前面我曾提到，「我認為，自適應學習是在學習研究的範式下，一種以計算機技術為主導的學習環境和系統的橫向探索，而且是一種意義重大的探索」。這種意義我這裡不再討論，之前站正面立場時也曾討論過。我們這裡，是通過跳出現有產品經驗的方式下，來探討自適應學習和自適應技術。更多的是來自學術界已經做過的探索。
但作為與學習研究範式的連接，我們有必要簡單提及一個問題，後面我不再詳細討論這個問題。那就是，持有研究範式的不同，會怎樣影響研究者研發自適應學習系統？這涉及到研究範式到教學設計，由教學設計到學習環境和系統搭建的翻譯和影響。我覺得這是一個有意思的問題；前面很多自適應技術的文章，都會談及知識圖譜，但不會談及人的情感變量和社會協作中的問題，我覺得一方面是為其產品背景和階段所限定，另一方面也和研發團隊一開始的範式切入口有關。
既然把自適應學習篇放到學習的研究範式之後，我期望所討論的自適應技術思路，儘量不為某一種範式所限制。如我一開始所說，通過計算機技術來使得教和學具備自適應特點，這本身應該是一個橫向研究領域，相對不同的學習研究範式而言。
自適應學習的四維圖
自適應學習是一種基於計算機技術的系統研究，很自然它有一系列非常直觀而且樸素的問題需要回答，根據Mieke Vandewaetere, Geraldine Clarebout對四維視圖的界定，那就是：
它在學習中改變的是什麼？
在學習中因何而改變？
在何時發生這種改變？
怎樣才能使得學習發生這種改變？
這四個問題，分別是自適應學習的四個維度，也是適應的——對象，來源，時間或情境，及方法。這是一種系統研究方法，很顯然和學習研究範式中對於學習關鍵要素的回答是不同的。
具體而言，自適應學習的四維視圖如下：
所以，在教和學的體系中，自適應學習的應用涉及如下四個方面：
適應的對象（改變什麼）：適應性教學可以調整的對象包括三個方面，關注點是系統中哪些內容可以調整。首先是改變內容或者題目，如可以通過區分任務或項目的難度水平改變內容。其次是改變學習內容的表徵形式和路徑選擇，如隱藏或突出顯示連結。再次是通過間接指導調整教學水平和可用的支持。
適應的來源（因何改變）：這個層面也可以關注三個方面，首先是學習參數，如學習者特徵和學習結果，其次是學習者和系統的交互，如學習者對於模型可視化的反饋和調整交互，或者與系統的博弈行為，再次是教學的變量，如教學目標、反饋類型、腳手架等。
適應的時間（何時改變）：第三個維度就是適應性學習的時間或情境，適應性在什麼時間或情境發生。這個包括靜態的用戶建模和動態的用戶建模，雙路徑方法也是可以實現的，一般是一次測量學習者特徵之後進行首次調整，隨後基於學習者交互參數持續進行建模和調整。
適應的方法（如何改變）：最後一個維度區分了學習者控制的適應，以及系統控制的適應，或者兩者組合的適應。系統控制的適應大家見到的比較多，而學習者控制的適應，強調學習者可以完全控制學習環境和內容。兩種適應方法各有優劣，有人就提出共享控制適應，它首先選擇一組合適的學習材料或任務，然後考慮學習者的特徵以便適應，隨後，學習者可以自由的選擇材料或任務，兩者兼之。
自適應學習的四維視圖，非常直觀、樸素但又非常準確的描述了自適應學習應用中涉及的核心問題，以及背後的複雜系統。一個教和學的過程的適應性，需要解決這些核心問題。
但再進一步，主要是面向學習者的自適應，和主要是面向教育者的自適應，也是不同的，我們隨後分別展開。
我們之前的系列文章——也就是我們市場上常見的自適應學習系統，都是主要面向學習者的。所以面向學習者的自適應學習系統我們更加熟悉。
一個面向學習者的自適應學習系統，有四個基本的循環階段，分別是獲取（當學習者與環境交互時收集學習者數據）、分析（創建和維護一個與領域相關的學習者模型）、選擇（根據學習者模型和系統目標來選擇信息）和展示（根據選擇過程的結果向學習者展示信息內容）。
這四個方面又可以有很多路徑的變種，代表了不同系統和自適應學習的能力，對用戶的體驗有非常大的不同。比如基本完整的系統是學習者獲取、分析、選擇、展示所有步驟走完，而一個修正的系統是增加一個核心環節，四個循環步驟中增加用戶對於學習者模型的交互，因為增加了對學習者模型的交互，所以系統是更加多樣化的，且有助於學習者的元認知的培養。另外一種修正方式是，略去選擇環節，這就是學習者獲取、分析和展示一個小循環，這是一個檢測路徑的系統。這是兩種例子。
