互聯(lián)網(wǎng)+背景下的學生個性化學習系統(tǒng)開發(fā)：現(xiàn)狀與啟示_1

1、    “互聯(lián)網(wǎng)+”背景下的學生個性化學習系統(tǒng)開發(fā)現(xiàn)狀與啟示    摘要：隨著“互聯(lián)網(wǎng)+”時代的到來，個性化學習系統(tǒng)的開發(fā)成為教育技術(shù)領(lǐng)域的熱點。個性化學習系統(tǒng)可以實現(xiàn)對學生學習的及時評估并為他們推送和制定個性化的學習資源和學習路徑，為教學相關(guān)人員提供及時干預(yù)和政策制定的參考。本文對個性化學習系統(tǒng)的自適應(yīng)引擎、內(nèi)容模塊、學習者模塊及指導(dǎo)模塊等重要組成進行了介紹，通過分析學習分析技術(shù)及教育測量模型為個性化學習系統(tǒng)理論框架的完善提供了方向，同時梳理了以knewton為代表的國外個性化學習系統(tǒng)的應(yīng)用發(fā)展，并對我國個性化學習系統(tǒng)的開發(fā)應(yīng)用提出了一些政策性建議。關(guān)

2、鍵詞：個性化學習，學習分析，教育測量一、引言孔子“因材施教”的教育思想被世界各國的教育者們倡導(dǎo)多年，但由于客觀條件的限制，一直未能在實踐中得到應(yīng)用。我國應(yīng)試教育初期主要以教師為中心，填鴨式教學大行其道，學生很難得到一對一的針對性學習輔導(dǎo)。進入21世紀以來，國家教育相關(guān)單位也意識到應(yīng)試教育初期在教與學方面所存在的問題，教育部在2001年頒布了基礎(chǔ)教育課程改革綱要（試行），強調(diào)教師及相關(guān)人員要轉(zhuǎn)變傳統(tǒng)教學方式，為學生提供主動探究、積極交流的個性化學習方式。翻轉(zhuǎn)課堂應(yīng)運而生，學生可以利用互聯(lián)網(wǎng)豐富的學習資源進行學習。在課堂內(nèi)的寶貴時間，學生能夠運用所學，合作研究解決問題，從而獲得對所學知識更深層次的

3、理解。教師也因此被解放出來，能有更多時間與每位學生交流，以此滿足學生的需要和促進他們的個性化學習，讓學生學習更加靈活、主動，有更強的參與度。由于學生越來越多的學習行為在網(wǎng)絡(luò)中發(fā)生，這直接導(dǎo)致互聯(lián)網(wǎng)中與學生學習行為相關(guān)的數(shù)據(jù)呈爆炸式增長，人們已經(jīng)在不知不覺中進入了教育領(lǐng)域的“大數(shù)據(jù)”時代。不難發(fā)現(xiàn)，未來教育的方向是整合構(gòu)建一體化的個性化學習系統(tǒng)。但個性化學習系統(tǒng)的開發(fā)無論在國內(nèi)國外都尚屬起步階段，它的技術(shù)理論還有待完善，實施過程中也還存在許多困難與挑戰(zhàn)。本文將從內(nèi)涵組成、理論框架及應(yīng)用開發(fā)幾方面對個性化學習系統(tǒng)進行論述與分析。二、個性化學習系統(tǒng)的內(nèi)涵與組成（一）個性化學習系統(tǒng)的內(nèi)涵個性化學習系統(tǒng)

4、被廣泛接受的定義是“使用特定的教學策略和學習資源為學生提供滿足他們不同需求的學習經(jīng)歷”。個性化學習系統(tǒng)一般有三個特征：第一，在進行個性化學習之前，學生會接受診斷性評估，然后根據(jù)評估得出的能力值為學生提供學習材料；第二，為學生提供特定的學習活動和材料以幫助學生達到學習目標，實現(xiàn)合作學習；第三，學生以與自己的能力和興趣相符的步調(diào)逐漸掌握學習內(nèi)容，系統(tǒng)會對學生定期評估，并告知他們學習進展。而在這一系統(tǒng)中自適應(yīng)學習技術(shù)是核心，它能夠通過全面地對學習者進行測量評價并為其推送合適的學習資源和測驗來幫助學習者更高效地學習。這一技術(shù)的實現(xiàn)無疑也能幫助教育相關(guān)人員更精準及時地理解學習者，為他們提供適時的針對性指

