自適應混合MOOC模式：MOOC設計新范式

姜強 李月 孫潔 趙蔚 劉紅霞

摘要：MOOC擁有龐大且異質的用戶群，其組織形式構成“人人皆學、處處能學、時時可學”的學習型社會，提高知識傳播的效率。但現有MOOC產生了大規模教學與因材施教間的矛盾，不能滿足學習者個性化學習需求。通過梳理詮釋MOOC的既有范式，剖析其設計理念及內在限度，在創生背景下提出了自適應混合MOOC設計新范式。并以項目組設計研發的跟它學自適應MOOC學習平臺為應用示范，闡述了自適應混合MOOC新范式中平臺功能架構、設計流程，注重理論和實際應用的結合。人工智能時代，自適應混合MOOC將沿著基于眾包策略、情境感知、多模態、遷移學習等方面深度發展，突破傳統設計范式的價值創新，推動教育改革走向個性化、差異化。

關鍵詞：abMOOC;自適應;個性化學習;新范式

中圖分類號：G434 文獻標識碼：A

一、引言

在MIT的OCW （Open Course Ware）的示范和指導下，開放教育資源運動不斷地演化與進步，推動其研究與實踐，進而誕生MOOC。它將開放教育從單純的基于資源學習升級到了課程與教學方式的轉變，所具有的開放性、易獲取性等特征利于創建與共享教育資源，滿足用戶獲取優質資源的學習需求，促進教育起點公平，是開放教育領域的一項創新發展新突破。然而，隨著MOOC實踐應用，大家對其推崇、贊美逐漸轉為質疑與反思，MOOC盡管擁有龐大的用戶群體，但每個用戶都是獨立的個體，有其獨特的學習偏好、學習進程、學習期望等。既有的MOOC設計范式難以有效滿足學生的個性化學習需求，一定程度上導致MOOC輟學率高、完課率低。鑒于此，本文在MOOC傳統設計范式及其限度基礎上，提出自適應混合MOOC設計新范式，并以項目組研發的跟它學自適應MOOC學習平臺為案例示范，勾勒了個性化學習在MOOC設計新范式中實現的真實場景。

二、MOOC的傳統設計范式：理念與限度

（一）cMOOC（connectivist MOOC）

基于聯通主義學習理論的cMOOC，強調學習是通過學習者與學習對象之間在線交互發生的，利于激發學習者自組織學習與分享觀點，生成更多的知識，實現社會知識建構與創造，結構模式如下頁圖1所示。cMOOC作為一種動態生成式的課程模式，其學習材料并不是預設好的，而是由教師在社交平臺（如Wiki或Blog）中提出與某一主題相關的活動（包括課程介紹、相關資源、活動主題，通知公告等）作為學習的起點，組織學習者討論，推進學習進程。學習者通過獨立思考、與同伴進行交流分享從而獲得知識，其生成的知識又可以成為課程材料并激發更多的知識生成，極大地拓展了學習者知識探索的限度以及學習能力。

在知識經濟時代，cMOOC對于知識的創造、更新與共享具有重要價值，但該模式對教師和學生的要求相對較高。對教師而言，首先，課程內容是從一個學習主題出發，由學習者之間交互生成的，具有一定的不可控性和非結構化，教師需要具備很強的專業能力才能掌控教學過程;其次，把握教學活動、評估聚合的學習成果等也需由教師完成，當參與者達到一定數量級時，為教師增加了極其繁重的任務量，因此很難保障教學活動有效進行，從而影響課程的學習效果。對學習者而言，完成cMOOC需要自身具備良好的自主學習和元認知能力、媒介信息素養、批判性和創新性思維、溝通關聯能力，能夠自主地進行知識學習、成果交流與討論，從而保證學習有效發生以及知識的再生成[1]。cMOOC具有去中心化、知識動態生成的課程結構和靈活的組織方式，課程資源散布在各個網絡中，學習者能夠自發的從不同網絡中采用不同的方式進行學習，并在社交網絡中與同伴進行資源分享和主題討論。如果缺乏教師及時的指導與幫助，學習者很有可能陷入迷茫的困境，不知從哪里開始學起，如何分配時間與精力及下一步學習方向等。因此，cMOOC尚未形成一個成熟的、便于克隆的、易于多數教師操作的教學模式，大規模推廣性不強。

