□ 盧 宇 駢 揚(yáng) 陳鵬鶴

一、背景與挑戰(zhàn)

（一）研究背景

近年來我國陸續(xù)頒布了《新一代人工智能發(fā)展規(guī)劃》（國務(wù)院,2017）、《中國教育現(xiàn)代化2035》（國務(wù)院,2019）等政策，強(qiáng)調(diào)利用人工智能等新一代信息技術(shù)推進(jìn)智能教學(xué)助手、智能學(xué)伴等方面的研究和應(yīng)用，將智能技術(shù)融入教與學(xué)的全過程，解決規(guī)?；逃c個(gè)性化學(xué)習(xí)的基本矛盾，推動(dòng)教育智能化轉(zhuǎn)型。

研發(fā)新一代智能導(dǎo)學(xué)系統(tǒng)是推動(dòng)教育智能化轉(zhuǎn)型的重要舉措之一。智能導(dǎo)學(xué)系統(tǒng)（Intelligent Tutoring System,ITS）指可以為學(xué)習(xí)者提供實(shí)時(shí)教學(xué)支持且在此過程中不需要人類教師進(jìn)行干預(yù)的自主性學(xué)習(xí)系統(tǒng)（Brown,1988）。智能導(dǎo)學(xué)系統(tǒng)源于20世紀(jì)五六十年代的“教學(xué)機(jī)器”（Skinner,1961）與“計(jì)算機(jī)輔助教學(xué)”（Carbonell,1970）研究，其事先設(shè)計(jì)好的矯正策略會(huì)在學(xué)習(xí)者作答錯(cuò)誤時(shí)提供及時(shí)反饋，以幫助教學(xué)目標(biāo)的達(dá)成。20 世紀(jì)八九十年代，伴隨人工智能領(lǐng)域的第二次發(fā)展高潮，信息科學(xué)與認(rèn)知科學(xué)研究領(lǐng)域的交叉研究促進(jìn)了一批典型智能導(dǎo)學(xué)系統(tǒng)的出現(xiàn)。這些智能導(dǎo)學(xué)系統(tǒng)考慮了學(xué)習(xí)者的認(rèn)知規(guī)律和多類型教學(xué)模式，同時(shí)也較好利用了當(dāng)時(shí)人工智能領(lǐng)域的“專家系統(tǒng)”等技術(shù)。其中的代表性系統(tǒng)包括孟菲斯大學(xué)的AutoTutor（Graesser et al.,1999）和斯坦福大學(xué)的SCOT（Schultz et al.,2003）等。21 世紀(jì)以來，智能導(dǎo)學(xué)系統(tǒng)的研究在延續(xù)技術(shù)與認(rèn)知科學(xué)并重的傳統(tǒng)下，更多側(cè)重于如何降低系統(tǒng)的開發(fā)成本。例如，伍斯特理工學(xué)院的ASSISTments 系統(tǒng)（Heffernan et al.,2006）提供了專門的用戶接口，幫助沒有編程經(jīng)驗(yàn)的普通教師設(shè)計(jì)者低成本快速開發(fā)課程內(nèi)容；美國陸軍實(shí)驗(yàn)室于2012 年提出了通用智能導(dǎo)學(xué)框架（Generalized Intelligent Framework for Tutoring,GIFT），以幫助降低智能導(dǎo)學(xué)系統(tǒng)的開發(fā)門檻，同時(shí)提高系統(tǒng)模塊和內(nèi)容的復(fù)用率，從而解決軍事部門快速開發(fā)和更新用于軍事訓(xùn)練的相關(guān)課程模塊（Sottilare et al.,2012）。近年來，研究者更多關(guān)注將智能導(dǎo)學(xué)系統(tǒng)融入各類教學(xué)模式并拓展其導(dǎo)學(xué)內(nèi)容。例如，將智能導(dǎo)學(xué)系統(tǒng)融入翻轉(zhuǎn)課堂（Mohamed et al.,2018）和實(shí)驗(yàn)教學(xué)（Castro et al.,2021），支持學(xué)習(xí)者談判技能（Johnson et al.,2019）和編程技能的訓(xùn)練（Schez et al.,2020）。

智能導(dǎo)學(xué)系統(tǒng)經(jīng)過信息科學(xué)領(lǐng)域和認(rèn)知科學(xué)領(lǐng)域長期的研究，已取得了顯著的進(jìn)展，并在教育、醫(yī)療、軍事等多個(gè)領(lǐng)域得到應(yīng)用。然而，由于智能導(dǎo)學(xué)系統(tǒng)的設(shè)計(jì)與研發(fā)仍然面臨多重挑戰(zhàn)，迄今為止在國內(nèi)外仍沒有被大規(guī)模、普及化使用。

（二）面臨的挑戰(zhàn)

1.對(duì)學(xué)習(xí)者理解不足

智能導(dǎo)學(xué)系統(tǒng)服務(wù)的直接對(duì)象是人類學(xué)習(xí)者，故其需要像有經(jīng)驗(yàn)的人類教師一樣了解學(xué)習(xí)者，才能針對(duì)學(xué)習(xí)者在認(rèn)知過程中遇到的困難進(jìn)行及時(shí)干預(yù)與幫助。傳統(tǒng)智能導(dǎo)學(xué)系統(tǒng)通過建立學(xué)習(xí)者模型，對(duì)學(xué)習(xí)者在知識(shí)狀態(tài)、認(rèn)知能力等多維度進(jìn)行理解和估計(jì)。然而，人的認(rèn)知過程和知識(shí)加工過程具有較高的動(dòng)態(tài)性和復(fù)雜性，傳統(tǒng)的學(xué)習(xí)者模型通常很難刻畫和捕捉這些關(guān)鍵環(huán)節(jié)，且腦科學(xué)目前也很難直接提供建模方法和依據(jù)。因此，當(dāng)前智能導(dǎo)學(xué)系統(tǒng)對(duì)學(xué)習(xí)者的理解難以達(dá)到普通人類教師的基本水平，尤其在知識(shí)狀態(tài)具有內(nèi)隱特性的認(rèn)知維度，無法準(zhǔn)確估計(jì)學(xué)習(xí)者的知識(shí)狀態(tài)，從而極大影響了系統(tǒng)的使用效果和效率（盧宇等,2021）。