5、導(dǎo)與干預(yù)，制定更加成熟的教育政策。雖然自適應(yīng)學習技術(shù)還有待完善，但也具有廣闊的發(fā)展空間。美國新媒體聯(lián)盟（new media consortium，nmc）與高校教育信息化協(xié)會（educause）最新發(fā)布的美國新媒體聯(lián)盟地平線報告（2015高等教育版）中指出，自適應(yīng)學習技術(shù)將會在未來4年至5年被教育領(lǐng)域廣泛采用。（二）個性化學習系統(tǒng)的組成模塊個性化學習中兩個最核心的環(huán)節(jié)就是評估與反饋推送，傳統(tǒng)的教學評估往往存在片面、主觀、模糊化的傾向。教學中由于每個班學生人數(shù)較多也導(dǎo)致反饋不夠及時，不夠有針對性，更沒有個性化的學習資源推送。而個性化學習所獨有的組成模塊就能很好地規(guī)避傳統(tǒng)教學的弊端，它的主要模塊如

6、下：內(nèi)容模塊。個性化學習系統(tǒng)的內(nèi)容模塊的功能是傳遞學習者所需的學習內(nèi)容。內(nèi)容模塊主要包含學習對象和知識結(jié)構(gòu)。學習對象就像“樂高”積木，都是很小但可以重復(fù)使用的一塊積木，它的形式包括視頻、程序、故事、模擬及案例研究等，它們可以用于構(gòu)建更大的學習材料的集合。知識結(jié)構(gòu)中的知識可以看作節(jié)點，他們之間存在依賴關(guān)系，每個節(jié)點都至少有一個相關(guān)的學習對象，每個節(jié)點由于涵蓋的知識、技巧或能力類型不同而屬于不同的知識類型。知識類型包括基本概念公式、程序性知識及概念層級關(guān)系等。一般限制每一個節(jié)點只對應(yīng)一個知識類型，這有助于確保課程被分解為合適粒度，也便于個性化系統(tǒng)針對不同的知識類型運用不同策略進行指導(dǎo)和評價。學習者

7、模型。學習者模型主要包含對學習者知識熟練度的評估及推論。這是個性化學習系統(tǒng)有效性和可靠性評估的重要組成部分。評估主要包括領(lǐng)域相關(guān)信息的評估和領(lǐng)域獨立信息的評估。領(lǐng)域相關(guān)信息的評估可以及時更新學習者模型中的內(nèi)容，確認學習者已知的部分，專注指導(dǎo)和評估學習者薄弱的環(huán)節(jié)。計算機可以根據(jù)更新的學習者模型調(diào)整課程。領(lǐng)域獨立信息的評估與學習者認知能力、人格特質(zhì)等側(cè)寫數(shù)據(jù)有關(guān)，它允許系統(tǒng)在對特定學習者進行評估后選擇對他們最有效的學習順序和內(nèi)容形式。如，根據(jù)學習者的歸納推理能力確定例子和概念呈現(xiàn)的先后順序，給具有探索性學習風格的學生提供非結(jié)構(gòu)化的學習體驗，或給工作記憶容量低的學生提供更小的學習單元。指導(dǎo)模塊。它

8、首先允許學生積極創(chuàng)建和操作學習對象；其次，一個有待學習的概念或規(guī)則需要具有多個不同的學習對象，這有助于自適應(yīng)引擎提供與學習者側(cè)寫數(shù)據(jù)最匹配的學習對象，同時也便于系統(tǒng)發(fā)現(xiàn)學習者未掌握或第一次學習的知識節(jié)點；最后還需要為學習者提供總結(jié)性的學習活動，鼓勵學習者反思和將所學的知識整合到其知識體系中。隨著學習者完成一個學習活動，關(guān)于他們的知識技能節(jié)點的在線表現(xiàn)會用于評估和干預(yù)。當某個節(jié)點的值低于預(yù)設(shè)的掌握標準時，該學習者就成為需要額外指導(dǎo)、評估和補救的候選人，補救可以緊跟或直接嵌入學習序列。適應(yīng)性引擎。在內(nèi)容模型、學習者模型、指導(dǎo)模型建立的基礎(chǔ)之上，適應(yīng)引擎的思想相對簡單，首先是基于學習者知識需求選擇呈

