APP下载

游戏化智能教学中的人工智能与认知科学原理:以ARA 为例

2020-11-30马伟伟张锦坤

心理研究 2020年4期
关键词:教学系统学习者模块

马伟伟 张锦坤

(福建师范大学心理学院,福州 350100)

1 引言

智能教学系统(intelligent tutoring system,简称ITS)是一种结合了计算机科学、人工智能、心理学、教育学以及认知科学等多种学科知识在内的, 开放式人机交互式教学系统。 其最终目的就是让计算机系统在一定程度上替代人类教师来实现最佳教学,即赋予计算机系统以智能, 从而来实现由计算机系统担当学习者的引导者、帮助者(陈天云,张剑平,2007; 张志祯, 张玲玲, 李芒, 2019)。智能教学系统这一概念最初由Sleeman 和Brown 于1982 年正式提出, 他们认为智能教学系统是一种使用计算机模仿教学专家的方法与经验, 从而来辅助教学工作的计算机系统(Sleeman & Brown, 1982)。Psotka 将其定义为一种能够及时为学习者提供个性化指导和反 馈 的 教 学 系 统 (Psotka, Massey, & Mutter,1988)。也有研究者认为智能教学系统是借助人工智能技术, 由计算机扮演教师的角色以实施一对一的教学, 向不同需求和特征的学习者传递知识 (张利远,王春丽, 2012)。上述定义虽然阐述方式不同,但有一个共识即认为智能教学系统是一种提供个性化指导的教学系统。

与传统教学模式不同,ITS 是以计算机为基础的学习系统,关于ITS 系统的组成部分,当前研究者大多将其分为四个部分:领域知识库、学生模型、教师模型(教学策略)以及智能人机接口(刘清堂, 吴林静, 刘嫚, 范桂林, 毛刚, 2016)。领域知识库又称专家知识模型, 主要用来表示某一特定领域的相关知识、事实、概念、规则以及问题的解决策略,旨在解决“教什么”的问题。 学生模型主要是用来存储学习者的相关信息, 包括学习者的基本信息以及学习者在学习过程中的动态信息, 旨在通过对真实学生的模拟,更好地收集学生特征(个性特点、知识状态、认知特点)。 教师模型的主要任务是,根据学生模型中学生的相关信息,选择合适的教学策略,从领域知识库中选择合适的教学内容来实现对学生的有效教学,旨在解决“怎么教”的问题。智能人机接口是学习者与系统之间的交互界面,主要包括文本、图形的选择、鼠标和键盘输入、多媒体知识的输入和输出、用户信息的获取等内容。在学习过程中,系统通过向学习者提供指导性暗示、逐步反馈、对常见错误的响应等多种形式的个别化辅导来丰富问题解决环境,使学习者在与系统的交互活动中达成学习目标。 作为一种高度交互的学习环境,ITS 的应用有助于提高学习效率, 能够更好地发挥学习者的主动性与积极性,更有利于学习者能力的培养。许多研究都证明了这点, 一项有关智能教学系统效果的研究表明智能教学系统的辅导效果与人类的辅导一样有效, 尤其有助于缩小高低水平学习者之间的差距, 帮助低水平学生显著提高学习成绩(VanLehn, 2011)。 另一项研究通过捕捉学习者在智能教学系统下的肢体语言来判断其情绪并适时做出回应, 提高了学习者的动机和学习效果 (Graesser & D’Mello, 2012)。Aleven 等人对比了两种辅导方式,一种是基于人工智能的教学辅导,一种是样例学习(学习者以自身已有的知识为基础, 对具有详细步骤的问题解决示例进行思考、观察,进而从中归纳出隐含的抽象知识或规则并用于解决新问题的学习过程)。 结果发现,与智能教学辅导相比, 样例学习减少了学习者的认知负荷,学习者用较少的时间掌握了相关知识。而与样例学习相比,智能辅导不仅有效率,还能够为学习者提供大量的自我解释提示与相关支持, 带来更好的学习效果(Schwonke et al., 2009)。 此外,一些研究者还尝试在ITS 的基础上研发智能社交系统(Sanchez, Bartel, Brown, & DeRosier, 2014),通过计算机系统模拟现实生活中的场景来帮助自闭症儿童获得社交技能,更好地融入社会。然而由于社交问题本身的复杂性,此类系统还需要进一步完善。

