人機協(xié)同決策支持的個性化適性學習策略探析

彭紅超 祝智庭

[摘? ?要] 大數據技術的興起萌發(fā)了個性化適性學習的新型學習方式。研究從個性化學習與適性學習理念的對比中，解析出它的核心要素：個體特征、個人表現、個人發(fā)展、適性調整?；诤诵囊剡M一步界定了個性化適性學習的核心理念：通過技術賦能，實時監(jiān)測學習者在個體特征、個人表現、個人發(fā)展方面的差異與變化，基于這些差異與變化及時地適性調整教學方略，從而實現有效教學。之后，研究從個性化適性學習的兩大支柱——“個性”“適性”出發(fā)，構建了它的理念框架，并從人機協(xié)同理念的角度出發(fā)，詳細論述了個性化適性學習的數據決策策略，構建了一種人機協(xié)同決策支持的適性調整教學策略的方案譜系。最后，文章建議個性化適性學習的實施可從學習者畫像、能基發(fā)展、個人學習路徑、柔性學習環(huán)境四個方面切入，并詳細解讀了一種面向精準教學的個性化適性學習實施策略。希望研究可以為學者進行后續(xù)研究以及教育工作者探究實踐途徑提供參考。

[關鍵詞] 數據決策; 個性化學習; 自適應學習; 適性學習; 人機協(xié)同; 精準教學

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 彭紅超（1987—），男，山東臨沂人。博士研究生，主要從事智慧學習生態(tài)、數據智慧、精準教學、深度學習等研究。E-mail：hongchao5d@qq.com。祝智庭為通訊作者，E-mail：ztzhu@dec.ecnu.edu.cn。

信息技術的迅猛發(fā)展與互聯(lián)網、物聯(lián)網的普及應用，促使數據以越來越多的方式和越來越快的速度產生，從而催生出了數據密集型科學（Data-intensive Science）這一第四科學研究范式[1]。在數據密集型科學的影響下，個性化適性學習（Personalized Adaptive Learning，PAL）成為第五代教育技術研究范式[2]，它基于數據證據進行決策，在適應實時學習狀況的基礎上，促使學習內容與活動更加符合學生的個性特點與需求。

為學生提供個性化的適性服務一直是我國教育信息化的重要任務之一?！秶抑虚L期教育改革和發(fā)展規(guī)劃綱要（2010—2020年）》提出，“關心每個學生，……為每個學生提供合適的教育”[3];《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》提出，“努力為每一名學生和學習者提供個性化學習、終身學習的信息化環(huán)境和服務”[4];《教育信息化“十三五”規(guī)劃》提出，“構建網絡化、數字化、個性化、終身化的教育體系”[5];教育部更是在《教育信息化2.0行動計劃》中將其作為“百區(qū)千校萬課引領行動”的重要內容，提出要“探索在信息化條件下實現差異化教學、個性化學習……的典型途徑”[6]。

從歷年《地平線報告》來看，作為信息時代教育發(fā)展重要特征[4]的個性化學習（Personalized Learning）一直是教育信息化面臨的挑戰(zhàn)，而適性學習（Adaptive Learning）能作為實現個性化學習的可能途徑[7]。本研究將二者融合形成的新型學習方式界定為個性化適性學習，文章將對其進行深入探析，以期為學者進行后續(xù)研究以及教育工作者探究實踐途徑提供參考。

一、概述：技術促發(fā)個性化適性學習

個性化適性學習的萌現得益于大數據技術的興起，以大數據為基礎的個性化適性學習正成為數字學習環(huán)境的重要組成部分[8]。

（一）個性化適性學習的發(fā)展之路

其實，個性化學習的智慧可追溯到孔子的“因材施教”思想（《論語·先進篇》）以及蘇格拉底的“產婆術”[9]。班級授課制盛行后，曾一度進入漫長的低谷期。隨著“以學生為中心”成為教與學的核心理論，個性化學習再次受到追捧，并成為教育變革的新目標。傳統(tǒng)的個性化學習多從教學制度與組織形式入手，如古代的私塾教育[10]、當前的走班制。技術的融入催生出新的發(fā)展路徑——技術賦能的個性化學習。

開啟技術賦能的個性化學習的典型事件是斯金納的教學機器和程序教學理論[11]的問世，自此個性化學習也開始初具適性的特征。受技術水平的限制，初期的個性化學習主要基于簡單的規(guī)則或標準，如CAT（Computerized Adaptive Testing）[12]，其本質只是根據學生當前的反饋信息將其調向預定的學習路線的某處，準確性與靈活性都非常低。隨著技術的發(fā)展，個性化學習逐漸變得復雜化，典型代表當屬Knewton平臺，它通過建構知識圖譜，并實時監(jiān)控、響應學生的（交流、協(xié)作與游戲化的）活動[13]來差異化引導連續(xù)的個性化學習過程[14]，不過Knewton平臺的個性化數據主要來源于試題解答記錄，與學習全過程的記錄還存在一定的差距[15]。