我之前系列文章中曾經提到過，但沒有針對性討論的是面向教育者的自適應教學系統。這樣的系統在我所見的行業內狀況來看是不多的（只有一個朋友他們曾經自我定位是做智能教師系統，是類似這個層面的事情），但學術界對適應性教學系統還是有研究的。
我們先岔開一下，對於教育者而言，使用自適應教學系統可能會存在一些障礙，尤其是國內環境。自適應的教學系統對於每一個學生而言，必然是個性化的教學。但個性化教學對教學進度的控制、對課程管理等等，都是和現有教學體制衝突非常大的，而且，教師的能力模型也存在一定的問題。所以公立教育系統中，應該很難推廣這種教育技術的產品。在培訓市場中，我覺得一方面以線下見長的團隊，其教育技術研發能力可能受限，另一方面，無論是SPOC還是雙師，都是跟著培訓市場的投入產出比來走的，而自適應教學系統——可能還很漫長。
根據Jung Lee和Ok-ChoonPark的整理，開發和實施適應性教學有五種不同的方法。
第一種方法是在宏觀水平上改變教學，允許不同的教學目標、課程內容難度和傳遞系統等等。為替代學校中傳統的固定步調的集體教學而開發的適應性教學大部分採用這種方法。
第二種方法是根據學生的具體特徵調整具體的教學過程和策略。這種方法要求確定與學生最相關的學生特徵（或者能力傾向），並為具備此特徵的學生選擇最能促進其學習過程的教學策略。
第三種適應方法是在微觀水平上改進教學，在教學過程中動態診斷學生特定的學習需要，為不同需要的學生提供不同的教學。例如智能導師系統。
第四種方法是適應性超媒體和web系統。因為其是基於web系統的，所以其資料庫是開放的。
第五種方法是基於特定教學法開發的可適應系統。應用這些系統中的教學方法包括建構主義、動機理論、社會學習理論和元認知等。
雖然有這五種常用方法，一方面可以根據具體場景來選擇，另外也常常可以做一混合式系統，以面對現實的複雜性。而且，在具體學習的研究範式中，還有許多深入問題可以探索，如將認知負荷理論應用於自適應教學，就是一個探索方向。
我們接下來探討具體的自適應的技術路線。先把之前的內容框架圖重新展示一下：
關於調整教學內容的基本原理
因為自適應系統的一個關鍵，就是自動分析並幹預（調整教學內容）的能力，所以我們先重點分析一下調整教學內容的基本原理。之前自適應學習的四維視圖中曾提到適應的來源，這裡大概可以認為，我們重點分析一下學習者和學習的參數。
第一個重要的依據是學習者的初始知識、能力的差異。這種差異是真實的、常常很大，對後續環節的影響強而有力。但我們系統中的教育方法往往並不能很好的服務於多樣化的學生人群。也有很多人認為初始知識是隨後學習唯一重要的決定因素（學習的研究範式中曾提到，符號認知理論研究者）。
第二個重要的依據是學習者的人口學和社會文化變量的差異。這種差異也是客觀的，比如語言的豐富度和成熟度，家庭核心成員的社會背景與終身學習習慣，等等，且可能影響學習結果和最終成就。
第三個重要的依據是學生的情感狀態。學生的許多情感狀態會深刻影響他的學習，如沮喪、厭倦，或者積極、信心等。有很多種非介入性的措施可以推斷學習者的狀態來改變教學環境以適應不同需求。
這三個重要依據，是我們調整教學內容的基本原理。
基於知識和學習目標特徵的自適應
早期的自適應技術，將注意力集中在諸如學習者的知識和學習目標特徵上。包括國內我們的一些商用自適應學習系統，多數也是如此。我們之前系列文章的大量案例，都在探討題目的知識點標註，知識圖譜的建設，學生對知識點掌握程度的特徵，等等，這些都是學術界比較早期的自適應技術研究特徵。
雖然發端比較早，但我覺得不見得就沒有繼續研究的價值——其實在符號認知理論範式的繼續演進下，我覺得這裡仍然是大有可為的。只不過我們之前討論的比較多，我們這裡從略。
基於學習風格的自適應
所謂學習風格，Honey和Mumford的通用定義是，學習風格是對能確定一個人偏愛的學習方式的那些態度和行為的描述。也就是說，學習風格是對學習者的態度和行為的描述，這些態度和行為可以確定他的偏愛的學習方式。另外一種可以參考的定義是，學習風格是學習者在一定的環境和條件下所表現出來的複雜行為，它們能夠支持學習者快速有效的理解、加工、存儲、回憶他們的學習內容。
