大数据背景下自适应学习个性特征模型研究*——基于元分析视角

菅保霞姜 强赵 蔚李勇帆

（1.东北师范大学 计算机科学与信息技术学院，吉林长春 130117；2.湖南第一师范学院 信息科学与工程学院，湖南长沙 410205）

大数据背景下自适应学习个性特征模型研究*
——基于元分析视角

菅保霞1姜 强1赵 蔚1李勇帆2

（1.东北师范大学 计算机科学与信息技术学院，吉林长春 130117；2.湖南第一师范学院 信息科学与工程学院，湖南长沙 410205）

技术作为人的存在方式，正在促使教学模式和学习方式发生深刻变革。大数据时代，在学习分析、人工智能、机器学习等新兴技术支持下,自适应学习系统有助于学习者进行差异化学习，促进教育向个性化迈进。基于文献的元分析视角，对知识水平、错误/误解、情感、认知特征以及元认知能力等个性特征进行分析，并对覆盖法、基于认知理论建模、基于约束的模型、模糊逻辑技术、贝叶斯网络和本体技术等建模方法进行解读。同时，采用适切的建模方法构建学习者个性特征模型，并以“自适应课件导学系统（AC-ware Tutor）”为例，解析学习者模型的运行机制。从而有助于提供精准的个性化学习服务，提高教育质量。

大数据；自适应学习；学习分析；人工智能技术；个性特征模型；元分析

一、引言

教育是一种“成全”，帮助学生发现并充分发展自己的潜能，以促进其个性全面、自由地发展，使之成长为独一无二的自己。大数据时代，技术将教育过程中的一切行为转化为教育数据，有助于观察每个学生的表现，促使教育研究从宏观群体走向微观个体，有利于教学的“量体裁衣”，实现数据驱动个性化自适应学习。

2012年，美国在《通过教育数据挖掘和学习分析促进教与学》报告中指出，“在大数据与云计算支持下，国际信息教育技术发展的核心趋势是个性化学习”[1]。美国“2016国家教育技术计划”——《为未来做准备的学习：重塑技术在教育中的角色》也强调基于大数据分析开展个性化学习。

我国在《教育信息化十年发展规划（2011-2020年）》中明确指出，“要建设信息化环境，为每位学生提供个性化学习服务”。教育部《教育信息化“十三五”规划》中也提出，“网络学习空间建设应满足个性化学习需求，实现‘一生一空间、生生有特色’”。何克抗在 “2016首届教育大数据国际论坛”中强调，在“大数据”背景下，借助教育数据挖掘（Educational Data Mining，EDM）和学习分析技术（Learning Analytics，LA）采集和处理学习行为和过程数据，可以预测学习者的学习趋势，帮助教师优化教学策略，实现教学的智能决策、智能实施和智能评价，促进教学模式向个性化教学方向转变。

自适应学习的本质是个性化，同时，自适应也是实现个性化学习的有效方式，以学习者个性特征为基础，适应个性发展的自适应学习越来越受到教育界关注。顾明远指出，“人是有差异的，为不同学习者提供相应的教育才是最大的公平”。

美国新媒体联盟《地平线报告》也多次指出，自适应学习是高等教育信息技术发展的趋势。美国高等教育信息化协会（EDUCAUSE）发布的《2016教与学的关键问题报告》中提到，教与学的焦点不是先进的技术，而是学习者本身及如何应用技术提供个性化的学习体验，自适应学习技术可以为学习者提供个性化学习服务[2]。祝智庭认为，随着教育大数据和数据科学的快速发展，个性化自适应学习将成为教育技术新范式及智慧学习环境的重要组成部分，有必要对其开展系统而深入的研究[3]，何克抗对此观点给予了肯定[4]。在大数据的支持下，自适应学习研究将促进教育从“经验主义”走向“数据主义”和“实证主义”，为教育研究提供了可靠的科学依据。

二、关于自适应学习

自适应学习是指根据学习者的知识能力、认知风格等特征自动安排学习活动和最佳学习内容，并通过对学习者互动的持续分析（如，当前的行为与答案、过去的成绩、现在的有效状态）提供适合每位学习者的独立帮助（如，暗示和指导），从而促进学业进步。自适应学习系统 （Adaptive Learning System，ALS）主要从内容、评估和序列三个方面提供适应性支持，借助多种技术挖掘并分析学习者的行为数据，实时调整学习内容、知识评估方式和知识序列，满足学习者的个性化需要。

其中，自适应内容系统（如，CogBooks、Geekie）通过分析学习者回答问题的具体表现，如，学习者自信度、问题回答正确率、完成练习所用时间、对学习目标的熟悉程度、学习相似内容的表现等，为其提供匹配的学习资源、内容反馈或线索提示。自适应评估系统（如，Knewton、Dreambox、Claned、Volley Labs）主要用于知识测试，根据学习者回答问题是否正确，自动调整测评标准。系统利用自适应评估工具进行测试时，若学习者连续做对或做错多个题目，系统将根据其表现及时调整测试题的难度。学习序列自适应系统（如，CK-12、McGraw-Hill、Lilwil）利用一定的算法和预测性分析手段，实时收集学习者的学习表现数据，并以学习目标为依据，适应性调整学习内容的推送顺序[5]。

斯坦福大学在其发起的“人工智能研究100年”项目中指出，以人工智能技术（如，深度学习、自然语言处理等）为基础的自适应学习系统，能够对学习者的学习投入量、学习行为及效果进行分析，并给出个性化教学干预，真正做到“因材施教”，提高学习者学业水平，进而提高教育质量、促进人的个性化发展[6]。

以人工智能为基础的ALS，通过构建领域知识模型、教学法模型和学习者个性特征模型，来获取学习行为和学习过程数据，实现其量化分析，改变人类的教育方式。其中，领域知识模型包含与学习目标相关的一系列不同类型的学习材料，及逐步构建的知识图谱；教学法模型利用人工智能技术，深度模拟优秀教师的教学过程及策略，根据学习者能力水平、偏好等特征，为其提供匹配的知识内容及学习序列；学习者个性特征模型借助EDM和LA等技术，实时量化和推测学习者的知识能力水平、学习偏好和需求等信息，为自适应学习的实现提供依据。

