个性化在线学习系统的发展现状及前景分析

付宇博，曾致中

（华中师范大学国家数字化学习工程技术研究中心，湖北 武汉430079）

一、引言

随着互联网+和教育信息化时代的飞速发展，网络信息资源也呈现指数增长，但随之而来的问题是，面对如此巨大的信息资源库，学习者很难快速有效地找到适合自己的学习资源，甚至会出现认知超载、迷航[1]等问题。于是，个性化学习应运而生，并逐步成为教育技术领域的研究热点。

图1 PELS功能图

个性化学习是指根据学习者的兴趣偏好、学习需求、学习风格、初始能力和认知水平等特征来设计教育项目、教学方法以及学术支持策略，并为学习者提供独特的学习资源和学习路径。在教育领域，个性化学习的思想多被用在一些在线教育平台中，开发个性化网络学习系统（PersonalizedE-learningSystem，简称 PELS）或智能导学系统（IntelligentTutoring System，简称ITS）。一个PELS通常包含数据库，网络服务以及个性化学习导航等功能模块，如图1所示。数据库中存储着静态数据和动态数据。静态数据库主要包括学习者信息、资源管理者信息以及教学资源（课程，作业，试题等）；动态数据库主要记录学生的学习行为和学习效果。网络服务模块包含了系统中所有的子功能，负责处理用户的所有学习活动和请求，并把这些活动产生的数据存储在数据库中，为个性化分析提供动态的数据来源。[2]个性化学习导航是个性化学习系统中的核心模块，它利用数据挖掘（学习分析）和其他智能技术对数据库中学习者的信息进行分析，进而为其提供个性化的学习导航。其主要流程是：首先，学习者登录系统，如果不是新用户，系统会从数据库中提取用户的配置文件（Profile），接着上次登录的学习进度继续进行资源学习；如果是新用户，则系统需要为其建立配置文件，主要包括学习者的学生模型信息（性别专业、知识水平、学习风格、认知能力、兴趣爱好等），前测的结果以及根据测试结果和知识空间理论、遗传算法等技术为学习者制定的个性化学习路径，还有记录学习者的学习行为和学习效果的日志文件。然后用户根据系统导航执行学习计划，直到完成本单元所有学习课程，并进行后测，如果达到了学习目标，则结束本单元的学习；如果没达到目标，则需要重新制定学习计划，进行强化学习，直到实现学习目标。最后，系统还可以为用户推荐与当前学习主题相关的其他学习资源。

个性化在线（网络）学习系统的使用能够有效解决在线学习环境下学习者的认知超载和迷航等问题，可以极大地提高资源的利用率和学习者的学习效率。随着教育信息化进程的快速发展，个性化学习越来越受到教育专家的重视，在线学习环境与自适应等各种智能技术的发展为个性化学习系统的开发提供了良好的契机。本篇文章首先论述了国内外个性化学习系统的研究现状，然后介绍了个性化在线学习系统中用到的主要智能技术，最后分析了开展个性化学习面临的挑战和可能存在的问题，并对未来的发展提出了一些建议，以期为个性化学习方面的研究者提供借鉴。

二、个性化学习系统研究现状

个性化学习系统是指根据学习者的兴趣偏好、学习需求、学习风格、初始能力和认知水平等个性特征为其提供有针对性的学习策略、学习资源以及学习路径的在线学习环境，能真正意义上的实现自主学习。目前，个性化学习系统的开发已经引起了国内外教育研究专家的广泛关注，已有大量关于个性化学习系统的应用研究的文献。接下来，文章会对国内外现有的相关研究进行分析和总结。

