Интеллектуальная система обучения
Компьютерная система для предоставления инструкций учащимся

Интеллектуальная система обучения ( ИСУ ) — это компьютерная система , которая имитирует людей-репетиторов и направлена ​​на предоставление немедленных и индивидуальных инструкций или обратной связи учащимся , [1] как правило, без необходимости вмешательства со стороны человека-учителя. [2] ИСУ имеют общую цель — обеспечить обучение осмысленным и эффективным образом с использованием различных вычислительных технологий. Существует множество примеров использования ИСУ как в формальном образовании, так и в профессиональной среде, в которых они продемонстрировали свои возможности и ограничения. Существует тесная связь между интеллектуальным обучением, теориями когнитивного обучения и дизайном; и ведутся постоянные исследования по повышению эффективности ИСУ. ИСУ, как правило, направлена ​​на воспроизведение продемонстрированных преимуществ индивидуального, персонализированного обучения в контекстах, где учащиеся в противном случае имели бы доступ к индивидуальному обучению со стороны одного учителя (например, лекции в классе) или вообще без учителя (например, онлайн-домашнее задание). [3] ИСУ часто разрабатываются с целью предоставления доступа к высококачественному образованию каждому учащемуся.

История

Ранние механические системы

Обучающая машина Скиннера 08

Возможность интеллектуальных машин обсуждалась на протяжении столетий. Блез Паскаль создал первую вычислительную машину, способную выполнять математические функции, в 17 веке, которую он назвал просто «Калькулятор Паскаля» . В это время математик и философ Готфрид Вильгельм Лейбниц представлял себе машины, способные рассуждать и применять правила логики для разрешения споров. [4] Эти ранние работы вдохновили более поздние разработки.

Концепция интеллектуальных машин для обучения появилась еще в 1924 году, когда Сидни Пресси из Университета штата Огайо создал механическую обучающую машину для обучения студентов без учителя-человека. [5] [6] Его машина очень напоминала пишущую машинку с несколькими клавишами и окном, которое предоставляло учащемуся вопросы. Машина Пресси позволяла пользователю вводить данные и обеспечивала немедленную обратную связь, записывая его результаты на счетчике. [7]

На Пресси оказал влияние Эдвард Л. Торндайк , теоретик обучения и педагог-психолог из Колледжа учителей Колумбийского университета конца 19-го и начала 20-го веков. Торндайк сформулировал законы максимизации обучения. Законы Торндайка включали закон эффекта , закон упражнения и закон новизны . По более поздним стандартам обучающая и испытательная машина Пресси не считалась бы интеллектуальной, поскольку она работала механически и основывалась на одном вопросе и ответе за раз, [7] но она создала ранний прецедент для будущих проектов.

К 1950-м и 1960-м годам появились новые перспективы обучения. Беррес Фредерик «БФ» Скиннер из Гарвардского университета не соглашался с теорией обучения Торндайка о коннекционизме или обучающей машиной Пресси. Скорее, Скиннер был бихевиористом , который считал, что учащиеся должны конструировать свои ответы, а не полагаться на распознавание. [6] Он также сконструировал обучающую машину с инкрементальной механической системой, которая вознаграждала бы студентов за правильные ответы на вопросы. [6]

Ранние электронные системы

В период после второй мировой войны механические двоичные системы уступили место двоичным электронным машинам. Эти машины считались разумными по сравнению с их механическими аналогами, поскольку они обладали способностью принимать логические решения. Однако изучение определения и распознавания машинного интеллекта все еще находилось в зачаточном состоянии.

Алан Тьюринг , математик, логик и компьютерный ученый, связал вычислительные системы с мышлением. В одной из его самых известных работ был описан гипотетический тест для оценки интеллекта машины, который стал известен как тест Тьюринга . По сути, тест заключается в том, что человек общается с двумя другими агентами, человеком и компьютером, задавая вопросы обоим получателям. Компьютер проходит тест, если он может ответить таким образом, что человек, задающий вопросы, не может отличить другого человека от компьютера. Тест Тьюринга по своей сути используется более двух десятилетий в качестве модели для современных разработок ИТС. Главным идеалом для систем ИТС является эффективная коммуникация. [7] Еще в 1950-х годах появлялись программы, демонстрирующие интеллектуальные функции. Работа Тьюринга, а также более поздние проекты таких исследователей, как Аллен Ньюэлл, Клиффорд Шоу и Херб Саймон, показали программы, способные создавать логические доказательства и теоремы. Их программа, The Logic Theorist, продемонстрировала сложную манипуляцию символами и даже генерацию новой информации без прямого человеческого контроля и, по мнению некоторых, является первой программой ИИ. Такие прорывы вдохновили бы новую область искусственного интеллекта, официально названную в 1956 году Джоном Маккарти на Дартмутской конференции . [4] Эта конференция была первой в своем роде, посвященной ученым и исследованиям в области ИИ.

Терминал PLATO V CAI в 1981 году

В конце 1960-х и 1970-х годов появилось много новых проектов CAI (Computer-Assisted Instruction), которые основывались на достижениях в области компьютерной науки. Создание языка программирования ALGOL в 1958 году позволило многим школам и университетам начать разработку программ Computer Assisted Instruction (CAI). Крупные поставщики компьютеров и федеральные агентства в США, такие как IBM, HP и Национальный научный фонд, финансировали разработку этих проектов. [8] Ранние внедрения в образовании были сосредоточены на программированном обучении (PI), структуре, основанной на компьютерной системе ввода-вывода. Хотя многие поддерживали эту форму обучения, было мало доказательств, подтверждающих ее эффективность. [7] Язык программирования LOGO был создан в 1967 году Уолли Фойрзайгом , Синтией Соломон и Сеймуром Папертом как язык, оптимизированный для образования. PLATO, образовательный терминал с дисплеями, анимацией и сенсорным управлением, который мог хранить и доставлять большие объемы учебного материала, был разработан Дональдом Битцером в Университете Иллинойса в начале 1970-х годов. Наряду с этим, многие другие проекты CAI были инициированы во многих странах, включая США, Великобританию и Канаду. [8]

В то же время, когда CAI набирала интерес, Хайме Карбонелл предположил, что компьютеры могут выступать в качестве учителя, а не просто инструмента (Carbonell, 1970). [9] Появилась новая перспектива, сосредоточенная на использовании компьютеров для разумного обучения студентов, называемая интеллектуальным компьютерным обучением или интеллектуальными обучающими системами (ITS). В то время как CAI использовала поведенческую перспективу обучения, основанную на теориях Скиннера (Dede & Swigger, 1988), [10] ITS опиралась на работу в области когнитивной психологии, компьютерных наук и особенно искусственного интеллекта. [10] В это время произошел сдвиг в исследованиях ИИ, поскольку системы перешли от логического фокуса предыдущего десятилетия к системам, основанным на знаниях, — системы могли принимать разумные решения, основанные на предшествующих знаниях (Buchanan, 2006). [4] Такая программа была создана Сеймуром Папертом и Айрой Голдштейном, которые создали Dendral , систему, которая предсказывала возможные химические структуры на основе существующих данных. Дальнейшая работа началась с демонстрации аналогового рассуждения и языковой обработки. Эти изменения, направленные на знания, имели большие последствия для того, как компьютеры могли использоваться в обучении. Однако технические требования ITS оказались выше и сложнее, чем у систем CAI, и ITS-системы в то время имели ограниченный успех. [8]

К концу 1970-х годов интерес к технологиям CAI начал угасать. [8] [11] Компьютеры все еще были дорогими и не такими доступными, как ожидалось. Разработчики и инструкторы негативно реагировали на высокую стоимость разработки программ CAI, недостаточное обеспечение подготовки инструкторов и нехватку ресурсов. [11]

Микрокомпьютеры и интеллектуальные системы

Микрокомпьютерная революция в конце 1970-х и начале 1980-х годов помогла возродить разработку CAI и дать толчок развитию систем ITS. Персональные компьютеры, такие как Apple II , Commodore PET и TRS-80, сократили ресурсы, необходимые для владения компьютерами, и к 1981 году 50% школ США использовали компьютеры (Chambers & Sprecher, 1983). [8] Несколько проектов CAI использовали Apple 2 в качестве системы для предоставления программ CAI в средних школах и университетах, включая проект British Columbia и проект California State University в 1981 году. [8]

В начале 1980-х годов цели интеллектуального компьютерного обучения (ICAI) и ITS расходятся с их корнями в CAI. Поскольку CAI все больше фокусируется на более глубоком взаимодействии с контентом, созданным для определенной области интересов, ITS стремится создавать системы, которые сосредоточены на знании задачи и способности обобщать эти знания неспецифическими способами (Larkin & Chabay, 1992). [10] Ключевыми целями, поставленными для ITS, были возможность обучать задаче, а также выполнять ее, динамически адаптируясь к ее ситуации. При переходе от систем CAI к ICAI компьютер должен был различать не только правильный и неправильный ответ, но и тип неправильного ответа, чтобы корректировать тип инструкции. Исследования в области искусственного интеллекта и когнитивной психологии подпитывали новые принципы ITS. Психологи рассматривали, как компьютер может решать проблемы и выполнять «интеллектуальные» действия. Программа ITS должна была бы уметь представлять, хранить и извлекать знания и даже искать в своей собственной базе данных, чтобы получать свои собственные новые знания для ответа на вопросы учащегося. По сути, ранние спецификации для ITS или (ICAI) требуют, чтобы она «диагностировала ошибки и подстраивала исправление на основе диагноза» (Shute & Psotka, 1994, стр. 9). [7] Идея диагностики и исправления все еще используется сегодня при программировании ITS.

