摘" 要" 基于認(rèn)知計算挖掘和分析學(xué)習(xí)過程數(shù)據(jù)，自適應(yīng)地推薦學(xué)習(xí)資源與路徑，實現(xiàn)精準(zhǔn)教學(xué)與個性化學(xué)習(xí)，有助于學(xué)生擺脫信息迷航，提升在線學(xué)習(xí)體驗。根據(jù)已有的自適應(yīng)學(xué)習(xí)系統(tǒng)和認(rèn)知計算研究，以自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)構(gòu)模型為切入點，構(gòu)建面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)構(gòu)模型，利用模型構(gòu)建和分析方法，探討面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)系統(tǒng)的運行機(jī)制和人機(jī)交互過程，闡述面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)系統(tǒng)環(huán)境對個性化學(xué)習(xí)及認(rèn)知與思維的影響，以期實現(xiàn)認(rèn)知計算推動自適應(yīng)學(xué)習(xí)系統(tǒng)研究的發(fā)展。

關(guān)鍵詞" 認(rèn)知計算；智能自適應(yīng)學(xué)習(xí)系統(tǒng)；個性化學(xué)習(xí)；深

度學(xué)習(xí)；CCIALS

中圖分類號：G434" " 文獻(xiàn)標(biāo)識碼：B

文章編號：1671-489X（2024）14-0050-05

0" 引言

一些研究者致力于利用計算機(jī)編程技術(shù)檢測學(xué)生當(dāng)前的學(xué)習(xí)水平，利用預(yù)先設(shè)定的機(jī)器學(xué)習(xí)算法和規(guī)則分析認(rèn)知能力、學(xué)習(xí)風(fēng)格、知識水平等，采用基于內(nèi)容、項目、協(xié)同過濾等推薦方式，給予基于規(guī)則、產(chǎn)品、非生成性的反饋，部分系統(tǒng)實現(xiàn)測量、收集、分析、報告關(guān)于學(xué)生的數(shù)據(jù)，然后由教師根據(jù)分析結(jié)果和特征等對學(xué)生進(jìn)行適當(dāng)干預(yù)?；谧赃m應(yīng)學(xué)習(xí)、學(xué)習(xí)分析技術(shù)和方法，創(chuàng)設(shè)智能自適應(yīng)學(xué)習(xí)環(huán)境，而認(rèn)知計算（Cognitive Computing，CC）是能擺脫人干預(yù)的自行解決復(fù)雜問題的計算模式，通過信息分析、自然語言處理和機(jī)器學(xué)習(xí)領(lǐng)域的技術(shù)創(chuàng)新，使系統(tǒng)像人腦一樣思考和學(xué)習(xí)，作出正確決策。本研究從人工智能視角，論述自適應(yīng)學(xué)習(xí)和認(rèn)知計算相關(guān)研究，提出面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)系統(tǒng)（Cognitive Computing-orient Intelligent Adaptive Learning System，CCIALS）模型，從模型構(gòu)建、實現(xiàn)機(jī)制和學(xué)習(xí)交互等方面創(chuàng)設(shè)新的智能自適應(yīng)學(xué)習(xí)環(huán)境，探討新環(huán)境對個性化學(xué)習(xí)研究的思考與啟示。

1" 相關(guān)研究

1.1" 自適應(yīng)學(xué)習(xí)系統(tǒng)

自適應(yīng)學(xué)習(xí)平臺包括WileyPLUS、LearnSmart、Quantum、Pearson、Navigate、Knewton、Cerego、DreamBox、Adapt Courseware、KNOWILLAGE、CogBooks、LoudCloud Initiative、RealizeIT、Open Learning、Smart Sparrow、ALEKS等。Smart"Sparrow在線課程嵌入大量模擬實驗，實現(xiàn)學(xué)生邊做邊學(xué)，根據(jù)算法處理在線學(xué)習(xí)行為，在互動和反饋中修正課程設(shè)計[1]；Cerego全程跟蹤學(xué)習(xí)進(jìn)度、難易程度和知識點掌握情況，利用數(shù)字儀表盤呈現(xiàn)測評結(jié)果，達(dá)成知識管理和知識記憶等目標(biāo)[1]；Knewton借助心理測量模型和貝葉斯網(wǎng)絡(luò)等概率模型評估學(xué)生知識狀態(tài)，基于學(xué)科知識圖譜推薦學(xué)習(xí)路徑[2]；DreamBox跟蹤學(xué)生行為記錄，利用機(jī)器學(xué)習(xí)算法提供自適應(yīng)學(xué)習(xí)內(nèi)容，培養(yǎng)學(xué)生數(shù)學(xué)理解能力[3]。

