國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)的研究主題及趨勢(shì)

梁茜 皇甫林曉

【摘要】 自適應(yīng)學(xué)習(xí)是教育人工智能的重要技術(shù)手段之一，致力于通過對(duì)學(xué)生教育數(shù)據(jù)的挖掘以促進(jìn)個(gè)性化學(xué)習(xí)。運(yùn)用共詞分析法，對(duì)從2008年至2018年國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)的研究現(xiàn)狀進(jìn)行了可視化分析，將近10年來國(guó)外自適應(yīng)技術(shù)的研究主題劃分為四類：智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)研究、自適應(yīng)技術(shù)支持下的個(gè)性化學(xué)習(xí)研究、教師適應(yīng)性學(xué)習(xí)研究、基于自適應(yīng)學(xué)習(xí)技術(shù)的理科教學(xué)實(shí)踐創(chuàng)新研究。國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)的研究趨勢(shì)主要體現(xiàn)在三個(gè)方面：將技術(shù)與人員整合，促使教師成為“適應(yīng)性專家”;將技術(shù)與課堂整合，從學(xué)習(xí)分析走向?qū)W習(xí)調(diào)節(jié);將技術(shù)與高等教育整合，構(gòu)建自適應(yīng)學(xué)習(xí)技術(shù)的研發(fā)智庫(kù)。最后與我國(guó)的研究情況相對(duì)比，指出今后我國(guó)未來研究應(yīng)更多關(guān)注學(xué)習(xí)的干預(yù)和調(diào)節(jié)、自適應(yīng)學(xué)習(xí)技術(shù)的環(huán)境創(chuàng)設(shè)、教師適應(yīng)性教學(xué)素養(yǎng)以及自適應(yīng)學(xué)習(xí)產(chǎn)品開發(fā)的相關(guān)研究。

【關(guān)鍵詞】? 自適應(yīng)學(xué)習(xí);教育人工智能;學(xué)習(xí)分析;個(gè)性化;智能環(huán)境;混合學(xué)習(xí);泛在學(xué)習(xí);教師適應(yīng)性專長(zhǎng)

【中圖分類號(hào)】? G420? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2019）8-0047-12

一、引言

如今，教育人工智能正在深刻地影響著教育的形態(tài)。沃爾金頓（Walkington， 2013）指出自適應(yīng)學(xué)習(xí)技術(shù)（adaptive learning technology）作為教育人工智能中新興的技術(shù)手段，集學(xué)習(xí)分析、學(xué)習(xí)測(cè)評(píng)、學(xué)習(xí)調(diào)節(jié)等技術(shù)為一體，以學(xué)習(xí)者的背景、經(jīng)歷、知識(shí)存量、需求與興趣等為基點(diǎn)，致力于最大限度地挖掘?qū)W生的教育數(shù)據(jù)進(jìn)行分析，為不同的學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)通道。國(guó)外有關(guān)自適應(yīng)學(xué)習(xí)技術(shù)的研究開展較早，始于1996年P(guān)eter Brusilovsdy提出的自適應(yīng)學(xué)習(xí)系統(tǒng)模型，至今已經(jīng)形成了較為豐富的理論和實(shí)踐成果，先后出現(xiàn)了許多漸趨成熟的自適應(yīng)學(xué)習(xí)平臺(tái)，如Knewton、Smart Sparrow等（轉(zhuǎn)引自韓建華， 等， 2016）。在2017年的新媒體聯(lián)盟地平線項(xiàng)目中，將自適應(yīng)學(xué)習(xí)技術(shù)作為在未來一年內(nèi)會(huì)廣泛采用的近期技術(shù)（徐健暉， 2018）。因此，對(duì)自適應(yīng)學(xué)習(xí)技術(shù)的研究及應(yīng)用將極大影響著未來的教育實(shí)踐。本文通過對(duì)Web of Science核心合集中收錄的471篇相關(guān)文獻(xiàn)進(jìn)行關(guān)鍵詞的共詞分析，試圖描繪近十年來國(guó)外在自適應(yīng)學(xué)習(xí)技術(shù)領(lǐng)域的研究圖景，為我國(guó)自適應(yīng)學(xué)習(xí)技術(shù)的研究提供參考框架，推進(jìn)我國(guó)在教育人工智能領(lǐng)域的發(fā)展。

二、數(shù)據(jù)獲取及研究方法

本研究通過共詞分析法對(duì)國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)的研究現(xiàn)狀與趨勢(shì)進(jìn)行可視化分析。

（一）樣本抽取

1. 文獻(xiàn)來源：本研究使用的數(shù)據(jù)來源于Web of Science（簡(jiǎn)稱“WoS”）。

2. 檢索時(shí)間：2018年3月。

3. 時(shí)間區(qū)間：2008年至2018年。

4. 檢索條件：以主題=“l(fā)earning adaptive”O(jiān)R“l(fā)earning adaptive technology”O(jiān)R“Adaptive educational technology”O(jiān)R“adaptive learning”，數(shù)據(jù)庫(kù)=“Web of Science核心合集”，文獻(xiàn)類型=“article”，Web of Science類別勾選“educational research”。

5. 文獻(xiàn)篩選步驟

第一步，輸入關(guān)鍵詞，獲得初始樣本715篇。

第二步，文體類型篩選。一般認(rèn)為，期刊論文相比其他類型的研究材料能更敏銳、更直接地體現(xiàn)研究熱點(diǎn)和前沿（張斌賢， 等， 2009）。因此，由兩位研究者共同瀏覽所得初試樣本的題錄信息（由SATI軟件導(dǎo)出，包含樣本名稱、摘要和關(guān)鍵字等信息），討論篩除了新聞報(bào)道、會(huì)議摘要、著作簡(jiǎn)介等非期刊論文和正式的會(huì)議論文的資料，得到期刊論文528篇。

第三步，研究?jī)?nèi)容篩選。主要依據(jù)文獻(xiàn)與所研究?jī)?nèi)容的關(guān)聯(lián)度、文獻(xiàn)被引頻次及學(xué)術(shù)影響力、文獻(xiàn)研究方法的科學(xué)性與規(guī)范性進(jìn)行進(jìn)一步篩選，此步驟由兩位研究者分別進(jìn)行。

第四步，確定最終研究樣本。對(duì)照第三步中兩位研究者的篩選結(jié)果，將存在爭(zhēng)議的樣本交由有關(guān)專家進(jìn)行二次判斷與篩選，最終確定有效文獻(xiàn)471篇，作為本研究的數(shù)據(jù)來源。

（二）研究方法和工具

在研究方法和工具方面，本研究主要運(yùn)用關(guān)鍵詞共詞聚類分析法和社會(huì)網(wǎng)絡(luò)分析法，先使用SATI 3.2進(jìn)行關(guān)鍵詞詞頻統(tǒng)計(jì)、高頻關(guān)鍵詞篩選和共詞矩陣生成，再運(yùn)用相關(guān)算法將高頻關(guān)鍵詞共詞矩陣轉(zhuǎn)化為高頻關(guān)鍵詞相異矩陣，并利用SPSS 23.0進(jìn)行系統(tǒng)聚類分析，以得到國(guó)外自適應(yīng)學(xué)習(xí)研究的相關(guān)主題類別。最后，運(yùn)用UCINET 6軟件繪制近十年國(guó)外自適應(yīng)學(xué)習(xí)研究的社會(huì)網(wǎng)絡(luò)圖譜，統(tǒng)計(jì)分析有關(guān)自適應(yīng)學(xué)習(xí)研究關(guān)鍵詞的中心度情況，以可視化的形式呈現(xiàn)研究領(lǐng)域的熱點(diǎn)、薄弱點(diǎn)及未來趨勢(shì)。具體研究過程如圖1所示。

（三）數(shù)據(jù)統(tǒng)計(jì)與分析

1. 高頻關(guān)鍵詞提取

共詞分析法的核心在于對(duì)研究資料關(guān)鍵詞之間共現(xiàn)關(guān)系的把握，可以在一定程度上表征相關(guān)研究領(lǐng)域的研究主題及熱點(diǎn)。因此，本研究的第一步首先利用SATI 3.2軟件提取相關(guān)文獻(xiàn)的關(guān)鍵詞，得到關(guān)鍵詞共計(jì)997個(gè)。通過重復(fù)含義關(guān)鍵詞的整理合并，選出出現(xiàn)頻次大于等于3次的關(guān)鍵詞作為高頻關(guān)鍵詞，共計(jì)47個(gè)，部分高頻關(guān)鍵詞如表1所示。結(jié)合WordArt詞語云分析技術(shù)對(duì)47個(gè)高頻關(guān)鍵詞進(jìn)行云視圖分析，可以看出，近十年來國(guó)外對(duì)于自適應(yīng)學(xué)習(xí)技術(shù)的研究熱詞集中在學(xué)習(xí)風(fēng)格、學(xué)習(xí)環(huán)境、教學(xué)策略、智能、移動(dòng)學(xué)習(xí)、在線學(xué)習(xí)等方面。

