第21届人机交互国际会议(HCI International 2019)在7月26日至31日在美国佛罗里达州奥兰多举行。值得关注的是,此次HCII举办了第一届自适应教学系统国际会议(AIS)。
作为HCII的附属会议,AIS会议的目标是理解自适应教学系统的理论,分享最新技术、工具和方法。本次会议的重点是教学定制,强调了准确建模学习者以加速学习的重要性,以及提高基于自适应教学系统的有效性,准确反映他们在各种教学领域的长期能力。
AIS会议邀请了业内最顶尖的专家,分享他们关于自适应教学系统技术的愿景和发现(例如智能辅导系统、智能导师和学习的个人助理),并提出标准,以提高自适应教学系统技术与其他教学技术的可移植性、可扩展性和互操作性。来自中国人工智能教育独角兽松鼠AI的专家也受邀发表演讲。
Robert SottilareRobby Robson(右三)
Robert Sottilare:探索促进自适应教学系统互操作性的方法
Robert Sottilare是Soar Technologies公司智能训练的科学主管,这是一家从事军事或民用软件解决方案设计和开发的供应商。Sottilare的演讲主题是“探索促进自适应教学系统互操作性的方法。”
什么是自适应教学系统?自适应教学系统是一套人工智能的计算机系统,根据每个学习者或团队的目标、需求和偏好,在其学习领域内指导学习体验、定制教学、给出建议。
什么又是互操作性?据已故的美国著名计算机科学家Peter Wegner的解释,互操作性是一种尽管语言、界面和执行平台存在差异,但两个或多个软件组件能够合作的能力,是一种可扩展的可重用性形式。
Sottilare介绍称,研究自适应教学系统的互操作性的目的,是能够让系统在组件和其他系统之间共享信息,并且能够优化学习、绩效、保留和泛化对学生的训练。
自适应教学系统通常有四个常见组件,包括:
领域模型,提供目标、内容、与学习者的互动和反馈、以及常见错误,是最难的标准化的组件;学习者或团队模型,提供目标、偏好、兴趣、与学习目标相比的学习差距、以及状态(例如,认知,身体,学习和表现),代表学习者或团队的各个方面;教学模型,提供相关背景下的教学最佳实践和干预措施,以及设计专业领域的策略和建议;界面模型,提供与学习者的多模态互动,建立传感器和系统交互的标准接口规范。
在此基础上,Sottilare提出了以下建议:
检查现有的标准和教学系统,以识别由四个共同组件共享的信息,包括:美国陆军开发的广义智能辅导框架(GIFT);孟菲斯大学的AutoTutor;卡内基梅隆大学的Cognitive Tutor;美国DARPA设计的Digital Tutor;新西兰坎特伯雷的教育智能资源创作软件平台(ASPIRE);开发致力于自适应教学系统的概念模型(包含四个常见组件);考虑并启用所有级别的互操作性;考虑互操作性标准中的学习者。
IEEE自适应教学系统互操作性标准2247.2
Richard Tong是松鼠AI首席架构师,曾担任过Knewton的大中华区负责人和Amplify Education的解决方案架构总监,除此之外,他还是IEEE AIS(自适应教学系统)标准工作组成员以及互操作性小组的主席(IEEE 2247.2)。他此次带来的演讲正是有关2247.2的进展。
前文提到过,自适应教学系统是基于计算机的人工智能系统,通过在领域学习目标的背景下根据每个学习者或团队的目标、需求和偏好定制教学和建议。IEEE AIS工作组主要支持自适应教学系统的概念模型、互操作性标准、用于评估的实践。
IEEE 2247.2是IEEE AIS下面的互操作性标准组,主要工作分为垂直整合(Outerloop - > Innerloop;LMS - >引擎 - >模型 - >数据;自我完善;流程集成标准化)以及水平整合
(数据;本体和内容;模型整合)。
目前工作组优先级比较高的工作有Outerloop-Innerloop整合。工作组希望通过整合,系统能实现从“域独立自适应框架”到“域任务和活动”的互操作,并且能重复使用专业化的内容。
