自适应学习支持下的美国高校课程设计和教师角色研究

汪存友　黄双福

[摘   要] 自适应学习系统为高等教育带来了诸多优势，如何充分利用自适应学习系统进行教学成为高校教师亟须解决的问题。基于此，文章通过剖析已规模化应用自适应学习系统的美国科罗拉多理工大学，发现该校重构了以掌握学习为理念、多级贯通结构、自主创设多倍资源的课程设计模式，认为教师是施行自适应学习系统的关键因素，以教学策略的施行者、学习监管者、学生引导者三方面转换了教师的角色定位，并已形成“以教师教学为中心”的自适应教学文化，最大化地满足了学生的个性化学习需求。最后，文章建议我国高校以MOOC为基础，以教师为中心来重构系统化、高质量、联结化、去学期化的自适应学习课程，并帮助教师掌握技术以更成功地开展课程。

[关键词] 自适应学习系统; 自适应学习课程; 美国高校; 课程设计; 教师角色

[中图分类号] G434            [文献标志码] A

[作者简介] 汪存友（1982—），男，湖北随州人。教授，博士，主要从事自适应学习技术、多媒体学习认知理论研究。E-mail：c.y.water@163.com。

一、引   言

近年来，随着现代信息技术的发展与现代教育理念的转变，知识的传播与获取方式发生了根本变革，学生能够以多种方式获得丰富优质的学习资源，学生对学习的需求越来越个性化。与此同时，教师所面临的主要挑战是：确定每个学生在课堂上的知识水平基础并据此施以个性化的教学方法来更好地支持每个学生的学习。通过技术手段的介入，教师可以利用各种方法来实现学习的个性化[1]，其中就包括已在教育领域广泛应用的自适应学习系统。

自适应学习系统早在20世纪90年代的美国就已存在，发展至今，国内外已有诸如Knewton、DreamBox Learning、Realizeit、CogBooks、松鼠AI、论答等自适应学习系统。这些系统以学习者的“个体差异”为基点，依据学习者的“个体表现”动态适应性地改变所教授的内容和资源的呈现方式以匹配他们当前的能力水平[2]，从而增强学习卷入度，缩小成绩差距，提高课程通过率，保证课程进度，帮助教师摆脱“教”的重负，转向为学生学习活动提供自适应、个别化支持[3]，达到个性化教学和高效率教学的效果。此外，一项基于6400门课程（其中1600门是自适应课程）学习数据的分析结果表明：自适应课程在提高学生成绩方面的效果更加显著[4]。

鉴于自适应学习系统的种种优势，在美国高等教育阶段，越来越多的高校开始聚焦如何初步建设与规模应用自适应学习系统[5]，采纳自主开发的或与成熟的商业平台合作开发的自适应学习系统，如约翰·霍普金斯大学（Johns Hopkins University）、中佛罗里达大学（University of Center Florida）、科罗拉多州立大学（Colorado State University）以及密歇根州立大学（Michigan State University）等等。目前高校尚处于实施自适应学习的起步阶段[6]，需要高校投入大量的资源来建设，但受制于高校内外部因素的复杂性，即便是同一自适应学习系统也会因其实施情况的不同产生不同的效果[7-8]。这种经验上的不易迁移与资源上的高投入导致部分高校面临难以实施自适应学习的困境。尽管如此，由美国在线杂志Inside Higher Ed和盖洛普（Gallup）组织发起的一项对大学校长的调查研究表明，自适应学习要比MOOC更有可能对高等教育产生积极影响[9]。当前，我国高校有自适应学习系统的屈指可数，且尚未规模化。借鉴国外高校应用自适应学习系统的成熟经验，将有利于我国高校更好地将其与教学结合。此外，先前的研究表明，教师以技术手段介入教学势必导致教师教学方式、教学过程等发生转变，尤其是对于使用自适应学习系统开展教学的高校教师而言，十分有必要厘清发生何种变化将有利于他们更好地适应技术、改善教学。基于此，本研究将以美国科罗拉多理工大学规模化应用的自适应学习系统IntelliPath为例，探讨自适应学习系统支持下的高校在课程设计模式和教师角色定位两方面的变化，以期为我国高校在自适应学习系统支持下的课程建设与应用提供经验与启示。

