李鳳英 龍紫陽

（1.上海交通大學 繼續(xù)教育學院；2.上海交通大學 高等教育研究院，上海 200240）

一、引言

近年來，隨著智能化時代的來臨與高科技競爭的不斷加劇，培養(yǎng)大量創(chuàng)新性人才成為各國政府的一項戰(zhàn)略性任務。因此，“以學習者為中心”的個性化教育和學習，已然成為世界教育發(fā)展的主流。為應運這種時代發(fā)展的需求，各國政府或教育部門先后制定了相應的行動計劃并加以落實。

早在2003年，新加坡提出并實施了每個學生都擁有一個學習終端的計劃，以支持學生的個性化學習[1]。2007年，英國政府發(fā)布的《2020 愿景》，提出了個性化學習以及亟待解決的相關問題[2]。2011年，韓國教育科學技術部提出全面推行個性化的教與學[3]。2012年，美國教育部發(fā)布了《通過教育數(shù)據(jù)挖掘和學習分析促進教與學》 的報告，提出借助教育大數(shù)據(jù)，真正實現(xiàn)個性化學習[4]。我國在《教育信息化十年發(fā)展規(guī)劃（2011-2020）》中也明確指出，要建設信息化環(huán)境，為每位學生提供個性化的學習服務[5]。教育部在《教育信息化“十三五”規(guī)劃》中進一步提出，網(wǎng)絡學習空間建設應滿足個性化學習需求，以實現(xiàn)“一生一空間、生生有特色”[6]。

2020年1月，世界經濟論壇發(fā)布了題為《未來學校：為第四次工業(yè)革命定義新的教育模式》 的報告，提出了“教育4.0”全球框架[7]，強調學習內容和經驗的八個關鍵特征。特別強調了個性化學習、自主性學習的重要性。這充分喻示著，人類進入以智能技術為代表的第四次工業(yè)革命之后，重視個性化學習、自主性學習尤其是自適應學習，已經成為各國教育發(fā)展的重要命題與教學新范式。

所謂自適應學習（Adaptive Learning，也稱適應性學習），在于根據(jù)不同學習者的學習風格、認知圖譜和認知能力等，提供具有針對性、適切性的學習服務，以實現(xiàn)學習者個性化學習的目標。比如，學習內容和路徑推薦、智能化問題輔導、精準學習內容推送等，從而為學習者進行個性化學習提供有效支持。自適應學習系統(tǒng)通常是自適應學習理念的載體，當前主要表現(xiàn)為眾多的學習平臺或在線學習管理系統(tǒng)。

隨著信息、智能技術和教育教學融合的不斷加深，在線教育資源平臺，尤其是大規(guī)模在線開放課程MOOC 的廣泛應用，成為實現(xiàn)個性化學習、自主性學習的重要手段。但目前大多數(shù)在線教育平臺或學習管理系統(tǒng)，普遍存在著追求外在形式或功能的完美，比如，僅滿足于呈現(xiàn)大量的優(yōu)質學習資源、教師資源、課程資源等，供學習者分享或使用。即主要以一種“臉譜化”、靜態(tài)的存在方式，無法給予學習者適切、精準、動態(tài)的學習服務、內容推送與評價反饋。因此，在面對大規(guī)模學習者時，教師很難實現(xiàn)與學習者之間的有效互動。不能很好地滿足當下學習者的個性化學習需求，也難以實現(xiàn)自適應學習的目標。

近年來，隨著在線教育的人機交互、情感分析、大數(shù)據(jù)、智能機器人等新技術的不斷涌現(xiàn)，人工智能技術正不斷地與學習科學、教育科學、認知心理、腦神經科學等進行深度交叉與融合，有力地推動著自適應學習研究的不斷深入，并出現(xiàn)了各種具有智能化功能的自適應學習系統(tǒng)。比如，美國的AEHS（Adaptive Educational Hypermedia Systems）、InterBook、Knewton以及國內的作業(yè)幫、小猿搜題等。這些新的自適應學習技術或系統(tǒng)，可使學生突破物理地域和時間限制，根據(jù)自己的需求與學習特征，自主自在地制定與掌握學習進度，提升學習效果，獲得具有實質意義的學習結果；并在這一過程中，能進行開放式、關聯(lián)式、分享式的學習方式，以有效緩解目前在線學習平臺或學習管理系統(tǒng)中存在的上述一些問題。

但在教與學的現(xiàn)實中，目前并沒有產生預期的效果。這種理論與實踐的反差，值得我們深思：一方面，緣于自適應學習系統(tǒng)本身還不夠成熟，面臨著許多困難和挑戰(zhàn)，比如，教育內容和技術應用的不合拍、學習者情感領域的傳遞瓶頸、學習過程缺乏精確評價、學習者數(shù)據(jù)隱私的泄露等；另一方面，自適應學習平臺的同質化與系統(tǒng)構建的雷同性，也無法真正滿足或契合當下學習者的不同需要?；诖?，本文試從從自適應學習推薦到自適應學習牽引模型這一角度，探討智能技術如何有效構建可促進學習者自適應學習的新范式，以期為促進“智能+”時代自適應學習的開展，提供一些借鑒。

二、自適應學習研究及其進展概述

關于自適應學習的研究，一直以來，它與自主式學習、個性化學習、個別化學習等研究具有較為密切的關聯(lián)，甚至在很多文章或學術活動中，經?；煊谩⒔徊?。這種情況的存在，有利之處是拓展了自適應學習的研究視野與影響范圍，但不利之處在于對其研究的概念、內涵等，往往不易梳理或把握清楚。因此，有必要從概念、系統(tǒng)和模型等三個范疇進行闡述。

