智慧教育平台的适应性服务框架和实施路径探析

摘要：适应性服务是智慧教育平台生态建设和运维机制创新的关键环节，其核心理念是基于“效率”和“反馈”来推进资源服务。典型平台的调研发现，平台服务呈现从帕累托效率转向适应性效率，以及从评价式反馈转向适应性反馈的趋势。适应性效率特征、反馈特征是构建适应性服务框架的基础性要素；应当结合高响应率、服务结果高适配率以及资源建设低成本策略等指标，进而构建服务目标、过程和结果的全链路反馈，目标是实现资源服务的个性化适配。在实践环节推进智慧教育平台的适应性服务工作，一是需建立数据收集、用户状态智能感知的机制；二是可依托知识图谱、推荐算法和引入预训练大模型，推进教学资源动态适配；三是应当将知识、资源和用户认知特征有机联系，助力资源重组和复用。

关键词：智慧教育平台；适应性服务；适应性效率；适应性反馈

中图分类号：G434 文献标识码：A

* 本文系2021年度国家社科基金教育学重点项目“以教育新基建支撑高质量教育体系建设研究”（项目编号：ACA210010）阶段性研究成果。

大型化、标准化和服务高度集成的新一代智慧教育平台（下文简称：平台）是数字教育资源服务载体和方式的重大创新，也是服务理念的分水岭[1]。国外平台的重要创新就是增强其适应性服务，即根据需求来调整教学内容和相应服务[2]；其核心目标在于为参与者提供个性化学习支持和反馈，从线性反馈、以内容为中心的服务模式转向高交互、高适配模式，以满足个体差异化学习需求[3]。

在我国，国家智慧教育公共服务体系中三类平台的上线运维，引领中国教育数字化进入“智慧教育”新征程[4]；平台为教育教学提供全方位服务，多主体参与，平台提供的工具和资源越来越多地融入教育教学各环节[5]；平台的优质资源供给能力、服务能力不断提升，并带动教师数字素养显著提高[6]。从全局看，平台的应用是检验成效的试金石，需扩大应用示范，提升智慧教育平台服务效能[7]；应从适用性的角度激发优质教育资源供给活力，结合科学性、易用性、有用性、可交互性、可嵌入性和可改造性等指标构建平台服务评价机制[8]；应加快智慧教育平台的“升舱”改造，如增加资源协同创建功能，提供更精准的用户服务[9]。

从智慧教育平台运维国内外经验看，要实现适应性服务并非易事，需建立一个完整的框架来加以引导和指导实施。这一框架应具备反馈性强、更有效的特征，能清晰表征适应性服务的要素，能适应用户不断变化的需求[10]。本研究选择4个国家的8个典型平台作为分析对象，兼顾公共服务平台和商业服务平台；采用注册使用、在线观察和文献分析相结合的方法，梳理了典型平台适应性服务的发展样态，进而提出智慧教育平台适应性服务建设相应的框架和实施路径。

一、适应性服务的提出

适应性服务被认为是一种技术，即利用数据来监测用户需求及需求满足状态的技术[11]；主张平台在提供服务时，既关注“效率”，亦注重“反馈”。事实上，正是得益于机器学习、数据挖掘、推荐系统和自然语言处理等技术进步和应用，平台在提供服务时可以充分了解用户需求和偏好，更好地理解用户意图，进而提供适切和个性化的教育资源支持；这表明了智慧教育“服务为中心”时代的到来[12]。

（一）平台的适应性服务取向

智慧教育平台的适应性服务是指以资源适配为目标，通过全链路反馈提供服务，构建既重视“效率”，又讲求“反馈”的服务方式。在实践中，性质各异的典型平台（如表1所示）已经探索了适应性服务的实践模式，形成了对外在样态和内在机理的全面认识；这些平台的服务对象和场景不同，从多角度出发，为用户提供个性化的服务，以满足需求。

政府主导的平台强调数字教育资源服务的“效率”。例如，我国的国家智慧教育公共服务平台注重提供多类型、多样化和海量数字教育内容，以满足不同类型学校、不同学段的需求[13]；其在促进区域教育数字化转型等方面发挥了重大作用[14]。美国纽约州教育局主导的EngageNY平台，其数学、英语和艺术教学资源在教师教学服务和学生个性化学习支持方面发挥了积极影响[15]；全美有1/3的数字教师习惯使用EngageNY平台资源[16]。日本文部科学省主导实施的GIGA School计划，重点推进综合型校园支持系统（校務支援システム），促进数字教科书、教材等优质数字教育内容的全覆盖和活用[17]。德国国家教育数字化平台（Digitale Nationale Bildungsplattform）整合全国优质教育资源，有效实现了资源导览、信息共享等功能，进而支持教学改革[18]。

