基于云平台的智慧学习系统的设计与应用

张冰雪　李于翔　李霞　侯龙锋

摘  要： “智慧学习”整合了智能信息技术与丰富的学习资源及学习活动，是继远程学习、数字学习、移动学习、泛在学习之后的第五次教育信息化浪潮，已经成为现代教育改革的热点和重要政策导向。该文详细阐述了智慧学习的演变过程、五大特点及四项关键技术，在此基础上，提出一种“基于云平台的智慧学习系统”的设计结构和功能模型，实现整套系统后将其应用于对外汉语教学环境中。该系统整合了云计算、情境感知、机器学习等技术，集学习情境感知、智慧录播、资源共享、学习表现预测、内容规划推荐等多种功能于一体，以期突破传统教学模式、优化教学资源呈现形式，让线上、线下深度融合，全面激发课堂中教与学的潜力。经实验验证，该系统对于优化教学过程、提升教学效果有较好的促进作用。

关键词： 智慧学习;个性化学习;云平台;学习系统设计;学习环境设计

中图分类号： G434    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.07.013

【Abstract】： “Smart Learning” integrates the artificial intelligence technology into the learning activities with rich learning resources. It starts another wave of education informatization after distance learning， electronic learning， mobile learning and ubiquitous learning. And it has been a hotspot in modern education reform. This paper describes the evolution process of smart learning， the five characteristics and four key technologies in smart learning. Based on the theory and methods， this paper puts forward the design structure and functional model of “Smart learning system based on cloud platform”. The system realizes a variety of functions such as Learning Context-aware， Smart Recording， Resource Sharing， Performance Prediction， Learning Recommendation， etc. It aims to blended online/ offline study deeply and optimize the form of educational resources by breaking the shackles of traditional teaching model， stimulating teaching potential in an all-round way. The result shows that the Smart learning system exerts a good effect on optimizing the teaching process and improving the teaching results.

【Key words】： Smart learning; Personalized learning; Cloud platform; Learning system design; Learning environment design

0  引言

“智慧學习”是一种以人为本的学习方式，它设计了能够自我认知的学习环境，整合了智能信息技术与丰富的学习活动，支持学习者与教师间的有效交互，让学习者更加方便地获取学习资源[1-2]。新加坡、美国、韩国等先后将其列入国家发展战略。2010年7月，国家发布了文件《国家中长期教育改革和发展规划纲要（2010-2020年）》，强调教育信息化的重要性。2015年9月，北京师范大学智慧学习研究院发布了《中国智慧学习环境白皮书》。2018年4月，教育部发布了《教育信息化2.0行动计划》，明确了“互联网+教育”的具体行动方案。智慧学习已成为教育界的改革热点和政策导向。教学方式、学习理念、教育理论、学校组织将在智慧学习的推动下发生巨大变化[3-5]。

1  智慧学习的演变及特点

智慧学习是继远程学习、数字学习、移动学习、泛在学习后的第五次教育信息化浪潮[6-7]。远程学习（d-Learning）打破了传统教学活动空间上的一致性，令教师与学习者从空间上得以分离，通过为远程学习者开发学习材料以及提供学习服务，产生教育交互活动。电子学习（e-Learning）打破了传统教学活动时间上的一致性，使得学习者能够自由安排学习时间，通过PC端和笔记本完成学习过程。移动学习（m-Learning）运用移动设备和无线技术，使得任何人在任何时间、任何地点都能够进行学习。相较于电子学习，移动学习强调更有效的利用碎片学习时间、更充分的关联学习内容与学习场景以及更自然的建立学习伙伴间的交互渠道。泛在学习（u-Learning）解放了学习过程对于设备的依赖，强调对于学习情境信息的感知能力，包括个人信息、环境信息等，营造无处不在的学习服务和学习过程[8]。

