自適應(yīng)學(xué)習(xí)：溯源、前景與誤區(qū)

佩特·約翰內(nèi)斯 拉里·拉格斯多姆

【摘 要】

直至不久前，面向成千上萬學(xué)習(xí)者大規(guī)模提供個性化教育純屬天方夜譚。得益于普適計算能力、大規(guī)模用戶群體和可擴(kuò)展分析算法，現(xiàn)在似乎比以往任何時候都更有可能通過自適應(yīng)學(xué)習(xí)的形式，基于學(xué)習(xí)者的輸入而非教師的直覺改變學(xué)習(xí)者個體的學(xué)習(xí)體驗。這篇綜述旨在向工程教育領(lǐng)域負(fù)責(zé)人和工程專業(yè)教師提供三個方面的指導(dǎo)。首先，解釋什么是自適應(yīng)學(xué)習(xí)系統(tǒng)以及這種系統(tǒng)需要什么類型的數(shù)據(jù)；其次，對自適應(yīng)系統(tǒng)的主要用例及可能性進(jìn)行分類；最后，簡要闡述現(xiàn)階段自適應(yīng)系統(tǒng)的局限以及值得關(guān)注的地方。工程專業(yè)的負(fù)責(zé)人和教師可以據(jù)此判斷他們的教學(xué)環(huán)境是否適合使用這些系統(tǒng)；教育研究者則可以研究現(xiàn)有系統(tǒng)的特點，了解它們能在哪些方面發(fā)揮重要作用。

【關(guān)鍵詞】 在線學(xué)習(xí)；自適應(yīng)學(xué)習(xí)；機(jī)器學(xué)習(xí)；慕課；認(rèn)識論；學(xué)習(xí)者模型；知識跟蹤

【中圖分類號】 G420 【文獻(xiàn)標(biāo)識碼】 B 【文章編號】 1009-458x（2018）7-0043-11

導(dǎo)讀：從歷史上看，對教育而言，個性化似乎是理所當(dāng)然的事情。比如，我國以前的私塾便是一種個性化教育，英國牛津和劍橋大學(xué)的傳統(tǒng)導(dǎo)師制（即所謂OxCam Tutor模式）更是個性化教育的典范。我們平時常掛在嘴邊的“因人施教”其實也是為了使教學(xué)更個性化。隨著社會的發(fā)展，對教育的需求日益增長，“私塾”也好，“導(dǎo)師制”也好，遠(yuǎn)遠(yuǎn)滿足不了這些需求，“私塾”還可能有悖于現(xiàn)代教育規(guī)律和培養(yǎng)目標(biāo)，而在具體教學(xué)實踐中“因人施教”的“人”也不一定是某一個“個體”，更多的是以班組為單位的“個體”，因此難以實現(xiàn)真正意義上的“個性化”。在技術(shù)與教育如此“水乳交融”的今天，借助技術(shù)手段幫助教育重拾“個性化”是再自然不過的事情（“如果說教育的‘終極目標(biāo)是實現(xiàn)教育個性化，那么目前自適應(yīng)教育則被認(rèn)為是達(dá)成這個目標(biāo)的上策”，而“現(xiàn)在由于有普適計算能力、大規(guī)模用戶群體以及可擴(kuò)展分析算法，我們能夠基于學(xué)習(xí)者的輸入而非教師的直覺改變個體學(xué)習(xí)者的學(xué)習(xí)體驗，而且能夠大規(guī)模開展”），學(xué)術(shù)界可能覺得這是他們義不容辭的責(zé)任，而商界則從中嗅到濃濃商機(jī)，于是自適應(yīng)學(xué)習(xí)應(yīng)運(yùn)而生，如同其他一些基于技術(shù)的教學(xué)創(chuàng)新一樣，在大眾媒體的推波助瀾下，風(fēng)生水起。然而，毋庸諱言，并非所有人都真正了解自適應(yīng)學(xué)習(xí)；要充分發(fā)揮自適應(yīng)技術(shù)對學(xué)習(xí)的促進(jìn)作用，我們就必須對其“知根知底”，不斷探索、不斷改進(jìn)，才能揚(yáng)其所長、避其所短。

本文是美國斯坦福大學(xué)兩位研究者佩特·約翰內(nèi)斯和拉里·拉格斯多姆博士提交美國工程教育學(xué)會（ASEE）2017年年會的論文①，文章不是很長，但誠如史蒂芬·道恩斯所言，言簡意賅，較為完整地給讀者呈現(xiàn)了自適應(yīng)學(xué)習(xí)領(lǐng)域的發(fā)展歷史、實踐與研究現(xiàn)狀以及存在的問題。有一點需要說明，本文的讀者對象原本是工程教育領(lǐng)域的教育工作者和研究者，所以個別地方的措辭明顯針對工程教育領(lǐng)域同行，但我認(rèn)為這并不意味著文章所述僅局限于工程教育。

文章第一部分從兩個方面對自適應(yīng)學(xué)習(xí)進(jìn)行溯源：發(fā)展脈絡(luò)和科學(xué)原理。從其發(fā)展脈絡(luò)看，一方面可以追溯到“二十世紀(jì)八十年代個人電腦的出現(xiàn)以及把電腦作為一種自動化輔導(dǎo)教師（an automated form of tutor）或‘智能輔導(dǎo)系統(tǒng)（intelligent tutoring system）使用的可能性”，另一方面則是“得益于教育領(lǐng)域慕課的興起和數(shù)據(jù)科學(xué)領(lǐng)域機(jī)器學(xué)習(xí)方法的發(fā)展”，目的是“提高學(xué)習(xí)者的參與度、學(xué)習(xí)效果和堅持學(xué)習(xí)的信心”，最終降低輟學(xué)率。至于科學(xué)原理，文章用通俗易懂的語言簡要介紹了與自適應(yīng)學(xué)習(xí)系統(tǒng)有關(guān)的基本概念和原理，包括自適應(yīng)模型、領(lǐng)域模型和用戶模型、疊加建模與不確定性建模，以及知識跟蹤等。

文章第二部分在回顧自適應(yīng)學(xué)習(xí)現(xiàn)狀和對學(xué)習(xí)的促進(jìn)作用基礎(chǔ)上展望發(fā)展前景。從現(xiàn)狀看，自適應(yīng)學(xué)習(xí)領(lǐng)域是一個高度商業(yè)化的領(lǐng)域，“企業(yè)、出版商以及后臺系統(tǒng)供應(yīng)商都在把自己的收入和客戶滿意度押在自適應(yīng)學(xué)習(xí)上”，當(dāng)然，高等教育機(jī)構(gòu)也不甘落后，事實上不少商業(yè)機(jī)構(gòu)與大學(xué)有千絲萬縷的關(guān)系。另外，有些大學(xué)“投資開發(fā)用于‘高危學(xué)生預(yù)警系統(tǒng)的學(xué)生預(yù)測模型。這些模型有助于設(shè)計和實施自適應(yīng)干預(yù)措施，從而降低不及格率和輟學(xué)率”。自適應(yīng)學(xué)習(xí)的商業(yè)化必然帶來一些問題，比如技術(shù)壟斷或?qū)Τ尚Э浯笃湓~等。盡管如此，我們還是能夠從企業(yè)與學(xué)術(shù)界合作的一些項目中了解到一些實施案例的情況，其成效主要體現(xiàn)在三個方面：“減少學(xué)習(xí)時間”“縮小成績和學(xué)習(xí)參與度的差距”，以及“提高考試及格率”。第二部分以一個圖表收尾，分別從領(lǐng)域模型、學(xué)習(xí)者模型和自適應(yīng)模型三個角度歸納自適應(yīng)系統(tǒng)對學(xué)習(xí)者、教育工作者、學(xué)習(xí)科學(xué)研究者和計算機(jī)科學(xué)家的潛在好處。

