在線教育眾籌的技術機制與學習神經元

楊開城　李通德　惠治儒　田浩

摘要：在線教育已經成為終身教育背景下的主流教育形式之一。成功的在線教育必然是那種實現了基于知識產品的、長期穩定的、以學習者為中心的個性化教育服務。由此，在線教育的知識產品開發必然要追求模塊化、可定制、快速進化等特點。但目前在線教育的產品模塊化沒有真正達到可聚合的水平，也沒有達到可定制和快速進化的水平。擺脫這些困境的辦法之一是教育眾籌，即由大眾中的能手創建可聚合的知識產品模塊，由專業團隊將它們組裝成高質量的在線課程并提供學習支持服務。這需要在線教育產品開發模式與產品技術機制的革新。學習神經元（Learning Neuron，簡稱LN）是一種能夠提供富交互學習情境、旨在完整達到特定學習目標、可記錄學習過程、可識別學習行為的可互聯微型學習系統。它具有知識建模圖屬性，可實現跨平臺互聯聚合；它在客戶端設有學習行為感知器，在服務器端設有學習分析引擎，可以解決學習分析和定制的問題。將學習神經元作為基礎模塊，在技術機制上可實現在線教育的眾籌，以形成快速進化的狀態。我們開發的一個簡單學習神經元，初步檢驗了這種技術機制的可行性。

關鍵詞：在線教育；教育眾籌；技術機制；學習神經元；學習分析

中圖分類號：G434 文獻標識碼：A 文章編號：1009-5195（2017）01-0051-08 doi10.3969/j.issn.1009-5195.2017.01.007

一、在線教育的實踐困境

隨著互聯網越來越成為人們日常生活的一部分，在線教育也越來越發展成為一種不可替代的主流教育形式。可是，目前人們卻總是將線下教育“搬到”線上來“造就”在線教育。這幾乎使得在線教育成了在線的線下教育，除了媒體技術所帶來的炫酷之外，教學自身與線下教育沒有本質不同，沿用了精英教育大眾的模式。更糟的是，這種在線教育不但全盤繼承了線下教育的某些弱點（比如灌輸），同時也無力克服因技術因素導致的弱點（比如缺少人氣，只能依賴界面美感吸引人）。其實，在線教育原本可以不如此。

線下教育是組織化的面對面群體活動，多主體同步交互必然形成直接的權力等級關系，這種等級關系所帶來的組織化優勢是：明晰的目標、穩定的結果和滿意的效率。也正因為如此，線下教育情境下，任何媒體產品都只能是教師的工具而無法代替具有完整人格力的教師角色，即使是學習工具，學生也必須在教師的授權下使用。教學中偶發的獨立學習活動（協作的或個體的）是教師權力讓渡的結果。教育技術領域曾經過于樂觀的用媒體代替教師的努力無一成功。作為教師工具的媒體產品，多半只能著重發揮其傳播信息和組織活動的功能，必然著眼于以教師為中心的功能設計。所以，媒體產品只能在教師工具的大框架下進行設計，產品的交互設計以及其他技術潛能（快速感知、記錄、臨場的信息處理，等等）遠不是產品生命力的核心。

可是，人類社會已經進入到終身學習的階段，僅僅靠學校教育遠遠無法滿足這種需求。那些學習欲望強烈的學習者往往也是社會領域中的能動分子，他們對文憑不感興趣，也不可能再有足夠多的時間回到學校學習。現代社會的終身教育只能依賴技術的力量，走向在線教育的形式。

終身學習意義上的在線教育必然是一種市場背景下的教育服務，成功的在線教育必然是那種實現了基于知識產品的、長期穩定的、以學習者為中心的個性化教育服務。但全面實現以學習者為中心的個性化在線教育服務的市場運作，遠比做個試驗復雜得多。在學習者群體方面，在線教育不可能如學校組織那樣通過考試篩選學習者，只能面向所有能付得起學費的學習者。學習者之間個體差異的豐富性要比學校組織中的情況大得多。面對這類學習者群體，要實現個性化的教育服務，一方面必然依賴知識產品自身提供服務的個性化，主要是信息服務的個性化；另一方面依賴學習支持服務的個性化，主要是情感、方法支持的個性化。前者依賴的是自動化產品，屬于低成本的市場低端；后者依賴的是人工，屬于高成本的市場高端。在線教育不可能完全依賴人工實現個性化，因此在線教育的個性化教育服務必然依賴知識產品自身的功能品質。由此，在線教育自然要求它的知識產品開發實現低成本地快速感知需求、快速生產、快速升級和淘汰，這必然要追求模塊化、可定制、快速進化等特點。