大數據的興起，使得全方面記錄、解讀學生的個體特征與實時狀態(tài)成為可能。美國教育部一份簡報指出，大數據在教育領域的具體應用主要為教育數據挖掘和學習分析[16]，二者的協(xié)同可促使全程記錄的學習數據更有效地用于評估學習過程、預測未來表現以及發(fā)現潛在問題[8]?；诖耍Ｖ峭ソ淌趫F隊設計了一種包含三個信息反饋回路數據流的個性化適性學習系統(tǒng)結構圖[2]，清晰地勾勒出個性化適性學習的架構及其作用機理。

（二）個性化適性學習的人機協(xié)同智慧

英國BBC廣播公司發(fā)布的《365種職業(yè)未來被淘汰的概率》報告顯示，教師是最不容易被機器人替代的行業(yè)之一（替代概率為0.4%）;聯(lián)合國教科文組織發(fā)布的《反思教育：向“全球共同利益”的理念轉變？》也明確指出，“教師職業(yè)不會消失”。在此境域下，人機協(xié)同的方式是當下教育信息化的明智之舉。這也是本文采用個性化適性學習術語的原因。國內多把Adaptive Learning稱為自適應學習或適應性學習，之所以稱謂不同，主要由關注點不同所致。技術領域關注機器自動為學生提供適切學習服務，多翻譯為自適應學習;教育領域關注教師主動地提供適切學習服務，多翻譯成適應性學習。適性學習術語可兼容二者，既能體現機器的智能，也可涵蓋教師的智慧。因此，本文采用個性化適性學習術語來體現這種人機協(xié)同的教學智慧。

二、辨析：相關學習類型比較

對于個性化學習、適性學習、差異化教學之間的關系，當前主流觀點有兩種：（1）前者包含后者的包含關系（形似“回”型圖）;（2）三者交叉重疊的相關關系（形似維恩圖）。對它們的多方界定分析發(fā)現，二者兼有之。

（一）個性化學習與適性學習的界定

個性化適性學習是融合個性化學習與適性學習二者的理念形成的。表1左側是美國教育部（U.S. Department of Education）、英國教育與通訊技術局（British Educational Communications and Technology Agency）、我國學者李克東教授（此定義得到國內諸多學者的認同）界定的個性化學習。雖然界定的側重點不同，但均凸顯了“個體差異”“個性需求”“個人發(fā)展（愿景）”三個核心要素。這三個核心要素，從K-12在線學習國際協(xié)會（International Association for K-12 Online Learning）[17]、英國教育與技能部（Department for Education and Skills）[18]、Dreambox[19]以及國內其他學者的研究中得到了進一步驗證。表1右側前兩個描述分別是新媒體聯(lián)盟NMC、美國高等教育信息化協(xié)會EDUCAUSE對適性學習的界定。此類界定與國內外的主流觀點一致：將適性學習看作一種技術。這與適性學習誕生于人工智能，且受智能技術給養(yǎng)有關。從教育學角度看來，約翰·沃特斯（John? K. Waters）較好地刻畫了適性學習的本質：技術賦能的教學方法（見表1右側第四行）。無論作為技術還是教學方法，“個體差異”“個人表現”“適性調整”三個核心要素是相同的。

（二）個性化學習、適性學習、差異化教學的比較

直觀來看，個性化學習與適性學習均關注“個體差異”。依據個體差異（主要是個體特征方面的差異，如學習風格與偏好、能力水平、興趣等）開展有效的教學，是差異化教學（Differentiated Instruction）的宗旨。督導與課程發(fā)展協(xié)會（Association for Supervision and Curriculum Development，ASCD）的界定即是這一宗旨的詮釋：差異教學是教育者積極為學生的差異而規(guī)劃，以使所有學生都能夠最佳學習的一種教學方式。在差異化的課堂上，教師將他們的時間、資源和精力都分配給有不同背景、準備、技能水平和興趣的學生，以便有效的教他們[26]。另外，根據美國教育部的界定，在差異化教學中，所有學生的目標都是一樣的，只是教學方式方法不同。可以看出，個性化學習與適性學習均包含差異教學的理念[27]。

