论文部分内容阅读
【摘 要】
直至不久前，面向成千上万学习者大规模提供个性化教育纯属天方夜谭。得益于普适计算能力、大规模用户群体和可扩展分析算法，现在似乎比以往任何时候都更有可能通过自适应学习的形式，基于学习者的输入而非教师的直觉改变学习者个体的学习体验。这篇综述旨在向工程教育领域负责人和工程专业教师提供三个方面的指导。首先，解释什么是自适应学习系统以及这种系统需要什么类型的数据；其次，对自适应系统的主要用例及可能性进行分类；最后，简要阐述现阶段自适应系统的局限以及值得关注的地方。工程专业的负责人和教师可以据此判断他们的教学环境是否适合使用这些系统；教育研究者则可以研究现有系统的特点，了解它们能在哪些方面发挥重要作用。
【关键词】 在线学习；自适应学习；机器学习；慕课；认识论；学习者模型；知识跟踪
【中图分类号】 G420 【文献标识码】 B 【文章编号】 1009-458x（2018）7-0043-11
导读：从历史上看，对教育而言，个性化似乎是理所当然的事情。比如，我国以前的私塾便是一种个性化教育，英国牛津和剑桥大学的传统导师制（即所谓OxCam Tutor模式）更是个性化教育的典范。我们平时常挂在嘴边的“因人施教”其实也是为了使教学更个性化。随着社会的发展，对教育的需求日益增长，“私塾”也好，“导师制”也好，远远满足不了这些需求，“私塾”还可能有悖于现代教育规律和培养目标，而在具体教学实践中“因人施教”的“人”也不一定是某一个“个体”，更多的是以班组为单位的“个体”，因此难以实现真正意义上的“个性化”。在技术与教育如此“水乳交融”的今天，借助技术手段帮助教育重拾“个性化”是再自然不过的事情（“如果说教育的‘终极’目标是实现教育个性化，那么目前自适应教育则被认为是达成这个目标的上策”，而“现在由于有普适计算能力、大规模用户群体以及可扩展分析算法，我们能够基于学习者的输入而非教师的直觉改变个体学习者的学习体验，而且能够大规模开展”），学术界可能觉得这是他们义不容辞的责任，而商界则从中嗅到浓浓商机，于是自适应学习应运而生，如同其他一些基于技术的教学创新一样，在大众媒体的推波助澜下，风生水起。然而，毋庸讳言，并非所有人都真正了解自适应学习；要充分发挥自适应技术对学习的促进作用，我们就必须对其“知根知底”，不断探索、不断改进，才能扬其所长、避其所短。
本文是美国斯坦福大学两位研究者佩特·约翰内斯和拉里·拉格斯多姆博士提交美国工程教育学会（ASEE）2017年年会的论文①，文章不是很长，但诚如史蒂芬·道恩斯所言，言简意赅，较为完整地给读者呈现了自适应学习领域的发展历史、实践与研究现状以及存在的问题。有一点需要说明，本文的读者对象原本是工程教育领域的教育工作者和研究者，所以个别地方的措辞明显针对工程教育领域同行，但我认为这并不意味着文章所述仅局限于工程教育。
文章第一部分从两个方面对自适应学习进行溯源：发展脉络和科学原理。从其发展脉络看，一方面可以追溯到“二十世纪八十年代个人电脑的出现以及把电脑作为一种自动化辅导教师（an automated form of tutor）或‘智能辅导系统’（intelligent tutoring system）使用的可能性”，另一方面则是“得益于教育领域慕课的兴起和数据科学领域机器学习方法的发展”，目的是“提高学习者的参与度、学习效果和坚持学习的信心”，最终降低辍学率。至于科学原理，文章用通俗易懂的语言简要介绍了与自适应学习系统有关的基本概念和原理，包括自适应模型、领域模型和用户模型、叠加建模与不确定性建模，以及知识跟踪等。
