國外自適應學習系統的特點及啟示

摘 要 明確自適應學習系統的功能，介紹國外優秀的自適應學習系統。通過詳細分析這些系統，總結出其具備開放的學習者模型、個性化的學習支架、智能化的學習推送和多樣化的學習反饋等特點，為學習者的自適應學習和教師的自適應教學提供良好的支持。從學習者綜合模型、學習支架、學習系統等方面，探討國外優秀的自適應學習系統對我國學習系統建設帶來的啟示，以期為我國自適應學習系統的建設提供參考。

關鍵詞 自適應學習系統；學習者模型；學習支架；學習反饋

中圖分類號：G712 文獻標識碼：B

文章編號：1671-489X（2024）16-0142-06

0 引言

技術的發展推動教育的變革。近年來，隨著情感分析、機器學習、大數據分析等新技術的涌現，人工智能技術不斷地與學習科學、教育科學、認知心理學、腦神經科學等進行深度交叉與融合，極大地推動了自適應學習研究，涌現出各種具有智能化功能的自適應學習系統[1]。自適應學習系統通過診斷學習者認知架構，構建學習者的認知地圖，從而匹配學習者的個性化需求。與此同時，通過確定學習材料的序列特征，以達到自動生成自適應學習路徑并不斷進行動態調整的目的。自適應學習系統能夠利用機器學習和深度學習技術進行自動調節，學習者可以在系統中進行自主學習并獲得相應的反饋、推送與評價[2]。因而，自適應學習系統可以滿足學習者的個性化訴求，能夠為學習者的個性化學習提供平臺支持[3]。遺憾的是，國內已開發的自適應學習系統還存在著明顯的不足，尤其體現在學習者模型的建構、自適應技術的應用以及學習者真實的情感需求等方面[4]。因此，如何通過借鑒國外自適應學習系統的成功經驗，推動國內學習系統的發展是當前本領域的研究熱點。

1 國外優秀的自適應學習系統

目前，國外自適應學習系統種類繁多，不僅有如可汗學院（Khan Academy）、Smart Sparrow和ALEKS等獨立的自適應學習系統，還有像ASSISTments等嵌入其他學習管理平臺的學習系統；不但有內容全面、包羅萬象的自適應學習系統，也有專用于某一方面知識學習的系統，如ChiQat和Cadecademy等。

可汗學院是由孟加拉裔美國人薩爾曼·可汗創立的一家教育性非營利組織，可汗學院系統旨在利用網絡影片進行免費授課，以期達到所有人能夠無償享受世界一流水平教育的目的。可汗學院學習內容覆蓋廣泛，包括數學、科學、計算機編程、歷史、藝術史和經濟學等。其中，僅數學方面的內容就涵蓋了幼兒園的基礎知識至大學的微積分知識，并且采用最先進的可識別學習強度和學習障礙的自適應技術。

ALEKS則是一個營利性質的人工智能學習和評估系統。雖然其學習內容局限于數學、化學、統計和會計，但ALEKS具有一些優點：1）運用基于知識空間理論的智能機器學習技術，為每位學習者構建并維護詳盡的知識圖譜；2）通過審查學習者的成功率來推薦恰當的課程，以確保學習者獲得成功的概率保持在90%～95%；3）提供大量實時、詳細的報告以供教育工作者和家長參考，便于他們觀察學習者的進步情況。

不同于可汗學院和ALEKS（適用于K-12）這些適用范圍寬泛的學習系統，Smart Sparrow主要用于高等教育階段，并且學習內容集中在工程、醫學、科學、金融和市場營銷等領域。

雖然這些學習系統各有不同，但不可否認的是，可汗學院、ALEKS和Smart Sparrow都是獨立的自適應學習系統。而除了獨立的學習系統之外，還存在著諸如ASSISTments之類的學習系統。作為一種嵌入式學習系統，ASSISTments可以嵌入任意學習管理系統，因此，用戶無需重復使用多個學習管理系統，只要在當前使用的管理系統中添加 ASSISTments 平臺即可[5]。

需要注意的是，自適應學習系統不僅包括這些學習內容全面的系統，也存在著專門用于單一學科學習的系統，如主要用于大學生編程學習的ChiQat等。

2 國外自適應學習系統的特點

2.1 開放的學習者模型

以圖表等各種形式呈現學習者的知識儲備量、學習偏好等學習者特征的模型被稱為學習者模型，它大多從認知學習領域、情感學習領域和行為表現三方面對學習者特征進行表征[6]。其中，認知學習領域分析學習者的學習方式、認知風格、工作記憶容量和思維過程等，情感學習領域描述學習者在學習過程中興趣、感受、情感和態度的變化，行為表現則記錄學習者的認知能力和表現。開放的學習者模型是指系統將學習者模型開放給教學相關人員，以便對學習者當前的知識和技能水平有清楚的認識[7]。

