[摘" "要] 教育數(shù)字化轉(zhuǎn)型的全面推進(jìn)和人工智能在教育中的廣泛應(yīng)用，為破解個(gè)性化學(xué)習(xí)難題提供了切實(shí)可行的途徑，數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)已成為教育高質(zhì)量發(fā)展的必由之路。然而，當(dāng)前數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)普遍存在著學(xué)習(xí)行為感知與狀態(tài)評(píng)價(jià)精度不高、學(xué)習(xí)特征挖掘不準(zhǔn)、學(xué)習(xí)規(guī)律挖掘不全、學(xué)習(xí)問題溯源不深、學(xué)習(xí)干預(yù)精度不佳等瓶頸性難題。為此，研究從情境感知、主體理解和智能干預(yù)等方面深入剖析了數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的應(yīng)然邏輯。在此基礎(chǔ)上，從學(xué)習(xí)行為數(shù)據(jù)有效感知與理解、學(xué)習(xí)效果精準(zhǔn)評(píng)估的個(gè)性化學(xué)習(xí)追蹤、薄弱知識(shí)點(diǎn)和異常學(xué)習(xí)行為的學(xué)習(xí)問題成因溯源、潛在交互學(xué)習(xí)規(guī)律發(fā)現(xiàn)的教育知識(shí)圖譜高階推理、公共學(xué)習(xí)路網(wǎng)構(gòu)建與高適配個(gè)性化學(xué)習(xí)路徑規(guī)劃等方面，討論了數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)路徑和方法。

[關(guān)鍵詞] 個(gè)性化學(xué)習(xí)； 數(shù)據(jù)驅(qū)動(dòng)； 情境感知； 學(xué)習(xí)路徑規(guī)劃； 教育知識(shí)圖譜

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

[作者簡(jiǎn)介] 鐘紹春（1965—），男，吉林雙遼人。教授，博士，主要從事智慧教育、人工智能和數(shù)字化學(xué)習(xí)環(huán)境研究。E-mail：sczhong@sina.com。

一、引" "言

個(gè)性化學(xué)習(xí)一直以來是教育的根本追求，是實(shí)現(xiàn)教育現(xiàn)代化的必由之路。互聯(lián)網(wǎng)、人工智能等新興技術(shù)的迅猛發(fā)展，使得采集學(xué)生多場(chǎng)景、全流程的學(xué)習(xí)數(shù)據(jù)成為可能。教育大數(shù)據(jù)作為驅(qū)動(dòng)個(gè)性化學(xué)習(xí)發(fā)生的關(guān)鍵要素，正賦能學(xué)生個(gè)性化學(xué)習(xí)走向精準(zhǔn)化、教師教學(xué)決策走向科學(xué)化，徹底改變了個(gè)性化學(xué)習(xí)的發(fā)展態(tài)勢(shì)[1]?！吨袊逃F(xiàn)代化2035》明確提出，將“利用現(xiàn)代技術(shù)加快推動(dòng)人才培養(yǎng)模式改革，實(shí)現(xiàn)規(guī)?；逃c個(gè)性化培養(yǎng)有機(jī)結(jié)合”作為重要戰(zhàn)略任務(wù)[2]。在教育數(shù)字化轉(zhuǎn)型背景下，特別是生成式人工智能的普及應(yīng)用，數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)作為未來教育的典型形態(tài)，已成為教學(xué)變革的重要指向，為實(shí)現(xiàn)以學(xué)生為中心的因材施教，促進(jìn)學(xué)生個(gè)性發(fā)展提供了可能的途徑。目前關(guān)于個(gè)性化學(xué)習(xí)的研究與實(shí)踐，相關(guān)學(xué)者圍繞知識(shí)水平、問題解決能力、創(chuàng)新思維等學(xué)科核心素養(yǎng)，學(xué)習(xí)風(fēng)格、協(xié)作能力，態(tài)度意志等情感特征的評(píng)價(jià)，以及學(xué)習(xí)路徑、工具、素材資源、學(xué)伴、教師（課程資源）等的推薦開展了系列研究和應(yīng)用[3-5]，并取得了較大的突破性進(jìn)展。但是，在大規(guī)模教育場(chǎng)景下，大數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)仍存在感知教學(xué)情境的手段欠缺、認(rèn)知學(xué)習(xí)主體的能力不足、響應(yīng)教學(xué)服務(wù)的適配精度不高等瓶頸問題。因此，本文首先對(duì)數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的實(shí)然問題進(jìn)行系統(tǒng)分析，然后從如何感知不同學(xué)習(xí)情境中的學(xué)習(xí)行為數(shù)據(jù)，如何通過動(dòng)態(tài)評(píng)價(jià)知識(shí)狀態(tài)水平、挖掘?qū)W習(xí)規(guī)律來深入理解學(xué)生這一學(xué)習(xí)主體，如何通過學(xué)習(xí)路徑的個(gè)性規(guī)劃和資源的精準(zhǔn)適配實(shí)現(xiàn)對(duì)學(xué)生的有效干預(yù)等方面展開深入討論，以期為實(shí)現(xiàn)高品質(zhì)個(gè)性化學(xué)習(xí)，進(jìn)而推動(dòng)教育高質(zhì)量發(fā)展提供理論參考和方法借鑒。

二、數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的實(shí)然問題

影響數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的主要因素是學(xué)習(xí)行為數(shù)據(jù)的精準(zhǔn)感知，學(xué)生、教師、知識(shí)點(diǎn)、學(xué)伴、學(xué)習(xí)資源和學(xué)習(xí)環(huán)境多類主體間交互規(guī)律的全面揭示，以及學(xué)習(xí)問題的精準(zhǔn)診斷和有效干預(yù)等。針對(duì)上述因素，本研究將分別剖析數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)所存在的瓶頸問題。

（一）學(xué)習(xí)行為感知與狀態(tài)評(píng)價(jià)精度有待提高

數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的前提條件是能夠動(dòng)態(tài)獲得反映學(xué)生學(xué)習(xí)狀況的多模態(tài)行為和結(jié)果數(shù)據(jù)。這一目標(biāo)的達(dá)成，首先需要對(duì)教學(xué)各場(chǎng)景數(shù)據(jù)、學(xué)習(xí)過程數(shù)據(jù)進(jìn)行無感采集、識(shí)別和融合分析，以更為精準(zhǔn)地感知學(xué)習(xí)行為。目前，關(guān)于學(xué)習(xí)行為感知與融合方面的研究，主要聚焦在對(duì)特定情境下的小規(guī)模交互行為進(jìn)行人工標(biāo)注和訓(xùn)練分析。但是，已有通用的多模態(tài)處理方法難以對(duì)數(shù)據(jù)多、標(biāo)注少、線索雜的教學(xué)情境數(shù)據(jù)進(jìn)行大規(guī)模標(biāo)注，異質(zhì)、復(fù)雜、動(dòng)態(tài)的教與學(xué)行為數(shù)據(jù)匯聚融合困難，導(dǎo)致多源學(xué)習(xí)行為數(shù)據(jù)感知精度低、融合一致性不高。因此，亟須進(jìn)一步重點(diǎn)研究如何確保面向大規(guī)模教與學(xué)行為數(shù)據(jù)的高精度感知，提升標(biāo)注外新行為的感知能力，實(shí)現(xiàn)動(dòng)態(tài)復(fù)雜的多動(dòng)作關(guān)系建模，并確保不同類型、動(dòng)態(tài)變化數(shù)據(jù)能夠正確關(guān)聯(lián)，解決動(dòng)態(tài)交互場(chǎng)景下的多模態(tài)教與學(xué)行為高一致性對(duì)齊和融合問題。

