聚焦目标适性达成：自适应学习领域模型的国际研究进展*

刘 桐 顾小清 王成龙

（1.华东师范大学 教育学部 教育信息技术学系2.华东师范大学 上海市智能教育研究院，上海 200062）

一、引言

自适应学习是人工智能赋能教育的重要情境，学习者的学习过程主要包括两个循环回路， 分别是规定学习任务， 指导学生完成有序复杂问题的外循环；以及在单一问题解决步骤中，根据学习者当前知识状态，提供反馈与提示的内循环（Vanlehn，2006）。循环流程的实现，依赖于自适应学习环境的支持，学习者模型、领域模型、导学模型以及人机交互模型是自适应学习环境的四个核心组件（Graf Von Malotky，et al.，2019）。

经过半个多世纪的发展，自适应学习环境从20世纪50 年代的计算机辅助教学系统（Computer Assisted Instruction System），逐步向智能导师系统（Intelligent Tutoring System） 与适应性超媒体系统（Adaptive Hypermedia System）两条脉络发展，最终形成个性化的自适应学习系统 （Adaptive Learning System）样态（李凤英，等，2020）。 在发展进程中，学习者模型从利用单一学习结果数据， 逐步向利用多模态学习过程数据， 建立动态学习者画像的方向发展，全面评估学习者的学习状态；导学模型从选择专家规则向智能推荐算法的方向发展， 动态生成个性化的学习路径；人机交互模型从简单网页操作，向以虚拟现实为代表的创新交互方向发展， 从而为学习者提供友好的人机沟通渠道。

领域模型界定了学习者的领域学习内容， 并且引导整体学习过程，在外循环中，可作为学习资源推荐以及学习路径生成的领域依据，在内循环中，可为学习者知识掌握状态评估以及知识图谱更新提供测算依据，是开展自适应学习的基础。 近年来，与领域模型相关的研究逐渐成为热点， 例如， 李振等人（2019）从结构和要素的角度，构建了教育领域知识图谱的概念模型；范佳荣等人（2022）从心理学与哲学视角，提出能力体系的学科知识图谱；赵国庆等人（2021）从跨学科视阈下重新审视知识图谱、认知地图以及认知图谱等相似概念的研究。

概念化表示领域知识及其结构以及设计智能导学策略与方法是构建领域模型的主要任务（Pavlik，et al.，2013）。 从整体上看，国内有关领域模型的理论研究较多，但从落地视角开展教育实践的研究较少。 相对而言，国外教育人工智能起步较早，而且偏向于量化可计算的研究范式。 因此，本研究以国际文献为主，从自适应学习的视角，检索并筛选自适应学习研究领域的重要国际会议与期刊，关注最近五年在自适应学习研究与领域模型相关的研究实践工作。

二、领域模型研究概述

本 研 究 利 用 “domainmodel”“domainmodel &learningsystem” “domainmodel & intelligent tutoring system”等为关键词，在Web of Science、Science Direct、Springer 和谷歌学术等数据库中， 查找2019-2022 年的相关文献，共筛选出核心文献15 篇，结果如表1 所示，在此基础上，以滚雪球的方式扩充文献数量，再做进一步分析。

表1 领域模型核心文献列表

（一）从分化走向共存：领域模型的范围演进

领域和领域模型是紧密关联的。 领域（Domain）包括围绕学习目标而形成的知识、技能的内容集合，以及获取知识、 习得技能的具体策略。 领域模型（Domain Model）则是领域内容与导学策略的量化表示集合。 结合筛选的核心文献，我们可以发现，领域的扩展造成领域模型的多样化和差异化。

早期自适应学习系统集中在学习目标清晰的领域，如数学中的代数问题、几何问题等。 它们具有较强的概括性与高度抽象度的知识体系， 并且具有明确的正误判断依据。根据“人工智能之父”马文·明斯基（Minsky，1961）的观点，此类型领域存在系统方法，来提供确定性以及可被接受的问题解决方案，被称为良构领域（Well-defined Domain）。 进一步说，此类领域的知识是确定的，在时间维度上具有稳定性，在较长周期内并不会发生变化， 同时围绕此领域内的问题具有通用与明确的解决方法， 并且方法步骤的数量是一个有限集合。

