新型智能导学系统构建及其关键技术

□ 卢 宇 骈 扬 陈鹏鹤

一、背景与挑战

（一）研究背景

近年来我国陆续颁布了《新一代人工智能发展规划》（国务院,2017）、《中国教育现代化2035》（国务院,2019）等政策，强调利用人工智能等新一代信息技术推进智能教学助手、智能学伴等方面的研究和应用，将智能技术融入教与学的全过程，解决规模化教育与个性化学习的基本矛盾，推动教育智能化转型。

研发新一代智能导学系统是推动教育智能化转型的重要举措之一。智能导学系统（Intelligent Tutoring System,ITS）指可以为学习者提供实时教学支持且在此过程中不需要人类教师进行干预的自主性学习系统（Brown,1988）。智能导学系统源于20世纪五六十年代的“教学机器”（Skinner,1961）与“计算机辅助教学”（Carbonell,1970）研究，其事先设计好的矫正策略会在学习者作答错误时提供及时反馈，以帮助教学目标的达成。20 世纪八九十年代，伴随人工智能领域的第二次发展高潮，信息科学与认知科学研究领域的交叉研究促进了一批典型智能导学系统的出现。这些智能导学系统考虑了学习者的认知规律和多类型教学模式，同时也较好利用了当时人工智能领域的“专家系统”等技术。其中的代表性系统包括孟菲斯大学的AutoTutor（Graesser et al.,1999）和斯坦福大学的SCOT（Schultz et al.,2003）等。21 世纪以来，智能导学系统的研究在延续技术与认知科学并重的传统下，更多侧重于如何降低系统的开发成本。例如，伍斯特理工学院的ASSISTments 系统（Heffernan et al.,2006）提供了专门的用户接口，帮助没有编程经验的普通教师设计者低成本快速开发课程内容；美国陆军实验室于2012 年提出了通用智能导学框架（Generalized Intelligent Framework for Tutoring,GIFT），以帮助降低智能导学系统的开发门槛，同时提高系统模块和内容的复用率，从而解决军事部门快速开发和更新用于军事训练的相关课程模块（Sottilare et al.,2012）。近年来，研究者更多关注将智能导学系统融入各类教学模式并拓展其导学内容。例如，将智能导学系统融入翻转课堂（Mohamed et al.,2018）和实验教学（Castro et al.,2021），支持学习者谈判技能（Johnson et al.,2019）和编程技能的训练（Schez et al.,2020）。

智能导学系统经过信息科学领域和认知科学领域长期的研究，已取得了显著的进展，并在教育、医疗、军事等多个领域得到应用。然而，由于智能导学系统的设计与研发仍然面临多重挑战，迄今为止在国内外仍没有被大规模、普及化使用。

（二）面临的挑战

1.对学习者理解不足

智能导学系统服务的直接对象是人类学习者，故其需要像有经验的人类教师一样了解学习者，才能针对学习者在认知过程中遇到的困难进行及时干预与帮助。传统智能导学系统通过建立学习者模型，对学习者在知识状态、认知能力等多维度进行理解和估计。然而，人的认知过程和知识加工过程具有较高的动态性和复杂性，传统的学习者模型通常很难刻画和捕捉这些关键环节，且脑科学目前也很难直接提供建模方法和依据。因此，当前智能导学系统对学习者的理解难以达到普通人类教师的基本水平，尤其在知识状态具有内隐特性的认知维度，无法准确估计学习者的知识状态，从而极大影响了系统的使用效果和效率（卢宇等,2021）。

2.用户体验较差

由于用户对个性化服务功能的迫切需求，智能导学系统的多种服务功能日趋复杂且需要采集系统初次使用者的多维度数据，但普通用户通常不愿花费较长时间配合数据的采集过程（罗江华& 冯瑞,2022）。同时，对于较为复杂的功能设计，用户也通常难以迅速熟悉和使用。我们称之为智能导学系统的“冷启动”问题（Pian et al.,2020）。另外，智能导学系统越来越多采用人工智能领域的各项技术，导致系统内部模型的复杂性日益增加。这些模型通常难以理解并且决策过程不透明，容易直接引发普通学习者和教师的质疑和不信任（杨现民等,2018）。“冷启动问题”和“模型不透明性”都容易直接影响智能导学系统用户的体验，从而极大降低其一线实践和应用的普及程度。

