“智慧學(xué)伴”教育機器人采用經(jīng)典的自我決定理論( self-determination theory) ( Ryan ＆ Deci，2000)作為設(shè)計的理論基礎(chǔ)與基本原則。自我決定理論由美國心理學(xué)家理查德( Richard Koestner) 等人提出，在教育心理學(xué)等領(lǐng)域應(yīng)用廣泛。該理論認(rèn)為，個體 有三種天生的心理需求，即自主感( autonomy) 需求、勝任感( competence) 需求以及關(guān)系感( relatedness)需求。這三類心理需求得到滿足時，個體的內(nèi)部動機就會增強，同時會促進外部動機的內(nèi)化，推進目標(biāo) 的達(dá)成與個體的成長。如果上述三種基本需求得到滿足，學(xué)習(xí)者可以獲得良好的學(xué)習(xí)體驗和激勵，最終提高其學(xué)習(xí)效果與效率。以自我決定理論的三種基本心理需求為基礎(chǔ)( Lu et al．，2018) ，我們確定了“智慧學(xué)伴”教育機器人的設(shè)計原則:

1．自主感 

自主感指個體在充分了解個人意愿及客觀環(huán)境的基礎(chǔ)上，對自身行為作出自由而非強制選擇的感受。這種自由選擇能夠引導(dǎo)個體產(chǎn)生符合其心理需求、有益于個體成長的行為，促成其內(nèi)在動機，即出于興趣或活動本身的樂趣進行選擇。內(nèi)在動機通常能促使個體開展更高水平且創(chuàng)造性的學(xué)習(xí)，能夠自覺運用有效的學(xué)習(xí)策略，面對困難也更能堅持。因 此，針對學(xué)習(xí)者自主感的心理需求，我們提出教育機器人的三條設(shè)計原則: 1) 為學(xué)習(xí)者提供多個符合教學(xué)規(guī)律且合理的學(xué)習(xí)活動選擇; 2) 了解學(xué)習(xí)者對當(dāng)前學(xué)習(xí)內(nèi)容的感受并作相應(yīng)的反饋或調(diào)整; 3) 盡量減少學(xué)習(xí)活動對學(xué)習(xí)者的壓力感與被控制感。

要給學(xué)習(xí)者提供不同的學(xué)習(xí)活動及選擇，一方面需要建設(shè)多模態(tài)、高質(zhì)量的學(xué)習(xí)資源，滿足學(xué)習(xí)者根據(jù)自身特點開展學(xué)習(xí)的需求; 另一方面要利用合理科學(xué)的方式對學(xué)習(xí)資源、教學(xué)目標(biāo)、教學(xué)概念等進行有效組織和架構(gòu)，利用簡單、友好的可視化方式，支持學(xué)習(xí)者與學(xué)習(xí)內(nèi)容間的自由交互與選擇。因此，設(shè)計新型的教育知識圖譜，將學(xué)習(xí)者當(dāng)前的認(rèn)知狀態(tài)進行疊加，可幫助學(xué)習(xí)者客觀認(rèn)識自身學(xué)習(xí)狀態(tài)，引導(dǎo)學(xué)習(xí)者選擇學(xué)習(xí)資源。其次，及時了解學(xué)習(xí)者對學(xué)習(xí)內(nèi)容的感受并作相應(yīng)的反饋或調(diào)整，需要教育機器人能夠通過不同類別的傳感器實時采集與分析學(xué)習(xí)者的過程性與測評性學(xué)習(xí)活動數(shù)據(jù)，并根據(jù)認(rèn)知科學(xué)等理論設(shè)計相應(yīng)的反饋，動態(tài)調(diào)整學(xué)習(xí)內(nèi)容。比如，推斷學(xué)習(xí)者遇到障礙，有大概率產(chǎn)生“疑惑”等情緒時，教育機器人可以及時提供學(xué)科知識問答以及支架式教學(xué)反饋或干預(yù)。最后，引入激勵機制與放松環(huán)節(jié)，可盡量減少學(xué)習(xí)活動對學(xué)習(xí)者帶來的壓力感與被控制感。有效的激勵能夠緩解學(xué)習(xí)者的緊張，有利于學(xué)習(xí)進程的穩(wěn)步推進; 適當(dāng)?shù)姆潘煞催^來可以減輕學(xué)習(xí)的被控制感。

2．勝任感 

勝任感指學(xué)習(xí)者完成學(xué)習(xí)任務(wù)或測評過程中，對所遇挑戰(zhàn)的掌控感與積極的自我肯定。如果學(xué)習(xí)者能夠持續(xù)體驗到勝任感，其內(nèi)部動機可以得到增強，反之會導(dǎo)致挫敗感。因此，針對學(xué)習(xí)者對勝任感的心理需求，我們提出教育機器人的兩條設(shè)計原則:1) 準(zhǔn)確估計學(xué)習(xí)者的知識掌握程度與能力，鼓勵學(xué)習(xí)者開展高層級知識的學(xué)習(xí)，逐步引導(dǎo)其學(xué)習(xí)和理 解挑戰(zhàn)性內(nèi)容。2) 及時肯定學(xué)習(xí)者正確應(yīng)對挑戰(zhàn)和取得的進步。

