人工智能支持的個性化學習路徑構建及其實證研究

唐雯謙 覃成海

隨著社會的發展和進步，傳統填鴨式教學已經不符合時代發展需求，但由于教師精力有限，家長也并無足夠時間陪伴學生，個性化學習很難真正實現，這也成為教育個體中心化發展瓶頸。而人工智能等信息技術的發展，為解決這一問題提供了新的思路。借助大數據、云計算、互聯網、人工智能等技術構建個性化學習系統，可以通過數據來分析學生在學習上的優勢和劣勢，從而有針對性地提出解決方案，以滿足學生的個性化學習需求，從而實現全面發展。

一、個性化學習研究進展與問題

人工智能技術為個性化學習的實現提供了可能，國內外研究者也紛紛從人工智能的角度去探索個性化學習路徑的構建。國外學者從各種角度提出構建個性化學習的途徑，如有學者認為學生有必要深入了解課程主題和教學大綱，認為這是建立個性化學習的有效方式，可以促使學生主動選擇個性化學習[1];Acampora在研究中發現采取可視化技術、內容圖譜、語義本體等方式可以幫助學生建立知識地圖，這有利于學生在原有知識、新學知識和其他知識之間建立起自己的邏輯關系，為其做出學習路徑決策提供客觀科學的依據。以上兩種方法都是從知識圖譜角度去分析問題，為個性化學習提供了解決路徑，但這些方式的智能化程度并不高，還需要學生自己摸索掌握學習路徑。依據奧蘇貝爾有意義學習理論，Ahmad提出可以依據學生的知識結構尋找有共同特點的學習群體，借助蟻群優化算法來獲取合適的學習資源，這被稱為CO-MAP學習路徑[2]。還有學者提出可以利用學生的課程歷史記錄作為資源，構建適應性的決策樹，這樣學習者便可根據決策樹模型來對學習資源的適配性進行排序。Idris等認為自組織神經網絡算法是構建個性化學習路徑的有效手段，可以幫助學習者與學習資源之間建立起需求匹配關系，并且可以從學習目標、學習風格、知識層級等幾個維度進行推送和匹配學習資源，以實現個性化學習的目的。另外，還有的國外研究者從圖論算法、遺傳算法以及免疫算法等角度提出構建個性化學習的路徑，這也表明了人工智能在實現個性化學習過程中所發揮的巨大作用。不過上述國外研究者的側重點在于學習資源，認為對學習資源的智能選擇是形成個性化學習的重中之重，這也就相對的淡化了學習活動序列在個性化學習中的重要性。

近幾年來，隨著國內智能技術的快速發展，國內研究者也開始紛紛涉足個性化學習路徑的研究領域。如牟智佳在研究中闡述了數據挖掘技術對個性化學習的支持，并從個性化學習特征的角度提出了路徑生成模式。陳智慧則認為構建學習者個性化學習路徑的關鍵在于明確學習者的特征，目前個性化學習路徑構建準確率較低的原因在于學習者特征把握不精準。黃志芳等研究者在個性化學習路徑構建上提出了新思路，從情境感知角度出發構建了個性化學習路徑模型框架，在基于情境感知技術和領域本體技術基礎上，構建適應學習者情緒和認知的個性化學習路徑。也有學者利用遺傳算法來優化個性化學習路徑，并考慮到學習者的特征、情境因素、移動學習環境等，在此基礎上構建了移動個性化學習路徑模式。此外，國內學者還有從認知水平、在線學習等角度分析個性化學習，并提出相關構建路徑。

國內外研究者對個性化學習路徑的構建分析角度不一，但都為之后的相關研究和實踐提供了更多思考的方向。總體來說，國外研究者分析個性化學習路徑的構建更多是從自動構建和知識導航的角度出發，更偏向實現流程的研究探索。但顯而易見的是，自動構建相當于是對學習資源進行拼接序列，忽視了協作、討論等活動對于學生知識深度構建的重要作用，因此據此形成的個性化學習路徑并不完善;知識導航的模式需要學習者去主動尋找匹配合適的資源，并確定學習活動的序列，這對學習者來說依然有較大的壓力和負擔，學習者很難通過個性化學習來提升學習質量。國內學者的個性化學習路徑構建更偏向于理論研究和應用模型的構建，較少學者關注個性化實踐。可以說，目前關于個性化學習路徑的構建依然處于起步探索的階段，盡管已經基于智能化應用進行了一些闡釋，但在二者的適應程度上還需要進行拓展和延伸。

