开源智能教学系统的架构及功能框架研究

陈凯泉 刘璐

摘   要：开源智能教学系统是人工智能在教学领域的重要应用方向。与传统智能教学系统相比，开源智能教学系统的适应性、灵活性、自主性更强。GIFT平台由美国军队研究实验室主导开发，该平台支持在学科教学、医疗培训、技能训练等多个教育領域实现基于情境的智能课程开发。GIFT主要由传感器模块、学习者模块、教学模块、领域模块这四大基础模块支撑其体系架构，提供教学创作、教学管理和教学评估三大基本功能。基于GIFT平台的多个教学实例，显现出该平台能在不同学习领域适应不同情境下的教学或训练需求，且在极大程度上降低了教师开发智能课程的技术门槛。

关键词：智能教学系统;GIFT平台;适应性学习

中图分类号：G623 文献标志码：A 文章编号：1673-8454（2020）03-0052-05

从1956年美国达特茅斯会议首次系统讨论人工智能（Artificial Intelligence，AI）这一概念之后，历经几十年的发展和积累，人工智能在各领域获得广泛应用。开源智能教学系统是人工智能在教学领域的一个重要应用分支和研究方向，与传统智能教学系统相比，开源智能教学系统的适应性、灵活性、自主性更强，便于使用者的二次开发以更好地满足教学需要。近年来，出现了许多应用范围较广的开源智能教学系统，例如：由美国联邦基金资助、伍斯特理工学院主办的免费公共服务平台ASSISTments 平台[1]，为学生提供个性化指导;由Google公司推出的TensorFlow开源人工智能系统[2]，具有灵活性、高效性以及良好的可扩展性、可移植性等特征。上述平台对推动人工智能在教育领域的“落地”起到了促进作用，但这些平台也存在一些不足，如对使用者所需具备的能力要求较高，需要使用者掌握一定的编程开发能力，对广大一线教师而言，具有较高的技术门槛。

开源的GIFT（Generalized Intelligent Framework for Tutoring，通用智能教学框架）是一款优秀的智能教学系统，它可以模块化地实现对自适应学习内容的建构、部署和管理，这一系统提供各种软硬件接口以方便与其他多类型应用的结合[3]。GIFT系统是在美国军队研究实验室人类研究和工程指挥部（Army Research Laboratory Human Research and Engineering Directorate，ARL-HRED）的支持下由智能辅导学习环境（Learning in Intelligent Tutoring Environments，LITE）实验室主导开发的适应性学习研究项目。GIFT系统自2012年5月发布以来，在学科教学、医疗培训、技能训练等多个教育领域实现了基于情境的课程开发，发展至今已经较为成熟。截至2019年10月，GIFT社区已经有来自76个不同国家和地区超过1500名活跃用户，讨论区已发表超过1200个主题讨论[4]。

一、GIFT系统的架构

GIFT系统是一个基于经验的、面向服务的，集工具、规则和标准于一体的通用智能教学框架。它开源的特性使得编写智能教学系统、开展教学管理和评估教学效果变得容易实现。GIFT的构成元素包括组件、模块、模型、消息、数据库和接口等，它们支持GIFT的创作、教学和评估功能。系统基于以学习者为中心的理念，通过传感器模块收集学习者的行为、特征和偏好等多模态学习数据，准确评估学习者的状态，形成更加稳定、持久的学习者模型。通过精确分类学习者的各项数据，在教学模块中选择最优的教学策略，结合领域模块中的知识对学习者的学习做出指导和反馈[5][6]。GIFT从体系架构上主要包含传感器模块、学习者模块、教学模块、领域模块这四大基础模块。

1.传感器模块（Sensor Module）

GIFT传感器模块包含一组用于行为传感器和生理传感器的特定传感器接口。它接受原始的来自传感器的数据，通过传感器处理模块将这些数据转换成可用的形式，该模块过滤、分段或提取数据中的特征值。传感器处理模块将处理后的数据传输到学习者模块。由于传感器模块具有支持商用传感器的接口，因此利用这一模块可以实现对数据的处理、存储以及格式化操作。该模块是GIFT系统与外部接口集成的基础，利用传感器模块，系统完成检测、收集、传输学习者的生理和行为等多模态学习数据。

