基于云平臺的智慧學習系統的設計與應用

張冰雪　李于翔　李霞　侯龍鋒

摘? 要： “智慧學習”整合了智能信息技術與豐富的學習資源及學習活動，是繼遠程學習、數字學習、移動學習、泛在學習之后的第五次教育信息化浪潮，已經成為現代教育改革的熱點和重要政策導向。該文詳細闡述了智慧學習的演變過程、五大特點及四項關鍵技術，在此基礎上，提出一種“基于云平臺的智慧學習系統”的設計結構和功能模型，實現整套系統后將其應用于對外漢語教學環境中。該系統整合了云計算、情境感知、機器學習等技術，集學習情境感知、智慧錄播、資源共享、學習表現預測、內容規劃推薦等多種功能于一體，以期突破傳統教學模式、優化教學資源呈現形式，讓線上、線下深度融合，全面激發課堂中教與學的潛力。經實驗驗證，該系統對于優化教學過程、提升教學效果有較好的促進作用。

關鍵詞： 智慧學習;個性化學習;云平臺;學習系統設計;學習環境設計

中圖分類號： G434? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2019.07.013

【Abstract】： “Smart Learning” integrates the artificial intelligence technology into the learning activities with rich learning resources. It starts another wave of education informatization after distance learning， electronic learning， mobile learning and ubiquitous learning. And it has been a hotspot in modern education reform. This paper describes the evolution process of smart learning， the five characteristics and four key technologies in smart learning. Based on the theory and methods， this paper puts forward the design structure and functional model of “Smart learning system based on cloud platform”. The system realizes a variety of functions such as Learning Context-aware， Smart Recording， Resource Sharing， Performance Prediction， Learning Recommendation， etc. It aims to blended online/ offline study deeply and optimize the form of educational resources by breaking the shackles of traditional teaching model， stimulating teaching potential in an all-round way. The result shows that the Smart learning system exerts a good effect on optimizing the teaching process and improving the teaching results.

【Key words】： Smart learning; Personalized learning; Cloud platform; Learning system design; Learning environment design

0? 引言

“智慧學習”是一種以人為本的學習方式，它設計了能夠自我認知的學習環境，整合了智能信息技術與豐富的學習活動，支持學習者與教師間的有效交互，讓學習者更加方便地獲取學習資源[1-2]。新加坡、美國、韓國等先后將其列入國家發展戰略。2010年7月，國家發布了文件《國家中長期教育改革和發展規劃綱要（2010-2020年）》，強調教育信息化的重要性。2015年9月，北京師范大學智慧學習研究院發布了《中國智慧學習環境白皮書》。2018年4月，教育部發布了《教育信息化2.0行動計劃》，明確了“互聯網+教育”的具體行動方案。智慧學習已成為教育界的改革熱點和政策導向。教學方式、學習理念、教育理論、學校組織將在智慧學習的推動下發生巨大變化[3-5]。

1? 智慧學習的演變及特點

智慧學習是繼遠程學習、數字學習、移動學習、泛在學習后的第五次教育信息化浪潮[6-7]。遠程學習（d-Learning）打破了傳統教學活動空間上的一致性，令教師與學習者從空間上得以分離，通過為遠程學習者開發學習材料以及提供學習服務，產生教育交互活動。電子學習（e-Learning）打破了傳統教學活動時間上的一致性，使得學習者能夠自由安排學習時間，通過PC端和筆記本完成學習過程。移動學習（m-Learning）運用移動設備和無線技術，使得任何人在任何時間、任何地點都能夠進行學習。相較于電子學習，移動學習強調更有效的利用碎片學習時間、更充分的關聯學習內容與學習場景以及更自然的建立學習伙伴間的交互渠道。泛在學習（u-Learning）解放了學習過程對于設備的依賴，強調對于學習情境信息的感知能力，包括個人信息、環境信息等，營造無處不在的學習服務和學習過程[8]。