9、現(xiàn)的節(jié)點。然后是根據(jù)特定學習者的特點和需要決定呈現(xiàn)哪些與這個節(jié)點有關(guān)的學習對象，在學習者學習過程中還要對學習對象進行排序或調(diào)整，依次呈現(xiàn)相應(yīng)學習對象直到學習者已經(jīng)掌握了該節(jié)點的知識，然后再重復(fù)節(jié)點選擇的過程，直到所有節(jié)點都被掌握。而自適應(yīng)引擎運作的實際過程就相對復(fù)雜，系統(tǒng)需要為學生推送他們尚未完成但已經(jīng)具備學習的先決條件的學習對象，在推送之前系統(tǒng)會對學生進行簡短測驗，以確定學生當前的狀態(tài)水平，然后根據(jù)一系列規(guī)則或算法組織將要呈現(xiàn)的學習對象，而這些規(guī)則或算法會利用學習者模型中學生學習互動的歷史數(shù)據(jù)、內(nèi)容模型中節(jié)點所包含的學習對象等，最終確定學習對象呈現(xiàn)的先后順序，而這一順序也是及時更新和動態(tài)調(diào)整

10、的，因此這一模塊也是自適應(yīng)學習技術(shù)的核心。三、個性化學習系統(tǒng)的理論框架人工智能和數(shù)據(jù)挖掘是目前“互聯(lián)網(wǎng)+”背景下最主要的分析大數(shù)據(jù)的技術(shù)手段，而繼承了兩者諸多優(yōu)勢的學習分析技術(shù)由于其能夠為個性化學習系統(tǒng)開發(fā)提供切實可行的理論框架，已經(jīng)成為個性化學習系統(tǒng)不可或缺的重要組成部分。除此之外，傳統(tǒng)的心理教育測量評價模型也在個性化學習系統(tǒng)建設(shè)中發(fā)揮著重要作用，兩者綜合建模是未來個性化學習系統(tǒng)開發(fā)的一大方向。（一）學習分析技術(shù)在2011年舉辦的首屆“學習分析和知識國際會議”上，與會者一致認為：學習分析技術(shù)是測量、收集、分析和報告有關(guān)學習者及其學習環(huán)境的數(shù)據(jù)，用以理解和優(yōu)化學習及其環(huán)境的技術(shù)。從以上的定義可

11、以看出，學習分析技術(shù)分析的對象是學習者及其學習環(huán)境，目的是評價學習者、監(jiān)測學習者的學習效果，發(fā)現(xiàn)潛在問題并及時做出干預(yù)。學習分析側(cè)重于對學生學習的認知特征、位置、情境及情緒等影響學習的因素進行分析，并對學生的學習結(jié)果進行預(yù)測，下面對運用較多的三個學習分析模型進行簡單介紹。學習者學習風格建模：學界已有許多相關(guān)的學習風格理論模型，其中費爾德-西爾弗曼學習風格模型是使用最為廣泛的模型之一，這一理論模型的基本構(gòu)建思想是先讓學習者自主填寫學習風格量表，通過這一顯性方法對他們的學習風格初始化，再采用隱性方法推測學習風格，其中的隱性方法是通過貝葉斯網(wǎng)絡(luò)方法。最終通過顯隱兩種方法的結(jié)合確定學習風格。研究結(jié)果證