2.用戶體驗(yàn)較差

由于用戶對(duì)個(gè)性化服務(wù)功能的迫切需求，智能導(dǎo)學(xué)系統(tǒng)的多種服務(wù)功能日趨復(fù)雜且需要采集系統(tǒng)初次使用者的多維度數(shù)據(jù)，但普通用戶通常不愿花費(fèi)較長時(shí)間配合數(shù)據(jù)的采集過程（羅江華& 馮瑞,2022）。同時(shí)，對(duì)于較為復(fù)雜的功能設(shè)計(jì)，用戶也通常難以迅速熟悉和使用。我們稱之為智能導(dǎo)學(xué)系統(tǒng)的“冷啟動(dòng)”問題（Pian et al.,2020）。另外，智能導(dǎo)學(xué)系統(tǒng)越來越多采用人工智能領(lǐng)域的各項(xiàng)技術(shù)，導(dǎo)致系統(tǒng)內(nèi)部模型的復(fù)雜性日益增加。這些模型通常難以理解并且決策過程不透明，容易直接引發(fā)普通學(xué)習(xí)者和教師的質(zhì)疑和不信任（楊現(xiàn)民等,2018）?！袄鋯?dòng)問題”和“模型不透明性”都容易直接影響智能導(dǎo)學(xué)系統(tǒng)用戶的體驗(yàn)，從而極大降低其一線實(shí)踐和應(yīng)用的普及程度。

3.自動(dòng)化程度有限

智能導(dǎo)學(xué)系統(tǒng)的初衷是盡量減少人類教師的人為干預(yù)，通過自動(dòng)化的運(yùn)行過程，幫助學(xué)習(xí)者自主完成學(xué)習(xí)過程。然而，隨著學(xué)習(xí)者對(duì)智能導(dǎo)學(xué)系統(tǒng)依賴程度的增加，部分輔助功能仍然缺乏高效完整的自動(dòng)化解決方案（張志禎等,2019）。例如，針對(duì)學(xué)習(xí)者作答的自動(dòng)批閱功能，對(duì)開放性、半開放性主觀題和證明與論述類題目系統(tǒng)仍然難以實(shí)現(xiàn)準(zhǔn)確自動(dòng)批閱，導(dǎo)致無法進(jìn)行及時(shí)反饋，從而極大降低了學(xué)習(xí)效率和系統(tǒng)的智能化水平。

為解決智能導(dǎo)學(xué)系統(tǒng)所面臨的上述基本挑戰(zhàn)，本研究借助教育教學(xué)等領(lǐng)域的經(jīng)典理論和人工智能領(lǐng)域的最新技術(shù)，構(gòu)建新型智能導(dǎo)學(xué)系統(tǒng)。

二、理論基礎(chǔ)與關(guān)鍵支撐技術(shù)

（一）理論基礎(chǔ)

1.知識(shí)空間理論

知識(shí)空間理論（Knowledge Space Theory,KST）于1985 年被首次提出（Falmagne et al.,1990），已廣泛應(yīng)用于教育學(xué)、心理學(xué)的研究和實(shí)踐中。知識(shí)空間是對(duì)知識(shí)及其內(nèi)在關(guān)系的一種圖式表征，主要包括知識(shí)點(diǎn)和認(rèn)知關(guān)系兩類關(guān)鍵要素：知識(shí)點(diǎn)代表不同顆粒度的學(xué)習(xí)內(nèi)容，認(rèn)知關(guān)系即知識(shí)點(diǎn)間的“連接”。知識(shí)空間理論強(qiáng)調(diào)通過學(xué)科內(nèi)部知識(shí)點(diǎn)間的“連接”形成特定知識(shí)結(jié)構(gòu)，而這種知識(shí)結(jié)構(gòu)可以幫助對(duì)學(xué)習(xí)者的知識(shí)點(diǎn)掌握狀態(tài)進(jìn)行高效測評(píng)。例如，知識(shí)點(diǎn)“三角形”是知識(shí)點(diǎn)“勾股定理”的基礎(chǔ)，這兩個(gè)知識(shí)點(diǎn)間存在特定的“連接”關(guān)系?；谶@種“連接”關(guān)系以及學(xué)習(xí)者對(duì)“三角形”的掌握狀態(tài)，可以幫助推斷同一學(xué)習(xí)者對(duì)“勾股定理”以及其他相關(guān)知識(shí)點(diǎn)的掌握狀態(tài)，并將已掌握的知識(shí)用一組知識(shí)點(diǎn)的集合來表示?；谥R(shí)空間理論，學(xué)科的知識(shí)內(nèi)容能夠進(jìn)行結(jié)構(gòu)化和組織化描述，學(xué)習(xí)者的知識(shí)掌握狀態(tài)能夠較好地進(jìn)行估計(jì)并以結(jié)構(gòu)化的形式呈現(xiàn)。因此，知識(shí)空間理論可以為新型智能導(dǎo)學(xué)系統(tǒng)提供底層知識(shí)結(jié)構(gòu)支撐和信息組織框架。

2.游戲化設(shè)計(jì)理論

游戲化（gamification）指在非游戲情境下融入游戲相關(guān)元素的設(shè)計(jì)方法。這一概念由蓋布·茲徹曼在2011 年正式提出（Zichermann & Cunningham,2011），隨后廣泛應(yīng)用于醫(yī)療、金融、教育等領(lǐng)域的軟件設(shè)計(jì)中，以引導(dǎo)用戶使用系統(tǒng)和參與互動(dòng)。在教育領(lǐng)域，游戲化設(shè)計(jì)的元素通常包括積分、排行榜、獎(jiǎng)杯勛章等，并服務(wù)于“展示成就”“提示進(jìn)度”兩種實(shí)際需求（Majuri,Koivisto,&Hamari,2018），從而可以有效支持學(xué)習(xí)者參與、提升學(xué)習(xí)者學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)效果。在諸多游戲化設(shè)計(jì)理論中，MDA（Mechanics-Dynamics-Aesthetics） 是一種代表性理論（Hunicke,LeBlanc,& Zubek,2004）。其中， Mechanics 代表機(jī)制，即游戲化界面中的基本元素、用戶可執(zhí)行的每個(gè)基本動(dòng)作等基礎(chǔ)性機(jī)制；Dynamics 代表動(dòng)態(tài)，指用戶和系統(tǒng)間的過程性交互，尤其是用戶在游戲化機(jī)制上產(chǎn)生的交互行為；Aesthetics 代表美學(xué)，指用戶通過與游戲化機(jī)制進(jìn)行動(dòng)態(tài)交互時(shí)所產(chǎn)生的各類情緒反應(yīng)。MDA 是一種綜合考慮設(shè)計(jì)機(jī)制、設(shè)計(jì)動(dòng)態(tài)和設(shè)計(jì)美學(xué)的模型，有助于優(yōu)化學(xué)習(xí)者與系統(tǒng)的交互過程，提高其參與度，可以為智能導(dǎo)學(xué)系統(tǒng)提供趣味性、沉浸式的用戶體驗(yàn)。

