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(gè)性化學(xué)習(xí)”的由來，然后從“促進(jìn)個(gè)性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模”“促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能”和“促進(jìn)個(gè)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(gè)方面，對(duì)促進(jìn)“個(gè)性化學(xué)習(xí)”的理論、技術(shù)與方法作了較全面、深入的論述。由于人工智能技術(shù)用于促進(jìn)個(gè)性化學(xué)習(xí)，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)，適應(yīng)性系統(tǒng)的研發(fā)必須滿足“四維適應(yīng)”的需求。
關(guān)鍵詞：個(gè)性化學(xué)習(xí)；學(xué)習(xí)者建模；人工智能；教育數(shù)據(jù)挖掘；適應(yīng)性教學(xué)；自適應(yīng)教學(xué)
一、導(dǎo)言——“個(gè)性化學(xué)習(xí)”的由來
《教育傳播與技術(shù)研究手冊(cè)（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(gè)性化學(xué)習(xí)、教學(xué)和績(jī)效的先進(jìn)技術(shù)”（任友群等，2015）。該章內(nèi)容主要涉及三個(gè)方面：一是促進(jìn)個(gè)性化學(xué)習(xí)的核心理論——學(xué)習(xí)者建模；二是促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能；三是促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之二——教育數(shù)據(jù)挖掘。“個(gè)性化教學(xué)”最早出現(xiàn)于凱勒（Keller）提出的個(gè)性化教學(xué)系統(tǒng)（personalized system instruction，簡(jiǎn)稱PSI）（Lockee et al.，2008）。二十世紀(jì)七十年代，凱勒（Keller，1974）已對(duì)個(gè)性化教學(xué)系統(tǒng)開展了近十年的研究，并展望了個(gè)性化教學(xué)的未來發(fā)展，聲稱：“我們需要技術(shù)，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。……今天我們擁有的證據(jù)使我們相信個(gè)性化教學(xué)將會(huì)生存下去——傳統(tǒng)教育的日子屈指可數(shù)。”
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），為個(gè)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(gè)性化需求，可以說這種需求是千變?nèi)f化的。在信息技術(shù)尚未出現(xiàn)或仍處于萌芽時(shí)期，要想適應(yīng)不同學(xué)習(xí)者的不同需求，真正實(shí)現(xiàn)個(gè)性化教學(xué)，是根本不可能的，甚至是無法想象的。但是，二十世紀(jì)九十年代以來，隨著以多媒體計(jì)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，人工智能技術(shù)（包括“自適應(yīng)技術(shù)”）有了新的突破，出現(xiàn)一批“智能代理”型適應(yīng)性教學(xué)系統(tǒng)（Shute & Zapata-Rivera，2008），這類系統(tǒng)既能基于認(rèn)知特點(diǎn)的自動(dòng)識(shí)別，支持和促進(jìn)學(xué)習(xí)者對(duì)復(fù)雜、抽象概念的學(xué)習(xí)與理解，又能基于情感態(tài)度的自動(dòng)辨別與感知，為學(xué)習(xí)者提供適應(yīng)其個(gè)人愛好的學(xué)習(xí)資源與學(xué)習(xí)方式。這樣，個(gè)性化教學(xué)就不再停留在理論和觀念層面，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(duì)某些學(xué)科的部分內(nèi)容能做到這點(diǎn)），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(huì)有一批以“智能代理”形式出現(xiàn)的“個(gè)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)。從學(xué)習(xí)者的角度看有利于個(gè)性化教學(xué)的系統(tǒng)自然也是有利于促進(jìn)個(gè)性化學(xué)習(xí)的系統(tǒng)。一般認(rèn)為，這是近年來“個(gè)性化教學(xué)系統(tǒng)”逐漸被“個(gè)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。我個(gè)人認(rèn)為，這種說法的改變只是表面現(xiàn)象，而非本質(zhì)上的原因，這種“說法”改變的根本原因，應(yīng)該與建構(gòu)主義有關(guān)。眾所周知，二十世紀(jì)九十年代以來，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、自主發(fā)現(xiàn)”的教學(xué)觀念在整個(gè)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(duì)教師如何教”的關(guān)注，完全被“對(duì)學(xué)生如何學(xué)”的關(guān)注所取代。在這樣的背景下，“個(gè)性化教學(xué)系統(tǒng)”的名稱讓位給“個(gè)性化學(xué)習(xí)系統(tǒng)”，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(guó)爆發(fā)“建構(gòu)主義教學(xué)——成功還是失敗？”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(dòng)搖）。
