人工智能支持下自適應(yīng)學(xué)習(xí)路徑構(gòu)建

孔維梁　韓淑云　張昭理

摘要：“互聯(lián)網(wǎng)+教育”時(shí)代的來(lái)臨使得e-Learning學(xué)習(xí)模式被廣泛接受，如何為e-Learning學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)支持服務(wù)成為學(xué)界關(guān)注的焦點(diǎn)。自適應(yīng)學(xué)習(xí)路徑能夠根據(jù)學(xué)習(xí)者特征，為其推薦個(gè)性化的學(xué)習(xí)資源與學(xué)習(xí)活動(dòng)序列，是實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的重要手段。為提升自適應(yīng)學(xué)習(xí)路徑構(gòu)建的智能化程度，提出了包含學(xué)習(xí)者模型庫(kù)、學(xué)習(xí)過(guò)程數(shù)據(jù)庫(kù)、自適應(yīng)學(xué)習(xí)路徑構(gòu)建引擎等核心功能模塊的人工智能支持下的自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型。在該模型的實(shí)現(xiàn)過(guò)程中，首先，從認(rèn)知風(fēng)格及知識(shí)水平兩個(gè)維度對(duì)學(xué)習(xí)者特征進(jìn)行向量化描述和相似度計(jì)算;而后，提取相似學(xué)習(xí)者群體的歷史學(xué)習(xí)路徑和測(cè)試成績(jī)構(gòu)建學(xué)習(xí)路徑圖譜;最后，采用改進(jìn)的蟻群算法從學(xué)習(xí)路徑圖譜中挖掘出最優(yōu)學(xué)習(xí)路徑推薦給目標(biāo)學(xué)習(xí)者。實(shí)驗(yàn)結(jié)果表明：該方法可以從繁復(fù)的學(xué)習(xí)資源和活動(dòng)中生成簡(jiǎn)潔、精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑，既能有效解決學(xué)習(xí)者的學(xué)習(xí)迷航與認(rèn)知過(guò)載問(wèn)題，還能促進(jìn)學(xué)習(xí)資源的高效利用;通過(guò)該方法構(gòu)建的自適應(yīng)學(xué)習(xí)路徑可有效提升學(xué)習(xí)者的學(xué)習(xí)效率、學(xué)習(xí)成績(jī)和學(xué)習(xí)滿意度，有利于學(xué)習(xí)者對(duì)知識(shí)的主動(dòng)建構(gòu)、內(nèi)化及遷移。

關(guān)鍵詞：人工智能;自適應(yīng)學(xué)習(xí)路徑;個(gè)性化學(xué)習(xí);學(xué)習(xí)風(fēng)格;知識(shí)水平;改進(jìn)蟻群算法

中圖分類號(hào)：G434? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1009-5195（2020）03-0094-10? doi10.3969/j.issn.1009-5195.2020.03.011

*基金項(xiàng)目：教育部人文社會(huì)科學(xué)研究項(xiàng)目“網(wǎng)絡(luò)學(xué)習(xí)共同體意見(jiàn)領(lǐng)袖的形成機(jī)制及優(yōu)化策略研究”（19YJC880049）;河南師范大學(xué)博士啟動(dòng)課題 “面向?qū)W科領(lǐng)域的自適應(yīng)學(xué)習(xí)模型構(gòu)建及應(yīng)用研究”（qd14191）。

作者簡(jiǎn)介：孔維梁，博士，講師，河南師范大學(xué)教育信息技術(shù)學(xué)院（河南新鄉(xiāng) 453001）;韓淑云，博士研究生，華中師范大學(xué)國(guó)家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心（湖北武漢 430079）;張昭理，博士，教授，博士生導(dǎo)師，華中師范大學(xué)國(guó)家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心（湖北武漢 430079）。

一、引言

隨著“互聯(lián)網(wǎng)+教育”時(shí)代的到臨，教育模式發(fā)生了深度變革，e-Learning打破了傳統(tǒng)班級(jí)授課的單一模式，成為人們廣泛接受的學(xué)習(xí)模式（趙學(xué)孔等，2016）。然而，目前e-Learning的主要形式是教師通過(guò)網(wǎng)絡(luò)將精心設(shè)計(jì)的教學(xué)活動(dòng)和教學(xué)資源呈現(xiàn)給學(xué)習(xí)者，以促使學(xué)習(xí)者進(jìn)行知識(shí)的獲取與建構(gòu)。這種形式雖然有效發(fā)揮了e-Learning的去時(shí)空特性和靈活性，但為所有學(xué)習(xí)者提供相同學(xué)習(xí)路徑的方式卻忽視了學(xué)習(xí)者在知識(shí)水平、認(rèn)知風(fēng)格等方面的個(gè)體差異，學(xué)習(xí)資源和學(xué)習(xí)活動(dòng)不能滿足學(xué)習(xí)者的個(gè)性化需求，這導(dǎo)致其學(xué)習(xí)效果并不理想（Tarus et al.，2017;Yera et al.，2017）。因此，構(gòu)建符合學(xué)習(xí)者個(gè)性化需求的自適應(yīng)學(xué)習(xí)路徑成為當(dāng)前迫切而重要的研究主題，愈加受到眾多學(xué)者的高度關(guān)注（Chen，2008;Romero et al.，2017）。新媒體聯(lián)盟（New Media Consortium，NMC）在《地平線報(bào)告》（2016高等教育版）中也指出，自適應(yīng)學(xué)習(xí)路徑的實(shí)現(xiàn)會(huì)直接影響e-Learning未來(lái)的發(fā)展態(tài)勢(shì)（L·約翰遜等，2016），其后續(xù)多個(gè)年份的系列報(bào)告也將自適應(yīng)學(xué)習(xí)看作對(duì)高等教育具有重大影響的新興技術(shù)。

目前，關(guān)于自適應(yīng)學(xué)習(xí)路徑的認(rèn)識(shí)并不統(tǒng)一，學(xué)者們從不同角度對(duì)其定義及內(nèi)涵進(jìn)行了探究。李浩君等（2016）針對(duì)移動(dòng)環(huán)境中無(wú)序碎片化學(xué)習(xí)的特點(diǎn)，指出自適應(yīng)學(xué)習(xí)路徑是根據(jù)學(xué)習(xí)者的認(rèn)知特點(diǎn)和非認(rèn)知特點(diǎn)所提供的學(xué)習(xí)資源序列;Pushpa（2012）從學(xué)習(xí)管理系統(tǒng)（Learning Management System，LMS）的適應(yīng)性方面切入，認(rèn)為自適應(yīng)學(xué)習(xí)路徑是依據(jù)學(xué)習(xí)者需求和環(huán)境而提供的個(gè)性化學(xué)習(xí)資源序列;Ahmad等（2013）從學(xué)習(xí)者的知識(shí)背景入手，指出自適應(yīng)學(xué)習(xí)路徑是根據(jù)學(xué)習(xí)者的知識(shí)背景和偏好提供特定的內(nèi)容與服務(wù)，以滿足學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求;彭紹東（2010）基于e-Learning系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)標(biāo)準(zhǔn)的視角，認(rèn)為自適應(yīng)學(xué)習(xí)路徑屬于教學(xué)設(shè)計(jì)自動(dòng)化領(lǐng)域中形式化層級(jí)的設(shè)計(jì)，將其定義為個(gè)性化學(xué)習(xí)活動(dòng)的路線和序列;姜強(qiáng)（2012）則認(rèn)為自適應(yīng)學(xué)習(xí)路徑是自動(dòng)識(shí)別學(xué)習(xí)需求，并根據(jù)學(xué)習(xí)者個(gè)性特征信息（如知識(shí)水平等）動(dòng)態(tài)適應(yīng)性呈現(xiàn)的個(gè)性化學(xué)習(xí)活動(dòng)序列（含學(xué)習(xí)對(duì)象）。可以看出，學(xué)者們普遍認(rèn)為自適應(yīng)學(xué)習(xí)路徑是對(duì)學(xué)習(xí)路徑的自適應(yīng)化擴(kuò)展，以滿足學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。因而，在前人研究的基礎(chǔ)上，本文認(rèn)為自適應(yīng)學(xué)習(xí)路徑是一系列符合學(xué)習(xí)者個(gè)性特征的學(xué)習(xí)活動(dòng)和資源的組合，其本質(zhì)是個(gè)性化。

