基于案例的推理：智能授导系统研究的新方法*

□陈刚

基于案例的推理：智能授导系统研究的新方法*

□陈刚

传统的智能授导系统研究方法是以学习者个体数据作为决策依据，以基于规则的推理作为推理方法，这样的系统面临着学习者个体数据不易测定、决策规则难以描述、系统无法自我完善三条困境。基于案例的推理方法恰好规避了规则获取和描述的困难，结合群体数据和个体数据作为推理依据，实现了自我完善的推理智能。作为智能授导系统新的研究方法，基于案例的推理具有广阔的应用前景。

智能授导系统；基于案例的推理；基于规则的推理

一、引言

智能授导系统（Intelligent Tutoring System），是一种借助于人工智能技术，让计算机扮演教师的角色实施个别化教学，向不同需求、不同特征的学习者传授知识、提供指导的适应性学习支持系统（Adaptive Learning Support System）[1]。智能授导系统的发展大致可以分为三个阶段：上个世纪70年代，智能授导系统的概念得以提出，众多研究者在理论研究、模型设计和实验开发等方面做出了许多有益的探索，奠定了智能授导系统研究的基础；到了80年代中后期，计算机图形技术和多媒体技术的普及，使研究者们逐渐将关注重点转向了智能授导系统中的界面设计和人机交互过程；90年代中后期至今，随着网络通信技术的广泛应用，构建基于网络的智能授导系统（如智能化网络课程）成为了本领域内最为引人注目的研究重点。

与传统的单机智能授导系统相比，构建基于网络的智能授导系统所采用的理论基础、研究方法、技术手段都存在着较大的不同。事实上，智能授导系统研究的核心问题在于三元模型的建立，即领域知识建模、学习者建模和教学策略建模[2]。其中，领域知识建模相对简单，利用人工智能中的知识表示技术已经能够建立相对完备的领域知识模型[3]；对于学习者建模，传统的单机智能授导系统所采用的方法是，监控并采集单个学习者的人机交互行为数据，据此分析学习者的个性特征，进而建立学习者模型；对于教学策略建模，则主要通过访谈的形式直接获取教学专家（如学科教师、教育研究者等）的教学经验，进而建立教学策略模型。

但是，由于智能授导系统的人机交互过程充满了多义性与不确定性，教学策略又难以获取和描述，因此传统的研究方法在处理学习者模型和教学策略模型时遇到了其自身难以克服的困难。而在我们看来，基于案例的推理作为一种经验性的推理方法，恰好规避了传统智能授导系统研究方法中知识获取的困难，为智能授导系统的研究提供了新的方法框架。

二、传统智能授导系统的研究方法与困境

1.传统智能授导系统的研究方法

事实上，智能授导系统中三元模型的构建都是以“智能化教学决策”的需求为导向的，智能化教学决策才是智能授导系统研究最本质的问题。所谓智能化教学决策，是指系统利用各种软件的智能化方法，根据不同学习者的个性特征，为其选择相适应的教学目标、教学内容和教学方法的推理过程。为了实现智能化教学决策，传统的智能授导系统研究方法可以归结为以下两点：

（1）以学习者个体数据作为决策依据

客观上，由于计算机网络技术直到上个世纪90年代中后期才普及开来，因此早期的智能授导系统研究主要面向的是单机系统。一般来说，这种单机智能授导系统所服务的用户相对较少。另一方面，智能授导系统又是一种应当能够适合不同学习者的个性化智能系统。因此，传统的智能授导系统在针对不同学习者进行教学决策时，顺理成章地将学习者个体的个性特征作为系统教学决策的依据。

而在学习者个体数据的获取方面，传统的智能授导系统主要采取直接记录和心理测量的方法。一般来说，学习者模型主要包括学习者的基本信息、心理特征信息、人机交互行为信息和学习状态信息[4]。对于基本信息和人机交互行为信息，智能授导系统会直接监控并记录于学习者模型中。而对于其他两种信息，系统则通常以问卷的形式测量获得。例如，有的智能授导系统会要求学习者首次使用系统时填写一张学习风格量表，从而获得学习者的学习风格特征；学习状态信息则通常根据学习者的单元测试成绩获取。