二、美国科罗拉多理工大学

“IntelliPath”项目概述

科罗拉多理工大学（Colorado Technical University，简称CTU）是一所私立营利性大学，提供了多门学科从学士到博士学位的所有课程，其中学生的平均年龄为36岁。CTU将自适应学习视为长期学术规划方案的主要构成部分[10]，用以解决多元化的学生群体在知识基础和学习风格上的较大差异性，以及伴随的课程成绩、通过率较低等问题。为了给学生提供更为综合且动态的学习环境，满足个性化学习需求，自2012年秋季开始，CTU 通过将Realizeit自适应学习平台集成到已有学习管理系统中，推出了自适应学习系统IntelliPath（智能路径）。该项目多次获得美国西部州际高等教育委员会教育技术合作社（WICHE Cooperative for Educational Technologies）的杰出工作獎。CTU最初在三门大一的通识教育课程（包括两门数学课程和一门英语课程）中实施自适应学习计划，大约有100名学生参与其中[10]。而发展至今已颇具规模，目前CTU已建设自适应学习课程218门，学生人数129287名，约有600名教师从事自适应教学的研究[11]，基本实现了IntelliPath在CTU中的大规模应用。

相较于其他国内外主流的自适应学习系统，CTU的IntelliPath更加致力于依据学生成绩、学生反馈和教师反馈作为驱动因素来实现大规模范围内的自适应学习。在IntelliPath中，学生同样也需要经历“测、学、练、测”的自适应学习过程（如图1所示）[12]。对于教师而言，IntelliPath提供了各种可视化工具来全面呈现学生在学习路径、学习进度、学习表现和评估结果方面的情况，也允许教师主动调整学习路径和每个内容节点，施予学生适当干预，为学生提供同步或异步的支持，并通过IntelliPath评定每个学生的最终成绩。图2描述了学生学习路径中从尚未掌握到完全掌握的5种能力水平（初学者0～59%、提高者60%～69%、胜任者70%～79%、专家80%～89%、大师90%～100%）。

三、IntelliPath支持下的课程设计模式

（一）基于掌握学习的课程学习模式

本质上，自适应学习的课程模式是一种适性调整的指导性课程模式，它以“掌握学习”（Master Learning）为出发点和归宿，认为学习者是否通过一门课程，应该基于学生对特定领域知识的精通程度来决定，并且学生能够通过一系列的活动来提高自身对学习材料的认知程度，而不是单纯由测验成绩、观看次数和花费在课程上的时间来定夺。在该模式中，系统尝试通过同异步交互来调整并激励学习者学习，让学习者体验到最大程度的概念整合，知晓学科领域内的详细概念是如何融入当前所学的具体课程中的，是一种有效且高效的教学模式[13]。如果说传统课程中教育的时间是常量，学生的学习是变量，那么在自适应学习课程中，学生的学习是常量，学生通过课程学习后的结果是明确的，是对课程目标要求的悉数概念的精确掌握，但时间就将成为不确定的因素。

IntelliPath在早期主要用于整合在线课程，在取得初步成效后， CTU于2015年1月开始在三角学和微积分预科课程的混合式课程中嵌入IntelliPath[14]。换个角度来说，这种模式也实现了混合式教学，即适应性学习环境和课堂学习环境的融合，但又不同于自主决定学习方案和学习步调的在线课程模式，自适应学习课程允许学生跳过已知的内容并选择由形态各异的学习资源来构成不同的学习路径进行学习，既能发挥教师在课堂教学中的主导作用与在线课堂中的干预作用，又能体现学生以自主学习的方式在难度逐级递增的概念学习中“不断流动”，呈现螺旋上升趋势的学习方式。在CTU的混合式课程中，IntelliPath还作为原有LMS的延伸，提供小组讨论、在线聊天、学习工具等功能。在外部的课堂教学中，教师可以为学生提供主动学习、针对性讲解、在课堂中使用IntelliPath学习等活动。此外，根据课程和教师的安排，学生还必须在IntelliPath中完成多个非适应性的作业[15]。

