智慧教育平臺的適應性服務框架和實施路徑探析

摘要：適應性服務是智慧教育平臺生態建設和運維機制創新的關鍵環節，其核心理念是基于“效率”和“反饋”來推進資源服務。典型平臺的調研發現，平臺服務呈現從帕累托效率轉向適應性效率，以及從評價式反饋轉向適應性反饋的趨勢。適應性效率特征、反饋特征是構建適應性服務框架的基礎性要素；應當結合高響應率、服務結果高適配率以及資源建設低成本策略等指標，進而構建服務目標、過程和結果的全鏈路反饋，目標是實現資源服務的個性化適配。在實踐環節推進智慧教育平臺的適應性服務工作，一是需建立數據收集、用戶狀態智能感知的機制；二是可依托知識圖譜、推薦算法和引入預訓練大模型，推進教學資源動態適配；三是應當將知識、資源和用戶認知特征有機聯系，助力資源重組和復用。

關鍵詞：智慧教育平臺；適應性服務；適應性效率；適應性反饋

中圖分類號：G434 文獻標識碼：A

* 本文系2021年度國家社科基金教育學重點項目“以教育新基建支撐高質量教育體系建設研究”（項目編號：ACA210010）階段性研究成果。

大型化、標準化和服務高度集成的新一代智慧教育平臺（下文簡稱：平臺）是數字教育資源服務載體和方式的重大創新，也是服務理念的分水嶺[1]。國外平臺的重要創新就是增強其適應性服務，即根據需求來調整教學內容和相應服務[2]；其核心目標在于為參與者提供個性化學習支持和反饋，從線性反饋、以內容為中心的服務模式轉向高交互、高適配模式，以滿足個體差異化學習需求[3]。

在我國，國家智慧教育公共服務體系中三類平臺的上線運維，引領中國教育數字化進入“智慧教育”新征程[4]；平臺為教育教學提供全方位服務，多主體參與，平臺提供的工具和資源越來越多地融入教育教學各環節[5]；平臺的優質資源供給能力、服務能力不斷提升，并帶動教師數字素養顯著提高[6]。從全局看，平臺的應用是檢驗成效的試金石，需擴大應用示范，提升智慧教育平臺服務效能[7]；應從適用性的角度激發優質教育資源供給活力，結合科學性、易用性、有用性、可交互性、可嵌入性和可改造性等指標構建平臺服務評價機制[8]；應加快智慧教育平臺的“升艙”改造，如增加資源協同創建功能，提供更精準的用戶服務[9]。

從智慧教育平臺運維國內外經驗看，要實現適應性服務并非易事，需建立一個完整的框架來加以引導和指導實施。這一框架應具備反饋性強、更有效的特征，能清晰表征適應性服務的要素，能適應用戶不斷變化的需求[10]。本研究選擇4個國家的8個典型平臺作為分析對象，兼顧公共服務平臺和商業服務平臺；采用注冊使用、在線觀察和文獻分析相結合的方法，梳理了典型平臺適應性服務的發展樣態，進而提出智慧教育平臺適應性服務建設相應的框架和實施路徑。

一、適應性服務的提出

適應性服務被認為是一種技術，即利用數據來監測用戶需求及需求滿足狀態的技術[11]；主張平臺在提供服務時，既關注“效率”，亦注重“反饋”。事實上，正是得益于機器學習、數據挖掘、推薦系統和自然語言處理等技術進步和應用，平臺在提供服務時可以充分了解用戶需求和偏好，更好地理解用戶意圖，進而提供適切和個性化的教育資源支持；這表明了智慧教育“服務為中心”時代的到來[12]。

（一）平臺的適應性服務取向

智慧教育平臺的適應性服務是指以資源適配為目標，通過全鏈路反饋提供服務，構建既重視“效率”，又講求“反饋”的服務方式。在實踐中，性質各異的典型平臺（如表1所示）已經探索了適應性服務的實踐模式，形成了對外在樣態和內在機理的全面認識；這些平臺的服務對象和場景不同，從多角度出發，為用戶提供個性化的服務，以滿足需求。

政府主導的平臺強調數字教育資源服務的“效率”。例如，我國的國家智慧教育公共服務平臺注重提供多類型、多樣化和海量數字教育內容，以滿足不同類型學校、不同學段的需求[13]；其在促進區域教育數字化轉型等方面發揮了重大作用[14]。美國紐約州教育局主導的EngageNY平臺，其數學、英語和藝術教學資源在教師教學服務和學生個性化學習支持方面發揮了積極影響[15]；全美有1/3的數字教師習慣使用EngageNY平臺資源[16]。日本文部科學省主導實施的GIGA School計劃，重點推進綜合型校園支持系統（校務支援システム），促進數字教科書、教材等優質數字教育內容的全覆蓋和活用[17]。德國國家教育數字化平臺（Digitale Nationale Bildungsplattform）整合全國優質教育資源，有效實現了資源導覽、信息共享等功能，進而支持教學改革[18]。

