“人工智能+”时代的个性化学习理论重思与开解*

牟智佳

（江南大学 教育信息化研究中心，江苏无锡 214122）

“人工智能+”时代的个性化学习理论重思与开解*

牟智佳

（江南大学 教育信息化研究中心，江苏无锡 214122）

个性化学习是技术与教育深度融合在高级阶段的表现形式，以机器学习和深度学习为关键支撑的人工智能技术的回归，对个性化学习进行了重塑和再造。在“人工智能+”时代，个性化学习应具备“一个中心、三个导向”的理论支撑，即以学习者为中心，以目标、过程和评价为导向。个性化学习的应然特征包括心智分析性、服务差异性和目标导向性三个层面。个性化学习首先要把握学习者的心智特征，并在此基础上为其全学习过程提供符合其个性需求的内容、活动、路径和评价，最终在学习目标上实现自我导向的有意义学习，在成长目标上培育自主发展的核心素养。个性化学习服务的确立应当以基于人工智能技术的智能教育云服务平台为支持，以需求本位的个性化学习内容推送、能力本位的个性化学习路径生成和掌握本位的个性化学习评价为服务方向。

“人工智能+”时代；人工智能技术；学习行为；个性化学习；掌握学习；教育云服务

一、“人工智能+”时代的个性化学习

长期以来，培养学生的创新精神和实践能力是国民素质教育的重点，《中国学生发展核心素养》研究成果指出，核心素养以培养“全面发展的人”为核心，其培养目标分为文化基础、自主发展、社会参与三个方面，综合表现为人文底蕴、科学精神、学会学习、健康生活、责任担当、实践创新六大素养[1]。

可以看出，培育学生学会学习并促使其自主发展是核心素养的实施要义。在教育信息化发展进入到以有效支持教与学、促进学生个性化发展为核心诉求的新阶段之时，需要为学习者提供满足其个性需求的新型学习方式以支持其自主发展。个性化学习作为技术与教育深度融合的高级阶段，能够促使学习者的能力与个性在学习活动过程中得到充分、自由、和谐的发展。

近年来，人工智能技术在不断成熟，人工智能向社会各个领域的渗透与影响不断加大，“人工智能+”犹如工业社会的电力一样被日益广泛应用。教育领域亦不例外，随着“人工智能+”时代的来临，在整合教育大数据、机器学习、学习分析等先进技术的基础上，智能教育云服务可以为学习者提供个性化学习服务，以支持其自主发展，这破解了教育在个性培养方面不足的难题。目前，基于“人工智能+”时代视角的个性化学习研究成果尚不多见，本文将作初步探讨。

二、现有个性化学习研究述评

随着大数据、学习分析、计算科学等技术的深入发展，个性化学习在实践层面有了可实现的契机。为了更好地把握个性化学习的发展方向，明晰其实现路径，有必要厘清个性化学习的研究脉络，以进一步结合人工智能技术，描绘其服务模式。

我们通过对国内外数字化学习环境下的个性化学习相关文献的梳理和分析，发现目前针对个性化学习的研究主要集中在以下三个方面：（1）个性化特征分析及其对网络学习行为研究；（2）个性化学习教学模式与服务策略研究；（3）个性化网络学习系统与平台设计研究。

（一）个性化特征分析及其对网络学习行为影响研究

通过对网络环境下学习者的个性化特征信息进行分析，并对其网络行为的影响进行探索，我们可以看到，比较有代表性的研究有，孙海民对当前关于学习者个性特征对网络学习行为影响研究存在的问题进行梳理，并提出解决问题的关键是构建学习个性模型、基于活动理论的网络学习行为的分类以及基于Apriori的数据挖掘算法[2]。Susanne Narciss等分析了网络环境下学生的性别、先前知识、动机特点对学习结果和反馈策略的影响，结果表明：性别是影响反馈效率的一个重要因素，在所有反馈策略中，相对于女生，男生更容易获取浅层次知识[3]。

（二）个性化学习教学模式与服务策略研究

一些学者对如何建立个性化网络学习教学模式以及如何提供相关支持服务进行探索。例如，郑云翔从学习者特征分析、学习环境、学习资源与工具、学习活动和学习评价等五个方面对大学生个性化学习的教学设计进行分析讨论，并提出了五种典型的个性化学习教学模式[4]。Felix Mödritscher等通过对网络环境下个性化学习的历史发展和基本概念作分析，列举了传统自上而下个性化学习模式的缺点，并提出了“学习者驱动、自下而上”的方法来设计个性化学习，在该环境下学习者可以查看个人学习活动以及同伴之间的学习情况[5]。

