、地點與常人不同，傳統(tǒng)師生教學模式不能照搬到軍隊中。此時，恰逢智能導學系統(tǒng)嶄露頭角。智能導學系統(tǒng)模仿人類一對一教學模式，向?qū)W習者傳授知識，提供適應性指導。它采用工程技術手段調(diào)和學習效率與效果之間的矛盾，解決人類教師成本高、規(guī)模小的教育難題。我們也開始開發(fā)不同操練科目的智能導學系統(tǒng)，幫助軍人學習知識和訓練技能。經(jīng)40多年的研發(fā)改進，智能導學系統(tǒng)在良構域(如數(shù)學、物理等)教學效果已接近人類專家水平，且顯著優(yōu)于傳統(tǒng)課堂教學和文本閱讀①。然而，智能導學系統(tǒng)雖好，卻難以遷移至其他課程，且系統(tǒng)和課程開發(fā)成本高，無法及時在軍人學習中普及，更無法對教學實踐產(chǎn)生普遍影響。

以Auto Tutor為例，該系統(tǒng)一學時的籌備需要100-1000小時開發(fā)時間，且開發(fā)內(nèi)容復雜。如果基于舒爾曼教學推理與行動模型開發(fā)內(nèi)容，一學時教學過程包括理解、轉(zhuǎn)化、教學、評價、反思和新的理解六個階段。開發(fā)者需要“理解”教學目標和學科結(jié)構，將其“轉(zhuǎn)化”為系統(tǒng)可識別的信息；然后由系統(tǒng)為學習者提供適應性“教學”，并 “評價”學習者掌握程度。最后，開發(fā)者“反思”系統(tǒng)教學情況和學習者學習效果，對教學目標、學科結(jié)構、教學策略等形成“新的理解”，以完善下一次系統(tǒng)教學和評價設置。前期準備的理解和轉(zhuǎn)化，以及后期復盤的反思和新的理解，皆需開發(fā)者參與。而且，理解、反思和新的理解也要求開發(fā)者具備學習和教學知識背景。因此，智能導學系統(tǒng)工程技術門檻高，僅具有學習科學或教學背景的研究者難以直接開發(fā)，只能為工程技術人員間接提供相關教學內(nèi)容，因此難以普及推廣。

為解決智能導學系統(tǒng)開發(fā)費時和推廣緩慢的困境，一些教學應用研究領域提出開源系統(tǒng)的解決方案，如ASSISTments和Tensor Flow。前者是美國聯(lián)邦基金資助的伍斯特理工學院開發(fā)的學生個性化指導公共服務平臺，后者是谷歌公司推出的靈活高效、可擴展和移植的人工智能系統(tǒng)。這些開源系統(tǒng)推動了新技術在教育領域的“落地”，但仍要求使用者具備編程開發(fā)能力，從而限制了推廣范圍。所以，我們認為如何快速開發(fā)和更新智能導學系統(tǒng)，核心問題是降低系統(tǒng)開發(fā)門檻、提高系統(tǒng)模塊與內(nèi)容復用度。2012年5月，團隊開始研發(fā)可視化(界面友好)、標準化(系統(tǒng)結(jié)構重用度高)的開源智能教學體系框架——通用智能導學框架。

事實上，作為一種模塊化、面向服務，集工具、規(guī)則和標準于一體的智能導學系統(tǒng)構建通用框架，側(cè)重系統(tǒng)的創(chuàng)作、管理教學和評估功能。它并非某一具體的智能導學應用系統(tǒng)，而是面向各類教學系統(tǒng)開發(fā)和測評的“元平臺”。通用智能導學框架支持最前沿的智能導學技術，將教育信息化系統(tǒng)視為由教師、學生、應用開發(fā)者、研究者等組成的有機體，鼓勵跨學科專家以及政府、學校、企業(yè)等多方協(xié)作，使系統(tǒng)自我迭代。擁有系統(tǒng)開發(fā)背景的研究者可快速構建新系統(tǒng)。無技術背景的研究者，也可在該框架用戶手冊和腳手架的幫助下，實現(xiàn)知識形式化和可視化②。我希望中國有更多的研究者了解通用智能導學框架，也期待中國同仁加入通用智能導學框架開源平臺的開發(fā)和應用。

