数字技术研究

448

认知精确度是ACT-R的最重要因素，因为其所参与的建模——认知建模的目的是促进我们对人类真实学习方式的理解，以及认知过程如何反应在人类大脑的神经活动中。因而，我们必须明白：认知建模的目的不一定是为促进教育，而是要解释人类如何获取与使用知识；假若能模仿这个真实过程就更好了。因而，确保模型的认知精确度首先要考虑认知建模的待议事项—认知导师内的学习者模型并给出检验继而产生的模型的手段。

认知诊断包括跟踪学习者在解决方案中的进度和学习者知识随时间增加的状况。这种诊断以问题解决情境中某个特定阶段适用的生成规则的具体要求为基础。人们根据解决方案的正确性与针对性给生成规则加上注解。在问题解决过程中，认知导师追踪学习者的各个解决步骤，指出其数据库中对应于学习者解决步骤的生成规则。数据库中与每条生成规则相关的注解都成为评估学习者步骤准确性、确定反馈是否恰当的基础。

系统运用模型追踪来推断被赋予特定目标的个体学习者的解决路径。认知导师假定，认知模型代表的是理想的学习者模型。有了对特定领域的陈述性知识与程序性知识的描述，以及学习者的界面行为(学习者行为)，系统就可以沿着学习者正在创造的各个步骤来创造(追踪)某问题空间的一系列可能步骤。由于认知导师界面的不同元素对应于问题解决目标表示，以及实现这些目标所需的相关信息，导师能够利用学习者的界面行为信息来推断学习者当前的目标。而且，通过将生成规则应用于学习者目标，导师能够生成一套满足该目标的可能规则(Corbett et al.,1997)。

模型跟踪旨在生成某个通用的入门级学习者模型，而知识跟踪认知导师使用的第二种诊断机制—则旨在评估学习者的知识随时间而增长的情况。鉴于学习者对知识的掌握层次一直在变化，知识跟踪提供了选择适当问题的基础。同模型跟踪相类似，知识跟踪包括生成一套适用于所授各级课程的生成规则的辅导，并评估学习者对这些规则的掌握程度。这种评估是在出现应用某个规则的机会时，导师根据学习者的行为而赋予每个规则以概率来实现的。

认知建模成功地支持了某些边界明确的领域学习比如数学。不过，我们必须记住，其在学习者建模环境中的成功是后来才被人们发现的，尤其是通过早期有关智能教学系统的研究，这些研究强调了在专业知识表示方面追求认知精确度的重要性，因为从认知角度来讲，模型的真实性越差，就越难以提供充分的教育支持。认知精确度在下面两种情况下似乎尤其重要：一是系统以与人类相同的方式推理问题的能力，二是系统在寻求解决方案时应用与人类相同的机制的能力。早期的辅导系统无法满足第一个要求，比如，SOPHIEI(Brown et al.，1973)可能缺乏支持学习者反思的能力；尽管其能够向学习者建议在每种问题解决情境中可以有哪些最优行为，但却无法描述该情境，也给不出解决问题的基本原则，只能由学习者自己来完成。还有些辅导系统无法满足第二个要求—比如，GUIDON(Clancey，1983)也无法向学习者提供下一步行动的建议，因为它们不知道学习者遵循的是怎样的学习轨迹(Corbett et al.,1997)。

数字技术研究(世哲手册)

676

基于约束的建模

与认知导师并行开发的一个方法是基于约束的建模(CBM)(Ohlsson，1992)。基于约束的建模是针对DEBUGGY与随后出现的认知导师等早期学习者建模环境中对学习者知识的描绘针对性过强这一问题而出现的(OhlssonandMitrovic,2007)。学习者模型的针对性过程是指难以应付一般形式的学习者建模(Holt et al.,1994;Self,1990)。任何旨在推断学习者完整模型的机制，都是独立于表示学习者知识的技巧之外，这些机制必定要依赖成百上千个个体知识块的设计规格。事实上，这种针对性是难以有效处理的，即便是运用复杂的制作工具来构建适当的知识表示。的确，如果将人类导师视作建立数字学习环境的黄金标准，那么问题就在于期待一个具有完全特性的学习者模型是否合乎情理。经验研究表明，人类导师在教学时往往无须借助全面的、完全连贯的学习者模型，也能做到非常有效(Holt et al.,1994;Leinhardtand Ohlsson,1990)。奥尔松(Ohlsson)提出的基于约束的建模方法以此为基础，引入了一个技巧，只需要片面但有效的学习者模型。

