梁茜 皇甫林晓

【摘要】 自适应学习是教育人工智能的重要技术手段之一，致力于通过对学生教育数据的挖掘以促进个性化学习。运用共词分析法，对从2008年至2018年国外自适应学习技术的研究现状进行了可视化分析，将近10年来国外自适应技术的研究主题划分为四类：智能学习环境创设研究、自适应技术支持下的个性化学习研究、教师适应性学习研究、基于自适应学习技术的理科教学实践创新研究。国外自适应学习技术的研究趋势主要体现在三个方面：将技术与人员整合，促使教师成为“适应性专家”;将技术与课堂整合，从学习分析走向学习调节;将技术与高等教育整合，构建自适应学习技术的研发智库。最后与我国的研究情况相对比，指出今后我国未来研究应更多关注学习的干预和调节、自适应学习技术的环境创设、教师适应性教学素养以及自适应学习产品开发的相关研究。

【关键词】  自适应学习;教育人工智能;学习分析;个性化;智能环境;混合学习;泛在学习;教师适应性专长

【中图分类号】  G420       【文献标识码】  A       【文章编号】  1009-458x（2019）8-0047-12

一、引言

如今，教育人工智能正在深刻地影响着教育的形态。沃尔金顿（Walkington， 2013）指出自适应学习技术（adaptive learning technology）作为教育人工智能中新兴的技术手段，集学习分析、学习测评、学习调节等技术为一体，以学习者的背景、经历、知识存量、需求与兴趣等为基点，致力于最大限度地挖掘学生的教育数据进行分析，为不同的学习者提供个性化学习通道。国外有关自适应学习技术的研究开展较早，始于1996年Peter Brusilovsdy提出的自适应学习系统模型，至今已经形成了较为丰富的理論和实践成果，先后出现了许多渐趋成熟的自适应学习平台，如Knewton、Smart Sparrow等（转引自韩建华， 等， 2016）。在2017年的新媒体联盟地平线项目中，将自适应学习技术作为在未来一年内会广泛采用的近期技术（徐健晖， 2018）。因此，对自适应学习技术的研究及应用将极大影响着未来的教育实践。本文通过对Web of Science核心合集中收录的471篇相关文献进行关键词的共词分析，试图描绘近十年来国外在自适应学习技术领域的研究图景，为我国自适应学习技术的研究提供参考框架，推进我国在教育人工智能领域的发展。

二、数据获取及研究方法

本研究通过共词分析法对国外自适应学习技术的研究现状与趋势进行可视化分析。

（一）样本抽取

1. 文献来源：本研究使用的数据来源于Web of Science（简称“WoS”）。

2. 检索时间：2018年3月。

3. 时间区间：2008年至2018年。

4. 检索条件：以主题=“learning adaptive”OR“learning adaptive technology”OR“Adaptive educational technology”OR“adaptive learning”，数据库=“Web of Science核心合集”，文献类型=“article”，Web of Science类别勾选“educational research”。

5. 文献筛选步骤

第一步，输入关键词，获得初始样本715篇。

第二步，文体类型筛选。一般认为，期刊论文相比其他类型的研究材料能更敏锐、更直接地体现研究热点和前沿（张斌贤， 等， 2009）。因此，由两位研究者共同浏览所得初试样本的题录信息（由SATI软件导出，包含样本名称、摘要和关键字等信息），讨论筛除了新闻报道、会议摘要、著作简介等非期刊论文和正式的会议论文的资料，得到期刊论文528篇。

第三步，研究内容筛选。主要依据文献与所研究内容的关联度、文献被引频次及学术影响力、文献研究方法的科学性与规范性进行进一步筛选，此步骤由两位研究者分别进行。

第四步，确定最终研究样本。对照第三步中两位研究者的筛选结果，将存在争议的样本交由有关专家进行二次判断与筛选，最终确定有效文献471篇，作为本研究的数据来源。

（二）研究方法和工具

在研究方法和工具方面，本研究主要运用关键词共词聚类分析法和社会网络分析法，先使用SATI 3.2进行关键词词频统计、高频关键词筛选和共词矩阵生成，再运用相关算法将高频关键词共词矩阵转化为高频关键词相异矩阵，并利用SPSS 23.0进行系统聚类分析，以得到国外自适应学习研究的相关主题类别。最后，运用UCINET 6软件绘制近十年国外自适应学习研究的社会网络图谱，统计分析有关自适应学习研究关键词的中心度情况，以可视化的形式呈现研究领域的热点、薄弱点及未来趋势。具体研究过程如图1所示。

（三）数据统计与分析

1. 高频关键词提取

共词分析法的核心在于对研究资料关键词之间共现关系的把握，可以在一定程度上表征相关研究领域的研究主题及热点。因此，本研究的第一步首先利用SATI 3.2软件提取相关文献的关键词，得到关键词共计997个。通过重复含义关键词的整理合并，选出出现频次大于等于3次的关键词作为高频关键词，共计47个，部分高频关键词如表1所示。结合WordArt词语云分析技术对47个高频关键词进行云视图分析，可以看出，近十年来国外对于自适应学习技术的研究热词集中在学习风格、学习环境、教学策略、智能、移动学习、在线学习等方面。

2. 高频关键词矩阵结果生成

利用SATI 3.2软件生成21*21高频关键词共词矩阵，部分数据如表2所示。利用Equivalence系数算法将高频关键词共词矩阵转化为相似矩阵，接着在EXCEL中用1与全部数值相减，得到高频关键词相异矩阵，部分数据如表3所示。

