欧美适应性学习系统应用案例及发展趋势

武迎春 张海 杨絮

适应性学习系统是近年来人工智能在教育中应用的研究热点之一，是教育学、认知科学和计算机科学的交叉研究领域。传统网络教学无法一一对应学习者的个体差异，对所有的学习者采用相同的教学内容和教学策略，导致学习者经常发生网络迷航和认知超载等问题，从而在很大程度上影响了网络教学的质量，适应性学习系统正是在这样的背景下应时而生。本文介绍了欧美国家适应性学习系统的应用案例及其发展趋势。

● 什么是适应性学习

適应性学习是一种提供个性化学习的技术，其目的是通过提供高效、可定制的学习路径来吸引学生。适应性学习系统能够根据学生的互动和表现水平，对学习路径进行动态调整，以更适当的顺序，为学习者提供在特定时间点取得进展所需要的学习内容。通过使用算法、评估、学生反馈、教师干预和各种教学媒体，适应性学习系统能根据学生的表现显示内容，根据评估数据提供可变的学习路径为已经掌握新知识的学生提供新的学习材料，为没有掌握学习内容的学生提供补救措施。

● 美国麦格尔—希尔（McGraw-Hill）公司开发的自适应学习系统ALEKS

麦格劳-希尔集团开发了知识空间的评估和学习系统（Assessment and Learning in Knowledge Spaces，下文简称ALEKS），使用人工智能手段评估学生对数学知识的掌握程度，并提供自适应指导。它运用自创的“知识空间理论”（Knowledge Space Theory），通过一系列问题测试学生对问题的理解程度。1994年，ALEKS由美国加州大学欧文分校的研究者，根据脑神经测试和数学算法的相关知识研发出来，用以测评学生对所学知识的掌握程度。2013年，ALEKS被麦格尔—希尔（Mcgraw-Hill）集团收购。目前，该平台已普遍应用于美国公立小学的课堂，在高等教育中的使用率也逐渐上升。

知识空间的评估和学习（ALEKS）的工作原理如下：

①明确每个学生目前的知识状况。ALEKS系统的人工智能的特点在于其对学习者状态的学习和评估，不仅是提供一个学习者能力倾向的得分或成就水平，还提供一种知识状态，描述学习者在某一特定学科（如代数1或普通化学）迄今掌握的所有技能和概念知识。

一个给定学科的所有可行的知识状态都被组织成一个学习空间，这个学习空间提供了一个数学结构，规定了这些知识状态之间的优先关系，即在学习过程中哪些知识状态可以先于其他知识状态，或在其他知识状态之后。下页图1描述了一个由五个标记为a、c、g、h和i的主题组成的微型学习空间。该微型学习空间中共有16种可行知识状态，每个椭圆都表示其中的一种知识状态。底部的空白圆圈表示空的知识状态（即学生没有掌握这五个题目中的任何一个）。学生从下到上，按照顺序依次掌握每个主题。红色椭圆表示的知识状态包含项目g、h和i，主题a和c构成学生接下来很可能要学习的主题。事实上，每个知识状态都会自动指定学生在那个时刻准备学习的主题集合。在ALEKS中称这些主题为“准备学习”。

图2表示的是45个主题的学习空间，这些主题是一些有难度的概念。图中的每个点都代表一个知识状态，连接这些状态的线的颜色对应不同的主题。ALEKS内部的评估和学习引擎能够有效地管理这样巨大且复杂的结构。ALEKS中的实际学习空间通常包含大约400个主题和超过1万亿的知识状态。

②个性化评估。个性化评估的任务是通过有效的提问来揭示学生的知识状态。ALEKS中强大的评估功能可以在只问20～30个问题之后就精确地确定学生的知识状态。当学生犯了一个粗心的错误时，ALEKS评估系统的概率特性能够及时将学生的错误进行纠正。

尽管在一个学习空间中，题目数量很大，但是在任何一个特定的评估中，实际上只能问几个问题。ALEKS首先要求学生解决一个问题，这个问题是根据所有知识状态的初始概率选择的，内容尽可能丰富。学生将所有有用的信息（包括之前所做的所有答案）为参考，大约有50%的概率做出正确答案。

