羅 純， 楊 晗， 李海雯，2， 紀(jì)晨然

(1. 上海應(yīng)用技術(shù)大學(xué) 理學(xué)院， 上海 201418； 2. 捷孚凱市場咨詢有限公司， 上海 200040；3. 濟(jì)南大學(xué) 生物科學(xué)與技術(shù)學(xué)院， 濟(jì)南 250022)

隨著現(xiàn)代信息技術(shù)的飛速進(jìn)步，人工智能時代已悄然而至。人工智能已逐漸滲透到社會的各個領(lǐng)域，如：金融、安保、零售、交通、教育等領(lǐng)域，無人駕駛、無人超市、智能機(jī)器人、AlphaGo、面部識別、智能音箱、人臉支付等已經(jīng)走進(jìn)人們的工作、學(xué)習(xí)和生活。人工智能在社會生活、工作方式甚至經(jīng)濟(jì)結(jié)構(gòu)等多個領(lǐng)域引起了深刻變革并將持續(xù)在未來的全球發(fā)展中起到舉足輕重的作用。在國際范圍內(nèi)，人工智能引起了廣泛關(guān)注，并被多個國家提升為國家戰(zhàn)略，并出臺了相關(guān)政策和規(guī)劃，力爭搶占科技的制高點(diǎn)。

百年大計，教育為本。教育作為民族復(fù)興、社會進(jìn)步的基石，一直是我國優(yōu)先發(fā)展的行業(yè)。為推動教育智能化，我國在教育財政投入方面與教育科技政策方面雙管齊下。據(jù)國家統(tǒng)計局統(tǒng)計顯示，自2012年以來我國財政性教育經(jīng)費(fèi)支出在GDP中所占比例連續(xù)7年保持在4%以上。

數(shù)據(jù)挖掘、云計算、移動計算、人工智能等新技術(shù)的廣泛應(yīng)用，為教育服務(wù)的發(fā)展帶來了全新的技術(shù)環(huán)境，人們需要綜合考慮了學(xué)習(xí)者的認(rèn)知水平、情感因素、學(xué)習(xí)動機(jī)、個性差異、學(xué)習(xí)風(fēng)格等因素影響的個性化、智能化教育服務(wù)。技術(shù)正推動著教育行業(yè)向著更加靈活、便捷、高效以及個性化的方向發(fā)展，新一輪教育科技革命和教育產(chǎn)業(yè)變革正在興起。可以預(yù)見，在國家“互聯(lián)網(wǎng)+”的戰(zhàn)略推動下，物聯(lián)網(wǎng)、云計算、數(shù)據(jù)挖掘、人工智能等信息技術(shù)的快速發(fā)展以及在教育中的廣泛應(yīng)用將為人工智能自適應(yīng)教育的發(fā)展帶來難得的歷史發(fā)展機(jī)遇。

基于時代大背景下，本文闡述了數(shù)據(jù)挖掘技術(shù)在人工智能自適應(yīng)教育中的主要應(yīng)用并結(jié)合相關(guān)教育學(xué)、心理學(xué)理論，利用數(shù)據(jù)挖掘技術(shù)，構(gòu)建多元線性回歸模型，根據(jù)個體學(xué)習(xí)風(fēng)格匹配最優(yōu)學(xué)習(xí)策略，定制個性化學(xué)習(xí)方案。

1 研究概述

人工智能的2大核心是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘，而數(shù)據(jù)挖掘技術(shù)誕生至今，一直受到各行各業(yè)的廣泛關(guān)注。隨著計算機(jī)技術(shù)的飛速發(fā)展和廣泛應(yīng)用,如何對累積的海量數(shù)據(jù)信息進(jìn)行統(tǒng)計分析、利用及決策成為了迫切需要解決的問題。正是數(shù)據(jù)挖掘技術(shù)的出現(xiàn)解決了海量數(shù)據(jù)的有效利用這一難題。人工智能自適應(yīng)教育的基本步驟可以概括為：搜集大數(shù)據(jù)——構(gòu)建學(xué)習(xí)模型——輸出學(xué)習(xí)建議。

