人工智能時(shí)代圖書館自適應(yīng)學(xué)習(xí)中心的框架構(gòu)建研究

楊平生

（西安建筑科技大學(xué)圖書館 西安 710055）

自適應(yīng)學(xué)習(xí)研究起源于美國匹茲堡大學(xué)Brusilovsky于1992年提出的一個(gè)支持學(xué)習(xí)與輔導(dǎo)的智能輔導(dǎo)系統(tǒng)（Intelligent Tutoring Systems）ITEM/IP[1]。美國高校教育信息化協(xié)會(huì)與新媒體聯(lián)盟在《地平線報(bào)告（高等教育版）》中連續(xù)幾年將自適應(yīng)學(xué)習(xí)列為未來影響高等教育發(fā)展的關(guān)鍵技術(shù)之一。

所謂自適應(yīng)學(xué)習(xí)是一種通過交互掌握學(xué)習(xí)者的當(dāng)前狀態(tài)，并能夠在整個(gè)學(xué)習(xí)進(jìn)程中不斷調(diào)整其個(gè)性化的學(xué)習(xí)資源與路徑推薦的教學(xué)、輔導(dǎo)系統(tǒng)，具有數(shù)據(jù)驅(qū)動(dòng)、非線性、個(gè)性化的特點(diǎn)[2]。近幾年隨著計(jì)算速度的指數(shù)級(jí)增長和大數(shù)據(jù)處理技術(shù)的高速發(fā)展，使人工智能落地應(yīng)用成為可能，圖像識(shí)別、語音識(shí)別、情感分析、主題提取、文本分類等技術(shù)在各個(gè)領(lǐng)域都得到了普遍應(yīng)用，再加上移動(dòng)設(shè)備及教育信息化的發(fā)展，使自適應(yīng)學(xué)習(xí)具有了更適宜的實(shí)現(xiàn)條件。

在教育領(lǐng)域中，2018年4月教育部發(fā)布了《教育信息化2.0行動(dòng)計(jì)劃》，其中的智慧教育創(chuàng)新發(fā)展行動(dòng)提出以人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)技術(shù)為基礎(chǔ)，同時(shí)依托智能設(shè)備和網(wǎng)絡(luò)技術(shù)，開展智慧教育創(chuàng)新，在新技術(shù)的推動(dòng)下，進(jìn)行教育模式和教育生態(tài)的變革與重構(gòu)。行動(dòng)計(jì)劃要求加快基于信息技術(shù)與智能技術(shù)的高校智能學(xué)習(xí)體系建設(shè)[3]。

高校圖書館不僅是高校開展教育活動(dòng)的重要場(chǎng)所，是高校的文獻(xiàn)資源中心，還是傳統(tǒng)的學(xué)習(xí)空間，在智能化學(xué)習(xí)體系建設(shè)中應(yīng)當(dāng)體現(xiàn)其核心價(jià)值，推動(dòng)圖書館利用走向智能時(shí)代，從傳統(tǒng)學(xué)習(xí)走向自適應(yīng)學(xué)習(xí)，從傳統(tǒng)學(xué)習(xí)空間走向智慧型學(xué)習(xí)中心，這是建設(shè)智慧圖書館的重要一環(huán)。

