《AI精準學》個性化學習手冊：讓學習走向“私人定制”

近日，飛象星球推出《AI精準學》個性化學習手冊，這是一本基于作業過程數據的“個性化學練方案”（圖1）。該學習手冊根據學生在一定周期內的作業情況，建立學生個人知識掌握度計算模型，深度挖掘學生練習數據，為學生生成個人知識圖譜及個性化學習計劃，在有限時間內使學生的學習效果最大化。

《AI精準學》個性化學習手冊由學生專屬學情總結報告、個人知識圖譜、個人學習計劃、基于計劃的練習題目、配套自主學習資源（包含解析、知識點視頻、大模型蘇格拉底問答）及教師端配套分析工具組成，每一部分都從宏觀和微觀不同角度分析不同學生的個體知識積累與學習過程，并提供與其相匹配的對應提升方案。根據每個學生個性化的學習計劃，配套相應的練習題目，確保每一次練習都能精準地強化學生的薄弱環節。教師端的配套分析工具，讓教師能夠輕松掌握學情，實現教學的精準化管理。

精準個性化的核心創新

《AI精準學》手冊基于猿力科技人工智能研究院十年研究與實踐的成果，擁有在線教育行業中最豐富的學生學習數據和最成熟的個性化學習算法。不同于“以題推題”或者“依據錯題知識點推相似題”，飛象《AI精準學》手冊是基于知識掌握度計算模型，計算每位學生的掌握度，形成個人知識圖譜，基于學科領域、主題/單元、先/后修知識點關系，知識點掌握度整體進行科學規劃，作為練習計劃的依據。

不同于“錯哪練哪，一直練”，飛象《AI精準學》手冊基于知識圖譜，練需要練的（先修薄弱等因素），通過運用最少做題預測模型，在有限時間內使學習效果最大化（圖2），防止機械刷題。同時，飛象海量的高質量題目資源，經過專業教研團隊的嚴格審校，保證了題目的準確性達98%，題目標簽類型超過10余個（如知識點、章節、能力、難度、學科題型、出處等），真正實現了“練需要練的”，提升了學習的效率和效果。

飛象個性化推薦引擎

學生在學習過程中會產生各種數據，如課堂表現、課后作業、考試測驗等，這些數據象征著學生的學習狀態。飛象星球通過大數據分析、圖像檢測、文字識別、多模態模型等方式，記錄學生的學情數據。結合知識圖譜作為指導，利用BKT（貝葉斯知識追蹤模型 Bayesian Knowledge Tracing）、IRT（項目反映理論模型）、ARIMA（自回歸滑動平均混合模型）等算法模型對學生某個知識點的掌握程度進行分析，得到學生的能力值。通過使用期望最大化算法EM（expectation maximization method）進行參數最大似然估計，以提高預測學生知識點掌握度計算的精準性。為完成學生學情數據的清晰化記錄與整理，將通過以下五個步驟完成基于學生個體的個性化推薦。

1.個人學科知識圖譜生成與更新

通過學生知識點掌握度計算，結合學科知識圖譜，產出學生個人學科知識圖譜。同時，基于學生學情數據采集，自動計算更新個人知識圖譜（圖3）。

2.學生學情分析模型

通過學生階段學情數據（作業、測驗、練習等）、個人知識圖譜數據，計算學生該學科整體學科能力值、領域能力值、各單元、主題能力值，分析各單元表現情況。

3.知識點選排計算及學習路徑規劃模型

通過學生階段學情數據、個人知識圖譜數據和先修路徑上各知識點掌握度，將學習的后修知識點掌握度綜合預測（圖神經網絡），形成多維度加權計算完成所需學習知識點的篩選和從“最需關注”到“表現不錯”的知識點選排，即通過圖神經網絡模型輸出當前最需要關注和學習的知識點及學習路徑規劃。

4.基于學生當前知識點掌握度、目標知識點掌握度差值的最少做題數預測模型

通過大量相似學生知識結構、知識掌握度、做題數量、題目難度進行自回歸模型訓練， 實現基于學生當前知識點掌握度與目標知識點掌握度差值的最少做題數預測模型，從而避免學生大量低效做題，提升學習效率。

5.題目推薦模型

通過上述個人知識圖譜、學情分析模型、知識點選排計算模型、最少做題數預測模型，完成所需學習的知識點選排及學習路徑規劃，最少出題數量預測；通過對所需學習知識點，以及適應學生學習的題目難度、題型、數量、題目結構、題目地區、題目質量、題目時效、題目內容相似度去重等多維度參數，建立題目搜索與推薦排序模型，實現題目出題。

總結

飛象《AI精準學》個性化學習手冊的推出，不僅代表了教育個性化的重要進步，也體現了大數據和AI在提升教學質量和學習效率方面的巨大潛力。通過精準捕捉和分析學生的學習行為和知識掌握情況，《AI精準學》為每位學生量身定制了學習路徑，實現了真正意義上的個性化教學。這一創新實踐，不僅為學生提供了更加高效、有針對性的學習體驗，也為教師提供了更加精準、便捷的教學管理工具。可以預見，個性化教學的理念將在未來落實到教育教學每一個環節，全面精準個性化學習的美好愿景將在大模型掀起的巨浪中成為現實。

作者單位：北京飛象星球科技有限公司

編 輯：馮艷艷