然而，面對(duì)爆炸式增長(zhǎng)的學(xué)習(xí)資源和種類繁復(fù)的學(xué)習(xí)活動(dòng)組合，僅靠個(gè)人的精力與智慧難以為每個(gè)學(xué)習(xí)者構(gòu)建精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑。人工智能（Artificial Intelligence，AI）技術(shù)的發(fā)展為自適應(yīng)學(xué)習(xí)路徑的實(shí)現(xiàn)提供了理論指引和技術(shù)支撐，其通過(guò)探尋學(xué)習(xí)者的個(gè)性特征（如認(rèn)知偏好、知識(shí)水平等），分析過(guò)往學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)，自適應(yīng)調(diào)整學(xué)習(xí)者的學(xué)習(xí)資源和活動(dòng)序列，使每個(gè)學(xué)習(xí)者獲得最適合自己的學(xué)習(xí)路徑，從而實(shí)現(xiàn)精準(zhǔn)學(xué)習(xí)支持服務(wù)。人工智能技術(shù)既能應(yīng)對(duì)大規(guī)模、動(dòng)態(tài)化的學(xué)習(xí)資源變化，又能分析海量學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求，是當(dāng)前自適應(yīng)學(xué)習(xí)路徑構(gòu)建的可行方法（梁迎麗等，2018）。

二、相關(guān)研究現(xiàn)狀

為了構(gòu)建e-Learning環(huán)境下的自適應(yīng)學(xué)習(xí)路徑，國(guó)內(nèi)外諸多學(xué)者進(jìn)行了大量的實(shí)踐與探索。國(guó)外研究有：Chung等（2012）認(rèn)為學(xué)習(xí)者對(duì)課程主題和教學(xué)大綱的深入了解是構(gòu)建自適應(yīng)學(xué)習(xí)路徑的有效途徑，提出了通過(guò)構(gòu)建主題本體來(lái)幫助學(xué)習(xí)者選擇自適應(yīng)學(xué)習(xí)路徑。Acampora（2008）則提出采用語(yǔ)義本體、可視化技術(shù)及內(nèi)容圖譜等方法構(gòu)建動(dòng)態(tài)個(gè)人知識(shí)地圖，幫助學(xué)習(xí)者厘清原有知識(shí)、新學(xué)知識(shí)以及其他知識(shí)之間的關(guān)系，從而為其學(xué)習(xí)路徑的決策提供依據(jù)。上述兩種方法從知識(shí)圖譜導(dǎo)航的角度為自適應(yīng)學(xué)習(xí)提供了支持，但仍需學(xué)習(xí)者自己生成學(xué)習(xí)路徑，智能化程度較低。Ahmad 等（2013）依據(jù)奧蘇貝爾有意義學(xué)習(xí)理論，提出了ACO-MAP自適應(yīng)學(xué)習(xí)路徑方法，根據(jù)學(xué)習(xí)者的知識(shí)結(jié)構(gòu)發(fā)現(xiàn)相似學(xué)習(xí)者群體，然后使用蟻群優(yōu)化算法為學(xué)習(xí)者尋找適應(yīng)性學(xué)習(xí)資源。Karampiperis等（2005）提出利用課程全體學(xué)生歷史記錄構(gòu)建的適用性決策樹(shù)模型來(lái)幫助目標(biāo)學(xué)習(xí)者自適應(yīng)地選擇所需的資源序列。Idris等（2009）提出使用自組織神經(jīng)網(wǎng)絡(luò)算法建立學(xué)習(xí)需求與學(xué)習(xí)資源之間的關(guān)系，并實(shí)現(xiàn)了基于知識(shí)層級(jí)、學(xué)習(xí)目標(biāo)和學(xué)習(xí)風(fēng)格的適應(yīng)性學(xué)習(xí)路徑推送。此外，基于遺傳算法、免疫算法以及圖論算法的諸多研究（Dwivedi et al.，2018;Durand et al.，2013;Dharani et al.，2013）也證實(shí)了人工智能方法在自適應(yīng)學(xué)習(xí)路徑構(gòu)建方面的可行性。然而，上述研究過(guò)于強(qiáng)調(diào)學(xué)習(xí)資源在學(xué)習(xí)路徑中的作用，卻忽視了學(xué)習(xí)活動(dòng)序列對(duì)學(xué)習(xí)路徑的影響。

國(guó)內(nèi)研究有：牟智佳（2016）從自適應(yīng)學(xué)習(xí)路徑的內(nèi)涵與特征的視角，對(duì)數(shù)據(jù)挖掘技術(shù)與自適應(yīng)學(xué)習(xí)支持服務(wù)間的關(guān)系進(jìn)行了闡述，提出了基于學(xué)習(xí)特征模型的自適應(yīng)學(xué)習(xí)路徑生成框架。Lin等（2013）探討了個(gè)性化學(xué)習(xí)的影響因素，采用決策樹(shù)技術(shù)構(gòu)建了個(gè)性化學(xué)習(xí)路徑，以提高學(xué)習(xí)者的創(chuàng)造力。陳智慧（2016）則指出學(xué)習(xí)者的特征是自適應(yīng)學(xué)習(xí)路徑的核心，對(duì)學(xué)習(xí)者特征分析不足是導(dǎo)致目前自適應(yīng)路徑準(zhǔn)確性不高的主要原因。黃志芳等（2015）提出了基于情境感知的適應(yīng)性學(xué)習(xí)路徑推薦模型框架，并結(jié)合領(lǐng)域本體技術(shù)和情境感知技術(shù)來(lái)實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)路徑推薦，以適應(yīng)學(xué)習(xí)者情緒狀態(tài)和認(rèn)知需求的實(shí)時(shí)變化。李浩君等（2015;2016）設(shè)計(jì)了基于遺傳算法的學(xué)習(xí)路徑優(yōu)化策略，并在綜合考慮移動(dòng)學(xué)習(xí)環(huán)境下的情境因素和學(xué)習(xí)者特征因素（如學(xué)習(xí)風(fēng)格）基礎(chǔ)上，提出了個(gè)性化移動(dòng)學(xué)習(xí)路徑模式。趙學(xué)孔等（2017）從認(rèn)知水平切入，提出了Web環(huán)境下自適應(yīng)學(xué)習(xí)路徑生成機(jī)制，通過(guò)提取鄰居用戶的學(xué)習(xí)路徑共同體以實(shí)現(xiàn)個(gè)性化推薦。姜強(qiáng)等（2018）提出了自適應(yīng)在線學(xué)習(xí)分析模型，通過(guò)對(duì)學(xué)習(xí)者的學(xué)習(xí)行為和知識(shí)掌握程度進(jìn)行分析，推薦適合的學(xué)習(xí)路徑和學(xué)習(xí)資源。

上述國(guó)內(nèi)外學(xué)者針對(duì)自適應(yīng)學(xué)習(xí)路徑構(gòu)建所進(jìn)行的研究，為后續(xù)相關(guān)理論研究與實(shí)踐探索提供了重要支撐。國(guó)外學(xué)者多從知識(shí)導(dǎo)航或自動(dòng)構(gòu)建方法入手，注重自適應(yīng)學(xué)習(xí)路徑的實(shí)現(xiàn)流程。然而，由于知識(shí)導(dǎo)航的方式需要學(xué)習(xí)者自主尋找資源并制定學(xué)習(xí)活動(dòng)序列，其認(rèn)知負(fù)荷依然較高，這致使學(xué)習(xí)者難以從整體上把握學(xué)習(xí)路徑的質(zhì)量。而自動(dòng)構(gòu)建方法方面的研究大多認(rèn)為學(xué)習(xí)路徑是學(xué)習(xí)資源的拼接序列，卻忽略了討論、協(xié)作任務(wù)等學(xué)習(xí)活動(dòng)對(duì)知識(shí)深度建構(gòu)的影響，因而生成的學(xué)習(xí)路徑不夠完整和科學(xué)，難以滿足學(xué)習(xí)者的自適應(yīng)學(xué)習(xí)需求。國(guó)內(nèi)學(xué)者的大多數(shù)研究集中在宏觀理論和應(yīng)用模型探索方面，在學(xué)習(xí)路徑自動(dòng)化構(gòu)建方面的研究較為稀少。不難發(fā)現(xiàn)，目前關(guān)于自適應(yīng)學(xué)習(xí)路徑的研究仍處于探索階段，相關(guān)模型和算法在智能化和自適應(yīng)程度上還需進(jìn)一步拓展。

