李玲靜 汪存友

【摘 要】隨著大數(shù)據(jù)技術(shù)、學(xué)習(xí)分析技術(shù)的發(fā)展，一大批基于數(shù)據(jù)分析的自適應(yīng)學(xué)習(xí)平臺應(yīng)運(yùn)而生，Knewton就是其中的一個。從學(xué)習(xí)組織、資源組織兩個方面對“Knewton”進(jìn)行了深層次剖析，得出了一些啟示。

【關(guān)鍵詞】Knewton;學(xué)習(xí)分析;自適應(yīng)學(xué)習(xí)

【中圖分類號】G40-057?? 【文獻(xiàn)標(biāo)識碼】A?? 【文章編號】1001-8794（2019）07-0029-06

【收稿日期】2019-04-12

【基金項(xiàng)目】2019年度教育部人文社科研究青年基金項(xiàng)目“認(rèn)知診斷理論在個性化學(xué)習(xí)資源推薦系統(tǒng)中的應(yīng)用研究”，項(xiàng)目編號為19YJC880080;2018年度山西省高等學(xué)校哲學(xué)社會科學(xué)研究一般項(xiàng)目“義務(wù)教育均衡發(fā)展背景下中小學(xué)校長信息化領(lǐng)導(dǎo)力指數(shù)研究”，項(xiàng)目編號為20180305;山西師范大學(xué)2018年度教學(xué)改革項(xiàng)目“對接與重構(gòu)：混合式教學(xué)模式下大學(xué)課程學(xué)業(yè)評價改革的理論與實(shí)踐”，項(xiàng)目編號為2018JGXM-02

【作者簡介】李玲靜（1982—），女，河南林州人，碩士，講師，研究方向?yàn)檫h(yuǎn)程教育、教育信息化、教師專業(yè)發(fā)展;汪存友（1982—），男，湖北隨州人，博士，教授，研究方向?yàn)榻逃畔⒒?、心理測量、教育評價。

一、引言

隨著全球教育資源的不斷開放共享，一些提供優(yōu)質(zhì)教育資源的平臺應(yīng)運(yùn)而生，如培生、Coursera、Udacity，還有中國大學(xué)MOOC等等。但這些優(yōu)質(zhì)的教育資源平臺都存在一個“軟肋”，那就是學(xué)習(xí)支持服務(wù)環(huán)節(jié)相對“傳統(tǒng)”一些。學(xué)習(xí)分析技術(shù)、大數(shù)據(jù)技術(shù)的不斷發(fā)展為學(xué)習(xí)支持服務(wù)提供了新的支持，Knewton就是在這個背景下出現(xiàn)的，它可以將內(nèi)容供應(yīng)商（如培生、劍橋等）所提供的優(yōu)質(zhì)內(nèi)容與其獨(dú)特的技術(shù)和個性化服務(wù)對接，進(jìn)而提升學(xué)習(xí)者學(xué)習(xí)體驗(yàn)，并顛覆傳統(tǒng)的學(xué)習(xí)思維，支持建構(gòu)新型的學(xué)習(xí)方式——自適應(yīng)學(xué)習(xí)。

“Knewton”作為自適應(yīng)學(xué)習(xí)系統(tǒng)的代表，其典型特征就是為不同的學(xué)習(xí)者用戶提供不同的學(xué)習(xí)支持服務(wù)，即實(shí)現(xiàn)系統(tǒng)對學(xué)習(xí)者學(xué)習(xí)的自適應(yīng)服務(wù)。這有別于傳統(tǒng)的學(xué)習(xí)支持服務(wù)，它利用大數(shù)據(jù)、學(xué)習(xí)分析等技術(shù)能最大限度地挖掘?qū)W習(xí)者個體的學(xué)習(xí)需求，能相對“高效”“個性化”地“配置”學(xué)習(xí)資源、“推送”學(xué)習(xí)策略、“定制”學(xué)習(xí)支持服務(wù)。筆者以“Knewton”為研究對象，從學(xué)習(xí)組織、資源組織兩個方面對其進(jìn)行了深層次剖析，最后得出了一些啟示與思考。

二、Knewton學(xué)習(xí)支持服務(wù)

Knewton是由約瑟·費(fèi)雷拉（Jose Ferreira）在2008年創(chuàng)辦的，成立之初主要支持GMAT、LSAT、SAT等標(biāo)準(zhǔn)化在線考試。當(dāng)眾多數(shù)字化教育資源大量充斥著互聯(lián)網(wǎng)平臺的時候，Knewton在2011年之后轉(zhuǎn)而與各大教育資源出版商合作，成為數(shù)字化學(xué)習(xí)資源與學(xué)習(xí)方式個性化融合的技術(shù)支撐平臺。截至目前為止，Knewton在120多個國家得到廣泛推廣。