12、明此學習風格模型具有很高的預(yù)測精確度。學習者情緒建模：學習者情緒建模是指在學習過程中對學習者不同情緒狀態(tài)進行檢測，包括無聊、興奮、沮喪等，以發(fā)現(xiàn)這些情緒對學習過程和學習積極性的影響。情緒建模所需的設(shè)備包括視覺跟蹤器、心臟速率監(jiān)視器等可穿戴設(shè)備。據(jù)此可以采集和分析學習者在特定學習時間內(nèi)的專注時間長短、微笑次數(shù)、心跳速率等生理指標數(shù)據(jù)，進而把握情緒狀態(tài)對學習效果的影響。其中視覺追蹤研究就曾證明較高的情緒能夠促進學習者的學習積極性。學習活動建模：由于學習者在線上進行學習活動的痕跡都被系統(tǒng)追蹤記錄下來，因此相關(guān)人員很容易獲得學習者網(wǎng)上學習論壇的參與情況、學習視頻的觀看時長、在線作業(yè)的完成情況以及在線測

13、評中的表現(xiàn)等信息。由此可以探索學習活動與學習結(jié)果的關(guān)系，并對學習者的學習活動進行建模，模型構(gòu)建之后可用于對學習者的學習結(jié)果進行預(yù)測。（二）學習分析與傳統(tǒng)教育測量模型的結(jié)合傳統(tǒng)的教育測量模型聚焦于利用標準化評價中產(chǎn)生的結(jié)構(gòu)化數(shù)據(jù)對學習者能力水平和知識狀態(tài)等特征進行建模，因此它在個性化學習系統(tǒng)的評估過程中扮演著重要角色。以項目反應(yīng)理論（item response theory，irt）和認知診斷模型（cognitive diagnosis method，cdm）為代表的學習者技能模型都是通過學生的外在表現(xiàn)對他們的潛在能力水平或知識掌握狀態(tài)進行推斷。學生的外在表現(xiàn)既可以通過個性化學習系統(tǒng)中的線上測驗

14、項目進行考察，也可以通過學生在系統(tǒng)中活動留下的痕跡進行推測，即外在的行為表現(xiàn)就是考察模型中潛在能力或知識掌握狀態(tài)的證據(jù)。由于傳統(tǒng)的教育測量模型都具有完備的理論體系，與學習分析綜合建模就能為基于網(wǎng)絡(luò)及大數(shù)據(jù)的學習分析提供更可靠的理論支持。除此之外，無論是項目反應(yīng)理論中最新發(fā)展出的多維項目反應(yīng)理論所考查的能力種類的增多還是認知診斷模型固有的考慮多個認知屬性及參數(shù)，都需要大量學生數(shù)據(jù)對模型中的相關(guān)參數(shù)進行估計，所以傳統(tǒng)教育測量模型這一天然的特性也十分適合應(yīng)用于當前個性化學習系統(tǒng)的大數(shù)據(jù)環(huán)境。雖然傳統(tǒng)的教育測量模型與學習分析有著各自的發(fā)展脈絡(luò)，但是兩者并沒有嚴格界限，尤其是國外的研究團體在各自的個性化

15、學習系統(tǒng)開發(fā)的進程中，逐漸強調(diào)學習過程中教育測量與評價的重要地位，所以兩者在實踐中也開始逐漸融合。研究者主要借助數(shù)據(jù)挖掘技術(shù)將兩者結(jié)合起來。在運用學習分析技術(shù)從學生在個性化學習的系統(tǒng)中留下的痕跡抽取恰當?shù)挠^察變量，并將這種變量有效用于傳統(tǒng)測量模型的過程中，數(shù)據(jù)挖掘的特征抽取和維度約減的功能恰好能滿足將二者融合的需求。雖然學習分析中的數(shù)據(jù)挖掘是從學生學習過程的原始數(shù)據(jù)中挖掘行為模式，缺少深層潛變量來解釋這些觀察變量所代表的內(nèi)在心理機制，但數(shù)據(jù)挖掘仍然可以在學習者模型的建構(gòu)中作為輔助方法應(yīng)用，識別潛變量，探索潛變量之間的關(guān)系，以達到數(shù)據(jù)和理論建構(gòu)雙向驅(qū)動的效果。目前，被廣泛應(yīng)用的學習者技能模型貝葉斯網(wǎng)絡(luò)模