智能补习系统

智能教学系统（ITS）是一种计算机教育系统，其目的是提供即时和定制的指令或反馈给学习者，通常没有来自人需要干预教师。ITS的共同目标是通过使用各种计算技术以有意义和有效的方式进行学习。在正规教育和专业环境中都使用ITS的例子很多，它们已经证明了它们的功能和局限性。智能辅导，认知学习理论与设计之间有着密切的关系。并且正在进行改进ITS有效性的研究。ITS通常旨在复制证明的一对一个性化辅导的好处，在这种情况下，学生本来可以从单个老师那里获得一对多的指导（例如课堂讲课），或者根本没有老师（例如，在线作业）。ITS的设计目标通常是为每个学生提供高质量的教育。

基于研究人员的普遍共识，智能补习系统（ITS）包含四个基本组件：

1. 域模型
2. 学生模型
3. 辅导模式
4. 用户界面模型

该领域模型（也被称为认知模型或专家知识模型）是建立在学习，比如一个理论ACT-R它试图考虑到所有需要的可能的措施来解决问题的理论。更具体地说，该模型“包含要学习的领域的概念，规则和解决问题的策略。它可以扮演多个角色：作为专家知识的来源，评估学生表现或检测错误的标准等。”开发领域模型的另一种方法是基于Stellan Ohlsson的从性能错误中学习的理论，被称为基于约束的建模（CBM）。在这种情况下，将域模型表示为对正确解的一组约束。

该学生模型可以被看作是域模型的叠加。它被认为是ITS的核心组成部分，要特别注意学生的认知和情感状态及其随着学习过程的发展而演变。在学生逐步解决问题的过程中，ITS参与了称为模型跟踪的过程。只要学生模型偏离域模型，系统就会识别或标记已发生错误。另一方面，在基于约束的导师中，学生模型表示为约束集上的覆盖图。基于约束的导师根据约束集评估学生的解决方案，并确定满意和违反的约束。如果存在任何违反的约束，则学生的解决方案不正确，并且ITS提供有关这些约束的反馈。基于约束的导师提供负面反馈（即关于错误的反馈）以及正面反馈。

该导师模型从域和学生机型接受信息并使得有关辅导策略和行动的选择。在问题解决过程中的任何时候，学习者都可以要求相对于他们在模型中当前位置的下一步操作指南。此外，系统会识别学习者何时偏离了模型的生产规则，并为学习者提供及时的反馈，从而缩短了达到目标技能水平的时间。导师模型可能包含数百条生产规则，可以说它们存在于两种状态之一，即已学习或未学习。每当学生成功将规则应用于问题时，系统都会更新该学生已学习该规则的概率估计。系统会继续对要求有效应用规则的练习进行演练，直到掌握规则的概率达到至少95％的概率为止。

知识跟踪可跟踪学习者从一个问题到另一个问题的进度，并建立相对于生产规则的优缺点的概况。卡内基梅隆大学的约翰·安德森（John Anderson）开发的认知辅导系统将知识跟踪的信息作为一个技能表来展示，该图表是学习者成功解决与代数问题有关的每个受监控技能的直观图表。当学习者请求提示或标记错误时，知识跟踪数据和技能表将实时更新。

该用户界面组件“集成了三个类型的信息都需要进行对话：关于解释的模式（了解扬声器）和行动（产生话语）对话中的知识;需要沟通的内容领域知识;所需要的知识交流意图”。

Nwana（1990）宣称：“基于同一体系结构找到两个ITS几乎是罕见的[这是该地区工作的实验性质所致”。他进一步解释说，不同的辅导哲学强调学习过程的不同组成部分（即领域，学生或导师）。ITS的体系结构设计反映了这一重点，并导致了多种体系结构，其中每种体系结构都不能单独支持所有补习策略。此外，ITS项目可能会根据组件的相对智能水平而有所不同。

除了ITS体系结构之间的差异（每个体系结构都强调不同的元素）之外，ITS的开发与任何教学设计过程都是相同的。Corbett等。（1997年）将ITS的设计和开发总结为四个迭代阶段：

