廖菲菲 王成元 新余学院建筑工程学院
●引言
针对学习者的兴趣、学习能力等具体情况进行不同方式的教育，不仅是国内外教育研究学者的共同目标，也是学习者自身对多元化学习模式的追求。在信息高速发展的时代背景下，在线教育平台自此驶入“快车道”。其发展推进了个性化教育目标的实现，学习过程不再受地点和时间的约束，与教师和同学的交流互动也扩展到线上平台，资源的高度整合也极大地推动了学生个性的发展。然而，在线教育平台的优势并没有从根本上解决个性化学习的问题，这就迫切需要一种更能捕捉学习者需求的个性化学习平台，可以参考学习者的知识结构、能力水平和学习习惯等为其匹配个性化的内容并推荐学习路径。作为自适应学习的优化升级，智适应学习有望借助人工智能技术判断学习者的差异性，通过“量身定制”的教学模式实现因材施教。
●智适应学习与自适应学习
自适应学习系统是一个基于学生信息模型和知识库模型的系统，其主要功能是通过各类学习数据信息的收集，来实时监测和反馈学习者的学习活动。自适应学习系统可以通过对学习者的多元化数据信息展开全面分析，为其提供个性化服务，同时还能将分析后的学习数据信息以信息统计报表的方式反映给学习者，方便学习者及时、全面、深入地了解和掌握自身的实际学习状况。
依据适应性学习对象差异，自适应学习的内容大体包含三方面：学习内容的自适应性、学习评估的自适应性和学习序列的自适应性。从学习内容方面看，不仅内容的难易程度需与学习者匹配，学习资源的类型选择和知识元的有效组合也应反映学习者特点。在学习评估的自适应方面，应侧重于学习者线上学习行为活动的分析、评价算法和评估范围。对于学习序列的自适应，重点是借助科学的运算处理方法，智能调节学习内容推送的先后顺序。
自适应学习完成了从班级制的模式化学习方式向个性化学习方式的基础转变。其在迎合学习者特点、集成学习资源和调整学习过程等功能方面均起到极大作用。然而现在自适应学习面临的最大问题是系统怎样能精确判断学习者的已有知识基础，并精准推荐适合学习者的学习路径。有鉴于此，在人工智能技术支持下，智适应学习应时而生。该种学习方式首先对学习者进行学习行为采集和学习质量评估，然后准确定位知识薄弱点，在为其智能规划学习路径提供学习支持与服务的同时，最大程度地提升了学习者的学习效率。总的来说，智适应学习能够结合AI人工智能技术进行深度思考，帮助学习者攻克知识薄弱环节，并且为他们提供一条相对优化的学习路径，以快速实现学习目标。
●智适应学习与智适应学习系统
我国“智适应学习”概念的提出起源于乂学教育。智适应学习的实质是智能信息技术与自适应学习的结合，智适应学习应用智能信息技术测试学习者目前的知识基础和专业水平，进而预测其接下来的学习动向，并智能推送学习单元及推荐最优的学习路径，从而尽可能地满足学习者个性化学习的追求目标。而智适应学习系统则是一种以数据信息联动的方式人工智能辨别学习者的学习习惯和其他个性特点，并及时根据学习情况的深度诊断报告进行智能指导的学习系统。智适应学习系统的功能优势是能够将AI技术与教师的专业教学能力结合，生成系统内专家型教师角色，让学生确实感受到被“因材施教”。因此，智适应学习将转变学习者的学习方式，使未来的教育呈现多元化和个性化的局面。
●智适应学习系统的学习模型
智适应学习系统为个性化学习提供了实践范型，该模型以预测作为起点，结束于学习辅导，构成了一个由“测—学—习—评—辅”五个基本环节组成的系统化学习过程。其目的在于让学生在自主学习中，清晰知识薄弱点，攻克知识难点，进而提升学习效率。
1.以“测”筑基础，定位知识点
