認(rèn)知導(dǎo)師在教學(xué)中的應(yīng)用研究綜述

李潔 廖建全

摘要：認(rèn)知導(dǎo)師將認(rèn)知心理學(xué)的原則融入到人工智能中，是圍繞學(xué)生當(dāng)前所學(xué)知識的認(rèn)知模型而建構(gòu)的。本文對認(rèn)知導(dǎo)師的發(fā)展與應(yīng)用及認(rèn)知導(dǎo)師中的模型跟蹤和知識跟蹤進(jìn)行了簡要的概述，并綜述了認(rèn)知導(dǎo)師設(shè)計的六個原則，最后舉例說明了認(rèn)知導(dǎo)師在幾何中的教學(xué)應(yīng)用情況，以期對國內(nèi)研究者和教師提供參考。

關(guān)鍵詞：認(rèn)知導(dǎo)師 模型跟蹤 知識跟蹤 代數(shù)認(rèn)知導(dǎo)師

一、認(rèn)知導(dǎo)師的發(fā)展與應(yīng)用

個別輔導(dǎo)作為一種教學(xué)方法，至少可以追溯到蘇格拉底所使用的對話法。盡管由導(dǎo)師進(jìn)行的一對一輔導(dǎo)已經(jīng)被證實比傳統(tǒng)的一對多的課堂教學(xué)有效得多（Bloom，1984），但是要為每個孩子提供個別輔導(dǎo)并不經(jīng)濟且不現(xiàn)實。班級授課和書本成為教育中傳授知識的更為廉價的和普遍的方式。值得高興的是，信息時代的到來，計算機硬件和軟件性能的提高為更多學(xué)生提供了新的一對一輔導(dǎo)的機會。

早期計算機應(yīng)用于教學(xué)的嘗試包括計算機輔助教學(xué)（Eberts，1997）、智能計算機輔助教學(xué)（Intelligent Computer-Aided Instruction）或者智能導(dǎo)師系統(tǒng)（Intelligent Tutoring Systems）（Corbett，Koedinger，&Anderson，1997；Sleeman &Brown，1982；Wenger，1987）。這些嘗試和研究都證實：在提高學(xué)生學(xué)習(xí)方面，基于計算機的教學(xué)比普通課堂教學(xué)更為有效（例如Kukik& Kukik，1991），但并沒有達(dá)到人工輔導(dǎo)的水平（Bloom，1984）。例如，計算機輔助教學(xué)由于太過死板而難以支持有意義的學(xué)習(xí)或無法體現(xiàn)一些教育資源的重大意義而被批判為“線性的”教學(xué)方法（Benny G. Johnson&Dale A. Holder，2002）。在智能導(dǎo)師系統(tǒng)方面的早期嘗試包括：教授電路分析時采用模擬蘇格拉底對話法，學(xué)習(xí)南美地理時將智能提問添加到已有的計算機教學(xué)系統(tǒng)，為已有的“專家系統(tǒng)”添加醫(yī)療診斷輔導(dǎo)策略，以及為已有的教育游戲添加輔導(dǎo)策略（Sleeman &Brown，1982）。

在20世紀(jì)80年代中期，約翰·R.安德森（John R.Anderson）和同事介紹了一種在智能導(dǎo)師系統(tǒng)發(fā)展和測試方面跨越更多學(xué)科的方法（Anderson，Boyle，&Reiser，1985），這種方法將認(rèn)知心理學(xué)的原則融入到人工智能中，現(xiàn)已被證實極具推動力。使用此方法設(shè)計的智能導(dǎo)師是圍繞學(xué)生當(dāng)前所學(xué)知識的認(rèn)知模型而建構(gòu)的，因此被稱為“認(rèn)知導(dǎo)師”（Anderson等，1995）。這些認(rèn)知模型表征了學(xué)習(xí)者在其感興趣的領(lǐng)域（如代數(shù)、程序設(shè)計、科學(xué)推理或者論文寫作）中的思維或認(rèn)知。該認(rèn)知模型也包括了對早期學(xué)習(xí)者的各種策略和迷思概念的表征，這些迷思概念是從新手到專家轉(zhuǎn)變過程軌跡中的一個階段。

