面向智慧教育的學習環境計算框架

□周偉 杜靜 汪燕 劉嘉豪 黃榮懷

一、引言

大數據、云計算、人工智能等新一代信息技術正引領新一輪科技革命，推動人類生產、生活各個領域的結構重組和流程再造，也正在改變教育的組織模式和服務模式，推動人類教育向 “智慧教育” 階段演進（黃榮懷，2022）。在科技與教育的系統性融合過程中，學習環境亟需轉型和升級，支持以數據驅動、個性化、情境化為主要特征的智慧教育生態（黃榮懷等，2019）。

當前在互聯網的推動下，學習環境已從 “封閉式校園” 向 “互聯網學習環境” 過渡（黃榮懷等，2017），從學校延伸至家庭、社會等場域（莊榕霞等，2017）。然而，學校、家庭、社會等場域之間嚴重割裂、信息共享不暢、數據孤島嚴重、學習支持服務難以協同聯動，導致各場域學習情境難以聯通。從學習環境的服務對象看，學習者跨場域學習的趨向要求場域割裂的被動教育服務轉變為情境聯通的主動學習支持服務。然而，當前學習環境的技術生態中，教育數據挖掘與學習分析的相關算法與服務孤立（Baker et al.，2016），尚不具備應對復雜學習情境的個性化服務能力。因此，如何將學習環境中的各種智能化服務在智能與知識層面無縫協同，構建一個開放互聯的學習環境，使其能適應復雜性、個性化和隨機性等智慧學習特征（黃榮懷等，2017），已成為智慧教育的重要研究議題。

學習環境計算是有效聯接物理空間、信息空間和社會空間的橋梁，是解決學習環境設計、評價與優化的基礎，是教育領域建構智聯網的核心關切，也是面向智慧教育的基本計算問題之一，有助于解決數字隱私的可信、安全保障問題，以及復雜場景下基于多模態融合的學習支持服務機制構建等問題（黃榮懷等，2019）。本文圍繞數據驅動、個性化、情境化等智慧教育主要特征，提出面向智慧教育的學習環境計算框架，包括學習環境的計算與推理模型、基于教學實驗的學習環境計算演化模型以及面向服務的學習環境計算體系架構。該框架將有助于新一代學習環境的設計與優化，加速學習環境的系統與裝備從實驗原型研究到生產與部署，助力學習環境的數字化轉型，為規模化教育與個性化培養的平衡提供支撐。

二、面向智慧教育的學習環境計算邏輯框架

在科技與教育的系統性融合過程中，為了更好地支持數據驅動、個性化、情境化等智慧教育特征，本文提出面向智慧教育的學習環境計算邏輯框架。該框架建立在學習情境模型（黃榮懷等，2010）、智慧學習環境功能模型（黃榮懷等，2012）基礎上，通過學習環境計算賦能智慧學習環境，并基于典型學習情境實現智慧學習環境的技術及資源部署，支持規模化教育向數據驅動、個性化、情境化的智慧教育生態邁進。如圖1所示，該框架主要通過三大功能環節賦能智慧教育。

圖1 面向智慧教育的學習環境計算邏輯框架

1.學習情境建模：實現智慧教育情境化特征的前提

學習情境是指對一個或一系列學習事件或學習活動的綜合描述，涉及學習活動、學習時空、學習社群及學習者等要素。典型的學習情境包括課堂聽講（集體）、個體自學（個體）、研討性學習（小組）、邊做邊學（群體）、基于工作的學習（群體）等（黃榮懷等，2010）。學習者的學習情境不同，對學習需求和環境要求也不同（Kobsa，2005）。學習情境的表征與建模為細粒度情境適應策略的提出提供了基礎，如可以根據學習者知識水平提供個性化培養服務。

