大數(shù)據(jù)背景下自適應(yīng)學(xué)習(xí)個(gè)性特征模型研究*
——基于元分析視角

菅保霞姜 強(qiáng)趙 蔚李勇帆

（1.東北師范大學(xué) 計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院，吉林長(zhǎng)春 130117；2.湖南第一師范學(xué)院 信息科學(xué)與工程學(xué)院，湖南長(zhǎng)沙 410205）

大數(shù)據(jù)背景下自適應(yīng)學(xué)習(xí)個(gè)性特征模型研究*
——基于元分析視角

菅保霞1姜 強(qiáng)1趙 蔚1李勇帆2

（1.東北師范大學(xué) 計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院，吉林長(zhǎng)春 130117；2.湖南第一師范學(xué)院 信息科學(xué)與工程學(xué)院，湖南長(zhǎng)沙 410205）

技術(shù)作為人的存在方式，正在促使教學(xué)模式和學(xué)習(xí)方式發(fā)生深刻變革。大數(shù)據(jù)時(shí)代，在學(xué)習(xí)分析、人工智能、機(jī)器學(xué)習(xí)等新興技術(shù)支持下,自適應(yīng)學(xué)習(xí)系統(tǒng)有助于學(xué)習(xí)者進(jìn)行差異化學(xué)習(xí)，促進(jìn)教育向個(gè)性化邁進(jìn)。基于文獻(xiàn)的元分析視角，對(duì)知識(shí)水平、錯(cuò)誤/誤解、情感、認(rèn)知特征以及元認(rèn)知能力等個(gè)性特征進(jìn)行分析，并對(duì)覆蓋法、基于認(rèn)知理論建模、基于約束的模型、模糊邏輯技術(shù)、貝葉斯網(wǎng)絡(luò)和本體技術(shù)等建模方法進(jìn)行解讀。同時(shí)，采用適切的建模方法構(gòu)建學(xué)習(xí)者個(gè)性特征模型，并以“自適應(yīng)課件導(dǎo)學(xué)系統(tǒng)（AC-ware Tutor）”為例，解析學(xué)習(xí)者模型的運(yùn)行機(jī)制。從而有助于提供精準(zhǔn)的個(gè)性化學(xué)習(xí)服務(wù)，提高教育質(zhì)量。

大數(shù)據(jù)；自適應(yīng)學(xué)習(xí)；學(xué)習(xí)分析；人工智能技術(shù)；個(gè)性特征模型；元分析

一、引言

教育是一種“成全”，幫助學(xué)生發(fā)現(xiàn)并充分發(fā)展自己的潛能，以促進(jìn)其個(gè)性全面、自由地發(fā)展，使之成長(zhǎng)為獨(dú)一無(wú)二的自己。大數(shù)據(jù)時(shí)代，技術(shù)將教育過(guò)程中的一切行為轉(zhuǎn)化為教育數(shù)據(jù)，有助于觀察每個(gè)學(xué)生的表現(xiàn)，促使教育研究從宏觀群體走向微觀個(gè)體，有利于教學(xué)的“量體裁衣”，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)個(gè)性化自適應(yīng)學(xué)習(xí)。

2012年，美國(guó)在《通過(guò)教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告中指出，“在大數(shù)據(jù)與云計(jì)算支持下，國(guó)際信息教育技術(shù)發(fā)展的核心趨勢(shì)是個(gè)性化學(xué)習(xí)”[1]。美國(guó)“2016國(guó)家教育技術(shù)計(jì)劃”——《為未來(lái)做準(zhǔn)備的學(xué)習(xí)：重塑技術(shù)在教育中的角色》也強(qiáng)調(diào)基于大數(shù)據(jù)分析開(kāi)展個(gè)性化學(xué)習(xí)。

我國(guó)在《教育信息化十年發(fā)展規(guī)劃（2011-2020年）》中明確指出，“要建設(shè)信息化環(huán)境，為每位學(xué)生提供個(gè)性化學(xué)習(xí)服務(wù)”。教育部《教育信息化“十三五”規(guī)劃》中也提出，“網(wǎng)絡(luò)學(xué)習(xí)空間建設(shè)應(yīng)滿足個(gè)性化學(xué)習(xí)需求，實(shí)現(xiàn)‘一生一空間、生生有特色’”。何克抗在 “2016首屆教育大數(shù)據(jù)國(guó)際論壇”中強(qiáng)調(diào)，在“大數(shù)據(jù)”背景下，借助教育數(shù)據(jù)挖掘（Educational Data Mining，EDM）和學(xué)習(xí)分析技術(shù)（Learning Analytics，LA）采集和處理學(xué)習(xí)行為和過(guò)程數(shù)據(jù)，可以預(yù)測(cè)學(xué)習(xí)者的學(xué)習(xí)趨勢(shì)，幫助教師優(yōu)化教學(xué)策略，實(shí)現(xiàn)教學(xué)的智能決策、智能實(shí)施和智能評(píng)價(jià)，促進(jìn)教學(xué)模式向個(gè)性化教學(xué)方向轉(zhuǎn)變。

自適應(yīng)學(xué)習(xí)的本質(zhì)是個(gè)性化，同時(shí)，自適應(yīng)也是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的有效方式，以學(xué)習(xí)者個(gè)性特征為基礎(chǔ)，適應(yīng)個(gè)性發(fā)展的自適應(yīng)學(xué)習(xí)越來(lái)越受到教育界關(guān)注。顧明遠(yuǎn)指出，“人是有差異的，為不同學(xué)習(xí)者提供相應(yīng)的教育才是最大的公平”。

美國(guó)新媒體聯(lián)盟《地平線報(bào)告》也多次指出，自適應(yīng)學(xué)習(xí)是高等教育信息技術(shù)發(fā)展的趨勢(shì)。美國(guó)高等教育信息化協(xié)會(huì)（EDUCAUSE）發(fā)布的《2016教與學(xué)的關(guān)鍵問(wèn)題報(bào)告》中提到，教與學(xué)的焦點(diǎn)不是先進(jìn)的技術(shù)，而是學(xué)習(xí)者本身及如何應(yīng)用技術(shù)提供個(gè)性化的學(xué)習(xí)體驗(yàn)，自適應(yīng)學(xué)習(xí)技術(shù)可以為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)服務(wù)[2]。祝智庭認(rèn)為，隨著教育大數(shù)據(jù)和數(shù)據(jù)科學(xué)的快速發(fā)展，個(gè)性化自適應(yīng)學(xué)習(xí)將成為教育技術(shù)新范式及智慧學(xué)習(xí)環(huán)境的重要組成部分，有必要對(duì)其開(kāi)展系統(tǒng)而深入的研究[3]，何克抗對(duì)此觀點(diǎn)給予了肯定[4]。在大數(shù)據(jù)的支持下，自適應(yīng)學(xué)習(xí)研究將促進(jìn)教育從“經(jīng)驗(yàn)主義”走向“數(shù)據(jù)主義”和“實(shí)證主義”，為教育研究提供了可靠的科學(xué)依據(jù)。

二、關(guān)于自適應(yīng)學(xué)習(xí)

自適應(yīng)學(xué)習(xí)是指根據(jù)學(xué)習(xí)者的知識(shí)能力、認(rèn)知風(fēng)格等特征自動(dòng)安排學(xué)習(xí)活動(dòng)和最佳學(xué)習(xí)內(nèi)容，并通過(guò)對(duì)學(xué)習(xí)者互動(dòng)的持續(xù)分析（如，當(dāng)前的行為與答案、過(guò)去的成績(jī)、現(xiàn)在的有效狀態(tài)）提供適合每位學(xué)習(xí)者的獨(dú)立幫助（如，暗示和指導(dǎo)），從而促進(jìn)學(xué)業(yè)進(jìn)步。自適應(yīng)學(xué)習(xí)系統(tǒng) （Adaptive Learning System，ALS）主要從內(nèi)容、評(píng)估和序列三個(gè)方面提供適應(yīng)性支持，借助多種技術(shù)挖掘并分析學(xué)習(xí)者的行為數(shù)據(jù)，實(shí)時(shí)調(diào)整學(xué)習(xí)內(nèi)容、知識(shí)評(píng)估方式和知識(shí)序列，滿足學(xué)習(xí)者的個(gè)性化需要。

其中，自適應(yīng)內(nèi)容系統(tǒng)（如，CogBooks、Geekie）通過(guò)分析學(xué)習(xí)者回答問(wèn)題的具體表現(xiàn)，如，學(xué)習(xí)者自信度、問(wèn)題回答正確率、完成練習(xí)所用時(shí)間、對(duì)學(xué)習(xí)目標(biāo)的熟悉程度、學(xué)習(xí)相似內(nèi)容的表現(xiàn)等，為其提供匹配的學(xué)習(xí)資源、內(nèi)容反饋或線索提示。自適應(yīng)評(píng)估系統(tǒng)（如，Knewton、Dreambox、Claned、Volley Labs）主要用于知識(shí)測(cè)試，根據(jù)學(xué)習(xí)者回答問(wèn)題是否正確，自動(dòng)調(diào)整測(cè)評(píng)標(biāo)準(zhǔn)。系統(tǒng)利用自適應(yīng)評(píng)估工具進(jìn)行測(cè)試時(shí)，若學(xué)習(xí)者連續(xù)做對(duì)或做錯(cuò)多個(gè)題目，系統(tǒng)將根據(jù)其表現(xiàn)及時(shí)調(diào)整測(cè)試題的難度。學(xué)習(xí)序列自適應(yīng)系統(tǒng)（如，CK-12、McGraw-Hill、Lilwil）利用一定的算法和預(yù)測(cè)性分析手段，實(shí)時(shí)收集學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)，并以學(xué)習(xí)目標(biāo)為依據(jù)，適應(yīng)性調(diào)整學(xué)習(xí)內(nèi)容的推送順序[5]。

斯坦福大學(xué)在其發(fā)起的“人工智能研究100年”項(xiàng)目中指出，以人工智能技術(shù)（如，深度學(xué)習(xí)、自然語(yǔ)言處理等）為基礎(chǔ)的自適應(yīng)學(xué)習(xí)系統(tǒng)，能夠?qū)W(xué)習(xí)者的學(xué)習(xí)投入量、學(xué)習(xí)行為及效果進(jìn)行分析，并給出個(gè)性化教學(xué)干預(yù)，真正做到“因材施教”，提高學(xué)習(xí)者學(xué)業(yè)水平，進(jìn)而提高教育質(zhì)量、促進(jìn)人的個(gè)性化發(fā)展[6]。

