用自適應技術支撐個性化學習

引子

School of One

約翰·佩雷斯是美國紐約布魯克林區八十八中的一位七年級學生。他每天到學校后，第一件事情就是打開學習終端，領取一份個人學習日程表。這份日程表的課程安排與他的同伴不一樣，因為約翰最近一次的代數練習只得到了B，所以今天的時間表上安排了他參加一個小組講座，補修昨天有問題的內容。事實上，約翰的每位同學得到的日程表安排都不一樣。這是由于八十八中正在實施一個叫做School of One的項目——紐約市教育部門的一項初中數學教改項目。School of One采用了一項最新的技術，能自動為每位學生提供個人學習計劃。因此，根據自己的學習需求和優勢，每位學生都能獲得獨特的每日時間表；且每個時間表和教學計劃都是自動調整以適應每位學生能力和最成功的學習方法。由于School of One以學生為中心，把技術和課程整合，并在學校提供一種混合式學習環境，滿足了每位學生的個性化學習需求，所以在2009年《時代》雜志評選的50項最佳發明中，該項目是獲此殊榮的唯一一項教育創新。2011年，美國教育發展中心的兒童和技術中心對該項目2010年的實施進行了獨立評估，結果顯示：參與學生的數學成績顯著跑贏非參與的學生。

綜述

● 優秀教師的做法

每位學生的學習都是獨特的。優秀教師的做法是對學生的學習情況進行適應性分析，根據學生的家庭背景、興趣和愛好，以及知識基礎、學習能力、學習方式等，在每次學習之前，在每次作業或測驗后，為不同學生提供不同的輔導策略、補救措施和對應的學習材料。采取這種適應性教學法（個別化教學和差異化教學），使學生在教師的幫助下能進行定制化學習。

不過，即便是最優秀的教師也很難完成面面俱到的分析，許多教師只是做到了在某些方面適應性分析，而且不是每位學生都會受到如此的照顧。因為，沒有現代信息技術技術的幫助，要做到這一點需要極大工作量。

● 斯金納的機器教學

在20世紀50年代，哈佛大學教授、心理學家B.F.斯金納根據自己創立的新行為主義理論發明了教學機器，并以此來進行程序化教學。其原理就是：把教學材料分解成按循序漸進原則有機聯系的幾百甚至幾千個問題框面組成的程序；在學生回答問題過程中，教學機器根據學生的薄弱環節呈現教學材料進行提示，直到學生回答正確后再進行下一個內容的學習。

課堂上采用斯金納的教學機器，與傳統的班級教學相比較有許多優點。第一，教學機器能即時強化正確答案，學習效果的及時反饋能加強學習動力。而在傳統班級教學中行為與強化之間間隔時間很長，因而強化效果大大削弱。第二，教學機器使學生學習行為得到積極強化，力求獲得正確答案的愿望成了推動學生學習的動力，提高了學習效率。傳統的教學消極強化，會導致學生失去學習興趣。第三，采用教學機器，一個教師能同時監督全班學生盡可能多地完成作業。第四，教學機器允許學生按自己的速度循序漸進地學習，這能使其對教材掌握得更牢固，提高他們的學習責任心。第五，采用教學機器，教師就可以按一個極復雜的整體把教學內容安排成一個連續的順序，設計一系列強化列聯。第六，教學機器可記錄錯誤數量，從而為教師修改程序提供依據，結果是提高了教學效果。第七，學習時手腦并用，能培養學生自學能力。

但是由于缺乏對認知心理學的借鑒、教學內容媒體形式和機器功能單一等不利因素，使機器教學實踐并沒達到預想效果。實踐中缺乏師生間的及時交流；過細分割教學內容導致學生缺乏對知識的整體認知；學生盲目地追求學習進度、猜想問題的答案和不求甚解。不過，教學機器是一種自適應學習系統萌芽，初步實現了量身定制的教學，并努力讓學習者從信息的被動接受者轉變為教育過程的合作者。

● 計算機智能化教學

20世紀70年代后，結合計算機技術和認知心理學發展起來的人工智能逐漸成熟，用于教育的各種智能教學系統也相繼被開發出來。智能教學系統是利用計算機為學習者提供及時性和定制化的教學和反饋的適應性支持系統，它的結構包括四個基本組成部分：認知模型、學生模型、教師模型、界面模型（Charles P. Bloom， R. Bowen Loftin）。

認知模型決定問題解決可能需要的所有步驟。更具體地說，這種模式包含要學習領域的概念、規則和解決問題的策略。它的主要實現功能為：專業知識庫，學生表現或檢測錯誤的評價標準等。學生模型跟蹤和模擬學生的認知、情感狀態以及隨著學習進程的發展出現的變化。

