论文部分内容阅读
一、发展历程
适应性学习的产生由来已久，20世纪50年代斯金纳的程序教学理论是现代科学对适应性学习探索的一个里程碑。作为行为主义学习理论代表人物的斯金纳希望通过机器提供个别化学习，为不同的学生提供不同的学习路径。斯金纳发明的程序教学机允许学习者按照自己的速度进行学习，学习内容可以根据学生的学习情况出现分支，实现了一定的适应性。遗憾的是，行为主义刺激－反应的理论根源无法反映学习的真实面貌。程序教学无法了解学习者完整的学习状况，也就不能实现真正的适应性。教学实践表明，程序教学减少了师生间互动的机会，阻碍了师生间的及时交流。虽然应用效果不尽如人意，但程序教学在一定程度上推动了适应性学习的探索和发展。
上个世纪六七十年代人工智能得到了较大发展，专家系统的出现使得人机之间的互动水平大大提高。基于计算机的学习系统也向更加智能化的方向发展，继而出现了智能导师系统。早期的智能导师系统以知识问答为主要形式，允许学习者与系统进行“对话”，系统能够对学习者提出的问题进行解答。一个理想的智能导师系统需要具备学科领域知识，了解学习者的学习风格，能够根据学生的学习水平组织学习内容、调整学习进度、改变教学策略等，具有一定的自然语言生成与理解能力，能解答学科内容的问题，对学生的错误进行诊断。一个典型的智能导师系统由学科知识库、教师模型、学生模型、推理机、人机接口组成。其中学科知识库包含完整的学科知识体系和教学内容；教师模型中包含多种教学策略，是组织教学过程的依据；学生模型描述了学生的学习状况；推理机是根据学生的学习状况，按照既有的推理规则进行推理，选择教学策略，推送学习内容，组织学习过程；人机接口则负责处理系统与学习者之间的交互。与程序教学相比，智能导师系统在适应性学习的道路上迈进了一大步，但在实现和应用过程中也存在诸多困难，如自然语言的理解、学生模型构建等问题。此外，由于人工智能技术还不成熟，单凭机器推理来选择教学策略，推送学习内容很难令人满意。尤其对于结构性不强的人文学科，这一缺陷就更为明显。
同程序教学相同，智能导师系统的设计初衷是通过计算机模拟教师对学生进行教学。智能导师系统强调辅助教师“教”，利用“学生模型”、“教师模型”和“领域知识模块”等，帮助教师实现因材施教和进行有针对性的指导，而没有很好地考虑如何帮助学生自主地“学”。智能代理技术正是在这样的背景下，为弥补智能导师系统的缺陷而逐渐被教育技术所关注的一种实现智能化的新技术。
智能代理是分布式人工智能（DAI）研究的产物，在20世纪80年代中期由美国麻省理工大学开展研究，90年代后逐步成为人工智能的研究热点，代表了信息技术前沿的发展方向之一。智能代理是具有拟人特性的智能程序，主要表现在以下五点。
（1）自治性：代理可以在无人干预的情况下运作，而且对自己的行为和内部状态有某种控制能力。
（2）主动性：对一些任务无需用户发出具体指令，只要当前状态符合某种条件就可以自动完成相应的操作。
（3）反应性：代理能够理解周围的环境，并对环境的变化做出实时的响应。
（4）能动性：代理不仅仅简单地对其所处环境做出反应，也能够通过接受信息，表现出有目的的行为。
（5）社会性：代理能和其他代理（也可以是人）通过某种代理语言进行信息交流。
智能代理的智能性使其能够在教学过程中起到多种辅助作用：监督学习过程，收集来自学生的信息，并存入数据库作为分析评价的依据；分析学习行为，为学生的学习提出建议；及时解答问题，通过查询自身知识库，回答学生提出的问题；推送学习内容，在网络中查找相关学习资料，推荐给学习者；作为虚拟学习伙伴与学习者共同学习。目前，智能代理在网络教学系统中有较为广泛的应用。研究者希望借助它与学习者更好地进行互动，提供适应性更强的学习。
