虛擬機(jī)器人協(xié)同學(xué)習(xí)：智能指導(dǎo)交互系統(tǒng)設(shè)計及實(shí)踐進(jìn)路

[摘 要] 虛擬機(jī)器人作為通用人工智能新型載體，以其顯著的多模態(tài)交互優(yōu)勢而受到重視，以支持學(xué)習(xí)者自主學(xué)習(xí)的方式賦能教育數(shù)字化轉(zhuǎn)型。為提升其在針對不同課程的智能協(xié)同學(xué)習(xí)精準(zhǔn)性，文章提出了基于MTV模型的虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)，通過定量研究方法，旨在分析虛擬機(jī)器人交互的耦合關(guān)系。文章以K12階段不同類型課程的學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)為個案，結(jié)合虛擬機(jī)器人交互系統(tǒng)設(shè)計中用戶邏輯、介質(zhì)邏輯以及過程邏輯三層交互邏輯，對學(xué)習(xí)者與課程交互、學(xué)習(xí)者與系統(tǒng)交互以及學(xué)習(xí)者與虛擬機(jī)器人交互這三類交互形式進(jìn)行分析，創(chuàng)建學(xué)習(xí)者情感偏好標(biāo)簽。通過結(jié)合ChatterBot機(jī)器學(xué)習(xí)算法挖掘出K12階段五類學(xué)習(xí)者在學(xué)習(xí)取向、學(xué)習(xí)風(fēng)格及學(xué)習(xí)需求三個維度的狀態(tài)特征，提升中國式教育環(huán)境中集成虛擬機(jī)器人的教育交互精準(zhǔn)度。文章發(fā)現(xiàn)，虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)在個性化學(xué)習(xí)路徑指導(dǎo)、多維度課程資源推薦方面優(yōu)勢明顯，為虛擬機(jī)器人發(fā)揮“智慧學(xué)伴”同伴效應(yīng)及智能學(xué)習(xí)跟蹤等提供實(shí)踐層面參考。

[關(guān)鍵詞] 人工智能； 機(jī)器人； 交互設(shè)計； 教育數(shù)字化； 人機(jī)協(xié)同； 個性化學(xué)習(xí)

[中圖分類號] G434 [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 公雪（1993—），女，山東臨沂人。副教授，博士，主要從事教育智能化與教育機(jī)器人研究。E-mail：gongxuegx@foxmail.com。謝中取為通信作者，E-mail： xiezq@njust.edu.cn。

一、問題的提出

隨著人工智能技術(shù)快速迭代，數(shù)智時代的中國式教育方式向數(shù)字化演進(jìn)，相關(guān)智慧產(chǎn)品的智能化屬性愈發(fā)突出，虛擬機(jī)器人作為教育機(jī)器人的虛擬化身，以融合多元人工智能新技術(shù)賦能個性化教學(xué)[1]、精準(zhǔn)交互式學(xué)習(xí)[2]。2023年，教育部發(fā)布《以數(shù)字化開辟教育發(fā)展新賽道》，提到應(yīng)帶動物理與虛擬教學(xué)空間迭代融合，以“數(shù)字橋梁”賦能教育，促進(jìn)課程教學(xué)改革[3]。同年，工業(yè)和信息化部等十七部門印發(fā)《“機(jī)器人+”應(yīng)用行動實(shí)施方案》，提出將“機(jī)器人+”融合到教育場域，建設(shè)機(jī)器人服務(wù)平臺[4]，實(shí)現(xiàn)智慧教育新模式。通用人工智能技術(shù)促進(jìn)了虛擬機(jī)器人作為具有智能決策、大數(shù)據(jù)集成、機(jī)器視覺等多重功能的智慧媒介被廣泛應(yīng)用于教育場域。現(xiàn)階段，虛擬機(jī)器人雖具備強(qiáng)大語言支持與多模態(tài)技術(shù)，但實(shí)時數(shù)據(jù)生成技術(shù)較為薄弱[5]，存在實(shí)時數(shù)據(jù)捕捉不準(zhǔn)確、無法理解用戶特定需求與學(xué)習(xí)進(jìn)度變化等問題，亟待耦合大量數(shù)據(jù)源為其提供數(shù)據(jù)樣本，供虛擬機(jī)器人進(jìn)行學(xué)習(xí)，以此優(yōu)化虛擬機(jī)器人的可交互式智能協(xié)同學(xué)習(xí)能力。

因此，文章將針對K12階段學(xué)習(xí)者在偏文科課程（包括語文、英語、歷史、地理課程）、偏理科課程（包括數(shù)學(xué)、化學(xué)、物理課程）以及偏藝術(shù)課程（包括美術(shù)、音樂課程）三類不同類型課程中構(gòu)建基于MTV模型的虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)。基于三層交互邏輯對虛擬機(jī)器人的情感交互設(shè)計進(jìn)行建模，從而捕捉學(xué)習(xí)者學(xué)習(xí)注意力變化[6]，進(jìn)行情感化互動，充分發(fā)揮智能學(xué)伴的協(xié)同作用。通過精準(zhǔn)刻畫學(xué)習(xí)者畫像，推進(jìn)虛擬機(jī)器人教育交互介入，從而營造沉浸式的精準(zhǔn)課程推薦體驗(yàn)，適時進(jìn)行個性化學(xué)習(xí)干預(yù)，擴(kuò)寬虛擬機(jī)器人在數(shù)智時代的教育實(shí)踐應(yīng)用范圍。

