在线教育众筹的技术机制与学习神经元

杨开城　李通德　惠治儒　田浩

摘要：在线教育已经成为终身教育背景下的主流教育形式之一。成功的在线教育必然是那种实现了基于知识产品的、长期稳定的、以学习者为中心的个性化教育服务。由此，在线教育的知识产品开发必然要追求模块化、可定制、快速进化等特点。但目前在线教育的产品模块化没有真正达到可聚合的水平，也没有达到可定制和快速进化的水平。摆脱这些困境的办法之一是教育众筹，即由大众中的能手创建可聚合的知识产品模块，由专业团队将它们组装成高质量的在线课程并提供学习支持服务。这需要在线教育产品开发模式与产品技术机制的革新。学习神经元（Learning Neuron，简称LN）是一种能够提供富交互学习情境、旨在完整达到特定学习目标、可记录学习过程、可识别学习行为的可互联微型学习系统。它具有知识建模图属性，可实现跨平台互联聚合；它在客户端设有学习行为感知器，在服务器端设有学习分析引擎，可以解决学习分析和定制的问题。将学习神经元作为基础模块，在技术机制上可实现在线教育的众筹，以形成快速进化的状态。我们开发的一个简单学习神经元，初步检验了这种技术机制的可行性。

关键词：在线教育；教育众筹；技术机制；学习神经元；学习分析

中图分类号：G434 文献标识码：A 文章编号：1009-5195（2017）01-0051-08 doi10.3969/j.issn.1009-5195.2017.01.007

一、在线教育的实践困境

随着互联网越来越成为人们日常生活的一部分，在线教育也越来越发展成为一种不可替代的主流教育形式。可是，目前人们却总是将线下教育“搬到”线上来“造就”在线教育。这几乎使得在线教育成了在线的线下教育，除了媒体技术所带来的炫酷之外，教学自身与线下教育没有本质不同，沿用了精英教育大众的模式。更糟的是，这种在线教育不但全盘继承了线下教育的某些弱点（比如灌输），同时也无力克服因技术因素导致的弱点（比如缺少人气，只能依赖界面美感吸引人）。其实，在线教育原本可以不如此。

线下教育是组织化的面对面群体活动，多主体同步交互必然形成直接的权力等级关系，这种等级关系所带来的组织化优势是：明晰的目标、稳定的结果和满意的效率。也正因为如此，线下教育情境下，任何媒体产品都只能是教师的工具而无法代替具有完整人格力的教师角色，即使是学习工具，学生也必须在教师的授权下使用。教学中偶发的独立学习活动（协作的或个体的）是教师权力让渡的结果。教育技术领域曾经过于乐观的用媒体代替教师的努力无一成功。作为教师工具的媒体产品，多半只能着重发挥其传播信息和组织活动的功能，必然着眼于以教师为中心的功能设计。所以，媒体产品只能在教师工具的大框架下进行设计，产品的交互设计以及其他技术潜能（快速感知、记录、临场的信息处理，等等）远不是产品生命力的核心。

可是，人类社会已经进入到终身学习的阶段，仅仅靠学校教育远远无法满足这种需求。那些学习欲望强烈的学习者往往也是社会领域中的能动分子，他们对文凭不感兴趣，也不可能再有足够多的时间回到学校学习。现代社会的终身教育只能依赖技术的力量，走向在线教育的形式。

终身学习意义上的在线教育必然是一种市场背景下的教育服务，成功的在线教育必然是那种实现了基于知识产品的、长期稳定的、以学习者为中心的个性化教育服务。但全面实现以学习者为中心的个性化在线教育服务的市场运作，远比做个试验复杂得多。在学习者群体方面，在线教育不可能如学校组织那样通过考试筛选学习者，只能面向所有能付得起学费的学习者。学习者之间个体差异的丰富性要比学校组织中的情况大得多。面对这类学习者群体，要实现个性化的教育服务，一方面必然依赖知识产品自身提供服务的个性化，主要是信息服务的个性化；另一方面依赖学习支持服务的个性化，主要是情感、方法支持的个性化。前者依赖的是自动化产品，属于低成本的市场低端；后者依赖的是人工，属于高成本的市场高端。在线教育不可能完全依赖人工实现个性化，因此在线教育的个性化教育服务必然依赖知识产品自身的功能品质。由此，在线教育自然要求它的知识产品开发实现低成本地快速感知需求、快速生产、快速升级和淘汰，这必然要追求模块化、可定制、快速进化等特点。

