人工智能下基于自適應的個性化學習模式探究與設計

摘要：個性化自適應學習模式有利于在校大學生適應社會發展需求。根據社會普查搜集的大量數據作為樣本，結合大數據分析技術，以學院實際開設的“機器人編程”課程為研究對象，設計開發了個性化自適應學習系統.旨在為廣大教師及學校管理者提供借鑒，真正實現個性化教學。

關鍵詞：人工智能;大數據;自適應;個性化

中圖分類號：TP302.1

文獻標識碼：A

文章編號：1006-8228（2020）09-04-03

Design of adaptive personalized learning mode with artificial intelligence

Chen Hong

（Zhejiang Technical Institute of Economics， Hangzhou， Zhejiang 310018， China）

Abstract： The adaptive personalized learning mode is conducive to college students to adapt themselves to the needs of socialdevelopment. According to a large number of data collected by the social census as samples， combining with big data analysistechnology， and taking the course of "robot programming"， the actual course offered by the college， as the research object， anadaptive personalized learning system is designed and developed in this paper. It aims to provide reference for teachers and schooladministrators， and truly realize the personalized teaching.

Key words： artificial intelligence; big data; adaptive; personalization

0引言

近年來，我國越來越重視人工智能這一新興產業的發展，2017年7月20日，國務院正式發布《新一代人工智能發展規劃》，明確我國人工智能發展的三步走戰略和具體的六大任務，標志著人工智能領域的國家行動正式全面展開。由此，現實需求也對大學生這一特殊就業群體帶來了嚴峻的沖擊和考驗。社會將要求他們更加修煉內功，提升自我，在牢固掌握專業知識技能的同時，注重自我學習、創新和適應能力的培養和提升。隨著移動互聯、智慧教育的發展，適合個體特征的個性化自適應學習系統[1]成為新興研究熱點，將成為以大數據為基礎的教育技術新模式。本文結合本校計算機專業教學實際，提出了一種自適應個性化學習模式研究與設計。

1個性化自適應學習系統設計

我們研發的“個性化自適應學習系統”主要考慮以應用為主線，根據學生學習不同層次水平、不同階段的學習能力反饋信息及時調整下階段的學習方案，真正做到因材施教。該系統主要實現以下幾方面的需求。

1.1利用數據挖掘算法實現學習風格模型構建

受今年特殊疫情限制，使得網絡教學因不受時空限制而被廣泛關注。如何確定學習者的學習風格，進而根據風格來匹配自適應的學習模式是首要考慮的問題。以傳統調查問卷方式獲取學習風格未必準確，本文嘗試采用一種基于學習者的動態學習行為數據，建立一個大數據采集模型（即學習者數據庫），用以存儲在學習系統中時間戳標記的學習行為數據[2]。通過對學習者行為和結果等數據的處理分析，發掘出其學習風格，依據該風格推薦對應的資源和模式。

1.2基于基本反應理論實現認知水平模型構建

認知水平模型構建重點需要解決一個自適應學習診斷問題。我們一般將認知目標分為知識、領會、應用、分析、綜合、評價6個等級。通過學生做題過程（分數、試題難度級別、回答次數及做題耗時等）綜合考察認知能力;可以具體分幾個環節進行觀察，如學習開始測試，了解學生原有認知能力評估，給出個性化學習建議;學習過程中測試，可及時發現學習困難及薄弱環節，適當降低難度以鞏固知識，若測試水平較高則適當加大難度，以促使深入學習;在學習結束時測試，主要是對學習成效的成就性檢測，可通過小項目形式進行綜合分析測試，若達到學習目標則建議終止學習，反之，建議學生進行單元補習。

1.3個性化學習路徑優化推薦

個性化學習路徑優化主要涉及一個自主學習策略設計與選擇問題。本文針對自主學習過程中的主要環節，即：分析學習需求、生成個性化學習路徑、自建與共建學習資源、評價學習結果等方面提出了相應的策略。主要采用兩種方法實現學習者需求解析：一是通過學習者在系統平臺上已有的數據，采用大數據分析技術進行智能解析，確定學習需求;二是根據學習者認知經驗、偏好、認知階段效果評測生成學習路徑n”。同時，對平臺資源依據點擊率、下載率、利用率及學習者對資源的評價等機制及時進行資源的優勝劣汰。

1.4利用數據挖掘技術實現相關偏好的學習信息推送

該系統信息推送部分主要通過機器學習的方法，對學生以往搜索與使用的信息進行統計與概率分析，識別和預測該學生一直關注的信息要點，分析出其對信息內容的興趣/偏好，學習者的偏好特征值獲取方法主要分兩步：第一，從學習者的注冊信息或上傳等行為采集偏好特征靜態值，之后通過直接或間接匹配方法處理該原始數據，得到學習者的靜態特征偏好值[4];第二，挖掘學習者在學習時的行為，如搜索關鍵詞、瀏覽網頁類型及網頁點擊率等，提取學習者的動態偏好特征。進而，通過信息系統內部數據庫主動及時推送具有針對性的有效信息，滿足其個性化需求。

