从自适应学习推荐到自适应学习牵引模型*——“智能+”教育时代自适应学习研究取向

李凤英 龙紫阳

（1.上海交通大学 继续教育学院；2.上海交通大学 高等教育研究院，上海 200240）

一、引言

近年来，随着智能化时代的来临与高科技竞争的不断加剧，培养大量创新性人才成为各国政府的一项战略性任务。因此，“以学习者为中心”的个性化教育和学习，已然成为世界教育发展的主流。为应运这种时代发展的需求，各国政府或教育部门先后制定了相应的行动计划并加以落实。

早在2003年，新加坡提出并实施了每个学生都拥有一个学习终端的计划，以支持学生的个性化学习[1]。2007年，英国政府发布的《2020 愿景》，提出了个性化学习以及亟待解决的相关问题[2]。2011年，韩国教育科学技术部提出全面推行个性化的教与学[3]。2012年，美国教育部发布了《通过教育数据挖掘和学习分析促进教与学》 的报告，提出借助教育大数据，真正实现个性化学习[4]。我国在《教育信息化十年发展规划（2011-2020）》中也明确指出，要建设信息化环境，为每位学生提供个性化的学习服务[5]。教育部在《教育信息化“十三五”规划》中进一步提出，网络学习空间建设应满足个性化学习需求，以实现“一生一空间、生生有特色”[6]。

2020年1月，世界经济论坛发布了题为《未来学校：为第四次工业革命定义新的教育模式》 的报告，提出了“教育4.0”全球框架[7]，强调学习内容和经验的八个关键特征。特别强调了个性化学习、自主性学习的重要性。这充分喻示着，人类进入以智能技术为代表的第四次工业革命之后，重视个性化学习、自主性学习尤其是自适应学习，已经成为各国教育发展的重要命题与教学新范式。

所谓自适应学习（Adaptive Learning，也称适应性学习），在于根据不同学习者的学习风格、认知图谱和认知能力等，提供具有针对性、适切性的学习服务，以实现学习者个性化学习的目标。比如，学习内容和路径推荐、智能化问题辅导、精准学习内容推送等，从而为学习者进行个性化学习提供有效支持。自适应学习系统通常是自适应学习理念的载体，当前主要表现为众多的学习平台或在线学习管理系统。

随着信息、智能技术和教育教学融合的不断加深，在线教育资源平台，尤其是大规模在线开放课程MOOC 的广泛应用，成为实现个性化学习、自主性学习的重要手段。但目前大多数在线教育平台或学习管理系统，普遍存在着追求外在形式或功能的完美，比如，仅满足于呈现大量的优质学习资源、教师资源、课程资源等，供学习者分享或使用。即主要以一种“脸谱化”、静态的存在方式，无法给予学习者适切、精准、动态的学习服务、内容推送与评价反馈。因此，在面对大规模学习者时，教师很难实现与学习者之间的有效互动。不能很好地满足当下学习者的个性化学习需求，也难以实现自适应学习的目标。

近年来，随着在线教育的人机交互、情感分析、大数据、智能机器人等新技术的不断涌现，人工智能技术正不断地与学习科学、教育科学、认知心理、脑神经科学等进行深度交叉与融合，有力地推动着自适应学习研究的不断深入，并出现了各种具有智能化功能的自适应学习系统。比如，美国的AEHS（Adaptive Educational Hypermedia Systems）、InterBook、Knewton以及国内的作业帮、小猿搜题等。这些新的自适应学习技术或系统，可使学生突破物理地域和时间限制，根据自己的需求与学习特征，自主自在地制定与掌握学习进度，提升学习效果，获得具有实质意义的学习结果；并在这一过程中，能进行开放式、关联式、分享式的学习方式，以有效缓解目前在线学习平台或学习管理系统中存在的上述一些问题。

但在教与学的现实中，目前并没有产生预期的效果。这种理论与实践的反差，值得我们深思：一方面，缘于自适应学习系统本身还不够成熟，面临着许多困难和挑战，比如，教育内容和技术应用的不合拍、学习者情感领域的传递瓶颈、学习过程缺乏精确评价、学习者数据隐私的泄露等；另一方面，自适应学习平台的同质化与系统构建的雷同性，也无法真正满足或契合当下学习者的不同需要。基于此，本文试从从自适应学习推荐到自适应学习牵引模型这一角度，探讨智能技术如何有效构建可促进学习者自适应学习的新范式，以期为促进“智能+”时代自适应学习的开展，提供一些借鉴。

