國內外適應性學習的研究熱點、演進路徑與發展建議

荊 洲 胡水星

（湖州師范學院 教師教育學院，浙江 湖州 313000）

一、引言

教育領域個性化學習的實現，既是時代要求，也是該領域的研究熱點和發展方向。中共中央、國務院印發的《中國教育現代化2035》提出，要加快信息化時代教育變革，利用現代技術加快推動人才培養模式改革，實現規?；逃c個性化培養的有機結合。[1]2020 年1 月，世界經濟論壇在《未來的學校：為第四次工業革命定義新的教育模式》報告中提出，“教育4.0”的關鍵特征之一，是可以促進個性化和自定進度的學習，即從標準化的學習系統轉變為基于每個學習者的不同個人需求的學習系統。[2]世界進入以物聯網、大數據、機器人及人工智能等技術為驅動力的第四次工業革命后，更大規模地開展個性化教育與適應性學習成為重中之重。

適應性學習，是在無障礙與高包容性的在線課堂上，以尊重與關注學習者認知特征、能力水平與興趣愛好等為基礎，個性化地推送與呈現學習資源，充分調動學習者積極性并持續激發其主觀能動性與創造力的教學模式，可能會為在線教育帶來實質性和突破性的飛躍。[3]當前許多地區正以新型媒介逐步推進適應性學習模式，例如，美國巴爾的摩縣的公立學校為了確保來自經濟情況不同社區的10 余萬名兒童能接受平等教育，將課堂應用自適應學習技術作為其“學生與教師通向明天”行動的重要組成部分；舊金山的約瑟夫·威勒小學推廣使用i-Ready 等適應性學習工具，用來提升學生的學習體驗并幫助后進生查漏補缺。但是，當前國內適應性學習仍處于起步階段，諸多問題仍待解決，例如，國內在線教育適應性學習模式的服務對象范圍較窄，系統的泛化能力仍需提升，新模式下教師教學設計的改革缺乏成熟的理論與實踐支撐等等，以上種種問題導致國內中小學實際教學中基本沒有適應性學習模式的應用與推廣?；诖?，本研究采取文獻計量分析方法與內容分析法對過去10 年間的相關文獻展開分析，并根據國內外的研究差異，從政府、教育者與開發者三個角度提出國內適應性學習的發展建議。

二、研究設計

（一）研究方法

本文采用文獻計量分析法與內容分析法對適應性學習領域近10 年的核心文獻展開研究。文獻計量分析方法是以數學和統計學知識為基礎進行定量研究，通過歸納總結所選論文發表的時空規律與內容特點，對所要研究的國家/地區、機構、作者在某一領域的研究熱點、演進路徑與發展趨勢進行梳理并加以判斷。內容分析法是對研究文獻進行系統性、客觀性評價的方法，是定性分析與定量分析的有效結合，通過對文獻中研究者關于某一特定主題的概念理解、態度傾向、成果觀點與討論反思等內容進行分析，判斷并解讀該領域的本質特征與發展規律。本文將兩種研究方法相結合，指出國內外在適應性學習領域的研究異同并對未來發展進行合理展望。

（二）研究工具與數據來源

CiteSpace 是美國德雷賽爾大學陳超美教授研發的一款用于學術文獻分析的信息可視化工具，該軟件有效融合計算技術與可視化技術，具有檢測和可視化以時間為維度的研究熱點演進與學科內容變化的功能，可用來探索特定專業領域的動態，并且在案例研究測試中得到有效驗證。本研究選擇CiteSpace5.7.R5 作為研究工具，于2021 年5 月29 日進行檢索。