综上可知,ITS 已经被应用于各教学领域中,且总体而言取得较积极的反馈。 近年来一些研究者认为ITS 应充分发挥人工智能在激发学习动机上的优势,在设计智能教学系统时尝试加入游戏元素,通过游戏来吸引学习者的注意力, 增加学习或训练过程中的兴趣,以此辅助学生完成学习或训练。 例如,基于游戏环境的ISTART-ME 智能教学系统, 是ISTART(interactive strategy training for active reading and thinking)的增强版,旨在通过策略训练来帮助提升学习者的阅读理解能力, 系统中包含了智能指导练习、骰子战争和双人决战三种游戏练习方式,学习者可以用获得的点数购买自己感兴趣的奖励品(麦克纳马拉, 杰克森, 蒂勒克, 何先友, 邓玉梅,2013)。将歌曲和运动结合在一起的幼儿园社交辅助机 器 人 KindSAR (kindergarten social assistive robot),它能够使用适当的词汇和语法模仿孩子的声音说话,可以执行不同的运动动作和表达情绪,通过互动式游戏来帮助教师发展儿童(尤其是特殊儿童)的元认知能力 (Keren & Fridin, 2014)。 ISTARTME 主要用于提升学习者的阅读能力, 针对的是青少年群体;KindSAR 则致力于发展认知能力, 主要应用于痴呆患者、认知障碍患者以及自闭症儿童。而对于人类学习而言, 领域与专业知识技能占了更大的比例,也将是智能教学系统的重要应用方向。美国孟菲斯大学心理学系和智能系统中心开发的ARA(acquiring research acumen)游戏化智能教学系统,是一款将智能辅导和学习原则相结合, 并可用于科学知识与技能教学的游戏化教学系统。 ARA 意为“获取研究智慧”, 即通过教育游戏帮助学习者掌握科学研究的基本知识与技能(例如,数据的相关关系与因果关系的区别与联系, 影响研究内部效度的因素等),培养学习者的批判性思维。然而,无论是何种形式的智能教学系统或是否加入游戏等元素, 其产生教育影响作用的内在机制和设计原理都是类似的。 下文以ARA 游戏化智能教学系统为例,首先解构系统的各组成部分, 然后分析人工智能原理如何被应用于学习过程中的教与学, 说明认知科学原则在其中的具体应用, 介绍当前针对智能教学系统的效果评估,最后分析其优势与局限。 对ARA 游戏化智能教学系统的结构和原理等的了解, 有助于更理性地看待和评估智能教学系统的能与不能, 更深刻地认识到认知科学原理在智能教学系统中的重要性。

2 ARA 游戏化智能教学系统

ARA 系统以游戏形式贯穿始终,教学游戏以外星人入侵地球为背景,学生以玩家的身份,通过相应游戏模块的训练,不断学习科学研究素养知识,最后识别并找出隐藏在人类中的外星人,从而拯救地球。在整个游戏化教学系统中, 学生需要依次通过三个模块的学习, 不断掌握科学研究方法的相关知识及研究技能(如图1 所示)。

第一个模块为基础训练模块 (basic training)。在这一模块,教学系统会向玩家(即学习者)提供科学思维的基本概念。 学习者阅读一本关于科学方法的电子书, 这本书描述了优秀的科学研究应具备的各个方面。电子书中的内容被划分为系列微课,每节课程描述一个主题, 包括控制组的必要性、 随机分配、因变量的准确性和敏感性、客观评分、实验者偏差、样本量、样本选择、参与者偏差、死亡率/损耗、重复以及混淆的因果关系和相关性等。 每节课中都包含选择题形式的测验用以评估学习效果,这些问题以短对话的形式呈现,对话教程包括玩家(学习者)、奎恩(Quinn)(动画教学代理人,扮演老师的角色)和格拉斯(Glass)(动画教学代理人,扮演同学的角色)。