社会力量主导的平台在适应性服务“反馈”层面下足了功夫。例如，Great Minds作为数字教育资源的定制平台，完全基于用户反馈信息，根据用户学习目标和学习过程的评价数据，为用户配套提供课程资源[19]；Manabi Pocket担负为政府推进的GIGA School计划提供数字教育资源支持，平台与家校社区之间建立了资源服务的反馈链路，确保能源源不断地为师生提供任何场景使用的数字教育内容[20]；Knewton平台的定位是为用户的自适应学习提供服务，一直着力于建构和完善自适应反馈链路，并在知识图谱支持下规划个性化学习路径[21]。

上述平台均强调平台和用户的相互促进和相互影响关系。其发展趋势是既要求平台提供面向全体的低成本化效率型服务，又要提供面向个体差异化的响应性服务[22]。即强调平台须根据用户需求变化，自动调整和改进服务，以合理的服务来满足用户个性化需求，追求服务的适应性转变。

（二）平台服务的适应性转变

第一个转变是从平台资源服务的帕累托效率（Pareto Efficiency）转向适应性效率（Adaptive Efficiency）。以往，智慧教育平台提供的服务往往关注“名校”“名师”“优质资源”，多关注这些重点资源与重点客户之间联结；注重平台服务产生的带动效应，关注资源服务的重点地区、类型和学科均衡问题[23]。运用帕累托法则可有效地提高平台资源聚合、流转和应用效率；以往的服务目标是提高地区级的资源供应效率，资源服务提供者通常将资源数量、资源使用率等作为衡量服务效率的主要指标。这种服务更加注重宏观地区层面上资源配置的公平和均衡，尚未在微观层面有效建立用户需求与资源供给之间的适配性联系。

适应性效率强调的是根据用户个性化需求和特点，提供最适合他们的教学资源和学习方式，以达到更好的教学效果。在格拉斯·C.诺斯（Douglass C.North）提出的新制度经济学的概念体系中，适应性效率与静态、短期的帕累托效率考察相区分，重点关注制度结构的灵活性、创新能力和学习能力，以实现适时调整[24]。与传统的帕累托式服务相比，适应性效率更注重服务与用户需求的适配效益，而不是单一地追求资源的公平效益。在平台服务中引入适应性效率，意味着平台会不断响应用户的需求反馈，并根据这些信息进行相应的服务优化和资源改进。

适应性效率的核心在于实现平台资源推荐与用户需求之间的适配化对接。我国的国家智慧教育公共服务平台借助数据挖掘和分析为各类服务对象画像，多方汇聚优质数字教育资源，打通了优质数字教育资源供给服务的流通环节[25]；美国的EngageNY平台设置资源采集的联通网络，将学校、教师、学生和家长等连接起来，保证用户的自主权，以“课程反馈表”的方式，推进数字教育资源的供需适配化服务[26]。在日本，综合型校园支持系统作为GIGA School计划的核心组件，把教育数据治理、教育数字内容等加以有效衔接，配合生机比1：1和高速校园网等工作目标，进而提升了资源服务效率[27]。德国国家教育数字化平台旨在建设高性能、可互操作的教学基础设施，致力于集成各类资源，以帮助所有用户在数字世界中进行个性化、灵活和可连接的学习[28]。

平台服务的第二个转变，是由传统的评价式反馈转向适应性反馈。传统评价式反馈主要关注“结果”，根据自动化评分的结果性状态来实施反馈，其反馈信息呈现断点或碎片化特性，且缺少用户服务体验信息与平台之间的沟通渠道。这导致了两个缺陷：其一，实时反馈不足；早期的平台服务多从用户资源应用能力、动机和使用频率等指标来评价[29]；其二，资源服务沟通的渠道不畅；资源供求双方缺失资源实用性、契合性的有效沟通[30]；这在一定程度上导致了资源供给“多”与适配资源“少”的矛盾，暴露了资源服务中的用户意识不强、服务支持不佳等问题[31]。

适应性反馈主张有明确的用户认知发生机制和资源应用体验沟通机制。当前，我国的国家智慧教育公共服务平台正着力于增强平台服务的承载能力，提升资源开放共享的供给能力，进而形成面向个性化教学、管理数字资源和应用提供快速衔接的服务模式和数据服务能力[32]；从设计意图看，平台强调根据用户个性化需求和变化的环境，形成有效可行的资源数据流动链，强化资源交互性与智能化，依据相互适应的原则来建立资源更迭机制[33]。

要实现适应性反馈，需要进行用户需求、用户教学状态信息和服务体验信息的有效分析。Great Minds致力于为EngageNY等公共服务平台提供高质量的数字教育资源，建立起了用户多样状态变化与资源整合、组织之间的动态适应方法[34]；用户显性需求可以通过用户的直接反馈、请求或需求表达来获取，而用户隐性需求则需要通过对用户行为、交互等数据的分析来推断和理解。Knewton对多渠道资源进行整合，充分融入学习追踪等技术，实现了利用知识点、试题评价结果来实时掌握用户状态，并为用户快速且精准提供课前预习、课中教学的个性化学习服务[35]。EngageNY平台实现了对学生过程性和结果性状态的诊断，并通过数字仪表盘将这些状态信息呈现给教师以供参考，进而为学生提供精准化的资源服务；德国国家教育数字化平台将用户反馈作为一个持续改进的动力，旨在为所有教育参与者有效提供教育机会和资源[36]；Tomorrow University平台则结合最新学习科学和技术，强调提供灵活、适应和有效的学习体验[37]。