（一）自適應學習的概念

自適應學習的概念，目前學界并沒有統(tǒng)一的界定。1996年，美國匹茲堡大學教授Peter Brusilovsky提出，自適應學習是根據(jù)學習者自身的前提知識、學習水平、學習風格、學習態(tài)度和學習能力等方面存在的個體差異性而進行的學習[8]。國內學者朱新明等最早提出了自適應學習的 “條件建構——優(yōu)化理論”，系統(tǒng)闡述了自適應學習者通過示例學習獲取知識與技能的信息加工過程[9]。余勝泉認為，自適應學習是基于資源的學習，以學習者的個性化為核心特征，學習者自我組織、制定并執(zhí)行學習計劃，并且需要鍛煉元認知能力，學習者需要進行知識的自我構建[10]。菅保霞、姜強等認為，自適應學習是指根據(jù)學習者的知識能力、認知風格等特征，自動安排學習活動和最佳學習內容，并通過對學習者互動的持續(xù)分析提供適合每位學習者的反饋，從而促進學業(yè)進步[11]。

除了上述從“學習者”的角度進行論述以外，有學者從“教”的角度，認為自適應學習意味著教師利用自適應學習系統(tǒng)作為教學輔助，進行數(shù)據(jù)的搜集和分析，備課、了解學情、測評，并及時調整教學內容，以滿足學生不斷變化的學習需求[12]；還有學者從“學”的角度認為，自適應學習是通過自適應學習系統(tǒng)，獲取適合自己的學習內容、方式和路徑[13]。

從上述已有的相關研究可以發(fā)現(xiàn)，早期的自適應學習概念大多是從傳統(tǒng)教育學的觀點出發(fā)，未突出智能化及智能技術影響的因素。伴隨著智能化技術的不斷融入與“智能+”教育研究的深入，AI+自適應學習成為國內外研究的新命題，自適應學習被賦予新的涵義。

（二）自適應學習研究的發(fā)展脈絡

從國際領域來審視，自適應學習相關研究的發(fā)展，從最早1905年比奈（A.Binet）創(chuàng)建全球第一個自適應測驗——比奈智商測驗開始，到今天AI+自適應研究及產品應用的大量出現(xiàn)，已經持續(xù)100 多年。這一發(fā)展的大致脈絡，如圖1所示。

我們認為，進入“教育4.0”時代，自適應學習應該也必須是自主性、智能化、由技術推動的，是適切每個學習者的一種個性化學習方式；與此相應，自適應學習系統(tǒng)是融合自適應學習理念的在線學習環(huán)境或者學習支持/服務系統(tǒng)。而融入AI 的自適應學習，其內涵正在由“自我適應”演變?yōu)椤爸悄苓m應”，具有不同于傳統(tǒng)意義的新屬性。

圖1 自適應學習研究的發(fā)展脈絡

第一是自主性：自適應的“自”首先表現(xiàn)為學習者個體上的自覺自主性，即學習者能夠充分意識到自己的學習興趣，能根據(jù)自身的知識、技能或發(fā)展需求，積極主動地選擇合適的學習系統(tǒng)和學習內容。這種學習有別于被動學習、機械學習或灌輸學習，接近于奧蘇伯爾所倡導的發(fā)自內心的“有意義學習”。

第二是智能化：自適應的“自”還體現(xiàn)在“智”的方面，即能夠根據(jù)學習者的自我特征，借助智能技術自動引導學習者深化認知、一步步解決問題；自動記錄學習過程、學習行為和學習結果；根據(jù)學習過程數(shù)據(jù)，自動進行學習研判、自動關聯(lián)學習資源，自動評估、自動調適學習策略和學習行為。

第三是個性化：自適應的“適”首先表現(xiàn)在個體學習的自在性。自適應學習的目的和本質在于實現(xiàn)個性化學習，即學習者能夠自主選擇適合自己的學習方式與學習內容；其次體現(xiàn)在學習者能夠自定學習進度，按照自己最舒適的方式來進行學習，后者更彰顯了教育4.0 全球框架中所倡導的“自主學習理念”。

第四是適應性：自適應的“適”還表現(xiàn)在學習者和學習環(huán)境、學習內容的難易、學習同伴（包括教師）以及學習技術之間的動態(tài)化適應與不斷調節(jié)上；而這種適應與調節(jié)的關鍵，在于把握符合每個學習者需要的學習節(jié)奏與學習時間，尋找自適應學習中各個要素之間的平衡點。這樣，適應性越強，學習過程就越順暢，學習效率也越高。

（三）自適應學習系統(tǒng)

作為支撐自適應學習的重要載體，自適應學習系統(tǒng)的發(fā)展與信息技術等有著很大的關聯(lián)，其發(fā)展大致經歷了程序教學機、計算機輔助教學、智能教學系統(tǒng)、智能代理教學系統(tǒng)、智能超媒體教學系統(tǒng)、智能化自適應學習系統(tǒng)等六個階段，具體見表1。

