Knewton：學習分析支持下的自適應學習平臺

李玲靜 汪存友

【摘 要】隨著大數(shù)據(jù)技術(shù)、學習分析技術(shù)的發(fā)展，一大批基于數(shù)據(jù)分析的自適應學習平臺應運而生，Knewton就是其中的一個。從學習組織、資源組織兩個方面對“Knewton”進行了深層次剖析，得出了一些啟示。

【關(guān)鍵詞】Knewton;學習分析;自適應學習

【中圖分類號】G40-057?? 【文獻標識碼】A?? 【文章編號】1001-8794（2019）07-0029-06

【收稿日期】2019-04-12

【基金項目】2019年度教育部人文社科研究青年基金項目“認知診斷理論在個性化學習資源推薦系統(tǒng)中的應用研究”，項目編號為19YJC880080;2018年度山西省高等學校哲學社會科學研究一般項目“義務教育均衡發(fā)展背景下中小學校長信息化領(lǐng)導力指數(shù)研究”，項目編號為20180305;山西師范大學2018年度教學改革項目“對接與重構(gòu)：混合式教學模式下大學課程學業(yè)評價改革的理論與實踐”，項目編號為2018JGXM-02

【作者簡介】李玲靜（1982—），女，河南林州人，碩士，講師，研究方向為遠程教育、教育信息化、教師專業(yè)發(fā)展;汪存友（1982—），男，湖北隨州人，博士，教授，研究方向為教育信息化、心理測量、教育評價。

一、引言

隨著全球教育資源的不斷開放共享，一些提供優(yōu)質(zhì)教育資源的平臺應運而生，如培生、Coursera、Udacity，還有中國大學MOOC等等。但這些優(yōu)質(zhì)的教育資源平臺都存在一個“軟肋”，那就是學習支持服務環(huán)節(jié)相對“傳統(tǒng)”一些。學習分析技術(shù)、大數(shù)據(jù)技術(shù)的不斷發(fā)展為學習支持服務提供了新的支持，Knewton就是在這個背景下出現(xiàn)的，它可以將內(nèi)容供應商（如培生、劍橋等）所提供的優(yōu)質(zhì)內(nèi)容與其獨特的技術(shù)和個性化服務對接，進而提升學習者學習體驗，并顛覆傳統(tǒng)的學習思維，支持建構(gòu)新型的學習方式——自適應學習。

“Knewton”作為自適應學習系統(tǒng)的代表，其典型特征就是為不同的學習者用戶提供不同的學習支持服務，即實現(xiàn)系統(tǒng)對學習者學習的自適應服務。這有別于傳統(tǒng)的學習支持服務，它利用大數(shù)據(jù)、學習分析等技術(shù)能最大限度地挖掘?qū)W習者個體的學習需求，能相對“高效”“個性化”地“配置”學習資源、“推送”學習策略、“定制”學習支持服務。筆者以“Knewton”為研究對象，從學習組織、資源組織兩個方面對其進行了深層次剖析，最后得出了一些啟示與思考。

二、Knewton學習支持服務

Knewton是由約瑟·費雷拉（Jose Ferreira）在2008年創(chuàng)辦的，成立之初主要支持GMAT、LSAT、SAT等標準化在線考試。當眾多數(shù)字化教育資源大量充斥著互聯(lián)網(wǎng)平臺的時候，Knewton在2011年之后轉(zhuǎn)而與各大教育資源出版商合作，成為數(shù)字化學習資源與學習方式個性化融合的技術(shù)支撐平臺。截至目前為止，Knewton在120多個國家得到廣泛推廣。

Knewton的長期目標是為發(fā)行商、學校及全球的學生提供預測性分析及個性化推薦。其中自適應的學習支持工具是Knewton的核心技術(shù)。其自適應的學習支持服務主要通過三個環(huán)節(jié)來實現(xiàn)：數(shù)據(jù)收集與處理、學習分析、學習推薦。正是通過“數(shù)據(jù)收集與處理—學習分析—學習推薦”這樣的循環(huán)往復，使得每個學習者都能得到獨一無二的學習幫助。

