人工智能支持下的智適應學習模式*

李海峰，王 煒

(新疆師范大學 教育科學學院，新疆 烏魯木齊 830017)

一、自適應學習的挑戰與智適應學習的興起

因材施教抑或因材促學是古今中外教育研究者的共同理想追求，更是學習者內心對個性化學習方式的渴望。班級授課制是實現學習者個性化學習的掣肘，教師難以滿足班級中具有不同知識水平、獨特學習風格以及不同興趣取向學習者的學習需求。程序教學之父斯金納(Skinner)創始的機器學習破解了傳統班級授課制中模式化、統一化的學習方式弊端，為通過技術支持學習者的自適應學習提供了最初的啟蒙和經驗借鑒，自此以信息技術為基礎的指向個性化學習的自適應學習系統開始逐漸發展起來，形成了機器學習、計算機支持的輔助學習、導師學習系統以及大數據學習分析與學習支持系統等適應性學習技術。

根據自適應學習的對象差異，自適應學習的研究主題可以劃分為三個旨趣向度，主要包括：學習內容的自適應性、學習評價的自適應性以及學習序列的自適應性[1]。就學習內容的自適應性而言，自適應表現為學習內容的難易程度自適應、學習內容的資源供給自適應以及學習內容的類型匹配自適應。姜強等[2]構建了個性化本體學習資源推薦模型，探討了利用學習風格量表和學習過程行為模式對學習者學習風格進行推斷的方法以及個性化學習資源的推薦策略。王麗萍等[3]提出了主題學習資源分配的自適應模型及其算法，通過對Rasch模型中學習內容的難度初始值以及學生知識掌握程度的個性化設計，根據學習者對學習內容中所有參數化測試項目的反應效果對主題難易程度進行量化評估，為教師設計主題內容學習的干預措施提供了依據。就學習評價的自適應而言，自適應學習重點關注學習者在線學習行為的數據分析、評價算法以及評價內容范疇。量化自我是教育大數據分析與自適應學習實現的關鍵途徑之一，方海光等[4]構建了基于教育大數據的量化自我學習算法(Quantified Self Learning Algorithm，簡稱QSLA)，通過全面地跟蹤、記錄以及可視化學習者的在線學習行為，能夠更加容易和準確地獲得在線學習者的學習經驗，利用量化自我實現了對學習者動態地、全程地和綜合性地自適應評價。吳南中[5]將學習壓力與學習能力的比值確定為自適應系數以評價學習者的自適應狀態，通過構建的自適應學習模型精準預測在線學習者在自適應區、“無聊”狀態和“焦慮”狀態中的基本位置。就學習序列的自適應而言，其關注的焦點是學習者的學習過程自適應。從算法性質角度看，學習路徑推薦算法可以歸結為智能優化算法、數據挖掘算法和基于知識的推薦算法等三大類[6]。牛頓平臺(Knewton Platform)通過提供概念的知識圖譜，確定概念之間的基本關系以及概念習得的先后序列，根據算法對學習者的學習行為數據進行處理以確定學習內容學習的先后序列。

自適應學習實現了從集體性的模式化學習向基于學習者特征、學習資源供給以及學習過程調節的自適應學習方向轉變，但是當今自適應學習面臨的最大挑戰是如何精準診斷學習者的知識點掌握程度以及學習快捷路徑的精準推薦，人工智能技術支持下的自適應學習算法及其模式為實現精準的個性化學習提供了有力支持[7]。自從能夠通過自我對決進行圍棋學習的AlphaGo Zero智能技術以及通用棋類AlphaZero問世以來，教育領域對人工智能的研究熱情極度高漲并為解決自適應學習中的技術困境尋找到了一條新途徑。智適應學習系統是人工智能技術支持下的在線自適應學習系統，它利用了AlphaGo Zero的人工智能算法實現了媲美經驗豐富特級教師的教學能力。文章將以智適應學習系統為范例，闡述人工智能支持下的自適應學習基本原理、運行模式以及應用案例。