三、近十年国外自适应学习

技术的研究主题

根据由47个关键词构成的相异矩阵，利用SPSS 23.0软件进行系统聚类分析，得到高频关键词共词聚类树状图（如图2所示）。依据相关划分原则，将国外自适应学习研究主题划分为十六类（如图3所示）。

结合相关文献和共词情况分析，对聚类统计所得16个较为细化的研究类别进行二次筛选与合并，得到近十年国外自适应学习技术研究主要关注的四个主题，每一类别所包含的关键词如表4所示。四个研究主题分别为智能学习环境创设、个性化学习、教师适应性学习、理科教学实践创新，分别关注了自适应学习技术发展下的学习背景、个性化学习过程、教师专业发展以及在教学实践中的应用案例。图4描述了四个研究主题分别所占总体研究文献的比重及所含的主要关键词。其中，扇形面积最大的“个性化学习”主题的研究数量（相关文献202篇）与关键词分布最多，其次是“智能学习环境创设”（124篇）、“理科教学实践创新”（相关文献103篇），“教师适应性学习”（42篇）的研究数量最少，说明这部分的研究还比较薄弱。

（一）智能学习环境创设研究

智能学习环境的创设是自适应学习技术关注的一大重点，学习环境的重塑和创新直接影响着学习的过程和效果。已有研究主要关注了自适应技术支持下学习环境的交互式、泛在式特点，利用学习风格建模和情境感知等技术为学生创设智能化的学习环境。

1. 基于课堂教学改进的交互式智能学习环境研究

交互式智能学习环境的创设是自适应学习技术研究的一个重要领域，旨在将学习者置于交互式智能学习环境中，使学习者拥有充足的学习机会并获得及时的建设性支持，从而产生有效的学习效果。已有研究主要通过对人机交互的智能学习环境创设来思考如何改进课堂教学、形成技术支持的教学设计与策略。第一，以人机交互的学习环境促进人人交互的学习生态。在智能学习环境创设的过程中，人机交互是基于虚拟现实（VR）技术为用户提供体验、走向应用的关键，主要通过教育媒体与信息技术为学习者提供可理解或可操作的反馈信息使学习者处于一种动态交互的学习环境中。通过创设交互式智能学习环境可以打破传统的课堂物理环境与精神环境，基于每一个学生的特性创设个性化和适应性的学习方式。第二，以学习风格偏好分类建构适应性学习环境，即在个体差异性的基础上为不同学习者提供个性化的学习环境。学习风格是在创设适应性学习环境时考虑到个体差异时使用的最重要的参数之一。巴斯等（Bas & Beyhan， 2010）的研究表明在设计学习和教学环境时考虑到个体差异可以提高学习活动的有效性和效率，格拉夫等（Graf， Liu， & Kinshuk， 2010）提出基于特定学习风格的适应性学习环境更具生产力，能创造更高的满意度。第三，以学习环境智能反馈促进课堂评估及教学调整。Fu等（Fu， shimada， Ogata， Taniguchi， & Suehiro， 2017）设计的编程语言教育系统LAPLE可以幫助教师更好地把握学生的学习情况，尤其是根据学生的课堂行为确定学生学习的困难点，使教师及时调整教学策略。

2. 基于情境感知技术的泛在学习环境研究

情境感知旨在通过利用人机交换或者传感器等设备为特定情境下的用户提供适合的服务或信息。这允许人们在不同情境的异构学习环境中广泛获得多元化的领域知识（DK），实现学习者无处不在的沉浸式学习体验。泛在学习（Ubiquitous Learning， U-learning）是任何人都可以在任何时间与地点利用任何设备获取所需要的学习资源，随时随地可以享受学习服务的过程。虽然泛在学习具有信息丰富的特点，但是在提取有效信息上有难度，基于自适应学习技术的情境感知恰好弥补了这一缺陷，能为学习者提供针对个人的高沉浸感的服务。Hsu等（Hsu， Chiou， Tseng， & Hwang， 2016）设计了一个基于情境感知技术的主动学习支持系统ALESS，该系统能够积极地对不同的学生提供学习支持，对学习任务进行诊断与评估，自动形成反馈并提供实时的个性化建议。该系统的实验结果表明，在ALESS的帮助下学生学习效率更高，学习效果更好。

（二）自适应技术支持下的个性化学习研究

个性化学习是自适应学习技术的本质追求，近十年来国外学者主要将研究目光聚焦在自适应技术对于学生个性化学习过程的支持、调适与改进。主要的研究可分为线下为主的基于学习分析技术的个性化学习辅导、MOOCs背景下的个性化学习调适以及线上线下相结合的混合学习模式创新研究。

