基于機(jī)器學(xué)習(xí)的英語詞匯自適應(yīng)學(xué)習(xí)模型①

劉 欣,李懷龍

(淮北師范大學(xué) 教育學(xué)院,淮北 235000)

學(xué)習(xí)者特征指對學(xué)習(xí)者從事學(xué)習(xí)產(chǎn)生影響的心理、生理和社會的特點,包括認(rèn)知的、情感的和社會的特征;其中,屬于認(rèn)知方面的特征被稱作學(xué)習(xí)者認(rèn)知特征,它作用于學(xué)習(xí)的信息加工過程[1].當(dāng)代教育心理學(xué)認(rèn)為學(xué)習(xí)者的認(rèn)知能力水平是學(xué)習(xí)者的認(rèn)知特征的重要組成部分,認(rèn)知語言學(xué)認(rèn)為詞匯學(xué)習(xí)就是一種信息加工過程,可見,學(xué)習(xí)者的認(rèn)知特征(認(rèn)知能力和認(rèn)知風(fēng)格)會影響詞匯學(xué)習(xí)的過程.

近年來,多媒體學(xué)習(xí)的相關(guān)研究進(jìn)一步表明學(xué)習(xí)者的認(rèn)知能力水平是影響第二語言詞匯學(xué)習(xí)績效的一個主要因素.在多媒體材料呈現(xiàn)方式對ESL (English as a Second Language)詞匯學(xué)習(xí)績效的效應(yīng)研究中,Chun以非英語專業(yè)大學(xué)生為被試群體,研究結(jié)果表明,“文字+圖片”比“文字+視頻”更有效[2],而Alseghayer 以英語專業(yè)大學(xué)生為被試群體,他的研究卻得出相反的結(jié)論[3],Toylor的研究結(jié)論是將詞匯學(xué)習(xí)績效的差異歸因于學(xué)習(xí)者的認(rèn)知能力水平的不同[4].

學(xué)習(xí)者認(rèn)知風(fēng)格對多媒體英語詞匯學(xué)習(xí)績效的主效應(yīng)同樣顯著.Riding 等將認(rèn)知風(fēng)格定義為:個體在認(rèn)知過程中所表現(xiàn)出來的習(xí)慣化的行為模式[5].可見,學(xué)習(xí)者認(rèn)知風(fēng)格的差異不但會導(dǎo)致出現(xiàn)選擇不同學(xué)習(xí)內(nèi)容的行為,而且會影響學(xué)習(xí)者在多媒體詞匯學(xué)習(xí)時的學(xué)習(xí)績效.Reid 指出,個體學(xué)習(xí)者的認(rèn)知風(fēng)格決定了他們選擇何種學(xué)習(xí)策略,從而影響他們的詞匯學(xué)習(xí)績效[6].Oxford 對語言學(xué)習(xí)成績的各項研究也揭示出學(xué)習(xí)者認(rèn)知風(fēng)格傾向的重要性[7].至此可以得出,學(xué)習(xí)者認(rèn)知特征和學(xué)習(xí)內(nèi)容確實存在適應(yīng)性關(guān)系.設(shè)計一種能測量出這種適應(yīng)性關(guān)系、隨后為學(xué)習(xí)者推送相合適的學(xué)習(xí)內(nèi)容的工具就顯得尤為必要.