1.第一階段：程序教學機

20世紀20年代，以行為主義為先導，美國心理學家普萊西（S.Pressey）設計了一臺自動教學機器，可以為學生提供多重選擇題做練習，并能跟蹤學生的應答。它的誕生，標志著機器輔助教學思想的萌芽或開端。到了50年代，美國行為主義代表斯金納（B.F.Skinner）設計了第一臺自動教學機，開啟了程序化教學（Programmed Learning）運動。斯金納的教學機是直線性學習程序，學生可以自定學習步驟，主要用于自動化測試，能夠提高學習效率。進入60年代，程序教學走向衰落，其他個別化教學系統(tǒng)PSI（Personalized System of Instruction）得到發(fā)展，比如，美國心理學家哥倫比亞大學的凱勒（Fred S.Keller）研制了個人學習系統(tǒng)。其特點是強化理論指導，減少教師指導，學生自定學習步驟，達到教學要求后才能進入下一步的學習。這一階段可以稱之為自適應學習系統(tǒng)的孕育期，主要用于“教”。

表1 自適應學習系統(tǒng)發(fā)展的六個階段

2.第二階段：計算機輔助教學

20世紀70年代，計算機輔助教學CAI（Computer Aided Instruction）得到廣泛研究和關注。英國的帕斯克（G.Pask）研制出采用計算機的適應性教學機，被認為是CAI 元祖。CAI 克服了原來教學機的不足，具有一定的靈活性和人機交互功能，除了用于學科教學外，還用于答疑、個別指導、模擬測驗和評價等。該階段可以看作自適應學習系統(tǒng)的雛形，主要輔助教師的“教”。

3.第三階段：智能教學系統(tǒng)

20世紀80年代，微機革命促進CAI 的進一步發(fā)展，并孕育了智能教學系統(tǒng)ITS（Intelligent Tutoring System），其基本框架是由哈特利（J.R.Hartley）等提出[14]。ITS 作為教師面授教學的一個補充，已借助人工智能技術，對學生進行個別化教學，為學習者提供即時和定制的指導或反饋，這個階段側重于“教學”并重。

4.第四階段：智能代理教學系統(tǒng)

20世紀90年代，伴隨著因特網(wǎng)和萬維網(wǎng)的迅速發(fā)展，虛擬現(xiàn)實（VR）和代理技術被廣泛應用于ITS，出現(xiàn)了與新技術同步的智能代理教學系統(tǒng)Agent，也稱為智能化學生自學軟件系統(tǒng)。憑借VR 較為出色的沉浸性，學習者能獲得身臨其境般的感受，這一階段開始偏重于“學”。

5.第五階段：智能超媒體教學系統(tǒng)

1996年，全球范圍第一個自適應學習系統(tǒng)AEHS（Adaptive Educational Hypermedia System）正式誕生，被稱為第一個真正的自適應學習系統(tǒng)，它集超媒體/超文本系統(tǒng)、適應性系統(tǒng)和智能教學系統(tǒng)三位于一體[15]，標志著自適應學習系統(tǒng)走向成熟。

6.第六階段：智能化自適應學習系統(tǒng)

自2011年以來，人工智能、大數(shù)據(jù)等突飛猛進，自適應學習系統(tǒng)進入快速發(fā)展期，新型的學習系統(tǒng)不斷涌現(xiàn)。具有代表性的系統(tǒng)平臺有：美國的knewton、韓國的KnowRe、澳大利亞的Smart Sparrow、英國的CogBooks等；國內比較有名的有猿題庫、乂學教育、作業(yè)幫等。

我們通過對上述六個發(fā)展階段的梳理，不難發(fā)現(xiàn)，自適應學習及系統(tǒng)的研究與應用，大致呈現(xiàn)這樣一個演進軌跡：從智能教學系統(tǒng)到自適應學習系統(tǒng)，從非智能轉向智能；從感知到認知，從低級認知到包括初步意識的高級認知；從預設學習路徑到學習推薦，從以“教”為中心，轉向以“學”為中心的這樣一個發(fā)展趨勢。即自適應學習系統(tǒng)從內容、評估和序列三個方面提供適應性支持[16]，借助多種技術挖掘并分析學習者的行為數(shù)據(jù)，實時調整學習內容、知識評估方式和知識序列，從而滿足學習者的個性化需要。

（四）國外自適應學習模型的演變

1.智能教輔系統(tǒng)（ITS）

通常，智能教輔系統(tǒng)（ITS）被認為是自適應學習的前身。最早提出的ITS 框架包括了三個基本模型：（1）領域知識，即專家模型（Expert Model）；（2）學習者知識，即學生模型（Student Model）；（3）教學策略知識，即導師模型（Tutor Model）[17]，成為指導ITS 設計與開發(fā)的經典理論。

2.自適應超媒體系統(tǒng)通用模型（AEHS）

美國匹茲堡大學教授布魯希洛夫斯基（P.Brusilovsky）基于ITS 的框架模型，于1996年提出了第一個自適應超媒體系統(tǒng)通用模型AEHS，如圖2所示。該模型分為領域模型、教育學模型、學生模型和接口模塊四個核心組件，四個組件通過自適應引擎相連接。自適應引擎成為AEHS 的顯著特征，其特殊的功能在于通過個性化機制，對學生進行個性化的資源推薦。

圖2 AEHS 系統(tǒng)模型

除了提出AEHS 通用模型外，他還先后提出了智能授導系統(tǒng)——ITEM/IP[18]，基于網(wǎng)絡環(huán)境下的創(chuàng)作和傳輸工具InterBook[19]、ELM-ART[20]、Knowledge Sea[21]和Annotat Ed[22]等自適應學習系統(tǒng)。此后，世界各國學者基于布魯希洛夫斯基（P.Brusilovsky）的自適應學習通用模型AEHS，進行了廣泛而深入的研究與改進。