1. 基于学习分析技术的个性化学习辅导研究

学习分析技术（Learning Analytics， LA）是利用松散耦合的数据收集工具和分析技术研究学习者的学习参与、学习表现及学习过程，进而对课程教学和评价进行实时修正（吴永和， 等， 2017）。自适应学习技术基于“以学习者为主体”的理念对学习分析提出了两个要求：关注学习者的个性差异以及培养学习者的自我调节学习能力。从2011年至今，学习分析作为高等教育中教育技术的重要进展连续出现在《地平线报告》中，2016年自适应学习技术与学习分析一起出现，体现了学习分析在监控、调整学习方面的具体目标（Liu & Sun， 2014）。经过十年的发展，学习分析的任务已从描述学习、诊断监控学习走向干预辅助学习，而在干预辅助学习阶段智能教学系统（Intelligent Tutoring Systems， ITS）和自我调节学习（Self-regulated learning）则为其提供了技术保障，共同支持着真正以学生为中心的个性化学习进程。其中，学习分析技术应用于个性化学习的数据采集及过程监控阶段。卡斯特利亚诺斯-涅韦斯等（Castellanos-Nieves， et al.， 2011）根据学习者的个性特点和学习风格偏好引导学生的自主性学习和探究性学习，通过设计知识库、规则库和教学库等提供个性化的课程与教学。语义网络（Semantic Web）是学习分析技术的关键，其核心是一种灵活而通用的语言，能够轻松地表示和高效地整合不同性质的信息，主要运用在学习分析中提供反馈，帮助教师更加了解学生并调整与设计新的学习内容和教学过程。

在对个性化学习的辅助、干预和指导阶段，智能导师系统和自我调节学习则起着越来越关键的作用。巴罗斯等（Barros， et al.， 2011）认为智能教学系统是一个可以有效改善学生学习过程的软件系统，因其以自动方式提供交互指令，可以随时随地为每个学生提供支持，真正地以学习者为中心。国外有关智能教学系统的研究和应用案例广泛，如贾克斯（Jaques， et al.， 2013）等人研究的ASSISTment，现已在成千上万的中学用作协助教师教学和学生学习的工具。莱瑟姆（Latham， et al.， 2012）等人开发了能够为代数问题解决提供分步指导的智能教学系统PAT2Math。截至目前，国外高校对智能教学系统的研发越来越多，借助虚拟现实、人机交换、情境感知等技术不断增强系统功能。其中，自我调节学习技术作为与智能教学系统相辅相成的一种新兴的学习技术，有助于学习者自主管理学习过程，通过元认知与对社会的认识获得认知的自主权。伊瓦涅斯等（Ibá?ez， et al.， 2015）基于增强现实（AR）技术研究了学生的自我调节特质是如何影响学生的学习结果的。卢伊设计的（Looi， 2015）“My Desk”可以引导学生以一种自我调节的方式去学习，并思考“我已经知道了什么”“我想知道什么”“我学到了什么”等问题。自适应教育环境中的自我调节学习还涉及自我评估（Chen， 2010）、自我决定（Jeno， et al.， 2017）和元学习（Tabuenca， et al.， 2015）等。

2. MOOCs背景下的个性化学习调适研究

大规模网络开放课程（MOOCs）为传统教育模式注入了前所未有的活力，很大程度上改善了优质教育资源短缺及分配不均的难题。但是，由于其巨大的资源库带来的庞杂的信息量，加大了其在实际应用推广中的难度。如何挑选适合自己的课程方案成为影响师生在线学习成效的一大难点，而自适应学习技术的发展恰好弥补了这一不足，其中个性化推荐系统、自我调节学习、适应性超媒体系统、决策树等技术的发展使MOOCs背景下的学习资源得以个性化配置与有效整合，创新了在线学习的个性化调适功能。

个性化推荐系统旨在为学习者推荐适应性的学习材料，即利用个性化情境感知技术，通过计算机系统和快速响应代码界面输入为学习者立即获取适应的学习材料和最佳的学习路径，给予学习者智能化的帮助（Yao， 2017）。格豪斯和阿布杜拉（Ghauth & Abdullah， 2010）根据学习者的评分为学习者提供具有相似内容的学习材料，证明了个性推荐系统比传统的只提供内容的电子学习系统表现力更好;阿赫和洛博（Aher & Lobo， 2013）使用聚类算法和关联规则算法构建智能化的课程推荐系统，用于在线课程中向新生推荐课程非常有效;埃尔巴拉维（Elbadrawy， et al.， 2016）等基于个性化推荐系统利用多重回归和矩阵分解法评估课堂和预测学生未来课堂中的学习表现。适应性教育超媒体系统（Adaptive Educational Hypermedia Systems， AEHS）则应用于记录学习者的特征并形成学习者模型。超媒體是相较于传统的线性文本而言的，目的在于为记录学习者的学习轨迹并给定学习者个性化学习体验。关于教育超媒体的研究主要与适应性学习系统相关，利用教育超媒体广泛的资源为不同偏好的学习者动态提供合适的学习资源。决策树（Decision tree）及神经网络算法（Neural network algorithm）则主要用于对在线学习的效果进行绩效评估。基于贝叶斯网络分类器（Bayesian Network Classifier）开发的决策模型，可以根据学生的喜好进行推理、适应变化。穆罕默德和塔西尔（Mohamad & Tasir， 2013）指出在教育大数据的支持下，通过使用决策树和神经网络算法来创建数据挖掘模型，可以对学生的学习绩效进行评估，还能预测学生的行为模式。

