 本文由《開放教育研究》雜志授權(quán)發(fā)布 作者：何克抗 摘要
關(guān)鍵詞：個(gè)性化學(xué)習(xí),；學(xué)習(xí)者建模,；人工智能,；教育數(shù)據(jù)挖掘；適應(yīng)性教學(xué),；自適應(yīng)教學(xué) 一,、導(dǎo)言——“個(gè)性化學(xué)習(xí)”的由來 《教育傳播與技術(shù)研究手冊(cè)（第四版）》第四部分（“一般教學(xué)策略”篇）的第34章專門介紹了“促進(jìn)個(gè)性化學(xué)習(xí)、教學(xué)和績效的先進(jìn)技術(shù)”（任友群等,，2015）,。該章內(nèi)容主要涉及三個(gè)方面：一是促進(jìn)個(gè)性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模；二是促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能,；三是促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之二——教育數(shù)據(jù)挖掘,。“個(gè)性化教學(xué)”最早出現(xiàn)于凱勒（Keller）提出的個(gè)性化教學(xué)系統(tǒng)（personalized system instruction,，簡(jiǎn)稱PSI）（Lockee et al.,，2008）。二十世紀(jì)七十年代,，凱勒（Keller,，1974）已對(duì)個(gè)性化教學(xué)系統(tǒng)開展了近十年的研究，并展望了個(gè)性化教學(xué)的未來發(fā)展,，聲稱：“我們需要技術(shù),，我們需要改革，沒有什么理由說明它們是不能一起發(fā)揮作用的,?！裉煳覀儞碛械淖C據(jù)使我們相信個(gè)性化教學(xué)將會(huì)生存下去——傳統(tǒng)教育的日子屈指可數(shù)?！?/span> 人工智能技術(shù)的發(fā)展（尤其是這一領(lǐng)域“自適應(yīng)技術(shù)”的發(fā)展）,，為個(gè)性化教學(xué)提供了強(qiáng)有力的支持。不同學(xué)習(xí)者有不同的個(gè)性化需求,，可以說這種需求是千變?nèi)f化的,。在信息技術(shù)尚未出現(xiàn)或仍處于萌芽時(shí)期，要想適應(yīng)不同學(xué)習(xí)者的不同需求,，真正實(shí)現(xiàn)個(gè)性化教學(xué),，是根本不可能的，甚至是無法想象的,。但是,，二十世紀(jì)九十年代以來，隨著以多媒體計(jì)算機(jī)和網(wǎng)絡(luò)通信為標(biāo)志的信息技術(shù)的迅猛發(fā)展,，人工智能技術(shù)（包括“自適應(yīng)技術(shù)”）有了新的突破,，出現(xiàn)一批“智能代理”型適應(yīng)性教學(xué)系統(tǒng)（Shute & Zapata-Rivera，2008），這類系統(tǒng)既能基于認(rèn)知特點(diǎn)的自動(dòng)識(shí)別,，支持和促進(jìn)學(xué)習(xí)者對(duì)復(fù)雜,、抽象概念的學(xué)習(xí)與理解，又能基于情感態(tài)度的自動(dòng)辨別與感知,，為學(xué)習(xí)者提供適應(yīng)其個(gè)人愛好的學(xué)習(xí)資源與學(xué)習(xí)方式,。這樣，個(gè)性化教學(xué)就不再停留在理論和觀念層面,，而是可以落實(shí)到某些學(xué)科的實(shí)際教學(xué)過程中（至少對(duì)某些學(xué)科的部分內(nèi)容能做到這點(diǎn)）,，這就是在若干學(xué)科（主要是理工科和醫(yī)科）的課程教學(xué)中之所以會(huì)有一批以“智能代理”形式出現(xiàn)的“個(gè)性化教學(xué)系統(tǒng)”（也有人稱之為“適應(yīng)性教學(xué)系統(tǒng)”）的背景與由來。 教學(xué)的目的最終是為了促進(jìn)學(xué)習(xí)者的學(xué)習(xí),。從學(xué)習(xí)者的角度看有利于個(gè)性化教學(xué)的系統(tǒng)自然也是有利于促進(jìn)個(gè)性化學(xué)習(xí)的系統(tǒng),。一般認(rèn)為，這是近年來“個(gè)性化教學(xué)系統(tǒng)”逐漸被“個(gè)性化學(xué)習(xí)系統(tǒng)”所取代（或是兩種說法并存）的原因所在,。我個(gè)人認(rèn)為,，這種說法的改變只是表面現(xiàn)象，而非本質(zhì)上的原因,，這種“說法”改變的根本原因,，應(yīng)該與建構(gòu)主義有關(guān)。眾所周知,，二十世紀(jì)九十年代以來,，建構(gòu)主義隨著信息技術(shù)的迅速普及而廣泛流行；建構(gòu)主義所倡導(dǎo)的“以學(xué)生為中心”的教育思想和“自主探究,、自主發(fā)現(xiàn)”的教學(xué)觀念在整個(gè)九十年代（甚至到21世紀(jì)初）都占據(jù)全球教育界統(tǒng)治地位的主流教育思想與教學(xué)觀念——“對(duì)教師如何教”的關(guān)注,，完全被“對(duì)學(xué)生如何學(xué)”的關(guān)注所取代。在這樣的背景下,，“個(gè)性化教學(xué)系統(tǒng)”的名稱讓位給“個(gè)性化學(xué)習(xí)系統(tǒng)”,，也就順理成章了（直至進(jìn)入21世紀(jì)以后，特別是2005到2006年美國爆發(fā)“建構(gòu)主義教學(xué)——成功還是失??？”的大辯論后，“以學(xué)生為中心”教育思想的統(tǒng)治地位才開始發(fā)生動(dòng)搖）,。 