大数据时代个性化自适应学习模式初探

杨炜伟　吴恒

[摘 要]大数据时代下“以学习者为中心”的学习理念已成为教育变革的核心趋势，充分践行该理念的个性化自适应学习模式有望成为教育新范式。鉴于此，课题组从大数据视角出发，对个性化自适应学习模式发展现状、理论背景和核心要素展开研究，并从学习者模型、内容模型和自适应引擎等方面对系统架构和实现进行了探析。

[关键词]大数据；个性化自适应学习；学习者模型；自适应引擎

[中图分类号] G642 [文献标识码] A [文章编号] 2095-3437（2018）04-0038-03

○、引言

随着教育技术的不断发展，教育信息化的普及和不断深入，以万物互联、大数据以及智慧化为特征的教育时代正在到来，知识传播和获取方式正在产生颠覆性的变化，对传统教育理念和方式产生了革命性的冲击和挑战。可以说，大数据时代下一场席卷全球的教育变革正在展开。一方面，传统标准化课堂教育方式的诸多缺点日益凸显，如“一刀切”式的统一教学模式忽略了学生知识水平、情感特征、认知能力、元认知能力上的个体差异；另一方面，随着信息技术的飞速发展，学习空间和时间得到了极大延伸，在线学习、碎片化学习等学习方式对传统教育理念和模式的适应性提出了新的挑战。此外，与工业化时代人才培养目标不同，在当前信息爆炸的大环境下，信息化乃至智能化时代迫切需要创新型、智慧型人才，因此急需进行教育模式的变革。特别是，2012年以来，随着大规模开放在线课程（MOOC）的兴起，基于云计算、物联网和大数据的全球教育革命日益凸显，在线教育、混合式教学等教育理念和模式不断涌现[1]。在数据挖掘、人工智能、机器学习等新兴技术的支持下，这些先进的教育理念和模式一方面有助于学习者进行差异化学习，促进教育迈向“个性化”时代，另一方面还能对学习过程进行全面监控[2]，使得“因材施教”成为可能。此外，教育研究在教育大数据分析辅助下有望走向更为科学的数据主义和实证主义[1]。通过采集和处理实时全面的学习行为和过程数据，可以预测和判断学习者的知识能力、认知风格和学习趋势等特征，帮助教师优化教学策略和教学管理，实现教学“自适应”的智能决策、智能实施和智能评价，促进教学模式向个性化自适应学习模式转变。

为了适应大数据时代下教育变革需求，在“以学习者为中心”的学习理念指导下，国内外教育界对个性化自适应学习模式非常重视[3]。早在2012年，美国已将“个性化学习”视为国际信息教育技术发展的核心趋势，最近又将“在大数据分析基础上实现个性化学习”作为其国家教育技术计划强调的重点。《英国2020年愿景》中也将“个性化学习”视为未来教育贯穿始终的核心理念。我国关于个性化自适应学习的研究还处于起步阶段，主要以理论研究和方案设计为主，对实用化的个性化自适应学习系统的研究还比较少。何克抗教授强调借助教育数据挖掘和学习分析技术促进教学模式向个性化教学方向转变[2]。姜强等学者对个性化自适应学习基本理论、系统设计和性能评估进行了较为深入的研究[4] [5]。

一、大数据视角下个性自适应学习需求

从教的方面来说，个性化自适应学习是指基于学习者个性特征差异提供个性化的学习服务[4]。多元智能理论中，人的智能可以分为七种——语言、数理、空间、节奏、运动、自我认知以及社交，每种智能代表了学习者的发展潜能和天赋，突显出其独特的理解力和兴趣爱好，但这些潜能并不是均衡发展的，学习者的个性特征差異在认知过程的每个阶段都以不同形式展现，教师需要对教学全过程进行监控，才能挖掘学生的多样化潜能，帮助学生提高自身认知能力和创新能力。然而，在传统教育教学模式下，教师无法实时全面地掌握学生的学习过程，无法及时跟踪学习情况，自然不能做到实时调整教学策略。大数据时代下，知识传播和获取方式正发生根本性变革，各种在线学习模式可以对学生学习需求、学习基础、学习风格和学习过程进行记录、跟踪和分析，这为教学全过程监控奠定了基础。

从学的方面来说，个性化自适应学习是在教育大数据支撑下融合自我调节式学习和个性化学习、以“学”为中心的自主学习模式。构建主义学习理论认为，学习是学生主动地、积极地接收外界信息，并在自身原有的认知结构上进行消化、整理、吸收，从而改善自身认知结构的过程。从元认知理论来说，元认知知识和元认知监控能力在学习过程中起到至关重要的作用，影响着学习者的学习效率和创新能力培养的质量和效率。对教育大数据进行分析，可以为不同学习者个性化地推送教学资源、优化学习路径，使其真正实现对自我学习的元认知和自主地进行认知构建。

