基于人工智能的個性化網絡學習平臺設計研究*

丘美玲，楊震倫，陳惠紅

（廣州番禺職業技術學院，廣東 廣州 511483）

大數據和人工智能技術很少被應用于傳統的網絡學習平臺，尤其是基于用戶學習的大數據分析和進行個性化推送服務模式與平臺設計的研究并不多。因此，亟需以在人工智能的總體框架下，梳理科學的教學理論思想對個性化學習的特征和內容做更深層次的整理和歸納，從而研究出以用戶為中心的個性化學習內容的推送服務模式。

在人工智能和大數據的背景下，許多的學習行為被跟蹤和記錄，數據驅動下的個性化網絡學習平臺通過大數據分析學習行為和學習過程，能夠精準識別學生的學習習慣、學習過程、準確預測學習趨勢和評價學習結果，給予學習者自適應的指導和個性化的推動。因此，教學逐漸從用數據驅動決策替代用經驗說話的方向發展。如何對巨量的學習數據的特征進行智能篩選并建立聯系、如何精準制定學習者每一階段要學習的單元知識、如何跟蹤學習者在學習過程中的學習特征等，均是當前個性化自適應學習實踐中急需處理的技術難題。通過建立一個經典的三角模型可闡釋個性化自適應學習的關鍵技術構架，需著重對個性化學習路徑推薦、跟蹤與知識圖譜的構建及展示軌跡等核心技術難點進行探索研究，以解決教學知識圖譜展示的信息傳播、教學數據中的理論邊界檢測、個性化學習路徑推薦結合課程序列、深度知識跟蹤的數據不可闡釋和碎片化等問題。

課題將從三個方面進行研究：基于數據驅動的個性化學習特征；個性化網絡學習平臺的系統流程設計；基于個性化的網絡學習平臺的服務支持。各部分研究內容之間在邏輯上相互響應，構成一個有機的整體。

1 基于數據驅動的個性化學習特征

圍繞在線學習平臺的大量大數據源的增長研究，有助于新一代個性化學習模型的出現。近5年，隨著大數據革命的到來，傳輸到教育環境的大數據源數量呈指數級增長，這被稱為教育數據的爆炸式增長，在線上學習模式中使用大數據有助于設想新的教學方法和新的戰略性學習決策，從而最大限度地滿足學習者在學習內容方面的需求。網絡學習模式在大數據環境中的適應性變得不可避免。社交網絡是教育環境和線上學習平臺中最大的數據源。

正確地認識教育群體，更好地設計未來的學習環境，實現更靈活的教學方式，這些都是實現基于AI的個性化學習的挑戰性問題。除此，還有三方面的核心科學問題也需要繼續解決，包括：可定制的學習服務，可計算化的教學情境，可理解的學習主題。因此個性化的學習模式正在成為最重要的教學方法之一。

依據學科的知識體系，利用大數據技術將用戶的學習資源進行分化式整理，然后構建用戶的個性化學習資源庫框架（圖1），為用戶提供如何有效利用碎片化時間完成不同網絡平臺資源的選擇和學習，教師在將來能通過研究學生的學習行為、討論的內容、學習的狀態、學習的進度、知識狀態、在線測試分數等用戶學習數據，分析用戶的學習情況和知識消化程度，以及學習習慣等更深層次的關鍵信息。因此能更有針對性地對用戶進行教學引導，解決相關學習痛點。

圖1 個性化自適應學習資源庫框架

2 個性化網絡學習平臺的系統流程設計

在線學習模式是現在最重要的教學方法之一，然而，大多數現有的網絡學習平臺只提供傳統的在線學習系統，學習者僅僅只能訪問相同的評估和學習內容。個性化網絡學習模型通過大數據技術，提供了新的學習策略，在本文中提出了一個自適應的在線學習模型，為每個學習者提供最合適的學習內容。研究將通過引入人工智能、大數據的創新理念和技術到網絡學習平臺設計上，從而實現為當前網絡學習平臺提供以學習者為中心的個性化學習服務模式（圖2）。

圖2 個性化網絡學習平臺的系統流程設計

該模型基于兩級自適應在線學習。第一個層次包括兩個步驟，使用遺傳算法通過適當的學習者評估方法確定相關的未來教育目標，使用蟻群優化算法為每個學習者生成自適應學習路徑。在第二個層次，基于地圖縮減的社會網絡分析，用于確定學習者的動機和社會生產力，以便為每個學習者分配特定的學習節奏。

3 研究基于個性化的網絡學習平臺的關鍵技術

當前個性化學習服務實現可以通過“三項服務”的關鍵技術進行應用實踐（圖3），即在個性化網絡學習平臺支撐下，基于學習需求推送個性化學習內容；基于學習能力生成個性化學習路徑；基于知識掌握進行個性化學習評價。

圖3 基于個性化的網絡學習平臺的關鍵技術

基于學習需求推送個性化學習內容：獲知學習者潛在的若干個興趣點的情況下，如何快速捕獲用戶的興趣點，并給予持續的滿足，并形成系統知識點的轉化。通過召回策略，初選出用戶可能感興趣的內容，形成一個召回的一個候選集。在排序環節，結合用戶特征，產品環境信息推薦內容特征，使用機器學習的模型算法，對召回后的內容進行排序。在策略干預環節，對機器學習形成的排序進行策略，從而干預從海量的數據中篩選出用于推薦的內容候選集。

基于學習能力生成個性化學習路徑，特別指基于遺傳算法的學習路徑排序，它強調考慮學習者的需求。蟻群算法是一種群體智能技術，在解決在線學習領域的許多優化問題上表現出良好的性能。特別是，蟻群算法的適應性尤其受到重視，許多研究表明基于蟻群算法的推薦技術達到了80~90%的準確率，蟻群算法已經被證明是一種根據學習者的學習風格提供學習計劃的技術。

評價是第一個用于了解學習者對教育資源的先決條件的在線學習測試，大多數現有的在線學習平臺相關的評價功能非常有限。學習評價是特定的在線學習組件，它使在線學習系統提供個性化學習路徑和合適的學習內容，提供了更多額外的學習時間和個性化學習路徑的學習，路徑排序是一個開放的問題。

4 結束語

本文從數據驅動的角度出發，對平臺框架進行梳理，并對其關鍵技術進行分析。個性化自適應學習在智慧教育中具有廣泛的應用和發展前景，但其關鍵核心技術、重要應用示范和重點體系框架等方面仍然處于不斷研究和探索階段，尤其是在線下實體教育中尚缺乏實際應用。其主要原因在于不同實體教學結構的差異性以及線下數據采集的困難性上。因此，個性化自適應學習的未來發展，應該更加關注學習者的個性化需求。從個性化學習路徑推薦、追蹤知識、知識圖譜及其表示學習等方面，深入研究線上和線下場景的個性化自適應學習的框架體系和基礎理論、平臺構建和核心技術。重點從教學模型、學習者特征模型和領域知識模型三方面對平臺實現機制進行探析，推動其智慧教育領域的創新發展。