1 圖書館自適應(yīng)學(xué)習(xí)的應(yīng)用場(chǎng)景

圖書館自適應(yīng)學(xué)習(xí)中心應(yīng)當(dāng)具有這樣的應(yīng)用場(chǎng)景：讀者進(jìn)出圖書館，通過人臉識(shí)別閘機(jī)采集在館時(shí)間數(shù)據(jù)；讀者在館內(nèi)的位置，通過室內(nèi)定位技術(shù)采集所處區(qū)域的數(shù)據(jù)，并通過軌跡追蹤記錄其在館內(nèi)的位置變化數(shù)據(jù)；通過人臉抓拍攝像機(jī)和行為識(shí)別、情緒識(shí)別技術(shù)采集讀者的具體行為與情緒數(shù)據(jù)，比如讀者坐在自習(xí)座位上進(jìn)行閱讀、看手機(jī)、手部小動(dòng)作、注意力集中程度、時(shí)間利用效率等；讀者利用數(shù)據(jù)，通過數(shù)據(jù)庫采集讀者的搜索下載數(shù)據(jù)、線上學(xué)習(xí)數(shù)據(jù)、借閱數(shù)據(jù)、科研數(shù)據(jù)、上網(wǎng)流量數(shù)據(jù)等。通過這些數(shù)據(jù)，再結(jié)合讀者的基礎(chǔ)教育數(shù)據(jù)、課堂教學(xué)數(shù)據(jù)，形成描述個(gè)人學(xué)習(xí)特征的讀者畫像。通過深度學(xué)習(xí)技術(shù)訓(xùn)練出優(yōu)化的學(xué)習(xí)模型，以讀者畫像類型匹配訓(xùn)練出的優(yōu)化學(xué)習(xí)模型，以學(xué)習(xí)模型為核心建立應(yīng)用系統(tǒng)，從而能夠根據(jù)個(gè)人特征給出因人而異的、最優(yōu)化的學(xué)習(xí)計(jì)劃；在整個(gè)學(xué)習(xí)中由系統(tǒng)實(shí)行過程監(jiān)督，并能根據(jù)學(xué)習(xí)效率及時(shí)給予正反饋；根據(jù)學(xué)習(xí)階段和個(gè)人特征給予不同的個(gè)性化資源推薦；系統(tǒng)分階段進(jìn)行學(xué)習(xí)效果檢測(cè)，及時(shí)調(diào)整學(xué)習(xí)策略；系統(tǒng)還可以根據(jù)個(gè)人身份、學(xué)習(xí)內(nèi)容、在館時(shí)間、在館位置等數(shù)據(jù)組織實(shí)時(shí)交流互動(dòng)和協(xié)作。通過這種方式，使學(xué)習(xí)變成一種導(dǎo)航式的過程，同時(shí)體現(xiàn)人機(jī)交互的特點(diǎn)。

2 自適應(yīng)學(xué)習(xí)系統(tǒng)框架

2.1 學(xué)習(xí)支持系統(tǒng)

國內(nèi)外對(duì)自適應(yīng)學(xué)習(xí)支持系統(tǒng)的研究有：智能網(wǎng)絡(luò)教學(xué)系統(tǒng)、自適應(yīng)超媒體系統(tǒng)、自適應(yīng)智能代理系統(tǒng)、適應(yīng)性遠(yuǎn)程學(xué)習(xí)支持系統(tǒng)、語義網(wǎng)適應(yīng)性學(xué)習(xí)系統(tǒng)、雙向適應(yīng)機(jī)制等；系統(tǒng)中模塊組件主要包括領(lǐng)域模型、用戶模型、自適應(yīng)模型、接口模塊等[4]。文章提出的學(xué)習(xí)支持系統(tǒng)以學(xué)習(xí)行為評(píng)價(jià)模型為中心，包括學(xué)習(xí)者畫像和資源推薦等模塊，結(jié)構(gòu)見圖1：

圖1 自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)構(gòu)圖

2.1.1 數(shù)據(jù)采集

自適應(yīng)學(xué)習(xí)建立在對(duì)學(xué)習(xí)者的學(xué)習(xí)全過程產(chǎn)生的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)獲取和數(shù)據(jù)挖掘的基礎(chǔ)上，因此要求圖書館對(duì)學(xué)習(xí)環(huán)境、應(yīng)用裝備、學(xué)習(xí)者信息等情境信息能夠全面感知[5]。需采集的數(shù)據(jù)可分為基礎(chǔ)教育數(shù)據(jù)、線上學(xué)習(xí)數(shù)據(jù)、圖書館使用數(shù)據(jù)、圖書館行為數(shù)據(jù)。其中基礎(chǔ)教育數(shù)據(jù)包括學(xué)習(xí)者的姓名、性別、年齡、學(xué)號(hào)、院系、成績、研究項(xiàng)目、研究成果等；線上學(xué)習(xí)數(shù)據(jù)包括在線時(shí)間、登錄習(xí)慣、資源訪問數(shù)量、鏈接停留時(shí)間、熱圖點(diǎn)擊率、習(xí)題正確率、考核結(jié)果等；圖書館使用數(shù)據(jù)包括借還數(shù)據(jù)、門戶訪問數(shù)據(jù)、數(shù)字資源搜索與下載數(shù)據(jù)等；圖書館行為數(shù)據(jù)包括門禁進(jìn)出數(shù)據(jù)、軌跡追蹤數(shù)據(jù)、學(xué)習(xí)效率數(shù)據(jù)、學(xué)習(xí)情感數(shù)據(jù)等。

