自适应学习研究发现与展望

陈洋 戴仕明 冯爽爽

摘要：自适应学习技术一直是把技术融入教育的关键技术之一，结合相关论文，总结2013年至2017年个性化自适应学习技术在各方面的研究成果，包括元认知，情感状态，情境变化等方面相关文献的统计分析和介绍，并对自适应学习未来的发展提出自己的想法。自适应学习研究以心理学原理为辅助，以学习者为中心，探索学习者的方方面面，制定个性化学习模式，并且不断向纵深发展。自适应学习技术将会越来越成熟，我们将进入“未来学习”时代。

关键词：自适应学习；个性化；元认知；学习情感；学习环境

中图分类号：TP391.9 文献标识码：A 文章编号：1009-3044（2018）16-0141-04

Adaptive Learning Research and Prospects

CHEN Yang， DAI Shi-ming， FENG Shuang-shuang

（Jiangxi Agricultural University， Nanchang 330045， China）

Abstract： Adaptive learning technology has always been one of the key technologies for integrating technology into education. In conjunction with related papers， we have summarized the research results of individualized adaptive learning technologies from 2013 to 2017 on various aspects， including metacognition， emotional status， and situational changes. Statistical analysis and introduction of relevant literature in the field， and put forward my ideas for the future development of adaptive learning. Self-adaptive learning research is based on the principles of psychology. It focuses on learners， explores all aspects of learners， formulates personalized learning models， and continues to develop in depth. Adaptive learning technology will become more and more mature. We will enter the era of "future learning".

Key words： adaptive learning； personalise； metacognition； learning emotions； learning environment

1 引言

所謂的“自适应学习技术”，是指根据学习者学习情况自动调整推送方案以适应其个性化学习需求的软件技术和平台，这也是属于“互联网+”模式的一种。个性化学习为促进学习者的个性发展，借助大数据的帮助详细描述每个学习者的学习特性，为学习者画像，因此可以与自适应学习技术相结合，为每个学习者创建个性化的自适应学习体验和路径，推送适合个人学习的学习内容、课程规划和练习等[1]。学习者可以了解到自己的问题，学习更有效率；教师也可针对具体情况选择不同的教学方式，提高教与学的高效和科学。

在互联网技术不断进步和改变教育体验的同时，实现教育公平已经不成问题。以大数据、云计算、人工智能、AR/VR为代表的新技术在教育上的应用，以学习者为本，因材施教，达到个性化自适应学习。自适应学习系统不仅可以扩大教育范畴实现时时学习和终生学习的想法，构建全方位的数字化学习环境实现处处能学习，还可以用技术改变教育，提升学习品质，这也是未来教育行业发展的目标。美国教育技术规划（2016）提出“为未来做好准备的学习”理念，强调基于大数据分析开展个性化学习，其中的未来学习、未来教学、未来领导力、未来评估、和未来基础设施各部分协同配合就是实现处处能学、人人能学、时时能学的基础，是技术使能教育观念的体现[2]。本文将几年来国内外关于自适应学习的研究情况做出分析和介绍。

2 相关文献的统计分析和介绍

2018年2月至3月，笔者对中国知网按主题进行检索，检索式=“自适应学习+元认知||情感||学习环境”，共检出52篇文献；检索式=“Adaptive learning + Meta-cognition”，和检索式=“Personalized adaptive learning technology”共检出35篇文献。经过认真地阅读和筛选，除去内容重复及内容不太相关的文献，国内外关于自适应学习研究的文献还剩43篇。

2.1 国内外文献的时间分布

从时间上来看，不同年度发表的论文可以从数量上反映出相关主题研究的水平和速度。2013-2017年有关自适应学习的文献，国内外具体时间分布如下：

从上表可以看出，我国在自适应学习方面的研究比国外的研究更深入，尤其是近两年的论文发表数目。我国的教育历史悠久，但在教育技术方面，国外研究的较早，而美国是世界教育信息化建设的领头羊，具备最先进的教育技术和教育观念。早在2010年奥巴马政府已经申明技术要成为教学的组成部分，网络教育更深入地在各国全面展开。我国也不甘落后，近几年不断发展教育技术，在研究上形成了一定的规模，产生了较大的影响。

2.2 国内外文献的期刊分布

经统计，国内32篇文献分布在18种期刊内，其中核心期刊发文11篇，国家级期刊发文4篇，高等院校发文11篇，其他期刊发文6篇。自适应学习相关文献发表于教育核心期刊和高等院校所占比例最重，主要集中在《中国电化教育》，国家级期刊占总数的12.5%，其他期刊发表文献占18.75%，具体情况见表3。而国外11篇文献分布在9种期刊上，其中《Springer International Publishing》和《Computers in Human Behavior》上分别有两篇关于自适应学习的文献，其余期刊各只有一篇相关文献，分布较分散，详情见表4。