伴隨著先進技術的應用，教育信息化迎來了第五次改革浪潮，即智慧學習（Smart Learning或s-Learning）的浪潮。陳琳等學者認為，“智慧學習是支持和促進人在信息時代個性發展、特色發展、全面發展、終身發展、內驅發展、創新發展的學習，是伴隨有思想激蕩、智慧碰撞的學習，是為了促進與服務社會發展的學習[9]”。祝智庭認為，智慧學習的真諦就是通過構建技術融合的學習環境，讓教師能夠施展高效的教學方法，讓學習者能夠獲得適宜的個性化學習服務和美好的發展體驗，使其由不能變為可能，由小能變為大能，從而培養具有良好的價值取向、較強的行動能力、較好的思維品質、較深的創造潛能的人才[10]。隨著人工智能等新技術在各領域內的應用，學者們通過技術層面定義智慧學習環境：智慧學習是運用人工智能、物聯網、云計算、大數據、VR/AR等這些新時代技術，分析與發掘學習過程與外界環境的交互和聯系，深刻認識學習發生的原因，從而進一步為學習者提供更好的學習條件[11][12]。以上觀點雖對于智慧學習的定義有所不同，但都體現了智慧學習以學習者為核心，以更

好服務個性化學習為目標的本質。2018年，國家自然科學基金委新增“教育信息科學與技術”申請代碼，加強信息技術與教育的深度融合，促進智慧學習研究的開展，熱點方向包括教育大數據分析與應用、學習分析與評測、自適應個性化輔助學習等。對于智慧學習中的關鍵科學問題將會得到廣泛和深入的研究。通過整理眾多國內外相關文獻，提煉得到智慧學習的五大特征：全面感知、自適應、個性化、互動化、資源關聯[13]。

1.1? 全面感知

智慧學習環境運用物聯網、情景感知等技術，從物理感知，情境感知，社會感知三個方面，捕捉教學者、學習者以及學習環境等動態變化的數據。例如通過獲取學習者所處環境的空氣溫濕度，音響大小，燈光強弱等，從而與學習者的學習情境進行調節匹配;通過傳感設備和計算機設備獲取學習者身份標識，以及其所處的空間、時間環境、資源的使用情境、實時交互信息以及歷史數據等等，從而提供合適的服務和任務;通過感知學習者的社交網絡，進一步分析得到其學習風格、學習興趣等[14]。

1.2? 自適應

智慧學習感知學習上下文環境，通過深入挖掘相關信息，區分不同學習者的學習風格、學習狀態等特征，并運用學習分析技術，按需推送最合適的學習資源，同時分配最合適的學習任務以及適宜的在線學習空間展現形式，讓學習者享受“所得即所需”的學習體驗[15][16]。學習環境中可被自適應的方面包括：（1）學習內容，學習資料;（2）學習內容的顯示格式;（3）學習內容的顯示密度;（4）教學策略;（5）學習路徑;（6）教學游戲情境;（7）練習題及測試題;（8）學習者分組;（9）在線學習空間展現形式等。

1.3? 個性化

提供個性化的學習服務是智慧學習的顯著特征。沒有兩個學生是一樣的，他們來自不同的家庭，擁有不同的認知能力，以不同的速度學習和遺忘。個性化的學習服務能夠針對不同學生因材施教，體現為三個層次：首先，學生進入一個新的學習環境，智慧學習環境通過全面感知學生，為其提供合適的學習資源;第二個層次是學生在深入學習的過程中，學習內容并不是一成不變的，而是會隨著他的學習狀態以及學習需求的變化而變化;第三個層次是智慧學習環境會根據學生在學習過程中的學習狀態的變化，提供一系列的個性化交互，達到更加精準的提供個性化服務的目的。

1.4? 互動化

智慧學習環境支持多向的互動交流，能夠實現學生與教師、學生與學生間的一對一、一對多或多對多的交流。便利的互動交流，能提升學生的學習興趣。這種協作式的學習環境，能夠根據學生的學習特征和學習需求形成學習群體，有效減少遠程學習所帶來的孤獨感。

