赵志立，陆福相

（兰州大学 信息科学与工程学院，甘肃 兰州 730000）

0 引言

随着我国在线教育的飞速发展，截至2019年12月，我国慕课在线学习平台的课程数已超过了1.9万门，学习人数超过2.7亿人次，数量和应用规模居世界第一［1］。此外，在新冠疫情的冲击下，慕课也逐渐成为学校正规教育体系的有效补充［2］。相对于传统的以教师为中心的“灌输式”教育模式，在线教育不仅解决了学生被动与缺乏创新等问题，还有利于发达地区优质教学资源共享，促进教育公平和教学质量的提高。

然而，在线教育模式只是打破了教育资源的壁垒，提供优质的教学资源，方便学生“随时随地”学习，却无法自动识别学习者的知识水平和学习能力，因而无法为不同水平的学习者制订个性化的学习路线，导致知识水平低者有挫败感，能力较高者“获得感”与“成就感”不足，进而失去学习的兴趣和动力［3］。调查显示，使用在线教育平台注册、完成学习并获得证书的人数呈大幅逐层递减的趋势。以edX的第一门课程电路与电子学为例，该课程在开课初期的注册人数高达15.5万人，最终获得课程证书的却仅有7 157人，课程的实际完成率仅为4.7%［4］。基础知识较差、自我调节学习能力不足、课程过长、课程无法达到预期是课程完成率低的主要因素［5-7］。同时，从授课教师的角度来讲，教师很难在课堂上满足所有学生的需求，教学内容太难或太易都不公平，有时很难把控教学内容和进度，学生也容易丧失学习的专注力。

随着在线教育平台数量的不断增多，目前已经有很多学者提出在线教育平台需要提供个性化的学习模型。例如，徐亚军等［8］利用苏州线上教育中心的学习行为数据提出一种基于知识图谱的协同过滤推荐算法进行学习资源的推荐；张利等［9］探讨了基于大数据技术的个性化教育，提出根据学生特征提供课程内容和学习方式的个性化教育思路；针对个性化学习推荐模型精确度不高等问题，龙世荣等［10］从在线教育资源入手，对个性化学习资源的推荐模型、推荐机制以及推荐技术进行描述；蔡樱［11］基于大数据的分析技术，通过对学生学习行为数据的分析，智能地为其推荐学习资源；许小媛［12］基于大数据技术，通过挖掘教学资源的应用价值和学生用户的分布式管理，为其提供个性化的学习资源；黄少珍［13］提出一种基于数据驱动的个性化在线教育评价模型，进而提升教学效果；冯婵［14］对学生的学习行为数据进行聚类，并采用协同过滤算法实现学习内容的个性化推荐；崔天明［15］则设计了一个基于大数据技术的个性化在线教育系统，不仅满足教师和学生的个性化需求，而且提高学生学习效率。

可以看出，现有工作大都基于大数据技术对学生行为进行分析，根据学生的特点推荐个性化的学习资源，并不是为学生针对某门具体课程的知识体系提供个性化的学习路线。

此外，这些个性化平台在进行智能推荐前都需要对大量的教学资源和学生行为数据进行分析，进而构建对应的推荐模型。与此不同的是，本文从重塑具体课程的知识结构入手，通过建立一个科学合理的模块化课程知识体系，提出一种以学生为中心的个性化在线教育模式。该模式可以智能地对学生的表现进行动态评估，并根据学生知识水平和学习能力为其提供个性化的学习内容和路线，增强其学习的兴趣和积极性。

1 大学新生知识水平和学习能力问卷调查

慕课等开放式在线教育模式共享了非常优质的学习资源，解除了学生学习的时空限制，但无法依据学生的知识水平和学习能力为其提供个性化的学习路线，使得学生丧失学习的兴趣和动力。为调查学生是否具有不同的知识水平和学习能力，兰州大学面向信息科学与工程学院500多名新生进行了计算机知识水平的问卷调查。学院下设计算机科学与技术、信息安全、数据科学与大数据技术、人工智能、通信工程等本科专业，均需学生掌握一定的计算机基础知识。此次调查问卷在新生开学一个月后进行，共收到有效问卷405份，回收率为80.20%。

