基于自適應(yīng)題庫的智能個(gè)性化語言學(xué)習(xí)平臺(tái)的設(shè)計(jì)與應(yīng)用*

李俊杰 張建飛 胡 杰 盛守卓

?

基于自適應(yīng)題庫的智能個(gè)性化語言學(xué)習(xí)平臺(tái)的設(shè)計(jì)與應(yīng)用*

李俊杰1,2張建飛3胡 杰3盛守卓3[通訊作者]

（1．訊飛教育技術(shù)研究院，安徽合肥 230088；2．安徽信息工程學(xué)院 大數(shù)據(jù)與人工智能學(xué)院，安徽蕪湖 241000；3．科大訊飛股份有限公司，安徽合肥 230088）

近年來，自適應(yīng)題庫技術(shù)、智能語音評(píng)測技術(shù)、語音合成技術(shù)、云計(jì)算等技術(shù)的發(fā)展及成熟，為構(gòu)建智能個(gè)性化語言學(xué)習(xí)平臺(tái)提供了可能。文章首先分析了智能個(gè)性化語言學(xué)習(xí)平臺(tái)所需的關(guān)鍵技術(shù)和方法；然后介紹了如何借助這些技術(shù)設(shè)計(jì)能提供多種學(xué)習(xí)途徑的平臺(tái)框架，并提出了一種配套的語言學(xué)習(xí)模型；最后以少數(shù)民族學(xué)習(xí)普通話作為應(yīng)用案例，介紹了平臺(tái)的建設(shè)過程及方法，并對(duì)學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行了對(duì)比分析，發(fā)現(xiàn)平臺(tái)的應(yīng)用效果良好，有效提升了語言學(xué)習(xí)者的基本語言能力。

自適應(yīng)題庫；個(gè)性化學(xué)習(xí)；人工智能；大數(shù)據(jù)

引言

傳統(tǒng)在線語言學(xué)習(xí)系統(tǒng)一般是依靠電子學(xué)習(xí)資源、網(wǎng)絡(luò)學(xué)習(xí)社區(qū)及網(wǎng)絡(luò)信息技術(shù)搭建的自主學(xué)習(xí)平臺(tái)，國內(nèi)較為知名的在線語言學(xué)習(xí)系統(tǒng)有英孚在線英語培訓(xùn)中心、新東方在線網(wǎng)絡(luò)課堂等。這些平臺(tái)的功能一般包括在線視頻課程、教師在線授課、在線練習(xí)等，平臺(tái)功能較為單一，只是簡單地將授課形式從線下教學(xué)轉(zhuǎn)變?yōu)橐凿浵窕蛟诰€課程為主的線上學(xué)習(xí)，課程無法做到實(shí)時(shí)地進(jìn)行評(píng)價(jià)和反饋，也無法滿足學(xué)習(xí)者個(gè)性化的學(xué)習(xí)需求。而個(gè)性化學(xué)習(xí)是未來教育發(fā)展的趨勢(shì)，它是當(dāng)代教育積極倡導(dǎo)的學(xué)習(xí)理念和模式，注重學(xué)習(xí)者的個(gè)體差異，采取恰當(dāng)?shù)膶W(xué)習(xí)手段滿足學(xué)習(xí)者個(gè)性化的學(xué)習(xí)需求[1]。

語言學(xué)習(xí)平臺(tái)的用戶一般是以第二語言為學(xué)習(xí)內(nèi)容的學(xué)習(xí)者，其特點(diǎn)是水平參差不齊，且語言技能發(fā)展不均衡。但是受傳統(tǒng)技術(shù)手段的限制，傳統(tǒng)的語言學(xué)習(xí)平臺(tái)學(xué)習(xí)資源呈現(xiàn)單一，難以精準(zhǔn)測量每個(gè)學(xué)習(xí)者的語言水平，無法根據(jù)其學(xué)習(xí)行為推薦個(gè)性化的學(xué)習(xí)資源，也無法實(shí)時(shí)有效地衡量學(xué)習(xí)效果，故個(gè)性化語言學(xué)習(xí)一直難以真正地推行和實(shí)施。作為促進(jìn)個(gè)性化學(xué)習(xí)發(fā)展的關(guān)鍵技術(shù)，人工智能和大數(shù)據(jù)分析技術(shù)在近年得到了較大的發(fā)展[2]。本研究基于語言評(píng)測、語音合成等人工智能技術(shù)、教育大數(shù)據(jù)分析技術(shù)，借助構(gòu)建的自適應(yīng)題庫，設(shè)計(jì)了以學(xué)習(xí)者為中心的、自適應(yīng)測試的智能個(gè)性化語言學(xué)習(xí)平臺(tái)，為實(shí)現(xiàn)語言的個(gè)性化學(xué)習(xí)提供了支持。