2. 高頻關(guān)鍵詞矩陣結(jié)果生成

利用SATI 3.2軟件生成21*21高頻關(guān)鍵詞共詞矩陣，部分?jǐn)?shù)據(jù)如表2所示。利用Equivalence系數(shù)算法將高頻關(guān)鍵詞共詞矩陣轉(zhuǎn)化為相似矩陣，接著在EXCEL中用1與全部數(shù)值相減，得到高頻關(guān)鍵詞相異矩陣，部分?jǐn)?shù)據(jù)如表3所示。

三、近十年國(guó)外自適應(yīng)學(xué)習(xí)

技術(shù)的研究主題

根據(jù)由47個(gè)關(guān)鍵詞構(gòu)成的相異矩陣，利用SPSS 23.0軟件進(jìn)行系統(tǒng)聚類分析，得到高頻關(guān)鍵詞共詞聚類樹狀圖（如圖2所示）。依據(jù)相關(guān)劃分原則，將國(guó)外自適應(yīng)學(xué)習(xí)研究主題劃分為十六類（如圖3所示）。

結(jié)合相關(guān)文獻(xiàn)和共詞情況分析，對(duì)聚類統(tǒng)計(jì)所得16個(gè)較為細(xì)化的研究類別進(jìn)行二次篩選與合并，得到近十年國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)研究主要關(guān)注的四個(gè)主題，每一類別所包含的關(guān)鍵詞如表4所示。四個(gè)研究主題分別為智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)、個(gè)性化學(xué)習(xí)、教師適應(yīng)性學(xué)習(xí)、理科教學(xué)實(shí)踐創(chuàng)新，分別關(guān)注了自適應(yīng)學(xué)習(xí)技術(shù)發(fā)展下的學(xué)習(xí)背景、個(gè)性化學(xué)習(xí)過程、教師專業(yè)發(fā)展以及在教學(xué)實(shí)踐中的應(yīng)用案例。圖4描述了四個(gè)研究主題分別所占總體研究文獻(xiàn)的比重及所含的主要關(guān)鍵詞。其中，扇形面積最大的“個(gè)性化學(xué)習(xí)”主題的研究數(shù)量（相關(guān)文獻(xiàn)202篇）與關(guān)鍵詞分布最多，其次是“智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)”（124篇）、“理科教學(xué)實(shí)踐創(chuàng)新”（相關(guān)文獻(xiàn)103篇），“教師適應(yīng)性學(xué)習(xí)”（42篇）的研究數(shù)量最少，說明這部分的研究還比較薄弱。

（一）智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)研究

智能學(xué)習(xí)環(huán)境的創(chuàng)設(shè)是自適應(yīng)學(xué)習(xí)技術(shù)關(guān)注的一大重點(diǎn)，學(xué)習(xí)環(huán)境的重塑和創(chuàng)新直接影響著學(xué)習(xí)的過程和效果。已有研究主要關(guān)注了自適應(yīng)技術(shù)支持下學(xué)習(xí)環(huán)境的交互式、泛在式特點(diǎn)，利用學(xué)習(xí)風(fēng)格建模和情境感知等技術(shù)為學(xué)生創(chuàng)設(shè)智能化的學(xué)習(xí)環(huán)境。

1. 基于課堂教學(xué)改進(jìn)的交互式智能學(xué)習(xí)環(huán)境研究

交互式智能學(xué)習(xí)環(huán)境的創(chuàng)設(shè)是自適應(yīng)學(xué)習(xí)技術(shù)研究的一個(gè)重要領(lǐng)域，旨在將學(xué)習(xí)者置于交互式智能學(xué)習(xí)環(huán)境中，使學(xué)習(xí)者擁有充足的學(xué)習(xí)機(jī)會(huì)并獲得及時(shí)的建設(shè)性支持，從而產(chǎn)生有效的學(xué)習(xí)效果。已有研究主要通過對(duì)人機(jī)交互的智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)來思考如何改進(jìn)課堂教學(xué)、形成技術(shù)支持的教學(xué)設(shè)計(jì)與策略。第一，以人機(jī)交互的學(xué)習(xí)環(huán)境促進(jìn)人人交互的學(xué)習(xí)生態(tài)。在智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)的過程中，人機(jī)交互是基于虛擬現(xiàn)實(shí)（VR）技術(shù)為用戶提供體驗(yàn)、走向應(yīng)用的關(guān)鍵，主要通過教育媒體與信息技術(shù)為學(xué)習(xí)者提供可理解或可操作的反饋信息使學(xué)習(xí)者處于一種動(dòng)態(tài)交互的學(xué)習(xí)環(huán)境中。通過創(chuàng)設(shè)交互式智能學(xué)習(xí)環(huán)境可以打破傳統(tǒng)的課堂物理環(huán)境與精神環(huán)境，基于每一個(gè)學(xué)生的特性創(chuàng)設(shè)個(gè)性化和適應(yīng)性的學(xué)習(xí)方式。第二，以學(xué)習(xí)風(fēng)格偏好分類建構(gòu)適應(yīng)性學(xué)習(xí)環(huán)境，即在個(gè)體差異性的基礎(chǔ)上為不同學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)環(huán)境。學(xué)習(xí)風(fēng)格是在創(chuàng)設(shè)適應(yīng)性學(xué)習(xí)環(huán)境時(shí)考慮到個(gè)體差異時(shí)使用的最重要的參數(shù)之一。巴斯等（Bas & Beyhan， 2010）的研究表明在設(shè)計(jì)學(xué)習(xí)和教學(xué)環(huán)境時(shí)考慮到個(gè)體差異可以提高學(xué)習(xí)活動(dòng)的有效性和效率，格拉夫等（Graf， Liu， & Kinshuk， 2010）提出基于特定學(xué)習(xí)風(fēng)格的適應(yīng)性學(xué)習(xí)環(huán)境更具生產(chǎn)力，能創(chuàng)造更高的滿意度。第三，以學(xué)習(xí)環(huán)境智能反饋促進(jìn)課堂評(píng)估及教學(xué)調(diào)整。Fu等（Fu， shimada， Ogata， Taniguchi， & Suehiro， 2017）設(shè)計(jì)的編程語言教育系統(tǒng)LAPLE可以幫助教師更好地把握學(xué)生的學(xué)習(xí)情況，尤其是根據(jù)學(xué)生的課堂行為確定學(xué)生學(xué)習(xí)的困難點(diǎn)，使教師及時(shí)調(diào)整教學(xué)策略。

2. 基于情境感知技術(shù)的泛在學(xué)習(xí)環(huán)境研究

情境感知旨在通過利用人機(jī)交換或者傳感器等設(shè)備為特定情境下的用戶提供適合的服務(wù)或信息。這允許人們?cè)诓煌榫车漠悩?gòu)學(xué)習(xí)環(huán)境中廣泛獲得多元化的領(lǐng)域知識(shí)（DK），實(shí)現(xiàn)學(xué)習(xí)者無處不在的沉浸式學(xué)習(xí)體驗(yàn)。泛在學(xué)習(xí)（Ubiquitous Learning， U-learning）是任何人都可以在任何時(shí)間與地點(diǎn)利用任何設(shè)備獲取所需要的學(xué)習(xí)資源，隨時(shí)隨地可以享受學(xué)習(xí)服務(wù)的過程。雖然泛在學(xué)習(xí)具有信息豐富的特點(diǎn)，但是在提取有效信息上有難度，基于自適應(yīng)學(xué)習(xí)技術(shù)的情境感知恰好彌補(bǔ)了這一缺陷，能為學(xué)習(xí)者提供針對(duì)個(gè)人的高沉浸感的服務(wù)。Hsu等（Hsu， Chiou， Tseng， & Hwang， 2016）設(shè)計(jì)了一個(gè)基于情境感知技術(shù)的主動(dòng)學(xué)習(xí)支持系統(tǒng)ALESS，該系統(tǒng)能夠積極地對(duì)不同的學(xué)生提供學(xué)習(xí)支持，對(duì)學(xué)習(xí)任務(wù)進(jìn)行診斷與評(píng)估，自動(dòng)形成反饋并提供實(shí)時(shí)的個(gè)性化建議。該系統(tǒng)的實(shí)驗(yàn)結(jié)果表明，在ALESS的幫助下學(xué)生學(xué)習(xí)效率更高，學(xué)習(xí)效果更好。

（二）自適應(yīng)技術(shù)支持下的個(gè)性化學(xué)習(xí)研究

個(gè)性化學(xué)習(xí)是自適應(yīng)學(xué)習(xí)技術(shù)的本質(zhì)追求，近十年來國(guó)外學(xué)者主要將研究目光聚焦在自適應(yīng)技術(shù)對(duì)于學(xué)生個(gè)性化學(xué)習(xí)過程的支持、調(diào)適與改進(jìn)。主要的研究可分為線下為主的基于學(xué)習(xí)分析技術(shù)的個(gè)性化學(xué)習(xí)輔導(dǎo)、MOOCs背景下的個(gè)性化學(xué)習(xí)調(diào)適以及線上線下相結(jié)合的混合學(xué)習(xí)模式創(chuàng)新研究。

