国际主流适应性学习系统的比较与趋势分析*

李海峰 王 炜



国际主流适应性学习系统的比较与趋势分析*

李海峰 王 炜

（新疆师范大学 教育科学学院，新疆乌鲁木齐 830017）

适应性学习系统为实现学习者的个性化学习提供了有效支持，国际主流适应性学习系统的多维比较将更有利于识别和推动适应性学习系统的特征及其发展。文章对牛顿、慧雀、塞拉戈和乂学四个主流适应性学习系统进行了比较，从适应性学习系统的使用群体、理论构建、主要功能、运行机制以及学习模式等维度进行了多层面的分析和阐述，揭示了不同适应性学习系统之间的异同和各自的独特特征。根据当前适应性学习系统的研究现状、挑战以及相关技术的发展，适应性学习系统未来的发展将更加关注人工智能技术的适应性学习支持、复杂适应性学习系统的构建以及面向学习者的情感化适应性学习技术支持。

自适应学习；在线学习；适应性学习系统；人工智能教育

引言

因材施教抑或因材促学是充分体现学习者主体性的个性化学习价值追求，自适应学习系统的创建及其发展是实现这一理念的较佳途径之一，它破解了传统班级授课制中学习过程模式化与单一化的弊端。信息技术支持下的自适应学习是一种数据驱动的、复杂的、非线性的、个性化的学习过程。学习软件或在线平台能够根据学习者的学习需求、兴趣或者学习状态进行算法处理并不断进行学习资源、学习策略或者学习进度的调整。自适应学习技术涉及两方面内容：一是收集和分析学习者个体用户的学习行为数据，以调整教学资源、学习策略和学习进度；二是利用聚合的大样本学习者数据，为课程设计和修订提供参照[1]。在促进个性化学习价值理念的驱动下，自适应学习系统或技术得到了长期和迅速的发展，既包括自适应学习参考模型的多元化发展和完善，又包括大数据、语义分析和人工智能等技术的融入与支持。当前自适应学习技术主要以学习资源的个性化推荐、学习路径引荐以及学习内容的精准定位为主要研究热点，如自适应学习系统的学习者模型和教学模型[2]、自适应学习系统的支持模型及其实现机制[3]、自适应学习环境[4]以及自适应学习阅读系统模型[5]等。随着适应性学习技术的发展与实践应用，国际上目前出现了以牛顿（Knewton）、诺尔（Knowre）和乂学等为主要代表的适应性学习系统，并通过大量的实践证明了适应性学习技术对学习者学习的重要促进作用。适应性学习系统的开发者和运营者以不同的研究视角抑或依托不同的理论实现对学习的支持，因此对这些主流适应性学习系统的比较分析将更有利于解析自适应学习的基本运行原理、机制及其技术特征，为后续适应性学习系统的设计、开发与实践运行提供有益参照。

一 国际主流适应性学习系统概况

自从美国匹兹堡大学的Brusilovsky等进行适应性超文本和超媒体研究[6]以来，国际上出现了数十种以自适应学习为特征的学习系统。根据近年来适应性学习系统的国际影响力及其自适应学习效果，本研究选取了四种当今国际主流的适应性学习系统进行比较分析，分别为：牛顿（Knewton）、慧雀（Smart Sparrow）、塞拉戈（Cerego）和乂学。

1 牛顿

牛顿于2008年成立于美国纽约，是较早创建的知名适应性学习系统。该系统的核心技术是适配型学习技术，通过对学习者学习行为数据的收集、推断以及建议，来支持个性化学习。牛顿是一个连续性的适应性学习系统，能对每个学习者在系统上的学习表现和学习活动进行实时响应，并通过提供适切的学习指导来最大化每一位学习者达到学习目标的可能性。牛顿基于概念、结构、不同层次以及媒体格式数据等众多数据点资料，采用复杂的适应性学习算法，收集并分析学生的数据信息以提炼出推荐结果，进而优化每个学生的学习方法[7]。

2 慧雀[8]