綜上，自適應(yīng)學(xué)習(xí)系統(tǒng)利用反饋幫助學(xué)生識別錯誤信念，感知誤解和不平衡，重新建構(gòu)知識，識別已學(xué)知識和水平，判斷學(xué)習(xí)進(jìn)程。

1.2" 認(rèn)知計算

認(rèn)知計算基于認(rèn)知科學(xué)和心理學(xué)等設(shè)計計算模型和決策制定機(jī)制，例如，AlphaGo核心是深度學(xué)習(xí)與強化學(xué)習(xí)，用于解決序列決策問題，實現(xiàn)深度學(xué)習(xí)設(shè)立的目標(biāo)，即通過策略、價值函數(shù)和模型調(diào)整環(huán)境的性能，解決人腦級別的任務(wù)。此外，利用事件驅(qū)動的神經(jīng)網(wǎng)絡(luò)突觸核和多線程引擎Compass配有創(chuàng)新性PGAS通信原語，實現(xiàn)神經(jīng)元之間通信和交流（即低水平思考）。Djurfeldt[4]提出構(gòu)建和創(chuàng)作高水平神經(jīng)突觸核網(wǎng)絡(luò)的正式語言，用于平行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)連接，可創(chuàng)造神經(jīng)網(wǎng)絡(luò)圖形表示，如鄰接矩陣。有學(xué)者結(jié)合觀點挖掘引擎和面部表情分類器判斷人類情感，實現(xiàn)Avatar利用面部表情、語言和身體姿勢等生成器創(chuàng)造共情反應(yīng)。認(rèn)知計算是來自人腦研究而得出的一系列技術(shù)，是人工智能和信號處理的結(jié)合，是一種模仿人腦處理信息并增強人類決策能力的技術(shù)[5]。

綜上，認(rèn)知計算包括神經(jīng)處理器硬件和軟件工具、算法和框架支持類人的數(shù)據(jù)分析，如機(jī)器學(xué)習(xí)算法建模人機(jī)交互過程，發(fā)現(xiàn)用戶社會感知行為模式?；诖髷?shù)據(jù)、高運行速率的服務(wù)器執(zhí)行運算算法，賦予認(rèn)知計算具有知道、思考和感覺的自主認(rèn)知能力，為自適應(yīng)學(xué)習(xí)系統(tǒng)模型構(gòu)建提供技術(shù)和理論支撐。

2" 面向認(rèn)知計算的CCIALS模型

2.1" 面向認(rèn)知計算的CCIALS模型構(gòu)建

自適應(yīng)學(xué)習(xí)系統(tǒng)發(fā)展空間包括：系統(tǒng)側(cè)重判定知識掌握程度，而大量“刷題”難以鍛煉學(xué)生深層次思考；材料呈現(xiàn)多是基于學(xué)生風(fēng)格和成績，從文本對話過程判定學(xué)生優(yōu)劣；利用編程和規(guī)則規(guī)約方式限制學(xué)習(xí)過程和課程路徑，不能有效解決信息迷航和知識負(fù)載問題；學(xué)習(xí)數(shù)據(jù)為粗粒度，忽略認(rèn)知參與、學(xué)習(xí)深度、高階思維、知識建構(gòu)能力等。而融入認(rèn)知計算的自適應(yīng)學(xué)習(xí)系統(tǒng)智能在于：自動診斷和提供個性化學(xué)習(xí)規(guī)劃，自主制定學(xué)習(xí)決策；根據(jù)情緒和學(xué)習(xí)參與給予適當(dāng)提示；性能上進(jìn)行快速非編程的加工處理，利用深度學(xué)習(xí)和強化學(xué)習(xí)算法學(xué)習(xí)學(xué)生痕跡；以獎懲方式分析學(xué)習(xí)效果，經(jīng)多次學(xué)習(xí)和訓(xùn)練，重新設(shè)定和學(xué)習(xí)模型的權(quán)重與閾值，直到學(xué)生學(xué)習(xí)效果達(dá)到最優(yōu)?；谧赃m應(yīng)學(xué)習(xí)系統(tǒng)參考模型[6]、DreamBox自適應(yīng)學(xué)習(xí)模型[7]、自適應(yīng)學(xué)習(xí)流程[8]以及認(rèn)知計算理念，構(gòu)建CCIALS模型，如圖1所示。