在基于约束的建模方法中，针对性过强问题可通过减法来解决，而领域知识则是通过一套对应于该领域的正确解决途径的约束条件来表示的。每个约束条件都是一组有序数对 $< C _ { r } , C _ { s } >$ 。在这里， $C _ { r }$ 是关联条件，指的是与约束相关的问题状态的类别；而 $C _ { s }$ 是满足条件，指出了约束满足的状态类型。这组数对中的每个数都可以被视作某个问题状态的一组属性，约束代表的是下面这种陈述，如果属性 $C _ { r }$ 成立，那么属性 $C _ { s }$ 也成立。如果 $C _ { s }$ 不成立，则意味着可能发生了错误。因而，每个约束条件也间接表示了一套错误的解法，即违反约束条件的解法。基于约束的学习者模型包含着学习者违反与未违反的这组约束条件。违反约束条件，从学习者来讲，意味着知识的缺失或不完整。

第29章 学习者建模环境

449

677

要为某领域构建一套从教育角度来看也合理的约束条件是一项艰巨的任务，但是通过解决针对性过强这个问题，这项任务得到了极大的缓解，使基于约束的建模成为学习者模型的一个有效的计算解决方式。正如奥尔松所指出的，约束条件集并不一定要完整才有用。不完整的约束条件集可能导致某些罕见的错误被忽略，但只要能解决最常见的错误，该系统就仍然能给学习者提供有价值的反馈。重要的是，根据约束条件形成知识(即只有正确的知识才需要完全符合所有特性)使得这些表示能够被用于不同的学习者群体。

除了确保计算效率，基于约束的建模也号称是一种能保证认知正确的方法：这种方法基于心理学中的学习理论，坚称学习主要发生在学生意识到自己犯错之时。该理论对生成性知识与评价性知识进行了区分(Ohlsson，1996)。生成性知识创造了问题解决行为，可以借由一套规则来表达。评价性知识根据特定目标的合意性来评判行为结果，可表现为一套约束条件。奥尔松推测新的认知技巧的获得是以知识的评价元素向生成元素转化为基础的(至少部分程度上如此)(Ohlsson，1996)。因而，在该学习理论情境中，基于约束的建模环境构成了一种增强型评价知识基础，其包含的约束条件代表了评价性专业知识。系统使学习者能够访问评价知识，能够加速并增强信息从评价元素向生成元素的转换，因而最终能够支持学习过程。

学习者的情感

目前我们所回顾的学习者模型方法均未包含这样一种机制，能够以某种方式说明教育互动的情绪与情境如何影响到学习体验与学习效率。然而，学习者情绪对学习的重要性在教育领域早有认识。早在1908年，耶基斯和多德森(Yerkes and Dodson)就曾探讨过学习者情绪唤醒与学习成绩之间的关系，指出适度的情绪唤醒比过低或过高的唤醒更好，唤醒过高或过低可能对学习不利(Yerkes and Dodson,1908)。他们观察发现，认知与情绪是紧密交织在一起的，而近来有关神经科学与心理学的研究近一步证实了这一点(Damasio，1994)。情绪体验有助于人们面对环境要求做出决策，学习过程中涉及的三种主要认知过程注意、记忆与推理受到特定情绪体验的强烈影响。积极的情绪能提升注意力，促进记忆，提高问题解决与决策的效率与效能(Isen，2000)。而负面情绪则可能导致注意力不集中，干扰信息检索，使记忆不再有效，还有可能导致趋同推理与顺序推理(Lissetti and Schiano,2000)。

数字技术研究(世哲手册)

45

678

越来越多的学习者建模环境将各种模块包含进来，这些模块能够识别、解释并回应学习者的情感状态。此类模块的目标是生成实时数据，丰富我们对于学习过程中情绪体验构成的理解，并加深我们对此类体验与学习结果间关系的认识。在这些学习者建模环境中，学习者模型包含了学习者的情感状态信息，并根据学习者与系统间的交互定期进行更新。

要对学习者情感进行建模，自然要求设计者：①明确既定领域的相关情绪；②根据可观测到的行为来确定情绪；③明确根据辨识到的情绪来探测与解释行为的机制。无论设计者持有怎样的理论或技术立场，这三个要求都是适用的。真实的情感体验比当前数字实现系统所考虑的要混乱得多：情绪是临时出现的、同时发生的、有重叠的；情绪也是短暂的，往往受到多种事件的激发(D'Mello and Graesser,2011);而且情绪取决于中长期情感倾向，以及体验者的目标与信念(Gebhard,2005)。教育情境创造了特定的情感体验类型，明确且极其依赖于学习者在既定情境中对特定领域、所获支持及作为学习者的自身的各种目标、态度与信念。