社會力量主導的平臺在適應性服務“反饋”層面下足了功夫。例如，Great Minds作為數字教育資源的定制平臺，完全基于用戶反饋信息，根據用戶學習目標和學習過程的評價數據，為用戶配套提供課程資源[19]；Manabi Pocket擔負為政府推進的GIGA School計劃提供數字教育資源支持，平臺與家校社區之間建立了資源服務的反饋鏈路，確保能源源不斷地為師生提供任何場景使用的數字教育內容[20]；Knewton平臺的定位是為用戶的自適應學習提供服務，一直著力于建構和完善自適應反饋鏈路，并在知識圖譜支持下規劃個性化學習路徑[21]。

上述平臺均強調平臺和用戶的相互促進和相互影響關系。其發展趨勢是既要求平臺提供面向全體的低成本化效率型服務，又要提供面向個體差異化的響應性服務[22]。即強調平臺須根據用戶需求變化，自動調整和改進服務，以合理的服務來滿足用戶個性化需求，追求服務的適應性轉變。

（二）平臺服務的適應性轉變

第一個轉變是從平臺資源服務的帕累托效率（Pareto Efficiency）轉向適應性效率（Adaptive Efficiency）。以往，智慧教育平臺提供的服務往往關注“名校”“名師”“優質資源”，多關注這些重點資源與重點客戶之間聯結；注重平臺服務產生的帶動效應，關注資源服務的重點地區、類型和學科均衡問題[23]。運用帕累托法則可有效地提高平臺資源聚合、流轉和應用效率；以往的服務目標是提高地區級的資源供應效率，資源服務提供者通常將資源數量、資源使用率等作為衡量服務效率的主要指標。這種服務更加注重宏觀地區層面上資源配置的公平和均衡，尚未在微觀層面有效建立用戶需求與資源供給之間的適配性聯系。

適應性效率強調的是根據用戶個性化需求和特點，提供最適合他們的教學資源和學習方式，以達到更好的教學效果。在格拉斯·C.諾斯（Douglass C.North）提出的新制度經濟學的概念體系中，適應性效率與靜態、短期的帕累托效率考察相區分，重點關注制度結構的靈活性、創新能力和學習能力，以實現適時調整[24]。與傳統的帕累托式服務相比，適應性效率更注重服務與用戶需求的適配效益，而不是單一地追求資源的公平效益。在平臺服務中引入適應性效率，意味著平臺會不斷響應用戶的需求反饋，并根據這些信息進行相應的服務優化和資源改進。

適應性效率的核心在于實現平臺資源推薦與用戶需求之間的適配化對接。我國的國家智慧教育公共服務平臺借助數據挖掘和分析為各類服務對象畫像，多方匯聚優質數字教育資源，打通了優質數字教育資源供給服務的流通環節[25]；美國的EngageNY平臺設置資源采集的聯通網絡，將學校、教師、學生和家長等連接起來，保證用戶的自主權，以“課程反饋表”的方式，推進數字教育資源的供需適配化服務[26]。在日本，綜合型校園支持系統作為GIGA School計劃的核心組件，把教育數據治理、教育數字內容等加以有效銜接，配合生機比1：1和高速校園網等工作目標，進而提升了資源服務效率[27]。德國國家教育數字化平臺旨在建設高性能、可互操作的教學基礎設施，致力于集成各類資源，以幫助所有用戶在數字世界中進行個性化、靈活和可連接的學習[28]。

平臺服務的第二個轉變，是由傳統的評價式反饋轉向適應性反饋。傳統評價式反饋主要關注“結果”，根據自動化評分的結果性狀態來實施反饋，其反饋信息呈現斷點或碎片化特性，且缺少用戶服務體驗信息與平臺之間的溝通渠道。這導致了兩個缺陷：其一，實時反饋不足；早期的平臺服務多從用戶資源應用能力、動機和使用頻率等指標來評價[29]；其二，資源服務溝通的渠道不暢；資源供求雙方缺失資源實用性、契合性的有效溝通[30]；這在一定程度上導致了資源供給“多”與適配資源“少”的矛盾，暴露了資源服務中的用戶意識不強、服務支持不佳等問題[31]。

適應性反饋主張有明確的用戶認知發生機制和資源應用體驗溝通機制。當前，我國的國家智慧教育公共服務平臺正著力于增強平臺服務的承載能力，提升資源開放共享的供給能力，進而形成面向個性化教學、管理數字資源和應用提供快速銜接的服務模式和數據服務能力[32]；從設計意圖看，平臺強調根據用戶個性化需求和變化的環境，形成有效可行的資源數據流動鏈，強化資源交互性與智能化，依據相互適應的原則來建立資源更迭機制[33]。

要實現適應性反饋，需要進行用戶需求、用戶教學狀態信息和服務體驗信息的有效分析。Great Minds致力于為EngageNY等公共服務平臺提供高質量的數字教育資源，建立起了用戶多樣狀態變化與資源整合、組織之間的動態適應方法[34]；用戶顯性需求可以通過用戶的直接反饋、請求或需求表達來獲取，而用戶隱性需求則需要通過對用戶行為、交互等數據的分析來推斷和理解。Knewton對多渠道資源進行整合，充分融入學習追蹤等技術，實現了利用知識點、試題評價結果來實時掌握用戶狀態，并為用戶快速且精準提供課前預習、課中教學的個性化學習服務[35]。EngageNY平臺實現了對學生過程性和結果性狀態的診斷，并通過數字儀表盤將這些狀態信息呈現給教師以供參考，進而為學生提供精準化的資源服務；德國國家教育數字化平臺將用戶反饋作為一個持續改進的動力，旨在為所有教育參與者有效提供教育機會和資源[36]；Tomorrow University平臺則結合最新學習科學和技術，強調提供靈活、適應和有效的學習體驗[37]。