（2）采用基于产生式的规则推理形式

智能授导系统的研究起源于上个世纪70年代，恰逢知识工程的盛行。因此，智能授导系统的研究思路和方法很大程度上受到了知识工程的启发，以基于产生式的规则推理作为系统决策的主要方法。产生式是一种形似“if条件 then结果”的语法。具体到智能授导系统中，这里的“条件”是指系统依据什么做出适应性的教学决策，主要包括学习者个性特征和教学内容特征两个方面；“结果”就是系统应该提供什么样的适应性教学；而整个产生式就是一个推理规则，也是一个教学策略。例如，“if学习风格＝场依存 then显示论坛页面”就是一个典型的教学策略。在教学策略的获取方面，传统的智能授导系统则主要依赖于知识工程师与学科教师、教育研究者等教学专家进行沟通。

2.传统研究方法的困境

应当承认，传统的研究方法确实对智能授导系统领域的发展起到了推动作用。但是，传统研究方法自身所不可逾越的局限性，也造成了一些当前智能授导系统研究止步不前的瓶颈问题，主要体现在以下三个方面：

（1）学习者个体数据不易测定

理论上看，传统智能授导系统所采取的收集学习者个体特征，从而推理教学决策的思路，是无可置疑的。但是客观上，学习者个体特征却是难以测定与分析的。原因在于：一方面，智能授导系统的人机交互通道过于单一，系统难以在有限的人机交互活动中收集到足够的学习者数据。另一方面，由于人机交互活动背后所隐藏的不确定因素过多，即使使用标准的心理测量量表所获得的学习者心理特征数据，也存在着极大的或然性。这就使得收集、分析和利用学习者个体数据显得极其困难。

（2）决策规则难以获取和描述

传统智能授导系统的推理形式是基于产生式规则的，这里的产生式规则事实上就是教学策略。而教学策略的获取主要依靠的是知识工程师与学科教师的沟通和交流。然而，教学策略是学科教师在长期的教学活动中逐渐积累起来的教学经验的总和，属于隐性知识的范畴，具有较高程度的灵活性与模糊性，难以用语言描述清楚。另一方面，目前学习理论和心理学对于教学策略的研究成果也不多，无法支撑智能授导系统教学策略的构建。因此，如何获取并描述教学策略一直是困扰研究者们的一个难题。

（3）系统无法自我完善

按照现代人工智能的观点，软件系统的智能应当是一种能够进化的智能。也就是说，系统应当能够根据自身推理决策的效果，不断调整和更新其推理过程，从而实现系统决策的自我完善。同样，智能授导系统也应当能够监控并反馈教学决策的效果，据此改进自身的推理过程，从而提升系统的智能化水平。也就是说，智能授导系统中的智能应当具有生长性。但是，由于传统研究方法要求预先将推理规则以产生式的形式写入智能授导系统，因此系统难以动态更新推理规则，无法实现自我完善。

三、基于CBR的智能授导系统研究方法

通过上述分析，我们认为，基于规则推理的研究方法已经成为制约智能授导系统研究的瓶颈问题，当前需要寻找新的范式作为研究的突破口。

思考规则推理的逻辑本源，可以发现，它所遵循的是一种“从条件到结果”的思想方法，而规则就是联系条件和结果的桥梁[5]。不可否认，教学活动中确实存在着大量的教学策略。但是，如何获取这些教学策略，并以规则的形式描述之，进而运用于智能授导系统，恰恰是这种“从条件到结果”的思想方法所难以逾越的障碍。进一步思考人类获取知识、规则的方法可以看到，人类的规则获取其实是建立在大量的可观测现象基础上的。也就是说，如果现象A和现象B同时出现的概率远大于它们不同时出现的概率，那么我们就认为现象A和现象B之间存在着某种确定性的联系。写成产生式规则的形式就是“if现象A then现象B”。

从根本上讲，人类的这种知识获取方法是基于统计意义上的经验方法。受这种方法的启发，我们认为，在保留“从条件到结果”的思想方法的同时，智能授导系统的研究还可以采用另一条“从现象到现象”的新的研究范式。具体来说，就是跳过规则获取这一环节，直接获取新问题的某些属性特征A，再参照以前观测到的类似问题，推理出伴随特征A可能出现的特征B。简言之，这种“从现象到现象”的研究范式的逻辑基础在于：相同或相似的情况会导致相同或相似的结论。

这种新的研究范式的最大好处在于，它规避了知识获取与描述的困难；而且，这样的系统是一个能够自我完善的系统。与此思路相适应，人工智能领域新兴的基于案例的推理方法（Cased-Based Reasoning，简称CBR）为此提供了技术手段。