模塊化的好處是可重用、可組裝、易維護，三者緊密相聯。可重用越高，用模塊組裝起來的產品維護成本就越低。國內教育軟件產品模塊化的顯性努力始于黎加厚先生提出的“以不變（積件）應萬變（教學實際）”的“積件”思想（黎加厚，1997）。所謂積件（Integrable Ware），是構成課件的基本教學元件，是基于某一知識點的微教學單元、教學素材或微教學策略等。人們能根據教學需要對它們進行編排、組合和應用，生成具有一定教學功能的多媒體教學程序（劉曉雪等，2004）。但與美國業界提出的學習對象（Learning Object，簡稱LO）概念相比，積件思想過于簡單。積件沒有標準元數據以及包裝格式的定義，本身不能與教學系統交換信息，不能記錄學習的過程（余勝泉 & 楊現民，2007）。

學習對象的概念在國內外影響甚大，它是指任何具有可重用特性并用來支持學習的數字化資源。人們為學習對象定義了完備的內容聚合規范，比較典型的應用是SCORM標準中的內容聚合模型（CAM）。以內容聚合規范為基礎，理想的學習對象理論上能實現易檢索、可共享、可聚合、可重用、可定制、跨平臺等特性（胡小勇等，2002）。后來IMS又開發了學習設計規范（IMS Learning Design，簡稱IMS-LD），這使得采用學習設計的學習對象可擺脫P2C（People to Content）的學習方式、缺乏學習過程控制、無法實現教學策略和智能性等缺點（余勝泉 & 楊現民，2007）。在國內，余勝泉教授提出的學習元概念模型以及相應的平臺是IMS-LD規范的良好應用。通俗來講，學習元是在學習內容的基礎上附加一定的語義描述信息、生成性信息、格式信息、學習活動和KNS（Knowledge Network Service）網絡的新型學習資源（余勝泉 & 楊現民，2007）。學習元在保持了學習對象諸多特征的基礎上，又增加了生成性、開放性、聯通性、內聚性、可進化發展、智能性、微型化、自跟蹤等八大特點（程罡等，2009）。以上這些研究為在線教育知識產品的模塊化積累了相當多的經驗。

但目前的模塊化實踐仍沒有真正達到可聚合的水平，特別是無法做到跨平臺的聚合。構建模塊的根本目的就在于可組裝、可聚合成更高級的東西。但是目前人們普遍考慮的是知識產品自身構成的模塊化，這是軟件工程的常識。作為知識產品自身，人們很少再將它看作是模塊。目前只能做到利用標簽進行檢索，然后再人工分析、選擇和改編以實現聚合，體現不出學習對象的可聚合性。在線教育領域，獨立開發的最大產品除了平臺就是課程，課程目標內容很多，人們常常把它做成大而全的產品，而不是先做成多個獨立的模塊再組裝。在某種程度上說，目前的在線教育實踐并沒有對學習對象的可聚合性提出實質要求。

如果說模塊化是面向產品開發的工程特性，那么定制服務則是面向學習者的功能特性，即及時感知和分析學習者的個體差異實情，并據此為他們提供個性化的教育服務。其中，穩定的人格特征可以通過心理測量量表獲得，但其他方面的特性只能通過分析學習者在學習過程中的表現來測量。這個過程就是學習分析。

目前學習分析研究處于割裂的狀態，形成了獨立的行為分析和獨立的學習內容分析兩個領域。在線學習情境下，行為分析是指將師生媒體之間的交互過程轉化為（言語）行為動詞序列，試圖以此發現某些規律。但這種分析方法在編碼體系和科學性水平方面具有明顯缺陷（丁瑩 & 楊開城，2012）。至今這種分析方法也沒有發現什么規律。這是因為這種學習行為分析只是學習情境下的行為分析，我們要么無法區分學習行為與其他行為，要么所面對的就是非學習行為，更多地是不直接具有學習含義的人機交互行為。學習=學習行為+學習內容。而學習行為與學習內容存在互賴關系，離開了任何一方，都難以對另一方有完整的理解。行為動詞編碼去除了學習內容，因而無法完整地描述學習。