Ключевым прорывом в исследованиях ИТС стало создание The LISP Tutor, программы, которая реализовала принципы ИТС на практике и показала многообещающие эффекты, повышающие успеваемость учащихся. LISP Tutor был разработан и исследован в 1983 году как система ИТС для обучения учащихся языку программирования LISP (Corbett & Anderson, 1992). [12] LISP Tutor мог выявлять ошибки и предоставлять конструктивную обратную связь учащимся во время выполнения ими упражнений. Было обнаружено, что система сокращает время, необходимое для выполнения упражнений, одновременно улучшая результаты учащихся на тестах (Corbett & Anderson, 1992). [12] Другие системы ИТС, которые начали разрабатываться примерно в это же время, включают TUTOR, созданный Logica в 1984 году в качестве общего учебного инструмента [13] и PARNASSUS, созданный в Университете Карнеги-Меллона в 1989 году для обучения языку. [14]

Современные ИТС

После внедрения первоначальной ИТС, больше исследователей создали ряд ИТС для разных студентов. В конце 20-го века, интеллектуальные инструменты обучения (ИТТ) были разработаны проектом Byzantium, в котором участвовало шесть университетов. ИТС были конструкторами систем обучения общего назначения, и многие учреждения получили положительные отзывы при их использовании. (Киншук, 1996) [15] Этот конструктор, ИТС, создал бы интеллектуальный апплет обучения (ИТА) для разных предметных областей. Разные учителя создали ИТА и создали большой перечень знаний, которые были доступны другим через Интернет. После создания ИТС учителя могли копировать ее и изменять для будущего использования. Эта система была эффективной и гибкой. Однако Киншук и Патель считали, что ИТС не была разработана с образовательной точки зрения и не была разработана на основе фактических потребностей студентов и преподавателей (Киншук и Патель, 1997). [16] В недавних работах использовались этнографические и проектные методы исследования [17] для изучения того, как ИТС фактически используются учащимися [18] и учителями [19] в различных контекстах, часто выявляя непредвиденные потребности, которые они удовлетворяют, не удовлетворяют или, в некоторых случаях, даже создают.

Современные ИТС обычно пытаются воспроизвести роль учителя или помощника учителя и все больше автоматизируют педагогические функции, такие как генерация проблем, выбор проблем и генерация обратной связи. Однако, учитывая текущий сдвиг в сторону смешанных моделей обучения, недавняя работа над ИТС начала фокусироваться на способах, которыми эти системы могут эффективно использовать дополнительные сильные стороны обучения под руководством человека от учителя [20] или сверстника [21] при использовании в совмещенных классах или других социальных контекстах. [22]

Было три проекта ITS, которые функционировали на основе разговорного диалога: AutoTutor , Atlas (Freedman, 1999), [23] и Why2. Идея этих проектов заключалась в том, что поскольку студенты лучше всего учатся, самостоятельно конструируя знания, программы начинались с наводящих вопросов для студентов и выдавали ответы в качестве последнего средства. Студенты AutoTutor фокусировались на ответах на вопросы о компьютерных технологиях, студенты Atlas фокусировались на решении количественных задач, а студенты Why2 фокусировались на качественном объяснении физических систем. (Graesser, VanLehn и другие, 2001) [24] Другие похожие системы обучения, такие как Andes (Gertner, Conati и VanLehn, 1998) [25] , как правило, предоставляют подсказки и немедленную обратную связь для студентов, когда у студентов возникают трудности с ответами на вопросы. Они могли угадывать свои ответы и иметь правильные ответы без глубокого понимания концепций. Исследования проводились с небольшой группой студентов, использующих Atlas и Andes соответственно. Результаты показали, что студенты, использующие Atlas, добились значительных улучшений по сравнению со студентами, использующими Andes. [26] Однако, поскольку вышеуказанные системы требуют анализа диалогов студентов, еще предстоит внести улучшения, чтобы можно было управлять более сложными диалогами.

Структура

Интеллектуальные обучающие системы (ИТС) состоят из четырех основных компонентов, основанных на общем консенсусе среди исследователей (Нвана, 1990; [27] Фридман, 2000; [28] Нкамбу и др., 2010 [29] ):

  1. Модель домена
  2. Модель «Студент»
  3. Модель репетиторства и
  4. Модель пользовательского интерфейса

Модель предметной области (также известная как когнитивная модель или модель экспертных знаний) построена на теории обучения, такой как теория ACT-R , которая пытается учесть все возможные шаги, необходимые для решения проблемы. Более конкретно, эта модель «содержит концепции, правила и стратегии решения проблем предметной области, которую нужно изучить. Она может выполнять несколько ролей: как источник экспертных знаний, стандарт для оценки успеваемости студента или для обнаружения ошибок и т. д.» (Nkambou et al., 2010, стр. 4). [29] Другой подход к разработке моделей предметной области основан на теории обучения на ошибках производительности Стеллана Олссона [30] , известной как моделирование на основе ограничений (CBM). [31] В этом случае модель предметной области представлена ​​как набор ограничений на правильные решения. [32] [33]

Модель студента можно рассматривать как наложение на модель предметной области. Она рассматривается как основной компонент ИТС, уделяющий особое внимание когнитивным и аффективным состояниям студента и их развитию по мере продвижения процесса обучения. По мере того, как студент шаг за шагом проходит процесс решения проблем, ИТС участвует в процессе, называемом трассировкой модели . Всякий раз, когда модель студента отклоняется от модели предметной области, система идентифицирует или отмечает , что произошла ошибка. С другой стороны, в репетиторах на основе ограничений модель студента представлена ​​как наложение на набор ограничений. [34] Репетиторы на основе ограничений [35] оценивают решение студента по набору ограничений и выявляют выполненные и нарушенные ограничения. Если есть какие-либо нарушенные ограничения, решение студента неверно, и ИТС предоставляет обратную связь по этим ограничениям. [36] [37] Репетиторы на основе ограничений предоставляют отрицательную обратную связь (т. е. обратную связь по ошибкам), а также положительную обратную связь. [38]

Модель репетитора принимает информацию из моделей предметной области и студентов и делает выбор стратегий и действий репетиторства. В любой момент процесса решения проблемы учащийся может запросить руководство о том, что делать дальше, относительно своего текущего положения в модели. Кроме того, система распознает, когда учащийся отклонился от правил производства модели, и предоставляет учащемуся своевременную обратную связь, что приводит к более короткому периоду времени для достижения мастерства с целевыми навыками. [39] Модель репетитора может содержать несколько сотен правил производства, которые, можно сказать, находятся в одном из двух состояний: усвоенные или неусвоенные . Каждый раз, когда учащийся успешно применяет правило к проблеме, система обновляет оценку вероятности того, что учащийся усвоил правило. Система продолжает тренировать студентов по упражнениям, которые требуют эффективного применения правила, пока вероятность того, что правило было усвоено, не достигнет по крайней мере 95%. [40]

Отслеживание знаний отслеживает прогресс учащегося от проблемы к проблеме и создает профиль сильных и слабых сторон относительно правил производства. Система когнитивного обучения, разработанная Джоном Андерсоном в Университете Карнеги-Меллона, представляет информацию из отслеживания знаний в виде скиллометра — визуального графика успеха учащегося в каждом из контролируемых навыков, связанных с решением алгебраических задач. Когда учащийся запрашивает подсказку или помечается ошибка, данные отслеживания знаний и скиллометр обновляются в режиме реального времени.

Компонент пользовательского интерфейса «объединяет три типа информации, которые необходимы для ведения диалога: знания о моделях интерпретации (для понимания говорящего) и действия (для генерации высказываний) в диалогах; знания предметной области, необходимые для передачи контента; и знания, необходимые для передачи намерения» (Падаячи, 2002, стр. 3). [41]

Нкамбу и др. (2010) упоминают обзор Нваны (1990) [27] различных архитектур, подчеркивающий тесную связь между архитектурой и парадигмой (или философией). Нвана (1990) заявляет: «[Это] почти редкость — найти две ИТС, основанные на одной и той же архитектуре, [которая] является результатом экспериментального характера работы в этой области» (стр. 258). Он далее объясняет, что различные философии обучения подчеркивают различные компоненты процесса обучения (т. е. домен, студент или преподаватель). Архитектурный дизайн ИТС отражает этот акцент, и это приводит к разнообразию архитектур, ни одна из которых по отдельности не может поддерживать все стратегии обучения (Нвана, 1990, как цитируется в Нкамбу и др., 2010). Более того, проекты ИТС могут различаться в зависимости от относительного уровня интеллекта компонентов. Например, проект, подчеркивающий интеллект в модели предметной области, может генерировать решения сложных и новых проблем, чтобы у студентов всегда были новые проблемы для работы, но он может иметь только простые методы обучения этим проблемам, в то время как система, которая концентрируется на множественных или новых способах обучения определенной теме, может счесть достаточным менее сложное представление этого содержания. [28]

Методы проектирования и разработки

Помимо различий между архитектурами ИТС, каждая из которых подчеркивает различные элементы, разработка ИТС во многом похожа на любой процесс проектирования учебных программ . Корбетт и др. (1997) суммировали проектирование и разработку ИТС как состоящую из четырех итеративных этапов: (1) оценка потребностей, (2) анализ когнитивных задач, (3) начальная реализация преподавателем и (4) оценка. [42]

Первый этап, известный как оценка потребностей, является общим для любого процесса проектирования обучения, особенно разработки программного обеспечения. Он включает анализ учащегося , консультации с экспертами по предметной области и/или преподавателем(ями). Этот первый шаг является частью разработки экспертной/знающей и студенческой области. Цель состоит в том, чтобы указать цели обучения и наметить общий план учебной программы; крайне важно не компьютеризировать традиционные концепции, а разработать новую структуру учебной программы, определив задачу в целом и поняв возможное поведение учащихся, имеющих дело с задачей, и в меньшей степени поведение преподавателя. При этом необходимо учитывать три важнейших измерения: (1) вероятность того, что ученик сможет решить проблемы; (2) время, необходимое для достижения этого уровня производительности, и (3) вероятность того, что ученик будет активно использовать эти знания в будущем. Другим важным аспектом, требующим анализа, является экономическая эффективность интерфейса. Более того, необходимо оценить характеристики входа учителей и учеников, такие как предыдущие знания, поскольку обе группы будут пользователями системы. [42]

Второй этап, когнитивный анализ задач, представляет собой подробный подход к программированию экспертных систем с целью разработки действительной вычислительной модели требуемых знаний для решения проблем. Основные методы разработки модели предметной области включают: (1) интервьюирование экспертов предметной области, (2) проведение исследований протокола «размышления вслух» с экспертами предметной области, (3) проведение исследований «размышления вслух» с новичками и (4) наблюдение за поведением преподавания и обучения. Хотя первый метод используется чаще всего, эксперты обычно не способны сообщать о когнитивных компонентах. Методы «размышления вслух», в которых экспертов просят сообщать вслух, о чем они думают при решении типичных задач, позволяют избежать этой проблемы. [42] Наблюдение за реальными онлайн-взаимодействиями между преподавателями и студентами дает информацию, связанную с процессами, используемыми при решении проблем, что полезно для построения диалога или интерактивности в системах обучения. [43]

Третий этап, начальная реализация наставника, включает в себя создание среды решения проблем для обеспечения и поддержки подлинного процесса обучения. За этим этапом следует серия оценочных мероприятий в качестве заключительного этапа, который снова похож на любой проект по разработке программного обеспечения. [42]

Четвертый этап, оценка, включает (1) пилотные исследования для подтверждения базовой практичности и образовательного воздействия; (2) формирующие оценки разрабатываемой системы, включая (3) параметрические исследования, которые изучают эффективность функций системы и, наконец, (4) суммарные оценки окончательного эффекта наставника: скорость обучения и асимптотические уровни достижений. [42]

Для поддержки этого процесса и создания интеллектуальных репетиторов были разработаны различные инструменты разработки , включая ASPIRE, [44] Cognitive Tutor Authoring Tools (CTAT), [45] GIFT, [46] ASSISTments Builder [47] и инструменты AutoTutor. [48] Цель большинства этих инструментов разработки — упростить процесс разработки репетиторов, что позволит людям с меньшим опытом, чем у профессиональных программистов ИИ, разрабатывать интеллектуальные системы обучения.