在中學(xué)數(shù)學(xué)（Koedinger，Anderson，Hadley，&Mark，1997；Koedinger，2002）、中學(xué)化學(xué)平衡式（Benny G. Johnson& Dale A. Holder，2002）、計算機編程（Mathan & Koedinger，2003）以及大學(xué)遺傳學(xué)（Corbett et al.，2005）等很多學(xué)科領(lǐng)域中，已經(jīng)設(shè)計了全面的認(rèn)知導(dǎo)師系統(tǒng)來幫助學(xué)生學(xué)習(xí)。認(rèn)知導(dǎo)師可以很好地促進(jìn)學(xué)習(xí)，并產(chǎn)生更多與傳統(tǒng)基于問題的教學(xué)相關(guān)的知識（Anderson et al.，1995），實現(xiàn)優(yōu)秀的人工輔導(dǎo)（Corbett，2001）。分布最廣泛的認(rèn)知導(dǎo)師，其中一方面是針對代數(shù)的，這是高中代數(shù)完整課程中的一部分，并且在2004—2005年美國大約有2000所學(xué)校使用這種認(rèn)知導(dǎo)師系統(tǒng)。相比傳統(tǒng)的代數(shù)課程注冊的學(xué)生，代數(shù)認(rèn)知導(dǎo)師Ⅰ（Cognitive Tutor AlgebraⅠ）中的學(xué)生在開放式問題解決測試中能獲得兩倍高的分?jǐn)?shù)，客觀測試分?jǐn)?shù)則高出15%。這些學(xué)校中有幾所是績效較高、資源豐富的市郊學(xué)校，但是絕大部分是市區(qū)或鄉(xiāng)村學(xué)校：經(jīng)濟不富裕，教師水平一般，且學(xué)生數(shù)量相對比較大，有些學(xué)生是少數(shù)族裔或有學(xué)習(xí)障礙（Koedinger Albert Corbett，2006）。

二、認(rèn)知導(dǎo)師中的模型跟蹤和知識跟蹤

認(rèn)知導(dǎo)師可以完成兩個具有人工輔導(dǎo)特征的主要任務(wù)（Corbett等，2000）：（1）監(jiān)控學(xué)生的行為表現(xiàn)，并且當(dāng)個體學(xué)生需要時提供特定情境的指導(dǎo)；（2）監(jiān)控學(xué)生的學(xué)習(xí)，并且選擇問題解決的活動，這些活動涉及學(xué)生個體能力范圍內(nèi)的知識目標(biāo)。

這種對學(xué)生的行為和學(xué)習(xí)的監(jiān)控利用了認(rèn)知模型兩個關(guān)鍵算法：模型跟蹤（model tracing）和知識跟蹤（knowledge tracing）。在模型跟蹤中，認(rèn)知導(dǎo)師操控認(rèn)知模型與學(xué)生一起逐步前進(jìn)，通過復(fù)雜的問題空間來跟蹤學(xué)生的個體路徑，提供及時準(zhǔn)確的反饋和特定情境的建議。在知識跟蹤中，導(dǎo)師使用一種簡單的貝葉斯法（Bayesian method）來評估學(xué)生的知識，并且還使用這種學(xué)生模型來選擇適當(dāng)?shù)膯栴}（Anderson & Lebiere，1998）。

（一）認(rèn)知導(dǎo)師中的模型跟蹤

認(rèn)知導(dǎo)師軟件的開發(fā)涉及通過ACT-R理論和有關(guān)學(xué)習(xí)者的實證研究來創(chuàng)建“認(rèn)知模型”。任何一個認(rèn)知模型都具有模型跟蹤和知識跟蹤這兩種功能，認(rèn)知模型可利用產(chǎn)生式系統(tǒng)（production system）來表征學(xué)生可能用到的多種策略以及典型的學(xué)生迷思概念。以解一個簡單的代數(shù)方程為例（Koedinger Albert Corbett，2006），圖1描繪了解方程“3（2x+5）=9”的三種解題策略。策略1中的產(chǎn)生式規(guī)則是將（2x+5）內(nèi)的兩數(shù)分別乘以“3”。策略2中的產(chǎn)生式規(guī)則是將等式兩邊同時除以“3”。第3個規(guī)則是一個“錯誤”（buggy）推算，這是一個迷思概念，因為沒有將兩個數(shù)（2x+5）分別乘以“3”。