二、適應性服務的框架

從前述8個平臺的經驗看，正是通過適應性效率和適應性反饋的追求，平臺漸漸實現與用戶的“相互適應”；并圍繞用戶全面診斷、資源靈活推薦和資源整合等節點，有效構建了適應性服務流程。追求適應性效率，意味著平臺能提供定制化服務；建立適應性反饋鏈路，是指建立用戶與平臺之間的雙向溝通機制，實現對用戶的自動化和智能化反饋，不斷改進和優化資源服務。

（一）適應性效率的要素

從適應性視角追求平臺服務效率，一般包含了服務過程高響應率、服務結果高適配率以及資源建設低成本策略等基礎性要素（如圖1所示）。

高響應率是指平臺能夠快速響應用戶的需求。服務的響應率越高，用戶體驗就越好；提高服務響應率的關鍵是要降低用戶狀態診斷的時間。平臺服務的效率往往受到學習目標、先前知識、技能和學習動機等用戶反饋特征的影響[38]。提高平臺服務響應率，不但要利用人工智能技術支持用戶狀態診斷，也應當利用多維數據來全方位和多角度地診斷用戶狀態。事實上，一些平臺正是結合機器學習算法，對用戶學習狀態進行實時監測和分析，賦予平臺自主決策能力，依據用戶知識學習的過程性評價數據來實時掌握用戶狀態，將用戶需求與資源推薦進行智能匹配[39]。

高適配率是指平臺根據用戶特征提供適應性的資源服務。提升資源的適配率，強調資源供給與用戶需求狀態之間的對應關系。即要求資源的組織要注重有效性，要依照認知適應性效率最大化的標準來設計，進而通過建立資源與用戶認知特征的映射關系對資源進行組織[40]。如若平臺采用層級結構資源組織策略，其資源組織策略因為是“預制”，往往難以根據用戶的個性化需求進行靈活調整。主張高適配率的資源組織策略，重點是強調根據用戶認知特征和需求，智能化提供適配性資源。從實踐應用看，一些平臺把認知診斷和知識圖譜技術整合，在將資源按照學科、難度和學習目標進行類化的基礎上，對資源進行關系化、標簽化和智能推薦，在實踐中確實提高了用戶獲取資源的效率和準確性。

低成本策略是指平臺在運維過程中采取的一系列措施，以降低成本、提高效率，并在合理的范圍內保持資源服務的質量。這種策略旨在考慮所投入的資源成本與服務效果之間的關系，以保證服務的長期性和可持續性。德國國家教育數字化平臺在強調成本的工作方面建立了范例，建立了政府、市場、社會和學校等多元主體參與的模式[41]；這對平臺的可持續發展具有重要意義。從實踐經驗看，多元主體參與是成本控制的重要影響因素。政府通過制定相關政策，給予一定經費支持，鼓勵平臺發展和創新；市場供給方面，企業和技術提供商提供了各種教育技術產品和服務；社會支持方面，教育行業組織、專家學者和社會機構等提供了智慧教育的理論研究和實踐經驗支持，各方參與主體可以互相交流、分享學習經驗和資源，減少平臺的運營成本；學校通過優化資源應用流程，提高資源利用率，平衡降低資源建設成本和提高服務水平的矛盾。

（二）適應性反饋的鏈路

構建反饋鏈路可以幫助平臺持續提升需求與供給的匹配度，進而追求更高的服務效率。這種反饋過程既要考慮目標達成度，亦須兼顧用戶多樣的過程性和結果性狀態[42]；即包括目標導向反饋、過程實時反饋和結果反饋等要素（如圖2所示）；依托這些要素構建的反饋鏈路，平臺可以不斷收集和分析用戶的反饋信息，從而不斷優化服務效果。

目標導向反饋旨在根據教學目標的達成度來評估平臺服務的有效性。結合對平臺服務的過程和結果進行評估，可以判斷平臺所提供的資源是否符合教學需求，是否支持了個性化教學目標的實現。這種反饋重點是評估平臺的資源內容質量，幫助平臺了解哪些資源服務對教學有積極的影響，并根據反饋結果進行服務改進和教學資源調整。

平臺通過目標導向反饋來滿足用戶需求，提供更有效的教學資源支持。這種反饋機制可以根據用戶的個性化教學目標，實時評估服務效果。具體來說，需要以下步驟：一是明晰用戶的初始狀態和目標狀態；二是根據用戶的初始狀態和目標狀態的差異，為每個用戶設計包括主題和教學資源的學習路徑；三是在服務過程中對每個教學目標的達成情況進行評估。通過評估，可以及時發現服務中的問題，并對教學服務進行調整和改進。