二、促進(jìn)個(gè)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)者建模”，相關(guān)文獻(xiàn)也稱之為“學(xué)生建模”或“用戶建模”（超媒體和Web應(yīng)用領(lǐng)域的教學(xué)研究人員比較愛用“用戶建模”這一術(shù)語）。這種模型是創(chuàng)建能夠提供個(gè)性化學(xué)習(xí)的適應(yīng)性系統(tǒng)的關(guān)鍵與核心。模型包含的相關(guān)信息越多，系統(tǒng)的適應(yīng)性能力就越強(qiáng)，學(xué)習(xí)過程的個(gè)性化程度就越高。學(xué)習(xí)者模型應(yīng)包含哪些類型的信息，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(dòng)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(gè)或幾個(gè)可用于調(diào)整教學(xué)的“學(xué)習(xí)者特征”（如先前的知識(shí)、學(xué)習(xí)風(fēng)格、認(rèn)知特點(diǎn)、學(xué)習(xí)動(dòng)機(jī)等），也可以是更先進(jìn)的、高度動(dòng)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，一般稱為學(xué)習(xí)者的“靜態(tài)模型”（Vandewaetere et al.，2011）；反之，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，被稱之為學(xué)習(xí)者的“動(dòng)態(tài)模型”。
過去十年里，由于信息技術(shù)的快速發(fā)展，計(jì)算能力有了極大提升，產(chǎn)生了更高級(jí)、復(fù)雜的學(xué)習(xí)模型——“適應(yīng)性教學(xué)系統(tǒng)”。所謂“適應(yīng)性”，是利用基于先前學(xué)習(xí)任務(wù)的測(cè)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）。這類模型包含較多的一般性信息（Rich，1979），可將學(xué)習(xí)者按照事先確定的學(xué)習(xí)者特征歸類，并分成若干小組，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(dòng)具有某種“適應(yīng)性”）。特朗特菲洛（Triantafillou et al.，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(chǎng)獨(dú)立”型或“場(chǎng)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。該系統(tǒng)的重要缺陷是完全依賴靜態(tài)模型，而忽視背景因素和實(shí)際情境（有些學(xué)習(xí)者特征會(huì)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(huì)因情境不同而受影響）。此外，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，這是該系統(tǒng)的另一個(gè)不足。這些問題只有依靠“動(dòng)態(tài)建模”才有可能解決。
動(dòng)態(tài)建模的方法是“基于特征的建模”（Feature-based Modeling），這種方法可以捕捉學(xué)習(xí)者的個(gè)人特征，動(dòng)態(tài)跟蹤學(xué)習(xí)者個(gè)人特征的變化，還可在學(xué)習(xí)者與環(huán)境交互（人機(jī)交互、師生交互、生生交互）的過程中獲取相關(guān)信息，隨時(shí)更新和擴(kuò)展模型。目前這種精細(xì)化的動(dòng)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）。
動(dòng)態(tài)建模還有一種方法是“原型建模”，就是完全根據(jù)學(xué)習(xí)者特征的原型，對(duì)學(xué)習(xí)者進(jìn)行分類。這種方法通常不單獨(dú)使用，而是和“基于特征的建模”有機(jī)整合在一起——在這種整合后的新方法中，第一步就是根據(jù)“原型建模”將學(xué)習(xí)者進(jìn)行分類；第二步是激活學(xué)習(xí)者個(gè)體的“動(dòng)態(tài)模型”（通過“基于特征建模”方法建立的“動(dòng)態(tài)模型”）（Tsiriga & Virvou，2003）。通過這種基于學(xué)習(xí)者“動(dòng)態(tài)模型”建立的“自適應(yīng)教學(xué)系統(tǒng)”，教師能夠很容易地識(shí)別出“新用戶”和“新學(xué)習(xí)者”（Brusilovsky & Millan，2007），并隨時(shí)了解和掌握學(xué)習(xí)者在不同學(xué)習(xí)情境下的動(dòng)態(tài)特征，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，動(dòng)態(tài)建模主要使用“基于特征”的建模方法，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(shí)別學(xué)習(xí)者的特點(diǎn)與行為模式，并將這些特點(diǎn)與模式隨時(shí)融合到學(xué)習(xí)者模型中。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(chǎng)合，這種“全程測(cè)量”并使用“軟計(jì)算”方式（模糊邏輯是“軟計(jì)算”中的常用手段）的技術(shù)，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.，2005）——事實(shí)上，專家們認(rèn)為，模糊邏輯這種方式更適合于表征人類導(dǎo)師評(píng)估學(xué)習(xí)者的方式（Fazlollahtabar & Mahdavi，2009；Jeremic et al.，2009；Xu & Wang，2006）。
