APP下载

国内外适应性学习的研究热点、演进路径与发展建议

2022-05-11胡水星

中国教育信息化 2022年4期
关键词:适应性聚类学习者

荆 洲 胡水星

(湖州师范学院 教师教育学院,浙江 湖州 313000)

一、引言

教育领域个性化学习的实现,既是时代要求,也是该领域的研究热点和发展方向。中共中央、国务院印发的《中国教育现代化2035》提出,要加快信息化时代教育变革,利用现代技术加快推动人才培养模式改革,实现规模化教育与个性化培养的有机结合。[1]2020 年1 月,世界经济论坛在《未来的学校:为第四次工业革命定义新的教育模式》报告中提出,“教育4.0”的关键特征之一,是可以促进个性化和自定进度的学习,即从标准化的学习系统转变为基于每个学习者的不同个人需求的学习系统。[2]世界进入以物联网、大数据、机器人及人工智能等技术为驱动力的第四次工业革命后,更大规模地开展个性化教育与适应性学习成为重中之重。

适应性学习,是在无障碍与高包容性的在线课堂上,以尊重与关注学习者认知特征、能力水平与兴趣爱好等为基础,个性化地推送与呈现学习资源,充分调动学习者积极性并持续激发其主观能动性与创造力的教学模式,可能会为在线教育带来实质性和突破性的飞跃。[3]当前许多地区正以新型媒介逐步推进适应性学习模式,例如,美国巴尔的摩县的公立学校为了确保来自经济情况不同社区的10 余万名儿童能接受平等教育,将课堂应用自适应学习技术作为其“学生与教师通向明天”行动的重要组成部分;旧金山的约瑟夫·威勒小学推广使用i-Ready 等适应性学习工具,用来提升学生的学习体验并帮助后进生查漏补缺。但是,当前国内适应性学习仍处于起步阶段,诸多问题仍待解决,例如,国内在线教育适应性学习模式的服务对象范围较窄,系统的泛化能力仍需提升,新模式下教师教学设计的改革缺乏成熟的理论与实践支撑等等,以上种种问题导致国内中小学实际教学中基本没有适应性学习模式的应用与推广。基于此,本研究采取文献计量分析方法与内容分析法对过去10 年间的相关文献展开分析,并根据国内外的研究差异,从政府、教育者与开发者三个角度提出国内适应性学习的发展建议。

二、研究设计

(一)研究方法

本文采用文献计量分析法与内容分析法对适应性学习领域近10 年的核心文献展开研究。文献计量分析方法是以数学和统计学知识为基础进行定量研究,通过归纳总结所选论文发表的时空规律与内容特点,对所要研究的国家/地区、机构、作者在某一领域的研究热点、演进路径与发展趋势进行梳理并加以判断。内容分析法是对研究文献进行系统性、客观性评价的方法,是定性分析与定量分析的有效结合,通过对文献中研究者关于某一特定主题的概念理解、态度倾向、成果观点与讨论反思等内容进行分析,判断并解读该领域的本质特征与发展规律。本文将两种研究方法相结合,指出国内外在适应性学习领域的研究异同并对未来发展进行合理展望。

(二)研究工具与数据来源

CiteSpace 是美国德雷赛尔大学陈超美教授研发的一款用于学术文献分析的信息可视化工具,该软件有效融合计算技术与可视化技术,具有检测和可视化以时间为维度的研究热点演进与学科内容变化的功能,可用来探索特定专业领域的动态,并且在案例研究测试中得到有效验证。本研究选择CiteSpace5.7.R5 作为研究工具,于2021 年5 月29 日进行检索。