過程實時反饋是確保平臺服務結果有效匹配用戶需求的基礎。這一過程主要集中在對用戶狀態進行全面地感知和理解，包括用戶當前的行為、偏好和需求等；這種全面性的狀態診斷可幫助平臺優化資源配置，提高服務效率，讓用戶獲得更好的體驗。更重要的是，應依托過程階段的實時反饋，有效提供包含驗證性、指導性等資源的反饋信息[43]。

過程實時反饋的核心環節是用戶狀態的全面感知。為用戶提供實時有效的反饋，一方面要求推薦內容的靈活性，即平臺給用戶靈活推薦下一步學習內容，讓用戶能夠投入到學習中；另一方面要求學習過程的靈活性，即用戶學習環節不是固定和一成不變的，而是要依據用戶狀態靈活調整。平臺通過收集用戶狀態數據、分析用戶行為和使用機器學習算法等方法，實現了實時有效的反饋；這既讓資源更有效地分配，也提高了服務效率。

結果反饋則涉及到用戶對平臺服務的滿意度、資源服務結果的有效性等事項；其主旨是提供能夠調節用戶內在積極狀態的反饋信息[44]。通過結果反饋，平臺可以了解用戶的滿意度和資源服務結果的有效性，以便不斷改進和調整教學資源和服務策略。

結果反饋是平臺實施適應性反饋的關鍵環節。通過對用戶反饋數據的分析，平臺可以發現一些潛在的問題和機會，從而進行更有針對性地改進；有助于平臺功能改進和資源的重組優化。用戶的反饋中可能包含對平臺存在的問題的指出，以及對改進的建議；這些都是平臺改進的重要參考。需要強調的是，結果反饋是與目標、過程反饋相互作用的過程；平臺需要不斷調適服務策略，理解和響應用戶需求，這包括教學目標達成度分析、調整服務過程策略等；通過分析反饋數據，平臺可發現用戶的使用習慣、痛點和期望，從而進行功能改進和資源優化的決策。

三、適應性服務的實施

推進智慧教育平臺的適應性服務，應當建立用戶狀態智能感知、資源個性化推薦、適配導向的資源復用流程；即充分利用適應性反饋鏈路，建立一個有效的反饋機制，收集用戶對平臺服務和資源的意見和建議。根據反饋信息，不斷優化平臺功能和服務，提高適應性效率。要關注服務的靈活性和適應性，更注重提供個體差異化服務；要求服務提供者具有應對需求變化的敏感性，圍繞資源的適配性復用來調整服務方式和內容，鼓勵用戶共享和利用平臺上的現有資源，建立一個資源復用和適配的流程。通過評價和激勵機制，促進資源的優化和更新，確保推薦給用戶的資源具有高度的適配性。

（一）用戶狀態的智能感知

對用戶狀態進行全面且快速診斷，即實現用戶全面多維的畫像；這些是對用戶進行數字化表征的過程，主要依據用戶真實狀態數據，對用戶初始狀態、當前狀態、結果狀態加以描繪。用戶狀態診斷實則為教育評價的過程，以保證因材施教的有效性；為此需要強化數據對平臺的賦能作用，借助海量數據形成的用戶畫像和教育知識圖譜，實現用戶狀態的全面診斷[45]。實踐層面，可以借用日本GIGA School計劃的做法，即要求提供用戶全面狀態的診斷信息，既包含用戶的目標數據、知識學習結果的教務數據，還要包含用戶愿景、積極性等過程數據[46]。總體上看，不能過分依賴單維單體數據，用戶狀態診斷要保證數據分析的高效性和數據來源的多樣性，力爭實現用戶狀態診斷的“立體化”。從用戶狀態感知的全面性角度看，一是要依托用戶行為、偏好和習慣等信息，結合平臺瀏覽記錄、駐留時間、資源偏好等構建用戶完整畫像；二是要建立一個完善的標簽體系，將資源內容進行分類和標注，以便結合用戶持續反饋和評價來加以匹配[47]。

實現用戶狀態感知，需要動態、精準和高效掌握用戶學習過程、學習行為、學習結果等數據[48]。以往的平臺服務多使用考試、測驗和作業一類的結果數據來判斷用戶狀態，因為需要考慮題目難度、質量和區分度，需多輪次反復測試。當前，知識追蹤技術可以實時監測用戶完成任務的時間、正確率和反應時間等；通過分析這些數據，平臺判斷用戶是否遇到困難、是否需要額外的指導和支持等；通過將知識圖譜與用戶數據相結合，平臺可以分析和研判用戶的知識結構和知識需求。可借鑒Knewton平臺的做法，將知識圖譜、知識追蹤等技術融入到用戶狀態感知環節，實時準確地掌握用戶過程性、結果性狀態[49]。通過使用這些技術，平臺跟蹤用戶的資源選擇、資源應用，以及錯誤模式等；這些數據可以幫助平臺更好地關注用戶認知、情感狀態，進而理解用戶的資源選擇和應用行為。

