智慧学习环境中自适应学习系统动力机制研究

童名文 师亚飞 戴红斌 孙佳

[摘   要] 智慧学习环境下的教学更加关注学习者的个性化诉求，自适应学习系统能够为实现个性化学习提供技术支持。文章针对传统层状自适应学习系统模型未阐明学习系统内部运行机制的不足，基于自适应逆控制理论研制了一种自适应学习系统动力模型。学习者的学习目标选择促使学习系统开始运行，学习者的初始学习目标与其后的学习成效之间的差值是维系学习系统继续运行的内在动力。学习系统在领域模型、学习者模型、认知诊断和自适应模型四者的协同作用下向学习者不断推送适切的学习资源，旨在消除学习目标与当前学习成效之间的差值，从而使系统重新归于稳定。文章从系统动力机制视角，设计了自适应学习系统包含的领域模型、学习者模型、自适应模型和认知诊断模型。研究将为自适应学习系统的设计与实现提供理论借鉴。

[关键词] 智慧学习环境; 个性化; 自适应学习; 自适应学习系统; 动力机制

[中图分类号] G434            [文献标志码] A

一、引   言

在传统教学中，教师一直作为课堂的绝对核心、知识的传授者，学生是知识的接受者，教师与学生是一对多的单向辐射关系，学生难以得到教师及时的反馈[1]。这种大规模、标准化的人才“生产”模式满足了工业时代对劳动力的需求，在一定时期起到了积极作用。然而，教学内容和教学进度的固定化、统一化难以满足学生个性化的学习需求，忽视了学生的主体性和个体差异，进而造成课堂缺乏活力，学生创新能力培养成为空中楼阁。

大数据和人工智能等新兴信息技术的快速发展推动着教育信息化步入2.0阶段[2]。智慧教育作为新时期教育信息化的领航者，其基本原则之一是为学生提供个性化学习服务[3]。智能化教学环境为个性化教学提供技术支撑，是智慧教育得以开展的前提和基础。智慧学习环境能够为学生提供契合其个性特征的适应性支持和服务[4]，促进学生的知识、能力和情感多元发展。

由此可知，较之于传统教学，个性化是智慧教育的鲜明特征之一，强调根据学生的个体差异和需求为其提供个性化的学习服务[5]。而自适应学习是一种技术赋能的智能化教学手段，其关注的核心也是学习者的个体差异和个性需求，被认为是实现个性化学习的重要途径[6]。

二、相关研究

自适应学习系统于20世纪20年代发端，20世纪50年代末60年代初的程序教学运动使其正式走进大众视野。近年来，计算机硬件技术和人工智能算法的不断突破使其日趋走向成熟。自适应学习系统模型作为自适应学习系统的抽象与概括，对于直观地理解和比较系统之间的差异，指导自适应学习系统的设计与开发具有重要意义。自20世纪90年代以来，有关自适应学习系统模型的研究一直都是研究者关注的热点。

（一）自适应学习的源起

技术赋能的教学肇始于早期的教学机器（Teaching Machine）。1926年，西德尼·普雷西（Sidney L. Pressey）在School and Society期刊上发表题为“一个简单的提供测试、分数和教学的设备”的文章，介绍了他发明的教学机器。普雷西的教学机器包含测试和教学两种模式，该教学机器可以在测试模式下自动记录正确测试的数目，也可以在教学模式下让学生不断地做出选择，直到答对之后进入下一个题目[7]。然而，由于当时的社会条件等各方面限制，普雷西的教学机器并未引起广泛的关注。

较之于普雷西的教学机器，斯金纳（B. F. Skinner）的教学机器更强调教学而不只是测试，强调学生对问题进行作答而不是简单的多项选择，强调问题之间的关联而不仅是及时反馈[8]。斯金纳的程序教学将教学机器作为其教学方法，并从行为主义理论的视角对其进行了论证[9]，他的程序教学融入了当时关于学习过程的理论，如及时反馈、强化、自定步调、小步子和低错误率等原则[10]。然而，斯金纳的教学机器是一种直线式程序，无论学生的回答正确或错误，只向其提供正确的答案以强化正确反应[11]。线性程序中使用的学习模型是一个条件模型，它假定行为上的改变即为学习，并且可以像训练动物一样通过诱导和奖励使其行为发生改变，认为学生只学习那些可以给予奖励练习的反应[12]。因此，斯金纳的程序教学或教学机器对学生错误的反应没有太多关注。