考虑到搜索结果的精准性与权威性,国内数据库来源选择中国知网(CNKI)数据库中的CSSCI期刊,参考李凤英等[4]对适应性学习研究发展历程的分类,本研究以“智能教学系统+程序教学机+计算机辅助教学+适应性学习+自适应学习”为主题进行检索,时间跨度为2011—2020年,检索得到文献393 篇。在手动删除书评、会议概要以及内容不相关类文献后,以Refworks 格式导出有效文献346 篇。国外数据库选择科学网(Web of Science,简称WOS)核心合集数据库,时间跨度为2011—2020 年,参考梁茜等[5]的研究方法确定主题词,选定“learning adaptive & learning adaptive technology & adaptive educational technology & adaptive learning”进行搜索,得到文献1536 篇,删除Editorial Material、Letter、Meeting Abstract、Reprint 与Review 类型文献,得到有效文献1448 篇。

三、文献研究热点、演进路径与发展趋势分析

(一)关键词共现分析

关键词是一篇文献主题与核心内容的标志性或概括性词汇,在文献检索中具有重要价值。通过关键词共现分析可以直观地了解到某一知识领域的聚焦热点与变化趋势。本研究以CiteSpace5.7.R5 为研究工具对CSSCI 与WOS 两大数据库的文献数据进行处理,主界面中时间切片(Time Slicing)选择2011—2020 年,数据切分年代(Years Per Slice)选择1 年,数据来源(Term Source)勾选关键词(Keywords),切片使用修改后的索引(g-index)并设置阈值k=25,选择路径发现(Pathfinder)与修剪合并网络(Pruning the merged network)的剪切连接方式简化网络结构从而突出重要特征。根据合并同义词原则,在比较关键词频次后将“适应性学习”并入“自适应学习”,“适应性”并入“自适应”,从而使结果更为准确和清晰,两大搜索源的关键词共现排序如表1所示。

表1 国内外适应性学习主题文献关键词共现表

根据国内外数据库的共同热点关键词我们可以看出,适应性学习系统的设计与构建以及基于大数据的智能推荐算法是国内外共同的核心热点。中心性是衡量关键词节点在网络中资源控制信息与交流媒介能力强弱的重要指标,中心性数值≥0.1 的节点通常是链接不同知识范畴的重要枢纽,[6]WOS 中的文献中心性排名前三的关键词为model(模型)、network(互联网)、prediction(预测),分析文献后发现,基于卷积神经网络技术对学习者兴趣预测、智能推荐系统设计、适应性学习模型构建等方面的研究较多。CSSCI 文献中,中心性高于0.1 的关键词有自适应学习系统、学习分析与地平线报告等等,表明国内研究多集中在多模态学习分析技术、以机器学习为核心的学习分析系统、适应性学习系统的智能推荐路径等方面。相比而言,国内数据库的文献更偏向于适应性学习的概念阐述、政策解读与理论研究,而科技创新成果与教学实证研究的文献占比较低。

(二)关键词聚类分析

在关键词聚类过程中,对关键词使用对数似然比(Log Likelihood Ratio)算法,进行数据统计与聚类处理,并展示排名前10 的聚类结果,如表2 所示。两大数据库的聚类结果的Modularity Q值(模块度值)均高于0.7,表明关键词聚类的网状结构十分显著,排名前10 的聚类结果紧密程度均在0.7 以上,表明关键词间紧密程度良好,观察主要标识词后发现各个聚类结果之间界限明显,不同类团的特点与领域范畴并不重合,所以本次聚类具有较高的分析价值。对两大数据库聚类大小各自排名前三的关键词聚类分析如下:

表2 国内外适应性学习主题关键词聚类

CSSCI 数据库中聚类序号为1 的聚类名称为学习分析,主要标识词有“大数据、教育数据挖掘、可视化、元分析元认知、开放学习者模型”等。学习分析是以学习者认知过程和学习环境的各项数据为研究对象,通过算法与模型来预测学生学习进度、动态水平与目标能力,从而达到智能分析与推荐的目的。该聚类主要概述学习分析技术的概念、演进路径与发展趋势三个方面的研究,[7]学习分析技术的教学应用案例与实证分析,[8-9]学习分析等教育技术对适应性学习的支持。[4]研究表明,学习分析技术对适应性学习的系统框架与人机交互模型的构建具有重要价值,并在实际教学中有效提升资源分配的精准度和学习者的学习效率。[10]

