32 AI说（AI-Speak）：自适应系统如何学习学习者，第2部分

过程

近年来，机器学习不论是作为唯一技术还是与其他方法结合使用，越来越多地被应用于自适应系统中²。在使用过程中，机器学习的主要作用是基于一系列特征（包括评估结果和在此过程中生成的新数据）创建和更新学生模型¹。

在外部循环中，在训练数据的帮助下，通过分配适当的权重而创建模型。这是帮助推荐有效学习内容的特征²。（参见机器学习是如何工作的）。就像Youtube中的新推荐一样。这些模型用于定期推荐新的学习路径以反映学生的进步和不断变化的兴趣。在基于机器学习的自适应学习系统中，学习的路径数量可以达到数万亿³。

在内部循环中，机器学习用于提供适当的反馈，发现错误，推断知识空缺并评估知识单元的掌握情况。在进行一项学习活动时，学生可能会犯错误。机器学习可以用来预测哪些错误是由哪些知识缺失引起的。如果解题的一个步骤是正确的，机器学习还可以预测哪些知识单元已经成功掌握²。

自适应系统中使用的其他技术涉及较少的自动化和更多明确的书面推断规则²。

它们需要大量的编程时间和额外的努力，才能准确捕捉决策过程中的所有标准。此外，其结果通常不能从一个内容领域推广到另一个内容领域，或从一个问题推广到另一个问题。

应用机器学习的工具使用大量有关学生实际学习表现的数据集，并能够随着时间的推移为学生创建动态的学习路径¹。如同所有机器学习应用程序一样，在投入课堂使用之前需要进行训练和测试。

教学模型

在Youtube的案例中，我们看到关于什么是好的推荐有很多价值判断。如一组推荐需要覆盖多少用户兴趣，有多少视频应该与已观看的视频相似，为了多样性需要添加多少新内容（见Youtube是如何了解你的，第2部分）。自适应学习系统涉及对掌握一个知识单元意味着什么和如何达到掌握的判断：教学法和学习者的日常体验⁴。

在自适应学习系统的情况下，这些关于学习者如何取得进步的判断和指导应该基于经过验证的教学理论。这些都将纳入教学模型，并结合领域模型和学习者模型，帮助机器选择一套合适的活动。

教学模型回答的问题是：下一步应该向学生呈现一个概念、一个活动还是一个测试？难度级别如何？他们如何评估学习并提供反馈？哪些地方需要更多的脚手架⁵？（注：脚手架是提供关于概念和程序、使用的策略以及如何反思、计划和监控学习的支持机制。）教学模型决定了活动的广度和深度——甚至决定了是否继续进行自适应学习系统还是寻求老师的帮助³。

交互界面

这里呈现推荐、学习者进度、表现和目标等其他数据。其中的关键问题是：

• 如何提供内容？
• 一次推荐多少内容？
• 哪些是直接分配的内容，哪些是推荐的内容？
• 有哪些支持资源？
• 是否可以提供小组活动？
• 应该允许多少自主权？
• 学生能否改变自己的偏好？
• 老师能否改变学习路径？
• 向老师展示哪些数据？
• 老师是否参与其中？

评估

当自适应学习系统投入使用时，大多数系统会根据程序员设定的标准来监控自己的性能。就像任何AI工具一样，数据可能存在偏见。系统得出的推断可能并不精确。随着时间的推移，学生过去的数据将变得不那么相关⁶。因此，老师也必须监控系统的性能，并在必要时提供学习指导和纠正措施。

老师和同伴也必须提供灵感并提示替代资源。十多年来，商业内容提供商和在线零售公司主导了推荐系统的研究工作。因此，重点一直是提供可以提升推广效果的推荐。”意外的惊喜”⁷和少有人走的路的诱惑可以激发持久的学习。遗憾的是，这些不是基于机器的个性化学习的强项。

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ 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.

⁶ 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.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.