伴随着先进技术的应用，教育信息化迎来了第五次改革浪潮，即智慧学习（Smart Learning或s-Learning）的浪潮。陈琳等学者认为，“智慧学习是支持和促进人在信息时代个性发展、特色发展、全面发展、终身发展、内驱发展、创新发展的学习，是伴随有思想激荡、智慧碰撞的学习，是为了促进与服务社会发展的学习[9]”。祝智庭认为，智慧学习的真谛就是通过构建技术融合的学习环境，让教师能够施展高效的教学方法，让学习者能够获得适宜的个性化学习服务和美好的发展体验，使其由不能变为可能，由小能变为大能，从而培养具有良好的价值取向、较强的行动能力、较好的思维品质、较深的创造潜能的人才[10]。随着人工智能等新技术在各领域内的应用，学者们通过技术层面定义智慧学习环境：智慧学习是运用人工智能、物联网、云计算、大数据、VR/AR等这些新时代技术，分析与发掘学习过程与外界环境的交互和联系，深刻认识学习发生的原因，从而进一步为学习者提供更好的学习条件[11][12]。以上观点虽对于智慧学习的定义有所不同，但都体现了智慧学习以学习者为核心，以更

好服务个性化学习为目标的本质。2018年，国家自然科学基金委新增“教育信息科学与技术”申请代码，加强信息技术与教育的深度融合，促进智慧学习研究的开展，热点方向包括教育大数据分析与应用、学习分析与评测、自适应个性化辅助学习等。对于智慧学习中的关键科学问题将会得到广泛和深入的研究。通过整理众多国内外相关文献，提炼得到智慧学习的五大特征：全面感知、自适应、个性化、互动化、资源关联[13]。

1.1  全面感知

智慧学习环境运用物联网、情景感知等技术，从物理感知，情境感知，社会感知三个方面，捕捉教学者、学习者以及学习环境等动态变化的数据。例如通过获取学习者所处环境的空气温湿度，音响大小，灯光强弱等，从而与学习者的学习情境进行调节匹配;通过传感设备和计算机设备获取学习者身份标识，以及其所处的空间、时间环境、资源的使用情境、实时交互信息以及历史数据等等，从而提供合适的服务和任务;通过感知学习者的社交网络，进一步分析得到其学习风格、学习兴趣等[14]。

1.2  自适应

智慧学习感知学习上下文环境，通过深入挖掘相关信息，区分不同学习者的学习风格、学习状态等特征，并运用学习分析技术，按需推送最合适的学习资源，同时分配最合适的学习任务以及适宜的在线学习空间展现形式，让学习者享受“所得即所需”的学习体验[15][16]。学习环境中可被自适应的方面包括：（1）学习内容，学习资料;（2）学习内容的显示格式;（3）学习内容的显示密度;（4）教学策略;（5）學习路径;（6）教学游戏情境;（7）练习题及测试题;（8）学习者分组;（9）在线学习空间展现形式等。

1.3  个性化

提供个性化的学习服务是智慧学习的显著特征。没有两个学生是一样的，他们来自不同的家庭，拥有不同的认知能力，以不同的速度学习和遗忘。个性化的学习服务能够针对不同学生因材施教，体现为三个层次：首先，学生进入一个新的学习环境，智慧学习环境通过全面感知学生，为其提供合适的学习资源;第二个层次是学生在深入学习的过程中，学习内容并不是一成不变的，而是会随着他的学习状态以及学习需求的变化而变化;第三个层次是智慧学习环境会根据学生在学习过程中的学习状态的变化，提供一系列的个性化交互，达到更加精准的提供个性化服务的目的。

1.4  互动化

智慧学习环境支持多向的互动交流，能够实现学生与教师、学生与学生间的一对一、一对多或多对多的交流。便利的互动交流，能提升学生的学习兴趣。这种协作式的学习环境，能够根据学生的学习特征和学习需求形成学习群体，有效减少远程学习所带来的孤独感。

