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(shí)踐專欄”之關(guān)鍵技術(shù)篇

萬海鵬　汪　丹

（北京師范大學(xué) 教育技術(shù)學(xué)院，北京 100875）

?

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(shí)踐專欄”之關(guān)鍵技術(shù)篇

萬海鵬汪丹

（北京師范大學(xué) 教育技術(shù)學(xué)院，北京 100875）

摘要：個性化和自適應(yīng)學(xué)習(xí)系統(tǒng)是教育大數(shù)據(jù)應(yīng)用服務(wù)的主要陣地，自適應(yīng)學(xué)習(xí)系統(tǒng)能夠采集學(xué)習(xí)過程中的行為數(shù)據(jù)，并對學(xué)生的學(xué)習(xí)興趣、知識水平、學(xué)習(xí)風(fēng)格、學(xué)習(xí)進(jìn)度等做出分析和預(yù)測，以提供個性化的學(xué)習(xí)服務(wù)。近年來被學(xué)術(shù)界和企業(yè)界所廣泛認(rèn)可的典型自適應(yīng)學(xué)習(xí)平臺——牛頓平臺（Knewton Platform）正逐步興起，文章從自適應(yīng)原理、核心技術(shù)、自適應(yīng)服務(wù)三個方面對牛頓平臺進(jìn)行了剖析，以期能夠?yàn)榻逃髷?shù)據(jù)分析研究人員和自適應(yīng)學(xué)習(xí)平臺設(shè)計(jì)者提供理論參考和技術(shù)借鑒。

關(guān)鍵詞：教育大數(shù)據(jù)；牛頓平臺；自適應(yīng)學(xué)習(xí)；知識圖譜；項(xiàng)目反應(yīng)理論

引言

隨著大數(shù)據(jù)理念的深入人心，教育大數(shù)據(jù)呈“爆炸式”增長之勢。教育大數(shù)據(jù)產(chǎn)生于各種教育活動，與傳統(tǒng)教育數(shù)據(jù)相比，教育大數(shù)據(jù)的采集具有更強(qiáng)的實(shí)時性、連貫性、全面性和自然性［1］，其分析處理和應(yīng)用服務(wù)更加多元化、智能化、個性化。學(xué)生和教師是教育領(lǐng)域的兩大核心主體，教育大數(shù)據(jù)通過用數(shù)據(jù)說話使個體真正認(rèn)識自己，將真正推動教學(xué)和學(xué)習(xí)的個性化［2］。在教育大數(shù)據(jù)的支持下，教師可以關(guān)注到每個個體的學(xué)習(xí)行為和學(xué)習(xí)軌跡、預(yù)測學(xué)習(xí)結(jié)果、診斷學(xué)習(xí)需求和問題，從而基于數(shù)據(jù)開展因材施教；學(xué)生可以了解到自己的偏好、知識缺陷、能力缺陷、發(fā)展目標(biāo)等，并能夠獲取適合自己的學(xué)習(xí)資源和學(xué)習(xí)指導(dǎo)服務(wù)。

自適應(yīng)學(xué)習(xí)系統(tǒng)是教育大數(shù)據(jù)采集、分析和提供個性化自適應(yīng)服務(wù)的重要載體。Brusilovsky［3］于1996年對自適應(yīng)學(xué)習(xí)系統(tǒng)進(jìn)行了分類和總結(jié)，提出了自適應(yīng)學(xué)習(xí)系統(tǒng)（Adaptive Educational Hypermedia Systems，AEHS）的通用模型，包括領(lǐng)域模型（Domain Model）、用戶模型（User Model）、適應(yīng)模型（Adaptive Model）、自適應(yīng)引擎（Adaptive Engine）四個模塊——領(lǐng)域模型由領(lǐng)域內(nèi)的概念及其關(guān)系組成；用戶模型是對用戶特征信息的抽象描述，包括知識結(jié)構(gòu)狀態(tài)、學(xué)習(xí)目標(biāo)、背景經(jīng)歷、認(rèn)知風(fēng)格、學(xué)習(xí)偏好和學(xué)習(xí)成績；適應(yīng)模型定義了進(jìn)行內(nèi)容呈現(xiàn)自適應(yīng)、鏈接導(dǎo)航自適應(yīng)以及用戶模型更新的規(guī)則；自適應(yīng)引擎主要用于響應(yīng)用戶請求，根據(jù)用戶模型來選擇、組裝和呈現(xiàn)頁面，根據(jù)用戶與系統(tǒng)的交互記錄來更新和維護(hù)用戶模型等［4］。

