虛擬機器人協(xié)同學習：智能指導交互系統(tǒng)設計及實踐進路

[摘 要] 虛擬機器人作為通用人工智能新型載體，以其顯著的多模態(tài)交互優(yōu)勢而受到重視，以支持學習者自主學習的方式賦能教育數(shù)字化轉(zhuǎn)型。為提升其在針對不同課程的智能協(xié)同學習精準性，文章提出了基于MTV模型的虛擬機器人智能指導交互系統(tǒng)，通過定量研究方法，旨在分析虛擬機器人交互的耦合關系。文章以K12階段不同類型課程的學習者學習數(shù)據(jù)為個案，結(jié)合虛擬機器人交互系統(tǒng)設計中用戶邏輯、介質(zhì)邏輯以及過程邏輯三層交互邏輯，對學習者與課程交互、學習者與系統(tǒng)交互以及學習者與虛擬機器人交互這三類交互形式進行分析，創(chuàng)建學習者情感偏好標簽。通過結(jié)合ChatterBot機器學習算法挖掘出K12階段五類學習者在學習取向、學習風格及學習需求三個維度的狀態(tài)特征，提升中國式教育環(huán)境中集成虛擬機器人的教育交互精準度。文章發(fā)現(xiàn)，虛擬機器人智能指導交互系統(tǒng)在個性化學習路徑指導、多維度課程資源推薦方面優(yōu)勢明顯，為虛擬機器人發(fā)揮“智慧學伴”同伴效應及智能學習跟蹤等提供實踐層面參考。

[關鍵詞] 人工智能； 機器人； 交互設計； 教育數(shù)字化； 人機協(xié)同； 個性化學習

[中圖分類號] G434 [文獻標志碼] A

[作者簡介] 公雪（1993—），女，山東臨沂人。副教授，博士，主要從事教育智能化與教育機器人研究。E-mail：gongxuegx@foxmail.com。謝中取為通信作者，E-mail： xiezq@njust.edu.cn。

一、問題的提出

隨著人工智能技術快速迭代，數(shù)智時代的中國式教育方式向數(shù)字化演進，相關智慧產(chǎn)品的智能化屬性愈發(fā)突出，虛擬機器人作為教育機器人的虛擬化身，以融合多元人工智能新技術賦能個性化教學[1]、精準交互式學習[2]。2023年，教育部發(fā)布《以數(shù)字化開辟教育發(fā)展新賽道》，提到應帶動物理與虛擬教學空間迭代融合，以“數(shù)字橋梁”賦能教育，促進課程教學改革[3]。同年，工業(yè)和信息化部等十七部門印發(fā)《“機器人+”應用行動實施方案》，提出將“機器人+”融合到教育場域，建設機器人服務平臺[4]，實現(xiàn)智慧教育新模式。通用人工智能技術促進了虛擬機器人作為具有智能決策、大數(shù)據(jù)集成、機器視覺等多重功能的智慧媒介被廣泛應用于教育場域?，F(xiàn)階段，虛擬機器人雖具備強大語言支持與多模態(tài)技術，但實時數(shù)據(jù)生成技術較為薄弱[5]，存在實時數(shù)據(jù)捕捉不準確、無法理解用戶特定需求與學習進度變化等問題，亟待耦合大量數(shù)據(jù)源為其提供數(shù)據(jù)樣本，供虛擬機器人進行學習，以此優(yōu)化虛擬機器人的可交互式智能協(xié)同學習能力。

因此，文章將針對K12階段學習者在偏文科課程（包括語文、英語、歷史、地理課程）、偏理科課程（包括數(shù)學、化學、物理課程）以及偏藝術課程（包括美術、音樂課程）三類不同類型課程中構(gòu)建基于MTV模型的虛擬機器人智能指導交互系統(tǒng)。基于三層交互邏輯對虛擬機器人的情感交互設計進行建模，從而捕捉學習者學習注意力變化[6]，進行情感化互動，充分發(fā)揮智能學伴的協(xié)同作用。通過精準刻畫學習者畫像，推進虛擬機器人教育交互介入，從而營造沉浸式的精準課程推薦體驗，適時進行個性化學習干預，擴寬虛擬機器人在數(shù)智時代的教育實踐應用范圍。

