（1）学生利用Knewton实现适应性学习

适应性学习在很多学习环境中都已经用到，那么适应性学习到底是什么意思？

一种适应性学习是学生自定步调，决定学习的节奏，但他们的学习材料和顺序还是一样的。如果学生学会了当前的学习内容，可以很快地往前进。问题是学生需要按顺序学习，不能跳过，也不让学生选择不同的学习路径。

另外一种叫作单点适应性学习。这种适应性学习指的就是预先已经有设定好的路径，学生上课之前就会参与测评，看他应该选择哪个路径，有时候学生可以更提前一些。

像美国的“梦盒学习”（Dream Box Learning）公司和“纽顿”（Knewton）公司这类领先的开发者，已经成功创造并发布了各自版本的利用大数据的适应性学习（adaptive learning）系统。

第三种就是基于规则的适应性学习。这基本就是在系统里加入这些规则，来决定学生下一步应该学什么。比如说学生有80%的题目做对的话就可以学习下一个概念，目前市场上绝大部分号称适应性学习产品的都属于这一类。有些系统规则比较简单，有些则比较复杂，规则有各种各样。Knewton目前所用的就是基于规则和机器学习的系统。(https://www.daowen.com)

在学习系统里有成千上万个模块的学习内容，包括视频、问答、题目等，Knewton要提供下一步推荐的话，实际上是要解决这个问题：最应该呈现给学生的知识是哪一个？在这里用到一些统计分析的模型，来判断哪些适合学生来学习。系统会给每一个内容打分，然后根据分数排序来决定学生下一个该学习的内容是什么。每个模块里的内容可大可小，有可能是一个小问题，也有可能是一项学习活动，这和很多互联网公司为用户做的推荐是一样的原理。而打分的一个很重要的基础就是知识图谱，以及他们之间的相互关系，这个模型图让系统更好地决定哪些内容是最适合学生学习的。

什么样的内容更适合适应性学习系统，这其实与目前各种各样的适应性学习技术相关，总体目标还是让学习更具效果和效率。系统要能够记录下学生学习认知的有效数据，给学生推荐下一步学习内容应该是比较灵活的，满足不同学校的不同要求，保证学生能够投入进去，专注于学习；学生应该学习什么样的概念和内容，这叫做学习目标，表现形式是学生应该要做什么；这些概念、内容之间要有什么关系，最核心的是找到哪些是有从属关系的；学生是必须要按一定的顺序学，还是是否有灵活度可供选择。最后，如果内容变了，系统能不能把这个也考虑进去。传统印刷出版行业的内容更新是不频繁的，数字环境要加以改动会容易很多，所以设计的时候要搞清楚更新的频率有多快、更新什么样的内容以及对系统有怎样的影响。

怎样测量学生的水平？这需要掌握学生的学习数据，同时把学生的学习进程和老师进行沟通。以前我们如何测量学生的水平呢？最传统的方法就是考试，没有考虑题目的难度、质量和区分度，需要多次测试。你很难知道题目到底有多难，以前可能一个课程设计师会自己去猜，看一道题目到底多难。但是如果有大量数据的话，就可以精确地分析这道题目难度到底有多大，把难度考虑进去之后，每做对一个难题，学生对一个知识点的掌握就会高一些。

传统的解题过程要求写出步骤。这样，有多个步骤的题目，猜对答案的可能性就小很多。如果只是对或错的题目，学生即使不会也有50%的概率猜对。系统有了这些大量数据就会越来越清晰。比如GMAT机考，就已经把这些考虑进去了。GMAT的测试是非常高效的，学生在很短的时间内就可以完成这个测试。我们以后甚至不需要特殊测试，就可以知道学生对某一个知识点的理解处于什么样的水平。现在，我们在考试之前就可以知道学生的水平。适应性学习已经实现了个性化教学，知道学生会哪些、不会哪些。