智能教育下基于情境感知的自适应学习系统构建*

程光胜

智能教育下基于情境感知的自适应学习系统构建*

程光胜

（宁夏财经职业技术学院 信息与智能工程系，宁夏 银川 750021）

伴随着大数据和人工智能在教育领域的渗透和融合，个性化学习成为当前和未来教育关注的焦点，而自适应学习系统为个性化学习提供了一种实践路径．在分析自适应学习基本模型的基础上，结合自适应超媒体系统通用模型AEHS，引入了学习情境，构建了基于情境感知的自适应学习系统模型．为了提高自适应结果的精准性，根据学习情境中的学习者要素、时间要素、空间要素和设备要素，对学习者进行学习情境分组，以此为基础，通过学习者模型、领域模型和教学模型的协同作用，在自适应引擎的驱动下，生成自适应学习结果．最后，结合动态变化的时间因素，提供了个性化资源推荐的实现思路．

情境感知；自适应学习系统；个性化学习；资源推荐；智能教育

借助人工智能及其相关技术，每个学习者的学习活动和过程都会被记录，从而产生海量的学习数据，而个性化学习通过利用机器学习、数据挖掘、学习分析等技术，对这些数据进行挖掘，探究学习者的学习规律，从而为其提供个性化的学习资源和差异化的学习路径，从而促进知识的主动建构和有效学习．实现个性化学习是一个目标，是有教无类、因材施教、因人施教的体现，而自适应学习系统为个性化学习提供了一种可探索的实践路径和技术支持．自适应学习系统是一种以计算机技术为主导的学习环境和平台，是一种技术赋能的智能化学习方式，其特点是个性化、数据驱动、多元化、非线性的．

相关学者对自适应学习做了大量的研究[1-5]，这些研究为自适应学习系统的发展提供了理论探索和实践参考．但是，从实验结果来看，准确度和满意率仍然比较低下．伴随着大数据和人工智能在教育领域的深度渗透，自适应学习系统为这些新技术的应用提供了用武之地，同时融合学习情境，来分析和设计自适应学习系统，提升系统的服务质量，增强学习者的个性化使用体验．因此，本文从自适应学习模型、自适应学习系统架构及其关键技术等方面来讨论自适应学习系统，以便为相关的研究和实践应用提供有益的探索和借鉴．

1 自适应学习系统分析

1.1 自适应学习基本模型

1973年，Hartley和Sleeman认为智能计算机教学系统的基本结构由专家模型、学习者模型和导师模型三部分组成，专家模型解决教什么的问题（What），体现的是专家知识及知识结构关系，学习者模型解决谁来学（Who），体现学习者的各项特征，导师模型解决怎么教（学）（How），体现的是具体的方法和策略，由此构成了自适应学习的基本模型．专家模型、学习者模型、导师模型是对传统课堂环境中教师、学生和教学内容的抽象，是构建在虚拟计算机环境中教与学的程序化实现，三者相互协同、相互作用，共同完成智能化的教与学．

1.2 情境感知的自适应学习系统模型

从自适应学习基本模型来看，导师模型是自适应学习系统的关键，一方面其提供个性化适应的角色，另一方面，其内涵各种教学策略和学习策略．为了保持功能的独立性，增强自适应学习系统的“自适应”功能，同时为了结构的可扩展性，这里将导师模型进行分解，分解为教学模型和自适应引擎，就是Brusilovsky提出的自适应超媒体系统通用模型AEHS（Adaptive Educational Hypermedia Systems）[6]．在此基础上，增加情境模型和交互模型，形成情境感知的自适应学习系统模型，如图1所示．图1模型中，领域模型、学习者模型和教学模型保持独立，就如一个“黑匣子”，各自封装自身的特定功能，对外提供特定的访问接口，实现这些模型进行交互的组件就是自适应引擎．自适应引擎驱动这三个模型协同作用，通过特定界面和方式输出适应性的学习资源或学习导航．

鉴于目前自适应学习系统推荐准确率偏低的实际情况，有可能推荐引擎中算法的设计问题，但更重要的学习者模型中对学习者各项特征的提取和分析不准确．在自适应学习系统中，学习者是系统运行的驱动者，系统最终的落脚点和服务对象也是学习者，因此，对学习者各项特征建模的准确与否，直接决定着系统服务的效果和质量．学习者在学习过程中，其学习行为反映了学习的风格、学习的偏好，而且在移动互联网环境下，学习者的在线学习无处不在，学习过程与学习情境是融为一体的，学习情境也会影响学习效果，比如在地铁环境和在教室的学习，其学习的方式肯定存在一定的差异．因此，在本文所构建的自适应学习系统中，加入了情境模型，以反映不同情境下学习者的学习模式、认知风格、学习情感等学习者特征．这样，在原有学习者模型构建中加入了情境描述，使学习者特征的刻画和分析更加细粒度化．

