一、引言

随着信息技术和人工智能发展，智能技术和终端支持知识获取，实现更个性化、社会化、开放、动态、有活力的知识学习(吴刚, 2018)^[1]。目前，教学以动画和视听等提供知识内容，富有情感和行为的动画代理可增强与学习者互动。狭义智能体(intelligent agent, IA)指智能系统和平台的虚拟动画代理，如虚拟的教师与学伴等可表现出智能情感，也有IA表现出提示和建议的对话。广义IA源于计算机科学，教学的IA是构成智能学习系统的内部模块，包括学生IA、教师IA、调节IA、课程IA等。广义IA指构成如智能导学系统(intelligent tutoring system, ITS)、学习管理系统(learning management system, LMS)、自适应学习系统(adaptive learning system, ALS)、基于网络的信息查找系统等内部的组件或结构，各个IA分工不同，互相协调和沟通，辅助问题解决和知识建构。智能体学习环境(intelligent agent environment, IAE)是由智能体构成的智能环境(如ITS、LMS、ALS)，各个IA互联与沟通，实现人机交互(贺相春等, 2017)^[2]，促进学生个性化的解决问题和知识建构。IAE基于“试验-反馈-优化”循环增强学习，借助反复试验和训练，判断和优化学生学习行为。IAE个性化学习旨在培养学生问题解决过程的高阶思维，提升教师教学质量和学生学习质量。利用文献综述和系统分析方法，探讨IAE认知取向，构建IAE体系。

二、IAE的认识取向

IAE认识取向是达成认识IAE的分类和表现的重要指标，正确认识IAE取向可以更好地设计和开发具体学科的智能系统，经文献分析和系统归类，将从三方面认识IAE。

（一）认知策略取向

认知策略取向是IAE借助知识追踪、自我解释模型、多媒体学习理论等，以学习会话、讨论、做笔记等方式，为学生问题解决和知识建构等提供认知策略，以调节学生认知和元认知。IAE认知策略取向体现了学习策略、系统交互、路径规划等，如Andes与Geometry Cognitive Tutor的监管和支持自我解释界面和自我解释行动模型，调取各个IA，协调学习者与导师的关系。利用学习内容相关性和学习问题求解器分析，使学生直接执行自我解释命令，使学生意识当前错误行为，改善学生例子理解(Conati, 2016)^[3]。卡耐基梅隆大学(Carnegie Mellon University, CMU)开发Help Tutor至Cognitive Tutor，使导师根据学生求助行为提供相应反馈，提升学生从老师、同伴、课本、手册、在线辅助系统或网络等征求帮助的能力。Geometry Cognitive Tutor通过贝叶斯算法追踪学生随时间变化的知识增长，利用Help Tutor模型，使认知导师兼具自我解释和求助功能(Aleven, et al., 2016)^[4]。MathSpring提示学生解决问题，以可视化呈现学习进度，及时的提示和反馈等，使学生反思学习进度、学习目标和自我评估，实现有效调节学习(Arroyo et al., 2014)^[5]。MetaTuor应用在线追踪方法检测、追踪、建模和培养学生自我调节过程，促进决策何时与如何做出调节，以及调节什么(Taub, et al., 2014)^[6]。

综上，IAE为学生提供学习策略，有效执行科学和工程实践，实现有意义学习。调节IA的支架帮助学生计划实现目标的逻辑步骤；学情档案IA帮助学生反思和评价思维，监管和计划活动与认知；IA自我解释与讨论使学生共享观点和思考，成为反思和评价自己思维的媒介。IAE支持学生元认知和自我调节学习，利用相应的提示、支架和反馈等实现有效自我调节。

（二）信息获取取向

信息获取取向是依据认知学徒模型和思维导图，为学生提供信息获取的方式和方法，促进学生问题解决和知识建构。为完成网络问题解决任务，学生理解问题、查找网页信息、提取已选择信息、总结发现(Chen, 2010)^[7]。IAE实现关联学生学习知识的序列规则和材料相关性，以可视化方法联结知识图谱节点，使学生克服提取网络内容的困难，降低认知负载，提高学习绩效。黄等(Huang, et al., 2012)^[8]探索网络计算课程多维概念图教学组明显比Novak概念图组效果好，而Novak概念图组要比传统概念图组效果好。黄等(Hwang, et al., 2014)^[9]整合概念地图和网络问题解决学习环境，可有效提升技术接受程度，促进学生学习满意度。吴等(Wu, et al., 2013)^[10]提出双重图方法，论证图用于表示问题解决推理和决策制定过程，概念图用于表示潜在问题的概念与关系上的理解。Meta-Analyzer是基于网络搜索行为分析系统，整合认知学徒模型和协作学习策略，使学生执行问题解决活动(Kuo, Chen & Hwang, 2014)^[11]。通过记录学生网络问题解决过程，帮助教师追踪和分析学生学习行为。

