□陳剛

基于案例的推理：智能授導(dǎo)系統(tǒng)研究的新方法*

□陳剛

傳統(tǒng)的智能授導(dǎo)系統(tǒng)研究方法是以學(xué)習(xí)者個(gè)體數(shù)據(jù)作為決策依據(jù)，以基于規(guī)則的推理作為推理方法，這樣的系統(tǒng)面臨著學(xué)習(xí)者個(gè)體數(shù)據(jù)不易測(cè)定、決策規(guī)則難以描述、系統(tǒng)無(wú)法自我完善三條困境?；诎咐耐评矸椒ㄇ『靡?guī)避了規(guī)則獲取和描述的困難，結(jié)合群體數(shù)據(jù)和個(gè)體數(shù)據(jù)作為推理依據(jù)，實(shí)現(xiàn)了自我完善的推理智能。作為智能授導(dǎo)系統(tǒng)新的研究方法，基于案例的推理具有廣闊的應(yīng)用前景。

智能授導(dǎo)系統(tǒng)；基于案例的推理；基于規(guī)則的推理

一、引言

智能授導(dǎo)系統(tǒng)（Intelligent Tutoring System），是一種借助于人工智能技術(shù)，讓計(jì)算機(jī)扮演教師的角色實(shí)施個(gè)別化教學(xué)，向不同需求、不同特征的學(xué)習(xí)者傳授知識(shí)、提供指導(dǎo)的適應(yīng)性學(xué)習(xí)支持系統(tǒng)（Adaptive Learning Support System）[1]。智能授導(dǎo)系統(tǒng)的發(fā)展大致可以分為三個(gè)階段：上個(gè)世紀(jì)70年代，智能授導(dǎo)系統(tǒng)的概念得以提出，眾多研究者在理論研究、模型設(shè)計(jì)和實(shí)驗(yàn)開(kāi)發(fā)等方面做出了許多有益的探索，奠定了智能授導(dǎo)系統(tǒng)研究的基礎(chǔ)；到了80年代中后期，計(jì)算機(jī)圖形技術(shù)和多媒體技術(shù)的普及，使研究者們逐漸將關(guān)注重點(diǎn)轉(zhuǎn)向了智能授導(dǎo)系統(tǒng)中的界面設(shè)計(jì)和人機(jī)交互過(guò)程；90年代中后期至今，隨著網(wǎng)絡(luò)通信技術(shù)的廣泛應(yīng)用，構(gòu)建基于網(wǎng)絡(luò)的智能授導(dǎo)系統(tǒng)（如智能化網(wǎng)絡(luò)課程）成為了本領(lǐng)域內(nèi)最為引人注目的研究重點(diǎn)。

與傳統(tǒng)的單機(jī)智能授導(dǎo)系統(tǒng)相比，構(gòu)建基于網(wǎng)絡(luò)的智能授導(dǎo)系統(tǒng)所采用的理論基礎(chǔ)、研究方法、技術(shù)手段都存在著較大的不同。事實(shí)上，智能授導(dǎo)系統(tǒng)研究的核心問(wèn)題在于三元模型的建立，即領(lǐng)域知識(shí)建模、學(xué)習(xí)者建模和教學(xué)策略建模[2]。其中，領(lǐng)域知識(shí)建模相對(duì)簡(jiǎn)單，利用人工智能中的知識(shí)表示技術(shù)已經(jīng)能夠建立相對(duì)完備的領(lǐng)域知識(shí)模型[3]；對(duì)于學(xué)習(xí)者建模，傳統(tǒng)的單機(jī)智能授導(dǎo)系統(tǒng)所采用的方法是，監(jiān)控并采集單個(gè)學(xué)習(xí)者的人機(jī)交互行為數(shù)據(jù)，據(jù)此分析學(xué)習(xí)者的個(gè)性特征，進(jìn)而建立學(xué)習(xí)者模型；對(duì)于教學(xué)策略建模，則主要通過(guò)訪談的形式直接獲取教學(xué)專家（如學(xué)科教師、教育研究者等）的教學(xué)經(jīng)驗(yàn)，進(jìn)而建立教學(xué)策略模型。

