通过解决问题评估空间知识

### 通过解决问题评估空间知识 #### 1. 知识表示模型基础 在认知模型中，目标遵循与语义知识相同的约束。目标之间相互竞争以被激活，可能被遗忘，其激活程度也会随上下文变化。在该模型里，认知步骤并非总是需要按顺序完成，目标通过执行程序性知识来实现，实现目标的方式（程序）有正确和错误之分。目标被表示为一种特殊类型的概念，一个目标可以有零个或多个组件，这些组件是概念实例，是目标的对象。例如，概念实例“Cupola01”可以是目标“GoalSelectCamerasForViewingModule”实例的组件，该目标表示为查看“Cupola01”国际空间站模块选择最佳相机的意图。 知识实体（概念、程序和目标）通过一组槽来描述，每个槽为知识实体关联值，值可以是指向其他知识实体的指针，也可以是字符串或整数等任意数据。具体如下： - **概念**：通过七个槽进行编码。 - “Identifier”：作为概念唯一引用的字符串。 - “Metadata”：提供关于概念的一般元数据，如作者姓名和文本描述。 - “DLReference”：用逻辑形式描述概念，可用于推断概念间的逻辑关系，如“is - a”关系。 - “Goals”：包含目标原型列表，提供学生可能有的使用该概念的目标信息。 - “Constructors”：指定可创建该概念实例的程序标识符。 - “Components”：仅对描述性概念有意义，指示每个概念组件的概念类型。 - “Teaching”：指向辅导系统通用教学策略可用于教授该概念的教学资源。 - **目标**：有六个槽。 - “Skill”：以字符串形式指定实现目标所需的技能。 - “Identifier”：目标的唯一名称。 - “Metadata”：描述目标的元数据。 - “Parameters”：指示目标参数的类型。 - “Procedures”：包含可用于实现目标的一组程序。 - “Didactic - Strategies”：建议实现该目标的教学策略。 - **程序**：由十个槽描述。 - “Metadata”和“Identifier”：与概念和目标的对应槽相同。 - “Goal”：指示程序所定义的目标。 - “Parameters”：指定参数的概念类型。 - “Method”（针对原始程序）：指向执行原子操作的 Java 方法。 - “Script”（针对复杂程序）：指示要实现的一组目标。 - “Validity”：一对布尔值，第一个指示程序是否有效，第二个指示程序是否总是终止。 - “Diagnosis - Solution”：包含一对“[诊断，策略]”列表，为每个诊断指定合适的教学策略。 - “Didactic - Resources”：指向用于教授程序的额外资源，如示例、练习等。 为了便于知识创作，还构建了一个图形工具。该模型曾用于表示使用布尔简化规则辅导系统的学习者的认知过程，但它更侧重于程序性知识学习，对语义知识学习的支持较少，因为缺乏对从语义记忆中检索知识的建模结构。 #### 2. 扩展模型 为解决上述问题，对模型进行了扩展，增加了“一般”和“上下文”语义知识的教学区分。 - **一般知识**：是在课程的所有情况下都为真的语义知识，如 CanadarmII 末端执行器的近似长度为一米。要正确使用一般知识，必须事先正确获取、正确回忆并通过有效程序处理。一般知识是一种描述性概念，因为它必须表示一种关系才有用。 - **上下文知识**：与一般知识相反，是从对情况的解释中获得的知识，由概念实例组成。例如，CanadarmII 机械臂“WY”关节的当前旋转值为 42°，这是通过读取显示屏获得的上下文知识。作者无需定义上下文知识，因为它由代表每个学习者认知活动的程序执行动态实例化。 在描述性概念中添加了三个槽： - “General”：指示概念是否为一般概念。 - “Valid”：指定概念的有效性（真或假），并可选择指定等效有效概念的标识符。 - “RetrievalComponents”：指定在实例化概念时要实例化以创建概念组件的一组概念。 