摘要：本文首先介紹了“個性化學習”的由來，然後從“促進個性化學習的核心理論——學習者建模” “促進個性化學習的關鍵技術之一——人工智能”和“促進個性化學習的關鍵技術之二——教育數據挖掘”等三個方面，對促進“個性化學習”的理論、技術與方法作了較全面、深入的論述。由於人工智能技術用於促進個性化學習，主要是通過智能技術所支持的“適應性教學系統”實現，所以本文最後強調，適應性系統的研發必須滿足“四維適應”的需求。
一、導言——“個性化學習”的由來
《教育傳播與技術研究手冊（第四版）》第四部分（“一般教學策略”篇）的第34章專門介紹了“促進個性化學習、教學和績效的先進技術”（任友群等，2015）。該章內容主要涉及三個方面：一是促進個性化學習的核心理論——學習者建模；二是促進個性化學習的關鍵技術之一——人工智能；三是促進個性化學習的關鍵技術之二——教育數據挖掘。“
個性化教學”最早出現於凱勒（Keller）提出的個性化教學系統（personalized system instruction，簡稱PSI）（Lockee et al.，2008）。二十世紀七十年代，凱勒（Keller，1974）已對個性化教學系統開展了近十年的研究，並展望了個性化教學的未來發展，聲稱：“我們需要技術，我們需要改革，沒有什麼理由說明它們是不能一起發揮作用的。……今天我們擁有的證據使我們相信個性化教學將會生存下去——傳統教育的日子屈指可數。”
人工智能技術的發展（尤其是這一領域“自適應技術”的發展），為個性化教學提供了強有力的支持。不同學習者有不同的個性化需求，可以說這種需求是千變萬化的。在信息技術尚未出現或仍處於萌芽時期，要想適應不同學習者的不同需求，真正實現個性化教學，是根本不可能的，甚至是無法想象的。但是，二十世紀九十年代以來，隨著以多媒體計算機和網絡通信為標誌的信息技術的迅猛發展，人工智能技術（包括“自適應技術”）有了新的突破，出現一批“智能代理”型適應性教學系統（Shute & Zapata-Rivera，2008），這類系統既能基於認知特點的自動識別，支持和促進學習者對複雜、抽象概念的學習與理解，又能基於情感態度的自動辨別與感知，為學習者提供適應其個人愛好的學習資源與學習方式。這樣，個性化教學就不再停留在理論和觀念層面，而是可以落實到某些學科的實際教學過程中（至少對某些學科的部分內容能做到這點），這就是在若干學科（主要是理工科和醫科）的課程教學中之所以會有一批以“智能代理”形式出現的“個性化教學系統”（也有人稱之為“適應性教學系統”）的背景與由來。
教學的目的最終是為了促進學習者的學習。從學習者的角度看有利於個性化教學的系統自然也是有利於促進個性化學習的系統。一般認為，這是近年來“個性化教學系統”逐漸被“個性化學習系統”所取代（或是兩種說法並存）的原因所在。我個人認為，這種說法的改變只是表面現象，而非本質上的原因，這種“說法”改變的根本原因，應該與建構主義有關。眾所周知，二十世紀九十年代以來，建構主義隨著信息技術的迅速普及而廣泛流行；建構主義所倡導的“以學生為中心”的教育思想和“自主探究、自主發現”的教學觀念在整個九十年代（甚至到21世紀初）都佔據全球教育界統治地位的主流教育思想與教學觀念——“對教師如何教”的關注，完全被“對學生如何學”的關注所取代。在這樣的背景下，“個性化教學系統”的名稱讓位給“個性化學習系統”，也就順理成章了（直至進入21世紀以後，特別是2005到2006年美國爆發“建構主義教學——成功還是失敗？”的大辯論後，“以學生為中心”教育思想的統治地位才開始發生動搖）。
二、促進個性化學習的核心理論——學習者建模
關於“學習者建模”，相關文獻也稱之為“學生建模”或“用戶建模”（超媒體和Web應用領域的教學研究人員比較愛用“用戶建模”這一術語）。這種模型是創建能夠提供個性化學習的適應性系統的關鍵與核心。模型包含的相關信息越多，系統的適應性能力就越強，學習過程的個性化程度就越高。學習者模型應包含哪些類型的信息，完全取決於教師或開發者的研究目標。
（一）學習者的靜態與動態模型