随着网络的蓬勃发展，以网络为代表的超媒体在教育领域中开始发挥着越来越大的作用。研究者开始对适应性超媒体系统进行探索。卡耐基－梅隆大学的Brusilovsky最早给出了适应性超媒体的定义，即包含用户模型，能够反映用户特征，并对不同的用户产生不同内容的超媒体系统。
Brusilovsky进一步解析了适应性超媒体系统的适应性，指出其适应性可以分为适应性呈现和适应性导航。适应性呈现负责根据学习者的学习状况将学习内容以小知识单元的形式组合呈现，具体又分为适应性多媒体呈现、适应性文字呈现和程序化适应性。适应性导航则根据用户模型调整超链接和内容，具体又分为直接导航、链接排序、链接隐藏、适应性注释、链接适应性生成等。简单说来，适应性多媒体系统能够根据用户模型与用户进行交互，了解用户的学习水平和目标，提供符合用户需求的链接和内容。
二、研究现状
信息与通讯技术的发展，为适应性学习系统注入了新的活力。在适应性学习中，技术仅仅提供了学习支持系统实现的基础。一个有效的适应性学习系统中包含着许多从教育教学过程中提炼出的原则，这些原则决定了系统是否符合教学规律，能否真正发挥作用，这是系统设计的重要依据。在近年来对适应性学习系统的研究中，研究者越来越重视教学设计、教学策略、学习内容编列等部分的研究，这些内容在很大程度上决定了一个适应性学习系统的有效性，并无一例外地涉及到了教学的核心。
首都师范大学王陆教授的研究团队开发的个性化学习支持系统、游戏化学习社区等多个系统都较好地实现了对适应性学习的支持。这两个系统能够根据学习者的个性特征，提供相应的助学策略，从而为每个学习者提供与其个性特征相适宜的学习资源和学习活动。这两个系统都采取了半开放方式，允许教师编辑教学策略，从而有助于挖掘教师的实践性知识，增强系统的有效性。个性化学习支持系统是一个通用学习支撑平台，不受教学内容的限制。该系统在学生模型构建、数据挖掘等多方面均有较大突破。游戏化学习社区则结合教育游戏理论，从新角度实现了适应性学习。
北京师范大学余胜泉博士等对适应性学习系统的定义、系统结构进行了探讨，并提出了一个适应性学习模式，研究了各系统模块的功能，认为系统的关键环节是学习诊断、学习内容的动态组织、自主选择学习策略。他提出系统将根据学生个别特征的不同，在教学内容的呈现和导航两个方面提供不同的适应。
华南师范大学陈品德博士等设计开发了A-Tutor适应性学习支持环境，由一个创作系统和学习系统外壳组成。创作系统用来创建领域知识库，学习系统外壳用来进行课程发布，并提供学习支持环境。
台湾花莲教育大学刘明洲教授提出了基于网络的适应性学习的不同类型，如学习规划、智能型学生解答分析、交互式问题解决支持、合作学习支持、适应性呈现和适应性导航等功能。在其研究中将按照学习路径的不同将学习过程进行分类，以便建立适应性导航机制。
全球范围内有大量针对适应性学习展开的研究与实践。美国国家标准与技术协会高技术研究项目（National Institute Standards and Technology Advanced Technology Program）从1998年开始投入巨资资助研究适应性学习系统。该项目致力于寻求更具灵活性、更容易评价的教学技术来改善网络教学的内容、传递、检索、服务质量等，以满足用户需求，希望能够满足个别教育者与学习者的需要，普及教育与培训。
卡耐基－梅隆大学的Brusilovsky教授主持的InterBook项目，美国斯坦福学习研究所与德国、瑞典等国合作进行的“分布式学习知识库的个性化访问”（PADLR）项目等都是影响较大的适应性学习研究项目。
适应性学习系统的研究还在不断发展之中。众多学者正在不懈努力，将日新月异的技术进步和对教学规律的新发现结合起来，使适应性学习系统更加智能、更具实效。随着对适应性学习探索的不断深入，因材施教将不仅仅是一个美好的理想。