但是，由于智能授導(dǎo)系統(tǒng)的人機(jī)交互過(guò)程充滿了多義性與不確定性，教學(xué)策略又難以獲取和描述，因此傳統(tǒng)的研究方法在處理學(xué)習(xí)者模型和教學(xué)策略模型時(shí)遇到了其自身難以克服的困難。而在我們看來(lái)，基于案例的推理作為一種經(jīng)驗(yàn)性的推理方法，恰好規(guī)避了傳統(tǒng)智能授導(dǎo)系統(tǒng)研究方法中知識(shí)獲取的困難，為智能授導(dǎo)系統(tǒng)的研究提供了新的方法框架。

二、傳統(tǒng)智能授導(dǎo)系統(tǒng)的研究方法與困境

1.傳統(tǒng)智能授導(dǎo)系統(tǒng)的研究方法

事實(shí)上，智能授導(dǎo)系統(tǒng)中三元模型的構(gòu)建都是以“智能化教學(xué)決策”的需求為導(dǎo)向的，智能化教學(xué)決策才是智能授導(dǎo)系統(tǒng)研究最本質(zhì)的問(wèn)題。所謂智能化教學(xué)決策，是指系統(tǒng)利用各種軟件的智能化方法，根據(jù)不同學(xué)習(xí)者的個(gè)性特征，為其選擇相適應(yīng)的教學(xué)目標(biāo)、教學(xué)內(nèi)容和教學(xué)方法的推理過(guò)程。為了實(shí)現(xiàn)智能化教學(xué)決策，傳統(tǒng)的智能授導(dǎo)系統(tǒng)研究方法可以歸結(jié)為以下兩點(diǎn)：

（1）以學(xué)習(xí)者個(gè)體數(shù)據(jù)作為決策依據(jù)

客觀上，由于計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)直到上個(gè)世紀(jì)90年代中后期才普及開(kāi)來(lái)，因此早期的智能授導(dǎo)系統(tǒng)研究主要面向的是單機(jī)系統(tǒng)。一般來(lái)說(shuō)，這種單機(jī)智能授導(dǎo)系統(tǒng)所服務(wù)的用戶相對(duì)較少。另一方面，智能授導(dǎo)系統(tǒng)又是一種應(yīng)當(dāng)能夠適合不同學(xué)習(xí)者的個(gè)性化智能系統(tǒng)。因此，傳統(tǒng)的智能授導(dǎo)系統(tǒng)在針對(duì)不同學(xué)習(xí)者進(jìn)行教學(xué)決策時(shí)，順理成章地將學(xué)習(xí)者個(gè)體的個(gè)性特征作為系統(tǒng)教學(xué)決策的依據(jù)。

而在學(xué)習(xí)者個(gè)體數(shù)據(jù)的獲取方面，傳統(tǒng)的智能授導(dǎo)系統(tǒng)主要采取直接記錄和心理測(cè)量的方法。一般來(lái)說(shuō)，學(xué)習(xí)者模型主要包括學(xué)習(xí)者的基本信息、心理特征信息、人機(jī)交互行為信息和學(xué)習(xí)狀態(tài)信息[4]。對(duì)于基本信息和人機(jī)交互行為信息，智能授導(dǎo)系統(tǒng)會(huì)直接監(jiān)控并記錄于學(xué)習(xí)者模型中。而對(duì)于其他兩種信息，系統(tǒng)則通常以問(wèn)卷的形式測(cè)量獲得。例如，有的智能授導(dǎo)系統(tǒng)會(huì)要求學(xué)習(xí)者首次使用系統(tǒng)時(shí)填寫一張學(xué)習(xí)風(fēng)格量表，從而獲得學(xué)習(xí)者的學(xué)習(xí)風(fēng)格特征；學(xué)習(xí)狀態(tài)信息則通常根據(jù)學(xué)習(xí)者的單元測(cè)試成績(jī)獲取。

