数字技术研究

数字技术研究(世哲手册)

666

第28章 网络及基于互联网的技术:社交网络

667

数字技术研究(世哲手册)

668

第28章 网络及基于互联网的技术:社交网络

669

第29章 学习者建模环境

引 言

学习者建模环境(LME)是指能够自动探测某个特定知识领域学习者行为的数字环境，对这些行为进行推导，以评估学习者的成绩、技巧、社会情绪与认知需求，并据此采取适当的教育措施。拥有这种能力的典型数字环境是指智能学习环境，或更传统的智能教学系统(ITS)。

出于对教师与学习者之间有意义的相互作用、成功学习的推动因素、教育可以或应该如何适应个别学习者等理解的需要，人们尝试着研究学习者建模环境。让教学适应个体的需要，这是使特定专业领域的学习者从新手发展为专家的重要途径。

来自各个学科的理论构成了解决上述问题的基础。现有理论可经由计算途径而得以综合、测试与提升更确切地来讲，是通过学习与通信过程的计算模型，或通过个别学习者本身动态生成与更新的模型。此类计算模型带给科学学习的好处在于其系统性、客观性与可检查性等特征；另外一个好处是，与人类教师的头脑创造与控制的各种模型相比，此类模型能够被操控、改变及反复测试。重要的是，可以用来预测模型中包含的特定元素、在此类模型基础上选择的教学法以及接受该教学法的学习者取得的学习成果之间的关系。因而，此类计算模型既可支持特定学科领域的学习，也可推动教学研究。换言之，学习者建模环境研究关系到所有对学习者如何学习感兴趣的人，尤其是想了解成功的教学如何得到技术支持的人。

443

444

670

学习者建模

学习者建模环境的核心要素是其学习者模型，即传统中所理解的学生模型。该要素之所以成为核心，是因为其要负责解释在现有背景知识下可观测到的学习者行为，并且通过这种观测，为系统提供做出教育决策(如学生是否准备好前进到下一个问题)、选择恰当反馈(如学习者能否在特定的阶段从某条线索、积极反馈或提示中获益)所必需的信息。

学习者建模涉及对学习者知识的实时诊断，以及对其在学习过程中的认知状态与情感状态的诊断。学习者建模是以推动学习为着眼点的基于计算机的系统中的重要内容，因为它可以使交互恰到好处地适应个体学习者(Dillenbourg andSelf,1992)。许多教育家认为，适应个体学习者的教学是推动有效学习的理想方式，人们常常引用二西格玛效应(Bloom，1986)来作为由此类教学而提升的学习结果的主要证据，并将其作为推动技术增强型教育解决方案的诸多投入的一个刺激因素(Koedinger and Corbett,2006)。确切来讲，在比较一对一教学效果与其他诸多变量与方法的效果时，布卢姆发现，经过一对一辅导的学生，其平均成绩要高于接受课堂教学的98%的学生(没有其他任何一种方法能产生像二西格玛如此大的效应）。

模仿他人，是所有的人类社会行为固有的能力，教育互动只是其中一例。一般来讲，人类每时每刻都在不知不觉间模仿他人(SperberandWilson，1995)。观察与推断他人的意图、信念与目标对于推动相关且有效的学习来讲也是至关重要的；也就是说，要深度理解各种概念与技巧，是一个长期的过程，且可推及新的情境。教师不断地评估学习者的需求、能力与进度，并据此调整问题的难度。比如，他们根据自身对学习者在该情境中行为的理解来修改解释、给出提示、改变表扬的形式与力度、调整辅导反馈。为了实现提升个体学习者知识与技能的目标，教师还接受培训。

以一个简单的减法为例，从500中减去65。我们不妨假定学习者的答案是565，这个答案是不正确的：学习者的失误在于将65加到了500上，而不是从500中减去65。要给学习者提供恰当的支持，除了指出其错误外，教师需要诊断这个失误的根源：是由于学习者的简单疏忽与粗心，还是出现了某些更深层次的误解？为了获得准确判断，需要在教师对这名学习者的了解、对错误发生的即时环境、学习者以前是否犯过类似的错误、学习者解决这些失误的方法(正确或不正确)、学习者解决问题之前以及解决过程中可获得的指导等基础上来进行判断。这些信息使教师能够确定该对学习者说什么。而且，教师对学习者的情绪与动机状态做出的判断，也决定了其如何向学习者提供支持缺乏自信的学习者可能需要一些提示或鼓励，而对于那些自信但感到厌烦的学习者，我们则可能需要指出其错误并给予指导。