之后，随着技术可用性与易用性增强，领域的边界在逐步扩展，在设计、音乐、程序设计等领域也有使用人工智能的方法赋能学习过程的实践需求。 但是，与良构领域不同，此类领域中的问题结构更加多样，领域问题缺少明确的结果评估标准。 因此，也被称为劣构领域（Ill-defined Domain）。 此类领域任务结构模糊，存在大量开放式问题、重叠式问题，并且不具有明确领域理论（Lynch，et al.，2006）。 例如，难以评价一项艺术创作水平的高低。 由于缺少清晰的学习目标评估标准， 难以准确评价学习者状态，因此，劣构领域中的自适应学习较难开展。

从理论的角度来说， 良构领域和劣构领域的区别在于是否存在稳定的理论体系和解决方法。 但从领域演化的角度说，人们在面对不熟悉的领域时，天然地缺少解释体系与实际解决办法。因此，劣构领域不可回避，它是走向良构领域的必经阶段。 近年来，随着面向学习者核心素养、 关注学习者非认知能力和情感道德等教育目标的涌现， 良构问题与劣构问题不可避免地出现在同一领域中， 良构领域和劣构领域之间也不再是简单的硬区分， 而是形成特定主题下的混合领域（Mixed Domain）。

（二）领域表示与导学策略：领域模型的研究分类

结合已筛选文献， 通过对具体内容的总结，领域模型的研究可分为两个方向：（1）领域表示的研究。 该方向研究重点解决领域内容的表示问题，即所表示的是何内容？ 以及内容之间有何种关系？ 例如，知识图谱是一种领域内容表示方法，其本质属于一种语义网络， 随着几何图神经网络技术的进步， 教育知识图谱的相关研究也逐渐增多；（2）领域导学策略的研究。 在自适应学习过程中，个性化的学习支持是适应性的重要体现，领域导学策略的目的是构建策略集合，从而实现与学习者状态的结合，来共同作为导学模型的输入，为学习者适应性挑选合适的资源以及策略， 提供自适应学习路径。因此，该研究方向重点关注如何提供具有较强兼容性且丰富多样的导学策略。 基于上述研究方向的分类问题，本研究从领域模型的表示以及领域导学策略两个方面作进一步阐述。

三、领域表示的研究进展分析

领域知识的性质不同， 造成领域表示方式的差异。领域的表示建立在还原拆分领域知识的基础上，涉及两个具体问题：首先，领域模型的表示内容是什么？ 其次，领域模型的内容关联了什么？ 现有领域表示方式如表2 所示。

表2 领域模型表示方式研究归纳

（一）以结构化知识点表示领域模型

以结构化知识点表示领域模型是较为常见的表示方式， 诸多与知识结构相关的研究为此提供了理论支撑（Schrepp，2015），其中被广为接受的是知识空间理论 （Knowledge Space Theory，KST）。 KST 认为，领域内的知识点及其先后关系构成了知识空间，学习者在每个知识点下都有独立的知识状态， 所有处于已掌握状态的知识点构成了学习者的知识结构， 其主要目的是对学习者领域知识点掌握程度进行评估（Doignon，et al.，1985）。

在知识空间理论的指导下，已有研究根据课程标准或者领域专家的定义，将知识领域拆分为一组包含细粒度知识点标签的题目或问题集合，依据已有的先序、层级、分支等知识关系表示领域内容，从而通过答题测试来判定学习者对于知识点的掌握状态，并借测试结果推荐相关题目作为学习者的后续学习路径。 例如，在ALEKS 自适应数学学习系统中，领域模型是以美国通用核心（Common Core）学习标准为依据， 涵盖美国k-12 阶段所有的数学学科知识点，并按学段的增长，建立知识点之间的先后关系。 该系统通过利用知识空间理论中知识状态以及知识结构的理念，以题目测试为推动，不断更新学习者的知识状态，为学习者推荐在其最近发展区内的练习题目， 以优化扩展学习者的知识结构（Cosyn，et al.，2021）。

