童名文 師亞飛 戴紅斌 孫佳

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

[關(guān)鍵詞] 智慧學習環(huán)境; 個性化; 自適應(yīng)學習; 自適應(yīng)學習系統(tǒng); 動力機制

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

在傳統(tǒng)教學中，教師一直作為課堂的絕對核心、知識的傳授者，學生是知識的接受者，教師與學生是一對多的單向輻射關(guān)系，學生難以得到教師及時的反饋[1]。這種大規(guī)模、標準化的人才“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，教學內(nèi)容和教學進度的固定化、統(tǒng)一化難以滿足學生個性化的學習需求，忽視了學生的主體性和個體差異，進而造成課堂缺乏活力，學生創(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生提供個性化學習服務(wù)[3]。智能化教學環(huán)境為個性化教學提供技術(shù)支撐，是智慧教育得以開展的前提和基礎(chǔ)。智慧學習環(huán)境能夠為學生提供契合其個性特征的適應(yīng)性支持和服務(wù)[4]，促進學生的知識、能力和情感多元發(fā)展。

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

二、相關(guān)研究

自適應(yīng)學習系統(tǒng)于20世紀20年代發(fā)端，20世紀50年代末60年代初的程序教學運動使其正式走進大眾視野。近年來，計算機硬件技術(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)學習系統(tǒng)模型作為自適應(yīng)學習系統(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)學習系統(tǒng)的設(shè)計與開發(fā)具有重要意義。自20世紀90年代以來，有關(guān)自適應(yīng)學習系統(tǒng)模型的研究一直都是研究者關(guān)注的熱點。

（一）自適應(yīng)學習的源起

技術(shù)賦能的教學肇始于早期的教學機器（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、分數(shù)和教學的設(shè)備”的文章，介紹了他發(fā)明的教學機器。普雷西的教學機器包含測試和教學兩種模式，該教學機器可以在測試模式下自動記錄正確測試的數(shù)目，也可以在教學模式下讓學生不斷地做出選擇，直到答對之后進入下一個題目[7]。然而，由于當時的社會條件等各方面限制，普雷西的教學機器并未引起廣泛的關(guān)注。

較之于普雷西的教學機器，斯金納（B. F. Skinner）的教學機器更強調(diào)教學而不只是測試，強調(diào)學生對問題進行作答而不是簡單的多項選擇，強調(diào)問題之間的關(guān)聯(lián)而不僅是及時反饋[8]。斯金納的程序教學將教學機器作為其教學方法，并從行為主義理論的視角對其進行了論證[9]，他的程序教學融入了當時關(guān)于學習過程的理論，如及時反饋、強化、自定步調(diào)、小步子和低錯誤率等原則[10]。然而，斯金納的教學機器是一種直線式程序，無論學生的回答正確或錯誤，只向其提供正確的答案以強化正確反應(yīng)[11]。線性程序中使用的學習模型是一個條件模型，它假定行為上的改變即為學習，并且可以像訓練動物一樣通過誘導(dǎo)和獎勵使其行為發(fā)生改變，認為學生只學習那些可以給予獎勵練習的反應(yīng)[12]。因此，斯金納的程序教學或教學機器對學生錯誤的反應(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，為學生的錯誤反應(yīng)提供個性化的學習路徑，包含關(guān)于錯誤反應(yīng)的附加內(nèi)容和解釋[13]。克勞德這種早期的思想后來發(fā)展成了我們所說的“自適應(yīng)”，他認為自適應(yīng)程序通常與計算機設(shè)備相結(jié)合，可以根據(jù)學生的多種特征和反應(yīng)分析學生的行為并對未來學習進行安排[14]。誠然，早在手工制作教學機器的時代就已經(jīng)孕育了自適應(yīng)學習的幼芽。

20世紀90年代，隨著計算機技術(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)學習系統(tǒng)開始出現(xiàn)，代表性的有InterBook。自適應(yīng)學習系統(tǒng)是程序教學在新興技術(shù)和學習理論下的新發(fā)展，其中，計算機技術(shù)、人工智能以及建構(gòu)主義學習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

