首页 > 分享 > 自适应学习技术的应用、问题及趋势——访美国俄亥俄州立大学大卫·斯坦恩教授

自适应学习技术的应用、问题及趋势——访美国俄亥俄州立大学大卫·斯坦恩教授

萌宠菠菠乐园
2024-11-08 05:17

大卫·斯坦恩(David Stein)，美国俄亥俄州立大学教授，研究领域是互联网教育、在线与远程学习，研究重点是虚拟教室和成人学习。斯坦恩教授在美国高等教育界被公认为在线和远程学习的主要开发者。

记者：美国高等教育信息化协会(EDUCAUSE)把自适应学习技术(adaptive learning technology) 定义为“基于个人的能力或技能素养，动态调整课程内容的水平或类型，以提高学习者的主动学习和教师干预下的学习绩效”的技术。您如何看待这一定义?

斯坦恩教授：这个定义非常好。自适应的本质是个性化，自适应学习技术已出现相当长时间，最早可追溯到20世纪80年代，这种类似自动化辅导教师的“智能辅导系统”，就是自适应学习系统，它是实现个性化学习的有效途径，不同研究者对其命名不同，如智能教学系统(ITS)、自适应学习支持系统(ALSS)、适应性e-Learning系统(AES) 等，但目的是相同的，即为学习者提供适合其个体特征的适应性学习支持，使学习者更快、更有效地学习。

美国大部分自适应学习系统用于中小学数学等基于事实的课程，在是非题及有标准答案的客观题测试中非常有效。在主观题领域，如写作和需要批判性思维的课程，或讨论及小组协作学习，自适应学习就不容易实现。这方面已有研究和实践。

上个世纪90 年代有些专家着手主观题自动评分研究，研究方法包括概念映射法(concept mapping)、信息抽取法(information extraction)、基于语料库评分法(corpus-based methods)和机器学习法(machine learning)。概念映射法和信息抽取法属基于规则的自动评分方法，基于语料库评分方法和机器学习方法属基于统计的自动评分方法。

记者：已有文献预测自适应学习是在线教育发展的趋势，您认同这种预测吗?

斯坦恩教授：近年来，各国政府已意识到个性化学习的重要性，制定了相关的愿景和规划。英国政府2007年发布的《2020愿景》提出了个性化学习亟待解决的相关问题。美国教育部2010年颁布的《国家教育技术规划2010》，提出利用技术的力量提供个性化学习，使终身学习成为可能。

现有在线教育平台一般将各国优质课程放在平台上。丰富的优质课程资源给学习者提供了广泛的选择机会，但面对庞大的课程门类及不同种类的知识，平台很难做到面面俱到。同时，在线课程是网上的，学习者数量庞大，教师与学生难以展开互动，兼顾所有学生几乎不可能。此外，在线课程很大程度上依赖于自学和学习者之间的交流，需要学习者有较强的自学能力和计算机素养，且学生人数过多，知识水平参差不齐，这极大地影响了教育的公平和慕课的普及。

因此，如何划分不同的课程层次，并根据学生需求和知识水平针对性地提供教育成为制约在线教育发展的首要问题。自适应学习系统能判断在线学习者的优势和差异，从而匹配适合的学习资源，实现个性化学习，培养个性化人才。

记者：现有在线教育平台不具有自适应性吗?这些平台应如何加以改造?

斯坦恩教授：网络教学平台是在线教育发展的技术基础，美国最具影响力的三大慕课运营机构Coursera、Udacity和edX都开发了自己的平台。其他国家的慕课平台也陆续推出，如英国的FutureLearn、欧洲的OpenupEd、德国的OpenCourseWorld、澳大利亚的Open2Study 等。中国较知名的慕课平台有中国大学MOOC、学堂在线、好大学在线等。

正如前面所提，各类慕课平台大都沿袭传统的课程结构，学习者按设定的学习内容和活动学习。然而，适应性学习应是网状模型的，需要分析学习者的初始能力、学习风格和学习动机等，因此，现有慕课平台要具有自适应性，可以尝试将自适应学习系统中的相关理论和做法引入到慕课系统中。

具体来说，个性化的慕课平台应该具有三层系统架构，分别是用户界面层、服务层和数据层。用户界面层应包含课程管理模块、学习管理模块和专家模块；服务层应包含搜索服务、任务调度、笔记服务、社区服务、分析服务、学生模型、评分服务及语音识别合成等；数据层应包含云存储、课程数据、学习数据、笔记数据、社区数据及分析数据等。

edX是麻省理工学院和哈佛大学于2012年5月联合推出的非盈利教育网站。edX 平台的代码全部免费、开源，主要采用Python 语言实现，在AGPL许可证协议下，公众可以自由地运行、复制或者发行软件，也可以对软件进行修改，且修改文本的源代码也向公众开放，有利于集众人的智慧，开发更优秀的软件。edX实现了慕课系统的必需功能，包括用户管理、课程管理、课程设计、测试管理、评价管理、互动交流等。但edX自动评分功能只提供单选、多选和填空(固定内容) 的答案自动检测，远无法满足个性化教与学的需求。