以此為基礎，進一步分析表1中的界定可知，個性化學習中的“個性差異”包括兩部分：個體特征的差異與非個體特征的差異，后者其實就是不同學生在“個體需求、個人發(fā)展”方面的差異。由個體需求的定義“學習者目前的狀況與所期望達到的狀況之間的差距”可知，學生在個體需求方面的差異由“目前狀態(tài)”和“期望狀態(tài)”決定，前者可作為個體特征的一部分，后者可歸屬到“個人發(fā)展”中。這樣，個性化學習的核心要素可提煉為“個體特征”“個人發(fā)展”兩方面。而由表1右側的界定可知，適性學習并不強調學生的個人發(fā)展，因此，適性學習中的“個體差異”主要是個體特征方面的差異。這樣，適性學習的核心要素可修正為“個體特征”“個人表現”“適性調整”三個方面。對比二者的新核心要素可知，個性化學習并沒有提及實現策略，而適性學習卻有（適性調整）。這也是為何歷年《地平線報告》均認為個性化學習比適性學習更具實施性、挑戰(zhàn)性的原因之一。

（三）個性化學習、適性學習、差異化教學的關系圖譜

由上述可知，差異化教學、個性化學習與適性學習均沒有從學生數量以及自主性方面做限定，因此，它們既不是個別化教學（Individualized Instruction），也不是自主學習。另外，從個性化的維度看，差異化教學的個性程度最低，重點關注個體特征的差異性;適性學習其次，上升到了個人表現層面;個性化學習的個性程度最高，達到了追求個人發(fā)展的境界。從這個角度看，三者間是包含關系，形似“回”型圖。不過，由于適性學習對高端技術的依賴程度最高（需要教育數據，甚至是大數據的實時記錄、分析與決策），差異化教學對技術的依賴程度最低（無須技術也可實現差異化教學，如之前的分層教學），適性學習相比其他兩種教學方式，更能關注到每個個體的具體的實時狀況。因此，三者并非是完全的包含關系，它們在學生數量的粒度方面有區(qū)別，這一區(qū)別使得各自的區(qū)域是相互錯開的。這些結論可由圖1直觀地描繪。

三、框架：個性化適性學習樣貌

理清個性化學習與適性學習的理念與其他相關的學習方式后，接下來著手構建個性化適性學習的框架。

（一）個性化適性學習的核心理念

個性化適性學習的核心理念是構建框架的前提。通過前面分析可知，個性化學習包括“個體特征”與“個人發(fā)展”兩個核心要素，適性學習包括“個體特征”“個人表現”“適性調整”三個核心要素。融合二者可得到個性化適性學習的核心要素：個體特征、個人表現、個人發(fā)展、適性調整。前三個要素表征的是學習者差異，即是個性化適性學習關注的三個個性化層級，其中促進“個人發(fā)展”也是個性化適性學習的高級目標。最后一個要素適性調整教學是實現這一高級目標的策略，同適性學習一樣，這一策略離不開技術的賦能。基于上述四個要素，本研究將個性化適性學習的核心理念界定為：通過技術賦能，實時監(jiān)測學習者在個體特征、個人表現、個人發(fā)展方面的差異與變化，基于這些差異與變化及時地適性調整教學方略，從而開展有效教學。

這一核心理念背后的假設與適性學習一樣，認為“合適的即為最好的”。由于每個學生個體在各個方面均存在差異且處于不斷變化狀態(tài)，因此，要個性化地實時監(jiān)測它們并且適性調整教學，從而保證教學策略總是適合學生個體的。另外，這一理念同智能教育一樣，需秉承“技術促變教育而非引領教育”[28]的觀點。這是因為，到目前為止，鮮有技術是為教學而生的，技術追求的便利性并不是教育的核心訴求[29]，教育追求的是促進人發(fā)展的有效性。因此，堅守教育本位、不盲目追逐技術潮流，是個性化適性學習實現有效教學的底線。

（二）個性化適性學習框架的構建

基于上述核心要素與核心理念，本研究構建了個性化適性學習的框架來描繪其樣貌。核心要素方面，如果忽略表征實現策略的“適性調整”，可以發(fā)現適性學習在包含差異化教學的基礎上，偏重于學生個體的當前學習表現。而個性化學習的核心要素表明，其在包含差異化教學的基礎上，偏重于學生個人的發(fā)展愿景。由此，本個性化適性學習的框架采用兩個維度作為骨架。如圖2所示，適性軸用來表征當前的個人表現。個性軸用來表征個人發(fā)展愿景。兩軸交匯處作為個體特征點，用來表征個性化學習與適性學習共有的差異化教學。從核心理念方面解析，個性化適性學習理論上可以有三種實現途徑：（1）通過個體特征方面的差異與變化適性調整教學（圓形）;（2）在途徑一的基礎上，結合當前個人表現方面的差異與變化適性調整教學（高橢圓）;（3）在途徑一的基礎上，結合個人發(fā)展愿景方面的差異與變化適性調整教學（寬橢圓）。