二、适应性服务的框架

从前述8个平台的经验看，正是通过适应性效率和适应性反馈的追求，平台渐渐实现与用户的“相互适应”；并围绕用户全面诊断、资源灵活推荐和资源整合等节点，有效构建了适应性服务流程。追求适应性效率，意味着平台能提供定制化服务；建立适应性反馈链路，是指建立用户与平台之间的双向沟通机制，实现对用户的自动化和智能化反馈，不断改进和优化资源服务。

（一）适应性效率的要素

从适应性视角追求平台服务效率，一般包含了服务过程高响应率、服务结果高适配率以及资源建设低成本策略等基础性要素（如图1所示）。

高响应率是指平台能够快速响应用户的需求。服务的响应率越高，用户体验就越好；提高服务响应率的关键是要降低用户状态诊断的时间。平台服务的效率往往受到学习目标、先前知识、技能和学习动机等用户反馈特征的影响[38]。提高平台服务响应率，不但要利用人工智能技术支持用户状态诊断，也应当利用多维数据来全方位和多角度地诊断用户状态。事实上，一些平台正是结合机器学习算法，对用户学习状态进行实时监测和分析，赋予平台自主决策能力，依据用户知识学习的过程性评价数据来实时掌握用户状态，将用户需求与资源推荐进行智能匹配[39]。

高适配率是指平台根据用户特征提供适应性的资源服务。提升资源的适配率，强调资源供给与用户需求状态之间的对应关系。即要求资源的组织要注重有效性，要依照认知适应性效率最大化的标准来设计，进而通过建立资源与用户认知特征的映射关系对资源进行组织[40]。如若平台采用层级结构资源组织策略，其资源组织策略因为是“预制”，往往难以根据用户的个性化需求进行灵活调整。主张高适配率的资源组织策略，重点是强调根据用户认知特征和需求，智能化提供适配性资源。从实践应用看，一些平台把认知诊断和知识图谱技术整合，在将资源按照学科、难度和学习目标进行类化的基础上，对资源进行关系化、标签化和智能推荐，在实践中确实提高了用户获取资源的效率和准确性。

低成本策略是指平台在运维过程中采取的一系列措施，以降低成本、提高效率，并在合理的范围内保持资源服务的质量。这种策略旨在考虑所投入的资源成本与服务效果之间的关系，以保证服务的长期性和可持续性。德国国家教育数字化平台在强调成本的工作方面建立了范例，建立了政府、市场、社会和学校等多元主体参与的模式[41]；这对平台的可持续发展具有重要意义。从实践经验看，多元主体参与是成本控制的重要影响因素。政府通过制定相关政策，给予一定经费支持，鼓励平台发展和创新；市场供给方面，企业和技术提供商提供了各种教育技术产品和服务；社会支持方面，教育行业组织、专家学者和社会机构等提供了智慧教育的理论研究和实践经验支持，各方参与主体可以互相交流、分享学习经验和资源，减少平台的运营成本；学校通过优化资源应用流程，提高资源利用率，平衡降低资源建设成本和提高服务水平的矛盾。

（二）适应性反馈的链路

构建反馈链路可以帮助平台持续提升需求与供给的匹配度，进而追求更高的服务效率。这种反馈过程既要考虑目标达成度，亦须兼顾用户多样的过程性和结果性状态[42]；即包括目标导向反馈、过程实时反馈和结果反馈等要素（如图2所示）；依托这些要素构建的反馈链路，平台可以不断收集和分析用户的反馈信息，从而不断优化服务效果。

目标导向反馈旨在根据教学目标的达成度来评估平台服务的有效性。结合对平台服务的过程和结果进行评估，可以判断平台所提供的资源是否符合教学需求，是否支持了个性化教学目标的实现。这种反馈重点是评估平台的资源内容质量，帮助平台了解哪些资源服务对教学有积极的影响，并根据反馈结果进行服务改进和教学资源调整。

平台通过目标导向反馈来满足用户需求，提供更有效的教学资源支持。这种反馈机制可以根据用户的个性化教学目标，实时评估服务效果。具体来说，需要以下步骤：一是明晰用户的初始状态和目标状态；二是根据用户的初始状态和目标状态的差异，为每个用户设计包括主题和教学资源的学习路径；三是在服务过程中对每个教学目标的达成情况进行评估。通过评估，可以及时发现服务中的问题，并对教学服务进行调整和改进。