二、虛擬機器人智能指導交互系統(tǒng)協(xié)同學習的交互邏輯

虛擬機器人為學生提供精準學習支持與實時交互邏輯。其從用戶邏輯（包括學科偏好、學習狀態(tài)及學習反饋）、介質(zhì)邏輯（包括課程反饋、界面設計及模型構(gòu)建）以及過程邏輯（包括人機交互、應用場景及機器人行為）三層交互邏輯出發(fā)，構(gòu)建了學習者與虛擬機器人交互、學習者與系統(tǒng)交互以及學習者與課程交互三類交互形式，為精準協(xié)同學習者進行有效學習提供了抓手，實現(xiàn)精準化學習干預與教學輔導。

（一）用戶邏輯：學習者與課程交互

用戶邏輯包括學科偏好、學習狀態(tài)及學習反饋三個部分（見表1）。學習者作為面對虛擬機器人的直接交互者，其對不同課程的直接情感反饋是促進虛擬機器人這一類智能產(chǎn)品設計過程中關注用戶真實學習需求的重要因素。通過對不同課程學習者情感偏好數(shù)據(jù)的獲取，構(gòu)建學習包供虛擬機器人進行學習，促進虛擬機器人有效嵌入學習者實時學習環(huán)境之中。

表1 用戶邏輯的交互形式

1. 課程主題特征標簽處理

根據(jù)在線教育平臺瀏覽量、點擊率、彈幕對K12階段的課程進行人工標注與篩選，采用Python標準庫對此類課程數(shù)據(jù)進行爬蟲，去除對課程主題特征相關主題詞產(chǎn)生影響的噪音信息，以確保數(shù)據(jù)質(zhì)量，并收集清洗后的數(shù)據(jù)。由此，將數(shù)據(jù)分為偏文科相關課程、偏理科相關課程以及偏藝術相關課程三類，并分別進行課程視頻主題特征提取分析。

2. 情感表達屬性標簽處理

（1）不同情緒學習者識別。學習者在學習中所產(chǎn)生的實時情感變化會直接影響學習狀態(tài)與進度。通過建立自定義教育情感詞匯本體庫，并結(jié)合SO-PMI算法定義情感種子詞，選取基準詞并定義Pword和Nword，將單個詞語δ1與Pword的點間互信息與δ1 與Nword之間的點間互信息進行相減運算，得到差值后進行情感判斷，以彈幕關鍵詞為篩選標準，篩選在線學習者的有效評論。

（2）情感分類與識別。文章構(gòu)建的自定義教育情感詞匯本體庫融合了中文情感匯本本體庫中的情感詞和人工標注教育相關自定情感詞。該本體庫將情感按照情感類別、情感強度、詞性種類及極性進行劃分，分為樂、怒、好、哀、懼、惡、驚7大類和21子類[7]。將二者結(jié)合以擴展情感詞的精細顆粒度。隨后，將爬蟲所篩選的文本詞語結(jié)合后進行情緒分布計算，包括s（φ）詞匯情感值、v（φ）詞匯情感強度以及p（φ）詞匯情感極性，從而得出7類情緒出現(xiàn)頻率最高的情感特征詞并構(gòu)建情感標簽。

（3）情感強度量化。情感詞劃分為五檔（1、3、5、7、9檔，強度逐次遞增），將其極性劃分為貶義向度、褒義向度（表示為2、1）。結(jié)合SnowNLP類庫對中文進行分詞與情感分析。在運算中，根據(jù)情感得分均值對情緒變化打分，區(qū)間在75%～100%為高正向積極情緒、50%～75%為低正向積極情緒、25%～50%為低負向消極情緒、0%～25%為高負向消極情緒。

3. 評價信息行為屬性標簽處理及學習包構(gòu)建

（1）評價物理時間標簽。經(jīng)人工對三類課程標注并分類后，再對在線學習者在不同時間節(jié)點發(fā)送評論的△Tp和△Tυ平均相對注意力集中時間進行計算。若△Tp＜△Tυ，說明學習者快進了部分學習內(nèi)容[8]；若△Tp=△Tυ，說明達到了理想學習情況，正常觀看了課程；若△Tp＞△Tυ，說明學習者暫?；蛑兄惯^課程，進行了彈幕發(fā)送、回看知識點或休息操作。這些差異反映出學習者在觀看在線課程時的直觀互動模式，并將平均相對注意力劃分為強、中、弱三類。