假设第一个题目是a，学生的回答是正确的。然后，ALEKS将增加所有包含a的知识状态的概率，并降低所有不包含a的状态的概率。如果下一个题目是f，而答案是错误的，那么ALEKS会降低包含f的状态的概率，增加不包含f的状态的概率。最后，ALEKS将选择包含主题a、b、g、h和i的状态作为学生的当前状态。在实际的评估过程中，ALEKS将从大量可行的知识状态中筛选出概率最高的一种知识状态。

③适应性学习。在评估结束时，学生进入ALEKS学习模式。在该模式中，学生将得到准备学习的主题列表。“准备学习”环节是非常重要的，学生的学习进程在此发生。在学习的过程中，学生掌握了一个新的主题，就是创造了一个新的知识状态，而新的知识状态中，学生有自己的学习准备。学生学到的知识用一个多颜色的饼状图表示，这种可视化的操作对于学生学习来说是一种强大的动力，如下页图3所示。

ALEKS学习是按照顺序一步一步地进行的，每次一个主题。它通过学生当前的学习路径引导学生进入一个主题，或者允许学生在ALEKS学习模式中选择一个主题。ALEKS监控学生在尝试解决问题和理解解释时的成功和失败的顺序，由此指导学生的进步。

二十多年来，数百万学生的经验数据反映出，ALEKS系统发现学生“准备好学习”某个特定主题的成功率超过90%。每当学生掌握了一个主题时，ALEKS就会立即更新学生的知识状态，并为学生提供一个他/她准备学习的新主题列表，不断优化学生的学习路径。

● 英国自适应学习系统——CogBooks

CogBooks是一款英国开发的适应性学习工具。2015年，美国亚利桑那州立大学和CogBooks达成合作，率先在教学上使用该自适应工具，為学生提供生物和美国历史两门线上课程。CogBooks在调整为学习者提供的学习内容时，考虑了以下几个因素：学生的自信心指数和自测成绩、学生完成练习的时间、学生回答问题的表现、学生对学习目标的熟练程度、学生在相似的学习模块中的学习表现等。

该平台以四种不同的方式适应每个学生。

①智能算法。通过智能算法可以了解每个学生与课程互动时的情况。系统利用收集到的数据信息不断调整学生的学习路径，并能够选择出最适合学生需求的学习路径。

②实时评估。形成性评估和其他互动活动贯穿整个课程。这些评估有助于每个学生对学习内容的即时理解，并为下一步的学习做好准备。

③设置顺序。许多学科都围绕着一条明显的线性路径来教学，调整主题的顺序会阻碍学生的学习。因此，CogBooks允许学生在整个课程中设置一个清晰的顺序，但在每个阶段都要分层放置大量支持内容。这些内容的多少取决于学生对主要主题的理解。

④学生机构。研究表明，学生在学习中拥有发言权是有益的。CogBooks通过简单的工具将学生机构整合到平台中，帮助学生评估他们对每个概念的理解。而且，如果他们想更深入地研究某个特定的主题，他们可以选择查看其他相关内容。

● 适应性学习的发展趋势

适应性学习的优势是：对于学生来说，适应性学习尊重已有知识，满足学习需求，缩小理解差距，避免了“向中间地带教学”这种对进步学生或落后学生都不适合的教学状态;对于教师来说，教师可以更容易地监控哪些学生需要帮助，通过衡量其课程表现，最大限度地提高学习效率，也可以更好地了解学生有困难的内容领域，以便在个别学生面临退出或失败的风险之前进行干预。

适应性学习的问题在于：首先，开发工作量极其巨大。由于其实施过程非常复杂，它需要进行详细的课程规划和支持学习目标的内容开发，并且，内容必须在整个课程或相互联系的课程之间确定。其次，适应性学习系统更适合入门课程。该系统往往能更好地处理事实和程序性知识，通常更适用于某些领域的入门课程，当材料需要高阶思维时，这些系统的效率可能会降低。然而，随着时间的推移，随着更多学生数据的积累，适应性学习系统也将得到进一步优化。另外，数字学习资源的数量正在不断增加，这使得教师更容易获得现成的课程内容，这样也能更好地与适应性学习系统进行耦合。

随着适应性学习应用范围越来越广，不同阶段的学生将能个性化地掌握不同技能，未来教师的角色可能会发生巨大变化，教师将更多地致力于开发翻转式课程和基于项目的课程，把重点放在批判性思维和问题解决上。而随着适应性学习新标准的开发，跨平台和工具的互操作性和数据交换将变得更容易，自适应学习的未来会越来越广阔。