標準化的模型在自適應(yīng)學習系統(tǒng)中扮演著重要角色，是大多數(shù)自適應(yīng)學習系統(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)學習系統(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)域模型主要包含學習目標和主題領(lǐng)域概念層次結(jié)構(gòu)，對于學習目標層次結(jié)構(gòu)中指定的每個學習目標，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)域獨立的，它影響著資源選擇的類型、用戶學習的速度等;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，由一組教學策略和規(guī)則組成。為了實現(xiàn)適應(yīng)性，自適應(yīng)模型會運用教學策略和規(guī)則，根據(jù)用戶模型中的目標和需求從領(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)學習系統(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)”學習系統(tǒng)模型。例如：Dexter 模型是對20世紀90年代初期諸多超文本系統(tǒng)進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準和參考[23]，為自適應(yīng)學習系統(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)，由運行時層、存儲層和組件內(nèi)層構(gòu)成。運行時層關(guān)注于內(nèi)容的呈現(xiàn)，并且描述用戶與超文本的交互機制，獲取用戶數(shù)據(jù);組件內(nèi)層包含超文本節(jié)點的內(nèi)容和結(jié)構(gòu);存儲層關(guān)注組件之間的鏈接機制，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、存儲層和運行時層，并規(guī)定它們之間的溝通機制。AHAM（Adaptive Hypermedia Application Model）[22]對Dexter模型進行了擴展以實現(xiàn)自適應(yīng)，即將存儲層擴展為領(lǐng)域模型、用戶模型和教學模型。教學模型由一系列教學規(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)具體需求進行功能擴充。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引入了目標和約束層，“目標”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，即學生當前的知識狀態(tài)和學習偏好。其中，當前的知識狀態(tài)由學生“閱讀文檔”“做測試”“做練習”等一系列學習行為和學生的初始知識狀態(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洚敿夹g(shù)專家這一難題，幫助開發(fā)者進行領(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的擴展模型。會話層提供管理自適應(yīng)學習系統(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)域模型進行改進。資源層存儲與領(lǐng)域模型中內(nèi)容對象有關(guān)的學習資源。ALEM（Adaptive Learning Environment Model）[17]基于Munich模型的三層架構(gòu)，對它的功能進行了擴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：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)學習系統(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)部的運行過程關(guān)注較少[27]。鑒于已有自適應(yīng)學習系統(tǒng)模型在此方面的局限性，本文將研制一種自適應(yīng)學習系統(tǒng)動力模型（Adaptive Learning System Dynamic Model， ALSDM），致力于對自適應(yīng)學習系統(tǒng)的動力來源和內(nèi)部運行機制進行深度剖析。

三、自適應(yīng)學習系統(tǒng)動力機制

基于自適應(yīng)逆控制理論，研制了自適應(yīng)學習系統(tǒng)的動力模型，并以此為基礎(chǔ)，闡釋自適應(yīng)學習系統(tǒng)的內(nèi)部動力機制。

（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[29]。美國斯坦福大學教授伯納德·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。這種誤差反饋機制促使系統(tǒng)不斷地進行優(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，從而達到一種相對穩(wěn)定的狀態(tài)。

（二）自適應(yīng)學習系統(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)的學習者的學習目標、學習引擎、學習路徑和學習效果模塊。學習引擎可由傳統(tǒng)自適應(yīng)學習系統(tǒng)的三大功能構(gòu)件組成，即領(lǐng)域模型、學習者模型和自適應(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)學習系統(tǒng)模型形成ALSDM模型（如圖2所示），旨在揭示自適應(yīng)學習系統(tǒng)的內(nèi)部運行過程，闡明其動力機制。