第一種途徑是差異化教學策略的升級，傳統(tǒng)的差異化教學策略是分組：同質分組、異質分組。分層教學即是具有代表性的固化、粗略的差異化教學形態(tài)，在信息技術環(huán)境下，動態(tài)分組與干預已成為可能。第二種途徑則基于適性學習理念，主要的教學策略有兩類：基于規(guī)則或數據驅動，前者的教學策略是依據決策樹提前預設好的，后者的教學策略則由學生的數據動態(tài)生成。第三種途徑面向個人發(fā)展愿景，按粒度可分為三種級別的策略：培養(yǎng)方案級（Program）、學程級（Cource）、任務級（Task）。方案級涉及制度的變革，如走班制、選課制等;學程級涉及學習路徑的規(guī)劃;任務級涉及內容、服務等的適配。這三種途徑均可以基于數據的適性調整教學的決策來實現，因此，圖2刻畫的框架以數據決策作為核心樞紐。但問題是，這三種途徑僅僅關注了個性化適性學習的某一個個性化方面，且都有各自的局限性，僅可作為粗放的個性化適性學習實現途徑。

四、樞紐：人機協(xié)同的數據決策策略

個性化適性學習的精細化實現途徑的探索，可從它的樞紐“人機協(xié)同的數據決策策略”出發(fā)。按照人機協(xié)同的理念，數據決策可由機器擅長的數據驅動決策和人類擅長的數據啟發(fā)決策相互協(xié)同完成[28]。

（一）數據啟發(fā)決策的策略

教育數據挖掘得到的關于學生學習的規(guī)律與發(fā)展趨勢，多以可視化數字儀表盤呈現。對教育者來講，這是一種有價值的知識。對這種知識的認知過程其實是人類的學習過程。通過這種認知，教育者會得到關于學生學習狀況的見解：學了什么？如何學的？學得如何？在此基礎上，教育者通過回答“該學生的學習是否存有問題？原因是什么？”來決策是否需要調整教學策略、如何調整策略。這一過程通過數據啟發(fā)決策完成（如圖3所示）：通過聯(lián)想將類似的或有關的事物、事件關聯(lián)起來;通過邏輯推理梳理關聯(lián)的事物、事件中蘊含的各種線索;采用歸因法探求各線索背后的因果關系;基于因果開展適性調整教學策略的決策。具體實施方略可參考筆者在《人機協(xié)同的數據智慧機制：智慧教育的數據價值煉金術》一文中介紹的專家端倪法。

（二）數據驅動決策的策略

經過漫長的起伏式發(fā)展后，人工智能中的機器學習技術已趨近成熟。利用此技術，機器可以自動學習教師在個性化適性學習過程中所作的有效決策，實現自身算法的不斷優(yōu)化，從而作出更加適切的教學策略調整（如圖3所示）。目前，教育中比較有潛力的機器學習技術主要有三類：深度學習技術、強化學習技術、遷移學習技術[30]。深度學習可以通過將教師的優(yōu)秀決策數據作為訓練集，通過不斷的“訓練”來習得教師的知識經驗。這樣，后續(xù)如果有學習者遇到同樣的問題，機器便能很好地自行給出決策（此決策只是已有教師決策的再現）。在此基礎上，機器可以通過強化學習技術嘗試自己作出新決策。決策的好與壞由教育者和學習者評估，評估的結果作為獎賞與懲罰來調試回報函數，從而生成最優(yōu)決策算法。通過這種人機協(xié)同的優(yōu)化，可以促使機器更加精準地自動進行新決策。無論是機器習得的教師決策，還是機器自己作出的決策，均可利用遷移學習技術應用到不同的情境中。只需在新情境中對原有的決策算法進行微訓練，即可實現對相似的學習問題的良好決策。這樣，數據驅動決策便具有了“相同問題決策的再現、相同問題的自動新決策以及類似問題的自動決策”功能。

（三）數據啟發(fā)決策與驅動決策的優(yōu)化

機器基于數據特別是教育大數據所作的決策以相關關系為基礎，而非以因果關系為基礎。即使本次決策帶來了良好的結果，也不能充分肯定這一決策是有效的決策。因此，教育者需要對機器所作的決策進行“認知”，得到關于此決策的見解：針對何種學習問題、進行了何種決策、決策結果如何。在此基礎上對其解析，以確定機器的決策是否有效、是否需要教育者進一步調整教學策略、有沒有更佳的決策，等等。這一過程也有助于教育者從良好的機器決策中得到啟發(fā)，來優(yōu)化自身的決策方案。

個性化適性學習即是通過這種“機器不斷通過‘學習來獲得教師教學智慧，教師通過‘認知來評估機器決策、啟發(fā)自身決策”來實現適性調整教學策略的。

五、新途徑：人機協(xié)同決策的

適性調整教學方案

依據前面所述，個性化適性學習有三種實現途徑，這三種途徑除了僅關注個性化的某一方面外，還存在以下局限：途徑一僅關注群組層面的不同劃分;途徑二過于依賴機器的相關性判斷;歷年《地平線報告》顯示，途徑三一直是一個很大的挑戰(zhàn)。