一 關(guān)鍵技術(shù)與方法

1 計(jì)算機(jī)自適應(yīng)測試及自適應(yīng)題庫

計(jì)算機(jī)自適應(yīng)測試是基于項(xiàng)目反應(yīng)理論（Item Response Theory，IRT），以計(jì)算機(jī)為輔助工具，每個(gè)學(xué)習(xí)者建立適合自己能力的個(gè)性化測驗(yàn)[3]。自適應(yīng)題庫就是以IRT為理論基礎(chǔ)而構(gòu)建的試題庫。相較于傳統(tǒng)的基于經(jīng)典測量理論（Classical Test Theory，CTT）建立的題庫，自適應(yīng)題庫可實(shí)現(xiàn)計(jì)算機(jī)自適應(yīng)考試（Computerized Adaptive Testing，CAT），能更準(zhǔn)確、更迅速地測量出每個(gè)學(xué)習(xí)者的真實(shí)水平。

IRT是針對(duì)CTT的不足而提出來的，其原理是根據(jù)測試者回答問題的情況，經(jīng)過題目特征函數(shù)的計(jì)算，推測測試者的能力水平。研究者基于IRT構(gòu)建了多種模型：第一種模型是1952年Lord提出的雙參數(shù)正態(tài)肩形曲線模型；隨后，Rasch提出了用于測量被試能力水平與項(xiàng)目難度關(guān)系的拉希模型，由于模型中只有一個(gè)項(xiàng)目參數(shù)，故也被稱為單參數(shù)模型；1957～1958年，Brinbaum改進(jìn)了Lord的雙參數(shù)模型，提出了三參數(shù)模型[4]。三參數(shù)模型的應(yīng)用較為廣泛，其計(jì)算公式如公式（1）所示。

公式（1）

在個(gè)性化學(xué)習(xí)中，自適應(yīng)測試可在學(xué)習(xí)初期較為準(zhǔn)確地診斷出學(xué)習(xí)者的水平，并將此作為學(xué)習(xí)起點(diǎn)；在學(xué)習(xí)過程中，可根據(jù)學(xué)習(xí)者當(dāng)前的能力水平，提供個(gè)性化的學(xué)習(xí)效果測試資源。

2 可定制的語音評(píng)測引擎

語音評(píng)測是利用計(jì)算機(jī)自動(dòng)對(duì)人的語言進(jìn)行標(biāo)準(zhǔn)程度評(píng)估、發(fā)音錯(cuò)誤檢測和口語內(nèi)容質(zhì)量評(píng)分的技術(shù)，目的是利用人工智能技術(shù)，提高語言學(xué)習(xí)的效率。語音評(píng)測主要涉及語音識(shí)別、自然語言處理、深度神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)，其使用場景不僅覆蓋客觀題（如字、詞、句和篇章）中的發(fā)音檢錯(cuò)和評(píng)分，而且支持開放性題型（如話題表述）的發(fā)音和表述內(nèi)容的評(píng)分，能幫助學(xué)習(xí)者有針對(duì)性地糾正學(xué)習(xí)過程中的錯(cuò)誤，相當(dāng)于學(xué)習(xí)者的機(jī)器口語老師。語音評(píng)測引擎由語音評(píng)測技術(shù)封裝而來，封裝過程中可針對(duì)不同的學(xué)習(xí)人群對(duì)聲學(xué)模型、評(píng)分標(biāo)準(zhǔn)等模塊定制，形成針對(duì)此學(xué)習(xí)人群的定制化評(píng)測引擎，能更精確地給出評(píng)測結(jié)果。