以人工智能為基礎(chǔ)的ALS，通過(guò)構(gòu)建領(lǐng)域知識(shí)模型、教學(xué)法模型和學(xué)習(xí)者個(gè)性特征模型，來(lái)獲取學(xué)習(xí)行為和學(xué)習(xí)過(guò)程數(shù)據(jù)，實(shí)現(xiàn)其量化分析，改變?nèi)祟惖慕逃绞健Ｆ渲?，領(lǐng)域知識(shí)模型包含與學(xué)習(xí)目標(biāo)相關(guān)的一系列不同類型的學(xué)習(xí)材料，及逐步構(gòu)建的知識(shí)圖譜；教學(xué)法模型利用人工智能技術(shù)，深度模擬優(yōu)秀教師的教學(xué)過(guò)程及策略，根據(jù)學(xué)習(xí)者能力水平、偏好等特征，為其提供匹配的知識(shí)內(nèi)容及學(xué)習(xí)序列；學(xué)習(xí)者個(gè)性特征模型借助EDM和LA等技術(shù)，實(shí)時(shí)量化和推測(cè)學(xué)習(xí)者的知識(shí)能力水平、學(xué)習(xí)偏好和需求等信息，為自適應(yīng)學(xué)習(xí)的實(shí)現(xiàn)提供依據(jù)。

ALS整合計(jì)算機(jī)科學(xué)、認(rèn)知科學(xué)、數(shù)據(jù)科學(xué)、學(xué)習(xí)心理學(xué)、教育測(cè)量學(xué)等理論與技術(shù)，為學(xué)習(xí)者提供大規(guī)模的個(gè)性化學(xué)習(xí)指導(dǎo)。個(gè)性特征模型是ALS的核心組成部分，也是ALS支持適應(yīng)性學(xué)習(xí)的根基。鑒于此，我們基于文獻(xiàn)的元分析視角，結(jié)合團(tuán)隊(duì)的“個(gè)性化自適應(yīng)學(xué)習(xí)”研究成果[7]，對(duì)影響學(xué)習(xí)過(guò)程和效果的主要個(gè)性特征進(jìn)行分析，找出與個(gè)性特征相匹配的建模方法，重點(diǎn)構(gòu)建自適應(yīng)學(xué)習(xí)個(gè)性特征模型，并設(shè)計(jì)與分析系統(tǒng)原型。

三、個(gè)性特征模型的構(gòu)建方法

在大數(shù)據(jù)時(shí)代，在線學(xué)習(xí)若要滿足學(xué)習(xí)者個(gè)體的學(xué)習(xí)需求，需精準(zhǔn)識(shí)別其個(gè)性特征。運(yùn)用恰當(dāng)?shù)募夹g(shù)構(gòu)建個(gè)性特征模型，能夠?qū)崟r(shí)獲取學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，有效支持個(gè)性化學(xué)習(xí)。個(gè)性特征模型構(gòu)建方法有覆蓋模型、鉛板模型、攝動(dòng)模型、機(jī)械學(xué)習(xí)技術(shù)、基于認(rèn)知理論的模型、基于約束的模型、模糊邏輯技術(shù)、貝葉斯網(wǎng)絡(luò)和語(yǔ)義網(wǎng)本體模型等。其中，覆蓋模型和鉛板模型是最常見(jiàn)的建模技術(shù)。

覆蓋模型由Stansfield等人提出，是一種常用于描述用戶對(duì)每個(gè)概念的知識(shí)水平的方法。在利用覆蓋法構(gòu)建學(xué)習(xí)者的知識(shí)水平模型時(shí)，領(lǐng)域知識(shí)模型表示某一學(xué)科的專家水平知識(shí)，學(xué)習(xí)者模型則被視為領(lǐng)域知識(shí)模型的子集。鉛板模型由Rich引入到GRUNDY系統(tǒng)中來(lái)構(gòu)建用戶特征模型，其核心思想是將ALS中所有潛在用戶按特定特征分組聚類，每一組就是一個(gè)用戶鉛板。攝動(dòng)模型和基于約束的模型均以學(xué)習(xí)者的錯(cuò)誤／誤解為基礎(chǔ)進(jìn)行建模。攝動(dòng)模型又叫偏差模型，是覆蓋模型的延伸，該模型研究者認(rèn)為，學(xué)習(xí)者的知識(shí)不僅包括領(lǐng)域?qū)＜宜邆涞牟糠种R(shí)，還包括學(xué)習(xí)者可能產(chǎn)生的錯(cuò)誤知識(shí)。

ALS可利用攝動(dòng)模型對(duì)學(xué)習(xí)者進(jìn)行診斷與推理，自動(dòng)識(shí)別學(xué)習(xí)者的錯(cuò)誤并推斷錯(cuò)誤的原因，進(jìn)而為其提供合適的學(xué)習(xí)材料和反饋等，及時(shí)糾正學(xué)習(xí)者對(duì)知識(shí)的錯(cuò)誤理解?；诩s束的模型是由Ohlsson提出的，該模型的研究者將領(lǐng)域知識(shí)視為一組標(biāo)準(zhǔn)化的約束規(guī)則。學(xué)習(xí)者在學(xué)習(xí)時(shí)所產(chǎn)生的錯(cuò)誤，可表示為學(xué)習(xí)者解決某一問(wèn)題的規(guī)則與該問(wèn)題的標(biāo)準(zhǔn)約束規(guī)則之間的差距，系統(tǒng)根據(jù)標(biāo)準(zhǔn)約束規(guī)則迅速判斷學(xué)習(xí)者的錯(cuò)誤并給出糾正策略[8]。

機(jī)器學(xué)習(xí)技術(shù)是人工智能的核心，大數(shù)據(jù)的爆發(fā)為機(jī)器學(xué)習(xí)技術(shù)的進(jìn)化提供了充足“養(yǎng)料”，使其獲得更多的訓(xùn)練資料。機(jī)器學(xué)習(xí)通過(guò)歸納和統(tǒng)計(jì)等方法進(jìn)行建模與推理，實(shí)現(xiàn)數(shù)據(jù)挖掘和自然語(yǔ)言處理等。在教育領(lǐng)域，ALS可借助機(jī)器學(xué)習(xí)技術(shù)觀察和歸納學(xué)習(xí)者的行為活動(dòng)過(guò)程，挖掘?qū)W習(xí)者知識(shí)水平、情感狀態(tài)等個(gè)性特征數(shù)據(jù)，輔助個(gè)性化學(xué)習(xí)。

類神經(jīng)網(wǎng)絡(luò)技術(shù)是對(duì)機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，它是一種模擬人腦中信息在“神經(jīng)元”間傳遞過(guò)程的計(jì)算模型，是一種基于經(jīng)驗(yàn)學(xué)習(xí)的非線性信息處理技術(shù)。模糊邏輯是美國(guó)邏輯學(xué)家Zadeh提出的利用模糊集合來(lái)研究模糊性問(wèn)題（如，思維、語(yǔ)言形式及規(guī)律）的技術(shù)，可用于處理學(xué)習(xí)過(guò)程中和學(xué)習(xí)者診斷時(shí)因不精確的數(shù)據(jù)和人的主觀判斷而產(chǎn)生的不確定性問(wèn)題。

貝葉斯網(wǎng)絡(luò)是基于概率進(jìn)行不確定推理的有向無(wú)環(huán)網(wǎng)，用于描述和推測(cè)學(xué)習(xí)者不確定和不完善的個(gè)性特征。在構(gòu)建學(xué)習(xí)者貝葉斯網(wǎng)絡(luò)模型時(shí)，各節(jié)點(diǎn)代表知識(shí)水平、情緒狀態(tài)、學(xué)習(xí)風(fēng)格、動(dòng)機(jī)等不同特征。貝葉斯網(wǎng)絡(luò)因其可將知識(shí)圖示化描述，并具有強(qiáng)大的基于概率的不確定性推理能力而備受青睞。

在大數(shù)據(jù)時(shí)代，如何高效準(zhǔn)確地檢索信息以解決“信息迷航”、“信息過(guò)載”問(wèn)題至關(guān)重要。語(yǔ)義網(wǎng)本體模型從“詞”本身的概念出發(fā)，查找其相關(guān)內(nèi)容，并以直觀圖式化的方式表示概念及概念間關(guān)系，搭建起學(xué)習(xí)者、機(jī)器、應(yīng)用程序?qū)ν桓拍罟餐斫獾臉蛄海鉀Q知識(shí)重用問(wèn)題?；谡Z(yǔ)義網(wǎng)本體的學(xué)習(xí)者個(gè)性特征模型因重用簡(jiǎn)單、設(shè)計(jì)工具易獲得、兼容性強(qiáng)而廣泛應(yīng)用于知識(shí)共享、智能信息檢索和信息集成等方面[9]。

此外，ALS需充分考慮有效教學(xué)策略和心理學(xué)理論等來(lái)促進(jìn)教學(xué)目標(biāo)實(shí)現(xiàn)。ALS中教學(xué)策略選擇以個(gè)性特征為基礎(chǔ)，借助認(rèn)知理論反饋到學(xué)習(xí)者特征模型中以調(diào)節(jié)學(xué)習(xí)過(guò)程。認(rèn)知理論既可用于構(gòu)建學(xué)習(xí)者認(rèn)知特征（如，知識(shí)、注意、學(xué)習(xí)能力、理解能力和記憶能力等）模型，也可用于構(gòu)建學(xué)習(xí)者情感狀態(tài)和動(dòng)機(jī)特征模型。

人類合情推理理論 （Human Plausible Reasoning，HPR）、OCC情感認(rèn)知理論以及“控制—評(píng)價(jià)”理論等常用于構(gòu)建學(xué)習(xí)者個(gè)性特征模型?；谡J(rèn)知理論構(gòu)建的學(xué)習(xí)者個(gè)性特征模型，設(shè)法獲取人類思考和理解的過(guò)程與方式，有助于推測(cè)學(xué)習(xí)者行為，使ALS的推理與預(yù)測(cè)更加個(gè)性化、人本化。

