李海峰，王 炜

(新疆师范大学 教育科学学院，新疆 乌鲁木齐 830017)

一、自适应学习的挑战与智适应学习的兴起

因材施教抑或因材促学是古今中外教育研究者的共同理想追求，更是学习者内心对个性化学习方式的渴望。班级授课制是实现学习者个性化学习的掣肘，教师难以满足班级中具有不同知识水平、独特学习风格以及不同兴趣取向学习者的学习需求。程序教学之父斯金纳(Skinner)创始的机器学习破解了传统班级授课制中模式化、统一化的学习方式弊端，为通过技术支持学习者的自适应学习提供了最初的启蒙和经验借鉴，自此以信息技术为基础的指向个性化学习的自适应学习系统开始逐渐发展起来，形成了机器学习、计算机支持的辅助学习、导师学习系统以及大数据学习分析与学习支持系统等适应性学习技术。

根据自适应学习的对象差异，自适应学习的研究主题可以划分为三个旨趣向度，主要包括：学习内容的自适应性、学习评价的自适应性以及学习序列的自适应性[1]。就学习内容的自适应性而言，自适应表现为学习内容的难易程度自适应、学习内容的资源供给自适应以及学习内容的类型匹配自适应。姜强等[2]构建了个性化本体学习资源推荐模型，探讨了利用学习风格量表和学习过程行为模式对学习者学习风格进行推断的方法以及个性化学习资源的推荐策略。王丽萍等[3]提出了主题学习资源分配的自适应模型及其算法，通过对Rasch模型中学习内容的难度初始值以及学生知识掌握程度的个性化设计，根据学习者对学习内容中所有参数化测试项目的反应效果对主题难易程度进行量化评估，为教师设计主题内容学习的干预措施提供了依据。就学习评价的自适应而言，自适应学习重点关注学习者在线学习行为的数据分析、评价算法以及评价内容范畴。量化自我是教育大数据分析与自适应学习实现的关键途径之一，方海光等[4]构建了基于教育大数据的量化自我学习算法(Quantified Self Learning Algorithm，简称QSLA)，通过全面地跟踪、记录以及可视化学习者的在线学习行为，能够更加容易和准确地获得在线学习者的学习经验，利用量化自我实现了对学习者动态地、全程地和综合性地自适应评价。吴南中[5]将学习压力与学习能力的比值确定为自适应系数以评价学习者的自适应状态，通过构建的自适应学习模型精准预测在线学习者在自适应区、“无聊”状态和“焦虑”状态中的基本位置。就学习序列的自适应而言，其关注的焦点是学习者的学习过程自适应。从算法性质角度看，学习路径推荐算法可以归结为智能优化算法、数据挖掘算法和基于知识的推荐算法等三大类[6]。牛顿平台(Knewton Platform)通过提供概念的知识图谱，确定概念之间的基本关系以及概念习得的先后序列，根据算法对学习者的学习行为数据进行处理以确定学习内容学习的先后序列。

自适应学习实现了从集体性的模式化学习向基于学习者特征、学习资源供给以及学习过程调节的自适应学习方向转变，但是当今自适应学习面临的最大挑战是如何精准诊断学习者的知识点掌握程度以及学习快捷路径的精准推荐，人工智能技术支持下的自适应学习算法及其模式为实现精准的个性化学习提供了有力支持[7]。自从能够通过自我对决进行围棋学习的AlphaGo Zero智能技术以及通用棋类AlphaZero问世以来，教育领域对人工智能的研究热情极度高涨并为解决自适应学习中的技术困境寻找到了一条新途径。智适应学习系统是人工智能技术支持下的在线自适应学习系统，它利用了AlphaGo Zero的人工智能算法实现了媲美经验丰富特级教师的教学能力。文章将以智适应学习系统为范例，阐述人工智能支持下的自适应学习基本原理、运行模式以及应用案例。

