“人工智能+教育”的发展历史与研究进展 让学生通过建立动态模型,深度理解实际场景中各种不同变量间的动态关系 以提高学生的建模能力[l 每个成功的智能导学系统,都融入了教育学和认知科学的理论,用以设计系统中智 能代理的脚本,使得智能代理可以恰当地选择练习冋题、给出适应性反馈等,并通过建 立相应的学生模型迫踪学生的状态变化。一般而言,有限状态自动机可用于学生行为的 编码,作为学生特定策略的检测器。 Bayes Knowledge Tracing等统计模型可用来跟踪学 生知识点掌握程度的改变情况。 智能导学系统感知学生状态的变化,在发展中也变得更加多模态化,最初的智能导 学系统只能识别规定的文本内容。随着自然语言处理技术的提升,越来越多的智导学系 统开始能够理解学生较为复杂的文本答案,并给予更加精确的反馈]。而成熟的语音 识别技术则能够比较精确地将学生的语音转化为文字,进而使得杋器能够理解学生的语 音信息,并以实际对话的形式进行教学[13]。学生与智能导学系统的交互行为,也被广 泛用于评价学生的知识水平,问题解决能力,以及元认知情况口4。各种流行的数据挖 掘方法,则被用于发现不同类别的行为交互模式,寻找行为模式与学习表现之间的联系 以及触发对特定行为的反馈动作。智能硬件的发展使得近年来各种不同类型的传感器(包 括皮电、人脸情绪识别、鼠标压力等)也被应用在教学场景中,用于捕捉学生的情绪状 态,并根据不同的情绪状态给出适宜的教学指导[5] 综上所述,伴随着智能导学系统的发展,研究者们对于学习者行为和决策的捕捉和 反馈不断细化和多元化,力求在提高学习者知识水平的同时,辅助学习者提升自身学习 的能力,亦可称为元认知能力( Meta-cognition)。一些比较成熟的智能导学系统,做 到了对教育心理学、认知科学理论的融合,并在此基础上,通过引入人工智能发展的新 技术,使得原有的智能导学系统能够获取更多形态的数据,做出更加适宜的教学微决策。 智能导学系统的规模化应用,可能是产学界未来要面对的一个主要问题,这可能牵涉到 智能导学系统与教师协同工作方式的定义 三、学习分析与教育数据挖掘近年的发展 虽然学习分析与教育数据挖掘拥有各自的社区、会议和期刊,但这两个领域在本质 上并没有什么区别,大体都是通过获取并分析学生在学习过程中产生的数据,理解学习 者学习模式并进行相关预测。学习分析的出现稍晩于教育数据挖掘,然而 Google的近 [1] VanLehn, K, Wetzel, J, Grower, S, Van De Sande, B, (2016). Leaming how to construct models of dynamic systems: an initial evaluation of the agoon intel ligent tutoring system, IEEE Transactions on L earning Technologies, 1382, 1 [12] Tansomboon, C. Gerard, L F. Vitale, J M, Linn, M. C (2017), Designing automated guidance to promote productive revision of scien explanations. Intemational Jourmal of Artificial Intelligence in Education, 2r(4). 729-757 13] Janning, R, Schatten, C. Schmidt-Thieme, L,(2015), Recognising perceived task difficulty from speech and pause histograms, Paper presented at e International Workshop on Affect, Meta-Affect, Data and Leaming (AMADL 2015)(p, 14) [4]. I- VanLehn, K. Girard, s, Burleson, W, Chavez-Echeagaray, M, E, Gonzalez-Sanchez J Hidalgo-Pontet, Y (2014). Evaluation of a 15) VanLehn, K. Zhang, L, Burdson, W. Girard, S, Hidago-Pontet, Y (2010). Can an non-cognitive learning companion increase the effectiveness of 11. a meta-cognitive leaning strategy? IEEE Transactions on Leaming Technologies (c)1994-2019ChinaAcademicJOurnalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net· 让学生通过建立动态模型，深度理解实际场景中各种不同变量间的动态关系 , 以提高学生的建模能力 [11]。 