二、自适应学习研究及其进展概述

关于自适应学习的研究，一直以来，它与自主式学习、个性化学习、个别化学习等研究具有较为密切的关联，甚至在很多文章或学术活动中，经常混用、交叉。这种情况的存在，有利之处是拓展了自适应学习的研究视野与影响范围，但不利之处在于对其研究的概念、内涵等，往往不易梳理或把握清楚。因此，有必要从概念、系统和模型等三个范畴进行阐述。

（一）自适应学习的概念

自适应学习的概念，目前学界并没有统一的界定。1996年，美国匹兹堡大学教授Peter Brusilovsky提出，自适应学习是根据学习者自身的前提知识、学习水平、学习风格、学习态度和学习能力等方面存在的个体差异性而进行的学习[8]。国内学者朱新明等最早提出了自适应学习的 “条件建构——优化理论”，系统阐述了自适应学习者通过示例学习获取知识与技能的信息加工过程[9]。余胜泉认为，自适应学习是基于资源的学习，以学习者的个性化为核心特征，学习者自我组织、制定并执行学习计划，并且需要锻炼元认知能力，学习者需要进行知识的自我构建[10]。菅保霞、姜强等认为，自适应学习是指根据学习者的知识能力、认知风格等特征，自动安排学习活动和最佳学习内容，并通过对学习者互动的持续分析提供适合每位学习者的反馈，从而促进学业进步[11]。

除了上述从“学习者”的角度进行论述以外，有学者从“教”的角度，认为自适应学习意味着教师利用自适应学习系统作为教学辅助，进行数据的搜集和分析，备课、了解学情、测评，并及时调整教学内容，以满足学生不断变化的学习需求[12]；还有学者从“学”的角度认为，自适应学习是通过自适应学习系统，获取适合自己的学习内容、方式和路径[13]。

从上述已有的相关研究可以发现，早期的自适应学习概念大多是从传统教育学的观点出发，未突出智能化及智能技术影响的因素。伴随着智能化技术的不断融入与“智能+”教育研究的深入，AI+自适应学习成为国内外研究的新命题，自适应学习被赋予新的涵义。

（二）自适应学习研究的发展脉络

从国际领域来审视，自适应学习相关研究的发展，从最早1905年比奈（A.Binet）创建全球第一个自适应测验——比奈智商测验开始，到今天AI+自适应研究及产品应用的大量出现，已经持续100 多年。这一发展的大致脉络，如图1所示。

我们认为，进入“教育4.0”时代，自适应学习应该也必须是自主性、智能化、由技术推动的，是适切每个学习者的一种个性化学习方式；与此相应，自适应学习系统是融合自适应学习理念的在线学习环境或者学习支持/服务系统。而融入AI 的自适应学习，其内涵正在由“自我适应”演变为“智能适应”，具有不同于传统意义的新属性。

图1 自适应学习研究的发展脉络

第一是自主性：自适应的“自”首先表现为学习者个体上的自觉自主性，即学习者能够充分意识到自己的学习兴趣，能根据自身的知识、技能或发展需求，积极主动地选择合适的学习系统和学习内容。这种学习有别于被动学习、机械学习或灌输学习，接近于奥苏伯尔所倡导的发自内心的“有意义学习”。

第二是智能化：自适应的“自”还体现在“智”的方面，即能够根据学习者的自我特征，借助智能技术自动引导学习者深化认知、一步步解决问题；自动记录学习过程、学习行为和学习结果；根据学习过程数据，自动进行学习研判、自动关联学习资源，自动评估、自动调适学习策略和学习行为。

第三是个性化：自适应的“适”首先表现在个体学习的自在性。自适应学习的目的和本质在于实现个性化学习，即学习者能够自主选择适合自己的学习方式与学习内容；其次体现在学习者能够自定学习进度，按照自己最舒适的方式来进行学习，后者更彰显了教育4.0 全球框架中所倡导的“自主学习理念”。

第四是适应性：自适应的“适”还表现在学习者和学习环境、学习内容的难易、学习同伴（包括教师）以及学习技术之间的动态化适应与不断调节上；而这种适应与调节的关键，在于把握符合每个学习者需要的学习节奏与学习时间，寻找自适应学习中各个要素之间的平衡点。这样，适应性越强，学习过程就越顺畅，学习效率也越高。

（三）自适应学习系统

作为支撑自适应学习的重要载体，自适应学习系统的发展与信息技术等有着很大的关联，其发展大致经历了程序教学机、计算机辅助教学、智能教学系统、智能代理教学系统、智能超媒体教学系统、智能化自适应学习系统等六个阶段，具体见表1。