（二）多级贯通的课程结构

在基于能力的自适应课程中，教师依据特定领域知识分解出的概念节点构成了一个有向无环的知识地图，这不同于以层次结构来表示的传统课程结构，意味着数学课程可以转变为一系列连续技能的集合。“中级代数”是“高等代数”的先导课程，“高等代数”可以是“抽象代数”的延伸课程，教师可以在“高等代数”的课程结构中有选择性地并入其他课程，形成一个连续的课程而不是一系列分散的线性课程，这些课程以知识点网络相互联结，并且不提供任何额外的学分，确保了水平参差不齐的学生能够找到学习入口、得到支持帮助或接受新的学习挑战。同时，为了防止学生连课程设计中的最初概念节点都未掌握，CTU在当前课程中添加了一个零级课程（Unit Zero），它由一个可被访问但未被分配的课程库组成，在IntelliPath发现学生存在较大知识鸿沟后，系统根据需要从课程库中抽取节点或课程添加到零级课程中，用于为学生提供必要的基础技能，填补知识空白，以至于能达到课程学习的最低标准，进而完成更为困难的学习[16]。

对于CTU的教师而言，他们面临的主要问题就是重新设计课程，编排课程内的单元模块、学习节点与课程资源（如图3所示），而自适应课程的课程目标和概念的颗粒度是CTU教师课程设计的关键所在[17]，二者决定了学习者的最终产出与过程变化。学生的学习由自适应引擎驱动，仅与学生对所学概念的掌握程度有关，与内容无关，因而教师应该确保课程中概念颗粒度的适中与目标的合理，太粗糙的颗粒度容易导致学生对某一概念的长时挣扎，太精细又会因繁琐的学习过程使得学生降低兴趣。教师在确定概念节点和课程目标之后，开始创设课程的学习路径，包括零级课程库的建设与多级课程的添加等内容。继而链接节点与资源，在各个节点中填充所需要的学习内容、测验问题等课程资源，并设置评价标准，以最终满足IntelliPath施行的最低要求。

（三）自主創设多倍的课程资源

早在开展自适应学习课程的试行阶段，CTU就认为确保教师为每门课程提供自主创设的定制内容并参与课程创建是最合适的办法[16]。在建设课程内容方面，目前的自适应学习系统主要分为两类：供应商提供与自主创设，而Realizeit属于后者，它在教学内容制作和课程开发方面的赋权给予了教师更多介入课程设计过程的可能。

自适应学习系统需要开发大量课程资源，且在资源的组织上多以“自上而下”“自下而上”与混合式为主[18]。在哈佛大学与TutorGen联合创建自适应学习课程HarvardX的研究中，他们认为将原有MOOC课程内容扩充三倍是能为学生提供真正的自适应学习体验的最低程度[19]。的确，为了确保自适应学习课程的正常使用，CTU的教师需要自主扩充原有教学部分（学习材料）和评估部分（测验问题）中的资源内容，而资源的扩充倍数问题则是由作为课程开发核心的教师来定夺，他们可以在后续对课程循环迭代设计的过程中依据指标、学生需求和教师干预等内容来修改资源的倍数问题。总之，学生的习得是通过与课程资源交互后形成的，因而教师不应只看重资源在数量上的扩充，更应重视资源在质量上的提高。