综上，IAE提供适应性的指导和支架，通过知识共享、同伴交互、冲突解决和信息总结等帮助学生识别核心问题，有试验表明所提出的方法可改善学生事实发现和观点发现能力(Kuo, Chen & Hwang, 2014)^[11]。学习者意识问题、查找信息、选择相关信息和总结信息，通过参与积极思考和灵活知识建构，有效改善学生推理和交流技能，培养学生处理不确定性和自我导向学习能力。

（三）计算虚拟取向

计算虚拟取向指利用计算机技术、可穿戴设备等营造的虚拟现实(Virtual Reality, VR)或虚拟学习环境(Virtual Learning Environment, VLE)实现的知识呈现的形象化，以增强学生学习临场感。用户可利用追踪器、传感器、3D眼镜或立体眼镜等交互，学习者携带头盔显示系统与环境交互，全身心投入学习任务。目前，三维虚拟环境中的学习同伴、教师、专家和生存环境，可以增强学生学习心流，加强学生认知水平和概念理解；二维虚拟可以促进学生跟踪仿真环境的各个IA，实时建立可视化模块，通过模型测试和学档分析等方式，构筑学生知识能力的新极点。如学生可以在二维虚拟环境Scratch中创建动画、游戏和故事，实现根据系统内部建模模块调取建模IA，促进学生计算思维提升与发展。Netlogo基于主体建模(agent-based modeling, ABM)的二维虚拟，涵盖生物学、医学、物理、化学等，实现构建现实世界的仿真模型(刘小波, 2012)^[12]。澳大利亚学者迈克尔ž雅各布森（Michale Jacobson）团队利用Netlogo平台，开发Omosa Netlogo环境，用于推理捕食者与被捕食者关系，使学生在类似于游戏科学探知过程，培养计算思维(Richards & Taylor, 2015)^[13]。CTSiM(Computational Thinking in Simulation and Model-Building, CTSiM)是可视化交通建模和仿真环境，利用可视化界面建构计算模型，使学生执行模型模拟并与专家模型相互对比(Caglar, et al., 2015)^[14]。Biswas团队基于现实交通流问题，开发C3STEM(Challenge-based Collaborative Community-centered STEM)系统，激发学生解决现实交通问题，应用Google Maps和概念工具，加强计算思维(Caglar, et al., 2015)^[14]。

综上，计算机建模帮助学生深层建构和真正理解许多复杂过程，建模仿真平台获取学生行为信息，存储相关事件，调取虚拟材料和相关序列规则，促进问题解决迁移，增强问题解决理解。

三、IAE体系构建

IAE构建涉及IA分类、IAE构成和学习分析过程设计，以实现IAE拥有智能化界面。

（一）智能体分类

IA分为学生IA、教师IA、调节IA等。IAE包括教师界面、学生学习环境界面和系统界面等，由智能体与学生交互过程实现。依据智能体和界面，构建IAE环境，如图1所示。

图1  基于智能环境的IA构成

学生IA管理学生的个人数据、交互记录、用户特征、状态更新等，由学习经历、测试成绩、成绩水平、生理与环境等信息构成，学生IA主要功能是问题解决、路径计划和学习评价等。

教师IA根据教学状况、领域知识、教学模块信息，分析学生认知过程和状态，更新和管理课程(如图2)，使学生学习领域概念和相关单元，完成教学内容选择、知识概念筛选、教学材料选择和评估任务等。根据教学模块和领域知识，为用户提供自适应帮助和支架，对学生动机、学业成功和认知负载有积极影响。

图2  系统教师环境构成

调节IA用于调节IA之间的行动关系，实现调节学习环境、系统界面和教师界面等。如检索学生基本信息，将任务分配于信息管理IA和系统维护IA；根据学生偏好，将任务分配于信息管理IA和反馈IA；根据学生个性化学习模型库和知识库，将任务分配给搜索IA和考核IA，各个IA协调配合，借助自适应和干预引擎，实时地提供干预策略。