考慮到搜索結果的精準性與權威性，國內數據庫來源選擇中國知網（CNKI）數據庫中的CSSCI期刊，參考李鳳英等[4]對適應性學習研究發展歷程的分類，本研究以“智能教學系統+程序教學機+計算機輔助教學+適應性學習+自適應學習”為主題進行檢索，時間跨度為2011—2020年，檢索得到文獻393 篇。在手動刪除書評、會議概要以及內容不相關類文獻后，以Refworks 格式導出有效文獻346 篇。國外數據庫選擇科學網（Web of Science，簡稱WOS）核心合集數據庫，時間跨度為2011—2020 年，參考梁茜等[5]的研究方法確定主題詞，選定“learning adaptive ＆ learning adaptive technology ＆ adaptive educational technology ＆ adaptive learning”進行搜索，得到文獻1536 篇，刪除Editorial Material、Letter、Meeting Abstract、Reprint 與Review 類型文獻，得到有效文獻1448 篇。

三、文獻研究熱點、演進路徑與發展趨勢分析

（一）關鍵詞共現分析

關鍵詞是一篇文獻主題與核心內容的標志性或概括性詞匯，在文獻檢索中具有重要價值。通過關鍵詞共現分析可以直觀地了解到某一知識領域的聚焦熱點與變化趨勢。本研究以CiteSpace5.7.R5 為研究工具對CSSCI 與WOS 兩大數據庫的文獻數據進行處理，主界面中時間切片（Time Slicing）選擇2011—2020 年，數據切分年代（Years Per Slice）選擇1 年，數據來源（Term Source）勾選關鍵詞（Keywords），切片使用修改后的索引（g-index）并設置閾值k=25，選擇路徑發現（Pathfinder）與修剪合并網絡（Pruning the merged network）的剪切連接方式簡化網絡結構從而突出重要特征。根據合并同義詞原則，在比較關鍵詞頻次后將“適應性學習”并入“自適應學習”，“適應性”并入“自適應”，從而使結果更為準確和清晰，兩大搜索源的關鍵詞共現排序如表1所示。

表1 國內外適應性學習主題文獻關鍵詞共現表

根據國內外數據庫的共同熱點關鍵詞我們可以看出，適應性學習系統的設計與構建以及基于大數據的智能推薦算法是國內外共同的核心熱點。中心性是衡量關鍵詞節點在網絡中資源控制信息與交流媒介能力強弱的重要指標，中心性數值≥0.1 的節點通常是鏈接不同知識范疇的重要樞紐，[6]WOS 中的文獻中心性排名前三的關鍵詞為model（模型）、network（互聯網）、prediction（預測），分析文獻后發現，基于卷積神經網絡技術對學習者興趣預測、智能推薦系統設計、適應性學習模型構建等方面的研究較多。CSSCI 文獻中，中心性高于0.1 的關鍵詞有自適應學習系統、學習分析與地平線報告等等，表明國內研究多集中在多模態學習分析技術、以機器學習為核心的學習分析系統、適應性學習系統的智能推薦路徑等方面。相比而言，國內數據庫的文獻更偏向于適應性學習的概念闡述、政策解讀與理論研究，而科技創新成果與教學實證研究的文獻占比較低。

（二）關鍵詞聚類分析

在關鍵詞聚類過程中，對關鍵詞使用對數似然比（Log Likelihood Ratio）算法，進行數據統計與聚類處理，并展示排名前10 的聚類結果，如表2 所示。兩大數據庫的聚類結果的Modularity Q值（模塊度值）均高于0.7，表明關鍵詞聚類的網狀結構十分顯著，排名前10 的聚類結果緊密程度均在0.7 以上，表明關鍵詞間緊密程度良好，觀察主要標識詞后發現各個聚類結果之間界限明顯，不同類團的特點與領域范疇并不重合，所以本次聚類具有較高的分析價值。對兩大數據庫聚類大小各自排名前三的關鍵詞聚類分析如下：

表2 國內外適應性學習主題關鍵詞聚類

CSSCI 數據庫中聚類序號為1 的聚類名稱為學習分析，主要標識詞有“大數據、教育數據挖掘、可視化、元分析元認知、開放學習者模型”等。學習分析是以學習者認知過程和學習環境的各項數據為研究對象，通過算法與模型來預測學生學習進度、動態水平與目標能力，從而達到智能分析與推薦的目的。該聚類主要概述學習分析技術的概念、演進路徑與發展趨勢三個方面的研究，[7]學習分析技術的教學應用案例與實證分析，[8-9]學習分析等教育技術對適應性學習的支持。[4]研究表明，學習分析技術對適應性學習的系統框架與人機交互模型的構建具有重要價值，并在實際教學中有效提升資源分配的精準度和學習者的學習效率。[10]

