人工智能支持下的智慧學習模型構建研究

鐘卓 鐘紹春 唐燁偉

[摘? ?要] 智慧學習是人工智能時代教育的基本內涵，智慧學習模型構建是實施智慧學習的關鍵和基礎，也是該領域研究中的瓶頸問題。文章針對智慧學習內在機理難以表征的問題，利用人工智能技術，提出了能夠闡述智慧學習特征、要素及運行機制的智慧學習E-GPPE-C模型。該模型由學習環境、教育知識圖譜、學習者畫像、學習路徑、學習評價、學習共同體六大核心要素和基礎層、支撐層、服務層、關鍵層、應用層五個層面構成。基于人工智能相關算法，從教育知識圖譜構建、學習者畫像構建、學習共同體構建、學習路徑推薦四個方面，提出了E-GPPE-C模型的實現方法。研究為人工智能在教育領域應用、智慧學習開展提供了基礎，為后續智慧學習模型研究提供了參考。

[關鍵詞] 智慧學習; 人工智能; 模型構建; 知識圖譜; 學習路徑

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 鐘卓（1987—），男，湖北仙桃人。博士研究生，主要從事智慧教育、數字化學習環境研究。E-mail：382452265@qq.com。

一、引? ?言

早在兩千多年前，孔子就提出了“因材施教”的教育思想。隨著以機器學習、知識圖譜為代表的人工智能技術迅速發展，驅動著社會從“網絡化”邁入“智能化”。在智能時代，人工智能與教育的結合日趨緊密，已有眾多研究者將人工智能引入教育領域，提出了教育人工智能[1]、新主體教師[2]、教育知識圖譜[3]等相關概念。為不同的學生提供符合需要的優質教育依然是智能時代教育的基本內涵。《教育信息化2.0行動計劃》指出：“構建‘互聯網+條件下的人才培養新模式、發展基于互聯網的教育服務新模式、探索信息時代教育治理新模式。”[4]人才培養新模式構建的關鍵在于智慧學習的開展，智慧學習的實現離不開智慧學習模型的大力支持，而構建結構完整、特征明晰、邏輯清楚的智慧學習模型是實施智慧學習時所面臨的重要挑戰。隨著人工智能技術的不斷發展，為智慧學習模型構建提供了基礎與保障，如何利用人工智能技術對智慧學習的特征、構成要素及運行機理進行刻畫是當前教育研究的重要課題。

二、智慧學習研究現狀

關于智慧學習，國內外已有眾多學者進行了研究。國內外學者對智慧學習的研究最初集中在利用技術提供學習資源與環境以支撐學習者個性化學習。Chin認為，智慧學習是一種能夠依據學習者的學習風格，利用技術支撐學習者的個性化學習[5]。Anasol等人認為，智慧學習是根據情境對環境感知來為學習者提供個性化學習資源的新型學習范式[6]。郭曉珊等人認為，智慧學習是在智慧環境中學習者按照自己的需要獲得資源，個性化開展學習活動，快速構建知識網絡的學習過程[7]。賀斌認為，智慧學習從學習者的視角來看是定制個性化學習服務的過程，從技術視角來看是提供智能學習環境促進學習的過程[8]。

隨著大數據、“互聯網+”等技術的發展，智慧學習逐漸轉向對學習大數據的采集，依據數據調控學習過程。Scott等人認為，智慧學習是指運用信息化手段對學習數據進行采集和分析，依據數據調控學習過程[9]。梁迎麗等人認為，智慧學習可以從環境數據、腦神經活動數據、生命體征數據、行為數據、認知數據等不同的信息源收集多種類型的數據，進行跨媒體的泛化推理和多維度的學習分析[10]。

隨著人工智能時代的到來，更多的研究者開始探討利用人工智能技術構建智慧學習共同體，幫助學習者開展智慧學習。鐘紹春認為，智慧學習是在學習系統支持下，學習者能夠選擇合適的學習內容與方式，找到最佳的學習伙伴，得到最有效的教師幫助和指導等以完成學習活動[11]。余勝泉等人認為，在智能教育新時代，智慧學習的開展離不開“學習助手”的大力支持[12]。

智慧學習的本質在于通過知識學習，培養學科能力，促進智慧發展。Dae-joon認為，智慧學習是使用各種技術和資源以增強學習者的能力，智慧學習是學習者實現智慧發展的過程[13]。祝智庭等人認為，智慧學習是一個充滿張力和平衡的過程，要滿足服務學習者智慧發展的深刻內涵[14]。