學習者模型的複雜程度差異很大，可以是很基本的模型——僅包含一個或幾個可用於調整教學的“學習者特徵”（如先前的知識、學習風格、認知特點、學習動機等），也可以是更先進的、高度動態的模型（見下文）。在學習者進入學習環境之前就已建好的學習者模型，一般稱為學習者的“靜態模型”（Vandewaetere et al.，2011）；反之，在學習者進入學習環境後，在學習過程中逐漸建立起來的學習者模型，被稱之為學習者的“動態模型”。
過去十年裡，由於信息技術的快速發展，計算能力有了極大提升，產生了更高級、複雜的學習模型——“適應性教學系統”。所謂“適應性”，是利用基於先前學習任務的測量所獲得的若干學習者特徵，來建構學習者模型（靜態模型）。這類模型包含較多的一般性信息（Rich，1979），可將學習者按照事先確定的學習者特徵歸類，並分成若干小組，然後依據不同的學習者特徵為各組選擇不同的教學策略，從而體現該系統的“自適應特性”（自動具有某種“適應性”）。特朗特菲洛（Triantafillou et al.，2004）等人的研究充分展示了這種基於學習者“靜態模型”而建立的“適應性教學系統”的功能與特色——該系統的靜態模型包括“認知風格”（即屬於“場獨立”型或“場依存”型），並據此為不同學習者提供不同的教學方式與策略。該系統的重要缺陷是完全依賴靜態模型，而忽視背景因素和實際情境（有些學習者特徵會因背景或情境的變化而改變，這就使適應性教學系統的效果會因情境不同而受影響）。此外，該系統還未能把所有同等相關的“學習者特徵”都包含在靜態模型中，從而使其“適應性”功能受限制，這是該系統的另一個不足。這些問題只有依靠“動態建模”才有可能解決。
動態建模的方法是“基於特徵的建模”（Feature-based Modeling），這種方法可以捕捉學習者的個人特徵，動態跟蹤學習者個人特徵的變化，還可在學習者與環境交互（人機交互、師生交互、生生交互）的過程中獲取相關信息，隨時更新和擴展模型。目前這種精細化的動態建模方法（即特徵建模法）已成為基於Web的適應性教學系統中建模的主流方法與技術（Brusilovsky & Millan，2007）。
動態建模還有一種方法是“原型建模”，就是完全根據學習者特徵的原型，對學習者進行分類。這種方法通常不單獨使用，而是和“基於特徵的建模”有機整合在一起——在這種整合後的新方法中，第一步就是根據“原型建模”將學習者進行分類；第二步是激活學習者個體的“動態模型”（通過“基於特徵建模”方法建立的“動態模型”）（Tsiriga & Virvou，2003）。通過這種基於學習者“動態模型”建立的“自適應教學系統”，教師能夠很容易地識別出“新用戶”和“新學習者”（Brusilovsky & Millan，2007），並隨時瞭解和掌握學習者在不同學習情境下的動態特徵，因而這能彌補和克服基於“靜態模型”建立的“適應性教學系統”的不足。
（二）建立學習者模型的關鍵技術
上面提到，動態建模主要使用“基於特徵”的建模方法，這種方法要通過人工智能領域的“機器學習技術”才可能實現。機器學習技術可以識別學習者的特點與行為模式，並將這些特點與模式隨時融合到學習者模型中。在學習者不願意或不能給出關於自身行為反饋信息的場合，這種“全程測量”並使用“軟計算”方式（模糊邏輯是“軟計算”中的常用手段）的技術，已成為機器學習領域很有前景的先進技術（Frias-Martinez et al.，2005）——事實上，專家們認為，模糊邏輯這種方式更適合於表徵人類導師評估學習者的方式（Fazlollahtabar & Mahdavi，2009；Jeremic et al.，2009；Xu & Wang，2006）。
機器學習技術關注神經網絡，可以預測學習者的反應和錯誤。基於對學習者反應的預測，它還可提供適應性學習路徑（Beck，Jia，Sison，& Mostow，2003；Beck & Woolf，2000）。
在機器學習中，除模糊邏輯外，研究者還報告了“貝葉斯概率”方法的應用。例如，伽西亞等人（Garcia et al.，2007）用基於“貝葉斯概率”方法處理教學過程中的許多變量，特別是為了檢測不同學習者的學習風格，構建了貝葉斯網絡。另外，有些學者在創建學生模型的過程中也成功地應用了貝葉斯網絡（Conati et al.，2002）。