3.最近發(fā)展區(qū)理論

最近發(fā)展區(qū)（Zone of Proximal Development,ZPD）是蘇聯(lián)著名教育學(xué)、心理學(xué)家維果斯基于20世紀(jì)提出的理論，其獨(dú)創(chuàng)性地闡釋了教學(xué)、學(xué)習(xí)與發(fā)展間的關(guān)系。該理論指出，學(xué)習(xí)者獨(dú)立解決問題時(shí)的能力代表其實(shí)際發(fā)展水平，在教師指導(dǎo)下解決問題的能力代表其潛在發(fā)展水平，二者之間的差距即為該學(xué)習(xí)者當(dāng)前的最近發(fā)展區(qū)（Vygotsky,1967）。在學(xué)習(xí)者的最近發(fā)展區(qū)間內(nèi)進(jìn)行教學(xué)干預(yù)，才能發(fā)揮教學(xué)干預(yù)的最大效能。最近發(fā)展區(qū)理論作為社會(huì)建構(gòu)主義理論的核心組成部分，強(qiáng)調(diào)了有效教學(xué)需貼合學(xué)習(xí)者的個(gè)性化發(fā)展?jié)撃?。該理論能夠深化和幫助智能?dǎo)學(xué)系統(tǒng)對(duì)學(xué)習(xí)者學(xué)習(xí)需求的理解，對(duì)系統(tǒng)教學(xué)策略的設(shè)計(jì)具有指導(dǎo)作用，從而為學(xué)習(xí)者提供最適合其個(gè)人潛能的反饋與導(dǎo)學(xué)。

（二）關(guān)鍵支撐技術(shù)

要實(shí)現(xiàn)新型智能導(dǎo)學(xué)系統(tǒng)在學(xué)習(xí)者理解、用戶體驗(yàn)、自動(dòng)化等方面的優(yōu)化提升，需要利用多項(xiàng)人工智能領(lǐng)域前沿技術(shù)，將其作為系統(tǒng)功能實(shí)現(xiàn)的關(guān)鍵支撐。

1.深度學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)指通過特定模型擬合數(shù)據(jù)樣本的分布，完成分類或預(yù)測等任務(wù)，從而改進(jìn)系統(tǒng)自身性能的人工智能技術(shù)。傳統(tǒng)機(jī)器學(xué)習(xí)多采用決策樹、線性回歸等簡單模型，在較小規(guī)模數(shù)據(jù)上進(jìn)行建模。近年來，基于多層人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)（LeCun,Bengio,& Hinton,2015），由于在大規(guī)模數(shù)據(jù)與高維數(shù)據(jù)空間上展現(xiàn)出了對(duì)信息表征和隱含特征提取的強(qiáng)大能力，被廣泛應(yīng)用于博弈、交通和醫(yī)療等領(lǐng)域，并成為人工智能發(fā)展歷程中的重要里程碑。

在教育領(lǐng)域，深度學(xué)習(xí)技術(shù)可以基于多模態(tài)海量教育數(shù)據(jù)對(duì)學(xué)習(xí)者的認(rèn)知過程進(jìn)行建模。與傳統(tǒng)學(xué)習(xí)者模型不同，深度學(xué)習(xí)技術(shù)支持下的學(xué)習(xí)者模型能夠在多知識(shí)點(diǎn)上表征和捕捉學(xué)習(xí)者的長周期動(dòng)態(tài)認(rèn)知過程，并更加精準(zhǔn)地預(yù)測學(xué)習(xí)者內(nèi)隱知識(shí)狀態(tài)的變化趨勢和外顯學(xué)習(xí)表現(xiàn)。近年來，以深度知識(shí)追蹤（Deep Knowledge Tracing,DKT）模型為代表（Piech et al.,2015）的學(xué)習(xí)者模型，可以幫助智能導(dǎo)學(xué)系統(tǒng)更好理解學(xué)習(xí)者的認(rèn)知狀態(tài)等關(guān)鍵信息及其變化規(guī)律。

2.自然語言處理技術(shù)

自然語言處理（Natural Language Processing,NLP）旨在研究人與機(jī)器間用自然語言進(jìn)行有效交互的理論和方法，其本質(zhì)在于從無結(jié)構(gòu)的人類自然語言序列中理解有結(jié)構(gòu)的語義信息。早期自然語言處理技術(shù)依賴于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法建立模型。近年來，受到深度學(xué)習(xí)等技術(shù)的影響，自然語言處理技術(shù)利用詞嵌入等方法嘗試學(xué)習(xí)和理解人類所使用的詞匯、短語和句子等多粒度語言單元間復(fù)雜的語義關(guān)系，從而完成機(jī)器翻譯、文本分類與生成、自動(dòng)問答等典型任務(wù)（Otter et al.,2020）。

在智能導(dǎo)學(xué)系統(tǒng)中，自然語言處理技術(shù)可用于自動(dòng)批閱、題目自動(dòng)生成和教學(xué)輔助對(duì)話等多種服務(wù)。以自動(dòng)批閱為例，開放型文本類答案的自動(dòng)批閱一直是極具挑戰(zhàn)性的任務(wù)。隨著自然語言處理領(lǐng)域大規(guī)模預(yù)訓(xùn)練模型的出現(xiàn)，學(xué)習(xí)者文本答案的語義表征可借助BERT等語言模型（Devlin et al.,2019）實(shí)現(xiàn)，結(jié)合注意力機(jī)制等深度學(xué)習(xí)方法，可較大幅度提升自動(dòng)批閱與人類教師批閱結(jié)果的一致性和準(zhǔn)確性。

3.可解釋人工智能技術(shù)

人工智能技術(shù)的快速演進(jìn)與發(fā)展，導(dǎo)致相關(guān)模型與系統(tǒng)的內(nèi)部結(jié)構(gòu)日趨復(fù)雜，其內(nèi)部運(yùn)行過程與決策依據(jù)也日益“黑箱化”。例如，深度學(xué)習(xí)與自然語言處理模型通常包括多種神經(jīng)網(wǎng)絡(luò)基礎(chǔ)單元與上萬個(gè)不同參數(shù)（最新GPT-3 模型的參數(shù)量甚至已達(dá)1,750億個(gè)）。雖然復(fù)雜模型可以幫助智能導(dǎo)學(xué)系統(tǒng)的性能得到極大提升，但是也導(dǎo)致用戶甚至系統(tǒng)開發(fā)人員難以理解模型與系統(tǒng)的決策過程與依據(jù)。尤其在教育領(lǐng)域，缺乏清晰透明規(guī)則的智能導(dǎo)學(xué)系統(tǒng)會(huì)直接降低用戶的信任，也會(huì)直接影響學(xué)習(xí)者和教師等用戶的使用體驗(yàn)。本研究團(tuán)隊(duì)的前期用戶調(diào)研表明，80%以上的智能導(dǎo)學(xué)系統(tǒng)用戶對(duì)系統(tǒng)及其模型存在不信任感，更有超過95%的用戶建議對(duì)系統(tǒng)運(yùn)行做出解釋（盧宇等,2022）?？山忉屓斯ぶ悄芗夹g(shù)（explainable Artificial Intelligence,xAI）用于向用戶解釋或呈現(xiàn)復(fù)雜模型與系統(tǒng)的決策過程與依據(jù)，可以作為新型智能導(dǎo)學(xué)系統(tǒng)與普通用戶之間溝通的技術(shù)手段。可解釋人工智能技術(shù)可以分為全局解釋方法與局部解釋方法，前者側(cè)重對(duì)模型整體決策邏輯和規(guī)則進(jìn)行闡釋，后者主要幫助解析模型具體的輸入及其對(duì)模型最終決策結(jié)果的貢獻(xiàn)程度（紀(jì)守領(lǐng)等,2019）。通過適當(dāng)?shù)挠脩艚涌谠O(shè)計(jì)，可解釋人工智能技術(shù)可以幫助用戶剖析新型智能導(dǎo)學(xué)系統(tǒng)對(duì)教育數(shù)據(jù)的分析過程，理解所采用的復(fù)雜模型和系統(tǒng)如何運(yùn)行，從而有助于建立用戶信任并優(yōu)化其使用體驗(yàn)（盧宇等,2022）。

