人工智能支持的个性化学习路径构建及其实证研究

唐雯谦 覃成海

随着社会的发展和进步，传统填鸭式教学已经不符合时代发展需求，但由于教师精力有限，家长也并无足够时间陪伴学生，个性化学习很难真正实现，这也成为教育个体中心化发展瓶颈。而人工智能等信息技术的发展，为解决这一问题提供了新的思路。借助大数据、云计算、互联网、人工智能等技术构建个性化学习系统，可以通过数据来分析学生在学习上的优势和劣势，从而有针对性地提出解决方案，以满足学生的个性化学习需求，从而实现全面发展。

一、个性化学习研究进展與问题

人工智能技术为个性化学习的实现提供了可能，国内外研究者也纷纷从人工智能的角度去探索个性化学习路径的构建。国外学者从各种角度提出构建个性化学习的途径，如有学者认为学生有必要深入了解课程主题和教学大纲，认为这是建立个性化学习的有效方式，可以促使学生主动选择个性化学习[1];Acampora在研究中发现采取可视化技术、内容图谱、语义本体等方式可以帮助学生建立知识地图，这有利于学生在原有知识、新学知识和其他知识之间建立起自己的逻辑关系，为其做出学习路径决策提供客观科学的依据。以上两种方法都是从知识图谱角度去分析问题，为个性化学习提供了解决路径，但这些方式的智能化程度并不高，还需要学生自己摸索掌握学习路径。依据奥苏贝尔有意义学习理论，Ahmad提出可以依据学生的知识结构寻找有共同特点的学习群体，借助蚁群优化算法来获取合适的学习资源，这被称为CO-MAP学习路径[2]。还有学者提出可以利用学生的课程历史记录作为资源，构建适应性的决策树，这样学习者便可根据决策树模型来对学习资源的适配性进行排序。Idris等认为自组织神经网络算法是构建个性化学习路径的有效手段，可以帮助学习者与学习资源之间建立起需求匹配关系，并且可以从学习目标、学习风格、知识层级等几个维度进行推送和匹配学习资源，以实现个性化学习的目的。另外，还有的国外研究者从图论算法、遗传算法以及免疫算法等角度提出构建个性化学习的路径，这也表明了人工智能在实现个性化学习过程中所发挥的巨大作用。不过上述国外研究者的侧重点在于学习资源，认为对学习资源的智能选择是形成个性化学习的重中之重，这也就相对的淡化了学习活动序列在个性化学习中的重要性。

近几年来，随着国内智能技术的快速发展，国内研究者也开始纷纷涉足个性化学习路径的研究领域。如牟智佳在研究中阐述了数据挖掘技术对个性化学习的支持，并从个性化学习特征的角度提出了路径生成模式。陈智慧则认为构建学习者个性化学习路径的关键在于明确学习者的特征，目前个性化学习路径构建准确率较低的原因在于学习者特征把握不精准。黄志芳等研究者在个性化学习路径构建上提出了新思路，从情境感知角度出发构建了个性化学习路径模型框架，在基于情境感知技术和领域本体技术基础上，构建适应学习者情绪和认知的个性化学习路径。也有学者利用遗传算法来优化个性化学习路径，并考虑到学习者的特征、情境因素、移动学习环境等，在此基础上构建了移动个性化学习路径模式。此外，国内学者还有从认知水平、在线学习等角度分析个性化学习，并提出相关构建路径。

国内外研究者对个性化学习路径的构建分析角度不一，但都为之后的相关研究和实践提供了更多思考的方向。总体来说，国外研究者分析个性化学习路径的构建更多是从自动构建和知识导航的角度出发，更偏向实现流程的研究探索。但显而易见的是，自动构建相当于是对学习资源进行拼接序列，忽视了协作、讨论等活动对于学生知识深度构建的重要作用，因此据此形成的个性化学习路径并不完善;知识导航的模式需要学习者去主动寻找匹配合适的资源，并确定学习活动的序列，这对学习者来说依然有较大的压力和负担，学习者很难通过个性化学习来提升学习质量。国内学者的个性化学习路径构建更偏向于理论研究和应用模型的构建，较少学者关注个性化实践。可以说，目前关于个性化学习路径的构建依然处于起步探索的阶段，尽管已经基于智能化应用进行了一些阐释，但在二者的适应程度上还需要进行拓展和延伸。