（2）用戶生成內(nèi)容標簽。將在線平臺課程數(shù)據(jù)與用戶UGC總量結(jié)合計算。Gβ、Hβ為β內(nèi)單個學習者參與學習時的彈幕，計算出其在學習過程中發(fā)送彈幕的數(shù)量與交互程度[9]，并通過LDA主題建模技術來搜集主題內(nèi)容并提取其學習需求特征。

（3）學習者活躍度標簽。通過測定現(xiàn)存關系，以用戶操作標準為入度，以此量化活躍度。以彈幕互動類型（包括與群體互動、與內(nèi)容互動、與教師互動以及與功能互動）作為參數(shù)，對信息交互的中心性度量計算，并將其劃為高度活躍、中度活躍、低度活躍及不活躍四個維度的活躍度標簽，以此發(fā)現(xiàn)學習取向特征。

（二）介質(zhì)邏輯：學習者與系統(tǒng)交互

介質(zhì)邏輯是對課程反饋、系統(tǒng)界面及模型構(gòu)建三個部分的設計。該部分主要通過自主對精準學習資源推送與專業(yè)化學習數(shù)據(jù)監(jiān)測的方式滿足個性化教育需求[10]。如圖1所示，介質(zhì)邏輯主要通過系統(tǒng)界面設計作為第一視覺媒介與學習者產(chǎn)生直接交互，學習包作為課程反饋的導向性模塊與學習者產(chǎn)生間接弱交互，二者交互則是由基于Python Web框架Django的MTV模型進行實現(xiàn)。

圖1 介質(zhì)邏輯的系統(tǒng)交互形式

基于Django的MTV模型是模型（Model）、模塊（Template）、視圖（View）的全棧 Web 開發(fā)模型。將上述得到的學習包輸入形成數(shù)據(jù)集，在Python中導入Chatterbot和Flash庫并進行訓練。采用機器學習決策樹對學習者特征的學習包進行構(gòu)造，其由熵和信息增益組成[11]，對熵以及信息增益進行計算，并對數(shù)據(jù)進行集成。

將數(shù)據(jù)集成后，將學習包作為功能模塊應用于MTV模型，以此實現(xiàn)虛擬機器人交互系統(tǒng)的自主智能化交流。訓練結(jié)束后結(jié)合model.predict函數(shù)對學習者交互指令進行分類測試，并反饋用戶意圖。其次，通過Django對已訓練好的Chatterbot進行測試，指定端口服務。然后，通過創(chuàng)建FastAPL應用，并設置CORS中間件來搭建虛擬機器人的API。最后，導入訓練好的Chatterbot模型庫啟動虛擬機器人智能指導交互系統(tǒng)。通過決策樹構(gòu)建的方式對模型精確度進行測試，模型儲存并交互部署，確保學習者與虛擬機器人交互之間存在正向度迭代與控制，實現(xiàn)精準課程資源輸出。

（三）過程邏輯：學習者與虛擬機器人交互

過程邏輯包括人機交互、應用場景及虛擬機器人行為三個維度。虛擬機器人通過集成多模態(tài)交互、語音識別及人工智能等技術，具備教育多維互動性等優(yōu)勢，增強了游戲化寓教于樂的學習體驗[12]。虛擬機器人通過集成課程資源、自由對話的形式對教學資源進行了智能化運用與開發(fā)[13]。從過程邏輯（見表2）來看，通過觸控交互、語音交互及視覺交互三個維度來實時關注學習者學習取向、學習風格及學習需求的狀態(tài)，為其智能推薦不同課程類型與難易程度，強化學習者自主學習能力。

表2 過程邏輯的交互形式

首先，在經(jīng)過用戶邏輯和介質(zhì)邏輯對虛擬機器人交互邏輯的計算后，對虛擬機器人進行驗證與交互。利用虛擬AIROS通信機制，對決策樹資源進行接收與儲存。在ROS中創(chuàng)建新節(jié)點以儲存不同類型學習者畫像并實時更新迭代，通過ROS主節(jié)點傳送至虛擬機器人課程交互中。其次，利用Google Cloud等云服務平臺[14]，將虛擬機器人對話系統(tǒng)與ROS中儲存的學習包節(jié)點進行整合，達到共享信息目的。最后，通過實時云傳輸與更新進行功能，實時捕捉用戶情感變化，及時更新畫像特征，從而精準與學習者實時交互，以供開發(fā)者對相應功能進行更新。利用決策樹根據(jù)學習者的屬性標簽，結(jié)合學習需求、學習取向及學習風格，進行個性化學習資源推薦；實時調(diào)整互動方式，動態(tài)生成適應不同類型學習者的學習包；實時迭代、傳輸至虛擬機器人交互系統(tǒng)中，以此針對不同課程達到陪伴學習者進行沉浸式學習的效果。

