基于大數據的牛頓平臺自適應學習機制分析*
——“教育大數據研究與實踐專欄”之關鍵技術篇

萬海鵬　汪　丹

（北京師范大學 教育技術學院，北京 100875）

?

基于大數據的牛頓平臺自適應學習機制分析*
——“教育大數據研究與實踐專欄”之關鍵技術篇

萬海鵬汪丹

（北京師范大學 教育技術學院，北京 100875）

摘要：個性化和自適應學習系統是教育大數據應用服務的主要陣地，自適應學習系統能夠采集學習過程中的行為數據，并對學生的學習興趣、知識水平、學習風格、學習進度等做出分析和預測，以提供個性化的學習服務。近年來被學術界和企業界所廣泛認可的典型自適應學習平臺——牛頓平臺（Knewton Platform）正逐步興起，文章從自適應原理、核心技術、自適應服務三個方面對牛頓平臺進行了剖析，以期能夠為教育大數據分析研究人員和自適應學習平臺設計者提供理論參考和技術借鑒。

關鍵詞：教育大數據；牛頓平臺；自適應學習；知識圖譜；項目反應理論

引言

隨著大數據理念的深入人心，教育大數據呈“爆炸式”增長之勢。教育大數據產生于各種教育活動，與傳統教育數據相比，教育大數據的采集具有更強的實時性、連貫性、全面性和自然性［1］，其分析處理和應用服務更加多元化、智能化、個性化。學生和教師是教育領域的兩大核心主體，教育大數據通過用數據說話使個體真正認識自己，將真正推動教學和學習的個性化［2］。在教育大數據的支持下，教師可以關注到每個個體的學習行為和學習軌跡、預測學習結果、診斷學習需求和問題，從而基于數據開展因材施教；學生可以了解到自己的偏好、知識缺陷、能力缺陷、發展目標等，并能夠獲取適合自己的學習資源和學習指導服務。

自適應學習系統是教育大數據采集、分析和提供個性化自適應服務的重要載體。Brusilovsky［3］于1996年對自適應學習系統進行了分類和總結，提出了自適應學習系統（Adaptive Educational Hypermedia Systems，AEHS）的通用模型，包括領域模型（Domain Model）、用戶模型（User Model）、適應模型（Adaptive Model）、自適應引擎（Adaptive Engine）四個模塊——領域模型由領域內的概念及其關系組成；用戶模型是對用戶特征信息的抽象描述，包括知識結構狀態、學習目標、背景經歷、認知風格、學習偏好和學習成績；適應模型定義了進行內容呈現自適應、鏈接導航自適應以及用戶模型更新的規則；自適應引擎主要用于響應用戶請求，根據用戶模型來選擇、組裝和呈現頁面，根據用戶與系統的交互記錄來更新和維護用戶模型等［4］。

近期以來，一個名為“Knewton”的自適應學習平臺逐漸被人們所熟知，它集數據科學、統計學、心理測量、內容繪圖和機器學習于一身，旨在最大限度地實現個性化。作為“教育大數據研究與實踐專欄”的關鍵技術篇［5］，本文將以牛頓平臺（Knewton Platform）為例，從自適應原理、核心技術、自適應服務三個方面對其進行闡述和分析。

一　牛頓平臺的自適應原理

自適應學習強調學習環境的適應性，要求創設的個性化學習環境能夠最大限度地適應學習者的不同特征，并以此來開展個別化學習和針對不同能力的學習者進行“因材施教”［6］。在牛頓平臺看來，自適應學習系統應保持適應的持續性，可以對學生的學習表現和活動完成質量給予及時反饋，以在正確的時間基于正確的內容提供合適的學習指導，來最大化學生獲得學習內容的可能性；同時基于給定活動的完成情況，自適應學習系統應能持續性地逐步引導學生進入下一個活動。

為了保持持續自適應，即在任何時刻都能為學生做出個性化的學習進度安排，牛頓平臺進行了概念層面的專業化數據（Proficiency Data，如知識概念掌握程度、學習投入程度、學習效率、優勢劣勢、活躍時間、預測分數等）采集處理，并建立了專業化數據與學習過程數據之間的關聯映射。專業化的數據模型不僅能評估學生做了什么，還能在概念層面分析學生掌握了什么以及學生的學習就緒狀態、認知投入、學習偏好、學習風格、學習策略等，并向學生呈現為下一步學習或評估所應該做的準備以及能力隨時間變化的可視化圖示。具體來說，牛頓平臺的這種持續自適應主要體現在空間強化（Spaced Reinforcement）、記憶力和學習曲線（Retention and Learning Curves）、學生學習檔案（Student Learning Profile）等方面［7］。基于教育路徑規劃技術和學生能力模型，牛頓平臺構建了自適應學習的基礎框架，以最大程度地實現個性化。

