童名文 師亞飛 戴紅斌 孫佳

[摘? ?要] 智慧學(xué)習(xí)環(huán)境下的教學(xué)更加關(guān)注學(xué)習(xí)者的個性化訴求，自適應(yīng)學(xué)習(xí)系統(tǒng)能夠為實(shí)現(xiàn)個性化學(xué)習(xí)提供技術(shù)支持。文章針對傳統(tǒng)層狀自適應(yīng)學(xué)習(xí)系統(tǒng)模型未闡明學(xué)習(xí)系統(tǒng)內(nèi)部運(yùn)行機(jī)制的不足，基于自適應(yīng)逆控制理論研制了一種自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型。學(xué)習(xí)者的學(xué)習(xí)目標(biāo)選擇促使學(xué)習(xí)系統(tǒng)開始運(yùn)行，學(xué)習(xí)者的初始學(xué)習(xí)目標(biāo)與其后的學(xué)習(xí)成效之間的差值是維系學(xué)習(xí)系統(tǒng)繼續(xù)運(yùn)行的內(nèi)在動力。學(xué)習(xí)系統(tǒng)在領(lǐng)域模型、學(xué)習(xí)者模型、認(rèn)知診斷和自適應(yīng)模型四者的協(xié)同作用下向?qū)W習(xí)者不斷推送適切的學(xué)習(xí)資源，旨在消除學(xué)習(xí)目標(biāo)與當(dāng)前學(xué)習(xí)成效之間的差值，從而使系統(tǒng)重新歸于穩(wěn)定。文章從系統(tǒng)動力機(jī)制視角，設(shè)計了自適應(yīng)學(xué)習(xí)系統(tǒng)包含的領(lǐng)域模型、學(xué)習(xí)者模型、自適應(yīng)模型和認(rèn)知診斷模型。研究將為自適應(yīng)學(xué)習(xí)系統(tǒng)的設(shè)計與實(shí)現(xiàn)提供理論借鑒。

[關(guān)鍵詞] 智慧學(xué)習(xí)環(huán)境; 個性化; 自適應(yīng)學(xué)習(xí); 自適應(yīng)學(xué)習(xí)系統(tǒng); 動力機(jī)制

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

一、引? ?言

在傳統(tǒng)教學(xué)中，教師一直作為課堂的絕對核心、知識的傳授者，學(xué)生是知識的接受者，教師與學(xué)生是一對多的單向輻射關(guān)系，學(xué)生難以得到教師及時的反饋[1]。這種大規(guī)模、標(biāo)準(zhǔn)化的人才“生產(chǎn)”模式滿足了工業(yè)時代對勞動力的需求，在一定時期起到了積極作用。然而，教學(xué)內(nèi)容和教學(xué)進(jìn)度的固定化、統(tǒng)一化難以滿足學(xué)生個性化的學(xué)習(xí)需求，忽視了學(xué)生的主體性和個體差異，進(jìn)而造成課堂缺乏活力，學(xué)生創(chuàng)新能力培養(yǎng)成為空中樓閣。

大數(shù)據(jù)和人工智能等新興信息技術(shù)的快速發(fā)展推動著教育信息化步入2.0階段[2]。智慧教育作為新時期教育信息化的領(lǐng)航者，其基本原則之一是為學(xué)生提供個性化學(xué)習(xí)服務(wù)[3]。智能化教學(xué)環(huán)境為個性化教學(xué)提供技術(shù)支撐，是智慧教育得以開展的前提和基礎(chǔ)。智慧學(xué)習(xí)環(huán)境能夠為學(xué)生提供契合其個性特征的適應(yīng)性支持和服務(wù)[4]，促進(jìn)學(xué)生的知識、能力和情感多元發(fā)展。

由此可知，較之于傳統(tǒng)教學(xué)，個性化是智慧教育的鮮明特征之一，強(qiáng)調(diào)根據(jù)學(xué)生的個體差異和需求為其提供個性化的學(xué)習(xí)服務(wù)[5]。而自適應(yīng)學(xué)習(xí)是一種技術(shù)賦能的智能化教學(xué)手段，其關(guān)注的核心也是學(xué)習(xí)者的個體差異和個性需求，被認(rèn)為是實(shí)現(xiàn)個性化學(xué)習(xí)的重要途徑[6]。

二、相關(guān)研究

自適應(yīng)學(xué)習(xí)系統(tǒng)于20世紀(jì)20年代發(fā)端，20世紀(jì)50年代末60年代初的程序教學(xué)運(yùn)動使其正式走進(jìn)大眾視野。近年來，計算機(jī)硬件技術(shù)和人工智能算法的不斷突破使其日趨走向成熟。自適應(yīng)學(xué)習(xí)系統(tǒng)模型作為自適應(yīng)學(xué)習(xí)系統(tǒng)的抽象與概括，對于直觀地理解和比較系統(tǒng)之間的差異，指導(dǎo)自適應(yīng)學(xué)習(xí)系統(tǒng)的設(shè)計與開發(fā)具有重要意義。自20世紀(jì)90年代以來，有關(guān)自適應(yīng)學(xué)習(xí)系統(tǒng)模型的研究一直都是研究者關(guān)注的熱點(diǎn)。

（一）自適應(yīng)學(xué)習(xí)的源起

技術(shù)賦能的教學(xué)肇始于早期的教學(xué)機(jī)器（Teaching Machine）。1926年，西德尼·普雷西（Sidney L. Pressey）在School and Society期刊上發(fā)表題為“一個簡單的提供測試、分?jǐn)?shù)和教學(xué)的設(shè)備”的文章，介紹了他發(fā)明的教學(xué)機(jī)器。普雷西的教學(xué)機(jī)器包含測試和教學(xué)兩種模式，該教學(xué)機(jī)器可以在測試模式下自動記錄正確測試的數(shù)目，也可以在教學(xué)模式下讓學(xué)生不斷地做出選擇，直到答對之后進(jìn)入下一個題目[7]。然而，由于當(dāng)時的社會條件等各方面限制，普雷西的教學(xué)機(jī)器并未引起廣泛的關(guān)注。

