面向智慧教育的学习环境计算框架

□周伟 杜静 汪燕 刘嘉豪 黄荣怀

一、引言

大数据、云计算、人工智能等新一代信息技术正引领新一轮科技革命，推动人类生产、生活各个领域的结构重组和流程再造，也正在改变教育的组织模式和服务模式，推动人类教育向 “智慧教育” 阶段演进（黄荣怀，2022）。在科技与教育的系统性融合过程中，学习环境亟需转型和升级，支持以数据驱动、个性化、情境化为主要特征的智慧教育生态（黄荣怀等，2019）。

当前在互联网的推动下，学习环境已从 “封闭式校园” 向 “互联网学习环境” 过渡（黄荣怀等，2017），从学校延伸至家庭、社会等场域（庄榕霞等，2017）。然而，学校、家庭、社会等场域之间严重割裂、信息共享不畅、数据孤岛严重、学习支持服务难以协同联动，导致各场域学习情境难以联通。从学习环境的服务对象看，学习者跨场域学习的趋向要求场域割裂的被动教育服务转变为情境联通的主动学习支持服务。然而，当前学习环境的技术生态中，教育数据挖掘与学习分析的相关算法与服务孤立（Baker et al.，2016），尚不具备应对复杂学习情境的个性化服务能力。因此，如何将学习环境中的各种智能化服务在智能与知识层面无缝协同，构建一个开放互联的学习环境，使其能适应复杂性、个性化和随机性等智慧学习特征（黄荣怀等，2017），已成为智慧教育的重要研究议题。

学习环境计算是有效联接物理空间、信息空间和社会空间的桥梁，是解决学习环境设计、评价与优化的基础，是教育领域建构智联网的核心关切，也是面向智慧教育的基本计算问题之一，有助于解决数字隐私的可信、安全保障问题，以及复杂场景下基于多模态融合的学习支持服务机制构建等问题（黄荣怀等，2019）。本文围绕数据驱动、个性化、情境化等智慧教育主要特征，提出面向智慧教育的学习环境计算框架，包括学习环境的计算与推理模型、基于教学实验的学习环境计算演化模型以及面向服务的学习环境计算体系架构。该框架将有助于新一代学习环境的设计与优化，加速学习环境的系统与装备从实验原型研究到生产与部署，助力学习环境的数字化转型，为规模化教育与个性化培养的平衡提供支撑。

二、面向智慧教育的学习环境计算逻辑框架

在科技与教育的系统性融合过程中，为了更好地支持数据驱动、个性化、情境化等智慧教育特征，本文提出面向智慧教育的学习环境计算逻辑框架。该框架建立在学习情境模型（黄荣怀等，2010）、智慧学习环境功能模型（黄荣怀等，2012）基础上，通过学习环境计算赋能智慧学习环境，并基于典型学习情境实现智慧学习环境的技术及资源部署，支持规模化教育向数据驱动、个性化、情境化的智慧教育生态迈进。如图1所示，该框架主要通过三大功能环节赋能智慧教育。

图1 面向智慧教育的学习环境计算逻辑框架

1.学习情境建模：实现智慧教育情境化特征的前提

学习情境是指对一个或一系列学习事件或学习活动的综合描述，涉及学习活动、学习时空、学习社群及学习者等要素。典型的学习情境包括课堂听讲（集体）、个体自学（个体）、研讨性学习（小组）、边做边学（群体）、基于工作的学习（群体）等（黄荣怀等，2010）。学习者的学习情境不同，对学习需求和环境要求也不同（Kobsa，2005）。学习情境的表征与建模为细粒度情境适应策略的提出提供了基础，如可以根据学习者知识水平提供个性化培养服务。