作為典型的開放學習者模型的一種，可汗學院開放的學習者模型包括課程總結模型、技能總結模型和技能等級變化模型。其中，課程總結模型在課程推薦模塊中呈現，以進度條的形式展示學習者對推薦課程的掌握程度；相比之下，技能總結模型以分層柱形圖的表現形式把學習者對知識點的掌握情況具象化；而技能等級變化模型呈現學習者對知識點掌握的變化情況，分為提升、下降、未改變、未測試四個方面。當學習者完成課程挑戰、單元練習或者單元測試時，頁面左側的課程總結模型會根據學習者的答題結果進行實時動態調整；當學習者完成單元練習或者單元測試時，技能總結模型也會發生相應改變；而技能等級變化模型出現在學習者完成課程挑戰之后，用以直觀展示學習者技能變化的情況。

本研究以學習七年級數學為例，介紹可汗學院開放的學習者模型。通過對課程總結模型進行分析可以得出結論：學習者對課程知識掌握的高低程度依次是“分數、小數和百分比”“方程式和不等式”“負數運算”“比率、比例關系”等，如圖1所示。技能總結模型展示學習者對“小數加減法”“百分比”和“比率”等知識點的掌握程度，如圖2所示。通過技能等級變化模型可以知道，學習者對“絕對值”和“絕對值的比較和排序”等知識點的掌握程度有所提升，而對“一步乘除法”和“分數加法”等知識點的掌握程度未發生改變。除此之外，還可以了解到，當前的學習并未涉及“等比應用題”和“分數減法”等知識點。

總的來說，通過不同種類的學習者模型，學習者不僅可以掌握自己的學習情況，同時可以根據學習偏好調整學習進程。這在某種程度上既能夠滿足學習者的個性化需求，又能夠提高自適應學習系統的自適應性。

2.2 個性化的學習支架

學習支架是指對學習者解決問題和建構意義起輔助作用的學習方法、學習方向和學習工具的統稱。自適應學習系統中的學習支架大多分為自適應學習路徑和自適應反饋兩種形式。其中，自適應學習路徑給學習者提供定制的學習內容和活動，并根據學習者的技能及認知風格等特點對學習內容和活動進行動態調整[8]。自適應學習路徑有以下兩種實現途徑：

1）學習者在系統推薦課程中選擇一門課程進行學習，如可汗學院；

2）系統根據課程內部邏輯結構生成不同的學習路徑，并參照學習者特征給學習者分配不同的學習路徑，如Smart Sparrow。

而自適應反饋則是通過收集學習者的數據痕跡，對采集到的數據進行挖掘與分析，并基于系統提供的交互功能即時為學習者提供針對性的反饋[9]。

維果斯基的最近發展區理論認為學習者的認知發展有兩個水平：現有水平和可能達到的發展水平，即認知發展的潛在水平。無論是自適應學習路徑還是自適應反饋，都相當于輔助學習者學習的腳手架，促進學習者快速達到認知發展的潛在水平。

2.3 智能化的學習推送

根據學習者模型和知識圖譜，將合適的內容推薦給學習者的技術手段被稱為學習推送，推送的內容包括課程、自我評價題目以及章節測試題目等。需要注意的是，實現智能化的學習推送離不開學習推薦技術[10]，學習系統中常用的學習推薦技術有基于知識空間理論的學習推送技術與基于設計和算法適應性的學習推薦技術。

2.3.1 基于知識空間理論的學習推送

知識空間理論以學習者的知識狀態為依據，是一種用于測試學習者知識水平、知識結構的理論方法。知識狀態是學習者對某個知識點的掌握程度，而知識空間則是所有知識狀態的集合[11]。課程伊始，學科內部不同的知識點被推送的概率相同，隨著知識狀態的增高，該知識點被推薦的概率上升，反之亦然。這個過程在一個決策周期中持續下去，直到某一知識狀態顯著高于其他知識狀態。基于知識空間理論的學習推送方法能夠讓學習者在學習過程中充分地體驗成功，這有利于提高學習者的自我效能感，從而促使學習者完整地實現課程的學習。