1.第一阶段：程序教学机

20世纪20年代，以行为主义为先导，美国心理学家普莱西（S.Pressey）设计了一台自动教学机器，可以为学生提供多重选择题做练习，并能跟踪学生的应答。它的诞生，标志着机器辅助教学思想的萌芽或开端。到了50年代，美国行为主义代表斯金纳（B.F.Skinner）设计了第一台自动教学机，开启了程序化教学（Programmed Learning）运动。斯金纳的教学机是直线性学习程序，学生可以自定学习步骤，主要用于自动化测试，能够提高学习效率。进入60年代，程序教学走向衰落，其他个别化教学系统PSI（Personalized System of Instruction）得到发展，比如，美国心理学家哥伦比亚大学的凯勒（Fred S.Keller）研制了个人学习系统。其特点是强化理论指导，减少教师指导，学生自定学习步骤，达到教学要求后才能进入下一步的学习。这一阶段可以称之为自适应学习系统的孕育期，主要用于“教”。

表1 自适应学习系统发展的六个阶段

2.第二阶段：计算机辅助教学

20世纪70年代，计算机辅助教学CAI（Computer Aided Instruction）得到广泛研究和关注。英国的帕斯克（G.Pask）研制出采用计算机的适应性教学机，被认为是CAI 元祖。CAI 克服了原来教学机的不足，具有一定的灵活性和人机交互功能，除了用于学科教学外，还用于答疑、个别指导、模拟测验和评价等。该阶段可以看作自适应学习系统的雏形，主要辅助教师的“教”。

3.第三阶段：智能教学系统

20世纪80年代，微机革命促进CAI 的进一步发展，并孕育了智能教学系统ITS（Intelligent Tutoring System），其基本框架是由哈特利（J.R.Hartley）等提出[14]。ITS 作为教师面授教学的一个补充，已借助人工智能技术，对学生进行个别化教学，为学习者提供即时和定制的指导或反馈，这个阶段侧重于“教学”并重。

4.第四阶段：智能代理教学系统

20世纪90年代，伴随着因特网和万维网的迅速发展，虚拟现实（VR）和代理技术被广泛应用于ITS，出现了与新技术同步的智能代理教学系统Agent，也称为智能化学生自学软件系统。凭借VR 较为出色的沉浸性，学习者能获得身临其境般的感受，这一阶段开始偏重于“学”。

5.第五阶段：智能超媒体教学系统

1996年，全球范围第一个自适应学习系统AEHS（Adaptive Educational Hypermedia System）正式诞生，被称为第一个真正的自适应学习系统，它集超媒体/超文本系统、适应性系统和智能教学系统三位于一体[15]，标志着自适应学习系统走向成熟。

6.第六阶段：智能化自适应学习系统

自2011年以来，人工智能、大数据等突飞猛进，自适应学习系统进入快速发展期，新型的学习系统不断涌现。具有代表性的系统平台有：美国的knewton、韩国的KnowRe、澳大利亚的Smart Sparrow、英国的CogBooks等；国内比较有名的有猿题库、乂学教育、作业帮等。

我们通过对上述六个发展阶段的梳理，不难发现，自适应学习及系统的研究与应用，大致呈现这样一个演进轨迹：从智能教学系统到自适应学习系统，从非智能转向智能；从感知到认知，从低级认知到包括初步意识的高级认知；从预设学习路径到学习推荐，从以“教”为中心，转向以“学”为中心的这样一个发展趋势。即自适应学习系统从内容、评估和序列三个方面提供适应性支持[16]，借助多种技术挖掘并分析学习者的行为数据，实时调整学习内容、知识评估方式和知识序列，从而满足学习者的个性化需要。

（四）国外自适应学习模型的演变

1.智能教辅系统（ITS）

通常，智能教辅系统（ITS）被认为是自适应学习的前身。最早提出的ITS 框架包括了三个基本模型：（1）领域知识，即专家模型（Expert Model）；（2）学习者知识，即学生模型（Student Model）；（3）教学策略知识，即导师模型（Tutor Model）[17]，成为指导ITS 设计与开发的经典理论。

2.自适应超媒体系统通用模型（AEHS）

美国匹兹堡大学教授布鲁希洛夫斯基（P.Brusilovsky）基于ITS 的框架模型，于1996年提出了第一个自适应超媒体系统通用模型AEHS，如图2所示。该模型分为领域模型、教育学模型、学生模型和接口模块四个核心组件，四个组件通过自适应引擎相连接。自适应引擎成为AEHS 的显著特征，其特殊的功能在于通过个性化机制，对学生进行个性化的资源推荐。

