智能自適應(yīng)學(xué)習(xí)系統(tǒng)研究

劉斌

摘要：在本文中，綜述了智能自適應(yīng)學(xué)習(xí)平臺的相關(guān)研究。首先介紹了國內(nèi)外在這一研究領(lǐng)域的發(fā)展過程。其次，介紹了智能自適應(yīng)學(xué)習(xí)平臺的研究方法、技術(shù)路線和實驗方案。然后介紹了相關(guān)模型的研究內(nèi)容。此外，給出了為解決相關(guān)問題而進(jìn)行的針對性的設(shè)計。最后，總結(jié)了解決不同問題而采取的措施，以及達(dá)到的效果。

關(guān)鍵詞：智能;學(xué)習(xí)系統(tǒng);研究

中圖分類號：TP311.5 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）12-0139-02

0 引言

自適應(yīng)學(xué)習(xí)長期以來一直是教育研究領(lǐng)域所關(guān)注的話題。其中，智能自適應(yīng)學(xué)習(xí)是“人工智能+教育”的實現(xiàn)。學(xué)習(xí)者都希望接受優(yōu)質(zhì)教育，但優(yōu)質(zhì)的教育資源終究有限，以人工智能技術(shù)模擬優(yōu)秀教師的教學(xué)行為，以學(xué)生學(xué)習(xí)的大數(shù)據(jù)為基礎(chǔ)，通過機器學(xué)習(xí)與訓(xùn)練，理解學(xué)生學(xué)習(xí)所處的情境，不斷通過數(shù)據(jù)分析獲得學(xué)習(xí)者目前的學(xué)習(xí)水平與狀態(tài)，并且相應(yīng)地調(diào)整學(xué)習(xí)活動與進(jìn)程，為學(xué)生推薦最有價值的知識點，最大限度地提升學(xué)習(xí)效率，幫助學(xué)習(xí)者實現(xiàn)差異化的學(xué)習(xí)，真正做到因材施教，最終實現(xiàn)個性化教育。

國外從上世紀(jì)90年代，開始研究自適應(yīng)學(xué)習(xí)技術(shù)，相繼開發(fā)了AnnotetEd、ApeLST、HDEAL、IWeaver、ALFENE等智能自適應(yīng)系統(tǒng)隨著信息技術(shù)的發(fā)展，自適應(yīng)學(xué)習(xí)和人工智能的結(jié)合越來越緊密，并且受到了國內(nèi)外學(xué)者的廣泛研究。我國對智能自適應(yīng)學(xué)習(xí)系統(tǒng)的研究開始于2002年，目前看主要集中在理論研究階段[1-11]。

1 研究內(nèi)容

智能自適應(yīng)學(xué)習(xí)系統(tǒng)分為三個核心部分：行業(yè)知識模型、自適應(yīng)推薦模型和基于學(xué)習(xí)者的模型。

1.1 行業(yè)知識模型研究

行業(yè)知識模型是基礎(chǔ)。將采用谷歌提出的知識圖譜工具，來實現(xiàn)行業(yè)知識模型的構(gòu)建;為滿足系統(tǒng)的實用性需求，以大量學(xué)習(xí)者的學(xué)習(xí)路徑數(shù)據(jù)作為訓(xùn)練樣本，采用深度學(xué)習(xí)算法來分析和挖掘知識點之間的關(guān)聯(lián)規(guī)則，從而更新行業(yè)模型。知識圖譜實現(xiàn)流程見圖1。

1.2 學(xué)習(xí)者模型研究

學(xué)習(xí)者模型是對研究對象（參與者）的模型構(gòu)建，包括學(xué)習(xí)者知識模型和學(xué)習(xí)行為模型。主要考察學(xué)習(xí)者的基本信息、學(xué)習(xí)能力、學(xué)習(xí)行為、學(xué)習(xí)水平等主要因素，基于數(shù)據(jù)和覆蓋來實現(xiàn)學(xué)習(xí)者知識模型的構(gòu)建。