這就要對學(xué)習(xí)者的知識掌握水平、學(xué)科能力等關(guān)鍵指標(biāo)進行準(zhǔn)確建模，使教育機器人可以在正確的時間適當(dāng)提高學(xué)習(xí)內(nèi)容的難度和挑戰(zhàn)性; 通過自然語言交互等方式鼓勵與肯定學(xué)習(xí)者的關(guān)鍵性進步，強化學(xué)習(xí)者應(yīng)對新的學(xué)習(xí)挑戰(zhàn)的內(nèi)部動機。

3．歸屬感 

歸屬感指學(xué)習(xí)者需要來自周圍環(huán)境與學(xué)習(xí)伙伴的溝通、理解與支持。良好的關(guān)心與溝通可以促進學(xué)習(xí)者增強內(nèi)部動機，幫助其高效完成預(yù)定的學(xué)習(xí)內(nèi)容和任務(wù)。因此，針對學(xué)習(xí)者對歸屬感的心理需求，我們提出教育機器人兩條設(shè)計原則: 1) 在與學(xué)習(xí)者交互時，機器人盡可能傳達(dá)出與學(xué)習(xí)者直接相關(guān)的個性化與標(biāo)志性信息。2) 如技術(shù)條件和教學(xué)進程允許，機器人可以和學(xué)習(xí)者擇機開展與教學(xué)內(nèi)容無關(guān)的交流和溝通。

基于上述設(shè)計原則，教育機器人與學(xué)習(xí)者的交互盡可能采用基于學(xué)習(xí)者個人信息的個性化交互方式和內(nèi)容，比如根據(jù)學(xué)習(xí)者的性別、姓名、經(jīng)歷等設(shè)置問候語等導(dǎo)引信息，自然傳達(dá)對學(xué)習(xí)者的尊重、喜愛與親密。同時，設(shè)計非教學(xué)用途的聊天對話可使學(xué)習(xí)者與教育機器人之間產(chǎn)生直接“聯(lián)系”，增強學(xué)習(xí)者的歸屬感。

(二) 關(guān)鍵支撐技術(shù)

要落實上述基于自我決定理論的三類心理需求及機器人系統(tǒng)的設(shè)計原則，需要利用多項前沿技術(shù)作為其關(guān)鍵支撐和功能實現(xiàn)保障。

1．知識圖譜技術(shù)構(gòu)建教育認(rèn)知地圖 

知識圖譜技術(shù)通常指利用具有結(jié)構(gòu)化語義知識的概念網(wǎng)絡(luò)，描述通用領(lǐng)域或垂直領(lǐng)域的實體以及這些實體間關(guān)聯(lián)的知識表示。利用知識圖譜技術(shù)可以結(jié)構(gòu)化表示教學(xué)過程涉及的不同客觀實體，如知識點、教學(xué)目標(biāo)、學(xué)科教材等，以及這些實體間存在的具有教育意義的各類認(rèn)知關(guān)系，如知識點間的前驅(qū)后繼關(guān)系、習(xí)題與學(xué)習(xí)目標(biāo)間的評測考查關(guān)系等。同時，教育知識圖譜疊加學(xué)習(xí)者知識點掌握程度等認(rèn)知狀態(tài)信息，可以進一步構(gòu)建教育領(lǐng)域的認(rèn)知地圖，直觀呈現(xiàn)給學(xué)習(xí)者，幫助學(xué)習(xí)者了解其學(xué)習(xí)進程和掌握程度。

在“智慧學(xué)伴”教育機器人中，教育知識圖譜一方面作為學(xué)科專業(yè)知識與教學(xué)相關(guān)各類實體的底層數(shù)據(jù)基礎(chǔ)與基本結(jié)構(gòu)，支持學(xué)科知識性智能問答與檢索等基本交互功能; 另一方面，教育認(rèn)知地圖可以直接呈現(xiàn)給學(xué)習(xí)者，并作為人機交互界面幫助學(xué)習(xí)者自主選擇與調(diào)整學(xué)習(xí)內(nèi)容。

2．機器學(xué)習(xí)技術(shù)構(gòu)建學(xué)習(xí)者模型 

機器學(xué)習(xí)技術(shù)通常指利用數(shù)據(jù)或以往經(jīng)驗，優(yōu)化計算機程序的性能和標(biāo)準(zhǔn)的技術(shù)。作為人工智能領(lǐng)域進展最快的關(guān)鍵技術(shù)之一，其在智能教育機器人的構(gòu)建中起著重要作用。教育機器人估計和判斷 學(xué)習(xí)者認(rèn)知狀態(tài)和學(xué)習(xí)能力的基礎(chǔ)是對學(xué)習(xí)者建模。例如，知識追蹤( knowledge tracing) 是對學(xué)習(xí)者的動態(tài)認(rèn)知過程進行量化建模，通常利用貝葉斯理 論、一階馬爾可夫模型機器學(xué)習(xí)算法等進行構(gòu)建。大規(guī)模在線學(xué)習(xí)者及其各學(xué)科測評信息的采集，為學(xué)習(xí)者建模提供了豐富的訓(xùn)練數(shù)據(jù)。同時，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)等技術(shù)的深度知識追蹤模型可以直接幫助解決多知識點動態(tài)建模等關(guān)鍵問題。