二、人工智能支持下的智适应学习基本原理

(一)智适应学习的基本内涵

智适应学习理念由乂学习创始人栗浩洋提出，其基本指向是实现人工智能支持下的学习者自适应学习。自适应学习是系统根据学习者提供的输入信息和学习行为数据进行学习资源、学习方式或者学习内容等方面的动态学习服务支持，从而为学习者创造个性化的学习体验[8]。自适应学习依据学习者的数据信息建立用户自适应系统模型，实现个性化内容呈现、路径推荐和学习支持[9]；适应性学习系统通过提供相关的学习内容和服务以满足个人或者群体的学习需求，以提高学习成绩和学习效率为基本指向；系统通过实时地、动态地向学习者提供个性学习支持以响应学习者的学习交互行为[10]。简言之，所谓自适应学习是指运用技术手段检测学习者当前的学习状态及水平，进行学习活动以及学习进程的实时调整，帮助学生实现个性化的信息化学习方式。学习者的个性化需求是适应性学习的核心问题指向与价值追求，实现路径主要以学习者的相关数据信息为基础，诸如：学习者的个性特征、学习过程的学习行为、学习者的学习效果及效率等等。在信息技术支持下的自适应学习环境中，自适应系统主要向学习者提供学习资源、协作交互以及问题解决等相关服务。智适应学习不仅能够实现学习者的相关数据分析、学习支持与服务提供，而且具有深度理解学习者学习行为的智能性能力。智适应学习系统能够实时地对学习者的学习行为和学习结果进行精准测评以及知识薄弱点的准确定位，规划学习者的学习路径，使他们的学习效率最大化。换句话说，智适应学习的最大优势在于，能够实现对专家型教师的深度模拟，精准定位学习者的知识薄弱点并为他们规划实现学习目标的快捷知识序列路径。

(二)智适应学习的基本理论

1.知识空间理论

对于一位经验丰富的专家型教师而言，他能够将学习内容分割成若干知识点，构建一个具有复杂层级逻辑关系的知识网络抑或知识体系，能够把握学习者对知识点的掌握并安排合理的学习路径。事实上，绝大多数教师都需要经历长期的专业发展才能够具有这些能力。面对班级授课制的集体统一教学，任何教师也难以实现对几十位学生同时进行个性化教学，但是知识空间理论将为解决这一问题提供很好的理论指导。知识空间理论由杜瓦尼翁(Doignon)和法尔马(Falmagne)提出，构建了知识结构、知识空间、猜测关系以及蕴含关系的基本理论。他们认为特殊领域的知识信息可以被概念化为一个巨大的、具体的一系列问题集合，个体的知识状态可以被形式化为他所能解决的所有问题子集。对于所有可能的知识状态谱系而言，通过控制任何知识联接而实现一种闭环结构的集合被称为知识空间[11]。知识空间理论为学习者知识的有效评价提供了一种综合性的描述[12]，提供了一个具有坚实理论基础、方法论、软件和实践应用的知识评价框架，知识空间中的知识状态是表征水平程度的层次性集合，代表个体掌握知识的水平[13]，教师或者智能系统可以通过测验学习者知识空间的问题解决能力以确定学习进展及其知识掌握情况。换句话说，研究者或者教师可以利用知识空间理论作为一种创新方法来分析学习者的知识结构与学习绩效评价，向学习者推荐可能更加有效的学习路径与关键知识点。

2.信息流理论

信息流理论最初萌芽于申农(Shannon)的信息论[14]，关注于信息的获取及信息传递，发展于巴斯韦尔(Barwise)和杰里塞利曼(Seligman)[15]提出的信息流局部逻辑说和信息通道说，建立了信息流模型的动机以及信息通道的数学模型。信息流理论揭示了信息以分布式的形式存在和流动，具有个性化和类型化的信息特征，系统组件之间依靠某些规则携带其它组件信息，系统的通道观取决于理论家的描述抑或用户的抉择。信息流理论的主要研究旨趣在于揭示和描绘普遍的信息流关系，突出信息流关系和信息通道的元理论功效[16]。在智适应学习语境中，系统通过信息流的有关数据及其处理的数学模型，管窥与跟踪学习者学习的基本路径抑或学习信息的流向动态，确定他们的学习水平状态以及学习策略采取。