通過文獻分析可知，智慧學習的研究主要集中在利用技術提供學習資源與環境、利用大數據動態監測學習過程、利用技術獲得教師與學生智慧供給等方面，智慧學習的目的是促進學習者智慧發展。綜上所述，本研究認為，智慧學習是在人工智能、大數據等技術支持下，能夠動態采集學習數據，精準調控學習過程，幫助學習者選擇合適的學習內容與學習方式，找到最佳學習伙伴，獲得最有效的指導和幫助，以促進學習者智慧發展的新型學習范式。

三、智慧學習模型構建基礎

（一）人工智能對智慧學習的支持分析

人工智能（Artificial Intelligence）是研究、設計、開發智能系統用于模擬、延伸和擴展人類智能的科學。近年來，人工智能在教育領域應用日趨成熟，極大地推動了智慧學習的順利開展。國內外已有眾多學者提出了人工智能支持教育的應用場景，并提出了教育人工智能的新范式和應用框架。在分析國內外文獻基礎上，本文參考祝智庭教授提出的教育人工智能相關理論[1]，闡述人工智能對智慧學習的支持，具體如圖1所示。

由圖1可知，人工智能支持智慧學習的關鍵在于，利用人工智能技術構建教育知識圖譜，通過問題解決與任務完成刻畫知識與能力的掌握程度;利用模式識別技術和深度學習構建學習共同體，幫助學習者得到學習伙伴的幫助與指導;利用深度學習技術精準推薦學習路徑，幫助學習者選擇合適的學習方式;利用數據挖掘和深度學習構建學習者畫像，幫助學習者精準調控學習過程。通過分析可知，人工智能技術能夠為智慧學習實施提供必要的給養，有效推動智慧學習順利開展，促進學習者智慧生成。

（二）智慧學習模型構建依據

學習模型是依據一定的學習理論，由要素及要素之間的關系組成，可指導學習過程實施、策略制定、實踐應用的概念集合體[15]。從系統論來看，系統是由要素有機結合起來的整體，系統中的要素至關重要[16]。構建智慧學習模型，首先要明確智慧學習的構成要素。本研究總結了國內外智慧學習以及模型構建相關研究，對構成要素進行了詳細闡述（見表1），并采用對比分析的方法獲取智慧學習模型的構成要素。

從表1可以看出，雖然不同學者對智慧學習構成要素的表述方式不盡相同，但仍體現出諸多相同點，多數學者從學習者、學習內容、學習資源、學習數據、學習活動、學習評價等方面對智慧學習進行了闡述。本研究將學習者擴展為能夠發揮群體動力作用的學習共同體;將學習內容與學習資源合成為學習環境;將學習過程中的活動集合以學習路徑的方式進行推薦;采集學習者特征、過程、結果等數據，形成學習者畫像;依據學習者畫像，開展學習評價。因此，本研究選取學習環境、教育知識圖譜、學習者畫像、學習路徑、學習評價、學習共同體六個要素來構建智慧學習模型。

四、智慧學習模型構建

（一）模型解釋

在分析了模型構成要素的基礎上，本研究提出人工智能支持下的智慧學習模型，抽取環境（Environment）、圖譜（Graph）、畫像（Portrait）、路徑（Path）、評價（Evaluate） 、共同體（Community）六個關鍵詞縮寫，將模型命名為E-GPPE-C模型，如圖2所示。模型由下到上包括基礎層、支撐層、服務層、關鍵層和應用層。模型以學習環境和人工智能技術為基礎;模型構建的關鍵支撐是教育知識圖譜和學習大數據;模型實施離不開學習者畫像和學習路徑的服務支持;模型運行的關鍵在于認知診斷、學習導引、學習分析等學習評價的支持;模型的核心目的在于支持學習共同體開展智慧學習活動，促進學習者智慧培養。

（二）模型運行機制

智慧學習E-GPPE-C模型是一個循環迭代、動態平衡的過程，需要一定的運行機制，模型運行機制包括監測機制、調控機制和優化機制。監測是實施智慧學習的先決條件，調控是智慧學習實施的有效保障，優化是智慧學習模型完善的必備要素。通過對學習過程的動態監測，掌握學習者的學習情況;根據監測結果，對學習者進行調控，使學習者獲得個性化的學習內容和學習方式;在學習中產生的數據融合到已有學習大數據中，對模型不斷進行完善和優化。三組機制相互銜接，形成智慧學習模型運行閉環，促進智慧學習的順利開展。

