人工智能支持下自適應學習的實驗研究

摘 ?要：人工智能支持下，教學變革是必然趨勢，人工智能支持下的自適應學習在教師角色、學習交互、學習生態等方面產生了積極影響。研究表明教師投入度、學生投入度和平臺技術支撐是影響自適應學習的關鍵因素，其中教師投入度與學生投入度顯著相關;理科的自適應學習與成績顯著相關，通過自適應學習能提高理科班級平均成績;自適應學習與學生完成平臺作業顯著相關，故教師要加強作業設計，讓學生在作業中獲得成就感。

關鍵詞：人工智能;自適應學習;作業設計

中圖分類號：G434 ? ? 文獻標識碼：A ? ?文章編號：2096-4706（2020）23-0184-04

Experimental Research on Adaptive Learning Supported by Artificial Intelligence

PENG Bin

（Guangzhou Zhixin High School，Guangzhou ?510080，China）

Abstract：Under the support of artificial intelligence，teaching reform is an inevitable trend. Adaptive learning supported by artificial intelligence has a positive impact on teachersrole，learning interaction and learning ecology. The research shows that teacher engagement，student engagement and platform technology support are the key factors affecting adaptive learning，in which teacher engagement is significantly correlated with student engagement;adaptive learning of science is significantly related to performance，through adaptive learning can improve the average performance of science class;adaptive learning is significantly related to students completing platform homework，so teachers should strengthen homework design，so that students can get a sense of achievement in homework.

Keywords：artificial intelligence;adaptive learning;homework design

0 ?引 ?言

《普通高中課程方案：2017年版2020年修訂》明確提出“關注信息化環境下的教學改革，關注學生個性化、多樣化的學習和發展需求”，這將推動長期存在的“以教為中心”的教學模式發生深刻改變。當前技術變革帶來的人工智能（Artificial Intelligence，AI）和5G技術的高速發展，使人工智能支持下“以學為中心”的教學新常態成為可能。在學習者越來越被關注的當下，無論是從國家教育層面的要求，還是從教學實際的需要，從“以教為中心”的傳統教學模式轉變為“以學為中心”的新教學模式勢在必行。人工智能支持下“以學為中心”的教學新常態是指在人工智能支持下的學習空間中，學生通過人工智能支持下的自適應學習路徑開展學習，實現深度學習的目的。人工智能支持下“以學為中心”的教學新常態主要包括“學習支持”的新常態、“學情反饋”的新常態和“師生關系”的新常態[1]。張曼等基于中國知網2009—2018年期刊文獻研究發現：從整體上來說，在十年期間個性化學習研究文獻數量呈增長趨勢[2]。

學者和一線教師對個性化學習的探索越來被重視，表現出個性化學習是未來教育領域一個非常重要研究方向，也是未來教育改革的一個重要領域。以廣州市為例，2020年11月廣州市電化教育館對各區教育信息中心、智慧校園樣板校、實驗校、省信息化中心校、“智慧教育示范區”支撐校的主要負責領導和管理人員共300多人分6批先后進行智慧課堂教學平臺應用培訓，從政府層面推動常態化開展大數據支持下的個性化學習和精準教學;12月組織了廣州、上海和山東的“基于人工智能技術條件下的智慧課堂教學實踐探索名校應用分享會”，從一線運用層面進行推廣。基于人工智能場景下教學方式的探索中，首先要解決的是人工智能支持下自適應學習路徑是什么，筆者所在廣州市執信中學是普通高中新課程新教材實施國家級示范校，筆者從2018年開始帶領團隊開展“人工智能+學習”的教學改革實踐和研究，本研究是在構建人工智能支持下“以學為中心”的教學新常態，提出人工智能支持下自適應學習框架，并基于該框架開展教學實驗研究。

1 ?研究設計

1.1 ?實驗框架

人工智能技術的發展也極大地推動了個性化學習支持服務的水平，為自適應學習路徑的智能化實現奠定了技術基礎[3，4]。人工智能支持下自適應學習系統主要包括學生個體模型數據和學生個體學習過程數據，通過人工智能分析將相似學生組成學習共同體，學習共同體根據系統智能推送的資源開展學習，該學習過程進一步被系統記錄并形成該學生群體的學習過程數據圖譜，實現更加精準的評估并指導學生的學習，從而實現精準的個性化學習支持服務，如圖1所示。其中學生個體特征（如認知偏好和社交傾向等）可以通過定期調查的方式進行收集，學習活動追蹤通過學習平臺進行全過程記錄。

1.2 ?實驗對象

2018年10月選擇2個實驗班，于2020年9月調整為高三1個班和高二1個班，主要任務是驗證框架在具體教學實踐中的可行性，實驗科目主要集中在理科（數學、物理和化學）和文科中的英語。2020年10月開始，項目組在當年秋季入學的高一年級共15個班開展實踐，如圖2所示，實驗科目包括理科（數學、物理、化學和生物）和部分文科（英語、歷史和政治）。受篇幅所限，本文僅使用高一年級實驗數據。

2 ?研究結果

2.1 ?教師投入度與學生投入度顯著相關

以數學學科為例，以教師使用平臺布置作業和課前導學的次數和代表教師投入度，以學生自主學習的次數代表學生投入度進行了分析，如表1所示，結果顯示11個班級的賦值為1，4個班的賦值為0，這說明教師使用平臺的投入度與學生自適應學習投入度顯著相關性，教師投入度高的班級，學生自適應學習的投入度也高。

統計模型說明：

（1）教學次數和=作業次數+課前導學次數;

（2）;

（3）;

（4）投入度差=學生投入度-教師投入度;

