人工智能视域下个性化学习路径推荐:机理、演进、价值与趋势

郑雅倩,李 新,李艳燕,王德亮,包昊罡

(1.北京师范大学,北京 100089;2.江苏师范大学,江苏 徐州 221116;3.香港大学,香港 999077;4.中国教育科学研究院,北京 100088)

一、引言

在人工智能时代,如何利用新一代信息技术赋能大规模个性化的教育服务供给、促进教育服务能力和质量全面提升,已成为智能教育研究领域关注的核心议题。个性化学习路径推荐作为构建智能教育服务的关键技术,旨在利用学习者、学习资源、领域知识特征等信息为学习者量身定制一个符合教育认知规律且能实现其既定学习目标的最优学习单元序列[1],能够有效促进学习者对知识的主动建构、内化及迁移,助力提升适应性学习效果和满意度。传统的推荐方法以人工生成为主,通过教师等权威人士根据自身的教学经验及其对知识结构的理解与认识为学习者设定导航学习路径[2],但这种方式往往以多数学习者的共性需求为牵引,仅能完成预定资源的统一推送且路径序列一经设定就不能改变,难以满足学习者因人而异、因时而变的个性化需求。

近年来,随着人工智能技术的快速发展,基于计算机自动生成的学习路径推荐系统不断涌现,在海量资源和推荐效率之间形成了良性的平衡。但现有的研究成果仍处于原型阶段,未能很好地破解教育规模化覆盖和个性化需求满足的重要议题。为了更好地把握这一议题的发展脉络,使其更有效地改善教育服务,有必要深度分析个性化学习路径推荐领域的模型机理、技术演进、价值导向和发展趋势,探索其发展轨迹并厘清其研究取向。鉴于此,本研究从技术视角切入,深入剖析三种主流推荐框架(即基于机器学习、基于进化计算和基于知识图谱的推荐框架)的模型机理,系统梳理推荐技术的演进与发展历程,并进一步探析其赋能教育场景的价值导向,最后展望了该领域的未来发展趋势,以期推进个性化学习路径在教育场景的落地应用。

二、个性化学习路径推荐模型机理

(一)基于机器学习的学习路径推荐

基于机器学习的推荐方法将学习路径推荐任务转化为预测问题,其主要思想是利用机器学习算法对海量学习信息数据进行表示学习,进而构造个性化学习路径的自动化预测模型。依据学习样本数据是否拥有标记信息,可将学习路径的表示学习过程分为无监督学习和有监督学习。

基于无监督学习(Unsupervised Learning)的推荐框架无需使用有标记的训练样本,旨在利用聚类、关联规则挖掘等算法深度挖掘和分析教育大数据中隐含的学习行为模式,并据此完成学习路径的构建。以无监督学习算法为核心构建学习路径推荐引擎,其一般过程为:首先构建融合多维特征属性的学习者模型,并在此基础上采用聚类算法等对全局范围内的学习者进行相似度建模,挖掘同质学习者群体;而后,从局部相似学习者群体环境出发,运用关联规则挖掘方法(如序列模式挖掘)对不同学习者群体的行为日志数据进行模式识别,通过提取相似学习者群体的典型行为模式相应建立学习单元间的关联模式,并进一步结合协同过滤思想为目标学习者群体推荐最佳学习资源序列(如图1所示)。

图1 基于无监督机器学习的学习路径推荐框架

基于有监督学习(Supervised Learning)的推荐框架则需要使用有标记的训练样本,旨在通过决策树和神经网络等分类器实现个性化学习路径的智能预测。将有监督学习算法作为分类器构建学习路径预测模型,其基本原理为挖掘影响学习过程的关键特征以确定分类器的输入参数,并对学习者的历史学习轨迹数据进行分类和标记以作为分类器的输出结果,随后利用学习样本的标记信息对分类器开展监督式训练,通过建立由输入参数到输出结果的复杂关联映射,完成个性化学习路径预测模型的构建,进而实现学习路径的智能生成和推荐(如图2所示)。

