[摘" "要] 教育數(shù)字化轉(zhuǎn)型的全面推進和人工智能在教育中的廣泛應(yīng)用，為破解個性化學(xué)習(xí)難題提供了切實可行的途徑，數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)已成為教育高質(zhì)量發(fā)展的必由之路。然而，當前數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)普遍存在著學(xué)習(xí)行為感知與狀態(tài)評價精度不高、學(xué)習(xí)特征挖掘不準、學(xué)習(xí)規(guī)律挖掘不全、學(xué)習(xí)問題溯源不深、學(xué)習(xí)干預(yù)精度不佳等瓶頸性難題。為此，研究從情境感知、主體理解和智能干預(yù)等方面深入剖析了數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的應(yīng)然邏輯。在此基礎(chǔ)上，從學(xué)習(xí)行為數(shù)據(jù)有效感知與理解、學(xué)習(xí)效果精準評估的個性化學(xué)習(xí)追蹤、薄弱知識點和異常學(xué)習(xí)行為的學(xué)習(xí)問題成因溯源、潛在交互學(xué)習(xí)規(guī)律發(fā)現(xiàn)的教育知識圖譜高階推理、公共學(xué)習(xí)路網(wǎng)構(gòu)建與高適配個性化學(xué)習(xí)路徑規(guī)劃等方面，討論了數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的實現(xiàn)路徑和方法。

[關(guān)鍵詞] 個性化學(xué)習(xí)； 數(shù)據(jù)驅(qū)動； 情境感知； 學(xué)習(xí)路徑規(guī)劃； 教育知識圖譜

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 鐘紹春（1965—），男，吉林雙遼人。教授，博士，主要從事智慧教育、人工智能和數(shù)字化學(xué)習(xí)環(huán)境研究。E-mail：sczhong@sina.com。

一、引" "言

個性化學(xué)習(xí)一直以來是教育的根本追求，是實現(xiàn)教育現(xiàn)代化的必由之路?；ヂ?lián)網(wǎng)、人工智能等新興技術(shù)的迅猛發(fā)展，使得采集學(xué)生多場景、全流程的學(xué)習(xí)數(shù)據(jù)成為可能。教育大數(shù)據(jù)作為驅(qū)動個性化學(xué)習(xí)發(fā)生的關(guān)鍵要素，正賦能學(xué)生個性化學(xué)習(xí)走向精準化、教師教學(xué)決策走向科學(xué)化，徹底改變了個性化學(xué)習(xí)的發(fā)展態(tài)勢[1]?！吨袊逃F(xiàn)代化2035》明確提出，將“利用現(xiàn)代技術(shù)加快推動人才培養(yǎng)模式改革，實現(xiàn)規(guī)模化教育與個性化培養(yǎng)有機結(jié)合”作為重要戰(zhàn)略任務(wù)[2]。在教育數(shù)字化轉(zhuǎn)型背景下，特別是生成式人工智能的普及應(yīng)用，數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)作為未來教育的典型形態(tài)，已成為教學(xué)變革的重要指向，為實現(xiàn)以學(xué)生為中心的因材施教，促進學(xué)生個性發(fā)展提供了可能的途徑。目前關(guān)于個性化學(xué)習(xí)的研究與實踐，相關(guān)學(xué)者圍繞知識水平、問題解決能力、創(chuàng)新思維等學(xué)科核心素養(yǎng)，學(xué)習(xí)風(fēng)格、協(xié)作能力，態(tài)度意志等情感特征的評價，以及學(xué)習(xí)路徑、工具、素材資源、學(xué)伴、教師（課程資源）等的推薦開展了系列研究和應(yīng)用[3-5]，并取得了較大的突破性進展。但是，在大規(guī)模教育場景下，大數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)仍存在感知教學(xué)情境的手段欠缺、認知學(xué)習(xí)主體的能力不足、響應(yīng)教學(xué)服務(wù)的適配精度不高等瓶頸問題。因此，本文首先對數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的實然問題進行系統(tǒng)分析，然后從如何感知不同學(xué)習(xí)情境中的學(xué)習(xí)行為數(shù)據(jù)，如何通過動態(tài)評價知識狀態(tài)水平、挖掘?qū)W習(xí)規(guī)律來深入理解學(xué)生這一學(xué)習(xí)主體，如何通過學(xué)習(xí)路徑的個性規(guī)劃和資源的精準適配實現(xiàn)對學(xué)生的有效干預(yù)等方面展開深入討論，以期為實現(xiàn)高品質(zhì)個性化學(xué)習(xí)，進而推動教育高質(zhì)量發(fā)展提供理論參考和方法借鑒。

二、數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的實然問題

影響數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的主要因素是學(xué)習(xí)行為數(shù)據(jù)的精準感知，學(xué)生、教師、知識點、學(xué)伴、學(xué)習(xí)資源和學(xué)習(xí)環(huán)境多類主體間交互規(guī)律的全面揭示，以及學(xué)習(xí)問題的精準診斷和有效干預(yù)等。針對上述因素，本研究將分別剖析數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)所存在的瓶頸問題。

（一）學(xué)習(xí)行為感知與狀態(tài)評價精度有待提高

數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的前提條件是能夠動態(tài)獲得反映學(xué)生學(xué)習(xí)狀況的多模態(tài)行為和結(jié)果數(shù)據(jù)。這一目標的達成，首先需要對教學(xué)各場景數(shù)據(jù)、學(xué)習(xí)過程數(shù)據(jù)進行無感采集、識別和融合分析，以更為精準地感知學(xué)習(xí)行為。目前，關(guān)于學(xué)習(xí)行為感知與融合方面的研究，主要聚焦在對特定情境下的小規(guī)模交互行為進行人工標注和訓(xùn)練分析。但是，已有通用的多模態(tài)處理方法難以對數(shù)據(jù)多、標注少、線索雜的教學(xué)情境數(shù)據(jù)進行大規(guī)模標注，異質(zhì)、復(fù)雜、動態(tài)的教與學(xué)行為數(shù)據(jù)匯聚融合困難，導(dǎo)致多源學(xué)習(xí)行為數(shù)據(jù)感知精度低、融合一致性不高。因此，亟須進一步重點研究如何確保面向大規(guī)模教與學(xué)行為數(shù)據(jù)的高精度感知，提升標注外新行為的感知能力，實現(xiàn)動態(tài)復(fù)雜的多動作關(guān)系建模，并確保不同類型、動態(tài)變化數(shù)據(jù)能夠正確關(guān)聯(lián)，解決動態(tài)交互場景下的多模態(tài)教與學(xué)行為高一致性對齊和融合問題。