較之于普雷西的教學(xué)機(jī)器，斯金納（B. F. Skinner）的教學(xué)機(jī)器更強(qiáng)調(diào)教學(xué)而不只是測試，強(qiáng)調(diào)學(xué)生對問題進(jìn)行作答而不是簡單的多項選擇，強(qiáng)調(diào)問題之間的關(guān)聯(lián)而不僅是及時反饋[8]。斯金納的程序教學(xué)將教學(xué)機(jī)器作為其教學(xué)方法，并從行為主義理論的視角對其進(jìn)行了論證[9]，他的程序教學(xué)融入了當(dāng)時關(guān)于學(xué)習(xí)過程的理論，如及時反饋、強(qiáng)化、自定步調(diào)、小步子和低錯誤率等原則[10]。然而，斯金納的教學(xué)機(jī)器是一種直線式程序，無論學(xué)生的回答正確或錯誤，只向其提供正確的答案以強(qiáng)化正確反應(yīng)[11]。線性程序中使用的學(xué)習(xí)模型是一個條件模型，它假定行為上的改變即為學(xué)習(xí)，并且可以像訓(xùn)練動物一樣通過誘導(dǎo)和獎勵使其行為發(fā)生改變，認(rèn)為學(xué)生只學(xué)習(xí)那些可以給予獎勵練習(xí)的反應(yīng)[12]。因此，斯金納的程序教學(xué)或教學(xué)機(jī)器對學(xué)生錯誤的反應(yīng)沒有太多關(guān)注。

諾曼·克勞德（Norman A. Crowder）設(shè)計了一種內(nèi)生式或衍枝式程序，為學(xué)生的錯誤反應(yīng)提供個性化的學(xué)習(xí)路徑，包含關(guān)于錯誤反應(yīng)的附加內(nèi)容和解釋[13]?？藙诘逻@種早期的思想后來發(fā)展成了我們所說的“自適應(yīng)”，他認(rèn)為自適應(yīng)程序通常與計算機(jī)設(shè)備相結(jié)合，可以根據(jù)學(xué)生的多種特征和反應(yīng)分析學(xué)生的行為并對未來學(xué)習(xí)進(jìn)行安排[14]。誠然，早在手工制作教學(xué)機(jī)器的時代就已經(jīng)孕育了自適應(yīng)學(xué)習(xí)的幼芽。

20世紀(jì)90年代，隨著計算機(jī)技術(shù)的快速發(fā)展和廣泛應(yīng)用，以自適應(yīng)超媒體為代表的自適應(yīng)學(xué)習(xí)系統(tǒng)開始出現(xiàn)，代表性的有InterBook。自適應(yīng)學(xué)習(xí)系統(tǒng)是程序教學(xué)在新興技術(shù)和學(xué)習(xí)理論下的新發(fā)展，其中，計算機(jī)技術(shù)、人工智能以及建構(gòu)主義學(xué)習(xí)理論等起到了主要助推作用[15]。

（二）自適應(yīng)系統(tǒng)模型相關(guān)研究

標(biāo)準(zhǔn)化的模型在自適應(yīng)學(xué)習(xí)系統(tǒng)中扮演著重要角色，是大多數(shù)自適應(yīng)學(xué)習(xí)系統(tǒng)的基礎(chǔ)[16]。模型可以簡潔、直觀地表示系統(tǒng)的基礎(chǔ)概念、內(nèi)容、結(jié)構(gòu)及其相互關(guān)系，使得不同系統(tǒng)之間易于比較[17]。

自適應(yīng)學(xué)習(xí)系統(tǒng)模型的基本構(gòu)成包括領(lǐng)域模型（Domain Model）、用戶模型（User Model）、自適應(yīng)模型（Adaptation Model）[18]。領(lǐng)域模型主要包含學(xué)習(xí)目標(biāo)和主題領(lǐng)域概念層次結(jié)構(gòu)，對于學(xué)習(xí)目標(biāo)層次結(jié)構(gòu)中指定的每個學(xué)習(xí)目標(biāo)，需要指定領(lǐng)域概念本體中的一組關(guān)聯(lián)概念[19]。用戶模型主要用來描述用戶的相關(guān)特征，如興趣偏好、知識等。用戶的偏好和知識水平是非常不同的數(shù)據(jù)，它們以不同的方式影響著系統(tǒng)的適應(yīng)性[20]。如偏好是領(lǐng)域獨(dú)立的，它影響著資源選擇的類型、用戶學(xué)習(xí)的速度等;而知識是領(lǐng)域依賴的，主要影響知識選取的難度水平。用戶模型通常是領(lǐng)域模型的覆蓋結(jié)構(gòu)，映射用戶的領(lǐng)域特定特征，如領(lǐng)域知識空間上的知識[21]。這意味著對于領(lǐng)域模型中的每一個概念，在用戶模型中都存在一個與其相對應(yīng)的概念。自適應(yīng)模型定義了如何根據(jù)用戶的知識和興趣偏好適應(yīng)性地呈現(xiàn)導(dǎo)航和內(nèi)容，由一組教學(xué)策略和規(guī)則組成。為了實(shí)現(xiàn)適應(yīng)性，自適應(yīng)模型會運(yùn)用教學(xué)策略和規(guī)則，根據(jù)用戶模型中的目標(biāo)和需求從領(lǐng)域模型中選擇所要呈現(xiàn)的內(nèi)容[22]。領(lǐng)域模型、用戶模型以及自適應(yīng)模型三者協(xié)同作用，共同構(gòu)建了自適應(yīng)學(xué)習(xí)系統(tǒng)的基本功能框架。