第二个模块为试验模块(proving ground)。 在这一模块, 教学系统以杂志和报纸的文章形式向学生描述一些科学研究, 学生要练习如何识别并找出所描述的研究当中存在的缺陷。 教学系统向学生呈现了一篇关于重金属音乐对情绪的影响的研究文章,文章中作者得出的结论是重金属音乐不会导致抑郁症,这篇文章的缺陷是作者在下结论时有点草率,因此所得结论并不严谨。 玩家(即学生)的任务是要和一个名叫特雷西(Tracy)的动画教学代理人竞争,轮流找出研究存在的缺陷,回答正确则得分,回答错误则扣分。 当玩家在回复框内输入与答案相关的信息时,系统会根据输入内容与最佳答案进行匹配,并做出提示。如果玩家输入“这项研究似乎得出了一个过早的结论”,系统会提示“过早的泛化结果”。 除此之外,试验模块里还有两个教学代理,奎恩(Quinn)和布洛斯(Broth),这两个动画教学代理人扮演的都是老师的角色,主要是用于向学习者解释原理,帮助学习者正确识别缺陷。

第三个也是最后一个模块, 是实践模块(active duty)。 在这个模块中,学生主要是通过与教学代理人之间的适应性互动来实现教学目标的。 该模块除了学生之外有两个教学代理人,特工斯科特(扮演审问者角色)和一名研究人员(可能是外星人假扮,也可能是人类科学家)。学生的任务就是凭借自己在前面两个模块中学到的科学知识, 通过询问的方式来确定该研究是否存在缺陷, 是否遵循和理解科学方法。如学生在回复框输入要询问的问题“问你一个与咖啡因相关的问题, 你认为咖啡因会导致胃溃疡的原因是什么”,然后扮演审问角色的教学代理人斯科特就会向研究人员询问该问题, 最后学生根据研究人员的回答进行判断, 如果该研究人员的回复存在错误或缺乏对科学方法的理解, 则学生应将该研究人员判定为外星人, 否则应将研究人员判定为人类科学家并予以释放。

综上所述,ARA 智能教学系统以游戏的形式,一开始在基础模块中向学生教授科学研究的主要概念(陈述性知识);然后,学生接受指导练习,识别出试验模块中含有错误概念的实例;最后,学生通过主动提问来区分有缺陷的研究和没有缺陷的研究。 所有的这些学习活动发生在一个故事背景下, 在这个故事里学生通过完成各个模块的学习, 可以将游戏中的世界从灾难中拯救出来。

3 ARA 智能教学系统的人工智能原理

与其他智能系统一样,ARA 智能教学系统中有一位智能教师, 其目标是向学生传授目标领域的内容和技能,对学生的答案进行判断以及给予反馈,同时还根据学生对问题的理解程度来调整对话的内容,进而引导学生构建出理想答案。智能教学系统的一个特点就是, 大多数教学活动都是通过使用自然语言的对话教程进行的, 这一点在很多智能系统中都有体现。计算机系统使用动画教学代理,通过对话和独白在听觉上(以及其他数字媒体,如文本、动画和电影)提供内容。 通过这种方式,它模仿真实的导师,他们向学习者提出问题,提供纠正,对于答案的正确与否给出反馈, 以帮助学生形成更完整或更清晰的答案。梅耶在多媒体学习的对话原则中指出,在多媒体教学环境下, 如果以对话风格的形式来呈现言语信息, 那么学习者的学习效果会更好(Mayer,2009)。由于任何学习都可以视为学习者与教师或与课本作者之间的一种对话,因此,学习也就成为了一种社会事件,当通过对话风格来呈现学习材料时,会让学习者将自己作为一个参照点, 并产生强烈的社会存在感,学生的兴趣增加了,学习的参与度也增强了, 进而促使学习者利用自己已有的认知资源对新获得信息进行积极的认知加工, 最终达到意义学习的目的(毛伟,盛群力, 2017)。

