APP下载

国内自适应学习的研究进展与现状分析

2021-09-06朱惠青唐春慧叶艺晨

中国教育信息化·基础教育 2021年8期
关键词:个性化学习可视化分析

朱惠青 唐春慧 叶艺晨

摘   要:随着智能时代的来临,自适应学习作为人工智能技术之一,将促使教育方法向智能化方向发展。文章通过对2008—2020年国内自适应学习的研究现状进行可视化分析,对国内自适应学习研究主题进行分类并详细论述,最后基于当前国内自适应学习研究的不足,提出了未来的发展方向,从而为当前及未来国内自适应学习提供参考,进一步推进我国人工智能在教育领域的发展。

关键词:自适应学习;个性化学习;可视化分析;学习情感

中图分类号:G40-057 文献标志码:A 文章编号:1673-8454(2021)16-0009-05

一、引言

近年来,随着人工智能技术的不断涌现,自适应学习作为人工智能的重要教育技术之一,如何更好地满足学习者的个性化学习需求,从而在智能时代进行更加有效的学习,将成为当前自适应学习的一大重要挑战。1996年,美国匹兹堡大学的Peter Brusilovsdy提出,自适应学习为尊重每一名学习者的个体差异、为学习者提供最合适、最需要的教育。简单来说,自适应学习是促使教育走向因材施教的途径之一。

2015年,新媒体联盟发布的《地平线报告》(高等教育版)中首次将自适应学习列入教育技术重大进展之一,其将自适应学习列为将在未来五年内更有可能推动技术规划和决策的关键技术。2017年的《地平线报告》(高等教育版)中提到,在未来一年内会广泛采用自适应学习技术作为近期技术。截止到2020年,自适应技术在《地平线报告》中以高达5次的频率出现在业界学者的视野中。

我国的《教育信息化十年发展规划(2011—2020年)》提出,“努力为每位学生和学习者提供个性化学习、终身学习的信息化环境和服务。”[1]由此可见,业界学者对于自适应学习的关注与重视,预见其未来将会有更大的发展。本文以中国知网的核心期刊和学术论文为数据来源,对近十二年来国内关于自适应学习技术领域的研究文献进行系统化梳理分析,为当前以及未来国内自适应学习技术提供参考,不断推进人工智能在教育领域的发展。

二、研究设计

1.数据来源

本研究以中国知网的核心期刊和相关论文作为数据来源,以“自适应学习”“自适应学习技术”或“个性化学习”为关键词,发表时间在2008年1月至2020年12月为筛选条件,共获得243篇文献,剔除与研究主题相关度不高的无效文献,得到有效文献数量共213篇。

2.研究步骤

本研究首先将从中国知网数据库中所筛选的文献放入已新建的规定文件夹中,再导入SATI进行关键词词频统计;其次用WordArt对高频关键词进行云视图分析,并用SATI生成共词和相似矩阵;最后利用SPSS进行系统聚类分析,以得到国内自适应学习研究的聚类树状图,并将其相关主题进行分类。

三、研究结果

1.自适应学习研究的关键词词频和矩阵

(1)高频关键词呈现

将从中国知网中检索的相关文献导入SATI后,把字段选项改为“关键词”进行统计提取,可以得到文献中关键词的词频表,已知关于自适应学习研究的关键词共计566个,其中选出词频≥3的关键词共48个,部分高频关键词如表1所示。然后结合对这48个高频关键词进行WordArt云视图分析,如图1所示,从中可以看出近年来自适应学习、个性化学习、自适应学习系统、学习分析、人工智能、学习风格、自适应以及大数据等是国内自适应学习研究的热点。

(2)高频关键词矩阵生成

共现分析是以同一篇文章中叙词表的同现次数为依据,表明叙词表之间的关系。表中的数据表示同一篇文章中两个关键词出现的频率。数据越大,两个关键词之间的关系就越密切。本研究利用SATI 3.2软件生成高频关键词共词矩阵和相似矩阵,部分数据如表2、表3所示。