聚类序号为2 的聚类名称为教育游戏,主要标识词有“自适应、智能教学代理、语境化叙事、任务式教学、互动叙事”等,该聚类主要概述个性化学习中,通过开展适应性与情境化教育游戏,促使知识更加契合学习者的认知特征,增强学习者对知识的理解与迁移。教育游戏在课堂教学中的应用方面,王广新等[11]基于互动叙事与知识空间理论,设计语境化教育游戏模型并用Unity 3D平台制作一节“摩擦力”的教育游戏课,结果显示,语境化叙事可以有效提升学生对学习过程的参与热情与专注程度。教育游戏与教育技术的结合方面,王筱竹等[12]设计一种面向技术落伍群体的程序教学法,通过软件助理“大声说程序”开展基于知识图谱的教学,定性评估结果显示,人工智能可以提升学习者对编程课程的兴趣,而且对技术相对落伍的群体有情感鼓励和学习效果提升的作用。

聚类序号为3 的聚类名称为深度学习,主要标识词有“教育信息化、翻转课堂、教育技术、大数据分析、自适应学习系统”等,该聚类主要概述深度学习在知识、教学、学习与认知等方面的转化过程与生发逻辑,并从发生路径、教学设计与系统设计等角度分别讨论如何开展促进深度学习的课堂教学。在深度学习的发生路径方面,胡航等[13]通过实验发现,脑机交互技术在提高学业成绩、提升专注力、改善学习态度与自我效能感、创设适应性学习路径等方面能取得较好的效果。在促进深度学习的教学设计方面,龚静等[14]在阐述深度学习理念的基础上,构建涵盖接受式、参与式与迁移式学习的教学模型,并提出教师应用该模型开展教学的实践路径。在促进深度学习的平台设计方面,尹学松等[15]针对目前远程平台不能高效处理批量信息和不能提供自适应学习环境的问题,搭建面向大数据的远程开放实验平台架构,以具体的在线教育案例为远距离开展教学和促进深度学习提供范例。

WOS 中聚类序号为1 的聚类名称为教育,主要标识词有“适应性管理、翻转式课堂、生态系统服务、决策制定”等,该聚类主要概述教育者如何在教育管理机制、教学系统设计、教学模式改革与方案制定等方面推动教育进步。在教育管理方面,研究者提出建立跨国家与跨区域的战略方针,将学习者、学习过程与学习对象以通信网络连接,从而降低大规模培训系统管理的成本与风险。[16]在教学系统设计方面,研究者基于适应性学习平台(ALP)设计包含多种教学形式的混合学习环境,并在实证研究中发现ALP 有益于提高学习者测试评分。[17]在教学模式的创新与应用方面,研究者发现采用翻转课堂、协作教学与教育游戏等新型教学模式可以有效提升学习者的学习动力,提高终结性评价,证明新的教学模式对开展适应性学习具有积极意义。[18]

聚类序号为2 的聚类名称为识别,主要标识词有“最优控制、时间序列预测、轨迹跟踪、非线性系统建模”等,该聚类主要概述利用轨迹跟踪与系统建模等技术手段,完善适应性学习系统对学习者学习状态与认知特征的识别功能。在识别学习者认知特征方面,研究者针对学习者视频信息识别过程中姿态随机、背景混乱、照明变化等因素会造成干扰的现状,提出基于注意力的暹罗网络,优化后的双向注意模块可以提升学习的高效性与适应性。[19]在预测学习者需求方面,研究者基于卷积神经网络的分类器设计适应性推荐系统,预测用户的潜在需求进而完成个性化推荐。[20]