（一）數(shù)據(jù)收集與處理

數(shù)據(jù)收集，Knewton主要通過自適應本體和模型引擎來進行。

1.自適應本體

自適應本體（adaptive ontology）將學科內(nèi)容（概念或者知識點）和學習對象（如：教學視頻、PPT、網(wǎng)頁文本或者試題）進行關(guān)系映射，[1]即建立學習內(nèi)容中不同概念之間的關(guān)聯(lián)，并結(jié)合搜集到的數(shù)據(jù)結(jié)果，將學習對象、學習路徑、學習者集成在一起，供后續(xù)階段使用。Knewton中存在大量的“異構(gòu)數(shù)據(jù)”，既包括數(shù)據(jù)結(jié)構(gòu)上的異構(gòu)數(shù)據(jù)（如文本、圖形、圖像、視頻、音頻等），還包括語義上的異構(gòu)數(shù)據(jù)（如學習內(nèi)容數(shù)據(jù)與學習者特征數(shù)據(jù)）。由于數(shù)據(jù)的結(jié)構(gòu)形式、語義表現(xiàn)形式不同，再加之集成的數(shù)據(jù)量的幾何級增加，所以異構(gòu)數(shù)據(jù)自適應集成是Knewton在此過程中所要解決的主要問題。

2.模型引擎

這里的模型引擎包括心理測試引擎（Psychometrics Engine）、策略引擎（Learning Strategy Engine）以及反饋引擎（Feedback Engine）。[2]個體學習者在使用Knewton的過程中，會產(chǎn)生大量數(shù)據(jù)集合，包括靜態(tài)數(shù)據(jù)、動態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)指的是一些相對穩(wěn)定不變的數(shù)據(jù)信息，例如學生的注冊信息、學習偏好、認知風格等。動態(tài)數(shù)據(jù)指的是在學習過程中動態(tài)變化的數(shù)據(jù)信息。一般“模型引擎”對數(shù)據(jù)的處理都是針對動態(tài)數(shù)據(jù)而言的。

心理測試引擎主要收集學習者的知識結(jié)構(gòu)、能力水平、學習進度等動態(tài)數(shù)據(jù)信息，旨在表征學習者的預備學習狀態(tài)。策略引擎負責收集學習者學習進度安排、學習評價等方面的動態(tài)數(shù)據(jù)信息，旨在揭示學習者在學習過程中對學習資源、學習環(huán)境等改變做出的反應，從而為學習策略的制定提供依據(jù)。反饋引擎對收集到的數(shù)據(jù)反饋結(jié)果進行統(tǒng)一處理，并將它們充實到自適應本體庫中，以豐富自適應本體的元數(shù)據(jù)信息，旨在為知識圖譜與學習過程信息之間的關(guān)聯(lián)映射提供更高度的精準分析。

（二）學習分析

學習分析階段，通過心理測試引擎、策略引擎及反饋引擎對上一階段收集到的數(shù)據(jù)進行分析，分析的結(jié)果將提供給建議階段進行個性化學習推薦時使用。Knewton的學習分析的核心技術(shù)建立在亞馬遜的大數(shù)據(jù)和云平臺服務的基礎(chǔ)上，應用了Amazon Elastic Map Reduce （Amazon EMR）分析平臺上的大數(shù)據(jù)集。在這一階段中主要運用項目反應理論（Item Response Theory，簡稱IRT）、概率圖形模型（Probabilistic Graphical Models，簡稱PGMs）、凝聚層次聚類（Hierarchical Agglomerative Clustering，簡稱HAC）等算法來實現(xiàn)自適應分析。[3]

1.項目反應理論（IRT）

傳統(tǒng)的學習服務平臺對學生能力的評估主要存在以下兩種問題：

（1）傳統(tǒng)評分方法中測試試題沒有貢獻度級別分配，所以關(guān)于簡單問題和復雜問題的回答，對學生學習能力的評估都沒有進行差異性分析。

（2）傳統(tǒng)評分方法中對學生能力的評估認定為一個相對恒定的概念，在表征時基本上為常量值表達。

IRT在學生的能力水平與每道試題之間建立非線性回歸模型，它描述了特定能力水平的學生答對特定難度試題的概率情況。給定學生的預估能力和試題難度情況，IRT就可以預測出學生答對該試題的概率水平，反之，若已知學生在若干道試題上的作答結(jié)果，IRT就可以反推出學生的知識掌握水平，學生每作答完一道試題，IRT就重新評估一次學生的能力水平，直至穩(wěn)定。