诺曼·克劳德（Norman A. Crowder）设计了一种内生式或衍枝式程序，为学生的错误反应提供个性化的学习路径，包含关于错误反应的附加内容和解释[13]。克劳德这种早期的思想后来发展成了我们所说的“自适应”，他认为自适应程序通常与计算机设备相结合，可以根据学生的多种特征和反应分析学生的行为并对未来学习进行安排[14]。诚然，早在手工制作教学机器的时代就已经孕育了自适应学习的幼芽。

20世纪90年代，随着计算机技术的快速发展和广泛应用，以自适应超媒体为代表的自适应学习系统开始出现，代表性的有InterBook。自适应学习系统是程序教学在新兴技术和学习理论下的新发展，其中，计算机技术、人工智能以及建构主义学习理论等起到了主要助推作用[15]。

（二）自适应系统模型相关研究

标准化的模型在自适应学习系统中扮演着重要角色，是大多数自适应学习系统的基础[16]。模型可以简洁、直观地表示系统的基础概念、内容、结构及其相互关系，使得不同系统之间易于比较[17]。

自适应学习系统模型的基本构成包括领域模型（Domain Model）、用户模型（User Model）、自適应模型（Adaptation Model）[18]。领域模型主要包含学习目标和主题领域概念层次结构，对于学习目标层次结构中指定的每个学习目标，需要指定领域概念本体中的一组关联概念[19]。用户模型主要用来描述用户的相关特征，如兴趣偏好、知识等。用户的偏好和知识水平是非常不同的数据，它们以不同的方式影响着系统的适应性[20]。如偏好是领域独立的，它影响着资源选择的类型、用户学习的速度等;而知识是领域依赖的，主要影响知识选取的难度水平。用户模型通常是领域模型的覆盖结构，映射用户的领域特定特征，如领域知识空间上的知识[21]。这意味着对于领域模型中的每一个概念，在用户模型中都存在一个与其相对应的概念。自适应模型定义了如何根据用户的知识和兴趣偏好适应性地呈现导航和内容，由一组教学策略和规则组成。为了实现适应性，自适应模型会运用教学策略和规则，根据用户模型中的目标和需求从领域模型中选择所要呈现的内容[22]。领域模型、用户模型以及自适应模型三者协同作用，共同构建了自适应学习系统的基本功能框架。

自适应系统模型的研究始于早期的超文本系统，后续的研究在其基础上增加了自适应功能并逐渐发展成为真正意义上的“自适应”学习系统模型。例如：Dexter 模型是对20世纪90年代初期诸多超文本系统进行抽象概括取得的重要成果，其目的是提供一个用于不同超文本系统之间功能和特征比较的标准和参考[23]，为自适应学习系统模型的发展提供了重要的借鉴和基础。Dexter模型是一个层状结构，由运行时层、存储层和组件内层构成。运行时层关注于内容的呈现，并且描述用户与超文本的交互机制，获取用户数据;组件内层包含超文本节点的内容和结构;存储层关注组件之间的链接机制，构成了整个超文本网络。锚定和呈现规范分别用于连接存储层和组件内层、存储层和运行时层，并规定它们之间的沟通机制。AHAM（Adaptive Hypermedia Application Model）[22]对Dexter模型进行了扩展以实现自适应，即将存储层扩展为领域模型、用户模型和教学模型。教学模型由一系列教学规则组成，定义如何通过领域模型和用户模型相结合以实现自适应。Munich模型保留了Dexter模型的三层结构，主要关注模型形式化和直观描述，使用视觉建模语言使模型更加直观[24]。它采用统一建模语言（Unified Modeling Language）对Munich模型进行形式化表示，对象约束语言（Object Constraint Language）采用正式编写的语义信息来补充半正式图形表示。此外，为了增加自适应功能，Munich模型将存储层分成了三个子模型：领域元模型、用户元模型和自适应元模型。