（1）需求评估

（2）认知任务分析

（3）最初的导师实施和

（4）评估。

需求评估的xxx阶段是任何教学设计过程（尤其是软件开发）所共有的。这涉及学习者分析，与主题专家和/或讲师协商。xxx步是专家/知识和学生领域发展的一部分。目的是指定学习目标并概述课程的总体计划；当务之急是不要将传统概念计算机化，而应通过总体上定义任务并理解学习者处理任务的可能行为以及在较小程度上指导教师行为的行为来开发新的课程结构。为此，需要处理三个关键方面：

（1）学生能够解决问题的可能性；

（2）达到此成绩水平所需的时间

（3）学生将来会主动使用此知识的概率。需要分析的另一个重要方面是接口的成本效益。

第二阶段，认知任务分析，是专家系统编程的详细方法，目的是开发所需问题解决知识的有效计算模型。开发域模型的主要方法包括：

（1）采访域专家

（2）与域专家进行“大声思考”协议研究

（3）与新手进行“大声思考”研究

（4）观察教与学行为。

尽管最常用的是xxx种方法，但是专家通常无法报告认知成分。要求专家大声报告自己在解决典型问题时的想法的“大声思考”方法可以避免此问题。观察教师与学生之间的实际在线互动，可以提供与解决问题的过程有关的信息，这对于在对话系统中建立对话或互动性非常有用。

第三阶段，初始导师实施，涉及建立一个问题解决环境，以实现并支持可靠的学习过程。在此阶段之后，将进行一系列评估活动作为最后阶段，这再次类似于任何软件开发项目。

第四阶段，评估包括

（1）初步研究以确定基本的可用性和教育影响；

（2）对正在开发的系统的形成性评估；

（3）检查系统功能有效性的参数研究；

（4）对最终导师的效果的总结性评估：学习率和渐近成就水平。

安德森、Corbett等，详细阐述了那些强调包罗万象的原则，他们认为这些原则主导着智能导师的设计，他们将这一原则称为：

智能导师系统应使学生能够工作成功解决问题。

1. 将学生的能力表示为一个产品集。
2. 沟通解决问题的目标结构。
3. 在解决问题的上下文中提供指导。
4. 促进对解决问题的知识的抽象理解。
5. 最小化工作内存负载。
6. 提供有关错误的即时反馈。
7. 通过学习调整指导的粒度。
8. 促进对目标技能的逐次逼近。

即使创建了创作工具来简化任务，所有这些工作仍是一项艰巨的工作。这意味着，仅在以下情况下才可以选择构建智能交通系统：尽管其开发成本相对较高，但仍通过减少对人工教练的需求或充分提高整体生产率来降低总体成本。当需要同时辅导大型团体或需要大量重复的辅导工作时，就会发生这种情况。典型的案例是技术培训情况，例如对新兵的培训和高中数学。一种特定类型的智能辅导系统，认知导师，已被许多美国高中纳入数学课程，从而在期末考试和标准化考试中提高了学生的学习成绩。构建了智能辅导系统，以帮助学生学习地理、电路、医学诊断、计算机编程、数学、物理学、遗传学、化学等。智能语言辅导系统（ILTS），例如，可以自然授课。面向xxx语言或第二语言学习者的语言。ILTS需要专业的自然语言处理工具，例如具有可接受覆盖范围的大型词典以及词法和语法分析器。

在网络热潮迅速扩展的过程中，新的计算机辅助教学范式，例如电子学习和分布式学习，为ITS构想提供了极好的平台。使用ITS的领域包括自然语言处理、机器学习、计划、多智能体系统、本体、语义Web以及社交和情感计算。另外，诸如多媒体，面向对象系统，建模，仿真和统计之类的其他技术也已与ITS连接或相结合。ITS的成功也影响了历史上非技术领域，例如教育科学和心理学。

近年来，ITS已经开始从基于搜索的领域转移到包括一系列实际应用中。ITS已经扩展到许多关键和复杂的认知领域，其结果已达到深远的意义。ITS系统巩固了正规教育的地位，这些系统已在企业培训和组织学习领域找到了家。ITS为学习者提供了一些便利，例如个性化学习，及时的反馈以及时空的灵活性。

尽管智能补习系统是从认知心理学和人工智能研究发展而来的，但现在在教育和组织中发现了许多应用。智能补习系统可以在在线环境中或在传统的课堂计算机实验室中找到，并在K-12教室和大学中使用。有许多针对数学的程序，但可以在健康科学，语言习得和其他形式化学习领域中找到应用。

