大數據時代個性化自適應學習模式初探

楊煒偉　吳恒

[摘 要]大數據時代下“以學習者為中心”的學習理念已成為教育變革的核心趨勢，充分踐行該理念的個性化自適應學習模式有望成為教育新范式。鑒于此，課題組從大數據視角出發，對個性化自適應學習模式發展現狀、理論背景和核心要素展開研究，并從學習者模型、內容模型和自適應引擎等方面對系統架構和實現進行了探析。

[關鍵詞]大數據；個性化自適應學習；學習者模型；自適應引擎

[中圖分類號] G642 [文獻標識碼] A [文章編號] 2095-3437（2018）04-0038-03

○、引言

隨著教育技術的不斷發展，教育信息化的普及和不斷深入，以萬物互聯、大數據以及智慧化為特征的教育時代正在到來，知識傳播和獲取方式正在產生顛覆性的變化，對傳統教育理念和方式產生了革命性的沖擊和挑戰。可以說，大數據時代下一場席卷全球的教育變革正在展開。一方面，傳統標準化課堂教育方式的諸多缺點日益凸顯，如“一刀切”式的統一教學模式忽略了學生知識水平、情感特征、認知能力、元認知能力上的個體差異；另一方面，隨著信息技術的飛速發展，學習空間和時間得到了極大延伸，在線學習、碎片化學習等學習方式對傳統教育理念和模式的適應性提出了新的挑戰。此外，與工業化時代人才培養目標不同，在當前信息爆炸的大環境下，信息化乃至智能化時代迫切需要創新型、智慧型人才，因此急需進行教育模式的變革。特別是，2012年以來，隨著大規模開放在線課程（MOOC）的興起，基于云計算、物聯網和大數據的全球教育革命日益凸顯，在線教育、混合式教學等教育理念和模式不斷涌現[1]。在數據挖掘、人工智能、機器學習等新興技術的支持下，這些先進的教育理念和模式一方面有助于學習者進行差異化學習，促進教育邁向“個性化”時代，另一方面還能對學習過程進行全面監控[2]，使得“因材施教”成為可能。此外，教育研究在教育大數據分析輔助下有望走向更為科學的數據主義和實證主義[1]。通過采集和處理實時全面的學習行為和過程數據，可以預測和判斷學習者的知識能力、認知風格和學習趨勢等特征，幫助教師優化教學策略和教學管理，實現教學“自適應”的智能決策、智能實施和智能評價，促進教學模式向個性化自適應學習模式轉變。

為了適應大數據時代下教育變革需求，在“以學習者為中心”的學習理念指導下，國內外教育界對個性化自適應學習模式非常重視[3]。早在2012年，美國已將“個性化學習”視為國際信息教育技術發展的核心趨勢，最近又將“在大數據分析基礎上實現個性化學習”作為其國家教育技術計劃強調的重點。《英國2020年愿景》中也將“個性化學習”視為未來教育貫穿始終的核心理念。我國關于個性化自適應學習的研究還處于起步階段，主要以理論研究和方案設計為主，對實用化的個性化自適應學習系統的研究還比較少。何克抗教授強調借助教育數據挖掘和學習分析技術促進教學模式向個性化教學方向轉變[2]。姜強等學者對個性化自適應學習基本理論、系統設計和性能評估進行了較為深入的研究[4] [5]。

一、大數據視角下個性自適應學習需求

從教的方面來說，個性化自適應學習是指基于學習者個性特征差異提供個性化的學習服務[4]。多元智能理論中，人的智能可以分為七種——語言、數理、空間、節奏、運動、自我認知以及社交，每種智能代表了學習者的發展潛能和天賦，突顯出其獨特的理解力和興趣愛好，但這些潛能并不是均衡發展的，學習者的個性特征差異在認知過程的每個階段都以不同形式展現，教師需要對教學全過程進行監控，才能挖掘學生的多樣化潛能，幫助學生提高自身認知能力和創新能力。然而，在傳統教育教學模式下，教師無法實時全面地掌握學生的學習過程，無法及時跟蹤學習情況，自然不能做到實時調整教學策略。大數據時代下，知識傳播和獲取方式正發生根本性變革，各種在線學習模式可以對學生學習需求、學習基礎、學習風格和學習過程進行記錄、跟蹤和分析，這為教學全過程監控奠定了基礎。

從學的方面來說，個性化自適應學習是在教育大數據支撐下融合自我調節式學習和個性化學習、以“學”為中心的自主學習模式。構建主義學習理論認為，學習是學生主動地、積極地接收外界信息，并在自身原有的認知結構上進行消化、整理、吸收，從而改善自身認知結構的過程。從元認知理論來說，元認知知識和元認知監控能力在學習過程中起到至關重要的作用，影響著學習者的學習效率和創新能力培養的質量和效率。對教育大數據進行分析，可以為不同學習者個性化地推送教學資源、優化學習路徑，使其真正實現對自我學習的元認知和自主地進行認知構建。