IAE兼顾学生不同问题解决策略，诊断学生学习回答，监测学习目标达成效益；自动检索学习日志和文档，探索学生学习行为和行径，精准分析和预测学习规律和学习危机；分析学生学习情绪情感，采用适当的支架干预学生学习。

（二）系统构成

构成IAE的IA是执行和行使算法与属性的重要元素。构成IAE的每个IA对象都是由属性和方法构成，而方法或功能是IA之间交互的首要成分。每个功能由一些任务组成，任务由一系列命令组成。基于系统环境的构成和学生与系统交互的表现，构建系统环境构成，如图3所示。

图3  系统环境构成

IAE由多个IA构成，每个IA由属性和方法构成，IA作为系统调取对象，为执行各个功能提供支撑，每个功能与系统需要执行的任务相关。在设计开发过程，研究者需要考虑IA属性和方法，属性包括颜色、大小、位置、时间、年龄等，方法是构成对象功能的函数，包括旋转、弹出对话框等；用户在与系统交互过程，包括鼠标点击、页面浏览、信息输入、标记、绘制因果图、测验、对话等。系统执行命令完成用户行为，有些命令直接执行任务，有些是间接执行任务的命令。每个任务是宏观的，需要系统采取一定分解机制，对任务进行分析和解读，调取恰当功能。当然，这些功能都是由系统中各个IA执行和完成。如学生模型包括学生ID、姓名、性别、注册时间等常规属性，也包括知识水平、理解能力、分析能力、操作技能和综合能力等认知属性，也包括学习动机、学习条件、期望目标等非认知属性，以及学习活动和历史记录等行为事件。学生行为包括主动行为和被动行为，该对象通过主动执行行动函数，也可通过调取方式，被动地执行行动函数。主要行为包括资源使用、工具使用、协作参与和问题解决等。

IAE提供存储IA数据信息的存储空间，各个数据库主要与IAE决策模块交互，每个IA根据各自接受信息和理解情况，完成与系统交互；每个IA自主完成学习任务，独立发现和索取符合学习者需求的资源与服务；每个IA学习其他IA功能和职责，适应调节相应模块和数据，捕获和存储学习者兴趣、爱好、习惯、学习情况等信息，建立个性化教学策略；IA之间互联和“沟通”，配合智能系统干预学生学习，协作完成共同任务；学生学习过程遇到问题时，IA各尽其责，保持适应性特性。

（三）学习过程

学习过程是学生利用IAE完成问题解决和知识建构的过程，系统会分析学生学习过程，进而优化学生学习和学习情境。基于IAE的学习过程包含学生学习和学习分析的双重过程，如图4所示。

图4  基于IAE学习过程

IAE可实现知识管理过程，由各个IA协调管理学生知识建构进度，分析学生已经学习的单元序列，调整学生下一步应该学习的知识序列。路径计划过程包括系统对学生学习路径的计划和学生学习单元的相关关系的分析。学习分析过程包括学生学习档案分析和学生学习信息统计。学习指导过程包括学生学习测验、学习过程提示、学生考试的反馈等。其中，知识管理过程由知识管理IA负责帮助学生完成知识建构和问题解决。路径计划过程由路径计划IA负责分析学生学习路径，根据相关算法和机制以及单元相关分析器，完成学生学习路径计划和单元知识相关分析。评价IA将结果报告给路径计划IA，根据学习文档和学习路径数据为学生推荐适当学习路径。学习指导过程，评价IA根据学生访问系统情况、调查问卷和系统测试等评价学生学习水平。问题解决IA根据学生前测结果和问题解决帮助器与行为分析器，分析学习情况，对学生学习过程进行适应性指导和干预。学习后，系统对学生学习效果和绩效进行评价；学生学习数据由评价IA自动收集，评价IA也负责监管学生测验数据和测验结果，评价和判断学生学习绩效。学档分析过程，文档分析IA捕获学生信息，以评价学生学习效能。根据统计分析完成学生学习文档分析过程，与课程管理IA进行通讯和交流，统计学生学习信息，调整和修正学生课业学习情况。 