“测”是为了了解和掌握学生的已有知识基础及学习综合能力。智适应学习系统参考知识分布序列和学习者的知识水平评估结果，总结得到他们的知识薄弱单元以及固有学习顺序，依托于此为后续的个性化服务提供强有力的数据支撑。预测被认为智适应学习标准模型的前提或先决条件，为后续建立一条个性化的基本路径指明方向。
2.以“学”夯结构，记录知识点
智适应学习系统对知识元作了分解和归类。学习系统通过个性化的学习服务，支持学习者在智适应学习系统中的学习行为。其使用了分类树和模糊逻辑算法向学习者推送合适的学习资源，并收集他们观看视频的活动数据信息，判断学习状态，为学习者推荐所需的学习服务选项，或组合生成接下来的测试题。
3.以“习”固内容，检测知识点
“习”是检测和强化知识应用的有效办法。在学得相应知识点后，智适应学习系统通过发布数量不一、难度不同和形式各异的经典测试题，来感知学习者对知识的掌握程度，并根据反馈的信息实时优化推送内容和学习路径。这个功能帮助系统对个性化学习过程进行有效监控。
4.以“测”验成效，评估知识点
“测”是对学习者掌握知识的程度进行综合评估，分为阶段性检测和总结性评估。其以阶段学习报表及巩固测试报告的形式展现。学习者将依据综合评估的数据信息，选择性调整自己的学习方法和学习进度，或可作为接下来学习的基础参照。该阶段作为在线学习闭环过程的一个控制环节，为评价个性化学习的效果提供了客观的参照依据。
5.以“辅”促交流，攻克知识点
“辅”即学习辅导，是智适应学习系统与教师在教学上的交互合作。教师根据系统提供的学习者参考信息，包括学习进程信息、阶段测试信息及综合测评等，对学习者进行辅导，精准讲解和探究疑难知识点。在智适应学习系统的精准教学和教师的精心辅导下，学习者的学习效果稳步提升。该环节为个性化学习提供了可靠保障。
●基于智适应学习系统的个性化学习环境设计
在思考如何构筑个性化学习环境时，最重要的是以学习者为中心，帮助学习者的自主学习得以实现。学习环境系统应能让学习者有充分的选择权，如按照自身的喜好和思考模式自由组合学习单元和学习方法，再依据自我测评发掘和反思知识摄取过程中的障碍及问题，逐渐调整学习策略以达到稳步进取的学习状态。另外，在线教育平台应具备较强的沟通互动性和服务智能性。第一，它可以使学习者在有疑问时，在相对独立的学习环境里及时连接教师或者同伴进行沟通；第二，它能够依照学习者的使用要求提供多元化综合服务。
基于以上总体设计思路，笔者构建了一个集数据中心、学习资源和服务系统为一体的学习者、教师无障碍交流的个性化学习环境结构模型。
1.深度匹配的数据中心
（1）学生数据中心
学生数据中心是收集保存学习者信息及形成数据信息的功能应用模块组合，通常由用户单元、学习单元和社区单元组成。
用户单元即学生的在线学习档案存储和信息加工模块。智适应学习系统根据学习者的姓名、年龄、居住地、联系方式等基本信息以及在线资料学习的情况、阶段测试的成绩、虚拟社区活动的参与等学习数据创建，教师可以在后台清楚地观测和掌握学习者的学习总体情况与个性化特征。
学习单元是一个实时响应和高反馈的模块。在学习者的学习过程中，学习系统能即时反馈学习问题，并且及时纠正；在完成课程以后，学习系统能准确地评估学习者的内容理解度，智能推荐教学内容，以巩固对核心概念的理解，促使学习者熟练掌握知识点。在这种学习环境里，学习者的挫折感得以降低，学习焦虑得到缓解，自信心逐步建立，学习行为参与度更高。
社区单元为学习者和教师用户提供了沟通平台。例如，可以将小组活动纳入课程之中，以此提高学生的学习积极性。参与者不仅可以在社区单元内进行课程知识答疑，还可以在平台搭建的虚拟社区进行深度交流。
（2）教师数据中心
