智慧學習環境中自適應學習系統動力機制研究

童名文 師亞飛 戴紅斌 孫佳

[摘? ?要] 智慧學習環境下的教學更加關注學習者的個性化訴求，自適應學習系統能夠為實現個性化學習提供技術支持。文章針對傳統層狀自適應學習系統模型未闡明學習系統內部運行機制的不足，基于自適應逆控制理論研制了一種自適應學習系統動力模型。學習者的學習目標選擇促使學習系統開始運行，學習者的初始學習目標與其后的學習成效之間的差值是維系學習系統繼續運行的內在動力。學習系統在領域模型、學習者模型、認知診斷和自適應模型四者的協同作用下向學習者不斷推送適切的學習資源，旨在消除學習目標與當前學習成效之間的差值，從而使系統重新歸于穩定。文章從系統動力機制視角，設計了自適應學習系統包含的領域模型、學習者模型、自適應模型和認知診斷模型。研究將為自適應學習系統的設計與實現提供理論借鑒。

[關鍵詞] 智慧學習環境; 個性化; 自適應學習; 自適應學習系統; 動力機制

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

在傳統教學中，教師一直作為課堂的絕對核心、知識的傳授者，學生是知識的接受者，教師與學生是一對多的單向輻射關系，學生難以得到教師及時的反饋[1]。這種大規模、標準化的人才“生產”模式滿足了工業時代對勞動力的需求，在一定時期起到了積極作用。然而，教學內容和教學進度的固定化、統一化難以滿足學生個性化的學習需求，忽視了學生的主體性和個體差異，進而造成課堂缺乏活力，學生創新能力培養成為空中樓閣。

大數據和人工智能等新興信息技術的快速發展推動著教育信息化步入2.0階段[2]。智慧教育作為新時期教育信息化的領航者，其基本原則之一是為學生提供個性化學習服務[3]。智能化教學環境為個性化教學提供技術支撐，是智慧教育得以開展的前提和基礎。智慧學習環境能夠為學生提供契合其個性特征的適應性支持和服務[4]，促進學生的知識、能力和情感多元發展。

由此可知，較之于傳統教學，個性化是智慧教育的鮮明特征之一，強調根據學生的個體差異和需求為其提供個性化的學習服務[5]。而自適應學習是一種技術賦能的智能化教學手段，其關注的核心也是學習者的個體差異和個性需求，被認為是實現個性化學習的重要途徑[6]。

二、相關研究

自適應學習系統于20世紀20年代發端，20世紀50年代末60年代初的程序教學運動使其正式走進大眾視野。近年來，計算機硬件技術和人工智能算法的不斷突破使其日趨走向成熟。自適應學習系統模型作為自適應學習系統的抽象與概括，對于直觀地理解和比較系統之間的差異，指導自適應學習系統的設計與開發具有重要意義。自20世紀90年代以來，有關自適應學習系統模型的研究一直都是研究者關注的熱點。

（一）自適應學習的源起

技術賦能的教學肇始于早期的教學機器（Teaching Machine）。1926年，西德尼·普雷西（Sidney L. Pressey）在School and Society期刊上發表題為“一個簡單的提供測試、分數和教學的設備”的文章，介紹了他發明的教學機器。普雷西的教學機器包含測試和教學兩種模式，該教學機器可以在測試模式下自動記錄正確測試的數目，也可以在教學模式下讓學生不斷地做出選擇，直到答對之后進入下一個題目[7]。然而，由于當時的社會條件等各方面限制，普雷西的教學機器并未引起廣泛的關注。

較之于普雷西的教學機器，斯金納（B. F. Skinner）的教學機器更強調教學而不只是測試，強調學生對問題進行作答而不是簡單的多項選擇，強調問題之間的關聯而不僅是及時反饋[8]。斯金納的程序教學將教學機器作為其教學方法，并從行為主義理論的視角對其進行了論證[9]，他的程序教學融入了當時關于學習過程的理論，如及時反饋、強化、自定步調、小步子和低錯誤率等原則[10]。然而，斯金納的教學機器是一種直線式程序，無論學生的回答正確或錯誤，只向其提供正確的答案以強化正確反應[11]。線性程序中使用的學習模型是一個條件模型，它假定行為上的改變即為學習，并且可以像訓練動物一樣通過誘導和獎勵使其行為發生改變，認為學生只學習那些可以給予獎勵練習的反應[12]。因此，斯金納的程序教學或教學機器對學生錯誤的反應沒有太多關注。