二、人工智能对个性化学习的技术支撑

（一）模式识别

现阶段模式识别技术算法主要有模板匹配法、统计模式法、神经网络法等，其中统计模式法是应用最广的算法。最近几年随着神经网络算法的落地，对此在模式识别研究中基于多层神经网络构建起的深度学习与深度神经网络体系备受瞩目。这种深度学习神经网络算法进一步提升了语音、图像及情感模式识别的精确度。目前，模式识别系统的构建总共由四部分组成，其分别是数据采集、预处理、提取特征与选择分类。

实现个性化学习服务的首要条件就是获得学习者的语音、情感等具有体征性的数据，随后系统对这些数据进行有效分析并归类为不同类型数据库，为人工智能教学体系模式识别提供有效的数据支持，以便实现个性化学习。

（二）自然语言理解

计算机对自然语言的理解主要由三部分组成其一将所要研究的问题转换为数学形式;其二是将数学形式转换为算法，其三根据算法完成程序的编写，并通过计算机来实现。自然语言理解最早是一套产生式系统、规则系统，现如今已经发展成为了统计模型、机器学习等系统。人工智能教育中最早应用自然语言理解技术的目的是实现语法错误检测，随着算法的不断优化，自然语言理解在人工智能教育体系中得到了更充分的应用。据不完全统计，目前自然语言理解在各大人工智能教育平台中的应用共计分为四部分，其分别是文本分析与知识管理，例如机器批改作业、机器翻译;人工智能系统交互;教育工具中的语料库构建与语料检索系统;语言教学的研究。

（三）深度学习和机器学习

机器学习是人工智能的一个子分支，它通过收集不同场景中的经验数据来提升系统的能力，机器学习借助算法来分析数据，并从数据中抓取知识，据此进行决策;而深度学习是一种特殊的机器学习，它模拟人类决策能力的神经网络，它可以从少量的有限样例中，借助算法总结出一般性的规律，并能够将这一规律举一反三，应用到未知的数据上，实现智能的学习和决策，如人工智能学习平台可以从学生错题规律中总结出学生的思维逻辑误区，这样当出现新的错题，人工智能便可以用总结的规律来分析学生可能存在的解题思路问题。

三、基于人工智能的个性化学习维度构建

本文从数据环境、方法、时间、目的、利益相关者五个方面讨论基于人工智能的个性化学习维度构建，如下页图1所示。

（一）数据环境维度

构建个性化学习系统，实现个性化学习的前提是海量的数据。教育大数据主要有三个部分组成：一是学生的个人情况，包括性别、年龄、所在地区、家庭教育情况等。除此之外，还包括学生在测试中所体现出的知识水平、认知能力、情感特性、元认知能力等个体化的特征信息。二是学生在学习过程中产生的各种有关学习行为的数据。如登陆学习系统的时间、次数、浏览的时长、视频点击的数据、练习的成绩、学习行为的顺序等，还包括借助传感器而获得的有关学生心理和生物方面的数据，如学生的面部表情、手势数据等等。三是网络交互行为数据。如学生在论坛、讨论区、评论区，与教师、学生互动和交流的数据。

（二）方法维度

人工智能技术为个性化学习系统提供了强大的技术支持，它能够模仿人类的决策过程，基于海量的数据参数，人工智能可以给学生提供学习建议。人工智能中的神经网络、模糊逻辑、决策树、遗传算法等技术都将在个性化学习中进行广泛应用，帮助个性化学习系统实现深度学习和人机交互模式。与人工智能技术深度融合的个性化学习系统，能够具备专家型教师水平素养。这意味着它能够像专家型的教师一样，掌握学生的个性化学习需求，并为之提供学习内容的推送和评价学生的学习状况。同时，这一系统也能给学生带来优质的学习体验，为学生打造交互性和探索性的学习环境。