个性化学习又称自适应性学习（AdaptiveLearning）。关于自适应的概念，八十年代末就已经被提出。1996年，Brusilovsky提出了自适应超媒体系统（AdaptiveHypermediaSystems，AHS）。传统的超媒体系统中采用一刀切（one-size-first-all）的方法为所有的用户提供相同的静态超媒体文档，容易导致用户搜索效率低下，认知过负和网络迷航等问题[3]。为了解决这些问题，Brusilovsky提出了自适应超媒体系统（Adaptive Hypermedia Systems，简称AHS）。AHS根据学习者的知识水平、学习目标、背景经验以及兴趣偏好等个性特征为每个学习者构建模型，系统根据模型与学习者进行交互，从而为学习者提供个性化的学习内容[4]。另外，自适应超媒体系统可以限制学习者的浏览空间，为学习者提供与当前所学内容相关性较高的其他链接[5]。自适应超媒体系统能够为用户提供个性化的服务，自然引起了教育领域研究的关注。ELM-ART，InterBook，PT等都是早期开发的自适应教育超媒体系统[6]。Knewton-被誉为全球自适应学习平台的典范，它的核心产品就是自适应学习工具。Knewton的主要优势在于优化学习过程的三项服务：为学生提供实时的内容推荐服务；为教师提供学情分析服务；为内容提供商提供内容洞察和分析服务。

AHS可以有效克服传统超媒体系统的认知过负和网络迷航等问题，能够让学习者快速准确地获取所需信息。但AHS只是为用户提供了学习内容，并没有给用户制定出一条个性化的学习路径。

2003年，Brusilovsky提出了基于学习者知识水平的学习对象排序方法，学习对象排序法是基于知识空间理论对不同层次的知识点按优先关系进行排序，同一层次的按照知识点的重要程度排序，让学习者在对目标知识点学习之前首先对先修知识点进行学习，从而根据学习者的知识水平和学习目标为用户推荐个性化的学习路径[7]。这是一篇基础文献，之后的很多研究成果都是对该方法的优化和补充。2006年，Hanlei在他的文章中，把概念地图的节点、连接、连接词、交叉连接和层级等观念应用到了设计、开发适应性超媒体学习系统中，他提出在超媒体学习系统内部建立一套“基于概念地图的学习路径控制机制”，通过诊断性和过程性的评价策略，生成适合个别学习者知识水平的、系统控制的引导路径，以此来增强网络超媒体学习系统的适应性，从而更好的满足学习者的需要[8]。

但是，以上的研究都没有考虑到个体学习者的学习风格的差异对学习路径的影响。诸多教育理论的研究成果表明，学习内容应该与学习者的学习风格相符合[9]，对此，Yi-ChunChang等人提出了基于学习者学习风格的分类机制。该机制优化了k-nearestneighbor（k-NN）分类算法，并把它和GA（Gene Algorithm）算法结合在一起应用在开放式学习管理系统 （Open-Learning Management System）中，能够准确高效地判定学习者的学习风格[10]。另外，Chin-MingChen提出的学习路径推荐方法主要解决的是学习对象的难度与学习者的知识水平和学习能力相匹配的问题，他提出了一种遗传算法中的适应度函数（FitnessFunction）——由课程的难度参数和学习路径中两个相邻概念的关联度决定，和一种课程排序机制，并把它们应用到了个性化网络学习系统中，实验证明，该系统可以满足在线学习者的需求，帮助他们更快速高效的学习[1]。而且他用项目反应理论（ItemResponseTheory）对学习对象进行建模，很大程度的简化了Brusilovsky提出的方法中对学习对象的描述的工作[11]。为了构建更精确的测量模型，YaoJungYang提出了蚁群优化算法（Antcolonyoptimizationalgorithm），进一步对学习者风格进行了分类，并考虑了用户群体对学习路径使用的频繁度，提高了学习路径推荐的效率和准确度[12]。但是，Yang提出的方法中没有学习者对学习路径的评价，那么对于目标用户就缺少了参考价值。因此，YanCheng在综合考虑了学习者群体对学习路径的评价以及目标用户在知识水平和学习风格上的特点，提出了一种扩展蚁群算法来解决学习路径推荐的问题[11]。Feng-HsuWang认为之前的蚁群优化算法存在局限性，如需要大量的用户训练数据和长时间的训练周期等，为了能利用合理的训练数据和训练周期来实现满意的学习路径推荐，Wang在蚁群优化模型的基础上修订了全局更新规则、适应性搜索规则和分目标培训策略[13]。