文章第二部分在回顾自适应学习现状和对学习的促进作用基础上展望发展前景。从现状看，自适应学习领域是一个高度商业化的领域，“企业、出版商以及后台系统供应商都在把自己的收入和客户满意度押在自適应学习上”，当然，高等教育机构也不甘落后，事实上不少商业机构与大学有千丝万缕的关系。另外，有些大学“投资开发用于‘高危’学生预警系统的学生预测模型。这些模型有助于设计和实施自适应干预措施，从而降低不及格率和辍学率”。自适应学习的商业化必然带来一些问题，比如技术垄断或对成效夸大其词等。尽管如此，我们还是能够从企业与学术界合作的一些项目中了解到一些实施案例的情况，其成效主要体现在三个方面：“减少学习时间”“缩小成绩和学习参与度的差距”，以及“提高考试及格率”。第二部分以一个图表收尾，分别从领域模型、学习者模型和自适应模型三个角度归纳自适应系统对学习者、教育工作者、学习科学研究者和计算机科学家的潜在好处。
虽然研究表明自适应学习能够产生一些积极学习效果，但是也存在言过其实的宣传。2013年比尔和梅琳达·盖茨基金会启动“自适应学习市场加速项目”，旨在推广自适应学习的应用，成功中标者包括14家高等教育机构。这是一个大规模项目，共有23，000名学生参加该项目，基金会委托斯坦福国际研究中心对项目的实施情况进行评估，包括学习结果、成本和满意度等方面。研究结果喜忧参半。换言之，大众传媒或企业对自适应学习的成效有言过其实之嫌。因此，文章第三部分的第二小节重点阐述三个方面的问题：第一，对学生的歧视和标签化，比如，根据学生在某一门课程上的学习情况给他们贴上“差生”“中等生”或“优等生”标签是否会产生副作用？标签化是否会导致学生“只能囿于某种学习路径”？例外情况的学生又该如何处理？再者，不论从何种角度看，算法都不是中立的，这样就很容易导致有些学生遭受歧视。第二，自适应学习系统赖以支撑的知识和认识观单一，从而影响其应用范围。比如，大多数自适应学习系统都把知识分为描述性和程序性两种，“认为所有相关知识不仅可以建模，也可以显性化”，未能处理隐性知识。换言之，它们可能适合某些内容的学习，但对于另外某些内容的学习可能作用适得其反。第三，学生数据的透明性、易得性和安全性同样是我们必须警惕的问题。 文章最后指出，自适应学习系统所存在的问题或局限不是不可避免的，“而是有意或无意为之的结果”。自适应学习是一种潮流，甚至是一种必然发展趋势，不管我们喜欢与否，它的存在是一个客观事实，因此，作者呼吁广大教育工作者不要排斥它，而是应该积极主动参与自适应学习系统的设计，从而在自适应学习领域发挥应有的影响，帮助其健康发展。
衷心感谢佩特·约翰内斯和拉里·拉格斯多姆博士对本文的翻译所给予的积极配合和支持！（肖俊洪）
引言
2015年，美国斯坦福大学校长、工程学教授约翰·轩尼诗（John Hennessy）在美国教育委员会（American Council of Education）发表了一个演讲，展望如何通过新技术工具和新教学方法提升高等教育质量的前景。他特别强调可以打造能因人而异调整学习进度、深度和方法的在线和混合式学习材料，给课程注入活力（Hennessy， 2015）。其他学者也发表过同样的意见。譬如美国国家工程学院（National Academy of Engineering）把“个性化和自适应学习”列为其面临的重大挑战之一。由来自不同大学、基金会、政府部门、非营利性组织和营利性公司的37名代表组成的“学习分析工作组”提出了一个“终极”目标，即“大规模提供个性化网络学习，满足地球上每一个人对任何知识领域的求知欲”（Pea， 2014）。Knewton、Acrobatiq、Coursera以及 Udacity这些公司或是把自适应学习技术商业化，或是正在使用这种技术。此外，在线高等教育机构也正在其课程中使用这种技术，譬如美国西部州长大学（Western Governors University）。鉴于此，大学的工程学院和教师在不久的将来很可能就要面对如何运用自适应技术和类似的技术提高学习效果的问题。当然，学生和家长可能会提出此类问题，媒体甚至认证机构也可能提出此类问题。