諾曼·克勞德（Norman A. Crowder）設計了一種內生式或衍枝式程序，為學生的錯誤反應提供個性化的學習路徑，包含關于錯誤反應的附加內容和解釋[13]。克勞德這種早期的思想后來發展成了我們所說的“自適應”，他認為自適應程序通常與計算機設備相結合，可以根據學生的多種特征和反應分析學生的行為并對未來學習進行安排[14]。誠然，早在手工制作教學機器的時代就已經孕育了自適應學習的幼芽。

20世紀90年代，隨著計算機技術的快速發展和廣泛應用，以自適應超媒體為代表的自適應學習系統開始出現，代表性的有InterBook。自適應學習系統是程序教學在新興技術和學習理論下的新發展，其中，計算機技術、人工智能以及建構主義學習理論等起到了主要助推作用[15]。

（二）自適應系統模型相關研究

標準化的模型在自適應學習系統中扮演著重要角色，是大多數自適應學習系統的基礎[16]。模型可以簡潔、直觀地表示系統的基礎概念、內容、結構及其相互關系，使得不同系統之間易于比較[17]。

自適應學習系統模型的基本構成包括領域模型（Domain Model）、用戶模型（User Model）、自適應模型（Adaptation Model）[18]。領域模型主要包含學習目標和主題領域概念層次結構，對于學習目標層次結構中指定的每個學習目標，需要指定領域概念本體中的一組關聯概念[19]。用戶模型主要用來描述用戶的相關特征，如興趣偏好、知識等。用戶的偏好和知識水平是非常不同的數據，它們以不同的方式影響著系統的適應性[20]。如偏好是領域獨立的，它影響著資源選擇的類型、用戶學習的速度等;而知識是領域依賴的，主要影響知識選取的難度水平。用戶模型通常是領域模型的覆蓋結構，映射用戶的領域特定特征，如領域知識空間上的知識[21]。這意味著對于領域模型中的每一個概念，在用戶模型中都存在一個與其相對應的概念。自適應模型定義了如何根據用戶的知識和興趣偏好適應性地呈現導航和內容，由一組教學策略和規則組成。為了實現適應性，自適應模型會運用教學策略和規則，根據用戶模型中的目標和需求從領域模型中選擇所要呈現的內容[22]。領域模型、用戶模型以及自適應模型三者協同作用，共同構建了自適應學習系統的基本功能框架。

自適應系統模型的研究始于早期的超文本系統，后續的研究在其基礎上增加了自適應功能并逐漸發展成為真正意義上的“自適應”學習系統模型。例如：Dexter 模型是對20世紀90年代初期諸多超文本系統進行抽象概括取得的重要成果，其目的是提供一個用于不同超文本系統之間功能和特征比較的標準和參考[23]，為自適應學習系統模型的發展提供了重要的借鑒和基礎。Dexter模型是一個層狀結構，由運行時層、存儲層和組件內層構成。運行時層關注于內容的呈現，并且描述用戶與超文本的交互機制，獲取用戶數據;組件內層包含超文本節點的內容和結構;存儲層關注組件之間的鏈接機制，構成了整個超文本網絡。錨定和呈現規范分別用于連接存儲層和組件內層、存儲層和運行時層，并規定它們之間的溝通機制。AHAM（Adaptive Hypermedia Application Model）[22]對Dexter模型進行了擴展以實現自適應，即將存儲層擴展為領域模型、用戶模型和教學模型。教學模型由一系列教學規則組成，定義如何通過領域模型和用戶模型相結合以實現自適應。Munich模型保留了Dexter模型的三層結構，主要關注模型形式化和直觀描述，使用視覺建模語言使模型更加直觀[24]。它采用統一建模語言（Unified Modeling Language）對Munich模型進行形式化表示，對象約束語言（Object Constraint Language）采用正式編寫的語義信息來補充半正式圖形表示。此外，為了增加自適應功能，Munich模型將存儲層分成了三個子模型：領域元模型、用戶元模型和自適應元模型。