由圖1描述的關系圖譜可知，途徑一的粗粒度問題可由途徑二彌補;途徑二的相關性判斷問題可由人機協(xié)同中的數據啟發(fā)決策彌補，而《地平線報告》多次提及“適性學習能夠作為實現個性化學習的可能路徑”。基于此，筆者制定了個性化適性學習的適性調整教學的方案譜系，為全面、精細地實現個性化適性學習描繪了新途徑（圖2中表示的“由適性軸經曲線方向到達個性軸”的路徑），如圖4所示。方案譜系以個性化適性學習的三個個性化層級為橫坐標，以數據決策的兩種類型為縱坐標，劃分出“適性調整”的六個作用域。譜系中的曲線表示從左向右、從下向上的個性化適性學習實現路線。

路徑分為三層，每層分為兩階段。個體特征層主要解決“學什么”的問題。該層的數據驅動決策階段主要進行資源推薦，具體策略為推薦與個體特征相匹配的資源列表，或推薦相似個體特征的學習成功者所學的資源列表。列表按照匹配度從高到低排序，學生可主動選擇最適合自己的資源來學習。該層的數據啟發(fā)決策階段主要進行內容設計，具體策略為：教師采用敏捷設計理念，為沒有匹配成功的學習者設計學習內容。內容按照學習者個體特征的差異與變化通過多次迭代、增量逐步優(yōu)化。

個人表現層主要針對“如何學”的問題。該層的數據驅動決策階段主要進行活動指引，具體策略為：通過挖掘學生的表現數據來識別他/她的學習模式，如果模式顯示學生存在問題且這個問題只是個別現象，則可以斷定很可能是學生出了問題，需要調整該學生的學習活動。如果模式的問題是多數學生的問題，則可以斷定很可能是教學方略出了問題，可以在數據啟發(fā)決策階段對學習方略進行基于問題導向的修正、優(yōu)化。

個人發(fā)展層面向學生在個人愿景方面“學得如何”的問題。該層的數據驅動決策階段通過監(jiān)測學習結果，預測學生是否能夠提前完成學習目標（具體策略可參考精準教學的以測輔學機制[31]），如果是，則在當下的學習過程中推薦與其個人發(fā)展相吻合的、富有挑戰(zhàn)性的任務，促使學生在此方面得到拓展提升。該層的數據啟發(fā)決策階段，主要對學生在拓展提升時遇到的問題進行針對性的輔導，具體策略為：對多人遇到的相同問題采用集中輔導方式，對個人遇到的個別問題進行個別輔導。

這種新式途徑按照個性化程度由低向高為學習者提供個性化的適性學習服務，很好地兼容并串聯(lián)了差異化教學、適性學習、個性化學習。因此，這一途徑為技術開發(fā)人員或實驗校在原有的信息化成果的基礎上實現個性化適性學習提供了路徑。

六、實施：個性化適性學習的構建策略

上面從理論角度，解讀了何為個性化適性學習（核心要素、理念及其框架）、如何實現個性化適性學習（基于數據決策+四條途徑）。接下來，重點論述如何建構實施。

（一）構建個性化適性學習的切入點

個性化適性學習的核心理念與框架為其構建指明了工作方向：監(jiān)測學習者在個體特征、個人表現、個人發(fā)展方面的差異與變化，適性調整教學方略?；诖斯ぷ鞣较?，探析構建個性化適性學習的切入點。

比爾與美琳達·蓋茨基金會（Bill & Melinda Gates Foundation）組織了一批慈善家、學習與技術團隊，在一批教育工作者的幫助下，制定了個性化學習的操作定義。定義主要界定了個性化的四個屬性：學習者畫像（Learner Profiles）、能基發(fā)展（Competency-based Progression）、個人學習路徑（Personal Learning）、柔性學習環(huán)境（Flexible Learning Environments）[32]。學習者畫像旨在精細地刻畫每位學習者的優(yōu)勢、偏好、動機等個體特征;能基發(fā)展通過持續(xù)測評學習者在學習目標方面的個人表現來評估其知能進步情況;個人學習路徑為學習者提供了一條實現個人發(fā)展的道路;柔性學習環(huán)境作為一種靈活的智慧學習環(huán)境，能夠為適性調整教學方略提供功能支撐。可以看出，個性化適性學習的工作方向與這四個屬性極其吻合。因此，可以將這四個屬性作為構建個性化適性學習的切入點。

（二）面向精準教學的構建策略

精準教學（Precision Instruction，PI）作為從技術賦能層面給養(yǎng)智慧學習生態(tài)的核心機制，與個性化適性學習的理念基本吻合。因此，筆者將從上述四個構建切入點出發(fā)，論述面向精準教學的構建策略。

