第三就是普遍最受重視的，學生與系統內容的交互。這才是最核心的解決辦法，因為計算機系統的運算能力、準確性、信息量以及供應力是相當強大的。但目前的MOOC模式能夠實現的是知識的“可獲得性”，是純粹單向的“送達”。但我們所謂的自適應學習，是在這個交互性的領域實現智能化?！?/section>“舉個例子來說，就像我們平時看到的一些互聯網巨頭，他們都已經實現了所謂的個性化推送。比如淘寶或者亞馬遜，都可以通過對用戶的瀏覽和購買行為進行追蹤分析，然后實現對商品的建議性推送。而教育領域的人工智能，則需要考慮學習過程的復雜性，對于任何一個學生，不論處于什么樣的學習狀態，其下一步要學習什么，怎么學，目前的程度是什么，都是需要綜合判斷和測量的。如果在技術層面模擬一個優秀老師的教學過程，面對這些復雜的問題，一定要基于大數據進行分析和演算，對學生的特征進行測量和量化描述，最終推送適合某個學生的學習內容。”能舉個自適應學習的例子嗎？我們生活中有這樣的自適應學習嗎？“這種例子肯定是有的，我們先假設一種情況：如果有一位學生做了十道一元一次方程的題目，結果他做對了六道題，做錯了四道題；然后這個學生又去做了十道一元二次方程的題目，結果是對了兩題，錯了八道題。那么這個時候老師應該怎么辦？”“這個時候，不同的老師就會有不同的反應。水平比較差的老師，這時候會要求學生再去做一批一元二次方程的題，讓學生多練，覺得這樣學生自然就會熟能生巧；水平中等的老師呢？他會降低難度，讓學生去做一些難度低一點的一元二次方程，看看學生的情況；而好的老師則會發現他的問題不在于一元二次方程，而是在于一元一次方程的基礎沒有打牢。所以會要求學生回到一元一次方程或者求根的過程里去學習和練習?！@就是自適應學習系統，模擬優秀教師的教學過程去給學生提出個性化的要求。”“以上只是對問題的簡化描述，而現實情況更復雜。比如 A學生是不會一元一次方程； B學生是不會求根；C學生可能是連方程的移位都不會；其他學生每人都有每人的薄弱點，每一個學生的情況不一樣，綜合的知識點數量如此龐大，出現的問題幾乎是所有情況的乘積。因此，如果希望通過簡單的編程方式去判斷學生的情況，那么我們為了編程所需要預設的規則路徑幾乎是天文數字。因此，試圖通過簡單程序的判斷來解決問題的方法是不可行的。”“而這個例子只是數學這一個學科，數學的許多知識點有明確的前提后續關系，好比只有先學到知識點甲，并且練習熟悉后才可以學知識點乙。如果學生掌握了乙知識點，那可以推斷學生也已經掌握了甲知識點，這個過程姑且還容易追溯。但在實際應用中，還有很多情況更加復雜，例如英語，其知識點的關系是離散的，并不一定先學習名詞的單復數后才可以學不定冠詞的用法，各個知識點呈現的只是相關性。這種學習過程只能通過優秀教師去以極強的經驗來進行綜合判斷和指導；對于計算機系統而言，這個過程基本沒有簡單的規則可以預設，因此幾乎不可能通過簡單的編程手段來實現這一類的教師智能，只能采用類似阿爾法狗的人工智能算法來進行運算模擬。”“所以，解決學習的‘交互性’是我們通?？梢钥吹降膯栴}，很多企業也在做著各種有益的嘗試。但如果要徹底解決這一問題，計算機系統需要 “模擬優秀教師的教學過程”，這并非通過簡單的計算機編程就可以實現，而是需要通過人工智能的技術手段進行深度的模擬，這就是自適應學習系統的目標和根本定義。”“從最廣義上說，任何能夠通過學生的反饋而推薦不同題目或知識點的系統，都有著‘自適應學習’的功能意味，但我們所強調的自適應學習，一定是基于某種技術深度的。簡單地說，常見的自適應學習系統可以分為三個層次：第一種是最簡單的自適應學習系統，系統預先設定學習路徑，通過簡單的路徑設定來指導學習過程，這叫做所謂基于規則的自適應學習系統。第二種的復雜度稍高，系統并不預設學習路徑，而是在后臺具有一定的算法，根據每一個學生的做題記錄，來推斷學生的問題所在和能力水平，為學生匹配學習內容。第三種是最為復雜的自適應學習系統，也就是在基于人工智能的自適應學習系統里，解決學生的學習路徑的問題和內容推送的問題。就學習路徑而言，比如說知識點的跳轉，還是拿前面的例子來說，關于知識點之間的相關性，通常會通過知識圖譜來設定。但就知識圖譜而言，每一個知識點的相關性是需要專家預設的，專家的預設是主觀的，不同專家也有不同的判斷結果，所以最終的圖譜難免也是主觀的。因此比較完善的自適應學習系統的做法是，先通過專家預設的知識圖譜來進行階段性使用，最終根據使用后學生留下的海量行為數據進行數據挖掘，最終優化知識圖譜達到準確客觀的程度。最終系統會以這個客觀的知識圖譜，為學生匹配最優化的學習路徑。