ASSISTments平台：一款优秀的智能导学系统

（南京师范大学 教育科学学院，江苏南京 210097）

引言

智能导学系统（Intelligent Tutoring System，ITS）是指借助人工智能技术，结合具体学科的教学知识，让计算机扮演教师对学生进行个别化指导的系统[1]。智能导学系统与传统导学系统最主要的区别在于智能导学系统结合学习者特征，为其提供个别化的指导[2]。智能导学系统涉及理论研究和技术发展等方面，既是学生的智能伙伴，也是学生的指导教师。根据学生对知识的理解情况和掌握程度，智能导学系统帮助学生获取知识并解决问题，为学生的学习、问题解决、知识技能获得等过程提供学习支架、提示和反馈，既有利于教师的教，也有利于学生的学。

当前，世界各国都很重视智能导学系统的开发，如美国、英国和日本等。国际上具有代表性的智能导学系统有 MetaTutor、Protus、Andes、SimStudent、ASSISTments、Betty’s Brain 等[3]。其中，ASSISTments平台是一款优秀的基于计算机环境的智能导学系统，旨在结合学习者特征，整合传统的教学方法和理想状态下的教学方法，为学生提供个性化的指导[4]。由于国内已开发的一些智能导学系统还存在一些不足，主要表现在系统的智能、数据的挖掘、学生的导学等方面[5]，因此借鉴ASSISTments平台的成功经验，可为我国智能导学系统的建设带来有益的启示。

一 ASSISTments平台简介

ASSISTments平台是由美国联邦基金资助的、伍斯特理工学院主办的免费公共服务平台（首页如图1所示）。自2005年创建以来，ASSISTments平台获得了迅速发展，其使用者已由美国逐渐发展到中国、英国和澳大利亚等多个国家[6]。截至2018年3月，已有近1000名教师和6万多名学生在ASSISTments平台上注册，创建了1000多万个问题，为智能导学系统的研究和开发提供了良好的范式[7]。ASSISTments平台旨在通过提示和反馈等形式，为学生的学习提供支持和评价——其名称是“Assistance”和“Assessment”的结合，即“支持”和“评价”的结合，这正是ASSISTments平台的核心所在[8]。ASSISTments平台由于其强大的功能，已成为目前影响力很大的一款智能导学系统。

ASSISTments平台一方面根据学生的需求，为学生提供个性化的指导；另一方面根据学生的诊断报告，为教师提供学生的学习情况——可见，通过ASSISTments平台，学生和教师获得了“双赢”的效果[9]。在 ASSISTments平台上，教师和学生无需在固定时间、固定场所进行交互，学生可以随时随地获得有意义的指导，教师也可以随时随地跟踪学生的学习，并及时采取行动、提供支持[10]。

图1 ASSISTments平台的首页

图2 ASSISTments平台的学生学习界面

二 ASSISTments平台的特征

1 开放性的应用环境

ASSISTments平台是一款开放的智能导学系统。从用户的角度来看，ASSISTments平台可以供教师、学生、研究者等不同角色的用户使用。其中，教师作为资源的创建者，可以直接或间接地使用平台的已有资源，并创建全新的、符合教学目标和教学进度的资源；同时，教师作为数据的监控者，可以及时获得学生的诊断报告，从而掌握学生的学习情况。学生作为资源的使用者，可以在自主学习的过程中得到系统提供的个别化指导（包括提示和反馈），从而提高学习的效率、提升学习的效果；同时，学生作为数据的持有者，不仅可以了解自己对知识点的理解程度，而且可以了解自己对知识的整体掌握情况。研究者作为资源和数据的利用者，通过监控、追踪与挖掘平台的数据进行科学研究，发现有助于教育教学的方式方法，从而改进教育。

从适用范围的角度来看，ASSISTments平台所涵盖的学科已由单一的数学学科发展到多种类型的学科，包括科学、技术和工程类（如物理、化学和统计）、英语语言艺术类（如阅读理解和语法）和社会科学类（如地理和历史），涉及的学段也由小学、初中、高中扩展至大学。由此可见，ASSISTments平台并没有特指单一的学科和单一的学段，而是作为工具供用户使用，这一方面使得ASSISTments平台的资源越来越丰富、适用范围越来越广，另一方面让用户的使用更方便、平台的推广更高效。

从跨平台的角度来看，ASSISTments平台可以嵌入到任何学习管理系统中，如Coursera、edX、Moodle、NovoEd、Blackboard、Canvas等，因此，用户无需重复使用多个学习管理系统，仅需在自己当前使用的管理系统中添加ASSISTments平台即可。由此可见，ASSISTments平台与各个学习管理系统之间的互动性很强，既便于教师和学生使用ASSISTments平台，又使教师对学生的管理更系统及时、学生对资源的使用更迅速便捷。