智能教学系统的另一个优势是人们可以从辅导对话(tutoring dialogue)中学习(Graesser, D’Mello,& Cade, 2011; Graesser, Person, & Magliano,1995)。 根据教学的相互作用假设,由教师的语言风格所激发的学习者心理的互动水平能够决定学习者对教学材料的加工程度。在相互作用假设视域下,采用对话方式解释信息对于学习者主动理解学习材料的意义有激励作用(Doctorow, Wittrock, & Marks,1978)。 ARA 教学游戏中教程对话的核心就是对话中学习者的交互性。 如果导师只是简单地向学习者讲课,那么交互性很低。如果学生回答问题并且提出符合对话的内容问题,则交互性会更高。 当然,人们可以从对话的内容中学习, 就像他们从阅读文本或听讲座中学习一样, 但是对话中的互动似乎有自己的效果(VanLehn et al., 2007)。 在一系列七个实验中,VanLehn 等人将教学对话和阅读文本(在很大程度上等同于阅读内容)进行了比较。 研究结果表明,当学习者的知识水平与教学内容不完全匹配时,高交互性的教学条件要比低交互性的教学条件更有助于学习。 具体而言,当先前知识水平较低的学生(没有上过大学物理课的学生) 学习为先前知识水平较高的学生(上过大学物理课的学生)编写的教学内容时, 与交互性较差的教学相比, 辅导对话确实更有益, 而且效果更大。 当知识水平与教学内容相匹配时, 辅导对话与文本阅读两种条件下的学习效果并无显著差异。

为什么人们会从教程对话中学习呢? 因为参与对话涉及几个与学习相关的过程,包括跟随内容、回答和提问、监控理解、推理、解释、推断、从长期记忆中提取信息。 这些过程,需要人们积极参与,结合对话呈现的内容共同构建一个连贯的心理表征。 因为知识是在工作记忆中主动构建、联系和重复的,所以它们会被学习, 而且比被动地接受它们更容易被记住。智能对话框的结构与真实教学对话非常相似。这些结构基于 Graesser 和 Person(Graesser & Person,1994; Graesser et al., 1995)的研究,他们系统地分析了中学和大学真实教学情境中教师进行教学辅导时的典型对话模式,发现对话中使用了“预期-误解式”对话。 教师在开始辅导课程时,脑海中往往会有一个课程相关问题的清单列表, 列出所考虑的主要问题, 这些问题通常还包括一组预期答案和常见误解。根据问题的不同,可能会有十几个或更多的预期答案要素以及误解。智能教学系统的每一步对话,一般都包括反馈、提示以及启发式问题三个要素。反馈是指智能教学系统模拟人类教师对学生的回答进行判断,如果符合预期就给予正确反馈(“你说的不错”),如果出现误解则立即进行纠正。如果学生还是出现误解,智能教学系统则会给予提示(“看看以下问题是否能给你一些提示”)。诸如此类,通过多轮对话帮助学生尽可能构造出满意的答案。 在每轮对话中, 系统将学生的回答与预期答案要素和误解进行比较, 以此给出不同的反馈并选择下一轮对话的材料,ARA 教学游戏中的对话采用的就是这种模式。例如在一个试验场模块中, 对话教程包含了两个教学代理人,学习者以及学习者的对手(一个动画代理人),学习者在系统中输入了一个回答之后,教学代理人奎恩博士将学生的答案与预期答案对比, 然后给出反馈“这是正确的”,另一个教学代理人布洛斯进行了更细致的答案讲解。