記者：通用智能導學框架為學習科學研究者在新技術時代探索學習機制掃除了技術和工程障礙，在理論與工程技術之間鋪設了互通之路。中國的學習科學研究者通常為心理學或計算機科學背景，前者對新興智能學習感興趣，卻缺乏系統(tǒng)開發(fā)能力；后者敏銳地覺察到新時代人機交互手段對傳統(tǒng)教學互動可能產(chǎn)生的影響，卻受阻于薄弱的教育理論基礎。新技術對學習科學領域的核心議題“人是如何學習的、如何促進有效學習”產(chǎn)生了較大影響， 那么，通用智能導學框架如何促進有效學習？

索特拉博士：技術本身不會促進有效學習?？v觀教育技術發(fā)展史，在每項新技術出現(xiàn)時，人們都很興奮，易陷入技術的局部性特征而忽略教育的全局性本質(zhì)，因此錯誤地預言了廣播、電視、計算機會徹底變革教育。那么，怎樣的教育技術可以促進有效學習呢？它應該以“人是如何學習的”為中心來研發(fā)。通用智能導學框架背后的核心學習理論是建構主義學習觀，初創(chuàng)階段主要關注人的認知，基于認知轉(zhuǎn)變促進學習，隨后擴展到關注學習者的情緒、動機等。該理論認為，人的認知有多重通道、容量有限和主動加工等特征。人在學習過程中的認知轉(zhuǎn)變可通過外在認知加工(源于無關學習內(nèi)容或教學設計刺激)、基礎認知加工(源于學習內(nèi)容本身引發(fā))和生成性認知加工(源于人的學習動機激發(fā))等方式完成。不管在傳統(tǒng)教學環(huán)境還是各類新型教學技術情境中，人學習的認知特征和加工模式并未改變。但相較于難以改變的傳統(tǒng)教學環(huán)境或教育學理論背景薄弱的教育技術環(huán)境，通用智能導學框架力求避免外在認知加工令無關認知負荷引發(fā)基礎認知超負荷，同時促進生成性認知加工，提升學習者的學習成效。也就是說， 通用智能導學框架的構造原則有學習科學的堅實基礎，無需擔憂因系統(tǒng)開發(fā)而偏離科學導向。

記者：通用智能導學框架如何在工程層面體現(xiàn)學習者為中心的設計理念，又怎樣將“人是如何學習的”研究成果融入其中？

索特拉博士：通用智能導學框架的開發(fā)成員來自心理學、計算機科學、教育學等多個學科，為學習科學研究者提供了靈活、穩(wěn)定、高效的研究平臺。我們認同學習是個復雜的過程，受學習者(認知和非認知能力)、學習內(nèi)容、學習環(huán)境(如同伴、教師)的影響，因此該框架遵從系統(tǒng)論的設計原則，大量借鑒學習科學的理論和實證研究成果，也參考并擴展了以往普遍使用的四組件模型，使其包含學習者模塊、領域模塊、教學模塊、用戶界面及傳感器模塊，且各模塊的設置和更新會持續(xù)參考學習科學的最新研究成果。學習科學研究的科學性增強了其智能性，比如數(shù)據(jù)建模和算法優(yōu)化能智能地體現(xiàn)適應性的教學理念。其組件成分復雜，但使用者無需理會內(nèi)部結(jié)構和編程實現(xiàn)，只需專注特定需求，便可通過簡單操作進行替換和定制。

