（教育技术学专业论文）cbr在智能授导系统中的应用研究.pdf

学位论文独创性声明 本人郑重声明： l 、坚持以“求实、创新”的科学精神从事研究工作。 2 、本论文是我个人在导师指导下进行的研究工作和取得的研究 成果。 3 、本论文中除引文外，所有实验、数据和有关材料均是真实的。 4 、本论文中除引文和致谢的内容外，不包含其他人或其它机构 已经发表或撰写过的研究成果。 5 、其他同志对本研究所做的贡献均已在论文中作了声明并表示 了谢意。 作者签名：整! ! 型 日期： 巡：生f 学位论文使用授权声明 本人完全了解南京师范大学有关保留、使用学位论文的规定，学 校有权保留学位论文并向国家主管部门或其指定机构送交论文的电 子版和纸质版；有权将学位论文用于非赢利目的的少量复制并允许论 文进入学校图书馆被查阅；有权将学位论文的内容编入有关数据库进 行检索；有权将学位论文的标题和摘要汇编出版。保密的学位论文在 解密后适用本规定。 作者签名：丝：! i j 日期： 丑。理：生：y 中文摘要 智能授导系统( i n t e l li g e n tt u t o r i n gs y s t e m ，简称i t s ) 是- f 7 涉及人 工智能( a r t i f i c i a li n t e l l i g e n c e ，简称a i ) 、计算机科学、认知科学、教育 学、心理学和行为科学的综合性课题，其研究的终极目的是由计算机负担起人类 教育的主要责任，在一定程度上代替人类教师实现最佳教学。该项研究始于上个 世纪6 0 年代，并深深地根植于专家系统的研制方法之上，主要面向单机环境下 的计算机辅助教学活动而开发。进入9 0 年代中后期，随着网络的普及，越来越 多的i t s 已经移植于网络之上。另一方面，机器学习与数据挖掘技术的发展也为 网络化的i t s 的发展提供了新的研究思路。 在本文中，笔者认为，网络化为i t s 的研究提供了新的发展契机，传统的基 于规则推理的研究思路已经难以满足i t s 的发展需要，而基于事例的推理方法 ( c a s e - b a s e dr e a s o n i n g ，简称c b r ) 则恰好能够弥补规则推理的不足，理应成 为i t s 研究开发的新的方向。因此，本文以“c b r 技术在智能授导系统中的应用 研究”为核心，结合原型系统d s - t u t o r 的开发实践，分别从理论层面、技术层 面和应用层面阐述了基于c b r 的i t s 设计开发思路、方法与手段。 关键词：基于事例的推理、智能授导系统、学生建模、领域知识建模 a b s t r a c t i n t e l l i g e n tt u t o r i n gs y s t e m ( i t s ) i s as y n t h e t i c a ls u b l j e c t b a s e do na r t i f i c i a li n t e l l i g e n c e ，c o m p u t e rs c i e n c e ，c o g n i t i o n s c i e n c e ，e d u c a t i o n a lt h e o r y ，p s y c h o l o g ya n dc o n d u c ts c i e n c e t h eu l t i m a t et a r g e to fi t s sr e s e a r c hi st om a k et h ec o m d u t e r p l a y t h er o l e o fh u m a nt e a c h e rt oa c h i e v e o p t i m i z a t i o n i n s t r u c t i o n i t s sr e s e a r c hs t a r t e df r o m1 9 6 0 s ，a n di t s s m a i n s t r e a mr e s e a r c hm e t h o di sb a s e do nr u l e b a s e dr e a s o n i n g ( r b r ) ，w h i c hi sab a s i co n eo fe x p e r ts y s t e m 。e n t e r i n gt h e m i d d l ea n dl a t e rp e r i o d so ft h e1 9 9 0 s ，w i t ht h ep r e v a l e n c eo f t h e i n t e r n e t ， m o r ea n dm o r ei t s e sh a v e a l r e a d y b e e n t r a n s p l a n t e di nt h en e t w o r k o nt h eo t h e rh a n d ， m a c h i n e l e a r n i n ga n dd a t am i n i n gh a v ea l s oo f f e r e dn e ww a y st od e