（5）賦值規則：投入度差的絕對值小于0.05賦值1，其他賦值0，若賦值為1的認為教師投入度與學生投入度顯著相關，賦值為0的認為教師投入度與學生投入度無顯著相關。

2.2 ?班級學科成績與作業提交率和平均時長顯著相關

通過SPSS22對數學、英語、物理、化學、生物、歷史、政治的15個班期中考試成績與2020年10月—2021年1月學習平臺中作業提交率和作業平均作答時長進行皮爾遜（Pearson）相關分析，如表2所示，班級平均分與作業提交率顯著相關（0.343**），班級平均分與作業平均作答時長顯著相關（0.285**），作業提交率與作業平均作答時長無顯著相關。

2.3 ?平臺作業的正確率影響學生自適應學習積極性

自適應學習系統通過對學習者的精準知識追蹤[5]，實現自動構建針對性的教學支架，并生成適應性的學習路徑，以及推送個性化學習資源，實現“因材施教”，進而提高學習者的學習效果與效率。通過SPSS22對班級作業正確率、作業提交率、自主學習做題量和自主學習正確率進行kendall相關和spearman相關分析，如表3所示。結果顯示作業正確率與作業提交率存在顯著相關，說明學生完成作業的正確率會影響學生完成作業的積極性;作業正確率與自主學習做題量存在顯著相關，說明學生完成作業的正確率會對學生開展自適應性學習的積極性產生影響;而作業正確率與自主學習正確率無顯著相關性，說明學生自適應學習的效果與作業效果無顯著相關。對理科（數學、物理、化學、生物）的15個班期中考試成績與2020年10月—2021年1月自主學習做量和自主學習正確率進行分析。各學科在班級平均分與自主學習做量和自主學習正確率的相關性存在差異。

表4說明班級數學平均分與自主學習做題量顯著相關，即學生通過自適應學習可以有效提高數學成績。班級數學平均分與自主學習正確率無顯著相關，學生的數學自主學習做題量和自主學習正確率無顯著相關，這兩方面說明學生開展數學的自適應學習與外部壓力有關，也與數學成績在學生心目中的重要地位有關。

表5說明班級物理平均分與自主學習做題量、自主學習正確率無顯著相關。學生在物理學科的自主學習做題量和自主學習正確率顯著相關，說明學生在物理學科的自主學習正確率有助于提高學生開展自適應學習的積極性。

表6說明班級化學平均分與自主學習做題量、自主學習正確率無顯著相關。學生在化學學科的自主學習做題量和自主學習正確率存在顯著相關，說明學生在化學學科的自主學習正確率有助于提高學生開展自適應學習的積極性。

表7說明班級生物平均分與自主學習做題量、自主學習正確率存在顯著相關，這表明學生通過自適應學習可以提升生物成績，另一方面也說明生物學科適合學生進行自適應學習。學生在生物學科的自主學習做題量和自主學習正確率存在顯著相關，說明學生在生物學科的自主學習正確率有助于提高學生參與自適應學習的積極性。

3 ?結 ?論

在應用智慧學習平臺（Ai學）開展實驗和數據分析基礎上，我們發現影響人工智能支持下自適應學習的最主要因素包括三個：教師投入度、學生投入度和平臺技術支撐。一是教師投入度影響學生投入度和學習效果，作為教學策劃者的教師參與推動人工智能支持下自適應學習的積極性直接影響到學生時間投入度和學習效果，主動參與的教師所在班級學生的時間投入、學習積極性和學風相對優秀。二是學生投入度影響學習效果，學生除了完成學科基本作業之外很難更多的時間投入到自主的自適應學習，這就需要教師在教學過程中設計和引導學生制定好自適應性學習的計劃，也需要教師重視和加強作業設計，通過作業設計使作業與自適應學習互為補充。三是平臺技術支撐影響應用體驗，由于平臺還處于優化和完善過程，處于實驗階段的教師和學生一旦出現不愉快的使用體驗，會大大削弱人工智能支持下自適應學習，只需要平臺能對需求進行及時回應和處理。

實踐表明，人工智能支持下的自適應學習對教師角色、學習交互、學習生態等方面都將產生積極影響。教師加深了對人工智能平臺和技術的理解和運用，學生逐漸適應人工智能平臺的交互特征，在自適應學習中學生積極性得到較好的發揮。數據分析進一步說明，我們構建的自適應學習路徑在理科學習上是有效的，同時我們還發現，由于學生完成作業的成就感會對學生參與自適應學習的積極性產生影響，所以在人工智能支持下自適應學習中教師要特別關注作業設計，要讓學生在作業中有成就感。

參考文獻：

[1] 彭斌.基于人工智能的智慧學習新常態 [J].現代信息科技，2020，4（21）：185-187.

[2] 張曼，劉興紅，梅佳星.我國個性化學習研究現狀與趨勢的可視化研究——基于中國知網2009-2018年期刊文獻 [J].教育信息技術，2020（11）：62-66.

[3] 孔維梁，韓淑云，張昭理.人工智能支持下自適應學習路徑構建 [J].現代遠程教育研究，2020，32（3）：94-103.

[4] 蔡連玉，韓倩倩.人工智能自適應學習及其在學校教育中的應用 [J].浙江師范大學學報（社會科學版），2019，44（6）：111-117.

[5] 張恩德，包榮鑫.深度學習模型及自適應技術研究進展 [J/OL].中文科技期刊數據庫（全文版）自然科學.（2020-11-10）.http：//www.cqvip.com/QK/72191X/201704/epub1000000 926049.html.

作者簡介：彭斌（1978.10-），男，漢族，廣東梅州人，中學高級教師，碩士，研究方向：教學管理、基于AI的自適應學習、智慧校園。