二、人工智能支持下的智適應學習基本原理

(一)智適應學習的基本內涵

智適應學習理念由乂學習創始人栗浩洋提出，其基本指向是實現人工智能支持下的學習者自適應學習。自適應學習是系統根據學習者提供的輸入信息和學習行為數據進行學習資源、學習方式或者學習內容等方面的動態學習服務支持，從而為學習者創造個性化的學習體驗[8]。自適應學習依據學習者的數據信息建立用戶自適應系統模型，實現個性化內容呈現、路徑推薦和學習支持[9]；適應性學習系統通過提供相關的學習內容和服務以滿足個人或者群體的學習需求，以提高學習成績和學習效率為基本指向；系統通過實時地、動態地向學習者提供個性學習支持以響應學習者的學習交互行為[10]。簡言之，所謂自適應學習是指運用技術手段檢測學習者當前的學習狀態及水平，進行學習活動以及學習進程的實時調整，幫助學生實現個性化的信息化學習方式。學習者的個性化需求是適應性學習的核心問題指向與價值追求，實現路徑主要以學習者的相關數據信息為基礎，諸如：學習者的個性特征、學習過程的學習行為、學習者的學習效果及效率等等。在信息技術支持下的自適應學習環境中，自適應系統主要向學習者提供學習資源、協作交互以及問題解決等相關服務。智適應學習不僅能夠實現學習者的相關數據分析、學習支持與服務提供，而且具有深度理解學習者學習行為的智能性能力。智適應學習系統能夠實時地對學習者的學習行為和學習結果進行精準測評以及知識薄弱點的準確定位，規劃學習者的學習路徑，使他們的學習效率最大化。換句話說，智適應學習的最大優勢在于，能夠實現對專家型教師的深度模擬，精準定位學習者的知識薄弱點并為他們規劃實現學習目標的快捷知識序列路徑。

(二)智適應學習的基本理論

1.知識空間理論

對于一位經驗豐富的專家型教師而言，他能夠將學習內容分割成若干知識點，構建一個具有復雜層級邏輯關系的知識網絡抑或知識體系，能夠把握學習者對知識點的掌握并安排合理的學習路徑。事實上，絕大多數教師都需要經歷長期的專業發展才能夠具有這些能力。面對班級授課制的集體統一教學，任何教師也難以實現對幾十位學生同時進行個性化教學，但是知識空間理論將為解決這一問題提供很好的理論指導。知識空間理論由杜瓦尼翁(Doignon)和法爾馬(Falmagne)提出，構建了知識結構、知識空間、猜測關系以及蘊含關系的基本理論。他們認為特殊領域的知識信息可以被概念化為一個巨大的、具體的一系列問題集合，個體的知識狀態可以被形式化為他所能解決的所有問題子集。對于所有可能的知識狀態譜系而言，通過控制任何知識聯接而實現一種閉環結構的集合被稱為知識空間[11]。知識空間理論為學習者知識的有效評價提供了一種綜合性的描述[12]，提供了一個具有堅實理論基礎、方法論、軟件和實踐應用的知識評價框架，知識空間中的知識狀態是表征水平程度的層次性集合，代表個體掌握知識的水平[13]，教師或者智能系統可以通過測驗學習者知識空間的問題解決能力以確定學習進展及其知識掌握情況。換句話說，研究者或者教師可以利用知識空間理論作為一種創新方法來分析學習者的知識結構與學習績效評價，向學習者推薦可能更加有效的學習路徑與關鍵知識點。

2.信息流理論

信息流理論最初萌芽于申農(Shannon)的信息論[14]，關注于信息的獲取及信息傳遞，發展于巴斯韋爾(Barwise)和杰里塞利曼(Seligman)[15]提出的信息流局部邏輯說和信息通道說，建立了信息流模型的動機以及信息通道的數學模型。信息流理論揭示了信息以分布式的形式存在和流動，具有個性化和類型化的信息特征，系統組件之間依靠某些規則攜帶其它組件信息，系統的通道觀取決于理論家的描述抑或用戶的抉擇。信息流理論的主要研究旨趣在于揭示和描繪普遍的信息流關系，突出信息流關系和信息通道的元理論功效[16]。在智適應學習語境中，系統通過信息流的有關數據及其處理的數學模型，管窺與跟蹤學習者學習的基本路徑抑或學習信息的流向動態，確定他們的學習水平狀態以及學習策略采取。