學習情境的表征與建模是學習環境計算的核心功能之一，也是智慧教育情境化特征實現的前提條件。情境化是智慧教育的主要特征之一，強調智能技術需要依據不同的教育場景，對教學模式、教學方法、學習過程等進行合理組合；在滿足用戶需求的基礎上，弱化用戶對技術本身的感知（黃榮懷等，2019）。學習環境計算助力智慧教育情境化特征的實現有兩條途徑：一是基于計算主動地感知學習情境，為學習者提供適應性的學習服務。隨著物聯網、云計算等技術的不斷發展，情境計算受到學術界和產業界的關注，其是通過對獲取到的情境信息進行處理，得出用戶所需的服務并主動向其提供情境感知服務的一種計算模式（李偉平等，2015）。二是構建開放智聯的學習環境，給學習者提供跨場域和情境聯通的學習服務。利用智能技術搭建智聯融通的新一代學習環境，創設虛擬現實與真實情境、學校—家庭—社會、正式教育與非正式教育有機融合的學習空間，為學生提供跨場域的連通性和情境性學習體驗，是科技賦能教育的核心領域之一（黃榮懷，2022）。

2.智慧學習環境部署：為平衡規模化教育與個性化培養帶來可能

智慧教育的個性化特征強調智能技術的應用應尊重教育中人與人之間的個性差異，以智能技術為工具實現有教無類和因材施教的教育目標（黃榮懷等，2019）。這就要求智能技術營造的學習環境要在感知學習情境的基礎上，能為學習者推薦適應情境的教學策略，以及內容必需、難度適中、結構合理、媒體適當、導航清晰的學習資源，并匹配能促進群體歸屬感和情感認同感的學習伙伴，促進有效學習活動的發生（黃榮懷等，2010）。當前，利用智能技術探索最適應學習者的學習路徑、學習資源、學習伙伴，是個性化適應性學習技術的研究熱點。

智慧學習環境部署的重點是生成一種能感知學習情境、識別學習者特征、提供合適的學習資源與便利的互動工具、自動記錄學習過程和評測學習成果，以促進學習者有效學習的學習場所或活動空間。這種學習場所或活動空間具備記錄過程、識別情境、感知環境、聯接社群等技術特征（黃榮懷等，2012），可以為建立學習者模型、更新學習情境、更加全面而準確地評價學習者的學習效果提供依據。智慧學習環境部署需綜合考慮不同學習情境的特征，合理配置技術及資源，為學習者提供個性化的教學策略并進行科學的學習績效評測，促進有效學習的發生。

3.學習環境優化：通過數據驅動變革教育生態系統

數據驅動也是智慧教育的主要特征之一，強調有效應用海量優質的教育應用場景數據，對傳統教育場景進行改造升級，提升分析力和支撐力，以實現智能時代教育生態系統的變革（黃榮懷等，2019）。智慧教育生態的形成是一個長期的過程，需要不斷優化學習環境。現有學習環境的智能化升級改造，要利用云邊端智聯，通過計算與推理協同多維度智能，實現數據共享、設備協同、知識互聯、群智融合，為更輕松、更投入、更有效的學習提供有效支撐。教學實驗是學習環境演化的基礎。學習環境計算的數據驅動特征表現為學習環境從多場景的教育教學實踐中不間斷地獲取海量、異構、高并發、多維度、多模態的數據，通過經驗知識的獲取與積累，理解真實學習情境的復雜性和時變性，不斷優化學習環境內部的結構、內容、形態和方法，使學習環境自主協同地運行。通過挖掘大規模、長期數據改進教育教學實踐的教育社會實驗已成為一種數據密集型教育研究的新范式（黃榮懷等，2020）。

三、學習環境計算的核心功能

基于上述分析，本文認為學習環境計算是指通過智聯網絡環境來識別學習者特征和感知學習情境，利用認知計算與知識推理方法，基于學習情境的表征與建模、教學策略的生成與推薦、學習績效的分析與評測，來提供主動、精準和適應性的學習支持服務，其目標是迭代優化學習環境。計算與推理是學習環境計算的核心，也是實現數據驅動、個性化、情境化等智慧教育主要特征的基礎。為了更好地聯接與協同智慧學習環境所需的個性化、情境化學習支持服務，并充分發揮教育教學實踐的數據價值，本文提出一種學習環境計算與推理模型。該模型建立在情境計算的一般性架構（李偉平等，2015）基礎上，主要包括以計算與推理為基礎的學習情境表征與建模、教學策略生成與推薦、學習績效分析與評測，如圖2 所示。按照情境計算 “建模、執行、優化” 的一般過程，學習環境計算的核心功能可分為三大部分：第一，學習情境的表征與建模，包括學習情境數據獲取與學習情境模型建立；第二，教學策略的生成與推薦，即在學習情境表征與建模的基礎上，主動地為學習者提供個性化、情境化的教學策略并執行；第三，學習績效的分析與評測，即分析教學策略執行的效果，反饋給推理引擎與教學專家，進而優化教學策略并更新學習情境。