2.3 文献的作者分布

国内外43篇文献中，发文两篇及以上的作者仅有5人，都是国内的作者。作者分布较分散，这说明个性化自适应学习尚未形成一个鲜明、独立、有特色的研究领域，该研究需要向纵深发展。至于作者群方面，有多年研究和经验、掌握多项国家基金项目的教授；有省重点实验室的研究者；有计算机系、教育技术系专业的硕士和博士。可见个性化自适应学习的研究集中在高校，受到了教育界的重视和参与 。

3 研究内容

3.1 研究现状

世界各国非常重视教育，尤其是美国在个性化自适应学习的研究比较深入。美国推出的国家教育技术规划，指出这是使用技術促进超越阶级、地域、身份背景等学习的最好的时代，实现教育公平。2017年地平线报告预测了六项具体的关键技术，还预测技术融入教育之中将出现的六项趋势和六项挑战，探讨如何把技术应用在教与学中。自适应学习技术一直是地平线预测技术的研究对象，从最早的长期关键技术，到后来的中期关键技术，直到今年纳入短期关键技术。可见自适应学习技术从最初的构想和不成熟，变成了成熟且可行的学习技术[3， 4]。

我国在个性化自适应学习方面起步较晚，教育信息化发展任重道远，目前处于从怎样去应用到如何去融合的重要阶段[5]。 教育部《教育信息化“十三五”规划》提出加强网络教育建设，满足个性化学习需求，由此网络教育不断发展，出现在我们生活的方方面面。

3.2 自适应学习内容研究

马相春等[6]分析了个性化自适应学习系统的核心要素：学习者需求、学习群体社会化、学习情感、学习资源情境化、系统生态化及自我进化、数据采集精细化，从而对个性化自适应学习系统的基本架构进行设计，把系统分为感知层、数据层、信息层、控制层和应用层五个层次，并且提出基于加权协同过滤的学习资源推送算法，采用权值启动法解决冷启动和稀疏矩阵的问题。

曹重华[7]通过分析影响学习者学习效率的关键因素和师生之间非网络原因交互不畅，提出多维多粒度学习者个性模型LPM3和交互状态模型，基于这个模型的特点，又提出显、隐式获取和推理获取学习者属性等策略，为学习者提供个性化的服务，该模型的应用能有效减少知识迷航，提高基础教育信息化水平，促进基础教育均衡发展。

刘清堂等[8]分析智能感知、学习分析、情感计算等智能技术，对智能技术的发展提出以学习分析为核心，结合自适应学习技术和数字教师为未来发展方向，实现智慧学习。

Sergio Gómez等[9]认为移动设备的兴起，可以通过移动设备给学习者提供学习体验，并根据学习者的个人特征和情况进行量身定制。为此，他们提出了一个上下文感知自适应和个性化移动学习系统，旨在支持学习活动的半自动适应，即适应学习流程和适应支持学习活动的教育资源，工具和服务的相互关联。

3.3 自适应学习应用研究

姜强，赵蔚教授的研究团队[10]经过十多年的努力，以应用为主和回归本土化的思路，研发了个性化自适应学习系统，实现了学习风格模型建构、认知水平模型建构，利用协同过滤技术实现个性化学习路径优化推荐。其中菅保霞[11]研究了自适应学习个性特征模型的构建方法，解释了最常见的建模技术，并从知识水平、错误/误解模型、认知特征、情感特征、元认知特征等方面分析如何构建模型，为系统的自适应调节提供依据，促进教育个性化。

刘小丹等[12]对于自适应学习系统与学生之间缺乏双向情感交流，提出一种基于情绪感知的学生模型，得知学生的情绪变化，即时调整教学方案和策略，提高效率，使学生获得更好的学习效果。

王聪等[13]把自适应学习环境和大学英语学习相结合，针对大学英语学习者在自适应学习环境中学习风格的研究，完善自适应学习系统中学习者模型的构建，也利于大学英语个性化的学习。

朱珂等[14]提出应用学习分析技术的自适应学习系统框架，系统可以获取、分析学生及学习环境等数据，为教师分析决策提供参考。

王洪江等[15]对自适应学习系统的学习者模型进行比较，得出开放学习者模型不局限于对个人信息的收集，允许学习者访问系统对自己的评价信息，利于学习者模型的优化，还可以和多种学科结合。目前国内对开放学习者模型的研究比较少，作者鼓励借鉴国外的研究成果，使开放学习者模型本土化，促进学习者的元认知水平和学习水平提高。

双语/双文化方法论是聋哑人教学的新趋势，聋哑人的主要语言是手语，而第二语言是普通语言。Salah Hammami等[16]提出一个适合聋哑人使用的电子学习系统，这个系统基于一组特定的技能适合有弱点的学习者使用，并且自适应电子学习系统通过移动技术的不断发展，让聋哑人可以更方便地访问学习资料。