1. 基于學(xué)習(xí)分析技術(shù)的個(gè)性化學(xué)習(xí)輔導(dǎo)研究

學(xué)習(xí)分析技術(shù)（Learning Analytics， LA）是利用松散耦合的數(shù)據(jù)收集工具和分析技術(shù)研究學(xué)習(xí)者的學(xué)習(xí)參與、學(xué)習(xí)表現(xiàn)及學(xué)習(xí)過程，進(jìn)而對(duì)課程教學(xué)和評(píng)價(jià)進(jìn)行實(shí)時(shí)修正（吳永和， 等， 2017）。自適應(yīng)學(xué)習(xí)技術(shù)基于“以學(xué)習(xí)者為主體”的理念對(duì)學(xué)習(xí)分析提出了兩個(gè)要求：關(guān)注學(xué)習(xí)者的個(gè)性差異以及培養(yǎng)學(xué)習(xí)者的自我調(diào)節(jié)學(xué)習(xí)能力。從2011年至今，學(xué)習(xí)分析作為高等教育中教育技術(shù)的重要進(jìn)展連續(xù)出現(xiàn)在《地平線報(bào)告》中，2016年自適應(yīng)學(xué)習(xí)技術(shù)與學(xué)習(xí)分析一起出現(xiàn)，體現(xiàn)了學(xué)習(xí)分析在監(jiān)控、調(diào)整學(xué)習(xí)方面的具體目標(biāo)（Liu & Sun， 2014）。經(jīng)過十年的發(fā)展，學(xué)習(xí)分析的任務(wù)已從描述學(xué)習(xí)、診斷監(jiān)控學(xué)習(xí)走向干預(yù)輔助學(xué)習(xí)，而在干預(yù)輔助學(xué)習(xí)階段智能教學(xué)系統(tǒng)（Intelligent Tutoring Systems， ITS）和自我調(diào)節(jié)學(xué)習(xí)（Self-regulated learning）則為其提供了技術(shù)保障，共同支持著真正以學(xué)生為中心的個(gè)性化學(xué)習(xí)進(jìn)程。其中，學(xué)習(xí)分析技術(shù)應(yīng)用于個(gè)性化學(xué)習(xí)的數(shù)據(jù)采集及過程監(jiān)控階段?？ㄋ固乩麃喼Z斯-涅韋斯等（Castellanos-Nieves， et al.， 2011）根據(jù)學(xué)習(xí)者的個(gè)性特點(diǎn)和學(xué)習(xí)風(fēng)格偏好引導(dǎo)學(xué)生的自主性學(xué)習(xí)和探究性學(xué)習(xí)，通過設(shè)計(jì)知識(shí)庫(kù)、規(guī)則庫(kù)和教學(xué)庫(kù)等提供個(gè)性化的課程與教學(xué)。語義網(wǎng)絡(luò)（Semantic Web）是學(xué)習(xí)分析技術(shù)的關(guān)鍵，其核心是一種靈活而通用的語言，能夠輕松地表示和高效地整合不同性質(zhì)的信息，主要運(yùn)用在學(xué)習(xí)分析中提供反饋，幫助教師更加了解學(xué)生并調(diào)整與設(shè)計(jì)新的學(xué)習(xí)內(nèi)容和教學(xué)過程。

在對(duì)個(gè)性化學(xué)習(xí)的輔助、干預(yù)和指導(dǎo)階段，智能導(dǎo)師系統(tǒng)和自我調(diào)節(jié)學(xué)習(xí)則起著越來越關(guān)鍵的作用。巴羅斯等（Barros， et al.， 2011）認(rèn)為智能教學(xué)系統(tǒng)是一個(gè)可以有效改善學(xué)生學(xué)習(xí)過程的軟件系統(tǒng)，因其以自動(dòng)方式提供交互指令，可以隨時(shí)隨地為每個(gè)學(xué)生提供支持，真正地以學(xué)習(xí)者為中心。國(guó)外有關(guān)智能教學(xué)系統(tǒng)的研究和應(yīng)用案例廣泛，如賈克斯（Jaques， et al.， 2013）等人研究的ASSISTment，現(xiàn)已在成千上萬的中學(xué)用作協(xié)助教師教學(xué)和學(xué)生學(xué)習(xí)的工具。萊瑟姆（Latham， et al.， 2012）等人開發(fā)了能夠?yàn)榇鷶?shù)問題解決提供分步指導(dǎo)的智能教學(xué)系統(tǒng)PAT2Math。截至目前，國(guó)外高校對(duì)智能教學(xué)系統(tǒng)的研發(fā)越來越多，借助虛擬現(xiàn)實(shí)、人機(jī)交換、情境感知等技術(shù)不斷增強(qiáng)系統(tǒng)功能。其中，自我調(diào)節(jié)學(xué)習(xí)技術(shù)作為與智能教學(xué)系統(tǒng)相輔相成的一種新興的學(xué)習(xí)技術(shù)，有助于學(xué)習(xí)者自主管理學(xué)習(xí)過程，通過元認(rèn)知與對(duì)社會(huì)的認(rèn)識(shí)獲得認(rèn)知的自主權(quán)。伊瓦涅斯等（Ibá?ez， et al.， 2015）基于增強(qiáng)現(xiàn)實(shí)（AR）技術(shù)研究了學(xué)生的自我調(diào)節(jié)特質(zhì)是如何影響學(xué)生的學(xué)習(xí)結(jié)果的。盧伊設(shè)計(jì)的（Looi， 2015）“My Desk”可以引導(dǎo)學(xué)生以一種自我調(diào)節(jié)的方式去學(xué)習(xí)，并思考“我已經(jīng)知道了什么”“我想知道什么”“我學(xué)到了什么”等問題。自適應(yīng)教育環(huán)境中的自我調(diào)節(jié)學(xué)習(xí)還涉及自我評(píng)估（Chen， 2010）、自我決定（Jeno， et al.， 2017）和元學(xué)習(xí)（Tabuenca， et al.， 2015）等。

2. MOOCs背景下的個(gè)性化學(xué)習(xí)調(diào)適研究

大規(guī)模網(wǎng)絡(luò)開放課程（MOOCs）為傳統(tǒng)教育模式注入了前所未有的活力，很大程度上改善了優(yōu)質(zhì)教育資源短缺及分配不均的難題。但是，由于其巨大的資源庫(kù)帶來的龐雜的信息量，加大了其在實(shí)際應(yīng)用推廣中的難度。如何挑選適合自己的課程方案成為影響師生在線學(xué)習(xí)成效的一大難點(diǎn)，而自適應(yīng)學(xué)習(xí)技術(shù)的發(fā)展恰好彌補(bǔ)了這一不足，其中個(gè)性化推薦系統(tǒng)、自我調(diào)節(jié)學(xué)習(xí)、適應(yīng)性超媒體系統(tǒng)、決策樹等技術(shù)的發(fā)展使MOOCs背景下的學(xué)習(xí)資源得以個(gè)性化配置與有效整合，創(chuàng)新了在線學(xué)習(xí)的個(gè)性化調(diào)適功能。

個(gè)性化推薦系統(tǒng)旨在為學(xué)習(xí)者推薦適應(yīng)性的學(xué)習(xí)材料，即利用個(gè)性化情境感知技術(shù)，通過計(jì)算機(jī)系統(tǒng)和快速響應(yīng)代碼界面輸入為學(xué)習(xí)者立即獲取適應(yīng)的學(xué)習(xí)材料和最佳的學(xué)習(xí)路徑，給予學(xué)習(xí)者智能化的幫助（Yao， 2017）。格豪斯和阿布杜拉（Ghauth & Abdullah， 2010）根據(jù)學(xué)習(xí)者的評(píng)分為學(xué)習(xí)者提供具有相似內(nèi)容的學(xué)習(xí)材料，證明了個(gè)性推薦系統(tǒng)比傳統(tǒng)的只提供內(nèi)容的電子學(xué)習(xí)系統(tǒng)表現(xiàn)力更好;阿赫和洛博（Aher & Lobo， 2013）使用聚類算法和關(guān)聯(lián)規(guī)則算法構(gòu)建智能化的課程推薦系統(tǒng)，用于在線課程中向新生推薦課程非常有效;埃爾巴拉維（Elbadrawy， et al.， 2016）等基于個(gè)性化推薦系統(tǒng)利用多重回歸和矩陣分解法評(píng)估課堂和預(yù)測(cè)學(xué)生未來課堂中的學(xué)習(xí)表現(xiàn)。適應(yīng)性教育超媒體系統(tǒng)（Adaptive Educational Hypermedia Systems， AEHS）則應(yīng)用于記錄學(xué)習(xí)者的特征并形成學(xué)習(xí)者模型。超媒體是相較于傳統(tǒng)的線性文本而言的，目的在于為記錄學(xué)習(xí)者的學(xué)習(xí)軌跡并給定學(xué)習(xí)者個(gè)性化學(xué)習(xí)體驗(yàn)。關(guān)于教育超媒體的研究主要與適應(yīng)性學(xué)習(xí)系統(tǒng)相關(guān)，利用教育超媒體廣泛的資源為不同偏好的學(xué)習(xí)者動(dòng)態(tài)提供合適的學(xué)習(xí)資源。決策樹（Decision tree）及神經(jīng)網(wǎng)絡(luò)算法（Neural network algorithm）則主要用于對(duì)在線學(xué)習(xí)的效果進(jìn)行績(jī)效評(píng)估。基于貝葉斯網(wǎng)絡(luò)分類器（Bayesian Network Classifier）開發(fā)的決策模型，可以根據(jù)學(xué)生的喜好進(jìn)行推理、適應(yīng)變化。穆罕默德和塔西爾（Mohamad & Tasir， 2013）指出在教育大數(shù)據(jù)的支持下，通過使用決策樹和神經(jīng)網(wǎng)絡(luò)算法來創(chuàng)建數(shù)據(jù)挖掘模型，可以對(duì)學(xué)生的學(xué)習(xí)績(jī)效進(jìn)行評(píng)估，還能預(yù)測(cè)學(xué)生的行為模式。

