29、虚拟教学助手：技术、应用与挑战

虚拟教学助手：技术、应用与挑战

一、引言

人工智能技术推动下的虚拟教学助手（VTAs），开创了个性化教学与指导的新型学习模式，在智能教育发展中扮演着重要角色。然而，其人性化服务的进一步发展面临诸多技术挑战，下面将从知识追踪、图表理解、可解释视觉推理以及一阶逻辑的提取与表示四个方面进行分析。

二、知识追踪

知识追踪（KT）依据学习者的历史作答情况对其知识状态进行建模，以此预测他们在新问题上的表现。例如，如果学习者能正确回答“18 - 72 ÷ 12”，那么他可能掌握了减法和除法的概念，也很有可能正确回答“6 ÷ 3 - 2”。KT是个性化指导中的关键任务，有助于VTAs因材施教地为学习者提供帮助。精准可靠的知识追踪意味着能根据学习者当前的知识状态为其推荐合适的练习。但学习过程受学习者知识水平和学习环境的双重影响而变得复杂，这给KT带来了诸多挑战。

2.1 练习数据稀疏性

在在线学习中，学习者访问学习平台的频率较低，且倾向于完成最少的练习来达成任务。因此，对于庞大的题库，只有少数问题被解答，每个问题也只有少数或没有学习者尝试过。这种情况导致数据稀疏，使得现有的基于深度神经网络的KT模型出现欠拟合问题。

为应对这一挑战，有以下尝试：
- 深度分层KT模型通过嵌入项目和概念并计算它们内积的铰链损失，来处理项目和概念之间的分层信息。
- 陈等人提出假设，即学习者在掌握先决概念后才能掌握某个概念，然后将先决条件作为约束来缓解数据稀疏问题。

然而，练习数据的稀疏性问题远未得到解决，仍需进一步研究。

2.2 学习环境中的异构数据

实际学习环境通常