雖然研究表明自適應(yīng)學(xué)習(xí)能夠產(chǎn)生一些積極學(xué)習(xí)效果，但是也存在言過其實的宣傳。2013年比爾和梅琳達(dá)·蓋茨基金會啟動“自適應(yīng)學(xué)習(xí)市場加速項目”，旨在推廣自適應(yīng)學(xué)習(xí)的應(yīng)用，成功中標(biāo)者包括14家高等教育機(jī)構(gòu)。這是一個大規(guī)模項目，共有23，000名學(xué)生參加該項目，基金會委托斯坦福國際研究中心對項目的實施情況進(jìn)行評估，包括學(xué)習(xí)結(jié)果、成本和滿意度等方面。研究結(jié)果喜憂參半。換言之，大眾傳媒或企業(yè)對自適應(yīng)學(xué)習(xí)的成效有言過其實之嫌。因此，文章第三部分的第二小節(jié)重點闡述三個方面的問題：第一，對學(xué)生的歧視和標(biāo)簽化，比如，根據(jù)學(xué)生在某一門課程上的學(xué)習(xí)情況給他們貼上“差生”“中等生”或“優(yōu)等生”標(biāo)簽是否會產(chǎn)生副作用？標(biāo)簽化是否會導(dǎo)致學(xué)生“只能囿于某種學(xué)習(xí)路徑”？例外情況的學(xué)生又該如何處理？再者，不論從何種角度看，算法都不是中立的，這樣就很容易導(dǎo)致有些學(xué)生遭受歧視。第二，自適應(yīng)學(xué)習(xí)系統(tǒng)賴以支撐的知識和認(rèn)識觀單一，從而影響其應(yīng)用范圍。比如，大多數(shù)自適應(yīng)學(xué)習(xí)系統(tǒng)都把知識分為描述性和程序性兩種，“認(rèn)為所有相關(guān)知識不僅可以建模，也可以顯性化”，未能處理隱性知識。換言之，它們可能適合某些內(nèi)容的學(xué)習(xí)，但對于另外某些內(nèi)容的學(xué)習(xí)可能作用適得其反。第三，學(xué)生數(shù)據(jù)的透明性、易得性和安全性同樣是我們必須警惕的問題。

文章最后指出，自適應(yīng)學(xué)習(xí)系統(tǒng)所存在的問題或局限不是不可避免的，“而是有意或無意為之的結(jié)果”。自適應(yīng)學(xué)習(xí)是一種潮流，甚至是一種必然發(fā)展趨勢，不管我們喜歡與否，它的存在是一個客觀事實，因此，作者呼吁廣大教育工作者不要排斥它，而是應(yīng)該積極主動參與自適應(yīng)學(xué)習(xí)系統(tǒng)的設(shè)計，從而在自適應(yīng)學(xué)習(xí)領(lǐng)域發(fā)揮應(yīng)有的影響，幫助其健康發(fā)展。

衷心感謝佩特·約翰內(nèi)斯和拉里·拉格斯多姆博士對本文的翻譯所給予的積極配合和支持?。ㄐた『椋?/p>

引言

2015年，美國斯坦福大學(xué)校長、工程學(xué)教授約翰·軒尼詩（John Hennessy）在美國教育委員會（American Council of Education）發(fā)表了一個演講，展望如何通過新技術(shù)工具和新教學(xué)方法提升高等教育質(zhì)量的前景。他特別強(qiáng)調(diào)可以打造能因人而異調(diào)整學(xué)習(xí)進(jìn)度、深度和方法的在線和混合式學(xué)習(xí)材料，給課程注入活力（Hennessy， 2015）。其他學(xué)者也發(fā)表過同樣的意見。譬如美國國家工程學(xué)院（National Academy of Engineering）把“個性化和自適應(yīng)學(xué)習(xí)”列為其面臨的重大挑戰(zhàn)之一。由來自不同大學(xué)、基金會、政府部門、非營利性組織和營利性公司的37名代表組成的“學(xué)習(xí)分析工作組”提出了一個“終極”目標(biāo)，即“大規(guī)模提供個性化網(wǎng)絡(luò)學(xué)習(xí)，滿足地球上每一個人對任何知識領(lǐng)域的求知欲”（Pea， 2014）。Knewton、Acrobatiq、Coursera以及 Udacity這些公司或是把自適應(yīng)學(xué)習(xí)技術(shù)商業(yè)化，或是正在使用這種技術(shù)。此外，在線高等教育機(jī)構(gòu)也正在其課程中使用這種技術(shù)，譬如美國西部州長大學(xué)（Western Governors University）。鑒于此，大學(xué)的工程學(xué)院和教師在不久的將來很可能就要面對如何運(yùn)用自適應(yīng)技術(shù)和類似的技術(shù)提高學(xué)習(xí)效果的問題。當(dāng)然，學(xué)生和家長可能會提出此類問題，媒體甚至認(rèn)證機(jī)構(gòu)也可能提出此類問題。

本綜述旨在幫助工程教育的負(fù)責(zé)人和教師了解什么是自適應(yīng)學(xué)習(xí)系統(tǒng)，這種系統(tǒng)的主要用途以及存在的問題等。

自適應(yīng)學(xué)習(xí)溯源

在個體學(xué)習(xí)者的學(xué)習(xí)過程中改變其學(xué)習(xí)體驗，而非全班的學(xué)習(xí)體驗，這對教育工作者而言既不是一個新目標(biāo)，也不是不可為之的事情。畢竟，教師向某個學(xué)生提供反饋或助教在實驗課上以不同方法幫助每一個學(xué)生——這些都不是只在科幻故事中才可以做到的。現(xiàn)在由于有普適計算能力、大規(guī)模用戶群體以及可擴(kuò)展分析算法，我們能夠基于學(xué)習(xí)者的輸入而非教師的直覺改變個體學(xué)習(xí)者的學(xué)習(xí)體驗，而且是能夠大規(guī)模開展的。但是，直至不久前這種事情還只是天方夜譚。本節(jié)將簡要回顧自適應(yīng)學(xué)習(xí)在教育研究這個寬廣領(lǐng)域的地位以及現(xiàn)代自適應(yīng)教育的理論基礎(chǔ)。

1. 自適應(yīng)教育的歷史

如果說教育的“終極”目標(biāo)是實現(xiàn)教育個性化，那么目前自適應(yīng)教育則被認(rèn)為是達(dá)成這個目標(biāo)的上策。我們可以循著兩個方面探索自適應(yīng)學(xué)習(xí)的發(fā)展脈絡(luò)。一條脈絡(luò)可以溯源到20世紀(jì)80年代個人電腦的出現(xiàn)以及把電腦作為一種自動化輔導(dǎo)教師（an automated form of tutor）或“智能輔導(dǎo)系統(tǒng)”（intelligent tutoring system）使用的可能性（Wan， 2016）。智能輔導(dǎo)系統(tǒng)是“一種計算機(jī)系統(tǒng)，該系統(tǒng)執(zhí)行教學(xué)或?qū)W習(xí)輔導(dǎo)功能（比如挑選作業(yè)、提問、提示、評價學(xué)生的回答、反饋、鼓勵反思和提供能激發(fā)學(xué)生興趣的評語等），并且對學(xué)生的認(rèn)知、動機(jī)或情感狀態(tài)進(jìn)行建模，以調(diào)整或個性化這些功能”（Nesbit， Liu， Liu， & Adesope， 2015）。不難看出，STEM的內(nèi)容（尤其是計算機(jī)科學(xué)的內(nèi)容）被證明非常適合進(jìn)行這一類的建模。這不僅是因為計算機(jī)科學(xué)家首先是計算機(jī)設(shè)計者，也因為他們工作的知識領(lǐng)域把知識分為陳述性知識（概念和事實性知識）和程序性知識（方法和途徑知識），而且這種一分為二的區(qū)分能被計算機(jī)所識別（Chandrasekaran， Johnson， & Smith， 1992； Corbett & Anderson， 1994）。與其他一些學(xué)科不同的是，如果沒有計算機(jī)，計算機(jī)程序是很難教授的。計算機(jī)編程的關(guān)鍵是計算機(jī)必須能夠理解編碼。因此，把計算機(jī)作為一種學(xué)習(xí)的媒介和自適應(yīng)的媒介是符合邏輯、順乎自然發(fā)展的結(jié)合。