至此，領域模型、用戶模型以及自適應模型三大自適應系統基本架構已初成體系，后續研究多是依據具體需求進行功能擴充。例如：LAOS（Layered WWW AHS Authoring Model）[25]是基于AHAM設計的一個五層模型，包括領域模型、目標和約束層、用戶模型、自適應模型和呈現模型。由于直接從領域模型到用戶模型搜索空間過大，LAOS引入了目標和約束層，“目標”關注內容的呈現，“約束”用于縮小搜索空間。GLAM（Generic Layered Adaptation Model）[20]引入了情境計算。情境計算表示一系列行為作用于初始情境所產生的新情境。情境由兩個方面構成，即學生當前的知識狀態和學習偏好。其中，當前的知識狀態由學生“閱讀文檔”“做測試”“做練習”等一系列學習行為和學生的初始知識狀態確定。SAHM（Supervised Adaptive Hypermedia Model）[26]是為了解決在領域模型的構建中開發者既要扮演領域專家又要充當技術專家這一難題，幫助開發者進行領域模型的設計、開發與更新。SAHM是一個三層結構，由會話層、存儲層和資源層組成，是AHAM的擴展模型。會話層提供管理自適應學習系統和領域模型的接口，并且還記錄了用戶與系統的交互信息，如點擊次數、訪問時間等。存儲層由領域模型、用戶模型、監督模型和自適應模型構成，其中，監督模型主要存儲來自問卷和與用戶模型有關的領域模型的數據，這些數據經過分析之后反饋給開發者以便對領域模型進行改進。資源層存儲與領域模型中內容對象有關的學習資源。ALEM（Adaptive Learning Environment Model）[17]基于Munich模型的三層架構，對它的功能進行了擴展以更好地適用于教育系統，并且還增加了教育層。教育層是課程的抽象表示，包含課程的結構模型。

（三）問題的提出

當前主流的自適應系統模型大多采用層狀架構（Layered Architecture）[27]。層狀系統模型架構雖然很好地契合了模型的兩個目標：其一，描繪系統的結構和功能;其二，使得不同的自適應學習系統可以相互比較[28]。然而，這些模型關注的問題通常是抽象的數據結構，對自適應系統內部的運行過程關注較少[27]。鑒于已有自適應學習系統模型在此方面的局限性，本文將研制一種自適應學習系統動力模型（Adaptive Learning System Dynamic Model， ALSDM），致力于對自適應學習系統的動力來源和內部運行機制進行深度剖析。

三、自適應學習系統動力機制

基于自適應逆控制理論，研制了自適應學習系統的動力模型，并以此為基礎，闡釋自適應學習系統的內部動力機制。

（一）自適應逆控制理論

自適應控制是指自適應系統在系統的輸出與預定的系統目標相比較后，系統適應性地調整內部參數使得系統的輸出能夠接近預定的目標[29]。美國斯坦福大學教授伯納德·威德羅（Bernard Widrow）提出自適應逆控制（Adaptive Inverse Control）概念[30]。如圖1所示，其思想是借助控制器來驅動對象，從而促使系統開始運行，控制器由自適應算法驅動，自適應算法是用來最小化對象輸出和指令輸入之間的誤差。這種誤差反饋機制促使系統不斷地進行優化、循環，直至將誤差控制到一個可接受的范圍內或趨于零，從而達到一種相對穩定的狀態。

（二）自適應學習系統動力模型構建

自適應逆控制模型中的指令輸入、控制器和自適應算法、對象輸入以及對象輸出模塊可類比為相應的學習者的學習目標、學習引擎、學習路徑和學習效果模塊。學習引擎可由傳統自適應學習系統的三大功能構件組成，即領域模型、學習者模型和自適應模型。由此，依據自適應逆控制模型和傳統自適應學習系統模型形成ALSDM模型（如圖2所示），旨在揭示自適應學習系統的內部運行過程，闡明其動力機制。

圖2上部描繪了ALSDM的運行原理，可以發現學習者的學習目標選擇行為促使系統開始運行，學習目標的要求與學習者當前學習效果之間的差值為系統的持續運行提供源動力。圖2下部為ALSDM的三大功能模塊（領域模型、學習者模型和自適應模型），此外，ALSDM還引入了新一代教育測量理論，即認知診斷理論，旨在精準測量學習者的認知狀態，以期對學習者進行更為精細的建模，這四大功能模塊為自適應學習系統奠定了技術基礎。

