對話式智能導(dǎo)學(xué)系統(tǒng)研究現(xiàn)狀及趨勢

1、    對話式智能導(dǎo)學(xué)系統(tǒng)研究現(xiàn)狀及趨勢    摘要：對話式智能導(dǎo)學(xué)系統(tǒng)通過模仿人類自然語言對話輔導(dǎo)，能夠促進學(xué)習(xí)者的綜合分析、定性推理等深度學(xué)習(xí)能力。本研究基于深度學(xué)習(xí)視角，用文獻分析法對其概念內(nèi)涵、理論基礎(chǔ)、架構(gòu)特點和學(xué)習(xí)效果等相關(guān)研究進行梳理，指出對話式智能導(dǎo)學(xué)系統(tǒng)對深度學(xué)習(xí)具有明顯的促進作用，但也存在學(xué)習(xí)效率欠佳、深度學(xué)習(xí)支持不足及開發(fā)成本過高三個亟待解決的問題。為進一步推動對話式智能導(dǎo)學(xué)系統(tǒng)的發(fā)展，本研究建議重視跨學(xué)科合作、引入通用智能導(dǎo)學(xué)框架、考慮潛在的倫理問題，同時著重關(guān)注多模態(tài)交互方式、多維度情感計算和多代理團隊學(xué)習(xí)三個新興研究方向。關(guān)鍵

2、詞：深度學(xué)習(xí)，對話，對話式智能導(dǎo)學(xué)系統(tǒng)，通用智能導(dǎo)學(xué)框架基金項目國家自然科學(xué)基金項目“面向青少年網(wǎng)絡(luò)適應(yīng)的個性化信息服務(wù)優(yōu)化方法研究”（71974072）；中國博士后資助項目“基于角色沖突的虛擬小組討論構(gòu)建原則及教學(xué)效果研究”（2016m590702）。一、引言深度學(xué)習(xí)能力已被學(xué)界廣泛認可為21世紀公民的核心素養(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）。2017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，

3、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

4、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，分認知領(lǐng)域、個人領(lǐng)域和人際領(lǐng)域三個維度（national research council，2012

5、）。其中，認知領(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）

6、。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

7、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circ

8、sim-tutor、geometry explanation tutor、cordillera、autotutor和beetle 等。其中，最具代表性者當屬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)已走過半個世紀的歷程，卻仍以一對一輔導(dǎo)為主，側(cè)重于認知領(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

9、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，

10、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 manage

11、ment）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)建標準，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準，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?？?/p>

12、慮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

13、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、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 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。

14、（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

15、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

16、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)模塊能夠完成認知診斷并提供輔導(dǎo)策略。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、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

17、人類導(dǎo)師的教學(xué)對話分析并精準匹配學(xué)習(xí)狀態(tài)，保持學(xué)習(xí)者認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，才令深度認知得以激發(fā)（national research counc

18、il，2012）。20世紀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

19、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，傳感器模塊專門負責接收來自傳感器的學(xué)

20、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)生認知和情感狀態(tài)的分析，實現(xiàn)更準確和細顆粒度的學(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)

21、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)目標分類理論，將測試問題按認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

22、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

23、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，cordille

24、ra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，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

25、（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個標準差（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）理論認為，被

26、激發(fā)的互動性認知投入，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)模化和彈性化成為現(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 a

27、l.，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，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)

28、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)?；瘧?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 e

29、xtraction techniques），可將問答對、概念圖、被標注的內(nèi)容塊和案例在內(nèi)的非結(jié)構(gòu)化信息自動標簽并提取語料，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

30、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)能更準確地評估學(xué)習(xí)者狀態(tài)（cukurova

31、 et al.，2019）。未來研究將聚焦于更精細的多模態(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)與認知負荷之間的關(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)目標聯(lián)系緊密。這些對話也被證明可有效預(yù)測學(xué)

32、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

33、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（sott

34、ilare 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、標準及倫理三方面問題。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

35、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）遵從國際標準高開發(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準化組件，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

36、。本研究建議了解、遵行和利用這一標準化智能導(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

37、理層面加以研究和探討。注釋：（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？）。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。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

38、“是”或“不是”），元認知語句（如“我需要幫助”“我不知道”），或者抱怨?；狙h(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。參考文獻：1ainsworth, s., & th loizou, a.（2003）. the effects of self-explaining when learning with text or diagramsj. cognitive science, 27（4）: 669-681.2aleven, v., & koedinger, k. r.（2000）. the need for tutorial dialog to

39、support self-explanationa. proceedings of the building dialogue systems for tutorial applications, papers of the 2000 aaai fall symposiumc. aaai: 65-73.3aleven, v., ogan, a., popescu, o., torrey, c., & koedinger, k.（2004）. evaluating the effectiveness of a tutorial dialogue system for self-expla

40、nationa. proceedings of the international conference on intelligent tutoring systemsc. springer, berlin, heidelberg: 443-454.4anderson, j. r., corbett, a. t., koedinger, k. r., & pelletier, r.（1995）. cognitive tutors lessons learnedj. the journal of the learning sciences, 4（2）: 167-207.5bloom, b

41、. s.（1984）. the 2 sigma problem: the search for methods of group instruction as effective as one-to-one tutoringj. educational researcher, 13（6）: 4-16.6boyer, k. e., phillips, r., wallis, m., vouk, m., & lester, j.（2008）. balancing cognitive and motivational scaffolding in tutorial dialoguea. pr

