教育大数据的重要载体：自适应学习系统

随着大数据理念的深入人心，教育大数据呈爆炸式增长之势。教育大数据产生于各种教育活动，与传统教育数据相比，教育大数据的采集具有更强的实时性、连贯性、全面性和自然性，其分析处理和应用服务更加多元化、智能化和个性化。学生和教师是教育领域的两大核心主体，教育大数据通过用数据说话使个体真正认识自己，将真正推动教学和学习的个性化。在教育大数据的支持下，教师可以关注到每个个体的学习行为和学习轨迹、预测学习结果、诊断学习需求和问题，从而基于数据开展因材施教；学生可以了解到自己的偏好、知识缺陷、能力缺陷和发展目标等，并能够获取适合自己的学习资源和学习指导服务。

自适应学习系统是教育大数据采集、分析和提供个性化自适应服务的重要载体。布鲁斯拉夫斯基（Brusilovsky）于1996年对自适应学习系统进行了分类和总结，提出了自适应学习系统（Adaptive Educational Hypermedia Systems，AEHS）的通用模型，包括领域模型（Domain Model）、用户模型（User Model）、适应模型（Adaptive Model）、自适应引擎（Adaptive Engine）四个模块——领域模型由领域内的概念及其关系组成；用户模型是对用户特征信息的抽象描述，包括知识结构状态、学习目标、背景经历、认知风格、学习偏好和学习成绩；适应模型定义了进行内容呈现自适应、链接导航自适应以及用户模型更新的规则；自适应引擎主要用于响应用户请求，根据用户模型来选择、组装和呈现页面，根据用户与系统的交互记录来更新和维护用户模型等。(https://www.daowen.com)

近期，一个名为“Knewton”的自适应学习平台逐渐被人们所熟悉，它集数据科学、统计学、心理测量、内容绘图和机器学习于一身，旨在最大限度地实现个性化。

自适应学习强调学习环境的适应性，要求创设的个性化学习环境能够最大限度地适应学习者的不同特征，并以此来开展个性化学习，针对不同能力的学习者进行“因材施教”。在Knewton平台看来，自适应学习系统应保持适应的持续性，可以对学生的学习表现和活动完成质量给予及时反馈，以在正确的时间基于正确的内容提供合适的学习指导，最大化学生获得合适学习内容的可能性；同时基于给定活动的完成情况，自适应学习系统应能持续性地逐步引导学生进入下一个活动。

为了保持持续自适应，即在任何时刻都能为学生做出个性化的学习进度安排，Knewton平台进行了概念层面的专业化数据（Proficiency Data，如知识概念掌握程度、学习投入程度、学习效率、优势劣势、活跃时间和预测分数等）采集处理，并建立了专业化数据与学习过程数据之间的关联映射。专业化数据模型不仅能评估学生做了什么，还能在概念层面分析学生掌握了什么以及学生的学习准备状态、认知投入、学习偏好、学习风格和学习策略等，并向学生呈现为下一步学习或评估所应该做的准备以及能力随时间变化的可视化图示。Knewton平台的这种持续自适应主要体现在空间强化（Spaced Reinforcement）、记忆力和学习曲线（Retention and Learning Curves）、学生学习档案（Student Learning Profile）等方面。基于教育路径规划技术和学生能力模型，Knewton平台构建了自适应学习的基础框架，以最大程度地实现个性化。