慧雀于2010年由澳大利亚新南威尔士大学的适应性数字化学习研究小组创建，并在2014年美国举行的“人机教学”大战中获得突出成绩。该系统主要用于辅助教师进行适应性的学习内容设计，系统本身并不提供任何具体学习内容或材料，其适应性学习功能主要体现在教学内容的设计对不同学习者接受程度和变化的支持。慧雀的主要应用对象是大学教师和学生，在线课程中嵌入的大量模拟实验以供学生“边做边学”，而该系统会根据在线学习者的学习行为进行算法处理实现，并在不断互动和反馈中修正课程设计以促进学习者的适应性学习。

3 塞拉戈[9]

塞拉戈在2000年成立于日本东京，是帮助学习者管理知识和记忆的网站，被称为“大脑的Dropbox”，即“脑箱”。该系统是一种以认知科学和神经科学为基本原理开发的辅助性记忆学习工具，目的在于帮助学习者学习和记忆相关知识。塞拉戈向学习者提供智能互动卡片类型的学习方式，使学习者能够预习、学习或复习相应的知识点。该系统能够对学习者的学习进度、难易程度和知识点掌握情况进行全程学习行为跟踪，并通过数字仪表盘的形式向学习者呈现相应的测评内容。塞拉戈为学习者提供了一种简便的培训和学习途径，实现了对学习者的知识管理和知识记忆的适应性学习支持。

4 乂学[10]

乂学在2017年举行的“人机大战”教学竞赛中，以击败具有17年教龄的教学名师而迅速在中国成名。乂学得名于人工智能技术在自适应学习系统中的深度应用，实现了对学习者的精准化测评、个性化学习方案生成和高效学习路径的引导。该系统以纳米级的知识点进行学习进度和学习路径的设计、测评和规划，精准定位学习者的薄弱知识点并开展相应的视频学习和测试，实现个性化和高效率的适应性学习。该系统会根据学习者的学习状态、学习路径、学习能力和知识基础等调整教学策略，以保持或提升学习者的学习专注力和学习绩效水平。

二 国际主流适应性学习系统比较

如前文所述，上述四种国际主流适应性学习系统呈现出各自的不同特征和独特优势。但不论这四种系统以何种形态呈现，它们都会涉及适应性学习系统的使用群体、构建的理论基础、基本功能、运行机制以及学习模式等五个维度。因此，本研究从这五个维度，对“牛顿”、“慧雀”、“塞拉戈”和“乂学”这四种国际主流适应性学习系统进行了多维比较，如表1所示。

1 适应性学习系统的使用群体比较

依据用户群体的特征，四种国际主流适应性学习系统主要以K12、高等教育和职业教育群体为主要用户。牛顿、慧雀和塞拉戈主要以高等教育学习群体作为主要用户，特别是慧雀和塞拉戈两个学习系统的用户仅限于高等教育。牛顿和乂学是以K12学习群体为主要用户的自适应学习系统，而乂学目前仅限于K12学习者用户。就四种国际主流自适应学习系统的用户对象而言，牛顿的适用范围涵盖了K12、高等教育和职业教育，其余三种适应性学习系统的使用对象更具有针对性，特别是塞拉戈突出了对培训学习的支持。

表1 国际主流适应性学习系统的多维比较

2 适应性学习系统的理论基础比较

牛顿主要包括项目反应理论、概率图形模型、凝聚层次聚类和知识图谱等四个主要的理论框架。其中，项目反应理论模型能够在学生能力与正确回答一项试题的可能性之间建立起联系，建立的联系信息为未来试题难度的确定、试题级别区分以及试题回答正确率的“猜测性”提供了适应性调控基础。牛顿所实现的持续提炼推荐结果功能是通过概率图形模型得以实现的，适应性学习平台通过算法能够针对一个学习行为效果建立复杂模型，以实现根据众多学习活动的观测数据与系统推荐有用的评估建立起重要联系[11]。凝聚层次聚类和知识图谱这两个理论为群组和个体的适应性学习提供参照，前者为大规模学习者群体如何进行分组及其分组所依据哪些学习特征提供了核心算法基础，后者则为适应性学习系统向个体确定何时、何处、如何以及提供何种学习内容和学习路径提供了更加精确的个性化适应性学习支持。