4 ARA 游戏化智能教学系统中的认知科学原则

除了已述及的对话交互性原则外,在ARA 游戏化智能教学系统中还包含了其它四个重要的认知科学原则:最近发展区、自我解释、分散学习效应和编码可变性。这些原则与人工智能的整合,为智能教学系统实现提高学习效率提供重要保障。

4.1 最近发展区

最近发展区 (the zone of proximal development) 指的是个体在独自处理问题时的活动水平与在成人指导下或在更有能力的同伴帮助下所能达到的活动水平之间的差距 (Vygotskie, Embong, &Muslim, 1978)。 当个体处于这个区域之外时,如果问题太简单, 他们可能会感到无聊; 如果问题太困难,他们可能会感到沮丧或不投入。

ARA 教学游戏设计不论是整体还是局部,都紧密围绕最近发展区。 从整体来看,整个游戏过程中,三个模块的顺序有助于通过从简单的任务到困难的任务来维持个体的最近发展区。 教学指导从知识概念(基础模块)开始,然后个人将概念应用于实例(试验模块)。最后需要学习者通过自主提问来辨别研究的缺陷(实践模块)。三个模块的难度依次增加,每个模块都需要借助前一个模块中教授的知识和技能。从局部来看,这一原则又被应用在基础训练模块中,在这一模块中, 系统以三角对话框的形式, 通过选择、填空以及纠错等问题来扩展学习者的知识。当学习者对某个概念缺乏理解时, 系统会向他们提示一个对话框, 对话框内容的难易程度根据学习者当前的知识水平而定:如果是低知识水平的学生,会收到一个简单的对话框, 以避免内容太难而使他们感到沮丧;如果是高知识水平的学生,会收到更严苛更标准的对话框,因为内容太过于简单时,他们会感到无聊,以此来确保最近发展区的应用。 从经验上看,这种策略的使用是基于VanLehn(2007)的工作,他们发现采用对话框方式进行学习活动时, 如果对话的内容要比学生当前的知识水平高一些, 学习效果最好。

4.2 自我解释

自我解释 (self-explanation) 由美国心理学家Chi 于1989 年首次提出,他将自我解释定义为学习者在样例学习或阅读文章的过程中, 为了解释句子或澄清句子所做出的陈述性推理 (Chi, Bassok,Lewis, Reimann, & Glaser, 1989)。 也有研究者将自我解释界定为在教学情景中, 学习者向其自身做出解释,以此力图理解新信息的活动,是一种学习者经常使用的用于帮助自己理解以各种方式呈现出来的外部信息的加工过程 (吴庆麟, 杜伟宇, 2003)。自我解释除了有助于增加理解(Palincsar & Brown,1984)之外,还有助于增加读者准确判断他们理解的能力,即元认知(Griffin, Wiley, & Thiede, 2008)。而在ARA 教学游戏中,自我解释原则主要应用于前两个模块。 首先,在基础训练模块中,玩家会不断地学习有关科学概念的基本知识, 而教学系统会向玩家提出一些反思问题,让玩家对相关概念进行解释,以此来促进对学习材料的进一步加工。 到了第二个模块试验模块中,当玩家找到研究中存在的缺陷时,系统还会要求玩家进一步阐述为什么选择这种缺陷。正是通过自我解释这种方式,学习者对学习材料进行深层次加工,确定已有的误解,修复心理的认知模型,从而构建新的认识图式,最后促进更深层次的学习(Mayer, 2014)。

4.3 分散学习效应

分散学习效应(spacing effect)是指分散学习的学习效果优于集中学习的现象。 分散学习效应是一种稳定且强劲的现象,除了一些非常短的时间间隔,这一效应在大多数情况下均能观察到(Cepeda,Pashler, Vul, Wixted, & Rohrer, 2006)。

