刘丽珍，王函石，宋 巍，王旭仁，王万森
（首都师范大学信息工程学院，北京100048）
摘要：智能教学系统是以信息集成技术为核心的开放复杂智能系统，知识构建及Agents行为管理是其核心支撑技术。针对智能教学系统的复杂应用问题，文章阐述非良构领域下智能教学系统面临的挑战，分析非良构领域知识构建及Agents行为管理的研究思路，进而探究数据挖掘技术在非良构领域智能教学系统中的应用。
教育期刊网 http://www.jyqkw.com
关键词 ：智能教学系统；知识构建；数据挖掘；非良构领域；教学改革
基金项目：市级人才培养模式创新试验项目“通识教育改革‘智能科学’”( 026145302000/034)；校级精品课程群建设项目“智能信息处理精品课程群建设”( 026135609700/012)；校级青年教学改革项目“结合模式识别课程建设，探索智能人才培养改革模式”( 032145330300/219)。
第一作者简介：刘丽珍，女，教授，研究方向为数据挖掘、知识工程、智能教学系统、文本情感分析、自然语言处理等，znkxjs@126．com。
0 引言
智能教学系统(intelligent tutoring system，ITS)是基于计算机科学、教育学、管理科学等多学科交叉技术的适应性教学系统，是教育技术领域的重要研究方向之一。伴随着人工智能、教育信息技术、管理科学以及网络技术的不断发展，综合多学科交叉技术在教育中的应用已经成为全球范围内的重要研究领域，为ITS的研究与应用提供了新的发展空间。
目前，智能教学系统的研究大都是面向良构领域( well-defined domains)的应用。事实上，客观世界是复杂的，学习任务产生于这个复杂的环境，因此需要解决的往往是非良构领域( ill-defined domains)的问题，如军事、法律、航天、金融、医学诊断、科学研究等领域。面向非良构领域的ITS有广泛的应用空间，探索其关键技术是国家战略发展、国民经济发展及科学技术发展的迫切技术需求，有着重要的现实意义。
1 面向复杂学习环境的创新思维和自主学习能力
“百年大计，教育为本”。我国现代化建设发展必须紧紧依靠科技进步和人民综合素质的提升。教育是社会发展的基石，把教育摆在突出位置有深远的意义。当今世界，科技水平是提高综合国力和国际竞争力的决定性因素。发展文化、科技、教育、军事等事业需要培养大批具有创造性思维的高素质人才。面向非良构领域的ITS旨在改善和提高人类在复杂学习环境中解决问题的创新思维和自主学习能力，提高学习者全面掌握和灵活应用各种知识解决实际问题的能力。由于非良构领域缺乏形式化的、清晰的领域任务模型，领域知识的构建及问题求解等关键技术的研究还处于初级阶段。
自20世纪70年代以来，美国、英国、加拿大、日本等国家都十分重视ITS的研究，并投入了大量的人力和财力进行数学、物理、工程、化学、军事训练等领域的ITS开发与应用研究。20世纪90年代以来，ITS被公认为学术、工业、军事、金融、体育等领域中有效的教学工具。目前，对复杂非良构领域问题的ITS研究与开发一般都可简化为良构问题处理，因此学习者学到的是对良构问题的解决方法。这种局限性会导致所学理论难以应用在实践中，难以满足国民经济发展需求。因此，研究非良构领域ITS中的关键技术已经成为当务之急。
2 非良构领域挑战智能教学系统的研究及应用
当今信息时代，人类学习方式和环境发生了很大变化。如何利用高新技术提高学习效率，在很大程度上取决于对客观世界和学习机制的正确认识。在良构领域中，待解决的问题有明确的领域模型，因此学生对于学习任务所提出的问题可以明确地分辨出答案的对与错。学生通常可采用模式跟踪授导系统(model-tracing tutoring system)：①将领域知识转换为一系列学习问题，并提供清晰的问题解决策略；②Agents根据学习者的情况给出在线评价和反馈，并依据明确的答案评估学习效果；③通过问题解决步骤与系统现有领域模型的比较为学习者提供帮助，指导学习者集中在正确的学习路径上。对于非良构领域，由于缺乏形式化的任务模型，知识构建的问题不能有效解决，在正确与错误的答案之间缺乏明晰的界限，只能通过传统的比较法确定哪些是比较合理的答案。无法辨析用户的学习计划是否会进入无法挽回的“陷阱”路径，当然也就无法给出合理的学习评价和正确的反馈建议。当前，国际上在这方面的研究还没有突破性进展，这就给ITS的研究提出了一系列的挑战，主要包括在缺乏清晰的问题、策略和答案的情况下如何形成问题空间( problem space)；非良构领域的知识构建与维护；当问题解决模型不确定时，Agents如何为学习者提供指导与反馈；非良构领域ITS中的学习评价；搜索与推理策略；协作学习等。