Восемь принципов проектирования и разработки ИТС

Андерсон и др. (1987) [49] выделили восемь принципов проектирования интеллектуальных репетиторов, а Корбетт и др. (1997) [42] позже развили эти принципы, выделив всеобъемлющий принцип, который, по их мнению, управлял проектированием интеллектуальных репетиторов. Они назвали этот принцип следующим образом:

Принцип 0: Интеллектуальная система обучения должна позволять ученику работать до успешного завершения решения проблемы.

  1. Представить компетентность учащегося в виде производственного набора.
  2. Сообщите структуру цели, лежащую в основе решения проблемы.
  3. Дайте указания в контексте решения проблем.
  4. Способствовать абстрактному пониманию знаний, необходимых для решения проблем.
  5. Минимизируйте нагрузку на рабочую память.
  6. Предоставляйте немедленную обратную связь в случае ошибок.
  7. Регулируйте размер инструкций по мере обучения.
  8. Способствовать последовательному приближению к целевому навыку. [42]

Использование на практике

Все это представляет собой значительный объем работы, даже если стали доступны инструменты для разработки, облегчающие задачу. [50] Это означает, что создание ИТС является вариантом только в ситуациях, в которых они, несмотря на их относительно высокие затраты на разработку, все еще снижают общие затраты за счет снижения потребности в инструкторах-людях или достаточного повышения общей производительности. Такие ситуации возникают, когда необходимо обучать большие группы одновременно или требуется много реплицированных усилий по обучению. Речь идет о ситуациях технического обучения, таких как обучение новобранцев и математика в средней школе. Один конкретный тип интеллектуальной системы обучения, Cognitive Tutor , был включен в учебные программы по математике в значительном количестве средних школ США, обеспечивая улучшенные результаты обучения учащихся на выпускных экзаменах и стандартизированных тестах. [51] Интеллектуальные системы обучения были созданы, чтобы помочь студентам изучать географию, схемы, медицинскую диагностику, компьютерное программирование, математику, физику, генетику, химию и т. д. Интеллектуальные системы обучения языку (ILTS), например эта [52] , обучают естественному языку изучающих первый или второй язык. ILTS требует специализированных инструментов обработки естественного языка, таких как большие словари и морфологические и грамматические анализаторы с приемлемым покрытием.

Приложения

В период быстрого расширения веб-бума новые парадигмы компьютерного обучения, такие как электронное обучение и распределенное обучение, предоставили прекрасную платформу для идей ИТС. Области, которые использовали ИТС, включают обработку естественного языка , машинное обучение , планирование, многоагентные системы , онтологии , семантический веб и социальные и эмоциональные вычисления. Кроме того, другие технологии, такие как мультимедиа, объектно-ориентированные системы , моделирование, имитация и статистика, также были связаны с ИТС или объединены с ними. Исторически нетехнологические области, такие как образовательные науки и психология, также были под влиянием успеха ИТС. [53]

В последние годы [ когда? ] ИТС начали отходить от поиска, чтобы включить ряд практических приложений. [54] ИТС распространились на многие критические и сложные когнитивные области, и результаты были далеко идущими. Системы ИТС закрепили свое место в формальном образовании, и эти системы нашли свое место в сфере корпоративного обучения и организационного обучения. ИТС предлагает учащимся несколько возможностей, таких как индивидуальное обучение, своевременная обратная связь и гибкость во времени и пространстве.

Хотя интеллектуальные системы обучения возникли из исследований в области когнитивной психологии и искусственного интеллекта, сейчас существует множество приложений, которые можно найти в образовании и организациях. Интеллектуальные системы обучения можно найти в онлайн-средах или в традиционных компьютерных лабораториях классов, и они используются в классах K-12, а также в университетах. Существует ряд программ, нацеленных на математику, но их применение можно найти в медицинских науках, изучении языка и других областях формализованного обучения.

Отчеты об улучшении понимания, вовлеченности, отношения, мотивации и академических результатов студентов способствовали постоянному интересу к инвестированию и исследованию этих систем. Персонализированная природа интеллектуальных систем обучения дает педагогам возможность создавать индивидуальные программы. В сфере образования существует множество интеллектуальных систем обучения, исчерпывающего списка не существует, но несколько наиболее влиятельных программ перечислены ниже.

Образование

По состоянию на май 2024 года ИИ-репетиторы занимают пять из 20 лучших образовательных приложений в App Store компании Apple , а два из лидеров — от китайских разработчиков. [55]

Репетитор по алгебре
PAT (PUMP Algebra Tutor или Practical Algebra Tutor), разработанный Pittsburgh Advanced Cognitive Tutor Center в Carnegie Mellon University , вовлекает студентов в решение закрепленных учебных задач и использует современные алгебраические инструменты для вовлечения студентов в решение проблем и обмен результатами. Цель PAT — задействовать предыдущие знания студента и его повседневный опыт работы с математикой для содействия росту. Успех PAT хорошо задокументирован (например, Miami-Dade County Public Schools Office of Evaluation and Research) как со статистической (результаты студентов), так и с эмоциональной (обратная связь студентов и преподавателей) точки зрения. [56]
SQL-репетитор
SQL-Tutor [57] [58] — первый в истории репетитор на основе ограничений, разработанный Intelligent Computer Tutoring Group (ICTG) в Университете Кентербери , Новая Зеландия. SQL-Tutor обучает студентов тому, как извлекать данные из баз данных с помощью оператора SQL SELECT. [59]
EER-репетитор
EER-Tutor [60] — это основанный на ограничениях репетитор (разработанный ICTG), который обучает концептуальному проектированию баз данных с использованием модели Entity Relationship. Более ранней версией EER-Tutor был KERMIT, автономный репетитор для моделирования ER, который привел к значительному улучшению знаний студентов после одного часа обучения (с размером эффекта 0,6). [61]
COLLECT-UML
COLLECT-UML [62] — это основанный на ограничениях репетитор, который поддерживает пары студентов, работающих совместно над диаграммами классов UML. Репетитор предоставляет обратную связь как на уровне домена, так и на уровне сотрудничества.
StoichTutor
StoichTutor [63] [64] — это интеллектуальный веб-репетитор, который помогает ученикам старших классов изучать химию, в частности, подраздел химии, известный как стехиометрия. Он использовался для изучения различных принципов и методов изучения науки, таких как примеры с решениями [65] [66] и вежливость. [67] [68]
Репетитор по математике
Репетитор по математике (Beal, Beck & Woolf, 1998) помогает студентам решать текстовые задачи с использованием обыкновенных и десятичных дробей, а также процентов. Репетитор фиксирует показатели успешности, пока студент работает над задачами, предоставляя последующие, соответствующие рычагу задачи для работы студента. Последующие задачи, которые выбираются, основаны на способностях студента, и оценивается желаемое время, за которое студент должен решить задачу. [69]
электронный учитель
eTeacher (Schiaffino et al., 2008) — это интеллектуальный агент или педагогический агент , который поддерживает персонализированную помощь в электронном обучении. Он создает профили студентов, наблюдая за успеваемостью студентов на онлайн-курсах. Затем eTeacher использует информацию об успеваемости студентов, чтобы предложить персонализированные курсы действий, разработанные для содействия процессу обучения. [70]
ЗОСМАТ
ZOSMAT был разработан для удовлетворения всех потребностей реального класса. Он отслеживает и направляет студента на разных этапах процесса обучения. Это ориентированная на студента ИТС, которая делает это, регистрируя прогресс в обучении студента, а программа студента меняется в зависимости от усилий студента. ZOSMAT может использоваться как для индивидуального обучения, так и в реальной классной среде под руководством человека-наставника. [71]
РЕАЛП
REALP был разработан, чтобы помочь студентам улучшить понимание прочитанного, предоставляя специфическую для читателя лексическую практику и предлагая персонализированную практику с полезными, аутентичными материалами для чтения, собранными из Интернета. Система автоматически строит пользовательскую модель в соответствии с успеваемостью студента. После чтения студенту дается ряд упражнений на основе целевого словарного запаса, найденного при чтении. [72]
CIRCSIM-Репетитор
CIRCSIM_Tutor — это интеллектуальная система обучения, которая используется для студентов-медиков первого года обучения в Иллинойском технологическом институте. Она использует естественный диалог, основанный на языке Сократа, чтобы помочь студентам узнать о регулировании артериального давления. [73]
Why2-Атлас
Why2-Atlas — это ИТС, которая анализирует объяснения студентов физических принципов. Студенты вводят свою работу в форме абзаца, а программа преобразует их слова в доказательство, делая предположения о студенческих убеждениях, которые основаны на их объяснениях. При этом выделяются неправильные представления и неполные объяснения. Затем система решает эти проблемы посредством диалога со студентом и просит студента исправить свое эссе. Может быть выполнено несколько итераций, прежде чем процесс будет завершен. [74]
SmartTutor
Университет Гонконга (HKU) разработал SmartTutor для поддержки потребностей студентов, получающих непрерывное образование. Персонализированное обучение было определено как ключевая потребность в образовании взрослых в HKU, и SmartTutor стремится удовлетворить эту потребность. SmartTutor оказывает поддержку студентам, объединяя интернет-технологии, образовательные исследования и искусственный интеллект. [75]
АвтоТутор
AutoTutor помогает студентам колледжей изучать компьютерное оборудование, операционные системы и Интернет на вводном курсе компьютерной грамотности, имитируя модели дискурса и педагогические стратегии человека-репетитора. AutoTutor пытается понять ввод учащегося с клавиатуры, а затем формулирует диалоговые ходы с обратной связью, подсказками, исправлениями и намеками. [76]
Активная математика
ActiveMath — это веб-ориентированная адаптивная среда обучения математике. Эта система стремится улучшить дистанционное обучение, дополнить традиционное обучение в классе и поддержать индивидуальное и непрерывное обучение. [77]
ESC101-ИТС
Индийский технологический институт в Канпуре (Индия) разработал ESC101-ITS — интеллектуальную обучающую систему для решения вводных задач по программированию.
АдаптерЭррЭкс
[78] — это адаптивный интеллектуальный репетитор, который использует интерактивные примеры с ошибками, чтобы помочь студентам изучить десятичную арифметику. [79] [80] [81]

