CN103930939A

CN103930939A - 学习行为优化方案

Info

Publication number: CN103930939A
Application number: CN201280014396.4A
Authority: CN
Inventors: 阿瑟·杜; 巴哈拉恩哈伦·拉杰库玛
Original assignee: LearnBop Inc
Current assignee: LEARN-BOP; LearnBop Inc
Priority date: 2011-03-21
Filing date: 2012-03-16
Publication date: 2014-07-16
Also published as: US20120244507A1; WO2012129123A1; CA2830556A1; EP2689407A4; EP2689407A1

Abstract

根据一些实施例的某些方面，LearnBop是双向的、交互式学习平台和社区的概念和逻辑设计，在所述平台和社区中，用户可以进行创建、消耗、评论、查看学习进度并改进学习内容。

Description

学习行为优化方案

技术领域

本发明涉及在线学习，更明确地说涉及具有知识导向型组件化的交互式和适应性学习环境。

背景技术

图1是常规智能教学系统的一般数据流程图。图1展示了教学系统100，所述教学系统包括知识模型/领域模块102、学习界面104、问题图形108和追踪引擎106。

虽然此种构造很好地模拟了能用适当的概念反馈来回答学生提问的“博学”的人类导师，但是此种教学系统概念致使追踪引擎106的设计较复杂且通常是混乱的，而追踪引擎106需要用来与领域模块102和学习界面104两者进行通信，这样通常会造成知识与用户交互之间没有标准化的一对一映射。智能教学系统的这种常规概念具有多个缺点，原因如下：1）难以组织，原因是知识模块和界面模块彼此独立。知识模块发生的任何改变都不会自动生成相关的界面组件，且反之亦然；2）执行和操作的效率低下，因为在处理学生输入过程中，知识模块运行与界面模块不同的进程。独立的知识模块和界面模块并行地通信可能要依赖于额外计算机和网络资源（例如，线程、通信端口）的分配；3）非模块化--具有单独的模块和进程，这样就难以取得特定的智能教学问题以及提取并再组合构成的知识和步骤；4）不可重新使用--因为知识模块和界面模块都不能全面定义问题的概念整体，因此如果不重新编写知识模块、界面模块或追踪引擎中的一者或多者以便重新定义知识与界面交互之间的关系，智能导师便无法容易地移植到其他平台（例如，智能电话、平板计算机、公用信息机、电子阅读器、便携式游戏控制台）。