三、虛擬機器人智能指導交互系統(tǒng)的

人機感知設計實證

（一）學習數(shù)據(jù)感知獲取和預處理

在眾多在線學習平臺中，Bilibili平臺年輕用戶居多，K12階段相關課程類型與資源豐富，觀看人數(shù)、點贊人數(shù)及彈幕評論人數(shù)龐大，且曾被上海指定為主流在線學習平臺[15]，故選取該平臺進行實證分析。以Bilibili的偏文科課程（包括語文、英語、歷史、地理課程）、偏理科課程（包括數(shù)學、化學、物理課程）以及偏藝術課程（包括美術、音樂課程）中學習者的情感評論作為數(shù)據(jù)源。

首先，通過Python解析Bilibili中三類課程播放量排名靠前的視頻，獲取三類課程學習者的交互行為（點贊、收藏、彈幕），獲取感知數(shù)據(jù)15，160條。其次，結(jié)合Jieba庫對數(shù)據(jù)文本進行預處理，把數(shù)據(jù)文本分詞后，對無效內(nèi)容、重復內(nèi)容進行數(shù)據(jù)清洗，得到實際數(shù)據(jù)15，077條。最后，結(jié)合在線學習者在學習過程的情感偏向來建立在線學習情感辭典，對彈幕文本進行數(shù)據(jù)化處理，通過自定義停用詞并增加分詞、過濾對情感無影響詞語后，剩余七類情緒有效數(shù)據(jù)14，570條。

再利用SnowNLP庫進行情感分析。基于TextBlob進行中文自然語言分析，將正向度、負向度及中向度情緒標準樣本分別歸類后，通過SnowNLP對樣本進行情感訓練，再對數(shù)據(jù)時間分布情感趨勢進行預測。結(jié)果如圖2所示，在線學習者對在線學習課程的認可度相對較為積極，褒義向度情緒達50.2%，貶義向度情緒為29.5%，中性向度情緒為20.7%。每一個科目的情感分值分布均有所不同，偏理科課程的在線學習認可度高于偏文科課程及偏藝術課程；在線學習者對數(shù)學課程積極情緒最高，對英語課程積極情緒最低，分別為0.926930分和0.473489分?？梢姡诰€學習者對于在線學習具有一定的認可度，但對部分科目存在一定消極情緒。因此，應將產(chǎn)生積極情緒相關課程的課程架構(gòu)、教師風格屬性及時輸入至虛擬機器人智能指導交互系統(tǒng)中，并分析產(chǎn)生消極情緒課程內(nèi)容和科目的缺點，并加以改進。

圖2 學習者對不同課程的情感分值

（二）學習者畫像分類與群體識別

得到在線學習者對不同課程情感分值后，使用無監(jiān)督K-means聚類算法對學習者群體分類。通過SSW/SSB、SSW、SSB以及WB-index聚類評價指標[16]來進行類個數(shù)計算，如圖3所示。SSW/SSB指標基本隨k值呈穩(wěn)定下降趨勢，在拐點k=5時有一定波動。在WB-index中，在k=5時經(jīng)歷短暫上升拐點，k＜5后，仍保持下降趨勢。因此，主題數(shù)量為5時為相對最優(yōu)聚類個數(shù)，此時群體差異顯著性最大，故將學習者畫像分為五個群體。

圖3 聚類衡量指標隨k值變化圖

進一步對數(shù)據(jù)進行標準化處理。首先，將文本型數(shù)據(jù)和數(shù)據(jù)型數(shù)據(jù)輸入，采用MinMaxScaler函數(shù)進行數(shù)據(jù)歸一化，并計算五個聚類類別內(nèi)部最顯著特征數(shù)值。在讀取每類的索引并獲得數(shù)據(jù)特征后獲得字符串形的描述性統(tǒng)計信息及最頻繁值。其次，將數(shù)值型和字符串型特征進行合并，并將每個聚類下的數(shù)據(jù)特征進行追加。最后，輸出聚類的特征信息并轉(zhuǎn)化為矩陣，得到聚類矩陣圖（如圖4所示）。

