本文由《開放教育研究》雜志授權(quán)發(fā)布

作者：何克抗

摘要

本文首先介紹了“個性化學(xué)習(xí)”的由來衙傀，然后從“促進(jìn)個性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模”“促進(jìn)個性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能”和“促進(jìn)個性化學(xué)習(xí)的關(guān)鍵技術(shù)之二——教育數(shù)據(jù)挖掘”等三個方面莺奸，對促進(jìn)“個性化學(xué)習(xí)”的理論丑孩、技術(shù)與方法作了較全面、深入的論述灭贷。由于人工智能技術(shù)用于促進(jìn)個性化學(xué)習(xí)温学，主要是通過智能技術(shù)所支持的“適應(yīng)性教學(xué)系統(tǒng)”實(shí)現(xiàn)，所以本文最后強(qiáng)調(diào)甚疟，適應(yīng)性系統(tǒng)的研發(fā)必須滿足“四維適應(yīng)”的需求仗岖。

關(guān)鍵詞：個性化學(xué)習(xí)；學(xué)習(xí)者建模览妖；人工智能轧拄；教育數(shù)據(jù)挖掘；適應(yīng)性教學(xué)讽膏；自適應(yīng)教學(xué)

一紧帕、導(dǎo)言——“個性化學(xué)習(xí)”的由來

《教育傳播與技術(shù)研究手冊（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)個性化學(xué)習(xí)、教學(xué)和績效的先進(jìn)技術(shù)”（任友群等，2015）是嗜。該章內(nèi)容主要涉及三個方面：一是促進(jìn)個性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模；二是促進(jìn)個性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能挺尾；三是促進(jìn)個性化學(xué)習(xí)的關(guān)鍵技術(shù)之二——教育數(shù)據(jù)挖掘鹅搪。“個性化教學(xué)”最早出現(xiàn)于凱勒（Keller）提出的個性化教學(xué)系統(tǒng)（personalized system instruction遭铺，簡稱PSI）（Lockee et al.丽柿，2008）。二十世紀(jì)七十年代魂挂，凱勒（Keller甫题，1974）已對個性化教學(xué)系統(tǒng)開展了近十年的研究，并展望了個性化教學(xué)的未來發(fā)展涂召，聲稱：“我們需要技術(shù)坠非，我們需要改革，沒有什么理由說明它們是不能一起發(fā)揮作用的果正⊙茁耄……今天我們擁有的證據(jù)使我們相信個性化教學(xué)將會生存下去——傳統(tǒng)教育的日子屈指可數(shù)∏镉荆”

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）潦闲，為個性化教學(xué)提供了強(qiáng)有力的支持。不同學(xué)習(xí)者有不同的個性化需求迫皱，可以說這種需求是千變?nèi)f化的歉闰。在信息技術(shù)尚未出現(xiàn)或仍處于萌芽時期，要想適應(yīng)不同學(xué)習(xí)者的不同需求卓起，真正實(shí)現(xiàn)個性化教學(xué)和敬，是根本不可能的，甚至是無法想象的既绩。但是概龄，二十世紀(jì)九十年代以來，隨著以多媒體計算機(jī)和網(wǎng)絡(luò)通信為標(biāo)志的信息技術(shù)的迅猛發(fā)展饲握，人工智能技術(shù)（包括“自適應(yīng)技術(shù)”）有了新的突破私杜，出現(xiàn)一批“智能代理”型適應(yīng)性教學(xué)系統(tǒng)（Shute & Zapata-Rivera，2008）救欧，這類系統(tǒng)既能基于認(rèn)知特點(diǎn)的自動識別衰粹，支持和促進(jìn)學(xué)習(xí)者對復(fù)雜、抽象概念的學(xué)習(xí)與理解笆怠，又能基于情感態(tài)度的自動辨別與感知铝耻，為學(xué)習(xí)者提供適應(yīng)其個人愛好的學(xué)習(xí)資源與學(xué)習(xí)方式。這樣，個性化教學(xué)就不再停留在理論和觀念層面瓢捉，而是可以落實(shí)到某些學(xué)科的實(shí)際教學(xué)過程中（至少對某些學(xué)科的部分內(nèi)容能做到這點(diǎn)）频丘，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)中之所以會有一批以“智能代理”形式出現(xiàn)的“個性化教學(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)泡态。從學(xué)習(xí)者的角度看有利于個性化教學(xué)的系統(tǒng)自然也是有利于促進(jìn)個性化學(xué)習(xí)的系統(tǒng)搂漠。一般認(rèn)為，這是近年來“個性化教學(xué)系統(tǒng)”逐漸被“個性化學(xué)習(xí)系統(tǒng)”所取代（或是兩種說法并存）的原因所在某弦。我個人認(rèn)為桐汤，這種說法的改變只是表面現(xiàn)象，而非本質(zhì)上的原因靶壮，這種“說法”改變的根本原因并齐，應(yīng)該與建構(gòu)主義有關(guān)扩借。眾所周知瞒大，二十世紀(jì)九十年代以來而晒，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“自主探究蜂莉、自主發(fā)現(xiàn)”的教學(xué)觀念在整個九十年代（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——“對教師如何教”的關(guān)注蜡娶，完全被“對學(xué)生如何學(xué)”的關(guān)注所取代。在這樣的背景下映穗，“個性化教學(xué)系統(tǒng)”的名稱讓位給“個性化學(xué)習(xí)系統(tǒng)”窖张，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)——成功還是失斠献獭宿接？”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)生動搖）辕录。