发明内容

无

附图说明

图1是常规智能教学系统的一般数据流程图。

图2是说明了根据某些实施例的CKALE范例以及LearnBop平台设计的概述的高级数据流程图。

图3说明了根据某些实施例的交互知识组件的设计架构。

图4说明了根据某些实施例的LearnBop平台上的课程的高级逻辑设计。

图5是根据某些实施例的被编写出来用在LearnBop适应性课程中的富文本内容的实例。

图6说明了根据某些实施例的支架式教学实例。

图7说明了根据某些实施例的另一支架式教学实例。

图8说明了根据某些实施例使用编写进程来创建表示。

图9说明了根据某些实施例的在编写进程中的概念标记。

图10说明了根据某些实施例的交互知识组件的指定。

图11说明了根据某些实施例填充交互知识组件。

图12说明了根据某些实施例的给定表示到适应性课程中的呈递。

图13说明了根据某些实施例的提示请求按钮的实例。

图14说明了根据某些实施例的模态消息的使用。

图15说明了根据某些实施例的进度显示。

图16说明了根据某些实施例的支架式教学。

图17说明了根据某些实施例的焦点抓取器的使用。

图18说明了根据某些实施例的焦点敏感型问题解决步骤#1。

图19说明了根据某些实施例的焦点敏感型问题解决步骤#2。

图20是说明了根据某些实施例的每位用户/学习者花在课程上的时间量的图。

图21说明了根据某些实施例的条件和相关性分析实例--提示有效性。

图22说明了根据某些实施例的简单的学习动机和策略问卷。

图23说明了根据某些实施例的求助行为报告实例--提示请求对内发动机。

图24说明了根据某些实施例预测将来的求助需要--决策树。

图25说明了根据某些实施例的简单的学习、动机和求助因果模型。

图26展示了根据某些实施例的按照交互知识组件来说的系统2600的数据流。

图27说明了根据某些实施例的基于服务的客户端设计。

图28说明了根据某些实施例的离线客户端设计。

具体实施方式

具有知识导向型组件化的新的适应性学习环境

根据某些实施例，学习行为优化方案（LearnBop）是组件化的学习者、知识和技能导向型的、动机和元认知增强型的学习平台设计，它允许进行解释驱动型、表达敏感型和上下文敏感型编写以创建用来在个人计算机、移动装置以及不具有网络连接性的装置上使用的学习内容。根据一些实施例的某些方面，LearnBop是双向的、交互式学习平台和社区的概念和逻辑设计，在所述平台和社区中，用户可以进行创建、消耗、评论、查看学习进度并改进学习内容。

根据某些实施例，组件化的、知识导向型适应性学习环境（CKALE）是一种用来创建适应于不正确或正确答复的响应性知识的方法。CKALE已实施为LearnBop平台。

图2将LearnBop平台说明为学习环境200，根据某些实施例，所述学习环境由称作交互知识组件202的小型建构块建构而成且包括问题流程控件206和消息接发控件204。交互知识组件202类似于学习练习的概念子组件和软件子组件两者。交互知识组件202是教学与学习交互的独立的、可分开的单元，它可以通过消息接发控件204来向学生提供反馈，或者可以链接到一起以通过问题流程控件206形成更复杂的问题。交互知识组件202包括输入界面208、评定逻辑212和知识定义210。

简言之，传统的智能教学系统被分成整体模块并且以整体方式在模块之间交换信息。例如，问题图形基于界面的状态来界定正确的输入。因此，像加法运算数“5”这样的简单输入在不同的时间可能具有不同的优先状态。类似地，领域模块可使用某些规则和逻辑来评估界面的某些字段，并且即使界面上的两个字段演示了相同技能，领域模块中的规则仍需要以不同方式束缚到（或挂钩到）每个输入字段。在传统的智能教学系统中由整体模块的交互产生的像此处所提到的许多问题使得问题编写极难以一般化且编写出的问题难以在不同平台内或跨不同平台来重新使用。

相比之下，CKALE方法更易于满足一般化、问题编写灵活以及被编写出的问题可重新使用的要求：每个交互知识组件都含有紧凑的界面显现和评定逻辑以便用单个输入的形式来呈现知识的评估。因此，屏幕上的软件界面组件都直接映射到关联的知识。此种设计允许通过简单地添加交互知识组件便能重新使用学习问题中的相同概念和技能，而不必在界面与领域模块或问题图形之间另外进行绑定或挂钩。此外，只要新的平台实施该组LearnBop交互知识组件，在LearnBop平台上编写的问题不需要经过明显改动就能复制到新的平台上。

CKALE范例为适应性学习设立了新的标准，在适应性学习中学习环境和学习系统是与教学主题的概念构造完全一致地进行建构，这与传统的智能教学系统相反，在传统的智能教学系统中，软件系统是作为单独的进程来运作以及与领域模块介接。

CKALE范例和LearnBop平台设计包括以下各项：

交互知识组件，是紧凑的可重新使用、可重新组合的模块，全面定义了相关领域知识（例如，项3x的系数是什么）、知识在界面上的视觉显现（例如，用文本框输入补充的问题提醒），以及用以评估正确性并提供支架式教学的所有控制逻辑。因此，作为知识的模块化封装的交互知识组件充当复杂问题解决和问题编写的基础建构块，从而允许分割或组合问题以及部分地、完整地或联合地对学习内容进行学习。

行为优化方案定义语言或BOP定义语言（BDL），是用以初始化、排序、链接和填充交互知识组件的高级标记语言，以便在适应性课程中全面地定义学习交互。由于交互知识组件在不同平台（例如，台式计算机对平板计算机）上具有些许不同的实施，因此BDL充当课程生成的重要的底层基础，因为它提供了一种标准化的方法来描述交互，从而使得同一适应性课程无需进行明显改动便能跨不同媒体来重新使用。

学习环境界面是容纳了由CKALE产生的界面和交互的一般视觉环境。学习环境界面采用了若干需要的东西，包含用以请求提示的构件、可移动窗口、关注抓取器和模态窗口锁定。

知识导向型、表达敏感型编写进程，是使用所见即所得（WYSIWYG）型视觉操纵工具来创建适应性课程的编写进程，并不要求用户明确地创建BDL定义。编写进程强调了超集和子集关系的视觉显现。换句话说，交互知识组件可落入彩色编码的概念容器中，且之后将被当作平台将整体地呈现且搭建的概念整体。