3. 混合学习模式创新研究

混合式学习可以将传统课堂学习与在线学习有机结合，从而将教师的“教”与学生的“学”有效融合，是对MOOCs的进一步优化。自适应学习技术的发展为混合学习带来了许多创新进展，大体上有三点：一是线上线下同步学习追踪。穆塔希（Mutahi， et al.， 2017）等通过认知学习伴侣（Cognitive Learning Companion， CLC）跟踪学生在课堂上的参与度和表现，将学习者线下学习的参与度和线上学习的数据结合起来推断学习者的认知与情感状态。二是构建学习者行为模型，通过统计和预测学习者行为变化构建模型，以提高学习绩效。帕克等（Park， et al.， 2017）利用统计技术检测学生在线点击流数据以研究学习者在传统课堂与线上课程中的行为变化，并对学习者的表现进行及时反馈。三是学习者学习行为评估研究。在混合学习模式中，学习者可以根据自己的需要和兴趣自主选择、自主规划、自我调节、自我改进学习过程。科林等（Corrin， et al.， 2017）发现，可以通过一系列自我评估任务来监督和评估学习者线下学习和线上学习的过程，还可以确定学习者参与学习过程的动机。

（三）教师适应性学习研究

当前，重视教师的个性化学习需求成为教师专业发展的趋势。自适应学习技术在教师的自适应学习和专业发展中的应用也日益增多。大体来说，国外已有研究主要关注教师自主学习、专业培训、支架式教学实践、适用性专长形成几个方面，基本囊括了自适应技术发展背景下教师学习的全过程。

在教师自主学习方面，自适应学习技术能够为教师推荐个性化课程以满足教师学习的需要。例如，达尔顿等（Dalton， et al.， 2016）在通用设计学习和在线教师培训的基础上设计小型在线开放课程满足不同教师的学习需求。在教师专业化培训方面，相关的实践主要集中在运用推荐系统和学习分析等自适应技术对教师专业发展进行培训，开发了适应性MOOCs的框架，该框架运用混合式学习做MOOCs的补充，通过分析教师的学习需求与偏好，旨在为教师专业发展设计专门的培训课程（Gynther， 2016）。支架式教学是教师在具备一定的信息技术素养的基础上所进行的教学实践，主要是指教师引导学生进行同伴学习或者探索性学习。穆霍宁等（Muhonen， et al.， 2016）认为在现有研究中支架式教学常用作为学习者提供支持的同义词，如教师通过引导学习者详细阐述已掌握的知识，利用探索性问题，依托信息技术手段指导学生的语言学习，构思观点和概念。

在自适应学习技术蓬勃发展的背景下，教师的适应性专长（adaptive expertise）备受关注，使教师成为适应性专家（adaptive expert）逐渐成为教师专业发展的目标之一。这种专长与常规性专长不同，能使得个人在不断变化的工作环境中具有高水平的表现。安东尼和亨特（Anthony & Hunter， 2015）认为，教师的适应性专业知识应以灵活、创新和创造性能力为特征，可以被视为一种心理社会结构，包括关注、控制、好奇心和信心维度，根据自身的教学需要和学生的适应性需要不断调整、充实。可见，适应性教师的本质为对每一个学生的参与、学习及幸福有高度的道德责任感，将建立专业知识为目的进行持续的探索作為专业精神的核心。虽然国外自适应学习技术在教师学习和专业发展中的研究已经有了初步的进展，但相关理论和实践还有待持续的深入。

（四）基于自适应学习技术的理科教学实践创新

虽然国外对于自适应学习技术的研究如火如荼，但真正引入教学实践的系统案例还相对较少。梳理已有研究文献可以发现，自适应学习技术在以问题为导向的理科教育中应用相对广泛，为学习者提供了知识理解、构建与连接等方面的适应性支持。基于教育数据挖掘的评估与反馈、基于协作脚本技术的合作学习行为以及基于游戏程序开发的能力提升是已有研究关注的主要方面。

其中，教育数据挖掘（Educational Data Mining， EDM）关注探索与发展教育的方法，旨在获取教育背景下关于学习者的独特数据并进行分析。教育挖掘技术重在建立适应性用户模型，包括知识、动机、元认识与态度等方面，为学习者提供实时的自适应反馈。当前教育数据挖掘的研究比较关注使用电子学习软件，如Moodle、WebCT、Blackboard等，对于未来的研究将进一步扩展到社交网络工具，如Blog and Facebook等日志数据。协作脚本（collaboration script），即将协作活动脚本化，通过类似指令的方式以规范学习者的行为，从而实现协作活动的一种技术。在教育领域中，协作脚本是团队合作、协作学习的重要支架，大致可分为认知脚本和社会脚本、微脚本和宏脚本、内部脚本和外部脚本三类。国外关于协作脚本在自适应学习环境中应用的案例非常丰富。早在1988年丹塞洛设计了脚本化的合作，该脚本通过复述者和听众两个角色进行总结、反馈与角色互换等活动。劳等（Rau， Bowman， & Moore， 2017）在化学课上进行了理解多个视觉之间联系的准实验研究，结果证明适应性协作脚本增强了学生从视觉表示中学习知识，学生对复杂概念的理解程度明显上升。值得注意的是，协作强度要求越高的脚本可能会影响学习者的动机，关于如何降低协作者一同学习效果的差异性、减少无效协作与错误协作的次数的研究也将进一步推进。

游戏可以使学习者在适应性的学习环境中通过扮演一种特定的角色来实现他们的目标，与此同时，娱乐和模拟的体验可以帮助他们获取领域知识。文等（Ven， Segers， Takashima， & Verhoeven， 2017）设计的一种平板电脑游戏可以使儿童挑战速度并享受准确性带来的愉悦，同时提高了学生加减法的运算能力。在物理学科学习中，鼓励学生使用智能手机和建模工具，通过数学和物理模型以及可视化数据可以实现科学建模（Liu， et al.， 2016）。克朗普顿等（Crompton， Burke， & Gregory， 2017）在数学学习中将抽象的概念通过视觉层次上的概念表征化和具体化来构建数学学习的知识。电脑、手机等程序设计，可以帮助学习者实现多感官的人机触摸互动，为学习者提供交互操作支持，以达到更好学习的效果。