v e l o p i t s t h ea u t h o rb e lie v e st h a tt h et r a d itio n a lm e t h o dc a n n o tm e e t t h ei t s sr e s e a r c hi nt h en e t w o r ke n v i r o n m e n t a n da san e w i n f e r r i n gt e c h n o l o g y ，c a s e b a s e dr e a s o n i n g ( c b r ) c a nt a k eg o o d p l a c eo fr b r s ot h i st h e s i sf o c u s e so nt h ea p p l i c a t i o no fc b r i ni t s ，a n dd i s c u s s e st h i st o p i ct h e o r e t i c a l l y ，t e c h n i c a l l ya n d a p p l i c a b l y k e yw o r d s ：c a s e b a s e dr e a s o n i n g ，i n t e l l i g e n tt u t o r i n gs y s t e m ， s t u d e n tm o d e l i n g ，d o m a i nm o d e l i n g 2 1 1 关于选题 第一章绪论 智能授导系统是一种借助于人工智能技术，让计算机扮演教师的角色实施个别化教学， 向不同需求、不同特征的学习者传授知识、提供指导的适应性学习支持系统( a d a p t i v e l e a r n i n gs u p p o r ts y s t e m ) 。依笔者看来，i t s 的发展大致可以分为三个阶段：上个世纪7 0 年代，i t s 的概念得以提出，众多研究者在理论研究、模型设计和实验开发等方面做出了许 多有益的探索，奠定了i t s 研究的基础：到了8 0 年代中后期，图形技术和多媒体技术的普 及，使研究者们逐渐将目光转向了i t s 中的图形设计和人机交互过程；进入9 0 年代中后期 至今，随着网络通信技术的进步与广泛应用，构建基于网络的i t s ( 例如：智能化网络课程) 成为了本领域内最为引入注目的研究重点。 与传统的单机i t s 相比，构建基于网络的i t s 所采用的理论基础、研究方法、技术手段 都存在着较大的区别。一般而言，i t s 的研究内容主要包括领域知识建模、用户建模、教学 策略建模。其中，由于领域知识结构清晰，利用知识工程中的知识表示技术已经能够建立相 对完备的领域知识模型：对于用户建模，目前i t s 所采用的主流方法是，从学习者个体出发， 监控并采集单个用户的交互行为数据据此分析该用户的属性特征，建立用户模型；而对于 教学策略建模，则主要通过访谈直接获取领域专家( 即教师) 的教学经验，进而以产生式规 则的形式建立教学策略模型。但是由于i t s 的人机交互过程充满了多义性与不确定性，教 学策略又具有较大的模糊性，因此传统的i t s 研究思路一直无法有效解决用户建模和教学策 略建模的问题。 从应用层面看，传统的单机i t s 与当代基于网络的i t s 的重要区别之一在于，前者所面 向的用户较少，而后者所服务的用户为数众多。笔者认为，正是这个庞大的用户群，为我们 在网络环境下解决用户建模和教学策略建模的问题提供了新的解题思路收集用户群体 的行为数据，从中挖掘出某些特征相似用户群体的共性特征，以此作为教学决策的依据。另 一方面，从技术发展的角度来看，人工智能中的基于事例推理技术( c a s e b a s e dr e a s o n i n g ， 简称c b r ) 也处于不断的发展与成熟过程中，并且生产、金融、医疗、商业等领域的应用案 例已经证明了这项技术尤其适合解决具有知识匮乏特征的问题。笔者以为，c b r 技术恰好与 上述基于群体数据进行教学决策的解题思路相符合，能够作为技术手段有力地支撑上述新的 解题思路的实现。 纵观现有文献，关于如何将c b r 技术应用于智能授导系统的研究为数甚少。因此笔者 在本文中以此为题，试图从方法论到技术实现深入探讨如何将c b r 技术应用于i t s 的系统构 建之中。 1 2 国内外研究现状 客观上，由于i t s 和c b r 都是新兴的研究领域，相关理论还不成熟，因此国内外都处 于探索阶段。但是相比而言，国外的研究领先于国内。 3 1 2 1 国外 总的看来，国外对i t s 的研究较多，最为活跃的是美国。除此之外，欧洲、日本、加拿 大等国也纷纷投入人力、物力和财力从事这方面的研究。研究的主体主要集中在大学和军方 进行，美国一些知名的大学如s t a n d f o r d 、m i t ，m e m p h i s 、c a r n e g i e - m e l l o n 以及c a l i f o r n i a 等都在进行i t s 的研究工作，研发出一些具有一定智能的原型系统。