3. 混合學(xué)習(xí)模式創(chuàng)新研究

混合式學(xué)習(xí)可以將傳統(tǒng)課堂學(xué)習(xí)與在線學(xué)習(xí)有機(jī)結(jié)合，從而將教師的“教”與學(xué)生的“學(xué)”有效融合，是對(duì)MOOCs的進(jìn)一步優(yōu)化。自適應(yīng)學(xué)習(xí)技術(shù)的發(fā)展為混合學(xué)習(xí)帶來了許多創(chuàng)新進(jìn)展，大體上有三點(diǎn)：一是線上線下同步學(xué)習(xí)追蹤。穆塔希（Mutahi， et al.， 2017）等通過認(rèn)知學(xué)習(xí)伴侶（Cognitive Learning Companion， CLC）跟蹤學(xué)生在課堂上的參與度和表現(xiàn)，將學(xué)習(xí)者線下學(xué)習(xí)的參與度和線上學(xué)習(xí)的數(shù)據(jù)結(jié)合起來推斷學(xué)習(xí)者的認(rèn)知與情感狀態(tài)。二是構(gòu)建學(xué)習(xí)者行為模型，通過統(tǒng)計(jì)和預(yù)測(cè)學(xué)習(xí)者行為變化構(gòu)建模型，以提高學(xué)習(xí)績(jī)效。帕克等（Park， et al.， 2017）利用統(tǒng)計(jì)技術(shù)檢測(cè)學(xué)生在線點(diǎn)擊流數(shù)據(jù)以研究學(xué)習(xí)者在傳統(tǒng)課堂與線上課程中的行為變化，并對(duì)學(xué)習(xí)者的表現(xiàn)進(jìn)行及時(shí)反饋。三是學(xué)習(xí)者學(xué)習(xí)行為評(píng)估研究。在混合學(xué)習(xí)模式中，學(xué)習(xí)者可以根據(jù)自己的需要和興趣自主選擇、自主規(guī)劃、自我調(diào)節(jié)、自我改進(jìn)學(xué)習(xí)過程?？屏值龋–orrin， et al.， 2017）發(fā)現(xiàn)，可以通過一系列自我評(píng)估任務(wù)來監(jiān)督和評(píng)估學(xué)習(xí)者線下學(xué)習(xí)和線上學(xué)習(xí)的過程，還可以確定學(xué)習(xí)者參與學(xué)習(xí)過程的動(dòng)機(jī)。

（三）教師適應(yīng)性學(xué)習(xí)研究

當(dāng)前，重視教師的個(gè)性化學(xué)習(xí)需求成為教師專業(yè)發(fā)展的趨勢(shì)。自適應(yīng)學(xué)習(xí)技術(shù)在教師的自適應(yīng)學(xué)習(xí)和專業(yè)發(fā)展中的應(yīng)用也日益增多。大體來說，國(guó)外已有研究主要關(guān)注教師自主學(xué)習(xí)、專業(yè)培訓(xùn)、支架式教學(xué)實(shí)踐、適用性專長(zhǎng)形成幾個(gè)方面，基本囊括了自適應(yīng)技術(shù)發(fā)展背景下教師學(xué)習(xí)的全過程。

在教師自主學(xué)習(xí)方面，自適應(yīng)學(xué)習(xí)技術(shù)能夠?yàn)榻處熗扑]個(gè)性化課程以滿足教師學(xué)習(xí)的需要。例如，達(dá)爾頓等（Dalton， et al.， 2016）在通用設(shè)計(jì)學(xué)習(xí)和在線教師培訓(xùn)的基礎(chǔ)上設(shè)計(jì)小型在線開放課程滿足不同教師的學(xué)習(xí)需求。在教師專業(yè)化培訓(xùn)方面，相關(guān)的實(shí)踐主要集中在運(yùn)用推薦系統(tǒng)和學(xué)習(xí)分析等自適應(yīng)技術(shù)對(duì)教師專業(yè)發(fā)展進(jìn)行培訓(xùn)，開發(fā)了適應(yīng)性MOOCs的框架，該框架運(yùn)用混合式學(xué)習(xí)做MOOCs的補(bǔ)充，通過分析教師的學(xué)習(xí)需求與偏好，旨在為教師專業(yè)發(fā)展設(shè)計(jì)專門的培訓(xùn)課程（Gynther， 2016）。支架式教學(xué)是教師在具備一定的信息技術(shù)素養(yǎng)的基礎(chǔ)上所進(jìn)行的教學(xué)實(shí)踐，主要是指教師引導(dǎo)學(xué)生進(jìn)行同伴學(xué)習(xí)或者探索性學(xué)習(xí)。穆霍寧等（Muhonen， et al.， 2016）認(rèn)為在現(xiàn)有研究中支架式教學(xué)常用作為學(xué)習(xí)者提供支持的同義詞，如教師通過引導(dǎo)學(xué)習(xí)者詳細(xì)闡述已掌握的知識(shí)，利用探索性問題，依托信息技術(shù)手段指導(dǎo)學(xué)生的語言學(xué)習(xí)，構(gòu)思觀點(diǎn)和概念。

在自適應(yīng)學(xué)習(xí)技術(shù)蓬勃發(fā)展的背景下，教師的適應(yīng)性專長(zhǎng)（adaptive expertise）備受關(guān)注，使教師成為適應(yīng)性專家（adaptive expert）逐漸成為教師專業(yè)發(fā)展的目標(biāo)之一。這種專長(zhǎng)與常規(guī)性專長(zhǎng)不同，能使得個(gè)人在不斷變化的工作環(huán)境中具有高水平的表現(xiàn)。安東尼和亨特（Anthony & Hunter， 2015）認(rèn)為，教師的適應(yīng)性專業(yè)知識(shí)應(yīng)以靈活、創(chuàng)新和創(chuàng)造性能力為特征，可以被視為一種心理社會(huì)結(jié)構(gòu)，包括關(guān)注、控制、好奇心和信心維度，根據(jù)自身的教學(xué)需要和學(xué)生的適應(yīng)性需要不斷調(diào)整、充實(shí)?？梢?，適應(yīng)性教師的本質(zhì)為對(duì)每一個(gè)學(xué)生的參與、學(xué)習(xí)及幸福有高度的道德責(zé)任感，將建立專業(yè)知識(shí)為目的進(jìn)行持續(xù)的探索作為專業(yè)精神的核心。雖然國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)在教師學(xué)習(xí)和專業(yè)發(fā)展中的研究已經(jīng)有了初步的進(jìn)展，但相關(guān)理論和實(shí)踐還有待持續(xù)的深入。

（四）基于自適應(yīng)學(xué)習(xí)技術(shù)的理科教學(xué)實(shí)踐創(chuàng)新

雖然國(guó)外對(duì)于自適應(yīng)學(xué)習(xí)技術(shù)的研究如火如荼，但真正引入教學(xué)實(shí)踐的系統(tǒng)案例還相對(duì)較少。梳理已有研究文獻(xiàn)可以發(fā)現(xiàn)，自適應(yīng)學(xué)習(xí)技術(shù)在以問題為導(dǎo)向的理科教育中應(yīng)用相對(duì)廣泛，為學(xué)習(xí)者提供了知識(shí)理解、構(gòu)建與連接等方面的適應(yīng)性支持?；诮逃龜?shù)據(jù)挖掘的評(píng)估與反饋、基于協(xié)作腳本技術(shù)的合作學(xué)習(xí)行為以及基于游戲程序開發(fā)的能力提升是已有研究關(guān)注的主要方面。