学习情境的表征与建模是学习环境计算的核心功能之一，也是智慧教育情境化特征实现的前提条件。情境化是智慧教育的主要特征之一，强调智能技术需要依据不同的教育场景，对教学模式、教学方法、学习过程等进行合理组合；在满足用户需求的基础上，弱化用户对技术本身的感知（黄荣怀等，2019）。学习环境计算助力智慧教育情境化特征的实现有两条途径：一是基于计算主动地感知学习情境，为学习者提供适应性的学习服务。随着物联网、云计算等技术的不断发展，情境计算受到学术界和产业界的关注，其是通过对获取到的情境信息进行处理，得出用户所需的服务并主动向其提供情境感知服务的一种计算模式（李伟平等，2015）。二是构建开放智联的学习环境，给学习者提供跨场域和情境联通的学习服务。利用智能技术搭建智联融通的新一代学习环境，创设虚拟现实与真实情境、学校—家庭—社会、正式教育与非正式教育有机融合的学习空间，为学生提供跨场域的连通性和情境性学习体验，是科技赋能教育的核心领域之一（黄荣怀，2022）。

2.智慧学习环境部署：为平衡规模化教育与个性化培养带来可能

智慧教育的个性化特征强调智能技术的应用应尊重教育中人与人之间的个性差异，以智能技术为工具实现有教无类和因材施教的教育目标（黄荣怀等，2019）。这就要求智能技术营造的学习环境要在感知学习情境的基础上，能为学习者推荐适应情境的教学策略，以及内容必需、难度适中、结构合理、媒体适当、导航清晰的学习资源，并匹配能促进群体归属感和情感认同感的学习伙伴，促进有效学习活动的发生（黄荣怀等，2010）。当前，利用智能技术探索最适应学习者的学习路径、学习资源、学习伙伴，是个性化适应性学习技术的研究热点。

智慧学习环境部署的重点是生成一种能感知学习情境、识别学习者特征、提供合适的学习资源与便利的互动工具、自动记录学习过程和评测学习成果，以促进学习者有效学习的学习场所或活动空间。这种学习场所或活动空间具备记录过程、识别情境、感知环境、联接社群等技术特征（黄荣怀等，2012），可以为建立学习者模型、更新学习情境、更加全面而准确地评价学习者的学习效果提供依据。智慧学习环境部署需综合考虑不同学习情境的特征，合理配置技术及资源，为学习者提供个性化的教学策略并进行科学的学习绩效评测，促进有效学习的发生。

3.学习环境优化：通过数据驱动变革教育生态系统

数据驱动也是智慧教育的主要特征之一，强调有效应用海量优质的教育应用场景数据，对传统教育场景进行改造升级，提升分析力和支撑力，以实现智能时代教育生态系统的变革（黄荣怀等，2019）。智慧教育生态的形成是一个长期的过程，需要不断优化学习环境。现有学习环境的智能化升级改造，要利用云边端智联，通过计算与推理协同多维度智能，实现数据共享、设备协同、知识互联、群智融合，为更轻松、更投入、更有效的学习提供有效支撑。教学实验是学习环境演化的基础。学习环境计算的数据驱动特征表现为学习环境从多场景的教育教学实践中不间断地获取海量、异构、高并发、多维度、多模态的数据，通过经验知识的获取与积累，理解真实学习情境的复杂性和时变性，不断优化学习环境内部的结构、内容、形态和方法，使学习环境自主协同地运行。通过挖掘大规模、长期数据改进教育教学实践的教育社会实验已成为一种数据密集型教育研究的新范式（黄荣怀等，2020）。

三、学习环境计算的核心功能

基于上述分析，本文认为学习环境计算是指通过智联网络环境来识别学习者特征和感知学习情境，利用认知计算与知识推理方法，基于学习情境的表征与建模、教学策略的生成与推荐、学习绩效的分析与评测，来提供主动、精准和适应性的学习支持服务，其目标是迭代优化学习环境。计算与推理是学习环境计算的核心，也是实现数据驱动、个性化、情境化等智慧教育主要特征的基础。为了更好地联接与协同智慧学习环境所需的个性化、情境化学习支持服务，并充分发挥教育教学实践的数据价值，本文提出一种学习环境计算与推理模型。该模型建立在情境计算的一般性架构（李伟平等，2015）基础上，主要包括以计算与推理为基础的学习情境表征与建模、教学策略生成与推荐、学习绩效分析与评测，如图2 所示。按照情境计算 “建模、执行、优化” 的一般过程，学习环境计算的核心功能可分为三大部分：第一，学习情境的表征与建模，包括学习情境数据获取与学习情境模型建立；第二，教学策略的生成与推荐，即在学习情境表征与建模的基础上，主动地为学习者提供个性化、情境化的教学策略并执行；第三，学习绩效的分析与评测，即分析教学策略执行的效果，反馈给推理引擎与教学专家，进而优化教学策略并更新学习情境。