四、自適應(yīng)學(xué)習(xí)個(gè)性特征模型的構(gòu)建

教育大數(shù)據(jù)發(fā)展的最終目標(biāo)是回歸教育本質(zhì)，實(shí)現(xiàn)“因材施教”?！耙坏肚小笔降慕y(tǒng)一教學(xué)模式最大的弊端是忽略了學(xué)習(xí)者個(gè)體差異，分析學(xué)習(xí)者個(gè)性特征（主要包括知識(shí)水平、錯(cuò)誤/誤解、情感特征、認(rèn)知以及元認(rèn)知能力等，如圖1所示）是實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的前提條件，應(yīng)用合適的技術(shù)構(gòu)建個(gè)性特征模型，有助于ALS提供精準(zhǔn)、個(gè)性化的學(xué)習(xí)服務(wù)。

圖1 自適應(yīng)學(xué)習(xí)個(gè)性特征

（一）知識(shí)水平

知識(shí)水平不僅包括學(xué)習(xí)者對(duì)某一知識(shí)領(lǐng)域當(dāng)前知識(shí)的掌握水平，也包括對(duì)先前知識(shí)的掌握水平，是最基本的學(xué)習(xí)者個(gè)性特征，也是學(xué)習(xí)效果最直觀的體現(xiàn)。ALS通常借助學(xué)習(xí)目標(biāo)分類法，通過(guò)提供相應(yīng)的練習(xí)和測(cè)試估算學(xué)習(xí)者對(duì)每個(gè)知識(shí)點(diǎn)的認(rèn)知水平，調(diào)整學(xué)習(xí)內(nèi)容的難度和順序，為其創(chuàng)建獨(dú)特的學(xué)習(xí)路徑。

覆蓋模型因其能夠獨(dú)立描述學(xué)習(xí)者對(duì)每一個(gè)概念的認(rèn)知水平，常被用于構(gòu)建知識(shí)水平模型。學(xué)習(xí)者知識(shí)水平覆蓋模型，要求ALS領(lǐng)域知識(shí)模型對(duì)每一個(gè)概念進(jìn)行詳細(xì)描述。所以，其復(fù)雜程度取決于領(lǐng)域模型中知識(shí)概念的精細(xì)化程度及其對(duì)學(xué)習(xí)者知識(shí)水平的估測(cè)能力。

目前，采用覆蓋技術(shù)構(gòu)建學(xué)習(xí)者知識(shí)水平模型的學(xué)習(xí)系統(tǒng)有 WILEDS、MEDEA、InfoMap、TANGOW、DeLC、LS-Plan、PDinamet等。其中，InfoMap系統(tǒng)應(yīng)用覆蓋模型估測(cè)學(xué)習(xí)者基礎(chǔ)計(jì)算水平；PDinamet系統(tǒng)利用覆蓋模型獲取學(xué)習(xí)者物理知識(shí)水平，為其提供更加合適的學(xué)習(xí)資源[10]。

AUTO-COLLEAGUE、Wayang Outpost、CLT等系統(tǒng)應(yīng)用鉛板模型構(gòu)建知識(shí)水平模型。AUTO-COL-LEAGUE是關(guān)于統(tǒng)一建模語(yǔ)言 （Unified Modeling Language，UML）的協(xié)作學(xué)習(xí)環(huán)境，該系統(tǒng)用鉛板模型獲取學(xué)習(xí)者對(duì)UML知識(shí)的掌握程度[11]；Wayang Outpost用于幫助學(xué)習(xí)者解決SAT和州立考試中可能遇到的數(shù)學(xué)問(wèn)題，該系統(tǒng)應(yīng)用鉛板模型估計(jì)學(xué)習(xí)者數(shù)學(xué)知識(shí)水平，并找出影響學(xué)習(xí)行為的認(rèn)知因素，為學(xué)習(xí)者提供適切的反饋與指導(dǎo)[12]；C++學(xué)習(xí)系統(tǒng)CLT中也運(yùn)用鉛板模型構(gòu)建知識(shí)水平模型。此外，EER-Tutor應(yīng)用基于約束的模型估測(cè)學(xué)習(xí)者對(duì)概念數(shù)據(jù)庫(kù)設(shè)計(jì)知識(shí)的掌握程度[13]。

知識(shí)本身及學(xué)習(xí)者理解知識(shí)的過(guò)程均具有較強(qiáng)的隱蔽性，學(xué)習(xí)者知識(shí)水平模型構(gòu)建，易受學(xué)習(xí)者主觀推理等不確定因素的影響。English ABLE、TELEOS、AdaptErrEx、INQPRO等學(xué)習(xí)系統(tǒng)，利用貝葉斯網(wǎng)絡(luò)技術(shù)降低不確定性的影響，提高知識(shí)水平測(cè)試的準(zhǔn)確性。其中，English ABLE借助貝葉斯網(wǎng)絡(luò)技術(shù)獲取學(xué)習(xí)者對(duì)英語(yǔ)語(yǔ)法知識(shí)的理解程度[14]，INQPRO借助貝葉斯網(wǎng)絡(luò)測(cè)算學(xué)習(xí)者知識(shí)水平，估計(jì)學(xué)習(xí)者是否具備科學(xué)探究能力[15]。SimStudent和AIWBES系統(tǒng)利用機(jī)器學(xué)習(xí)技術(shù)采集學(xué)習(xí)者行為數(shù)據(jù)，并自動(dòng)推測(cè)其知識(shí)水平[16]。

隨著ALS智能化程度的提高，系統(tǒng)知識(shí)庫(kù)越來(lái)越龐大，數(shù)據(jù)處理難度不斷增加，部分系統(tǒng)應(yīng)用本體技術(shù)構(gòu)建學(xué)習(xí)者模型，以精確測(cè)定學(xué)習(xí)者的知識(shí)水平。例如，MAEVIF和SoNITS系統(tǒng)均采用語(yǔ)義網(wǎng)本體技術(shù)構(gòu)建學(xué)習(xí)者知識(shí)水平模型[17]。趙蔚團(tuán)隊(duì)提出了用戶模型的本體設(shè)計(jì)參考規(guī)范，并在此基礎(chǔ)上開(kāi)發(fā)了基于知識(shí)水平和學(xué)習(xí)風(fēng)格的自適應(yīng)學(xué)習(xí)系統(tǒng)[18]。

ALS亦可整合不同建模技術(shù)，以構(gòu)建基于知識(shí)水平的學(xué)習(xí)者模型。Web-Easy Math和GIAS系統(tǒng)將鉛板模型與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合構(gòu)建學(xué)習(xí)者模型，估測(cè)學(xué)習(xí)者的知識(shí)水平。ICICLE系統(tǒng)將覆蓋模型與鉛板模型相結(jié)合，判斷學(xué)習(xí)者對(duì)各單元語(yǔ)法規(guī)則的掌握程度，并預(yù)測(cè)學(xué)習(xí)者在不同情境中可能使用哪些語(yǔ)法規(guī)則。DEPTHS和FuzKSD系統(tǒng)將覆蓋模型、鉛板模型和模糊邏輯技術(shù)組合，構(gòu)建學(xué)習(xí)者知識(shí)水平模型，將學(xué)習(xí)者對(duì)某一主題知識(shí)或概念的熟練程度按非常不熟練、不熟練、熟練、非常熟練四個(gè)等級(jí)表示，以描述其知識(shí)水平。AMPLIA系統(tǒng)將貝葉斯網(wǎng)絡(luò)技術(shù)與認(rèn)知理論組合，構(gòu)建學(xué)習(xí)者知識(shí)水平模型。OPAL和IWT系統(tǒng)將覆蓋模型與語(yǔ)義網(wǎng)本體技術(shù)組合，估測(cè)學(xué)習(xí)者的知識(shí)水平[19]。

隨著大數(shù)據(jù)挖掘技術(shù)的深入發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)極大地提高了ALS的自適應(yīng)能力，谷歌（Google）研發(fā)的AlphaGo先后戰(zhàn)勝圍棋名將李世石及柯潔，再次掀起以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)為主的人工智能技術(shù)應(yīng)用于教育領(lǐng)域的討論熱潮。朗播網(wǎng)推出的自適應(yīng)英語(yǔ)學(xué)習(xí)系統(tǒng)TOEFL Online 3.0，利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建學(xué)習(xí)者能力模型，實(shí)時(shí)獲取學(xué)習(xí)者的知識(shí)水平，為其定制動(dòng)態(tài)的學(xué)習(xí)計(jì)劃[20]。

K-12教育機(jī)構(gòu)在其開(kāi)發(fā)的智能自適應(yīng)學(xué)習(xí)系統(tǒng)中，同樣利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建知識(shí)水平模型，實(shí)時(shí)測(cè)評(píng)每個(gè)學(xué)習(xí)者當(dāng)前知識(shí)點(diǎn)和相關(guān)知識(shí)點(diǎn)的能力水平，進(jìn)而為學(xué)習(xí)者推薦合適的學(xué)習(xí)內(nèi)容[21]。

（二）錯(cuò)誤/誤解模型

在學(xué)習(xí)過(guò)程中，引起學(xué)習(xí)者產(chǎn)生錯(cuò)誤的因素眾多，學(xué)習(xí)者可能因?yàn)樯形赐耆莆罩R(shí)點(diǎn)的規(guī)則而犯錯(cuò)，也可能因測(cè)試時(shí)的緊張、注意力分散等因素而回答失誤。不同于基于知識(shí)水平的個(gè)性化學(xué)習(xí)內(nèi)容推送，ALS構(gòu)建學(xué)習(xí)者錯(cuò)誤/誤解模型的目的，是準(zhǔn)確識(shí)別學(xué)習(xí)者的錯(cuò)誤／誤解并分析其原因，從而提供及時(shí)的錯(cuò)誤糾正策略，促進(jìn)知識(shí)的真正內(nèi)化，以提高學(xué)習(xí)者的學(xué)習(xí)效率。ALS既可通過(guò)日志挖掘等方法獲取學(xué)習(xí)者行為數(shù)據(jù)，以辨別其錯(cuò)誤／誤解，亦可通過(guò)測(cè)驗(yàn)來(lái)辨別。