機(jī)器學(xué)習(xí)技術(shù)關(guān)注神經(jīng)網(wǎng)絡(luò)，可以預(yù)測(cè)學(xué)習(xí)者的反應(yīng)和錯(cuò)誤。基于對(duì)學(xué)習(xí)者反應(yīng)的預(yù)測(cè)，它還可提供適應(yīng)性學(xué)習(xí)路徑（Beck，Jia，Sison，& Mostow，2003；Beck & Woolf，2000）。
在機(jī)器學(xué)習(xí)中，除模糊邏輯外，研究者還報(bào)告了“貝葉斯概率”方法的應(yīng)用。例如，伽西亞等人（Garcia et al.，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(cè)不同學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，構(gòu)建了貝葉斯網(wǎng)絡(luò)。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.，2002）。
（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(gè)性化學(xué)習(xí)的自適應(yīng)系統(tǒng)的關(guān)鍵與核心。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、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）。塞勒夫（Self，1990）認(rèn)為，對(duì)學(xué)習(xí)者建模的研究，“應(yīng)該制定更現(xiàn)實(shí)的目標(biāo)，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，也更實(shí)用”。
塞勒夫建議，應(yīng)該重新考慮學(xué)習(xí)者模型的作用。為此，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，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，布爾及其同事（Bull et al.，2005）開發(fā)了開放式學(xué)習(xí)者模型，并向?qū)W習(xí)者開放，使學(xué)習(xí)者能夠看到學(xué)習(xí)者模型中的信息，從而便于學(xué)習(xí)者對(duì)自身學(xué)習(xí)過程進(jìn)行自我監(jiān)控、自我反思和自我評(píng)估（Bull et al.，2008）。
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，帶有先決條件和內(nèi)容結(jié)構(gòu)的“樹狀圖”，也可以是動(dòng)畫或觸感式反饋（Bull et al.，2005）。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，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(gè)時(shí)期學(xué)習(xí)者建模領(lǐng)域的重要研究方向，值得我們持續(xù)而認(rèn)真的關(guān)注。
三、促進(jìn)個(gè)性化學(xué)習(xí)的關(guān)鍵技術(shù)之一——人工智能
目前，人工智能技術(shù)在促進(jìn)個(gè)性化學(xué)習(xí)方面的應(yīng)用主要體現(xiàn)在三個(gè)方面：一是“基于知識(shí)的智能輔導(dǎo)系統(tǒng)”，二是“基于情感識(shí)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)”。下面對(duì)這三方面應(yīng)用作具體闡述。
（一）基于知識(shí)的智能輔導(dǎo)系統(tǒng)
基于知識(shí)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(duì)知識(shí)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）。該系統(tǒng)集成了人工智能領(lǐng)域的三個(gè)組件（Akhras & Self，2002）：
第一個(gè)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(zhēng)議的）主題——如學(xué)習(xí)者的原有知識(shí)水平、認(rèn)知特點(diǎn)、學(xué)習(xí)風(fēng)格、分析問題和解決問題的能力等；
第二個(gè)組件是領(lǐng)域模型，該模型是對(duì)學(xué)習(xí)內(nèi)容或欲傳授知識(shí)的表征，也包含不同領(lǐng)域的知識(shí)元素之間的關(guān)系；
第三個(gè)組件是教學(xué)模塊（或輔導(dǎo)模塊），是具體實(shí)施教學(xué)過程的模塊，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(shí)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。