图2 AEHS 系统模型

除了提出AEHS 通用模型外，他还先后提出了智能授导系统——ITEM/IP[18]，基于网络环境下的创作和传输工具InterBook[19]、ELM-ART[20]、Knowledge Sea[21]和Annotat Ed[22]等自适应学习系统。此后，世界各国学者基于布鲁希洛夫斯基（P.Brusilovsky）的自适应学习通用模型AEHS，进行了广泛而深入的研究与改进。

3.其他模型

其他模型主要有：（1）墨尔本皇家理工大学沃尔夫（C.Wolf）设计开发了一个自适应的JAVA 编程语言学习环境—iWeaver，该系统使用邓恩学习风格模型[23]；（2）雅典大学的帕帕尼古拉乌（K.A.Papanikolaou）等设计和开发了个性化教育超媒体系统——INSPIRE，系统会根据学习者的认知水平、学习风格生成课程内容[24]；（3）德国汉诺威大学阿尔里法伊（M.Alrifai）等研究了自适应学习系统的用户和领域模型[25]；（4）荷兰爱因霍芬科技大学黛布拉（DeBra）等开发了一个开源的自适应超媒体系统—AHA! ，该系统修改了用户模型，增加了新的功能[26]。

（五）国内自适应学习的相关模型

近年来，国内学者从不同领域对自适应学习系统和各个模块，也做了较为深入的研究，先后提出了一些相关模型，具体如表2所示。

从以上论述可见，随着国内外相关研究的不断深入，自适应学习系统模型和组件模型的功能越来越丰富。系统模型从线性引导到非线性引导、从单向广播到双向交互发展；领域知识模型的知识内容从粗颗粒度向细颗粒度发展，学习者模型从之前的学生知识状态分析到学习者风格、情感分析等。我们认为，虽然目前国内外提出了很多不同的模型，但关于自适应学习模型的研究，多数仍基于AEHS 模型，并未获得突破性的进展。面对当下“数字一代”学习者越来越追求多元化、个性化、舒适化的学习需求，以及学习方式与场景等变化，对基于自适应学习的学习分析、学习评价、学习推送的要求也越来越高，因此，必须要不断探索新的自适应学习模型及应用。

表2 国内学者提出的自适应学习相关模型

三、自适应学习推荐模型及其功能

随着人工智能与教育、教学融合和应用的不断深入，尤其是学习分析、大数据、移动互联网、智能传感、人脸与情感识别等开始嵌入在教与学的过程中，新一代自适应学习及其系统的研究与实践，越来越体现出智能化的特征，这种智能化特征集中体现在学习推荐的功能上。

（一）自适应学习系统的实现过程

从技术嵌入的角度而言，自适应学习的实现，一般分为三个步骤：（1）根据学习者的个性特征，引导学习者深化认知、一步步解决问题；同时，自动记录学习者的学习过程、学习行为和学习结果；（2）根据记录的学习者学习数据和知识领域模型中分解的微细知识颗粒，进行学习分析，自动评估学习者的认知、情感和动作技能等方面的初始水平、学习目标需求和学习绩效，并形成关联的知识图谱；（3）将形成的知识图谱及学习评估反馈给学习推荐系统，自动推荐学习者感兴趣的相关学习内容、学习资源和学习路径；并根据即时的学习反馈，不断做出学习策略和行为的调整，从而实现个性化的自适应学习过程，其系统功能如图3所示。

图3 自适应学习系统的实现过程

（二）学习推荐技术：自适应学习的关键

不同的自适应学习系统，其功能的实现及内容展示可能有着很大区别。一般地，自适应学习的实现主要有三个方式：自适应内容选择，自适应导航支持，自适应内容呈现[36]。如今，新一代的自适应学习系统打破了传统智能学习系统中所有学生使用同一学习路径的局限，能够根据学习者的自身情况即学习数据，创建自定义的学习内容和学习路径，并将最优化的学习方案推荐给学习者，为每个学习者提供不同于他人的个性化学习指导。该功能的实现，主要源自系统所采用的关键技术和算法。

1.关键技术

学习推荐技术是自适应学习系统中能真正实现个性化学习需求和学习推送功能的关键技术，与其密切相关的还有学习分析技术和知识图谱技术等。

第一，学习推荐技术。推荐系统根据学习者的学习数据，自动调整学习内容，向学习者推荐所需要的内容。学习推荐技术主要有三种：（1）基于行为的协同过滤。比如，根据学习者看过的内容推荐给学习者；或者学习者有某个好友，他/她看了什么内容，系统就会推荐给该学习者感兴趣的东西。（2）基于内容的相似推荐。根据学习者学过的内容，系统对这些内容进行标注，那么这些内容及其相似的内容都有了标签，系统就会推荐给该学习者感兴趣的内容。（3）基于内容和基于行为的混合式推荐。这三种学习推荐技术，均是实施学习个性化的必要条件。