二睦霎、促進(jìn)個性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模　　

關(guān)于“學(xué)習(xí)者建淖叩”副女，相關(guān)文獻(xiàn)也稱之為“學(xué)生建模”或“用戶建尿己担”（超媒體和Web應(yīng)用領(lǐng)域的教學(xué)研究人員比較愛用“用戶建谋”這一術(shù)語）。這種模型是創(chuàng)建能夠提供個性化學(xué)習(xí)的適應(yīng)性系統(tǒng)的關(guān)鍵與核心塞绿。模型包含的相關(guān)信息越多沟涨，系統(tǒng)的適應(yīng)性能力就越強(qiáng)，學(xué)習(xí)過程的個性化程度就越高异吻。學(xué)習(xí)者模型應(yīng)包含哪些類型的信息裹赴，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——僅包含一個或幾個可用于調(diào)整教學(xué)的“學(xué)習(xí)者特征”（如先前的知識棋返、學(xué)習(xí)風(fēng)格延都、認(rèn)知特點(diǎn)、學(xué)習(xí)動機(jī)等）懊昨，也可以是更先進(jìn)的窄潭、高度動態(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)者模型酵颁，一般稱為學(xué)習(xí)者的“靜態(tài)模型”（Vandewaetere et al.，2011）月帝；反之躏惋，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)者模型嚷辅，被稱之為學(xué)習(xí)者的“動態(tài)模型”簿姨。

過去十年里，由于信息技術(shù)的快速發(fā)展簸搞，計算能力有了極大提升扁位，產(chǎn)生了更高級、復(fù)雜的學(xué)習(xí)模型——“適應(yīng)性教學(xué)系統(tǒng)”趁俊。所謂“適應(yīng)性”域仇，是利用基于先前學(xué)習(xí)任務(wù)的測量所獲得的若干學(xué)習(xí)者特征，來建構(gòu)學(xué)習(xí)者模型（靜態(tài)模型）寺擂。這類模型包含較多的一般性信息（Rich暇务，1979），可將學(xué)習(xí)者按照事先確定的學(xué)習(xí)者特征歸類怔软，并分成若干小組垦细，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”（自動具有某種“適應(yīng)性”）挡逼。特朗特菲洛（Triantafillou et al.括改，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“場獨(dú)立”型或“場依存”型），并據(jù)此為不同學(xué)習(xí)者提供不同的教學(xué)方式與策略家坎。該系統(tǒng)的重要缺陷是完全依賴靜態(tài)模型嘱能，而忽視背景因素和實(shí)際情境（有些學(xué)習(xí)者特征會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)的效果會因情境不同而受影響）乘盖。此外焰檩，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”功能受限制订框，這是該系統(tǒng)的另一個不足析苫。這些問題只有依靠“動態(tài)建模”才有可能解決。