對學習風格的分類有很多種。包括Myers-Briggs風格量表、Kolb的學習風格模型、Honey-Mumford的學習風格模型和Felder-Silverman的學習風格模型等。我們以Honey-Mumford的學習風格模型為例，他們是在Kolb的基礎上進一步發展出來的，學習風格包括行動主義者（熱衷於新東西新體驗，做中學是他們最好的方式）、理論主義者（擅長將觀察結果整合到理論中，學習過程離不開概念、模型和事實的支持）、實用主義者（對學習內容在現實世界的應用感興趣，會不斷嘗試各種應用進行觀察），以及反思者（喜歡從不同角度觀察和反思，並從中得到結論進行學習）。
基於學習風格的自適應學習系統，一般會根據幾種不同的技術來調整學習內容和過程來適應學生的不同學習風格。最常用的包括：
在一個課程中改變每一個片段中呈現的學習對象類型的順序，
隱藏那些不匹配學生學習風格的學習對象、學習對象的元件和學習對象的連結，
對學習對象進行註解，以表明它們符合學生的學習風格的程度，進而推薦最合適的學習對象，等等。
大部分自適應系統使用靜態的和協作的學生建模方法，要求學習者填寫問捲來確定他們的學習風格。但這些問卷是基於「學習者了解自己如何學習」這一假設的，且因為是基於自我報告的測量而不是能力測試，所以其效度有很大的問題。
最近的發展，研究已經通過調查和發展自動化的途徑來確定學習風格，在線學習平臺的大量學習相關的行為數據都被收集和利用。模型是貝葉斯網，或者隱馬爾可夫模型，或者其它機器學習分類算法，都是可用的選擇。
基於認知能力的自適應
認知能力，也就是獲取知識的心理過程，包括諸如意識、感知、推理和判斷等方面。人類有很多典型的認知能力，對學習是至關重要的，這包括工作記憶能力、推理能力、信息加工速度、連結式學習能力以及元認知等。
所謂工作記憶，就是允許我們在記憶中短暫的保持有限容量的信息。早些時候，工作記憶也指短時記憶。雙重編碼假設理論就是基於這樣一個假設：工作記憶由兩個相互獨立的部分組成，一個與言語信息有關，另一個與非言語信息有關。根據這一假設，當兩個通道都參與時，可以降低認知負荷，由此，學習者可以更好的學習。但事情的複雜性在於，有研究者發現，雙重編碼理論對知識表徵的解釋力是隨著學習者的經驗的增長而減少的。
推理能力大家比較熟悉，包括歸納、演繹等。其中歸納推理越來越受重視，研究認為，歸納推理能力和情境中的概念建構有關。歸納能力越強，對學術知識的智力模式建構就越容易。Harverty等曾經說過，歸納推理能力是學業成就的最佳預測器。
信息加工速度決定了學習者正確的獲取信息的速度。自適應學習系統需要考慮學習者的信息加工速度，進而調整各種學習細節，包括細節信息的量，信息的傳播途徑和相互關聯，以及是否提供要點等等。
連結式學習能力能夠將新舊知識聯繫起來。知識關聯過程需要進行模式匹配，它可以發現已有的信息空間，分析新舊知識之間的關係，將新知識存入長時記憶。系統設計需要幫助學習者回憶已有信息，清晰的呈現概念之間的關係，促使學習者創建聯想和理解。
元認知是對於個體自己認知系統和功能的知覺和監控。元認知的重要性越來越凸顯，尤其在問題解決任務中，元認知能力尤其重要。
基於認知能力的自適應技術涉及確認學習者的認知能力並使用這些信息為具有不同認知能力的學習者提供不同的支持。但目前這個領域的研究還處於比較早期的階段，研究成果數量也並不多。
基於情感狀態的自適應
可以影響學習過程的另一方面是一個人的情感狀態。在學習過程中，情感狀態通常被認為尤其相關，例如厭倦、困惑、沮喪，或信任、滿意度和獨立等。提供關於情感狀態方面的自適應是一個新的研究領域，僅有少數的自適應學習系統開始探索解決這一類問題。
我在上一家公司工作時，曾代表公司教育技術團隊和北師大對接，聯合申請了一個教育部的項目，這個項目主要包含兩個方向的探索，一個是深化IRT模型做基於內容測評的自適應推薦，另一個是基於學生學習過程視頻的情感狀態識別，通過情感狀態的識別來進行推薦——也是這個方向的一個嘗試。隨著可穿戴設備的興起，系統可以採集大量的數據進行情感狀態的識別，如體感坐姿數據，處於葛優癱的學生其情感狀態多數往消極的方向走，這也是一種例子。