例如，美国国家科学基 金会( n s f ) 资助总数达到0 2 2 5 亿美元基金，以进行人类学习和创造的学习与智能系统 ( l e a r n i n ga n di n t e l l i g e n t ) 的研究。在m e m p h i s 大学开发研究了1 5 年的t u t o r 系统能够 对学生的问题适当做出反应，由计算机进行提示和暗示。 而c b r 理论的认知模型和框架是由美国耶鲁大学的r o g e rs h a n k 于1 9 8 2 年在其著作 ( d y n a m i cm e m o r y 中首次提出。之后，k o l o d n e r 以此为基础开发出名为c t r u s 的c b r 系 统；从此c b r 突破了认知科学的框架，开始走向人工智能领域的研究和应用。目前，c b r 研 究方面最具权威的专业网站是鲢l q ；9 旦：i 二b ! ：q ! g ，c b r 应用国际会议每两年举行次。 事实上， c b r 已经成为人工智能学界最为活跃的一个研究分支，基于c b r 的应用系统不断 问世。 1 。2 2 国内 国内对于该领域的研究起步比较晚，少量的研究工作主要分散在大学和研究机构进行， 且多为研究与演示用的原型系统，尚未形成系统化的研究机制与规模。随着国内数字化教学 与教育信息化的进程，最近几年的发展相对比较快，已有很多研究机构开始进行i t s 的设计 开发工作，且研究重点已经转向智能化网络教学平台。例如首都师大王陆教授领衔研制的“首 师大虚拟学习社区”，北京师范大学开发的“新竹网络教学平台”，南京易学软件公司的“天 空教室网络教学平台”等等。应当承认，这些产品在一定程度上能够有效支持网络环境下的 计算机辅助教学活动。但是在笔者看来，这些产品更多的是在扮演一个网络教学资源发布平 台的角色。而对“智能化”特征的体现明显不够。另一方面目前得研究规模与效益还与国 家教育信息化的宏观定位相距甚远。因此，适当地学习与借鉴国外的经验与教训，对我国实 施数字化辅助教学，尤其是教学软件的智能化应用的研究与发展都是很有意义的。 1 3 研究内容 由于i t s 的研究涉及人工智能技术、计算机技术、教育学、心理学、测量学等多个学科， 研制难度较大。截至目前，i t s 的研究尚处于百家争鸣的状态，无论理论基础、设计开发或 是技术实现都没有形成相对稳定的框架体系。尤其是有关c b r 应用于i t s 中的研究更是寥 少。因此，笔者的研究分别从理论层面、技术层面、应用层面展开。本文的主要内容包括： 理论层面 通过深入分析i t s 中人机交互过程的特征、传统i t s 研究方法的困境、c b r 技术的基 本思想，指出c b r 技术应用于i t s 相比于传统的规则推理机制的优势，即c b r 技术的适用 性。 4 技术层面 探讨如何利用c b r 技术解决i t s 中的推理问题，包括某学习单元内的推理和具有时序 逻辑的推理。以及c b r 推理所涉及的关键技术，如：案例定义技术、用户建模技术、教学 决策技术等。 应用层面 开发实验系统，以验证c b r 技术在i t s 领域的有效性。 1 4 写作思路 在对该专题的研究串，笔者的思路经历了一个从混沌逐渐走向清晰的过程。遵循笔者的 研究思路，本文的写作以“c b r 在i t s 中的应用”为核心，内容涉及i t s 建模技术与c b r 应用技术，按照“提出问题一一分析问题一一解决问题问题反思”的逻辑线索展开论述。 在本文中，笔者将i t s 中的智能决策按照时间特征分为两类，一类是学习者学习某个具体知 识点过程中系统做出的决策，例如：教学资源的个性化呈现、学习进度提醒、自适应测试等： 另一类是基于时间序列逻辑的智能决策，这类决镱主要依据的是学习者在各个知识点学习过 程中积累下来的属性数据，例如学习者知识点掌握水平的预测、学习趋势分析等等。对于前 者本文将阐述如何利用常规c b r 技术予以解决；对于后者，本文将探讨如何采用基于时 序逻辑的c b r 技术予以处理。 具体的篇章结构如下： 表1 1 篇章结构表： 章次意图内容 1 、i t s 研究概述 2 、c b r 技术概述及应用c b r 构建 从理论上阐述c b r 之 决策系统的一般方法 c b r 之于i t s 于i t s 的适用性3 、分析当前i t s 研究的圃境，指出 c b r 在i t s 研究中的适用性 l 、常规c b r 技术的工作机制、关 从技术上探讨如何利 键技术 常规c b r 技术在用常规c b r 技术解决发生 2 、以i t s 中的适应性超媒体为例， i t s 中的应用研究在知识点学习过程内部的 阐述如何应用c b r 技术推理发 生在知识点学习过程内部的教 教学决策问题 学决策。 基于时序逻辑的 在常规c b r 技术的基l 、分析i t s 中的时间序列特征 c b r 预测技术在 础上，进一步讨论如何应用2 、提出基于时序逻辑的c b r 技术 c b r 技术解决i t s 中具有3 、结合实验系统。