攝動(dòng)模型是最常用的構(gòu)建學(xué)習(xí)者錯(cuò)誤／誤解模型的方法，ALS中通常存在存儲(chǔ)學(xué)習(xí)者錯(cuò)誤及其相應(yīng)矯正策略的錯(cuò)誤庫(kù)，系統(tǒng)在獲取學(xué)習(xí)者的錯(cuò)誤后，迅速與錯(cuò)誤庫(kù)內(nèi)容匹配，識(shí)別錯(cuò)誤類型，找到對(duì)應(yīng)的矯正策略，及時(shí)給予學(xué)習(xí)者反饋。錯(cuò)誤庫(kù)可分為枚舉型和生成型兩種：枚舉型錯(cuò)誤庫(kù)是系統(tǒng)設(shè)計(jì)者和領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗(yàn)判斷學(xué)習(xí)者可能出現(xiàn)的錯(cuò)誤而確定；生成型錯(cuò)誤庫(kù)則是系統(tǒng)以學(xué)習(xí)者行為表現(xiàn)為依據(jù)，自動(dòng)探測(cè)并收集學(xué)習(xí)者在學(xué)習(xí)過(guò)程中產(chǎn)生的錯(cuò)誤而逐漸形成。例如，遠(yuǎn)程學(xué)習(xí)系統(tǒng)LeCo-EAD采用內(nèi)含枚舉型錯(cuò)誤庫(kù)的學(xué)習(xí)者攝動(dòng)模型，估測(cè)學(xué)習(xí)者的知識(shí)水平和誤解程度，為學(xué)習(xí)者提供個(gè)別化輔導(dǎo)；數(shù)學(xué)計(jì)算法則學(xué)習(xí)系統(tǒng)InfoMap應(yīng)用枚舉型學(xué)習(xí)者攝動(dòng)模型獲取誤解水平，推理學(xué)習(xí)者的可能錯(cuò)誤，為其提供詳細(xì)的錯(cuò)誤糾正策略[22]。

此外，F(xiàn)-SMILE系統(tǒng)借助鉛板模型和人類合情推理理論，分析電腦初學(xué)者在學(xué)習(xí)文件存儲(chǔ)時(shí)產(chǎn)生錯(cuò)誤的原因，給出相應(yīng)的問(wèn)題解決步驟。Goel等人利用模糊模型，對(duì)由學(xué)習(xí)者與計(jì)算機(jī)交互產(chǎn)生的不準(zhǔn)確信息導(dǎo)致的錯(cuò)誤進(jìn)行推理，并對(duì)學(xué)習(xí)者犯同類錯(cuò)誤的可能性作出預(yù)測(cè)[23]。

智能計(jì)算機(jī)輔助語(yǔ)言學(xué)習(xí)系統(tǒng)ICALL通過(guò)構(gòu)建用戶鉛板模型提高用戶瑞典語(yǔ)學(xué)習(xí)的能力，該系統(tǒng)按學(xué)習(xí)者使用瑞典語(yǔ)的語(yǔ)法、語(yǔ)音、詞匯和語(yǔ)句錯(cuò)誤對(duì)學(xué)習(xí)者進(jìn)行分類，根據(jù)用戶需求與反饋為其提供個(gè)性化服務(wù)[24]；Java編程語(yǔ)言教學(xué)系統(tǒng)J-LATTE應(yīng)用基于約束的模型診斷和分析學(xué)習(xí)者的編程錯(cuò)誤[25]；AdaptErrEx系統(tǒng)運(yùn)用貝葉斯網(wǎng)絡(luò)技術(shù)構(gòu)建學(xué)習(xí)者錯(cuò)誤模型[26]。

（三）認(rèn)知特征

認(rèn)知特征是最復(fù)雜且難以測(cè)量的學(xué)習(xí)者個(gè)性特征之一，它能充分體現(xiàn)不同學(xué)習(xí)者認(rèn)識(shí)外界事物的特點(diǎn)，并隨著學(xué)習(xí)者的成長(zhǎng)而動(dòng)態(tài)變化。學(xué)習(xí)者認(rèn)知特征包括：記憶、理解、知覺(jué)、學(xué)習(xí)風(fēng)格和偏好、協(xié)作能力、問(wèn)題解決能力、決策能力、分析能力、批判性思維等。其中，學(xué)習(xí)風(fēng)格影響學(xué)習(xí)者對(duì)學(xué)習(xí)資料的感知、收集和加工處理方式，是影響學(xué)習(xí)行為和效果的最主要認(rèn)知特征。例如，視覺(jué)型學(xué)習(xí)者喜歡圖形化學(xué)習(xí)材料，聽(tīng)覺(jué)型學(xué)習(xí)者則偏好音頻資源；場(chǎng)依存型學(xué)習(xí)者喜歡小組學(xué)習(xí)，場(chǎng)獨(dú)立型學(xué)習(xí)者則認(rèn)為獨(dú)立學(xué)習(xí)效果更佳。學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和偏好影響ALS中知識(shí)描述的抽象程度、學(xué)習(xí)內(nèi)容的序列和呈現(xiàn)方式等。

因此，ALS?；趯W(xué)習(xí)風(fēng)格和偏好構(gòu)建學(xué)習(xí)者模型以提供個(gè)性化學(xué)習(xí)內(nèi)容和活動(dòng)形式，從而提高學(xué)習(xí)參與度、改善學(xué)習(xí)效果、增強(qiáng)學(xué)習(xí)者的滿意度。大多數(shù)ALS采用 Felder-Silverman學(xué)習(xí)風(fēng)格量表（Felder-Silverman Learning Style，F(xiàn)SLSM）或 MBTI（Myers-Briggs Type Indicator，MBTI）量表測(cè)量學(xué)習(xí)風(fēng)格。FSLSM將學(xué)習(xí)者的學(xué)習(xí)風(fēng)格分為四大維度八種類型，即：沉思型與活躍型、直覺(jué)型與感悟型、言語(yǔ)型與視覺(jué)型、綜合型與序列型；MBTI將學(xué)習(xí)風(fēng)格分為外向型、內(nèi)向型、感覺(jué)型、直覺(jué)型、思考型、情感型、判斷型和知覺(jué)型八類。ALS對(duì)學(xué)習(xí)風(fēng)格和偏好的測(cè)量分兩個(gè)階段完成：第一階段是在用戶注冊(cè)時(shí)以問(wèn)卷的形式進(jìn)行初步測(cè)量；第二階段是在學(xué)習(xí)過(guò)程中，借助基于學(xué)習(xí)風(fēng)格的學(xué)習(xí)者模型實(shí)時(shí)測(cè)量與更新[27]。

鉛板模型是最常用的構(gòu)建學(xué)習(xí)風(fēng)格和偏好模型的方法，系統(tǒng)根據(jù)學(xué)習(xí)者在注冊(cè)時(shí)填寫(xiě)的問(wèn)卷信息初步判斷其學(xué)習(xí)風(fēng)格，并劃歸到相應(yīng)的鉛板類型中，在學(xué)習(xí)開(kāi)始時(shí)，根據(jù)初始鉛板類型為學(xué)習(xí)者提供相應(yīng)的學(xué)習(xí)內(nèi)容和活動(dòng)；在學(xué)習(xí)過(guò)程中，分析用戶交互數(shù)據(jù)，并調(diào)整用戶學(xué)習(xí)風(fēng)格鉛板類型。例如，關(guān)注個(gè)性化交互的網(wǎng)絡(luò)教育超媒體系統(tǒng)INSPIRE利用鉛板模型獲取學(xué)習(xí)者學(xué)習(xí)風(fēng)格信息[28]；Glushkova等人借助鉛板模型動(dòng)態(tài)獲取學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的偏好、習(xí)慣和行為[29]；WELSA系統(tǒng)利用學(xué)習(xí)者學(xué)習(xí)風(fēng)格和偏好鉛板模型實(shí)時(shí)調(diào)整學(xué)習(xí)內(nèi)容和結(jié)構(gòu)[30]。

Samar Alkhuraiji等人在其研發(fā)的學(xué)習(xí)管理系統(tǒng)中，應(yīng)用貝葉斯網(wǎng)絡(luò)技術(shù)構(gòu)建學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型，實(shí)現(xiàn)符合學(xué)習(xí)者學(xué)習(xí)步調(diào)的個(gè)性化學(xué)習(xí)內(nèi)容推送[31]。自適應(yīng)超媒體系統(tǒng)AHA!應(yīng)用學(xué)習(xí)者偏好和風(fēng)格覆蓋模型給予學(xué)習(xí)者相應(yīng)的教學(xué)指導(dǎo)[32]。Crockett等人在會(huì)話式ALS中，使用模糊邏輯技術(shù)預(yù)測(cè)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格[33]。Oscal CITS系統(tǒng)也應(yīng)用模糊邏輯技術(shù)，以學(xué)習(xí)偏好和風(fēng)格為依據(jù)，為學(xué)習(xí)者提供適合的SQL語(yǔ)言學(xué)習(xí)教程[34]。

GIAS系統(tǒng)利用鉛板模型和機(jī)器學(xué)習(xí)技術(shù)，依據(jù)學(xué)習(xí)目標(biāo)、知識(shí)水平和學(xué)習(xí)風(fēng)格為學(xué)習(xí)者提供合適的課程主題和學(xué)習(xí)資源[35]。Lo等人在其個(gè)性化自適應(yīng)學(xué)習(xí)系統(tǒng)中，應(yīng)用類神經(jīng)網(wǎng)絡(luò)技術(shù)收集學(xué)習(xí)者的瀏覽行為，識(shí)別學(xué)習(xí)者的認(rèn)知方式[36]。張劍平和陳仕品應(yīng)用鉛板模型和多重覆蓋模型，構(gòu)建基于學(xué)習(xí)風(fēng)格和認(rèn)知狀態(tài)的學(xué)生模型[37]。袁度樂(lè)利用貝葉斯網(wǎng)絡(luò)方法開(kāi)發(fā)了基于學(xué)習(xí)風(fēng)格和興趣的個(gè)性化學(xué)習(xí)系統(tǒng)，實(shí)現(xiàn)了學(xué)習(xí)風(fēng)格模型動(dòng)態(tài)更新和學(xué)習(xí)資源個(gè)性化推薦。