四、国外自适应学习技术研究的热点、

薄弱地带及趋势分析

为了以可视化的方式明晰国外自适应学习技术相关研究的热点及薄弱地带，将表2所示的关键词共词矩阵导入社会网络分析软件UCINET6中，绘制出国外自适应学习技术研究的社会网络图谱（如图5所示）。

（一）国外自适应学习研究的热点及薄弱地带

在关键词社会网络图谱中，每个节点代表一个关键词，连接节点的直线表示关键词之间的共现关系。图5所示的网络图谱整体密度较高，说明已有研究比较丰富，但“教师教育、适应性专长、教师学习、专业发展”这四个关键词与其他关键词之间距离较远，网络密度很低且脱离了研究中心，说明在这方面的研究还亟待发展，需要与其他研究重心相结合。另外，通过图3可以看出，国外自适应学习技术研究的中心地带（多个箭头共同指向的节点）主要有个性化学习、适应性学习、智能教学系统、在线学习、移动学习、学习分析、学习环境等，说明这些领域的研究内容丰富，构成了当前国外自适应学习的研究热点与核心领域，而处于网络图谱边缘的理科学习、混合学习、高等教育、泛在学习、学习绩效、适应性评价、改进课堂教育以及教师学习等关键词所代表的研究领域发展还不够成熟，目前的研究较为薄弱。

（二）国外自适应学习技术的未来研究趋势

一个领域的研究发展趋势可以用度数的中心性来衡量，一般情况下，在共词网络中点中心度与接近中心度相对较低且中间中心度相对较高的关键词能较好地代表该研究领域的未来发展趋势。基于以上原理，对国外自适应学习高频关键词进行中心度统计分析，统计结果如表5所示。

由表5可以看出，教师学习、适应性专长、在线学习、支架式教学、教与学策略等关键词的点中心度和接近中心度较低，而中间中心度较高，可以从一定程度上反映未来的研究趋势。结合前文中对于国外自适应学习技术已有研究内容的梳理和社会网络图谱分析，本文认为未来自适应学习技术的研究应以“技术整合人员、课堂教学实践与教育实体”为着力点，实现围绕自适应学习技术的人、财、物聚合，使人工智能技术的发展真正融入未来教育实践。

1. 技术与人员整合：促进教师成为“适应性专家”

弗拉纳根和杰克布森（Flanagan & Jacobsen， 2003）曾提到信息技术整合是促进信息化时代教育根本性变革的关键，它是指在学校教学实践中学校人员（包括校长、教师和学生）将信息技术手段与学习活动以无缝、透明的方式整合在一起。其中，影响学校内部信息技术整合的一个大的障碍即教师持续性的专业发展。目前，即使信息化的潮流已经改变了教育教学生态，但学校为教师提供的培训项目大多数还限于计算机的操作与应用技能，未将信息技术素养纳入教师专业发展的内核中。正如前文社会网络图谱所呈现的已有研究网络图，教师学习、教师专业发展、适应性专长等关键词与自适应学习的主要研究领域呈分离状态，而在关于中心度的分析中，有关教師学习的部分在未来有很大的研究空间，将成为未来自适应学习领域中的一大研究趋势。相关研究应从技术导向的方法论讨论逐渐转向人员导向的素养提升讨论，为教师提供即时性和灵活性的专业发展机会，促进自适应学习技术与教师专业发展的整合和创新。在全面采集、分析学生学习过程数据的基础上，打通教师发展“适应性专长”的通道，使教师既可以通过教育数据采集和挖掘技术实现群体班级的规模化支持，也可以通过对个体情况的分析把握，实现适应每个个体发展的个性化教学，逐渐成为“适应性专家”（余胜泉， 2018）。

2. 技术与课堂整合：从学习分析走向学习调节

人工智能在教育中的应用从学习分析走向自适应学习，最根本性的变革即从监控学习走向了干预学习，从学习分析走向了学习调节。目前，教育数据挖掘、学习风格偏好分类相关的研究已十分丰富，教师和管理者开始将关注点从硬件、线路和技术以及数据资料获取转向更基本的问题，诸如技术在教育中所扮演的角色、课堂教学设计、反馈及评价等。当前，有关自适应学习技术在教学实践中的应用大多集中在理科教育领域，应用对象也只有小部分学生群体。未来，更多的研究将关注如何实现自适应学习技术与各个学科的课堂教学实践更深入地迁移与融合，运用支架式教学手段，促进课堂上的教师—技术—同伴—个人交互式学习，依据每个学生的需求、能力及特征为其量身打造个性化的学习路径，并依据学生的实时学习情况及时接受反馈并提供个性化干预、调节与评价手段，按照学生学习特征模型建构、个性化学习资源推送、个性化学习路径推荐（周海波， 2018）三个完整的阶段促进自适应学习技术在实际课堂教学中的应用。