1.5? 資源關聯

智慧學習背景下的學習資源應為智慧化的教學和學習提供必需的支撐。學習資源通過語義網技術和本體技術，被分割、組織、匯聚、聯通和管理，學生通過碎片化的時間和地點完成學習任務。在這種模式下，課程內容被分成許多小模塊，模塊及模塊之間存在著一定聯系，學生通過拼圖式的學習，消化每一個模塊，完成大課程的拼接過程。

2? 智慧學習關鍵技術及典型系統

智慧學習通過融入云計算、大數據、情境感知、機器學習等先進技術，進一步促進教育數據的無縫傳輸、信息的挖掘及應用，達到對教、學、教育決策的支持。下面將闡述云計算、大數據、情景感知、機器學習這四種智慧學習關鍵技術的概念及其在教育領域中的特質，并對國內外智慧學習系統的現狀做簡要分析。

2.1? 智慧學習關鍵技術

（1）云計算

云計算是傳統計算機與網絡技術融合的產物，采用虛擬化、多租戶、分布式的方式，將部署在世界各地的信息資源組合在一起，形成計算資源池，提供超級計算和存儲能力。教育領域中運用云計算技術：（1）可以有效管理龐大、多樣的教育資源，根據用戶的需求進行實時調度與共享;（2）教育數據的計算和存儲在云計算中實現了分離，學習者及學習資源等信息可以交由云平臺的安全機制進行安全性的保障。

（2）大數據技術

大數據技術即是探究將數據挖掘、機器學習等技術運用于龐雜的信息資產上，以期獲取潛在的、更有價值的信息。教育領域中運用大數據技術，對教學過程產生的大量的、來自不同設備及系統的教學數據進行感知、存儲、分析和挖掘，及時掌握學習者動態，進而制定個性化、自適應的學習內容和學習體驗[17-18]。

（3）情景感知

情境感知計算指通過傳感器獲得關于用戶所處環境的相關信息，自適應地改變系統功能，如用戶界面呈現的改變，推送式服務的改變等。教育領域中運用情景感知技術，能夠支持無縫學習環境，使得學習者可以隨時隨地享受信息空間與物理空間相融合而帶來的學習支持服務;也能夠對于學習情境實時建模，結合移動計算技術，依據當時情境做出決策并且自動提供一系列的響應。

（4）機器學習技術

機器學習技術可以從數據中自動分析獲得規律，從而實現對未知數據的猜測[19]。教育領域中運用機器學習技術：（1）能夠發現學習者在學習過程中的規律和習慣，預測未來學習表現。（2）基于情境感知技術所獲得情境信息，機器學習技術為學習者規劃最優的學習路徑及開展方式，達到最佳學習體驗。（3）機器學習技術能夠對領域專家構建的知識進行抽取、匯總和分類，并從已有知識和實例中產生新的知識。通過這種自組織和自學習的方式，不斷完善教育資源庫。

2.2? 典型系統

智慧學習系統構建已經成為智慧學習研究的熱點，受到計算機科學、教育學和信息管理科學等眾多領域的研究人員的關注。研究主要集中在設計智慧學習系統的結構和功能、開發適應性學習策略和算法。由于受到學習者對新型學習環境的適應能力以及學科知識的外顯能力的限制，現階段的智慧學習系統的應用主要集中在大學和中學階段，應用的學科主要集中在自然科學、數學和計算機學科[20]。

國內學者曹育紅等，融合云計算，情景感知技術，利用云平臺第三方AppScale項目構建了智慧學習云平臺，實現學習者在線行為捕捉，教育資源的管理和推送[21]。但是由于缺少對學習者更全面的建模，在資源的推送上沒能很好的滿足智慧學習環境個性化的特點。學者高瑞等，運用云計算，大數據，機器學習技術，基于IRT構建用戶模型，設計出智慧學習視角下在線學習成績智能測試系統，實現了對用戶在線成績的預測[22]。但是該系統只是完成了學習者的知識建模，并未提供學生自適應的學習推薦。國外的學者對于智慧學習系統的研究和設計更加多元化，西班牙學者Griol等融合情景感知，機器學習技術，在Second Life或OpenSimulator中結合Moodle學習管理系統，嵌入式對話Metabots以及可編程3D對象，構建了虛擬的智慧學習系統環境。結果表明，這種沉浸式的學習環境促進了學習者的協作能力，幫助其了解更復雜的概念[23]。這種虛擬環境的構建，更加體現智慧學習的全面感知，互動化等特性，但在自適應性能上依舊有所欠缺。韓國學者Kim等基于云平臺，運用情景感知技術，獲取學習者的行為數據，并利用云計算，機器學習技術，構建學習者畫像，提供個性化、定制化的學習服? ?務[24]。然而該系統對資源處理上有所欠缺，不能滿足資源關聯的特點。