（三）个性化网络学习系统与平台设计研究

一些学者介绍了相关个性化网络学习平台的系统设计和分析。比较有代表性的研究有：张丹阳利用以知识点为导向的数据挖掘技术，构建了一种智能化的个性化网络学习系统，用来满足对学习者有针对性的教育需求[6]。ChanMin Kim介绍了在网络数学补救学习中设计了虚拟变化代理的原则，以更好地支持学生的情感和动机需求，在设计原则中他强调自动化、动态和个性化支持。虚拟变化代理的可用性和个性化，能够满足学生的实时交互和定制需求[7]。

目前，关于在数字学习环境下的个性化学习研究主要集中于个性化学习内容分析、个性化学习教学模式与服务策略以及网络学习系统平台设计上。相较而言， 现有的分析平台缺少人工智能和自适应技术的支持。在学习分析层面上，将学习内容与之相对应的学习行为进行关联并开展分析的研究较少，特别是基于学习分析和教育大数据进行个性识别、平台设计和服务模式的探索较少。因此，迫切需要站在人工智能大背景下，在整合教与学理论思想的基础上，对个性化学习内涵及特征作进一步的梳理总结，进而设计以学习者为中心的个性化学习服务模式。

三、数据集驱动的人工智能技术供给侧支持

近年来，人工智能作为较早出现的技术科学，得到商业、科研机构、政府等不同组织群体的高度关注。人工智能是研究通过计算机来模拟人的思维过程和智能行为的学科，因此，它需要以大数据技术为支撑的数据源和以机器学习与深度学习为支撑的分析方法作为技术保障。在应用层面，各类技术从个体生物特征、内容和行为三个层面提供服务支持。整体而言，人工智能通过“两个底层、三层服务”实现了技术供给侧支持。

（一）以机器学习与深度学习为支撑的底层关键技术

机器学习和深度学习是人工智能研究中的两项关键技术。美国白宫科技政策办公室在2016年10月发布的 《为人工智能的未来做好准备》报告中指出，人工智能的技术手段包括机器学习、深度学习，自主、自动化和人机合作。其中，机器学习是利用大数据分析推导出规则或流程，用于解释和预测数据；深度学习则是利用数据在大量类似神经元组件构成的多层网状结构之间进行第次输入和输出[8]。在应用领域上，百度云在系统架构上将上述两项技术作为底层技术支撑，为语音识别、人脸识别、文字识别、自然语言等感知服务提供了分析支持。

（二）面向体征服务的语音识别与情感计算技术

在面向个体服务时，首先需要采集个体生物特征信息。该层面数据类型包括声音、表情、运动、心智等体征数据，通过语音识别与合成、人脸检测与对比、情感计算等技术，对上述数据进行处理分析，解析出充满差异的个性学习者言行特征，为后续的智能推送提供基础模型数据支持。该层面技术的教育应用场景包括：以学习资料语音搜索、语音阅读书城、写作文本语音输入等为代表的语音识别应用；以网络学习身份验证、学习情绪识别、学习生理模式识别等为代表的人脸识别和情感计算应用。整体而言，该层面技术多用于处理分析个性生物特征数据，构造感知和情绪系统，刻画学习情绪肖像。

（三）面向内容服务的自然语言处理技术

自然语言处理技术是对人类自然语言进行分析、理解、生成、翻译，实现自然的人机对话交互。其分析方向包括词法分析、词向量表示、文本相似度计算、评论观点抽取等；服务对象主要是文本内容。该技术通过机器学习和训练的方法，将文本中的词映射成长度固定的向量，不同的词向量构成一个向量空间，借助分析模型实现文本的可计算。该层面技术的教育应用场景包括：中英文写作批改、外语翻译评阅、论坛互动内容观点挖掘、互动文本情感识别等。通过文本内容分析，一方面，能为学习情感识别提供辅助数据支持；另一方面，可对学习者生成内容进行评阅和计算。