图2 学习环境的计算与推理模型

1.学习情境的表征与建模

学习情境的表征与建模指向学习环境信息的感知、学习者模型表征与相关信息的采集、学习任务的时空关系标记等，其是在获取学习情境数据的基础上，通过形式化方法定义学习情境模型并建模。

（1）学习情境数据获取

学习情境数据的来源多样，涉及多个场域（包括物理环境和虚拟环境），既有来自传感器的实时监测数据，如GPS 地理信息、声光电温湿度信息等；也有来自学习系统数据库中的信息，如学习者信息、历史绩效数据等；以及从云服务接口中获取的数据，如社交网络中学习者关系信息等。来自各类传感设备的数据是多模态、冗余、复杂、有噪声和低质量的，在应用前需对数据进行过滤、降维、特征提取，通过模式识别将原始传感器数据转换为可直接使用的数据；而来自学习管理系统、学生管理系统、教务管理系统等信息系统中的数据往往是异构的，这给学习情境建模带来挑战。针对前者，应构建一种边缘计算网关，通过多种通信协议屏蔽传感器底层架构的差异，并提供统一的数据操作接口以获取数据，如有学者用设备信息访问组件（Li et al.，2010）、接入网关（邹萍等，2020）、动态数据一致性组件（Xu et al.，2005）解决高效接收和处理来自传感器数据的问题。针对后者，应构建数据抽取、转换和加载工具将分散、零乱、标准不统一的数据融合到一起，如数据中台（翟雪松等，2021）等。还有学者构建了一种情境智能框架，提供了对多模态时序数据流进行感知、融合和推断的基础设施，包括支持可视化和调试的工具，以及封装了各种感知和处理技术的组件（Bohus et al.，2021）。

（2）学习情境建模

根据不同的应用场景，学者们提出了多种形式化方法来表征并存储情境信息，如键—值二元组（Schilit et al.，1994）、着色Petri网（包杰等，2012）、面向对象（Kumar et al.，2020）、描述逻辑（胡博等，2013）、本体（Sarwar et al.，2019）等方法，建立情境模型。学习情境的相关要素包括学习活动（学习目标、内容、评价要求等）、学习时空、学习者（学习风格、认知能力、知识水平、知识状态、情感、注意力等）和学习社群（学习小组中的角色、关系等）等（杜静等，2020）。根据学习情境信息的稳定性，可将学习情境信息分为稳态情境信息和动态情境信息。稳态情境信息是指相对稳定、会影响学习效果的个体特征，如学习风格、认知能力等；动态情境信息是指能随情境、时间而变化的，与学习活动有关的个体状态，如知识水平、情感状态、注意力状态等（黄荣怀等，2012）。动态情境信息是进行细粒度个性化推荐的基础，因此学习情境模型要能够较好地支持学习情境信息的动态维护与更新。当前的学习情境形式化表征方法多从通用知识表征方法迁移而来，未考虑到学习环境与教育教学的特点。因此设计一种既能综合各种形式化表征方法的优点，又考虑教育教学实际的学习情境建模方法是未来学习环境计算研究的重要方向之一。

2.教学策略的生成与推荐

教学策略的生成与推荐指向学习路径生成、学习资源推送以及学习伙伴匹配与组群建构等。

（1）学习路径生成

个性化适应性学习的关键问题是如何根据学习者特点生成合适的学习序列，并在情境改变的情况下动态地自主调整，形成最适合学习者学习需要的知识单元和学习任务（例子、问题、习题等）序列，其难点在于既要兼顾知识点之间的逻辑关系（如相关、前提等），又要适应学习者个性化的学习特点（Iglesias et al.，2009）。知识点的逻辑关系是学习路径算法生成的约束条件，用以明确在学习某知识点之前，需要学习的先导知识。同时适应性学习还要根据学习者个性化特征，如根据认知能力、知识水平和学习风格等差异，对学习进度、学习内容、学习方式等作相应调整。因此学习路径生成算法一般采用有序无环图表征领域知识，通过设置最优化目标，采用启发式搜索方法求解，如遗传算法（Huang et al.，2007）、蚁群算法（Wang et al.，2008）等。