3? 基于云平臺的智慧學習系統

針對現有智慧學習系統構建不完善，智慧性只是單一的體現在教學、資源、測評中的某一方面，不能涵蓋教與學整個過程的缺陷，本文通過緊扣智慧學習全面感知、自適應、個性化、互動化、資源關聯的五大特征，設計了基于云平臺的智慧學習系統的框架結構和功能模型。通過利用云計算、大數據、情境感知、機器學習等新一代信息技術，集學習情境感知、智慧錄播、資源共享、學習表現預測、學習規劃推薦等多種功能于一體，為教師和學習者構建一個全面的智慧學習環境，以期能夠突破傳統教學模式，優化教學過程，全面激發教與學的潛力。

3.1? 系統架構

基于云平臺的智慧學習系統架構如圖1所示。

（1）一體化接入層：允許學習者、教師、管理員三類用戶統一接入智慧學習系統，不同角色的用戶分別獨立操作相應的空間，便于資源和服務的使用和管理。

（2）云平臺服務層：通過云的軟硬件設施服務，對教學過程中產生的數據、教師以及學習者個人網絡空間、學習內容資源，以及院本資源和校本資源進行統一存儲管理和實時調度，改進了以往在線學習平臺對于數據的存儲及處理能力。

（3）智慧應用層：智慧應用層是整個學習系統的核心，具體包括學習情境感知子系統、智慧錄播子系統、資源共享子系統、學習表現預測子系統、學習規劃推薦子系統。

該系統架構設計能夠有效減輕終端設備的配置要求，強大的云計算與存儲功能為系統提供高效穩定的服務，并將教學、資源、測評、推薦融為一體，實現教學的最佳組合。

3.2? 系統功能設計

智慧學習系統應用層的五個子系統體現了系統的全部功能，在這些子系統中，數據通過采集存儲、更新融合、感知分析，從最基本的記錄學習者在線行為，到預測未來學習表現和規劃最優學習路徑，促進學習者更加高效的學習。

（1）學習情景感知系統

學習情境感知系統按照知識獲取及內化過程的四個維度，即信息覺察、信息輸入、信息處理、信息理解，全面感知學習者特點，如圖2所示。通過抓取體現上述四維情境的特征信息進行建模，對學習者進行聚類分組，經由混合式學習情境挖掘算法計算，快速、全面、準確的構建學習情境，從而在學習者知識獲取全過程提供自適應的學習服務，真正做到提供給學習者全套個性化學習幫助的目標，達到過程與結果雙導向的學習效果。

學習情境感知系統收集40項學習者在線行為信息，包括學習者的閱讀內容、內容類型、瀏覽時長、操作行為順序、活躍度、測試結果等，輸入混合式學習情境挖掘算法，經算法計算感知學習者四維情境信息，即信息覺察維度、信息輸入維度、信息理解維度、信息處理維度，進而提供自適應、個性化的學習服務，達到優化學習過程、提高學習效率的目標。該方法感知、理解學習者特有的學習傾向、自身特點，并自組織、提供適應個體的學習體驗，從而順應其學習規律，滿足學習期望，提升學習效率。