说明如何利用基 i t s 中的应用研究 时序逻辑特征的问题于时序逻辑的c b r 技术预测学 习者学习水平 1 、反思c b r 应用于i t s 中的优势 反思c b r 技术的不足，与不足 总结与展望提出c b r 与规则推理混台 2 、提出c b r 与r b r 的混合式系统 系统，展望下一步工作3 、规划下一步工作思路 6 2 1i t s 概述 第二章c b r 之于i t s 计算机应用于教育的研究始于上个世纪6 0 年代，到9 0 年代中期，应用的主要形式是 c a ( 计算机辅助教学，c o m p u 钯r a i d e di n s t r u c t i o n ) 。传统的c a 系统主要是基于规则的系 统。也就是说。在设计开发之初教学策略就已经以产生式规则1 的形式固化了下来，这就导 致了系统在运行过程中无法调整自身的推理规则，从而不能自我完善：其次，传统的c a i 系统往往忽略了用户模型的构建，不能动态收集跟踪学习者的人机交互行为与学习状态。因 此，这种c a i 系统无法像人类教师样积累教学经验，真正掌握每一个学习者的学习情况， 进而提供相适应的教学内容，采用恰当的教学方法。 i t s 的提法，正是为了着眼于解决上述问题。事实上，i t s 比之于传统的c a i 系统，其 最大的区别就体现在系统的“智能”特征，或者称之为系统的“适应性”。也就是说，i t s 应当能够适应每一个学习者的具体情况，展开“因材施教”。 2 1 1i t s 的“适应性” 什么是i t s 的“适应性”? 宏观上，站在学习者的立场来看，就是i t s 能够扮演人类教 师的角色实施个别化教学，向不同需求、不同特征的学习者传授知识、提供指导。即i t s 能够主动的去适应不同的学习者。而站在研究者的立场来看，不同的研究者又各自有着不同 的表述，例举如下： 表2 1 对i t s “适应性”的解释 鼬a r o l l ： w e sr e g i a n 我们认为一个智能授导系统豳须能够有效诊断学习者的知识 结构、技能与应用方式，而不是预先缡程设计好的反应并以此 为基础去决定下一步的任务，完成相应的适应性教学； 智能授导系统必须能够实时观测学习者在问题解决的过程中 在做什么，以及在一系列已经解答的问题中已经做了什么，并利 用这些信息得出关于学习者的知识、信仰与态度的结论系统无 论是否基于这些信息做出教学方面的决定都可能被认为是具有智 能的，但是如果系统在教学决策过程中不使用这些信息的话，那 么我则不认为它属于授导系统的范畴，而只是具有一定诊断能力 的工具 ( a ) 教学的交互形式曲须尽可能的时个别化学习有效( b ) 教学是基于认知的原则，并且( c ) 能实时地产生一些反馈，而不 是被预先设定的在我看来，系统由什么语言写成，在某种程度 产生式规则：一种以| f t h e n 的形式表示推理规则的方法例如，“i f 亮红灯t h e n 停下来”就是典型的 产生式规则，又如“i f 学习者正确回答第6 题t h e n 呈现第2 8 题”。 7 b e v e r l yw o o f 上系统是否能具有意识以及系统的决策产生的方式是否类似于人 都并不是特别重要 系统应该包括如下一些元素：( a ) 模拟领域专家、导师以及 学习者思考过程的一些机制；( b ) 支持类比现实的环境，在这种 环境中学习者能构建与测试他们自己的真实性；( c ) 一个计算机 伙伴可以督促学习者学习，发现学习者的意图，并帮助向学习者 提出建议一个智能型的环境也将能够支持复杂的发现 宏观上对i t s “适应性”的表述反映了关心i t s 发展的人们对系统的一种整体上的期待。 而作为i t s 的研究设计者，显然还必须从微观上进一步分析“适应性”的内涵。在笔者看来， i t s 作为一个完整的教学系统，“适应性”应当分别体现在教学系统的内容里现部件、行为 部件、通讯部件、督导部件和管理部件五个部分。 表2 2 i t s 中“适应性”技术框架 部件可能的适应性具体方法 附加解释( a d d i t i o n a le x p l a n a t i o n s ) 前提知识解释( p r e r e q u i s i t ee x p l a n a t i o n s ) 1 、内容呈现的适应性 比较性解释( c o m p a r a t i v ee x p l a n a t i o n s ) 解释变体( e x p l a n a t i o nv a r i a n t ) 内容部件 信息排序 直接导航( 生成直接导航按钮) 链排序 2 、内容导航的适应性 链标记 链隐藏 行为部件3 、练习测试的适应性自适应测试技术 4 、交流的适应性用户模型比较与匹配 通讯部件 5 、横向统计比较可视化统计图表 6 、i - h e l p ( 合作) 用户模型比较与匹配 计划安排 督导部件7 、教学事件的适应性进度提醒 学习督促、警告 8 8 、学习帮助的适应性 在线帮助系统 9 、周到的学习支持( 在各种信息统计数据( 过程、结果) ，加强 管理部件 线信息系统) 反馈 2 1 2l t s 研究框架 客观的说，i t s 作为一个新兴的研究领域，理论体系的发展还很不成熟，同时也吸引着 来自各个学科的研究者投入到这个领域中来。目前，学习理论、心理学、社会学等学科主要 从理论的视角探讨i t s 的设计思路，计算机科学、人工智能技术等则主要作为技术手段支撑 着i t s 的开发。