3.貝葉斯定理

如何通過學習者的在線學習行為、學習結果和學習效率推測出他們的薄弱知識點抑或學習困難是自適應學習系統面臨的艱巨挑戰，其難度已經超出了根據學習者已有特征數據進行個性化學習資源推送的算法問題。貝葉斯定理是關于隨機事件A與B條件概率(或者稱為“邊緣概率”)的一則定理，該定理為實現根據學習者的在線學習行為推測出學習者的薄弱知識點提供了一條理想的解決方案。貝葉斯定理主要用于計算概率P(A|B)在事件B發生的情況下，事件A發生的可能性大小，貝葉斯推理問題是條件性的概率推理問題，其研究旨趣是用于揭示人們對概率信息的認知加工過程及其基本規律，對于指導人們實現有效學習以及決策判斷等具有十分重要的理論意義與實踐價值。智適應學習系統的“智”主要運用貝葉斯定理中的條件性概率推理思想，當在線學習者每完成一道測試題抑或每看完一段教學視頻以后，智適應學習系統會運用條件性概率推理的基本算法實現對同時出現的學習過程行為、學習測驗結果狀態抑或其他相關事件進行條件性的概率性推理，諸如：知識點的學習路徑薦引、知識點的知識圖譜重組以及學習者薄弱知識點的精準定位等等。基于貝葉斯定理和貝葉斯網絡算法構建的智適應學習系統，它會隨著對學習者學習行為的持續跟蹤和條件性概率推理逐步完善學習者的個體特征“畫像”，系統自身也會變得越來越聰明，最終實現學習效果和學習效率的逐步提高。

(三)智適應學習的基本機制

1.納米級的知識粒度分解

智適應學習系統力求模擬甚至超越具有豐富教學經驗的特級教師，做到對學習者知識點的高精準學習支持，把學習內容精細分解為若干知識點并對學習者知識點掌握狀態的智能監控。眾所周知，學習內容是由眾多知識點構成的，學習過程是由學習者對知識點的理解、分析和運用等基本階段組成的，對學習知識點的精細劃分有利于學習者循序漸進學習，更有利于智適應學習系統對學習過程進行精準監控和學習服務支持。智適應學習所提出的納米級知識點強調對知識點的高精度細分，旨在于勾畫出學習者的詳細學習檔案。譬如，智適應學習系統會把英語中的“定冠詞”這一知識點再度拆分成13個‘納米級’精細知識點，根據這些納米級知識點之間的邏輯和先行關系勾勒出學習的知識網。納米級的知識粒度分解，不僅有利于學習者對學習內容的精準掌握以及查缺補漏，更有利于教師或者適應性系統對學習者的學習效果和學習效率進行精準評價。

2.個性化的學習路徑薦引

為了避免重復學習以及題海戰術的教學弊端，實現高效率和最佳效果的學習目標，智適應學習基于納米級知識粒度分析和計算機算法實現了優學、速學以及最佳學習路徑的引領。傳統學習以及以學習者特征為代表的自適應學習系統常以試題訓練為導向，或者以學習者個性特征為依據進行個性化學習服務支持，但是精準定位不同類型知識點的方法以及掌握程度評價等缺乏深度探究。智適應學習系統根據學習者的學前測試以及學習過程中的知識掌握狀態能夠精準定位他們所具有的先決知識基礎，確定知識點掌握的優劣以及知識圖譜中相關知識點的薄弱環節。智適應學習系統通過學習者的大數據分析以及知識點的精準細分，旨在于幫助學習者精準檢測他們的知識點掌握狀態，實現學習內容的個性化自動匹配和學習效率提升，教師能夠詳細獲知任何一位學習者對每一個知識點的掌握程度，實現對學習內容薄弱項的精準定位。在學生的學習過程中，智適應學習系統能夠根據習得的知識點及其與其它知識點之間的先行關系抑或相關性向學習者推送下一個需要學習的知識點和相關學習資源，通過指向薄弱知識點和最佳目標路徑的算法為學習者提供了個性化學習捷徑，避免耗時耗力的題海戰術型強化練習以及大量相同或者相近知識點的重復練習。即使是同一知識點，不同學習者的學習路徑也是不同的。智適應學習下的學習路徑推薦不同于商業中的產品推薦，也不同于自適應學習系統從學習者特征和學習行為個性特征的視角來審視個性化學習，其是將人工智能和教育測量、教育理論進行融合，聚焦分析學習者的學習能力、學習效率、能力水平以及當前的知識狀態。智適應系統的個性化推薦會隨著學習者的知識狀態變化以及能力水平變化進行實時改進和更新，真正成為能夠理解學習者的專家型智能導師。譬如，根據學生在教學視頻中停留的時間長度，智適應學習系統能夠自動判斷并向他們推薦最適切的學習資料以及測試習題。該系統能夠實現精準定位每位學習者在每個知識點上的學習能力，自動生成個性化的學習任務清單，針對知識弱項和重難點進行專項強化練習并生成相應的學習報告，主要包括：先行測試報告、知識點學習報告、綜合學習報告、鞏固測驗報告以及當堂報告。