自適應(yīng)系統(tǒng)模型的研究始于早期的超文本系統(tǒng)，后續(xù)的研究在其基礎(chǔ)上增加了自適應(yīng)功能并逐漸發(fā)展成為真正意義上的“自適應(yīng)”學(xué)習(xí)系統(tǒng)模型。例如：Dexter 模型是對20世紀(jì)90年代初期諸多超文本系統(tǒng)進(jìn)行抽象概括取得的重要成果，其目的是提供一個用于不同超文本系統(tǒng)之間功能和特征比較的標(biāo)準(zhǔn)和參考[23]，為自適應(yīng)學(xué)習(xí)系統(tǒng)模型的發(fā)展提供了重要的借鑒和基礎(chǔ)。Dexter模型是一個層狀結(jié)構(gòu)，由運(yùn)行時層、存儲層和組件內(nèi)層構(gòu)成。運(yùn)行時層關(guān)注于內(nèi)容的呈現(xiàn)，并且描述用戶與超文本的交互機(jī)制，獲取用戶數(shù)據(jù);組件內(nèi)層包含超文本節(jié)點(diǎn)的內(nèi)容和結(jié)構(gòu);存儲層關(guān)注組件之間的鏈接機(jī)制，構(gòu)成了整個超文本網(wǎng)絡(luò)。錨定和呈現(xiàn)規(guī)范分別用于連接存儲層和組件內(nèi)層、存儲層和運(yùn)行時層，并規(guī)定它們之間的溝通機(jī)制。AHAM（Adaptive Hypermedia Application Model）[22]對Dexter模型進(jìn)行了擴(kuò)展以實(shí)現(xiàn)自適應(yīng)，即將存儲層擴(kuò)展為領(lǐng)域模型、用戶模型和教學(xué)模型。教學(xué)模型由一系列教學(xué)規(guī)則組成，定義如何通過領(lǐng)域模型和用戶模型相結(jié)合以實(shí)現(xiàn)自適應(yīng)。Munich模型保留了Dexter模型的三層結(jié)構(gòu)，主要關(guān)注模型形式化和直觀描述，使用視覺建模語言使模型更加直觀[24]。它采用統(tǒng)一建模語言（Unified Modeling Language）對Munich模型進(jìn)行形式化表示，對象約束語言（Object Constraint Language）采用正式編寫的語義信息來補(bǔ)充半正式圖形表示。此外，為了增加自適應(yīng)功能，Munich模型將存儲層分成了三個子模型：領(lǐng)域元模型、用戶元模型和自適應(yīng)元模型。

至此，領(lǐng)域模型、用戶模型以及自適應(yīng)模型三大自適應(yīng)系統(tǒng)基本架構(gòu)已初成體系，后續(xù)研究多是依據(jù)具體需求進(jìn)行功能擴(kuò)充。例如：LAOS（Layered WWW AHS Authoring Model）[25]是基于AHAM設(shè)計的一個五層模型，包括領(lǐng)域模型、目標(biāo)和約束層、用戶模型、自適應(yīng)模型和呈現(xiàn)模型。由于直接從領(lǐng)域模型到用戶模型搜索空間過大，LAOS引入了目標(biāo)和約束層，“目標(biāo)”關(guān)注內(nèi)容的呈現(xiàn)，“約束”用于縮小搜索空間。GLAM（Generic Layered Adaptation Model）[20]引入了情境計算。情境計算表示一系列行為作用于初始情境所產(chǎn)生的新情境。情境由兩個方面構(gòu)成，即學(xué)生當(dāng)前的知識狀態(tài)和學(xué)習(xí)偏好。其中，當(dāng)前的知識狀態(tài)由學(xué)生“閱讀文檔”“做測試”“做練習(xí)”等一系列學(xué)習(xí)行為和學(xué)生的初始知識狀態(tài)確定。SAHM（Supervised Adaptive Hypermedia Model）[26]是為了解決在領(lǐng)域模型的構(gòu)建中開發(fā)者既要扮演領(lǐng)域?qū)＜矣忠洚?dāng)技術(shù)專家這一難題，幫助開發(fā)者進(jìn)行領(lǐng)域模型的設(shè)計、開發(fā)與更新。SAHM是一個三層結(jié)構(gòu)，由會話層、存儲層和資源層組成，是AHAM的擴(kuò)展模型。會話層提供管理自適應(yīng)學(xué)習(xí)系統(tǒng)和領(lǐng)域模型的接口，并且還記錄了用戶與系統(tǒng)的交互信息，如點(diǎn)擊次數(shù)、訪問時間等。存儲層由領(lǐng)域模型、用戶模型、監(jiān)督模型和自適應(yīng)模型構(gòu)成，其中，監(jiān)督模型主要存儲來自問卷和與用戶模型有關(guān)的領(lǐng)域模型的數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過分析之后反饋給開發(fā)者以便對領(lǐng)域模型進(jìn)行改進(jìn)。資源層存儲與領(lǐng)域模型中內(nèi)容對象有關(guān)的學(xué)習(xí)資源。ALEM（Adaptive Learning Environment Model）[17]基于Munich模型的三層架構(gòu)，對它的功能進(jìn)行了擴(kuò)展以更好地適用于教育系統(tǒng)，并且還增加了教育層。教育層是課程的抽象表示，包含課程的結(jié)構(gòu)模型。

（三）問題的提出

當(dāng)前主流的自適應(yīng)系統(tǒng)模型大多采用層狀架構(gòu)（Layered Architecture）[27]。層狀系統(tǒng)模型架構(gòu)雖然很好地契合了模型的兩個目標(biāo)：其一，描繪系統(tǒng)的結(jié)構(gòu)和功能;其二，使得不同的自適應(yīng)學(xué)習(xí)系統(tǒng)可以相互比較[28]。然而，這些模型關(guān)注的問題通常是抽象的數(shù)據(jù)結(jié)構(gòu)，對自適應(yīng)系統(tǒng)內(nèi)部的運(yùn)行過程關(guān)注較少[27]。鑒于已有自適應(yīng)學(xué)習(xí)系統(tǒng)模型在此方面的局限性，本文將研制一種自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型（Adaptive Learning System Dynamic Model， ALSDM），致力于對自適應(yīng)學(xué)習(xí)系統(tǒng)的動力來源和內(nèi)部運(yùn)行機(jī)制進(jìn)行深度剖析。

三、自適應(yīng)學(xué)習(xí)系統(tǒng)動力機(jī)制

基于自適應(yīng)逆控制理論，研制了自適應(yīng)學(xué)習(xí)系統(tǒng)的動力模型，并以此為基礎(chǔ)，闡釋自適應(yīng)學(xué)習(xí)系統(tǒng)的內(nèi)部動力機(jī)制。