采用了IRT的Knewton平臺突破了上述兩點局限。根據(jù)學生對不同試題的表現(xiàn)，Knewton針對試題的貢獻度級別與學習者的學習能力進行建模。其中，試題的貢獻度級別由難度系數(shù)和區(qū)分度決定，Knewton對學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生能力進行動態(tài)評估和表征。[4]

2.概率圖形模型（PGMs）

PGMs是由IRT模型生成的二項反饋函數(shù)，在此框架模型中包含了貝葉斯神經(jīng)網(wǎng)絡(luò)和馬爾科夫隨機場等統(tǒng)計方法，以處理多維空間的概率分布并進行有效編碼，其應用范圍已經(jīng)涉及網(wǎng)絡(luò)故障診斷、圖像認知、生物網(wǎng)絡(luò)、語音識別、自然語言處理以及機器人導航等多個領(lǐng)域。PGMs框架為在復雜的環(huán)境中動態(tài)、連續(xù)地進行對象評估提供了一個必要的工具。在Knewton中，PGMs將Knewton中個體學習者的學習活動與系統(tǒng)評估聯(lián)系起來，從而進一步分析學生知識掌握的水平。

3.凝聚層次聚類（HAC）

聚類分析是人們認識和探索事物內(nèi)在聯(lián)系的一種手段，“物以類聚，人以群分”是這一理念的最樸素和直觀的反映，[5]其目的是將一個數(shù)據(jù)集劃分為若干聚類，并使得同一個聚類內(nèi)的數(shù)據(jù)對象具有較高的相似度，而不同聚類中的數(shù)據(jù)對象的相似度盡可能低。[6]在數(shù)據(jù)挖掘中，層次聚類是一種分析方法，被用來構(gòu)建類的層次或者結(jié)構(gòu)。Knewton使用HAC對龐大的學生群體的特征數(shù)據(jù)（如概念的掌握程度、學習風格、學習興趣）進行聚類分析，發(fā)現(xiàn)存在的潛在簇群，進而用于指導教師對學生進行分組。

（三）學習推薦

學習指導階段則通過推薦引擎（Recommendations Engine）、預測分析引擎（Predictive Analytics Engine）和歸一化學習軌跡（Unified Learning History）為教師與學生提供學習建議并提供統(tǒng)一匯總的學習軌跡。

其中，推薦引擎依據(jù)學習目標、學習者的“特征性”、學習投入程度三個指標，為學生提供下一步指導建議;預測分析引擎負責預測學生的學習結(jié)果，如學習目標完成的速度、程度以及知識的掌握程度等;歸一化學習軌跡主要功能在于建立每個學習者與“學習情境”的關(guān)聯(lián)。這里的“學習情境”涉及“學科知識”“學習應用”“學習時段”等內(nèi)容。學習者與“學習情境”的關(guān)聯(lián)時間越長，平臺對學習者的“認知”越深，從而對學習者的推薦服務也就越“智能”。可以看出，學習者在平臺的學習時間越長，其學習軌跡也就越多，其“智能化推薦”精度也越高。

此外，需要說明的是，受到艾賓皓斯記憶保持力和學習曲線的啟發(fā)，Knewton推薦引擎將學生學習與遺忘能力曲線整合到模型引擎當中，從而能更“精準”捕捉學生真實的知識儲存情況。

三、Knewton自適應組織機制

針對Knewton的“自適應”機制，筆者主要從資源組織與學習組織兩個維度加以分析。

（一）資源組織機制

2015年8月之前，Knewton就陸續(xù)地與各大出版集團，如Pearson Education、Macmillan Education、Houghton Mifflin Harcourt等，建立合作關(guān)系，通過開放的API接口將各類課程材料進行數(shù)字化處理，并提供相應的數(shù)字化學習支持服務，Knewton自身并不提供學習資源。2015年8月之后，Knewton開始對個人開放，鼓勵用戶上傳學習資源，其自身也為用戶提供一部分學習資源。[7]故在Knewton中存在大量“自適應學習資源”，一類是出版商公開發(fā)行的“系統(tǒng)化”學習資源，其特點是結(jié)構(gòu)化程度高、可信度好;另一類是使用平臺的“使用者”上傳的一些“非系統(tǒng)化”資源，具有顆?；?、碎片化特征。

