Section IV General Instructional Strategies

Presentation on theme: "Section IV General Instructional Strategies"— Presentation transcript:

1 Section IV General Instructional Strategies
34 Advanced Technologies for Personalized Learning, Instruction, and Performance 有关个性化学习、教学和绩效的先进技术 (Mieke Vandewaetere and Geraldine Clarebout) 万海鹏 School of Educational Technology, Faculty of Education Beijing Normal University

2 Outline Introduction Learner Modeling for Personalized Learning
Artificial Intelligence for Personalized Learning Educational Data Mining for Personalized Learning Summary and Conclusion

3 个性化教学最早由Keller在他的个性化教学系统中提出(Personalized system of instruction PSI; for a discussion, see Lee & Park,2008 ; Lockee, Larson, Burton, & Moore,2008 , in the previous edition of this handbook)。 本章主要对实现个性化学习的先进方法和技术进行了概述，而这些方法或技术常常内嵌在自适应和/或智能系统当中。 (Structure of a personalized learning environment—learner model and reasoning engine) 1. Introduction

4 2. Learner Modeling for Personalized Learning
学习者模型：Learner modeling, User modeling, Student modeling 一般包括先验知识、学习风格、学习动机等特征要素 2.1 Static or Dynamic Approaches to Learner Modeling 静态模型：情境信息被忽视，不能包含学习者的所有特征信息 动态模型：动态追踪学习者个人特征变化，在交互中持续更新模型 2.2 Methods and Techniques for Learner Modeling 2.3 UM Challenges and Potential for the Future 模型所包含的相关信息越全，系统的适应性越好，学习也能够越个性化。 2. Learner Modeling for Personalized Learning

5 2. Learner Modeling for Personalized Learning
2.1 Static or Dynamic Approaches to Learner Modeling 2.2 Methods and Techniques for Learner Modeling 人工智能与机器学习技术：模式识别(学习者特征以及行为) 软计算技术：隐式测量学习者特征 (主要包括:模糊逻辑、神经网络、概率推理、遗传算法、学习理论和混沌理论) 2.3 UM Challenges and Potential for the Future 学生模型一直以来都被认为是个性化学习环境构建所关注的核心问题 不要期望有哪个学生模型能够涵盖学习者的认知、情感和行为等所有特点， 大部分模型都是与特定的领域或教学策略相关联的 没有所谓一般性框架告诉我们哪些技术最适用于哪种特定目的的学习者模型 2. Learner Modeling for Personalized Learning

6 3. Artificial Intelligence for Personalized Learning
人工智能虽然经历过50多年的发展，但目前人工智能领域依然是神秘的， 没有一个广泛被接受的定义。 人工智能的目标可以定义为发展那些与人类智能保持一致的技术 (Dillenbourg,1994 , p. 13)。人工智能的焦点在于能够像学习者那样进行推理 ，模拟我们人类的推理过程，至少包含推理过程的结果。随着对人类智能有静 止到变化的认识发展，人工智能也由模拟学习者推理向伴随有学习者的推理方 向转变。 智能导师系统（Intelligent tutoring systems） 3.1 AI for Knowledge-Based Intelligent Tutoring Systems 3.2 AI for Affect Recognition in Intelligent Tutoring Systems 3.3 AI for Agent-Based Intelligent Tutoring Systems 3.4 AI Challenges and Potential for the Future 3. Artificial Intelligence for Personalized Learning

7 3. Artificial Intelligence for Personalized Learning
3.1 AI for Knowledge-Based Intelligent Tutoring Systems 三大组块：学习者模型(代表学习者档案)、领域模型(关联学习内容或知识 )、教学模型或导师模型(决定智能导师系统的类型) 典型案例：Model-Tracing Cognitive Tutors、Constraint-Based Tutors、Example-Tracing Tutors 3.2 AI for Affect Recognition in Intelligent Tutoring Systems 原理：利用AI自动探测和识别情感状态，测量过程基于脑电波(EEG) 肌电图(EMG)用于测绘面部肌肉活动，皮肤电反应(GSR)用于测量紧张和 兴奋，手势分析(GA)用于身体动作分析，面部表情识别用来推断学习者心 态 3.3 AI for Agent-Based Intelligent Tutoring Systems 3.4 AI Challenges and Potential for the Future 注重认知模型，通过行为追踪、定义规则或一般问题解决的案例；近年来，从纯粹的认知模型逐步转向了情境式、交互式、情境支持式模型 3. Artificial Intelligence for Personalized Learning