第二，学习分析技术。基于数据关联与提炼的学习分析技术，是实现自适应学习的前提，即实施个性化学习的前提。系统通过搜集和分析学习者特征、历史信息、行为数据和知识点之间的关系，推荐学习者需要的学习内容、学习同伴，并能形成相关的知识图谱、诊断学习者知识掌握情况，从而进一步量化学习效果与教学效果。

第三，知识图谱技术。知识图谱是人工智能的一个重要分支技术，由谷歌于2012年正式提出。知识图谱本质上是语义网的知识库，也可以简单地把知识图谱理解成多向关系图，是一种对事实的结构化表征，它由实体、关系和语义描述所组成。知识图谱用于自适应学习系统，能够实现智能分析、智能搜索、人机交互等。比如，基于知识图谱的关联特点能够完成领域模型的知识表达，让学习系统具有认知能力和逻辑能力，继而进行个性化学习推荐。

2.基本算法

这里涉及的算法，主要是指实现自适应学习关键技术及其功能的具体计算方法。国内学者徐坤结合Kenton、Assissment 和VIPKID 等多个自适应学习平台，总结出三种自适应学习的基本算法：（1）贝叶斯知识追踪（Bayesian Knowledge Tracing）。当追踪学习者知识点的掌握情况时，一般使用贝叶斯推断算法。（2）贝叶斯网络（Bayesian Network）。通过对学习数据的各种关联关系进行分析、挖掘和建模，从而形成有向无环图，以推断学习者学习演进的路径。上述两种贝叶斯算法统称为概率图模型（Probabilistic Graph Modeling）。（3）项目反应理论（Item Response Theory）和学习空间理论（Learning Space Theory）等教育测量学科范畴的一些技术和方法。此算法可以精确定位学习者当前的知识水平和学习状态，用于学习诊断和推荐[37]。但在实际应用中，常常基于这三种基本算法进行扩展或融合，以满足不同技术实现的具体需求。

（三）自适应学习推荐模型

目前的自适应学习系统主要是通过学习推荐技术，首先，服务器对学习者的个人信息、学习过程数据、学习风格和情感状态等进行分析；然后，推荐给学习者适合的学习内容，从而完成该学习过程。这一组织结构被称为自适应学习推荐模型，如图4所示。

图4 自适应学习推荐模型

融入学习推荐技术的自适应学习系统具有很多优势，因为传统的智能教学系统或者自适应学习系统，通常是单一的、线性的、固定的。比如，每个科目中的章节、知识点都是预先设定好的，所有学习者的学习路径都是统一的、基本不变的。而学习推荐技术融入后的自适应学习系统，则是复杂的、多维的、非确定的；是基于每个学习者的学习数据及分析，以提供或推荐给每个学习者不同于他人的个别化学习方案和学习路径。相对而言，自适应学习推荐模型的优势在于：能精准发现学习者缺漏的知识点，推荐与学习水平匹配的学习方案、学习节奏和学习同伴，以快速提高学习者的认知能力和学习水平。

四、自适应学习牵引模型及其应用价值

现有的一些实践与研究表明，上述自适应学习推荐模型也存在明显的不足，主要表现在：会给学习者带来较为严重的隐私泄露风险。为了实现个性化、自适应性的需求，自适应学习系统的服务器要对学习者的个人信息，比如，学习兴趣、起点水平、学习风格和情感状态等学习数据进行搜集分析；自适应学习评价也需要不断收集学习者的学习成绩、学习过程和学习者使用的资源类型等数据；这些数据收集之后，需要针对这些学习数据进行清洗、整理与分析，才能实现个性化推荐学习内容和学习同伴。如果中断了个人信息、学习过程和学习结果数据的连接，学习者将无法自动定制学习进程，也无法获取个性化的服务。因此，在对上述学习数据等进行分析的过程中，不可避免地会涉及学习者的隐私、学习者数据安全以及使用权等问题。

（一）自适应学习牵引模型

为了解决上述问题，我们设计了新型的自适应学习牵引模型（见图4）。不同于传统的自适应学习推荐模型，它基于机器学习、贝叶斯防御、数据牵引技术等，是一种新型的自适应学习安全模型。其运作过程分为学习数据分析、学习需求展示与筛选、隐私保护防御、智能代理、学习牵引和牵引结果展示等六个阶段。