之前的大多数研究都没有涉及到环境因素对学习效果的影响。HaoJunLi研究了移动学习环境下个性化学习路径特征以及生成原理，剖析影响移动学习环境下学习效率的主要因素，并以影响因素作为个性化学习路径优化的切入点，利用遗传算法优化移动学习环境下的个性化学习路径，帮助学习者更加有效地利用学习资源开展学习活动[14]。

随着在线学习环境的快速发展，学习者更加迫切的需要使用个性化网络学习系统（PELS）来提高学习效率。PELS的开发和应用需要各种智能技术的支持，文章的下一部分将对开发个性化学习系统所运用到的技术进行介绍和总结。

三、个性化学习系统运用的主要技术

智能Agent技术能够提高网络教学系统的智能化和个性化；智能感知技术可以全面获取学习情境信息（如环境信息、设备信息、用户信息等），结合情感计算技术和学习分析技术对这些数据进行处理分析，能够详细掌握学生的学习状态，为学生提供内容推荐，为教师提供学情分析；课程排序技术能够以知识空间理论为基础为学习者提供个性化的学习路径；自适应学习技术可以根据学习者的学习效果动态的呈现学习内容。这些现代化智能技术的发展和应用，为个性化学习系统的开发和应用提供了良好的契机。

1.Agent技术

随着信息化时代的快速发展，教育的智能化越来越受到教育技术领域学者的关注和重视。网络教学为学习者提供了更宽广的学习平台，但由于网络教学系统的智能化和个性化不足，导致教学效果不甚理想，而智能A-gent技术的出现，为提高网络教学系统的智能化和个性化提供了可能[15]。由于研究方向和研究领域的不同，各个学者对于Agent的定义也不尽相同。在计算机领域，比较权威的定义是Wooldridge等人提出的Agent的强弱定义——弱定义：Agent是一个基于软件（多数情况下）或硬件的计算机系统，它拥有自治性，社会性，反映性和能动性等特性；强定义：除了具备弱定义中的特性外，Agent还应具备一些人类才有的特性，如知识，信念，意图等[16]。在实际应用中，有国内学者把agent定义为一个智能体，是一类在特定目标（用户需求）驱动下，能够感知环境，并能自主地接受用户的指令并执行，进而实现用户目标的计算实体或程序[17]。

智能Agent技术能够使用自动获得的领域模型（如web知识、与用户兴趣相关的信息资源、领域组织结构等）、用户模型（如用户知识背景、兴趣爱好、行为、学习风格等）来进行信息资源的搜集、索引和过滤，并自动地将用户感兴趣的、能满足用户需求的信息提供给用户[18]。由于智能Agent具有不断学习、适应信息和用户兴趣动态变化的能力，因此，它可以提供个性化的服务。目前，已经有很多研究者把Agent技术应用到了个性化智能教学系统中。如，吴战杰等设计了基于Agent技术的两种网络教学模式——集中模式和分布模式[15]，刘慧敏等人开发了基于Agent技术的专家系统平台结构模型[19]，Chih-Ming Chen 在它的 PELS（Personalized ELearning System）中，构建了六个智能Agent（即用户接口Agent，前测Agent，生成学习路径Agent，自适应导航A-gent，后测Agent以及课件管理Agent）来为学习者提供个性化的服务[1]。这些基于Agent的网络智能教学系统都有共同的优势：智能Agent技术的使用，极大地提高了网络资源的有效利用率，并且由于Agent本身强大的进化功能，通过与学习者的交互会使Agent越来越“了解”学习者，从而真正实现网络教育的个性化；而且基于Agent的智能网络教学系统为学习者提供的是开放的学习环境，学习者可以自主选择学习的内容和方式，并且可以在讨论区提出问题，讨论板块Agent会总结学习者的问题，组织学习者进行专题的协作讨论并引导学习者做更深入的专业研究，有利于素质教育的开展，培养学习者的各项能力[15]。