（四）面向行为服务的自适应学习技术

2017年新媒体联盟发布的《地平线报告》（高等教育版）在影响高等教育的重要发展部分中指出，自适应学习技术是在近一年内被广泛采用的关键技术[9]。自适应学习技术通过监控一系列学习过程行为及数据，基于个人能力和技能水平动态调整课程内容以进一步适应和提高学习者表现，实现教学的自动干预。该技术已经在新型网络学习平台中得到应用，如，KNEWTON个性化网络学习平台、Smart Sparrow自适应网络学习平台、Acrobatiq智能网络学习平台等。该层面技术的教育应用场景包括：个性化学习特征分析、学习内容和测评智能推送、个性化学习路径推荐、学习结果预测等，通过对学习行为的智能分析，为学习者提供个性化学习服务。

四、个性化学习的理论支撑与特征

（一）个性化学习内涵探索

在个性化学习概念的分析上，国内外研究者开展了较为广泛的探索。我们通过对相关文献的搜集和分析，得出不同研究者对个性化学习概念和特征的解释，见表1。

表1 国内外关于个性化学习的概念探索

从国内研究者定义来看，前三位研究者主要从传统环境下分析个性化学习的内涵，基于学习者个性特征为其提供合适的方法、策略、内容和评价，侧重个性化学习环境的创设。而最后一位研究者主要在MOOC环境下对个性化学习进行分析，为学习者提供差异化的学习活动和学习路径，侧重个性化推送。

相对于国内的分析维度，国外研究者和学术团体进行了较为深入和较多维度的探索。E.D.Jackman和Fred S.Keller较早开始探索区别于传统教学流程的学习特点和实践方式。之后，英国教育与技能部、美国课程监督和发展委员会、新媒体联盟等研究者和学术组织对个性化学习的内涵、特征、政策进行了分析。

其中，The Bill和Melinda Gates Foundation等组织提出的关于个性化学习的四大支柱（包括学习者档案袋、个人学习路径、灵活的学习环境和基于竞争力的进度），明确了数字化学习环境下个性化学习的工作定义。该定义是对新媒体环境下关于个性化学习的较为成熟的分析，其特色是基于学习分析技术为学习者提供定制化路径，促使其达成目标。

通过对国内外个性化学习概念探索的梳理，我们可知，研究者在以下三个方面存在共识：（1）分析起点：以学习者个性特征分析为基础；（2）服务支持：提供适切的学习内容、学习策略和学习评价；（3）环境创设：教学、管理、课程、时空等要素的再组织与整合。

基于上述分析，我们期望结合互联网和人工智能技术，对当下的个性化学习所应具备的特征和服务进行探析，并形成具有方向指导和实践应用性的系统理论。

（二）个性化学习的理论支撑

个性化学习的目标是要实现有意义学习，在学习过程中通过个体、行为、环境多维联动，实现多向交互反馈，在结果中通过是否掌握内容及其所处目标层级判别其是否达成目标。其理论支撑概括为“一个中心、三个导向”，一个中心指以学习者为中心的设计，三个导向包括目标、过程和评价。

1.以学习者为中心的设计

该理论包括以学习者为中心的环境设计和教育平台工具设计。其中，以学习者为中心的学习环境提供了互动的、鼓励性的活动，能满足个人独特的学习兴趣和需求，实现在不同复杂程度下的学习，并加深对学习的理解。在该环境下学习者积极建构意义，外部学习目标可以被确立，但学习者依据个体的需要，由在思想形成和检验过程中产生的问题来决定如何前进[23]。

在方法论层面，为使计算机和互联网对学习产生积极的影响，教育平台和工具应该围绕学习者的目标、需求、活动和教育情境来设计[24]。开展个性化学习的逻辑起点应以学习者为中心，在环境设计、内容提供、应用服务等方面围绕学习者展开，并提供个性化反馈。

2.目标导向的有意义学习理论

戴维·奥苏贝尔认为，学生的学习如果要有价值的话，应尽可能地有意义。他根据学习材料与学习者认知结构中已有知识的关系，将学习分为机械学习和有意义学习。其中有意义学习包含两个先决条件：（1）学生表现出一种有意义学习的心向，即一种在新学的内容与自己已有的知识之间建立联系的倾向；（2）学习内容对学生具有潜在意义，即能够与学生已有的知识结构联系起来[25]。

戴维·乔纳森认为，教育的未来应该把焦点放在有意义的学习上，并假设所有级别教育的主要目标都应指向促使学生进行有意义的学习。他认为有意义学习包含五种属性，如图1所示，各属性之间交互关联[26]。