过程实时反馈是确保平台服务结果有效匹配用户需求的基础。这一过程主要集中在对用户状态进行全面地感知和理解，包括用户当前的行为、偏好和需求等；这种全面性的状态诊断可帮助平台优化资源配置，提高服务效率，让用户获得更好的体验。更重要的是，应依托过程阶段的实时反馈，有效提供包含验证性、指导性等资源的反馈信息[43]。

过程实时反馈的核心环节是用户状态的全面感知。为用户提供实时有效的反馈，一方面要求推荐内容的灵活性，即平台给用户灵活推荐下一步学习内容，让用户能够投入到学习中；另一方面要求学习过程的灵活性，即用户学习环节不是固定和一成不变的，而是要依据用户状态灵活调整。平台通过收集用户状态数据、分析用户行为和使用机器学习算法等方法，实现了实时有效的反馈；这既让资源更有效地分配，也提高了服务效率。

结果反馈则涉及到用户对平台服务的满意度、资源服务结果的有效性等事项；其主旨是提供能够调节用户内在积极状态的反馈信息[44]。通过结果反馈，平台可以了解用户的满意度和资源服务结果的有效性，以便不断改进和调整教学资源和服务策略。

结果反馈是平台实施适应性反馈的关键环节。通过对用户反馈数据的分析，平台可以发现一些潜在的问题和机会，从而进行更有针对性地改进；有助于平台功能改进和资源的重组优化。用户的反馈中可能包含对平台存在的问题的指出，以及对改进的建议；这些都是平台改进的重要参考。需要强调的是，结果反馈是与目标、过程反馈相互作用的过程；平台需要不断调适服务策略，理解和响应用户需求，这包括教学目标达成度分析、调整服务过程策略等；通过分析反馈数据，平台可发现用户的使用习惯、痛点和期望，从而进行功能改进和资源优化的决策。

三、适应性服务的实施

推进智慧教育平台的适应性服务，应当建立用户状态智能感知、资源个性化推荐、适配导向的资源复用流程；即充分利用适应性反馈链路，建立一个有效的反馈机制，收集用户对平台服务和资源的意见和建议。根据反馈信息，不断优化平台功能和服务，提高适应性效率。要关注服务的灵活性和适应性，更注重提供个体差异化服务；要求服务提供者具有应对需求变化的敏感性，围绕资源的适配性复用来调整服务方式和内容，鼓励用户共享和利用平台上的现有资源，建立一个资源复用和适配的流程。通过评价和激励机制，促进资源的优化和更新，确保推荐给用户的资源具有高度的适配性。

（一）用户状态的智能感知

对用户状态进行全面且快速诊断，即实现用户全面多维的画像；这些是对用户进行数字化表征的过程，主要依据用户真实状态数据，对用户初始状态、当前状态、结果状态加以描绘。用户状态诊断实则为教育评价的过程，以保证因材施教的有效性；为此需要强化数据对平台的赋能作用，借助海量数据形成的用户画像和教育知识图谱，实现用户状态的全面诊断[45]。实践层面，可以借用日本GIGA School计划的做法，即要求提供用户全面状态的诊断信息，既包含用户的目标数据、知识学习结果的教务数据，还要包含用户愿景、积极性等过程数据[46]。总体上看，不能过分依赖单维单体数据，用户状态诊断要保证数据分析的高效性和数据来源的多样性，力争实现用户状态诊断的“立体化”。从用户状态感知的全面性角度看，一是要依托用户行为、偏好和习惯等信息，结合平台浏览记录、驻留时间、资源偏好等构建用户完整画像；二是要建立一个完善的标签体系，将资源内容进行分类和标注，以便结合用户持续反馈和评价来加以匹配[47]。

实现用户状态感知，需要动态、精准和高效掌握用户学习过程、学习行为、学习结果等数据[48]。以往的平台服务多使用考试、测验和作业一类的结果数据来判断用户状态，因为需要考虑题目难度、质量和区分度，需多轮次反复测试。当前，知识追踪技术可以实时监测用户完成任务的时间、正确率和反应时间等；通过分析这些数据，平台判断用户是否遇到困难、是否需要额外的指导和支持等；通过将知识图谱与用户数据相结合，平台可以分析和研判用户的知识结构和知识需求。可借鉴Knewton平台的做法，将知识图谱、知识追踪等技术融入到用户状态感知环节，实时准确地掌握用户过程性、结果性状态[49]。通过使用这些技术，平台跟踪用户的资源选择、资源应用，以及错误模式等；这些数据可以帮助平台更好地关注用户认知、情感状态，进而理解用户的资源选择和应用行为。