二、虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)協(xié)同學(xué)習(xí)的交互邏輯

虛擬機(jī)器人為學(xué)生提供精準(zhǔn)學(xué)習(xí)支持與實(shí)時交互邏輯。其從用戶邏輯（包括學(xué)科偏好、學(xué)習(xí)狀態(tài)及學(xué)習(xí)反饋）、介質(zhì)邏輯（包括課程反饋、界面設(shè)計及模型構(gòu)建）以及過程邏輯（包括人機(jī)交互、應(yīng)用場景及機(jī)器人行為）三層交互邏輯出發(fā)，構(gòu)建了學(xué)習(xí)者與虛擬機(jī)器人交互、學(xué)習(xí)者與系統(tǒng)交互以及學(xué)習(xí)者與課程交互三類交互形式，為精準(zhǔn)協(xié)同學(xué)習(xí)者進(jìn)行有效學(xué)習(xí)提供了抓手，實(shí)現(xiàn)精準(zhǔn)化學(xué)習(xí)干預(yù)與教學(xué)輔導(dǎo)。

（一）用戶邏輯：學(xué)習(xí)者與課程交互

用戶邏輯包括學(xué)科偏好、學(xué)習(xí)狀態(tài)及學(xué)習(xí)反饋三個部分（見表1）。學(xué)習(xí)者作為面對虛擬機(jī)器人的直接交互者，其對不同課程的直接情感反饋是促進(jìn)虛擬機(jī)器人這一類智能產(chǎn)品設(shè)計過程中關(guān)注用戶真實(shí)學(xué)習(xí)需求的重要因素。通過對不同課程學(xué)習(xí)者情感偏好數(shù)據(jù)的獲取，構(gòu)建學(xué)習(xí)包供虛擬機(jī)器人進(jìn)行學(xué)習(xí)，促進(jìn)虛擬機(jī)器人有效嵌入學(xué)習(xí)者實(shí)時學(xué)習(xí)環(huán)境之中。

表1 用戶邏輯的交互形式

1. 課程主題特征標(biāo)簽處理

根據(jù)在線教育平臺瀏覽量、點(diǎn)擊率、彈幕對K12階段的課程進(jìn)行人工標(biāo)注與篩選，采用Python標(biāo)準(zhǔn)庫對此類課程數(shù)據(jù)進(jìn)行爬蟲，去除對課程主題特征相關(guān)主題詞產(chǎn)生影響的噪音信息，以確保數(shù)據(jù)質(zhì)量，并收集清洗后的數(shù)據(jù)。由此，將數(shù)據(jù)分為偏文科相關(guān)課程、偏理科相關(guān)課程以及偏藝術(shù)相關(guān)課程三類，并分別進(jìn)行課程視頻主題特征提取分析。

2. 情感表達(dá)屬性標(biāo)簽處理

（1）不同情緒學(xué)習(xí)者識別。學(xué)習(xí)者在學(xué)習(xí)中所產(chǎn)生的實(shí)時情感變化會直接影響學(xué)習(xí)狀態(tài)與進(jìn)度。通過建立自定義教育情感詞匯本體庫，并結(jié)合SO-PMI算法定義情感種子詞，選取基準(zhǔn)詞并定義Pword和Nword，將單個詞語δ1與Pword的點(diǎn)間互信息與δ1 與Nword之間的點(diǎn)間互信息進(jìn)行相減運(yùn)算，得到差值后進(jìn)行情感判斷，以彈幕關(guān)鍵詞為篩選標(biāo)準(zhǔn)，篩選在線學(xué)習(xí)者的有效評論。

（2）情感分類與識別。文章構(gòu)建的自定義教育情感詞匯本體庫融合了中文情感匯本本體庫中的情感詞和人工標(biāo)注教育相關(guān)自定情感詞。該本體庫將情感按照情感類別、情感強(qiáng)度、詞性種類及極性進(jìn)行劃分，分為樂、怒、好、哀、懼、惡、驚7大類和21子類[7]。將二者結(jié)合以擴(kuò)展情感詞的精細(xì)顆粒度。隨后，將爬蟲所篩選的文本詞語結(jié)合后進(jìn)行情緒分布計算，包括s（φ）詞匯情感值、v（φ）詞匯情感強(qiáng)度以及p（φ）詞匯情感極性，從而得出7類情緒出現(xiàn)頻率最高的情感特征詞并構(gòu)建情感標(biāo)簽。

（3）情感強(qiáng)度量化。情感詞劃分為五檔（1、3、5、7、9檔，強(qiáng)度逐次遞增），將其極性劃分為貶義向度、褒義向度（表示為2、1）。結(jié)合SnowNLP類庫對中文進(jìn)行分詞與情感分析。在運(yùn)算中，根據(jù)情感得分均值對情緒變化打分，區(qū)間在75%～100%為高正向積極情緒、50%～75%為低正向積極情緒、25%～50%為低負(fù)向消極情緒、0%～25%為高負(fù)向消極情緒。

3. 評價信息行為屬性標(biāo)簽處理及學(xué)習(xí)包構(gòu)建

（1）評價物理時間標(biāo)簽。經(jīng)人工對三類課程標(biāo)注并分類后，再對在線學(xué)習(xí)者在不同時間節(jié)點(diǎn)發(fā)送評論的△Tp和△Tυ平均相對注意力集中時間進(jìn)行計算。若△Tp＜△Tυ，說明學(xué)習(xí)者快進(jìn)了部分學(xué)習(xí)內(nèi)容[8]；若△Tp=△Tυ，說明達(dá)到了理想學(xué)習(xí)情況，正常觀看了課程；若△Tp＞△Tυ，說明學(xué)習(xí)者暫停或中止過課程，進(jìn)行了彈幕發(fā)送、回看知識點(diǎn)或休息操作。這些差異反映出學(xué)習(xí)者在觀看在線課程時的直觀互動模式，并將平均相對注意力劃分為強(qiáng)、中、弱三類。