（一）自適應(yīng)逆控制理論

自適應(yīng)控制是指自適應(yīng)系統(tǒng)在系統(tǒng)的輸出與預(yù)定的系統(tǒng)目標(biāo)相比較后，系統(tǒng)適應(yīng)性地調(diào)整內(nèi)部參數(shù)使得系統(tǒng)的輸出能夠接近預(yù)定的目標(biāo)[29]。美國斯坦福大學(xué)教授伯納德·威德羅（Bernard Widrow）提出自適應(yīng)逆控制（Adaptive Inverse Control）概念[30]。如圖1所示，其思想是借助控制器來驅(qū)動對象，從而促使系統(tǒng)開始運(yùn)行，控制器由自適應(yīng)算法驅(qū)動，自適應(yīng)算法是用來最小化對象輸出和指令輸入之間的誤差。這種誤差反饋機(jī)制促使系統(tǒng)不斷地進(jìn)行優(yōu)化、循環(huán)，直至將誤差控制到一個可接受的范圍內(nèi)或趨于零，從而達(dá)到一種相對穩(wěn)定的狀態(tài)。

（二）自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型構(gòu)建

自適應(yīng)逆控制模型中的指令輸入、控制器和自適應(yīng)算法、對象輸入以及對象輸出模塊可類比為相應(yīng)的學(xué)習(xí)者的學(xué)習(xí)目標(biāo)、學(xué)習(xí)引擎、學(xué)習(xí)路徑和學(xué)習(xí)效果模塊。學(xué)習(xí)引擎可由傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)的三大功能構(gòu)件組成，即領(lǐng)域模型、學(xué)習(xí)者模型和自適應(yīng)模型。由此，依據(jù)自適應(yīng)逆控制模型和傳統(tǒng)自適應(yīng)學(xué)習(xí)系統(tǒng)模型形成ALSDM模型（如圖2所示），旨在揭示自適應(yīng)學(xué)習(xí)系統(tǒng)的內(nèi)部運(yùn)行過程，闡明其動力機(jī)制。

圖2上部描繪了ALSDM的運(yùn)行原理，可以發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)目標(biāo)選擇行為促使系統(tǒng)開始運(yùn)行，學(xué)習(xí)目標(biāo)的要求與學(xué)習(xí)者當(dāng)前學(xué)習(xí)效果之間的差值為系統(tǒng)的持續(xù)運(yùn)行提供源動力。圖2下部為ALSDM的三大功能模塊（領(lǐng)域模型、學(xué)習(xí)者模型和自適應(yīng)模型），此外，ALSDM還引入了新一代教育測量理論，即認(rèn)知診斷理論，旨在精準(zhǔn)測量學(xué)習(xí)者的認(rèn)知狀態(tài)，以期對學(xué)習(xí)者進(jìn)行更為精細(xì)的建模，這四大功能模塊為自適應(yīng)學(xué)習(xí)系統(tǒng)奠定了技術(shù)基礎(chǔ)。

如圖2所示，自適應(yīng)學(xué)習(xí)系統(tǒng)的運(yùn)行過程主要包括以下幾個階段：首先，學(xué)習(xí)者根據(jù)個人興趣或?qū)W習(xí)需要選擇一個學(xué)習(xí)目標(biāo)進(jìn)行學(xué)習(xí)，自適應(yīng)引擎根據(jù)領(lǐng)域模型以及學(xué)習(xí)者模型中該學(xué)習(xí)者的知識狀態(tài)圖譜判斷其是否具備達(dá)到此學(xué)習(xí)目標(biāo)的能力，如果不具備，系統(tǒng)將向其推薦在其最近發(fā)展區(qū)之內(nèi)的適應(yīng)性學(xué)習(xí)內(nèi)容，并建議其進(jìn)行學(xué)習(xí)。接著，學(xué)習(xí)引擎再次進(jìn)行判斷，如果學(xué)習(xí)者選擇的學(xué)習(xí)目標(biāo)符合其當(dāng)前的能力狀態(tài)，則自適應(yīng)引擎在領(lǐng)域模型、學(xué)習(xí)者模型和自適應(yīng)模型三者作用下向?qū)W習(xí)者推薦適切的學(xué)習(xí)路徑及相應(yīng)的學(xué)習(xí)內(nèi)容和學(xué)習(xí)資源供其學(xué)習(xí)。在學(xué)習(xí)者學(xué)習(xí)完成后，認(rèn)知診斷模型將對其學(xué)習(xí)效果進(jìn)行精準(zhǔn)測量，并將測量結(jié)果更新到學(xué)習(xí)者模型中以便為后續(xù)學(xué)習(xí)路徑推薦提供依據(jù)。最后，學(xué)習(xí)引擎判斷學(xué)習(xí)者的學(xué)習(xí)效果是否達(dá)到了學(xué)習(xí)目標(biāo)的要求，如果沒有達(dá)到，則重新激活自適應(yīng)引擎并向?qū)W習(xí)者推薦此學(xué)習(xí)目標(biāo)中掌握薄弱的相關(guān)內(nèi)容組成學(xué)習(xí)路徑，對癥下藥，進(jìn)行精準(zhǔn)補(bǔ)救。此時，學(xué)習(xí)路徑中有可能僅涉及一個知識點(diǎn)（學(xué)習(xí)者掌握薄弱的知識點(diǎn)），這個過程一直持續(xù)到學(xué)習(xí)者達(dá)到該學(xué)習(xí)目標(biāo)的要求為止。