除學(xué)習(xí)風(fēng)格和偏好外，批判性思維、創(chuàng)造性與問(wèn)題解決能力、自我認(rèn)識(shí)與自我調(diào)控等認(rèn)知特征，已成為21世紀(jì)公民所必需的“核心素養(yǎng)”。ALS通過(guò)構(gòu)建基于問(wèn)題解決能力、思維方式等認(rèn)知特征的學(xué)習(xí)者模型，促進(jìn)學(xué)習(xí)者核心素養(yǎng)的提升，是未來(lái)教育的發(fā)展方向。Andes系統(tǒng)利用貝葉斯網(wǎng)絡(luò)技術(shù)，為學(xué)習(xí)者提供長(zhǎng)期知識(shí)評(píng)估、計(jì)劃識(shí)別等，并預(yù)測(cè)學(xué)習(xí)者問(wèn)題解決能力和其他認(rèn)知特征。

英語(yǔ)語(yǔ)法知識(shí)學(xué)習(xí)系統(tǒng)Web-PTV將鉛板模型和機(jī)械學(xué)習(xí)技術(shù)相結(jié)合，測(cè)量學(xué)習(xí)者在語(yǔ)法練習(xí)時(shí)的細(xì)心度，從而培養(yǎng)學(xué)習(xí)者良好的學(xué)習(xí)習(xí)慣。FCBR-DHTS系統(tǒng)應(yīng)用模糊邏輯技術(shù)和鉛板模型，分析學(xué)習(xí)者的認(rèn)知特征，估測(cè)其對(duì)歷史文本材料的理解能力[38]。Pexa和Sossa應(yīng)用本體技術(shù)構(gòu)建學(xué)習(xí)者模型，獲取學(xué)習(xí)者的知識(shí)水平、個(gè)人品質(zhì)、學(xué)習(xí)傾向等特征，為其提供合理的學(xué)習(xí)材料[39]。Mahnane等在其自適應(yīng)超媒體系統(tǒng)AHS-TS中應(yīng)用鉛板模型，對(duì)學(xué)習(xí)者進(jìn)行分類，并通過(guò)調(diào)整課程內(nèi)容的呈現(xiàn)，以適應(yīng)學(xué)習(xí)者的個(gè)性化思維方式[40]。

（四）情感特征

情感是人對(duì)外部刺激的主觀體驗(yàn)，一般會(huì)伴隨表情、動(dòng)作或心率、血壓、腦電波等生理指標(biāo)的變化而產(chǎn)生，因此，可以根據(jù)學(xué)習(xí)者外部或內(nèi)部細(xì)微變化來(lái)判斷其某一時(shí)刻的情感狀態(tài)。當(dāng)前，大數(shù)據(jù)支持的在線教育平臺(tái)或應(yīng)用程序關(guān)注的焦點(diǎn)，仍是學(xué)習(xí)者知識(shí)水平和能力的提高，卻往往忽略學(xué)習(xí)者的情感狀態(tài)。

事實(shí)上，學(xué)習(xí)者的學(xué)習(xí)效率與其情感狀態(tài)緊密相關(guān)，而且情感狀態(tài)一般與深層次的動(dòng)機(jī)因素有關(guān)。在真實(shí)的課堂中，經(jīng)驗(yàn)豐富的教師和專家注意觀察學(xué)習(xí)者的情感狀態(tài)，并給出相應(yīng)的反饋以激勵(lì)學(xué)習(xí)者的學(xué)習(xí)。學(xué)習(xí)者的情感狀態(tài)包括：愉快、興奮、專注、熱情、悲傷、生氣、焦慮、恐懼、厭煩、沮喪、注意力分散、困惑、疲倦、冷淡等。積極的狀態(tài)如愉快、專注等能促進(jìn)學(xué)習(xí)；而消極的狀態(tài)如厭煩、疲倦和注意力分散等會(huì)對(duì)學(xué)習(xí)過(guò)程產(chǎn)生消極影響。因此，ALS需要借助不同技術(shù)方法，來(lái)監(jiān)測(cè)學(xué)習(xí)者的情感狀態(tài)并給出恰當(dāng)?shù)慕虒W(xué)干預(yù)，以提高學(xué)習(xí)者參與學(xué)習(xí)活動(dòng)的積極性、增強(qiáng)學(xué)習(xí)的有效性。

學(xué)習(xí)者個(gè)性特征模型構(gòu)建技術(shù)常與認(rèn)知理論、教學(xué)理論以及心理學(xué)理論相結(jié)合，共同促使系統(tǒng)及時(shí)識(shí)別學(xué)習(xí)者的情感狀態(tài)。OCC情感認(rèn)知理論是構(gòu)建學(xué)習(xí)者情感狀態(tài)模型的重要依據(jù)，如，Conati和Zhou為促進(jìn)教育游戲的發(fā)展，基于OCC理論構(gòu)建情感特征模型，以監(jiān)測(cè)學(xué)習(xí)者的情感狀態(tài)、提供更加愉悅的用戶體驗(yàn)[41]；虛擬現(xiàn)實(shí)教育游戲 VIRGE采用OCC理論來(lái)推斷學(xué)習(xí)者學(xué)習(xí)情感信息；移動(dòng)醫(yī)學(xué)導(dǎo)師系統(tǒng)MMT（Mobile Medical Tutor）同樣基于OCC理論，來(lái)構(gòu)建醫(yī)學(xué)導(dǎo)師代理的潛在情感狀態(tài)模型[42]。

Alepis等人曾在其研發(fā)的移動(dòng)教學(xué)環(huán)境中，基于多準(zhǔn)則決策理論來(lái)識(shí)別教師和學(xué)習(xí)者互動(dòng)時(shí)的情感信息。Conati和Mclaren應(yīng)用貝葉斯網(wǎng)絡(luò)技術(shù)和OCC理論構(gòu)建用戶模型，識(shí)別不同學(xué)習(xí)者在交互過(guò)程中的情緒狀態(tài)?；谇楦械挠螒蛐臀锢碇R(shí)學(xué)習(xí)系統(tǒng)PlayPhysics，以貝葉斯網(wǎng)絡(luò)技術(shù)和情感“控制—評(píng)價(jià)”理論為基礎(chǔ)，識(shí)別學(xué)習(xí)者情感狀態(tài)，判斷其學(xué)習(xí)成就感高低，進(jìn)而調(diào)整學(xué)習(xí)活動(dòng)、提高學(xué)習(xí)參與度[43]。Cetintas等人利用機(jī)器學(xué)習(xí)技術(shù)自動(dòng)檢測(cè)學(xué)習(xí)者行為、推測(cè)其情感狀態(tài)，并預(yù)測(cè)學(xué)習(xí)者何時(shí)會(huì)“開(kāi)小差”[44]。Inventado等人在POOLE III系統(tǒng)中，采用貝葉斯網(wǎng)絡(luò)技術(shù)和機(jī)器學(xué)習(xí)技術(shù)，構(gòu)建基于挫折和興奮等情感特征的學(xué)習(xí)者模型[45]。

此外，基于游戲的學(xué)習(xí)環(huán)境Crystal Island利用貝葉斯網(wǎng)絡(luò)技術(shù)，預(yù)測(cè)學(xué)習(xí)者情感狀態(tài)以調(diào)節(jié)學(xué)習(xí)過(guò)程和增強(qiáng)學(xué)習(xí)動(dòng)機(jī)。超媒體開(kāi)放式學(xué)習(xí)環(huán)境MetaTutor，利用機(jī)器學(xué)習(xí)技術(shù)獲取學(xué)習(xí)者眼動(dòng)數(shù)據(jù)，預(yù)測(cè)學(xué)習(xí)者對(duì)所學(xué)內(nèi)容的厭倦感或好奇心[46]。

（五）元認(rèn)知特征

元認(rèn)知即個(gè)體對(duì)自身認(rèn)知活動(dòng)的自我意識(shí)和調(diào)節(jié)，可以使學(xué)習(xí)者認(rèn)識(shí)到自己的知識(shí)和技能水平，并對(duì)自身學(xué)習(xí)過(guò)程進(jìn)行監(jiān)測(cè)和調(diào)節(jié)。學(xué)習(xí)者的元認(rèn)知能力是指學(xué)習(xí)者能認(rèn)識(shí)并控制自己的思考過(guò)程，選擇自己的學(xué)習(xí)目標(biāo)，恰當(dāng)運(yùn)用當(dāng)前的或先前的知識(shí)，并選擇恰當(dāng)?shù)膯?wèn)題解決策略等。元認(rèn)知強(qiáng)調(diào)學(xué)習(xí)者的主動(dòng)性，元認(rèn)知能力包括：自我反思、自我意識(shí)、自我監(jiān)控、自我調(diào)節(jié)、自我解釋、自我評(píng)價(jià)及自我管理等，它能促進(jìn)學(xué)習(xí)者更加積極地參與學(xué)習(xí)過(guò)程并進(jìn)行自我反思，有助于知識(shí)的內(nèi)化與遷移，從而提高學(xué)習(xí)效率，改善學(xué)習(xí)效果。

學(xué)習(xí)者的元認(rèn)知能力不易觀察、不易獲取，通常需借助一定的技術(shù)手段和輔助設(shè)備來(lái)外顯化。目前，在ALS中基于元認(rèn)知能力構(gòu)建學(xué)習(xí)者模型，還是一個(gè)較新的研究領(lǐng)域，仍處于理論研究階段，但已有一些研究者開(kāi)始嘗試構(gòu)建基于元認(rèn)知能力的學(xué)習(xí)者模型。