（2）實時錄播系統

實時錄播系統的工作流程如圖3所示。系統運用智慧錄播技術對本地智慧課堂進行錄制，并直接按知識點將錄制內容智能碎片化，通過云端以同步或者異步的方式，傳遞到學習者的終端以及智慧教室，實現資源生產的全自動。和傳統的信息化平臺相比，教學課程能夠線上、線下實時同步進行，學習者可以通過移動終端，進行課程的點播，收看實時直播的課程，與教師進行課堂的互動，及時解決學習中的問題。其中，智能碎片化是自動將錄播課程實時碎片化為每頁課件或者板書為顆粒度的微課程，并關聯相應的音視頻、筆記、課件和互動等信息。課后學習者可以在移動端上進行異步復習。這些細粒度的學習課程，不需要花費學習者過多的時間，在任意的地點，只需要零碎的時間就能學完。這樣給學習者提供了十分彈性的時間和空間，大大提高了學習者學習的靈活性，符合泛在學習的應用情境。

（3）資源共享系統

資源共享系統將學習者、教師上傳的課件以及實時錄播系統傳過來的課程進行存儲，并提供搜索的接口。通過公共資源、配套資源、共享資源界面，學習者和教師可以根據權限下載所需的課件。同時，在資源界面還可以進行查看資源信息，收藏資源操作。用戶可以通過對資源的評論、回復，與其他用戶進行互動，實現用戶間的資源共享和交流。用戶還可以通過查看資源描述，以及資源的關聯資源，關鍵字的檢索，快速定位課件，如圖4所示。

（4）學習表現預測系統

學習表現預測系統利用IRT（項目反映理論）評定知識點難度及學習者掌握能力，并采用貝葉斯原理，預測每個學習者對于不同知識點的未來答題情況。系統工作流程主要分為以下幾個步驟：第一步，從云端獲取學生的在線學習行為數據，包括從學習情景感知系統中得到的學習者特征，以及學習者個人數據庫中學習狀態;第二步，運用預測引擎，創建學習者模型，對學習者未來表現進行診斷預測;第三步，將預測結果可視化提供給教師，為其提供教學計劃指引，同時，結果發送給學習者，幫助其精準認清目前學習情況，激發學習動機，提高學習效率。實驗選用美國教育數據挖掘科研用公開數據Assigment2作為訓練、測試數據。此數據為中學學生數學學科的真實答題記錄，常被用于學習者行為分析，以及學習者未來情景預測的研究。通過已構建的模型，對學習者未來答題得分進行預測，平均預測準確率為82%。實驗結果如表1所示。

基于上述模型算法，我們將其應用在對外漢語教學的實例中（詳見第五章節）。在真實的學習場景下，學習表現預測系統能夠全面地反饋學習者的學情信息。其中，學習者視圖如圖5所示，教師視圖如圖6所示。學習者視圖中展示了某位學習者的歷史答題情況，并顯示系統對于該學習者未來答題表現的預測。同時，詳細列出了該學習者對于每一個已考察的知識點的掌握情況，以及對于未考察過的知識點的可能答對概率。教師視圖中展示了教師所教班級對此課程掌握情況在學校中、在平臺內的 排名情況，該班級整體對該課程內各個知識點的掌握情況，該班級對這門課程的掌握情況的歷史變化，以及教師能夠進入每一個同學的詳細頁面進行查看。

（5）學習規劃推薦系統

學習規劃推薦系統首先建立學科知識圖譜。在本系統中，不采用自然語言處理技術去自動構建學科知識圖譜，而是基于學科專家經驗進行圖譜的構建。因為，在實際教學過程中，某一學科專家擁有多年積累下來的教學經驗，本系統目的在于基于專家經驗，利用先進信息技術來輔助現有教學。構建知識圖譜分為兩個步驟：（1）由學科專家對學科中的概念進行劃分，梳理之間的關系，并將學習內容與知識圖譜連接起來;（2）將知識圖譜數據化，利用有向無環圖結構描述知識圖譜，圖中的節點代表知識點，圖中的邊表示知識點間的關系。

學習規劃推薦系統接著便開始訓練帶有轉移概率的知識圖譜。系統利用概率圖形模型（Probabilistic Graphical Models），其中包含了貝葉斯神經網絡和馬爾科夫隨機場等方法，將學習表現預測系統中得到的學習者能力及知識點難度與知識圖譜聯系起來，得到帶有轉移概率的知識圖譜，用來深度洞察學習者薄弱知識點及進行學習路徑規劃。例如，一般推薦方法中，如果學習者對于C知識點掌握不好，系統會反復推薦練習C。本課題研究中會考慮C知識點沒有掌握好，是否因為前繼知識點A或B沒有掌握到位的情況。判斷依據來自于帶有轉移概率的知識圖譜，系統依此進行自適應的學習路徑規劃。如圖7所示。

