教育的真諦是要發(fā)展人的個性，讓每個學(xué)生的個性都得到健康發(fā)展，只有尊重差異，才有對人的真正尊重，只有尊重人，才有真正的教育。“世界上沒有兩片相同的葉子”，每一個孩子都有獨屬于自身的學(xué)習(xí)方法和思維方式，尊重每個人的獨立人格，弘揚每個人的生命價值，既是教育的起點，也是教育的必然歸宿。

　　由于基因等不同因素的影響，學(xué)生之間的差異是客觀存在的，存在著不同的思維方式、不同的學(xué)習(xí)風(fēng)格。在新一輪中高考改革中，教育發(fā)展總體方向強調(diào)學(xué)生的個性發(fā)展、自主選擇和揚長發(fā)展。將個性化學(xué)習(xí)理念注入教育系統(tǒng)中，根據(jù)學(xué)習(xí)者特征推送精準個性化學(xué)習(xí)路徑，提供具有針對性的學(xué)習(xí)材料，提供最佳學(xué)習(xí)方法和建議，將會有利于學(xué)習(xí)者明晰“學(xué)什么”“如何學(xué)”，同時可以按照自己的節(jié)奏控制學(xué)習(xí)進度，始終保持清晰的學(xué)習(xí)思路，確保學(xué)習(xí)的有效性，從而達到最大的學(xué)習(xí)潛能。

　　從“用經(jīng)驗說話”到“用數(shù)據(jù)驅(qū)動決策”

　　大數(shù)據(jù)時代，教育從“用經(jīng)驗說話”到“用數(shù)據(jù)驅(qū)動決策、管理與創(chuàng)新”，無疑推動了學(xué)生的個性化教育。通過大數(shù)據(jù)分析學(xué)習(xí)行為，能夠準確識別學(xué)習(xí)者特征、預(yù)測學(xué)習(xí)結(jié)果，給予個性化學(xué)習(xí)干預(yù)、指導(dǎo)，實現(xiàn)一種更為靈活方便的精準在線學(xué)習(xí)模式，學(xué)習(xí)者能自我控制學(xué)習(xí)路徑、內(nèi)容、時間和地點，有利于提高創(chuàng)造力、想象力和競爭力。但是，在師生分離狀態(tài)下的“互聯(lián)網(wǎng)+教育”，缺少教師及時有效的人為干預(yù)和指導(dǎo)，會因急劇增長的數(shù)字信息而產(chǎn)生“學(xué)習(xí)迷航”和“認知過載”等問題。學(xué)習(xí)者往往很難找到最符合自己需求的學(xué)習(xí)路徑，始終面對“選擇學(xué)什么”“接下來學(xué)什么”等問題，這種現(xiàn)象降低了在線學(xué)習(xí)的個性化優(yōu)勢。為完成學(xué)習(xí)目標，激發(fā)學(xué)習(xí)興趣，保證教育質(zhì)量，除了提供精細化、精品化的課程資源外，學(xué)習(xí)者需要學(xué)習(xí)一系列有先后次序的內(nèi)容，即構(gòu)成了個性化學(xué)習(xí)路徑。它能自動識別學(xué)習(xí)需求，根據(jù)用戶特征信息(如學(xué)習(xí)偏好、知識水平等)動態(tài)適應(yīng)性呈現(xiàn)個性化學(xué)習(xí)活動序列(含學(xué)習(xí)對象)，改變以往“大水漫灌”的做法，實施“精準滴灌”，從而更好地完成知識建構(gòu)，提高在線學(xué)習(xí)的個性化服務(wù)水平。