（三）動力生成與消退機(jī)制

學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果之間的差值為自適應(yīng)學(xué)習(xí)系統(tǒng)提供動力（如圖3所示）。自適應(yīng)學(xué)習(xí)系統(tǒng)在此動力驅(qū)動下向使得學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果偏差為零的方向運(yùn)動，最終使得動力逐漸消退，達(dá)到偏差為零的穩(wěn)定狀態(tài)。因此，自適應(yīng)學(xué)習(xí)系統(tǒng)動力機(jī)制可以分為動力生成和動力消退兩個部分。（1）動力生成包含兩個階段：第一，學(xué)習(xí)者自主選擇學(xué)習(xí)目標(biāo)產(chǎn)生初始動力（對應(yīng)圖3中時間為0的狀態(tài)），此時學(xué)習(xí)者尚未開始學(xué)習(xí)，學(xué)習(xí)效果與學(xué)習(xí)目標(biāo)之間的差值最大，即動力最強(qiáng);第二，在學(xué)習(xí)過程中，認(rèn)知診斷不斷測量學(xué)習(xí)效果，通過學(xué)習(xí)效果與學(xué)習(xí)目標(biāo)比較產(chǎn)生動力，驅(qū)動自適應(yīng)學(xué)習(xí)系統(tǒng)向偏差為零的穩(wěn)定狀態(tài)運(yùn)動。（2）動力消退是指當(dāng)學(xué)習(xí)系統(tǒng)存在動力（學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果的偏差不為零）時，該動力促使學(xué)習(xí)引擎動態(tài)調(diào)整學(xué)習(xí)路徑和學(xué)習(xí)內(nèi)容，使學(xué)習(xí)效果逐漸趨近于所期望的學(xué)習(xí)目標(biāo)。隨著學(xué)習(xí)過程的持續(xù)進(jìn)行，學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果之間的偏差逐漸縮小，系統(tǒng)動力逐漸消退，最終達(dá)到偏差為零的穩(wěn)定狀態(tài)，系統(tǒng)動力完全消失。學(xué)習(xí)系統(tǒng)推送的定制化學(xué)習(xí)路徑和學(xué)習(xí)內(nèi)容契合了特定學(xué)習(xí)者的認(rèn)知狀態(tài)和個體特征。因此，自適應(yīng)學(xué)習(xí)系統(tǒng)在動力消退的同時，也提升了學(xué)習(xí)效果。

四、動力機(jī)制視角下的系統(tǒng)模型設(shè)計

領(lǐng)域模型、學(xué)習(xí)者模型、認(rèn)知診斷及自適應(yīng)模型構(gòu)成了自適應(yīng)學(xué)習(xí)系統(tǒng)完整的功能體系。領(lǐng)域模型為系統(tǒng)提供知識基礎(chǔ)，學(xué)習(xí)者模型是系統(tǒng)提供適應(yīng)性服務(wù)的依據(jù)，認(rèn)知診斷精準(zhǔn)度量學(xué)習(xí)者當(dāng)前認(rèn)知水平，自適應(yīng)模型采用智能算法向?qū)W習(xí)者推送適切內(nèi)容。四者的協(xié)同作用保障了自適應(yīng)學(xué)習(xí)系統(tǒng)的有效運(yùn)行。

（一）領(lǐng)域模型：以何適應(yīng)

領(lǐng)域模型是學(xué)習(xí)系統(tǒng)動力生成與消退的基礎(chǔ)。在學(xué)習(xí)系統(tǒng)運(yùn)行前，領(lǐng)域模型為學(xué)習(xí)者提供學(xué)習(xí)目標(biāo)，學(xué)習(xí)者選擇期望達(dá)到的學(xué)習(xí)目標(biāo)，此行為直接促發(fā)了學(xué)習(xí)系統(tǒng)的初始動力。在學(xué)習(xí)系統(tǒng)運(yùn)行過程中，學(xué)習(xí)引擎適應(yīng)性地選擇領(lǐng)域模型中的知識點(diǎn)、學(xué)習(xí)內(nèi)容和學(xué)習(xí)活動等構(gòu)成個性化學(xué)習(xí)路徑并向?qū)W習(xí)者推送，此行為促使學(xué)習(xí)效果不斷提升，學(xué)習(xí)目標(biāo)與學(xué)習(xí)效果之間的差值逐漸減小，動力也隨之逐漸消退。

領(lǐng)域模型是具有層級關(guān)系和平行關(guān)系的學(xué)習(xí)目標(biāo)和知識點(diǎn)的集合，為自適應(yīng)學(xué)習(xí)系統(tǒng)提供資源內(nèi)容基礎(chǔ)。領(lǐng)域知識建模是在學(xué)科領(lǐng)域?qū)＜业膸椭聦W(xué)科內(nèi)容進(jìn)行學(xué)習(xí)目標(biāo)和知識點(diǎn)劃分，并確定學(xué)習(xí)目標(biāo)和知識點(diǎn)之間的關(guān)系，形成有機(jī)的領(lǐng)域知識體系的過程。如圖4所示，本研究以元數(shù)據(jù)層、知識層和資源層對領(lǐng)域知識進(jìn)行建模。

元數(shù)據(jù)層表示學(xué)習(xí)目標(biāo)和知識點(diǎn)在領(lǐng)域中的位置信息，如所屬課程、章節(jié)信息。知識層主要由學(xué)習(xí)目標(biāo)和知識點(diǎn)構(gòu)成，是領(lǐng)域模型的核心部分。知識點(diǎn)是最小的知識微粒，具有原子屬性，不可再分。知識點(diǎn)之間存在各種關(guān)系，如前驅(qū)后繼關(guān)系和平行關(guān)系等。學(xué)科領(lǐng)域?qū)＜彝ㄟ^對課程內(nèi)容的分析，將相關(guān)性較高的知識點(diǎn)聚合為知識群以構(gòu)成學(xué)習(xí)目標(biāo)，不同的學(xué)習(xí)目標(biāo)可能包含相同的知識點(diǎn)。資源層包括學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動和測試題集。根據(jù)成分顯示理論，知識點(diǎn)可以分為事實(shí)性、概念性、過程性和原理性四類，對于不同類目的知識點(diǎn)設(shè)置相應(yīng)的學(xué)習(xí)內(nèi)容和學(xué)習(xí)活動，并且在學(xué)習(xí)完一個學(xué)習(xí)目標(biāo)之后，學(xué)習(xí)系統(tǒng)采用適切的測試題集對學(xué)習(xí)效果進(jìn)行診斷。

（二）學(xué)習(xí)者模型：依何適應(yīng)

