个性化在线学习系统的发展现状及前景分析

1、    个性化在线学习系统的发展现状及前景分析    （2）动态课程排序法动态课程排序法的核心思想是通过考虑学习者的年龄，学习目标以及初始知识水平来为学习者提供适应性的个性化学习课程序列。和静态课程排序法不同的是，该方法可以观察并适应学生的进步，即如果学习者的表现没有达到预期的结果，那么机制将会动态地重新设计课程序列以适应学生的变化和进步。这种方法的好处是能为学习者提供尽可能多的适应性，学习者可以获得满足自己学习需求的高度个性化的学习课程。4.学习分析技术随着在线教育的迅速发展，网络学习系统已经累积存储了学习者信息和学习过程的海量数据，如何利用这些数据进

2、行学习优化和教学决策成为教育工作者关注的重点。学习分析技术的出现，为教育大数据的挖掘提供了可能。美国新媒体联盟的地平线报告也连续几年预测学习分析技术会在未来几年内成为教育领域的研究主流。学习分析技术是通过收集和分析学习者在进行网络学习和交互过程中产生的海量数据来掌握学习者的特征，评估学习进展，预测未来表现，发现潜在问题，为优化学习服务和教学决策提供参考23。学习分析通常分为三个阶段：阶段一是描述结果，阶段二是诊断，阶段三是预测未来。学习分析技术主要涉及到内容分析、话语分析、社会网络分析、统计分析以及一系列数据挖掘方法（如聚类、预测、关系挖掘、文本挖掘等）。学习分析技术的应用和发展对于学生、教师

3、、教育研究人员以及技术开发人员来说都有重大意义。对于学生而言，学习分析技术可以通过挖掘学生的特征信息和学习日志来为学生构建学习者模型，并对学习者进行诊断，进而及时为学习者提供针对性的指导和个性化学习推荐；对于教师而言，学习分析技术可以用来评估教学课程、教学策略和考核方式，进而优化教学决策，并根据学生特征模型因材施教，为学习者提供有针对性的教学辅导；对于教育研究人员而言，学习分析技术为研究网络学习环境和学习过程以及个性化学习系统的开发提供了契机；对于技术开发人员而言，可以利用学习分析技术对学习管理系统各模块使用频次以及使用路径的数据分析来优化学习管理系统的界面设计，另外还可以根据学习分析的需要优

4、化学习管理系统的日志功能24。目前，学习分析技术已经有了实际的应用，如电子科技大学的数字化“学生画像系统”，它能够通过收集学生日常学习活动的信息，分析其实时行为数据，并据此来预测学生的潜在发展方向，从而帮助教育者为学生提供更为个性化的学习指导。5.自适应学习技术自适应学习技术与学习分析技术一起出现在2017新媒体联盟中国高等教育技术展望的地平线报告中，报告预测自适应学习技术在未来二至三年内会被广泛应用于网络在线学习系统中，并逐步成为教育领域的研究主流。自适应学习技术是一种由数据驱动的复杂的教育科技手段，可以基于学习者的个人特征和能力水平来动态调整课程的种类和难度，并能根据学习者的交互和绩效水平

5、评估学生的学习速度和进度，进而实时调整学习内容，实现高效的个性化学习。目前研究较多的自适应学习技术包括自适应内容呈现技术以及自适应学习路径推荐技术。自适应内容呈现技术是以学习分析为基础，通过对在线学习平台中学生数据信息的分析来获取学习者的兴趣偏好、学习风格、认知水平以及学习目标等个性化特征，并以此作为学习内容推荐的驱动信息，为每个学习者动态提供自适应学习内容。这种自适应技术被广泛应用于资源检索领域，如science-direct和cnki等，能够根据用户之前或正在检索的内容自适应推荐相关资源的链接。自适应学习路径推荐技术可以根据学习者的学习目标和能力水平来安排学习课程，通过设置学习资源的可见性

