知識追蹤驅(qū)動的智能導學系統(tǒng)設計與實現(xiàn)

張凱 方洋洋

關鍵詞：知識追蹤；智能導學系統(tǒng)；個性化；系統(tǒng)實現(xiàn)；設計

0 引言

隨著互聯(lián)網(wǎng)的快速發(fā)展，市場上出現(xiàn)了各種各樣的在線學習平臺。這些平臺中較為突出的有中國大學MOOC、超星爾雅、學堂在線等。雖然這些平臺提供了豐富的學習資源，但大量雜亂無章的學習內(nèi)容給學習者帶來了困難，比如在尋找符合學習者自身需求的資源時帶來了巨大的障礙。此外，這些平臺難以有效地展現(xiàn)出學習者實時的知識狀態(tài)，無法引導學習者根據(jù)自身狀態(tài)進行學習。滿足這些需求的關鍵在于熟練運用知識追蹤方法，細致地監(jiān)測每個學習者的學習軌跡，根據(jù)不同的學習者來制定不同的學習計劃。因材施教的重要性不言而喻，這不僅是一種教學原則還是蘊含著教育的正義性[1]。根據(jù)實驗結(jié)果明確表明，本系統(tǒng)能夠有效地滿足上述要求。

1 知識追蹤

1.1 知識追蹤概念

知識追蹤（Knowledge Tracing） 是一種用于教育數(shù)據(jù)挖掘和教育人工智能（AIED） 領域的技術，用于對個體學習者的知識和技能進行建模和評估。這是一種跟蹤學習者學習進度并了解對特定概念或技能掌握程度的方法。知識追蹤的主要目標是了解學習者的學習情況以及可能遇到的挑戰(zhàn)。主要通過分析學習者與教育內(nèi)容（如完成練習測驗或課程作業(yè)）的互動來做到這一點。知識追蹤有多種算法和模型，其中貝葉斯知識追蹤（BKT） 模型是一種應用廣泛的方法。這些模型考慮了學習者回答的正確性、互動的順序以及學習者隨著時間推移忘記信息的可能性等因素。通過應用這些模型，教育工作者和教育系統(tǒng)可以提供個性化的反饋、建議和干預措施，幫助學習者更有效地學習。目前，知識追蹤在自適應學習系統(tǒng)、智能輔導系統(tǒng)和在線教育平臺中的應用均取得了不錯的效果，它在根據(jù)學習者個人需求定制教育內(nèi)容和優(yōu)化學習體驗方面發(fā)揮著至關重要的作用。知識追蹤過程如圖1所示。

在學習者進行作答題目的過程之中，系統(tǒng)不間斷地記錄學習者的學習數(shù)據(jù)，其中包括題目中的知識點（矩陣、條件概率、導數(shù)等），知識點之間的概念關系（行列式與矩陣、求導數(shù)與求積分等），作答反應時間和作答題目的正確與否等。知識追蹤模型持續(xù)用學習數(shù)據(jù)作為輸入，不斷地來計算獲取學習者當前時刻的學習狀態(tài)，從而跟蹤學習者的狀況并預測未來的狀況。

1.2 知識追蹤模型

知識追蹤模型是實現(xiàn)個性化導學的關鍵。現(xiàn)有的模型可根據(jù)實現(xiàn)的方法分為：概率模型、邏輯模型和基于深度學習的模型。概率模型有Cor?bett和Anderson于1994 年提出的貝葉斯知識追蹤（Bayesian KnowledgeTracing） 等，邏輯模型有卡耐基梅隆大學的Koedinger 研究團隊提出了Learning FactorsAnalysis模型等[2]。雖然概率模型和邏輯模型具有很好的解釋性，但是對于學習者在作答習題時可能受到很多因素的影響的情況下，這兩類模型很難獲取到這種復雜的認知過程。而由于深度學習能夠出色地提取學習數(shù)據(jù)中的特征，并轉(zhuǎn)化為學習者的知識狀態(tài)，所以基于深度學習的模型很適合本系統(tǒng)的應用場景。