“互聯網+”時代到來，各種在線教育、混合式教學等教育理念和模式不斷涌現，為個性化自適應學習奠定了基礎。早期的在線學習系統主要解決了多元化學習資源的獲取問題[6]。然而，一方面這些資源沒有考慮與學生個體差異的匹配性，學習活動順序和學習資源千篇一律，既不能體現在學習上“個性化”，也無法做到真正的自適應學習；另一方面僅僅是簡單地提供海量豐富的學習資源，容易造成信息迷航、認知負載，反而導致學生學習效率低下、喪失學習興趣。因此，如何有效利用教育大數據，實現真正的個性化自適應學習模式仍值得持續研究和探索。比如，美國麻省理工學院教育學者沙爾默認為MOOC的發展已經經過了傳統視頻錄制、在視頻基礎上增加練習，注重學生間的互動學習和增加互評機制的前三個階段，目前正朝著MOOC 4.0邁進，即實現個性化自適應學習模式[8]。

二、大數據時代個性化自適應學習系統構建

“互聯網+”時代到來，基于云計算、物理網和大數據的教育革命正在進行，學習型社區、虛擬學習社區、微博/微信教學、MOOC、SPOOC、翻轉課堂、混合教學等教育模式和理念不斷涌現，承載這些在線學習或混合學習方式的開放式學習系統為教育大數據的采集、存儲和分析奠定了堅實的基礎，也為以大數據為基礎的教育新范式的出現提供了契機。而隨著數據挖掘、機器學習、人工智能等技術在教育領域的應用，大數據時代下學習模式變革的重要特征和顯著優勢將是對海量、完整、實時的教育大數據進行有效分析并加以利用。姜強等學者指出，開放式學習者模型系統是個性化自適應學習模式構建基礎，既是教育大數據的源泉，也是大數據分析結果的著力點。知識可視化和學習過程可視化可以有效減輕認知負載，提高學習效率[4]。對教育大數據進行有效分析并加以利用是大數據時代下學習模式變革的特點之一，構建有效的大數據分析模型是個性化自適應學習系統的重要工作，也是其與傳統教育教學模式的本質區別。美國教育部簡報認為自適應學習環境應主要包括[1]：①自適應學習內容；② 學生學習數據庫；③未來學習行為以及成績預測模型；④預測結果可視化顯示；⑤自適應引擎，用來調整個性化學習內容，確保學習內容適合學生的能力和特點；⑥自適應人為干預引擎，為教師和教育管理部門提供干預意見和建議。

一般來說，個性化自適應學習系統的核心模塊包括學習者模型、領域知識模型和自適應引擎。學習者模型主要呈現學習者的個體特征和記錄學習者的學習行為。領域知識模型主要描述知識領域的結構及其個性化的呈現方式。自適應引擎通過分析與診斷學習者的知識水平、學習行為與認知能力，動態地安排個性化的學習內容、學習路徑與呈現方式，并且對學習過程進行檢測與管理。基于學習者模型、領域知識模型和自適應引擎三個核心模塊，個性化自適應學習系統應該是開放的學習環境，能夠允許學習者對學習計劃和學習內容進行自我調控，能根據學習者自己的想法分享個人學習數據，建立有益的“學習”社交關系，支持自我監控和反思。同時，根據系統對學習者的作用和影響，基于在線數據分析對比的實證式系統評估模塊有助于發現系統的不足和自我完善。應從使用者，特別是以學習者為中心出發，基于大數據分析揭示系統能在學習時間/效率、學習對象、學習任務完成質量等方面的利弊性，為系統設計和優化提供指導。

（一）學習者模型構建

自適應學習的本質是個性化，其基礎是精確地掌握學習者的個性特征，因此學習者模型要對學生的知識水平、認知能力、元認知能力、情感特征等諸多特征進行建模。知識水平包括學習者對當前知識和已學知識的掌握水平。認知特征包括記憶、理解、知覺、學習風格、偏好、協作能力、問題解決能力、決策能力、分析能力、批判性思維等。元認知能力指學習者認識并控制自己的能力。在傳統教學方式和理念中，這些諸多繁雜的個性特征是無法定量且周全地進行考量的，這也是“因材施教”無法真正實現的根本原因。得益于大數據時代在線教育平臺或應用程序的廣泛應用，蘊藏著學習者個性特征的教育大數據能夠得到實時廣泛的采集、長時間大容量的存儲、深入精細的挖掘，這為個性特征精細化建模提供了實現的契機。比如已有學者從基本特征、學習風格、認知水平和學習記錄四個維度來表征學習者模型，采用關聯規則來挖掘學習者個性特征[8]。