三、自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型

學(xué)習(xí)路徑是一系列具有即定目標(biāo)的活動(dòng)和資源組合，以幫助學(xué)習(xí)者在某個(gè)主題領(lǐng)域積累知識(shí)和技能。自適應(yīng)學(xué)習(xí)路徑是根據(jù)學(xué)習(xí)者的知識(shí)水平、學(xué)習(xí)模式、資源偏好等個(gè)性特征所提供的特定學(xué)習(xí)路徑，以滿足其個(gè)性化學(xué)習(xí)需求的學(xué)習(xí)活動(dòng)和學(xué)習(xí)對(duì)象（即學(xué)習(xí)資源）的有效序列（姜強(qiáng)等，2018）。

自適應(yīng)學(xué)習(xí)路徑構(gòu)建需要完成對(duì)學(xué)習(xí)者個(gè)性特征的描述和學(xué)習(xí)序列（包含學(xué)習(xí)資源與學(xué)習(xí)活動(dòng)）的組合，以實(shí)現(xiàn)學(xué)習(xí)路徑的自適應(yīng)性和整體規(guī)劃性。首先，學(xué)習(xí)者特征描述是自適應(yīng)學(xué)習(xí)路徑構(gòu)建的基礎(chǔ)，其準(zhǔn)確與否會(huì)直接影響學(xué)習(xí)路徑的適應(yīng)性程度。姜強(qiáng)等（2018）和Wen等（2013）指出認(rèn)知風(fēng)格和知識(shí)水平是學(xué)習(xí)者的兩個(gè)重要個(gè)性特征，是實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)路徑構(gòu)建的重要依據(jù)。例如，學(xué)習(xí)者的信息加工特征（活躍型/沉思型）會(huì)影響其學(xué)習(xí)活動(dòng)序列，活躍型學(xué)習(xí)者傾向于討論和協(xié)作任務(wù)，而沉思型學(xué)習(xí)者則偏愛(ài)個(gè)案研究和文獻(xiàn)閱讀;學(xué)習(xí)者的信息輸入傾向（視覺(jué)型/言語(yǔ)型）會(huì)影響其對(duì)資源類型的選擇，視覺(jué)型學(xué)習(xí)者偏好圖表和視頻資源，而言語(yǔ)型學(xué)習(xí)者則傾向于文本資源;學(xué)習(xí)者的已有知識(shí)水平會(huì)影響其對(duì)學(xué)習(xí)資源難度的選擇，先前知識(shí)水平越高的學(xué)習(xí)者越傾向于選擇難度更大的學(xué)習(xí)資源。其次，學(xué)習(xí)活動(dòng)序列組合是構(gòu)建自適應(yīng)學(xué)習(xí)路徑的實(shí)現(xiàn)方法，而對(duì)學(xué)習(xí)活動(dòng)的界定是完成序列組合的基礎(chǔ)。本研究在結(jié)合楊開(kāi)城（2002）和邵麗（2018）研究的基礎(chǔ)上，將學(xué)習(xí)活動(dòng)看作是由學(xué)習(xí)主體、學(xué)習(xí)客體、學(xué)習(xí)群體、學(xué)習(xí)工具、活動(dòng)規(guī)則構(gòu)成的動(dòng)態(tài)活動(dòng)系統(tǒng)，學(xué)習(xí)者通過(guò)主動(dòng)參與學(xué)習(xí)活動(dòng)，在活動(dòng)中建構(gòu)知識(shí)、反思總結(jié)、內(nèi)化遷移，最終達(dá)成學(xué)習(xí)目標(biāo)。然而，面對(duì)爆炸式增長(zhǎng)的學(xué)習(xí)資源和種類繁復(fù)的學(xué)習(xí)活動(dòng)組合，僅靠個(gè)人的智慧難以形成精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑;而人工智能技術(shù)的發(fā)展為自適應(yīng)學(xué)習(xí)路徑的構(gòu)建提供了理論指引和技術(shù)支撐，極大推進(jìn)了自適應(yīng)學(xué)習(xí)路徑的智能化實(shí)現(xiàn)。

個(gè)性特征相似的學(xué)習(xí)者具有類似的學(xué)習(xí)偏好（資源類型偏好、學(xué)習(xí)活動(dòng)偏好等），因此，本研究以認(rèn)知風(fēng)格和知識(shí)水平兩個(gè)維度描述學(xué)習(xí)者的個(gè)性化特征，結(jié)合相似學(xué)習(xí)者群體的歷史學(xué)習(xí)活動(dòng)序列，提出了人工智能支持下的自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型（如圖1所示），其核心功能模塊包括：（1）學(xué)習(xí)者模型庫(kù)。包含認(rèn)知風(fēng)格和知識(shí)水平兩方面?zhèn)€性特征，其中，認(rèn)知風(fēng)格使用Felder-Silverman風(fēng)格模型（喬興媚等，2019），通過(guò)顯式測(cè)量（如所羅門量表）或隱式測(cè)量（如決策樹(shù)算法）（莊文杰等，2017;Rezaeinejad et al.，2015）獲得;知識(shí)水平則依據(jù)布盧姆的認(rèn)知領(lǐng)域目標(biāo)分類理論，利用規(guī)則空間模型（Rule Space Model，RSM）等認(rèn)知診斷模型獲得（Chen et al.，2017a;Gao et al.，2018）。（2）學(xué)習(xí)過(guò)程數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)存儲(chǔ)所有學(xué)習(xí)者的歷史學(xué)習(xí)路徑（瀏覽資源和參與學(xué)習(xí)活動(dòng)的序列）和績(jī)效數(shù)據(jù)，通過(guò)對(duì)學(xué)習(xí)者的學(xué)習(xí)行為日志進(jìn)行分析與重組，對(duì)各種行為分別進(jìn)行離散化、歸一化、結(jié)構(gòu)化處理，并將處理結(jié)果存入學(xué)習(xí)過(guò)程數(shù)據(jù)庫(kù)。（3）自適應(yīng)學(xué)習(xí)路徑構(gòu)建引擎。首先以學(xué)習(xí)者個(gè)性特征為匹配模型尋找相似學(xué)習(xí)者群體，并根據(jù)相似學(xué)習(xí)者的歷史學(xué)習(xí)路徑（包括學(xué)習(xí)資源和學(xué)習(xí)活動(dòng)）及績(jī)效數(shù)據(jù)生成學(xué)習(xí)路徑圖譜（包含所有可行的學(xué)習(xí)路徑）;而后，利用人工智能算法（改進(jìn)的蟻群算法）從學(xué)習(xí)路徑圖譜中挖掘出適應(yīng)學(xué)習(xí)者知識(shí)水平、符合其資源偏好、滿足其學(xué)習(xí)活動(dòng)需求的學(xué)習(xí)路徑并進(jìn)行推薦，以實(shí)現(xiàn)學(xué)習(xí)路徑自適應(yīng)。

圖1 人工智能支持下的自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型

四、模型的實(shí)現(xiàn)過(guò)程

自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型實(shí)現(xiàn)的難點(diǎn)在于從海量學(xué)習(xí)資源及復(fù)雜學(xué)習(xí)活動(dòng)中找出最優(yōu)或較優(yōu)的組合，使得學(xué)習(xí)路徑既滿足知識(shí)點(diǎn)間的依賴關(guān)系又符合學(xué)習(xí)活動(dòng)與學(xué)習(xí)資源間的對(duì)應(yīng)關(guān)系，從而實(shí)現(xiàn)學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。從本質(zhì)上看，自適應(yīng)學(xué)習(xí)路徑的構(gòu)建可以抽象為帶約束的組合優(yōu)化問(wèn)題。在眾多人工智能算法中，蟻群算法（Ant Colony Algorithm，ACA）是一種用來(lái)尋找優(yōu)化路徑的概率型算法（Liao et al.，2014），擁有并行性好、局部搜索能力強(qiáng)、性能魯棒性高（較容易引入各種約束條件且約束條件對(duì)搜索性能影響較?。┑葍?yōu)點(diǎn)，在智能搜索、全局優(yōu)化等領(lǐng)域得到了廣泛應(yīng)用（Goel et al.，2018;Zhao et al.，2018），尤其適合自適應(yīng)學(xué)習(xí)路徑構(gòu)建。與粒子群算法相比，蟻群算法雖然收斂速度較慢，但其搜索空間中不存在多樣性丟失問(wèn)題，不容易產(chǎn)生早熟收斂問(wèn)題。因此，本研究采用改進(jìn)的蟻群算法（引入約束條件）實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)路徑模型的構(gòu)建，以挖掘出具有最大自適應(yīng)性的學(xué)習(xí)路徑，生成精準(zhǔn)的自適應(yīng)學(xué)習(xí)活動(dòng)序列，其過(guò)程分為4 個(gè)階段：數(shù)據(jù)預(yù)處理階段、相似學(xué)習(xí)者選擇階段、學(xué)習(xí)路徑圖譜構(gòu)建階段和自適應(yīng)學(xué)習(xí)路徑挖掘階段。