（三）时间维度

时间因素是个性化学习系统构建的重要一环。个性化学习不仅要关注时间进度、教学日历、课程计划等宏观层面的学习时间，同时，还要从微观层面分析学生的学习时间。随着技术的进步，个性化学习系统可以精准地记录学生学习行为的时间点，从而分析学生的学习状态。学生的学习状态在不同的时刻也有所差异，进而导致学习效果产生区别，为此系统需要全程追踪学生的学习状态，分析学生在不同时刻学习状态的差异，并根据状态的不同来提供有差别化的学习材料，以提升学习效能，达到最优化的学习策略。

（四）利益相关者维度

从个性化学习的参与主体来看，系统需要向不同的群体反馈数据和提出建议，满足不同受益者的需求。对学生来说，系统可以根据学生设定的学习目标，不断规范学生的学习行为、调整学习计划，最终实现学习目标。对于教师来说，系统在基于数据的基础上应指出当前教育策略存在的问题，并提出解决策略，成为教师开展教学活动的重要辅助工具。对于研究者来说，个性化学习系统应该输出学习的成效与进展，为进一步开展个性化学习提供理论支持。从决策者角度来看，需要个性化学习系统提供不同平台、群体、课程之间的差异化数据，以便做出教学决策、进行精准教育扶贫、优化资源配置，起到实现教育公平的目的。从家长角度来说，个性化学习系统建立了学生与家长之间密切的联系，家长需要系统提供学生学习成效、学习进度、学习情绪等方方面面的数据，以实现监测孩子学习状态的目的。

四、人工智能背景下个性化学习的实践应用分析

（一）“跟它学”系统“教”的实践样态

根据上述理论，研究组应用“跟它学”系统进行了实践，该系统从课前、课中到课后是在人工智能体系下所形成的智能化教学新模式，其系统“教学”实现结构如图2所示。课前教学通过智能备课将学习目标、个性化学习内容推送到学生学习空间中，以便学生进行自主预习。课中阶段，教师首先摸清学生预习情况，并且根据学生具体预习情况实现精准性教学。课后辅导阶段，主要是学生对学习到的新知识进行消化及解决课堂中存在疑问的知识，“跟它学”系统是对每位学生存在的知识难点进行准确分析，并提供针对性的辅导教学。

1.智能化备课

教师深入研究教材内容之后，通过智能化备课系统完成备课工作。首先“跟它学”备课模块是根据教师备课的具体内容，向教师推送一些较为前沿的教学案例，以便于教师参考并获得新的教学思路。其次备课系统还会根据教材的内容推送相关的教学资料，以供教师酌情选择。为了进一步丰富备课系统资源库，“跟它学”系统平台可兼容IBM公司所开发的教师辅导系统工具Waston1.0，该系统可以通过与人对话构建智能搜索引擎。

教学是教师教育学生学习的一个双向互动的行为过程，而教学的前提工作就是教師要做好全面细致的备课工作。在“跟它学”人工智能系统中，通过大数据技术对学生的学习兴趣、学期风格进行深入挖掘。教师在备课系统中以可视化数据掌握每位学生的学习特点与具体的学习情况，经过分析之后根据教材的实际内容与学生的学习水平制定科学且合理的教学方案，实现最优化的教学效果。

2.精准教学

“跟它学”智能化教学系统在组织教学活动时最大的优势是实时采集数据，并通过智能系统结构对采集到的学生学习数据进行深入分析并以可视化形式展现出来，以便教师根据学生的具体学习情况进行智能化教学辅导，以教学大数据作为基础，制定出与之相应的教学设计，满足每一位学生个性化学习需求，总而言之，以智能化技术来实现教学体系的改革。

