自適應學習,也被稱為自適應教學,是使用計算機算法來協調與學習者的互動,並提供定製學習資源和學習活動來解決每個學習者的獨特需求的教育方法。[1] 在專業的學習情境,個人可以「試驗出」一些訓練方式,以確保教學內容的更新。根據學生的學習需要,計算機生成適應其特點的教育材料,包括他們對問題的回答和完成的任務和經驗。該技術涵蓋了各個研究領域和它們的衍生,包括計算機科學人工智能心理測驗教育學心理學腦科學

自適應學習出現的一部分原因在於,人們認識到使用傳統的非自適應方法無法大規模地實現定製學習。自適應學習致力於在教育過程中將學習者從被動的信息接收者轉換為學習的合作者。自適應學習系統主要應用於教育,而另一種流行的應用是商業培訓。它們被設計成的計算機桌面應用和網頁應用,現在也引入到系統化課程中。[2]

歷史

編輯

自適應學習,也稱為智能教學,起源可追溯到人工智能運動的開端,並在20世紀70年代開始逐漸流行。當時,人們普遍認為電腦能最終實現人類的自適應能力。自適應學習的基本前提是,工具或系統根據學習者/用戶的學習方法而調整,使用戶獲得更好、更有效的學習體驗。在上世紀70年代,計算機的高成本和大尺寸是其無法得到廣泛應用的主要障礙。在早期採用智能系統的另一個障礙是,用戶界面不適於學習的過程。自適應和智能學習系統工作的開始通常可以追溯到SCHOLAR系統,該系統為南美地理主題提供自適應學習。[3] 隨後五年內出現了許多其他有創新性的系統。 關於自適應學習和智能輔導系統的早期工作的一個很好的說明可以在經典圖書《智能輔導系統》中找到。[4]

技術和方法

編輯

自適應學習系統一直以來都被分成單獨的組件或「模型」。雖然已經提出了不同的模型組,但大多數系統包括以下部分或全部模型(名稱偶爾不一樣):[5][6]

  • 專家模型 - 包含要教授的信息的模型
  • 學生模型 - 跟蹤和了解學生的模型
  • 教學模型 - 實際傳達信息的模型
  • 教學環境 - 用於與系統交互的用戶界面

專家模型

編輯

專家模型存儲了有關正在被教授的材料的信息。這可以像一些簡單的信息,例如問題集的答案庫,也可以包括課程和教程。 更複雜的系統甚至包括說明解題思路的專家方法。

不包含專家模型的自適應學習系統通常將這些功能結合在教學模型中。

學生模型

編輯

確定學生技能水平的最簡單的方法是嵌入CAT(計算機化自適應測試)。在CAT,學習者會收到很多問題,問題的挑選基於與該學習者的假定技能水平相關的難易程度。隨着測試的進行,根據他們的作答,計算機調整學生的得分,並通過不斷縮小問題的難度範圍,微調評分。

CAT式評估的算法比較易於實現。通過專家分析、實驗和兩者結合,一個有大量問題的數據庫得到擴充和評估。計算機本質上執行的是二進制搜索。計算機總是給學習者一個問題,該問題介於計算機確定的該學習者的最大和最小可能技能水平之間。然後將這些級別調整到問題難度的級別。如果學習者回答正確,則重新生成最小值。如果學習者回答不正確,則重新生成最大值。顯然,必須要設定一個誤差範圍,以避免學習者的答案有時候不一定指示其真實技能水平、而僅僅是巧合的情況。從一個難度級別提出多個問題可以大大降低誤導性答案的可能性,並且設定一個允許超出假定的技能水平的範圍,可以彌補可能出現的誤差評估。

一個如何識別學生對概念理解方面的弱點的擴展,是對學生模型進行編程分析不正確的答案。 這尤其適用於多項選擇題。 請參看以下示例:

問:簡化  
a)不能被簡化
b)  
c)...
d)...

顯然,回答(b)的學生在把不同指數的兩項相加, 沒能正確掌握公式各項的概念。 在這種情況下,錯誤的答案不僅只是說明學生答錯了, 而且提供了更多的信息。

教學模型

編輯

教學模型通常建議將最佳的教育科技工具(例如多媒體演示)與專家教師的意見相結合。教學模型的複雜程度在很大程度上取決於學生模型的複雜程度。在CAT式學生模型中,教學模型將簡單地根據問題庫的等級對課程進行排名。當學生的水平得到滿意的確定後,教學模式將提供適當的課程。更高級的學生模型需要一個基於概念評估的教學模型,該模型也按概念組織課程。教學模型可以設計來分析學生弱點的集合併相應地定製課程計劃。

學生模型評估錯誤答案的時候,有的系統會以「提示」的形式提供對實際問題的反饋。當學習者犯錯時,系統會彈出有用的建議,例如「仔細查看數字正負號」。 這也屬於教學模型的範疇,基於概念弱點而提供提示。提示也可以基於特定問題。在這種情況下,學生模型、教學模型和專家模型是重疊的。

實際應用

編輯

遠程學習

編輯

自適應學習系統可以在互聯網上實現遠程學習和小組合作。[7]

遠程學習現在已融入了自適應學習的各個方面。 最初的遠程系統沒有自適應學習的功能,只是給學生一套預選問題庫,並自動正確與否的反饋給學習者。 然而,這種方法缺乏教室中教師可以提供的指導。目前的遠程學習趨勢要求使用自適應學習,在學習環境中實現智能動態行為。