自適應(yīng)學(xué)習(xí)模型原理如圖2所示，這是一種基于無監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型，采用了自編碼技術(shù)，可以有效解決傳統(tǒng)構(gòu)建方式在預(yù)測精度、魯棒性、以及冷啟動等問題。通過把學(xué)習(xí)者的基本信息、學(xué)習(xí)能力、學(xué)習(xí)行為、學(xué)習(xí)水平等作為輸入數(shù)據(jù)，從而獲取數(shù)據(jù)之間的潛在特征，即編碼，使用這些編碼可以實現(xiàn)新數(shù)據(jù)的生成、干擾信息的清除，最終訓(xùn)練的結(jié)果使x與x達(dá)到一致（或者盡量接近）。

1.3 自適應(yīng)推薦模型研究

推薦模型可以實現(xiàn)學(xué)習(xí)者的最優(yōu)學(xué)習(xí)路線，這里主要研究使用蟻群算法對路徑的推薦，蟻群算法主要是對螞蟻覓食行為進(jìn)行人工模擬，主要包括信息素的累積階段、通過螞蟻協(xié)作優(yōu)化路徑兩個階段;將蟻群算法的最短路徑搜索思路應(yīng)用于推薦模型中，可以根據(jù)學(xué)生者學(xué)習(xí)的歷史數(shù)據(jù)實現(xiàn)最優(yōu)學(xué)習(xí)路徑，如下一步學(xué)習(xí)者該學(xué)什么內(nèi)容、內(nèi)容的難度安排如何、學(xué)習(xí)時長、教師團(tuán)隊的變更等，從而實現(xiàn)學(xué)習(xí)者的高效學(xué)習(xí)。

2 系統(tǒng)實現(xiàn)

綜合運用認(rèn)知理論、學(xué)習(xí)理論、大數(shù)據(jù)技術(shù)、人工智能等學(xué)科知識和技術(shù)，實現(xiàn)人工智能技術(shù)與教育的深度融合，以實現(xiàn)因材施教、個性化學(xué)習(xí)的目標(biāo)。系統(tǒng)由數(shù)據(jù)層、應(yīng)用層和展現(xiàn)層三層結(jié)構(gòu)組成，不同層級之間通過系統(tǒng)內(nèi)部的接口進(jìn)行數(shù)據(jù)、信息的交互，降低系統(tǒng)耦合，提高系統(tǒng)的穩(wěn)定性，便于系統(tǒng)的擴(kuò)展，架構(gòu)如圖3所示。

第一層（底層）為數(shù)據(jù)層，負(fù)責(zé)核心數(shù)據(jù)的數(shù)據(jù)庫存儲和資源文件的分布式文件存儲，分布式文件存儲系統(tǒng)支持海量資源的存取訪問，隨著資源的擴(kuò)充可以方便地進(jìn)行水平擴(kuò)容。

第二層是應(yīng)用層，主要包括系統(tǒng)平臺級別的基礎(chǔ)服務(wù)子層、具體的業(yè)務(wù)邏輯子層和面向展現(xiàn)的控制層接口。基礎(chǔ)服務(wù)即系統(tǒng)平臺所具備的核心能力，如知識領(lǐng)域模型、學(xué)習(xí)特征模型的建立和管理等。業(yè)務(wù)邏輯子層即實現(xiàn)了系統(tǒng)各項具體的業(yè)務(wù)功能，包括資源庫的建立、訪問和維護(hù)，學(xué)生的自主學(xué)習(xí)、智能學(xué)習(xí)分析和定制化的學(xué)習(xí)規(guī)劃，智能化的資源推送功能，以及學(xué)生和教師之間的交流互動等業(yè)務(wù)。面向展現(xiàn)的控制子層主要負(fù)責(zé)提供展現(xiàn)層所需要的頁面及數(shù)據(jù)訪問接口，處理展現(xiàn)層發(fā)來的各項請求，實現(xiàn)具體各項業(yè)務(wù)的訪問和調(diào)用。