記者：通用智能導學框架四個模塊是如何實現(xiàn)智能化的？

索特拉博士：首先，系統(tǒng)智能化的對象是個性化和適應性輔導，核心是學習者模塊。以往智能導學系統(tǒng)的個性化和適應性輔導主要針對學習者的認知表現(xiàn)，往往在特定知識領域基于特定教學策略觀察學習者的認知變化。這是在行為主義和認知主義學習理論的支撐下，采用線性和結(jié)構化的數(shù)據(jù)分析方法，比較學習初始和結(jié)束時的行為和認知表現(xiàn)。通用智能導學框架學習者模塊的智能化提升得益于持續(xù)吸納新近的科學研究和技術更新成果。隨著教育神經(jīng)科學研究的發(fā)展，我們了解到人的學習是認知、情緒和社會化相互交織、動態(tài)變化的。據(jù)此，通用智能導學框架的底層核心思想是系統(tǒng)論，視人類學習者為復雜、動態(tài)變化的系統(tǒng)；中層的學習和教學指導理論源于建構主義學習觀，同時吸納情緒學習、心理動能學習、社會學習研究成果?；谝陨蟽蓪涌茖W思想和理論，通用智能導學框架學習者模塊的智能化體現(xiàn)為：數(shù)據(jù)模型實時收集和分析學習者的歷史行為、生理、認知、非認知(如情緒、動機、元認知等)、偏好、社交等數(shù)據(jù)推斷學習者的當前狀態(tài)。研究者可細致觀察學習者學習行為在不同階段的演變過程。此外，通用智能導學框架基于學習的社會性開發(fā)不同角色的用戶模塊(如同伴模塊、專家模塊等)，通過引入多種學習形式助力學習科學研究者在真實情景下進行探索。

領域模塊的智能化主要表現(xiàn)為知識特異性。學習者的心理狀態(tài)常處于持續(xù)相互作用的過程中，所以不同領域知識會相互交融，比如詞匯量會影響幾何題目的理解。大多數(shù)智能導學系統(tǒng)常與具體領域內(nèi)容相綁定，難以考察不同領域知識的相互作用。通用智能導學框架則區(qū)分了各類知識及其在學習中的異同成分。例如，領域模塊在實現(xiàn)定義和構造領域目標時，細分出知識、技能、教學任務和評價標準的素養(yǎng)模型(宏觀適應)及其他模型(微觀適應)。它根據(jù)教學模塊的算法推薦決策(如追問)，決定呈現(xiàn)的追問類型、追問內(nèi)容、順序和速度，然后將學習者的回復內(nèi)容與專家表現(xiàn)或其他標準比較后作出評估，從而實現(xiàn)同一平臺多領域知識的組織與管理。

教學模塊的智能化基于優(yōu)化教學行動算法。通常情況下，智能導學系統(tǒng)的開發(fā)者幾乎為非教育人士，他們依據(jù)普適性教學策略(如及時反饋、認知失調(diào)等)，借助貝葉斯網(wǎng)絡、決策樹等數(shù)學模型確定每一步教學行動。這與學習者模塊僅關注認知表現(xiàn)和領域模塊多涉及良構域知識相輔相成，有利于普適教學策略的實施及控制。但簡化、易控的開發(fā)效度提升必然與復雜、多變的真實學習情境相矛盾。因此，團隊的教育專家在數(shù)據(jù)驅(qū)動的教學模塊中引入智能化、養(yǎng)成式、蘇格拉底式、漸進式、間接式、反思式及激勵式等多種導學模式。教學模塊可從學習者模塊和領域模塊分別實時查詢學習者的身心狀態(tài)和知識習得程度，再根據(jù)最適宜的教學理論和特定數(shù)學模型實施后續(xù)教學行動(如復述或追問)，并根據(jù)學習者實時變化動態(tài)評估及調(diào)整教學行動。例如，借助優(yōu)化數(shù)據(jù)建模和算法推送，學習者模塊實時記錄學生的學習行為，追溯學生的知識漏洞，根據(jù)學生的學習習慣和知識點掌握情況，推送改善個體認知狀態(tài)的個性化教學建議，提高學習效率。由于通用智能導學框架不斷更新教學理論和策略，該模塊可以針對學習者的需求和偏好匹配高效的教學決策。對學習科學研究者而言，如果他來自教學設計領域，就可根據(jù)需要把其他教學模型、策略或方法集成到教學模塊中，進而比較不同教學策略的知識和學習者的適用性，或考察多種教學策略的交互作用和疊加的學習效果。如果學習者缺乏教學設計的知識背景，也可以借助教學模塊進行操作?？傊ㄓ弥悄軐W框架既降低了教學門檻，也保持了相當程度的靈活性。