其中，教育數(shù)據(jù)挖掘（Educational Data Mining， EDM）關(guān)注探索與發(fā)展教育的方法，旨在獲取教育背景下關(guān)于學(xué)習(xí)者的獨(dú)特?cái)?shù)據(jù)并進(jìn)行分析。教育挖掘技術(shù)重在建立適應(yīng)性用戶模型，包括知識(shí)、動(dòng)機(jī)、元認(rèn)識(shí)與態(tài)度等方面，為學(xué)習(xí)者提供實(shí)時(shí)的自適應(yīng)反饋。當(dāng)前教育數(shù)據(jù)挖掘的研究比較關(guān)注使用電子學(xué)習(xí)軟件，如Moodle、WebCT、Blackboard等，對(duì)于未來的研究將進(jìn)一步擴(kuò)展到社交網(wǎng)絡(luò)工具，如Blog and Facebook等日志數(shù)據(jù)。協(xié)作腳本（collaboration script），即將協(xié)作活動(dòng)腳本化，通過類似指令的方式以規(guī)范學(xué)習(xí)者的行為，從而實(shí)現(xiàn)協(xié)作活動(dòng)的一種技術(shù)。在教育領(lǐng)域中，協(xié)作腳本是團(tuán)隊(duì)合作、協(xié)作學(xué)習(xí)的重要支架，大致可分為認(rèn)知腳本和社會(huì)腳本、微腳本和宏腳本、內(nèi)部腳本和外部腳本三類。國(guó)外關(guān)于協(xié)作腳本在自適應(yīng)學(xué)習(xí)環(huán)境中應(yīng)用的案例非常豐富。早在1988年丹塞洛設(shè)計(jì)了腳本化的合作，該腳本通過復(fù)述者和聽眾兩個(gè)角色進(jìn)行總結(jié)、反饋與角色互換等活動(dòng)。勞等（Rau， Bowman， & Moore， 2017）在化學(xué)課上進(jìn)行了理解多個(gè)視覺之間聯(lián)系的準(zhǔn)實(shí)驗(yàn)研究，結(jié)果證明適應(yīng)性協(xié)作腳本增強(qiáng)了學(xué)生從視覺表示中學(xué)習(xí)知識(shí)，學(xué)生對(duì)復(fù)雜概念的理解程度明顯上升。值得注意的是，協(xié)作強(qiáng)度要求越高的腳本可能會(huì)影響學(xué)習(xí)者的動(dòng)機(jī)，關(guān)于如何降低協(xié)作者一同學(xué)習(xí)效果的差異性、減少無效協(xié)作與錯(cuò)誤協(xié)作的次數(shù)的研究也將進(jìn)一步推進(jìn)。

游戲可以使學(xué)習(xí)者在適應(yīng)性的學(xué)習(xí)環(huán)境中通過扮演一種特定的角色來實(shí)現(xiàn)他們的目標(biāo)，與此同時(shí)，娛樂和模擬的體驗(yàn)可以幫助他們獲取領(lǐng)域知識(shí)。文等（Ven， Segers， Takashima， & Verhoeven， 2017）設(shè)計(jì)的一種平板電腦游戲可以使兒童挑戰(zhàn)速度并享受準(zhǔn)確性帶來的愉悅，同時(shí)提高了學(xué)生加減法的運(yùn)算能力。在物理學(xué)科學(xué)習(xí)中，鼓勵(lì)學(xué)生使用智能手機(jī)和建模工具，通過數(shù)學(xué)和物理模型以及可視化數(shù)據(jù)可以實(shí)現(xiàn)科學(xué)建模（Liu， et al.， 2016）。克朗普頓等（Crompton， Burke， & Gregory， 2017）在數(shù)學(xué)學(xué)習(xí)中將抽象的概念通過視覺層次上的概念表征化和具體化來構(gòu)建數(shù)學(xué)學(xué)習(xí)的知識(shí)。電腦、手機(jī)等程序設(shè)計(jì)，可以幫助學(xué)習(xí)者實(shí)現(xiàn)多感官的人機(jī)觸摸互動(dòng)，為學(xué)習(xí)者提供交互操作支持，以達(dá)到更好學(xué)習(xí)的效果。

四、國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)研究的熱點(diǎn)、

薄弱地帶及趨勢(shì)分析

為了以可視化的方式明晰國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)相關(guān)研究的熱點(diǎn)及薄弱地帶，將表2所示的關(guān)鍵詞共詞矩陣導(dǎo)入社會(huì)網(wǎng)絡(luò)分析軟件UCINET6中，繪制出國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)研究的社會(huì)網(wǎng)絡(luò)圖譜（如圖5所示）。

（一）國(guó)外自適應(yīng)學(xué)習(xí)研究的熱點(diǎn)及薄弱地帶

在關(guān)鍵詞社會(huì)網(wǎng)絡(luò)圖譜中，每個(gè)節(jié)點(diǎn)代表一個(gè)關(guān)鍵詞，連接節(jié)點(diǎn)的直線表示關(guān)鍵詞之間的共現(xiàn)關(guān)系。圖5所示的網(wǎng)絡(luò)圖譜整體密度較高，說明已有研究比較豐富，但“教師教育、適應(yīng)性專長(zhǎng)、教師學(xué)習(xí)、專業(yè)發(fā)展”這四個(gè)關(guān)鍵詞與其他關(guān)鍵詞之間距離較遠(yuǎn)，網(wǎng)絡(luò)密度很低且脫離了研究中心，說明在這方面的研究還亟待發(fā)展，需要與其他研究重心相結(jié)合。另外，通過圖3可以看出，國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)研究的中心地帶（多個(gè)箭頭共同指向的節(jié)點(diǎn)）主要有個(gè)性化學(xué)習(xí)、適應(yīng)性學(xué)習(xí)、智能教學(xué)系統(tǒng)、在線學(xué)習(xí)、移動(dòng)學(xué)習(xí)、學(xué)習(xí)分析、學(xué)習(xí)環(huán)境等，說明這些領(lǐng)域的研究?jī)?nèi)容豐富，構(gòu)成了當(dāng)前國(guó)外自適應(yīng)學(xué)習(xí)的研究熱點(diǎn)與核心領(lǐng)域，而處于網(wǎng)絡(luò)圖譜邊緣的理科學(xué)習(xí)、混合學(xué)習(xí)、高等教育、泛在學(xué)習(xí)、學(xué)習(xí)績(jī)效、適應(yīng)性評(píng)價(jià)、改進(jìn)課堂教育以及教師學(xué)習(xí)等關(guān)鍵詞所代表的研究領(lǐng)域發(fā)展還不夠成熟，目前的研究較為薄弱。

（二）國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)的未來研究趨勢(shì)

一個(gè)領(lǐng)域的研究發(fā)展趨勢(shì)可以用度數(shù)的中心性來衡量，一般情況下，在共詞網(wǎng)絡(luò)中點(diǎn)中心度與接近中心度相對(duì)較低且中間中心度相對(duì)較高的關(guān)鍵詞能較好地代表該研究領(lǐng)域的未來發(fā)展趨勢(shì)?；谝陨显恚瑢?duì)國(guó)外自適應(yīng)學(xué)習(xí)高頻關(guān)鍵詞進(jìn)行中心度統(tǒng)計(jì)分析，統(tǒng)計(jì)結(jié)果如表5所示。

由表5可以看出，教師學(xué)習(xí)、適應(yīng)性專長(zhǎng)、在線學(xué)習(xí)、支架式教學(xué)、教與學(xué)策略等關(guān)鍵詞的點(diǎn)中心度和接近中心度較低，而中間中心度較高，可以從一定程度上反映未來的研究趨勢(shì)。結(jié)合前文中對(duì)于國(guó)外自適應(yīng)學(xué)習(xí)技術(shù)已有研究?jī)?nèi)容的梳理和社會(huì)網(wǎng)絡(luò)圖譜分析，本文認(rèn)為未來自適應(yīng)學(xué)習(xí)技術(shù)的研究應(yīng)以“技術(shù)整合人員、課堂教學(xué)實(shí)踐與教育實(shí)體”為著力點(diǎn)，實(shí)現(xiàn)圍繞自適應(yīng)學(xué)習(xí)技術(shù)的人、財(cái)、物聚合，使人工智能技術(shù)的發(fā)展真正融入未來教育實(shí)踐。

1. 技術(shù)與人員整合：促進(jìn)教師成為“適應(yīng)性專家”

弗拉納根和杰克布森（Flanagan & Jacobsen， 2003）曾提到信息技術(shù)整合是促進(jìn)信息化時(shí)代教育根本性變革的關(guān)鍵，它是指在學(xué)校教學(xué)實(shí)踐中學(xué)校人員（包括校長(zhǎng)、教師和學(xué)生）將信息技術(shù)手段與學(xué)習(xí)活動(dòng)以無縫、透明的方式整合在一起。其中，影響學(xué)校內(nèi)部信息技術(shù)整合的一個(gè)大的障礙即教師持續(xù)性的專業(yè)發(fā)展。目前，即使信息化的潮流已經(jīng)改變了教育教學(xué)生態(tài)，但學(xué)校為教師提供的培訓(xùn)項(xiàng)目大多數(shù)還限于計(jì)算機(jī)的操作與應(yīng)用技能，未將信息技術(shù)素養(yǎng)納入教師專業(yè)發(fā)展的內(nèi)核中。正如前文社會(huì)網(wǎng)絡(luò)圖譜所呈現(xiàn)的已有研究網(wǎng)絡(luò)圖，教師學(xué)習(xí)、教師專業(yè)發(fā)展、適應(yīng)性專長(zhǎng)等關(guān)鍵詞與自適應(yīng)學(xué)習(xí)的主要研究領(lǐng)域呈分離狀態(tài)，而在關(guān)于中心度的分析中，有關(guān)教師學(xué)習(xí)的部分在未來有很大的研究空間，將成為未來自適應(yīng)學(xué)習(xí)領(lǐng)域中的一大研究趨勢(shì)。相關(guān)研究應(yīng)從技術(shù)導(dǎo)向的方法論討論逐漸轉(zhuǎn)向人員導(dǎo)向的素養(yǎng)提升討論，為教師提供即時(shí)性和靈活性的專業(yè)發(fā)展機(jī)會(huì)，促進(jìn)自適應(yīng)學(xué)習(xí)技術(shù)與教師專業(yè)發(fā)展的整合和創(chuàng)新。在全面采集、分析學(xué)生學(xué)習(xí)過程數(shù)據(jù)的基礎(chǔ)上，打通教師發(fā)展“適應(yīng)性專長(zhǎng)”的通道，使教師既可以通過教育數(shù)據(jù)采集和挖掘技術(shù)實(shí)現(xiàn)群體班級(jí)的規(guī)模化支持，也可以通過對(duì)個(gè)體情況的分析把握，實(shí)現(xiàn)適應(yīng)每個(gè)個(gè)體發(fā)展的個(gè)性化教學(xué)，逐漸成為“適應(yīng)性專家”（余勝泉， 2018）。

