人工智能自适应学习及其在学校教育中的应用*

蔡连玉, 韩倩倩

(1.浙江师范大学 田家炳教育科学研究院，浙江 金华 321004;2.浙江师范大学 教师教育学院，浙江 金华 321004)

第四次工业革命和人工智能时代的到来，先进的信息技术渗透并形塑着人类的生活，也对教育产生着深刻影响。与此同时，当今教育因其自身的批量化和个性缺失而饱受诟病。《国家中长期教育改革和发展规划纲要(2010—2020年)》指出要关注学生个性差异，为每位学生提供适合的教育；新一轮基础课程改革也提出将学生的个性发展作为培养目标。在此背景下，人工智能自适应学习作为“因材施教”理念的当代技术实现应运而生，且在赢利性教育市场中备受关注。对人工智能自适应学习进行深入解读，并且探究其在学校教育中应用的图景、优势与风险，具有理论与实践意义。

一、人工智能自适应学习及其历史渊源

在教育语境中，自适应(adaptive)广义上是指任何考虑并满足学习者个人需求的教学形式，这些都可被称作“自适应的”。[1]狭义上的自适应是指根据数据的特征自动调整处理方法、 参数、 条件以及顺序，通过融合多种知识和技术进行自我调节和匹配，以达到最佳学习效果。[2]基于这两种理解，可以将自适应学习(Adaptive Learning)界定为：在与学习者的互动中能智能化地判断出学习者的需求，并提供给学习者适当的学习资源，使学习者在学习过程中始终可以获取满足自身需求所需的学习养分的系统，[3]如自适应指令、自适应超媒体、智能教学系统等。[4]在此基础上，人工智能自适应学习则是指借助人工智能自适应技术的学习系统，为学习者创设一种符合其多样化学习需求的学习环境，推荐给学习者个性化的学习内容、独特的学习路径、有效的学习策略等，使之满足学习者的个性化发展。人工智能自适应学习本质上是一种可规模化的、基于教育大数据的个性化学习。[5]人工智能自适应学习的实现，通常以人工智能自适应学习系统为技术载体。市场上现有的人工智能自适应学习系统各有不同，但都主要是由学习者模型、学习内容模型、自适应模型和用户界面等构成。

学习者模型是关于学生的知识水平、学习风格、认知能力、情感特征等领域知识和行为数据的综合信息库。学习者对某学科知识的掌握情况由学习者模型中的覆盖模型(Overlay Model)以二进制值或定性度量来表示。[6]学习者模型可通过静态建模生成，即将学习者的调查数据和任课教师提供的学生原始信息进行整合形成；也可以通过动态建模生成，即由人工智能自适应学习系统动态追踪学习者与平台互动产生的行为交互数据，对静态模型做出自动化的动态调整更新。[6-7]随着交互数据的累积增加，学习者模型将愈加精准完善，系统的自适应性便会越强。[7]

学习内容模型是系统对学习者即将学习内容的全局表征。它将学习内容设计成一个个的知识点和一条条的知识线，使各知识点系统化、条理化，形成立体的知识结构；使各知识点间的联系与区别更加直观，这样哪个知识点应该先掌握，哪个知识点应该后学习，清晰明了。

自适应模型是充分联结学习者模型与学习内容模型的自适应学习系统中的“大脑”。它通过人工智能、数据挖掘和机器学习等技术对学习者与学习系统交互产生的实时数据进行量化处理，来了解学习者当前的学习水平和学习状态，[8]并且通过隐马尔可夫模型(Hidden Markov Model，HMM)，可以判断出学习者学习成功的机率。[9]基于学习者即时学习需求和情景化的学习状态，自适应模型能够决定学习内容、学习媒体、学习序列和学习步伐，为学习者构建出最具适应性的学习路径。

用户界面是学习者与自适应系统进行交互的实现平台。人工智能自适应学习系统在传统2D界面基础上采用虚拟增强现实技术，使之与学生的交流更加智能化、情景化，更富有趣味性，也使人—机具有更强的互动性，[10]具体情形如图1的左上部分所示。

