31 AI说（AI-Speak）：自适应系统如何了解学习者，第1部分
在审视一个自适应学习系统时，很难判断它在哪里进行自适应1。在不同的系统中，使用的技术以及其用途也有所变化。
然而，所有自适应学习系统都知道它们在教谁（关于学习者的知识）、教什么（关于领域的知识）以及如何教（关于教学法的知识）2。
理想的自适应学习系统会以多种方式进行自我调整。在外部循环中，学习活动的顺序会被调整——类似于Youtube调整推荐视频列表。外部循环还可以对学习方法和难度级别进行个性化调整。
在内部循环中，自适应学习系统会监控每个活动中的逐步进展。如果有误解，它会调整反馈和提示以纠正错误概念。如果学生在回忆之前学过的概念时遇到问题，它也可能指向额外的学习内容。一些专家认为，内部循环最好由教师来完成：为特定主题和任务编制所有的规则，这成本高、耗时长。而且教师的知识和经验总是胜过机器3。
自适应系统如何了解学习者
就像所有推荐问题一样（参见Youtube是如何了解你的，第1部分），自适应学习系统将任务分解为一个或多个可以由机器回答的代理问题。同样，关于询问什么问题，预测什么的选择对显示的推荐有很大影响。
推广材料中经常提到多重目标：提高成绩、就业能力和投入度。鉴于系统的专有性质，通常系统中编码的问题是什么，优化的目标是什么，以及如何区分短期目标和长期目标（例如，在进入下一个级别之前掌握特定内容）是不清楚的4。
在使用机器学习的时候，无论选择的目标是什么，预测本身都是基于具有相似技能水平和偏好的其他学习者，也即模型相似的学习者。
学习者模型
在创建学生模型时，开发人员询问会哪些学生特征与学习过程相关。与教师可以直接观察学生并调整方法不同，机器仅限于可以由它们收集和处理的数据。
学生模型中考虑的典型特征：
- 学生知道什么 – 他们的知识水平、技能和错误概念5,2,6。 这些通常是通过评估推断出来的。例如，学生提交的数学问题的答案1。然后将这些已有知识与他们在学习阶段结束时需要知道的内容进行比较。
- 学生偏好哪种学习：学习过程和偏好5,6。 例如，学生在正确回答一个问题之前尝试的次数，查阅的资料类型，他们对某项活动的评分1，或者最能吸引他们的材料——图像、音频或文本2。自适应学习系统还可以记录何时以及如何学到的技能以及哪些教学法效果最佳6。
- 学生是否感到有动力：学生的感受和情绪可以直接记录下来，也可以从语音、面部表情、眼动追踪、身体语言、生理信号或它们的组合中间接提取。然后可以使用这些信息将学生从抑制学习的负面状态（如无聊或挫败感）中转移到积极状态（如投入或享受）7。
- 关于认知方面，如记忆、注意力、解决问题的技能、决策能力、情境分析和批判性思维能力5。
- 他们如何沟通和协作5？例如，他们是否在其他学生的动态上发表评论，以及如何与他人讨论以解决问题1。
- 关于元认知技能，比如自我调节、自我解释、自我评估和自我管理5，寻求帮助，意识到并能够控制自己的思考的能力。例如，他们如何选择学习目标，使用已有知识或有意选择解决问题的策略5。
这些数据会变化，需要记录和更新。模型还包含静态特征，如年龄、性别、母语和电子邮件身份2。
大多数自适应学习系统都是基于与学生的互动来创建学习者模型的。一些还从其他网站，尤其是社交媒体上获取信息。一旦为每个学习者创建了模型，机器就会计算出哪些学生彼此相似，并估计某个学生从某个活动、示例或问题中受益的概率3。
领域模型
我们可以在自适应学习系统中的学习对象和Youtube上的视频之间做一个粗糙的类比。一门学科可以被分解为概念和技能；这些概念和技能被称为知识单元（knowledge units, KUs），是学习者需要掌握的知识3。每个知识单元都有一组学习对象，通过这些对象可以学习内容，并通过一组活动来评估学习效果。有些作者将学习对象进一步细分为学习活动；我们在此不做细分。
学习对象可以是要阅读的文本、视频、一组问题、互动活动（从简单的填空到基于情景的学习活动）、交互式动画等1 。这些学习对象提供了学习者需要了解的知识，而评估活动则表明学习者是否掌握了这些知识3。领域模型包含学习对象的所有特征，包括相关的知识单元和评估。学习者接下来学习的内容也将取决于知识单元之间的相互关系。
这些知识单元需要进入模型：学习对象A和B可能都是学习对象D的先决条件。因此，在D之前必须先掌握A和B。一些知识单元之间存在着顺序，它们告诉我们如何学习3。相反，如果学生正确解决了与D相对应的问题，那么可以肯定他或她也掌握了A和B。
学科专家可以提供其中的一些关系，其他推论机器自己可以学习，它可以预测掌握知识单元的概率。这种掌握涉及到系统知道学习者已经掌握了A和B，因为他回答了D的问题。然后系统可以利用这些信息以及学习者和领域模型的其他特征，来推荐学习路径和学习对象。
学习对象的其他特征可能包括活动的难度级别、受欢迎程度和评分。与Youtube推荐一样，这里的目标是从可用的数据中尽可能多地提取信息。
1 EdSurge, Decoding Adaptive, Pearson, London, 2016.
2 Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.
3 Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.
4 Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.
5 Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.
6 Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.
7 du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.