ALS整合计算机科学、认知科学、数据科学、学习心理学、教育测量学等理论与技术，为学习者提供大规模的个性化学习指导。个性特征模型是ALS的核心组成部分，也是ALS支持适应性学习的根基。鉴于此，我们基于文献的元分析视角，结合团队的“个性化自适应学习”研究成果[7]，对影响学习过程和效果的主要个性特征进行分析，找出与个性特征相匹配的建模方法，重点构建自适应学习个性特征模型，并设计与分析系统原型。

三、个性特征模型的构建方法

在大数据时代，在线学习若要满足学习者个体的学习需求，需精准识别其个性特征。运用恰当的技术构建个性特征模型，能够实时获取学习者的学习状态，有效支持个性化学习。个性特征模型构建方法有覆盖模型、铅板模型、摄动模型、机械学习技术、基于认知理论的模型、基于约束的模型、模糊逻辑技术、贝叶斯网络和语义网本体模型等。其中，覆盖模型和铅板模型是最常见的建模技术。

覆盖模型由Stansfield等人提出，是一种常用于描述用户对每个概念的知识水平的方法。在利用覆盖法构建学习者的知识水平模型时，领域知识模型表示某一学科的专家水平知识，学习者模型则被视为领域知识模型的子集。铅板模型由Rich引入到GRUNDY系统中来构建用户特征模型，其核心思想是将ALS中所有潜在用户按特定特征分组聚类，每一组就是一个用户铅板。摄动模型和基于约束的模型均以学习者的错误／误解为基础进行建模。摄动模型又叫偏差模型，是覆盖模型的延伸，该模型研究者认为，学习者的知识不仅包括领域专家所具备的部分知识，还包括学习者可能产生的错误知识。

ALS可利用摄动模型对学习者进行诊断与推理，自动识别学习者的错误并推断错误的原因，进而为其提供合适的学习材料和反馈等，及时纠正学习者对知识的错误理解。基于约束的模型是由Ohlsson提出的，该模型的研究者将领域知识视为一组标准化的约束规则。学习者在学习时所产生的错误，可表示为学习者解决某一问题的规则与该问题的标准约束规则之间的差距，系统根据标准约束规则迅速判断学习者的错误并给出纠正策略[8]。

机器学习技术是人工智能的核心，大数据的爆发为机器学习技术的进化提供了充足“养料”，使其获得更多的训练资料。机器学习通过归纳和统计等方法进行建模与推理，实现数据挖掘和自然语言处理等。在教育领域，ALS可借助机器学习技术观察和归纳学习者的行为活动过程，挖掘学习者知识水平、情感状态等个性特征数据，辅助个性化学习。

类神经网络技术是对机器学习技术的应用，它是一种模拟人脑中信息在“神经元”间传递过程的计算模型，是一种基于经验学习的非线性信息处理技术。模糊逻辑是美国逻辑学家Zadeh提出的利用模糊集合来研究模糊性问题（如，思维、语言形式及规律）的技术，可用于处理学习过程中和学习者诊断时因不精确的数据和人的主观判断而产生的不确定性问题。

贝叶斯网络是基于概率进行不确定推理的有向无环网，用于描述和推测学习者不确定和不完善的个性特征。在构建学习者贝叶斯网络模型时，各节点代表知识水平、情绪状态、学习风格、动机等不同特征。贝叶斯网络因其可将知识图示化描述，并具有强大的基于概率的不确定性推理能力而备受青睐。

在大数据时代，如何高效准确地检索信息以解决“信息迷航”、“信息过载”问题至关重要。语义网本体模型从“词”本身的概念出发，查找其相关内容，并以直观图式化的方式表示概念及概念间关系，搭建起学习者、机器、应用程序对同一概念共同理解的桥梁，解决知识重用问题。基于语义网本体的学习者个性特征模型因重用简单、设计工具易获得、兼容性强而广泛应用于知识共享、智能信息检索和信息集成等方面[9]。

此外，ALS需充分考虑有效教学策略和心理学理论等来促进教学目标实现。ALS中教学策略选择以个性特征为基础，借助认知理论反馈到学习者特征模型中以调节学习过程。认知理论既可用于构建学习者认知特征（如，知识、注意、学习能力、理解能力和记忆能力等）模型，也可用于构建学习者情感状态和动机特征模型。

人类合情推理理论 （Human Plausible Reasoning，HPR）、OCC情感认知理论以及“控制—评价”理论等常用于构建学习者个性特征模型。基于认知理论构建的学习者个性特征模型，设法获取人类思考和理解的过程与方式，有助于推测学习者行为，使ALS的推理与预测更加个性化、人本化。

四、自适应学习个性特征模型的构建

教育大数据发展的最终目标是回归教育本质，实现“因材施教”。“一刀切”式的统一教学模式最大的弊端是忽略了学习者个体差异，分析学习者个性特征（主要包括知识水平、错误/误解、情感特征、认知以及元认知能力等，如图1所示）是实现自适应学习的前提条件，应用合适的技术构建个性特征模型，有助于ALS提供精准、个性化的学习服务。

图1 自适应学习个性特征

（一）知识水平

知识水平不仅包括学习者对某一知识领域当前知识的掌握水平，也包括对先前知识的掌握水平，是最基本的学习者个性特征，也是学习效果最直观的体现。ALS通常借助学习目标分类法，通过提供相应的练习和测试估算学习者对每个知识点的认知水平，调整学习内容的难度和顺序，为其创建独特的学习路径。

覆盖模型因其能够独立描述学习者对每一个概念的认知水平，常被用于构建知识水平模型。学习者知识水平覆盖模型，要求ALS领域知识模型对每一个概念进行详细描述。所以，其复杂程度取决于领域模型中知识概念的精细化程度及其对学习者知识水平的估测能力。