模块化的好处是可重用、可组装、易维护，三者紧密相联。可重用越高，用模块组装起来的产品维护成本就越低。国内教育软件产品模块化的显性努力始于黎加厚先生提出的“以不变（积件）应万变（教学实际）”的“积件”思想（黎加厚，1997）。所谓积件（Integrable Ware），是构成课件的基本教学元件，是基于某一知识点的微教学单元、教学素材或微教学策略等。人们能根据教学需要对它们进行编排、组合和应用，生成具有一定教学功能的多媒体教学程序（刘晓雪等，2004）。但与美国业界提出的学习对象（Learning Object，简称LO）概念相比，积件思想过于简单。积件没有标准元数据以及包装格式的定义，本身不能与教学系统交换信息，不能记录学习的过程（余胜泉 & 杨现民，2007）。

学习对象的概念在国内外影响甚大，它是指任何具有可重用特性并用来支持学习的数字化资源。人们为学习对象定义了完备的内容聚合规范，比较典型的应用是SCORM标准中的内容聚合模型（CAM）。以内容聚合规范为基础，理想的学习对象理论上能实现易检索、可共享、可聚合、可重用、可定制、跨平台等特性（胡小勇等，2002）。后来IMS又开发了学习设计规范（IMS Learning Design，简称IMS-LD），这使得采用学习设计的学习对象可摆脱P2C（People to Content）的学习方式、缺乏学习过程控制、无法实现教学策略和智能性等缺点（余胜泉 & 杨现民，2007）。在国内，余胜泉教授提出的学习元概念模型以及相应的平台是IMS-LD规范的良好应用。通俗来讲，学习元是在学习内容的基础上附加一定的语义描述信息、生成性信息、格式信息、学习活动和KNS（Knowledge Network Service）网络的新型学习资源（余胜泉 & 杨现民，2007）。学习元在保持了学习对象诸多特征的基础上，又增加了生成性、开放性、联通性、内聚性、可进化发展、智能性、微型化、自跟踪等八大特点（程罡等，2009）。以上这些研究为在线教育知识产品的模块化积累了相当多的经验。

但目前的模块化实践仍没有真正达到可聚合的水平，特别是无法做到跨平台的聚合。构建模块的根本目的就在于可组装、可聚合成更高级的东西。但是目前人们普遍考虑的是知识产品自身构成的模块化，这是软件工程的常识。作为知识产品自身，人们很少再将它看作是模块。目前只能做到利用标签进行检索，然后再人工分析、选择和改编以实现聚合，体现不出学习对象的可聚合性。在线教育领域，独立开发的最大产品除了平台就是课程，课程目标内容很多，人们常常把它做成大而全的产品，而不是先做成多个独立的模块再组装。在某种程度上说，目前的在线教育实践并没有对学习对象的可聚合性提出实质要求。

如果说模块化是面向产品开发的工程特性，那么定制服务则是面向学习者的功能特性，即及时感知和分析学习者的个体差异实情，并据此为他们提供个性化的教育服务。其中，稳定的人格特征可以通过心理测量量表获得，但其他方面的特性只能通过分析学习者在学习过程中的表现来测量。这个过程就是学习分析。

目前学习分析研究处于割裂的状态，形成了独立的行为分析和独立的学习内容分析两个领域。在线学习情境下，行为分析是指将师生媒体之间的交互过程转化为（言语）行为动词序列，试图以此发现某些规律。但这种分析方法在编码体系和科学性水平方面具有明显缺陷（丁莹 & 杨开城，2012）。至今这种分析方法也没有发现什么规律。这是因为这种学习行为分析只是学习情境下的行为分析，我们要么无法区分学习行为与其他行为，要么所面对的就是非学习行为，更多地是不直接具有学习含义的人机交互行为。学习=学习行为+学习内容。而学习行为与学习内容存在互赖关系，离开了任何一方，都难以对另一方有完整的理解。行为动词编码去除了学习内容，因而无法完整地描述学习。

