Решение исключить шаг 5 из структуры AutoTutor было основано на опыте. На этом шаге преподаватели обычно задают общие, проверяющие понимание вопросы (напр.: «Вы поняли?»). Исследования в прошлом показали, что на эти вопросы студенты стремятся ответить парадоксально, например «хорошие» студенты чаще отвечают: «нет, я не понял», чем неуспевающие (Chi et al., 1989;Person et al., 1994). Так как ответы студентов на эти вопросы часто не заслуживают доверия, мы не решились включать шаг 5 в диалоговую структуру AutoTutor.
Диалог обычного преподавателя-человека
В нашем анализе диалогов преподавателей мы обнаружили, что обычные преподаватели редко используют сложные стратегии преподавания, которые предлагались исследователями образования и разработчиками интеллектуальных обучающих систем. Эти стратегии включают метод Сократа (Collins,1985; Collins,Brown & Newman, 1989), взаимный тренинг (Palincsar & Brown, 1984), обнаружение и исправление ошибок (Anderson, Corbett, Koedinger & Pelletier, 1995; Van Lehn, 1990; Lesgold et al., 1992), закреплённое обучение (Bransford, Goldman & Vue, 1991), создание предпосылок (Gagne, 1977) и усложнённая техника мотивации (Lepper, Asprinwall, Mumme & Chabay, 1990). Несмотря на подробный анализ, выполненный на примерах этих усложнённых стратегий преподавания (Fox, 1993; Hume et al., 1996; McArthur et al., 1990; Merrill et al., 1992; Putnam, 1987), подобные стратегии часто отсутствовали в неподготовленных занятиях преподавателей, которые мы анализировали. Для детального описания того, как анализировались эти обучающие воздействия, см. (Graesser & Person, 1994; Grasser et al., 1995; Person & Graesser, 1999; Person et al; 1994)
Мы обнаружили, что обычные преподаватели предпочитают шаги диалога, который тщательно спроектирован с учетом предыдущей реплики студента. Точнее, преподователи предпочитают шаги диалога, позволяющего учитывать количество и качество предыдущих реплик студента. Ниже представленны категории шагов диалога преподователей, которые мы идентифицировали во время занятий.
Положительная немедленная (непосредственная) обратная связь: «Правильно», «Да».
Нейтральная непосредственная обратная связь «Окей», «угу»;
Отрицательная немедленная обратная связь «Не совсем так», «Нет»;
Стимулирование информационных высказываний «Угу», «что еще»;
Побуждение к воспроизведению специальной информации «основная память процессора это ROM и ______»;
Намекание: «Жесткий диск можно использовать для запоминания» или «Что вы можете сказать о жестком диске?»;
Выяснение деталей «CD ROM – еще один способ запоминания информации»;
Выяснение и исправление ошибки. Содержится в высказываниях, сделанных после ошибки студента;
Поведение итогов. «Итак, суммируя» (сжатый пересказ ответа на вопрос).
Как и преподователи, AutoTutor использует одну или несколько из этих категорий после каждой реплики студента. Условия, при которых воспроизводится эти категории, будут обсуждатся в разделе о воспроизведении диалогов.
Структура AutoTutor
AutoTutor – это сплав классических символических структур (например, представления утверждения, концептуальных структур и выбранных правил) и структур, которые имеют многочисленные нечеткие ограничения (например нейросистема, нечеткие продукционные системы). Главные модули AutoTutor включают в себя анимационного агента, учебный план, языковой анализатор, латентный семантический анализ (ЛСА) и генератор шагов диалога. Все модули, кроме одного, были широко описаны в ранних публикациях (см. Foltz, 1996; Graesser, Franclin, Wiemer–Hastings, & the TRG, 1998; Graesser, Wiemer–Hastings, Wiemer–Hastings, Harter, Person & the TRG впечати; Hu, Graesser& the TRG, 1998; Wiemer – Hastings, Graesser Harter,& the TRG, 1998). Исключение составляет генератор шагов диалога. Подробное его описание будет дано после краткого описания остальных модулей.
Главные модули AutoTutor
Анимированный агент
Графическое воплощение AutoTutor было создано в Microsoft Agent. Это двумерное воплащение преподователя, сидящего за столом в течение всего занятия (мы находимся в процессе интеграци трехмерного изображения). AutoTutor общается с обучаемым посредством синтезированной речи, мимики и элементарных направленных жестов. Каждый из этих коммуникационных параметров можно установить на максимизацию общей эффективности AutoTutorа как преподователя и собеседника. Несмотря на то, что об этом можно говорить еще долго, эти механизмы были описаны в других работах (см. McCauley, Gholson, Hu, Graesser and the TRG, 1998; Person, Klettke, Link, Kreuz & the TRG 1999) и находятся вне рамок этой статьи.