但是， 传统知识空间理论局限于学科知识体系的结构化表示，在涉及学习者的能力状态时，往往缺乏合理的领域表达依据，因此，赖曼（Reimann，et al.，2013） 将能力和绩效水平的对应关系融入知识空间中， 形成基于能力的知识空间 （Competency-based Knowledge Space Theory，CBKST）， 以扩展促成表示形式。 德库索尔（De Chiusole，et al.，2020）聚焦于统计学基础知识领域，开发了Stat-Knowlab 自适应学习系统。 该系统首先通过专家定义的方式确定学习技能图，包含描述性统计、组合与概率、T－检验、Z－检验以及卡方检验五个子领域，细分了55 个具体学习技能，进一步利用CBKST 建立学习技能与练习题目的关联， 以测试与练习的循环过程促进学习者技能的习得。

由此可见，以结构化知识表示的领域模型通过预设知识空间，可主要用于自适应测试环境的学习过程中，通过具有知识标签题目的串联，以测试识别学习者的最近发展区，不断更新学习者在知识空间中的知识结构边界，再以题目推荐的形式为学习者提供自适应支持。 整体来看，以结构化知识点表示目标领域， 需要建立在良好定义的知识结构之上，才能够保证领域模型的权威性与通用性。 但是，此种方法难以表示结构不完整且缺乏明确定义的劣构或混合领域的知识，并且严重依赖领域专家的介入，这会增加或延长领域知识的更新周期，导致难以灵活跟进领域知识的动态调整过程。

（二）以认知过程表示领域模型

以结构化知识表示领域模型侧重对知识点的练习与测评， 从而促进学习者有效掌握领域范围内的知识集合， 整体上更偏重于自适应学习的外循环过程。而从内循环的视角来看，渐进式的知识习得过程也是领域模型所要表示的重要组成部分。例如，早期认知导师（Cognitive Tutor）系统以ACT-R 理论为基础， 为学习者提供问题解决过程中的支持（Anderson， et al.，1995）。

借鉴学习科学以及认知心理学的已有理论，卡耐基梅隆大学科丁格教授（Koedinger，2012）提出了知识成分（Knowledge Components）的概念，并将其定义为“需要从一组任务表现中推断出来的认知功能或结构单元，可以是认知产生式、技能、规则以及认知模式等”。 进而提出 “知识—学习—教学框架”（Knowledge-Learning-Instruction Framework）， 为诸多以认知过程表示领域模型的自适应学习系统提供理论支持。 此类表示方法主要通过拆解学习者在问题解决过程中的步骤来完成领域表示， 从而在每个步骤中提供相关的帮助与提示， 对学习者的错误操作提供错误原因反馈， 还可追踪学习者的问题解决表现，从而推断学习者对特定技能的了解。

诸多自适应学习系统采取了此类表示方法。 有学者（King，et al.，2021）为解决在线学习的可接入问题， 开发了以认知过程表示的数学领域自适应学习系统，通过将小学六年级数学中的复杂问题，拆解为细粒度的序列子问题， 利用知识追踪等方法监控学习者的学习状态，从而为其提供了步骤性提示。 在阅读领域，格雷泽等人（Graesser，et al.，2019）关注成人阅读障碍问题，开发了包含会话代理的Auto Tutor 自适应学习系统，该系统聚焦于深度阅读理解领域，对阅读理解过程中的步骤性知识进行细化，例如，句子的信息推论、文本衔接，不同类型话语中的修辞手法等，进而利用会话代理的交流提示与实时反馈，不断提升学习者的阅读理解能力。 在技能训练领域中，朱利安等人（Julian，et al.，2019）针对机器人手术领域开发了自适应学习系统， 使用认知任务分析法（Cognitive Task Analysis），经过80 多名领域专家的审核，将目标领域拆分为认知、 知觉和精神控制等具体的操作技能知识成分，进而为学习者提供适应性课程、测试以及反馈、训练学习者的机器人手术操作技能。

可以说，以认知过程表示目标领域模型，是从学习者问题解决过程的角度建立的领域抽象， 可用于表示程序性知识。 此种表示方式为内循环过程学习提供内容支持，可从单个问题解决步骤的粒度，达成更为广泛的适应性学习支持。但是，此种表示方法的缺点也较为明显，由于主要涉及程序性知识的表示，并且抽象的颗粒度较细，由此所带来的工作量倍增，需要耗费大量的人力资源在问题解决步骤的抽取与重构过程中， 同时需要配套相关的资源或过程性学习提示，因此，在实际操作中较少采用此种方式，需要进一步研究来突破此瓶颈。