用戶界面模塊的智能化主要體現(xiàn)在新增的傳感器部分。與其他智能導學系統(tǒng)用戶界面模塊接收和解釋學習者的語音、鍵入文字、點擊等數(shù)據(jù)不同，通用智能導學框架的傳感器模塊可通過標準接口接收學習者特定的行為和生理數(shù)據(jù)，過濾并提取特征值后發(fā)傳至學習者模塊，其好處有：一，特定行為(如運動、手術等專業(yè)行為)和生理(如心跳、皮電等)數(shù)據(jù)接口能捕獲易被忽視的學習者技能和感知數(shù)據(jù)，這些數(shù)據(jù)又可以拓展輔導的任務類型，例如，支持商用傳感器(如Affectiva Q)標準接口，被廣泛用于軍隊射擊、掩護等作戰(zhàn)技能培訓及民用領域動作技能培訓。傳感器模塊在工程技術層面擴展了技能輔導。這符合認知、情感和動能技能的教育目標分類學，而且其融合具身認知、融入身體圖式的操作也比被動觀察更易理解；二，即使在傳統(tǒng)認知學習任務中，傳感器模塊也可新增數(shù)據(jù)來源，匯成多模態(tài)學習者數(shù)據(jù)，進而提升學習者狀態(tài)評估的效度。例如，傳統(tǒng)智能導學系統(tǒng)要求學習者自行評估并報告情緒狀態(tài)，而通用智能導學框架通過生理傳感器接口客觀收集學習者的心跳和膚電數(shù)據(jù)，可矯正情緒主觀評價偏差。

總體而言，學習者模塊、領域模塊、教學模塊、用戶界面及其擴展傳感器模塊的智能化幫助使用者：1)以更低的技術儲備和更少的時間投入創(chuàng)作各種任務類型的智能導學系統(tǒng)；2)針對學習者需求提供有效的適應性教學管理；3)借助工具評估系統(tǒng)效度及開展科學研究提升教學效果。學習科學研究者將其作為研究平臺，可能更關注第三個功能。這一功能源自漢克斯(Hanks)與同事提出的科研平臺測試基準(見圖1)。用戶可利用平臺操縱四個模塊評估學習者和系統(tǒng)的績效，監(jiān)測系統(tǒng)的屬性、工具和模塊對學習者的參與過程、學習結(jié)果乃至遷移技能的影響及作用機制。

圖1 GIFT研究平臺評估方法

記者：通用智能導學框架研究平臺的功能是評估檢驗智能導學系統(tǒng)創(chuàng)建后的效果嗎？

索特拉博士：通用智能導學框架研究平臺既支持后期實驗驗證，也允許早期探索研究。前者使用頻率更高。它支持用戶借助創(chuàng)作工具快速創(chuàng)建智能導學系統(tǒng)，然后通過實驗評估功能比較各系統(tǒng)組件的功效，評估其對學習者的影響，比如學習者的參與度及知識或技能的獲得、記憶、推理和遷移等。此外，它也支持系統(tǒng)創(chuàng)建前的探索性研究。比如，用戶可基于該研究平臺觀察教學代理的行為并將其分類，還可采用教育數(shù)據(jù)挖掘方法探索教學代理行為、學習者行為與學習者之間的時間函數(shù)關系。不同的是，對于前期探索性研究，通用智能導學框架允許較寬泛的模塊設置，而對于后期實驗研究，它要求嚴格界定組件(如教學代理行為)，籍此檢驗特定理論假設并比較教學系統(tǒng)及其組件效果。此外，它允許用戶便捷復制條件和相關度量，還支持測量和評估方法的自定義、選擇擬檢查學習者狀態(tài)以及記錄特定學習背景數(shù)據(jù)(如環(huán)境條件)等。