1 基礎結構

牛頓平臺構建了一個基于規則、算法廉價的大規模規范化內容的基礎設施（Heavy Duty Infrastructure）［8］，包括數據基礎設施（Data Infrastructure）、推理基礎設施（Inference Infrastructure）、個性化基礎設施（Personalization Infrastructure）三部分。

數據基礎設施部分主要負責收集、處理海量的專業化數據，涉及用于規劃和管理各個概念之間關系的自適應本體（Adaptive Ontology），以及用于實時流和并行分布式流數據預處理的模型計算引擎（Model Computation Engine）。自適應本體是一組具有直觀和可拓展性的概念對象及其關系的集合，這些概念和關系容易習得，且能很方便地用于表達學習內容之間的關系，為數據分析和自適應輔導提供基礎支撐。模型計算引擎采用分布式的方式進行工作，能夠將任務分解為細小的計算單元，以通過多臺電腦實現高效的并行計算；而當某臺電腦出現異常時，另外的電腦也能夠及時取代并在任何狀態下進行恢復。

推理基礎設施部分的目標在于擴大數據集和從收集的數據中形成視圖，包括心理測驗引擎（Psychometrics Engine）、學習策略引擎（Learning Strategy Engine）和反饋引擎（Feedback Engine）。其中，心理測驗引擎負責評估學生的概念掌握程度、內容參數、學習效率等，并通過推理的方式來擴充學生的數據集（包括挖掘學習偏好、認知風格、知識結構、能力水平、學習進度等），最終形成能綜合表征學習者學習狀態的信息檔案面板；學習策略引擎主要用于評估學生對教學、評估、進度安排等方面變化的敏感程度，識別學生在學習過程中對學習資源、學習環境等改變做出的反應，并據此為學生選擇合適的學習策略，如提供符合學習者認知風格的學習資源和導航、提供符合學習者學習水平的測評方案等；反饋引擎負責對數據和反饋結果進行歸一化處理，并將它們返回到自適應本體庫中，以豐富自適應本體的元數據信息，使知識概念與學生的學習過程信息之間建立更符合實際且可用的關聯，進而提高推理和分析的精準性。

個性化基礎設施部分主要利用所有合并數據所構成的整體網絡為學生尋找最優的學習策略，包括推薦引擎（Recommendations Engine）、預測分析引擎（Predictive Analytics Engine）和歸一化學習軌跡（Unified Learning History）。其中，推薦引擎負責從目標均衡性、學生的優劣勢、投入程度三個方面，為學生提供下一步操作的排序建議；預測分析引擎負責對學生的考量作預測，如達到教學目標的速率及完成程度、考試分數、概念的熟悉程度等；歸一化學習軌跡的目的在于統一學生的個人賬戶，建立學生在不同學習應用、學科領域和學習時段與先前學習經驗之間的關聯，避免個性化推薦應用中常遇到的“冷啟動”問題。

2 數據模型

數據模型（Data Model）是對現實數據特征的抽象，用于描述一組數據的概念和定義。對牛頓平臺而言，數據模型是數據在系統中的存儲方式，包括四部分內容［9］：

（1）知識圖譜（Knowledge Graph）

知識圖譜是概念與概念之間關系的集合，是牛頓平臺用于精準定位學生學習狀態的重要方式，其結構如圖1所示。其中，圓圈代表概念；連線代表各概念之間的關系；箭頭指向表示前一個概念是后一個概念的先修概念，二者之間是先修關系（Prerequisite Relationships）。牛頓平臺的知識圖譜是通過自適應本體來建立的，具有可擴展、可伸縮、可測量的特性。自適應本體由模塊（內容片段）、概念、內容與概念之間的關系三種元素構成，其關系類型主要有：包含（Containment），表示該內容或概念從屬于更大的群組；評估（Assessment），表示該內容提供了學生掌握狀態的信息；教學（Instruction），表示該內容在教授某個具體的概念；先修（Prerequisiteness），表示學習該概念之前需要先掌握另外一個層級更低的概念［10］。基于自適應本體，研究者和教師就能對典型的課本內容進行概念映射和標注。利用這種標注好的課本內容數據，結合學習交互數據、心理測驗數據，牛頓平臺就能自動為學生生成個性化的知識圖譜。