圖2 學習環境的計算與推理模型

1.學習情境的表征與建模

學習情境的表征與建模指向學習環境信息的感知、學習者模型表征與相關信息的采集、學習任務的時空關系標記等，其是在獲取學習情境數據的基礎上，通過形式化方法定義學習情境模型并建模。

（1）學習情境數據獲取

學習情境數據的來源多樣，涉及多個場域（包括物理環境和虛擬環境），既有來自傳感器的實時監測數據，如GPS 地理信息、聲光電溫濕度信息等；也有來自學習系統數據庫中的信息，如學習者信息、歷史績效數據等；以及從云服務接口中獲取的數據，如社交網絡中學習者關系信息等。來自各類傳感設備的數據是多模態、冗余、復雜、有噪聲和低質量的，在應用前需對數據進行過濾、降維、特征提取，通過模式識別將原始傳感器數據轉換為可直接使用的數據；而來自學習管理系統、學生管理系統、教務管理系統等信息系統中的數據往往是異構的，這給學習情境建模帶來挑戰。針對前者，應構建一種邊緣計算網關，通過多種通信協議屏蔽傳感器底層架構的差異，并提供統一的數據操作接口以獲取數據，如有學者用設備信息訪問組件（Li et al.，2010）、接入網關（鄒萍等，2020）、動態數據一致性組件（Xu et al.，2005）解決高效接收和處理來自傳感器數據的問題。針對后者，應構建數據抽取、轉換和加載工具將分散、零亂、標準不統一的數據融合到一起，如數據中臺（翟雪松等，2021）等。還有學者構建了一種情境智能框架，提供了對多模態時序數據流進行感知、融合和推斷的基礎設施，包括支持可視化和調試的工具，以及封裝了各種感知和處理技術的組件（Bohus et al.，2021）。

（2）學習情境建模

根據不同的應用場景，學者們提出了多種形式化方法來表征并存儲情境信息，如鍵—值二元組（Schilit et al.，1994）、著色Petri網（包杰等，2012）、面向對象（Kumar et al.，2020）、描述邏輯（胡博等，2013）、本體（Sarwar et al.，2019）等方法，建立情境模型。學習情境的相關要素包括學習活動（學習目標、內容、評價要求等）、學習時空、學習者（學習風格、認知能力、知識水平、知識狀態、情感、注意力等）和學習社群（學習小組中的角色、關系等）等（杜靜等，2020）。根據學習情境信息的穩定性，可將學習情境信息分為穩態情境信息和動態情境信息。穩態情境信息是指相對穩定、會影響學習效果的個體特征，如學習風格、認知能力等；動態情境信息是指能隨情境、時間而變化的，與學習活動有關的個體狀態，如知識水平、情感狀態、注意力狀態等（黃榮懷等，2012）。動態情境信息是進行細粒度個性化推薦的基礎，因此學習情境模型要能夠較好地支持學習情境信息的動態維護與更新。當前的學習情境形式化表征方法多從通用知識表征方法遷移而來，未考慮到學習環境與教育教學的特點。因此設計一種既能綜合各種形式化表征方法的優點，又考慮教育教學實際的學習情境建模方法是未來學習環境計算研究的重要方向之一。

2.教學策略的生成與推薦

教學策略的生成與推薦指向學習路徑生成、學習資源推送以及學習伙伴匹配與組群建構等。

（1）學習路徑生成

個性化適應性學習的關鍵問題是如何根據學習者特點生成合適的學習序列，并在情境改變的情況下動態地自主調整，形成最適合學習者學習需要的知識單元和學習任務（例子、問題、習題等）序列，其難點在于既要兼顧知識點之間的邏輯關系（如相關、前提等），又要適應學習者個性化的學習特點（Iglesias et al.，2009）。知識點的邏輯關系是學習路徑算法生成的約束條件，用以明確在學習某知識點之前，需要學習的先導知識。同時適應性學習還要根據學習者個性化特征，如根據認知能力、知識水平和學習風格等差異，對學習進度、學習內容、學習方式等作相應調整。因此學習路徑生成算法一般采用有序無環圖表征領域知識，通過設置最優化目標，采用啟發式搜索方法求解，如遺傳算法（Huang et al.，2007）、蟻群算法（Wang et al.，2008）等。