3.其他模型

其他模型主要有：（1）墨爾本皇家理工大學沃爾夫（C.Wolf）設計開發(fā)了一個自適應的JAVA 編程語言學習環(huán)境—iWeaver，該系統(tǒng)使用鄧恩學習風格模型[23]；（2）雅典大學的帕帕尼古拉烏（K.A.Papanikolaou）等設計和開發(fā)了個性化教育超媒體系統(tǒng)——INSPIRE，系統(tǒng)會根據(jù)學習者的認知水平、學習風格生成課程內容[24]；（3）德國漢諾威大學阿爾里法伊（M.Alrifai）等研究了自適應學習系統(tǒng)的用戶和領域模型[25]；（4）荷蘭愛因霍芬科技大學黛布拉（DeBra）等開發(fā)了一個開源的自適應超媒體系統(tǒng)—AHA! ，該系統(tǒng)修改了用戶模型，增加了新的功能[26]。

（五）國內自適應學習的相關模型

近年來，國內學者從不同領域對自適應學習系統(tǒng)和各個模塊，也做了較為深入的研究，先后提出了一些相關模型，具體如表2所示。

從以上論述可見，隨著國內外相關研究的不斷深入，自適應學習系統(tǒng)模型和組件模型的功能越來越豐富。系統(tǒng)模型從線性引導到非線性引導、從單向廣播到雙向交互發(fā)展；領域知識模型的知識內容從粗顆粒度向細顆粒度發(fā)展，學習者模型從之前的學生知識狀態(tài)分析到學習者風格、情感分析等。我們認為，雖然目前國內外提出了很多不同的模型，但關于自適應學習模型的研究，多數(shù)仍基于AEHS 模型，并未獲得突破性的進展。面對當下“數(shù)字一代”學習者越來越追求多元化、個性化、舒適化的學習需求，以及學習方式與場景等變化，對基于自適應學習的學習分析、學習評價、學習推送的要求也越來越高，因此，必須要不斷探索新的自適應學習模型及應用。

表2 國內學者提出的自適應學習相關模型

三、自適應學習推薦模型及其功能

隨著人工智能與教育、教學融合和應用的不斷深入，尤其是學習分析、大數(shù)據(jù)、移動互聯(lián)網(wǎng)、智能傳感、人臉與情感識別等開始嵌入在教與學的過程中，新一代自適應學習及其系統(tǒng)的研究與實踐，越來越體現(xiàn)出智能化的特征，這種智能化特征集中體現(xiàn)在學習推薦的功能上。

（一）自適應學習系統(tǒng)的實現(xiàn)過程

從技術嵌入的角度而言，自適應學習的實現(xiàn)，一般分為三個步驟：（1）根據(jù)學習者的個性特征，引導學習者深化認知、一步步解決問題；同時，自動記錄學習者的學習過程、學習行為和學習結果；（2）根據(jù)記錄的學習者學習數(shù)據(jù)和知識領域模型中分解的微細知識顆粒，進行學習分析，自動評估學習者的認知、情感和動作技能等方面的初始水平、學習目標需求和學習績效，并形成關聯(lián)的知識圖譜；（3）將形成的知識圖譜及學習評估反饋給學習推薦系統(tǒng)，自動推薦學習者感興趣的相關學習內容、學習資源和學習路徑；并根據(jù)即時的學習反饋，不斷做出學習策略和行為的調整，從而實現(xiàn)個性化的自適應學習過程，其系統(tǒng)功能如圖3所示。

圖3 自適應學習系統(tǒng)的實現(xiàn)過程

（二）學習推薦技術：自適應學習的關鍵

不同的自適應學習系統(tǒng)，其功能的實現(xiàn)及內容展示可能有著很大區(qū)別。一般地，自適應學習的實現(xiàn)主要有三個方式：自適應內容選擇，自適應導航支持，自適應內容呈現(xiàn)[36]。如今，新一代的自適應學習系統(tǒng)打破了傳統(tǒng)智能學習系統(tǒng)中所有學生使用同一學習路徑的局限，能夠根據(jù)學習者的自身情況即學習數(shù)據(jù)，創(chuàng)建自定義的學習內容和學習路徑，并將最優(yōu)化的學習方案推薦給學習者，為每個學習者提供不同于他人的個性化學習指導。該功能的實現(xiàn)，主要源自系統(tǒng)所采用的關鍵技術和算法。

1.關鍵技術

學習推薦技術是自適應學習系統(tǒng)中能真正實現(xiàn)個性化學習需求和學習推送功能的關鍵技術，與其密切相關的還有學習分析技術和知識圖譜技術等。

第一，學習推薦技術。推薦系統(tǒng)根據(jù)學習者的學習數(shù)據(jù)，自動調整學習內容，向學習者推薦所需要的內容。學習推薦技術主要有三種：（1）基于行為的協(xié)同過濾。比如，根據(jù)學習者看過的內容推薦給學習者；或者學習者有某個好友，他/她看了什么內容，系統(tǒng)就會推薦給該學習者感興趣的東西。（2）基于內容的相似推薦。根據(jù)學習者學過的內容，系統(tǒng)對這些內容進行標注，那么這些內容及其相似的內容都有了標簽，系統(tǒng)就會推薦給該學習者感興趣的內容。（3）基于內容和基于行為的混合式推薦。這三種學習推薦技術，均是實施學習個性化的必要條件。