學(xué)習(xí)評(píng)估是學(xué)習(xí)過程的關(guān)鍵組成部分，能夠驅(qū)動(dòng)教師動(dòng)態(tài)調(diào)節(jié)和優(yōu)化教學(xué)活動(dòng)中的主體交互行為[6]。已有研究主要采用兩種方法對(duì)采集到的學(xué)習(xí)行為和結(jié)果數(shù)據(jù)進(jìn)行知識(shí)狀態(tài)水平的評(píng)估，一種是通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法建立綜合評(píng)價(jià)模型，對(duì)在多維時(shí)空尺度上的學(xué)生學(xué)習(xí)行為和作答結(jié)果數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和數(shù)據(jù)挖掘。如Sun 等人應(yīng)用XgBoost來對(duì)數(shù)據(jù)集中的特征變量進(jìn)行篩選，并應(yīng)用動(dòng)態(tài)鍵值存儲(chǔ)網(wǎng)絡(luò)對(duì)學(xué)生的嘗試次數(shù)、提示情況等輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而提升學(xué)習(xí)能力分類的準(zhǔn)確性[7]。這種方法缺乏對(duì)多模態(tài)數(shù)據(jù)的綜合利用，導(dǎo)致評(píng)價(jià)精度不高。另一種是應(yīng)用大模型進(jìn)行寫作等學(xué)習(xí)活動(dòng)的評(píng)價(jià)，采用一些“任務(wù)要求+評(píng)分標(biāo)準(zhǔn)+人工評(píng)分樣本”的提示語類型提升與人工評(píng)分的一致性，雖然大模型的發(fā)展在一定程度上賦能了學(xué)習(xí)評(píng)估的優(yōu)化，但其缺乏對(duì)不同學(xué)習(xí)場(chǎng)景分類處理的能力，致使學(xué)習(xí)追蹤可解釋性和遷移能力薄弱，應(yīng)用于教育領(lǐng)域的可靠性和推理能力還需進(jìn)一步優(yōu)化。

（二）學(xué)習(xí)特征和學(xué)習(xí)規(guī)律挖掘有待深入

數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的關(guān)鍵是通過對(duì)教育大數(shù)據(jù)進(jìn)行挖掘與分析，探究學(xué)生的學(xué)習(xí)特征及其與教師、同伴、學(xué)習(xí)資源等要素之間的交互規(guī)律。從當(dāng)前學(xué)生特征和規(guī)律揭示的研究現(xiàn)狀來看，其主要是基于某一特定情境下學(xué)生的作答數(shù)據(jù)、同伴交流等日志數(shù)據(jù)挖掘與表征學(xué)生學(xué)習(xí)特征和演化規(guī)律。如姜強(qiáng)以同伴反饋中產(chǎn)生的評(píng)語和反饋為分析對(duì)象，從情感、認(rèn)知和元認(rèn)知角度分析不同群體學(xué)生的內(nèi)隱學(xué)習(xí)規(guī)律[8]。張思等通過對(duì)SPOC論壇中的會(huì)話文本進(jìn)行挖掘和建模，揭示不同績(jī)效群體學(xué)生的行為特征，以及隱含的認(rèn)知和內(nèi)部心理加工過程[9]。相關(guān)做法普遍存在對(duì)學(xué)生與教師、知識(shí)點(diǎn)、同伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等要素間交互關(guān)系利用不足，且自動(dòng)化構(gòu)建程度較低的問題。具體體現(xiàn)在由于教育大數(shù)據(jù)類型異質(zhì)、語義復(fù)雜、模態(tài)多樣導(dǎo)致的教育實(shí)體要素間關(guān)系難以自動(dòng)捕捉，以及教育實(shí)體數(shù)量龐大、關(guān)系動(dòng)態(tài)多變導(dǎo)致的教師、學(xué)生、資源、知識(shí)點(diǎn)間的隱性知識(shí)難以被發(fā)現(xiàn)等方面。因此，還需進(jìn)一步對(duì)學(xué)生與教師、知識(shí)點(diǎn)、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境在時(shí)空序列下的交互關(guān)系特征和語境信息進(jìn)行深入挖掘，提高從多模態(tài)教學(xué)數(shù)據(jù)中抽取多類別教學(xué)實(shí)體要素間潛在交互關(guān)系的精度。

（三）學(xué)習(xí)問題溯源與干預(yù)精準(zhǔn)性有待提升

基于多模態(tài)學(xué)習(xí)行為數(shù)據(jù)精準(zhǔn)診斷和深度溯源學(xué)生學(xué)習(xí)問題，定制個(gè)性化干預(yù)方案是智能技術(shù)賦能學(xué)習(xí)干預(yù)的核心與重點(diǎn)。目前，相關(guān)研究更多是基于學(xué)生的知識(shí)水平和學(xué)習(xí)特征，利用推薦算法推送符合其學(xué)習(xí)偏好或薄弱知識(shí)點(diǎn)的學(xué)習(xí)路徑與資源。如Kurilovas等人根據(jù)學(xué)生的學(xué)習(xí)風(fēng)格使用蟻群優(yōu)化算法為學(xué)生推薦個(gè)性化的學(xué)習(xí)路徑[10]。范云霞基于知識(shí)點(diǎn)概念覆蓋和難度兩個(gè)特征溯源薄弱知識(shí)點(diǎn)，并進(jìn)一步采用深度強(qiáng)化學(xué)習(xí)算法實(shí)現(xiàn)學(xué)習(xí)路徑的推薦[11]。隨著智能技術(shù)的深入，基于大模型等新興技術(shù)的學(xué)習(xí)服務(wù)推薦逐漸成為研究熱點(diǎn)。盧宇應(yīng)用多模態(tài)大模型對(duì)包括漢字在內(nèi)的多種文字進(jìn)行跨模態(tài)圖片釋義的檢索與圖文教學(xué)資源的生成，從而輔助學(xué)生進(jìn)行語言學(xué)習(xí)[12]。但總的來說，現(xiàn)有的大模型技術(shù)還不能夠完全支持學(xué)生的學(xué)習(xí)數(shù)據(jù)與行為數(shù)據(jù)匯聚，實(shí)現(xiàn)更加完整、精準(zhǔn)的學(xué)習(xí)分析[13]。相關(guān)研究普遍缺乏基于學(xué)習(xí)過程數(shù)據(jù)的異常學(xué)習(xí)行為溯源，以及對(duì)不同類別群體學(xué)生增益學(xué)習(xí)路徑的挖掘與匯聚，導(dǎo)致學(xué)習(xí)問題深層次誘因難以精準(zhǔn)定位，個(gè)性化學(xué)習(xí)服務(wù)精度有待提高。