學(xué)習(xí)評估是學(xué)習(xí)過程的關(guān)鍵組成部分，能夠驅(qū)動教師動態(tài)調(diào)節(jié)和優(yōu)化教學(xué)活動中的主體交互行為[6]。已有研究主要采用兩種方法對采集到的學(xué)習(xí)行為和結(jié)果數(shù)據(jù)進行知識狀態(tài)水平的評估，一種是通過機器學(xué)習(xí)、深度學(xué)習(xí)等方法建立綜合評價模型，對在多維時空尺度上的學(xué)生學(xué)習(xí)行為和作答結(jié)果數(shù)據(jù)進行統(tǒng)計分析和數(shù)據(jù)挖掘。如Sun 等人應(yīng)用XgBoost來對數(shù)據(jù)集中的特征變量進行篩選，并應(yīng)用動態(tài)鍵值存儲網(wǎng)絡(luò)對學(xué)生的嘗試次數(shù)、提示情況等輸入數(shù)據(jù)進行預(yù)測，從而提升學(xué)習(xí)能力分類的準確性[7]。這種方法缺乏對多模態(tài)數(shù)據(jù)的綜合利用，導(dǎo)致評價精度不高。另一種是應(yīng)用大模型進行寫作等學(xué)習(xí)活動的評價，采用一些“任務(wù)要求+評分標準+人工評分樣本”的提示語類型提升與人工評分的一致性，雖然大模型的發(fā)展在一定程度上賦能了學(xué)習(xí)評估的優(yōu)化，但其缺乏對不同學(xué)習(xí)場景分類處理的能力，致使學(xué)習(xí)追蹤可解釋性和遷移能力薄弱，應(yīng)用于教育領(lǐng)域的可靠性和推理能力還需進一步優(yōu)化。

（二）學(xué)習(xí)特征和學(xué)習(xí)規(guī)律挖掘有待深入

數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的關(guān)鍵是通過對教育大數(shù)據(jù)進行挖掘與分析，探究學(xué)生的學(xué)習(xí)特征及其與教師、同伴、學(xué)習(xí)資源等要素之間的交互規(guī)律。從當前學(xué)生特征和規(guī)律揭示的研究現(xiàn)狀來看，其主要是基于某一特定情境下學(xué)生的作答數(shù)據(jù)、同伴交流等日志數(shù)據(jù)挖掘與表征學(xué)生學(xué)習(xí)特征和演化規(guī)律。如姜強以同伴反饋中產(chǎn)生的評語和反饋為分析對象，從情感、認知和元認知角度分析不同群體學(xué)生的內(nèi)隱學(xué)習(xí)規(guī)律[8]。張思等通過對SPOC論壇中的會話文本進行挖掘和建模，揭示不同績效群體學(xué)生的行為特征，以及隱含的認知和內(nèi)部心理加工過程[9]。相關(guān)做法普遍存在對學(xué)生與教師、知識點、同伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等要素間交互關(guān)系利用不足，且自動化構(gòu)建程度較低的問題。具體體現(xiàn)在由于教育大數(shù)據(jù)類型異質(zhì)、語義復(fù)雜、模態(tài)多樣導(dǎo)致的教育實體要素間關(guān)系難以自動捕捉，以及教育實體數(shù)量龐大、關(guān)系動態(tài)多變導(dǎo)致的教師、學(xué)生、資源、知識點間的隱性知識難以被發(fā)現(xiàn)等方面。因此，還需進一步對學(xué)生與教師、知識點、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境在時空序列下的交互關(guān)系特征和語境信息進行深入挖掘，提高從多模態(tài)教學(xué)數(shù)據(jù)中抽取多類別教學(xué)實體要素間潛在交互關(guān)系的精度。

（三）學(xué)習(xí)問題溯源與干預(yù)精準性有待提升

基于多模態(tài)學(xué)習(xí)行為數(shù)據(jù)精準診斷和深度溯源學(xué)生學(xué)習(xí)問題，定制個性化干預(yù)方案是智能技術(shù)賦能學(xué)習(xí)干預(yù)的核心與重點。目前，相關(guān)研究更多是基于學(xué)生的知識水平和學(xué)習(xí)特征，利用推薦算法推送符合其學(xué)習(xí)偏好或薄弱知識點的學(xué)習(xí)路徑與資源。如Kurilovas等人根據(jù)學(xué)生的學(xué)習(xí)風(fēng)格使用蟻群優(yōu)化算法為學(xué)生推薦個性化的學(xué)習(xí)路徑[10]。范云霞基于知識點概念覆蓋和難度兩個特征溯源薄弱知識點，并進一步采用深度強化學(xué)習(xí)算法實現(xiàn)學(xué)習(xí)路徑的推薦[11]。隨著智能技術(shù)的深入，基于大模型等新興技術(shù)的學(xué)習(xí)服務(wù)推薦逐漸成為研究熱點。盧宇應(yīng)用多模態(tài)大模型對包括漢字在內(nèi)的多種文字進行跨模態(tài)圖片釋義的檢索與圖文教學(xué)資源的生成，從而輔助學(xué)生進行語言學(xué)習(xí)[12]。但總的來說，現(xiàn)有的大模型技術(shù)還不能夠完全支持學(xué)生的學(xué)習(xí)數(shù)據(jù)與行為數(shù)據(jù)匯聚，實現(xiàn)更加完整、精準的學(xué)習(xí)分析[13]。相關(guān)研究普遍缺乏基于學(xué)習(xí)過程數(shù)據(jù)的異常學(xué)習(xí)行為溯源，以及對不同類別群體學(xué)生增益學(xué)習(xí)路徑的挖掘與匯聚，導(dǎo)致學(xué)習(xí)問題深層次誘因難以精準定位，個性化學(xué)習(xí)服務(wù)精度有待提高。