三、系統(tǒng)構(gòu)架與實(shí)現(xiàn)

依托上述經(jīng)典理論和關(guān)鍵支撐技術(shù)，本研究提出了新型智能導(dǎo)學(xué)系統(tǒng)的基本架構(gòu)圖，如圖1所示。系統(tǒng)總體可以分為三層，即領(lǐng)域知識(shí)層、基礎(chǔ)模型層和用戶接口層。領(lǐng)域知識(shí)層基于知識(shí)空間理論構(gòu)建面向多學(xué)科的教育知識(shí)圖譜和教學(xué)策略庫；基礎(chǔ)模型層基于深度學(xué)習(xí)與自然語言處理技術(shù)建立學(xué)習(xí)者模型和自動(dòng)批閱模型，并基于最近發(fā)展區(qū)理論構(gòu)建個(gè)性化教學(xué)策略模型；用戶接口層基于游戲化設(shè)計(jì)理論，面向?qū)W習(xí)者、教師和家長等各類用戶，進(jìn)行用戶交互機(jī)制設(shè)計(jì)并建立個(gè)性化學(xué)習(xí)導(dǎo)航，同時(shí)利用可解釋人工智能技術(shù)構(gòu)建認(rèn)知地圖作為系統(tǒng)主交互界面。該系統(tǒng)架構(gòu)適用于構(gòu)建不同學(xué)科的新型智能導(dǎo)學(xué)系統(tǒng)，且涵蓋了傳統(tǒng)智能導(dǎo)學(xué)系統(tǒng)中的主要功能模塊并進(jìn)行了擴(kuò)展。

圖1 新型智能導(dǎo)學(xué)系統(tǒng)基本架構(gòu)圖

基于上述系統(tǒng)架構(gòu)，本研究團(tuán)隊(duì)設(shè)計(jì)并研發(fā)了針對(duì)數(shù)學(xué)學(xué)科的智能導(dǎo)學(xué)系統(tǒng)“雷達(dá)數(shù)學(xué)”。該系統(tǒng)自2018 年啟動(dòng)研發(fā)以來，已陸續(xù)實(shí)現(xiàn)可解釋認(rèn)知地圖、自動(dòng)批閱、個(gè)性化學(xué)習(xí)導(dǎo)航、最近發(fā)展區(qū)教學(xué)支架、游戲化新手引導(dǎo)等功能和服務(wù)，并面向多所一線學(xué)校開展了測試，獲得了良好的用戶反饋。下面以“雷達(dá)數(shù)學(xué)”為例，對(duì)新型智能導(dǎo)學(xué)系統(tǒng)架構(gòu)的具體實(shí)現(xiàn)進(jìn)行詳細(xì)闡述。

（一）領(lǐng)域知識(shí)層

領(lǐng)域知識(shí)層包括學(xué)科知識(shí)庫和教學(xué)策略庫，用來表征、存儲(chǔ)和管理相關(guān)知識(shí)與信息。基于知識(shí)空間等理論，我們專門設(shè)計(jì)了適用于新型智能導(dǎo)學(xué)系統(tǒng)的教育知識(shí)圖譜，對(duì)學(xué)科知識(shí)、教學(xué)策略和教學(xué)目標(biāo)等關(guān)鍵信息進(jìn)行結(jié)構(gòu)化組織。該知識(shí)圖譜重點(diǎn)納入了教學(xué)過程中的有效實(shí)體類型（如學(xué)科知識(shí)點(diǎn)、學(xué)習(xí)目標(biāo)、教學(xué)活動(dòng)等）以及具備教育含義的實(shí)體間關(guān)系（如學(xué)科知識(shí)點(diǎn)間的前驅(qū)后繼關(guān)系、包含關(guān)系等）。教育知識(shí)圖譜的構(gòu)建可以用自動(dòng)化方式進(jìn)行，即利用自然語言處理中的條件隨機(jī)場（Conditional Random Field,CRF）等技術(shù)對(duì)知識(shí)點(diǎn)等實(shí)體進(jìn)行自動(dòng)提取，利用概率關(guān)聯(lián)規(guī)則挖掘（probabilistic association rule mining）等技術(shù)對(duì)前驅(qū)后繼等重要知識(shí)點(diǎn)間關(guān)系進(jìn)行自動(dòng)識(shí)別，具體技術(shù)細(xì)節(jié)可參考陳鵬鶴等（Chen et al.,2018）的工作。教學(xué)策略庫涵蓋了基于素養(yǎng)導(dǎo)向的學(xué)科能力框架（曹一鳴等,2016）、學(xué)習(xí)路徑和學(xué)習(xí)支架等要素信息。其中，學(xué)科能力框架包括學(xué)習(xí)理解、實(shí)踐應(yīng)用、創(chuàng)造遷移3個(gè)維度及其下屬的9個(gè)子維度，可直接用于個(gè)體學(xué)習(xí)者學(xué)科能力發(fā)展測評(píng)與診斷。領(lǐng)域知識(shí)層是智能導(dǎo)學(xué)系統(tǒng)的知識(shí)基礎(chǔ)與數(shù)據(jù)來源，為基礎(chǔ)模型層和用戶接口層提供了結(jié)構(gòu)化學(xué)科知識(shí)、教學(xué)資源和測評(píng)性數(shù)據(jù)。