在數(shù)據(jù)獲取方式上，基礎(chǔ)教育數(shù)據(jù)、線上學(xué)習(xí)數(shù)據(jù)、圖書館使用數(shù)據(jù)都可以從相應(yīng)的數(shù)據(jù)庫或日志中獲取，學(xué)習(xí)者在圖書館的行為數(shù)據(jù)需要通過設(shè)備采集。學(xué)習(xí)者的在館時(shí)間、入館習(xí)慣數(shù)據(jù)可以通過門禁系統(tǒng)采集；在館內(nèi)空間的活動(dòng)軌跡可以通過人臉抓拍監(jiān)控?cái)z像機(jī)等設(shè)備進(jìn)行追蹤；在館內(nèi)公用計(jì)算機(jī)的網(wǎng)頁瀏覽數(shù)據(jù)可以通過眼動(dòng)儀采集；在館內(nèi)的書寫數(shù)據(jù)可以通過點(diǎn)陣數(shù)碼筆采集；在館內(nèi)自習(xí)區(qū)的學(xué)習(xí)情感數(shù)據(jù)可以通過人臉抓拍監(jiān)控?cái)z像機(jī)采集。

圖書館采集、使用學(xué)習(xí)者個(gè)人數(shù)據(jù)應(yīng)當(dāng)注意遵守國家相關(guān)法律法規(guī)，必須具有合法性、正當(dāng)性和必要性。所有個(gè)人數(shù)據(jù)不對(duì)外提供、不超范圍采集、不公開披露敏感信息。圖書館應(yīng)當(dāng)與能接觸到個(gè)人信息數(shù)據(jù)的合作單位簽署保密協(xié)定，限制接觸人數(shù)，建立追責(zé)制度，確保數(shù)據(jù)安全。

2.1.2 數(shù)據(jù)處理

對(duì)于獲取到的數(shù)據(jù)，需要進(jìn)行加工處理。通常對(duì)具有量化結(jié)果的數(shù)據(jù)，例如基礎(chǔ)教育數(shù)據(jù)、圖書館使用數(shù)據(jù)，一般使用二維表存儲(chǔ)，可以直接調(diào)用。而對(duì)復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理[6]。

學(xué)習(xí)者在圖書館的行為、情感等視頻數(shù)據(jù)以光流直方圖提取運(yùn)動(dòng)對(duì)應(yīng)的特征向量，對(duì)于相對(duì)靜止的行為，例如坐在座位上進(jìn)行閱讀、書寫等行為，通過卷積神經(jīng)網(wǎng)絡(luò)識(shí)別；對(duì)于運(yùn)動(dòng)性強(qiáng)的行為，例如行走、動(dòng)作，以水平和垂直光流灰度圖輸入卷積神經(jīng)網(wǎng)絡(luò)，以雙流識(shí)別框架進(jìn)行行為識(shí)別。

學(xué)習(xí)者在圖書館學(xué)習(xí)的情感數(shù)據(jù)也可以采用三階張量的高階奇異值分解HOSVD方法，識(shí)別出高興、專注、困惑、驚訝、疲勞、自信等不同類型[7]。

研究成果等需要語義分析的文本數(shù)據(jù)先以Word2vec等工具進(jìn)行詞向量化，采用詞頻（TF）、詞頻率-逆文檔頻率（TF-IDF）等方法提取特征，借助潛在語義分析技術(shù)進(jìn)行主題或關(guān)鍵詞挖掘分析。

在建構(gòu)的學(xué)習(xí)行為統(tǒng)計(jì)框架中將處理后的數(shù)據(jù)結(jié)構(gòu)化記錄?？梢圆捎谩案唠A分散式學(xué)習(xí)”（ADL ，Advanced Distributed Learning）組織標(biāo)準(zhǔn)的技術(shù)規(guī)范xAPI（Experience API）傳輸數(shù)據(jù)到LRS（Learning Record Store），它能夠詳細(xì)地跟蹤和記錄整個(gè)學(xué)習(xí)過程的數(shù)據(jù)流，由此建立學(xué)習(xí)者的歷程檔案并成為內(nèi)容推薦的基礎(chǔ)。

2.1.3 學(xué)習(xí)者畫像

為了針對(duì)學(xué)習(xí)者規(guī)劃出個(gè)性化的學(xué)習(xí)路徑并推薦學(xué)習(xí)資源，首先需要對(duì)學(xué)習(xí)者的特征進(jìn)行識(shí)別、聚類，包括學(xué)習(xí)者的基本信息、學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格、知識(shí)結(jié)構(gòu)、認(rèn)知水平、學(xué)習(xí)歷史、學(xué)習(xí)績效、心理特征等個(gè)性化特征。多數(shù)特征可以從已有數(shù)據(jù)中獲取，而其中比較復(fù)雜的學(xué)習(xí)風(fēng)格需要單獨(dú)建立模型獲取?，F(xiàn)在常用的學(xué)習(xí)風(fēng)格模型包括：Kolb模型、Honey and Mumford模型、Dunn模型及Felder-Silverman模型等[8]。在此我們采用Felder-Silverman 學(xué)習(xí)風(fēng)格模型，可以根據(jù)采集的數(shù)據(jù)或處理后的數(shù)據(jù)建構(gòu)一個(gè)學(xué)習(xí)行為模式，它從信息加工、信息感知、信息輸入和信息理解四個(gè)維度把學(xué)習(xí)風(fēng)格分為四組：活躍型/沉思型、感覺型/直覺型、視覺型/語言型、序列型/綜合型?？梢岳肧ilverman學(xué)習(xí)風(fēng)格量表（ILS）提取在線學(xué)習(xí)的登錄、訪問、測(cè)試數(shù)據(jù)進(jìn)行顯性初始化判斷；還可以利用貝葉斯網(wǎng)絡(luò)方法（BNs）計(jì)算條件概率而隱性判斷出學(xué)習(xí)風(fēng)格特征[9]。