縱觀當前的各種網(wǎng)絡(luò)學習平臺，其資源的組織方式不外乎三類：“自上而下”式、“自下而上”式、混合式。

（1）“自上而下”的資源組織方式，是公開出版發(fā)行的各種類型的資源（包括文本、聲音、視頻、動畫、表格等）經(jīng)過“?；碧幚?，由“系統(tǒng)化”資源變?yōu)椤邦w?；辟Y源的過程。

（2）“自下而上”的資源組織方式是指“非系統(tǒng)化”資源按照一定的算法進行“聚合”，由“顆?；弊?yōu)椤敖Y(jié)構(gòu)化”的過程。

（3）混合式資源組織方式，是兼有以上兩者形式的資源組織方式。

Knewton平臺上資源組織應當歸屬于第三類。其中自動“?；?、動態(tài)“聚合”在一定程度上體現(xiàn)了Knewton平臺的資源組織的“自適應特征”。

“?；钡幕A(chǔ)是“細粒度”。[8]針對資源的“細粒度”描述，IEEE LOM標準依據(jù)功能分了五個層次，[9]分別為：“有用的內(nèi)容”“信息對象”“學習對象”“學習構(gòu)件”“學習環(huán)境”?！坝杏玫膬?nèi)容”指的是單個的媒體數(shù)據(jù)，“信息對象”“學習對象”分別指的是個體學習者參與的一節(jié)課、一門課程;“學習構(gòu)件”指的是獲得某證書所需要的一系列課程;“學習環(huán)境”指與學習相關(guān)的所有硬、軟件資源的集合。

資源的“細粒度”直接決定資源的“聚合”程度?！凹毩６取边^小，不利于展示資源相互間的內(nèi)在關(guān)系?！凹毩６取边^大，不利于資源的高“績效”利用。在Knewton中，大量的出版商課程資源，經(jīng)過“粒化”處理，被分解為粒度合適的“?；辟Y源。此外，Knewton在2015年8月后，也實現(xiàn)了對用戶（包括教師與學習者）上傳資源的“粒化”組織。這兩種“粒化”資源（出版商資源和用戶資源）最終都是按照“一定算法”來進行自適應“聚合”的。從資源的利用維度看，“?；睂崿F(xiàn)了資源有效利用，避免了“冗余”資源的產(chǎn)生，提高了資源利用的“績效”。從資源生存周期來看，“粒化”一定程度上延長了資源的使用周期。

“聚合”被認為是當前學習平臺中常用的資源組織模式和手段，但資源怎樣聚合，以什么樣的形式“聚合”，每個學習平臺則各有差異，但基本都是以異構(gòu)性資源的“聚合、組織和呈現(xiàn)”為前提的?！熬酆稀?，有基于語義的聚合，有基于關(guān)系（社會網(wǎng)絡(luò)）聚合，還有基于知識元的聚合。而“呈現(xiàn)”大多都是一種可視化表達，這種表達有“結(jié)構(gòu)性”的、“非結(jié)構(gòu)性”的以及“半結(jié)構(gòu)性”的。

在大數(shù)據(jù)的支持下，Knewton通過自適應本體技術(shù)，將學習內(nèi)容整合到學習資源中，依據(jù)一定的復雜算法實現(xiàn)了以對象本體為中心的“知識關(guān)聯(lián)”“資源聚合”。聚合后的可視化“知識圖譜”，不僅建構(gòu)了本體對象的“結(jié)構(gòu)性”概念框架，還實現(xiàn)了資源的“跨學科”“動態(tài)”“連續(xù)”的整合。圖1顯示了 Knew-ton中資源組織方式。

（二）學習組織機制

Knewton平臺其影響范圍如此之大，除了自適應的資源組織機制之外，還有一個重要的因素——自適應的學習組織機制。自適應的學習過程是學習者通過自身原有知識經(jīng)驗與適應性學習系統(tǒng)進行交互活動來獲取知識、獲得能力的過程。[10]在此過程中，學習者自我組織、制訂并執(zhí)行學習計劃，自主選擇學習策略，自主控制學習過程，并進行自我評估。[11]

