面向認知計算的智能自適應學習系統研究

摘" 要" 基于認知計算挖掘和分析學習過程數據，自適應地推薦學習資源與路徑，實現精準教學與個性化學習，有助于學生擺脫信息迷航，提升在線學習體驗。根據已有的自適應學習系統和認知計算研究，以自適應學習系統結構模型為切入點，構建面向認知計算的智能自適應學習系統結構模型，利用模型構建和分析方法，探討面向認知計算的智能自適應學習系統的運行機制和人機交互過程，闡述面向認知計算的智能自適應學習系統環境對個性化學習及認知與思維的影響，以期實現認知計算推動自適應學習系統研究的發展。

關鍵詞" 認知計算；智能自適應學習系統；個性化學習；深

度學習；CCIALS

中圖分類號：G434" " 文獻標識碼：B

文章編號：1671-489X（2024）14-0050-05

0" 引言

一些研究者致力于利用計算機編程技術檢測學生當前的學習水平，利用預先設定的機器學習算法和規則分析認知能力、學習風格、知識水平等，采用基于內容、項目、協同過濾等推薦方式，給予基于規則、產品、非生成性的反饋，部分系統實現測量、收集、分析、報告關于學生的數據，然后由教師根據分析結果和特征等對學生進行適當干預。基于自適應學習、學習分析技術和方法，創設智能自適應學習環境，而認知計算（Cognitive Computing，CC）是能擺脫人干預的自行解決復雜問題的計算模式，通過信息分析、自然語言處理和機器學習領域的技術創新，使系統像人腦一樣思考和學習，作出正確決策。本研究從人工智能視角，論述自適應學習和認知計算相關研究，提出面向認知計算的智能自適應學習系統（Cognitive Computing-orient Intelligent Adaptive Learning System，CCIALS）模型，從模型構建、實現機制和學習交互等方面創設新的智能自適應學習環境，探討新環境對個性化學習研究的思考與啟示。

1" 相關研究

1.1" 自適應學習系統

自適應學習平臺包括WileyPLUS、LearnSmart、Quantum、Pearson、Navigate、Knewton、Cerego、DreamBox、Adapt Courseware、KNOWILLAGE、CogBooks、LoudCloud Initiative、RealizeIT、Open Learning、Smart Sparrow、ALEKS等。Smart"Sparrow在線課程嵌入大量模擬實驗，實現學生邊做邊學，根據算法處理在線學習行為，在互動和反饋中修正課程設計[1]；Cerego全程跟蹤學習進度、難易程度和知識點掌握情況，利用數字儀表盤呈現測評結果，達成知識管理和知識記憶等目標[1]；Knewton借助心理測量模型和貝葉斯網絡等概率模型評估學生知識狀態，基于學科知識圖譜推薦學習路徑[2]；DreamBox跟蹤學生行為記錄，利用機器學習算法提供自適應學習內容，培養學生數學理解能力[3]。

綜上，自適應學習系統利用反饋幫助學生識別錯誤信念，感知誤解和不平衡，重新建構知識，識別已學知識和水平，判斷學習進程。

1.2" 認知計算

認知計算基于認知科學和心理學等設計計算模型和決策制定機制，例如，AlphaGo核心是深度學習與強化學習，用于解決序列決策問題，實現深度學習設立的目標，即通過策略、價值函數和模型調整環境的性能，解決人腦級別的任務。此外，利用事件驅動的神經網絡突觸核和多線程引擎Compass配有創新性PGAS通信原語，實現神經元之間通信和交流（即低水平思考）。Djurfeldt[4]提出構建和創作高水平神經突觸核網絡的正式語言，用于平行神經網絡結構連接，可創造神經網絡圖形表示，如鄰接矩陣。有學者結合觀點挖掘引擎和面部表情分類器判斷人類情感，實現Avatar利用面部表情、語言和身體姿勢等生成器創造共情反應。認知計算是來自人腦研究而得出的一系列技術，是人工智能和信號處理的結合，是一種模仿人腦處理信息并增強人類決策能力的技術[5]。

