唐晶晶，王海燕

陕西师范大学教育学院， 西安　710062

新课改第一个十年是通过行政自上而下的改革，第二个十年是自下而上深入课堂的改革，该改革的本质是希望普适教育向适合教育转变。但在第一个十年，课改的超前性导致了在现实实践中出现诸多对立的现象，因此在第二个十年深入课堂的课改中我们更注重适应性的改革[1]。《国家中长期教育改革和发展规划纲要(2010—2020)》提出“尊重教育规律和学生身心发展规律，为每个学生提供适合的教育”[2]。我国教育学会会长顾明远教授也指出，“最适合的教育才是最好的教育”[3]。

近年，随着人工智能技术以及认知科学在智能教育系统中应用研究的深入，我们越来越重视适合个体特征的学习支持。其中，自适应学习系统是智能学习环境下促进学习者个性化学习的关键。《新媒体联盟地平线报告》(2016高等教育版)提出，个性化学习是一项艰难的挑战，适应性学习技术、情感技术被列为重要的技术之中[4]。学生模型作为自适应学习系统的核心组件，它表示个体认知能力的一种数据结构[5]。这种数据结构代表的是计算机系统对学生的认知。

1　研究方法与过程

该研究采用文献分析法、内容分析法梳理国内外自适应学习系统中有关学生模型的研究与应用现状。通过比较分析国内外对学生模型的研究，以期为自适应学习系统的设计和开发提供参考。一般说来，期刊论文与研究报告、学位论文等相比，更能敏锐、直观地体现研究的热点和前沿[6]。所以，选取期刊作为该文文献的研究对象。

1.1　文献来源

中文期刊的选取来源于中国知网(CNKI)，英文期刊来源于全文数据库Web of Science。

1.2　时间区间

2000年1月—2017年5月。

1.3　检索项

中文检索条件主题词为“自适应学习系统学生模型”“适应性学习系统学生模型”“智能教学系统学生模型”“个性化学生模型研究”；英文检索项为Title“Adaptive e-Learning Systems Student Model”“Ada- ptive Education Systems Student Model”“Adaptive Education Hypermedia Student Model”。

1.4　样本筛选

找出与自适应学习系统学生模型研究有关的期刊作为样本，经过筛选，选取中文期刊89篇，英文期刊95篇。分别把这184篇文献作为初始样本进行分析，主要包括文献发表分析、学生模型建模分析以及技术采用量分析。

2　文献内容分析

2.1　文献发表分析

2.1.1文献量年度分析我们对所选取的文献进行年度出版量分析，得到图1“年度文献出版量分布趋势图”。从文献出版数量的趋势可以看出，从2000年至2011年，国内外对学生模型的研究关注度一直保持增长的趋势，基本保持同步。从2011年往后，国内外学生模型研究都有相对的减少。国外在2013年的相关研究有所增加，国内则一直在减少。究其原因，可能与近些年出现的MOOC、翻转课堂、电子书包等研究领域有关。根据文献出版量趋势图我们可以看出，国外对于学生模型的研究要多于国内的研究。

图1　年度文献出版量分布趋势图

2.1.2期刊来源分析我们对所选取的中外文献进行期刊的来源统计，发现期刊的来源不仅仅集中于一些我们专业领域的研究期刊，这也表明对于自适应学习系统中学生模型的研究很多领域都有涉及。图2为中文文献来源比例图，图3为英文文献来源比例图。