2.学习者模块（Learner Module）

学习者模块可以基于学习者的历史行为、表现、偏好等数据来确定学习者当前的认知、情感或生理状态。学习者模块的主要功能是确定学习者的状态，次要功能是跟踪教学过程中相关的学习者特质数据（如个性偏好和学习风格）和课程数据（如课程开始/结束、课程成绩或表现）。学习者模块是众多用户模块的一种，GIFT目前正在开发更多的用户模型（如教师、专家、研究者等）和更丰富的交互界面来支持教学，但学习者模块仍然是提供自适应辅导教学的中心。学习者模块利用经传感器模块预先处理的行为和生理数据，以及依据数据统计、自我评价和观察数据一起生成的绩效评估状态（如未达到、达到、超出预期），对学习者的认知能力、情感能力状态做出分类。

3.教学模块（Pedagogical Module）

GIFT教学模块从学习者模块和领域模块查询状态数据，根据学习者的状态和表现来决定教学内容、顺序和流程。根据教学模块的决策，将视觉和听觉刺激传递到交互界面。教学模块需要解决的问题是当学习者处于不同状态时，应该建议采取何种行动。传统的机器学习方法，如贝叶斯网络（Bayesian networks）或者决策树（Decision Trees），通常在教学策略完善的情况下做出决策以确定下一步的行动。而GIFT可以在学习过程中进行动态评估并对教学策略随时进行调整，根据现实情况选择完成提示、反馈或难度调整等不同操作。

4.领域模块（Domain Module）

领域模块的目的是定义和构造该领域所涉及的知识，包括教学内容、相关任务、评价标准、常见问题等等。领域模块是由教学模块的推荐决策所驱动，领域模块将教学模块的通用决策转换成为特定领域的具体执行策略。例如：教学模块决定下一步应该对学习者进行提问，领域模块在接收到来自教学模块的信息后则对学习者做概念提问。领域模块不仅能够决定呈现哪些内容、内容呈现的顺序和速度以及要提供的反馈类型，还能够采用与专家表现或其他标准进行比较的方式，在学习者完成阶段性的或整个课程的学习内容后对学习者表现做出评估。

二、GIFT系统的功能框架

GIFT作为一个强大的开发工具为智能教学系统的研究人员提供了有力支撑。GIFT提供了教学创作、教学管理和教学评估三项功能来将系统各构成要素结合成整体[7]，以实现离线或实时处理、创建、传递、理解智能教学系统发出的指令。

1.教学创作

GIFT的教学创作功能旨在降低在各种任务领域中编写ITSs所需的技能和时间。GIFT系统的创作功能由规则、工具和方法三部分组成，使各类教学创作者，包括教学设计师、开发人员、教师、课程管理人员和领域专家等能够在对软件编程规则不是非常了解的情况下，创建自己的智能教学系统。系统还支持教学创作者根据教学内容的层次递进关系，组织安排教学内容，以合理的顺序呈现给学习者。通过标准化的GIFT网关，GIFT系统还可与外部环境交换教学数据。GIFT的教学创作工具包括一个标准的网关规范，以及与游戏交互的课程对象（如虚拟战场空间和虚拟医生）、模拟器（如挖掘机模拟器）、应用程序（如Microsoft PowerPoint）和生理/行为传感器（如Zephyr Bioharness、Microsoft Kinect、Emotiv Epoc EEG）。开发人员在编辑课程对象时不需要经过复杂的编程，通过简单的拖拽操作就可以直接将其添加到正在编辑的GIFT课程中。GIFT现在同样支持与其他学习工具交互操作，例如：它可以在edX和其他大规模开放在线课程（MOOC）平台做自适应教学开发。

2.教学管理

GIFT教学管理功能体现为在不同教学设备上向个人和团队提供教学内容、反馈、支持等，以适应不同学习者或学习团队的需求。作为一个模块化的框架，GIFT还允许用户将其它辅导系统的教学模型、教学策略添加到GIFT中。具体功能体现为：建立模型以适应影响学习表现的个体间状态、特征、偏好等差异;管理教学指导的节奏、方向、挑战水平;监控与管理学习、表现和技能迁移之间的相互作用。GIFT对学习理论、辅导理论和动机理论都有充分的考虑。在尝试模仿人类专家导师的过程中，GIFT框架考虑了包括苏格拉底式、渐进式、间接式、反思性和激励性在内的辅导模式，以及一对一的辅导过程。GIFT框架提供了以学习者为中心的功能集合，这些功能用来识别学习者的状态或特点。通过开放的学习者模型鼓励自主学习，让学习者决定下一步学习什么，并检查他们在掌握学习主题和测量心理属性方面的进展。