內容分析普遍采用基于知識圖的數據挖掘方法考察學習者在知識領域的表現，比如學習路徑、學習歷史或知識生成的狀態。但目前所采用的知識圖普遍是概念圖或知識本體圖。由于這種圖對知識體系的表征能力有限，而且在性質上是語義圖，我們很難制定針對語義的繪圖規范（比如對于兩個結點在什么情況下選擇什么語義名稱），因此基于概念圖或知識本體圖進行學習內容分析，似乎在技術上是可行的，卻只具有“演示”的意義，其廣泛的實用性是很可疑的。人們沒有料到，基于語義圖并不能在普適意義上實現語義聚合。

除了上述割裂狀態，學習分析領域研究還有下面兩點被嚴重忽視了：

第一，學習分析與產品設計是割裂的。在知識產品設計之初，并沒有考慮到學習分析對源數據的實際需要（除了記錄交互過程），而后期的學習分析只能依賴人機交互日志數據，分析結果自然很難符合個性化學習支持服務的需求。這類學習系統很容易記錄學習者的交互操作，即各種鍵盤輸入、鼠標點擊和拖動以及這些操作發生的功能模塊。但交互操作不直接等于學習行為，因為離開了特定的學習內容和情境，我們不清楚交互操作的教學意義或學習意義。換句話說，學習行為的感知是內嵌于學習內容和學習過程的。如果要直接收集學習過程數據，就需要在學習環境中埋設學習行為感知器。

第二，學習分析的主旨偏離。學習分析的主旨不是事后對學習結果孤立的評價、反思，而是考察事實上的學習結果與目標的差異以及這個差異是如何在過程中積累而成的。換句話說，學習分析對于在線教育來說，實際上就是搞清楚學習者的學習過程與理想的學習過程的差異，在差異處尋求個性化的支持服務。

總之，目前由于學習分析研究的滯后，在線教育的產品定制無論是理論還是實踐，都遠遠不能滿足需要。

初步的模塊化和無法定制，使得在線教育的知識產品難以實現快速進化。大而全的知識產品，在功能性能上大同小異且數量有限，因此無法形成優劣競爭局面；再加上在線教育處于發展初期，市場不成熟，僅有的市場反饋無法形成進化壓力，自然也就沒有進化動力。另一方面，產品開發的技術機制也使得快速進化成本太高。總之，在線教育的知識產品尚難進入令人滿意的進化狀態。

綜上所述，除了初步實現了內部模塊化，在線教育基本上沒有達到可定制和快速進化的水平。現實情況是：初期精英分子（比如優秀的大學教師或培訓講師）生產平庸的教育產品，經市場洗禮，已經讓位于平庸者以精英的姿態去生產平庸的教育產品，經由模板化、標準化導致呆板化，陷入平庸陷阱，最后只能依賴政府相關部門的非投資性資本投入維持，偶爾的革新也只能停留在試驗狀態，甚至依賴文憑誘惑維持虛假的教育市場。很明顯，精英教育大眾的方式并不適合在線教育。

二、在線教育的眾籌與學習神經元的技術機制

擺脫上述困境需要兩個方面的努力：一是產品開發模式上的革新，二是產品技術機制上的革新，二者緊密相聯。目標只有一個，擺脫精英教育大眾的教育服務模式。

在產品開發模式上，需要做以下幾方面的改變：（1）由大眾中的能手創建知識產品模塊。當然這種模塊必須是后面所談到的可聚合模塊，特別需要具有跨平臺可聚合的能力。（2）專業團隊組裝而生成終端產品。專業團隊中的課程教學專家將知識產品模塊組裝成為一門在線課程。（3）依賴專家品評和市場反饋促進進化。組裝課程的專家考察模塊質量和取舍，并且在市場反饋的基礎上決定是否調整課程的模塊構成，而能手也可以根據市場反響和專家意見改進他創建的產品模塊。這些調整基于模塊，成本較低。

