自适应学习——疫情时期的高职学生在线学习探索

孙月江，孙月兴

(1.青岛职业技术学院，山东青岛 266555；2.潍坊工程职业学院，山东青州 262500)

2019年12月上旬，湖北武汉发现不明肺炎患者，随后，一场牵动人心的新冠疫情在春节期间弥漫开来，并逐渐影响到了全国乃至全球。疫情防控形势严峻，中央及各级政府迅速开展了系列应对措施，教育部多次召开专题会议，对各大专院校、中小学、幼儿园等推迟开学，并开展线上教学活动。“停课不停教、停课不停学”成为教育部门针对此次疫情的主要应对措施。

一、疫情期间高职学生在线教学的现状及优势分析

为了应对疫情，各地教育部门和学校全力开展各类“线上教学”模式，满足学生在家也能上课的需求。线上教学的形式多种多样，有教师直播授课，也有群组+录播教学，有利用专业线上平台教学，也有基于QQ、微信、钉钉等即时通讯软件进行教学。各大教学平台如中国大学慕课、智慧树、智慧职教、超星学习通、云班课等都同时提供PC端和移动终端的学习方式，使出浑身解数满足学校和学生开展在线教学的需求，抢占在线教育的制高点。

疫情期间，学生不能返校，老师不能出门，在线教育起到了无可替代的作用，也是满足停课不停学的最好的选择。在青岛职业技术学院对全校学生疫情期间在线学习一个月后的调研中，针对“相比线下课堂授课在学生看来线上教学主要优势”如图1所示。

在线教学的主要优势体现在如下几个方面：

(1)灵活自由的学习方式

线上教学模式下，教师可以提前制作好教学课件、录制好教学视频并准备好相关教学材料，上传至各大教学平台；也可以借助一些能够直播的教学平台或直播工具直接开展在线授课、直播教学。学生可在规定时间内根据自己学习的需要，通过回放等手段重学部分内容，从而更好地掌握所学内容，巩固学习效果。学生学习不受时间、空间、地域等众多因素的影响。

图1 线上线下课堂优势对比

(2)丰富的教学互动

在线教学能够提供便利的教学互动方式，学生之间可以就学习内容自由的和他人交流，对于分组教学也可以较好的发起分组讨论和相互协作。通过系统中自带的一些评价功能、工具，发表自己的观点。

(3)自动化测评

对学生学习效果自动化评测是线上教学的一个很大优势。教师可以很方便地对学生学习内容进行随时检测，并能够立即给出反馈和总结。通过设定课后练习试卷，检测并加强学生课堂所学的知识，让知识在脑海里更加牢固。

(4)个性化学习

学生因自身学习背景、学习能力等不一样，导致学习需求也不相同。一般来说，学生通过线上教学系统可以方便地对学习的时间进行灵活安排，根据自己的知识漏洞、缺陷，个人特点、偏好以及知识的需求选择合理的学习路径和学习方式，提高学习效率。

调研中，针对“疫情过后，你是否愿意继续参加线上学习”这一主题，发现选择非常愿意的同学只占到大约五分之一。如图2所示。

图2 是否愿意继续参加线上学习

在线教学学习效率低下和学习连续性等问题无可回避。怎样更好地利用在线教学的优势，充分调动每一位学生的学习主动性，提高学习效率，是每一位教师必须思考的问题。人工智能自适应学习模式是对该问题进行有效解决的一个选择方案。

二、自适应学习模式介绍

作为个性化学习的最有效实现方式，自适应学习可根据学习者个体的学习情况进行分析，自动调整并推送个性化学习方案，从而帮助学生实现个性化学习的需求。

传统的教学活动教师往往扮演着中心角色，主宰着课堂教学，作为最大利益相关者的学生，往往处于被动接受的地位。即使在这次疫情期间的在线教学中，也更多的是传统教学方式的电子化，学生在整个教学过程中，个性被极大的束缚。而自适应学习能够针对学生个体进行分析，能够更好的实现因材施教。美国、英国、澳大利亚、日本、韩国等都提出了适合本国国情的自适应学习模式和基于先进信息技术的自适应学习平台。我国也不例外，其中余圣泉教授在这方面做出了开创性的贡献。他对自适应学习的理论进行了深入的分析，针对基于线上的自适应学习开展了深入的研究工作，对于自适应学习的目标制定、学习策略和学习内容的选择机制、学生自我检测和评估等领域进行了深入的研究，并提出了自适应学习的模式，如图3所示。