學(xué)習(xí)者模型是學(xué)習(xí)系統(tǒng)動力消退的依據(jù)。學(xué)習(xí)系統(tǒng)依據(jù)學(xué)習(xí)者模型為學(xué)習(xí)者提供個性化的知識點(diǎn)、學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動以及測試題集等服務(wù)，促使學(xué)習(xí)效果不斷提升、動力逐漸消退。因此，學(xué)習(xí)者模型構(gòu)建的好壞將直接影響動力的消退與學(xué)習(xí)服務(wù)的質(zhì)量。

個性化學(xué)習(xí)服務(wù)的質(zhì)量很大程度上依賴于學(xué)習(xí)者模型的特性，如數(shù)據(jù)完整性和準(zhǔn)確性等[31]。學(xué)習(xí)者模型中常見的屬性有學(xué)習(xí)目標(biāo)、偏好和知識等[32]。本文將其歸納為學(xué)習(xí)者的知識狀態(tài)和學(xué)習(xí)風(fēng)格（或?qū)W習(xí)偏好）兩個維度。知識狀態(tài)決定提供給學(xué)習(xí)者學(xué)習(xí)內(nèi)容的難易程度。學(xué)習(xí)風(fēng)格決定學(xué)習(xí)內(nèi)容的呈現(xiàn)方式，如是以文本、音頻、動畫還是視頻呈現(xiàn)，先呈現(xiàn)整體內(nèi)容框架還是依次按順序呈現(xiàn)等。覆蓋模型是目前最為常用的學(xué)習(xí)者知識狀態(tài)建模方法，它將學(xué)習(xí)者的知識狀態(tài)看作領(lǐng)域知識的子集，學(xué)習(xí)者學(xué)習(xí)的過程即是對領(lǐng)域知識的覆蓋過程。Felder-Silverman學(xué)習(xí)風(fēng)格模型整合了榮格心理類型理論以及Kolb學(xué)習(xí)風(fēng)格模型等，從信息的感知、輸入、加工和理解四個維度將學(xué)習(xí)者分為16種學(xué)習(xí)風(fēng)格偏好[33]。基于覆蓋模型和Felder-Silverman學(xué)習(xí)風(fēng)格模型，本研究提出一種分層學(xué)習(xí)者模型。

分層學(xué)習(xí)者模型包括知識狀態(tài)和學(xué)習(xí)風(fēng)格兩層。第一層為學(xué)習(xí)者的知識狀態(tài)圖譜，學(xué)習(xí)者可以直觀地查看個體當(dāng)前的學(xué)習(xí)狀態(tài)，如哪些知識點(diǎn)已經(jīng)學(xué)習(xí)過、哪些未學(xué)習(xí)、學(xué)習(xí)過的知識掌握的程度如何（由認(rèn)知診斷測得）等。學(xué)習(xí)者的知識狀態(tài)會隨著其學(xué)習(xí)進(jìn)程的進(jìn)行發(fā)生動態(tài)變化，學(xué)習(xí)者模型也將在認(rèn)知診斷系統(tǒng)對學(xué)習(xí)者知識狀態(tài)的進(jìn)一步診斷后進(jìn)行更新，以便為后續(xù)的學(xué)習(xí)路徑推薦服務(wù)。第二層為學(xué)習(xí)者的學(xué)習(xí)風(fēng)格類別，學(xué)習(xí)風(fēng)格是一種認(rèn)知、情感和生理特征，是學(xué)習(xí)者如何對環(huán)境進(jìn)行感知和交互的相對穩(wěn)定的指標(biāo)[34]。自適應(yīng)學(xué)習(xí)系統(tǒng)中適當(dāng)?shù)乜紤]學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，有助于提高學(xué)習(xí)者表現(xiàn)[35]。學(xué)習(xí)風(fēng)格的獲取一般有三種方式：（1）顯性獲取，直接通過問卷讓學(xué)習(xí)者填寫;（2）隱性獲取，通過學(xué)習(xí)分析和數(shù)據(jù)挖掘技術(shù)對學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行解析，從而挖掘其潛在的學(xué)習(xí)風(fēng)格（此方法在學(xué)習(xí)數(shù)據(jù)較少時，準(zhǔn)確性較差）;（3）混合獲取，先采用直接問卷的方法獲得學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，當(dāng)學(xué)習(xí)者產(chǎn)生一定數(shù)量的學(xué)習(xí)數(shù)據(jù)之后，再運(yùn)用數(shù)據(jù)挖掘技術(shù)對之前的結(jié)果進(jìn)行修正[36]。顯性獲取較為簡單，但受學(xué)習(xí)者情緒和態(tài)度等外部條件影響較大;隱性獲取方法適合具有一定數(shù)量學(xué)習(xí)數(shù)據(jù)的情況;混合獲取方法則彌補(bǔ)了兩者的不足。

（三）認(rèn)知診斷：精準(zhǔn)測量

認(rèn)知診斷主要用于學(xué)習(xí)效果的測量，這與動力的生成有關(guān)。在學(xué)習(xí)過程中，學(xué)習(xí)系統(tǒng)借助認(rèn)知診斷不斷地測量學(xué)習(xí)效果，從而持續(xù)地生成學(xué)習(xí)系統(tǒng)運(yùn)行的動力（學(xué)習(xí)過程中動力的生成不等于動力的增加，總體來講，學(xué)習(xí)過程中動力是逐漸消退的）。因此，認(rèn)知診斷也是自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型的關(guān)鍵環(huán)節(jié)之一。