Knewton的長期目標(biāo)是為發(fā)行商、學(xué)校及全球的學(xué)生提供預(yù)測性分析及個性化推薦。其中自適應(yīng)的學(xué)習(xí)支持工具是Knewton的核心技術(shù)。其自適應(yīng)的學(xué)習(xí)支持服務(wù)主要通過三個環(huán)節(jié)來實(shí)現(xiàn)：數(shù)據(jù)收集與處理、學(xué)習(xí)分析、學(xué)習(xí)推薦。正是通過“數(shù)據(jù)收集與處理—學(xué)習(xí)分析—學(xué)習(xí)推薦”這樣的循環(huán)往復(fù)，使得每個學(xué)習(xí)者都能得到獨(dú)一無二的學(xué)習(xí)幫助。

（一）數(shù)據(jù)收集與處理

數(shù)據(jù)收集，Knewton主要通過自適應(yīng)本體和模型引擎來進(jìn)行。

1.自適應(yīng)本體

自適應(yīng)本體（adaptive ontology）將學(xué)科內(nèi)容（概念或者知識點(diǎn)）和學(xué)習(xí)對象（如：教學(xué)視頻、PPT、網(wǎng)頁文本或者試題）進(jìn)行關(guān)系映射，[1]即建立學(xué)習(xí)內(nèi)容中不同概念之間的關(guān)聯(lián)，并結(jié)合搜集到的數(shù)據(jù)結(jié)果，將學(xué)習(xí)對象、學(xué)習(xí)路徑、學(xué)習(xí)者集成在一起，供后續(xù)階段使用。Knewton中存在大量的“異構(gòu)數(shù)據(jù)”，既包括數(shù)據(jù)結(jié)構(gòu)上的異構(gòu)數(shù)據(jù)（如文本、圖形、圖像、視頻、音頻等），還包括語義上的異構(gòu)數(shù)據(jù)（如學(xué)習(xí)內(nèi)容數(shù)據(jù)與學(xué)習(xí)者特征數(shù)據(jù)）。由于數(shù)據(jù)的結(jié)構(gòu)形式、語義表現(xiàn)形式不同，再加之集成的數(shù)據(jù)量的幾何級增加，所以異構(gòu)數(shù)據(jù)自適應(yīng)集成是Knewton在此過程中所要解決的主要問題。

2.模型引擎

這里的模型引擎包括心理測試引擎（Psychometrics Engine）、策略引擎（Learning Strategy Engine）以及反饋引擎（Feedback Engine）。[2]個體學(xué)習(xí)者在使用Knewton的過程中，會產(chǎn)生大量數(shù)據(jù)集合，包括靜態(tài)數(shù)據(jù)、動態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)指的是一些相對穩(wěn)定不變的數(shù)據(jù)信息，例如學(xué)生的注冊信息、學(xué)習(xí)偏好、認(rèn)知風(fēng)格等。動態(tài)數(shù)據(jù)指的是在學(xué)習(xí)過程中動態(tài)變化的數(shù)據(jù)信息。一般“模型引擎”對數(shù)據(jù)的處理都是針對動態(tài)數(shù)據(jù)而言的。

心理測試引擎主要收集學(xué)習(xí)者的知識結(jié)構(gòu)、能力水平、學(xué)習(xí)進(jìn)度等動態(tài)數(shù)據(jù)信息，旨在表征學(xué)習(xí)者的預(yù)備學(xué)習(xí)狀態(tài)。策略引擎負(fù)責(zé)收集學(xué)習(xí)者學(xué)習(xí)進(jìn)度安排、學(xué)習(xí)評價等方面的動態(tài)數(shù)據(jù)信息，旨在揭示學(xué)習(xí)者在學(xué)習(xí)過程中對學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等改變做出的反應(yīng)，從而為學(xué)習(xí)策略的制定提供依據(jù)。反饋引擎對收集到的數(shù)據(jù)反饋結(jié)果進(jìn)行統(tǒng)一處理，并將它們充實(shí)到自適應(yīng)本體庫中，以豐富自適應(yīng)本體的元數(shù)據(jù)信息，旨在為知識圖譜與學(xué)習(xí)過程信息之間的關(guān)聯(lián)映射提供更高度的精準(zhǔn)分析。

（二）學(xué)習(xí)分析

學(xué)習(xí)分析階段，通過心理測試引擎、策略引擎及反饋引擎對上一階段收集到的數(shù)據(jù)進(jìn)行分析，分析的結(jié)果將提供給建議階段進(jìn)行個性化學(xué)習(xí)推薦時使用。Knewton的學(xué)習(xí)分析的核心技術(shù)建立在亞馬遜的大數(shù)據(jù)和云平臺服務(wù)的基礎(chǔ)上，應(yīng)用了Amazon Elastic Map Reduce （Amazon EMR）分析平臺上的大數(shù)據(jù)集。在這一階段中主要運(yùn)用項(xiàng)目反應(yīng)理論（Item Response Theory，簡稱IRT）、概率圖形模型（Probabilistic Graphical Models，簡稱PGMs）、凝聚層次聚類（Hierarchical Agglomerative Clustering，簡稱HAC）等算法來實(shí)現(xiàn)自適應(yīng)分析。[3]