而先进的a g e n t 技术、知识工程、人机接1 2 技术、模式识别技术的应用也为 i t s 的研究注入了新的活力。尽管如此，i t s 研究的核心却始终围绕着领域知识模型、学习 者模型、教学策略模型的构建而展开。 i t s 三元模型 图2 1i t s 研究框架图 教学活动过程的三要素包括；教学内容、学习者、教师。映射到i t s 领域中来，h a r t l e y 与s l e e m a n 在1 9 7 3 提出了经典的i t s 三元模型：领域知识模型、学习者模型、教学策略模 型。一般认为，i t s 的核心问题就在于这三个模型的构建。因此，此后的3 0 多年中，i t s 系统的研究主要围绕着这个三元模型展开。 9 领域知识模型 图2 2 i t s 三元模型 i t s 之所以能够智能化的提供“因材旖教”，其关键之一就在于系统能够准确把握所要 教授学科的领域知识体系。这里的领域知识体系是指隶属于某一学科的知识点集合，以及各 个知识点之间的相互关系。由此看来，领域知识建模任务不仅仅是要描述清楚每一个知识点 内在的属性特征，而且还必须描述清楚知识点与知识点之间的关系，进而将它们形式化的存 储在计算机中。 应当看到，i t s 的人机交互过程是一种凌驾于某一学科知识体系之上的教学活动过程； 因此，在建模思路上应当从领域特征和教学特征两个方面展开描述：领域特征是指学科领 域自身的属性特征，例如，知识点的概念、知识点之间的关系( 分为层次关系、前提后 续关系、相关关系三种) ：教学特征是指游离于学科领域之外，由系统的教学功能带来的属 性特征。例如，知识点的学习目标、学习建议、学习要求、难易程度等等。在知识表示的方 法上，可以依据不同的应用情境，选择框架表示法、语义网络法、本体表示法、面向对象表 示法等等。 事实上，学习者在利用i t s 进行学习的过程当中，所面对的学习内容是以教学资源的形 式呈现出来的。这些资源包括：电子教材、多媒体课件、练习题、常见问题集等等。它们零 散的分布在i t s 教学流程的各个模块之中。因此，领域知识建模的本质意义就在于按照一定 的规则构建一棵知识树，而各种教学资源附着在相对应的知识点上，以此实现教学资源的有 序组织与调度。如图2 3 所示。 0 学习者模型 图2 3 领域知识模型图 学习者模型是指i t s 内部用于记录各个学习者相关信息的一种数据结构。它是i t s 区别 于传统c a i 系统的最重要的特征，也是i t s 理解学习者，进而做出适应性教学决策的数据 基础。一般说来理想的学习者模型所记录的学习者相关信息可以分为四类： 1 、基本信息：例如，姓名、性别、年龄 2 、心理特征信息：例如，学习动机、学习风格、学习能力 3 、交互行为信息：例如，学习者使用系统的频率、阅读电子教材的时间、提问的次 数 4 、学习状态信息：例如，学习者的知识点掌握水平、当前学习的知识点 其中，基本信息、心理特征通常用形似( 属性名称，属性值) 的二元组表示：而交互行 为和学习状态随着学习者使用系统的过程，处于不断的生长之中，因此，它们的存储较为复 杂。从现有的研究来看，设计者往往倾向于采用如下的三种建模策略： a 覆盖模型( 0 v e r l a ym o d e l ) g o l d s t e i n 于1 9 8 2 年提出。它是最早、也是最常用的表征学习者的建模技术。覆盖模 型把学习者知识看作是专家知识的一个子集，通过比较学习者行为和计算机相同或相似的行 为获取学习者掌握领域知识的状态。覆盖模型的主要缺陷是它不能反映学习者所犯的错误， 也不能反映学习者在学习过程中所产生的一些错误认识。 b 错误库模型( b u gl i b r a r ym o d e l ) 错误库模型是对覆盖模型的一种改进，它建立了学习者的错误库，通过对学习者错误的 诊断，“知道”学习者犯有哪些错误、或有哪些错误认识。错误库模型刻画了学习者的正确 知识和常犯的错误，这种模型的有效性依赖于它所含错误库的完整性和精确性，而构造一个 庞大的错误库是一件极其耗费精力和时间的工作。 c 约束模型( c o n s t r a i n t b a s e d i o d e l ) 约束模型认为，学习者所犯错误可反映在学习者求解问题时所达到的问题求解状态。学 习者在问题求解过程中所达到的状态必须满足一个学科的基本概念和原理，因为学习者所达 到的解答再好，如果求解中所经过状态违背了所学学科的基本概念和原理，那么就意味着学 习者脑子中的知识有问题。不难看出，约束模型与别的模型有根本的区别，因为别的模型是 在学习者的求解路径上所使用的运算上“发现”学习者的错误。另一方面，约束模型的另一 个特点是，它不需要i t s 拥有学习者错误库。 需要指出的是，一方面，由于i t s 环境下人机交互的通道比较单一，学习者的个性特征 不易测定，而且隐藏在数据背后的不确定性因素太多，不利于系统做出准确的判断；另一方 面，考虑到系统存储的开销和检索的时间代价，学习者模型存储数据的规模又要把握得恰到 好处。因此，学习者建模一直是i t s 设计开发的难点。 教学策略模型 教学策略模型是i t s 进行教学决策的核心，扮演着i t s 中虚拟教师的角色，需要对不同 的学习者做出适应性的教学决策。