3.教学评估

GIFT的教学评估功能强调支持适应性教学方法，要基于智能教学系统完成实证评价。GIFT中的评估功能由一个实验测试台实现，该测试平台可以用来确定环境属性、工具、模型和方法等方面对学习者的参与、学习、表现、保持、推理和技能迁移的影响。Steve Hanks等人在1993年提出了测试台方法（Testbed Methodology）[8]，这一理论支持对学习者模型、教学模型和特定领域知识的测试和验证，用以评估学习效果模型中被操纵或被评估的变量。GIFT教学评估功能允许智能教学系统的研究人员实验性地评价和评估智能教学系统的方法、工具和内容。图1说明了该实验测试台的模型，该模型不仅充分考虑教学过程中所涉及的因素，还可以根据评估结果进一步明确各相关因素和变量之间的关系，对相应模型做出反馈和调整，进一步优化系统的整体性能。

三、基于GIFT的课程创建及课程发布

GIFT Cloud是基于Web的应用程序，无需下载便可让研究者、教师和学生访问和使用GIFT。GIFT Cloud的使用僅需通过网络浏览器。通过GIFT Cloud，教学设计者可以在服务器上实现在线的自适应课程设计，并可根据需要，将课程从GIFT Local导入或导出，也可选择将之上传到在线个人空间。GIFT Cloud 和GIFT Local的结合让GIFT系统的使用环境更加多样化，提升了GIFT系统的鲁棒性。GIFT Cloud中的课程创建模块允许用户创建并编辑自己的课程，课程发布模块是从现有课程创建不可编辑的副本。

1.课程创建与编辑

图2展示了创建并编辑GIFT课程的界面。工作区分为三个主要部分：页面顶部是系统导航栏，左侧导航栏包括课程性质、课程对象和媒体，可以编辑课程描述、新建概念定义、设置课程封面等;通过拖拽操作可添加课程对象到右侧工作区，目前GIFT支持添加多种类型的课程对象，包括文本、图片、网址、视频、PPT等，用户同样可以在这一模块添加调查、创建导师对话、编辑问题题库等，在添加调查后，能够根据学习者的回答情况评估学习者目前的状态是新手、熟练者还是专家，继而将结果传递到教学模块选择下一步教学策略;在创建导师对话时，用户通过设定回答关键词以帮助系统判定学习者是否已经掌握该知识;媒体模块支持上传各类与课程相关的媒体文件，包括音频、视频、动画等类型的文件。右侧工作区展示目前课程的逻辑结构，顺序展示目前课程所包含的学习材料，用户需在工作台完成保存、测试、回复、预览等一系列操作，工作台支持用户在编辑课程过程中修改当前课程的名称及查看课程的协同创作者。在GIFT的最新版本中，课程内容会按课程开展的顺序显示在工作区，课程编辑人员能够自由选择在课程开展过程中呈现给学习者的内容及其顺序，而且根据学习者反馈情况的差异可创建不同的学习分支，对不同掌握程度的学生采用不同的学习策略，开展不同进度的学习，使教学更具针对性和适应性。

2.课程发布

为了控制数据收集条件，GIFT Cloud的课程发布后将产生一个现有的GIFT课程的不可编辑副本。此外，创建时还会生成访问该课程的唯一链接，该链接会共享给课程参与者，参与者能够访问发布的课程。课程发布之后允许暂停发布和恢复课程发布，以适应数据收集计划。点击课程名称即可显示目前发布课程的细节信息，包括课程描述、唯一访问链接、课程ID、参与者尝试次数、最后一次访问的日期和时间等。对于发布的课程，GIFT还支持使用“创建报告”功能自定义下载课程使用的报告和数据，数据报告能够从系统导出到本地。利用课程发布功能，课程的创建者能先在小范围内对课程进行调研、统计并收集数据。