3.自动化程度有限

智能导学系统的初衷是尽量减少人类教师的人为干预，通过自动化的运行过程，帮助学习者自主完成学习过程。然而，随着学习者对智能导学系统依赖程度的增加，部分辅助功能仍然缺乏高效完整的自动化解决方案（张志祯等,2019）。例如，针对学习者作答的自动批阅功能，对开放性、半开放性主观题和证明与论述类题目系统仍然难以实现准确自动批阅，导致无法进行及时反馈，从而极大降低了学习效率和系统的智能化水平。

为解决智能导学系统所面临的上述基本挑战，本研究借助教育教学等领域的经典理论和人工智能领域的最新技术，构建新型智能导学系统。

二、理论基础与关键支撑技术

（一）理论基础

1.知识空间理论

知识空间理论（Knowledge Space Theory,KST）于1985 年被首次提出（Falmagne et al.,1990），已广泛应用于教育学、心理学的研究和实践中。知识空间是对知识及其内在关系的一种图式表征，主要包括知识点和认知关系两类关键要素：知识点代表不同颗粒度的学习内容，认知关系即知识点间的“连接”。知识空间理论强调通过学科内部知识点间的“连接”形成特定知识结构，而这种知识结构可以帮助对学习者的知识点掌握状态进行高效测评。例如，知识点“三角形”是知识点“勾股定理”的基础，这两个知识点间存在特定的“连接”关系。基于这种“连接”关系以及学习者对“三角形”的掌握状态，可以帮助推断同一学习者对“勾股定理”以及其他相关知识点的掌握状态，并将已掌握的知识用一组知识点的集合来表示。基于知识空间理论，学科的知识内容能够进行结构化和组织化描述，学习者的知识掌握状态能够较好地进行估计并以结构化的形式呈现。因此，知识空间理论可以为新型智能导学系统提供底层知识结构支撑和信息组织框架。

2.游戏化设计理论

游戏化（gamification）指在非游戏情境下融入游戏相关元素的设计方法。这一概念由盖布·兹彻曼在2011 年正式提出（Zichermann & Cunningham,2011），随后广泛应用于医疗、金融、教育等领域的软件设计中，以引导用户使用系统和参与互动。在教育领域，游戏化设计的元素通常包括积分、排行榜、奖杯勋章等，并服务于“展示成就”“提示进度”两种实际需求（Majuri,Koivisto,&Hamari,2018），从而可以有效支持学习者参与、提升学习者学习动机和学习效果。在诸多游戏化设计理论中，MDA（Mechanics-Dynamics-Aesthetics） 是一种代表性理论（Hunicke,LeBlanc,& Zubek,2004）。其中， Mechanics 代表机制，即游戏化界面中的基本元素、用户可执行的每个基本动作等基础性机制；Dynamics 代表动态，指用户和系统间的过程性交互，尤其是用户在游戏化机制上产生的交互行为；Aesthetics 代表美学，指用户通过与游戏化机制进行动态交互时所产生的各类情绪反应。MDA 是一种综合考虑设计机制、设计动态和设计美学的模型，有助于优化学习者与系统的交互过程，提高其参与度，可以为智能导学系统提供趣味性、沉浸式的用户体验。

3.最近发展区理论

最近发展区（Zone of Proximal Development,ZPD）是苏联著名教育学、心理学家维果斯基于20世纪提出的理论，其独创性地阐释了教学、学习与发展间的关系。该理论指出，学习者独立解决问题时的能力代表其实际发展水平，在教师指导下解决问题的能力代表其潜在发展水平，二者之间的差距即为该学习者当前的最近发展区（Vygotsky,1967）。在学习者的最近发展区间内进行教学干预，才能发挥教学干预的最大效能。最近发展区理论作为社会建构主义理论的核心组成部分，强调了有效教学需贴合学习者的个性化发展潜能。该理论能够深化和帮助智能导学系统对学习者学习需求的理解，对系统教学策略的设计具有指导作用，从而为学习者提供最适合其个人潜能的反馈与导学。