3.智能化辅导系统

“跟它学”智能化学习平台中的智能辅导功能是扮演者施教者的角色，系统数据库中收集到了各个学科最全的学习资料及教学案例。系统平台根据学生学习的具体情况用最合适的教学案例或者是学习资料为学生提供针对性的教学辅导。从技术领域来讲，智能化教学系统共有三大模块组成，其分别是学习者模型、领域模型与教学模型。系统中的学习者模型主要作用是分析学生的具体学习情况、情感状况及学习兴趣等相关数据;领域模型主要是完成相关学科领域方面的存储;教学模式主要承担着系统施教功能，其中涵盖了教学的具体流程及教学策略的针对性实施。

（二）“跟它学”“学”的实践样态

“跟它学”智能化学习平台是以人工智能技术为基础所开发出的一套以学生为核心的学习活动。“跟它学”智能化学习环节如图3所示。

1.自适应预习新知

自适应预习新知识是要求学生能够将所学的知识与实际生活互相关联起来，进而激发起学生浓厚的学习兴趣，基于此，“跟它学”智能化学习平台在知识应用情景创建中主要是从三个方面实现：“跟它学”自适应学习功能是以人工智能技术能应对不同人的学习需求，根据学习者的学习特点提供相适应的学习资源及相关案例，激发起每位学习者的学习兴趣;学习者通过手机识别自然环境中的物体，“跟它学”智能化学习平台可以识别这一物体，并且对这一物体相关的知识进行条理性的阐述。例如在英语学习中，学习者扫描相关物体之后，“跟它学”系统平台会进行相关单词的反复朗读，让学者应时应景的学习相关单词;“跟它学”智能学习平台还会通过人工智能系统为学习者推送一些国外的相关教学案例与场景化内容，让学习者根据在适应不同的场景化中进行高效的学习，同时也是开拓了学习者的国家化视野。

2.智能化交互学习

在课堂中，一般来讲教师只是重视学习成绩较好或者是学习成绩较差的学习，往往这些学習在课堂中的发言机会比较多，而对于一些学习成绩一般的学生来讲发言机会相对较少。通过“跟它学”中随机提问功能就能实现课堂随即提问，让发言机会更加的公平，同时系统平台中还设有强大功能，进一步激发起学生的发言积极性，有效活跃课堂氛围。

3.定向化测试练习

在学生选择要学习的知识点后，“跟它学”平台将提供“课程学习”或者“诊断测试”两个选择，学生可以自主选择，主体性地位得到体现。系统平台还会根据学生的学习状况来匹配了练习题，这解决了传统教学中，学生花费时间在已掌握的知识点上的问题，提升了学习效率。而且系统能够通过大数据技术掌握学生学习状态，利用语义建模、神经网络、自然语言处理、模糊识别等技术实现智能批阅，解决了老师重复劳动的问题。

4.科学化评价

“跟它学”系统可以应用人工智能、云计算等技术快速分析学生在线学习过程中所产生的各类数据，并从数据中分析研判学生的学习风格和学习特点，为相关利益者提供其所需要的信息，进而在学情分析中以可视化的方式呈现给相关主体。对于学生来说，他们可以通过学情分析来客观理性地判断自己的学习效果，并有针对性地补齐短板。

五、结语

智能时代的到来颠覆了教育领域，人们越来越承认学生在教育中的主体性地位，并认识到尊重个体差异性对于提升教育效果的重要性。人工智能技术的发展为实现个性化学习提供可能。在人工智能支持下，学生可以根据自己的兴趣爱好、知识水平来选择学习内容，平台也能够为学生提供判断的依据，并选择相匹配的学习资源，让“量身定制”学习成为现实，这对于提升教育质量、推进我国的教育信息化具有重要意义。同时，我们也应该对教育人工智能化的思想倾向与做法保持足够清醒，辩证地对待，认清人工智能的作用边界[3]。