每个成功的智能导学系统，都融入了教育学和认知科学的理论，用以设计系统中智 能代理的脚本，使得智能代理可以恰当地选择练习问题、给出适应性反馈等，并通过建 立相应的学生模型追踪学生的状态变化。一般而言，有限状态自动机可用于学生行为的 编码，作为学生特定策略的检测器。Bayes Knowledge Tracing 等统计模型可用来跟踪学 生知识点掌握程度的改变情况。 智能导学系统感知学生状态的变化，在发展中也变得更加多模态化，最初的智能导 学系统只能识别规定的文本内容。随着自然语言处理技术的提升，越来越多的智导学系 统开始能够理解学生较为复杂的文本答案，并给予更加精确的反馈 [12]。而成熟的语音 识别技术则能够比较精确地将学生的语音转化为文字，进而使得机器能够理解学生的语 音信息，并以实际对话的形式进行教学 [13]。学生与智能导学系统的交互行为，也被广 泛用于评价学生的知识水平，问题解决能力，以及元认知情况 [14]。各种流行的数据挖 掘方法，则被用于发现不同类别的行为交互模式，寻找行为模式与学习表现之间的联系， 以及触发对特定行为的反馈动作。智能硬件的发展使得近年来各种不同类型的传感器（包 括皮电、人脸情绪识别、鼠标压力等）也被应用在教学场景中，用于捕捉学生的情绪状 态，并根据不同的情绪状态给出适宜的教学指导 [15]。 综上所述，伴随着智能导学系统的发展，研究者们对于学习者行为和决策的捕捉和 反馈不断细化和多元化，力求在提高学习者知识水平的同时，辅助学习者提升自身学习 的能力，亦可称为元认知能力（Meta-cognition）。一些比较成熟的智能导学系统，做 到了对教育心理学、认知科学理论的融合，并在此基础上，通过引入人工智能发展的新 技术，使得原有的智能导学系统能够获取更多形态的数据，做出更加适宜的教学微决策。 智能导学系统的规模化应用，可能是产学界未来要面对的一个主要问题，这可能牵涉到 智能导学系统与教师协同工作方式的定义。 三、学习分析与教育数据挖掘近年的发展 虽然学习分析与教育数据挖掘拥有各自的社区、会议和期刊，但这两个领域在本质 上并没有什么区别，大体都是通过获取并分析学生在学习过程中产生的数据，理解学习 者学习模式并进行相关预测。学习分析的出现稍晚于教育数据挖掘，然而 Google 的近 [11] VanLehn, K., Wetzel, J., Grover, S., & Van De Sande, B. (2016). Learning how to construct models of dynamic systems: an initial evaluation of the dragoon intelligent tutoring system. IEEE Transactions on Learning Technologies, 1382, 1 [12] Tansomboon, C., Gerard, L. F., Vitale, J. M., & Linn, M. C. (2017). Designing automated guidance to promote productive revision of science explanations. International Journal of Artificial Intelligence in Education, 27(4), 729-757 [13] Janning, R., Schatten, C., & Schmidt-Thieme, L. (2015). Recognising perceived task difficulty from speech and pause histograms. Paper presented at the International Workshop on Affect, Meta-Affect, Data and Learning (AMADL 2015) (p. 14). [14] Zhang, L., VanLehn, K., Girard, S., Burleson, W., Chavez-Echeagaray, M. E., Gonzalez-Sanchez, J.,... Hidalgo-Pontet, Y. (2014). Evaluation of a meta-tutor for constructing models of dynamic systems. Computers & Education, 75, 196-217 [15] VanLehn, K., Zhang, L., Burlson, W., Girard, S., & Hidago-Pontet, Y. (2017). Can an non-cognitive learning companion increase the effectiveness of a meta-cognitive learning strategy? IEEE Transactions on Learning Technologies 11 “人工智能 + 教育”的发展历史与研究进展