（三）模型核心要素

E-GPPE-C模型包括學習環境、教育知識圖譜、學習者畫像、學習路徑、學習評價和學習共同體六大核心要素。

1. 學習環境

學習環境是開展智慧學習的“基礎保障”。學習環境是支持學習者進行建構性學習的條件集合，包含物理環境、技術環境、資源環境和情感環境[24]。如果離開學習環境，智慧學習將無法進行。在本研究中，學習環境包括物化環境和智化環境兩部分，物化環境主要包括硬件環境和軟件環境。硬件環境主要包括終端設備、無線網絡、集控終端等，軟件環境主要包括支持智慧學習開展的學習資源、學習工具等。智化環境主要指如何在學習過程中選擇合適的學習方法、學習策略開展學習活動。物化環境為智慧學習提供土壤，智化環境為智慧學習提供養分，共同保障智慧學習的順利進行。

2. 教育知識圖譜

教育知識圖譜是開展智慧學習的“關鍵支撐”。教育知識圖譜是知識與知識關系形成的網絡圖[25]。本研究利用機器學習方法，從教育領域知識庫中抽取出知識實體，按照父子、平行、前驅后繼等關系，建立關聯關系，形成知識體系。智慧學習的根本目的是指向學習者智慧的培養，即培養學科核心能力，而學科核心能力需要通過學科問題解決或者任務完成來形成。因此，本研究基于知識體系，篩選、梳理出學科基本問題，并將學科基本問題凝練為學科組合問題和疑難問題，形成問題體系。按照問題解決能力、批判性思維能力和創造性思維能力匯聚形成能力體系。

利用機器學習技術構建知識與知識、問題與問題、能力與能力間的關聯關系以及知識映射問題、問題映射能力的映射關系。這些知識、問題、能力集合以及知識、問題、能力之間的相互關系被稱為教育知識圖譜，如圖3所示。

3. 學習者畫像

學習者畫像是開展智慧學習的“必要條件”。學習者畫像來源于用戶畫像的概念，是指利用數據來勾畫目標用戶的情況[26]。在本文中，學習者畫像是指基于學習者特征數據、學習過程數據、學習結果數據，從學習者基本信息、學習過程情況和學習結果情況三個方面來對學習者精準建模的過程，具體如圖4所示。

學習者基本信息包括姓名、編號、年齡、性別等信息，來源于學習者特征數據，可以直接讀取系統中學習者的注冊信息。學習過程情況來源于學習過程數據，即通過對學習過程中知識學習、問題探究、合作交流和歸納總結等過程數據的計算得出。學習結果情況來源于學習結果數據，即通過對學習結果數據進行計算建模，分析得出學習者在知識學習、問題解決、能力形成方面的程度。

4. 學習路徑

學習路徑是開展智慧學習的“關鍵舉措”。學習路徑是學習者在學習過程中選擇的活動序列集合[27]。大多數研究者通過知識學習的視角，將學習路徑定義為學習內容、學習活動、學習步驟、學習過程的序列或者集合。在本研究中，學習路徑是以問題為線索，幫助學習者經歷發現、分析、抉擇、歸納、評價等智慧學習過程的知識獲取、問題解決和能力達成的學習序列集合。

E-GPPE-C模型中的學習路徑包括知識路徑KP（Knowledge Path）、問題路徑QP（Question Path）和能力路徑AP（Ability Path）三個維度，學習路徑是從現有學習狀態到目標學習狀態的序列集合，如圖5所示。

5. 學習評價

學習評價是開展智慧學習的“方向指引”。智慧學習是一個復雜的過程，需要在學習過程中對學習進行干預與調節，從而保證學習朝著預定目標順利進行。學習評價是對智慧學習進行價值判斷的過程，是支撐智慧學習實施的方向與路標。布魯姆將學習評價分為診斷性評價、形成性評價和終結性評價[28]。診斷性評價診斷學生當前學習狀態，即進行學習者認知診斷;形成性評價對學習者的學習情況不斷地進行評價、反饋，即學習者學習導引;終結性評價階段性地評估與總結學生學習情況，即對學習者進行學習測評。