用户状态的智能感知是一项复杂且重要的任务；应当以用户多样状态自动化诊断为切入点，将知识追踪、情感识别、行为识别等技术融入进来，实现内在特征和外在行为相结合的用户状态实时性诊断。可采用知识图谱等技术，从课程知识体系建立、学习者画像生成到自适应学习推荐，形成一套完整的技术框架；这些知识图谱包括能对教师专业能力进行具象化呈现的教师知识图谱[50]，以及对知识点进行网络化组织的学科知识图谱[51]。需要注意的是，在构建用户画像的过程中，为了实现更加精准的用户画像，可能会涉及到过度数据采集和敏感数据展示的问题。为了保护用户的隐私，平台要建立数据、采集、存储、传输、利用的全过程个人信息保护机制，确保用户数据的安全和隐私[52]。

（二）教学资源个性化适配

教学资源的个性化适配是智慧教育平台推进适应性服务的重要目标。智慧教育平台服务，应当关注教学过程、适应个体差异的高位追求[53]；教育资源的个性化适配，强调通过数据分析和学习路径的优化，增强对用户过程性状态的检测能力，提供多样化且满足用户需求的资源服务[54]。这些数据具体来说包括资源访问、评分、收藏等资源使用数据，以及用户的行为数据[55]。通过数据分析和学习路径的优化，平台可以增强对用户过程性状态的检测能力，从而提供多样化且满足用户需求的资源服务。

平台以往的服务通常基于规则来推送资源；为了产生适配的资源推荐，平台需要从海量的内容条目中，优先呈现出来。这涉及到使用专家系统来判断哪些内容条目适合用户的需求；系统会对每个内容进行评分，并根据评分排序，决定用户下一个应学习的内容。每个模块中的内容可以是一个小问题，也可以是一个学习活动，这与许多互联网公司为用户提供推荐内容的原理类似。教学资源个性化适配的一个重要基础是能够揭示学科知识内在联系的知识图谱，利用知识图谱全面地获取学习过程中的成长变化曲线[56]，这让系统能够更好地决定哪个内容最适合用户学习。从前述平台实践结果看，通过知识图谱来定义问题对应的知识点，定义到系统中去；知识图谱技术的辅助可以有效满足用户答疑需求，也可减轻教师备课负担。

在资源推荐过程中，应当强调为用户提供初始、当前和目标三类状态的资源适配信息。只注重用户某一状态的资源反馈，并不能很好实现平台对用户状态的适应。更为重要的是，要着眼于整个教学过程对学习的过程性数据进行综合分析，设计灵活的推荐策略，在尊重个性基础上满足用户对资源的现实需求[57]。可依照前述平台的经验，为用户创设个性化推荐、多样性推荐、实时推荐和社交推荐等多种方式；例如，除了根据用户的兴趣推荐相关资源，Tomorrow University平台也注重推荐一定程度的多样性资源，平台引入随机性推荐策略，推荐与用户兴趣相似但略有差异的资源，以提供多样性的学习体验[58]。从前述平台应用体验看，通过监测用户新动态，分析用户的教学互动情况，平台可以实时了解用户的学习需求和兴趣变化，并相应的调整推荐策略，增加用户的参与感和互动性。

可在服务中可以引入预训练大模型技术，促进资源的按需供给[59]。这一策略在EngageNY平台相关研究中已被证实是有效的；因为预训练大模型的加入，平台提高了数学习题的可理解性[60]。在具体实践中，可利用生成式人工智能对知识图谱进行增强，建立起预训练模型与大规模知识图谱相互帮助、增强的途径[61]。进而利用资源的内容、类型和难度等特征计算资源之间的相似度，更好地捕捉和呈现知识的复杂性，充分表达知识和概念的多维度特征，帮助用户更好地理解抽象概念，并构建用户和平台资源间的适配通道。

（三）适配导向的资源复用

讲究资源复用，就是严把资源质量，从资源建设、整合、审核多方面着手，实现资源与用户需求的适配；而资源组织是推进资源复用的有力抓手，应当区别不同类型资源，分别制定资源建设质量标准，健全资源质量审核机制[62]。平台的资源组织需体现适用性和可扩展性，即既要根据用户的认知特征与资源之间的联系对资源进行组织，又要贴合用户的教学实际，具备一定的模块灵活性，以方便重组利用，适应不同的教学环境和教学目标。为了实现这一目标，资源组织过程中需回答两个关键问题：用户对哪些资源进行了高频度选择？用户对哪些资源进行了重组应用？从实践经验看，可以有两种解决方法：一是分析用户对资源选择偏好和应用效果的反馈信息，发现用户对特定资源的偏好和需求，进而明确需要补充的资源构成；二是提供跟踪用户教学状态的服务，提供课堂分析工具并依据这些工具来评估用户的教学表现和资源需求。

复用导向的适配性资源服务较为复杂。在实践层面，为了实现适配资源复用的目标，可以采用三层式资源管理结构与用户服务体验信息的综合应用（如图3所示）。这个结构包括知识层、资源层和掌握程度层，并以知识点为基础，将知识、资源和用户认知特征有机联系起来。知识层包括用户需要学习的所有知识点；资源层是每个知识点所对应的多类型资源，可以包括教材、课件、视频、练习题等；掌握程度层是建立资源与用户认知特征联系的基础，用于记录用户对知识的掌握程度。在适配导向的资源组织中，可利用资源层与掌握程度层之间的关系，建立资源与用户认知特征之间的联系；可以利用知识层中的知识点构成，初步对所需资源进行整合；进而结合用户的诉求，可以通过扩展知识层和丰富资源层，不断完善资源体系。