本综述旨在帮助工程教育的负责人和教师了解什么是自适应学习系统，这种系统的主要用途以及存在的问题等。
自适应学习溯源
在个体学习者的学习过程中改变其学习体验，而非全班的学习体验，这对教育工作者而言既不是一个新目标，也不是不可为之的事情。毕竟，教师向某个学生提供反馈或助教在实验课上以不同方法帮助每一个学生——这些都不是只在科幻故事中才可以做到的。现在由于有普适计算能力、大规模用户群体以及可扩展分析算法，我们能够基于学习者的输入而非教师的直觉改变个体学习者的学习体验，而且是能够大规模开展的。但是，直至不久前这种事情还只是天方夜谭。本节将简要回顾自适应学习在教育研究这个宽广领域的地位以及现代自适应教育的理论基础。
1. 自适应教育的历史
如果说教育的“终极”目标是实现教育个性化，那么目前自适应教育则被认为是达成这个目标的上策。我们可以循着两个方面探索自适应学习的发展脉络。一条脉络可以溯源到20世纪80年代个人电脑的出现以及把电脑作为一种自动化辅导教师（an automated form of tutor）或“智能辅导系统”（intelligent tutoring system）使用的可能性（Wan， 2016）。智能辅导系统是“一种计算机系统，该系统执行教学或学习辅导功能（比如挑选作业、提问、提示、评价学生的回答、反馈、鼓励反思和提供能激发学生兴趣的评语等），并且对学生的认知、动机或情感状态进行建模，以调整或个性化这些功能”（Nesbit， Liu， Liu，
直至不久前，面向成千上万学习者大规模提供个性化教育纯属天方夜谭。得益于普适计算能力、大规模用户群体和可扩展分析算法，现在似乎比以往任何时候都更有可能通过自适应学习的形式，基于学习者的输入而非教师的直觉改变学习者个体的学习体验。这篇综述旨在向工程教育领域负责人和工程专业教师提供三个方面的指导。首先，解释什么是自适应学习系统以及这种系统需要什么类型的数据；其次，对自适应系统的主要用例及可能性进行分类；最后，简要阐述现阶段自适应系统的局限以及值得关注的地方。工程专业的负责人和教师可以据此判断他们的教学环境是否适合使用这些系统；教育研究者则可以研究现有系统的特点，了解它们能在哪些方面发挥重要作用。
【关键词】 在线学习；自适应学习；机器学习；慕课；认识论；学习者模型；知识跟踪
【中图分类号】 G420 【文献标识码】 B 【文章编号】 1009-458x（2018）7-0043-11
导读：从历史上看，对教育而言，个性化似乎是理所当然的事情。比如，我国以前的私塾便是一种个性化教育，英国牛津和剑桥大学的传统导师制（即所谓OxCam Tutor模式）更是个性化教育的典范。我们平时常挂在嘴边的“因人施教”其实也是为了使教学更个性化。随着社会的发展，对教育的需求日益增长，“私塾”也好，“导师制”也好，远远满足不了这些需求，“私塾”还可能有悖于现代教育规律和培养目标，而在具体教学实践中“因人施教”的“人”也不一定是某一个“个体”，更多的是以班组为单位的“个体”，因此难以实现真正意义上的“个性化”。在技术与教育如此“水乳交融”的今天，借助技术手段帮助教育重拾“个性化”是再自然不过的事情（“如果说教育的‘终极’目标是实现教育个性化，那么目前自适应教育则被认为是达成这个目标的上策”，而“现在由于有普适计算能力、大规模用户群体以及可扩展分析算法，我们能够基于学习者的输入而非教师的直觉改变个体学习者的学习体验，而且能够大规模开展”），学术界可能觉得这是他们义不容辞的责任，而商界则从中嗅到浓浓商机，于是自适应学习应运而生，如同其他一些基于技术的教学创新一样，在大众媒体的推波助澜下，风生水起。然而，毋庸讳言，并非所有人都真正了解自适应学习；要充分发挥自适应技术对学习的促进作用，我们就必须对其“知根知底”，不断探索、不断改进，才能扬其所长、避其所短。