1.項(xiàng)目反應(yīng)理論（IRT）

傳統(tǒng)的學(xué)習(xí)服務(wù)平臺對學(xué)生能力的評估主要存在以下兩種問題：

（1）傳統(tǒng)評分方法中測試試題沒有貢獻(xiàn)度級別分配，所以關(guān)于簡單問題和復(fù)雜問題的回答，對學(xué)生學(xué)習(xí)能力的評估都沒有進(jìn)行差異性分析。

（2）傳統(tǒng)評分方法中對學(xué)生能力的評估認(rèn)定為一個相對恒定的概念，在表征時基本上為常量值表達(dá)。

IRT在學(xué)生的能力水平與每道試題之間建立非線性回歸模型，它描述了特定能力水平的學(xué)生答對特定難度試題的概率情況。給定學(xué)生的預(yù)估能力和試題難度情況，IRT就可以預(yù)測出學(xué)生答對該試題的概率水平，反之，若已知學(xué)生在若干道試題上的作答結(jié)果，IRT就可以反推出學(xué)生的知識掌握水平，學(xué)生每作答完一道試題，IRT就重新評估一次學(xué)生的能力水平，直至穩(wěn)定。

采用了IRT的Knewton平臺突破了上述兩點(diǎn)局限。根據(jù)學(xué)生對不同試題的表現(xiàn)，Knewton針對試題的貢獻(xiàn)度級別與學(xué)習(xí)者的學(xué)習(xí)能力進(jìn)行建模。其中，試題的貢獻(xiàn)度級別由難度系數(shù)和區(qū)分度決定，Knewton對學(xué)生能力的表征不再局限于某個唯一的參數(shù)，而是通過利用聚焦于概念層面的知識圖譜來對學(xué)生能力進(jìn)行動態(tài)評估和表征。[4]

2.概率圖形模型（PGMs）

PGMs是由IRT模型生成的二項(xiàng)反饋函數(shù)，在此框架模型中包含了貝葉斯神經(jīng)網(wǎng)絡(luò)和馬爾科夫隨機(jī)場等統(tǒng)計(jì)方法，以處理多維空間的概率分布并進(jìn)行有效編碼，其應(yīng)用范圍已經(jīng)涉及網(wǎng)絡(luò)故障診斷、圖像認(rèn)知、生物網(wǎng)絡(luò)、語音識別、自然語言處理以及機(jī)器人導(dǎo)航等多個領(lǐng)域。PGMs框架為在復(fù)雜的環(huán)境中動態(tài)、連續(xù)地進(jìn)行對象評估提供了一個必要的工具。在Knewton中，PGMs將Knewton中個體學(xué)習(xí)者的學(xué)習(xí)活動與系統(tǒng)評估聯(lián)系起來，從而進(jìn)一步分析學(xué)生知識掌握的水平。

3.凝聚層次聚類（HAC）

聚類分析是人們認(rèn)識和探索事物內(nèi)在聯(lián)系的一種手段，“物以類聚，人以群分”是這一理念的最樸素和直觀的反映，[5]其目的是將一個數(shù)據(jù)集劃分為若干聚類，并使得同一個聚類內(nèi)的數(shù)據(jù)對象具有較高的相似度，而不同聚類中的數(shù)據(jù)對象的相似度盡可能低。[6]在數(shù)據(jù)挖掘中，層次聚類是一種分析方法，被用來構(gòu)建類的層次或者結(jié)構(gòu)。Knewton使用HAC對龐大的學(xué)生群體的特征數(shù)據(jù)（如概念的掌握程度、學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣）進(jìn)行聚類分析，發(fā)現(xiàn)存在的潛在簇群，進(jìn)而用于指導(dǎo)教師對學(xué)生進(jìn)行分組。

（三）學(xué)習(xí)推薦

學(xué)習(xí)指導(dǎo)階段則通過推薦引擎（Recommendations Engine）、預(yù)測分析引擎（Predictive Analytics Engine）和歸一化學(xué)習(xí)軌跡（Unified Learning History）為教師與學(xué)生提供學(xué)習(xí)建議并提供統(tǒng)一匯總的學(xué)習(xí)軌跡。