ALEKS正是運用知識空間理論的學習系統[12]，它基于人工智能的知識空間評估和學習系統實現自適應學習推送。本研究以學習12以內加減法為例，介紹ALEKS中基于知識空間理論的學習推送過程，如圖3所示。樣式四方塊為系統推薦的練習題，學習者可選擇其中任一方塊進行練習。練習的內容絕大部分為學習者已掌握但還需鞏固強化的題目，小部分為學習者還未掌握的題目，極少部分為學習者未練習過的題目。ALEKS用學習者對問題序列的回答結果來描述其知識狀態，同時以色塊樣式具象化地表示學習者的知識狀態，這是該系統最突出的特點之一。隨著練習的不斷深入，方塊樣式會發生相應改變，按照學習者對練習題的掌握程度由淺入深，依次表現為樣式三、樣式二、樣式一。其中，樣式一表示學習者已完全掌握該題目。

2.3.2 基于設計和算法適應性的學習推送

學習者的知識狀態是對某個科目所有知識點的掌握程度，各知識狀態間的連接關系被稱為知識結構。知識結構可以有效減少知識狀態的不確定性，這是因為學習者只有掌握了前提條件要求的知識，才能學習進階知識點。而設計適應性和算法適應性能夠根據知識結構進行學習推薦，有效保障課程知識的連貫性與邏輯性，對自適應學習系統的建設與開發起到至關重要的作用。該學習推薦方法側重于設計適應性，即教學設計者、課程專家以及教師通過研究課程結構以設計不同的自適應學習路徑。而算法適應性回答了“學習者知道什么”和“學習者下一步應該學習什么”兩個問題。基于這些答案，算法可為學習者選擇恰當的學習內容。

Smart Sparrow是一個典型的基于設計和算法適應性的自適應學習系統，被應用于工程、醫學、科學、金融和市場營銷等領域，是一個權威的、有借鑒意義的學習系統。系統根據專家教學模型來設計幾種學習途徑以此支持學習者的學習過程。同時，專家教學模型從概念和問題領域推算學習者可能發生錯誤的地方，采用“If This， then That”的方法調整課程中的推送內容，即選擇內容決定了推送內容。為了實現此種學習推送，系統需判斷“學習者知道什么”和“學習者下一步應該學習什么”。因此，Smart Sparrow采用貝葉斯知識追蹤（BKT）估算學習發生的速率，并采用項目反應理論（IRT）對學習者與學習內容互動進行建模。

2.4 多樣化的學習反饋

學習反饋是指將學習活動結果的有關信息提供給學習者的活動，常見的學習反饋包括驗證性反饋、指導性反饋、腳手架反饋、鼓勵性反饋和批評性反饋。大多數研究認為學習反饋能夠提高學習者的元認知能力，促進學習者積極地調節學習，從而正向影響學習績效。但是，也有不少研究證實了反饋對學習結果的負面影響。這可能是因為過多的非精心設計的反饋對輔助學習者學習來說是無效的，并且可能轉移學習者的注意力，甚至會導致認知超負荷。因為反饋涉及內容和形式兩方面，所以更加有必要對系統的反饋進行精心設計。

2.4.1 提供自我解釋提示

自我解釋是學習者為了理解學習內容而從事的一種學習活動，自我解釋提示能夠誘發自我解釋從而提升學習效果。因此，在自適應學習系統中提供自我解釋提示顯得尤為必要。ChiQat就是根據學習者的行為表現提供具有針對性的自我解釋提示，為豐富學習反饋提供良好的范式。其主要被用于大學編程的學習中，如數據結構和Python語言等。

該系統的頁面布置如圖4所示，頁面被劃分為四個區域，左上角區域呈現題目，學習者在頁面最右塊區域鍵入程序表達方程式，頁面主體綠色部分以動畫形式實時動態地顯示方程式相對應操作，頁面笑臉部分為學習支架提示框。ChiQat根據學習者的操作彈出相應的提示，當學習者回答正確時，顯示正向反饋；而當學習者回答錯誤時，則以選擇題的形式呈現自我解釋提示，引導學習者進行自我解釋并改正錯誤步驟，從而寫出正確的方程式。除此之外，當學習者長時間沒有操作時，也會彈出引導思考的提示內容。例如，在學習“數據結構中鏈表的連接”時，在當前狀態中若學習者長時間沒有操作，則彈出提示“變量T已經指向節點3，現在我們想讓變量T指向空，我們應該怎樣操作呢”。該提示明確了當前應實現的操作，提示學習者思考如何實現該操作以完成鏈表的合并。自我解釋提示能夠促進學習者的深入思考，尤其是對低先驗知識學習者，這部分學習者沒有清晰的解題思路，他們不清楚要解決的具體問題，而自我解釋提示能很好地解決這一問題。以自我解釋提示的形式呈現不完整樣例，在學習者出現思維漏洞或者相關知識點遺忘時進行解題提示，能夠促進思維連貫性，有利于培養學習者的問題解決能力。

