前言：本文是团员“木南”的第4篇输出，欢迎有更多的团员们也来分享你的AI干货～
前文已经提及了“学习者模型”是ITS系统中四个主要模块之一（学习者模型，领域模型，教学模型，交互界面），也是《Design Recommendations for Intelligent Turoring Systems》这一些列丛书笔者开始阅读的第一本，从这篇文章开始，笔者将从学习者模型部分开始展开分享。
Section I: 学习者模型基础
这小节将介绍学习者模型开发的难点，以及当前国外一些科研团队针对这些难点的研究成果，以及表征学习者状态的特征变量的获取方法和获取思路。
Chapter 1 初识学习者模型
1】Introduction
学习者模型的任务描述足够清晰明了：可以跟踪，表征和记录学习者学习前，学习中，学习后的状态。这样的模型就是一个可靠的学习者模型；但是构建学习者模块有以下难点。
难点1： 学习者模型是动态的，并且会不断更新
首先，学习者模型不是一个静态的系统；智能的学习者模型应该可以随着时间维度，不断对自身的"变量集" 进行更新，包括：增删改的操作；而一个动态的系统对于数据库的维护成本是奢侈的。
难点2 ：表征学习者的“特征变量” 与计算机程序之间的映射兼容问题
现实中的变量比如“年级，年龄，分数，知识点掌握度”之类的特征，如何与计算机系统进行映射。 这里笔者大胆猜测：大概率会采用类似NLP的word2vec的原理，将用户的特征像“单词”一样映射为数据组成的向量空间；然后输入模型进行，训练，存储，作为反馈的依据。
难点3 ： 变量之间复杂的数据组合导致的维度灾难
如果描述学习者的模型变量过多，并且每个变量映射到计算机都是个高维的向量，矩阵与矩阵之间的计算复杂度和存储的空间复杂度就会不受控，最终导致系统不可用，这就是维度灾难。
下面分享一下面对这些难题， 国外的一些科研团队做出的探索：
Robson and Barr 观点： 标准化是必要的；他们认为科研团体在宏观层面应该有一套统一的标准（比如：针对 知识，技能，程序）； 微观层面比如面对个体的学习者模型的构建，需要由领域专家和系统开发者协作完成。
- 笔者解读：大意是为了确保学习者模块的通用性，简化上文中提到的表征维度爆炸的问题， Robson and Barr建议把一些宏观层面通用的指标标准化，微观方面再由领域专家和系统开发者（产品经理）协作完成。
Olney and Cade 观点：学习者模型的特征变量应该由领域专家制定，他们的研究源于陆军研究实验室进行了一项系统研究，从数百项研究中确定了战略。认为从：认知变量、社交变量，情绪和动机四个维度来划分是合理的。
- 笔者解读：把专业的事情留给专业的人来做
Lesgold and Graesser 观点： 知识的迁移性是关键因素 ， 做一个特定领域的学习系统是容易的，但是难点在于该系统能否让学习者将知识迁移到其他领域；这就要求学习者在系统中获取的学习材料（“知识，技能”） 具有“迁移性”， 如果没有这种迁移性，那么这样的导学系统将会被限定在一个狭窄的专业领域。
- 笔者解读：我们的学习系统设计到底是教会了学习者“钓鱼的方法，还是直接给了学习者一筐鱼呢？”
Pavlik, Brawner, Olney, and Mitrovic 观点：对几十年来学习模型在其应用中的情况进行了认真全面的回顾。他们评估了各种框架中的学习者模型，包括基于步骤的认知导师、基于约束的导师、知识空间模型、对话系统和基于特质模型的评估。他们指出了具有分支体系结构的系统的价值，并确定了分支的可选粒度以及结果。他们还敦促GIFT在以往ITS的基础上取得的重大进展的基础上，进行总体架构和实证验证。
- 笔者解读：提及的几类模型将会在后面的chapter中展开论述。
2、Landscape of Variables for Learner Models
随着教育理论以及传感器技术的进步，表征学习者的变量随时间呈现递增的趋势，比如：
- 学习效率： 单位时间学习次数的经济收益的度量
- 学习时间： 可以通过系统日志记录
- 学习状态： 可以通过非入侵性设备获取（比如：眼动，姿势识别，生理指标跟踪）
- 情绪动机： 可以由学习者和系统交互的行为进行挖掘
- 情商（领导力与社会反应能力）： 可以通过心理测量获得
Farming and Mining the Landscape of Variables
而挖掘这些特征维度的思路由两个：
自上而下
领域专家主导基于“学习科学”，“认知科学”，“教育学”等专业知识，构建表征学习者的状态维度。
自下而上
收集学习者学习过程中的状态数据，通过数据挖掘技术，找出决定学习者的学习效果关键变量。这里又分为了横向研究和纵向研究；横向研究就是找群体和群体之间的对比； 纵向研究就是根据时间线，长期跟踪学习者个体。
GIFT in the Short-Term Horizon
上篇文章笔者以及提及GIFT是ITS系统的通用模块，本书的作者的科研方向就是研究如何构建通用ITS系统，因此这一小节作者提及了几个他研究的方向。（相对学术，可以选择性阅读。）
- 标准化： 找出不同学习者模型中通用的变量，进行标准化；（感觉推动很难，作者也提及这需要政府，机构的介入）。
- 知识的可迁移性： 参考上文中笔者举得“授人以鱼不如授人以渔”的例子；他们系统GIFT系统学习到的知识可以适用于不同的ITS系统。
- 学习资源共享： 希望学习资源开源共享（感觉这个也很难...... ）
- 搭建ITS系统组件工具化
- ITS系统的成本核算：比如开发时间复杂度，存储的空间复杂度，专业的领域专家，研究员，开发一套ITS系统是昂贵的，如何降低成本。
- 系统与场景的匹配度： 什么样的系统适用于什么样的学习场景，才能产生最好的学习效果
小结
简单小结一下，本章概述了学习者模型是做什么的，以及构建学习者模型的难点在哪里；同时列举了国外一些研究团队的研究思路。简要分享了如何获取学习者模型的特征维度信息，并没有详细的展开具体包含哪些学习者的维度；
笔者观点： 作为产品经理，项目的负责人，关于学习者模型维度的选择问题，应该让“领域专家”来完成，产品经理应当担负起寻找专家，协调沟通的职责，而不应该越俎代庖。大概的思路如上文，可以自上而下基于“学习科学”理论构建，也可以自下而上基于数据挖掘找到潜在的KEY。
下一篇文章，笔者会分享如何“标准化”来提升ITS系统的普适性。
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+。