图3 自适应学习模式

因为需要信息技术的支撑，所以自适应学习对包括人工智能、大数据、云计算等一系列技术的要求都非常高，需要通过这些技术对学生在学习过程中产生的实时数据进行分析判断，实现在特定的时间为需要的学生提供需要的学习内容[1]。因此，相较于传统的在线学习平台，自适应学习平台需要提供更加智能化的更强大的支撑功能。既要完成对于学生学习状态的诊断，又要实现根据学生特点进行的学习路径规划和推送。国内外很多大的在线教育平台都在积极尝试提供对自适应学习的支持，国内比较典型的有猿题库、英语流利说、洋葱数学等，国外的则以Knewton、ALEK、Dreambox、Declara等较为知名。

三、高职学生自适应学习的实践探索

相比在义务教育阶段实现自适应学习，要在普通高等职业教育中开展自适应学习的探索则较为困难。对于自适应学习的基本框架和教学模式的研究是进行实践探索的基础。美国匹兹堡大学的Brusilovsky教授曾提出一个设计面向学习体验的自适应学习系统，该系统强调以学习者为中心，从个体特征和学习需求出发，研究学习者的学习要素(学习行为、知识状态、知识水平等)，并进行学习要素的动态跟踪，从而为学习者呈现良好的适应性学习内容，最终实现个性化服务及引发学习者在元认知和社会比较两方面的学习体验。模型如图4所示。

图4 自适应学习系统模型

(一)领域模型：自适应学习资源的组织

适应职业教育教学的特点，高职院校自适应学习的开展也需要匹配相应合适的资源素材。自适应学习资源的建设比起一般的课程资源建设要求更高。首先要对所学习课程的内容或应该掌握的操作技能进行分解，按照学生岗位需求，对学习内容进行分解。分解的过程必须逐层进行，达到完全颗粒化，先分解成知识单元，然后继续分解成知识点或者技能点。

划分完知识点之后，各个知识点和技能点之间的逻辑关系也需要科学搭建。这是在一般教学资源建设中所不需要的，但恰恰是自适应学习中非常重要的一个环节。这些关系一般包括：包含关系、相互依赖、相互组合、干扰等。

在自适应学习资源建设中，题库以及选题策略也是非常重要的一部分。自适应学习对于学生当前学习状况的判读以及对于自适应学习路径的给出都是通过有针对性的测试为基础完成的。题库的设计应该与课程学习目标相对应，甚至与每一个知识点和技能相匹配。当学生出现错误，这个错误能够真实地反映学生对于学习内容的欠缺，进而推送合适的学习内容进行弥补，直至学生达到熟练掌握。所以，在设计题库时，不仅要求题库的数量非常庞大，涵盖所有需要掌握的知识点和技能，还需要明了题库中的每一道题都用到了什么知识点，甚至希望知道解题过程中的每一个步骤都用到哪些知识点。这对于课程的设计者来说，是一项具有挑战性的任务。

例如，在我们针对自适应学习模式的试点课程“单片机控制系统设计与开发”中，首先对课程内容划分成知识单元，然后对知识单元继续分解成各个技能点，每个技能点都实现相应的教学资源，例如微课视频、教学PPT、教学案例、测试等。这个知识体系与本课程的习题、试题库可以通过自动解题技术有效关联起来，形成一个知识图谱。在这个知识图谱中，每一题都可以关联到若干个知识点，每一个知识点也可以关联到若干个题目。借助课程的知识图谱，自适应系统就可以自动为学生的习题、作业、考试等内容自动形成学习报告，从多个维度剖析学生的掌握情况。如图5所示。

图5 自适应学习资源的组织

(二)教学模型：学习组织

教学模型是对教学活动进行组的方法描述，是自适应学习系统实现的保障。学习组织基于近端发展区学习理论。近端发展区是由心理学家Vygotsky提出来的一种学习理论。该理论指出了学习者能力和学习