圖4 在線學習者情感分類顯著特征對比

（三）學習包輸出與虛擬機器人系統(tǒng)交互

1. 學習包輸出

結(jié)合上述聚類矩陣圖，將各類學習者的類型信息、情感特征及學習特征進行標簽描述和學習包輸出，得到學習包數(shù)據(jù)分為反思型學習者、被動型學習者、交互型學習者、理論型學習者以及應用型學習者五類，見表3。

第一，反思型學習者。此類學習者注重對學習內(nèi)容的理解，彈幕發(fā)送頻率適中，互動相對積極，傾向于復習線下所學知識及重點知識點解答兩類學習需求。其偏向于選擇偏理科課程及偏藝術課程，在學習過程中呈現(xiàn)低正向積極情緒表達。此類學習者學習取向一般，注意力水平尚可，多與學習內(nèi)容互動，在重點知識點輸出、有互動內(nèi)容節(jié)點時的注意力較為集中。在融入虛擬機器人交互系統(tǒng)中要及時關注此類學習者的問題疑惑，提供專門的節(jié)點進行專屬知識點解答服務，定期詢問學習困惑并進行解答。

第二，被動型學習者。被動型學習者學習效率較低，多為被動地接受課程內(nèi)容，會出現(xiàn)快進、倍速播放視頻等行為。其學習取向較分散，注意力較弱，多被在線平臺的其他功能轉(zhuǎn)移注意力，出現(xiàn)與功能互動的低效學習行為。此類學習者的學習興趣集中在對偏文科課程或偏藝術課程的復習層面，在觀看時會產(chǎn)生低負面消極情緒表達，知識吸收較為被動。在融入虛擬機器人交互設計時，對教學內(nèi)容設置要更為娛樂化，以融入游戲的方式加強注意力引導，并提供學習效率情感支持。

第三，交互型學習者。此類學習者注重學習過程中的交流與討論，在學習中會產(chǎn)生正、負兩種向度的反饋。從正向度來看，交互型學習者樂于發(fā)送彈幕與群體互動，起到鼓勵自我、激勵他人的學習效果。其學習興趣范圍集中于偏理科課程，在對知識點的預習和復習兩個方面的學習需求上都比較積極。從負向度來看，交互型學習者由于實時關注彈幕內(nèi)容，有時會產(chǎn)生注意力分散的情況，學習效率會受到一定影響。在融入虛擬機器人交互時應關注情感管理，設計回答問題環(huán)節(jié)與獎勵機制，鼓勵此類學習者提問與回答問題，促進學習正向互動。

第四，理論型學習者。理論型學習者多傾向于對學習內(nèi)容的思考，尤其是偏理科課程。在學習過程中有具體的學習取向，體現(xiàn)出低正向積極情緒表達。此類學習者關注對預習、復習或知識擴展的學習需求，樂于與群體互動，通過同伴效應來促進學習。在融入虛擬機器人時，可設置知識點擴展問題環(huán)節(jié)，在虛擬機器人指導學習過程中提供更多知識點的擴展資料，以完善學習者的知識結(jié)構(gòu)，提升此類學習者的學習興趣。

第五，應用型學習者。應用型學習者學習效率較高，能夠?qū)χR點進行深入理解與思考。此類學習者表現(xiàn)出五類在線學習者中最高的情感特征，具有高正向積極情緒表達，學習活躍度較高。此類學習者多注重與偏文科或偏理科課程中的教育者進行互動，以此達到預習、復習、知識擴展或知識點解答的多維度學習需求。在融入虛擬機器人交互設計時，應設置個性化學術導師服務，提供實踐性學習支持，提升此類學習者的學習體驗。

2. 虛擬機器人交互系統(tǒng)設計與測試

將五類學習者的學習包輸出并集成為語料庫供虛擬機器人進行機器學習。隨后進行數(shù)據(jù)訓練，迭代方式為200次，得出匹配的語境標簽。進一步對訓練好的模型進行測試后，發(fā)現(xiàn)該系統(tǒng)交互精度為89.6%，得到虛擬機器人智能指導交互系統(tǒng)（如圖5所示）。抽取54名五類學習者進行實踐應用后發(fā)現(xiàn)，該系統(tǒng)顯著提高了學生學習效率：反思型學習者79.3%、被動型學習者87.5%、交互型學習者95.4%、理論型學習者70.1%、應用型學習者90.4%。