另一條脈絡(luò)的歷史不長，得益于教育領(lǐng)域慕課的興起和數(shù)據(jù)科學(xué)領(lǐng)域機(jī)器學(xué)習(xí)方法的發(fā)展。從活動的多樣化和學(xué)習(xí)范圍上看，在線環(huán)境是傳統(tǒng)智能輔導(dǎo)系統(tǒng)難以企及的，因此吸引了成千上萬學(xué)生在線閱讀材料、完成測試和觀看錄像。早期許多慕課由初創(chuàng)公司運(yùn)營，因此采集數(shù)據(jù)以及提供自適應(yīng)學(xué)習(xí)在商業(yè)層面（而非學(xué)術(shù)層面）上顯得更加緊迫。文獻(xiàn)顯示，對自適應(yīng)學(xué)習(xí)的興趣在某種程度上是因為輟學(xué)率居高不下（Halawa， Greene， & Mitchell， 2014； Kizilcec， Piech， & Schneider， 2013）。輟學(xué)率居高不下是因為慕課學(xué)習(xí)者在某些方面存在不同，比如在學(xué)習(xí)動機(jī)方面，他們的學(xué)習(xí)方式也不盡相同，比如觀看視頻（Guo， Kim， & Rubin， 2014； Lagerstrom， Johanes， & Ponsukcharoen， 2015）和瀏覽課程（Guo & Reinecke， 2014； Kim， Guo， Cai， Li， Gajos， & Miller， 2014）的方式。在線學(xué)習(xí)平臺和供應(yīng)商所面臨的一個巨大挑戰(zhàn)是如何快速分析所有這些點擊流數(shù)據(jù)，以便提高學(xué)習(xí)者的參與度、學(xué)習(xí)效果和堅持學(xué)習(xí)的信心。為解決這個問題，研究人員轉(zhuǎn)向研究機(jī)器學(xué)習(xí)方法，包括由智能輔導(dǎo)系統(tǒng)提供不同學(xué)習(xí)方法（Brusilovsky， 2000），比如貝葉斯網(wǎng)絡(luò)（Bayesian Networks）。在線學(xué)習(xí)研究的一個合乎邏輯的發(fā)展方向是采用更加新穎的分析方法進(jìn)行試驗，比如循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks），并檢驗這些新方法在描述和預(yù)測在線學(xué)習(xí)環(huán)境下學(xué)習(xí)表現(xiàn)的準(zhǔn)確性（關(guān)于貝葉斯網(wǎng)絡(luò)和循環(huán)神經(jīng)系統(tǒng)網(wǎng)絡(luò)，分別參見Brusilovsky & Millán， 2007和Piech， Bassen， Huang， Ganguli， Sahami， Guibas， & Sohl-Dickstein， 2015）。

2. 自適應(yīng)教育的科學(xué)原理

布魯希洛夫斯基和米蘭（Brusilovsky & Millán， 2007）總結(jié)了自適應(yīng)學(xué)習(xí)領(lǐng)域的研究，尤其是自適應(yīng)超媒體系統(tǒng)（adaptive hypermedia systems）和自適應(yīng)教育系統(tǒng)領(lǐng)域有關(guān)知識建模和用戶建模的研究。這些系統(tǒng)之所以具有自適應(yīng)性，是因為它們能夠基于系統(tǒng)采集和處理的數(shù)據(jù)改變每個用戶在學(xué)習(xí)系統(tǒng)中的體驗。系統(tǒng)用于決策如何改變個體學(xué)習(xí)體驗以及改變什么的數(shù)據(jù)，即自適應(yīng)模型（adaptation model），來自兩個方面：領(lǐng)域模型（domain model）（比如數(shù)學(xué)、語法等不同知識領(lǐng)域和陳述性、程序性等不同類型的知識）和用戶模型（user model）（比如用戶對領(lǐng)域知識模型的了解，與用戶行為有關(guān)的特點和個性）。在自適應(yīng)教育系統(tǒng)中，因為被建模的領(lǐng)域是一個知識領(lǐng)域，該模型通常被稱為知識模型。此外，由于用戶是學(xué)生，用戶模型通常被稱為學(xué)生模型。自適應(yīng)系統(tǒng)的開發(fā)者或者使用者需要重點考慮的是：建模的對象是什么、如何建模以及如何維護(hù)這些模型。盡管建模的方式多種多樣，但是現(xiàn)在最常用的是疊加建模（overlay modeling）。疊加建模的核心原則只有一條：一個領(lǐng)域存在某種基礎(chǔ)模型，某個用戶的模型屬于該基礎(chǔ)模型的子模型。按照這個范式運(yùn)行自適應(yīng)系統(tǒng)有雙重目的：一是改變用戶的體驗，使用戶的疊加子模型最終與系統(tǒng)的基礎(chǔ)模型相匹配；二是改變系統(tǒng)的基礎(chǔ)模型，使它更精確地表征某個領(lǐng)域（Brusilovsky & Millán， 2007）。

這種建模被稱為不確定性建模（uncertainty-modeling），即我們不可能100%確定建模的內(nèi)容。簡而言之，如果一個學(xué)習(xí)者答對一道多項選擇題，這仍然有可能是學(xué)習(xí)者猜對答案而已，因此模型不能100%肯定學(xué)習(xí)者掌握了該道題目涉及的知識。由這個例子進(jìn)行推論：即使模型積累了要得出學(xué)習(xí)者掌握某個知識點的結(jié)論所需的足夠證據(jù)，如果考慮到遺忘或出錯的可能性，學(xué)習(xí)者掌握相關(guān)知識的概率可能只是99%，而不是100%（Baker， Corbett， & Aleven， 2008； Corbett & Anderson， 1994）。由于存在不確定性，大多數(shù)模型本質(zhì)上帶有概率性，最受歡迎的概率模型是貝葉斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)使用的知識模型由與證據(jù)要素（比如反饋、行為、正確性等）關(guān)聯(lián)的個人知識成分（比如概念、程序、規(guī)則等）組成。每一個關(guān)聯(lián)都具備一定權(quán)重，顯示相關(guān)證據(jù)與掌握某個知識成分存在多大程度的關(guān)聯(lián)以及需要多大程度上掌握某個知識成分才有可能出現(xiàn)這個證據(jù)。當(dāng)用戶與系統(tǒng)交互時，系統(tǒng)會在每次交互之后更新用戶的知識狀態(tài)（這個概率是基于用戶的輸入，直到用戶了解某個知識成分為止），顯示何種活動可以進(jìn)一步證明用戶處于某一特定的知識狀態(tài)。在學(xué)習(xí)者完成一系列練習(xí)、活動或者測評（而不是修完整門課程）之后更新學(xué)習(xí)者處于某種知識狀態(tài)的概率，這種方法被稱為知識跟蹤（knowledge tracing）（Corbett & Anderson， 1994）。

除了對用戶知識狀態(tài)建模外，自適應(yīng)系統(tǒng)的設(shè)計者也對諸如用戶目標(biāo)、興趣、解決問題策略、情感狀態(tài)以及社會心理狀況的建模感興趣（Brusilovsky & Millán， 2007）。當(dāng)然，要注意處理好模型概念的完整性和模型的計算效率之間的平衡，但是我們的最大愿望是將來有一天這些系統(tǒng)能處理任何特定用戶的大量復(fù)雜交互行為，并以精確的個性化方式改變用戶的體驗。

自適應(yīng)學(xué)習(xí)的前景

更加個性化的教學(xué)對大班授課尤其有益，因為在大班教學(xué)中師生交互經(jīng)常受到諸多限制。本杰明·布魯姆在其被廣為引用的研究“2西格瑪問題：尋找與一對一同樣有效的集體授課方法”中比較了單獨(dú)輔導(dǎo)與正常課堂教學(xué)的效果，結(jié)果發(fā)現(xiàn)單獨(dú)輔導(dǎo)的效果更優(yōu)，效應(yīng)量為2。也就是說，接受單獨(dú)輔導(dǎo)的學(xué)生的平均成績比正常課堂教學(xué)的學(xué)生高兩個標(biāo)準(zhǔn)差（或者換個說法，單獨(dú)輔導(dǎo)的學(xué)生的平均成績位于課堂教學(xué)學(xué)生平均成績的第98個百分等級位置上）（Bloom， 1984）。后來，范冷在一篇元分析的文章中提出質(zhì)疑，認(rèn)為教學(xué)效果的差距更接近一個標(biāo)準(zhǔn)差，不是兩個（VanLehn， 2011）。雖然這兩項研究的結(jié)果不同，但是，這并沒有改變一個重要的問題，即能否復(fù)制優(yōu)質(zhì)單獨(dú)輔導(dǎo)的效果或甚至是取得更好效果以使更多學(xué)生受益？