为了分析资源复用情况，Great Minds平台设计了一种专门的方法，用于评估平台资源反复利用和质量进化的情形[63]。这种方法重点分析有效性资源的特征信息，并主张用户也成为资源质量进化的贡献者。这一案例说明，提高平台服务质量重点是要建立有效的持续改进机制，形成“评价-反馈-改进”的闭环[64]。整体上看，适配导向的资源复用工作应是一个持续的过程：首先，资源筛选是非常重要的，我们需要对现有资源进行评估和筛选，挑选出最适合目标任务的资源，确保适用性；其次，由于知识的更新迭代速度很快，我们需要及时更新和补充知识图谱，以确保资源反复使用时，其中的知识信息是最新的、准确的；再次，需要不断跟进新技术应用方法，确保资源的重组和再次使用工作能够适应新的技术环境和需求；更为重要的是反馈优化要贯穿于全过程，即强调收集用户反馈和需求，进而不断改进和优化资源质量，以提供更好的适应性服务和体验。

四、结语

本研究认为，适应性服务是智慧教育平台服务能力提升的突破口；“效率”和“反馈”是实现适应性服务的关键环节。我国的国家智慧教育公共服务平台，已基本建成世界第一大教育教学资源库，推动服务精准化，拓宽教育服务供给路径是下一阶段重中之重的工作[65]。为了确保服务的快速响应和资源有效推送，平台需要进一步加强技术创新和机制创新，应当着力于适应性效率和适应性反馈原则的构建，优化服务流程和提升服务效率。

参考文献：

[1] 罗江华，王琳.新基建赋能教育数字化转型的逻辑、挑战与实践路向[J].中国电化教育，2023，（3）：37-45.

[2] Demertzi V，Demertzis K.A Hybrid Ontology Matching Mechanism for Adaptive Educational eLearning Environments [J].International Journal of Information Technology & Decision Making，2023，22（6）：1813-1841.

[3] Mills K，Roper F，et al.Accelerating student learning in communication and research skills：the adoption of adaptive learning technologies for scenariobased modules [A].Technology，Change and the Academic Library [C]. Cambridge：Chandos Publishing，2021.75-84.

[4] 韩筠.数字时代高等教育的教学创新[J].中国大学教学，2023，（12）：4-10.

[5][55] 曾媛，黄志南等.国家中小学智慧教育平台应用情况、典型模式与赋能策略[J].中国电化教育，2023，（11）：98-104.

[6] 教育部基础教育司.推进国家中小学智慧教育平台建设应用的工作进展[EB/OL].https：//hudong.moe.gov.cn/fbh/live/2024/55785/sfcl/202401/ t20240126_1112430.html，2024-01-26.

[7] 怀进鹏.携手推动数字教育应用、共享与创新——在2024世界数字教育大会上的主旨演讲[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/ moe_176/202402/t20240201_1113761.html，2024-01-30.

[8] 钟柏昌.关于国家智慧教育公共服务平台的三个猜想[J].中国信息技术教育，2023，（1）：9.

[9] 顾小清，王欣苗等.数字教育资源发展水平如何？——基于国家中小学智慧教育平台资源的证据回应[J].远程教育杂志，2024，42（1）：61-73.

[10] Chang Q，Pan X，et al.Artificial Intelligence Technologies for Teaching and Learning in Higher Education [EB/OL].https：//www.worldscientific.com/ doi/abs/10.1142/S021853932240006X，2023-10-08.

[11] Kapidakis S，Terzis S，et al. Framework for performance monitoring， load balancing， adaptive timeouts and quality of service in digital libraries [J]. International Journal on Digital Libraries，2000，3：19-35.

[12] 余胜泉，陈璠等.以服务为中心推进教育新基建[J].开放教育研究，2022， （2）：34-44.

[13][53] 王浩楠，郭绍青.国家智慧教育平台赋能义务教育优质均衡发展的价值逻辑与实践路径[J].中国远程教育，2023，43（9）：48-55.

[14] 柯清超，刘丽丽等.国家智慧教育平台赋能区域教育数字化转型的四重机制[J].中国电化教育，2023，（3）：30-36.

[15] Kaufman J H，DavisIi J S D，et al.Use of Open Educational Resources in an Era of Common Standards：A Case Study on the Use of EngageNY [EB/OL]. https：//policycommons.net/artifacts/4835314/use-of-open-educationalresources-in-an-era-of-common-standards/5672020，2017-03-27.