第29章 学习者建模环境

671

因而，学习者建模的主要目的是使学习者建模环境选择此刻最恰当的教育行为，也就是说，最有机会使特定个体获得预期的短期与长期学习结果的行为。学习者建模构成了研究学习的一种范式，为学习者提供了学习工具。换言之，嵌入在学习者建模环境中的计算机学习者建模提供了表现与学习相关的隐秘心理过程(认知与情感)，明确说明、检验并提升认知理论，预测相关领域的学习结果等的方法。

作为知识表示的学习者建模

学习者建模是表现研究人员对学习者完成学习任务过程的了解(知识)的一种计算方法。结果(输出)是一个学习者模型，是对学习者及学习者的知识与学习过程的定性的、近似的知识表示，当然，这种表示也可能是片面的。学习者模型的建构取决于研究人员对所学知识领域的学习者特定行为(输入)的了解。

知识表示是建构学习者模型的关键，涉及两个基本问题：①要表示什么知识？②如何表示这种知识？这两个看似简单的问题引出了教育及认知科学研究中更深层也更基础性的问题，包括：什么是知识？构成并影响学习的因素有哪些？我们如何知道某个人已掌握了该领域知识？

若要支持学习者建模环境下的学习者建模，至少要表示四类知识：领域知识、对学习者的认识、教育知识、传播知识。这几类知识是相互依存的，领域知识表示是促进对学习者进度进行建模的必要条件，决定了促进学习者进度所需要的教育知识类型。将“对学习者的认识”表示出来是非常重要的，可以帮助决定恰当的教育与传播策略，最好地实现教育目的。这四类知识对于完全成熟的学习者建模环境至关重要，其中领域知识表示对于促进学习者进度评估与选择最佳支持尤为重要(Sison andMasamichi，1998;Woolf,2009)，本章主要着眼于学习者模型。

445

数字技术研究(世哲手册)

672

对学习者的认识

对学习者的认识是对学习者所掌握知识的表示，包括在教学互动过程中及之后某个特定时间点的特定技能与误解。让教师(无论是人类导师还是电脑导师)给学习者提供适当的反馈，即能促进长期学习的反馈，这一点至关重要。我们将这类信息称作学习者的知识。

而且，长期以来，人们已经认识到，学习不只是发生在学习者的头脑中，而且也取决于学习所发生的环境(Sawyer，2006)。虽然这些先验认识与学习者误解一道提供了评估学习者在某个领域知识方面进展的必要信息，但这种认识并不足以确定学习者动机。学习是一个过程，学习者作为一个人，有情感倾向与暂时的情绪状态，如焦虑、无聊、沮丧或喜悦，这些会影响到他们的动机，并最终影响到他们的学习体验与学习结果(Lepper et al.,1993)。我们将学习者心理情绪状态方面的信息称作学习者的情感。

学习者的知识

学习者的知识一词既包含存储于个人陈述性(事实性)记忆中的事实知识，也包含使用、应用并更新这些事实所需要的相应技能(程序知识)。更确切地讲，学习者的知识是指学生们知道哪些事实、学习者掌握这些知识的程度、学习者的技能、(教师认为)学习者对这些技能的掌握程度、哪些知识是错误的(错误理解)以及学习者尚未了解的内容(缺失的知识)。

我们可以通过各种不同的方法来对学习者的知识与技能模型进行概念化、描绘与推断。描绘与推断类型往往取决于个别研究者采取的理论及/或计算视角，以及他们想要了解的研究问题。简单地讲，认知科学家们最关心的是他们创建的这些模型的认知精确度，他们可能会使用学习者建模技巧与工具来检验这些模型的效度(Anderson et al.，1990)。而智能教学系统研究人员关心的则是如何帮助学习者掌握某个主题内容或其某个子集，学习者建模工具只是提供了一种诊断学习者的知识的方法，以优化系统的实时反馈。因而，尽管学习者建模工具的认知精确度是智能教学系统研究人员最渴望的，但其核心是计算效率(Dillenbourg and Self,1992)。