目前，采用覆盖技术构建学习者知识水平模型的学习系统有 WILEDS、MEDEA、InfoMap、TANGOW、DeLC、LS-Plan、PDinamet等。其中，InfoMap系统应用覆盖模型估测学习者基础计算水平；PDinamet系统利用覆盖模型获取学习者物理知识水平，为其提供更加合适的学习资源[10]。

AUTO-COLLEAGUE、Wayang Outpost、CLT等系统应用铅板模型构建知识水平模型。AUTO-COL-LEAGUE是关于统一建模语言 （Unified Modeling Language，UML）的协作学习环境，该系统用铅板模型获取学习者对UML知识的掌握程度[11]；Wayang Outpost用于帮助学习者解决SAT和州立考试中可能遇到的数学问题，该系统应用铅板模型估计学习者数学知识水平，并找出影响学习行为的认知因素，为学习者提供适切的反馈与指导[12]；C++学习系统CLT中也运用铅板模型构建知识水平模型。此外，EER-Tutor应用基于约束的模型估测学习者对概念数据库设计知识的掌握程度[13]。

知识本身及学习者理解知识的过程均具有较强的隐蔽性，学习者知识水平模型构建，易受学习者主观推理等不确定因素的影响。English ABLE、TELEOS、AdaptErrEx、INQPRO等学习系统，利用贝叶斯网络技术降低不确定性的影响，提高知识水平测试的准确性。其中，English ABLE借助贝叶斯网络技术获取学习者对英语语法知识的理解程度[14]，INQPRO借助贝叶斯网络测算学习者知识水平，估计学习者是否具备科学探究能力[15]。SimStudent和AIWBES系统利用机器学习技术采集学习者行为数据，并自动推测其知识水平[16]。

随着ALS智能化程度的提高，系统知识库越来越庞大，数据处理难度不断增加，部分系统应用本体技术构建学习者模型，以精确测定学习者的知识水平。例如，MAEVIF和SoNITS系统均采用语义网本体技术构建学习者知识水平模型[17]。赵蔚团队提出了用户模型的本体设计参考规范，并在此基础上开发了基于知识水平和学习风格的自适应学习系统[18]。

ALS亦可整合不同建模技术，以构建基于知识水平的学习者模型。Web-Easy Math和GIAS系统将铅板模型与机器学习技术相结合构建学习者模型，估测学习者的知识水平。ICICLE系统将覆盖模型与铅板模型相结合，判断学习者对各单元语法规则的掌握程度，并预测学习者在不同情境中可能使用哪些语法规则。DEPTHS和FuzKSD系统将覆盖模型、铅板模型和模糊逻辑技术组合，构建学习者知识水平模型，将学习者对某一主题知识或概念的熟练程度按非常不熟练、不熟练、熟练、非常熟练四个等级表示，以描述其知识水平。AMPLIA系统将贝叶斯网络技术与认知理论组合，构建学习者知识水平模型。OPAL和IWT系统将覆盖模型与语义网本体技术组合，估测学习者的知识水平[19]。

随着大数据挖掘技术的深入发展，机器学习和深度学习等技术极大地提高了ALS的自适应能力，谷歌（Google）研发的AlphaGo先后战胜围棋名将李世石及柯洁，再次掀起以机器学习、深度学习为主的人工智能技术应用于教育领域的讨论热潮。朗播网推出的自适应英语学习系统TOEFL Online 3.0，利用机器学习技术构建学习者能力模型，实时获取学习者的知识水平，为其定制动态的学习计划[20]。

K-12教育机构在其开发的智能自适应学习系统中，同样利用机器学习技术构建知识水平模型，实时测评每个学习者当前知识点和相关知识点的能力水平，进而为学习者推荐合适的学习内容[21]。

（二）错误/误解模型

在学习过程中，引起学习者产生错误的因素众多，学习者可能因为尚未完全掌握知识点的规则而犯错，也可能因测试时的紧张、注意力分散等因素而回答失误。不同于基于知识水平的个性化学习内容推送，ALS构建学习者错误/误解模型的目的，是准确识别学习者的错误／误解并分析其原因，从而提供及时的错误纠正策略，促进知识的真正内化，以提高学习者的学习效率。ALS既可通过日志挖掘等方法获取学习者行为数据，以辨别其错误／误解，亦可通过测验来辨别。

摄动模型是最常用的构建学习者错误／误解模型的方法，ALS中通常存在存储学习者错误及其相应矫正策略的错误库，系统在获取学习者的错误后，迅速与错误库内容匹配，识别错误类型，找到对应的矫正策略，及时给予学习者反馈。错误库可分为枚举型和生成型两种：枚举型错误库是系统设计者和领域专家根据经验判断学习者可能出现的错误而确定；生成型错误库则是系统以学习者行为表现为依据，自动探测并收集学习者在学习过程中产生的错误而逐渐形成。例如，远程学习系统LeCo-EAD采用内含枚举型错误库的学习者摄动模型，估测学习者的知识水平和误解程度，为学习者提供个别化辅导；数学计算法则学习系统InfoMap应用枚举型学习者摄动模型获取误解水平，推理学习者的可能错误，为其提供详细的错误纠正策略[22]。

此外，F-SMILE系统借助铅板模型和人类合情推理理论，分析电脑初学者在学习文件存储时产生错误的原因，给出相应的问题解决步骤。Goel等人利用模糊模型，对由学习者与计算机交互产生的不准确信息导致的错误进行推理，并对学习者犯同类错误的可能性作出预测[23]。

智能计算机辅助语言学习系统ICALL通过构建用户铅板模型提高用户瑞典语学习的能力，该系统按学习者使用瑞典语的语法、语音、词汇和语句错误对学习者进行分类，根据用户需求与反馈为其提供个性化服务[24]；Java编程语言教学系统J-LATTE应用基于约束的模型诊断和分析学习者的编程错误[25]；AdaptErrEx系统运用贝叶斯网络技术构建学习者错误模型[26]。

