博客: Adaptive-Learning

孟菲斯大学的 ALEKS 适应性学习系统


点击此图片,查看 ALEKS 官方介绍视频(纯英文无字幕)

ALEKS(Assessment and LEarning in Knowledge Spaces: 基于知识空间的学习评测系统) 是一个 Web 上的应用人工智能技术的学习评测系统。其人工智能技术基于 知识空间理论(Knowledge Space Theory,简称 KST) 这一研究领域。

KST 使得海量的知识状态(在计算机的内存中)的表达成为可能,把这些知识状态组织起来,就可以对应到一个学术领域的知识总和。

与那些通过给出单个或一系列分数来反应学生对知识的掌握程度的方式不同,KST 能够对学生给出更准确的评估,包括学生知道什么,不知道什么,以及具备了学什么的条件。

根据 KST 理论,类似于算术或者代数一这样的科目,都可以被解析为一些类型问题的集合,每个类型问题都覆盖了一些具体的概念(或者技能、事实、问题求解的方法等等)。

这样一来,一个学生的学业能力就可以被描述为他有能力求解的那一部分类型问题的集合。这个集合就是学生的知识状态。所谓知识空间是指在一个特定人群中可被观察到的所有可行知识状态集合的汇总。一个学科一般会有 250~350 个类型问题以及数百万个知识状态。

ALEKS 系统的核心是它的评估引擎,这个引擎试图通过对学生进行高效提问的方式,揭示出某位特定学生的知识状态。在 KST 评估过程之初,每个知识状态都被赋予相同的初始概率值。

接下来,学生会选择一个问题(相当于选择了一种类型问题),系统能够根据学生的答案更新这些概率值: 如果学生回答正确,那么包含了这种类型问题的那个知识状态对应的概率值就会增大;而如果学生回答错误,那么对应的概率值就会减小。

更进一步,系统将(根据某个特定的衡量指标)以尽可能增加信息量的方式选取下一个问题,这个过程将会一直持续下去,直到某个知识状态的概率值远远大于其它知识状态的概率值为止。此后,这个概率值优势明显的知识状态将被分配给参加评估的学生.

为了完成这样的过程一般需要 25 到 35 轮提问。此系统之所以能够达到这样的效率,主要得益于系统内部已经借助知识空间完成的大量知识推理工作。

完成了这个步骤以后,ALEKS 将会以饼图和相关报告的形式提供被评估学生的知识/能力水平概要。学生通过前面的评估过程已经证实了自己知道什么,不知道什么,已经准备好学习什么,这些信息都包含在他的知识/能力水平概要中。

有了这种概要信息,学习者就可以在各种类型问题中选取那些他已经有条件学习的类型问题。而一旦系统确定他已经掌握了某个类型问题,这个类型问题就会被增加到他当前的知识状态中,而他又可以选择一些新的有条件学习的类型问题。

后续的评估过程将会更新他的知识状态。


参考¹ ALEKS 系统的官方介绍资料

参考² ALEKS 背后的科研成果

参考³ 打开“AI+教育”的黑匣:美国先驱 ALEKS 做对了什么?