其中，推薦引擎依據(jù)學(xué)習(xí)目標(biāo)、學(xué)習(xí)者的“特征性”、學(xué)習(xí)投入程度三個指標(biāo)，為學(xué)生提供下一步指導(dǎo)建議;預(yù)測分析引擎負(fù)責(zé)預(yù)測學(xué)生的學(xué)習(xí)結(jié)果，如學(xué)習(xí)目標(biāo)完成的速度、程度以及知識的掌握程度等;歸一化學(xué)習(xí)軌跡主要功能在于建立每個學(xué)習(xí)者與“學(xué)習(xí)情境”的關(guān)聯(lián)。這里的“學(xué)習(xí)情境”涉及“學(xué)科知識”“學(xué)習(xí)應(yīng)用”“學(xué)習(xí)時段”等內(nèi)容。學(xué)習(xí)者與“學(xué)習(xí)情境”的關(guān)聯(lián)時間越長，平臺對學(xué)習(xí)者的“認(rèn)知”越深，從而對學(xué)習(xí)者的推薦服務(wù)也就越“智能”。可以看出，學(xué)習(xí)者在平臺的學(xué)習(xí)時間越長，其學(xué)習(xí)軌跡也就越多，其“智能化推薦”精度也越高。

此外，需要說明的是，受到艾賓皓斯記憶保持力和學(xué)習(xí)曲線的啟發(fā)，Knewton推薦引擎將學(xué)生學(xué)習(xí)與遺忘能力曲線整合到模型引擎當(dāng)中，從而能更“精準(zhǔn)”捕捉學(xué)生真實(shí)的知識儲存情況。

三、Knewton自適應(yīng)組織機(jī)制

針對Knewton的“自適應(yīng)”機(jī)制，筆者主要從資源組織與學(xué)習(xí)組織兩個維度加以分析。

（一）資源組織機(jī)制

2015年8月之前，Knewton就陸續(xù)地與各大出版集團(tuán)，如Pearson Education、Macmillan Education、Houghton Mifflin Harcourt等，建立合作關(guān)系，通過開放的API接口將各類課程材料進(jìn)行數(shù)字化處理，并提供相應(yīng)的數(shù)字化學(xué)習(xí)支持服務(wù)，Knewton自身并不提供學(xué)習(xí)資源。2015年8月之后，Knewton開始對個人開放，鼓勵用戶上傳學(xué)習(xí)資源，其自身也為用戶提供一部分學(xué)習(xí)資源。[7]故在Knewton中存在大量“自適應(yīng)學(xué)習(xí)資源”，一類是出版商公開發(fā)行的“系統(tǒng)化”學(xué)習(xí)資源，其特點(diǎn)是結(jié)構(gòu)化程度高、可信度好;另一類是使用平臺的“使用者”上傳的一些“非系統(tǒng)化”資源，具有顆?；?、碎片化特征。

縱觀當(dāng)前的各種網(wǎng)絡(luò)學(xué)習(xí)平臺，其資源的組織方式不外乎三類：“自上而下”式、“自下而上”式、混合式。

（1）“自上而下”的資源組織方式，是公開出版發(fā)行的各種類型的資源（包括文本、聲音、視頻、動畫、表格等）經(jīng)過“?；碧幚恚伞跋到y(tǒng)化”資源變?yōu)椤邦w?；辟Y源的過程。

（2）“自下而上”的資源組織方式是指“非系統(tǒng)化”資源按照一定的算法進(jìn)行“聚合”，由“顆?；弊?yōu)椤敖Y(jié)構(gòu)化”的過程。

（3）混合式資源組織方式，是兼有以上兩者形式的資源組織方式。

Knewton平臺上資源組織應(yīng)當(dāng)歸屬于第三類。其中自動“粒化”、動態(tài)“聚合”在一定程度上體現(xiàn)了Knewton平臺的資源組織的“自適應(yīng)特征”。

“?；钡幕A(chǔ)是“細(xì)粒度”。[8]針對資源的“細(xì)粒度”描述，IEEE LOM標(biāo)準(zhǔn)依據(jù)功能分了五個層次，[9]分別為：“有用的內(nèi)容”“信息對象”“學(xué)習(xí)對象”“學(xué)習(xí)構(gòu)件”“學(xué)習(xí)環(huán)境”?！坝杏玫膬?nèi)容”指的是單個的媒體數(shù)據(jù)，“信息對象”“學(xué)習(xí)對象”分別指的是個體學(xué)習(xí)者參與的一節(jié)課、一門課程;“學(xué)習(xí)構(gòu)件”指的是獲得某證書所需要的一系列課程;“學(xué)習(xí)環(huán)境”指與學(xué)習(xí)相關(guān)的所有硬、軟件資源的集合。

資源的“細(xì)粒度”直接決定資源的“聚合”程度?！凹?xì)粒度”過小，不利于展示資源相互間的內(nèi)在關(guān)系?！凹?xì)粒度”過大，不利于資源的高“績效”利用。在Knewton中，大量的出版商課程資源，經(jīng)過“粒化”處理，被分解為粒度合適的“?；辟Y源。此外，Knewton在2015年8月后，也實(shí)現(xiàn)了對用戶（包括教師與學(xué)習(xí)者）上傳資源的“?；苯M織。這兩種“?；辟Y源（出版商資源和用戶資源）最終都是按照“一定算法”來進(jìn)行自適應(yīng)“聚合”的。從資源的利用維度看，“?；睂?shí)現(xiàn)了資源有效利用，避免了“冗余”資源的產(chǎn)生，提高了資源利用的“績效”。從資源生存周期來看，“?；币欢ǔ潭壬涎娱L了資源的使用周期。