（三）认知特征

认知特征是最复杂且难以测量的学习者个性特征之一，它能充分体现不同学习者认识外界事物的特点，并随着学习者的成长而动态变化。学习者认知特征包括：记忆、理解、知觉、学习风格和偏好、协作能力、问题解决能力、决策能力、分析能力、批判性思维等。其中，学习风格影响学习者对学习资料的感知、收集和加工处理方式，是影响学习行为和效果的最主要认知特征。例如，视觉型学习者喜欢图形化学习材料，听觉型学习者则偏好音频资源；场依存型学习者喜欢小组学习，场独立型学习者则认为独立学习效果更佳。学习者的学习风格和偏好影响ALS中知识描述的抽象程度、学习内容的序列和呈现方式等。

因此，ALS常基于学习风格和偏好构建学习者模型以提供个性化学习内容和活动形式，从而提高学习参与度、改善学习效果、增强学习者的满意度。大多数ALS采用 Felder-Silverman学习风格量表（Felder-Silverman Learning Style，FSLSM）或 MBTI（Myers-Briggs Type Indicator，MBTI）量表测量学习风格。FSLSM将学习者的学习风格分为四大维度八种类型，即：沉思型与活跃型、直觉型与感悟型、言语型与视觉型、综合型与序列型；MBTI将学习风格分为外向型、内向型、感觉型、直觉型、思考型、情感型、判断型和知觉型八类。ALS对学习风格和偏好的测量分两个阶段完成：第一阶段是在用户注册时以问卷的形式进行初步测量；第二阶段是在学习过程中，借助基于学习风格的学习者模型实时测量与更新[27]。

铅板模型是最常用的构建学习风格和偏好模型的方法，系统根据学习者在注册时填写的问卷信息初步判断其学习风格，并划归到相应的铅板类型中，在学习开始时，根据初始铅板类型为学习者提供相应的学习内容和活动；在学习过程中，分析用户交互数据，并调整用户学习风格铅板类型。例如，关注个性化交互的网络教育超媒体系统INSPIRE利用铅板模型获取学习者学习风格信息[28]；Glushkova等人借助铅板模型动态获取学习者在学习过程中的偏好、习惯和行为[29]；WELSA系统利用学习者学习风格和偏好铅板模型实时调整学习内容和结构[30]。

Samar Alkhuraiji等人在其研发的学习管理系统中，应用贝叶斯网络技术构建学习者学习风格模型，实现符合学习者学习步调的个性化学习内容推送[31]。自适应超媒体系统AHA!应用学习者偏好和风格覆盖模型给予学习者相应的教学指导[32]。Crockett等人在会话式ALS中，使用模糊逻辑技术预测学习者的学习风格[33]。Oscal CITS系统也应用模糊逻辑技术，以学习偏好和风格为依据，为学习者提供适合的SQL语言学习教程[34]。

GIAS系统利用铅板模型和机器学习技术，依据学习目标、知识水平和学习风格为学习者提供合适的课程主题和学习资源[35]。Lo等人在其个性化自适应学习系统中，应用类神经网络技术收集学习者的浏览行为，识别学习者的认知方式[36]。张剑平和陈仕品应用铅板模型和多重覆盖模型，构建基于学习风格和认知状态的学生模型[37]。袁度乐利用贝叶斯网络方法开发了基于学习风格和兴趣的个性化学习系统，实现了学习风格模型动态更新和学习资源个性化推荐。

除学习风格和偏好外，批判性思维、创造性与问题解决能力、自我认识与自我调控等认知特征，已成为21世纪公民所必需的“核心素养”。ALS通过构建基于问题解决能力、思维方式等认知特征的学习者模型，促进学习者核心素养的提升，是未来教育的发展方向。Andes系统利用贝叶斯网络技术，为学习者提供长期知识评估、计划识别等，并预测学习者问题解决能力和其他认知特征。

英语语法知识学习系统Web-PTV将铅板模型和机械学习技术相结合，测量学习者在语法练习时的细心度，从而培养学习者良好的学习习惯。FCBR-DHTS系统应用模糊逻辑技术和铅板模型，分析学习者的认知特征，估测其对历史文本材料的理解能力[38]。Pexa和Sossa应用本体技术构建学习者模型，获取学习者的知识水平、个人品质、学习倾向等特征，为其提供合理的学习材料[39]。Mahnane等在其自适应超媒体系统AHS-TS中应用铅板模型，对学习者进行分类，并通过调整课程内容的呈现，以适应学习者的个性化思维方式[40]。

（四）情感特征

情感是人对外部刺激的主观体验，一般会伴随表情、动作或心率、血压、脑电波等生理指标的变化而产生，因此，可以根据学习者外部或内部细微变化来判断其某一时刻的情感状态。当前，大数据支持的在线教育平台或应用程序关注的焦点，仍是学习者知识水平和能力的提高，却往往忽略学习者的情感状态。

事实上，学习者的学习效率与其情感状态紧密相关，而且情感状态一般与深层次的动机因素有关。在真实的课堂中，经验丰富的教师和专家注意观察学习者的情感状态，并给出相应的反馈以激励学习者的学习。学习者的情感状态包括：愉快、兴奋、专注、热情、悲伤、生气、焦虑、恐惧、厌烦、沮丧、注意力分散、困惑、疲倦、冷淡等。积极的状态如愉快、专注等能促进学习；而消极的状态如厌烦、疲倦和注意力分散等会对学习过程产生消极影响。因此，ALS需要借助不同技术方法，来监测学习者的情感状态并给出恰当的教学干预，以提高学习者参与学习活动的积极性、增强学习的有效性。

学习者个性特征模型构建技术常与认知理论、教学理论以及心理学理论相结合，共同促使系统及时识别学习者的情感状态。OCC情感认知理论是构建学习者情感状态模型的重要依据，如，Conati和Zhou为促进教育游戏的发展，基于OCC理论构建情感特征模型，以监测学习者的情感状态、提供更加愉悦的用户体验[41]；虚拟现实教育游戏 VIRGE采用OCC理论来推断学习者学习情感信息；移动医学导师系统MMT（Mobile Medical Tutor）同样基于OCC理论，来构建医学导师代理的潜在情感状态模型[42]。

