基于学习行为分析的智适应教学模式研究

徐颖丽

（衢州职业技术学院，浙江 衢州 324000）

0 引言

近年来随着人工智能（简称AI）理论和技术的日益成熟，应用领域也不断扩大。如何将人工智能技术应用于教育领域以提升教育的质量，是当今研究的热点问题之一。我国近几年越来越关注人工智能在教育领域的应用，颁布了一系列相关政策。在国务院印发的《新一代人工智能发展规划》中指出，要“建立在线智能教育平台，完善人工智能教育体系”，利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系，提供精准推送的教育服务，实现日常教育和终身教育定制化[1]。

2018 年全球人工智能自适应教育峰会在北京举行，会议围绕热门的“AI+教育”进行探讨与交流。“AI+教育”是人工智能与教育的深度融合与发展，可以实现大规模的定制化教育内容及精准服务，帮助教师批改作业、与学生交流、促进个性化学习等[2]。“AI+教育”能够更深入地为学生提供差异性的个性化学习服务，有效弥补传统教育的缺陷，因材施教，着重培养学生能力，实现高效学习和智慧教育的目标。随着教育大数据的急剧增加，学习行为分析作为教育领域中新兴的技术，对学习过程中的行为数据进行分析，深入挖掘学生学习规律以及学习行为特征与学习效果的相关性，为自适应学习系统提供个性化学习服务支持，也为教育研究者构建智能化教学环境、优化教学模式带来了新的思路。

1 智适应学习

自适应学习（Adaptive Learning）的概念最早出现于20世纪90年代美国的“智能辅导系统”，随后以信息技术为基础自适应学习系统逐渐发展起来，形成了机器学习、计算机辅助学习以及大数据学习分析等适应性学习技术。国外在自适应学习方面的研究起步较早，并且多注重于实践研究，通过设计开发相应的学习系统并在实际应用后得出研究结论。如被誉为“全球最领先的自适应学习平台”的Knewton Platform，自适应英语学习系统TOEFL Online等。国内同样有很多的相关研究及应用，姜强[3]等基于大数据分析，从数据与环境(What)、关益者(Who)、方法(How)和目标(Why)等4个维度构建个性化自适应在线学习分析模型。徐炎[4]设计了基于教育数据挖掘的个性化自适应学习系统的架构和流程。孙洁[5]构建基于学习分析的自适应学习设计框架，探讨人工智能时代下自适应学习未来发展趋势。

随着人工智能技术的发展，人工智能算法为精准的个性化学习提供有力支持，智适应学习理念应运而生。智适应学习系统是人工智能技术支持下的在线自适应学习系统，不仅能够实现学习者的相关数据分析、学习支持与服务提供，而且具有深度理解学习者学习行为的智能性能力[6]。又学教育创始人栗浩洋表示，智适应学习系统的最终目的是最大限度地模拟人类教师的角色，根据孩子的学习目标、学习风格、学习行为、个人偏好和知识状态，利用AI实现教学策略实时地、动态地调整学生接下来的学习内容和路径，从而达到个性化教学的目的[7]。

智适应学习系统主要由数据基础服务模块、学生模型、学习分析模块、智能化自适应服务引擎模块构成。数据基础服务模块是对系统中产生的所有学习过程数据、情感状态数据进行采集、清洗、转换处理并存储到学生信息数据库和学习行为数据库中。学生模型包含学生基本信息和个性学习特征信息，如学习目标、认知水平、学习喜好与风格、情感态度、社交网络、学习历史等。学习分析模块是在学生模型构建的基础上应用数据挖掘分析技术和机器学习算法对学生学习行为数据进行分析。智能化自适应服务引擎在学习分析的基础上为学生提供个性化智适应服务支持，如：学习服务策略制定、学习资源推荐、个性化学习路径生成、智能测评、学习评价报表生成等。智适应学习系统可以通过对知识点的高精度细分，实现知识点的纳米级粒度分解，精准定位学生薄弱知识点，在学习过程中详细刻画学生知识构建过程，精准评价学生学习能力。此外，随着学习行为数据逐渐丰富，学生知识状态和能力水平不断变化，系统的自适应功能可以实现个性化学习推荐服务实时更新，个性化学习路径的自主调整等。