从兰州大学2021年理工类普通一批录取情况来看，学校在不同省份或自治区的平均录取分数有较大差异。2021年兰州大学整体的平均录取分数为605分，高于甘肃、贵州、黑龙江、吉林、江苏、内蒙古、宁夏、青海、山西、云南等地，远低于安徽、河南、四川、重庆等地的平均录取分数。平均录取分数最高为浙江省的628分，最低分为青海省的494分，两者相差148分之多。当然，全国各地高考使用不同试卷类型，把所有学生的高考成绩放在一起比较有失公允，然而就从使用全国II卷的甘肃、内蒙古、吉林、青海、黑龙江、辽宁、宁夏、新疆、陕西、重庆等省份或自治区来看，这些地方的平均录取分数也有比较大差异。

问卷还调查了新生进入大学前计算机知识的水平。结果显示，分别有77.5%和71.9%的学生掌握的计算机技术只是打字和上网，学习过办公软件的占50%左右，有19.5%的学生几乎没有学过任何计算机相关知识。调查还发现，尽管大多数新生计算机基础知识的储备不够扎实，但新生中有12.3%的人已经学习过程序设计语言，16.5%的学生学习过图像处理，11.1%的学生学习过网页设计。

此外，就掌握办公软件的学生来说，33%的学生是一般掌握，熟练掌握的只占2.7%～5.2%，完全不会的占据24.7%～29.6%。如最简单的上网查资料技术，熟练掌握的学生占比21.9%，但也有10.6%的学生没有掌握这项技能。

调查还要求学生对自己的计算机水平进行自我评估。结果显示，大部分学生认为自己的计算机水平较差或一般，但也存在20%的学生认为自己的计算机水平较好。如果让这些学生同时学习编程语言或者网页设计相关课程且使用同样难度的教学内容，就会容易导致部分学生学习主动性不高。同时，授课教师也很难在课堂上满足所有学生的需求。因此，有必要针对不同知识水平和学习能力的学生提供不同的学习路线，满足个性化需要，增强其学习的主动性。

2 以学生为中心的个性化智能在线教育模式

在线教育模式需要学生有很强的学习主动性。针对大学新生知识水平和学习能力层次不齐的问题，提出一种以学生为中心的个性化智能在线教育模式，向具有不同知识水平和学习能力的学生提供个性化学习路线，进而增加其在学习过程中的“获得感”与“成就感”。换句话说，给定一门课程的知识结构，学生可以选择按给定的默认逻辑顺序学习，也可以根据自己的知识水平从课程知识结构中选择任意节点学习。若学生完成学习且通过测试，就可以进行下一阶段的学习；若学生选择的知识点较难，不能通过测试，学习系统则智能地要求其学习必需的前序知识点。若其依然没有通过，学习系统会依次向前直到找到合适的知识点为止，进而构建出一条适合个人能力的个性化学习路线。

2.1 重塑课程知识结构

实施个性化在线教育的前提是对原课程内容进行重新编排，建立科学合理的模块化课程知识体系，使学习内容衔接顺畅，形成覆盖全部课程内容的完整知识链。

2.1.1 课程知识的层次结构

从层次的角度来讲，课程知识结构可以划分为课程、模块和知识点3个层次［16］。一门课程自顶向下可以分为若干个课程模块，每个课程模块围绕其不同教学活动主题。课程模块化的目的在于提高教学及考核内容的透明度，从而提高整个学习的灵活度［17-18］。同时，课程模块需要通过知识点的教学来进一步深化和落实。通常，一个课程模块可以被分为若干个粒度适中的知识点，为了使学生在学习过程中集中注意力，每个知识点的学习需控制在20min内［19］。