关于学生的理解力、敬业度、态度、动机和学业成绩改善的报告，都引起了人们对这些系统的投资和研究的持续兴趣。智能辅导系统的个性化性质为教育工作者提供了创建个性化课程的机会。在教育中，有很多智能补习系统，虽然没有详尽的清单，但是下面列出了一些更具影响力的计划。

卡内基梅隆大学 匹兹堡高级认知导师中心开发的“代数导师 PAT”（PUMP代数导师或实用代数导师）使学生参与固定学习问题，并使用现代代数工具来促使学生参与解决问题和分享他们的成果。PAT的目的是利用学生的数学先验知识和日常经验，以促进成长。从统计（学生成绩）和情感（学生和教师反馈）的角度来看，PAT的成功都有据可查（例如，迈阿密-戴德县公立学校评估与研究办公室）。

SQL-Tutor 是新西兰坎特伯雷大学的智能计算机辅导小组（ICTG）开发的xxx个基于约束的辅导。SQL-Tutor教学生如何使用SQL SELECT语句从数据库检索数据。

EER-Tutor 是基于约束的导师（由ICTG开发），它使用实体关系模型教授概念数据库的设计。EER导师的早期版本是KERMIT，这是用于ER建模的独立导师，据证明，经过一小时的学习（效果大小为0.6），显着提高了学生的知识水平。

COLLECT-UML 是一个基于约束的导师，它支持成对的学生在UML类图上进行协作。导师提供域级别以及协作方面的反馈。

数学老师帮助学生使用分数，小数和百分比来解决单词问题。辅导员记录学生处理问题时的成功率，同时为学生提供后续的，适合问题的解决方法。选择的后续问题是基于学生的能力，并估算了学生解决问题所需的时间。

eTeacher eTeacher（Schiaffino等，2008）是一种智能代理或教学代理，支持个性化的电子学习帮助。它会建立学生资料，同时观察在线课程中的学生表现。然后，eTeacher使用来自学生成绩的信息来建议个性化的行动方案，以帮助他们的学习过程。

ZOSMAT ZOSMAT旨在满足真实教室的所有需求。它遵循并指导学生学习过程的不同阶段。这是一个以学生为中心的ITS，它通过记录学生的学习进度以及基于学生的努力而改变学生的课程来做到这一点。ZOSMAT既可以用于个人学习，也可以在真正的教室环境中，由人工指导进行指导。

REALP REALP旨在通过提供特定于读者的词汇练习并通过从网上收集的有用，真实的阅读材料来提供个性化练习，从而帮助学生提高阅读理解能力。系统会根据学生的表现自动建立用户模型。阅读后，将根据阅读中的目标词汇对学生进行一系列练习。

CIRCSlM-Tutor CIRCSIM_Tutor是一个智能补习系统，可与伊利诺伊理工学院的一年级医学生一起使用。它使用基于自然对话的苏格拉底语言来帮助学生学习调节血压。

Why2-Atlas Why2-Atlas是一款ITS，用于分析学生对物理学原理的解释。学生以段落形式输入他们的作品，然后程序会根据其解释对学生的信念进行假设，从而将其单词转换为证明。这样做会突出误解和不完整的解释。然后，系统通过与学生的对话解决这些问题，并要求学生更正其论文。在该过程完成之前，可能会发生许多迭代。

SmartTutor 香港大学（HKU）开发了SmartTutor以支持继续教育学生的需求。个性化学习被认为是香港大学成人教育的关键需求，SmartTutor旨在满足这一需求。SmartTutor通过结合互联网技术，教育研究和人工智能为学生提供支持。

AutoTutor AutoTutor通过模拟人类导师的话语模式和教学策略，帮助大学生通过计算机扫盲入门课程学习计算机硬件，操作系统和Internet。AutoTutor尝试通过键盘了解学习者的输入，然后制定带有反馈，提示，更正和提示的对话框移动。