Alepis等人曾在其研发的移动教学环境中，基于多准则决策理论来识别教师和学习者互动时的情感信息。Conati和Mclaren应用贝叶斯网络技术和OCC理论构建用户模型，识别不同学习者在交互过程中的情绪状态。基于情感的游戏型物理知识学习系统PlayPhysics，以贝叶斯网络技术和情感“控制—评价”理论为基础，识别学习者情感状态，判断其学习成就感高低，进而调整学习活动、提高学习参与度[43]。Cetintas等人利用机器学习技术自动检测学习者行为、推测其情感状态，并预测学习者何时会“开小差”[44]。Inventado等人在POOLE III系统中，采用贝叶斯网络技术和机器学习技术，构建基于挫折和兴奋等情感特征的学习者模型[45]。

此外，基于游戏的学习环境Crystal Island利用贝叶斯网络技术，预测学习者情感状态以调节学习过程和增强学习动机。超媒体开放式学习环境MetaTutor，利用机器学习技术获取学习者眼动数据，预测学习者对所学内容的厌倦感或好奇心[46]。

（五）元认知特征

元认知即个体对自身认知活动的自我意识和调节，可以使学习者认识到自己的知识和技能水平，并对自身学习过程进行监测和调节。学习者的元认知能力是指学习者能认识并控制自己的思考过程，选择自己的学习目标，恰当运用当前的或先前的知识，并选择恰当的问题解决策略等。元认知强调学习者的主动性，元认知能力包括：自我反思、自我意识、自我监控、自我调节、自我解释、自我评价及自我管理等，它能促进学习者更加积极地参与学习过程并进行自我反思，有助于知识的内化与迁移，从而提高学习效率，改善学习效果。

学习者的元认知能力不易观察、不易获取，通常需借助一定的技术手段和辅助设备来外显化。目前，在ALS中基于元认知能力构建学习者模型，还是一个较新的研究领域，仍处于理论研究阶段，但已有一些研究者开始尝试构建基于元认知能力的学习者模型。

Wayang Outpost系统通过学习行为数据挖掘来识别与学习者元认知有关的行为。Ting等人基于贝叶斯网络模型，获取学习者在科学探究学习环境中的学习参与度[47]。Liaw和Huang调查研究了在elearning环境中学习者的自我调节情况，并设法找出影响学习者自我调节的因素[48]。韩建华也在分析国际典型ALS系统和学习者元认知策略基础上，提出了ALS元认知能力模型[49]。加拿大英属哥伦比亚大学研究团队将基于神经科学和信息技术的神经反馈测试整合到其开发的智能学习系统中，通过获取“刺激—反应”数据来判断学习者的元认知水平，从而为学习者提供更加个性化的自我学习调节策略。

五、自适应课件导学系统（AC-ware Tutor）原型

AC-ware Tutor（Adaptive Courseware Tutor）是一个能够实现课件内容个性化自适应调整的学习系统原型，系统借助布鲁姆知识分类、贝叶斯网络和铅板模型等构建知识水平模型，精准获取学习者现有的知识水平，确定课件所应呈现的内容及难度，从而实现课件内容的自动生成、动态选择与排序以及测试问题的自动生成等。其中，课件的自动化生成是指系统以领域知识本体为基础，自动生成学习和知识测试所需的课件内容；课件内容的自适应选择、排序和呈现则依据学习者铅板模型，借助概念间关系陈述模板和问题模板完成。

AC-ware Tutor运用本体技术对知识概念进行可视化表示，为更清晰地描述领域知识（Domain Knowledge，DK）中包括的概念及概念间关系，原型将DK定义为三元组（K1，r，K2）的集合，即DK={（K1，r，K2），（K2，r，K3），（K4，r，K5）…}。其中，概念K1是概念K2的上位概念，概念K2是概念K1的下位概念。

此外，系统应用图形学原理构建有向的领域知识图谱（Domain Knowledge Graph，DKG），实现领域知识可视化和对领域知识元素及其子集的管理。DKG是对领域知识中关联概念的排序，DKG中有下位概念而无上位概念的顶点叫“根”节点，有上位概念而无下位概念的顶点叫“叶子”节点，DKG只有一个“根”节点，知识单元图Ci是DKG最大的子图。

AC-ware Tutor通过专家、教师、学习者三个模块间的相互作用，实现知识自适应获取。在图2所呈现的AC-ware Tutor模型结构中，学习者模块依据布鲁姆目标分类和知识测试，确定学习者铅板类型，然后利用贝叶斯网络技术为学习者提供匹配的学习内容；教师模块借助布鲁姆知识分类和问题模板来动态生成自适应课件；领域专家模块提供领域知识图谱（DKG）和学习材料，为教师模块课件的动态生成和呈现提供依据。

图2 AC-ware Tutor模型结构[50]

课件的自动生成以领域知识本体为基础，自动生成的课件由领域知识集中的课件元素，即，一系列知识单元、模块、课程以及知识水平测试题组成。在DKG中，当前所学课件元素图是领域知识图的子图，课件元素的水平（单元、模块、课程）决定其所包含领域知识的数量。教师模块通过对课件元素进行排序整理，确定和优化课件结构，为学习者提供基于现有知识水平的个性化学习内容和测试，以规划教学和学习活动。

（一）学习者知识水平的测评

学习者模块即学习者知识水平模型是AC-ware Tutor的基础，知识水平测试结果会影响课件内容动态生成、选择、排序与呈现的过程，整个教与学的过程构成了一个三相循环：学习者学习→学习者知识水平测试→实时确定学习者铅板类型，通过测、学、练三个步骤完成个性化自适应学习。