記者：通用智能導學框架已在軍方和民用領域開展了系列研究和實踐，其最新研究進展怎樣？

索特拉博士：發(fā)展至今，通用智能導學框架在學習者數(shù)據(jù)建模、知識領域開發(fā)、教學模式探新和系統(tǒng)改進方面均有較大進展：1)在學習者數(shù)據(jù)建模中，從輔助分析學習者認知狀態(tài)拓展為理解學習者的非認知狀態(tài)，令情緒數(shù)據(jù)處理功能得到提升，如探測學習者情緒的敏感性；2)在知識領域開發(fā)方面，從認知任務過渡至心理運動任務，如開展動作技能任務的適應性培訓；3)在教學模式探新上，從一對一教學模式擴充到一對多團隊學習模式，如開展團隊適應性指導；4)對于系統(tǒng)自身可持續(xù)發(fā)展問題，我們也提出了自我改進數(shù)字資源的假設。

記者：提及情緒敏感型智能導學系統(tǒng)，我們?nèi)菀紫氲矫仿?D'Mello)開展的“情緒型AutoTutor”研究，該系統(tǒng)可以識別學習者的部分情緒類型。通用智能導學框架探測學習者情緒和它有什么不同？

索特拉博士：“情緒型AutoTutor”是在分析物理傳感器和學生情緒自我報告的交互數(shù)據(jù)后，生成學生情緒自動推斷模型，再將其嵌入基于自然語言的智能導學系統(tǒng)，提高系統(tǒng)的教學效果。雖然科研論文的諸多模型都報告能夠于在線學習中自動檢測學習者情緒，但其大多內(nèi)置于封閉系統(tǒng)且很少主動干預學習者的情緒。對于不了解系統(tǒng)結(jié)構的研究者而言，這種情緒內(nèi)置系統(tǒng)阻礙了研究者深入考察學習者利用智能導學系統(tǒng)進行學習時“其情緒對學習結(jié)果的影響機制”。不了解情緒對學習的作用機制，就不能促使智能導學系統(tǒng)“主動誘發(fā)和調(diào)節(jié)學習者情緒，促進人的有效真實學習”。使用者既能單獨考察學習者的情緒對學習結(jié)果的作用機制，也可嘗試更積極主動地誘發(fā)和調(diào)節(jié)學習者情緒的策略。

具體而言，相較于系統(tǒng)內(nèi)置情緒模型的難驗證和難推廣，通用智能導學框架得益于模塊化結(jié)構，可以單獨檢測和重復使用學習者情緒模型。研究者可通過傳感器模塊獲取客觀生理數(shù)據(jù)，結(jié)合學習者模塊自我報告的主觀心理數(shù)據(jù)而構成雙通道學習者情緒模型。該模型可嵌入研究平臺進行驗證、優(yōu)化和復用。與被動情緒收集相比，主動情緒收集更困難，通用智能導學框架正嘗試提供操作入口。例如，德法爾科(DeFalco)曾開發(fā)沮喪情緒應對型智能導學系統(tǒng)，通過上述雙通道學習者情緒模型篩選沮喪情緒學習者，然后將一半作為控制組，向另一半沮喪者顯現(xiàn)可觸發(fā)不同動機的信息反饋，最后在實驗平臺中檢驗動機反饋能否緩解學習者的沮喪情緒并提升學習效果。結(jié)果發(fā)現(xiàn)，誘發(fā)自我效能動機的信息能夠顯著影響信息學習者的沮喪緩解和成績提升效果。通用智能導學框架一方面可利用探測器獲取學習者情緒數(shù)據(jù)，另一方面所得的情緒模型(基于學習者-系統(tǒng)交互和物理傳感器數(shù)據(jù)構建)既可嵌入其中重復使用，還可移入其他智能導學系統(tǒng)使用。這是情緒研究的好樣例，可供關注情緒干預的學者參考。

記者：有學者提出將智能導學系統(tǒng)用于模擬互動型動作技能任務(如運動、外科手術或手語等)培訓并提供個性化支持，但相關實證研究很少。通用智能導學框架應用于動作技能培訓的契機是什么，又該如何用于培訓呢？

索特拉博士：實際上 ，美國軍方實驗室一直樂于將智能導學系統(tǒng)用于主流認知任務以外的領域。其中之一就是為動作技能任務訓練提供一對一輔導，并通過速度、準確性、平衡性和協(xié)調(diào)性等指標評估輔導效果。