在“智慧學(xué)伴”教育機器人的實際系統(tǒng)實現(xiàn)中，我們利用深度學(xué)習(xí)模型構(gòu)建了包括知識追蹤模型( Chen et al．，2018) 在內(nèi)的一系列學(xué)習(xí)者模型，為機器人提供學(xué)習(xí)者當(dāng)前學(xué)習(xí)狀態(tài)的動態(tài)估計信息，使機器人可以及時診斷和干預(yù)學(xué)習(xí)者學(xué)習(xí)障礙或困難。同時，將較為準(zhǔn)確的學(xué)習(xí)者認(rèn)知狀態(tài)等信息嵌入教育知識圖譜，構(gòu)建完整的教育認(rèn)知地圖。

3．自然語言處理技術(shù)構(gòu)建問答與對話系統(tǒng) 

自然語言處理技術(shù)是利用機器對人類自然語言 進行理解、處理和運用的技術(shù)，是當(dāng)前人工智能領(lǐng)域最富挑戰(zhàn)性的子領(lǐng)域之一。在教育機器人的系統(tǒng)構(gòu)建中，基于自然語言處理技術(shù)的問答系統(tǒng)與聊天系統(tǒng)是支持學(xué)習(xí)者與機器人有效教學(xué)的關(guān)鍵交互環(huán)節(jié)。問答系統(tǒng)通常通過對學(xué)習(xí)者提問進行語義理解與解析，并基于底層知識圖譜等知識庫高效檢索所需的信息，提取答案信息，最終生成學(xué)習(xí)者可以接受和理解的自然語言應(yīng)答。對話系統(tǒng)通常分任務(wù)導(dǎo)向型對話系統(tǒng)和非任務(wù)導(dǎo)向型對話系統(tǒng)。任務(wù)導(dǎo)向型對話系統(tǒng)旨在幫助用戶完成特定任務(wù)，非任務(wù)導(dǎo)向型對話系統(tǒng)沒有清晰的任務(wù)，主要模仿人與人之間聊天等非結(jié)構(gòu)性對話與交互。

在“智慧學(xué)伴”教育機器人中，我們同時引入問答引擎與對話代理引擎，支持學(xué)習(xí)者的不同需求。問答引擎專注于處理學(xué)習(xí)者提出的學(xué)科教學(xué)類知識問題，通過對底層教育知識圖譜進行圖搜索生成自然語言答案。對話代理引擎主要支持學(xué)習(xí)者與機器人的閑聊功能，以通用知識圖譜及深度學(xué)習(xí)模型支持該部分功能的實現(xiàn)。

4．情感計算技術(shù)估計學(xué)習(xí)情緒與專注度 

情感計算技術(shù)通常指與人類情感相關(guān)、來源于情感或能夠?qū)η楦惺┘佑绊懙募夹g(shù)，其目的是賦予機器識別、理解、表達(dá)和適應(yīng)人類的情感能力，創(chuàng)建更加有效的人機交互過程。例如，通過計算機視覺分析，實時采集和分析學(xué)習(xí)者的面部表情和身體姿態(tài)等關(guān)鍵信息，輸出包括愉悅、驚訝等情緒結(jié)果。同時，結(jié)合當(dāng)前學(xué)習(xí)內(nèi)容的難度、學(xué)習(xí)者能力及認(rèn)知科學(xué)理論可估計和預(yù)測學(xué)習(xí)者的學(xué)習(xí)情緒和專注度等學(xué)習(xí)狀態(tài)指標(biāo)，對教學(xué)作出及時調(diào)整、干預(yù)或反饋，實現(xiàn)個性化的教學(xué)服務(wù)與情境感知。

利用機器人的前置攝像頭等傳感器設(shè)備，我們建立了學(xué)習(xí)情緒識別模型，可以較準(zhǔn)確地判斷學(xué)習(xí)者對學(xué)習(xí)內(nèi)容產(chǎn)生的負(fù)面情緒。同時，我們提出了 學(xué)習(xí)分析框架 LEARNSense( Lu et al．，2017) 。該框架基于學(xué)習(xí)者學(xué)習(xí)行為和動作等信息，結(jié)合認(rèn)知科學(xué)的經(jīng)典理論，估計學(xué)習(xí)者學(xué)習(xí)專注度，最終構(gòu)建情感計算引擎，實現(xiàn)教育機器人對學(xué)習(xí)者學(xué)習(xí)情感狀態(tài)的準(zhǔn)確感知和識別。

