智慧教育论文：面向智慧教育的学习环境计算框架

一、引言演进(黄荣怀，2022)。在科技与教育的系统性融合过程中，学习环智慧教育生态(黄荣怀等，2019)。网学习环境”过渡(黄荣怀等，2017),从学校延伸至家庭、社会等场域(庄榕霞等，2017)。然而，学校、家庭、社会等场域之间严重场域学习的趋向要求场域割裂的被动教育服务转变为情境联通的主2017),已成为智慧教育的重要研究议题。计算逻辑框架。该框架建立在学习情境模型(黄荣怀等，2010)、智慧学习环境功能模型(黄荣怀等，2012)基础上，通过学习环境计算数据驱动、个性化、情境化的数据驱动、个性化、情境化的智慧教育生态智意学习环境“记录学习过程-识别学习环境·感知学习环境·个体自学(个体)·边做边学(群体)·研讨性学习(小组)·基于工作的学习(群体)规模化教育教学实践学习时空技术及资源部署-学习环境计算一学习情境要素学习情境类型境包括课堂听讲(集体)、个体自学(个体)、研讨性学习(小组)、边做边学(群体)、基于工作的学习(群体)等(黄荣怀等，2010)。术本身的感知(黄荣怀等，2019)。学习环境计算助力智慧教育情境计算模式(李伟平等，2015)。二是构建开放智联的学习环境，给学通性和情境性学习体验，是科技赋能教育的核心领域之一(黄荣怀，2.智慧学习环境部署：为平衡规模化教育与个性化培养带来可能智慧教育的个性化特征强调智能技术的应用应尊重教育中人与人之间的个性差异，以智能技术为工具实现有教无类和因材施教的教育目标(黄荣怀等，2019)。这就要求智能技术营造的学习环境要在感知学习情境的基础上，能为学习者推荐适应情境的教学策略，以及内容必需、难度适中、结构合理、媒体适当、导航清晰的学习资源，并匹配能促进群体归属感和情感认同感的学习伙伴，促进有效学习活动的发生(黄荣怀等，2010)。当前，利用智能技术探索最适应学习者的学习路径、学习资源、学习伙伴，是个性化适应性学习技术的研智慧学习环境部署的重点是生成一种能感知学习情境、识别学习者特征、提供合适的学习资源与便利的互动工具、自动记录学习过程和评测学习成果，以促进学习者有效学习的学习场所或活动空间。这种学习场所或活动空间具备记录过程、识别情境、感知环境、联接社群等技术特征(黄荣怀等，2012),可以为建立学习者模型、更新学习情境、更加全面而准确地评价学习者的学习效果提供依据。智慧学习环境部署需综合考虑不同学习情境的特征，合理配置技术及资源，为学习者提供个性化的教学策略并进行科学的学习绩效评测，促进有3.学习环境优化：通过数据驱动变革教育生态系统数据驱动也是智慧教育的主要特征之一，强调有效应用海量优质支撑力，以实现智能时代教育生态系统的变革(黄荣怀等，2019)。实践的教育社会实验已成为一种数据密集型教育研究的新范式(黄荣该模型建立在情境计算的一般性架构(李伟平等，2015)基础上，主推荐、学习绩效分析与评测，如图2所示。按照情境计算“建模、执生成与推荐分析与评测(1)学习情境数据获取环境),既有来自传感器的实时监测数据，如GPS地理信息、声光电温湿度信息等；也有来自学习系统数据库中的一的数据操作接口以获取数据，如有学者用设备信息访问组件(Lietal.,2010)、接入网关(邹萍等，2020)、动态数据一致性组件(Xuetal.,2005)解决高效接收和处理来自传感器数据的问题。针对后者，融合到一起，如数据中台(翟雪松等，2021)等。还有学者构建了一(2)学习情境建模杰等，2012)、面向对象(Kumaretal.,2020)、描述逻辑(胡博等，境的相关要素包括学习活动(学习目标、内容、评价要求等)、学习时空、学习者(学习风格、认知能力、知识水平、知识状态、情感、注意力等)和学习社群(学习小组中的角色、关系等)等(杜静等，2020)。根据学习情境信息的稳定性，可将学习情境信息分为稳态情状态、注意力状态等(黄荣怀等，2012)。动态情境信息是进行细粒(1)学习路径生成个性化适应性学习的关键问题是如何根据学习者特点生成合适习者学习需要的知识单元和学习任务(例子、问题、习题等)序列，其难点在于既要兼顾知识点之间的逻辑关系(如相关、前提等),又辑关系是学习路径算法生成的约束条件，用以明确在学习某知识点之前，需要学习的先导知识。同时适应性学习还要根据学习者个性化特征，如根据认知能力、知识水平和学习风格等差异，对学习进度、学习内容、学习方式等作相应调整。因此学习路径生成算法一般采用有序无环图表征领域知识，通过设置最优化目标，采用启发式搜索方法等。(2)学习资源推送学习资源推送算法的优化目标包括难度适中、结构合理、媒体适当等，典型的推荐方法有协同过滤算法和启发式搜索算法等。