图2 基于有监督机器学习的学习路径推荐框架

利用机器学习方法构建个性化学习路径的自动推荐框架,可以显著提升路径规划任务的计算效率。其中,基于无监督学习的推荐框架往往通过频繁序列识别和关联模式挖掘来实现学习资源的组织与建序,其推荐结果通常以学习资源的短序列形式呈现[3],更适用于构建面向用户短期目标的学习路径推荐系统;而基于有监督学习的推荐框架则可以借助海量的教育日志数据自动构建完整且简洁的学习路径预测模型,它能够一次性生成满足用户目标需求的整条学习路径[4],对于复杂学习情境具有更强的鲁棒性和更高的推荐效率。然而,无监督学习和有监督学习的推荐框架均采用完全数据驱动的机器学习范式,致使推荐模型易产生数据依赖性强、泛化能力弱等问题,在一定程度上限制了它们在真实教与学场景中的适应性与有效性。

(二)基于进化计算的学习路径推荐

基于进化计算的推荐框架将学习路径推荐问题建模为搜索优化问题,采用进化算法(如遗传算法、蚁群优化算法、粒子群优化算法、免疫算法等)作为搜索引擎,利用自然生物的进化机制仿真学习路径的搜索过程,旨在从复杂高维的问题空间中搜寻出满足学习者目标需求的最优路径[5](如图3所示)。此类方法充分利用了学习者的群体智慧[6],将先前学习者的历史学习经验(如学习资源选择偏好、访问频次、学习顺序、学习时长、学习绩效和评价反馈等)作为先验知识嵌入进化计算框架,并进一步设计符合教育规律的启发式计算规则或优化策略以指引算法的搜索方向、加速算法的收敛效率,最终经过多轮迭代计算使算法不断逼近问题的最优解或近似最优解,以获得满足学习者个性化需求的最佳路径。

图3 基于进化计算的学习路径推荐框架

与完全数据驱动的机器学习范式不同,基于进化计算的推荐框架采取进化算法引导策略搜索的智能优化范式来替代基于大规模历史数据的拟合训练。该方法将启发式规则或优化策略作为计算引擎,利用与学习者、学习资源特征相关的信息数据或小规模学习日志数据开展优化计算,能够有效地降低学习路径推荐任务对数据样本的依赖性并提升推荐模型的适应能力。然而,上述计算过程的求解精度直接取决于预先定义的启发式规则或优化策略,因此,如何将学习路径规划任务涉及的复杂问题需求抽象转化为直观、高效的运算机理以实现学习认知过程的深层仿真模拟则是该方法面临的主要挑战。

(三)基于知识图谱的学习路径推荐

基于知识图谱的推荐框架将学习路径推荐问题形式化为带约束的搜索优化问题,利用图示化的知识表征工具(如图论、概念图、知识地图、知识图谱或认知图谱等)构建领域知识图谱模型,并在其基础上引入图遍历搜索(如深度优先遍历或最短路径算法)或启发式搜索等算法,为目标学习者搜寻满足结构化知识约束的最优学习路径。如图4所示,该框架将领域知识空间映射为一个有向无环图模型:G=(V,E),其中V表示领域知识节点集合,E则表示知识节点之间的依赖约束关系集合。依托上述领域知识模型作为底层支撑,同时将学习者和学习资源相关的要素特征一并纳入建模,通过“学习者-领域知识-学习资源”三者间的约束计算和适配寻优,为学习者构建兼顾认知约束和适应性支持的高质量学习路径。

图4 基于知识图谱的学习路径推荐框架

相较于前述两类推荐框架,基于知识图谱的推荐框架实现了学习者、领域知识和学习资源模型要素的有机整合,利用知识结构隐含的内部约束和各要素特征间潜在的外部关联指引学习资源的建序优化,可以有效地保证学习路径的内容适切性和认知约束性。在计算过程中,该方法较多使用与学习者、学习资源和领域知识特征相关的信息数据,因而能够有力地缓解数据驱动范式常面临的冷启动和稀疏性等问题[7]。但是,目前领域知识图谱仍处于低资源阶段[8],而上述方法主要依靠人工的方式手动构建相应的领域知识图谱,这不仅耗时费力,还会导致模型的迁移和泛化性能不足,难以直接应用于其他场景。