本研究將學習評價分為認知診斷、學習導引和學習分析。認知診斷基于教育知識圖譜，分析出學習者當前學習狀態下知識、問題、能力的水平，即學習者當前時刻的個性化知識圖譜。學習導引對學習者當前學習狀態進行分析，為學習者精準定位與之相適應的學習路徑，引導學習者按照最優學習路徑進行學習。學習分析是根據學習者學習數據，評價學習者學習情況，提出學習改進建議，為學習者后續學習提供改進參考并指明方向。

6. 學習共同體

學習共同體是開展智慧學習的“實施載體”。學習共同體有著共同實踐活動、共同話語、共同資源，共同體成員面對復雜的任務時，能夠獲得同伴、教師和專家的幫助，通過適應性學習方式達成學習目標[29]。學習共同體是由學習者與助學者形成的學習生態系統，通過協商、合作參與學習活動，在學習活動中共同構建學習目標。在本研究中，學習共同體有著共同目標、共同參與、共同歸屬，是一個包括學習者、助學者和管理者的學習團隊。在學習共同體中，以學習者學習需求為核心，助學者組織學習內容，引導學習者開展學習活動，而管理者則為學習活動的開展提供保障。

五、智慧學習模型構建方法

人工智能支持智慧學習實現的關鍵在于利用人工智能技術構建教育知識圖譜，動態采集學習數據;利用數據挖掘技術生成學習者畫像，精準刻畫學習情況;利用聚類算法生成學習共同體，得到有效的幫助;利用深度學習算法推薦學習路徑，選擇合適的學習方式。智慧學習模型構建關鍵方法如下：

（一）基于人工智能技術的教育知識圖譜構建

教育知識圖譜構建主要利用人工智能技術，從教育領域知識庫中抽取出特定的實體，并建立實體間關聯關系。本文研究者已經利用基于機器學習的實體抽取、關系抽取、實體對齊等方法，從數據獲取、知識抽取（實體抽取、關系抽取）、知識融合、知識推理四個方面提出了教育知識圖譜的構建方法[30]。

在數據獲取方面，通過包裝器學習對半結構化數據進行處理，通過實體識別對結構化數據進行處理;在知識抽取方面，知識體系的實體抽取采用條件隨機場模型（Conditional Random Fields）實現，問題體系的實體抽取采用KNN算法實現，能力體系的實體抽取組織教育領域學科專家人工抽取，實體間關系抽取采用馬爾可夫邏輯網（Markov Logic Network）實現;知識融合采用基于機器學習的實體對齊方法實現;知識推理采用基于圖的推理中Path Ranking算法加以實現。

（二）基于學習數據的學習者畫像構建

學習者畫像構建是指利用人工智能技術獲取學習者學習數據，通過對數據進行分析計算，從而對學習者進行多維度描述。本研究中，學習者畫像存儲學習者基本信息、學習過程狀態、學習結果狀態三部分信息，學習者基本信息直接讀取系統中的注冊信息，不進行建模計算。學習者畫像構建主要是對學習過程和結果數據進行綜合分析，對學習成績數據、自主學習活動數據、學習報告、知識學習情況、問題探究情況、合作交流情況、歸納總結情況等進行計算建模，從知識、問題、能力三個維度形成學習者畫像，構建過程如圖6所示。

1. 基于學習過程數據的學習者畫像計算建模

基于學習過程數據的學習者畫像建模主要從學習者的學習方式來對學習者進行刻畫，即以可視化的形式描述學習者在完成任務或解決問題時所采用的學習風格。本研究中，學習風格（Sty）包括知識學習（Lea）、問題探究（Exp）、合作交流（Com）和歸納總結（Sum）等學習過程中應用的具體學習方式，每種具體學習方式劃分成4個層級{差，中，良，優}，對應數值為{1，2，3，4}。參考Felder-Silverman學習風格模型，將學習者的學習風格（Sty）劃分為4個層級{活躍型，感悟型，視覺型，綜合型}，對應數值為{1，2，3，4}。利用機器學習算法，計算出學習者整體學習風格情況，如數值越大，則越傾向于綜合型，反之則越傾向于活躍型。

[3] 李振，周東岱.教育知識圖譜的概念模型與構建方法研究[J].電化教育研究，2019，40（8）：78-86，113.