CCIALS模型包括適應(yīng)性模型、領(lǐng)域模型、教法模型、學(xué)生模型等，學(xué)生訪問內(nèi)容主要與領(lǐng)域知識對象或課程容器相關(guān)，經(jīng)統(tǒng)計分析知識水平、錯誤模型、元認(rèn)知能力、認(rèn)知特征、情感特征等數(shù)據(jù)，提供預(yù)測模型、學(xué)習(xí)活動測量或儀表盤信息。同時，學(xué)習(xí)引擎（包括自適應(yīng)引擎、推薦引擎、干預(yù)引擎等）為學(xué)生推薦適應(yīng)的內(nèi)容、路徑、序列、導(dǎo)航、評估等。教法模型用于深度模擬教師的教學(xué)過程和策略，持續(xù)地自學(xué)習(xí)和更新模型。CCIALS自學(xué)習(xí)的每步可能引起最終的全局計劃，不再獨立于過去經(jīng)驗，達(dá)成最大化目標(biāo)的新路徑。根據(jù)訓(xùn)練數(shù)據(jù)調(diào)整神經(jīng)元之間的鏈接權(quán)和閾值，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的內(nèi)容都放在連接權(quán)與閾值中，并且需要與強大的算法聯(lián)結(jié)起來，算法模型越復(fù)雜，它的解釋力就越強大。結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)是系統(tǒng)所需的訓(xùn)練樣本（包括學(xué)生正確回答率、用時、自信度、學(xué)習(xí)相似內(nèi)容的表現(xiàn)、對學(xué)習(xí)目標(biāo)的熟悉程度等多維度數(shù)據(jù)），通過訓(xùn)練模型，采用人工智能技術(shù)，轉(zhuǎn)化并輸出自適應(yīng)內(nèi)容（輸出學(xué)習(xí)材料，推送給學(xué)生）、測評（對學(xué)習(xí)材料的掌握情況的測評與反饋）、序列（學(xué)習(xí)材料中知識點的組織順序），實時地感知、思考、理解數(shù)據(jù)，經(jīng)長期訓(xùn)練和學(xué)習(xí)，智能系統(tǒng)可獲得認(rèn)知智能，精準(zhǔn)地提供適切、智能、個性化的推薦。

2.2" 面向認(rèn)知計算的CCIALS模型分析

深度學(xué)習(xí)最具吸引力的特點是學(xué)習(xí)能力，人工神經(jīng)網(wǎng)絡(luò)能學(xué)會它可以表達(dá)的任何事物，實現(xiàn)認(rèn)知計算抽象地處理和分析文字、概念、語義等；進(jìn)行知識表達(dá)、理解和學(xué)習(xí)等，能實現(xiàn)CCIALS各個模型互相協(xié)助，促進(jìn)學(xué)生深入且精準(zhǔn)地進(jìn)行個性化學(xué)習(xí)。

2.2.1" 領(lǐng)域模型

領(lǐng)域模型描述知識，旨在表現(xiàn)概念集合和概念的關(guān)系（主題之間的關(guān)聯(lián)），可采用知識圖譜（Knowledge Graph，KG）表達(dá)知識發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系（主體—關(guān)系—客體），即KG（C，R1，R2，R3，……，Rn），C是領(lǐng)域概念結(jié)點，Ri表示概念之間的第i個關(guān)系。例如：BT（a，b）指概念a屬于概念b（分層關(guān)系）；IRB（a，b）指a是b的必要條件（順序關(guān)系）；SO（a，b）指先學(xué)a再學(xué)b（順序關(guān)系）[9]。CCIALS用不同顏色標(biāo)注概念，如綠色表示已掌握，紅色表示未掌握，藍(lán)色表示當(dāng)前推薦，灰色表示未學(xué)。