二、人工智能對個性化學習的技術支撐

（一）模式識別

現階段模式識別技術算法主要有模板匹配法、統計模式法、神經網絡法等，其中統計模式法是應用最廣的算法。最近幾年隨著神經網絡算法的落地，對此在模式識別研究中基于多層神經網絡構建起的深度學習與深度神經網絡體系備受矚目。這種深度學習神經網絡算法進一步提升了語音、圖像及情感模式識別的精確度。目前，模式識別系統的構建總共由四部分組成，其分別是數據采集、預處理、提取特征與選擇分類。

實現個性化學習服務的首要條件就是獲得學習者的語音、情感等具有體征性的數據，隨后系統對這些數據進行有效分析并歸類為不同類型數據庫，為人工智能教學體系模式識別提供有效的數據支持，以便實現個性化學習。

（二）自然語言理解

計算機對自然語言的理解主要由三部分組成其一將所要研究的問題轉換為數學形式;其二是將數學形式轉換為算法，其三根據算法完成程序的編寫，并通過計算機來實現。自然語言理解最早是一套產生式系統、規則系統，現如今已經發展成為了統計模型、機器學習等系統。人工智能教育中最早應用自然語言理解技術的目的是實現語法錯誤檢測，隨著算法的不斷優化，自然語言理解在人工智能教育體系中得到了更充分的應用。據不完全統計，目前自然語言理解在各大人工智能教育平臺中的應用共計分為四部分，其分別是文本分析與知識管理，例如機器批改作業、機器翻譯;人工智能系統交互;教育工具中的語料庫構建與語料檢索系統;語言教學的研究。

（三）深度學習和機器學習

機器學習是人工智能的一個子分支，它通過收集不同場景中的經驗數據來提升系統的能力，機器學習借助算法來分析數據，并從數據中抓取知識，據此進行決策;而深度學習是一種特殊的機器學習，它模擬人類決策能力的神經網絡，它可以從少量的有限樣例中，借助算法總結出一般性的規律，并能夠將這一規律舉一反三，應用到未知的數據上，實現智能的學習和決策，如人工智能學習平臺可以從學生錯題規律中總結出學生的思維邏輯誤區，這樣當出現新的錯題，人工智能便可以用總結的規律來分析學生可能存在的解題思路問題。

三、基于人工智能的個性化學習維度構建

本文從數據環境、方法、時間、目的、利益相關者五個方面討論基于人工智能的個性化學習維度構建，如下頁圖1所示。

（一）數據環境維度

構建個性化學習系統，實現個性化學習的前提是海量的數據。教育大數據主要有三個部分組成：一是學生的個人情況，包括性別、年齡、所在地區、家庭教育情況等。除此之外，還包括學生在測試中所體現出的知識水平、認知能力、情感特性、元認知能力等個體化的特征信息。二是學生在學習過程中產生的各種有關學習行為的數據。如登陸學習系統的時間、次數、瀏覽的時長、視頻點擊的數據、練習的成績、學習行為的順序等，還包括借助傳感器而獲得的有關學生心理和生物方面的數據，如學生的面部表情、手勢數據等等。三是網絡交互行為數據。如學生在論壇、討論區、評論區，與教師、學生互動和交流的數據。

（二）方法維度

人工智能技術為個性化學習系統提供了強大的技術支持，它能夠模仿人類的決策過程，基于海量的數據參數，人工智能可以給學生提供學習建議。人工智能中的神經網絡、模糊邏輯、決策樹、遺傳算法等技術都將在個性化學習中進行廣泛應用，幫助個性化學習系統實現深度學習和人機交互模式。與人工智能技術深度融合的個性化學習系統，能夠具備專家型教師水平素養。這意味著它能夠像專家型的教師一樣，掌握學生的個性化學習需求，并為之提供學習內容的推送和評價學生的學習狀況。同時，這一系統也能給學生帶來優質的學習體驗，為學生打造交互性和探索性的學習環境。