1. 自適應(yīng)學(xué)習(xí)的現(xiàn)狀

學(xué)術(shù)出版物和大眾傳媒經(jīng)常提到各種具有破壞性的自適應(yīng)學(xué)習(xí)公司并詳細(xì)報道美國公立學(xué)校校區(qū)開展自適應(yīng)學(xué)習(xí)的情況，因此研究能否大規(guī)模復(fù)制單獨(dú)輔導(dǎo)的效果成為目前學(xué)術(shù)界主流所關(guān)注的問題（Burrows， 2016； Riddell， 2013； Wan， 2016）。與之相應(yīng)的是，也有研究人員試圖驗證自適應(yīng)學(xué)習(xí)是否如一些近年新建的公司所期待的那樣帶來利潤，比如Acrobatiq（成立于2013年）、Knewton（成立于2008年）、CogBooks（成立于2006年）、Cerego（成立于2000年）、Realizeit（成立于2007年）、LoudCloud（成立于2010年）以及Smart Sparrow（成立于2010年）。這些公司提供的服務(wù)包括：整套現(xiàn)成的課程、大眾化科目的補(bǔ)充材料（尤其是在語言和STEM領(lǐng)域的入門內(nèi)容和基礎(chǔ)知識）、教師和課程設(shè)計者編輯課程的平臺以及幫助大學(xué)或其院系開發(fā)基于自適應(yīng)學(xué)習(xí)的課程。至少有三篇綜述文章涉及對這一類服務(wù)提供商進(jìn)行調(diào)查的研究（Brown， 2015； Bryant， Newman， Fleming， & Srkisian， 2016； EdSurge Inc.， 2016）。教育出版商或是通過與自適應(yīng)學(xué)習(xí)公司合作（比如Pearson和 Knewton的合作），或是購買一家自適應(yīng)學(xué)習(xí)公司（比如McGraw-Hill 購買 ALEKS，Barnes & Noble 購買LoudCloud）進(jìn)軍這個市場。大部分學(xué)習(xí)管理系統(tǒng)的供應(yīng)商（譬如Blackboard、Canvas、D2L和 Moodle）或者自行開發(fā)自適應(yīng)學(xué)習(xí)內(nèi)容，或者通過設(shè)置允許第三方服務(wù)使用這些學(xué)習(xí)管理系統(tǒng)，或者兩者兼而有之。總而言之，企業(yè)、出版商以及后臺系統(tǒng)供應(yīng)商都在把自己的收入和客戶滿意度押在自適應(yīng)學(xué)習(xí)上。

在這方面，大學(xué)并未落后。事實上，榜上有名的好幾家公司都來自大學(xué)開展自適應(yīng)學(xué)習(xí)的項目和其屬下的研究機(jī)構(gòu)。譬如創(chuàng)立于2013年的Acrobatiq 可以溯源于2002年卡耐基梅隆大學(xué)（Carnegie Mellon University）發(fā)起的開放學(xué)習(xí)計劃（Open Learning Initiative），而創(chuàng)立于2010年的Smart Sparrow則歸功于2007年始于新南威爾士大學(xué)（University of New South Wales）工程學(xué)院的研究工作。許多在線學(xué)習(xí)平臺目前正在開發(fā)慕課而且越來越多在提供自適應(yīng)學(xué)習(xí)，比如Coursera、Udacity 以及 Open EdEx，它們都源自大學(xué)，其目前所使用的算法也源自大學(xué)。譬如，蒙大拿州立大學(xué)（Montana State University）正在進(jìn)行一項歷時數(shù)年的項目，要把自適應(yīng)學(xué)習(xí)運(yùn)用到其數(shù)字邏輯課程中（LaMeres， 2015）。大學(xué)還投資開發(fā)用于“高?！睂W(xué)生預(yù)警系統(tǒng)的學(xué)生預(yù)測模型。這些模型有助于設(shè)計和實施自適應(yīng)干預(yù)措施，從而降低不及格率和輟學(xué)率。普渡大學(xué)（Purdue University）的Course Signals系統(tǒng)也許最為出名，但是密歇根大學(xué)（University of Michigan）、阿拉巴馬大學(xué)（University of Alabama）、北亞利桑那大學(xué)（Northern Arizona University）、佐治亞州立大學(xué)（Georgia State University）、特拉華州立大學(xué)（Delaware State University）和鳳凰城大學(xué)（University of Phoenix）也在使用或開發(fā)類似系統(tǒng)（Arnold & Pistilli， 2012； Ekowo & Palmer， 2016； Lonn， Krumm， Waddington， & Teasley， 2012； Nunn， Avella， Kanai， & Kebritchi， 2016）。

2. 自適應(yīng)學(xué)習(xí)的作用

但是，自適應(yīng)學(xué)習(xí)領(lǐng)域商業(yè)化程度如此之高，以至于產(chǎn)生了很多附帶影響，其中之一就是許多算法、結(jié)果和數(shù)據(jù)都是獨(dú)家專有的，除非某家公司選擇通過研究報告或者更為常見的白皮書或者新聞發(fā)布會的形式公布研究成果。如果企業(yè)和學(xué)術(shù)界不能找到糾正這種局面的辦法，這很可能會阻礙自適應(yīng)學(xué)習(xí)的發(fā)展。所幸商界和學(xué)術(shù)界的一些合作使我們能夠了解不同的學(xué)習(xí)效果和一些成功開展自適應(yīng)學(xué)習(xí)的案例。范冷的元分析有助于我們了解這些合作的目的，該文的結(jié)論是智能輔導(dǎo)系統(tǒng)“在STEM科目學(xué)習(xí)中的作用與傳統(tǒng)教師進(jìn)行一對一輔導(dǎo)是一樣的，能有效提高學(xué)習(xí)效果”（當(dāng)然，智能輔導(dǎo)系統(tǒng)的設(shè)計和使用有一些需要注意的情況）。尤其值得一提的是，范冷發(fā)現(xiàn)較之于無人輔導(dǎo)的學(xué)習(xí)，教師一對一輔導(dǎo)的效應(yīng)量為0.79，而智能輔導(dǎo)系統(tǒng)的效應(yīng)量則為0.76，兩者幾乎沒有差別（VanLehn， 2011）。下面介紹的是公司和學(xué)術(shù)界在自適應(yīng)學(xué)習(xí)方面的一些合作及其主要研究發(fā)現(xiàn)：

減少學(xué)習(xí)時間：“開放學(xué)習(xí)計劃”與卡耐基梅隆大學(xué)的合作：研究表明，“開放學(xué)習(xí)計劃”的學(xué)生“只用一半時間參加一半面授課”就能完成‘開放學(xué)習(xí)計劃統(tǒng)計學(xué)課程的學(xué)習(xí)，而且“在統(tǒng)計學(xué)知識國家標(biāo)準(zhǔn)的CAOS（Comprehensive Assessment of Outcomes in Statistics，即統(tǒng)計學(xué)學(xué)習(xí)結(jié)果綜合測評）考試及類似考試中的成績優(yōu)異……這些學(xué)生與采用傳統(tǒng)方式學(xué)習(xí)的學(xué)生在一個學(xué)期后參加跟蹤測試，二者的成績沒有顯著差異”（ Lovett， Meyer， & Thille， 2008）。后續(xù)的“試驗在六所（公立）機(jī)構(gòu)中隨機(jī)分配學(xué)生參加‘開放學(xué)習(xí)計劃統(tǒng)計學(xué)課程的混合式教學(xué)和傳統(tǒng)面授教學(xué)，將二者進(jìn)行比較之后發(fā)現(xiàn)，混合模式學(xué)生的成績與傳統(tǒng)模式學(xué)生的成績相當(dāng)或優(yōu)于后者，并且在效果相同的情況下學(xué)習(xí)時間減少25%”（ Bowen， Chingos， Lack， & Nygren， 2014）。