國內(nèi)外近年來有一些關(guān)于自適應(yīng)學(xué)習(xí)模型構(gòu)建的研究.如在國內(nèi),陳品德較早地利用Web 平臺制作適應(yīng)性學(xué)習(xí)系統(tǒng)[8];菅保霞等深入大數(shù)據(jù)背景,建立基于元分析視角的自適應(yīng)學(xué)習(xí)個性特征模型[9].而在國外,大量的自適應(yīng)學(xué)習(xí)平臺已應(yīng)用在實踐當(dāng)中,自適應(yīng)技術(shù)逐漸變成一套為學(xué)習(xí)者提供更廣泛的個性化學(xué)習(xí)服務(wù)的教育技術(shù)工具.哥倫比亞大學(xué)開發(fā)的Alchemy 學(xué)習(xí)平臺,意圖為學(xué)生應(yīng)對即時和具體的大規(guī)模在線學(xué)習(xí)的挑戰(zhàn);目前它仍處于beta 版,但Alchemy有能力適應(yīng)不同的班級規(guī)模,并支持靈活的學(xué)習(xí),以及潛在的個性化的大規(guī)模在線學(xué)習(xí)體驗[10].佛羅里達(dá)大學(xué)則重新設(shè)計了具有適應(yīng)性學(xué)習(xí)的初級西班牙語課程,以回答學(xué)生在這些課程中遇到的無數(shù)問題;收集到的初步數(shù)據(jù)表明,學(xué)生掌握程度明顯提高了,學(xué)生對教學(xué)調(diào)查的看法愈發(fā)積極[10].Alchemy 平臺尚處于試用階段,而佛羅里達(dá)大學(xué)的適應(yīng)性課程沒有英語課程,分析當(dāng)前研究現(xiàn)狀可知,有關(guān)英語學(xué)習(xí)的適應(yīng)性學(xué)習(xí)軟件的研發(fā)仍需完善.此外,已有的自適應(yīng)學(xué)習(xí)模型、系統(tǒng)和平臺,鮮有把機(jī)器學(xué)習(xí)的概念、方法運用到多媒體學(xué)習(xí)認(rèn)知領(lǐng)域的實踐當(dāng)中.針對以上不足,本研究試圖通過改進(jìn)、優(yōu)化AdaBoost 算法,并將該算法與基于IRT(項目反應(yīng)理論)的計算機(jī)自適應(yīng)測驗相整合,以此構(gòu)建一個融入了機(jī)器學(xué)習(xí)算法的新型英語詞匯自適應(yīng)學(xué)習(xí)模型.該項研究具有一定的理論價值和現(xiàn)實價值.

1 模型的理論依據(jù)

1.1 自適應(yīng)學(xué)習(xí)技術(shù)

自適應(yīng)學(xué)習(xí)技術(shù)是指根據(jù)學(xué)習(xí)者獨特的個性特征,通過呈現(xiàn)適當(dāng)?shù)男畔?、教學(xué)材料,反饋和建議來提供一個符合學(xué)習(xí)者需要的智能調(diào)整環(huán)境[11].自適應(yīng)學(xué)習(xí)系統(tǒng)通過將學(xué)習(xí)者的個體差異和學(xué)習(xí)情境納入其中,從而提高學(xué)習(xí)效果,需要付出較少的努力,減少所需的時間,并產(chǎn)生更高的學(xué)習(xí)者滿意度.本模型是一個典型的自適應(yīng)學(xué)習(xí)模型,它遵循自適應(yīng)學(xué)習(xí)系統(tǒng)兩個必要步驟:第一步涉及學(xué)習(xí)者靜態(tài)建模和動態(tài)建模,靜態(tài)建模是一種學(xué)生模型或情境模型只設(shè)置一次的方法,指學(xué)習(xí)者第一次訪問系統(tǒng)時(系統(tǒng)初始化);相反,動態(tài)建模方法會持續(xù)監(jiān)控學(xué)習(xí)者及其所處的情境,并經(jīng)常更新“學(xué)生/情境”模型的信息(系統(tǒng)參數(shù)更新).第二步,確定學(xué)習(xí)者特征及其當(dāng)前情況(學(xué)習(xí)者某個認(rèn)知特征,學(xué)習(xí)者對某種學(xué)習(xí)內(nèi)容的自我選擇情況),可以用來給學(xué)習(xí)者提供個性化的學(xué)習(xí)體驗(自適應(yīng)學(xué)習(xí)內(nèi)容呈現(xiàn)).因而,本模型的參數(shù)信息(條件概率)被用來提供自適應(yīng)性,為學(xué)習(xí)者供應(yīng)自適應(yīng)性功效的適應(yīng)性學(xué)習(xí)引擎(系統(tǒng))是模型的最終產(chǎn)品.

1.2 機(jī)器學(xué)習(xí)、條件概率、AdaBoost 算法

機(jī)器學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域最受歡迎的課題,取得了豐碩成果.本模型也是將機(jī)器學(xué)習(xí)的概念、方法借鑒到多媒體學(xué)習(xí)認(rèn)知研究領(lǐng)域的一次嘗試.機(jī)器學(xué)習(xí)的核心是參數(shù),訓(xùn)練是學(xué)習(xí)訓(xùn)練集數(shù)據(jù)的過程,也是尋找最優(yōu)參數(shù)的過程,依照已被嚴(yán)格推導(dǎo)出的數(shù)學(xué)算法,來達(dá)到參數(shù)優(yōu)化的目的[12].給予本模型的啟發(fā)是引入訓(xùn)練的思想,可以讓模型自動地調(diào)整參數(shù)(條件概率)以擬合真實的適應(yīng)性關(guān)系,使其成為動態(tài)建模學(xué)習(xí)工具.