（2）学习资源推送

学习资源推送算法的优化目标包括难度适中、结构合理、媒体适当等，典型的推荐方法有协同过滤算法和启发式搜索算法等。协同过滤算法根据相关用户的偏好向目标用户推荐相关内容，即首先找出一组与目标用户偏好特征一致的相似用户，然后分析该组用户的行为模式，并基于此将适应该组用户的内容推荐给目标用户（Lemire et al.，2005）。协同过滤算法不需要考虑被推荐项目的详细内容，对用户访问应用时的干扰较小，且易于实现，是目前最成功且应用最广泛的技术之一（王永固等，2011；冷亚军等，2014），但其对学习者个性化特征考虑不足。启发式搜索方法通过多目标组合优化对学习资源推荐问题进行建模以查找最优解，如二进制粒子群（杨超，2014；李浩君等，2017； De-Marcos et al.，2007）等，然而其需要预先对知识、内容等做较精细的标注，成本相对较高。

（3）学习伙伴匹配与组群建构

学习伙伴形成的主要依据有随机或根据喜好、学习成绩等。随机策略根据学习者参与顺序随机确立伙伴关系，典型的项目有C-Notes（Milrad et al.，2002）、xTask（Ketamo，2003）、Musex（Yatani et al.，2010）等。喜好策略根据学习者之间的熟悉程度确立伙伴关系，如CatchBob!（Soute et al.，2010）等。学习成绩策略依据学习者的学习表现确立伙伴关系，如Call（Almekhlafi，2006）等。针对每种策略，又有同质分组、异质分组、基于收益的分组等方法匹配学习伙伴并建构组群。有研究者根据每个学习者对不同知识点的掌握情况，提出了基于差异的学习者分组算法以及基于收益的学习者分组算法，前者旨在将掌握同类知识点的学习者分配到不同组内，后者通过最大化组内所有学习者的平均收益进行分组（Liu et al.，2016）。

3.学习绩效的分析与评测

为了验证适应学习情境的个性化教学策略是否有效，需要进行学习绩效分析与评测。学习绩效的分析与评测主要包括学习轨迹记录与分析、学习绩效测量与评定等。学习绩效分析与评测的结果可以为学习情境的表征与建模、教学策略的生成与推荐提供有价值的反馈信息，实现教学策略的优化、学习情境的更新、领域知识的重构等，进而不断优化学习环境的内部结构，为智慧教育数据驱动特征的实现提供支持。

（1）学习轨迹记录与分析

学习轨迹的记录与分析主要实现学习风格、情感、注意力等非智力因素的分析挖掘，并更新学习情境模型。 典型的学习风格识别方法有Felder-Silverman 问卷模型（Felder et al.，2005） 、隐马尔可夫过程（Cha et al.，2006）、贝叶斯网络（Garcia et al.，2007）和复合神经网络（李超等，2018）等。典型的学习者情感识别方法有基于可穿戴设备的生理信号测量方法（蔡菁，2010）、基于计算机视觉的表情识别方法（孙波等，2015）、基于日志的文本分析方法（刘毓等，2019）以及基于特征融合、决策融合、混合多模态融合等的多模态分析方法（Poria et al.，2015）。典型的注意力识别方法有基于眼动仪的接触式方法（王雪，2015）、基于深度视觉的头部姿势与注视方向跟踪方法（Baltrušaitis et al.，2016； Lang et al.，2017）等。