將學(xué)習(xí)者特征用K-means算法，生成不同學(xué)習(xí)者畫像的聚類。算法中采用“肘部法則”選取K值，為了提高聚類效果，應(yīng)預(yù)先對(duì)差距較大的屬性值進(jìn)行標(biāo)準(zhǔn)化處理[10]。

2.1.4 學(xué)習(xí)行為評(píng)價(jià)

學(xué)習(xí)行為就是學(xué)習(xí)者以某種學(xué)習(xí)方法、采用某一領(lǐng)域的學(xué)習(xí)資源獲取知識(shí)的行為，或者說是以一定的學(xué)習(xí)路徑與資源進(jìn)行知識(shí)內(nèi)化的行為，而這種行為效率有著個(gè)體的獨(dú)特性，為了簡化規(guī)則和方法，我們以不同的學(xué)習(xí)者聚類進(jìn)行行為建模與評(píng)價(jià)。在同一聚類內(nèi)，對(duì)所有學(xué)習(xí)者的學(xué)習(xí)路徑數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，比如某一科目學(xué)習(xí)投入的總時(shí)長、時(shí)間分布、知識(shí)點(diǎn)的先后順序、知識(shí)點(diǎn)的組合方式、知識(shí)鞏固的節(jié)點(diǎn)、資源偏好等；然后以同一類型學(xué)習(xí)者的考核成績?yōu)闃?biāo)簽，訓(xùn)練學(xué)習(xí)模型；將學(xué)習(xí)者的學(xué)習(xí)行為特征參數(shù)值輸入學(xué)習(xí)模型，可以依據(jù)學(xué)習(xí)模型的理想型（標(biāo)準(zhǔn)化評(píng)價(jià)結(jié)果庫）對(duì)學(xué)習(xí)者的學(xué)習(xí)行為輸出評(píng)價(jià)結(jié)果，對(duì)學(xué)習(xí)者的學(xué)習(xí)路徑給予優(yōu)化建議并對(duì)學(xué)習(xí)行為進(jìn)行過程監(jiān)督。

學(xué)習(xí)行為評(píng)價(jià)技術(shù)現(xiàn)有貝葉斯網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、聚類分析等方法，都具有行為采集、模式識(shí)別、評(píng)價(jià)反饋、個(gè)性化推薦幾個(gè)步驟[11]。在此采用BP神經(jīng)網(wǎng)絡(luò)算法，BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播（Error Back-ProPagation）算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，基于梯度下降策略，通過不斷修正網(wǎng)絡(luò)權(quán)值和閾值，使誤差函數(shù)沿負(fù)梯度方向下降，從而使得訓(xùn)練集上的累積誤差不斷減小?；綛P算法包括兩個(gè)過程，即信號(hào)的前向傳播和誤差的反向傳播，它也是目前應(yīng)用最成功、最廣泛的神經(jīng)網(wǎng)絡(luò)。實(shí)現(xiàn)步驟如下：

①先以學(xué)習(xí)行為數(shù)據(jù)作為樣本，其中包括評(píng)價(jià)指標(biāo)和評(píng)價(jià)標(biāo)準(zhǔn)，這些都是定量數(shù)據(jù)，做歸一化處理。以樣本數(shù)據(jù)建立數(shù)據(jù)集，分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集[12]。②采用Pytorch或者Tensorflow框架，搭建神經(jīng)網(wǎng)絡(luò)層。隱含層神經(jīng)元數(shù)目可以由以下公式確定其中, h、n、m為隱藏層、輸入層、輸出層神經(jīng)元數(shù)目, a 為[ 1, 10 ]之間的常數(shù)。網(wǎng)絡(luò)中所有連接權(quán)值和閾值在（0 ，1）范圍內(nèi)隨機(jī)初始化。③設(shè)置激活函數(shù)，對(duì)每個(gè)輸入樣本逐層計(jì)算輸出值，根據(jù)期望輸出值與實(shí)際輸出值的誤差，計(jì)算誤差函數(shù)對(duì)輸出層、隱含層每個(gè)神經(jīng)元的梯度項(xiàng)，更新權(quán)值和閾值，不斷迭代直至達(dá)到停止條件[13]。④將測(cè)試集數(shù)據(jù)輸入模型，進(jìn)行測(cè)試、優(yōu)化。⑤將學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)輸入，當(dāng)評(píng)價(jià)標(biāo)準(zhǔn)最優(yōu)時(shí)，哪一個(gè)或幾個(gè)評(píng)價(jià)指標(biāo)改變量最小，即為最佳學(xué)習(xí)行為優(yōu)化項(xiàng)，以此對(duì)學(xué)習(xí)者的學(xué)習(xí)路徑提出改善建議。