“聚合”被認(rèn)為是當(dāng)前學(xué)習(xí)平臺中常用的資源組織模式和手段，但資源怎樣聚合，以什么樣的形式“聚合”，每個學(xué)習(xí)平臺則各有差異，但基本都是以異構(gòu)性資源的“聚合、組織和呈現(xiàn)”為前提的?！熬酆稀?，有基于語義的聚合，有基于關(guān)系（社會網(wǎng)絡(luò)）聚合，還有基于知識元的聚合。而“呈現(xiàn)”大多都是一種可視化表達(dá)，這種表達(dá)有“結(jié)構(gòu)性”的、“非結(jié)構(gòu)性”的以及“半結(jié)構(gòu)性”的。

在大數(shù)據(jù)的支持下，Knewton通過自適應(yīng)本體技術(shù)，將學(xué)習(xí)內(nèi)容整合到學(xué)習(xí)資源中，依據(jù)一定的復(fù)雜算法實(shí)現(xiàn)了以對象本體為中心的“知識關(guān)聯(lián)”“資源聚合”。聚合后的可視化“知識圖譜”，不僅建構(gòu)了本體對象的“結(jié)構(gòu)性”概念框架，還實(shí)現(xiàn)了資源的“跨學(xué)科”“動態(tài)”“連續(xù)”的整合。圖1顯示了 Knew-ton中資源組織方式。

（二）學(xué)習(xí)組織機(jī)制

Knewton平臺其影響范圍如此之大，除了自適應(yīng)的資源組織機(jī)制之外，還有一個重要的因素——自適應(yīng)的學(xué)習(xí)組織機(jī)制。自適應(yīng)的學(xué)習(xí)過程是學(xué)習(xí)者通過自身原有知識經(jīng)驗(yàn)與適應(yīng)性學(xué)習(xí)系統(tǒng)進(jìn)行交互活動來獲取知識、獲得能力的過程。[10]在此過程中，學(xué)習(xí)者自我組織、制訂并執(zhí)行學(xué)習(xí)計(jì)劃，自主選擇學(xué)習(xí)策略，自主控制學(xué)習(xí)過程，并進(jìn)行自我評估。[11]

可以看到“自主性”貫穿整個適應(yīng)性學(xué)習(xí)的全過程。因而，學(xué)習(xí)者的“自主性”決定著學(xué)習(xí)者學(xué)習(xí)的成敗。如何激發(fā)學(xué)習(xí)者的“自主性”呢？筆者將從動力機(jī)制、學(xué)習(xí)機(jī)制、反饋與強(qiáng)化機(jī)制三個方面對Knewton的自組織學(xué)習(xí)進(jìn)行分析。

1.動力機(jī)制

自適應(yīng)學(xué)習(xí)的動力機(jī)制是指個體學(xué)習(xí)者自身具有的自組織功能。[12]在Knewton中，影響個體學(xué)習(xí)者“自組織”的因素體現(xiàn)在豐富的學(xué)習(xí)資源、積極的學(xué)習(xí)體驗(yàn)以及終身化的學(xué)習(xí)檔案等方面。

（1）豐富的學(xué)習(xí)資源：通過前面的闡述可以知道，Knewton存在大量“自適應(yīng)”學(xué)習(xí)資源，范圍涉及高等教育、職業(yè)教育以及K-12，幾乎覆蓋了所有層次的主流課程。Knewton學(xué)習(xí)者數(shù)量的批量化增加，在平臺運(yùn)營早期可能得益于“系統(tǒng)化”的出版商資源，但是隨著學(xué)習(xí)的不斷深入，“?；辟Y源將伴隨學(xué)習(xí)者整個自適應(yīng)學(xué)習(xí)過程。

（2）積極的學(xué)習(xí)體驗(yàn)：“游戲化”的“教學(xué)策略”、多樣化的“教學(xué)組件”、個性化的“學(xué)習(xí)目標(biāo)”在一定程度上能吸引學(xué)生對學(xué)習(xí)的投入度。Knewton通過游戲的“流動”不斷地增加學(xué)習(xí)難度和懸念，使學(xué)習(xí)者體驗(yàn)“游戲化”學(xué)習(xí)情境。多樣化的“教學(xué)組件”（如儀表盤、數(shù)字徽章、道具等）可以豐富學(xué)習(xí)活動，可以實(shí)現(xiàn)異質(zhì)分組、可以實(shí)現(xiàn)學(xué)習(xí)協(xié)同，在一定程度上也提高了學(xué)生的參與度。個性化的“學(xué)習(xí)目標(biāo)”可以使每個學(xué)習(xí)者在學(xué)習(xí)過程中都能盡可能地“跟隨”目標(biāo)，不會“偏離”目標(biāo)太遠(yuǎn)，這樣可以避免“偏離”目標(biāo)對學(xué)生造成的不適感以及挫折感的出現(xiàn)。