動態(tài)建模的方法是“基于特征的建鸟媒模”（Feature-based Modeling）国旷，這種方法可以捕捉學(xué)習(xí)者的個人特征，動態(tài)跟蹤學(xué)習(xí)者個人特征的變化茫死，還可在學(xué)習(xí)者與環(huán)境交互（人機(jī)交互跪但、師生交互、生生交互）的過程中獲取相關(guān)信息峦萎，隨時更新和擴(kuò)展模型屡久。目前這種精細(xì)化的動態(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）爱榔。

動態(tài)建模還有一種方法是“原型建谋换罚”，就是完全根據(jù)學(xué)習(xí)者特征的原型详幽，對學(xué)習(xí)者進(jìn)行分類筛欢。這種方法通常不單獨(dú)使用，而是和“基于特征的建拇狡福”有機(jī)整合在一起——在這種整合后的新方法中版姑，第一步就是根據(jù)“原型建模”將學(xué)習(xí)者進(jìn)行分類迟郎；第二步是激活學(xué)習(xí)者個體的“動態(tài)模型”（通過“基于特征建陌眨”方法建立的“動態(tài)模型”）（Tsiriga & Virvou，2003）谎亩。通過這種基于學(xué)習(xí)者“動態(tài)模型”建立的“自適應(yīng)教學(xué)系統(tǒng)”炒嘲，教師能夠很容易地識別出“新用戶”和“新學(xué)習(xí)者”（Brusilovsky & Millan，2007）匈庭，并隨時了解和掌握學(xué)習(xí)者在不同學(xué)習(xí)情境下的動態(tài)特征夫凸，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)

上面提到阱持，動態(tài)建模主要使用“基于特征”的建模方法夭拌，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)可以識別學(xué)習(xí)者的特點(diǎn)與行為模式衷咽，并將這些特點(diǎn)與模式隨時融合到學(xué)習(xí)者模型中鸽扁。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合，這種“全程測量”并使用“軟計算”方式（模糊邏輯是“軟計算”中的常用手段）的技術(shù)镶骗，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.桶现，2005）——事實(shí)上，專家們認(rèn)為鼎姊，模糊邏輯這種方式更適合于表征人類導(dǎo)師評估學(xué)習(xí)者的方式（Fazlollahtabar & Mahdavi骡和，2009相赁；Jeremic et al.，2009慰于；Xu & Wang钮科，2006）。

機(jī)器學(xué)習(xí)技術(shù)關(guān)注神經(jīng)網(wǎng)絡(luò)婆赠，可以預(yù)測學(xué)習(xí)者的反應(yīng)和錯誤绵脯。基于對學(xué)習(xí)者反應(yīng)的預(yù)測休里，它還可提供適應(yīng)性學(xué)習(xí)路徑（Beck蛆挫，Jia，Sison妙黍，& Mostow璃吧，2003；Beck & Woolf废境，2000）。

在機(jī)器學(xué)習(xí)中筒繁，除模糊邏輯外噩凹，研究者還報告了“貝葉斯概率”方法的應(yīng)用。例如毡咏，伽西亞等人（Garcia et al.驮宴，2007）用基于“貝葉斯概率”方法處理教學(xué)過程中的許多變量，特別是為了檢測不同學(xué)習(xí)者的學(xué)習(xí)風(fēng)格呕缭，構(gòu)建了貝葉斯網(wǎng)絡(luò)堵泽。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.恢总，2002）迎罗。

（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)建能夠提供個性化學(xué)習(xí)的自適應(yīng)系統(tǒng)的關(guān)鍵與核心片仿。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)知纹安、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）砂豌。塞勒夫（Self厢岂，1990）認(rèn)為，對學(xué)習(xí)者建模的研究阳距，“應(yīng)該制定更現(xiàn)實(shí)的目標(biāo)塔粒，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)成筐摘，也更實(shí)用”卒茬。

塞勒夫建議船老，應(yīng)該重新考慮學(xué)習(xí)者模型的作用。為此扬虚，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)者開放努隙，因?yàn)檫@很可能提升學(xué)習(xí)者的自我反思能力。依據(jù)塞勒夫的建議辜昵，布爾及其同事（Bull et al.荸镊，2005）開發(fā)了開放式學(xué)習(xí)者模型，并向?qū)W習(xí)者開放堪置，使學(xué)習(xí)者能夠看到學(xué)習(xí)者模型中的信息躬存，從而便于學(xué)習(xí)者對自身學(xué)習(xí)過程進(jìn)行自我監(jiān)控、自我反思和自我評估（Bull et al.舀锨，2008）岭洲。