聚類序號為2 的聚類名稱為教育游戲，主要標識詞有“自適應、智能教學代理、語境化敘事、任務式教學、互動敘事”等，該聚類主要概述個性化學習中，通過開展適應性與情境化教育游戲，促使知識更加契合學習者的認知特征，增強學習者對知識的理解與遷移。教育游戲在課堂教學中的應用方面，王廣新等[11]基于互動敘事與知識空間理論，設計語境化教育游戲模型并用Unity 3D平臺制作一節“摩擦力”的教育游戲課，結果顯示，語境化敘事可以有效提升學生對學習過程的參與熱情與專注程度。教育游戲與教育技術的結合方面，王筱竹等[12]設計一種面向技術落伍群體的程序教學法，通過軟件助理“大聲說程序”開展基于知識圖譜的教學，定性評估結果顯示，人工智能可以提升學習者對編程課程的興趣，而且對技術相對落伍的群體有情感鼓勵和學習效果提升的作用。

聚類序號為3 的聚類名稱為深度學習，主要標識詞有“教育信息化、翻轉課堂、教育技術、大數據分析、自適應學習系統”等，該聚類主要概述深度學習在知識、教學、學習與認知等方面的轉化過程與生發邏輯，并從發生路徑、教學設計與系統設計等角度分別討論如何開展促進深度學習的課堂教學。在深度學習的發生路徑方面，胡航等[13]通過實驗發現，腦機交互技術在提高學業成績、提升專注力、改善學習態度與自我效能感、創設適應性學習路徑等方面能取得較好的效果。在促進深度學習的教學設計方面，龔靜等[14]在闡述深度學習理念的基礎上，構建涵蓋接受式、參與式與遷移式學習的教學模型，并提出教師應用該模型開展教學的實踐路徑。在促進深度學習的平臺設計方面，尹學松等[15]針對目前遠程平臺不能高效處理批量信息和不能提供自適應學習環境的問題，搭建面向大數據的遠程開放實驗平臺架構，以具體的在線教育案例為遠距離開展教學和促進深度學習提供范例。

WOS 中聚類序號為1 的聚類名稱為教育，主要標識詞有“適應性管理、翻轉式課堂、生態系統服務、決策制定”等，該聚類主要概述教育者如何在教育管理機制、教學系統設計、教學模式改革與方案制定等方面推動教育進步。在教育管理方面，研究者提出建立跨國家與跨區域的戰略方針，將學習者、學習過程與學習對象以通信網絡連接，從而降低大規模培訓系統管理的成本與風險。[16]在教學系統設計方面，研究者基于適應性學習平臺（ALP）設計包含多種教學形式的混合學習環境，并在實證研究中發現ALP 有益于提高學習者測試評分。[17]在教學模式的創新與應用方面，研究者發現采用翻轉課堂、協作教學與教育游戲等新型教學模式可以有效提升學習者的學習動力，提高終結性評價，證明新的教學模式對開展適應性學習具有積極意義。[18]

聚類序號為2 的聚類名稱為識別，主要標識詞有“最優控制、時間序列預測、軌跡跟蹤、非線性系統建?！钡?，該聚類主要概述利用軌跡跟蹤與系統建模等技術手段，完善適應性學習系統對學習者學習狀態與認知特征的識別功能。在識別學習者認知特征方面，研究者針對學習者視頻信息識別過程中姿態隨機、背景混亂、照明變化等因素會造成干擾的現狀，提出基于注意力的暹羅網絡，優化后的雙向注意模塊可以提升學習的高效性與適應性。[19]在預測學習者需求方面，研究者基于卷積神經網絡的分類器設計適應性推薦系統，預測用戶的潛在需求進而完成個性化推薦。[20]