影响模型的因素有哪些？

过去几百年来有关情绪的研究产生了诸多不同的理论，这些理论有可能成为开发监测与解释学习者情感的系统的基础。卡尔沃和德曼罗(CalvoandD'Mello,2010)做过一期精彩的回顾，对最杰出的情绪理论进行了分类。这些理论专门用于说明如何自动探测一般用户的情感，其中包括用于说明生成模型的设计的理论，即智能机器人如何实时地生成情绪要么通过情绪的物理表达(Darwin，2009；Ekman，1971)，要么是物理表达与生理表达相结合(James，1884)。除此之外，现有的理论也用于根据环境中的特定激发物，比如对象、事件与其他人，来预测(即建模)用户情绪(如认知评价理论)(Scherer，2005)，或OCC理论(Ortonyetal.,1988)。其中许多理论，除社会结构主义视角下发展的理论外(Averill,1980;Stets and Turner,2008)，都是跳出情绪产生的环境或手头任务之外来思考情绪的。然而，那些将情境当作情绪体验与理解不可或缺的组成部分的理论，与那些孤立地思考情绪的理论相比，更难以经得起自动化的考验。

第29章 学习者建模环境

451

679

尽管多数学习者建模环境的设计者对于现有理论是否适用仍持怀疑态度，但在这种情境下选择特定理论时，他们主要的考量因素是某理论在计算机系统中的执行状况如何，或该理论能否给予既定学习者以恰当的反馈。同学习者知识建模相类似，对计算效率与心理忠实度的考虑在选择采用哪种方法时也发挥了作用。还有一个考量因素是，某理论在教育方面是否切实可行。某理论的执行度如何也与其对各种学习者建模环境的适用性相关比如，某教育游戏环境中的情感体验的本质、多样性及持续性不同于解释环境下的情感体验，因为任务的属性及完成这些任务的奖励是不同的。对教育可行性的着重强调也突显了既定的情绪理论能否说明学习过程中用户体验的情感状态即模型所模拟的情感状态是否与学习相关—这一问题。

卡尔沃和德曼罗回顾的这六个方法，无论单独来看还是组合起来，都曾被用于说明情感自动监测系统的各种执行情况。其中部分方法，如德曼罗等人(D'Mello et al.,2007)采纳的方法，将生理符号与行为符号监测相结合，如皮肤电传导、目光注视追踪与姿态探测，与语言线索分析相结合，以推断各种动机状态，如无聊、随大流等。这样一来，便将不同的理论视角结合了起来—在德曼罗一例中，就是指表现主义等情绪理论、具身理论及本质上属于社会结构主义的动机理论等。本章的剩余部分，我们将着重关注两个被大量用于学习者情感建模情境中的相对一致的倾向，即认知评价与社会建构主义。

认知评价与社会建构主义

OCC理论(Ortony et al.,1988)之所以成为情感计算领域最流行的情绪理论，主要是因为其可适用于计算。OCC理论代表了22种情绪，这些情绪被归纳为包含6个层级的结构，比如幸福、喜悦与沮丧或喜欢、爱与恨。上述分类的基础是个人对世界现状及自身事业的效价(即正面或负面)反应。OCC理论解释了情绪是如何从人们对当前情形的评价中产生的，而任何情形都是由对象、事件与主体组成的。OCC理论使得人们得以根据事件发生的可能性或个人对对象的熟悉度来确定情绪的强度。该模型是非常详细的，但其局限性在于只能说明基本情绪，导致某些研究人员质疑其与学习的相关性(Calvo andD'Mello,2010)。

数字技术研究(世哲手册)

452

680

与认知评价理论形成对比的是，在社会建构主义视角中，情绪被视作通过社会交互及(语言)交流而与他人共同建构的社会文化结构(Averill，1980；Glenbergetal.,2005)。尽管情绪计算中的多数方法依赖于其他可用理论，但着眼于教育的情绪计算研究则必然是社会建构主义视角。这是因为，在教育中，包括影响个人学习的情绪状态在内的学习过程不可避免地被视为学习者、教师及学习者在当前学习任务中的成绩间的相互作用的结果。确切地讲，有大量成熟研究将学习者的动机作为与学习有特定关联的一种情感体验形式(Craigetal.，2004)。动机状态有时被理解为“思想与行动的决定因素”(Weiner，1992:17)；与喜悦、沮丧、爱或恨等短暂的基本情绪不同，动机是各种情绪、个人的长期或短期目标及信念以及在特定情境中的情绪体验的综合体。