在集中学习条件下, 同一类别样例是连续呈现的, 而分散学习则是不同类别样例连续呈现。 这在ARA 教学游戏中也有所体现,即某个概念以及实例在学生初次学习后, 会在不同阶段以不同的形式再次呈现给学生。 具体表现为:随着游戏的进行,学生从一个模块进入到另一个模块, 他们对科学概念和科学原理的理解也在不断地接受测试。 在基础训练中, 学生在每一章结束时会回答一些与该章节主题相关的问题,然后与虚拟人物进行三段论讨论,以加强对章节内容的理解。 而学生在试验场模块对案例进行评估时, 他们对每一个案例都必须运用或者提取在基础模块中学到的科学概念, 以此来确定研究是可靠的还是有缺陷的。换句话说,学生在基础训练模块和试验模块中, 都会接触到相同的概念以及实例。因此,学生将会在游戏中的不同时间段学习并提取这些概念。

4.4 编码可变性

学习的最终目标是学生能够将学到的信息应用到新的环境中。 编码可变性(Encoding variability)指的是,当学习期间的材料具有可变性时,更有利于在新环境中的应用 (Bransford, Sherwood, Hasselbring, Kinzer, & Williams, 1990; Halpern, 2002)。学习过程中的变异性对提高长期记忆和增强知识迁移具有重要作用,由于使用不同科学领域的例子,学生们需要专注于基本的科学原理, 这实际上使学习更加困难。 尽管学习条件的变化使学习者需要付出更多的努力,然而在评估长期记忆时,也会获得更好的学习效益。 用认知心理学的观点来说,和提取练习一样,当学习发生在不同的条件下,关键词的想法有“多种提取线索”,因此在记忆中更“有效”。 例如,教育学研究表明,当不同类型的问题和解决方案在同一节课中混合使用时, 可以获得显著的学习收益, 尽管在初始学习时可能需要更长的时间(Perry, Samuelson, Malloy, & Schiffer, 2010)。

基于此,ARA 教学游戏中涵盖了多种不同科学领域的目标概念让玩家去阅读与识别,包括心理学、生物学、化学、物理学等。不仅如此,学生在学习过程中所接触到的研究文章在格式、 示例与插图上也是不同的,它们读起来或看起来更像博客、广告、报纸和杂志文章。 这种内容和格式上的变化实际上就是为了促进将获得的科学探究技能更好地迁移到其他情境中。而且内置于ARA 教学游戏中的三个不同的阶段本身也是变异性最显著的表现。

5 ARA 游戏化智能教学系统的效果评估

Graesser 和他的同事们基于二十多个实验研究的分析表明,在多个不同的学科学习领域(物理、计算机信息等)中,使用智能教学系统均带来了显著的学习收益 (平均效应量达到 0.8, 属于大效应)(Graesser et al., 2012; VanLehn et al., 2007)。虽然总体而言,ARA 游戏化智能教学系统在实践中的使用得到了积极的反馈,但它所包含的许多特性(例如分数、 故事情节) 理论上可能会分散学习的注意力,在具体评估其效果时应加以考虑。 例如,故事情节本身可能会扰乱学习, 因为它可能会占用学习核心知识的认知资源 (Adams, Mayer, MacNamara,Koenig, & Wainess, 2012), 从而导致出现诱惑性细节效应(Seductive details effcet)。 诱惑性细节效应是当前认知教学领域发现的一个现象, 它指当文本中包含有趣但无关紧要的附件(图片、插入语)时,可能会导致学习效果受消极影响(Garner, Gillingham, & White, 1989)。 产生这种效应的一个原因是学习者围绕着无关信息来组织材料, 而不是文本主体中的重要信息组织材料 (Harp & Mayer,1998)。

为了检验ARA 教学游戏中的故事情节和其他游戏功能对学习效果的影响,Millis 等人对ARA 教学游戏中试验模块的游戏因素进行了操纵, 研究者将大学生分到三组学习条件下:游戏组(在ARA 游戏的试验模块下学习)、无游戏组(在删除ARA 游戏试验模块的故事情节、图像的条件下学习)、控制组(不进行任何学习)。除了游戏因素的不同之外,游戏组与无游戏组所学内容材料均相同。正如预期那样,游戏组学生的成绩要优于无游戏学习组, 说明尽管这些材料和反馈有助于学习, 但游戏活动的加入产生了额外的价值(Millis et al., 2011)。随后,为了进一步证明ARA 教学游戏对促进学习的有效性,Halpern 等人又以三所不同大学的学生为研究对象,实验组通过ARA 游戏进行学习,控制组以普通方式学习。 通过计算学习收益比例——公式为(后测-前测)∕(1-前测),发现实验组的学习收益比例显著高于控制组, 游戏带来了积极的学习效果(Halpern et al., 2012)。