3. 技术与高等教育整合：构建自适应学习技术的研发智库

从本质上看，自适应学习技术目前还只是人工智能融入教育领域的一个技术手段，而实际上单一的技术手段所带来的教育创新无法从根本上改变教育的全貌，未来自适应学习技术应更多地发挥高等教育的智力支持作用，形成一个更加完整的扎根于教育学科土壤中的教育技术体系。在上文关于中心度的分析中，“高等教育”这一关键词代表着自适应学习未来研究的一大重要趋势。自2015年《地平线报告（高教版）》发布至今，自适应学习技术连续三年出现在高等教育主题中，高等教育机构正在成为支持自适应学习技术研发与实践的主阵地。各国的高等教育实践也纷纷响应了这一诉求，如美国科罗拉多州理工大学将自适应学习列为学校长期学术规划方案中的核心内容，学校约82%的教师使用了自适应学习平台;澳大利亚开放大学开展的Personalized Adaptive Study（PASS）项目通过追踪学生的课程学习状态，为学生提供实时的分析与反馈;我国的实践，如北京师范大学和拉里奥哈国际大学联合开展项目PERFORM，开发自适应学习软件，并根据学习者数据提供个性化建议（孙掌印， 2017）。作为技术革新和教育发展的智库，高等教育未来将引领教育人工智能的发展，为基础教育领域的教育生态改革提供强大的智力支持。

五、国内外自适应学习技术

研究的比较分析

进入新时代，我国开启了加快教育现代化、建设教育强国的新征程。《教育信息化十年发展规划（2011—2020年）》《教育信息化“十三五”规划》《教育信息化2.0行动计划》等重要文件都强调了信息技术对教育的革命性影响。梳理国内已有研究发现，国内关于自适应学习技术的研究起步较晚，从2010年之后开始逐渐升温，但总体数量不多，研究主要关注以下几个方面：

第一，自适应学习用户数据分析和模型构建研究。与国外学者的观点相似，我国学者认为自适应学习技术是满足学习者个性化学习需求的软件技术和平台，以学习者模型构建为关键手段，采用Web和文本挖掘等技术为个性化学习的实现提供有效途径（董晓辉， 等， 2017）。代表性的研究，如姜强等（2010）提出的SAELS系统和GALSRM模型，旨在以用户模型为依据的个性化本体学习资源推荐和对自适应学习系统体系结构进行的优化（姜强， 等， 2013）;刘宇等（2006）提出的以学习者个性特征和认知能力参数建立动态学生模型库的方法。相比国外重在以学习分析为基础开展学习调节、智能导师、学习干预的研究，我国的研究还处于从知识和理论的角度关注学习者特征模型的构建阶段，未来应更多地思考如何从“分析”走向“调节”，真正使自适应学习技术应用于学生个性化学习的全过程。

第二，自适应学习系统与泛在学习、移动学习、学科学习等领域相结合的案例研究。代表性的研究，如曹双双等（2012）从媒体空间、域模型、教学模型、学习者模型、自适应模型、环境感知模型和用户界面等方面出发，结合泛在学习的形式提出的自适应学习模型。与国外侧重以情境感知技术支持泛在学习不同，我国的研究多关注学习者的自主性及与机器的互助性，对学习者的学习积极性要求较高，缺乏人机交互和交互式智能学习环境创设等方面的研究。

第三，自适应学习技术相关算法开发研究。该类研究多从计算机学科的视角出发，关注自适应学习的计算机科学基础，如群体搜索技术、图像识别、集成优化算法及矩阵特征值等，未能将相应研究与在教育中的应用结合起来，应更多地关注技术革新过程中“人”这一要素能动性的发挥，促进技术整合。

第四，基于自适应学习技术的产品开发研究。与国外的Knewton平台和Smart Sparrow类似，国内也研发出了一系列基于自适应学习技术的线上产品，如猿题库、一起作业网等，旨在根据学生的学习数据搭建自适应学习服务平台，但目前大多是引入国外成熟的个性化数据分析技术，还未开发出针对K-12教育、高等教育、职业教育等细分市场的系统性产品，用户模型、领域模型以及系统分析手段细分程度不够，未能一体化地贯通和渗透“技术+教育”的全过程。

总体来说，与国外相比，我国自适应学习技术研究数量较少但呈逐年上升趋势，研究主题欠丰富，对不同自适应学习系统的功能及框架的描述性文献偏多，相同主题的重复研究较多，表现为重“分析”轻“干预”，重“学习者”轻“交互性”，重“程序和算法”轻“人的素养”。未来应在更多地考虑跨学科整合研究的基础上关注“后自适应学习阶段”，即学习的干预和调节、自适应学习技术的环境创设、教师适应性教学素养以及自适应学习产品开发的相关研究，使自适应学习技术更加全方位地服务于学生的个性化学习。