（2）學習資源推送

學習資源推送算法的優化目標包括難度適中、結構合理、媒體適當等，典型的推薦方法有協同過濾算法和啟發式搜索算法等。協同過濾算法根據相關用戶的偏好向目標用戶推薦相關內容，即首先找出一組與目標用戶偏好特征一致的相似用戶，然后分析該組用戶的行為模式，并基于此將適應該組用戶的內容推薦給目標用戶（Lemire et al.，2005）。協同過濾算法不需要考慮被推薦項目的詳細內容，對用戶訪問應用時的干擾較小，且易于實現，是目前最成功且應用最廣泛的技術之一（王永固等，2011；冷亞軍等，2014），但其對學習者個性化特征考慮不足。啟發式搜索方法通過多目標組合優化對學習資源推薦問題進行建模以查找最優解，如二進制粒子群（楊超，2014；李浩君等，2017； De-Marcos et al.，2007）等，然而其需要預先對知識、內容等做較精細的標注，成本相對較高。

（3）學習伙伴匹配與組群建構

學習伙伴形成的主要依據有隨機或根據喜好、學習成績等。隨機策略根據學習者參與順序隨機確立伙伴關系，典型的項目有C-Notes（Milrad et al.，2002）、xTask（Ketamo，2003）、Musex（Yatani et al.，2010）等。喜好策略根據學習者之間的熟悉程度確立伙伴關系，如CatchBob!（Soute et al.，2010）等。學習成績策略依據學習者的學習表現確立伙伴關系，如Call（Almekhlafi，2006）等。針對每種策略，又有同質分組、異質分組、基于收益的分組等方法匹配學習伙伴并建構組群。有研究者根據每個學習者對不同知識點的掌握情況，提出了基于差異的學習者分組算法以及基于收益的學習者分組算法，前者旨在將掌握同類知識點的學習者分配到不同組內，后者通過最大化組內所有學習者的平均收益進行分組（Liu et al.，2016）。

3.學習績效的分析與評測

為了驗證適應學習情境的個性化教學策略是否有效，需要進行學習績效分析與評測。學習績效的分析與評測主要包括學習軌跡記錄與分析、學習績效測量與評定等。學習績效分析與評測的結果可以為學習情境的表征與建模、教學策略的生成與推薦提供有價值的反饋信息，實現教學策略的優化、學習情境的更新、領域知識的重構等，進而不斷優化學習環境的內部結構，為智慧教育數據驅動特征的實現提供支持。

（1）學習軌跡記錄與分析

學習軌跡的記錄與分析主要實現學習風格、情感、注意力等非智力因素的分析挖掘，并更新學習情境模型。 典型的學習風格識別方法有Felder-Silverman 問卷模型（Felder et al.，2005） 、隱馬爾可夫過程（Cha et al.，2006）、貝葉斯網絡（Garcia et al.，2007）和復合神經網絡（李超等，2018）等。典型的學習者情感識別方法有基于可穿戴設備的生理信號測量方法（蔡菁，2010）、基于計算機視覺的表情識別方法（孫波等，2015）、基于日志的文本分析方法（劉毓等，2019）以及基于特征融合、決策融合、混合多模態融合等的多模態分析方法（Poria et al.，2015）。典型的注意力識別方法有基于眼動儀的接觸式方法（王雪，2015）、基于深度視覺的頭部姿勢與注視方向跟蹤方法（Baltru?aitis et al.，2016； Lang et al.，2017）等。

（2）學習績效測量與評定

學習績效測量與評定主要利用概率模型挖掘知識水平、知識狀態等直接代表學習效果的指標，以優化教學策略并更新學習情境模型，如當績效提升在統計上顯著時，更新推理知識庫等。典型的知識水平估計方法有面向單個能力的項目反應理論（Item Response Theory，IRT）（Baker，2001）、貝葉斯知識跟蹤（Beyesin Knowledge Tracing，BKT）（Corbett et al.，1994）、面向多個能力的多維項目反應理論模型（Ackerman et al.，2010）等。學習者的知識狀態是學習者模型中的重要屬性，是教學補救的重要參考指標，也是個性化學習路徑生成和適應性學習資源推薦的決策依據。認知診斷（Cognitive Diagnosis，CD）使評估學習者不可直接觀測的知識狀態成為可能，其可為教學干預提供更細粒度的信息。典型的認知診斷模型有規則空間模型（余娜等，2007）、確定性輸入噪聲與門（Deterministic Inputs，Noisy， “And” Gate，DINA）模型（康春花等，2010）等。