二,、促進(jìn)個(gè)性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模 關(guān)于“學(xué)習(xí)者建?！?，相關(guān)文獻(xiàn)也稱之為“學(xué)生建模”或“用戶建?！保ǔ襟w和Web應(yīng)用領(lǐng)域的教學(xué)研究人員比較愛用“用戶建?！边@一術(shù)語）,。這種模型是創(chuàng)建能夠提供個(gè)性化學(xué)習(xí)的適應(yīng)性系統(tǒng)的關(guān)鍵與核心,。模型包含的相關(guān)信息越多,，系統(tǒng)的適應(yīng)性能力就越強(qiáng)，學(xué)習(xí)過程的個(gè)性化程度就越高,。學(xué)習(xí)者模型應(yīng)包含哪些類型的信息,，完全取決于教師或開發(fā)者的研究目標(biāo)。 （一）學(xué)習(xí)者的靜態(tài)與動(dòng)態(tài)模型 學(xué)習(xí)者模型的復(fù)雜程度差異很大,，可以是很基本的模型——僅包含一個(gè)或幾個(gè)可用于調(diào)整教學(xué)的“學(xué)習(xí)者特征”（如先前的知識(shí),、學(xué)習(xí)風(fēng)格、認(rèn)知特點(diǎn),、學(xué)習(xí)動(dòng)機(jī)等）,，也可以是更先進(jìn)的、高度動(dòng)態(tài)的模型（見下文）,。在學(xué)習(xí)者進(jìn)入學(xué)習(xí)環(huán)境之前就已建好的學(xué)習(xí)者模型,，一般稱為學(xué)習(xí)者的“靜態(tài)模型”（Vandewaetere et al.，2011）,；反之,，在學(xué)習(xí)者進(jìn)入學(xué)習(xí)環(huán)境后，在學(xué)習(xí)過程中逐漸建立起來的學(xué)習(xí)者模型,，被稱之為學(xué)習(xí)者的“動(dòng)態(tài)模型”,。 過去十年里，由于信息技術(shù)的快速發(fā)展,，計(jì)算能力有了極大提升,，產(chǎn)生了更高級(jí)、復(fù)雜的學(xué)習(xí)模型——“適應(yīng)性教學(xué)系統(tǒng)”,。所謂“適應(yīng)性”,，是利用基于先前學(xué)習(xí)任務(wù)的測(cè)量所獲得的若干學(xué)習(xí)者特征，來建構(gòu)學(xué)習(xí)者模型（靜態(tài)模型）,。這類模型包含較多的一般性信息（Rich,，1979），可將學(xué)習(xí)者按照事先確定的學(xué)習(xí)者特征歸類,，并分成若干小組,，然后依據(jù)不同的學(xué)習(xí)者特征為各組選擇不同的教學(xué)策略，從而體現(xiàn)該系統(tǒng)的“自適應(yīng)特性”（自動(dòng)具有某種“適應(yīng)性”）,。特朗特菲洛（Triantafillou et al.,，2004）等人的研究充分展示了這種基于學(xué)習(xí)者“靜態(tài)模型”而建立的“適應(yīng)性教學(xué)系統(tǒng)”的功能與特色——該系統(tǒng)的靜態(tài)模型包括“認(rèn)知風(fēng)格”（即屬于“場(chǎng)獨(dú)立”型或“場(chǎng)依存”型），并據(jù)此為不同學(xué)習(xí)者提供不同的教學(xué)方式與策略,。該系統(tǒng)的重要缺陷是完全依賴靜態(tài)模型,，而忽視背景因素和實(shí)際情境（有些學(xué)習(xí)者特征會(huì)因背景或情境的變化而改變,，這就使適應(yīng)性教學(xué)系統(tǒng)的效果會(huì)因情境不同而受影響）。此外,，該系統(tǒng)還未能把所有同等相關(guān)的“學(xué)習(xí)者特征”都包含在靜態(tài)模型中,，從而使其“適應(yīng)性”功能受限制，這是該系統(tǒng)的另一個(gè)不足,。這些問題只有依靠“動(dòng)態(tài)建?！辈庞锌赡芙鉀Q。 動(dòng)態(tài)建模的方法是“基于特征的建?！保‵eature-based Modeling）,，這種方法可以捕捉學(xué)習(xí)者的個(gè)人特征，動(dòng)態(tài)跟蹤學(xué)習(xí)者個(gè)人特征的變化,，還可在學(xué)習(xí)者與環(huán)境交互（人機(jī)交互,、師生交互、生生交互）的過程中獲取相關(guān)信息,，隨時(shí)更新和擴(kuò)展模型,。目前這種精細(xì)化的動(dòng)態(tài)建模方法（即特征建模法）已成為基于Web的適應(yīng)性教學(xué)系統(tǒng)中建模的主流方法與技術(shù)（Brusilovsky & Millan，2007）,。 動(dòng)態(tài)建模還有一種方法是“原型建?！保褪峭耆鶕?jù)學(xué)習(xí)者特征的原型,，對(duì)學(xué)習(xí)者進(jìn)行分類,。這種方法通常不單獨(dú)使用，而是和“基于特征的建?！庇袡C(jī)整合在一起——在這種整合后的新方法中,，第一步就是根據(jù)“原型建模”將學(xué)習(xí)者進(jìn)行分類,；第二步是激活學(xué)習(xí)者個(gè)體的“動(dòng)態(tài)模型”（通過“基于特征建?！狈椒ń⒌摹皠?dòng)態(tài)模型”）（Tsiriga & Virvou，2003）,。