近期以來，一個名為“Knewton”的自適應(yīng)學(xué)習(xí)平臺逐漸被人們所熟知，它集數(shù)據(jù)科學(xué)、統(tǒng)計(jì)學(xué)、心理測量、內(nèi)容繪圖和機(jī)器學(xué)習(xí)于一身，旨在最大限度地實(shí)現(xiàn)個性化。作為“教育大數(shù)據(jù)研究與實(shí)踐專欄”的關(guān)鍵技術(shù)篇［5］，本文將以牛頓平臺（Knewton Platform）為例，從自適應(yīng)原理、核心技術(shù)、自適應(yīng)服務(wù)三個方面對其進(jìn)行闡述和分析。

一　牛頓平臺的自適應(yīng)原理

自適應(yīng)學(xué)習(xí)強(qiáng)調(diào)學(xué)習(xí)環(huán)境的適應(yīng)性，要求創(chuàng)設(shè)的個性化學(xué)習(xí)環(huán)境能夠最大限度地適應(yīng)學(xué)習(xí)者的不同特征，并以此來開展個別化學(xué)習(xí)和針對不同能力的學(xué)習(xí)者進(jìn)行“因材施教”［6］。在牛頓平臺看來，自適應(yīng)學(xué)習(xí)系統(tǒng)應(yīng)保持適應(yīng)的持續(xù)性，可以對學(xué)生的學(xué)習(xí)表現(xiàn)和活動完成質(zhì)量給予及時反饋，以在正確的時間基于正確的內(nèi)容提供合適的學(xué)習(xí)指導(dǎo)，來最大化學(xué)生獲得學(xué)習(xí)內(nèi)容的可能性；同時基于給定活動的完成情況，自適應(yīng)學(xué)習(xí)系統(tǒng)應(yīng)能持續(xù)性地逐步引導(dǎo)學(xué)生進(jìn)入下一個活動。

為了保持持續(xù)自適應(yīng)，即在任何時刻都能為學(xué)生做出個性化的學(xué)習(xí)進(jìn)度安排，牛頓平臺進(jìn)行了概念層面的專業(yè)化數(shù)據(jù)（Proficiency Data，如知識概念掌握程度、學(xué)習(xí)投入程度、學(xué)習(xí)效率、優(yōu)勢劣勢、活躍時間、預(yù)測分?jǐn)?shù)等）采集處理，并建立了專業(yè)化數(shù)據(jù)與學(xué)習(xí)過程數(shù)據(jù)之間的關(guān)聯(lián)映射。專業(yè)化的數(shù)據(jù)模型不僅能評估學(xué)生做了什么，還能在概念層面分析學(xué)生掌握了什么以及學(xué)生的學(xué)習(xí)就緒狀態(tài)、認(rèn)知投入、學(xué)習(xí)偏好、學(xué)習(xí)風(fēng)格、學(xué)習(xí)策略等，并向?qū)W生呈現(xiàn)為下一步學(xué)習(xí)或評估所應(yīng)該做的準(zhǔn)備以及能力隨時間變化的可視化圖示。具體來說，牛頓平臺的這種持續(xù)自適應(yīng)主要體現(xiàn)在空間強(qiáng)化（Spaced Reinforcement）、記憶力和學(xué)習(xí)曲線（Retention and Learning Curves）、學(xué)生學(xué)習(xí)檔案（Student Learning Profile）等方面［7］。基于教育路徑規(guī)劃技術(shù)和學(xué)生能力模型，牛頓平臺構(gòu)建了自適應(yīng)學(xué)習(xí)的基礎(chǔ)框架，以最大程度地實(shí)現(xiàn)個性化。

1 基礎(chǔ)結(jié)構(gòu)

牛頓平臺構(gòu)建了一個基于規(guī)則、算法廉價的大規(guī)模規(guī)范化內(nèi)容的基礎(chǔ)設(shè)施（Heavy Duty Infrastructure）［8］，包括數(shù)據(jù)基礎(chǔ)設(shè)施（Data Infrastructure）、推理基礎(chǔ)設(shè)施（Inference Infrastructure）、個性化基礎(chǔ)設(shè)施（Personalization Infrastructure）三部分。