Wayang Outpost系統(tǒng)通過(guò)學(xué)習(xí)行為數(shù)據(jù)挖掘來(lái)識(shí)別與學(xué)習(xí)者元認(rèn)知有關(guān)的行為。Ting等人基于貝葉斯網(wǎng)絡(luò)模型，獲取學(xué)習(xí)者在科學(xué)探究學(xué)習(xí)環(huán)境中的學(xué)習(xí)參與度[47]。Liaw和Huang調(diào)查研究了在elearning環(huán)境中學(xué)習(xí)者的自我調(diào)節(jié)情況，并設(shè)法找出影響學(xué)習(xí)者自我調(diào)節(jié)的因素[48]。韓建華也在分析國(guó)際典型ALS系統(tǒng)和學(xué)習(xí)者元認(rèn)知策略基礎(chǔ)上，提出了ALS元認(rèn)知能力模型[49]。加拿大英屬哥倫比亞大學(xué)研究團(tuán)隊(duì)將基于神經(jīng)科學(xué)和信息技術(shù)的神經(jīng)反饋測(cè)試整合到其開(kāi)發(fā)的智能學(xué)習(xí)系統(tǒng)中，通過(guò)獲取“刺激—反應(yīng)”數(shù)據(jù)來(lái)判斷學(xué)習(xí)者的元認(rèn)知水平，從而為學(xué)習(xí)者提供更加個(gè)性化的自我學(xué)習(xí)調(diào)節(jié)策略。

五、自適應(yīng)課件導(dǎo)學(xué)系統(tǒng)（AC-ware Tutor）原型

AC-ware Tutor（Adaptive Courseware Tutor）是一個(gè)能夠?qū)崿F(xiàn)課件內(nèi)容個(gè)性化自適應(yīng)調(diào)整的學(xué)習(xí)系統(tǒng)原型，系統(tǒng)借助布魯姆知識(shí)分類、貝葉斯網(wǎng)絡(luò)和鉛板模型等構(gòu)建知識(shí)水平模型，精準(zhǔn)獲取學(xué)習(xí)者現(xiàn)有的知識(shí)水平，確定課件所應(yīng)呈現(xiàn)的內(nèi)容及難度，從而實(shí)現(xiàn)課件內(nèi)容的自動(dòng)生成、動(dòng)態(tài)選擇與排序以及測(cè)試問(wèn)題的自動(dòng)生成等。其中，課件的自動(dòng)化生成是指系統(tǒng)以領(lǐng)域知識(shí)本體為基礎(chǔ)，自動(dòng)生成學(xué)習(xí)和知識(shí)測(cè)試所需的課件內(nèi)容；課件內(nèi)容的自適應(yīng)選擇、排序和呈現(xiàn)則依據(jù)學(xué)習(xí)者鉛板模型，借助概念間關(guān)系陳述模板和問(wèn)題模板完成。

AC-ware Tutor運(yùn)用本體技術(shù)對(duì)知識(shí)概念進(jìn)行可視化表示，為更清晰地描述領(lǐng)域知識(shí)（Domain Knowledge，DK）中包括的概念及概念間關(guān)系，原型將DK定義為三元組（K1，r，K2）的集合，即DK={（K1，r，K2），（K2，r，K3），（K4，r，K5）…}。其中，概念K1是概念K2的上位概念，概念K2是概念K1的下位概念。

此外，系統(tǒng)應(yīng)用圖形學(xué)原理構(gòu)建有向的領(lǐng)域知識(shí)圖譜（Domain Knowledge Graph，DKG），實(shí)現(xiàn)領(lǐng)域知識(shí)可視化和對(duì)領(lǐng)域知識(shí)元素及其子集的管理。DKG是對(duì)領(lǐng)域知識(shí)中關(guān)聯(lián)概念的排序，DKG中有下位概念而無(wú)上位概念的頂點(diǎn)叫“根”節(jié)點(diǎn)，有上位概念而無(wú)下位概念的頂點(diǎn)叫“葉子”節(jié)點(diǎn)，DKG只有一個(gè)“根”節(jié)點(diǎn)，知識(shí)單元圖Ci是DKG最大的子圖。

AC-ware Tutor通過(guò)專家、教師、學(xué)習(xí)者三個(gè)模塊間的相互作用，實(shí)現(xiàn)知識(shí)自適應(yīng)獲取。在圖2所呈現(xiàn)的AC-ware Tutor模型結(jié)構(gòu)中，學(xué)習(xí)者模塊依據(jù)布魯姆目標(biāo)分類和知識(shí)測(cè)試，確定學(xué)習(xí)者鉛板類型，然后利用貝葉斯網(wǎng)絡(luò)技術(shù)為學(xué)習(xí)者提供匹配的學(xué)習(xí)內(nèi)容；教師模塊借助布魯姆知識(shí)分類和問(wèn)題模板來(lái)動(dòng)態(tài)生成自適應(yīng)課件；領(lǐng)域?qū)＜夷K提供領(lǐng)域知識(shí)圖譜（DKG）和學(xué)習(xí)材料，為教師模塊課件的動(dòng)態(tài)生成和呈現(xiàn)提供依據(jù)。

圖2 AC-ware Tutor模型結(jié)構(gòu)[50]

課件的自動(dòng)生成以領(lǐng)域知識(shí)本體為基礎(chǔ)，自動(dòng)生成的課件由領(lǐng)域知識(shí)集中的課件元素，即，一系列知識(shí)單元、模塊、課程以及知識(shí)水平測(cè)試題組成。在DKG中，當(dāng)前所學(xué)課件元素圖是領(lǐng)域知識(shí)圖的子圖，課件元素的水平（單元、模塊、課程）決定其所包含領(lǐng)域知識(shí)的數(shù)量。教師模塊通過(guò)對(duì)課件元素進(jìn)行排序整理，確定和優(yōu)化課件結(jié)構(gòu)，為學(xué)習(xí)者提供基于現(xiàn)有知識(shí)水平的個(gè)性化學(xué)習(xí)內(nèi)容和測(cè)試，以規(guī)劃教學(xué)和學(xué)習(xí)活動(dòng)。

（一）學(xué)習(xí)者知識(shí)水平的測(cè)評(píng)

學(xué)習(xí)者模塊即學(xué)習(xí)者知識(shí)水平模型是AC-ware Tutor的基礎(chǔ)，知識(shí)水平測(cè)試結(jié)果會(huì)影響課件內(nèi)容動(dòng)態(tài)生成、選擇、排序與呈現(xiàn)的過(guò)程，整個(gè)教與學(xué)的過(guò)程構(gòu)成了一個(gè)三相循環(huán)：學(xué)習(xí)者學(xué)習(xí)→學(xué)習(xí)者知識(shí)水平測(cè)試→實(shí)時(shí)確定學(xué)習(xí)者鉛板類型，通過(guò)測(cè)、學(xué)、練三個(gè)步驟完成個(gè)性化自適應(yīng)學(xué)習(xí)。

AC-ware Tutor存儲(chǔ)有描述測(cè)試問(wèn)題的問(wèn)題模板和用于描述領(lǐng)域知識(shí)中概念間關(guān)系的模板。這些模板與學(xué)習(xí)者鉛板模型和布魯姆知識(shí)分類相對(duì)應(yīng)，按難度水平分為四類，不同難度的問(wèn)題用于測(cè)試學(xué)習(xí)者相應(yīng)知識(shí)水平，如表1所示：難度為1的問(wèn)題，測(cè)試學(xué)習(xí)者對(duì)知識(shí)的識(shí)記水平；難度為2的問(wèn)題，測(cè)試學(xué)習(xí)者對(duì)知識(shí)的理解程度；難度為3的問(wèn)題，測(cè)試學(xué)習(xí)者對(duì)知識(shí)的應(yīng)用情況；難度為4的問(wèn)題，測(cè)試學(xué)習(xí)者對(duì)知識(shí)的分析、綜合和評(píng)價(jià)能力。

表1 基于知識(shí)水平的學(xué)習(xí)者鉛板模型

為定量描述學(xué)習(xí)者的知識(shí)水平，該原型利用加權(quán)函數(shù)XA和XV構(gòu)建學(xué)習(xí)者知識(shí)能力圖，如表1所示。函數(shù)XA：A→{-1，0，1，2，3，4}是對(duì)有向DKG中表示相關(guān)概念（KX，KY）間關(guān)系的邊進(jìn)行加權(quán)的函數(shù)；函數(shù)XV則是對(duì)有向DKG中的頂點(diǎn)加權(quán)的函數(shù)；XA（KX，KY）的值，即學(xué)習(xí)者正確回答邊KXKY問(wèn)題時(shí)所得分?jǐn)?shù)；XV（KX）值，即由函數(shù)XA確定的概念KX與其上位概念間邊的權(quán)值，以及概念KX與其下位概念間邊權(quán)重的總和，計(jì)算公式如下所示[51]。只有當(dāng)XV（KX）=1，學(xué)習(xí)者才完全掌握概念KX，即當(dāng)概念KX的上下位概念邊的權(quán)重均為4時(shí)，學(xué)習(xí)者才完全掌握概念KX。

系統(tǒng)利用知識(shí)水平測(cè)試的結(jié)果，即，上述加權(quán)函數(shù)的值實(shí)時(shí)地、定量地表示學(xué)習(xí)者學(xué)習(xí)過(guò)程中所屬的鉛板類型，實(shí)現(xiàn)了學(xué)習(xí)者鉛板類型的動(dòng)態(tài)判斷，即學(xué)習(xí)者的動(dòng)態(tài)分組，并在領(lǐng)域知識(shí)某一特定子集的基礎(chǔ)上，自動(dòng)化生成初始化測(cè)試問(wèn)題，完成學(xué)習(xí)者鉛板類型初始化。

如表1所示，在初始化測(cè)試時(shí)，系統(tǒng)首先利用問(wèn)題模板將問(wèn)題難度設(shè)置為3（L=3），若學(xué)習(xí)者回答錯(cuò)誤，則下一個(gè)問(wèn)題難度降為2（L=2）；若回答正確，則下一個(gè)問(wèn)題難度升為4（L=4）。以此類推，若學(xué)習(xí)者不能正確回答難度為2的問(wèn)題，則下一個(gè)問(wèn)題難度降為1（L=1）。系統(tǒng)通過(guò)此方法只需進(jìn)行二或三次判斷，便可確定學(xué)習(xí)者初始水平，極大地縮短了學(xué)習(xí)者初始化時(shí)間，提高了運(yùn)行效率。

（二）課件元素的自適應(yīng)選擇、排序和呈現(xiàn)