如上，复杂的人工智能自适应学习系统并非是凭空产生的，自适应学习经历了较久的历史演变：从两千多年前的基于人的自适应学习，到二十世纪七八十年代的基于计算机的自适应学习，再到当前的基于人工智能的自适应学习。[5]

我国早在春秋时期就提出了基于人的自适应学习，当时孔子提出了因材施教的教学原则。由此看出，基于人工的自适应学习古已有之，教师本身就可能拥有强大的适应性，但是这过于依赖教师的教育素养，非孔子那样的教师难以完全做到，且在近代兴起的班级教学中几乎难以实现。于是，人们急需一种技术可以将教师所需承担的工作自动化、规模化，使自适应学习更普遍、高效。[11]随着计算机技术的发展，基于计算机的自适应学习开始孕育。1950年，斯金纳的程序教学机器的发明成为适应性学习新阶段到来的标志，[4]推动着规模化个别教学的发展。在这之后，人们便开始研究基于计算机的个别化教学。1958年美国IBM公司IBM650计算机的出现标志着计算机辅助教学(CAI)的诞生。[12]20世纪70年代，卡内基梅隆大学研究人员卡波纳尝试将人工智能技术运用于CAI系统，成功建立了第一个智能计算机辅助教学系统SCHOLAR，它拥有学生模型，能够与学生交互，并自动生成学习材料和问题。[13]后来更具适应性的智能教学系统(ITS)以及适应性学习支持系统(ALSS)相继出现。至此，自适应学习先后经历了基于人、计算机、人工智能的三代发展历程，并且在人工智能第三次发展浪潮的推动下，将更具自适应性。

二、人工智能自适应学习学校教育应用的图景

在传统学校教育中，教师主导，学生听从，学习即知识搬运的过程。人工智能自适应学习则使之翻转：学生成为学习的主体，教师是学生身边的向导，一切教学活动以学习者为中心，以学定教。根据当前人工智能自适应学习系统在学校教育中的应用及其未来趋势，我们拟从学习环境、学习方式和学习层级三方面描绘人工智能自适应学习分别在泛在学习、个性化学习和深度学习中的应用图景。如上页图1的左下部分所示。

(一)创设泛在学习环境的人工智能自适应学习

从学习环境来看，人工智能自适应学习系统既能够支持基于传统桌面的学习，也正在逐渐开发能够支持课堂外移动的自适应学习，即它可应用于支持随时随地的泛在学习。

目前已有多款自适应学习系统能够支持基于课堂内的桌面学习，如KNEWTON和ALEKS。它们能够根据学习者的个体差异，如前知识水平、认知特点、学习风格等为学习者提供定制化的学习内容和独特的学习路径，试图使学习者能获得个性化的学习和成长。随着技术的发展，移动学习设备也在不断地更新完善，其便捷性受到学习者的青睐。学生可以从固定的课堂桌面学习环境中解放出来，将学习范围扩大到基于自身所处环境的更加广阔的场所，获得更加真实的学习体验。具体做法是，人工智能自适应学习系统可以借助各式各样的传感器以及其它的移动设备，将学习者的相关信息及时输送、反馈回自适应系统，然后系统根据这些丰富、即时的信息为学习者提供针对性的支持和帮助。[14]学习者则可以利用自适应学习系统的学习支持技术进行灵活、多样、基于自身环境的不间断学习。如此学习将不再是一项固定在教室中的、孤立的活动，恒定的课堂学习环境也不再是学生进行学习的唯一选择，学习者可以基于自身环境随时随地展开便捷而丰富的学习活动。

(二)实现个性化学习的人工智能自适应学习

布鲁姆研究发现，师生一对一针对性教学是最有效的教学方式之一。[15]个性化的学习能够促进学习者更专注、更高效地投入到学习中去，取得良好的学习效果。人工智能自适应学习以学习者为中心，针对学习者情境和环境、认知能力、学习风格、情感状态的不同为其提供适恰的个性化学习方式。