3 可定制的語音合成引擎

語音合成（Text To Speech，TTS）是指將文本狀態(tài)的文字信息轉(zhuǎn)化為可聽的聲音信息的技術(shù)，相當(dāng)于給機(jī)器裝上了人工的“嘴巴”。語音合成可為學(xué)習(xí)者動(dòng)態(tài)地合成所需的學(xué)習(xí)資源，可實(shí)現(xiàn)學(xué)習(xí)者自主錄入資源進(jìn)行學(xué)習(xí)。同樣，語音合成引擎也可定制，定制項(xiàng)目包括發(fā)音人音庫、語速、音量、語調(diào)、背景音等，可使合成后的學(xué)習(xí)資源靈活多樣。

4 基于教育大數(shù)據(jù)的個(gè)性化推薦技術(shù)

根據(jù)杜婧敏等[5]的研究，教育大數(shù)據(jù)可定義為面向教育全過程、全時(shí)空的多種類型的全樣本的數(shù)據(jù)集合?；诮逃髷?shù)據(jù)的個(gè)性化推薦技術(shù)是指使用學(xué)習(xí)行為分析技術(shù)，從海量的教育大數(shù)據(jù)中挖掘有價(jià)值的信息，從而得出學(xué)習(xí)者模型，再根據(jù)學(xué)習(xí)者模型使用推薦算法推送個(gè)性化學(xué)習(xí)資源——學(xué)習(xí)者模型一般包括個(gè)人信息、初始知識(shí)水平、學(xué)習(xí)興趣、知識(shí)模型、學(xué)習(xí)風(fēng)格等特征信息。該技術(shù)的核心是個(gè)性化推薦引擎，其輸入是學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)（如學(xué)習(xí)目標(biāo)、練習(xí)歷史等），輸出為個(gè)性化的學(xué)習(xí)資源。

二 平臺(tái)設(shè)計(jì)

1 平臺(tái)架構(gòu)設(shè)計(jì)

在前文所介紹的智能語言學(xué)習(xí)技術(shù)的基礎(chǔ)之上，本研究設(shè)計(jì)了基于人工智能及大數(shù)據(jù)分析平臺(tái)的智能個(gè)性化語言學(xué)習(xí)平臺(tái)架構(gòu)（下文簡稱“平臺(tái)架構(gòu)”），以期通過建設(shè)自適應(yīng)題庫，利用人工智能輔助學(xué)習(xí)手段和學(xué)習(xí)行為分析技術(shù)，幫助學(xué)習(xí)者建立智能化、個(gè)性化的在線語言學(xué)習(xí)平臺(tái)，從而提升學(xué)習(xí)者的語言水平。平臺(tái)架構(gòu)設(shè)計(jì)采用經(jīng)典三層架構(gòu)：表現(xiàn)層、業(yè)務(wù)邏輯層和數(shù)據(jù)訪問層，目的是減少各模塊單元之間的耦合性，提高系統(tǒng)的可維護(hù)性和擴(kuò)展性，如圖2所示。

圖2 基于自適應(yīng)題庫的語言個(gè)性化學(xué)習(xí)平臺(tái)架構(gòu)

①表現(xiàn)層。表現(xiàn)層是用戶接觸的界面層，主要功能是展示系統(tǒng)界面、處理用戶交互請(qǐng)求并展示處理結(jié)果。系統(tǒng)界面展示支持多語種界面切換的需求。

②業(yè)務(wù)邏輯層。業(yè)務(wù)邏輯層是平臺(tái)的核心部分，其主要功能是完成所有業(yè)務(wù)邏輯的處理。根據(jù)功能的不同，各項(xiàng)業(yè)務(wù)邏輯可分為兩大類：基礎(chǔ)業(yè)務(wù)服務(wù)，這是平臺(tái)基礎(chǔ)業(yè)務(wù)集合，提供諸如用戶注冊(cè)驗(yàn)證、數(shù)據(jù)統(tǒng)計(jì)、個(gè)性化資源推薦等功能；人工智能與大數(shù)據(jù)服務(wù)，為平臺(tái)提供核心AI能力和大數(shù)據(jù)分析能力，提供如語音評(píng)測、語音合成、學(xué)習(xí)大數(shù)據(jù)分析等功能。所有服務(wù)能力通過接口方式提供，實(shí)現(xiàn)前后臺(tái)分離，可滿足多平臺(tái)（如PC端、Android、iOS移動(dòng)端）的開發(fā)需求。