慧雀是以杜威“做中学”为主要学习理论指导的适应性学习平台。该系统除了提供项目测试，更突出的特征是以交互性和丰富体验性的交互课件作为学习路径来实现人机交互和学习体验。杜威的“做中学”理论强调学习是行动的副产品，学生的思维发展和知识获得是通过做的活动得以实现的。慧雀以杜威“做中学”思想作为系统开发的基本理念，使得该适应性学习系统具备了人机交互的基本功能，特别是嵌入了以Flash或者Html 5为主的交互性和体验性课件。交互性课件在适应性学习系统中的应用增加了学习者的学习体验。

塞拉戈构建的目的在于帮助学习者复习并记忆所学内容，将神经科学、学习理论、认知科学和脑科学等作为实现这一期望的理论支持。神经科学抑或脑科学在教育领域中的应用，更多的是寻求了解神经回路或者神经元是如何感受周围世界、如何实施行为的基本机制，特别是如何从记忆中找回知觉以及对知觉的记忆作用。塞拉戈利用大脑是如何存储信息、如何提取信息等脑科学、神经科学以及相关学习理论来进行系统设计的。

乂学被称为智适应学习系统，其创建的主要目的在于实现对学习者薄弱知识点的精准定位、辅导以及最优的学习路径推荐，该目的的实现得益于知识空间理论、信息流理论、贝叶斯定理以及问题导向教学法的应用。知识空间理论的核心旨趣是构建知识空间、知识结构、猜测关系和蕴含的基本关系。知识空间视域下的知识信息可以被概念化为一个具体的、巨大的一系列子问题，学习者个体的知识状态可以被形式化为其所能解决的所有问题子集。纳米级粒度内容分解为实现小步骤、自定步调和精准测验提供了有利途径，特别是能够根据知识点之间的逻辑关系进行薄弱知识点的定位以及学习捷径的引导。

通过对四种主流适应性学习系统构建的基础理论进行比较，可知不同适应性学习系统乃依据其所需解决的问题和研究旨趣而采用不同的理论基础。牛顿和乂学的主要功能是学习者的薄弱知识点定位与学习路径的推荐，但是牛顿主要通过项目反应理论、概率图形模型、凝聚层次聚类以及知识图谱等理论实现，乂学则通过知识空间理论对学习者的薄弱知识点进行定位。慧雀突破了笔试测试方式的局限，以交互性的、形式丰富的媒体课件为载体实现了杜威“做中学”的学习理念。

3 适应性学习系统的基本功能比较

四种国际主流适应性学习系统在功能上存在如下共同特征：①自适应课程学习的创建功能。除了乂学仅能够由公司或者连锁培训机构进行适应性课程创设之外，其它三个适应性学习系统均向教师或者学习者提供了在线适应性课程的创建功能，这将有助于教师或者学习者根据自己的课程、学习内容进行针对性的适应性学习设计和资源供给。②学习行为的实时数据分析。每个适应性学习系统都提供了对学习者学习行为的实时数据分析功能，分析维度涉及学习者与学习内容之间交互、学习者学习进度以及学习质量检测，等等。

与此同时，四种国际主流适应性学习系统在功能上也存在显著的差异：①功能创建权限。牛顿、慧雀和塞拉戈三种适应性学习系统不仅向公司、机构等提供适应性课程创建的功能，而且向在线学习者或教师提供相应的适应性课程创建功能。相比之下，乂学仅仅向公司或者连锁培训机构开放课程创设权限。②分析数据的呈现方式。乂学以测试单的形式向学习者和教师提供相应的数据分析报告，报告的主要内容包括：先行测试报告、知识点学习报告、综合学习报告、巩固测试报告和当堂报告。相比之下，其它三种学习平台的数据分析全部以数据仪表盘的形式进行数据呈现，但它们呈现的数据内容存在一定的差异：塞拉戈主要提供学习水平、学习过程、近期观看、未来学习、学习难度、学习时间和综合报告；慧雀主要提供学习者的学习路径、与内容的交互信息、群体和个体的学习绩效；而牛顿主要对学习者的错误和概念误解、刻苦的学习者和优秀者、学习者与学习内容或信息的交互方式、学习者的学习方式和知识掌握情况进行数据分析和呈现。③课程内容形态。慧雀不同于其它三个系统以文字或图片为基本形式的学习内容开发，它向课程开发者提供了以Flash和Html 5为主的交互性课件开发功能；乂学和牛顿对于课程内容的开发更强调学习内容粒度的精细化，通过将学习内容持续地划分成纳米级的知识点，以实现对学习者薄弱知识点的精确定位和辅助学习支持；塞拉戈以提供项目模板的方式支持用户添加相应的培训内容或者学习内容，课程设计者可以根据需求基于设计模板自行设计相应的学习内容形态以支持学习者学习。