“互联网+”时代到来，各种在线教育、混合式教学等教育理念和模式不断涌现，为个性化自适应学习奠定了基础。早期的在线学习系统主要解决了多元化学习资源的获取问题[6]。然而，一方面这些资源没有考虑与学生个体差异的匹配性，学习活动顺序和学习资源千篇一律，既不能体现在学习上“个性化”，也无法做到真正的自适应学习；另一方面仅仅是简单地提供海量丰富的学习资源，容易造成信息迷航、认知负载，反而导致学生学习效率低下、丧失学习兴趣。因此，如何有效利用教育大数据，实现真正的个性化自适应学习模式仍值得持续研究和探索。比如，美国麻省理工学院教育学者沙尔默认为MOOC的发展已经经过了传统视频录制、在视频基础上增加练习，注重学生间的互动学习和增加互评机制的前三个阶段，目前正朝着MOOC 4.0迈进，即实现个性化自适应学习模式[8]。

二、大数据时代个性化自适应学习系统构建

“互联网+”时代到来，基于云计算、物理网和大数据的教育革命正在进行，学习型社区、虚拟学习社区、微博/微信教学、MOOC、SPOOC、翻转课堂、混合教学等教育模式和理念不断涌现，承载这些在线学习或混合学习方式的开放式学习系统为教育大数据的采集、存储和分析奠定了坚实的基础，也为以大数据为基础的教育新范式的出现提供了契机。而随着数据挖掘、机器学习、人工智能等技术在教育领域的应用，大数据时代下学习模式变革的重要特征和显著优势将是对海量、完整、实时的教育大数据进行有效分析并加以利用。姜强等学者指出，开放式学习者模型系统是个性化自适应学习模式构建基础，既是教育大数据的源泉，也是大数据分析结果的着力点。知识可视化和学习过程可视化可以有效减轻认知负载，提高学习效率[4]。对教育大数据进行有效分析并加以利用是大数据时代下学习模式变革的特点之一，构建有效的大数据分析模型是个性化自适应学习系统的重要工作，也是其与传统教育教学模式的本质区别。美国教育部简报认为自适应学习环境应主要包括[1]：①自适应学习内容；② 学生学习数据库；③未来学习行为以及成绩预测模型；④预测结果可视化显示；⑤自适应引擎，用来调整个性化学习内容，确保学习内容适合学生的能力和特点；⑥自适应人为干预引擎，为教师和教育管理部门提供干预意见和建议。

一般来说，个性化自适应学习系统的核心模块包括学习者模型、领域知识模型和自适应引擎。学习者模型主要呈现学习者的个体特征和记录学习者的学习行为。领域知识模型主要描述知识领域的结构及其个性化的呈现方式。自适应引擎通过分析与诊断学习者的知识水平、学习行为与认知能力，动态地安排个性化的学习内容、学习路径与呈现方式，并且对学习过程进行检测与管理。基于学习者模型、领域知识模型和自适应引擎三个核心模块，个性化自适应学习系统应该是开放的学习环境，能够允许学习者对学习计划和学习内容进行自我调控，能根据学习者自己的想法分享个人学习数据，建立有益的“学习”社交关系，支持自我监控和反思。同时，根据系统对学习者的作用和影响，基于在线数据分析对比的实证式系统评估模块有助于发现系统的不足和自我完善。应从使用者，特别是以学习者为中心出发，基于大数据分析揭示系统能在学习时间/效率、学习对象、学习任务完成质量等方面的利弊性，为系统设计和优化提供指导。

（一）学习者模型構建

自适应学习的本质是个性化，其基础是精确地掌握学习者的个性特征，因此学习者模型要对学生的知识水平、认知能力、元认知能力、情感特征等诸多特征进行建模。知识水平包括学习者对当前知识和已学知识的掌握水平。认知特征包括记忆、理解、知觉、学习风格、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。元认知能力指学习者认识并控制自己的能力。在传统教学方式和理念中，这些诸多繁杂的个性特征是无法定量且周全地进行考量的，这也是“因材施教”无法真正实现的根本原因。得益于大数据时代在线教育平台或应用程序的广泛应用，蕴藏着学习者个性特征的教育大数据能够得到实时广泛的采集、长时间大容量的存储、深入精细的挖掘，这为个性特征精细化建模提供了实现的契机。比如已有学者从基本特征、学习风格、认知水平和学习记录四个维度来表征学习者模型，采用关联规则来挖掘学习者个性特征[8]。