③數(shù)據(jù)訪問層。數(shù)據(jù)訪問層的主要功能是負(fù)責(zé)數(shù)據(jù)庫的訪問，對(duì)數(shù)據(jù)庫完成增加、刪除、修改、查詢操作。平臺(tái)架構(gòu)主要包括用戶庫、自適應(yīng)題庫、業(yè)務(wù)庫、文件庫和學(xué)習(xí)者模型庫。其中，自適應(yīng)題庫中存儲(chǔ)所有試題內(nèi)容和自適應(yīng)參數(shù)，用于自適應(yīng)測試抽取；而學(xué)習(xí)者模型庫中存儲(chǔ)了所有學(xué)習(xí)者的學(xué)習(xí)模型，用于個(gè)性化課程資源推薦。

2 平臺(tái)的業(yè)務(wù)流程設(shè)計(jì)

整體業(yè)務(wù)流程設(shè)計(jì)如下：學(xué)習(xí)者登錄平臺(tái)后，完成能力診斷，形成診斷報(bào)告并初始化學(xué)生模型；根據(jù)診斷結(jié)果，確定課程體系中的學(xué)習(xí)起點(diǎn)開始個(gè)性化學(xué)習(xí)，學(xué)習(xí)過程中收集學(xué)習(xí)行為數(shù)據(jù)至云端；學(xué)習(xí)后完成考試中心的自適應(yīng)考試任務(wù)，并將考試數(shù)據(jù)匯總至管理中心集中統(tǒng)計(jì)分析。具體業(yè)務(wù)流程如圖3所示。

圖3 平臺(tái)業(yè)務(wù)流程

平臺(tái)業(yè)務(wù)流程詳細(xì)描述如下：

第一步，初次登錄平臺(tái)的用戶需診斷其能力水平。診斷過程為填寫個(gè)人基本信息（如年齡、學(xué)業(yè)背景、過往相關(guān)語言等級(jí)考試情況等）用于確定初始量表，自適應(yīng)測試過程中測試題目會(huì)根據(jù)選題策略動(dòng)態(tài)變化，使得診斷結(jié)果能較為準(zhǔn)確地反映學(xué)習(xí)者的真實(shí)水平。能力診斷同時(shí)會(huì)將學(xué)習(xí)者模型初始化，根據(jù)其診斷結(jié)果確定其能力水平并初始個(gè)性化學(xué)習(xí)資源。

第二步，學(xué)習(xí)者可在課程體系中從其診斷的初始能力層級(jí)（如中級(jí)）開始學(xué)習(xí)，每個(gè)能力層級(jí)包含不同數(shù)量的課時(shí)，每個(gè)課時(shí)又包含根據(jù)能力層級(jí)要求而制作的課程資源。學(xué)習(xí)者完成所有課時(shí)后即可發(fā)起升級(jí)測試，測試通過后即可進(jìn)入下一層級(jí)的學(xué)習(xí)。學(xué)習(xí)者在學(xué)習(xí)課程內(nèi)容的同時(shí)，也可以進(jìn)入資源中心自主學(xué)習(xí)。資源中心的學(xué)習(xí)內(nèi)容由個(gè)性化學(xué)習(xí)資源推薦引擎根據(jù)學(xué)習(xí)者模型推薦，如在基礎(chǔ)語音模塊中，推薦引擎根據(jù)該學(xué)習(xí)者過往口語發(fā)音練習(xí)的學(xué)習(xí)行為，有針對(duì)性地為其推薦發(fā)音易出錯(cuò)的資源。本平臺(tái)利用先進(jìn)的AI云平臺(tái)中的語音評(píng)測、作文評(píng)測、語音合成等人工智能技術(shù)，個(gè)性化地提升學(xué)習(xí)者的聽說讀寫能力。

