用自适应技术支撑个性化学习

引子

School of One

约翰·佩雷斯是美国纽约布鲁克林区八十八中的一位七年级学生。他每天到学校后，第一件事情就是打开学习终端，领取一份个人学习日程表。这份日程表的课程安排与他的同伴不一样，因为约翰最近一次的代数练习只得到了B，所以今天的时间表上安排了他参加一个小组讲座，补修昨天有问题的内容。事实上，约翰的每位同学得到的日程表安排都不一样。这是由于八十八中正在实施一个叫做School of One的项目——纽约市教育部门的一项初中数学教改项目。School of One采用了一项最新的技术，能自动为每位学生提供个人学习计划。因此，根据自己的学习需求和优势，每位学生都能获得独特的每日时间表；且每个时间表和教学计划都是自动调整以适应每位学生能力和最成功的学习方法。由于School of One以学生为中心，把技术和课程整合，并在学校提供一种混合式学习环境，满足了每位学生的个性化学习需求，所以在2009年《时代》杂志评选的50项最佳发明中，该项目是获此殊荣的唯一一项教育创新。2011年，美国教育发展中心的儿童和技术中心对该项目2010年的实施进行了独立评估，结果显示：参与学生的数学成绩显著跑赢非参与的学生。

综述

优秀教师的做法

每位学生的学习都是独特的。优秀教师的做法是对学生的学习情况进行适应性分析，根据学生的家庭背景、兴趣和爱好，以及知识基础、学习能力、学习方式等，在每次学习之前，在每次作业或测验后，为不同学生提供不同的辅导策略、补救措施和对应的学习材料。采取这种适应性教学法（个别化教学和差异化教学），使学生在教师的帮助下能进行定制化学习。

不过，即便是最优秀的教师也很难完成面面俱到的分析，许多教师只是做到了在某些方面适应性分析，而且不是每位学生都会受到如此的照顾。因为，没有现代信息技术技术的帮助，要做到这一点需要极大工作量。

斯金纳的机器教学

在20世纪50年代，哈佛大学教授、心理学家B.F.斯金纳根据自己创立的新行为主义理论发明了教学机器，并以此来进行程序化教学。其原理就是：把教学材料分解成按循序渐进原则有机联系的几百甚至几千个问题框面组成的程序；在学生回答问题过程中，教学机器根据学生的薄弱环节呈现教学材料进行提示，直到学生回答正确后再进行下一个内容的学习。

课堂上采用斯金纳的教学机器，与传统的班级教学相比较有许多优点。第一，教学机器能即时强化正确答案，学习效果的及时反馈能加强学习动力。而在传统班级教学中行为与强化之间间隔时间很长，因而强化效果大大削弱。第二，教学机器使学生学习行为得到积极强化，力求获得正确答案的愿望成了推动学生学习的动力，提高了学习效率。传统的教学消极强化，会导致学生失去学习兴趣。第三，采用教学机器，一个教师能同时监督全班学生尽可能多地完成作业。第四，教学机器允许学生按自己的速度循序渐进地学习，这能使其对教材掌握得更牢固，提高他们的学习责任心。第五，采用教学机器，教师就可以按一个极复杂的整体把教学内容安排成一个连续的顺序，设计一系列强化列联。第六，教学机器可记录错误数量，从而为教师修改程序提供依据，结果是提高了教学效果。第七，学习时手脑并用，能培养学生自学能力。

但是由于缺乏对认知心理学的借鉴、教学内容媒体形式和机器功能单一等不利因素，使机器教学实践并没达到预想效果。实践中缺乏师生间的及时交流；过细分割教学内容导致学生缺乏对知识的整体认知；学生盲目地追求学习进度、猜想问题的答案和不求甚解。不过，教学机器是一种自适应学习系统萌芽，初步实现了量身定制的教学，并努力让学习者从信息的被动接受者转变为教育过程的合作者。

计算机智能化教学

20世纪70年代后，结合计算机技术和认知心理学发展起来的人工智能逐渐成熟，用于教育的各种智能教学系统也相继被开发出来。智能教学系统是利用计算机为学习者提供及时性和定制化的教学和反馈的适应性支持系统，它的结构包括四个基本组成部分：认知模型、学生模型、教师模型、界面模型（Charles P. Bloom， R. Bowen Loftin）。