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

如圖2所示，自適應(yīng)學習系統(tǒng)的運行過程主要包括以下幾個階段：首先，學習者根據(jù)個人興趣或?qū)W習需要選擇一個學習目標進行學習，自適應(yīng)引擎根據(jù)領(lǐng)域模型以及學習者模型中該學習者的知識狀態(tài)圖譜判斷其是否具備達到此學習目標的能力，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)性學習內(nèi)容，并建議其進行學習。接著，學習引擎再次進行判斷，如果學習者選擇的學習目標符合其當前的能力狀態(tài)，則自適應(yīng)引擎在領(lǐng)域模型、學習者模型和自適應(yīng)模型三者作用下向?qū)W習者推薦適切的學習路徑及相應(yīng)的學習內(nèi)容和學習資源供其學習。在學習者學習完成后，認知診斷模型將對其學習效果進行精準測量，并將測量結(jié)果更新到學習者模型中以便為后續(xù)學習路徑推薦提供依據(jù)。最后，學習引擎判斷學習者的學習效果是否達到了學習目標的要求，如果沒有達到，則重新激活自適應(yīng)引擎并向?qū)W習者推薦此學習目標中掌握薄弱的相關(guān)內(nèi)容組成學習路徑，對癥下藥，進行精準補救。此時，學習路徑中有可能僅涉及一個知識點（學習者掌握薄弱的知識點），這個過程一直持續(xù)到學習者達到該學習目標的要求為止。

（三）動力生成與消退機制

學習目標與學習效果之間的差值為自適應(yīng)學習系統(tǒng)提供動力（如圖3所示）。自適應(yīng)學習系統(tǒng)在此動力驅(qū)動下向使得學習目標與學習效果偏差為零的方向運動，最終使得動力逐漸消退，達到偏差為零的穩(wěn)定狀態(tài)。因此，自適應(yīng)學習系統(tǒng)動力機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，學習者自主選擇學習目標產(chǎn)生初始動力（對應(yīng)圖3中時間為0的狀態(tài)），此時學習者尚未開始學習，學習效果與學習目標之間的差值最大，即動力最強;第二，在學習過程中，認知診斷不斷測量學習效果，通過學習效果與學習目標比較產(chǎn)生動力，驅(qū)動自適應(yīng)學習系統(tǒng)向偏差為零的穩(wěn)定狀態(tài)運動。（2）動力消退是指當學習系統(tǒng)存在動力（學習目標與學習效果的偏差不為零）時，該動力促使學習引擎動態(tài)調(diào)整學習路徑和學習內(nèi)容，使學習效果逐漸趨近于所期望的學習目標。隨著學習過程的持續(xù)進行，學習目標與學習效果之間的偏差逐漸縮小，系統(tǒng)動力逐漸消退，最終達到偏差為零的穩(wěn)定狀態(tài)，系統(tǒng)動力完全消失。學習系統(tǒng)推送的定制化學習路徑和學習內(nèi)容契合了特定學習者的認知狀態(tài)和個體特征。因此，自適應(yīng)學習系統(tǒng)在動力消退的同時，也提升了學習效果。

四、動力機制視角下的系統(tǒng)模型設(shè)計

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

（一）領(lǐng)域模型：以何適應(yīng)

領(lǐng)域模型是學習系統(tǒng)動力生成與消退的基礎(chǔ)。在學習系統(tǒng)運行前，領(lǐng)域模型為學習者提供學習目標，學習者選擇期望達到的學習目標，此行為直接促發(fā)了學習系統(tǒng)的初始動力。在學習系統(tǒng)運行過程中，學習引擎適應(yīng)性地選擇領(lǐng)域模型中的知識點、學習內(nèi)容和學習活動等構(gòu)成個性化學習路徑并向?qū)W習者推送，此行為促使學習效果不斷提升，學習目標與學習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)系的學習目標和知識點的集合，為自適應(yīng)學習系統(tǒng)提供資源內(nèi)容基礎(chǔ)。領(lǐng)域知識建模是在學科領(lǐng)域?qū)＜业膸椭聦W科內(nèi)容進行學習目標和知識點劃分，并確定學習目標和知識點之間的關(guān)系，形成有機的領(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)域知識進行建模。

元數(shù)據(jù)層表示學習目標和知識點在領(lǐng)域中的位置信息，如所屬課程、章節(jié)信息。知識層主要由學習目標和知識點構(gòu)成，是領(lǐng)域模型的核心部分。知識點是最小的知識微粒，具有原子屬性，不可再分。知識點之間存在各種關(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)性較高的知識點聚合為知識群以構(gòu)成學習目標，不同的學習目標可能包含相同的知識點。資源層包括學習內(nèi)容、學習活動和測試題集。根據(jù)成分顯示理論，知識點可以分為事實性、概念性、過程性和原理性四類，對于不同類目的知識點設(shè)置相應(yīng)的學習內(nèi)容和學習活動，并且在學習完一個學習目標之后，學習系統(tǒng)采用適切的測試題集對學習效果進行診斷。