　　個性化學(xué)習(xí)路徑推送研究

　　在個性化學(xué)習(xí)路徑推薦研究領(lǐng)域，美國匹茲堡大學(xué)Peter Brusilovsky在MOOC學(xué)習(xí)平臺中依據(jù)奧蘇伯爾的有意義學(xué)習(xí)理論，采用模糊神經(jīng)網(wǎng)絡(luò)方法判斷知識水平、動機、態(tài)度興趣偏好推送學(xué)習(xí)內(nèi)容，實現(xiàn)學(xué)習(xí)路徑定制。意大利薩勒諾大學(xué)的Acampora提出將文化基因算法作為個性化學(xué)習(xí)路徑求解策略，實現(xiàn)對學(xué)習(xí)者自身知識結(jié)構(gòu)、學(xué)習(xí)目標、個人偏好等因素分析，達到為學(xué)習(xí)者定制個性化學(xué)習(xí)路徑的目的。德國卡爾斯魯厄大學(xué)Bela采用語義本體、可視化技術(shù)及內(nèi)容圖譜等知識構(gòu)建動態(tài)個人知識地圖，實現(xiàn)個人知識體系可視化，可清晰了解已掌握知識與其他知識之間關(guān)系，并形成新學(xué)知識與原有知識、將要學(xué)知識的關(guān)聯(lián)顯示，從而為下階段學(xué)習(xí)決策提供依據(jù)。加拿大國家研究委員會Guillaume Durand基于圖式理論，采用教育數(shù)據(jù)挖掘，根據(jù)學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣、知識水平和學(xué)習(xí)目標等特性實現(xiàn)個性化學(xué)習(xí)路徑推送，促進有效學(xué)習(xí)產(chǎn)生。馬來西亞理工大學(xué)Idris采用人工神經(jīng)網(wǎng)絡(luò)中自組織特征映射和反向傳播算法確定學(xué)習(xí)對象與學(xué)習(xí)者學(xué)習(xí)需求之間的聯(lián)系，實現(xiàn)根據(jù)學(xué)習(xí)目標、學(xué)習(xí)風(fēng)格和知識層級推送個性化學(xué)習(xí)路徑。

　　在國內(nèi)，華東師范大學(xué)朱建東教授提出了基于神經(jīng)模糊方法構(gòu)建學(xué)習(xí)診斷系統(tǒng)，分析學(xué)生的學(xué)習(xí)活動日志和學(xué)習(xí)成績，推斷學(xué)習(xí)特點及確定基于個性特征數(shù)字化學(xué)習(xí)的最佳路徑。浙江工業(yè)大學(xué)李浩君等人采用遺傳算法研究個性化學(xué)習(xí)路徑的生成機制，根據(jù)學(xué)習(xí)需求和情境特征推薦學(xué)習(xí)資源序列，提高學(xué)習(xí)效果。四川大學(xué)楊娟博士等人設(shè)計了可自適應(yīng)Felder-Silverman學(xué)習(xí)風(fēng)格模型的動態(tài)學(xué)習(xí)路徑推薦工具——Smap，實現(xiàn)與每個學(xué)生能力素質(zhì)、個性特征相匹配的個性化教育。江南大學(xué)牟智佳提出了整合學(xué)習(xí)者心理行為、臉部行為、眼動行為、腦部行為等學(xué)習(xí)者生物數(shù)據(jù)，為學(xué)生個體刻畫出學(xué)習(xí)肖像特征，進而提供精準的個性化學(xué)習(xí)路徑。本文作者此前采用基于規(guī)則方法、貝葉斯網(wǎng)絡(luò)等挖掘?qū)W習(xí)行為信息生成個性化學(xué)習(xí)路徑，從以知識統(tǒng)一傳授為中心，轉(zhuǎn)變?yōu)樵诖髷?shù)據(jù)支持下的個性化教學(xué)，解決網(wǎng)絡(luò)學(xué)習(xí)產(chǎn)生的“學(xué)習(xí)偏離”和“認知過負”問題；同時，從個性特征(智力因素與非智力因素)、知識水平及個人能力應(yīng)用的情境等三個維度，構(gòu)建了能力導(dǎo)向的個性化學(xué)習(xí)路徑，解決認知負載問題。此外，臺灣政治大學(xué)陳志銘教授根據(jù)項目反應(yīng)理論提出了學(xué)習(xí)路徑推薦方法，主要解決了學(xué)習(xí)對象的難度系數(shù)與學(xué)習(xí)者知識水平間的匹配問題。臺灣大學(xué)林春富在翻轉(zhuǎn)課堂模式研究中，采用決策樹算法和本體驅(qū)動法，預(yù)判知識能力差異，對學(xué)生進行快速、準確、全面的“畫像”，推送最佳學(xué)習(xí)序列，以取得最好學(xué)習(xí)成績?？梢?，已有研究富有成果，但不難發(fā)現(xiàn)多數(shù)研究基于個體行為生成個性化學(xué)習(xí)路徑。教育的個性化并不是個人孤立起來，教育是一個集體的事，群體學(xué)習(xí)利于促進個體之間的相互學(xué)習(xí)。根據(jù)馬克思主義人學(xué)觀，人的本質(zhì)是一切社會關(guān)系的總和，網(wǎng)絡(luò)時代的學(xué)習(xí)具有社會化特征，契合了社會建構(gòu)主義理念，不僅體現(xiàn)個體行為，也是群體行為，影響著個體知識建構(gòu)、生成。人類的特質(zhì)之一是能夠集合共同的心智解決問題，從而將學(xué)習(xí)知識的過程建立在群體行為基礎(chǔ)上，且群體中存在具有相同學(xué)習(xí)偏好、知識水平的同一簇學(xué)習(xí)者。一切業(yè)務(wù)數(shù)據(jù)化，一切數(shù)據(jù)業(yè)務(wù)化，順應(yīng)大數(shù)據(jù)時代學(xué)習(xí)特點，數(shù)據(jù)本身有一種自生長的能力，讓人和人之間可以對話，尤其是陌生人之間的遠程、大規(guī)模協(xié)作變成可能。本文以項目組研發(fā)的個性化自適應(yīng)學(xué)習(xí)系統(tǒng)(Personalized Adaptive Learning System，PALS)為研究平臺，借助于大數(shù)據(jù)工具，通過采集學(xué)生全學(xué)習(xí)過程數(shù)據(jù)，全面地記錄、跟蹤和掌握學(xué)習(xí)者的學(xué)習(xí)特點、學(xué)習(xí)需求、學(xué)習(xí)基礎(chǔ)和學(xué)習(xí)行為，采用AprioriAll算法挖掘基于學(xué)習(xí)風(fēng)格的同一簇群體學(xué)習(xí)行為信息。通過大數(shù)據(jù)分析生成學(xué)習(xí)路徑，為學(xué)生提供精準個性化的學(xué)習(xí)指引，滿足學(xué)習(xí)需求，從而更高效、扎實地掌握知識，促進深度學(xué)習(xí)，提高學(xué)生主動接觸并理解知識的效率及能力。