依据学习者情境和环境、认知能力、学习风格、情感状态的不同，人工智能自适应学习系统可分为四类：[14]第一是基于情境和环境的自适应学习。系统会根据学习者所处的环境的不同而为学习者规划不同类型的学习活动。譬如，当确认学习者在精力高度集中的场所如图书馆时，系统便会提供更易于深入思考的材料；当确认学习者是在精力较为分散的场所如公交车站时，系统便会提供简单、有趣的学习片段。第二是基于认知能力的自适应学习。根据学习者认知能力的不同，自适应学习系统为其提供相应的关于课程的可视化建议(如相关链接、问题反馈)，并向其推荐不同的学习路径。[9]对于低工作记忆能力的学习者，系统会减少课程路径的数量，增加路径之间的相关性，呈现的内容少但更具体；而对于高工作记忆能力的学习者，系统则相反。[16]第三和第四分别是基于学习风格和基于情感状态的自适应学习。根据学习者不同的学习风格和情感状态，自适应学习系统会隐藏与学生学习风格和情感状态不匹配的学习对象，更改学习对象的呈现类型和呈现顺序，会对学习对象符合某种学习风格的程度加以注解，从而向不同学习者推荐最适切的学习内容。[14]概言之，人工智能自适应学习为个性化学习创造了广阔的实现平台，是因材施教的当代技术实现。

(三)促进深度学习的人工智能自适应学习

深度学习是一种理解式学习，它使学习者能够积极主动地、批判性地吸收新的知识和思想，将之整合融入到自己原有的认知结构中并进行迁移，最终发展出高阶思维能力和问题解决能力。[17]促进深度学习、培养学习者深度学习能力是当前教育改革发展的重要课题之一。[18]人工智能自适应学习能够激发学习者的自我效能感，整合具有意义联接的学习内容，采取持续关注的评价方式，促进学习者对知识的理解、建构、反思与运用，进而实现从“学会”到“会学”的质的提升。

具体而言，第一，人工智能自适应学习能够激发学习者的学习动机与热情，增强自我效能感。人工智能自适应学习能够借助元认知支架和环境约束的机器学习分析出学习者当前的动机、参与意愿、认知水平以及情感状态等。[10]它还能利用自适应引擎和项目反应理论判断出学习者当前的学习水平、知识缺陷和最新学习需求，依此为学习者呈现出符合其兴趣、当前学习状态，满足其“最近发展区”的学习内容，使学习者获得更佳的自我效能感。第二，人工智能自适应学习将学习内容进行有机整合以方便学习者进行意义建构。在传统学习中，孤立、块状的学习内容不易于被学生完整地吸收和深度地理解。人工智能自适应学习在对学习内容精准掌握的基础上，将各部分内容拆分成颗粒状，再根据知识点间的关联性以及前后关系，构建成立体的知识网络，[10，5]使学生易于进行知识理解、建构与实际运用。第三，人工智能自适应学习对学习者采取持续关注的评价方式。它能够运用教育挖掘技术与数据分析技术对学习者当下的学习特征、学习状态做出及时的跟踪、持续的评价以及有效的反馈，从而引导学习者深度反思自己的学习状况，并及时调整学习策略，实现深度学习。

三、人工智能自适应学习学校教育应用的优势

人工智能自适应学习作为一种新的学习方式，在学校教育领域的应用越来越广泛，这应归因于其在构筑智慧学习环境、促进学习者个性化成长、培育创新型人才等方面具有的相对优势。其中构筑智慧的学习环境是实现个性化学习和成长的前提，而尊重个性才能培育出创新型人才。[19]因此，人工智能自适应学习所带来的智慧的学习环境、个性化的成长、创新型人才培育三者环环相扣，共同构成一个良性的教育体系。