上述发现与一项有关游戏化智能教学系统的元分析报告的结果一致: 学生通过一种教学游戏或者多种教学游戏相结合的方法进行学习时, 游戏化教学的学习效果显著优于传统方法;在延迟测试上,游戏化教学的效果也优于传统方法;在训练的次数上,与传统的教学方法相比, 多次训练后的游戏化教学将产生更高的学习收益。当只进行一次训练时,游戏化教学并不比传统的教学方法更有效(Wouters,Van Nimwegen, Van Oostendorp, & Van Der Spek, 2013)。Mayer(2004)认为,将游戏化教学与其他教学方法相结合之所以能提高效果, 主要是因为游戏作为补充材料提供了反思和知识表达的机会。此外, 最初使用游戏化教学的一个重要原因就是研究者们所谓的动机诉求, 教育游戏的动机吸引力实际上是基于商业电脑游戏的高娱乐价值,因此,游戏因素的加入往往被认为是为增加动机、 增加趣味性的, 而且可能是游戏化智能教学系统发挥作用的重要中介变量。

有趣的是,Wouters 等的元分析报告发现, 与传统的教学方法相比, 游戏化智能教学并未显著提高学生的学习动机。这有些反常识,对此,Wouters 等人综合相关研究提出了三种可能的解释: 第一种解释认为,根据自我决定理论,个体对自己的行动做出自由的选择,强调自我在动机过程中的能动作用,而自主性支持有利于增强内部动机 (Ryan, Rigby, &Przybylski, 2006)。 因此,限制控制感或行动自由可能会破坏内在动机。 休闲电脑游戏与教学游戏的本质区别在于前者是由玩家选择的, 玩家可以随时玩游戏,想玩多久就玩多久,而对于教育游戏而言,所使用的游戏类型和游戏时间一般由相关课程来定义。因此,在教学背景下缺乏对这些决定的控制感可能削弱了教育游戏的动机吸引力。第二种解释认为,注重娱乐的游戏设计与注重学习的教学设计之间的联系并不自然。为了创造有趣吸引人的教育游戏,必须解决好学习与游戏、 自由与控制之间的关系(De Castell & Jenson, 2003; Wouters, Van Oostendorp, Boonekamp, & Van der Spek, 2011)。例如,通过弹出式提示框来向玩家反映信息, 从教学设计的角度来看,这种反馈可能会产生好的学习效果,但这样的干预也有可能会扰乱游戏的进程, 从而破坏游戏的娱乐性。 第三种解释认为测量动机水平的方式方法也可能是影响因素之一。 在元分析报告的31个成对比较结果中,有30 个采用游戏结束后进行问卷调查的方法来测量动机。 而游戏结束后玩家的动机可能会减弱, 因此在游戏结束后进行问卷调查所测得的动机水平可能存在偏差。 有一项研究以游戏过程中观察到的学习者的参与程度评分来衡量动机水平, 发现游戏组比接受练习和小组讨论的对照组更有动力 (Annetta, Minogue, Holmes, & Cheng,2009)。

6 小结

本文基于ARA 游戏化智能教学系统,分析了智能教学系统中蕴含的认知科学原则以及现实应用的教学效果, 并以此为例说明了人工智能原理是如何应用于教育领域的。 智能教学系统作为人工智能技术在教育领域的典型应用,在实验对比条件下,其教学效果优于传统教学模式, 这已经得到众多实证研究的支持。但同时,对游戏化智能教学系统的优势和可能存在的局限应有客观而谨慎的认识。