AC-ware Tutor存储有描述测试问题的问题模板和用于描述领域知识中概念间关系的模板。这些模板与学习者铅板模型和布鲁姆知识分类相对应，按难度水平分为四类，不同难度的问题用于测试学习者相应知识水平，如表1所示：难度为1的问题，测试学习者对知识的识记水平；难度为2的问题，测试学习者对知识的理解程度；难度为3的问题，测试学习者对知识的应用情况；难度为4的问题，测试学习者对知识的分析、综合和评价能力。

表1 基于知识水平的学习者铅板模型

为定量描述学习者的知识水平，该原型利用加权函数XA和XV构建学习者知识能力图，如表1所示。函数XA：A→{-1，0，1，2，3，4}是对有向DKG中表示相关概念（KX，KY）间关系的边进行加权的函数；函数XV则是对有向DKG中的顶点加权的函数；XA（KX，KY）的值，即学习者正确回答边KXKY问题时所得分数；XV（KX）值，即由函数XA确定的概念KX与其上位概念间边的权值，以及概念KX与其下位概念间边权重的总和，计算公式如下所示[51]。只有当XV（KX）=1，学习者才完全掌握概念KX，即当概念KX的上下位概念边的权重均为4时，学习者才完全掌握概念KX。

系统利用知识水平测试的结果，即，上述加权函数的值实时地、定量地表示学习者学习过程中所属的铅板类型，实现了学习者铅板类型的动态判断，即学习者的动态分组，并在领域知识某一特定子集的基础上，自动化生成初始化测试问题，完成学习者铅板类型初始化。

如表1所示，在初始化测试时，系统首先利用问题模板将问题难度设置为3（L=3），若学习者回答错误，则下一个问题难度降为2（L=2）；若回答正确，则下一个问题难度升为4（L=4）。以此类推，若学习者不能正确回答难度为2的问题，则下一个问题难度降为1（L=1）。系统通过此方法只需进行二或三次判断，便可确定学习者初始水平，极大地缩短了学习者初始化时间，提高了运行效率。

（二）课件元素的自适应选择、排序和呈现

学习者铅板模型初始化完成后，系统根据学习者铅板模型对课件元素进行选择、排序和呈现。课件元素的选择需以课件元素水平为依据，课件元素水平决定学习者在单次学习和教学循环中所学的最大知识量。如表2所示，系统将五种学习者铅板模型与三种课件元素及五级知识水平相对应。

表2 铅板模型、课件元素水平和知识水平

课件元素自适应选择与排序是指系统依据表2，为特定铅板模型选择相应水平的课件元素并确定学习的顺序，依据元素等级（u，p，l）和名称选择课件元素。首先，以单元图u为标志进行初选；其次，判断课件元素的根节点到中心根节点的路径长度p和课件元素水平1；最后，将课件元素根名称按字母顺序表排列。在对适应学习者铅板模型的课件元素进行选择和排序之后，系统需确定课件的呈现方式。AC-ware Tutor具有与布鲁姆知识分类相对应的描述概念间关系的知识陈述模板，系统利用与铅板模型相应的知识陈述模板，实现课件元素自动化呈现。

尽管，AC-ware Tutor系统仍以ALS的传统结构为基础，但已取得了实质性进步，以学习者当前的知识水平为依据，实现了学习内容和学习序列在学习、教学及知识测试过程中的自适应调整。同时，该系统可结合学习分析技术，并引入MOOC建设服务范畴，为学习者定制学习资源和学习路径，促进系统的个性化服务升级，其应用也将有助于自主学习、泛在学习、远程实时协作性学习等的开展，从而促进教育公平的实现。

六、总结

教育的个性化就是把每个人的潜能充分挖掘出来，使每个人的个性充分张扬，让每个人成为真正的自己。自适应学习的目的是减轻所有学习参与者的负担，让参与者真正喜欢并享受学习过程。然而，学习是一个复杂且隐性的过程，很难准确判断学习者是否真正掌握了某个知识概念，也难以描述学习者在当前情境中的情感状态等。

随着数据科学的发展，ALS通过构建学习者个性特征模型，定量且自动化地判断学习者当前状态，为学习者提供了自适应和个性化学习指导。个性特征模型是实现自适应学习的关键因素，可以说是ALS的“心脏”。

构建个性特征模型的本质是构建学习者学习过程的模型，是ALS依据学习者个体特征，即时安排学习内容，以满足学习者个体需要的智慧化过程。正如AC-ware Tutor，基于个性特征的自适应学习系统能够自动定量地判断学习者的知识水平，或对某个概念的知识水平变化及时提供适宜的学习材料，能够对学习者的错误进行推理，判断其错误产生的原因是先前知识的缺乏或其它，以此调整教学等。

在大数据背景下，利用适切的技术方法构建学习者个性特征模型，如同为每个学习者佩戴了一个“智能手环”，能够清晰地监测和记录学习的“行为轨迹”信息。通过平台采集技术、视频录制技术、可穿戴技术、面部识别、眼动追踪、皮肤电测量、物联网技术等线上线下数据采集技术，挖掘和分析个性特征信息，将有利于学习者数据的实时、全面、精准获取与智能分析处理，从而为系统的自适应调节提供依据，推动教育向差异化、个性化方向变革。

[1]徐鹏，王以宁，刘艳华等.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013（6）：11-16.

[2]Educause.Key Issues in Teaching and Learning 2016[DB/OL].[2017-02-05].http://www.educause.edu/eli/initiatives/key-issues-in-teaching-and-learning.

[3]祝智庭，沈德梅.基于大数据的教育技术研究新范式[J].电化教育研究，2013（10）：5-12.

[4]何克抗.大数据面面观[J].电化教育研究，2014（10）：12-13.

[5]EdSurge（2016）.Decoding Adaptive[R].London:Pearson，2016.

[6]Stanford University.Artificial Intelligence and Life in 2030[R].Stanford，California：Stanford University，2016.

[7]姜强，赵蔚，李松等.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育，2016（2）：25-31.

[8]张舸，周东岱，葛情情.自适应学习系统中学习者特征模型及建模方法评述[J].现代教育技术，2012（5）：77-81.