协同过滤算法根据相关用户的偏好向目标用户推荐相关内容，即首先找出一组与目标用户偏好特征一致的相似用户，然后分析该组用户的行为模式，并基于此将适应该组用户的内容推荐给目标用户(Lemireetal.,2005)。协同过滤算法不需要考虑被推荐项目的详细内容，对用户访问应用时的干扰较小，且易于实现，是目前最成功且应用最广泛的技术之一(王永固等，2011;冷亚军等，2014),但其对学习者个性化特征考虑不足。启发式搜索方法通过多目标组合优化对学习资源推荐问题进行建模以查找最优解，如二进制粒子群(杨超，2014;李浩君等，2017;De-Marcosetal.,2007))等，然而其需要预先对知识、内容等做较精细的标注，成本相对较高。(3)学习伙伴匹配与组群建构学习伙伴形成的主要依据有随机或根据喜好、学习成绩等。随机策略根据学习者参与顺序随机确立伙伴关系，典型的项目有C-NotesMilradetalxTaskKetam2010)等。喜好策略根据学习者之间的熟悉程度确立伙伴关系，如CatchBob!(Souteetal.,2010)等。学习成绩策略依据学习者的学习表现确立伙伴关系，如Call(Almekhlafi,2006)等。针对每种策略，又有同质分组、异质分组、基于收益的分组等方法匹配学习伙伴并建构组群。有研究者根据每个学习者对不同知识点的掌握情况，提出了基于差异的学习者分组算法以及基于收益的学习者分组算法，前者旨在将掌握同类知识点的学习者分配到不同组内，后者通过最大化组内所有学习者的平均收益进行分组(Liuetal.,2016)。3.学习绩效的分析与评测为了验证适应学习情境的个性化教学策略是否有效，需要进行学习绩效分析与评测。学习绩效的分析与评测主要包括学习轨迹记录与分析、学习绩效测量与评定等。学习绩效分析与评测的结果可以为学习情境的表征与建模、教学策略的生成与推荐提供有价值的反馈信息，实现教学策略的优化、学习情境的更新、领域知识的重构等，进而不断优化学习环境的内部结构，为智慧教育数据驱动特征的实现提供支持。(1)学习轨迹记录与分析学习轨迹的记录与分析主要实现学习风格、情感、注意力等非智力因素的分析挖掘，并更新学习情境模型。典型的学习风格识别方法程(Chaetal.,2006)、贝叶斯网络(Garciaetal.,2007)和复合神经网络(李超等，2018)等。典型的学习者情感识别方法有基于可穿戴设备的生理信号测量方法(蔡菁，2010)、基于计算机视觉的表情识别方法(孙波等，2015)、基于日志的文本分析方法(刘毓等，2019)以及基于特征融合、决策融合、混合多模态融合等的多模态分析方法方法(王雪，2015)、基于深度视觉的头部姿势与注视方向跟踪方法(Baltrusaitisetal.,2016;Langetal.,2017)等。(2)学习绩效测量与评定学习绩效测量与评定主要利用概率模型挖掘知识水平、知识状态等直接代表学习效果的指标，以优化教学策略并更新学习情境模型，如当绩效提升在统计上显著时，更新推理知识库等。典型的知识水平 (Corbettetal.,1994)、面向多个能力的多维项目反应理论模型 (Ackermanetal.,2010)等。学习者的知识状态是学习者模型中的重要属性，是教学补救的重要参考指标，也是个性化学习路径生成和使评估学习者不可直接观测的知识状态成为可能，其可为教学干预提供更细粒度的信息。典型的认知诊断模型有规则空间模型(余娜等，2007)、、确定性输入噪声与门(DeterministicInputs,Noisy,“And”Gate,DINA)模型(康春花等，2010)等。型通过基于教学实验的教学策略验证和基于自学习算法的教学策略库增强，对真实多场景的学习环境进行优化，如图3所示。远应触发.因变量之间的因果关系，为教学革新提供依据(顾明远，1998)。教进而修正多场景学习环境。为了更高效地达成教学实验研究的控制条件，业界研发了模块化的学习系统，如Moodle(Romeroetal.,200GIFT)(Sottilareetal.,2012)等，通过学习活动序列的组合，支持验证性教学环境的开发。然而，这些产品仅支持单一的学习情境和场域，因此跨场域多情境教学实验研究的支持平台是未来学习环境计算研究的重要方向之一。2.基于自学习算法的教学策略库增强学习绩效的分析与评测将触发自学习算法。对于验证有效的策略，如果是新策略则在策略库中新增，否则更新对应的策略参数；对于校验无效的策略，如果是新策略则在策略库中新增，否则在策略库中修改有效性判断。在教学实验的基础上，机器通过教学策略的自学习算法实现教学策略库的增强，从而使基于教学策略库的适应学习情境的推荐算法越来越准确，为教学实施提供更科学的决策支持。