綜上，認知計算包括神經處理器硬件和軟件工具、算法和框架支持類人的數據分析，如機器學習算法建模人機交互過程，發現用戶社會感知行為模式。基于大數據、高運行速率的服務器執行運算算法，賦予認知計算具有知道、思考和感覺的自主認知能力，為自適應學習系統模型構建提供技術和理論支撐。

2" 面向認知計算的CCIALS模型

2.1" 面向認知計算的CCIALS模型構建

自適應學習系統發展空間包括：系統側重判定知識掌握程度，而大量“刷題”難以鍛煉學生深層次思考；材料呈現多是基于學生風格和成績，從文本對話過程判定學生優劣；利用編程和規則規約方式限制學習過程和課程路徑，不能有效解決信息迷航和知識負載問題；學習數據為粗粒度，忽略認知參與、學習深度、高階思維、知識建構能力等。而融入認知計算的自適應學習系統智能在于：自動診斷和提供個性化學習規劃，自主制定學習決策；根據情緒和學習參與給予適當提示；性能上進行快速非編程的加工處理，利用深度學習和強化學習算法學習學生痕跡；以獎懲方式分析學習效果，經多次學習和訓練，重新設定和學習模型的權重與閾值，直到學生學習效果達到最優。基于自適應學習系統參考模型[6]、DreamBox自適應學習模型[7]、自適應學習流程[8]以及認知計算理念，構建CCIALS模型，如圖1所示。

CCIALS模型包括適應性模型、領域模型、教法模型、學生模型等，學生訪問內容主要與領域知識對象或課程容器相關，經統計分析知識水平、錯誤模型、元認知能力、認知特征、情感特征等數據，提供預測模型、學習活動測量或儀表盤信息。同時，學習引擎（包括自適應引擎、推薦引擎、干預引擎等）為學生推薦適應的內容、路徑、序列、導航、評估等。教法模型用于深度模擬教師的教學過程和策略，持續地自學習和更新模型。CCIALS自學習的每步可能引起最終的全局計劃，不再獨立于過去經驗，達成最大化目標的新路徑。根據訓練數據調整神經元之間的鏈接權和閾值，神經網絡學習到的內容都放在連接權與閾值中，并且需要與強大的算法聯結起來，算法模型越復雜，它的解釋力就越強大。結構化與非結構化數據是系統所需的訓練樣本（包括學生正確回答率、用時、自信度、學習相似內容的表現、對學習目標的熟悉程度等多維度數據），通過訓練模型，采用人工智能技術，轉化并輸出自適應內容（輸出學習材料，推送給學生）、測評（對學習材料的掌握情況的測評與反饋）、序列（學習材料中知識點的組織順序），實時地感知、思考、理解數據，經長期訓練和學習，智能系統可獲得認知智能，精準地提供適切、智能、個性化的推薦。

2.2" 面向認知計算的CCIALS模型分析

深度學習最具吸引力的特點是學習能力，人工神經網絡能學會它可以表達的任何事物，實現認知計算抽象地處理和分析文字、概念、語義等；進行知識表達、理解和學習等，能實現CCIALS各個模型互相協助，促進學生深入且精準地進行個性化學習。

2.2.1" 領域模型

領域模型描述知識，旨在表現概念集合和概念的關系（主題之間的關聯），可采用知識圖譜（Knowledge Graph，KG）表達知識發展進程與結構關系（主體—關系—客體），即KG（C，R1，R2，R3，……，Rn），C是領域概念結點，Ri表示概念之間的第i個關系。例如：BT（a，b）指概念a屬于概念b（分層關系）；IRB（a，b）指a是b的必要條件（順序關系）；SO（a，b）指先學a再學b（順序關系）[9]。CCIALS用不同顏色標注概念，如綠色表示已掌握，紅色表示未掌握，藍色表示當前推薦，灰色表示未學。