内容分析普遍采用基于知识图的数据挖掘方法考察学习者在知识领域的表现，比如学习路径、学习历史或知识生成的状态。但目前所采用的知识图普遍是概念图或知识本体图。由于这种图对知识体系的表征能力有限，而且在性质上是语义图，我们很难制定针对语义的绘图规范（比如对于两个结点在什么情况下选择什么语义名称），因此基于概念图或知识本体图进行学习内容分析，似乎在技术上是可行的，却只具有“演示”的意义，其广泛的实用性是很可疑的。人们没有料到，基于语义图并不能在普适意义上实现语义聚合。

除了上述割裂状态，学习分析领域研究还有下面两点被严重忽视了：

第一，学习分析与产品设计是割裂的。在知识产品设计之初，并没有考虑到学习分析对源数据的实际需要（除了记录交互过程），而后期的学习分析只能依赖人机交互日志数据，分析结果自然很难符合个性化学习支持服务的需求。这类学习系统很容易记录学习者的交互操作，即各种键盘输入、鼠标点击和拖动以及这些操作发生的功能模块。但交互操作不直接等于学习行为，因为离开了特定的学习内容和情境，我们不清楚交互操作的教学意义或学习意义。换句话说，学习行为的感知是内嵌于学习内容和学习过程的。如果要直接收集学习过程数据，就需要在学习环境中埋设学习行为感知器。

第二，学习分析的主旨偏离。学习分析的主旨不是事后对学习结果孤立的评价、反思，而是考察事实上的学习结果与目标的差异以及这个差异是如何在过程中积累而成的。换句话说，学习分析对于在线教育来说，实际上就是搞清楚学习者的学习过程与理想的学习过程的差异，在差异处寻求个性化的支持服务。

总之，目前由于学习分析研究的滞后，在线教育的产品定制无论是理论还是实践，都远远不能满足需要。

初步的模块化和无法定制，使得在线教育的知识产品难以实现快速进化。大而全的知识产品，在功能性能上大同小异且数量有限，因此无法形成优劣竞争局面；再加上在线教育处于发展初期，市场不成熟，仅有的市场反馈无法形成进化压力，自然也就没有进化动力。另一方面，产品开发的技术机制也使得快速进化成本太高。总之，在线教育的知识产品尚难进入令人满意的进化状态。

综上所述，除了初步实现了内部模块化，在线教育基本上没有达到可定制和快速进化的水平。现实情况是：初期精英分子（比如优秀的大学教师或培训讲师）生产平庸的教育产品，经市场洗礼，已经让位于平庸者以精英的姿态去生产平庸的教育产品，经由模板化、标准化导致呆板化，陷入平庸陷阱，最后只能依赖政府相关部门的非投资性资本投入维持，偶尔的革新也只能停留在试验状态，甚至依赖文凭诱惑维持虚假的教育市场。很明显，精英教育大众的方式并不适合在线教育。

二、在线教育的众筹与学习神经元的技术机制

摆脱上述困境需要两个方面的努力：一是产品开发模式上的革新，二是产品技术机制上的革新，二者紧密相联。目标只有一个，摆脱精英教育大众的教育服务模式。

在产品开发模式上，需要做以下几方面的改变：（1）由大众中的能手创建知识产品模块。当然这种模块必须是后面所谈到的可聚合模块，特别需要具有跨平台可聚合的能力。（2）专业团队组装而生成终端产品。专业团队中的课程教学专家将知识产品模块组装成为一门在线课程。（3）依赖专家品评和市场反馈促进进化。组装课程的专家考察模块质量和取舍，并且在市场反馈的基础上决定是否调整课程的模块构成，而能手也可以根据市场反响和专家意见改进他创建的产品模块。这些调整基于模块，成本较低。