从搭载设备的角度来看，ASSISTments平台开发了可供用户在电脑上使用的网络版，同时开发了可供用户在手机上通过 APP使用的移动版，以保证用户可以通过多种终端使用ASSISTments平台，从而满足用户随时随地接入平台进行学习的需求。

2 适应性的学习支架

ASSISTments平台更加强调对学习过程的指导，侧重学生解决问题时解题步骤的提示和解题结果的反馈[11]，而提示和反馈就属于学习支架的两种表现形式。Bruner[12]认为，学习支架是教师与学生之间的对话，是教师通过提示和反馈等呈现方式引导学生解决问题，促进学生对问题的积极思考和深入探索，帮助学生主动参与到学习活动中。ASSISTments平台就采用了学习支架策略，来为学生提供个性化的学习指导。

ASSISTments平台的学生学习界面如图2所示，具体包括：①左侧部分记录学生的答题结果。根据学生的答题情况和使用提示的情况，答题结果分为四种，分别用绿色对号（学生未使用提示且第一次尝试答题就正确）、绿色叉号（学生使用提示和尝试答题次数未超过教师规定总数而回答正确）、红色叉号（学生使用提示和尝试答题次数超过教师规定总数但未使用“显示答案”功能而回答正确）、红色黄底叉号（学生使用提示和尝试答题次数超过教师规定总数并使用“显示答案”功能后才回答正确）表示。此外，通过点击题号，弹出的对话框可呈现详细的学习过程记录，包括具体的时间和过程报告。②中间部分显示问题、提示和即时反馈——当学生回答正确时，显示“正确！”当学生回答错误时，显示“对不起，请重新尝试。”③右下角包括绿色进度条和提示按钮。绿色进度条满额时为100%，之后，随着学生答错次数和使用提示次数的增多，绿色进度条会不断衰减，可直观地反映学生的答题情况和使用提示的情况，并与最终的答题结果（即界面左侧部分）相对应。提示按钮则用于学生根据自身的情况选择相应的提示信息。

本研究以计算“4+3×5”为例，来介绍 ASSISTments平台的适应性提示。“4+3×5”的提示过程如图3所示，共分为三个步骤：第一步为“运算顺序：1.括号 2.指数（幂、根等） 3.乘法和除法（从左至右） 4.加减法（从左到右）”；第二步为“根据运算顺序，先乘后加，故3和5相乘再加 4，即 4+3×5=4+15”；第三步为“得出结果，即 4+15=19”。由此可见，ASSISTments平台的提示过程是渐进的，并不是在学生答错或者请求提示的情况下便将所有的解题过程一股脑地呈现给学生，而是首先呈现解题思路，引导学生作答；然后逐步呈现解题步骤，完善解题思路；最后呈现解题结果。

图3 “4+3×5”的提示过程

ASSISTments平台的学习支架具有以下亮点：①适应性提示。为了防止一味地给予学生提示而导致“高原效应”、“学习效益递减规则”的发生，ASSISTments平台采用适应性提示，首先划分解题思路，然后嵌入提示，最后学生根据自身的情况选择相应的提示信息[13]。②完整性记录。ASSISTments平台一方面通过绿色进度条提示学生关于本道题的答题情况和使用提示的情况，另一方面通过左侧答案结果记录学生整体的学习情况。③即时性反馈。当学生解答完问题之后，ASSISTments平台会对答案给予即时反馈，以保证学生及时地了解、掌握自己的学习动态，从而对自己的学习进行及时的调控。

3 多样化的诊断报告

当学生完成学习任务后，ASSISTments平台会为教师提供即时的诊断报告（如图4所示）。诊断报告一般包括学生的整体情况和个体情况——整体情况主要包括总体的平均成绩、每道题的平均成绩，而个体情况主要包括个体的平均成绩、个体答题的正误、答案和用时。根据ASSISTments平台的功能差异，ASSISTments平台的诊断报告又具有其特殊性[14]。ASSISTments平台的诊断功能主要分为两种：①用于作业，一是用于自我检查，诊断报告内容比较详细，除包括一般的结果外，还包括学生使用提示和反馈的情况，而学生根据获得的提示和反馈进行自我检查的过程就是主动获取作业信息的过程，能够促进学生积极参与并主动学习；二是用于提交开放性作业，学生通过ASSISTments平台向教师提交开放性作业，教师通过诊断报告收集开放性作业，并对学生的开放性作业进行评价（包括评分和评语），如图5所示。②用于测试，一是用于课后即时的掌握性测试，二是用于单元学习的综合性测试。测试过程没有提示，诊断报告仅用于教师收集学生的答题情况[15]。此外，ASSISTments平台还支持家长登录，家长可通过邮件获得诊断报告，如孩子每周使用ASSISTments平台的情况、每日需要在ASSISTments平台上完成的任务和任务的完成情况等。