用戶狀態的智能感知是一項復雜且重要的任務；應當以用戶多樣狀態自動化診斷為切入點，將知識追蹤、情感識別、行為識別等技術融入進來，實現內在特征和外在行為相結合的用戶狀態實時性診斷。可采用知識圖譜等技術，從課程知識體系建立、學習者畫像生成到自適應學習推薦，形成一套完整的技術框架；這些知識圖譜包括能對教師專業能力進行具象化呈現的教師知識圖譜[50]，以及對知識點進行網絡化組織的學科知識圖譜[51]。需要注意的是，在構建用戶畫像的過程中，為了實現更加精準的用戶畫像，可能會涉及到過度數據采集和敏感數據展示的問題。為了保護用戶的隱私，平臺要建立數據、采集、存儲、傳輸、利用的全過程個人信息保護機制，確保用戶數據的安全和隱私[52]。

（二）教學資源個性化適配

教學資源的個性化適配是智慧教育平臺推進適應性服務的重要目標。智慧教育平臺服務，應當關注教學過程、適應個體差異的高位追求[53]；教育資源的個性化適配，強調通過數據分析和學習路徑的優化，增強對用戶過程性狀態的檢測能力，提供多樣化且滿足用戶需求的資源服務[54]。這些數據具體來說包括資源訪問、評分、收藏等資源使用數據，以及用戶的行為數據[55]。通過數據分析和學習路徑的優化，平臺可以增強對用戶過程性狀態的檢測能力，從而提供多樣化且滿足用戶需求的資源服務。

平臺以往的服務通常基于規則來推送資源；為了產生適配的資源推薦，平臺需要從海量的內容條目中，優先呈現出來。這涉及到使用專家系統來判斷哪些內容條目適合用戶的需求；系統會對每個內容進行評分，并根據評分排序，決定用戶下一個應學習的內容。每個模塊中的內容可以是一個小問題，也可以是一個學習活動，這與許多互聯網公司為用戶提供推薦內容的原理類似。教學資源個性化適配的一個重要基礎是能夠揭示學科知識內在聯系的知識圖譜，利用知識圖譜全面地獲取學習過程中的成長變化曲線[56]，這讓系統能夠更好地決定哪個內容最適合用戶學習。從前述平臺實踐結果看，通過知識圖譜來定義問題對應的知識點，定義到系統中去；知識圖譜技術的輔助可以有效滿足用戶答疑需求，也可減輕教師備課負擔。

在資源推薦過程中，應當強調為用戶提供初始、當前和目標三類狀態的資源適配信息。只注重用戶某一狀態的資源反饋，并不能很好實現平臺對用戶狀態的適應。更為重要的是，要著眼于整個教學過程對學習的過程性數據進行綜合分析，設計靈活的推薦策略，在尊重個性基礎上滿足用戶對資源的現實需求[57]。可依照前述平臺的經驗，為用戶創設個性化推薦、多樣性推薦、實時推薦和社交推薦等多種方式；例如，除了根據用戶的興趣推薦相關資源，Tomorrow University平臺也注重推薦一定程度的多樣性資源，平臺引入隨機性推薦策略，推薦與用戶興趣相似但略有差異的資源，以提供多樣性的學習體驗[58]。從前述平臺應用體驗看，通過監測用戶新動態，分析用戶的教學互動情況，平臺可以實時了解用戶的學習需求和興趣變化，并相應的調整推薦策略，增加用戶的參與感和互動性。

可在服務中可以引入預訓練大模型技術，促進資源的按需供給[59]。這一策略在EngageNY平臺相關研究中已被證實是有效的；因為預訓練大模型的加入，平臺提高了數學習題的可理解性[60]。在具體實踐中，可利用生成式人工智能對知識圖譜進行增強，建立起預訓練模型與大規模知識圖譜相互幫助、增強的途徑[61]。進而利用資源的內容、類型和難度等特征計算資源之間的相似度，更好地捕捉和呈現知識的復雜性，充分表達知識和概念的多維度特征，幫助用戶更好地理解抽象概念，并構建用戶和平臺資源間的適配通道。

（三）適配導向的資源復用

講究資源復用，就是嚴把資源質量，從資源建設、整合、審核多方面著手，實現資源與用戶需求的適配；而資源組織是推進資源復用的有力抓手，應當區別不同類型資源，分別制定資源建設質量標準，健全資源質量審核機制[62]。平臺的資源組織需體現適用性和可擴展性，即既要根據用戶的認知特征與資源之間的聯系對資源進行組織，又要貼合用戶的教學實際，具備一定的模塊靈活性，以方便重組利用，適應不同的教學環境和教學目標。為了實現這一目標，資源組織過程中需回答兩個關鍵問題：用戶對哪些資源進行了高頻度選擇？用戶對哪些資源進行了重組應用？從實踐經驗看，可以有兩種解決方法：一是分析用戶對資源選擇偏好和應用效果的反饋信息，發現用戶對特定資源的偏好和需求，進而明確需要補充的資源構成；二是提供跟蹤用戶教學狀態的服務，提供課堂分析工具并依據這些工具來評估用戶的教學表現和資源需求。