四、學習環境計算的演化模型

為了更高效地利用教育教學實踐數據，驅動學習環境演化，進而迭代優化學習環境，更好地支持智慧教育，本文在學習環境的計算與推理模型基礎上，提出基于教學實驗的學習環境計算演化模型。該模型通過基于教學實驗的教學策略驗證和基于自學習算法的教學策略庫增強，對真實多場景的學習環境進行優化，如圖3所示。

圖3 學習環境計算的演化模型

1.基于教學實驗的教學策略驗證

教學實驗是根據一定教學研究目的，在人為控制客觀對象的條件下觀察教學活動的一種研究方法，旨在探明教學情境中某些自變量與因變量之間的因果關系，為教學革新提供依據（顧明遠，1998）。教育實驗一般包括發現與確定問題、提出假設、界定變量、制訂實驗方案、控制干擾變量、選擇實驗設計模式、選擇實驗場所、實施實驗方案并觀察實驗、評價實驗結果、撰寫實驗報告等步驟（王策三，1998）。

教學策略驗證的一般過程為：首先感知多場景學習環境并采集學習情境數據，表征與建模形成學習情境模型；進而生成適應情境的教學策略，并在驗證性的教學環境中執行，開展教學實驗研究；最后分析與評測學習績效，驗證所生成的適應學習情境的教學策略是否有效，進而修正多場景學習環境。為了更高效地達成教學實驗研究的控制條件，業界研發了模塊化的學習系統，如Moodle（Romero et al.，2008）、通用智能導學系統框架（Generalized Intelligent Framework for Tutoring，GIFT）（Sottilare et al.，2012）等，通過學習活動序列的組合，支持驗證性教學環境的開發。然而，這些產品僅支持單一的學習情境和場域，因此跨場域多情境教學實驗研究的支持平臺是未來學習環境計算研究的重要方向之一。

2.基于自學習算法的教學策略庫增強

學習績效的分析與評測將觸發自學習算法。對于驗證有效的策略，如果是新策略則在策略庫中新增，否則更新對應的策略參數；對于校驗無效的策略，如果是新策略則在策略庫中新增，否則在策略庫中修改有效性判斷。在教學實驗的基礎上，機器通過教學策略的自學習算法實現教學策略庫的增強，從而使基于教學策略庫的適應學習情境的推薦算法越來越準確，為教學實施提供更科學的決策支持。學習環境計算通過 “人在回路”①機器學習（Monarch，2021），學習人類專家經驗并不斷演化，形成面向知識自動化的教學策略庫，表征教學策略、學習情境及學習績效之間的關系，確保適應情境的教學策略能夠促進學習。其包括大粒度的適應性教學策略（如基于學習風格、認知能力、知識水平的適應策略）、細粒度適應性教學策略（如基于知識狀態和情感狀態的適應策略）、適應學習時空及技術環境的教學策略（如移動學習中推薦微課資源，提高學習者利用碎片化時間的能力）等。

基于教學實驗的學習環境計算演化模型，提供了一種可以讓機器積累海量、長期的數據并不斷學習人類專家經驗的機制，使以計算與推理為基礎的學習情境的表征與建模、教學策略的生成與推薦、學習績效的分析與評測更精準、更具適應性，使學習環境具備自適應自優化的特征而實現升級。

五、學習環境的計算體系架構

數據驅動、個性化、情境化的智慧教育生態的形成需要大量以學習環境計算為基礎的智能化應用與服務的協同。為了將學習環境計算的核心功能在保障安全與隱私的前提下以知識服務的方式開放，支持智慧教育生態，本文在智聯網技術平臺架構（王飛躍等，2018）的基礎上，設計了學習環境的計算體系架構。該架構主要由環境感知層、聯接計算層、知識推理層以及教學服務層組成，如圖4所示。