2.1.5 資源推薦

按照學(xué)習(xí)者畫像聚類的類型向?qū)W習(xí)者推薦個(gè)性化資源。在“信息過載”的時(shí)代尋求精確，這也符合圖書館一貫追求的“為人找書，為書找人”的宗旨。目前主流的推薦技術(shù)包括基于內(nèi)容的推薦系統(tǒng)和協(xié)同過濾推薦系統(tǒng)，以及兩者結(jié)合的混合推薦系統(tǒng)[14]。協(xié)同過濾算法是基于用戶間行為相似度的推薦算法，不依賴語義描述，是重要的個(gè)性化推薦系統(tǒng)算法。協(xié)同過濾算法的方法包括基于鄰域的方法、隱語義模型算法、基于圖的隨機(jī)游走算法等，其中應(yīng)用最廣泛的是基于鄰域的方法，包括基于用戶和基于物品兩種協(xié)同過濾算法[15]。

我們?cè)诖瞬捎没谟脩舻膮f(xié)同過濾算法，步驟是先確定當(dāng)前學(xué)習(xí)者的聚類類型，然后在同一類型中選擇成績優(yōu)秀者，匹配檢索這些優(yōu)秀者會(huì)話日志中有關(guān)學(xué)習(xí)資源的行為數(shù)據(jù)，生成推薦列表，將他們所使用的學(xué)習(xí)資源推薦給當(dāng)前學(xué)習(xí)者。選擇同一聚類學(xué)習(xí)者來匹配推薦資源的模式，避免了數(shù)據(jù)稀疏的現(xiàn)象以及大量用戶相似度計(jì)算的代價(jià)，也能有效提高推薦準(zhǔn)確度和滿意度。

冷啟動(dòng)的處理：①用戶冷啟動(dòng)：新用戶缺少行為數(shù)據(jù)，造成學(xué)習(xí)者畫像不準(zhǔn)確，可以在學(xué)習(xí)者第一次啟動(dòng)推薦系統(tǒng)時(shí)，給以提示，通過反饋提供推薦；②資源冷啟動(dòng)：新的學(xué)習(xí)資源，沒有歷史使用數(shù)據(jù)，基于內(nèi)容標(biāo)簽推薦，或者通過計(jì)算資源內(nèi)容相似度進(jìn)行推薦；③系統(tǒng)冷啟動(dòng)：新的推薦系統(tǒng)缺乏學(xué)習(xí)者和資源使用的歷史數(shù)據(jù)，可以利用專家標(biāo)注和機(jī)器學(xué)習(xí)相結(jié)合的方式，添加標(biāo)簽進(jìn)行啟動(dòng)。

2.1.6 內(nèi)容建設(shè)

資源建設(shè)是圖書館的優(yōu)勢(shì)，圖書館自適應(yīng)學(xué)習(xí)的基礎(chǔ)建立在資源占有上，因此應(yīng)重點(diǎn)關(guān)注，除傳統(tǒng)圖書、期刊、數(shù)據(jù)庫資源外，還應(yīng)開發(fā)的資源內(nèi)容包括領(lǐng)域知識(shí)圖譜、習(xí)題試題庫、虛擬現(xiàn)實(shí)場(chǎng)景模型等。

領(lǐng)域知識(shí)圖譜搭建：知識(shí)圖譜是結(jié)構(gòu)化的語義知識(shí)庫，是用來描述客觀世界中的各種實(shí)體和概念，以及它們之間的相互關(guān)系[16]。在自適應(yīng)學(xué)習(xí)中應(yīng)以某一領(lǐng)域知識(shí)內(nèi)容搭建領(lǐng)域知識(shí)圖譜，在確定知識(shí)領(lǐng)域和學(xué)習(xí)需求后，進(jìn)行數(shù)據(jù)收集，然后對(duì)于非結(jié)構(gòu)化數(shù)據(jù)以自然語言處理技術(shù)提取出結(jié)構(gòu)化信息，通常包括實(shí)體命名識(shí)別、關(guān)系抽取、實(shí)體統(tǒng)一、指代消解等，并根據(jù)領(lǐng)域特點(diǎn)確定知識(shí)圖譜的實(shí)體類型、實(shí)體關(guān)系類型、屬性類型，以三元組的形式來表示知識(shí)圖譜，最后將結(jié)構(gòu)化數(shù)據(jù)根據(jù)不同的設(shè)計(jì)原則導(dǎo)入資源描述框架（RDF）或者圖數(shù)據(jù)庫（Neo4j、OrientDB、JanusGraph等）存儲(chǔ)。