Корпоративное обучение и промышленность

Generalized Intelligent Framework for Tutoring (GIFT) — это образовательное программное обеспечение, предназначенное для создания компьютерных систем обучения. Разработанный Исследовательской лабораторией армии США с 2009 по 2011 год, GIFT был выпущен для коммерческого использования в мае 2012 года. [82] GIFT имеет открытый исходный код и не зависит от домена, его можно бесплатно загрузить в Интернете. Программное обеспечение позволяет инструктору разрабатывать программу обучения, которая может охватывать различные дисциплины посредством корректировки существующих курсов. Оно включает в себя инструменты для курсовых работ, предназначенные для использования исследователями, разработчиками учебных программ, инструкторами и студентами. [83] GIFT совместим с другими учебными материалами, такими как презентации PowerPoint, которые могут быть интегрированы в программу. [83]

SHERLOCK «SHERLOCK» используется для обучения техников ВВС диагностике проблем в электрических системах самолетов F-15. ITS создает неисправные принципиальные схемы систем, которые стажер может найти и диагностировать. ITS предоставляет диагностические показания, позволяющие стажеру решить, находится ли неисправность в проверяемой цепи или она находится в другом месте системы. Обратная связь и руководство предоставляются системой, и помощь доступна по запросу. [84]

Cardiac Tutor Целью Cardiac Tutor является поддержка передовых методов поддержки сердца для медицинского персонала. Наставник представляет сердечные проблемы и, используя различные шаги, студенты должны выбрать различные вмешательства. Cardiac Tutor предоставляет подсказки, устные советы и обратную связь для персонализации и оптимизации обучения. Каждая симуляция, независимо от того, смогли ли студенты успешно помочь своим пациентам, приводит к подробному отчету, который затем студенты изучают. [85]

CODES Cooperative Music Prototype Design — это веб-среда для совместного создания музыкальных прототипов. Она была разработана для поддержки пользователей, особенно тех, кто не является специалистом в музыке, в создании музыкальных произведений в прототипной манере. Музыкальные примеры (прототипы) можно многократно тестировать, воспроизводить и изменять. Одним из основных аспектов CODES является взаимодействие и сотрудничество между создателями музыки и их партнерами. [86]

Эффективность

Оценка эффективности программ ИТС является проблематичной. ИТС сильно различаются по дизайну, реализации и образовательной направленности. Когда ИТС используются в классе, система используется не только учениками, но и учителями. Такое использование может создавать барьеры для эффективной оценки по ряду причин; в первую очередь из-за вмешательства учителя в процесс обучения учащихся.

Учителя часто имеют возможность вводить новые проблемы в систему или корректировать учебный план. Кроме того, учителя и коллеги часто взаимодействуют со студентами, пока они учатся с помощью ИТС (например, во время индивидуального сеанса компьютерной лабораторной работы или во время лекций в классе между лабораторными занятиями), способами, которые могут повлиять на их обучение с помощью программного обеспечения. [20] Предыдущие исследования показывают, что подавляющее большинство поведения студентов, направленного на поиск помощи в классах, использующих ИТС, может происходить полностью за пределами программного обеспечения - это означает, что характер и качество обратной связи от коллег и учителей в данном классе могут быть важным посредником обучения студентов в этих контекстах. [18] Кроме того, аспекты климата в классе, такие как общий уровень комфорта студентов при публичном обращении за помощью [17] или степень физической активности учителя при наблюдении за отдельными студентами [87], могут добавить дополнительные источники вариаций в контекстах оценки. Все эти переменные делают оценку ИТС сложной [88] и могут помочь объяснить вариации в результатах в исследованиях по оценке. [89]

Несмотря на присущие сложности, многочисленные исследования пытались измерить общую эффективность ИТС, часто путем сравнения ИТС с репетиторами-людьми. [90] [91] [92] [3] Обзоры ранних систем ИТС (1995) показали размер эффекта d = 1,0 по сравнению с отсутствием репетиторства, тогда как репетиторам-людям был дан размер эффекта d = 2,0. [90] Гораздо более поздний обзор Курта ВанЛена (2011) современных ИТС обнаружил, что не было никакой статистической разницы в размере эффекта между экспертными индивидуальными репетиторами-людьми и пошаговыми ИТС. [3] Некоторые отдельные ИТС были оценены более положительно, чем другие. Исследования когнитивного репетитора по алгебре показали, что ученики ИТС превзошли учеников, обучавшихся у классного учителя, по стандартизированным тестовым задачам и задачам решения реальных проблем. [93] Последующие исследования показали, что эти результаты были особенно выражены у учащихся из системы специального образования, для которых английский язык не является родным, и из семей с низким доходом. [94]

Более поздний метаанализ показывает, что ИТС могут превосходить по эффективности как CAI, так и людей-репетиторов, особенно при измерении с помощью локальных (специфических) тестов, а не стандартизированных тестов. «Учащиеся, которые получали интеллектуальное обучение, превзошли учащихся из обычных классов в 46 (или 92%) из 50 контролируемых оценок, и улучшение результатов было достаточно большим, чтобы считаться имеющим существенное значение в 39 (или 78%) из 50 исследований. Медиана ES в 50 исследованиях составила 0,66, что считается умеренным или большим эффектом для исследований в области социальных наук. Это примерно эквивалентно улучшению результатов тестов с 50-го до 75-го процентиля. Это сильнее, чем типичные эффекты от других форм обучения. Например, метаанализ C.-LC Kulik и Kulik (1991) показал средний ES 0,31 в 165 исследованиях обучения CAI. Рост ITS примерно в два раза выше. Эффект ITS также больше, чем типичные эффекты от человеческого обучения. Как мы видели, программы человеческого обучения обычно повышают результаты тестов учащихся около 0,4 стандартных отклонений по сравнению с контрольными уровнями. Разработчики ИТС давно поставили себе цель улучшить успешность обучения CAI и соответствовать успешности обучения людей. Наши результаты показывают, что разработчики ИТС уже достигли обеих этих целей.... Хотя эффекты были умеренными или сильными в оценках, которые измеряли результаты на локально разработанных тестах, они были намного меньше в оценках, которые измеряли результаты на стандартизированных тестах. Средний ES в исследованиях с локальными тестами составил 0,73; средний ES в исследованиях со стандартизированными тестами составил 0,13. Это расхождение не является необычным для метаанализов, которые включают как локальные, так и стандартизированные тесты... локальные тесты, вероятно, хорошо согласуются с целями конкретных учебных программ. Стандартизированные тесты, имеющиеся в наличии, обеспечивают более свободное соответствие. ... Мы сами считаем, что как локальные, так и стандартизированные тесты предоставляют важную информацию об эффективности обучения, и, когда это возможно, оба типа тестов должны быть включены в оценочные исследования." [95]

Некоторые признанные сильные стороны ИТС включают их способность предоставлять немедленную обратную связь «да/нет», индивидуальный выбор заданий, подсказки по запросу и поддержку обучения мастерству. [3] [96]

Ограничения

Интеллектуальные системы обучения дороги как в разработке, так и в реализации. Фаза исследования прокладывает путь к разработке систем, которые являются коммерчески жизнеспособными. Однако фаза исследования часто является дорогой; она требует сотрудничества и вклада экспертов по предметной области, сотрудничества и поддержки отдельных лиц как в организациях, так и на организационных уровнях. Другим ограничением на этапе разработки является концептуализация и разработка программного обеспечения в рамках как бюджетных, так и временных ограничений. Существуют также факторы, которые ограничивают включение интеллектуальных репетиторов в реальный мир, включая длительные сроки, необходимые для разработки, и высокую стоимость создания компонентов системы. Большая часть этой стоимости является результатом создания компонентов контента. [29] Например, опросы показали, что кодирование часа времени онлайн-обучения заняло 300 часов времени разработки для контента репетиторства. [97] Аналогично, создание Cognitive Tutor заняло соотношение времени разработки к времени обучения не менее 200:1 часов. [90] Высокая стоимость разработки часто затмевает воспроизведение усилий для применения в реальном мире. [98] Интеллектуальные обучающие системы, как правило, не являются коммерчески осуществимыми для реальных приложений. [98]

Критика интеллектуальных систем обучения, используемых в настоящее время, заключается в педагогике немедленной обратной связи и последовательностей подсказок, которые встроены, чтобы сделать систему «интеллектуальной». Эту педагогику критикуют за ее неспособность развивать глубокое обучение у студентов. Когда студентам дают контроль над способностью получать подсказки, созданная реакция обучения оказывается отрицательной. Некоторые студенты сразу обращаются к подсказкам, прежде чем попытаться решить проблему или выполнить задание. Когда это возможно, некоторые студенты исчерпывают подсказки — получая как можно больше подсказок как можно быстрее — чтобы быстрее выполнить задание. Если студенты не размышляют об обратной связи или подсказках системы обучения, а вместо этого увеличивают догадки до тех пор, пока не будет получена положительная обратная связь, студент, по сути, учится делать правильные вещи по неправильным причинам. Большинство систем обучения в настоящее время не способны обнаружить поверхностное обучение или отличить продуктивную от непродуктивной борьбы (хотя см., например, [99] [100] ). По этим и многим другим причинам (например, переподгонка базовых моделей под конкретные группы пользователей [101] ) эффективность этих систем может значительно различаться для разных пользователей. [102]

Еще одним критическим замечанием в адрес интеллектуальных систем обучения является неспособность системы задавать вопросы студентам, чтобы объяснить их действия. Если студент не изучает язык предметной области, то становится сложнее получить более глубокое понимание, работать совместно в группах и переносить язык предметной области в письмо. Например, если студент не «говорит о науке», то утверждается, что он не погружается в культуру науки, что затрудняет написание научных работ или участие в совместных командных усилиях. Интеллектуальные системы обучения критиковались за то, что они слишком «инструктивны» и удаляют внутреннюю мотивацию, контексты социального обучения и реализм контекста из обучения. [103]

Практические проблемы, с точки зрения склонности спонсоров/органов и пользователей адаптировать интеллектуальные системы обучения, должны быть приняты во внимание. [98] Во-первых, кто-то должен иметь готовность внедрить ИТС. [98] Кроме того, орган должен признать необходимость интеграции интеллектуального программного обеспечения обучения в текущую учебную программу и, наконец, спонсор или орган должен предложить необходимую поддержку на этапах разработки системы, пока она не будет завершена и внедрена. [98]

Оценка интеллектуальной системы обучения является важным этапом; однако, она часто бывает сложной, дорогостоящей и отнимает много времени. [98] Несмотря на то, что в литературе представлены различные методы оценки, не существует руководящих принципов для выбора подходящего метода(ов) оценки, которые будут использоваться в определенном контексте. [104] [105] Необходимо провести тщательную проверку, чтобы убедиться, что сложная система делает то, что она обещает делать. Эта оценка может проводиться во время проектирования и ранней разработки системы для выявления проблем и руководства модификациями (т. е. формирующая оценка). [106] Напротив, оценка может проводиться после завершения системы для поддержки формальных заявлений о конструкции, поведении или результатах, связанных с завершенной системой (т. е. итоговая оценка). [106] Большая проблема, вызванная отсутствием стандартов оценки, привела к игнорированию этапа оценки в нескольких существующих ИТС. [104] [105] [106]

Улучшения

Интеллектуальные системы обучения менее способны, чем люди-репетиторы в области диалога и обратной связи. Например, люди-репетиторы способны интерпретировать эмоциональное состояние ученика и потенциально адаптировать обучение в ответ на это восприятие. Недавние работы изучают потенциальные стратегии преодоления этих ограничений ИТС, чтобы сделать их более эффективными.