通過這種基于學(xué)習(xí)者“動(dòng)態(tài)模型”建立的“自適應(yīng)教學(xué)系統(tǒng)”,，教師能夠很容易地識(shí)別出“新用戶”和“新學(xué)習(xí)者”（Brusilovsky & Millan，2007）,，并隨時(shí)了解和掌握學(xué)習(xí)者在不同學(xué)習(xí)情境下的動(dòng)態(tài)特征,，因而這能彌補(bǔ)和克服基于“靜態(tài)模型”建立的“適應(yīng)性教學(xué)系統(tǒng)”的不足。 （二）建立學(xué)習(xí)者模型的關(guān)鍵技術(shù) 上面提到,，動(dòng)態(tài)建模主要使用“基于特征”的建模方法,，這種方法要通過人工智能領(lǐng)域的“機(jī)器學(xué)習(xí)技術(shù)”才可能實(shí)現(xiàn)。機(jī)器學(xué)習(xí)技術(shù)可以識(shí)別學(xué)習(xí)者的特點(diǎn)與行為模式,，并將這些特點(diǎn)與模式隨時(shí)融合到學(xué)習(xí)者模型中,。在學(xué)習(xí)者不愿意或不能給出關(guān)于自身行為反饋信息的場(chǎng)合,，這種“全程測(cè)量”并使用“軟計(jì)算”方式（模糊邏輯是“軟計(jì)算”中的常用手段）的技術(shù)，已成為機(jī)器學(xué)習(xí)領(lǐng)域很有前景的先進(jìn)技術(shù)（Frias-Martinez et al.,，2005）——事實(shí)上,，專家們認(rèn)為，模糊邏輯這種方式更適合于表征人類導(dǎo)師評(píng)估學(xué)習(xí)者的方式（Fazlollahtabar & Mahdavi,，2009,；Jeremic et al.,，2009,；Xu & Wang，2006）,。 機(jī)器學(xué)習(xí)技術(shù)關(guān)注神經(jīng)網(wǎng)絡(luò),，可以預(yù)測(cè)學(xué)習(xí)者的反應(yīng)和錯(cuò)誤?；趯?duì)學(xué)習(xí)者反應(yīng)的預(yù)測(cè),，它還可提供適應(yīng)性學(xué)習(xí)路徑（Beck，Jia,，Sison,，& Mostow，2003,；Beck & Woolf,，2000）。 在機(jī)器學(xué)習(xí)中,，除模糊邏輯外,，研究者還報(bào)告了“貝葉斯概率”方法的應(yīng)用。例如,，伽西亞等人（Garcia et al.,，2007）用基于“貝葉斯概率”方法處理教學(xué)過程中的許多變量，特別是為了檢測(cè)不同學(xué)習(xí)者的學(xué)習(xí)風(fēng)格,，構(gòu)建了貝葉斯網(wǎng)絡(luò),。另外，有些學(xué)者在創(chuàng)建學(xué)生模型的過程中也成功地應(yīng)用了貝葉斯網(wǎng)絡(luò)（Conati et al.,，2002）,。 （三）學(xué)習(xí)者建模的未來發(fā)展 如上所述，學(xué)習(xí)者建模是創(chuàng)建能夠提供個(gè)性化學(xué)習(xí)的自適應(yīng)系統(tǒng)的關(guān)鍵與核心,。我們不能期望學(xué)習(xí)者模型能夠一絲不拉地全面表征學(xué)習(xí)者的認(rèn)知,、情感和行為特征（但應(yīng)盡可能全面、真實(shí)地反映這些特征）,。塞勒夫（Self,，1990）認(rèn)為,，對(duì)學(xué)習(xí)者建模的研究，“應(yīng)該制定更現(xiàn)實(shí)的目標(biāo),，以獲得學(xué)習(xí)者建模在某一方面的問題解決辦法,，這樣的目標(biāo)將更易達(dá)成，也更實(shí)用”,。 塞勒夫建議,，應(yīng)該重新考慮學(xué)習(xí)者模型的作用。為此,，他向同行提出挑戰(zhàn)——要求同行將“學(xué)習(xí)者模型”向?qū)W習(xí)者開放,，因?yàn)檫@很可能提升學(xué)習(xí)者的自我反思能力。依據(jù)塞勒夫的建議,，布爾及其同事（Bull et al.,，2005）開發(fā)了開放式學(xué)習(xí)者模型，并向?qū)W習(xí)者開放,，使學(xué)習(xí)者能夠看到學(xué)習(xí)者模型中的信息,，從而便于學(xué)習(xí)者對(duì)自身學(xué)習(xí)過程進(jìn)行自我監(jiān)控、自我反思和自我評(píng)估（Bull et al.,，2008）,。 開放式學(xué)習(xí)者模型的表征形式多種多樣，可以是技能圖表,，帶有先決條件和內(nèi)容結(jié)構(gòu)的“樹狀圖”,，也可以是動(dòng)畫或觸感式反饋（Bull et al.，2005）,。某些開放式學(xué)習(xí)者模型還允許學(xué)習(xí)者與其進(jìn)行交互,，從而使學(xué)習(xí)者能更好地控制學(xué)習(xí)者模型。正是這種“開放式學(xué)習(xí)者模型”（尤其是允許學(xué)習(xí)者與其交互的開放式模型）是今后一個(gè)時(shí)期學(xué)習(xí)者建模領(lǐng)域的重要研究方向,，值得我們持續(xù)而認(rèn)真的關(guān)注,。 三、促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能 目前,，人工智能技術(shù)在促進(jìn)個(gè)性化學(xué)習(xí)方面的應(yīng)用主要體現(xiàn)在三個(gè)方面：一是“基于知識(shí)的智能輔導(dǎo)系統(tǒng)”,，二是“基于情感識(shí)別的智能輔導(dǎo)系統(tǒng)”，三是“基于代理的智能輔導(dǎo)系統(tǒng)”,。下面對(duì)這三方面應(yīng)用作具體闡述,。 （一）基于知識(shí)的智能輔導(dǎo)系統(tǒng) 基于知識(shí)的智能輔導(dǎo)系統(tǒng)主要從認(rèn)知層面促進(jìn)學(xué)習(xí)者對(duì)知識(shí)與技能的學(xué)習(xí)（使學(xué)習(xí)者易于理解和掌握復(fù)雜、抽象概念）,。該系統(tǒng)集成了人工智能領(lǐng)域的三個(gè)組件（Akhras & Self,，2002）： 第一個(gè)組件是學(xué)習(xí)者模型。該模型主要描述“學(xué)習(xí)者特征”以及一般用戶模型中關(guān)注的（或尚有爭(zhēng)議的）主題——如學(xué)習(xí)者的原有知識(shí)水平,、認(rèn)知特點(diǎn),、學(xué)習(xí)風(fēng)格,、分析問題和解決問題的能力等； 第二個(gè)組件是領(lǐng)域模型,，該模型是對(duì)學(xué)習(xí)內(nèi)容或欲傳授知識(shí)的表征,，也包含不同領(lǐng)域的知識(shí)元素之間的關(guān)系； 第三個(gè)組件是教學(xué)模塊（或輔導(dǎo)模塊）,，是具體實(shí)施教學(xué)過程的模塊,，包括生成教學(xué)過程和形成教學(xué)策略的規(guī)則。 目前較常見的“基于知識(shí)的智能導(dǎo)師系統(tǒng)”有“跟蹤模型的認(rèn)知導(dǎo)師”“基于約束條件的導(dǎo)師”和“跟蹤實(shí)例的導(dǎo)師”等,。 在“跟蹤模型的認(rèn)知導(dǎo)師”系統(tǒng)中,，問題解決的每個(gè)步驟都用認(rèn)知模型或問題解決模型表示，以確保學(xué)習(xí)者能學(xué)到所有內(nèi)容（Van-Lehn et al.,，2005）,，然后再把學(xué)習(xí)者行為和“專家解決問題模型”相比較。該系統(tǒng)的“認(rèn)知模型”可通過一組產(chǎn)生式規(guī)則表示——這些產(chǎn)生式規(guī)則應(yīng)包含學(xué)習(xí)者可能使用的所有概念（包括錯(cuò)誤概念）,。安德松（Anderson，1993）的思維適應(yīng)控制認(rèn)知理論（Adaptive Control of Thought,，又稱ACT認(rèn)知理論）,，可為基于產(chǎn)生式規(guī)則的認(rèn)知模型開發(fā)提供指導(dǎo)。由于實(shí)現(xiàn)了學(xué)習(xí)者所需掌握知識(shí)的詳細(xì)表征,，跟蹤模型的認(rèn)知導(dǎo)師系統(tǒng)可以有效地提供大量交互和反饋,。 在“基于約束條件的導(dǎo)師”系統(tǒng)中，領(lǐng)域模型包括學(xué)習(xí)者的解決方案中應(yīng)該滿足的所有約束條件與規(guī)則,，因此可以用一組預(yù)定義的約束來解釋和評(píng)估學(xué)習(xí)者行為,。基于約束條件的建?；A(chǔ)是從錯(cuò)誤表現(xiàn)中學(xué)習(xí),，為此，該系統(tǒng)采用一組狀態(tài)的約束（或與其等價(jià)的問題狀態(tài)）表征領(lǐng)域模型,。如果學(xué)習(xí)者的問題解決方法是正確的,，約束條件就不會(huì)被違背；一旦違背了約束條件,，就意味著這里面存在有因錯(cuò)誤或不完善知識(shí)所導(dǎo)致的偏頗,。之后，就只好在違背約束條件基礎(chǔ)上進(jìn)行學(xué)習(xí)者建模,。由于約束條件比產(chǎn)生式規(guī)則更易于明確表達(dá),，所以與“跟蹤模型的認(rèn)知導(dǎo)師”相比，其開發(fā)難度要低一些,，但按照約束條件所建立的學(xué)習(xí)者模型,，性能也要弱一些——因?yàn)閷?duì)于某些“結(jié)構(gòu)不良”的知識(shí)領(lǐng)域,，要想確定問題狀態(tài)和利用約束條件來表征學(xué)習(xí)者的理解幾乎是不可能的?？梢?，兩者各有利弊。 “跟蹤實(shí)例的導(dǎo)師”系統(tǒng)是指在原來的“跟蹤模型的認(rèn)知導(dǎo)師”系統(tǒng)中,，認(rèn)知模型不是用”產(chǎn)生式規(guī)則”表示,，而是利用“問題解決行為的一般性實(shí)例”表示的系統(tǒng)，并且在此情況下要把“一般性實(shí)例”看成“行為圖”——用來指明解決某種問題或任務(wù)的具體途徑,。這種認(rèn)知模型表示方式的好處是,，無需確定正式步驟和約束條件，系統(tǒng)就能識(shí)別更廣泛的合乎要求的學(xué)習(xí)者行為,。 上面所列出的幾種智能導(dǎo)師系統(tǒng),，其共同特點(diǎn)是都把學(xué)習(xí)過程只看成是“知識(shí)建構(gòu)過程”，從而導(dǎo)致智能輔導(dǎo)系統(tǒng)研究的重點(diǎn)被放在：通過認(rèn)知模型跟蹤形成的某種產(chǎn)生式規(guī)則或某種約束條件（也可以是問題解決行為的一般性實(shí)例）,，以便用來幫助學(xué)習(xí)者完成知識(shí)意義的建構(gòu)（尤其是對(duì)復(fù)雜,、抽象概念的理解與掌握）。但是,，近年來,，學(xué)術(shù)界的關(guān)注點(diǎn)已經(jīng)逐漸從純粹基于認(rèn)知和知識(shí)建構(gòu)轉(zhuǎn)向基于情感識(shí)別和代理的智能輔助教學(xué)系統(tǒng)，下面就是有關(guān)這個(gè)新研究領(lǐng)域的介紹與論述,。 （二）基于情感識(shí)別的智能輔導(dǎo)系統(tǒng) 要實(shí)現(xiàn)基于情感識(shí)別的智能輔導(dǎo)系統(tǒng),，關(guān)鍵是要設(shè)計(jì)出“具有情感管理能力”的學(xué)習(xí)環(huán)境，這就必須構(gòu)建“學(xué)習(xí)者的情感狀態(tài)識(shí)別模型”（簡(jiǎn)稱“情感識(shí)別模型”）,。