圖1　知識圖譜（源于《牛頓平臺技術白皮書》）

圖2　學生響應事件數據結構示意圖

（2）學生事件（Student Events）

學生事件是學生與學習內容交互時產生的系列數據流，主要用于對學生的能力進行實時推斷。牛頓平臺收集來自不同合作伙伴產品中所生成的交互數據流信息，用于為學生的個性化分析與推薦作支撐。學生響應事件數據的存儲與交換格式，包括試題編號、作答持續時間、試題所屬模塊、交互結束時間、得分、正誤狀態以及完成狀態，其數據結構示意圖如圖2所示。

（3）目標管理（Goal Management）

目標管理是對學生學習結果數據的分析和處理。牛頓平臺能夠為學生提供可持續更新的學習目標檔案，檔案內容包括學生未學習的內容、已學習的內容、知識概念掌握的狀態水平、成績排名以及如何學得更好的推薦信息。隨著學生使用平臺的時間變長，檔案將會變得越來越智能。目標檔案數據的存儲與交換格式，包括知識概念名稱、所屬模塊、目標分數、開始時間、目標時間、推薦模塊候選集、模塊推薦數量等。

（4）推薦與分析API（Recommendations and Analytics API）

推薦與分析API作為學習者個性內容推薦與分析服務的接口，能為學習者持續提供內容推薦，并在學習進度、概念熟練程度、學習投入等方面進行精準推斷。個性推薦與分析診斷數據的存儲與交互格式，包括推薦模塊、學習案例、目標模塊、預期分數、置信區間、評估時間等。

二　牛頓平臺的核心技術

1 項目反應理論（Item Response Theory，IRT）

項目反應理論將學習者對測試項目的反應（應答）通過表示測試項目特性的參數和被測試學習者能力的能力參數及其組合的統計概率模型來表示，其中表示項目特性的參數主要有難度系數和區分度［11］。傳統的項目反應理論一般針對問題、項目來設計相關參數，且運用過程中通常存在兩大誤區：一是認為學生的能力是個常量，二是傾向于用一個參數來表示學生的能力。

考慮到能力的發展變化以及多種能力之間的相互連接，牛頓平臺對傳統的項目反應理論進行了擴展，并從問題層級的表現來對學生的能力建模——認為學生的能力參數會隨時間而變化；同時，對學生能力的表征不再局限于某個唯一的參數，而是通過利用聚焦于概念層面的知識圖譜來對學生能力進行評估和表征。

2 Knewton API

Knewton API［12］是連接應用場景與合作平臺的橋梁，以云服務的方式被第三方企業調用，如圖3所示。

圖3　牛頓平臺與第三方應用集成框架

其中，核心服務層負責與牛頓平臺的數據庫打交道，并以表單的方式向應用服務層提供預處理后的數據信息，其中典型的服務就是知識的圖譜化工作。基于本體庫，圖服務能時時進行圖式化內容的信息更新，并結合實際需求對圖譜進行基于歷史版本的改造。應用服務層負責與推理引擎（包括心理測驗引擎、推薦引擎等）進行對接，而這些引擎的正常工作都有賴于核心服務層所提供的可直接利用的數據。API調用與嵌入層則負責收集來自合作企業平臺中產生的系列信息，并根據需要以消息的方式通知系統中的其它服務層。例如，當有內容需要加入知識圖譜或學生注冊了一門課程，API調用與嵌入層接收這些信息后，便立即通知相應的核心服務層進行響應，并在數據存儲層進行存儲。具體說來，Knewton API能為合作企業提供下述三個層面的服務：

①學習歷史記錄層面，Knewton API采集了學習者歷史學習過程中所表現出的一系列學習偏好和差距，可幫助學生保持在新課程中的積極性。學習歷史記錄檔案包括學生所知道的內容、掌握的水平、學得最好的課程、如何學得最好的推薦信息，并能持續性地進行更新。