（三）以本体属性表示领域模型

随着技术的进步，诸如项目式学习、探究式学习以及严肃教育游戏等新型学习方式， 逐步向线上迁移，它们在学习活动的多样性、学习资源的丰富性以及学习评价的及时准确性等方面与传统方式大有不同， 相应的领域模型的表示质量与灵活性也哉待提升。在此背景下，基于领域本体特征的表示成为一条可行路径。

本体（Ontology）的概念起源于哲学领域，格鲁伯（Gruber，1993）最早将其引入至计算机领域，用于更为明确与规范地说明计算机技术的概念模型。 其本质上是一组符合领域属性的语义标签集合与逻辑关系集合，由此形成领域语义网络，从而实现语义逻辑的推理（Hafidh，et al.，2019）。 在自适应学习领域使用本体表示方式的优势在于， 可通过语义网络连接不同的领域知识与学习资源， 并在系统内部或系统之间进行数据共享。

例如，在游戏化自适应学习环境中，德梅瓦尔等人 （Dermeval，et al.，2019） 开发了自适应学习系统GaTO， 通过使用METHONTOLOGY 本体构建方法，依据游戏设计元素、游戏情境、游戏者动机与需要、游戏者模型以及游戏者类型等不同系统模块类别，从语义层面抽象表达该领域的概念、 活动以及行为等领域具体数据， 从而实现系统内差异化概念的语义连接，同时也实现了在领域模型、学习者模型、导学模型以及游戏模块之间的内部逻辑推理， 为学习者提供更为综合的自适应学习支持。 德马伊迪等人（Demaidi，et al.，2018）使用本体表示方法，开发了学习问题与反馈自动生成框架OntoPeFeGe， 基于布鲁姆教育目标分类、 领域术语层次以及领域实体属性等层面，生成基于语义标签的学习策略集合，并利用基于规则的算法为学习者提供个性化反馈。 在技能训练领域中，尼古等人（Neagu，et al.，2021）开发了用于医学解剖技能培养的自适应学习系统SELFIT，通过动作技能种类、 人体运动模式和人体训练方案等类别属性，描述身体、肌肉、关节运动和协同剂肌肉之间的本体关系，并由此开展相关技能的训练。 迪亚塔等人（Diatta，et al.，2019）针对编程学习领域创建了PasOnto 自适应学习系统， 通过枚举编程术语、术语分类、术语分层、属性标记、语义连接等步骤，以编程术语的属性及关系， 创建基于本体的编程练习实例，从而增强了学习者对程序设计与编写的理解。

本体关注目标领域最为抽象的属性， 侧重从语义层面凝练领域不同的术语与概念， 并通过语义关联，形成系统内部的语义推理链。此种表示方法消弭了异构数据间的结构差异， 形成较为统一的内容表示形式，从而打破系统封闭，在不同系统之间进行语义数据传递，打通自适应内容数据，进一步整合多个学习系统， 以支持更为全面的自适应学习过程。 但是，此种表示方法需要结合领域特征达成集体共识，当前仍缺少相关的抽取规则与标准， 难以控制抽取的粒度，并且优化区分抽取的语义也存在较大难度。

四、领域导学策略的研究进展分析

在早期专家系统中， 基于规则的导学是主要的用于构建学习方法集合的领域导学策略形式。 发展至今，随着技术与教学理念的进步，涌现出多元化的领域导学策略。综合来看，主要可分为基于学习支架的导学策略、 基于启发对话的导学策略和基于数据驱动的导学策略， 且不同的导学策略可在不同类别学习领域中起到关键作用。

