人工智能支持下的智慧学习模型构建研究

钟卓 钟绍春 唐烨伟

[摘   要] 智慧学习是人工智能时代教育的基本内涵，智慧学习模型构建是实施智慧学习的关键和基础，也是该领域研究中的瓶颈问题。文章针对智慧学习内在机理难以表征的问题，利用人工智能技术，提出了能够阐述智慧学习特征、要素及运行机制的智慧学习E-GPPE-C模型。该模型由学习环境、教育知识图谱、学习者画像、学习路径、学习评价、学习共同体六大核心要素和基础层、支撑层、服务层、关键层、应用层五个层面构成。基于人工智能相关算法，从教育知识图谱构建、学习者画像构建、学习共同体构建、学习路径推荐四个方面，提出了E-GPPE-C模型的实现方法。研究为人工智能在教育领域应用、智慧学习开展提供了基础，为后续智慧学习模型研究提供了参考。

[关键词] 智慧学习; 人工智能; 模型构建; 知识图谱; 学习路径

[中图分类号] G434            [文献标志码] A

[作者简介] 钟卓（1987—），男，湖北仙桃人。博士研究生，主要从事智慧教育、数字化学习环境研究。E-mail：382452265@qq.com。

一、引   言

早在兩千多年前，孔子就提出了“因材施教”的教育思想。随着以机器学习、知识图谱为代表的人工智能技术迅速发展，驱动着社会从“网络化”迈入“智能化”。在智能时代，人工智能与教育的结合日趋紧密，已有众多研究者将人工智能引入教育领域，提出了教育人工智能[1]、新主体教师[2]、教育知识图谱[3]等相关概念。为不同的学生提供符合需要的优质教育依然是智能时代教育的基本内涵。《教育信息化2.0行动计划》指出：“构建‘互联网+条件下的人才培养新模式、发展基于互联网的教育服务新模式、探索信息时代教育治理新模式。”[4]人才培养新模式构建的关键在于智慧学习的开展，智慧学习的实现离不开智慧学习模型的大力支持，而构建结构完整、特征明晰、逻辑清楚的智慧学习模型是实施智慧学习时所面临的重要挑战。随着人工智能技术的不断发展，为智慧学习模型构建提供了基础与保障，如何利用人工智能技术对智慧学习的特征、构成要素及运行机理进行刻画是当前教育研究的重要课题。

二、智慧学习研究现状

关于智慧学习，国内外已有众多学者进行了研究。国内外学者对智慧学习的研究最初集中在利用技术提供学习资源与环境以支撑学习者个性化学习。Chin认为，智慧学习是一种能够依据学习者的学习风格，利用技术支撑学习者的个性化学习[5]。Anasol等人认为，智慧学习是根据情境对环境感知来为学习者提供个性化学习资源的新型学习范式[6]。郭晓珊等人认为，智慧学习是在智慧环境中学习者按照自己的需要获得资源，个性化开展学习活动，快速构建知识网络的学习过程[7]。贺斌认为，智慧学习从学习者的视角来看是定制个性化学习服务的过程，从技术视角来看是提供智能学习环境促进学习的过程[8]。

随着大数据、“互联网+”等技术的发展，智慧学习逐渐转向对学习大数据的采集，依据数据调控学习过程。Scott等人认为，智慧学习是指运用信息化手段对学习数据进行采集和分析，依据数据调控学习过程[9]。梁迎丽等人认为，智慧学习可以从环境数据、脑神经活动数据、生命体征数据、行为数据、认知数据等不同的信息源收集多种类型的数据，进行跨媒体的泛化推理和多维度的学习分析[10]。

随着人工智能时代的到来，更多的研究者开始探讨利用人工智能技术构建智慧学习共同体，帮助学习者开展智慧学习。钟绍春认为，智慧学习是在学习系统支持下，学习者能够选择合适的学习内容与方式，找到最佳的学习伙伴，得到最有效的教师帮助和指导等以完成学习活动[11]。余胜泉等人认为，在智能教育新时代，智慧学习的开展离不开“学习助手”的大力支持[12]。