Диалог

Репетиторы-люди способны понимать тон и интонацию человека в диалоге и интерпретировать это, чтобы обеспечить постоянную обратную связь через текущий диалог. В настоящее время разрабатываются интеллектуальные системы обучения, чтобы попытаться имитировать естественные разговоры. Чтобы получить полный опыт диалога, существует множество различных областей, в которых должен быть запрограммирован компьютер; включая способность понимать тон, интонацию, язык тела и выражение лица, а затем реагировать на них. Диалог в ИТС может использоваться для того, чтобы задавать конкретные вопросы, чтобы помочь направлять студентов и извлекать информацию, позволяя студентам конструировать свои собственные знания. [107] Разработка более сложного диалога в ИТС была в центре внимания в некоторых текущих исследованиях частично для устранения ограничений и создания более конструктивистского подхода к ИТС. [108] Кроме того, некоторые текущие исследования были сосредоточены на моделировании характера и эффектов различных социальных сигналов, обычно используемых в диалоге репетиторами-людьми и учениками, чтобы построить доверие и взаимопонимание (которые, как было показано, оказывают положительное влияние на обучение студентов). [109] [110]

Эмоциональный аффект

Все больше работ посвящено изучению роли аффекта в обучении с целью разработки интеллектуальных обучающих систем, которые могут интерпретировать и адаптироваться к различным эмоциональным состояниям. [111] [112] Люди не просто используют когнитивные процессы в обучении, но и аффективные процессы, через которые они проходят, также играют важную роль. Например, учащиеся лучше учатся, когда у них есть определенный уровень дисбаланса (фрустрации), но не настолько, чтобы учащийся чувствовал себя полностью подавленным. [111] Это побудило аффективные вычисления начать производить и исследовать создание интеллектуальных обучающих систем, которые могут интерпретировать аффективный процесс человека. [111] ИТС может быть разработана для чтения выражений человека и других признаков аффекта в попытке найти и научить оптимальному аффективному состоянию для обучения. Существует много сложностей в этом, поскольку аффект выражается не только одним способом, а несколькими способами, поэтому для того, чтобы ИТС была эффективной в интерпретации аффективных состояний, может потребоваться мультимодальный подход (тон, выражение лица и т. д.). [111] Эти идеи создали новое направление в ИТС — Системы аффективного обучения (АСУ). [112] Одним из примеров ИТС, которая решает проблему аффекта, является Gaze Tutor, который был разработан для отслеживания движений глаз учащихся и определения того, скучают ли они или отвлекаются, а затем система пытается снова вовлечь учащегося. [113]

Построение взаимопонимания

На сегодняшний день большинство ИТС сосредоточены исключительно на когнитивных аспектах обучения, а не на социальных отношениях между системой обучения и учеником. Как показала парадигма «Компьютеры — социальные субъекты» , люди часто проецируют социальную эвристику на компьютеры. Например, в наблюдениях за маленькими детьми, взаимодействующими с Сэмом, помощником по рассказу историй, дети взаимодействовали с этим смоделированным ребенком во многом так же, как и с человеческим ребенком. [114] Было высказано предположение, что для эффективного проектирования ИТС, которая выстраивает отношения с учениками, ИТС должна имитировать стратегии обучающей непосредственности, поведение, которое преодолевает очевидную социальную дистанцию ​​между учениками и учителями, например, улыбку и обращение к ученикам по имени. [115] Что касается подростков, Оган и др. опираться на наблюдения за близкими друзьями, обучающими друг друга, чтобы утверждать, что для того, чтобы ИТС могла построить отношения как сверстник со студентом, скорее всего, необходим более сложный процесс построения доверия, который в конечном итоге может потребовать, чтобы система обучения обладала способностью эффективно реагировать и даже вызывать, казалось бы, грубое поведение, чтобы посредничать в мотивационных и аффективных факторах студентов посредством игривых шуток и насмешек. [116]

Обучаемые агенты

Традиционно ИТС берут на себя роль автономных наставников, однако они также могут брать на себя роль подопечных с целью обучения посредством преподавания упражнений. Факты свидетельствуют о том, что обучение посредством преподавания может быть эффективной стратегией для посредничества в самообъяснении, улучшения чувства самоэффективности и повышения образовательных результатов и удержания. [117] Для того чтобы воспроизвести этот эффект, роли ученика и ИТС можно поменять местами. Этого можно достичь, спроектировав ИТС так, чтобы она выглядела как обучаемая, как в случае с арифметической игрой обучаемого агента [118] и мозгом Бетти. [119] Другой подход заключается в том, чтобы студенты обучали агента машинного обучения, который может научиться решать проблемы с помощью демонстрации и правильности обратной связи, как в случае с системой APLUS, созданной с помощью SimStudent. [120] Для того чтобы воспроизвести образовательные эффекты обучения посредством преподавания, обучаемые агенты обычно имеют социального агента, построенного поверх них, который задает вопросы или передает замешательство. Например, Бетти из Betty's Brain предложит учащемуся задать ей вопросы, чтобы убедиться, что она поняла материал, а Стейси из APLUS предложит пользователю пояснить отзыв, предоставленный учащимся.