第三層層即展現(xiàn)層，主要是利用REST API向使用PC、Android和iOS客戶端的用戶提供系統(tǒng)各項功能的訪問接口。

3 結(jié)語

本文重點闡述了構(gòu)成智能自適應(yīng)學(xué)習(xí)系統(tǒng)的三個核心模型：行業(yè)知識模型、自適應(yīng)推薦模型和基于學(xué)習(xí)者的模型，包括采用深度學(xué)習(xí)自編碼技術(shù)用于學(xué)習(xí)者的學(xué)習(xí)行為模型的構(gòu)建，以解決傳統(tǒng)構(gòu)建方式在預(yù)測精度、魯棒性、以及冷啟動等問題，針對自適應(yīng)推薦引擎，采用群智能蟻群算法。最后提出了智能自適應(yīng)學(xué)習(xí)系統(tǒng)的實現(xiàn)方案。

參考文獻(xiàn)

[1] Knewton.Knewton adaptive learning building the world's most powerful education recommendation engine[DB/OL].[2019-02-25].https：//www.knewton.com/wp-content/uploads.

[2] 韓營，趙蔚，姜強，等.動態(tài)思維導(dǎo)圖引導(dǎo)的知識資源共建共享模型[J].現(xiàn)代遠(yuǎn)程教育研究，2017（01）：105-112.

[3] 菅保霞，姜強，趙蔚，等.大數(shù)據(jù)背景下自適應(yīng)學(xué)習(xí)個性特征模型研究：基于元分析視角[J].遠(yuǎn)程教育雜志，2017，35（04）：87-96.

[4] 姜強，趙蔚，劉紅霞，等.能力導(dǎo)向的個性化學(xué)習(xí)路徑生成及評測[J].現(xiàn)代遠(yuǎn)程教育研究，2015（06）：104-111.

[5] 趙蔚，姜強，王朋嬌，等.本體驅(qū)動的e-Learning知識資源個性化推薦研究[J].中國電化教育，2015（05）：84-89.

[6] Wolf C. iWeaver： towards' learning style'-based e-learning in computer science education[C]//Proceedings of the fifth Australasian conference on Computing education_ Volume 20.Australian Computer Society，Inc.，2013.

[7] 楊雪，姜強，趙蔚.大數(shù)據(jù)分析與教育改革：對2016年第十五屆教育技術(shù)國際論壇的思考[J].現(xiàn)代遠(yuǎn)距離教育，2017（02）：62-75.

[8] 陳仕品，張劍平.適應(yīng)性學(xué)習(xí)支持系統(tǒng)的學(xué)生模型研究[J].中國電化教育，2010（5）：112-117.

[9] 龍三平，張敏.在線學(xué)習(xí)理論研究的現(xiàn)狀與趨勢：基于SSCI數(shù)據(jù)庫（1994-2013年）的科學(xué)計量分析[J].遠(yuǎn)程教育雜志，2014，32（03）：64-70.

[10] 萬海鵬，余勝泉.基于學(xué)習(xí)元平臺的學(xué)習(xí)認(rèn)知地圖構(gòu)建[J].電化教育研究，2017（9）：83-88.

[11] 馮新翎，何勝，熊太純，等.“科學(xué)知識圖譜”與“Google知識圖譜”比較分析：基于知識管理理論視角[J].情報雜志，2017，36（1）：149-153.

Research on Intelligent Adaptive Learning System

LIU Bin

（Artificial Intelligence Education Research Center of? Qilu Normal University， Jinan? Shandong? 250200）

Abstract：In this article， the related research of intelligent adaptive learning platform is reviewed. Firstly， the development process of this research field at home and abroad is introduced. Secondly， the research methods， technical routes and experimental schemes of the intelligent adaptive learning platform are introduced. Then the research contents of related models are introduced. In addition， a targeted design for solving related problems is given. Finally， it summarizes the measures taken to solve different problems and the results achieved.

Key words：intelligence; learning system; research