三、數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的應(yīng)然邏輯

數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)仍存在前面所討論的諸多問題，這些問題單純從局部展開研究無法徹底解決，需要從頂層邏輯入手展開研究。首先，動(dòng)態(tài)伴隨式獲得學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，實(shí)現(xiàn)對(duì)學(xué)習(xí)情境的動(dòng)態(tài)感知；其次，精準(zhǔn)診斷學(xué)生知識(shí)學(xué)習(xí)狀態(tài)和深度溯源學(xué)習(xí)問題成因，全面了解學(xué)生學(xué)習(xí)個(gè)性特征，實(shí)現(xiàn)對(duì)學(xué)生主體的精準(zhǔn)理解；最后，為學(xué)生提供高適配個(gè)性化學(xué)習(xí)路徑和資源，實(shí)現(xiàn)對(duì)學(xué)生學(xué)習(xí)的精準(zhǔn)干預(yù)，其發(fā)生邏輯如圖1所示。

（一）動(dòng)態(tài)感知學(xué)習(xí)情境是個(gè)性化學(xué)習(xí)的基礎(chǔ)條件

學(xué)習(xí)行為的發(fā)生，需要在特定場(chǎng)域時(shí)空下，與知識(shí)點(diǎn)、教師、學(xué)伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等實(shí)體要素通過多種形式的交互才能夠發(fā)生，知識(shí)的學(xué)習(xí)和能力的形成大多是在這樣的交互過程中完成的。針對(duì)同一知識(shí)點(diǎn)，不同的交互學(xué)習(xí)行為會(huì)直接影響學(xué)生的學(xué)習(xí)認(rèn)知過程和學(xué)習(xí)成效。因此，數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的首要條件是要全面了解學(xué)習(xí)活動(dòng)過程發(fā)生了什么樣的交互學(xué)習(xí)行為，這就需要?jiǎng)討B(tài)、全面、精準(zhǔn)識(shí)別和融合學(xué)生的交互學(xué)習(xí)行為數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)學(xué)習(xí)情境的全面感知。

（二）精準(zhǔn)理解學(xué)生主體是個(gè)性化學(xué)習(xí)的核心關(guān)鍵

要想全方位刻畫學(xué)生的學(xué)習(xí)特征和規(guī)律，需要從學(xué)生、知識(shí)點(diǎn)、任課和虛擬教師、實(shí)體和虛擬學(xué)伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等教育要素協(xié)同交互的行為視角，開展學(xué)習(xí)行為建模與學(xué)習(xí)評(píng)價(jià)，分析學(xué)生的學(xué)習(xí)行為特征，評(píng)價(jià)學(xué)生知識(shí)狀態(tài)情況，挖掘內(nèi)隱學(xué)習(xí)規(guī)律，診斷學(xué)習(xí)存在的問題。因此，數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的核心關(guān)鍵是以學(xué)生的行為數(shù)據(jù)為依據(jù)，利用智能技術(shù)對(duì)學(xué)生主體進(jìn)行全方位分析、診斷與評(píng)價(jià)，精準(zhǔn)刻畫學(xué)生知識(shí)學(xué)習(xí)狀態(tài)，掌握學(xué)生個(gè)性學(xué)習(xí)規(guī)律，并能夠?qū)W(xué)生知識(shí)狀態(tài)水平和學(xué)習(xí)規(guī)律進(jìn)行可解釋性分析，實(shí)現(xiàn)對(duì)學(xué)習(xí)主體的精準(zhǔn)理解，進(jìn)而為智能學(xué)習(xí)系統(tǒng)面向?qū)W生提供精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)奠定基礎(chǔ)。

（三）學(xué)習(xí)服務(wù)智能干預(yù)是個(gè)性化學(xué)習(xí)的支撐保障

當(dāng)學(xué)生學(xué)習(xí)出現(xiàn)問題時(shí)，最佳的解決辦法是準(zhǔn)確找出問題成因，并根據(jù)學(xué)生的認(rèn)知規(guī)律和已有知識(shí)基礎(chǔ)，有針對(duì)性地動(dòng)態(tài)安排學(xué)習(xí)活動(dòng)、指導(dǎo)教師、學(xué)伴和學(xué)習(xí)資源等，引導(dǎo)和幫助學(xué)生高質(zhì)、高效地開展學(xué)習(xí)。因此，首先要能夠溯源出導(dǎo)致學(xué)習(xí)問題的原因是前序知識(shí)薄弱問題，還是學(xué)習(xí)路徑和資源不適配問題。其次是針對(duì)不同學(xué)生類別，建立適配的學(xué)習(xí)路徑，匯聚適合的名師指導(dǎo)與講解資源、最佳的學(xué)習(xí)合作伙伴經(jīng)驗(yàn)分享和有效的學(xué)習(xí)支撐工具，進(jìn)而形成支持個(gè)性化學(xué)習(xí)的學(xué)習(xí)路網(wǎng)。最后是利用生成式人工智能為學(xué)生生成個(gè)性化學(xué)習(xí)路徑和資源，提供虛擬教師和智能學(xué)伴，幫助學(xué)生隨時(shí)隨地獲得教師的精準(zhǔn)講解與指導(dǎo)，以及學(xué)伴的伴隨式討論與交流。由此不難看出，利用人工智能和大數(shù)據(jù)等技術(shù)，基于學(xué)生特定學(xué)習(xí)情境中產(chǎn)生的多模態(tài)學(xué)習(xí)數(shù)據(jù)，針對(duì)學(xué)生學(xué)習(xí)存在的問題，在深度溯源問題成因基礎(chǔ)上，規(guī)劃個(gè)性化學(xué)習(xí)路徑和精準(zhǔn)推薦學(xué)習(xí)資源是實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)學(xué)生個(gè)性化學(xué)習(xí)的支撐保障。

四、數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)路徑

前文從宏觀層面討論了數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的應(yīng)然邏輯，接下來從教與學(xué)行為數(shù)據(jù)感知與融合、知識(shí)狀態(tài)評(píng)測(cè)與學(xué)習(xí)問題溯源、學(xué)習(xí)規(guī)律挖掘與學(xué)習(xí)路網(wǎng)建設(shè)、個(gè)性化學(xué)習(xí)路徑規(guī)劃與學(xué)習(xí)資源推薦等方面，深入討論數(shù)據(jù)驅(qū)動(dòng)個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)路徑和方法。

（一）教與學(xué)行為數(shù)據(jù)感知與理解

由于教與學(xué)活動(dòng)的開展條件存在著多場(chǎng)景、多方式、多設(shè)備等情況，導(dǎo)致數(shù)據(jù)采集難以通過統(tǒng)一的技術(shù)手段來完成。因此，需要通過多種類別的設(shè)備才可能更好地獲得反映出教與學(xué)的行為數(shù)據(jù)，但是不同渠道所采集的多模態(tài)數(shù)據(jù)之間難以直接精準(zhǔn)關(guān)聯(lián)在一起，需進(jìn)一步作一致性對(duì)齊和融合，以達(dá)到學(xué)習(xí)情境的精準(zhǔn)感知。