2.4.2 分析可能出現錯誤的步驟

分析可能出現錯誤的步驟指的是當學習者輸入一個錯誤答案時，系統通過跟蹤可能的解決方案路徑，確定他們可能犯錯誤的地方并將其呈現給學習者。該步驟無論是對學習者還是對教師而言都意義重大。對學習者來說，能夠幫助自身分析可能出錯的原因，有利于學習者改正錯誤的認知習慣，從而提高學習績效。而對教師而言，通過該反饋形式，教師可以總結班級里出現錯誤頻率較多的步驟，對其進行分類匯總，找出錯誤步驟中蘊含的知識或技巧，將其統一教授給學習者；根據總結得出的易錯步驟和易錯知識技巧，教師可以優化學習視頻、學習資源等教學內容，實現課程內容的迭代升級。

本研究以“在9a+10=28中，求a的值”一題為例，介紹ASSISTments中分析可能出現錯誤的步驟的實現路徑，如圖5所示。當學習者給出一個錯誤答案時，系統追蹤到學習者可能的問題解決路徑依次為：第一步是方程左右兩邊減10，第二步是方程左右兩邊分別除以9，第三步是得出結果。在本例中，系統推斷學習者在第一步和第二步上回答正確，在第三步計算結果時出現錯誤，學習者誤將18/9寫成了-2。通過預判解決方案路徑，分析可能出現錯誤的步驟，學習者可得知錯誤出現的原因，即對兩數相除的正負號問題掌握不牢固。因此，根據該反饋能夠了解自身的薄弱點，有利于學習者查漏補缺，仔細考量正負號問題。總的來說，分析可能出現錯誤的原因對學習者改正錯誤、提升成績至關重要。

3 對我國建設自適應學習系統的啟示

3.1 構建強大的學習者綜合模型

可汗學院、ALEKS從認知學習和行為表現兩方面分析了學習者的知識掌握水平，并將其開放給教學相關人員，在一定程度上提高了教學績效。相比之下，我國大部分自適應學習系統往往忽略了對學習者特征的挖掘。因此，有必要借鑒國外學習系統中學習者模型的內容以及開放方式，以此構建強大的學習者綜合模型，從而實現學習者學習路徑的動態調整。除了學習者的特征之外，相關研究還發現學習者的情感與其認知和行為密切相關。情感會影響學習者獲取信息的方式，因此，學習者模型有必要對學習者的情感領域進行挖掘和分析。為了獲取學習者在情感領域的數據，可使用可穿戴傳感器、生物傳感器、手勢傳感器、紅外成像和眼球跟蹤等技術捕獲多模態數據[13]。系統捕獲的數據源主要包括生理數據（表情、心跳、腦電波、凝視和覺醒）、行為數據（言語、寫作、手勢、姿態與步數）和學習軌跡數據（學習平臺登錄、學習記錄和學習制品）[14]。

總而言之，在架構學習者模型時應以多模態的方法豐富學習者認知學習領域的表現形式，同時記錄學習者在系統中的行為表現。除此之外，更要注重對學習者情感領域變化過程進行評估。

3.2 開發多方位的學習支持服務

國外的自適應學習系統所開發的學習支持服務包括學習路徑、學習反饋和總結性學習評價，這些支持服務很好地幫助了學習者選擇學習內容、評價學習結果。但不可否認的是，學習者在學習過程中可能會遇到很多問題。例如，對知識框架沒有明確的認知，或者遺忘關鍵知識甚至解題的關鍵步驟。遺憾的是，現有的學習系統對這些在學習過程中遇到的問題沒有很好的應對措施。因此，參考ChiQat之類的系統針對解決這類問題所開發的支持服務是極具現實意義和研究價值的。

本研究提出學習支持服務還應該有更為豐富的表現形式——自我解釋提示，可以對學習者在學習過程中遇到的問題起到很好的支撐作用，具體形式如下。

1）將自我解釋提示嵌入學習視頻中或者視頻末尾，提示學習者思考知識漏洞、填充知識框架、架構知識體系。

2）記錄學習者的學習行為，并根據行為彈出相關提示。若學習者在測試考核中長時間沒有操作，則自動彈出可能遺忘的關鍵知識或者解題的關鍵步驟；若學習者回答錯誤，則提示可能出現錯誤的原因。恰當的自我解釋提示能夠促使學習者對相關知識進行深度加工，從而提升學習效果。