（2）用戶生成內(nèi)容標(biāo)簽。將在線平臺課程數(shù)據(jù)與用戶UGC總量結(jié)合計算。Gβ、Hβ為β內(nèi)單個學(xué)習(xí)者參與學(xué)習(xí)時的彈幕，計算出其在學(xué)習(xí)過程中發(fā)送彈幕的數(shù)量與交互程度[9]，并通過LDA主題建模技術(shù)來搜集主題內(nèi)容并提取其學(xué)習(xí)需求特征。

（3）學(xué)習(xí)者活躍度標(biāo)簽。通過測定現(xiàn)存關(guān)系，以用戶操作標(biāo)準(zhǔn)為入度，以此量化活躍度。以彈幕互動類型（包括與群體互動、與內(nèi)容互動、與教師互動以及與功能互動）作為參數(shù)，對信息交互的中心性度量計算，并將其劃為高度活躍、中度活躍、低度活躍及不活躍四個維度的活躍度標(biāo)簽，以此發(fā)現(xiàn)學(xué)習(xí)取向特征。

（二）介質(zhì)邏輯：學(xué)習(xí)者與系統(tǒng)交互

介質(zhì)邏輯是對課程反饋、系統(tǒng)界面及模型構(gòu)建三個部分的設(shè)計。該部分主要通過自主對精準(zhǔn)學(xué)習(xí)資源推送與專業(yè)化學(xué)習(xí)數(shù)據(jù)監(jiān)測的方式滿足個性化教育需求[10]。如圖1所示，介質(zhì)邏輯主要通過系統(tǒng)界面設(shè)計作為第一視覺媒介與學(xué)習(xí)者產(chǎn)生直接交互，學(xué)習(xí)包作為課程反饋的導(dǎo)向性模塊與學(xué)習(xí)者產(chǎn)生間接弱交互，二者交互則是由基于Python Web框架Django的MTV模型進(jìn)行實(shí)現(xiàn)。

圖1 介質(zhì)邏輯的系統(tǒng)交互形式

基于Django的MTV模型是模型（Model）、模塊（Template）、視圖（View）的全棧 Web 開發(fā)模型。將上述得到的學(xué)習(xí)包輸入形成數(shù)據(jù)集，在Python中導(dǎo)入Chatterbot和Flash庫并進(jìn)行訓(xùn)練。采用機(jī)器學(xué)習(xí)決策樹對學(xué)習(xí)者特征的學(xué)習(xí)包進(jìn)行構(gòu)造，其由熵和信息增益組成[11]，對熵以及信息增益進(jìn)行計算，并對數(shù)據(jù)進(jìn)行集成。

將數(shù)據(jù)集成后，將學(xué)習(xí)包作為功能模塊應(yīng)用于MTV模型，以此實(shí)現(xiàn)虛擬機(jī)器人交互系統(tǒng)的自主智能化交流。訓(xùn)練結(jié)束后結(jié)合model.predict函數(shù)對學(xué)習(xí)者交互指令進(jìn)行分類測試，并反饋用戶意圖。其次，通過Django對已訓(xùn)練好的Chatterbot進(jìn)行測試，指定端口服務(wù)。然后，通過創(chuàng)建FastAPL應(yīng)用，并設(shè)置CORS中間件來搭建虛擬機(jī)器人的API。最后，導(dǎo)入訓(xùn)練好的Chatterbot模型庫啟動虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)。通過決策樹構(gòu)建的方式對模型精確度進(jìn)行測試，模型儲存并交互部署，確保學(xué)習(xí)者與虛擬機(jī)器人交互之間存在正向度迭代與控制，實(shí)現(xiàn)精準(zhǔn)課程資源輸出。

（三）過程邏輯：學(xué)習(xí)者與虛擬機(jī)器人交互

過程邏輯包括人機(jī)交互、應(yīng)用場景及虛擬機(jī)器人行為三個維度。虛擬機(jī)器人通過集成多模態(tài)交互、語音識別及人工智能等技術(shù)，具備教育多維互動性等優(yōu)勢，增強(qiáng)了游戲化寓教于樂的學(xué)習(xí)體驗(yàn)[12]。虛擬機(jī)器人通過集成課程資源、自由對話的形式對教學(xué)資源進(jìn)行了智能化運(yùn)用與開發(fā)[13]。從過程邏輯（見表2）來看，通過觸控交互、語音交互及視覺交互三個維度來實(shí)時關(guān)注學(xué)習(xí)者學(xué)習(xí)取向、學(xué)習(xí)風(fēng)格及學(xué)習(xí)需求的狀態(tài)，為其智能推薦不同課程類型與難易程度，強(qiáng)化學(xué)習(xí)者自主學(xué)習(xí)能力。

表2 過程邏輯的交互形式

首先，在經(jīng)過用戶邏輯和介質(zhì)邏輯對虛擬機(jī)器人交互邏輯的計算后，對虛擬機(jī)器人進(jìn)行驗(yàn)證與交互。利用虛擬AIROS通信機(jī)制，對決策樹資源進(jìn)行接收與儲存。在ROS中創(chuàng)建新節(jié)點(diǎn)以儲存不同類型學(xué)習(xí)者畫像并實(shí)時更新迭代，通過ROS主節(jié)點(diǎn)傳送至虛擬機(jī)器人課程交互中。其次，利用Google Cloud等云服務(wù)平臺[14]，將虛擬機(jī)器人對話系統(tǒng)與ROS中儲存的學(xué)習(xí)包節(jié)點(diǎn)進(jìn)行整合，達(dá)到共享信息目的。最后，通過實(shí)時云傳輸與更新進(jìn)行功能，實(shí)時捕捉用戶情感變化，及時更新畫像特征，從而精準(zhǔn)與學(xué)習(xí)者實(shí)時交互，以供開發(fā)者對相應(yīng)功能進(jìn)行更新。利用決策樹根據(jù)學(xué)習(xí)者的屬性標(biāo)簽，結(jié)合學(xué)習(xí)需求、學(xué)習(xí)取向及學(xué)習(xí)風(fēng)格，進(jìn)行個性化學(xué)習(xí)資源推薦；實(shí)時調(diào)整互動方式，動態(tài)生成適應(yīng)不同類型學(xué)習(xí)者的學(xué)習(xí)包；實(shí)時迭代、傳輸至虛擬機(jī)器人交互系統(tǒng)中，以此針對不同課程達(dá)到陪伴學(xué)習(xí)者進(jìn)行沉浸式學(xué)習(xí)的效果。