三、系統(tǒng)架構(gòu)與實現(xiàn)

基于以上教育心理學(xué)理論基礎(chǔ)和人工智能領(lǐng)域 的關(guān)鍵支撐技術(shù)，我們對“智慧學(xué)伴”教育機器人進 行了系統(tǒng)架構(gòu)設(shè)計與實現(xiàn)( 見圖 1) 。從系統(tǒng)層面而言，“智慧學(xué)伴”教育機器人分兩大基本模塊: 1) 基于機器人硬件系統(tǒng)的教學(xué)交互模塊; 2) 基于“智慧學(xué)伴”服務(wù)平臺的數(shù)據(jù)與資源模塊。兩大基本模塊通過互聯(lián)網(wǎng)進行信息傳輸和共享。其中，服務(wù)器端的“智慧學(xué)伴”服務(wù)平臺提供學(xué)習(xí)者基礎(chǔ)數(shù)據(jù)和教學(xué)資源，客戶端依托機器人的硬件系統(tǒng)完成教學(xué)交互功能。

(一) 教學(xué)交互模塊

教學(xué)交互模塊是“智慧學(xué)伴”教育機器人的核 心模塊，負(fù)責(zé)機器人的教學(xué)過程及與學(xué)習(xí)者交互功能的實現(xiàn)，其底層設(shè)計了三類基本引擎，即情感計算引擎、問答引擎和對話代理引擎。

1．情感計算引擎 

如前所述，情感計算引擎主要基于泛在計算、計算機視覺等技術(shù)，負(fù)責(zé)完成對學(xué)習(xí)者的學(xué)習(xí)情緒、學(xué)習(xí)專注度等狀態(tài)與指標(biāo)的識別與估計。學(xué)習(xí)者的表情可以反映學(xué)習(xí)的情緒和狀態(tài)，因此實時了解學(xué)習(xí)者的學(xué)習(xí)狀態(tài)并給予實時反饋與教學(xué)支持有重要作用。“智慧學(xué)伴”教育機器人利用計算機視覺技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)分類模型，根據(jù)學(xué)習(xí)者的面部表情 特征，細(xì)分出八種基本情緒的概率值，分別為憤怒、輕蔑、厭惡、害怕、悲傷、驚訝、愉悅與中性。當(dāng)憤怒、輕蔑等前六種情緒的概率值之和或者單一情緒的概率值高于閾值，即判斷學(xué)習(xí)者處于負(fù)面的學(xué)習(xí)情緒。相反，當(dāng)憤怒、輕蔑等前六種情緒的概率值之和小于閾值或者愉悅的概率值高于閾值，可以判斷學(xué)習(xí)者處于相對正面的學(xué)習(xí)情緒。

學(xué)習(xí)專注度描述學(xué)習(xí)者的努力程度和投入程度，同時表征學(xué)習(xí)者認(rèn)知系統(tǒng)的運轉(zhuǎn)效率和對學(xué)習(xí)內(nèi)容的興趣( Trowler，2010) 。當(dāng)學(xué)習(xí)者處于較高水平的學(xué)習(xí)沉浸度時，通常會取得較好的學(xué)習(xí)效果和更深的認(rèn)知程度，這時可以啟動激勵機制促進高水平學(xué)習(xí)專注度的持續(xù)。當(dāng)學(xué)習(xí)者處于較低水平的學(xué)習(xí)專注度時，通常難以達(dá)到預(yù)定學(xué)習(xí)效果和認(rèn)知程度，往往需要采取干預(yù)措施。另一方面，學(xué)習(xí)專注度有隱含性和時變性，通過學(xué)習(xí)者自陳報告和教師評價等形式的主觀數(shù)據(jù)通常很難準(zhǔn)確、連續(xù)地評估學(xué)習(xí)沉浸度。近年來，教育與認(rèn)知科學(xué)研究( Chi ＆ Wylie，2014) 已經(jīng)證明，不同級別的專注度可以通過學(xué)習(xí)過程的外顯行為( overt behavior) 有效推斷。因此，“智慧學(xué)伴”機器人在識別學(xué)習(xí)者的面部表情與肢體動作等外顯行為基礎(chǔ)上，結(jié)合 LEARNSense ( Lu et al． ，2017) 等學(xué)習(xí)分析框架，估計學(xué)習(xí)者的學(xué)習(xí)專注度。

建立教育機器人對學(xué)習(xí)者情緒與專注度的識別與估計能力，可提高教育機器人的感知力，拓寬與學(xué)習(xí)者之間的交互帶寬，提升機器人的智能性，同時為教育機器人的教學(xué)反饋提供基礎(chǔ)信息，為學(xué)習(xí)者提供心理與情感支持，增強學(xué)習(xí)者的自主性，最終為學(xué)習(xí)者的認(rèn)知過程提供實時、準(zhǔn)確、適當(dāng)?shù)姆答伵c支持。