通過為同一目標(biāo)提供多種可選擇的策略，認(rèn)知導(dǎo)師使用“模型跟蹤”算法跟蹤不同學(xué)生所選擇的問題解決路徑。模型跟蹤允許認(rèn)知導(dǎo)師跟蹤每個學(xué)生的問題解決步驟，并提供個別化的、即時的且與問題特定解決方法相關(guān)的幫助。當(dāng)學(xué)生進(jìn)行其中一步時，系統(tǒng)會將其與認(rèn)知模型產(chǎn)生的可選的后續(xù)步驟進(jìn)行比較并反饋，反饋的類型有三種。例如，在圖1中，第一，如果學(xué)生的問題解決行為與策略1或者策略2相匹配，那么導(dǎo)師會強調(diào)步驟的正確性，并且學(xué)生和導(dǎo)師將進(jìn)入下一個步驟。第二，如果學(xué)生的行為，比如“6x+5=9”，是錯誤的（a buggy production），導(dǎo)師強調(diào)步驟的錯誤性并且給出反饋信息，比如“你也需要將5乘以3”，這種信息是由錯誤規(guī)則（buggy rule）的模板生成的，產(chǎn)生式規(guī)則中變量c和a可以去當(dāng)前情境中的特定值。第三，如果學(xué)生的問題解決行為與認(rèn)知模型中的任何規(guī)則的行為不相匹配，那么認(rèn)知導(dǎo)師簡單地將該行為標(biāo)記為一個錯誤——例如，通過將文字內(nèi)容改為紅色，以及斜體。

學(xué)生在使用認(rèn)知導(dǎo)師的過程中，任何時候都可以獲取提示信息。導(dǎo)師進(jìn)行該模型下一步時，選擇與之相匹配的那個模型推導(dǎo)，并且呈現(xiàn)與該推導(dǎo)相關(guān)聯(lián)的建議內(nèi)容，例如，圖1中與策略1相聯(lián)系的提示將說明“將3分配到括號內(nèi)”，因為推導(dǎo)變量a在該案例中的值是3。

（二）認(rèn)知導(dǎo)師中的知識跟蹤

ACT-R理論認(rèn)為，知識是逐漸獲得的，并且大腦會潛在地對包括產(chǎn)生式規(guī)則在內(nèi)的知識組塊進(jìn)行頻數(shù)、近因（recency）和實用性的統(tǒng)計（Anderson & Lebiere，1998）。認(rèn)知導(dǎo)師中的知識跟蹤算法監(jiān)控著學(xué)生通過問題解決活動逐漸獲得產(chǎn)生式規(guī)則的過程。在問題解決過程中，每次應(yīng)用產(chǎn)生式規(guī)則，認(rèn)知導(dǎo)師會基于學(xué)生是否正確使用規(guī)則，對學(xué)生了解規(guī)則的概率值進(jìn)行更新。知識跟蹤采用了一種貝葉斯更新方法（a Bayesian update），它已經(jīng)備用用于預(yù)測學(xué)生的成績和后測的準(zhǔn)確性（Corbett& Anderson，1995）。這些概率的估計在計算機導(dǎo)師界面與“技能欄”顯示出來。認(rèn)知導(dǎo)師使用這些估算值來決定學(xué)生什么時候準(zhǔn)備進(jìn)行課程中的下一個部分，以調(diào)整教學(xué)的節(jié)奏，滿足個體學(xué)生的需求，為個別學(xué)生單獨挑選問題，提供更多技能方面的教學(xué)和實踐，這些技巧是他們還沒有掌握的（例如，哪些對技能了解的估計值低于95%的學(xué)生）。

模型和知識跟蹤算法體現(xiàn)了人工輔導(dǎo)和學(xué)徒制訓(xùn)練的關(guān)鍵特征。導(dǎo)師通常給學(xué)生一項任務(wù)，并監(jiān)控學(xué)生完成該任務(wù)的好壞程度，模型跟蹤是這種監(jiān)控形式中的一種。當(dāng)學(xué)生偏離預(yù)訂目標(biāo)太遠(yuǎn)時，導(dǎo)師會干預(yù)并給予反饋；在學(xué)生無法克服困難時，導(dǎo)師在其掌握的領(lǐng)域知識基礎(chǔ)上提供提示或操作幫助。認(rèn)知模型提供了認(rèn)知導(dǎo)師系統(tǒng)預(yù)期績效的領(lǐng)域知識或模型。在學(xué)生完成任務(wù)后，導(dǎo)師會通過診斷他們已知和未知的知識來選擇下一項任務(wù)。長期來看，知識跟蹤提供了一種判斷學(xué)生們知道什么和不知道什么的方法。

