智能辅导系统中基于用户行为的问题解决知识挖掘

### 智能辅导系统中基于用户行为的问题解决知识挖掘 #### 1. 引言 在智能辅导系统（ITS）中，领域专家通常需要为辅导者提供相关的领域知识，以便在学习者解决问题时给予指导。然而，在许多领域中，这些知识并非预先确定的，需要从专家用户、中级用户和新手用户那里获取或学习。研究认为，知识发现（KD）技术可以帮助在 ITS 中构建这种领域智能。 为了解决在难以建立清晰问题空间或任务模型的领域中发现新领域知识的问题，本文提出了一种结合顺序模式识别和关联规则发现的方法。该方法旨在从用户的行为中捕获新的程序、问题空间和问题解决策略，从而扩展领域知识，为智能辅导系统提供问题空间，使其能够跟踪学习者的行为并在需要时提供相关提示。 #### 2. 问题陈述与相关工作 教育数据挖掘在人工智能教育领域正变得越来越重要。目前，许多技术主要用于从学习会话的数据库和日志文件中提取相关数据、信息或知识，但大多数工作集中在学习者或群体的分类、聚类或排序上，很少有研究涉及程序性知识学习，也几乎没有人尝试寻找和学习动作、动作序列和模式之间的关系。 一些相关研究如 Kay 等人的工作，主要关注识别学生群体互动中的重要活动序列，以标记出表明问题和成功的互动序列，但并非旨在学习程序或寻找序列和模式之间的联系。在 ITS 自动程序性知识学习方面，虽然有一些尝试，如诱导简单生产规则或查找标记示例来生成规则，但都没有探索顺序模式和规则发现。 传统的认知辅导系统通常需要预先定义任务模型，描述正确和错误的解决方案路径。CTAT 工具允许 ITS 设计者指定任务的行为图（BG），BND 方法则通过记录学生的动作来创建一个通用的 BG，但这些方法缺乏数据挖掘和学习，无法从学生的解决方案中提取有用知识来丰富问题空间。 #### 3. CanadarmTutor 中的程序性知识建模 智能辅导系统的一个主要目标是在问题解决情境中为学生提供相关反馈。在国际空间站（ISS）环境中，由于任务的问题空间包含无限数量的路径，且需要动态生成新任务，提供这种反馈变得非常困难。 FADPRM 是一种用于受限环境中机器人路径规划的灵活高效方法。它不仅考虑机器人需要避开的障碍物，还考虑了期望和非期望（或危险）区域，通过为每个区域分配一个期望度（dd），在 [0, 1] 范围内，来规划路径。 ISS 环境被预处理成一个无碰撞机器人运动的路线图，路线图是一个图，每个节点标记有机器人配置和期望度，边也分配有期望度，路径的期望度是其边期望度的平均值。FADPRM 结合了传统的概率路线图方法（PRM）和 Anytime Dynamic A*（AD*）方法，能够在安全区域条件动态变化时快速重新规划路径。 然而，FADPRM 计算出的路径有时过于复杂，不符合人类在现实世界中的操作流程，也无法满足辅导系统引导用户和识别学生特征以提供个性化帮助的要求。因此，研究认为可以基于用户自身的知识进行辅导，通过捕获用户的使用数据并学习规则和约束，为辅导系统构建知识库。 #### 4. 问题解决数据表示 在认知辅导中，问题解决知识表示为程序，每个程序对应问题的一个成功或不成功的解决方案路径。程序是原子和非原子动作的序列，非原子动作包含至少两个原子动作，动作是在给定时间发生的事件。 以下是一个包含 8 个成功计划的示例数据集： | PlanID | Sequences of actions | | ---- | ---- | | P1 | 1 2 25 46 48 {9 10 11 31} | | P2 | 1 25 46 54 79 {10 11 25 27} | | P3 | 1 2 3 {9 10 11 31} 48 | | P4 | 2 3 25 46 11 {14 15 16 48} 74 | | P5 | 2 25 46 47 48 49 {8 9 10} | | P6 | 1 2 3 4 5 6 7 | | P7 | 25 26 27 28 30 {32 33 34 35 36} | | P8 | 46 54 76 {10 27} {48 74} | 从这个数据集中，可以使用用户定义的最小支持度（minsup）轻松计算频繁动作序列。如果一个序列出现的次数超过 minsup 次，则认为该序列是频繁的。接下来，可以通过一个简单的算法，考虑每个序列的子序列，并根据它们在数据集中的出现次数来推导它们之间的关系，从而找到连接这些频繁序列的规则。 #### 5. 提出的框架 所提出的系统通过不同的阶段或过程来学习规则，每个阶段都采用和集成了特定的算法。主要流程如下： ```mermaid graph LR A[包含用户计划的日志文件] --> ```