知识发现服务（KDS）向在CKALE系统上开课的任何教师提供来自学习科学的现有技术水平的分析和报告服务。不是基于系统生成的原始数据（例如，原始学生输入、答案的正确性）呈现粗糙的统计数据和报告，而是CKALE系统对在学习平台上进行的所有学习行为进行机器学习，并且向教师呈现高度提炼的模型，所述模型预测了学生的成绩和学习样式，以便帮助教师发现特定的学习模式。

适应性学习服务（ALS），是教育的云计算比喻，其中通过分布式计算设备，用BDL定义的适应性课程可将网络服务（以及分布式计算和本地计算设备）变成学习资源和支架式教学提供者。具有或不具有网络连接性的各种各样的装置可以将成熟的适应性学习经验传递给广大发达和欠发达的社会和基础设施环境中的学习者，从而提供真正无处不在的学习。

在CKALE范例中，计算机化知识可以被有效地且有效率地分割、结合、重新组合和重新使用，从而允许在广大网络和计算装置范围内进行适应性学习。

以下章节描述了LearnBop系统的各个构成模块的设计：交互知识组件、Bop定义语言、编写进程、知识发现和适应性学习服务。

交互知识组件

交互知识组件是组件化的、知识导向型适应性学习环境中的基础建构块，它类似于学习科学中由认知任务分析产生的子概念/子技能且类似于软件设计架构。

图3说明了根据某些实施例的交互知识组件的设计架构。

如图3所说明，交互知识组件300包括输入界面304、评定逻辑302和知识定义306。

输入界面304是向用户提供提醒（视频、音频或其他媒体）和软件界面组件（文本框、单选按钮、下拉列表、拖放列表或其他界面元件）的交互知识组件的视觉显现。

评定逻辑302负责评估用户输入。交互知识组件300可具有多个正确答案；对于每个正确答案，可存在不同的成功反馈消息；对于每个不正确的答案，可存在不同的出错消息；每个交互知识组件还可提供学习者可以请求的可变数目的提示。

知识定义306提供一些内容，所述内容将填充界面上的提醒和输入控件以及让评定逻辑用来评估输入的正确性。

输入界面和评定逻辑提供用于交互式知识表示的抽象的、可重新使用的建构块，所述建构块稍后将由特定知识定义填充。

概念分组和标记

如先前所述，交互知识组件能够评估粒状概念或技能步骤，例如加法、减法或引用事实（所述列表决非详尽的）。然而，许多更复杂的技能，例如微分、积分、描出图形轮廓、计算条件概率，可能要求完成多个粒状步骤。

因此，通常有益的是，将交互知识组件组织成描述复杂技能的概念。概念的作用类似于交互知识组件。它是可以在概念领域和软件工程中重新使用和重新组合的建构块。

以下是用概念组织的复杂技能的实例：

3(2+5)=6+15

如上所示，整数乘法的技能涉及分配3且将其分别乘以2和5。换句话说，此处所述的技能需要演示两个交互知识组件。因此，在此实例中，相应地标记个别交互知识组件和整个概念。

课程练习序列

学习和教育中典型的实际问题通常涉及多个概念。图4说明了根据某些实施例的在LearnBop平台上的课程的逻辑设计400（此图中所示的项目的数目并不类似于系统的任何物理限制）。

图4展示了交互知识组件链接和问题形成（课程练习402）。图4所示为交互知识组件406可充当问题中的独立的增量步骤，但是它们也可以链接到一起变成一个问题，或者变成多个概念440，所述多个概念形成一个问题/课程练习402。

行为优化方案定义语言

如先前所述，交互知识组件可被分组以形成概念和练习。为了实现此程度的可重新使用性和灵活性，CKALE范例包括使用一般化定义语言来指明课程的内容。

此种定义语言的一个似真但非仅有的实施方案是XML，XML可用以定义课程练习，就像：

（实例1）

上述标记语言概述了用BOP定义语言的基于XML的实施方案编写的定义。所述实例用两组交互知识组件概述了小型微分问题，第一组演示了算术运算的概念和技能，而第二组演示了微商的概念。如所述实例中可见，课程可含有练习，练习又可含有概念和交互知识组件。可在上述的每个不同阶层层级处定义默认的提示和出错消息。还可以为每个交互知识组件生成提示消息，或者为交互知识组件处置的每个输入值生成出错消息。所述实例还含有用于两类输入（即，文本框和多个选择）的定义。