图2　中文文献来源

图3　英文文献来源

2.2　学生模型建模分析

对于学生模型，不管国内还是国外的学者都做了很多研究。有学者从学生模型内部要素的构成对学生模型建模进行了分析。首都师范大学的杨卉、王陆等采用广义模糊综合评判方法对学习者的二级特征进行评价，提出了两层动态学生模型[7]；西华师范大学陈仕品和浙江大学张剑平提出了一种基于认知状态和学习风格的学生模型(CS-LS学生模型)[8]。国外一些学者认为对学习者知识状态的表示从知识水平的角度来说，主要有覆盖模型、铅版模型、基于约束的模型等。有研究者则根据不同模型之间的特点提出基于认知、偏差和覆盖模型或者是其他几种模型的综合[9]；还有学者根据学生的个性特征来构建学生模型，比如像学习风格和学习偏好等个性特征[10]。近几年随着情感计算和适应性技术的发展，基于情绪感知的学生模型也在被大家所关注。表1是对该研究所选文献中出现的有关学生模型构建的梳理，包括学生模型建模的名称及在文献中出现的次数。

表1　学生模型建模名称及建模量(部分)

2.2.1认知模型认知模型是构建学生模型不可或缺的部分。通过构建认知模型，可以了解学习者的起始学习能力和知识结构。认知模型所反映的是学生在认知上的差异分析，这种差异主要在于学习者认知能力和认知结构上的差异。为了确定学生的认知能力，首先要解决的是学生认知能力如何表征的问题[11]。

国内学者冯迪等结合美国心理学教育学者Ben- jamin Bloom的理论分析了认知能力各因素之间的影响，构建了学习者认知能力因素的评价体系，又采用灰色偏相关评价法构建了认知学生模型，并且对该模型进行验证，实验具有一定的效果[12]。构建认知学生模型其本质就是对学生知识模型的表述。

2.2.2情感模型情感模型是为了解决在自主学习过程中，学生和计算机之间产生的情感缺失问题。目前应用最为广泛的情感模型是OCC情感模型。“OCC”模型是由Ortony、Clore 和 Collins于1988年出版的TheCognitiveStructureofEmotions提出，它是第一个用于计算机实现为目的的结构化模型[13]。应用在智能教学系统中的情感识别方法主要有：基于生理信息、基于认知评价、基于表情识别以及基于多模态识别的方法。基于情绪感知的学生模型主要采用的是情感计算技术。情感计算就是与情感相关、来源于情感或能够对情感施加影响的计算[14]。情感计算技术可以对学生的情感信息进行识别和捕捉，分析学生学习时的情感表现，适时的调整学习策略及学习内容的难度[15]。

刘小丹等提出了基于情绪感知的学生模型，该模型采用表情识别作为学习者情绪监控的技术支持；乔向杰等基于OCC情感模型提出了对学生情感识别的方法，构建动态贝叶斯网络模型对该方法在实例教学中进行验证，取得良好的效果[16]。

2.2.3动态学生模型在适应性学习支持系统中，对学生模型的研究包括学生模型建模、初始化学生模型和学生模型动态更新三方面。动态学生模型建模的目的就是为了适应性的调整、更新教学策略。很多学者在动态模型的基础上又提出了各自的建模研究。

赵洁[17]基于认知理论及随机开放性测试构建了动态学生模型，该模型很好地实现了学生模型的动态修改以及教学策略的适应性调整；郝耀军等构建的双层动态学生模型把模型分为初始层与高级层，并把该模型用于智能教学系统中，有效地改善教学决策的过程[18]；杨卉等构建的两层动态学生模型，是以单层学生模型为基础，然后又增加学习者的二级特征表与二级特征评价表，该机制很好地解决了对学习者学习特征客观和全面的评价。

2.2.4覆盖模型覆盖模型就是把学习者即将学习的领域知识及其约束关系表示成一个有向知识结构图，学生的学习状态看作是此图的子图，学习过程看作是子图对原图的逼近过程[19]。这种模型就是领域知识结构图和学生知识状态图之间的比较，根据得到的学生知识结构图上的缺陷，从而可以推荐适应学习者学习的内容。但是覆盖模型的缺陷是对学习者经常出错的同一知识点造成简单重复的推送，这样不仅降低学习者学习兴趣，而且对于复杂的过程性知识难以描述。