2.2.2" 學生模型

學生模型用于建模學生當前知識狀態，采用覆蓋模型、鉛版模型、攝動模型等建模方法。Elena等[10]提出多維認知空間，即認知位置由已學的知識對象決定，若課程位置由N個對象組成，則這個位置是N維向量P={xi}，i=1……N，xi是[0，1]，如四維認知空間的四個對象A，B，C，D，四維向量P的位置P={xi}，i=1，2，3，4且0＜xi＜1，起點位置Ps=（0，0，0，0），目標位置Pf=（1，1，1，1），因此，可以推薦最短路徑LPh=（A，B，C，D）=（K1，K2，K3，K4）是分層學習路徑，LPc=（A，C，B，D）=（K1，K3，K2，K4）是時間序列學習路徑。CCIALS將學習內容切割成點，根據各自知識類型，順序化地組織知識對象，建立一個動態、實時、可調整、關聯復雜的立體網絡的學習內容，讓學生按自己的路徑學習。

2.2.3" 教法模型

教法模型提供教學策略或方法，根據領域知識圖譜或認知空間選擇適合的方法策略。一般采用基于規則方法定義可行的教學策略，如TP（C*Props*PropVals）范圍是（0，10）[9]，Props是教法集合的屬性，PropVals是方法集合的可用值，常用教學方法為歸納法或演繹法[9]。教法屬性集合DPA（property）=value，表示學習應用的策略；代價屬性集合CPA（property）=value，用學習表達生成算法優化學習過程。CCIALS教法模型設計包括教學方法、學習活動類型、交互水平、交互類型、學習任務困難程度等，如根據學科特征和學生認知掌握水平采用符合的教法，實現個性化學習指導。

2.2.4" 適應性模型

適應性模型采用貝葉斯網絡（對學生聚類）、隱馬爾科夫模型（預測學習成功概率）、一般算法（從前測精細化模型且建構最優的路徑）、人工神經網絡（模式識別，用于推斷學習風格）等。例如：神經網絡的輸入層變量為V1，V2，V3，……，Vn等，表示學習類型、課程內容、點擊頻率、保持時間、知識背景測量等；輸出層代表被識別的特征類型，包括認知水平、認知風格、認知參與和學習情緒等，分別表示為Y1，Y2，Y3，……，Yk等；中間層為隱層部分，隱層輸入與輸出之間通過非線性函數實現變換。CCIALS神經網絡經前向傳播（由數據從前往后傳播）和反向傳播（模型權重參數更新）不斷調整權重參數，進而對原始數據進行特征提取（分類、回歸、聚類、降維等）。隨著數據雙向傳播，增強神經網絡模型學習分類與識別問題能力，精準地學習分析和自適應地推薦。

3" 面向認知計算的智能自適應學習過程

3.1" 面向認知計算的CCIALS運行機制

CCIALS模型為智能研發帶來啟示，學生模型、領域模型、自適應引擎的關聯對系統運行機制帶來新的訴求。基于方海光等[11]構建的面向教育大數據量化自我的自適應學習MOOC系統模型、姜強等[12]構建的基于大數據的個性化自適應學習結構模型以及認知計算過程，分析CCIALS模型運行機制，如圖2所示。

學生利用可視化接口與CCIALS交互，系統執行測量、收集、分析、報告關于學生和情境的數據，主動導向和動態干預學習。知識資源庫映射于知識領域模型和教法模型，存儲知識點、案例、測試、練習等。CCIALS分析知識資源庫、學生特征庫等數據，自適應引擎利用路徑推薦算法，探尋學生認知模型或認知空間，推薦路徑L1、L2、L3等。各模塊和數據庫實時建模學生認知，經深度強化學習，構建基于表示的多層機器學習模型，訓練海量有用特征的數據，提升識別、分類或預測的準確性。認知計算幫助決策者從海量數據解釋非凡的洞察，實現CCIALS感知、記憶、學習等認知活動，時刻探尋學生的特征、風格、水平等，以數據驅動、模型驅動、模型匹配的方式學習如何感知學生學習、如何思考學生學習以及如何指導學生學習，更好地幫助學生認知，更精準地分析學習過程數據。