本文是美国斯坦福大学两位研究者佩特·约翰内斯和拉里·拉格斯多姆博士提交美国工程教育学会（ASEE）2017年年会的论文①，文章不是很长，但诚如史蒂芬·道恩斯所言，言简意赅，较为完整地给读者呈现了自适应学习领域的发展历史、实践与研究现状以及存在的问题。有一点需要说明，本文的读者对象原本是工程教育领域的教育工作者和研究者，所以个别地方的措辞明显针对工程教育领域同行，但我认为这并不意味着文章所述仅局限于工程教育。
文章第一部分从两个方面对自适应学习进行溯源：发展脉络和科学原理。从其发展脉络看，一方面可以追溯到“二十世纪八十年代个人电脑的出现以及把电脑作为一种自动化辅导教师（an automated form of tutor）或‘智能辅导系统’（intelligent tutoring system）使用的可能性”，另一方面则是“得益于教育领域慕课的兴起和数据科学领域机器学习方法的发展”，目的是“提高学习者的参与度、学习效果和坚持学习的信心”，最终降低辍学率。至于科学原理，文章用通俗易懂的语言简要介绍了与自适应学习系统有关的基本概念和原理，包括自适应模型、领域模型和用户模型、叠加建模与不确定性建模，以及知识跟踪等。
文章第二部分在回顾自适应学习现状和对学习的促进作用基础上展望发展前景。从现状看，自适应学习领域是一个高度商业化的领域，“企业、出版商以及后台系统供应商都在把自己的收入和客户满意度押在自適应学习上”，当然，高等教育机构也不甘落后，事实上不少商业机构与大学有千丝万缕的关系。另外，有些大学“投资开发用于‘高危’学生预警系统的学生预测模型。这些模型有助于设计和实施自适应干预措施，从而降低不及格率和辍学率”。自适应学习的商业化必然带来一些问题，比如技术垄断或对成效夸大其词等。尽管如此，我们还是能够从企业与学术界合作的一些项目中了解到一些实施案例的情况，其成效主要体现在三个方面：“减少学习时间”“缩小成绩和学习参与度的差距”，以及“提高考试及格率”。第二部分以一个图表收尾，分别从领域模型、学习者模型和自适应模型三个角度归纳自适应系统对学习者、教育工作者、学习科学研究者和计算机科学家的潜在好处。
虽然研究表明自适应学习能够产生一些积极学习效果，但是也存在言过其实的宣传。2013年比尔和梅琳达·盖茨基金会启动“自适应学习市场加速项目”，旨在推广自适应学习的应用，成功中标者包括14家高等教育机构。这是一个大规模项目，共有23，000名学生参加该项目，基金会委托斯坦福国际研究中心对项目的实施情况进行评估，包括学习结果、成本和满意度等方面。研究结果喜忧参半。换言之，大众传媒或企业对自适应学习的成效有言过其实之嫌。因此，文章第三部分的第二小节重点阐述三个方面的问题：第一，对学生的歧视和标签化，比如，根据学生在某一门课程上的学习情况给他们贴上“差生”“中等生”或“优等生”标签是否会产生副作用？标签化是否会导致学生“只能囿于某种学习路径”？例外情况的学生又该如何处理？再者，不论从何种角度看，算法都不是中立的，这样就很容易导致有些学生遭受歧视。第二，自适应学习系统赖以支撑的知识和认识观单一，从而影响其应用范围。