人机协作的教学交互模式可能成为未来教育的主要形态之一。而教育机器人作为未来教学交互模式的主要对象之一，在 K-12 教育阶段具有一定的应用前景，所以有必要了解下目前关于教育基于机器人的探讨。
本文是我今天阅读的一篇文章，截取了部分内容，做基本的介绍。这篇文章我觉得不太适合总结概括，所以文字比较多，读起来可能会稍微有些枯燥。
教育机器人的分类
按照实际用途，教育机器人总体上可以分为教学活动类机器人与教育服务类机器人。
- 教学活动类机器人
主要用于教学课程与课堂教学活动，作为教辅工具直接辅助学习者进行机器人领域相关知识的学习与实践，并支持学习者自行拆装或编程。例如，模块化的机器人套件及其资源与实体平台是此类机器人常见的产品形态。
- 教育服务类机器人
教育服务类机器人指可以直接对教学过程进行智能辅助服务的机器人，其应用过程常被归类为三种基本角色，即导师、学伴及监督者。
其中，导师角色指机器人作为教师助手，为学习者提供优质教学资源、个性化学习路径以及针对性教学反馈等;
学伴角色指智能教育机器人作为学习伙伴参与学习者的学习过程，开展学习互动、协助学习时间管理以及情感支持等;
监督者角色指机器人通过情境感知、智能测评等技术对学习者的学习状态及体征数据进行实时监测与采集。
区别于教学活动类机器人，教育服务类机器人大多具有固定的软硬件结构，不支持用户自行拆装。
本文主要讨论教育服务类机器人，服务于初中或小学学习者，定位是学伴角色，同时融合导师与监督者角色的关键功能与服务。
关键支撑技术
1． 知识图谱技术构建教育认知地图
知识图谱技术通常指利用具有结构化语义知识的概念网络，描述通用领域或垂直领域的实体以及这些实体间关联的知识表示。
利用知识图谱技术可以结构化表示教学过程涉及的不同客观实体，如知识点、教学目标、学科教材等，以及这些实体间存在的具有教育意义的各类认知关系，如知识点间的前驱后继关系、习题与学习目标间的评测考查关系等。同时，教育知识图谱叠加学习者知识点掌握程度等认知状态信息，可以进一步构建教育领域的认知地图，直观呈现给学习者，帮助学习者了解其学习进程和掌握程度。
在“智慧学伴”教育机器人中，教育知识图谱一方面作为学科专业知识与教学相关各类实体的底层数据基础与基本结构，支持学科知识性智能问答与检索等基本交互功能; 另一方面，教育认知地图可以直接呈现给学习者，并作为人机交互界面帮助学习者自主选择与调整学习内容。
2． 机器学习技术构建学习者模型
教育机器人估计和判断学习者认知状态和学习能力的基础是对学习者建模。例如，知识追踪( knowledge tracing) 是对学习者的动态认知过程进行量化建模，通常利用贝叶斯理论、一阶马尔可夫模型机器学习算法等进行构建。大规模在线学习者及其各学科测评信息的采集，为学习者建模提供了丰富的训练数据。同时，随着深度学习技术的发展，基于深度神经网络等技术的深度知识追踪模型可以直接帮助解决多知识点动态建模等关键问题。
在“智慧学伴”教育机器人的实际系统实现中，利用深度学习模型构建了包括知识追踪模型( Chen et al． ，2018) 在内的一系列学习者模型，为机器人提供学习者当前学习状态的动态估计信息，使机器人可以及时诊断和干预学习者学习障碍或困难。同时，将较为准确的学习者认知状态等信息嵌入教育知识图谱，构建完整的教育认知地图。
3． 自然语言处理技术构建问答与对话系统
自然语言处理技术是利用机器对人类自然语言进行理解、处理和运用的技术。在教育机器人的系统构建中，基于自然语言处理技术的问答系统与聊天系统是支持学习者与机器人有效教学的关键交互环节。
问答系统通常通过对学习者提问进行语义理解与解析，并基于底层知识图谱等知识库高效检索所需的信息，提取答案信息，最终生成学习者可以接受和理解的自然语言应答。
任务导向型对话系统旨在帮助用户完成特定任务，非任务导向型对话系统没有清晰的任务，主要模仿人与人之间聊天等非结构性对话与交互。
在“智慧学伴”教育机器人中，我们同时引入问答引擎与对话代理引擎，支持学习者的不同需求。问答引擎专注于处理学习者提出的学科教学类知识问题，通过对底层教育知识图谱进行图搜索生成自然语言答案。对话代理引擎主要支持学习者与机器人的闲聊功能，以通用知识图谱及深度学习模型支持该部分功能的实现。
4． 情感计算技术估计学习情绪与专注度
情感计算技术通常指与人类情感相关、来源于情感或能够对情感施加影响的技术，其目的是赋予机器识别、理解、表达和适应人类的情感能力，创建更加有效的人机交互过程。
例如，通过计算机视觉分析，实时采集和分析学习者的面部表情和身体姿态等关键信息，输出包括愉悦、惊讶等情绪结果。同时，结合当前学习内容的难度、学习者能力及认知科学理论可估计和预测学习者的学习情绪和专注度等学习状态指标，对教学作出及时调整、干预或反馈，实现个性化的教学服务与情境感知。
利用机器人的前置摄像头等传感器设备，可以建立学习情绪识别模型，较准确地判断学习者对学习内容产生的负面情绪。基于学习者学习行为和动作等信息，结合认知科学的经典理论，估计学习者学习专注度，最终构建情感计算引擎，实现教育机器人对学习者学习情感状态的准确感知和识别。
有一段时间不更新了，课多作业多，还要忙着毕业论文的事。还是不要偷懒，其实看了很多文章的，就是懒得记，还是得坚持写。现在粉丝有50个了，除去我主动推给我喜欢的个别人之外，其他是搜索到然后关注我的吧。我希望能尽量分享一些对大家有用的知识，毕竟时间这么宝贵。即使是碎片化阅读，我也希望能让阅读的人有些收获。
参考文献：
[1]卢宇,薛天琪,陈鹏鹤,余胜泉.智能教育机器人系统构建及关键技术——以“智慧学伴”机器人为例[J].开放教育研究,2020,26(02):83-91.
关注我，了解更多
网友评论