（2）学习绩效测量与评定

学习绩效测量与评定主要利用概率模型挖掘知识水平、知识状态等直接代表学习效果的指标，以优化教学策略并更新学习情境模型，如当绩效提升在统计上显著时，更新推理知识库等。典型的知识水平估计方法有面向单个能力的项目反应理论（Item Response Theory，IRT）（Baker，2001）、贝叶斯知识跟踪（Beyesin Knowledge Tracing，BKT）（Corbett et al.，1994）、面向多个能力的多维项目反应理论模型（Ackerman et al.，2010）等。学习者的知识状态是学习者模型中的重要属性，是教学补救的重要参考指标，也是个性化学习路径生成和适应性学习资源推荐的决策依据。认知诊断（Cognitive Diagnosis，CD）使评估学习者不可直接观测的知识状态成为可能，其可为教学干预提供更细粒度的信息。典型的认知诊断模型有规则空间模型（余娜等，2007）、确定性输入噪声与门（Deterministic Inputs，Noisy， “And” Gate，DINA）模型（康春花等，2010）等。

四、学习环境计算的演化模型

为了更高效地利用教育教学实践数据，驱动学习环境演化，进而迭代优化学习环境，更好地支持智慧教育，本文在学习环境的计算与推理模型基础上，提出基于教学实验的学习环境计算演化模型。该模型通过基于教学实验的教学策略验证和基于自学习算法的教学策略库增强，对真实多场景的学习环境进行优化，如图3所示。

图3 学习环境计算的演化模型

1.基于教学实验的教学策略验证

教学实验是根据一定教学研究目的，在人为控制客观对象的条件下观察教学活动的一种研究方法，旨在探明教学情境中某些自变量与因变量之间的因果关系，为教学革新提供依据（顾明远，1998）。教育实验一般包括发现与确定问题、提出假设、界定变量、制订实验方案、控制干扰变量、选择实验设计模式、选择实验场所、实施实验方案并观察实验、评价实验结果、撰写实验报告等步骤（王策三，1998）。

教学策略验证的一般过程为：首先感知多场景学习环境并采集学习情境数据，表征与建模形成学习情境模型；进而生成适应情境的教学策略，并在验证性的教学环境中执行，开展教学实验研究；最后分析与评测学习绩效，验证所生成的适应学习情境的教学策略是否有效，进而修正多场景学习环境。为了更高效地达成教学实验研究的控制条件，业界研发了模块化的学习系统，如Moodle（Romero et al.，2008）、通用智能导学系统框架（Generalized Intelligent Framework for Tutoring，GIFT）（Sottilare et al.，2012）等，通过学习活动序列的组合，支持验证性教学环境的开发。然而，这些产品仅支持单一的学习情境和场域，因此跨场域多情境教学实验研究的支持平台是未来学习环境计算研究的重要方向之一。

2.基于自学习算法的教学策略库增强

学习绩效的分析与评测将触发自学习算法。对于验证有效的策略，如果是新策略则在策略库中新增，否则更新对应的策略参数；对于校验无效的策略，如果是新策略则在策略库中新增，否则在策略库中修改有效性判断。在教学实验的基础上，机器通过教学策略的自学习算法实现教学策略库的增强，从而使基于教学策略库的适应学习情境的推荐算法越来越准确，为教学实施提供更科学的决策支持。学习环境计算通过 “人在回路”①机器学习（Monarch，2021），学习人类专家经验并不断演化，形成面向知识自动化的教学策略库，表征教学策略、学习情境及学习绩效之间的关系，确保适应情境的教学策略能够促进学习。其包括大粒度的适应性教学策略（如基于学习风格、认知能力、知识水平的适应策略）、细粒度适应性教学策略（如基于知识状态和情感状态的适应策略）、适应学习时空及技术环境的教学策略（如移动学习中推荐微课资源，提高学习者利用碎片化时间的能力）等。

基于教学实验的学习环境计算演化模型，提供了一种可以让机器积累海量、长期的数据并不断学习人类专家经验的机制，使以计算与推理为基础的学习情境的表征与建模、教学策略的生成与推荐、学习绩效的分析与评测更精准、更具适应性，使学习环境具备自适应自优化的特征而实现升级。

五、学习环境的计算体系架构

数据驱动、个性化、情境化的智慧教育生态的形成需要大量以学习环境计算为基础的智能化应用与服务的协同。为了将学习环境计算的核心功能在保障安全与隐私的前提下以知识服务的方式开放，支持智慧教育生态，本文在智联网技术平台架构（王飞跃等，2018）的基础上，设计了学习环境的计算体系架构。该架构主要由环境感知层、联接计算层、知识推理层以及教学服务层组成，如图4所示。

