人工智能支持的个性化学习路径构建及其实证研究

　　随着社会的发展和进步，传统填鸭式教学已经不符合时代发展需求，但由于教师精力有限，家长也并无足够时间陪伴学生，个性化学习很难真正实现，这也成为教育个体中心化发展瓶颈。而人工智能等信息技术的发展，为解决这一问题提供了新的思路。借助大数据、云计算、互联网、人工智能等技术构建个性化学习系统，可以通过数据来分析学生在学习上的优势和劣势，从而有针对性地提出解决方案，以满足学生的个性化学习需求，从而实现全面发展。

　　一、个性化学习研究进展与问题

　　人工智能技术为个性化学习的实现提供了可能，国内外研究者也纷纷从人工智能的角度去探索个性化学习路径的构建。国外学者从各种角度提出构建个性化学习的途径，如有学者认为学生有必要深入了解课程主题和教学大纲，认为这是建立个性化学习的有效方式，可以促使学生主动选择个性化学习[1];Acampora在研究中发现采取可视化技术、内容图谱、语义本体等方式可以帮助学生建立知识地图，这有利于学生在原有知识、新学知识和其他知识之间建立起自己的逻辑关系，为其做出学习路径决策提供客观科学的依据。

　　人工智能评职知识：人工智能工程师发表职称论文的期刊

　　以上两种方法都是从知识图谱角度去分析问题，为个性化学习提供了解决路径，但这些方式的智能化程度并不高，还需要学生自己摸索掌握学习路径。依据奥苏贝尔有意义学习理论，Ahmad提出可以依据学生的知识结构寻找有共同特点的学习群体，借助蚁群优化算法来获取合适的学习资源，这被称为CO-MAP学习路径[2]。还有学者提出可以利用学生的课程历史记录作为资源，构建适应性的决策树，这样学习者便可根据决策树模型来对学习资源的适配性进行排序。Idris等认为自组织神经网络算法是构建个性化学习路径的有效手段，可以帮助学习者与学习资源之间建立起需求匹配关系，并且可以从学习目标、学习风格、知识层级等几个维度进行推送和匹配学习资源，以实现个性化学习的目的。

　　另外，还有的国外研究者从图论算法、遗传算法以及免疫算法等角度提出构建个性化学习的路径，这也表明了人工智能在实现个性化学习过程中所发挥的巨大作用。不过上述国外研究者的侧重点在于学习资源，认为对学习资源的智能选择是形成个性化学习的重中之重，这也就相对的淡化了学习活动序列在个性化学习中的重要性。

　　近几年来，随着国内智能技术的快速发展，国内研究者也开始纷纷涉足个性化学习路径的研究领域。如牟智佳在研究中阐述了数据挖掘技术对个性化学习的支持，并从个性化学习特征的角度提出了路径生成模式。陈智慧则认为构建学习者个性化学习路径的关键在于明确学习者的特征，目前个性化学习路径构建准确率较低的原因在于学习者特征把握不精准。

　　黄志芳等研究者在个性化学习路径构建上提出了新思路，从情境感知角度出发构建了个性化学习路径模型框架，在基于情境感知技术和领域本体技术基础上，构建适应学习者情绪和认知的个性化学习路径。也有学者利用遗传算法来优化个性化学习路径，并考虑到学习者的特征、情境因素、移动学习环境等，在此基础上构建了移动个性化学习路径模式。此外，国内学者还有从认知水平、在线学习等角度分析个性化学习，并提出相关构建路径。国内外研究者对个性化学习路径的构建分析角度不一，但都为之后的相关研究和实践提供了更多思考的方向。总体来说，国外研究者分析个性化学习路径的构建更多是从自动构建和知识导航的角度出发，更偏向实现流程的研究探索。