大量的研究和实验表明：非良构状况的普遍存在严重制约了各类智能教学系统ITS的推广和使用，这一领域也成为ITS研究需要开拓的新领地。当前，在相关学科交叉技术取得丰硕成果的良好形势下，国内外的专家学者已经开始关注并致力于面向非良构领域的ITS研究。适时启动非良构领域ITS中关键技术的研究，将有力地推动ITS进入新的快速发展期，有利于我国在该领域的学术研究中保持国际领先地位。
国外对ITS的研究十分踊跃，相关研究主要集中在大学、军方和研究院，最为活跃的是美国一些知名的大学如Stanford．MIT，Memphis，Carnegie-Mellon等。国内ITS领域的研究起步比较晚，但已经取得了令人瞩目的成绩。
ITS的研究始于20世纪70年代，不同时期的研究及应用侧重点不同，具体情况如图l所示。初期的关注点在具体问题的研究上，如如何进行知识表示和学生模型构建等。到了80年代，关注点是对学习者、教学过程的深入研究，重点集中在学习者的心智特征、自然语言处理、著作工具系统等方面。进入90年代以来，ITS研究更加关注学习者的自主学习，强调系统指导用户提升在虚拟学习情景中灵活解决问题的能力，更加关注学习环境构建及学习计划设计。
近年来，ITS在系统结构设计、模块功能、著作工具等方面的相关理论日趋成熟，相关研究成果主要集中在良构领域，而非良构领域关键技术研究亟待进一步地深入研究和探索。2004年，Loftin等人向美国军方提交的一份研究报告中提出专门针对ITS研究的推荐意见，内容包括ITS研究近年来需要开拓的新领域：增加ITAs( intelligent tutoring agents)及虚拟人的研究；ITS本体( ITS ontology)创建；协作训练的研究与原型开发；面向非良构领域的ITS研究；元认知技能；适应性学习支持系统。
相关研究资料表明，目前国际上ITS已经由基础理论框架及简单功能模块的研究逐步转向复杂领域应用的关键技术研究。例如，自ITS/2006国际会议开始，每届会议都设专题探讨非良构领域ITS研究，并充分肯定和强调其关键技术研究的重要性及发展前景。
3 非良构领域知识构建
认知灵活性理论是由斯皮罗( Spiro，1992)等人提出并倡导的，主要针对复杂或非良构领域中学习的本质问题提出。在建构主义的各种流派中，其横跨了建构和认知两者的边缘特点，为ITS研究提供了最合适的理论模型并得到了国际学术界的认可。
在认知灵活性理论中，领域知识被划分为良构领域知识和非良构领域知识。良构领域知识是指有关某一主题的事实、概念、规则和原理，是以一定的层次结构组织在一起的，只要描述清楚它们之间的相互联系，学习者就很容易掌握，目前国内外大部分ITS成果都是针对良构领域的。非良构领域的知识则是将良构领域的知识应用于具体问题情景时产生的知识，即有关概念应用的知识。非良构领域的知识具有两大特性：①概念的复杂性，知识应用的每一个实例都同时涉及许多概念，这些概念都有其自身复杂性，概念之间存在相互作用与影响；②实例的不规则性，每个实例所涉及概念的数量和种类不同，在实例中的地位、作用以及相互作用的方式也不同。
认知灵活性理论将教学分为初级教学和高级教学两类。初级教学涉及的内容主要是良构领域的知识，只要求学习者掌握一些重要的概念和事实，并在测验中将这些知识按原样再生出来。高级教学要求学习者把握概念的复杂性，并将其广泛而灵活地运用到各个存在差异的不同实例的具体情景中，因而大量涉及非良构领域问题。
传统的ITS大都将非良构问题简化为良构问题处理，因此学习者的学习任务都是在良构环境下进行的，这就导致在应用中理论与实践脱节的问题。事实上，客观世界是一个非常复杂的系统，学习任务也产生于复杂环境中，需要解决的问题大都是非良构领域问题。因为非良构领域的教学任务没有明确的表述，所以在非良构领域中获取这些过程性任务知识是比较困难的，这些非良构问题的复杂性和模糊性导致了Agents多重而有争议的行为和相应的反馈策略。
一直以来，知识构建都被认为是ITS研究的瓶颈，尤其是在非良构领域中，要想清晰地定义领域知识是比较困难的，但非良构领域知识获取的有效性直接影响Agents行为及教学效果。在ITS中，一个指定学习任务的行动选择模型需要由领域专家严格设计和选择约束条件并提供领域知识，才能确定哪些是正确行为，成本相当高。中国科学院计算技术研究所智能信息处理重点实验室的大规模知识处理组提出面向概念的数学知识获取方法，并初步探讨其在数学ITS中的应用，其领域性相对比较强；同时，在医学本体设计方法及知识获取方面也进行了研究和探讨。