（二）xMOOC（eXtended MOOC）

基于行為主義、認知主義和建構主義理論的xMOOC，融合了cMOOC的部分理念和傳統教育結構化的課程組織形式，揭開了開放教育運動的新篇章，標志著知識學習的方式將發生變革。xMOOC具有確定的課程目標、系統化的課程內容和完備的教學過程，其教學模式主要包括在線視頻講授、在線測驗以及線上線下討論。與cMOOC不同，xMOOC更強調有組織學習內容和高效率傳播知識，結構模式如圖2所示。在課程開始前，由教師精心篩選、設計、組織、加工結構化的知識，以微課形式呈現預設的課程內容，學習者注冊課程后有計劃、有目標地進行學習。作為一種單向知識傳遞方式，視頻授課更加要求學生在無人監督的情況下對學習內容與交互保持足夠的關注。為保證學習效果，xMOOC中學習視頻都比較短小精煉，并且會在其中穿插即時小測試，以保證學生注意力高度集中，增加學生對課程內容的理解，掌握自身學習狀態、調整學習步調、修正學習策略。課后，學生需要在規定期限內完成并提交作業，采用系統自動批改、學生自評打分和同伴互評等方法，給出學習反饋[3]。

xMOOC結構化、標準化的內容使其具有很強的適用價值和推廣性，但是，xMOOC主要以教授結構化知識為主，其程式化的結構特征注定其難以適應非結構化知識的傳授以及研究性知識的習得，表明其本質是對傳統課堂教學的復制。它強調的仍是一種借助于程序教學理論而形成的個體化認知方式和行為訓練方式，尚未考慮到多對象、多需求和多模式的復雜性，無針對性的教學設計，所有學生具有相同的學習內容、學習流程，忽視了個性化學習需求，能力水平低的學生可能無法跟上課程進度，能力水平高的學生可能會覺得課程過于簡單，沒有挑戰性，不利于培養學生的批判性思維、創新思維和高階思維能力。此外，xMOOC缺乏在學習過程中產生的生成性知識，從而延長了知識生成、傳播、消費的周期，使得教學中的知識更新有一定的滯后性。因此，xMOOC被詬病為“基于互聯網的低成本教育材料分發與共享的‘工具”，人與資源之間的簡單互動代替了人與人的交互，學生依然是獨立的知識個體，缺乏深度學習[4]。

（三）bMOOC（blended MOOC）

從cMOOC和xMOOC的實踐來看，各自具有優缺點，有必要將社交網絡（cMOOC）和課程平臺（xMOOC）、以活動為中心的學習方法（cMOOC）和以內容為中心的學習方法（xMOOC）以及參與者作為純粹的知識接收者（xMOOC）與參與者作為知識生成者相結合（cMOOC），形成混合MOOC（bMOOC），結構模式如下頁圖3所示。學生可以在bMOOC的課程平臺和社交網絡中進行學習，學習資源一方面是由教師以模塊和章節組織形式預先提供，另一方面是由學生在社交網絡中生成的。

bMOOC有助于學生自我調節學習，從而減少網絡迷航，提升學習效率和學習完成率，但它沒有考慮到參與者的異質性特征，如年齡、學習背景、專業知識、學習風格、興趣偏好、思維、目標、天賦、潛能、信念等方面，提供給學生相同的學習資源、路徑、測試、反饋等，沒有解決個性化需求，沒有注重差異教與學，個性化、定制化將會成為未來的學習方向。