3.贝叶斯定理

如何通过学习者的在线学习行为、学习结果和学习效率推测出他们的薄弱知识点抑或学习困难是自适应学习系统面临的艰巨挑战，其难度已经超出了根据学习者已有特征数据进行个性化学习资源推送的算法问题。贝叶斯定理是关于随机事件A与B条件概率(或者称为“边缘概率”)的一则定理，该定理为实现根据学习者的在线学习行为推测出学习者的薄弱知识点提供了一条理想的解决方案。贝叶斯定理主要用于计算概率P(A|B)在事件B发生的情况下，事件A发生的可能性大小，贝叶斯推理问题是条件性的概率推理问题，其研究旨趣是用于揭示人们对概率信息的认知加工过程及其基本规律，对于指导人们实现有效学习以及决策判断等具有十分重要的理论意义与实践价值。智适应学习系统的“智”主要运用贝叶斯定理中的条件性概率推理思想，当在线学习者每完成一道测试题抑或每看完一段教学视频以后，智适应学习系统会运用条件性概率推理的基本算法实现对同时出现的学习过程行为、学习测验结果状态抑或其他相关事件进行条件性的概率性推理，诸如：知识点的学习路径荐引、知识点的知识图谱重组以及学习者薄弱知识点的精准定位等等。基于贝叶斯定理和贝叶斯网络算法构建的智适应学习系统，它会随着对学习者学习行为的持续跟踪和条件性概率推理逐步完善学习者的个体特征“画像”，系统自身也会变得越来越聪明，最终实现学习效果和学习效率的逐步提高。

(三)智适应学习的基本机制

1.纳米级的知识粒度分解

智适应学习系统力求模拟甚至超越具有丰富教学经验的特级教师，做到对学习者知识点的高精准学习支持，把学习内容精细分解为若干知识点并对学习者知识点掌握状态的智能监控。众所周知，学习内容是由众多知识点构成的，学习过程是由学习者对知识点的理解、分析和运用等基本阶段组成的，对学习知识点的精细划分有利于学习者循序渐进学习，更有利于智适应学习系统对学习过程进行精准监控和学习服务支持。智适应学习所提出的纳米级知识点强调对知识点的高精度细分，旨在于勾画出学习者的详细学习档案。譬如，智适应学习系统会把英语中的“定冠词”这一知识点再度拆分成13个‘纳米级’精细知识点，根据这些纳米级知识点之间的逻辑和先行关系勾勒出学习的知识网。纳米级的知识粒度分解，不仅有利于学习者对学习内容的精准掌握以及查缺补漏，更有利于教师或者适应性系统对学习者的学习效果和学习效率进行精准评价。

2.个性化的学习路径荐引

为了避免重复学习以及题海战术的教学弊端，实现高效率和最佳效果的学习目标，智适应学习基于纳米级知识粒度分析和计算机算法实现了优学、速学以及最佳学习路径的引领。传统学习以及以学习者特征为代表的自适应学习系统常以试题训练为导向，或者以学习者个性特征为依据进行个性化学习服务支持，但是精准定位不同类型知识点的方法以及掌握程度评价等缺乏深度探究。智适应学习系统根据学习者的学前测试以及学习过程中的知识掌握状态能够精准定位他们所具有的先决知识基础，确定知识点掌握的优劣以及知识图谱中相关知识点的薄弱环节。智适应学习系统通过学习者的大数据分析以及知识点的精准细分，旨在于帮助学习者精准检测他们的知识点掌握状态，实现学习内容的个性化自动匹配和学习效率提升，教师能够详细获知任何一位学习者对每一个知识点的掌握程度，实现对学习内容薄弱项的精准定位。在学生的学习过程中，智适应学习系统能够根据习得的知识点及其与其它知识点之间的先行关系抑或相关性向学习者推送下一个需要学习的知识点和相关学习资源，通过指向薄弱知识点和最佳目标路径的算法为学习者提供了个性化学习捷径，避免耗时耗力的题海战术型强化练习以及大量相同或者相近知识点的重复练习。即使是同一知识点，不同学习者的学习路径也是不同的。智适应学习下的学习路径推荐不同于商业中的产品推荐，也不同于自适应学习系统从学习者特征和学习行为个性特征的视角来审视个性化学习，其是将人工智能和教育测量、教育理论进行融合，聚焦分析学习者的学习能力、学习效率、能力水平以及当前的知识状态。智适应系统的个性化推荐会随着学习者的知识状态变化以及能力水平变化进行实时改进和更新，真正成为能够理解学习者的专家型智能导师。譬如，根据学生在教学视频中停留的时间长度，智适应学习系统能够自动判断并向他们推荐最适切的学习资料以及测试习题。该系统能够实现精准定位每位学习者在每个知识点上的学习能力，自动生成个性化的学习任务清单，针对知识弱项和重难点进行专项强化练习并生成相应的学习报告，主要包括：先行测试报告、知识点学习报告、综合学习报告、巩固测验报告以及当堂报告。