第二，學習分析技術?；跀?shù)據(jù)關聯(lián)與提煉的學習分析技術，是實現(xiàn)自適應學習的前提，即實施個性化學習的前提。系統(tǒng)通過搜集和分析學習者特征、歷史信息、行為數(shù)據(jù)和知識點之間的關系，推薦學習者需要的學習內容、學習同伴，并能形成相關的知識圖譜、診斷學習者知識掌握情況，從而進一步量化學習效果與教學效果。

第三，知識圖譜技術。知識圖譜是人工智能的一個重要分支技術，由谷歌于2012年正式提出。知識圖譜本質上是語義網(wǎng)的知識庫，也可以簡單地把知識圖譜理解成多向關系圖，是一種對事實的結構化表征，它由實體、關系和語義描述所組成。知識圖譜用于自適應學習系統(tǒng)，能夠實現(xiàn)智能分析、智能搜索、人機交互等。比如，基于知識圖譜的關聯(lián)特點能夠完成領域模型的知識表達，讓學習系統(tǒng)具有認知能力和邏輯能力，繼而進行個性化學習推薦。

2.基本算法

這里涉及的算法，主要是指實現(xiàn)自適應學習關鍵技術及其功能的具體計算方法。國內學者徐坤結合Kenton、Assissment 和VIPKID 等多個自適應學習平臺，總結出三種自適應學習的基本算法：（1）貝葉斯知識追蹤（Bayesian Knowledge Tracing）。當追蹤學習者知識點的掌握情況時，一般使用貝葉斯推斷算法。（2）貝葉斯網(wǎng)絡（Bayesian Network）。通過對學習數(shù)據(jù)的各種關聯(lián)關系進行分析、挖掘和建模，從而形成有向無環(huán)圖，以推斷學習者學習演進的路徑。上述兩種貝葉斯算法統(tǒng)稱為概率圖模型（Probabilistic Graph Modeling）。（3）項目反應理論（Item Response Theory）和學習空間理論（Learning Space Theory）等教育測量學科范疇的一些技術和方法。此算法可以精確定位學習者當前的知識水平和學習狀態(tài)，用于學習診斷和推薦[37]。但在實際應用中，常?；谶@三種基本算法進行擴展或融合，以滿足不同技術實現(xiàn)的具體需求。

（三）自適應學習推薦模型

目前的自適應學習系統(tǒng)主要是通過學習推薦技術，首先，服務器對學習者的個人信息、學習過程數(shù)據(jù)、學習風格和情感狀態(tài)等進行分析；然后，推薦給學習者適合的學習內容，從而完成該學習過程。這一組織結構被稱為自適應學習推薦模型，如圖4所示。

圖4 自適應學習推薦模型

融入學習推薦技術的自適應學習系統(tǒng)具有很多優(yōu)勢，因為傳統(tǒng)的智能教學系統(tǒng)或者自適應學習系統(tǒng)，通常是單一的、線性的、固定的。比如，每個科目中的章節(jié)、知識點都是預先設定好的，所有學習者的學習路徑都是統(tǒng)一的、基本不變的。而學習推薦技術融入后的自適應學習系統(tǒng)，則是復雜的、多維的、非確定的；是基于每個學習者的學習數(shù)據(jù)及分析，以提供或推薦給每個學習者不同于他人的個別化學習方案和學習路徑。相對而言，自適應學習推薦模型的優(yōu)勢在于：能精準發(fā)現(xiàn)學習者缺漏的知識點，推薦與學習水平匹配的學習方案、學習節(jié)奏和學習同伴，以快速提高學習者的認知能力和學習水平。

四、自適應學習牽引模型及其應用價值

現(xiàn)有的一些實踐與研究表明，上述自適應學習推薦模型也存在明顯的不足，主要表現(xiàn)在：會給學習者帶來較為嚴重的隱私泄露風險。為了實現(xiàn)個性化、自適應性的需求，自適應學習系統(tǒng)的服務器要對學習者的個人信息，比如，學習興趣、起點水平、學習風格和情感狀態(tài)等學習數(shù)據(jù)進行搜集分析；自適應學習評價也需要不斷收集學習者的學習成績、學習過程和學習者使用的資源類型等數(shù)據(jù)；這些數(shù)據(jù)收集之后，需要針對這些學習數(shù)據(jù)進行清洗、整理與分析，才能實現(xiàn)個性化推薦學習內容和學習同伴。如果中斷了個人信息、學習過程和學習結果數(shù)據(jù)的連接，學習者將無法自動定制學習進程，也無法獲取個性化的服務。因此，在對上述學習數(shù)據(jù)等進行分析的過程中，不可避免地會涉及學習者的隱私、學習者數(shù)據(jù)安全以及使用權等問題。

（一）自適應學習牽引模型

為了解決上述問題，我們設計了新型的自適應學習牽引模型（見圖4）。不同于傳統(tǒng)的自適應學習推薦模型，它基于機器學習、貝葉斯防御、數(shù)據(jù)牽引技術等，是一種新型的自適應學習安全模型。其運作過程分為學習數(shù)據(jù)分析、學習需求展示與篩選、隱私保護防御、智能代理、學習牽引和牽引結果展示等六個階段。

