基于人工智能的个性化网络学习平台设计研究*

丘美玲，杨震伦，陈惠红

（广州番禺职业技术学院，广东 广州 511483）

大数据和人工智能技术很少被应用于传统的网络学习平台，尤其是基于用户学习的大数据分析和进行个性化推送服务模式与平台设计的研究并不多。因此，亟需以在人工智能的总体框架下，梳理科学的教学理论思想对个性化学习的特征和内容做更深层次的整理和归纳，从而研究出以用户为中心的个性化学习内容的推送服务模式。

在人工智能和大数据的背景下，许多的学习行为被跟踪和记录，数据驱动下的个性化网络学习平台通过大数据分析学习行为和学习过程，能够精准识别学生的学习习惯、学习过程、准确预测学习趋势和评价学习结果，给予学习者自适应的指导和个性化的推动。因此，教学逐渐从用数据驱动决策替代用经验说话的方向发展。如何对巨量的学习数据的特征进行智能筛选并建立联系、如何精准制定学习者每一阶段要学习的单元知识、如何跟踪学习者在学习过程中的学习特征等，均是当前个性化自适应学习实践中急需处理的技术难题。通过建立一个经典的三角模型可阐释个性化自适应学习的关键技术构架，需着重对个性化学习路径推荐、跟踪与知识图谱的构建及展示轨迹等核心技术难点进行探索研究，以解决教学知识图谱展示的信息传播、教学数据中的理论边界检测、个性化学习路径推荐结合课程序列、深度知识跟踪的数据不可阐释和碎片化等问题。

课题将从三个方面进行研究：基于数据驱动的个性化学习特征；个性化网络学习平台的系统流程设计；基于个性化的网络学习平台的服务支持。各部分研究内容之间在逻辑上相互响应，构成一个有机的整体。

1 基于数据驱动的个性化学习特征

围绕在线学习平台的大量大数据源的增长研究，有助于新一代个性化学习模型的出现。近5年，随着大数据革命的到来，传输到教育环境的大数据源数量呈指数级增长，这被称为教育数据的爆炸式增长，在线上学习模式中使用大数据有助于设想新的教学方法和新的战略性学习决策，从而最大限度地满足学习者在学习内容方面的需求。网络学习模式在大数据环境中的适应性变得不可避免。社交网络是教育环境和线上学习平台中最大的数据源。

正确地认识教育群体，更好地设计未来的学习环境，实现更灵活的教学方式，这些都是实现基于AI的个性化学习的挑战性问题。除此，还有三方面的核心科学问题也需要继续解决，包括：可定制的学习服务，可计算化的教学情境，可理解的学习主题。因此个性化的学习模式正在成为最重要的教学方法之一。

依据学科的知识体系，利用大数据技术将用户的学习资源进行分化式整理，然后构建用户的个性化学习资源库框架（图1），为用户提供如何有效利用碎片化时间完成不同网络平台资源的选择和学习，教师在将来能通过研究学生的学习行为、讨论的内容、学习的状态、学习的进度、知识状态、在线测试分数等用户学习数据，分析用户的学习情况和知识消化程度，以及学习习惯等更深层次的关键信息。因此能更有针对性地对用户进行教学引导，解决相关学习痛点。

图1 个性化自适应学习资源库框架

2 个性化网络学习平台的系统流程设计

在线学习模式是现在最重要的教学方法之一，然而，大多数现有的网络学习平台只提供传统的在线学习系统，学习者仅仅只能访问相同的评估和学习内容。个性化网络学习模型通过大数据技术，提供了新的学习策略，在本文中提出了一个自适应的在线学习模型，为每个学习者提供最合适的学习内容。研究将通过引入人工智能、大数据的创新理念和技术到网络学习平台设计上，从而实现为当前网络学习平台提供以学习者为中心的个性化学习服务模式（图2）。

图2 个性化网络学习平台的系统流程设计

该模型基于两级自适应在线学习。第一个层次包括两个步骤，使用遗传算法通过适当的学习者评估方法确定相关的未来教育目标，使用蚁群优化算法为每个学习者生成自适应学习路径。在第二个层次，基于地图缩减的社会网络分析，用于确定学习者的动机和社会生产力，以便为每个学习者分配特定的学习节奏。

3 研究基于个性化的网络学习平台的关键技术

当前个性化学习服务实现可以通过“三项服务”的关键技术进行应用实践（图3），即在个性化网络学习平台支撑下，基于学习需求推送个性化学习内容；基于学习能力生成个性化学习路径；基于知识掌握进行个性化学习评价。

图3 基于个性化的网络学习平台的关键技术

基于学习需求推送个性化学习内容：获知学习者潜在的若干个兴趣点的情况下，如何快速捕获用户的兴趣点，并给予持续的满足，并形成系统知识点的转化。通过召回策略，初选出用户可能感兴趣的内容，形成一个召回的一个候选集。在排序环节，结合用户特征，产品环境信息推荐内容特征，使用机器学习的模型算法，对召回后的内容进行排序。在策略干预环节，对机器学习形成的排序进行策略，从而干预从海量的数据中筛选出用于推荐的内容候选集。

基于学习能力生成个性化学习路径，特别指基于遗传算法的学习路径排序，它强调考虑学习者的需求。蚁群算法是一种群体智能技术，在解决在线学习领域的许多优化问题上表现出良好的性能。特别是，蚁群算法的适应性尤其受到重视，许多研究表明基于蚁群算法的推荐技术达到了80~90%的准确率，蚁群算法已经被证明是一种根据学习者的学习风格提供学习计划的技术。

评价是第一个用于了解学习者对教育资源的先决条件的在线学习测试，大多数现有的在线学习平台相关的评价功能非常有限。学习评价是特定的在线学习组件，它使在线学习系统提供个性化学习路径和合适的学习内容，提供了更多额外的学习时间和个性化学习路径的学习，路径排序是一个开放的问题。

4 结束语

本文从数据驱动的角度出发，对平台框架进行梳理，并对其关键技术进行分析。个性化自适应学习在智慧教育中具有广泛的应用和发展前景，但其关键核心技术、重要应用示范和重点体系框架等方面仍然处于不断研究和探索阶段，尤其是在线下实体教育中尚缺乏实际应用。其主要原因在于不同实体教学结构的差异性以及线下数据采集的困难性上。因此，个性化自适应学习的未来发展，应该更加关注学习者的个性化需求。从个性化学习路径推荐、追踪知识、知识图谱及其表示学习等方面，深入研究线上和线下场景的个性化自适应学习的框架体系和基础理论、平台构建和核心技术。重点从教学模型、学习者特征模型和领域知识模型三方面对平台实现机制进行探析，推动其智慧教育领域的创新发展。