1.5  资源关联

智慧学习背景下的学习资源应为智慧化的教学和学习提供必需的支撑。学习资源通过语义网技术和本体技术，被分割、组织、汇聚、联通和管理，学生通过碎片化的时间和地点完成学习任务。在这种模式下，课程内容被分成许多小模块，模块及模块之间存在着一定联系，学生通过拼图式的学习，消化每一个模块，完成大课程的拼接过程。

2  智慧学习关键技术及典型系统

智慧学习通过融入云计算、大数据、情境感知、机器学习等先进技术，进一步促进教育数据的无缝传输、信息的挖掘及应用，达到对教、学、教育决策的支持。下面将阐述云计算、大数据、情景感知、机器学习这四种智慧学习关键技术的概念及其在教育领域中的特质，并对国内外智慧学习系统的现状做简要分析。

2.1  智慧学习关键技术

（1）云计算

云计算是传统计算机与网络技术融合的产物，采用虚拟化、多租户、分布式的方式，将部署在世界各地的信息资源组合在一起，形成计算资源池，提供超级计算和存储能力。教育领域中运用云计算技术：（1）可以有效管理庞大、多样的教育资源，根据用户的需求进行实时调度与共享;（2）教育数据的计算和存储在云计算中实现了分离，学习者及学习资源等信息可以交由云平台的安全机制进行安全性的保障。

（2）大数据技术

大数据技术即是探究将数据挖掘、机器学习等技术运用于庞杂的信息资产上，以期获取潜在的、更有价值的信息。教育领域中运用大数据技术，对教学过程产生的大量的、来自不同设备及系统的教学数据进行感知、存储、分析和挖掘，及时掌握学习者动态，进而制定个性化、自适应的学习内容和学习体验[17-18]。

（3）情景感知

情境感知计算指通过传感器获得关于用户所处环境的相关信息，自适应地改变系统功能，如用户界面呈现的改变，推送式服务的改变等。教育领域中运用情景感知技术，能够支持无缝学习环境，使得学习者可以随时随地享受信息空间与物理空间相融合而带来的学习支持服务;也能够对于学习情境实时建模，结合移动计算技术，依据当时情境做出决策并且自动提供一系列的响应。

（4）机器学习技术

机器学习技术可以从数据中自动分析获得规律，从而实现对未知数据的猜测[19]。教育领域中运用机器学习技术：（1）能够发现学习者在学习过程中的规律和习惯，预测未来学习表现。（2）基于情境感知技术所获得情境信息，机器学习技术为学习者规划最优的学习路径及开展方式，达到最佳学习体验。（3）机器学习技术能够对领域专家构建的知识进行抽取、汇总和分类，并从已有知识和实例中产生新的知识。通过这种自组织和自学习的方式，不断完善教育资源库。

2.2  典型系统

智慧学习系统构建已经成为智慧学习研究的热点，受到计算机科学、教育学和信息管理科学等众多领域的研究人员的关注。研究主要集中在设计智慧学习系统的结构和功能、开发适应性学习策略和算法。由于受到学习者对新型学习环境的适应能力以及学科知识的外显能力的限制，现阶段的智慧学习系统的应用主要集中在大学和中学阶段，应用的学科主要集中在自然科学、数学和计算机学科[20]。

国内学者曹育红等，融合云计算，情景感知技术，利用云平台第三方AppScale项目构建了智慧学习云平台，实现学习者在线行为捕捉，教育资源的管理和推送[21]。但是由于缺少对学习者更全面的建模，在资源的推送上没能很好的满足智慧学习环境个性化的特点。学者高瑞等，运用云计算，大数据，机器学习技术，基于IRT构建用户模型，设计出智慧学习视角下在线学习成绩智能测试系统，实现了对用户在线成绩的预测[22]。但是该系统只是完成了学习者的知识建模，并未提供学生自适应的学习推荐。国外的学者对于智慧学习系统的研究和设计更加多元化，西班牙学者Griol等融合情景感知，机器学习技术，在Second Life或OpenSimulator中结合Moodle学习管理系统，嵌入式对话Metabots以及可编程3D对象，构建了虚拟的智慧学习系统环境。结果表明，这种沉浸式的学习环境促进了学习者的协作能力，帮助其了解更复杂的概念[23]。这种虚拟环境的构建，更加体现智慧学习的全面感知，互动化等特性，但在自适应性能上依旧有所欠缺。韩国学者Kim等基于云平台，运用情景感知技术，获取学习者的行为数据，并利用云计算，机器学习技术，构建学习者画像，提供个性化、定制化的学习服   务[24]。然而该系统对资源处理上有所欠缺，不能满足资源关联的特点。