图4 学习环境的计算体系架构

1.环境感知层

环境感知层通过各种传感设备的接入，联结与感控教室、实验室、图书馆和科技场馆等学习环境数据，实现面向学习情境数据的获取。物联网是环境感知层的关键技术。然而物联网的开放性、包容性和匿名性也导致其容易出现信息安全隐患（孙其博等，2010）。接入模组是一种将芯片、存储器、功能接口等集成于电路板上的模块化组件，可以实现信号收发、噪声过滤、信号转换等功能，是实现万物智联的关键设备。在学习环境的计算体系架构中，接入模组主要实现各学习环境中传感设备的安全与管控，以满足设备网络连接的机密性、真实性、完整性、抗抵赖性等。

2.联接计算层

联接计算层通过边缘计算网关实现通信装备与边缘计算装备资源的一体化管控，联接跨场域学习环境，将来自传感设备的数据转换为上层所需要的特征与模式，更新学习情境信息。边缘计算是联接计算层的关键技术，其是在网络边缘执行计算的一种新型计算模型，将原有云计算中心的部分或全部计算任务迁移到数据源的附近执行，具有低延时、低成本、隐私安全、本地自治等特征，可以解决云计算受带宽和计算资源限制无法高效处理传感器产生的海量数据等问题（施巍松等，2017）。通过边缘计算将数据处理后的特征与模式传入上层服务而不是将原始数据上传，不仅可以节省计算资源，也可以规避学习者隐私或敏感信息的泄漏。

3.知识推理层

知识推理层解析上层的知识服务请求，并使用推理引擎综合知识库中的专家经验，提供适应学习情境的知识服务，包括学习情境的表征与建模、教学策略的生成与推荐、学习绩效的分析与评测等。知识工程技术是知识推理层的关键技术。专家系统使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题，并得出与专家相同的结论，其由知识库与知识推理引擎组成（张煜东等，2010）。学习环境计算的知识库包括教育教学基本的事实库、规则库以及教学策略库等。学习环境计算的演化模型通过基于教学实验的教学策略自学习使得该层具有知识自动化等新一代知识工程技术（王飞跃等，2017）的特征。

4.教学服务层

教学服务层通过自然交互的人机接口，为各类教育教学系统提供服务，形成知识服务生态系统。在边缘计算与云计算协同下，学习环境计算的功能和资源以知识服务的形式开放到智慧教育生态环境中。服务计算是该层的关键技术。服务不仅是接入和放大各类基础设施能力的基本途径（韩燕波等，2011），也成为拓展学习环境计算应用的基本方法。开发者和研究者可调用人机接口，通过知识推理层的软件开发工具包（Software Development Kit，SDK）及应用程序接口（Application Program Interface，API），屏蔽学习环境计算的技术细节，使得需要多学科背景知识与较高软件开发技能的算法，能以标准化的方式被调用，降低自适应学习系统、智能导学系统、环境管理系统等智慧教育生态服务研发所需要的成本与技能。

新型学习环境的设计与研究缺乏标准和工具，尤其计算与推理的实现需要较高的知识与技能门槛，使得相关研究大多停留在理论层面，缺乏实践验证。学习环境的计算体系架构通过环境感知层实现异构网络的互联互通，在中间层以联接计算与知识推理联通智慧学习环境所需的智能算法，并提供标准的SDK与API接口，在顶层通过自然交互的人机接口提供知识服务，支持智慧教育生态的形成。

六、学习环境计算的应用实例

学习环境计算框架为学习环境设计与优化等提供了切实可行的顶层设计和技术路径，支持数据驱动、个性化、情境化的智慧教育生态的形成。互联网教育智能技术及应用国家工程研究中心团队已开始对学习环境计算框架工程化。目前基于学习环境计算框架构建的 “教学管评测” 相关应用已累计服务数亿人次，已应用到个人自学、协作学习、课堂听讲等学习情境中，并已开展面向动机激发与行为干预的学习环境计算和面向分层教学的学习环境计算实验。