（2）采用基于產(chǎn)生式的規(guī)則推理形式

智能授導(dǎo)系統(tǒng)的研究起源于上個(gè)世紀(jì)70年代，恰逢知識(shí)工程的盛行。因此，智能授導(dǎo)系統(tǒng)的研究思路和方法很大程度上受到了知識(shí)工程的啟發(fā)，以基于產(chǎn)生式的規(guī)則推理作為系統(tǒng)決策的主要方法。產(chǎn)生式是一種形似“if條件 then結(jié)果”的語(yǔ)法。具體到智能授導(dǎo)系統(tǒng)中，這里的“條件”是指系統(tǒng)依據(jù)什么做出適應(yīng)性的教學(xué)決策，主要包括學(xué)習(xí)者個(gè)性特征和教學(xué)內(nèi)容特征兩個(gè)方面；“結(jié)果”就是系統(tǒng)應(yīng)該提供什么樣的適應(yīng)性教學(xué)；而整個(gè)產(chǎn)生式就是一個(gè)推理規(guī)則，也是一個(gè)教學(xué)策略。例如，“if學(xué)習(xí)風(fēng)格＝場(chǎng)依存 then顯示論壇頁(yè)面”就是一個(gè)典型的教學(xué)策略。在教學(xué)策略的獲取方面，傳統(tǒng)的智能授導(dǎo)系統(tǒng)則主要依賴于知識(shí)工程師與學(xué)科教師、教育研究者等教學(xué)專家進(jìn)行溝通。

2.傳統(tǒng)研究方法的困境

應(yīng)當(dāng)承認(rèn)，傳統(tǒng)的研究方法確實(shí)對(duì)智能授導(dǎo)系統(tǒng)領(lǐng)域的發(fā)展起到了推動(dòng)作用。但是，傳統(tǒng)研究方法自身所不可逾越的局限性，也造成了一些當(dāng)前智能授導(dǎo)系統(tǒng)研究止步不前的瓶頸問(wèn)題，主要體現(xiàn)在以下三個(gè)方面：

（1）學(xué)習(xí)者個(gè)體數(shù)據(jù)不易測(cè)定

理論上看，傳統(tǒng)智能授導(dǎo)系統(tǒng)所采取的收集學(xué)習(xí)者個(gè)體特征，從而推理教學(xué)決策的思路，是無(wú)可置疑的。但是客觀上，學(xué)習(xí)者個(gè)體特征卻是難以測(cè)定與分析的。原因在于：一方面，智能授導(dǎo)系統(tǒng)的人機(jī)交互通道過(guò)于單一，系統(tǒng)難以在有限的人機(jī)交互活動(dòng)中收集到足夠的學(xué)習(xí)者數(shù)據(jù)。另一方面，由于人機(jī)交互活動(dòng)背后所隱藏的不確定因素過(guò)多，即使使用標(biāo)準(zhǔn)的心理測(cè)量量表所獲得的學(xué)習(xí)者心理特征數(shù)據(jù)，也存在著極大的或然性。這就使得收集、分析和利用學(xué)習(xí)者個(gè)體數(shù)據(jù)顯得極其困難。

（2）決策規(guī)則難以獲取和描述

傳統(tǒng)智能授導(dǎo)系統(tǒng)的推理形式是基于產(chǎn)生式規(guī)則的，這里的產(chǎn)生式規(guī)則事實(shí)上就是教學(xué)策略。而教學(xué)策略的獲取主要依靠的是知識(shí)工程師與學(xué)科教師的溝通和交流。然而，教學(xué)策略是學(xué)科教師在長(zhǎng)期的教學(xué)活動(dòng)中逐漸積累起來(lái)的教學(xué)經(jīng)驗(yàn)的總和，屬于隱性知識(shí)的范疇，具有較高程度的靈活性與模糊性，難以用語(yǔ)言描述清楚。另一方面，目前學(xué)習(xí)理論和心理學(xué)對(duì)于教學(xué)策略的研究成果也不多，無(wú)法支撐智能授導(dǎo)系統(tǒng)教學(xué)策略的構(gòu)建。因此，如何獲取并描述教學(xué)策略一直是困擾研究者們的一個(gè)難題。