4 适应性学习系统的运行机制比较

四种适应性学习系统的运行机制都遵循一个原则：通过学习者学习、数据分析、教学策略采取以及改进学习方式或学习内容等秩序，来实现学习的适应性发展。然而，不同适应性学习系统的运行机制也存在着显著差异，其根源在于不同系统的构建理论及其所要解决的问题不同：牛顿基于知识图谱的知识点分解和凝聚层次聚类等算法实现针对学习者薄弱知识点的定位与学习支持，并通过间隔强化知识学习、建立学生学习档案、大数据实时分析来实现对学习者知识状态的评估；乂学以纳米级的知识粒度作为数据分析和薄弱知识点定位的基础，通过数据分析，实现个性化学习路径荐引、快速精准的知识状态监测以及系统自适应功能的智能优化；慧雀以“拖拽性的学习交互”为主要适应性学习方式，通过人机交互实现“做中学”以提高学生的学习体验，并通过对学生拖拽行为的实时分析以监测学习者的错误概念或者错误行为，旨在改进教学和适应学生的学习需求；而塞拉戈旨在用科学的方法提高学习者的记忆效果，其工作原理是不断地检测学习者的记忆状况并据此预测他们的最佳复习时间，以促进学习者的长时记忆。

5 适应性学习系统的学习模式比较

四种适应性学习系统在学习模式维度上体现了各自独有的特征，形成了较为系统的学习模式：乂学构建了系统的、完善的学习模式，形成了以“测、学、练、测、辅”和“线上与线下”相结合的学习模式——“测（定位薄弱知识点）、学（资料推荐与个性化学习）、练（难度区分与靶向大纲练习）、测（综合测试与学习分析）、辅（攻克漏洞与学习辅导）”主要强调基于适应性学习系统的学习者适应性学习过程，而“线上与线下”相结合充分体现了教师在学习过程中的重要地位和师生互动的关键作用；慧雀主要以“做中学”模式开展在线适应性学习活动，学习者能够通过拖拽行为实现与课件的高度交互，以习得相应的知识并增加学习体验；塞拉戈主要以间隔复习、自我体验学习和团队学习为主要学习形式，通过数据分析获取复习的最佳时间以提高学习者的记忆；牛顿以社区与合作学习、游戏化学习为主要学习模式，能够通过编制一个社会组件到课程中来改善学习者的参与，并以游戏的学习方式逐步增加作业的难度系数，揭示下一阶段将要学习的层次等级以增加学习探究的悬疑性。此外，适应性系统应用了进步奖励、勋章和成就奖等游戏元素，可以将适应性课程学习真正地转换为具有游戏性体验的学习模式。

三 国际主流适应性学习系统的发展趋势

1 适应性学习系统的人工智能化

适应性学习系统创建的根本目的是实现学习者的个性化学习，然而目前的适应性学习系统所采用的相关算法难以适应学习者多样性、复杂性的学习需求。而AlphaGo人工智能算法的实现，为适应性学习系统应对学习者复杂的个性化学习需求提供了有力的支持和发展方向。基于此，适应性学习系统的未来发展应当充分利用深度学习、神经网络和大数据等技术，实现适应性学习系统的自我学习、自我完善，以更加智能化地适应学习者的个性化学习需求。

2 适应性学习系统的复杂适应性

未来的适应性学习系统是复杂性的适应性学习系统，能够与学习环境和学习主体进行深度交互。适应性学习系统能够在持续不断的深度交互过程中“学习”或“积累经验”，以适应学习者的个性化学习需求，并且根据学到的经验改变适应性学习系统自身的结构和行为方式。适应性复杂学习系统需要处理四个方面的挑战，包括：学习成绩的宏观发展预测与个性化学习发展走势之间的非线性复杂关系、学习目标与学习过程中质量波动的复杂关系、在线学习者的学习行为存在复杂的易变性和多样性、多元因素与学习者学习绩效变化的复杂关系。