本体层交换同样重要。工作组希望通过整合,制定合理学习目标;获得领域知识的更大背景;元数据在自适应教学系统中扮演者关键作用;搜索、测量和推荐背后的原因取决于领域本体。
孟菲斯大学AutoTutor — 会话智能辅导系统
Zhiqiang Cai是孟菲斯大学智能系统研究所的研究助理教授,他的研究兴趣包括用于辅导系统和自然语言处理的算法设计和软件开发。他的演讲主题是“编写会话智能辅导系统 — AutoTutor”
AutoTutor是由孟菲斯大学智能系统研究所开发的智能辅导系统,通过自然语言的辅导对话帮助学生学习物理、计算机知识和批判性思维主题。AutoTutor与其他流行的智能辅导系统(如Cognitive Tutor)不同,它侧重于自然语言对话。
系统将人类语音或文本作为输入。为了处理这种输入,AutoTutor使用计算语言学算法,包括潜在语义分析、正则表达式匹配和语音行为分类器。这些互补技术分别关注输入的一般含义、精确措辞或关键词、以及表达的功能目的。除了自然语言输入之外,AutoTutor还可以接受临时事件,例如鼠标点击、从情感传感器推断的学习者情绪、以及来自学生模型的先前知识的估计。基于这些输入,AutoTutor确定何时回复以及用什么语言回复。
AutoTutor会提出一系列具有挑战性的开放性问题,需要学生在答案中进行口头解释和推理。AutoTutor会通过带有语音引擎、一些面部表情、和基本手势的动画对话智能体讲述其内容。某些主题还有图文、动画或交互式模拟环境。AutoTutor通过分析对话历史的内容来跟踪学习者的认知状态。最新版本的AutoTutor系统还能适应学习者的情绪状态。
AutoTutor在大学生的十几个实验中展示了学习成果,特别是在深层推理问题上,主题是计算机知识入门和概念物理学。AutoTutor的测试产生的效果大小平均值为0.8(范围为0.4到1.5),具体取决于学习量。0.8什么水平呢?1.0将大致相当于一个整整提升一个字母的水平(比如从C到B)。
当然,创作AutoTutor内容的时间和成本明显高于非交互式教育材料,这是智能辅导系统的常见问题。加速智能辅导系统生产的方法仍然颇具有挑战性。
Vasile Rus:在自适应教学系统中标准化非结构化交互数据
同样来自孟菲斯大学,Vasile Rus博士是该校的William Dunavant教授,于2004年加入孟菲斯大学计算机科学系。他还是孟菲斯大学智能系统研究所的成员。他的演讲主题是“在自适应教学系统中标准化非结构化交互数据”。
简单而言,学习过程中的非结构化学习数据主要是学习者自由生成的文本,比如填空题、论述题、以及论文写作等等。
非结构化学习数据有它的优势和劣势。优势是反映学习者的思维实现真正的评估,让学习者有机会提供新颖和创造性的大会,自由生成的自我解释对学习有益。缺点是,这种数据难以扩展,如果由专家手动评估,则会变得非常昂贵;同样的问题也出现在标准化上。
处理这种数据往往很难,尤其是互联网上的学习数据。学习者答题过程中会出现各种诸如拼写错误、语法错误;不完整的句子,模糊的句子,完整的固定句子;严重的语境化等等。
研究者需要做的是将非结构化数据映射为结构化数据进行分析、交换和对齐/融合。Rus博士建议有两种方法可以实现:一种是即时映射 - 如果要求学生模型不断更新,建议使用;另一种是离线 - 记录学习者和系统之间交互,然后从日志文件中提取知识组件、行为元素等等。
离线方法的关键在于如何标准化日志和言语行为。日志标准化中,研究者要尽可能记录,因为每个细节都很重要,并且考虑实际因素,例如隐私和安全问题。研究需要使用机器可读格式(XML或类似XML),这将使数据提取、融合和交换更容易。同时,使用适当的ID /链接到任务,配置文件和对话策略,以便在需要时所有内容都可以相互链接(数据来源要求);最后,研究者应该可以提取一些日志的部分并以用户友好的格式(如html)呈现给学习者本人。