2. 技術(shù)與課堂整合：從學(xué)習(xí)分析走向?qū)W習(xí)調(diào)節(jié)

人工智能在教育中的應(yīng)用從學(xué)習(xí)分析走向自適應(yīng)學(xué)習(xí)，最根本性的變革即從監(jiān)控學(xué)習(xí)走向了干預(yù)學(xué)習(xí)，從學(xué)習(xí)分析走向了學(xué)習(xí)調(diào)節(jié)。目前，教育數(shù)據(jù)挖掘、學(xué)習(xí)風(fēng)格偏好分類相關(guān)的研究已十分豐富，教師和管理者開始將關(guān)注點(diǎn)從硬件、線路和技術(shù)以及數(shù)據(jù)資料獲取轉(zhuǎn)向更基本的問題，諸如技術(shù)在教育中所扮演的角色、課堂教學(xué)設(shè)計(jì)、反饋及評(píng)價(jià)等。當(dāng)前，有關(guān)自適應(yīng)學(xué)習(xí)技術(shù)在教學(xué)實(shí)踐中的應(yīng)用大多集中在理科教育領(lǐng)域，應(yīng)用對(duì)象也只有小部分學(xué)生群體。未來，更多的研究將關(guān)注如何實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)技術(shù)與各個(gè)學(xué)科的課堂教學(xué)實(shí)踐更深入地遷移與融合，運(yùn)用支架式教學(xué)手段，促進(jìn)課堂上的教師—技術(shù)—同伴—個(gè)人交互式學(xué)習(xí)，依據(jù)每個(gè)學(xué)生的需求、能力及特征為其量身打造個(gè)性化的學(xué)習(xí)路徑，并依據(jù)學(xué)生的實(shí)時(shí)學(xué)習(xí)情況及時(shí)接受反饋并提供個(gè)性化干預(yù)、調(diào)節(jié)與評(píng)價(jià)手段，按照學(xué)生學(xué)習(xí)特征模型建構(gòu)、個(gè)性化學(xué)習(xí)資源推送、個(gè)性化學(xué)習(xí)路徑推薦（周海波， 2018）三個(gè)完整的階段促進(jìn)自適應(yīng)學(xué)習(xí)技術(shù)在實(shí)際課堂教學(xué)中的應(yīng)用。

3. 技術(shù)與高等教育整合：構(gòu)建自適應(yīng)學(xué)習(xí)技術(shù)的研發(fā)智庫(kù)

從本質(zhì)上看，自適應(yīng)學(xué)習(xí)技術(shù)目前還只是人工智能融入教育領(lǐng)域的一個(gè)技術(shù)手段，而實(shí)際上單一的技術(shù)手段所帶來的教育創(chuàng)新無法從根本上改變教育的全貌，未來自適應(yīng)學(xué)習(xí)技術(shù)應(yīng)更多地發(fā)揮高等教育的智力支持作用，形成一個(gè)更加完整的扎根于教育學(xué)科土壤中的教育技術(shù)體系。在上文關(guān)于中心度的分析中，“高等教育”這一關(guān)鍵詞代表著自適應(yīng)學(xué)習(xí)未來研究的一大重要趨勢(shì)。自2015年《地平線報(bào)告（高教版）》發(fā)布至今，自適應(yīng)學(xué)習(xí)技術(shù)連續(xù)三年出現(xiàn)在高等教育主題中，高等教育機(jī)構(gòu)正在成為支持自適應(yīng)學(xué)習(xí)技術(shù)研發(fā)與實(shí)踐的主陣地。各國(guó)的高等教育實(shí)踐也紛紛響應(yīng)了這一訴求，如美國(guó)科羅拉多州理工大學(xué)將自適應(yīng)學(xué)習(xí)列為學(xué)校長(zhǎng)期學(xué)術(shù)規(guī)劃方案中的核心內(nèi)容，學(xué)校約82%的教師使用了自適應(yīng)學(xué)習(xí)平臺(tái);澳大利亞開放大學(xué)開展的Personalized Adaptive Study（PASS）項(xiàng)目通過追蹤學(xué)生的課程學(xué)習(xí)狀態(tài)，為學(xué)生提供實(shí)時(shí)的分析與反饋;我國(guó)的實(shí)踐，如北京師范大學(xué)和拉里奧哈國(guó)際大學(xué)聯(lián)合開展項(xiàng)目PERFORM，開發(fā)自適應(yīng)學(xué)習(xí)軟件，并根據(jù)學(xué)習(xí)者數(shù)據(jù)提供個(gè)性化建議（孫掌印， 2017）。作為技術(shù)革新和教育發(fā)展的智庫(kù)，高等教育未來將引領(lǐng)教育人工智能的發(fā)展，為基礎(chǔ)教育領(lǐng)域的教育生態(tài)改革提供強(qiáng)大的智力支持。

五、國(guó)內(nèi)外自適應(yīng)學(xué)習(xí)技術(shù)

研究的比較分析

進(jìn)入新時(shí)代，我國(guó)開啟了加快教育現(xiàn)代化、建設(shè)教育強(qiáng)國(guó)的新征程?！督逃畔⒒臧l(fā)展規(guī)劃（2011—2020年）》《教育信息化“十三五”規(guī)劃》《教育信息化2.0行動(dòng)計(jì)劃》等重要文件都強(qiáng)調(diào)了信息技術(shù)對(duì)教育的革命性影響。梳理國(guó)內(nèi)已有研究發(fā)現(xiàn)，國(guó)內(nèi)關(guān)于自適應(yīng)學(xué)習(xí)技術(shù)的研究起步較晚，從2010年之后開始逐漸升溫，但總體數(shù)量不多，研究主要關(guān)注以下幾個(gè)方面：

第一，自適應(yīng)學(xué)習(xí)用戶數(shù)據(jù)分析和模型構(gòu)建研究。與國(guó)外學(xué)者的觀點(diǎn)相似，我國(guó)學(xué)者認(rèn)為自適應(yīng)學(xué)習(xí)技術(shù)是滿足學(xué)習(xí)者個(gè)性化學(xué)習(xí)需求的軟件技術(shù)和平臺(tái)，以學(xué)習(xí)者模型構(gòu)建為關(guān)鍵手段，采用Web和文本挖掘等技術(shù)為個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)提供有效途徑（董曉輝， 等， 2017）。代表性的研究，如姜強(qiáng)等（2010）提出的SAELS系統(tǒng)和GALSRM模型，旨在以用戶模型為依據(jù)的個(gè)性化本體學(xué)習(xí)資源推薦和對(duì)自適應(yīng)學(xué)習(xí)系統(tǒng)體系結(jié)構(gòu)進(jìn)行的優(yōu)化（姜強(qiáng)， 等， 2013）;劉宇等（2006）提出的以學(xué)習(xí)者個(gè)性特征和認(rèn)知能力參數(shù)建立動(dòng)態(tài)學(xué)生模型庫(kù)的方法。相比國(guó)外重在以學(xué)習(xí)分析為基礎(chǔ)開展學(xué)習(xí)調(diào)節(jié)、智能導(dǎo)師、學(xué)習(xí)干預(yù)的研究，我國(guó)的研究還處于從知識(shí)和理論的角度關(guān)注學(xué)習(xí)者特征模型的構(gòu)建階段，未來應(yīng)更多地思考如何從“分析”走向“調(diào)節(jié)”，真正使自適應(yīng)學(xué)習(xí)技術(shù)應(yīng)用于學(xué)生個(gè)性化學(xué)習(xí)的全過程。