學(xué)習(xí)者鉛板模型初始化完成后，系統(tǒng)根據(jù)學(xué)習(xí)者鉛板模型對(duì)課件元素進(jìn)行選擇、排序和呈現(xiàn)。課件元素的選擇需以課件元素水平為依據(jù)，課件元素水平?jīng)Q定學(xué)習(xí)者在單次學(xué)習(xí)和教學(xué)循環(huán)中所學(xué)的最大知識(shí)量。如表2所示，系統(tǒng)將五種學(xué)習(xí)者鉛板模型與三種課件元素及五級(jí)知識(shí)水平相對(duì)應(yīng)。

表2 鉛板模型、課件元素水平和知識(shí)水平

課件元素自適應(yīng)選擇與排序是指系統(tǒng)依據(jù)表2，為特定鉛板模型選擇相應(yīng)水平的課件元素并確定學(xué)習(xí)的順序，依據(jù)元素等級(jí)（u，p，l）和名稱選擇課件元素。首先，以單元圖u為標(biāo)志進(jìn)行初選；其次，判斷課件元素的根節(jié)點(diǎn)到中心根節(jié)點(diǎn)的路徑長(zhǎng)度p和課件元素水平1；最后，將課件元素根名稱按字母順序表排列。在對(duì)適應(yīng)學(xué)習(xí)者鉛板模型的課件元素進(jìn)行選擇和排序之后，系統(tǒng)需確定課件的呈現(xiàn)方式。AC-ware Tutor具有與布魯姆知識(shí)分類相對(duì)應(yīng)的描述概念間關(guān)系的知識(shí)陳述模板，系統(tǒng)利用與鉛板模型相應(yīng)的知識(shí)陳述模板，實(shí)現(xiàn)課件元素自動(dòng)化呈現(xiàn)。

盡管，AC-ware Tutor系統(tǒng)仍以ALS的傳統(tǒng)結(jié)構(gòu)為基礎(chǔ)，但已取得了實(shí)質(zhì)性進(jìn)步，以學(xué)習(xí)者當(dāng)前的知識(shí)水平為依據(jù)，實(shí)現(xiàn)了學(xué)習(xí)內(nèi)容和學(xué)習(xí)序列在學(xué)習(xí)、教學(xué)及知識(shí)測(cè)試過(guò)程中的自適應(yīng)調(diào)整。同時(shí)，該系統(tǒng)可結(jié)合學(xué)習(xí)分析技術(shù)，并引入MOOC建設(shè)服務(wù)范疇，為學(xué)習(xí)者定制學(xué)習(xí)資源和學(xué)習(xí)路徑，促進(jìn)系統(tǒng)的個(gè)性化服務(wù)升級(jí)，其應(yīng)用也將有助于自主學(xué)習(xí)、泛在學(xué)習(xí)、遠(yuǎn)程實(shí)時(shí)協(xié)作性學(xué)習(xí)等的開(kāi)展，從而促進(jìn)教育公平的實(shí)現(xiàn)。

六、總結(jié)

教育的個(gè)性化就是把每個(gè)人的潛能充分挖掘出來(lái)，使每個(gè)人的個(gè)性充分張揚(yáng)，讓每個(gè)人成為真正的自己。自適應(yīng)學(xué)習(xí)的目的是減輕所有學(xué)習(xí)參與者的負(fù)擔(dān)，讓參與者真正喜歡并享受學(xué)習(xí)過(guò)程。然而，學(xué)習(xí)是一個(gè)復(fù)雜且隱性的過(guò)程，很難準(zhǔn)確判斷學(xué)習(xí)者是否真正掌握了某個(gè)知識(shí)概念，也難以描述學(xué)習(xí)者在當(dāng)前情境中的情感狀態(tài)等。

隨著數(shù)據(jù)科學(xué)的發(fā)展，ALS通過(guò)構(gòu)建學(xué)習(xí)者個(gè)性特征模型，定量且自動(dòng)化地判斷學(xué)習(xí)者當(dāng)前狀態(tài)，為學(xué)習(xí)者提供了自適應(yīng)和個(gè)性化學(xué)習(xí)指導(dǎo)。個(gè)性特征模型是實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的關(guān)鍵因素，可以說(shuō)是ALS的“心臟”。

構(gòu)建個(gè)性特征模型的本質(zhì)是構(gòu)建學(xué)習(xí)者學(xué)習(xí)過(guò)程的模型，是ALS依據(jù)學(xué)習(xí)者個(gè)體特征，即時(shí)安排學(xué)習(xí)內(nèi)容，以滿足學(xué)習(xí)者個(gè)體需要的智慧化過(guò)程。正如AC-ware Tutor，基于個(gè)性特征的自適應(yīng)學(xué)習(xí)系統(tǒng)能夠自動(dòng)定量地判斷學(xué)習(xí)者的知識(shí)水平，或?qū)δ硞€(gè)概念的知識(shí)水平變化及時(shí)提供適宜的學(xué)習(xí)材料，能夠?qū)W(xué)習(xí)者的錯(cuò)誤進(jìn)行推理，判斷其錯(cuò)誤產(chǎn)生的原因是先前知識(shí)的缺乏或其它，以此調(diào)整教學(xué)等。

在大數(shù)據(jù)背景下，利用適切的技術(shù)方法構(gòu)建學(xué)習(xí)者個(gè)性特征模型，如同為每個(gè)學(xué)習(xí)者佩戴了一個(gè)“智能手環(huán)”，能夠清晰地監(jiān)測(cè)和記錄學(xué)習(xí)的“行為軌跡”信息。通過(guò)平臺(tái)采集技術(shù)、視頻錄制技術(shù)、可穿戴技術(shù)、面部識(shí)別、眼動(dòng)追蹤、皮膚電測(cè)量、物聯(lián)網(wǎng)技術(shù)等線上線下數(shù)據(jù)采集技術(shù)，挖掘和分析個(gè)性特征信息，將有利于學(xué)習(xí)者數(shù)據(jù)的實(shí)時(shí)、全面、精準(zhǔn)獲取與智能分析處理，從而為系統(tǒng)的自適應(yīng)調(diào)節(jié)提供依據(jù)，推動(dòng)教育向差異化、個(gè)性化方向變革。

[1]徐鵬，王以寧，劉艷華等.大數(shù)據(jù)視角分析學(xué)習(xí)變革——美國(guó)《通過(guò)教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告解讀及啟示[J].遠(yuǎn)程教育雜志，2013（6）：11-16.

[2]Educause.Key Issues in Teaching and Learning 2016[DB/OL].[2017-02-05].http://www.educause.edu/eli/initiatives/key-issues-in-teaching-and-learning.

[3]祝智庭，沈德梅.基于大數(shù)據(jù)的教育技術(shù)研究新范式[J].電化教育研究，2013（10）：5-12.

[4]何克抗.大數(shù)據(jù)面面觀[J].電化教育研究，2014（10）：12-13.

[5]EdSurge（2016）.Decoding Adaptive[R].London:Pearson，2016.

[6]Stanford University.Artificial Intelligence and Life in 2030[R].Stanford，California：Stanford University，2016.

[7]姜強(qiáng)，趙蔚，李松等.個(gè)性化自適應(yīng)學(xué)習(xí)研究——大數(shù)據(jù)時(shí)代數(shù)字化學(xué)習(xí)的新常態(tài)[J].中國(guó)電化教育，2016（2）：25-31.

[8]張舸，周東岱，葛情情.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者特征模型及建模方法評(píng)述[J].現(xiàn)代教育技術(shù)，2012（5）：77-81.

[9]劉麗娟，張胤，楊一.基于本體思想的網(wǎng)頁(yè)信息抽取方法[J].計(jì)算機(jī)與現(xiàn)代化，2015（9）：90-94.

[10]Gaudioso E，Montero M，Hernandez-Del-Olmo F.Supporting Teachers in Adaptive Educational Systems through Predictive Models：A Proof of Concept[J].Expert Systems with Applications，2012，39（1）: 621-625.

[11]Tourtoglou K，Virvou M.An Intelligent Recommender System for Trainers and Trainees in a Collaborative Learning Environment for UML[J].Intelligent Decision Technologies，2012，6（2）:79-95.

[12]Arroyo I，Mehranian H，Woolf B P.A Multimedia Adaptive Tutoring System for Mathematics that Address Congnition，Metacognition，and Affect[J].International Journal of Artificial Intelligence in Education，2014，24（4）:387-426.

[13]Weerasinghe A，Mitrovic A.Facilitating Adaptive Tutorial Dialogues in EER-tutor[C]//Gautam Biswas，Susan Bull，Judy Kay，Antonija Mitrovic.ArtificialIntelligencein Education-15th International Conference，AIED2011，Auckland，NewZealand，2011:630-631.

[14]Zapata-Rivera J D.Indirectly Visible Bayesian Student Models[C]// Kathryn B Laskey，Suzanne M Mahoney，Judy Goldsmith.Proceedings of the Fifth UAI Bayesian Modeling Applications Workshop（UAIAW 2007），Vancouver，British Columbia，Canada，2007.

[15]Ting C Y，Phon-Amnuaisuk S.Properties of Bayesian Student Model for INQPRO[J].Applied Intelligence，2012，36（2）:391-406.

[16]Nan Li，William W Cohen，Kenneth R Koedinger，et al.A Machine Learning Approach for Automatic Student Model Discovery[C]// Mykola Pechenizkiy，Toon Calders，Cristina Conati，et al.Proceedings of the 4th International Conference on Educational Data Mining，Eindhoven，The Netherlands，2011:31-40.

[17]Julia Clemente，Jaime Ramírez，Angélica de Antonio.A Proposal for Student Modeling based on Ontologies and Diagnosis Rules[J].Expert Systems with Applications，2011，38（7）:8066-8078.

[18]姜強(qiáng)，趙蔚，王續(xù)迪.自適應(yīng)學(xué)習(xí)系統(tǒng)中用戶模型和知識(shí)模型本體參考規(guī)范的設(shè)計(jì)[J].現(xiàn)代遠(yuǎn)距離教育，2011（1）：61-65.

[19][22][38]Konstantina Chtrsafiadi，Maria Virvous.Advances in Personalized Web-based Education[M].Switzerland:Springer International Publishing，2015:13-21.

[20]怡彭.朗播網(wǎng)發(fā)布TOEFL Online 3.0，加入自適應(yīng)的新產(chǎn)品將帶來(lái)怎樣的效果 [DB/OL].[2017-03-03].http://www.jiemodui.com/N/ 51218.html.