总的来说，教育领域中的专业团队将负责课程组装以及学习支持服务，而模块是由大众能手创建的。大众能手人数众多，在利益驱动下，会产生大量、异质的产品模块，这便于形成竞争，生成进化动力 。但要想实现上述产品开发模式，必须从产品技术机制入手，解决下面两个问题：

第一，模块必须具备跨平台互联聚合的能力。这种聚合的目的是形成在线课程，它是一种基于内容的聚合能力。一门在线课程的所有外部媒体表现形式都可以看作它的表层结构，而它所传递的知识网络才是它的深层结构。各模块除了各自具有不同的环境设定、资源配置和交互风格之外，还必须具有教学或学习的知识属性，否则就无法依据它们的知识属性按照课程知识网络的内在要求聚合成在线课程。模块的知识属性可以用知识图来表征，却不能用语义图，因为语义图不但含混而且难以制定规范使之在各个模块之间共享。同一个知识材料，不同主体会提供不同的语义图，并且都可能是正确的。也就是说，如果将语义图作为模块的知识属性表征以实现模块的聚合，做一个演示是可以的，但却不可能在实用层次上实现互联聚合，即使在平台内部，也是难以做到的。因此，模块必须以客观图作为其知识属性。有了客观图作为知识属性，还能够实现模块跨平台自由流动，这是非常重要的一点。也就是说，模块发布保存在哪个平台是没有技术上的差别的。创建者可以选择适合的平台发布他的模块，但不会妨碍模块的检索和聚合。

第二，模块必须具备学习行为的感知与分析能力。由于模块的创建者是大众能手，他们不受任何与模块功能无关的规范约束，他们可以按照自己的个性设计模块。但是除了学习或教学功能外，所有模块必须具有学习行为的感知功能，否则由它们组装而成的在线课程无法感知学生的学习行为，进而无法分析学生的学习行为，也就无法为学生提供个性化的教育服务。感知是基于情境的，因此模块必须嵌入学习行为感知器。最简单地做法是，模块为每个交互元素设置它的学习或教学属性。后期的学习行为分析是基于行为感知数据的，分析算法可以是独立、共享的，不需要事先嵌入模块之中。

此外，这种产品模块要能转变为现实，其开发成本必须很低，所以微型模块是自然要求。学习行为感知以及后期的分析都要求产品模块微型化。模块微型化也可以让创建者将注意力集中于精巧设计，而不是大而全的知识覆盖。如果学习对象规模过大、内容过多、过程过长，交互操作势必极其繁杂多变，其行为感知实现的难度必然很大且准确度必然很低。目前学界谈论微型化的不多。积件和学习元都承诺微型化，但目前来看尚没有实现的强制机制，是自然发生的，这取决于创建者的意图。

为了解决上述问题，我们提出学习神经元的概念：学习神经元（Learning Neuron，简称LN）是一种能够提供富交互学习情境、旨在完整达到特定学习目标、可记录学习过程、可识别学习行为的可互联微型学习系统。

学习神经元系统是客户端-服务器系统。客户端为学习者提供个性化的富交互学习环境，这个学习环境中埋设有学习行为感知器。服务器与客户端通讯，记录存储学习者的学习行为，以供后期的学习分析。学习行为识别与分析在服务器端，由学习神经元客户端指定的学习分析引擎完成（技术机制如图1所示）。

在概念上，完整的学习神经元至少由以下几个部分构成：

一个知识产品模块提供令人满意的学习场景以及其他一些基本的技术配置不是本文的重点。下面阐述学习神经元的关键特征。

（1）知识建模图

知识建模图是一种按照特定规范绘制的知识隶属关系图（杨开城，2010，pp.63-66）。它是基于知识之间的语义联系构建的，但不是语义图。有研究表明，由于特定规范的约束，不同主体针对同一内容所绘制的知识建模图存在令人满意的一致性（赵文娟，2011）。也就是说，知识建模图是客观图。神经元构建者只要遵循知识建模规范为神经元设定知识建模图，神经元之间就可以根据知识建模图的交点建立互联，实现聚合。我们也可以根据这个属性识别学习内容相同或相似的学习神经元。设置学习场景中的学习行为感知器以及后期的学习分析都需要用到知识建模图。