縮小成績和學(xué)習(xí)參與度的差距：①“開放學(xué)習(xí)計劃”與卡內(nèi)基梅隆大學(xué)的合作：有一項研究調(diào)查社區(qū)大學(xué)開設(shè)的“開放學(xué)習(xí)計劃”心理學(xué)、解剖與生理學(xué)、生物學(xué)以及統(tǒng)計學(xué)課程的學(xué)習(xí)情況，研究發(fā)現(xiàn)，“教師使用‘開放學(xué)習(xí)計劃課程和他們在這方面的經(jīng)驗與學(xué)生取得更高分?jǐn)?shù)相關(guān)，鑒于某些種族的學(xué)生學(xué)習(xí)成績欠佳，這也許有助于消除這種現(xiàn)象”（Kaufman， Ryan， Thille， & Bier， 2013）。②Realizeit與中佛羅里達(dá)大學(xué)（University of Central Florida）的合作：Realizeit開發(fā)了一套自適應(yīng)學(xué)習(xí)系統(tǒng)，用在中佛羅里達(dá)大學(xué)的心理學(xué)、護(hù)理學(xué)以及代數(shù)課程上。結(jié)果表明，學(xué)生學(xué)習(xí)表現(xiàn)有適度提高，學(xué)生滿意度非常高。83%的學(xué)生表示這個系統(tǒng)有助于他們更好地學(xué)習(xí)（Howlin， 2015）。

提高考試及格率：①Smart Sparrow 與 澳大利亞大學(xué)的合作：它們開發(fā)了自適應(yīng)輔導(dǎo)促進(jìn)力學(xué)入門課程的教學(xué)。使用第一年，考試不及格率從31%下降到19%。通過調(diào)整課程，不及格率連續(xù)兩年下降到10%以下。研究者還觀察到學(xué)生在第三學(xué)年學(xué)習(xí)力學(xué)工程課程時，學(xué)習(xí)成績也得到提高。如今澳大利亞好幾所大學(xué)都在力學(xué)入門課程中使用這些自適應(yīng)輔導(dǎo)（Prusty & Russell， 2011）。②Realizeit與科羅拉多技術(shù)大學(xué)（Colorado Technical University）的合作：科羅拉多技術(shù)大學(xué)使用Realizeit開發(fā)的一套系統(tǒng)，據(jù)稱能夠?qū)⑷腴T層次在線課程的及格率和鞏固率提高約5-10%或以上。一門代數(shù)課程的不及格率由30%下降到18%。他們在三角學(xué)和微積分前修課程的混合式教學(xué)模式中使用這個系統(tǒng)，學(xué)生線上和課堂上的活動各占50%。三角學(xué)的及格率從78%上升到98%，微積分前修課的及格率從66%提高到98%。他們成功的關(guān)鍵之一是采取審慎的逐步推廣方式：第一年有三門課程采用該系統(tǒng)，第二年發(fā)展到16門課程，第三年是25門，第四年達(dá)到63門（Daines， Troka， & Santiago Jr.， 2016）。③Knewton與亞利桑那州立大學(xué)（Arizona State University）的合作：亞利桑那州立大學(xué)的數(shù)學(xué)入門課程使用Knewton開發(fā)的自適應(yīng)學(xué)習(xí)技術(shù)，及格率提高18%，退學(xué)率下降47%（Bryant， Newman， & Stokes， 2013）。

以上所述旨在說明，當(dāng)大學(xué)與商業(yè)公司合作時，這些系統(tǒng)能給學(xué)習(xí)帶來的好處。科比特和安德森（Corbett & Anderson）有關(guān)知識跟蹤領(lǐng)域的論文影響深遠(yuǎn)，迄今為止，上述這些研究的結(jié)果都與他們在論文中所概括的結(jié)果以及潛能一致。即使我們沒有深入了解這些研究以及其他許多研究的結(jié)果，我們也能看到自適應(yīng)學(xué)習(xí)系統(tǒng)給教育帶來的影響。圖1概括了自適應(yīng)學(xué)習(xí)對主要利益相關(guān)者的潛在好處。

自適應(yīng)學(xué)習(xí)的誤區(qū)

鑒于自適應(yīng)學(xué)習(xí)的實證研究結(jié)果（包括來自課堂教學(xué)和自適應(yīng)學(xué)習(xí)系統(tǒng)的研究結(jié)果）以及人們普遍認(rèn)為自適應(yīng)學(xué)習(xí)在教育領(lǐng)域有積極的應(yīng)用前景，自適應(yīng)學(xué)習(xí)經(jīng)常被吹得天花亂墜。但是，自適應(yīng)學(xué)習(xí)有一些誤區(qū)（包括一些可能存在的誤區(qū)），有自身的局限和（或）值得我們警惕的問題，我們不能忽視這些問題。

1.“自適應(yīng)學(xué)習(xí)市場加速項目”研究：停止炒作、回歸理性

由于自適應(yīng)學(xué)習(xí)的研究結(jié)果令人鼓舞，加上傳媒的大肆炒作，2013年比爾和梅琳達(dá)·蓋茨基金（Bill and Melinda Gates Foundation）啟動“自適應(yīng)學(xué)習(xí)市場加速項目”（Adaptive Learning Market Acceleration Program，簡稱ALMAP）并公開征集研究計劃，旨在進(jìn)一步推廣自適應(yīng)學(xué)習(xí)的應(yīng)用（SRI International， n.d.）。成功中標(biāo)者中有14家高等教育機(jī)構(gòu)，涵蓋20多門課程和一系列自適應(yīng)學(xué)習(xí)產(chǎn)品，涉及基礎(chǔ)數(shù)學(xué)、代數(shù)、英語語言藝術(shù)、商業(yè)、營銷、經(jīng)濟(jì)學(xué)、心理學(xué)以及生物學(xué)等學(xué)科。銷售商或者課件供應(yīng)商包括Pearson/Knewton、Cerego、Smart Sparrow、CogBooks、Adapt Courseware、Learn Smart/Connect、Assessment and Learning in Knowledge Spaces（ALEKS）以及 Open Learning Initiative（開放學(xué)習(xí)計劃）。這些課程在教學(xué)方法上做了一些改變。2013-2015年間，23，000多名學(xué)生參加了課程學(xué)習(xí)以及相關(guān)的學(xué)習(xí)，其中大約10，000名使用自適應(yīng)學(xué)習(xí)課件（其他學(xué)生參加控制組或者課程對照組的學(xué)習(xí)）。低收入家庭的學(xué)生占學(xué)生總數(shù)的40%。斯坦福國際研究中心（SRI International）受聘評估各種實施情況，并報告“學(xué)習(xí)結(jié)果、成本和滿意度等的研究發(fā)現(xiàn)”（SRI International， n.d.）。研究結(jié)果顯然喜憂參半（Yarnall， Means， & Wetzel， 2016）：

課程學(xué)習(xí)效果：15門課程中有4門分?jǐn)?shù)略有提高，但是大部分課程“沒有明顯效果”（不管采用哪一種測評方法，并非所有課程都能提供足夠數(shù)據(jù)或者有恰當(dāng)?shù)难芯吭O(shè)計確保其結(jié)論具有統(tǒng)計學(xué)上的意義）。另一方面，有7門課程能夠“對應(yīng)比較相同學(xué)習(xí)測評的分?jǐn)?shù)”，結(jié)果顯示它們的差別“不是很大”，但“具有顯著積極意義”。從傳統(tǒng)講授式改為自適應(yīng)學(xué)習(xí)模式的課程的效果最好。

課程完成情況：就課程完成率而言，自適應(yīng)課件不具備任何可測量的效果。16門課程中，僅有兩門的完成率上升。一些先前的研究顯示低收入家庭的學(xué)生似乎在在線學(xué)習(xí)或者混合式學(xué)習(xí)環(huán)境中表現(xiàn)欠佳（SRI International， n.d.）。然而，“自適應(yīng)學(xué)習(xí)市場加速項目”的相關(guān)研究顯示他們的表現(xiàn)與其他學(xué)生無異。

教師滿意度：教師的看法和滿意度不一。整體而言，74%的教師對該項目非常滿意，尤其喜歡用于跟蹤學(xué)生進(jìn)步的實時儀表盤。但是，基礎(chǔ)性（補(bǔ)習(xí)）課程的教師和通識教育入門課程的教師的意見有分歧：67%的基礎(chǔ)性課程教師計劃將來使用自適應(yīng)課件，相比之下，僅有49%的通識教育課程教師有此打算。在所有這些課程中，非常值得注意的一點是只要讓學(xué)生充分使用自適應(yīng)學(xué)習(xí)課件，便能從中受益。如果僅僅將自適應(yīng)學(xué)習(xí)課件視為時髦的在線教科書或者額外的教學(xué)材料和練習(xí)，而不是課程的核心內(nèi)容，學(xué)生可能像對待其他教科書一樣漫不經(jīng)心。