②學習交互數據分析層面，Knewton API能將海量數據轉變為認知交互模型、估計向量、數據框架和可人為操控的視圖，并向教師、家長、管理者和學生提供深層次的教學和內容分析報告——教學分析指標包括熟練程度、就緒狀態預測、分數預測、活躍時間，基于該指標，教師可以在更加準確知曉學生缺點的前提下指導學生，年復一年地比較課程數據，按學期、按年度進行課程的改進和完善；內容分析可以幫助教師、出版者和管理者確定教學材料中最豐富和最薄弱的部分、需精細講授和評估的部分，保證內容的持續更新，確保學生不會使用過時的教材。

③個性化推薦層面，Knewton API通過綜合考慮內容要素、學習者要素和目標要素來決定對下一步所應學習內容的推薦。其中，內容要素包括模塊關系、教育意義、評估價值、問題難度、持續時間和學習投入程度，學習者要素包括概念熟悉程度、評估需求、復習需求、學習步調和材料重復接受度，目標要素則包括目標模塊、目標分數、達標日期、可推薦模塊。

三　牛頓平臺的自適應服務

1 差異化引導的自適應學習過程

牛頓平臺提供差異化的學習輔導服務，即利用項目反應理論對學生的學習狀態進行測試評估，基于學生問題層面的表現而不是整體測試成績來對學生的能力進行建模。對于理解不同問題所帶來的貢獻，項目反應理論并沒有同等看待，而是針對每一個問題提供了包含問題信息和答題者個人能力信息的貢獻計算解釋。下文將以一個差異化引導任務為例，來闡述牛頓平臺的實時自適應學習過程［13］。

如圖4所示，Amy、Bill和Chad三位學生有同樣的學習目標——理解乘法公式、一位數乘法、兩位數乘法、解決乘法應用題；這四個概念的先修知識分別是乘法符號、理解乘法、100以內的整數乘法、用乘法解決問題。比如，要理解“兩位數乘法”必須先理解“一位數乘法”；下方排列的小圖形代表每位同學答的題目及正誤信息，每道題對應的圖形與它們所屬的知識點框中的圖形類型一致，圖形的填充與否代表正誤信息，實心表示正確，空心表示錯誤。

圖4　同一目標不同學生的自適應學習過程

從圖4可以看出，這三位學生所答的前三道題目是一樣的，由于第三道題Bill答錯了，與其他兩位同學出現了不同的學習狀態，故三位同學開始呈現出不同的學習路徑——Bill在理解“乘以兩位數”時遇到了困難，故繼續回答與這個主題相關的題目，而Amy和Chad進入到下一個主題；從第四題的回答結果來看，Amy回答正確繼續完成接下來的題目，而Chad回答錯誤繼續回答與“理解乘法公式”這個主題相關的題目。圖4展現了三位同學為達到同樣的學習目標而進行的自適應學習過程，從中可以看出牛頓平臺的差異化指導有助于學生更多地關注自己的薄弱環節，而不至于在已經掌握的環節上做無用功——平臺引導那些學習困難的學生（如Bill和Chad）繼續回答與問題主題相關的題目，直到他們理解、做對題目進而掌握概念；對于那些掌握程度較好的學生（如Amy），牛頓平臺則向其提供按照自己步調學習的機會。

2 創建自適應課程

牛頓平臺支持教師、家長及學生創建自適應課程，每門課都由創建者自由選擇的若干個任務組件構成，每個任務組件內包含一定數量的題目，并以上述方式為學習者提供不同的學習路徑。為自適應課程選擇任務組件有兩種方式：①接受推薦。牛頓平臺基于知識圖譜和用戶教學行為數據分析，向用戶推薦其可能感興趣的任務組件，而用戶可將推薦的任務組件加入到創建的個性化課程里。②根據目錄樹選擇任務組件。牛頓平臺已經內置大量的任務組件，以學科—年級—主題—子主題等任務多維關鍵詞表征，用戶可以通過多維搜索的方式來主動選擇任務組件以創設個性化課程。比如，數學學科在六年級水平上有代數Ⅰ和代數Ⅱ、數據分析和概率統計、幾何和三角函數、數和計算四大主題；在大主題下又有子主題，如數和計算這一主題包含數的概念、復數、比率等子主題；每個子主題又對應一個任務組件。

課程創建完成后，用戶可通過站內信和郵件的形式邀請學生加入、激活課程并參與學習。同時，用戶還需要填寫課程名稱和課程詳細描述、關聯K-12課程大綱和任務完成時間，以方便其他用戶查找和使用課程。牛頓平臺將跟蹤這門課程所有學習者的學習動態，向用戶報告學生的基本信息和總體任務的完成情況，包括學習進度、學習困難、任務完成情況統計等信息，一方面方便教師和家長掌握學生動態，另一方面也利于用戶進一步組建個性化的課程。