聚类序号为3 的聚类名称为模型,主要标识词有“启发式算法、生物学、风险”等,该聚类主要概述适应性学习模型的概念、构建过程与应用效果等。适应性学习模型由学习者模型、适应性模块、数据分析系统、决策系统、知识数据库与教育方法数据库组成。[21]首先,机器学习系统对学习者个人特征、学习时间与场景等现实情境完成判断与反馈;[22]其次,在教学过程中系统动态收集学生的需求与表现并实时调整课程内容、结构与评估方式;最后,在PDCA 教学循环中对模型进行检验与改进。实验表明,适应性学习模型可以在提升学习者学习表现、促进教学方法的个性化应用以及优化体系循环等方面对教育活动产生正向增益。

(三)关键词突现分析

突现词是指在短期内发生频次剧增的文献核心词汇,关键词中的突现词可以一定程度上反映出研究内容的变化情况、研究领域的发展前沿与趋势预测。[23]考虑到WOS 中的文献来源区域较广且文献数量较多,可反映出世界范围内学术领域在该领域的研究脉络与趋势,本研究选择WOS 中的有效文献进行计量分析。菜单选项中“Burstness”设置突现强度不低于0.1,最小持续年份为2 年,选取突现强度排名前20 的关键词呈现突现结果,如表3 所示。经过内容分析,将演进路径归纳为三段:一是适应性学习系统的信息获取与算法优化,二是系统对学习者状态的动态感知与实时反馈,三是系统对学习者需求的智能预测,具体如下:

表3 国外适应性学习主题关键词年度突变

2011—2013 年,突现的关键词有粒子群优化算法、小波神经网络、遗传算法等,主题归纳为适应性学习系统的信息获取与算法优化。这一时间段适应性学习模式仍处于探索期,研究以系统的构建为主。例如,关键词小波神经网络具有自学习、自适应与高容错性等特点,相比神经网络有更强的学习能力,可对信号进行多尺度分析;遗传算法用于求解较为复杂的组合优化问题时,相对常规优化算法能够较快地获得较好的优化结果,故而广泛地应用于组合优化、机器学习、信号处理、自适应控制等领域。这些技术的发展进步为领域模型与适应性引擎的发展、推广和应用提供了技术基础。

2014—2016 年,突现的关键词有进化算法、机器学习、适应性与跟踪控制等,主题归纳为适应性学习系统对学习者状态的动态感知与实时反馈。这一时间段内适应性学习理论相关研究增长明显。一方面是受到政策的影响,公立学校与辅导机构均开始尝试推广多种形式的计算机辅助教学;另一方面是由于教育技术发展迅猛,比如机器学习与视觉跟踪技术等,科技的进步使适应性学习的硬件条件大幅度升级。机器学习作为一门多领域交叉学科和人工智能的基础理论,专门研究计算机模拟或实现人类的学习行为途径,通过持续重组丰富已有知识结构来提升自身智慧化程度;视觉跟踪技术是对图像序列中的运动目标进行检测、提取、识别与跟踪并获得目标参数,实现对运动目标的行为理解与反馈。这些技术促成适应性引擎与适应性交互界面等系统模块的进化。

2017—2020 年,突现的关键词有特征选择、迭代学习控制、自适应网络模糊推理与视觉跟踪等,主题归纳为系统基于学习者特征进行个性化需求预测。在这四年突现的关键词中,可以看到适应性学习系统受到教育大数据、人工智能、云计算与感知技术等新兴技术手段的大力推动,在智慧化程度上达到新的高度,而教育技术的一些特征,如大数据的6V 特点——海量性(Volume)、多样性(Variety)、高速性(Velocity)、变化性(Variability)、真实性(Veracity)与数据价值密度低(Value)等,也烙印在适应性学习系统之中。[24]系统对分类模式的精细化、对个体需求预测的精准化,使以学生为中心的教学理念得以彰显,也使我们对未来该领域的发展趋势有更清晰的判断。