难度之间的关系，是目前自适应学习中最常用的一种思考模型。他认为，能力高的学习者在学习难度低的知识时会感觉无聊，而能力低的人在学习难度高的知识时会感觉焦虑，他们只有在学习难度适中的知识时才会实现有效学习。这个难度适中的区域被称为近端发展区。自适应系统可以根据学习经验持续测量学习者的能力高低，基于一定算法来推导出下一步任务。这样可以让学习者保持在ZPD区域內，从而确保学习者在学习系统的辅助下得到更好的学习效果。如图6所示。

图6 近端发展区 图7 对比测试成绩

高职学生群体存在着学习基础差异较大、学习能力和学习兴趣个体差别明显的特点，个性化学习需求强烈。自适应系统可以根据学习者的学习特征推荐合适的学习内容，规划正确的学生学习路径，帮助学生进行最高效的学习。

在“单片机控制系统设计与开发”课程改革试点中，我们针对本学期开设该课程的两个班级分成两组进行试验。机电专业2018级1班按照正常的教学进程，以老师讲授为主，完全按照课本安排完成教学任务。机电专业2018级2班按照自适应学习的模式组织。在教学实施过程中，1班的学生未进行任何的课前检测，但是对2班的学生通过系统进行了学前测试，通过测试结果掌握学生的基本学习能力。授课教师根据平台给出的学生知识结构分析，结合教师自身的授课经验，借助领域知识模型，对学生学习目标和认知结构进行最佳知识点的选择，从而规划出适合的学习路径和学习策略，引导学生进入课程知识的学习环节。大约一周后，给出基于所学知识的新测试题目，检验学生对新知识的认知程度，如果检测结果满足教学目标，则可以认定学生达到原定学习目标，并继续向学生推送新的学习资源，以此方式进行持续迭代，直到完成所有的教学目标要求。

需要说明的是，因为在线平台只能提供比较原始的学生测试数据，所以很多学习推荐路径都是由任课教师自主规划完成的。在此次疫情教学的前6周的时间中，每周12学时，共计完成了每个班72学时的教学。测试成绩如图7所示。

从成绩分布可以看出，采用自适应学习的班级，平均成绩要优于普通授课班级，不及格率明显下降，也更加符合正态分布。虽然限于条件，样本较少，时间较短，存在较大的偶然性和随机性，但仍然为我们的教学改革提供了良好的借鉴。

(三)学习者模型：第一利益相关者

学习者模型是对学生自我信息的充分认知模型，该模型提供对学习者的情感特征、学习风格、认知能力和知识水平等综合信息[2]。学习者模型的建立需要结合静态建模和动态建模两种方式结合完成。学习者模型的数据会随着学习进程的推进进行动态更新。数据积累越充分，学习者模型就越准确，对于自适应学习就能够提供更多的帮助，学习路径的规划和推送就更加合理。[3]在本次试验中，我们采取在线平台系统收集和教师收集相结合的方式获取学生的学习者模型，对学生进行判断和指导。

(四)自适应引擎：核心驱动

自适应引擎是整个自适应学习模型的核心和驱动，它连接了领域模型和学习者模型这两个最重要的自适应学习要素。自适应引擎基于人工智能、机器学习、大数据分析等技术，了解学生的学习水平，判断学生的学习成功率，为学习者构建了最有效的学习路径[4]。自适应引擎是基于信息技术的高水平发展基础之上的，需要长期的技术积累，需要在线教育平台投入巨大的精力去构建。在我们的自适应教学实践过程中，常用的在线教学平台能够提供一定的学情分析和学习推荐，但是必须结合教师丰富的教学经验，做出进一步的判断，才能够给出较为合理的学生自适应学习路径。我们的自适应引擎还仅仅处于起步阶段，要完全满足学生自适应学习的要求，还有很长的路要走。

(五)用户界面：内容的呈现

用户界面是对学习内容的呈现，也是人机进行交互的平台。[5]现有各个在线教育平台的用户界面在人机交互、终端适配、数据呈现等方面都能够较好地完成学习的要求，也是自适应学习模式实践过程中做的最完善的部分。

四、总结

因材施教的个性化学习方式是教育的终极追求。这次的新冠病毒疫情对整个社会造成了极大的困扰，但也为在线教育的发展提供了很好的契机。要实现真正的自适应学习，需要以政府政策为引导，在线教学平台为基础，以人工智能技术为支撑，个性化教学资源为核心，政府、学校、企业、家庭、学生共同努力，推动教育改革走向差异化、个性化发展。