數(shù)據(jù)基礎(chǔ)設(shè)施部分主要負(fù)責(zé)收集、處理海量的專業(yè)化數(shù)據(jù)，涉及用于規(guī)劃和管理各個概念之間關(guān)系的自適應(yīng)本體（Adaptive Ontology），以及用于實(shí)時流和并行分布式流數(shù)據(jù)預(yù)處理的模型計(jì)算引擎（Model Computation Engine）。自適應(yīng)本體是一組具有直觀和可拓展性的概念對象及其關(guān)系的集合，這些概念和關(guān)系容易習(xí)得，且能很方便地用于表達(dá)學(xué)習(xí)內(nèi)容之間的關(guān)系，為數(shù)據(jù)分析和自適應(yīng)輔導(dǎo)提供基礎(chǔ)支撐。模型計(jì)算引擎采用分布式的方式進(jìn)行工作，能夠?qū)⑷蝿?wù)分解為細(xì)小的計(jì)算單元，以通過多臺電腦實(shí)現(xiàn)高效的并行計(jì)算；而當(dāng)某臺電腦出現(xiàn)異常時，另外的電腦也能夠及時取代并在任何狀態(tài)下進(jìn)行恢復(fù)。

推理基礎(chǔ)設(shè)施部分的目標(biāo)在于擴(kuò)大數(shù)據(jù)集和從收集的數(shù)據(jù)中形成視圖，包括心理測驗(yàn)引擎（Psychometrics Engine）、學(xué)習(xí)策略引擎（Learning Strategy Engine）和反饋引擎（Feedback Engine）。其中，心理測驗(yàn)引擎負(fù)責(zé)評估學(xué)生的概念掌握程度、內(nèi)容參數(shù)、學(xué)習(xí)效率等，并通過推理的方式來擴(kuò)充學(xué)生的數(shù)據(jù)集（包括挖掘?qū)W習(xí)偏好、認(rèn)知風(fēng)格、知識結(jié)構(gòu)、能力水平、學(xué)習(xí)進(jìn)度等），最終形成能綜合表征學(xué)習(xí)者學(xué)習(xí)狀態(tài)的信息檔案面板；學(xué)習(xí)策略引擎主要用于評估學(xué)生對教學(xué)、評估、進(jìn)度安排等方面變化的敏感程度，識別學(xué)生在學(xué)習(xí)過程中對學(xué)習(xí)資源、學(xué)習(xí)環(huán)境等改變做出的反應(yīng)，并據(jù)此為學(xué)生選擇合適的學(xué)習(xí)策略，如提供符合學(xué)習(xí)者認(rèn)知風(fēng)格的學(xué)習(xí)資源和導(dǎo)航、提供符合學(xué)習(xí)者學(xué)習(xí)水平的測評方案等；反饋引擎負(fù)責(zé)對數(shù)據(jù)和反饋結(jié)果進(jìn)行歸一化處理，并將它們返回到自適應(yīng)本體庫中，以豐富自適應(yīng)本體的元數(shù)據(jù)信息，使知識概念與學(xué)生的學(xué)習(xí)過程信息之間建立更符合實(shí)際且可用的關(guān)聯(lián)，進(jìn)而提高推理和分析的精準(zhǔn)性。

個性化基礎(chǔ)設(shè)施部分主要利用所有合并數(shù)據(jù)所構(gòu)成的整體網(wǎng)絡(luò)為學(xué)生尋找最優(yōu)的學(xué)習(xí)策略，包括推薦引擎（Recommendations Engine）、預(yù)測分析引擎（Predictive Analytics Engine）和歸一化學(xué)習(xí)軌跡（Unified Learning History）。其中，推薦引擎負(fù)責(zé)從目標(biāo)均衡性、學(xué)生的優(yōu)劣勢、投入程度三個方面，為學(xué)生提供下一步操作的排序建議；預(yù)測分析引擎負(fù)責(zé)對學(xué)生的考量作預(yù)測，如達(dá)到教學(xué)目標(biāo)的速率及完成程度、考試分?jǐn)?shù)、概念的熟悉程度等；歸一化學(xué)習(xí)軌跡的目的在于統(tǒng)一學(xué)生的個人賬戶，建立學(xué)生在不同學(xué)習(xí)應(yīng)用、學(xué)科領(lǐng)域和學(xué)習(xí)時段與先前學(xué)習(xí)經(jīng)驗(yàn)之間的關(guān)聯(lián)，避免個性化推薦應(yīng)用中常遇到的“冷啟動”問題。