習(xí)題試題庫：通過Scrapy框架采集在線題庫結(jié)構(gòu)性數(shù)據(jù)，提取題干、題型、答案和解析等數(shù)據(jù)，存入數(shù)據(jù)庫進(jìn)行文本處理。也可以結(jié)合自編試題，建立一個(gè)包含題庫編輯、自動(dòng)組卷、試題分析、在線考試等模塊的題庫系統(tǒng)。

虛擬現(xiàn)實(shí)場(chǎng)景建模：基于虛擬現(xiàn)實(shí)技術(shù)創(chuàng)建相關(guān)領(lǐng)域模型，用于虛擬技能訓(xùn)練、虛擬實(shí)驗(yàn)室、虛擬教學(xué)等教育場(chǎng)景。例如Unity Technologies 開發(fā)的Unity3D 引擎，包括虛擬三維物體模型、虛擬場(chǎng)景模型、物理計(jì)算等功能，可以建立虛擬實(shí)驗(yàn)室、虛擬實(shí)驗(yàn)裝置、虛擬儀器儀表、虛擬場(chǎng)景，也可以結(jié)合3dsMAX 完成復(fù)雜模型的創(chuàng)建[17]；利用VIVE虛擬現(xiàn)實(shí)設(shè)備開發(fā)場(chǎng)域模型，學(xué)生佩戴VR頭顯進(jìn)入虛擬環(huán)境，進(jìn)行沉浸式、交互性學(xué)習(xí)[18]。

2.1.7 效果評(píng)估

學(xué)習(xí)效果評(píng)估方法包括基于變異系數(shù)法、基于數(shù)據(jù)包絡(luò)分析法、基于熵值法、基于主成分分析法、基于層次分析法和基于貝葉斯分析法等，通過建立學(xué)習(xí)者效果評(píng)估模型，從學(xué)習(xí)能力、學(xué)習(xí)滿意度、學(xué)習(xí)參與度和學(xué)習(xí)興趣幾個(gè)方面進(jìn)行評(píng)估[19]。也可以根據(jù)學(xué)習(xí)者的考核成績、系統(tǒng)日志、自我評(píng)價(jià)、問卷調(diào)查等因素形成評(píng)價(jià)量表，進(jìn)行量化統(tǒng)計(jì)。其中應(yīng)當(dāng)包括考核結(jié)果量表、學(xué)習(xí)策略量表、時(shí)間管理量表、注意力量表、效果認(rèn)可度量表、情感評(píng)價(jià)量表等，從多個(gè)維度進(jìn)行量化分析，并反饋給系統(tǒng)進(jìn)行優(yōu)化。

對(duì)整個(gè)系統(tǒng)功能的評(píng)測(cè)可以采用三種方式：①學(xué)習(xí)者問卷調(diào)查：更直接，回復(fù)更翔實(shí)。②離線數(shù)據(jù)分析：通過日志系統(tǒng)調(diào)取學(xué)習(xí)者使用前后的成績變化，進(jìn)行分析。③在線AB測(cè)試：將學(xué)習(xí)者隨機(jī)分成幾組，采用不同的推薦算法，統(tǒng)計(jì)不同指標(biāo)進(jìn)行分析。

2.2 第三方自適應(yīng)學(xué)習(xí)系統(tǒng)應(yīng)用

圖書館自建的學(xué)習(xí)系統(tǒng)是根據(jù)已有的軟硬件條件而建構(gòu)的，同時(shí)使用對(duì)象較多，包括專家、管理者、教師、學(xué)生等，從形式到內(nèi)容的需求都較為復(fù)雜，不可能面面俱到，因此必須在管理上保持開放性，容許國內(nèi)外第三方自適應(yīng)學(xué)習(xí)系統(tǒng)的應(yīng)用或者接入。