诊断模型的出现是为了弥补覆盖模型的缺陷。诊断模型是把学习者出现的错误概念描述为与领域专家知识之间的偏差。但两者都忽略了学习者在学习过程中的认知风格。王溢策等结合覆盖模型与诊断模型的优势，把教学内容按最基本知识项进行划分，然后根据知识项之间的逻辑关系组成层状知识拓扑图，根据学习者对认知单元的掌握，动态构成学生的知识状态，适应性呈现教学内容[20]。

2.3　技术采用量分析

在所选的文献中出现了多种技术，表2为统计文献中出现的技术及采用的数量。其中，对于学生模型的构建采用技术最多的是Web数据挖掘、贝叶斯网络，其次是模糊综合评判、语义网本体技术、认知水平诊断算法、人工神经网络BP算法等。我们可以看到对学生模型研究采用的技术种类之多。但是对于技术的研究应用占比，中文文献中有63.4%谈到应用，英文文献有81.2%。由此可见，国外对技术的应用更为重视，国内技术的应用在研究中比例偏低，而且文献描述多偏理论。

2.3.1Web使用挖掘Web使用挖掘是Web挖掘在远程教育中的主要应用。研究对象是Web使用数据或Web日志。Web日志是使用者网页访问的数据，从使用者或服务器的观点对Web日志进行数据挖掘，比如媒体类型、页面停留时间、浏览次数等。挖掘结果可以为模型构建提供依据，更好地进行个性化支持[21]。

表2　技术及采用量(部分)

张赛男等以拉埃丁的认知风格为理论基础，并且采用Web使用挖掘技术构建了基于XML的认知风格学生模型，不仅在一定程度上解决了自适应学习系统在认知学生模型中的缺陷，而且还应用到了 《C语言程序设计》课程之中[22]。Chen等以个性化学习e-Learning 领域内的期刊论文和会议论文为文献来源，运用Web挖掘技术来自动构建知识概念图，不仅为学习者提供知识的全貌，方便进行深入的学习，而且为教师设计自适应课程提供帮助[23]。

2.3.2贝叶斯网络贝叶斯网络(BBN)是由随机变量间的概率关系来建立的图论模型[24]。贝叶斯网络用于自适应学习系统，图论模型中节点的概率就表示学习者对该节点知识的掌握程度[25]。节点上的知识分为定量知识和定性知识，贝叶斯网络就是对节点上的知识进行结构化的描述[26]。

刘艳等基于贝叶斯网络提出的学习评估方法，能够准确地判断出学习者对该领域知识的掌握程度，从而根据学习者之间的差异性进行个性化的学习[27]。Garcia P等基于贝叶斯网络建立了一个检测学习者学习风格的模型，该模型能准确地获得学生的学习风格，并把该模型用在人工智能网络学习课程中[28]。

2.3.3模糊综合评判模糊综合评判是为了解决对一些不确定的模糊现象进行主观评判的问题，它运用模糊数学原理并且以模糊推理为主的定量与定性的结合、精确与非精确相统一的分析评价方法[29]。

焦蕾等以模糊综合评判为核心理论建立了一个综合评判系统的认知学生模型。模糊综合评判方法具有高度非线性函数映射功能，因此使评估学生认知能力的结果精度得以提高，以此对学习者做出合理化的评价，制定个性化的教学策略[30]。Chrysafiadi K等采用模糊综合评判定义和更新学生的认知水平，使用分层评价法评价学生的知识水平，并且用于智能教学系统对C语言编程的评价[31]。

2.3.4语义网本体技术语义网中的组成部分包括本体及查询的语言，其中本体是语义网的核心部分。语义网根据形式化的方法整合和表示知识。本体是为了描述概念及概念之间关系的模型，它可以详细描述复杂的知识。在自适应系统中，利用语义网本体技术描述不同的学习资源，可以更好地实现学习资源之间的整合、扩展和分享[32]。