（3）系統(tǒng)無(wú)法自我完善

按照現(xiàn)代人工智能的觀點(diǎn)，軟件系統(tǒng)的智能應(yīng)當(dāng)是一種能夠進(jìn)化的智能。也就是說(shuō)，系統(tǒng)應(yīng)當(dāng)能夠根據(jù)自身推理決策的效果，不斷調(diào)整和更新其推理過(guò)程，從而實(shí)現(xiàn)系統(tǒng)決策的自我完善。同樣，智能授導(dǎo)系統(tǒng)也應(yīng)當(dāng)能夠監(jiān)控并反饋教學(xué)決策的效果，據(jù)此改進(jìn)自身的推理過(guò)程，從而提升系統(tǒng)的智能化水平。也就是說(shuō)，智能授導(dǎo)系統(tǒng)中的智能應(yīng)當(dāng)具有生長(zhǎng)性。但是，由于傳統(tǒng)研究方法要求預(yù)先將推理規(guī)則以產(chǎn)生式的形式寫入智能授導(dǎo)系統(tǒng)，因此系統(tǒng)難以動(dòng)態(tài)更新推理規(guī)則，無(wú)法實(shí)現(xiàn)自我完善。

三、基于CBR的智能授導(dǎo)系統(tǒng)研究方法

通過(guò)上述分析，我們認(rèn)為，基于規(guī)則推理的研究方法已經(jīng)成為制約智能授導(dǎo)系統(tǒng)研究的瓶頸問(wèn)題，當(dāng)前需要尋找新的范式作為研究的突破口。

思考規(guī)則推理的邏輯本源，可以發(fā)現(xiàn)，它所遵循的是一種“從條件到結(jié)果”的思想方法，而規(guī)則就是聯(lián)系條件和結(jié)果的橋梁[5]。不可否認(rèn)，教學(xué)活動(dòng)中確實(shí)存在著大量的教學(xué)策略。但是，如何獲取這些教學(xué)策略，并以規(guī)則的形式描述之，進(jìn)而運(yùn)用于智能授導(dǎo)系統(tǒng)，恰恰是這種“從條件到結(jié)果”的思想方法所難以逾越的障礙。進(jìn)一步思考人類獲取知識(shí)、規(guī)則的方法可以看到，人類的規(guī)則獲取其實(shí)是建立在大量的可觀測(cè)現(xiàn)象基礎(chǔ)上的。也就是說(shuō)，如果現(xiàn)象A和現(xiàn)象B同時(shí)出現(xiàn)的概率遠(yuǎn)大于它們不同時(shí)出現(xiàn)的概率，那么我們就認(rèn)為現(xiàn)象A和現(xiàn)象B之間存在著某種確定性的聯(lián)系。寫成產(chǎn)生式規(guī)則的形式就是“if現(xiàn)象A then現(xiàn)象B”。

從根本上講，人類的這種知識(shí)獲取方法是基于統(tǒng)計(jì)意義上的經(jīng)驗(yàn)方法。受這種方法的啟發(fā)，我們認(rèn)為，在保留“從條件到結(jié)果”的思想方法的同時(shí)，智能授導(dǎo)系統(tǒng)的研究還可以采用另一條“從現(xiàn)象到現(xiàn)象”的新的研究范式。具體來(lái)說(shuō)，就是跳過(guò)規(guī)則獲取這一環(huán)節(jié)，直接獲取新問(wèn)題的某些屬性特征A，再參照以前觀測(cè)到的類似問(wèn)題，推理出伴隨特征A可能出現(xiàn)的特征B。簡(jiǎn)言之，這種“從現(xiàn)象到現(xiàn)象”的研究范式的邏輯基礎(chǔ)在于：相同或相似的情況會(huì)導(dǎo)致相同或相似的結(jié)論。

這種新的研究范式的最大好處在于，它規(guī)避了知識(shí)獲取與描述的困難；而且，這樣的系統(tǒng)是一個(gè)能夠自我完善的系統(tǒng)。與此思路相適應(yīng)，人工智能領(lǐng)域新興的基于案例的推理方法（Cased-Based Reasoning，簡(jiǎn)稱CBR）為此提供了技術(shù)手段。

1.CBR的思想方法

CBR理論的構(gòu)建基于兩個(gè)前提假設(shè)[6]：一是相同或相似的情況有相同或相似的解法，二是相同或相似的情況會(huì)重復(fù)發(fā)生。類似于人類求解問(wèn)題的思維模式，CBR系統(tǒng)首先通過(guò)對(duì)比新問(wèn)題與舊案例的相似性，從案例庫(kù)中選擇相似度較高的一些案例；然后修改或直接使用舊案例的解決方法，從而產(chǎn)生解決新問(wèn)題的方法；最后，再將新問(wèn)題及其解決方法與效果作為案例存儲(chǔ)進(jìn)案例庫(kù)中，以供將來(lái)的推理使用。由此可見(jiàn)，CBR系統(tǒng)區(qū)別于規(guī)則推理技術(shù)的最突出特點(diǎn)是：