利用人工智能的自動(dòng)檢測(cè)與識(shí)別情感的技術(shù),、工具，可以避免調(diào)查問卷和出聲思考程序等傳統(tǒng)干擾性測(cè)量方法的缺點(diǎn),。目前,，應(yīng)用于探測(cè)情感（以便構(gòu)建“情感識(shí)別模型”）的測(cè)量工具有： 1）測(cè)量大腦活動(dòng)的“腦電圖”（Blanchard et al.，2007）,； 2）捕捉面部肌肉活動(dòng)的“肌電圖”（Liu,，Rani，& Sarkar,，2005）,； 3）測(cè)量壓力和興奮的“皮膚電反應(yīng)器”（Blanchard et al.，2007,；Liu et al.,，2005）； 4）通過數(shù)碼相機(jī)分析身體活動(dòng)的“姿勢(shì)分析器”（Sebe，Cohen,，& Huang,，2005）； 5）利用計(jì)算模式推斷學(xué)習(xí)者精神狀態(tài)的“面部表情識(shí)別器”（Arroyo et al.,，2009）,。 由于情感在人類的認(rèn)知過程中起著監(jiān)控作用，所以在智能輔助教學(xué)系統(tǒng)中“情感識(shí)別模型”變得越來越重要,。對(duì)學(xué)習(xí)者的動(dòng)機(jī),、沮喪、壓力和自我效能感的自動(dòng)探測(cè),，產(chǎn)生了高適應(yīng)性（即個(gè)性化）學(xué)習(xí)環(huán)境以及基于情感識(shí)別的智能輔導(dǎo)系統(tǒng)開發(fā)的新方法,。與傳統(tǒng)教學(xué)相比，實(shí)驗(yàn)結(jié)果表明：這種基于情感識(shí)別的智能教學(xué)系統(tǒng),，盡管學(xué)習(xí)者的成績進(jìn)步差異并不顯著,，但在動(dòng)機(jī)、自我效能感,、興趣和感知控制等方面,，學(xué)習(xí)者顯示出明顯的優(yōu)勢(shì)，尤其是情感性輔導(dǎo)對(duì)于領(lǐng)域知識(shí)水平較低學(xué)生的深度學(xué)習(xí)有良好的促進(jìn)作用,。 （三）基于代理的智能輔導(dǎo)系統(tǒng) 基于代理的智能輔導(dǎo)系統(tǒng)的研究為開發(fā)具有人類特點(diǎn)的學(xué)習(xí)伙伴提供了可能,。這樣的伙伴，在學(xué)習(xí)環(huán)境中扮演的是“非權(quán)威性”角色（Chou et al.,，2003）。在基于代理的系統(tǒng)中,，教學(xué)代理接受環(huán)境的輸入,，隨后在環(huán)境中進(jìn)行相關(guān)操作。學(xué)習(xí)伙伴和教學(xué)代理可以承擔(dān)以下幾種角色：同伴導(dǎo)師,、專家導(dǎo)師,、競(jìng)爭(zhēng)者、受指導(dǎo)者,、學(xué)習(xí)者或搗亂者（Chou et al.,，2003）。 學(xué)習(xí)者與代理交流的常用方式是通過監(jiān)控學(xué)習(xí)者與導(dǎo)師的對(duì)話,，了解學(xué)習(xí)者或其學(xué)習(xí)伙伴的行為模式,，每種行為模式都和某種具體的教學(xué)策略對(duì)應(yīng)。為捕捉學(xué)習(xí)者與導(dǎo)師對(duì)話的特點(diǎn),，越來越多的基于代理的智能教學(xué)系統(tǒng)利用“自然語言處理技術(shù)（Natural Language Processing,，簡(jiǎn)稱NLP）”。自然語言處理技術(shù)是人工智能領(lǐng)域?qū)ｉT用于處理人類自然語言的一套技術(shù)的有效整合（包括自然語言的自動(dòng)生成、理解與識(shí)別）,。這表明,，自然語言處理技術(shù)是實(shí)現(xiàn)基于代理的智能輔導(dǎo)系統(tǒng)的關(guān)鍵技術(shù)。 （四）人工智能教育應(yīng)用面臨的挑戰(zhàn) 《教育傳播與技術(shù)研究手冊(cè)（第四版）》第34章的作者認(rèn)為,，當(dāng)前人工智能教育應(yīng)用面臨三大挑戰(zhàn),。 第一個(gè)挑戰(zhàn)是各種智能輔導(dǎo)教學(xué)系統(tǒng)的研制與開發(fā)。目前的現(xiàn)實(shí)是1小時(shí)的智能輔助教學(xué),，普遍需要100到幾百（乃至上千）小時(shí)的研發(fā),。為了應(yīng)對(duì)這一挑戰(zhàn)，必須提高研發(fā)效率,，這就需要加強(qiáng)智能輔導(dǎo)系統(tǒng)創(chuàng)作工具的應(yīng)用與推廣,。無需編程即可創(chuàng)建“跟蹤實(shí)例導(dǎo)師系統(tǒng)”的CTAT工具（Aleven et al.，2009）,、便于開發(fā)“基于約束條件導(dǎo)師系統(tǒng)”的ASPIRE工具（Mitrovic & Koedinger,，2009）以及慕瑞（Murray，2003）推薦的其他幾個(gè)創(chuàng)作工具,，都是功能較好的,，可以考慮應(yīng)用與推廣的對(duì)象。 第二個(gè)挑戰(zhàn)是各種智能輔導(dǎo)教學(xué)系統(tǒng)如何常態(tài)化實(shí)施,。人工智能技術(shù)的應(yīng)用,，需要復(fù)雜的算法和海量內(nèi)存的支持，若智能輔助教學(xué)系統(tǒng)功能過強(qiáng),、系統(tǒng)太復(fù)雜,，那么，在常態(tài)化實(shí)施過程中,，將會(huì)被一般學(xué)校和班級(jí)的技術(shù)限制所阻礙,。 