ActiveMath ActiveMath是用于数学的基于Web的自适应学习环境。该系统致力于改善远程学习，补充传统的课堂教学，并支持个人学习和终身学习。

ESC101-ITS 印度坎普尔印度理工学院开发了ESC101-ITS，这是一种针对入门编程问题的智能辅导系统。

通用智能辅导框架（GIFT）是一种教育软件，旨在创建基于计算机的辅导系统。GIFT 由美国陆军研究实验室于2009年至2011年开发，于2012年5月发布，用于商业用途。GIFT是开源和领域独立的，可以免费在线下载。该软件允许讲师设计一个辅导计划，该课程可以通过调整现有课程来涵盖各个学科。它包括旨在供研究人员，教学设计师，讲师和学生使用的课程工具。GIFT与其他教学材料兼容，例如PowerPoint演示文稿，可以将其集成到程序中。

SHERLOCK “ SHERLOCK”用于训练空军技术人员以诊断F-15喷气式飞机的电气系统中的问题。ITS创建了错误的系统示意图，供受训者定位和诊断。ITS提供诊断读数，使受训人员可以确定故障是否出在测试的电路中还是系统中的其他地方。反馈和指导由系统提供，如果需要，可以提供帮助。

心脏导师 心脏导师的目的是为医务人员提供先进的心脏支持技术。导师提出心脏问题，学生必须使用各种步骤来选择各种干预措施。心脏导师提供线索，口头建议和反馈，以个性化和优化学习。每次模拟，无论学生是否能够成功地帮助患者，都会生成一份详细报告，然后由学生进行审查。

CODES 合作音乐原型设计是用于合作音乐原型的基于Web的环境。它旨在支持用户，特别是那些不是音乐专家的用户，以原型制作音乐作品。可以反复测试，演奏和修改音乐示例（原型）。CODES的主要方面之一是音乐创作者及其合作伙伴之间的互动与合作。

评估ITS计划的有效性是有问题的。ITS在设计，实施和教育重点方面差异很大。在教室中使用ITS时，不仅学生可以使用该系统，教师也可以使用该系统。出于多种原因，这种用法可能会阻碍有效评估。最明显的是由于老师对学生学习的干预。

教师通常具有将新问题输入系统或调整课程的能力。另外，教师和同伴经常在学生学习ITS时与学生互动（例如，在单个计算机实验室课程中或在实验室课程之间的课堂演讲期间），这可能会影响他们使用该软件的学习方式。先前的研究表明，使用ITS的教室中绝大多数学生的寻求帮助行为可能完全发生在软件之外-这意味着同级和教师在给定班级中的反馈意见的性质和质量可能是该课程的重要中介。在这些情况下的学生学习。此外，课堂气氛的各个方面，例如学生在公开寻求帮助时的总体舒适度，或老师在监控个别学生中的身体活跃程度可能会增加评估环境中变化的其他来源。所有这些变量都对ITS复杂性进行了评估，并可能有助于解释评估研究中结果的差异。

尽管存在固有的复杂性，但许多研究仍试图通过将ITS与人类导师进行比较来衡量ITS的整体有效性。对早期ITS系统的评论（1995年）显示，与没有辅导的情况相比，d = 1.0 的影响大小，而对于人类辅导者，d = 2.0 的影响大小。Kurt VanLehn在现代ITS的最新综述（2011年）中发现，一对一的专业人类导师和基于步骤的ITS之间在效果大小上没有统计学差异。一些个人ITS的评价比其他人更积极。对代数认知导师的研究发现，在标准化测试问题和现实问题解决任务方面，ITS学生的表现优于课堂老师的教学。随后的研究发现，这些结果在来自特殊教育，非母语英语和低收入背景的学生中尤为明显。

最近的一项荟萃​​分析表明，ITS可以超越CAI和人类导师的有效性，尤其是在通过本地（特定）测试而不是标准化测试进行衡量时。“接受智能辅导的学生在50项对照评估中有46项（或92％）比常规班的学生表现更好，并且在50项研究中的39项（或78％）中，表现的改善非常重要。在50项研究中，ES的中位数为0.66，被认为是社会科学研究的中到大型效应，大致相当于从50％到75％的测试性能的提高，这比典型的结果要强例如，C.-LC Kulik和Kulik（1991）的荟萃分析发现，平均ES为0。165个CAI补习研究中的31个。ITS的收益大约是后者的两倍。ITS的作用也大于人工指导的典型作用。正如我们所看到的那样，人工辅导程序通常会比控制水平提高学生考试分数约0.4个标准差。ITS的开发者很久以前就着手改进CAI补习的成功，并与人工补习的成功相提并论。我们的结果表明ITS开发人员已经实现了这两个目标...。尽管在评估本地开发的测试结果的评估中效果中等至强，但在评估标准测试结果的评估中效果要小得多。本地测试研究的平均ES为0.73；标准化测试的平均ES为0.13。对于包括本地测试和标准化测试在内的荟萃分析，这种差异并不罕见。本地测试很可能与特定教学计划的目标保持一致。现成的标准化测试可提供更宽松的拟合。……我们自己的信念是，本地测试和标准化测试都可以提供有关教学效果的重要信息，并且在可能的情况下，两种类型的测试都应包括在评估研究中。”