在“跟蹤模型的認(rèn)知導(dǎo)師”系統(tǒng)中，問題解決的每個(gè)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.，2005），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(cuò)誤概念）。安德松（Anderson，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），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)。由于實(shí)現(xiàn)了學(xué)習(xí)者所需掌握知識(shí)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。
在“基于約束條件的導(dǎo)師”系統(tǒng)中，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(píng)估學(xué)習(xí)者行為。基于約束條件的建模基礎(chǔ)是從錯(cuò)誤表現(xiàn)中學(xué)習(xí)，為此，該系統(tǒng)采用一組狀態(tài)的約束（或與其等價(jià)的問題狀態(tài)）表征領(lǐng)域模型。如果學(xué)習(xí)者的問題解決方法是正確的，約束條件就不會(huì)被違背；一旦違背了約束條件，就意味著這里面存在有因錯(cuò)誤或不完善知識(shí)所導(dǎo)致的偏頗。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。由于約束條件比產(chǎn)生式規(guī)則更易于明確表達(dá)，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，但按照約束條件所建立的學(xué)習(xí)者模型，性能也要弱一些——因?yàn)閷?duì)于某些“結(jié)構(gòu)不良”的知識(shí)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。可見，兩者各有利弊。
“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，認(rèn)知模型不是用”產(chǎn)生式規(guī)則”表示，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。這種認(rèn)知模型表示方式的好處是，無需確定正式步驟和約束條件，系統(tǒng)就能識(shí)別更廣泛的合乎要求的學(xué)習(xí)者行為。
上面所列出的幾種智能導(dǎo)師系統(tǒng)，其共同特點(diǎn)是都把學(xué)習(xí)過程只看成是“知識(shí)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），以便用來幫助學(xué)習(xí)者完成知識(shí)意義的建構(gòu)（尤其是對(duì)復(fù)雜、抽象概念的理解與掌握）。但是，近年來，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(shí)建構(gòu)轉(zhuǎn)向基于情感識(shí)別和代理的智能輔助教學(xué)系統(tǒng)，下面就是有關(guān)這個(gè)新研究領(lǐng)域的介紹與論述。
（二）基于情感識(shí)別的智能輔導(dǎo)系統(tǒng)
要實(shí)現(xiàn)基于情感識(shí)別的智能輔導(dǎo)系統(tǒng)，關(guān)鍵是要設(shè)計(jì)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(shí)別模型”（簡(jiǎn)稱“情感識(shí)別模型”）。利用人工智能的自動(dòng)檢測(cè)與識(shí)別情感的技術(shù)、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(cè)量方法的缺點(diǎn)。目前，應(yīng)用于探測(cè)情感（以便構(gòu)建“情感識(shí)別模型”）的測(cè)量工具有：
1）測(cè)量大腦活動(dòng)的“腦電圖”（Blanchard et al.，2007）；
2）捕捉面部肌肉活動(dòng)的“肌電圖”（Liu，Rani，& Sarkar，2005）；
3）測(cè)量壓力和興奮的“皮膚電反應(yīng)器”（Blanchard et al.，2007；Liu et al.，2005）；
4）通過數(shù)碼相機(jī)分析身體活動(dòng)的“姿勢(shì)分析器”（Sebe，Cohen，& Huang，2005）；
5）利用計(jì)算模式推斷學(xué)習(xí)者精神狀態(tài)的“面部表情識(shí)別器”（Arroyo et al.，2009）。
由于情感在人類的認(rèn)知過程中起著監(jiān)控作用，所以在智能輔助教學(xué)系統(tǒng)中“情感識(shí)別模型”變得越來越重要。對(duì)學(xué)習(xí)者的動(dòng)機(jī)、沮喪、壓力和自我效能感的自動(dòng)探測(cè)，產(chǎn)生了高適應(yīng)性（即個(gè)性化）學(xué)習(xí)環(huán)境以及基于情感識(shí)別的智能輔導(dǎo)系統(tǒng)開發(fā)的新方法。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(shí)別的智能教學(xué)系統(tǒng)，盡管學(xué)習(xí)者的成績(jī)進(jìn)步差異并不顯著，但在動(dòng)機(jī)、自我效能感、興趣和感知控制等方面，學(xué)習(xí)者顯示出明顯的優(yōu)勢(shì)，尤其是情感性輔導(dǎo)對(duì)于領(lǐng)域知識(shí)水平較低學(xué)生的深度學(xué)習(xí)有良好的促進(jìn)作用。