三、自適應混合MOOC：創生背景與新范式

（一）創生背景

個性化是學習中心的內在本質，在羅杰斯提出的創新擴散理論中，指出只有個人按照各自的節奏真正實施了創新，組織才會發生改變。從cMOOC、xMOOC到bMOOC，都無法做到將活動、內容、實例、甚至評價與學生個人信息相適應，以支持個性化學習。《教育信息化十年發展規劃（2011-2020年）》提出推進教育信息化，應努力為每一名學生提供個性化學習環境和服務;國務院《“十三五”國家信息化規劃》中提出促進在線教育發展，應提供高質量、個性化的在線教學服務;教育部《教育信息化“十三五”規劃》指出普及網絡學習空間應滿足個性化學習需求;教育部《教育信息化2.行動計劃》指出優化“平臺+教育”模式，滿足學習者、教學者和管理者的個性化需求，實現個性化學習體驗;《加快推進教育現代化實施方案（2018-2022年）》明確了形成良性互動的個性化教育體系;國務院印發的《中國教育現代化2035》提出注重面向人人，因材施教，實現規?；逃c個性化培養的有機結合。這些政策都表明了隨著時代發展，個性化學習已成為迫切的需求。將個性化自適應學習理念融人MOOC中，根據學生特征推送精準學習路徑，有針對性提供最佳學習方法和建議、學習材料，利于學生更加清楚應該“學什么”“如何學”，自控學習進度，確保學習有效性，從而激發出最大的學習潛能[5]。

（二）MOOC設計新范式

基于個性化學習、建構主義及多元智能等理論的自適應混合MOOC（adaptive blended MOOC，abMOOC），納入白適應特性，結合bMOOC特點，根據學習者特征等推送不同的學習內容、學習活動、學習評價等，并通過持續分析學習者的學習過程行為數據為其提供及時的、定制的幫助[6]，結構模式如圖4所示。abMOOC主要包括“數據環境（what）”“利益相關者（who）”“時間（when）”“方法（how）”和“目的（why）”五個維度，與現有模式主要區別在于資源活動的選擇、組織和排序[7]。其中，在資源組織和活動空間方面，abMOOC實現動態知識圖譜組織資源，包含著白適應學習平臺和由社交網站、博客、論壇等組成的學習社區，平臺允許不同背景的參與者訪問不同的資源和活動;在資源設計和管理方面，教師收集與本課程主題相關的初始資源，學生可以根據學習興趣在社區中生成多元化資源，通過自適應學習平臺進行共享;在活動設計和管理方面，學生在學習過程中，abMOOC通過分析交互行為數據，進行診斷、預測，為學習者提供量身定制的課程活動，同時也有助于學生了解自身對知識的掌握情況。

1.數據環境（What）

大數據是設計abMOOC學習平臺，實現個性化學習基礎，通過序列模式挖掘（如AprioriAll算法）、聚類分析等，揭示數據中隱含的模式或真相[8]。教育大數據主要來源于三個方面，一是學習者的個人屬性，包括性別、地區、家庭教育情況等，以及知識水平、認知特征、情感特征、元認知能力及錯誤/誤解等個性特征;二是學生在“學習”“練習/測試”“評價”過程中產生的學習行為數據，除了包括登錄次數/時間、瀏覽情況、練習/測試成績等低階信息，還包括視頻點擊流數據（暫停、播放、查找等）、學習行為序列數據以及依靠傳感器在學習過程中獲取的心理學和生物學數據，如眼動數據、手勢數據、面部表情等高階信息[9];三是學生在討論社區產生的交互行為數據（如查看、提問、解答等）。

教育大數據的價值體現為三個“轉向”，即從傳統課堂的關注集體表現轉向聚焦個體行為，從教師的主觀評價轉向依托數據的客觀、多維評測，從學生的按部就班式學習轉向白組織的個性化學習[10]。未來，以視頻和圖像為主的非結構化形式數據越來越多，數據量呈指數級增長，需要實時分析在線不同類型數據，為研究者、管理者提供學習風格、學習狀態、學習差異等360度數據信息，實現學習者畫像的高精準度和高分辨率，賦予教師“顯微鏡”式的觀察能力和“望遠鏡”式的預測能力[11]。