2 学习行为分析

2.1 学习行为分析方法

学习行为是学习者在学习的过程中产生的一系列动作，包括阅读书籍、回答问题、观看视频、查看课件、浏览论坛、上传资源、访问学习平台、与他人讨论交流等[8]。学习行为分析通过数据挖掘等分析技术对学习数据进行分析与挖掘，更加全面、深入地了解学生内部特征，发现学习规律、分析学习特征、评估学习现状和预测学习效果等，并根据学习分析结果指导教学过程，为学生提供个性化学习服务。

常用的学习行为分析方法有：聚类、预测分析、关联规则和时间序列模式挖掘。聚类分为聚类分析和离群点分析。教师通过聚类分析可以对学生进行分组，发现相似学习特征和行为模式的学生群体，对不同学生群体进行比较分析。聚类分析常用的聚类算法有K-means算法和DBSCAN算法。离群点分析的任务是发现与大部分其他对象显著不同的对象，通过离群点分析可以检测学生异常行为。

预测分析包括回归分析和分类，回归分析适用于连续值域，分类则适用于离散值域，常用的算法有Logistic回归、决策树和贝叶斯网络。学习分析领域应用预测分析可以预测学习成绩，利用分类方法识别出缺乏学习动力的学生等。

关联规则是挖掘数据之间潜在的关联性，常用算法有Apriori算法和RP-tree算法。应用关联规则可以挖掘学习行为数据中的相关性，分析学习行为和学业成绩之间的关系等。

时间序列模式挖掘以时间为变量，分析在不同时间内数据之间的相互影响。学习分析过程中应用序列模式挖掘算法，发现学生学习过程中的学习习惯，分析出有效学习路径，从而进行个性化学习内容和路径推荐。

2.2 学习行为分析过程

学习行为分析的基础是学习行为数据的采集，即学生根据个人需求在平台学习中产生的一系列活动数据、情感状态等数据的采集。数据采集后形成丰富的结构化、半结构化的原始数据池，然后通过ETL等技术进行整合、转换和清洗，并将数据存储到相应数据库。学习分析过程如图1所示。

图1 学习行为分析过程图

学习行为分析主要有：学习特征分析、学习行为模式分析、学习现状分析和学习危机预测。学习特征分析可以通过训练贝叶斯分类器或关联规则挖掘学习风格行为特征，判断学生学习风格习惯和喜好，并据此为学生推送个性化学习资源。学习行为模式分析应用聚类和序列模式挖掘算法，发现学生行为序列特征，为学生规划有效学习路径，教师也根据分析结果为学生提供个性化学习指导。学习现状分析用于评估学生对知识点掌握程度，定位薄弱知识点，形成学习能力评价报表反馈给教师和学生，以便及时调整教学策略和学习方案。学习危机预测通过构建分类器和回归分析等方法分析学习交互数据、学习情绪数据和学习测试数据，识别和预测处于学习风险中的学生并预警，教师及时构建干预模型，实施干预措施。

总之，通过学习行为分析技术，可以实现教学的智能决策、智能管理和智能评价，帮助教师调整教学目标，优化教学策略，实施干预管理，开展课后补救，促进教学模式向个性化教学方向转变。

3 智适应教学模式

3.1 新型课堂构建

3.1.1 智能化学习环境

智适应学习系统借助人工智能、大数据、云计算、VR/AR等技术构建智能化新型课堂，呈现有利于学生高效学习、深度学习、全新的学习空间与环境。它以学生为中心，以各种新技术、工具、资源、活动为支撑，具有灵活、智能、开放等特性，为学生的有效学习提供轻松、个性化学习支持[9]。在智能化学习环境中创设学习情境，让学生置身于情境中获取知识，提供丰富、逼真、身临其境的学习体验，枯燥、抽象的知识通过情境更加形象化，易于理解。智能化学习环境为教师的精准教学，学生的个性化学习、智能测评、智能辅导和学习交互等行为提供有利支持。学生在智能化学习环境中更加个性化、沉浸式学习，从而达到更好的学习体验，提高学习参与度，启发创新意识，提升学习效率。