3.促进粘性的社区化支持

增强在线学习产品的粘性与吸引学习者加入平台同样重要，如果无法增强在线学习平台对学习者的粘性将会导致大量的入学者辍学抑或活跃度降低。智适应学习系统不仅在于解决学习者对学习内容的精准掌握或者学习快捷路径的引领，更重要的是能够提高学习者的在线学习时长、学习动机和学习兴趣。社区化是提升智适应学习系统粘性的关键途径之一，社区化的主要表现形态包括：师生互动、答疑反馈、智慧伙伴、学习团队以及竞赛比拼等等。通过社区化的智适应学习环境，学习者的在线学习孤独感得到有效缓解，学习者的学习动机和学习兴趣通过知识点的精准测试和学习路径规划获得了极大提高，在与其他学习者的学习分享过程中获得了更多的鼓励和帮助。此外，智适应学习并不仅仅由冰冷的技术设备构成的，其更多地增加了教师对学生学习进程以及学习情感的关注，这些对于学习者学习动机的持续保持以及平台粘性具有重要的价值和意义。

4.快速精准的知识状态监测

知识图谱与算法逻辑的结合实现了智适应学习系统对学习者知识状态的精准监测，为学习者学习效率和学习效果的提升提供了有力的技术和方法支持。纳米级的知识点划分方法为评价学习者的知识状态提供了更加有力的方略，但是如果学生对庞大的纳米级知识点进行测试练习，则会导致学习者陷入到题海战术中，智适应学习系统也因此不会成为个性化的、高效率的学习工具。所谓快速精准的知识状态监测是基于知识空间以及相关算法完成的，其目的旨在通过最少的测试题检测学习者的知识掌握状态，从而避免学习者陷入到大量纳米级知识点的繁重学习测试中。

5.多元化的在线学习内容推荐

学习者的个性化决定了学习资源的多样化，多元化内容推荐机制为实现学习者的个性化需求以及深度理解提供了有效支持。智适应学习系统向学习者提供了涉及音频、视频、学案、测试题、练习题以及拓展题等诸多学习内容，根据学生的学习特征、学习偏好以及学习水平，系统能够以智能组合的形式向学生推送个性化、多元化的学习内容。多元化学习内容推荐，不仅满足了学习者的个性化学习特征需求，而且能够根据知识点本身特征实现学习支持的多元形态表征，为学习者呈现多维立体化的深度学习语境。

6.系统自适应功能的智能优化

“懂你、帮你和伴你”是新时代人工智能支持下的智适应学习系统特征，是类似于AlphaGo这类人工智能技术支持下的个性化学习形态。新时代的人工智能在深度学习、神经网络以及蒙特卡洛树搜索法等技术运用后，形成了神经网络“大脑”并能够进行精准复杂的数据处理，实现了具有人类高级智能的“自学能力”。智适应学习系统充分运用了人工智能技术，它能够比老师或者学习者自身更了解学习者的学习状况。智适应学习系统不仅能够实时监测学习者的学习水平及其知识点掌握程度，而且能够对原有知识图谱以及学习路径进行及时修整与改进。智适应学习系统随着学习者的逐步使用会变得更加聪明，根据学习者学习行为数据的逐渐丰富，系统会对知识图谱、算法模型以及测试内容进行个性化的自主调整。

三、人工智能支持下的智适应学习模式

智适应学习模式主要涉及两个维度，包括：“测、学、练、测、辅”的智适应学习过程模式以及智适应学习的系统结构模式。智适应学习过程模式是智适应学习系统支持下的学习过程系统结构，主要功能旨趣是构建指向精准知识点的个性化学习系统。智适应学习系统运行模式描绘出了智适应学习系统的智能化运行流程以及学习的运行结构序列，为智适应学习过程模式的实现提供了有力的技术支持。