（1）CBR系統(tǒng)規(guī)避了知識(shí)獲取的瓶頸。CBR不再將精力聚焦于領(lǐng)域規(guī)則的提取，而是直接援引過(guò)去的經(jīng)驗(yàn)，從一開(kāi)始就直指問(wèn)題解決的核心。

（2）CBR系統(tǒng)具有學(xué)習(xí)能力。CBR作為一種增量式的推理技術(shù)，隨著案例的增加，案例庫(kù)所覆蓋的問(wèn)題解決的范圍也在不斷擴(kuò)展。因此，CBR系統(tǒng)問(wèn)題解決的準(zhǔn)確性與適用性也持續(xù)提高。

2.CBR在智能授導(dǎo)系統(tǒng)中的適用性

由于上述兩個(gè)突出特點(diǎn)，CBR技術(shù)已經(jīng)在法律訴訟、醫(yī)療診斷、電子商務(wù)等領(lǐng)域得到了廣泛的應(yīng)用。總的來(lái)說(shuō)，CBR技術(shù)適用于以下情況：① 專家頭腦中的領(lǐng)域知識(shí)和規(guī)則數(shù)量龐大；② 領(lǐng)域知識(shí)的規(guī)則不易提??；③ 領(lǐng)域知識(shí)不完備；④ 領(lǐng)域知識(shí)更新速度比較快。

顯然，智能授導(dǎo)系統(tǒng)符合上述情況。而且針對(duì)傳統(tǒng)智能授導(dǎo)系統(tǒng)研究的三條困境，CBR也能有效應(yīng)對(duì)：第一，CBR是一種基于統(tǒng)計(jì)意義上的經(jīng)驗(yàn)推理技術(shù)，其推理依據(jù)在于學(xué)習(xí)者群體的數(shù)據(jù)，雖然學(xué)習(xí)者個(gè)體數(shù)據(jù)難以分析測(cè)定，但是學(xué)習(xí)者群體數(shù)據(jù)卻能夠體現(xiàn)出某些共性特征[7]；第二，CBR直接回避了知識(shí)獲取的瓶頸問(wèn)題，從而克服了智能授導(dǎo)系統(tǒng)中教學(xué)策略難以獲取和描述的困難；第三，CBR作為一種增量式的推理技術(shù)，顯然已將系統(tǒng)的自我完善融入到了系統(tǒng)運(yùn)行過(guò)程中，隨著案例庫(kù)中積累的案例數(shù)量的增加，系統(tǒng)的推理水平將不斷提高。

另一方面，從應(yīng)用層面看，隨著網(wǎng)絡(luò)技術(shù)的普及，智能授導(dǎo)系統(tǒng)的研究已經(jīng)轉(zhuǎn)向了構(gòu)建基于網(wǎng)絡(luò)的智能教學(xué)平臺(tái)。這種智能授導(dǎo)系統(tǒng)的一個(gè)突出特點(diǎn)是，所面向的學(xué)習(xí)者群體數(shù)量巨大。這樣，系統(tǒng)收集到的海量學(xué)習(xí)者數(shù)據(jù)也為CBR技術(shù)的應(yīng)用提供了數(shù)據(jù)基礎(chǔ)。

3.CBR在智能授導(dǎo)系統(tǒng)中的應(yīng)用思路

如前所述，CBR是一種將新問(wèn)題與已有的案例進(jìn)行類比，從而得到新問(wèn)題解決方案的一種推理方法。一般來(lái)說(shuō)，利用CBR技術(shù)進(jìn)行推理決策的基本過(guò)程是[8]：① 抽取新問(wèn)題的關(guān)鍵特征，將其表征為新案例；② 根據(jù)新案例的關(guān)鍵特征，在案例庫(kù)中檢索與新案例相似的舊案例；③ 提取各個(gè)相似舊案例的解決方案與解決效果；④ 綜合舊案例的解決方案與解決效果，產(chǎn)生新案例的解決方案；⑤ 執(zhí)行新案例的解決方案，并將新案例的關(guān)鍵特征、解決方案和解決效果存儲(chǔ)進(jìn)案例庫(kù)，以備解決下一個(gè)新問(wèn)題使用。