所述实例决非全部的可能情况，呈现这个实例只是为了演示CKALE范例所提出的极好灵活性和可重新使用性，在CKALE范例中，学习中的概念和技能可以被重新组合、结合和分割。

编写进程

根据某些实施例，提供用于生成适应性课程的技术，所述适应性课程由教师建构，并不要求了解计算机编程而是仅要求接入因特网。教师开发出的课程是学习者和知识特定的，且经由交互知识组件充分地指明了学习者必须注意的基于概念或技能的知识点。

课程内容编写

使用编写进程，教师可以创建出符合学生特定兴趣的完整课程。课程设计者以逐步方式为教师搭建课程设计。

富文本和多媒体内容

在众多的情况中，编写bop的教师可能希望包括静态课程内容，以便学生在开始练习之前先进行消耗。LearnBop平台编写进程因此包括用于创建富文本和多媒体课程内容的WYSIWYG（所见即所得）编辑器，所述课程内容可包括在适应性课程中并作为其一部分，用于传递更全面的学习经验。图5是根据某些实施例的被编写出来用在LearnBop 适应性课程中的富文本内容的实例。

图5展示了富文本内容实例500，所述实例说明了曲线上“斜率”的定义502、微分方程504和解释506。

支架式教学

在访问静态内容过程中，在请求后提供额外的上下文特定学习内容的支架式教学通常有益于学习。LearnBop平台课程内容编写工具提供了让教师突出显示部分富文本多媒体内容和为目标学习者提供额外的、任选的支架信息的构件。

例如，图6说明了根据某些实施例的支架式教学实例。图6展示了课程快照600，其中插入并请求了项“微商”602的定义604。

图7说明了根据某些实施例的另一支架式教学实例。图7展示了课程快照700，其中用额外的支架消息704来帮助学习者理解看待问题的新方式（702）。

视觉编写进程

一旦课程设计进程已经收集到足够的信息来引导课程编写进程，便起始视觉编写进程来帮助老师快速地创建适应性课程，这并不需要进行编程或设计工作。

如先前所述，交互知识组件是囊封了在视觉上演示和显现概念所需的界面组件（例如，单选按钮以及用于多个选择的提交按钮）以及辅助学生成功地完成问题或纠错所需的关联概念知识（例如，提示、出错消息、提醒等）的模块化组件。因此，交互知识组件不仅作为界面的建构块，而且还是在问题解决过程中的步骤的表示。另一方面，一个概念包含了一个或多个交互知识组件以便说明学习中的更复杂的概念或技能。