(一)智适应支持的“五星”学习过程模式

智适应学习是一个系统过程抑或系统结构，由“测、学、练、测、辅”等五个基本过程或者环节组成，形成了一个以个性化学习为旨趣的系统化学习过程模式，如图1所示。

图1 智适应学习过程模式

“测”是智适应学习模式的基础和后续智适应学习服务支持的依据。先行测试是智适应学习过程模式的先决条件抑或初始条件，决定着智适应学习过程中个性化的基本路径。先行测试主要目的在于检测学习者的学习能力与先决知识基础，智适应学习系统根据纳米级的知识点分布及学习者的知识水平测评归纳出他们的薄弱知识点以及知识点的学习序列。通过精准的先行测验，智适应学习系统已经掌握了学习者的学习知识基础，为后续系统向学习者提供精准的学习支持和路径规划提供基本依据。

“学”以“测”为基础，“学”以学习资料的个性化推荐和个性化学习服务支持为主要形式，聚焦于学习者知识体系的薄弱知识点。视频学习方式是智适应学习过程模式的基本学习形态，以视频作为主要学习内容的载体和学习形式来实现对学习内容的理解以及知识点的掌握。视频以知识点为基本单元进行组织，学习内容则主要由众多代表知识点的视频集合组成。智适应学习的最大特点是能够记录下学习者在观看视频时的详细学习行为，诸如：时间长度、停顿节点和观看频次等等。系统会根据学习者观看视频的学习行为数据记录推测学习者的学习状况，为学习者推荐相应的学习服务抑或自动生成相应的测试内容。

“练”是检测抑或巩固知识点的有效方式之一，其目的是为每一个纳米级的知识点搭配不同层次、不同难度以及不同形式的习题内容，实现纳米级的知识点细化分层、习题靶向考试大纲以及典型的专业化命题。智适应学习系统中的练习已经超越了答案正确与否的简单测试方式，实现了有目标指向的学习行为大数据分析。智适应学习系统能够监视并记录学习者答题过程中的细节行为，诸如：答题内容、答题时间、答题迟疑、鼠标移动、数据输入等等。通过这些数据的抓取和分析，智适应学习系统能够深刻且全面认识学习者进行练习的相关学习行为，掌握学习者练习的基本特征抑或规律，探明学习者可能依然存在哪些未被掌握的知识点，为他们提供相应知识点的学习帮助或者进行再次测试与练习。

综合“测验”是智适应学习系统向学习者或者教师提供的关于学习者在线学习的综合性报告，与指向薄弱知识点“测”评的前期检测不同，其主要从综合性角度关注先行测验报告、知识点学习报告、综合学习报告、巩固测验报告和在线学习绩效报告，目的是考察学习者对学习内容知识点的综合性评价。综合测验既是一个形成性的检测结果，又是一个总结性的评价呈现。学习者或者教师能够根据相应的评价数据和评价指标对学习过程或者学习方式进行相应的调整与改进，也为学习者进行下一步的学习和辅导提供相应的基础性评价参考。

“辅”即学习辅导，是智适应学习系统与教师教学的深度融合，以教师在线讲授和线下辅导为主要存在形式。教师在线讲授以及与学生互动，弥补了纯粹在线自主学习过程中的学习孤独感、学习挫败感、知识理解的求助困惑以及学习兴趣迷离等问题，教师根据学习者的在线学习测试、学习过程数据信息、综合测试和学习分析等作为学习辅导的参考信息，针对学生进行知识点的精准讲解、探究和答疑解惑。线下辅导主要以搭建的物理空间场域为代表，形成容纳智适应学习系统、辅导教师、学习成员等在内的智慧学习空间，学习者通过智适应学习系统进行自适应学习，通过学习者之间的交流形成知识共生体，通过在线教师的精准教学以及线下辅导教师的引领，进一步提升了学习者的学习效果和效率。

(二)智适应学习系统结构模型

智适应学习系统由诸多功能模块组成，形成了以个性化学习为主要旨趣的有机系统结构模型。模型主要涵盖六大基本功能，包括：学习信息系统、学习分析系统、智能化自适应引擎、学生情况跟踪、学生管理系统、学习内容及数据收集系统，具体内容如图2所示。