可以看到“自主性”貫穿整個適應性學習的全過程。因而，學習者的“自主性”決定著學習者學習的成敗。如何激發(fā)學習者的“自主性”呢？筆者將從動力機制、學習機制、反饋與強化機制三個方面對Knewton的自組織學習進行分析。

1.動力機制

自適應學習的動力機制是指個體學習者自身具有的自組織功能。[12]在Knewton中，影響個體學習者“自組織”的因素體現(xiàn)在豐富的學習資源、積極的學習體驗以及終身化的學習檔案等方面。

（1）豐富的學習資源：通過前面的闡述可以知道，Knewton存在大量“自適應”學習資源，范圍涉及高等教育、職業(yè)教育以及K-12，幾乎覆蓋了所有層次的主流課程。Knewton學習者數(shù)量的批量化增加，在平臺運營早期可能得益于“系統(tǒng)化”的出版商資源，但是隨著學習的不斷深入，“?；辟Y源將伴隨學習者整個自適應學習過程。

（2）積極的學習體驗：“游戲化”的“教學策略”、多樣化的“教學組件”、個性化的“學習目標”在一定程度上能吸引學生對學習的投入度。Knewton通過游戲的“流動”不斷地增加學習難度和懸念，使學習者體驗“游戲化”學習情境。多樣化的“教學組件”（如儀表盤、數(shù)字徽章、道具等）可以豐富學習活動，可以實現(xiàn)異質(zhì)分組、可以實現(xiàn)學習協(xié)同，在一定程度上也提高了學生的參與度。個性化的“學習目標”可以使每個學習者在學習過程中都能盡可能地“跟隨”目標，不會“偏離”目標太遠，這樣可以避免“偏離”目標對學生造成的不適感以及挫折感的出現(xiàn)。

（3）終身化的學習檔案：在Knewton中，每個學習者都可以看到一個持續(xù)更新的學習概覽。概覽呈現(xiàn)了學習者已經(jīng)學過的知識以及將要學習的知識。這個學習概覽是不斷發(fā)展的，隨著學生在平臺上學習時間的增加，這個概覽變得更加“智能”，能“智能”地洞察學生對材料的掌握程度，能“智能”地判斷學習者的學習方式等。

2.基于“連續(xù)統(tǒng)”的個性化學習機制

Knewton以“連續(xù)統(tǒng)”的學習組織思想來指導學習者自適應學習過程。這一點有別于傳統(tǒng)的單點適應性學習，它不是以一個單獨的節(jié)點（如通過一次測試考核）來評估學習者的現(xiàn)狀以決定學習者的下一步的“學習”，而是通過對學習者的不斷測試，來不斷挖掘個體學習者在學習中的各種數(shù)據(jù)，包括概念、結(jié)構(gòu)、媒體格式數(shù)據(jù)及學習者的“個性特征數(shù)據(jù)”，并采用復雜算法把這一系列針對每個學習者的數(shù)據(jù)內(nèi)容拼接起來，綜合做出“判斷”，給出“學習路徑”。

學習者在整個學習過程中，采用測驗題目與短視頻相結(jié)合的學習方式，通過對學習環(huán)境中的提示和反饋進行自主評價和自主選擇，實現(xiàn)“個性化學習”。如Knewton 平臺中提供的數(shù)學乘方、開方或根式運算（operations with radical expressions）測試，測試內(nèi)容涉及小學、中學甚至大學課本中的相關(guān)知識。[13]故此，在一個測驗中可能會出現(xiàn)跨越度較大（從小學到大學）的試題，當學生遇到比較難的知識點，Knewton會自動降低試題級別給予推送，遇到會的知識點時候，會自動提高試題級別，學習者只有通過不斷“測試”，才會逐漸接近最適合自己的“學習路徑”。這一過程是一個“不間斷、連續(xù)”的過程。當然，在實際的學習過程中，學習者的自身水平也不是一成不變的，Knewton已將學習者隨著學習的不斷深入，自身水平也會呈現(xiàn)增長的態(tài)勢，考慮進模型計算引擎中，從而能更加動態(tài)地揭示學習者的真實狀態(tài)。