　　個性化學(xué)習(xí)路徑挖掘的結(jié)構(gòu)模型

　　在PALS中，學(xué)習(xí)路徑包括學(xué)習(xí)活動序列(Learning Activities Sequences)和學(xué)習(xí)對象(Learning Objects)兩方面，學(xué)習(xí)風(fēng)格和知識水平是學(xué)習(xí)者兩個重要的個體差異特征，預(yù)示著不同的學(xué)習(xí)行為表現(xiàn)，是實現(xiàn)個性化推送的重要依據(jù)。個性化學(xué)習(xí)路徑挖掘及推送力求做到三點：(1)學(xué)習(xí)風(fēng)格判定。利用問卷調(diào)查(如所羅門學(xué)習(xí)風(fēng)格量表)的顯性主觀判定和貝葉斯網(wǎng)絡(luò)方法挖掘?qū)W習(xí)行為模式(如查閱學(xué)習(xí)資料的類型、學(xué)習(xí)時間、瀏覽次數(shù)及參與論壇討論發(fā)帖量、讀帖量等)的隱性方法推測學(xué)習(xí)風(fēng)格，通過兩種方法的結(jié)合可實現(xiàn)個性化學(xué)習(xí)路徑的準確推送。(2)知識水平估測。測評學(xué)生的知識能力是教育領(lǐng)域中一個永恒不變的焦點論題，知識水平往往會隨著學(xué)習(xí)的積累而隨時間變化，一方面利用項目反應(yīng)理論的Logistic模型、等級反應(yīng)模型和布魯姆教學(xué)目標分類理論，綜合測試學(xué)習(xí)者對知識點的掌握情況和目標測試、練習(xí)的難度分布，實現(xiàn)對學(xué)習(xí)者在各知識概念上的水平評估；另一方面利用人工智能算法，如矩陣分解(Matrix Factorization)算法、隱馬爾科夫模型(Hidden Markov Model，HMM)，實現(xiàn)依據(jù)學(xué)習(xí)行為數(shù)據(jù)(案例學(xué)習(xí)時間、數(shù)量與點擊次數(shù)、問題解答時間與嘗試次數(shù)等)實時跟蹤診斷學(xué)生的知識水平，實現(xiàn)從概念知識理解等級和難度級別兩個維度動態(tài)地呈現(xiàn)學(xué)習(xí)對象。(3)學(xué)習(xí)路徑挖掘及個性化推薦。利用AprioriAll關(guān)聯(lián)規(guī)則算法，從群體學(xué)習(xí)行為中挖掘最佳學(xué)習(xí)路徑，同時基于學(xué)習(xí)風(fēng)格、知識水平等特性實現(xiàn)個性化推送，解決“學(xué)習(xí)迷航”“認知過載”等問題，提高學(xué)習(xí)內(nèi)驅(qū)力和學(xué)習(xí)需求。

　　東北師范大學(xué)信息科學(xué)與技術(shù)學(xué)院副教授 姜強

關(guān)注讀覽天下微信， 100萬篇深度好文， 等你來看……