[论文解读] A Computational Model for Situated Task Learning with Interactive Instruction

Shiwali Mohan, James R. Kirk+1 more|arXiv (Cornell University)|Apr 23, 2016

Intelligent Tutoring Systems and Adaptive Learning参考文献 7被引用 12

一句话总结

本文提出了一种基于Soar认知架构的计算模型，使智能体能够通过专家提供的情境化、交互式指导来学习任务知识。通过在真实情境中整合程序性知识和陈述性知识的获取，该模型在复杂、动态环境中展现出更高的学习效率和适应性，相较于以往仅专注于陈述性指导的ACT-R模型，标志着重大进展。

ABSTRACT

Learning novel tasks is a complex cognitive activity requiring the learner to acquire diverse declarative and procedural knowledge. Prior ACT-R models of acquiring task knowledge from instruction focused on learning procedural knowledge from declarative instructions encoded in semantic memory. In this paper, we identify the requirements for designing compu- tational models that learn task knowledge from situated task- oriented interactions with an expert and then describe and evaluate a model of learning from situated interactive instruc- tion that is implemented in the Soar cognitive architecture.

研究动机与目标

• 解决现有ACT-R模型仅关注非情境化语境中陈述性指导的局限性。
• 设计一种计算框架，支持通过实时、交互式且情境敏感的专家指导来学习任务知识。
• 在Soar认知架构中实现并评估一个能够在情境化任务交互过程中获取程序性与陈述性知识的模型。
• 弥合理论性指导处理与复杂环境中实际、具身化任务学习之间的差距。

提出的方法

• 该模型在Soar认知架构中实现，该架构支持通过问题解决实例进行符号推理与学习。
• 采用混合架构，结合程序性记忆以处理动作序列，以及陈述性记忆以处理语义知识，从而实现两类知识的整合。
• 交互式指导通过对话管理组件进行处理，该组件能够解释自然语言线索，并将其映射到与任务相关的动作与概念。
• 系统在交互过程中动态更新其知识库，利用工作记忆协调感知、动作与学习。
• 学习通过反馈回路驱动，智能体执行动作，观察结果，并根据专家更正和情境线索修订其知识。
• 该模型采用分块机制，对已学习的程序进行抽象与泛化，从而提高在相似任务中的可重用性。

实验结果

研究问题

• RQ1 计算模型如何能有效从实时、情境化的交互指导中学习程序性与陈述性知识？
• RQ2 在专家引导的任务执行过程中，支持感知、动作与学习整合的必要架构组件是什么？
• RQ3 该模型的学习表现与非交互式或非情境化指导范式相比如何？
• RQ4 该模型在多大程度上能将已学习的程序泛化到新颖但相似的任务情境中？
• RQ5 实时反馈与情境意识在加速和稳定学习过程方面发挥何种作用？

主要发现

• 该模型通过交互式、情境感知的指导成功学习复杂任务，在动态环境中表现出稳健性能。
• 通过Soar的分块机制整合程序性与陈述性知识，显著提升了学习效率与适应性。
• 在需要序列动作的任务中，该模型在学习速度与准确性方面优于非交互式指导模型。
• 专家提供的上下文反馈能够快速纠正错误，加速知识获取。
• 该系统能以高成功率将已学习的程序泛化到新的、未见过的任务实例，表明其具备有效的抽象与迁移能力。
• 该模型在交互过程中维持并更新工作记忆的能力，支持感知、动作与学习之间的无缝协调。