2.1.2 课程知识的逻辑关系

课程的知识结构不仅有课程、模块和知识点3个层次，各个课程模块以及知识点之间也有一定的逻辑关系，比如学习某个课程模块或知识点必须要先学习相关的先导知识作为基础。课程知识的逻辑顺序可以分为3类：流程型结构顺序、要素型结构顺序以及WHY/WHAT/HOW结构顺序［20］。

流程型结构顺序是指各个模块或者知识点必须按照先后顺序逐一学习，一些模块或知识点是其它模块或知识点的先导知识，这些模块或知识点通常按照难易程度或时间的进展阶段安排，如图1。课程模块A是模块B的先导知识，当模块A的学习没有完成时，模块B就无法开始学习。需要注意的是，流程型结构对课程模块和知识点都是成立的。

Fig.1 Sequential knowledge structure relationship图1 流程型知识结构关系

要素型结构顺序是指各个模块或知识点之间是平等关系，可以以任何一种顺序去学习，如图2。当课程模块A学习完成后，模块B、C、D可以以任意的顺序去学习，也即ABCDE、ABDCE、ACBDE、ACDBE、ADCBE、ADBCE任意一种学习顺序均可以。同样的，要素型结构顺序也可运用于课程模块和知识点中。

Fig.2 Elemental knowledge structure relationship图2 要素型知识结构关系

WHY/WHAT/HOW结构顺序从为什么、是什么到怎么做的结构对知识进行讲解，是按照解决问题时的推理过程形成的知识结构顺序，经常应用于单一知识点的结构化讲解。

以学生为中心的个性化智能在线教育模式主要使用要素型和流程型结构顺序去构建模块化的课程知识结构体系。在模块化的知识结构设计中，两种结构顺序通常混合嵌套使用，进而形成完整的知识结构。

一般来说，构建课程知识结构时，教师需要先确定模块之间的逻辑，再确定模块中知识点之间的逻辑。图3是一个由要素型和流程型结构顺序混合而成的模块化课程知识体系。

Fig.3 Modularized course knowledge structure图3 模块化课程知识体系

可以看出，整个课程由5个模块组成。其中D、E模块之间是流程型结构顺序，也即只有完成D模块学习并通过测试后才能进行E模块的学习。模块B、C之间是要素型结构顺序，可以以任意顺序学习。此外，课程模块由知识点组成，其中模块A是一个流程型结构顺序，由知识点A1、A2和A3组成。模块B由知识点B1、B2、B3、B4和B5组成，其中B2、B3和B4是一个要素型结构顺序。

建立一个模块化的课程知识体系要求授课教师列出每个课程模块及其知识点，并要给出课程模块和知识点之间的逻辑关系。此外，教师仍要以每个知识点为粒度，制作教学课件、教学视频、实验案例和教学案例等教学资源，同时编写知识点检测习题集，检测学生是否掌握了该知识点。对于每个知识点，授课教师可以设定相应的分数评估阈值，以判定学生是否掌握了该知识点，不同的知识点可以有不同的评估阈值。

2.2 个性化智能在线学习

建立一个科学合理的模块化课程知识体系，形成一个覆盖全部课程内容且前后衔接顺畅的完整知识链是进行个性化智能在线教育的第一步。为了增加学生学习的主动性，在模块化的课程知识体系基础上提出一种个性化的智能在线学习模式，由智能化系统根据学生的知识水平为其推荐对应其能力的课程模块和知识点，解决学生知识水平和学习能力参差不齐的问题，具体的学习流程如图4所示。

Fig.4 Personalized intelligent online learning process图4 个性化智能在线学习流程

2.2.1 选择学习起点

每个课程知识体系都有初始的课程模块和知识点，学生可以选择按照课程知识体系的默认设置按部就班地逐个学习每个知识点。能力较强的同学可以选择不学习知识点，直接进行测试，如果通过测试，可以跳过该知识点，否则需要对这一知识点进行学习。