图1 有意义学习的五种属性

个性化学习作为未来的一种重要学习方式，在应用成效上需要一定的目标导向，即把支撑有意义的学习作为目标，通过人工智能技术帮助学习者开展主动的、建构的、有意图的、真实与合作的学习。

3.过程导向的交互决定理论

环境决定论认为，行为是受作用于个体的环境刺激控制的，其公式是B=f（E）。而个人决定论认为，本能、驱力和特质等内部事件驱使个体按照某些固定的方式行事，其公式是B=f（P，E）[27]。

在班杜拉看来，这两种观点都是以单向决定论为特征的。而越来越多的实验证据表明，环境与个体的影响是双向的。班杜拉认为，行为是起相互作用的决定因素，而不是在个体和情境的相互影响中不起作用的一个超脱的副产物。在此基础上，他提出交互决定论，即把行为、个体和环境看作是相互影响地联结在一起的一个系统。Bell Gredler将班杜拉的交互决定论进一步描述为三向关系[28]，如图2所示。

图2 个体、行为与环境之间的交互决定关系

该理论对个性化学习的指导意义在于，要从个性特征、学习行为数据和学习环境要素三个方面整合分析学习过程：在个性特征方面，需要对学习者的个性优势进行分析；在学习行为分析方面，要以学习者的个性特征信息为基础，对学习者参与的知识内容进行记录；在环境要素方面，基于学习过程和结果为学习者提供即时的反馈信息，以更好地改善当前的学习状态和结果。

4.评价导向的掌握学习理论

个性化学习在应用效果层面要落到实处，需要促使学习者达成目标，针对目标的达成需要掌握学习理论作为指导，针对目标的测量则需要学习目标分类作为依据。研究者Rex Heer在教学目标分类理论基础上，从认知维度和知识维度对该理论进行了修订[29]。其中，认知维度包括知道、领会、应用、分析、评价、创造；知识维度包括事实性的、概念性的、过程性的和元认知。两个维度分类呈现层级排列：在认知维度上，从低阶思维技能到高阶思维技能；在知识维度上，从具体知识到抽象知识，各分类纵横交错，从初始的事实性记忆知识到最高层的创造性学习。

在掌握学习理论上，布鲁姆（Benjamin Bloom）认为学习的时间量包括教学质量、学习者理解教学能力、能力倾向（即在适应教学质量和理解教学之后学习所需的时间）三个方面。学习者要达到掌握的水平，关键在于花在学习上的时间量。

该理论对个性化学习的指导意义包括：（1）设计基于掌握的个性化学习系统，将时间作为一个变量，学习作为一个衡量，学习者只有掌握核心概念之后才能进入下一个知识点，在学习评价节点上以知识掌握为导向，而非以时间为导向；（2）根据个性特征，引导学习者从知识和认知两个维度向抽象的创造性知识学习方向发展，并基于概念掌握逐步达成设定的学习目标。

（三）个性化学习的应然特征

通过对个性化学习的概念脉络和理论支撑进行分析，我们可以知道，个性化学习是为解决当前教育系统问题逐渐生成的，其在教育模式、学习步调、时间和地点选择、师生角色等方面都与当前教育有明显区别[30]，具体对比结果见表2。

可以看出，个性化学习在整个系统流程上已经进行了整合与重构，并在时间和空间上进行了突破与融合。

表2 当前教育系统与个性化学习系统的区别

个性化学习的目标是要满足学生的需求和兴趣，以确保其实现最大化发展。研究者Peggy Grant和Dale Basye认为，成功的个性化学习包括以下七个方面特点[31]：（1）将学生的兴趣和能力融入到真实世界的活动中，以促进他们在内容领域的标准下学习；（2）教师充当促进者和教练的角色而不止于传播知识；（3）学习者控制他们的学习路径，并自定学习目标，建立自我效能感；（4）技术能够支持学习者对所学内容、如何学习以及如何展示他们的学习进行选择；（5）通过数字化工具的支持，将形成性评价贯穿于整个学习周期，帮助教师和学习者了解其优势和缺点；（6）通过展示学习者的技能和理解来测量在学科内容上的进步；（7）通过教师和学习者的经验来整合技术，以更好地支持学习。