Смотрите также

Ссылки

  1. ^ Джозеф Псотка, Шарон А. Муттер (1988). Интеллектуальные обучающие системы: извлеченные уроки . Lawrence Erlbaum Associates. ISBN 978-0-8058-0192-7.
  2. ^ Арнау-Гонсалес, Пабло; Аревалило-Эррас, Мигель; Луиза, Ромина Альборнос-Де; Арнау, Дэвид (01 июня 2023 г.). «Методологический подход, обеспечивающий взаимодействие на естественном языке в интеллектуальной системе обучения». Компьютерная речь и язык . 81 : 101516. doi : 10.1016/j.csl.2023.101516 . ISSN  0885-2308.
  3. ^ abcd ВанЛен, К. (2011). «Относительная эффективность человеческого обучения, интеллектуальных систем обучения и других систем обучения». Педагогический психолог . 46 (4): 197– 221. doi :10.1080/00461520.2011.611369. S2CID  16188384.
  4. ^ abc Бьюкенен, Б. (2006). (Очень) краткая история искусственного интеллекта. Журнал AI 26(4). С.53-60.
  5. ^ "Сидни Пресси". Краткая история педагогического дизайна . Архивировано из оригинала 11 июля 2023 г.
  6. ^ abc Фрай, Э. (1960). Дихотомия обучающей машины: Скиннер против Пресси. Psychological Reports(6) 11-14. Southern University Press.
  7. ^ abcde Shute, VJ, & Psotka, J. (1994). Интеллектуальные системы обучения: прошлое, настоящее и будущее. Отдел исследований кадров и персонала директората по кадрам. С. 2-52
  8. ^ abcdef Chambers, J., & Sprecher, J. (1983). Компьютерное обучение: его использование в классе. Englewood Cliffs, Нью-Джерси: Prentice-Hall Inc.
  9. ^ Карбонелл, Хайме Р. (1970). «ИИ в ИИ: подход искусственного интеллекта к обучению с помощью компьютера». Труды IEEE по системам «человек-машина» . 11 (4): 190–202 . doi :10.1109/TMMS.1970.299942.
  10. ^ abc Larkin, J, & Chabay, R. (ред.). (1992). Компьютерное обучение и интеллектуальные системы обучения: общие цели и дополнительные подходы. Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates.
  11. ^ ab Андерсон, К (1986). «Компьютерное обучение». Журнал медицинских систем . 10 (2): 163– 171. doi :10.1007/bf00993122. PMID  3528372. S2CID  29915101.
  12. ^ ab Corbett, AT, & Anderson, JR (1992). Исследования интеллектуальной обучающей системы LISP в приобретении навыков. В Larkin, J. & Chabay, R. (ред.) Компьютерное обучение и интеллектуальные обучающие системы: общие цели и дополнительные подходы (стр. 73-110) Englewood Cliffs, Нью-Джерси: Prentice-Hall Inc.
  13. ^ Форд, Л. Новая интеллектуальная система обучения (2008) Британский журнал образовательных технологий, 39(2), 311-318
  14. ^ Бейлин, А. и Левин, Л. Введение: Интеллектуальное компьютерное обучение языку (1989) Компьютеры и гуманитарные науки, 23, 3-11
  15. ^ Киншук (1996). Компьютерное обучение для студентов начального уровня по специальности «Бухгалтерский учет». Кандидатская диссертация, Университет Де Монтфорт, Англия, июль 1996 г.
  16. ^ Киншук и Ашок Патель. (1997) Концептуальная структура для интеллектуальных систем обучения на основе Интернета. Передача знаний, II, 117-24.
  17. ^ ab Schofield, JW, Eurich-Fulcer, R., & Britt, CL (1994). Учителя, компьютерные репетиторы и преподавание: искусственный интеллектуальный репетитор как агент перемен в классе. American Educational Research Journal , 31 (3), 579-607.
  18. ^ ab Ogan, A., Walker, E., Baker, RS, Rebolledo Mendez, G., Jimenez Castro, M., Laurentino, T., & De Carvalho, A. (2012, май). Сотрудничество в использовании когнитивного репетитора в Латинской Америке: полевые исследования и рекомендации по проектированию. В трудах конференции SIGCHI по человеческим факторам в вычислительных системах (стр. 1381-1390). ACM.
  19. ^ Холстейн, К., Макларен, Б. М. и Алевэн, В. (2017, март). Интеллектуальные репетиторы как помощники учителей: изучение потребностей учителей в аналитике в реальном времени в смешанных классах. В материалах Седьмой международной конференции по аналитике обучения и знаниям (стр. 257-266). ACM.
  20. ^ ab Miller, WL, Baker, RS, Labrum, MJ, Petsche, K., Liu, YH, & Wagner, AZ (2015, март). Автоматизированное обнаружение проактивного исправления учителями в классах Reasoning Mind. В трудах Пятой международной конференции по аналитике обучения и знаниям (стр. 290-294). ACM.
  21. ^ Дизиол, Д., Уокер, Э., Раммель, Н. и Кёдингер, К. Р. (2010). Использование технологии интеллектуального репетитора для внедрения адаптивной поддержки сотрудничества студентов. Обзор педагогической психологии , 22 (1), 89-102.
  22. ^ Бейкер, Р.С. (2016). Глупые обучающие системы, разумные люди. Международный журнал искусственного интеллекта в образовании , 26 (2), 600-614.
  23. ^ Фридман, Р. 1999. Атлас: Менеджер плана для смешанной инициативы, мультимодального диалога. (1999) Семинар AAAI по смешанной инициативе разведки
  24. ^ Грэссер, Артур К., Курт ВанЛен, Кэролин П. Роуз, Памела В. Джордан и Дерек Хартер. (2001) Интеллектуальные обучающие системы с разговорным диалогом. Журнал Al Magazine 22.4, 39-52.
  25. ^ Гертнер, А.; Конати, К .; и ВанЛен, К. (1998) Процедурная помощь в Андах; Генерация подсказок с использованием модели студента на основе байесовской сети. Искусственный интеллект, 106-111.
  26. ^ Шелби, Р. Н.; Шульце, К. Г.; Трейси, Д. Х.; Винтерсгилл, М. К.; ВанЛен, К.; и Вайнштейн, А. (2001) Оценка наставника Анд.
  27. ^ ab Nwana, HS (1990). «Интеллектуальные обучающие системы: обзор». Artificial Intelligence Review . 4 (4): 251– 277. doi :10.1007/bf00168958. S2CID  206771063.
  28. ^ ab Freedman, R (2000). «Что такое интеллектуальная система обучения?». Intelligence . 11 (3): 15– 16. doi : 10.1145/350752.350756 . S2CID  5281543.
  29. ^ abc Нкамбоу Р., Мидзогучи Р. и Бурдо Дж. (2010). Достижения в области интеллектуальных систем обучения. Гейдельберг: Спрингер.
  30. ^ Олссон, С. (1996) Обучение на ошибках в работе. Психологический обзор, 103, 241-262.
  31. ^ Олссон, С. (1992) Моделирование учащихся на основе ограничений. Искусственный интеллект в образовании, 3(4), 429-447.
  32. ^ Митрович, А., Олссон, С. (2006) Представление знаний на основе ограничений для индивидуализированного обучения. Компьютерные науки и информационные системы, 3(1), 1-22.
  33. ^ Олссон, С., Митрович, А. (2007) Точность и эффективность представления знаний для интеллектуальных обучающих систем. Технология, обучение, познание и обучение, 5(2), 101-132.
  34. ^ Митрович, А. и Олссон, С. (1999) Оценка основанного на ограничениях репетитора для языка баз данных. Int. J. Artificial Intelligence in Education, 10(3-4), 238-256.
  35. ^ Митрович, А. (2010) Пятнадцать лет наставников на основе ограничений: чего мы достигли и куда идем. Моделирование пользователей и взаимодействие, адаптированное для пользователей, 22(1-2), 39-72.
  36. ^ Митрович, А., Мартин, Б., Суравеера, П. (2007) Интеллектуальные наставники для всех: Методология моделирования на основе ограничений, системы и авторство. IEEE Intelligent Systems, 22(4), 38-45.
  37. ^ Захаров К., Митрович А., Олссон С. (2005) Микроинженерия обратной связи в EER-Tutor. В: К.К. Луи, Г. МакКалла, Б. Бредевег, Дж. Бройкер (ред.) Proc. Искусственный интеллект в образовании AIED 2005, IOS Press, стр. 718-725.
  38. ^ Митрович, А., Олссон, С., Барроу, Д. (2013) Эффект положительной обратной связи в интеллектуальной системе обучения на основе ограничений. Компьютеры и образование, 60(1), 264-272.
  39. ^ Андерсон, Х.; Кёдингер, М. (1997). «Интеллектуальное обучение приходит в школу в большом городе». Международный журнал искусственного интеллекта в образовании . 8 : 30–43 .
  40. ^ Корбетт, Альберт Т. и Андерсон, Джон Р., «Моделирование студентов и освоение навыков в репетиторе компьютерного программирования» (2008). Кафедра психологии. Статья 18. http://repository.cmu.edu/psychology/18
  41. ^ Падаячи И. (2002). Интеллектуальные обучающие системы: архитектура и характеристики.
  42. ^ abcdefg Корбетт А.Т., Кёдингер, К.Р., и Андерсон, младший (1997). Интеллектуальные системы обучения. В М.Г. Хеландере, Т.К. Ландауэре и П.В. Прабху (ред.), Справочник по взаимодействию человека и компьютера (стр. 849–874). Амстердам: Эльзевир.
  43. ^ Шах, Фархана; Марта Эвенс; Джоэл Майкл; Аллен Ровик (2002). «Классификация инициатив студентов и ответов преподавателей в сеансах обучения с клавиатуры на клавиатуру». Процессы дискурса . 33 (1): 23– 52. CiteSeerX 10.1.1.20.7809 . doi :10.1207/s15326950dp3301_02. S2CID  62527862. 
  44. ^ Митрович, А., Мартин, Б., Суравеера, П., Захаров, К., Милик, Н., Холланд, Дж. и Макгиган, Н. (2009). ASPIRE: система разработки и среда развертывания для преподавателей с ограничениями. Международный журнал искусственного интеллекта в образовании, 19(2), 155–188.
  45. ^ Алевен, В., Макларен, Б.М., Сьюэлл, Дж., ван Вельсен, М., Попеску, О., Деми, С., Рингенберг, М. и Кёдингер, К.Р. (2016). Репетиторы по отслеживанию примеров: интеллектуальная разработка репетиторов для непрограммистов. Международный журнал искусственного интеллекта в образовании, 26 (1), 224-269. doi: 10.1007/s40593-015-0088-2
  46. ^ Соттиларе, Р. (2012). Соображения по разработке онтологии для обобщенной интеллектуальной структуры обучения. На конференции по моделированию обороны и внутренней безопасности I3M (DHSS 2012).
  47. ^ Раззак, Л., Патварцки, Дж., Алмейда, С. Ф., Вартак, М., Фэн, М., Хеффернан, Н. Т. и Коедингер, К. Р. (2009). Assistment Builder: Поддержка жизненного цикла создания контента для обучающей системы. Труды IEEE по технологиям обучения, 2(2), 157–166
  48. ^ Nye, BD, Graesser, AC, & Hu, X. (2014). AutoTutor и семья: обзор 17 лет обучения естественному языку. Международный журнал искусственного интеллекта в образовании, 24(4), 427–469. doi:10.1007/s40593-014-0029-5.
  49. ^ Андерсон, Дж., Бойл, К., Фаррелл, Р. и Рейзер, Б. (1987). Когнитивные принципы в разработке компьютерных репетиторов. В P. Morris (ред.), Моделирование познания . NY: John Wiley.
  50. ^ Пример инструмента разработки ITS см. в разделе Инструменты разработки когнитивного обучения.
  51. ^ Koedinger, KR ; Corbett, A. (2006). «Когнитивные репетиторы: технологии, приносящие науку в класс». В Sawyer, K. (ред.). The Cambridge Handbook of the Learning Sciences . Cambridge University Press. стр.  61–78 . OCLC  62728545.
  52. ^ Шаалан, Халид Ф. (февраль 2005 г.). «Интеллектуальная компьютерная система обучения языку для изучающих арабский язык». Computer Assisted Language Learning . 18 (1 & 2): 81– 108. doi :10.1080/09588220500132399.
  53. ^ Рамос, К., Рамос, К., Фрассон, К. и Рамачандран, С. (2009). Введение в специальный выпуск о реальных приложениях интеллектуальных обучающих систем., 2(2) 62-63.
  54. ^ https://trac.v2.nl/export/.../Intelligent%20Tutoring%20Systems.pdf [ постоянная мертвая ссылка ‍ ]
  55. ^ Ляо, Рита (25.05.2024). «ИИ-репетиторы незаметно меняют то, как учатся дети в США, а ведущие приложения — из Китая». TechCrunch . Получено 28.05.2024 .
  56. ^ Оценка программы Cognitive Tutor Algebra I A Шнейдерман – Государственные школы округа Майами-Дейд, Офис оценки и исследований, Майами, Флорида. Сентябрь 2001 г.
  57. ^ Митрович, А. (1998) Изучение SQL с помощью компьютерного репетитора. 29-й технический симпозиум ACM SIGCSE, стр. 307-311.
  58. ^ Митрович, А. (1998) Опыт внедрения моделирования на основе ограничений в SQL-Tutor. Труды ITS'98, Б. Гёттл, Х. Халф, К. Редфилд, В. Шут (ред.), стр. 414-423.
  59. ^ Митрович, А. (2003) Интеллектуальный репетитор SQL в Интернете. Int. J. Artificial Intelligence in Education, 13(2-4), 173-197.
  60. ^ Захаров К., Митрович А., Олссон С. (2005) Микроинженерия обратной связи в EER-Tutor. В: К.К. Луи, Г. МакКалла, Б. Бредевег, Дж. Бройкер (ред.) Proc. Искусственный интеллект в образовании AIED 2005, IOS Press, стр. 718-725.
  61. ^ Suraweera, P., Mitrovic, A., Интеллектуальная обучающая система для моделирования отношений сущностей. Int. J. Artificial Intelligence in Education, т. 14, № 3-4, 375-417, 2004.
  62. ^ Багаи, Н., Митрович, А., Ирвин, В. Поддержка совместного обучения и решения проблем в среде CSCL на основе ограничений для диаграмм классов UML. Int. J. CSCL, т. 2, № 2-3, стр. 159-190, 2007.
  63. ^ "Главная". stoichtutor.cs.cmu.edu .
  64. ^ Макларен, Б. М., Лим, С., Ганьон, Ф., Ярон, Д. и Кёдингер, К. Р. (2006). Изучение эффектов персонализированного языка и рабочих примеров в контексте интеллектуального веб-репетитора. В M. Ikeda, KD Ashley и TW. Chan (ред.), Труды 8-й Международной конференции по интеллектуальным системам обучения (ITS-2006), Конспект лекций по информатике, 4053 (стр. 318-328). Берлин: Springer.
  65. ^ Макларен, Б. М., Лим, С. и Кёдингер, К. Р. (2008). Когда и как часто следует давать студентам примеры с решениями? Новые результаты и резюме текущего состояния исследований. В BC Love, K. McRae и VM Sloutsky (ред.), Труды 30-й ежегодной конференции Общества когнитивной науки (стр. 2176-2181). Остин, Техас: Общество когнитивной науки.
  66. ^ Макларен, Б. М., ван Гог, Т., Ганоэ, К., Карабинос, М. и Ярон, Д. (2016). Эффективность отработанных примеров по сравнению с ошибочными примерами, решение проблем с помощью репетитора и решение проблем в экспериментах в классе. Компьютеры в поведении человека, 55, 87-99.
  67. ^ Макларен, Б. М., ДеЛиув, К. Э. и Майер, Р. Э. (2011). Вежливые интеллектуальные веб-репетиторы: могут ли они улучшить обучение в классах? Компьютеры и образование, 56(3), 574-584. doi: 10.1016/j.compedu.2010.09.019.