此外，IntelliPath将不同载体形态的课程资源划分为简介、学习、交互案例和总结5种子类（如图3所示），某些内容资源可能具有多个子类，也有可能不属于任何子类。简介是对当前节点所涉及主题的简要介绍。学习是指诸多载体形式的学习材料。交互案例主要是一些不计分且可重复尝试的练习案例或问题。而问题是由IntelliPath根据课程主题选择的一系列包括主观题目（比如项目活动或论文）在内的随机问题集合，回答结果将会计入学生的课程成绩中。总结是对当前主题学习内容的综合概括。系统会依据学习者当前的“差异”和“表现”来编排多种资源子类的最佳呈现顺序以供学习者学习，而教师要做的就是在开发课程资源时将为每个已制作的资源添加元数据标签，一方面确定该资源的类型，另一方面也链接到相应课程的学习节点中。最后，考虑到开发自适应学习课程会非常费时费力，CTU允许教师与教学设计师和课程开发人员合作来减少教师的工作量，这也使得教师能够作为学科专家更专注于课程资源的建设[20]。

四、IntelliPath实施下的教师角色定位

事实上，我们不仅应该关注自适应学习技术具有的功能，更应该关注自适应学习施行过程中教师的教学过程，任何成功的自适应学习平台的大规模运用都需要教师的支持[21]。正如他们的文章所述，CTU关注自适应学习中教师以何种独特视角对待教学实施中的技术渗透，通过“关注内部教师”来形成一种“以教师为中心”的创新文化，鼓励教师进行自适应教学。此外，他们还总结了三条实施原则：为教师传递积极影响，而不仅仅是为了学生;为教师提供相关、灵活且持续的发展;尊重教师的想法并赋予教师发声的权利[22]。

（一）教师作为教学策略的施行者

教师必须意识到自己在自适应学习课程中的作用，将自适应学习技术整合到课堂教学中并不代表着教师可以放弃教学活动，无论技术带来的影响程度如何，教师都必须抵制将教学重点放在自适应学习系统的技术功能上，而忽视了自适应教学模式或教学方法的重要性。

CTU为教师制定了四条针对每个学生的教学策略：教师在场、教师参与、内容相关和教学创新[22]。教师的存在首先要解决在线学生的孤独感和挫败感，通过IntelliPath来增强他们学习体验的真实感和临场感，建立有意义的师生关系。教师在自适应学习过程中的积极参与是学生参与和成功的关键，通过IntelliPath回答学生问题并提供解释和指导，引导学生理解适应性材料本身，引导他们如何在学习路径中稳步前行，规划自己的未来学业，鼓励学生学会使用IntelliPath作为反思和指导自主学习的有效工具，从而获得最佳的学习体验。此外，教师还需要定期审查与更新适应性学习内容，融入专业性知识与自身实践经验到抽象的学习内容中来，以提高学生对课程内容相关性的深度理解。教师能够在IntelliPath中找到他们最需要的数据信息，随着他们对自适应学习系统机制和功能的深入理解，技术和数据将继续驱动他们产生新的教学方法和想法来改善学生的学习体验。最后，教师还需要营造一种令人鼓舞和积极的学习氛围，让学生得到支持和认可，使他们不因教师的个人喜好而受到差别对待，也不因自己对教师的爱戴程度而影响学习态度。

（二）教师作为学习的监管者

教师的部分教学工作被自适应学习引擎所取代，这使得他们能够花费更多时间在引导与监控学生的学习过程上，并依据系统提供的分析功能改善师生之间的互动和干预。为了确保课程理念的有效实施，教师应作为一个“流动的”监察员，一方面透过IntelliPath呈现的教师界面实时掌握学生的学习进展，为有特殊需求的学生分配学习材料，调整学习步调，修正学习路径，或是将在同一概念的学习上遇到困难的多名学生统一成组进行讲解;另一方面教师可以根据学生差异或课程内容来灵活调整“线上教学”（自适应学习活动）与“线下教学”（自主学习活动）在教学中所占的比重，两者之间没有绝对的界限，是一个连续的统一体，为此，CTU专门为师生开发了移动端应用程序“CTU Mobile”来支持IntelliPath。此外，通过对CTU学生使用自适应学习平台的行为数据进行分析，研究人员以动物隐喻的方式总结了四种行为模式：兔子（初始阶段快速完成）、乌龟（缓慢且稳定地前进）、青蛙（每周完成一系列进度）、袋鼠（课程末期长时完成），以及伴随着的四种失败成因：早期动机缺失（Early Momentum Loss）、后期动机缺失（Late Momentum Loss）、稳定下降（Steady Decline）、趋平（Flatline）[23]。通过上述的行为模式与失败成因，教师可以更有针对性地调控学生的学习，防止学生在课程学习中失败。