2．問答引擎 

問答引擎主要通過自然語言交流的方式接收、處理和應(yīng)答學(xué)習(xí)者提出的學(xué)科教學(xué)類知識問題。問答系統(tǒng)需要理解與解析學(xué)習(xí)者提出的問題，學(xué)科類問題由問答引擎處理和應(yīng)答; 否則，由對話代理引擎負(fù)責(zé)處理。對于學(xué)科專業(yè)問題，問答引擎會先調(diào)用學(xué)科知識圖譜，然后通過圖搜索的方式檢索和推理相關(guān)信息，生成學(xué)習(xí)者可以接受和理解的自然語言應(yīng)答。例如，學(xué)習(xí)者提問“除了綠色植物，還有哪些生物可以進行光合作用?”問答引擎首先判斷該問題為生物學(xué)科問題，然后開始在生物學(xué)科知識圖譜上進行圖搜索，并將檢索到的“藍(lán)細(xì)菌”“紫細(xì)菌” “海兔”等信息，通過自然語言生成功能，組成學(xué)習(xí)者可以理解的答案，例如，“藍(lán)細(xì)菌、紫細(xì)菌甚至海兔都可以進行光合作用”。同時，為使學(xué)習(xí)者與教育機器人的交互獲得與類似人類教師交互的體驗，問答引擎利用自然語言處理的文字轉(zhuǎn)語音功能，調(diào)整機器人應(yīng)答，并模仿人類教師的語音和語調(diào)，附加鼓勵話語，如“這個問題問得很好，還有別的問題嗎?”。

學(xué)科問答能力的建立，是支持學(xué)習(xí)者與機器人 有效教學(xué)交互的必要和關(guān)鍵環(huán)節(jié)之一，不僅能夠優(yōu) 化和節(jié)省學(xué)習(xí)者的信息搜索過程與時間，提高教學(xué) 反饋的效率和能力，更能增強教育機器人指導(dǎo)的教 育性與專業(yè)性。

3．對話代理引擎 

與問答引擎不同，對話代理引擎主要支持學(xué)習(xí)者與機器人的自由問答和閑聊功能，對學(xué)習(xí)者及機器人的語音交互內(nèi)容不作教學(xué)限定。同時，區(qū)別于傳統(tǒng)的任務(wù)導(dǎo)向型對話系統(tǒng)，該對話代理引擎無需幫助用戶完成特定任務(wù)，主要基于通用知識圖譜及深度學(xué)習(xí)模型等關(guān)鍵技術(shù)，模仿人與人之間聊天開展非結(jié)構(gòu)性對話與交互。例如，“智慧學(xué)伴”教育機 器人可以智能地安慰學(xué)習(xí)者的抱怨( 如“這個問題好難啊”“我肯定學(xué)不會”等) 、對機器人本身信息的詢問( 如“你多大了”“誰是你的父母”等) 以及對通用領(lǐng)域和簡單生活知識的閑聊。但是，受限于自然語言處理技術(shù)，目前“智慧學(xué)伴”教育機器人閑聊的智能水平有局限。如果機器人不能找到可以回復(fù)的答案，它會主動引導(dǎo)學(xué)習(xí)者回到學(xué)習(xí)進程( 如“這個問題我不懂哈，要不我們還是繼續(xù)剛才的學(xué)習(xí)吧?”) 。另外，“智慧學(xué)伴”教育機器人利用面部識別技術(shù)自動識別學(xué)習(xí)者身份，并在閑聊等環(huán)節(jié)自動使用學(xué)習(xí)者的名字、昵稱等，以增強與學(xué)習(xí)者之間的聯(lián)結(jié)，提高學(xué)習(xí)者使用機器人的興趣。

(二) 數(shù)據(jù)與資源模塊

數(shù)據(jù)與資源模塊作為教育機器人底層的信息基礎(chǔ)模塊，主要利用“智慧學(xué)伴”平臺( 余勝泉，2017)通過網(wǎng)絡(luò)傳輸?shù)韧緩綖榻虒W(xué)過程以及人機交互功能提供數(shù)據(jù)與資源支持，包括學(xué)科知識圖譜、社會性學(xué)習(xí)資源、學(xué)習(xí)者數(shù)據(jù)和個性化認(rèn)知地圖。

1．學(xué)科知識圖譜 

如前所述，知識圖譜通常指描述通用領(lǐng)域或垂直領(lǐng)域的各類實體以及這些實體間關(guān)聯(lián)的結(jié)構(gòu)化知識庫。語文、數(shù)學(xué)、生物、歷史等學(xué)科便于構(gòu)建專屬的學(xué)科知識圖譜，表征該學(xué)科教學(xué)涉及的不同元素及元素之間具有教育意義的有效關(guān)系。學(xué)科知識圖譜主要基于該學(xué)科核心知識點之間的語義關(guān)系，形成知識之間的邏輯關(guān)聯(lián)網(wǎng)絡(luò)，并能有效組織教學(xué)、評 價等環(huán)節(jié)產(chǎn)生的數(shù)據(jù)。以知識內(nèi)容和學(xué)習(xí)者為核心對象，學(xué)科知識圖譜可以實現(xiàn)語義理解和推理，幫助教育機器人完成知識教學(xué)和學(xué)科問答等。