ITS的一些公认优势是其能够提供即时的是/否反馈，单个任务选择，按需提示和支持精通学习的能力。

智能辅导系统的开发和实施都非常昂贵。研究阶段为开发具有商业可行性的系统铺平了道路。但是，研究阶段通常很昂贵；它需要主题专家的合作和投入，以及整个组织和组织级别的个人的合作和支持。开发阶段的另​​一个限制是在预算和时间限制内的概念化和软件开发。还有一些因素限制了将智能导师纳入现实世界，包括开发所需的时间长和系统组件的创建成本高。该成本的很大一部分是内容组件构建的结果。例如，调查显示，编码一个小时的在线教学时间需要花费300个小时的时间来辅导内容。同样，建立认知导师的发展时间与教学时间之比至少为200：1小时。高昂的开发成本常常使复制实际应用的努力黯然失色。通常，对于现实世界的应用，智能补习系统在商业上不可行。

当前正在使用的对智能辅导系统的批评是对使系统“智能化”的即时反馈和提示序列的教学法。该教学法因未能在学生中发展深度学习而受到批评。当让学生控制接收提示的能力时，所产生的学习反应是负面的。一些学生在尝试解决问题或完成任务之前会立即转向提示。如果可能的话，一些学生将提示打底，即尽可能快地接收尽可能多的提示，以便更快地完成任务。如果学生未能反思辅导系统的反馈或提示，而是增加猜测，直到获得积极的反馈，则实际上是该学生，学习以错误的理由做正确的事。目前，大多数补习系统无法检测浅层学习，也无法区分生产性斗争与非生产性斗争。由于这些和许多其他原因（例如，基础模型对特定用户群的过拟合 ），这些系统的有效性在各个用户之间可能存在很大差异。

对智能补习系统的另一种批评是该系统无法向学生提出问题以解释其行为。如果学生不学习领域语言，那么要获得更深入的理解，小组协作以及将领域语言转换为写作变得更加困难。例如，如果学生不是在“谈论科学”，则认为学生没有沉浸在科学文化中，从而难以进行科学写作或参与团队合作。人们批评智能补习系统太“指导主义”，并从学习中消除了内在动机，社会学习环境和环境现实主义。

应考虑到赞助商/主管部门和用户倾向于采用智能辅导系统方面的实际问题。首先，必须有人愿意实施ITS。此外，授权机构必须认识到将智能辅导软件集成到当前课程中的必要性，最后，发起人或授权机构必须在系统开发的各个阶段提供所需的支持，直到完成并实施为止。

评估智能补习系统是一个重要阶段。然而，这通常是困难，昂贵和费时的。尽管文献中提供了各种评估技术，但没有选择特定环境中使用的适当评估方法的指导原则。应该进行仔细检查，以确保复杂的系统能够实现其声称的功能。该评估可能会在系统的设计和早期开发过程中进行，以识别问题并指导修改（即形成性评估）。相反，评估可以在系统完成之后进行，以支持有关已完成系统的构造，行为或结果的正式声明（即总结评估）。由于缺乏评估标准而带来的巨大挑战导致忽略了一些现有ITS中的评估阶段。

一些会议定期审议有关智能补习系统的论文。最古老的是国际智能辅导系统会议，该会议始于1988年，现在每两年举行一次。国际教育人工智能协会（AIED）出版了《国际教育人工智能杂志》（IJAIED），并组织了于1989年启动的年度国际教育人工智能大会 。关于智能补习系统的许多论文也出现在国际用户建模，适应和个性化会议（[1]）和国际教育数据挖掘会议（[2]）。在人工智能协会（AAAI）有时会专题讨论会和相关的智能教学系统的论文。关于ITS的书籍很多，其中包括Lawrence Erlbaum Associates出版的三本书。