3  基于云平台的智慧学习系统

针对现有智慧学习系统构建不完善，智慧性只是单一的体现在教学、资源、测评中的某一方面，不能涵盖教与学整个过程的缺陷，本文通过紧扣智慧学习全面感知、自适应、个性化、互动化、资源关联的五大特征，设计了基于云平台的智慧学习系统的框架结构和功能模型。通过利用云计算、大数据、情境感知、机器學习等新一代信息技术，集学习情境感知、智慧录播、资源共享、学习表现预测、学习规划推荐等多种功能于一体，为教师和学习者构建一个全面的智慧学习环境，以期能够突破传统教学模式，优化教学过程，全面激发教与学的潜力。

3.1  系统架构

基于云平台的智慧学习系统架构如图1所示。

（1）一体化接入层：允许学习者、教师、管理员三类用户统一接入智慧学习系统，不同角色的用户分别独立操作相应的空间，便于资源和服务的使用和管理。

（2）云平台服务层：通过云的软硬件设施服务，对教学过程中产生的数据、教师以及学习者个人网络空间、学习内容资源，以及院本资源和校本资源进行统一存储管理和实时调度，改进了以往在线学习平台对于数据的存储及处理能力。

（3）智慧应用层：智慧应用层是整个学习系统的核心，具体包括学习情境感知子系统、智慧录播子系统、资源共享子系统、学习表现预测子系统、学习规划推荐子系统。

该系统架构设计能够有效减轻终端设备的配置要求，强大的云计算与存储功能为系统提供高效稳定的服务，并将教学、资源、测评、推荐融为一体，实现教学的最佳组合。

3.2  系统功能设计

智慧学习系统应用层的五个子系统体现了系统的全部功能，在这些子系统中，数据通过采集存储、更新融合、感知分析，从最基本的记录学习者在线行为，到预测未来学习表现和规划最优学习路径，促进学习者更加高效的学习。

（1）学习情景感知系统

学习情境感知系统按照知识获取及内化过程的四个维度，即信息觉察、信息输入、信息处理、信息理解，全面感知学习者特点，如图2所示。通过抓取体现上述四维情境的特征信息进行建模，对学习者进行聚类分组，经由混合式学习情境挖掘算法计算，快速、全面、准确的构建学习情境，从而在学习者知识获取全过程提供自适应的学习服务，真正做到提供给学习者全套个性化学习帮助的目标，达到过程与结果双导向的学习效果。

学习情境感知系统收集40项学习者在线行为信息，包括学习者的阅读内容、内容类型、浏览时长、操作行为顺序、活跃度、测试结果等，输入混合式学习情境挖掘算法，经算法计算感知学习者四维情境信息，即信息觉察维度、信息输入维度、信息理解维度、信息处理维度，进而提供自适应、个性化的学习服务，达到优化学习过程、提高学习效率的目标。该方法感知、理解学习者特有的学习倾向、自身特点，并自组织、提供适应个体的学习体验，从而顺应其学习规律，满足学习期望，提升学习效率。