開放式學(xué)習(xí)者模型的表征形式多種多樣，可以是技能圖表坎匿，帶有先決條件和內(nèi)容結(jié)構(gòu)的“樹狀圖”盾剩，也可以是動畫或觸感式反饋（Bull et al.，2005）替蔬。某些開放式學(xué)習(xí)者模型還允許學(xué)習(xí)者與其進(jìn)行交互告私，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）是今后一個時期學(xué)習(xí)者建模領(lǐng)域的重要研究方向承桥，值得我們持續(xù)而認(rèn)真的關(guān)注驻粟。

三、促進(jìn)個性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能　　

目前凶异，人工智能技術(shù)在促進(jìn)個性化學(xué)習(xí)方面的應(yīng)用主要體現(xiàn)在三個方面：一是“基于知識的智能輔導(dǎo)系統(tǒng)”蜀撑，二是“基于情感識別的智能輔導(dǎo)系統(tǒng)”，三是“基于代理的智能輔導(dǎo)系統(tǒng)”剩彬。下面對這三方面應(yīng)用作具體闡述酷麦。

（一）基于知識的智能輔導(dǎo)系統(tǒng)

基于知識的智能輔導(dǎo)系統(tǒng)主要從認(rèn)知層面促進(jìn)學(xué)習(xí)者對知識與技能的學(xué)習(xí)（使學(xué)習(xí)者易于理解和掌握復(fù)雜、抽象概念）襟衰。該系統(tǒng)集成了人工智能領(lǐng)域的三個組件（Akhras & Self贴铜，2002）：

第一個組件是學(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（或尚有爭議的）主題——如學(xué)習(xí)者的原有知識水平瀑晒、認(rèn)知特點(diǎn)绍坝、學(xué)習(xí)風(fēng)格、分析問題和解決問題的能力等苔悦；

第二個組件是領(lǐng)域模型轩褐，該模型是對學(xué)習(xí)內(nèi)容或欲傳授知識的表征，也包含不同領(lǐng)域的知識元素之間的關(guān)系玖详；

第三個組件是教學(xué)模塊（或輔導(dǎo)模塊）把介，是具體實(shí)施教學(xué)過程的模塊勤讽，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”等拗踢。

在“跟蹤模型的認(rèn)知導(dǎo)師”系統(tǒng)中脚牍，問題解決的每個步驟都用認(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.巢墅，2005）诸狭，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（包括錯誤概念）君纫。安德松（Anderson驯遇，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）蓄髓，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)叉庐。由于實(shí)現(xiàn)了學(xué)習(xí)者所需掌握知識的詳細(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会喝。

在“基于約束條件的導(dǎo)師”系統(tǒng)中陡叠，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估學(xué)習(xí)者行為肢执∝腋停基于約束條件的建模基礎(chǔ)是從錯誤表現(xiàn)中學(xué)習(xí)蔚万，為此，該系統(tǒng)采用一組狀態(tài)的約束（或與其等價的問題狀態(tài)）表征領(lǐng)域模型临庇。如果學(xué)習(xí)者的問題解決方法是正確的反璃，約束條件就不會被違背；一旦違背了約束條件假夺，就意味著這里面存在有因錯誤或不完善知識所導(dǎo)致的偏頗淮蜈。之后，就只好在違背約束條件基礎(chǔ)上進(jìn)行學(xué)習(xí)者建模已卷。由于約束條件比產(chǎn)生式規(guī)則更易于明確表達(dá)梧田，所以與“跟蹤模型的認(rèn)知導(dǎo)師”相比，其開發(fā)難度要低一些侧蘸，但按照約束條件所建立的學(xué)習(xí)者模型裁眯，性能也要弱一些——因?yàn)閷τ谀承敖Y(jié)構(gòu)不良”的知識領(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讳癌〈┪龋可見，兩者各有利弊晌坤。