6、或可访问性来控制学习者对课程的学习顺序。另外，该技术还可以对学生的学习效果进行评估（测试），及时的为学习者提供反馈，并且可以针对学习者在测试中打错的题目进行分析，自适应的制定强化学习路径。这种技术一般应用在测试中，根据学生回答问题的正确与否，及时改变和调整测评的标准。比如我们熟悉的gre和gmat考试，测试者在连续作对题目之后就会发现题目越来越难，这就是自适应评估工具在根据测试者的表现及时调整的结果。四、个性化学习发展前景分析随着教育信息化进程的快速发展，个性化学习已然成为教育技术领域的研究热点。个性化网络学习系统的开发和应用迫在眉睫。然而，在近两年的新媒体联盟地平线报告（高等教育版）25，2

7、6中，个性化学习被定义为是一项“了解但解决方案尚不清晰的困难挑战”，并且认为目前个性化学习最大的障碍就是如何把纷繁复杂的方法和技术转变成一套精简的策略，开发出有教学理论指导的个性化网络学习系统。个性化网络学习系统的开发之所以是一项困难的挑战，依作者看来，原因在于：（1）个性化学习涉及学习策略和教学方法，并且要与个人的学习目标相结合，还要考虑到个体的背景知识，认知能力，兴趣爱好等诸多因素。这些数据的获取可能会涉及到学习者的个人隐私，如何对学习数据进行隐私保护和有效使用是教育研究人员需要权衡的问题。（2）虽然个性化学习的需求量很大，学习分析、智能感知、情感计算和自适应学习等智能教学技术的出现也的确

8、为实现个性化学习提供了良好的契机，但目前这些科学方法和智能技术的发展并不成熟，应用在高等教育中的具体成果还很少，即较少的中国高校能够为个性化学习系统的开发和应用提供充分的技术支持和实践机会，因此想要大规模的开展个性化学习相当困难。（3）从目前关于个性化学习的研究内容来看，现有的研究更多的是从实践层面将个性化学习与学习系统相结合，多数局限在技术的研究上，仅有少量文献试图挖掘个性化学习的理论基础27。个性化学习的有效开展还必须依托合理的教学理论，结合有效的教学方法，同时也离不开教师的参与。个性化学习系统需要的是不同于传统课堂的数字化智慧环境，在这种新型的学习环境中，该如何根据教学理论制定教学设计和

9、组织教学资源，教师在个性化学习过程中该扮演什么样的角色，个性化的学习资源能多大程度地替代教师都是需要重新考虑的问题。尽管个性化在线学习系统的实施开展任重而道远，但不可否认的是教育信息化和智能教学技术的快速发展正在逐步改变当前的教育格局。针对个性化学习面临的挑战，作者想对未来个性化学习的发展提出一些建议：（1）随着数字化学习环境中采集数据的增多，需要制定合适的政策来保护学生的个人隐私。美国的马里斯特学院（maristcollege）通过咨询他们的机构审查委员会成立了一个项目来设定学习者的数据隐私和访问参数，为我们提供了典范。（2）自适应学习技术具有推动学生个性化学习的潜力，同时还能为高校提高教学

10、效率提供真知灼见；智能感知技术、情感计算技术以及作用于教育大数据的学习分析技术融合了人工智能与人类智能，将为学习者提供更精准、更智能的个性化学习服务。因此各个高校应继续致力于智能教学技术的开发和应用，但与此同时，也应该注重教学理论的研究，要把技术与适当的教学设计相结合，建立计算机介入和人脑思维之间的平衡26。（3）在新型的数字化智慧学习环境中，学生和教师都需要重新定位自己的角色。对于学生，在个性化学习的环境中，学生的主体性得到了最大程度的体现，学生需要培养自主学习的意识，并积极增进自我理解。对于教师，角色由知识的占有者和传授者转变成学习活动的组织者和引导者，工作由简单的“教学”转变为教育的研究

