摘要：个性化自适应学习模式有利于在校大学生适应社会发展需求。根据社会普查搜集的大量数据作为样本，结合大数据分析技术，以学院实际开设的“机器人编程”课程为研究对象，设计开发了个性化自适应学习系统.旨在为广大教师及学校管理者提供借鉴，真正实现个性化教学。

关键词：人工智能;大数据;自适应;个性化

中图分类号：TP302.1

文献标识码：A

文章编号：1006-8228（2020）09-04-03

Design of adaptive personalized learning mode with artificial intelligence

Chen Hong

（Zhejiang Technical Institute of Economics， Hangzhou， Zhejiang 310018， China）

Abstract： The adaptive personalized learning mode is conducive to college students to adapt themselves to the needs of socialdevelopment. According to a large number of data collected by the social census as samples， combining with big data analysistechnology， and taking the course of "robot programming"， the actual course offered by the college， as the research object， anadaptive personalized learning system is designed and developed in this paper. It aims to provide reference for teachers and schooladministrators， and truly realize the personalized teaching.

Key words： artificial intelligence; big data; adaptive; personalization

0引言

近年来，我国越来越重视人工智能这一新兴产业的发展，2017年7月20日，国务院正式发布《新一代人工智能发展规划》，明确我国人工智能发展的三步走战略和具体的六大任务，标志着人工智能领域的国家行动正式全面展开。由此，现实需求也对大学生这一特殊就业群体带来了严峻的冲击和考验。社会将要求他们更加修炼内功，提升自我，在牢固掌握专业知识技能的同时，注重自我学习、创新和适应能力的培养和提升。随着移动互联、智慧教育的发展，適合个体特征的个性化自适应学习系统[1]成为新兴研究热点，将成为以大数据为基础的教育技术新模式。本文结合本校计算机专业教学实际，提出了一种自适应个性化学习模式研究与设计。

1个性化自适应学习系统设计

我们研发的“个性化自适应学习系统”主要考虑以应用为主线，根据学生学习不同层次水平、不同阶段的学习能力反馈信息及时调整下阶段的学习方案，真正做到因材施教。该系统主要实现以下几方面的需求。

1.1利用数据挖掘算法实现学习风格模型构建

受今年特殊疫情限制，使得网络教学因不受时空限制而被广泛关注。如何确定学习者的学习风格，进而根据风格来匹配自适应的学习模式是首要考虑的问题。以传统调查问卷方式获取学习风格未必准确，本文尝试采用一种基于学习者的动态学习行为数据，建立一个大数据采集模型（即学习者数据库），用以存储在学习系统中时间戳标记的学习行为数据[2]。通过对学习者行为和结果等数据的处理分析，发掘出其学习风格，依据该风格推荐对应的资源和模式。

1.2基于基本反应理论实现认知水平模型构建

认知水平模型构建重点需要解决一个自适应学习诊断问题。我们一般将认知目标分为知识、领会、应用、分析、综合、评价6个等级。通过学生做题过程（分数、试题难度级别、回答次数及做题耗时等）综合考察认知能力;可以具体分几个环节进行观察，如学习开始测试，了解学生原有认知能力评估，给出个性化学习建议;学习过程中测试，可及时发现学习困难及薄弱环节，适当降低难度以巩固知识，若测试水平较高则适当加大难度，以促使深入学习;在学习结束时测试，主要是对学习成效的成就性检测，可通过小项目形式进行综合分析测试，若达到学习目标则建议终止学习，反之，建议学生进行单元补习。

1.3个性化学习路径优化推荐

个性化学习路径优化主要涉及一个自主学习策略设计与选择问题。本文针对自主学习过程中的主要环节，即：分析学习需求、生成个性化学习路径、自建与共建学习资源、评价学习结果等方面提出了相应的策略。主要采用两种方法实现学习者需求解析：一是通过学习者在系统平台上已有的数据，采用大数据分析技术进行智能解析，确定学习需求;二是根据学习者认知经验、偏好、认知阶段效果评测生成学习路径n”。同时，对平台资源依据点击率、下载率、利用率及学习者对资源的评价等机制及时进行资源的优胜劣汰。

1.4利用数据挖掘技术实现相关偏好的学习信息推送

该系统信息推送部分主要通过机器学习的方法，对学生以往搜索与使用的信息进行统计与概率分析，识别和预测该学生一直关注的信息要点，分析出其对信息内容的兴趣/偏好，学习者的偏好特征值获取方法主要分两步：第一，从学习者的注册信息或上传等行为采集偏好特征静态值，之后通过直接或间接匹配方法处理该原始数据，得到学习者的静态特征偏好值[4];第二，挖掘学习者在学习时的行为，如搜索关键词、浏览网页类型及网页点击率等，提取学习者的动态偏好特征。进而，通过信息系统内部数据库主动及时推送具有针对性的有效信息，满足其个性化需求。