由此可見(jiàn)，CBR中的案例由問(wèn)題的關(guān)鍵特征、解決方案和解決效果三個(gè)部分組成。具體到智能授導(dǎo)系統(tǒng)中，這里的智能推理其實(shí)就是系統(tǒng)依據(jù)學(xué)習(xí)者特征和教學(xué)內(nèi)容特征進(jìn)行教學(xué)決策的過(guò)程。因此，在智能授導(dǎo)系統(tǒng)中定義案例時(shí)，關(guān)鍵特征包括學(xué)習(xí)者特征和教學(xué)內(nèi)容特征兩個(gè)方面；解決方案是指系統(tǒng)提供了怎樣的教學(xué)決策；而解決效果就是指解決方案執(zhí)行的結(jié)果。

下面以適應(yīng)性測(cè)驗(yàn)為例，闡述CBR運(yùn)用于智能授導(dǎo)系統(tǒng)的基本思路。所謂適應(yīng)性測(cè)驗(yàn)，就是根據(jù)不同學(xué)習(xí)者的知識(shí)掌握水平，從題庫(kù)中選擇不同的測(cè)驗(yàn)題目，并使這些題目的難度和學(xué)習(xí)者的知識(shí)掌握水平相適應(yīng)，從而準(zhǔn)確測(cè)量學(xué)習(xí)者知識(shí)掌握水平的測(cè)試方法。目前，常用的經(jīng)典測(cè)量理論和項(xiàng)目反應(yīng)理論均不能令人滿意地實(shí)現(xiàn)適應(yīng)性測(cè)驗(yàn)[9]。但是，根據(jù)CBR的前提假設(shè)，可以認(rèn)為，知識(shí)掌握水平相似的學(xué)習(xí)者面對(duì)相同的試題時(shí)往往會(huì)有相似的應(yīng)答成績(jī)。因此，我們可以利用CBR方法來(lái)實(shí)現(xiàn)智能授導(dǎo)系統(tǒng)中的適應(yīng)性測(cè)驗(yàn)?；舅悸肥牵?/p>

首先，檢索學(xué)習(xí)者已經(jīng)學(xué)習(xí)過(guò)的，與當(dāng)前所要考核知識(shí)點(diǎn)特征（如類型、難度等）相似、或作為前提知識(shí)的其他知識(shí)點(diǎn)。

然后，檢索在這些特征相似知識(shí)點(diǎn)或前提知識(shí)點(diǎn)上應(yīng)答成績(jī)與當(dāng)前學(xué)習(xí)者相似的其他學(xué)習(xí)者。這些學(xué)習(xí)者被認(rèn)為是與當(dāng)前學(xué)習(xí)者知識(shí)掌握水平相似的學(xué)習(xí)者。

接著，依據(jù)相似學(xué)習(xí)者對(duì)題庫(kù)中用于考核當(dāng)前知識(shí)點(diǎn)的每一道試題的應(yīng)答成績(jī)，預(yù)測(cè)當(dāng)前學(xué)習(xí)者面對(duì)每一道試題時(shí)的可能的答對(duì)概率。

再次，選擇當(dāng)前學(xué)習(xí)者答對(duì)概率在0.5左右的試題作為適應(yīng)性測(cè)驗(yàn)的題目（根據(jù)測(cè)量理論，答對(duì)概率為0.5左右時(shí)，試題的測(cè)量精度最大[10]）。

最后，將當(dāng)前學(xué)習(xí)者的實(shí)際測(cè)驗(yàn)成績(jī)存儲(chǔ)進(jìn)案例庫(kù)，以供下一次適應(yīng)性測(cè)驗(yàn)使用。