为了允许没有设计或编程经验也能创建复杂的适应性课程，LearnBop架构在CKALE范例中并入了视觉编写进程，充当用于适应性学习问题的编写工具的指导。

CKALE编写进程设计植根于WYSIWYG（所见即所得）界面，在其中，可以通过拖放来操纵视觉表示，并且可以经由键盘来输入信息。

总言之，根据某些实施例，适应性编写进程被分成多个阶段，如下：

创建表示

通过使用例如基于墨水/基于触摸的绘图、图形处理、方程编辑器等视觉工具，教师/编写人可以创建说明问题的内容的表示。图8说明了根据某些实施例使用编写进程来创建表示。

例如，为了创建类似BOP定义语言部分中描述的微分问题，编写人/教师可以创建如图8所示的表示800。

标记概念

教师可使用一个或多个可调整大小的、彩色编码的标签来选择演示了特定概念或技能的部分呈现。图9说明了根据某些实施例的在编写进程中的概念标记。

为了进行说明，在先前在图8中所使用的实例之后，对于图9中的表示900，教师/编写人可使用彩色编码的块902来标记概念。

指定交互知识组件

图10说明了根据某些实施例的交互知识组件的指定。编写人/教师可使用可调整大小的、彩色编码的标签1002来指定交互知识组件，将表示1000转变成适应性问题。

填充交互知识组件

图11说明了根据某些实施例填充交互知识组件。编写人/教师可使用视觉形式和其他一般的用户界面控件来填充已经被添加到课程中的交互知识组件的信息。

例如，图11所示为编写人可通过将消息1102添加到列表1100中来填充提示消息。

将视觉内容发布到BOP定义语言中

在完成了课程创建之后，编写人可将课程发布到BOP定义语言。所述发布过程是直接了当的。由于练习、概念和交互知识组件的包含关系阶层是通过课程的视觉显现明确地说明，因此所实施的发布过程可以快速地将此视觉阶层转变成用BOP定义语言描述的阶层。另外，视觉显现还明确地含有获取课程的展开所需的图像的信息。最后，存储在BOP定义语言中的表示，如上文在BOP定义语言部分中所阐述的样本标记语言中所示，将被呈递到学习界面中。图12说明了根据某些实施例的给定表示到适应性课程中的呈递。

图12展示了呈递之后的这个课程1200并且鉴于课程1200中所示的方程中的系数1202、1204为答案输入1206作准备。所呈递的屏幕与编写屏幕高度类似。

学习环境界面

提示请求按钮

类似于在课程内容中提供支架，当学习者在做学习练习时，对学习者正在钻研的当前步骤提供一些提示将是有帮助的。图13说明了根据某些实施例的提示请求按钮的实例。LearnBop平台设计和CKALE范例包括使用一个或多个“提示”按钮1302，用户/学习者可以与所述提示按钮交互以对当前练习1300请求额外支架，如图13所示。

模态消息接发

在做学习练习时，用户/学习者可以请求提示，可以犯错，或甚至可以对使用界面请求进一步的指导。因此，需要模态消息框来递送对学习过程来说较关键的信息，模态消息框会锁定界面，直到用户明确地关闭所述框为止。图14说明了根据某些实施例的模态消息的使用。例如，图14展示了为学习者显示提示的模态消息框1402。

进度显示

LearnBop平台设计和CKALE范例包括使用学习过程的视觉显现来向用户告知目标成绩。图15说明了根据某些实施例的进度显示。图15说明了学习进度显示的实施方案的非限制性实例，其展示为练习1500的进度条1502。

支架式教学

如先前所述，可以向课程的某些部分添加额外的支架信息。图16说明了根据某些实施例的支架式教学。此特征在适应性练习期间同样可用。图16所示为练习1600包括额外的支架信息1604，所述支架信息是在学习者通过按钮1602请求额外信息时呈现。

焦点抓取器

传统的智能教学系统的界面通常填充了众多的软件界面组件，因此学习者在初至时将相当难以应付。从学习教育的观点看，视觉信息的过载会消耗更多的认知资源，令到用户的记忆力和注意力较不能集中在练习/学习任务上。因此，LearnBop平台设计和CKALE范例包括使用“焦点抓取器”来让学习者的注意力放到对于学习过程中的当前步骤来说较重要的界面组件上。图17说明了根据某些实施例的焦点抓取器的使用。

图17展示了“焦点抓取器”的非限制性实施方案，其形式为练习1700中的闪烁箭头1702。

焦点敏感型问题解决

如同“焦点抓取器”，应理解，在像注意力和记忆力之类的认知资源完全放到学习任务上时，学习会更加有效。如先前所提到，传统的智能教学系统中的界面通常具有大量的活动界面控件。

因此，LearnBop平台设计和CKALE范例实施一个学习环境，所述学习环境包括了至少一个逐步式机制以将问题分成多个概念子组件，且仅显露当前步骤所需的事物，以免过多的信息会让学习者分心和负担过重。图18说明了根据某些实施例的焦点敏感型问题解决步骤#1。

图18展示了逐步式问题解决机制的非限制性实施方案，其中展示了第一概念/技能1802以及其构成步骤。

在完成了第一概念或技能（在此种情况下，写出了微商）之后，系统之后将显露第二概念或技能，以便让学习者集中到练习的新的子组件上。图19说明了根据某些实施例的焦点敏感型问题解决步骤#2。在图19中，第二概念或技能1902引起了学习者的注意。