3.促進粘性的社區化支持

增強在線學習產品的粘性與吸引學習者加入平臺同樣重要，如果無法增強在線學習平臺對學習者的粘性將會導致大量的入學者輟學抑或活躍度降低。智適應學習系統不僅在于解決學習者對學習內容的精準掌握或者學習快捷路徑的引領，更重要的是能夠提高學習者的在線學習時長、學習動機和學習興趣。社區化是提升智適應學習系統粘性的關鍵途徑之一，社區化的主要表現形態包括：師生互動、答疑反饋、智慧伙伴、學習團隊以及競賽比拼等等。通過社區化的智適應學習環境，學習者的在線學習孤獨感得到有效緩解，學習者的學習動機和學習興趣通過知識點的精準測試和學習路徑規劃獲得了極大提高，在與其他學習者的學習分享過程中獲得了更多的鼓勵和幫助。此外，智適應學習并不僅僅由冰冷的技術設備構成的，其更多地增加了教師對學生學習進程以及學習情感的關注，這些對于學習者學習動機的持續保持以及平臺粘性具有重要的價值和意義。

4.快速精準的知識狀態監測

知識圖譜與算法邏輯的結合實現了智適應學習系統對學習者知識狀態的精準監測，為學習者學習效率和學習效果的提升提供了有力的技術和方法支持。納米級的知識點劃分方法為評價學習者的知識狀態提供了更加有力的方略，但是如果學生對龐大的納米級知識點進行測試練習，則會導致學習者陷入到題海戰術中，智適應學習系統也因此不會成為個性化的、高效率的學習工具。所謂快速精準的知識狀態監測是基于知識空間以及相關算法完成的，其目的旨在通過最少的測試題檢測學習者的知識掌握狀態，從而避免學習者陷入到大量納米級知識點的繁重學習測試中。

5.多元化的在線學習內容推薦

學習者的個性化決定了學習資源的多樣化，多元化內容推薦機制為實現學習者的個性化需求以及深度理解提供了有效支持。智適應學習系統向學習者提供了涉及音頻、視頻、學案、測試題、練習題以及拓展題等諸多學習內容，根據學生的學習特征、學習偏好以及學習水平，系統能夠以智能組合的形式向學生推送個性化、多元化的學習內容。多元化學習內容推薦，不僅滿足了學習者的個性化學習特征需求，而且能夠根據知識點本身特征實現學習支持的多元形態表征，為學習者呈現多維立體化的深度學習語境。

6.系統自適應功能的智能優化

“懂你、幫你和伴你”是新時代人工智能支持下的智適應學習系統特征，是類似于AlphaGo這類人工智能技術支持下的個性化學習形態。新時代的人工智能在深度學習、神經網絡以及蒙特卡洛樹搜索法等技術運用后，形成了神經網絡“大腦”并能夠進行精準復雜的數據處理，實現了具有人類高級智能的“自學能力”。智適應學習系統充分運用了人工智能技術，它能夠比老師或者學習者自身更了解學習者的學習狀況。智適應學習系統不僅能夠實時監測學習者的學習水平及其知識點掌握程度，而且能夠對原有知識圖譜以及學習路徑進行及時修整與改進。智適應學習系統隨著學習者的逐步使用會變得更加聰明，根據學習者學習行為數據的逐漸豐富，系統會對知識圖譜、算法模型以及測試內容進行個性化的自主調整。

三、人工智能支持下的智適應學習模式

智適應學習模式主要涉及兩個維度，包括：“測、學、練、測、輔”的智適應學習過程模式以及智適應學習的系統結構模式。智適應學習過程模式是智適應學習系統支持下的學習過程系統結構，主要功能旨趣是構建指向精準知識點的個性化學習系統。智適應學習系統運行模式描繪出了智適應學習系統的智能化運行流程以及學習的運行結構序列，為智適應學習過程模式的實現提供了有力的技術支持。