至此，领域模型、用户模型以及自适应模型三大自适应系统基本架构已初成体系，后续研究多是依据具体需求进行功能扩充。例如：LAOS（Layered WWW AHS Authoring Model）[25]是基于AHAM设计的一个五层模型，包括领域模型、目标和约束层、用户模型、自适应模型和呈现模型。由于直接从领域模型到用户模型搜索空间过大，LAOS引入了目标和约束层，“目标”关注内容的呈现，“约束”用于缩小搜索空间。GLAM（Generic Layered Adaptation Model）[20]引入了情境计算。情境计算表示一系列行为作用于初始情境所产生的新情境。情境由两个方面构成，即学生当前的知识状态和学习偏好。其中，当前的知识状态由学生“阅读文档”“做测试”“做练习”等一系列学习行为和学生的初始知识状态确定。SAHM（Supervised Adaptive Hypermedia Model）[26]是为了解决在领域模型的构建中开发者既要扮演领域专家又要充当技术专家这一难题，帮助开发者进行领域模型的设计、开发与更新。SAHM是一个三层结构，由会话层、存储层和资源层组成，是AHAM的扩展模型。会话层提供管理自适应学习系统和领域模型的接口，并且还记录了用户与系统的交互信息，如点击次数、访问时间等。存储层由领域模型、用户模型、监督模型和自适应模型构成，其中，监督模型主要存储来自问卷和与用户模型有关的领域模型的数据，这些数据经过分析之后反馈给开发者以便对领域模型进行改进。资源层存储与领域模型中内容对象有关的学习资源。ALEM（Adaptive Learning Environment Model）[17]基于Munich模型的三层架构，对它的功能进行了扩展以更好地适用于教育系统，并且还增加了教育层。教育层是课程的抽象表示，包含课程的结构模型。

（三）问题的提出

当前主流的自适应系统模型大多采用层状架构（Layered Architecture）[27]。层状系统模型架构虽然很好地契合了模型的两个目标：其一，描绘系统的结构和功能;其二，使得不同的自适应学习系统可以相互比较[28]。然而，这些模型关注的问题通常是抽象的数据结构，对自适应系统内部的运行过程关注较少[27]。鉴于已有自适应学习系统模型在此方面的局限性，本文将研制一种自适应学习系统动力模型（Adaptive Learning System Dynamic Model， ALSDM），致力于对自适应学习系统的动力来源和内部运行机制进行深度剖析。

三、自适应学习系统动力机制

基于自适应逆控制理论，研制了自适应学习系统的动力模型，并以此为基础，阐释自适应学习系统的内部动力机制。

（一）自适应逆控制理论

自适应控制是指自适应系统在系统的输出与预定的系统目标相比较后，系统适应性地调整内部参数使得系统的输出能够接近预定的目标[29]。美国斯坦福大学教授伯纳德·威德罗（Bernard Widrow）提出自适应逆控制（Adaptive Inverse Control）概念[30]。如图1所示，其思想是借助控制器来驱动对象，从而促使系统开始运行，控制器由自适应算法驱动，自适应算法是用来最小化对象输出和指令输入之间的误差。这种误差反馈机制促使系统不断地进行优化、循环，直至将误差控制到一个可接受的范围内或趋于零，从而达到一种相对稳定的状态。

（二）自适应学习系統动力模型构建

自适应逆控制模型中的指令输入、控制器和自适应算法、对象输入以及对象输出模块可类比为相应的学习者的学习目标、学习引擎、学习路径和学习效果模块。学习引擎可由传统自适应学习系统的三大功能构件组成，即领域模型、学习者模型和自适应模型。由此，依据自适应逆控制模型和传统自适应学习系统模型形成ALSDM模型（如图2所示），旨在揭示自适应学习系统的内部运行过程，阐明其动力机制。