如圖2所示，自適應學習系統的運行過程主要包括以下幾個階段：首先，學習者根據個人興趣或學習需要選擇一個學習目標進行學習，自適應引擎根據領域模型以及學習者模型中該學習者的知識狀態圖譜判斷其是否具備達到此學習目標的能力，如果不具備，系統將向其推薦在其最近發展區之內的適應性學習內容，并建議其進行學習。接著，學習引擎再次進行判斷，如果學習者選擇的學習目標符合其當前的能力狀態，則自適應引擎在領域模型、學習者模型和自適應模型三者作用下向學習者推薦適切的學習路徑及相應的學習內容和學習資源供其學習。在學習者學習完成后，認知診斷模型將對其學習效果進行精準測量，并將測量結果更新到學習者模型中以便為后續學習路徑推薦提供依據。最后，學習引擎判斷學習者的學習效果是否達到了學習目標的要求，如果沒有達到，則重新激活自適應引擎并向學習者推薦此學習目標中掌握薄弱的相關內容組成學習路徑，對癥下藥，進行精準補救。此時，學習路徑中有可能僅涉及一個知識點（學習者掌握薄弱的知識點），這個過程一直持續到學習者達到該學習目標的要求為止。

（三）動力生成與消退機制

學習目標與學習效果之間的差值為自適應學習系統提供動力（如圖3所示）。自適應學習系統在此動力驅動下向使得學習目標與學習效果偏差為零的方向運動，最終使得動力逐漸消退，達到偏差為零的穩定狀態。因此，自適應學習系統動力機制可以分為動力生成和動力消退兩個部分。（1）動力生成包含兩個階段：第一，學習者自主選擇學習目標產生初始動力（對應圖3中時間為0的狀態），此時學習者尚未開始學習，學習效果與學習目標之間的差值最大，即動力最強;第二，在學習過程中，認知診斷不斷測量學習效果，通過學習效果與學習目標比較產生動力，驅動自適應學習系統向偏差為零的穩定狀態運動。（2）動力消退是指當學習系統存在動力（學習目標與學習效果的偏差不為零）時，該動力促使學習引擎動態調整學習路徑和學習內容，使學習效果逐漸趨近于所期望的學習目標。隨著學習過程的持續進行，學習目標與學習效果之間的偏差逐漸縮小，系統動力逐漸消退，最終達到偏差為零的穩定狀態，系統動力完全消失。學習系統推送的定制化學習路徑和學習內容契合了特定學習者的認知狀態和個體特征。因此，自適應學習系統在動力消退的同時，也提升了學習效果。

四、動力機制視角下的系統模型設計

領域模型、學習者模型、認知診斷及自適應模型構成了自適應學習系統完整的功能體系。領域模型為系統提供知識基礎，學習者模型是系統提供適應性服務的依據，認知診斷精準度量學習者當前認知水平，自適應模型采用智能算法向學習者推送適切內容。四者的協同作用保障了自適應學習系統的有效運行。

（一）領域模型：以何適應

領域模型是學習系統動力生成與消退的基礎。在學習系統運行前，領域模型為學習者提供學習目標，學習者選擇期望達到的學習目標，此行為直接促發了學習系統的初始動力。在學習系統運行過程中，學習引擎適應性地選擇領域模型中的知識點、學習內容和學習活動等構成個性化學習路徑并向學習者推送，此行為促使學習效果不斷提升，學習目標與學習效果之間的差值逐漸減小，動力也隨之逐漸消退。

領域模型是具有層級關系和平行關系的學習目標和知識點的集合，為自適應學習系統提供資源內容基礎。領域知識建模是在學科領域專家的幫助下將學科內容進行學習目標和知識點劃分，并確定學習目標和知識點之間的關系，形成有機的領域知識體系的過程。如圖4所示，本研究以元數據層、知識層和資源層對領域知識進行建模。