在眾多的模型中，經(jīng)過慎重考慮，本系統(tǒng)采用基于圖神經(jīng)網(wǎng)絡知識追蹤（graph-based knowledge trac?ing） 模型。這是因為在現(xiàn)代教育環(huán)境中，數(shù)據(jù)驅(qū)動和可視化技術逐漸獲得了更多的重視[3]。以圖表形式呈現(xiàn)知識概念不僅讓模型更易于理解，還提高了它的準確性。這一創(chuàng)新方法主要基于圖的知識追蹤算法，該算法在多個方面都顯示出顯著優(yōu)勢。第一個方面，基于圖的知識追蹤算法在模型的解釋性和準確性方面都有所提升。傳統(tǒng)的知識追蹤模型可能僅關注學習者的答題正確率或反應時間，而忽略了知識點之間的復雜互動。通過圖表形式，可以直觀地看到各個知識點以及之間的聯(lián)系，這極大地增加了模型的可解釋性。第二個方面，與其他普通模型相比，這種方法在學習者知識狀態(tài)的可視化方面具有明顯的優(yōu)勢，每一個節(jié)點在圖中都代表一個特定的知識點，通過這些節(jié)點，教育者和學習者都可以更直觀地了解個體或集體的學習狀態(tài)。這不僅有助于個性化教育，還為進一步的教學改進提供了依據(jù)。最后一個方面，在學習過程中，圖表還允許通過觀察和分析不同節(jié)點之間的相互影響來了解不同知識點之間的關系。這是非常重要的，因為知識通常是相互關聯(lián)和依賴的。通過識別這些依賴關系，教育者可以更精準地制定教學計劃，學習者也能更有效地安排自己的學習路徑，從而提高整體的學習效率。GKT模型如圖2所示。

1.3 知識追蹤在智能導學系統(tǒng)的應用

隨著網(wǎng)絡技術和科學的快速發(fā)展，雖然網(wǎng)上的學習資源呈現(xiàn)出指數(shù)級的增長，但這些資源的分類和組織卻遠遠落后。這些資源通常沒有經(jīng)過有效分類，內(nèi)容參差不齊，因此無法為學習者提供真正有針對性的服務。在當今教育環(huán)境中，個性化教育的概念受到了越來越多的重視，教育專家和政策制定者都強調(diào)應根據(jù)學習者的不同特質(zhì)和需求來進行因材施教。

為了實現(xiàn)這一目標，了解學習者的知識體系、認知風格和學習特點成為至關重要的前提[4]。這需要依賴大量的數(shù)據(jù)分析，包括但不限于學習者的學科基礎、優(yōu)勢學科、答題準確率以及反應時間等。知識追蹤技術恰好可以滿足這一需求，它使用這些數(shù)據(jù)作為輸入，不僅能夠準確地追蹤學習者的學習路徑，還能預測未來的學習發(fā)展。

當前，已有多個將知識追蹤模型應用到智能導學系統(tǒng)的案例，這些案例覆蓋很多領域并且提供了寶貴的經(jīng)驗和教訓。例如在教育類游戲領域中，知識追蹤模型也開始受到關注并逐步被應用[5]。依托于知識追蹤技術，本系統(tǒng)能夠?qū)崿F(xiàn)一系列核心功能，其中包括個性化學習路徑推薦、自適應練習生成以及實時知識狀態(tài)反饋等，從而更有效地促進學習者的個性化學習。系統(tǒng)還能夠提高教育資源的使用效率，還能在更大程度上滿足現(xiàn)代教育對個性化和因材施教的需求，具有廣闊的應用前景和社會價值。

2 智能導學系統(tǒng)設計與實現(xiàn)

2.1 系統(tǒng)總體設計

系統(tǒng)主要包括兩種不同的用戶角色，分別是學習者和教育者，各自擁有不同的功能和權(quán)限。根據(jù)這兩種角色，系統(tǒng)的功能和界面被設計成兩個不同的端，即學習者端和教育者端。智能導學系統(tǒng)的總體架構(gòu)如圖3所示。

2.2 系統(tǒng)的主要功能

2.2.1 學習者端

學習者端是一個多功能的學習平臺，其中包括答題模塊、知識狀態(tài)模塊和個人中心模塊，每個模塊都具有獨特的功能和用途，旨在為學習者提供全面的學習支持和個性化的學習體驗。學習者的架構(gòu)圖總體設計如圖4所示。

答題模塊是學習者端的核心組成部分之一。在這個模塊中，學習者可以參與各種形式的學習活動，如測驗、練習題、作業(yè)等。該模塊可以根據(jù)學習者當前的知識狀態(tài)從題庫中推薦選題，并查看作答歷史等功能。學習者從題庫選取題目并作答后，在作答歷史界面會出現(xiàn)記錄查看對錯并可以重新作答。具體如圖5所示。

知識狀態(tài)模塊旨在幫助學習者更好地了解自己的學習進展和知識掌握情況。該模塊提供知識點追蹤可視化和個人的知識結(jié)構(gòu)等功能。其中在知識結(jié)構(gòu)中學習者可以查看已掌握和尚未掌握的知識點列表，以便有針對性地繼續(xù)學習，知識點追蹤可視化中以柱狀圖和折線圖等方式展現(xiàn)學習者的知識狀態(tài)，以及單個知識點的掌握情況。具體如圖6所示。

2.2.2 教育者端

教育者端主要包括教育者所管理班級每一位學習者的個人信息以及最新的知識狀態(tài)模塊（所有知識點掌握的情況和單個知識點隨著作答次數(shù)增加掌握的變化）、習題模塊（查看已設計的題目和查看題庫以及設計新的題目）、教育者的個人信息模塊。教育者端的架構(gòu)如圖7 所示。