復用導向的適配性資源服務較為復雜。在實踐層面，為了實現適配資源復用的目標，可以采用三層式資源管理結構與用戶服務體驗信息的綜合應用（如圖3所示）。這個結構包括知識層、資源層和掌握程度層，并以知識點為基礎，將知識、資源和用戶認知特征有機聯系起來。知識層包括用戶需要學習的所有知識點；資源層是每個知識點所對應的多類型資源，可以包括教材、課件、視頻、練習題等；掌握程度層是建立資源與用戶認知特征聯系的基礎，用于記錄用戶對知識的掌握程度。在適配導向的資源組織中，可利用資源層與掌握程度層之間的關系，建立資源與用戶認知特征之間的聯系；可以利用知識層中的知識點構成，初步對所需資源進行整合；進而結合用戶的訴求，可以通過擴展知識層和豐富資源層，不斷完善資源體系。

為了分析資源復用情況，Great Minds平臺設計了一種專門的方法，用于評估平臺資源反復利用和質量進化的情形[63]。這種方法重點分析有效性資源的特征信息，并主張用戶也成為資源質量進化的貢獻者。這一案例說明，提高平臺服務質量重點是要建立有效的持續改進機制，形成“評價-反饋-改進”的閉環[64]。整體上看，適配導向的資源復用工作應是一個持續的過程：首先，資源篩選是非常重要的，我們需要對現有資源進行評估和篩選，挑選出最適合目標任務的資源，確保適用性；其次，由于知識的更新迭代速度很快，我們需要及時更新和補充知識圖譜，以確保資源反復使用時，其中的知識信息是最新的、準確的；再次，需要不斷跟進新技術應用方法，確保資源的重組和再次使用工作能夠適應新的技術環境和需求；更為重要的是反饋優化要貫穿于全過程，即強調收集用戶反饋和需求，進而不斷改進和優化資源質量，以提供更好的適應性服務和體驗。

四、結語

本研究認為，適應性服務是智慧教育平臺服務能力提升的突破口；“效率”和“反饋”是實現適應性服務的關鍵環節。我國的國家智慧教育公共服務平臺，已基本建成世界第一大教育教學資源庫，推動服務精準化，拓寬教育服務供給路徑是下一階段重中之重的工作[65]。為了確保服務的快速響應和資源有效推送，平臺需要進一步加強技術創新和機制創新，應當著力于適應性效率和適應性反饋原則的構建，優化服務流程和提升服務效率。

參考文獻：

[1] 羅江華，王琳.新基建賦能教育數字化轉型的邏輯、挑戰與實踐路向[J].中國電化教育，2023，（3）：37-45.

[2] Demertzi V，Demertzis K.A Hybrid Ontology Matching Mechanism for Adaptive Educational eLearning Environments [J].International Journal of Information Technology & Decision Making，2023，22（6）：1813-1841.

[3] Mills K，Roper F，et al.Accelerating student learning in communication and research skills：the adoption of adaptive learning technologies for scenariobased modules [A].Technology，Change and the Academic Library [C]. Cambridge：Chandos Publishing，2021.75-84.

[4] 韓筠.數字時代高等教育的教學創新[J].中國大學教學，2023，（12）：4-10.

[5][55] 曾媛，黃志南等.國家中小學智慧教育平臺應用情況、典型模式與賦能策略[J].中國電化教育，2023，（11）：98-104.

[6] 教育部基礎教育司.推進國家中小學智慧教育平臺建設應用的工作進展[EB/OL].https：//hudong.moe.gov.cn/fbh/live/2024/55785/sfcl/202401/ t20240126_1112430.html，2024-01-26.

[7] 懷進鵬.攜手推動數字教育應用、共享與創新——在2024世界數字教育大會上的主旨演講[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/ moe_176/202402/t20240201_1113761.html，2024-01-30.

[8] 鐘柏昌.關于國家智慧教育公共服務平臺的三個猜想[J].中國信息技術教育，2023，（1）：9.

[9] 顧小清，王欣苗等.數字教育資源發展水平如何？——基于國家中小學智慧教育平臺資源的證據回應[J].遠程教育雜志，2024，42（1）：61-73.

[10] Chang Q，Pan X，et al.Artificial Intelligence Technologies for Teaching and Learning in Higher Education [EB/OL].https：//www.worldscientific.com/ doi/abs/10.1142/S021853932240006X，2023-10-08.

[11] Kapidakis S，Terzis S，et al. Framework for performance monitoring， load balancing， adaptive timeouts and quality of service in digital libraries [J]. International Journal on Digital Libraries，2000，3：19-35.

[12] 余勝泉，陳璠等.以服務為中心推進教育新基建[J].開放教育研究，2022， （2）：34-44.

[13][53] 王浩楠，郭紹青.國家智慧教育平臺賦能義務教育優質均衡發展的價值邏輯與實踐路徑[J].中國遠程教育，2023，43（9）：48-55.

[14] 柯清超，劉麗麗等.國家智慧教育平臺賦能區域教育數字化轉型的四重機制[J].中國電化教育，2023，（3）：30-36.