2.自适应学习研究的主题分类

高频关键词聚类分析的目的是在数据中发现相似的关键词集合,将48个高频关键词相异矩阵引入SPSS 软件进行系统数据聚类,得到一个聚类树,如图2所示。

根据图2的聚类树状图,可将国内自适应学习研究主题划分为17个小类,其中每一小类所包含的关键词如表4所示。通过研读相关文献可知,近年来国内自适应学习主要研究主题可分为三大类,分别是个性化学习、学习效果、学习环境等的研究。

(1)基于自适应学习的个性化学习研究

自适应学习的本质是通过计算机技术来达成与学习者的人机交互,从而实现学习者的个性化学习。近年来,国内学者主要关注个性化在线机器学习,可以细分为基于在线机器学习系统的建模、基于學习分析技术的个性化学习和基于在线机器学习效应的个性化学习。

①基于自适应学习系统的模型构建研究

A. 自适应学习系统模型

黄伯平等人通过参考AHAM、LAOS、XHAM和WebML等自适应学习系统的模型,进一步对比分析自适应超媒体系统参考模型,为深入研究、设计开放性自适应学习系统提供了依据。[2]方海光等人基于MOOC自适应学习系统的模型,将网络学习行为分析的智能反馈策略和认知思维层次的在线学习行为进行分类,构建了量化自我学习算法QSLA,并以此作为实现教育大数据自适应学习的基础。[3]通过构建在线机器学习系统模型,以“离散数学”课程为例,王琳琳设计了一个面向学科的在线机器学习系统,实现了基于学习者模型的学习内容和资源的个性化推荐。[4]

B. 自适应学习者模型

邱百爽等人通过运用ASP、Net、SQL Server 数据库技术和语义 Web 挖掘技术,根据用户的学习风格、认知水平和兴趣偏好,构建了基于语义Web 的在线机器学习系统用户模型。[5]菅保霞等人采用适切的建模方法构建学习者个性特征模型,并为了清晰解析其模型的运行机制,而以“自适应课件导学系统(AC-ware Tutor)”为例,从而在精准的个性化学习服务方面提供了一定的帮助。[6]薛耀锋等提出了基于眼动追踪的自适应学习框架,构建了基于眼动追踪的在线学习者认知风格识别模型,并通过眼动实验验证了此模型的可行性和有效性,为自适应学习系统的设计与开发提供了新的解决方案。[7]

②基于学习分析技术的个性化学习研究

学习分析技术是利用松散耦合的数据采集工具和分析技术,对学习者的学习参与、学习绩效和学习过程相关数据进行进一步研究,从而实时纠正正在进行的课程教学和课程评价。[8]朱珂等在在线机器学习分析技术的基础上,重新开发了Sakai学习平台,最终实现了在线机器学习系统的功能。[9]李建伟等利用学习分析技术设计了一个适应性网络教学系统,该系统可以根据学习者的实际水平,提供适合其自身水平的学习策略,还可以帮助教师及时改进和更新课程的学习内容。[10]吴文峻通过阐述学习大数据分析技术的分析方法和理论架构,从而介绍大数据分析技术在教育中的实际应用。[11

(2)自适应学习效果研究

陈刚等通过检索相似学习者的学习能力水平,从而建立“题目—知识点—得分”模式表,并根据学习者答题的错误率和题项来诊断知识点的薄弱,进一步给予相应的反馈和知识点补充。[12]董捷通过研究在线测评,提出了针对学习者个体的自适应选题策略算法,并在此基础上实现了在线学习的自适应测评系统,提高了学习者的测评效率,为学习者高效地进行个性化在线学习能力测评提供了新的途径。[13]李俊杰等通过分析智能化、个性化语言学习平台所需的关键技术和方法,提出了一种匹配的语言学习模型。[14]耿楠提出了基于测评数据分析的个性化学习资源推送模型,从理解水平的角度,为学生推送满足其个性化学习需求的学习资源,从而促进学习效果的提升。[15]