图2 智适应学习系统结构模型

智适应学习系统所体现的个性化学习支持源于对学生个体特征数据的收集与分析，学习者信息系统则为个性化学习模式提供了重要的数据信息基础和先决条件。学生信息系统既包括学习者特征、学习风格以及学习基础的相关信息，也包括学习者前测获得的学习者知识点掌握水平。学习分析系统是实现学生情况跟踪和智能化自适应的中介环节，主要功能是实现数据采集、数据格式化以及数据多维化分析。数据分析系统涉及到两大领域，包括：学习者的基本信息数据和内容学习的行为数据。前者针对来自学生信息系统中的数据分析，多以学习者特征的结构化数据为主。后者以学习者在学习过程中产生的非结构化学习行为数据为主，数据内容包括：视频学习行为、测评报告、学习者与平台的交互行为以及综合测验等等。智能化自适应学习引擎是智适应学习系统结构模型的核心环节和要件，它以学习分析系统中提供的数据分析结果作为智适应学习的个性化服务支持基础。智能化自适应引擎主要提供三项功能，包括：个性化的学习内容推荐、纳米级的知识点精准测评以及个性化学习路径引导。学生情况跟踪模块的主要功能在于基于原有学生信息进行学习者的学情动态跟踪，通过系统对学习者的持续跟踪会得到大量学习者学习过程的行为数据并存储于数据库中，通过学习分析系统对这些数据的再次循环分析而实现对学习者学习情况的持续跟踪。换句话说，智适应学习系统的“智”体现于通过对学习者的学习行为数据持续跟踪，系统会随着学习者的学习能力、知识点的掌握而呈现出动态的发展过程，它会变成越来越懂得学习者的专家型智能教师。教师端的学习管理系统主要用于跟踪学习者的学习情况、信息反馈和相应措施采取，其基本指向是调整学习者的学习内容，包括：学习内容类型、知识点难易度、知识图谱学习路径以及知识点学习的时间序列等等。

总体上讲，智适应学习系统由两类数据形态以及三个闭环信息循环系统构成。两类数据形态指学生信息系统和学生数据库，前者功能在于存贮学习者的相关个性特征信息，并为初始的适应性学习服务提供相应依据，后者是学习者在学习过程中动态生成的学习行为数据信息。三个闭环信息循环系统主要涉及适应性学习、学习管理以及学情跟踪三个维度。第一个闭环信息循环系统是智能化自适应学习循环系统，包括：学习分析系统、智能化自适应引擎、学习内容、学习者、学生数据以及学习分析系统，该系统主要功能是向学习者提供个性化的智适应服务支持。第二个闭环信息循环系统是教师学习管理系统，包括：学习分析系统、学生情况跟踪、教师、学习管理系统、学习内容、学生以及学生数据，该系统的主要功能是个性化学习内容、知识点以及学习方式的推荐。第三个闭环信息循环系统是学生学习情况跟踪系统，主要由学习分析系统、学生情况跟踪、学生和学习内容等组成，其功能是持续不断地获取学习者的相关学习数据信息。基于数据信息流的基本理论，将不同的系统和节点有机地组织在一起，形成了一个以学习者个性化学习为中心的智适应学习系统。

四、人工智能支持下的智适应学习案例——以初中物理“光现象”学习为例

乂学智适应学习系统是目前国内最具代表性的人工智能技术支持下的适应性学习系统，众多培训机构纷纷引进该学习系统并进行实践教学，得到了学习者、家长以及培训机构的高度认可。文章以一所K12培训机构的学生为个案，阐述智适应学习系统针对初中物理知识的具体应用过程，呈现人工智能支持下的智适应学习的基本过程、学习体验和学习效果。

(一)智适应学习案例简介

以一名八年级学生的智适应学习过程为例，该生已经在学校中学习过了“光现象”的相关知识，他在关于“光现象”知识点的小测验中仅得56分，在班级排名中处于下等层次。访谈发现，该生平时认真听讲、勤奋努力并且认真完成作业，对于知识点也自认为完全掌握，但是成绩并不理想。为此，邀请该生在乂学智适应学习系统的支持下进行适应性学习，针对该生开展了智适应学习模式教学，学习形式采用“智适应学习平台+QQ+教师辅导”的远程学习形式进行。