聚類序號為3 的聚類名稱為模型，主要標識詞有“啟發式算法、生物學、風險”等，該聚類主要概述適應性學習模型的概念、構建過程與應用效果等。適應性學習模型由學習者模型、適應性模塊、數據分析系統、決策系統、知識數據庫與教育方法數據庫組成。[21]首先，機器學習系統對學習者個人特征、學習時間與場景等現實情境完成判斷與反饋；[22]其次，在教學過程中系統動態收集學生的需求與表現并實時調整課程內容、結構與評估方式；最后，在PDCA 教學循環中對模型進行檢驗與改進。實驗表明，適應性學習模型可以在提升學習者學習表現、促進教學方法的個性化應用以及優化體系循環等方面對教育活動產生正向增益。

（三）關鍵詞突現分析

突現詞是指在短期內發生頻次劇增的文獻核心詞匯，關鍵詞中的突現詞可以一定程度上反映出研究內容的變化情況、研究領域的發展前沿與趨勢預測。[23]考慮到WOS 中的文獻來源區域較廣且文獻數量較多，可反映出世界范圍內學術領域在該領域的研究脈絡與趨勢，本研究選擇WOS 中的有效文獻進行計量分析。菜單選項中“Burstness”設置突現強度不低于0.1，最小持續年份為2 年，選取突現強度排名前20 的關鍵詞呈現突現結果，如表3 所示。經過內容分析，將演進路徑歸納為三段：一是適應性學習系統的信息獲取與算法優化，二是系統對學習者狀態的動態感知與實時反饋，三是系統對學習者需求的智能預測，具體如下：

表3 國外適應性學習主題關鍵詞年度突變

2011—2013 年，突現的關鍵詞有粒子群優化算法、小波神經網絡、遺傳算法等，主題歸納為適應性學習系統的信息獲取與算法優化。這一時間段適應性學習模式仍處于探索期，研究以系統的構建為主。例如，關鍵詞小波神經網絡具有自學習、自適應與高容錯性等特點，相比神經網絡有更強的學習能力，可對信號進行多尺度分析；遺傳算法用于求解較為復雜的組合優化問題時，相對常規優化算法能夠較快地獲得較好的優化結果，故而廣泛地應用于組合優化、機器學習、信號處理、自適應控制等領域。這些技術的發展進步為領域模型與適應性引擎的發展、推廣和應用提供了技術基礎。

2014—2016 年，突現的關鍵詞有進化算法、機器學習、適應性與跟蹤控制等，主題歸納為適應性學習系統對學習者狀態的動態感知與實時反饋。這一時間段內適應性學習理論相關研究增長明顯。一方面是受到政策的影響，公立學校與輔導機構均開始嘗試推廣多種形式的計算機輔助教學；另一方面是由于教育技術發展迅猛，比如機器學習與視覺跟蹤技術等，科技的進步使適應性學習的硬件條件大幅度升級。機器學習作為一門多領域交叉學科和人工智能的基礎理論，專門研究計算機模擬或實現人類的學習行為途徑，通過持續重組豐富已有知識結構來提升自身智慧化程度；視覺跟蹤技術是對圖像序列中的運動目標進行檢測、提取、識別與跟蹤并獲得目標參數，實現對運動目標的行為理解與反饋。這些技術促成適應性引擎與適應性交互界面等系統模塊的進化。

2017—2020 年，突現的關鍵詞有特征選擇、迭代學習控制、自適應網絡模糊推理與視覺跟蹤等，主題歸納為系統基于學習者特征進行個性化需求預測。在這四年突現的關鍵詞中，可以看到適應性學習系統受到教育大數據、人工智能、云計算與感知技術等新興技術手段的大力推動，在智慧化程度上達到新的高度，而教育技術的一些特征，如大數據的6V 特點——海量性（Volume）、多樣性（Variety）、高速性（Velocity）、變化性（Variability）、真實性（Veracity）與數據價值密度低（Value）等，也烙印在適應性學習系統之中。[24]系統對分類模式的精細化、對個體需求預測的精準化，使以學生為中心的教學理念得以彰顯，也使我們對未來該領域的發展趨勢有更清晰的判斷。