(一)智適應支持的“五星”學習過程模式

智適應學習是一個系統過程抑或系統結構，由“測、學、練、測、輔”等五個基本過程或者環節組成，形成了一個以個性化學習為旨趣的系統化學習過程模式，如圖1所示。

圖1 智適應學習過程模式

“測”是智適應學習模式的基礎和后續智適應學習服務支持的依據。先行測試是智適應學習過程模式的先決條件抑或初始條件，決定著智適應學習過程中個性化的基本路徑。先行測試主要目的在于檢測學習者的學習能力與先決知識基礎，智適應學習系統根據納米級的知識點分布及學習者的知識水平測評歸納出他們的薄弱知識點以及知識點的學習序列。通過精準的先行測驗，智適應學習系統已經掌握了學習者的學習知識基礎，為后續系統向學習者提供精準的學習支持和路徑規劃提供基本依據。

“學”以“測”為基礎，“學”以學習資料的個性化推薦和個性化學習服務支持為主要形式，聚焦于學習者知識體系的薄弱知識點。視頻學習方式是智適應學習過程模式的基本學習形態，以視頻作為主要學習內容的載體和學習形式來實現對學習內容的理解以及知識點的掌握。視頻以知識點為基本單元進行組織，學習內容則主要由眾多代表知識點的視頻集合組成。智適應學習的最大特點是能夠記錄下學習者在觀看視頻時的詳細學習行為，諸如：時間長度、停頓節點和觀看頻次等等。系統會根據學習者觀看視頻的學習行為數據記錄推測學習者的學習狀況，為學習者推薦相應的學習服務抑或自動生成相應的測試內容。

“練”是檢測抑或鞏固知識點的有效方式之一，其目的是為每一個納米級的知識點搭配不同層次、不同難度以及不同形式的習題內容，實現納米級的知識點細化分層、習題靶向考試大綱以及典型的專業化命題。智適應學習系統中的練習已經超越了答案正確與否的簡單測試方式，實現了有目標指向的學習行為大數據分析。智適應學習系統能夠監視并記錄學習者答題過程中的細節行為，諸如：答題內容、答題時間、答題遲疑、鼠標移動、數據輸入等等。通過這些數據的抓取和分析，智適應學習系統能夠深刻且全面認識學習者進行練習的相關學習行為，掌握學習者練習的基本特征抑或規律，探明學習者可能依然存在哪些未被掌握的知識點，為他們提供相應知識點的學習幫助或者進行再次測試與練習。

綜合“測驗”是智適應學習系統向學習者或者教師提供的關于學習者在線學習的綜合性報告，與指向薄弱知識點“測”評的前期檢測不同，其主要從綜合性角度關注先行測驗報告、知識點學習報告、綜合學習報告、鞏固測驗報告和在線學習績效報告，目的是考察學習者對學習內容知識點的綜合性評價。綜合測驗既是一個形成性的檢測結果，又是一個總結性的評價呈現。學習者或者教師能夠根據相應的評價數據和評價指標對學習過程或者學習方式進行相應的調整與改進，也為學習者進行下一步的學習和輔導提供相應的基礎性評價參考。

“輔”即學習輔導，是智適應學習系統與教師教學的深度融合，以教師在線講授和線下輔導為主要存在形式。教師在線講授以及與學生互動，彌補了純粹在線自主學習過程中的學習孤獨感、學習挫敗感、知識理解的求助困惑以及學習興趣迷離等問題，教師根據學習者的在線學習測試、學習過程數據信息、綜合測試和學習分析等作為學習輔導的參考信息，針對學生進行知識點的精準講解、探究和答疑解惑。線下輔導主要以搭建的物理空間場域為代表，形成容納智適應學習系統、輔導教師、學習成員等在內的智慧學習空間，學習者通過智適應學習系統進行自適應學習，通過學習者之間的交流形成知識共生體，通過在線教師的精準教學以及線下輔導教師的引領，進一步提升了學習者的學習效果和效率。

(二)智適應學習系統結構模型

智適應學習系統由諸多功能模塊組成，形成了以個性化學習為主要旨趣的有機系統結構模型。模型主要涵蓋六大基本功能，包括：學習信息系統、學習分析系統、智能化自適應引擎、學生情況跟蹤、學生管理系統、學習內容及數據收集系統，具體內容如圖2所示。