（三）學習者建模的未來發展
如上所述，學習者建模是創建能夠提供個性化學習的自適應系統的關鍵與核心。我們不能期望學習者模型能夠一絲不拉地全面表徵學習者的認知、情感和行為特徵（但應儘可能全面、真實地反映這些特徵）。塞勒夫（Self，1990）認為，對學習者建模的研究，“應該制定更現實的目標，以獲得學習者建模在某一方面的問題解決辦法，這樣的目標將更易達成，也更實用”。
塞勒夫建議，應該重新考慮學習者模型的作用。為此，他向同行提出挑戰——要求同行將“學習者模型”向學習者開放，因為這很可能提升學習者的自我反思能力。依據塞勒夫的建議，布爾及其同事（Bull et al.，2005）開發了開放式學習者模型，並向學習者開放，使學習者能夠看到學習者模型中的信息，從而便於學習者對自身學習過程進行自我監控、自我反思和自我評估（Bull et al.，2008）。
開放式學習者模型的表徵形式多種多樣，可以是技能圖表，帶有先決條件和內容結構的“樹狀圖”，也可以是動畫或觸感式反饋（Bull et al.，2005）。某些開放式學習者模型還允許學習者與其進行交互，從而使學習者能更好地控制學習者模型。正是這種“開放式學習者模型”（尤其是允許學習者與其交互的開放式模型）是今後一個時期學習者建模領域的重要研究方向，值得我們持續而認真的關注。
三、促進個性化學習的關鍵技術之一
——人工智能
目前，人工智能技術在促進個性化學習方面的應用主要體現在三個方面：一是“基於知識的智能輔導系統”，二是“基於情感識別的智能輔導系統”，三是“基於代理的智能輔導系統”。下面對這三方面應用作具體闡述。
（一）基於知識的智能輔導系統
基於知識的智能輔導系統主要從認知層面促進學習者對知識與技能的學習（使學習者易於理解和掌握複雜、抽象概念）。該系統集成了人工智能領域的三個組件（Akhras & Self，2002）：
第一個組件是學習者模型。該模型主要描述“學習者特徵”以及一般用戶模型中關注的（或尚有爭議的）主題——如學習者的原有知識水平、認知特點、學習風格、分析問題和解決問題的能力等；
第二個組件是領域模型，該模型是對學習內容或欲傳授知識的表徵，也包含不同領域的知識元素之間的關係；
第三個組件是教學模塊（或輔導模塊），是具體實施教學過程的模塊，包括生成教學過程和形成教學策略的規則。
目前較常見的“基於知識的智能導師系統”有“跟蹤模型的認知導師”“基於約束條件的導師”和“跟蹤實例的導師”等。
在“跟蹤模型的認知導師”系統中，問題解決的每個步驟都用認知模型或問題解決模型表示，以確保學習者能學到所有內容（Van-Lehn et al.，2005），然後再把學習者行為和“專家解決問題模型”相比較。該系統的“認知模型”可通過一組產生式規則表示——這些產生式規則應包含學習者可能使用的所有概念（包括錯誤概念）。安德松（Anderson，1993）的思維適應控制認知理論（Adaptive Control of Thought，又稱ACT認知理論），可為基於產生式規則的認知模型開發提供指導。由於實現了學習者所需掌握知識的詳細表徵，跟蹤模型的認知導師系統可以有效地提供大量交互和反饋。
在“基於約束條件的導師”系統中，領域模型包括學習者的解決方案中應該滿足的所有約束條件與規則，因此可以用一組預定義的約束來解釋和評估學習者行為。基於約束條件的建模基礎是從錯誤表現中學習，為此，該系統採用一組狀態的約束（或與其等價的問題狀態）表徵領域模型。如果學習者的問題解決方法是正確的，約束條件就不會被違背；一旦違背了約束條件，就意味著這裡面存在有因錯誤或不完善知識所導致的偏頗。之後，就只好在違背約束條件基礎上進行學習者建模。由於約束條件比產生式規則更易於明確表達，所以與“跟蹤模型的認知導師”相比，其開發難度要低一些，但按照約束條件所建立的學習者模型，性能也要弱一些——因為對於某些“結構不良”的知識領域，要想確定問題狀態和利用約束條件來表徵學習者的理解幾乎是不可能的。可見，兩者各有利弊。