1.5学习效果质量评价体系构建

通过对在校学生开放式问卷调查综合分析，我们将以下几个要素作为新型学习模式效果评价的导向指标：首先让学生成为评价的主体，教师的教学内容和方法只有得到学生的认可才算是有成效的教学;其次，评价是以学习效果为导向[5]。此评价体系一方面对教师的教学能起到一定的激励作用;另一方面能更好地促使学生自主思考，起到较好的督促作用。课堂学习效果的影响因素包含课程设置、教学设施、教师个人因素和学生学习特征几大一级指标。继而细分培养方案、课程大纲、课程类型及负担，硬件设施、班级规模;教师的教学态度、教学能力、课堂管理能力;学生的学习态度、学习兴趣及学习方法等诸多二级指标。据此来进行相关评定。

2个性化自适应学习模式特色

2.1开放性学习

首先，选择“机器人编程”课程为研究雏形，比较容易实现学习主体开放性自我认知这一先决条件。进入到“机器人编程”班级的基本是有这方面兴趣爱好的学生，因此较好地完成了所谓开放性自我认知的体现，对后期学生求知欲的激发、学习积极性的调动奠定了良好的基础。

在实施过程中，教师可以把握住大的教学目标和方向不变，适时开放一些个人学习的信息，如学生个人学习知识图谱、各自的兴趣偏好、学习进展及绩效等项目，目的是帮助学习者更好地规划或监督自己的学习，以促进学习反思，同时也使其看到自己与同伴之间的效果差异，促进学习者之间的良性竞争，从而激发和维持学习动力，提高学习效果。

2.2自主性学习

虽然控制了整个学习过程教学目标和考核方向不变，但是同一学生不同学习阶段也有不同的需求，另外学习能力和策略等因素也会导致每个学生的学习过程不同。解决的途径之一就是自主学习，也称自我调节学习。个性化自适应学习模式为自主学习提供了良好的机会，有利于促进学习者对知识的主动构建。

自主学习的关键是学习策略设计与选择，学习者根据自身认知特点和基础确定学习目标，采用适合的学习方法策略、工具、资源，制定合适的学习计划。在此过程中，教师必须解决一个动态实时资源库的构建问题，根据相应的认知目标（知识、领会、应用、分析、综合等）[6]等级构建合理的知识库，设计不同综合性水平能力测试案例，并根据学生执行情况及时调整/补充。

2.3教师授课和学生活动相结合

授课采用团队分组形式，每组有1名对该知识领域相对较专业的学生为团队领袖，在消化老师授课内容基础上，梳理知识点并与相似知识结构水平层面的同学进行互助，激励团队其他成员。

课程最终评价将从以下几部分体现：一是借助上述个性化自适应学习系统对学生动态学习过程、学习终测成绩记录;二是学期中学生模仿类或创新类作品设计与制作（包括实物图像、具体完成动作说明等）;三是学生参加校内或校外相关设计竞赛所取得的成果;所以该课程开设的另一目的旨在尝试一种新的教学方式/方法探索，最终实现从某种层面提升学生自主、个性学习能力。

3结束语

自适应个性化学习模式研究，其诸多环节都离不开大数据技术的应用，比如大数据分析用以预测及个性化干预，实现数据支持的学习和成绩效果评价。借助大数据分析学习者各种特征，了解每个学生学习进度和质量，准确诊断学生的学习需求，预测学生的下一个行为，以助于教师及时调整教学策略，提供有针对性的个性化学习资源和进度安排，以及最佳的学习方法和建议。同时，对学生的学习结果进行大数据分析，及时掌握学生知识点掌握情况，以便识别教学设计中存在的问题并及时改善。

个性化自适应学习是高等教育信息技术长期发展趋势，在内容和方法上都有很大研究空间，比如智能感知实时捕获学习过程节点数据以分析学生的认知水平，深度数据挖掘以更好实现个性化预测，利用大数据分析实现对学生的智能化评价等。希望通过对这一全新教学模式的探索与实践，适应社会发展需求，优化当下教学质量，培养一批真正能适应社会不同发展需求变化，具有较高综合素质的新一代大学生。参考文献（References）：

[1]郭朝晖，王楠，刘建设，国内外自适应学习平台的现状分析研究[J].电化教育研究，2016.4：55-61

[2]徐鹏，王以宁，刘艳华等，大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析位进教与学》报告解读及启示[J].远程教育杂志，2013.6：11-16

[3]赵学孔，岑磊.面向用户需求的自适应学习系统个性化学习路径推荐研究[J].中国教育信化，2016.21：28-31

[4]李春生，张永东，刘澎，张可佳.自适应学习系统中“KCP學习者模型”研究[J].计算机技术与发展，2018.5：73-76

[5]经素.基于学习效果导向的高校课堂质量评价体系构建[J].中国电力教育，2013.31：43-44

[6]张舸，周东岱，葛情情，自适应学习系统中学习者特征模型及建模方法评述[J].现代教育技术，2012.5：77-81

收稿日期：2020-04-17

基金项目：本文系2018年浙江省教育科学规划研究课题“人工智能下基于自适应的个性化学习模式探究与设计”（2018SCG296）

作者简介：陈红（1980-01），女，浙江诸暨人，杭州电子科技大学研究生，研究方向：计算机应用，软件工程。（浙江杭州310018）