智慧学习的本质在于通过知识学习，培养学科能力，促进智慧发展。Dae-joon认为，智慧学习是使用各种技术和资源以增强学习者的能力，智慧学习是学习者实现智慧发展的过程[13]。祝智庭等人认为，智慧学习是一个充满张力和平衡的过程，要满足服务学习者智慧发展的深刻内涵[14]。

通过文献分析可知，智慧学习的研究主要集中在利用技术提供学习资源与环境、利用大数据动态监测学习过程、利用技术获得教师与学生智慧供给等方面，智慧学习的目的是促进学习者智慧发展。综上所述，本研究认为，智慧学习是在人工智能、大数据等技术支持下，能够动态采集学习数据，精准调控学习过程，帮助学习者选择合适的学习内容与学习方式，找到最佳学习伙伴，获得最有效的指导和帮助，以促进学习者智慧发展的新型学习范式。

三、智慧学习模型构建基础

（一）人工智能对智慧学习的支持分析

人工智能（Artificial Intelligence）是研究、设计、开发智能系统用于模拟、延伸和扩展人类智能的科学。近年来，人工智能在教育领域应用日趋成熟，极大地推动了智慧学习的顺利开展。国内外已有众多学者提出了人工智能支持教育的应用场景，并提出了教育人工智能的新范式和应用框架。在分析国内外文献基础上，本文参考祝智庭教授提出的教育人工智能相关理论[1]，阐述人工智能对智慧学习的支持，具体如图1所示。

由图1可知，人工智能支持智慧学习的关键在于，利用人工智能技术构建教育知识图谱，通过问题解决与任务完成刻画知识与能力的掌握程度;利用模式识别技术和深度学习构建学习共同体，帮助学习者得到学习伙伴的帮助与指导;利用深度学习技术精准推荐学习路径，帮助学习者选择合适的学习方式;利用数据挖掘和深度学习构建学习者画像，帮助学习者精准调控学习过程。通过分析可知，人工智能技术能够为智慧学习实施提供必要的给养，有效推动智慧学习顺利开展，促进学习者智慧生成。

（二）智慧学习模型构建依据

学习模型是依据一定的学习理论，由要素及要素之间的关系组成，可指导学习过程实施、策略制定、实践应用的概念集合体[15]。从系统论来看，系统是由要素有机结合起来的整体，系统中的要素至关重要[16]。构建智慧学习模型，首先要明确智慧学习的构成要素。本研究总结了国内外智慧学习以及模型构建相关研究，对构成要素进行了详细阐述（见表1），并采用对比分析的方法获取智慧学习模型的构成要素。

从表1可以看出，虽然不同学者对智慧学习构成要素的表述方式不尽相同，但仍体现出诸多相同点，多数学者从学习者、学习内容、学习资源、学习数据、学习活动、学习评价等方面对智慧学习进行了阐述。本研究将学习者扩展为能够发挥群体动力作用的学习共同体;将学习内容与学习资源合成为学习环境;将学习过程中的活动集合以学习路径的方式进行推荐;采集学习者特征、过程、结果等数据，形成学习者画像;依据学习者画像，开展学习评价。因此，本研究选取学习环境、教育知识图谱、学习者画像、学习路径、学习评价、学习共同体六个要素来构建智慧学习模型。

四、智慧学习模型构建

（一）模型解释

在分析了模型构成要素的基础上，本研究提出人工智能支持下的智慧学习模型，抽取环境（Environment）、图谱（Graph）、画像（Portrait）、路径（Path）、评价（Evaluate） 、共同体（Community）六个关键词缩写，将模型命名为E-GPPE-C模型，如图2所示。模型由下到上包括基礎层、支撑层、服务层、关键层和应用层。模型以学习环境和人工智能技术为基础;模型构建的关键支撑是教育知识图谱和学习大数据;模型实施离不开学习者画像和学习路径的服务支持;模型运行的关键在于认知诊断、学习导引、学习分析等学习评价的支持;模型的核心目的在于支持学习共同体开展智慧学习活动，促进学习者智慧培养。