“跟蹤實例的導師”系統是指在原來的“跟蹤模型的認知導師”系統中，認知模型不是用”產生式規則”表示，而是利用“問題解決行為的一般性實例”表示的系統，並且在此情況下要把“一般性實例”看成“行為圖”——用來指明解決某種問題或任務的具體途徑。這種認知模型表示方式的好處是，無需確定正式步驟和約束條件，系統就能識別更廣泛的合乎要求的學習者行為。
上面所列出的幾種智能導師系統，其共同特點是都把學習過程只看成是“知識建構過程”，從而導致智能輔導系統研究的重點被放在：通過認知模型跟蹤形成的某種產生式規則或某種約束條件（也可以是問題解決行為的一般性實例），以便用來幫助學習者完成知識意義的建構（尤其是對複雜、抽象概念的理解與掌握）。但是，近年來，學術界的關注點已經逐漸從純粹基於認知和知識建構轉向基於情感識別和代理的智能輔助教學系統，下面就是有關這個新研究領域的介紹與論述。
（二）基於情感識別的智能輔導系統
要實現基於情感識別的智能輔導系統，關鍵是要設計出“具有情感管理能力”的學習環境，這就必須構建“學習者的情感狀態識別模型”（簡稱“情感識別模型”）。利用人工智能的自動檢測與識別情感的技術、工具，可以避免調查問卷和出聲思考程序等傳統干擾性測量方法的缺點。目前，應用於探測情感（以便構建“情感識別模型”）的測量工具有：
1）測量大腦活動的“腦電圖”（Blanchard et al.，2007）；
2）捕捉面部肌肉活動的“肌電圖”（Liu，Rani，& Sarkar，2005）；
3）測量壓力和興奮的“皮膚電反應器”（Blanchard et al.，2007；Liu et al.，2005）；
4）通過數碼相機分析身體活動的“姿勢分析器”（Sebe，Cohen，& Huang，2005）；
5）利用計算模式推斷學習者精神狀態的“面部表情識別器”（Arroyo et al.，2009）。
由於情感在人類的認知過程中起著監控作用，所以在智能輔助教學系統中“情感識別模型”變得越來越重要。對學習者的動機、沮喪、壓力和自我效能感的自動探測，產生了高適應性（即個性化）學習環境以及基於情感識別的智能輔導系統開發的新方法。與傳統教學相比，實驗結果表明：這種基於情感識別的智能教學系統，儘管學習者的成績進步差異並不顯著，但在動機、自我效能感、興趣和感知控制等方面，學習者顯示出明顯的優勢，尤其是情感性輔導對於領域知識水平較低學生的深度學習有良好的促進作用。
（三）基於代理的智能輔導系統
基於代理的智能輔導系統的研究為開發具有人類特點的學習夥伴提供了可能。這樣的夥伴，在學習環境中扮演的是“非權威性”角色（Chou et al.，2003）。在基於代理的系統中，教學代理接受環境的輸入，隨後在環境中進行相關操作。學習夥伴和教學代理可以承擔以下幾種角色：同伴導師、專家導師、競爭者、受指導者、學習者或搗亂者（Chou et al.，2003）。
學習者與代理交流的常用方式是通過監控學習者與導師的對話，瞭解學習者或其學習夥伴的行為模式，每種行為模式都和某種具體的教學策略對應。
為捕捉學習者與導師對話的特點，越來越多的基於代理的智能教學系統利用“自然語言處理技術（Natural Language Processing，簡稱NLP）”。自然語言處理技術是人工智能領域專門用於處理人類自然語言的一套技術的有效整合（包括自然語言的自動生成、理解與識別）。這表明，自然語言處理技術是實現基於代理的智能輔導系統的關鍵技術。
（四）人工智能教育應用面臨的挑戰
《教育傳播與技術研究手冊（第四版）》第34章的作者認為，當前人工智能教育應用面臨三大挑戰。
第一個挑戰是各種智能輔導教學系統的研製與開發。目前的現實是1小時的智能輔助教學，普遍需要100到幾百（乃至上千）小時的研發。為了應對這一挑戰，必須提高研發效率，這就需要加強智能輔導系統創作工具的應用與推廣。無需編程即可創建“跟蹤實例導師系統”的CTAT工具（Aleven et al.，2009）、便於開發“基於約束條件導師系統”的ASPIRE工具（Mitrovic & Koedinger，2009）以及慕瑞（Murray，2003）推薦的其他幾個創作工具，都是功能較好的，可以考慮應用與推廣的對象。
