博客: ALEKS

“引思网”的最初思考起点是什么?


引思网卡片库的设计思考

读研时的某些天,在实验室里,博主的头脑中反复闪现着一个模糊的想法,它逐渐引起了博主的注意:“如何才能比较全面和连续地记录自己手头各项任务的目标,并把它们贯穿到同一条主线上?”

之所以会萌生这个想法,是因为博主发现自己日常的很多“支线任务”都是在盲动中产生的,最开始并没太在意这些“支线任务”从何而来,也没意识到仅仅开小差做了一会儿支线任务,就会不可逆转地偏离自己本希望完成的“主线任务”。

基于一些心理学常识,博主很快想到一个直接原因:短期记忆是有限的。随着“记忆空间”一步一步地被支线任务相关信息占据,博主必定会逐渐忘记最开始的那个,引发 “初始关注点”。这就引出了另一个问题:“如何用一种比较方便的手段,去连续不断地记录自己的意识/注意力流动的大概过程?”

因为诸多条件限制,“全面记录并贯穿目标到主线” 的想法并没有很快落地,只是有一些断断续续研究和讨论。经过长期的观察和内省,博主发现自己的“关注点”并不是随机漂移的,而是有着明显的规律——任何“关注”,几乎总是源于某种心理上的需要,仅当博主自我感觉有机会“尽快满足需要”时,才会考虑实施行动。

为了让自己的行动不发散到别处,也就是“不偏离最初的心理需要”,博主会提出一个问题或者定下一个目标——而这个问题或目标,就是博主当前的“注意力落脚点”、“关注点”或者说“思维锚点”;随着思考或行动的深入,博主不得不关注一些与初始目标直接或间接相关的子目标,并且在求解这些子目标的过程中,博主还可能会进一步的去关注子目标的子目标,以此类推……一系列“注意力落脚点”前后相连即构成 “注意力足迹”。


注意力足迹示意图

带着这样的想法,在后来调查国外自动化数学教学与能力测评技术(参考 ALEKS 适应性学习系统)的过程中,博主发现利用有向无环图数据结构(DAG:Directed Acyclic Graph),可以很好地承载多个目标之间相互关联的关系。——每个“注意力落脚点”都可以用一张带有图文信息的,有助于勾起自己回忆的“启发式笔记卡片”来表达;而“注意力足迹”也可以借助笔记卡片之间的超链接关系串联起来,进而存储到计算机中。


有向无环图(DAG)

至此,博主长期以来一直想要设计和实现的“注意力足迹记录工具”所需的数据结构就已初步定型了。紧接着引出的问题是:“如何在有向无环图数据结构基础上,设计出沉浸式的用户界面和简便顺畅的交互操作?”

然而随着年龄增长,博主发现自己可自由支配的时间逐渐减少了。即使偶尔有些闲暇,也经常容易被其它杂念干扰,导致博主一次又一次的偏离最初的设想。在这种情况下,博主退而求其次,希望先实现/找到一种比较基础,但是可以形成体验闭环的记录工具,基于它建立起一套标准操作流。一旦建立起一种体验闭环 + 操作流,博主就可以把它作为进一步构建的参照物、辅助工具或“脚手架(Scaffold)”,从而更加安心的去进行后续的功能设计,需求分析,代码实现,以及与之相关的一系列工作。

经过反复尝试,博主发现目前可用做脚手架的工具非 Dynalist.io(云端笔记工具) 莫属,后来又发现了另一款颇具参考价值的 YouMinds Composer(单机版软件)。目前博主会使用 Dynalist.io 记录大量日常生活和工作中比较重要的“注意力足迹”,并设法把它们统一转存为一种标准的基于 Markdown 文本的数据格式,以备日后迁移(具体记录方法另外撰文介绍)。


Dynalist.io 自定制界面截图

这样一来,博主就可以随时记录、整理和温习从“起始专注点”到今天的“引思网卡片库设计思路”中间的,各种值得关注的思考成果,从而越来越减少“思路跑偏”,让各种想法帮助“引思网卡片库”信息管理系统的收敛和落地。

上面就是“引思网卡片库”的思考起点,关于引思网卡片库的更具体说明,可参考“HINTSNET·引思网卡片库”信息管理系统背景介绍(另外撰文说明)。

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?