[16] Opfer V D，Kaufman J H，et al.Aligned Curricula and Implementation of Common Core State Mathematics Standards：Findings from the American Teacher Panel [EB/OL].https：//www.rand.org/pubs/research_reports/ RR2487.html，2018-08-09.

[17] マイナビキャリアサポ-ト.GIGAスクール構想とは？目的やメリット、現状の課題 [EB/OL].https：//mcs.mynavi.jp/column/2023/02/giga_ school，2023-02-28.

[18] Bundesministeriumfür Bildungund Forschung.Gestaltungsrahmen und Hinweise für die prototypische Umsetzung einer Nationalen Bildungsplattform [EB/OL].https：//www.bmbf.de/SharedDocs/Downloads/ files/107_21_broschuere_nationale-bildungsplattform_2.pdf __blob=publ icationFile&v=2，2023-10-10.

[19] Jenny Taylor.Setting Students Up For Success：How Lesson Design Supports Students In Building Knowledge [EB/OL].https：//greatminds. org/aha-blog/setting-students-up-for-success-how-lesson-designsupports-students-in-building-knowledge，2022-11-29.

[20] まなびポケット.まなびポケットとは.まなびポケット全体像 [EB/OL]. https：//manabipocket.ed-cl.com/about-us，2023-10-11.

[21][49] Knewton.Knewton Adaptive Learning Building the world`s most powerful education recommendation engine [EB/OL].https：//blogs.ubc.ca/ etec511dlg1/files/2013/10/Knewton-Adaptive-Learning-Whitepaper. pdf，2024-03-10.

[22] 罗江华，冯瑞.学习平台的适应性进化及其对教育新基建的启示[J].现代教育技术，2022，32（10）：17-25.

[23] 张广斌.重视教育数字化 促进教育公平[N].中国教育报，2023-11-15（02）.

[24] [美]道格拉斯·C.诺思.钟正生，邢华等译.理解经济变迁过程[M].北京：中国人民大学出版社，2008.139-148.

[25] 周海涛，李葆萍.推进数字化的国家智慧教育平台逻辑与路向[J].中国电化教育，2023，（1）：62-67.

[26] 舒秋明.美国开放教育资源平台的现实困境与改进举措探析[J].世界教育信息，2019，32（11）：63-68.

[27] デジタル庁.データ連携の方向性について [EB/OL].https：//www. mext.go.jp/kaigisiryo/content/20221014-mxt_jogai02-000025185_02. pdf，2022-10-17.

[28] Bundesministerium für Bildungund Forschung.Neue Bekanntmachung zum Aufbau einer digitalen Bildungsplattform [EB/OL].https：//www.bmbf. de/bmbf/shareddocs/kurzmeldungen/de/neue-bekanntmachung-zumaufbau-er-digitalen-bildungsplattform.html，2021-05-20.

[29] 陈伟玲，翁宁娟.对中小学数字教育资源应用现状与需求的调查分析[J].中国电化教育，2014，326（3）：76-80.

[30] 陈明选，冯雪晴.我国数字教育资源供给现状与优化策略[J].电化教育研究，2020，41（6）：46-52.

[31] 陈明选，李兰.我国数字教育平台资源配置与服务：问题与对策[J].中国远程教育，2021，552（1）：17-26.

[32] 田永健.教育新基建赋能省域智慧教育平台体系发展的研究与实践——内蒙古教育公共服务平台体系演进历程和经验成效[J].中国电化教育，2022，（8）：106-110.

[33] 金玉，汤玲等.国家中小学智慧教育平台省域推进的路径与对策研究[J].中国电化教育，2022，（9）：30-37.

[34] Great Minds.Great Minds Curricula Create Knowledge-Rich Classrooms [EB/OL].https：//greatminds.org/great-minds-curricula，2023-10-11.

[35] Liu Y，Chen L，et al.The application of artificial intelligence assistant to deep learning in teachers’ teaching and students’ learning processes [EB/OL].https：//www.frontiersin.org/journals/psychology/articles/10.3389/ fpsyg.2022.929175/full，2023-10-15.

[36] 陈正，杨静.建设新型数字教育空间：德国国家教育数字化平台探析[J].世界教育信息，2022，35（6）：33-36.

[37] Tomorrow University.Growing a Global Community of Change Makers [EB/OL]. https：//www.tomorrow.university/about-us，2023-10-15.

[38][43] Narciss S，Huth K.How to design informative tutoring feedback for multimedia learning [C].Münster：Waxmann，2002.181-195.

[39] Guo S.Design and implementation of question recommendation system based on deep knowledge tracing [C].Changchun：IEEE，2022.1041-1046.

[40] Shi Y，Yang X.A personalized matching system for management teaching resources based on collaborative filtering algorithm [J].International Journal of Emerging Technologies in Learning （iJET），2020，15（13）：207-220.

[41] Neumann K，Walia D S，et al.Towards a German National Education Platform [C].Split：IEEE，2023.1-6.