三、數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的應(yīng)然邏輯

數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)仍存在前面所討論的諸多問題，這些問題單純從局部展開研究無法徹底解決，需要從頂層邏輯入手展開研究。首先，動態(tài)伴隨式獲得學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，實現(xiàn)對學(xué)習(xí)情境的動態(tài)感知；其次，精準診斷學(xué)生知識學(xué)習(xí)狀態(tài)和深度溯源學(xué)習(xí)問題成因，全面了解學(xué)生學(xué)習(xí)個性特征，實現(xiàn)對學(xué)生主體的精準理解；最后，為學(xué)生提供高適配個性化學(xué)習(xí)路徑和資源，實現(xiàn)對學(xué)生學(xué)習(xí)的精準干預(yù)，其發(fā)生邏輯如圖1所示。

（一）動態(tài)感知學(xué)習(xí)情境是個性化學(xué)習(xí)的基礎(chǔ)條件

學(xué)習(xí)行為的發(fā)生，需要在特定場域時空下，與知識點、教師、學(xué)伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等實體要素通過多種形式的交互才能夠發(fā)生，知識的學(xué)習(xí)和能力的形成大多是在這樣的交互過程中完成的。針對同一知識點，不同的交互學(xué)習(xí)行為會直接影響學(xué)生的學(xué)習(xí)認知過程和學(xué)習(xí)成效。因此，數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的首要條件是要全面了解學(xué)習(xí)活動過程發(fā)生了什么樣的交互學(xué)習(xí)行為，這就需要動態(tài)、全面、精準識別和融合學(xué)生的交互學(xué)習(xí)行為數(shù)據(jù)，從而實現(xiàn)對學(xué)習(xí)情境的全面感知。

（二）精準理解學(xué)生主體是個性化學(xué)習(xí)的核心關(guān)鍵

要想全方位刻畫學(xué)生的學(xué)習(xí)特征和規(guī)律，需要從學(xué)生、知識點、任課和虛擬教師、實體和虛擬學(xué)伴、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等教育要素協(xié)同交互的行為視角，開展學(xué)習(xí)行為建模與學(xué)習(xí)評價，分析學(xué)生的學(xué)習(xí)行為特征，評價學(xué)生知識狀態(tài)情況，挖掘內(nèi)隱學(xué)習(xí)規(guī)律，診斷學(xué)習(xí)存在的問題。因此，數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的核心關(guān)鍵是以學(xué)生的行為數(shù)據(jù)為依據(jù)，利用智能技術(shù)對學(xué)生主體進行全方位分析、診斷與評價，精準刻畫學(xué)生知識學(xué)習(xí)狀態(tài)，掌握學(xué)生個性學(xué)習(xí)規(guī)律，并能夠?qū)W(xué)生知識狀態(tài)水平和學(xué)習(xí)規(guī)律進行可解釋性分析，實現(xiàn)對學(xué)習(xí)主體的精準理解，進而為智能學(xué)習(xí)系統(tǒng)面向?qū)W生提供精準的個性化學(xué)習(xí)服務(wù)奠定基礎(chǔ)。

（三）學(xué)習(xí)服務(wù)智能干預(yù)是個性化學(xué)習(xí)的支撐保障

當學(xué)生學(xué)習(xí)出現(xiàn)問題時，最佳的解決辦法是準確找出問題成因，并根據(jù)學(xué)生的認知規(guī)律和已有知識基礎(chǔ)，有針對性地動態(tài)安排學(xué)習(xí)活動、指導(dǎo)教師、學(xué)伴和學(xué)習(xí)資源等，引導(dǎo)和幫助學(xué)生高質(zhì)、高效地開展學(xué)習(xí)。因此，首先要能夠溯源出導(dǎo)致學(xué)習(xí)問題的原因是前序知識薄弱問題，還是學(xué)習(xí)路徑和資源不適配問題。其次是針對不同學(xué)生類別，建立適配的學(xué)習(xí)路徑，匯聚適合的名師指導(dǎo)與講解資源、最佳的學(xué)習(xí)合作伙伴經(jīng)驗分享和有效的學(xué)習(xí)支撐工具，進而形成支持個性化學(xué)習(xí)的學(xué)習(xí)路網(wǎng)。最后是利用生成式人工智能為學(xué)生生成個性化學(xué)習(xí)路徑和資源，提供虛擬教師和智能學(xué)伴，幫助學(xué)生隨時隨地獲得教師的精準講解與指導(dǎo)，以及學(xué)伴的伴隨式討論與交流。由此不難看出，利用人工智能和大數(shù)據(jù)等技術(shù)，基于學(xué)生特定學(xué)習(xí)情境中產(chǎn)生的多模態(tài)學(xué)習(xí)數(shù)據(jù)，針對學(xué)生學(xué)習(xí)存在的問題，在深度溯源問題成因基礎(chǔ)上，規(guī)劃個性化學(xué)習(xí)路徑和精準推薦學(xué)習(xí)資源是實現(xiàn)數(shù)據(jù)驅(qū)動學(xué)生個性化學(xué)習(xí)的支撐保障。

四、數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的實現(xiàn)路徑

前文從宏觀層面討論了數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的應(yīng)然邏輯，接下來從教與學(xué)行為數(shù)據(jù)感知與融合、知識狀態(tài)評測與學(xué)習(xí)問題溯源、學(xué)習(xí)規(guī)律挖掘與學(xué)習(xí)路網(wǎng)建設(shè)、個性化學(xué)習(xí)路徑規(guī)劃與學(xué)習(xí)資源推薦等方面，深入討論數(shù)據(jù)驅(qū)動個性化學(xué)習(xí)的實現(xiàn)路徑和方法。

（一）教與學(xué)行為數(shù)據(jù)感知與理解

由于教與學(xué)活動的開展條件存在著多場景、多方式、多設(shè)備等情況，導(dǎo)致數(shù)據(jù)采集難以通過統(tǒng)一的技術(shù)手段來完成。因此，需要通過多種類別的設(shè)備才可能更好地獲得反映出教與學(xué)的行為數(shù)據(jù)，但是不同渠道所采集的多模態(tài)數(shù)據(jù)之間難以直接精準關(guān)聯(lián)在一起，需進一步作一致性對齊和融合，以達到學(xué)習(xí)情境的精準感知。