赵蔚等提出的基于语义网本体构建的学生模型，根据学生的学习进程和学习者的个性特征动态地呈现学习内容，更好地实现适应性学习[33]；Vesin等基于语义网本体技术，开发实现了一个对于编程语言学习的智能教学系统Protus 2.0。在Protus 2.0中，语义网本体不仅创建了学习者本体、学习任务本体以及教学策略本体，还对适应性学习的规则进行推理设计，从而实现个性化学习[34]。

3　研究启示

3.1　情感计算是解决学生模型中双向情感缺失的重要技术

对于自适应学习系统和学习者之间产生的双向情感缺失问题，情感计算技术扮演着重要的角色。《新媒体联盟地平线报告》(2016高等教育版)中提出“适应性学习预计在一年内被越来越多的高等教育院校采用；情感计算技术预计将在四到五年在高校中得到突破性发展”。推动情感计算研究的两个领域是机器对学习者情绪的识别与模拟，这就要求机器有能解释学习者出现的动作行为的技术。时下新兴的技术涌现，对自适应学习系统学习者的情感支持将有很大的突破。如：手势计算技术、视线追踪技术、语音识别技术和面部识别技术，这些技术与情感计算技术的结合是解决学生模型中学习者双向情感缺失的重要途径。

3.2　教师数字素养是自适应学习系统应用的关键

自适应学习系统面临的复杂挑战不仅是技术上的完善，只要应用到教育上，就需要有效的学习方法。自适应学习的目的是为了体现学习者的自主性，让学习者根据自己的需求进行个性化的学习，提高学习者的参与度与积极性。虽然“自”表面看有孤独的体验，但是有效的学习方法是促进师生之间对话的关键。这就要求培养教师的数字素养，教师要能科学高效地来设计基于资源和技术的学习活动及评价方式。

3.3　技术的规模化是更好地实现自适应学习系统的有效途径

虽然研究学生模型采用的技术种类很多，但是根据我们对技术应用统计的数据可以看到，这些研究主要还只局限在技术上的尝试与发展。用在教育上的自适应学习系统应该在教育框架下实现规模化。规模化不仅包含技术上的，还要强调教师的参与度。不仅需要加强学生和教师之间的持续对话，教师还要接受更多有关个性化学习的培训，而且他们还要积极参与到个性化学习的设计中来[35]。

国内外对于学生模型应用到学科教学领域中的研究相对较少，这也说明我们还缺少应用层与规模化。时下各种新兴技术的涌现我们要正确看待、高效利用。文章对学生模型进行的梳理分析，希望对自适应学习系统的设计、开发提供借鉴。

[1]纪德奎.新课改十年:争鸣与反思—兼论新课改如何穿新鞋走出老路[J].课程·教材·教法,2011(3):18-24

[2]中共中央国务院印发.国家中长期教育改革和发展规划纲要(2010—2020年)[J].人民教育,2010(17):2-15

[3]姜强,赵蔚,王朋娇.基于GALSRM模型的自适应学习系统体系结构研究[J].现代远距离教育,2013(1):71-77

[4]殷丙山,高茜,赵广元.新媒体联盟地平线报告:2016高等教育版[J].开放学习研究,2016(2):1-20

[5]刘宇,解月光.动态学生模型与智能支持服务研究[J].中国电化教育,2006(10):94-98

[6]张斌贤,陈瑶,祝贺,等.近三十年我国教育知识来源的变迁—基于《教育研究》杂志论文引文的研究[J].教育研究,2009(4):17-25

[7]杨卉,王陆,冯红.在智能教学系统中两层动态学生模型的研究[J].电化教育研究,2005(1):72-75

[8]陈仕品,张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育,2010(5):112-117

[9]孙中红.个性化智能网络教学系统中学生模型的研究[J].中国电化教育,2009(10):107-110

[10]刘小丹,胡小红.自适应学习系统中基于情绪感知的学生模型设计[J].中国教育信息化,2015(19):85-88

[11]郭富强.智能教学系统中动态学生模型的研究与设计[J].中国电化教育,2011(1):119-123

[12]冯迪,任胜兵,陈潇男.灰色偏相关评价法在认知型学生模型中的应用[J].计算机工程与应用,2017(2):245-252

[13]Ortony A,Clore G L,Collins A.The Cognitive Struct- ureof Emotions[M].England:Cambridge University Pr- ess,Cambridge,UK,1988:5-96