[4] 教育部.教育部關于印發《教育信息化2.0行動計劃》的通知[EB/OL].[2018-04-18].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[5] CHIN K W. Smart learning environment model for secondary schools in Malaysia： an overview[EB/OL]. [2011-10-10]. http：//www.apdip.net/projects/seminars/it-policy/cn/resource/kangwaichin/smartlearning-mimos.ppt.

[6] ANASOL P， CALLAGHAN V， GARDNER M， et al. Towards the next generationof learning environments： an interReality learning portal and model[C]//2012 Eighth International Conference on Intelligent Environments. Guanajuato： IEEE， 2012.

[7] 郭曉珊，鄭旭東，楊現民.智慧學習的概念框架與模式設計[J].現代教育技術，2014，24（8）：5-12.

[8] 賀斌.智慧學習：內涵、演進與趨向——學習者的視角[J].電化教育研究，2013，34（11）：24-33，52.

[9] SCOTT K M. Context aware services for smart learning environments[D]. Ontario： Lakehead University，2009.

[10] 梁迎麗，梁英豪.人工智能時代的智慧學習：原理、進展與趨勢[J].中國電化教育，2019（2）：16-21.

[11] 鐘紹春.人工智能支持智慧學習的方向與途徑[J].中國電化教育，2019（7）：8-13.

[12] 余勝泉，李曉慶.區域性教育大數據總體架構與應用模型[J].中國電化教育，2019（1）：18-27.

[13] DAE-JOON H. What's the implication of "SMART" in education and learning？[EB/OL]. [2013-03-10]. http：//www.elearningasia.net/_program/pdf_pt/[Panelist%203-2]Dae-joon%20Hwang.pdf.

[14] 祝智庭，彭紅超.智慧學習生態系統研究之興起[J].中國電化教育，2017（6）：1-10，23.

[15] 拉爾夫·泰勒.課程與教學的基本原理[M].羅康，張閱，譯，北京：中國輕工業出版社，2014.

[16] 魏宏森，曾國屏.系統論——系統科學哲學[M].北京：世界圖書出版社，2009.

[17] KIM S， SONG S M， YOON Y I. Smart learning services based on smart cloud computing [J]. Sensors， 2011， 11（8）：7835-7850.

[18] DUK-HOI K. Trends and revitalization of smart-learning in elementary and middle schools[J]. Asian journal of information technology， 2012（5）：160-168.

[19] 陳琳，王蔚，李冰冰，等.智慧學習內涵及其智慧學習方式[J].中國電化教育，2016（12）：31-37.

[20] 胡欽太，鄭凱，胡小勇，等.智慧教育的體系技術解構與融合路徑研究[J].中國電化教育，2016（1）：49-55.

[21] 余勝泉，段金菊，崔京菁.基于學習元的雙螺旋深度學習模型[J].現代遠程教育研究，2017（6）：37-47，56.

[22] 姜宛彤，王翠萍，唐燁偉.基于系統論的P-N-CRPE個性化學習模型建構研究[J].電化教育研究，2017，38（5）：53-58.

[23] 鐘紹春，鐘卓，張琢.如何構建智慧課堂[J].電化教育研究，2020，41（10）：15-21，28.

[24] 盛群力.教學設計[M].北京：高等教育出版社，2005.

[25] 楊開城.論課程的易理解性與知識建模技術[J].電化教育研究，2011（6）：10-14.

[26] 余孟杰.產品研發中用戶畫像的數據模建——從具象到抽象[J].設計藝術研究，2014（6）：60-64.

[27] KARDAN A A， EBRAHIM M A， IMANI M B. A new personalized learning path generation method： ACO-Map[J]. Indian journal of scientific research， 2014， 5（1）：17-24.

[28] B·S·布魯姆.教育評價[M].邱淵，王鋼，夏孝川，等譯.上海：華東師范大學出版社，1987.

[29] 鄭葳，李芒.學習共同體及其生成[J].當代教育科學，2007（Z2）：18-22.

[30] 鐘卓，唐燁偉，鐘紹春，等.人工智能支持下教育知識圖譜模型構建研究[J].電化教育研究，2020，41（4）：62-70.

[31] 孔維梁，韓淑云.基于約束聚類的學習共同體智能構建與應用研究[J].中國電化教育，2019（10）：32-37，46.