3.1.2 人机协同课堂构建

教师在智适应学习系统的精准学习支持下，将人工智能、大数据分析技术和课堂教学相融合，构建“教师+AI导师+智能学习伙伴”的人机协同课堂。教师运用人工智能辅助教学，同时与之深度融合，三者互相协作，发挥自身优势。教师和AI导师协作教学过程中，AI导师智能引导学生提出问题，自主探究构建知识，引导深度学习，促进学生对知识深层理解和建构。教师发挥创新创意思维，将更多时间和精力用于创造性教学活动、复杂决策和对学生人格塑造、情感关怀中。

学生在个性化学习过程中可以定制智能学伴。智能学习伙伴能了解学习需求，辅助学生自主学习；响应学生提问，搜索学习资源；消除学习孤独感，调节学习情绪；引导学生思考，鼓励自主探究解决问题；同时还能监督学生学习过程和学习任务完成情况。智能学习伙伴对学生的激励以及理解，会让学生变得更加自律，能进一步提高学生的学习动机、学习兴趣和学习持续性。

3.2 智能化教学模式

在“AI+教育”的背景下智适应学习系统在教与学的过程中扮演了重要的角色，基于智适应学习系统构建新型人机协同课堂是实施智能化教学的基础，虚拟学习空间和现实课堂“双课堂”联动，人机协同、师生互动，实现智能化教学和智适应学习。智能化教学模式如图2所示。

图2 智能化教学模式图

在智能化教学过程中，教学主体除了学生、教师还应包括智适应学习系统。课前教师通过智适应学习系统实现智能化备课，根据学生学习轨迹、学习过程数据和预习报表监控学生学习过程和预习情况，有针对性地调整教学内容和教学策略。学生在智适应学习系统的支持、启发、引导和陪伴下实现个性化学习、智能陪伴学习和智能测评，同时系统不停地采集学生个性化信息和学习过程数据。学习行为分析结果为后续的精准学习和教学提供依据。

课堂上学生在智适应学习系统创设的情境中进行情境式学习，在教师启发下与其他小组成员进行协作式学习以及在系统的智能引导下激发思考，主动探究解决问题，实现人机交互式学习。教师对整个教学过程实时监控，掌握班级学习需求和整体学习氛围，通过智能分析学生面部表情、学习交互过程、课堂参与度等，推断学生学习状态，如注意力、学习情绪和学习困惑，及时调控教学过程，实现教学过程精准化、智能化。此外教师在智能教学环境中与学生进行教学互动，根据学生知识和技能的掌握情况为学生提供课内辅导。

课后针对学生的薄弱知识点、学习盲点有侧重地进行巩固训练，已掌握的知识减少重复练习，在练习过程中为学生进行自动答疑和智能陪伴练习。课程学习结束后系统为学生生成课程学习报表和学习能力评价报表，帮助学生了解课程学习情况、学习认知水平以及课程学习存在的问题。智适应学习系统精准预测学习危机，发预警通知单给存在学习危机的学生，同时构建预警干预模型，实施干预策略。系统为学生提供学习辅导支持，教师帮助学生解决学习困惑，实施学习情感关怀，让学生明确学习动机，提升学习方法。教师在智能教学数据分析的基础上进行教学反思，改进教学过程，改善教学方法和策略，促进教学效果提升。

4 结语

随着人工智能、大数据分析技术在教育领域的应用，学习空间、教学环境和教学模式都发生了巨大地变化。在智适应学习系统的支持下，教师基于大数据学习行为分析，通过搜集学生学习数据，智能化推荐最适合学生的内容，开展以学生为中心的个性化学习和智能化教学活动，最终高效、显著地提升教学和学习效果。融合了学习行为分析的智适应学习平台，分析教和学过程中产生的数据，促进理解和优化学习情境。教师通过教育数据的挖掘与智能化分析、实时跟踪与反馈的智能测评、学生模型构建与学习行为分析，为学生提供个性化的自适应学习服务。

目前，人工智能已经成为智适应学习的驱动式技术。大部分智适应学习系统的研究和应用主要适用于知识型教学，对于职业技能型课程教学研究较少。因此，后续研究将主要针对职业教育领域技能型实践类课程的教学和学习，根据学生学习目的、职业发展需求和学生个人发展要求培养学生职业能力，智能引导、促进学生由浅层学习向深度学习过渡，促进新知识构建，实施智能化、精准化、个性化教学过程。