（3）終身化的學(xué)習(xí)檔案：在Knewton中，每個學(xué)習(xí)者都可以看到一個持續(xù)更新的學(xué)習(xí)概覽。概覽呈現(xiàn)了學(xué)習(xí)者已經(jīng)學(xué)過的知識以及將要學(xué)習(xí)的知識。這個學(xué)習(xí)概覽是不斷發(fā)展的，隨著學(xué)生在平臺上學(xué)習(xí)時間的增加，這個概覽變得更加“智能”，能“智能”地洞察學(xué)生對材料的掌握程度，能“智能”地判斷學(xué)習(xí)者的學(xué)習(xí)方式等。

2.基于“連續(xù)統(tǒng)”的個性化學(xué)習(xí)機(jī)制

Knewton以“連續(xù)統(tǒng)”的學(xué)習(xí)組織思想來指導(dǎo)學(xué)習(xí)者自適應(yīng)學(xué)習(xí)過程。這一點(diǎn)有別于傳統(tǒng)的單點(diǎn)適應(yīng)性學(xué)習(xí)，它不是以一個單獨(dú)的節(jié)點(diǎn)（如通過一次測試考核）來評估學(xué)習(xí)者的現(xiàn)狀以決定學(xué)習(xí)者的下一步的“學(xué)習(xí)”，而是通過對學(xué)習(xí)者的不斷測試，來不斷挖掘個體學(xué)習(xí)者在學(xué)習(xí)中的各種數(shù)據(jù)，包括概念、結(jié)構(gòu)、媒體格式數(shù)據(jù)及學(xué)習(xí)者的“個性特征數(shù)據(jù)”，并采用復(fù)雜算法把這一系列針對每個學(xué)習(xí)者的數(shù)據(jù)內(nèi)容拼接起來，綜合做出“判斷”，給出“學(xué)習(xí)路徑”。

學(xué)習(xí)者在整個學(xué)習(xí)過程中，采用測驗(yàn)題目與短視頻相結(jié)合的學(xué)習(xí)方式，通過對學(xué)習(xí)環(huán)境中的提示和反饋進(jìn)行自主評價和自主選擇，實(shí)現(xiàn)“個性化學(xué)習(xí)”。如Knewton 平臺中提供的數(shù)學(xué)乘方、開方或根式運(yùn)算（operations with radical expressions）測試，測試內(nèi)容涉及小學(xué)、中學(xué)甚至大學(xué)課本中的相關(guān)知識。[13]故此，在一個測驗(yàn)中可能會出現(xiàn)跨越度較大（從小學(xué)到大學(xué)）的試題，當(dāng)學(xué)生遇到比較難的知識點(diǎn)，Knewton會自動降低試題級別給予推送，遇到會的知識點(diǎn)時候，會自動提高試題級別，學(xué)習(xí)者只有通過不斷“測試”，才會逐漸接近最適合自己的“學(xué)習(xí)路徑”。這一過程是一個“不間斷、連續(xù)”的過程。當(dāng)然，在實(shí)際的學(xué)習(xí)過程中，學(xué)習(xí)者的自身水平也不是一成不變的，Knewton已將學(xué)習(xí)者隨著學(xué)習(xí)的不斷深入，自身水平也會呈現(xiàn)增長的態(tài)勢，考慮進(jìn)模型計(jì)算引擎中，從而能更加動態(tài)地揭示學(xué)習(xí)者的真實(shí)狀態(tài)。

3.反饋與強(qiáng)化機(jī)制

自適應(yīng)學(xué)習(xí)雖然是一種自主的、個性化的學(xué)習(xí)，但它不是一種完全獨(dú)立的學(xué)習(xí)，它需要學(xué)習(xí)環(huán)境中有良好的反饋系統(tǒng)，以幫助學(xué)生作出自主決策。傳統(tǒng)的教學(xué)評估反饋往往由于學(xué)生人數(shù)較多而反饋不及時，針對性不強(qiáng)。而Knewton作為一個自適應(yīng)學(xué)習(xí)系統(tǒng)，它能夠快速地針對學(xué)習(xí)者的多個選擇和響應(yīng)提供個性化反饋。反饋主要來自于學(xué)習(xí)同伴之間反饋以及教師的反饋。通過反饋，學(xué)習(xí)者可以更好地認(rèn)知自己的知識掌握程度，同時也在一定程度上促進(jìn)了學(xué)習(xí)者之間、學(xué)習(xí)者與教師之間的協(xié)作交流、情感交流。此外，即時的反饋，還可以保持學(xué)習(xí)者基于資源支持的學(xué)習(xí)過程的專注力。