(一)构建智慧的学习环境

智慧的学习环境是一个以学习者为中心、开放式和智能化的数字虚拟现实学习空间，它能感知学习情境、提供适宜的学习资源，从而促进学习者构建有意义的学习。[20-21]人工智能自适应学习基于建构主义学习理论，在“情境”“协作与会话”“意义建构”等方面逐层深入地为学习者构筑一种情境化、交互性，且能促进意义建构的智慧学习环境。[22]“情境”指人工智能自适应学习致力于为学习者提供动态的、交互的、泛在的学习环境，使学习者如临其境。自适应学习平台拥有适应性教育超媒体，以多元化、交互性的知识表达方式，增强学习者听觉、视觉、触觉等多重感官感受，促进学习者积极参与课堂活动、主动思考。泛在学习环境使学习与生活相联系，有利于学生感知、联想与意义建构。“协作与会话”指人工智能自适应学习致力于构筑协作性的学习环境，促进师生、生生进行线上、线下深度而有意义的对话。在线上，学习者与教师可以就系统提供的学习资源展开形式多样的交流与探讨，而且借助移动终端，这种互动可延伸至更广阔的时空领域。在线下，学习者拥有更充裕的时间开展小组合作式探究实践活动，开展发展社交能力、创造性、理性思考等高阶思维能力的学习活动。“意义建构”指人工智能自适应学习积极创建有利于意义建构的学习环境。首先，它为学习者呈现的学习内容有着丰富的层次和良好的结构，有利于学习者快速消化和积极建构。其次，它提供多样化的学习媒体，既直观又能激发学习兴趣，便于意义理解；第三，它提供差异化学习策略和个性化的路径选择，使学习者能够获得足够的学习养分，主动构建有意义的学习。

(二)促进学生个性化发展

人的个性发展是教育的长远目标，也是当今时代发展的必然要求。[23]为此，教育亟待一场变革，一场由规模化的教育向生命化、生态化、个性化教育的转变。[24]人工智能自适应学习在其思想基础和应用实践中都体现出了促进学习者个性化发展的旨趣。在思想基础上，人工智能自适应学习承认学习者之间的差异尤其在认知和学习风格上的差异。在认知方面，不同学习者在新知识的学习速度、掌握程度上各具差异，[15]因此学习者学习策略应有所不同。在学习风格上，不同学习者在接收信息和处理信息时所表现出来的学习倾向性不同，[25]应让学习者选择其偏好的学习方式进行学习方能获得个性化发展。在应用实践中，人工智能自适应学习通过数据挖掘技术、学习分析技术实时追踪数据，深层分析学习行为，获得有关学习者的个性特征，并为之提供个性化的学习支持。[24，26]首先是设置弹性化的学习目标。人工智能自适应学习基于不同的学情特点，为每位学生都设置具有个体针对性的动态学习与发展目标。其次是呈现递进式的学习内容和多样的学习方式。人工智能自适应学习为学习者提供专属课程表，其知识程度由易到难逐步深入，再为之匹配差异化的学习序列和学习资源，供学习者按需取用。最后是持续关注式的学习评价与反馈。系统可随时监控学习者的学习动态，对学习者做出即时的评价，并以可视化的方式将结果呈现给学习者和教师。系统还能对后续的学习活动做出预测与调整，实现差异化学习。[8]

(三)利于创新型人才培养

一般地可以认为，创新型人才具有三个特征：立体的、开放的知识结构；灵活的、多向度的思维，综合的、创新的能力；良好的品格和较高的情商。[27]人工智能自适应学习在如下三个维度有利于培养创新型人才。首先，人工智能自适应学习能够为学习者提供多样化的学习方式、开放式的学习环境和组织有序的学习内容，这不仅能够激发学习者对知识探究的兴趣，形成开放的学习态度，更有助于学习者掌握系统而全面的知识结构。其次，人工智能自适应学习有助于培养学习者理性和批判的思维、良好的问题解决能力和高效的沟通能力。人工智能自适应学习所提供的“一对一”精准教育，使学习者不断由浅层学习进入深度学习，由步调一致的单一学习进入个性化的学习；而且人工智能自适应学习也为教师对学生深入而全面的了解提供了实现条件，因此学习者之间以及学习者与教师之间拥有更多的可能来进行深层且有意义的交往。这种交往或是对于某个现象的批判，或是对某问题的深入探究，或是合作攻克某个难题等，在此过程中学习者的高级思维与能力就会得到提升。第三，人工智能自适应学习有助于培养学习者具有高尚的品格和优秀的品质。人工智能自适应学习这一平台在把学生从浩瀚的题海中拯救出来的同时，也把教师从重复性的劳动中解放出来，去从事真正富有创造性的育人工作，这样教师才更有可能根据每个学生的学情、天赋、身心发展特点设计众多合作型探究性学习活动。学生进行合作、探究、分享与反思，他们在学习的过程中不仅收获学习的成果，而且享受创造、合作与分享的乐趣，从而更有可能成长为勇于探索、具有团队精神、富有首创精神的生动活泼的人。