图2上部描绘了ALSDM的运行原理，可以发现学习者的学习目标选择行为促使系统开始运行，学习目标的要求与学习者当前学习效果之间的差值为系统的持续运行提供源动力。图2下部为ALSDM的三大功能模块（领域模型、学习者模型和自适应模型），此外，ALSDM还引入了新一代教育测量理论，即认知诊断理论，旨在精准测量学习者的认知状态，以期对学习者进行更为精细的建模，这四大功能模块为自适应学习系统奠定了技术基础。

如图2所示，自适应学习系统的运行过程主要包括以下几个阶段：首先，学习者根据个人兴趣或学习需要选择一个学习目标进行学习，自适应引擎根据领域模型以及学习者模型中该学习者的知识状态图谱判断其是否具备达到此学习目标的能力，如果不具备，系统将向其推荐在其最近发展区之内的适应性学习内容，并建议其进行学习。接着，学习引擎再次进行判断，如果学习者选择的学习目标符合其当前的能力状态，则自适应引擎在领域模型、学习者模型和自适应模型三者作用下向学习者推荐适切的学习路径及相应的学习内容和学习资源供其学习。在学习者学习完成后，认知诊断模型将对其学习效果进行精准测量，并将测量结果更新到学习者模型中以便为后续学习路径推荐提供依据。最后，学习引擎判断学习者的学习效果是否达到了学习目标的要求，如果没有达到，则重新激活自适应引擎并向学习者推荐此学习目标中掌握薄弱的相关内容组成学习路径，对症下药，进行精准补救。此时，学习路径中有可能仅涉及一个知识点（学习者掌握薄弱的知识点），这个过程一直持续到学习者达到该学习目标的要求为止。

（三）动力生成与消退机制

学习目标与学习效果之间的差值为自适应学习系统提供动力（如图3所示）。自适应学习系统在此动力驱动下向使得学习目标与学习效果偏差为零的方向运动，最终使得动力逐渐消退，达到偏差为零的稳定状态。因此，自适应学习系统动力机制可以分为动力生成和动力消退两个部分。（1）动力生成包含两个阶段：第一，学习者自主选择学习目标产生初始动力（对应图3中时间为0的状态），此时学习者尚未开始学习，学习效果与学习目标之间的差值最大，即动力最强;第二，在学习过程中，认知诊断不断测量学习效果，通过学习效果与学习目标比较产生动力，驱动自适应学习系统向偏差为零的稳定状态运动。（2）动力消退是指当学习系统存在动力（学习目标与学习效果的偏差不为零）时，该动力促使学习引擎动态调整学习路径和学习内容，使学习效果逐渐趋近于所期望的学习目标。随着学习过程的持续进行，学习目标与学习效果之间的偏差逐渐缩小，系统动力逐渐消退，最终达到偏差为零的稳定状态，系统动力完全消失。学习系统推送的定制化学习路径和学习内容契合了特定学习者的认知状态和个体特征。因此，自适应学习系统在动力消退的同时，也提升了学习效果。

四、动力机制视角下的系统模型设计

领域模型、学习者模型、认知诊断及自适应模型构成了自适应学习系统完整的功能体系。领域模型为系统提供知识基础，学习者模型是系统提供适应性服务的依据，认知诊断精准度量学习者当前认知水平，自适应模型采用智能算法向学习者推送适切内容。四者的协同作用保障了自适应学习系统的有效运行。

（一）领域模型：以何适应

领域模型是学习系统动力生成与消退的基础。在学习系统运行前，领域模型为学习者提供学习目标，学习者选择期望达到的学习目标，此行为直接促发了学习系统的初始动力。在学习系统运行过程中，学习引擎适应性地选择领域模型中的知识点、学习内容和学习活动等构成个性化学习路径并向学习者推送，此行为促使学习效果不断提升，学习目标与学习效果之间的差值逐渐减小，动力也随之逐渐消退。

领域模型是具有层级关系和平行关系的学习目标和知识点的集合，为自适应学习系统提供资源内容基础。领域知识建模是在学科领域专家的帮助下将学科内容进行学习目标和知识点划分，并确定学习目标和知识点之间的关系，形成有机的领域知识体系的过程。如图4所示，本研究以元数据层、知识层和资源层对领域知识进行建模。