1. 教與學(xué)行為數(shù)據(jù)識(shí)別與一致性融合

目前，能夠無感采集到的數(shù)據(jù)，一是通過智慧學(xué)習(xí)系統(tǒng)所采集到的人機(jī)交互行為數(shù)據(jù)，以及作答文本、圖像等數(shù)據(jù)；二是通過攝像頭、麥克、掃描儀等采集到的音視頻、圖像等數(shù)據(jù)。對(duì)于人機(jī)交互行為數(shù)據(jù)，系統(tǒng)可自動(dòng)作標(biāo)注處理；對(duì)于音視頻、作答文本和圖像等數(shù)據(jù)，由于大部分?jǐn)?shù)據(jù)未作標(biāo)注，因此無法直接利用多模態(tài)通用大模型進(jìn)行處理，需通過引入教與學(xué)行為感知提示工程，對(duì)多模態(tài)預(yù)訓(xùn)練模型進(jìn)行微調(diào)，來解決因標(biāo)注少導(dǎo)致大模型技術(shù)難以直接使用的問題，實(shí)現(xiàn)從海量數(shù)據(jù)中精準(zhǔn)感知基本學(xué)習(xí)行為。其中，提示工程的設(shè)計(jì)是至關(guān)重要的。對(duì)于音視頻和圖像數(shù)據(jù)，可從關(guān)鍵動(dòng)作幀時(shí)空交換提示工程設(shè)計(jì)和相鄰幀間時(shí)空插入漂移提示工程設(shè)計(jì)兩個(gè)方面來進(jìn)行視覺提示工程設(shè)計(jì)；對(duì)于作答文本數(shù)據(jù)，可從教學(xué)過程提示工程和學(xué)習(xí)過程提示工程兩個(gè)方面進(jìn)行設(shè)計(jì)。

一般情況下，每一個(gè)學(xué)習(xí)行為都是由多個(gè)動(dòng)作組成的。因此，在行為類別基礎(chǔ)上，需要進(jìn)一步精準(zhǔn)識(shí)別每個(gè)行為包含的多個(gè)關(guān)聯(lián)動(dòng)作，從而提高行為感知模型的泛化能力。在識(shí)別基本學(xué)習(xí)行為類型和多動(dòng)作關(guān)聯(lián)關(guān)系的基礎(chǔ)上，需要按照學(xué)習(xí)行為及其所包含的動(dòng)作對(duì)多模態(tài)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行對(duì)齊和融合，為此，本研究提出了如圖2所示的多模態(tài)學(xué)習(xí)行為數(shù)據(jù)融合與表征方法。

針對(duì)時(shí)間不敏感的多模態(tài)數(shù)據(jù)，如學(xué)生自習(xí)場(chǎng)景中的學(xué)習(xí)行為數(shù)據(jù)，通過構(gòu)建模態(tài)解耦對(duì)比網(wǎng)絡(luò)，來增強(qiáng)數(shù)據(jù)的區(qū)分度。在此基礎(chǔ)上，利用對(duì)比學(xué)習(xí)，實(shí)現(xiàn)大規(guī)模、無標(biāo)注數(shù)據(jù)的對(duì)齊。針對(duì)時(shí)間敏感的多模態(tài)數(shù)據(jù)，如課堂師生互動(dòng)討論場(chǎng)景中的音視頻數(shù)據(jù)，通過設(shè)計(jì)行為感知、時(shí)間對(duì)齊和語義對(duì)齊等預(yù)訓(xùn)練任務(wù)，構(gòu)建融合學(xué)習(xí)場(chǎng)景領(lǐng)域特征，從而實(shí)現(xiàn)特定學(xué)習(xí)場(chǎng)景的多模態(tài)數(shù)據(jù)對(duì)齊。

在多模態(tài)學(xué)習(xí)行為數(shù)據(jù)對(duì)齊基礎(chǔ)上，針對(duì)學(xué)習(xí)交互場(chǎng)景下教與學(xué)行為的動(dòng)態(tài)多變性，再挖掘?qū)W生與教師、學(xué)習(xí)內(nèi)容、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等要素的交互關(guān)系，實(shí)現(xiàn)對(duì)學(xué)習(xí)行為的量化表征。在此基礎(chǔ)上，利用動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)時(shí)空交互場(chǎng)景下的多模態(tài)學(xué)習(xí)行為嵌入，將學(xué)習(xí)場(chǎng)景下的交互行為數(shù)據(jù)，以及文本、語音、圖像和視頻等數(shù)據(jù)進(jìn)行融合。

2. 教與學(xué)行為理解

從學(xué)生與教師、知識(shí)點(diǎn)、同伴、學(xué)習(xí)資源等因素間的交互行為中挖掘其相互作用機(jī)理與動(dòng)態(tài)變化過程是全方位刻畫學(xué)生學(xué)習(xí)特征和學(xué)習(xí)規(guī)律的前提。這需要對(duì)采集到的教與學(xué)行為類型進(jìn)行分析，理解教與學(xué)行為在具體教育情境中的現(xiàn)實(shí)意義。因此，教與學(xué)行為的理解首先需要對(duì)教與學(xué)行為類別作進(jìn)一步的細(xì)化分類，確定基于教與學(xué)行為數(shù)據(jù)屬性特征的行為類別判別條件，進(jìn)而建立教與學(xué)行為模型。然后，對(duì)采集融合的教與學(xué)行為數(shù)據(jù)進(jìn)行智能分析，識(shí)別教與學(xué)行為的具體類別，從而為精準(zhǔn)評(píng)測(cè)學(xué)生學(xué)習(xí)狀況、挖掘?qū)W習(xí)規(guī)律、推薦學(xué)習(xí)路徑提供支撐。具體方法如圖3所示。

教與學(xué)行為的建模，首先應(yīng)基于教育學(xué)、心理學(xué)等理論，以及教育專家知識(shí)經(jīng)驗(yàn)，挖掘教學(xué)行為特征數(shù)據(jù)的潛在規(guī)律，建立教與學(xué)行為屬性標(biāo)簽體系模式。然后，基于該模式，提取教與學(xué)行為數(shù)據(jù)中蘊(yùn)含的隱性信息，進(jìn)而挖掘教與學(xué)行為數(shù)據(jù)中蘊(yùn)含的關(guān)聯(lián)屬性特征。最后，結(jié)合人機(jī)協(xié)同和閾值分析方法明晰屬性標(biāo)簽的類別、層次等組合結(jié)構(gòu)，進(jìn)一步依據(jù)信息增益值確定屬性標(biāo)簽相對(duì)應(yīng)的屬性標(biāo)簽閾值范圍，通過屬性標(biāo)簽給出各類教學(xué)行為的判別條件，實(shí)現(xiàn)完備、準(zhǔn)確的教與學(xué)行為屬性標(biāo)簽體系構(gòu)建。教與學(xué)行為的深度理解，需要依據(jù)教與學(xué)行為屬性標(biāo)簽體系，通過對(duì)采集和感知到的教與學(xué)行為數(shù)據(jù)的屬性特征進(jìn)行分析，提取標(biāo)簽識(shí)別關(guān)鍵信息，建立標(biāo)簽識(shí)別關(guān)鍵信息和屬性標(biāo)簽體系間的映射，實(shí)現(xiàn)教與學(xué)行為的精準(zhǔn)標(biāo)簽。