2 數(shù)據(jù)模型

數(shù)據(jù)模型（Data Model）是對現(xiàn)實(shí)數(shù)據(jù)特征的抽象，用于描述一組數(shù)據(jù)的概念和定義。對牛頓平臺而言，數(shù)據(jù)模型是數(shù)據(jù)在系統(tǒng)中的存儲方式，包括四部分內(nèi)容［9］：

（1）知識圖譜（Knowledge Graph）

知識圖譜是概念與概念之間關(guān)系的集合，是牛頓平臺用于精準(zhǔn)定位學(xué)生學(xué)習(xí)狀態(tài)的重要方式，其結(jié)構(gòu)如圖1所示。其中，圓圈代表概念；連線代表各概念之間的關(guān)系；箭頭指向表示前一個概念是后一個概念的先修概念，二者之間是先修關(guān)系（Prerequisite Relationships）。牛頓平臺的知識圖譜是通過自適應(yīng)本體來建立的，具有可擴(kuò)展、可伸縮、可測量的特性。自適應(yīng)本體由模塊（內(nèi)容片段）、概念、內(nèi)容與概念之間的關(guān)系三種元素構(gòu)成，其關(guān)系類型主要有：包含（Containment），表示該內(nèi)容或概念從屬于更大的群組；評估（Assessment），表示該內(nèi)容提供了學(xué)生掌握狀態(tài)的信息；教學(xué)（Instruction），表示該內(nèi)容在教授某個具體的概念；先修（Prerequisiteness），表示學(xué)習(xí)該概念之前需要先掌握另外一個層級更低的概念［10］。基于自適應(yīng)本體，研究者和教師就能對典型的課本內(nèi)容進(jìn)行概念映射和標(biāo)注。利用這種標(biāo)注好的課本內(nèi)容數(shù)據(jù)，結(jié)合學(xué)習(xí)交互數(shù)據(jù)、心理測驗(yàn)數(shù)據(jù)，牛頓平臺就能自動為學(xué)生生成個性化的知識圖譜。

圖1　知識圖譜（源于《牛頓平臺技術(shù)白皮書》）

圖2　學(xué)生響應(yīng)事件數(shù)據(jù)結(jié)構(gòu)示意圖

（2）學(xué)生事件（Student Events）

學(xué)生事件是學(xué)生與學(xué)習(xí)內(nèi)容交互時產(chǎn)生的系列數(shù)據(jù)流，主要用于對學(xué)生的能力進(jìn)行實(shí)時推斷。牛頓平臺收集來自不同合作伙伴產(chǎn)品中所生成的交互數(shù)據(jù)流信息，用于為學(xué)生的個性化分析與推薦作支撐。學(xué)生響應(yīng)事件數(shù)據(jù)的存儲與交換格式，包括試題編號、作答持續(xù)時間、試題所屬模塊、交互結(jié)束時間、得分、正誤狀態(tài)以及完成狀態(tài)，其數(shù)據(jù)結(jié)構(gòu)示意圖如圖2所示。

（3）目標(biāo)管理（Goal Management）

目標(biāo)管理是對學(xué)生學(xué)習(xí)結(jié)果數(shù)據(jù)的分析和處理。牛頓平臺能夠?yàn)閷W(xué)生提供可持續(xù)更新的學(xué)習(xí)目標(biāo)檔案，檔案內(nèi)容包括學(xué)生未學(xué)習(xí)的內(nèi)容、已學(xué)習(xí)的內(nèi)容、知識概念掌握的狀態(tài)水平、成績排名以及如何學(xué)得更好的推薦信息。隨著學(xué)生使用平臺的時間變長，檔案將會變得越來越智能。目標(biāo)檔案數(shù)據(jù)的存儲與交換格式，包括知識概念名稱、所屬模塊、目標(biāo)分?jǐn)?shù)、開始時間、目標(biāo)時間、推薦模塊候選集、模塊推薦數(shù)量等。

