罗建波
【摘要】个性化教育是教育的核心和根本目标,自适应学习则是实现这一目标的理想方式。自适应学习起源于人类对教育本质的探究,伴随着教育理念和教育模式的创新而兴起,并在现代智慧教育的环境下蓬勃发展。理解自适应学习的内涵和外延是将其应用到系统的前提,而实现系统机制则需掌握相关的学习理论、知识测量理论等,并依赖于教育数据科学、人工智能赋能教育技术的发展。
【关键词】智慧教育 自适应学习 源起 内涵 实现机制
【基金项目】中国矿业大学教学研究项目“基于学习分析(LA)的英语口语个性化自适应学习系统研究”(编号:2018YB53)。
【中图分类号】G42 【文献标识码】A 【文章编号】2095-3089(2021)23-0021-02
个性化学习是推进因材施教,帮助学习者达成自我完善,最终实现自我价值的一种学习理念。自适应学习则被认为是实现这一理念的最佳方式之一。自上个世纪八十年代诞生以来,自适应学习在科技发展的支持下,越来越深入地融入于教育中的各个方面,其良好的效果也被研究证明。现在随着人工智能的快速发展,其与自适应学习的结合发展出智适应学习在教育界的广泛应用。
1.兴起背景
1.1教育的本质和目标
教育的本质即促进人的个性全面发展。个性化教育需要教师依据每位学生自身的特点进行教学活动,这种差异化的教学方式需要大量专业教师以及优质教学资源。在教学辅助设施相对落后的环境中,有限的人力资源只能帮助小范围的学生实现这一目标。随着科技发展,社会利用先进技术进行人机协同教学,广泛地实现个性化教育。
1.2教育理念及教学模式的发展
现代社会已进入终身学习和泛在学习情境,同时课堂教学指导思想也由原来的以教师为中心转向以学生为中心,要求从学生的实际基础和需求出发,设计学习内容、方法、策略等,并及时作出反馈。
基于终身学习、泛在学习的理念以及以学生为中心的教学指导思想,现代教育技术出现了新的发展方向,网络在线学习与学生支持体系应运而生并得到长足的发展。很多在线课程虽然内容丰富,但是呈现结构和推送形式单一,导致很多学习者迷失在海量的网络资源中无从选择,最终无法坚持学习。解决的方法就在于发展适应性学习。这是一种基于数字化技术及智能技术支持的、个别化人性化的主动学习方式,学生利用多媒体资源进行自我知识建构,并从教师和学习同伴处得到快速反馈。[1]
1.3科技的进步
根据佩特·约翰内斯等人的观点,自适应学习的两条发展脉络分别为1980年代个人电脑的问世并把电脑作为一种智能辅导系统(Intelligent Tutoring System)使用的可能性,以及教育领域慕课的兴起和数据科学领域机器学习方法的发展。[2]
美国从1970年代开始利用计算机作为辅助教学手段,研究了ITS的认知模型和模式追踪,以分析学生的认知、动机和情感状态等。90年代,适应性超媒体系统得到发展,它利用自适应导航技术开发能适应不同学习者的个性化学习体系。[3]
另一方面,在线学习特别是慕课的兴起,丰富了学习者的学习环境、内容、方法等体验,但是在线学习要求学习者具备自主性,即自我激励地、有计划地采用学习方法和材料,否则将导致学习体验较差、在线学习持续进行困难、辍学率居高不下。这就要求系统平台快速分析在线学习数据,提供解决方法,而基于数据科学领域机器学习方法的自适应学习能够满足这些要求。
2.内涵与外延
自适应学习的定义表述不尽相同,但究其本质,内涵与外延可以总结如下:
本质和目标:个性化教育。自适应学习着眼于学生的个体特征差异,根据其知识背景、认知特征、学习偏好等提供独特的学习支持系统如学习环境、学习内容、学习途径等,最终达到个性化教育的终极目标。
基础:教育大数据。数据可以说是一种记忆细胞,它记载着所有关于学习者的详细内容,如个人信息、历史知识、学习偏好、认知能力、学习情绪等。自适应学习通过收集并分析教育数据,以此建立学习者模型、知识模型等系统架构。
内容和结构:自适应学习系统主要包括系统模型即整体架构,学习者模型即关于学习者的所有背景、知识、风格、能力等建模,知识领域模型即所要學习的科目知识的建模,自适应引擎即学习推荐技术,可视化呈现即形象化展现学习内容效果等方式,学习管理模型即预测并预警学习者学习效果的模块。