學(xué)生滿意度：學(xué)生的看法和滿意度因?qū)W生類型和課程類型而異。兩年制社區(qū)學(xué)院學(xué)生比四年制大學(xué)學(xué)生更加贊成使用自適應(yīng)學(xué)習(xí)課件。77%的兩年制學(xué)生表示課件有助于他們的學(xué)習(xí)，然而僅有51%的四年制學(xué)生持這種觀點。此外，兩年制學(xué)生中56%總體上感到滿意，而四年制學(xué)生只有33%感到滿意。90%以上的基礎(chǔ)性課程學(xué)生認(rèn)為自己的學(xué)習(xí)有進(jìn)步，60%認(rèn)為他們使用自適應(yīng)課程材料時學(xué)習(xí)更加投入。但是僅有25%通識教育入門課程學(xué)生有同感，而且僅有33%認(rèn)為學(xué)習(xí)效果好。

不出所料，自適應(yīng)學(xué)習(xí)實施之初成本較高，主要因為教師工作量增加了。但是經(jīng)過第一輪使用之后，有充分?jǐn)?shù)據(jù)顯示10門課程中有7門成本降低了。

“自適應(yīng)學(xué)習(xí)市場加速項目”研究的最重要結(jié)論是：如何實施自適應(yīng)學(xué)習(xí)以及實施的質(zhì)量至關(guān)重要。同一款自適應(yīng)學(xué)習(xí)產(chǎn)品因?qū)嵤┣闆r不同可能略有不同的積極效果，因此強(qiáng)烈建議“計劃大規(guī)模使用自適應(yīng)學(xué)習(xí)課件的機(jī)構(gòu)應(yīng)該對學(xué)生使用自適應(yīng)課件與其他學(xué)習(xí)方式的學(xué)習(xí)效果進(jìn)行內(nèi)部分析”（Yarnall， Means， & Wetzel， 2016）；應(yīng)嘗試更精確地分析學(xué)習(xí)效果，而不僅僅是看課程分?jǐn)?shù)和完成率；比較不同學(xué)生和不同課程的結(jié)果時，必須注意比較的基準(zhǔn)要相等，“因為影響學(xué)習(xí)結(jié)果的因素多種多樣，要充分了解學(xué)生的學(xué)習(xí)結(jié)果，相關(guān)分析必須結(jié)合學(xué)生的特點（包括先前知識和技能）、自適應(yīng)課程的詳細(xì)使用情況、除了課件外課程其他方面內(nèi)容以及學(xué)習(xí)的測評方法”（Yarnall， Means， & Wetzel， 2016）。同時，為了營造高效學(xué)習(xí)環(huán)境，激發(fā)學(xué)生學(xué)習(xí)課程材料的積極性，必須向?qū)W生清楚地解釋為什么要使用自適應(yīng)課件以及有何預(yù)期效果。

2. 自適應(yīng)性學(xué)習(xí)的誤區(qū)

正如“自適應(yīng)學(xué)習(xí)市場加速項目”相關(guān)研究所示，并非所有的自適應(yīng)學(xué)習(xí)都能獲得好結(jié)果，從技術(shù)到哲學(xué)層面看也有其他一些問題和值得關(guān)注的地方，下文擬重點闡述其三。

對學(xué)生的歧視和標(biāo)簽化所引發(fā)的反饋環(huán)：假定某條算法基于學(xué)生在某一個科目的表現(xiàn)將他們分為差生、中等生或優(yōu)等生，如此分類會導(dǎo)致發(fā)生什么情況呢？學(xué)生是否因此只能囿于某種學(xué)習(xí)路徑？果真如此的話，誰將處理邊緣或異常個案？不論是從種族、政治還是其他方面看，任何一種算法都不是中立的，因為算法由人所設(shè)計，而設(shè)計者很可能帶有偏見而且自己還可能對此毫無察覺。雖然這似乎是一個假設(shè)性或者抽象的觀點，但其實并非如此。凱絲·奧尼爾（Cathy ONeil）在其著作《數(shù)學(xué)殺傷性武器》中闡述算法設(shè)計正在破壞經(jīng)濟(jì)和政治平等的各種情況（ONeil， 2016）。她認(rèn)為核心問題是“我們是否已經(jīng)消除人類偏見或者只是用技術(shù)掩蓋偏見”（ONeil， 2016， p. 23）?！把谏w”并不只是一種表達(dá)方式，因為她所討論的具有危害性的算法是“有意為之的神秘黑匣子”（ONeil， 2016， p.28）。她用了整整一章的篇幅討論《美國新聞》（U.S. News）的美國大學(xué)排名機(jī)制，指出它所采用的評價指標(biāo)導(dǎo)致其評價機(jī)制很容易被玩弄。這種可能性又催生了一個旨在向大學(xué)提供顧問咨詢服務(wù)以幫助它們提升名次的行業(yè)，這種行業(yè)進(jìn)一步鞏固那些有較高社會經(jīng)濟(jì)地位的學(xué)生（通常來自城市上層白人家庭）的特權(quán)。因此，即使模型本身可能并不是產(chǎn)生歧視的主要工具，但它顯然可以為產(chǎn)生歧視提供一定的條件，這一點非常明顯。正如奧尼爾所解釋的那樣，我們希望建模的原因之一是為了能夠根據(jù)模型的測量數(shù)據(jù)創(chuàng)設(shè)現(xiàn)實世界的反饋環(huán)。有些歧視可能很明顯，但是并非所有都如此，除非我們保持警覺，否則我們可能陷入這樣的反饋環(huán)，即從時間和成本上講，學(xué)習(xí)的效率越來越高，但是從公民原則和誠信而言卻并非如此（ONeil， 2016）。

對知識、認(rèn)識和學(xué)習(xí)的嚴(yán)格限制：智能輔導(dǎo)系統(tǒng)和自適應(yīng)學(xué)習(xí)系統(tǒng)可以被視為基于知識的系統(tǒng)（knowledge-based systems），因為它們結(jié)合學(xué)生的知識水平對一個知識系統(tǒng)進(jìn)行建模，然后向他們推薦一條知識建構(gòu)線路（Chandrasekaran， Johnson， & Smith， 1992； Corbett & Anderson， 1994）。這些任務(wù)屬于知識和認(rèn)識領(lǐng)域，即認(rèn)識論范疇。但是到目前為止，這些系統(tǒng)大多數(shù)遵循基于思維的適應(yīng)性特征（ACT-R）理論的認(rèn)識論觀點（Anderson， 1996）。該理論認(rèn)為人類認(rèn)知由兩部分組成：一方面是將環(huán)境中的對象編碼成知識單位（通過知識組塊），另一方面，對環(huán)境中發(fā)生的變化進(jìn)行編碼（通過產(chǎn)生式規(guī)則）。這就意味著如今我們使用的大部分系統(tǒng)都認(rèn)為知識是以描述性和程序性兩種方式存在。系統(tǒng)認(rèn)為所有相關(guān)知識不僅可以建模，也可以顯性化（Anderson， 1996）。但是，認(rèn)識論模式并非只有這些，長期以來，學(xué)界一直在爭論隱性知識對學(xué)習(xí)的必要性，這表明我們不能忽視這些系統(tǒng)沒有考慮隱性知識這個問題（Collins， 2010； Polanyi， 2009）。如果過度使用這些系統(tǒng)，將其應(yīng)用到不適合它們發(fā)揮作用的地方，我們實際上是在開始將各種知識領(lǐng)域局限在這些系統(tǒng)賴以支撐的那些認(rèn)識論上，那么這時會發(fā)生什么情況呢？如果我們不了解其他的認(rèn)識論知識建構(gòu)觀，而是將這些系統(tǒng)與某種知識和認(rèn)識觀綁定在一起，然而長遠(yuǎn)看這種知識和認(rèn)識觀對學(xué)習(xí)某個學(xué)科或者某些學(xué)科的作用卻適得其反，那么又會發(fā)生什么情況呢？自適應(yīng)學(xué)習(xí)系統(tǒng)的認(rèn)識論基礎(chǔ)非常狹隘，因此它們可能正在失去教育和科研上的某些優(yōu)勢（Johanes， 2017）。