知识发现服务（数据挖掘和机器学习）

LearnBop平台记录了以下类型的关于学习的日志事件，带有时间戳和用户标识符：

●页面启用（用户进入界面或与界面交互）

●激活（用户点击交互知识组件，将焦点放到所述组件上）

●输入（用户输入一值，作为对界面的响应）

●求助请求（学生请求提示或额外的支架式教学信息）

●所显示消息（消息，例如出错消息，已经显示在界面上）

●关闭窗口（用户关闭界面上的窗口或弹出窗口）

●答案正确（系统判定答复输入正确）

●答案不正确（系统判定答复输入不正确）

●完成（在练习全部完成时）

原始数据提供了发现理解学习的多种方法的手段。

基本统计数据

数据的直接好处是基本统计数据，所述基本统计数据包括花在课程上的时间量、请求提示的次数、犯错的次数等等。LearnBop平台能够生成前述日志事件的汇总、平均以及其他属性。此章节中所给出的实例决非详尽的。

图20是说明了根据某些实施例的每位用户/学习者（以蓝色方框2002标出）花在课程上的时间量（以秒为单位）的图。

学习追踪：条件和相关性分析

除了日志事件的汇总和平均之外，LearnBop平台还能够对以下两项生成报告：条件测量结果，例如提示消息的有效性（即，基于提示请求，关于交互知识组件的成功率），以及相关性分析，例如成功率对时间，从而帮助老师了解学生是否投入大量的学习时间还是他们完全是被逼的。LearnBop平台能够基于日志事件的汇总、平均和其他属性来计算条件测量结果和进行相关性分析，以便对学生的学习提供更详细的反馈。图21说明了根据某些实施例的条件和相关性分析实例--提示有效性。

图21展示了课程中的逐步式问题的视觉化2100，以及在已经为步骤请求特定提示之后所报告的答复尝试成功率2102。

动机和元认知测量

LearnBop平台是适应性学习平台，重点放在学习科学上，这意味着LearnBop平台用关于学生的元认知和动机的信息扩增收集到的学习数据，因此可以预测将来的学习，而这在过去仅使用关于学生成绩的数据是极难以做到的。

LearnBop平台用以下方式来用元认知和动机信息扩增学习数据报告：

调查

在学习科学的文献中，已经广泛地使用例如学习动机和策略问卷（MSLQ）之类的调查，借助利开特式量表来收集学生自己报告的关于目标定位、任务价值、内发动机、求助行为和其他动机和元认知构造的测量结果。

图22说明了简单的学习动机和策略问卷。在图22中，MSLQ问卷2200估量了外在目标定位。

此类调查响应可用以创建先前提到的统计数据分析的新的汇总、平均或属性。

求助

如先前提到，LearnBop平台为学生提供了获得帮助的多种手段，包括请求提示、词汇表术语定义以及额外的支架式教学信息。所有这些支架的使用信息便于显露关于学生的元认知行为的重要信息，这些信息可用以理解如何改进学生将来的学习。

例如，如果一位学生连续输入不正确的答案并且从未要求提示或其他形式的帮助，那么这位学生被认为缺少求助行为。

另一实例是，如果一位学生一直要求所有的提示，或者在短时间内输入大量答案，那么可以认为这位学生在将这个系统当成游戏。

类似地，求助观察结果还可用以创建先前提到的统计数据分析的新的汇总、平均或属性。

图23说明了根据某些实施例的求助行为报告实例--提示请求对内发动机。图23是例如内发动机2302等动机测量结果可如何与像所请求提示数目2304之类的求助行为相关的视觉化。对于想要了解如何才能在课内或课外进行干预以便在学习活动中增加学生兴趣以及策略使用的老师来说，此类视觉化是非常有价值的。

预测

通过基于日志事件的汇总、平均和属性以及先前提到的较高层级的动机和元认知构造执行机器学习算法，可以进行预测。

以下预测模型已经并入到LearnBop平台设计中。

预测更好的将来学习

通过使用机器学习算法，例如贝叶斯分类、人工神经网络以及其他可行的替代方案，以来自学习数据和动机/元认知构造（例如花在课程上的时间和求助行为）的特征为依据的预测模型被开发出来预测学生的成绩或技能的掌握。

图24说明了根据某些实施例预测将来的求助需要--决策树。图24展示了实施为决策树2400的学习优化/预测模型的视觉化，其中取决于学生对问题的哪些步骤2402回答正确2404或不正确2406，所述模型将推荐额外提示2408或建议该学生尝试较容易的问题。