以下是相关概念的部分定义表格： | 概念 | 标识符 | 元数据 | DL 引用 | 类型 | 组件 | 检索组件 | 一般 | 有效 | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | MPLM_Below_MPLM2 | MPLM_Below_Node2 | Author: Philippe Fournier - Viger, Date : 2007 | … | GoalRecallCameraForGlobalView | Module, Module | MPLM, Node2 | True | False | | MPLM_TopOf_NODE2 | MPLM_TopOf_Node2 | Author: Philippe Fournier - Viger, Date : 2007 | … | | Module, Module | MPLM, Node2 | True | True | 还添加了一个检索机制，将程序与一般知识连接起来，以模拟回忆过程，该机制类似于 ACT - R 的检索机制。在程序中添加了“Retrieval - request”槽，通过模式表达对语义记忆中概念的检索请求。例如，“ProcedureRecallCameraForGlobalView”程序的“Retrieval - request”槽表明需要一个“ConceptRelationshipCameraGlobalView”类型的概念，其第一个组件应是与程序参数类型匹配的位置，第二个组件应为“ConceptCamera”类型。执行该程序后，正确的回忆将创建“ConceptRelationshipCameraGlobalView”的实例，并将其存入临时缓冲区，供后续程序使用。 对于使用 CanadarmII 将负载从一个位置移动到另一个位置的任务，将 3D 空间离散化为名为基本空间（ES）的 3D 子空间。空间知识编码为描述性概念，如相机可看到 ES 或国际空间站模块、ES 包含国际空间站模块等关系。移动机械臂的过程被建模为一个循环，学习者需要回忆用于查看包含机械臂的 ES 的相机集合、选择相机、调整参数、检索从当前 ES 到目标 ES 的序列，然后移动到下一个 ES。CanadarmTutor 检测相机更改和进出 ES 等操作，并将其视为原始程序执行。 下面是“RecallCameraForGlobalView”程序的部分定义表格： | 槽 | 值 | | ---- | ---- | | 标识符 | RGlobalView | | 元数据 | Author: Philippe Fournier - Viger, Date : 2007 | | 目标 | GoalRecallCameraForGlobalView | | 参数 | (ConceptPlace: p) | | 检索请求 | ID: ConceptRelationshipCameraGlobalView <br> A1: ConceptPlace: p A2: ConceptCamera | 该模型的知识表示和扩展机制可以用以下 mermaid 流程图表示： ```mermaid graph LR classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px A([开始]):::startend --> B(知识实体):::process B --> C(概念):::process B --> D(目标):::process B --> E(程序):::process C --> C1(七个槽编码):::process D --> D1(六个槽描述):::process E --> E1(十个槽定义):::process C1 --> C2(扩展概念槽):::process C2 --> C3(一般知识):::process C2 --> C4(上下文知识):::process E1 --> E2(检索机制):::process E2 --> E3(Retrieval - request 槽):::process C3 --> F(任务建模):::process C4 --> F E3 --> F F --> G(CanadarmII 任务):::process G --> H([结束]):::startend ``` 以上就是模型的基础和扩展部分的详细内容，通过这些机制可以更好地表示和处理知识，为后续的知识评估和教学提供支持。 ### 通过解决问题评估空间知识 #### 3. 知识评估机制 该模型提供了评估语义和程序性知识的机制。 - **程序性知识评估**：通过将学习者的行动与任务描述进行比较来实现。考虑两种类型的程序性错误： - 学习者犯错：例如，学习者在移动机械臂之前忘记调整相机的缩放、平移或倾斜参数，这被认为是学习者为当前目标应用了错误的程序。 - 学习者未在时间限制内做出反应：这表明学习者可能不知道当前目标的正确程序，或者没有识别出程序的前提条件。由于模型将目标与可实现它们的程序相链接，辅导系统在这两种情况下都知道实现当前目标的所有正确方法。