教师数据中心主要目的在于为学习者提供更为多元化的指导。智适应学习系统能够全程跟踪评估学习者的表现，生成教学分析报告，以明确不熟悉的内容和运用较生疏的知识点，及产生问题的主要原因：不娴熟、健忘、注意力分散，或者是问题本身容易产生歧义等。教师可以依据数据中心保留的信息进行教学研究和分析，进而进行教学改革。
2.多样化的学习资源
（1）智适应课程
智适应课程创造了一个由系统引导、学习者自定步调的环境。教师会先依据不一样的教学科目、教学目的、已有知识层级，使用系统内的教学资源或上传新的学习资料，依据逻辑顺序和科学方法加以整理，完成个性化课程的创建。学习者根据平台推荐创建自主学习任务单，自由确定学习进度。除了可以选择线上课程学习，学习者同样能选择线上线下混合学习。
（2）智适应课件
智适应课件将自适应学习的特点与高水准的、开放式的课程内容相结合，囊括课程教学应有的全部内容，如电子教材、学习视频、经典案例、课后练习等。智适应课件可以将教师用户和学生用户进行匹对，同时可以和其他平台功能模块进行集成和深层次链接。在学习过程中，智适应学习系统的可视面板向教师展示了学习者学情的有关数据及提高后期表现的有效建议，向学习者则推荐更有效的学习内容，改进或替换无效的内容。
（3）智适应作业
智适应作业的主要功能是让学习者在基本理解课堂知识，并准备进行下一阶段学习前，发现知识薄弱点并及时固化。系统可以整合课后测验的情况，判断学习者的知识盲区，并从“作业库”中选择问题推送，以缩小学习者的理解差异。智适应作业还会向学习者推送最合适的练习模式。
3.集合引擎的服务系统
（1）数据采集与分析处理系统
数据采集与分析处理系统主要负责学习者数据收集及全面分析处理，包括自适应初始本体模型和模型更新引擎。自适应初始本体模型是根据元数据对各种信息和概念进行聚类，确定概念间的层次关系；模型更新引擎主要通过系统接收和处理数据，根据内聚性和相关性的变化实现自适应本体学习，让系统能为学习者提供更有效的服务。数据采集与分析处理系统可以记录和跟踪学习者的过程数据，如知识水平、学习风格、错误模式、元认知能力、认知特征等隐性数据，以及学习频率、学习时长和测评成绩等显性数据。根据这些学习特征可在系统内实现本体更新。
（2）数据推理系统
数据推理系统包含心理追踪引擎、学习策略引擎和反馈引擎，旨在从数据采集与分析处理系统中为学习者建立知识图谱。心理追踪引擎的功能是追踪学习者的学习风格、认知特征、知识水平、学习进程等，逐步建立学习者的学习信息档案；学习策略引擎可以感知学习者对教学模式、学习资源和教学进度等方面的敏感程度，为其建议较可靠的学习技巧；反馈引擎主要用于评估和反馈对学习者的数据，系统接收到反馈结果后进一步建立数据和自适应本体之间的联系，使推理过程更为精确、结果更加符合实际。
（3）个性化推荐系统
个性化推荐系统的作用是综合数据库中的海量信息，通过分析用户的历史行为来对用户的兴趣进行建模，从而主动为用户策划最优学习途径。该系统包括推荐引擎、预测分析引擎和模型整合引擎。推荐引擎根据学习者的中长期目标、优势劣势、学习时间等为其规划下一步操作；预测分析引擎根据学习者的综合情况，预判其接下来的学习进度、学习关注力、活动参与度、评测成绩等；模型整合引擎可以将用户的学习账户互联，建立起不同学科领域、跨时段、跨地域的用户数据网，完成学习数据信息的归一化，避免系统个性化推荐出现“冷启动”现象。
●结束语
本文对智适应学习系统标准学习模型的特征进行了研究分析，提出了一种基于智适应学习系统的个性化学习环境构架模型。现阶段这一模型仍处于探索阶段，还有很多改进的空间，如知识点的诊断技术还不够先进、基于视频的知识点表现形式稍显单一、掌握教育和技术的智慧型教师队伍还不够壮大等。