[9]刘丽娟，张胤，杨一.基于本体思想的网页信息抽取方法[J].计算机与现代化，2015（9）：90-94.

[10]Gaudioso E，Montero M，Hernandez-Del-Olmo F.Supporting Teachers in Adaptive Educational Systems through Predictive Models：A Proof of Concept[J].Expert Systems with Applications，2012，39（1）: 621-625.

[11]Tourtoglou K，Virvou M.An Intelligent Recommender System for Trainers and Trainees in a Collaborative Learning Environment for UML[J].Intelligent Decision Technologies，2012，6（2）:79-95.

[12]Arroyo I，Mehranian H，Woolf B P.A Multimedia Adaptive Tutoring System for Mathematics that Address Congnition，Metacognition，and Affect[J].International Journal of Artificial Intelligence in Education，2014，24（4）:387-426.

[13]Weerasinghe A，Mitrovic A.Facilitating Adaptive Tutorial Dialogues in EER-tutor[C]//Gautam Biswas，Susan Bull，Judy Kay，Antonija Mitrovic.ArtificialIntelligencein Education-15th International Conference，AIED2011，Auckland，NewZealand，2011:630-631.

[14]Zapata-Rivera J D.Indirectly Visible Bayesian Student Models[C]// Kathryn B Laskey，Suzanne M Mahoney，Judy Goldsmith.Proceedings of the Fifth UAI Bayesian Modeling Applications Workshop（UAIAW 2007），Vancouver，British Columbia，Canada，2007.

[15]Ting C Y，Phon-Amnuaisuk S.Properties of Bayesian Student Model for INQPRO[J].Applied Intelligence，2012，36（2）:391-406.

[16]Nan Li，William W Cohen，Kenneth R Koedinger，et al.A Machine Learning Approach for Automatic Student Model Discovery[C]// Mykola Pechenizkiy，Toon Calders，Cristina Conati，et al.Proceedings of the 4th International Conference on Educational Data Mining，Eindhoven，The Netherlands，2011:31-40.

[17]Julia Clemente，Jaime Ramírez，Angélica de Antonio.A Proposal for Student Modeling based on Ontologies and Diagnosis Rules[J].Expert Systems with Applications，2011，38（7）:8066-8078.

[18]姜强，赵蔚，王续迪.自适应学习系统中用户模型和知识模型本体参考规范的设计[J].现代远距离教育，2011（1）：61-65.

[19][22][38]Konstantina Chtrsafiadi，Maria Virvous.Advances in Personalized Web-based Education[M].Switzerland:Springer International Publishing，2015:13-21.

[20]怡彭.朗播网发布TOEFL Online 3.0，加入自适应的新产品将带来怎样的效果 [DB/OL].[2017-03-03].http://www.jiemodui.com/N/ 51218.html.

[21]自适应学习专家王枫详解智慧教育中的“人工智能”[DB/OL]. [2017-03-28].http://learning.sohu.com/20160328/n442614607.shtml.

[23]Goel G，Lallé S，Luengo V.Fuzzy Logic Representation for Student Modelling [C]//Stefano A Cerri，William J Clancey，Giorgos Papadourakis，etc.International Conference on Intelligent Tutoring Systems，Chania，Crete，Greece，2012:428-433.

[24]David Alfter.Learning the Learner:User Modeling in Intelligent Computer Assisted Language Learning Systems[C]//Federica Cena，Michel Desmarais，Darina Dicheva.Proceedings of the 24th ACM Conference on User Modeling，Adaptation and Personalisation，Halifax，Canada，2016.

[25]Holland J，Martin B，Mitrovic A.J-LATTE:A Constraint-based Tutor for Java[J].Proceedings of the 17th International Conference on Computers in Education，Hong Kong，2009:142-146.

[26]George Goguadze，Sergey A Sosnovsky，Seiji Isotani，et al.Evaluating a Bayesian Student Model of Decimal Misconceptions[C]//Mykola Pechenizkiy，Toon Calders，Cristina Conati，et al.Proceedings of the 4th International Conference on Educational Data Mining，Eindhoven，The Netherlands，2011:31-40.

[27]姜强，赵蔚，杜欣.基于Felder-Silverman量表用户学习风格模型的修正研究[J].现代远距离教育，2010（1）：62-66.

[28][37]陈仕品，张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育，2010（5）：112-117.

[29]Glushkova T.Adaptive Model for User Knowledge in the E-learning System[C]//Boris Rachev，Anger Smrikarov.Proceedings of the 9th International Conference on Computer Systems and Technologies and Workshop for PhD Students in Computing.NewYork:ACM，2008:78.

[30]Popescu E，Bǎdicǎ C，Moraret L.WELSA:An Intelligent and Adaptive Web-based Educational System[M]//George Angelos Papadopoulos，Costin Badica.IntelligentDistributed Computing III. Berlin Heidelberg:Springer，2009:175-185.

[31]Alkhuraiji S，Cheetham B，Bamasak O.Dynamic Adaptive Mechanism in Learning Management System based on Learning Styles[C]// 11th IEEE International Conference on Advanced Learning Technologies（ICALT），2011：215-217.

[32]Natalia Stash，Alexandra Cristea，Paul De Bra.Adaptation to Learning Styles in E-Learning:Approach Evaluation[C]//T Reeves，S Yamashita.Proceedings of E-Learn:World Conference on E-Learning in Corporate，Government，Healthcare，and Higher Education，Honolulu，Hawaii，2006:284-291.

[33]Crockett K，Latham A，Mclean D，et al.A Fuzzy Model for Predicting Learning Styles Using Behavioral Cues in an Conversational Intelligent Tutoring System[C]//Fuzzy Systems（FUZZ），2013 IEEE International Conference on IEEE，2013:1-8.

[34]Annabel Latham，Keeley Crockett，David McLean.An Adaptation Algorithm for an Intelligent Natural Language Tutoring System[J]. Computers&Education，2014，71:97-110.