圖5 自適應學習牽引模型

1.學習數(shù)據(jù)分析階段

此階段主要完成對學習者學習數(shù)據(jù)的分析。不同于目前使用的自適應學習推薦系統(tǒng)的學習分析在服務器端的實現(xiàn)方式，自適應學習牽引模型的學習分析可在客戶端，即學習者的電腦或手持移動終端上實現(xiàn)。比如，任何一個學習者A，在使用自適應學習系統(tǒng)平臺之前，可先在私人電腦或移動終端下載或安裝一個數(shù)據(jù)分析程序，即AI 數(shù)據(jù)分析器。此數(shù)據(jù)分析器，通過分析學習者A 的學習行為、學習內容等基本數(shù)據(jù)，完成A 的個性化學習分析，并預測A 的學習興趣、愛好、傾向及需求。

2.學習需求展示與篩選階段

通過第一階段的AI 數(shù)據(jù)分析器的分析，篩選與展示器呈現(xiàn)出一個學習需求菜單。學習者A 根據(jù)自身的學習實際需求，自定學習方式或學習進度，可對學習菜單上的內容進行篩選，即作增添、刪減、刪除、清零等編輯任務。若有自己額外需要的，可以添加；不需要的，可以剔除。更為重要的是，它具有個人學習數(shù)據(jù)的隱私保護功能，即為防止日后個人偏好信息等泄露，可以隨時清零。

3.隱私保護防御階段

當篩選與展示器將A 的學習需求申請傳到智能代理之前，隱私保護器對學習者A 的學習需求中的個人信息，添加防護罩，即實施第一層安全保護——學習數(shù)據(jù)的貝葉斯隱私保護模型[38]。如果受到來自黑客、病毒、木馬等的隱私攻擊時，智能機器學習算法能夠檢測到攻擊的存在，并自動調用適當?shù)姆烙鶛C制。防病毒程序將進行事件復雜性權衡判斷，對準確的、確定性的信息源，作出合理的邏輯判斷；也可對可疑的、非確定性的信息源作出統(tǒng)計推斷。若碰到確定性問題，自動采取基于已有模型和方法的決策樹方案進行防御；若碰到不確定性、復雜性問題，將采取貝葉斯方案處理，即通過機器學習，根據(jù)問題的多方面因果關系，進行預測，提出新的算法，修改、發(fā)展原有模型或重新建模進行防御。

4.智能代理階段

智能代理收到學習請求之后，將學習請求中的個人信息進行盲處理，即自動屏蔽學習者的個人信息，以代理身份僅將學習菜單傳到自適應學習系統(tǒng)的服務器方，主動獲得所需要的學習內容或資源。這個過程是知識的主動索取而不是服務器方的學習內容推薦，以免得到不需要的垃圾內容。比如，學習者A 參加了自適應學習系統(tǒng)S 平臺的學習，其學習需求由智能代理傳遞到S 平臺服務器方。由于智能代理是虛擬的，表示其代理身份的僅僅是代碼，因此，服務器上沒有A 的任何個人信息，不會產生隱私泄露等問題；即使學習需求被黑客截獲或攻擊，也不會對A 帶來任何隱私泄露的風險。

5.學習牽引階段

此階段完成學習數(shù)據(jù)的牽引。所謂牽引，是采用不同于傳統(tǒng)的自適應學習系統(tǒng)中的學習推薦模型，而采取學習數(shù)據(jù)的牽引模型。在以往的學習推薦模型中，推薦服務器主動向學習者發(fā)送學習信息時，學習者不能控制所接收的推薦信息的類型、形式、內容等，只能被動地接收其發(fā)送的任何信息，包括各類廣告和“垃圾信息”。但在牽引模型中，學習者對所推薦的信息有一定的篩選能力，能夠遠程“牽引”服務器所推薦發(fā)送的信息是自己真正感興趣或需要的學習內容。即“牽引”在于學習者具有自主篩選/選擇功能的含義。比如，學習者A 的電腦端列出了5 項學習需求，如果他只需要2 項，那么他可自主將其他3 項刪除，然后通過智能代理遙控自適應學習系統(tǒng)S 平臺服務器，向其提供所需要的資源信息或學習方案；而S 平臺服務器不再進行其他“無用”的學習推薦。

6.牽引結果展示階段

智能代理從自適應學習系統(tǒng)服務器方拿到所需的學習內容之后，交給“篩選與展示器”，將牽引結果在學習者電腦或移動終端上顯示出來。這種學習牽引結果，在不泄露學習者個人信息的前提下，能夠更加精準地反映學習者的個性化學習需求，學習者也不用為過多的冗余信息而煩惱。

（二）自適應學習牽引模型的應用價值

從以上論述可見，自適應學習牽引模型與現(xiàn)有的學習推薦模型相比，具有明顯的優(yōu)勢，主要體現(xiàn)在以下幾個方面：（1）減少了隱私泄露的風險。因學習分析發(fā)生在學生端，再加上隱私保護器和智能代理二層保護屏障，所有這些數(shù)據(jù)分析和處理沒有經過互聯(lián)網(wǎng)，減少了數(shù)據(jù)泄露和被攻擊的風險。（2）減輕了服務器方的壓力。因所有學習分析沒有集中在自適應學習服務器中心端進行，而是分散在各個學生端上進行，這種“去中心化”的設計，緩解了服務器的壓力，提高了整個系統(tǒng)的工作效率和學習者的學習效率。（3）屏蔽了學習者不需要的垃圾信息。讓學習者能夠自主選擇所需要的學習內容，針對性強，內容適切，能夠提高學習效率。（4）提高了學習新手進行個性化學習的精準性。自適應學習牽引系統(tǒng)學習端上的個人學習數(shù)據(jù)十分豐富，能夠比較精確地進行學習分析和關鍵知識點的定位，有利于實現(xiàn)學習的個性化和適應性。