（2）学习行为感知器

所谓的学习行为感知器，就是具有特定功能和教学或学习属性的交互元素（比如按钮、超链接，等等）。这里的学习或教学属性中的知识表征采用知识建模图。当这些交互元素被学习者激活时，这个交互元素负责将属于该交互元素的具有教学或学习含义的信息发送给服务器。比如，某个按钮的学习属性是“某些知识内容的理解”，点击它，该按钮负责将理解水平的知识内容发送给服务器。

（3）学习空间的静态描述

将学习场景中所有的交互元素汇集起来，便构成了该学习神经元的学习空间静态描述。学习空间中包括两类对象，一类是页面，另一类是交互元素。页面是交互元素和其他页面的容器。如果某交互元素包含特定的学习或教学属性，它就是学习行为感知器。学习空间的静态描述是定义理想学习行为的基础。理想学习行为是学习分析的重要参照。

（4）学习分析引擎

学习神经元构建者可以是学习场景的设计能手，却不一定也不必要懂学习分析。学习分析的数据来源虽然是学习场景，但对数据的后期处理必须是独立于学习场景的，也就是独立于神经元建构者的。这个独立的学习分析算法集，我们称之为学习分析引擎。我们可以根据学科、学习活动、资源条件等差异，研发各种学习分析引擎以供学习神经元的构建者选用。每个学习神经元在发布时再指定它所适合的学习分析引擎。

学习分析引擎的开发是高技术含量的活动，所开发出来的分析引擎也一定是模型化的、有限适用范围的。当学习神经元的内容和学习场景过大时，学习分析引擎极有可能失效。因此，为了能够准确感知、识别和分析学习行为，学习神经元必须设计得“小而精”，每个学习神经元不应包含过多的内容和知识点。在某种程度上，学习分析引擎是学习神经元微型化的技术强制力量。

总之，学习神经元是微型学习环境，开发门槛低，大众能手即可开发，辅以知识产权保护和市场利益驱动，便能产生大量的学习神经元产品以形成竞争事态，引发进化；学习神经元具有知识建模图属性，可轻松实现跨平台互联、聚合，专业团队可以将不同平台中的学习神经元组织成一门在线课程。在市场竞争驱动下，优秀的学习神经元以及相应的课程产品脱颖而出。由此，在线教育可形成一种我们称之为“教育众筹”的事态。此处的“众筹”，借用的是经济领域中的“众筹”。经济领域中，众筹是指资本众筹，有意愿者凑个份子，以便使得被资助者做成某件事。这里的众筹是“智慧”众筹，大众能手贡献知识模块，以便组装成高质量的在线课程。在教育众筹事态下，任何人既可以是学习神经元的使用者，也可以是学习神经元的创建者。

三、一个学习神经元原型产品

为了检验上述技术构想是否可行，我们开发了一个极其简单的学习神经元系统，学习内容是大学课程“数据结构”中的“二叉树先序遍历算法”。该学习神经元的知识建模图如图2所示。客户端的具体功能包括复习二叉树的基本概念、观察先序遍历算法的运转过程以及相应的练习（如图3和图4所示）。

从产品界面上，它与一般的CAI课件无异。但这个产品为每个交互元素都设置了学习行为感知器。在概念上，该产品中的交互元素可以按照这个格式来描述：交互元素=（元素名称）（元素ID）（控件）（操作）（功能）[（页面ID）|（内容）（水平）][（内容）（水平）...]]。比如，图3中的“提交”按钮是这样设定的：（提交）（ltree_submit）（按钮）（点击）（交互），意味着用户点击这个按钮是人机交互行为，学习场景会根据提交的答案呈现反馈。再比如，图4中的“下一步”按钮是这样设定的：（下一步）（process_nextpro）（按钮）（点击）（激活知识）（二叉树先序遍历）（理解）（访问根节点）（理解）（访问左子树）（理解）（访问右子树）（理解），意味着用户点击“下一步”按钮时，在试图理解先序遍历算法的过程细节。而图4中的“下一页”按钮是这样设定的：（下一页）（process_next）（按钮）（点击）（页面跳转）（practice），意味着用户点击“下一页”按钮，跳转到其他页面。当然，软件实际运行时，会根据实际情况将交互信息发送给服务器，比如在某种情况下，图4中“下一步”按钮激活的知识只是“（访问根节点）（理解）”。