過去五年，通用智能導學框架被廣泛用于訓練學習者的多種動作技能，如射擊、陸地導航、建筑偵察等。以醫(yī)療急救為例，我和同事使用智能玻璃技術和壓力傳感器開展分診期間的外傷急救培訓。學習者使用止血帶和壓力繃帶控制出血損傷時，系統(tǒng)能夠模擬出血控制任務的物理情況。止血帶和繃帶包含壓力傳感器，可根據(jù)壓力讀數(shù)測量學習者阻止血液流動的能力。智能眼鏡則用于在任務執(zhí)行過程中向?qū)W習者提供非侵擾式反饋。經(jīng)反復驗證，通用智能導學框架可給出最實際且最可靠的壓力傳感器量級。這些動作技能數(shù)據(jù)的關鍵指標加上認知狀態(tài)，能幫助研究者優(yōu)化學習平臺，實現(xiàn)知識與技能更好地遷移。我們也曾經(jīng)研究高爾夫推球中的認知(如注意力)和呼吸等生理特征之間的關聯(lián)，提出認知建模方法，應用于與呼吸有關的動作技能訓練。當然，動作技能的復雜性通常高于認知技能，與之有關的因素往往具有復雜性和不確定性。未來將著眼于尋找測量動作技能的有效調(diào)節(jié)變量，開發(fā)能夠識別學習者靈活性、平衡能力、協(xié)調(diào)能力和速度、力量的分類器，最終建立運動技能水平的評價體系以及研究優(yōu)化動作技能教學的策略和方法。

記者：學習者情緒數(shù)據(jù)建模和動作技能培訓都屬于經(jīng)典的一對一教學模式研究主題，團隊學習超越了一對一教學模式，通用智能導學框架為何關注團隊學習？可以預見，團隊學習領域?qū)⒂瓉砀嗵魬?zhàn)。通用智能導學框架如何應對這些新的挑戰(zhàn)？

索特拉博士：好問題！元分析顯示，智能導學系統(tǒng)通過模擬人類一對一輔導能有效提升學習效果，但也帶來社會適應性問題。學習科學研究發(fā)現(xiàn)，團隊學習不僅可緩解計算機輔助學習的社會隔離問題，還能在人際互動中提升學習者的問題解決能力，促進深層學習。技術應“錦上添花”，而不是回避或制造問題，這讓我們意識到團隊學習的重要性。因此，2010年，我提出建立具有分布式團隊輔導功能的智能導學系統(tǒng)。2012年，通用智能導學框架構建完成后，我便將原有闡釋學習者相互作用的學習效果模型，逐步擴展至團隊互動輔導。此外，由于它源自美國軍方實驗室，而團隊是軍隊的基本組成單元，所以團隊作戰(zhàn)能力也成為了通用智能導學框架的關注點。區(qū)別于以往軍方的團隊培訓項目，比如海軍團隊維度培訓和嵌入式培訓，通用智能導學框架擬打造更加智能且領域獨立的團隊學習支持框架。

準確識別團隊成員的行為模式是促進互動的前提，因此通用智能導學框架先從改進系統(tǒng)入手，將學習者模塊從支持個體拓展為同時支持個體及團隊共享，并初步解決了團隊行為模式識別問題(見圖2)。另外，基于社交學習理論，教學管理功能嘗試根據(jù)團隊成員的角色、職責和目標進展給予不同的教學指導策略，實驗平臺效果評估功能則不斷拓寬團隊學習效果的檢測指標。

我們還系統(tǒng)回顧了團體學習及其績效的研究文獻，然后對團隊行為(溝通、協(xié)調(diào)、認知等)和團隊行為結(jié)果(學習、績效、滿意度和生存能力)間的關系進行了元分析，確定了信任、集體效能、凝聚力、溝通、沖突和沖突管理六項團隊行為指標，生成成員行為對團隊目標的進度貢獻模型，并提出增強團隊適應性的指導策略。其創(chuàng)作工具(Authoring Tools)擴展了這些模型的結(jié)構，允許用戶自定義團隊規(guī)模、成員角色和職責、預期互動模式以及他們對團隊目標的貢獻。非常歡迎學習科學研究者基于通用智能導學框架設計團隊學習實驗，嚴格評估每個行為變量的局部影響及其對團隊狀態(tài)的整體影響，從而深入了解智能學習環(huán)境、共享認知模型和團隊成員之間的相互作用機制。