具有不同認(rèn)知特征的學(xué)習(xí)者對學(xué)習(xí)內(nèi)容的適應(yīng)性程度稱為適應(yīng)度,即適應(yīng)度用于表示具有某個認(rèn)知特征的學(xué)習(xí)者對某種學(xué)習(xí)內(nèi)容的適應(yīng)性程度,用條件概率P(Aj|Bi)表示[13],意為在事件Bi發(fā)生的條件下,事件Aj可能發(fā)生的概率;Bi表示學(xué)習(xí)者具有第i類認(rèn)知特征,Aj表示學(xué)習(xí)者對第j種學(xué)習(xí)內(nèi)容的選擇.

AdaBoost 算法全稱為Adative Boost,即自適應(yīng)的增強(qiáng)算法,旨在將多個“弱學(xué)習(xí)器”通過適應(yīng)地調(diào)整概率,組合成為一個“強(qiáng)學(xué)習(xí)器”[14].站在本模型的角度,AdaBoost 算法如下:輸入訓(xùn)練數(shù)據(jù)集T={(x1,y1),(x2,y2),…,(xN,yN))},其中xi∈Rn,yi∈y={?1,+1};弱學(xué)習(xí)器.輸出:最終強(qiáng)學(xué)習(xí)器G(x).

(1)初始化弱學(xué)習(xí)器的概率P1

(2)對迭代次數(shù)m.有m=1,2,···,M

(a)使用訓(xùn)練數(shù)據(jù)集學(xué)習(xí),得到弱學(xué)習(xí)器的線性組合Gm(x)

(b)計算Gm(x)在訓(xùn)練數(shù)據(jù)集上的誤差率em

(c)計算Gm(x)的系數(shù)am

(d)更新弱學(xué)習(xí)器的概率Pm+1

這里Zm是規(guī)范化因子,它使Pm+1成為一個概率

(3)構(gòu)建弱學(xué)習(xí)器的線性組合,得到最終強(qiáng)學(xué)習(xí)器G(x)

AdaBoost 算法步驟是:先假設(shè)每個弱學(xué)習(xí)器作用相同,也就是說弱學(xué)習(xí)器有著均勻的概率,然后反復(fù)學(xué)習(xí),作出m=1,2,···,M次迭代,每次迭代步驟為:使用當(dāng)前弱學(xué)習(xí)器概率、計算誤差率、計算弱學(xué)習(xí)器系數(shù)、更新弱學(xué)習(xí)器概率、線性組合弱學(xué)習(xí)器.由此看出,AdaBoost 算法所解決的問題,尤其是適應(yīng)地更新概率,與模型面臨的最中心問題—根據(jù)學(xué)習(xí)者對每個單詞的學(xué)習(xí)內(nèi)容的選擇情況,適應(yīng)度如何自動地變化,兩者基本一致,這正是模型公式參考AdaBoost 算法公式的理由.針對問題,模型也對AdaBoost 算法進(jìn)行了簡化和改進(jìn):(1)對于每個單詞,模型只有一次訓(xùn)練,也只需要一次適應(yīng)度更新,同一單詞不需要多次迭代,因而置m=1;(2)學(xué)習(xí)者對每個單詞只能選取一種學(xué)習(xí)內(nèi)容,對第i種學(xué)習(xí)內(nèi)容xi,若被選擇則yi=+1,否則yi=?1,根據(jù)AdaBoost 算法的闕值化器計算得em=1/N,Gm(xi)=?1;(3)模型僅用到AdaBoost 算法的概率更新,所以上述式(8)不必引入.再者,除首次訓(xùn)練的初始適應(yīng)度是平均值外,其余每次訓(xùn)練的初始適應(yīng)度,都為上次訓(xùn)練經(jīng)過更新后的適應(yīng)度.

1.3 基于IRT(項目反應(yīng)理論)的自適應(yīng)測驗

基于IRT 項目反應(yīng)理論的自適應(yīng)測驗常利用計算機(jī)實施,又稱為計算機(jī)自適應(yīng)測驗(Computerized Adaptive Testing,CAT),作為一種新式的測驗方式廣泛應(yīng)用于教育測量與評價中.基于項目反應(yīng)理論的自適應(yīng)測驗是這樣進(jìn)行的:從測試項目的應(yīng)答結(jié)果對被測試者的能力水平進(jìn)行估計(或估計值的修正).按照估計的能力水平,從項目數(shù)據(jù)庫中檢索出與之匹配、適宜的測試項目[15].