2.2.2" 學(xué)生模型

學(xué)生模型用于建模學(xué)生當(dāng)前知識狀態(tài)，采用覆蓋模型、鉛版模型、攝動模型等建模方法。Elena等[10]提出多維認(rèn)知空間，即認(rèn)知位置由已學(xué)的知識對象決定，若課程位置由N個對象組成，則這個位置是N維向量P={xi}，i=1……N，xi是[0，1]，如四維認(rèn)知空間的四個對象A，B，C，D，四維向量P的位置P={xi}，i=1，2，3，4且0＜xi＜1，起點位置Ps=（0，0，0，0），目標(biāo)位置Pf=（1，1，1，1），因此，可以推薦最短路徑LPh=（A，B，C，D）=（K1，K2，K3，K4）是分層學(xué)習(xí)路徑，LPc=（A，C，B，D）=（K1，K3，K2，K4）是時間序列學(xué)習(xí)路徑。CCIALS將學(xué)習(xí)內(nèi)容切割成點，根據(jù)各自知識類型，順序化地組織知識對象，建立一個動態(tài)、實時、可調(diào)整、關(guān)聯(lián)復(fù)雜的立體網(wǎng)絡(luò)的學(xué)習(xí)內(nèi)容，讓學(xué)生按自己的路徑學(xué)習(xí)。

2.2.3" 教法模型

教法模型提供教學(xué)策略或方法，根據(jù)領(lǐng)域知識圖譜或認(rèn)知空間選擇適合的方法策略。一般采用基于規(guī)則方法定義可行的教學(xué)策略，如TP（C*Props*PropVals）范圍是（0，10）[9]，Props是教法集合的屬性，PropVals是方法集合的可用值，常用教學(xué)方法為歸納法或演繹法[9]。教法屬性集合DPA（property）=value，表示學(xué)習(xí)應(yīng)用的策略；代價屬性集合CPA（property）=value，用學(xué)習(xí)表達(dá)生成算法優(yōu)化學(xué)習(xí)過程。CCIALS教法模型設(shè)計包括教學(xué)方法、學(xué)習(xí)活動類型、交互水平、交互類型、學(xué)習(xí)任務(wù)困難程度等，如根據(jù)學(xué)科特征和學(xué)生認(rèn)知掌握水平采用符合的教法，實現(xiàn)個性化學(xué)習(xí)指導(dǎo)。

2.2.4" 適應(yīng)性模型

適應(yīng)性模型采用貝葉斯網(wǎng)絡(luò)（對學(xué)生聚類）、隱馬爾科夫模型（預(yù)測學(xué)習(xí)成功概率）、一般算法（從前測精細(xì)化模型且建構(gòu)最優(yōu)的路徑）、人工神經(jīng)網(wǎng)絡(luò)（模式識別，用于推斷學(xué)習(xí)風(fēng)格）等。例如：神經(jīng)網(wǎng)絡(luò)的輸入層變量為V1，V2，V3，……，Vn等，表示學(xué)習(xí)類型、課程內(nèi)容、點擊頻率、保持時間、知識背景測量等；輸出層代表被識別的特征類型，包括認(rèn)知水平、認(rèn)知風(fēng)格、認(rèn)知參與和學(xué)習(xí)情緒等，分別表示為Y1，Y2，Y3，……，Yk等；中間層為隱層部分，隱層輸入與輸出之間通過非線性函數(shù)實現(xiàn)變換。CCIALS神經(jīng)網(wǎng)絡(luò)經(jīng)前向傳播（由數(shù)據(jù)從前往后傳播）和反向傳播（模型權(quán)重參數(shù)更新）不斷調(diào)整權(quán)重參數(shù)，進(jìn)而對原始數(shù)據(jù)進(jìn)行特征提?。ǚ诸?、回歸、聚類、降維等）。隨著數(shù)據(jù)雙向傳播，增強神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)分類與識別問題能力，精準(zhǔn)地學(xué)習(xí)分析和自適應(yīng)地推薦。

3" 面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)過程

3.1" 面向認(rèn)知計算的CCIALS運行機(jī)制

CCIALS模型為智能研發(fā)帶來啟示，學(xué)生模型、領(lǐng)域模型、自適應(yīng)引擎的關(guān)聯(lián)對系統(tǒng)運行機(jī)制帶來新的訴求?；诜胶９獾萚11]構(gòu)建的面向教育大數(shù)據(jù)量化自我的自適應(yīng)學(xué)習(xí)MOOC系統(tǒng)模型、姜強等[12]構(gòu)建的基于大數(shù)據(jù)的個性化自適應(yīng)學(xué)習(xí)結(jié)構(gòu)模型以及認(rèn)知計算過程，分析CCIALS模型運行機(jī)制，如圖2所示。