（4）推薦與分析API（Recommendations and Analytics API）

推薦與分析API作為學(xué)習(xí)者個性內(nèi)容推薦與分析服務(wù)的接口，能為學(xué)習(xí)者持續(xù)提供內(nèi)容推薦，并在學(xué)習(xí)進(jìn)度、概念熟練程度、學(xué)習(xí)投入等方面進(jìn)行精準(zhǔn)推斷。個性推薦與分析診斷數(shù)據(jù)的存儲與交互格式，包括推薦模塊、學(xué)習(xí)案例、目標(biāo)模塊、預(yù)期分?jǐn)?shù)、置信區(qū)間、評估時間等。

二　牛頓平臺的核心技術(shù)

1 項(xiàng)目反應(yīng)理論（Item Response Theory，IRT）

項(xiàng)目反應(yīng)理論將學(xué)習(xí)者對測試項(xiàng)目的反應(yīng)（應(yīng)答）通過表示測試項(xiàng)目特性的參數(shù)和被測試學(xué)習(xí)者能力的能力參數(shù)及其組合的統(tǒng)計(jì)概率模型來表示，其中表示項(xiàng)目特性的參數(shù)主要有難度系數(shù)和區(qū)分度［11］。傳統(tǒng)的項(xiàng)目反應(yīng)理論一般針對問題、項(xiàng)目來設(shè)計(jì)相關(guān)參數(shù)，且運(yùn)用過程中通常存在兩大誤區(qū)：一是認(rèn)為學(xué)生的能力是個常量，二是傾向于用一個參數(shù)來表示學(xué)生的能力。

考慮到能力的發(fā)展變化以及多種能力之間的相互連接，牛頓平臺對傳統(tǒng)的項(xiàng)目反應(yīng)理論進(jìn)行了擴(kuò)展，并從問題層級的表現(xiàn)來對學(xué)生的能力建?！J(rèn)為學(xué)生的能力參數(shù)會隨時間而變化；同時，對學(xué)生能力的表征不再局限于某個唯一的參數(shù)，而是通過利用聚焦于概念層面的知識圖譜來對學(xué)生能力進(jìn)行評估和表征。

2 Knewton API

Knewton API［12］是連接應(yīng)用場景與合作平臺的橋梁，以云服務(wù)的方式被第三方企業(yè)調(diào)用，如圖3所示。

圖3　牛頓平臺與第三方應(yīng)用集成框架

其中，核心服務(wù)層負(fù)責(zé)與牛頓平臺的數(shù)據(jù)庫打交道，并以表單的方式向應(yīng)用服務(wù)層提供預(yù)處理后的數(shù)據(jù)信息，其中典型的服務(wù)就是知識的圖譜化工作?；诒倔w庫，圖服務(wù)能時時進(jìn)行圖式化內(nèi)容的信息更新，并結(jié)合實(shí)際需求對圖譜進(jìn)行基于歷史版本的改造。應(yīng)用服務(wù)層負(fù)責(zé)與推理引擎（包括心理測驗(yàn)引擎、推薦引擎等）進(jìn)行對接，而這些引擎的正常工作都有賴于核心服務(wù)層所提供的可直接利用的數(shù)據(jù)。API調(diào)用與嵌入層則負(fù)責(zé)收集來自合作企業(yè)平臺中產(chǎn)生的系列信息，并根據(jù)需要以消息的方式通知系統(tǒng)中的其它服務(wù)層。例如，當(dāng)有內(nèi)容需要加入知識圖譜或?qū)W生注冊了一門課程，API調(diào)用與嵌入層接收這些信息后，便立即通知相應(yīng)的核心服務(wù)層進(jìn)行響應(yīng)，并在數(shù)據(jù)存儲層進(jìn)行存儲。具體說來，Knewton API能為合作企業(yè)提供下述三個層面的服務(wù)：

①學(xué)習(xí)歷史記錄層面，Knewton API采集了學(xué)習(xí)者歷史學(xué)習(xí)過程中所表現(xiàn)出的一系列學(xué)習(xí)偏好和差距，可幫助學(xué)生保持在新課程中的積極性。學(xué)習(xí)歷史記錄檔案包括學(xué)生所知道的內(nèi)容、掌握的水平、學(xué)得最好的課程、如何學(xué)得最好的推薦信息，并能持續(xù)性地進(jìn)行更新。