元数据层表示学习目标和知识点在领域中的位置信息，如所属课程、章节信息。知识层主要由学习目标和知识点构成，是领域模型的核心部分。知识点是最小的知识微粒，具有原子属性，不可再分。知识点之间存在各种关系，如前驱后继关系和平行关系等。学科领域专家通过对课程内容的分析，将相关性较高的知识点聚合为知识群以构成学习目标，不同的学习目标可能包含相同的知识点。资源层包括学习内容、学习活动和测试题集。根据成分显示理论，知识点可以分为事实性、概念性、过程性和原理性四类，对于不同类目的知识点设置相应的学习内容和学习活动，并且在学习完一个学习目标之后，学习系统采用适切的测试题集对学习效果进行诊断。

（二）学习者模型：依何适应

学习者模型是学习系统动力消退的依据。学习系统依据学习者模型为学习者提供个性化的知识点、学习内容、学习活动以及测试题集等服务，促使学习效果不断提升、动力逐渐消退。因此，学习者模型构建的好坏将直接影响动力的消退与学习服务的质量。

个性化学习服务的质量很大程度上依赖于学习者模型的特性，如数据完整性和准确性等[31]。学习者模型中常见的属性有学习目标、偏好和知识等[32]。本文将其归纳为学习者的知识状态和学习风格（或学习偏好）两个维度。知识状态决定提供给学习者学习内容的难易程度。学习风格决定学习内容的呈现方式，如是以文本、音频、动画还是视频呈现，先呈现整体内容框架还是依次按顺序呈现等。覆盖模型是目前最为常用的学习者知识状态建模方法，它将学习者的知识状态看作领域知识的子集，学习者学习的过程即是对领域知识的覆盖过程。Felder-Silverman学习风格模型整合了荣格心理类型理论以及Kolb学习风格模型等，从信息的感知、输入、加工和理解四个维度将学习者分为16种学习风格偏好[33]。基于覆盖模型和Felder-Silverman学习风格模型，本研究提出一种分层学习者模型。

分层学习者模型包括知识状态和学习风格两层。第一层为学习者的知识状态图谱，学习者可以直观地查看个体当前的学习状态，如哪些知识点已经學习过、哪些未学习、学习过的知识掌握的程度如何（由认知诊断测得）等。学习者的知识状态会随着其学习进程的进行发生动态变化，学习者模型也将在认知诊断系统对学习者知识状态的进一步诊断后进行更新，以便为后续的学习路径推荐服务。第二层为学习者的学习风格类别，学习风格是一种认知、情感和生理特征，是学习者如何对环境进行感知和交互的相对稳定的指标[34]。自适应学习系统中适当地考虑学习者的学习风格，有助于提高学习者表现[35]。学习风格的获取一般有三种方式：（1）显性获取，直接通过问卷让学习者填写;（2）隐性获取，通过学习分析和数据挖掘技术对学习者的学习行为数据进行解析，从而挖掘其潜在的学习风格（此方法在学习数据较少时，准确性较差）;（3）混合获取，先采用直接问卷的方法获得学习者的学习风格，当学习者产生一定数量的学习数据之后，再运用数据挖掘技术对之前的结果进行修正[36]。显性获取较为简单，但受学习者情绪和态度等外部条件影响较大;隐性获取方法适合具有一定数量学习数据的情况;混合获取方法则弥补了两者的不足。

（三）认知诊断：精准测量

认知诊断主要用于学习效果的测量，这与动力的生成有关。在学习过程中，学习系统借助认知诊断不断地测量学习效果，从而持续地生成学习系统运行的动力（学习过程中动力的生成不等于动力的增加，总体来讲，学习过程中动力是逐渐消退的）。因此，认知诊断也是自适应学习系统动力模型的关键环节之一。