因果搜索

另一类令人感兴趣的机器学习算法是因果模型搜索算法，像PC、FCI、GES、LINGAM。通过对先前提到的汇总、平均和属性执行因果模型搜索，LearnBop系统可以创建出估计不同测量结果与构造之间的因果关系的因果模型。

例如，如果具有三个测量结果/构造，例如成绩、目标定位和花在课程上的时间，那么可以产生多个不同的因果模型。一个可能的模型可以是，学生的目标定位将会影响到他们投入多少的努力，这将会表现为花在课程上的时间和成绩。因此，在这个模型中，目标定位很可能是花在课程上的时间和成绩的原因。然而，情况还可能是，学生花在课程上的时间和成绩影响了他们的目标定位，因为如果学生能够在短时间内正确地完成课程，那么他们可能会将目标设定为完成课程。因此，在第二种模型中，花在课程上的时间和成绩两者很可能是目标定位的原因。

通过提供视觉化的因果模型，LearnBop平台提供对学习的深度分析，使得深入了解老师如何才能在电子环境和现实环境中帮助学生。

图25说明了根据某些实施例的简单的学习、动机和求助因果模型。图25展示了因果模型2500的视觉化。

如图25所示，对于一些关系，例如掌握2502与成绩2504之间的关系以及自我效能2506与成绩2054之间的关系，已经确定了因果的方向。对于不能通过因果搜索算法确定的其他关系，视觉化将至少指示两个构造或变量是正相关还是负相关。

适应性学习服务（无处不在的学习）

LearnBop灵活性的另一个重要特征是，它允许用户/编写人创建和展开适应性课程一次，并且允许在各处访问同一学习环境，无论它是在个人计算机、移动装置还是在不具有网络连接性的离线装置上。

以BOP定义语言编写的知识定义创建于服务器上，随之一起的有必要的资源文件（例如，图像、音频、视频等），以递送完整的适应性课程。有三类客户端可以被开发出来并且用于访问在LearnBop上创建的适应性课程；

基于网络（基于浏览器）的客户端

基于网络/基于浏览器的客户端是默认的LearnBop客户端，它可以通过具有网络连接性的任何装置和最新的网络浏览器接入。基于网络的客户端用视觉化提供了用于每个适应性课程的预编译学习界面、用于所有学习行为的全面日志记录服务、以及完整的学习报告。图26说明了根据某些实施例的基于网络/基于浏览器的客户端设计。图26展示了按照交互知识组件来说的系统2600的数据流。根据某些实施例，系统2600包括基于浏览器的输入界面2602、评定逻辑2604、知识定义库2606、日志记录控件2608以及数据库存储装置2610。

基于服务（移动装置）的客户端

一些移动装置的浏览器可能不支持使用基于网络的客户端所要求的现代的脚本（例如AJAX）和样式表（例如，CSS）技术。替代方案是使用基于服务的客户端。

根据某些实施例，LearnBop平台带有提供以下服务的网络服务。

鉴权

这项服务对用户进行鉴认且同意接入随后的服务。

课程搜索

（要求鉴权）这项服务返回与某些搜索要求（例如，关键字、排名）匹配的课程列表。

适应性学习

（要求鉴权）一旦用户进入适应性课程，客户端便可连接到其余的网络服务以请求关于交互知识组件的信息，提交对交互知识组件的答复，并且接收关于所提交的答复是否正确的响应。

日志记录

（被动的）由于网络服务是作为LearnBop平台的一部分，因此网络服务可观察到的所有学习行为都将被记录下来。客户端不能主动控制日志记录。

数据报告

（要求鉴权）用户可从网络服务检索关于学习的统计数据。

总言之，LearnBop平台的基于服务的架构能让不具有适当浏览器的移动装置可以实施交互知识组件的视觉显现（例如，基于服务的客户端需要提供用于多个选择的界面组件），并且还能够访问所有的适应性学习内容和关联资源（例如，图像、视频、音频等），就像传统的基于网络的客户端一样。

换句话说，对于不具有足够浏览器支持的装置来说，LearnBop平台网络服务将提供所有必要的信息来创建定制化的第三方客户端来进行学习和报告。图27说明了根据某些实施例的基于服务的客户端设计。图27展示了对于基于服务的客户端的按照交互知识组件来说的数据流。系统2700包括网络服务2702、评定逻辑2704、知识定义库2706、数据存储装置2708、日志控件2710、以及移动装置2712。