[35]Gladys Castillo，Jo觔o Gama，Ana M Breda.An Adaptive Predictive Model for Student Modeling[M]//George D Magoulas，Sherry Y Chen. Advances in Web-based Education:Personalized Learning Environments.USA:Information Science Publishing，2009:70-92.

[36]Lo J J，Chan Y C，Yeh S W.Designing an Adaptive Web-based Learning System based on Students’Cognitive Styles Identified Online[J].Computers&Education，2012，58（1）:209-222.

[39]Ayala A P，Sossa H.Semantic Representation and Management of Student Models:An Approach to Adapt Lecture Sequencing to Enhance Learning[C]//Grigori Sidorov，Arturo Hemandez Aguirre，Carlos Alberto Reyes Garcia.9th Mexican International Conference on Artificial Intelligence，Pachuca，Mexico:MICAI，2010:175-186.

[40]Mahnane L，Laskri M T，Trigano P.An Adaptive Hypermedia System Integrating Thinking Style（AHS-TS）:Model and Experiment[J].International Journal of Hybrid Information Technology，2012，5（1）: 11-28.

[41]Conati C，Zhou X.Modeling Students’Emotions from Cognitive Appraisal in Educational Games[C]//Stefano A Cerri，Guy Gouardères，Fábio Paraguacu.International Conference on Intelligent Tutoring Systems，London，UK:Springer-Verlag，2002:944-954.

[42]Alepis E，Virvou M.Automatic Generation of Emotions in Tutoring Agents for Affective E-learning in Medical Education[J].Expert Systems with Applications，2011，38（8）:9840-9847.

[43]Mu觡oz K，Mc Kevitt P，Lunney T，et al.An Emotional Student Model for Game-play Adaptation[J].Entertainment Computing，2011，2（2）: 133-141.

[44]Cetintas S，Si L，Xin Y P P，et al.Automatic Detection of Off-task Behaviors in Intelligent Tutoring Systems with Machine Learning Techniques[J].IEEE Transactions on Learning Technologies，2010，3（3）:228-236.

[45]Paul Salvador Invebtado，Roberto Legaspi，Merlin Suarez.Predicting Student’s Appraisal of Feedback in an Its Using Previous Affective States and Continuous Affect Labels from EEG Data[C]//S L Wong， et al.The 18th International Conference on Computers in Education，Putrajaya，Malaysia:Asia-Pacific Society for Computers in Education，2010:71-75.

[46]Jaques N，Conati C，Harley J M，et al.Predicting Affect from Gaze Data during Interaction with an Intelligent Tutoring System[C]//Stefan Trausan-Matu，Kristy Elizabeth Boyer，Martha Crosby，et al.Intelligent Tutoring Systems，12th International Conference，Honolulu，HI，USA:ITS2014，2014:29-38.

[47]Choo-Yee Ting，Somnuk Phon-Amnuaisuk.Properties of Bayesian Student Model for INQPRO[J].Applied Intelligence，2012，36（2）: 391-406.

[48]Liaw S S，Huang H M.Perceived Satisfaction Perceived Usefulness and Interactive Learning Environments as Predictors to Self-regulation in E-learning Environments[J].Computers& Education，2013，60（1）:14-24.

[49]韩建华，姜强，赵蔚.基于元认知能力发展的智能导学系统研究[J].现代教育技术，2016（3）:107-112.

[50][51]Grubisic A，Stankov S，Zitko B.Stereotype Student Model for an Adaptive e-Learning System[J].Special Journal Issue on Advances in Information and Intelligent Systems，2013：76-80.

Research on Students’Personality Traits Modeling in Adaptive Learning on the Background of Big Data：Based on the Perspective of Meta-analysis

Jian Baoxia1，Jiang Qiang1，Zhao Wei1&Li Yongfan2
（1.College of Computer Science and Information Technology，Northeast Normal University，Changchun Jilin 130117；2.Institute of Information Science and Engineering，Hunan First Normal University，Changsha Hunan 410205）

As a way of human existence，technology is making a profound change in teaching patterns and learning style.On the background of big data，artificial intelligence，machine learning and other emerging technologies，adaptive learning system could help students to achieve differentiated learning，and to promote education to develop to the direction of individual learning.Based on the meta-analysis perspective，the paper analyzes learners’personal characteristics such as knowledge level，errors and misconceptions，cognitive features，affective features，meta-cognitive features and so on.It interprets modeling methods like the Overly Model，Cognitive Theories，Constraint-based Model，Fuzzy Logic，Bayesian Networks and Ontology-based Model.Meanwhile，it elaborates that using appropriate modeling technique to construct the learner model can help to provide accurate and individualized adaptive learning service and improve the quality of education.At last，the paper takes “AC-ware Tutor”as an example to analyze the operating mechanism of the learnimg model.The result will be the theoretical basis for the construction of intelligence learning space.

Big data；Adaptive learning；Learning analytics；Artificial intelligence technology；Personality traits model；Meta-analysis

G434

A

1672-0008（2017）04—0087—10

菅保霞，东北师范大学计算机科学与信息技术学院在读硕士研究生，研究方向：个性化自适应学习；姜强，东北师范大学计算机科学与信息技术学院副教授，博士，研究方向：个性化自适应学习；赵蔚，东北师范大学计算机科学与信息技术学院教授，博士，研究方向：自适应学习、资源聚合、知识可视化；李勇帆，湖南第一师范学院信息科学与工程学院教授（二级），享受国务院特殊津贴专家，研究方向：数据挖掘、情感计算。

2017年3月1日

责任编辑：吕东东

本文系教育部人文社科规划项目“基于知识图谱的开放学习资源自主聚合研究”（项目编号：14YJA880103）；教育部人文社科青年项目 “大数据时代在线学习者情感挖掘与干预研究”（项目编号：16YJC880046）；基础教育信息化技术湖南省重点实验室 (项目编号：2015TP1017)；湖南省哲学社会科学基金项目“‘互联网+’促进城乡基础教育均衡发展的创新机制与路径研究”（项目编号：16YBA094）资助的阶段性成果。