（一）基于学习支架的导学策略

基于学习支架的导学是应用较为成熟的导学策略。 尤其是在自适应学习内循环中，基于学习者的学习表现， 在学习过程中为学习者提供正误反馈、反问、解答提示等学习过程支架，是一种较为及时且有效的导学策略。 例如， 模型追踪（Model Tracing） 常用于以认知过程表示的学习系统中，有学者（Feng， et al.，2021；Banno，et al.，2020）通过编写一组认知生成式规则，模拟学习者解决问题的过程，配合规则映射追踪学习者问题解决过程中的表现，如果出现偏差就为学习者提供相关提示。 与之类似的还有案例追踪 （Example Tracing） 等方法（Dermeval，et al.，2018）。在此基础上，松田（Matsuda，2022）开发了包含学习代理的APLUS 自适应学习系统，在本系统中学习者通过教会学习代理如何解决问题达成学习的目的， 同时，APLUS 嵌入了模型追踪模块，可为学生提供自适应反馈，并帮助他们解决学习问题。麦克莱伦等人（MacLellan，et al.，2020）开发了的认知学徒框架 （Apprentice Learner Architecture），通过机器学习技术的支持，在数学学习、技能学习以及语言学习等多类型领域实现学习过程的追踪反馈效果。

同时，基于约束的导学也是常用支架之一，尤其是在未拥有大量学习数据的冷启动阶段， 给予一定的规则能够初步实现系统的适应性支持。 此类系统会构建约束集合， 并且每个约束有与之匹配的相关性条件和阈值组成。 相关性条件决定了在何时执行约束条件，阈值用于判断学生输入的正确性。 例如，福特等人（Ford，et al.，2022）使用专家知识作为学习约束开发SANYMS 系统，为学习者在数学证明过程中提供逐步反馈， 以过程提示的形式帮助学习者构建各种代数方程的证明过程， 同时降低了领域模型创建的工作量。

（二）基于启发对话的导学策略

基于启发对话的导学策略通过人机交互对话的形式，达成信息的反馈与传递，主要通过对话代理的方式实现。 对话代理是系统与学习者沟通的主要窗口，而代理可以有不同的角色，例如导师角色、同伴角色、游戏非玩家角色、数字孪生角色等，因此对话策略也具有较大差异。

阿尔巴塞特等人（Albacete，et al.，2019）依据知识建构的对话框架开发了物理自适应学习系统RIMAC，该系统通过设置一系列预先排序的问题，对话代理以导师的角色， 来指导学习者回答复杂的概念性问题。当学习者在特定步骤出错时，系统会启动子对话来解决该错误， 此过程也称为定向推理形式的对话。在此类导学过程中，对话代理主要充当导师的角色，发挥指导、纠正的作用，这是基于支架导学基础上的进一步扩展。此外，多代理也被应用于自适应学习系统中，派等人（Pai，et al.，2021）开发具有同伴学生代理与教师代理的学习系统， 其中同伴学生代理可能会提供不正确的答案，引导学习者尝试纠错，同时，当学习者多次输入错误答案时，教师代理将给出正确答案。 此类导学策略是促使学习者与不同类型的代理角色交互，以提升学习者的知识掌握程度，增强学习者的反思与元认知能力。

对话代理也可发挥同伴的角色， 有学者（Paladines，et al.，2021）利 用 微软 沃 森（Waston）虚 拟 助手，开发基于对话的虚拟实验室自适应学习系统，通过监测判定学习者在虚拟环境中的行为操作， 将下一步操作的提示、错误操作的提示、学习者问题的回答等，以智能助手的形式反馈到虚拟环境中，为学习者提供所需的学习辅助。可以说，基于多代理或同伴代理的导学， 更好地发挥了学习者与系统之间的双向沟通渠道， 通过沟通过程帮助系统更加准确地了解学习者当前状态。因此，也有学者利用学习者与系统之间的对话段文本， 利用BERT 深度神经网络和参数微调（Fine-tune）更新方法，提出学习者对话质量的评价方法， 从而为学习者提供更加适切的反馈内容（Sung，et al.，2019）。

直到有一天夜里，沈小小脱光了衣服，赤身裸体地蹦下床来，张满春才又一次看到沈小小胸前那对惊慌着的红兔眼，以及能让他联想起广袤田野来的那白亮润滑的肌肤。张满春这时才依稀瞧见那田野上有个犁地的勤奋农夫。沈小小合抱着张满春粗壮的脖颈，而张满春想到的却是田野和庄稼，他必须得把这美丽的田野侍弄出丰硕的收成来。他要在这广袤的田野上完完整整地当一回耕耘的农夫。然而，他的幸福生活很快就结束了。沈老七在他新居落成后的当天，就将沈小小接走了，张满春只能望着那一袭背影怔怔地发呆。