總的來說，教育領域中的專業團隊將負責課程組裝以及學習支持服務，而模塊是由大眾能手創建的。大眾能手人數眾多，在利益驅動下，會產生大量、異質的產品模塊，這便于形成競爭，生成進化動力 。但要想實現上述產品開發模式，必須從產品技術機制入手，解決下面兩個問題：

第一，模塊必須具備跨平臺互聯聚合的能力。這種聚合的目的是形成在線課程，它是一種基于內容的聚合能力。一門在線課程的所有外部媒體表現形式都可以看作它的表層結構，而它所傳遞的知識網絡才是它的深層結構。各模塊除了各自具有不同的環境設定、資源配置和交互風格之外，還必須具有教學或學習的知識屬性，否則就無法依據它們的知識屬性按照課程知識網絡的內在要求聚合成在線課程。模塊的知識屬性可以用知識圖來表征，卻不能用語義圖，因為語義圖不但含混而且難以制定規范使之在各個模塊之間共享。同一個知識材料，不同主體會提供不同的語義圖，并且都可能是正確的。也就是說，如果將語義圖作為模塊的知識屬性表征以實現模塊的聚合，做一個演示是可以的，但卻不可能在實用層次上實現互聯聚合，即使在平臺內部，也是難以做到的。因此，模塊必須以客觀圖作為其知識屬性。有了客觀圖作為知識屬性，還能夠實現模塊跨平臺自由流動，這是非常重要的一點。也就是說，模塊發布保存在哪個平臺是沒有技術上的差別的。創建者可以選擇適合的平臺發布他的模塊，但不會妨礙模塊的檢索和聚合。

第二，模塊必須具備學習行為的感知與分析能力。由于模塊的創建者是大眾能手，他們不受任何與模塊功能無關的規范約束，他們可以按照自己的個性設計模塊。但是除了學習或教學功能外，所有模塊必須具有學習行為的感知功能，否則由它們組裝而成的在線課程無法感知學生的學習行為，進而無法分析學生的學習行為，也就無法為學生提供個性化的教育服務。感知是基于情境的，因此模塊必須嵌入學習行為感知器。最簡單地做法是，模塊為每個交互元素設置它的學習或教學屬性。后期的學習行為分析是基于行為感知數據的，分析算法可以是獨立、共享的，不需要事先嵌入模塊之中。

此外，這種產品模塊要能轉變為現實，其開發成本必須很低，所以微型模塊是自然要求。學習行為感知以及后期的分析都要求產品模塊微型化。模塊微型化也可以讓創建者將注意力集中于精巧設計，而不是大而全的知識覆蓋。如果學習對象規模過大、內容過多、過程過長，交互操作勢必極其繁雜多變，其行為感知實現的難度必然很大且準確度必然很低。目前學界談論微型化的不多。積件和學習元都承諾微型化，但目前來看尚沒有實現的強制機制，是自然發生的，這取決于創建者的意圖。

為了解決上述問題，我們提出學習神經元的概念：學習神經元（Learning Neuron，簡稱LN）是一種能夠提供富交互學習情境、旨在完整達到特定學習目標、可記錄學習過程、可識別學習行為的可互聯微型學習系統。

學習神經元系統是客戶端-服務器系統。客戶端為學習者提供個性化的富交互學習環境，這個學習環境中埋設有學習行為感知器。服務器與客戶端通訊，記錄存儲學習者的學習行為，以供后期的學習分析。學習行為識別與分析在服務器端，由學習神經元客戶端指定的學習分析引擎完成（技術機制如圖1所示）。

在概念上，完整的學習神經元至少由以下幾個部分構成：

一個知識產品模塊提供令人滿意的學習場景以及其他一些基本的技術配置不是本文的重點。下面闡述學習神經元的關鍵特征。

（1）知識建模圖

知識建模圖是一種按照特定規范繪制的知識隸屬關系圖（楊開城，2010，pp.63-66）。它是基于知識之間的語義聯系構建的，但不是語義圖。有研究表明，由于特定規范的約束，不同主體針對同一內容所繪制的知識建模圖存在令人滿意的一致性（趙文娟，2011）。也就是說，知識建模圖是客觀圖。神經元構建者只要遵循知識建模規范為神經元設定知識建模圖，神經元之間就可以根據知識建模圖的交點建立互聯，實現聚合。我們也可以根據這個屬性識別學習內容相同或相似的學習神經元。設置學習場景中的學習行為感知器以及后期的學習分析都需要用到知識建模圖。