1.CBR的思想方法

CBR理论的构建基于两个前提假设[6]：一是相同或相似的情况有相同或相似的解法，二是相同或相似的情况会重复发生。类似于人类求解问题的思维模式，CBR系统首先通过对比新问题与旧案例的相似性，从案例库中选择相似度较高的一些案例；然后修改或直接使用旧案例的解决方法，从而产生解决新问题的方法；最后，再将新问题及其解决方法与效果作为案例存储进案例库中，以供将来的推理使用。由此可见，CBR系统区别于规则推理技术的最突出特点是：

（1）CBR系统规避了知识获取的瓶颈。CBR不再将精力聚焦于领域规则的提取，而是直接援引过去的经验，从一开始就直指问题解决的核心。

（2）CBR系统具有学习能力。CBR作为一种增量式的推理技术，随着案例的增加，案例库所覆盖的问题解决的范围也在不断扩展。因此，CBR系统问题解决的准确性与适用性也持续提高。

2.CBR在智能授导系统中的适用性

由于上述两个突出特点，CBR技术已经在法律诉讼、医疗诊断、电子商务等领域得到了广泛的应用。总的来说，CBR技术适用于以下情况：① 专家头脑中的领域知识和规则数量庞大；② 领域知识的规则不易提取；③ 领域知识不完备；④ 领域知识更新速度比较快。

显然，智能授导系统符合上述情况。而且针对传统智能授导系统研究的三条困境，CBR也能有效应对：第一，CBR是一种基于统计意义上的经验推理技术，其推理依据在于学习者群体的数据，虽然学习者个体数据难以分析测定，但是学习者群体数据却能够体现出某些共性特征[7]；第二，CBR直接回避了知识获取的瓶颈问题，从而克服了智能授导系统中教学策略难以获取和描述的困难；第三，CBR作为一种增量式的推理技术，显然已将系统的自我完善融入到了系统运行过程中，随着案例库中积累的案例数量的增加，系统的推理水平将不断提高。

另一方面，从应用层面看，随着网络技术的普及，智能授导系统的研究已经转向了构建基于网络的智能教学平台。这种智能授导系统的一个突出特点是，所面向的学习者群体数量巨大。这样，系统收集到的海量学习者数据也为CBR技术的应用提供了数据基础。

3.CBR在智能授导系统中的应用思路

如前所述，CBR是一种将新问题与已有的案例进行类比，从而得到新问题解决方案的一种推理方法。一般来说，利用CBR技术进行推理决策的基本过程是[8]：① 抽取新问题的关键特征，将其表征为新案例；② 根据新案例的关键特征，在案例库中检索与新案例相似的旧案例；③ 提取各个相似旧案例的解决方案与解决效果；④ 综合旧案例的解决方案与解决效果，产生新案例的解决方案；⑤ 执行新案例的解决方案，并将新案例的关键特征、解决方案和解决效果存储进案例库，以备解决下一个新问题使用。

由此可见，CBR中的案例由问题的关键特征、解决方案和解决效果三个部分组成。具体到智能授导系统中，这里的智能推理其实就是系统依据学习者特征和教学内容特征进行教学决策的过程。因此，在智能授导系统中定义案例时，关键特征包括学习者特征和教学内容特征两个方面；解决方案是指系统提供了怎样的教学决策；而解决效果就是指解决方案执行的结果。

下面以适应性测验为例，阐述CBR运用于智能授导系统的基本思路。所谓适应性测验，就是根据不同学习者的知识掌握水平，从题库中选择不同的测验题目，并使这些题目的难度和学习者的知识掌握水平相适应，从而准确测量学习者知识掌握水平的测试方法。目前，常用的经典测量理论和项目反应理论均不能令人满意地实现适应性测验[9]。但是，根据CBR的前提假设，可以认为，知识掌握水平相似的学习者面对相同的试题时往往会有相似的应答成绩。因此，我们可以利用CBR方法来实现智能授导系统中的适应性测验。基本思路是：