數(shù)據(jù)的透明性、易得性和安全性：自適應(yīng)學(xué)習(xí)系統(tǒng)的使用涉及一個根本問題，即誰擁有系統(tǒng)產(chǎn)生的數(shù)據(jù)？學(xué)生輸入產(chǎn)生的數(shù)據(jù)不僅可用于評定成績、測評和頒發(fā)證書，而且也可能被泄露、被搜索到和被兜售。數(shù)據(jù)的安全性有多大？學(xué)生、教師和大學(xué)在多大程度上可以（或應(yīng)該）獲得這些數(shù)據(jù)？更重要的是，在線學(xué)習(xí)提供商可能正在采集用戶的數(shù)據(jù)，而用戶甚至不知道這些數(shù)據(jù)的存在，比如鍵盤敲擊的節(jié)奏（甚至可用于學(xué)習(xí)環(huán)境之外的用戶身份識別）。雖然這看起來似乎無甚危害，但是平臺能夠從我們產(chǎn)生的數(shù)據(jù)中了解我們情況的程度可能會使我們感到不安，比如在線學(xué)習(xí)平臺現(xiàn)在開始使用更加多樣化、更加復(fù)雜的數(shù)據(jù)采集方案，旨在了解用戶的情感和社會心理方面的情況。

我們并非暗示這些誤區(qū)是固有的、不可改變的，甚至導(dǎo)致自適應(yīng)學(xué)習(xí)的失敗，但這些問題非常突出，必須引起我們的警惕，因為哪怕這些系統(tǒng)有服務(wù)學(xué)生的良好初衷，但是它們也可能造成事與愿違的后果。通過指出上面三個方面的問題，我們希望鼓勵工程教育領(lǐng)域自適應(yīng)學(xué)習(xí)系統(tǒng)的研發(fā)要以相關(guān)研究成果為基礎(chǔ)且體現(xiàn)包容性，而不是想當(dāng)然、“自我禁錮”。

結(jié)論

本文旨在簡要介紹什么是自適應(yīng)學(xué)習(xí)、為什么需要自適應(yīng)學(xué)習(xí)、為什么不需要自適應(yīng)學(xué)習(xí)以及如何開展自適應(yīng)學(xué)習(xí)，以便教師和管理人員能更好地斟酌、使用和評估自適應(yīng)學(xué)習(xí)系統(tǒng)。表1基于實證證據(jù)和相關(guān)理論歸納目前自適應(yīng)學(xué)習(xí)的主要發(fā)展前景和存在問題。由于自適應(yīng)學(xué)習(xí)在商界和學(xué)術(shù)界發(fā)展迅速，其繼續(xù)存在是不容置疑的。因此對大多數(shù)教育工作者而言，問題不在于我們是否愿意采用自適應(yīng)學(xué)習(xí)，而是我們是否愿意適應(yīng)它。正如我們在上文闡述自適應(yīng)學(xué)習(xí)的誤區(qū)時所指出的，自適應(yīng)學(xué)習(xí)系統(tǒng)的任何局限和不足并非其本身所固有的，而是有意或無意為之的結(jié)果。作為教育工作者和研究者，我們越是參與自適應(yīng)學(xué)習(xí)系統(tǒng)的設(shè)計，而不是反對使用這些系統(tǒng)，我們越能影響其發(fā)展并提供進(jìn)一步改進(jìn)的意見。自適應(yīng)學(xué)習(xí)系統(tǒng)并非靈丹妙藥，也非“瘟疫”，但是它們可以大有作為。現(xiàn)在我們有機(jī)會讓它們首先在教育領(lǐng)域有所作為。高等教育機(jī)構(gòu)在這方面具有獨(dú)一無二的優(yōu)勢，因為我們往往能夠把一所高校的教育工作者、學(xué)習(xí)科學(xué)研究者和計算機(jī)科學(xué)家召集在一起，組織他們開展協(xié)作（至少大型教育機(jī)構(gòu)能夠做到這一點）。如果我們有意識地創(chuàng)建適合使用自適應(yīng)學(xué)習(xí)系統(tǒng)促進(jìn)學(xué)生學(xué)習(xí)的學(xué)習(xí)環(huán)境，我們便能夠重新定義教學(xué)、研究和學(xué)習(xí)。自適應(yīng)學(xué)習(xí)系統(tǒng)是促進(jìn)這些具有深遠(yuǎn)影響的協(xié)作的催化劑。

參考文獻(xiàn)

Anderson， J. R. （1996）. ACT： A simple theory of complex cognition. American Psychologist， 51 （4）， 355-365.

Anderson， J. R.， Corbett， A. T.， Koedinger， K. R.， & Pelletier， R. （1995）. Cognitive tutors： Lessons learned. The journal of the learning sciences，4 （2）： 167-207.

Arnold， K. E.， & Pistilli， M. D. （2012）. Course signals at Purdue： Using learning analytics to increase student success. In Proceedings of the 2nd international conference on learning analytics and knowledge， 267-270. Retrieved February 13， 2017 from http：//dl.acm.org/citation.cfm？id=2330666

Baker， R. S. J.， Corbett， A. T.， & Aleven， V. （2008）. More accurate student modeling through contextual estimation of slip and guess probabilities in bayesian knowledge tracing. In International Conference on Intelligent Tutoring Systems， 406–415. Retrieved February 12， 2017 from http ： // link.springer.com/chapter /10.1007/978-3-54069132-7_44

Bloom， B. S. （1984）. The 2 sigma problem： The search for methods of group instruction as effective as one-to-one tutoring. Educational researcher， 13（6）： 4-16.

Bowen， W. G.， Chingos， M. M.， Lack， K. A.， & Nygren， T. I. （2014）. Interactive Learning Online at Public Universities： Evidence from a Six-Campus Randomized Trial： Interactive Learning Online at Public Universities. Journal of Policy Analysis and Management， 33 （1）， 94-111.

Brown， J. （2015）. Personalizing Post-Secondary Education： An Overview of Adaptive Learning Solutions for Higher Education. Ithaka S+R. Retrieved from http：//www.sr.ithaka.org/publications/personalizing- post-secondary-education/

Brusilovsky， P. （2000）. Adaptive hypermedia： From intelligent tutoring systems to webbased education. In International Conference on Intelligent Tutoring Systems， 1-7. Retrieved February 12， 2017 from http：//link.springer.com/chapter/10.1007/3-540-45108-0_1

Brusilovsky， P.， & Millán， E. （2007）. User models for adaptive hypermedia and adaptive educational systems. In The adaptive web， 3–53. Retrieved February 12， 2017 from http：//dl.acm.org/citation.cfm？id=1768199

Bryant， G.， Newman， A.， Fleming， B.， & Srkisian， L. （2016）. Learning to Adapt： The Evolution of Adaptive Learning in Higher Education. Tyton Partners. Retrieved from http：//tytonpartners.com/library/learning- to-adapt-2-0-the-evolution-of-adaptive-learning-inhigher-education/

Bryant， G.， Newman， A.， & Stokes， P. （2013）. Learning to Adapt： A Case for Accelerating Adaptive Learning in Higher Education. Tyton Partners. Retrieved from http：//tytonpartners.com/library/accelerating-adaptive-learning-in-higher-education/

Burrows， P. （2016）. Adaptive learning： Can industrys most provocative software make a difference in the classroom？ EdSurge. Retrieved December 5， 2016 from https：//www.edsurge.com/research/special-reports/adaptive-learning/

Chandrasekaran， B.， Johnson， T. R.， & Smith， J. W. （1992）. Task-structure analysis for knowledge modeling. Communications of the ACM， 35（9）： 124-137.

Collins， H. （2010）. Tacit and explicit knowledge. University of Chicago Press.

Corbett， A. T.， & Anderson， J. R. （1994）. Knowledge tracing： Modeling the acquisition of procedural knowledge. User modeling and user-adapted interaction， 4（4）： 253-278.