圖4 學習環境的計算體系架構

1.環境感知層

環境感知層通過各種傳感設備的接入，聯結與感控教室、實驗室、圖書館和科技場館等學習環境數據，實現面向學習情境數據的獲取。物聯網是環境感知層的關鍵技術。然而物聯網的開放性、包容性和匿名性也導致其容易出現信息安全隱患（孫其博等，2010）。接入模組是一種將芯片、存儲器、功能接口等集成于電路板上的模塊化組件，可以實現信號收發、噪聲過濾、信號轉換等功能，是實現萬物智聯的關鍵設備。在學習環境的計算體系架構中，接入模組主要實現各學習環境中傳感設備的安全與管控，以滿足設備網絡連接的機密性、真實性、完整性、抗抵賴性等。

2.聯接計算層

聯接計算層通過邊緣計算網關實現通信裝備與邊緣計算裝備資源的一體化管控，聯接跨場域學習環境，將來自傳感設備的數據轉換為上層所需要的特征與模式，更新學習情境信息。邊緣計算是聯接計算層的關鍵技術，其是在網絡邊緣執行計算的一種新型計算模型，將原有云計算中心的部分或全部計算任務遷移到數據源的附近執行，具有低延時、低成本、隱私安全、本地自治等特征，可以解決云計算受帶寬和計算資源限制無法高效處理傳感器產生的海量數據等問題（施巍松等，2017）。通過邊緣計算將數據處理后的特征與模式傳入上層服務而不是將原始數據上傳，不僅可以節省計算資源，也可以規避學習者隱私或敏感信息的泄漏。

3.知識推理層

知識推理層解析上層的知識服務請求，并使用推理引擎綜合知識庫中的專家經驗，提供適應學習情境的知識服務，包括學習情境的表征與建模、教學策略的生成與推薦、學習績效的分析與評測等。知識工程技術是知識推理層的關鍵技術。專家系統使用人類專家推理的計算機模型來處理現實世界中需要專家作出解釋的復雜問題，并得出與專家相同的結論，其由知識庫與知識推理引擎組成（張煜東等，2010）。學習環境計算的知識庫包括教育教學基本的事實庫、規則庫以及教學策略庫等。學習環境計算的演化模型通過基于教學實驗的教學策略自學習使得該層具有知識自動化等新一代知識工程技術（王飛躍等，2017）的特征。

4.教學服務層

教學服務層通過自然交互的人機接口，為各類教育教學系統提供服務，形成知識服務生態系統。在邊緣計算與云計算協同下，學習環境計算的功能和資源以知識服務的形式開放到智慧教育生態環境中。服務計算是該層的關鍵技術。服務不僅是接入和放大各類基礎設施能力的基本途徑（韓燕波等，2011），也成為拓展學習環境計算應用的基本方法。開發者和研究者可調用人機接口，通過知識推理層的軟件開發工具包（Software Development Kit，SDK）及應用程序接口（Application Program Interface，API），屏蔽學習環境計算的技術細節，使得需要多學科背景知識與較高軟件開發技能的算法，能以標準化的方式被調用，降低自適應學習系統、智能導學系統、環境管理系統等智慧教育生態服務研發所需要的成本與技能。

新型學習環境的設計與研究缺乏標準和工具，尤其計算與推理的實現需要較高的知識與技能門檻，使得相關研究大多停留在理論層面，缺乏實踐驗證。學習環境的計算體系架構通過環境感知層實現異構網絡的互聯互通，在中間層以聯接計算與知識推理聯通智慧學習環境所需的智能算法，并提供標準的SDK與API接口，在頂層通過自然交互的人機接口提供知識服務，支持智慧教育生態的形成。

六、學習環境計算的應用實例

學習環境計算框架為學習環境設計與優化等提供了切實可行的頂層設計和技術路徑，支持數據驅動、個性化、情境化的智慧教育生態的形成。互聯網教育智能技術及應用國家工程研究中心團隊已開始對學習環境計算框架工程化。目前基于學習環境計算框架構建的 “教學管評測” 相關應用已累計服務數億人次，已應用到個人自學、協作學習、課堂聽講等學習情境中，并已開展面向動機激發與行為干預的學習環境計算和面向分層教學的學習環境計算實驗。