（二）基礎(chǔ)模型層

1.基于深度學(xué)習(xí)與學(xué)科知識(shí)圖譜的學(xué)習(xí)者模型

學(xué)習(xí)者模型作為智能導(dǎo)學(xué)系統(tǒng)的核心功能模塊，是系統(tǒng)提供各項(xiàng)智能化導(dǎo)學(xué)服務(wù)的重要前提?；谏疃葘W(xué)習(xí)技術(shù)與構(gòu)建的學(xué)科知識(shí)圖譜，我們提出了新型學(xué)習(xí)者模型。學(xué)科知識(shí)圖譜中具有大量有助于學(xué)習(xí)者知識(shí)狀態(tài)建模的關(guān)鍵信息，因此可以作為學(xué)習(xí)者模型新的信息源。具體而言，學(xué)科知識(shí)圖譜可以為學(xué)習(xí)者模型提供圖拓?fù)浣Y(jié)構(gòu)信息與知識(shí)點(diǎn)間的認(rèn)知關(guān)系信息。如圖2所示，我們利用深度學(xué)習(xí)技術(shù)中的網(wǎng)絡(luò)嵌入（network embedding）方法與DAG-GRU 網(wǎng)絡(luò)，得到包括圖拓?fù)浣Y(jié)構(gòu)信息的知識(shí)點(diǎn)向量，并將其作為新型學(xué)習(xí)者模型的輸入之一。同時(shí)，我們將知識(shí)點(diǎn)間的認(rèn)知關(guān)系信息作為深度學(xué)習(xí)模型的約束條件群，對(duì)模型進(jìn)行訓(xùn)練和優(yōu)化。在超過4,000 名學(xué)習(xí)者連續(xù)三年的多學(xué)科數(shù)據(jù)集（Lu et al.,2021）的實(shí)驗(yàn)表明，相比其他基于深度學(xué)習(xí)或傳統(tǒng)方法的模型，新型學(xué)習(xí)者模型在AUC 與ACC 等主要指標(biāo)上可以取得至少12.2%與9.2% 的性能提升，從而可以更加準(zhǔn)確地對(duì)學(xué)習(xí)者的知識(shí)狀態(tài)進(jìn)行估計(jì)和理解。模型實(shí)現(xiàn)的技術(shù)細(xì)節(jié)可參考盧宇等（Lu et al.,2022）的工作。

圖2 基于深度學(xué)習(xí)與學(xué)科知識(shí)圖譜的學(xué)習(xí)者模型

2.基于最近發(fā)展區(qū)的個(gè)性化教學(xué)策略模型

教學(xué)策略模型指在一定的教學(xué)理論和原理的指導(dǎo)下，選擇適當(dāng)?shù)慕虒W(xué)內(nèi)容對(duì)教學(xué)過程進(jìn)行動(dòng)態(tài)組織和推薦。我們將最近發(fā)展區(qū)理論作為教學(xué)策略模型的基本理論依據(jù)之一，結(jié)合“學(xué)習(xí)理解—應(yīng)用實(shí)踐—遷移創(chuàng)新”的學(xué)科能力框架（曹一鳴等,2016），構(gòu)建了符合學(xué)習(xí)者學(xué)科能力發(fā)展的教學(xué)策略模型。最近發(fā)展區(qū)理論強(qiáng)調(diào)學(xué)習(xí)者能力的發(fā)展過程通常是多維度、連續(xù)且非線性的，“雷達(dá)數(shù)學(xué)”系統(tǒng)設(shè)計(jì)了多步驟反饋的診斷試題，根據(jù)學(xué)習(xí)者的作答次數(shù)、選項(xiàng)的能力編碼和支架的提示程度，綜合判斷學(xué)習(xí)者獨(dú)立活動(dòng)的現(xiàn)有能力水平以及在教師指導(dǎo)下能夠達(dá)到的潛在能力水平，并將二者之間的差距作為該學(xué)習(xí)者的最近發(fā)展區(qū)。在此基礎(chǔ)上系統(tǒng)為學(xué)習(xí)者提供相應(yīng)的個(gè)性化學(xué)習(xí)支架服務(wù)和資源推薦，并為每位學(xué)習(xí)者提供其最近發(fā)展區(qū)的可視化報(bào)告及其能力發(fā)展的具體建議（劉寧&余勝泉,2020），以幫助學(xué)習(xí)者實(shí)現(xiàn)從現(xiàn)有能力水平到潛在能力水平的提升。教師也可以根據(jù)報(bào)告與建議，在線下課堂中設(shè)計(jì)最貼合學(xué)習(xí)者發(fā)展水平的教學(xué)活動(dòng)。

3.基于自然語言處理的自動(dòng)批閱模型

在智能導(dǎo)學(xué)系統(tǒng)中通常涵蓋多類型題目資源，與固定標(biāo)準(zhǔn)答案的選擇題和填空題不同，文本類和公式類題目的學(xué)習(xí)者答案多種多樣，預(yù)先設(shè)定的參考答案通常難以覆蓋所有可能作答情況。因此，“雷達(dá)數(shù)學(xué)”針對(duì)文本類和公式類題目及其作答分別構(gòu)建了自動(dòng)批閱模型。針對(duì)文本類題目及作答，我們利用自然語言處理技術(shù)并結(jié)合題目的參考答案構(gòu)建了自動(dòng)批閱模型。該模型主要由文本表示層、注意力層、輸出層三部分構(gòu)成。文本表示層借助預(yù)訓(xùn)練BERT 模型將學(xué)習(xí)者答案和參考答案編碼成包含語義信息的向量表示；注意力層基于雙向注意力機(jī)制，提取參考答案與學(xué)習(xí)者答案之間的匹配信息；輸出層利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)一步獲取局部特征，計(jì)算并輸出學(xué)習(xí)者答案的得分預(yù)測結(jié)果（譚紅葉等,2019）。針對(duì)公式類題目及作答，“雷達(dá)數(shù)學(xué)”利用STACK工具（Sangwin,2015）構(gòu)建潛在響應(yīng)樹及正則表達(dá)式，對(duì)形式不同但代數(shù)等價(jià)的公式進(jìn)行自動(dòng)匹配與判斷，從而實(shí)現(xiàn)對(duì)該類題目作答的即時(shí)批閱和反饋。對(duì)多種類型題目作答的自動(dòng)批閱結(jié)果，可以為學(xué)習(xí)者模型和教學(xué)策略模型及時(shí)提供個(gè)體學(xué)習(xí)者的作答數(shù)據(jù)，也可以極大提升系統(tǒng)的自動(dòng)化程度，解決人工批閱的主觀性和滯后性問題。

（三）用戶接口層

1.可解釋認(rèn)知地圖

我們以知識(shí)空間理論為基礎(chǔ)提取所構(gòu)建的學(xué)科教育圖譜的結(jié)構(gòu)化信息，構(gòu)建了學(xué)科“認(rèn)知地圖”。學(xué)科“認(rèn)知地圖”可以清晰呈現(xiàn)該學(xué)科的知識(shí)空間結(jié)構(gòu)和個(gè)體學(xué)習(xí)者當(dāng)前的認(rèn)知狀態(tài)，同時(shí)集成了相關(guān)個(gè)性化學(xué)習(xí)服務(wù)（Pian et al.,2019）。“雷達(dá)數(shù)學(xué)”系統(tǒng)中的“認(rèn)知地圖”采用四級(jí)結(jié)構(gòu)對(duì)數(shù)學(xué)學(xué)科知識(shí)點(diǎn)進(jìn)行組織和呈現(xiàn)，不同顏色和邊框形式分別表示學(xué)習(xí)者已掌握的“優(yōu)勢知識(shí)點(diǎn)”、尚未完全掌握的“薄弱知識(shí)點(diǎn)”以及尚缺乏足夠信息進(jìn)行判斷的“無法評(píng)估知識(shí)點(diǎn)”。學(xué)習(xí)者的知識(shí)掌握狀態(tài)由所建立的學(xué)習(xí)者模型提供并進(jìn)行實(shí)時(shí)更新。