（二）模型运行机制

智慧学习E-GPPE-C模型是一个循环迭代、动态平衡的过程，需要一定的运行机制，模型运行机制包括监测机制、调控机制和优化机制。监测是实施智慧学习的先决条件，调控是智慧学习实施的有效保障，优化是智慧学习模型完善的必备要素。通过对学习过程的动态监测，掌握学习者的学习情况;根据监测结果，对学习者进行调控，使学习者获得个性化的学习内容和学习方式;在学习中产生的数据融合到已有学习大数据中，对模型不断进行完善和优化。三组机制相互衔接，形成智慧学习模型运行闭环，促进智慧学习的顺利开展。

（三）模型核心要素

E-GPPE-C模型包括学习环境、教育知识图谱、学习者画像、学习路径、学习评价和学习共同体六大核心要素。

1. 学习环境

学习环境是开展智慧学习的“基础保障”。学习环境是支持学习者进行建构性学习的条件集合，包含物理环境、技术环境、资源环境和情感环境[24]。如果离开学习环境，智慧学习将无法进行。在本研究中，学习环境包括物化环境和智化环境两部分，物化环境主要包括硬件环境和软件环境。硬件环境主要包括终端设备、无线网络、集控终端等，软件环境主要包括支持智慧学习开展的学习资源、学习工具等。智化环境主要指如何在学习过程中选择合适的学习方法、学习策略开展学习活动。物化环境为智慧学习提供土壤，智化环境为智慧学习提供养分，共同保障智慧学习的顺利进行。

2. 教育知识图谱

教育知识图谱是开展智慧学习的“关键支撑”。教育知识图谱是知识与知识关系形成的网络图[25]。本研究利用机器学习方法，从教育领域知识库中抽取出知识实体，按照父子、平行、前驱后继等关系，建立关联关系，形成知识体系。智慧学习的根本目的是指向学习者智慧的培养，即培养学科核心能力，而学科核心能力需要通过学科问题解决或者任务完成来形成。因此，本研究基于知识体系，筛选、梳理出学科基本问题，并将学科基本问题凝练为学科组合问题和疑难问题，形成问题体系。按照问题解决能力、批判性思维能力和创造性思维能力汇聚形成能力体系。

利用机器学习技术构建知识与知识、问题与问题、能力与能力间的关联关系以及知识映射问题、问题映射能力的映射关系。这些知识、问题、能力集合以及知识、问题、能力之间的相互关系被称为教育知识图谱，如图3所示。

3. 学习者画像

学习者画像是开展智慧学习的“必要条件”。学习者画像来源于用户画像的概念，是指利用数据来勾画目标用户的情况[26]。在本文中，学习者画像是指基于学习者特征数据、学习过程数据、学习结果数据，从学习者基本信息、学习过程情况和学习结果情况三个方面来对学习者精准建模的过程，具体如图4所示。

学习者基本信息包括姓名、编号、年龄、性别等信息，来源于学习者特征数据，可以直接读取系统中学习者的注册信息。学习过程情况来源于学习过程数据，即通过对学习过程中知识学习、问题探究、合作交流和归纳总结等过程数据的计算得出。学习结果情况来源于学习结果数据，即通过对学习结果数据进行计算建模，分析得出学习者在知识学习、问题解决、能力形成方面的程度。

4. 学习路径

学习路径是开展智慧学习的“关键举措”。学习路径是学习者在学习过程中选择的活动序列集合[27]。大多数研究者通过知识学习的视角，将学习路径定义为学习内容、学习活动、学习步骤、学习过程的序列或者集合。在本研究中，学习路径是以问题为线索，帮助学习者经历发现、分析、抉择、归纳、评价等智慧学习过程的知识获取、问题解决和能力达成的学习序列集合。

E-GPPE-C模型中的学习路径包括知识路径KP（Knowledge Path）、问题路径QP（Question Path）和能力路径AP（Ability Path）三个维度，学习路径是从现有学习状态到目标学习状态的序列集合，如图5所示。

5. 学习评价

学习评价是开展智慧学习的“方向指引”。智慧学习是一个复杂的过程，需要在学习过程中对学习进行干预与调节，从而保证学习朝着预定目标顺利进行。学习评价是对智慧学习进行价值判断的过程，是支撑智慧学习实施的方向与路标。布鲁姆将学习评价分为诊断性评价、形成性评价和终结性评价[28]。诊断性评价诊断学生当前学习状态，即进行学习者认知诊断;形成性评价对学习者的学习情况不断地进行评价、反馈，即学习者学习导引;终结性评价阶段性地评估与总结学生学习情况，即对学习者进行学习测评。