“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)中逢艘，認(rèn)知模型不是用”產(chǎn)生式規(guī)則”表示旦袋，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)的具體途徑它改。這種認(rèn)知模型表示方式的好處是疤孕，無需確定正式步驟和約束條件，系統(tǒng)就能識別更廣泛的合乎要求的學(xué)習(xí)者行為央拖。

上面所列出的幾種智能導(dǎo)師系統(tǒng)祭阀，其共同特點(diǎn)是都把學(xué)習(xí)過程只看成是“知識建構(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）爬泥，以便用來幫助學(xué)習(xí)者完成知識意義的建構(gòu)（尤其是對復(fù)雜柬讨、抽象概念的理解與掌握）。但是袍啡，近年來踩官，學(xué)術(shù)界的關(guān)注點(diǎn)已經(jīng)逐漸從純粹基于認(rèn)知和知識建構(gòu)轉(zhuǎn)向基于情感識別和代理的智能輔助教學(xué)系統(tǒng)，下面就是有關(guān)這個新研究領(lǐng)域的介紹與論述境输。

（二）基于情感識別的智能輔導(dǎo)系統(tǒng)

要實(shí)現(xiàn)基于情感識別的智能輔導(dǎo)系統(tǒng)蔗牡，關(guān)鍵是要設(shè)計出“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)識別模型”（簡稱“情感識別模型”）嗅剖。利用人工智能的自動檢測與識別情感的技術(shù)辩越、工具，可以避免調(diào)查問卷和出聲思考程序等傳統(tǒng)干擾性測量方法的缺點(diǎn)信粮。目前黔攒，應(yīng)用于探測情感（以便構(gòu)建“情感識別模型”）的測量工具有：

1）測量大腦活動的“腦電圖”（Blanchard et al.，2007）强缘；

2）捕捉面部肌肉活動的“肌電圖”（Liu督惰，Rani，& Sarkar旅掂，2005）赏胚；

3）測量壓力和興奮的“皮膚電反應(yīng)器”（Blanchard et al.，2007商虐；Liu et al.觉阅，2005）；

4）通過數(shù)碼相機(jī)分析身體活動的“姿勢分析器”（Sebe秘车，Cohen典勇，& Huang，2005）叮趴；

5）利用計算模式推斷學(xué)習(xí)者精神狀態(tài)的“面部表情識別器”（Arroyo et al.痴柔，2009）。

由于情感在人類的認(rèn)知過程中起著監(jiān)控作用疫向，所以在智能輔助教學(xué)系統(tǒng)中“情感識別模型”變得越來越重要咳蔚。對學(xué)習(xí)者的動機(jī)豪嚎、沮喪、壓力和自我效能感的自動探測谈火，產(chǎn)生了高適應(yīng)性（即個性化）學(xué)習(xí)環(huán)境以及基于情感識別的智能輔導(dǎo)系統(tǒng)開發(fā)的新方法侈询。與傳統(tǒng)教學(xué)相比，實(shí)驗(yàn)結(jié)果表明：這種基于情感識別的智能教學(xué)系統(tǒng)糯耍，盡管學(xué)習(xí)者的成績進(jìn)步差異并不顯著扔字，但在動機(jī)、自我效能感温技、興趣和感知控制等方面革为，學(xué)習(xí)者顯示出明顯的優(yōu)勢，尤其是情感性輔導(dǎo)對于領(lǐng)域知識水平較低學(xué)生的深度學(xué)習(xí)有良好的促進(jìn)作用舵鳞。

（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)伙伴提供了可能震檩。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.蜓堕，2003）抛虏。在基于代理的系統(tǒng)中，教學(xué)代理接受環(huán)境的輸入套才，隨后在環(huán)境中進(jìn)行相關(guān)操作迂猴。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)師背伴、競爭者沸毁、受指導(dǎo)者、學(xué)習(xí)者或搗亂者（Chou et al.傻寂，2003）以清。

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)師的對話，了解學(xué)習(xí)者或其學(xué)習(xí)伙伴的行為模式崎逃，每種行為模式都和某種具體的教學(xué)策略對應(yīng)。為捕捉學(xué)習(xí)者與導(dǎo)師對話的特點(diǎn)眉孩，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个绍，簡稱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生成浪汪、理解與識別）巴柿。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)死遭。