由于基于深度學(xué)習(xí)與學(xué)科知識(shí)圖譜的學(xué)習(xí)者模型采用了較為復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法，需要對(duì)其輸出做出適當(dāng)闡釋，以滿足“認(rèn)知地圖”的實(shí)際使用需求?！袄走_(dá)數(shù)學(xué)”系統(tǒng)采用可解釋人工智能技術(shù)中的層次相關(guān)傳播（Layer-Wise Relevance Propagation,LRP）方法，對(duì)所構(gòu)建的學(xué)習(xí)者模型進(jìn)行局部解釋（Lu et al.,2022）。LRP 方法的核心思想是利用反向傳播機(jī)制，將輸出層的預(yù)測信息通過中間層的神經(jīng)元及其連接逐層傳回輸入層，得到每一個(gè)輸入對(duì)預(yù)測結(jié)果的貢獻(xiàn)。例如，假設(shè)某學(xué)習(xí)者已經(jīng)完成九道題目的練習(xí)，各題目考察了相同或不同知識(shí)點(diǎn)，LRP方法可得到每道題目與知識(shí)狀態(tài)估計(jì)結(jié)果之間的關(guān)聯(lián)值。通常情況下，關(guān)聯(lián)值越高反映該題目的作答結(jié)果對(duì)模型估計(jì)結(jié)果的影響越大。因此，我們可以在“認(rèn)知地圖”上設(shè)計(jì)適當(dāng)交互元素，以展現(xiàn)系統(tǒng)如何判斷當(dāng)前學(xué)習(xí)者的知識(shí)狀態(tài)，從而打開系統(tǒng)中的“黑箱”模型，提升用戶的信任度并改善其使用體驗(yàn)。圖3展示了在“雷達(dá)數(shù)學(xué)”系統(tǒng)的用戶接口設(shè)計(jì)中，對(duì)“認(rèn)知地圖”里薄弱知識(shí)點(diǎn)“一元二次方程應(yīng)用”進(jìn)行解釋的一種呈現(xiàn)方式。

圖3 “認(rèn)知地圖”中學(xué)習(xí)者知識(shí)狀態(tài)解釋的呈現(xiàn)方式

2.游戲化機(jī)制設(shè)計(jì)

為了優(yōu)化“雷達(dá)數(shù)學(xué)”系統(tǒng)的使用體驗(yàn)，同時(shí)獲取學(xué)習(xí)者模型、教學(xué)策略模型等所需的多維度數(shù)據(jù)，我們基于游戲化設(shè)計(jì)中的MDA 理論框架對(duì)系統(tǒng)的游戲化機(jī)制進(jìn)行了整體設(shè)計(jì)（Pian et al.,2020），如圖4所示。

圖4 “雷達(dá)數(shù)學(xué)”MDA游戲化設(shè)計(jì)架構(gòu)

（1）機(jī)制設(shè)計(jì)

“雷達(dá)數(shù)學(xué)”中的機(jī)制（Mechanics）由具體的游戲化元素組成。按照元素的類別，可以分為敘事元素（narrative elements）和任務(wù)導(dǎo)向元素（task-oriented elements）。敘事元素包括故事背景、角色扮演和系統(tǒng)化身（avatar），旨在使學(xué)習(xí)者快速熟悉系統(tǒng)環(huán)境并了解其關(guān)鍵服務(wù)；任務(wù)導(dǎo)向元素主要包括獎(jiǎng)勵(lì)、任務(wù)和反饋設(shè)計(jì)，旨在通過游戲化激勵(lì)機(jī)制提升學(xué)習(xí)者在具體學(xué)習(xí)任務(wù)中的互動(dòng)頻率，以從系統(tǒng)角度采集必需的用戶數(shù)據(jù)，從而解決“冷啟動(dòng)”問題。在實(shí)際系統(tǒng)中，我們根據(jù)青少年學(xué)習(xí)者的特點(diǎn)設(shè)計(jì)學(xué)習(xí)者扮演“小雷達(dá)”角色，夢想成為一名優(yōu)秀的宇航員，探索“數(shù)學(xué)宇宙”，并在此過程中完成新手導(dǎo)引的各項(xiàng)任務(wù)，獲得相應(yīng)的“宇航裝備”作為獎(jiǎng)勵(lì)，具體的任務(wù)內(nèi)容包括系統(tǒng)功能學(xué)習(xí)、題目自主作答等。

（2）動(dòng)態(tài)設(shè)計(jì)

在機(jī)制設(shè)計(jì)的基礎(chǔ)上，動(dòng)態(tài)（Dynamics）設(shè)計(jì)側(cè)重于用戶與機(jī)制元素的交互方式和交互結(jié)果。針對(duì)任務(wù)導(dǎo)向類的游戲化機(jī)制，動(dòng)態(tài)設(shè)計(jì)定義了在何種交互條件下會(huì)觸發(fā)任務(wù)、得到獎(jiǎng)勵(lì)和收到反饋；針對(duì)敘事類的游戲化機(jī)制，動(dòng)態(tài)設(shè)計(jì)界定了學(xué)習(xí)者在角色扮演過程中的行為序列樹，從而確保背景故事的情節(jié)發(fā)展在可掌控的范圍。在“雷達(dá)數(shù)學(xué)”系統(tǒng)中，在完成各項(xiàng)任務(wù)的過程中如果遇到困難，“小雷達(dá)”會(huì)以不同形式進(jìn)行提示并激勵(lì)學(xué)習(xí)者；當(dāng)完成任務(wù)時(shí)，“小雷達(dá)”也會(huì)為學(xué)習(xí)者送上獎(jiǎng)勵(lì)和積極反饋。在此過程中，“雷達(dá)數(shù)學(xué)”一方面向用戶呈現(xiàn)了系統(tǒng)的主要功能和交互方式，彌合了操作鴻溝；另一方面也借助“小雷達(dá)”的詢問，隱式收集了部分學(xué)習(xí)者數(shù)據(jù)，以更新認(rèn)知地圖的初始狀態(tài)。

（3）美學(xué)設(shè)計(jì)