②學(xué)習(xí)交互數(shù)據(jù)分析層面，Knewton API能將海量數(shù)據(jù)轉(zhuǎn)變?yōu)檎J(rèn)知交互模型、估計(jì)向量、數(shù)據(jù)框架和可人為操控的視圖，并向教師、家長、管理者和學(xué)生提供深層次的教學(xué)和內(nèi)容分析報告——教學(xué)分析指標(biāo)包括熟練程度、就緒狀態(tài)預(yù)測、分?jǐn)?shù)預(yù)測、活躍時間，基于該指標(biāo)，教師可以在更加準(zhǔn)確知曉學(xué)生缺點(diǎn)的前提下指導(dǎo)學(xué)生，年復(fù)一年地比較課程數(shù)據(jù)，按學(xué)期、按年度進(jìn)行課程的改進(jìn)和完善；內(nèi)容分析可以幫助教師、出版者和管理者確定教學(xué)材料中最豐富和最薄弱的部分、需精細(xì)講授和評估的部分，保證內(nèi)容的持續(xù)更新，確保學(xué)生不會使用過時的教材。

③個性化推薦層面，Knewton API通過綜合考慮內(nèi)容要素、學(xué)習(xí)者要素和目標(biāo)要素來決定對下一步所應(yīng)學(xué)習(xí)內(nèi)容的推薦。其中，內(nèi)容要素包括模塊關(guān)系、教育意義、評估價值、問題難度、持續(xù)時間和學(xué)習(xí)投入程度，學(xué)習(xí)者要素包括概念熟悉程度、評估需求、復(fù)習(xí)需求、學(xué)習(xí)步調(diào)和材料重復(fù)接受度，目標(biāo)要素則包括目標(biāo)模塊、目標(biāo)分?jǐn)?shù)、達(dá)標(biāo)日期、可推薦模塊。

三　牛頓平臺的自適應(yīng)服務(wù)

1 差異化引導(dǎo)的自適應(yīng)學(xué)習(xí)過程

牛頓平臺提供差異化的學(xué)習(xí)輔導(dǎo)服務(wù)，即利用項(xiàng)目反應(yīng)理論對學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行測試評估，基于學(xué)生問題層面的表現(xiàn)而不是整體測試成績來對學(xué)生的能力進(jìn)行建模。對于理解不同問題所帶來的貢獻(xiàn)，項(xiàng)目反應(yīng)理論并沒有同等看待，而是針對每一個問題提供了包含問題信息和答題者個人能力信息的貢獻(xiàn)計(jì)算解釋。下文將以一個差異化引導(dǎo)任務(wù)為例，來闡述牛頓平臺的實(shí)時自適應(yīng)學(xué)習(xí)過程［13］。

如圖4所示，Amy、Bill和Chad三位學(xué)生有同樣的學(xué)習(xí)目標(biāo)——理解乘法公式、一位數(shù)乘法、兩位數(shù)乘法、解決乘法應(yīng)用題；這四個概念的先修知識分別是乘法符號、理解乘法、100以內(nèi)的整數(shù)乘法、用乘法解決問題。比如，要理解“兩位數(shù)乘法”必須先理解“一位數(shù)乘法”；下方排列的小圖形代表每位同學(xué)答的題目及正誤信息，每道題對應(yīng)的圖形與它們所屬的知識點(diǎn)框中的圖形類型一致，圖形的填充與否代表正誤信息，實(shí)心表示正確，空心表示錯誤。

圖4　同一目標(biāo)不同學(xué)生的自適應(yīng)學(xué)習(xí)過程

從圖4可以看出，這三位學(xué)生所答的前三道題目是一樣的，由于第三道題Bill答錯了，與其他兩位同學(xué)出現(xiàn)了不同的學(xué)習(xí)狀態(tài)，故三位同學(xué)開始呈現(xiàn)出不同的學(xué)習(xí)路徑——Bill在理解“乘以兩位數(shù)”時遇到了困難，故繼續(xù)回答與這個主題相關(guān)的題目，而Amy和Chad進(jìn)入到下一個主題；從第四題的回答結(jié)果來看，Amy回答正確繼續(xù)完成接下來的題目，而Chad回答錯誤繼續(xù)回答與“理解乘法公式”這個主題相關(guān)的題目。圖4展現(xiàn)了三位同學(xué)為達(dá)到同樣的學(xué)習(xí)目標(biāo)而進(jìn)行的自適應(yīng)學(xué)習(xí)過程，從中可以看出牛頓平臺的差異化指導(dǎo)有助于學(xué)生更多地關(guān)注自己的薄弱環(huán)節(jié)，而不至于在已經(jīng)掌握的環(huán)節(jié)上做無用功——平臺引導(dǎo)那些學(xué)習(xí)困難的學(xué)生（如Bill和Chad）繼續(xù)回答與問題主題相關(guān)的題目，直到他們理解、做對題目進(jìn)而掌握概念；對于那些掌握程度較好的學(xué)生（如Amy），牛頓平臺則向其提供按照自己步調(diào)學(xué)習(xí)的機(jī)會。