图5 自适应学习牵引模型

1.学习数据分析阶段

此阶段主要完成对学习者学习数据的分析。不同于目前使用的自适应学习推荐系统的学习分析在服务器端的实现方式，自适应学习牵引模型的学习分析可在客户端，即学习者的电脑或手持移动终端上实现。比如，任何一个学习者A，在使用自适应学习系统平台之前，可先在私人电脑或移动终端下载或安装一个数据分析程序，即AI 数据分析器。此数据分析器，通过分析学习者A 的学习行为、学习内容等基本数据，完成A 的个性化学习分析，并预测A 的学习兴趣、爱好、倾向及需求。

2.学习需求展示与筛选阶段

通过第一阶段的AI 数据分析器的分析，筛选与展示器呈现出一个学习需求菜单。学习者A 根据自身的学习实际需求，自定学习方式或学习进度，可对学习菜单上的内容进行筛选，即作增添、删减、删除、清零等编辑任务。若有自己额外需要的，可以添加；不需要的，可以剔除。更为重要的是，它具有个人学习数据的隐私保护功能，即为防止日后个人偏好信息等泄露，可以随时清零。

3.隐私保护防御阶段

当筛选与展示器将A 的学习需求申请传到智能代理之前，隐私保护器对学习者A 的学习需求中的个人信息，添加防护罩，即实施第一层安全保护——学习数据的贝叶斯隐私保护模型[38]。如果受到来自黑客、病毒、木马等的隐私攻击时，智能机器学习算法能够检测到攻击的存在，并自动调用适当的防御机制。防病毒程序将进行事件复杂性权衡判断，对准确的、确定性的信息源，作出合理的逻辑判断；也可对可疑的、非确定性的信息源作出统计推断。若碰到确定性问题，自动采取基于已有模型和方法的决策树方案进行防御；若碰到不确定性、复杂性问题，将采取贝叶斯方案处理，即通过机器学习，根据问题的多方面因果关系，进行预测，提出新的算法，修改、发展原有模型或重新建模进行防御。

4.智能代理阶段

智能代理收到学习请求之后，将学习请求中的个人信息进行盲处理，即自动屏蔽学习者的个人信息，以代理身份仅将学习菜单传到自适应学习系统的服务器方，主动获得所需要的学习内容或资源。这个过程是知识的主动索取而不是服务器方的学习内容推荐，以免得到不需要的垃圾内容。比如，学习者A 参加了自适应学习系统S 平台的学习，其学习需求由智能代理传递到S 平台服务器方。由于智能代理是虚拟的，表示其代理身份的仅仅是代码，因此，服务器上没有A 的任何个人信息，不会产生隐私泄露等问题；即使学习需求被黑客截获或攻击，也不会对A 带来任何隐私泄露的风险。

5.学习牵引阶段

此阶段完成学习数据的牵引。所谓牵引，是采用不同于传统的自适应学习系统中的学习推荐模型，而采取学习数据的牵引模型。在以往的学习推荐模型中，推荐服务器主动向学习者发送学习信息时，学习者不能控制所接收的推荐信息的类型、形式、内容等，只能被动地接收其发送的任何信息，包括各类广告和“垃圾信息”。但在牵引模型中，学习者对所推荐的信息有一定的筛选能力，能够远程“牵引”服务器所推荐发送的信息是自己真正感兴趣或需要的学习内容。即“牵引”在于学习者具有自主筛选/选择功能的含义。比如，学习者A 的电脑端列出了5 项学习需求，如果他只需要2 项，那么他可自主将其他3 项删除，然后通过智能代理遥控自适应学习系统S 平台服务器，向其提供所需要的资源信息或学习方案；而S 平台服务器不再进行其他“无用”的学习推荐。

6.牵引结果展示阶段

智能代理从自适应学习系统服务器方拿到所需的学习内容之后，交给“筛选与展示器”，将牵引结果在学习者电脑或移动终端上显示出来。这种学习牵引结果，在不泄露学习者个人信息的前提下，能够更加精准地反映学习者的个性化学习需求，学习者也不用为过多的冗余信息而烦恼。

（二）自适应学习牵引模型的应用价值

从以上论述可见，自适应学习牵引模型与现有的学习推荐模型相比，具有明显的优势，主要体现在以下几个方面：（1）减少了隐私泄露的风险。因学习分析发生在学生端，再加上隐私保护器和智能代理二层保护屏障，所有这些数据分析和处理没有经过互联网，减少了数据泄露和被攻击的风险。（2）减轻了服务器方的压力。因所有学习分析没有集中在自适应学习服务器中心端进行，而是分散在各个学生端上进行，这种“去中心化”的设计，缓解了服务器的压力，提高了整个系统的工作效率和学习者的学习效率。（3）屏蔽了学习者不需要的垃圾信息。让学习者能够自主选择所需要的学习内容，针对性强，内容适切，能够提高学习效率。（4）提高了学习新手进行个性化学习的精准性。自适应学习牵引系统学习端上的个人学习数据十分丰富，能够比较精确地进行学习分析和关键知识点的定位，有利于实现学习的个性化和适应性。

