[论文解读] Artificial Intelligence in Intelligent Tutoring Robots: A Systematic Review and Design Guidelines

Jinyu Yang, Bo Zhang|arXiv (Cornell University)|Feb 26, 2019

Intelligent Tutoring Systems and Adaptive Learning参考文献 52被引用 7

一句话总结

本文对智能辅导机器人（ITRs）中人工智能（AI）应用进行了系统性综述，提出了一种感知-规划-行动模型，以指导AI技术的整合。该研究识别了学生互动、课程对齐和社会情境中的关键AI组件，为人类-机器人教育系统提供了设计准则和未来研究方向。

ABSTRACT

This study provides a systematic review of the recent advances in designing the intelligent tutoring robot (ITR), and summarises the status quo of applying artificial intelligence (AI) techniques. We first analyse the environment of the ITR and propose a relationship model for describing interactions of ITR with the students, the social milieu and the curriculum. Then, we transform the relationship model into the perception-planning-action model for exploring what AI techniques are suitable to be applied in the ITR. This article provides insights on promoting human-robot teaching-learning process and AI-assisted educational techniques, illustrating the design guidelines and future research perspectives in intelligent tutoring robots.

研究动机与目标

• 分析智能辅导机器人（ITRs）、学生、社会环境与课程之间的互动动态。
• 识别当前ITRs中使用的AI技术，并评估其在教育环境中的有效性。
• 开发一种结构化框架，以支持自适应、情境感知教学的AI整合。
• 为研究人员和开发者提供可操作的设计准则，以构建基于AI的辅导机器人。
• 概述推进AI辅助人机教学与学习的未来研究方向。

提出的方法

• 提出一种关系模型，以描述ITRs、学生、社会环境与课程之间的互动关系。
• 将该关系模型转化为感知-规划-行动架构，以指导AI技术的选择。
• 对近期关于ITRs及教育机器人中AI应用的文献进行系统性综述。
• 将AI技术（如自然语言处理、情感识别、强化学习等）映射到感知-规划-行动模型的各个组件。
• 基于所综述研究的实证与理论洞察，将发现整合为设计准则。
• 识别ITRs中AI整合的缺口与未来研究机会，尤其关注适应性与社会互动方面。

实验结果

研究问题

• RQ1 智能辅导机器人、学生及其社会与课程环境之间的关键互动动态是什么？
• RQ2 哪些AI技术在使ITRs能够在教育环境中实现感知、规划与行动方面最为有效？
• RQ3 如何系统性地将AI整合到ITRs中，以支持自适应与情境感知教学？
• RQ4 从当前AI在辅导机器人中应用的综合分析中，涌现出哪些设计原则与准则？
• RQ5 在开发基于AI的智能辅导机器人方面，面临的主要挑战与未来研究方向是什么？

主要发现

• 感知-规划-行动模型通过将功能映射到特定AI组件，有效组织了AI技术在ITRs中的整合。
• 情感识别、自然语言处理和强化学习是ITRs中最常应用的AI技术。
• 当前ITRs在提升学生参与度和学习成效方面展现出潜力，尤其是在个性化与自适应教学方面。
• 在长期研究方面存在显著缺口，尚缺乏对ITRs对学生学习表现与情感影响的持续性评估。
• 设计准则强调了情境意识、适应性与多模态交互在高效ITR系统中的重要性。
• 未来研究应聚焦于提升AI的可解释性、可扩展性以及教育机器人中的伦理考量。