第二，自適應(yīng)學(xué)習(xí)系統(tǒng)與泛在學(xué)習(xí)、移動(dòng)學(xué)習(xí)、學(xué)科學(xué)習(xí)等領(lǐng)域相結(jié)合的案例研究。代表性的研究，如曹雙雙等（2012）從媒體空間、域模型、教學(xué)模型、學(xué)習(xí)者模型、自適應(yīng)模型、環(huán)境感知模型和用戶界面等方面出發(fā)，結(jié)合泛在學(xué)習(xí)的形式提出的自適應(yīng)學(xué)習(xí)模型。與國(guó)外側(cè)重以情境感知技術(shù)支持泛在學(xué)習(xí)不同，我國(guó)的研究多關(guān)注學(xué)習(xí)者的自主性及與機(jī)器的互助性，對(duì)學(xué)習(xí)者的學(xué)習(xí)積極性要求較高，缺乏人機(jī)交互和交互式智能學(xué)習(xí)環(huán)境創(chuàng)設(shè)等方面的研究。

第三，自適應(yīng)學(xué)習(xí)技術(shù)相關(guān)算法開發(fā)研究。該類研究多從計(jì)算機(jī)學(xué)科的視角出發(fā)，關(guān)注自適應(yīng)學(xué)習(xí)的計(jì)算機(jī)科學(xué)基礎(chǔ)，如群體搜索技術(shù)、圖像識(shí)別、集成優(yōu)化算法及矩陣特征值等，未能將相應(yīng)研究與在教育中的應(yīng)用結(jié)合起來，應(yīng)更多地關(guān)注技術(shù)革新過程中“人”這一要素能動(dòng)性的發(fā)揮，促進(jìn)技術(shù)整合。

第四，基于自適應(yīng)學(xué)習(xí)技術(shù)的產(chǎn)品開發(fā)研究。與國(guó)外的Knewton平臺(tái)和Smart Sparrow類似，國(guó)內(nèi)也研發(fā)出了一系列基于自適應(yīng)學(xué)習(xí)技術(shù)的線上產(chǎn)品，如猿題庫(kù)、一起作業(yè)網(wǎng)等，旨在根據(jù)學(xué)生的學(xué)習(xí)數(shù)據(jù)搭建自適應(yīng)學(xué)習(xí)服務(wù)平臺(tái)，但目前大多是引入國(guó)外成熟的個(gè)性化數(shù)據(jù)分析技術(shù)，還未開發(fā)出針對(duì)K-12教育、高等教育、職業(yè)教育等細(xì)分市場(chǎng)的系統(tǒng)性產(chǎn)品，用戶模型、領(lǐng)域模型以及系統(tǒng)分析手段細(xì)分程度不夠，未能一體化地貫通和滲透“技術(shù)+教育”的全過程。

總體來說，與國(guó)外相比，我國(guó)自適應(yīng)學(xué)習(xí)技術(shù)研究數(shù)量較少但呈逐年上升趨勢(shì)，研究主題欠豐富，對(duì)不同自適應(yīng)學(xué)習(xí)系統(tǒng)的功能及框架的描述性文獻(xiàn)偏多，相同主題的重復(fù)研究較多，表現(xiàn)為重“分析”輕“干預(yù)”，重“學(xué)習(xí)者”輕“交互性”，重“程序和算法”輕“人的素養(yǎng)”。未來應(yīng)在更多地考慮跨學(xué)科整合研究的基礎(chǔ)上關(guān)注“后自適應(yīng)學(xué)習(xí)階段”，即學(xué)習(xí)的干預(yù)和調(diào)節(jié)、自適應(yīng)學(xué)習(xí)技術(shù)的環(huán)境創(chuàng)設(shè)、教師適應(yīng)性教學(xué)素養(yǎng)以及自適應(yīng)學(xué)習(xí)產(chǎn)品開發(fā)的相關(guān)研究，使自適應(yīng)學(xué)習(xí)技術(shù)更加全方位地服務(wù)于學(xué)生的個(gè)性化學(xué)習(xí)。

六、啟示與展望

教育如何促進(jìn)每一個(gè)學(xué)生充分發(fā)展到最好的狀態(tài)，是值得追尋的根本性問題。自適應(yīng)學(xué)習(xí)技術(shù)的發(fā)展為解決這一問題提供了可操作性的框架。然而，技術(shù)的應(yīng)用并不能解決所有的教育問題。在當(dāng)前自適應(yīng)學(xué)習(xí)技術(shù)應(yīng)用中也會(huì)遇到各種各樣的障礙。比如頻繁性的形成性評(píng)估和個(gè)性化教學(xué)調(diào)節(jié)所需的時(shí)間、人力等資源短缺問題;對(duì)教師帶來的額外工作壓力和挑戰(zhàn)問題，如何管理同一個(gè)年級(jí)但卻有著不同年齡發(fā)展階段的學(xué)習(xí)需求的學(xué)生;對(duì)不同的學(xué)生分配不同的學(xué)習(xí)任務(wù)、給定不同的學(xué)習(xí)評(píng)價(jià)而產(chǎn)生的學(xué)生內(nèi)心公平感問題。因此，我國(guó)在進(jìn)行自適應(yīng)學(xué)習(xí)技術(shù)及其他教育人工智能方面的研究和實(shí)踐時(shí)，還應(yīng)充分考慮技術(shù)引入教育可能產(chǎn)生的困境的突破口。首先，需要教育管理者在引入技術(shù)手段時(shí)充分考慮師生的情緒、心理及隱私保護(hù)，除了關(guān)注自適應(yīng)技術(shù)對(duì)學(xué)生學(xué)習(xí)風(fēng)格與績(jī)效的分析外，也加入對(duì)學(xué)生情緒、心理、習(xí)慣的測(cè)量，充分關(guān)注學(xué)生的個(gè)性、情感、認(rèn)知因素，最大限度地促進(jìn)教育公平從人人平等向個(gè)性成長(zhǎng)轉(zhuǎn)型。其次，教育人工智能的發(fā)展需要國(guó)家和政府的大力支持，從政策與經(jīng)費(fèi)上改善技術(shù)實(shí)際應(yīng)用中的資源不足現(xiàn)狀，關(guān)鍵在于改善教師待遇，為教師創(chuàng)造良好的專業(yè)發(fā)展條件，幫助教師在信息化時(shí)代順利實(shí)現(xiàn)自我轉(zhuǎn)型，從傳統(tǒng)的知識(shí)權(quán)威的角色禁錮中解放出來，成為和學(xué)生共同成長(zhǎng)的學(xué)習(xí)者。最后，未來的教育應(yīng)逐漸形成“去學(xué)?；彼季S，盡量避免因技術(shù)的引入帶來的更加整齊劃一、指令—回復(fù)式的教育活動(dòng)，打破制度性的分割，倡導(dǎo)共享共贏。無論教育與技術(shù)的融合發(fā)展到哪個(gè)階段，都應(yīng)該明確未來教育不是冷冰冰的機(jī)器教育，而是更復(fù)雜、更具互動(dòng)性和情感性的“人”的教育活動(dòng)，所有的教育活動(dòng)都是為了人本身，而不是為了學(xué)校的評(píng)估、績(jī)效以及統(tǒng)一秩序的維護(hù)。同時(shí)，由于我國(guó)教育發(fā)展的規(guī)律及特點(diǎn)與國(guó)外不盡相同，因此在教育人工智能發(fā)展的過程中除了借鑒國(guó)外已有的研究成果、找準(zhǔn)未來的研究方向之外，也應(yīng)立足于我國(guó)教育發(fā)展的現(xiàn)實(shí)情況，扎根于我國(guó)現(xiàn)實(shí)的教育土壤，形成適用于我國(guó)教育情境的特色理論與實(shí)踐成果。

[參考文獻(xiàn)]

曹雙雙，王移芝. 2012. 泛在學(xué)習(xí)中自適應(yīng)學(xué)習(xí)系統(tǒng)模型研究[J]. 現(xiàn)代教育技術(shù)，22（7）：101-104.

董曉輝，楊曉宏，張學(xué)軍. 2017. 自適應(yīng)學(xué)習(xí)技術(shù)研究現(xiàn)狀與展望[J]. 電化教育研究，38（2）：91-97.

韓建華，姜強(qiáng)，趙蔚，劉東亮，Gautam Biswas. 2016. 智能導(dǎo)學(xué)環(huán)境下個(gè)性化學(xué)習(xí)模型及應(yīng)用效能評(píng)價(jià)[J]. 電化教育研究，37（7）：66-73.

姜強(qiáng)，趙蔚，杜欣，梁明. 2010. 基于用戶模型的個(gè)性化本體學(xué)習(xí)資源推薦研究[J]. 中國(guó)電化教育（5）：106-111.

姜強(qiáng)，趙蔚，王朋嬌. 2013. 基于GALSRM模型的自適應(yīng)學(xué)習(xí)系統(tǒng)體系結(jié)構(gòu)研究[J]. 現(xiàn)代遠(yuǎn)距離教育（1）：71-77.

劉宇，解月光. 2006. 動(dòng)態(tài)學(xué)生模型與智能支持服務(wù)研究[J]. 中國(guó)電化教育（10）：94-98.

佩特·約翰內(nèi)斯，拉里·拉格斯多姆，張永勝. 2018. 自適應(yīng)學(xué)習(xí)：溯源、前景與誤區(qū)[J]. 中國(guó)遠(yuǎn)程教育（7）：43-53.