3.反饋與強化機制

自適應學習雖然是一種自主的、個性化的學習，但它不是一種完全獨立的學習，它需要學習環(huán)境中有良好的反饋系統(tǒng)，以幫助學生作出自主決策。傳統(tǒng)的教學評估反饋往往由于學生人數(shù)較多而反饋不及時，針對性不強。而Knewton作為一個自適應學習系統(tǒng)，它能夠快速地針對學習者的多個選擇和響應提供個性化反饋。反饋主要來自于學習同伴之間反饋以及教師的反饋。通過反饋，學習者可以更好地認知自己的知識掌握程度，同時也在一定程度上促進了學習者之間、學習者與教師之間的協(xié)作交流、情感交流。此外，即時的反饋，還可以保持學習者基于資源支持的學習過程的專注力。

除了反饋之外，強化機制也必不可少。與傳統(tǒng)的強化方式不同，Knewton并不要求學習者在較短的時間內(nèi)反復強化新概念（或技巧）直至掌握，而是采用空間強化（也可以理解為分布式強化）的方式。Knewton將學習的舊知識與新知識資源編織在一起，即在一個較長的時間段中，學習者通過對新知識材料的學習，可以不斷強化已經(jīng)學習過的概念或技巧，這樣反復的空間強化可以幫助學習者“長久地”掌握所學，即一旦學習過就能長久記憶。

四、總結(jié)與反思

“沒有兩個學生是一樣的——他們以不同的速率學習和忘記，來自不同的教育背景，有著不同的智力程度、注意力范圍和學習方式”。[14]基于這樣的理念，Knewton打破了傳統(tǒng)學習方式，把每個學生個體，置于一個更為個性化的情景之中。然而，作為自適應學習平臺的典范，給予我們的啟示與反思是深遠的。

（一）“社會化”的交互組織機制亟待發(fā)展

日本知識管理專家野中郁次郎提出了顯性知識和隱性知識相互轉(zhuǎn)換的SECI過程，[15]提出知識的顯隱形轉(zhuǎn)化，通過社會化、外化、融合、內(nèi)化四個過程來實現(xiàn)。其中，社會化（Socialization）是實現(xiàn)隱形知識傳遞、創(chuàng)新的前提。

Knewton雖然在2015年8月以后，實現(xiàn)了對用戶的“?；辟Y源組織，如Knewton 允許教師創(chuàng)建課程、添加作業(yè)， 還允許學習者創(chuàng)建測驗題目，如添加內(nèi)容、題目、選項、答案、解釋等，甚至還可創(chuàng)建教學材料，如添加適合年級水平的內(nèi)容等。但對于平臺總體而言，學習者之間的“社會化”互動程度不高，“聯(lián)通性”不強。個體學習者在學習過程中產(chǎn)生的一些新的想法，因缺乏“社會化”交互，會隨時消失。

社交網(wǎng)絡(luò)支持的教學實踐活動（SNAPP，Social Networks Adapting Pedagogical Practice）在“社會化”方面的功能值得借鑒，它針對學習者的學習行為、交互行為的數(shù)據(jù)進行挖掘與分析，并運用學習網(wǎng)絡(luò)圖、社會網(wǎng)絡(luò)圖可視化展示學習活動參與者的整體交互全貌以及個別學習者的細節(jié)。所以，Knewton在對單個學習者進行“精準”分析的同時，更應該關(guān)注學習者在“學習群體”中的現(xiàn)狀，推送（推薦）基于某一內(nèi)容學習而自發(fā)組織的“學習社群”，促使學習者展開有意義的討論，這樣可以提高學習者參與度，更有利于學習者“隱形”知識的傳遞與創(chuàng)新。

（二）多維度的評價機制亟待建構(gòu)

隨著機器學習的進一步發(fā)展，情感計算走進了教育者的研究視野。情感計算是指機器對人類情感進行識別、翻譯和仿真。[16]它是通過攝像頭對人臉和手勢行為的捕捉，并應用一定的算法捕獲和分析情緒反應。

在個性化學習支持中，可以通過情感計算對學習者的情緒特征和社交關(guān)系進行解析。[17]雖然Knewton平臺在一定程度實現(xiàn)了對個體學習者 “認知”“行為”的評估，但針對“情緒”評估，knweton還沒有相關(guān)的技術(shù)支持。故此，探索基于“認知”“行為”“情緒”的多維評價機制，對于Knewton而言，仍有一段路需要走。