2．社會性學(xué)習(xí)資源 

學(xué)習(xí)活動及其所需學(xué)習(xí)資源具備社會屬性，需要利用個體的社會化學(xué)習(xí)行為進行資源聚合，并提升其質(zhì)量和結(jié)構(gòu)化程度。知識之間的內(nèi)在關(guān)系與人的社會性交互形成的人與知識共生的社會性知識網(wǎng)絡(luò)，有助于學(xué)習(xí)資源的有效聚合與質(zhì)量提升。同時，學(xué)習(xí)資源具有多模態(tài)性，需要涵蓋教材、測評試題以及課標(biāo)庫等。其中，多模態(tài)教材包括高質(zhì)量的視頻 類微課等多媒體教學(xué)資源，測評試題可以利用語音識別等技術(shù)進行答案采集。學(xué)習(xí)資源還要根據(jù)課程教學(xué)大綱標(biāo)準(zhǔn)，進行細(xì)顆粒度知識點標(biāo)注，并根據(jù)教學(xué)大綱的學(xué)習(xí)目標(biāo)劃分與歸類能力層級，供個性化認(rèn)知地圖及精準(zhǔn)推薦使用。教育機器人的硬件支持多種學(xué)習(xí)資源使用，如視頻教學(xué)資源可以通過機器人的前置屏幕或者后置投影等，高清晰地展示與播放。

3．學(xué)習(xí)者數(shù)據(jù)與分析 

學(xué)習(xí)者數(shù)據(jù)涵蓋學(xué)習(xí)者產(chǎn)生的學(xué)習(xí)測評數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)和學(xué)習(xí)報告數(shù)據(jù)。其中，學(xué)習(xí)測評數(shù)據(jù)和行為數(shù)據(jù)為學(xué)習(xí)報告的生成提供信息支持。學(xué)習(xí)測評數(shù)據(jù)主要來源于學(xué)習(xí)者的各類測試結(jié)果，包括學(xué)習(xí)者作答正確與否、作答順序、時長等關(guān)鍵信息; 學(xué)習(xí)行為數(shù)據(jù)包括學(xué)習(xí)者與機器人交互過程信息，包括所有的學(xué)科問答與聊天對話數(shù)據(jù)、學(xué)習(xí)者面部表情與動作等過程性信息。在此基礎(chǔ)上，機器人自動生成學(xué)習(xí)者階段性學(xué)習(xí)分析報告，涵蓋薄弱或易錯知識點、與機器人教學(xué)互動以及試題作答等情況，在實際教學(xué)應(yīng)用中還可以生成可視化報告等。

4．個性化認(rèn)知地圖 

學(xué)習(xí)者數(shù)據(jù)和多模態(tài)教學(xué)資源可以進一步構(gòu)成學(xué)習(xí)者個性化認(rèn)知地圖( 萬海鵬，2017) 。個性化認(rèn)知地圖以樹狀或網(wǎng)狀結(jié)構(gòu)展現(xiàn)學(xué)科細(xì)顆粒度知識點，然后在知識點上疊加學(xué)習(xí)者當(dāng)前的認(rèn)知狀態(tài)( 即是否掌握該知識、學(xué)習(xí)與測評進度等) 、多模態(tài)學(xué)習(xí)資源以及該知識點對應(yīng)的教學(xué)目標(biāo)等教學(xué)關(guān)鍵性信息。個性化認(rèn)知地圖可以作為結(jié)構(gòu)化的基本信 息，為教育機器人的上層教學(xué)服務(wù)提供數(shù)據(jù)支撐( 如學(xué)科問答、知識學(xué)習(xí)等) ，也可以用可視化與交互方式直接反饋給學(xué)習(xí)者，使學(xué)習(xí)者了解自身的知識掌握狀態(tài)，促進其自我認(rèn)知和激勵。學(xué)習(xí)者還可以利用教育機器人的觸摸屏等硬件，與其個性化認(rèn)知地圖交互，自由選擇所點擊知識點的詳細(xì)信息和多模態(tài)學(xué)習(xí)資源的推薦。

綜上所述，基于教學(xué)交互、數(shù)據(jù)與資源兩大基本模塊的整體系統(tǒng)架構(gòu)，同時依托個性化認(rèn)知地圖、多模態(tài)教學(xué)資源等基礎(chǔ)性、結(jié)構(gòu)化信息，“智慧學(xué)伴”教育機器人可以實現(xiàn)學(xué)習(xí)情緒與專注度識別、學(xué)科問答以及聊天對話等教學(xué)與交互功能。