适应性学习的产生由来已久，20世纪50年代斯金纳的程序教学理论是现代科学对适应性学习探索的一个里程碑。作为行为主义学习理论代表人物的斯金纳希望通过机器提供个别化学习，为不同的学生提供不同的学习路径。斯金纳发明的程序教学机允许学习者按照自己的速度进行学习，学习内容可以根据学生的学习情况出现分支，实现了一定的适应性。遗憾的是，行为主义刺激－反应的理论根源无法反映学习的真实面貌。程序教学无法了解学习者完整的学习状况，也就不能实现真正的适应性。教学实践表明，程序教学减少了师生间互动的机会，阻碍了师生间的及时交流。虽然应用效果不尽如人意，但程序教学在一定程度上推动了适应性学习的探索和发展。
上个世纪六七十年代人工智能得到了较大发展，专家系统的出现使得人机之间的互动水平大大提高。基于计算机的学习系统也向更加智能化的方向发展，继而出现了智能导师系统。早期的智能导师系统以知识问答为主要形式，允许学习者与系统进行“对话”，系统能够对学习者提出的问题进行解答。一个理想的智能导师系统需要具备学科领域知识，了解学习者的学习风格，能够根据学生的学习水平组织学习内容、调整学习进度、改变教学策略等，具有一定的自然语言生成与理解能力，能解答学科内容的问题，对学生的错误进行诊断。一个典型的智能导师系统由学科知识库、教师模型、学生模型、推理机、人机接口组成。其中学科知识库包含完整的学科知识体系和教学内容；教师模型中包含多种教学策略，是组织教学过程的依据；学生模型描述了学生的学习状况；推理机是根据学生的学习状况，按照既有的推理规则进行推理，选择教学策略，推送学习内容，组织学习过程；人机接口则负责处理系统与学习者之间的交互。与程序教学相比，智能导师系统在适应性学习的道路上迈进了一大步，但在实现和应用过程中也存在诸多困难，如自然语言的理解、学生模型构建等问题。此外，由于人工智能技术还不成熟，单凭机器推理来选择教学策略，推送学习内容很难令人满意。尤其对于结构性不强的人文学科，这一缺陷就更为明显。
同程序教学相同，智能导师系统的设计初衷是通过计算机模拟教师对学生进行教学。智能导师系统强调辅助教师“教”，利用“学生模型”、“教师模型”和“领域知识模块”等，帮助教师实现因材施教和进行有针对性的指导，而没有很好地考虑如何帮助学生自主地“学”。智能代理技术正是在这样的背景下，为弥补智能导师系统的缺陷而逐渐被教育技术所关注的一种实现智能化的新技术。
智能代理是分布式人工智能（DAI）研究的产物，在20世纪80年代中期由美国麻省理工大学开展研究，90年代后逐步成为人工智能的研究热点，代表了信息技术前沿的发展方向之一。智能代理是具有拟人特性的智能程序，主要表现在以下五点。
（1）自治性：代理可以在无人干预的情况下运作，而且对自己的行为和内部状态有某种控制能力。
（2）主动性：对一些任务无需用户发出具体指令，只要当前状态符合某种条件就可以自动完成相应的操作。
（3）反应性：代理能够理解周围的环境，并对环境的变化做出实时的响应。
（4）能动性：代理不仅仅简单地对其所处环境做出反应，也能够通过接受信息，表现出有目的的行为。
（5）社会性：代理能和其他代理（也可以是人）通过某种代理语言进行信息交流。
智能代理的智能性使其能够在教学过程中起到多种辅助作用：监督学习过程，收集来自学生的信息，并存入数据库作为分析评价的依据；分析学习行为，为学生的学习提出建议；及时解答问题，通过查询自身知识库，回答学生提出的问题；推送学习内容，在网络中查找相关学习资料，推荐给学习者；作为虚拟学习伙伴与学习者共同学习。目前，智能代理在网络教学系统中有较为广泛的应用。研究者希望借助它与学习者更好地进行互动，提供适应性更强的学习。