结合前面对个性化学习内涵和学习系统的分析，我们从学习论视角对个性化学习的特征进行总结，包括心智分析性、服务差异性和目标导向性三个层面，如图3所示。

个性化学习首先要把握学习者的心智特征，并在此基础上为整个学习过程提供符合其个性需求的内容、活动、路径和评价，最终在学习目标上实现自我导向的有意义学习，在成长目标上培育学习者的自主发展核心素养。

图3 个性化学习特征

首先，心智分析性是个性化学习在学习起点上的特征体现。在学习开始前需要把握学生的心智特征，包括个性优势、个性需求、个性偏好、学习能力、知识经验等，确立学习者先前的记忆、需求、推理、解决问题、获取新知识的能力。在学习过程中，学习者因自身经验引发了在行为、能力和心理倾向上的比较持久的变化[32]。因此，个性化学习需要基于学习者个性特征提供相应服务支持，以促使其行为发生持久变化。

其次，服务差异性是个性化学习在过程中的特征体现。只有把学习者带到学习任务中，将已有知识和观念作为新学习的起点，并给予学生不同学习过程服务和建构的机会，才能促进学生的学习。依据个性化学习分析结果，只有为学习者提供从学习内容、学习方式、学习路径到学习评价等一体化的差异性学习服务，才能促进学生进行自我调控和知识生成。

最后，目标导向性是个性化学习在结果上的特征体现。学习者的知识基础和学习能力的差异性决定了其要自主定义目标并自我监控学习过程来达到学习目标，以此来控制自己的学习。在目标驱动下，基于个人理解和概念掌握完成程序化学习活动和任务，并逐步完成学习目标。目标导向有助于个体形成对学习原理更本质的理解，并帮助他们成为自我维持的终身学习者。

五、基于智能的个性化学习服务支持

智慧学习环境的逐步完善、自带设备的日渐普及以及人工智能技术的深度突破，使得个性化学习的服务模式变得清晰，并逐渐尝试初步的探索。当前，个性化学习服务实现可以通过“一个平台、三项服务”进行应用实践，即在智能教育云服务平台支撑下，基于学习需求推送个性化学习内容；基于学习能力生成个性化学习路径；基于知识掌握进行个性化学习评价。

（一）基于人工智能技术的智能教育云服务平台支持

我们以智能教育云服务平台为实体依托，以电子学档系统记录的学生个性化信息为分析对象，以个性化分析模型为理论指导，以人工智能为技术支撑，设计了支持个性化学习的智能教育云服务平台系统流程，如图4所示。该流程主要包含以下三个关键模块：

图4 基于人工智能技术的智能教育云服务平台系统流程

1.教育云服务平台模块

该模块包括电子教材系统、作业与考试系统、数字资源系统、互动交流系统、电子学档系统和学习管理系统。

电子教材系统主要是对电子教材的发布、下载进行管理，保存和管理学员从客户端传送的学习记录；作业与考试系统主要是支持课后作业的发布、完成、批阅和展示整套流程，以及为学习过程和学习结果提供评价服务；数字资源系统是为教育云服务平台提供资源基础，以基于资源的学习为设计理念，系统的核心在于资源的积累与共享，以及对个人知识管理的支持；互动交流系统是为学生在课堂内外开展的互动答疑提供支持，同时为学生之间的课外交流提供学习社区，以促进学生围绕兴趣主题展开深度交流从而形成虚拟学习共同体；电子学档系统与电子教材系统、作业与考试系统、数字资源系统和互动交流系统相互关联，该系统记录了关于学生的个性化信息，如，电子教材学习情况、作业完成情况、互动交流情况等，使家长和教师能够清晰地了解学生的学习情况与个性化特点；学习管理系统主要是融合各个子系统的功能，支持教师和学生开展各项教与学活动。

2.个性化信息记录与分析模块

该模块包括个性化分析模型、个性化信息中心和人工智能技术服务中心。个性化分析模型可依据学生个性化特征建立的分析信息模型[33]。个性化信息中心可依据学生的个性化分析模型对信息进行分类存储。其中，电子教材和资源库主要用来记录学生的个性化学习内容；作业库和考试库主要用来记录学生的个性化学习评价信息；互动答疑和学习社区主要用来记录学生的个性化学习方式信息。