（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。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.，2003）。在基于代理的系統(tǒng)中，教學(xué)代理接受環(huán)境的輸入，隨后在環(huán)境中進(jìn)行相關(guān)操作。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、競(jìng)爭(zhēng)者、受指導(dǎo)者、學(xué)習(xí)者或搗亂者（Chou et al.，2003）。
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(duì)話，了解學(xué)習(xí)者或其學(xué)習(xí)伙伴的行為模式，每種行為模式都和某種具體的教學(xué)策略對(duì)應(yīng)。為捕捉學(xué)習(xí)者與導(dǎo)師對(duì)話的特點(diǎn)，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，簡(jiǎn)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(dòng)生成、理解與識(shí)別）。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)。
（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(cè)（第四版）》第34章的作者認(rèn)為，當(dāng)前人工智能教育應(yīng)用面臨三大挑戰(zhàn)。
第一個(gè)挑戰(zhàn)是各種智能輔導(dǎo)教學(xué)系統(tǒng)的研制與開發(fā)。目前的現(xiàn)實(shí)是1小時(shí)的智能輔助教學(xué)，普遍需要100到幾百（乃至上千）小時(shí)的研發(fā)。為了應(yīng)對(duì)這一挑戰(zhàn)，必須提高研發(fā)效率，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。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）、便于開發(fā)“基于約束條件導(dǎo)師系統(tǒng)”的ASPIRE工具（Mitrovic & Koedinger，2009）以及慕瑞（Murray，2003）推薦的其他幾個(gè)創(chuàng)作工具，都是功能較好的，可以考慮應(yīng)用與推廣的對(duì)象。
第二個(gè)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。人工智能技術(shù)的應(yīng)用，需要復(fù)雜的算法和海量?jī)?nèi)存的支持，若智能輔助教學(xué)系統(tǒng)功能過強(qiáng)、系統(tǒng)太復(fù)雜，那么，在常態(tài)化實(shí)施過程中，將會(huì)被一般學(xué)校和班級(jí)的技術(shù)限制所阻礙。
第三個(gè)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(gè)性化”的學(xué)習(xí)環(huán)境。由于人工智能教育應(yīng)用涉及許多高、精、尖技術(shù)，這就使從事人工智能教育應(yīng)用的研究人員，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。所以，如何讓這個(gè)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(gè)性化”的學(xué)習(xí)環(huán)境，這是人工智能教育應(yīng)用領(lǐng)域面臨的最大挑戰(zhàn)。
我們認(rèn)為，《手冊(cè)（第四版）》第34章作者的上述觀點(diǎn)，是經(jīng)過深刻反思并有許多實(shí)際案例佐證的，值得我們認(rèn)真學(xué)習(xí)與借鑒。
四、促進(jìn)個(gè)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，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?cái)?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(duì)數(shù)據(jù)庫(kù)的傳統(tǒng)研究，但是由于教育數(shù)據(jù)的基本特征有所不同，其挖掘方法和一般數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí)的方法有較大差異。就一般特征而言，教育數(shù)據(jù)往往是嵌套的——學(xué)生隸屬于班級(jí)，班級(jí)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。教育數(shù)據(jù)還具有多樣性、復(fù)雜性，這導(dǎo)致教育數(shù)據(jù)挖掘的方法多種多樣，并來自很多其他學(xué)科領(lǐng)域，比如心理測(cè)驗(yàn)、社會(huì)網(wǎng)絡(luò)分析、網(wǎng)絡(luò)挖掘、機(jī)器學(xué)習(xí)以及數(shù)據(jù)庫(kù)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，大致有五種：
一是“預(yù)測(cè)”法，目的是把相對(duì)獨(dú)立的變量（要預(yù)測(cè)的變量）組合在一起，以推測(cè)數(shù)據(jù)某一方面的變化（因變量或結(jié)果變量）。在解釋對(duì)結(jié)果變量的預(yù)測(cè)時(shí)，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(cè)調(diào)節(jié)性或中介性的因素。巴克（Baker，2010）描述了三種預(yù)測(cè)方法：“分類”“回歸分析”和“密度估計(jì)”；穆爾（Moore，2006）提供了有關(guān)這些方法的詳細(xì)信息。