(二)智适应学习基本过程

1.信息完善与学前智检

首先，要求学生填写信息系统中的相关信息，包括：身份信息、个性特征以及学习情况等等。其次，在辅导教师的引领下完成学前智测。智适应学习系统中已经预设了有关“光现象”的纳米级知识点，诸如：光的反射、平面镜成像、光的折射和色散等等。学习者在教师的指引下完成相应的知识点测验活动，生成先行测验报告。测验报告信息表明，学习者在光的反射和折射方面表现出薄弱的知识点倾向，诸如：反射角、入射角、折射角以及实践问题的解决等等。

2.推送资料与开展学习

根据学前智测的数据分析，乂学智适应学习系统向学习者推送了指向薄弱知识点的相关学习资料和内容，包括：视频、文本和图片等等。在“光现象”的知识点学习过程中，学习者收到了来自智适应学习系统的有关光反射和折射的学习资料，学习者通过观看视频和文本内容等实现了针对薄弱知识点的学习，避免了学习者重复做题和刷题行为，提高了学生的学习效率。在学习过程中，智适应系统根据学习者对知识点的学习情况进行知识点逻辑关系以及学习路径的动态调整，并为学习者提供相应的知识点学习报告。

3.难度分层与靶向练习

在对学习者薄弱知识点进行精准定位后，智适应学习系统将会引领学习者进行知识点的辅助学习。根据知识点的难度层次及其先后逻辑顺序，智适应学习系统将“光现象”的知识点进行难度分层处理，为学习者搭建了从易到难的知识点学习路径。以“光反射”的学习内容为例，其知识点包括：反射定律(入射光线、反射光线、反射面、入射角和反射角)、光的可逆性、镜面反射、漫反射。根据这些知识点以及知识点的纳米级细分，智适应学习系统会为每一知识点提供相应的学习资源，诸如：图片、视频以及文本注解等等。根据学习者的知识点学习情况，智适应学习系统为每位学习者提供了针对性的靶向练习。靶向练习不仅针对性地指向了纳米级的知识点，而且其目的直接与教学大纲或者教学目的紧密相关。

4.课后测试与学习分析

综合学习报告是智适应学习系统对学习者所有相关知识点掌握状况的评价，实现对“光现象”知识点的综合学习评价。通过学习分析系统对学习者学习行为数据进行综合性分析，精准定位他们的薄弱知识点以及学习过程中存在的问题。譬如，在学习者“光现象”知识点的综合报告中，该生在光反射定律的应用方面存在着明显薄弱，在练习和测试过程中出现了错选以及解答错误的现象。随后经过对学生知识点的精准定位，分析学习者到底哪些知识点通过自学仍然还没有掌握，所提供的学习内容及其类型是如何影响学习者的，这些分析为后续关于“光现象”知识点的学习内容和类型推送提供了评价参照。

5.攻克漏洞与学习辅导

在智适应学习系统支持的学习模式中，辅导教师依然具有非常重要的作用，主要价值在于实现对学生动机、情感以及育人方面的支持。学生在与教师的和谐互动过程中，教师能够详细了解学习者对“光现象”知识点的掌握程度，特别是能够了解学习者在学习过程中所存在的情感以及内在心理活动情况。通过师生互动及其教师对学习者知识点的针对性指导，学生的学习动机、困惑以及学习方法得到了明显提升，对“光现象”知识点也实现了高精准掌握。

(三)智适应学习效果与优势

1.知识点掌握的精准度显著提升

学习者通过智适应学习模式学习后，对“光现象”知识点的掌握精准度、理解能力以及应用能力明显提升。在“学前智检”的学习者知识点测试中，选择题正确率为40%，应用题正确率为30%，综合评价得分为52分。通过智适应学习模式学习后，学习者的选择题正确率为90%，应用题正确率为80%，综合评价得分为85分。