2.利益相關者（Who）

abMOOC通過對學習者個人信息、學習行為數據、交互數據的分析，向不同的群體提供建議，受益者大致可分為學習者、教師、研究者（決策者）和家長。對學習者來說，可以設定恰當的學習目標，自我規范學習，調節學習計劃、學習狀態與學習進度。對教師而言，根據學習者的學習風格、認知水平、學習狀態等，動態調整教學結構，推薦個性化學習路徑和符合學習者認知習慣的學習資源。研究者或決策者通過比對不同課程、不同群體、不同平臺間的數據結果，開展個性化教學管理、優化資源配置、精準教育扶貧、制定教學決策，最大程度實現教育公平。在家長方面，abMOOC借助數字技術建立與家長的聯系，向家長提供學習者在線學習的數據報告，以幫助家長實時監測孩子的學習狀態、學習情緒，構建教育信息化時代的家校聯合。

3.時間（When）

abMOOC模式中“時間”維度除了課程時間進度（如課程計劃）外，還包括學習者的學習過程，不僅要從時間的宏觀層面分析還要關注對時間的微觀分析。abMOOC主要圍繞學習者的登錄時間、訪問教學模塊時間以及與同伴的交互時間等進行分析，了解學生隨時間變化的活躍度，精準、細致地跟蹤、記錄在線學習行為，多方位地分析學生的學習狀態，提供個性化幫助。例如在abMOOC中，分析學生的視頻點擊流行為，即在不同時刻學習者與視頻間發生的交互（暫停/播放視頻、向前搜索、向后查找、改變播放速度等），通過學習分析儀表盤，直觀地了解視頻學習行為，進而探索學生的尋求行為信息，深入挖掘學習狀態，幫助教師完善課程計劃。

4.方法（How）

abMOOC涉及方法包括學習分析、自適應和人工智能。其中，學習分析是實現個性化學習的關鍵技術，主要采用數據挖掘、統計法、社會網絡分析、語義學和社會學等方法，實現對學習者學習狀態的描述、診斷、預測與干預等。從海量數據中收集、分析學習者留下的學習歷史痕跡，提煉隱含的關于學習者學習過程、學習狀態信息，進而探究個人行為與學業成績關聯性，優化學習過程。自適應包括兩種適應方式，取決于控制或主動適應的主體是學習者還是系統，學習者控制學習是指學習者根據系統提供的反饋，主動適應系統，實現自組織學習，自主規劃學習過程、自我量化、自我修正等;適應性學習是指系統根據學習者特征，適應性推送最佳學習路徑、學習資源等[12]，通過提供學習支架，以優化知識獲取和回憶，促進個性化學習的發生。人工智能技術（如模糊邏輯、決策樹、神經網絡、遺傳算法和隱馬爾可夫模型等）為abMOOC開發提供了強有力的支持，有利于提供個性化學習內容、學習路徑[13]，同時提供用戶友好的界面，支持交互式、探索性和實時用戶體驗，以實現靈活的數據探索和可視化操作。

5.目的（Why）

由于學習個體在思考、搜索、理解和問題解決方面的能力不同，abMOOC能夠在教學過程中診斷學習者的具體學習需求，隨后為其提供適當的教學處方，優化學習過程，使學習變得簡單、快速和高效，實現個性化學習，推進基于數據決策的教育信息化發展。老子有云，“知人者智，自知者明”，abMOOC結合學習者的個人簡況、歷史記錄數據以及學習者當前的學習狀態（測試成績、答題時間等顯性數據），以可視化形式再現分析結果。為此，學習者能夠對自己有準確認識，知道自己當前應該學習什么，并反思下一步應該如何學;教師診斷發現學習問題，調整教學策略，制定適切的學習活動。