来自客户端的用户操作数据有很多，激活知识内容的操作只是其中一部分。这个产品根据操作数据的交互类型以及页面停留时间，将符合要求的交互行为定性为学习行为，再将这些学习行为与理想学习行为进行对比（如图5所示）。这里，理想学习行为默认为学习空间的静态描述，即完整地遍历所有页面、点击所有交互元素就是理想的学习行为。理想学习行为是学习分析引擎的一部分。对于更加复杂的学习神经元来说，理想学习行为模型可以是更复杂的表征，甚至是利用人工神经网络算法训练的结果。

这个原型产品初步实现了一个极其简单的学习神经元，焦点用户试用反馈的信息主要集中在客户端学习功能设计方面，感觉与使用一般CAI课件没有差异。服务器端收集到了全部的学习行为数据，与理想学习行为做了简单的对比，统计了页面和知识点的访问次数。这个原型产品并没有在学习分析方面做深入探索，只是初步证明了学习神经元技术机制的可行性。根据已收集的数据，学习分析可以产生更多的结果，比如用IIS图分析法计算知识点激活量在知识建模图中的分布、针对某些指标多用户之间的对比，等等。

四、后期的研究重点

学习神经元系统的开发强调将学习分析与学习设计整合在一起，在客户端埋设学习行为感知器实现学习过程保真存储，为后期的学习过程分析和个性化学习支持服务提供基础数据，而所有这些功能可以广泛实现的关键，是学习神经元具有知识建模图这个属性。有了知识建模图属性，学习神经元可以轻松实现跨平台互联聚合。学习神经元是微型学习模块，可由大众能手创建；基于学习神经元课程产品的聚合以及学习支持服务由教育服务机构的专业教学团队负责；学习分析引擎则由教育领域中的研究机构负责。如此，便能初步形成教育众筹的基本事态。在实践领域实现教育众筹并非易事，不但涉及相应的法律法规、市场运营、人员培训，而且需要在技术方面有所突破。本文关注的是技术层面，其他层面存在未知，但风险不大。技术实现目前承担着最大的风险。技术实现不但需要克服技术上的困难，而且还需要课程开发和教学设计方面的理论进步。在产品层面上，学习神经元的管理平台和搜索引擎将是研究的重点；在技术层面上，基于特定学科类型和活动任务的学习神经元的学习分析引擎的开发将是研究的重点；在理论层面上，基于学习神经元的课程开发理论框架和技术规范、教学设计技术规范将是研究的重点。

参考文献：

[1]程罡，余胜泉， 杨现民（2009）.“学习元” 运行环境的设计与实现[J].开放教育研究， （2）： 27-36.

[2]丁莹，杨开城（2012）.教学分析方法的对比研究[J].现代教育技术， （9）：12-17.

[3]胡小勇，祝智庭（2002）.学习对象——网络教学技术的新理念[J].电化教育研究， （4）： 22-28.

[4]黎加厚（1997）.从课件到积件： 我国学校课堂计算机辅助教学的新发展[J].电化教育研究， （4）： 10-14.

[5]刘晓雪，李远蓉（2004）.重新认识积件理论[J].电化教育研究， （5）： 23-27.

[6]杨开城（2010）.教学设计——一种技术学的视角[M].北京：电子工业出版社.

[7]余胜泉，杨现民（2007）.辨析“积件”“学习对象”与“学习活动”——教育资源共享的新方向 [J].中国电化教育， （12）： 60-65.

[8]赵文娟（2011）.知识建模技术的一致性研究[D].北京：北京师范大学.

收稿日期 2016-10-23 责任编辑 汪燕