2.学习者的兴趣明显增强

学习者在整个“光现象”知识点的学习过程中表现出积极的学习动机和浓厚的学习兴趣，具体学习体验包括三个方面，即：精准掌握自己的薄弱知识点、多维评价指标的详细呈现、友好的在线互动交流。学习者认为，在经历了“先行测试报告、知识点学习报告、综合学习报告、巩固测试报告、当堂报告”等一系列测评后，对“光现象”的知识点有了更加深刻的理解，对“光现象”知识点的广度、深度以及之间的联系有了系统掌握，通过与教师对薄弱知识点或者错误知识点的讨论进一步促进了学习者对知识点的理解与能力提升。此外，在线教师的远程辅导与情感沟通，进一步促进了学习者的知识点理解，提升了智适应学习系统对学习者的吸引力。

3.学习效率得到迅速提高

教师讲解以及知识点测评针对学习者的知识薄弱环节进行，避免了刷题行为所导致的大量学习时间浪费。平时的课堂练习或者家庭作业经常使该生忙于处理各种自己熟知的知识点，难以挤出时间去探究令自己困惑的难题。相比之下，智适应学习平台则通过学习者的知识点测评，精准分析出学习者有限的薄弱知识点。因此，远程辅导教师将针对有限的知识点对学习者进行辅导，学习者也将更多地时间用于探究相应的学习内容。

简言之，智适应学习模式与课堂教学相比具有三大基本优势：第一，1:1的专家型“教师”辅导。师资分布不均衡以及班级化授课使得学生难以得到专业教师的一对一个性化学习辅助，智适应学习系统随着学习者的学习行为发展会变得更加聪明，能够向学生推送精准的学习资源和学习资料，使每一位学习者都具有能够懂自己、帮助自己进行个性化学习的专家型教师。第二，高效率的精准学、练、测。智适应学习系统避免了通过大量重复性测验提升学习者成绩的方法，能够针对学习者的薄弱知识点提供学习资料、视频抑或文档，极大地节省了他们的时间，显著地提高了他们的学习效果和效率。第三，人机融合的混合学习模式。人机融合消解了学生学习时的孤独感，实现了智适应学习系统的精准学习支持，促进了教师与学生在情感、沟通或者引导等方面的有机融合，进一步提高了学习者的学习动机、学习兴趣和学习持续性。

(四)研究局限与对策

1.模式应用范围

智适应学习模式的应用案例表明，学习者对智适应学习效果以及学习体验高度认可，学习者的知识点掌握程度得到明显提升，但是由于智适应学习系统尚处于推广阶段，主要应用于K12的培训机构中，几乎未进入到学校的教育体系，无法进行大规模学习者的学习效果实验比较。在当前的教育体系中，国家教育部门需要投入研发类似的人工智能技术，进而满足班级授课制中学习者个性化的学习需求。

2.知识点的表征

纳米级知识点为精准定位学习者的薄弱知识点和学习捷径引领提供了有力条件，但是乂学习系统中并未为学习者开发出针对不同知识点的多元化表征资源，主要由在线教师讲解和教育机器人的辅导完成，学习者难以通过操作、观看以及实验的方式进行探究性学习，师生之间的互动仍然以知识的传授为主，如何从知识传授到知识共生的转变是智适应学习面临的挑战。从知识传授到知识共生进行转变的最好方式之一是向学习者提供针对知识点的多元化表征资源，能够为学习者创造一个可供探究的学习环境。

五、结语与展望

人工智能的最大特征是能够模仿人类的知识、技能、推理以及智慧以完成复杂的行为和目的，“人工智能+自适应学习”打造出了具有专家型教师素养的智适应性学习系统，能够像专家型教师一样实现对学习者知识点的精准教学和学习路径的引导。智适应学习系统通过算法、纳米级知识点以及知识空间理论等，实现了对学习者知识点的精准定位、个性化的专家型教师指导以及多模态的学习评价。智适应学习系统及其学习模式为人工智能促进个性化学习提供了卓越的理论和实践范式，实现了“因材施教、因材促学”的理想学习方式。智适应学习系统利用人工智能技术模拟了近百位特级教师的经验和智慧， 融合了线上与线下的教育方式，为破解班级授课制中的模式化、标准化的学习困境提供了更好的解决路径。随着人工智能技术的飞速发展以及教育应用，学习者的个性化学习需求将会得到更大的满足，教师角色也将从更多的知识传授转向学习引领与育人方向。