此外，團隊學習涉及多種互動目標，有些目標具有領域性，有些則與領域無關。例如，協(xié)作學習和合作問題解決總是基于特定知識領域，團隊任務輔導側(cè)重于改進工作流程，促進團隊高效運作，而與領域無關。為了測量個體和團隊學習者在不同領域和不同層面的理解水平，我們擴展了數(shù)據(jù)結(jié)構，新增團隊任務領域知識，從而更好地完善各知識領域的個人學習者模塊和團隊共享模塊，提升系統(tǒng)評估的準確性，作出更為合理的指導性決策，最終優(yōu)化團隊的學習能力。因此，通用智能導學框架在個人學習者模塊和團隊共享模塊納入近期發(fā)現(xiàn)的知識和技能，以便根據(jù)個人和團體的經(jīng)歷、歷史成就提升長時預測和建模的效果。另外，團隊學習擴展還支持：1)多個知識領域文件，用于評估單個成員和整個團隊的學習和績效；2)跟蹤團隊狀態(tài)，作為團隊學習過程和結(jié)果表現(xiàn)衡量標準；以及3)為克服不良的合作采取補救措施。

記者：學習資源在自我改進理念的指導下，通用智能導學框架將迎來哪些挑戰(zhàn)？

索特拉博士：我們期待通用智能導學框架像人類教師一樣可以不斷自我成長，因為這將減輕系統(tǒng)創(chuàng)建后的維護工作。自我改進的學習資源可以自我更新、檢索和利用其與學習活動相關的記憶?；谏镞m應性發(fā)展需求，人類學習者、學習伙伴和教師的生理和心理結(jié)構也具有自我改進性，可以持續(xù)自我完善。但并非所有數(shù)字學習資源都可以自我改進，有些可以自我改進的數(shù)字資源尚未發(fā)展出最佳的自我改進模式，限制了自身的推廣和發(fā)展。

通用智能導學框架具有自我改進潛力，可以便捷地創(chuàng)建智能導學系統(tǒng)的原因之一是模塊化結(jié)構。這些模塊由變量控制，保存在XML格式的控制文件中，通過添加變量屬性可以促進模塊朝著自我改進的方向演化。我們正嘗試在其中新增以下三個屬性促進其自我改進：1)將系統(tǒng)行為和人類學習者的交互行為存儲在同一數(shù)據(jù)模式中(如xAPI)，既便于系統(tǒng)實時檢索和處理數(shù)據(jù)，也能增進系統(tǒng)對學習者歷史數(shù)據(jù)的敏感性；2)創(chuàng)建將所有變量連接到數(shù)據(jù)存儲的API，這些API不斷計算系統(tǒng)行為的數(shù)據(jù)值，并以XML文件格式輸出，促進系統(tǒng)實時更新教學過程。不過，這兩個屬性只能促使系統(tǒng)自動改變，無法確保改變能夠提升學習體驗和效果。為了使自動改變朝向良性方向自我改進，通用智能導學框架需要確定由教學原理驅(qū)動并經(jīng)實踐驗證的理想輔導行為的參數(shù)。比如，基于25條學習原則的深層問題原則，通用智能導學框架能夠設定物理知識的教學前、中、后三階段向?qū)W習者提出深層問題的最低數(shù)值，因此，還需要：3)大量計算預設理想(有效且高效)的教學策略約束API。