这两种理论视角并非互不兼容的，即便是从不同的角度来研究情感建模：认知评价的实施是用基本情绪来描绘学习者的情绪，而社会建构主义者则更广泛地关注动机、学习者行为差异及激励规则对学习者情绪与成绩的影响(见图29.2)。正如科纳蒂和麦克拉伦(Conati and Maclaren,2009)所指出的，学习者建模研究的最终目标是设计一些方法与途径，将低级的情绪监测与解释和高级的动机状态建模结合起来。

我们使用凯勒(Keller，1983)提出的模型(见图29.2)来举例说明截至目前的各种方法的相关性与通用性。这张图反映了凯勒对动机与动机规制的理解，他将动机及动机规制理解为努力、成绩与后果间的一种循环，在这里，学习者对某项任务的努力程度取决于他们的价值观与目标。学习者投入的努力程度影响着学习者的成绩，导致各种内在与外在结果(即图中所示的“后果”)，包括学习者的情绪反应、社会奖励与物质奖励。后果得到学习者的评价(通过认知评价），这些评价再反馈回“动机”，强化或改变了学习者的价值观。

第29章 学习者建模环境

453

681

凯勒的模型明确表现了动机如何取决于环境输入，尤其是恰当的教育设计与管理如何契合学习者的动机与情绪调节(环境输入）。因而，该模型本质上就是埃夫里尔(Averill)所讲的社会建构主义。其次，该模型清晰地说明了学习者对自身行为结果的认知评价，这正是OCC模型等与基本情绪相关的方法的适用之处我们在图29.2的右上角已突出显示了这一点。尽管当前实施的任何一个项目都未包含该(升级版)模型的所有层面，但我们不妨将其当作学习者情绪建模领域所渴望的理想模型，只是还需进行一些修改。下面几节，我们将以两个学习者情绪建模方法为例，说明当前采取的不同理论切入点的实施情况。

基于认知评价理论的学习者情绪建模

许多学习者建模环境仅仅依靠OCC模型，尽管生成的学习者模型很少能全部涵盖这里所讲的22种情绪。相反，设计者往往选择最契合某领域的相关情绪或其所处环境能够反映的交互模式。PrimeClimb就是其中一例，这是一种两人共同玩耍的游戏，用以帮助学生学习数字分解(ConatiandMaclaren，2009)。每名玩家各自控制一个角色，两名玩家需相互协作才能使各自的虚拟角色爬山，并抵达山顶。山被分割为几个有数字编号的部分。每个角色只能移动到与另一个角色没有任何共同元素的编号区域。如果玩家移动出错，那么其对应的角色就会从山上滑落。

数字技术研究(世哲手册)

682

PrimeClimb中的学习者模型只包括与目标领域最相关的6种情绪，即喜悦或沮丧、赞美或责备、骄傲或羞耻。PrimeClimb运用视频游戏范式来探究此类游戏所能反映的内在动机(Johnson and Rickel,2001)。除了通过数字分解练习来模拟学习者的进度外，该环境也启用了一种诊断模型来监测与解释儿童在玩游戏过程中的情绪。该模型还评估了学生们在玩游戏时常有的多目标性如何影响到学习者对游戏互动的评价，并因而影响到他们的情绪。PrimeClimb中考虑了学生的五个高级目标：玩得开心、避免掉落、学习数学、打败对手、独享胜利。

由于学生个性、目标、游戏状态及情绪间的联系是不确定的，PrimeClimb中的学生模型通过动态贝叶斯网络来实时控制这种不确定性。PrimeClimb情绪模型是已知最早的OCC理论的或然模型。该模型的目的是给出微妙的反馈，最终促进情绪体验与学习结果。为了保持学习者的使用热情，同时提供工具性的教学指导，PrimeClimb使用了动画教学主体，回应学习者的提示请求，在确定学生需要帮助时给予提示。该主体根据学生对数字分解知识掌握情况的或然模型来决定何时进行干预及给予什么提示。对小学生们使用PrimeClimb的评价研究给出的证据令人看到了希望；在这种情况下，个性化指导是通过动画教学主体实现的，比传统方法更有助于促进学习(ConatiandZhao,2004)。

以交互分析为基础的学习者情绪建模(社会建构主义)