圖1 人工智能自適應(yīng)教育系統(tǒng)基本原理

在流程中，構(gòu)建學(xué)習(xí)模型的過程最為復(fù)雜，需要從成千上萬個相互連接的函數(shù)點(diǎn)中用數(shù)據(jù)挖掘方法找出其中的學(xué)習(xí)規(guī)則。這個過程的最大的難點(diǎn)之一就在于海量數(shù)據(jù)的處理和分析，而對大量數(shù)據(jù)的處理正離不開數(shù)據(jù)挖掘技術(shù)。因此在人工智能自適應(yīng)教育領(lǐng)域，數(shù)據(jù)挖掘技術(shù)展現(xiàn)出較強(qiáng)的優(yōu)勢性。

2 研究設(shè)計

人工智能自適應(yīng)教育的要求是自適應(yīng)教育系統(tǒng)擁有歸納及推理能力，可以大量定制個性化的學(xué)習(xí)方案。本模型將根據(jù)學(xué)生的個人學(xué)習(xí)行為及學(xué)習(xí)成果，為不同學(xué)習(xí)風(fēng)格生成匹配合適的學(xué)習(xí)策略，生成個性化學(xué)習(xí)方案。

2.1 數(shù)據(jù)準(zhǔn)備

本模型根據(jù)不同學(xué)生的不同學(xué)習(xí)行為及學(xué)習(xí)成果，輸出個性化的學(xué)習(xí)方案，分析對象為學(xué)生，所需的數(shù)據(jù)為學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)策略以及學(xué)習(xí)成果。學(xué)習(xí)風(fēng)格是指不同學(xué)習(xí)者在學(xué)習(xí)過程中因每個個體差異化的個性特點(diǎn)、學(xué)習(xí)偏好，思維模式，知識接受能力，分析能力等因素表現(xiàn)出的帶有個體特征的學(xué)習(xí)方式。從不同維度出發(fā)，所得到的學(xué)習(xí)風(fēng)格的類型也是截然不同的。目前已有70多種學(xué)習(xí)風(fēng)格被研究出來[1]。本文將采用由Richard M. Felder和Barbara A. Soloman設(shè)計的Felder-Silverman學(xué)習(xí)風(fēng)格問卷[2](所羅門學(xué)習(xí)風(fēng)格量表)來收集學(xué)習(xí)風(fēng)格數(shù)據(jù)。該問卷從信息加工、信息感知、信息輸入以及信息理解4個維度測量學(xué)生的學(xué)習(xí)風(fēng)格。每個維度設(shè)計了11個問題，共計44個問題；每個問題有2個選項，分別考查每個維度的2種類型，共計8種類型16種風(fēng)格。將每個問題的答案以1和0表示，即選擇此項記為1，否則為0。

學(xué)習(xí)策略定義是學(xué)習(xí)者在學(xué)習(xí)活動中有效學(xué)習(xí)的程序規(guī)則、方法技巧及調(diào)控方式。學(xué)習(xí)成果則是學(xué)習(xí)者通過學(xué)習(xí)活動所得到的知識及感悟。本模型選取了復(fù)述策略、組織策略、元認(rèn)知策略、監(jiān)視策略、調(diào)節(jié)策略、資源管理策略、學(xué)習(xí)環(huán)境管理、努力管理、多向互動八個學(xué)習(xí)策略作為觀察對象，針對每個策略設(shè)計了8個問題，每個問題都有很不符合、較不符合、不確定、較符合、很符合5個選項，分別對應(yīng)1～5分，統(tǒng)計每個策略下8個問題的總分作為該策略得分。