  68. ^ Макларен, Б. М., ДеЛиув, К. Э. и Майер, Р. Э. (2011). Эффект вежливости в обучении с помощью интеллектуальных веб-репетиторов. Международный журнал исследований взаимодействия человека и компьютера, 69(1-2), 70-79. doi:10.1016/j.ijhcs.2010.09.001
  69. ^ Beal, CR, Beck, J., & Woolf, B. (1998). Влияние интеллектуального компьютерного обучения на математическую самооценку девочек и убеждения в ценности математики. Доклад, представленный на ежегодном собрании Американской ассоциации образовательных исследований.
  70. ^ Schiaffino, S., Garcia, P., & Amandi, A. (2008). eTeacher: Предоставление персонализированной помощи студентам электронного обучения. Computers & Education 51, 1744-1754
  71. ^ Keles, A.; Ocak, R.; Keles, A.; Gulcu, A. (2009). "ZOSMAT: Веб-ориентированная интеллектуальная система обучения для процесса преподавания-обучения". Expert Systems with Applications . 36 (2): 1229– 1239. doi :10.1016/j.eswa.2007.11.064.
  72. ^ Хеффернан, NT, Тернер, TE, Лоренко, ALN, Макасек, MA, Нуццо-Джонс, G., и Коедингер, KR (2006). ASSISTment Builder: Towards an Analysis of Cost Effectiveness of ITS creation. Представлено на FLAIRS2006, Флорида.
  73. ^ «Проект интеллектуальной системы обучения CIRCSIM-Tutor в Иллинойском технологическом институте и Медицинском колледже Раша».
  74. ^ aroque.bol.ucla.edu/pubs/vanLehnEtAl-its02-architectureWhy.pdf
  75. ^ Cheung, B.; Hui, L.; Zhang, J.; Yiu, SM (2003). «SmartTutor: интеллектуальная система обучения в веб-образовании взрослых». Журнал систем и программного обеспечения . 68 : 11– 25. doi :10.1016/s0164-1212(02)00133-4.
  76. ^ Graesser, AC, Wiemer-Hastings, K., Wiemer-Hastings, P., & Kreuz, R., & TRG. (1999). AutoTutor: Моделирование человека-репетитора. Журнал исследований когнитивных систем 1, 35-51
  77. ^ Melis, E., & Siekmann, J. (2004). Activemath: Интеллектуальная система обучения математике. В R. Tadeusiewicz, LA Zadeh, L. Rutkowski, J. Siekmann, (ред.), 7-я международная конференция "Искусственный интеллект и мягкие вычисления" (ICAISC) Заметки лекций по ИИ LNAI 3070. Springer-Verlag 91-101
  78. ^ "Проект AdaptErrEx".
  79. ^ Макларен, Б. М., Адамс, Д. М. и Майер, Р. Э. (2015). Эффекты отсроченного обучения с ошибочными примерами: исследование обучения десятичным дробям с помощью веб-репетитора. Международный журнал искусственного интеллекта в образовании, 25(4), 520-542.
  80. ^ Адамс, Д., Макларен, Б. М., Майер, Р. Э., Гогуадзе, Г. и Изотани, С. (2013). Ошибочные примеры как желаемая сложность. В Lane, HC, Yacef, K., Mostow, J. и Pavlik, P. (ред.). Труды 16-й Международной конференции по искусственному интеллекту в образовании (AIED 2013). LNCS 7926 (стр. 803-806). Springer, Берлин.
  81. ^ Макларен, Б. М., Адамс, Д., Дуркин, К., Гогуадзе, Г. Майер, Р. Э., Риттл-Джонсон, Б., Сосновский, С., Изотани, С. и Ван Велсен, М. (2012). Ошибаться свойственно человеку, объяснять и исправлять — божественно: исследование интерактивных ошибочных примеров с учениками средней школы, изучающими математику. В A. Ravenscroft, S. Lindstaedt, C. Delgado Kloos и D. Hernándex-Leo (ред.), Труды EC-TEL 2012: Седьмая европейская конференция по обучению с использованием технологий, LNCS 7563 (стр. 222-235). Springer, Берлин.
  82. ^ "Обзор - ПОДАРОК ​​- Портал ПОДАРКОВ". www.gifttutoring.org . Получено 2018-07-30 .
  83. ^ ab Sinatra, Anne M.; Goldberg, Benjamin S.; Sottilare, Robert A. (2014-09-01). «Обобщенная интеллектуальная структура обучения (GIFT) как инструмент для специалистов по человеческому фактору», Обобщенная интеллектуальная структура обучения (GIFT) как инструмент для специалистов по человеческому фактору. Труды Ежегодного собрания Общества по человеческому фактору и эргономике . 58 (1): 1024– 1027. doi : 10.1177/1541931214581214. ISSN  1541-9312. S2CID  111915804.
  84. ^ Lajoie, SP; Lesgold, A. (1989). «Обучение ученичеству на рабочем месте: компьютерная среда практики как новая форма ученичества». Machine-Mediated Learning . 3 : 7–28 .
  85. ^ Элиот, К. и Вульф, Б. (1994). Рассуждения о пользователе в системе обучения в реальном времени на основе моделирования. В трудах четвертой международной конференции по моделированию пользователей, 121-126.
  86. ^ MILETTO, EM, PIMENTA, MS, VICARI, RM, & FLORES, LV (2005). CODES: веб-среда для совместного создания музыкальных прототипов. Organised Sound, 10(3), 243-253.
  87. ^ Холстейн, К., Макларен, Б. М. и Алевэн, В. (2017, март). SPACLE: исследование обучения в виртуальных и физических пространствах с использованием пространственных повторов. В трудах Седьмой международной конференции по аналитике обучения и знаниям (стр. 358-367). ACM.
  88. ^ Интеллектуальные обучающие системы, Глава 37 / Corbett, Koedinger & Anderson / Глава 37 (Оригинал стр. 849-874) 14 извлечено 21 мая 2012 г. с сайта http://act-r.psy.cmu.edu/papers/173/Chapter_37_Intelligent_Tutoring_Systems.pdf Архивировано 17 июня 2012 г. на Wayback Machine
  89. ^ Карам, Р., Пейн, Дж. Ф., Гриффин, Б. А., Робин, А., Филлипс, А. и Догерти, Л. (2016). Изучение внедрения учебной программы смешанной алгебры I на основе технологий в масштабе. Исследования и разработки в области образовательных технологий , 1-27.
  90. ^ abc Андерсон, JR; Корбетт, AT; Кёдингер, KR; Пеллетье, R. (1995). «Когнитивные репетиторы: извлеченные уроки». Журнал наук об обучении . 4 (2): 167– 207. doi :10.1207/s15327809jls0402_2. S2CID  22377178.
  91. ^ Кристманн, Э.; Баджетт, Дж. (1997). «Прогрессивное сравнение эффектов компьютерного обучения на успеваемость учащихся средней школы». Журнал исследований вычислительной техники в образовании . 29 (4): 325–338 . doi :10.1080/08886504.1997.10782202.
  92. ^ Флетчер, Дж. Д. (2003). Доказательства обучения с помощью обучения с использованием технологий. В HF O'Neil & R. Perez (ред.), Применение технологий в образовании: взгляд на обучение (стр. 79–99). Mahwah, NJ: Erlbaum.
  93. ^ Koedinger, KR; Anderson, JR; Hadley, WH; Mark, MA (1997). «Интеллектуальное обучение приходит в школу в большом городе». Международный журнал искусственного интеллекта в образовании . 8 : 30–43 .
  94. ^ Плейно, Г. С. (2004). «Влияние когнитивного репетиторства по алгебре на отношение и успеваемость учащихся в курсе алгебры в 9-м классе». Неопубликованная докторская диссертация, Университет Сетон-Холл, Саут-Ориндж, Нью-Джерси .
  95. ^ Кулик, Джеймс А.; Флетчер, Дж. Д. (2016). «Эффективность интеллектуальных систем обучения: метааналитический обзор». Обзор образовательных исследований . 86 : 42–78 . doi :10.3102/0034654315581420. S2CID  7398389.
  96. ^ Koedinger, Kenneth; Alven, Vincent (2007). «Изучение дилеммы помощи в экспериментах с когнитивными наставниками». Educ Psychol Rev. 19 ( 3): 239– 264. CiteSeerX 10.1.1.158.9693 . doi :10.1007/s10648-007-9049-0. S2CID  339486. 
  97. ^ Мюррей, Т. (1999). Создание интеллектуальных систем обучения: анализ современного состояния дел. Международный журнал искусственного интеллекта в образовании (IJAIED), 10, 98–129.
  98. ^ abcdef Полсон, Марта С.; Ричардсон, Дж. Джеффри, ред. (1988). Основы интеллектуальных обучающих систем. Лоуренс Эрлбаум.
  99. ^ Бейкер, Р., Гоуда, С., Корбетт, А. и Окумпо, Дж. (2012). На пути к автоматическому определению поверхностности обучения студентов. В «Интеллектуальных системах обучения» (стр. 444-453). Springer Berlin/Heidelberg.
  100. ^ Käser, T., Klingler, S., & Gross, M. (2016, апрель). Когда остановиться?: к универсальной учебной политике. В материалах Шестой международной конференции по аналитике обучения и знаниям (стр. 289-298). ACM.
  101. ^ Окумпо, Дж., Бейкер, Р., Гоуда, С., Хеффернан, Н. и Хеффернан, К. (2014). Популяционная валидность для моделей интеллектуального анализа образовательных данных: исследование случая обнаружения аффекта. Британский журнал образовательных технологий , 45 (3), 487-501.
  102. ^ Koedinger, K.; Aleven, V. (2007). «Изучение дилеммы помощи в экспериментах с когнитивными наставниками». Educational Psychology Review . 19 (3): 239– 264. CiteSeerX 10.1.1.158.9693 . doi :10.1007/s10648-007-9049-0. S2CID  339486. 
  103. ^ Jonassen, DH, & Reeves, TC (1996). Обучение с помощью технологий: использование компьютеров в качестве когнитивных инструментов. В DH Jonassen (ред.), Справочник по исследованиям в области образовательных коммуникаций и технологий (стр. 693 - 719). Нью-Йорк: Macmillan.
  104. ^ Аб Икбал А., Опперманн Р., Патель А. и Киншук (1999). Классификация методов оценки интеллектуальных систем обучения. В книге У. Аренд, Э. Эберле и К. Питшке (ред.) Software Ergonomie '99 - Design von Informationswelten, Лейпциг: BG Teubner Stuttgart, 169–181.
  105. ^ ab Siemer, J., & Angelides, MC (1998). Комплексный метод оценки полных интеллектуальных обучающих систем. Системы поддержки принятия решений, 22(1), 85–102.
  106. ^ abc Марк, MA, Грир, JE. (1993). Методологии оценки для интеллектуальных систем обучения. Журнал искусственного интеллекта в образовании, 4, 129–129.
  107. ^ Graessner AC, Kurt VanLehn C. P R., Jordan P. & Harter D. (2001). Интеллектуальные обучающие системы с разговорным диалогом. Журнал AI, 22(4), 39.
  108. ^ Грэссер, А. С., Чипман, П., Хейнс, Б. С. и Олни, А. (2005). AutoTutor: интеллектуальная система обучения с диалогом со смешанной инициативой., 48(4) 612-618.
  109. ^ Чжао, Р., Папангелис, А. и Касселл, Дж. (2014, август). К диадической вычислительной модели управления взаимоотношением для взаимодействия человека и виртуального агента. На Международной конференции по интеллектуальным виртуальным агентам (стр. 514-527). Springer International Publishing.
  110. ^ Мадаио, МА, Оган, А. и Касселл, Дж. (2016, июнь). Влияние дружеских и репетиторских ролей на стратегии взаимного репетиторства. На Международной конференции по интеллектуальным системам репетиторства (стр. 423-429). Springer International Publishing.
  111. ^ abcd D'Mello, C.; Graessner, A. (2012). «Динамика аффективных состояний во время комплексного обучения». Learning and Instruction . 22 (2): 145– 157. doi :10.1016/j.learninstruc.2011.10.001. S2CID  53377444.
  112. ^ ab Sarrafzadeh, A.; Alexander, S.; Dadgostar, F.; Fan, C.; Bigdeli, A. (2008). «Откуда вы знаете, что я не понимаю?» Взгляд на будущее интеллектуальных обучающих систем». Computers in Human Behavior . 24 (4): 1342– 1363. doi :10.1016/j.chb.2007.07.008. hdl : 10652/2040 .
  113. ^ Д'Мелло, С.; Олни, А.; Уильямс, К.; Хейс, П. (2012). «Gaze tutor: интеллектуальная обучающая система, реагирующая на взгляд». Международный журнал исследований человека и компьютеров . 70 (5): 377– 398. doi :10.1016/j.ijhcs.2012.01.004.
  114. ^ Касселл, Джастин (январь 2004 г.). «На пути к модели развития технологий и грамотности: системы прослушивания историй». Журнал прикладной психологии развития . 25 (1): 75– 105. doi :10.1016/j.appdev.2003.11.003. ISSN  0193-3973. S2CID  9493253.
  115. ^ Ван, Нин; Грач, Джонатан (сентябрь 2009 г.). «Взаимопонимание и выражение лица». 2009 3-я международная конференция по аффективным вычислениям и интеллектуальному взаимодействию и семинары . IEEE. стр.  1– 6. doi :10.1109/acii.2009.5349514. ISBN 9781424448005. S2CID  9673056.
  116. ^ Оган, Эми; Финкельштейн, Саманта; Уокер, Эрин; Карлсон, Райан; Касселл, Джастин (2012), «Грубость и взаимопонимание: оскорбления и достижения в обучении сверстников», Интеллектуальные системы обучения , Конспект лекций по информатике, т. 7315, Springer Berlin Heidelberg, стр.  11–21 , CiteSeerX 10.1.1.477.4527 , doi :10.1007/978-3-642-30950-2_2, ISBN  9783642309496, S2CID  14315990
  117. ^ Фиорелла, Логан; Майер, Ричард Э. (октябрь 2013 г.). «Относительные преимущества обучения путем преподавания и ожидаемая продолжительность обучения». Contemporary Educational Psychology . 38 (4): 281– 288. doi :10.1016/j.cedpsych.2013.06.001. ISSN  0361-476X.
  118. ^ Парето, Лена; Арвемо, Тобиас; Даль, Илва; Хааке, Магнус; Гульц, Агнета (2011), «Влияние арифметической игры с обучаемым агентом на понимание математики, отношение и самоэффективность», Искусственный интеллект в образовании , Конспект лекций по информатике, т. 6738, Springer Berlin Heidelberg, стр.  247–255 , doi :10.1007/978-3-642-21869-9_33, ISBN 9783642218682, S2CID  17108556
  119. ^ BISWAS, GAUTAM; JEONG, HOGYEONG; KINNEBREW, JOHN S.; SULCER, BRIAN; ROSCOE, ROD (июль 2010 г.). «Измерение навыков саморегуляции обучения посредством социальных взаимодействий в среде обучаемого агента». Исследования и практика в области технологического усовершенствованного обучения . 05 (2): 123– 152. doi :10.1142/s1793206810000839. ISSN  1793-2068.
  120. ^ Мацуда, Нобору; Коэн, Уильям В.; Кёдингер, Кеннет Р.; Кайзер, Виктория; Райзада, Рохан; Ярзебински, Эвелин; Уотсон, Шайна П.; Стилианидес, Габриэль (март 2012 г.). «Изучение эффекта обучения с репетитором с использованием обучаемого агента, который просит у репетитора-студента объяснений». Четвертая международная конференция IEEE 2012 г. по цифровым играм и интеллектуальным игрушкам. Улучшенное обучение . IEEE. стр.  25–32 . doi :10.1109/digitel.2012.12. ISBN 9781467308854. S2CID  15946735.