在卡斯卡·波拉斯卡-波姆斯塔等人(Porayska-Pomsta et al.，2008)的研究中，学习所处的特定情境及学习者与教师间的交互既是控制学习者情绪的组成部分，同时也能够以可行的教育方法认识学习者情绪并对其发挥影响。我们的出发点是让教师与学习者之间产生自然语言对话。同情绪的社会建构主义理论相一致，我们的前提是，模拟学习者情绪并给予适当支持需要对情绪状态体验的交互情境加以理解。我们认为，教育交互环(也即所谓的情感环，参见德曼罗等人2007年的研究)需要教师：①观察情境中的学习者行为；②以这种观察为基础模拟学习者的情绪状态；③以上述模型为基础决定如何给予学习者以支持；④通过选择支持策略来影响学习者的情绪状态。

我们将高级语言、用户自适应及互动式数学学习(LeAM)系统用作研究情境。互动式数学学习包含学习者模型、辅导组件、习题库、域的推导及自然语言对话能力。两年来，我们进行了许多研究，以有助于学习者与自然语言对话模型的设计。为了确保生成数据的生态效度，我们将学生与教师间的沟通限定于聊天界面(见图29.3)，没有视频或音频渠道，模拟的是最终学习环境的界面。我们邀请了5位有经验的教师与28名学习者适应这种有限的沟通渠道，调整彼此的反应。收集到的数据包括自然语言对话日志、口头报告以及向教师与学生们收集到的半结构化采访数据，至关重要的是，教师对向学习者提供反馈(包括学习者的信心、兴趣、努力等情绪状态)的情境的实时评估，以及教师对给予学习者任务的普遍难度与相对难度的感知、学习者答案的正确与否、剩余学习时间及学习者的态度、知识与目标等其他情境信息。收集到的这些数据为我们提供了丰富的信息，其中不仅包括教师诊断学习者情绪时所考虑的情境，而且包括教师认为适合于个别学习者的反馈案例鉴于特定的任务及他们自己的教学与交流风格，教师认为某些反馈适合于当下的个别学习者。

第29章 学习者建模环境

683

数字技术研究(世哲手册)

684

这些研究结果丰富了互动式数学学习的学习者模型的设计。该模型执行的是贝叶斯网络，代表了特定情境因素组合之间的因果关系，推动了教师根据可观测到的学习者行为推断出的学习者情绪状态，与教师据此推断做出的行为间的关系的形成(Porayska-Pomsta et al.,2008)。

讨论与结论

本章介绍了学习者建模环境的概念，认为这是一种手段，通过这种手段能够支持并研究学习。其中学习者模型尤其被当作所有学习者建模环境的核心且明确的特征，是能够适应交互、为个别学习者提供实时教学支持的技术增强型教育工具的必要前提。

自动的学习者模型，虽然仍然属于新兴学科，但并非全新的领域；已有诸多研究证明了学习者模型的多种研究途径。早期的学习者模型工具仅着眼于对学习者的知识加以模拟。随着该领域的不断成熟，以及生理传感器等新技术出现并被人们消费得起，研究的重点扩展到了学习者的情绪。然而，该领域的研究人员很少从同样的理论、技术与教育学视角来思考学习者模型及建立学习者建模环境等任务。这意味着，该领域缺乏统一性，从而阻碍了对不同实施项目间的比较，也难以对其趋势及成就进行连贯的描述。

本章的目标是尽可能将各种方法与观点统一到学习者模型领域的连贯描述中，以使新读者理解其主要原则与观点。我们指出了学习者模型的两大类用途：一是用于执行关于人类学习过程的理论；二是支持教育情境中的人机交互。虽然这些研究目标并非互不相容，但要在其中进行选择，往往需要明确研究重点，要么在于实现这些模型的认知及/或心理忠实度，要么在于实现其计算效能。文章通篇给出了反映这两个重点的实施案例，以及一些方法案例，如基于约束的学习者知识建模方法，或科纳蒂和麦克拉伦的情绪建模方法，以期在两方面都有所收获。我们选择的学习者建模方法兼有认知与情感内容，代表了这个尚在不断发展中的领域的主要趋势，由此既强调了学习者建模环境设计中的主要问题，也突出了一般教育研究中的相关问题。学习者建模环境并不仅限于本章所罗列的内容，还有许多阐明当前最新成就的学习者建模环境案例，以及丰富了此类环境设计的研究案例。我们希望通过佐证本章结论的这些参考文献，让感兴趣的读者能够追踪并沿着这些方法继续研究下去。

第29章 学习者建模环境

455

456

685