當(dāng)前國外較為成熟的自適應(yīng)學(xué)習(xí)系統(tǒng)有：美國自適應(yīng)教育最大規(guī)模商業(yè)化平臺(tái)“Knewton”，是基于規(guī)則和機(jī)器學(xué)習(xí)而開發(fā)，主要包括推薦系統(tǒng)、數(shù)據(jù)系統(tǒng)和內(nèi)容建設(shè)，能夠通過數(shù)據(jù)收集、推斷及推薦來提供個(gè)性化教學(xué)。在線語言學(xué)習(xí)平臺(tái)“Duolingo”，也是采用基于機(jī)器學(xué)習(xí)的自適應(yīng)模式，會(huì)根據(jù)用戶的回答，個(gè)性化推送不同難度的選題，它還開發(fā)有可引導(dǎo)談話主題的聊天機(jī)器人。面向教師的自動(dòng)化評(píng)分系統(tǒng)“Gradescope”，可以輔助教師進(jìn)行試題批改，主要應(yīng)用于理工科。英語語法修改系統(tǒng)“Grammarly”，可以實(shí)現(xiàn)實(shí)時(shí)語法檢查、修正句子結(jié)構(gòu)、修改句式、拼寫檢查、詞匯增強(qiáng)等功能[20]。情緒識(shí)別與面部編碼數(shù)字應(yīng)用技術(shù)公司Affectiva推出的SDK：“Affdex”，能夠識(shí)別并輸出情緒指標(biāo)、面部表情指標(biāo)、網(wǎng)絡(luò)表情符號(hào)、外觀指標(biāo)，目前已在課堂學(xué)習(xí)狀態(tài)監(jiān)測(cè)中得到應(yīng)用。

國內(nèi)應(yīng)用的自適應(yīng)學(xué)習(xí)系統(tǒng)有：“論答”系統(tǒng)，包括論答PRISM人工智能算法推薦引擎、大數(shù)據(jù)分析系統(tǒng)、多學(xué)科知識(shí)圖譜、智能測(cè)評(píng)系統(tǒng)、學(xué)習(xí)路徑個(gè)性化規(guī)劃和學(xué)習(xí)任務(wù)智能匹配等[21]。海風(fēng)教育的“好望角”AI系統(tǒng)，包括情緒分析、注意力分析、課堂教育建議等。好未來與FaceThink的“TAL AI Lab”，將視覺分析、語音、機(jī)器學(xué)習(xí)等技術(shù)應(yīng)用于輔助教學(xué)、激發(fā)興趣、智能交互在線教育，包括魔鏡系統(tǒng)、智能評(píng)測(cè)系統(tǒng)等項(xiàng)目[22]。國內(nèi)知名的題庫、作業(yè)平臺(tái)有：“作業(yè)幫”的學(xué)習(xí)輔導(dǎo)服務(wù)主要是以“拍照搜題”的形式提供答案和知識(shí)點(diǎn)講解，也以人工智能技術(shù)形成用戶畫像及用戶群體畫像，針對(duì)性地推送練習(xí)[23]。猿輔導(dǎo)公司的“猿題庫”“小猿搜題”是通過自適應(yīng)技術(shù)為學(xué)習(xí)者提供個(gè)性化題庫，也是最大的真人在線個(gè)性化輔導(dǎo)平臺(tái)。在線英語學(xué)習(xí)方面有“批改網(wǎng)”，自動(dòng)掃描學(xué)生的英語作文參數(shù)，通過對(duì)比參數(shù)與標(biāo)準(zhǔn)語料庫的差距，給出分?jǐn)?shù)、評(píng)語及按句點(diǎn)評(píng)。

2.3 空間建設(shè)與位置管理

2.3.1 空間建設(shè)

作為一個(gè)學(xué)習(xí)中心，僅有傳統(tǒng)學(xué)習(xí)空間是不夠的，必須將空間建成一個(gè)智慧化的學(xué)習(xí)環(huán)境。Rob Koper 認(rèn)為，智慧學(xué)習(xí)環(huán)境就是在物理的空間環(huán)境中嵌入豐富的數(shù)字化內(nèi)容以及情境感知和自適應(yīng)設(shè)備[24]。

圖書館自適應(yīng)學(xué)習(xí)中心智慧空間建設(shè)的第一個(gè)要素是物理空間，這個(gè)空間除傳統(tǒng)空間設(shè)計(jì)中應(yīng)當(dāng)考慮的穿插、層次、節(jié)奏等空間美感外，還應(yīng)當(dāng)充分考慮空間功能的自由化和可變性、多樣性、延伸性，功能自由化即是可以設(shè)置不同體驗(yàn)感受的學(xué)習(xí)區(qū)，比如健身減壓學(xué)習(xí)區(qū)、咖啡學(xué)習(xí)區(qū)、超靜音學(xué)習(xí)區(qū)、脫機(jī)（手機(jī)集中存放）學(xué)習(xí)區(qū)等；功能可變性是指采用可移動(dòng)的家具、可伸縮的空間構(gòu)件；功能多樣性指具有各類討論區(qū)、小組討論教室、放映室、研修室、培訓(xùn)教室、開放交流區(qū)、多功能廳、社交區(qū)等，既有支持獨(dú)立學(xué)習(xí)的氛圍，也有支持群體學(xué)習(xí)的空間[25]；功能延伸性是指智慧學(xué)習(xí)的延續(xù)性延伸了圖書館的空間屬性，可以將圖書館空間延伸到教學(xué)樓、宿舍和食堂等不同區(qū)域，充分利用碎片時(shí)間，達(dá)到自適應(yīng)學(xué)習(xí)的泛在化效果。

