枫叶原创 - 惜时增效 - 育贤文学 - 平安鼎原 - 老子书院 - 营养协会 - 资源库
枫叶教育网 - 打造具有特色品牌的地方教育门户
人工智能实现教学自动化的方法
作者:张志祯 张玲玲 罗琼菱子 郑葳 来源:中国远程教育杂志 点击:958次 评论:0

 人工智能与教育系统以人类的知识实践为纽带,两者存在多层次、复杂且密切的相互作用,人工智能应用于教育实践具有逻辑必然性。人工智能是科学、工程与数学,但是人工智能教育应用是具有社会历史文化属性的人类教育实践,其大范围开展有赖于教育主体(教师、管理者、学生、组织机构)理解人工智能在教育活动中的作用方式、可能与限度。本文从微观教育过程层面,分析人工智能是“如何”应用于教育的,即其实现教学自动化的方法。


  从核心实现技术的角度看,智能教学系统可以分为专家系统和机器学习两类。本文选择四个智能教学系统,分析其实现教学自动化的方法。Cognitive Tutor(始于1983年)和AutoTutor(始于1998年)是典型的基于专家系统的智能辅导系统。前者是交互式学习环境,发展学生的认知技能;后者是虚拟主体,通过自然语言对话促进学生对概念的理解。Course Signals(始于2008年)与WISE+c-Rater(c-Rater始于2009年之前,用于WISE的探索始于2014年左右)的“智能”模块均采用机器学习技术,但教学功能与外在表现差异很大。前者是针对大学教学的学习分析,利用历史记录与学习过程数据预测学生成功学习课程的可能性;后者用于中小学网络科学探究学习,智能模块对学生有关科学问题的回答自动进行评分,根据评分结果分配反馈指导语,以促进科学知识的整合学习;两者的教学信息由人类教师直接提供或通过多媒体学习材料传递呈现。四者均有实证研究支持其教学的有效性,前两个智能辅导系统已衍生出多种大规模应用的商业产品。


以专家系统为基础的自动辅导


  Cognitive Tutor以认知任务分析为基础,实现认知技能的自动辅导。计算机为学生创建一个高度结构化的问题解决环境,能够逐步跟踪、判断学生的问题解决过程,并适时提供反馈、提示与帮助。为支持特定认知技能的学习,需详尽分析完成任务所需的陈述性知识和程序性知识,利用产生式系统表征知识,为学生提供解决问题的认知工具,系统跟踪问题解决过程,将学生的表现记录在学生模型中。Cognitive Tutor成功用于中小学代数、几何等内容的学习。


  AutoTutor基于某一问题与学生开展自然语言(英语、书面或口头)对话,通过分析学生的回答促进学生对概念的深度理解。有些版本的AutoTutor能够感知学习者的情绪和注意状态,据此调整辅导对话的内容与风格。AutoTutor通过语义分析和语词匹配技术分析学生的回答,结合领域知识库内容实时为学生生成引导性问题,帮助学生理解。AutoTutor 成功用于物理、数学等学科的学习。



  对于给定学科内容的教学过程,舒尔曼的教学推理与行动模型是个很好的分析框架,与中小学教师的日常教学实践过程高度契合。其基本假设是:“教学是观念交流的活动。教师首先掌握、探索和理解一个观念,把它转换为自己的思想,从多个角度去理解它。然后,这个观点要被重新塑造或修正,直到它能够被学生所掌握。”即教学远不止是课堂上的几十分钟,完整的教学过程包括理解、转化、教学、评价、反思和新的理解六个阶段。在教学过程中,不但学生对某一主题的理解有变化,教师的理解同样在更新。模型中的具体任务可由人完成,也可由计算机完成。


  从这两个案例看,专家系统类的人工智能教育系统仅实现了教学知识应用的自动化。可见,就完整教学过程而言,计算机能做的实际上很有限,计算机还无法胜任理解教学内容、转化、反思和形成新的理解等任务,能够自动化(由计算机完成)的是教学与评价。即“理解”了知识且能“施展”技能的计算机系统,能够为学生个体或小组提供动态适应的教学,例如个别化的速度、学习路径、反馈和练习题目等,并在学习过程中全面评价学生的学习过程与结果。Cognitive Tutor利用产生式系统(“如果……,那么……”的规则集合)存储人类专家的内容知识,在恰当的时候针对学生的问题解决给出相关知识。对于CognitiveTutor而言,课程开发成本高昂主要是因为需要手动为系统提供知识,需要进行详尽细致的认知任务分析,将专家的陈述性知识和程序性知识显性化,同时还要转换为产生式规则输入计算机,这一过程费时费力。Cognitive Tutor一个学时的教学通常需要100~1,000个小时的开发时间。解决知识获取难题的途径有两个:一是通过创作工具 提高人类专家输入、管理知识的效率,降低操作的认知难度;二是通过提供范例,简化知识获取与表征。

  