為得到穩(wěn)定的適應(yīng)度,模型的求解過程參照了基于項目反應(yīng)理論的自適應(yīng)測驗,既有相似,又有區(qū)別.相似之處是,都可以根據(jù)用戶的反應(yīng)模式進(jìn)行參數(shù)更新,且參數(shù)的更新時機(jī)都在學(xué)習(xí)者每完成一個項目的學(xué)習(xí)后立刻重新計算,操作流程類似.區(qū)別之處有兩點:(1)模型所使用的運算公式是AdaBoost 算法的公式;(2)模型的結(jié)束判定使用最近3 次每個適應(yīng)度的標(biāo)準(zhǔn)差(均小于某個精度值).

2 模型的構(gòu)建

本模型屬于動態(tài)模型,其構(gòu)建主要分為兩個步驟:(1)建立問題的數(shù)學(xué)模型:模型的數(shù)學(xué)公式,是承待解決問題的抽象描繪;(2)數(shù)學(xué)模型求解:模型的算法,是解決問題的具體流程.第(1)步包括模型的問題描述與公式,第(2)步包括模型的算法流程設(shè)計和算法偽代碼實現(xiàn),之后加入模型的討論.

2.1 模型的問題

模型要解決的問題是,測得學(xué)習(xí)者某個認(rèn)知特征對某種學(xué)習(xí)內(nèi)容的適應(yīng)性關(guān)系,根據(jù)該認(rèn)知特征在學(xué)習(xí)過程中是否會發(fā)生改變,應(yīng)分為兩種情況:(1)該認(rèn)知特征在學(xué)習(xí)過程中幾乎不會改變(如認(rèn)知風(fēng)格),此時模型是靜態(tài)模型,如圖1(a)所示.適應(yīng)度P(ci|s=s0)(其中i=1,2,···,n)表示,在學(xué)習(xí)者某個認(rèn)知特征取值為s=s0的條件下(s0是一個常量值),學(xué)習(xí)者對第i種學(xué)習(xí)內(nèi)容選擇的概率;(2)認(rèn)知特征在學(xué)習(xí)過程中很可能會改變(如認(rèn)知能力),此時模型是動態(tài)模型,如圖1(b)所示.適應(yīng)度P(ci|s=sk)(其中i=1,2,···,n)表示,在學(xué)習(xí)者某個認(rèn)知特征取值為s=sk的條件下(sk是一個變量值),學(xué)習(xí)者對第i種學(xué)習(xí)內(nèi)容選擇的概率.無論何種情況,每種學(xué)習(xí)內(nèi)容都對應(yīng)著1個適應(yīng)度,適應(yīng)度會隨著訓(xùn)練次數(shù)增加而不斷更新,且所有適應(yīng)度總和恒為1.總的來說,模型被視為一個動態(tài)模型.

圖1 學(xué)習(xí)者某個認(rèn)知特征對某種學(xué)習(xí)內(nèi)容的適應(yīng)性關(guān)系圖

2.2 模型的公式

模型旨在解決學(xué)習(xí)者在學(xué)習(xí)一個單詞后,適應(yīng)度的動態(tài)更新.模型的公式參考了AdaBoost 算法公式,并對其簡化.公式具體表述如下:

輸入:將學(xué)習(xí)者對一個單詞的選擇情況數(shù)據(jù)集,作為一次訓(xùn)練的訓(xùn)練數(shù)據(jù)集,記T={(x1,y1),(x2,y2),···,(xN,yN)},其中x為學(xué)習(xí)內(nèi)容種類,y為選擇結(jié)果,i為第i種學(xué)習(xí)內(nèi)容,n為學(xué)習(xí)內(nèi)容種類數(shù);x={1,2···i,···,n},y={+1,?1}.

將第2.1 節(jié)中P(ci|s=s0)或P(ci|s=sk)簡記為Pi,當(dāng)前適應(yīng)度為P=(P1,P2,···Pi,···,Pn),若為初始化,則Pi=1/n,否則為上次運算得到的適應(yīng)度.

(1)計算誤差率e

(2)計算系數(shù)alpha

(4)得到更新后的適應(yīng)度

2.3 模型的算法流程設(shè)計

模型的算法流程參照了基于項目反應(yīng)理論的自適應(yīng)測驗流程,如圖2所示,對圖中每個步驟進(jìn)一步解釋如下.