除了反饋之外，強(qiáng)化機(jī)制也必不可少。與傳統(tǒng)的強(qiáng)化方式不同，Knewton并不要求學(xué)習(xí)者在較短的時間內(nèi)反復(fù)強(qiáng)化新概念（或技巧）直至掌握，而是采用空間強(qiáng)化（也可以理解為分布式強(qiáng)化）的方式。Knewton將學(xué)習(xí)的舊知識與新知識資源編織在一起，即在一個較長的時間段中，學(xué)習(xí)者通過對新知識材料的學(xué)習(xí)，可以不斷強(qiáng)化已經(jīng)學(xué)習(xí)過的概念或技巧，這樣反復(fù)的空間強(qiáng)化可以幫助學(xué)習(xí)者“長久地”掌握所學(xué)，即一旦學(xué)習(xí)過就能長久記憶。

四、總結(jié)與反思

“沒有兩個學(xué)生是一樣的——他們以不同的速率學(xué)習(xí)和忘記，來自不同的教育背景，有著不同的智力程度、注意力范圍和學(xué)習(xí)方式”。[14]基于這樣的理念，Knewton打破了傳統(tǒng)學(xué)習(xí)方式，把每個學(xué)生個體，置于一個更為個性化的情景之中。然而，作為自適應(yīng)學(xué)習(xí)平臺的典范，給予我們的啟示與反思是深遠(yuǎn)的。

（一）“社會化”的交互組織機(jī)制亟待發(fā)展

日本知識管理專家野中郁次郎提出了顯性知識和隱性知識相互轉(zhuǎn)換的SECI過程，[15]提出知識的顯隱形轉(zhuǎn)化，通過社會化、外化、融合、內(nèi)化四個過程來實(shí)現(xiàn)。其中，社會化（Socialization）是實(shí)現(xiàn)隱形知識傳遞、創(chuàng)新的前提。

Knewton雖然在2015年8月以后，實(shí)現(xiàn)了對用戶的“?；辟Y源組織，如Knewton 允許教師創(chuàng)建課程、添加作業(yè)， 還允許學(xué)習(xí)者創(chuàng)建測驗(yàn)題目，如添加內(nèi)容、題目、選項(xiàng)、答案、解釋等，甚至還可創(chuàng)建教學(xué)材料，如添加適合年級水平的內(nèi)容等。但對于平臺總體而言，學(xué)習(xí)者之間的“社會化”互動程度不高，“聯(lián)通性”不強(qiáng)。個體學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的一些新的想法，因缺乏“社會化”交互，會隨時消失。

社交網(wǎng)絡(luò)支持的教學(xué)實(shí)踐活動（SNAPP，Social Networks Adapting Pedagogical Practice）在“社會化”方面的功能值得借鑒，它針對學(xué)習(xí)者的學(xué)習(xí)行為、交互行為的數(shù)據(jù)進(jìn)行挖掘與分析，并運(yùn)用學(xué)習(xí)網(wǎng)絡(luò)圖、社會網(wǎng)絡(luò)圖可視化展示學(xué)習(xí)活動參與者的整體交互全貌以及個別學(xué)習(xí)者的細(xì)節(jié)。所以，Knewton在對單個學(xué)習(xí)者進(jìn)行“精準(zhǔn)”分析的同時，更應(yīng)該關(guān)注學(xué)習(xí)者在“學(xué)習(xí)群體”中的現(xiàn)狀，推送（推薦）基于某一內(nèi)容學(xué)習(xí)而自發(fā)組織的“學(xué)習(xí)社群”，促使學(xué)習(xí)者展開有意義的討論，這樣可以提高學(xué)習(xí)者參與度，更有利于學(xué)習(xí)者“隱形”知識的傳遞與創(chuàng)新。

（二）多維度的評價機(jī)制亟待建構(gòu)

隨著機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，情感計(jì)算走進(jìn)了教育者的研究視野。情感計(jì)算是指機(jī)器對人類情感進(jìn)行識別、翻譯和仿真。[16]它是通過攝像頭對人臉和手勢行為的捕捉，并應(yīng)用一定的算法捕獲和分析情緒反應(yīng)。

在個性化學(xué)習(xí)支持中，可以通過情感計(jì)算對學(xué)習(xí)者的情緒特征和社交關(guān)系進(jìn)行解析。[17]雖然Knewton平臺在一定程度實(shí)現(xiàn)了對個體學(xué)習(xí)者 “認(rèn)知”“行為”的評估，但針對“情緒”評估，knweton還沒有相關(guān)的技術(shù)支持。故此，探索基于“認(rèn)知”“行為”“情緒”的多維評價機(jī)制，對于Knewton而言，仍有一段路需要走。