三、虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)的

人機(jī)感知設(shè)計實(shí)證

（一）學(xué)習(xí)數(shù)據(jù)感知獲取和預(yù)處理

在眾多在線學(xué)習(xí)平臺中，Bilibili平臺年輕用戶居多，K12階段相關(guān)課程類型與資源豐富，觀看人數(shù)、點(diǎn)贊人數(shù)及彈幕評論人數(shù)龐大，且曾被上海指定為主流在線學(xué)習(xí)平臺[15]，故選取該平臺進(jìn)行實(shí)證分析。以Bilibili的偏文科課程（包括語文、英語、歷史、地理課程）、偏理科課程（包括數(shù)學(xué)、化學(xué)、物理課程）以及偏藝術(shù)課程（包括美術(shù)、音樂課程）中學(xué)習(xí)者的情感評論作為數(shù)據(jù)源。

首先，通過Python解析Bilibili中三類課程播放量排名靠前的視頻，獲取三類課程學(xué)習(xí)者的交互行為（點(diǎn)贊、收藏、彈幕），獲取感知數(shù)據(jù)15，160條。其次，結(jié)合Jieba庫對數(shù)據(jù)文本進(jìn)行預(yù)處理，把數(shù)據(jù)文本分詞后，對無效內(nèi)容、重復(fù)內(nèi)容進(jìn)行數(shù)據(jù)清洗，得到實(shí)際數(shù)據(jù)15，077條。最后，結(jié)合在線學(xué)習(xí)者在學(xué)習(xí)過程的情感偏向來建立在線學(xué)習(xí)情感辭典，對彈幕文本進(jìn)行數(shù)據(jù)化處理，通過自定義停用詞并增加分詞、過濾對情感無影響詞語后，剩余七類情緒有效數(shù)據(jù)14，570條。

再利用SnowNLP庫進(jìn)行情感分析。基于TextBlob進(jìn)行中文自然語言分析，將正向度、負(fù)向度及中向度情緒標(biāo)準(zhǔn)樣本分別歸類后，通過SnowNLP對樣本進(jìn)行情感訓(xùn)練，再對數(shù)據(jù)時間分布情感趨勢進(jìn)行預(yù)測。結(jié)果如圖2所示，在線學(xué)習(xí)者對在線學(xué)習(xí)課程的認(rèn)可度相對較為積極，褒義向度情緒達(dá)50.2%，貶義向度情緒為29.5%，中性向度情緒為20.7%。每一個科目的情感分值分布均有所不同，偏理科課程的在線學(xué)習(xí)認(rèn)可度高于偏文科課程及偏藝術(shù)課程；在線學(xué)習(xí)者對數(shù)學(xué)課程積極情緒最高，對英語課程積極情緒最低，分別為0.926930分和0.473489分。可見，在線學(xué)習(xí)者對于在線學(xué)習(xí)具有一定的認(rèn)可度，但對部分科目存在一定消極情緒。因此，應(yīng)將產(chǎn)生積極情緒相關(guān)課程的課程架構(gòu)、教師風(fēng)格屬性及時輸入至虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)中，并分析產(chǎn)生消極情緒課程內(nèi)容和科目的缺點(diǎn)，并加以改進(jìn)。

圖2 學(xué)習(xí)者對不同課程的情感分值

（二）學(xué)習(xí)者畫像分類與群體識別

得到在線學(xué)習(xí)者對不同課程情感分值后，使用無監(jiān)督K-means聚類算法對學(xué)習(xí)者群體分類。通過SSW/SSB、SSW、SSB以及WB-index聚類評價指標(biāo)[16]來進(jìn)行類個數(shù)計算，如圖3所示。SSW/SSB指標(biāo)基本隨k值呈穩(wěn)定下降趨勢，在拐點(diǎn)k=5時有一定波動。在WB-index中，在k=5時經(jīng)歷短暫上升拐點(diǎn)，k＜5后，仍保持下降趨勢。因此，主題數(shù)量為5時為相對最優(yōu)聚類個數(shù)，此時群體差異顯著性最大，故將學(xué)習(xí)者畫像分為五個群體。

圖3 聚類衡量指標(biāo)隨k值變化圖

進(jìn)一步對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。首先，將文本型數(shù)據(jù)和數(shù)據(jù)型數(shù)據(jù)輸入，采用MinMaxScaler函數(shù)進(jìn)行數(shù)據(jù)歸一化，并計算五個聚類類別內(nèi)部最顯著特征數(shù)值。在讀取每類的索引并獲得數(shù)據(jù)特征后獲得字符串形的描述性統(tǒng)計信息及最頻繁值。其次，將數(shù)值型和字符串型特征進(jìn)行合并，并將每個聚類下的數(shù)據(jù)特征進(jìn)行追加。最后，輸出聚類的特征信息并轉(zhuǎn)化為矩陣，得到聚類矩陣圖（如圖4所示）。

圖4 在線學(xué)習(xí)者情感分類顯著特征對比

（三）學(xué)習(xí)包輸出與虛擬機(jī)器人系統(tǒng)交互

1. 學(xué)習(xí)包輸出

結(jié)合上述聚類矩陣圖，將各類學(xué)習(xí)者的類型信息、情感特征及學(xué)習(xí)特征進(jìn)行標(biāo)簽描述和學(xué)習(xí)包輸出，得到學(xué)習(xí)包數(shù)據(jù)分為反思型學(xué)習(xí)者、被動型學(xué)習(xí)者、交互型學(xué)習(xí)者、理論型學(xué)習(xí)者以及應(yīng)用型學(xué)習(xí)者五類，見表3。