在演進路徑中，從對學習者的全方位數據的記錄，到教學過程動態形成個人電子成長檔案，再到對個性化學習目標與需求的預測，這既是技術發展變遷的必經之路，也是教育對技術不斷回歸與貼近“學生”這一學習中心的必然要求。在未來，預測適應性學習將會通過電子書包、電子成長檔案、教學電子平板與智慧教室等多種形式的適應性學習載體，逐步從技術價值取向延伸至人本價值取向，逐步從按部就班的機器主導走向輕負高質的人機協同，逐步從強調群體協同發展到適應性學習與個性化培養，不斷接近“因材施教”的美好初衷。

四、適應性學習模式的建議與展望

本研究應用文獻計量分析與內容分析法對國內外共計1794 篇文獻進行分析，經對比發現，國內適應性學習模式仍存在重理論而輕實踐、重學生而輕教師、重理性思辨而輕情感表達等問題?；谏鲜霈F狀，本文從政府、教育者與開發者三個層面提出發展建議與合理展望。

（一）政府統籌規劃，促進區域交流與產學研融合

在國內外平臺文獻時空分布的對比中，我們發現國外公立學校在適應性學習系統與設備上已有較大規模的教學應用，值得國內學習。近年來政府一直推動校園信息化建設和個性化教育的落實，但在學校層面還未形成區域輻射帶動態勢，而且當前研究中頭部機構發文占比較大，不同機構間交流合作較少。針對這種情況，一方面政府應選取試點城市或教學點，投入資金建設與推廣適應性學習硬件與軟件，指導教育者完成新型教學模式培訓，提升信息化素養，并引領各試點學校形成合力；另一方面，政府應積極推動研究機構之間廣泛開展合作，并對美、英等已有較為成熟經驗的國家進行調研與借鑒，加快解決我國東部西部之間、城鄉之間學習資源與師資力量的不均衡問題，關注后進生的個性化助學，促進教育公平。

（二）教育者迎接挑戰，提升教研能力水平與學生信息素養

在關鍵詞聚類中，我們發現教學模式的改革創新與實踐是國內外共同的發展熱點，CSSCI 數據庫中的“教育游戲”“深度學習”與WOS 中的“教育”等多個聚類中，均提及諸如語境化敘事、任務式教學與翻轉課堂等一系列新型教學模式，這對教育者，尤其是年齡較大的教育者提出教研上的挑戰。一方面，教育者要積極參與校園信息化建設，通過各類技能培訓與實際演練提升自身對現代化教學手段的掌握程度；另一方面，教育者應注意學生核心素養中信息素養的培養，建立學生信息素養評價標準、制定評價指標體系與評估模型、組織開展提升信息素養方向的知識與技能學習，最終實現教育者與學習者的良性互動與雙向提升。

（三）開發者注重研發，聯合學校開展實證研究與應用推廣

在對WOS 文獻的關鍵詞突現分析中，我們發現國外對系統的構建升級歷經對學習者與知識庫的前期數據挖掘存儲、利用視覺追蹤技術等方式動態搜集數據、對個性化學習目標與需求的預測三個階段，技術進展迅猛?；诖?，國內的系統開發者注重運用大數據、云計算、情緒感知技術等進行系統的開發與完善。國外諸如牛頓（Knewton）、慧雀（Smart Sparrow）等適應性學習平臺建立較早，已有較為成熟的適應性學習模式與穩定的學習用戶，國內作業幫與猿輔導等平臺作為后起之秀可以參考借鑒前者的發展歷程，并在國家對產學研融合的政策支持下，加強與高校研究機構及中小學校的合作，更加注重學生的認知過程與深度學習的發生，助推適應性學習模式早日成為我國信息化校園建設的重要組成部分，成為促進教育公平與因材施教的有力抓手。