(3)自适应学习环境研究

在线学习的重点之一是创造一个有智慧的学习环境。学习环境的好坏直接影响学习过程和学习效果。刘俊通过分析现有的泛在学习平台,设计了一个包含个人学习体系和小组学习体系的泛在学习资源自适应系统,重点在于依据学习者的学习风格、学习环境和构建主题图式资源共建的学习模式。[16]李小平等提出了基于体验式学习的智能教学控制思路,并通过数据挖掘和教学反馈,实现了个性化智能虚拟教学的闭环控制系统,这是在智能VR/AR环境下提高教学质量的途径之一。[17]童名文等基于智慧学习环境,研制了一种包含领域模型、学习者模型、自适应模型和认知诊断模型的自适应学习系统动力模型,在这四者的协同作用下,向学习者不断推送适切的学习资源。[18]徐振国等根据学习者的情感特点,构建了情感适应调节模型,并在智能学习环境中开发了原型系统,以实现适应性学习者的情感互动。[19]

四、我国自适应学习研究现状

通过对2008—2020年国内自适应学习关键词的共现和聚类分析,可以了解到我国自适应学习还存在以下一些不足之处:

1.自适应学习中学生和教师关注失衡

目前,教育界学者着重研究的自适应学习对象为学生,大多是基于学习者特征、认知风格以及学习路径等的研究,但教师教学风格和教学水平等方面研究文献几乎为零。智能化时代的到来,促进了学校教学方式的转变,在提倡发挥学生的主观能动性的同时,进一步呼吁培养学生的学习兴趣和批判性思维能力,这也对教师的信息素养提出了较高的要求。目前来看,大部分学校为教师提供的培训内容还仅限于计算机的基本操作,无法满足教师的专业需求。当教师对信息技术的使用还仅仅停留在经验上的使用,又何谈技术创新和培养学生的创新思维能力?因此,教育管理者不仅要关注学习者,也要加大对教师的关注。

2.技术支持下的自适应学习情感有待突破

学习者在技术支持下的自适应学习过程中,表现出的一些情感态度也会对学习效果产生很大的影响。当然,积极的情感状态往往会促进学生的学习,相反学习者产生的消极情绪会引来学习怠倦。Moreno等指出,多媒体学习图片中,情感功能的设计会影响学习者的学习态度和学习动机。[20]目前教育领域对有关学习者学习情感的研究还很少,主要集中于研究在学习过程中如何个性化地解决学习者在学习过程中产生的问题。 因此,自适应学习还应关注学习者出现的情感方面变化的研究。

3.关于自适应学习技术研究偏于理论化

自适应学习领域学者对有关自适应学习模型的构建以及实现机制的研究居多,技术研究和实践应用研究较少。技术与实践应用的研究可促进自适应学习的发生,开发者可以通过试验的过程不断改进技术。缺乏专业技术的设计,无法将自己的构想转化为现实的产品;缺乏真实的情境应用,无法将现实的产品应用于实践。只有当技术真正实现了在教育领域的应用且产生一定的效果,未来的教育才会继续向前发展。因此,业界学者还应关注自适应学习技术和实践应用方面的研究。

五、我国自适应学习研究趋势与发展

未来自适应学习的研究应不断关注“适應性学生”与“适应性教师”并重,由自适应学习效果转向自适应学习情感、由模型构建理论研究走向教学应用实践研究,从而推动国内自适应学习研究,丰富自适应学习研究成果,为自适应学习实践创造条件。