以机器学习为基础的自动模式发现与识别


  美国普渡大学的Course Signals是学习分析领域的“啤酒和尿布”。该系统在2008年左右就已在大学层面部署,基于历史数据生成数据模型,可利用学生的人口学数据和在线学习过程记录等数据预测学生的课程学业表现。教师可以选择在学生学习平台中采用呈现红、绿、蓝信号灯,发电子邮件提示或者约面谈等方法提前干预。


  WISE+c-Rater利用计算机自动为学生的短文回答评分,为科学探究学习中的简答题提供自动反馈。WISE单元强调通过学生书面回答科学问题促进学生的科学思维发展。在课堂教学中,教师如何及时为学生的回答提供反馈成为课程实施的难题。研究团队将美国教育考试中心(ETS)的c-Rater整合到WISE平台中,利用过去已经评分的针对某些科学问题的学生回答训练c-Rater文本分类系统生成预测模型,为学生的问题回答评分(分类),并根据得分为学生分配研究者事先拟好的反馈指导,以促进知识整合学习。


  这两个案例所采用的主要人工智能技术均为机器学习。机器学习不同于人类的学习,它用算法发现样例特征值之间的相关模式,并利用这些相关模式对新样例进行分类。有监督的机器学习是指由人来明确告诉计算机每个样例的特征值和类别。监督学习的过程依然需要大量的人工,具体包括:

●准备训练数据,即明确每个样例用哪些属性来表征以及案例所属的类别。

●选择机器学习的算法,调整参数。存在大量的机器学习算法,分别适合不同的情境,其选择主要靠工程试验驱动,参数调整也是靠研究者的直觉和经验居多。

●准备新的数据。


  Course Signals中的高风险学生发现、WISE+c-Rater中的学生回答自动评分都依赖机器学习完成,工作流程类似,所不同的是样例特征与类别。从基本逻辑看,两者都假定以往的样例(以往学生的学习记录和回答)在未来仍保持稳定。若学习者和学习情境有显著变化,则训练出来的模型的预测力就会下降,需要更新训练数据集或者调整参数,甚至换成其他算法。这一过程不仅耗费人力,而且对执行者的专业能力有很高的要求。


  机器学习之所以受到重视,根本原因在于其部分解决了知识“分析(生成)”难题,算法可以从案例中自动发现知识。更准确地说,应该是发现模式,即pattern,哪些属性经常会一起出现,通过属性之间的相关,在不确定因果的情况下也可以实现具有实用价值的预测。从根源上看,机器学习所获得的知识还是来源于人类,它不过是将隐含于案例中的人类知识挖掘出来。在教育领域,高质量的已标注案例数据集不多见。最容易想到的,也许就是高利害考试中已评分的题目。批改作文的人工成本高昂,标注案例数据丰富,人工智能技术很早就大规模应用于ETS的GRE、托福等考试的作文评价也就不足为奇了。但机器学习技术的局限在于:一是需要大量的实例,如要为作文评分,系统需要某一作文题目下不同级别的文章实例,机器运用算法从这些文章中发现不同分值文章的特征;二是分类机制难以解释;三是特征设定还需要人工完成;四是缺乏常识,评分系统实际上并不能理解文字的含义,无法像人一样感知、理解文章。这样造成的后果就是非常新颖且有创造性的作文很可能被判低分。


  综上,人工智能是如何实现教学自动化的?针对典型智能教学系统的案例研究表明:以专家系统为核心实现技术的智能辅导系统(如Cognitive Tutor、AutoTutor)主要实现了人类学科知识和教学知识的自动化应用,知识采集和分析尚需人工完成;以机器学习为核心实现技术的学习分析系统(如Course Signals)与自动指导反馈(如WISE+c-Rater),从历史数据中发现模式,用于预测与识别现象,其自动化的是模式发现与应用,而准备历史数据、选择与调整算法需要人工完成。人工智能在教学“完整”过程中的作用还非常有限,灵活性与适应性还比较差,代替人类教师还很不现实。智能教学系统在增强教师方面比替代教师有更广阔的空间。



更新:2019/3/21 6:07:04 编辑:fengyefy
评论共 0网友评论
暂无评论
用户名  密码 请输入用户名和密码
网友评论仅供其表达个人看法,并不表明本站同意其观点或证实其描述
声明:本站是免费向教师学生校长家长提供教育教学资源的公益性教育网站,除“枫叶原创”系站长创作外,所有信息均转贴互连网上公开发表的文章、课件、视频和艺术作品,并通过特色版块栏目的整理,使教师学生校长家长方便浏览自己所需的信息资源,达到了一网打尽的惜时增效之目的。所有转载作品,我们都将详细标注作者、来源,文章版权仍归原作者所有。如果您认为我们侵犯了您的权利,请直接在文章后边发表评论说明,我们的管理员将在第一时间内将您的文章删除。
头条推荐

当年睡猪圈捡垃圾带母求学的孩子,如今成了副校长……

4岁时父亲因病去世,之后两三年,姐姐走失,哥哥离家出走,母亲精神失常。为了母亲,为了上学,我捡过垃圾,住过猪圈,只要能挣钱的兼职我都做过,只要能落脚的...详情
本类推荐/最新更新
更多...视频聚焦
更多...枫叶原创