元數據層表示學習目標和知識點在領域中的位置信息，如所屬課程、章節信息。知識層主要由學習目標和知識點構成，是領域模型的核心部分。知識點是最小的知識微粒，具有原子屬性，不可再分。知識點之間存在各種關系，如前驅后繼關系和平行關系等。學科領域專家通過對課程內容的分析，將相關性較高的知識點聚合為知識群以構成學習目標，不同的學習目標可能包含相同的知識點。資源層包括學習內容、學習活動和測試題集。根據成分顯示理論，知識點可以分為事實性、概念性、過程性和原理性四類，對于不同類目的知識點設置相應的學習內容和學習活動，并且在學習完一個學習目標之后，學習系統采用適切的測試題集對學習效果進行診斷。

（二）學習者模型：依何適應

學習者模型是學習系統動力消退的依據。學習系統依據學習者模型為學習者提供個性化的知識點、學習內容、學習活動以及測試題集等服務，促使學習效果不斷提升、動力逐漸消退。因此，學習者模型構建的好壞將直接影響動力的消退與學習服務的質量。

個性化學習服務的質量很大程度上依賴于學習者模型的特性，如數據完整性和準確性等[31]。學習者模型中常見的屬性有學習目標、偏好和知識等[32]。本文將其歸納為學習者的知識狀態和學習風格（或學習偏好）兩個維度。知識狀態決定提供給學習者學習內容的難易程度。學習風格決定學習內容的呈現方式，如是以文本、音頻、動畫還是視頻呈現，先呈現整體內容框架還是依次按順序呈現等。覆蓋模型是目前最為常用的學習者知識狀態建模方法，它將學習者的知識狀態看作領域知識的子集，學習者學習的過程即是對領域知識的覆蓋過程。Felder-Silverman學習風格模型整合了榮格心理類型理論以及Kolb學習風格模型等，從信息的感知、輸入、加工和理解四個維度將學習者分為16種學習風格偏好[33]。基于覆蓋模型和Felder-Silverman學習風格模型，本研究提出一種分層學習者模型。

分層學習者模型包括知識狀態和學習風格兩層。第一層為學習者的知識狀態圖譜，學習者可以直觀地查看個體當前的學習狀態，如哪些知識點已經學習過、哪些未學習、學習過的知識掌握的程度如何（由認知診斷測得）等。學習者的知識狀態會隨著其學習進程的進行發生動態變化，學習者模型也將在認知診斷系統對學習者知識狀態的進一步診斷后進行更新，以便為后續的學習路徑推薦服務。第二層為學習者的學習風格類別，學習風格是一種認知、情感和生理特征，是學習者如何對環境進行感知和交互的相對穩定的指標[34]。自適應學習系統中適當地考慮學習者的學習風格，有助于提高學習者表現[35]。學習風格的獲取一般有三種方式：（1）顯性獲取，直接通過問卷讓學習者填寫;（2）隱性獲取，通過學習分析和數據挖掘技術對學習者的學習行為數據進行解析，從而挖掘其潛在的學習風格（此方法在學習數據較少時，準確性較差）;（3）混合獲取，先采用直接問卷的方法獲得學習者的學習風格，當學習者產生一定數量的學習數據之后，再運用數據挖掘技術對之前的結果進行修正[36]。顯性獲取較為簡單，但受學習者情緒和態度等外部條件影響較大;隱性獲取方法適合具有一定數量學習數據的情況;混合獲取方法則彌補了兩者的不足。

（三）認知診斷：精準測量

認知診斷主要用于學習效果的測量，這與動力的生成有關。在學習過程中，學習系統借助認知診斷不斷地測量學習效果，從而持續地生成學習系統運行的動力（學習過程中動力的生成不等于動力的增加，總體來講，學習過程中動力是逐漸消退的）。因此，認知診斷也是自適應學習系統動力模型的關鍵環節之一。

如何對學習效果進行更加精準地度量，更加真實地表征學習者的知識狀態？這是實現精準教學的核心[37]。就傳統的教育測量理論而言，如經典測量理論和項目反應理論等，學習者的分數通常由其在某一連續體中的位置決定，如學習者相對于其他學習者或某個特定的標準。這種宏觀的評價信息難以幫助設計針對性的教學干預和個性化的補救措施[38]。隨著教育評價理論的發展，人們不再僅僅滿足于這種線性的排序，而是想要了解學習者對具體某個知識點的掌握情況[39]。認知診斷是現代心理測量理論和認知心理學的產物，被稱為新一代的教育測量理論，目的是確定個體是否具備解決測試問題所需的多種精細技能[38]。認知診斷可以了解學習者哪些知識點掌握了、哪些沒有掌握，進而向學習者推送適切的學習路徑和資源，優化學習過程。目前，比較有代表性的認知診斷模型有層次屬性模型、融合模型、規則空間模型以及DINA模型等[40]。