虛擬機器人交互系統(tǒng)是通過虛擬機器人的用戶邏輯、介質(zhì)邏輯及過程邏輯的遞進式交互設計來實現(xiàn)協(xié)同學習，主要以虛擬機器人課程交互系統(tǒng)作為直接強交互觸點。虛擬機器人系統(tǒng)的客戶端所配載的人機交互界面、音箱、無線麥克風及攝像頭設備作為視覺伺服系統(tǒng)，與實際環(huán)境中學習者直接交互。而其軟件系統(tǒng)中的微控制器與服務器端通信，是儲存深度學習所集成的在線學習者畫像數(shù)據(jù)的主要模塊，可以實時獲取學習者特征并進行間接匹配。因此，基于MTV模型的虛擬機器人交互系統(tǒng)設計，可以雙向度保證虛擬機器人：一方面，通過機器學習來實時追蹤現(xiàn)實環(huán)境學習者的情感狀態(tài)變化與運動狀態(tài)，以保持即時交流；另一方面，通過現(xiàn)有大數(shù)據(jù)來實時抓取更多數(shù)據(jù)源進行計算與分析，不斷迭代新的學習者特征，實時進行學習內(nèi)容、學習進度方面的調(diào)整，以此更為精準匹配實際學伴需求，更好地與硬件設施進行配合，發(fā)揮生成式人工智能的學伴價值。

四、虛擬機器人智能指導交互系統(tǒng)的

人機協(xié)同實踐進路

對虛擬機器人智能指導交互系統(tǒng)實踐進路的闡析是進一步審慎剖解虛擬機器人在人機協(xié)同維度的產(chǎn)品標準化設計的有效方式，通過上述數(shù)據(jù)化特征所構(gòu)建的針對學習取向、學習風格、學習需求等方面的服務模式，提出其協(xié)同開發(fā)應聚焦的三個方面。

（一）個性化課程風格設計與引導，建立學習包以激發(fā)興趣

基于不同類型學習者學習風格的數(shù)據(jù)化分析，建立個性化學習包，將學習者興趣與學科需求匹配，激發(fā)學習者主動學習。（1）智能學習路徑規(guī)劃服務。虛擬機器人交互系統(tǒng)通過機器學習技術來預測實際學習者的學習風格，實時規(guī)劃個性化學習路徑[17]，即時解決學習者在學習過程中出現(xiàn)的認知過載、注意力偏差等問題，從而智能矯正學習狀態(tài)，實現(xiàn)知識結(jié)構(gòu)有效遷移。（2）扁平化陪伴學習引導服務。虛擬機器人具有多維度身份擬合優(yōu)勢，可作為智慧導師與智慧學伴雙重角色參與到學習者的學習過程中，在學習者學習興趣缺乏階段及時干預與互動，充分賦予學習者學習的主動權(quán)，弱化“教與學”的學習模式，營造自主學習的扁平化學習氛圍。

（二）多維度課程智能推薦與取向，提升精準學習資源開發(fā)

虛擬機器人針對學生的學科取向和優(yōu)勢領域，提供多維度課程類型的智能推薦與指導，以此實現(xiàn)智能開發(fā)學習資源[18]。（1）顆?；珳蕦W習。虛擬機器人交互系統(tǒng)中輸入學科課程相關數(shù)據(jù)，精準監(jiān)測學習者學習狀態(tài)?；趯崟r抓取學習者對不同課程的偏好，顆?；瘜W科知識，細化學習單元設計，并根據(jù)實時學習狀態(tài)對學習單元動態(tài)調(diào)整，以確保單個學習單元的智能匹配度，減少過多知識大量堆積產(chǎn)生的學習負向度作用。（2）課程資源數(shù)字化糅合。對獲取的課程資源與學習者取向通過決策樹判斷后，將素材型課程資源與條件型課程資源進行數(shù)字性糅合[19]。通過豐富的學習資源和教育技術[20]來補位學生知識結(jié)構(gòu)的完整性，及時迭代學習可持續(xù)性，建立學科關聯(lián)，確保學習者可獲得與知識水平持平的有效學習資源，有利于培養(yǎng)學習者綜合性學習能力。