教師模型根據認知模型和學生模型的信息選擇教學的策略和行動。界面模型實現人機交互的所有功能。

隨著計算機智能化教學研究和實踐的深入，學界逐漸總結出了設計和開發的八項原則和四個階段。智能教學系統的設計以使學生成功解決問題為總原則，并輔以這八項原則：①模擬學生的能力。②表現傳遞目標結構是問題解決的基礎。③在解決問題的環境中提供教學。④深化對解決問題的知識的抽象理解。⑤最大程度減少學習過程中的記憶負荷。⑥對錯誤提供即時反饋。⑦為學習調整教學容量。⑧幫助學生循序漸進地達成目標技能。

智能教學系統的開發和大多數的教學設計過程大致相同，包括四個迭代階段：①需求評估。②認知任務分析。③初始教學的實施。④評價。

由于得益于行為主義和認知心理學的優勢互補，相比教學機器，智能教學系統顯然是較高級的自適應學習系統。它能更準確地分析判斷學生的學習情況，提供的教學方法、學習材料和評估方式也更多樣化。

在20世紀80～90年代，智能教學系統在學校教育、企業培訓和軍事訓練中得到了較多應用，成功的個案主要體現在數學、健康科學、語言習得等領域的教學。不過，由于智能教學系統開發和實施成本昂貴，導致其最終沒有得到廣泛的推廣和應用。此外，以下兩個缺點也為業界所詬病：智能教學系統主要是用預設因素來對學生的學習進行適應性分析和模擬匹配，因此不能全面地把握學生的學習需求和特征；智能教學系統仍然是以教師為中心（這里的教師是計算機系統）來實現個別化教學或差異化教學。這種從模擬認知—自適應教學的模式，主要受到當時教育、學習科學和計算機數據挖掘處理技術的發展限制。

● 自適應個性化學習

進入21世紀，Web2.0、語義網和云計算等新技術相繼被開發出來，互聯網應用日趨豐富。在此基礎上發展起來的在線學習得到了長足的發展，到了2012年出現了爆發式的增長。特別是計算機網絡數據的挖掘和處理技術的成熟使自適應學習技術重新被重視和開發，并認為是大規模在線教育發展的重要基礎。2008年，結合新的教育和學習理論的研究，學界提出了利用自適應技術服務于個性化學習的新觀點——自適應個性化學習。綜合多方的論述，自適應個性化學習被認為是在學習分析的基礎上，采用自適應技術動態連接課程資源，以滿足學生個性化學習需求的一種學習技術。它從智能教學系統發展而來，在設計和開發上二者有很多相通之處，不同之處是個性化自適應學習是以學生為中心，并有自身獨特的十條法則（Nish Sonwalkar）：

（1）“一刀切”方式在網絡教育中是行不通的。

（2）信息不是教育——當前基于網絡的學習正導致信息過載。

（3）學習需要一個對多種媒體內容的認知過程。

（4）不同個體的學習，涉及學習內容和學習路徑的不同。

（5）基于認知的發展和對新知的消化吸收進度，每個人有不同學習策略。

（6）個性化的學習是達到更高的完成率和更快的學習的一種方式。

（7）學習是四維的，其中包括：多種媒體，認知策略，交互性和社會化學習。

（8）唯一有意義的評估是幫助學習者提高，并達到所需的能力。

（9）用正確的學習策略和學習的步伐，任何人都可以達到即定的學習目標。

（10）教師最大的作用是引導學生如何學習，而不是學習什么。

● 自適應個性化學習的特征

1.學習分析技術

采用新的學習分析技術，能全面掌握學生的學習情況。通常做法是對學生進行課前的形成性評估來完成學習分析。自適應個性化學習采用的學習分析技術是基于學生的“大數據”，利用特殊的算法來得出學生的學習需求和學習特征。這項技術得益于商業智能的發展，即對大量商業數據源的統計、評估和識別，可以幫助企業做出更明智的決策。同樣，學校對大量學生信息的搜集、管理和分析，能幫助學校和教師實施提高學習效果和更利于學生發gmQ5KIr67e6qoen0Al93Ag==展的教育教學行為。

學生參與在線學習后，會留下大量的數據碎片，學習分析系統通過對這些數據的跟蹤、搜集和統計，分析出學生活動和學習成果之間的相關性，識別促進和阻礙學生學習的因素，并把這些數據轉化為教育工作者能理解的知識呈現出來。