比如，大多数自适应学习系统都把知识分为描述性和程序性两种，“认为所有相关知识不仅可以建模，也可以显性化”，未能处理隐性知识。换言之，它们可能适合某些内容的学习，但对于另外某些内容的学习可能作用适得其反。第三，学生数据的透明性、易得性和安全性同样是我们必须警惕的问题。 文章最后指出，自适应学习系统所存在的问题或局限不是不可避免的，“而是有意或无意为之的结果”。自适应学习是一种潮流，甚至是一种必然发展趋势，不管我们喜欢与否，它的存在是一个客观事实，因此，作者呼吁广大教育工作者不要排斥它，而是应该积极主动参与自适应学习系统的设计，从而在自适应学习领域发挥应有的影响，帮助其健康发展。
衷心感谢佩特·约翰内斯和拉里·拉格斯多姆博士对本文的翻译所给予的积极配合和支持！（肖俊洪）
引言
2015年，美国斯坦福大学校长、工程学教授约翰·轩尼诗（John Hennessy）在美国教育委员会（American Council of Education）发表了一个演讲，展望如何通过新技术工具和新教学方法提升高等教育质量的前景。他特别强调可以打造能因人而异调整学习进度、深度和方法的在线和混合式学习材料，给课程注入活力（Hennessy， 2015）。其他学者也发表过同样的意见。譬如美国国家工程学院（National Academy of Engineering）把“个性化和自适应学习”列为其面临的重大挑战之一。由来自不同大学、基金会、政府部门、非营利性组织和营利性公司的37名代表组成的“学习分析工作组”提出了一个“终极”目标，即“大规模提供个性化网络学习，满足地球上每一个人对任何知识领域的求知欲”（Pea， 2014）。Knewton、Acrobatiq、Coursera以及 Udacity这些公司或是把自适应学习技术商业化，或是正在使用这种技术。此外，在线高等教育机构也正在其课程中使用这种技术，譬如美国西部州长大学（Western Governors University）。鉴于此，大学的工程学院和教师在不久的将来很可能就要面对如何运用自适应技术和类似的技术提高学习效果的问题。当然，学生和家长可能会提出此类问题，媒体甚至认证机构也可能提出此类问题。
本综述旨在帮助工程教育的负责人和教师了解什么是自适应学习系统，这种系统的主要用途以及存在的问题等。
自适应学习溯源
在个体学习者的学习过程中改变其学习体验，而非全班的学习体验，这对教育工作者而言既不是一个新目标，也不是不可为之的事情。毕竟，教师向某个学生提供反馈或助教在实验课上以不同方法帮助每一个学生——这些都不是只在科幻故事中才可以做到的。现在由于有普适计算能力、大规模用户群体以及可扩展分析算法，我们能够基于学习者的输入而非教师的直觉改变个体学习者的学习体验，而且是能够大规模开展的。但是，直至不久前这种事情还只是天方夜谭。本节将简要回顾自适应学习在教育研究这个宽广领域的地位以及现代自适应教育的理论基础。
1. 自适应教育的历史
如果说教育的“终极”目标是实现教育个性化，那么目前自适应教育则被认为是达成这个目标的上策。我们可以循着两个方面探索自适应学习的发展脉络。一条脉络可以溯源到20世纪80年代个人电脑的出现以及把电脑作为一种自动化辅导教师（an automated form of tutor）或“智能辅导系统”（intelligent tutoring system）使用的可能性（Wan， 2016）。智能辅导系统是“一种计算机系统，该系统执行教学或学习辅导功能（比如挑选作业、提问、提示、评价学生的回答、反馈、鼓励反思和提供能激发学生兴趣的评语等），并且对学生的认知、动机或情感状态进行建模，以调整或个性化这些功能”（Nesbit， Liu， Liu，