圖2 智適應學習系統結構模型

智適應學習系統所體現的個性化學習支持源于對學生個體特征數據的收集與分析，學習者信息系統則為個性化學習模式提供了重要的數據信息基礎和先決條件。學生信息系統既包括學習者特征、學習風格以及學習基礎的相關信息，也包括學習者前測獲得的學習者知識點掌握水平。學習分析系統是實現學生情況跟蹤和智能化自適應的中介環節，主要功能是實現數據采集、數據格式化以及數據多維化分析。數據分析系統涉及到兩大領域，包括：學習者的基本信息數據和內容學習的行為數據。前者針對來自學生信息系統中的數據分析，多以學習者特征的結構化數據為主。后者以學習者在學習過程中產生的非結構化學習行為數據為主，數據內容包括：視頻學習行為、測評報告、學習者與平臺的交互行為以及綜合測驗等等。智能化自適應學習引擎是智適應學習系統結構模型的核心環節和要件，它以學習分析系統中提供的數據分析結果作為智適應學習的個性化服務支持基礎。智能化自適應引擎主要提供三項功能，包括：個性化的學習內容推薦、納米級的知識點精準測評以及個性化學習路徑引導。學生情況跟蹤模塊的主要功能在于基于原有學生信息進行學習者的學情動態跟蹤，通過系統對學習者的持續跟蹤會得到大量學習者學習過程的行為數據并存儲于數據庫中，通過學習分析系統對這些數據的再次循環分析而實現對學習者學習情況的持續跟蹤。換句話說，智適應學習系統的“智”體現于通過對學習者的學習行為數據持續跟蹤，系統會隨著學習者的學習能力、知識點的掌握而呈現出動態的發展過程，它會變成越來越懂得學習者的專家型智能教師。教師端的學習管理系統主要用于跟蹤學習者的學習情況、信息反饋和相應措施采取，其基本指向是調整學習者的學習內容，包括：學習內容類型、知識點難易度、知識圖譜學習路徑以及知識點學習的時間序列等等。

總體上講，智適應學習系統由兩類數據形態以及三個閉環信息循環系統構成。兩類數據形態指學生信息系統和學生數據庫，前者功能在于存貯學習者的相關個性特征信息，并為初始的適應性學習服務提供相應依據，后者是學習者在學習過程中動態生成的學習行為數據信息。三個閉環信息循環系統主要涉及適應性學習、學習管理以及學情跟蹤三個維度。第一個閉環信息循環系統是智能化自適應學習循環系統，包括：學習分析系統、智能化自適應引擎、學習內容、學習者、學生數據以及學習分析系統，該系統主要功能是向學習者提供個性化的智適應服務支持。第二個閉環信息循環系統是教師學習管理系統，包括：學習分析系統、學生情況跟蹤、教師、學習管理系統、學習內容、學生以及學生數據，該系統的主要功能是個性化學習內容、知識點以及學習方式的推薦。第三個閉環信息循環系統是學生學習情況跟蹤系統，主要由學習分析系統、學生情況跟蹤、學生和學習內容等組成，其功能是持續不斷地獲取學習者的相關學習數據信息。基于數據信息流的基本理論，將不同的系統和節點有機地組織在一起，形成了一個以學習者個性化學習為中心的智適應學習系統。

四、人工智能支持下的智適應學習案例——以初中物理“光現象”學習為例

乂學智適應學習系統是目前國內最具代表性的人工智能技術支持下的適應性學習系統，眾多培訓機構紛紛引進該學習系統并進行實踐教學，得到了學習者、家長以及培訓機構的高度認可。文章以一所K12培訓機構的學生為個案，闡述智適應學習系統針對初中物理知識的具體應用過程，呈現人工智能支持下的智適應學習的基本過程、學習體驗和學習效果。

(一)智適應學習案例簡介

以一名八年級學生的智適應學習過程為例，該生已經在學校中學習過了“光現象”的相關知識，他在關于“光現象”知識點的小測驗中僅得56分，在班級排名中處于下等層次。訪談發現，該生平時認真聽講、勤奮努力并且認真完成作業，對于知識點也自認為完全掌握，但是成績并不理想。為此，邀請該生在乂學智適應學習系統的支持下進行適應性學習，針對該生開展了智適應學習模式教學，學習形式采用“智適應學習平臺+QQ+教師輔導”的遠程學習形式進行。