3 适应性学习系统的情感化适应

情感化适应是消解在线学习者孤独感的主要策略，情感监测、语音识别和传感器关联等技术的应用能够为充分理解学习者的情感提供有力支持。当前的适应性学习系统主要以提供知识学习的适应性为主要指向，关注于学习者薄弱知识点的精准定位、学习资源推荐以及学习路径的推荐等。然而，当前知识学习的适应性学习系统忽视了对学习者主体的情感适应。未来的适应性学习系统应当提供对学习者情感的适应性支持，充分利用人脸识别、情感识别、穿戴设备和相关数据分析等技术，来支持学习者适应性学习的情感化适应。

四 结语

适应性学习系统为实现个性化学习和因材施教提供了有力的技术支持，各种适应性学习系统从学习者特征、学习资源推荐、知识点掌握以及教学模式等维度为学习者提供了多模态的适应性需求支持。在当前已有的适应性学习系统中，学习者薄弱知识点的精准定位、学习路径的优化以及交互性适应性课件的提供等充分体现了适应性学习系统对学习者不同层面的需求支持。在未来的适应性学习系统发展进程中，人工智能技术在适应性学习中的深度介入将进一步提高学习者对适应性学习系统使用的满意度，特别是情感化适应性学习技术的融合将为破解在线学习者的孤独感提供有效的解决路径。

[1](美)L.约翰逊,S.亚当斯贝克尔,V.埃斯特拉达,等.新媒体联盟地平线报告(2015高等教育版)[J].北京广播电视大学学报,2015,(S1):54-98.

[2]王丽萍.自适应学习系统中学习者模型与教学模型研究[D].长春:东北师范大学,2017:40-90.

[3]姜强.自适应学习系统支持模型与实现机制研究[D].长春:东北师范大学,2012:47-77.

[4]Dina D G, Vincenza C ,Tania D M, et al. The silent reading supported by adaptive learning technology[J]. Computers in Human Behavior, 2016, (Part B):1125-1130.

[5]Wang Y H. Promoting contextual vocabulary learning through an adaptive computer-assisted EFL reading system[J]. Journal of Computer Assisted Learning, 2016,(4):291-303.

[6]Brusilovsky P, Kay J. Adaptive hypertext and hypermedia[OL].

[7]Knewton Company. Heavy duty infrastructure for the adaptive world[OL].

[8]Smart Sparrow. Create courseware that engages every student[OL].

[9]Cerego. The simplest solution for effective learning[OL].

[10]乂学教育.“特级教师+人工智能”1对1[OL].

[11]万海鹏,汪丹.基于大数据的牛顿平台自适应学习机制分析[J].现代教育技术,2016,(5):5-11.

Comparison and Trend Analysis of International Mainstream of Adaptive Learning Systems

LI Hai-feng WANG Wei

Adaptive learning system could provide effective support for learners’ personalized learning, and the multidimensional comparison of the international mainstream of adaptive learning systems will help to identify and promote the characteristics and development of adaptive learning systems. In this article, four main adaptive learning systems: Knewton, Smart Sparrow, Cerego and Easy Learning were compared from the multi-dimensions of the adaptive learning system, including user group, theory construction, main function, operating mechanism and learning model. The results revealed the differences and similarities among different adaptive learning systems and their unique qualities. According to the current research status, challenges of the adaptive learning system and the development of related technologies, the future development trend of adaptive learning system could be predicted. It can be seen that the adaptive learning system will pay more attention to the adaptive learning support of AI technology, the construction of intricately adaptive learning system and the support of emotionally adaptive learning technology for learners.

adaptive learning; online learning; adaptive learning system; artificial intelligence in education

G40-057

A

1009—8097（2018）10—0035—07

10.3969/j.issn.1009-8097.2018.10.005

本文为全国教育科学“十三五”规划2018年度教育部重点课题“在线协作知识建构的深度汇谈机制研究”（项目编号：DCA180324）的阶段性研究成果。

李海峰，讲师，博士，研究方向为计算机支持的协作学习（CSCL）和教学系统设计，邮箱为tangshanlhf@163.com。

2018年2月5日

编辑：小西