1. 柔性學習環(huán)境的構建

柔性學習環(huán)境是一種靈活的智慧學習環(huán)境（Smart Learning Environment，SLE），作為數字學習環(huán)境的高端形態(tài)，智慧學習環(huán)境具有記錄學習過程、識別學習情景、感知學習物理環(huán)境、聯(lián)接學習社群、適性推送、自然交互等特點[33-34]，可以有效促進個性化適性學習發(fā)展。

柔性學習環(huán)境的建設應該基于教育信息化1.0的成果，并注重線上環(huán)境與線下環(huán)境并重建設。線下環(huán)境方面，重點面向感知智能的建設，主要包括情境感知、位置感知、行為感知、表情感知等。特別是近期教育部等八部門發(fā)布的《綜合防控兒童青少年近視實施方案》[35]規(guī)定“嚴禁學生將個人手機、平板電腦等電子產品帶入課堂”“使用電子產品開展教學時長原則上不超過教學總時長的30%，原則上采用紙質作業(yè)”后，更多的“測量與記錄表現”責任將由感知環(huán)境承擔。線上環(huán)境方面，重點面向學習空間的建設，主要集中于教育數據挖掘與學習分析技術方向，二者是個性化適性學習決策的基礎，前者可以將“數據”躍升為“知識”，后者可以將“知識”躍升為教學決策智慧（如圖5上部所示）。

2. 學習者畫像的構建

學習者畫像是基于智能技術實現個性化適性學習的基礎，它刻畫了學習者個人及學習方面的特征信息（如圖5左部所示）。在這方面，個性化適性學習關注三點：個體特征、個人表現、個人發(fā)展。因此，學習者畫像的構建也應從這三個層面入手：屬性層、學習層、愿景層。

屬性層主要針對學習者個體特征，如學生的基本信息（姓名、學號、班級、年級等）、學習風格、學習興趣等，這類數據多為結構化數據且較為穩(wěn)定，因此，可建構表單或量表來獲取這些數據，如果能建構智能監(jiān)測模塊來輔助數據的更新則更佳。學習層主要針對學習者當前的個人表現，這類數據多為非結構數據且處于實時變化狀態(tài)，因此，需要在柔性學習環(huán)境中建設智能感知系統(tǒng)來監(jiān)測學生的行為和情緒，建設大數據分析系統(tǒng)來挖掘、分析學生的實時狀況，如學習狀態(tài)、學習偏好、甚至學習模式等。愿景層針對學習者的個人發(fā)展愿景，該層需要關注基本課程目標以及個人發(fā)展目標，這兩者多為結構化數據，可通過制定表單來獲取數據：教師制定的課程目標數據、學生希望的發(fā)展目標數據。

3. 能基發(fā)展的構建

能基發(fā)展（Competency-based Development）是個性化適性學習的核心部分，主要基于智慧評估技術來實現（如圖5中部所示）。柔性學習環(huán)境作為一種靈活的智慧學習環(huán)境，可以隱式記錄學生學習的全過程。為了精準地從中挖掘出學生的智能發(fā)展狀況，需要依托適切的能力發(fā)展評估模型和智能評估技術。

能力評估模型方面，流行于我國的布魯姆教育目標分類以及國際上流行的諾曼·韋伯（Norman L. Webb）的DOK（Deep of Knowledge）框架[36]都既關注淺表學習的基本目標，也注重深度學習的高階目標，符合智慧教育理念以及21世紀的學生核心素養(yǎng)。因此，可作為建構個性化適性學習的理論依據。另外，精準教學的核心評估指標流暢度（Fluency）不僅關注學習表現的“準確度（當前測驗得分關注的指標）”，也關注學習表現的速度[37]，因此，構建能基發(fā)展時，選用流暢度作為計量指標是更好的選擇。對于學習能力發(fā)展的可視化，可借助精準教學中的標準變速圖表來呈現[38]。智能評估方面，AI中的計算智能是當前需要構建的核心技術力量，特別是數據分析中的描述分析技術、預測分析技術以及處方分析技術。描述分析技術可描述學生當前的學習能力水平與發(fā)展狀態(tài)，預測分析技術可以按照當前規(guī)律，預測后續(xù)的能力發(fā)展趨勢如何，處方分析技術可以解析出最佳的個性化適性調整方案。

4. 個人學習路徑的構建

個人學習路徑即是上述的個性化適性調整方案。個性化適性學習認為每個學生均有差異，且學習的狀況是動態(tài)變化的。這恰好與精準教學中的數據決策理念相吻合（如圖5右部所示）。結合這一決策理念，路徑可以采用以下建設方案：（1）基于學習者在畫像中的三層數據，特別是學習層中的模式數據來決策學習路徑的方向，而不僅僅依據個體特征（當前主流）;（2）采用生成性路徑推薦方式，即每次僅推薦最適切的下一個學習元，而不是每次推薦整條路徑;（3）學習路徑由學習元（含學習內容、學習活動、學習評價方案，且具有支架性和指引性）的編列組成，而不僅僅是知識編列、資源編列，或是活動編列。