1.双适应模式:“适应性学生”与“适应性教师”并重

信息化的潮流正在改变着教育教学生态,在关注学生全面发展的同时,我们也应该将目光朝向教师。就目前情况来看,大多数学校为教师提供的培训项目还仅限于计算机的操作性技能,教师专业发展的内核中并未加入培养教师信息技术素养这一项,即使有部分学校对此产生了关注,却并没有采取相应的培训机制。Linda Flanagan和Michele Jacobsen曾提到信息化时代教育根本性变革的关键就在于是否能做到信息技术的整合,即如何将“教”与“学”的活动与信息技术手段做到深度融合。[21]

信息技术与学校教育相融合的重中之重是要加强对各科教师信息素养的培训。因此,学校教育不仅要加强养成“适应性学生”,也要促进“适应性教师”的形成,在满足学生学习需求的同时,促使教师在应用中学习,在掌握信息技术能力的同时,也要提高信息技术的应用能力。以学生学习过程的海量数据为基础,发挥教师的“适应性专长”,使教师可以熟练运用自适应学习的采集和挖掘技术,以此对班集体进行规模化的管理和支持。同时,教师也可以个性化分析每位学生的学习情况,实现适应每个学习者个性化发展的教学,逐渐成为“适应性专家”。最后,“适应性学生”和“适应性教师”达成一种双中心模式,共同发展。

2.学习情感关注:自适应学习效果转向自适应学习情感

目前,学术界研究主要的研究方向为自适应学习(如测评软件、学习平台等)会产生怎样的学习效果,而对于研究学生在学习的过程中产生的厌倦、疲劳以及信任与高兴等情感状态关注较少。自适应学习作为一种新型的教育方式,理应把学生的学习情感作为教育的主要目的之一,例如可以从系统设计的画面、题目字体的设计以及完成题目的表现形式上着手,从而有利于缓解学生不适的学习情感。

王志军等[22]通过研究移动学习资源与画面设计来促进学习者与学习内容的互动,经研究发现学习者接触最多的就是学习资源画面,即画面设计有着自己独特的规律,一定程度上会影响学习者的认知结构和心理发展方向。研究表明,优质的资源画面可以促使学习者学习由感官体验转向思维认知及情感的深度体验,从而提高学习资源的质量和学习效果。自适应学习平台所展现的舒适学习画面,会给学习者带来极好的学习体验,而当学习者长时间面对单一的学习场景时,会因感受不到情感交互而心生疲倦,从而严重影响其深层次学习的开展。

3.落到实处:模型构建理论研究走向教学应用实践研究

近年来,我国教育学界对有关自适应学习模型的构建、系统的框架以及开发的环节研究居多,而有关自适应学习技术在教学实践中的应用较少,关于自适应学习将如何运用其技术来实现与各个学科课堂教学深度融合的研究更是少之又少。例如,针对一堂课,课前通过自适应学习分析学生学习的薄弱环节,以此来完善教师的教学设计;课中通过全面收集和挖掘学生在学习过程产生的疑惑,进行针对性教学;课后根据学生反馈的学习结果,提供个性化的学习服务,促进学生的和谐全面发展。周海波基于自适应学习平台对每位实际参与的学习者都进行了个性化学习效果研究,研究基本上精准地刻画了每位学习者的学习特征,对学生的学习行为开展采集与挖掘,便于教师的个性化干预。[23]李振等提出了在自适应学习系统中,运用知识图谱的人机协同构建方法来实现大规模的个性化学习。[24]

六、结语

随着智能时代的来临,各种形式的技术不断引发学校教学方式的重大变革。自适应学习技术作为21世纪重要的教育技术之一,打破了传统的教育模式,以学习者为中心,使学习资源和学习方式更加多样化,极大地满足了每一位学生的个性化发展。然而,自适应学习在研究和实践的过程中也出现了一些问题。例如,教育管理者在引入自适应学习技术时,是否充分考虑师生的情感需求,以及研究者构建的自适应学习系统是否真正能得到普适性的发展,还是仅仅处于“特权阶级”才能够得到的教育成果等。因此,在自适应学习发展的过程中,除了借鉴国外已有的研究成果,还需要根据国内教育自身发展的规律,形成我国特色的教育理论和成果。

参考文献:

[1]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,2017,38(2):91-97+121.