（二）領域知識模型構建

多維度立體的可視化學習資源是開展個性化自適應學習的前提。除了傳統的教材、講義、PPT等，還應包括音頻、視頻、微課、實驗片段，甚至進一步的VR體驗等不同方式的學習資源；除了根據認知主義學習理論預先設定的資源外，還應提供大量的生成性內容，如不同時間空間學生的學習體驗分享、習題解答、經驗交流等。而且，這些內容應該根據知識圖譜以可視化方式呈現給學生，清晰地顯示知識點間的邏輯關系，減輕學習者的認知負荷。

在知識結構可視化的基礎上，還要實現知識內容的動態組織。這就要求系統能夠對領域知識進行最小粒度的資源分割，并科學地定義資源粒之間的關聯性和認知權重。要能根據不同的需求，在保證認知范圍基礎上對離散化、模塊化的內容進行動態組織。特別是要清晰地呈現各個知識點的前項知識、后項知識和相關知識，形成新、舊知識以及未來要學知識之間的關聯關系，利于學習者進行自主認知建構。

最后，系統要能根據學習者個性特征完成學習內容和學習路徑的自適應匹配[8]。要為不同認知能力（包括智力因素、非智力因素和知識水平）、不同認知特征（包括記憶、理解、知覺、學習風格等）的學生提供不同的學習內容組合 （包括不同的內容范圍、難度、要求、媒體形式等）和學習路徑搭配（包括學習活動序列、學習過程的評價和指導等）。

（三）自適應引擎設計

自適應引擎定義了學習者模型中個性特征與內容模型中各個部分內容的關聯關系，以及如何修改調整學習者模型和內容模型的一系列規則，并根據這些規則實現學習內容和學習路徑的選擇、組裝和呈現，以及依據學習行為記錄來修改與維護相應的模型和規則，一般包括靜態自適應和動態自適應。靜態自適應包括根據歷史信息和先驗個性特征為學習者選擇學習起點，確定學習內容和難度，擬定學習計劃等。動態自適應主要指根據學習行為記錄和內容模型的變化，更新學習者模型，調整學習策略，實現學習路徑和學習資源的自適應匹配。此外，基于靜態的學習者個人信息和教學環境數據（如課程設置、學習計劃、學習成績）和動態的學習行為數據，進行教育關聯數據挖掘，可以分析數據間的相關性和學生行為模式，為教育管理部門進行教務管理、課程體系設計等提供決策支持。如余如等利用信息論中互信息模型進行教育數據關聯模式挖掘，為教育數據正負關聯模式提出了一種新的評價標準[9]。在線開放學習平臺為自適應引擎實現奠定了基礎，教育大數據的采集和運用為智能化的教學設計提供了充足“養料”，為利用機器學習為代表的人工智能技術提供了足夠的訓練資料。得益于機器學習技術的飛速發展，深入挖掘包括學習者的知識水平、學習風格、情感狀態等個性特征數據和學習過程數據，能夠創建具有智能感知、推理、輔助決策等功能的自適應引擎，實現個性化自適應學習環境，促進學習者的智慧全面、協調和可持續發展。[1]

三、小結

本文在大數據視角下從發展現狀、理論基礎和核心模塊三方面對個性化自適應學習模式及其系統構建進行了初步探討。通過構建個性化自適應學習系統可實時、全面、精準地獲取教育數據和智能分析處理，感知學習者的學習需要和學習狀態，為學習者推薦最適合的學習內容與路徑，為教師及時準確地優化教學策略，為教育管理者提供科學的、個性化的決策支持。

[ 參 考 文 獻 ]

[1] 祝智庭，沈德梅.基于大數據的教育技術研究新范式[J].電化教育研究，2013（10）：5-13.

[2] 何克抗.大數據面面觀[J].電化教育研究，2014（10）：8-16+22.

[3] 郭朝暉，王楠，劉建設.國內外自適應學習平臺的現狀分析研究[J].電化教育研究，2016（4）：55-61.

[4] 姜強，趙蔚，李松，等.個性化自適應學習研究--大數據時代數字化學習的新常態[J].中國電化教育，2016（2）：25-32.

[5] 姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[6] 王志軍，陳麗.聯通主義學習中教學交互研究的價值與關鍵問題[J].現代遠程教育研究，2015（5）：47-54.

[7] Scharmer， O. MOOC 4.0： The Next Revolution in Learning & Leadership [DB/OL]. [2015-05-12]. http： //www. huffingtonpost.com/otto-scharmer/mooc-40-the-next-revolu-ti_b_ 7209606.html.

[8] 趙學孔，岑磊.面向用戶需求的自適應學習系統個性化學習路徑推薦研究[J].中國教育信息化，2016（21）：28-31.

[9] 余如，黃名選，黃麗霞. 基于互信息的教育數據矩陣加權正負關聯模式發現[J].數據采集與處理，2015，30（1）：219-230.

[責任編輯：劉鳳華]