歐美適應性學習系統應用案例及發展趨勢

武迎春 張海 楊絮

適應性學習系統是近年來人工智能在教育中應用的研究熱點之一，是教育學、認知科學和計算機科學的交叉研究領域。傳統網絡教學無法一一對應學習者的個體差異，對所有的學習者采用相同的教學內容和教學策略，導致學習者經常發生網絡迷航和認知超載等問題，從而在很大程度上影響了網絡教學的質量，適應性學習系統正是在這樣的背景下應時而生。本文介紹了歐美國家適應性學習系統的應用案例及其發展趨勢。

● 什么是適應性學習

適應性學習是一種提供個性化學習的技術，其目的是通過提供高效、可定制的學習路徑來吸引學生。適應性學習系統能夠根據學生的互動和表現水平，對學習路徑進行動態調整，以更適當的順序，為學習者提供在特定時間點取得進展所需要的學習內容。通過使用算法、評估、學生反饋、教師干預和各種教學媒體，適應性學習系統能根據學生的表現顯示內容，根據評估數據提供可變的學習路徑為已經掌握新知識的學生提供新的學習材料，為沒有掌握學習內容的學生提供補救措施。

● 美國麥格爾—希爾（McGraw-Hill）公司開發的自適應學習系統ALEKS

麥格勞-希爾集團開發了知識空間的評估和學習系統（Assessment and Learning in Knowledge Spaces，下文簡稱ALEKS），使用人工智能手段評估學生對數學知識的掌握程度，并提供自適應指導。它運用自創的“知識空間理論”（Knowledge Space Theory），通過一系列問題測試學生對問題的理解程度。1994年，ALEKS由美國加州大學歐文分校的研究者，根據腦神經測試和數學算法的相關知識研發出來，用以測評學生對所學知識的掌握程度。2013年，ALEKS被麥格爾—希爾（Mcgraw-Hill）集團收購。目前，該平臺已普遍應用于美國公立小學的課堂，在高等教育中的使用率也逐漸上升。

知識空間的評估和學習（ALEKS）的工作原理如下：

①明確每個學生目前的知識狀況。ALEKS系統的人工智能的特點在于其對學習者狀態的學習和評估，不僅是提供一個學習者能力傾向的得分或成就水平，還提供一種知識狀態，描述學習者在某一特定學科（如代數1或普通化學）迄今掌握的所有技能和概念知識。

一個給定學科的所有可行的知識狀態都被組織成一個學習空間，這個學習空間提供了一個數學結構，規定了這些知識狀態之間的優先關系，即在學習過程中哪些知識狀態可以先于其他知識狀態，或在其他知識狀態之后。下頁圖1描述了一個由五個標記為a、c、g、h和i的主題組成的微型學習空間。該微型學習空間中共有16種可行知識狀態，每個橢圓都表示其中的一種知識狀態。底部的空白圓圈表示空的知識狀態（即學生沒有掌握這五個題目中的任何一個）。學生從下到上，按照順序依次掌握每個主題。紅色橢圓表示的知識狀態包含項目g、h和i，主題a和c構成學生接下來很可能要學習的主題。事實上，每個知識狀態都會自動指定學生在那個時刻準備學習的主題集合。在ALEKS中稱這些主題為“準備學習”。

圖2表示的是45個主題的學習空間，這些主題是一些有難度的概念。圖中的每個點都代表一個知識狀態，連接這些狀態的線的顏色對應不同的主題。ALEKS內部的評估和學習引擎能夠有效地管理這樣巨大且復雜的結構。ALEKS中的實際學習空間通常包含大約400個主題和超過1萬億的知識狀態。

②個性化評估。個性化評估的任務是通過有效的提問來揭示學生的知識狀態。ALEKS中強大的評估功能可以在只問20～30個問題之后就精確地確定學生的知識狀態。當學生犯了一個粗心的錯誤時，ALEKS評估系統的概率特性能夠及時將學生的錯誤進行糾正。

盡管在一個學習空間中，題目數量很大，但是在任何一個特定的評估中，實際上只能問幾個問題。ALEKS首先要求學生解決一個問題，這個問題是根據所有知識狀態的初始概率選擇的，內容盡可能豐富。學生將所有有用的信息（包括之前所做的所有答案）為參考，大約有50%的概率做出正確答案。

