前言:本文是团员“木南”的第5篇输出,欢迎有更多的团员们也来分享你的AI干货~
“知识迁移” --- 智能导学系统的重要属性
早期的”教育程序“ 的思路是基于专家规则设计的专家系统,比如:我们想让人们以一种精确的方式执行一项任务,我们可以将任务拆解,抽练每个步骤执行的要素,并直接测量每一项要素的学习得程度。这种培训方法对于工业时代的一线工人和知识革命前的军人的培训非常有效(Collins&Halverson,2009)。但是过往的经验表明,实际的工作场景下,我们不可能完全穷举所有的任务要素并为每个要素编制”规则“。 因此,我们需要更聪明的智能导学系统,它具有一定的”知识迁移“能力。
知识迁移的难点在于真实情况中往往没有主动告之学习者的提示。很少有人能在没有提示的情况下,可以主动识别“目前遇到的状况和学过的某某知识具有相关性”。
案例1:海斯和西蒙(1977)的一项经典研究让大学生试图解决一系列结构相同但表面特征不同的问题,例如替换角色和物体的名称(霍比特人和兽人对怪物和地球人)。四个连续问题之间的转换接近于零,除非明确指示学生在问题之间建立相似关系。
案例2:没有大量的经验证据表明微积分有助于工程学或者物理有助于学生理解化学。
具有知识迁移能力的系统,应该可以识别并处理两种状态:
状态2要求这样的系统必须体现一种转移理论,使我们能够知道一个学生的知识可以延伸到多大程度。
例如,考虑一下足球教练。教练可以训练球队执行一种特殊的比赛,比如选择跑动。球队可以练习两个或三个接球手的选择,这样每个队员都知道把球传给谁,从谁那里接球,或者球员在哪里接球准备好阻挡防守。然而,练习课只排练了可能性,因为防守球员是聪明的实体,不一定表现得完全像在练习课上设置的假防守。但是不管怎样教练希望球队能表现出色。
1、将知识训练的内容抽象为特定的经验和规律
有点类似与“传道”而非“传术” ,并且系统应该告诉学习者,哪些因素是核心要素。
比如:在足球界,教练研究过往比赛影片,来抽象对手可能使用的模式。在医学上,依据各种遗传和环境因素使人体倾向于表现出各种症状或故障模式。教学领域,我们不用教会学生每一个汉字的拼音和发音方式,只要教会他们汉语拼音,学生就可以拼读出新的汉字的正确发音。
2、“脚手架”式策略
该教学策略已经被研究证实有效,学生的学习效果大小超过一个标准差。这些结果与过去十年开发和测试的智能辅导系统不相上下(Graesser,Conley&Olney,2012;VanLehn,2011)。具体方案如下:
1)前提条件: 系统中所有的培训的问题和任务,均是学生需要在提示的帮助下才能完成的。
2)提示分级: 将提示按详细的程度分成了5个级别;最初级别为告诉学生解决问题的步骤顺序,最高级别为直接告诉学生下一步该怎么做。
3)数据记录:系统会记录每项任务学习者申请的提示级别和学习者完成任务的决策路径。
4)运作流程:学习者在该系统下,根据提示朝着解决问题的方向前进。如果学生仍然被困,会有更明确的提示级别(例如,在哪里寻找信息),直到最后的提示级别告诉学生下一步该做什么,实验中学生很少要求比他们需要的更多的帮助。在完成了问题的解决方案之后,他们还能够研究将他们的解决路径与专家的解决路径进行比较。
本篇文章笔者力求“简洁易懂” ,删减了原文中大量晦涩的论述,笔者尽量用“why -->what -->how”的思路回答了三个问题:
Q1:为什么"智能导学系统" (ITS) 需要具备”知识迁移“能力;迁移的难点在哪里。
A1:基于规则的专家系统在现实情况中很难应用,规则复杂度不可控。
Q2:具备迁移能力的ITS是什么样子?
A2: (1)具备训练学习者在未知的领域,应用已有知识解决问题的能力。(2)可以对学习者在未知领域”迁移能力“进行预测。
Q3: 如何设计一个具备迁移能力的ITS?
A3:(1)训练的知识是”经验“ 或”规律“将更有迁移性。(2)”脚手架“式策略(后面的文章还会详细讲到该策略)。
附:团员“木南”的文章汇总
-END-
以上内容,来自饭团“AI产品经理大本营”,点击这里可关注:http://fantuan.guokr.net/groups/219/ (如果遇到支付问题,请先关注饭团的官方微信服务号“fantuan-app”)
---------------------
作者:黄钊hanniman,图灵机器人-人才战略官,前腾讯产品经理,7年AI经验,10年互联网背景,微信公众号/知乎/在行ID“hanniman”,饭团“AI产品经理大本营”,分享人工智能相关原创干货,200页PPT《人工智能产品经理的新起点》被业内广泛好评,下载量1万+。