　　但显而易见的是，自动构建相当于是对学习资源进行拼接序列，忽视了协作、讨论等活动对于学生知识深度构建的重要作用，因此据此形成的个性化学习路径并不完善;知识导航的模式需要学习者去主动寻找匹配合适的资源，并确定学习活动的序列，这对学习者来说依然有较大的压力和负担，学习者很难通过个性化学习来提升学习质量。国内学者的个性化学习路径构建更偏向于理论研究和应用模型的构建，较少学者关注个性化实践。可以说，目前关于个性化学习路径的构建依然处于起步探索的阶段，尽管已经基于智能化应用进行了一些阐释，但在二者的适应程度上还需要进行拓展和延伸。

　　二、人工智能对个性化学习的技术支撑

　　(一)模式识别现阶段模式识别技术算法主要有模板匹配法、统计模式法、神经网络法等，其中统计模式法是应用最广的算法。最近几年随着神经网络算法的落地，对此在模式识别研究中基于多层神经网络构建起的深度学习与深度神经网络体系备受瞩目。这种深度学习神经网络算法进一步提升了语音、图像及情感模式识别的精确度。目前，模式识别系统的构建总共由四部分组成，其分别是数据采集、预处理、提取特征与选择分类。实现个性化学习服务的首要条件就是获得学习者的语音、情感等具有体征性的数据，随后系统对这些数据进行有效分析并归类为不同类型数据库，为人工智能教学体系模式识别提供有效的数据支持，以便实现个性化学习。

　　(二)自然语言理解计算机对自然语言的理解主要由三部分组成，其一将所要研究的问题转换为数学形式;其二是将数学形式转换为算法，其三根据算法完成程序的编写，并通过计算机来实现。自然语言理解最早是一套产生式系统、规则系统，现如今已经发展成为了统计模型、机器学习等系统。人工智能教育中最早应用自然语言理解技术的目的是实现语法错误检测，随着算法的不断优化，自然语言理解在人工智能教育体系中得到了更充分的应用。据不完全统计，目前自然语言理解在各大人工智能教育平台中的应用共计分为四部分，其分别是文本分析与知识管理，例如机器批改作业、机器翻译;人工智能系统交互;教育工具中的语料库构建与语料检索系统;语言教学的研究。

　　(三)深度学习和机器学习机器学习是人工智能的一个子分支，它通过收集不同场景中的经验数据来提升系统的能力，机器学习借助算法来分析数据，并从数据中抓取知识，据此进行决策;而深度学习是一种特殊的机器学习，它模拟人类决策能力的神经网络，它可以从少量的有限样例中，借助算法总结出一般性的规律，并能够将这一规律举一反三，应用到未知的数据上，实现智能的学习和决策，如人工智能学习平台可以从学生错题规律中总结出学生的思维逻辑误区，这样当出现新的错题，人工智能便可以用总结的规律来分析学生可能存在的解题思路问题。

　　三、基于人工智能的个性化学习维度构建本文从数据环境、方法、时间、目的、利益相关者五个方面讨论基于人工智能的个性化学习维度构建。

　　四、人工智能背景下个性化学习的实践应用分析

　　(一)“跟它学”系统“教”的实践样态

　　根据上述理论，研究组应用“跟它学”系统进行了实践，该系统从课前、课中到课后是在人工智能体系下所形成的智能化教学新模式，其系统“教学”实现结构如图2所示。课前教学通过智能备课将学习目标、个性化学习内容推送到学生学习空间中，以便学生进行自主预习。课中阶段，教师首先摸清学生预习情况，并且根据学生具体预习情况实现精准性教学。课后辅导阶段，主要是学生对学习到的新知识进行消化及解决课堂中存在疑问的知识，“跟它学”系统是对每位学生存在的知识难点进行准确分析，并提供针对性的辅导教学。

　　参考文献：

　　[1]Acampora,G.,Gaeta,M.,&Loia,V.etal.OptimizingLearningPathSelectionThroughMemeticAlgorithms[C].HongKong:IEEE,2008:3869-3875.

　　[2]陈智慧.基于学习分析的适应性学习路径推荐系统设计与开发[D].武汉:华中师范大学,2016.

　　[3]宋灵青,许林.人工智能教育应用的逻辑起点与边界——以知识学习为例[J].中国电化教育,2019(6):14-20.

　　作者：唐雯谦1,2，覃成海