Библиография

Книги

  • Нкамбу, Роджер; Бурдо, Жаклин; Мидзогучи, Риитиро, ред. (2010). Достижения в области интеллектуальных систем обучения . Спрингер. ISBN 978-3-642-14362-5.
  • Вульф, Беверли Парк (2009). Создание интеллектуальных интерактивных репетиторов . Морган Кауфманн. ISBN 978-0-12-373594-2.
  • Эвенс, Марта; Майкл, Джоэл (2005). Индивидуальное обучение людей и компьютеров . Routledge. ISBN 978-0-8058-4360-6.
  • Полсон, Марта С.; Ричардсон, Дж. Джеффри, ред. (1988). Основы интеллектуальных систем обучения . Лоуренс Эрлбаум. ISBN 978-0-8058-0053-1.
  • Псотка, Джозеф; Мэсси, Л. Дэн; Муттер, Шарон, ред. (1988). Интеллектуальные обучающие системы: извлеченные уроки . Лоуренс Эрлбаум. ISBN 978-0-8058-0023-4.
  • Венгер, Этьен (1987). Искусственный интеллект и обучающие системы: вычислительные и когнитивные подходы к передаче знаний . Морган Кауфманн. ISBN 978-0-934613-26-2.
  • Chambers, J.; Sprecher, J. (1983). Компьютерное обучение: его использование в классе . Prentice-Hall Inc. ISBN 978-0131643840.
  • Браун, Д.; Слиман, Джон Сили, ред. (1982). Интеллектуальные обучающие системы . Academic Press. ISBN 978-0-12-648680-3.

Статьи

  • Интеллектуальные обучающие системы: исторический обзор в контексте развития искусственного интеллекта и педагогической психологии
  • Интеллектуальные системы обучения: что и как
  • Фридман, Рева (2000). «Что такое интеллектуальная система обучения?» (PDF) . Интеллект . 11 (3): 15– 16. doi :10.1145/350752.350756. S2CID  5281543.
  • Интеллектуальные системы обучения: использование ИИ для повышения эффективности обучения и рентабельности инвестиций
  • Структура адаптивного обучения на основе моделей
  • Концептуальная основа для интеллектуальных систем обучения на базе Интернета
  • Интеллектуальные обучающие системы с диалоговым общением
  • ELM-ART: интеллектуальная система обучения во всемирной паутине
  • Определяющие характеристики исследований интеллектуальных систем обучения: ИТС заботятся именно о
  • Разработка интеллектуальных систем обучения: анализ современного состояния дел
  • Когнитивное моделирование и интеллектуальное обучение
  • Интеллектуальное обучение приходит в школы большого города
  • Адаптивная гипермедиа: от интеллектуальных систем обучения к веб-образованию
  • 11-я Международная конференция по интеллектуальным системам обучения – коадаптация в обучении – Ханья (2012)
  • 10-я Международная конференция по интеллектуальным системам обучения – Мосты к обучению – Питтсбург (2010)
  • 9-я Международная конференция по интеллектуальным системам обучения – Интеллектуальные системы обучения: прошлое и будущее – Монреаль (2008)
  • 8-я Международная конференция по интеллектуальным системам обучения (2006)
  • Конференция «Искусственный интеллект в образовании» 2007 года.
  • MERLOT - Мультимедийный образовательный ресурс для обучения и онлайн-преподавания
  • Хронология обучающих машин http://teachingmachin.es/timeline.html
Retrieved from "https://en.wikipedia.org/w/index.php?title=Intelligent_tutoring_system&oldid=1264046396"