4? 系統案例研究及效果評估

課題組以對外漢語教學場景為研究案例，開展基于云平臺的智慧學習系統的應用研究。課題組與兩所大學的國際交流學院開展智慧學習系統合作研究課題。通過該系統，課題合作單位開展針對對外漢語1-6級HSK等級考試的教學輔導工作。另有部分來自校外對外漢語培訓機構、個人對外漢語教師使用本系統輔導學生進行HSK等級考試的學習和練習。

本次案例研究選取了53名教師作為調查對象。其中，33人來自大學的國際交流學院，4人來自對外漢語培訓機構，另外16人為個人對外漢語教師。面向的學習者為外國留學生，其中一半以上在18歲到25歲之間。針對系統的有用性、易用性、認知負擔三個方面分別對53名教師進行調查。問題答案采用五點李克特量表形式，其中“5”代表非常同意，“1”代表非常不同意。調查所得結果如下表2所示。

表中前六項從不同角度考察智慧學習系統的有用性。平均值分別為3.9，4.0，4.4，4.4，4.5，4.1，這說明了教師基本認為基于云的智慧學習系統能夠提高他們的教學效率。有教師指出，學習系統提供的豐富的課程資源，能夠簡化他們的備課過程;系統提供的成績統計功能，節省了大量的時間和精力，提高了他們的教學效率;而也有部分教師認為，系統提供的資源過于龐大，查詢起來比較耗時，這可能也是項目1分數略低的原因。同時，六項的標準偏差均小于1，得出參與者的答案沒有太大的差異，表示參與者對智慧學習系統有用性的認可。

表中項目7-9側重于評估參與者對系統易用性的接受程度。項目7和9的平均值超過4，標準偏差小于1。這說明系統在操作過程中響應度良好，比較容易上手。但是從項目8低于4的平均值，以及大于1的標準偏差可以看出，系統在使用過程中有不穩定的現象發生，需要進一步改進。

表中項目10-12旨在考察系統對使用者造成的認知負擔。三項平均值分別為3.7、4.3和4.2，表示教師對該系統的認知負擔進行了積極的評價。多數人認為，在使用系統的過程中，經過一、兩次教學，就能對系統操作非常熟悉。但是，從項目10略低的平均值以及其超過1的標準偏差，發現不是所有的參與者都能快速適應這個系統。這意味著，如果要鼓勵更多的教師使用這個系統，尤其是那些習慣傳統教學的教師，那么需要更仔細地設計導航和界面。

上述評估結果證明，基于云平臺的智慧學習系統對于教師的教學是有幫助的。它能幫助教師更加方便的組織和開展教學活動。我們未來的工作將把該智慧學習系統應用于其他教學領域，探索在不同教育領域中應用的共性及差異需求。

5? 結束語

智慧學習是教育信息化發展的產物，是必然趨勢。智慧學習以學習者為中心，全方位提供個性化的服務，使學習者能主動而有效的投入學習。本文提出的以云平臺和大數據為基礎，融合情景感知、機器學習等技術的智慧學習系統，能夠即時獲取龐大的云資源，并能有效預測以及規劃學習者的學習內容，能夠滿足了龐大的在線學習群體的個性化學習需求。通過案例調查數據表明，學習者和教師更喜歡利用這樣的學習系統來進行學習和教學，他們能夠通過系統比較輕松地獲取自己所需要的資源，從而提高教與學的效率。

參考文獻

[1] 黃榮懷. 智慧教育的三重境界： 從環境、模式到體制[J]. 現代遠程教育研究， 2014， （6）： 3-11.

[2] 祝智庭. 智慧教育： 引領教育信息化走向人本主義情懷[J]. 現代教育， 2016， （7）： 25-27.