2.智能感知技术

智能感知技术是以研究生物特征识别、自然语言理解和动态图像处理为基础的“以人为中心”的智能信息处理和控制技术。智能感知技术在教育领域的最主要应用是学习情境识别和学习者信息感知。

（1）学习情景识别[20]

学习情景识别主要包括三部分，即信息采集，动态建模和情景推理。首先利用传感器、各类嵌入式设备以及无线射频识别（RadioFrequencyIdentification，RFID）等技术从物理环境或者信息系统中获取识别学习情景所需的各种数据信息，比如客观环境的温度、声音、光线，学习者的场所、位置，学科知识、访问需求、学习档案和已有的学习情景要素模型等。然后根据获取的原数据信息构建或更新学习情境识别的各种条件要素的模型，如情景模型、学习者模型、领域知识模型等。最后根据动态建构的要素模型，按照一定的推理机制，主动判断适合当前学习情景的学习支持，然后根据判断结果为学习者推送个性化的学习资源或是学习活动建议。

（2）学习者信息感知[21]

学习者信息感知包括学习者生物特征感知和社会特征感知。生物特征信息可以利用智能可穿戴设备（小米手环、TalkBand等）或者传感器来获取，通过对学习者的脉搏、血压、生物电等生物特征的分析来了解学习者的身体状态、心理特征、情绪等情况。对生物特征数据的分析可以帮助学习者及时的调整学习状态，实现最好的学习效果。社会特征信息包括学习者在社会交互中的情感状态以及学习者的社会角色和社会交互状态。情感状态数据信息可以利用面部表情识别、语音识别、眼球追踪传感器等技术来获取，然后通过情感计算技术识别触发反应过程的情绪和行为信号。对于学习者在社会交互中的状态以及扮演的角色可以通过网络分析技术来获取。通过对社会特征数据的分析可以了解到学习者的个人风格与偏好等信息，从而为学习者提供更个性化的推荐，实现自适应的学习。

3.课程排序技术

课程排序技术的思想是动态选择最优的教学操作，根据学习者的个性特征对学习主题和课程进行排序，从而为学习者提供一条实现学习目标的最佳个性化学习路径。课程排序技术的驱动力通常是学生模型，它是领域模型的加权叠加。每个学生模型反映了该学生当前的知识水平。Brusilovsky在他的论文[7][22]中介绍了几种课程排序的方法，作者把它们归纳为了两类：静态课程排序法和动态课程生成法。

（1）静态课程排序法

静态课程排序法，也可称为学习对象排序法。它是基于知识空间理论对不同层次的学习课程按优先关系进行排序，然后根据学习者的目标以及初始知识水平为学习者提供最优的个性化学习路径。这种方法的优点是能让学习者在对目标知识学习之前首先对先修知识进行学习，并且可以获得“下一步”的最佳学习课程的推荐，有利于学习者建立良好的认知结构。但它的劣势是课程排序是静态的，不能针对学习者的变化或进步提供动态的适应性课程。

（2）动态课程排序法

动态课程排序法的核心思想是通过考虑学习者的年龄，学习目标以及初始知识水平来为学习者提供适应性的个性化学习课程序列。和静态课程排序法不同的是，该方法可以观察并适应学生的进步，即如果学习者的表现没有达到预期的结果，那么机制将会动态地重新设计课程序列以适应学生的变化和进步。这种方法的好处是能为学习者提供尽可能多的适应性，学习者可以获得满足自己学习需求的高度个性化的学习课程。

4.学习分析技术

随着在线教育的迅速发展，网络学习系统已经累积存储了学习者信息和学习过程的海量数据，如何利用这些数据进行学习优化和教学决策成为教育工作者关注的重点。学习分析技术的出现，为教育大数据的挖掘提供了可能。美国新媒体联盟的地平线报告也连续几年预测学习分析技术会在未来几年内成为教育领域的研究主流。

