智能自适应学习系统研究

刘斌

摘要：在本文中，综述了智能自适应学习平台的相关研究。首先介绍了国内外在这一研究领域的发展过程。其次，介绍了智能自适应学习平台的研究方法、技术路线和实验方案。然后介绍了相关模型的研究内容。此外，给出了为解决相关问题而进行的针对性的设计。最后，总结了解决不同问题而采取的措施，以及达到的效果。

关键词：智能;学习系统;研究

中图分类号：TP311.5 文献标识码：A 文章编号：1007-9416（2019）12-0139-02

0 引言

自适应学习长期以来一直是教育研究领域所关注的话题。其中，智能自适应学习是“人工智能+教育”的实现。学习者都希望接受优质教育，但优质的教育资源终究有限，以人工智能技术模拟优秀教师的教学行为，以学生学习的大数据为基础，通过机器学习与训练，理解学生学习所处的情境，不断通过数据分析获得学习者目前的学习水平与状态，并且相应地调整学习活动与进程，为学生推荐最有价值的知识点，最大限度地提升学习效率，帮助学习者实现差异化的学习，真正做到因材施教，最终实现个性化教育。

国外从上世纪90年代，开始研究自适应学习技术，相继开发了AnnotetEd、ApeLST、HDEAL、IWeaver、ALFENE等智能自适应系统随着信息技术的发展，自适应学习和人工智能的结合越来越紧密，并且受到了国内外学者的广泛研究。我国对智能自适应学习系统的研究开始于2002年，目前看主要集中在理论研究阶段[1-11]。

1 研究内容

智能自适应学习系统分为三个核心部分：行业知识模型、自适应推荐模型和基于学习者的模型。

1.1 行业知识模型研究

行业知识模型是基础。将采用谷歌提出的知识图谱工具，来实现行业知识模型的构建;为满足系统的实用性需求，以大量学习者的学习路径数据作为训练样本，采用深度学习算法来分析和挖掘知识点之间的关联规则，从而更新行业模型。知识图谱实现流程见图1。

1.2 学习者模型研究

学习者模型是对研究对象（参与者）的模型构建，包括学习者知识模型和学习行为模型。主要考察学习者的基本信息、学习能力、学习行为、学习水平等主要因素，基于数据和覆盖来实现学习者知识模型的构建。

自适应学习模型原理如图2所示，这是一种基于无监督的神经网络模型，采用了自编码技术，可以有效解决传统构建方式在预测精度、鲁棒性、以及冷启动等问题。通过把学习者的基本信息、学习能力、学习行为、学习水平等作为输入数据，从而获取数据之间的潜在特征，即编码，使用这些编码可以实现新数据的生成、干扰信息的清除，最终训练的结果使x与x达到一致（或者尽量接近）。

1.3 自适应推荐模型研究

推荐模型可以实现学习者的最优学习路线，这里主要研究使用蚁群算法对路径的推荐，蚁群算法主要是对蚂蚁觅食行为进行人工模拟，主要包括信息素的累积阶段、通过蚂蚁协作优化路径两个阶段;将蚁群算法的最短路径搜索思路应用于推荐模型中，可以根据学生者学习的历史数据实现最优学习路径，如下一步学习者该学什么内容、内容的难度安排如何、学习时长、教师团队的变更等，从而实现学习者的高效学习。

2 系统实现

综合运用认知理论、学习理论、大数据技术、人工智能等学科知识和技术，实现人工智能技术与教育的深度融合，以实现因材施教、个性化学习的目标。系统由数据层、应用层和展现层三层结构组成，不同层级之间通过系统内部的接口进行数据、信息的交互，降低系统耦合，提高系统的稳定性，便于系统的扩展，架构如图3所示。

第一层（底层）为数据层，负责核心数据的数据库存储和资源文件的分布式文件存储，分布式文件存储系统支持海量资源的存取访问，随着资源的扩充可以方便地进行水平扩容。

第二层是应用层，主要包括系統平台级别的基础服务子层、具体的业务逻辑子层和面向展现的控制层接口。基础服务即系统平台所具备的核心能力，如知识领域模型、学习特征模型的建立和管理等。业务逻辑子层即实现了系统各项具体的业务功能，包括资源库的建立、访问和维护，学生的自主学习、智能学习分析和定制化的学习规划，智能化的资源推送功能，以及学生和教师之间的交流互动等业务。面向展现的控制子层主要负责提供展现层所需要的页面及数据访问接口，处理展现层发来的各项请求，实现具体各项业务的访问和调用。

第三层层即展现层，主要是利用REST API向使用PC、Android和iOS客户端的用户提供系统各项功能的访问接口。

3 结语

本文重点阐述了构成智能自适应学习系统的三个核心模型：行业知识模型、自适应推荐模型和基于学习者的模型，包括采用深度学习自编码技术用于学习者的学习行为模型的构建，以解决传统构建方式在预测精度、鲁棒性、以及冷启动等问题，针对自适应推荐引擎，采用群智能蚁群算法。最后提出了智能自适应学习系统的实现方案。

参考文献

[1] Knewton.Knewton adaptive learning building the world's most powerful education recommendation engine[DB/OL].[2019-02-25].https：//www.knewton.com/wp-content/uploads.

[2] 韩营，赵蔚，姜强，等.动态思维导图引导的知识资源共建共享模型[J].现代远程教育研究，2017（01）：105-112.

[3] 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，2017，35（04）：87-96.

[4] 姜强，赵蔚，刘红霞，等.能力导向的个性化学习路径生成及评测[J].现代远程教育研究，2015（06）：104-111.

[5] 趙蔚，姜强，王朋娇，等.本体驱动的e-Learning知识资源个性化推荐研究[J].中国电化教育，2015（05）：84-89.

[6] Wolf C. iWeaver： towards' learning style'-based e-learning in computer science education[C]//Proceedings of the fifth Australasian conference on Computing education_ Volume 20.Australian Computer Society，Inc.，2013.

[7] 杨雪，姜强，赵蔚.大数据分析与教育改革：对2016年第十五届教育技术国际论坛的思考[J].现代远距离教育，2017（02）：62-75.

[8] 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.

[9] 龙三平，张敏.在线学习理论研究的现状与趋势：基于SSCI数据库（1994-2013年）的科学计量分析[J].远程教育杂志，2014，32（03）：64-70.

[10] 万海鹏，余胜泉.基于学习元平台的学习认知地图构建[J].电化教育研究，2017（9）：83-88.

[11] 冯新翎，何胜，熊太纯，等.“科学知识图谱”与“Google知识图谱”比较分析：基于知识管理理论视角[J].情报杂志，2017，36（1）：149-153.

Research on Intelligent Adaptive Learning System

LIU Bin

（Artificial Intelligence Education Research Center of  Qilu Normal University， Jinan  Shandong  250200）

Abstract：In this article， the related research of intelligent adaptive learning platform is reviewed. Firstly， the development process of this research field at home and abroad is introduced. Secondly， the research methods， technical routes and experimental schemes of the intelligent adaptive learning platform are introduced. Then the research contents of related models are introduced. In addition， a targeted design for solving related problems is given. Finally， it summarizes the measures taken to solve different problems and the results achieved.

Key words：intelligence; learning system; research