三、个性化学习路径推荐技术演进

纵观个性化学习路径推荐技术的发展历程,其演进经历了起步探索、预测推理、改进优化和融合创新四个阶段(如图5所示),各阶段呈现不同的发展特征,共同推进并塑造个性化学习路径推荐技术的创新与发展。

图5 个性化学习路径推荐技术的演进阶段

(一)起步探索阶段

随着新一代智能技术的兴起,基于数据建模和智能计算新兴技术范式助力教育服务的智能供给逐渐成为主流,由此开启了智能技术在学习路径规划服务方面的探索与应用。在该阶段,个性化学习路径推荐技术以预设规则驱动的优化计算为主,即通过预先定义的匹配规则或策略建模学习者、学习资源之间的内在联系[9],并据此构造智能算法的搜索引擎,以指导算法能够向着最优路径方向不断探索和前进,进而实现学习需求和学习资源序列之间的智能匹配。该阶段的路径生成主要依赖人工设定的匹配规则,往往需要借助领域专家的先验知识,将教育教学中的直观经验、原理规律或统计分析等转化为特征属性的关联匹配和数据信息的量化计算[10],如学习能力与内容难度的线性关联或学习风格与媒体资源的选择设定。这些规则简单清晰且易理解,能够指引遗传算法、蚁群优化算法或粒子群优化算法等快速、有效地完成路径生成和迭代优化,并在计算复杂度和求解速率方面实现了较好的平衡。但由于此时个性化学习路径推荐技术仍处于起步阶段,因此,其核心技术仅停留于问题需求的片面化分析与浅表性建模层面,难以实现对学习者个性化需求的深度诠释和精准拟合,在很大程度上限制了推荐模型的实际应用效果。

(二)预测推理阶段

在大数据时代,数据信息和知识资源呈爆炸式增长,使得以数据为驱动的机器学习方法和基于语义关联的知识表示与推理技术得到长足发展,推动个性化学习路径规划服务进入数据驱动的智能预测和知识主导的认知推理阶段。其中,数据驱动的智能预测直接借助传统机器学习方法挖掘海量数据中隐含的教育规律,如利用序列模式挖掘提取学习者的潜在行为模式[11]或利用决策树分类模型建立学习者、学习资源序列之间的非线性关联[12],并以此作为学习路径生成预测的有效依据。而知识主导的认知推理则更关注知识本身之间的内在关联对于学习发生过程的重要引导作用,利用本体的表示方法对领域知识及其结构进行概念化表征,由此形成领域语义网络,在其基础上通过语义逻辑的关联匹配和智能推理来有序生成学习路径。这一时期的典型代表有Chi提出的基于领域本体和语义规则的学习路径推理系统[13]、Chu等基于本体技术和概念映射构建的学习路径导航系统[14]以及Durand等构建的基于图论的最短学习路径生成模型[15]。在预测推理阶段,个性化学习路径的计算生成主要依托数据化的智能分析和结构化的认知推理,相对于起步探索阶段,其规划过程更具科学性和客观性。然而,该阶段的推荐计算过于依赖学习数据的拟合训练或领域知识的表征建模,处理方式相对机械,缺乏对现实需求的融合考虑,因而难以全面、系统、精准适配学习者多元化的学习需求。

(三)改进优化阶段

随着人工智能技术在教育领域的持续应用,如何利用新的技术手段不断优化教育教学以及如何根据学习者的现实需求促进技术方法的持续改进便成为智能教育领域的重要研究方向,促使个性化学习路径推荐技术进入改进优化阶段。在该阶段,个性化学习路径推荐技术在不断改进与优化过程中整体呈现出多元化和精细化等两个显著特征。其中,多元化主要体现为学习路径基础推荐框架与多元优化策略的整合集成,以促进推荐性能的改进提升。例如,Kurilovas等针对在线学习环境的动态变化特征提出改进的自适应更新策略,并将其嵌入蚁群优化框架,以增强推荐模型的动态适应能力[16]。Rastegarmoghadam等将精英优化策略叠加至蚁群推荐系统,对数据样本进行过滤和筛选,进而仅利用“精英学习者”(学习成绩更高、学习时长更短)的先进学习经验来指导蚁群算法的寻优过程[17]。精细化则表现为通过细粒度的要素建模和深层次的特征提取来实现推荐模型的升级改造。例如,Wan等针对学习者与学习资源特征要素的匹配关联,引入混合概念映射实施更加精细、多维的适配计算,并提出一种改进的免疫算法为学习者推荐与其个性特征高度匹配的最优学习路径[18]。Zhou等综合考虑学习者和学习资源相关的多维属性特征,采用聚类算法和相似度计算构建学习路径候选集合,并引入长短期记忆神经网络(Long Short-Term Memory,简称LSTM)构建深度学习框架,通过门控机制捕捉知识间的依赖关系以改进模型的学习性能,最后结合候选择优与效果预测来生成满足学习者期望的最优学习路径[19]。在改进优化阶段,通过多元策略的嵌入集成和深层精细的表征计算,使学习路径相对预测推理阶段更具策略性和适应性,但其推荐过程仍面临数据样本不足、建模复杂和耦合度低等问题。