（2）实时录播系统

实时录播系统的工作流程如图3所示。系统运用智慧录播技术对本地智慧课堂进行录制，并直接按知识点将录制内容智能碎片化，通过云端以同步或者异步的方式，传递到学习者的终端以及智慧教室，实现资源生产的全自动。和传统的信息化平台相比，教学课程能够线上、线下实时同步进行，学习者可以通过移动终端，进行课程的点播，收看实时直播的课程，与教师进行课堂的互动，及时解决学习中的问题。其中，智能碎片化是自动将录播课程实时碎片化为每页课件或者板书为颗粒度的微课程，并关联相应的音视频、笔记、课件和互动等信息。课后学习者可以在移动端上进行异步复习。这些细粒度的学习课程，不需要花费学习者过多的时间，在任意的地点，只需要零碎的时间就能学完。这样给学习者提供了十分弹性的时间和空间，大大提高了学习者学习的灵活性，符合泛在学习的应用情境。

（3）资源共享系统

资源共享系统将学习者、教师上传的课件以及实时录播系统传过来的课程进行存储，并提供搜索的接口。通过公共资源、配套资源、共享资源界面，学习者和教师可以根据权限下载所需的课件。同时，在资源界面还可以进行查看资源信息，收藏资源操作。用户可以通过对资源的评论、回复，与其他用户进行互动，实现用户间的资源共享和交流。用户还可以通过查看资源描述，以及资源的关联资源，关键字的检索，快速定位课件，如图4所示。

（4）学习表现预测系统

学习表现预测系统利用IRT（项目反映理论）评定知识点难度及学习者掌握能力，并采用贝叶斯原理，预测每个学习者对于不同知识点的未来答题情况。系统工作流程主要分为以下几个步骤：第一步，从云端获取学生的在线学习行为数据，包括从学习情景感知系统中得到的学习者特征，以及学习者个人数据库中学习状态;第二步，运用预测引擎，创建学习者模型，对学习者未来表现进行诊断预测;第三步，将预测结果可视化提供给教师，为其提供教学计划指引，同时，结果发送给学习者，帮助其精准认清目前学习情况，激发学习动机，提高学习效率。实验选用美国教育数据挖掘科研用公开数据Assigment2作为训练、测试数据。此数据为中学学生数学学科的真实答题记录，常被用于学习者行为分析，以及学习者未来情景预测的研究。通过已构建的模型，对学习者未来答题得分进行预测，平均预测准确率为82%。实验结果如表1所示。

基于上述模型算法，我们将其应用在对外汉语教学的实例中（详见第五章节）。在真实的学习场景下，学习表现预测系统能够全面地反馈学习者的学情信息。其中，学习者视图如图5所示，教师视图如图6所示。学习者视图中展示了某位学习者的历史答题情况，并显示系统对于该学习者未来答题表现的预测。同时，详细列出了该学习者对于每一个已考察的知识点的掌握情况，以及对于未考察过的知识点的可能答对概率。教师视图中展示了教师所教班级对此课程掌握情况在学校中、在平台内的 排名情况，该班级整体对该课程内各个知识点的掌握情况，该班级对这门课程的掌握情况的历史变化，以及教师能够进入每一个同学的详细页面进行查看。

（5）学习规划推荐系统

学习规划推荐系统首先建立学科知识图谱。在本系统中，不采用自然语言处理技术去自动构建学科知识图谱，而是基于学科专家经验进行图谱的构建。因为，在实际教学过程中，某一学科专家拥有多年积累下来的教学经验，本系统目的在于基于专家经验，利用先进信息技术来辅助现有教学。构建知识图谱分为两个步骤：（1）由学科专家对学科中的概念进行划分，梳理之间的关系，并将学习内容与知识图谱连接起来;（2）将知识图谱数据化，利用有向无环图结构描述知识图谱，图中的节点代表知识点，图中的边表示知识点间的关系。

学习规划推荐系统接着便开始训练带有转移概率的知识图谱。系统利用概率图形模型（Probabilistic Graphical Models），其中包含了贝叶斯神经网络和马尔科夫随机场等方法，将学习表现预测系统中得到的学习者能力及知识点难度与知识图谱联系起来，得到带有转移概率的知识图谱，用来深度洞察学习者薄弱知识点及进行学习路径规划。例如，一般推荐方法中，如果学习者对于C知识点掌握不好，系统会反复推荐练习C。本课题研究中会考虑C知识点没有掌握好，是否因为前继知识点A或B没有掌握到位的情况。判断依据来自于带有转移概率的知识图谱，系统依此进行自适应的学习路径规划。如图7所示。