[15] Kaufman J H，DavisIi J S D，et al.Use of Open Educational Resources in an Era of Common Standards：A Case Study on the Use of EngageNY [EB/OL]. https：//policycommons.net/artifacts/4835314/use-of-open-educationalresources-in-an-era-of-common-standards/5672020，2017-03-27.

[16] Opfer V D，Kaufman J H，et al.Aligned Curricula and Implementation of Common Core State Mathematics Standards：Findings from the American Teacher Panel [EB/OL].https：//www.rand.org/pubs/research_reports/ RR2487.html，2018-08-09.

[17] マイナビキャリアサポ-ト.GIGAスクール構想とは？目的やメリット、現狀の課題 [EB/OL].https：//mcs.mynavi.jp/column/2023/02/giga_ school，2023-02-28.

[18] Bundesministeriumfür Bildungund Forschung.Gestaltungsrahmen und Hinweise für die prototypische Umsetzung einer Nationalen Bildungsplattform [EB/OL].https：//www.bmbf.de/SharedDocs/Downloads/ files/107_21_broschuere_nationale-bildungsplattform_2.pdf __blob=publ icationFile&v=2，2023-10-10.

[19] Jenny Taylor.Setting Students Up For Success：How Lesson Design Supports Students In Building Knowledge [EB/OL].https：//greatminds. org/aha-blog/setting-students-up-for-success-how-lesson-designsupports-students-in-building-knowledge，2022-11-29.

[20] まなびポケット.まなびポケットとは.まなびポケット全體像 [EB/OL]. https：//manabipocket.ed-cl.com/about-us，2023-10-11.

[21][49] Knewton.Knewton Adaptive Learning Building the world`s most powerful education recommendation engine [EB/OL].https：//blogs.ubc.ca/ etec511dlg1/files/2013/10/Knewton-Adaptive-Learning-Whitepaper. pdf，2024-03-10.

[22] 羅江華，馮瑞.學習平臺的適應性進化及其對教育新基建的啟示[J].現代教育技術，2022，32（10）：17-25.

[23] 張廣斌.重視教育數字化 促進教育公平[N].中國教育報，2023-11-15（02）.

[24] [美]道格拉斯·C.諾思.鐘正生，邢華等譯.理解經濟變遷過程[M].北京：中國人民大學出版社，2008.139-148.

[25] 周海濤，李葆萍.推進數字化的國家智慧教育平臺邏輯與路向[J].中國電化教育，2023，（1）：62-67.

[26] 舒秋明.美國開放教育資源平臺的現實困境與改進舉措探析[J].世界教育信息，2019，32（11）：63-68.

[27] デジタル庁.データ連攜の方向性について [EB/OL].https：//www. mext.go.jp/kaigisiryo/content/20221014-mxt_jogai02-000025185_02. pdf，2022-10-17.

[28] Bundesministerium für Bildungund Forschung.Neue Bekanntmachung zum Aufbau einer digitalen Bildungsplattform [EB/OL].https：//www.bmbf. de/bmbf/shareddocs/kurzmeldungen/de/neue-bekanntmachung-zumaufbau-er-digitalen-bildungsplattform.html，2021-05-20.

[29] 陳偉玲，翁寧娟.對中小學數字教育資源應用現狀與需求的調查分析[J].中國電化教育，2014，326（3）：76-80.

[30] 陳明選，馮雪晴.我國數字教育資源供給現狀與優化策略[J].電化教育研究，2020，41（6）：46-52.

[31] 陳明選，李蘭.我國數字教育平臺資源配置與服務：問題與對策[J].中國遠程教育，2021，552（1）：17-26.

[32] 田永健.教育新基建賦能省域智慧教育平臺體系發展的研究與實踐——內蒙古教育公共服務平臺體系演進歷程和經驗成效[J].中國電化教育，2022，（8）：106-110.

[33] 金玉，湯玲等.國家中小學智慧教育平臺省域推進的路徑與對策研究[J].中國電化教育，2022，（9）：30-37.

[34] Great Minds.Great Minds Curricula Create Knowledge-Rich Classrooms [EB/OL].https：//greatminds.org/great-minds-curricula，2023-10-11.

[35] Liu Y，Chen L，et al.The application of artificial intelligence assistant to deep learning in teachers’ teaching and students’ learning processes [EB/OL].https：//www.frontiersin.org/journals/psychology/articles/10.3389/ fpsyg.2022.929175/full，2023-10-15.

[36] 陳正，楊靜.建設新型數字教育空間：德國國家教育數字化平臺探析[J].世界教育信息，2022，35（6）：33-36.

[37] Tomorrow University.Growing a Global Community of Change Makers [EB/OL]. https：//www.tomorrow.university/about-us，2023-10-15.

[38][43] Narciss S，Huth K.How to design informative tutoring feedback for multimedia learning [C].Münster：Waxmann，2002.181-195.

[39] Guo S.Design and implementation of question recommendation system based on deep knowledge tracing [C].Changchun：IEEE，2022.1041-1046.

[40] Shi Y，Yang X.A personalized matching system for management teaching resources based on collaborative filtering algorithm [J].International Journal of Emerging Technologies in Learning （iJET），2020，15（13）：207-220.