(四)融合创新阶段

在智能技术不断创新及其与教育教学深度融合的时代背景下,智能教育发展迎来新的契机,推动个性化学习路径推荐技术逐步迈向融合创新阶段。在该阶段,为提升推荐模型的表征效果,基于特征关联适配和认知约束计算联合驱动的学习路径推荐模型逐渐成为主流,催生并演化出多要素关联融合的技术新样态。例如,Zhu等从学习场景出发,通过路径需求的场景化建模和领域知识的结构化表征,构建基于知识地图的多约束学习路径推荐模型,以满足学习者多元场景化的学习需求[20]。Shi等基于知识对象的多维语义特征和学习者的多元路径偏好,提出基于多维知识图谱的学习路径推荐框架,在满足学习者多样性需求偏好的同时进一步提升推荐模型的泛化性能[21]。与此同时,为进一步增强推荐模型的计算效率,研究人员创新性提出分层规划的技术思想,将学习路径推荐任务分解为多个子任务,并进一步将其建模为分层化的结构模型,通过分阶段的子任务求解来完成学习路径推荐的整体任务,从而显著降低路径规划的计算复杂度和时间开销。例如,Benmesbah等基于双层规划方法将学习路径推荐问题分解为知识组织和课程设计两个子任务,并相应构建“知识概念-学习对象”双层图模型,而后通过知识概念的序列遍历和学习对象的匹配寻优实现学习路径推荐问题的最优化求解[22]。在该阶段,依托模型要素的融合计算以及规划思想的创新整合,使个性化学习路径推荐技术实现新一轮迭代升级,相对改进优化阶段则更具兼容性和效率性,但从建模计算和技术框架的视角来看,其性能效果仍具有较大的提升空间。

四、个性化学习路径推荐价值导向

个性化学习路径推荐技术旨在通过精准化资源推送和智能化系统引导为学习者提供优质、适切的学习支持和服务,可赋能课堂教学、在线学习、场馆学习和游戏化学习等典型教育场景,促进教育理念、内容和形式的深层次变革,助力规模化因材施教和个性化学习的真正实现。

(一)赋能课堂教学,助力因材施教

当前我国学校教育仍以班级授课制的集体化教学为主,教师在课堂教学中发挥主导作用。受班级规模和物理空间等因素限制,教师往往仅能关注大多数学生的普遍特征和共性需求,并以此为依据开展面向群体的规模化教学,忽视了学习者的个性特征和差异,难以提供一对一、个性化的精准指导和反馈[23]。随着个性化学习路径推荐等智能教育应用进入课堂,支持教师能够更好地诊断和分析每位学习者的真实状态和潜在需求,进而为其提供精准、适切的学习支持与服务,促进规模化教学与个性化培养的有机融合,推动教育教学的高质量发展和智能化变革。在课堂教学中,教师依托智能化教学服务平台,通过互联感知、学习分析、学生画像等技术对学生学习数据进行全面采集和深度分析,精准掌握每位学习者的认知基础与学习需求,利用学习路径推荐技术为其提供定制化的学习服务,包括学习资源、学习计划、学习策略以及学习方法等,进而实现教学服务的按需配置和智能供给,助力课堂教学理念和模式的改进与变革,促进大规模因材施教的有效落实。已有研究者尝试将个性化学习路径推荐技术应用于真实课堂教学情境,如Kurilovas等以适应学生学习风格为目标,通过学习内容的序列组织和资源媒体的选择定制,为600余名中学生提供与其风格偏好相适应的个性化学习路径,使其数学成绩和学习效率均得到显著提升,直接印证了个性化学习路径推荐技术赋能真实课堂教学的实效性和价值意蕴[24]。