（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（第四版）》第34章的作者認(rèn)為广恢，當(dāng)前人工智能教育應(yīng)用面臨三大挑戰(zhàn)。

第一個挑戰(zhàn)是各種智能輔導(dǎo)教學(xué)系統(tǒng)的研制與開發(fā)呀潭。目前的現(xiàn)實(shí)是1小時的智能輔助教學(xué)钉迷，普遍需要100到幾百（乃至上千）小時的研發(fā)至非。為了應(yīng)對這一挑戰(zhàn)，必須提高研發(fā)效率糠聪，這就需要加強(qiáng)智能輔導(dǎo)系統(tǒng)創(chuàng)作工具的應(yīng)用與推廣荒椭。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）舰蟆、便于開發(fā)“基于約束條件導(dǎo)師系統(tǒng)”的ASPIRE工具（Mitrovic & Koedinger趣惠，2009）以及慕瑞（Murray，2003）推薦的其他幾個創(chuàng)作工具身害，都是功能較好的味悄，可以考慮應(yīng)用與推廣的對象。

第二個挑戰(zhàn)是各種智能輔導(dǎo)教學(xué)系統(tǒng)如何常態(tài)化實(shí)施塌鸯。人工智能技術(shù)的應(yīng)用侍瑟，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)界赔、系統(tǒng)太復(fù)雜丢习，那么，在常態(tài)化實(shí)施過程中淮悼，將會被一般學(xué)校和班級的技術(shù)限制所阻礙咐低。

第三個挑戰(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“個性化”的學(xué)習(xí)環(huán)境袜腥。由于人工智能教育應(yīng)用涉及許多高见擦、精、尖技術(shù)羹令，這就使從事人工智能教育應(yīng)用的研究人員鲤屡，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”上福侈。所以酒来，如何讓這個領(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“個性化”的學(xué)習(xí)環(huán)境肪凛，這是人工智能教育應(yīng)用領(lǐng)域面臨的最大挑戰(zhàn)堰汉。

我們認(rèn)為，《手冊（第四版）》第34章作者的上述觀點(diǎn)伟墙，是經(jīng)過深刻反思并有許多實(shí)際案例佐證的翘鸭，值得我們認(rèn)真學(xué)習(xí)與借鑒。

四戳葵、促進(jìn)個性化學(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就乓，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)特數(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)挖掘來源于對數(shù)據(jù)庫的傳統(tǒng)研究生蚁，但是由于教育數(shù)據(jù)的基本特征有所不同噩翠，其挖掘方法和一般數(shù)據(jù)庫中發(fā)現(xiàn)知識的方法有較大差異。就一般特征而言守伸，教育數(shù)據(jù)往往是嵌套的——學(xué)生隸屬于班級绎秒，班級隸屬于學(xué)校，即教育數(shù)據(jù)是多層次結(jié)構(gòu)的一部分尼摹。教育數(shù)據(jù)還具有多樣性见芹、復(fù)雜性，這導(dǎo)致教育數(shù)據(jù)挖掘的方法多種多樣蠢涝，并來自很多其他學(xué)科領(lǐng)域玄呛，比如心理測驗(yàn)、社會網(wǎng)絡(luò)分析和二、網(wǎng)絡(luò)挖掘徘铝、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)挖掘方法惯吕，大致有五種：

一是“預(yù)測”法惕它，目的是把相對獨(dú)立的變量（要預(yù)測的變量）組合在一起，以推測數(shù)據(jù)某一方面的變化（因變量或結(jié)果變量）废登。在解釋對結(jié)果變量的預(yù)測時淹魄，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)測調(diào)節(jié)性或中介性的因素堡距。巴克（Baker甲锡，2010）描述了三種預(yù)測方法：“分類”“回歸分析”和“密度估計”；穆爾（Moore羽戒，2006）提供了有關(guān)這些方法的詳細(xì)信息缤沦。

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)者易稠、學(xué)習(xí)者特征缸废、學(xué)校、學(xué)生行為等）驶社。聚類可以是細(xì)粒度的企量，如匯聚學(xué)生行為，以便發(fā)現(xiàn)其行為模式衬吆；也可以是粗粒度的，如探索學(xué)校之間的異同绳泉。