以DINA模型為例，DINA模型是一種簡單的兩參數認知診斷模型，能夠提供良好的模型擬合。它通過分析學習者測試題目的作答情況和試題所需掌握的知識點，進而估計學習者對知識點的掌握情況。DINA模型的計算過程一般可分為四步：第一步，構建Q矩陣。Q矩陣是一種測試題目與知識點關系矩陣（也稱項目與技能關系矩陣），矩陣的列表示知識點，行表示測試題目以及所考察的知識點，Q矩陣是一個由0和1構成的二值矩陣。第二步，通過測試得到學生的真實反應模式。第三步，估計猜測參數和失誤參數。第四步，根據以上參數采用最大化后驗概率的方法得到學生掌握模式，即學習者當前的知識狀態。DINA模型估算的學習者知識掌握情況（或知識狀態）是一個二值向量，即1表示已掌握，0表示沒有掌握。劉玉蘋提出的SDINA模型可以估算出學習者對每個知識點的掌握概率[41]。因此，學習者的知識掌握情況不再是一個二值向量，而是介于0和1之間的連續值，表示學生對每個知識點的掌握程度，從而更加精準地描繪學習者對知識點的掌握情況。

（四）自適應模型：動力消退

自適應模型主要用于動力消退。自適應模型應用推薦算法適應性地調整學習路徑及其對應的學習內容、學習活動等，減少學習系統的動力，是實現動力消退的核心。適應性推薦算法是自適應模型的核心。根據所應用推薦策略的不同，適應性推薦算法可以分為協同過濾推薦、基于內容的推薦以及基于知識的推薦三類。協同過濾是利用群體智慧進行推薦，主要思想是過去選擇相似知識點和學習資源的學習者，在未來他們可能選擇相同的知識點和資源[42]。因此，協同過濾主要通過分析相鄰學習者（即最為相似的學習者）的學習內容，從而向目標學習者推薦與其相同的知識點和資源。然而，協同過濾存在“冷啟動”的缺點。基于內容的推薦是向學習者推薦與當前相似的知識點和資源[43]，該策略的重點是對學習內容進行多維建模。基于知識的推薦通常使用本體對領域知識和學習者進行表示，之后將學習者映射到相關的領域知識中[44]。由于領域知識內部知識點關系的復雜性以及學習者特征（知識水平、學習偏好、學習活動和所處情境等）的多維性，本體構建通常面臨巨大困難。混合推薦是協同使用以上三種策略進行學習內容推薦，旨在組合各自優勢，克服各種推薦策略的不足。

為了實現動力的消退，要針對學習者掌握薄弱的知識點進行精準推送，提升學習效果。研究將采用混合推薦策略，從知識點自身的關系結構和相似學習同伴兩方面進行學習路徑推薦。其一，基于知識點邏輯結構的推薦，即根據領域知識模型中知識點內在的邏輯關系以及學習者模型中學習者的知識狀態和學習風格，向學習者推薦達到某一學習目標所需的具有前驅后繼關系或平行關系的知識點序列及相應的學習內容和活動。此策略可以克服協同過濾推薦的“冷啟動”問題。其二，基于相似學習同伴的推薦，即采用類似于協同過濾推薦的策略，以目標學習者的知識狀態和學習風格構造向量模型，尋找與其空間距離最近的優秀學習同伴，并將其學習路徑推薦給目標學習者。兩種推薦策略協同使用，可以滿足學習者個性化的學習需求，優化學習體驗。