如何對學(xué)習(xí)效果進(jìn)行更加精準(zhǔn)地度量，更加真實(shí)地表征學(xué)習(xí)者的知識狀態(tài)？這是實(shí)現(xiàn)精準(zhǔn)教學(xué)的核心[37]。就傳統(tǒng)的教育測量理論而言，如經(jīng)典測量理論和項目反應(yīng)理論等，學(xué)習(xí)者的分?jǐn)?shù)通常由其在某一連續(xù)體中的位置決定，如學(xué)習(xí)者相對于其他學(xué)習(xí)者或某個特定的標(biāo)準(zhǔn)。這種宏觀的評價信息難以幫助設(shè)計針對性的教學(xué)干預(yù)和個性化的補(bǔ)救措施[38]。隨著教育評價理論的發(fā)展，人們不再僅僅滿足于這種線性的排序，而是想要了解學(xué)習(xí)者對具體某個知識點(diǎn)的掌握情況[39]。認(rèn)知診斷是現(xiàn)代心理測量理論和認(rèn)知心理學(xué)的產(chǎn)物，被稱為新一代的教育測量理論，目的是確定個體是否具備解決測試問題所需的多種精細(xì)技能[38]。認(rèn)知診斷可以了解學(xué)習(xí)者哪些知識點(diǎn)掌握了、哪些沒有掌握，進(jìn)而向?qū)W習(xí)者推送適切的學(xué)習(xí)路徑和資源，優(yōu)化學(xué)習(xí)過程。目前，比較有代表性的認(rèn)知診斷模型有層次屬性模型、融合模型、規(guī)則空間模型以及DINA模型等[40]。

以DINA模型為例，DINA模型是一種簡單的兩參數(shù)認(rèn)知診斷模型，能夠提供良好的模型擬合。它通過分析學(xué)習(xí)者測試題目的作答情況和試題所需掌握的知識點(diǎn)，進(jìn)而估計學(xué)習(xí)者對知識點(diǎn)的掌握情況。DINA模型的計算過程一般可分為四步：第一步，構(gòu)建Q矩陣。Q矩陣是一種測試題目與知識點(diǎn)關(guān)系矩陣（也稱項目與技能關(guān)系矩陣），矩陣的列表示知識點(diǎn)，行表示測試題目以及所考察的知識點(diǎn)，Q矩陣是一個由0和1構(gòu)成的二值矩陣。第二步，通過測試得到學(xué)生的真實(shí)反應(yīng)模式。第三步，估計猜測參數(shù)和失誤參數(shù)。第四步，根據(jù)以上參數(shù)采用最大化后驗概率的方法得到學(xué)生掌握模式，即學(xué)習(xí)者當(dāng)前的知識狀態(tài)。DINA模型估算的學(xué)習(xí)者知識掌握情況（或知識狀態(tài)）是一個二值向量，即1表示已掌握，0表示沒有掌握。劉玉蘋提出的SDINA模型可以估算出學(xué)習(xí)者對每個知識點(diǎn)的掌握概率[41]。因此，學(xué)習(xí)者的知識掌握情況不再是一個二值向量，而是介于0和1之間的連續(xù)值，表示學(xué)生對每個知識點(diǎn)的掌握程度，從而更加精準(zhǔn)地描繪學(xué)習(xí)者對知識點(diǎn)的掌握情況。

（四）自適應(yīng)模型：動力消退

自適應(yīng)模型主要用于動力消退。自適應(yīng)模型應(yīng)用推薦算法適應(yīng)性地調(diào)整學(xué)習(xí)路徑及其對應(yīng)的學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動等，減少學(xué)習(xí)系統(tǒng)的動力，是實(shí)現(xiàn)動力消退的核心。適應(yīng)性推薦算法是自適應(yīng)模型的核心。根據(jù)所應(yīng)用推薦策略的不同，適應(yīng)性推薦算法可以分為協(xié)同過濾推薦、基于內(nèi)容的推薦以及基于知識的推薦三類。協(xié)同過濾是利用群體智慧進(jìn)行推薦，主要思想是過去選擇相似知識點(diǎn)和學(xué)習(xí)資源的學(xué)習(xí)者，在未來他們可能選擇相同的知識點(diǎn)和資源[42]。因此，協(xié)同過濾主要通過分析相鄰學(xué)習(xí)者（即最為相似的學(xué)習(xí)者）的學(xué)習(xí)內(nèi)容，從而向目標(biāo)學(xué)習(xí)者推薦與其相同的知識點(diǎn)和資源。然而，協(xié)同過濾存在“冷啟動”的缺點(diǎn)?；趦?nèi)容的推薦是向?qū)W習(xí)者推薦與當(dāng)前相似的知識點(diǎn)和資源[43]，該策略的重點(diǎn)是對學(xué)習(xí)內(nèi)容進(jìn)行多維建模?；谥R的推薦通常使用本體對領(lǐng)域知識和學(xué)習(xí)者進(jìn)行表示，之后將學(xué)習(xí)者映射到相關(guān)的領(lǐng)域知識中[44]。由于領(lǐng)域知識內(nèi)部知識點(diǎn)關(guān)系的復(fù)雜性以及學(xué)習(xí)者特征（知識水平、學(xué)習(xí)偏好、學(xué)習(xí)活動和所處情境等）的多維性，本體構(gòu)建通常面臨巨大困難。混合推薦是協(xié)同使用以上三種策略進(jìn)行學(xué)習(xí)內(nèi)容推薦，旨在組合各自優(yōu)勢，克服各種推薦策略的不足。

為了實(shí)現(xiàn)動力的消退，要針對學(xué)習(xí)者掌握薄弱的知識點(diǎn)進(jìn)行精準(zhǔn)推送，提升學(xué)習(xí)效果。研究將采用混合推薦策略，從知識點(diǎn)自身的關(guān)系結(jié)構(gòu)和相似學(xué)習(xí)同伴兩方面進(jìn)行學(xué)習(xí)路徑推薦。其一，基于知識點(diǎn)邏輯結(jié)構(gòu)的推薦，即根據(jù)領(lǐng)域知識模型中知識點(diǎn)內(nèi)在的邏輯關(guān)系以及學(xué)習(xí)者模型中學(xué)習(xí)者的知識狀態(tài)和學(xué)習(xí)風(fēng)格，向?qū)W習(xí)者推薦達(dá)到某一學(xué)習(xí)目標(biāo)所需的具有前驅(qū)后繼關(guān)系或平行關(guān)系的知識點(diǎn)序列及相應(yīng)的學(xué)習(xí)內(nèi)容和活動。此策略可以克服協(xié)同過濾推薦的“冷啟動”問題。其二，基于相似學(xué)習(xí)同伴的推薦，即采用類似于協(xié)同過濾推薦的策略，以目標(biāo)學(xué)習(xí)者的知識狀態(tài)和學(xué)習(xí)風(fēng)格構(gòu)造向量模型，尋找與其空間距離最近的優(yōu)秀學(xué)習(xí)同伴，并將其學(xué)習(xí)路徑推薦給目標(biāo)學(xué)習(xí)者。兩種推薦策略協(xié)同使用，可以滿足學(xué)習(xí)者個性化的學(xué)習(xí)需求，優(yōu)化學(xué)習(xí)體驗。