在學習者學習新概念的過程中,他們會對自己的能力進行測試,數據庫會使用其中一種模型跟蹤他們的進度。最新一代的遠程學習系統參考了學習者的答案,並使用一種名為「認知支架」的概念來自動確認學生的認知能力。認知支架是自動學習系統根據已證實的認知能力,創建從最低到最高的評估認知路徑的一種能力。[8]

目前成功在網絡遠程學習中實施自適應學習的案例是皇家墨爾本理工大學的網絡學習系統(WebLearn)的楓葉引擎(Maple)。[9] WebLearn足夠先進,可以對學生提出的問題進行評估, 即使這些問題沒有像在數學領域那樣有唯一答案。

自適應學習可以促進遠程學習環境(如論壇或資源共享服務)中的團隊協作。[10] 自適應學習如何促進協作的一些例子,例如具有相同興趣的用戶的自動分組;基於用戶提出的興趣或用戶的上網習慣,實現信息源連結的個性化等。

2014年,一位教育研究人員完成了一項針對教育遊戲設計的自適應學習的多年研究。該研究開發並驗證了ALGAE(自適應學習遊戲設計)模型,這是一種基於遊戲設計理論和實踐、教學策略和自適應模型的綜合自適應學習模型。該研究擴展了之前在遊戲設計、教學策略和自適應學習方面的研究,將這三者組合成一個複雜的模型。

該研究開發了一種適應性教育遊戲設計模型,它成為遊戲設計師、教學設計者和教育者的指南,旨在提高學習成果。調查參與者驗證了ALGAE模型的價值,並提供了有關模型構建、使用、效益和挑戰的具體見解。目前的ALGAE模型基於這些見解,並成為教育計算機遊戲設計和開發的指南。

該模型可以實現跨行業應用,包括政府和軍事機構/單位、遊戲產業和學術界。 隨着ALGAE模型的應用變得更加廣泛,模型的實際價值和實施方法(聚焦或非聚焦)將得到充分實現。[11]

開發工具

編輯

雖然學習工具的營銷經常提到自適應學習功能,但其適應能力可能會有很大差異。

入門級學習工具傾向於根據簡單的標準來確定學習者的學習路徑。這些標準的例子有學習者對多項選擇題的回答。 正確答案可能會使學習者進入路徑A,而不正確的答案可能會將他們帶到路徑B。雖然這些工具提供了適當的基本分支方法,但它們通常基於潛在的線性模型。學習者只需將其重新定向到預定義途徑線上某個點。因此,這些系統的能力達不到真正的適應性。

從工具複雜度維度的另一個極端看,有一些先進的學習工具可以根據任意數量的複雜條件創建非常複雜的適應能力。這些條件可能與學習者目前正在做的事情、先前的決定、行為跟蹤、互動和外部活動有關。 這些高端工具通常沒有基礎導航,因為它們傾向於使用人工智能的方法,例如推理引擎。 由於基本設計差異,高級工具能夠提供豐富的評估功能。它可以向學習者呈現複雜的模擬,而不是採用簡單的多項選擇問題,通過多因素考慮來確定學習者應該如何適應學習。

流行的工具

編輯

其他相關

編輯

參考文獻

編輯

本文引述Citizendium的文章《自適應學習》中的材料,獲得《創作共用授權條例-相同方式共享3.0 未本地化版本》( Creative Commons Attribution-ShareAlike 3.0 Unported License)的許可,但未獲得GNU自由文檔許可證的許可。

  1. ^ 安德烈亞斯·卡普蘭 (編). Higher Education at the Crossroads of Disruption: the University of the 21st Century. Emerald. 2021 [2021-05-07]. ISBN 9781800715042. (原始內容存檔於2021-01-29). 
  2. ^ Peter Brusilovsky. Adaptive and Intelligent Web-based Educational Systems. International Journal of Artificial Intelligence in Education. 2003, 13 (2–4): 159–172 [2019-04-07]. (原始內容存檔於2021-04-25). 
  3. ^ J. R. Carbonell. AI in CAI: An artificial intelligence approach to computer aided instruction. IEEE Transactions on Man-Machine Systems. 1970, MMS–11 (4): 190–202. doi:10.1109/TMMS.1970.299942. 
  4. ^ Derek H. Sleeman (編). Intelligent tutoring systems. Academic Press. 1982 [2019-04-07]. ISBN 9780126486803. (原始內容存檔於2021-04-15). 
  5. ^ Charles P.Bloom,R.鮑恩夫廷 促進發展和使用互動式的學習環境,Lawrence Erlbaum Associates(1998年)。
  6. ^ A Proposed Student Model Algorithm for Student Modeling and its Evaluation (PDF). [August 6, 2008]. (原始內容存檔於2019-12-11). 
  7. ^ Personalised Elearning – Tailored Pathways. [January 26, 2016]. (原始內容存檔於2019-04-08). 
  8. ^ Cognitive scaffolding for a web-based adaptive learning environment. [August 17, 2008]. (原始內容存檔於2012-08-28). 
  9. ^ Addressing Different Cognitive Levels for On-line Learning (PDF). [August 17, 2008]. (原始內容 (PDF)存檔於September 18, 2010). 
  10. ^ Towards web-based adaptive learning communities (PDF). [August 17, 2008]. (原始內容 (PDF)存檔於June 4, 2006). 
  11. ^ Lavieri, Edward. A Study of Adaptive Learning for Educational Game Design. ProQuest UMI. 2014 [11 December 2014]. ISBN 9781321049602. (原始內容存檔於2021-04-15).