（二）知識(shí)狀態(tài)評(píng)測(cè)與學(xué)習(xí)問題溯源

以學(xué)生的行為數(shù)據(jù)為依據(jù)，利用智能技術(shù)對(duì)學(xué)生主體產(chǎn)生的數(shù)據(jù)進(jìn)行全方位分析、診斷與評(píng)價(jià)，從而精準(zhǔn)刻畫學(xué)生知識(shí)學(xué)習(xí)狀態(tài)，深度溯源學(xué)習(xí)問題產(chǎn)生的原因等，才能夠?yàn)閷W(xué)生提供精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)。因此，需要研究面向不同學(xué)習(xí)情境進(jìn)行準(zhǔn)確的學(xué)習(xí)評(píng)估，深度分析薄弱知識(shí)點(diǎn)和異常學(xué)習(xí)行為的學(xué)習(xí)問題成因溯源方法，具體思路如圖4所示。

1. 基于學(xué)習(xí)行為的學(xué)習(xí)效果評(píng)價(jià)模型構(gòu)建

學(xué)習(xí)效果評(píng)價(jià)模型的構(gòu)建首先是要確定可用于評(píng)價(jià)學(xué)習(xí)效果的行為數(shù)據(jù)，這需要綜合考慮數(shù)據(jù)的采集和提取復(fù)雜度、成本，以及與學(xué)習(xí)效果間的顯著相關(guān)性，進(jìn)而確定可用于評(píng)價(jià)學(xué)習(xí)效果的行為數(shù)據(jù)。在此基礎(chǔ)上，通過理論推演和專家訪談相結(jié)合的方式建立評(píng)價(jià)指標(biāo)框架體系。首先，依據(jù)教育學(xué)、心理學(xué)、腦科學(xué)等理論，通過分析不同類型學(xué)習(xí)行為與知識(shí)學(xué)習(xí)狀態(tài)、學(xué)科思維能力形成水平等學(xué)科核心素養(yǎng)間的關(guān)聯(lián)關(guān)系，確立學(xué)習(xí)效果評(píng)價(jià)維度和每一個(gè)維度的具體指標(biāo)，建立評(píng)價(jià)指標(biāo)框架體系原型。其次，采用專家訪談等方法對(duì)所確立的評(píng)價(jià)指標(biāo)框架體系進(jìn)行迭代修正，建立科學(xué)合理、可信性高的評(píng)價(jià)指標(biāo)體系。在此基礎(chǔ)上，采用圖神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制，利用學(xué)習(xí)行為數(shù)據(jù)和測(cè)試結(jié)果數(shù)據(jù)等大樣本數(shù)據(jù)進(jìn)行迭代訓(xùn)練，對(duì)每一個(gè)評(píng)價(jià)指標(biāo)進(jìn)行定量評(píng)價(jià)，確立行為數(shù)據(jù)與評(píng)價(jià)指標(biāo)間的量化計(jì)算模型，進(jìn)而實(shí)現(xiàn)利用學(xué)習(xí)行為數(shù)據(jù)計(jì)算學(xué)習(xí)效果的水平及程度。

2. 基于知識(shí)追蹤的知識(shí)狀態(tài)評(píng)估

不同情境下學(xué)生的學(xué)習(xí)活動(dòng)安排有所不同，對(duì)于以教師為主導(dǎo)的課堂教學(xué)情境，學(xué)生的學(xué)習(xí)活動(dòng)安排主要由教師規(guī)劃指導(dǎo)，因此該場(chǎng)景下的學(xué)習(xí)狀態(tài)評(píng)估與追蹤側(cè)重于基于學(xué)生的試題作答數(shù)據(jù)，實(shí)現(xiàn)知識(shí)狀態(tài)的即時(shí)、可解釋性評(píng)價(jià)。具體來說，可采用大模型技術(shù)，構(gòu)建包含試題的難度、認(rèn)知目標(biāo)、關(guān)聯(lián)知識(shí)點(diǎn)復(fù)雜度等語義信息的試題參數(shù)自動(dòng)標(biāo)注框架，并將所獲得的語義特征融入知識(shí)追蹤模型中，預(yù)測(cè)試題的難度、區(qū)分度等參數(shù)。在此基礎(chǔ)上，通過整合邏輯回歸模型，構(gòu)建可解釋的即時(shí)知識(shí)狀態(tài)評(píng)估模型，進(jìn)而實(shí)現(xiàn)在無需學(xué)生大規(guī)模作答條件下對(duì)學(xué)生當(dāng)前知識(shí)狀態(tài)的即時(shí)評(píng)估，解決未經(jīng)過模型訓(xùn)練的試題難以評(píng)估的問題，以及深度知識(shí)追蹤模型可解釋性薄弱等問題。

對(duì)于以自我導(dǎo)向性學(xué)習(xí)為主的自主學(xué)習(xí)情境，學(xué)習(xí)狀態(tài)評(píng)估可基于學(xué)生答題記錄數(shù)據(jù)和問題解決過程中的學(xué)習(xí)行為數(shù)據(jù)，構(gòu)建知識(shí)和能力一體化的知識(shí)追蹤模型。基本思路是：首先，利用答題樣本數(shù)據(jù)，構(gòu)建基于循環(huán)神經(jīng)網(wǎng)絡(luò)的知識(shí)狀態(tài)評(píng)估模型；其次，利用學(xué)習(xí)行為樣本數(shù)據(jù)，結(jié)合答題結(jié)果數(shù)據(jù)，采用圖表示學(xué)習(xí)與Transformer神經(jīng)網(wǎng)絡(luò)等方法，構(gòu)建學(xué)習(xí)能力評(píng)估模型；在此基礎(chǔ)上，通過多頭注意力融合等方法，實(shí)現(xiàn)長(zhǎng)時(shí)序周期上學(xué)生知識(shí)和能力一體化的預(yù)測(cè)評(píng)估，進(jìn)而解決現(xiàn)有的知識(shí)追蹤模型只能對(duì)知識(shí)掌握程度進(jìn)行追蹤的問題。

3. 學(xué)習(xí)問題溯源

導(dǎo)致學(xué)生學(xué)習(xí)出現(xiàn)問題的直接原因主要有兩方面，一是前序知識(shí)薄弱，二是學(xué)習(xí)活動(dòng)過程不適配。學(xué)習(xí)活動(dòng)過程不適配主要體現(xiàn)在學(xué)習(xí)活動(dòng)安排不合理、教師的講解和指導(dǎo)不適合、學(xué)伴協(xié)作不給力、學(xué)習(xí)資源和工具支持度不夠等方面。

對(duì)于前序知識(shí)點(diǎn)薄弱的情況，需溯源源頭知識(shí)點(diǎn)。首先，可基于多層次教育知識(shí)圖譜，利用大規(guī)模學(xué)生知識(shí)追蹤結(jié)果樣本數(shù)據(jù)，依據(jù)知識(shí)點(diǎn)掌握程度，構(gòu)建關(guān)聯(lián)子圖。其次，利用圖表示學(xué)習(xí)和圖對(duì)比學(xué)習(xí)，學(xué)習(xí)因果影響效應(yīng)，構(gòu)建源頭知識(shí)點(diǎn)預(yù)測(cè)因果結(jié)構(gòu)圖。再次，根據(jù)因果結(jié)構(gòu)圖，對(duì)學(xué)生當(dāng)前學(xué)習(xí)問題知識(shí)點(diǎn)進(jìn)行分析，定位源頭知識(shí)點(diǎn)。最后，根據(jù)溯源得到的源頭知識(shí)點(diǎn)，結(jié)合歷史知識(shí)追蹤和評(píng)價(jià)結(jié)果，進(jìn)行關(guān)聯(lián)分析，找出導(dǎo)致源頭知識(shí)點(diǎn)出現(xiàn)學(xué)習(xí)問題的原因，諸如遺忘或原本就未學(xué)會(huì)等。