四、应用GIFT构建智能教学系统的实例分析

GIFT已经在多个领域实现不同类型和不同情境的课程开发。本部分梳理三个具有代表性的案例以期展示GIFT智能教学系统的教学实效。

1.通过捕捉并利用学习者的情绪反馈进而在智能教学系统中给出更有效反馈

来自哥伦比亚大学师范学院的Jeanine主导了一个历时三年的研究项目。这一研究项目在GIFT智能教学系统和TC3Sim游戏模拟背景下进行[9]。TC3Sim是一款严肃游戏，也被称为vMedic，参与者将在游戏中接受关于战斗伤亡人员护理技能的训练。该研究通过三个阶段的实验，基于GIFT成功搭建出能够捕捉学习者情绪的情感模型，检测学习者在学习过程中的沮丧情绪并收集反馈信息，教师可以根据情感检测器和学生在教学系统中的行为表现数据搭建起学习者情感模型并建立学习者档案信息，从而在学习者今后的学习过程中，通过捕捉学习者的情绪，继而提供不同的反馈信息以帮助学习者达到更好的学习效果。

2.应用GIFT系统支撑小组和团队学习

Fletcher 和Sottilare共同主导完成了对团体学习应该如何使用智能教学系统的研究[10]。他们明确了ITS、共享心理模型和团队协作这三个概念之间的关系和作用，提出基于GIFT框架的共享认知心理模型，来为有不同类型需求的团队提供适应性指导。GIFT框架所包含的模块通过标准化信息进行交互，共同搭建成完整的团队共享心理模型。其中，学习者模块与GIFT提供的传感器接口相结合，用来收集团队成员的学习、表现、记忆等数据，建构学习者模型，进而整合每位成员的数据，分析各成员之间的相似性和差异性，形成团队的整体模型，确定团队的集体目标和状态。教学模块将团队和个人的当前状态与预期状态相比较，以集体目标为依据，选择最佳的教学策略，在适应性模拟情境中来培养和锻炼团队能力。在教学过程中继续收集并分析团队数据，针对个人或团体表现继续修正教学策略从而不断提升团队整体能力。知识模块则是对教学模块所选择的教学策略进一步具体化，将教学模块所给出的策略建议转化为特定领域的教学策略，这些教学策略包含了向学习者展示的学习内容、顺序、速度以及备选反馈方案等。知识模块同样可以利用强化学习机制来改进有效教学策略的选择。该研究表明，在团队共享心理模型中，应该将每个成员的准备状态、行动的恰当时机、任务本身的价值考虑在内。另外，在共享心理模型中，团队成员的交流频率和类型也会影响团队的整体表现和效率。在该研究中，GIFT系统框架既能够针对个体学习者进行分析和评估，还能对现有框架所包含的模块灵活组合运用，构建出适合的团队模型，对团队整体和团队成员开展适应性指导。

3.借助GIFT在技能训练领域开发符合教学需求的课程或模型

在由Benjamin Goldberg和Charles Amburn 等人合作完成的研究项目中，研究者以训练士兵枪法为目标，通过GIFT框架中的传感器模块搜集、整理专家数据建立起合适的专家模型[11]。研究者分析出在枪法训练中的影响因素包括呼吸、触发器控制和目标跟踪，通过大量的重复试验来确定这一通用专家模型的有效性，并且在此基础上进一步识别出在枪法表现中有不同行为技巧的专家，通过SPSS创建模型和交叉折叠验证检查，验证这些行为对绩效结果的影响。通过这一专家模型，在士兵枪法训练时可以诊断出新手所犯错误与哪些因素有关，提出改进建议，从而提升士兵在枪法心理运动领域的技能水平。值得注意的是，在这一研究项目中，GIFT能够识别并评估士兵当前的行为，并使用这些搜集到的信息来选择要纠正的概念和干预的反馈策略。