在演进路径中,从对学习者的全方位数据的记录,到教学过程动态形成个人电子成长档案,再到对个性化学习目标与需求的预测,这既是技术发展变迁的必经之路,也是教育对技术不断回归与贴近“学生”这一学习中心的必然要求。在未来,预测适应性学习将会通过电子书包、电子成长档案、教学电子平板与智慧教室等多种形式的适应性学习载体,逐步从技术价值取向延伸至人本价值取向,逐步从按部就班的机器主导走向轻负高质的人机协同,逐步从强调群体协同发展到适应性学习与个性化培养,不断接近“因材施教”的美好初衷。

四、适应性学习模式的建议与展望

本研究应用文献计量分析与内容分析法对国内外共计1794 篇文献进行分析,经对比发现,国内适应性学习模式仍存在重理论而轻实践、重学生而轻教师、重理性思辨而轻情感表达等问题。基于上述现状,本文从政府、教育者与开发者三个层面提出发展建议与合理展望。

(一)政府统筹规划,促进区域交流与产学研融合

在国内外平台文献时空分布的对比中,我们发现国外公立学校在适应性学习系统与设备上已有较大规模的教学应用,值得国内学习。近年来政府一直推动校园信息化建设和个性化教育的落实,但在学校层面还未形成区域辐射带动态势,而且当前研究中头部机构发文占比较大,不同机构间交流合作较少。针对这种情况,一方面政府应选取试点城市或教学点,投入资金建设与推广适应性学习硬件与软件,指导教育者完成新型教学模式培训,提升信息化素养,并引领各试点学校形成合力;另一方面,政府应积极推动研究机构之间广泛开展合作,并对美、英等已有较为成熟经验的国家进行调研与借鉴,加快解决我国东部西部之间、城乡之间学习资源与师资力量的不均衡问题,关注后进生的个性化助学,促进教育公平。

(二)教育者迎接挑战,提升教研能力水平与学生信息素养

在关键词聚类中,我们发现教学模式的改革创新与实践是国内外共同的发展热点,CSSCI 数据库中的“教育游戏”“深度学习”与WOS 中的“教育”等多个聚类中,均提及诸如语境化叙事、任务式教学与翻转课堂等一系列新型教学模式,这对教育者,尤其是年龄较大的教育者提出教研上的挑战。一方面,教育者要积极参与校园信息化建设,通过各类技能培训与实际演练提升自身对现代化教学手段的掌握程度;另一方面,教育者应注意学生核心素养中信息素养的培养,建立学生信息素养评价标准、制定评价指标体系与评估模型、组织开展提升信息素养方向的知识与技能学习,最终实现教育者与学习者的良性互动与双向提升。

(三)开发者注重研发,联合学校开展实证研究与应用推广

在对WOS 文献的关键词突现分析中,我们发现国外对系统的构建升级历经对学习者与知识库的前期数据挖掘存储、利用视觉追踪技术等方式动态搜集数据、对个性化学习目标与需求的预测三个阶段,技术进展迅猛。基于此,国内的系统开发者注重运用大数据、云计算、情绪感知技术等进行系统的开发与完善。国外诸如牛顿(Knewton)、慧雀(Smart Sparrow)等适应性学习平台建立较早,已有较为成熟的适应性学习模式与稳定的学习用户,国内作业帮与猿辅导等平台作为后起之秀可以参考借鉴前者的发展历程,并在国家对产学研融合的政策支持下,加强与高校研究机构及中小学校的合作,更加注重学生的认知过程与深度学习的发生,助推适应性学习模式早日成为我国信息化校园建设的重要组成部分,成为促进教育公平与因材施教的有力抓手。

猜你喜欢

适应性聚类学习者
谷子引种适应性鉴定与筛选初报
你是哪种类型的学习者
十二星座是什么类型的学习者
基于K-means聚类的车-地无线通信场强研究
健全现代金融体系的适应性之“点论”
基于高斯混合聚类的阵列干涉SAR三维成像
汉语学习自主学习者特征初探
大型飞机A380-800在既有跑道起降的适应性研究
基于Spark平台的K-means聚类算法改进及并行化实现
基于改进的遗传算法的模糊聚类算法