假設第一個題目是a，學生的回答是正確的。然后，ALEKS將增加所有包含a的知識狀態的概率，并降低所有不包含a的狀態的概率。如果下一個題目是f，而答案是錯誤的，那么ALEKS會降低包含f的狀態的概率，增加不包含f的狀態的概率。最后，ALEKS將選擇包含主題a、b、g、h和i的狀態作為學生的當前狀態。在實際的評估過程中，ALEKS將從大量可行的知識狀態中篩選出概率最高的一種知識狀態。

③適應性學習。在評估結束時，學生進入ALEKS學習模式。在該模式中，學生將得到準備學習的主題列表。“準備學習”環節是非常重要的，學生的學習進程在此發生。在學習的過程中，學生掌握了一個新的主題，就是創造了一個新的知識狀態，而新的知識狀態中，學生有自己的學習準備。學生學到的知識用一個多顏色的餅狀圖表示，這種可視化的操作對于學生學習來說是一種強大的動力，如下頁圖3所示。

ALEKS學習是按照順序一步一步地進行的，每次一個主題。它通過學生當前的學習路徑引導學生進入一個主題，或者允許學生在ALEKS學習模式中選擇一個主題。ALEKS監控學生在嘗試解決問題和理解解釋時的成功和失敗的順序，由此指導學生的進步。

二十多年來，數百萬學生的經驗數據反映出，ALEKS系統發現學生“準備好學習”某個特定主題的成功率超過90%。每當學生掌握了一個主題時，ALEKS就會立即更新學生的知識狀態，并為學生提供一個他/她準備學習的新主題列表，不斷優化學生的學習路徑。

● 英國自適應學習系統——CogBooks

CogBooks是一款英國開發的適應性學習工具。2015年，美國亞利桑那州立大學和CogBooks達成合作，率先在教學上使用該自適應工具，為學生提供生物和美國歷史兩門線上課程。CogBooks在調整為學習者提供的學習內容時，考慮了以下幾個因素：學生的自信心指數和自測成績、學生完成練習的時間、學生回答問題的表現、學生對學習目標的熟練程度、學生在相似的學習模塊中的學習表現等。

該平臺以四種不同的方式適應每個學生。

①智能算法。通過智能算法可以了解每個學生與課程互動時的情況。系統利用收集到的數據信息不斷調整學生的學習路徑，并能夠選擇出最適合學生需求的學習路徑。

②實時評估。形成性評估和其他互動活動貫穿整個課程。這些評估有助于每個學生對學習內容的即時理解，并為下一步的學習做好準備。

③設置順序。許多學科都圍繞著一條明顯的線性路徑來教學，調整主題的順序會阻礙學生的學習。因此，CogBooks允許學生在整個課程中設置一個清晰的順序，但在每個階段都要分層放置大量支持內容。這些內容的多少取決于學生對主要主題的理解。

④學生機構。研究表明，學生在學習中擁有發言權是有益的。CogBooks通過簡單的工具將學生機構整合到平臺中，幫助學生評估他們對每個概念的理解。而且，如果他們想更深入地研究某個特定的主題，他們可以選擇查看其他相關內容。

● 適應性學習的發展趨勢

適應性學習的優勢是：對于學生來說，適應性學習尊重已有知識，滿足學習需求，縮小理解差距，避免了“向中間地帶教學”這種對進步學生或落后學生都不適合的教學狀態;對于教師來說，教師可以更容易地監控哪些學生需要幫助，通過衡量其課程表現，最大限度地提高學習效率，也可以更好地了解學生有困難的內容領域，以便在個別學生面臨退出或失敗的風險之前進行干預。

適應性學習的問題在于：首先，開發工作量極其巨大。由于其實施過程非常復雜，它需要進行詳細的課程規劃和支持學習目標的內容開發，并且，內容必須在整個課程或相互聯系的課程之間確定。其次，適應性學習系統更適合入門課程。該系統往往能更好地處理事實和程序性知識，通常更適用于某些領域的入門課程，當材料需要高階思維時，這些系統的效率可能會降低。然而，隨著時間的推移，隨著更多學生數據的積累，適應性學習系統也將得到進一步優化。另外，數字學習資源的數量正在不斷增加，這使得教師更容易獲得現成的課程內容，這樣也能更好地與適應性學習系統進行耦合。

隨著適應性學習應用范圍越來越廣，不同階段的學生將能個性化地掌握不同技能，未來教師的角色可能會發生巨大變化，教師將更多地致力于開發翻轉式課程和基于項目的課程，把重點放在批判性思維和問題解決上。而隨著適應性學習新標準的開發，跨平臺和工具的互操作性和數據交換將變得更容易，自適應學習的未來會越來越廣闊。