（二）关键支撑技术

要实现新型智能导学系统在学习者理解、用户体验、自动化等方面的优化提升，需要利用多项人工智能领域前沿技术，将其作为系统功能实现的关键支撑。

1.深度学习技术

机器学习指通过特定模型拟合数据样本的分布，完成分类或预测等任务，从而改进系统自身性能的人工智能技术。传统机器学习多采用决策树、线性回归等简单模型，在较小规模数据上进行建模。近年来，基于多层人工神经网络的深度学习技术（LeCun,Bengio,& Hinton,2015），由于在大规模数据与高维数据空间上展现出了对信息表征和隐含特征提取的强大能力，被广泛应用于博弈、交通和医疗等领域，并成为人工智能发展历程中的重要里程碑。

在教育领域，深度学习技术可以基于多模态海量教育数据对学习者的认知过程进行建模。与传统学习者模型不同，深度学习技术支持下的学习者模型能够在多知识点上表征和捕捉学习者的长周期动态认知过程，并更加精准地预测学习者内隐知识状态的变化趋势和外显学习表现。近年来，以深度知识追踪（Deep Knowledge Tracing,DKT）模型为代表（Piech et al.,2015）的学习者模型，可以帮助智能导学系统更好理解学习者的认知状态等关键信息及其变化规律。

2.自然语言处理技术

自然语言处理（Natural Language Processing,NLP）旨在研究人与机器间用自然语言进行有效交互的理论和方法，其本质在于从无结构的人类自然语言序列中理解有结构的语义信息。早期自然语言处理技术依赖于传统的统计学方法建立模型。近年来，受到深度学习等技术的影响，自然语言处理技术利用词嵌入等方法尝试学习和理解人类所使用的词汇、短语和句子等多粒度语言单元间复杂的语义关系，从而完成机器翻译、文本分类与生成、自动问答等典型任务（Otter et al.,2020）。

在智能导学系统中，自然语言处理技术可用于自动批阅、题目自动生成和教学辅助对话等多种服务。以自动批阅为例，开放型文本类答案的自动批阅一直是极具挑战性的任务。随着自然语言处理领域大规模预训练模型的出现，学习者文本答案的语义表征可借助BERT等语言模型（Devlin et al.,2019）实现，结合注意力机制等深度学习方法，可较大幅度提升自动批阅与人类教师批阅结果的一致性和准确性。

3.可解释人工智能技术

人工智能技术的快速演进与发展，导致相关模型与系统的内部结构日趋复杂，其内部运行过程与决策依据也日益“黑箱化”。例如，深度学习与自然语言处理模型通常包括多种神经网络基础单元与上万个不同参数（最新GPT-3 模型的参数量甚至已达1,750亿个）。虽然复杂模型可以帮助智能导学系统的性能得到极大提升，但是也导致用户甚至系统开发人员难以理解模型与系统的决策过程与依据。尤其在教育领域，缺乏清晰透明规则的智能导学系统会直接降低用户的信任，也会直接影响学习者和教师等用户的使用体验。本研究团队的前期用户调研表明，80%以上的智能导学系统用户对系统及其模型存在不信任感，更有超过95%的用户建议对系统运行做出解释（卢宇等,2022）。可解释人工智能技术（explainable Artificial Intelligence,xAI）用于向用户解释或呈现复杂模型与系统的决策过程与依据，可以作为新型智能导学系统与普通用户之间沟通的技术手段。可解释人工智能技术可以分为全局解释方法与局部解释方法，前者侧重对模型整体决策逻辑和规则进行阐释，后者主要帮助解析模型具体的输入及其对模型最终决策结果的贡献程度（纪守领等,2019）。通过适当的用户接口设计，可解释人工智能技术可以帮助用户剖析新型智能导学系统对教育数据的分析过程，理解所采用的复杂模型和系统如何运行，从而有助于建立用户信任并优化其使用体验（卢宇等,2022）。