图1 情境感知的自适应学习系统模型

个性化推荐引擎在推荐与之相适应的学习资源或学习导航时，也会融入学习情境，推荐结果会展示到界面模块．在界面模块中，通过交互模型记录和存储学习者对推荐结果的各种操作，对其分析可以获得学习者是否对推荐结果满意，从而修改推荐引擎的推荐方案和参数，提高推荐的准确性和服务质量．因此，作为自适应学习系统架构设计，由于领域模型和教学模型相对比较稳定．架构的重点就体现在两个方面，一是学习者模型，二是推荐引擎组件，考虑到模型和组件的动态性，在技术选择上，通过大数据和人工智能技术构建高效、灵活的算法支持．

2 自适应学习系统架构设计

2.1 学习情境数据分组

关于情境，不同的学者有不同的认识，从而有不同的度量指标，不同的自适应学习系统根据设计和实现的不同，纳入了不同的指标[7-11]．在综合文献[7-11]的基础上，从可测量、可计算等角度出发，本文将学习情境分为：学习者要素、时间要素、空间要素、设备要素．学习者要素主要以学习者基本信息为主，学习者不同年龄、不同专业（行业）等信息会反映不同的学习特点；时间要素反映学习者的学习时间是否频繁，是以碎片化学习为主还是集中型学习为主；空间要素反映出学习者的空间位置多变还是比较固定；设备要素表面上反映出学习者对某种设备的偏好，但实质上在某种程度上反映着学习者对在线学习从某种要求，是学习情境的一种具体体现．

融入学习情境后，可以对学习者进行多维度分组，如图2所示．

图2 基于学习情境对学习者进行多维度分组

数据立方体是对不同学习情境下各维度学习者的一个综合反映，可以实现对学习者的分组，这样基于学习者模型以及自适应引擎中的各种推荐方法，就可以针对特定分组下的学习者推荐个性化的资源和路径．

数据立方体是构建精准自适应学习的基础，凸显学习情境在学习行为分析中的作用，以学习者要求、时间要素、空间要素、设备要素等创建相似情境子空间，从而使得学习资源和学习路径的推荐更加准确．比如，侧重于空间要素的数据立方体中，通过对空间情境数据的深度处理，可以区分空间位置变化是频繁还是固定，是偏好图书馆还是上下班途中，这样可以将学习空间相似的学习者聚合在一起，从而根据他们的学习情况进行相互推荐．同时，在推荐内容的选择上，还需要进一步考虑，如果学习者在地铁或商场，受环境因素的影响，推荐比较轻松、内容短小的学习内容；如果是位于图书馆，可以推荐相对专业的、需要高度注意力的学习内容．在侧重于时间要素的数据立方体中，时间信息可以反映学习者在特定时间段的学习情况以及学习内容的变化，对其推荐以近期学习兴趣为主的适合不同时段的学习资源．数据立方体可以动态生成，也可以预先实现，但是，有一点需要注意的是，数据立方体是不断变化的，而且尤以近期的数据为主．

2.2 情境感知自适应学习系统结构设计

有了数据立方体，一方面大大降低了计算的工作量，另一方面使得推荐结果更加精准．数据立方体的生成，需要对情境数据进行相应处理，比如概念分层、数据规约等，同时有可能需要提出新的度量指标描述时间和空间变化是否频繁或是否稳定．数据立方体的最终结果是产生相似学习情境的学习者群体，这也是借助基于情境的大数据优势来度量学习者之间的相关性．在此基础上，自适应推荐引擎基于相似学习情境的学习者群体以及学习者模型、领域模型、教学模型生成个性化学习资源和学习路径，如图3所示．

在图3中，学习者的历史学习行为数据遵从xAPI（Experience API）规范和标准，最终被保存到LRS（Learning Record Store）中．通过LRS就可以获取到每一个学习者的学习行为数据，进而对学习者的各项特征进行分析，从而建立学习者模型，全面准确地对学习者进行画像．学习者模型的建立是一个动态反复的过程，特定时间阶段的模型只针对当前学习者有效，随着学习时间的推进，学习者的各项行为特征都会发生变化，因此模型需要动态更新，而更新的基础就是学习者的历史学习行为数据．借助智能化的数据采集设备和海量的数据处理和分析技术，学习者模型已经不仅仅描述学习者的知识掌握情况，更重要的是可以实现情感识别、认知风格等．自适应引擎主要作用是实现自适应功能，是融合各种规则和算法的智能知识系统，也是领域模型、教学模型和学习者模型之间进行交互的神经中枢．自适应引擎由各种适配器和各种生成器组成，而且随着计算任务的需要以及功能的增加，会动态扩展，产生新的适配器和生成器．通过各种适配器和生成器的协同作用，向学习者提供个性化学习资源和个性化学习路径．对于个性化学习资源，其工作基础是知识点（或知识元），而对于个性化学习路径，其工作基础是学习活动，输出的是学习活动的序列．在实际工作中，自适应引擎是一个不断调整的学习过程，是一个不断迭代和螺旋改进的过程，最终在各种约束条件输出学习资源和学习路径的最优值．

图3 情境感知自适应学习系统结构图

3 自适应学习系统实现思路

3.1 推荐个性化的学习资源

作为自适应学习系统，最基本的功能就是给学习者推荐适合学习者自身学习和兴趣需要的学习资源．这里需要使用到协同过滤算法，考虑到个性化学习的需要，论文选择基于物品的协同过滤算法（item_based collaborative filtering，ItemCF），具体实现首先需要计算学习资源之间的相似度，计算公式如下：