1.數(shù)據(jù)預(yù)處理階段

數(shù)據(jù)預(yù)處理是為了將原始數(shù)據(jù)轉(zhuǎn)換為可以理解或符合需求的數(shù)據(jù)格式（池云仙等，2017）。本研究中的數(shù)據(jù)預(yù)處理是對(duì)學(xué)習(xí)者日志文件進(jìn)行逐行解析，分離出學(xué)習(xí)者、學(xué)習(xí)行為以及行為時(shí)間等數(shù)據(jù)，并對(duì)解析出的數(shù)據(jù)進(jìn)行清洗、集成與轉(zhuǎn)換，過(guò)濾掉無(wú)用記錄或殘缺記錄，為建立學(xué)習(xí)路徑圖譜提供有效的數(shù)據(jù)支持。

本研究首先將學(xué)習(xí)者的在線學(xué)習(xí)行為（如瀏覽資源、測(cè)試等）歸納為8類，并規(guī)定了相應(yīng)的映射方法，如表1中的“學(xué)習(xí)行為映射”列所示。然后，以學(xué)習(xí)者ID為主關(guān)鍵字，知識(shí)單元和行為時(shí)間為次關(guān)鍵字，對(duì)學(xué)習(xí)者行為進(jìn)行排序（同一學(xué)習(xí)者的重復(fù)行為僅統(tǒng)計(jì)第一次行為，其后的重復(fù)行為不作統(tǒng)計(jì)），進(jìn)而將原始學(xué)習(xí)行為數(shù)據(jù)轉(zhuǎn)換為學(xué)習(xí)路徑數(shù)據(jù)，如表1中的“學(xué)習(xí)路徑映射”列所示，其中成績(jī)?yōu)樵撝R(shí)單元的歸一化測(cè)試成績(jī)。例如：某學(xué)生的實(shí)際學(xué)習(xí)行為序列為{瀏覽資源r1，練習(xí)p1}、{瀏覽資源r2，練習(xí)p2，論壇討論d}、{協(xié)作任務(wù)t1，論壇討論d，測(cè)試e}，其映射后的學(xué)習(xí)路徑則為。

2.相似學(xué)習(xí)者選擇階段

相似學(xué)習(xí)者指?jìng)€(gè)性特征相似的學(xué)習(xí)者，選擇相似學(xué)習(xí)者是實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)路徑構(gòu)建的關(guān)鍵。本研究從認(rèn)知風(fēng)格和知識(shí)水平兩個(gè)維度定義學(xué)習(xí)者個(gè)性特征向量S={s1，s2，s3，s4，k1，k2，…，kn}，其中s1，s2，s3，s4為Felder-Silverman 認(rèn)知風(fēng)格模型四個(gè)維度的取值，每個(gè)維度通過(guò)數(shù)值變換，從小到大離散為6個(gè)等級(jí)，分別以數(shù)字1～6表示，例如信息加工維度用1～6表示從活躍型向沉思型的變化，數(shù)字越小代表越傾向于活躍型，反之則代表越傾向于沉思型;k1，k2，…，kn為知識(shí)水平向量，表示學(xué)習(xí)者對(duì)所有先前知識(shí)單元的掌握程度。根據(jù)布盧姆的認(rèn)知領(lǐng)域目標(biāo)分類理論，學(xué)習(xí)者知識(shí)水平分為識(shí)記、理解、運(yùn)用、分析、綜合、評(píng)價(jià)6個(gè)等級(jí)（Ramirez，2017），依次分別以數(shù)字1～6表示。

而后，使用Pearson相關(guān)系數(shù)（Ly et al.，2018）計(jì)算學(xué)習(xí)者之間的相似度，計(jì)算方法如公式（1）所示。其中，sim（u，v）表示學(xué)習(xí)者u和學(xué)習(xí)者v之間的相似度，sui表示學(xué)習(xí)者u在個(gè)性特征向量i上的分量，su表示學(xué)習(xí)者u在所有個(gè)性特征向量上的平均值。根據(jù)Pearson相關(guān)系數(shù)的取值范圍，學(xué)習(xí)者之間的相似度sim（u，v）的取值在-1與+1之間，sim（u，v）>0表示兩個(gè)學(xué)習(xí)者正向相似，sim（u，v）<0表示兩個(gè)學(xué)習(xí)者負(fù)向相似，sim（u，v）的絕對(duì)值越大說(shuō)明相似性越強(qiáng)。例如，學(xué)習(xí)者u和v的個(gè)性特征向量分別為Su={1，2，2，4，2，2，3}和Sv={2，2，3，4，2，3，3}，根據(jù)公式（1）計(jì)算兩個(gè)學(xué)習(xí)者相似度為0.828，說(shuō)明兩個(gè)學(xué)習(xí)者的正向相似程度較高。

3.學(xué)習(xí)路徑圖譜構(gòu)建階段

學(xué)習(xí)路徑圖譜是從開(kāi)始學(xué)習(xí)到完成測(cè)試的所有可能學(xué)習(xí)路徑的集合。本研究提取相似學(xué)習(xí)者群體的歷史學(xué)習(xí)路徑和測(cè)試成績(jī)構(gòu)建學(xué)習(xí)路徑圖譜。例如，學(xué)習(xí)者的歷史學(xué)習(xí)路徑為，歸一化后的測(cè)試成績(jī)?yōu)?.66，則該學(xué)習(xí)者的路徑如圖2中左側(cè)部分所示。其中，節(jié)點(diǎn)對(duì)應(yīng)學(xué)習(xí)者的學(xué)習(xí)行為，有向箭頭表示學(xué)習(xí)行為的遷移，箭頭上的數(shù)字為遷移權(quán)重，表示該遷移的有效性。對(duì)于每條路徑，本研究規(guī)定其遷移的權(quán)重相等且均等于其對(duì)應(yīng)的測(cè)試成績(jī)。

將所有相似學(xué)習(xí)者群體的學(xué)習(xí)路徑整合，構(gòu)建學(xué)習(xí)路徑圖譜，如圖2中右側(cè)部分所示。其中，ST為虛節(jié)點(diǎn)，表示學(xué)習(xí)的初始節(jié)點(diǎn)，e（測(cè)試）表示知識(shí)單元的學(xué)習(xí)終點(diǎn)，學(xué)習(xí)行為遷移權(quán)重為多個(gè)相似學(xué)習(xí)者對(duì)該遷移權(quán)重的加權(quán)平均值，計(jì)算方法如公式（2）所示。公式中xy表示學(xué)習(xí)行為x向y的遷移，表示學(xué)習(xí)者u對(duì)xy的遷移權(quán)重，sim（u，v）表示學(xué)習(xí)者u和v的相似度，N表示所有相似學(xué)習(xí)者集合。

4.自適應(yīng)學(xué)習(xí)路徑挖掘階段

本研究采用改進(jìn)蟻群算法在學(xué)習(xí)路徑圖譜中挖掘最優(yōu)或較優(yōu)路徑，其基本思路為：用螞蟻的行走路徑表示待優(yōu)化問(wèn)題的可行解，整個(gè)螞蟻群體的所有路徑構(gòu)成待優(yōu)化問(wèn)題的解空間;路徑較短的螞蟻釋放的信息素量較多，隨著時(shí)間的推進(jìn)，較短的路徑上累積的信息素濃度逐漸增高，選擇該路徑的螞蟻數(shù)量也愈來(lái)愈多;最終，整個(gè)螞蟻群體會(huì)在正反饋的作用下集中到最佳的路徑上，此時(shí)對(duì)應(yīng)的路徑便是該問(wèn)題的最優(yōu)解（周裊等，2017）。該蟻群算法的流程如圖3所示。