2 創(chuàng)建自適應(yīng)課程

牛頓平臺支持教師、家長及學(xué)生創(chuàng)建自適應(yīng)課程，每門課都由創(chuàng)建者自由選擇的若干個任務(wù)組件構(gòu)成，每個任務(wù)組件內(nèi)包含一定數(shù)量的題目，并以上述方式為學(xué)習(xí)者提供不同的學(xué)習(xí)路徑。為自適應(yīng)課程選擇任務(wù)組件有兩種方式：①接受推薦。牛頓平臺基于知識圖譜和用戶教學(xué)行為數(shù)據(jù)分析，向用戶推薦其可能感興趣的任務(wù)組件，而用戶可將推薦的任務(wù)組件加入到創(chuàng)建的個性化課程里。②根據(jù)目錄樹選擇任務(wù)組件。牛頓平臺已經(jīng)內(nèi)置大量的任務(wù)組件，以學(xué)科—年級—主題—子主題等任務(wù)多維關(guān)鍵詞表征，用戶可以通過多維搜索的方式來主動選擇任務(wù)組件以創(chuàng)設(shè)個性化課程。比如，數(shù)學(xué)學(xué)科在六年級水平上有代數(shù)Ⅰ和代數(shù)Ⅱ、數(shù)據(jù)分析和概率統(tǒng)計(jì)、幾何和三角函數(shù)、數(shù)和計(jì)算四大主題；在大主題下又有子主題，如數(shù)和計(jì)算這一主題包含數(shù)的概念、復(fù)數(shù)、比率等子主題；每個子主題又對應(yīng)一個任務(wù)組件。

課程創(chuàng)建完成后，用戶可通過站內(nèi)信和郵件的形式邀請學(xué)生加入、激活課程并參與學(xué)習(xí)。同時，用戶還需要填寫課程名稱和課程詳細(xì)描述、關(guān)聯(lián)K-12課程大綱和任務(wù)完成時間，以方便其他用戶查找和使用課程。牛頓平臺將跟蹤這門課程所有學(xué)習(xí)者的學(xué)習(xí)動態(tài)，向用戶報告學(xué)生的基本信息和總體任務(wù)的完成情況，包括學(xué)習(xí)進(jìn)度、學(xué)習(xí)困難、任務(wù)完成情況統(tǒng)計(jì)等信息，一方面方便教師和家長掌握學(xué)生動態(tài)，另一方面也利于用戶進(jìn)一步組建個性化的課程。

四　結(jié)語

牛頓平臺開創(chuàng)了教育大數(shù)據(jù)個性化服務(wù)設(shè)計(jì)和應(yīng)用的先河，通過采集學(xué)生的在線學(xué)習(xí)數(shù)據(jù)，可精準(zhǔn)分析和預(yù)測學(xué)生的優(yōu)勢、不足、學(xué)習(xí)興趣、認(rèn)知投入水平。牛頓平臺正與合作企業(yè)在學(xué)習(xí)內(nèi)容提供、學(xué)習(xí)過程管理、學(xué)習(xí)產(chǎn)品分發(fā)以及市場推廣應(yīng)用等方面開展深入合作，頗具規(guī)模的在線教育生態(tài)系統(tǒng)圈已現(xiàn)雛形。牛頓平臺目前所提供的自適應(yīng)功能在很大程度上滿足了學(xué)生、教師、家長以及學(xué)校管理者的需求，為學(xué)習(xí)、評估和管理帶來了極大便利。然而，本研究發(fā)現(xiàn)牛頓平臺的自適應(yīng)數(shù)據(jù)主要源于試題解答記錄，與本研究所期待的全學(xué)習(xí)過程數(shù)據(jù)還存在一定差距，故后續(xù)的研究還需對數(shù)據(jù)予以進(jìn)一步的優(yōu)化和改進(jìn)。此外，自適應(yīng)學(xué)習(xí)中有關(guān)用戶模型、位置模型、設(shè)備模型和情境模型等方面的內(nèi)容［14］，也需引起研究者的重點(diǎn)和持續(xù)關(guān)注。

參考文獻(xiàn)

［1］楊現(xiàn)民，王榴卉，唐斯斯.教育大數(shù)據(jù)的應(yīng)用模式與政策建議［J］.電化教育研究，2015，（9）：54-61、69.