[14]侯凤芝,夏洪文,潘瑞雪.基于情感计算的适应性网络学习系统模型设计[J].现代教育技术,2008(12):91-93

[15]罗奇,万力勇,吴彦文.情感计算在e-Learning系统中的应用探索[J].开放教育研究,2006(3):80-83

[16]乔向杰,王志良,王万森.基于OCC模型的e-Learning系统情感建模[J].计算机科学,2010(5):214-218

[17]赵洁.基于认知理论和随机开放性测试的动态学生建模研究[J].计算机工程与应用,2003(34):95-98

[18]郝耀军,王建国,赵青杉.网络智能教学系统中双层学生模型的设计[J].中国远程教育,2011(12):64-67,96

[19]孟玲玲,项国雄.基于Web的学生模型研究[J].现代教育技术,2004(3):21-23

[20]王溢策,姜薇,黄运涛.基于覆盖模型的适应性超媒体系统用户建模[J].计算机应用与软件,2009(6):171-174

[21]汪全莉,陈代春.Web挖掘在网络教育中的应用研究[J].大学图书情报学刊,2008(3):36-38

[22]张赛男,赵蔚.基于认知风格的Web数据挖掘构建学生模型[J].现代远距离教育,2008(1):56-59

[23]Chen N S,Kinshuk,Wei C W,et al.Mining e-learning do- main concept map from academic articles[J].Computers & Edu,2006,50(3):1009-1021

[24]Mitchell T.Machine learning[M].New York:The Mc- Graw-Hill Companies,1997:23-56

[25]董晓辉,杨晓宏,张学军.自适应学习技术研究现状与展望[J].电化教育研究,2017(2):91-97,121

[26]陈丽花.贝叶斯网络在学生模型建模中的应用[J].微型机与应用,2010(8):80-82

[27]刘艳,张锐.基于贝叶斯网络的学习评估模型及其在e-Learning系统的应用[J].滁州学报,2009(4):50-55

[28]Garcia P,Amandi A,Schiaffino S,et al.Evaluating baye- sian networks' precision for detecting students' learning styles[J].Computers & Edu,2007,49(3):794-808

[29]Jovanovic J,Gasevic D,Torniai C,et al.The social sema- ntic web in intelligent learning environments:state of the art and future challenges[J].Inter Learning Environ,2009,17(4):273-309

[30]赵蔚,刘秀琴,邱百爽.语义网自适应学习系统中领域本体的构建[J].吉林大学学报:信息科学版,2008(5):514-518

[31]Vesin B,Ivanovic M,Budimac Z.Protus 2.0:ontology-based semantic recommendation in programming tutor- ing system[J].Expert Sys with Appli an Inter J,2012,39(15):12229-12246

[32]冷宣兵,王平,张立.舰空导弹总体设计方案评估研究[J].兵工自动化,2007(10):3-4

[33]焦蕾,殷锋社.基于学生模型的模糊综合评判方法研究[J].电子设计工程,2011(9):97-99

[34]Chrysafiadi K,Virvou M.Evaluating the integration of fuzzy logic into the student model of a web-based learn- ing environment[J].Expert Sys with Appli an Inter J,2012,39(18):13127-13134

[35]金慧,刘迪,高玲慧,等.新媒体联盟《地平线报告》(2016高等教育版)解读与启示[J].远程教育杂志,2016(2):3-10