學(xué)生利用可視化接口與CCIALS交互，系統(tǒng)執(zhí)行測量、收集、分析、報告關(guān)于學(xué)生和情境的數(shù)據(jù)，主動導(dǎo)向和動態(tài)干預(yù)學(xué)習(xí)。知識資源庫映射于知識領(lǐng)域模型和教法模型，存儲知識點、案例、測試、練習(xí)等。CCIALS分析知識資源庫、學(xué)生特征庫等數(shù)據(jù)，自適應(yīng)引擎利用路徑推薦算法，探尋學(xué)生認(rèn)知模型或認(rèn)知空間，推薦路徑L1、L2、L3等。各模塊和數(shù)據(jù)庫實時建模學(xué)生認(rèn)知，經(jīng)深度強化學(xué)習(xí)，構(gòu)建基于表示的多層機(jī)器學(xué)習(xí)模型，訓(xùn)練海量有用特征的數(shù)據(jù)，提升識別、分類或預(yù)測的準(zhǔn)確性。認(rèn)知計算幫助決策者從海量數(shù)據(jù)解釋非凡的洞察，實現(xiàn)CCIALS感知、記憶、學(xué)習(xí)等認(rèn)知活動，時刻探尋學(xué)生的特征、風(fēng)格、水平等，以數(shù)據(jù)驅(qū)動、模型驅(qū)動、模型匹配的方式學(xué)習(xí)如何感知學(xué)生學(xué)習(xí)、如何思考學(xué)生學(xué)習(xí)以及如何指導(dǎo)學(xué)生學(xué)習(xí)，更好地幫助學(xué)生認(rèn)知，更精準(zhǔn)地分析學(xué)習(xí)過程數(shù)據(jù)。

3.2" 面向認(rèn)知計算的智能自適應(yīng)學(xué)習(xí)交互過程

CCIALS各模型彼此聯(lián)系，結(jié)合高性能的算法和運行機(jī)制，為學(xué)生積極參與學(xué)習(xí)營造智能環(huán)境?；贑CIALS模型、運行機(jī)制和認(rèn)知計算理念，構(gòu)建面向CCIALS的人機(jī)交互過程，如圖3所示。

學(xué)生選擇教學(xué)資源和模式，CCIALS記錄訪問的時間和方式（自主學(xué)習(xí)、協(xié)作學(xué)習(xí)等），根據(jù)學(xué)生選擇的知識模塊（如“網(wǎng)絡(luò)層IPv4協(xié)議與編址”）提供虛擬、仿真、建模、現(xiàn)實等場景活動，評判與考查學(xué)生信息查找和方案建構(gòu)的成效，將學(xué)習(xí)（如認(rèn)知空間映射）數(shù)據(jù)存儲于數(shù)據(jù)庫，持續(xù)捕獲與存儲正確和錯誤的回答、決策制定的時間長度等數(shù)據(jù)，采用特定算法分析精細(xì)粒度數(shù)據(jù)，結(jié)合認(rèn)知建模和學(xué)習(xí)分析過程，提供適合的支架、序列、提示等，如學(xué)生成績已經(jīng)超過θ值，判定學(xué)生已學(xué)會知識，利用深度最優(yōu)算法尋找下一個最合適的節(jié)點，同時根據(jù)知識圖譜剔除冗余節(jié)點，得到學(xué)習(xí)路徑=（編址概念，表示方法，標(biāo)準(zhǔn)IP編址分類，特殊編址形式，專用IP編址，網(wǎng)絡(luò)編址轉(zhuǎn)換NAT），適合學(xué)生獨特的學(xué)習(xí)需求。個體認(rèn)知模式下，結(jié)合歷史行為數(shù)據(jù)，分析學(xué)生心理層面的穩(wěn)定特征，判斷學(xué)生的理解力、分析力、決策力等；群體認(rèn)知模式下，分析群體認(rèn)知演化及對個體認(rèn)知的影響機(jī)制，綜合個體與群體認(rèn)知影響因素，得到認(rèn)知計算模型。例如，利用人工神經(jīng)網(wǎng)絡(luò)不斷優(yōu)化并持續(xù)地計算偏好（靜態(tài)或動態(tài)）與資源之間的匹配度和相似度，經(jīng)多次深度學(xué)習(xí)和迭代計算得到偏好與資源的最佳匹配。CCIALS提供智能和精準(zhǔn)反饋，使學(xué)生有效地建構(gòu)知識和解決問題。同時，系統(tǒng)反饋（外部環(huán)境）激發(fā)學(xué)生認(rèn)知和并存心智模式的自動化加工，促進(jìn)認(rèn)知由低階的識記、領(lǐng)會和運用向高階的分析、綜合和創(chuàng)造轉(zhuǎn)變，實現(xiàn)深層次學(xué)習(xí)。