(二)优化在线学习,驱动服务升级

近年来,在新冠疫情影响下,在线学习已成为常态化的学习方式,并在全国范围内得到大规模的推广与应用。在线学习打破了时空界限,学习者可以随时随地开展学习,并能根据自身需求和偏好灵活选择学习内容和方式、合理制定学习计划[25]。然而,当前大多数在线学习平台仍以预设统一化的资源呈现和浅层结构化的学习管理为主要服务模式[26],较少考虑精细化的学习支持服务设计,“一刀切”式的供给模式与个性化学习需求之间矛盾凸显。为破解上述矛盾,可以将个性化学习路径推荐技术融入在线学习系统,通过推荐引擎的智能诊断和分析为学习者推荐适宜的资源、路径和活动,实现智能化学习支持服务与个性化学习需求的紧密衔接,推动在线教育服务从传统资源供给驱动到学习需求驱动的转型升级。基于在线学习平台对学习者特征、学习轨迹、认知行为、情感状态等数据进行全息透视与建模分析,精准识别学习者的学习意图、潜在特征和学习需求,进而为其制定适应性学习路径和方案并提供适时的引导帮助。针对在线学习场景,也有研究者进行了实践探索,如Nabizadeh等将个性化学习路径推荐技术嵌入学习管理系统,通过适切性的路径规划和补救性的资源推送,为在线学习者提供兼具过程引导和实时反馈的双重支持服务,驱动个性化学习服务策略和模式的智能升级,促进在线学习效果和满意度的有效提升[27]。

(三)支持场馆学习,增强智能感知

场馆是一种典型的非正式学习环境,参观者通过与场馆展品及环境的不断交互和整合实现知识的内化与建构[28]。场馆为学习者提供了丰富的展品信息和媒体资源,但其分布往往比较分散,导致学习者很难在大量、零散的学习资源中快速完成知识的有效组织和加工,易形成“走马观花式”游览,难以达到预期的学习效果[29]。个性化学习路径推荐技术的过滤式资源呈现和导航式学习指引,能够为场馆学习者提供精准的资源定位和路径导航,进而促进人与学习资源的深度交互,增强学习环境对学习需求的智能感知,优化学习体验,提升学习效果。具体来说,借助可穿戴设备、智能感知技术和移动学习支持系统可以对场馆中学习者所处学习情境、学习行为(如不同展品前的参观停留时间和行为动作)、生理和心理等数据进行全方位捕获,利用人工智能技术实时挖掘分析学习者的需求变化,进而为其提供个性化的智能导览服务。面向场馆学习,个性化学习路径推荐技术往往更关注情境信息的获取和分析,如Hsu等基于用户位置的实时感知对展品资源的访问分布进行动态调控,并结合知识概念的关联计算促进学习者的认知加工和意义建构[30]。

(四)改善游戏学习,优化交互体验

游戏化学习作为传统教学的有效辅助手段,旨在将游戏元素融入学习过程,采用寓教于乐的形式激发学生的学习动机,增强学习交互,培养学习者高阶思维能力[31]。在游戏开发过程中,如何恰当选择和合理配置游戏要素是提升学习成效的关键[32]。个性化学习路径推荐技术具备强大的资源配置和组合优化能力,可以将其纳入游戏设计,通过游戏元素(如情境、任务)与知识的巧妙结合以及学习者特征的融入,为学习者创设量身定制的游戏化学习环境,以增强学习者与游戏情境的交互体验,进而提升学习效果。为了实现教育游戏的个性化定制,应以学习需求为导向,利用学习路径推荐引擎驱动游戏特征和学习内容的有机整合,通过恰当选取游戏元素和合理编排呈现内容,建立学习者与游戏情境、学习内容之间的有效衔接,促进教育性和游戏性的紧密耦合,深化学习者的知识理解和认知迁移。基于学习路径推荐技术搭建游戏场景时,需要充分考虑游戏空间设计及游戏元素与学习者特征、学习效果、学习能力提升之间的隐式关系,如Lin等基于游戏日志数据的挖掘分析得出游戏场景顺序、学习者特征与创造力提升之间最佳匹配关系,进而为游戏场景的搭建设置和学习过程的精准实施提供有效依据[33]。