随着网络的蓬勃发展，以网络为代表的超媒体在教育领域中开始发挥着越来越大的作用。研究者开始对适应性超媒体系统进行探索。卡耐基－梅隆大学的Brusilovsky最早给出了适应性超媒体的定义，即包含用户模型，能够反映用户特征，并对不同的用户产生不同内容的超媒体系统。
Brusilovsky进一步解析了适应性超媒体系统的适应性，指出其适应性可以分为适应性呈现和适应性导航。适应性呈现负责根据学习者的学习状况将学习内容以小知识单元的形式组合呈现，具体又分为适应性多媒体呈现、适应性文字呈现和程序化适应性。适应性导航则根据用户模型调整超链接和内容，具体又分为直接导航、链接排序、链接隐藏、适应性注释、链接适应性生成等。简单说来，适应性多媒体系统能够根据用户模型与用户进行交互，了解用户的学习水平和目标，提供符合用户需求的链接和内容。
二、研究现状
信息与通讯技术的发展，为适应性学习系统注入了新的活力。在适应性学习中，技术仅仅提供了学习支持系统实现的基础。一个有效的适应性学习系统中包含着许多从教育教学过程中提炼出的原则，这些原则决定了系统是否符合教学规律，能否真正发挥作用，这是系统设计的重要依据。在近年来对适应性学习系统的研究中，研究者越来越重视教学设计、教学策略、学习内容编列等部分的研究，这些内容在很大程度上决定了一个适应性学习系统的有效性，并无一例外地涉及到了教学的核心。
首都师范大学王陆教授的研究团队开发的个性化学习支持系统、游戏化学习社区等多个系统都较好地实现了对适应性学习的支持。这两个系统能够根据学习者的个性特征，提供相应的助学策略，从而为每个学习者提供与其个性特征相适宜的学习资源和学习活动。这两个系统都采取了半开放方式，允许教师编辑教学策略，从而有助于挖掘教师的实践性知识，增强系统的有效性。个性化学习支持系统是一个通用学习支撑平台，不受教学内容的限制。该系统在学生模型构建、数据挖掘等多方面均有较大突破。游戏化学习社区则结合教育游戏理论，从新角度实现了适应性学习。
北京师范大学余胜泉博士等对适应性学习系统的定义、系统结构进行了探讨，并提出了一个适应性学习模式，研究了各系统模块的功能，认为系统的关键环节是学习诊断、学习内容的动态组织、自主选择学习策略。他提出系统将根据学生个别特征的不同，在教学内容的呈现和导航两个方面提供不同的适应。
华南师范大学陈品德博士等设计开发了A-Tutor适应性学习支持环境，由一个创作系统和学习系统外壳组成。创作系统用来创建领域知识库，学习系统外壳用来进行课程发布，并提供学习支持环境。
台湾花莲教育大学刘明洲教授提出了基于网络的适应性学习的不同类型，如学习规划、智能型学生解答分析、交互式问题解决支持、合作学习支持、适应性呈现和适应性导航等功能。在其研究中将按照学习路径的不同将学习过程进行分类，以便建立适应性导航机制。
全球范围内有大量针对适应性学习展开的研究与实践。美国国家标准与技术协会高技术研究项目（National Institute Standards and Technology Advanced Technology Program）从1998年开始投入巨资资助研究适应性学习系统。该项目致力于寻求更具灵活性、更容易评价的教学技术来改善网络教学的内容、传递、检索、服务质量等，以满足用户需求，希望能够满足个别教育者与学习者的需要，普及教育与培训。
卡耐基－梅隆大学的Brusilovsky教授主持的InterBook项目，美国斯坦福学习研究所与德国、瑞典等国合作进行的“分布式学习知识库的个性化访问”（PADLR）项目等都是影响较大的适应性学习研究项目。
适应性学习系统的研究还在不断发展之中。众多学者正在不懈努力，将日新月异的技术进步和对教学规律的新发现结合起来，使适应性学习系统更加智能、更具实效。随着对适应性学习探索的不断深入，因材施教将不仅仅是一个美好的理想。