四、應用示范——“跟它學”自適應MOOC學習平臺

有意義的教育是幫助每個人成為最好的自己，把每個人的個性、特長、潛在優勢充分發揮出來，為每個人去發現、開發他的最近發展區，為他可能的最近發展提供幫助。在新高考改革的時代背景下，開展精準教學、個性化學習等方面的實證研究，有助于推進教育信息化轉段升級，提升教學質量，促進教育優質均衡發展。項目組基于abMOOC模式，設計開發“跟它學”智能個性化自適應學習平臺[14]，專注于“互聯網+人工智能”技術，面向K12基礎教育開展個性化教學應用。

（一）系統架構

“跟它學”平臺是通過分析挖掘學習過程中產生的學習行為數據，以可視化形式呈現分析結果，幫助利益相關者（學習者、教師、家長）查看，診斷學習者的學習情況，不僅做到學習過程個性化，而且使分析結果個別化，系統設計架構如圖5所示。正確率、情緒態度變化等，做到關注每一位學生的發展，向每一位學生提供適切的指導與溝通，給予人文關懷，減輕學生在線學習孤獨感。家長通過登錄網站或直接接收“學情分析報告”掌握孩子的學習情況，在家庭中充當“老師”的角色，正確、積極地引導孩子的學習。總之，跟它學平臺以“學情分析”為橋梁，真正實現家?；ネ?，幫助學習者、家長、教師摸清現狀、看到進步、預見未來，為實現學校和家庭教育和諧統一及學生素質全面提升提供新路徑。

（二）設計流程

跟它學平臺實現過程主要包括數據收集與清洗、數據分析與建模、可視化表征與個性化服務，如下頁圖6所示。

其中，在可視化表征與個性化服務階段，主要通過知識圖譜、智能測試、學情分析和情感感知等實現學習診斷、反思、預測、優化等目標，體現在“學、練、評、情”四個方面，精準定位學習漏洞，自動調整學習難度以符合學習者的認知水平與能力，推薦并引導學習者進行最適合的學習活動。

其中，學生登錄跟它學平臺進行自主學習，通過課程討論、答疑模塊與教師、同伴交流討論，并通過“我的學情”監控學習進度、發現學習問題，進而做出適時調整。教師根據“學情分析”模塊及時追蹤學生的學習狀態，全方位、多維度的評估學生學習效果，了解學生的學習進度、學習時間、正確率、情緒態度變化等，做到關注每一位學生的發展，向每一位學生提供適切的指導與溝通，給予人文關懷，減輕學生在線學習孤獨感。家長通過登錄網站或直接接收“學情分析報告”掌握孩子的學習情況，在家庭中充當“老師”的角色，正確、積極地引導孩子的學習?？傊?，跟它學平臺以“學情分析”為橋梁，真正實現家校互通，幫助學習者、家長、教師摸清現狀、看到進步、預見未來，為實現學校和家庭教育和諧統一及學生素質全面提升提供新路徑。

（二）設計流程

跟它學平臺實現過程主要包括數據收集與清洗、數據分析與建模、可視化表征與個性化服務，如下頁圖6所示。

其中，在可視化表征與個性化服務階段，主要通過知識圖譜、智能測試、學情分析和情感感知等實現學習診斷、反思、預測、優化等目標，體現在“學、練、評、情”四個方面，精準定位學習漏洞，自動調整學習難度以符合學習者的認知水平與能力，推薦并引導學習者進行最適合的學習活動。