認(rèn)知導(dǎo)師倡導(dǎo)做中學(xué)，這也是人工輔導(dǎo)的一個本質(zhì)特征。做中學(xué)是基于將學(xué)生置入行為情景的觀點（由此學(xué)生可以運用客觀的概念和技能），并在學(xué)生需要的情境下提供教學(xué)。

三、認(rèn)知導(dǎo)師設(shè)計的原則和方法

（一）以產(chǎn)生式規(guī)則集的形式展現(xiàn)學(xué)生的能力

“以產(chǎn)生式規(guī)則集（production set）的形式展現(xiàn)學(xué)生的能力”這一原則要求教學(xué)設(shè)計者在分析的基礎(chǔ)上進(jìn)行設(shè)計，且這種分析不是關(guān)注領(lǐng)域內(nèi)容的分析，而是關(guān)注學(xué)生對內(nèi)容進(jìn)行思考的方式。獲得某個領(lǐng)域內(nèi)的能力是復(fù)雜的，令人吃驚的是，盡管我們似乎從未意識到大量的細(xì)節(jié)和敏銳的決策能力的作用，但這些都是我們再獲得專家知識的過程中隱性獲得的（Berry&Dienes，1993）。隨著時間的推移，復(fù)雜的任務(wù)比如閱讀，對我們來說變成了第二屬性，并且我們忘記了——或許從未意識到——產(chǎn)生這種能力的經(jīng)驗和知識的變化。斯金納估計，在學(xué)校四年級數(shù)學(xué)時，學(xué)生必須獲得大約25000個知識“塊”（Skinner，1968，p.17）。產(chǎn)生式規(guī)則提供了一種闡述這些知識塊和決策能力的方式。

產(chǎn)生式規(guī)則集之中的產(chǎn)生式規(guī)則模塊的假定是：我們可以診斷出學(xué)生的某些不足，并且關(guān)注提高這些弱點的教學(xué)活動。產(chǎn)生式規(guī)則的具體情境屬性意識著，如果不能將知識與其使用的情境聯(lián)系起來，教學(xué)將不會有效。學(xué)生需要真實的問題解決經(jīng)驗來學(xué)習(xí)產(chǎn)生式規(guī)則的“如果”這一部分，以及適當(dāng)使用這些領(lǐng)域原則的一些條件。

（二）在問題解決的情境中提供指導(dǎo)

ACT-R理論的一個基本設(shè)想是人們通過做來學(xué)習(xí)，因為大腦中概念的形成是來自人類經(jīng)驗的顯性和隱性的解釋或“編碼”。決定學(xué)生獲得什么知識的關(guān)鍵不在于提供給他們的信息或教學(xué)活動，而在于他們這些信息和活動中是如何體驗和參與的。

（三）在問題解決之前傳達(dá)目標(biāo)結(jié)構(gòu)

如何將一個初始問題的目標(biāo)分解為連續(xù)的子目標(biāo)，并且跟蹤這些字目標(biāo)，是新手在復(fù)雜的問題解決過程中面臨的挑戰(zhàn)之一（Singley，1990）。在傳統(tǒng)的問題解決表征中，問題解決方法潛在的目標(biāo)結(jié)構(gòu)通常是隱性的。我們使用了兩種方法來使這個結(jié)構(gòu)顯性化。首先，我們再問題解決界面中開發(fā)了使目標(biāo)結(jié)構(gòu)可視化的界面（Collins et al.，1989）。這個策略最顯著的例子是幾何論證導(dǎo)師（Koedinger & Anderson，1993）。其次，可以通過幫助信息來傳達(dá)問題的潛在目標(biāo)結(jié)構(gòu)。在模型跟蹤導(dǎo)師中典型的是，第一個層次的幫助是在整體問題情境下描述當(dāng)前目標(biāo)。隨后的幫助信息將就如何達(dá)到目標(biāo)給出建議。

（四）促進(jìn)對問題解決知識的正確、總體的理解

在學(xué)習(xí)問題解決的過程中，學(xué)生們在問題解決活動及實例進(jìn)行理解或編碼的基礎(chǔ)上建構(gòu)產(chǎn)生式規(guī)則。這些編碼通常與專家的不同，研究顯示，新手通常根據(jù)問題的表面特征，而不是根據(jù)適當(dāng)?shù)奈锢碓瓌t進(jìn)行編碼（Chi，F(xiàn)eltovich，&Glaser，1981）。在幾何的問題解決中，學(xué)生們經(jīng)常得出結(jié)論：這幾個角是相等的，因為它們看起來相等并且測量結(jié)果也的確相等，但是他們卻總結(jié)不出“根據(jù)幾何結(jié)構(gòu)，它們必須相等”這個結(jié)論（Aleven & Koedinger，2002）。