在教育者端，提供了追蹤所管班級中所有學習者的知識狀態(tài)功能，這一功能的核心是可以查看學習者在不同知識點上的掌握情況，以及整個班級在所有知識點上的總體掌握情況。這個功能的價值不僅在于提供了對學習者學習進展的實時洞察，還在于為教育者提供了數(shù)據(jù)驅(qū)動的指導，幫助更好地滿足學習者的學習需求和優(yōu)化教學方法。

教育者通過查看單個知識點的掌握情況，可以識別出每位學習者在特定知識點的強項和薄弱點。這種詳細的知識點分析有助于個性化指導，使教育者能夠為每位學習者提供適合其需求的支持。同時，教育者還能夠監(jiān)測學習者在特定知識點上的學習趨勢，從而了解學習進展是否需要額外的幫助。

總體掌握情況的概覽允許教育者快速了解整個班級在所有知識點上的學習狀態(tài)。這使教育者能夠識別出可能需要重點關注和改進的領域，以便根據(jù)班級整體表現(xiàn)調(diào)整教學策略。這種全局視角為教育者提供了一個更宏觀的視圖，幫助制定更有效的課程計劃和教育策略。同時根據(jù)知識點的名稱和標識，可以使教育者能夠準確識別和討論特定的知識點，確保教學和學習交流的精確性和清晰性。這有助于促進有意義的教育對話和更好的知識傳遞。追蹤班級學習者知識狀態(tài)如圖8所示。

習題模塊能夠幫助教育者有效地擴充課程材料和習題，可以保證習題的多樣性。具體流程為：首先，教育者需要進行一系列設置，包括題目的唯一標識（題目ID） 、題目文本的具體內(nèi)容、相關知識點的標識（知識點ID） 、題目類型（單選、多選、填空等）以及正確的答案。一旦完成了這些參數(shù)的設置，教育者只需點擊操作區(qū)域中的“發(fā)布到題庫”按鈕，即可將題目添加到題庫中，使其變?yōu)閷W習者可以訪問和練習的資源。此外，教育者還可以隨時點擊“已設計題目”來查看已發(fā)布到題庫中的所有題目，以確保題庫中包含所希望提供的所有練習題目。這一靈活且易于使用的功能使教育者能夠自由地創(chuàng)建、編輯和管理題庫，以滿足不同學習者的學習需求，并豐富教育資源，促進更有成效的教學。已設計習題如圖9所示。

3 系統(tǒng)的驗證與使用

3.1 實驗環(huán)境

本智能導學系統(tǒng)的開發(fā)采用B/S架構(gòu)，系統(tǒng)后端在Pycharm專業(yè)版上使用Django框架開發(fā)，Django框架采用MVC（Model-View-Controller） 的設計模式使得開發(fā)復雜的、數(shù)據(jù)庫驅(qū)動的網(wǎng)站變得更加簡單。Django具有DRY（Don't Repeat Yourself） 原則、表單處理等特點[6]。模型的訓練使用PyTorch庫 ，前端使用React框架，React 是一個由 Facebook 開發(fā)和維護的開源 JavaScript 庫[7]，用于構(gòu)建UI 組件。React具有組件化、聲明式編程等特點。數(shù)據(jù)庫采用MySQL存儲，操作系統(tǒng)為Windows Server 2021，數(shù)據(jù)集使用ASSIST2009。實驗環(huán)境如表1所示

3.2 實驗方法

在上述實驗環(huán)境中，為了評估系統(tǒng)的有效性，需要邀請各種不同年齡段的學習者和教育者使用該系統(tǒng)并通過問卷調(diào)查收集用戶滿意度，作為實驗的評估指標。

3.3 評估指標

為了驗證系統(tǒng)的有效性和實用性，學習者和教育者的反饋至關重要。因此，計劃通過分發(fā)在線調(diào)查問卷的方式收集使用者對該智能導學系統(tǒng)的使用體驗和感受。采用語數(shù)外三科類型的題目作為測試題目，滿意度采用5分制，從收集的結(jié)果來看滿意度基本上都在60%以上即大于3。具體如圖10所示。

4 結(jié)論

本文設計開發(fā)和實現(xiàn)了知識追蹤驅(qū)動的智能導學系統(tǒng)，主要工作如下：

1） 在系統(tǒng)內(nèi)實現(xiàn)了使用知識追蹤模型預測學習者知識掌握狀態(tài)的功能；2） 開發(fā)設計和實現(xiàn)了智能導學系統(tǒng)，并收集了使用者的系統(tǒng)滿意度。

根據(jù)實驗結(jié)果以及反饋，可以看出系統(tǒng)中的學習者知識狀態(tài)準確有效，有助于教育者掌握學習者的狀況，輔助學習者找到適合自己的個性化資源。