美學(xué)層（Aesthetics）設(shè)計(jì)主要關(guān)注角色扮演和任務(wù)完成過程中的情感。在學(xué)習(xí)者與系統(tǒng)的交互過程中，“雷達(dá)數(shù)學(xué)”系統(tǒng)的操作可以引起學(xué)習(xí)者四種情緒體驗(yàn)：①角色扮演時(shí)，學(xué)習(xí)者經(jīng)歷敘事性；②觸發(fā)任務(wù)時(shí)，學(xué)習(xí)者收獲發(fā)現(xiàn)感；③遇到問題時(shí)，學(xué)習(xí)者面臨挑戰(zhàn)性；④獲得獎(jiǎng)勵(lì)時(shí)，學(xué)習(xí)者體會(huì)獲得感。這四種主要情緒，能夠在成功時(shí)不斷觸發(fā)學(xué)習(xí)者深入探索的好奇心，失敗時(shí)鼓勵(lì)引導(dǎo)學(xué)習(xí)者繼續(xù)思考和嘗試，使學(xué)習(xí)者保持較高的學(xué)習(xí)投入度。

3.個(gè)性化學(xué)習(xí)導(dǎo)航

在“雷達(dá)數(shù)學(xué)”的用戶接口層，學(xué)習(xí)者可以在個(gè)性化學(xué)習(xí)導(dǎo)航的指引下完成在線自主學(xué)習(xí)。具體而言，系統(tǒng)基于所構(gòu)建的個(gè)性化教學(xué)策略模型，結(jié)合不同學(xué)習(xí)者的實(shí)時(shí)認(rèn)知狀態(tài)，為其提供學(xué)習(xí)路徑規(guī)劃與知識(shí)點(diǎn)學(xué)習(xí)資源推薦。該導(dǎo)航功能主要借助“認(rèn)知地圖”實(shí)現(xiàn)交互。例如，當(dāng)學(xué)習(xí)者將鼠標(biāo)懸停在認(rèn)知地圖中的某一知識(shí)點(diǎn)上，若該知識(shí)點(diǎn)狀態(tài)為“未掌握”且其前驅(qū)知識(shí)點(diǎn)也為“未掌握”或“未學(xué)習(xí)”，系統(tǒng)則會(huì)引導(dǎo)學(xué)習(xí)者首先學(xué)習(xí)前驅(qū)知識(shí)點(diǎn)；若該知識(shí)點(diǎn)狀態(tài)為“未掌握”，但不存在“未掌握”或“未學(xué)習(xí)”的前驅(qū)知識(shí)點(diǎn)，系統(tǒng)則會(huì)引導(dǎo)學(xué)習(xí)者增強(qiáng)當(dāng)前知識(shí)點(diǎn)的學(xué)習(xí)；若該知識(shí)點(diǎn)已處于“掌握”狀態(tài)，系統(tǒng)則會(huì)引導(dǎo)學(xué)習(xí)者繼續(xù)學(xué)習(xí)其后繼知識(shí)點(diǎn)。由于不同學(xué)習(xí)者在不同知識(shí)點(diǎn)上掌握情況不同，“雷達(dá)數(shù)學(xué)”可以為每位學(xué)習(xí)者提供適應(yīng)其學(xué)情的學(xué)習(xí)路徑，從而實(shí)現(xiàn)個(gè)性化的學(xué)習(xí)導(dǎo)航功能。在圖5所示的系統(tǒng)界面中，學(xué)習(xí)者將鼠標(biāo)懸停在“整式的加減運(yùn)算”知識(shí)點(diǎn)上，系統(tǒng)判定該知識(shí)點(diǎn)存在薄弱的前驅(qū)知識(shí)點(diǎn)“去括號(hào)法則”，因此通過導(dǎo)航箭頭導(dǎo)引學(xué)習(xí)者對(duì)前驅(qū)知識(shí)點(diǎn)先進(jìn)行學(xué)習(xí)和鞏固。

圖5 “雷達(dá)數(shù)學(xué)”系統(tǒng)個(gè)性化導(dǎo)航界面

四、應(yīng)用場景

新型智能導(dǎo)學(xué)系統(tǒng)可以應(yīng)用于不同的典型教育場景，直接服務(wù)于學(xué)習(xí)者、教師和家長等多種角色。

（一）線上學(xué)習(xí)工具

線上自主學(xué)習(xí)是信息化教學(xué)的重要方式。新型智能導(dǎo)學(xué)系統(tǒng)可以較好地解決該場景下學(xué)習(xí)者主動(dòng)性差、知識(shí)狀態(tài)參差不齊、易于陷入“信息迷航”等現(xiàn)實(shí)問題，優(yōu)化在線自主學(xué)習(xí)的過程并提高效率，改善學(xué)習(xí)效果。系統(tǒng)可以引導(dǎo)學(xué)習(xí)者自主完成未學(xué)知識(shí)點(diǎn)的主動(dòng)學(xué)習(xí)與已學(xué)知識(shí)點(diǎn)的鞏固復(fù)習(xí)。針對(duì)未學(xué)知識(shí)點(diǎn)集合，系統(tǒng)通過游戲化方式引導(dǎo)學(xué)習(xí)者按照科學(xué)規(guī)劃的學(xué)習(xí)順序，逐步完成各知識(shí)點(diǎn)的學(xué)習(xí)與練習(xí)，并及時(shí)提供個(gè)性化反饋與獎(jiǎng)勵(lì)，從而保證學(xué)習(xí)者的高投入度。針對(duì)已學(xué)知識(shí)點(diǎn)集合，系統(tǒng)可以通過對(duì)學(xué)習(xí)者知識(shí)狀態(tài)的細(xì)顆粒度動(dòng)態(tài)估計(jì)準(zhǔn)確定位薄弱知識(shí)點(diǎn)，并根據(jù)知識(shí)點(diǎn)間的結(jié)構(gòu)性關(guān)系（如前驅(qū)后繼關(guān)系）自動(dòng)生成個(gè)性化學(xué)習(xí)路徑。在此基礎(chǔ)上，利用認(rèn)知地圖中的導(dǎo)航功能，引導(dǎo)學(xué)習(xí)者沿規(guī)劃的學(xué)習(xí)路徑開展薄弱知識(shí)點(diǎn)的復(fù)習(xí)與鞏固，并及時(shí)提供可自動(dòng)批閱的練習(xí)資源與支架式教學(xué)資源，從而促進(jìn)線上自主高效學(xué)習(xí)的發(fā)生。