圖2 模型的算法流程設(shè)計圖

(1)模型初始化(開始)

① 假定每種學(xué)習(xí)內(nèi)容被選擇的概率相同,使用均值初始化適應(yīng)度.

(2)模型一次訓(xùn)練(繼續(xù))

② 從詞庫內(nèi)隨機(jī)抽取一個未學(xué)習(xí)過的單詞,呈現(xiàn)不同種類的學(xué)習(xí)內(nèi)容.

③ 記錄用戶選擇了何種學(xué)習(xí)內(nèi)容.

④ 重新計算每個適應(yīng)度.

(3)模型結(jié)束判定(結(jié)束)

⑤ 判斷每個適應(yīng)度,最近3 次訓(xùn)練的標(biāo)準(zhǔn)差是否小于0.01,若不滿足回到第②步,否則進(jìn)入第⑥步.

⑥ 每個適應(yīng)度的波動范圍均較小,得到穩(wěn)定的適應(yīng)度.

2.4 模型的算法偽代碼實現(xiàn)

模型的中心任務(wù)是適應(yīng)度更新的實現(xiàn),下面以第i種學(xué)習(xí)內(nèi)容為例,Python 偽代碼編程如算法1.

算法1.求第i 種學(xué)習(xí)內(nèi)容更新后的適應(yīng)度輸入:訓(xùn)練數(shù)據(jù)(xi,yi)輸出:更新后的適應(yīng)度Pi 1.If initflag:#如果是初始化2.Pi=1/n #適應(yīng)度為平均值,n為學(xué)習(xí)內(nèi)容的種類數(shù)3.Else:4.Pi=ReadDB(i)#從數(shù)據(jù)庫里讀取上一次計算得到的第i 種學(xué)習(xí)內(nèi)容對應(yīng)的適應(yīng)度5.e=1/n #誤差率6.alpha=0.5*Log((1?e)/e)#系數(shù)7.Pi=Pi * Exp(?alpha*Yi*(?1))#Pi 更新開始,若第i 種學(xué)習(xí)內(nèi)容被學(xué)習(xí)者選擇,則Yi=1,否則Yi=?1 8.z=Sum(Pi)#規(guī)范化因子9.Pi=Pi/z # Pi 更新完成10.If Std(Pi,LastPi,LastLastPi)<0.01 #如果最近3 次適應(yīng)度的標(biāo)準(zhǔn)差小于0.01 11.If OthersStd()<0.01 #如果最近3 次每個適應(yīng)度的標(biāo)準(zhǔn)差均小于0.01 12.Finish()#系統(tǒng)結(jié)束運行13.Else:14.Continue()#系統(tǒng)繼續(xù)運行15.Else:16.Continue()#系統(tǒng)繼續(xù)運行

2.5 模型的討論

需要討論的是,模型中學(xué)習(xí)內(nèi)容種類n數(shù)值的確定.以研究材料呈現(xiàn)方式對英語詞匯學(xué)習(xí)績效的影響為例,應(yīng)先用文獻(xiàn)法、專家評價法篩選詞匯材料的有意義組合呈現(xiàn)方式.所謂有意義組合呈現(xiàn)方式,是指詞匯呈現(xiàn)材料的組合是不違背多媒體學(xué)習(xí)認(rèn)知理論的基本原理的,符合人們外語詞匯學(xué)習(xí)習(xí)慣,或者已經(jīng)證明這樣的組合對詞匯學(xué)習(xí)有促進(jìn)作用[16].已有研究表明,有意義組合呈現(xiàn)方式大概有8 至12 種,所以當(dāng)模型被實際運用到該項研究時,n數(shù)值取值范圍盡量為8 至12.

2.6 模型的驗證

為進(jìn)一步佐證模型的有效性,提升其現(xiàn)實應(yīng)用價值,遂根據(jù)模型開發(fā)出原型系統(tǒng),并實施試測.原型系統(tǒng)由服務(wù)端和客戶端兩部分組成,服務(wù)端負(fù)責(zé)使用模型的算法,以更新被試的適應(yīng)度;客戶端負(fù)責(zé)呈現(xiàn)不同種類的學(xué)習(xí)內(nèi)容,供被試選擇.服務(wù)端是一個基于Flask框架編寫的Web 程序,實驗環(huán)境為Windows 10+Python 3.7.2+Flask 1.1.1,服務(wù)端數(shù)據(jù)庫使用flask_sqlalchemy;客戶端是一個移動APP,實驗環(huán)境為Windows 10+Android Studio 3.3.2+Android SDK 28+安卓模擬器;客戶端APP 運行在安卓模擬器,服務(wù)端Web 程序運行于本地計算機(jī),安卓模擬器與本地計算機(jī)通過WLAN 無線網(wǎng)卡橋接,用于建立客戶端和服務(wù)端的網(wǎng)絡(luò)連接.客戶端request 數(shù)據(jù)提交方式為Post,服務(wù)端處理由客戶端發(fā)來的request 數(shù)據(jù).