4  系统案例研究及效果评估

课题组以对外汉语教学场景为研究案例，开展基于云平台的智慧学习系统的应用研究。课题组与两所大学的国际交流学院开展智慧学习系统合作研究课题。通过该系统，课题合作单位开展针对对外汉语1-6级HSK等级考试的教学辅导工作。另有部分来自校外对外汉语培训机构、个人对外汉语教师使用本系统辅导学生进行HSK等级考试的学习和练习。

本次案例研究选取了53名教师作為调查对象。其中，33人来自大学的国际交流学院，4人来自对外汉语培训机构，另外16人为个人对外汉语教师。面向的学习者为外国留学生，其中一半以上在18岁到25岁之间。针对系统的有用性、易用性、认知负担三个方面分别对53名教师进行调查。问题答案采用五点李克特量表形式，其中“5”代表非常同意，“1”代表非常不同意。调查所得结果如下表2所示。

表中前六项从不同角度考察智慧学习系统的有用性。平均值分别为3.9，4.0，4.4，4.4，4.5，4.1，这说明了教师基本认为基于云的智慧学习系统能够提高他们的教学效率。有教师指出，学习系统提供的丰富的课程资源，能够简化他们的备课过程;系统提供的成绩统计功能，节省了大量的时间和精力，提高了他们的教学效率;而也有部分教师认为，系统提供的资源过于庞大，查询起来比较耗时，这可能也是项目1分数略低的原因。同时，六项的标准偏差均小于1，得出参与者的答案没有太大的差异，表示参与者对智慧学习系统有用性的认可。

表中项目7-9侧重于评估参与者对系统易用性的接受程度。项目7和9的平均值超过4，标准偏差小于1。这说明系统在操作过程中响应度良好，比较容易上手。但是从项目8低于4的平均值，以及大于1的标准偏差可以看出，系统在使用过程中有不稳定的现象发生，需要进一步改进。

表中项目10-12旨在考察系统对使用者造成的认知负担。三项平均值分别为3.7、4.3和4.2，表示教师对该系统的认知负担进行了积极的评价。多数人认为，在使用系统的过程中，经过一、两次教学，就能对系统操作非常熟悉。但是，从项目10略低的平均值以及其超过1的标准偏差，发现不是所有的参与者都能快速适应这个系统。这意味着，如果要鼓励更多的教师使用这个系统，尤其是那些习惯传统教学的教师，那么需要更仔细地设计导航和界面。

上述评估结果证明，基于云平台的智慧学习系统对于教师的教学是有帮助的。它能帮助教师更加方便的组织和开展教学活动。我们未来的工作将把该智慧学习系统应用于其他教学领域，探索在不同教育领域中应用的共性及差异需求。

5  结束语

智慧学习是教育信息化发展的产物，是必然趋势。智慧学习以学习者为中心，全方位提供个性化的服务，使学习者能主动而有效的投入学习。本文提出的以云平台和大数据为基础，融合情景感知、机器学习等技术的智慧学习系统，能够即时获取庞大的云资源，并能有效预测以及规划学习者的学习内容，能够满足了庞大的在线学习群体的个性化学习需求。通过案例调查数据表明，学习者和教师更喜欢利用这样的学习系统来进行学习和教学，他们能够通过系统比较轻松地获取自己所需要的资源，从而提高教与学的效率。

参考文献

[1] 黄荣怀. 智慧教育的三重境界： 从环境、模式到体制[J]. 现代远程教育研究， 2014， （6）： 3-11.

[2] 祝智庭. 智慧教育： 引领教育信息化走向人本主义情怀[J]. 现代教育， 2016， （7）： 25-27.