首先,相对于传统教学方式,智能教学系统在个性化教学、反馈、教学互动方面有其独特的优势。 在个性化教学方面, 不同于一般的计算机辅助学习系统,智能教学系统更加灵活,在人工智能技术的支撑下,系统软件用计算机扮演教师的角色,并能根据学习者当下的知识水平特征、认知特点等,对学生实施个别化教学,对不同特征的学生教授知识。在反馈方面,由于参与了学生学习的全过程,它可以通过对学生学习过程行为数据的感知、跟踪、收集,对学习效果进行分析、评价(如学生的出错率、成绩、目前的学习行为、目前的情绪状态),并据此给予指导反馈,通过调整教学进度、选择最合适的内容、优化教学组织形式来确保学生所学内容与其自身需求与能力相匹配,进而有效促进学习。 在人际互动方面,传统教学方式(尤其是讲授式教学)的短板是学生较易处于被动学习地位, 而智能教学系统可以帮助提供更具互动性的教学,它甚至可以从视觉、听觉、触觉来影响人们的认知。 同时,当学生完成一定学习任务时,智能导师会及时提供积极评价, 未完成时给予即时的监督鼓励。这种经常性、及时的反馈有助于促进学生积极主动地去学习。 确实,已有研究表明,适应性学习、反馈、人际互动这几点都是促进深度学习的必需因素(朱莎, 余丽芹, 石映辉, 2017)。

另一方面, 尽管游戏化智能教学系统在实践中的应用得到了积极反馈, 但其在未来的发展与应用上还应注意以下几点问题。在设计上,游戏化智能教学系统存在的一个主要问题就是如何更好地将学习任务整合到游戏故事中, 真正的整合意味着游戏关卡的推进、 故事情节的推动要在学习者成功地学习和应用新的主题知识之后才能继续。 如果仅仅将游戏和学习结合起来, 而游戏的叙述和学习部分不统一 , 并不能 促 进 学 习 (Seelhammer, Grebe, &Niegemann, 2009)。毫无疑问,这将是一个巨大的设计挑战, 游戏化智能教学系统的设计需要游戏设计师、教学设计师和主题知识专家深入合作才能完成。在游戏类型的选择上, 需要慎重考虑所选游戏类型与学校课程、教学目标之间的适配性。已有所使用的游戏具有很高的异质性, 包含了模拟游戏、 拼图游戏、冒险游戏、棋盘游戏、动作游戏、策略游戏和商业模拟游戏等, 它们在游戏类型、 媒体格式 (2D 或3D)、时间框架、游戏设计和教学支持功能方面都各不相同。哪种游戏与学习目标更为适切,是未来研究有待明确的问题。在生态应用上,如何将游戏化智能教学系统应用于现有的教学体系也是一个挑战。 对于已运行在“教师、黑板、教科书”生态中的学校教育而言, 智能教学系统的融入可能需要重构原有的课程规划,改变原有的教学设计。 例如,美国宾夕法尼亚州匹兹堡学区的智能教学系统(cognitive tutor)教学改革实验之所以成功, 部分原因是研究者拥有重构课程与教学的权力及资源, 学区按照研究者的需求, 重新设计了数学课程与教学 (Koedinger, Anderson, Hadley, & Mark, 1997)。 显然,这是需要多方协调的系统工程。

猜你喜欢

教学系统学习者模块
28通道收发处理模块设计
“选修3—3”模块的复习备考
在线学习环境下学习者画像构建研究
淄博市大力推进交互式在线教学系统应用
铁路信号设备电路原理仿真教学系统设计及应用研究
虚拟仿真教学系统在高校体育教学中的应用问题浅探
基于雨课堂等智慧教学系统的线上线下混合式体育教学实践研究探索
你是哪种类型的学习者
十二星座是什么类型的学习者
非正式学习环境下基于移动终端的学习者模型研究