42、oceedings of the international conference on intelligent tutoring systemsc. springer: 239-249.7burton, r. r.（1977）. semantic grammar: an engineering technique for constructing natural language understanding systemseb/ol. 2019-05-10. 8chang, m., ventura, m., ahn, j.-w., foltz, p., ma, t., dhamecha, t

43、. i., marvaniya, s., watson, p., d'helon, c., & wetzel, a.（2018）. dialogue-based tutoring at scale: design and challengeseb/ol. 2019-05-10. http:/ceur-9chi, m. t.（1997）. quantifying qualitative analyses of verbal data: a practical guidej. the journal of the learning sciences, 6（3）: 271-315.1

44、0chi, m. t., adams, j., bogusch, e. b., bruchok, c., kang, s., lancaster, m., levy, r., li, n., mceldoon, k. l., & stump, g. s.（2018）. translating the icap theory of cognitive engagement into practicej. cognitive science, 42（6）: 1777-1832.11chi, m. t., bassok, m., lewis, m. w., reimann, p., &

45、; glaser, r.（1989）. self-explanations: how students study and use examples in learning to solve problemsj. cognitive science, 13（2）: 145-182.12chi, m. t., de leeuw, n., chiu, m.-h., & lavancher, c.（1994）. eliciting self-explanations improves understandingj. cognitive science, 18（3）: 439-477.13ch

46、i, m., jordan, p., & vanlehn, k.（2014）. when is tutorial dialogue more effective than step-based tutoring?a. proceedings of the international conference on intelligent tutoring systemsc.210-219.14cohen, j.（2013）. statistical power analysis for the behavioral sciencem. academic press.15cukurova,

47、m., kent, c., & luckin, r.（2019）. the value of multimodal data in classification of social and emotional aspects of tutoringa. proceedings of the international conference on artificial intelligence in educationc. springer: 46-51.16d' mello, s., & graesser, a.（2013）. design of dialog-base

48、d intelligent tutoring systems to simulate human-to-human tutoringa. where humans meet machinesc. springer: 233-269.17d' mello, s. k., & graesaer, a.（2012）. language and discourse are powerful signals of student emotions during tutoringj. ieee transactions on learning technologies, 5（4）: 304

49、-317.18dzikovska, m., steinhauser, n., farrow, e., moore, j., & campbell, g.（2014）. beetle : deep natural language understanding and automatic feedback generation for intelligent tutoring in basic electricity and electronicsj. international journal of artificial intelligence in education, 24（3）:

50、 284-332.19fletcher, j. d., & sottilare, r. a.（2018）. perspective of intelligent tutoring system design and usem/ol. assessment of intelligent tutoring system technologies and opportunities. nato science & technology organization. 20frasson, c., & chalfoun, p.（2010）. managing learner'

51、;s affective states in intelligent tutoring systemsa. advances in intelligent tutoring systemsc. springer.339-358.21高紅麗，隆舟，劉凱，徐升，蔡志強，胡祥恩（2016）.智能導(dǎo)學(xué)系統(tǒng)autotutor：理論、技術(shù)、應(yīng)用和預(yù)期影響j.開放教育研究，22（2）：96-103.22graesser, a. c., & person, n. k.（1994）. question asking during tutoringj. american educational resea

52、rch journal, 31（1）: 104-137.23graesser, a. c.（2016）. conversations with autotutor help students learnj. international journal of artificial intelligence in educa tion, 26（1）: 1-9.24graesser, a. c.（2019）. emotions are the experiential glue of learning environments in the 21st centuryj. learning and i

53、nstruction, 101212.25graesser, a. c., forsyth, c. m., & lehman, b. a.（2017）. two heads may be better than one: learning from computer agents in conversational trialoguesj. teachers college record, （119）: 1-20.26graesser, a. c., hu, x., & mcnamara, d. s.（2005）. computerized learning environme

54、nts that incorporate research in discourse psychology, cognitive science, and computational linguisticsa. proceedings of the experimental cognitive psychology and its applications decade of behaviorc.183-194.27graesser, a. c., lu, s., jackson, g. t., mitchell, h. h., ventura, m., olney, a., & lo

55、uwerse, m. m.（2004）. autotutor: a tutor with dialogue in natural languagej. behavior research methods, instruments, & computers, 36（2）: 180-192.28graeaser, a. c., moreno, k., & marineau, j.（2003）. autotutor improves deep learning of computer literacy: is it the dialog or the talking headm. a

56、rtificial intelligence in education: shaping the future of learning through intelligent technologies: 47-54.29graesser, a. c., person, n., harter, d., & group, t. r.（2001a）. teaching tactics and dialog in autotutorj. international journal of artificial intelligence in education, 12（3）: 257-279.3

57、0graesser, a. c., vanlehn, k., rosé, c. p., jordan, p. w., & harter, d.（2001b）. intelligent tutoring systems with conversational dialoguej. ai magazine, 22（4）: 39-52.31何克抗（2018）.深度學(xué)習(xí)：網(wǎng)絡(luò)時代學(xué)習(xí)方式的變革j.教育研究，460（5）：111-115.32koedinger, k. r., anderson, j. r., hadley, w. h., & mark, m. a.（1997）. intelligent tutoring goes to school in the big cityj. international journal of artificial intelligence in education, 8（8）: 30-43.33kulik, c.-l. c., & kulik, j. a.（1991）. effectiveness of computer-based instruction: an updated analysisj. computers in human