[3] 闫实， 付佳， 石莉. 大数据环境下基于智慧校园的教学改革[J]. 软件， 2018， 39（2）： 208-211

[4] 黄荣怀， 杨俊锋等. 从数字学习环境到智慧学习环境——学习环境的变革与趋势[J]. 开放教育研究， 2012， （1）： 75-84.

[5] 黃超， 唐子蛟. 基于云计算技术的智慧校园平台建设研究[J]. 软件， 2018， 39（5）： 27-30

[6] Desmond Keegan. 从远程学习到电子学习再到移动学习[J]. 开放教育研究， 2000， （5）： 6-10.

[7] 贺斌. 智慧. 学习： 内涵、演进与趋向——学习者的视角[J]. 电化教育研究， 2013， 34（11）： 24-33.

[8] 杨现民， 余胜泉. 生态学视角下的泛在学习环境设计[J]. 教育研究， 2013， 34（3）： 98-105.

[9] 陈琳， 王蔚等. 智慧学习内涵及其智慧学习方式[J]. 中国电化教育， 2016， （12）： 31-37.

[10] 祝智庭. 智慧教育新发展： 从翻转课堂到智慧课堂及智慧学习空间[J]. 开放教育研究， 2016， 22（1）： 18-26

[11] 梁子鑫. 探讨新时代背景下新兴技术在人工智能中的应用[J]. 软件， 2018， 39（7）： 166-169

[12] 闫志明， 唐夏夏等. 教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 远程教育杂志， 2017， 35（1）： 26-35.

[13] 吴南中， 王觅. 基于情境感知的智慧学习环境探究[J]. 现代教育技术， 2016， 26（5）： 18-23.

[14] 胡旺. “互联网 ”教育背景下智慧学习生态环境构建研究[D]. 徐州： 江苏师范大学， 2017.

[15] 许益通， 张冰雪， 赵逢禹. 基于学习风格的自适应学习内容推荐研究[J]. 软件， 2018， 39（4）： 01-08

[16] 黄诚， 张冰雪， 赵逢禹. 在线学习风格识别技术与方法研究[J]. 软件， 2018， 39（4）： 97-102

[17] Suciu G， Vulpe A， et al. Cloud Computing and Big Data As Convergent Technologies For Mobile e-Learning[A]. 10th International Scientific Conference e-learning & Software for Education[C]. Bucharest， Romania： Carolnatl defence univ publishing house， 2014. 113-120.

[18] Udupi P K， Malali P， et al. Big data integration for transition from e-learning to smart learning framework[A]. 3rd Mec International Conference on Big Data and Smart City （ICBDSC）[C]. Muscat， Oman： IEEE， 2016. 268-271.

[19] 黄克斌， 彭文辉. 机器学习与现代教育技术[A]. 中国人工智能学会计算机辅助教育专业委员会. 计算机与教育——全国计算机辅助教育学会第十二届学术年会论文集[C]. 北京： 中国人工智能学会计算机辅助教育专业委员会， 2005. 156-159.

[20] 李葆萍， 江绍祥等. 智慧学习环境的研究现状和趋势——近十年国际期刊论文的内容分析[J]. 开放教育研究， 2014， 20（5）： 111-119.

[21] 曹育红， 袁南辉等. 职业技能传承智慧学习环境的支撑技术[J]. 中国电化教育， 2016（3）： 87-89.

[22] 高瑞， 朱荣. 智慧学习视角下在线学习成绩智能测试系统设计[J]. 现代电子技术， 2018， 第41卷（14）： 154-157.

[23] Griol D， José Manuel Molina， et al. An approach to develop intelligent learning environments by means of immersive virtual worlds[J]. Journal of Ambient Intelligence & Smart Environments， 2014， 6（6）： 237-255.

[24] Kim S， Song S M， et al. Smart Learning Services Based on Smart Cloud Computing[J]. Sensors， 2011， 11（12）： 7835-7850.