(二)智適應學習基本過程

1.信息完善與學前智檢

首先，要求學生填寫信息系統中的相關信息，包括：身份信息、個性特征以及學習情況等等。其次，在輔導教師的引領下完成學前智測。智適應學習系統中已經預設了有關“光現象”的納米級知識點，諸如：光的反射、平面鏡成像、光的折射和色散等等。學習者在教師的指引下完成相應的知識點測驗活動，生成先行測驗報告。測驗報告信息表明，學習者在光的反射和折射方面表現出薄弱的知識點傾向，諸如：反射角、入射角、折射角以及實踐問題的解決等等。

2.推送資料與開展學習

根據學前智測的數據分析，乂學智適應學習系統向學習者推送了指向薄弱知識點的相關學習資料和內容，包括：視頻、文本和圖片等等。在“光現象”的知識點學習過程中，學習者收到了來自智適應學習系統的有關光反射和折射的學習資料，學習者通過觀看視頻和文本內容等實現了針對薄弱知識點的學習，避免了學習者重復做題和刷題行為，提高了學生的學習效率。在學習過程中，智適應系統根據學習者對知識點的學習情況進行知識點邏輯關系以及學習路徑的動態調整，并為學習者提供相應的知識點學習報告。

3.難度分層與靶向練習

在對學習者薄弱知識點進行精準定位后，智適應學習系統將會引領學習者進行知識點的輔助學習。根據知識點的難度層次及其先后邏輯順序，智適應學習系統將“光現象”的知識點進行難度分層處理，為學習者搭建了從易到難的知識點學習路徑。以“光反射”的學習內容為例，其知識點包括：反射定律(入射光線、反射光線、反射面、入射角和反射角)、光的可逆性、鏡面反射、漫反射。根據這些知識點以及知識點的納米級細分，智適應學習系統會為每一知識點提供相應的學習資源，諸如：圖片、視頻以及文本注解等等。根據學習者的知識點學習情況，智適應學習系統為每位學習者提供了針對性的靶向練習。靶向練習不僅針對性地指向了納米級的知識點，而且其目的直接與教學大綱或者教學目的緊密相關。

4.課后測試與學習分析

綜合學習報告是智適應學習系統對學習者所有相關知識點掌握狀況的評價，實現對“光現象”知識點的綜合學習評價。通過學習分析系統對學習者學習行為數據進行綜合性分析，精準定位他們的薄弱知識點以及學習過程中存在的問題。譬如，在學習者“光現象”知識點的綜合報告中，該生在光反射定律的應用方面存在著明顯薄弱，在練習和測試過程中出現了錯選以及解答錯誤的現象。隨后經過對學生知識點的精準定位，分析學習者到底哪些知識點通過自學仍然還沒有掌握，所提供的學習內容及其類型是如何影響學習者的，這些分析為后續關于“光現象”知識點的學習內容和類型推送提供了評價參照。

5.攻克漏洞與學習輔導

在智適應學習系統支持的學習模式中，輔導教師依然具有非常重要的作用，主要價值在于實現對學生動機、情感以及育人方面的支持。學生在與教師的和諧互動過程中，教師能夠詳細了解學習者對“光現象”知識點的掌握程度，特別是能夠了解學習者在學習過程中所存在的情感以及內在心理活動情況。通過師生互動及其教師對學習者知識點的針對性指導，學生的學習動機、困惑以及學習方法得到了明顯提升，對“光現象”知識點也實現了高精準掌握。

(三)智適應學習效果與優勢

1.知識點掌握的精準度顯著提升

學習者通過智適應學習模式學習后，對“光現象”知識點的掌握精準度、理解能力以及應用能力明顯提升。在“學前智檢”的學習者知識點測試中，選擇題正確率為40%，應用題正確率為30%，綜合評價得分為52分。通過智適應學習模式學習后，學習者的選擇題正確率為90%，應用題正確率為80%，綜合評價得分為85分。