當前，常用的個性化推薦算法有四類：協(xié)同過濾算法、基于內容的算法、基于知識的算法和混合算法。協(xié)同過濾算法的原理是相似學習者的適切學習元也相似，這種算法可以發(fā)掘學習者現在的需求且構建簡單，不足之處是存在冷啟動問題;基于內容的算法原理是依據學習者畫像，推薦與他過去有過良好學習效果的類似學習元，這種算法需要集中于學習者畫像的構建;基于知識的算法通過交互、會話等方式直接了解學習者需求，然后根據需求檢索并推薦，不足之處是與學生的問答容易過于頻繁;混合算法是混合上述三種算法的優(yōu)勢進行推薦，問題是多算法混合并不容易。這四種算法各有優(yōu)勢和不足，建構學習路徑時，可以根據實際情況進行選擇。

七、結? ?語

本研究從個性化學習與適性學習出發(fā)，介紹了一種融合二者的新型學習方案——個性化適性學習。具體講，從這兩種學習中解析出了個性化適性學習的核心要素：個體特征、個人表現、個人發(fā)展、適性調整;核心理念：通過技術賦能，實時監(jiān)測學習者在個體特征、個人表現、個人發(fā)展方面的差異與變化，基于這些差異與變化及時地適性調整教學方略，從而實現有效教學。之后將“個性”“適性”相結合而構建了個性化適性學習框架，并從人機協(xié)同理念的角度出發(fā)，詳細論述了個性化適性學習的數據決策策略，構建了一種適性調整教學策略的方案譜系。最后，筆者提出個性化適性學習的實施可從學習者畫像、能基發(fā)展、個人學習路徑、柔性學習環(huán)境四個方面切入，并詳細解讀了一種面向精準教學的個性化適性學習實施策略。

另外，本研究在探析個性化適性學習的同時，也窺探了人機協(xié)同在數據策略方面的機制與功用。后續(xù)，我們將由此切入，進一步開展智慧教育中的人機協(xié)同機制研究，形成系統(tǒng)的研究成果。

[參考文獻]

[1] HEY T，TANSLEY S，TOLLE K. The fourth paradigm：data-intensive scientific discovery[M]. Redmond，WA：Microsoft Research， 2009，177-183.

[2] 祝智庭，沈德梅. 基于大數據的教育技術研究新范式[J]. 電化教育研究，2013（10）：5-13.

[3] 中華人民共和國教育部. 國家中長期教育改革和發(fā)展規(guī)劃綱要（2010—2020年）[EB/OL].（2010-07-29）[2017-02-28]. http：//www.moe.edu.cn/publicfiles/business/htmlfiles/moe/info_list/201407/xxgk_171904.html.

[4] 中華人民共和國教育部. 教育信息化十年發(fā)展規(guī)劃（2011—2020年）[EB/OL].（2012-03-13）[2017-05-21]. http：//www.moe.edu.cn/publicfiles/business/htmlfiles/moe/s3342/201203/133322.html.

[5] 中華人民共和國教育部. 教育信息化“十三五”規(guī)劃[EB/OL].（2016-06-07）[2017-05-21]. http：//www.moe.edu.cn/srcsite/A16/s3342/201606/t20160622_269367.html.

[6] 中華人民共和國教育部. 教育信息化2.0行動計劃[EB/OL].（2018-04-13）[2018-09-01]. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[7] NMC. ORG. Thenmc horizon project[EB/OL].[2018-09-01]. https：//www.nmc.org/nmc-horizon/.

[8] 祝智庭，管玨琪. “網絡學習空間人人通”建設框架[J]. 中國電化教育，2013（10）：1-7.

[9] 王澍，周霖. 關于因材施教的斷想——做蘇格拉底式還是做孔子式的教師？[J]. 上海教育科研，2006（9）：26-27.

[10] 吳剛. 大數據時代的個性化教育：策略與實踐[J]. 南京社會科學，2015（7）：104-110.

[11] WLEKLINSKI N. Skinner's teaching machine and programmed learning theory[EB/OL].（2017-03-19）[2017-03-19]. http：//people.ischool.illinois.edu/～chip/projects/timeline/1954teaching_machine.html.

[12] WEISS D J，KINGSBURY G G. Application of computerized adaptive testing to educational problems[J]. Journal of educational measurement，1984，21（4）：361-375.

[13] KNEWTON. Knewton adaptive learning：building the world's most powerful education recommendation engine[EB/OL].[2017-03-19]. https：//www.knewton.com/wp-content/uploads/knewton-adaptive-learning-whitepaper.pdf.