（三）教师作为学生的引导者

在课堂中实施技术时，大多数教师担心的是被技术所取代，但事实上，教师积极的技术参与对于学生成功使用技术来说至关重要[10]。在课堂中教师使用技术时的态度和经验直接决定了学生在面对技术时的感受，教师是自适应教育的施教者，也是自适应学习技术的一线使用者，他们应以自身的技术经验驱动学生在自适应学习中获得成功。

实施自适应课程带来的额外工作和技术演变会削弱教师参与自适应学习的积极性，但提供支持和培训将有助于提高教师的动机[24]。鉴于此，CTU参考了戴维斯（Fred D. Davis）的技术接受模型，于2012年提出了三个阶段的培训内容，将重点放在了教师的技术使用方面：（1）初级培训：主要是熟悉系统和课程技术的基本使用;（2）中级培训：侧重于介绍自适应学习的教学策略与成人学习者的学情分析;（3）高级培训：学会如何将自适应学习技术有效地整合到教学过程中，一方面考虑传递何种内容、呈现何种资源，并学会与他人协同工作，另一方面考虑自适应学习课程的开发过程，包括学习活动、评价反馈、数据分析等内容。

此外，在CTU的自适应学习培训模型中，学生被置于中心位置，学生在入学后需要经历为期两周的IntelliPath培训教程，教师将指导他们如何正确有效使用学习资源和系统功能，旨在让学生切身感受该技术带来的成功。倘若缺乏教师有效地使用技术来支持学习，会导致某些学生的学习在很大程度上出现迷航，最终趋于失败。CTU的教师文化包含了如何有效地使用自适应学习技术，对于这种文化规范而言，最重要的是教师的角色定位，即要从把技术视为一种会替代教师的威胁观念转换为一种能促进师生交互的理解观念，认为IntelliPath是教师功能的延伸，是教师的教学助手，是教师的合作伙伴[20]。随着时间的推移，教师已经认识到CTU学生是如何接受并成功的，并对使用自适应学习技术给予了充分的支持与肯定。

五、反思与启示

2018年我国教育部在颁发的《教育信息化2.0行动计划》中明确指出，高等院校应借助多方合力，推出优质慕课，以满足师生双方强烈的个性化教育需求。高校可以以自适应学习系统为杠杆，推动慕课向自适应学习课程转变，实现学生的个性化学习。为此，就我国高校自适应学习系统屈指可数且尚未规模化的现状而言，借鉴国外高校规模化的课程建设的成功经验，将有利于我国高校在自适应学习系统支持下更好地建设本土化的課程。

（一）以慕课为基础，以教师为中心，重构系统化、高质量的自适应学习课程

目前诸如自适应学习系统在内的人工智能教育应用实质上是“浅层次的以认知为导向的”[25]，倾向于“以应试为目的的”，适合于线性且结构化的知识体系，这使得自适应学习技术能与慕课中的xMOOC形式更为有效地结合起来[26]。为此，教师需要在理解课程理念的基础上，重新设计课程并整合到自适应学习系统中，如CTU在实施的早期阶段，就已重构了包括“大学代数”在内的在线课程，作为自适应学习课程的基础，为学生提供自适应学习活动。从应用现状来看，自适应学习的实施方案和实施质量是至关重要的[27]，高校需要在实施中以“教师教学”为中心来考量评估现有的内部资源和潜在的外部资源，包括但不限于权衡使用何种自适应学习产品、了解教师们对实施技术和教学方法的准备程度、与教师商榷选择哪门课程并构思如何适应或重构目标课程的现有结构等，以确保教师能够作为课程质量的保证者，保障课程内的学习节点在知识逻辑上的连续性，在学科体系上的系统性，从而为学生提供高质量的课源。此外，部分美国高校为了减少教师工作量，还通过指派课程设计师、校内机构提供教学支持等方式来帮助教师有序设计或重构一门自适应课程并开发相应的课程资源。