針對(duì)異常學(xué)習(xí)行為的溯源，首先，可根據(jù)學(xué)生在源頭知識(shí)點(diǎn)的所有學(xué)習(xí)行為，構(gòu)建學(xué)生個(gè)體的行為顯著性圖。其次，依據(jù)公共學(xué)習(xí)路徑，生成有效的公共群體學(xué)習(xí)行為顯著性圖。最后，利用圖表示學(xué)習(xí)，對(duì)個(gè)體學(xué)習(xí)行為特征顯著圖與有效公共學(xué)習(xí)行為特征顯著圖進(jìn)行高維表示，并通過向量空間映射模型，實(shí)現(xiàn)異常學(xué)習(xí)行為序列的發(fā)現(xiàn)。

（三）學(xué)習(xí)規(guī)律挖掘與學(xué)習(xí)路網(wǎng)建設(shè)

目前，實(shí)現(xiàn)人機(jī)交互環(huán)境下學(xué)生學(xué)習(xí)規(guī)律揭示的主要途徑是：首先，建立涵蓋學(xué)生、教師、知識(shí)點(diǎn)、學(xué)習(xí)資源要素的多層次語義關(guān)系的教育知識(shí)圖譜；然后，利用知識(shí)圖譜高階推理技術(shù)不斷豐富和完善教育知識(shí)圖譜；最后，基于知識(shí)圖譜抽取群體學(xué)生增益學(xué)習(xí)路徑，建立公共學(xué)習(xí)路網(wǎng)。

1. 揭示學(xué)習(xí)規(guī)律的教育知識(shí)圖譜構(gòu)建

知識(shí)圖譜的構(gòu)建，首先，應(yīng)從時(shí)序、空間和不確定性等方面，構(gòu)建能夠充分表達(dá)復(fù)雜語義關(guān)系的多層次知識(shí)表示模型。依據(jù)課程標(biāo)準(zhǔn)，結(jié)合專家經(jīng)驗(yàn)，充分挖掘教學(xué)資源、教學(xué)、學(xué)習(xí)及評(píng)價(jià)系統(tǒng)中的教育數(shù)據(jù)模型等領(lǐng)域知識(shí)源信息，對(duì)學(xué)生、教師、知識(shí)點(diǎn)、學(xué)習(xí)資源等進(jìn)行實(shí)體分類，并確立學(xué)生、教師、知識(shí)點(diǎn)、學(xué)習(xí)資源等因素間可能的語義關(guān)系類型，構(gòu)建多層次教育本體。其次，基于課標(biāo)、教材和教學(xué)資源等非結(jié)構(gòu)化數(shù)據(jù)，通過比較關(guān)系域?qū)嶓w類型及類型層次模型的共享參數(shù)結(jié)構(gòu)，構(gòu)建基于軟參數(shù)共享的多任務(wù)知識(shí)抽取模型，解決任務(wù)樣本不均衡和噪聲偏差問題；建立多任務(wù)知識(shí)抽取模型相應(yīng)的知識(shí)子圖，利用圖結(jié)構(gòu)和語義對(duì)齊生成跨模態(tài)關(guān)系的映射函數(shù)，構(gòu)建跨模態(tài)聯(lián)合知識(shí)抽取模型，解決單模態(tài)下知識(shí)抽取豐度不足的問題；針對(duì)教學(xué)行為和資源屬性標(biāo)簽數(shù)據(jù)，建立教育本體與教育數(shù)據(jù)關(guān)系模型間的映射關(guān)系，制定翻譯模版，實(shí)現(xiàn)從結(jié)構(gòu)化數(shù)據(jù)到圖譜知識(shí)的轉(zhuǎn)化。最后，通過本體對(duì)齊、實(shí)例消歧實(shí)現(xiàn)對(duì)開源教育知識(shí)圖譜的知識(shí)融合。

2. 實(shí)現(xiàn)潛在規(guī)律發(fā)現(xiàn)的高階推理

針對(duì)由于大規(guī)模學(xué)習(xí)情境下學(xué)生、教師、學(xué)習(xí)資源、知識(shí)點(diǎn)等數(shù)量龐大、關(guān)系動(dòng)態(tài)多變，致使不同實(shí)體間隱性關(guān)聯(lián)關(guān)系難以發(fā)現(xiàn)等問題，研究從可滿足性知識(shí)推理、實(shí)體分類、上下文關(guān)系實(shí)例化等方面，討論教育知識(shí)圖譜潛在規(guī)律發(fā)現(xiàn)的高階推理方法。

針對(duì)由于時(shí)空和不確定性等因素所導(dǎo)致的高階推理不可判定性問題，可通過構(gòu)建本體公理到邏輯張量網(wǎng)絡(luò)結(jié)構(gòu)生成的編碼方法，利用邏輯張量網(wǎng)絡(luò)替代邏輯符號(hào)推理，實(shí)現(xiàn)原子概念的可滿足性判定；通過Transformer 學(xué)習(xí)網(wǎng)絡(luò)合成復(fù)雜概念向量表示，實(shí)現(xiàn)任意級(jí)別概念可滿足性判定，解決沖突和冗余問題，確保知識(shí)的完備和一致。

面向開放域的實(shí)體抽取和分類，采用人工的方式已無法滿足知識(shí)圖譜動(dòng)態(tài)構(gòu)建的實(shí)際需要。可行的方法是，對(duì)于任意給定的實(shí)體，采用機(jī)器學(xué)習(xí)的方法，從目標(biāo)多模態(tài)數(shù)據(jù)集中抽取出與之具有相似上下文特征的實(shí)體，從而實(shí)現(xiàn)實(shí)體的分類和聚類。

針對(duì)教育知識(shí)圖譜中非顯現(xiàn)的實(shí)體間關(guān)系挖掘，需基于上下文關(guān)系捕捉實(shí)體間潛在的規(guī)律，以實(shí)現(xiàn)上下文潛在關(guān)系實(shí)例化，完善知識(shí)圖譜，實(shí)現(xiàn)對(duì)知識(shí)圖譜中隱含關(guān)系的精準(zhǔn)發(fā)現(xiàn)。

3. 基于知識(shí)圖譜的公共學(xué)習(xí)路網(wǎng)構(gòu)建

公共學(xué)習(xí)路網(wǎng)的構(gòu)建就是按照不同類別學(xué)生抽取公共學(xué)習(xí)路徑，并匹配相應(yīng)的教學(xué)資源。公共學(xué)習(xí)路徑的抽取，在教育知識(shí)圖譜中的實(shí)體間交互關(guān)系不夠豐富的情況下，可先利用學(xué)習(xí)增益優(yōu)秀案例數(shù)據(jù)，挖掘基本公共學(xué)習(xí)路徑。當(dāng)多層次教育知識(shí)圖譜中的學(xué)生、知識(shí)點(diǎn)、教師和學(xué)習(xí)資源等交互關(guān)系足夠豐富時(shí)，再利用知識(shí)圖譜對(duì)公共學(xué)習(xí)路徑進(jìn)行迭代優(yōu)化。