自適應(yīng)學(xué)習(xí)中心智慧空間建設(shè)的第二個(gè)要素是資源空間，這是圖書館學(xué)習(xí)中心建設(shè)的核心優(yōu)勢(shì)。包括紙質(zhì)資源和數(shù)字資源，紙質(zhì)資源體積大信息含量小、信息傳遞效率低，在未來的發(fā)展上，應(yīng)當(dāng)重視數(shù)字資源建設(shè)。另外應(yīng)當(dāng)重視的是人的知識(shí)服務(wù)，在自適應(yīng)學(xué)習(xí)中，在程序化的導(dǎo)航式學(xué)習(xí)過程中，應(yīng)當(dāng)輔以真人服務(wù)，比如閱讀導(dǎo)師、學(xué)科指導(dǎo)教授[26]，以便形成知識(shí)引導(dǎo)的人性回歸。

自適應(yīng)學(xué)習(xí)中心智慧空間建設(shè)的第三個(gè)要素是支持設(shè)備，包括無線網(wǎng)絡(luò)全覆蓋、人臉抓拍攝像機(jī)全布控、自動(dòng)門禁系統(tǒng)等，還包括資源呈現(xiàn)類的白板、涂鴉墻、投影儀、觸摸式展示屏、充足的電源插座以及情境感知類的傳感器、交互類的智能終端等,也可能還有能夠提供移動(dòng)服務(wù)的“大疆RoboMaster S1+NLP模塊”，幫助造就更充分的無人值守空間。

2.3.2 位置管理

圖書館智慧空間位置管理分為群體位置管理和個(gè)體位置管理?；谌四樧R(shí)別門禁系統(tǒng)和人臉抓拍攝像機(jī)結(jié)合計(jì)算機(jī)視覺技術(shù)可以獲得學(xué)習(xí)者行走路線、聚集區(qū)域、行為特征等，為圖書館功能空間規(guī)劃、資源配置決策提供客觀有效的依據(jù)[27]；通過關(guān)鍵幀檢測(cè)、密度檢測(cè)進(jìn)行空間影響因素分析，及時(shí)引導(dǎo)、預(yù)防可能發(fā)生的不安全事件。

基于紅外線、燈光、超聲波、藍(lán)牙、UWB（超寬帶）、Zigbee（紫蜂協(xié)議）、RFID、Wi-Fi等室內(nèi)定位方法和技術(shù)[28]，結(jié)合學(xué)習(xí)路徑推薦模塊，將圖書館座位預(yù)約系統(tǒng)提升為座位推薦系統(tǒng)，即根據(jù)規(guī)則分析出每個(gè)位置適合匹配的學(xué)習(xí)者，從而提供個(gè)性化的位置推薦服務(wù)。

3 結(jié)語

人工智能時(shí)代學(xué)校教育將面臨教學(xué)結(jié)構(gòu)、辦學(xué)體制和組織形態(tài)的重大變革[29]。高校圖書館能否在這個(gè)時(shí)代完成角色轉(zhuǎn)換，關(guān)鍵還是看其發(fā)展能否滿足讀者需求，能否跟上學(xué)習(xí)模式的進(jìn)化，因此對(duì)圖書館來說自適應(yīng)學(xué)習(xí)是一個(gè)具有前瞻性的大命題，值得深入研究。但是自適應(yīng)學(xué)習(xí)系統(tǒng)又涉及硬件、軟件、空間、學(xué)習(xí)者等各個(gè)層面，十分復(fù)雜，美國高校教育信息化協(xié)會(huì)（EDUCAUSE）的《2019地平線報(bào)告（高等教育版）》提到近幾年自適應(yīng)學(xué)習(xí)沒有發(fā)揮出它應(yīng)有的潛力，實(shí)施和擴(kuò)展都受到時(shí)間、投資、資源的挑戰(zhàn)[30]，說明自適應(yīng)學(xué)習(xí)還有很長的路要走，需要學(xué)界學(xué)者不斷深入研究探討。