有了学习资源的相似性后，然后计算学习者对学习资源的兴趣，计算公式如下：

3.2 融入时间的自适应

时间是学习者学习情境中的一个重要要素，加入了时间要素，一方面使得学习者的学习行为数据成为了时间序列，另一方面使得自适应学习系统在工作中有了很强的时变特性．在学习者真实的学习过程中，基本学习者的学习兴趣是随时间不断变化的，同时部分学习资源也是有生命周期的．所以，在自适应学习系统中融入时间要素，可以提供推荐结果的精准性，增强学习者的满意度．

有了时间要素，可以对学习者做这样合理的假设：学习者在短时间内喜欢的学习资源具有更高的相似度；学习者近期学习行为更能体现学习者当下的学习兴趣．基于此，可以对学习资源的相似度进行改进，公式如下：

通常情况下，学习者当下的学习行为和其最近的学习行为关系更大，所以，学习者对学习资源兴趣的度量修改如下：

4 结 语

文章在对自适应学习系统的三大模型：专家模型、学习者模型和导师模型深入分析的基础上，结合自适应超媒体系统通用模型AEHS，引入学习者要素、时间要素、空间要素和设备要素的学习情境，构建了基于情境感知的自适应学习系统模型，并基于学习情境实现学习者分组，以此为基础，根据学习者的学习经历数据对学习者进行建模，通过专家模型、学习者模型、教学模型的协同作用，在自适应引擎的驱动下，产生自适应结果．最后，引入可变的时间因素，提供了个性化资源推荐的实现思路．但是，作为自适应学习系统，其功能不仅仅是个性化学习资源的推荐．因此，本研究下一阶段的计划是在此分析和设计的基础上，引入人工智能技术，从提升学习者的学习效果角度对自适应学习系统开展深入的研究，在理论的支撑下给出具体的实现机制和方案．

[1] 孔维梁，韩淑云，张昭理．人工智能支持下自适应学习路径构建[J]．现代远程教育研究，2020，32（3）：94-103．

[2] 童名文，师亚飞，戴红斌，等．智慧学习环境中自适应学习系统动力机制研究[J]．电化教育研究，2020，322（2）：68-75．

[3] 林一，王舜波．基于学习风格的自适应式虚拟交互方法的研究[OL]．计算机工程与应用[2020-12-18]．https://kns.cnki.net/kcms/detail/11.2127.tp.20201216.1722.012. html．

[4] 王丽萍，赵蔚，魏久鸿．自适应学习系统中开放性学习者模型实证研究[J]．吉林大学学报：信息科学版，2019，37（5）：512-517．

[5] 张琳捷，罗雯，刘博，等．学习云空间中基于情境感知的移动学习自适应模型及其应用研究[J]．电化教育研究，2020，322（2）：83-90．

[6] Brusilovsky P. Methods and techniques of adaptive hypermedia[J]., 1996，6（2-3）：87-129．

[7] DEY A K, ABOWD G D. Providing architectural support for building context-aware applications[D]. Atlanta: Georgia Institute of Technology, 2000．

[8] YANG S J. Context aware ubiquitous learning environments for peer -to -peer collaborative learning[J]., 2006，9（1）：188-201．

[9] SCHMIDT A, BEIGL M, GELLERSEN H W. There is more to context than location[J]., 1999，23（6）：893-901．

[10] 武法提，黄石华，殷宝媛．场景化：学习服务设计的新思路[J]．电化教育研究，2018，39（12）：65-71．

[11]陈敏，余胜泉．泛在学习环境下感知学习过程情境的推荐系统设计[J]．电化教育研究，2015（4）：76-82．

On Construction of Adaptive Learning System with Context Awareness in Intelligent Education

CHENG Guangsheng

（）

With the integration of big data and artificial intelligence into the field of education, personalized learning has become the focus of current and future education, and adaptive learning system provides a practical path for personalized learning. Based on the analysis of the basic model of adaptive learning, combined with the general model of adaptive hypermedia system AEHS, the learning situation is introduced, and the adaptive learning system model based on situation perception is constructed. In order to improve the accuracy of adaptive results, learners are grouped according to their type, learning time, learning space and learning equipment. Based on this, adaptive learning results are generated under the drive of adaptive engine through the synergy of learner model, domain model and teaching model. Finally, combined with the time factor of dynamic change, ideas to realize personalized resources recommendation are provided.

learning context awareness; adaptive learning system; personalized learning; resources recommendation; intelligent education

G434

A

1672-0318（2022）01-0047-05

10.13899/j.cnki.szptxb.2022.01.010

2021-05-14

2020年度宁夏哲学社会科学（教育学）规划项目：人工智能环境下精准学习者模型及系统构建研究（20NXJC07）；2020年度宁夏财经职业技术学院院级课题“互联网+教育环境下自适应学习系统的研究”（CYJG20209）部分成果．

程光胜，男，讲师，硕士，研究方向：职业教育、数据科学和软件工程．

（责任编辑：王璐）