（三）時間維度

時間因素是個性化學習系統構建的重要一環。個性化學習不僅要關注時間進度、教學日歷、課程計劃等宏觀層面的學習時間，同時，還要從微觀層面分析學生的學習時間。隨著技術的進步，個性化學習系統可以精準地記錄學生學習行為的時間點，從而分析學生的學習狀態。學生的學習狀態在不同的時刻也有所差異，進而導致學習效果產生區別，為此系統需要全程追蹤學生的學習狀態，分析學生在不同時刻學習狀態的差異，并根據狀態的不同來提供有差別化的學習材料，以提升學習效能，達到最優化的學習策略。

（四）利益相關者維度

從個性化學習的參與主體來看，系統需要向不同的群體反饋數據和提出建議，滿足不同受益者的需求。對學生來說，系統可以根據學生設定的學習目標，不斷規范學生的學習行為、調整學習計劃，最終實現學習目標。對于教師來說，系統在基于數據的基礎上應指出當前教育策略存在的問題，并提出解決策略，成為教師開展教學活動的重要輔助工具。對于研究者來說，個性化學習系統應該輸出學習的成效與進展，為進一步開展個性化學習提供理論支持。從決策者角度來看，需要個性化學習系統提供不同平臺、群體、課程之間的差異化數據，以便做出教學決策、進行精準教育扶貧、優化資源配置，起到實現教育公平的目的。從家長角度來說，個性化學習系統建立了學生與家長之間密切的聯系，家長需要系統提供學生學習成效、學習進度、學習情緒等方方面面的數據，以實現監測孩子學習狀態的目的。

四、人工智能背景下個性化學習的實踐應用分析

（一）“跟它學”系統“教”的實踐樣態

根據上述理論，研究組應用“跟它學”系統進行了實踐，該系統從課前、課中到課后是在人工智能體系下所形成的智能化教學新模式，其系統“教學”實現結構如圖2所示。課前教學通過智能備課將學習目標、個性化學習內容推送到學生學習空間中，以便學生進行自主預習。課中階段，教師首先摸清學生預習情況，并且根據學生具體預習情況實現精準性教學。課后輔導階段，主要是學生對學習到的新知識進行消化及解決課堂中存在疑問的知識，“跟它學”系統是對每位學生存在的知識難點進行準確分析，并提供針對性的輔導教學。

1.智能化備課

教師深入研究教材內容之后，通過智能化備課系統完成備課工作。首先“跟它學”備課模塊是根據教師備課的具體內容，向教師推送一些較為前沿的教學案例，以便于教師參考并獲得新的教學思路。其次備課系統還會根據教材的內容推送相關的教學資料，以供教師酌情選擇。為了進一步豐富備課系統資源庫，“跟它學”系統平臺可兼容IBM公司所開發的教師輔導系統工具Waston1.0，該系統可以通過與人對話構建智能搜索引擎。

教學是教師教育學生學習的一個雙向互動的行為過程，而教學的前提工作就是教師要做好全面細致的備課工作。在“跟它學”人工智能系統中，通過大數據技術對學生的學習興趣、學期風格進行深入挖掘。教師在備課系統中以可視化數據掌握每位學生的學習特點與具體的學習情況，經過分析之后根據教材的實際內容與學生的學習水平制定科學且合理的教學方案，實現最優化的教學效果。

2.精準教學

“跟它學”智能化教學系統在組織教學活動時最大的優勢是實時采集數據，并通過智能系統結構對采集到的學生學習數據進行深入分析并以可視化形式展現出來，以便教師根據學生的具體學習情況進行智能化教學輔導，以教學大數據作為基礎，制定出與之相應的教學設計，滿足每一位學生個性化學習需求，總而言之，以智能化技術來實現教學體系的改革。