六、启示与展望

教育如何促进每一个学生充分发展到最好的状态，是值得追寻的根本性问题。自适应学习技术的发展为解决这一问题提供了可操作性的框架。然而，技术的应用并不能解决所有的教育问题。在当前自适应学习技术应用中也会遇到各种各样的障碍。比如频繁性的形成性评估和个性化教学调节所需的时间、人力等资源短缺问题;对教师带来的额外工作压力和挑战问题，如何管理同一个年级但却有着不同年龄发展阶段的学习需求的学生;对不同的学生分配不同的学习任务、给定不同的学习评价而产生的学生内心公平感问题。因此，我国在进行自适应学习技术及其他教育人工智能方面的研究和实践时，还应充分考虑技术引入教育可能产生的困境的突破口。首先，需要教育管理者在引入技术手段时充分考虑师生的情绪、心理及隐私保护，除了关注自适应技术对学生学习风格与绩效的分析外，也加入对学生情绪、心理、习惯的测量，充分关注学生的个性、情感、认知因素，最大限度地促进教育公平从人人平等向个性成长转型。其次，教育人工智能的发展需要国家和政府的大力支持，从政策与经费上改善技术实际应用中的资源不足现状，关键在于改善教师待遇，为教师创造良好的专业发展条件，帮助教师在信息化时代顺利实现自我转型，从传统的知识权威的角色禁锢中解放出来，成为和学生共同成长的学习者。最后，未来的教育应逐渐形成“去学校化”思维，尽量避免因技术的引入带来的更加整齐划一、指令—回复式的教育活动，打破制度性的分割，倡导共享共赢。无论教育与技术的融合发展到哪个阶段，都应该明确未来教育不是冷冰冰的机器教育，而是更复杂、更具互动性和情感性的“人”的教育活动，所有的教育活动都是为了人本身，而不是为了学校的评估、绩效以及统一秩序的维护。同时，由于我国教育发展的规律及特点与国外不尽相同，因此在教育人工智能发展的过程中除了借鉴国外已有的研究成果、找准未来的研究方向之外，也应立足于我国教育发展的现实情况，扎根于我国现实的教育土壤，形成适用于我国教育情境的特色理论与实践成果。

[参考文献]

曹双双，王移芝. 2012. 泛在学习中自适应学习系统模型研究[J]. 现代教育技术，22（7）：101-104.

董晓辉，杨晓宏，张学军. 2017. 自适应学习技术研究现状与展望[J]. 电化教育研究，38（2）：91-97.

韩建华，姜强，赵蔚，刘东亮，Gautam Biswas. 2016. 智能导学环境下个性化学习模型及应用效能评价[J]. 电化教育研究，37（7）：66-73.

姜强，赵蔚，杜欣，梁明. 2010. 基于用户模型的个性化本体学习资源推荐研究[J]. 中国电化教育（5）：106-111.

姜强，赵蔚，王朋娇. 2013. 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（1）：71-77.

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

佩特·约翰内斯，拉里·拉格斯多姆，张永胜. 2018. 自适应学习：溯源、前景与误区[J]. 中国远程教育（7）：43-53.

孙掌印. 2017. 新兴技术在高等教育领域中的应用趋势研究——基于《新媒体联盟地平线报告》的解读与启示[J]. 高等教育研究学报，40（4）：30-36

特里·安德森，王志军，张永胜. 2017. 教育技术三大支柱：学習管理系统、社交媒体和个人学习环境[J]. 中国远程教育（11）：5-15.

吴永和，李若晨，王浩楠. 2017. 学习分析研究的现状与未来发展——2017年学习分析与知识国际会议评析[J]. 开放教育研究，23（5）：42-56.

徐健晖. 2018. 《新媒体联盟地平线报告：2017年图书馆版》的解读与启示[J]. 大学图书馆学报（1）：27-33.

杨兵，卢国庆，曹树真，等. 2017. 在线学习系统数据可视化评价标准研究[J]. 中国远程教育（12）：54-61.

余胜泉. 2018. 人工智能教师的未来角色[J]. 开放教育研究，24（1）：16-28.

张斌贤，陈瑶，祝贺，罗小莲. 2009. 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，30（4）：17-25.

周海波. 2018. 基于自适应学习平台促进学生个性化学习的研究[J/OL]. 电化教育研究（4）：1-6. [2018-04-08]. https：//doi.org/10.13811/j.cnki.eer.2018.04.018

朱珂，刘清堂. 2013. 基于“学习分析”技术的学习平台开发与应用研究[J]. 中国电化教育（9）：127-132.

Aher， S. B.， & Lobo， L. M. R. J. （2013）. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 51（1）， 1-14.

Anthony， G.， Hunter， J.， & Hunter， R. （2015）. Prospective teachers development of adaptive expertise. Teaching & Teacher Education， 49，108-117.

Bas， G.， & Beyhan， ?. （2010）. Effects of multiple intelligences supported project-based learning on students achievement levels and attitudes towards english lesson. International Electronic Journal of Elementary Education， 2（3）， 365-386.

Chen， C. H. （2010）. The implementation and evaluation of a mobile self-and peer-assessment system. Computers & Education， 55 （1）， 229-236.

Castellanos-Nieves， D.， Fernández-Breis， J. T.， Valencia-García， R.， Martínez-Béjar， R.， & Iniesta-Moreno， M. （2011）. Semantic web technologies for supporting learning assessment. Information Sciences， 181（9）， 1517-1537.

Chen， N. S.， Wei， C. W.， Huang， Y. C.， & Kinshuk. （2013）. The integration of print and digital content for providing learners with constructive feedback using smartphones. British Journal of Educational Technology， 44（5）， 837-845.

Corrin， L.， De Barba， P. G.， & Bakharia， A. （2017）. Using learning analytics to explore help-seeking learner profiles in MOOCs. International Learning Analytics & Knowledge Conference （pp. 424-428）. ACM.

Crompton， H.， Burke， D.， & Gregory， K. H. （2017）. The use of mobile learning in pk-12 education： a systematic review. Computers & Education， 110， 51-63.