离线客户端

在一些情况下，用户可能无法接入具有网络连接性的装置。对于此类情形，LearnBop平台提供了一个实用程序，用来为可被允用Javascript和CSS的浏览器访问的一个适应性课程生成单独的课程包。由于不具有网络连接性，因此适应性课程的内容改变将不会反映在所述单独的包中，因此学习行为将不会被记录到服务器上，因而用户将不能获得学习报告。因此，强烈不鼓励使用离线客户端。

然而，单独的课程包包括了本地日志记录实用程序，所述实用程序生成了可以在之后手动检索并上传到服务器的日志文件。图28说明了根据某些实施例的离线客户端设计。

图28展示了对于离线客户端的按照交互知识组件来说的数据流。图28的系统2800包括离线客户端生成器2802、基于浏览器的界面2804、评定逻辑2806、知识定义库2808、单独的包2810、数据库存储装置2812、日志导入实用程序2814、本地日志记录2816、以及不具有连接性的装置2818。

Claims

1.一种计算机实施方法，所述方法提供用于产生在线交互式学习体验的平台，所述方法包括：

提供多个计算机实施的交互知识组件作为用于建构多个概念的建构块，所述建构块中的一者或多者可以经搭建以建构在线交互式和适应性课程，其中所述多个交互知识组件中的相应交互知识组件是独立的、可分开的教学单元并且包括评定逻辑，并且其中所述多个交互知识组件和概念是可重新使用和可重新组合的，从而建构不同的在线交互式和适应性课程。

2.根据权利要求1所述的方法，其中相应交互知识组件进一步包括输入界面，用于向用户提供一个或多个音频、视频或其他媒体提醒以及包括以下一项或多项的界面组件：文本框、下拉列表、单选按钮、以及拖放列表。

3.根据权利要求1所述的方法，其中所述评定逻辑评估用户输入的正确性并且基于所述用户输入提供反馈消息。

4.根据权利要求2所述的方法，其中相应交互知识组件进一步包括知识定义组件，所述知识定义组件提供一些内容用来填充所述输入界面上的提醒和输入控件。

5.根据权利要求1所述的方法，进一步包括使用高级标记定义语言来初始化、排序、链接以及填充交互知识组件。

6.根据权利要求1所述的方法，其中相应概念可被分成其相应交互知识组件并且与其他交互知识组件重新组合以便重新使用。

7.根据权利要求1所述的方法，进一步包括提供计算机实施的在线自动化课程设计程序，从而允许教师为一个或多个用户创建所述在线交互式和适应性课程，其中所述在线自动化课程设计程序基于从由多位教师创建的适应性课程的至少一子集汇总的概念数据来向所述教师提供反馈，所述反馈包括识别所述教师正在创建的所述适应性课程中缺少的概念或概念的不足。

8.根据权利要求1所述的方法，进一步包括使用计算机实施的视觉编写工具，从而允许创建复杂的适应性课程，并且不要求具有设计或编程经验。

9.根据权利要求8所述的方法，进一步包括使用计算机实施的概念标记，包括彩色编码的标签，以选择一部分的呈现来演示概念或技能。

10.根据权利要求8所述的方法，进一步包括使用计算机实施的交互组件指定，用于将创建好的表示转变成用于相应用户的适应性问题。

11.根据权利要求1所述的方法，进一步包括使用计算机实施的视觉形式和用户界面控件，用于填充与相应交互知识组件相关联的信息。

12.根据权利要求1所述的方法，进一步包括使用高级标记定义语言发布阶层式视觉内容。

13.根据权利要求1所述的方法，进一步包括实施提示按钮，用于允许用户通过请求提示来解决所述适应性课程中的问题来与所述适应性课程交互。

14.根据权利要求1所述的方法，进一步包括在用户请求更多提示以解决所述适应性课程中的问题时提供图形模态消息。

15.根据权利要求1所述的方法，进一步包括提供指示用户的学习进度的视觉显示。

16.根据权利要求1所述的方法，进一步包括使用计算机实施的图形焦点抓取器来让用户的注意力放到学习过程中较重要的界面组件上。

17.根据权利要求1所述的方法，进一步提供逻辑课程设计程序，用于：

允许使用富文本和多媒体内容来搭建课程内容；以及

允许进行支架式教学，所述支架式教学向用户提供了上下文特定的学习内容和消息。