11、者，课程的开发者和设计者。教师要充分认识自己的新角色，合理利用现代化教学工具，做好教学决策，因材施教。（4）各个高校要为教师提供技术培训，提高教师的信息素养，帮助教师尽快适应新型的数字化智慧学习环境。随着信息化时代网络教学的快速发展，个性化学习势必会越来越受到教育领域的重视。希望有更多的专家学者能够投身到个性化学习的研究中，把机器学习、数据挖掘等人工智能领域的成熟技术用到教育中来，提高网络资源的有效利用率，为学习者提供更快速、更个性化的服务。参考文献：1chen c-m.intelligent web-based learning system with personalized learni

12、ng path guidancej.computers & education，2008，51（2）：787-814.2曲毅.基于web的个性化学习系统的设计j.计算机工程与设计，2006，27（18）：3388-3390.3徐海燕，施勇，周学海，赵振西.自适应超媒体系统探析j.计算机科学，2000，27（1）：80-84.4brusilovsky p.methods and techniques of adaptive hypermediaj.user modeling and user-adapted interaction，1996，6（2-3）：87-129.5邢丽刃，赵蔚，李

13、晓红.基于web的自适应教育超媒体系统现状及前景分析j.中国电化教育，2007（3）：100-103.6brusilovsky p.adaptive and intelligent technologies for web-based educationc.special issue on intelligent systems and teleteaching，künstliche intelligenz，1999：19-25.7brusilovsky p，peylo c.adaptive and intelligent web-based educational systemsj

14、.international journal of artificial intelligence in education，2003，13：156-169.8雷菡.基于概念地图的网络化学习路径控制研究d.重庆：西南大学，2006.9tseng jcr，chu hc，hwang gj，tsai cc.development of an adaptive learning system with two sources of personalization informationj. computers & education，2008，51（2）：776-786.10chang yc，

15、kao wy，chu cp，chiu ch.a learning style classification mechanism for e-leamingj.computers & education，2009，53（2）：273-285.11程岩.在线学习中基于群体智能的学习路径推荐方法j.系统管理学报，2011，20（2）：232-237.12yang yj，wu c.an attribute-based ant colony system for adaptive learning object recommendationj.expert systems with applic

16、ations，2009，36（2）：3034-3047.13wang fh.on extracting recommendation knowledge for personalized web-based learning based on ant colony optimization with segmented-goal and meta-control strategiesj.expert systems with applications an international journal，2012，39（7）：6446-6453.14李浩君，徐佳程，房邵敏，谢苏超.个性化移动学习路

17、径优化策略应用研究j.电化教育研究，2016（1）：39-44.15吴战杰，秦健.agent技术及其在网络教育中的应用研究j.电化教育研究，2003（3）：32-36.16wooldridge m，jennings nr.inteliigent agents：theory and practicej.knowledge engineering review，1970，10（2）：115-152.17田雪，陶璐琳.网络个性化学习路径与学习绩效研究以远程教育原理与技术课程为例田j.软件导刊，2015（3）：185-187.18钱瑛.基于智能agent的网络搜索和推荐信息系统j.科技管理研究，201

18、0，30（8）：147-149.19刘慧敏，王欢，王万森.基于agent技术的专家系统平台的设计与实现j.计算机应用研究，2004，21（6）：187-188.20张永和，肖广德，胡永斌，黄荣怀.智慧学习环境中的学习情景识别让学习环境有效服务学习者j.开放教育研究，2012，18（1）：85-89.21刘清堂，毛刚，杨琳，程云.智能教学技术的发展与展望j.中国电化教育，2016（6）：8-15.22brusilovsky p，vassileva j.course sequencing techniques for large-scale web-based educationj.international journal of continuing engineering education and life-long learning，2003，13：75-94.23l·约翰逊，s·亚当斯·贝克尔，m·卡明斯，v·埃斯特拉达，a·弗里曼，c·霍尔，et al.新媒体联盟地平线报告（2012高等教育版）r.北京广播电视大学学报，2012.24魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值j.现代教育技术，2013，23（2）：5-11.2