在該算法中，節(jié)點(diǎn)對(duì)應(yīng)于學(xué)習(xí)路徑圖譜中的學(xué)習(xí)行為節(jié)點(diǎn)，其中，公式（3）是在t時(shí)刻，螞蟻k選擇從節(jié)點(diǎn)i進(jìn)入節(jié)點(diǎn)j的概率;ηij（t）表示在t時(shí)刻，節(jié)點(diǎn)i與節(jié)點(diǎn)j間的啟發(fā)式信息量，一般取值為節(jié)點(diǎn)i到節(jié)點(diǎn)j間路徑權(quán)值的倒數(shù);τij（t）表示在t時(shí)刻，節(jié)點(diǎn)i到節(jié)點(diǎn)j的信息素濃度;α、β分別表示信息素濃度和啟發(fā)式信息量對(duì)路徑選擇概率的影響度;γj是懲罰系數(shù);Tk表示在t時(shí)刻，螞蟻k還未訪問(wèn)過(guò)的可行性節(jié)點(diǎn)集合。

事實(shí)上，知識(shí)點(diǎn)間是存在依賴關(guān)系的，例如要學(xué)習(xí)“乘法”，必須先學(xué)會(huì)“加法”，因而知識(shí)點(diǎn)“乘法”依賴于知識(shí)點(diǎn)“加法”。為了表示這種依賴關(guān)系，本研究為每個(gè)學(xué)習(xí)資源（或?qū)W習(xí)活動(dòng)）引入依賴條件I和輸出結(jié)果O（如圖2左側(cè)部分節(jié)點(diǎn)中的虛線所示），其中I表示學(xué)習(xí)該資源（或參與該活動(dòng)）所需的前提條件，O表示學(xué)習(xí)該資源（或參與該活動(dòng)）產(chǎn)生的學(xué)習(xí)績(jī)效。由于學(xué)習(xí)路徑圖譜中部分路徑組合并不一定能滿足這種依賴關(guān)系，本研究為此引入了懲罰系數(shù)γj，表示將節(jié)點(diǎn)j作為下一節(jié)點(diǎn)的懲罰系數(shù)，其計(jì)算方法如公式（4）所示。其中，Ii和Oi分別表示節(jié)點(diǎn)j的依賴條件， I表示路徑中已有的所有節(jié)點(diǎn)（即節(jié)點(diǎn)j之前的所有節(jié)點(diǎn)）。需要注意的是在進(jìn)行集合包含判定時(shí)，相同知識(shí)點(diǎn)的高層次知識(shí)水平包含低層次知識(shí)水平，懲罰系數(shù)的作用是過(guò)濾掉不滿足依賴條件的路徑。

當(dāng)所有螞蟻完成一次周游后，當(dāng)前最優(yōu)路徑上的信息素濃度都需要更新。假如從t時(shí)刻到t+1時(shí)刻，有m只螞蟻從節(jié)點(diǎn)i到節(jié)點(diǎn)j，則該路徑上t+1時(shí)刻的信息素濃度可根據(jù)公式（5）計(jì)算。其中，指螞蟻k從節(jié)點(diǎn)i到節(jié)點(diǎn)j經(jīng)過(guò)時(shí)留下的信息素濃度;ρ指信息素的揮發(fā)速度。公式（5）表示，節(jié)點(diǎn)i到節(jié)點(diǎn)j路徑的信息素濃度受經(jīng)過(guò)的螞蟻數(shù)量影響，經(jīng)過(guò)的螞蟻越多，則該路徑上的信息素濃度就越大;結(jié)合公式（3）和（4）可知，路徑上的信息素濃度越大，則下一只螞蟻選擇該路徑的機(jī)率也就越大，如此形成逐步強(qiáng)化的正循環(huán)。

本研究中將路徑的預(yù)測(cè)績(jī)效（即推薦度）定義為所有學(xué)習(xí)活動(dòng)遷移權(quán)重的均值，利用蟻群算法可以從學(xué)習(xí)路徑圖譜的所有可行學(xué)習(xí)路徑中找到最優(yōu)學(xué)習(xí)路徑，該路徑體現(xiàn)了學(xué)習(xí)者從初始狀態(tài)到完成知識(shí)單元學(xué)習(xí)的最優(yōu)學(xué)習(xí)活動(dòng)順序。例如，圖2右側(cè)部分中節(jié)點(diǎn)ST與節(jié)點(diǎn)e之間的最優(yōu)學(xué)習(xí)路徑為，其預(yù)測(cè)績(jī)效（推薦度）為0.736。

五、自適應(yīng)學(xué)習(xí)路徑績(jī)效實(shí)驗(yàn)分析

1.實(shí)驗(yàn)設(shè)計(jì)

本研究以某師范院校59名教育技術(shù)學(xué)專業(yè)二年級(jí)學(xué)生作為研究對(duì)象，以“Python程序語(yǔ)言設(shè)計(jì)”課程作為學(xué)習(xí)內(nèi)容。該課程的持續(xù)時(shí)間為18周，采用混合式教學(xué)模式，包括課前準(zhǔn)備、課上指導(dǎo)、課后加強(qiáng)三個(gè)階段。其中，課前準(zhǔn)備是指學(xué)生課下進(jìn)行在線自主學(xué)習(xí);課上指導(dǎo)是指教師根據(jù)課前學(xué)習(xí)中的反饋，對(duì)出現(xiàn)的共性問(wèn)題進(jìn)行講解或指導(dǎo)，并讓學(xué)生通過(guò)編程實(shí)踐將理論知識(shí)與實(shí)際操作結(jié)合;課后加強(qiáng)是指通過(guò)課程作業(yè)等環(huán)節(jié)強(qiáng)化核心技能。

參與實(shí)驗(yàn)的所有學(xué)生均具有在線學(xué)習(xí)經(jīng)歷，且具備良好的信息素養(yǎng)，能夠熟練掌握在線學(xué)習(xí)平臺(tái)的基本操作。根據(jù)隨機(jī)分配原則，將59名學(xué)生分為實(shí)驗(yàn)組和控制組，其中，實(shí)驗(yàn)組的30人依據(jù)平臺(tái)推薦的自適應(yīng)學(xué)習(xí)路徑進(jìn)行個(gè)性化學(xué)習(xí)，而控制組的29人則根據(jù)自己的學(xué)習(xí)習(xí)慣和對(duì)知識(shí)單元的理解自行選擇學(xué)習(xí)路徑。課程共包含11章，52小節(jié)，分為85個(gè)知識(shí)單元，擁有多媒體資源（視頻、圖片、文檔）234個(gè)，練習(xí)題177項(xiàng)，測(cè)試題109套，協(xié)作任務(wù)58個(gè)，具備學(xué)習(xí)論壇和筆記系統(tǒng)。

本研究的實(shí)驗(yàn)流程如圖 4 所示。在實(shí)驗(yàn)開(kāi)始之前，先向所有學(xué)生介紹編程基礎(chǔ)知識(shí)，以消除學(xué)習(xí)起點(diǎn)差異對(duì)實(shí)驗(yàn)結(jié)果的影響。在實(shí)驗(yàn)過(guò)程中，要求學(xué)生完成每個(gè)知識(shí)單元的學(xué)習(xí)和測(cè)試。實(shí)驗(yàn)收集的數(shù)據(jù)包括：學(xué)習(xí)成績(jī)、學(xué)習(xí)時(shí)間、學(xué)習(xí)滿意度和路徑評(píng)分。學(xué)習(xí)成績(jī)數(shù)據(jù)包括學(xué)習(xí)開(kāi)始時(shí)的前測(cè)成績(jī)和學(xué)習(xí)結(jié)束時(shí)的后測(cè)成績(jī);學(xué)習(xí)時(shí)間數(shù)據(jù)來(lái)源于在線學(xué)習(xí)平臺(tái)的日志記錄，通過(guò)對(duì)學(xué)習(xí)者的登錄、注銷、瀏覽等學(xué)習(xí)行為的分析獲取;學(xué)習(xí)滿意度和路徑評(píng)分?jǐn)?shù)據(jù)來(lái)自在線調(diào)查問(wèn)卷，即在學(xué)習(xí)結(jié)束時(shí)對(duì)兩組學(xué)生進(jìn)行問(wèn)卷調(diào)查。