第三步，經(jīng)過一段時(shí)間的學(xué)習(xí)后，管理人員發(fā)起考核任務(wù)，學(xué)習(xí)者在考試中心接收到考試任務(wù)后完成一次自適應(yīng)測試，考試結(jié)果自動(dòng)上傳至后臺(tái)管理中心。

第四步，管理人員可監(jiān)控所有學(xué)習(xí)者的學(xué)習(xí)和考試情況，也可查看全局統(tǒng)計(jì)信息。后臺(tái)學(xué)習(xí)數(shù)據(jù)和前臺(tái)埋點(diǎn)收集的數(shù)據(jù)可通過大數(shù)據(jù)分析平臺(tái)進(jìn)行數(shù)據(jù)挖掘分析，形成每個(gè)學(xué)習(xí)者的學(xué)習(xí)行為模型，可供第二步中的個(gè)性化學(xué)習(xí)使用。

三 平臺(tái)應(yīng)用案例

本研究以應(yīng)用于少數(shù)民族學(xué)習(xí)普通話的國家通用語言學(xué)習(xí)平臺(tái)（下文簡稱“學(xué)習(xí)平臺(tái)”）為例，研究對(duì)象為新疆T地區(qū)使用該學(xué)習(xí)平臺(tái)的所有中小學(xué)少數(shù)民族教師。學(xué)習(xí)平臺(tái)的注冊(cè)人數(shù)約8100人，使用人數(shù)約7600人，使用人數(shù)占比93%以上，人均每天使用學(xué)習(xí)平臺(tái)的時(shí)長約0.56小時(shí)，學(xué)習(xí)平臺(tái)的應(yīng)用時(shí)長約一年。

首先，搭建一套符合少數(shù)民族群體的課程體系，包括語言能力模型和課程資源庫，主要由B大學(xué)經(jīng)驗(yàn)豐富的語言專家協(xié)助完成。語言能力模型的建設(shè)過程如下：首先，由專家對(duì)聽、說、讀、寫這四個(gè)方面的語言能力進(jìn)行細(xì)分，形成二級(jí)能力樹（聽力二級(jí)能力樹如圖4所示）；隨后，將所有的能力進(jìn)行歸類，劃分出五個(gè)等級(jí)，再按照每個(gè)等級(jí)中的能力要求開發(fā)對(duì)應(yīng)的課程單元，設(shè)置單元目標(biāo)；最后，根據(jù)學(xué)習(xí)方法的不同，設(shè)計(jì)并制作不同的課程資源。課程資源庫為語言能力模型配套的資源庫（包括文字、圖片、視頻等），不僅存儲(chǔ)了具體的課程資源屬性，還存儲(chǔ)了課程目標(biāo)、學(xué)習(xí)方法與課程資源的對(duì)應(yīng)關(guān)系，以便資源的檢索。

圖4 聽力二級(jí)能力樹

圖5 學(xué)習(xí)者使用與未使用學(xué)習(xí)平臺(tái)的平均成績對(duì)比

其次，開發(fā)自適應(yīng)題庫，題庫中試題的區(qū)分度、難點(diǎn)和猜想系數(shù)可在入庫初期由語言專家根據(jù)專業(yè)經(jīng)驗(yàn)來標(biāo)定。在試題使用過程中，參考學(xué)習(xí)者在自適應(yīng)測試中得出的結(jié)果對(duì)試題參數(shù)動(dòng)態(tài)修正。通過反復(fù)、大量的修正，試題的參數(shù)趨于理想值，使得測試數(shù)據(jù)可以更好地反映出測試者的真實(shí)水平。自適應(yīng)測試的關(guān)鍵是如何從自適應(yīng)題庫中選取測試題目，也就是選題策略的確定。本研究采用的是當(dāng)前較為常用的最大信息量選題策略[6][8]，即根據(jù)當(dāng)前測試者的能力選擇題庫中信息量最大的試題提供給測試者。基本步驟如下：