第一，反思型學(xué)習(xí)者。此類學(xué)習(xí)者注重對學(xué)習(xí)內(nèi)容的理解，彈幕發(fā)送頻率適中，互動相對積極，傾向于復(fù)習(xí)線下所學(xué)知識及重點(diǎn)知識點(diǎn)解答兩類學(xué)習(xí)需求。其偏向于選擇偏理科課程及偏藝術(shù)課程，在學(xué)習(xí)過程中呈現(xiàn)低正向積極情緒表達(dá)。此類學(xué)習(xí)者學(xué)習(xí)取向一般，注意力水平尚可，多與學(xué)習(xí)內(nèi)容互動，在重點(diǎn)知識點(diǎn)輸出、有互動內(nèi)容節(jié)點(diǎn)時的注意力較為集中。在融入虛擬機(jī)器人交互系統(tǒng)中要及時關(guān)注此類學(xué)習(xí)者的問題疑惑，提供專門的節(jié)點(diǎn)進(jìn)行專屬知識點(diǎn)解答服務(wù)，定期詢問學(xué)習(xí)困惑并進(jìn)行解答。

第二，被動型學(xué)習(xí)者。被動型學(xué)習(xí)者學(xué)習(xí)效率較低，多為被動地接受課程內(nèi)容，會出現(xiàn)快進(jìn)、倍速播放視頻等行為。其學(xué)習(xí)取向較分散，注意力較弱，多被在線平臺的其他功能轉(zhuǎn)移注意力，出現(xiàn)與功能互動的低效學(xué)習(xí)行為。此類學(xué)習(xí)者的學(xué)習(xí)興趣集中在對偏文科課程或偏藝術(shù)課程的復(fù)習(xí)層面，在觀看時會產(chǎn)生低負(fù)面消極情緒表達(dá)，知識吸收較為被動。在融入虛擬機(jī)器人交互設(shè)計時，對教學(xué)內(nèi)容設(shè)置要更為娛樂化，以融入游戲的方式加強(qiáng)注意力引導(dǎo)，并提供學(xué)習(xí)效率情感支持。

第三，交互型學(xué)習(xí)者。此類學(xué)習(xí)者注重學(xué)習(xí)過程中的交流與討論，在學(xué)習(xí)中會產(chǎn)生正、負(fù)兩種向度的反饋。從正向度來看，交互型學(xué)習(xí)者樂于發(fā)送彈幕與群體互動，起到鼓勵自我、激勵他人的學(xué)習(xí)效果。其學(xué)習(xí)興趣范圍集中于偏理科課程，在對知識點(diǎn)的預(yù)習(xí)和復(fù)習(xí)兩個方面的學(xué)習(xí)需求上都比較積極。從負(fù)向度來看，交互型學(xué)習(xí)者由于實(shí)時關(guān)注彈幕內(nèi)容，有時會產(chǎn)生注意力分散的情況，學(xué)習(xí)效率會受到一定影響。在融入虛擬機(jī)器人交互時應(yīng)關(guān)注情感管理，設(shè)計回答問題環(huán)節(jié)與獎勵機(jī)制，鼓勵此類學(xué)習(xí)者提問與回答問題，促進(jìn)學(xué)習(xí)正向互動。

第四，理論型學(xué)習(xí)者。理論型學(xué)習(xí)者多傾向于對學(xué)習(xí)內(nèi)容的思考，尤其是偏理科課程。在學(xué)習(xí)過程中有具體的學(xué)習(xí)取向，體現(xiàn)出低正向積極情緒表達(dá)。此類學(xué)習(xí)者關(guān)注對預(yù)習(xí)、復(fù)習(xí)或知識擴(kuò)展的學(xué)習(xí)需求，樂于與群體互動，通過同伴效應(yīng)來促進(jìn)學(xué)習(xí)。在融入虛擬機(jī)器人時，可設(shè)置知識點(diǎn)擴(kuò)展問題環(huán)節(jié)，在虛擬機(jī)器人指導(dǎo)學(xué)習(xí)過程中提供更多知識點(diǎn)的擴(kuò)展資料，以完善學(xué)習(xí)者的知識結(jié)構(gòu)，提升此類學(xué)習(xí)者的學(xué)習(xí)興趣。

第五，應(yīng)用型學(xué)習(xí)者。應(yīng)用型學(xué)習(xí)者學(xué)習(xí)效率較高，能夠?qū)χR點(diǎn)進(jìn)行深入理解與思考。此類學(xué)習(xí)者表現(xiàn)出五類在線學(xué)習(xí)者中最高的情感特征，具有高正向積極情緒表達(dá)，學(xué)習(xí)活躍度較高。此類學(xué)習(xí)者多注重與偏文科或偏理科課程中的教育者進(jìn)行互動，以此達(dá)到預(yù)習(xí)、復(fù)習(xí)、知識擴(kuò)展或知識點(diǎn)解答的多維度學(xué)習(xí)需求。在融入虛擬機(jī)器人交互設(shè)計時，應(yīng)設(shè)置個性化學(xué)術(shù)導(dǎo)師服務(wù)，提供實(shí)踐性學(xué)習(xí)支持，提升此類學(xué)習(xí)者的學(xué)習(xí)體驗(yàn)。