Daines， J. B.， Troka， T.， & Santiago Jr.， J. M. （2016）. Improving Performance in Trigonometry and Pre-Calculus by Incorporating Adaptive Learning Technology into Blended Models on Campus. Retrieved from https：//www.asee.org/public/conferences/64/papers/15905/view

Ekowo， M.， & Palmer， R. （2016）. The Promise and Peril of Predictive Analytics in Higher Education： A Landscape Analysis. New America.

Guo， P. J.， Kim， J.， & Rubin， R. （2014）. How video production affects student engagement： an empirical study of MOOC videos. 41–50. Retrieved from http：//up.csail.mit.edu/other-pubs/las2014-pguo-engagement.pdf

Guo， P. J.， & Reinecke， K. （2014）. Demographic differences in how students navigate through MOOCs. 21–30. Retrieved from https：//learningatscale.acm.org/las2014/talks/paper_philip_guo1.pdf

Halawa， S.， Greene， D.， & Mitchell， J. （2014）. Dropout prediction in MOOCs using learner activity features. Experiences and best practices in and around MOOCs 7.

Hennessy， J. L. （2015）. Information Technology and the Future of Teaching and Learning. Retrieved from https：//www.youtube.com/watch？v=QLLMLG-jqxc

Howlin， C. （2015）. Realizeit： System Overview. Realizeit.

Johanes， P. （2017）. Epistemic cognition： A promising and necessary construct for enriching large-scale online learning analysis. In Proceedings of the Fourth ACM Conference on Learning at Scale， L@S 2017. https：//doi.org/http：//dx.doi.org/10.1145/3051457.3051462

Kaufman， J.， Ryan， S.， Thille， C.， & Bier， N. （2013）. Open Learning Initiative Courses in Community Colleges： Evidence on Use and Effectiveness. Open Learning Initiative. Carnegie Mellon University. Retrieved from http：//www.hewlett.org/library/open-learning-initiative-courses-in-community-collegesevidence-on-use-and-effectiveness/

Kim， J.， Guo， P. J.， Cai， C. J.， Li， S.， Gajos， K. Z.， & Miller， R. C. （2014）. Data-driven interaction techniques for improving navigation of educational videos. 563–572. Retrieved from https：//dash.harvard.edu/bitstream/handle/1/30856888/21104053.pdf？sequence=1

Kizilcec， R. F.， Piech， C.， & Schneider， E. （2013）. Deconstructing disengagement： analyzing learner subpopulations in massive open online courses. In Proceedings of the third international conference on learning analytics and knowledge， 170–179. Retrieved February 1， 2016 from http：//dl.acm.org/citation.cfm？id=2460330

Lagerstrom， L.， Johanes， P.， & Ponsukcharoen， M. （2015）. The Myth of the Six Minute Rule： Student Engagement with Online Videos. age 26： 1.

LaMeres， B. J. （2015）. Deploying Adaptive Learning Environments to Overcome Background Deficiencies and Facilitate Mastery of Computer Engineering Content. Retrieved from http：//www.montana.edu/blameres/vitae/publications/d_conference_full/conf_full_027_adaptive_learning_to_overcome_background_deficiencies.pdf

Lonn， S.， Krumm， A. S.， Waddington， R.， J.， & Teasley， S. D. （2012）. Bridging the gap from knowledge to action： Putting analytics in the hands of academic advisors. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge， 184-187. Retrieved February 13， 2017 from http：//dl.acm.org/citation.cfm？id=2330647

Lovett， M.， Meyer， O.， & Thille， C. （2008）. JIME-The open learning initiative： Measuring the effectiveness of the OLI statistics course in accelerating student learning. Journal of Interactive Media in Education 2008， 1. Retrieved February 12， 2017 from http：//jime.open.ac.uk/article/view/142/jime-2008-14.pdf

Nesbit， J. C.， Liu， A.， Liu， Q. & Adesope， O. O. （2015）. Work in Progress： Intelligent Tutoring Systems in Computer Science and Software Engineering Education. In Proc. 122nd Am. Soc. Eng. Education Ann. Conf. Retrieved February 12， 2017 from https：//www.asee.org/file_server/papers/attachment/file/0005/4286/ITS_in_CS_and_SE_Edu cation.pdf

Nunn， S.， Avella， J. T.， Kanai， T.， & Kebritchi， M. （2016）. Learning analytics methods， benefits， and challenges in higher education： A systematic literature review. Online Learning 20， 2. Retrieved February 12， 2017 from http：//olj.onlinelearningconsortium.org/index.php/olj/article/view/790

ONeil， C. （2016）. Weapons of Math Destruction： How big data increases inequality and threatens democracy. Crown Publishing Group， New York， NY.

Pea， R. （2014）. The learning analytics workgroup： A report on building the field of learning analytics for personalized learning at scale. Retrieved from https：//ed.stanford.edu/sites/default/files/law_report_complete_09-02-2014.pdf

Piech， C.， Bassen， J.， Huang， J.， Ganguli， S.， Sahami， M.， Guibas， L. J.， & Sohl-Dickstein， J. （2015）. Deep knowledge tracing. In Advances in Neural Information Processing Systems， 505-513. Retrieved October 24， 2016 from http：//papers.nips.cc/paper/5654-deep-knowledge- tracing

Polanyi， M. （2009）. The tacit dimension. University of Chicago Press.

Prusty， B. C.， & Russell， C. （2011）. Engaging students in learning threshold concepts in engineering mechanics： adaptive eLearning tutorials. In 17th International Conference on Engineering Education （ICEE）. Retrieved February 12， 2017 from http：//www.ineer.org/Events/ICEE2011/papers/icee2011_submission_250.pdf

Riddell， R. （2013）. Adaptive learning： The best approaches weve seen so far. Education Dive. Retrieved December 14， 2016 from http：//www.educationdive.com/news/adaptivelearning-the-best-approaches-weve- seen-so-far/187875/

Tang， Y.， Jahan， K.， & Bielefeldt， T. （2015）. The Effectiveness of an Adaptive Serious Game for Digital Logic Design. Retrieved from https：//pdfs.semanticscholar.org/e7d5/7fe126b633164a9882dbf6a8f3b9a37 12f40.pdf

VanLehn， K. （2011）. The Relative Effectiveness of Human Tutoring， Intelligent Tutoring Systems， and Other Tutoring Systems. Educational Psychologist 46 （4） ： 197-221. https：//doi.org /10.1080/00461520. 2011.611369

Wan， T. （2016）. Adaptive Learnings Potential and Pitfalls. EdSurge. Retrieved December 5， 2016 from https：//www.edsurge.com/news/2016-02-08-adaptive-learning-s-potential-andpitfalls

Woolf， B. P. （2010）. Building intelligent interactive tutors： Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.

EdSurge Inc. （2016）. Decoding Adaptive. London： Pearson. Retrieved from： https：//www.pearson.com/about-pearson/what-we-do/innovation/smarter-digital-tools/adaptive-learning.html

Yarnall， L.， Means， B.， & Wetzel， T. （2016）. Lessons learned from early implementations of adaptive courseware. SRI International. Retrieved from https：//www.heartland.org/publications-resources/publications/lessons-learned-from-early-implementations-of-adaptive-courseware

SRI International. （n.d.）. Adaptive Learning Market Acceleration Program （ALMAP） Evaluation. Retrieved from https：//www.sri.com/work/projects/adaptive-learning-market-accelerationprogram

收稿日期：2018-03-27

定稿日期：2018-04-23

作者簡介：佩特·約翰內(nèi)斯（Petr Johanes），斯坦福大學(xué)教育研究生院博士生，研究興趣：工程教育、在線學(xué)習(xí)以及認(rèn)識的認(rèn)知（epistemic cognition）在學(xué)習(xí)中的作用。

拉里·拉格斯多姆（Larry Lagerstrom）博士，斯坦福大學(xué)暑期班項目總監(jiān)、副院長，曾任該校工程學(xué)院在線學(xué)習(xí)總監(jiān)。

譯者簡介：張永勝，汕頭廣播電視大學(xué)副教授（515041）。

審校者簡介：肖俊洪，汕頭廣播電視大學(xué)教授，Distance Education （Taylor & Francis）期刊副主編，System： An International Journal of Educational Technology and Applied Linguistics （Elsevier）期刊編委（515041）。

責(zé)任編輯 郝 丹 韓世梅

編 校 韓世梅