1.面向動機激發與行為干預的學習環境計算實驗

與課堂學習相比，在線學習需要學習者自我調節學習過程，保持學習動機以實現學習目標（奧爾加·維伯格等，2020）。在線協作學習還需要學習者在協作過程中不斷感知和監控自己和小組的學習狀態。設計在線學習環境尤其要考慮學習者的動機激發與行為干預策略。學習環境計算為發現何種策略能更有效地促進學習提供了支撐。

在基于自我調節學習（Self-Regulatated Learning，SRL）的高中三角函數在線教學中，為了驗證動機設計與自我調節學習干預的教學策略與學習績效的關系，通過教學策略的生成與推薦方法，構建了4種類型的教學策略及其對應的在線學習環境，分別對應動機設計組、SRL干預組、動機設計及SRL干預組和對照組，并將236名高一學生隨機分配到各組中，通過學習績效分析與評測，比較了各組學習者動機、自主學習能力及學習成績的變化，結果發現學習者在動機與自我調節策略都得到指導與干預時學習績效最好（Gu et al.，2019）。在面向協作學習的社會調節學習工具設計中，為實現對社會調節過程的支持，通過學習情境的表征與建模，感知了學習者及學習小組的學習任務與計劃；通過教學策略的生成與推薦，采取隨機確定學習伙伴的策略，支持小組成員之間實時協商并查看完成進度；將協作頻次與任務進度可視化，通過小組自評及互評的學習績效評定，支持了任務計劃、交流共享、群體感知和評價反思等模塊的設計與開發，提升了協作學習的質量（陳凱亮等，2020）。

2.面向分層教學的學習環境計算實驗

分層教學是指按能力等標準把學生分成幾個小組，然后教師按不同層次的課業對各組進行教學的一種教學組織形式（全國科學技術名詞審定委員會，2013）。分層教學的前提是實現對學習者能力的精確診斷。這需要構建學習者能力測量模型，使機器從學習者學習軌跡數據中習得模型的參數。分層教學的實施也積累了學習者的績效數據。挖掘績效數據并更新測量模型，可以使得對學習者能力的診斷更精確，進而推薦更優的分層教學策略。在分層教學的實踐中，學習環境的內部結構得以不斷優化，同時應用場景也得到拓展。

例如，為支持漢語二語學習者的分層教學，需要精準地診斷學習者的漢語水平。研究者通過學習情境表征與建模，利用學習者的漢語水平考試（HSK）成績初步估計學習者的語言能力并將其作為能力的初始值，推送最接近學習者能力的問題給學習者；然后根據學習者的作答，使用項目反應理論（IRT）模型更新學習者的語言能力，直到估計的能力可靠性達到標準。實驗顯示，該方法與傳統筆試具有很強的相關性（ρ＝0.8715），且平均測驗長度從140降低到了26，表明其能更快速準確地診斷學習者的語言能力，為分班分層教學提供了決策依據（Zhou et al.，2019）。該服務也擴展到了少數民族地區的小學生字詞能力評估等場景中，已有2000余名小學生通過該工具實現了漢語語言能力的診斷②。

七、結語

當前學習環境的技術生態中，孤立的智能技術在智能化的學習服務中已經取得了一定成績。然而面對新一代學習者時空高速演變的學習環境，如何將學習環境中的各種智能化服務在智能與知識層面無縫協同，仍是一個開放性的問題。展望未來，如果學習環境的計算與推理模型及計算體系架構能夠完全實現，將對教育教學效率與形態的改變產生革命性的影響。學習環境計算框架將成為促進智能時代教育發展的重要生產工具，為社會化大眾化的學習環境設計與優化提供切實可行的技術路徑和頂層設計支撐，并從技術層面有效應對人工智能應用于教育的倫理問題，支持智慧教育健康有序地變革。

注釋：

① “人在回路” 是新一代人工智能基礎理論體系中混合增強智能理論的重要組成部分，通過設計機器與人類高效協同工作的策略，提升機器的性能和人類的效率。

②數據來源：北京師范大學互聯網教育智能技術及應用國家工程研究中心與中文信息處理研究所研發的面向漢語二語教學的小學生字詞測試系統（http://aied.bnu.edu.cn/xxszc）。