圖4 實(shí)驗(yàn)流程圖

2.實(shí)驗(yàn)結(jié)果分析

（1）自適應(yīng)學(xué)習(xí)路徑構(gòu)建結(jié)果有效性分析

從實(shí)驗(yàn)組和控制組各隨機(jī)選取5名學(xué)生，其認(rèn)知風(fēng)格、知識(shí)水平及學(xué)習(xí)路徑如表2所示。從表2可以看出，控制組5名學(xué)生的學(xué)習(xí)路徑均較長(zhǎng)，資源瀏覽次數(shù)比實(shí)驗(yàn)組學(xué)生多，其原因是實(shí)驗(yàn)組學(xué)生使用本研究推薦的自適應(yīng)學(xué)習(xí)路徑，所推薦學(xué)習(xí)資源和活動(dòng)均適合學(xué)生需求;而控制組學(xué)生則需要自主尋找學(xué)習(xí)資源，因而往往要經(jīng)過(guò)多次資源搜索、鑒定、學(xué)習(xí)等環(huán)節(jié)才能找到適合自己的學(xué)習(xí)資源和活動(dòng)。其次，實(shí)驗(yàn)組學(xué)生的學(xué)習(xí)路徑差異較大，而控制組中認(rèn)知風(fēng)格相似的學(xué)生容易產(chǎn)生相同的學(xué)習(xí)路徑。例如，控制組中學(xué)生2與學(xué)生5的認(rèn)知風(fēng)格相同，知識(shí)水平不同，但其學(xué)習(xí)路徑都是。這是因?yàn)樽赃m應(yīng)學(xué)習(xí)路徑構(gòu)建模型考慮了學(xué)生的個(gè)性特征以及學(xué)習(xí)績(jī)效等因素，所以為每個(gè)學(xué)生推薦的學(xué)習(xí)路徑也就不同;而控制組學(xué)生的學(xué)習(xí)路徑主要根據(jù)平臺(tái)資源排序和搜索結(jié)果產(chǎn)生，這導(dǎo)致知識(shí)水平不同但學(xué)習(xí)風(fēng)格相似的學(xué)生會(huì)具有相同的學(xué)習(xí)路徑。總之，本研究提出的自適應(yīng)學(xué)習(xí)路徑構(gòu)建方法可以從繁復(fù)的學(xué)習(xí)資源和活動(dòng)中生成簡(jiǎn)潔、精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑，既有效解決了學(xué)習(xí)者的學(xué)習(xí)迷航與認(rèn)知過(guò)載問(wèn)題，還能促進(jìn)學(xué)習(xí)資源的高效利用，有利于學(xué)習(xí)者對(duì)知識(shí)的主動(dòng)建構(gòu)、內(nèi)化及遷移。

每個(gè)知識(shí)點(diǎn)的學(xué)習(xí)完成后，通過(guò)在線學(xué)習(xí)平臺(tái)收集學(xué)生對(duì)學(xué)習(xí)路徑質(zhì)量的評(píng)分。評(píng)分采用5分制，分值越高表明學(xué)習(xí)路徑的質(zhì)量越高，越能滿足學(xué)生的學(xué)習(xí)需求。整個(gè)課程結(jié)束后，以學(xué)生為單位，對(duì)其所有學(xué)習(xí)路徑的質(zhì)量評(píng)分求均值，結(jié)果如圖5所示。對(duì)兩組學(xué)生的評(píng)分進(jìn)行獨(dú)立樣本t檢驗(yàn)，結(jié)果表明實(shí)驗(yàn)組與控制組學(xué)生在學(xué)習(xí)路徑質(zhì)量評(píng)分上存在顯著差異（p<0.01）。從圖5可以看出，實(shí)驗(yàn)組學(xué)生對(duì)自適應(yīng)學(xué)習(xí)路徑的評(píng)分普遍高于控制組學(xué)生對(duì)自主學(xué)習(xí)路徑的評(píng)分，表明相對(duì)于自主學(xué)習(xí)路徑，本研究構(gòu)建的自適應(yīng)學(xué)習(xí)路徑的質(zhì)量更好，這是因?yàn)楹笳邽閷W(xué)生推薦了適合的學(xué)習(xí)路徑，降低了學(xué)習(xí)負(fù)載。

圖5 學(xué)習(xí)路徑質(zhì)量評(píng)分比較

2.認(rèn)知負(fù)荷及學(xué)習(xí)成績(jī)分析

課程學(xué)習(xí)結(jié)束后，通過(guò)在線學(xué)習(xí)平臺(tái)記錄的學(xué)習(xí)行為日志，可以計(jì)算出學(xué)生學(xué)習(xí)單個(gè)知識(shí)單元的平均學(xué)習(xí)時(shí)間，歸一化處理后的平均學(xué)習(xí)時(shí)間如圖6所示。從圖6可以看出，大部分實(shí)驗(yàn)組學(xué)生所用的學(xué)習(xí)時(shí)間短于控制組學(xué)生，這是因?yàn)榘凑胀扑]的自適應(yīng)學(xué)習(xí)路徑進(jìn)行學(xué)習(xí)時(shí)，學(xué)生在搜索、選擇學(xué)習(xí)資源上花費(fèi)的時(shí)間較少，學(xué)習(xí)效率更高。但也有個(gè)別例外情況，這可能是由于學(xué)生在學(xué)習(xí)能力和學(xué)習(xí)效率上的個(gè)體差異造成的。此外，控制組學(xué)生的平均學(xué)習(xí)時(shí)間差異較大，而實(shí)驗(yàn)組學(xué)生的平均學(xué)習(xí)時(shí)間差異較小，這是因?yàn)閷W(xué)生的搜索能力、學(xué)習(xí)能力不同，造成控制組學(xué)生尋找學(xué)習(xí)資源所花費(fèi)的時(shí)間也不盡相同，而實(shí)驗(yàn)組學(xué)生由于是采用平臺(tái)推薦的自適應(yīng)學(xué)習(xí)路徑，這在一定程度上縮小了平均學(xué)習(xí)時(shí)間差異。對(duì)兩組學(xué)生的平均學(xué)習(xí)時(shí)間進(jìn)行獨(dú)立樣本t檢驗(yàn)的結(jié)果顯示，兩組學(xué)生在平均學(xué)習(xí)時(shí)間上的差異顯著（p<0.05），自適應(yīng)學(xué)習(xí)路徑有效降低了實(shí)驗(yàn)組學(xué)生的認(rèn)知負(fù)荷，使其學(xué)習(xí)效率得到了提升。

圖6 平均學(xué)習(xí)時(shí)間比較

為探究本研究構(gòu)建的自適應(yīng)學(xué)習(xí)路徑對(duì)學(xué)習(xí)成績(jī)的影響，首先采用獨(dú)立樣本t檢驗(yàn)方法對(duì)兩組學(xué)生的前測(cè)成績(jī)進(jìn)行分析，結(jié)果表明兩組學(xué)生前測(cè)成績(jī)沒(méi)有顯著差異（p>0.05）。而后，使用配對(duì)樣本t檢驗(yàn)方法對(duì)兩組學(xué)生的前后測(cè)成績(jī)差進(jìn)行分析，結(jié)果如表3所示。由表3可以看出，兩組學(xué)生的前后測(cè)成績(jī)差異顯著，且兩組學(xué)生在學(xué)習(xí)之后，成績(jī)都有顯著提高?？刂平M的前測(cè)成績(jī)與后測(cè)成績(jī)間的平均分值差為-5.038，而實(shí)驗(yàn)組為-11.230，這表明實(shí)驗(yàn)組學(xué)生在自適應(yīng)學(xué)習(xí)路徑的支持下，其學(xué)習(xí)成績(jī)的提升更為明顯。

3.學(xué)習(xí)滿意度分析

學(xué)習(xí)滿意度是對(duì)學(xué)習(xí)者學(xué)習(xí)體驗(yàn)的專門性評(píng)估，是教學(xué)質(zhì)量過(guò)程監(jiān)控的重要組成部分，也是學(xué)習(xí)成效的有效指標(biāo)。學(xué)習(xí)者的滿意度與其學(xué)習(xí)行為表現(xiàn)和保留率等顯著相關(guān)（胡子祥，2006）。目前對(duì)學(xué)習(xí)滿意度的測(cè)量方式很多，采用的評(píng)價(jià)指標(biāo)也各不相同，本研究參考美國(guó)全國(guó)大學(xué)生滿意度調(diào)查量表（韓玉志，2006）和王全得（2003）編制的學(xué)習(xí)滿意度量表，從教學(xué)方式和學(xué)習(xí)效果兩個(gè)維度對(duì)學(xué)生的學(xué)習(xí)滿意度進(jìn)行問(wèn)卷調(diào)查。調(diào)查問(wèn)卷采用李克特5分制量表，其中1表示“非常不認(rèn)同”，5表示“非常認(rèn)同”，問(wèn)卷主要包括12個(gè)題項(xiàng)，分別對(duì)應(yīng)學(xué)習(xí)方式（5個(gè)題項(xiàng)）和學(xué)習(xí)效果（7個(gè)題項(xiàng)）兩個(gè)維度。本研究共發(fā)放問(wèn)卷59份，收回問(wèn)卷59份，其中有效問(wèn)卷59份。