1.5學習效果質量評價體系構建

通過對在校學生開放式問卷調查綜合分析，我們將以下幾個要素作為新型學習模式效果評價的導向指標：首先讓學生成為評價的主體，教師的教學內容和方法只有得到學生的認可才算是有成效的教學;其次，評價是以學習效果為導向[5]。此評價體系一方面對教師的教學能起到一定的激勵作用;另一方面能更好地促使學生自主思考，起到較好的督促作用。課堂學習效果的影響因素包含課程設置、教學設施、教師個人因素和學生學習特征幾大一級指標。繼而細分培養方案、課程大綱、課程類型及負擔，硬件設施、班級規模;教師的教學態度、教學能力、課堂管理能力;學生的學習態度、學習興趣及學習方法等諸多二級指標。據此來進行相關評定。

2個性化自適應學習模式特色

2.1開放性學習

首先，選擇“機器人編程”課程為研究雛形，比較容易實現學習主體開放性自我認知這一先決條件。進入到“機器人編程”班級的基本是有這方面興趣愛好的學生，因此較好地完成了所謂開放性自我認知的體現，對后期學生求知欲的激發、學習積極性的調動奠定了良好的基礎。

在實施過程中，教師可以把握住大的教學目標和方向不變，適時開放一些個人學習的信息，如學生個人學習知識圖譜、各自的興趣偏好、學習進展及績效等項目，目的是幫助學習者更好地規劃或監督自己的學習，以促進學習反思，同時也使其看到自己與同伴之間的效果差異，促進學習者之間的良性競爭，從而激發和維持學習動力，提高學習效果。

2.2自主性學習

雖然控制了整個學習過程教學目標和考核方向不變，但是同一學生不同學習階段也有不同的需求，另外學習能力和策略等因素也會導致每個學生的學習過程不同。解決的途徑之一就是自主學習，也稱自我調節學習。個性化自適應學習模式為自主學習提供了良好的機會，有利于促進學習者對知識的主動構建。

自主學習的關鍵是學習策略設計與選擇，學習者根據自身認知特點和基礎確定學習目標，采用適合的學習方法策略、工具、資源，制定合適的學習計劃。在此過程中，教師必須解決一個動態實時資源庫的構建問題，根據相應的認知目標（知識、領會、應用、分析、綜合等）[6]等級構建合理的知識庫，設計不同綜合性水平能力測試案例，并根據學生執行情況及時調整/補充。

2.3教師授課和學生活動相結合

授課采用團隊分組形式，每組有1名對該知識領域相對較專業的學生為團隊領袖，在消化老師授課內容基礎上，梳理知識點并與相似知識結構水平層面的同學進行互助，激勵團隊其他成員。

課程最終評價將從以下幾部分體現：一是借助上述個性化自適應學習系統對學生動態學習過程、學習終測成績記錄;二是學期中學生模仿類或創新類作品設計與制作（包括實物圖像、具體完成動作說明等）;三是學生參加校內或校外相關設計競賽所取得的成果;所以該課程開設的另一目的旨在嘗試一種新的教學方式/方法探索，最終實現從某種層面提升學生自主、個性學習能力。

3結束語

自適應個性化學習模式研究，其諸多環節都離不開大數據技術的應用，比如大數據分析用以預測及個性化干預，實現數據支持的學習和成績效果評價。借助大數據分析學習者各種特征，了解每個學生學習進度和質量，準確診斷學生的學習需求，預測學生的下一個行為，以助于教師及時調整教學策略，提供有針對性的個性化學習資源和進度安排，以及最佳的學習方法和建議。同時，對學生的學習結果進行大數據分析，及時掌握學生知識點掌握情況，以便識別教學設計中存在的問題并及時改善。

個性化自適應學習是高等教育信息技術長期發展趨勢，在內容和方法上都有很大研究空間，比如智能感知實時捕獲學習過程節點數據以分析學生的認知水平，深度數據挖掘以更好實現個性化預測，利用大數據分析實現對學生的智能化評價等。希望通過對這一全新教學模式的探索與實踐，適應社會發展需求，優化當下教學質量，培養一批真正能適應社會不同發展需求變化，具有較高綜合素質的新一代大學生。參考文獻（References）：

[1]郭朝暉，王楠，劉建設，國內外自適應學習平臺的現狀分析研究[J].電化教育研究，2016.4：55-61

[2]徐鵬，王以寧，劉艷華等，大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析位進教與學》報告解讀及啟示[J].遠程教育雜志，2013.6：11-16

[3]趙學孔，岑磊.面向用戶需求的自適應學習系統個性化學習路徑推薦研究[J].中國教育信化，2016.21：28-31

[4]李春生，張永東，劉澎，張可佳.自適應學習系統中“KCP學習者模型”研究[J].計算機技術與發展，2018.5：73-76

[5]經素.基于學習效果導向的高校課堂質量評價體系構建[J].中國電力教育，2013.31：43-44

[6]張舸，周東岱，葛情情，自適應學習系統中學習者特征模型及建模方法評述[J].現代教育技術，2012.5：77-81

收稿日期：2020-04-17

基金項目：本文系2018年浙江省教育科學規劃研究課題“人工智能下基于自適應的個性化學習模式探究與設計”（2018SCG296）

作者簡介：陳紅（1980-01），女，浙江諸暨人，杭州電子科技大學研究生，研究方向：計算機應用，軟件工程。（浙江杭州310018）