目前在ITS中，通常为Agents提供领域知识的方法有专家系统( expert systems)、认知任务分析( cognitive task analysis)和基于约束的建模( constraint-based modeling approaches)等，但这些方法应用于非良构领域时，存在许多问题，具体分析如下：在已有系统中，Agents是通过专家系统的方法获取领域知识，具体为通过一个专门设计的路径计划自动发现学习者的错误操作，用于生成在训练中正确与否的知识，以提供反馈和暗示。这个路径计划可以看做是一个领域专家，而且能够通过计算为学习者提供解决问题的指导方案。应用于非良构领域ITS中的Agents行为管理，必须在程序任务中至少提供两个主要的功能：①为用户提供专家级的指导；②根据不同的认知水平为学习者提供相应的指导。这两个要求是单一的专家系统无法胜任的。
要想获得更加有效的指导，构建一个基于认知任务分析方法的问题空间是必要的，该空间可以获取各种认知水平的用户知识并建模和集成在ITS中。这个方法曾经广泛用于认知型教学( cognitive tutors)设计中。事实上，认知型教学的构建通常依赖于固定的假设，这个假设可以预先确定一个任务模型或问题空间，用于在ITS中描述正确或错误的解决问题路径。另外，认知型教学的著作工具CTAT( cognitive tutor authoring tool)提供了一系列设计Agents任务行为的工具并给出正确与错误的路径系统，这种行为路径系统如同问题空间一样可以跟踪学习者。然而，该方法缺乏学习能力，只能简单地将每个用户解决问题的方法存储并集成为一种结构应用到Agents中。由于系统不能从解决方案中抽取有用的知识来丰富和管理问题空间，因此有明显的局限性。这个在良构领域ITS中运用良好的方法在非良构领域中只能提供受限的局部问题空间，这种静态问题空间难以适应学习者在非良构领域中解决问题的需求。针对给定的学习目标，在非良构领域构建完善的问题空间是一项有挑战性的工作，处理不当可能引起解决方案的组合爆炸。
基于约束的建模方法对于领域专家描述适当和满意的条件是非常困难的，尤其在比较复杂的非良构领域中，该方法针对一个问题有可能会给出过多的条件及可能的解决方案。
4 智能教学系统中Agents行为机制
在ITS中，用户主要通过恰当选择和特别设计问题的解决形式完成学习任务，系统需要有丰富的学习经验并能为学生提供良好的教学服务。基于非良构领域知识本身的特点，ITS通常以“任务驱动”和“问题解决”作为教学和研究活动主线。在这种教学方式下，用户通过个性化的知识经验与学习系统进行交互来完成学习活动，一方面参与自我组织、制订和执行学习计划；另一方面通过Agents获取学习环境的教学指导和系统反馈，进一步选择后继行动步骤，如图2所示。
ITS环境下的Agents通常负责指导用户的学习进程，帮助用户分析解决问题和作出后继学习行为决策，因此Agents必须依赖相关过程性领域知识，才能给出反馈解决方案。在良构领域中，Agents通常基于给定认知结构的情况，根据领域知识事先设计学习计划图解来指导用户的后继学习行为，这是通常意义下的Agents行为机制。非良构领域ITS中的Agents行为机制比较复杂，由于存在概念的复杂性和实例的多样性，应用系统事先设计的解题途径显然是行不通的，需要通过一定的方法抽取非良构领域知识，针对当前具体情景进行个性化重组( assemble)并给出具体反馈策略，辅助和指导用户完成学习任务。
笔者拟采用数据挖掘综合算法，通过不断获取过程性任务知识，进而构建、扩展和管理知识空间，从而使Agents产生不同的行为并在不断地学习中改进系统性能。在国内，首都师范大学设计的虚拟社区智能网络教学平台可以对学习者的状态进行一定的分析推理。北京师范大学开发的Web CLTM( Web Based Cooperative Learning)平台是一个支持协作学习的网络教学支撑平台，设计了3个主要Agent：行为捕获Agent、行为处理Agent和信息反馈Agent，可以在一定程度上实现协作学习指导等功能。在目前已有的系统中，Agents还只能理解学生一些简单行为，与真实交流还存在一定差距，ITS中的Agents行为管理还需要进一步深入探讨。
5 数据挖掘技术在智能教学系统中的应用