2. 虛擬機(jī)器人交互系統(tǒng)設(shè)計與測試

將五類學(xué)習(xí)者的學(xué)習(xí)包輸出并集成為語料庫供虛擬機(jī)器人進(jìn)行機(jī)器學(xué)習(xí)。隨后進(jìn)行數(shù)據(jù)訓(xùn)練，迭代方式為200次，得出匹配的語境標(biāo)簽。進(jìn)一步對訓(xùn)練好的模型進(jìn)行測試后，發(fā)現(xiàn)該系統(tǒng)交互精度為89.6%，得到虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)（如圖5所示）。抽取54名五類學(xué)習(xí)者進(jìn)行實(shí)踐應(yīng)用后發(fā)現(xiàn)，該系統(tǒng)顯著提高了學(xué)生學(xué)習(xí)效率：反思型學(xué)習(xí)者79.3%、被動型學(xué)習(xí)者87.5%、交互型學(xué)習(xí)者95.4%、理論型學(xué)習(xí)者70.1%、應(yīng)用型學(xué)習(xí)者90.4%。

虛擬機(jī)器人交互系統(tǒng)是通過虛擬機(jī)器人的用戶邏輯、介質(zhì)邏輯及過程邏輯的遞進(jìn)式交互設(shè)計來實(shí)現(xiàn)協(xié)同學(xué)習(xí)，主要以虛擬機(jī)器人課程交互系統(tǒng)作為直接強(qiáng)交互觸點(diǎn)。虛擬機(jī)器人系統(tǒng)的客戶端所配載的人機(jī)交互界面、音箱、無線麥克風(fēng)及攝像頭設(shè)備作為視覺伺服系統(tǒng)，與實(shí)際環(huán)境中學(xué)習(xí)者直接交互。而其軟件系統(tǒng)中的微控制器與服務(wù)器端通信，是儲存深度學(xué)習(xí)所集成的在線學(xué)習(xí)者畫像數(shù)據(jù)的主要模塊，可以實(shí)時獲取學(xué)習(xí)者特征并進(jìn)行間接匹配。因此，基于MTV模型的虛擬機(jī)器人交互系統(tǒng)設(shè)計，可以雙向度保證虛擬機(jī)器人：一方面，通過機(jī)器學(xué)習(xí)來實(shí)時追蹤現(xiàn)實(shí)環(huán)境學(xué)習(xí)者的情感狀態(tài)變化與運(yùn)動狀態(tài)，以保持即時交流；另一方面，通過現(xiàn)有大數(shù)據(jù)來實(shí)時抓取更多數(shù)據(jù)源進(jìn)行計算與分析，不斷迭代新的學(xué)習(xí)者特征，實(shí)時進(jìn)行學(xué)習(xí)內(nèi)容、學(xué)習(xí)進(jìn)度方面的調(diào)整，以此更為精準(zhǔn)匹配實(shí)際學(xué)伴需求，更好地與硬件設(shè)施進(jìn)行配合，發(fā)揮生成式人工智能的學(xué)伴價值。

四、虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)的

人機(jī)協(xié)同實(shí)踐進(jìn)路

對虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)實(shí)踐進(jìn)路的闡析是進(jìn)一步審慎剖解虛擬機(jī)器人在人機(jī)協(xié)同維度的產(chǎn)品標(biāo)準(zhǔn)化設(shè)計的有效方式，通過上述數(shù)據(jù)化特征所構(gòu)建的針對學(xué)習(xí)取向、學(xué)習(xí)風(fēng)格、學(xué)習(xí)需求等方面的服務(wù)模式，提出其協(xié)同開發(fā)應(yīng)聚焦的三個方面。

（一）個性化課程風(fēng)格設(shè)計與引導(dǎo)，建立學(xué)習(xí)包以激發(fā)興趣

基于不同類型學(xué)習(xí)者學(xué)習(xí)風(fēng)格的數(shù)據(jù)化分析，建立個性化學(xué)習(xí)包，將學(xué)習(xí)者興趣與學(xué)科需求匹配，激發(fā)學(xué)習(xí)者主動學(xué)習(xí)。（1）智能學(xué)習(xí)路徑規(guī)劃服務(wù)。虛擬機(jī)器人交互系統(tǒng)通過機(jī)器學(xué)習(xí)技術(shù)來預(yù)測實(shí)際學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，實(shí)時規(guī)劃個性化學(xué)習(xí)路徑[17]，即時解決學(xué)習(xí)者在學(xué)習(xí)過程中出現(xiàn)的認(rèn)知過載、注意力偏差等問題，從而智能矯正學(xué)習(xí)狀態(tài)，實(shí)現(xiàn)知識結(jié)構(gòu)有效遷移。（2）扁平化陪伴學(xué)習(xí)引導(dǎo)服務(wù)。虛擬機(jī)器人具有多維度身份擬合優(yōu)勢，可作為智慧導(dǎo)師與智慧學(xué)伴雙重角色參與到學(xué)習(xí)者的學(xué)習(xí)過程中，在學(xué)習(xí)者學(xué)習(xí)興趣缺乏階段及時干預(yù)與互動，充分賦予學(xué)習(xí)者學(xué)習(xí)的主動權(quán)，弱化“教與學(xué)”的學(xué)習(xí)模式，營造自主學(xué)習(xí)的扁平化學(xué)習(xí)氛圍。

（二）多維度課程智能推薦與取向，提升精準(zhǔn)學(xué)習(xí)資源開發(fā)