学习环境计算通过“人在回路”①机器学习(Monarch,2021),学习人类专家经验并不断演化，形成面向知识自动化的教学策略库，表征教学策略、学习情境及学习绩效之间的关系，确保适应情境的教学策略能够促进学习。其包括大粒度的适应性教学策略(如基于学习风格、认知能力、知识水平的适应策略)、细粒度适应性教学策略(如基于知识状态和情感状态的适应策略)、适应学习时空及技术环境的教学策略(如移动学习中推荐微课资源，提高学习者利用碎片化时间的能力)等。基于教学实验的学习环境计算演化模型，提供了一种可以让机器积累海量、长期的数据并不断学习人类专家经验的机制，使以计算与推理为基础的学习情境的表征与建模、教学策略的生成与推荐、学习绩效的分析与评测更精准、更具适应性，使学习环境具备自适应自优化的特征而实现升级。五、学习环境的计算体系架构数据驱动、个性化、情境化的智慧教育生态的形成需要大量以学习环境计算为基础的智能化应用与服务的协同。为了将学习环境计算的核心功能在保障安全与隐私的前提下以知识服务的方式开放，支持智慧教育生态，本文在智联网技术平台架构(王飞跃等，2018)的基础上，设计了学习环境的计算体系架构。该架构主要由环境感知层、联接计算层、知识推理层以及教学服务层组成，如图4所示。知识解析：知识服务SDK及API接口图4学习环境的计算体系架构1.环境感知层环境感知层通过各种传感设备的接入，联结与感控教室、实验室、图书馆和科技场馆等学习环境数据，实现面向学习情境数据的获取。物联网是环境感知层的关键技术。然而物联网的开放性、包容性和匿名性也导致其容易出现信息安全隐患(孙其博等，2010)。接入模组是一种将芯片、存储器、功能接口等集成于电路板上的模块化组件，可以实现信号收发、噪声过滤、信号转换等功能，是实现万物智联的关键设备。在学习环境的计算体系架构中，接入模组主要实现各学习环境中传感设备的安全与管控，以满足设备网络连接的机密性、真实性、完整性、抗抵赖性等。联接计算层通过边缘计算网关实现通信装备与边缘计算装备资源的一体化管控，联接跨场域学习环境，将来自传感设备的数据转换为上层所需要的特征与模式，更新学习情境信息。边缘计算是联接计算层的关键技术，其是在网络边缘执行计算的一种新型计算模型，将原有云计算中心的部分或全部计算任务迁移到数据源的附近执行，具有低延时、低成本、隐私安全、本地自治等特征，可以解决云计算受带宽和计算资源限制无法高效处理传感器产生的海量数据等问题(施巍松等，2017)。通过边缘计算将数据处理后的特征与模式传入上层服务而不是将原始数据上传，不仅可以节省计算资源，也可以规避学习者隐私或敏感信息的泄漏。知识推理层解析上层的知识服务请求，并使用推理引擎综合知识库中的专家经验，提供适应学习情境的知识服务，包括学习情境的表征与建模、教学策略的生成与推荐、学习绩效的分析与评测等。知识工程技术是知识推理层的关键技术。专家系统使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题，并得出与学习环境计算的知识库包括教育教学基本的事实库、规则库以及教学策略库等。学习环境计算的演化模型通过基于教学实验的教学策略自学习使得该层具有知识自动化等新一代知识工程技术(王飞跃等，2017)的特征。教学服务层通过自然交互的人机接口，为各类教育教学系统提供服务，形成知识服务生态系统。在边缘计算与云计算协同下，学习环境计算的功能和资源以知识服务的形式开放到智慧教育生态环境中。服务计算是该层的关键技术。服务不仅是接入和放大各类基础设施能力的基本途径(韩燕波等，2011),也成为拓展学习环境计算应用的基本方法。开发者和研究者可调用人机接口，通过知识推理层的软件开发工具包(SoftwareDevelopmentKit,SDK)及应用程序接口 使得需要多学科背景知识与较高软件开发技能的算法，能以标准化的方式被调用，降低自适应学习系统、智能导学系统、环境管理系统等智慧教育生态服务研发所需要的成本与技能。新型学习环境的设计与研究缺乏标准和工具，尤其计算与推理的实现需要较高的知识与技能门槛，使得相关研究大多停留在理论层面，缺乏实践验证。学习环境的计算体系架构通过环境感知层实现异构网络的互联互通，在中间层以联接计算与知识推理联通智慧学习环境所需的智能算法，并提供标准的SDK与API接口，在顶层通过自然交互的人机接口提供知识服务，支持智慧教育生态的形成。六、学习环境计算的应用实例学习环境计算框架为学习环境设计与优化等提供了切实可行的顶层设计和技术路径，支持数据驱动、个性化、情境