1. 教與學(xué)行為數(shù)據(jù)識別與一致性融合

目前，能夠無感采集到的數(shù)據(jù)，一是通過智慧學(xué)習(xí)系統(tǒng)所采集到的人機交互行為數(shù)據(jù)，以及作答文本、圖像等數(shù)據(jù)；二是通過攝像頭、麥克、掃描儀等采集到的音視頻、圖像等數(shù)據(jù)。對于人機交互行為數(shù)據(jù)，系統(tǒng)可自動作標注處理；對于音視頻、作答文本和圖像等數(shù)據(jù)，由于大部分數(shù)據(jù)未作標注，因此無法直接利用多模態(tài)通用大模型進行處理，需通過引入教與學(xué)行為感知提示工程，對多模態(tài)預(yù)訓(xùn)練模型進行微調(diào)，來解決因標注少導(dǎo)致大模型技術(shù)難以直接使用的問題，實現(xiàn)從海量數(shù)據(jù)中精準感知基本學(xué)習(xí)行為。其中，提示工程的設(shè)計是至關(guān)重要的。對于音視頻和圖像數(shù)據(jù)，可從關(guān)鍵動作幀時空交換提示工程設(shè)計和相鄰幀間時空插入漂移提示工程設(shè)計兩個方面來進行視覺提示工程設(shè)計；對于作答文本數(shù)據(jù)，可從教學(xué)過程提示工程和學(xué)習(xí)過程提示工程兩個方面進行設(shè)計。

一般情況下，每一個學(xué)習(xí)行為都是由多個動作組成的。因此，在行為類別基礎(chǔ)上，需要進一步精準識別每個行為包含的多個關(guān)聯(lián)動作，從而提高行為感知模型的泛化能力。在識別基本學(xué)習(xí)行為類型和多動作關(guān)聯(lián)關(guān)系的基礎(chǔ)上，需要按照學(xué)習(xí)行為及其所包含的動作對多模態(tài)學(xué)習(xí)行為數(shù)據(jù)進行對齊和融合，為此，本研究提出了如圖2所示的多模態(tài)學(xué)習(xí)行為數(shù)據(jù)融合與表征方法。

針對時間不敏感的多模態(tài)數(shù)據(jù)，如學(xué)生自習(xí)場景中的學(xué)習(xí)行為數(shù)據(jù)，通過構(gòu)建模態(tài)解耦對比網(wǎng)絡(luò)，來增強數(shù)據(jù)的區(qū)分度。在此基礎(chǔ)上，利用對比學(xué)習(xí)，實現(xiàn)大規(guī)模、無標注數(shù)據(jù)的對齊。針對時間敏感的多模態(tài)數(shù)據(jù)，如課堂師生互動討論場景中的音視頻數(shù)據(jù)，通過設(shè)計行為感知、時間對齊和語義對齊等預(yù)訓(xùn)練任務(wù)，構(gòu)建融合學(xué)習(xí)場景領(lǐng)域特征，從而實現(xiàn)特定學(xué)習(xí)場景的多模態(tài)數(shù)據(jù)對齊。

在多模態(tài)學(xué)習(xí)行為數(shù)據(jù)對齊基礎(chǔ)上，針對學(xué)習(xí)交互場景下教與學(xué)行為的動態(tài)多變性，再挖掘?qū)W生與教師、學(xué)習(xí)內(nèi)容、學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等要素的交互關(guān)系，實現(xiàn)對學(xué)習(xí)行為的量化表征。在此基礎(chǔ)上，利用動態(tài)圖神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)時空交互場景下的多模態(tài)學(xué)習(xí)行為嵌入，將學(xué)習(xí)場景下的交互行為數(shù)據(jù)，以及文本、語音、圖像和視頻等數(shù)據(jù)進行融合。

2. 教與學(xué)行為理解

從學(xué)生與教師、知識點、同伴、學(xué)習(xí)資源等因素間的交互行為中挖掘其相互作用機理與動態(tài)變化過程是全方位刻畫學(xué)生學(xué)習(xí)特征和學(xué)習(xí)規(guī)律的前提。這需要對采集到的教與學(xué)行為類型進行分析，理解教與學(xué)行為在具體教育情境中的現(xiàn)實意義。因此，教與學(xué)行為的理解首先需要對教與學(xué)行為類別作進一步的細化分類，確定基于教與學(xué)行為數(shù)據(jù)屬性特征的行為類別判別條件，進而建立教與學(xué)行為模型。然后，對采集融合的教與學(xué)行為數(shù)據(jù)進行智能分析，識別教與學(xué)行為的具體類別，從而為精準評測學(xué)生學(xué)習(xí)狀況、挖掘?qū)W習(xí)規(guī)律、推薦學(xué)習(xí)路徑提供支撐。具體方法如圖3所示。

教與學(xué)行為的建模，首先應(yīng)基于教育學(xué)、心理學(xué)等理論，以及教育專家知識經(jīng)驗，挖掘教學(xué)行為特征數(shù)據(jù)的潛在規(guī)律，建立教與學(xué)行為屬性標簽體系模式。然后，基于該模式，提取教與學(xué)行為數(shù)據(jù)中蘊含的隱性信息，進而挖掘教與學(xué)行為數(shù)據(jù)中蘊含的關(guān)聯(lián)屬性特征。最后，結(jié)合人機協(xié)同和閾值分析方法明晰屬性標簽的類別、層次等組合結(jié)構(gòu)，進一步依據(jù)信息增益值確定屬性標簽相對應(yīng)的屬性標簽閾值范圍，通過屬性標簽給出各類教學(xué)行為的判別條件，實現(xiàn)完備、準確的教與學(xué)行為屬性標簽體系構(gòu)建。教與學(xué)行為的深度理解，需要依據(jù)教與學(xué)行為屬性標簽體系，通過對采集和感知到的教與學(xué)行為數(shù)據(jù)的屬性特征進行分析，提取標簽識別關(guān)鍵信息，建立標簽識別關(guān)鍵信息和屬性標簽體系間的映射，實現(xiàn)教與學(xué)行為的精準標簽。