三、系统构架与实现

依托上述经典理论和关键支撑技术，本研究提出了新型智能导学系统的基本架构图，如图1所示。系统总体可以分为三层，即领域知识层、基础模型层和用户接口层。领域知识层基于知识空间理论构建面向多学科的教育知识图谱和教学策略库；基础模型层基于深度学习与自然语言处理技术建立学习者模型和自动批阅模型，并基于最近发展区理论构建个性化教学策略模型；用户接口层基于游戏化设计理论，面向学习者、教师和家长等各类用户，进行用户交互机制设计并建立个性化学习导航，同时利用可解释人工智能技术构建认知地图作为系统主交互界面。该系统架构适用于构建不同学科的新型智能导学系统，且涵盖了传统智能导学系统中的主要功能模块并进行了扩展。

图1 新型智能导学系统基本架构图

基于上述系统架构，本研究团队设计并研发了针对数学学科的智能导学系统“雷达数学”。该系统自2018 年启动研发以来，已陆续实现可解释认知地图、自动批阅、个性化学习导航、最近发展区教学支架、游戏化新手引导等功能和服务，并面向多所一线学校开展了测试，获得了良好的用户反馈。下面以“雷达数学”为例，对新型智能导学系统架构的具体实现进行详细阐述。

（一）领域知识层

领域知识层包括学科知识库和教学策略库，用来表征、存储和管理相关知识与信息。基于知识空间等理论，我们专门设计了适用于新型智能导学系统的教育知识图谱，对学科知识、教学策略和教学目标等关键信息进行结构化组织。该知识图谱重点纳入了教学过程中的有效实体类型（如学科知识点、学习目标、教学活动等）以及具备教育含义的实体间关系（如学科知识点间的前驱后继关系、包含关系等）。教育知识图谱的构建可以用自动化方式进行，即利用自然语言处理中的条件随机场（Conditional Random Field,CRF）等技术对知识点等实体进行自动提取，利用概率关联规则挖掘（probabilistic association rule mining）等技术对前驱后继等重要知识点间关系进行自动识别，具体技术细节可参考陈鹏鹤等（Chen et al.,2018）的工作。教学策略库涵盖了基于素养导向的学科能力框架（曹一鸣等,2016）、学习路径和学习支架等要素信息。其中，学科能力框架包括学习理解、实践应用、创造迁移3个维度及其下属的9个子维度，可直接用于个体学习者学科能力发展测评与诊断。领域知识层是智能导学系统的知识基础与数据来源，为基础模型层和用户接口层提供了结构化学科知识、教学资源和测评性数据。

（二）基础模型层

1.基于深度学习与学科知识图谱的学习者模型

学习者模型作为智能导学系统的核心功能模块，是系统提供各项智能化导学服务的重要前提。基于深度学习技术与构建的学科知识图谱，我们提出了新型学习者模型。学科知识图谱中具有大量有助于学习者知识状态建模的关键信息，因此可以作为学习者模型新的信息源。具体而言，学科知识图谱可以为学习者模型提供图拓扑结构信息与知识点间的认知关系信息。如图2所示，我们利用深度学习技术中的网络嵌入（network embedding）方法与DAG-GRU 网络，得到包括图拓扑结构信息的知识点向量，并将其作为新型学习者模型的输入之一。同时，我们将知识点间的认知关系信息作为深度学习模型的约束条件群，对模型进行训练和优化。在超过4,000 名学习者连续三年的多学科数据集（Lu et al.,2021）的实验表明，相比其他基于深度学习或传统方法的模型，新型学习者模型在AUC 与ACC 等主要指标上可以取得至少12.2%与9.2% 的性能提升，从而可以更加准确地对学习者的知识状态进行估计和理解。模型实现的技术细节可参考卢宇等（Lu et al.,2022）的工作。

图2 基于深度学习与学科知识图谱的学习者模型

2.基于最近发展区的个性化教学策略模型

教学策略模型指在一定的教学理论和原理的指导下，选择适当的教学内容对教学过程进行动态组织和推荐。我们将最近发展区理论作为教学策略模型的基本理论依据之一，结合“学习理解—应用实践—迁移创新”的学科能力框架（曹一鸣等,2016），构建了符合学习者学科能力发展的教学策略模型。最近发展区理论强调学习者能力的发展过程通常是多维度、连续且非线性的，“雷达数学”系统设计了多步骤反馈的诊断试题，根据学习者的作答次数、选项的能力编码和支架的提示程度，综合判断学习者独立活动的现有能力水平以及在教师指导下能够达到的潜在能力水平，并将二者之间的差距作为该学习者的最近发展区。在此基础上系统为学习者提供相应的个性化学习支架服务和资源推荐，并为每位学习者提供其最近发展区的可视化报告及其能力发展的具体建议（刘宁&余胜泉,2020），以帮助学习者实现从现有能力水平到潜在能力水平的提升。教师也可以根据报告与建议，在线下课堂中设计最贴合学习者发展水平的教学活动。

