赵 顺

一、研究背景

教育是人类发展进步的基础和阶梯。在教育发展的历史中，为适应农耕发展人类主要经历了从个别的原始教育走向个性的农耕教育的转变；工业化发展以来，从个性的农耕教育走向班级授课式的规模化教育，以及正在经历的从规模化教育向个性化教育的转变[1]。从社会发展的角度看，班级规模化的授课大大提高了授课效率，保证了学生获得系统的科学知识，适应了工业化大生产所需要的大量的受过系统训练的劳动力需求，保证了劳动力受教育水平的一致性和技能的规范化，是社会发展阶段的必然[2]。然而，这种教育方式忽视了学生的个性化差异，加之教学模式落后、课业量大[3]，不仅影响学生的学习主动性，而且降低了学生的学习效率。因此，推进教师个性化教学是满足学生个性化成长的必经之路。然而，在个性化教学的互动层面上，对教师水平、能力要求高，需要教师知识储备量大且反馈要及时准确；同时，如何在实施个性化教学的同时，让学生形成教育的共同体，给予学生团队集体合作的意识、能力的训练，也对个性化教学提出了很高的要求。因此，积极探索个性化教学与规模化教学模式的组合优势，以适应学生个性化成长，是教育工作者积极探讨的热点。在人工智能技术条件下，自适应学习(self -adaptive learning)平台可以根据学生个性成长需求提供个性化的资源，并记录、挖掘、分析学生的过程性数据，同时以可视化的形式呈现数据，为教师、学校评估学生的学习与成长，发现、预测可能的问题提供数据支持，方便教师、学校进行个性化指导，以便提高学习质量。

二、个性化自适应学习研究进展

自适应学习应用于学生的自主学习，它包括学生模型、领域模型和适应性引擎3个重要的组成模块[4]。由于自适应学习平台能够采集学生学习过程中的行为数据，通过大数据分析等技术实现对学生学习全场景的行为数据分析、反馈，可视化的数据报告将学生的学习成果、教师的教学质量及时地反馈给学生与教师，方便学生与教师明确目标，精准学习[1]。因此，该种平台受到国内外学者的一致推崇。以美国Peter Brusilovsky教授为代表的学者，针对学生个性化学习需求，研发了 InterBook，ELM-ART，Knowledge Sea，TaskSieve，iWeaver，INSPIRE等多款自适应学习平台。在国内，个性化自适应学习的研究和实践尚处在起步阶段，在众多研究中，余胜泉教授、陈品德博士、赵蔚教授的研究很具代表性。余胜泉教授从学生学习诊断、学习策略和学习内容的动态组合等3个模块在国内较早地提出了自适应学习的相关学习模式[5]。陈品德博士在《基于Web的适应性学习支持系统研究》中设计了A-Tutor(Adaptive Tutor)原型系统[6]。赵蔚教授团队研发了一款个性化自适应学习系统，实现了学生风格模型初步建构、学生认知模型建构、学习路径个性化推荐、兴趣偏好推送[7]。近年来，以Ai学智慧教育平台为代表的一批人工智能智慧学习平台兴起，为个性化自适应学习的实践提供了有力的技术支持和数据资料，为教育改革提供了“第三条途径”，即为教师从大班教学转向指导学生个性化学习提供技术支持，让教学兼顾大班授课与学生个性化需求成为可能。

三、Ai 学个性化自适应学习应用程序的使用实践

Ai学智慧学习平台将大数据、人工智能解题、图文识别等核心技术与教学教研深度融合后，为教育监管部门、学校、教师、学生和家长提供了一整套的、个性化的智能教与学解决方案。在本文的讨论中，仅以该平台中的“自主学习”(自适应学习)应用程序的使用和数据进行分析，从单一应用程序的使用情况出发，细致剖析其应用效果。