[41] Neumann K，Walia D S，et al.Towards a German National Education Platform [C].Split：IEEE，2023.1-6.

[42] Beek G J，Zuiker I，et al.Exploring mentors’ roles and feedback strategies to analyze the quality of mentoring dialogues [J].Teaching and Teacher Education，2019，78（1）：15-27.

[44] Nicol D J，Macfarlane‐Dick D.Formative assessment and self‐regulated learning：A model and seven principles of good feedback practice [J]. Studies in higher education，2006，31（2）：199-218.

[45] 懷進鵬.數字變革與教育未來 ——在世界數字教育大會上的主旨演講[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/moe_176/202302/ t20230213_1044377.html，2023-02-13.

[46] 文部科學省.GIGAスクール構想の下での校務DXについて ～教職員の働きやすさと教育活動の一層の高度化を目指して～ 參考資料集 [EB/OL].https：//www.mext.go.jp/content/20231005-mxt_ jogai02-000027984_002.pdf，2023-03-08.

[47] Wei Q，Yao X.Personalized recommendation of learning resources based on knowledge graph [C].Chengdu：IEEE，2022.46-50.

[48] Tian B，Wang C，et al.A Survey of Personalized Adaptive Learning System [C]. Hangzhou：IEEE，2023.1-6.

[50] 張銘銳，閆志明等.教師知識圖譜：人工智能賦能教師專業發展的必由之路[J].現代教育技術，2023，33（8）：38-47.

[51] 范佳榮，鐘紹春.學科知識圖譜研究：由知識學習走向思維發展[J].電化教育研究，2022，43（1）：32-38.

[52] 楊現民，王娟等.加強國家智慧教育平臺數據治理：經驗洞察與路徑優化[J].中國電化教育，2023，（9）：69-75.

[54] 羅江華，張玉柳.基于跨模態理解與重構的適應性數字教育資源：模型構建與實踐框架[J].現代遠程教育研究.2023，35（6）：91-101.

[56] 楊文霞，王衛華等.知識圖譜賦能智慧教育的研究與實踐——以武漢理工大學“線性代數”課程為例[J].高等工程教育研究，2023，（6）：111-117.

[57] 徐碧波，裴沁雪等.國家中小學智慧教育平臺推進基礎教育數字化轉型的現實意義與優化方向[J].中國電化教育，2023，（2）：74-80.

[58] Tomorrow University.Philosophy [EB/OL].https：//www.tomorrow. university/learning，2023-10-15.

[59] 曹培杰，謝陽斌等.教育大模型的發展現狀、創新架構及應用展望[J].現代教育技術，2024，34（2）：5-12.

[60] Patel N，Nagpal P，et al.Improving mathematics assessment readability：Do large language models help [J].Journal of Computer Assisted Learning，2023，39（3）：804-822.

[61] 羅江華，張玉柳.多模態大模型驅動的學科知識圖譜進化及教育應用[J].現代教育技術，2023，（12）：76-88.

[62] 教育部基礎教育司.“國家中小學智慧教育平臺”建設與應用有關工作情況介紹[EB/OL].http：//www.moe.gov.cn/fbh/live/2022/54251/ sfcl/202203/t20220301_603272.html，2022-03-01.

[63] Great Minds.Flexible Learning for Continually Building Knowledge and Joy，Great Minds in Sync [EB/OL].https：//greatminds.org/insync，2023-10-15.

[64] 杜江，韓錫斌.國家中小學智慧教育平臺賦能農村義務教育高質量發展[J].中國電化教育，2023，（8）：7-17.

[65] 李永智.以數字化開辟教育發展新賽道[N].人民日報，2023-10-13（09）.

作者簡介：

羅江華：教授，博士生導師，研究方向為教育數字化轉型、教育新基建。

馮瑞：在讀博士，研究方向為數字教育資源服務、智慧教育平臺。

Analysis on the Adaptive Service Framework and Implementation Path of Smart Education Platform

Luo Jianghua， Feng Rui

Center for Studies of Education and Psychology of Ethnic Minorities in Southwest China， Southwest University， Chongqing 400715

Abstract： Adaptive service is a crucial aspect of innovation in the construction and operation of the smart education platform ecosystem， with its core concept being the promotion of resource services based on “efficiency” and “feedback”. Research on typical platforms has found a shift from Pareto efficiency to adaptive efficiency in platform services， as well as a trend from evaluative feedback to adaptive feedback. The characteristics of adaptive efficiency and feedback form the foundational elements for constructing an adaptive service framework. It is necessary to combine indicators such as high response rate， high adaptability of service results， and low-cost resource construction strategies to establish a full-chain feedback system for service goals， processes， and outcomes. To advance the adaptive service work of the smart education platform in practice， it is crucial to： （1） establish mechanisms for data collection and intelligent perception of user status；（2） leverage knowledge graphs， recommendation algorithms， and incorporate pre-trained large models to promote dynamic adaptation of teaching resources； （3） establish an organic connection among knowledge， resources， and user cognitive characteristics to facilitate resource recombination and reuse.

Keywords： smart education platform； adaptive service； adaptive efficiency； adaptive feedback

責任編輯：李雅瑄