在學校中，這些被稱為“大數據”的大量數據碎片，主要來自學生信息系統、學習管理系統、數字內容管理系統評估和成績管理系統。從這些系統中搜集了學生的家庭背景、興趣和愛好，以及訪問的內容、停留的時間、學習的進度、獲得的評價和成績單等數據；還有，學生在互聯網上訪問的社會化媒體（博客、微博、圖片和視頻分享網站等）也留下了大量的數據；最近興起的MOOCS和數字教科書也能搜集學生的學習數據。而每個學生知識基礎、學習能力、學習方式和學習步伐就蘊含在這些數據中。通過學習分析技術就能把這些重要的知識顯現出來，為教育教學提供有力的參考。

2.自適應學習路徑

采用新的自適應技術，生成學生個性化學習路徑。學習分析結果不但能為教育工作者提供了解學生的管道，還被用于自適應分析來幫助學生實現個性化學習。自適應技術能動態連接學習分析結果和課程體系，為每位學生自動生成一個獨特的學習路線圖。每個路線圖可能會包含時間安排、方法推薦、課程和學習材料的推送等，并能給予學生充分的自主性，能讓學生知道學什么、如何學習以及自己掌控學習。

在借鑒智能教學系統結構模型的基礎上，自適應技術采用了復雜的統計和概率學算法，分析出學科知識的結構和難易程度，以及對應課程和學習材料的層次和呈現風格，匹配學生已有的學習特征和對當前知識的掌握程度，最終形成每位學生的個性化學習路徑。

這一學習路徑不是一成不變的，而是會根據學生每段時間的學習活動及評估報告做動態的調整。當然，自動匹配的學習路徑并非真正完美契合每個學生，因此學生自己可以通過每天的學習心理狀態自我評估或選擇性接受系統的學習活動安排，以及參考教師的反饋來對學習路徑進行修正。

3.課程內容多樣化

提供多樣化的課程和學習材料，支持學生的獨特的認知需求。要實現個性化學習，就應該滿足學生對不同課程、環境，以及學習方法、節奏、教師選擇的需要。因此，自適應個性化學習系統中為學生提供了以下多樣化的課程：

對同一學科的課程內容多樣化體現在：不同的教材，不同的起點，不同的環境以及不同的評價手段。不同的環境包括：大組講授（12～24人），小組講授（6～12人），小組合作（3～6人），在線講座，實時遠程輔導，獨自學習，實踐活動等。不同評價手段：學習需求診斷，每日學習進步評估，統一測驗，教師和同學給予的人工評價，學生自我學習狀態評估等。

學習材料的多樣化指的是：圖文、音視頻、3D材料、動漫、游戲等。

個性化學習路徑生成后對課程和學習材料的推送也不是單一化的。學生可采用系統最優推薦，或自主挑選喜愛的學習內容，以及在受困時及時更換學習材料，這樣才能最大限度符合個性化學習的特征，實現無障礙學習。

● 自適應個性化學習案例

1.Knewton

Knewton（紐約市的一家網絡培訓公司）是較早進入自適應個性化學習領域的公司之一，他們聲稱開發了行業內“最強大的自適應學習引擎”，其“連續適應性能力能滿足每個學生每天的教育內容定制”。該算法能判斷用戶實際水平，并為用戶提供與其水平相適應的課程。Knewton通過不斷的提問和測試，判斷使用者的真實水平，再為用戶提供與之水平相對應的課程輔導；并強調用即時反饋、社區協作和游戲化促進學生個性化和快速地學習。2012年夏天，亞利桑那州立大學數學系超過2000名學生使用Knewton兩個學期后，缺勤率下降了56％，合格率從64％上升至75％，45％的學生能夠提前4周完成學習任務。（網址：http：//www.knewton.com）

2.DreamBox

DreamBox開發的智能自適應學習平臺專注于美國小學數學課程。目前為止該平臺已贏得了超過20項教育和科技行業大獎，并在美國50個州的公立和私立學校得到廣泛采用，擁有500多個在線數學課程、謎語、游戲及其他課程等內容。DreamBox能根據學生的回答，自動調整難度、支架、問題的順序和進度。確保每位學生在自己的最佳學習區得以進步。自適應學習技術與教育理念緊密結合在一起，達成高度個別化學習。值得一提的是DreamBox的平臺并非單純用于在線學習，而是更多地用于混合學習環境中的個性化學習。2011年8月，獨立研究機構SRI發現，在加利福尼亞州的3個學校使用Dreambox平臺16周后，學生的測試成績提高了5.5％。（網址：http：//www.dreambox.com）