（二）自适应课程应在循环迭代的过程中不断“联结化”且“去学期化”

从美国众多高校的实践结果来看，自适应学习课程不是一个“即插即用”的解决方案，它仍需克服内外部因素的复杂性，经历一个从“设立目标”到“设计课程”，再到“分析数据，发现问题”的循环迭代过程。在尚未形成规模化以前，教师是在部分课程的有限部分开展自适应学习活动的，为了评估实施自适应学习课程的效果，学校和教师需要在设计前明确课程改变后所要达到的目标，并在后续的实施过程中收集相关的指标数据、汇总学生的需求与教师所作的干预等措施，综合分析每轮迭代中的数据来判断是否要在下一轮迭代中修改课程内容或扩大实施规模[28]。目前CTU已在大范围内使用了该策略，用以改善学生的学习成效，如CTU的计算机科学与技术学院在2014年至2017年期间持续对一门课程IT106（编程逻辑入门）进行迭代修改，在通过率和平均成绩方面取得了较大的改善。据此在这次试验后，该学院还对其内部所有的IntelliPath课程都作了相同的改造[12]。由此可见，教师需要通过基于证据的迭代设计来不断逼近最初设立的课程期望，发挥自适应课程的最大效益，以帮助学生高效地习得内容，获得个性化体验。

自适应学习课程是以知识点间的先决关系来构成课程的先后顺序，这意味着教师在循环迭代课程的过程中，应重新审视并扩充概念节点，将软硬知识、新旧课程更为有效地联结起来，形成一系列以学科或以能力为单位的课程群供学生学习。随着实施的推进，未来“以学期为中心”的传统课程设置方式将逐渐被摒弃，而学生将能沿着学科或技能的方向在几天、几周甚至在传统意义上的学期之后的时间里学习一系列的连贯课程。

（三）教师亟须学会适应技术以更好地开展自适应学习课程

对于教师而言，实施自适应学习课程的做法最初可能是被否定的，主要原因是课程带来的额外工作量和技术演变令人望而却步。但事实上，恰当的技术实施需要学生、教师或双方都进行适当的调整，只要方法得当，他们都将会是自适应学习系统的最大受益者[29]。正因如此，教师必须意识到他们是实施自适应课程和学生有效使用技术的关键所在，必须自我调节以适应技术带来的教学变化，在观念上认同自适应学习课程，理解自适应课程的相应理念，发生从“会替代教师、增加工作量”的否定观念到“促进交互、帮助学生成功”的肯定态度的转变;其次，在知识上应该具备足够的数量与合理的结构，以更好地在设计或重构课程时有的放矢;再者，在能力上掌握支持自适应学习课程的教学策略和教学方法，并学会理解数据背后蕴含的学习过程信息，以逐渐外化为具体的自适应教学行为[30]。此外，高校还可以在实施中探索新的教师参与模式，促使教师工作的多元化与专业化，例如，教师团队（可以是多名教师组成的共同体，其职能包含了学科专家、教学设计师、活动设计者、测验编制者等方面）设计和开发自适应学习课程，而由其他教师（可以是研究生助教）来负责监控并推动课程开展。从目前国内外的研究来看，在自适应学习系统支持的教学中，“机器教学，教师育人”的人机协同化将是教学新形态[31]，教师如何与系统协同实现高效智能的个性化教学，促进学生的全面发展，是未来值得教师思考、探索与实践的问题。