（二）领域知识模型构建

多维度立体的可视化学习资源是开展个性化自适应学习的前提。除了传统的教材、讲义、PPT等，还应包括音频、视频、微课、实验片段，甚至进一步的VR体验等不同方式的学习资源；除了根据认知主义学习理论预先设定的资源外，还应提供大量的生成性内容，如不同时间空间学生的学习体验分享、习题解答、经验交流等。而且，这些内容应该根据知识图谱以可视化方式呈现给学生，清晰地显示知识点间的逻辑关系，减轻学习者的认知负荷。

在知识结构可视化的基础上，还要实现知识内容的动态组织。这就要求系统能够对领域知识进行最小粒度的资源分割，并科学地定义资源粒之间的关联性和认知权重。要能根据不同的需求，在保证认知范围基础上对离散化、模块化的内容进行动态组织。特别是要清晰地呈现各个知识点的前项知识、后项知识和相关知识，形成新、旧知识以及未来要学知识之间的关联关系，利于学习者进行自主认知建构。

最后，系统要能根据学习者个性特征完成学习内容和学习路径的自适应匹配[8]。要为不同认知能力（包括智力因素、非智力因素和知识水平）、不同认知特征（包括记忆、理解、知觉、学习风格等）的学生提供不同的学习内容组合 （包括不同的内容范围、难度、要求、媒体形式等）和学习路径搭配（包括学习活动序列、学习过程的评价和指导等）。

（三）自适应引擎设计

自适应引擎定义了学习者模型中个性特征与内容模型中各个部分内容的关联关系，以及如何修改调整学习者模型和内容模型的一系列规则，并根据这些规则实现学习内容和学习路径的选择、组装和呈现，以及依据学习行为记录来修改与维护相应的模型和规则，一般包括静态自适应和动态自适应。静态自适应包括根据历史信息和先验个性特征为学习者选择学习起点，确定学习内容和难度，拟定学习计划等。动态自适应主要指根据学习行为记录和内容模型的变化，更新学习者模型，调整学习策略，实现学习路径和学习资源的自适应匹配。此外，基于静态的学习者个人信息和教学环境数据（如课程设置、学习计划、学习成绩）和动态的学习行为数据，进行教育关联数据挖掘，可以分析数据间的相关性和学生行为模式，为教育管理部门进行教务管理、课程体系设计等提供决策支持。如余如等利用信息论中互信息模型进行教育数据关联模式挖掘，为教育数据正负关联模式提出了一种新的评价标准[9]。在线开放学习平台为自适应引擎实现奠定了基础，教育大数据的采集和运用为智能化的教学设计提供了充足“养料”，为利用机器学习为代表的人工智能技术提供了足够的训练资料。得益于机器学习技术的飞速发展，深入挖掘包括学习者的知识水平、学习风格、情感状态等个性特征数据和学习过程数据，能够创建具有智能感知、推理、辅助决策等功能的自适应引擎，实现个性化自适应学习环境，促进学习者的智慧全面、协调和可持续发展。[1]

三、小结

本文在大数据视角下从发展现状、理论基础和核心模块三方面对个性化自适应学习模式及其系统构建进行了初步探讨。通过构建个性化自适应学习系统可实时、全面、精准地获取教育数据和智能分析处理，感知学习者的学习需要和学习状态，为学习者推荐最适合的学习内容与路径，为教师及时准确地优化教学策略，为教育管理者提供科学的、个性化的决策支持。

[ 参 考 文 献 ]

[1] 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）：5-13.

[2] 何克抗.大数据面面观[J].电化教育研究，2014（10）：8-16+22.

[3] 郭朝晖，王楠，刘建设.国内外自适应学习平台的现状分析研究[J].电化教育研究，2016（4）：55-61.

[4] 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）：25-32.

[5] 姜强，赵蔚，王朋娇，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.

[6] 王志军，陈丽.联通主义学习中教学交互研究的价值与关键问题[J].现代远程教育研究，2015（5）：47-54.

[7] Scharmer， O. MOOC 4.0： The Next Revolution in Learning & Leadership [DB/OL]. [2015-05-12]. http： //www. huffingtonpost.com/otto-scharmer/mooc-40-the-next-revolu-ti_b_ 7209606.html.

[8] 赵学孔，岑磊.面向用户需求的自适应学习系统个性化学习路径推荐研究[J].中国教育信息化，2016（21）：28-31.

[9] 余如，黄名选，黄丽霞. 基于互信息的教育数据矩阵加权正负关联模式发现[J].数据采集与处理，2015，30（1）：219-230.

[责任编辑：刘凤华]