这些数据记录了学习者在学习路径中的节点属性信息，包括结构化、半结构化、非结构化等数据。虽然，通常非结构化数据本身是无法分析的，然而其仍可以通过特定方式进行结构化处理，从而得到可以直接进行分析的结构化结果[34]。人工智能技术服务中心主要是基于个性化信息数据进行情绪识别、情感计算、自然语言处理和自适应学习分析等，为后面的个性化学习服务提供智能支持。

3.个性化学习服务与自我导向学习模块

该模块包括个性化学习服务中心和自我导向学习模块。个性化学习服务中心主要依据人工智能技术提供的分析结果，从学习内容、学习评价和学习路径三个方面为学习者提供个性化学习内容推送、个性化学习评价反馈以及个性化学习路径生成等学习服务。自我导向学习是学习者在个性化学习服务中心支持的基础上，依据初始学习目标，通过应用个性化学习服务中心提供的服务，选择合适的学习资源和学习策略，完成学习目标并进行自我评价，通过个性化评价结果了解学习者学习的不足之处，进而产生学习需要，实现自我导向学习。

（二）需求本位的个性化学习内容推送

学习需要是教学系统设计中的前端分析之一，当学习者目前状态与所期望达到状态或应该达到的状态产生差距时，就会产生学习需要。由于个体之间在认知能力、认知结构、知识基础和学习动机等方面存在差异，因此，需要根据个性需求设定目标，进一步发挥其个性优势，促使其能力得到发展。基于个性化需求采用智能推送技术，提供个性化学习内容，例如，采用协同过滤推荐技术为学习者推送符合其学习需求的微课程；采用支持向量机技术推送拓展学习资源；采用最近邻推荐系统推送电子教材内容等。

当前，较为成熟的个性化推荐系统包括协同过滤推荐、基于内容的推荐和基于知识的推荐。然而，各推荐系统在用户记录及前后数据、群体数据、知识模型等方面构造不同，这使得系统推送机制和效果存在差异。个性化学习推荐系统需要学习者模型、学习行为数据和群体数据共同作为支撑，而已有的推荐系统算法并不能完全应用于所有数据资源，因此，需要设计混合式推荐系统，针对学习年级、学科内容、学习目标等不同情境进行推送，发挥不同推荐系统的功能，以达到最优效果，从而使推送内容更加个性和精准。

（三）能力本位的个性化学习路径生成

学习路径是学习者在学习过程中选择或被选择的一系列概念和活动的序列集合[35]。当前，在教育系统中的学习路径是由教学设计者预前设定好的，缺少个性化学习特征和能力分析[36]。要使学习者都能实现有意义学习和高效学习，就需要基于学习者知识和能力基础，分析其学习过程特征，生成满足其能力发展的个性化学习路径。该路径实现了对学习内容和学习活动的智能序列组合，满足学习者最近发展区需求，并由教育云服务平台推送给学习者，由其自定步调进行学习。

随着自适应学习系统的深入发展，已有研究者开始从实践层面探索基于学习者能力模型生成的个性化学习路径，并进行应用评价[37]。在整合理论、技术、数据等资源的基础上，未来智能教育云服务平台将根据学习状态动态生成学习路径，实现个体能力的精确增长。

个性化学习路径在实践应用过程中，具有自组织性、连续性、实施评估性、动态更新性等特征。在组织上，基于学习目标、知识基础和个性特征对视频学习、文本学习、互动讨论、测评练习等模块内容进行自组织，以符合学习偏好和需要；在流程上，依据学习活动和知识掌握，形成连续、线性的学习路线，以使学习过程循序渐进；在评价上，对所学内容按难度级别和学习状态进行实时评估，为学习内容调整提供依据；在路径调整上，基于学习进度和学习结果对学习活动内容进行动态更新，智能匹配最合适的学习任务，让学习过程既具挑战性又富有成就感，提高学习者的学习动机。

（四）掌握本位的个性化学习评价反馈

学习评价是教与学活动中的一个重要环节，评价内容以及如何评价，在一定程度上影响着教学过程[38]。在学习科学中，为学生设定的目标——达到深度理解，这种理解超出了对事实和程序的简单回忆，它包括把概念和策略组织到一个层级框架中，用于解决以怎样的方式在何时，把知识应用于理解新材料，并解决相关问题。

要实现这种深度理解目标，需要以掌握学习为评价导向，从知识学习和认知发展两个方面对学习结果进行个性化评价，确定其所达到的层级，并结合学习过程给予学习补救反馈，以指导学习者开展新一轮学习活动。因此，基于掌握的个性化学习评价可以让学生自定学习步调，在足够时间投入的情况下实现深层理解。