以上三个案例分别从情感分析、团队学习和技能训练三个方面展示了GIFT的应用情况，有代表性地体现出GIFT可以在不同学习领域很好地适应不同情境下的教学或训练需求。在GIFT社区和其他案例研究中，GIFT的使用者和研究者还关注GIFT本身的架构问题、模型问题以及适应性教学系统标准（Adaptive Instructional Systems Standards）等。基于对实例的分析，在现有技术条件下，对学习者个体的智能教学指导、评估和反馈的实现已经较为容易。研究者们更多关注如何在团队学习模式下，精确、有效地在学习者个体和整个学习团队两个层面最大限度地发挥智能教学系统的作用，以及如何制定适应教学系统的标准来规范和统一对学习状态的评判。在2018年5月的GIFT用户交流会议中，GIFT研发团队、领域研究人员与广大用户对此深入探討，认为需要进一步提高情感识别的准确性和团队指导的适应性。

五、结语及启示

在GIFT系统中，课程开发人员可利用系统提供的多种接口和工具开展教学创作，这一功能使智能化课程开发变得简便且易于实现。因具有开源的特点、灵活的模块选择、多类型的外部接口，GIFT系统平台吸引了数量众多的科研人员，还有许多一线教师，通过与平台技术人员的不断沟通，一起完善了该平台的功能，平台的适用广度和应用深度不断加强。GIFT的成功也为我国智能教学系统建设提供了诸多启示：

1.需要创建开放的研究环境

GIFT的一个突出特点就是平台的使用者和研究者可以在平台中自由交流。平台支持用户将自己创建的课程和自己开发出的其他资源上传至GIFT平台与其他用户共享，开放的研究环境有利于研究者更好地推动人工智能在教育中的应用。

2.要加强智能教学系统对多种教学资源的整合

GIFT平台支持类型多样的外部程序接口，使得教学课程可以与多领域、多学科相融合，丰富课程资源的形式，扩展学习资源的来源。教学形式和内容日趋多样的当下，我国在研发ITS时应该注意融合多种资源类型。

3.需注重智能教学系统中的团队学习

近两年，GIFT系统对团队学习指导给予了高度关注。在倡导合作学习的今天，我们在开发智能教学系统时应该着重考虑这方面需求，不仅应该对个体学习者提供精准的适应性教学反馈，还应该能在团队层面对整个团队的表现做指导评估。在设计团队教学时需要考虑团队整体目标、人物设置、成员角色等问题，以保证智能教学系统的整体性、准确性和高效性。

参考文献：

[1]张钰，李佳静，朱向阳，王珺.ASSISTments 平台：一款优秀的智能导学系统[J].现代教育技术，2018（5）：102-108.

[2]石磊.开源人工智能系统TensorFlow的教育应用[J].现代教育技术，2018（1）：93-99.

[3]Sottilare， Robert A.， et al. An updated concept for a Generalized Intelligent Framework for Tutoring （GIFT）.GIFTtutoring. Org， 2017.

[4]Generalized Intelligent Framework for Tutoring （GIFT）[EB/OL].https：//www.gifttutoring.org/projects/gift/wiki/Overview#Background.

[5]Sottilare， Robert A.， et al. The generalized intelligent framework for tutoring （GIFT）.Orlando， FL： US Army Research Laboratory-Human Research & Engineering Directorate （ARL-HRED）， 2012.

[6]Sottilare， Robert A.， et al. Special issue on the Generalized Intelligent Framework for Tutoring （GIFT）： creating a stable and flexible platform for innovations in AIED research.International Journal of Artificial Intelligence in Education 28.2 （2018）： 139-151.

[7]Ososky， Scott.Generalized Intelligent Framework for Tutoring （GIFT） Cloud/Virtual Open Campus Quick-Start Guide. Oak Ridge Associated Universities Oak Ridge United States， 2016.

[8]Hanks， Steve， Martha E. Pollack， and Paul R. Cohen. “Benchmarks， test beds， controlled experimentation， and the design of agent architectures.”AI magazine 14.4 （1993）： 17-17.

[9]DeFalco， Jeanine A.， et al. “Detecting and addressing frustration in a serious game for military training.”International Journal of Artificial Intelligence in Education 28.2 （2018）： 152-193.

[10]Fletcher， J. D.， and Robert A. Sottilare. “Shared mental models in support of adaptive instruction for teams using the GIFT tutoring architecture.”International Journal of Artificial Intelligence in Education（2018）： 1-21.

[11]Goldberg， Benjamin， et al. “Modeling expert behavior in support of an adaptive psychomotor training environment： A marksmanship use case.”International Journal of Artificial Intelligence in Education 28.2（2018）： 194-224.

（編辑：王晓明）