（三）智能學習需求跟蹤與反饋，強化自適應式課程干預顆粒度

虛擬機器人針對學習需求標簽進行自適應學習進度跟蹤與反饋，達到智能學習干預效果[21]。（1）人工智能實時追蹤學習進度。利用機器學習算法和數(shù)據(jù)分析技術，對學生不同學習進度中的需求進行實時跟蹤，挖掘出學習者實際問題并重點干預，消解其學習困境。人工智能實時追蹤學習進度，彌補了傳統(tǒng)教育存在的課后作業(yè)無法及時反饋的缺陷，通過AI實時多模態(tài)交互技術指導學習者完成課后作業(yè)，提高學習動機。（2）自適應式學習反饋與支持。關注實際學習者差異敏感性，自適應式進行學習反饋，根據(jù)具體學習情境與學習需求，智能調(diào)整課程資源類型、學科難度等，起到協(xié)同決策的教育指導效果。

五、結(jié) 束 語

本研究所提出的基于MTV模型的虛擬機器人智能指導交互系統(tǒng)作為新型智慧手段，多維度融合學習資源、學習情景與學習狀態(tài)為一體，體現(xiàn)出更高的課程互動性和協(xié)作性價值。其有效地為人機協(xié)同挖掘?qū)W習者的行為與情感特征、個性化學習陪伴、精準學習資源推薦等方面提供了應用參考。該虛擬機器人具備較強的交互黏度，可及時按照學習者的學習需求、學習取向及學習風格進行智能化調(diào)整，對學習者進行“行為—生理—情緒”多維層面的學習監(jiān)督、作業(yè)輔導、學習鼓勵等人工智能交互與支持行為，進而達到“智慧學伴”協(xié)同學習目的。研究打破現(xiàn)有智能教育模式與教育機器人產(chǎn)品落地間的技術壁壘，為未來智慧教育的多維度融合提供借鑒，是“機器人+”在智慧教育中的實踐性應用轉(zhuǎn)向，以此構(gòu)建人機協(xié)同自主式學習新范式。

[參考文獻]

[1] CHIANG A H， TRIMI S， LO Y J. Emotion and service quality of anthropomorphic robots[J]. Technological forecasting and social change，2022（177）：121550.

[2] 汪時沖，方海光，張鴿，等. 人工智能教育機器人支持下的新型“雙師課堂”研究——兼論“人機協(xié)同”教學設計與未來展望[J]. 遠程教育雜志，2019，37（2）：25-32.

[3] 中華人民共和國教育部. 以數(shù)字化開辟教育發(fā)展新賽道[EB/OL]. （2023-10-13）[2024-04-24]. http：//m.moe.gov.cn/jyb_xwfb/s5148/202310/t20231013_1085364.html.

[4] 工業(yè)和信息化部，教育部，公安部，等. 工業(yè)和信息化部等十七部門關于印發(fā)“機器人+”應用行動實施方案的通知[EB/OL]. （2023-01-18）[2024-04-24]. https：//www.gov.cn/zhengce/zhengceku/2023-01/19/content_5738112.htm？eqid=88da4b8e0002741f000000026 48eb642.

[5] 公雪，劉秉新，張蓉菲，等. 兩足教育機器人的歷史發(fā)微與設計邏輯[J]. 現(xiàn)代遠距離教育，2023（4）：41-52.

[6] NASIR J， BRUNO B， CHETOUANI M， et al. What if social robots look for productive engagement？ Automated assessment of goal-centric engagement in learning applications[J]. International journal of social robotics，2021，14（1）：55-71.

[7] 林鴻飛，張冬瑜，楊亮，等. 情感隱喻計算及其應用研究[J]. 大連理工大學學報，2015，55（6）：661-670.

[8] 楊陽，余維杰. 融合彈幕內(nèi)容特征與行為特征的用戶畫像研究——以B站教學類視頻為例[J]. 情報科學，2022，40（12）：161-169.

[9] 晏齊宏. 輿論表達中的情感分層——以情感寬度為測量指標的分析[J]. 湖南師范大學社會科學學報，2022，51（3）：144-156.

[10] REICH-STIEBERT N， EYSSEL F. Learning with educational companion robots？ Toward attitudes on education robots， predictors of attitudes， and application potentials for education robots[J]. International journal of social robotics，2015，7（5）：875-888.