記者：新技術常常引領教育改革思潮和實踐，但學習科學的理論成果卻未充分融入教育改革和實踐，您有什么建議？

索特拉博士：最簡單的解決辦法是合作。技術能夠解決實踐的具體問題，所以新技術往往可以直接滿足某些獨特需求，卻不一定能為教育質(zhì)量的整體提升帶來明顯益處，這需要科學家嚴謹?shù)膶嵺`檢驗。如果研究人員在通用智能導學框架上開展研究，便能確保新技術的教育應用，能夠在實質(zhì)上促進有效的學習。而且，其背后的理念與學習科學一致，具備合作基礎。我們認為，基于詢證的科學理論知識創(chuàng)建智能學習環(huán)境和設計教育過程，才能促使學習者更深入有效地學習。與以往智能導學系統(tǒng)被動漸續(xù)的獎懲訓練不同，通用智能導學框架在技術層面不斷迭代，推進學習者為中心的教育理念。比如，關注學習者的知識狀態(tài)、心理特質(zhì)和學習偏好等個體差異，借助開放的學習者模型鼓勵自我調(diào)節(jié)學習，讓學習者決定要學習什么，而系統(tǒng)則實時監(jiān)測他們的知識掌握和心理變化的進展。再如，與流行的慕課和翻轉(zhuǎn)課堂被動觀看教學內(nèi)容不同，通用智能導學框架鼓勵學習者主動參與并兼顧個體差異，學習者通過與教師代理或與同伴代理互動完成學習任務。此外，它能夠根據(jù)學習者狀態(tài)動態(tài)調(diào)整知識的水平、類型及教學策略，提高學習者主動學習和系統(tǒng)干預下的學習績效。有些研究者雖然已證實通用智能導學框架教授傳統(tǒng)科目(數(shù)學、物理等)的教學效果不錯，但仍需在不同年齡階段的學生群體、不同結(jié)構知識領域、不同教學形式(如一對一、一對多、多對一、多對多等)下加以檢驗。我們歡迎更多的學習者使用通用智能導學框架，充分發(fā)揮各模塊功能的潛力，也期待與學習科學研究者及開發(fā)者深入合作。

記者：非常感謝您的分享。中國正在推進教育信息化2.0行動計劃，努力實現(xiàn)信息技術從應用發(fā)展向創(chuàng)新發(fā)展的轉(zhuǎn)變④。在信息化2.0時代，技術與教育是共生的有機整體，有望與人類一樣實現(xiàn)自我改進，而不僅僅是被動的教學工具和手段。對此，您有什么看法？

索特拉博士：與美國一樣，中國政府也將教育視為國家戰(zhàn)略。經(jīng)過三十多年的高速發(fā)展，中國教育技術研究者已成為學界的重要力量。同時，中國的學齡人口以及教育工作者和研究者基數(shù)巨大，教育技術公司眾多，不論在學術理論或教育實踐，還是拉動市場需求等方面，都有著不可估量的發(fā)展?jié)摿?。通用智能導學框架積累的經(jīng)驗可以提供借鑒。首先，盡管離不開技術，但其核心目標是解決教育和學習問題，因此需要把對技術過高的期望轉(zhuǎn)移到真實的教學問題上，避免將技術與教育問題片面、刻板地等同或割裂；其次，要注重標準的推行。在我看來，這是中國的優(yōu)勢。從教育經(jīng)濟學的角度看，標準化是合理和集約地調(diào)配社會資源優(yōu)化配置的利器——可以避免學校和企業(yè)“重復發(fā)明輪子”，從而穩(wěn)妥、高效地推進教育工程的施行；再次，從軍事機密到開源共享，通用智能導學框架以開放的理念，熱忱歡迎中國研究者加入進來，在平臺上與各國同仁一起群策群力，攜手迎接技術賦能教育的美好未來。

[注釋]

① Ma, W., Adesope, O.O., Nesbit, J.C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis[J].Journal of Educational Psychology,106(4):901.

② Murray, T. (1999). Authoring intelligent tutoring systems: An analysis of the state of the art[J]. International Journal of Artificial Intelligence in Education(IJAIED), (10):98-129.

③ Sottilare, R.A., Brawner, K.W., Sinatra, A.M., & Johnston, J.H. (2017). An updated concept for a Generalized Intelligent Framework for Tutoring(GIFT)[R]. Orlando, FL: US Army Research Laboratory. May:1-19.

④ 雷朝滋 (2018).教育信息化:從1.0走向2.0——新時代我國教育信息化發(fā)展的走向與思路[J].華東師范大學學報(教育科學版),36(1):98-103+164.