自适应的学习模式就是要以培养学生的自主学习能力为目的。然而，当前的教育模式对于如何培养学生的自主学习能力缺少有效的策略和实施条件。个性化自适应学习应用程序的开发为学生的自主学习创造了有利条件，有助于教师、家长、学校对学生发展需求的理解，进而影响教师、家长和学校为学生学习提供针对性的指导策略。如图1所示，为Ai学自适应学习模式。自主学习起点是学生学习过程中的行为数据，关键步骤是智能诊断。智能应用程序根据诊断结果锁定学生资源需求，设计相关策略，提供适合学生的学习资源推送。学生在学习过程中，系统实时监控、调节和修正相关学习状态，及时地对学生进行评价、总结，当“数据—诊断—学习—达成目标”一个循环之后，系统自动根据学生需求进入下一个知识学习或者更深层次知识学习循环，逐步促进学生发展。

图1 Ai学个性化自适应学习模式

江苏某高中是江苏省首批“三星级高中”，在2018年3月引入Ai学智慧学习平台，使用班级在数、理、化、生4科中应用该平台。在平行使用班级中随机选取一个班级，并选取物理作为代表学科进行分析。结果如表1所示，该班级上学期未使用该平台的期末成绩作为前测成绩；本学期开始后，该班级引入Ai学平台，教师按照之前的教学模式进行常规教学、错题讲解与订正。经过一学期的使用，进行期末考试检测，该成绩作为后测成绩。

表1 成绩统计

通过表1可以看出，经过一学期的自适应学习应用程序的使用，该班级学生成绩整体提高：年级前20%的学生人数增加3人，20%～40%阶段的学生人数增加到14人，后40%的学生人数从12人减少至4人。

图2 前测、后测成绩排名变化

图2为班内学生在前测、后测之后成绩的排名变化，横轴表示班级排名，纵轴表示年级排名。可以看到，班级内学生均有不同幅度的进步。结合使用行为数据进一步分析，上文图1所说的个性化自适应学习起点是学生个性化的数据，在这里自主学习应用中的习题作为数据源之一，“自主学习”应用程序就会根据学生错误习题进行知识点分析，给出相似、相关的练习，从易到难，帮助学生有针对性地练习、夯实基础，同时该应用程序会记录下学生的做题情况和查看错题的时间。从表2中看出，即一学期时间段内，全班37名学生在“自主学习”应用程序中的做题数量统计和错题查看总时长。从表中可以看出，该班级学生在本学期人均做题约172道，人均查看相关的错题时长为3.4小时。由此可见，学生在逐步地养成自主学习的习惯，在学会自己做题、查漏补缺。进一步分析其进步原因，主要有以下三点。(1)当学生在应用程序中完成题目后，反馈评价及时，能够快速帮助学生明确“目标”：题型、难度和题量等不像以前的传统作业，一份作业要1～2天内才有反馈。(2)目标明确，在明确自己不足的情况下，学生能够主动激发学习动力，化被动为主动。(3)有“奖励”，系统会根据学生的表现，如做题数量、正确率、时间分配等给出“战斗力”，让学生不只有“考试成绩”评价，评价的多元化也让学生的日常表现积极性不同程度地增加。

表2 数量统计

图3为典型学生在2个月内的自主做题情况，该学生上次在年级排名40名，后测年级排名第8，进步显著。从图3可以看出，该学生每天定量练习相似、相关题目，当出现错误题目，系统能帮助学生推送针对性的练习，直接解决了学生盲目练习的问题，同时持之以恒的练习也能够帮助学生养成良好的学习习惯。

图3 典型学生在两个月内的自主做题情况

四、结语

智能时代的到来为以学生为主体的个性化教育变革提供了兼顾个性化教育与班级规模化教育的有效途径。文中分析了部分Ai学智慧教育平台数据，自主学习应用程序能够根据学生已具备的知识和技能，实时调整学生所需要的学习内容，对学生所需要资源如相应难度的练习进行精准推送，进行针对性的练习，使有效练习量增加，直接解决了课业量大、学生盲目练习的问题，增效的同时为学生减负。这从技术上解决了传统教育中机械的教学体系，让个性化的“私人订制”教学服务成为可能。