虛擬機(jī)器人針對學(xué)生的學(xué)科取向和優(yōu)勢領(lǐng)域，提供多維度課程類型的智能推薦與指導(dǎo)，以此實(shí)現(xiàn)智能開發(fā)學(xué)習(xí)資源[18]。（1）顆粒化精準(zhǔn)學(xué)習(xí)。虛擬機(jī)器人交互系統(tǒng)中輸入學(xué)科課程相關(guān)數(shù)據(jù)，精準(zhǔn)監(jiān)測學(xué)習(xí)者學(xué)習(xí)狀態(tài)。基于實(shí)時抓取學(xué)習(xí)者對不同課程的偏好，顆粒化學(xué)科知識，細(xì)化學(xué)習(xí)單元設(shè)計，并根據(jù)實(shí)時學(xué)習(xí)狀態(tài)對學(xué)習(xí)單元動態(tài)調(diào)整，以確保單個學(xué)習(xí)單元的智能匹配度，減少過多知識大量堆積產(chǎn)生的學(xué)習(xí)負(fù)向度作用。（2）課程資源數(shù)字化糅合。對獲取的課程資源與學(xué)習(xí)者取向通過決策樹判斷后，將素材型課程資源與條件型課程資源進(jìn)行數(shù)字性糅合[19]。通過豐富的學(xué)習(xí)資源和教育技術(shù)[20]來補(bǔ)位學(xué)生知識結(jié)構(gòu)的完整性，及時迭代學(xué)習(xí)可持續(xù)性，建立學(xué)科關(guān)聯(lián)，確保學(xué)習(xí)者可獲得與知識水平持平的有效學(xué)習(xí)資源，有利于培養(yǎng)學(xué)習(xí)者綜合性學(xué)習(xí)能力。

（三）智能學(xué)習(xí)需求跟蹤與反饋，強(qiáng)化自適應(yīng)式課程干預(yù)顆粒度

虛擬機(jī)器人針對學(xué)習(xí)需求標(biāo)簽進(jìn)行自適應(yīng)學(xué)習(xí)進(jìn)度跟蹤與反饋，達(dá)到智能學(xué)習(xí)干預(yù)效果[21]。（1）人工智能實(shí)時追蹤學(xué)習(xí)進(jìn)度。利用機(jī)器學(xué)習(xí)算法和數(shù)據(jù)分析技術(shù)，對學(xué)生不同學(xué)習(xí)進(jìn)度中的需求進(jìn)行實(shí)時跟蹤，挖掘出學(xué)習(xí)者實(shí)際問題并重點(diǎn)干預(yù)，消解其學(xué)習(xí)困境。人工智能實(shí)時追蹤學(xué)習(xí)進(jìn)度，彌補(bǔ)了傳統(tǒng)教育存在的課后作業(yè)無法及時反饋的缺陷，通過AI實(shí)時多模態(tài)交互技術(shù)指導(dǎo)學(xué)習(xí)者完成課后作業(yè)，提高學(xué)習(xí)動機(jī)。（2）自適應(yīng)式學(xué)習(xí)反饋與支持。關(guān)注實(shí)際學(xué)習(xí)者差異敏感性，自適應(yīng)式進(jìn)行學(xué)習(xí)反饋，根據(jù)具體學(xué)習(xí)情境與學(xué)習(xí)需求，智能調(diào)整課程資源類型、學(xué)科難度等，起到協(xié)同決策的教育指導(dǎo)效果。

五、結(jié) 束 語

本研究所提出的基于MTV模型的虛擬機(jī)器人智能指導(dǎo)交互系統(tǒng)作為新型智慧手段，多維度融合學(xué)習(xí)資源、學(xué)習(xí)情景與學(xué)習(xí)狀態(tài)為一體，體現(xiàn)出更高的課程互動性和協(xié)作性價值。其有效地為人機(jī)協(xié)同挖掘?qū)W習(xí)者的行為與情感特征、個性化學(xué)習(xí)陪伴、精準(zhǔn)學(xué)習(xí)資源推薦等方面提供了應(yīng)用參考。該虛擬機(jī)器人具備較強(qiáng)的交互黏度，可及時按照學(xué)習(xí)者的學(xué)習(xí)需求、學(xué)習(xí)取向及學(xué)習(xí)風(fēng)格進(jìn)行智能化調(diào)整，對學(xué)習(xí)者進(jìn)行“行為—生理—情緒”多維層面的學(xué)習(xí)監(jiān)督、作業(yè)輔導(dǎo)、學(xué)習(xí)鼓勵等人工智能交互與支持行為，進(jìn)而達(dá)到“智慧學(xué)伴”協(xié)同學(xué)習(xí)目的。研究打破現(xiàn)有智能教育模式與教育機(jī)器人產(chǎn)品落地間的技術(shù)壁壘，為未來智慧教育的多維度融合提供借鑒，是“機(jī)器人+”在智慧教育中的實(shí)踐性應(yīng)用轉(zhuǎn)向，以此構(gòu)建人機(jī)協(xié)同自主式學(xué)習(xí)新范式。

[參考文獻(xiàn)]

[1] CHIANG A H， TRIMI S， LO Y J. Emotion and service quality of anthropomorphic robots[J]. Technological forecasting and social change，2022（177）：121550.

[2] 汪時沖，方海光，張鴿，等. 人工智能教育機(jī)器人支持下的新型“雙師課堂”研究——兼論“人機(jī)協(xié)同”教學(xué)設(shè)計與未來展望[J]. 遠(yuǎn)程教育雜志，2019，37（2）：25-32.

[3] 中華人民共和國教育部. 以數(shù)字化開辟教育發(fā)展新賽道[EB/OL]. （2023-10-13）[2024-04-24]. http：//m.moe.gov.cn/jyb_xwfb/s5148/202310/t20231013_1085364.html.

[4] 工業(yè)和信息化部，教育部，公安部，等. 工業(yè)和信息化部等十七部門關(guān)于印發(fā)“機(jī)器人+”應(yīng)用行動實(shí)施方案的通知[EB/OL]. （2023-01-18）[2024-04-24]. https：//www.gov.cn/zhengce/zhengceku/2023-01/19/content_5738112.htm？eqid=88da4b8e0002741f000000026 48eb642.