在自适应学习中，开放式填空和问答题等主观题型广泛存在，并具有独特的优势，要对该平台进行改造，使其对主观题型进行自动答案检测及评分，可以运用前面提到的基于规则的自动评分方法和基于统计的自动评分方法。

具体思路是将评分过程分为三个阶段：第一个阶段运用基于规则的自动评分方法检测语法及概念错误，第二个阶段运用基于统计的自动评分方法将学生答案和正确答案进行相似性计算，第三个阶段将前两个阶段的结果相结合，得到最终分数。

之所以这样划分，是依据主观题的人工评分方法，即教师在评阅主观题时一般是将每道试题的总分按照预先制定好的一套评分标准划分成若干部分，将其分配到相应的得分点上，得分点是试题求解过程中的一些关键步骤或关键词语，教师首先检查学生答案中的得分点，得分点多则分数高，然后再检查学生答案和标准答案的贴近度，贴近度高则分数高，最后再检查学生的答案是否有条理、语言是否通顺等，对分数进行适当调整。

上述思路的实现方法通常是在第一个阶段中，建立词法分析器和句法分析器，检测语句内部的错误，并计算多个语句的语义，检查是否存在语句搭配、逻辑等问题；在第二阶段，对试题及答案建模，对比现有文本相似性计算方法，改进现有语义相似度，探索适合课程试题特性的相似度计算方法。已有的相似度计算方法有集合模型的相似度算法、TF-IDF(Term frequency－Inverse document frequency)算法、基于空间向量的余弦算法、隐性语义标引算法、基于向量空间模型的语义相似度算法、局部敏感哈希算法等。在完成两个阶段的评分后，第三个阶段可以创建动态评分模型，整合前两个阶段的分数，并结合前两个阶段学生答案存在的问题，给出提示信息，在学生需要时给予反馈。

除在慕课平台通过扩展和改造实现主观题自动评分外，还可以给慕课平台增加语音识别和语音合成功能。语音识别和语音合成是实现在线课程交互式听与说的关键。例如，利用语音识别、语音合成、主观题自动评分功能，教师可以设计情景式、交互式对话作业(小游戏)，学生通过语音回答作业(小游戏)中的对话问题，作业(小游戏)则根据其回答进入不同场景。

语音识别技术(Auto Speech Ｒecognize，简称ASＲ)是让机器能够“听懂”人类的语音，将语音中包含的文本信息“提取”出来，相当于给机器安装上“耳朵”，使其具备“能听”的功能。语音合成技术(Text to Speech，简称TTS) 涉及语言学、声学、数字信号处理、计算机科学等多个学科技术，解决如何“让机器像人一样开口说话”。

就慕课平台而言，可以采用科大讯飞公司的讯飞开放云平台的语音识别和语音合成功能，将其嵌入到慕课系统中。科大讯飞公司的讯飞开放云平台是当前公认最好的语音识别与合成系统之一，支持中、英、日、韩、俄、法、西等语种的识别，语音识别准确率已经超过98%。慕课系统可以利用该平台，针对教师提供图形化调用界面，使教师能够方便调用不同语种语音识别和合成功能，构建含有语音识别和合成功能的在线课程。

记者：目前有关自适应学习系统的研究和应用思路，主要体现在学习路径推荐算法和学生模型的研究和应用方面，如何设计自适应学习系统的算法和学生模型?

斯坦恩教授：自适应学习技术的发展，一方面得益于教育领域慕课的兴起，另一方面得益于数据科学领域机器学习方法的发展。机器学习是近二十多年兴起的一门多领域交叉学科。机器学习理论主要是设计和分析让计算机自动“学习”的算法。

机器学习算法是从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。深度学习(deep learning)是机器学习的分支，也是机器学习最重要的研究内容。《MIT技术评论》杂志将深度学习列为2013年十大突破性技术之首。

随着人们对深度学习的探索，其在图像、语音识别、自然语言处理等领域取得了重大进展。深度学习是利用深层神经网络自动学习数据的一种表示。基于使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

已有工作表明，随着网络层数的加深，深度学习算法可以学习越来越抽象的数据表示。如时间递归神经网络是深度学习的典型模型。斯坦福大学博士克里斯·皮耶希(Chris Piech)2015年在29届神经信息处理系统论坛提出的时间递归神经网络进行知识跟踪建模和深度知识跟踪方法，比贝叶斯知识跟踪的准确性有了显著提高，且无需教师标记试题的知识点，能有效减少教师工作量。