第二個挑戰是各種智能輔導教學系統如何常態化實施。人工智能技術的應用，需要複雜的算法和海量內存的支持，若智能輔助教學系統功能過強、系統太複雜，那麼，在常態化實施過程中，將會被一般學校和班級的技術限制所阻礙。
第三個挑戰是讓人工智能的教育應用真正回到初始目標，即通過真正實現“自適應教學系統”為學習者提供高度“個性化”的學習環境。由於人工智能教育應用涉及許多高、精、尖技術，這就使從事人工智能教育應用的研究人員，往往把注意力和研究重點放在“技術”上，而不是放在“教育”上。所以，如何讓這個領域的研究迴歸到初始目標，即如何通過真正實現“自適應教學系統”為學習者提供高度“個性化”的學習環境，這是人工智能教育應用領域面臨的最大挑戰。
我們認為，《手冊（第四版）》第34章作者的上述觀點，是經過深刻反思並有許多實際案例佐證的，值得我們認真學習與借鑑。
四、促進個性化學習的關鍵技術之二——教育數據挖掘
（一）教育數據挖掘的內涵和教育數據的特徵
（二）教育數據挖掘的方法
目前所用的教育數據挖掘方法，大致有五種：
一是“預測”法，目的是把相對獨立的變量（要預測的變量）組合在一起，以推測數據某一方面的變化（因變量或結果變量）。在解釋對結果變量的預測時，這種方法強調應更多地關注哪些特點（或變量）更重要，而且首先注意預測調節性或中介性的因素。巴克（Baker，2010）描述了三種預測方法：“分類”“迴歸分析”和“密度估計”；穆爾（Moore，2006）提供了有關這些方法的詳細信息。
二是“聚類”法，目的是找到可以自然分組的數據點（如學習者、學習者特徵、學校、學生行為等）。聚類可以是細粒度的，如匯聚學生行為，以便發現其行為模式；也可以是粗粒度的，如探索學校之間的異同。
三是“關係挖掘”法，目的是在大量“變量數據組”中發現變量之間的關係及其關聯程度。這類挖掘的實施步驟是：先通過關聯規則挖掘，在此過程中形成“If—Then”形式的產生式規則（例如，“如果變量Ｘ發生，那麼變量Y也發生”），然後通過相關性挖掘發現某種新關係（如，變量Ｘ與變量Y之間呈正相關），或是通過因果關係推測新關係（如，如果Y發生，是由Ｘ引起的），也可通過學生行為的序列模式發現新關係（在此情況下，學生的行為模式應事先給出明確定義）。總之，發現新關係的過程，就是完成“關係挖掘”的過程。
四是“模型發現”法。在教育數據挖掘中，“模型發現”法已越來越流行。它是先開發和驗證模型，再將其作為另一輪分析的輸入（例如，“預測”法的輸入）。“模型發現”法可以回答下面這類問題：
1）特定學生小組通過哪種學習材料（例如具有不同類型練習的材料）獲益最多？
2）不同類型的學生行為如何影響學生的學習？
3）隨著時間的流逝，智能輔導系統的設計變量將如何影響學生的行為？
五是“文本挖掘”法。它可以確定文檔組別，以此為基礎進行數字學習環境的知識提取，或用於分析和評估學習內容管理系統，也可用於分析和評估互聯網課程的在線討論論壇。
（三）教育數據挖掘在個性化教學中的應用
教育數據挖掘為個性化學習環境的開發提供兩個關鍵性支持（Baker & Yacef，2009）：
一是對“學習者模型”的改進。教育數據挖掘方法的應用，使研究人員能夠發現更多的學習者特徵和捕捉學習者更深層次的行為表現，從而創建更復雜、真實的學習者模型。例如，在“學生參與和系統博弈”課例中，研究人員基於教育數據挖掘方法，創建了可以把學習者的“動機、學習活動、情感、態度以及和系統博弈行為”聯繫在一起的模型，同時還提取一些與博弈行為有關的模式，開發出能在檢測到學生的博弈行為後自動進行調整的新功能。
二是深化對“適應性（即個性化支持）”的研究。實現這一目標的主要方法是“學習分解”（Beck & Mostow，2008）。依照這種方法，學生的後續成功（比如，獲得某種複雜的高階知識與技能）與提供給學生的支持類型數量有關（或是與學生要求的支持類型數量有關）。其結果是，每個支持類型都可以描繪出它對學習的相對有效性（事先必須對各種“學習支持”的方式、特點進行收集與分類，並對每種“學習支持”的作用有全面的分析與正確的理解，這正是“學習分解”方法名稱的由來）。