4" 研究思考與啟示

4.1" CCIALS賦能個性化學(xué)習(xí)精準(zhǔn)化和規(guī)?；?/p>

系統(tǒng)秉承以學(xué)生為中心和非傳授模式教學(xué)設(shè)計理念，識別哪些學(xué)生在核心課程中具有充分和恰當(dāng)?shù)倪M(jìn)展，哪些學(xué)生有不好的學(xué)習(xí)結(jié)果且處于學(xué)習(xí)危機(jī)。依據(jù)學(xué)生個性差異，給予不同的推薦，如內(nèi)容困難水平、材料呈現(xiàn)形式（文本、視頻）、知識序列、學(xué)習(xí)節(jié)奏等；依據(jù)學(xué)生的特質(zhì)和個性，準(zhǔn)確檢測并追蹤學(xué)生的“精準(zhǔn)—個性”平衡點，從而為學(xué)生提供適切的學(xué)習(xí)服務(wù)。

CCIALS實現(xiàn)促進(jìn)者驅(qū)動（通過儀表板為教師提供可操作的學(xué)生個體和群體概況）和評估驅(qū)動（提供接近實時的動態(tài)教學(xué)內(nèi)容調(diào)整，即布置學(xué)生學(xué)習(xí)路徑），促進(jìn)者驅(qū)動的系統(tǒng)提供關(guān)于學(xué)生的概況，幫助指導(dǎo)者采取行動；評估驅(qū)動的系統(tǒng)根據(jù)學(xué)生的水平動態(tài)地調(diào)整學(xué)生的學(xué)習(xí)內(nèi)容，提示完成學(xué)習(xí)任務(wù)的個性化學(xué)習(xí)路徑。CCIALS用技術(shù)和大數(shù)據(jù)數(shù)據(jù)驅(qū)動教學(xué)，促進(jìn)技術(shù)賦能環(huán)境下的大批差異化學(xué)生更有效地掌握技能、學(xué)習(xí)新知。

4.2" CCIALS可以提高學(xué)生的高階思維能力

學(xué)習(xí)內(nèi)容和過程憑借學(xué)生偏好和個性特點做出相應(yīng)調(diào)整，結(jié)合學(xué)生完成任務(wù)的情況，提供適切的線索和提示。CCIALS為學(xué)生知識建構(gòu)提供支架，加深學(xué)生對知識的理解，幫助學(xué)生驗證思維過程，增強認(rèn)知和自我導(dǎo)向的學(xué)習(xí)。CCIALS實現(xiàn)系統(tǒng)追蹤學(xué)生認(rèn)知水平和能力，精準(zhǔn)診斷學(xué)生學(xué)習(xí)困境，提供個性化學(xué)習(xí)指導(dǎo)和建議，對學(xué)生的認(rèn)知提供支架和提示，進(jìn)而引導(dǎo)學(xué)生學(xué)習(xí)前項知識和后項知識。學(xué)生不再是機(jī)械地記憶，更多是在知識實踐中有意識地領(lǐng)會知識內(nèi)涵，將所學(xué)知識運用于其他問題解決環(huán)境，也可以實際設(shè)計和改造一些模型，有利于培養(yǎng)創(chuàng)造性思維能力。批判性思維、創(chuàng)造性思維、推理性思維和決策等都屬于高階思維，即發(fā)生在較高認(rèn)知水平的心智活動或較高層次的認(rèn)知能力，可見，CCIALS的知識建構(gòu)和問題解決過程可以培養(yǎng)學(xué)生的高階思維能力。