例如：给出学习建议、选择学习内容、采用适当的教学策 略、提供自适应的练习测试等等。 从技术的角度看，传统的i t s 研究深深的根植于专家系统的研究之上，因此，传统的教 学策略模型实际上是一个以产生式规则表示的教学策略的集合例如，条典型的规则就 可能是“i f ( 测试成绩 建模思路 从建模对象上看，领域知识建模的内容包含知识点个体建模和知识点关系建模。另一方 面教学系统中的领域知识点包含了两方面的特征：其一是学科领域自身的属性特征，笔者 称之为领域特征；其二是游离于学科领域之外，由系统的教学功能所带来的教学特征。因此， 在考察单个知识点对象时，笔者分别从领域特征和教学特征两方面着手分析。而在确定知识 点之间的结构关系时，主要请教了领域专家。 简言之，笔者的建模思路是：对象关系、领域特征教学特征。 领域知识建模 本体，即存在的事物。本体论实际上代表的是一种对事物( 或领域) 的认知观。在知识 工程领域，这种认知观从概念、关系、函数、公理、实例五个维度来观察事物，进而用计算 机形式化地将事物表示出来1 。也就是说，本体论的知识建模方法试图将事物表示成一个五 元组( 概念，关系，函数，公理，实例) 。但是，在d s t u t o r 中，考虑到理工类课程特有 的领域特征和教学特征，为了更适合于系统的实际需求，笔者对这种建模方法做了一些修改。 即分别从概念、子知识本体、行为、属性、实例、关系六个维度建立领域知识模型，并针对 不同的知识类型( 陈述性知识和程序性知识) 分别对这六个维度的意涵做了界定。如图3 - 4 所示。 图3 4d s t u t o r 中的本体论建模 知识结构图 首先，我们依据选用的教材将数据结构课程的教学内容分解为一系列的知识点，并 按照编排的章节目关系画出知识结构图，如图3 - 5 所示。 图3 - 5 数据结构知识结构图 陆汝钤世纪之交的知识工程与知识科学【m 1 北京：清华大学出版社，2 0 0 2 7 咄 显然，在图3 - 5 的树形结构中，不同的节点分属于不同的层次。处于第0 层的根节点“数 据结构”代表学科领域：第1 层的两个结点表示数据结构类型分为“线性聚集”和“非线性 聚集”两大类：第2 层列举不同的数据结构类型，对应于教材的各章：第3 层是对各种数据 结构类型的定义、算法、应用的具体描述，对应于教材的各节。但是，在建模过程中，我们 并不区分各结点所处的层次，而是统的都视为知识本体用六元组( 概念、子知识本体、 行为、属性、实例、关系) 表示。 知识点个体建模 知识点个体建模，是指先将知识点看作孤立的个体，而忽略知识点之间的联系，对其进 行形式化表征。在上述的六元组中，我们从( 概念、子知识本体、行为、属性、实例) 五个 维度对知识点个体的领域特征和教学特征进行考察。按照加涅( g a g n e ) 的分类理论，知识 可分为陈述性知识和程序性知识两大类。具体到对于数据结构课程来说，陈述性知识主要是 指各种数据结构类型；而程序性知识则指隶属于数据结构类型的各种算法。因此，上述五个 维度对于这两种知识类型分别有着不同的界定。如表3 2 所示。 表3 2 数据结构知识本体的定义 ；蠢逸迤 陈述性知识( 结构类型)程序性知识( 算法) 概念数据结构类型的说明算法所实现功能的说明 支持实现当前结构类型的数据类 子知识本体型或结构类型的集合，是理解该知算法子步骤序列的集合 识本体的基础 当前数据结构类型具有的算法的 行为空集 集合 属性二元组( 属性名，属性值) 的集合 实例当前知识本体具体应用实例的集合 其中，概念、子知识率体、行为、实例四个维度集中描述知识点的领域特征：属性主要 反映知识点的教学特征，包括：( 1 ) 学习目标，( 2 ) 学习建议，( 3 ) 学习要求( 分为记忆、理解、 运用) ，( 4 ) 重要性( 分为选修、一般、重要) ，( 5 ) 知识点类型，( 6 ) 难度( 分为容易、一般、困 难) 。 例如，对于链表类型来说，其本体可以被形式化为 说明：本体定义中的指针是实现链表结构类型的基础数据类型，所以将其列入子知识本 体；查找、插入、删除是链表类型的操作算法是学习链表的重要内容，所以归属到行为集 合中；而单链表、循环链表、双向链表、矩阵都是链表类型的具体实现，因此认为属于实例 集合。实际上，链表本体涉及的子知识本体、行为、实例中的元素都被认为是知识本体，都 需要建立相应的本体模型。也就是说，基于本体的领域知识模型是相互嵌套或包含的。 基于本体的知识建模方法不仅适用于各种数据结构类型，而且也适用于数据结构类型的 各种算法。以链表的删除算法为例，其知识本体可以定义为： 说明：由于链表的删除算法可以分为链表的查找和通过指针赋值删除链表元素两个子步 骤，所以子知识本体集合认为是f 链表的查找 瑟夫问题的求解中，用到了链表的删除算法， 知识点关系建模 指针赋值 。行为集合为n u l l 即空集。在约 所以该问题作为实例集合的元素之一。 从学科领域和教学领域两方面讲，学科体系中的知识点之间通常是相互关联的。相应的， 知识本体的第六个维度关系，即用于描述该知识本体与其他知识本体的联系情况。为此， 我们将关系定义为三元组( 知识本体，关系类型，关联强度) 的集合。 