完整学生学习过程需要控制IAE各个模块，交互过程的数据信息分别存储于不同的数据库，包括学生数据库(student database, SDB)、知识数据库(knowledge database, KDB)、指导数据库(teaching database, TDB)。数据库存储学生的学习行为、时间和进展等日志，也存储学生的风格、认知水平和学习能力等信息，以及相关事件。将编码数据放置于内部事件数据库、个人信息库和规则库中，经数据挖掘和分析后，将结果数据报告给教师，以帮助教师和学生调整教学与学习。通过大量数据统计和分析后，精准预测学生学习情况，适应性地干预和指导学生，以及为学生推荐适恰的资源和信息。

四、结论

基于IAE认知取向和体系构建，利用算法挖掘学习日志，提取学生共性特征。从学习者模型库和调查量表数据中，挖掘和分析学生个性特征。诊断学生认知水平，评判学生思维发展脉络，各IA协调为学生推荐适应性学习材料、个别化学习路径。使学生在问题解决和知识建构中，实现学生学习活动序列的个性化，以及学习成果和评价的个性化。

参考文献：

[1] 吴刚(2018). 从工具性思维到人工智能思维——教育技术的危机与教育技术学的转型[J]. 开放教育研究, 24(2): 51-59.

[2] 贺相春,郭绍青,张进良&李泽林(2017). 智能化学习空间(学习空间V4.0)与学校教育变革——网络学习空间内涵与学校教育发展研究之六[J]. 电化教育研究, 38(7): 38-42+50.

[3] Conati, C. (2016). Commentary on: toward computer-based support of MetaCognitive skills: a computational framework to coach self explanation [J]. International Journal of Artificial Intelligence in Education, 26(1): 183-192.

[4] Aleven, V. Mclaren, B. Roll, I. et al. (2006). Toward meta-cognitive tutoring: a model of help-seeking with a cognitive tutor [J]. International Journal of Artificial Intelligence in Education, 16(2):101-128.

[5] Arroyo, I. Woolf, B P. Burelson, W. et al. (2014). A multimedia adaptive tutoring system for Mathematics that addresses cognition, metacognition and affect [J]. International Journal of Artificial Intelligence in Education, 24(4):387-426.

[6] Taub, M. Azevedo, R. Bouchet, F. et al. (2014). Can the use of cognitive and metacognitive self-regulated learning strategies be predicted by learners’ levels of prior knowledge in hypermedia-learning environments? [J]. Computers in Human Behavior, 39: 356-367.

[7] Chen, C H. (2010). Promoting college students’ knowledge acquisition and ill-structured problem solving: Web-based integration and procedure prompts [J]. Computers & Education, 55(1): 292–303.

[8] Huang, H S. Chiou, C C. Chiang, H K. et al. (2012). Effects of multidimensional concept maps on fourth graders’ learning in web-based computer course [J]. Computers & Education, 58(3): 863–873.

[9] Hwang, G J. Kuo, F R. Chen, N S. et al. (2014). Effects of an integrated concept mapping and web-based problem-solving approach on students' learning achievements, perceptions and cognitive loads [J]. Computers & Education, 71:77-86.

[10] Wu, B. Wang, M. Spector, J M. et al. (2013). Design of a dual-mapping learning approach for problem solving and knowledge construction in ill-structured domains [J]. Educational Technology & Society, 16(4):71–84.

[11] Kuo, F R. Chen, N S. Hwang, G J. (2014). A creative thinking approach to enhancing the web-based problem solving performance of university students [J]. Computers & Education, 72: 220-230.

[12] 刘小波(2012). 基于NetLogo平台的舆情演化模型实现 [J].情报资料工作, (1): 55-60.

[13] Richards, D. Taylor, M. (2015). A Comparison of learning gains when using a 2D simulation tool versus a 3D virtual world: An experiment to find the right representation involving the Marginal Value Theorem [J]. Computers & Education, 86: 157-171.

[14] Caglar, F. Shekhar, S. Gokhale, A. et al. (2015). Cloud-hosted simulation-as-a-service for high school STEM education [J]. Simulation Modelling Practice & Theory, 58: 255-273.

————————

*基金项目：天津市教育科学研究院青年课题“智能导学系统中元认知感知与情绪调节研究”（项目编号：TJJKY2023-QN-01）。

作者简介：韩建华，女，博士，天津市教育科学研究院，研究方向为智能个性化学习。