5" 結(jié)束語

云計算和大數(shù)據(jù)時代的計算能力大幅度提升，深度學(xué)習(xí)和強化學(xué)習(xí)模型使機(jī)器擁有類人大腦的認(rèn)知智能。認(rèn)知計算使計算機(jī)以人類思維理解和認(rèn)識客觀世界，賦予機(jī)器智能和決策制定能力，推動CCIALS走入教學(xué)和學(xué)習(xí)過程。CCIALS分析學(xué)生的學(xué)習(xí)特點和路徑，依據(jù)學(xué)生特征和偏好做出適應(yīng)性變化，結(jié)合學(xué)習(xí)進(jìn)度推薦個性化學(xué)習(xí)內(nèi)容，而且，智能自適應(yīng)機(jī)制可以激發(fā)學(xué)生學(xué)習(xí)興趣，讓學(xué)生主動進(jìn)行知識創(chuàng)新與重構(gòu)。認(rèn)知計算是具有豐富內(nèi)涵且不斷發(fā)展的理念，而CCIALS更有助于問題解決和知識建構(gòu)，促進(jìn)知識的內(nèi)化和深入。認(rèn)知計算為自適應(yīng)學(xué)習(xí)系統(tǒng)探索人的內(nèi)在需求提供有效途徑，讓自適應(yīng)學(xué)習(xí)系統(tǒng)對人的認(rèn)知產(chǎn)生更深刻的領(lǐng)悟，為學(xué)生提供更智能的認(rèn)知服務(wù)。CCIALS本質(zhì)是規(guī)?；膫€性化教育，主張每個學(xué)生都擁有獨特的學(xué)習(xí)路徑、學(xué)習(xí)分析與自適應(yīng)過程，既能提升運用、識記與領(lǐng)會的低階能力，又能增強創(chuàng)造、分析和評價的高階能力。

6" 參考文獻(xiàn)

[1] 李海峰，王煒.國際主流適應(yīng)性學(xué)習(xí)系統(tǒng)的比較與趨勢分析[J].現(xiàn)代教育技術(shù)，2018，28（10）：35-41.

[2] 萬海鵬，汪丹.基于大數(shù)據(jù)的牛頓平臺自適應(yīng)學(xué)習(xí)機(jī)制分析：“教育大數(shù)據(jù)研究與實踐專欄”之關(guān)鍵技術(shù)篇[J].現(xiàn)代教育技術(shù)，2016（5）：5-11.

[3] 張渝江.用自適應(yīng)技術(shù)支撐個性化學(xué)習(xí)[J].中國信息技術(shù)教育，2013（3）：118-121.

[4] Djurfeldt M. The connection-set algebra： a novel formalism for the representation of connectivity structure in neuronal network models[J].Neuroinformatics，2012，10（3）：287-304.

[5] 單美賢，張瑞陽，史喆.“智能+”教育場域中的認(rèn)知計算與教育應(yīng)用研究[J].遠(yuǎn)程教育雜志，2021，39（2）：21-33.

[6] 黃伯平，趙蔚，余延冬.自適應(yīng)學(xué)習(xí)系統(tǒng)參考模型比較分析研究[J].中國電化教育，2009（8）：97-101.

[7] DreamBox Learning. Adaptive Learning[EB/OL].[2023-06-07].https：//www.dreambox.com/resources/guides/adaptive-learning.

[8] Hwang S. Adaptive Learning[EB/OL].[2023-06-07].https：//medium.com/blended-learnings/adaptive-learning-e52d53413b3b.

[9] Capuano N， Gaeta M， Salerno S， et al. An onto-logy-based approach for context-aware e-learning[M]//Xhafa F， Barolli L， K?ppen M. Third IEEE"international conference on intelligent network-ing and collaborative systems. Fukuoka， Japan："IEEE Computer Society，2011：789-794.

[10] Henning P A， Heberle F， Swertz C， et al. Learn-ing pathway recommendation based on a pedagogi-cal ontology and its implementation in Moodle[M]//Trahasch S， Pl?tzner R， Schneider G， et al. GI-Edition Lecture Notes in Informatics （P-233）. Bonn，Germany： Gesellschaft für Informatik e.V.，2014：39-50.

[11] 方海光，羅金萍，陳俊達(dá)，等.基于教育大數(shù)據(jù)的量化自我MOOC自適應(yīng)學(xué)習(xí)系統(tǒng)研究[J].電化教育研究，2016，37（11）：38-42，92.

[12] 姜強，趙蔚，王朋嬌，等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實現(xiàn)[J].中國電化教育，2015（1）：85-92.

*項目來源：天津市教育科學(xué)研究院青年課題“中學(xué)生自我調(diào)節(jié)學(xué)習(xí)智能監(jiān)測模型構(gòu)建研究”（項目編號：TJJKY2024-QN-10）。

作者簡介：韓建華，博士，助理研究員。