隨著社會(huì)的發(fā)展和進(jìn)步，傳統(tǒng)填鴨式教學(xué)已經(jīng)不符合時(shí)代發(fā)展需求，但由于教師精力有限，家長(zhǎng)也并無足夠時(shí)間陪伴學(xué)生，個(gè)性化學(xué)習(xí)很難真正實(shí)現(xiàn)，這也成為教育個(gè)體中心化發(fā)展瓶頸。而人工智能等信息技術(shù)的發(fā)展，為解決這一問題提供了新的思路。借助大數(shù)據(jù)、云計(jì)算、互聯(lián)網(wǎng)、人工智能等技術(shù)構(gòu)建個(gè)性化學(xué)習(xí)系統(tǒng)，可以通過數(shù)據(jù)來分析學(xué)生在學(xué)習(xí)上的優(yōu)勢(shì)和劣勢(shì)，從而有針對(duì)性地提出解決方案，以滿足學(xué)生的個(gè)性化學(xué)習(xí)需求，從而實(shí)現(xiàn)全面發(fā)展。

　　一、個(gè)性化學(xué)習(xí)研究進(jìn)展與問題

　　人工智能技術(shù)為個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)提供了可能，國內(nèi)外研究者也紛紛從人工智能的角度去探索個(gè)性化學(xué)習(xí)路徑的構(gòu)建。國外學(xué)者從各種角度提出構(gòu)建個(gè)性化學(xué)習(xí)的途徑，如有學(xué)者認(rèn)為學(xué)生有必要深入了解課程主題和教學(xué)大綱，認(rèn)為這是建立個(gè)性化學(xué)習(xí)的有效方式，可以促使學(xué)生主動(dòng)選擇個(gè)性化學(xué)習(xí)[1];Acampora在研究中發(fā)現(xiàn)采取可視化技術(shù)、內(nèi)容圖譜、語義本體等方式可以幫助學(xué)生建立知識(shí)地圖，這有利于學(xué)生在原有知識(shí)、新學(xué)知識(shí)和其他知識(shí)之間建立起自己的邏輯關(guān)系，為其做出學(xué)習(xí)路徑?jīng)Q策提供客觀科學(xué)的依據(jù)。

　　人工智能評(píng)職知識(shí)：人工智能工程師發(fā)表職稱論文的期刊

　　以上兩種方法都是從知識(shí)圖譜角度去分析問題，為個(gè)性化學(xué)習(xí)提供了解決路徑，但這些方式的智能化程度并不高，還需要學(xué)生自己摸索掌握學(xué)習(xí)路徑。依據(jù)奧蘇貝爾有意義學(xué)習(xí)理論，Ahmad提出可以依據(jù)學(xué)生的知識(shí)結(jié)構(gòu)尋找有共同特點(diǎn)的學(xué)習(xí)群體，借助蟻群優(yōu)化算法來獲取合適的學(xué)習(xí)資源，這被稱為CO-MAP學(xué)習(xí)路徑[2]。還有學(xué)者提出可以利用學(xué)生的課程歷史記錄作為資源，構(gòu)建適應(yīng)性的決策樹，這樣學(xué)習(xí)者便可根據(jù)決策樹模型來對(duì)學(xué)習(xí)資源的適配性進(jìn)行排序。Idris等認(rèn)為自組織神經(jīng)網(wǎng)絡(luò)算法是構(gòu)建個(gè)性化學(xué)習(xí)路徑的有效手段，可以幫助學(xué)習(xí)者與學(xué)習(xí)資源之間建立起需求匹配關(guān)系，并且可以從學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格、知識(shí)層級(jí)等幾個(gè)維度進(jìn)行推送和匹配學(xué)習(xí)資源，以實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的目的。

　　另外，還有的國外研究者從圖論算法、遺傳算法以及免疫算法等角度提出構(gòu)建個(gè)性化學(xué)習(xí)的路徑，這也表明了人工智能在實(shí)現(xiàn)個(gè)性化學(xué)習(xí)過程中所發(fā)揮的巨大作用。不過上述國外研究者的側(cè)重點(diǎn)在于學(xué)習(xí)資源，認(rèn)為對(duì)學(xué)習(xí)資源的智能選擇是形成個(gè)性化學(xué)習(xí)的重中之重，這也就相對(duì)的淡化了學(xué)習(xí)活動(dòng)序列在個(gè)性化學(xué)習(xí)中的重要性。