这里还是以学习者A 为例：A 因为微积分学得不好，选择自适应学习推荐系统M（目前通常见的自适应学习系统）平台学习。因刚使用M 平台，A 在M平台上的学习数据为0，M 平台无法对A 进行个性化学习服务；而A 进入自适应牵引系统S 平台后，由于学习分析在A 的电脑端上，其电脑上不乏A 的一些学习数据，那么AI 算法会发现A 学习微积分的一些弱点，针对这些弱点给予精准的指导和推送相关练习，并制定符合A 的学习计划和内容难易度，帮助A 一步步解决学习中的难点，直至A 理解并掌握微积分。在这一过程中，A 具有学习主导权，能够自我控制学习进度，自我选择最有效的学习方式。

由此可见，自适应牵引学习模型是温馨的、安全的，充满人文关怀与满足个性化需求，它更有助于教育4.0 时代促进学习者自适应学习的现实需要，能够充分达成“智能+”教育中的“因材施教”“以学生为中心”“促进个性化发展”等目标。

五、“智能+”教育时代自适应学习的研究取向

当前，国内外自适应学习的研究，正经历一个由粗到细、由整体到模块、由理论到实证的发展演变过程[39]，多数研究集中于系统模型和模块模型的构建上。总体来说，理论研究多，实践应用少，研究成果的教与学验证较为欠缺，真正符合学习者个性化需求的成熟系统更少。因此，自适应学习研究取向还面临着一些新的突破，关键取决于以下几个方面：

（一）认知突破

目前的自适应学习系统能够实现学习者低层次的认知目标，但无法达到高层次的认知学习目标和情感领域的学习目标。一些系统比较零散，学习手段单一、内容单一、对学习的整体认知比较缺乏，不熟悉或未把握学习者的学习心理。具体表现为：过程比较“笨拙”，不是那么“智能”；技术含量较低，不能“随心所欲”地反映学习者的个性化需求。

自适应学习系统这种认知功能的局限，源于设计或开发者对学习者大脑认知存在缺陷。尽管一些设计或开发者对大脑神经环路信息传递和加工原理、初级感知功能机制等，已有较清楚的理解。但对大脑全局信息的加工过程、工作机理认知还不够充分，对编码和学习原理的认知匹配还非常有限，尤其是对高级认知功能的认知还较粗浅，带来对大脑信息处理的数学原理与计算模型仍不清楚[40]。因此，以模拟大脑功能的AI+自适应学习技术，要实现完全像人与人的沟通一样，达到充分的智能化、个性化、自适应性，还需要经历一个较漫长的阶段。

（二）技术突破

面对日益庞大的课程门类和繁杂的知识体系，现有技术下的自适应学习系统和平台很难做到面面俱到。那么，技术新的突破口在哪？依据维果斯基的最近发展区理论，需要在现有自适应学习研究的基础上，基于成功案例，技术上重点解决以下问题：（1）知识点的标签体系。需要将知识点的标签体系进一步完善，知识点分类更加细化，这样精准度更高、适应性更强，才会真正对应学习者的需求，提高学习者的学习效率。（2）改变线性的学习结构为非线性的学习结构。传统的智能教学系统和多数所谓的“自适应”学习系统，还是以线性学习路径为主，不同学习者的学习路径几乎相同。只有改变这种线性学习结构为非线性学习结构，即不同的学习者具有不同的学习路径，才能实现个性化学习需求。

（三）情感分析突破

人工智能2.0 在某些方面（比如计算、记忆能力）已经超越大脑，IBM 深蓝战胜人类象棋冠军、AlphaGo 战胜人类围棋冠军就是典型。但AI 应用于教与学不能沿用机器学习的模式，因为训练人和训练机器有着根本的不同：学习者是活生生的人，不是冷冰冰的机器，人的存储和计算能力虽然没有计算机强悍，但人有七情六欲，具有丰富而复杂的生理和心理体验，而这些细腻而丰富的情感，会伴随学习者的学习活动并产生较大的影响。为此，近年来兴起的深度学习已用来研究情感分类，但在自然语言处理上成果不明显，尤其在自适应学习领域并无突破性进展。而事实上，自适应学习的设计要求更高，不仅需要考虑不同学习者的起点能力、学习风格和情感状态等，而且还要与不同学习者的学习目标相对应。而现在的AI 系统还不能充分理解学习者的情感，更无法照顾学习者的情感，很难真正实现自适应学习。因此，要实现在充分理解人的意识、情感和心理情绪的基础上，去正确执行人的任务的自适应学习算法和模型，还有相当长的路要走。