（二）知識狀態(tài)評測與學(xué)習(xí)問題溯源

以學(xué)生的行為數(shù)據(jù)為依據(jù)，利用智能技術(shù)對學(xué)生主體產(chǎn)生的數(shù)據(jù)進行全方位分析、診斷與評價，從而精準刻畫學(xué)生知識學(xué)習(xí)狀態(tài)，深度溯源學(xué)習(xí)問題產(chǎn)生的原因等，才能夠為學(xué)生提供精準的個性化學(xué)習(xí)服務(wù)。因此，需要研究面向不同學(xué)習(xí)情境進行準確的學(xué)習(xí)評估，深度分析薄弱知識點和異常學(xué)習(xí)行為的學(xué)習(xí)問題成因溯源方法，具體思路如圖4所示。

1. 基于學(xué)習(xí)行為的學(xué)習(xí)效果評價模型構(gòu)建

學(xué)習(xí)效果評價模型的構(gòu)建首先是要確定可用于評價學(xué)習(xí)效果的行為數(shù)據(jù)，這需要綜合考慮數(shù)據(jù)的采集和提取復(fù)雜度、成本，以及與學(xué)習(xí)效果間的顯著相關(guān)性，進而確定可用于評價學(xué)習(xí)效果的行為數(shù)據(jù)。在此基礎(chǔ)上，通過理論推演和專家訪談相結(jié)合的方式建立評價指標框架體系。首先，依據(jù)教育學(xué)、心理學(xué)、腦科學(xué)等理論，通過分析不同類型學(xué)習(xí)行為與知識學(xué)習(xí)狀態(tài)、學(xué)科思維能力形成水平等學(xué)科核心素養(yǎng)間的關(guān)聯(lián)關(guān)系，確立學(xué)習(xí)效果評價維度和每一個維度的具體指標，建立評價指標框架體系原型。其次，采用專家訪談等方法對所確立的評價指標框架體系進行迭代修正，建立科學(xué)合理、可信性高的評價指標體系。在此基礎(chǔ)上，采用圖神經(jīng)網(wǎng)絡(luò)和注意力機制，利用學(xué)習(xí)行為數(shù)據(jù)和測試結(jié)果數(shù)據(jù)等大樣本數(shù)據(jù)進行迭代訓(xùn)練，對每一個評價指標進行定量評價，確立行為數(shù)據(jù)與評價指標間的量化計算模型，進而實現(xiàn)利用學(xué)習(xí)行為數(shù)據(jù)計算學(xué)習(xí)效果的水平及程度。

2. 基于知識追蹤的知識狀態(tài)評估

不同情境下學(xué)生的學(xué)習(xí)活動安排有所不同，對于以教師為主導(dǎo)的課堂教學(xué)情境，學(xué)生的學(xué)習(xí)活動安排主要由教師規(guī)劃指導(dǎo)，因此該場景下的學(xué)習(xí)狀態(tài)評估與追蹤側(cè)重于基于學(xué)生的試題作答數(shù)據(jù)，實現(xiàn)知識狀態(tài)的即時、可解釋性評價。具體來說，可采用大模型技術(shù)，構(gòu)建包含試題的難度、認知目標、關(guān)聯(lián)知識點復(fù)雜度等語義信息的試題參數(shù)自動標注框架，并將所獲得的語義特征融入知識追蹤模型中，預(yù)測試題的難度、區(qū)分度等參數(shù)。在此基礎(chǔ)上，通過整合邏輯回歸模型，構(gòu)建可解釋的即時知識狀態(tài)評估模型，進而實現(xiàn)在無需學(xué)生大規(guī)模作答條件下對學(xué)生當前知識狀態(tài)的即時評估，解決未經(jīng)過模型訓(xùn)練的試題難以評估的問題，以及深度知識追蹤模型可解釋性薄弱等問題。

對于以自我導(dǎo)向性學(xué)習(xí)為主的自主學(xué)習(xí)情境，學(xué)習(xí)狀態(tài)評估可基于學(xué)生答題記錄數(shù)據(jù)和問題解決過程中的學(xué)習(xí)行為數(shù)據(jù)，構(gòu)建知識和能力一體化的知識追蹤模型?；舅悸肥牵菏紫?，利用答題樣本數(shù)據(jù)，構(gòu)建基于循環(huán)神經(jīng)網(wǎng)絡(luò)的知識狀態(tài)評估模型；其次，利用學(xué)習(xí)行為樣本數(shù)據(jù)，結(jié)合答題結(jié)果數(shù)據(jù)，采用圖表示學(xué)習(xí)與Transformer神經(jīng)網(wǎng)絡(luò)等方法，構(gòu)建學(xué)習(xí)能力評估模型；在此基礎(chǔ)上，通過多頭注意力融合等方法，實現(xiàn)長時序周期上學(xué)生知識和能力一體化的預(yù)測評估，進而解決現(xiàn)有的知識追蹤模型只能對知識掌握程度進行追蹤的問題。

3. 學(xué)習(xí)問題溯源

導(dǎo)致學(xué)生學(xué)習(xí)出現(xiàn)問題的直接原因主要有兩方面，一是前序知識薄弱，二是學(xué)習(xí)活動過程不適配。學(xué)習(xí)活動過程不適配主要體現(xiàn)在學(xué)習(xí)活動安排不合理、教師的講解和指導(dǎo)不適合、學(xué)伴協(xié)作不給力、學(xué)習(xí)資源和工具支持度不夠等方面。

對于前序知識點薄弱的情況，需溯源源頭知識點。首先，可基于多層次教育知識圖譜，利用大規(guī)模學(xué)生知識追蹤結(jié)果樣本數(shù)據(jù)，依據(jù)知識點掌握程度，構(gòu)建關(guān)聯(lián)子圖。其次，利用圖表示學(xué)習(xí)和圖對比學(xué)習(xí)，學(xué)習(xí)因果影響效應(yīng)，構(gòu)建源頭知識點預(yù)測因果結(jié)構(gòu)圖。再次，根據(jù)因果結(jié)構(gòu)圖，對學(xué)生當前學(xué)習(xí)問題知識點進行分析，定位源頭知識點。最后，根據(jù)溯源得到的源頭知識點，結(jié)合歷史知識追蹤和評價結(jié)果，進行關(guān)聯(lián)分析，找出導(dǎo)致源頭知識點出現(xiàn)學(xué)習(xí)問題的原因，諸如遺忘或原本就未學(xué)會等。