言语行为有助于理解学习者和导师(系统)之间的互动,对它们进行标准化将允许数据交换和有意义的跨平台分析和比较。标准化言语行为信息的一个挑战是各种研究和开发小组使用不同的分类法。
Rus博士提出了一些标准化言语行为的建议,比如使用共同分类法,各种群体就标准分类法达成一致;对齐方法,可以保留每个工作组的的方法;混合:仅同意上层分类法。
Keith Brawner是Iterati Technologies的创始人和CEO。Iterati Technologies是一家位于佛罗里达的技术公司。Brawner还是美国陆军作战能力发展司令部的模拟与训练技术中心的高级工程师。他所带来的演讲主题是”标准是需要的:能力建模和推荐系统”。
Keith Brawner(右一)
他所在的部门叫Learning in Intelligent Tutoring Environment (LITE) Lab,主要是开展基于自适应教学系统的研究和开发,以支持一对一和一对多的辅导环境,实现量身定制的自我调节学习。该实验室支持美国陆军训练成果。
过去,LITE使用广义智能辅导框架(GIFT,详情见Sottilare演讲)训练士兵,但他们需要一个更灵活、具有协作性的、具有批判性思考的训练系统。LITE目前正在开发一款免费的、模块化的开源辅导架构,能够支持自适应教学系统的快速编写、重复使用和互操作性;降低编写适应性教学系统所需的成本和入门技能;增强自适应教学系统的适应性。
Brawner介绍了美国陆军士兵目前使用的一些训练工具,比如Synthetic Training Environment (综合训练环境STE),它将虚拟的、具有建设性的、和游戏训练的环境整合到一个单独的STE中,用于为美国陆军提供模拟训练服务。Sailor 2025则是一个海军项目,旨在改善和现代化人事管理和培训系统,以更有效地招募、发展、管理、奖励和保留未来美国海军力量。
随后,Brawner介绍了标准化美国陆军简历资料的方法,这些方法也同样适用于各种文档整理和分类。
1. 映射知识:确保“知识空间”(学术)或“能力”水平的系统之间的数据交换,和机器学习相结合。
2. 保证信源:认证信息来源是一件大事,比如美国工程技术评审协会ABET是国际上公认的最具权威性和普遍性的认证体系。
3. 允许不同的标准,比如陆军的标准是- 俯卧撑(2分钟),仰卧起坐(2分钟),跑步(2分钟),突击队员的标准是陆军标准再加上引体向上,跑步(5mi),负重徒步(16mi),游泳。
4. 允许进行组级别数据库级别查询。
IEEE自适应教学系统互操作性标准2247.2
Richard Tong是松鼠AI首席架构师,曾担任过Knewton的大中华区负责人和Amplify Education的解决方案架构总监,除此之外,他还是IEEE AIS(自适应教学系统)标准工作组成员以及互操作性小组的主席(IEEE 2247.2)。他此次带来的演讲正是有关2247.2的进展。
前文提到过,自适应教学系统是基于计算机的人工智能系统,通过在领域学习目标的背景下根据每个学习者或团队的目标、需求和偏好定制教学和建议。IEEE AIS工作组主要支持自适应教学系统的概念模型、互操作性标准、用于评估的实践。
IEEE 2247.2是IEEE AIS下面的互操作性标准组,主要工作分为垂直整合(Outerloop - > Innerloop;LMS - >引擎 - >模型 - >数据;自我完善;流程集成标准化)以及水平整合
(数据;本体和内容;模型整合)。
目前工作组优先级比较高的工作有Outerloop-Innerloop整合。工作组希望通过整合,系统能实现从“域独立自适应框架”到“域任务和活动”的互操作,并且能重复使用专业化的内容。
本体层交换同样重要。工作组希望通过整合,制定合理学习目标;获得领域知识的更大背景;元数据在自适应教学系统中扮演者关键作用;搜索、测量和推荐背后的原因取决于领域本体。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