3.基于自然语言处理的自动批阅模型

在智能导学系统中通常涵盖多类型题目资源，与固定标准答案的选择题和填空题不同，文本类和公式类题目的学习者答案多种多样，预先设定的参考答案通常难以覆盖所有可能作答情况。因此，“雷达数学”针对文本类和公式类题目及其作答分别构建了自动批阅模型。针对文本类题目及作答，我们利用自然语言处理技术并结合题目的参考答案构建了自动批阅模型。该模型主要由文本表示层、注意力层、输出层三部分构成。文本表示层借助预训练BERT 模型将学习者答案和参考答案编码成包含语义信息的向量表示；注意力层基于双向注意力机制，提取参考答案与学习者答案之间的匹配信息；输出层利用卷积神经网络进一步获取局部特征，计算并输出学习者答案的得分预测结果（谭红叶等,2019）。针对公式类题目及作答，“雷达数学”利用STACK工具（Sangwin,2015）构建潜在响应树及正则表达式，对形式不同但代数等价的公式进行自动匹配与判断，从而实现对该类题目作答的即时批阅和反馈。对多种类型题目作答的自动批阅结果，可以为学习者模型和教学策略模型及时提供个体学习者的作答数据，也可以极大提升系统的自动化程度，解决人工批阅的主观性和滞后性问题。

（三）用户接口层

1.可解释认知地图

我们以知识空间理论为基础提取所构建的学科教育图谱的结构化信息，构建了学科“认知地图”。学科“认知地图”可以清晰呈现该学科的知识空间结构和个体学习者当前的认知状态，同时集成了相关个性化学习服务（Pian et al.,2019）。“雷达数学”系统中的“认知地图”采用四级结构对数学学科知识点进行组织和呈现，不同颜色和边框形式分别表示学习者已掌握的“优势知识点”、尚未完全掌握的“薄弱知识点”以及尚缺乏足够信息进行判断的“无法评估知识点”。学习者的知识掌握状态由所建立的学习者模型提供并进行实时更新。

由于基于深度学习与学科知识图谱的学习者模型采用了较为复杂的人工神经网络结构与算法，需要对其输出做出适当阐释，以满足“认知地图”的实际使用需求。“雷达数学”系统采用可解释人工智能技术中的层次相关传播（Layer-Wise Relevance Propagation,LRP）方法，对所构建的学习者模型进行局部解释（Lu et al.,2022）。LRP 方法的核心思想是利用反向传播机制，将输出层的预测信息通过中间层的神经元及其连接逐层传回输入层，得到每一个输入对预测结果的贡献。例如，假设某学习者已经完成九道题目的练习，各题目考察了相同或不同知识点，LRP方法可得到每道题目与知识状态估计结果之间的关联值。通常情况下，关联值越高反映该题目的作答结果对模型估计结果的影响越大。因此，我们可以在“认知地图”上设计适当交互元素，以展现系统如何判断当前学习者的知识状态，从而打开系统中的“黑箱”模型，提升用户的信任度并改善其使用体验。图3展示了在“雷达数学”系统的用户接口设计中，对“认知地图”里薄弱知识点“一元二次方程应用”进行解释的一种呈现方式。

图3 “认知地图”中学习者知识状态解释的呈现方式

2.游戏化机制设计

为了优化“雷达数学”系统的使用体验，同时获取学习者模型、教学策略模型等所需的多维度数据，我们基于游戏化设计中的MDA 理论框架对系统的游戏化机制进行了整体设计（Pian et al.,2020），如图4所示。