三是“關(guān)系挖掘”法逊抡，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（例如冒嫡，“如果變量Ｘ發(fā)生拇勃，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（如孝凌，變量Ｘ與變量Y之間呈正相關(guān)）方咆，或是通過因果關(guān)系推測新關(guān)系（如，如果Y發(fā)生蟀架，是由Ｘ引起的）瓣赂，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）片拍』图總之，發(fā)現(xiàn)新關(guān)系的過程捌省，就是完成“關(guān)系挖掘”的過程苫纤。

四是“模型發(fā)現(xiàn)”法。在教育數(shù)據(jù)挖掘中纲缓，“模型發(fā)現(xiàn)”法已越來越流行卷拘。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（例如祝高，“預(yù)測”法的輸入）栗弟。“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）獲益最多褂策？

2）不同類型的學(xué)生行為如何影響學(xué)生的學(xué)習(xí)横腿？

3）隨著時間的流逝，智能輔導(dǎo)系統(tǒng)的設(shè)計變量將如何影響學(xué)生的行為斤寂？五是“文本挖掘”法耿焊。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)境的知識提取遍搞，或用于分析和評估學(xué)習(xí)內(nèi)容管理系統(tǒng)罗侯，也可用于分析和評估互聯(lián)網(wǎng)課程的在線討論論壇。

（三）教育數(shù)據(jù)挖掘在個性化教學(xué)中的應(yīng)用

教育數(shù)據(jù)挖掘?yàn)閭€性化學(xué)習(xí)環(huán)境的開發(fā)提供兩個關(guān)鍵性支持（Baker & Yacef溪猿，2009）：

一是對“學(xué)習(xí)者模型”的改進(jìn)钩杰。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)诊县，從而創(chuàng)建更復(fù)雜讲弄、真實(shí)的學(xué)習(xí)者模型。例如依痊，在“學(xué)生參與和系統(tǒng)博弈”課例中避除，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“動機(jī)、學(xué)習(xí)活動瓶摆、情感凉逛、態(tài)度以及和系統(tǒng)博弈行為”聯(lián)系在一起的模型，同時還提取一些與博弈行為有關(guān)的模式群井，開發(fā)出能在檢測到學(xué)生的博弈行為后自動進(jìn)行調(diào)整的新功能状飞。

二是深化對“適應(yīng)性（即個性化支持）”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书斜，2008）诬辈。依照這種方法，學(xué)生的后續(xù)成功（比如菩佑，獲得某種復(fù)雜的高階知識與技能）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)）自晰。其結(jié)果是，每個支持類型都可以描繪出它對學(xué)習(xí)的相對有效性（事先必須對各種“學(xué)習(xí)支持”的方式稍坯、特點(diǎn)進(jìn)行收集與分類酬荞，并對每種“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）瞧哟。

雖然教育數(shù)據(jù)挖掘?yàn)閭€性化學(xué)習(xí)環(huán)境開發(fā)所提供的關(guān)鍵性支持混巧，只涉及上述兩個方面，但教育數(shù)據(jù)挖掘的實(shí)際應(yīng)用領(lǐng)域要廣泛得多勤揩。例如咧党，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)意識陨亡，還可以通過分析日志文件估計學(xué)習(xí)者對學(xué)習(xí)材料的關(guān)注程度傍衡，并檢測學(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)

眾所周知负蠕，教育數(shù)據(jù)具有許多與其他數(shù)據(jù)不同的特點(diǎn)蛙埂，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)新的方法遮糖。

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)展起來的绣的，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)室欲账。這類數(shù)據(jù)庫的優(yōu)勢是便于訪問屡江，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)的存在赛不，使研究人員可以從多方面（比如從橫向惩嘉、縱向或同時從橫縱向）對“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“教與學(xué)”過程的影響踢故。

當(dāng)前教育數(shù)據(jù)挖掘面臨的一個重大挑戰(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文黎。在使用教學(xué)內(nèi)容管理系統(tǒng)或從事網(wǎng)絡(luò)在線教育幾年后奏路，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)容臊诊、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)雜斜脂，未能普及抓艳，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帚戳。為應(yīng)對這一挑戰(zhàn)玷或，本領(lǐng)域的技術(shù)開發(fā)人員應(yīng)盡快對當(dāng)前有關(guān)教育數(shù)據(jù)挖掘的技術(shù)、手段片任、方法加以綜合偏友、整理，并從中整合出一種功能齊全又容易操作的“挖掘工具”对供，以便廣大教師和非數(shù)據(jù)挖掘方面的專家掌握與運(yùn)用位他。