（2）學習行為感知器

所謂的學習行為感知器，就是具有特定功能和教學或學習屬性的交互元素（比如按鈕、超鏈接，等等）。這里的學習或教學屬性中的知識表征采用知識建模圖。當這些交互元素被學習者激活時，這個交互元素負責將屬于該交互元素的具有教學或學習含義的信息發送給服務器。比如，某個按鈕的學習屬性是“某些知識內容的理解”，點擊它，該按鈕負責將理解水平的知識內容發送給服務器。

（3）學習空間的靜態描述

將學習場景中所有的交互元素匯集起來，便構成了該學習神經元的學習空間靜態描述。學習空間中包括兩類對象，一類是頁面，另一類是交互元素。頁面是交互元素和其他頁面的容器。如果某交互元素包含特定的學習或教學屬性，它就是學習行為感知器。學習空間的靜態描述是定義理想學習行為的基礎。理想學習行為是學習分析的重要參照。

（4）學習分析引擎

學習神經元構建者可以是學習場景的設計能手，卻不一定也不必要懂學習分析。學習分析的數據來源雖然是學習場景，但對數據的后期處理必須是獨立于學習場景的，也就是獨立于神經元建構者的。這個獨立的學習分析算法集，我們稱之為學習分析引擎。我們可以根據學科、學習活動、資源條件等差異，研發各種學習分析引擎以供學習神經元的構建者選用。每個學習神經元在發布時再指定它所適合的學習分析引擎。

學習分析引擎的開發是高技術含量的活動，所開發出來的分析引擎也一定是模型化的、有限適用范圍的。當學習神經元的內容和學習場景過大時，學習分析引擎極有可能失效。因此，為了能夠準確感知、識別和分析學習行為，學習神經元必須設計得“小而精”，每個學習神經元不應包含過多的內容和知識點。在某種程度上，學習分析引擎是學習神經元微型化的技術強制力量。

總之，學習神經元是微型學習環境，開發門檻低，大眾能手即可開發，輔以知識產權保護和市場利益驅動，便能產生大量的學習神經元產品以形成競爭事態，引發進化；學習神經元具有知識建模圖屬性，可輕松實現跨平臺互聯、聚合，專業團隊可以將不同平臺中的學習神經元組織成一門在線課程。在市場競爭驅動下，優秀的學習神經元以及相應的課程產品脫穎而出。由此，在線教育可形成一種我們稱之為“教育眾籌”的事態。此處的“眾籌”，借用的是經濟領域中的“眾籌”。經濟領域中，眾籌是指資本眾籌，有意愿者湊個份子，以便使得被資助者做成某件事。這里的眾籌是“智慧”眾籌，大眾能手貢獻知識模塊，以便組裝成高質量的在線課程。在教育眾籌事態下，任何人既可以是學習神經元的使用者，也可以是學習神經元的創建者。

三、一個學習神經元原型產品

為了檢驗上述技術構想是否可行，我們開發了一個極其簡單的學習神經元系統，學習內容是大學課程“數據結構”中的“二叉樹先序遍歷算法”。該學習神經元的知識建模圖如圖2所示。客戶端的具體功能包括復習二叉樹的基本概念、觀察先序遍歷算法的運轉過程以及相應的練習（如圖3和圖4所示）。

從產品界面上，它與一般的CAI課件無異。但這個產品為每個交互元素都設置了學習行為感知器。在概念上，該產品中的交互元素可以按照這個格式來描述：交互元素=（元素名稱）（元素ID）（控件）（操作）（功能）[（頁面ID）|（內容）（水平）][（內容）（水平）...]]。比如，圖3中的“提交”按鈕是這樣設定的：（提交）（ltree_submit）（按鈕）（點擊）（交互），意味著用戶點擊這個按鈕是人機交互行為，學習場景會根據提交的答案呈現反饋。再比如，圖4中的“下一步”按鈕是這樣設定的：（下一步）（process_nextpro）（按鈕）（點擊）（激活知識）（二叉樹先序遍歷）（理解）（訪問根節點）（理解）（訪問左子樹）（理解）（訪問右子樹）（理解），意味著用戶點擊“下一步”按鈕時，在試圖理解先序遍歷算法的過程細節。而圖4中的“下一頁”按鈕是這樣設定的：（下一頁）（process_next）（按鈕）（點擊）（頁面跳轉）（practice），意味著用戶點擊“下一頁”按鈕，跳轉到其他頁面。當然，軟件實際運行時，會根據實際情況將交互信息發送給服務器，比如在某種情況下，圖4中“下一步”按鈕激活的知識只是“（訪問根節點）（理解）”。