1.面向动机激发与行为干预的学习环境计算实验

与课堂学习相比，在线学习需要学习者自我调节学习过程，保持学习动机以实现学习目标（奥尔加·维伯格等，2020）。在线协作学习还需要学习者在协作过程中不断感知和监控自己和小组的学习状态。设计在线学习环境尤其要考虑学习者的动机激发与行为干预策略。学习环境计算为发现何种策略能更有效地促进学习提供了支撑。

在基于自我调节学习（Self-Regulatated Learning，SRL）的高中三角函数在线教学中，为了验证动机设计与自我调节学习干预的教学策略与学习绩效的关系，通过教学策略的生成与推荐方法，构建了4种类型的教学策略及其对应的在线学习环境，分别对应动机设计组、SRL干预组、动机设计及SRL干预组和对照组，并将236名高一学生随机分配到各组中，通过学习绩效分析与评测，比较了各组学习者动机、自主学习能力及学习成绩的变化，结果发现学习者在动机与自我调节策略都得到指导与干预时学习绩效最好（Gu et al.，2019）。在面向协作学习的社会调节学习工具设计中，为实现对社会调节过程的支持，通过学习情境的表征与建模，感知了学习者及学习小组的学习任务与计划；通过教学策略的生成与推荐，采取随机确定学习伙伴的策略，支持小组成员之间实时协商并查看完成进度；将协作频次与任务进度可视化，通过小组自评及互评的学习绩效评定，支持了任务计划、交流共享、群体感知和评价反思等模块的设计与开发，提升了协作学习的质量（陈凯亮等，2020）。

2.面向分层教学的学习环境计算实验

分层教学是指按能力等标准把学生分成几个小组，然后教师按不同层次的课业对各组进行教学的一种教学组织形式（全国科学技术名词审定委员会，2013）。分层教学的前提是实现对学习者能力的精确诊断。这需要构建学习者能力测量模型，使机器从学习者学习轨迹数据中习得模型的参数。分层教学的实施也积累了学习者的绩效数据。挖掘绩效数据并更新测量模型，可以使得对学习者能力的诊断更精确，进而推荐更优的分层教学策略。在分层教学的实践中，学习环境的内部结构得以不断优化，同时应用场景也得到拓展。

例如，为支持汉语二语学习者的分层教学，需要精准地诊断学习者的汉语水平。研究者通过学习情境表征与建模，利用学习者的汉语水平考试（HSK）成绩初步估计学习者的语言能力并将其作为能力的初始值，推送最接近学习者能力的问题给学习者；然后根据学习者的作答，使用项目反应理论（IRT）模型更新学习者的语言能力，直到估计的能力可靠性达到标准。实验显示，该方法与传统笔试具有很强的相关性（ρ＝0.8715），且平均测验长度从140降低到了26，表明其能更快速准确地诊断学习者的语言能力，为分班分层教学提供了决策依据（Zhou et al.，2019）。该服务也扩展到了少数民族地区的小学生字词能力评估等场景中，已有2000余名小学生通过该工具实现了汉语语言能力的诊断②。

七、结语

当前学习环境的技术生态中，孤立的智能技术在智能化的学习服务中已经取得了一定成绩。然而面对新一代学习者时空高速演变的学习环境，如何将学习环境中的各种智能化服务在智能与知识层面无缝协同，仍是一个开放性的问题。展望未来，如果学习环境的计算与推理模型及计算体系架构能够完全实现，将对教育教学效率与形态的改变产生革命性的影响。学习环境计算框架将成为促进智能时代教育发展的重要生产工具，为社会化大众化的学习环境设计与优化提供切实可行的技术路径和顶层设计支撑，并从技术层面有效应对人工智能应用于教育的伦理问题，支持智慧教育健康有序地变革。

注释：

① “人在回路” 是新一代人工智能基础理论体系中混合增强智能理论的重要组成部分，通过设计机器与人类高效协同工作的策略，提升机器的性能和人类的效率。

②数据来源：北京师范大学互联网教育智能技术及应用国家工程研究中心与中文信息处理研究所研发的面向汉语二语教学的小学生字词测试系统（http://aied.bnu.edu.cn/xxszc）。