认知模型决定问题解决可能需要的所有步骤。更具体地说，这种模式包含要学习领域的概念、规则和解决问题的策略。它的主要实现功能为：专业知识库，学生表现或检测错误的评价标准等。学生模型跟踪和模拟学生的认知、情感状态以及随着学习进程的发展出现的变化。

教师模型根据认知模型和学生模型的信息选择教学的策略和行动。界面模型实现人机交互的所有功能。

随着计算机智能化教学研究和实践的深入，学界逐渐总结出了设计和开发的八项原则和四个阶段。智能教学系统的设计以使学生成功解决问题为总原则，并辅以这八项原则：①模拟学生的能力。②表现传递目标结构是问题解决的基础。③在解决问题的环境中提供教学。④深化对解决问题的知识的抽象理解。⑤最大程度减少学习过程中的记忆负荷。⑥对错误提供即时反馈。⑦为学习调整教学容量。⑧帮助学生循序渐进地达成目标技能。

智能教学系统的开发和大多数的教学设计过程大致相同，包括四个迭代阶段：①需求评估。②认知任务分析。③初始教学的实施。④评价。

由于得益于行为主义和认知心理学的优势互补，相比教学机器，智能教学系统显然是较高级的自适应学习系统。它能更准确地分析判断学生的学习情况，提供的教学方法、学习材料和评估方式也更多样化。

在20世纪80～90年代，智能教学系统在学校教育、企业培训和军事训练中得到了较多应用，成功的个案主要体现在数学、健康科学、语言习得等领域的教学。不过，由于智能教学系统开发和实施成本昂贵，导致其最终没有得到广泛的推广和应用。此外，以下两个缺点也为业界所诟病：智能教学系统主要是用预设因素来对学生的学习进行适应性分析和模拟匹配，因此不能全面地把握学生的学习需求和特征；智能教学系统仍然是以教师为中心（这里的教师是计算机系统）来实现个别化教学或差异化教学。这种从模拟认知—自适应教学的模式，主要受到当时教育、学习科学和计算机数据挖掘处理技术的发展限制。

自适应个性化学习

进入21世纪，Web2.0、语义网和云计算等新技术相继被开发出来，互联网应用日趋丰富。在此基础上发展起来的在线学习得到了长足的发展，到了2012年出现了爆发式的增长。特别是计算机网络数据的挖掘和处理技术的成熟使自适应学习技术重新被重视和开发，并认为是大规模在线教育发展的重要基础。2008年，结合新的教育和学习理论的研究，学界提出了利用自适应技术服务于个性化学习的新观点——自适应个性化学习。综合多方的论述，自适应个性化学习被认为是在学习分析的基础上，采用自适应技术动态连接课程资源，以满足学生个性化学习需求的一种学习技术。它从智能教学系统发展而来，在设计和开发上二者有很多相通之处，不同之处是个性化自适应学习是以学生为中心，并有自身独特的十条法则（Nish Sonwalkar）：

（1）“一刀切”方式在网络教育中是行不通的。

（2）信息不是教育——当前基于网络的学习正导致信息过载。

（3）学习需要一个对多种媒体内容的认知过程。

（4）不同个体的学习，涉及学习内容和学习路径的不同。

（5）基于认知的发展和对新知的消化吸收进度，每个人有不同学习策略。

（6）个性化的学习是达到更高的完成率和更快的学习的一种方式。

（7）学习是四维的，其中包括：多种媒体，认知策略，交互性和社会化学习。

（8）唯一有意义的评估是帮助学习者提高，并达到所需的能力。

（9）用正确的学习策略和学习的步伐，任何人都可以达到即定的学习目标。

（10）教师最大的作用是引导学生如何学习，而不是学习什么。

自适应个性化学习的特征

1.学习分析技术

采用新的学习分析技术，能全面掌握学生的学习情况。通常做法是对学生进行课前的形成性评估来完成学习分析。自适应个性化学习采用的学习分析技术是基于学生的“大数据”，利用特殊的算法来得出学生的学习需求和学习特征。这项技术得益于商业智能的发展，即对大量商业数据源的统计、评估和识别，可以帮助企业做出更明智的决策。同样，学校对大量学生信息的搜集、管理和分析，能帮助学校和教师实施提高学习效果和更利于学生发展的教育教学行为。

学生参与在线学习后，会留下大量的数据碎片，学习分析系统通过对这些数据的跟踪、搜集和统计，分析出学生活动和学习成果之间的相关性，识别促进和阻碍学生学习的因素，并把这些数据转化为教育工作者能理解的知识呈现出来。