孫掌印. 2017. 新興技術(shù)在高等教育領(lǐng)域中的應(yīng)用趨勢(shì)研究——基于《新媒體聯(lián)盟地平線報(bào)告》的解讀與啟示[J]. 高等教育研究學(xué)報(bào)，40（4）：30-36

特里·安德森，王志軍，張永勝. 2017. 教育技術(shù)三大支柱：學(xué)習(xí)管理系統(tǒng)、社交媒體和個(gè)人學(xué)習(xí)環(huán)境[J]. 中國(guó)遠(yuǎn)程教育（11）：5-15.

吳永和，李若晨，王浩楠. 2017. 學(xué)習(xí)分析研究的現(xiàn)狀與未來發(fā)展——2017年學(xué)習(xí)分析與知識(shí)國(guó)際會(huì)議評(píng)析[J]. 開放教育研究，23（5）：42-56.

徐健暉. 2018. 《新媒體聯(lián)盟地平線報(bào)告：2017年圖書館版》的解讀與啟示[J]. 大學(xué)圖書館學(xué)報(bào)（1）：27-33.

楊兵，盧國(guó)慶，曹樹真，等. 2017. 在線學(xué)習(xí)系統(tǒng)數(shù)據(jù)可視化評(píng)價(jià)標(biāo)準(zhǔn)研究[J]. 中國(guó)遠(yuǎn)程教育（12）：54-61.

余勝泉. 2018. 人工智能教師的未來角色[J]. 開放教育研究，24（1）：16-28.

張斌賢，陳瑤，祝賀，羅小蓮. 2009. 近三十年我國(guó)教育知識(shí)來源的變遷——基于《教育研究》雜志論文引文的研究[J]. 教育研究，30（4）：17-25.

周海波. 2018. 基于自適應(yīng)學(xué)習(xí)平臺(tái)促進(jìn)學(xué)生個(gè)性化學(xué)習(xí)的研究[J/OL]. 電化教育研究（4）：1-6. [2018-04-08]. https：//doi.org/10.13811/j.cnki.eer.2018.04.018

朱珂，劉清堂. 2013. 基于“學(xué)習(xí)分析”技術(shù)的學(xué)習(xí)平臺(tái)開發(fā)與應(yīng)用研究[J]. 中國(guó)電化教育（9）：127-132.

Aher， S. B.， & Lobo， L. M. R. J. （2013）. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 51（1）， 1-14.

Anthony， G.， Hunter， J.， & Hunter， R. （2015）. Prospective teachers development of adaptive expertise. Teaching & Teacher Education， 49，108-117.

Bas， G.， & Beyhan， ?. （2010）. Effects of multiple intelligences supported project-based learning on students achievement levels and attitudes towards english lesson. International Electronic Journal of Elementary Education， 2（3）， 365-386.

Chen， C. H. （2010）. The implementation and evaluation of a mobile self-and peer-assessment system. Computers & Education， 55 （1）， 229-236.

Castellanos-Nieves， D.， Fernández-Breis， J. T.， Valencia-García， R.， Martínez-Béjar， R.， & Iniesta-Moreno， M. （2011）. Semantic web technologies for supporting learning assessment. Information Sciences， 181（9）， 1517-1537.

Chen， N. S.， Wei， C. W.， Huang， Y. C.， & Kinshuk. （2013）. The integration of print and digital content for providing learners with constructive feedback using smartphones. British Journal of Educational Technology， 44（5）， 837-845.

Corrin， L.， De Barba， P. G.， & Bakharia， A. （2017）. Using learning analytics to explore help-seeking learner profiles in MOOCs. International Learning Analytics & Knowledge Conference （pp. 424-428）. ACM.

Crompton， H.， Burke， D.， & Gregory， K. H. （2017）. The use of mobile learning in pk-12 education： a systematic review. Computers & Education， 110， 51-63.

Dalton， E. M.， Perez， L.， & Grant， K. （2016）. SOOC： Addressing Varied Learning Needs through Online Professional Learning and UDL. Journal on Technology and Persons with Disabilities， 4， 11-20.

Elbadrawy， A.， Polyzou， A.， Ren， Z.， Sweeney， M.， Karypis， G.， & Rangwala， H. （2016）. Predicting student performance using personalized analytics. Computer， 49（4）， 61-69.

Flanagan， L.， & Jacobsen， M. （2003）. Technology leadership for the twenty-first century principal. Journal of Educational Administration， 41（2）， 124-142.

Fu， X.， Shimada， A.， Ogata， H.， Taniguchi， Y.， & Suehiro， D. （2017）. Real-time learning analytics for C programming language courses. International Learning Analytics & Knowledge Conference （pp.280-288）. ACM.

Ghauth， K. I.， Abdullah. N. A. （2010）. Learning materials recommendation using good learners ratings and content-based filtering. Educational Technology Research & Development， 58 （6）： 711-727.

Graf， S.， Liu， T. C.， & Kinshuk. （2010）. Analysis of learners navigational behaviour and their learning styles in an online course. Journal of Computer Assisted Learning， 26（2）， 116-131.

Gynther， K. （2016）. Design framework for an adaptive mooc enhanced by blended learning： supplementary training and personalized learning for teacher professional development. Electronic Journal of e-Learning， 14.

Hsu， T. Y.， Chiou， C. K.， Tseng， J. C. R.， & Hwang， G. J. （2016）. Development and evaluation of an active learning support system for context-aware ubiquitous learning. IEEE Transactions on Learning Technologies， 9（1）， 37-45.

Ibá?ez， M. B.， ?ngela Di-Serio， Villarán-Molina， D.， & Delgado-Kloos， C. （2015）. Augmented reality-based simulators as discovery learning tools： an empirical study. IEEE Transactions on Education， 58（3）， 208-213.

Jaques， P. A.， Seffrin， H.， Rubi， G.， Morais， F. D.， Ghilardi， C.， & Bittencourt， I. I.， et al. （2013）. Rule-based expert systems to support step-by-step guidance in algebraic problem solving： the case of the tutor pat2math. Expert Systems with Applications， 40（14）， 5456-5465.

Jeno， L. M.， Grytnes， J. A.， & Vandvik， V. （2017）. The effect of a mobile-application tool on biology students motivation and achievement in species identification： a self-determination theory perspective. Computers & Education， 107， 1-12.

Latham， A.， Crockett， K.， Mclean， D.， & Edmonds， B. （2012）. A conversational intelligent tutoring system to automatically predict learning styles. Computers & Education， 59（1）， 95-109.

Liu， C. M.， & Sun， Y. J. （2014）. The research and application of learning program in adaptive learning system. Applied Mechanics & Materials， 556-562，5263-5266.

Liu， C. Y.， Wu， C. J.， Wong， W. K.， Lien， Y. W.， & Chao， T. K. （2016）. Scientific modeling with mobile devices in high school physics labs. Computers & Education，105， 45-46.

Looi， C. K.， Sun， D.， & Xie， W. （2015）. Exploring students progression in an inquiry science curriculum enabled by mobile learning. IEEE Transactions on Learning Technologies， 8（1）， 43-54.

Mohamad， S. K.， & Tasir， Z. （2013）. Educational data mining： a review. Procedia-Social and Behavioral Sciences， 97， 320-324.

Muhonen， H.， Rasku-Puttonen， H.， Pakarinen， E.， Poikkeus， A. M.， & Lerkkanen， M. K. （2016）. Scaffolding through dialogic teaching in early school classrooms. Teaching & Teacher Education， 55， 143-154.

Mutahi， J.， Kinai， A.， Bore， N.， Diriye， A.， & Weldemariam， K. （2017）. Studying engagement and performance with learning technology in an African classroom. International Learning Analytics & Knowledge Conference （pp.148-152）. ACM.

Park， J.， Denaro， K.， Rodriguez， F.， Smyth， P.， & Warschauer， M. （2017）. Detecting changes in student behavior from clickstream data. International Learning Analytics & Knowledge Conference （pp.21-30）. ACM.

Rau， M. A.， Bowman， H. E.， & Moore， J. W. （2017）. An adaptive collaboration script for learning with multiple visual representations in chemistry. Computers & Education， 109， 38-55.

Tabuenca， B.， Kalz， M.， Ternier， S.， & Specht， M. （2015）. Stop and think： exploring mobile notifications to foster reflective practice on meta-learning. IEEE Transactions on Learning Technologies， 8（1）， 124-135.

Ven， F. V. D.， Segers， E.， Takashima， A.， & Verhoeven， L. （2017）. Effects of a tablet game intervention on simple addition and subtraction fluency in first graders. Computers in Human Behavior， 72（C）， 200-207.

Walkington， C. A. （2013）. Using adaptive learning technologies to personalize instruction to student interests： the impact of relevant contexts on performance and learning outcomes. Journal of Educational Psychology， 105（4）， 932-945.

Yao， C. B. （2017）. Constructing a user-friendly and smart ubiquitous personalized learning environment by using a context-aware mechanism. IEEE Transactions on Learning Technologies， 10（1）， 104-114.

收稿日期：2018-07-23

定稿日期：2018-11-22

作者簡(jiǎn)介：梁茜，博士研究生;皇甫林曉，博士研究生。華東師范大學(xué)教育學(xué)部（200062）。

責(zé)任編輯 韓世梅