（二）教師輔助工具

教師工作的減負(fù)增效是促進(jìn)有效教學(xué)的關(guān)鍵。新型智能導(dǎo)學(xué)系統(tǒng)可在很大程度上減輕教師機(jī)械重復(fù)的工作，并幫助其實(shí)時(shí)獲取學(xué)習(xí)者的多級(jí)細(xì)顆粒學(xué)情，從而提升教學(xué)干預(yù)的及時(shí)性和有效性。系統(tǒng)可以在教師端進(jìn)行多種類型題目創(chuàng)設(shè)與多級(jí)學(xué)情數(shù)據(jù)分析。教師可以根據(jù)個(gè)體教學(xué)經(jīng)驗(yàn)，針對(duì)所在班級(jí)或者個(gè)體學(xué)習(xí)者特點(diǎn)從題庫中選取或創(chuàng)建針對(duì)性習(xí)題，同時(shí)設(shè)置習(xí)題批閱和反饋方式。對(duì)于學(xué)習(xí)者容易回答錯(cuò)誤的習(xí)題，教師可以設(shè)置特定反饋與提示，以利于學(xué)習(xí)者對(duì)相應(yīng)知識(shí)點(diǎn)的深入認(rèn)識(shí)和理解。系統(tǒng)可以在學(xué)生端直接進(jìn)行多種類型題目的自動(dòng)批閱，部分題目需要設(shè)置參考答案并由系統(tǒng)設(shè)計(jì)者嵌入所需的自動(dòng)批閱模型。自動(dòng)批閱功能可以大幅度降低教師的批閱工作量，且不受主觀因素的影響，批閱速度也更快?；谌后w學(xué)習(xí)者的自動(dòng)批閱結(jié)果，系統(tǒng)還可以結(jié)合學(xué)習(xí)者多模態(tài)過程性學(xué)習(xí)信息（如觀看視頻的個(gè)數(shù)與時(shí)長）與測評(píng)性信息（如單元內(nèi)所有知識(shí)點(diǎn)掌握情況），在教師端形成診斷性學(xué)情報(bào)告，幫助教師了解學(xué)習(xí)者自主學(xué)習(xí)情況并提供干預(yù)建議，從而配合教師開展課堂教學(xué)并及時(shí)根據(jù)群體或個(gè)體學(xué)情調(diào)整教學(xué)方案。

（三）家校協(xié)同工具

學(xué)校教育和家庭教育的協(xié)調(diào)互補(bǔ)，是形成教育合力、促進(jìn)學(xué)習(xí)者成長的重要方式。新型智能導(dǎo)學(xué)系統(tǒng)可以為家長提供多維信息，通過多種渠道優(yōu)化家校協(xié)同中的信息溝通內(nèi)容并提高溝通效率，從而將家庭教育和學(xué)校教育有機(jī)銜接。系統(tǒng)基于學(xué)習(xí)者個(gè)性化學(xué)情，可以為其提供定制化、分層作業(yè)，家長可以直接將個(gè)性化作業(yè)打印，督促學(xué)習(xí)者線下完成。同時(shí)，系統(tǒng)中的個(gè)體與群體學(xué)情報(bào)告經(jīng)過教師篩選后可以共享給家長，幫助家長及時(shí)了解并配合教師開展協(xié)同共育，改善學(xué)校教育與家庭教育割裂與分離的現(xiàn)實(shí)。另外，家長也可以根據(jù)系統(tǒng)中提供的線上自主學(xué)習(xí)路徑與規(guī)劃，監(jiān)督與提醒學(xué)習(xí)者在家庭環(huán)境下及時(shí)按計(jì)劃完成階段性學(xué)習(xí)目標(biāo)。

五、趨勢與展望

新型智能導(dǎo)學(xué)系統(tǒng)在教育領(lǐng)域具有較強(qiáng)的發(fā)展?jié)摿蛻?yīng)用價(jià)值，我們對(duì)其發(fā)展進(jìn)一步提出以下建議和展望：

（一）充分利用先進(jìn)的人工智能技術(shù)

當(dāng)前人工智能技術(shù)處在快速發(fā)展和演進(jìn)時(shí)期，新一代智能導(dǎo)學(xué)系統(tǒng)的設(shè)計(jì)和研發(fā)應(yīng)充分利用最新的人工智能技術(shù)。例如，在自然語言處理與機(jī)器推理等領(lǐng)域，大規(guī)模預(yù)訓(xùn)練模型在多模態(tài)資源自動(dòng)生成、自然語言理解與自動(dòng)問答等領(lǐng)域均有突破。新一代智能導(dǎo)學(xué)系統(tǒng)可以充分利用這些前沿技術(shù)，在學(xué)科資源標(biāo)注與推薦、學(xué)習(xí)者知識(shí)建構(gòu)與自然交互等功能上進(jìn)行改進(jìn)和創(chuàng)新，從而提升其在教學(xué)實(shí)踐中的實(shí)用性，并拓展其應(yīng)用場景與模式。

（二）加強(qiáng)系統(tǒng)的教育可解釋性

隨著智能導(dǎo)學(xué)系統(tǒng)中各類復(fù)雜模型的嵌入與實(shí)際應(yīng)用，需要增強(qiáng)智能導(dǎo)學(xué)系統(tǒng)中各個(gè)模塊與關(guān)鍵功能的可解釋性，尤其是針對(duì)教師、學(xué)習(xí)者和家長等提供具備教育意義的可解釋性。例如，針對(duì)基于復(fù)雜模型的自動(dòng)批閱功能需要研發(fā)特定解釋算法，對(duì)批閱結(jié)果為錯(cuò)誤或部分錯(cuò)誤的題目不但提供錯(cuò)誤答案的反饋信息，還要結(jié)合學(xué)習(xí)科學(xué)和教育心理學(xué)相關(guān)理論，針對(duì)不同對(duì)象提供不同方式的解釋性信息，以滿足系統(tǒng)使用者的心理需求，增強(qiáng)其學(xué)習(xí)效果。加強(qiáng)智能導(dǎo)學(xué)系統(tǒng)的教育可解釋性，既可以提升使用者對(duì)系統(tǒng)的信任度，還可以避免由于“算法偏見”或“數(shù)據(jù)偏見”引起的模型輸出錯(cuò)誤等問題。

（三）探索人機(jī)協(xié)同的智能導(dǎo)學(xué)新模式

單純依賴算法模型的自動(dòng)化導(dǎo)學(xué)目前仍然面臨系統(tǒng)智能性有限、內(nèi)循環(huán)資源開發(fā)成本高等現(xiàn)實(shí)問題。為更好普及和利用智能導(dǎo)學(xué)系統(tǒng)，應(yīng)積極將人類教師等重要角色納入智能導(dǎo)學(xué)系統(tǒng)的整體設(shè)計(jì)中，借鑒“人在回路”（Human in the Loop）的基本設(shè)計(jì)思想，充分發(fā)揮教師在導(dǎo)學(xué)過程中的專業(yè)優(yōu)勢與智慧，創(chuàng)設(shè)包括“機(jī)器智能輔助-教師教學(xué)”“教師監(jiān)督-機(jī)器智能導(dǎo)學(xué)”“機(jī)器智能伙伴-教師協(xié)同教學(xué)”等多種人機(jī)協(xié)同的導(dǎo)學(xué)新模式。