1.知識圖譜

“跟它學”自適應學習平臺通過機器學習、知識挖掘、自然語言處理獲取知識，構建知識圖譜，讓學習有計劃、有目標，讓學習者可以更容易地、更準確地發現適合自己的內容，讓學習不再有盲點。知識圖譜以知識樹的形式呈現每小節的所有知識點及其對應的擴展知識。當學習者完成某一知識點時，該知識點的背景框由灰色變為綠色，學習者可以選擇繼續學習下一個知識點，或是選擇學習該知識點的拓展部分。每個知識點提供視頻和文本兩種呈現方式，根據學習者模型推送不同媒體格式、不同內容的知識點，為學生規劃專屬學習路徑[15];針對學習難點和重點，推送與之相關并與學生當前學習水平相匹配的學習知識點、題型、學習材料等，實現精準分發。學習是一個持續性的過程，真正懂學生的自適應學習系統，不僅要知道學生當前“有什么”，更要知道學生“想要什么”，故而跟它學通過遺傳算法和協同過濾算法，依據學習者興趣偏好向其推薦擴展資源，補充與拓展學習內容。

2.智能測試

當學習者確定一個知識點后，可以選擇進行“診斷測試”或者直接進行“課程學習”，把主動權交給學生，時刻體現學生主人翁的地位。系統根據學習者的學習情況，推送適切練習題，集中學習未掌握的知識點，讓學習效率倍增，縮小優等生和普通生間的差距。同時，依據“最近發展區”理論，依據布魯姆在認知領域的教學目標分類方法，合理設置練習難度梯度，即習題的難度符合學習者當前的知識水平，以維持和提高學生的學習動機和興趣，盡管面對困難問題時，依然讓學生保持較高的自我效能感。以強化測試類型為例（如圖7所示），當學習者通過某個能力級別時，可以選擇進入同一知識點的更高水平測試或進行下一知識點的學習;若學習者沒有通過強化測試，頁面將提示學習者重新學習當前知識點，并推薦學習相關知識點以幫助學習者深入學習并通過測試。當學習者完成強化測試類型的所有測試后，可以進入升級測試階段。

3.學情分析

學情分析報告記錄學生學習全過程的教育大數據，適時開展面向個人的學習質量分析和面向群體的教育質量監測。學生可以在“學情分析”中全方位的查看自己對全部知識點、某一知識點的把握程度，實時監控自己的學習進程，從數據的角度理性、客觀地剖析自己，針對薄弱的知識點查漏補缺，如圖8所示。教師根據“學情分析”及時追蹤學習者的學習狀態，全方位、多維度的評估學習者學習效果，了解學習者的學習進度、學習時間、正確率、情緒態度變化等，做到關注每一位學習者的發展，提供個性化指導。

4.情感感知

學習者在學習過程中的情感變化會對學習效果產生較大影響，一方面會影響其學習狀態，如開心喻悅的心情會讓學習者對學習保持高度的熱情與積極性，維持學習動機;相反沮喪、憤怒的情緒會阻礙學習興趣，甚至停止學習。另一方面，影響系統對學習者提供的反饋信息，如何時提供反饋，提供什么內容的反饋，以何種方式提供等。跟它學平臺使用Python的第三方庫SnowNIP對課程評論區、討論區、我的筆記等文本數據進行情感極性分析，SnowNLP由Python語言編寫，包括中文分詞、文本分類、詞性標注、情感分析、繁體轉簡體、轉換拼音、提取文本關鍵詞、

提取摘要、分割句子等功能，是最常用的中文情感分析方法。通過SnowNLP依次計算每條評論的情感極性值（情感極性的變化范圍是[-1，1]，一1代表完全負面，1代表完全正面，進而分為消極、中立、積極三類），以可視化視圖形式呈現，用色彩變化程度區分學習者的情感傾向，顏色越深表示越積極，顏色越淺表示越消極，如圖9所示，其中dl，d2，…，dn表示課程知識單元。

五、自適應混合MOOC模式發展趨勢：突破傳統范式的價值創新

abMOOC融合個性化學習理念，同時保留了cMOOC的顛覆性，打破了傳統課堂的知識學習方式，強調知識的構建、創造與共享;也保留了xMOOC知識傳遞的高效率和明確的學習結果。人工智能時代，abMOOC將基于眾包策略、情境感知、多模態分析、遷移學習等方面深度發展，突破對傳統范式的價值創新。