Учебный план
Занятие с AutoTutorом проводятся по учебному плану. Учебные планы – это тщательно очерченые свободно структурованные планы занятий, включающие важные концепции, вопросы, факты и проблемы, которые учителя и преподаватели хотят детально осветить на занятии (Graesser & Person, 1994; Graesser et al 1995; McArthur et al. 1990; Putnam, 1987). Учебный план AutoTutor включает 37 вопросов или проблем по компьютерной грамотности: один вводный вопрос (например: «Из каких частей состоит компьютер и где его используют?»), который позволяет студенту привыкнуть к синтезированному голосу, и 36 тематически связанных вопросов/проблем. Учебный план AutoTutorа на данный момент содержит информацию по трем макротемам: комплектующие, операционные системы и Internet. Структура информации по этим темам анологична используемой в курсе компьютерной грамматности и учебнике (Beekman, 1997).
Каждая из 3 макротем содержит 12 тем (всего 36). Эти 36 тем содержат дидактические описания, вопросы, поставленные преподавателем, факты, иллюстрации, диаграммы (вместе с ожидаемыми хорошими и плохими ответами на каждый вопрос/проблему). Каждая из трех макротем имеет 3 уровня сложности и 4 тематических формата. Три уровня сложности (легкий, средний, трудный) наносятся на таксономию когнитивных трудностей и трудности вопросов (Bloom, 1956; Graesser&Person, 1994; Wakefield, 1996). 4 тематических формата представляют собой: (1) Вопрос на серьезное рассуждение; (2) Дидактическая информация + вопрос; (3) Графический дисплей + Вопрос; (4) Проблема + Вопрос.
Учебный план также включает 36 идеальных ответов, которые соответствуют каждой из 36 тем. Идеальный ответ состоит из набора N хороших ответов или аспектов {A1,A2,….,AN}, которые были определены экспертами в области компьютерной грамотности, число аспектов для каждой темы колеблется от 3 до 9. Прежде чем AutoTutor перейдет к следеующей теме, он должен охватить на занятии все аспекты по данной теме. Качество ответов/реплик обучаемого определяется соответсвием их каждому аспекту и всем возможным комбинациям аспектов в отдельном идеальном ответе. Подобные операции структурного(системного) соответствия выполняет ЛСА (см. следующий раздел).
Дополнительная информация, содержащаяся в учебном планне, включает: (1) ожидаемые плохие ответы для каждой из 36 тем; (2) корректирующие высказывания (напр. хорошие ответы) для каждого из ожидаемых неправильных ответов и (3) многочисленные шаги диалогов (оценки, намеки, подсказки, быстрые отклики и подведение итогов), которые связаны с аспектами идеальных ответов. Надо отметить, что все содержание учебного плана написано на английском языке, в противоположность компьютерному коду. Таким образом, учитель или другой человек, не являющийся опытным программистом, может легко создать учебный план.
Языковые анализаторы
AutoTutor содержит несколько языковых анализаторов, оперирующих словами, которые обучаемый набирает на клавиатуре во время беседы. Анализаторы включают: (1) блок словарной и пунктуационной сегментации; (2) блок идентификации семантических классов и (3) блок классификации разговорных актов. После того, как обучаемый составит фразу и нажмет “ввод”, фраза разбивается на отдельные слова и знаки препинания. Затем идентификатор семантических классов классифицирует каждое слово по большому словарю (около 10 000 слов) и идентифицирует все возможные синтаксические классы и частоту использования слова в английском языке. Например, слово “program” в английском языке является существительным, прилагательным и глаголом. Нейросистема затем определяет верный синтаксический класс слова (W) принимая во внимание синтаксические классы предшествующего (W-1) и последующего (W+1) слова. AutoTutor способен разделять вводимые обучаемым данные на последовательность слов и знаков препинания с точностью 99%, находить нужное семантические классы с точностью 97% и присваивать слову верный семантический класс основываясь на конспекте с точностью 93% (Olde, Hoeffiner, Chipman, Graesser & TRG, 1999)
Классификатор речевых выражений – это нейросеть, которая делит и классифицирует входные данные обучаемого по пяти категориям речевых выражений. Это Утверждение, Расширенный вопрос, Вопрос «да/нет», Указание и Короткий ответ. На данный момент AutoTutor верно классифицирует 89% речевых выражений. В данной версии ЛСА наиболее уместны Утверждения. Т.е. ЛСА используется для оценки качества реплик обучаемого, однажды присвоив ему категорию утверждения. От качества, оцененного ЛСА, зависит тип обратной связи и шага диалога, который AutoTutor будет генерировать после. Для остальных категорий (Расширенный вопрос, Вопрос «да/нет», Указание и Короткий Ответ) AutoTutor использует различные стратегии. Эти стратегии, необходимые для однородности диалога со смешанной инициативной, не будут представлены в этой статье.
Латентный семантический анализ (ЛСА)
Знания системы AutoTutor о компьютерной грамотности отражены в латентном семантическом анализе (ЛСА) (Foltz, 1996; Foltz, Britt & Perfetti, 1996; Landauer & Dumais, 1997; Landauer, Foltz & Laham, 1998). ЛСА - это статистический метод, который сжимает большие массивы в К измерении (обычно от 100 до 500). Для AutoTutorа мы представили ЛСА величиной в 2,3 МБ текстов. Тексты включали учебный план, два учебника комьютерной грамотности и 30 статей, которые обсуждают техническое обеспечение, операционные системы и Internet.