（二）學習者模型：依何適應(yīng)

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

個性化學習服務(wù)的質(zhì)量很大程度上依賴于學習者模型的特性，如數(shù)據(jù)完整性和準確性等[31]。學習者模型中常見的屬性有學習目標、偏好和知識等[32]。本文將其歸納為學習者的知識狀態(tài)和學習風格（或?qū)W習偏好）兩個維度。知識狀態(tài)決定提供給學習者學習內(nèi)容的難易程度。學習風格決定學習內(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習者知識狀態(tài)建模方法，它將學習者的知識狀態(tài)看作領(lǐng)域知識的子集，學習者學習的過程即是對領(lǐng)域知識的覆蓋過程。Felder-Silverman學習風格模型整合了榮格心理類型理論以及Kolb學習風格模型等，從信息的感知、輸入、加工和理解四個維度將學習者分為16種學習風格偏好[33]?；诟采w模型和Felder-Silverman學習風格模型，本研究提出一種分層學習者模型。

分層學習者模型包括知識狀態(tài)和學習風格兩層。第一層為學習者的知識狀態(tài)圖譜，學習者可以直觀地查看個體當前的學習狀態(tài)，如哪些知識點已經(jīng)學習過、哪些未學習、學習過的知識掌握的程度如何（由認知診斷測得）等。學習者的知識狀態(tài)會隨著其學習進程的進行發(fā)生動態(tài)變化，學習者模型也將在認知診斷系統(tǒng)對學習者知識狀態(tài)的進一步診斷后進行更新，以便為后續(xù)的學習路徑推薦服務(wù)。第二層為學習者的學習風格類別，學習風格是一種認知、情感和生理特征，是學習者如何對環(huán)境進行感知和交互的相對穩(wěn)定的指標[34]。自適應(yīng)學習系統(tǒng)中適當?shù)乜紤]學習者的學習風格，有助于提高學習者表現(xiàn)[35]。學習風格的獲取一般有三種方式：（1）顯性獲取，直接通過問卷讓學習者填寫;（2）隱性獲取，通過學習分析和數(shù)據(jù)挖掘技術(shù)對學習者的學習行為數(shù)據(jù)進行解析，從而挖掘其潛在的學習風格（此方法在學習數(shù)據(jù)較少時，準確性較差）;（3）混合獲取，先采用直接問卷的方法獲得學習者的學習風格，當學習者產(chǎn)生一定數(shù)量的學習數(shù)據(jù)之后，再運用數(shù)據(jù)挖掘技術(shù)對之前的結(jié)果進行修正[36]。顯性獲取較為簡單，但受學習者情緒和態(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)量學習數(shù)據(jù)的情況;混合獲取方法則彌補了兩者的不足。

（三）認知診斷：精準測量

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

如何對學習效果進行更加精準地度量，更加真實地表征學習者的知識狀態(tài)？這是實現(xiàn)精準教學的核心[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，學習者的分數(shù)通常由其在某一連續(xù)體中的位置決定，如學習者相對于其他學習者或某個特定的標準。這種宏觀的評價信息難以幫助設(shè)計針對性的教學干預(yù)和個性化的補救措施[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，而是想要了解學習者對具體某個知識點的掌握情況[39]。認知診斷是現(xiàn)代心理測量理論和認知心理學的產(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技能[38]。認知診斷可以了解學習者哪些知識點掌握了、哪些沒有掌握，進而向?qū)W習者推送適切的學習路徑和資源，優(yōu)化學習過程。目前，比較有代表性的認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)認知診斷模型，能夠提供良好的模型擬合。它通過分析學習者測試題目的作答情況和試題所需掌握的知識點，進而估計學習者對知識點的掌握情況。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，行表示測試題目以及所考察的知識點，Q矩陣是一個由0和1構(gòu)成的二值矩陣。第二步，通過測試得到學生的真實反應(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生掌握模式，即學習者當前的知識狀態(tài)。DINA模型估算的學習者知識掌握情況（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模型可以估算出學習者對每個知識點的掌握概率[41]。因此，學習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，表示學生對每個知識點的掌握程度，從而更加精準地描繪學習者對知識點的掌握情況。