学习分析技术是通过收集和分析学习者在进行网络学习和交互过程中产生的海量数据来掌握学习者的特征，评估学习进展，预测未来表现，发现潜在问题，为优化学习服务和教学决策提供参考[23]。学习分析通常分为三个阶段：阶段一是描述结果，阶段二是诊断，阶段三是预测未来。学习分析技术主要涉及到内容分析、话语分析、社会网络分析、统计分析以及一系列数据挖掘方法（如聚类、预测、关系挖掘、文本挖掘等）。学习分析技术的应用和发展对于学生、教师、教育研究人员以及技术开发人员来说都有重大意义。对于学生而言，学习分析技术可以通过挖掘学生的特征信息和学习日志来为学生构建学习者模型，并对学习者进行诊断，进而及时为学习者提供针对性的指导和个性化学习推荐；对于教师而言，学习分析技术可以用来评估教学课程、教学策略和考核方式，进而优化教学决策，并根据学生特征模型因材施教，为学习者提供有针对性的教学辅导；对于教育研究人员而言，学习分析技术为研究网络学习环境和学习过程以及个性化学习系统的开发提供了契机；对于技术开发人员而言，可以利用学习分析技术对学习管理系统各模块使用频次以及使用路径的数据分析来优化学习管理系统的界面设计，另外还可以根据学习分析的需要优化学习管理系统的日志功能[24]。目前，学习分析技术已经有了实际的应用，如电子科技大学的数字化“学生画像系统”，它能够通过收集学生日常学习活动的信息，分析其实时行为数据，并据此来预测学生的潜在发展方向，从而帮助教育者为学生提供更为个性化的学习指导。

5.自适应学习技术

自适应学习技术与学习分析技术一起出现在2017新媒体联盟中国高等教育技术展望的地平线报告中，报告预测自适应学习技术在未来二至三年内会被广泛应用于网络在线学习系统中，并逐步成为教育领域的研究主流。

自适应学习技术是一种由数据驱动的复杂的教育科技手段，可以基于学习者的个人特征和能力水平来动态调整课程的种类和难度，并能根据学习者的交互和绩效水平评估学生的学习速度和进度，进而实时调整学习内容，实现高效的个性化学习。目前研究较多的自适应学习技术包括自适应内容呈现技术以及自适应学习路径推荐技术。自适应内容呈现技术是以学习分析为基础，通过对在线学习平台中学生数据信息的分析来获取学习者的兴趣偏好、学习风格、认知水平以及学习目标等个性化特征，并以此作为学习内容推荐的驱动信息，为每个学习者动态提供自适应学习内容。这种自适应技术被广泛应用于资源检索领域，如Science-Direct和CNKI等，能够根据用户之前或正在检索的内容自适应推荐相关资源的链接。自适应学习路径推荐技术可以根据学习者的学习目标和能力水平来安排学习课程，通过设置学习资源的可见性或可访问性来控制学习者对课程的学习顺序。另外，该技术还可以对学生的学习效果进行评估（测试），及时的为学习者提供反馈，并且可以针对学习者在测试中打错的题目进行分析，自适应的制定强化学习路径。这种技术一般应用在测试中，根据学生回答问题的正确与否，及时改变和调整测评的标准。比如我们熟悉的GRE和GMAT考试，测试者在连续作对题目之后就会发现题目越来越难，这就是自适应评估工具在根据测试者的表现及时调整的结果。

四、个性化学习发展前景分析

随着教育信息化进程的快速发展，个性化学习已然成为教育技术领域的研究热点。个性化网络学习系统的开发和应用迫在眉睫。然而，在近两年的新媒体联盟地平线报告（高等教育版）[25,26]中，个性化学习被定义为是一项“了解但解决方案尚不清晰的困难挑战”，并且认为目前个性化学习最大的障碍就是如何把纷繁复杂的方法和技术转变成一套精简的策略，开发出有教学理论指导的个性化网络学习系统。