对于指定子目标的复杂程序，辅导系统可以轻松构思出一系列有效的程序，以正确实现任何目标。 - **一般语义知识评估**：扩展模型提供了两种评估一般语义知识的方法。 - 直接提问：辅导系统可以直接用问题测试一般知识。例如，CanadarmTutor 可以通过向学习者展示 JEM 模块的视图，并要求其识别使用的相机，来验证学习者对“CameraCP9 GivesGlobalViewOf JEM”这一描述性概念的掌握程度。还可以提出其他类型的问题，如要求说出给定模块的最近模块，或选择查看一个或多个模块的最佳相机。 - 解决问题练习：系统最初假设回忆是正确的。随着训练的进行，通过程序的结果进行反向推理，可以推断出是否正确回忆了一般知识。如果学习者多次使用程序检索有效知识，系统会增加对学习者能够回忆该知识的信心；如果可能回忆了错误知识，系统会提高该知识回忆错误的概率，并降低对学习者掌握有效概念的信心。 经过多次练习和/或提问后，系统会详细了解学习者在程序性和语义知识方面的优势和劣势，并利用这些信息为学习者生成量身定制的练习、问题和演示，涉及需要训练的知识。例如，如果系统推断学习者拥有错误知识，即相机“CP10”是查看 JEM 模块的好相机，它可能会生成关于相应有效知识的直接问题或涉及回忆该知识的练习。 以下是知识评估机制的总结表格： | 知识类型 | 评估方法 | 具体方式 | | ---- | ---- | ---- | | 程序性知识 | 与任务描述比较 | 检测犯错和未在时间内反应两种错误类型 | | 一般语义知识 | 直接提问 | 展示视图、询问模块信息等 | | 一般语义知识 | 解决问题练习 | 通过程序结果反向推理回忆情况 | #### 4. 教学决策与应用 集成的教学模块目前基于一些非常简单的规则做出教学决策。为了教授一般知识或程序，辅导系统从概念或程序的教学槽中提取教学知识，主要包括文本提示或解释。此外，辅导系统还利用一般描述性概念中编码的空间关系生成动态问题。 例如，为了测试学习者对 S1P1TrussRight 模块位置的知识，虚拟辅导系统会根据空间关系随机选择三个错误的问题选项。它会选择一个与 S1P1TrussRight 看起来相似的模块（S1P1TrussLeft）和两个与 S1P1TrussRight 接近的模块（PVARight01 和 S34P34TrussRight01），基于“lookSimilarTo”和“isConnectedTo”的空间关系。 通过解决问题练习评估语义知识是一种有趣的替代方法，与需要将其与程序性知识评估分开进行的自动技术不同。例如，一些自动算法用于对学习者绘制的概念图进行评分，而概念图中的主要信息可以在该框架内编码为一般知识，并按照上述过程进行评估。 知识评估和教学决策的流程可以用以下 mermaid 流程图表示： ```mermaid graph LR classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px A([开始]):::startend --> B(学习者行动):::process B --> C{行动类型}:::decision C -->|程序性行动| D(程序性知识评估):::process C -->|语义相关行动| E(语义知识评估):::process D --> F{是否有错误}:::decision F -->|是| G(分析错误类型):::process F -->|否| H(继续观察):::process E --> I{回忆是否正确}:::decision I -->|是| J(增加信心):::process I -->|否| K(降低信心):::process G --> L(生成教学策略):::process J --> M(生成巩固练习):::process K --> N(生成纠正练习):::process L --> O(教学实施):::process M --> O N --> O O --> P([结束]):::startend ``` #### 5. 总结与展望 该模型的扩展为评估和教授学习者应具备的一般语义知识提供了一种解决方案。由于模型将语义知识检索与程序性知识相连接，一般语义知识的评估可以通过直接提问或观察解决问题任务间接实现。 基于该模型的虚拟辅导系统应该能够提供更好的反馈，因为它们可以了解回忆的语义知识与程序之间的联系。此外，该扩展还展示了如何支持空间推理。目前已经对 CanadarmTutor 中处理的知识进行了初步建模，未来的研究将致力于构思更完善的辅导系统版本，并验证其有效性。