基于对话的导学策略，将单向信息的传递，增扩为双向的回合式交流过程。 这不仅增加了学习的趣味性，也为系统不断修正学习者状态提供数据通道。随着自然语言处理技术和虚拟现实等交互技术的进步， 通过对话策略开展智能导学将会更为常见。 但是，当前基于对话文本也面临着诸多挑战，例如，上下文语义的准确理解、 学习情境的适配性和多人对话导学等问题。

（三）结合学习者模型的导学策略

利用自适应学习系统中的学习过程数据， 为构建更为准确的学习者模型提供了数据基础， 结合学习者模型的导学策略，是以数据驱动的形式，利用学习者模型与领域模型的数据交换， 为自适应学习的内外循环提供支持。

基于知识图谱的知识追踪技术是此类策略之一。知识追踪是利用学习者作答数据，通过机器模型训练， 预测学习者知识状态以及未来学习表现的学习者建模技术。而基于知识图谱的知识追踪技术，是将领域知识间有向关联的图结构作为输入数据，利用图卷积神经网络（GNN）来预测学习者知识隐状态（Nakagawa，et al.，2019； Yang，et al.，2020； Chanaa，et al.，2020）。其在提升算法效率的同时，还增加了预测结果的可解释性。继而，通过训练完成的知识追踪模型， 采用深度强化学习等算法， 构建学习者模拟器，为学习者推荐练习题目（Ai，et al.，2019）。

从学习者非认知的角度， 关注学习者知识层面以外的因素以及整个建模学习过程， 从而达成适应性导学的目的是此类策略之二。目前，学习者学习风格测试已被应用于诸多自适应学习系统中（Kaur，et al.，2019；Binh，et al.，2021）。 例 如， 尤 萨 夫 等 人（Yousaf，et al.，2021） 使用的费尔德－西尔弗曼模型（Felder-Silverman model）。 学习者需要在初次登录系统时填写学习风格调查问卷， 从而形成以学习风格为标签的学习者群体。 而系统将在学习过程中为学习者推送符合其学习风格的资源。但是，此类做法较为依赖传统社会调查方法，学习者的主观性较强，因此，卡拉吉尼斯等人（Karagiannis，et al.，2018）通过采集学习者回答问题时长、资源停留时间、课程反馈停留时间长等行为数据，建立学习资源与费尔德－西尔弗曼模型之间的类别匹配关系， 利用决策树算法，完成学习风格的判别，可在一定程度上消解主观性偏差。

同时，基于学业情绪（Academic Emotions）的导学也是利用非认知信息的导学策略。 区别于一般情绪分类（如喜悦、愤怒等），学习者在学习过程中展示出的情绪（如学习焦虑、学习困惑、学习倦怠等），是反映学习者动机与自我效能感的重要外在体现。 扎塔拉因（Zatarain，et al.，2020）利用学习者脑电数据及面部表情数据， 使用卷积神经网络对倦怠、 感兴趣、放松等学业情绪进行分类，同时利用遗传算法优化卷积神经网络的超参数， 达到了较高的学业情绪预测效果，从而为适应性导学增加较为客观的依据。

整体而言， 当前自适应学习的导学依据不仅关注学习者的认知水平，还建立了学习者学习风格、学业情绪等非认知信息与领域内容之间的关联， 在传统基于规则导学的基础上，发展为以数据驱动、结合多种学习交互形式的导学策略。 与前两种导学策略相比，结合学习者模型导学更多关注学习者本体、侧重系统内部的信息交互。 其通过建立多通道信息匹配，加强系统不同模块间的数据流动，共同达成自适应导学的目的。

五、支撑技术与工具

构建领域模型是一项系统性工作， 包含相关领域知识表示、 领域策略选取以及与其他自适应学习系统组件配合等工作。因此，如何利用智能技术尝试以自动化的方式， 协助构建者高效地完成此项工作成为研究的热点。 当前主要的领域模型支撑技术与工具如表3 所示。