首先對(duì)問(wèn)卷的信度和效度進(jìn)行分析。信度分析用以衡量評(píng)價(jià)體系是否具有穩(wěn)定性和可靠性，而效度分析用以測(cè)量評(píng)價(jià)體系是否準(zhǔn)確反映評(píng)價(jià)目的和要求，信度和效度越高表示測(cè)量結(jié)果越可靠且越能反映要測(cè)量的特征。本研究分別使用了Cronbachs α和KMO值（陳巧云，2016;王錢永等，2016）對(duì)問(wèn)卷的信度和效度進(jìn)行檢驗(yàn)，結(jié)果顯示問(wèn)卷兩個(gè)維度的Cronbachs α系數(shù)分別為0.786和0.895，KMO值分別為0.838和0.874，均大于0.7，表明問(wèn)卷整體和各測(cè)量因素的可信度較高、結(jié)構(gòu)良好。

為進(jìn)一步探究采用自適應(yīng)學(xué)習(xí)路徑和自主學(xué)習(xí)路徑的學(xué)生在學(xué)習(xí)滿意度上是否存在顯著差異，本研究將控制組和實(shí)驗(yàn)組作為分組變量，分別將教學(xué)方式、學(xué)習(xí)效果作為檢驗(yàn)變量，進(jìn)行獨(dú)立樣本t檢驗(yàn)，結(jié)果如表4所示。從表4可以看出，在教學(xué)方式維度上，兩組學(xué)生的滿意度存在顯著差異（p<0.01），實(shí)驗(yàn)組學(xué)生對(duì)線上線下結(jié)合的混合式學(xué)習(xí)方式更為認(rèn)可（t=-3.164），這從側(cè)面反映出自適應(yīng)學(xué)習(xí)路徑對(duì)學(xué)習(xí)具有積極作用。在學(xué)習(xí)效果維度上，兩組學(xué)生的滿意度也存在顯著差異（p<0.01），這是因?yàn)樽赃m應(yīng)學(xué)習(xí)路徑可使學(xué)生少走彎路，有效減少學(xué)習(xí)迷航和認(rèn)知過(guò)載現(xiàn)象，讓學(xué)生的注意力集中于知識(shí)的掌握與遷移，提升了學(xué)習(xí)專注度，從而使得實(shí)驗(yàn)組學(xué)生能夠取得更好的成績(jī)，進(jìn)而產(chǎn)生更高的學(xué)習(xí)滿意度。

六、總結(jié)與思考

自適應(yīng)學(xué)習(xí)路徑可為學(xué)習(xí)者規(guī)劃符合其認(rèn)知風(fēng)格和知識(shí)水平的適應(yīng)性學(xué)習(xí)路徑，有利于其明晰學(xué)習(xí)路線，避免學(xué)習(xí)迷航，提高學(xué)習(xí)效率，也為大規(guī)模開(kāi)展個(gè)性化學(xué)習(xí)提供了契機(jī)（Chen et al.，2017b）。正如培生集團(tuán)《解碼自適應(yīng)學(xué)習(xí)》報(bào)告中指出的，自適應(yīng)學(xué)習(xí)路徑根據(jù)學(xué)習(xí)者特征推薦個(gè)性化學(xué)習(xí)材料、學(xué)習(xí)方法和建議，有利于促使學(xué)習(xí)者構(gòu)建自己的知識(shí)體系，確保學(xué)習(xí)的有效性，以及學(xué)習(xí)者個(gè)性的充分發(fā)展（EdSurge，2016）。同時(shí)，人工智能技術(shù)的發(fā)展也極大推動(dòng)了個(gè)性化學(xué)習(xí)支持服務(wù)的水平，為自適應(yīng)學(xué)習(xí)路徑的智能化實(shí)現(xiàn)奠定了技術(shù)基礎(chǔ)。本研究提出了人工智能支持下的自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型，利用相似學(xué)習(xí)者的歷史學(xué)習(xí)記錄生成學(xué)習(xí)路徑圖譜，并結(jié)合人工智能算法（改進(jìn)的蟻群算法）為學(xué)習(xí)者挖掘出精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑。該模型主要有以下特點(diǎn)：一是智能化。本研究所提出的模型通過(guò)人工智能技術(shù)收集、分析大量相似學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)，可為學(xué)習(xí)者提供適應(yīng)性的學(xué)習(xí)路徑。二是精準(zhǔn)化。本研究所提出的模型綜合利用認(rèn)知風(fēng)格、知識(shí)水平、學(xué)習(xí)績(jī)效和活動(dòng)序列等數(shù)據(jù)，基于改進(jìn)的蟻群算法，能夠?yàn)閷W(xué)習(xí)者提供精準(zhǔn)的自適應(yīng)學(xué)習(xí)路徑，進(jìn)而滿足學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。

本研究提出的自適應(yīng)學(xué)習(xí)路徑構(gòu)建模型，在宏觀上可為全面推進(jìn)個(gè)性化教育提供參考，在微觀上可為尊重學(xué)生差異的因材施教提供思路與解決方法。但是本研究仍存在以下有待改進(jìn)之處：第一，學(xué)習(xí)者特征中年齡、性別、認(rèn)知成熟度等諸多因素均會(huì)對(duì)學(xué)習(xí)路徑的選擇產(chǎn)生影響，而研究只選取了認(rèn)知風(fēng)格和知識(shí)水平兩個(gè)因素來(lái)構(gòu)建學(xué)習(xí)路徑，所考慮的因素不夠全面，今后將開(kāi)展多維度特征的自適應(yīng)學(xué)習(xí)路徑構(gòu)建方法研究;第二，研究仍是對(duì)自適應(yīng)學(xué)習(xí)路徑構(gòu)建的初步研究，實(shí)驗(yàn)周期較短，樣本量偏小，下一步將拓展實(shí)驗(yàn)范圍，收集并分析海量教學(xué)實(shí)踐數(shù)據(jù)，加強(qiáng)研究的適用性。

參考文獻(xiàn)：

[1][美]L·約翰遜，S·亞當(dāng)斯·貝克爾， M·卡明斯等（2016）.新媒體聯(lián)盟地平線報(bào)告：2016高等教育版[J].開(kāi)放學(xué)習(xí)研究，（2）：1-20.

[2]陳巧云（2016）.基于結(jié)構(gòu)方程模型的高校教育信息化學(xué)生評(píng)價(jià)研究[J].電化教育研究，37（8）：78-85.

[3]陳智慧（2016）.基于學(xué)習(xí)分析的適應(yīng)性學(xué)習(xí)路徑推薦系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[D].武漢：華中師范大學(xué).

[4]池云仙，趙書(shū)良，羅燕等（2017） 基于詞頻統(tǒng)計(jì)規(guī)律的文本數(shù)據(jù)預(yù)處理方法[J].計(jì)算機(jī)科學(xué)，44（10）：276-282，288.

[5]韓玉志（2006）.美國(guó)大學(xué)生滿意度調(diào)查方法評(píng)介[J].比較教育研究，（6）：60-64.

[6]胡子祥（2006）.高等教育顧客感知服務(wù)質(zhì)量的實(shí)證研究[J].西南大學(xué)學(xué)報(bào)（人文社會(huì)科學(xué)版），（1）：135-141.

[7]黃志芳，趙呈領(lǐng)，黃祥玉等（2015）. 基于情境感知的適應(yīng)性學(xué)習(xí)路徑推薦研究[J].電化教育研究，36（5）：77-84.

[8]姜強(qiáng)（2012）.自適應(yīng)學(xué)習(xí)系統(tǒng)支持模型與實(shí)現(xiàn)機(jī)制研究[D].長(zhǎng)春：東北師范大學(xué).

[9]姜強(qiáng)，趙蔚，李松等（2018）.大數(shù)據(jù)背景下的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，39（2）：45-52.

[10]李浩君，崔晨萍，徐佳程等（2015）.基于遺傳算法的移動(dòng)學(xué)習(xí)路徑生成機(jī)制研究——以博物館參觀學(xué)習(xí)為例[J].現(xiàn)代教育技術(shù)，25（8）：100-106.

[11]李浩君，徐佳程，房邵敏等（2016）.個(gè)性化移動(dòng)學(xué)習(xí)路徑優(yōu)化策略應(yīng)用研究[J].電化教育研究，37（1）：39-44.

[12]梁迎麗，劉陳（2018）.人工智能教育應(yīng)用的現(xiàn)狀分析、典型特征與發(fā)展趨勢(shì)[J].中國(guó)電化教育，（3）：24-30.