第三個(gè)挑戰(zhàn)是讓人工智能的教育應(yīng)用真正回到初始目標(biāo)，即通過真正實(shí)現(xiàn)“自適應(yīng)教學(xué)系統(tǒng)”為學(xué)習(xí)者提供高度“個(gè)性化”的學(xué)習(xí)環(huán)境,。由于人工智能教育應(yīng)用涉及許多高,、精、尖技術(shù),，這就使從事人工智能教育應(yīng)用的研究人員,，往往把注意力和研究重點(diǎn)放在“技術(shù)”上，而不是放在“教育”上,。所以,，如何讓這個(gè)領(lǐng)域的研究回歸到初始目標(biāo)，即如何通過真正實(shí)現(xiàn)“自適應(yīng)教學(xué)系統(tǒng)”為學(xué)習(xí)者提供高度“個(gè)性化”的學(xué)習(xí)環(huán)境,，這是人工智能教育應(yīng)用領(lǐng)域面臨的最大挑戰(zhàn),。 我們認(rèn)為，《手冊(cè)（第四版）》第34章作者的上述觀點(diǎn)，是經(jīng)過深刻反思并有許多實(shí)際案例佐證的,，值得我們認(rèn)真學(xué)習(xí)與借鑒,。 四、促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之二——教育數(shù)據(jù)挖掘 （一）教育數(shù)據(jù)挖掘的內(nèi)涵和教育數(shù)據(jù)的特征 巴克和雅謝夫（Baker & Yacef,，2009）指出：教育數(shù)據(jù)挖掘是“開發(fā)探索來自教育環(huán)境的獨(dú)特?cái)?shù)據(jù)類型的方法,，用這些方法（獲取的數(shù)據(jù)）能讓我們更好地理解學(xué)生和學(xué)習(xí)環(huán)境”。盡管教育數(shù)據(jù)挖掘來源于對(duì)數(shù)據(jù)庫的傳統(tǒng)研究,，但是由于教育數(shù)據(jù)的基本特征有所不同,，其挖掘方法和一般數(shù)據(jù)庫中發(fā)現(xiàn)知識(shí)的方法有較大差異。就一般特征而言,，教育數(shù)據(jù)往往是嵌套的——學(xué)生隸屬于班級(jí),，班級(jí)隸屬于學(xué)校，即教育數(shù)據(jù)是多層次結(jié)構(gòu)的一部分,。教育數(shù)據(jù)還具有多樣性,、復(fù)雜性，這導(dǎo)致教育數(shù)據(jù)挖掘的方法多種多樣,，并來自很多其他學(xué)科領(lǐng)域,，比如心理測(cè)驗(yàn)、社會(huì)網(wǎng)絡(luò)分析,、網(wǎng)絡(luò)挖掘,、機(jī)器學(xué)習(xí)以及數(shù)據(jù)庫等。 （二）教育數(shù)據(jù)挖掘的方法 目前所用的教育數(shù)據(jù)挖掘方法,，大致有五種： 一是“預(yù)測(cè)”法,，目的是把相對(duì)獨(dú)立的變量（要預(yù)測(cè)的變量）組合在一起，以推測(cè)數(shù)據(jù)某一方面的變化（因變量或結(jié)果變量）,。在解釋對(duì)結(jié)果變量的預(yù)測(cè)時(shí),，這種方法強(qiáng)調(diào)應(yīng)更多地關(guān)注哪些特點(diǎn)（或變量）更重要，而且首先注意預(yù)測(cè)調(diào)節(jié)性或中介性的因素,。巴克（Baker，2010）描述了三種預(yù)測(cè)方法：“分類”“回歸分析”和“密度估計(jì)”,；穆爾（Moore,，2006）提供了有關(guān)這些方法的詳細(xì)信息。 二是“聚類”法,，目的是找到可以自然分組的數(shù)據(jù)點(diǎn)（如學(xué)習(xí)者,、學(xué)習(xí)者特征、學(xué)校,、學(xué)生行為等）,。聚類可以是細(xì)粒度的，如匯聚學(xué)生行為，以便發(fā)現(xiàn)其行為模式,；也可以是粗粒度的,，如探索學(xué)校之間的異同。 三是“關(guān)系挖掘”法,，目的是在大量“變量數(shù)據(jù)組”中發(fā)現(xiàn)變量之間的關(guān)系及其關(guān)聯(lián)程度,。這類挖掘的實(shí)施步驟是：先通過關(guān)聯(lián)規(guī)則挖掘，在此過程中形成“If—Then”形式的產(chǎn)生式規(guī)則（例如,，“如果變量Ｘ發(fā)生,，那么變量Y也發(fā)生”），然后通過相關(guān)性挖掘發(fā)現(xiàn)某種新關(guān)系（如,，變量Ｘ與變量Y之間呈正相關(guān)）,，或是通過因果關(guān)系推測(cè)新關(guān)系（如，如果Y發(fā)生,，是由Ｘ引起的）,，也可通過學(xué)生行為的序列模式發(fā)現(xiàn)新關(guān)系（在此情況下，學(xué)生的行為模式應(yīng)事先給出明確定義）,?？傊l(fā)現(xiàn)新關(guān)系的過程,，就是完成“關(guān)系挖掘”的過程,。 四是“模型發(fā)現(xiàn)”法。在教育數(shù)據(jù)挖掘中,，“模型發(fā)現(xiàn)”法已越來越流行,。它是先開發(fā)和驗(yàn)證模型，再將其作為另一輪分析的輸入（例如,，“預(yù)測(cè)”法的輸入）,。“模型發(fā)現(xiàn)”法可以回答下面這類問題： 1）特定學(xué)生小組通過哪種學(xué)習(xí)材料（例如具有不同類型練習(xí)的材料）獲益最多,？ 2）不同類型的學(xué)生行為如何影響學(xué)生的學(xué)習(xí),？ 3）隨著時(shí)間的流逝，智能輔導(dǎo)系統(tǒng)的設(shè)計(jì)變量將如何影響學(xué)生的行為,？五是“文本挖掘”法,。