[3] 閆實， 付佳， 石莉. 大數據環境下基于智慧校園的教學改革[J]. 軟件， 2018， 39（2）： 208-211

[4] 黃榮懷， 楊俊鋒等. 從數字學習環境到智慧學習環境——學習環境的變革與趨勢[J]. 開放教育研究， 2012， （1）： 75-84.

[5] 黃超， 唐子蛟. 基于云計算技術的智慧校園平臺建設研究[J]. 軟件， 2018， 39（5）： 27-30

[6] Desmond Keegan. 從遠程學習到電子學習再到移動學習[J]. 開放教育研究， 2000， （5）： 6-10.

[7] 賀斌. 智慧. 學習： 內涵、演進與趨向——學習者的視角[J]. 電化教育研究， 2013， 34（11）： 24-33.

[8] 楊現民， 余勝泉. 生態學視角下的泛在學習環境設計[J]. 教育研究， 2013， 34（3）： 98-105.

[9] 陳琳， 王蔚等. 智慧學習內涵及其智慧學習方式[J]. 中國電化教育， 2016， （12）： 31-37.

[10] 祝智庭. 智慧教育新發展： 從翻轉課堂到智慧課堂及智慧學習空間[J]. 開放教育研究， 2016， 22（1）： 18-26

[11] 梁子鑫. 探討新時代背景下新興技術在人工智能中的應用[J]. 軟件， 2018， 39（7）： 166-169

[12] 閆志明， 唐夏夏等. 教育人工智能（EAI）的內涵、關鍵技術與應用趨勢——美國《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》報告解析[J]. 遠程教育雜志， 2017， 35（1）： 26-35.

[13] 吳南中， 王覓. 基于情境感知的智慧學習環境探究[J]. 現代教育技術， 2016， 26（5）： 18-23.

[14] 胡旺. “互聯網 ”教育背景下智慧學習生態環境構建研究[D]. 徐州： 江蘇師范大學， 2017.

[15] 許益通， 張冰雪， 趙逢禹. 基于學習風格的自適應學習內容推薦研究[J]. 軟件， 2018， 39（4）： 01-08

[16] 黃誠， 張冰雪， 趙逢禹. 在線學習風格識別技術與方法研究[J]. 軟件， 2018， 39（4）： 97-102

[17] Suciu G， Vulpe A， et al. Cloud Computing and Big Data As Convergent Technologies For Mobile e-Learning[A]. 10th International Scientific Conference e-learning & Software for Education[C]. Bucharest， Romania： Carolnatl defence univ publishing house， 2014. 113-120.

[18] Udupi P K， Malali P， et al. Big data integration for transition from e-learning to smart learning framework[A]. 3rd Mec International Conference on Big Data and Smart City （ICBDSC）[C]. Muscat， Oman： IEEE， 2016. 268-271.

[19] 黃克斌， 彭文輝. 機器學習與現代教育技術[A]. 中國人工智能學會計算機輔助教育專業委員會. 計算機與教育——全國計算機輔助教育學會第十二屆學術年會論文集[C]. 北京： 中國人工智能學會計算機輔助教育專業委員會， 2005. 156-159.

[20] 李葆萍， 江紹祥等. 智慧學習環境的研究現狀和趨勢——近十年國際期刊論文的內容分析[J]. 開放教育研究， 2014， 20（5）： 111-119.

[21] 曹育紅， 袁南輝等. 職業技能傳承智慧學習環境的支撐技術[J]. 中國電化教育， 2016（3）： 87-89.

[22] 高瑞， 朱榮. 智慧學習視角下在線學習成績智能測試系統設計[J]. 現代電子技術， 2018， 第41卷（14）： 154-157.

[23] Griol D， José Manuel Molina， et al. An approach to develop intelligent learning environments by means of immersive virtual worlds[J]. Journal of Ambient Intelligence & Smart Environments， 2014， 6（6）： 237-255.

[24] Kim S， Song S M， et al. Smart Learning Services Based on Smart Cloud Computing[J]. Sensors， 2011， 11（12）： 7835-7850.