[13]牟智佳（2016）.學(xué)習(xí)者數(shù)據(jù)肖像支撐下的個(gè)性化學(xué)習(xí)路徑破解——學(xué)習(xí)計(jì)算的價(jià)值賦予[J].遠(yuǎn)程教育雜志，34（6）：11-19.

[14]彭紹東（2010）.基于SCORM標(biāo)準(zhǔn)的“學(xué)習(xí)路徑”設(shè)計(jì)[J].現(xiàn)代教育技術(shù)，20（8）：114-119.

[15]喬興媚，楊娟（2019）.學(xué)習(xí)風(fēng)格用戶模型分類及其自適應(yīng)策略[J].現(xiàn)代教育技術(shù)，29（1）：100-106.

[16]邵麗（2018）.學(xué)習(xí)活動(dòng)設(shè)計(jì)：內(nèi)涵、意義與策略[J].江蘇教育研究，（1）：31-34.

[17]王錢永，毛海波（2016）.基于UTAUT模型的MOOC學(xué)習(xí)行為因素分析[J].電化教育研究，37（6）：43-48.

[18]王全得（2003）.成人教育的學(xué)習(xí)型態(tài)、動(dòng)機(jī)和滿意度的相關(guān)性研究—以高雄餐旅學(xué)院推廣教育技術(shù)班為例[D].高雄：義守大學(xué)研究所.

[19]楊開(kāi)城（2002）.學(xué)生模型與學(xué)習(xí)活動(dòng)的設(shè)計(jì)[J].中國(guó)電化教育，（12）：16-20.

[20]趙學(xué)孔，岑磊（2016）.面向用戶需求的自適應(yīng)學(xué)習(xí)系統(tǒng)個(gè)性化學(xué)習(xí)路徑推薦研究[J].中國(guó)教育信息化.（21）：28-31.

[21]趙學(xué)孔，徐曉東，龍世榮（2017）.協(xié)同推薦：一種個(gè)性化學(xué)習(xí)路徑生成的新視角[J].中國(guó)遠(yuǎn)程教育，（5）：24-34.

[22]周裊，葛洪偉，蘇樹(shù)智（2017）.基于信息素的自適應(yīng)連續(xù)域混合蟻群算法[J].計(jì)算機(jī)工程與應(yīng)用，53（6）：156-161.

[23]莊文杰，談國(guó)新，侯西龍等（2017）.非物質(zhì)文化遺產(chǎn)資源自適應(yīng)推送系統(tǒng)的用戶模型構(gòu)建研究[J].情報(bào)雜志， 36（11）：105-113.

[24]Acampora， G.， Gaeta， M.， & Loia， V. et al. （2008）. Optimizing Learning Path Selection Through Memetic Algorithms[C]// Proceedings of International Joint Conference on Neural Networks. Hong Kong， China： IEEE： 3869-3875.

[25]Ahmad， K.， Maryam， B. I.， & Molood， A. E. （2013）. A Novel Adaptive Learning Path Method[C]// Proceedings of the 4th International Conference on e-Learning and e-Teaching. Shiraz， Iran： IEEE： 20-25.

[26]Chen， C. M. （2008）. Intelligent Web-Based Learning System with Personalized Learning Path Guidance[J]. Computers & Education， 51（2）：787-814.

[27]Chen， F.， Yan， Y.， & Xin， T. （2017a）. Developing a Learning Progression for Number Sense Based on the Rule Space Model in China[J]. Educational Psychology， 37（2）：128-144.

[28]Chen， M.， Tong， M.， & Liu， C. et al. （2017b）. Recommendation of Learning Path Using an Improved ACO Based on Novel Coordinate System[C]// Proceedings of the 6th IIAI International Congress on Advanced Applied Informatics. Hamamatsu， Japan： IEEE： 747-753.

[29]Chung， H. S.， & Kim， J. M. （2012）. Ontology Design for Creating Adaptive Learning Path in e-Learning Environment[C]// Proceedings of the International MultiConference of Engineers and Computer Scientists. Hong Kong， China： IMECS： 585-588.

[30]Dharani， B.， & Geetha， T. V. （2013）. Adaptive Learning Path Generation Using Colored Petri Nets Based on Behavioral Aspects[C]// Proceedings of 2013 International Conference on Recent Trends in Information Technology. Chennai， India： IEEE： 459-465.

[31]Durand， G.， Belacel， N.， & Laplante， F. （2013）. Graph Theory Based Model for Learning Path Recommendation[J]. Information Sciences， 251：10-21.

[32]Dwivedi， P.， Kant， V.， & Bharadwaj， K. K. （2018）. Learning Path Recommendation Based on Modified Variable Length Genetic Algorithm[J]. Education and Information Technologies， 23（2）： 819-836.

[33]EdSurge（2016）. Decoding Adaptive[M]. London： Pearson： 1-33.

[34]Gao， Y.， Zhai， X.， & Andersson， B. et al. （2018）. Developing a Learning Progression of Buoyancy to Model Conceptual Change： A Latent Class and Rule Space Model Analysis[J]. Research in Science Education， （3）：1-20.

[35]Goel， R.， & Maini， R. （2018）. A Hybrid of Ant Colony and Firefly Algorithms （HAFA） for Solving Vehicle Routing Problems[J]. Journal of Computational Science， 25：28-37.

[36]Idris， N.， Yusof， N.， & Saad， P. （2009）. Adaptive Course Sequencing for Personalization of Learning Path Using Neural Network[J]. International Journal of Advances in Soft Computing and Its Applications， 1（1）： 49-61.

[37]Karampiperis， P.， & Sampson， D. （2005）. Adaptive Learning Resources Sequencing in Educational Hypermedia Systems[J]. Journal of Educational Technology & Society， 8（4）：128-147.

[38]Liao， T.， Stützle， T.， & de Oca， M. A. M. et al. （2014）. A Unified Ant Colony Optimization Algorithm for Continuous Optimization[J]. European Journal of Operational Research， 234（3）：597-609.

[39]Lin， C. F.， Yeh， Y. C.， & Hung， Y. H. et al. （2013）. Data Mining for Providing a Personalized Learning Path in Creativity： An Application of Decision Trees[J]. Computers & Education， 68：199-210.

[40]Ly， A.， Marsman， M.， & Wagenmakers， E. J. （2018）. Analytic Posteriors for Pearsons Correlation Coefficient[J]. Statistica Neerlandica， 72（1）：4-13.

[41]Pushpa， M. （2012）. ACO in e-Learning： Towards an Adaptive Learning Path[J]. International Journal on Computer Science & Engineering， 4（3）：458-462.

[42]Ramirez， T. V. （2017）. On Pedagogy of Personality Assessment： Application of Blooms Taxonomy of Educational Objectives[J]. Journal of Personality Assessment， 99（2）：146-152.

[43]Rezaeinejad， M.， Azizifar， A.， & Gowhary， H. （2015）. The Study of Learning Styles and Its Relationship with Educational Achievement Among Iranian High School Students[J]. Procedia-Social and Behavioral Sciences， 199：218-224.

[44]Romero， L.， Gutierrez， M. L. M.， & Caliusco， M. L. （2017）. Learning Path Based-Portfolio for Personalized Learning[J]. Journal on Advances in Theoretical and Applied Informatics， 3（1）： 62-67.

[45]Tarus， J. K.， Niu， Z. D.， & Yousif， A. （2017）. A Hybrid Knowledge-Based Recommender System for e-Learning Based on Ontology and Sequential Pattern Mining[J]. Future Generation Computer Systems， 72：37-48.

[46]Wen， M.， & Rose， C. P. （2014）. Identifying Latent Study Habits by Mining Learner Behavior Patterns in Massive Open Online Courses[C]// /Proceedings of the 23rd Conference on Information and Knowledge Management. Shanghai， China： ACM： 1983-1986 .

[47]Yera， R.， & Martínez， L. （2017）. A Recommendation Approach for Programming Online Judges Supported by Data Preprocessing Techniques[J]. Applied Intelligence， 47（2）：277-290.

[48]Zhao， B.， Gao， J.， & Chen， K. et al. （2018）. Two-Generation Pareto Ant Colony Algorithm for Multi-Objective Job Shop Scheduling Problem with Alternative Process Plans and Unrelated Parallel Machines[J]. Journal of Intelligent Manufacturing， 29（1）：93-108.

收稿日期 2019-10-28責(zé)任編輯 譚明杰