图4 ASSISTments平台的诊断报告

图5 ASSISTments平台用于开放性作业的诊断报告

多样化的诊断报告对学生、教师和家长都颇有价值：①对学生而言，诊断报告是对自己学习的评价，可以帮助自己查漏补缺，同时经过长期的积累，可以对自己的学习情况有一个整体的把握；②对教师而言，诊断报告是对学生学习的反映，有助于节约时间、提高工作效率——诊断报告可以直观地为教师提供全面系统的信息，并可用于多种情况，如课前帮助教师备课、调整教学，课中为教师提供讨论话题、加深学生对易错点的关注，课后帮助教师有针对性地为学生提供课后指导；③对家长而言，诊断报告有利于家长了解和掌握孩子的学习动态，并根据孩子的学习情况及时与教师沟通，以协助孩子在学习上获得更大的进步。

4 自动化的再评补救

当学生完成教师安排的一门课程后，ASSISTments平台会自动化地进行再评和补救，具体过程如下：①7天后进行测试一，即选择一道问题重新测试课程知识，若答案正确，就进行第二步；若答案错误就进行补救学习，并在7天后重新测试。②14天后进行测试二，即再次选择一道问题重新测试课程知识，若答案正确，就进行第三步；若答案错误就进行补救学习，并在14天后重新测试。③28天后进行测试三，即再次选择一道问题重新测试课程知识，若答案正确，就进行第四步；若答案错误就进行补救学习，并在28天后重新测试。④56天后进行测试四，即再次选择一道问题重新测试课程知识，若答案正确，就完成了再评补救过程；若答案错误就进行补救学习，并在56天后重新测试。

ASSISTments平台的再评补救不需要教师和学生记录时间间隔，而是在特定时间自动安排学生进行再评补救。自动化的再评补救可以督促学生巩固并强化他们对课程知识的学习，实现知识的内化和迁移，从而使学生真正掌握这门课程，进而不断完善学生的知识体系。

三 ASSISTments平台对中国智能导学系统建设的启示

ASSISTments平台作为一款优秀的智能导学系统，其开放的应用环境创造了学习和研究的便捷条件、适应性的学习支架提供了个别化的指导和帮助、多样化的诊断报告加强了对学生学习的管理和控制、自动化的再评补救保证了知识的学习和迁移，这些均可为我国智能导学系统的建设提供启示。

1 加强系统的研究开发

智能导学系统的研究和开发是一个复杂的工程，需要各方面的力量如计算机专家、教育专家、心理专家和一线教师等的共同努力，才能保证系统的有效运行。ASSISTments平台的研究和开发也强调各种力量的合作，包括高校、研究所、企业和中小学等。目前，我国智能导学系统的研究者和开发者主要是高校，也有部分公司，且各机构在研究和开发的过程中缺少合作。因此，我国应加强智能导学系统研发团队的建设，并强调各单位之间的合作，以研发出既先进又具有本土特色的智能导学系统。

2 扩展多元的应用环境

成功的ASSISTments平台应具有多元的应用环境，主要表现在：①不仅是教师和学生的使用平台，而且是众多研究者的研究平台，使研究者可以借助平台进行教育实验，从而改进教育[16]；②平台的关注点不应是课程，而应是工具，可提供多学科、多学段的学习资源[17]；③可以跨平台供用户使用，从而方便用户接入；④具有多种形式，可以在电脑、智能手机、PAD等多种设备上使用，以便于用户随时随地学习。基于此，我国研发智能导学系统时，应注意从多个方面扩展多元的应用环境。

3 构建合理的运行机制

ASSISTments平台有着不同于传统导学系统的运行机制，适应性的学习支架是其核心特征。在构建合理的运行机制方面，ASSISTments平台主要采取两条运行路径：①内部路径，是指学生对一个学习事件的学习过程；内部路径的功能是对学生的学习需求给予指导，或给出适应性提示，或进行即时反馈。②外部路径，是指学生对多个学习事件的再评补救过程；外部路径的功能是对课程知识的复习巩固，若学生在一段时间内完成了一次又一次关于某一课程知识的测试，则证明其真正理解并掌握了此知识；若学生未能完成测试，则证明其对此知识的学习仍存在问题，平台会自动为其推送补救材料。从整体上来说，国内智能导学系统的“适应性”还较弱，因此宜借鉴ASSISTments平台的运行机制，做到内部路径和外部路径的协调运行，既保证对学生每个知识学习的适应性指导，又保证对学生整体学习的适应性管理和控制[18]。