将个性化学习评价反馈在数据收集上，不仅需要对网络学习平台中的学习活动数据进行汇聚，还要采用智能录播技术和图像识别技术对学习者在课堂中的知识学习、即时测评、互动讨论等学习活动表现，以及在课后的作业、考试、学习任务单等纸质测评数据进行了数字化处理，整合学习者线上和线下数据对学习表现进行综合评判。

在评价反馈机制上，首先，基于学科特性和个人学习表现对学习者在知识点掌握、错题难度、成绩进退步、偏科情况等方面进行评价诊断，并通过可视化方式呈现给师生。之后，基于学习薄弱点和掌握情况为学习者提供学习补救建议报告，并结合推荐系统从知识点学习、自主练习、考试测验等方面提供内容推送，实现从精准分析到精准干预的转化。

六、结语

人工智能在关键技术和研究算法上的逐步突破，使得其成果开始应用到社会生活中。当前的“互联网+教育”创新了教育服务模式，学习者可以在任何时间学习其所需要的学习内容。而“人工智能+教育”则进一步为学习者提供个性化学习服务模式，实现因学定教和精准教学。

本研究对“人工智能+”时代的个性化学习及其研究进行了初步分析，对其应然特征和服务实现路径进行了阐释。随着深度学习、机器学习和自适应学习技术的逐步成熟，在智能教育云服务平台的支持下，应用下一代学习管理系统可以为学习者提供更精确的个性分析、智能推送和精准反馈服务。未来将通过实践应用探索，形成能够有效支持学生自主发展和能力提升的个性化学习服务模式。

[1]核心素养研究课题组.中国学生发展核心素养[J].中国教育学刊，2016（10）:1-3.

[2]孙海民.个性特征对网络学习行为影响研究的关键问题探究[J].电化教育研究，2012（10）:50-55.

[3]Susanne Narciss，Sergey Sosnovsky，Lenka Schnaubert，etc.Exploring feedback and student characteristics relevant for personalizing feedback strategies[J].Computer&Education，2012，71（2）:56-76.

[4]郑云翔.新建构主义视角下大学生个性化学习的教学模式探究[J].远程教育杂志，2015（4）:48-58.

[5]Felix Mödritscher，Fridolin Wild.Personalized e-learning through environment design and collaborative activities[M].Berlin:Springer，2008:377-378.

[6]张丹阳.基于数据挖掘的智能性个性化网络学习系统设计[J].计算机光盘软件与应用，2012（12）:202-202.

[7]ChanMin Kim.The role of affective and motivational factors in designing personalized learning environments[J].Educational Technology Research and Development，2012，60（4）:563-584.

[8]闫志明，唐夏夏，秦旋等.教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志，2017（1）:26-35.

[9]Adams Becker S，Cummins M，Davis A，etc.NMC Horizon Report: 2017 Higher Education Edition[R].Austin，Texas:The New Media Consortium，2017.

[10]孟万金.网络教育的真谛:人文交互环境下的个性化自主学习[J].教育研究，2002（4）:52-57.

[11]杨南昌.基于多元智能（MI）的个性化学习研究[D].南昌:江西师范大学，2003:17-18.

[12]李广，姜英杰.个性化学习的理论建构与特征分析[J].东北师范大学学报（哲学社会科学版），2005（3）:152-156.

[13]杨玉芹.MOOC学习者个性化学习模型建构[J].中国电化教育，2014（6）:6-10.

[14]Jackman E D.The Dalton Plan[J].The School Review，1920:688-696.

[15]Keller F S.Good-bye，teacher[J].Journal of Aapplied Behavior Analysis，1968，1（1）:79-80.

[16]Carroll Anne W.Personalizing education in the classroom[M].Denver:Love Pub.Co，1975:25-28.

[17]Department for Education and Skills.A national conversation about personalized learning[R].Nottingham:Department for Education and Skills，2004.

[18][30]Wolf M A.Innovate to educate:System[re]Design for personalized learning:A report from the 2010 symposium[R].Washington，DC:Software&Information Industry Association，2010.

[19]U.S.Department of Education.National education technology plan 2010:Transforming American education national education technology[R].Washington，D.C，2010.