六、结   语

总之，自适应学习系统的出现为教育带来了一场变革，教育具有了新的特征，尽管自适应学习系统并非万能的“工具”，但也非“灾祸”，随着越来越多的高校在其潜在优势的驱动下不断探索如何在内部结合自适应学习系统，有意识地构建能与自适应学习系统相结合的学习环境，已可以预见的是学校内部的教学发生了变化。文章通过剖析作为实施自适应学习系统典范的科罗拉多理工大学，发现其多年来持续开展“以教师教学为中心”的实施方案，认为教師是施行自适应学习系统的关键因素，重构了课程设计模式，转换了教师角色定位，最大化地满足了学生的个性化学习需求。从长远来看，自适应学习系统必然会解决当前高等教育存在的掣肘，持续存在是不容置疑的。为此，我国高校在建设自适应学习系统支持下的本土化课程时务必要意识到自适应学习系统应始于技术，终于效果，教师的教学和学生的学习才是我们应该关注的重中之重。

[参考文献]

[1] XIE H， CHU H C， HWANG G J， WANG C C. Trends and development in technology-enhanced adaptive/personalized learning： a systematic review of journal publications from 2007 to 2017[J]. Computers & education， 2019， 140：103599.

[2] 彭红超，祝智庭.人机协同决策支持的个性化适性学习策略探析[J].电化教育研究，2019，40（2）：12-20.

[3] 姜强，赵蔚，李松，王朋娇.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.

[4] BOMASH I， KISH C. The improvement index： Evaluating academic gains in college students using adaptive lessons[R]. New York：Knewton， 2015.

[5] BROWN J. Personalizing post-secondary education： an overview of adaptive learning solutions for higher education[R]. New York：Ithaka S+R， 2015.

[6] JOHNSON D， SAMORA D. The potential transformation of higher education through computer-based adaptive learning systems[J]. Global education journal， 2016（1）：1-17.

[7] 蘭国帅，郭倩，吕彩杰，魏家财，于亚萌.“智能+”时代智能技术构筑智能教育——《地平线报告（2019高等教育版）》要点与思考[J].开放教育研究，2019，25（3）：22-35.

[8] YARNALL L， MEANS B， WETZEL T. Lessons learned from early implementations of adaptive learning courseware[R]. Menlo Park， CA：SRI International， 2016.

[9] JASCHIK S， LEDERMAN D. The 2013 insider higher ed survey of college and university presidents[R]. Washington， DC：Insider Higher Ed， 2013.

[10] JOHNSON C. Adaptive learning platforms： creating a path for success[EB/OL].（2016-03-07）[2019-03-16].https：//www.coloradotech.edu/media/default/CTU/documents/online-degree-programs/educause-article.pdf.

[11] JOHNSON C， SLOAN A. Adaptive learning： implementation， scaling， and lessons learned[EB/OL].（2020-04-06）[2020-04-08].https：//er.educause.edu/articles/2020/4/adaptive-learning-implementation-scaling-and-lessons-learned#fn5.

[12] CAI R. Adaptive learning practice for online learning and assessment[C]// Proceedings of the 2018 International Conference on Distance Education and Learning （ICDEL'18）. New York：ACM， 103-108.

[13] ESSA A. A possible future for next generation adaptive learning systems[J]. Smart learning environments， 2016（3）：16.

[14] DAINES J B， TROKA T， SANTIAGO J M. Improving performance in trigonometry and pre-calculus by incorporating adaptive learning technology into blended models on campus[C]// 2016 ASEE Annual Conference & Exposition. Washington DC：ASEE， 25624-25632.

[15] SLOAN A， ANDERSON L. Adaptive learning unplugged： why instructors matter more than ever[EB/OL].（2018-06-18）[2019-03-17].https：//er.educause.edu/articles/2018/6/adaptive-learning-unplugged-why-instructors-matter-more-than-ever.

[16] KOMAR J A， TROKA T. Improving performance in college algebra using technology[C]// 2015 ASEE Annual Conference & Exposition. Washington DC：ASEE， 24260-24271.