（五）將學(xué)習(xí)外部的工作記憶負(fù)荷減弱到最低程度

已有文獻(xiàn)證明復(fù)雜問題解決中所存在的錯誤可能來源于工作記憶區(qū)信息的丟失（Anderson & Jeffries，1997），并且證明高度的工作記憶負(fù)荷或者“認(rèn)知負(fù)荷”可能會妨礙學(xué)習(xí)（Sweller，1988）。因此，我們在認(rèn)知導(dǎo)師中使用多種策略和方法來減少這種負(fù)荷。努力使目標(biāo)結(jié)構(gòu)可視化可以幫助減少工作記憶負(fù)荷。另一種策略是簡化當(dāng)前界面中與當(dāng)前學(xué)習(xí)目標(biāo)不相關(guān)的問題解決行為。例如，在我們的數(shù)學(xué)導(dǎo)師中，方程解題機有一個自動算術(shù)模式，在該模式下學(xué)生只需指出每一步運算指令，而不需要他們進(jìn)行算術(shù)運算（Ritter& Anderson，1995）。

（六）對與預(yù)期績效模型相關(guān)的錯誤提供即時反饋

研究表明，雖然反饋可能很少（Fox，1991；Lepper et al.，1990），并且只對“重要的”錯誤提出反饋（Littman，1991），但是，人類導(dǎo)師傾向于在每個問題解決步驟之后提供即時反饋。在一項有關(guān)Lisp認(rèn)知導(dǎo)師（Lisp Cognitive Tutor）的研究中，即時反饋大幅加快了學(xué)習(xí)進(jìn)程（Corbett& Anderson，2001）。即時反饋不僅可以使學(xué)習(xí)更有效率，而且有激發(fā)學(xué)生動機的作用（Schofield，1995）。

四、認(rèn)知導(dǎo)師的應(yīng)用：代數(shù)認(rèn)知導(dǎo)師

圖2展示的是代數(shù)認(rèn)知導(dǎo)師的一個單元的屏幕截圖（Koedinger Albert Corbett，2006）。認(rèn)知導(dǎo)師系統(tǒng)一般有著相對豐富的圖形用戶界面，可以為學(xué)生提供一個工作空間來展示其多種問題解決行為。這個空間隨著學(xué)生通過學(xué)習(xí)的進(jìn)步而改變。圖中的工作空間包括了左上部分的一個問題情境對話框，這里可以給學(xué)生顯示一個問題情境，通常是一些真實的事實或數(shù)據(jù)，期望他們利用空間中的工具進(jìn)行分析和模擬。圖中顯示的工具包括工作表、記錄儀和解算機。在本單元中，工作表象電子表格一樣有著自動的特征。一旦學(xué)生在限定時間內(nèi)寫下高度為“67+2.5T”的代數(shù)表達(dá)式，那么工作表就會在獲取輸入的時間值（例如20）后，計算出高度值（例如117）。在早期的單元中，工作表沒有這些自動的特征，更像是課桌上的草稿紙，學(xué)生必須闡明并自己完成這些步驟。類似地，記錄儀和解算機也隨著學(xué)生的進(jìn)步而改變，學(xué)生是通過輔導(dǎo)單元獲得進(jìn)步的。開始，這些行為像學(xué)生做所有工作時的一些空白紙。然后，這些工具開始自動降低技能水平，如描點繪圖或算術(shù)，并且使學(xué)生注重于獲得高層次的概念和技能，如決定使用哪種符號函數(shù)畫圖或者進(jìn)行什么樣的代數(shù)操作。當(dāng)學(xué)生工作時，認(rèn)知導(dǎo)師監(jiān)控他們的行為，并且可能提供及時的反饋或在提示框中提供與問題相關(guān)的提示。認(rèn)知導(dǎo)師也監(jiān)控學(xué)生的學(xué)習(xí)，并且在技能圖表中展示這些結(jié)果，如圖2中上部中間的部分。

