《AI精准学》个性化学习手册：让学习走向“私人定制”

近日，飞象星球推出《AI精准学》个性化学习手册，这是一本基于作业过程数据的“个性化学练方案”（图1）。该学习手册根据学生在一定周期内的作业情况，建立学生个人知识掌握度计算模型，深度挖掘学生练习数据，为学生生成个人知识图谱及个性化学习计划，在有限时间内使学生的学习效果最大化。

《AI精准学》个性化学习手册由学生专属学情总结报告、个人知识图谱、个人学习计划、基于计划的练习题目、配套自主学习资源（包含解析、知识点视频、大模型苏格拉底问答）及教师端配套分析工具组成，每一部分都从宏观和微观不同角度分析不同学生的个体知识积累与学习过程，并提供与其相匹配的对应提升方案。根据每个学生个性化的学习计划，配套相应的练习题目，确保每一次练习都能精准地强化学生的薄弱环节。教师端的配套分析工具，让教师能够轻松掌握学情，实现教学的精准化管理。

精准个性化的核心创新

《AI精准学》手册基于猿力科技人工智能研究院十年研究与实践的成果，拥有在线教育行业中最丰富的学生学习数据和最成熟的个性化学习算法。不同于“以题推题”或者“依据错题知识点推相似题”，飞象《AI精准学》手册是基于知识掌握度计算模型，计算每位学生的掌握度，形成个人知识图谱，基于学科领域、主题/单元、先/后修知识点关系，知识点掌握度整体进行科学规划，作为练习计划的依据。

不同于“错哪练哪，一直练”，飞象《AI精准学》手册基于知识图谱，练需要练的（先修薄弱等因素），通过运用最少做题预测模型，在有限时间内使学习效果最大化（图2），防止机械刷题。同时，飞象海量的高质量题目资源，经过专业教研团队的严格审校，保证了题目的准确性达98%，题目标签类型超过10余个（如知识点、章节、能力、难度、学科题型、出处等），真正实现了“练需要练的”，提升了学习的效率和效果。

飞象个性化推荐引擎

学生在学习过程中会产生各种数据，如课堂表现、课后作业、考试测验等，这些数据象征着学生的学习状态。飞象星球通过大数据分析、图像检测、文字识别、多模态模型等方式，记录学生的学情数据。结合知识图谱作为指导，利用BKT（贝叶斯知识追踪模型 Bayesian Knowledge Tracing）、IRT（项目反映理论模型）、ARIMA（自回归滑动平均混合模型）等算法模型对学生某个知识点的掌握程度进行分析，得到学生的能力值。通过使用期望最大化算法EM（expectation maximization method）进行参数最大似然估计，以提高预测学生知识点掌握度计算的精准性。为完成学生学情数据的清晰化记录与整理，将通过以下五个步骤完成基于学生个体的个性化推荐。

1.个人学科知识图谱生成与更新

通过学生知识点掌握度计算，结合学科知识图谱，产出学生个人学科知识图谱。同时，基于学生学情数据采集，自动计算更新个人知识图谱（图3）。

2.学生学情分析模型

通过学生阶段学情数据（作业、测验、练习等）、个人知识图谱数据，计算学生该学科整体学科能力值、领域能力值、各单元、主题能力值，分析各单元表现情况。

3.知识点选排计算及学习路径规划模型

通过学生阶段学情数据、个人知识图谱数据和先修路径上各知识点掌握度，将学习的后修知识点掌握度综合预测（图神经网络），形成多维度加权计算完成所需学习知识点的筛选和从“最需关注”到“表现不错”的知识点选排，即通过图神经网络模型输出当前最需要关注和学习的知识点及学习路径规划。

4.基于学生当前知识点掌握度、目标知识点掌握度差值的最少做题数预测模型

通过大量相似学生知识结构、知识掌握度、做题数量、题目难度进行自回归模型训练， 实现基于学生当前知识点掌握度与目标知识点掌握度差值的最少做题数预测模型，从而避免学生大量低效做题，提升学习效率。

5.题目推荐模型

通过上述个人知识图谱、学情分析模型、知识点选排计算模型、最少做题数预测模型，完成所需学习的知识点选排及学习路径规划，最少出题数量预测；通过对所需学习知识点，以及适应学生学习的题目难度、题型、数量、题目结构、题目地区、题目质量、题目时效、题目内容相似度去重等多维度参数，建立题目搜索与推荐排序模型，实现题目出题。

总结

飞象《AI精准学》个性化学习手册的推出，不仅代表了教育个性化的重要进步，也体现了大数据和AI在提升教学质量和学习效率方面的巨大潜力。通过精准捕捉和分析学生的学习行为和知识掌握情况，《AI精准学》为每位学生量身定制了学习路径，实现了真正意义上的个性化教学。这一创新实践，不仅为学生提供了更加高效、有针对性的学习体验，也为教师提供了更加精准、便捷的教学管理工具。可以预见，个性化教学的理念将在未来落实到教育教学每一个环节，全面精准个性化学习的美好愿景将在大模型掀起的巨浪中成为现实。

作者单位：北京飞象星球科技有限公司

编 辑：冯艳艳