學(xué)習(xí)成果的最直觀的表現(xiàn)為學(xué)習(xí)成績，因此將學(xué)習(xí)成績作為評估學(xué)習(xí)成果的標(biāo)準(zhǔn)。本模型將以學(xué)習(xí)者在班級內(nèi)的排名為標(biāo)準(zhǔn)計算其學(xué)習(xí)成果。問卷上將班級排名這一問題分為了5個選項，A: top 5%，在模型計算中假設(shè)成績?yōu)?5分; B:top 20%，在模型計算中對應(yīng)成績?yōu)?5分；C: top 50%，對應(yīng)成績?yōu)?5；D: top 70%，模對應(yīng)成績?yōu)?5分；E:其他，對應(yīng)成績?yōu)?5分。

2.2 數(shù)據(jù)處理

根據(jù)Felder-Silverman學(xué)習(xí)風(fēng)格問卷評定規(guī)則，計算每種風(fēng)格總分，并將同一維度下的系數(shù)較大的風(fēng)格作為測試者在本維度下的學(xué)習(xí)風(fēng)格，并將2項之差作為風(fēng)格系數(shù)，系數(shù)越高，風(fēng)格越強(qiáng)烈。評定所以答卷者的學(xué)習(xí)風(fēng)格，整理學(xué)習(xí)策略調(diào)查問卷，將同一策略下的問題得分相加，計算出每個策略的得分情況。對學(xué)習(xí)策略統(tǒng)計表進(jìn)行Z-score標(biāo)準(zhǔn)化處理，以消除量綱單位的影響，解決數(shù)據(jù)指標(biāo)之間的可比性[3]。

2.3 模型建立[4]

將學(xué)習(xí)策略設(shè)為解釋變量Xi，學(xué)習(xí)成績設(shè)為因變量Y，變量說明如下表：

表1 變量說明

構(gòu)建多元線性回歸模型：

Y=b0+b1X1+b2X2+b3X3+…+b9X9+ε

(1)

式中：b1，b2，…，b9分別為X1，X2，…，X9對成績Y的回歸系數(shù);b0為常數(shù)項，表示為不可預(yù)測的隨機(jī)誤差。

2.4 模型求解

根據(jù)問卷結(jié)果，將學(xué)習(xí)策略得分及對應(yīng)的學(xué)習(xí)成績輸入SAS做回歸分析，結(jié)果如表2～4所示。

表2 回歸統(tǒng)計

由表2～4可得出如下多元線性回歸方程：

Y=46.04+3.03X1+3.19X2+3.47X3+2.65X4+2.01X5-1.56X6+2.88X7+3.27X8+2.61X9

對各變量回歸系數(shù)可得知，學(xué)習(xí)策略對學(xué)習(xí)成績的提升程度排序為：元認(rèn)知策略> 努力管理> 組織策略> 復(fù)述策略> 學(xué)習(xí)環(huán)境管理> 監(jiān)視策略> 多向互動> 調(diào)節(jié)策略> 資源管理策略。

2.5 模型檢驗

由表2可知，該模型判定系數(shù)為RSquare=89.67%，即學(xué)習(xí)成績變動的原因有89.67%可以由學(xué)習(xí)策略來因素來解釋，只有10.33%的因素屬于隨機(jī)變動誤差，因此認(rèn)為該模型擬合優(yōu)度較高。且由表3知，棄真概率P=3.23E-035<0.01，故置信度達(dá)99%以上。

表3 方差分析

根據(jù)表4可知，除了調(diào)節(jié)策略X5和資源管理策略X6，復(fù)述策略、組織策略、元認(rèn)知策略、監(jiān)視策略、學(xué)習(xí)環(huán)境管理、努力管理和多向互動的檢驗統(tǒng)計量都大于t，均對學(xué)習(xí)成績有顯著影響。

表4 回歸系數(shù)及回歸系數(shù)顯著性檢驗

將在數(shù)據(jù)表中隨機(jī)抽取的未參與模型建立的數(shù)據(jù)代入線性回歸方程中計算結(jié)果，并將預(yù)測結(jié)果與實際結(jié)果相對比，以測試模型準(zhǔn)確性。