如何对学习效果进行更加精准地度量，更加真实地表征学习者的知识状态？这是实现精准教学的核心[37]。就传统的教育测量理论而言，如经典测量理论和项目反应理论等，学习者的分数通常由其在某一连续体中的位置决定，如学习者相对于其他学习者或某个特定的标准。这种宏观的评价信息难以帮助设计针对性的教学干预和个性化的补救措施[38]。随着教育评价理论的发展，人们不再仅仅满足于这种线性的排序，而是想要了解学习者对具体某个知识点的掌握情况[39]。认知诊断是现代心理测量理论和认知心理学的产物，被称为新一代的教育测量理论，目的是确定个体是否具备解决测试问题所需的多种精细技能[38]。认知诊断可以了解学习者哪些知识点掌握了、哪些没有掌握，进而向学习者推送适切的学习路径和资源，优化学习过程。目前，比较有代表性的认知诊断模型有层次属性模型、融合模型、规则空间模型以及DINA模型等[40]。

以DINA模型为例，DINA模型是一种简单的两参数认知诊断模型，能够提供良好的模型拟合。它通过分析学习者测试题目的作答情况和试题所需掌握的知识点，进而估计学习者对知识点的掌握情况。DINA模型的计算过程一般可分为四步：第一步，构建Q矩阵。Q矩阵是一种测试题目与知识点关系矩阵（也称项目与技能关系矩阵），矩阵的列表示知识点，行表示测试题目以及所考察的知识点，Q矩阵是一个由0和1构成的二值矩阵。第二步，通过测试得到学生的真实反应模式。第三步，估计猜测参数和失误参数。第四步，根据以上参数采用最大化后验概率的方法得到学生掌握模式，即学习者当前的知识状态。DINA模型估算的学习者知识掌握情况（或知识状态）是一个二值向量，即1表示已掌握，0表示没有掌握。刘玉苹提出的SDINA模型可以估算出学习者对每个知识点的掌握概率[41]。因此，学习者的知识掌握情况不再是一个二值向量，而是介于0和1之间的连续值，表示学生对每个知识点的掌握程度，从而更加精准地描绘学习者对知识点的掌握情况。

（四）自适应模型：动力消退

自适应模型主要用于动力消退。自适应模型应用推荐算法适应性地调整学习路径及其对应的学习内容、学习活动等，减少学习系统的动力，是实现动力消退的核心。适应性推荐算法是自适应模型的核心。根据所应用推荐策略的不同，适应性推荐算法可以分为协同过滤推荐、基于内容的推荐以及基于知识的推荐三类。协同过滤是利用群体智慧进行推荐，主要思想是过去选择相似知识点和学习资源的学习者，在未来他们可能选择相同的知识点和资源[42]。因此，协同过滤主要通过分析相邻学习者（即最为相似的学习者）的学习内容，从而向目标学习者推荐与其相同的知识点和资源。然而，协同过滤存在“冷启动”的缺点。基于内容的推荐是向学习者推荐与当前相似的知识点和资源[43]，该策略的重点是对学习内容进行多维建模。基于知识的推荐通常使用本体对领域知识和学习者进行表示，之后将学习者映射到相关的领域知识中[44]。由于领域知识内部知识点关系的复杂性以及学习者特征（知识水平、学习偏好、学习活动和所处情境等）的多维性，本体构建通常面临巨大困难。混合推荐是协同使用以上三种策略进行学习内容推荐，旨在组合各自优势，克服各种推荐策略的不足。

为了实现动力的消退，要针对学习者掌握薄弱的知识点进行精准推送，提升学习效果。研究将采用混合推荐策略，从知识点自身的关系结构和相似学习同伴两方面进行学习路径推荐。其一，基于知识点逻辑结构的推荐，即根据领域知识模型中知识点内在的逻辑关系以及学习者模型中学习者的知识状态和学习风格，向学习者推荐达到某一学习目标所需的具有前驱后继关系或平行关系的知识点序列及相应的学习内容和活动。此策略可以克服协同过滤推荐的“冷启动”问题。其二，基于相似学习同伴的推荐，即采用类似于协同过滤推荐的策略，以目标学习者的知识状态和学习风格构造向量模型，寻找与其空间距离最近的优秀学习同伴，并将其学习路径推荐给目标学习者。两种推荐策略协同使用，可以满足学习者个性化的学习需求，优化学习体验。