它可以確定文檔組別，以此為基礎(chǔ)進(jìn)行數(shù)字學(xué)習(xí)環(huán)境的知識(shí)提取,，或用于分析和評(píng)估學(xué)習(xí)內(nèi)容管理系統(tǒng),，也可用于分析和評(píng)估互聯(lián)網(wǎng)課程的在線討論論壇。 （三）教育數(shù)據(jù)挖掘在個(gè)性化教學(xué)中的應(yīng)用 教育數(shù)據(jù)挖掘?yàn)閭€(gè)性化學(xué)習(xí)環(huán)境的開發(fā)提供兩個(gè)關(guān)鍵性支持（Baker & Yacef,，2009）： 一是對(duì)“學(xué)習(xí)者模型”的改進(jìn),。教育數(shù)據(jù)挖掘方法的應(yīng)用,，使研究人員能夠發(fā)現(xiàn)更多的學(xué)習(xí)者特征和捕捉學(xué)習(xí)者更深層次的行為表現(xiàn)，從而創(chuàng)建更復(fù)雜,、真實(shí)的學(xué)習(xí)者模型,。例如，在“學(xué)生參與和系統(tǒng)博弈”課例中,，研究人員基于教育數(shù)據(jù)挖掘方法,，創(chuàng)建了可以把學(xué)習(xí)者的“動(dòng)機(jī)、學(xué)習(xí)活動(dòng),、情感,、態(tài)度以及和系統(tǒng)博弈行為”聯(lián)系在一起的模型，同時(shí)還提取一些與博弈行為有關(guān)的模式,，開發(fā)出能在檢測(cè)到學(xué)生的博弈行為后自動(dòng)進(jìn)行調(diào)整的新功能,。 二是深化對(duì)“適應(yīng)性（即個(gè)性化支持）”的研究。實(shí)現(xiàn)這一目標(biāo)的主要方法是“學(xué)習(xí)分解”（Beck & Mostow,，2008）,。依照這種方法，學(xué)生的后續(xù)成功（比如,，獲得某種復(fù)雜的高階知識(shí)與技能）與提供給學(xué)生的支持類型數(shù)量有關(guān)（或是與學(xué)生要求的支持類型數(shù)量有關(guān)）,。其結(jié)果是，每個(gè)支持類型都可以描繪出它對(duì)學(xué)習(xí)的相對(duì)有效性（事先必須對(duì)各種“學(xué)習(xí)支持”的方式,、特點(diǎn)進(jìn)行收集與分類,，并對(duì)每種“學(xué)習(xí)支持”的作用有全面的分析與正確的理解，這正是“學(xué)習(xí)分解”方法名稱的由來）,。 雖然教育數(shù)據(jù)挖掘?yàn)閭€(gè)性化學(xué)習(xí)環(huán)境開發(fā)所提供的關(guān)鍵性支持,，只涉及上述兩個(gè)方面，但教育數(shù)據(jù)挖掘的實(shí)際應(yīng)用領(lǐng)域要廣泛得多,。例如,，它可應(yīng)用于在線學(xué)習(xí)環(huán)境中不同交互模式的比較，可以應(yīng)用于調(diào)查網(wǎng)絡(luò)學(xué)習(xí)者的社區(qū)意識(shí),，還可以通過分析日志文件估計(jì)學(xué)習(xí)者對(duì)學(xué)習(xí)材料的關(guān)注程度,，并檢測(cè)學(xué)習(xí)者的不參與行為等。 （四）教育數(shù)據(jù)挖掘面臨的機(jī)遇和挑戰(zhàn) 眾所周知,，教育數(shù)據(jù)具有許多與其他數(shù)據(jù)不同的特點(diǎn),，這些特點(diǎn)使得并非所有傳統(tǒng)的數(shù)據(jù)挖掘方法都能在適用，這就迫使我們必須為教育數(shù)據(jù)挖掘研發(fā)新的方法,。 目前這類方法很大程度上都是由于能不斷獲得公共數(shù)據(jù)集和日志文件的支持而發(fā)展起來的，現(xiàn)有基于Web的學(xué)習(xí)環(huán)境和內(nèi)容管理系統(tǒng)提供的極為豐富的教育數(shù)據(jù)及相關(guān)信息,，完全可以作為教育研究人員開發(fā)和檢驗(yàn)“教育數(shù)據(jù)挖掘方法”的實(shí)驗(yàn)室,。這類數(shù)據(jù)庫的優(yōu)勢(shì)是便于訪問,，而且其中的數(shù)據(jù)有很高的“生態(tài)效度”——數(shù)據(jù)來自大范圍的學(xué)習(xí)者和教學(xué)人員（且不斷發(fā)展變化）。各種觸手可及的海量數(shù)據(jù)的存在,，使研究人員可以從多方面（比如從橫向,、縱向或同時(shí)從橫縱向）對(duì)“教與學(xué)”過程進(jìn)行實(shí)證研究，還可在此過程中考慮不同情境因素對(duì)“教與學(xué)”過程的影響,。 當(dāng)前教育數(shù)據(jù)挖掘面臨的一個(gè)重大挑戰(zhàn)是要為教師和非數(shù)據(jù)挖掘方面的專家提供挖掘工具,。在使用教學(xué)內(nèi)容管理系統(tǒng)或從事網(wǎng)絡(luò)在線教育幾年后，教育工作者身邊有豐富的數(shù)據(jù)庫,，可以為研究學(xué)習(xí)內(nèi)容,、學(xué)習(xí)者行為和學(xué)習(xí)環(huán)境提供具有生態(tài)效度的信息，然而由于目前“數(shù)據(jù)挖掘技術(shù)”還較復(fù)雜,，未能普及,，很多信息還處于隱秘狀態(tài)，這就使教育數(shù)據(jù)中的許多寶藏有待挖掘,。為應(yīng)對(duì)這一挑戰(zhàn),，本領(lǐng)域的技術(shù)開發(fā)人員應(yīng)盡快對(duì)當(dāng)前有關(guān)教育數(shù)據(jù)挖掘的技術(shù)、手段,、方法加以綜合,、整理，并從中整合出一種功能齊全又容易操作的“挖掘工具”,，以便廣大教師和非數(shù)據(jù)挖掘方面的專家掌握與運(yùn)用,。 