[14] GREEN-LERMAN H. Visualizing personalized learning [EB/OL].（2015-09-10）[2017-03-19]. https：//www.knewton.com/resources/blog/adaptive-learning/visualizing-personalized-learning/.

[15] 萬海鵬，汪丹. 基于大數據的牛頓平臺自適應學習機制分析——“教育大數據研究與實踐專欄”之關鍵技術篇[J]. 現代教育技術，2016，26（5）：5-11.

[16] U.S. Department of Education. Enhancing teaching and learning through educational data mining and learning analytics：an issue brief[R]. Washington， D.C.：U.S. Department of Education，2012：17-18.

[17] INACOL. What is personalized learning？[EB/OL].（2016-02-17）[2017-05-22]. http：//www.inacol.org/news/what-is-personalized-learning/.

[18] DfES.2020 Vision： report of the teaching and learning in 2020 review group[R]. Athlone：Department for Education and Skills，2006：3-6.

[19] DREAMBOX. PersonalizED LEARNING[EB/OL].[2017-05-22]. http：//www.dreambox.com/personalized-learning.

[20] U.S. Department of Education，Office of Educational Technology. Reimagining the role of technology in education：2017 national education technology plan update[R]. Washington，D.C.：U.S. Department of Education，2017：9.

[21] ADAMS B S，CUMMINS M，DAVIS A.NMC horizon report：2017 higher education edition[M]. Austin，Texas：The New Media Consortium，2017.

[22] BECTA. Personalisinglearning：the opportunities offered by technology[EB/OL].（2007-03-27）[2017-05-22]. http：//archive.teachfind.com/becta/feandskills.becta.org.uk/display806e.html？resID=31571.

[23] EDUCAUSE. Adaptivelearning systems：surviving the storm[EB/OL].（2016-10-17）[2018-09-01]. https：//er.educause.edu/articles/2016/10/adaptive-learning-systems-surviving-the-storm.

[24] 李克東. 網絡環(huán)境下的個性化學習[EB/OL].（2014-12-19）[2017-05-22]. http：//www.docin.com/p-1199857000.html.

[25] WATERS J K. The great adaptive learning experiment[EB/OL].（2014-04-16）[2018-09-07]. https：//campustechnology.com/articles/2014/04/16/the-great-adaptive-learning-experiment.aspx.

[26] ASCD. Differentiated instruction[EB/OL].（2018-09-07）[2018-09-07]. http：//www.ascd.org/research-a-topic/differentiated-instruction-resources.aspx.

[27] U.S. Department of Education，Office of Educational Technology. Transforming american education：learning powered by technology[R]. Washington， D.C.：U.S. Department of Education，2010.

[28] 祝智庭，彭紅超，雷云鶴. 智能教育：智慧教育的實踐路徑[J]. 開放教育研究，2018，24（4）：13-24.

[29] 祝智庭，魏非. 教育信息化2.0：智能教育啟程，智慧教育領航[J]. 電化教育研究，2018（9）：5-16.

[30] 彭紅超，祝智庭. 人機協(xié)同的數據智慧機制：智慧教育的數據價值煉金術[J]. 開放教育研究，2018，24（2）：41-50.

[31] 彭紅超，祝智庭. 以測輔學：智慧教育境域中精準教學的核心機制[J]. 電化教育研究，2017（3）：94-103.

[32] K-12 Education Team. Early progress： interim research on personalized learning[R]. Seattle，Washington：Bill & Melinda Gates Foundation，2014：6.

[33] HUANG R，YANG J，ZHENG L. The components and functions of smart learning environments for easy，engaged and effective learning[J].International journal for educational media and technology，2013，7（1）：4-14.

[34] ZHU Z，YU M，RIEZEBOS P. A research framework of smart education[J]. Smart learning environments，2016，3（1）：1-17.

[35] 中華人民共和國教育部，國家衛(wèi)生健康委員會，國家體育總局，等. 綜合防控兒童青少年近視實施方案[EB/OL].（2018-08-30）[2018-09-20]. http：//www.moe.gov.cn/srcsite/A17/moe_943/s3285/201808/t20180830_346672.html.

[36] WEBB N L. Depth-of-knowledge levels for four content areas[EB/OL].（2002-03-28）[2018-09-12]. http：//facstaff.wcer.wisc.edu/normw/All%20content%20areas%20%20DOK%20levels%2032802.doc.

[37] BINDER C. Precision teaching： measuring and attaining exemplary academic achievement[J]. Youth policy，1988，10（7）：12-15.

[38] 祝智庭，彭紅超. 信息技術支持的高效知識教學：激發(fā)精準教學的活力[J]. 中國電化教育，2016（1）：17-25.