[42] Beek G J，Zuiker I，et al.Exploring mentors’ roles and feedback strategies to analyze the quality of mentoring dialogues [J].Teaching and Teacher Education，2019，78（1）：15-27.

[44] Nicol D J，Macfarlane‐Dick D.Formative assessment and self‐regulated learning：A model and seven principles of good feedback practice [J]. Studies in higher education，2006，31（2）：199-218.

[45] 怀进鹏.数字变革与教育未来 ——在世界数字教育大会上的主旨演讲[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/moe_176/202302/ t20230213_1044377.html，2023-02-13.

[46] 文部科学省.GIGAスクール構想の下での校務DXについて ～教職員の働きやすさと教育活動の一層の高度化を目指して～ 参考資料集 [EB/OL].https：//www.mext.go.jp/content/20231005-mxt_ jogai02-000027984_002.pdf，2023-03-08.

[47] Wei Q，Yao X.Personalized recommendation of learning resources based on knowledge graph [C].Chengdu：IEEE，2022.46-50.

[48] Tian B，Wang C，et al.A Survey of Personalized Adaptive Learning System [C]. Hangzhou：IEEE，2023.1-6.

[50] 张铭锐，闫志明等.教师知识图谱：人工智能赋能教师专业发展的必由之路[J].现代教育技术，2023，33（8）：38-47.

[51] 范佳荣，钟绍春.学科知识图谱研究：由知识学习走向思维发展[J].电化教育研究，2022，43（1）：32-38.

[52] 杨现民，王娟等.加强国家智慧教育平台数据治理：经验洞察与路径优化[J].中国电化教育，2023，（9）：69-75.

[54] 罗江华，张玉柳.基于跨模态理解与重构的适应性数字教育资源：模型构建与实践框架[J].现代远程教育研究.2023，35（6）：91-101.

[56] 杨文霞，王卫华等.知识图谱赋能智慧教育的研究与实践——以武汉理工大学“线性代数”课程为例[J].高等工程教育研究，2023，（6）：111-117.

[57] 徐碧波，裴沁雪等.国家中小学智慧教育平台推进基础教育数字化转型的现实意义与优化方向[J].中国电化教育，2023，（2）：74-80.

[58] Tomorrow University.Philosophy [EB/OL].https：//www.tomorrow. university/learning，2023-10-15.

[59] 曹培杰，谢阳斌等.教育大模型的发展现状、创新架构及应用展望[J].现代教育技术，2024，34（2）：5-12.

[60] Patel N，Nagpal P，et al.Improving mathematics assessment readability：Do large language models help [J].Journal of Computer Assisted Learning，2023，39（3）：804-822.

[61] 罗江华，张玉柳.多模态大模型驱动的学科知识图谱进化及教育应用[J].现代教育技术，2023，（12）：76-88.

[62] 教育部基础教育司.“国家中小学智慧教育平台”建设与应用有关工作情况介绍[EB/OL].http：//www.moe.gov.cn/fbh/live/2022/54251/ sfcl/202203/t20220301_603272.html，2022-03-01.

[63] Great Minds.Flexible Learning for Continually Building Knowledge and Joy，Great Minds in Sync [EB/OL].https：//greatminds.org/insync，2023-10-15.

[64] 杜江，韩锡斌.国家中小学智慧教育平台赋能农村义务教育高质量发展[J].中国电化教育，2023，（8）：7-17.

[65] 李永智.以数字化开辟教育发展新赛道[N].人民日报，2023-10-13（09）.

作者简介：

罗江华：教授，博士生导师，研究方向为教育数字化转型、教育新基建。

冯瑞：在读博士，研究方向为数字教育资源服务、智慧教育平台。

Analysis on the Adaptive Service Framework and Implementation Path of Smart Education Platform

Luo Jianghua， Feng Rui

Center for Studies of Education and Psychology of Ethnic Minorities in Southwest China， Southwest University， Chongqing 400715

Abstract： Adaptive service is a crucial aspect of innovation in the construction and operation of the smart education platform ecosystem， with its core concept being the promotion of resource services based on “efficiency” and “feedback”. Research on typical platforms has found a shift from Pareto efficiency to adaptive efficiency in platform services， as well as a trend from evaluative feedback to adaptive feedback. The characteristics of adaptive efficiency and feedback form the foundational elements for constructing an adaptive service framework. It is necessary to combine indicators such as high response rate， high adaptability of service results， and low-cost resource construction strategies to establish a full-chain feedback system for service goals， processes， and outcomes. To advance the adaptive service work of the smart education platform in practice， it is crucial to： （1） establish mechanisms for data collection and intelligent perception of user status；（2） leverage knowledge graphs， recommendation algorithms， and incorporate pre-trained large models to promote dynamic adaptation of teaching resources； （3） establish an organic connection among knowledge， resources， and user cognitive characteristics to facilitate resource recombination and reuse.

Keywords： smart education platform； adaptive service； adaptive efficiency； adaptive feedback

责任编辑：李雅瑄