基於情境和環境的自適應
Dey給出了情境的一般性定義，他將其描述為「任何可以用來描述實體情況的信息。實體可以是一個人、地點或被認為與用戶和應用程式之間的互動有關的物體，包括用戶和應用程式本身」。
由於移動技術的最新發展，學習可以隨時隨地的發生。因此，學習者當前所處的情境，以及他的學習的周邊環境特點，成為自適應技術考慮的另一個重要方面。通過將學習者的情境和環境信息整合到適應性過程，自適應技術開啟了新的可能。
這樣的例子我們不需要多舉，這樣的情境是豐富的、異質的，環境千差萬別，使用手機屏幕的碎片學習，和使用pad屏幕在有輔導下的學習，那是有極大不同的——自適應系統無法忽視這一移動時代的學習特徵。
基於情境和環境的自適應學習，以及擴展到移動學習，被許多研究者認為是下一個教育技術研究的熱點。
混合式自適應
上面我們提到了如此多的自適應技術的基本線條，所以學術界和工業界有著大量不同的自適應學習系統。但我們說，因為教育是一個複雜系統，所以，自適應學習技術還有一個線條，那就是混合式的自適應，把以上兩種或若干種的自適應技術進行綜合使用，設計出符合用戶需求的混合式自適應系統。（這裡可以對比網際網路推薦引擎中的混合式模型。）
自適應技術，乃至教育技術，我認為有兩個基礎的技術模塊，其一是媒體傳播技術，包括傳播相關的各種硬體、軟體的技術，我們這裡不再探討。而另一個方向，就是以智能技術為代表，包括教育數據挖掘、學習者建模和人工智慧等。學習者建模的內容我們上面提到了大量的方向，人工智慧相關的知識庫和語義網，以及機器學習和深度學習，我們開始就曾說因篇幅關係這次不再介紹。那麼還有一個模塊就是教育數據挖掘，值得加以討論。
教育數據挖掘
雖然數據挖掘是一個有長期積累的計算機科學的學科，但教育數據挖掘，卻是一個比較新的領域。根據Baker的定義，教育數據挖掘是「開發探索來自教育環境的獨特數據類型的方法，用這些方法更好的理解學生和學習環境」。雖然早期研究來自數據挖掘和知識發現的傳統，但是由於教育數據的具體特徵不同，應用的方法也不同，如Baker提到，教育數據經常是嵌套的（學生隸屬於班級，班級隸屬於學校），即教育數據是多層次結構的一部分；而且我認為，對學習者和學習環境的理解涉及大量心理學、教育學和學習科學的範式與規律，這和傳統數據挖掘應用領域是大大不同的。所以教育數據挖掘是一個很有挑戰的新領域，也是自適應學習系統的基礎模塊之一。
教育數據挖掘的方法，基本上可以分為四組。
第一組是預測，目標在於把相對獨立的變量（預測變量）組合在一起，推測數據的單一方面（因變量或結果變量）。在解釋對結果變量的預測時，預測方法可以關注哪些特點或變量更重要；也可以首先關注預測調節性或中介性的因素。Baker描述了三種預測方法：分類、回歸分析和密度估計。
第二組教育數據挖掘方法包含聚類方法。因此，它的目標是找到可以形成自然分組的數據點（比如，學習者、學習者特徵、學校、學生行為等）。
第三組教育數據挖掘方法包含關係挖掘方法，重點在於大量變量數據組中，發現變量關係及關係程度。這類挖掘的實施，可以通過關聯規則挖掘，或者通過相關性挖掘，通過序列模式挖掘，也可以通過因果關係挖掘等不同模型來實現不同目的。
第四組教育數據挖掘是模型發現法，先開發驗證模型，再將其作為另一輪分析的輸入，如預測挖掘。在教育數據挖掘中，模型發現法越來越流行。
也有人把文本挖掘方法增加為教育數據挖掘的第五組方法。如文檔分類、教育內容的知識抽取、分析評估系統內部或開放平臺上的討論與交互文本等。我們商業系統中的題目的知識點抽取或分類，可以算作其中的一種應用。
綜上，這是通觀學術界和工業界的進展，對自適應技術的一個總結。很自然的感受是，自適應技術的空間是巨大的，它從另外一個探索維度，打穿了教和學的方方面面，也是教育技術最為深刻的方向之一；雖然，它還處於比較早期的階段。
*本文轉自微信公眾號愛知行，由李子選編，原標題《談談學習與自適應學習技術（自適應學習技術篇）》
1、本文是
芥末堆網轉載文章，原文：
愛行知；2、芥末堆不接受通過公關費、車馬費等任何形式發布失實文章，只呈現有價值的內容給讀者；
3、如果你也從事教育，並希望被芥末堆報導，請您
填寫信息告訴我們。
推廣： 芥末堆商務合作：010-5726 9867