針對異常學(xué)習(xí)行為的溯源，首先，可根據(jù)學(xué)生在源頭知識點的所有學(xué)習(xí)行為，構(gòu)建學(xué)生個體的行為顯著性圖。其次，依據(jù)公共學(xué)習(xí)路徑，生成有效的公共群體學(xué)習(xí)行為顯著性圖。最后，利用圖表示學(xué)習(xí)，對個體學(xué)習(xí)行為特征顯著圖與有效公共學(xué)習(xí)行為特征顯著圖進行高維表示，并通過向量空間映射模型，實現(xiàn)異常學(xué)習(xí)行為序列的發(fā)現(xiàn)。

（三）學(xué)習(xí)規(guī)律挖掘與學(xué)習(xí)路網(wǎng)建設(shè)

目前，實現(xiàn)人機交互環(huán)境下學(xué)生學(xué)習(xí)規(guī)律揭示的主要途徑是：首先，建立涵蓋學(xué)生、教師、知識點、學(xué)習(xí)資源要素的多層次語義關(guān)系的教育知識圖譜；然后，利用知識圖譜高階推理技術(shù)不斷豐富和完善教育知識圖譜；最后，基于知識圖譜抽取群體學(xué)生增益學(xué)習(xí)路徑，建立公共學(xué)習(xí)路網(wǎng)。

1. 揭示學(xué)習(xí)規(guī)律的教育知識圖譜構(gòu)建

知識圖譜的構(gòu)建，首先，應(yīng)從時序、空間和不確定性等方面，構(gòu)建能夠充分表達復(fù)雜語義關(guān)系的多層次知識表示模型。依據(jù)課程標準，結(jié)合專家經(jīng)驗，充分挖掘教學(xué)資源、教學(xué)、學(xué)習(xí)及評價系統(tǒng)中的教育數(shù)據(jù)模型等領(lǐng)域知識源信息，對學(xué)生、教師、知識點、學(xué)習(xí)資源等進行實體分類，并確立學(xué)生、教師、知識點、學(xué)習(xí)資源等因素間可能的語義關(guān)系類型，構(gòu)建多層次教育本體。其次，基于課標、教材和教學(xué)資源等非結(jié)構(gòu)化數(shù)據(jù)，通過比較關(guān)系域?qū)嶓w類型及類型層次模型的共享參數(shù)結(jié)構(gòu)，構(gòu)建基于軟參數(shù)共享的多任務(wù)知識抽取模型，解決任務(wù)樣本不均衡和噪聲偏差問題；建立多任務(wù)知識抽取模型相應(yīng)的知識子圖，利用圖結(jié)構(gòu)和語義對齊生成跨模態(tài)關(guān)系的映射函數(shù)，構(gòu)建跨模態(tài)聯(lián)合知識抽取模型，解決單模態(tài)下知識抽取豐度不足的問題；針對教學(xué)行為和資源屬性標簽數(shù)據(jù)，建立教育本體與教育數(shù)據(jù)關(guān)系模型間的映射關(guān)系，制定翻譯模版，實現(xiàn)從結(jié)構(gòu)化數(shù)據(jù)到圖譜知識的轉(zhuǎn)化。最后，通過本體對齊、實例消歧實現(xiàn)對開源教育知識圖譜的知識融合。

2. 實現(xiàn)潛在規(guī)律發(fā)現(xiàn)的高階推理

針對由于大規(guī)模學(xué)習(xí)情境下學(xué)生、教師、學(xué)習(xí)資源、知識點等數(shù)量龐大、關(guān)系動態(tài)多變，致使不同實體間隱性關(guān)聯(lián)關(guān)系難以發(fā)現(xiàn)等問題，研究從可滿足性知識推理、實體分類、上下文關(guān)系實例化等方面，討論教育知識圖譜潛在規(guī)律發(fā)現(xiàn)的高階推理方法。

針對由于時空和不確定性等因素所導(dǎo)致的高階推理不可判定性問題，可通過構(gòu)建本體公理到邏輯張量網(wǎng)絡(luò)結(jié)構(gòu)生成的編碼方法，利用邏輯張量網(wǎng)絡(luò)替代邏輯符號推理，實現(xiàn)原子概念的可滿足性判定；通過Transformer 學(xué)習(xí)網(wǎng)絡(luò)合成復(fù)雜概念向量表示，實現(xiàn)任意級別概念可滿足性判定，解決沖突和冗余問題，確保知識的完備和一致。

面向開放域的實體抽取和分類，采用人工的方式已無法滿足知識圖譜動態(tài)構(gòu)建的實際需要?？尚械姆椒ㄊ?，對于任意給定的實體，采用機器學(xué)習(xí)的方法，從目標多模態(tài)數(shù)據(jù)集中抽取出與之具有相似上下文特征的實體，從而實現(xiàn)實體的分類和聚類。

針對教育知識圖譜中非顯現(xiàn)的實體間關(guān)系挖掘，需基于上下文關(guān)系捕捉實體間潛在的規(guī)律，以實現(xiàn)上下文潛在關(guān)系實例化，完善知識圖譜，實現(xiàn)對知識圖譜中隱含關(guān)系的精準發(fā)現(xiàn)。

3. 基于知識圖譜的公共學(xué)習(xí)路網(wǎng)構(gòu)建

公共學(xué)習(xí)路網(wǎng)的構(gòu)建就是按照不同類別學(xué)生抽取公共學(xué)習(xí)路徑，并匹配相應(yīng)的教學(xué)資源。公共學(xué)習(xí)路徑的抽取，在教育知識圖譜中的實體間交互關(guān)系不夠豐富的情況下，可先利用學(xué)習(xí)增益優(yōu)秀案例數(shù)據(jù)，挖掘基本公共學(xué)習(xí)路徑。當多層次教育知識圖譜中的學(xué)生、知識點、教師和學(xué)習(xí)資源等交互關(guān)系足夠豐富時，再利用知識圖譜對公共學(xué)習(xí)路徑進行迭代優(yōu)化。