3.2" 面向認知計算的智能自適應學習交互過程

CCIALS各模型彼此聯系，結合高性能的算法和運行機制，為學生積極參與學習營造智能環境。基于CCIALS模型、運行機制和認知計算理念，構建面向CCIALS的人機交互過程，如圖3所示。

學生選擇教學資源和模式，CCIALS記錄訪問的時間和方式（自主學習、協作學習等），根據學生選擇的知識模塊（如“網絡層IPv4協議與編址”）提供虛擬、仿真、建模、現實等場景活動，評判與考查學生信息查找和方案建構的成效，將學習（如認知空間映射）數據存儲于數據庫，持續捕獲與存儲正確和錯誤的回答、決策制定的時間長度等數據，采用特定算法分析精細粒度數據，結合認知建模和學習分析過程，提供適合的支架、序列、提示等，如學生成績已經超過θ值，判定學生已學會知識，利用深度最優算法尋找下一個最合適的節點，同時根據知識圖譜剔除冗余節點，得到學習路徑=（編址概念，表示方法，標準IP編址分類，特殊編址形式，專用IP編址，網絡編址轉換NAT），適合學生獨特的學習需求。個體認知模式下，結合歷史行為數據，分析學生心理層面的穩定特征，判斷學生的理解力、分析力、決策力等；群體認知模式下，分析群體認知演化及對個體認知的影響機制，綜合個體與群體認知影響因素，得到認知計算模型。例如，利用人工神經網絡不斷優化并持續地計算偏好（靜態或動態）與資源之間的匹配度和相似度，經多次深度學習和迭代計算得到偏好與資源的最佳匹配。CCIALS提供智能和精準反饋，使學生有效地建構知識和解決問題。同時，系統反饋（外部環境）激發學生認知和并存心智模式的自動化加工，促進認知由低階的識記、領會和運用向高階的分析、綜合和創造轉變，實現深層次學習。

4" 研究思考與啟示

4.1" CCIALS賦能個性化學習精準化和規模化

系統秉承以學生為中心和非傳授模式教學設計理念，識別哪些學生在核心課程中具有充分和恰當的進展，哪些學生有不好的學習結果且處于學習危機。依據學生個性差異，給予不同的推薦，如內容困難水平、材料呈現形式（文本、視頻）、知識序列、學習節奏等；依據學生的特質和個性，準確檢測并追蹤學生的“精準—個性”平衡點，從而為學生提供適切的學習服務。

CCIALS實現促進者驅動（通過儀表板為教師提供可操作的學生個體和群體概況）和評估驅動（提供接近實時的動態教學內容調整，即布置學生學習路徑），促進者驅動的系統提供關于學生的概況，幫助指導者采取行動；評估驅動的系統根據學生的水平動態地調整學生的學習內容，提示完成學習任務的個性化學習路徑。CCIALS用技術和大數據數據驅動教學，促進技術賦能環境下的大批差異化學生更有效地掌握技能、學習新知。

4.2" CCIALS可以提高學生的高階思維能力

學習內容和過程憑借學生偏好和個性特點做出相應調整，結合學生完成任務的情況，提供適切的線索和提示。CCIALS為學生知識建構提供支架，加深學生對知識的理解，幫助學生驗證思維過程，增強認知和自我導向的學習。CCIALS實現系統追蹤學生認知水平和能力，精準診斷學生學習困境，提供個性化學習指導和建議，對學生的認知提供支架和提示，進而引導學生學習前項知識和后項知識。學生不再是機械地記憶，更多是在知識實踐中有意識地領會知識內涵，將所學知識運用于其他問題解決環境，也可以實際設計和改造一些模型，有利于培養創造性思維能力。批判性思維、創造性思維、推理性思維和決策等都屬于高階思維，即發生在較高認知水平的心智活動或較高層次的認知能力，可見，CCIALS的知識建構和問題解決過程可以培養學生的高階思維能力。