表3 领域模型支撑技术与工具

（一）领域知识抽取技术

在概念化目标领域时， 结构化知识点的表示方式或者以认知过程和领域本体属性的表示方式，都需要领域专家的参与，此过程会耗费大量人力与时间，且在面对新领域时缺乏灵活性与可迁移性。因而，自然语言处理技术中的知识抽取技术成为解决此类任务的可行工具，当前其主要应用于以下两种场景。

（2）从课程材料中识别事件并建立事件关联。此类方法使用到了自然语言处理技术中的实体识别技术，用于发现文本资料中的有意义语义片段。 例如，有学者使用依赖分析树算法， 发现并重点匹配在牙齿根管治疗中的医疗手术事故及事故说明间的因果关系，形成手术事故的依赖图，从而形成案例教学资源（Yin，et al.，2020）。

（二）领域内容生成技术

内容生成是基于语言算法模型的计算， 生成符合目标主题或语义文本的生成技术。 在基于认知过程的表示和启发对话智能导学过程中， 需要针对问题解决步骤提供学习提示反馈。因此，自动化文本生成成为解决此类问题的主要技术工具， 主要应用于以下三类应用场景。

（1）以数据驱动的方式生成提示反馈，可更加关注学习者的个体特征，并减轻建设的难度，洛德等人（Lodder，et al.，2021）针对数学公理证明问题，使用Bolotov 自然演绎算法，将证明过程拆解为五个公理证明的有向路径图，在识别学习者证明步骤的基础上，自动化生成学习过程提示。 与之相似，科奇马尔等人（Kochmar，et al.，2021）使用已有的提示内容，以及维基百科等语料数据，大规模自动生成学习过程的反馈提示内容， 并进一步使用随机森林算法，为学习者提供个性化反馈。

（2）在对话代理中，系统基于自动化生成对话内容，引导学习者反思，为学习者提供帮助反馈。 有学者（Lin，et al.，2022）通过挖掘人际对话数据（教师与学生，学生与学生）中的对话模式，如“教师提问→学生确认问题→教师积极反馈”等，并基于此设计系统代理的对话策略，通过使用梯度提升算法，预测学习者在问题解决过程中的表现， 以证明对话策略的有效性。 阿布齐泽等人（Abuazizeh，et al.，2021） 基于BayesAct 语言算法模型， 提出了一种集成情感推理的会话代理，从而提高代理识别对话意图的能力，生成与学习者情感一致的对话响应。

（3）自适应学习的练习题目也可通过自动化的方式生成，以避免重复建设资源，进而通过调整内容变式， 实现题目内容的多样化分布。 例如， 有学者（WANG，et al.，2018） 使用教科书等教育文本数据，训练深度学习模型QG-Net，使之自动化生成练习问题，同时此研究证明模型的泛化性，能够在诸多教育领域以及题库建设场景中使用。 奥罗克等人（O’Rourke，et al.，2019）在编程练习中使用if-then 产生式规则来生成文本问题， 同时此研究还通过展示问题生成过程，解释了问题提示的实时反馈规则机制，从而帮助学习者理解问题的解决过程。

（三）领域内容优化技术

知识领域的拆分粒度受专家经验的影响较大，而面对多样化的学习需求， 提供层次化粒度领域知识的重要性日益凸显。 领域精细化技术是一种从学习者表现的角度，通过应用领域模型，采用迭代的方式提供领域优化的适应性解决方法。

在前文提及的“知识—学习—教学框架”中，学习者在每个知识成分上花费时间的变化形成了学习曲线，可作为评估学习者知识掌握程度的外在表现。有学者（Long，et al.，2018） 使用加性因子模型算法（Additive Factors Model）分析学习者在变量的理解、负号和方程的复杂性等知识成分的学习曲线， 根据模型拟合结果， 他认为在现有知识成分拆分粒度之下，还存在更为细粒度的成分，为理解方程求解问题提供了改进信息。 进一步而言，戈尔丁等人（Goldin，et al.，2018）在包含90 个不同场景的问题集合中，使用多种学习曲线分析方法， 分析学习者在不同问题下的学习时间， 并提出了基于自动化方法的领域模型的改进意见。结果显示，学习曲线分析算法的选择以及参数设置会影响最终领域调整的结果。