基于學(xué)習(xí)大數(shù)據(jù)，針對學(xué)生所處的不同階段和所學(xué)的課程內(nèi)容，按照學(xué)生的知識積累、在線環(huán)境中學(xué)習(xí)難度和交互模式，以及學(xué)習(xí)能力等，可對學(xué)生進行聚類分析，將學(xué)生劃分為多個群組類別。然后，將學(xué)生群組類別融入多層次教育知識圖譜，并按照群組類別，在多層次教育知識圖譜中實現(xiàn)對學(xué)生的實體分類。

針對不同學(xué)習(xí)場景和具體課程學(xué)習(xí)內(nèi)容，按照不同學(xué)生群組類別，分別選擇學(xué)習(xí)成績增益優(yōu)異的學(xué)生學(xué)習(xí)案例數(shù)據(jù)，挖掘公共學(xué)習(xí)路徑。首先，對課程學(xué)習(xí)內(nèi)容、學(xué)生類別和學(xué)習(xí)行為數(shù)據(jù)進行關(guān)聯(lián)分析，構(gòu)建知識點與學(xué)生、教師、學(xué)習(xí)路徑和學(xué)習(xí)資源等間的關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)。然后，利用學(xué)習(xí)評價結(jié)果數(shù)據(jù)和增益效果數(shù)據(jù)，對關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)的每一條學(xué)習(xí)路徑進行學(xué)習(xí)增益效度評估，計算學(xué)習(xí)增益效度權(quán)重值。最后，以學(xué)習(xí)增益效度權(quán)重值為依據(jù)，對每一個知識點搜索每一類別學(xué)生的可能共性學(xué)習(xí)路徑，確立基本公共學(xué)習(xí)路徑。在此基礎(chǔ)上，針對知識點，為不同類學(xué)生構(gòu)建知識學(xué)習(xí)概率網(wǎng)絡(luò)，從中挖掘不同學(xué)生的優(yōu)秀學(xué)習(xí)路徑和適配資源，實現(xiàn)對公共學(xué)習(xí)路徑的迭代優(yōu)化。

（四）個性化學(xué)習(xí)路徑規(guī)劃與學(xué)習(xí)資源推薦

面向個性化學(xué)習(xí)的精準干預(yù)，首先，需要基于學(xué)生評價結(jié)果來精準定位學(xué)生的個性化學(xué)習(xí)任務(wù)。其次，針對不同學(xué)習(xí)情境，以學(xué)生與教師、知識點、學(xué)習(xí)資源間的交互規(guī)律為依據(jù)，基于學(xué)習(xí)路網(wǎng)為不同類別學(xué)生推薦個性化學(xué)習(xí)路徑和適配的學(xué)習(xí)資源。具體思路如圖5所示。

1. 個性化學(xué)習(xí)任務(wù)精準定位

個性化學(xué)習(xí)任務(wù)的精準定位主要是判斷導(dǎo)致學(xué)習(xí)問題出現(xiàn)的原因，是前序知識薄弱還是學(xué)習(xí)行為不適配所導(dǎo)致的，進而確定需要進一步學(xué)習(xí)的知識點集。具體算法如下：

（1）對于？坌x∈qu-kn，qu-kn為問題知識點集，基于知識圖譜確定x的前序知識集pre-kn（x）。

（2）對于任意？坌y∈pre-kn（x），基于學(xué)生學(xué)科核心素養(yǎng)水平等個性化畫像數(shù)據(jù)，獲取學(xué)生知識掌握情況，結(jié)合學(xué)科知識圖譜，確認可能存在問題的知識點，并通過對異常學(xué)習(xí)行為數(shù)據(jù)的挖掘，分析可能導(dǎo)致問題知識點出現(xiàn)的異常學(xué)習(xí)行為。

（3）對步驟（2）和步驟（1）進行遞歸迭代，直到?jīng)]有前序問題知識點為止，通過對關(guān)聯(lián)前序薄弱知識點和異常學(xué)習(xí)行為等因素的分析，在遞歸迭代過程中生成具有掌握程度指標的待學(xué)習(xí)知識點集合。

（4）基于各知識點權(quán)重和知識圖譜中知識點間的邏輯關(guān)系，采用上下文關(guān)系預(yù)測方法，精準定位可量化的個性化學(xué)習(xí)任務(wù)。

2. 高適配學(xué)習(xí)路徑規(guī)劃

高適配學(xué)習(xí)路徑的規(guī)劃，除了以能夠直接搜集到的結(jié)構(gòu)化學(xué)習(xí)行為數(shù)據(jù)為依據(jù)外，還需要根據(jù)學(xué)生的個性化學(xué)習(xí)任務(wù)和學(xué)習(xí)特征，從學(xué)習(xí)路網(wǎng)中選擇符合學(xué)生認知特點和已有知識水平的學(xué)習(xí)活動安排以及每個活動適配的學(xué)習(xí)資源。因此，學(xué)習(xí)路徑規(guī)劃算法輸入的數(shù)據(jù)應(yīng)包括學(xué)生的個性化學(xué)習(xí)任務(wù)集、學(xué)習(xí)畫像，學(xué)科知識圖譜以及公共學(xué)習(xí)路網(wǎng)等；應(yīng)輸出的結(jié)果是針對學(xué)生學(xué)習(xí)特點的可解釋的高適配學(xué)習(xí)活動安排和學(xué)習(xí)資源。具體算法如下：

（1）將學(xué)生學(xué)習(xí)行為、軌跡以及最佳公共學(xué)習(xí)路徑轉(zhuǎn)化為能夠充分反應(yīng)時間、空間，以及學(xué)生、教師、知識點和資源間相互作用關(guān)系等特征的拓撲圖，進行對比分析，針對異常學(xué)習(xí)行為，遴選出對應(yīng)的候選替換行為。

（2）應(yīng)用強化學(xué)習(xí)將候選替換行為作為異常行為步的動作選擇空間，計算執(zhí)行空間中每一個選擇替換行為后的有效性獎勵，并進行迭代決策。

（3）在迭代過程中，針對每個異常行為步，從動作選擇空間中選擇某一個替換行為進行評估，直至將整個異常學(xué)習(xí)行為序列執(zhí)行完畢。

（4）對學(xué)生在問題知識點進行評估，反饋替換學(xué)習(xí)行為的可能有效性獎勵，判斷學(xué)習(xí)服務(wù)推薦下核心素養(yǎng)水平可能提升的程度。