本研究将学习评价分为认知诊断、学习导引和学习分析。认知诊断基于教育知识图谱，分析出学习者当前学习状态下知识、问题、能力的水平，即学习者当前时刻的个性化知识图谱。学习导引对学习者当前学习状态进行分析，为学习者精准定位与之相适应的学习路径，引导学习者按照最优学习路径进行学习。学习分析是根据学习者学习数据，评价学习者学习情况，提出学习改进建议，为学习者后续学习提供改进参考并指明方向。

6. 学习共同体

学习共同体是开展智慧学习的“实施载体”。学习共同体有着共同实践活动、共同话语、共同资源，共同体成员面对复杂的任务时，能够获得同伴、教师和专家的帮助，通过适应性学习方式达成学习目标[29]。学习共同体是由学习者与助学者形成的学习生态系统，通过协商、合作参与学习活动，在学习活动中共同构建学习目标。在本研究中，学习共同体有着共同目标、共同参与、共同归属，是一个包括学习者、助学者和管理者的学习团队。在学习共同体中，以学习者学习需求为核心，助学者组织学习内容，引导学习者开展学习活动，而管理者则为学习活动的开展提供保障。

五、智慧学习模型构建方法

人工智能支持智慧学习实现的关键在于利用人工智能技术构建教育知识图谱，动态采集学习数据;利用数据挖掘技术生成学习者画像，精准刻画学习情况;利用聚类算法生成学习共同体，得到有效的帮助;利用深度学习算法推荐学习路径，选择合适的学习方式。智慧学习模型构建关键方法如下：

（一）基于人工智能技术的教育知识图谱构建

教育知识图谱构建主要利用人工智能技术，从教育领域知识库中抽取出特定的实体，并建立实体间关联关系。本文研究者已经利用基于机器学习的实体抽取、关系抽取、实体对齐等方法，从数据获取、知识抽取（实体抽取、关系抽取）、知识融合、知识推理四个方面提出了教育知识图谱的构建方法[30]。

在数据获取方面，通过包装器学习对半结构化数据进行处理，通过实体识别对结构化数据进行处理;在知识抽取方面，知识体系的实体抽取采用条件随机场模型（Conditional Random Fields）实现，问题体系的实体抽取采用KNN算法实现，能力体系的实体抽取组织教育领域学科专家人工抽取，实体间关系抽取采用马尔可夫逻辑网（Markov Logic Network）实现;知识融合采用基于机器学习的实体对齐方法实现;知识推理采用基于图的推理中Path Ranking算法加以实现。

（二）基于學习数据的学习者画像构建

学习者画像构建是指利用人工智能技术获取学习者学习数据，通过对数据进行分析计算，从而对学习者进行多维度描述。本研究中，学习者画像存储学习者基本信息、学习过程状态、学习结果状态三部分信息，学习者基本信息直接读取系统中的注册信息，不进行建模计算。学习者画像构建主要是对学习过程和结果数据进行综合分析，对学习成绩数据、自主学习活动数据、学习报告、知识学习情况、问题探究情况、合作交流情况、归纳总结情况等进行计算建模，从知识、问题、能力三个维度形成学习者画像，构建过程如图6所示。

1. 基于学习过程数据的学习者画像计算建模

基于学习过程数据的学习者画像建模主要从学习者的学习方式来对学习者进行刻画，即以可视化的形式描述学习者在完成任务或解决问题时所采用的学习风格。本研究中，学习风格（Sty）包括知识学习（Lea）、问题探究（Exp）、合作交流（Com）和归纳总结（Sum）等学习过程中应用的具体学习方式，每种具体学习方式划分成4个层级{差，中，良，优}，对应数值为{1，2，3，4}。参考Felder-Silverman学习风格模型，将学习者的学习风格（Sty）划分为4个层级{活跃型，感悟型，视觉型，综合型}，对应数值为{1，2，3，4}。利用机器学习算法，计算出学习者整体学习风格情况，如数值越大，则越倾向于综合型，反之则越倾向于活跃型。

[3] 李振，周东岱.教育知识图谱的概念模型与构建方法研究[J].电化教育研究，2019，40（8）：78-86，113.