2.2.2 完成测试作业，并由系统自动评分

学生完成相应知识点的学习后，系统会要求其完成对应知识点的作业，并由系统对其作业完成情况自动评分。

作业题目可由授课教师按照课程模块或知识点的特点设置，一般由主观题和客观题组成。客观题的评分可由系统自动完成，主观题则需要授课教师的人工参与，当然也可以引入机器学习等技术进行自动评分，但后者系统开发的代价相对较大。最后，系统会对学生的作业完成情况给出一个总评成绩。

2.2.3 下一阶段的学习

学生在学习完一个知识点并完成相应作业后，系统会根据作业的完成情况评分。若评分超过设定的阈值，系统则会按照课程知识体系和评分为其智能分派下一个知识点进行学习，学生也可自由选择后续的任意一个课程模块或知识点学习。

若评分较低，系统则需为其指定必须学习的先导知识点，要求其学习且测试达标后才可进行下一阶段的学习。若学生依旧没有按时完成系统推荐课程模块或知识点的学习并未能通过测试，系统则需要向前为其指定更加简单的课程模块或知识点供其学习，依次向前直到初始的课程模块或知识点。

3 讨论

3.1 个性化智能在线学习模式的优势

尽管开放在线学习模式可供学生“随时随地”学习，但无法向具有不同知识水平和学习能力的学生们提供个性化学习路线，使得学生没有很强的参与感，失去学习的兴趣与动力。以学生为中心的个性化在线教育模式实现了智能动态评估学生表现，并根据学生知识水平和能力的不同为其提供个性化学习内容和路线，使得不同水平的学生都可以轻松主动地参与到学习当中去，进而收获更多的“获得感”与“成就感”。对提供教学资源的教师来说，他们也不必仅关注大多数“中等学生”，而是可以通过个性化的教育模式照顾到不同层次的学生，进而提高教学过程的“公平性”。此外，需要说明的是，尽管以学生为中心的个性化在线教育模式以计算机学科为背景，其所阐述的学习模式与具体的学科、专业或课程无关，完全可以在非计算机相关课程教学当中使用。

3.2 个性化智能在线教育模式的实现

从信息技术的角度来讲，个性化在线教育模式需要借助工作流技术来实现［21］。工作流是指能完全自动执行的事务过程，根据一系列过程规则，将文档、信息或任务在不同的执行者之间进行传递与执行［22-24］。工作流作为一种分布式的应用技术，描述整个工作流程及其各操作步骤之间的依赖关系，决定着各个子操作在分布式环境下的执行，充分展示了实用性和优越性。目前，工作流技术在商业应用中已经得到了充分的发展，产生了一些用于设计、执行、管理及监控业务流程的技术和标准。比如，微软公司、IBM公司和BEA公司合作开发的业务流程执行语言BPEL4WS（又称BPEL），实现了业务流程定义格式的标准化，使得公司之间可以通过Web服务无缝交互。鉴于BPEL的规范性和广泛运用，个性化的在线教育模式可以基于BPEL工作流系统进行扩展开发，使其可以描述模块化课程知识体系中各课程模块和知识点的依赖关系。同时，工作流技术可以将学生和教师的行为与工作流系统的行为结合起来，实现学生学习、教师评分与系统智能评估的有机结合。

4 结语

合理的教学模式是提高教学质量的主要途径之一。在线教育不仅有利于发达地区优质教学资源共享，学生还可以根据实际需要，通过互联网不受时空限制地学习、交流和评估。但由于学生知识水平和学习能力参差不齐等原因，使得在线课程的完课率较低。与这些工作不同的是，通过重塑具体课程的模块化知识体系，以学生为中心的个性化在线教育模式不仅可以智能地对学生在学习中的表现动态评估，还可以根据学生知识水平和学习能力不同为其提供个性化的学习内容和路线，满足不同层次学生的需求，增强学生学习的“获得感”与“成就感”。