一般来说，领域知识点之间的关系可阻分为两类：一类是不同层次知识点间的类属关系， 上层知识点是对下层知识点的概括，下层知识点从各个方面对上层知识点进行具体阐述。另 一类是同一层次知识点间的关系。实际上对知识点个体的建模已经包括了不同层次知识点间 的关系，所以这里所说的知识点关系建模主要描述同一层次知识点间的关系。 笔者认为同一层次的知识点关系类型分为：前提一后续关系和相关关系。在开始一 个新知识点学习时，学习者必须掌握相关的基础性知识，这些基础性知识称为前提知识，例 如，链表的查找算法与插入算法就是前提一后续关系。因此，前提后续确定了教学的 先后关系。相关关系是指知识点之间存在着某种联系，例如，学习利用链表实现的稀疏矩阵 时，可以参照使用数组实现的稀疏矩阵。这两种不同存储结构的稀疏矩阵之间就是相关关系。 显然，前提后续关系和相关关系都是具有传递性的。 形式上，我们将知识本体的关系表示为三元组( 知识本体，关系类型，关系强度) 的集 合。如上所述，知识本体表示相关联的知识点关系类型为前提后续关系或者相关关系； 关系强度设定为一个介于0 和1 之间的小数表示知识点之间关联性的强弱。 例如，链表删除算法的关系维度可以表示为 领域模型的技术实现 基于本体论的领域知识模型，可以通过x m l 技术或者关系数据库技术实现。x m l 有 其结构上的优越性，适合描述松散的信息，但同时也带来了很大的复杂度。因此在 d s - t u t o r 中，我们选择利用关系数据库进行存储，并针对概念、子知识本体、行为、实 例、属性、关系分别建立了六张表。如图3 - 6 所示是属性表的表结构，k pc o d e 字段表示知 识本体的编号，且被定义为外键与其他五个表建立联系；k pn a m e 字段存储知识本体的名 称；其他重要字段还包括学习目标、重要性、难度等属性。其他五张表的结构与属性表相类 似。由此，综合利用这六张表可以完整描述数据结构课程的领域知识模型。 2 学习者建模 图3 缶知识点属性表表结构 学习者模型是系统用于记录学习者信息的一种数据结构。它是系统理解学习者，进而推 理出适应性教学决策的数据基础。一般认为，理想的学习者模型应当能够反映学习者的基本 信息、心理特征、交互行为、学习状态等数据。然而，一方面，由于计算机辅助教育环境下 人机交互的通道比较狭窄，学习者内隐的心理特征不易测定；另一方面，如果采用心理量表 的方法测量学习者的某些心理特征，则会给学习者带来额外的负担，而且测量所得的结果也 难以利用。例如，专门用于学习风格测量的量表f s l s m 包含1 0 0 多条测试项目，用于i t s 显然是不合适的。因此，笔者在d s t u t o r 中构建的学习者模型忽略了心理特征信息。 基本信息 学习者基本信息主要用以支持系统的管理，包括了学习者的各项基本数据。其数据模型 如下： 基本信息= ( n a i i l e 、g e n d e ；、a g e 、g r a d e 、e m a i l ) ( 其中，n a f l l e 、g e n d e r 、a g e , g r a d e 、e m a i l 分别表示姓名、性别、年龄、年级、电子邮件等信息。) 这部分信息主要是在学习者首次使用d s - t u t o r 时以问卷的形式收集获得，并以表的 形式存储于数据库中。如表3 - 3 所示。 表3 3 学习者基本信息表 3 1 应当说，学习者基本信息是比较稳定的，这部分数据的建模比较简单。但是，学习者使 用d s t u t o r 过程中的人机交互行为信息和学习状态信息则是动态变化的，这些信息随着 学习者学习过程的深入处于不断的生长发展之中。为此，笔者首先建立了一个认知结构图。 认知结构图 认知结构图由学习者已经学习过的知识点组成，是i t s 领域知识结构图的一个子图。随 着学习者的学习进程，认知结构图处于动态的生长过程之中，并逐渐覆盖整个领域知识结构 图。不仅如此。认知结构图还在领域知识结构图的基础上进行了扩展，体现在认知结构图的 每个知识点上都记录了学习者在该知识点上发生的交互行为和知识点学习状态。例如，图 3 7 所示就是某学习者学习数据结构课程时的一个认知结构图。其中，学习者的知识点 掌握水平以百分制的形式表示，而交互行为则按照不同的情境分类描述。 数据结构 开始学习时间：0 4 0 9 1 0 学习持续时阃：3 6 啦n 陬彳洽 学习状态 掌握水平：8 2 浏览问题f a q 0 1 浏览问题f a q 0 2 旧余 f a 。测览情况 洲览问题f a q 0 4 i 数组表示il 链表表示 发贴提问，编号0 9 b b s 行为回复问题，编号0 4 图3 7 认知结构图 基于覆盖模型的学习者模型的设计 从现有的研究来看，针对这种动态增长的学习者模型的建模策略有；( 1 ) 覆盖模型 ( o v e r l a y m o d e l ) 、( 2 ) 约束模型( c o n s t r a i n t b a s e d m o d e i ) 和( 3 ) 错误库模型( b u gl i b r a r y m o d e l ) 。其中覆盖模型把学习者已有知识看作是领域知识的一个子集，学习者的学习过程 着作是学习者已有知识向领域知识逼近的过程。