基于學(xué)習(xí)大數(shù)據(jù)，針對(duì)學(xué)生所處的不同階段和所學(xué)的課程內(nèi)容，按照學(xué)生的知識(shí)積累、在線環(huán)境中學(xué)習(xí)難度和交互模式，以及學(xué)習(xí)能力等，可對(duì)學(xué)生進(jìn)行聚類分析，將學(xué)生劃分為多個(gè)群組類別。然后，將學(xué)生群組類別融入多層次教育知識(shí)圖譜，并按照群組類別，在多層次教育知識(shí)圖譜中實(shí)現(xiàn)對(duì)學(xué)生的實(shí)體分類。

針對(duì)不同學(xué)習(xí)場(chǎng)景和具體課程學(xué)習(xí)內(nèi)容，按照不同學(xué)生群組類別，分別選擇學(xué)習(xí)成績(jī)?cè)鲆鎯?yōu)異的學(xué)生學(xué)習(xí)案例數(shù)據(jù)，挖掘公共學(xué)習(xí)路徑。首先，對(duì)課程學(xué)習(xí)內(nèi)容、學(xué)生類別和學(xué)習(xí)行為數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，構(gòu)建知識(shí)點(diǎn)與學(xué)生、教師、學(xué)習(xí)路徑和學(xué)習(xí)資源等間的關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)。然后，利用學(xué)習(xí)評(píng)價(jià)結(jié)果數(shù)據(jù)和增益效果數(shù)據(jù)，對(duì)關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)的每一條學(xué)習(xí)路徑進(jìn)行學(xué)習(xí)增益效度評(píng)估，計(jì)算學(xué)習(xí)增益效度權(quán)重值。最后，以學(xué)習(xí)增益效度權(quán)重值為依據(jù)，對(duì)每一個(gè)知識(shí)點(diǎn)搜索每一類別學(xué)生的可能共性學(xué)習(xí)路徑，確立基本公共學(xué)習(xí)路徑。在此基礎(chǔ)上，針對(duì)知識(shí)點(diǎn)，為不同類學(xué)生構(gòu)建知識(shí)學(xué)習(xí)概率網(wǎng)絡(luò)，從中挖掘不同學(xué)生的優(yōu)秀學(xué)習(xí)路徑和適配資源，實(shí)現(xiàn)對(duì)公共學(xué)習(xí)路徑的迭代優(yōu)化。

（四）個(gè)性化學(xué)習(xí)路徑規(guī)劃與學(xué)習(xí)資源推薦

面向個(gè)性化學(xué)習(xí)的精準(zhǔn)干預(yù)，首先，需要基于學(xué)生評(píng)價(jià)結(jié)果來精準(zhǔn)定位學(xué)生的個(gè)性化學(xué)習(xí)任務(wù)。其次，針對(duì)不同學(xué)習(xí)情境，以學(xué)生與教師、知識(shí)點(diǎn)、學(xué)習(xí)資源間的交互規(guī)律為依據(jù)，基于學(xué)習(xí)路網(wǎng)為不同類別學(xué)生推薦個(gè)性化學(xué)習(xí)路徑和適配的學(xué)習(xí)資源。具體思路如圖5所示。

1. 個(gè)性化學(xué)習(xí)任務(wù)精準(zhǔn)定位

個(gè)性化學(xué)習(xí)任務(wù)的精準(zhǔn)定位主要是判斷導(dǎo)致學(xué)習(xí)問題出現(xiàn)的原因，是前序知識(shí)薄弱還是學(xué)習(xí)行為不適配所導(dǎo)致的，進(jìn)而確定需要進(jìn)一步學(xué)習(xí)的知識(shí)點(diǎn)集。具體算法如下：

（1）對(duì)于？坌x∈qu-kn，qu-kn為問題知識(shí)點(diǎn)集，基于知識(shí)圖譜確定x的前序知識(shí)集pre-kn（x）。

（2）對(duì)于任意？坌y∈pre-kn（x），基于學(xué)生學(xué)科核心素養(yǎng)水平等個(gè)性化畫像數(shù)據(jù)，獲取學(xué)生知識(shí)掌握情況，結(jié)合學(xué)科知識(shí)圖譜，確認(rèn)可能存在問題的知識(shí)點(diǎn)，并通過對(duì)異常學(xué)習(xí)行為數(shù)據(jù)的挖掘，分析可能導(dǎo)致問題知識(shí)點(diǎn)出現(xiàn)的異常學(xué)習(xí)行為。

（3）對(duì)步驟（2）和步驟（1）進(jìn)行遞歸迭代，直到?jīng)]有前序問題知識(shí)點(diǎn)為止，通過對(duì)關(guān)聯(lián)前序薄弱知識(shí)點(diǎn)和異常學(xué)習(xí)行為等因素的分析，在遞歸迭代過程中生成具有掌握程度指標(biāo)的待學(xué)習(xí)知識(shí)點(diǎn)集合。

（4）基于各知識(shí)點(diǎn)權(quán)重和知識(shí)圖譜中知識(shí)點(diǎn)間的邏輯關(guān)系，采用上下文關(guān)系預(yù)測(cè)方法，精準(zhǔn)定位可量化的個(gè)性化學(xué)習(xí)任務(wù)。

2. 高適配學(xué)習(xí)路徑規(guī)劃

高適配學(xué)習(xí)路徑的規(guī)劃，除了以能夠直接搜集到的結(jié)構(gòu)化學(xué)習(xí)行為數(shù)據(jù)為依據(jù)外，還需要根據(jù)學(xué)生的個(gè)性化學(xué)習(xí)任務(wù)和學(xué)習(xí)特征，從學(xué)習(xí)路網(wǎng)中選擇符合學(xué)生認(rèn)知特點(diǎn)和已有知識(shí)水平的學(xué)習(xí)活動(dòng)安排以及每個(gè)活動(dòng)適配的學(xué)習(xí)資源。因此，學(xué)習(xí)路徑規(guī)劃算法輸入的數(shù)據(jù)應(yīng)包括學(xué)生的個(gè)性化學(xué)習(xí)任務(wù)集、學(xué)習(xí)畫像，學(xué)科知識(shí)圖譜以及公共學(xué)習(xí)路網(wǎng)等；應(yīng)輸出的結(jié)果是針對(duì)學(xué)生學(xué)習(xí)特點(diǎn)的可解釋的高適配學(xué)習(xí)活動(dòng)安排和學(xué)習(xí)資源。具體算法如下：

（1）將學(xué)生學(xué)習(xí)行為、軌跡以及最佳公共學(xué)習(xí)路徑轉(zhuǎn)化為能夠充分反應(yīng)時(shí)間、空間，以及學(xué)生、教師、知識(shí)點(diǎn)和資源間相互作用關(guān)系等特征的拓?fù)鋱D，進(jìn)行對(duì)比分析，針對(duì)異常學(xué)習(xí)行為，遴選出對(duì)應(yīng)的候選替換行為。