　　近幾年來，隨著國內(nèi)智能技術(shù)的快速發(fā)展，國內(nèi)研究者也開始紛紛涉足個(gè)性化學(xué)習(xí)路徑的研究領(lǐng)域。如牟智佳在研究中闡述了數(shù)據(jù)挖掘技術(shù)對(duì)個(gè)性化學(xué)習(xí)的支持，并從個(gè)性化學(xué)習(xí)特征的角度提出了路徑生成模式。陳智慧則認(rèn)為構(gòu)建學(xué)習(xí)者個(gè)性化學(xué)習(xí)路徑的關(guān)鍵在于明確學(xué)習(xí)者的特征，目前個(gè)性化學(xué)習(xí)路徑構(gòu)建準(zhǔn)確率較低的原因在于學(xué)習(xí)者特征把握不精準(zhǔn)。

　　黃志芳等研究者在個(gè)性化學(xué)習(xí)路徑構(gòu)建上提出了新思路，從情境感知角度出發(fā)構(gòu)建了個(gè)性化學(xué)習(xí)路徑模型框架，在基于情境感知技術(shù)和領(lǐng)域本體技術(shù)基礎(chǔ)上，構(gòu)建適應(yīng)學(xué)習(xí)者情緒和認(rèn)知的個(gè)性化學(xué)習(xí)路徑。也有學(xué)者利用遺傳算法來優(yōu)化個(gè)性化學(xué)習(xí)路徑，并考慮到學(xué)習(xí)者的特征、情境因素、移動(dòng)學(xué)習(xí)環(huán)境等，在此基礎(chǔ)上構(gòu)建了移動(dòng)個(gè)性化學(xué)習(xí)路徑模式。此外，國內(nèi)學(xué)者還有從認(rèn)知水平、在線學(xué)習(xí)等角度分析個(gè)性化學(xué)習(xí)，并提出相關(guān)構(gòu)建路徑。國內(nèi)外研究者對(duì)個(gè)性化學(xué)習(xí)路徑的構(gòu)建分析角度不一，但都為之后的相關(guān)研究和實(shí)踐提供了更多思考的方向。總體來說，國外研究者分析個(gè)性化學(xué)習(xí)路徑的構(gòu)建更多是從自動(dòng)構(gòu)建和知識(shí)導(dǎo)航的角度出發(fā)，更偏向?qū)崿F(xiàn)流程的研究探索。

　　但顯而易見的是，自動(dòng)構(gòu)建相當(dāng)于是對(duì)學(xué)習(xí)資源進(jìn)行拼接序列，忽視了協(xié)作、討論等活動(dòng)對(duì)于學(xué)生知識(shí)深度構(gòu)建的重要作用，因此據(jù)此形成的個(gè)性化學(xué)習(xí)路徑并不完善;知識(shí)導(dǎo)航的模式需要學(xué)習(xí)者去主動(dòng)尋找匹配合適的資源，并確定學(xué)習(xí)活動(dòng)的序列，這對(duì)學(xué)習(xí)者來說依然有較大的壓力和負(fù)擔(dān)，學(xué)習(xí)者很難通過個(gè)性化學(xué)習(xí)來提升學(xué)習(xí)質(zhì)量。國內(nèi)學(xué)者的個(gè)性化學(xué)習(xí)路徑構(gòu)建更偏向于理論研究和應(yīng)用模型的構(gòu)建，較少學(xué)者關(guān)注個(gè)性化實(shí)踐�？梢哉f，目前關(guān)于個(gè)性化學(xué)習(xí)路徑的構(gòu)建依然處于起步探索的階段，盡管已經(jīng)基于智能化應(yīng)用進(jìn)行了一些闡釋，但在二者的適應(yīng)程度上還需要進(jìn)行拓展和延伸。

　　二、人工智能對(duì)個(gè)性化學(xué)習(xí)的技術(shù)支撐

　　(一)模式識(shí)別現(xiàn)階段模式識(shí)別技術(shù)算法主要有模板匹配法、統(tǒng)計(jì)模式法、神經(jīng)網(wǎng)絡(luò)法等，其中統(tǒng)計(jì)模式法是應(yīng)用最廣的算法。最近幾年隨著神經(jīng)網(wǎng)絡(luò)算法的落地，對(duì)此在模式識(shí)別研究中基于多層神經(jīng)網(wǎng)絡(luò)構(gòu)建起的深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)體系備受矚目。這種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步提升了語音、圖像及情感模式識(shí)別的精確度。目前，模式識(shí)別系統(tǒng)的構(gòu)建總共由四部分組成，其分別是數(shù)據(jù)采集、預(yù)處理、提取特征與選擇分類。實(shí)現(xiàn)個(gè)性化學(xué)習(xí)服務(wù)的首要條件就是獲得學(xué)習(xí)者的語音、情感等具有體征性的數(shù)據(jù)，隨后系統(tǒng)對(duì)這些數(shù)據(jù)進(jìn)行有效分析并歸類為不同類型數(shù)據(jù)庫，為人工智能教學(xué)體系模式識(shí)別提供有效的數(shù)據(jù)支持，以便實(shí)現(xiàn)個(gè)性化學(xué)習(xí)。