五、結(jié)語 人工智能技術(shù)用于促進(jìn)個(gè)性化學(xué)習(xí),，主要是通過智能技術(shù)所支持的“適應(yīng)性教學(xué)”（或“自適應(yīng)教學(xué)”）實(shí)現(xiàn)的,。《手冊(cè)（第四版）》第34章的作者認(rèn)為,，要達(dá)到這一目標(biāo),，適應(yīng)性系統(tǒng)應(yīng)從四個(gè)維度認(rèn)真考慮并滿足“適應(yīng)性”，這四個(gè)維度是： 1）“適應(yīng)的來源”（因何而變,？）,。關(guān)于適應(yīng)的來源，通常有兩個(gè)方面：一是只考慮與學(xué)習(xí)有關(guān)的參數(shù),，如“學(xué)習(xí)者特征”（包含先前的知識(shí),、學(xué)習(xí)風(fēng)格、認(rèn)知特點(diǎn),、學(xué)習(xí)動(dòng)機(jī)等）和“學(xué)習(xí)結(jié)果”（如完成學(xué)習(xí)任務(wù)的時(shí)間,、知識(shí)與技能的提高、思維方面的發(fā)展等）,；二是考慮學(xué)習(xí)者與適應(yīng)性系統(tǒng)的互動(dòng),，為此應(yīng)關(guān)注學(xué)習(xí)者與系統(tǒng)互動(dòng)時(shí)的行為,。 2）“適應(yīng)的對(duì)象”（改變什么？）,。這是指適應(yīng)性教學(xué)可以調(diào)整的對(duì)象（即系統(tǒng)中哪些內(nèi)容可以調(diào)整）,，它涉及三個(gè)方面：一是改變內(nèi)容或主題，這可以通過區(qū)分任務(wù)或項(xiàng)目的難度水平達(dá)到,；二是改變學(xué)習(xí)內(nèi)容的表征形式（如隱藏或突出顯示鏈接）,；三是通過間接指導(dǎo)和地圖適應(yīng)法，調(diào)整內(nèi)容難度和教學(xué)策略支持,。 3）“適應(yīng)的時(shí)間”（何時(shí)改變,？）。適應(yīng)的時(shí)間是指系統(tǒng)對(duì)學(xué)習(xí)者的適應(yīng)在什么時(shí)候發(fā)生,。應(yīng)當(dāng)注意到,，在“靜態(tài)用戶建模”“動(dòng)態(tài)用戶建?！被颉办o,、動(dòng)態(tài)用戶建模（也稱雙路徑建模）”這三種不同特征下，“適應(yīng)的時(shí)間”是不同的,。以雙路徑建模為例,，其適應(yīng)時(shí)間的調(diào)整可以這樣實(shí)現(xiàn)：在進(jìn)行一次學(xué)習(xí)者的測(cè)量之后進(jìn)行首次調(diào)整，然后再基于學(xué)習(xí)者學(xué)習(xí)過程中的互動(dòng)參數(shù),，進(jìn)行持續(xù)的建模與調(diào)整,。 4）“適應(yīng)的方法”（如何改變？）,。適應(yīng)的方法對(duì)“學(xué)習(xí)者控制的適應(yīng)”“系統(tǒng)控制的適應(yīng)”以及“兩者組合的適應(yīng)（共享控制）”這三種情況作出了明確的區(qū)分： ①“學(xué)習(xí)者控制的適應(yīng)”強(qiáng)調(diào)學(xué)習(xí)者應(yīng)完全控制學(xué)習(xí)環(huán)境和學(xué)習(xí)內(nèi)容,； ②“系統(tǒng)控制的適應(yīng)”則是由教師和開發(fā)者定義適應(yīng)（和智能輔助教學(xué)系統(tǒng)的案例大體一致）。 ③上述兩者適應(yīng)控制方法,，各有利弊,。為此，柯巴蘭及其同事（Corbalan et al.,，2008,，2009）提出“共享控制”的新觀點(diǎn)。共享控制系統(tǒng)應(yīng)首先選擇一組合適的學(xué)習(xí)材料或?qū)W習(xí)任務(wù),，然后考慮學(xué)習(xí)者特點(diǎn)以便與之適應(yīng),。隨后，學(xué)習(xí)者還可以自由地選擇材料或任務(wù),。 通過對(duì)《手冊(cè)（第四版）》第34章作者所提出四維觀點(diǎn)的認(rèn)真分析,，我們感覺這些觀點(diǎn)是經(jīng)過深刻研究與反思才提出的，對(duì)于適應(yīng)性教學(xué)系統(tǒng)（或自適應(yīng)教學(xué)系統(tǒng)）的研發(fā)能起強(qiáng)有力的支撐作用,，因而對(duì)促進(jìn)個(gè)性化學(xué)習(xí)有重要意義,，值得我們虛心學(xué)習(xí)與借鑒,。 作者簡(jiǎn)介：何克抗，北京師范大學(xué)教育技術(shù)學(xué)院教授,，東北師范大學(xué)榮譽(yù)教授（終身教授），北京師范大學(xué)現(xiàn)代教育技術(shù)研究 所所長,，2001年6月至2006年5月任教育部高等學(xué)校教育技術(shù)學(xué)專業(yè)教學(xué)指導(dǎo)委員會(huì)主任,；先后還擔(dān)任過全國教師教育信息化專家委員會(huì)主任、中國教育技術(shù)協(xié)會(huì)學(xué)術(shù)委員會(huì)主任,、全球華人計(jì)算機(jī)教育應(yīng)用學(xué)會(huì)（GCCCE）第一副主席和國際著名刊物《計(jì)算機(jī)輔助學(xué)習(xí)》（Journal of Computer Assisted Learning）編委等學(xué)術(shù)職務(wù),。
轉(zhuǎn)載自：《開放教育研究》2017年4月 總23卷 第2期 |
|
|