[2]黄伯平,赵蔚,余延冬.自适应学习系统参考模型比较分析研究[J].中国电化教育,2009(8):97-101.

[3]方海光,罗金萍,陈俊达,等.基于教育大数据的量化自我MOOC自适应学习系统研究[J].电化教育研究, 2016,37(11):38-42+92.

[4]王琳琳.自适应学习系统模型设计研究与实现——以“离散数学”课程为例[D].大庆:东北石油大学, 2017.

[5]邱百爽,赵蔚,刘秀琴.基于语义网的自适应学习系统中用户模型的研究[J].开放教育研究,2008(4): 106-111.

[6]菅保霞,姜强,赵蔚,等.大数据背景下自适应学习个性特征模型研究——基于元分析视角[J].远程教育杂志,2017,35(4):87-96.

[7]薛耀锋,曾志通.面向自适应学习的不同认知风格学习者眼动模型研究[J].现代教育技术,2020,30(8): 91-97.

[8]吴永和,李若晨,王浩楠.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,2017,23(5):42-56.

[9]朱珂,劉清堂.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,2013(9): 127-132.

[10]李建伟,苏占玖,黄赟茹,等.基于学习分析的自适应网络教学系统设计[J].现代教育技术,2016,26(6): 113-118.

[11]吴文峻.面向智慧教育的学习大数据分析技术[J].电化教育研究,2017,38(6):88-94.

[12]陈刚,石晋阳.学习者知识状态的自适应测量与诊断方法设计[J].中国电化教育,2011(3):122-126.

[13]董捷.自适应在线学习测评研究及其应用[D].成都:电子科技大学,2017.

[14]李俊杰,张建飞,胡杰,等.基于自适应题库的智能个性化语言学习平台的设计与应用[J].现代教育技术,2018,28(10):5-11.

[15]耿楠.基于学生测评数据分析的个性化学习资源推送研究[D].无锡:江南大学,2019.

[16]刘俊.泛在学习中学习资源自适应环境系统设计[D].武汉:华中师范大学,2012.

[17]李小平,张琳,张少刚,等.智能虚拟现实/增强现实教学系统构造研究[J].中国电化教育,2018(1):97-105.

[18]童名文,师亚飞,戴红斌,等.智慧学习环境中自适应学习系统动力机制研究[J].电化教育研究,2020,41(2):68-75.

[19]徐振国,孔玺,张冠文,等.智慧学习环境下学习画面情感的自适应调整[J].现代教育技术,2020,30(5):101-107.

[20]Moreno R, Mayer R.Interactive multimodal learning environments[J].Educational Psychology Review,2007(3):309-326.

[21]Linda Flanagan,Michele Jacobsen.Technology leadership for the twenty-first century principal[J].Journal of Educational Administration,2003,41(2):124-142.

[22]王志军,冯小燕.基于学习投入视角的移动学习资源画面设计研究[J].电化教育研究,2019,40(6):91-97.

[23]周海波.基于自适应学习平台促进学生个性化学习的研究[J].电化教育研究,2018,39(4):122-128.

[24]李振,董晓晓,周东岱,等.自适应学习系统中知识图谱的人机协同构建方法与应用研究[J].现代教育技术,2019,29(10):80-86.

(编辑:李晓萍)

猜你喜欢

个性化学习可视化分析
高校学生管理法治化研究:基于CiteSpace的可视化分析
我国职业教育师资研究热点可视化分析
可视化分析技术在网络舆情研究中的应用
教学资源支持下的Sakai个性化学习研究
国内外政府信息公开研究的脉络、流派与趋势
微视频在初中英语听力教学中的应用探索
基于SOA的在线学习资源集成模式的研究
MOOC环境下中学生数学个性化学习模式研究
基于微课翻转课堂的职业院校远程教育创新模式的研究