个性化网络学习系统的开发之所以是一项困难的挑战，依作者看来，原因在于：（1）个性化学习涉及学习策略和教学方法，并且要与个人的学习目标相结合，还要考虑到个体的背景知识，认知能力，兴趣爱好等诸多因素。这些数据的获取可能会涉及到学习者的个人隐私，如何对学习数据进行隐私保护和有效使用是教育研究人员需要权衡的问题。（2）虽然个性化学习的需求量很大，学习分析、智能感知、情感计算和自适应学习等智能教学技术的出现也的确为实现个性化学习提供了良好的契机，但目前这些科学方法和智能技术的发展并不成熟，应用在高等教育中的具体成果还很少，即较少的中国高校能够为个性化学习系统的开发和应用提供充分的技术支持和实践机会，因此想要大规模的开展个性化学习相当困难。（3）从目前关于个性化学习的研究内容来看，现有的研究更多的是从实践层面将个性化学习与学习系统相结合，多数局限在技术的研究上，仅有少量文献试图挖掘个性化学习的理论基础[27]。

个性化学习的有效开展还必须依托合理的教学理论，结合有效的教学方法，同时也离不开教师的参与。个性化学习系统需要的是不同于传统课堂的数字化智慧环境，在这种新型的学习环境中，该如何根据教学理论制定教学设计和组织教学资源，教师在个性化学习过程中该扮演什么样的角色，个性化的学习资源能多大程度地替代教师都是需要重新考虑的问题。

尽管个性化在线学习系统的实施开展任重而道远，但不可否认的是教育信息化和智能教学技术的快速发展正在逐步改变当前的教育格局。针对个性化学习面临的挑战，作者想对未来个性化学习的发展提出一些建议：（1）随着数字化学习环境中采集数据的增多，需要制定合适的政策来保护学生的个人隐私。美国的马里斯特学院（MaristCollege）通过咨询他们的机构审查委员会成立了一个项目来设定学习者的数据隐私和访问参数，为我们提供了典范。（2）自适应学习技术具有推动学生个性化学习的潜力，同时还能为高校提高教学效率提供真知灼见；智能感知技术、情感计算技术以及作用于教育大数据的学习分析技术融合了人工智能与人类智能，将为学习者提供更精准、更智能的个性化学习服务。因此各个高校应继续致力于智能教学技术的开发和应用，但与此同时，也应该注重教学理论的研究，要把技术与适当的教学设计相结合，建立计算机介入和人脑思维之间的平衡[26]。（3）在新型的数字化智慧学习环境中，学生和教师都需要重新定位自己的角色。对于学生，在个性化学习的环境中，学生的主体性得到了最大程度的体现，学生需要培养自主学习的意识，并积极增进自我理解。对于教师，角色由知识的占有者和传授者转变成学习活动的组织者和引导者，工作由简单的“教学”转变为教育的研究者，课程的开发者和设计者。教师要充分认识自己的新角色，合理利用现代化教学工具，做好教学决策，因材施教。（4）各个高校要为教师提供技术培训，提高教师的信息素养，帮助教师尽快适应新型的数字化智慧学习环境。

随着信息化时代网络教学的快速发展，个性化学习势必会越来越受到教育领域的重视。希望有更多的专家学者能够投身到个性化学习的研究中，把机器学习、数据挖掘等人工智能领域的成熟技术用到教育中来，提高网络资源的有效利用率，为学习者提供更快速、更个性化的服务。

[1]Chen C-M.Intelligent web-based learning system with personalized learning path guidance[J].Computers&E-ducation,2008,51(2):787-814.

[2]曲毅.基于Web的个性化学习系统的设计[J].计算机工程与设计,2006,27(18):3388-3390.

[3]徐海燕,施勇,周学海,赵振西.自适应超媒体系统探析[J].计算机科学,2000,27(1):80-84.

[4]Brusilovsky P.Methods and techniques of adaptive hypermedia[J].User Modeling and User-Adapted Interaction,1996,6(2-3):87-129.