（一）基于眾包策略的abMOOC學習，實現從個人智能向群體智能發展

眾包是將信息或知識的生成過程外包給用戶，并且利用各種類型的激勵措施和質量控制機制引出可能潛在于普通人群“大腦”中的優質資源[16]，以促進學習系統從強調個人智能走向群體智能，在信息社會中響應“人人為我，我為人人”的號召。將問題解決方法外包給教師群體，匯聚教師集體智慧，從更多有經驗的優秀教師處獲取多種解決方法，擴展學習材料的廣度，支持在線教育內容的多樣性[17]，同時有助于年輕教師的成長。人工智能技術為abMOOC實施眾包策略提供催化劑，不僅可以通過優化算法對學習者“贊”或“踩”動態排序，而且借助關聯規則、強化學習算法、協同過濾算法、語義理解等，考慮答案與問題的相關性、內容質量、回答者的專業性、信譽度等綜合排序，推動教育生態系統發展與進化。

[5]姜強，趙蔚等.大數據背景下的精準個性化學習路徑挖掘研究——基于AprioriAII的群體行為分析[J]電化教育研究，2018，39（2）：45-52.

[6]菅保霞，姜強等.大數據背景下自適應學習個性特征模型研究——基于元分析視角[J].遠程教育雜志，2017，35（4）：87-96.

[7] Mavroudi A，Ciannakos M，et al.Supporting adaptive learning pathwaysthrough the use of leaming analytics：Developments. challenges and futureoppmtunities[J].lnteractive Leaming Environments，2018，26（2）：206-220.

[8]詹國輝，熊菲等.面向大數據的計算社會科學：一種詮釋社會現象的新范式[J].科學技術哲學研究，2018，35（3）：100-104.

[9]孫潔，姜強等.大數據背景下在線視頻點擊流行為可視化分析與思考——以香港科技大學VisMOOC項目為例[J].現代遠距離教育，2017，（4）：51-62.

[10]孫潔.基于學習分析的自適應學習設計及應用研究[D].長春：東北師范大學，2019.

[11]楊現民，，駱嬌嬌等.數據驅動教學：大數據時代教學范式的新走向[J]電化教育研究，2017，38（12）：13-20.

[12]姜強，趙蔚等.自適應學習系統中雙向適應交互評價實證研究[J].現代遠程教育研究，2013.（5）：106-112.

[13]牟智佳.“人工智能+”時代的個性化學習理論重思與開解[J].遠程教育雜志，2017，35（3）：22-30.

[14]跟它學教育.智能個性化自適應學習平臺[EB/OL].http：//www.gtstudy.cn/.2019-01-01.

[15]姜強趙蔚.多元化媒體資源適應陛推送及可視化序列導航研究[J]開放教育研究，2015，21（2）：106-112.

[16] Heffernan N T.Ostrow K S，et aI.The Future of Adaptive Leaming：Does the Crowd Hold the Key？[J].lnternational Journal of ArtificialIntelligence in Education，2016，26（2）：615-644.

[17] Saxton G D，Oh 0，et aI.Rules of cmwdsourcing： ModeLs，issuesand systems of control[J].lnformation Systems Management，2013.30（1）：2-20.

[18] Kinshuk.Roadmap for Adaptive and Personalized Leaming in UbiquitousEnvironments[A].Kinshuk，Ronghuai Huang.Ubiquitous Learning?Environments and Technologies[C].Berlin Heidelberg：Springer-Verlag，2015.1-13.

[19] Grawemeyer B，Mavrikis M，et al.Affective leaming：impmving engagementand enhancing leaming with affect-aware feedhack[J].User Modeling andUser-Adapted Interaction 2017，27（1）：119-158.