綜上，可以看出，Knewton平臺利用大數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)了針對學(xué)習(xí)者的適應(yīng)性測試，從而直接引導(dǎo)不同類型的學(xué)習(xí)者以“最適合”該學(xué)習(xí)者的鏈接路徑進(jìn)行學(xué)習(xí)。Knewton實(shí)現(xiàn)了學(xué)習(xí)者學(xué)習(xí)方式由“被動”向“主動”、由“統(tǒng)一”向“個性”的轉(zhuǎn)化?！熬_診斷”是“對癥下藥”的前提，Knewton的“自適應(yīng)測評”是“診斷”的序曲。隨著機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)的不斷發(fā)展，“診斷”會越來越“精準(zhǔn)”，而“自適應(yīng)測試”也會逐漸過渡到包括情感計(jì)算在內(nèi)的“智慧測評”階段。如何從“智慧測評”過渡到“智慧學(xué)習(xí)”可能還需要教育研究者進(jìn)行長期的、系統(tǒng)化的思考。[18]

【參考文獻(xiàn)】

[1]周皖婧，辛濤，劉拓.“互聯(lián)網(wǎng)+”背景下的學(xué)生個性化學(xué)習(xí)系統(tǒng)開發(fā)：現(xiàn)狀與啟示[J].清華大學(xué)教育研究，2016（6）：79—84.

[2][14]Wilson K，Nichols Z.Knewton technical white paper[EB/OL].[2017-05-27].http：//learn.knewton.com/technical-white-paper.

[3]Jaffe J.Here is the deck for presenting adaptive learning in the E-education world[EB/OL].[2017-05-27].https：//lists.w3.org/ Archives/Public/www-archive/2015Jan/att-0004/Knewton _W3C_presentation_V2.pdf.

[4]萬海鵬，汪丹.基于大數(shù)據(jù)的牛頓平臺自適應(yīng)學(xué)習(xí)機(jī)制分析：“教育大數(shù)據(jù)研究與實(shí)踐專欄”之關(guān)鍵技術(shù)篇[J].現(xiàn)代教育技術(shù)，2016（5）：5—11.

[5]劉文軍，游興中.一種改進(jìn)的凝聚層次聚類法[J].吉首大學(xué)學(xué)報：自然科學(xué)版，2011（4）：11—14+49.

[6]錢曉東.數(shù)據(jù)挖掘中分類方法綜述[J].Library and Information Service， 2007，51（3）：68—71.

[7]郭朝暉，王楠，劉建設(shè).國內(nèi)外自適應(yīng)學(xué)習(xí)平臺的現(xiàn)狀分析研究[J].電化教育研究，2016（4）：55—61.

[8]馬翠嫦，曹樹金，鄭建瑜.多學(xué)科領(lǐng)域視角下網(wǎng)絡(luò)聚合單元概念框架構(gòu)建研究[J].情報科學(xué)，2015（10）：16—22.

[9]Reusable learning： project introduction[EB/OL].[2017-05-11].http：//www.reusablelearning.org/.

[10]杜龍輝.以評價為中心的適應(yīng)性網(wǎng)絡(luò)課程設(shè)計(jì)與開發(fā)[D].上海：華東師范大學(xué)，2008.

[11]高曉紅.基于網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)系統(tǒng)研究[D].上海：上海師范大學(xué)，2003.

[12]時龍.自適應(yīng)學(xué)習(xí)的方法論探析[J].教育科學(xué)研究，2015（9）：5—13+22.

[13]張華華，汪文義.“互聯(lián)網(wǎng)+”測評：自適應(yīng)學(xué)習(xí)之路[J].江西師范大學(xué)學(xué)報：自然科學(xué)版，2016（5）：441—455.

[15]Nonaka， R.Toyama， N.Konno. SECI， Ba and ladership：a unified model of dynamic knowledge creation[J].Long Range Planning， 2000，33（1）：5—34.

[16]Massachusetts Institute of Technology. Affective Computing[DB/OL].[2017-05-27].http：//affect.media.mit.edu/index.php.

[17]牟智佳.學(xué)習(xí)者數(shù)據(jù)肖像支撐下的個性化學(xué)習(xí)路徑破解：學(xué)習(xí)計(jì)算的價值賦予[J].遠(yuǎn)程教育雜志，2016（6）：11—19.

[18]Zhang Susu，Chang Hua-Hua.From smart testing to smart learning： how testing technology can assist the new gener-ation of education[J].International Journal of SmartTechnology and Learning， 2016，1（1）：67—92.

【Abstract】With the rapid development of Big Data and learning analytics Technology， lots of adaptive learning platforms， taking Knewton as the typical example， are emerging out quickly. In present study， concentrated on how learning activities and learning resources were organized， the Knewton system was firstly deeply discussed， and then some implications about future development of adaptive learning platforms were proposed.

【Key words】Knewton; learning analytics; adaptive learning