（5）重復(fù)步驟（3）和（4）的過程，直到算法收斂，達到最優(yōu)學(xué)習(xí)結(jié)果，此時動作選擇空間中概率最高的替換行為，即為給這個學(xué)習(xí)推薦的異常學(xué)習(xí)行為糾正依據(jù)，進而確立個性化最佳學(xué)習(xí)路徑。

五、結(jié) 束 語

數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)是實現(xiàn)高質(zhì)量人才培養(yǎng)的有效途徑，這一目標的實現(xiàn)，不僅需要高速的網(wǎng)絡(luò)條件、學(xué)習(xí)終端和足夠的算力支持，更需要無感伴隨式的數(shù)據(jù)采集與分析、學(xué)習(xí)規(guī)律的抽取與建模、學(xué)習(xí)問題的發(fā)現(xiàn)與溯源、優(yōu)質(zhì)教師資源的匯聚與建序、個性化學(xué)習(xí)服務(wù)的規(guī)劃與推薦等。其中，既涉及個性化學(xué)習(xí)系統(tǒng)的規(guī)劃與設(shè)計，又包括優(yōu)質(zhì)資源的挖掘與共享，更涵蓋大模型等新一代人工智能技術(shù)的開發(fā)與應(yīng)用。未來，仍需在注重技術(shù)功能與教育價值融合基礎(chǔ)上，構(gòu)建針對不同學(xué)科內(nèi)容適配不同類別學(xué)生特點的學(xué)習(xí)路徑規(guī)劃大模型，以及精準動態(tài)評估學(xué)生學(xué)習(xí)效果的學(xué)習(xí)行為評價大模型等，進一步探索生成式人工智能技術(shù)在不同教學(xué)場景中的應(yīng)用契合性和實效性。

[參考文獻]

[1] 劉三女牙，李卿，孫建文，劉智． 量化學(xué)習(xí)：數(shù)字化學(xué)習(xí)發(fā)展前瞻[J]． 教育研究，2016，37（7）：119-126．

[2] 中共中央，國務(wù)院.中國教育現(xiàn)代化2035[EB/OL]. （2019-02-23）[2024-06-25]. https：//www.gov.cn/zhengce/2019-02/23/content_ 5367987.htm.

[3] 鄭永和，王一巖，楊淑豪． 人工智能賦能教育評價：價值、挑戰(zhàn)與路徑[J]． 開放教育研究，2024，30（4）：4-10．

[4] 郝建江，郭炯． 智能技術(shù)賦能精準教學(xué)的實現(xiàn)邏輯[J]． 電化教育研究，2022，43（6）：122-128.

[5] 鐘紹春，鐘卓，張琢． 如何構(gòu)建智慧課堂[J]． 電化教育研究，2020，41（10）：15-21，28．

[6] 黃榮懷，劉夢彧，劉嘉豪，等． 智慧教育之“為何” 與“何為” ——關(guān)于智能時代教育的表現(xiàn)性與建構(gòu)性特征分析[J]． 電化教育研究，2023，44（1）：5-12，35．

[7] SUN X， ZHAO X， LI B ，et al． Dynamic key-value memory networks with rich features for knowledge tracing[J]． IEEE transactions on cybernetics，2022，52（8）：8239-8245．

[8] 姜強，馮雅楠，金美伶，等． 基于在線同伴互評的內(nèi)隱行為規(guī)律挖掘及其影響機理研究[J]． 現(xiàn)代遠距離教育，2024（1）：32-44．

[9] 張思，高倩倩，馬鑫倩，等． 私播課論壇中學(xué)習(xí)者會話行為建模研究[J]． 電化教育研究，2021，42（11）：63-68，106．

[10] KURILOVAS E， ZILINSKIENE I， DAGIENE V． Recommending suitable learning paths according to learners' preferences：experimental research results[J]． Computers in human behavior，2015，51：945-951．

[11] 范云霞，杜佳慧，張杰，等． 面向動態(tài)學(xué)習(xí)環(huán)境的自適應(yīng)學(xué)習(xí)路徑推薦模型[J]． 電化教育研究，2024，45（6）：89-96，105．

[12] 盧宇，余京蕾，陳鵬鶴，等． 多模態(tài)大模型的教育應(yīng)用研究與展望[J]． 電化教育研究，2023，44（6）：38-44．

[13] 楊宗凱，王俊，吳砥，等. ChatGPT/生成式人工智能對教育的影響探析及應(yīng)對策略[J]. 華東師范大學(xué)學(xué)報（教育科學(xué)版），2023，41（7）：26-35.

Data-driven Personalized Learning： Real Problems， Ought-to-be Logic and Implementation Paths

ZHONG Shaochun1，" YANG Lan2，" "FAN Jiarong3

（1.Ministry of Education Digital Learning Support Technology Engineering Research Center， Northeast Normal University， Changchun Jilin 130117; 2.School of information science and technology， Northeast Normal University， Changchun" Jilin 130117; 3.School of Journalism and Communication， Jilin Normal University， Changchun Jilin 130012）

[Abstract] The comprehensive advancement of educational digital transformation and the widespread application of artificial intelligence in education have provided a practical way to solve the problem of personalized learning， and data-driven personalized learning has become a necessary path for high-quality education development. However， the current data-driven personalized learning is generally characterized by bottleneck problems such as low precision of learning behavior perception and state evaluation， inaccurate mining of learning features， incomplete mining of learning laws， insufficient tracing of learning problems， and poor precision of learning intervention. Therefore， the study analyzes the ought-to-be logic of data-driven personalized learning from the aspects of context perception， subject understanding， and intelligent intervention. Based on this， from the effective perception and understanding of learning behavior data， personalized learning tracking with precise assessment of learning effects， tracing the causes of learning problems of weak knowledge points and abnormal learning behaviors，high-order reasoning of educational knowledge graph for discovering potential interactive learning laws， the construction of public learning networks and the planning of high-adaptive personalized learning paths， the study discusses the implementation path and methods of data-driven personalized learning.

[Keywords] Personalized Learning; Data-driven; Context Awareness; Learning Path Planning; Educational Knowledge Graph