图4 “雷达数学”MDA游戏化设计架构

（1）机制设计

“雷达数学”中的机制（Mechanics）由具体的游戏化元素组成。按照元素的类别，可以分为叙事元素（narrative elements）和任务导向元素（task-oriented elements）。叙事元素包括故事背景、角色扮演和系统化身（avatar），旨在使学习者快速熟悉系统环境并了解其关键服务；任务导向元素主要包括奖励、任务和反馈设计，旨在通过游戏化激励机制提升学习者在具体学习任务中的互动频率，以从系统角度采集必需的用户数据，从而解决“冷启动”问题。在实际系统中，我们根据青少年学习者的特点设计学习者扮演“小雷达”角色，梦想成为一名优秀的宇航员，探索“数学宇宙”，并在此过程中完成新手导引的各项任务，获得相应的“宇航装备”作为奖励，具体的任务内容包括系统功能学习、题目自主作答等。

（2）动态设计

在机制设计的基础上，动态（Dynamics）设计侧重于用户与机制元素的交互方式和交互结果。针对任务导向类的游戏化机制，动态设计定义了在何种交互条件下会触发任务、得到奖励和收到反馈；针对叙事类的游戏化机制，动态设计界定了学习者在角色扮演过程中的行为序列树，从而确保背景故事的情节发展在可掌控的范围。在“雷达数学”系统中，在完成各项任务的过程中如果遇到困难，“小雷达”会以不同形式进行提示并激励学习者；当完成任务时，“小雷达”也会为学习者送上奖励和积极反馈。在此过程中，“雷达数学”一方面向用户呈现了系统的主要功能和交互方式，弥合了操作鸿沟；另一方面也借助“小雷达”的询问，隐式收集了部分学习者数据，以更新认知地图的初始状态。

（3）美学设计

美学层（Aesthetics）设计主要关注角色扮演和任务完成过程中的情感。在学习者与系统的交互过程中，“雷达数学”系统的操作可以引起学习者四种情绪体验：①角色扮演时，学习者经历叙事性；②触发任务时，学习者收获发现感；③遇到问题时，学习者面临挑战性；④获得奖励时，学习者体会获得感。这四种主要情绪，能够在成功时不断触发学习者深入探索的好奇心，失败时鼓励引导学习者继续思考和尝试，使学习者保持较高的学习投入度。

3.个性化学习导航

在“雷达数学”的用户接口层，学习者可以在个性化学习导航的指引下完成在线自主学习。具体而言，系统基于所构建的个性化教学策略模型，结合不同学习者的实时认知状态，为其提供学习路径规划与知识点学习资源推荐。该导航功能主要借助“认知地图”实现交互。例如，当学习者将鼠标悬停在认知地图中的某一知识点上，若该知识点状态为“未掌握”且其前驱知识点也为“未掌握”或“未学习”，系统则会引导学习者首先学习前驱知识点；若该知识点状态为“未掌握”，但不存在“未掌握”或“未学习”的前驱知识点，系统则会引导学习者增强当前知识点的学习；若该知识点已处于“掌握”状态，系统则会引导学习者继续学习其后继知识点。由于不同学习者在不同知识点上掌握情况不同，“雷达数学”可以为每位学习者提供适应其学情的学习路径，从而实现个性化的学习导航功能。在图5所示的系统界面中，学习者将鼠标悬停在“整式的加减运算”知识点上，系统判定该知识点存在薄弱的前驱知识点“去括号法则”，因此通过导航箭头导引学习者对前驱知识点先进行学习和巩固。

图5 “雷达数学”系统个性化导航界面

四、应用场景

新型智能导学系统可以应用于不同的典型教育场景，直接服务于学习者、教师和家长等多种角色。

（一）线上学习工具

线上自主学习是信息化教学的重要方式。新型智能导学系统可以较好地解决该场景下学习者主动性差、知识状态参差不齐、易于陷入“信息迷航”等现实问题，优化在线自主学习的过程并提高效率，改善学习效果。系统可以引导学习者自主完成未学知识点的主动学习与已学知识点的巩固复习。针对未学知识点集合，系统通过游戏化方式引导学习者按照科学规划的学习顺序，逐步完成各知识点的学习与练习，并及时提供个性化反馈与奖励，从而保证学习者的高投入度。针对已学知识点集合，系统可以通过对学习者知识状态的细颗粒度动态估计准确定位薄弱知识点，并根据知识点间的结构性关系（如前驱后继关系）自动生成个性化学习路径。在此基础上，利用认知地图中的导航功能，引导学习者沿规划的学习路径开展薄弱知识点的复习与巩固，并及时提供可自动批阅的练习资源与支架式教学资源，从而促进线上自主高效学习的发生。