[17] DZIUBAN C D， MOSKAL P D， CASSISI J， FAWCETT A. Adaptive learning in psychology： wayfinding in the digital age[J]. Online learning， 2016， 20（3）：74-96.

[18] 李玲静，汪存友.Knewton：学习分析支持下的自适应学习平台[J].成人教育，2019，39（7）：29-34.

[19] RUSHKIN I， ROSEN Y， ANG A， FREDERICKS C， TINGLEY D， BLINK M J， LOPEZ G. Adaptive assessment experiment in a HarvardX MOOC[C/OL]// Proceedings of the 10th International Conference on Educational Data Ming， Wuhan， China， June 25-28， 2017：466-471[2019-01-17]. https：//eric.ed.gov/？id=ED596512.

[20] JOHNSON C， ZONE E. Achieving a scaled implementation of adaptive learning through faculty engagement： a case study[J]. Current issues in emerging e-Learning， 2018， 5（1）：80-95.

[21] LORENZO G. Failing forward with adaptive learning in higher ed[EB/OL].（2016-07-21）[2019-01-18].https：//www.edsurge.com/news/2016-07-21-failing-forward-with-adaptive-learning-in-higher-ed.

[22] SLOAN A， ANDERSON L. Adaptive learning unplugged： why instructors matter more than ever[EB/OL].（2018-06-18）[2019-03-17].https：//er.educause.edu/articles/2018/6/adaptive-learning-unplugged-why-instructors-matter-more-than-ever.

[23] DZIUBAN C， HOWLIN C， JOHNSON C， MOSKAL P. An adaptive learning partnership[EB/OL].（2017-12-18）[2019-03-17]. https：//er.educause.edu/articles/2017/12/an-adaptive-learning-partnership.

[24] DZIUBAN C， MOSKAL P， PARKER L， CAMPBELL M， HOWLIN C， JOHNSON C. Adaptive learning： a stabilizing influence across disciplines and universities[J]. Online learning journal， 2018， 22（3）：7-39.

[25] 劉和海，戴濛濛.“互联网+”时代个性化学习实践路径：从“因材施教”走向“可因材施教”[J].中国电化教育，2019（7）：46-53.

[26] 崔向平，徐娟.自适应学习技术的应用、问题及趋势——访美国俄亥俄州立大学大卫·斯坦恩教授[J].开放教育研究，2019，25（5）：4-10.

[27] 佩特·约翰内斯，拉里·拉格斯多姆，张永胜，肖俊洪.自适应学习：溯源、前景与误区[J].中国远程教育，2018（7）：43-53，80.

[28] 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，2013，34（10）：5-13.

[29] 张钰，王珺.美国K-12自适应学习工具的应用与启示[J].中国远程教育，2018（9）：73-78.

[30] 刘智明，武法提，殷宝媛.信息生态观视域下的未来课堂——概念内涵及教学体系构建[J].电化教育研究，2018，39（5）：40-46.

[31] 余胜泉.人工智能教师的未来角色[J].开放教育研究，2018，24（1）：16-28.

[Abstract] Adaptive learning system has brought many advantages to higher education， and how to make full use of adaptive learning system for teaching has become an urgent problem for college teachers. Based on this， this paper analyzes the large-scale application of adaptive learning system in Colorado Technical University， and finds that the school reconstructs the curriculum design mode with the concept of mastering learning， multi-level cohesive structure， and multiple resources created independently. It is believed that teachers are the key factors to implement the adaptive learning system， and the roles of teachers are transformed in three aspects， namely， implementers of teaching strategies， supervisors of learning and guides of students. Moreover， "faculty-centered" self-adaptive teaching culture has been formed， which maximize to meet the personalized learning needs of students. Finally， this paper suggests that Chinese universities should use MOOCs as the basis for a faculty-centered approach to reconstructing systematic， high-quality， connected and de-semester-based adaptive learning curriculum ， and help teachers master technology to deliver lessons more successfully.

[Keywords] Adaptive Learning System; Adaptive Learning Curriculum; American Colleges and Universities; Curriculum Design; Teacher Role