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、學(xué)習(xí)者特征、學(xué)校、學(xué)生行為等）。聚類可以是細(xì)粒度的，如匯聚學(xué)生行為，以便發(fā)現(xiàn)其行為模式；也可以是粗粒度的，如探索學(xué)校之間的異同。
三是“關(guān)系挖掘”法，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，“如果變量Ｘ發(fā)生，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，變量Ｘ與變量Y之間呈正相關(guān)），或是通過因果關(guān)系推測(cè)新關(guān)系（如，如果Y發(fā)生，是由Ｘ引起的），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）。總之，發(fā)現(xiàn)新關(guān)系的過程，就是完成“關(guān)系挖掘”的過程。
四是“模型發(fā)現(xiàn)”法。在教育數(shù)據(jù)挖掘中，“模型發(fā)現(xiàn)”法已越來越流行。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，“預(yù)測(cè)”法的輸入）。“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？
2）不同類型的學(xué)生行為如何影響學(xué)生的學(xué)習(xí)？
3）隨著時(shí)間的流逝，智能輔導(dǎo)系統(tǒng)的設(shè)計(jì)變量將如何影響學(xué)生的行為？五是“文本挖掘”法。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(shí)提取，或用于分析和評(píng)估學(xué)習(xí)內(nèi)容管理系統(tǒng)，也可用于分析和評(píng)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(gè)性化教學(xué)中的應(yīng)用
教育數(shù)據(jù)挖掘?yàn)閭€(gè)性化學(xué)習(xí)環(huán)境的開發(fā)提供兩個(gè)關(guān)鍵性支持（Baker & Yacef，2009）：
一是對(duì)“學(xué)習(xí)者模型”的改進(jìn)。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)，從而創(chuàng)建更復(fù)雜、真實(shí)的學(xué)習(xí)者模型。例如，在“學(xué)生參與和系統(tǒng)博弈”課例中，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(dòng)機(jī)、學(xué)習(xí)活動(dòng)、情感、態(tài)度以及和系統(tǒng)博弈行為”聯(lián)系在一起的模型，同時(shí)還提取一些與博弈行為有關(guān)的模式，開發(fā)出能在檢測(cè)到學(xué)生的博弈行為后自動(dòng)進(jìn)行調(diào)整的新功能。
二是深化對(duì)“適應(yīng)性（即個(gè)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，2008）。依照這種方法，學(xué)生的后續(xù)成功（比如，獲得某種復(fù)雜的高階知識(shí)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)）。其結(jié)果是，每個(gè)支持類型都可以描繪出它對(duì)學(xué)習(xí)的相對(duì)有效性（事先必須對(duì)各種“學(xué)習(xí)支持”的方式、特點(diǎn)進(jìn)行收集與分類，并對(duì)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）。
雖然教育數(shù)據(jù)挖掘?yàn)閭€(gè)性化學(xué)習(xí)環(huán)境開發(fā)所提供的關(guān)鍵性支持，只涉及上述兩個(gè)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。例如，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(shí)，還可以通過分析日志文件估計(jì)學(xué)習(xí)者對(duì)學(xué)習(xí)材料的關(guān)注程度，并檢測(cè)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，教育數(shù)據(jù)具有許多與其他數(shù)據(jù)不同的特點(diǎn)，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。
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，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。這類數(shù)據(jù)庫(kù)的優(yōu)勢(shì)是便于訪問，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，使研究人員可以從多方面（比如從橫向、縱向或同時(shí)從橫縱向）對(duì)“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(duì)“教與學(xué)”過程的影響。
