论文标题：Future of Education with Neuro-Symbolic AI Agents in Self-Improving Adaptive Instructional Systems

期刊：Frontiers of Digital Education

作者：Richard Jiarui Tong, Xiangen Hu

发表时间：25 Jun 2024

DOI：10.1007/s44366-024-0008-9

微信链接：点击此处阅读微信文章

教育领域一直面临着个性化学习和适应性教育的挑战，传统的学习管理系统由于其固定结构和确定性逻辑，难以满足不同学习者的个性化需求。近年来，人工智能技术的快速发展为教育领域带来了新的机遇。大语言模型（LLMs）能够处理复杂的输入，并根据学习者的当前需求提供实时的个性化学习体验。然而，LLMs也存在出现幻觉、不可解释、不确定性等局限性。

内容解读

近日，IEEE人工智能标准委员会主席佟佳睿和香港理工大学高等教育研究与发展院院长胡祥恩教授在Frontiers of Digital Education（《数字教育前沿（英文）》）期刊上发表了一篇名为“Future of Education with Neuro-Symbolic AI Agents in Self-Improving Adaptive Instructional Systems”的文章，探讨了将神经符号AI智能体（NEOLAF）与LLMs相结合，以革新AI辅助教育的可能性。

LLMs与传统的编译器相比，拥有更广泛的适用范围和更强大的生成能力。LLMs的能力可以分为三个主要方面：生成、接口以及规划和推理。此外，LLMs在教育领域展现出巨大的潜力，可以用于个性化教学引导、构建交互式学习界面以及进行数据分析。它们还能与生成式AI应用结合，应用于自适应教学系统的四个关键模型：领域模型、学习者模型、教学模型以及交互模型。

图1 LLMs在教育领域的综合能力

图2 自适应教学系统中的LLMs和生成式AI应用

NEOLAF融合了神经网络的强大数据处理能力与符号推理的明确逻辑，能够更好地理解复杂的概念和关系，并执行更高级的认知任务。LLMs则能够帮助NEOLAF智能体获取知识并理解自然语言。将LLMs与NEOLAF智能体结合，可以进一步增强NEOLAF智能体的能力，使其能够更自然地与学生进行交互，提供更丰富的知识来源，以及更好地适应不同的学习环境和学习需求。

开放学习自适应框架（OLAF）旨在将AI能力无缝地融入教育软件中，为学习者提供更加个性化和高效的学习体验。该架构包括学习模型、领域模型、教学模型、交互模型和基础设施架构等。学习模型负责动态地建模每个学生的学习模式、动机和学习风格，并根据学生的实时反馈调整教学策略。领域模型理解学科领域的知识结构，并帮助学生建立更全面的知识体系。教学模型根据学生的学习情况调整教学方法和内容，提供更加个性化的学习体验。交互模型以更自然的方式与学生进行交互，提供个性化的学习反馈。基础设施架构则提供了必要的计算资源和数据存储，并支持架构的运行。

图3 OLAF结构示意图

接着，通过两个案例研究文章展示了NEOLAF框架在实际教育场景中的应用潜力。在数学问题解决的案例研究中，NEOLAF框架展现出解决复杂数学问题的能力，并在专家指导下超越其他AI系统。而在错误分析的案例研究中，NEOLAF框架能够准确识别学生错误并提供有价值的见解，帮助教师进行更有针对性的教学。这些案例研究表明，NEOLAF框架具有解决复杂问题、分析学生错误并提供个性化学习体验的潜力，为AI辅助教育带来了新的可能性。

最后，文章展望了NEOLAF与LLMs相结合在教育领域的未来发展。作者认为，这种结合将推动“个人AI”时代的到来，数百万个高度个性化的AI智能体将为人们提供更加个性化和便捷的服务。NEOLAF和OLAF架构代表了AI辅助教育领域的重大突破，为AI教育带来了更全面和灵活的方法。尽管面临着数据隐私、模型可解释性等挑战，但NEOLAF和OLAF架构的巨大潜力有望从根本上改变教育模式，使其更加适应个体学习者的需求和风格。

文章信息

Richard Jiarui Tong, Xiangen Hu. Future of Education with Neuro-Symbolic AI Agents in Self-Improving Adaptive Instructional Systems. Frontiers of Digital Education, 2024, 1(2): 198–212

https://doi.org/10.1007/s44366-024-0008-9

识别二维码，免费获取全文

作者信息

佟佳睿（Richard Jiarui Tong），AI技术专家、研究人员和人工智能和学习技术领域标准化的倡导者。现任IEEE人工智能标准委员会主席。曾任IEEE学习技术标准委员会主席三年，负责制定教育和学习技术的标准。主要从事人工智能系统的神经符号集成认知架构、多模态推理、和智能体架构和应用等方向的研究工作。

胡祥恩，香港理工大学高等教育研究与发展院院长、学习理论与技术讲座教授，美国孟菲斯大学心理学、计算机工程和计算机科学终身教授，华中师范大学心理学院院长。主要从事开发用于人类认知的数学模型、知识表示的人工智能、计算机化辅导系统和分布式学习技术等方向的研究工作。

期刊及主编介绍

期刊特点

1. 国际化投审稿平台Editorial Manager方便快捷。

2. 严格的同行评议（Peer Review）。

3. 免费语言润色，有力保障出版质量。

4. 不收取作者任何费用。

5. 不限文章长度。

6. 审稿周期：第一轮平均30天，投稿到录用平均60天。

7. 在线优先出版（Online First）。

8. 通过Springer Link平台面向全球推广。

在线浏览

https://journal.hep.com.cn/fde

（中国大陆免费下载）

https://link.springer.com/journal/44366

在线投稿

https://www.editorialmanager.com/fode/

联系我们

fde@hep.com.cn

10-58582344, 10-58581581

主管单位：中华人民共和国教育部

主办单位：高等教育出版社

主编：谭方正

联合主编：杨宗凯 李永智

CN 10-1952/G4

p-ISSN 2097-3918

e-ISSN 2097-3926

本刊地址：北京市朝阳区惠新东街4号

《数字教育前沿（英文）》编辑部

电子邮箱：fde@hep.com.cn

电话：010-58582344, 010-58581581