个性化技术是许多专家为改进学习而推荐的经典解决方案。信息和通信技术以及在线课程有助于减少教师面临各种学生在课堂上遇到的困难。然而，即使是最复杂的技术也没有解决个性化学习带来的所有挑战，并且在教师不熟练使用技术的情况下，自适应系统只会使在线课程的实施复杂化。因此，Dolores Lerís等[17]提出了MOOC的适应性构造来确定一些具体的个性化指标。这些指标是根据之前完成的工作而选定的，并且基于学习的两个方面：自我管理和合作。进行一项研究以找出MOOC中参与者最易接受的指标，并考虑其他MOOCs的表现是否会影响参与者对此结构的看法。

以上作者从元认知、学习者情感和学习环境等不同角度研究了自适应学习系统和模型构建，与学科相结合，还考虑到了残障人士如何学习。自适应学习技术改变了传统的教学模式，不仅体现了个性化学习，还可以提高学生的学习兴趣和学习效率，学习者学到知识并把理论用于实践做到物尽其用，人尽其才。

4 自适应学习研究展望

綜上所述，国内外围绕自适应学习的研究涉及了很多方面，一切以用户为中心，提出了很多有价值的方法和应用，这也有助于自适应学习的进一步探索。笔者认为，要做到个性化学习需要结合学习者个人的学习风格、动机、情绪等等问题，这里涉及了很多心理学方面的问题，利用心理学原理可以提高用户体验，要让学习者觉得这个学习方案对我有用，学习者对这种模式就乐见其成，不会有排斥的情绪出现。比如“鸡尾酒效应”，人对与自己有关的刺激能立即引起注意，不管周围环境是否嘈杂，这个原理可以应用到个性化推送中，以合适的时间，合适的内容推送给最需要的用户。

在心理学上他人可以通过人的表情、肢体动作、穿衣打扮等方面来分析人物心理。例如通过瞳孔的变化、眉毛的动作捕捉人的情绪，当闻到刺鼻的气味时，鼻子会轻微颤动，用手捂鼻来表现厌恶。学习者情感状态的变化，对自适应学习系统来说是一个巨大的挑战，但是目前对于情感状态在学习中影响的研究还有待突破。

参考文献：

[1] 李昭涵， 金桦， 刘越. 人工智能开启“互联网+教育”新模式[J]. 电信网技术， 2016（12）：6-10.

[2] 郑金秋， 李百慧， 姚鹏阁. 重新审视技术变革学习的作用——美国“国家教育技术规划（2016）"的解读与启示[J]. 现代教育技术， 2016，26（10）：30-36.

[3] Adams B S， Cummins， Davis， et al. NMC Horizon Report：2017 Higher Education Edition[J]. Journal of Open Learning， 2017.

[4] 金慧， 胡盈滢， 宋蕾. 技术促进教育创新——新媒体联盟《地平线报告》（2017高等教育版）解读[J]. 远程教育杂志， 2017（02）：3-8.

[5] 龚春芬. 自适应学习技术在高等教育中的应用初探[J]. 中国成人教育， 2017（04）：108-110.

[6] 马相春， 钟绍春， 徐妲. 大数据视角下个性化自适应学习系统支撑模型及实现机制研究[J]. 中国电化教育， 2017（04）：97-102.

[7] 曹重华. 多维多粒度的学习者个性模型及其处理策略研究[D]. 江西财经大学， 2016：144.

[8] 刘清堂， 毛刚， 杨琳， 等. 智能教学技术的发展与展望[J]. 中国电化教育， 2016（06）：8-15.

[9] Gómez S， Zervas P， Sampson D G， et al. Context-aware adaptive and personalized mobile learning delivery supported by UoLmP[J]. Journal of King Saud University - Computer and Information Sciences， 2014，26（1）：47-61.

[10] 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（02）：25-32.

[11] 菅保霞， 姜强， 赵蔚， 等. 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[J]. 远程教育杂志， 2017（04）：87-96.

[12] 刘小丹， 胡小红. 自适应学习系统中基于情绪感知的学生模型设计[J]. 中国教育信息化， 2015（19）：85-88.

[13] 王聪， 王栋. 大学英语自适应学习环境下的学习者学习风格研究[J]. 中国电化教育， 2014（07）：145-149.

[14] 朱珂， 刘清堂. 基于“学习分析”技术的学习平台开发与应用研究[J]. 中国电化教育， 2013（09）：127-132.

[15] 王洪江， 黄洁. 面向自适应学习系统的开放学习者模型研究[J]. 数字教育， 2017（02）：23-28.

[16] Hammami S， Saeed F， Mathkour H， et al. Continuous Improvement of Deaf Student Learning Outcomes based on an Adaptive Learning System and an Academic Advisor Agent[J]. Computers in Human Behavior， 2017.

[17] Lerís D， Sein-Echaluce M L， Hernández M， et al. Validation of indicators for implementing an adaptive platform for MOOCs[J]. Computers in Human Behavior， 2016.