當(dāng)前教育數(shù)據(jù)挖掘面臨的一個(gè)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。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，教育工作者身邊有豐富的數(shù)據(jù)庫(kù)，可以為研究學(xué)習(xí)內(nèi)容、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，未能普及，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。為應(yīng)對(duì)這一挑戰(zhàn)，本領(lǐng)域的技術(shù)開發(fā)人員應(yīng)盡快對(duì)當(dāng)前有關(guān)教育數(shù)據(jù)挖掘的技術(shù)、手段、方法加以綜合、整理，并從中整合出一種功能齊全又容易操作的“挖掘工具”，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。
五、結(jié)語
人工智能技術(shù)用于促進(jìn)個(gè)性化學(xué)習(xí)，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。《手冊(cè)（第四版）》第34章的作者認(rèn)為，要達(dá)到這一目標(biāo)，適應(yīng)性系統(tǒng)應(yīng)從四個(gè)維度認(rèn)真考慮并滿足“適應(yīng)性”，這四個(gè)維度是：
1）“適應(yīng)的來源”（因何而變？）。關(guān)于適應(yīng)的來源，通常有兩個(gè)方面：一是只考慮與學(xué)習(xí)有關(guān)的參數(shù)，如“學(xué)習(xí)者特征”（包含先前的知識(shí)、學(xué)習(xí)風(fēng)格、認(rèn)知特點(diǎn)、學(xué)習(xí)動(dòng)機(jī)等）和“學(xué)習(xí)結(jié)果”（如完成學(xué)習(xí)任務(wù)的時(shí)間、知識(shí)與技能的提高、思維方面的發(fā)展等）；二是考慮學(xué)習(xí)者與適應(yīng)性系統(tǒng)的互動(dòng)，為此應(yīng)關(guān)注學(xué)習(xí)者與系統(tǒng)互動(dòng)時(shí)的行為。
2）“適應(yīng)的對(duì)象”（改變什么？）。這是指適應(yīng)性教學(xué)可以調(diào)整的對(duì)象（即系統(tǒng)中哪些內(nèi)容可以調(diào)整），它涉及三個(gè)方面：一是改變內(nèi)容或主題，這可以通過區(qū)分任務(wù)或項(xiàng)目的難度水平達(dá)到；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）；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。
3）“適應(yīng)的時(shí)間”（何時(shí)改變？）。適應(yīng)的時(shí)間是指系統(tǒng)對(duì)學(xué)習(xí)者的適應(yīng)在什么時(shí)候發(fā)生。應(yīng)當(dāng)注意到，在“靜態(tài)用戶建模”“動(dòng)態(tài)用戶建模”或“靜、動(dòng)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(shí)間”是不同的。以雙路徑建模為例，其適應(yīng)時(shí)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(cè)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(dòng)參數(shù)，進(jìn)行持續(xù)的建模與調(diào)整。
4）“適應(yīng)的方法”（如何改變？）。適應(yīng)的方法對(duì)“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；
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，各有利弊。為此，柯巴蘭及其同事（Corbalan et al.，2008，2009）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)，然后考慮學(xué)習(xí)者特點(diǎn)以便與之適應(yīng)。隨后，學(xué)習(xí)者還可以自由地選擇材料或任務(wù)。
通過對(duì)《手冊(cè)（第四版）》第34章作者所提出四維觀點(diǎn)的認(rèn)真分析，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(duì)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，因而對(duì)促進(jìn)個(gè)性化學(xué)習(xí)有重要意義，值得我們虛心學(xué)習(xí)與借鑒。
作者簡(jiǎn)介：何克抗，北京師范大學(xué)教育技術(shù)學(xué)院教授，東北師范大學(xué)榮譽(yù)教授（終身教授），北京師范大學(xué)現(xiàn)代教育技術(shù)研究 所所長(zhǎng)，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(huì)主任；先后還擔(dān)任過全國(guó)教師教育信息化專家委員會(huì)主任、中國(guó)教育技術(shù)協(xié)會(huì)學(xué)術(shù)委員會(huì)主任、全球華人計(jì)算機(jī)教育應(yīng)用學(xué)會(huì)（GCCCE）第一副主席和國(guó)際著名刊物《計(jì)算機(jī)輔助學(xué)習(xí)》（Journal of Computer Assisted Learning）編委等學(xué)術(shù)職務(wù)。
轉(zhuǎn)載自：《開放教育研究》2017年4月 總23卷 第2期