[4] 教育部.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].[2018-04-18].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[5] CHIN K W. Smart learning environment model for secondary schools in Malaysia： an overview[EB/OL]. [2011-10-10]. http：//www.apdip.net/projects/seminars/it-policy/cn/resource/kangwaichin/smartlearning-mimos.ppt.

[6] ANASOL P， CALLAGHAN V， GARDNER M， et al. Towards the next generationof learning environments： an interReality learning portal and model[C]//2012 Eighth International Conference on Intelligent Environments. Guanajuato： IEEE， 2012.

[7] 郭晓珊，郑旭东，杨现民.智慧学习的概念框架与模式设计[J].现代教育技术，2014，24（8）：5-12.

[8] 贺斌.智慧学习：内涵、演进与趋向——学习者的视角[J].电化教育研究，2013，34（11）：24-33，52.

[9] SCOTT K M. Context aware services for smart learning environments[D]. Ontario： Lakehead University，2009.

[10] 梁迎丽，梁英豪.人工智能时代的智慧学习：原理、进展与趋势[J].中国电化教育，2019（2）：16-21.

[11] 钟绍春.人工智能支持智慧学习的方向与途径[J].中国电化教育，2019（7）：8-13.

[12] 余胜泉，李晓庆.区域性教育大数据总体架构与应用模型[J].中国电化教育，2019（1）：18-27.

[13] DAE-JOON H. What's the implication of "SMART" in education and learning？[EB/OL]. [2013-03-10]. http：//www.elearningasia.net/_program/pdf_pt/[Panelist%203-2]Dae-joon%20Hwang.pdf.

[14] 祝智庭，彭红超.智慧学习生态系统研究之兴起[J].中国电化教育，2017（6）：1-10，23.

[15] 拉尔夫·泰勒.课程与教学的基本原理[M].罗康，张阅，译，北京：中国轻工业出版社，2014.

[16] 魏宏森，曾国屏.系统论——系统科学哲学[M].北京：世界图书出版社，2009.

[17] KIM S， SONG S M， YOON Y I. Smart learning services based on smart cloud computing [J]. Sensors， 2011， 11（8）：7835-7850.

[18] DUK-HOI K. Trends and revitalization of smart-learning in elementary and middle schools[J]. Asian journal of information technology， 2012（5）：160-168.

[19] 陳琳，王蔚，李冰冰，等.智慧学习内涵及其智慧学习方式[J].中国电化教育，2016（12）：31-37.

[20] 胡钦太，郑凯，胡小勇，等.智慧教育的体系技术解构与融合路径研究[J].中国电化教育，2016（1）：49-55.

[21] 余胜泉，段金菊，崔京菁.基于学习元的双螺旋深度学习模型[J].现代远程教育研究，2017（6）：37-47，56.

[22] 姜宛彤，王翠萍，唐烨伟.基于系统论的P-N-CRPE个性化学习模型建构研究[J].电化教育研究，2017，38（5）：53-58.

[23] 钟绍春，钟卓，张琢.如何构建智慧课堂[J].电化教育研究，2020，41（10）：15-21，28.

[24] 盛群力.教学设计[M].北京：高等教育出版社，2005.

[25] 杨开城.论课程的易理解性与知识建模技术[J].电化教育研究，2011（6）：10-14.

[26] 余孟杰.产品研发中用户画像的数据模建——从具象到抽象[J].设计艺术研究，2014（6）：60-64.

[27] KARDAN A A， EBRAHIM M A， IMANI M B. A new personalized learning path generation method： ACO-Map[J]. Indian journal of scientific research， 2014， 5（1）：17-24.

[28] B·S·布鲁姆.教育评价[M].邱渊，王钢，夏孝川，等译.上海：华东师范大学出版社，1987.

[29] 郑葳，李芒.学习共同体及其生成[J].当代教育科学，2007（Z2）：18-22.

[30] 钟卓，唐烨伟，钟绍春，等.人工智能支持下教育知识图谱模型构建研究[J].电化教育研究，2020，41（4）：62-70.

[31] 孔维梁，韩淑云.基于约束聚类的学习共同体智能构建与应用研究[J].中国电化教育，2019（10）：32-37，46.