對任何及時或教育革新的社會情境加以考慮是非常關(guān)鍵的，在認(rèn)知導(dǎo)師中也不例外。典型的程序就是每周花兩天在計算機實驗室里，學(xué)習(xí)是積極的，以學(xué)生為中心的，并且注重于做中學(xué)。相當(dāng)于全班性的講授而言，教師將更多的時間用來促進(jìn)個體的，合作的問題解決和學(xué)習(xí)。在教室中，學(xué)生經(jīng)常在合作小組中一起解決問題，這些問題與導(dǎo)師提出的問題類似。在幫助學(xué)生將計算機工具與紙、筆聯(lián)系起來的過程中教師起著關(guān)鍵的作用。

五、結(jié)論

人工輔導(dǎo)是一種非常有效并且令人愉快的學(xué)習(xí)方式，但是為每個學(xué)生買一臺電腦比為每一個學(xué)生雇用一名教師的成本效益要高很多。眾多研究證實認(rèn)知導(dǎo)師在人工輔導(dǎo)方面起到了極大的推動作用，關(guān)于認(rèn)知導(dǎo)師的研究在很多方面都正積極地進(jìn)行著，目前一個主要的研究主題是輔導(dǎo)元認(rèn)知技能。

參考文獻(xiàn)：

[1]Aleven， V.， & Koedinger， K.R. （2002）. An effective meta-cognitive strategy： Learning by doing and explaining with a computer-based Cognitive Tutor. Cognitive Science， 26， 147-179.

[2]Aleven， V.， McLaren， B.， Roll， I.， & Koedinger， K. R. （2004）. Toward tutoring help seeking. In Lester， Vicari， & Parguacu （Eds.） Proceedings of the 7th International Conference on Intelligent Tutoring Systems， 227-239.

[3]Aleven， V.， Popescu， O. & Koedinger， K. R. （2003）. A tutorial dialog system to support self-explanation： Evaluation and open questions. In U. Hoppe， F. Verdejo， & J. Kay （Eds.）， Artificial Intelligence in Education： Shaping the Future of Learning through Intelligent Technologies， Proceedings of AI-ED 2003 （pp. 39-46）.

[4]Anderson， J. R.， Boyle， C. F.， & Reiser， B. J. （1985）. Intelligent tutoring systems. Science， 228， 456-468.

[5]Bloom， B. S. （1984）. The 2 sigma problem： The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher， 13， 3-16.

[6]Corbett， A.T. （2001）. Cognitive computer tutors： Solving the two-sigma problem. User Modeling： Proceedings of the Eighth International Conference， UM 2001， 137-147.

[7]Corbett， A. T.， Koedinger， K. R.， & Anderson， J. R. （1997）. Intelligent tutoring systems. In M. G. Helander， T. K. Landauer， & P. V. Prabhu， （Eds.）， Handbook of human-computer interaction （pp. 849-874）.

[8]Corbett， A. T.， Koedinger， K. R.， & Hadley， W. H. （2001）. Cognitive Tutors： From the research classroom to all classrooms. In Goodman， P. S. （Ed.）， Technology-enhanced learning： Opportunities for change （pp. 235-263）. Mahwah， NJ： Erlbaum.

[9]Corbett， A.T.， MacLaren， B.， Kauffman， L.， Wagner， A.， Jones， E.， & Koedinger， K.R. （2005）. Evaluating a genetics cognitive tutor： Modeling and supporting a pedigree analysis task. Carnegie Mellon University Technical Report.

[10]Koedinger， K. R.， Anderson， J. R.， Hadley， W. H.， & Mark， M. A. （1997）. Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education， 8， 30-43.

[11]Sleeman， D. H.， & Brown， J. S. （1982）. Intelligent Tutoring Systems. New York， NY： Academic Press.

[12]Sweller， J. （1988）. Cognitive load during problem solving： Effects on learning. Cognitive Science， 12， 257-285.

[13]van Merrienboer， J. J. G. （1997）. Training complex cognitive skills： A Four-Component Instructional Design Model for Technical Training. Englewood Cliffs， NJ： Educational Technology Publications.

[14]McArthur， D.， Stasz， C.， & Zmuidzinas， M. （1990）. Tutoring techniques in algebra. Cognition and Instruction， 7， 197-244.

[15]Merrill， D.C.， Reiser， B.J.， Ranney， M. & Trafton， G.J. （1992）. Effective tutoring techniques： A comparison of human tutors and intelligent tutoring systems. The Journal of the Learning Sciences， 2， 277-305.

[16]Nathan， M. J. & Koedinger， K. R. （2000）. An investigation of teachers' beliefs of students' algebra development. Cognition and Instruction，18（2），207-235.