（二）教师辅助工具

教师工作的减负增效是促进有效教学的关键。新型智能导学系统可在很大程度上减轻教师机械重复的工作，并帮助其实时获取学习者的多级细颗粒学情，从而提升教学干预的及时性和有效性。系统可以在教师端进行多种类型题目创设与多级学情数据分析。教师可以根据个体教学经验，针对所在班级或者个体学习者特点从题库中选取或创建针对性习题，同时设置习题批阅和反馈方式。对于学习者容易回答错误的习题，教师可以设置特定反馈与提示，以利于学习者对相应知识点的深入认识和理解。系统可以在学生端直接进行多种类型题目的自动批阅，部分题目需要设置参考答案并由系统设计者嵌入所需的自动批阅模型。自动批阅功能可以大幅度降低教师的批阅工作量，且不受主观因素的影响，批阅速度也更快。基于群体学习者的自动批阅结果，系统还可以结合学习者多模态过程性学习信息（如观看视频的个数与时长）与测评性信息（如单元内所有知识点掌握情况），在教师端形成诊断性学情报告，帮助教师了解学习者自主学习情况并提供干预建议，从而配合教师开展课堂教学并及时根据群体或个体学情调整教学方案。

（三）家校协同工具

学校教育和家庭教育的协调互补，是形成教育合力、促进学习者成长的重要方式。新型智能导学系统可以为家长提供多维信息，通过多种渠道优化家校协同中的信息沟通内容并提高沟通效率，从而将家庭教育和学校教育有机衔接。系统基于学习者个性化学情，可以为其提供定制化、分层作业，家长可以直接将个性化作业打印，督促学习者线下完成。同时，系统中的个体与群体学情报告经过教师筛选后可以共享给家长，帮助家长及时了解并配合教师开展协同共育，改善学校教育与家庭教育割裂与分离的现实。另外，家长也可以根据系统中提供的线上自主学习路径与规划，监督与提醒学习者在家庭环境下及时按计划完成阶段性学习目标。

五、趋势与展望

新型智能导学系统在教育领域具有较强的发展潜力和应用价值，我们对其发展进一步提出以下建议和展望：

（一）充分利用先进的人工智能技术

当前人工智能技术处在快速发展和演进时期，新一代智能导学系统的设计和研发应充分利用最新的人工智能技术。例如，在自然语言处理与机器推理等领域，大规模预训练模型在多模态资源自动生成、自然语言理解与自动问答等领域均有突破。新一代智能导学系统可以充分利用这些前沿技术，在学科资源标注与推荐、学习者知识建构与自然交互等功能上进行改进和创新，从而提升其在教学实践中的实用性，并拓展其应用场景与模式。

（二）加强系统的教育可解释性

随着智能导学系统中各类复杂模型的嵌入与实际应用，需要增强智能导学系统中各个模块与关键功能的可解释性，尤其是针对教师、学习者和家长等提供具备教育意义的可解释性。例如，针对基于复杂模型的自动批阅功能需要研发特定解释算法，对批阅结果为错误或部分错误的题目不但提供错误答案的反馈信息，还要结合学习科学和教育心理学相关理论，针对不同对象提供不同方式的解释性信息，以满足系统使用者的心理需求，增强其学习效果。加强智能导学系统的教育可解释性，既可以提升使用者对系统的信任度，还可以避免由于“算法偏见”或“数据偏见”引起的模型输出错误等问题。

（三）探索人机协同的智能导学新模式

单纯依赖算法模型的自动化导学目前仍然面临系统智能性有限、内循环资源开发成本高等现实问题。为更好普及和利用智能导学系统，应积极将人类教师等重要角色纳入智能导学系统的整体设计中，借鉴“人在回路”（Human in the Loop）的基本设计思想，充分发挥教师在导学过程中的专业优势与智慧，创设包括“机器智能辅助-教师教学”“教师监督-机器智能导学”“机器智能伙伴-教师协同教学”等多种人机协同的导学新模式。