[5]邢丽刃,赵蔚,李晓红.基于Web的自适应教育超媒体系统现状及前景分析[J].中国电化教育,2007(3):100-103.

[6]Brusilovsky P.Adaptive and Intelligent Technologies for Web-based Education[C].Special Issue on Intelligent SystemsandTeleteaching,KünstlicheIntelligenz,1999:19-25.

[7]Brusilovsky P,Peylo C.Adaptive and Intelligent Web-Based Educational Systems[J].International Journal of Artificial Intelligence in Education,2003,13:156-169.

[8]雷菡.基于概念地图的网络化学习路径控制研究[D].重庆：西南大学,2006.

[9]Tseng JCR,Chu HC,Hwang GJ,Tsai CC.Development of an adaptive learning system with two sources of personalization information[J].Computers&Education,2008,51(2):776-786.

[10]Chang YC,Kao WY,Chu CP,Chiu CH.A learning style classification mechanism for e-learning[J].Computers&Education,2009,53(2):273-285.

[11]程岩.在线学习中基于群体智能的学习路径推荐方法[J].系统管理学报,2011,20(2):232-237.

[12]Yang YJ,Wu C.An attribute-based ant colony system for adaptive learning object recommendation[J].Expert Systems with Applications,2009,36(2):3034-3047.

[13]Wang FH.On extracting recommendation knowledge for personalized web-based learning based on ant colony optimization with segmented-goal and meta-control strategies[J].Expert Systems with Applications An International Journal,2012,39(7):6446-6453.

[14]李浩君,徐佳程,房邵敏,谢苏超.个性化移动学习路径优化策略应用研究[J].电化教育研究,2016(1):39-44.

[15]吴战杰,秦健.Agent技术及其在网络教育中的应用研究[J].电化教育研究,2003(3):32-36.

[16]Wooldridge M,Jennings NR.Intelligent agents:theory and practice[J].Knowledge Engineering Review,1970,10(2):115-152.

[17]田雪,陶璐琳.网络个性化学习路径与学习绩效研究——以《远程教育原理与技术》课程为例[J].软件导刊,2015(3):185-187.

[18]钱瑛.基于智能Agent的网络搜索和推荐信息系统[J].科技管理研究,2010,30(8):147-149.

[19]刘慧敏,王欢,王万森.基于Agent技术的专家系统平台的设计与实现[J].计算机应用研究,2004,21(6):187-188.

[20]张永和,肖广德,胡永斌,黄荣怀.智慧学习环境中的学习情景识别——让学习环境有效服务学习者[J].开放教育研究,2012,18(1):85-89.

[21]刘清堂,毛刚,杨琳,程云.智能教学技术的发展与展望[J].中国电化教育,2016(6):8-15.

[22]Brusilovsky P,Vassileva J.Course Sequencing Techniques for Large-Scale Web-Based Education[J].International Journal of Continuing Engineering Education and Life-Long Learning,2003,13:75-94.

[23]L·约翰逊,S·亚当斯·贝克尔,M·卡明斯,V·埃斯特拉达,A·弗里曼,C·霍尔,et al.新媒体联盟地平线报告 (2012高等教育版)[R].北京广播电视大学学报,2012.

[24]魏顺平.学习分析技术:挖掘大数据时代下教育数据的价值[J].现代教育技术,2013,23(2):5-11.

[25]L·约翰逊,S·亚当斯·贝克尔,M·卡明斯,V·埃斯特拉达,A·弗里曼,C·霍尔,et al.新媒体联盟地平线报告(2015高等教育版)[R].北京广播电视大学学报,2015.

[26]L·约翰逊,S·亚当斯·贝克尔,M·卡明斯,V·埃斯特拉达,A·弗里曼,C·霍尔,et al.新媒体联盟地平线报告:2016高等教育版[R].北京广播电视大学学报,2016.

[27]谭焱丹.新世纪国内个性化学习研究综述[J].才智,2016(28):276-277.