①根據(jù)能力診斷結(jié)果設(shè)定學(xué)習(xí)者初始能力值（答對(duì)題數(shù)與答錯(cuò)題數(shù)比值）；

②利用當(dāng)前的能力值計(jì)算題庫中每道試題信息量，計(jì)算方法為Logistic回歸模型；

③選取信息量最大的試題作為下一道試題呈現(xiàn)給學(xué)習(xí)者。

再次，構(gòu)建基于大數(shù)據(jù)的個(gè)性化推薦系統(tǒng)。該系統(tǒng)的構(gòu)建分為兩步：第一步是采集學(xué)習(xí)行為數(shù)據(jù)。本研究根據(jù)系統(tǒng)功能模塊與學(xué)習(xí)行為觀察，制定了詳細(xì)記錄學(xué)習(xí)行為的數(shù)據(jù)埋點(diǎn)方案，如表1所示。埋點(diǎn)收集的數(shù)據(jù)會(huì)上傳至訊飛Odeon大數(shù)據(jù)分析平臺(tái)，在此平臺(tái)中完成數(shù)據(jù)清洗、存儲(chǔ)、挖掘分析等工作。該步驟可根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)，結(jié)合題目特征，構(gòu)想學(xué)習(xí)者的知識(shí)模型[7]，并作為學(xué)習(xí)者模型的中間數(shù)據(jù)進(jìn)行分布式存儲(chǔ)以便實(shí)時(shí)獲取。第二步是個(gè)性化資源推薦引擎，分為三個(gè)模塊：①學(xué)習(xí)者模型獲取模塊，其功能是從大數(shù)據(jù)分析平臺(tái)中獲取學(xué)習(xí)者模型的中間結(jié)果，結(jié)合平臺(tái)的用戶子系統(tǒng)中存儲(chǔ)學(xué)習(xí)者的個(gè)人信息、當(dāng)前階段能力水平等信息，規(guī)整為最終的學(xué)習(xí)者模型；②診斷模塊，其功能是根據(jù)學(xué)習(xí)者模型信息，對(duì)比其同構(gòu)目標(biāo)和課程體系，獲得該學(xué)習(xí)者最應(yīng)學(xué)習(xí)的知識(shí)點(diǎn)、考點(diǎn)等薄弱集合；③資源檢索和獲取模塊，其功能是根據(jù)學(xué)習(xí)者的能力值和薄弱點(diǎn)，從自適應(yīng)題庫中檢索相應(yīng)的學(xué)習(xí)資源。

表1 學(xué)習(xí)行為數(shù)據(jù)埋點(diǎn)方案

最后，完成學(xué)習(xí)平臺(tái)的開發(fā)工作。學(xué)習(xí)平臺(tái)技術(shù)選型采用當(dāng)前主流的Java Web開發(fā)框架，前后端分離以支持多平臺(tái)（如PC端、移動(dòng)端）的開發(fā)需求。開發(fā)語言采用Java，Web服務(wù)器使用Tomcat，數(shù)據(jù)庫選型為MySQL，架構(gòu)采用經(jīng)典三層架構(gòu)模式。為支持彈性和分布式部署，學(xué)習(xí)平臺(tái)同時(shí)采用了阿里巴巴開源分布式計(jì)算框架Dubbo作為服務(wù)治理。

本研究對(duì)比了學(xué)習(xí)平臺(tái)應(yīng)用前后學(xué)習(xí)者（即新疆T地區(qū)的中小學(xué)少數(shù)民族教師）的國家少數(shù)民族漢語水平等級(jí)考試（MHK）成績，學(xué)習(xí)結(jié)果如圖5所示。圖5顯示，學(xué)習(xí)者使用學(xué)習(xí)平臺(tái)后，其所有題型的平均成績均高于未使用學(xué)習(xí)平臺(tái)的學(xué)習(xí)者，說明使用學(xué)習(xí)平臺(tái)者的學(xué)習(xí)效果要比未使用學(xué)習(xí)平臺(tái)者好。從通過率來看，使用學(xué)習(xí)平臺(tái)的學(xué)習(xí)者的MHK三級(jí)通過率提升了6.7%，而未使用學(xué)習(xí)平臺(tái)的學(xué)習(xí)者的三級(jí)通過率僅提升了1.7%。此外，學(xué)習(xí)平臺(tái)在使用期間持續(xù)穩(wěn)定運(yùn)營，產(chǎn)品功能得到了教育主管部門和學(xué)習(xí)者的高度認(rèn)可，學(xué)習(xí)者的國家通用語言水平亦有了快速提升，產(chǎn)生了較好的社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值。