国内外研究人员一直试图寻找在ITS环境下能够有效支持学习与训练的技术。多年的研究实践表明，数据挖掘( data mining，DM)技术在教育中最重要的应用领域之一就是ITS。数据挖掘理论形成于20世纪90年代初期，旨在从大型数据集中发现并提取人们感兴趣、未知的、潜在的和有用的知识。由于该技术能够自动分析和发现数据间内在的联系，并从中挖掘潜在的、能够预测和指导教学过程的重要信息，从而建立新的任务模式，帮助用户修正学习计划和完成学习任务。因此，从20世纪90年代起，陆续有研究人员将数据挖掘技术应用于ITS中。Ochi在1998年提出使用数据挖掘技术获取和学习相关知识；Ha．Bay在2000年提出将数据挖掘技术用于挖掘学生的学习路径；Mc Calla在2000年提出将数据挖掘技术用于增量分析学习者行为；Tiffany在2002年提出将数据挖掘技术应用于发现相似学习特征等。此外，基于数据挖掘的技术，Lo等人( 2002)曾尝试通过分析学习者的浏览行为，进而确定学习者的学习风格；Lee等人(2002)借助对网络学习者学习需求、学习行为记录、个性特征等方面的研究，探讨学习者的学习绩效评价方式；Ha等人(2005)详细勾勒将Web挖掘应用于网络远程教育的可能性，并展示在网络远程教育中应用Web挖掘的前景；维也纳大学的Hummel( 2006)通过在线学习平台分析数据库访问记录和Web服务器日志文件、管理学习者的学习行为等。
值得关注的是，2008年第一届教育数据挖掘国际会议( lst International Conference on Educational Data Mining (EDM08))在加拿大的蒙特利尔举行；2009年第二届教学数据挖掘国际会议( 2st International Conference on Educational Data Mining (EDM09))在西班牙科尔多瓦举行。数据挖掘技术在教育领域中的应用研究近年来还一直都活跃在AAAI，AIED，EC-TEL，ICALT，ITS，UM等重要国际会议中，在世界范围内进一步奠定和明确了数据挖掘技术在教育领域的重要地位、研究潜力和应用前景。
国外数据挖掘技术在ITS中的应用中，提出利用统计分析方法，通过学习者对解决问题方法的论证形成图解，并依此聚类学习者及对应的解题计划，形成领域知识库指导其他用户完成学习任务。由于非良构领域的复杂性，从单一视角提出的每一个单独的观点都可能是不充分的。只有超越单一概念维度的多维知识表征，才能完成非良构领域知识的构建。因此，仅采用聚类挖掘算法难以深入挖掘学习者学习行为的潜在模式。
6 结语
尽管在过去的几十年中，ITS领域已有相当丰硕的研究成果，提出了分类学习者特性、推理机制、认知评价、个性化导航等基础理论和方法，但这些理论应用在非良构领域还存在一些缺陷与不足，主要表现在：①基于良构领域的知识对用户的学习评价纳入自身的概念框架，因此Agents无法发现和正确判断用户的个性化学习需求；②识别所有可能的解决方案需要基于明确的任务模型；③模式跟踪只适应于良构领域的过程性教学等。
目前关于这一课题的研究还处于初期的探索阶段，需要在关键技术方面进行更具创新性和有突破性的研究工作才能形成成熟的应用技术。需要指出的是，只有面向非良构领域的ITS研究取得实质性进展，ITS才能真正广泛应用于客观世界的各个领域，灵活、全面地发挥作用。在目前各相关学科核心技术已取得重要成果的基础上，在国内外对非良构领域的ITS应用研究日渐重视的背景下，启动并推进关键支撑技术的研究是必要而迫切的。
教育期刊网 http://www.jyqkw.com
参考文献：
[1]赵建华．ITS概述[J]中国电化教育，2007(7): 5-12.
[2] Mymic L.Outstanding research issues in intelligent tutoring systems[EB/OL]. [2015-03-16]. http://whqlibdoc.who.int/hq/pre- wholis/ PUB 5. pdf.
[3] Loftin,R,Kenney P,Mastaglio T.Outstanding research issues in intelligent tutoring systems[EB/OL]. [2015-05-10]. http://www. mymicsurveys,com/site/files/pub_4.pdf.
[4]李红关．认知灵活性理论与基于网络的研究性学习[J]．中国远程教育，2003: 22-24.
[5] Mitrovic A,Martin B,Suraweera P.Intelligent tutors for all: the constraint-based approach[J]. IEEE Intelligent Systems, 2013(22): 38-45.
（编辑：宋文婷）