3.智能化輔導系統

“跟它學”智能化學習平臺中的智能輔導功能是扮演者施教者的角色，系統數據庫中收集到了各個學科最全的學習資料及教學案例。系統平臺根據學生學習的具體情況用最合適的教學案例或者是學習資料為學生提供針對性的教學輔導。從技術領域來講，智能化教學系統共有三大模塊組成，其分別是學習者模型、領域模型與教學模型。系統中的學習者模型主要作用是分析學生的具體學習情況、情感狀況及學習興趣等相關數據;領域模型主要是完成相關學科領域方面的存儲;教學模式主要承擔著系統施教功能，其中涵蓋了教學的具體流程及教學策略的針對性實施。

（二）“跟它學”“學”的實踐樣態

“跟它學”智能化學習平臺是以人工智能技術為基礎所開發出的一套以學生為核心的學習活動。“跟它學”智能化學習環節如圖3所示。

1.自適應預習新知

自適應預習新知識是要求學生能夠將所學的知識與實際生活互相關聯起來，進而激發起學生濃厚的學習興趣，基于此，“跟它學”智能化學習平臺在知識應用情景創建中主要是從三個方面實現：“跟它學”自適應學習功能是以人工智能技術能應對不同人的學習需求，根據學習者的學習特點提供相適應的學習資源及相關案例，激發起每位學習者的學習興趣;學習者通過手機識別自然環境中的物體，“跟它學”智能化學習平臺可以識別這一物體，并且對這一物體相關的知識進行條理性的闡述。例如在英語學習中，學習者掃描相關物體之后，“跟它學”系統平臺會進行相關單詞的反復朗讀，讓學者應時應景的學習相關單詞;“跟它學”智能學習平臺還會通過人工智能系統為學習者推送一些國外的相關教學案例與場景化內容，讓學習者根據在適應不同的場景化中進行高效的學習，同時也是開拓了學習者的國家化視野。

2.智能化交互學習

在課堂中，一般來講教師只是重視學習成績較好或者是學習成績較差的學習，往往這些學習在課堂中的發言機會比較多，而對于一些學習成績一般的學生來講發言機會相對較少。通過“跟它學”中隨機提問功能就能實現課堂隨即提問，讓發言機會更加的公平，同時系統平臺中還設有強大功能，進一步激發起學生的發言積極性，有效活躍課堂氛圍。

3.定向化測試練習

在學生選擇要學習的知識點后，“跟它學”平臺將提供“課程學習”或者“診斷測試”兩個選擇，學生可以自主選擇，主體性地位得到體現。系統平臺還會根據學生的學習狀況來匹配了練習題，這解決了傳統教學中，學生花費時間在已掌握的知識點上的問題，提升了學習效率。而且系統能夠通過大數據技術掌握學生學習狀態，利用語義建模、神經網絡、自然語言處理、模糊識別等技術實現智能批閱，解決了老師重復勞動的問題。

4.科學化評價

“跟它學”系統可以應用人工智能、云計算等技術快速分析學生在線學習過程中所產生的各類數據，并從數據中分析研判學生的學習風格和學習特點，為相關利益者提供其所需要的信息，進而在學情分析中以可視化的方式呈現給相關主體。對于學生來說，他們可以通過學情分析來客觀理性地判斷自己的學習效果，并有針對性地補齊短板。

五、結語

智能時代的到來顛覆了教育領域，人們越來越承認學生在教育中的主體性地位，并認識到尊重個體差異性對于提升教育效果的重要性。人工智能技術的發展為實現個性化學習提供可能。在人工智能支持下，學生可以根據自己的興趣愛好、知識水平來選擇學習內容，平臺也能夠為學生提供判斷的依據，并選擇相匹配的學習資源，讓“量身定制”學習成為現實，這對于提升教育質量、推進我國的教育信息化具有重要意義。同時，我們也應該對教育人工智能化的思想傾向與做法保持足夠清醒，辯證地對待，認清人工智能的作用邊界[3]。