学生模型(student model) 是学生在计算机系统中的抽象，是学生认知状态的表示。它是自适应学习系统实现智能化的重要组成部分。学生模型的主要功能是描述学生的知识状态，包括学生已获得的知识或形成的错误概念等。学生模型可分为知识跟踪和模型跟踪两种。

知识跟踪主要通过人工智能方法训练模型并预测学生的知识状态，是评估学生知识掌握程度的方法。

模型跟踪对学生学习和解决问题的过程进行建模，了解学生有效的学习方法和过程以及如何解决问题，通过模型对学生的学习过程和问题求解过程进行有效的指导、提示和帮助。当学生与学习资料交互时，它会跟踪学生取得的进步，使系统适应学生。自适应学习系统利用存储在学生模型的信息调整适应这种与学生相互影响的方式。根据学生模型数据，系统诊断学生的知识状态，并及时给予学生教学提示和错误反馈，从而实现个性化教学。

学生模型特征的完整性、表征的准确性直接关系学习系统能否为学生提供与之相适应的学习策略、学习内容和学习资源等，进而决定学生个性化学习能否实现。简单来说，算法就是比较学习者的答案与预期答案间的差距。为使系统能根据学生模型自适应地呈现学习资源、学习导航和学习策略，系统运用算法生成精准的个性化学习路径。

这种自适应学习的想法也可以从游戏中得到启示。我教学时运用“BＲANCH STOＲY”游戏，要求学习者作决定，学习者的学习路径与最终获得的“故事”，是与学习者的答复或决定相适应，这其实就是算法在起作用。

记者：除前面提到的通过学生模型获知学生的学习水平外，能否运用信息技术辅助自适应学习系统实现对学习者的全面把握?

斯坦恩教授：答案是肯定的。伴随着大数据技术、学习分析技术及情境感知技术等的发展与普及，技术为在线教育的发展尤其是为慕课发展提供了可能。就学习分析技术而言，采用自动化的数据采集方式，分析的数据主要源于慕课数据库；利用数据挖掘技术，采用适当的分析工具及方法对数据开展挖掘分析；学习分析技术可以将分析结果可视化呈现出来，供教师对自身的教学及学习者对自己的学习作出判断和评价。简单来说，这些技术可以全面了解学习者已有的知识水平和学习风格。

今年我曾前往中国华中师范大学教授课程设计，我向俄亥俄州立大学远程教育与在线学习办公室提出申请并获得协助和支持。远程教育与在线学习办公室的使命是通过技术完备的教室、集中学习系统、技术教学创新和远程教育机会，为校内外学生提供丰富的教育体验，让他们实现终身学习。该部门有专业的技术人员和先进的信息技术手段，可以采用学习分析技术帮助我了解在线学习者的学习，以便更好地开展个性化教学。

记者：学习支持服务被认为是在线教育取得成功的重要因素之一，但学习支持服务的核心问题并没有得到解决，如学习者在何时需要何种学习支持服务?提供了相应学习支持服务后会起到何种效果?这些问题能否通过自适应学习技术的应用得到解决?

斯坦恩教授：远距离教育专家德斯蒙德·基更说过：“要想方设法使未经考试进入学校的学生能坚持到底，这意味着提供教育一方要在学习支持服务上花费更大的精力。”美国很多大学都提供丰富的在线课程，做到这一点的基础之一是有强大稳固的系统，能及时处理学生学习问题。

因为不同于实体课堂，在线课堂是跨越时区的，美国朝九晚五的工作时间肯定不能满足中国学习者的需求，好的学习支持服务必须要保证学生注册、付费、学习等环节都实现自动化。提供付费在线课程的机构会投入大量的人力物力为学习者提供24小时的学习支持服务。学习者学习过程中遇到技术难题，良好的学习支持服务必须立即作出反应，以保持学习者的学习兴趣，增进学习体验。

将自适应学习技术应用于在线教育能为学习者提供个性化的学习路径，指引有效学习的发生：

一方面，个性化分析能发现学习者与资源的沟通障碍，从而为学习者推荐个性化学习资源。推荐资源可依据学习者学习内容的关联度，以扩展学习者学习的宽度；也可以基于学习者的学习进度推荐深层次的知识点，循序渐进地引导学习者更深层学习；还可以基于学习者的学习风格推荐，适应学习者的差异，让按需学习、自主学习成为可能。

另一方面，针对在线学习者和平台之间的主客体关系，为学习者推荐学习伙伴，包括基于学习者之间的交互程度和资源使用相似度推荐。基于学习者之间的交互程度指学习者之间交互多的可以推荐，如讨论区学习者A经常回答学习者B的问题，那么可以把学习者A推荐给学习者B，两人结成学习伙伴；基于资源使用相似度指学习者A和学习者B在某段时间都学习相同内容，那么他们可以相互推荐，使两人结成伙伴。

可见，由自适应学习技术提供的推荐资源和推荐学习伙伴的学习支持服务，能弥补个体差异和不足，帮助教师更好地了解在线学习者的学习进度，从而调整教学内容，因材施教，提高教学质量。

记者：现有在线学习的评价方法是否适用于自适应学习评价?