四、應(yīng)用模式

在實現(xiàn)前述系統(tǒng)架構(gòu)的基礎(chǔ)上，“智慧學(xué)伴”教育機器人能夠作為學(xué)習(xí)者在家庭環(huán)境的教育指導(dǎo)者，利用其教育專業(yè)性、實時反饋與感知等關(guān)鍵能力，設(shè)計符合個體學(xué)習(xí)者特點的典型應(yīng)用模式，完成不同階段的教學(xué)目標(biāo)，滿足學(xué)習(xí)者對于自主感、勝任感及歸屬感等核心需求( 見圖 2) 。“智慧學(xué)伴”教育機器人的典型應(yīng)用模式包括學(xué)習(xí)疑難問答、學(xué)情 報告分析、學(xué)習(xí)督促提醒、學(xué)習(xí)陪伴激勵和家長教育助手五類。

image.png

圖 2 “智慧學(xué)伴”教育機器人的典型應(yīng)用模式

(一) 學(xué)習(xí)疑難問答

“智慧學(xué)伴”教育機器人可以與學(xué)習(xí)者共同完成一系列學(xué)習(xí)活動。首先，機器人基于內(nèi)置的教學(xué)目標(biāo)與自適應(yīng)學(xué)習(xí)路徑，將多模態(tài)學(xué)習(xí)資源向?qū)W習(xí)者精準(zhǔn)推薦和交互式講授，滿足學(xué)習(xí)者的自主感。在此過程中，機器人允許并鼓勵學(xué)習(xí)者提出問題，并通過問答引擎自動處理和解答所涉及的知識問題，鼓勵學(xué)習(xí)者深入反思或者分享，觸發(fā)學(xué)習(xí)者的思考。其次，當(dāng)完成重要知識點的教學(xué)后，教育機器人會建議學(xué)習(xí)者完成三道題左右的測試。測試方式可以是自然語言，也可以是接觸機器人前端觸摸屏完成，從而幫助學(xué)習(xí)者鞏固知識點，也為機器人提供學(xué)習(xí)者掌握狀態(tài)的測評信息，有助于機器人準(zhǔn)確估計學(xué)習(xí)者認(rèn)知狀態(tài)。同時，學(xué)校端學(xué)習(xí)過程性和測評性數(shù)據(jù)的共享可以提高機器人對學(xué)習(xí)者的理解，包括其優(yōu)勢或者薄弱的科目和知識點，從而更好地解答學(xué)習(xí)者的疑難問題，推薦優(yōu)質(zhì)教學(xué)資源，動態(tài)優(yōu)化學(xué)習(xí)路徑。

(二) 學(xué)情報告分析

“智慧學(xué)伴”服務(wù)平臺的學(xué)校端，可以采集學(xué)習(xí)者長周期、多模態(tài)的過程性與測評性數(shù)據(jù)，如學(xué)習(xí)者的周期性單元微測與總測成績、心理與體質(zhì)健康測評數(shù)據(jù)、與教師在線互動問答等數(shù)據(jù)，然后結(jié)合學(xué)習(xí)者個體、班級以及學(xué)校層面的分析模型，把個體與群體性學(xué)情報告通過機器人端呈現(xiàn)給家長和學(xué)習(xí)者。基于內(nèi)置的知識追蹤等學(xué)習(xí)者模型與階段性的知識測評信息，可以實時更新學(xué)習(xí)者的認(rèn)知地圖，如是否掌握當(dāng)前學(xué)習(xí)單元的知識點，從而動態(tài)調(diào)整學(xué)習(xí)者的學(xué)習(xí)內(nèi)容和學(xué)習(xí)資源。學(xué)習(xí)者也可以直接與自己 的個性化認(rèn)知地圖交互，選擇想學(xué)習(xí)的知識點或教學(xué)資源。多維度的學(xué)習(xí)報告以可視化方式呈現(xiàn)給學(xué)習(xí)者或者家長，讓其了解階段性學(xué)習(xí)的數(shù)據(jù)和意義，如學(xué)科能力素養(yǎng)水平、優(yōu)勢知識點、累計觀看的視頻資源數(shù)量等。學(xué)習(xí)者在家與機器人的互動學(xué)習(xí)或在線學(xué)習(xí)行為，如學(xué)習(xí)內(nèi)容、觀看時間、停留學(xué)科等信息，也可以傳輸和共享給學(xué)校教師端，幫助教師及時了解學(xué)習(xí)者在家中的學(xué)習(xí)狀態(tài)。

(三) 學(xué)習(xí)督促提醒

根據(jù)階段性學(xué)習(xí)報告發(fā)現(xiàn)的問題或者學(xué)習(xí)障礙，教育機器人可以語音提醒學(xué)習(xí)者或家長。同時，根據(jù)學(xué)習(xí)計劃，“智慧學(xué)伴”教育機器人可以利用其無線通訊模塊，連接學(xué)習(xí)者手機、智能手表或者手環(huán)等可穿戴設(shè)備，追蹤學(xué)習(xí)者的實時位置，并在適當(dāng)時間提醒其學(xué)習(xí)。如果學(xué)習(xí)者不在家庭學(xué)習(xí)區(qū)域或未能按時完成學(xué)習(xí)計劃，“智慧學(xué)伴”教育機器人可以發(fā)督促指令，制定干預(yù)措施，鼓勵其按時學(xué)習(xí)。