[20]Johnson L，Smith R，Willis H，etc.The 2011 Horizon Report Austin[R].Texas:The New Media Consortium，2011.

[21]Lin Y J，Kim C M.Professional development for personalized learning（PD4PL）guidelines[J].Educational Technology，2013，53（3）:21-27.

[22]The Bill&Melinda Gates Foundation，the Michael and Susan Dell Foundation，EDUCAUSE，etc.Personalized learning:A working definition[J].Education Week，2014，34（9）:7-8.

[23]Hannafin M J，Land S M.The foundations and assumptions of technology-enhanced student-centered learning environments[J].Instructional Science，1997，25（3）:167-202.

[24][美]R.Keith Sawyer.剑桥学习科学手册[M].徐晓东等译.北京:教育科学出版社，2010:139-140.

[25][32]施良方.学习论[M].北京:人民教育出版社，2001:221-222.

[26][美]戴维·乔纳森等.学会用技术解决问题——一个建构主义者的视角（第2版）[M].任友群，李妍，施彬飞译.北京:教育科学出版社，2007:6-7.

[27]Bandura A.Social learning theory[J].Journal of Organizational Behavior Management，1977，3（4）:55-63.

[28]Roweton W E，Bell-Gredler M E.Learning and instruction:Theory into practice[M].New York:Macmillan，1987:83-84.

[29]Rex Heer.A model of learning objectives based on a taxonomy for learning，teaching，and assessing:A revision of bloom’s taxonomy of educational objectives[EB/OL].[2017-02-08].http://www.celt.iastate.edu/t eaching/RevisedBlooms1.html.

[31]Grant P，Basye D.Personalized learning:A guide for engaging students with technology[M].Melbourne:International Society for Technology in Education，2014:3-4.

[33]武法提，牟智佳.电子书包中基于大数据的学生个性化分析模型构建与实现路径[J].中国电化教育，2014（3）:63-69.

[34]黄海，车皓阳，王悦.驾驭大数据[M].北京:人民邮电出版社，2013: 132-133.

[35]Kardan A A，Ebrahim M A，Imani M B.A new personalized learning path generation method:ACO-Map[J].Indian Journal of Scientific Research，2014，5（1）:17-24.

[36]牟智佳.学习者数据肖像支撑下的个性化学习路径破解——学习计算的价值赋予[J].远程教育杂志，2016（6）:11-19.

[37]姜强，赵蔚，刘红霞，等.能力导向的个性化学习路径生成及评测[J].现代远程教育研究，2015（6）:104-111.

[38]Fotis Lazarinis，Steve Green，Elaine Pearson.Creating personalized assessments based on learner knowledge and objectives in a hypermedia Web testing application[J].Computer&Education，2010，55（4）:1732-1743.

The Reconsideration and Solution of Personalized Learning Theory in the Era of“Artificial Intelligence Plus”

Mou Zhijia
（Research Center for Educational Informatization，Jiangnan University，Wuxi Jiangsu 214122）

Personalized learning is the advanced stage of the deep integration of technology and education.The return of artificial intelligence technology,which regards machine learning and deep learning as the key support,has remodeled and reconstructed personalized learning.In the era of“artificial intelligence”,personalized learning should have the theoretical support of“one center and three orientations”that is learner centered and the goal,the process and the evaluation oriented.The characteristic of personalized learning include three levels which including mind analysis,service differentiation and goal orientation.It’s essential to grasp learner’s mind characteristic for personalized learning.Based on that,the content,activities,path and evaluation that meet individual needs should be provided for the whole learning process.Ultimately,we hope to achieve self-oriented meaningful learning in the learning objective and cultivate the core literacies of independent development in the growing objective.The establishment of personalized learning service should include the support of intelligent education cloud service platform which is based on artificial intelligence technology and three service directions which contain personalized learning content recommendation based on demand,personalized learning path generation based on competency,personalized learning evaluation based on mastery.

“Artificial intelligence plus”era;Artificial intelligence technology;Learning behavior;personalized learning; Mastery learning;Educational cloud service

G420

A

1672-0008（2017）03—0022—09

2017年2月28日

责任编辑：陈 媛

本文系中央高校基本科研业务费专项资金资助课题“‘互联网+’环境下的理解性学习与认知研究”（课题编号：2017JDZD07）研究成果。

牟智佳，博士，江南大学人文学院讲师，主要研究方向是新媒体学习技术与学习分析等。