五、结   语

自适应学习系统旨在为学习者定制个性化的学习内容，优化学习体验，提升学习效果。自适应学习系统模型对系统的开发起着导向作用。研究针对传统的自适应学习系统模型的层状架构对系统内部运行过程关注不足的问题，基于自适应逆控制理论研制了一种自适应学习系统动力模型。同时，文章借助学习系统模型的运行过程阐释了自适应学习系统的动力机制，即自适应学习系统动力的生成与消退过程。为了更加精准地掌握学习者的知识状态，研究引入了新一代教育测量理論，从而构建了新型的自适应学习系统四大核心功能要素。最后，研究从动力机制的视角设计了自适应学习系统动力模型的四大功能组件。至此，研究已从动力生成与消退视角详细阐述了自适应学习系统的动力机制。后续，我们将依据研制的模型进行自适应学习系统的开发工作，并进行实证研究，采用基于设计的研究方法，针对实证研究中存在的问题对模型进行多轮迭代与优化。

[参考文献]

[1] 张杰夫.班级授课制存在的问题及其改革刍议——兼谈现代教育技术与教学改革[J].教育科学研究，1987（3）：9-18.

[2] 教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].（2018-04-18）[2019-07-20].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[3] 祝智庭，魏非.教育信息化2.0：智能教育啟程，智慧教育领航[J].电化教育研究，2018，39（9）：5-16.

[4] 祝智庭，贺斌.智慧教育：教育信息化的新境界[J].电化教育研究，2012，33（12）：5-13.

[5] 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）：18-26，49.

[6] 彭红超，祝智庭.人机协同决策支持的个性化适性学习策略探析[J].电化教育研究，2019，40（2）：12-20.

[7] BENJAMIN L T. A history of teaching machines[J]. American psychologist， 1988， 43（9）： 703-712.

[8] SKINNER B F. Programmed instruction revisited[J]. Phi delta kappan， 1986， 68（2）： 103-110.

[9] 李艺，单美贤.“教师”的智慧：谈程序教学思想的兴起与归宿[J].电化教育研究，2013，34（7）：11-16.

[10] SKINNER B F. Teaching machines[J]. Science，1958，128（3330）：969-977.

[11] BLAISDELL F J. Historical development of computer assisted instruction[J]. Journal of educational technology systems，1976，5（2）： 155-170.

[12] CROWDER N A. On the differences between linear and intrinsic programing[J]. The phi delta kappan，1963，44（6）：250-254.

[13] FUCHS， K， HENNING P A. Computer-driven instructional design with INTUITEL[M]. Gistrup，Denmark：River Publishers，2017.

[14] GILMAN D A. The origins and development of intrinsic and adaptive programing[J]. Educational technology research and development， 1972， 20（1）： 64-76.

[15] KARA N， SEVIM N. Adaptive learning systems： beyond teaching machines[J]. Contemporary educational technology，2013，4（2）： 108-120.

[16] AROYO L， DOLOG P， HOUBEN G J， et al. Interoperability in personalized adaptive learning[J]. Journal of educational technology & society， 2006， 9（2）：4-18.

[17] TADLAOUI M， CHIKH A， BOUAMRANE K. Alem： a reference model for educational adaptive web applications[M]//Intelligent and adaptive educational-learning systems. Berlin： Springer， 2013：25-48.

[18] CANNATARO M， CUZZOCREA A， PUGLIESE A. XAHM： an adaptive hypermedia model based on XML[C]//Proceedings of The 14th International Conference on Software Engineering and Knowledge Engineering. New York： ACM， 2002： 627-634.

[19] KARAMPIPERIS P， SAMPSON D. Adaptive learning resources sequencing in educational hypermedia systems[J]. Journal of educational technology & society，2005，8（4）：128-147.

[20] JACQUIOT C， BOURDA Y， POPINEAU F， et al. Glam： a generic layered adaptation model for adaptive hypermedia systems[C]//International Conference on Adaptive Hypermedia and Adaptive Web-based Systems. Berlin： Springer， 2006： 131-140.

[21] KNUTOV E， DE BRA P， PECHENIZKIY M. AH 12 years later： a comprehensive survey of adaptive hypermedia methods and techniques[J]. New review of hypermedia and multimedia，2009，15（1）：5-38.