五、結(jié)? ?語

自適應(yīng)學(xué)習(xí)系統(tǒng)旨在為學(xué)習(xí)者定制個性化的學(xué)習(xí)內(nèi)容，優(yōu)化學(xué)習(xí)體驗，提升學(xué)習(xí)效果。自適應(yīng)學(xué)習(xí)系統(tǒng)模型對系統(tǒng)的開發(fā)起著導(dǎo)向作用。研究針對傳統(tǒng)的自適應(yīng)學(xué)習(xí)系統(tǒng)模型的層狀架構(gòu)對系統(tǒng)內(nèi)部運(yùn)行過程關(guān)注不足的問題，基于自適應(yīng)逆控制理論研制了一種自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型。同時，文章借助學(xué)習(xí)系統(tǒng)模型的運(yùn)行過程闡釋了自適應(yīng)學(xué)習(xí)系統(tǒng)的動力機(jī)制，即自適應(yīng)學(xué)習(xí)系統(tǒng)動力的生成與消退過程。為了更加精準(zhǔn)地掌握學(xué)習(xí)者的知識狀態(tài)，研究引入了新一代教育測量理論，從而構(gòu)建了新型的自適應(yīng)學(xué)習(xí)系統(tǒng)四大核心功能要素。最后，研究從動力機(jī)制的視角設(shè)計了自適應(yīng)學(xué)習(xí)系統(tǒng)動力模型的四大功能組件。至此，研究已從動力生成與消退視角詳細(xì)闡述了自適應(yīng)學(xué)習(xí)系統(tǒng)的動力機(jī)制。后續(xù)，我們將依據(jù)研制的模型進(jìn)行自適應(yīng)學(xué)習(xí)系統(tǒng)的開發(fā)工作，并進(jìn)行實(shí)證研究，采用基于設(shè)計的研究方法，針對實(shí)證研究中存在的問題對模型進(jìn)行多輪迭代與優(yōu)化。

[參考文獻(xiàn)]

[1] 張杰夫.班級授課制存在的問題及其改革芻議——兼談現(xiàn)代教育技術(shù)與教學(xué)改革[J].教育科學(xué)研究，1987（3）：9-18.

[2] 教育部關(guān)于印發(fā)《教育信息化2.0行動計劃》的通知[EB/OL].（2018-04-18）[2019-07-20].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[3] 祝智庭，魏非.教育信息化2.0：智能教育啟程，智慧教育領(lǐng)航[J].電化教育研究，2018，39（9）：5-16.

[4] 祝智庭，賀斌.智慧教育：教育信息化的新境界[J].電化教育研究，2012，33（12）：5-13.

[5] 祝智庭.智慧教育新發(fā)展：從翻轉(zhuǎn)課堂到智慧課堂及智慧學(xué)習(xí)空間[J].開放教育研究，2016，22（1）：18-26，49.

[6] 彭紅超，祝智庭.人機(jī)協(xié)同決策支持的個性化適性學(xué)習(xí)策略探析[J].電化教育研究，2019，40（2）：12-20.

[7] BENJAMIN L T. A history of teaching machines[J]. American psychologist， 1988， 43（9）： 703-712.

[8] SKINNER B F. Programmed instruction revisited[J]. Phi delta kappan， 1986， 68（2）： 103-110.

[9] 李藝，單美賢.“教師”的智慧：談程序教學(xué)思想的興起與歸宿[J].電化教育研究，2013，34（7）：11-16.

[10] SKINNER B F. Teaching machines[J]. Science，1958，128（3330）：969-977.

[11] BLAISDELL F J. Historical development of computer assisted instruction[J]. Journal of educational technology systems，1976，5（2）： 155-170.

[12] CROWDER N A. On the differences between linear and intrinsic programing[J]. The phi delta kappan，1963，44（6）：250-254.

[13] FUCHS， K， HENNING P A. Computer-driven instructional design with INTUITEL[M]. Gistrup，Denmark：River Publishers，2017.

[14] GILMAN D A. The origins and development of intrinsic and adaptive programing[J]. Educational technology research and development， 1972， 20（1）： 64-76.

[15] KARA N， SEVIM N. Adaptive learning systems： beyond teaching machines[J]. Contemporary educational technology，2013，4（2）： 108-120.

[16] AROYO L， DOLOG P， HOUBEN G J， et al. Interoperability in personalized adaptive learning[J]. Journal of educational technology & society， 2006， 9（2）：4-18.

[17] TADLAOUI M， CHIKH A， BOUAMRANE K. Alem： a reference model for educational adaptive web applications[M]//Intelligent and adaptive educational-learning systems. Berlin： Springer， 2013：25-48.

[18] CANNATARO M， CUZZOCREA A， PUGLIESE A. XAHM： an adaptive hypermedia model based on XML[C]//Proceedings of The 14th International Conference on Software Engineering and Knowledge Engineering. New York： ACM， 2002： 627-634.

[19] KARAMPIPERIS P， SAMPSON D. Adaptive learning resources sequencing in educational hypermedia systems[J]. Journal of educational technology & society，2005，8（4）：128-147.

[20] JACQUIOT C， BOURDA Y， POPINEAU F， et al. Glam： a generic layered adaptation model for adaptive hypermedia systems[C]//International Conference on Adaptive Hypermedia and Adaptive Web-based Systems. Berlin： Springer， 2006： 131-140.

[21] KNUTOV E， DE BRA P， PECHENIZKIY M. AH 12 years later： a comprehensive survey of adaptive hypermedia methods and techniques[J]. New review of hypermedia and multimedia，2009，15（1）：5-38.