4 增加强大的诊断功能

国外的智能导学系统普遍重视对学生学习活动的诊断，ASSISTments平台更是把诊断作为重中之重，它提供的诊断报告对国内建设智能导学系统是一个很好的借鉴：①ASSISTments平台的诊断范围广，学生、教师和家长都可以获得相应的诊断报告并从中受益；②ASSISTments平台的诊断内容精，不仅可以呈现学生的答题正误和答案，而且可以呈现学生答错和使用提示的频率以及作答的时间，故有利于教师及时发现学生存在的学习问题，并据此及时调整教学内容；③ASSISTments平台的诊断功能强，既可用于作业，也可用于测试。目前，国内智能导学系统的诊断功能较弱，故可以借鉴ASSISTments平台的诊断报告，掌握诊断的基本原理和架构，然后研究和开发适合我国智能导学系统的诊断功能[19]。

[1]刘清堂,吴林静,刘嫚,等.智能导师系统研究现状与发展趋势[J].中国电化教育,2016,(10):39-44.

[2]杨翠蓉,陈卫东,韦洪涛.智能导学系统人机互动的跨学科研究与设计[J].现代远程教育研究,2016,(6):103-111.

[3]韩建华,姜强,赵蔚.基于元认知能力发展的智能导学系统研究[J].现代教育技术,2016,(3):107-113.

[4]Heffernan N T, Koedinger K R. An intelligent tutoring system incorporating a model of an experienced human tutor[A]. ITS. Intelligent tutoring systems[C]. Berlin: Springer-Verlag, 2002:596-608.

[5]尚晓晶.基于“导学案”教学模式的智能导学系统的设计开发与实证研究[D].锦州:渤海大学,2013:8-15.

[6]Heffernan N T, Heffernan C L. The ASSISTments ecosystem: Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching[J]. International Journal of Artificial Intelligence in Education, 2014,(4):470-497.

[7]Heffernan N T. ASSISTments[OL].

[8]Heffernan N T, Ostrow K S, Kelly K, et al. The future of adaptive learning: Does the crowd hold the key?[J].International Journal of Artificial Intelligence in Education, 2016,(2):615-644.

[9]Ocumpaugh J, Baker R, Gowda S, et al. Population validity for educational data mining models: A case study in affect detection[J]. British Journal of Educational Technology, 2014,(3):487-501.

[10]Pardos Z A, Gowda S M, Baker R S J D, et al. The sum is greater than the parts: Ensembling models of student knowledge in educational software[J]. Acm Sigkdd Explorations Newsletter, 2012,(2):37-44.

[11]Singh R, Saleem M, Pradhan P, et al. Feedback during web-based homework: The role of hints[A]. AIED. Artificial intelligence in education[C]. Berlin: Springer-Verlag, 2011:328-336.

[12]Bruner J S. The culture of education[M]. Cambridge: Harvard University Press, 1996:224.

[13]Razzaq L, Heffernan N T. Scaffolding vs. hints in the assistment system[A]. ITS. Intelligent tutoring systems[C].Berlin: Springer-Verlag, 2006:635-644.

[14]Gong Y, Beck J E, Heffernan N T. How to construct more accurate student models: Comparing and optimizing knowledge tracing and performance factor analysis[J]. International Journal of Artificial Intelligence in Education, 2011,(1):27-46.

[15]Pardos Z A, Dailey M D, Heffernan N T. Learning what works in its from non-traditional randomized controlled trial data[A]. ITS. Intelligent tutoring systems[C]. Berlin: Springer-Verlag, 2010:41-50.

[16]张蔚磊,李馨,赵云建.高等教育数字化学习的未来——访哈佛大学教育技术学专家克里斯·德迪教授[J].中国电化教育,2014,(12):3-7.

[17](美)克里斯多夫·迪德,彭雪峰,肖俊洪.高等教育数字化学习的未来[J].开放教育研究,2014,(4):9-18.

[18]顾小清,蔡慧英,王华文.促进实践与政策创新的教育研究力量——美国 2014 AERA 年会述评[J].远程教育杂志,2014,(5):3-16.

[19]谢绍平.国外基于网络的协作探究学习平台研究——来自Co-Lab的启示[J].现代教育技术,2013,(1):74-79.