（2）應(yīng)用強(qiáng)化學(xué)習(xí)將候選替換行為作為異常行為步的動(dòng)作選擇空間，計(jì)算執(zhí)行空間中每一個(gè)選擇替換行為后的有效性獎(jiǎng)勵(lì)，并進(jìn)行迭代決策。

（3）在迭代過程中，針對(duì)每個(gè)異常行為步，從動(dòng)作選擇空間中選擇某一個(gè)替換行為進(jìn)行評(píng)估，直至將整個(gè)異常學(xué)習(xí)行為序列執(zhí)行完畢。

（4）對(duì)學(xué)生在問題知識(shí)點(diǎn)進(jìn)行評(píng)估，反饋替換學(xué)習(xí)行為的可能有效性獎(jiǎng)勵(lì)，判斷學(xué)習(xí)服務(wù)推薦下核心素養(yǎng)水平可能提升的程度。

（5）重復(fù)步驟（3）和（4）的過程，直到算法收斂，達(dá)到最優(yōu)學(xué)習(xí)結(jié)果，此時(shí)動(dòng)作選擇空間中概率最高的替換行為，即為給這個(gè)學(xué)習(xí)推薦的異常學(xué)習(xí)行為糾正依據(jù)，進(jìn)而確立個(gè)性化最佳學(xué)習(xí)路徑。

五、結(jié) 束 語

數(shù)據(jù)驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)是實(shí)現(xiàn)高質(zhì)量人才培養(yǎng)的有效途徑，這一目標(biāo)的實(shí)現(xiàn)，不僅需要高速的網(wǎng)絡(luò)條件、學(xué)習(xí)終端和足夠的算力支持，更需要無感伴隨式的數(shù)據(jù)采集與分析、學(xué)習(xí)規(guī)律的抽取與建模、學(xué)習(xí)問題的發(fā)現(xiàn)與溯源、優(yōu)質(zhì)教師資源的匯聚與建序、個(gè)性化學(xué)習(xí)服務(wù)的規(guī)劃與推薦等。其中，既涉及個(gè)性化學(xué)習(xí)系統(tǒng)的規(guī)劃與設(shè)計(jì)，又包括優(yōu)質(zhì)資源的挖掘與共享，更涵蓋大模型等新一代人工智能技術(shù)的開發(fā)與應(yīng)用。未來，仍需在注重技術(shù)功能與教育價(jià)值融合基礎(chǔ)上，構(gòu)建針對(duì)不同學(xué)科內(nèi)容適配不同類別學(xué)生特點(diǎn)的學(xué)習(xí)路徑規(guī)劃大模型，以及精準(zhǔn)動(dòng)態(tài)評(píng)估學(xué)生學(xué)習(xí)效果的學(xué)習(xí)行為評(píng)價(jià)大模型等，進(jìn)一步探索生成式人工智能技術(shù)在不同教學(xué)場(chǎng)景中的應(yīng)用契合性和實(shí)效性。

[參考文獻(xiàn)]

[1] 劉三女牙，李卿，孫建文，劉智． 量化學(xué)習(xí)：數(shù)字化學(xué)習(xí)發(fā)展前瞻[J]． 教育研究，2016，37（7）：119-126．

[2] 中共中央，國務(wù)院.中國教育現(xiàn)代化2035[EB/OL]. （2019-02-23）[2024-06-25]. https：//www.gov.cn/zhengce/2019-02/23/content_ 5367987.htm.

[3] 鄭永和，王一巖，楊淑豪． 人工智能賦能教育評(píng)價(jià)：價(jià)值、挑戰(zhàn)與路徑[J]． 開放教育研究，2024，30（4）：4-10．

[4] 郝建江，郭炯． 智能技術(shù)賦能精準(zhǔn)教學(xué)的實(shí)現(xiàn)邏輯[J]． 電化教育研究，2022，43（6）：122-128.

[5] 鐘紹春，鐘卓，張琢． 如何構(gòu)建智慧課堂[J]． 電化教育研究，2020，41（10）：15-21，28．

[6] 黃榮懷，劉夢(mèng)彧，劉嘉豪，等． 智慧教育之“為何” 與“何為” ——關(guān)于智能時(shí)代教育的表現(xiàn)性與建構(gòu)性特征分析[J]． 電化教育研究，2023，44（1）：5-12，35．

[7] SUN X， ZHAO X， LI B ，et al． Dynamic key-value memory networks with rich features for knowledge tracing[J]． IEEE transactions on cybernetics，2022，52（8）：8239-8245．

[8] 姜強(qiáng)，馮雅楠，金美伶，等． 基于在線同伴互評(píng)的內(nèi)隱行為規(guī)律挖掘及其影響機(jī)理研究[J]． 現(xiàn)代遠(yuǎn)距離教育，2024（1）：32-44．

[9] 張思，高倩倩，馬鑫倩，等． 私播課論壇中學(xué)習(xí)者會(huì)話行為建模研究[J]． 電化教育研究，2021，42（11）：63-68，106．

[10] KURILOVAS E， ZILINSKIENE I， DAGIENE V． Recommending suitable learning paths according to learners' preferences：experimental research results[J]． Computers in human behavior，2015，51：945-951．

[11] 范云霞，杜佳慧，張杰，等． 面向動(dòng)態(tài)學(xué)習(xí)環(huán)境的自適應(yīng)學(xué)習(xí)路徑推薦模型[J]． 電化教育研究，2024，45（6）：89-96，105．

[12] 盧宇，余京蕾，陳鵬鶴，等． 多模態(tài)大模型的教育應(yīng)用研究與展望[J]． 電化教育研究，2023，44（6）：38-44．

[13] 楊宗凱，王俊，吳砥，等. ChatGPT/生成式人工智能對(duì)教育的影響探析及應(yīng)對(duì)策略[J]. 華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版），2023，41（7）：26-35.

Data-driven Personalized Learning： Real Problems， Ought-to-be Logic and Implementation Paths

ZHONG Shaochun1，" YANG Lan2，" "FAN Jiarong3

（1.Ministry of Education Digital Learning Support Technology Engineering Research Center， Northeast Normal University， Changchun Jilin 130117; 2.School of information science and technology， Northeast Normal University， Changchun" Jilin 130117; 3.School of Journalism and Communication， Jilin Normal University， Changchun Jilin 130012）

[Abstract] The comprehensive advancement of educational digital transformation and the widespread application of artificial intelligence in education have provided a practical way to solve the problem of personalized learning， and data-driven personalized learning has become a necessary path for high-quality education development. However， the current data-driven personalized learning is generally characterized by bottleneck problems such as low precision of learning behavior perception and state evaluation， inaccurate mining of learning features， incomplete mining of learning laws， insufficient tracing of learning problems， and poor precision of learning intervention. Therefore， the study analyzes the ought-to-be logic of data-driven personalized learning from the aspects of context perception， subject understanding， and intelligent intervention. Based on this， from the effective perception and understanding of learning behavior data， personalized learning tracking with precise assessment of learning effects， tracing the causes of learning problems of weak knowledge points and abnormal learning behaviors，high-order reasoning of educational knowledge graph for discovering potential interactive learning laws， the construction of public learning networks and the planning of high-adaptive personalized learning paths， the study discusses the implementation path and methods of data-driven personalized learning.

[Keywords] Personalized Learning; Data-driven; Context Awareness; Learning Path Planning; Educational Knowledge Graph