來自客戶端的用戶操作數據有很多，激活知識內容的操作只是其中一部分。這個產品根據操作數據的交互類型以及頁面停留時間，將符合要求的交互行為定性為學習行為，再將這些學習行為與理想學習行為進行對比（如圖5所示）。這里，理想學習行為默認為學習空間的靜態描述，即完整地遍歷所有頁面、點擊所有交互元素就是理想的學習行為。理想學習行為是學習分析引擎的一部分。對于更加復雜的學習神經元來說，理想學習行為模型可以是更復雜的表征，甚至是利用人工神經網絡算法訓練的結果。

這個原型產品初步實現了一個極其簡單的學習神經元，焦點用戶試用反饋的信息主要集中在客戶端學習功能設計方面，感覺與使用一般CAI課件沒有差異。服務器端收集到了全部的學習行為數據，與理想學習行為做了簡單的對比，統計了頁面和知識點的訪問次數。這個原型產品并沒有在學習分析方面做深入探索，只是初步證明了學習神經元技術機制的可行性。根據已收集的數據，學習分析可以產生更多的結果，比如用IIS圖分析法計算知識點激活量在知識建模圖中的分布、針對某些指標多用戶之間的對比，等等。

四、后期的研究重點

學習神經元系統的開發強調將學習分析與學習設計整合在一起，在客戶端埋設學習行為感知器實現學習過程保真存儲，為后期的學習過程分析和個性化學習支持服務提供基礎數據，而所有這些功能可以廣泛實現的關鍵，是學習神經元具有知識建模圖這個屬性。有了知識建模圖屬性，學習神經元可以輕松實現跨平臺互聯聚合。學習神經元是微型學習模塊，可由大眾能手創建；基于學習神經元課程產品的聚合以及學習支持服務由教育服務機構的專業教學團隊負責；學習分析引擎則由教育領域中的研究機構負責。如此，便能初步形成教育眾籌的基本事態。在實踐領域實現教育眾籌并非易事，不但涉及相應的法律法規、市場運營、人員培訓，而且需要在技術方面有所突破。本文關注的是技術層面，其他層面存在未知，但風險不大。技術實現目前承擔著最大的風險。技術實現不但需要克服技術上的困難，而且還需要課程開發和教學設計方面的理論進步。在產品層面上，學習神經元的管理平臺和搜索引擎將是研究的重點；在技術層面上，基于特定學科類型和活動任務的學習神經元的學習分析引擎的開發將是研究的重點；在理論層面上，基于學習神經元的課程開發理論框架和技術規范、教學設計技術規范將是研究的重點。

參考文獻：

[1]程罡，余勝泉， 楊現民（2009）.“學習元” 運行環境的設計與實現[J].開放教育研究， （2）： 27-36.

[2]丁瑩，楊開城（2012）.教學分析方法的對比研究[J].現代教育技術， （9）：12-17.

[3]胡小勇，祝智庭（2002）.學習對象——網絡教學技術的新理念[J].電化教育研究， （4）： 22-28.

[4]黎加厚（1997）.從課件到積件： 我國學校課堂計算機輔助教學的新發展[J].電化教育研究， （4）： 10-14.

[5]劉曉雪，李遠蓉（2004）.重新認識積件理論[J].電化教育研究， （5）： 23-27.

[6]楊開城（2010）.教學設計——一種技術學的視角[M].北京：電子工業出版社.

[7]余勝泉，楊現民（2007）.辨析“積件”“學習對象”與“學習活動”——教育資源共享的新方向 [J].中國電化教育， （12）： 60-65.

[8]趙文娟（2011）.知識建模技術的一致性研究[D].北京：北京師范大學.

收稿日期 2016-10-23 責任編輯 汪燕