(四) 學(xué)習(xí)陪伴激勵

機器人需要引導(dǎo)學(xué)習(xí)者逐步建立較好的人機關(guān)系與情感連結(jié)，使學(xué)習(xí)者熟悉與機器人交流的途徑和方法。具體而言，“智慧學(xué)伴”教育機器人在首輪交互中，會通過自然語言、人臉識別、游戲問答等方式，完成自我介紹、學(xué)習(xí)者信息采集( 包括人臉、姓 名、學(xué)習(xí)基礎(chǔ)和背景等) 與存儲、人機交互模式設(shè)置等( 如語音或者觸屏交流等方式) 。在此基礎(chǔ)上，機器人利用人臉識別登錄功能，在確認(rèn)交流對象身份和個體信息的基礎(chǔ)上，根據(jù)學(xué)習(xí)者的偏好采用不同風(fēng)格的交流方式和昵稱，創(chuàng)設(shè)符合學(xué)習(xí)者特點的學(xué)習(xí)場景。同時，機器人多個傳感器對學(xué)習(xí)者的學(xué)習(xí)情緒與專注度等重要指標(biāo)實時監(jiān)測，如感知到學(xué)習(xí)者處于負(fù)面學(xué)習(xí)狀態(tài)時，會觸發(fā)對話代理引擎，對學(xué)習(xí)者進行詢問，與學(xué)習(xí)者進行非教學(xué)內(nèi)容的自由聊 天或建議學(xué)習(xí)者短暫休息，從而滿足學(xué)習(xí)者歸屬感需求。“智慧學(xué)伴”教育機器人也采用積分等獎勵機制，或跳舞等方式，以提高學(xué)習(xí)者的勝任感。

(五) 家長教育助手

“智慧學(xué)伴”教育機器人能夠作為家長的助手。它可以通過學(xué)習(xí)者的個體認(rèn)知地圖展示等，幫助家長輔導(dǎo)學(xué)習(xí)者。如果家長學(xué)科知識不夠，可以通過機器人的問答引擎詢問和求解。同時，教育機器人還可以在家庭端替代家長規(guī)劃學(xué)習(xí)者的家庭學(xué)習(xí)內(nèi)容與活動時間，確保家庭教育有序開展。

五、趨勢與展望

(一) 教育專業(yè)化

當(dāng)前最豐富且優(yōu)質(zhì)的教學(xué)資源仍然以人類教師授課為基礎(chǔ)進行設(shè)計，教育機器人只能針對某些特定學(xué)習(xí)內(nèi)容的簡單知識記憶進行教學(xué)，如何針對教育機器人的特點對教學(xué)資源進行開發(fā)，包括機器人教學(xué)方法的頂層設(shè)計、專業(yè)學(xué)科的知識圖譜建設(shè)、基于認(rèn)知科學(xué)的教學(xué)策略實施等，都是教育機器人走向教育專業(yè)化的重要保障。

(二) 交互智能化

人類教師與學(xué)習(xí)者的實時交流與反饋可以及時滿足學(xué)習(xí)者答疑解惑的需求，還可以滿足學(xué)習(xí)者溝通表達(dá)的情感需求。人機交互等技術(shù)的采用可以降低學(xué)習(xí)者與教育機器人之間的交流閾值，保證相互之間信息交流的便捷性和通暢性。隨著人工智能領(lǐng)域自然語言處理技術(shù)的發(fā)展，教育機器人需要提高其交互的自然性和高效性，如實現(xiàn)教學(xué)目標(biāo)驅(qū)動的聊天對話系統(tǒng)，引導(dǎo)學(xué)習(xí)者在交互中完成特定學(xué)習(xí)任務(wù)，使交互具備教育意義及智能性。

(三) 感知情境化

不同的教育場景和教學(xué)內(nèi)容，通常需要對學(xué)習(xí)者進行不同維度的觀察和理解。因此，教育機器人需要根據(jù)不同的教學(xué)情境，主動感知學(xué)習(xí)者學(xué)習(xí)狀態(tài)及其學(xué)習(xí)環(huán)境。教育機器人將擁有越來越豐富的嵌入式傳感器，各類環(huán)境與可穿戴設(shè)備等可以為其提供基礎(chǔ)數(shù)據(jù)。基于人工智能領(lǐng)域的情境感知與情感計算等技術(shù)，教育機器人需要具備將這類數(shù)據(jù)轉(zhuǎn)化成可以對學(xué)習(xí)者內(nèi)在情緒、專注度、心理需求等進行感知的能力，并在此基礎(chǔ)上提供自適應(yīng)教學(xué)服務(wù)與支持