突破在哪里？突破在于加强底层数据样本尤其情感数据的搜集与共享。各种学习过程，大多是通过多模态的数据交流与互动来实现，若平台上的数据越多，计算与推送结果越准确。目前的自适应学习研究过于注重知识和技能本身，多数为分解知识点，着力于提高学习者掌握知识点的速度和应试力；却难以关照不同学习者的情绪、情感和价值观需要。虽然我们已经有百万级种类的知识样本数据，但对人类情绪、情感方面的样本数据却很少，几乎没有涉及人的精神、价值、灵魂方面的数据。因此，情感数据的海量搜集、共享与分析，将成为下一步AI+自适应系统研究的重点。

（四）“两张皮”突破

一个比较完善的AI+自适应学习系统，往往需要完善的理论和相关技术的密切结合，需要多个领域专家的通力合作才能完成。一些支持自适应学习的教育理论和方法，需要技术来实现，而技术更需要正确、合适的教育思想来指导。这二者相辅相成，缺一不可。但现实中许多自适应学习平台/系统，存在着教育科学和计算机科学的“两张皮”现象。即自适应学习系统的开发者多半是计算机领域的专家，由于缺乏教育理论的足够熏陶和个性化学习理论等基础，很难设计出符合教学和学习规律的、真正适合当前学习者个性化学习需求的平台/系统；而教育领域的学者由于缺乏专业的计算机技术，也无法将其设计的自适应学习系统理论、模型和学习策略，有效地转化为产品。

若要克服或突破“两张皮”现象，必须要以跨界的思维方式与行动：不仅是信息技术、智能技术与教育、教学的融合，还需要与脑科学、心理学、认知学、统计学、人工智能、学习科学等相关学科的密切结合，打破学科间的壁垒。唯有这样，自适应学习的研究与开发，才能够取得突破性的进展。

（五）隐私保护突破

进入“人人互联”的智能化时代，海量数据在产生、分享、流动、汇聚、应用等过程中，数据隐私的泄露问题变得愈来愈突出，成为“智能+”教育应用中的一大伦理问题。目前，多数自适应学习平台/系统采用了中心化的服务器管理模式，这种模式具有一定的风险：一方面，集中式的服务模式容易被他人操纵，特别是在数据清洗、分析的过程中，容易造成隐私和重要数据的泄露；另一方面，国内外许多机构都在尝试研发各种智能教学和学习系统，技术涉猎广泛，市场良莠不齐，缺乏统一的规范标准和评价机制。几乎每个平台/系统都有中心服务器管理自己的数据，当大量的学习者数据被大型机构所独占时，会带来数据的垄断。这种集中了海量数据的平台/系统，数据愈丰富，学习者个人数据、隐私泄露的风险也愈高。因此，隐私保护的突破，也是未来AI+自适应学习研究必须面对、解决的重要课题。

六、结论

半个多世纪以来，国内外学者围绕智能教学和自适应学习进行了广泛而深入的研究，取得了大量的研究成果。尤其是进入21世纪以来，伴随着新一代人工智能和大数据技术的发展，自适应学习研究也获得了新的进展，其中最突出的是学习推荐系统的发展。但是，现有基于学习推荐的自适应学习平台或系统还存在很多不足，尤其是学习者个人隐私信息的保护，成为一大“瓶颈”。为此，区别于传统的自适应学习推荐模型，本文探索了在保留学习推荐模型优势功能的基础上，提出了新的自适应学习牵引模型。这一模型对于保护学习者的隐私、减缓学习系统服务器的压力、提高自适应学习的精准度、屏蔽学习推荐过程中产生的垃圾信息、提升学习者学习效率等，具有一定的借鉴价值与创新性。

我们认为，自适应学习有助于智能时代的学习者实现个性化学习与创新性发展，是在线教育、学习科学、学习分析等领域的重要研究课题，也是呼应“教育4.0” 全球框架中面向未来发展的一个重要内容。虽然国内外自适应学习的理论与实践探索已经取得了丰硕的成果，但总体上，自适应学习研究还处在初级发展阶段，离成熟还需要实现若干突破。本文所提出的自适应学习牵引模型，虽然在一定程度上能够有效促进自适应学习，但依然存在一定的不足，比如，学习数据的采集和共享问题等，还有待于在今后的应用中不断迭代与改进。