[11] FORCIER J，BISSEX P，CHUN W J. Python web development with Django[M]. London： Addison-Wesley Professional，2008.

[12] CHANG C W， LEE J H， CHAO P Y， et al. Exploring the possibility of using humanoid robots as instructional tools for teaching a second language in primary school[J]. Journal of educational technology & society，2010，13（2）：13-24.

[13] HUANG S. Design and development of educational robot teaching resources using artificial intelligence technology[J]. International journal of emerging technologies in learning，2021，16（5）：116-129.

[14] GONG X. Enhancing brand consistency via integration of emotional graphic design and cloud service interface system[J]. The design journal，2023，26（4）：673-684.

[15] 上海市教育委員會.匯聚長三角醫(yī)學資源，打造在線教育金課[EB/OL]. （2020-06-09）[2024-04-24]. https：//edu.sh.gov.cn/xwzx_jyjb/20200609/bb925d38dc834b6991d42dd599a4003f.html.

[16] ZHAO Q， FR？魧NTI P. WB-index： a sum-of-squares based index for cluster validity[J]. Data & knowledge engineering，2014，92：77-89.

[17] 周琴，文欣月. 從自適應到智適應：人工智能時代個性化學習新路徑[J]. 現(xiàn)代教育管理，2020（9）：89-96.

[18] 鄭蘭琴，高蕾，黃梓宸. 基于生成式人工智能技術的對話機器人能促進在線協(xié)作學習績效嗎？[J]. 電化教育研究，2024，45（3）：70-76，84.

[19] 仇森，郭芳，黃榮懷. 基于信息科技課程標準的資源開發(fā)：原則、思路和路徑[J]. 課程·教材·教法，2023，43（6）：133-138.

[20] 俞樹煜. 從輔助到創(chuàng)新：教育中技術作用的再認識[J]. 電化教育研究，2021，42（12）：21-28，35.

[21] 武法提，高姝睿，田浩. 人機智能協(xié)同的精準學習干預：動因、模型與路向[J]. 電化教育研究，2022，43（4）：70-76.

Collaborative Learning with Virtual Robots： Design and Practical Approach of

An Intelligent Guidance Interaction System

GONG Xue1， MA Zhengjing2， XIE Zhongqu3， LIU Bingxin4

（1.Institute of Art & Design， Nanjing Institute of Technology， Nanjing Jiangsu 210000;

2.Department of Engineering and Technology， China University of Geosciences， Beijing 100083;

3.Department of Mechanical Engineering， Nanjing University of Science and Technology， Nanjing Jiangsu 210000; 4.Fine Arts Academy， Northeast Normal University， Changchun Jilin 130000）

[Abstract] Virtual Robots， as a novel carrier of general artificial intelligence， have been emphasized for their significant multi-modal interaction advantages， empowering the digital transformation in education by supporting learners' autonomous learning. In order to improve its precision in intelligent collaborative learning for various courses， this study proposed a virtual robot intelligent guidance interaction system based on the MTV model， which aimed to analyze the loosely coupled relationship of virtual robot interactions through quantitative research methods. This study used the learning data of learners in different types of courses in K12， analyzed three types of interactions， namely learner-course interaction， learner-system interaction， and learner-virtual robot interaction together with the user logic， medium logic， and process logic in the design of the virtual robot interaction system， and constructed learners emotional preference labels. Combined with the ChatterBot machine learning algorithm， the state characteristics of five types of learners in K12 in the three dimensions of learning orientation， learning style and learning needs were excavated so as to enhance the precision of educational interaction with integrated virtual robots in Chinese educational environments. This study finds that the virtual robot intelligent guidance interaction system has significant advantages in personalized learning path guidance and multidimensional curriculum resource recommendation， providing practical references for the virtual robot to leverage the peer effect of "smart learning companion" and intelligent learning tracking.

[Keywords] Artificial Intelligence; Robot; Interaction Design; Educational Digitalization; Human-Computer Collaboration; Personalized Learning

DOI：10.13811/j.cnki.eer.2024.11.009

基金項目：2024年國家自然科學基金青年基金“可變構(gòu)型野外山地四足機器人自主運動控制與設計方法研究”（項目編號：52305024）；2022年度南京工程學院高等教育研究課題重點項目“新文科背景下工科院校美育課程群建設研究”（項目編號：2022ZD04）