雖然教育數據挖掘為個性化學習環境開發所提供的關鍵性支持，只涉及上述兩個方面，但教育數據挖掘的實際應用領域要廣泛得多。例如，它可應用於在線學習環境中不同交互模式的比較，可以應用於調查網絡學習者的社區意識，還可以通過分析日誌文件估計學習者對學習材料的關注程度，並檢測學習者的不參與行為等。
（四）教育數據挖掘面臨的機遇和挑戰
眾所周知，教育數據具有許多與其他數據不同的特點，這些特點使得並非所有傳統的數據挖掘方法都能在適用，這就迫使我們必須為教育數據挖掘研發新的方法。
目前這類方法很大程度上都是由於能不斷獲得公共數據集和日誌文件的支持而發展起來的，現有基於Web的學習環境和內容管理系統提供的極為豐富的教育數據及相關信息，完全可以作為教育研究人員開發和檢驗“教育數據挖掘方法”的實驗室。這類數據庫的優勢是便於訪問，而且其中的數據有很高的“生態效度”——數據來自大範圍的學習者和教學人員（且不斷髮展變化）。各種觸手可及的海量數據的存在，使研究人員可以從多方面（比如從橫向、縱向或同時從橫縱向）對“教與學”過程進行實證研究，還可在此過程中考慮不同情境因素對“教與學”過程的影響。
當前教育數據挖掘面臨的一個重大挑戰是要為教師和非數據挖掘方面的專家提供挖掘工具。在使用教學內容管理系統或從事網絡在線教育幾年後，教育工作者身邊有豐富的數據庫，可以為研究學習內容、學習者行為和學習環境提供具有生態效度的信息，然而由於目前“數據挖掘技術”還較複雜，未能普及，很多信息還處於隱秘狀態，這就使教育數據中的許多寶藏有待挖掘。為應對這一挑戰，本領域的技術開發人員應儘快對當前有關教育數據挖掘的技術、手段、方法加以綜合、整理，並從中整合出一種功能齊全又容易操作的“挖掘工具”，以便廣大教師和非數據挖掘方面的專家掌握與運用。
五、結語
人工智能技術用於促進個性化學習，主要是通過智能技術所支持的“適應性教學”（或“自適應教學”）實現的。《手冊（第四版）》第34章的作者認為，要達到這一目標，適應性系統應從四個維度認真考慮並滿足“適應性”，這四個維度是：
1）“適應的來源”（因何而變？）。關於適應的來源，通常有兩個方面：一是隻考慮與學習有關的參數，如“學習者特徵”（包含先前的知識、學習風格、認知特點、學習動機等）和“學習結果”（如完成學習任務的時間、知識與技能的提高、思維方面的發展等）；二是考慮學習者與適應性系統的互動，為此應關注學習者與系統互動時的行為。
2）“適應的對象”（改變什麼？）。這是指適應性教學可以調整的對象（即系統中哪些內容可以調整），它涉及三個方面：一是改變內容或主題，這可以通過區分任務或項目的難度水平達到；二是改變學習內容的表徵形式（如隱藏或突出顯示鏈接）；三是通過間接指導和地圖適應法，調整內容難度和教學策略支持。
3）“適應的時間”（何時改變？）。適應的時間是指系統對學習者的適應在什麼時候發生。應當注意到，在“靜態用戶建模”“動態用戶建模”或“靜、動態用戶建模（也稱雙路徑建模）”這三種不同特徵下，“適應的時間”是不同的。以雙路徑建模為例，其適應時間的調整可以這樣實現：在進行一次學習者的測量之後進行首次調整，然後再基於學習者學習過程中的互動參數，進行持續的建模與調整。
4）“適應的方法”（如何改變？）。適應的方法對“學習者控制的適應”“系統控制的適應”以及“兩者組合的適應（共享控制）”這三種情況作出了明確的區分：
①“學習者控制的適應”強調學習者應完全控制學習環境和學習內容；
②“系統控制的適應”則是由教師和開發者定義適應（和智能輔助教學系統的案例大體一致）。
③上述兩者適應控制方法，各有利弊。為此，柯巴蘭及其同事（Corbalan et al.，2008，2009）提出“共享控制”的新觀點。共享控制系統應首先選擇一組合適的學習材料或學習任務，然後考慮學習者特點以便與之適應。隨後，學習者還可以自由地選擇材料或任務。
通過對《手冊（第四版）》第34章作者所提出四維觀點的認真分析，我們感覺這些觀點是經過深刻研究與反思才提出的，對於適應性教學系統（或自適應教學系統）的研發能起強有力的支撐作用，因而對促進個性化學習有重要意義，值得我們虛心學習與借鑑。
閱讀更多 CIT國家工程實驗室 的文章