斯坦恩教授：对于评价，不管我们使用什么标准，最本质、最核心的问题是学习者是否真的在学习，它与实体课堂的学习评价是一致的。不管是慕课、自适应学习还是其他在线学习，都只是工具和手段，不是学习的目的。最基础的标准是学生获得了多少知识和信息，能否学以致用。Quaility Matters是美国著名的在线教育质量保证机构，为在线课程提供认证，考察在线课程能否达到国家认可的标准。

这套评价体系有八个总体评价标准和42个具体评价标准( 见表一) 。这套评价标准不能评价学生在线学习的结果。目前，大部分在线教育平台或院校以学生成绩(分数)、毕业率和保留率作为学习者在线学习表现的评价标准。

记者：将自适应学习技术应用于在线教育，是否存在局限? 主要局限有哪些?

斯坦恩教授：没有哪种技术是包治百病的灵丹妙药，自适应学习技术也一样。将自适应学习技术嵌入已有的在线学习平台有助于达到布鲁姆认知学习的理解、记忆等较低层次的学习目标，但如何达到高层次认知目标，还没有好的解决办法。

国际上慕课主要有三种实践形式：以行为主义和认知主义学习理论为基础的xMOOC，以建构主义学习理论为基础的tMOOC，以联通主义学习理论为基础的cMOOC。

xMOOC是当前实践最多的一种线性的、结构化的课程，强调知识内容的传递和复制，以教学视频和文本为学习内容，以网络化的客观测试题为评价标准，自适应学习技术适用于这种实践形式。

tMOOC 主要以特定学习任务为驱动，学习者结合已有的经验背景，借助教师提供的网站资源及相关支架的帮助，开展自主学习和协作学习。tMOOC的这些特征，使自适应学习技术难以应用。

cMOOC 强调学习者网络的建立和联结，适于高学历层次的学习者和在职学习者，学习过程自由开放，关注复杂问题的解决。自适应学习技术的学习追踪和学习分析不容易实现这些目标。

自适应学习技术在高等教育领域，特别是研究生层次还没有好的经验和实践。美国研究生教育多是传统学徒制，中国也是如此。学生不仅要获得知识，更多的是和导师一起了解研究的过程，参与研究活动，让自己看问题更清楚，想问题更透彻。导师本质上就是自适应学习系统，他们会给学生个性化指导，这是任何自适应学习技术无法比拟的。

记者：最后，请您预测一下自适应学习技术的发展趋势或未来的研究重点。

斯坦恩教授：近两年的美国新媒体联盟(NMC)《地平线报告》高等教育版) 指出，个性化学习最大的障碍是如何开发出有教学理论指导的自适应学习系统。现有研究侧重于技术和实践，有关自适应学习的理论基础、教学方法和学习策略等研究很少。

自适应学习要考虑学习者的起点能力、学习风格和情感状态等，且要与学习者的学习目标相结合，这些数据的获取可能涉及学习者的隐私。学习数据的隐私保护、学习数据获取的易得性和安全性，及学习数据的有效使用都是值得关注和研究的问题。美国自适应学习技术的商业化程度很高，很多算法为公司和高校独家专有。所幸我们也会通过商界和学术界合作发布的研究报告或白皮书看到一些研究成果和成功案例。

自2006年辛顿( Hinton) 提出深度学习后，该方法在语音和图像领域取得了惊人成果。在自然语言处理任务中，深度学习也有优势，已被广泛地应用于命名实

体识别、词性标注和情感分类等任务。但总的来说，深度学习在自然语言处理上取得的进展不大，是个值得重点研究的领域。另外，对比研究各种深度学习算法，对自适应学习系统研发也是很有意义的。

（作者：崔向平，博士，副教授，硕士生导师，兰州大学高等教育研究院，美国俄亥俄州立大学访问学者，研究方向：高等教育信息化、在线教育、数字化学习；徐娟，博士，副教授，硕士生导师，中国传媒大学人文学院，美国俄亥俄州立大学访问学者，研究方向：语言教学、教育信息化。来源：《开放教育研究》。略有删减。）

声明

本微信转载文章出于非商业性的教育和科研目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请立即联系我们，我们会予以更改或删除相关文章，保证您的权利。

责任编辑：