五、結? ?語

自適應學習系統旨在為學習者定制個性化的學習內容，優化學習體驗，提升學習效果。自適應學習系統模型對系統的開發起著導向作用。研究針對傳統的自適應學習系統模型的層狀架構對系統內部運行過程關注不足的問題，基于自適應逆控制理論研制了一種自適應學習系統動力模型。同時，文章借助學習系統模型的運行過程闡釋了自適應學習系統的動力機制，即自適應學習系統動力的生成與消退過程。為了更加精準地掌握學習者的知識狀態，研究引入了新一代教育測量理論，從而構建了新型的自適應學習系統四大核心功能要素。最后，研究從動力機制的視角設計了自適應學習系統動力模型的四大功能組件。至此，研究已從動力生成與消退視角詳細闡述了自適應學習系統的動力機制。后續，我們將依據研制的模型進行自適應學習系統的開發工作，并進行實證研究，采用基于設計的研究方法，針對實證研究中存在的問題對模型進行多輪迭代與優化。

[參考文獻]

[1] 張杰夫.班級授課制存在的問題及其改革芻議——兼談現代教育技術與教學改革[J].教育科學研究，1987（3）：9-18.

[2] 教育部關于印發《教育信息化2.0行動計劃》的通知[EB/OL].（2018-04-18）[2019-07-20].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[3] 祝智庭，魏非.教育信息化2.0：智能教育啟程，智慧教育領航[J].電化教育研究，2018，39（9）：5-16.

[4] 祝智庭，賀斌.智慧教育：教育信息化的新境界[J].電化教育研究，2012，33（12）：5-13.

[5] 祝智庭.智慧教育新發展：從翻轉課堂到智慧課堂及智慧學習空間[J].開放教育研究，2016，22（1）：18-26，49.

[6] 彭紅超，祝智庭.人機協同決策支持的個性化適性學習策略探析[J].電化教育研究，2019，40（2）：12-20.

[7] BENJAMIN L T. A history of teaching machines[J]. American psychologist， 1988， 43（9）： 703-712.

[8] SKINNER B F. Programmed instruction revisited[J]. Phi delta kappan， 1986， 68（2）： 103-110.

[9] 李藝，單美賢.“教師”的智慧：談程序教學思想的興起與歸宿[J].電化教育研究，2013，34（7）：11-16.

[10] SKINNER B F. Teaching machines[J]. Science，1958，128（3330）：969-977.

[11] BLAISDELL F J. Historical development of computer assisted instruction[J]. Journal of educational technology systems，1976，5（2）： 155-170.

[12] CROWDER N A. On the differences between linear and intrinsic programing[J]. The phi delta kappan，1963，44（6）：250-254.

[13] FUCHS， K， HENNING P A. Computer-driven instructional design with INTUITEL[M]. Gistrup，Denmark：River Publishers，2017.

[14] GILMAN D A. The origins and development of intrinsic and adaptive programing[J]. Educational technology research and development， 1972， 20（1）： 64-76.

[15] KARA N， SEVIM N. Adaptive learning systems： beyond teaching machines[J]. Contemporary educational technology，2013，4（2）： 108-120.

[16] AROYO L， DOLOG P， HOUBEN G J， et al. Interoperability in personalized adaptive learning[J]. Journal of educational technology & society， 2006， 9（2）：4-18.

[17] TADLAOUI M， CHIKH A， BOUAMRANE K. Alem： a reference model for educational adaptive web applications[M]//Intelligent and adaptive educational-learning systems. Berlin： Springer， 2013：25-48.

[18] CANNATARO M， CUZZOCREA A， PUGLIESE A. XAHM： an adaptive hypermedia model based on XML[C]//Proceedings of The 14th International Conference on Software Engineering and Knowledge Engineering. New York： ACM， 2002： 627-634.

[19] KARAMPIPERIS P， SAMPSON D. Adaptive learning resources sequencing in educational hypermedia systems[J]. Journal of educational technology & society，2005，8（4）：128-147.

[20] JACQUIOT C， BOURDA Y， POPINEAU F， et al. Glam： a generic layered adaptation model for adaptive hypermedia systems[C]//International Conference on Adaptive Hypermedia and Adaptive Web-based Systems. Berlin： Springer， 2006： 131-140.

[21] KNUTOV E， DE BRA P， PECHENIZKIY M. AH 12 years later： a comprehensive survey of adaptive hypermedia methods and techniques[J]. New review of hypermedia and multimedia，2009，15（1）：5-38.