　　(二)自然語言理解計(jì)算機(jī)對(duì)自然語言的理解主要由三部分組成，其一將所要研究的問題轉(zhuǎn)換為數(shù)學(xué)形式;其二是將數(shù)學(xué)形式轉(zhuǎn)換為算法，其三根據(jù)算法完成程序的編寫，并通過計(jì)算機(jī)來實(shí)現(xiàn)。自然語言理解最早是一套產(chǎn)生式系統(tǒng)、規(guī)則系統(tǒng)，現(xiàn)如今已經(jīng)發(fā)展成為了統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)等系統(tǒng)。人工智能教育中最早應(yīng)用自然語言理解技術(shù)的目的是實(shí)現(xiàn)語法錯(cuò)誤檢測(cè)，隨著算法的不斷優(yōu)化，自然語言理解在人工智能教育體系中得到了更充分的應(yīng)用。據(jù)不完全統(tǒng)計(jì)，目前自然語言理解在各大人工智能教育平臺(tái)中的應(yīng)用共計(jì)分為四部分，其分別是文本分析與知識(shí)管理，例如機(jī)器批改作業(yè)、機(jī)器翻譯;人工智能系統(tǒng)交互;教育工具中的語料庫構(gòu)建與語料檢索系統(tǒng);語言教學(xué)的研究。

　　(三)深度學(xué)習(xí)和機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)是人工智能的一個(gè)子分支，它通過收集不同場(chǎng)景中的經(jīng)驗(yàn)數(shù)據(jù)來提升系統(tǒng)的能力，機(jī)器學(xué)習(xí)借助算法來分析數(shù)據(jù)，并從數(shù)據(jù)中抓取知識(shí)，據(jù)此進(jìn)行決策;而深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)，它模擬人類決策能力的神經(jīng)網(wǎng)絡(luò)，它可以從少量的有限樣例中，借助算法總結(jié)出一般性的規(guī)律，并能夠?qū)⑦@一規(guī)律舉一反三，應(yīng)用到未知的數(shù)據(jù)上，實(shí)現(xiàn)智能的學(xué)習(xí)和決策，如人工智能學(xué)習(xí)平臺(tái)可以從學(xué)生錯(cuò)題規(guī)律中總結(jié)出學(xué)生的思維邏輯誤區(qū)，這樣當(dāng)出現(xiàn)新的錯(cuò)題，人工智能便可以用總結(jié)的規(guī)律來分析學(xué)生可能存在的解題思路問題。

　　三、基于人工智能的個(gè)性化學(xué)習(xí)維度構(gòu)建本文從數(shù)據(jù)環(huán)境、方法、時(shí)間、目的、利益相關(guān)者五個(gè)方面討論基于人工智能的個(gè)性化學(xué)習(xí)維度構(gòu)建。

　　四、人工智能背景下個(gè)性化學(xué)習(xí)的實(shí)踐應(yīng)用分析

　　(一)“跟它學(xué)”系統(tǒng)“教”的實(shí)踐樣態(tài)

　　根據(jù)上述理論，研究組應(yīng)用“跟它學(xué)”系統(tǒng)進(jìn)行了實(shí)踐，該系統(tǒng)從課前、課中到課后是在人工智能體系下所形成的智能化教學(xué)新模式，其系統(tǒng)“教學(xué)”實(shí)現(xiàn)結(jié)構(gòu)如圖2所示。課前教學(xué)通過智能備課將學(xué)習(xí)目標(biāo)、個(gè)性化學(xué)習(xí)內(nèi)容推送到學(xué)生學(xué)習(xí)空間中，以便學(xué)生進(jìn)行自主預(yù)習(xí)。課中階段，教師首先摸清學(xué)生預(yù)習(xí)情況，并且根據(jù)學(xué)生具體預(yù)習(xí)情況實(shí)現(xiàn)精準(zhǔn)性教學(xué)。課后輔導(dǎo)階段，主要是學(xué)生對(duì)學(xué)習(xí)到的新知識(shí)進(jìn)行消化及解決課堂中存在疑問的知識(shí)，“跟它學(xué)”系統(tǒng)是對(duì)每位學(xué)生存在的知識(shí)難點(diǎn)進(jìn)行準(zhǔn)確分析，并提供針對(duì)性的輔導(dǎo)教學(xué)。

　　參考文獻(xiàn)：

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

　　[2]陳智慧.基于學(xué)習(xí)分析的適應(yīng)性學(xué)習(xí)路徑推薦系統(tǒng)設(shè)計(jì)與開發(fā)[D].武漢:華中師范大學(xué),2016.

　　[3]宋靈青,許林.人工智能教育應(yīng)用的邏輯起點(diǎn)與邊界——以知識(shí)學(xué)習(xí)為例[J].中國電化教育,2019(6):14-20.

　　作者：唐雯謙1,2，覃成海