需要說(shuō)明的是：① 在上述過(guò)程中，我們實(shí)際上是將學(xué)習(xí)者對(duì)題庫(kù)中各條題目的應(yīng)答看作是案例，那么應(yīng)答成績(jī)相似的學(xué)習(xí)者被認(rèn)為是知識(shí)掌握水平相似的學(xué)習(xí)者，因而在面對(duì)相同題目時(shí)可能出現(xiàn)相同的應(yīng)答成績(jī)；② 求解相似度和預(yù)測(cè)學(xué)習(xí)者答對(duì)概率時(shí)，可以采用k近鄰、加權(quán)回歸等算法實(shí)現(xiàn)[11]；③ 應(yīng)當(dāng)根據(jù)不同計(jì)算機(jī)系統(tǒng)的運(yùn)算能力，確定所檢索的相似或前提知識(shí)點(diǎn)的數(shù)量和相似學(xué)習(xí)者的數(shù)量，因?yàn)樵蕉嗟臄?shù)量意味著越大的運(yùn)算負(fù)荷。目前，我們已經(jīng)對(duì)這種基于CBR的適應(yīng)性測(cè)驗(yàn)進(jìn)行了實(shí)驗(yàn)研究，并取得了較好的效果[12]。

四、結(jié)語(yǔ)

綜上所述，在智能授導(dǎo)系統(tǒng)中運(yùn)用CBR方法，規(guī)避了學(xué)習(xí)者個(gè)體數(shù)據(jù)難以測(cè)量和決策規(guī)則難以獲取和描述的困難，并使系統(tǒng)的推理水平實(shí)現(xiàn)了自我完善。因此，作為規(guī)則推理技術(shù)的補(bǔ)充，CBR技術(shù)智能授導(dǎo)系統(tǒng)的構(gòu)建中有著廣闊的應(yīng)用前景。但是應(yīng)當(dāng)承認(rèn)，CBR技術(shù)由于直接使用案例進(jìn)行推理，缺乏嚴(yán)格的邏輯規(guī)則基礎(chǔ)；另一方面，規(guī)則推理恰好又以嚴(yán)格的邏輯規(guī)則為基礎(chǔ)，并且已有的研究已經(jīng)證明了規(guī)則推理在某些方面的有效性。因此，我們認(rèn)為，應(yīng)當(dāng)綜合利用CBR與規(guī)則推理技術(shù)，才能設(shè)計(jì)開(kāi)發(fā)出具有較高智能水平的智能授導(dǎo)系統(tǒng)。

[1]智勇.分布式學(xué)習(xí)環(huán)境中的智能授導(dǎo)系統(tǒng)研究[D].南京師范大學(xué)博士論文，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]劉寅，黃燕.基于Web的智能教學(xué)系統(tǒng)知識(shí)模型與學(xué)習(xí)控制[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，（14）：2640-2642.

[4]劉宇，何麗萍.基于動(dòng)態(tài)學(xué)生模型的支持服務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)遠(yuǎn)程教育，2006，（12）：64-67.

[5]高濟(jì).基于知識(shí)的軟件智能化技術(shù)[M].杭州：浙江大學(xué)出版社，2000.

[6]王麗，杜曉明.基于案例推理的軟件需求分析研究[J].微型機(jī)與應(yīng)用，2010，（1）：31-33.

[7]陳文林，宋江春.一個(gè)基于學(xué)習(xí)者訪問(wèn)聚類的遠(yuǎn)程教育智能推薦系統(tǒng)[J].中國(guó)遠(yuǎn)程教育，2009，（5）：64-67.

[8]謝紅薇，李建偉.基于本體的案例推理模型研究[J].計(jì)算機(jī)應(yīng)用研.究，2009，（4）：1422-1424.

[9]張青華，袁一萍，張厚粲.適應(yīng)性測(cè)驗(yàn)的發(fā)展:歷史與現(xiàn)狀[J].心理學(xué)探新，2006，（2）：84-87.

[10]余嘉元.項(xiàng)目反應(yīng)理論及其應(yīng)用[M].南京：江蘇教育出版社.1992

[11]Mitchell，曾華軍譯.機(jī)器學(xué)習(xí)[M].北京：機(jī)械工業(yè)出版社，2003

[12]陳剛.CBR在智能授導(dǎo)系統(tǒng)中的應(yīng)有研究[D].南京師范大學(xué)碩士論文，2005.

2010－06－30

陳剛，博士，講師，揚(yáng)州大學(xué)教育技術(shù)系主任（225002）。

責(zé)任編輯 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規(guī)劃基金項(xiàng)目 “學(xué)習(xí)科學(xué)視域下的問(wèn)題解決學(xué)習(xí)設(shè)計(jì)研究” （批準(zhǔn)號(hào)：09YJA880119） 成果之一。