這里還是以學習者A 為例：A 因為微積分學得不好，選擇自適應學習推薦系統(tǒng)M（目前通常見的自適應學習系統(tǒng)）平臺學習。因剛使用M 平臺，A 在M平臺上的學習數(shù)據(jù)為0，M 平臺無法對A 進行個性化學習服務；而A 進入自適應牽引系統(tǒng)S 平臺后，由于學習分析在A 的電腦端上，其電腦上不乏A 的一些學習數(shù)據(jù)，那么AI 算法會發(fā)現(xiàn)A 學習微積分的一些弱點，針對這些弱點給予精準的指導和推送相關練習，并制定符合A 的學習計劃和內容難易度，幫助A 一步步解決學習中的難點，直至A 理解并掌握微積分。在這一過程中，A 具有學習主導權，能夠自我控制學習進度，自我選擇最有效的學習方式。

由此可見，自適應牽引學習模型是溫馨的、安全的，充滿人文關懷與滿足個性化需求，它更有助于教育4.0 時代促進學習者自適應學習的現(xiàn)實需要，能夠充分達成“智能+”教育中的“因材施教”“以學生為中心”“促進個性化發(fā)展”等目標。

五、“智能+”教育時代自適應學習的研究取向

當前，國內外自適應學習的研究，正經歷一個由粗到細、由整體到模塊、由理論到實證的發(fā)展演變過程[39]，多數(shù)研究集中于系統(tǒng)模型和模塊模型的構建上?？傮w來說，理論研究多，實踐應用少，研究成果的教與學驗證較為欠缺，真正符合學習者個性化需求的成熟系統(tǒng)更少。因此，自適應學習研究取向還面臨著一些新的突破，關鍵取決于以下幾個方面：

（一）認知突破

目前的自適應學習系統(tǒng)能夠實現(xiàn)學習者低層次的認知目標，但無法達到高層次的認知學習目標和情感領域的學習目標。一些系統(tǒng)比較零散，學習手段單一、內容單一、對學習的整體認知比較缺乏，不熟悉或未把握學習者的學習心理。具體表現(xiàn)為：過程比較“笨拙”，不是那么“智能”；技術含量較低，不能“隨心所欲”地反映學習者的個性化需求。

自適應學習系統(tǒng)這種認知功能的局限，源于設計或開發(fā)者對學習者大腦認知存在缺陷。盡管一些設計或開發(fā)者對大腦神經環(huán)路信息傳遞和加工原理、初級感知功能機制等，已有較清楚的理解。但對大腦全局信息的加工過程、工作機理認知還不夠充分，對編碼和學習原理的認知匹配還非常有限，尤其是對高級認知功能的認知還較粗淺，帶來對大腦信息處理的數(shù)學原理與計算模型仍不清楚[40]。因此，以模擬大腦功能的AI+自適應學習技術，要實現(xiàn)完全像人與人的溝通一樣，達到充分的智能化、個性化、自適應性，還需要經歷一個較漫長的階段。

（二）技術突破

面對日益龐大的課程門類和繁雜的知識體系，現(xiàn)有技術下的自適應學習系統(tǒng)和平臺很難做到面面俱到。那么，技術新的突破口在哪？依據(jù)維果斯基的最近發(fā)展區(qū)理論，需要在現(xiàn)有自適應學習研究的基礎上，基于成功案例，技術上重點解決以下問題：（1）知識點的標簽體系。需要將知識點的標簽體系進一步完善，知識點分類更加細化，這樣精準度更高、適應性更強，才會真正對應學習者的需求，提高學習者的學習效率。（2）改變線性的學習結構為非線性的學習結構。傳統(tǒng)的智能教學系統(tǒng)和多數(shù)所謂的“自適應”學習系統(tǒng)，還是以線性學習路徑為主，不同學習者的學習路徑幾乎相同。只有改變這種線性學習結構為非線性學習結構，即不同的學習者具有不同的學習路徑，才能實現(xiàn)個性化學習需求。

（三）情感分析突破

人工智能2.0 在某些方面（比如計算、記憶能力）已經超越大腦，IBM 深藍戰(zhàn)勝人類象棋冠軍、AlphaGo 戰(zhàn)勝人類圍棋冠軍就是典型。但AI 應用于教與學不能沿用機器學習的模式，因為訓練人和訓練機器有著根本的不同：學習者是活生生的人，不是冷冰冰的機器，人的存儲和計算能力雖然沒有計算機強悍，但人有七情六欲，具有豐富而復雜的生理和心理體驗，而這些細膩而豐富的情感，會伴隨學習者的學習活動并產生較大的影響。為此，近年來興起的深度學習已用來研究情感分類，但在自然語言處理上成果不明顯，尤其在自適應學習領域并無突破性進展。而事實上，自適應學習的設計要求更高，不僅需要考慮不同學習者的起點能力、學習風格和情感狀態(tài)等，而且還要與不同學習者的學習目標相對應。而現(xiàn)在的AI 系統(tǒng)還不能充分理解學習者的情感，更無法照顧學習者的情感，很難真正實現(xiàn)自適應學習。因此，要實現(xiàn)在充分理解人的意識、情感和心理情緒的基礎上，去正確執(zhí)行人的任務的自適應學習算法和模型，還有相當長的路要走。