在学校中，这些被称为“大数据”的大量数据碎片，主要来自学生信息系统、学习管理系统、数字内容管理系统评估和成绩管理系统。从这些系统中搜集了学生的家庭背景、兴趣和爱好，以及访问的内容、停留的时间、学习的进度、获得的评价和成绩单等数据；还有，学生在互联网上访问的社会化媒体（博客、微博、图片和视频分享网站等）也留下了大量的数据；最近兴起的MOOCS和数字教科书也能搜集学生的学习数据。而每个学生知识基础、学习能力、学习方式和学习步伐就蕴含在这些数据中。通过学习分析技术就能把这些重要的知识显现出来，为教育教学提供有力的参考。

2.自适应学习路径

采用新的自适应技术，生成学生个性化学习路径。学习分析结果不但能为教育工作者提供了解学生的管道，还被用于自适应分析来帮助学生实现个性化学习。自适应技术能动态连接学习分析结果和课程体系，为每位学生自动生成一个独特的学习路线图。每个路线图可能会包含时间安排、方法推荐、课程和学习材料的推送等，并能给予学生充分的自主性，能让学生知道学什么、如何学习以及自己掌控学习。

在借鉴智能教学系统结构模型的基础上，自适应技术采用了复杂的统计和概率学算法，分析出学科知识的结构和难易程度，以及对应课程和学习材料的层次和呈现风格，匹配学生已有的学习特征和对当前知识的掌握程度，最终形成每位学生的个性化学习路径。

这一学习路径不是一成不变的，而是会根据学生每段时间的学习活动及评估报告做动态的调整。当然，自动匹配的学习路径并非真正完美契合每个学生，因此学生自己可以通过每天的学习心理状态自我评估或选择性接受系统的学习活动安排，以及参考教师的反馈来对学习路径进行修正。

3.课程内容多样化

提供多样化的课程和学习材料，支持学生的独特的认知需求。要实现个性化学习，就应该满足学生对不同课程、环境，以及学习方法、节奏、教师选择的需要。因此，自适应个性化学习系统中为学生提供了以下多样化的课程：

对同一学科的课程内容多样化体现在：不同的教材，不同的起点，不同的环境以及不同的评价手段。不同的环境包括：大组讲授（12～24人），小组讲授（6～12人），小组合作（3～6人），在线讲座，实时远程辅导，独自学习，实践活动等。不同评价手段：学习需求诊断，每日学习进步评估，统一测验，教师和同学给予的人工评价，学生自我学习状态评估等。

学习材料的多样化指的是：图文、音视频、3D材料、动漫、游戏等。

个性化学习路径生成后对课程和学习材料的推送也不是单一化的。学生可采用系统最优推荐，或自主挑选喜爱的学习内容，以及在受困时及时更换学习材料，这样才能最大限度符合个性化学习的特征，实现无障碍学习。

自适应个性化学习案例

1.Knewton

Knewton（纽约市的一家网络培训公司）是较早进入自适应个性化学习领域的公司之一，他们声称开发了行业内“最强大的自适应学习引擎”，其“连续适应性能力能满足每个学生每天的教育内容定制”。该算法能判断用户实际水平，并为用户提供与其水平相适应的课程。Knewton通过不断的提问和测试，判断使用者的真实水平，再为用户提供与之水平相对应的课程辅导；并强调用即时反馈、社区协作和游戏化促进学生个性化和快速地学习。2012年夏天，亚利桑那州立大学数学系超过2000名学生使用Knewton两个学期后，缺勤率下降了56％，合格率从64％上升至75％，45％的学生能够提前4周完成学习任务。（网址：http：//）

2.DreamBox

DreamBox开发的智能自适应学习平台专注于美国小学数学课程。目前为止该平台已赢得了超过20项教育和科技行业大奖，并在美国50个州的公立和私立学校得到广泛采用，拥有500多个在线数学课程、谜语、游戏及其他课程等内容。DreamBox能根据学生的回答，自动调整难度、支架、问题的顺序和进度。确保每位学生在自己的最佳学习区得以进步。自适应学习技术与教育理念紧密结合在一起，达成高度个别化学习。值得一提的是DreamBox的平台并非单纯用于在线学习，而是更多地用于混合学习环境中的个性化学习。2011年8月，独立研究机构SRI发现，在加利福尼亚州的3个学校使用Dreambox平台16周后，学生的测试成绩提高了5.5％。（网址：http：//）