5" 結束語

云計算和大數據時代的計算能力大幅度提升，深度學習和強化學習模型使機器擁有類人大腦的認知智能。認知計算使計算機以人類思維理解和認識客觀世界，賦予機器智能和決策制定能力，推動CCIALS走入教學和學習過程。CCIALS分析學生的學習特點和路徑，依據學生特征和偏好做出適應性變化，結合學習進度推薦個性化學習內容，而且，智能自適應機制可以激發學生學習興趣，讓學生主動進行知識創新與重構。認知計算是具有豐富內涵且不斷發展的理念，而CCIALS更有助于問題解決和知識建構，促進知識的內化和深入。認知計算為自適應學習系統探索人的內在需求提供有效途徑，讓自適應學習系統對人的認知產生更深刻的領悟，為學生提供更智能的認知服務。CCIALS本質是規模化的個性化教育，主張每個學生都擁有獨特的學習路徑、學習分析與自適應過程，既能提升運用、識記與領會的低階能力，又能增強創造、分析和評價的高階能力。

6" 參考文獻

[1] 李海峰，王煒.國際主流適應性學習系統的比較與趨勢分析[J].現代教育技術，2018，28（10）：35-41.

[2] 萬海鵬，汪丹.基于大數據的牛頓平臺自適應學習機制分析：“教育大數據研究與實踐專欄”之關鍵技術篇[J].現代教育技術，2016（5）：5-11.

[3] 張渝江.用自適應技術支撐個性化學習[J].中國信息技術教育，2013（3）：118-121.

[4] Djurfeldt M. The connection-set algebra： a novel formalism for the representation of connectivity structure in neuronal network models[J].Neuroinformatics，2012，10（3）：287-304.

[5] 單美賢，張瑞陽，史喆.“智能+”教育場域中的認知計算與教育應用研究[J].遠程教育雜志，2021，39（2）：21-33.

[6] 黃伯平，趙蔚，余延冬.自適應學習系統參考模型比較分析研究[J].中國電化教育，2009（8）：97-101.

[7] DreamBox Learning. Adaptive Learning[EB/OL].[2023-06-07].https：//www.dreambox.com/resources/guides/adaptive-learning.

[8] Hwang S. Adaptive Learning[EB/OL].[2023-06-07].https：//medium.com/blended-learnings/adaptive-learning-e52d53413b3b.

[9] Capuano N， Gaeta M， Salerno S， et al. An onto-logy-based approach for context-aware e-learning[M]//Xhafa F， Barolli L， K?ppen M. Third IEEE"international conference on intelligent network-ing and collaborative systems. Fukuoka， Japan："IEEE Computer Society，2011：789-794.

[10] Henning P A， Heberle F， Swertz C， et al. Learn-ing pathway recommendation based on a pedagogi-cal ontology and its implementation in Moodle[M]//Trahasch S， Pl?tzner R， Schneider G， et al. GI-Edition Lecture Notes in Informatics （P-233）. Bonn，Germany： Gesellschaft für Informatik e.V.，2014：39-50.

[11] 方海光，羅金萍，陳俊達，等.基于教育大數據的量化自我MOOC自適應學習系統研究[J].電化教育研究，2016，37（11）：38-42，92.

[12] 姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

*項目來源：天津市教育科學研究院青年課題“中學生自我調節學習智能監測模型構建研究”（項目編號：TJJKY2024-QN-10）。

作者簡介：韓建華，博士，助理研究員。