Dalton， E. M.， Perez， L.， & Grant， K. （2016）. SOOC： Addressing Varied Learning Needs through Online Professional Learning and UDL. Journal on Technology and Persons with Disabilities， 4， 11-20.

Elbadrawy， A.， Polyzou， A.， Ren， Z.， Sweeney， M.， Karypis， G.， & Rangwala， H. （2016）. Predicting student performance using personalized analytics. Computer， 49（4）， 61-69.

Flanagan， L.， & Jacobsen， M. （2003）. Technology leadership for the twenty-first century principal. Journal of Educational Administration， 41（2）， 124-142.

Fu， X.， Shimada， A.， Ogata， H.， Taniguchi， Y.， & Suehiro， D. （2017）. Real-time learning analytics for C programming language courses. International Learning Analytics & Knowledge Conference （pp.280-288）. ACM.

Ghauth， K. I.， Abdullah. N. A. （2010）. Learning materials recommendation using good learners ratings and content-based filtering. Educational Technology Research & Development， 58 （6）： 711-727.

Graf， S.， Liu， T. C.， & Kinshuk. （2010）. Analysis of learners navigational behaviour and their learning styles in an online course. Journal of Computer Assisted Learning， 26（2）， 116-131.

Gynther， K. （2016）. Design framework for an adaptive mooc enhanced by blended learning： supplementary training and personalized learning for teacher professional development. Electronic Journal of e-Learning， 14.

Hsu， T. Y.， Chiou， C. K.， Tseng， J. C. R.， & Hwang， G. J. （2016）. Development and evaluation of an active learning support system for context-aware ubiquitous learning. IEEE Transactions on Learning Technologies， 9（1）， 37-45.

Ibá?ez， M. B.， ?ngela Di-Serio， Villarán-Molina， D.， & Delgado-Kloos， C. （2015）. Augmented reality-based simulators as discovery learning tools： an empirical study. IEEE Transactions on Education， 58（3）， 208-213.

Jaques， P. A.， Seffrin， H.， Rubi， G.， Morais， F. D.， Ghilardi， C.， & Bittencourt， I. I.， et al. （2013）. Rule-based expert systems to support step-by-step guidance in algebraic problem solving： the case of the tutor pat2math. Expert Systems with Applications， 40（14）， 5456-5465.

Jeno， L. M.， Grytnes， J. A.， & Vandvik， V. （2017）. The effect of a mobile-application tool on biology students motivation and achievement in species identification： a self-determination theory perspective. Computers & Education， 107， 1-12.

Latham， A.， Crockett， K.， Mclean， D.， & Edmonds， B. （2012）. A conversational intelligent tutoring system to automatically predict learning styles. Computers & Education， 59（1）， 95-109.

Liu， C. M.， & Sun， Y. J. （2014）. The research and application of learning program in adaptive learning system. Applied Mechanics & Materials， 556-562，5263-5266.

Liu， C. Y.， Wu， C. J.， Wong， W. K.， Lien， Y. W.， & Chao， T. K. （2016）. Scientific modeling with mobile devices in high school physics labs. Computers & Education，105， 45-46.

Looi， C. K.， Sun， D.， & Xie， W. （2015）. Exploring students progression in an inquiry science curriculum enabled by mobile learning. IEEE Transactions on Learning Technologies， 8（1）， 43-54.

Mohamad， S. K.， & Tasir， Z. （2013）. Educational data mining： a review. Procedia-Social and Behavioral Sciences， 97， 320-324.

Muhonen， H.， Rasku-Puttonen， H.， Pakarinen， E.， Poikkeus， A. M.， & Lerkkanen， M. K. （2016）. Scaffolding through dialogic teaching in early school classrooms. Teaching & Teacher Education， 55， 143-154.

Mutahi， J.， Kinai， A.， Bore， N.， Diriye， A.， & Weldemariam， K. （2017）. Studying engagement and performance with learning technology in an African classroom. International Learning Analytics & Knowledge Conference （pp.148-152）. ACM.

Park， J.， Denaro， K.， Rodriguez， F.， Smyth， P.， & Warschauer， M. （2017）. Detecting changes in student behavior from clickstream data. International Learning Analytics & Knowledge Conference （pp.21-30）. ACM.

Rau， M. A.， Bowman， H. E.， & Moore， J. W. （2017）. An adaptive collaboration script for learning with multiple visual representations in chemistry. Computers & Education， 109， 38-55.

Tabuenca， B.， Kalz， M.， Ternier， S.， & Specht， M. （2015）. Stop and think： exploring mobile notifications to foster reflective practice on meta-learning. IEEE Transactions on Learning Technologies， 8（1）， 124-135.

Ven， F. V. D.， Segers， E.， Takashima， A.， & Verhoeven， L. （2017）. Effects of a tablet game intervention on simple addition and subtraction fluency in first graders. Computers in Human Behavior， 72（C）， 200-207.

Walkington， C. A. （2013）. Using adaptive learning technologies to personalize instruction to student interests： the impact of relevant contexts on performance and learning outcomes. Journal of Educational Psychology， 105（4）， 932-945.

Yao， C. B. （2017）. Constructing a user-friendly and smart ubiquitous personalized learning environment by using a context-aware mechanism. IEEE Transactions on Learning Technologies， 10（1）， 104-114.

收稿日期：2018-07-23

定稿日期：2018-11-22

作者簡介：梁茜，博士研究生;皇甫林晓，博士研究生。华东师范大学教育学部（200062）。

责任编辑 韩世梅