［2］姜強(qiáng)，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(shí)現(xiàn)［J］.中國電化教育，2015，（1）：85-92.

［3］Brusilovsky P. Methods and techniques of adaptive hypermedia［J］. User Modeling and User-adapted Interaction. 1996，（2）：87-129.

［4］陳品德，李克東.適應(yīng)性教育超媒體系統(tǒng)——模型、方法與技術(shù)［J］.現(xiàn)代教育技術(shù)，2002，（1）：11-17.

［5］楊現(xiàn)民，唐斯斯，李冀紅.教育大數(shù)據(jù)的技術(shù)體系框架與發(fā)展趨勢——“教育大數(shù)據(jù)研究與實(shí)踐專欄”之整體框架篇［J］.現(xiàn)代教育技術(shù)，2016，（1）：5-12.

［6］陳仕品.適應(yīng)性學(xué)習(xí)支持系統(tǒng)的學(xué)生模型研究［D］.重慶：西南大學(xué)，2009：10.

［7］［8］Knewton Company. Heavy duty infrastructure for the adaptive world［OL］.＜https：//www.knewton.com/assets-v2/downloads/knewton-intro-2014.pdf＞

［9］［12］Jaffe J. Here is the deck for presenting adaptive learning in the E-education world［OL］.＜https：//lists.w3.org/Archives/Public/www-archive/2015Jan/att-0004/Knewton_W3C_presentation_V2.pdf＞

［10］Wilson K， Nichols Z. Knewton technical white paper［OL］. ＜http：//learn.knewton.com/technical-white-paper＞

［11］傅德榮，章慧敏，劉清堂.教育信息處理（第2版）［M］.北京：北京師范大學(xué)出版社，2012：120.

［13］Green-Lerman H. Visualizing personalized learning［OL］.＜https：//www.knewton.com/resources/blog/adaptive-learning/visualizing-personalized-learning/＞

［14］賈積有，馬小強(qiáng).適應(yīng)性和個性化學(xué)習(xí)系統(tǒng)研究前沿——與國際著名教育技術(shù)專家金書軻教授對話［J］.中國電化教育，2010，（6）：1-5.

郵箱為dnvhp@163.com 。

編輯：小米

Investigation on Adaptive Learning Mechanism of Big Data based on Knewton Platform——The Key Technology of “Research and Practice Column about Big Data in Education”

WAN Hai-pengWANG Dan
（School of Educational Technology， Beijing Normal University， Beijing， China 100875）

Abstract：Personalized and adaptive learning system is one of the vital applications of big data in education， which can collect learning behavior data and provide analysis and prediction on students’ learning interest， knowledge level，learning style and learning progress. A typical adaptive learning system——Knewton Platform which has been widely recognized by academia and enterprise in recent years is rising gradually. A deep analysis on Knewton Platform， from the aspects of adaptive mechanism， core techniques and adaptive service， was made to provide some theory and technology references for the researchers of big data in education and designers of adaptive learning platform in the future.

Keywords：big data in education； Knewton platform； adaptive learning； knowledge graph； item response theory

【中圖分類號】G40-057

【文獻(xiàn)標(biāo)識碼】A 【論文編號】1009—8097（2016）05—0005—07 【DOI】10.3969/j.issn.1009-8097.2016.05.001

*基金項(xiàng)目：本文為北京師范大學(xué)教育學(xué)部學(xué)生科研基金資助項(xiàng)目“泛在環(huán)境下自適應(yīng)在線學(xué)習(xí)模型的設(shè)計(jì)與實(shí)現(xiàn)——以學(xué)習(xí)元平臺為例”（項(xiàng)目編號：15秋-03-01）的階段性研究成果。

作者簡介：萬海鵬，在讀博士，研究方向?yàn)閷W(xué)習(xí)知識地圖、移動與泛在學(xué)習(xí)、在線學(xué)習(xí)評價、計(jì)算機(jī)教育應(yīng)用，

收稿日期：2016年2月20日