覆盖模型恰好满足了上述认知结构图的需 求，因此，在d s t u t o r 系统中，笔者选择采用了基于覆盖模型的建模策略。 交互信息是指学习者在使用i t s 的过程中发生的操作行为。在适应性超媒体中则主要是 指用户访问媒体资源的信息包括用户点击了哪些链接，用户在相关页面上花费的时间，用 户在b b s 中有否发贴以及发贴的类型等等。事实上，这种交互信息很大程度上反映了学习 者对教学资源的倾向性，是笔者定义的事例中的个重要组成部分。需要强调的是，这类信 息必须按照行为发生的不同环境或模块分别存储。例如，在d s - t u t o r 中，笔者就分别为 领域辞典、f a q 、疑难b b s 、典型例题讲解、练 - j 测试、扩展阅读六个模块建立了六张数 据表，用以存储学习者的交互行为。以f a q 为例，其数据模型如下： f a q 交互行为= ( s t u _ i d ，k p _ i d ，f a q _ i d ，l a s t i n g t i m e ) ( 其中：s t u _ i d 表示学习者 编号，k p _ i a 表示知识点编号，f a q _ i d 表示学习者阅读的f a q 编号，l a s t t i m e 表示学习者 阅读该知识点持续的时问。) 下表所示就是f a q 中的交互行为数据表： 表3 4f a q 交互行为数据表 学习状态信息则主要记录了学习者的知识点掌握情况，学习者开始学习知识点的时间 学习知识点花费的时间等信息，其数据模型如下： 学习状态信息= ( s t ui d ，l ( p _ i d ，s t a r t t i r a e ，l a s t i n g t i m e ，l e v e l ) ( 其中，s t ui d 表示学习者编号，k p - i d 表示知识点编号；s t a r t t i m e 记录学习者开始学习该知识点的时间； l a s t i n g t i m e 表示学习该知识点花费的时间：l e v e l 记录学习者的掌握水平，并以百分制表 示。) 数据库中记录学习者学习状态信息的数据袭如表3 5 所示。 表3 5 学习状态信息数据表 基于c b r 的智能决策技术 领域知识模型和学习者模型在系统决策中主要扮演的是输入数据的角色，无论是传统的 规则推理系统或是基于c b r 的系统，这两种模型的构建并没有明显的差异。事实上，传统 的规则系统与基于c b r 的系统最大的差异就体现在决策模型上，在适应性超媒体中也就是 适应模型。 在d s t u t o r 中，系统针对内容适应性的决策主要体现在领域辞典、f a q 、疑难b b s 、 典型例题讲解、练习测试、扩展阅读六个部件。正如“实现思路”部分所述，笔者的这种 c b r 决策实际上是基于统计意义上的教学资源倾向性排序，只要学习者所需的教学资源被 系统优先推荐即视为有效。因此，在表现形式上，这六个部件主要采取了链排序、链标记和 链隐藏的方法。从技术实现上讲六个部件的决策在细节上存在着一定的差异但是整体上 又都包括计算事例的相似性和统计分析学习者倾向两个部分。因此下面单以f a q 部分为 例，说明系统决策的关键技术。 1 事例相似性的计算 定义事例 在“实现思路”部分，笔者曾经提到“事例可以理解为对具有某种特征的学习者在学习 某个知识点时倾向选择哪些学习资源这一活动的描述”。由此可见，事例的定义分为两个部 分( 1 ) 学习者特征与领域特征( 2 ) 学习者的学习资源选择倾向和行为表现。”因此，笔者设计的 f a q 模块中事例的数据模型如下： f a q 事例= ( s t u i n f o ，k p _ i n f o ，f a o - i n f o )( 其中，s t u i n f o 表示学习者信息 k pi n f o 表示知识点信息；f a 吐i n f o 表示学习者访问的f a q 信息。) 显然，可以直接从f a q 交互行为表中检索得到f a q 事例对应的学习者编号s t ui d 、知识点 编号k p _ i d 和f a q 编号f a q - i d 。然后，依据s t u i d 和k l i d 可以分别从学习者信息表和知 识点信息表中获得学习者的相关特征和知识点相关特征。 相似性计算 在计算事例的相似性之前。首先要考虑的问题是：以哪些特征属性作为相似性计算的标 准? 这个问题应该从学习者特征和领域特征两个角度来看。在f a q 模块中，笔者认为，对 学习者资源选择倾向存在较大影响的学习者特征包括：学习者相关知识点的掌握水平，理解 能力和学习态度。其中，相关知识点掌握水平可通过学习者对备知识点的测试成绩获得；学 习态度可以用学习者在学习相关知识点时使用f a q 功能的次数表示( 通常情况下，如果学 习者经常使用f a q ，则说明该学习者具有积极的学习态度) ；而理解能力由于是一种较为内 隐的心理特征，难以测量，而且某种程度上能够由学习者的知识掌握水平表征，因此，笔者 在此没有将其作为相似性计算的标准。另一方面，领域特征是指学习者当前学习的知识点特 征包括该知识点的类型( 包括陈述性知识和程序性知识) ，知识点难度。根据加涅的理论， 知识点类型可分为事实( 一般为记忆性知识) 、概念、规则、高级规则( 问题求解)