四 總結(jié)

本研究借助于自適應(yīng)題庫、學(xué)習(xí)行為分析技術(shù)、教育大數(shù)據(jù)分析技術(shù)等技術(shù)搭建了可較為精確測量學(xué)習(xí)者真實(shí)能力水平并個(gè)性化精準(zhǔn)推薦學(xué)習(xí)資源的在線學(xué)習(xí)環(huán)境。同時(shí)依托語音評(píng)測、作文評(píng)測等相關(guān)人工智能技術(shù)，構(gòu)建了一個(gè)陪伴式虛擬老師，實(shí)時(shí)地精確地診斷學(xué)習(xí)者在聽說讀寫等方面的問題，幫助學(xué)習(xí)者有針對(duì)性地學(xué)習(xí)。通過平臺(tái)的驗(yàn)證，對(duì)比傳統(tǒng)學(xué)習(xí)方式，個(gè)性化、自適應(yīng)在線語言學(xué)習(xí)系統(tǒng)是提升語言學(xué)習(xí)效率的有效途徑。

[1]王艷芳.支持個(gè)性化學(xué)習(xí)的e-Learning系統(tǒng)研究[J].中國電化教育,2008,(3):102-107.

[2](美)斯伯克特著.任友群譯.教育傳播與技術(shù)研究手冊(cè)第四版(上冊(cè))[M].上海:華東師范大學(xué)出版社,2015:520-521.

[3]李昕,荊永君,劉天華.自適應(yīng)測試與輔導(dǎo)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代教育技術(shù),2013,(4):106-109.

[4]漆書青,戴海琦,丁樹良.現(xiàn)代教育與心理測量學(xué)原理[M].北京:高等教育出社,2002:86-90.

[5]杜婧敏,方海光,李維楊,等.教育大數(shù)據(jù)研究綜述[J].中國教育信息化,2016,(19):1-4.

[6]王鵬,荊永君,王海敏.最大信息量選題策略的自適應(yīng)測試系統(tǒng)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,(6):149-152.

[7]岳俊芳,陳逸.基于大數(shù)據(jù)分析的遠(yuǎn)程學(xué)習(xí)者建模與個(gè)性化學(xué)習(xí)應(yīng)用[J].中國遠(yuǎn)程教育,2017,(7):34-39.

[8]張鴻.計(jì)算機(jī)自適應(yīng)題庫的建立[J].計(jì)算機(jī)技術(shù)與應(yīng)用,2009,(8):152-154.

Design and Application of Intelligent Personalized Language Learning Platform based on Adaptive Testing Bank

LI Jun-jie1,2ZHANG Jian-fei3HU Jie3SHENG Shou-zhuo3[Corresponding Author]

In recent years, with the development and maturity of adaptive testing bank technology, intelligent speech evaluation technology, speech synthesis technology and cloud computing, etc, it became possible to build an intelligent personalized language learning platform.This article firstly analyzed the key techniques and methods required for the intelligent personalized language learning platform. Then, the article introduced how to use these theoretical techniques to design a platform framework that could provide multiple learning approaches, and further proposed a supporting language learning model. Finally, the construction process and method of the platform were presented by using minority’s learning Mandarin as an application case. In addition, a comparative analysis of the effect of the platform on learners’ performance was conducted. Results showed that the platform had favorable application effect and improved language learners’ basic language ability.

adaptive testing bank; personalized learning; artificial intelligence; big data

G40-057

A

1009—8097（2018）10—0005—07

10.3969/j.issn.1009-8097.2018.10.001

本文為國家語委“十三五”重大課題“智能語音及人工智能技術(shù)在語言學(xué)習(xí)中的應(yīng)用研究”（項(xiàng)目編號(hào)：ZDA135-4）的階段性研究成果。

李俊杰，講師，碩士，研究方向教育大數(shù)據(jù)、智能教育，郵箱為jjli5@iflytek.com。

2018年6月2日

編輯：小西