五、个性化学习路径推荐发展趋势

个性化学习路径推荐已在模型构建、技术方法和实践应用等方面取得诸多进展,为助推教育服务模式转型升级以及高质量教育体系的建设与发展提供了重要支撑。未来随着智能技术的不断更迭及其对教育教学的持续赋能,个性化学习路径推荐研究将呈现如下发展趋势。

(一)关注信息要素的深度融合,迈向全方位多尺度的形式化建模

目前个性化学习路径推荐方法的研究主要涉及学习者、学习资源和领域知识三者之间的关联构建,在其形式化建模过程中主要存在两大问题:一是从各子模型的内部构成来看,更多聚焦于低维空间的要素提取和分析,较少从更高维度出发对学习过程进行全方位、细粒度的要素解构和数理表征[34];二是从各子模型的外部整合来看,更侧重于学习者、学习资源的关联映射和适配计算,对于领域知识模型同学习者和学习资源模型的耦合建模不足[35]。

为了破解上述两大难题,未来在对个性化学习路径推荐问题进行形式化建模时,应从内部要素表征与外部融合计算两个维度对相关信息要素进行全方位解析和深度融合建模,进而为技术框架的构建开发提供强有力的参照依据,以促进学习路径的有效生成。为此,未来研究需要基于全局视角对学习路径的复杂生成过程实施更加全面的要素提取,并引入多尺度分析法对不同特性的信息要素进行多维且精细地划分与界定,例如学习者的长短时兴趣偏好、学习资源的粒层结构、学习情境的时空信息特征以及领域知识间的多元依赖关系等,进而利用本体的思想和方法完成各信息要素的数理表征。在此基础上,深入剖析各信息要素间的交叉融合和匹配关联,在进一步扩展学习者、学习资源模型映射维度的同时,更要重点挖掘领域知识模型同学习者和学习资源模型间的强耦合效用,通过恰当的数理表征和量化计算实现各模型要素的集成融合,从而在更深层次上理解和诠释个性化学习路径推荐问题的内在需求和发生机制。

(二)融合多种技术优势,构建以知识为主导的高性能推荐框架

现阶段个性化学习路径推荐技术主要利用在线学习系统采集获取的学习行为和学习特征数据作为计算基础,数据样态单一、信息支持不足,难以客观、全面地揭示学习发生的内在机理和规律。在推荐计算过程中,更倾向于以教育学理论或主观经验为基础,人为定义各特征向量所包含的属性和特征之间的关联关系,使得推荐过程易受研究者主观因素的影响而产生偏置,进而限制了模型的表征能力和推荐精度。此外,推荐框架多采用单一技术驱动的计算范式,往往难以突破各方法机理的固有局限,这在一定程度上阻碍了推荐性能的持续改进提升。

数据获取、深度学习、图学习和多模态分析等技术的发展,为个性化学习路径推荐领域的研究带来了新的契机。依托先进技术方法,未来研究可以从数据建模、特征提取、关联挖掘和技术融合等方面对学习路径推荐技术进行改进和创新,以持续提升推荐的性能和效果,进而为学习者提供更为优质的学习支持和服务。(1)数据建模:利用多模态学习分析技术对学习环境中蕴含的表情、行为、语音、生理、文本、日志等多源异构数据进行采集和分析[36],深入挖掘学习者的学习状态、特征和变化,为后续推荐计算过程提供更加丰富的数据基础,有效缓解传统推荐系统中的冷启动和稀疏性问题。(2)特征提取:基于深度学习的非线性网络结构从海量数据中自动学习数据特征的高层次表示,提取学习者、学习资源和领域知识的深层特征和隐表示[37],以提升推荐模型的表征效果,并最大限度地减少建模过程中的人为因素干扰。(3)关联挖掘:引入深度学习、图学习等技术对复杂学习过程中相互作用的特征因素进行关联挖掘,学习不同特征间更为抽象和稠密的关联关系,如利用图卷积神经网络全面挖掘“学习者-资源-知识”间的隐式关联关系[38]。(4)技术融合:基于上述改进视角,以知识信息为主导,将知识表示学习、深度强化学习、元学习等先进技术与现有推荐方法进行有机融合,构建多技术协同的高性能混合推荐框架将成为个性化学习路径推荐领域的重要研究方向。