（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)整學習路徑及其對應(yīng)的學習內(nèi)容、學習活動等，減少學習系統(tǒng)的動力，是實現(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行推薦，主要思想是過去選擇相似知識點和學習資源的學習者，在未來他們可能選擇相同的知識點和資源[42]。因此，協(xié)同過濾主要通過分析相鄰學習者（即最為相似的學習者）的學習內(nèi)容，從而向目標學習者推薦與其相同的知識點和資源。然而，協(xié)同過濾存在“冷啟動”的缺點?；趦?nèi)容的推薦是向?qū)W習者推薦與當前相似的知識點和資源[43]，該策略的重點是對學習內(nèi)容進行多維建模?；谥R的推薦通常使用本體對領(lǐng)域知識和學習者進行表示，之后將學習者映射到相關(guān)的領(lǐng)域知識中[44]。由于領(lǐng)域知識內(nèi)部知識點關(guān)系的復(fù)雜性以及學習者特征（知識水平、學習偏好、學習活動和所處情境等）的多維性，本體構(gòu)建通常面臨巨大困難?；旌贤扑]是協(xié)同使用以上三種策略進行學習內(nèi)容推薦，旨在組合各自優(yōu)勢，克服各種推薦策略的不足。

為了實現(xiàn)動力的消退，要針對學習者掌握薄弱的知識點進行精準推送，提升學習效果。研究將采用混合推薦策略，從知識點自身的關(guān)系結(jié)構(gòu)和相似學習同伴兩方面進行學習路徑推薦。其一，基于知識點邏輯結(jié)構(gòu)的推薦，即根據(jù)領(lǐng)域知識模型中知識點內(nèi)在的邏輯關(guān)系以及學習者模型中學習者的知識狀態(tài)和學習風格，向?qū)W習者推薦達到某一學習目標所需的具有前驅(qū)后繼關(guān)系或平行關(guān)系的知識點序列及相應(yīng)的學習內(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，基于相似學習同伴的推薦，即采用類似于協(xié)同過濾推薦的策略，以目標學習者的知識狀態(tài)和學習風格構(gòu)造向量模型，尋找與其空間距離最近的優(yōu)秀學習同伴，并將其學習路徑推薦給目標學習者。兩種推薦策略協(xié)同使用，可以滿足學習者個性化的學習需求，優(yōu)化學習體驗。

五、結(jié)? ?語

自適應(yīng)學習系統(tǒng)旨在為學習者定制個性化的學習內(nèi)容，優(yōu)化學習體驗，提升學習效果。自適應(yīng)學習系統(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)學習系統(tǒng)模型的層狀架構(gòu)對系統(tǒng)內(nèi)部運行過程關(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)學習系統(tǒng)動力模型。同時，文章借助學習系統(tǒng)模型的運行過程闡釋了自適應(yīng)學習系統(tǒng)的動力機制，即自適應(yīng)學習系統(tǒng)動力的生成與消退過程。為了更加精準地掌握學習者的知識狀態(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)學習系統(tǒng)四大核心功能要素。最后，研究從動力機制的視角設(shè)計了自適應(yīng)學習系統(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闡述了自適應(yīng)學習系統(tǒng)的動力機制。后續(xù)，我們將依據(jù)研制的模型進行自適應(yīng)學習系統(tǒng)的開發(fā)工作，并進行實證研究，采用基于設(shè)計的研究方法，針對實證研究中存在的問題對模型進行多輪迭代與優(yōu)化。

[參考文獻]

[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)與教學改革[J].教育科學研究，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習空間[J].開放教育研究，2016，22（1）：18-26，49.

[6] 彭紅超，祝智庭.人機協(xié)同決策支持的個性化適性學習策略探析[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.