六、总结与展望

通过对近五年文献的梳理分析，不难发现，在自适应学习的内外循环中， 领域模型发挥着不可替代的作用。在有效表示目标领域，创新智能导学策略是自适应学习领域中的两个重要研究问题。 在当前研究中， 自适应学习的目标领域主要关注知识与技能的培养，但在问题解决学习、游戏化学习、具身学习等理念的支持下，借助于数据驱动的机器学习、模式识别、深度学习等智能技术，可从过程性、细粒度、形式化的表示方法，合理表示如数学学习、语言学习、技能训练等多样化领域。 此外，借助虚拟现实、情境感知、智能助手等智能交互手段，还为学习者提供个性化的学习支架及启发式的人机对话， 促进学习者元认知能力的提升。

但是，当前研究仍面临着诸多挑战：（1）目前大部分自适应学习系统， 由于研究视角差异和灵活的领域范围，导致大部分目标领域内容过于碎片化、片段化，难以形成系统性的学习体系，也导致在实际应用中， 有较多自适应学习系统是从学科学习的视角来构建的，较少关注到学习者跨学科的个性化发展；（2）领域拆分的固有范式导致拆分粒度难以把控，仅依赖于专家知识的系统性与权威性， 缺少在应用过程中的迭代优化， 且以统一的知识粒度提供适应性支持， 难以适应具有不同学习目标的学习者的多样化学习需求；（3）领域目标层次逐渐多样化，全人发展、“五育并举”成为当下广泛认同的教育目标，但当前仍缺少助力学习者关键能力与关键品质养成的适应性导学策略的研究， 研究视点停留于知识与技能的培养，成为自适应学习系统发展的桎梏；（4）智能算法成为“自适应应试”的技术推力，但通过判断学习者状态，进一步推荐相关题目或资源的策略范式，也可能会进一步带来学业负担，造成学生心理抵触，缺失教育利益相关者持续认同。鉴于此，未来自适应学习领域模型的研究可从以下四个方面展开。

第一，指向开放分享的领域模型研究。 当前研究中的自适应学习系统大多比较封闭， 虽属于同一知识领域， 却难以融合共通， 狭窄化的设计造成技术易用性不强。 因此， 提升领域模型的开放性值得进一步研究。 例如， 可基于本体的表示方式，从共享的角度，研究可交换的领域模型表示方法，研究领域模型的交换标准与规范，建设领域模型的共享仓库，形成系统化领域模型生态，从而避免重复建设， 不断提升自适应技术的可接入性与利用率。

第二， 满足差异化学习目的的动态领域模型研究。学习者群体中存在不同的学习目的，尤其在自适应的自主学习过程中，能够满足不同学习目的，才能以学习者为本实现个性化学习。因此，动态领域模型值得进一步研究。所谓动态性，不仅指学习者的知识掌握程度的动态性， 还意味着在不同层次的学习目标下，研究学习目标的层次性关系。通过研究如何动态规划领域模型的拆分粒度，针对不同学习目的，可为学习者提供适切的学习资源与学习反馈。

第三，多实体共存的异质领域模型研究。在当前研究中， 大多数领域模型注重对学习者知识与技能的培养，然而转向学习者素养的提升是必然的趋势。因此， 构建能够容纳差异属性的学习实体的领域模型值得研究。 进一步而言， 从学习者全人培养的角度，研究包含关键知识与能力、关键品质与品格的成长画像标签体系， 并借此标记学习者成长过程中必备的知识与技能、学习资源、学习成长关键事件等，跨场景建立多属性学习实体的异质化领域模型，由此可作为学习者培养的基础。

第四，多样化的学习推荐策略研究。 在当前研究与实践中，大多数自适应学习是通过评估学习者状态，利用领域模型标签以及推荐算法的手段“以题推题”。 因此，多样化的学习推荐策略值得进一步研究。 例如，从面向单人学习者的自适应学习转向小组协作学习的自适应学习，研究小组合作问题解决中的认知动态与差异，研究小组合作中推荐内容的多样性，也可结合异质领域模型研究学习推荐机制等，从而摆脱传统题海战术，减轻学习者课业负担与压力。