首先，检索学习者已经学习过的，与当前所要考核知识点特征（如类型、难度等）相似、或作为前提知识的其他知识点。

然后，检索在这些特征相似知识点或前提知识点上应答成绩与当前学习者相似的其他学习者。这些学习者被认为是与当前学习者知识掌握水平相似的学习者。

接着，依据相似学习者对题库中用于考核当前知识点的每一道试题的应答成绩，预测当前学习者面对每一道试题时的可能的答对概率。

再次，选择当前学习者答对概率在0.5左右的试题作为适应性测验的题目（根据测量理论，答对概率为0.5左右时，试题的测量精度最大[10]）。

最后，将当前学习者的实际测验成绩存储进案例库，以供下一次适应性测验使用。

需要说明的是：① 在上述过程中，我们实际上是将学习者对题库中各条题目的应答看作是案例，那么应答成绩相似的学习者被认为是知识掌握水平相似的学习者，因而在面对相同题目时可能出现相同的应答成绩；② 求解相似度和预测学习者答对概率时，可以采用k近邻、加权回归等算法实现[11]；③ 应当根据不同计算机系统的运算能力，确定所检索的相似或前提知识点的数量和相似学习者的数量，因为越多的数量意味着越大的运算负荷。目前，我们已经对这种基于CBR的适应性测验进行了实验研究，并取得了较好的效果[12]。

四、结语

综上所述，在智能授导系统中运用CBR方法，规避了学习者个体数据难以测量和决策规则难以获取和描述的困难，并使系统的推理水平实现了自我完善。因此，作为规则推理技术的补充，CBR技术智能授导系统的构建中有着广阔的应用前景。但是应当承认，CBR技术由于直接使用案例进行推理，缺乏严格的逻辑规则基础；另一方面，规则推理恰好又以严格的逻辑规则为基础，并且已有的研究已经证明了规则推理在某些方面的有效性。因此，我们认为，应当综合利用CBR与规则推理技术，才能设计开发出具有较高智能水平的智能授导系统。

[1]智勇.分布式学习环境中的智能授导系统研究[D].南京师范大学博士论文，2004.

[2]Shute,V.J.et al.Intelligent tutoring systems:past,present,and future[A].In D.H.Jonassen (Eds.),Handbook of Research for Educational Communications and Technology.New York:Simon&Schuster Macmillan,1996.

[3]刘寅，黄燕.基于Web的智能教学系统知识模型与学习控制[J].计算机工程与设计，2006，（14）：2640-2642.

[4]刘宇，何丽萍.基于动态学生模型的支持服务系统设计与实现[J].中国远程教育，2006，（12）：64-67.

[5]高济.基于知识的软件智能化技术[M].杭州：浙江大学出版社，2000.

[6]王丽，杜晓明.基于案例推理的软件需求分析研究[J].微型机与应用，2010，（1）：31-33.

[7]陈文林，宋江春.一个基于学习者访问聚类的远程教育智能推荐系统[J].中国远程教育，2009，（5）：64-67.

[8]谢红薇，李建伟.基于本体的案例推理模型研究[J].计算机应用研.究，2009，（4）：1422-1424.

[9]张青华，袁一萍，张厚粲.适应性测验的发展:历史与现状[J].心理学探新，2006，（2）：84-87.

[10]余嘉元.项目反应理论及其应用[M].南京：江苏教育出版社.1992

[11]Mitchell，曾华军译.机器学习[M].北京：机械工业出版社，2003

[12]陈刚.CBR在智能授导系统中的应有研究[D].南京师范大学硕士论文，2005.

2010－06－30

陈刚，博士，讲师，扬州大学教育技术系主任（225002）。

责任编辑 石 子

An intelligent tutoring system is an adaptive learning support system in which the computer plays the role of the teacher providing individualized teaching,satisfying different needs of different learners.A traditional intelligent tutoring system is based upon the learner’s individual data with rule-based reference method,hence,there exist three difficulties:uncertain individual data,indescribable decision making principles and lack of self perfection in the system.

Based on analysis of the problems of the traditional system,the author puts forward the case-based reasoning method.In this method,similarities of new problems and previous cases are compared,and solutions,adapted or not,to the previous cases are administered to the new problems,hence,the new solutions.And the new cases and solutions are added to the database for future reference.This method offers counter measures to the three difficulties in a traditional tutoring system.

Case-based Reasoning:New Research Method of Intelligent Tutoring System

Chen Gang

intelligent tutoring system;case-based reasoning;rule-based reference

G40-057

A

1009—458x（2010）10—0027—04

本文系教育部人文社科规划基金项目 “学习科学视域下的问题解决学习设计研究” （批准号：09YJA880119） 成果之一。