由表5可知，應(yīng)用模型輸出的結(jié)果與實際成績之間的誤差較小，擬合度較高，認(rèn)為該模型較為可靠，可以應(yīng)用于實際預(yù)測中。

表5 學(xué)習(xí)策略模型檢驗結(jié)果

3 結(jié)果與分析

3.1 成功學(xué)習(xí)者學(xué)習(xí)風(fēng)格偏好

樣本中成功學(xué)習(xí)者(學(xué)習(xí)成績在85分及以上)共計46個，統(tǒng)計不同風(fēng)格的成功學(xué)習(xí)者對學(xué)習(xí)策略的偏好。根據(jù)學(xué)習(xí)者學(xué)習(xí)策略測量問卷，將每個學(xué)習(xí)者的各項策略得分以各項得分占其總分比例的形式表示，以使數(shù)據(jù)具有更強(qiáng)的可比性及關(guān)聯(lián)性。將學(xué)習(xí)風(fēng)格表示為其維度系數(shù)，該維度下學(xué)習(xí)風(fēng)格越強(qiáng)烈，維度系數(shù)就越高。每個維度下的A型用正數(shù)表示，B型用負(fù)數(shù)表示。計算學(xué)習(xí)風(fēng)格與學(xué)習(xí)類型間的相關(guān)系數(shù)，相關(guān)系數(shù)越接近于0，說明相關(guān)性越小；相關(guān)系數(shù)為正，則說明該學(xué)習(xí)策略與該維度學(xué)習(xí)風(fēng)格的A型相關(guān)，反之則與B型相關(guān)。

表6 相關(guān)系數(shù)

圖2 學(xué)習(xí)風(fēng)格與策略匹配方案

3.2 學(xué)習(xí)策略匹配方案

根據(jù)回歸模型得出的學(xué)習(xí)策略對成績提升程度排名，剔除掉對成績影響較不顯著的調(diào)節(jié)策略與資源管理策略，結(jié)合不同類型學(xué)習(xí)者偏好的學(xué)習(xí)風(fēng)格，可為16種不同類型的學(xué)習(xí)者16種設(shè)計如下學(xué)習(xí)策略匹配方案[5-11]。

4 結(jié) 語

本文從人工智能自適應(yīng)教育的實用性角度出發(fā)，基于數(shù)據(jù)挖掘方法為信息感知、輸入、接受、理解4個維度下的16種學(xué)習(xí)風(fēng)格匹配了最優(yōu)學(xué)習(xí)策略作為參考，在一定程度上可以滿足學(xué)習(xí)者的個性化學(xué)習(xí)需求。同時，學(xué)習(xí)風(fēng)格與學(xué)習(xí)策略作為學(xué)習(xí)者的個體差異，人們從不同的研究角度、使用不同的研究方法提出了不同的劃分方式，本文僅采取了應(yīng)用較廣的2種理論，但該研究方法或許同樣適用于匹配其他理論的學(xué)習(xí)風(fēng)格與策略。

展望未來，我們期望可以將人工智能、數(shù)據(jù)挖掘以及虛擬現(xiàn)實等技術(shù)相結(jié)合，搭建一套智能教育驅(qū)動系統(tǒng)以輔助教學(xué)，實現(xiàn)個性化課程、自適應(yīng)教學(xué)、學(xué)習(xí)習(xí)慣及方法養(yǎng)成、智能監(jiān)督等功能，將現(xiàn)代化技術(shù)應(yīng)用到教育工作中的方方面面，使得教育更加智能化； AI與教育的結(jié)合教育成為必然趨勢，智慧教育驅(qū)動未來。希望本文關(guān)于人工智能自適應(yīng)教育的基礎(chǔ)研究和理論部分能夠延伸到教育工作中，使得理論和應(yīng)用能夠更好結(jié)合。