[5] 公雪，劉秉新，張蓉菲，等. 兩足教育機(jī)器人的歷史發(fā)微與設(shè)計邏輯[J]. 現(xiàn)代遠(yuǎn)距離教育，2023（4）：41-52.

[6] NASIR J， BRUNO B， CHETOUANI M， et al. What if social robots look for productive engagement？ Automated assessment of goal-centric engagement in learning applications[J]. International journal of social robotics，2021，14（1）：55-71.

[7] 林鴻飛，張冬瑜，楊亮，等. 情感隱喻計算及其應(yīng)用研究[J]. 大連理工大學(xué)學(xué)報，2015，55（6）：661-670.

[8] 楊陽，余維杰. 融合彈幕內(nèi)容特征與行為特征的用戶畫像研究——以B站教學(xué)類視頻為例[J]. 情報科學(xué)，2022，40（12）：161-169.

[9] 晏齊宏. 輿論表達(dá)中的情感分層——以情感寬度為測量指標(biāo)的分析[J]. 湖南師范大學(xué)社會科學(xué)學(xué)報，2022，51（3）：144-156.

[10] REICH-STIEBERT N， EYSSEL F. Learning with educational companion robots？ Toward attitudes on education robots， predictors of attitudes， and application potentials for education robots[J]. International journal of social robotics，2015，7（5）：875-888.

[11] FORCIER J，BISSEX P，CHUN W J. Python web development with Django[M]. London： Addison-Wesley Professional，2008.

[12] CHANG C W， LEE J H， CHAO P Y， et al. Exploring the possibility of using humanoid robots as instructional tools for teaching a second language in primary school[J]. Journal of educational technology & society，2010，13（2）：13-24.

[13] HUANG S. Design and development of educational robot teaching resources using artificial intelligence technology[J]. International journal of emerging technologies in learning，2021，16（5）：116-129.

[14] GONG X. Enhancing brand consistency via integration of emotional graphic design and cloud service interface system[J]. The design journal，2023，26（4）：673-684.

[15] 上海市教育委員會.匯聚長三角醫(yī)學(xué)資源，打造在線教育金課[EB/OL]. （2020-06-09）[2024-04-24]. https：//edu.sh.gov.cn/xwzx_jyjb/20200609/bb925d38dc834b6991d42dd599a4003f.html.

[16] ZHAO Q， FR？魧NTI P. WB-index： a sum-of-squares based index for cluster validity[J]. Data & knowledge engineering，2014，92：77-89.

[17] 周琴，文欣月. 從自適應(yīng)到智適應(yīng)：人工智能時代個性化學(xué)習(xí)新路徑[J]. 現(xiàn)代教育管理，2020（9）：89-96.

[18] 鄭蘭琴，高蕾，黃梓宸. 基于生成式人工智能技術(shù)的對話機(jī)器人能促進(jìn)在線協(xié)作學(xué)習(xí)績效嗎？[J]. 電化教育研究，2024，45（3）：70-76，84.

[19] 仇森，郭芳，黃榮懷. 基于信息科技課程標(biāo)準(zhǔn)的資源開發(fā)：原則、思路和路徑[J]. 課程·教材·教法，2023，43（6）：133-138.

[20] 俞樹煜. 從輔助到創(chuàng)新：教育中技術(shù)作用的再認(rèn)識[J]. 電化教育研究，2021，42（12）：21-28，35.

[21] 武法提，高姝睿，田浩. 人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)：動因、模型與路向[J]. 電化教育研究，2022，43（4）：70-76.

Collaborative Learning with Virtual Robots： Design and Practical Approach of

An Intelligent Guidance Interaction System

GONG Xue1， MA Zhengjing2， XIE Zhongqu3， LIU Bingxin4

（1.Institute of Art & Design， Nanjing Institute of Technology， Nanjing Jiangsu 210000;

2.Department of Engineering and Technology， China University of Geosciences， Beijing 100083;

3.Department of Mechanical Engineering， Nanjing University of Science and Technology， Nanjing Jiangsu 210000; 4.Fine Arts Academy， Northeast Normal University， Changchun Jilin 130000）

[Abstract] Virtual Robots， as a novel carrier of general artificial intelligence， have been emphasized for their significant multi-modal interaction advantages， empowering the digital transformation in education by supporting learners' autonomous learning. In order to improve its precision in intelligent collaborative learning for various courses， this study proposed a virtual robot intelligent guidance interaction system based on the MTV model， which aimed to analyze the loosely coupled relationship of virtual robot interactions through quantitative research methods. This study used the learning data of learners in different types of courses in K12， analyzed three types of interactions， namely learner-course interaction， learner-system interaction， and learner-virtual robot interaction together with the user logic， medium logic， and process logic in the design of the virtual robot interaction system， and constructed learners emotional preference labels. Combined with the ChatterBot machine learning algorithm， the state characteristics of five types of learners in K12 in the three dimensions of learning orientation， learning style and learning needs were excavated so as to enhance the precision of educational interaction with integrated virtual robots in Chinese educational environments. This study finds that the virtual robot intelligent guidance interaction system has significant advantages in personalized learning path guidance and multidimensional curriculum resource recommendation， providing practical references for the virtual robot to leverage the peer effect of "smart learning companion" and intelligent learning tracking.

[Keywords] Artificial Intelligence; Robot; Interaction Design; Educational Digitalization; Human-Computer Collaboration; Personalized Learning

DOI：10.13811/j.cnki.eer.2024.11.009

基金項(xiàng)目：2024年國家自然科學(xué)基金青年基金“可變構(gòu)型野外山地四足機(jī)器人自主運(yùn)動控制與設(shè)計方法研究”（項(xiàng)目編號：52305024）；2022年度南京工程學(xué)院高等教育研究課題重點(diǎn)項(xiàng)目“新文科背景下工科院校美育課程群建設(shè)研究”（項(xiàng)目編號：2022ZD04）