2.學習者的興趣明顯增強

學習者在整個“光現象”知識點的學習過程中表現出積極的學習動機和濃厚的學習興趣，具體學習體驗包括三個方面，即：精準掌握自己的薄弱知識點、多維評價指標的詳細呈現、友好的在線互動交流。學習者認為，在經歷了“先行測試報告、知識點學習報告、綜合學習報告、鞏固測試報告、當堂報告”等一系列測評后，對“光現象”的知識點有了更加深刻的理解，對“光現象”知識點的廣度、深度以及之間的聯系有了系統掌握，通過與教師對薄弱知識點或者錯誤知識點的討論進一步促進了學習者對知識點的理解與能力提升。此外，在線教師的遠程輔導與情感溝通，進一步促進了學習者的知識點理解，提升了智適應學習系統對學習者的吸引力。

3.學習效率得到迅速提高

教師講解以及知識點測評針對學習者的知識薄弱環節進行，避免了刷題行為所導致的大量學習時間浪費。平時的課堂練習或者家庭作業經常使該生忙于處理各種自己熟知的知識點，難以擠出時間去探究令自己困惑的難題。相比之下，智適應學習平臺則通過學習者的知識點測評，精準分析出學習者有限的薄弱知識點。因此，遠程輔導教師將針對有限的知識點對學習者進行輔導，學習者也將更多地時間用于探究相應的學習內容。

簡言之，智適應學習模式與課堂教學相比具有三大基本優勢：第一，1:1的專家型“教師”輔導。師資分布不均衡以及班級化授課使得學生難以得到專業教師的一對一個性化學習輔助，智適應學習系統隨著學習者的學習行為發展會變得更加聰明，能夠向學生推送精準的學習資源和學習資料，使每一位學習者都具有能夠懂自己、幫助自己進行個性化學習的專家型教師。第二，高效率的精準學、練、測。智適應學習系統避免了通過大量重復性測驗提升學習者成績的方法，能夠針對學習者的薄弱知識點提供學習資料、視頻抑或文檔，極大地節省了他們的時間，顯著地提高了他們的學習效果和效率。第三，人機融合的混合學習模式。人機融合消解了學生學習時的孤獨感，實現了智適應學習系統的精準學習支持，促進了教師與學生在情感、溝通或者引導等方面的有機融合，進一步提高了學習者的學習動機、學習興趣和學習持續性。

(四)研究局限與對策

1.模式應用范圍

智適應學習模式的應用案例表明，學習者對智適應學習效果以及學習體驗高度認可，學習者的知識點掌握程度得到明顯提升，但是由于智適應學習系統尚處于推廣階段，主要應用于K12的培訓機構中，幾乎未進入到學校的教育體系，無法進行大規模學習者的學習效果實驗比較。在當前的教育體系中，國家教育部門需要投入研發類似的人工智能技術，進而滿足班級授課制中學習者個性化的學習需求。

2.知識點的表征

納米級知識點為精準定位學習者的薄弱知識點和學習捷徑引領提供了有力條件，但是乂學習系統中并未為學習者開發出針對不同知識點的多元化表征資源，主要由在線教師講解和教育機器人的輔導完成，學習者難以通過操作、觀看以及實驗的方式進行探究性學習，師生之間的互動仍然以知識的傳授為主，如何從知識傳授到知識共生的轉變是智適應學習面臨的挑戰。從知識傳授到知識共生進行轉變的最好方式之一是向學習者提供針對知識點的多元化表征資源，能夠為學習者創造一個可供探究的學習環境。

五、結語與展望

人工智能的最大特征是能夠模仿人類的知識、技能、推理以及智慧以完成復雜的行為和目的，“人工智能+自適應學習”打造出了具有專家型教師素養的智適應性學習系統，能夠像專家型教師一樣實現對學習者知識點的精準教學和學習路徑的引導。智適應學習系統通過算法、納米級知識點以及知識空間理論等，實現了對學習者知識點的精準定位、個性化的專家型教師指導以及多模態的學習評價。智適應學習系統及其學習模式為人工智能促進個性化學習提供了卓越的理論和實踐范式，實現了“因材施教、因材促學”的理想學習方式。智適應學習系統利用人工智能技術模擬了近百位特級教師的經驗和智慧， 融合了線上與線下的教育方式，為破解班級授課制中的模式化、標準化的學習困境提供了更好的解決路徑。隨著人工智能技術的飛速發展以及教育應用，學習者的個性化學習需求將會得到更大的滿足，教師角色也將從更多的知識傳授轉向學習引領與育人方向。