綜上，可以看出，Knewton平臺利用大數(shù)據(jù)分析技術(shù)實現(xiàn)了針對學習者的適應性測試，從而直接引導不同類型的學習者以“最適合”該學習者的鏈接路徑進行學習。Knewton實現(xiàn)了學習者學習方式由“被動”向“主動”、由“統(tǒng)一”向“個性”的轉(zhuǎn)化?！熬_診斷”是“對癥下藥”的前提，Knewton的“自適應測評”是“診斷”的序曲。隨著機器學習、大數(shù)據(jù)技術(shù)的不斷發(fā)展，“診斷”會越來越“精準”，而“自適應測試”也會逐漸過渡到包括情感計算在內(nèi)的“智慧測評”階段。如何從“智慧測評”過渡到“智慧學習”可能還需要教育研究者進行長期的、系統(tǒng)化的思考。[18]

【參考文獻】

[1]周皖婧，辛濤，劉拓.“互聯(lián)網(wǎng)+”背景下的學生個性化學習系統(tǒng)開發(fā)：現(xiàn)狀與啟示[J].清華大學教育研究，2016（6）：79—84.

[2][14]Wilson K，Nichols Z.Knewton technical white paper[EB/OL].[2017-05-27].http：//learn.knewton.com/technical-white-paper.

[3]Jaffe J.Here is the deck for presenting adaptive learning in the E-education world[EB/OL].[2017-05-27].https：//lists.w3.org/ Archives/Public/www-archive/2015Jan/att-0004/Knewton _W3C_presentation_V2.pdf.

[4]萬海鵬，汪丹.基于大數(shù)據(jù)的牛頓平臺自適應學習機制分析：“教育大數(shù)據(jù)研究與實踐專欄”之關(guān)鍵技術(shù)篇[J].現(xiàn)代教育技術(shù)，2016（5）：5—11.

[5]劉文軍，游興中.一種改進的凝聚層次聚類法[J].吉首大學學報：自然科學版，2011（4）：11—14+49.

[6]錢曉東.數(shù)據(jù)挖掘中分類方法綜述[J].Library and Information Service， 2007，51（3）：68—71.

[7]郭朝暉，王楠，劉建設(shè).國內(nèi)外自適應學習平臺的現(xiàn)狀分析研究[J].電化教育研究，2016（4）：55—61.

[8]馬翠嫦，曹樹金，鄭建瑜.多學科領(lǐng)域視角下網(wǎng)絡(luò)聚合單元概念框架構(gòu)建研究[J].情報科學，2015（10）：16—22.

[9]Reusable learning： project introduction[EB/OL].[2017-05-11].http：//www.reusablelearning.org/.

[10]杜龍輝.以評價為中心的適應性網(wǎng)絡(luò)課程設(shè)計與開發(fā)[D].上海：華東師范大學，2008.

[11]高曉紅.基于網(wǎng)絡(luò)的自適應學習系統(tǒng)研究[D].上海：上海師范大學，2003.

[12]時龍.自適應學習的方法論探析[J].教育科學研究，2015（9）：5—13+22.

[13]張華華，汪文義.“互聯(lián)網(wǎng)+”測評：自適應學習之路[J].江西師范大學學報：自然科學版，2016（5）：441—455.

[15]Nonaka， R.Toyama， N.Konno. SECI， Ba and ladership：a unified model of dynamic knowledge creation[J].Long Range Planning， 2000，33（1）：5—34.

[16]Massachusetts Institute of Technology. Affective Computing[DB/OL].[2017-05-27].http：//affect.media.mit.edu/index.php.

[17]牟智佳.學習者數(shù)據(jù)肖像支撐下的個性化學習路徑破解：學習計算的價值賦予[J].遠程教育雜志，2016（6）：11—19.

[18]Zhang Susu，Chang Hua-Hua.From smart testing to smart learning： how testing technology can assist the new gener-ation of education[J].International Journal of SmartTechnology and Learning， 2016，1（1）：67—92.

【Abstract】With the rapid development of Big Data and learning analytics Technology， lots of adaptive learning platforms， taking Knewton as the typical example， are emerging out quickly. In present study， concentrated on how learning activities and learning resources were organized， the Knewton system was firstly deeply discussed， and then some implications about future development of adaptive learning platforms were proposed.

【Key words】Knewton; learning analytics; adaptive learning