8 3. Artificial Intelligence for Personalized Learning
3.1 AI for Knowledge-Based Intelligent Tutoring Systems 3.2 AI for Affect Recognition in Intelligent Tutoring Systems 3.3 AI for Agent-Based Intelligent Tutoring Systems 基于代理的人工智能主要为了发展学习伙伴或者计算机角色模拟。学习伙伴 或者教育代理能够扮演专家、辅导员、竞争者、协作者、学习者、闹事者。 学习者与代理之间的交互将与相应的行为模式进行关联，而每种行为模式都 与特定的教学策略相联。为了捕捉学习者和老师对话的特点，越来越多基于 代理的人工智能导师系统开始采用自然语言处理技术(NLP)。 3.4 AI Challenges and Potential for the Future ITS(智能导师系统)的开发 人工智能技术的实现（智能算法、计算内存） 设计具有一定计算精度且真正关注学生的系统，而不是仅仅展示人工智能 在教育应用中的可能性 3. Artificial Intelligence for Personalized Learning

9 4. Educational Data Mining for Personalized Learning
教育数据挖掘研究在个性化和自适应学习领域而言是一个相对新兴的议题，其源自机器学习、心理测量、社会网络分析、网络挖掘等领域。 4.1 Data Mining in Education: Techniques 4.2 Data Mining in Education: Applications for Personalization 4.3 EDM Challenges and Potential for the Future 4. Educational Data Mining for Personalized Learning

10 4. Educational Data Mining for Personalized Learning
4.1 Data Mining in Education: Techniques 预测：基于自变量去解释数据的单个方面(结果变量)，主要有分类、回归 、密度评估； 聚类技术：目的在于发现数据点(学习者、学习者特征、学校、学生行为) ，可以是细粒度的学生行为，也可以是粗粒度的不同学校之间的异同； 关系挖掘技术：用于发现和强化数据集中变量之间的关系，主要有关联规 则挖掘、关联挖掘、序列模式挖掘、因果关系挖掘； 模式挖掘：模型形成与验证，并作为下一个分析的输入，能够解决，像哪 一种学习材料对于特定的学生群体最受益，不同的行为模式是如何影响学生 学习等问题； 文本挖掘：文件群组识别，作为知识提取、论坛内容分析与评估的基础。 4.2 Data Mining in Education: Applications for Personalization 4.3 EDM Challenges and Potential for the Future 4. Educational Data Mining for Personalized Learning

11 4. Educational Data Mining for Personalized Learning
4.1 Data Mining in Education: Techniques 4.2 Data Mining in Education: Applications for Personalization 对学习者模型的改进(学习者特征与学习者行为的高层次模型); 对适应性和个性化支持的研究（关于学习分解研究）。 4.3 EDM Challenges and Potential for the Future 所有传统的数据挖掘技术都可以应用与EDM，但由于教育数据的独特 性，因此需要研发新的EDM技术。 为教育研究者和普通数据挖掘用户提供数据挖掘的工具将是EDM研究 所面临的主要挑战。 教育数据挖掘为个性化学习环境的构建提供了两个关键的应用支持 4. Educational Data Mining for Personalized Learning

12 (Four-dimensional perspective on adaptive learning)
自适应源(adapt to what)学习者元素(学习者特征、学习结果)以及学习者与系统之间的交互 自适应目的(adapt what)学习内容、学习内容呈现方式、教学或学习支持的适应程度 自适应的时间(adapt when)静态或者动态的学习者模型、双重自适应 自适应的方法(adapt how)学习者控制（学习者控制学习环境与内容）、系统或程序控制（由程序员或教师直接控制内容）、两者结合（首先由系统根据学习者特征选择一些合适的资源、任务；然后才是让学习者进行自主控制） (Four-dimensional perspective on adaptive learning) 5. Summary and Conclusion

13 Thank You! 万海鹏 Doctoral Candidate of Educational Technology