四、人工智能自适应学习学校教育应用的风险

人工智能自适应学习是学校教育实践中的一股新力量，它在学习环境、学习方式、人才培育等方面都能够给教育带来良性变革。但事物往往是有其利也有其弊的，难以忽视的是人工智能的学校教育应用存在潜在的风险性，前瞻地审视这些风险，是学校教育实践积极应对并有效规避风险的前提。

(一)人工智能自身局限可能导致教育误判

人工智能自适应学习系统自身并不具有绝对的完美性，这由技术本身的发展性所决定。首先人工智能自适应学习系统的关键技术数据挖掘具有表面化的倾向。教育数据的挖掘还停留于学习环境中容易获取的数据(如点击、页面的浏览次数)，而具有高度教学价值的隐性数据还是无法深入获得。[28]基于表面化的信息做出的推断与预测，初衷是好的，但其结果却可能有害。其次，目前系统的算法仍然是简单、呆板甚至是有漏洞的，这将十分危险。当数据挖掘算法如果没有能够进行完全正确的分类，系统就会产生错误的发现，如负误识(将不及格学生划入及格)和正误识(将及格学生划入不及格)。[28]这会引发错误的后续干预措施，甚至造成对学生自尊心与自信心的伤害。此外，抽象、复杂的学习风格是否可以被自适应系统以标签化精确划分，研究人员目前尚存疑虑。[29]即使能够实现学习风格的成功划分，基于算法的学习风格划分是否会使学习者困于某固定的学习类型，仍受到质疑。[30]

(二)教学中技术崇拜导致教育本质的遮蔽

技术崇拜是指教师在课堂教学中因片面预估或过分夸大技术的功用和适用范围，在心理上、认知上、情感上以及习惯上对技术产生深度甚至是过分的依赖。[31]造成技术崇拜的原因是多方面的，但根据其定义，不难发现其最主要是因为教师无限放大技术的优势，而不见其限度，因而过度依赖甚至迷失于教育技术之中，逐渐丧失了自身的思考力、判断力和行动力，无法把握教育的本质。技术崇拜的后果是，教育的核心价值被冷落，教育的温度会被冰冷的技术理性覆盖，造成教师行为的不当和人文关怀的缺失，如此则技术遮蔽了教育的本质。质言之，人工智能自适应学习应用于教育恐使教育者迷失于各色的数据、复杂的技术、大量的输出结果中，并对之投入过多的时间，甚至产生精神依赖，这样反而失却了对教育本身的关注，在技术汪洋中失去了对教育本质的把握。须知，人工智能自适应学习可以参与的只占教育的小部分，在冰山一角之下还有更重要的学生软素养(如想象力、创造性、价值观、社交能力、领导能力等)的培育，它才是人工智能时代教育的核心所在。

(三)人工智能技术可能加大城乡教育差距

由于经济社会发展的差距，城乡教育落差问题本已凸显。将人工智能自适应学习应用于学校教育，存在加大城乡教育差距的风险，原因在于城乡学生对人工智能自适应学习的可获得性是不一样的。人工智能自适应学习的开展需要有先进的信息技术和教师人力资源作为支撑，农村学校往往难以获得应有的技术资源和优质师资，而城市学校却拥有相对优越的条件。这意味着，人工智能自适应学习所能够达到的个性化程度越高，其给予城市学生的相对优势便越大，而农村地区学生的相对劣势就会越凸显，因而城乡之间的教育鸿沟也就会越深。人工智能自适应学习并不一定是缩小城乡教育差距的良药，相反地可能是一副催化剂，使得城乡城教育差距愈加明显，这种风险我们不得不警惕。

针对人工智能自适应学习在教育中应用存在的如上三种风险，需要从技术上完善人工智能自适应学习系统，用双重判断等技术和人工参与验证等路径减少教育误判；需要引导教师对人工智能自适应学习的应用，避免技术崇拜的产生；还需要有更多的合理的社会、经济措施，降低人工智能自适应学习学校教育应用过程中加大城乡教育差距的风险。