突破在哪里？突破在于加強底層數(shù)據(jù)樣本尤其情感數(shù)據(jù)的搜集與共享。各種學習過程，大多是通過多模態(tài)的數(shù)據(jù)交流與互動來實現(xiàn)，若平臺上的數(shù)據(jù)越多，計算與推送結果越準確。目前的自適應學習研究過于注重知識和技能本身，多數(shù)為分解知識點，著力于提高學習者掌握知識點的速度和應試力；卻難以關照不同學習者的情緒、情感和價值觀需要。雖然我們已經有百萬級種類的知識樣本數(shù)據(jù)，但對人類情緒、情感方面的樣本數(shù)據(jù)卻很少，幾乎沒有涉及人的精神、價值、靈魂方面的數(shù)據(jù)。因此，情感數(shù)據(jù)的海量搜集、共享與分析，將成為下一步AI+自適應系統(tǒng)研究的重點。

（四）“兩張皮”突破

一個比較完善的AI+自適應學習系統(tǒng)，往往需要完善的理論和相關技術的密切結合，需要多個領域專家的通力合作才能完成。一些支持自適應學習的教育理論和方法，需要技術來實現(xiàn)，而技術更需要正確、合適的教育思想來指導。這二者相輔相成，缺一不可。但現(xiàn)實中許多自適應學習平臺/系統(tǒng)，存在著教育科學和計算機科學的“兩張皮”現(xiàn)象。即自適應學習系統(tǒng)的開發(fā)者多半是計算機領域的專家，由于缺乏教育理論的足夠熏陶和個性化學習理論等基礎，很難設計出符合教學和學習規(guī)律的、真正適合當前學習者個性化學習需求的平臺/系統(tǒng)；而教育領域的學者由于缺乏專業(yè)的計算機技術，也無法將其設計的自適應學習系統(tǒng)理論、模型和學習策略，有效地轉化為產品。

若要克服或突破“兩張皮”現(xiàn)象，必須要以跨界的思維方式與行動：不僅是信息技術、智能技術與教育、教學的融合，還需要與腦科學、心理學、認知學、統(tǒng)計學、人工智能、學習科學等相關學科的密切結合，打破學科間的壁壘。唯有這樣，自適應學習的研究與開發(fā)，才能夠取得突破性的進展。

（五）隱私保護突破

進入“人人互聯(lián)”的智能化時代，海量數(shù)據(jù)在產生、分享、流動、匯聚、應用等過程中，數(shù)據(jù)隱私的泄露問題變得愈來愈突出，成為“智能+”教育應用中的一大倫理問題。目前，多數(shù)自適應學習平臺/系統(tǒng)采用了中心化的服務器管理模式，這種模式具有一定的風險：一方面，集中式的服務模式容易被他人操縱，特別是在數(shù)據(jù)清洗、分析的過程中，容易造成隱私和重要數(shù)據(jù)的泄露；另一方面，國內外許多機構都在嘗試研發(fā)各種智能教學和學習系統(tǒng)，技術涉獵廣泛，市場良莠不齊，缺乏統(tǒng)一的規(guī)范標準和評價機制。幾乎每個平臺/系統(tǒng)都有中心服務器管理自己的數(shù)據(jù)，當大量的學習者數(shù)據(jù)被大型機構所獨占時，會帶來數(shù)據(jù)的壟斷。這種集中了海量數(shù)據(jù)的平臺/系統(tǒng)，數(shù)據(jù)愈豐富，學習者個人數(shù)據(jù)、隱私泄露的風險也愈高。因此，隱私保護的突破，也是未來AI+自適應學習研究必須面對、解決的重要課題。

六、結論

半個多世紀以來，國內外學者圍繞智能教學和自適應學習進行了廣泛而深入的研究，取得了大量的研究成果。尤其是進入21世紀以來，伴隨著新一代人工智能和大數(shù)據(jù)技術的發(fā)展，自適應學習研究也獲得了新的進展，其中最突出的是學習推薦系統(tǒng)的發(fā)展。但是，現(xiàn)有基于學習推薦的自適應學習平臺或系統(tǒng)還存在很多不足，尤其是學習者個人隱私信息的保護，成為一大“瓶頸”。為此，區(qū)別于傳統(tǒng)的自適應學習推薦模型，本文探索了在保留學習推薦模型優(yōu)勢功能的基礎上，提出了新的自適應學習牽引模型。這一模型對于保護學習者的隱私、減緩學習系統(tǒng)服務器的壓力、提高自適應學習的精準度、屏蔽學習推薦過程中產生的垃圾信息、提升學習者學習效率等，具有一定的借鑒價值與創(chuàng)新性。

我們認為，自適應學習有助于智能時代的學習者實現(xiàn)個性化學習與創(chuàng)新性發(fā)展，是在線教育、學習科學、學習分析等領域的重要研究課題，也是呼應“教育4.0” 全球框架中面向未來發(fā)展的一個重要內容。雖然國內外自適應學習的理論與實踐探索已經取得了豐碩的成果，但總體上，自適應學習研究還處在初級發(fā)展階段，離成熟還需要實現(xiàn)若干突破。本文所提出的自適應學習牽引模型，雖然在一定程度上能夠有效促進自適應學習，但依然存在一定的不足，比如，學習數(shù)據(jù)的采集和共享問題等，還有待于在今后的應用中不斷迭代與改進。