除此之外，自適應學習系統中的自我解釋提示還應該具有針對性，主要體現在以下兩點。

1）對不同先驗知識的學習者提供不同形式的提示。對于高先驗知識學習者來說，開放類提示、思維導圖類或者畫圖類提示能產生更好的學習效果，提示重點在于幫助學習者架構知識體系；對于中先驗知識學習者來說，選擇類或填空類提示效果更佳，可以幫助學習者彌補知識漏洞；而對于低先驗知識的學習者來說，直接提供教學解釋不失為好的提示方法，目的在于幫助學習者記憶知識概念。

2）對相同先驗知識的學習者來說，系統應根據其學習者模型、知識狀態、思維方式以及學習偏好提供具有針對性的自我解釋提示。

3.3 研發迭代性的學習系統

自適應學習系統不應該僅為學習者提供自適應的學習路徑和學習支持，更應該使系統具有自適應性。系統自身的自適應性指的是系統利用深度學習和機器學習等技術，通過分析收集到的學習者的行為數據，實現系統的迭代升級。系統應該具有自調適參數，即隨著計算及運行次數的增多，通過學習逐步提升和自我改善，使挖掘和預測的功能更為準確。即給予學習者更為個性化的學習資源、更加智能化的學習課程推薦和個性化的學習支持[15]。例如，根據學習者的實際學習數據，利用貝葉斯網絡來發現知識點之間更加貼合學習者實際學習的關聯關系，并對原始知識圖譜中知識點間的相互關系進行更新迭代[16]。除此之外，學習系統還應該通過收集大量學習者的行為數據，不斷改進學習者模型的衡量指標，進而更加準確地對學習者模型進行

建模。

4 參考文獻

[1] 李鳳英，龍紫陽.從自適應學習推薦到自適應學習牽引模型：“智能+”教育時代自適應學習研究取向[J].遠程教育雜志，2020，38（6）：22-31.

[2] 冷靜，付楚昕，路曉旭.人工智能時代的個性化學習：訪國際著名在線學習領域專家邁克·沙普爾斯教授[J].中國電化教育，2021（6）：69-74.

[3] 童名文，師亞飛，戴紅斌，等.智慧學習環境中自適應學習系統動力機制研究[J].電化教育研究，2020，41（2）：68-75.

[4] 宋銀李.面向自適應學習的在線學習資源推薦系統的研究與應用[D].昆明：云南師范大學，2022.

[5] 張鈺，李佳靜，朱向陽，等.ASSISTments平臺：一款優秀的智能導學系統[J].現代教育技術，2018，28（5）：102-108.

[6] Afini Normadhi NB， Shuib L， Md Nasir H. N.， et al. Identification of personal traits in adaptive learning environment： Systematic literature review[J].Computers & Education，2018：1-45.

[7] Hooshyar D， Pedaste M， Saks K， et al. Open lear-ner models in supporting self-regulated learning in higher education： A systematic literature review[J].Computers & Education，2020.

[8] 王慧.自適應學習模式在高職教學中的可能與路徑：基于人工智能時代背景[J].武漢職業技術學院學報，2022，21（1）：39-44.

[9] 陳明選，王詩佳.測評大數據支持下的學習反饋設計研究[J].電化教育研究，2018，39（3）：35-42，61.

[10] 李鳳英，龍紫陽.從自適應學習推薦到自適應學習牽引模型：“智能+”教育時代自適應學習研究取向[J].遠程教育雜志，2020，38（6）：22-31.

[11] Eric Cosyn HU， Christopher D， Jeffrey Matayoshi.

A practical perspective on knowledge space theory： ALEKS and its data[J].Journal of Mathe-matical sychology，2021（1）：1-31.[12] 王碩爍，馬玉慧.國外典型自適應學習平臺的基本框架及其關鍵技術分析[J].開放學習研究，2018，23（1）：48-54.

[13] 劉哲雨，郝曉鑫，王紅，等.學習科學視角下深度學習的多模態研究[J].現代教育技術，2018，28（3）：12-18.

[14] 牟智佳，符雅茹.多模態學習分析研究綜述[J].現代教育技術，2021，31（6）：23-31.

[15] 馬相春，鐘紹春，徐妲.大數據視角下個性化自適應學習系統支撐模型及實現機制研究[J].中國電化教育，2017（4）：97-102.

[16] 崔煒，薛鎮.松鼠AI智適應學習系統[J].機器人產業，2019（4）：84-94.