路径和策略:自适应学习首先通过记录、挖掘、分析学生的学习数据,建立学习者模型,然后通过自适应引擎向学习者推送个性化的知识模块,实时调整学习内容、方法、策略等,针对学习效果实行可视化呈现,以生动形象的视觉画面让学生和老师实时掌握学习动态,随后对学生的学习效果进行预测,对未能达到效果的学生进行预警,最后通过预测预警的结构对学习者进行实时评估、反馈、干预、指导。
3.原理与方法
如果将自适应学习当作一种新的学习方法和学习范式,那么自适应学习系统就是为这种学习方法提供环境的平台。这种作为数据驱动的系统之所以具有自适应性,因为它能够基于系统采集和处理的数据改变每个用户在学习系统中的体验。而系统的组建、数据的采集与处理、改善学习体验的方法和路径都需要遵循一定的理论和原理,其技术应用也涉及到许多方面。
3.1理论与原理
作为科技和教育的深度融合,自适应学习系统从宏观的结构架设、模型建立到微观的学习推荐、测评、反馈、预警等离不开教育学、心理学、认知理论以及数据、信息、计算等科学的指导。
首先,自适应学习系统需要建立学习者模型、领域模型等,这一过程涉及到认知与学习风格、多元智能、教育测量等理论。这些理论被多名学者应用于自适应学习系统的理论与实践研究中,如柏宏权[4]以认知风格和学习风格为理论基础研究了适应性教学系统中个性化教学策略,东北师范大学赵蔚教授研究团队[5]采用Felder?Silverman学习风格理论初步实现了用户学习风格模型建构,并基于项目反应理论、布鲁姆认知目标分类理论、知识理解级别等建构了认知水平模型。其他如元认知理论和社会比较理论、经典测量理论和认知诊断理论等也被用于研究学习者模型与教学模型以及学习资源推送方法。
其次,自适应引擎需要以相关的学习理论为指导原则,在适当的时间和环境推荐恰当的学习内容、学习途径等。此类理论研究包括数字化学习理论、建构主义学习理论、混合式学习理论、记忆曲线理论、知识空间理论及信息流理论等。
3.2方法与技术
自适应学习系统的技术原理相对比较清晰明确,主要涉及数据收集与处理、模型建构、结果可视化呈现、干预机制等方面。
早期的自主学习中利用的技术只有计算机的方便快捷和网络的远距离传输。随着网络的发展和数据科学的崛起,现代技术才被深入应用到自适应学习中。在大数据驱动的自适应学习发展起来后,教育数据挖掘和学习分析成为其主要应用的方法,具体技术则包括机器学习、深度学习、数学算法等。近来随着人工智能赋能教育的发展,人工智能领域的技术和教育领域的自适应学习系统深度融合,从而培育了很多此类学习平台。
在實际应用过程中,相关的研究者对许多技术进行了演算和验证,如闫怡[6]指出自适应学习技术主要涉及本体技术、模糊逻辑、进化算法、贝叶斯网络、推测算法等。徐焱[7]提出基于聚类的个性化自适应学习内容呈现、基于序列挖掘和关联规则的最佳学习路径推荐、基于协同过滤和社交网络的个性化资源推荐方法。
4.结论
个性化学习是教育千百年来一直追求的终极目标,而自适应学习被认为是目前实现这一目标的最佳方式。个性化自适应学习自其被提出以来,随着科技的进步一直向前发展。在现阶段数据科学和人工智能快速发展的背景下,自适应学习被更多的赋能,生产出更多优秀的学习系统和平台,这将更加有助于我们实现教育的智能化。
参考文献:
[1]余胜泉.适应性学习——远程教育发展的趋势[J].开放教育研究,2000(3):12-15.
[2]佩特·约翰内斯,拉里·拉格斯多姆,张永胜译,自适应学习:溯源、前景与误区[J].中国远程教育,2018(7):43-53+80.
[3]张家华,张剑平.适应性学习支持系统: 现状、问题与趋势[J].现代教育技术,2009(2):18-20.
[4]柏宏权.适应性教学系统中个性化教学策略研究[D].南京师范大学博士学位论文,2006.
[5]姜强,赵蔚,李松,王朋娇.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育,2016(2):25-32.
[6]闫怡.国内自适应学习的研究现状与问题分析[J],课程教育研究,2019(17):14.
[7]徐焱.基于教育数据挖掘的个性化自适应学习系统研究[J].中国教育信息化,2019(11):60-65.