在學習內容方面，首先需要擁有最優質的學習內容，這是毋庸置疑的；這里的關鍵是，在針對某一學生的學習路徑下，我們需要匹配什么樣的內容給學生。這里所謂的適合，是指難度稍高于學生當前的水平，既不能高得太多，也不能是學生已經掌握的重復性內容。在這個問題上，內容與學生的水平相匹配，那么內容的難度以及學生的水平就需要客觀地測量，這里面不僅僅采用IRT理論，而是采用更為復雜的知識空間等算法?！?/section>從系統結構來看，自適應學習系統由三大部分組成：內容模型、學生模型（也叫檢測模型）、推薦模型（也叫教學模型）。首先是內容模型，就是以此為依據來建立詳細的學習內容和知識點結構圖。而知識點的呈現方式有視頻、音頻、文字、圖片等。題庫里有題目、答案、解析；解析里面又可以分文字解析、視頻解析和圖片解析等。然后每個知識點還要打上標簽，標簽包括知識點內容、學習時間、學習風格、傾向性（喜歡音頻學習還是視頻學習）、內容質量、難易度、區分度等。顆粒度很細，標簽很多，就可以使學生實現匹配的更精細化，例如一個學生做50道題，圍繞相關知識點，背后需要有至少1200道題的題庫量。知識圖譜拆分由專業的老師來做，最初的標簽也是由老師來打，但是后期，隨著學生數據越來越多，系統對標簽進行自動更新，例如難易度等級，這樣就慢慢淡化了前期老師的主觀因素。其次是學生模型，也就是檢測模型。它能夠實時測評每一個學生在每一個知識點的掌握水平，并且通過大數據分析方法推算和量化學生在當前知識點以及相關知識點的能力水平。自適應學習系統能對學生進行動態檢測，學生每做一組題和每看一段視頻，系統對學生的專項能力值和整體能力值都會不斷修正判斷，系統對學生就越來越了解。值得注意的是，對于學生做錯的題目，到底學生粗心大意還是真的不會，系統也要有一個判斷。比如，如果是粗心寫錯的，系統可以通過其他題目中的相鄰知識點和關鍵知識點的檢測，發現學生已經掌握了某個知識點，因此分析之后不再推薦這個知識點給學生練習。第三個是教學模型，也叫推薦模型。能根據每個學生的最新能力水平，提供相應的反饋，并匹配出最為合適的學習內容。如果說前兩個模型是系統的進口的話，教學模型（推薦模型）就是出口，根據檢測結果，給學生推薦下一步學什么。在傳統線性教育中，老師會讓學生自己整理錯題集，有經驗的老師則根據學生的錯題來判斷他掌握知識的程度，而自適應系統通過后臺數據發掘和算法找到學生的薄弱點，推薦最適合于當前學習的題目、視頻、解析等等（這些內容也都是顆粒度為“納米級”的）。需要說明的是，后面兩個模型是開發難點，需要應用到數據科學、教育測量學、標簽技術和機器學習等技術。考慮到不同學科、年段、地區的考試風格和側重都非常不一樣，平臺型的自適應產品無法解決所有問題，因此還應該根據學生用戶群體和學習目標，來定制開發學習產品。目前優學云測評系統將學生性格特點、學習習慣和風格等非智力因素與實際學習知識掌握情況相結合，運用大數據分析技術精準定位學生薄弱知識點，為學生推薦相應練習。很重要的問題：自適應學習系統可以完全替代老師的工作嗎？“這個問題也是很多人一直在關心的問題，對于人工智能代替人肉教師這個猜想，我是這么認為的：自適應學習系統將替代傳統的教學模式，但是它能夠替代的只是模式，而不是老師。對于老師來說，自適應學習系統只能替代掉老師80%的工作。比如批改、推薦題目、機械地講解等，但是是不會完全替代老師的。畢竟，從學習的本身來看，95%以上的中小學生都不適合只面向系統進行自主學習，學習需要監督。如果有了自適應學習系統，老師以后就可以去處理更多的主觀性信息，例如學生的學習傾向性如何，學生的學習計劃如何，要如何組織學習活動等。另外，老師還可以基于自適應學習系統，參與開發出更具個性化、本地化的內容，例如自己專門錄一段視頻講解，發給自己的學生學習等。自適應學習不是用來替代老師的，而是用來幫助老師，給老師減負的?！?/section>圖片來源：網絡
內容來源：鯨媒體微信公眾號
文章有刪改
1. 優學云測評推出培訓機構個性化教學解決方案
2. 優學云測評推出中小學校個性化教學解決方案
3. 優學云測評推出招生平臺流量提升方案
4. 優學云測評推出企業人才發展平臺解決方案——人才庫管理
5. 優學云測評幫助個性化教育成為現實
優學云測評精選的每一篇文章都會注明來源和作者（除非找不到），文章版權歸原作者所有，若有侵犯權益，請聯系我們刪除。本文所述內容僅代表作者觀點，不代表優學云測評立場。對于本文以及其中全部或者部分內容、文字的真實性、完整性、準確性和合法性本公眾號不作任何保證或承諾。