四　結語

牛頓平臺開創了教育大數據個性化服務設計和應用的先河，通過采集學生的在線學習數據，可精準分析和預測學生的優勢、不足、學習興趣、認知投入水平。牛頓平臺正與合作企業在學習內容提供、學習過程管理、學習產品分發以及市場推廣應用等方面開展深入合作，頗具規模的在線教育生態系統圈已現雛形。牛頓平臺目前所提供的自適應功能在很大程度上滿足了學生、教師、家長以及學校管理者的需求，為學習、評估和管理帶來了極大便利。然而，本研究發現牛頓平臺的自適應數據主要源于試題解答記錄，與本研究所期待的全學習過程數據還存在一定差距，故后續的研究還需對數據予以進一步的優化和改進。此外，自適應學習中有關用戶模型、位置模型、設備模型和情境模型等方面的內容［14］，也需引起研究者的重點和持續關注。

參考文獻

［1］楊現民，王榴卉，唐斯斯.教育大數據的應用模式與政策建議［J］.電化教育研究，2015，（9）：54-61、69.

［2］姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現［J］.中國電化教育，2015，（1）：85-92.

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

［4］陳品德，李克東.適應性教育超媒體系統——模型、方法與技術［J］.現代教育技術，2002，（1）：11-17.

［5］楊現民，唐斯斯，李冀紅.教育大數據的技術體系框架與發展趨勢——“教育大數據研究與實踐專欄”之整體框架篇［J］.現代教育技術，2016，（1）：5-12.

［6］陳仕品.適應性學習支持系統的學生模型研究［D］.重慶：西南大學，2009：10.

［7］［8］Knewton Company. Heavy duty infrastructure for the adaptive world［OL］.＜https：//www.knewton.com/assets-v2/downloads/knewton-intro-2014.pdf＞

［9］［12］Jaffe J. Here is the deck for presenting adaptive learning in the E-education world［OL］.＜https：//lists.w3.org/Archives/Public/www-archive/2015Jan/att-0004/Knewton_W3C_presentation_V2.pdf＞

［10］Wilson K， Nichols Z. Knewton technical white paper［OL］. ＜http：//learn.knewton.com/technical-white-paper＞

［11］傅德榮，章慧敏，劉清堂.教育信息處理（第2版）［M］.北京：北京師范大學出版社，2012：120.

［13］Green-Lerman H. Visualizing personalized learning［OL］.＜https：//www.knewton.com/resources/blog/adaptive-learning/visualizing-personalized-learning/＞

［14］賈積有，馬小強.適應性和個性化學習系統研究前沿——與國際著名教育技術專家金書軻教授對話［J］.中國電化教育，2010，（6）：1-5.

郵箱為dnvhp@163.com 。

編輯：小米

Investigation on Adaptive Learning Mechanism of Big Data based on Knewton Platform——The Key Technology of “Research and Practice Column about Big Data in Education”

WAN Hai-pengWANG Dan
（School of Educational Technology， Beijing Normal University， Beijing， China 100875）

Abstract：Personalized and adaptive learning system is one of the vital applications of big data in education， which can collect learning behavior data and provide analysis and prediction on students’ learning interest， knowledge level，learning style and learning progress. A typical adaptive learning system——Knewton Platform which has been widely recognized by academia and enterprise in recent years is rising gradually. A deep analysis on Knewton Platform， from the aspects of adaptive mechanism， core techniques and adaptive service， was made to provide some theory and technology references for the researchers of big data in education and designers of adaptive learning platform in the future.

Keywords：big data in education； Knewton platform； adaptive learning； knowledge graph； item response theory

【中圖分類號】G40-057

【文獻標識碼】A 【論文編號】1009—8097（2016）05—0005—07 【DOI】10.3969/j.issn.1009-8097.2016.05.001

*基金項目：本文為北京師范大學教育學部學生科研基金資助項目“泛在環境下自適應在線學習模型的設計與實現——以學習元平臺為例”（項目編號：15秋-03-01）的階段性研究成果。

作者簡介：萬海鵬，在讀博士，研究方向為學習知識地圖、移動與泛在學習、在線學習評價、計算機教育應用，

收稿日期：2016年2月20日