(三)注重可视化呈现和动态感知,推动个性化服务模式的优化升级

当前在线学习系统主要以线性资源序列的形式为学习者提供学习导航服务,但这种呈现方式既难以清晰地表达底层知识节点间的复杂关联,也无法直观地展示学习资源与知识节点间的多维概念映射。而且,其支持服务也存在交互形式单一、界面友好性不足等问题,对学习者的服务使用意愿和在线参与积极性极易造成不利影响。此外,系统大多采用一次性推荐策略,未能考虑学习者在学习过程中的动态变化,很难保证推荐结果对于全学习过程的适切性,不利于促进学习者的有效学习。

为突破上述传统服务模式的局限性,未来可以从呈现方式、交互形式和服务策略等方面优化升级学习路径的在线服务模式。由于知识间存在多元联通的内在依赖关系,因此,可以将知识图谱等可视化工具引入在线学习服务中,以可视化的视图向学习者直观地呈现知识体系的内在逻辑结构,为学习者提供有效的导航支持和指引。在知识图谱等技术的支持下,在线学习支持服务可以为学习者提供友好的交互手段,例如,利用学科知识和资源的图式结构构建探索式学习交互模式,实现基于位置的快速资源定位和内容切换,或是引入图层控制和图谱标注等操作,支持学习者定制和调整个性化内容[39]。在智能技术和设备的支持下,学习系统可以实时采集和计算分析学习过程数据,准确评测学习者在学习过程中的学习状态,并能主动感知学习情境或学习任务的变化情况,在此基础上,学习路径推荐引擎可以适时调整推送内容实现对学习者动态需求的及时响应,进而为学习者提供与整个学习过程相适应的高质量个性化服务和支持。

(四)重视全景性应用策略研究,促进推荐技术与真实教育情境的紧密耦合

目前,个性化学习路径推荐的研究更侧重于技术方法的探索构建,其中真正应用于教育领域的研究较少且不够深入,主要为面向小规模课堂教学的实例化验证,如基础教育阶段的数学教学和高等教育阶段的编程教学,对大规模学习环境下的探索应用不足,也未能满足真实教育系统跨学段、多学科的全景性应用需求。更重要的是,预设情境下的短期成效检验往往难以深层次、系统化探究相关模型策略对于学习发生机制的影响作用,这在很大程度上限制了所构建技术方法在真实教育场景的推广普及。

未来个性化学习路径推荐技术的应用研究将由预设情境的实例验证逐渐转向多元情境的教育研究。因此,亟需扩展服务对象广度、场景规模尺度以及研究层次深度,以有效地促进学习路径推荐技术的成果转化和规模化推广,进而推动教育实践模式和理论方法的创新融合发展。具体而言,将个性化学习路径推荐技术引入不同教育阶段的学科教学过程中,结合相应教学活动的创设为不同学段的学习者提供适切的学科资源推送和学习导航支持;加速学习路径推荐算法模型的原型开发或促进其与现有学习平台的整合与部署,面向自主学习、协作学习、课堂学习、场馆学习、游戏化学习等典型教育情境开展大规模实践应用,以促进智能技术赋能下的规模化教育与个性化培养的平衡发展;围绕个性化学习路径推荐技术,面向不同的教育情境开展多阶段、长周期的教育实验研究,通过学习策略的挖掘提取和学习过程的计算分析,实现对真实多场景学习环境的迭代优化,以更好地支持正式与非正式学习、线上与线下学习以及自主与协作学习等多种学习环境和模式下的情境适用性和有效性,进而实现个性化推荐技术与真实教育情境的紧密耦合。