[21]自適應(yīng)學(xué)習(xí)專家王楓詳解智慧教育中的“人工智能”[DB/OL]. [2017-03-28].http://learning.sohu.com/20160328/n442614607.shtml.

[23]Goel G，Lallé S，Luengo V.Fuzzy Logic Representation for Student Modelling [C]//Stefano A Cerri，William J Clancey，Giorgos Papadourakis，etc.International Conference on Intelligent Tutoring Systems，Chania，Crete，Greece，2012:428-433.

[24]David Alfter.Learning the Learner:User Modeling in Intelligent Computer Assisted Language Learning Systems[C]//Federica Cena，Michel Desmarais，Darina Dicheva.Proceedings of the 24th ACM Conference on User Modeling，Adaptation and Personalisation，Halifax，Canada，2016.

[25]Holland J，Martin B，Mitrovic A.J-LATTE:A Constraint-based Tutor for Java[J].Proceedings of the 17th International Conference on Computers in Education，Hong Kong，2009:142-146.

[26]George Goguadze，Sergey A Sosnovsky，Seiji Isotani，et al.Evaluating a Bayesian Student Model of Decimal Misconceptions[C]//Mykola Pechenizkiy，Toon Calders，Cristina Conati，et al.Proceedings of the 4th International Conference on Educational Data Mining，Eindhoven，The Netherlands，2011:31-40.

[27]姜強(qiáng)，趙蔚，杜欣.基于Felder-Silverman量表用戶學(xué)習(xí)風(fēng)格模型的修正研究[J].現(xiàn)代遠(yuǎn)距離教育，2010（1）：62-66.

[28][37]陳仕品，張劍平.適應(yīng)性學(xué)習(xí)支持系統(tǒng)的學(xué)生模型研究[J].中國(guó)電化教育，2010（5）：112-117.

[29]Glushkova T.Adaptive Model for User Knowledge in the E-learning System[C]//Boris Rachev，Anger Smrikarov.Proceedings of the 9th International Conference on Computer Systems and Technologies and Workshop for PhD Students in Computing.NewYork:ACM，2008:78.

[30]Popescu E，Bǎdicǎ C，Moraret L.WELSA:An Intelligent and Adaptive Web-based Educational System[M]//George Angelos Papadopoulos，Costin Badica.IntelligentDistributed Computing III. Berlin Heidelberg:Springer，2009:175-185.

[31]Alkhuraiji S，Cheetham B，Bamasak O.Dynamic Adaptive Mechanism in Learning Management System based on Learning Styles[C]// 11th IEEE International Conference on Advanced Learning Technologies（ICALT），2011：215-217.

[32]Natalia Stash，Alexandra Cristea，Paul De Bra.Adaptation to Learning Styles in E-Learning:Approach Evaluation[C]//T Reeves，S Yamashita.Proceedings of E-Learn:World Conference on E-Learning in Corporate，Government，Healthcare，and Higher Education，Honolulu，Hawaii，2006:284-291.

[33]Crockett K，Latham A，Mclean D，et al.A Fuzzy Model for Predicting Learning Styles Using Behavioral Cues in an Conversational Intelligent Tutoring System[C]//Fuzzy Systems（FUZZ），2013 IEEE International Conference on IEEE，2013:1-8.

[34]Annabel Latham，Keeley Crockett，David McLean.An Adaptation Algorithm for an Intelligent Natural Language Tutoring System[J]. Computers&Education，2014，71:97-110.

[35]Gladys Castillo，Jo觔o Gama，Ana M Breda.An Adaptive Predictive Model for Student Modeling[M]//George D Magoulas，Sherry Y Chen. Advances in Web-based Education:Personalized Learning Environments.USA:Information Science Publishing，2009:70-92.

[36]Lo J J，Chan Y C，Yeh S W.Designing an Adaptive Web-based Learning System based on Students’Cognitive Styles Identified Online[J].Computers&Education，2012，58（1）:209-222.

[39]Ayala A P，Sossa H.Semantic Representation and Management of Student Models:An Approach to Adapt Lecture Sequencing to Enhance Learning[C]//Grigori Sidorov，Arturo Hemandez Aguirre，Carlos Alberto Reyes Garcia.9th Mexican International Conference on Artificial Intelligence，Pachuca，Mexico:MICAI，2010:175-186.

[40]Mahnane L，Laskri M T，Trigano P.An Adaptive Hypermedia System Integrating Thinking Style（AHS-TS）:Model and Experiment[J].International Journal of Hybrid Information Technology，2012，5（1）: 11-28.

[41]Conati C，Zhou X.Modeling Students’Emotions from Cognitive Appraisal in Educational Games[C]//Stefano A Cerri，Guy Gouardères，F(xiàn)ábio Paraguacu.International Conference on Intelligent Tutoring Systems，London，UK:Springer-Verlag，2002:944-954.

[42]Alepis E，Virvou M.Automatic Generation of Emotions in Tutoring Agents for Affective E-learning in Medical Education[J].Expert Systems with Applications，2011，38（8）:9840-9847.

[43]Mu觡oz K，Mc Kevitt P，Lunney T，et al.An Emotional Student Model for Game-play Adaptation[J].Entertainment Computing，2011，2（2）: 133-141.

[44]Cetintas S，Si L，Xin Y P P，et al.Automatic Detection of Off-task Behaviors in Intelligent Tutoring Systems with Machine Learning Techniques[J].IEEE Transactions on Learning Technologies，2010，3（3）:228-236.

[45]Paul Salvador Invebtado，Roberto Legaspi，Merlin Suarez.Predicting Student’s Appraisal of Feedback in an Its Using Previous Affective States and Continuous Affect Labels from EEG Data[C]//S L Wong， et al.The 18th International Conference on Computers in Education，Putrajaya，Malaysia:Asia-Pacific Society for Computers in Education，2010:71-75.

[46]Jaques N，Conati C，Harley J M，et al.Predicting Affect from Gaze Data during Interaction with an Intelligent Tutoring System[C]//Stefan Trausan-Matu，Kristy Elizabeth Boyer，Martha Crosby，et al.Intelligent Tutoring Systems，12th International Conference，Honolulu，HI，USA:ITS2014，2014:29-38.

[47]Choo-Yee Ting，Somnuk Phon-Amnuaisuk.Properties of Bayesian Student Model for INQPRO[J].Applied Intelligence，2012，36（2）: 391-406.

[48]Liaw S S，Huang H M.Perceived Satisfaction Perceived Usefulness and Interactive Learning Environments as Predictors to Self-regulation in E-learning Environments[J].Computers& Education，2013，60（1）:14-24.

[49]韓建華，姜強(qiáng)，趙蔚.基于元認(rèn)知能力發(fā)展的智能導(dǎo)學(xué)系統(tǒng)研究[J].現(xiàn)代教育技術(shù)，2016（3）:107-112.

[50][51]Grubisic A，Stankov S，Zitko B.Stereotype Student Model for an Adaptive e-Learning System[J].Special Journal Issue on Advances in Information and Intelligent Systems，2013：76-80.

Research on Students’Personality Traits Modeling in Adaptive Learning on the Background of Big Data：Based on the Perspective of Meta-analysis

Jian Baoxia1，Jiang Qiang1，Zhao Wei1&Li Yongfan2
（1.College of Computer Science and Information Technology，Northeast Normal University，Changchun Jilin 130117；2.Institute of Information Science and Engineering，Hunan First Normal University，Changsha Hunan 410205）

As a way of human existence，technology is making a profound change in teaching patterns and learning style.On the background of big data，artificial intelligence，machine learning and other emerging technologies，adaptive learning system could help students to achieve differentiated learning，and to promote education to develop to the direction of individual learning.Based on the meta-analysis perspective，the paper analyzes learners’personal characteristics such as knowledge level，errors and misconceptions，cognitive features，affective features，meta-cognitive features and so on.It interprets modeling methods like the Overly Model，Cognitive Theories，Constraint-based Model，F(xiàn)uzzy Logic，Bayesian Networks and Ontology-based Model.Meanwhile，it elaborates that using appropriate modeling technique to construct the learner model can help to provide accurate and individualized adaptive learning service and improve the quality of education.At last，the paper takes “AC-ware Tutor”as an example to analyze the operating mechanism of the learnimg model.The result will be the theoretical basis for the construction of intelligence learning space.

Big data；Adaptive learning；Learning analytics；Artificial intelligence technology；Personality traits model；Meta-analysis

G434

A

1672-0008（2017）04—0087—10

菅保霞，東北師范大學(xué)計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院在讀碩士研究生，研究方向：個(gè)性化自適應(yīng)學(xué)習(xí)；姜強(qiáng)，東北師范大學(xué)計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院副教授，博士，研究方向：個(gè)性化自適應(yīng)學(xué)習(xí)；趙蔚，東北師范大學(xué)計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院教授，博士，研究方向：自適應(yīng)學(xué)習(xí)、資源聚合、知識(shí)可視化；李勇帆，湖南第一師范學(xué)院信息科學(xué)與工程學(xué)院教授（二級(jí)），享受國(guó)務(wù)院特殊津貼專家，研究方向：數(shù)據(jù)挖掘、情感計(jì)算。

2017年3月1日

責(zé)任編輯：呂東東

本文系教育部人文社科規(guī)劃項(xiàng)目“基于知識(shí)圖譜的開(kāi)放學(xué)習(xí)資源自主聚合研究”（項(xiàng)目編號(hào)：14YJA880103）；教育部人文社科青年項(xiàng)目 “大數(shù)據(jù)時(shí)代在線學(xué)習(xí)者情感挖掘與干預(yù)研究”（項(xiàng)目編號(hào)：16YJC880046）；基礎(chǔ)教育信息化技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室 (項(xiàng)目編號(hào)：2015TP1017)；湖南省哲學(xué)社會(huì)科學(xué)基金項(xiàng)目“‘互聯(lián)網(wǎng)+’促進(jìn)城鄉(xiāng)基礎(chǔ)教育均衡發(fā)展的創(chuàng)新機(jī)制與路徑研究”（項(xiàng)目編號(hào)：16YBA094）資助的階段性成果。