第29章 学习者建模环境

446

673

我们必须牢记，知识如何表示与获取，或者说应该或能够如何表示与获取，这一理论与教育问题，多多少少是有别于学习者的知识获取如何在完成学习任务过程中通过计算方法来建模—即可用于推断学习者模型的特定计算技术—这一问题的。众所周知，创建与利用学习者建模环境方面的研究，面对着首选理论与偏好的计算方法之间的混乱(及紧张)关系。这是因为此类环境既属于认知环境，也属于计算环境(Ohlsson and Mitrovic,2007)。认知因素与计算因素之间难分难解的关系，大体上能说明为何没有一个统一而包罗万象的学习者模型的整体定义，也说明了为何难以将其呈现为一组连贯的发现、原则与指导方针，以有利于希望学习并探讨这方面内容的研究新人。

学习者知识的表示

假定存在某种领域知识表示，那么建立学习者模型需要人们去选择合适的方法来表示学习者现有的以及不断变化中的知识。尽管表示学习者的知识可以有许多种不同的方法，但许多智能教学系统表示的是理想的学习者模型，代表的通常是某个专业领域的专家知识。确切来讲，学习者的知识可以表示为：①重叠模型，与理想的学习者模型重叠也就是说，作为专家知识的子集[见图29.1(a)]；②微分模型，学习者的知识可表示为两个类别，即已经教给学生的知识、尚未教过的知识[见图29.1(b)]；③摄动模型[见图29.1(c)]，该模型将标准的重叠模型与学习者误解表示结合起来。

摄动模型与错误库(BLs)主要用于 BUGGY系统中(Brown and Burton，1978;Burton and Brown,1982)，是三种表示模型中最成功的，目前仍被使用(形式更高级)在“认知导师”等学习者建模环境中(Koedinger et al.,1997)。

数字技术研究(世哲手册)

674

错误库以错误案例的形式罗列了常见的误解与错误，反映了某个领域内典型的错误认识。错误库将错误命令列举出来，使电脑导师明确哪些是不正确的知识，也就是说，可以通过学习者行为明显观察到的错误。比如，某解决方案中的某一步或某个问题的答案。整体而言，错误库可用于：①逐步诊断学习者的知识状态及可能出现的错误；②预测学习者在特定问题上采取的推理路径；③预测学习者未来可能出现哪些错误与答案；④相应地给出反馈。然而，错误库对于在没有明确定义的建筑等领域里建构学习者的知识并不现实，在这种情况下，问题得以解决之前，其解决路径的价值是无从知道的。对于社会交互技能等领域而言，错误库更加不适用，在这些情况下，学习者行为是否恰当是相对于具体环境而言的，而错误案例的参数是绝对的、具体的。

但是，错误库证明了学习者模型的作用，以及表示与推断学习者知识时的难度。错误库突出了领域知识与人们在该领域可能犯的不同错误类型间的关系，提出了一系列问题，如什么是错误想法、某领域的典型误解有哪些、学习者的哪些行为可算作是掌握或欠缺。同样，错误库还提供了一种对学习进行思考的宝贵工具、支持学习的最佳方式，表明就连减法这样最简单也最明确的问题，也会带来令人措手不及的大量错误，而且这些错误的源头可能各不相同。

认知导师与认知建模

认知导师(CTs)是错误库的代表，也是改良得极其成功的错误库应用。认知导师，起初是作为思维的适应性控制(ACT)模型及随后的ACT-R认知理论(Anderson,1983)的测试平台，利用ACT-R，将某领域知识的具体要求与认知诊断工具结合起来，具体来讲，就是模型跟踪与知识跟踪。ACT-R旨在描绘人类在数学等程序领域解决问题时的认知过程，以丰富我们对知识结构、知识存储结构，以及知识的获取与提升方式在遇到适当的触发器时如何随时间变化等的理解。ACT-R对陈述性知识(如“等式两边同时除以同一个数，结果仍然是等式”)与程序性知识(如“如果要求得出等式aX=b中的X，那么可以将等式两边同时除以a来求解X”)进行了区分(参见Corbett et al.，1997)。由此可见，事实知识与过程知识的要素在本质上是彼此不同的。

第29章 学习者建模环境

447

675