五、結(jié)語

人工智能技術(shù)用于促進(jìn)個性化學(xué)習(xí)产场，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)的鹅髓。《手冊（第四版）》第34章的作者認(rèn)為京景，要達(dá)到這一目標(biāo)窿冯，適應(yīng)性系統(tǒng)應(yīng)從四個維度認(rèn)真考慮并滿足“適應(yīng)性”，這四個維度是：

1）“適應(yīng)的來源”（因何而變确徙？）醒串。關(guān)于適應(yīng)的來源，通常有兩個方面：一是只考慮與學(xué)習(xí)有關(guān)的參數(shù)鄙皇，如“學(xué)習(xí)者特征”（包含先前的知識芜赌、學(xué)習(xí)風(fēng)格、認(rèn)知特點(diǎn)育苟、學(xué)習(xí)動機(jī)等）和“學(xué)習(xí)結(jié)果”（如完成學(xué)習(xí)任務(wù)的時間较鼓、知識與技能的提高、思維方面的發(fā)展等）违柏；二是考慮學(xué)習(xí)者與適應(yīng)性系統(tǒng)的互動博烂，為此應(yīng)關(guān)注學(xué)習(xí)者與系統(tǒng)互動時的行為。

2）“適應(yīng)的對象”（改變什么漱竖？）禽篱。這是指適應(yīng)性教學(xué)可以調(diào)整的對象（即系統(tǒng)中哪些內(nèi)容可以調(diào)整），它涉及三個方面：一是改變內(nèi)容或主題馍惹，這可以通過區(qū)分任務(wù)或項(xiàng)目的難度水平達(dá)到躺率；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）玛界；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)策略支持悼吱。

3）“適應(yīng)的時間”（何時改變慎框？）。適應(yīng)的時間是指系統(tǒng)對學(xué)習(xí)者的適應(yīng)在什么時候發(fā)生后添。應(yīng)當(dāng)注意到笨枯，在“靜態(tài)用戶建模”“動態(tài)用戶建挠鑫鳎”或“靜馅精、動態(tài)用戶建模（也稱雙路徑建模）”這三種不同特征下，“適應(yīng)的時間”是不同的粱檀。以雙路徑建模為例洲敢，其適應(yīng)時間的調(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)過程中的互動參數(shù)茄蚯，進(jìn)行持續(xù)的建模與調(diào)整压彭。

4）“適應(yīng)的方法”（如何改變？）渗常。適應(yīng)的方法對“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)容哮塞；

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)控制方法凳谦，各有利弊忆畅。為此，柯巴蘭及其同事（Corbalan et al.尸执，2008家凯，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)如失，然后考慮學(xué)習(xí)者特點(diǎn)以便與之適應(yīng)绊诲。隨后，學(xué)習(xí)者還可以自由地選擇材料或任務(wù)褪贵。

通過對《手冊（第四版）》第34章作者所提出四維觀點(diǎn)的認(rèn)真分析掂之，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)有力的支撐作用脆丁，因而對促進(jìn)個性化學(xué)習(xí)有重要意義世舰，值得我們虛心學(xué)習(xí)與借鑒。

作者簡介：何克抗槽卫，北京師范大學(xué)教育技術(shù)學(xué)院教授惫霸，東北師范大學(xué)榮譽(yù)教授（終身教授）呛凶，北京師范大學(xué)現(xiàn)代教育技術(shù)研究 所所長混聊，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)委員會主任；先后還擔(dān)任過全國教師教育信息化專家委員會主任茸塞、中國教育技術(shù)協(xié)會學(xué)術(shù)委員會主任、全球華人計算機(jī)教育應(yīng)用學(xué)會（GCCCE）第一副主席和國際著名刊物《計算機(jī)輔助學(xué)習(xí)》（Journal of Computer Assisted Learning）編委等學(xué)術(shù)職務(wù)查剖。

轉(zhuǎn)載自：《開放教育研究》2017年4月 總23卷 第2期