實驗中,學(xué)習(xí)內(nèi)容種類有5 種,分別為詞形變化、詞根詞綴、圖片、短語、例句;被試選取自大一非英語專業(yè)的女生;測試詞匯庫里的詞匯,均借助《牛津詞典》選用那些被試不認(rèn)識,且難度相近的單詞.系統(tǒng)初始化時,設(shè)置參數(shù)n(學(xué)習(xí)內(nèi)容種類)數(shù)值為5,參數(shù)e(誤差率)數(shù)值為0.2.以其中一名被試的實驗結(jié)果為例,如圖3所示,系統(tǒng)在訓(xùn)練時,處于快速收斂的狀態(tài),數(shù)值變化也比較合理,經(jīng)過9 次訓(xùn)練后,計算出穩(wěn)定的適應(yīng)度,即(0.000243,0.994658,0.003885,0.000243,0.000971).可以看出,該名被試更加適合詞根詞綴型學(xué)習(xí)內(nèi)容,這與早前的問卷調(diào)查結(jié)果相一致.

實驗結(jié)果表明,該系統(tǒng)符合自適應(yīng)學(xué)習(xí)系統(tǒng)的要求,其自適應(yīng)性體現(xiàn)于:根據(jù)被試反應(yīng),不斷更新被試適應(yīng)度參數(shù),最終對被試適應(yīng)度作出估計;同時,伴隨著測驗過程的發(fā)生,系統(tǒng)會為被試呈現(xiàn)出,當(dāng)前適應(yīng)度最大的、所對應(yīng)的某種學(xué)習(xí)內(nèi)容,即系統(tǒng)適應(yīng)了該名被試.這一點,相似于基于IRT(項目反應(yīng)理論)的計算機(jī)自適應(yīng)測驗中的能力參數(shù)估計的情況.

再者,以往類似研究所使用的測量工具大多局限于量表(如學(xué)習(xí)風(fēng)格量表),它們的量化能力明顯有限,很難測得同一變量的每個水平之間的準(zhǔn)確差異值,而用本模型作為替代性測量工具,可提高相關(guān)評估實證研究的量化水平.

圖3 某名被試的系統(tǒng)試測結(jié)果

3 總結(jié)

綜上所述,研發(fā)了一個基于適應(yīng)度的英語詞匯自適應(yīng)學(xué)習(xí)模型,將該模型現(xiàn)實構(gòu)建,就獲取了一個適應(yīng)性學(xué)習(xí)引擎(系統(tǒng)),它能夠偵測學(xué)習(xí)者某個認(rèn)知特征對某種學(xué)習(xí)內(nèi)容的適應(yīng)性關(guān)系,并調(diào)整學(xué)習(xí)內(nèi)容的推送,最終使得學(xué)習(xí)內(nèi)容與特定學(xué)習(xí)者相匹配.本模型希望應(yīng)用于英語詞匯學(xué)習(xí)的相關(guān)研究,但也能方便地遷移到其他學(xué)習(xí)研究上,具有良好的可靠性和魯棒性.此模型的不足之處在于兩點,一是模型尚未偵測學(xué)習(xí)者某個認(rèn)知特征的具體取值,而將此看作預(yù)設(shè).二是尚未引入學(xué)習(xí)績效,學(xué)習(xí)者根據(jù)自我喜好而選擇的學(xué)習(xí)內(nèi)容,無法肯定使用這些學(xué)習(xí)內(nèi)容就可以獲得高的學(xué)習(xí)績效,同時也不能通過學(xué)習(xí)績效分析出學(xué)習(xí)損失.以上功能是進(jìn)一步增強(qiáng)適應(yīng)性學(xué)習(xí)引擎(系統(tǒng))對學(xué)習(xí)者的自適應(yīng)性能力的要點所在.這也是要展開的后續(xù)工作.