你是否曾經開始一門課程，但覺得太慢?或太困難嗎?希望你能開快點?感覺你沒有得到足夠的練習來掌握內容?自適應學習系統尋求解決這些挑戰。
在本文中，我將介紹什麼是自適應學習系統。我將介紹一些背景知識，解釋為什麼自適應學習系統具有這樣的結構。我還將介紹一些自適應學習系統。然後，我將討論適應性學習系統的四個要素，以及如何自己構建一個。最後，我們將評估適應性學習的優缺點。
什麼是適應性學習系統?
自適應學習系統是一種算法優化內容以適應學習者目標和當前知識狀態的軟件。
在傳統的電子學習課程中，你將線性地遵循老師創建的路徑。您可以按預定的順序觀看視頻、閱讀文章、參加測驗和練習交互模塊。自適應學習系統將包含相同類型的材料。但每個學習者的學習順序都會發生變化。系統根據兩件事來決定向學習者展示哪些內容:
- 如果學習者的目標只是內容的一個子集，那麼系統可以限制內容。
- 先驗知識也起作用。如果系統確定當前的路徑過於簡單，系統可以加速到更有挑戰性的材料。如果系統發現當前路徑過於困難，系統可能會…干預和審查先決內容，減少挑戰，或放慢節奏。
一些相關的主題包括智能導師、適應性測試、心理測量學、個性化學習和智能教學。其中許多主題與自適應學習系統共享算法和結構。
知識是一個圖表:神經科學
我將從一些背景知識開始。這將為為什麼自適應學習系統具有以下四個要素創建上下文。這是因為知識是一個圖表。
人類大腦有860億個神經元。每個神經元都有樹突、體細胞和軸突。
- 樹突是輸入。樹突的邊緣從突觸接收神經遞質。突觸是兩個神經元之間的間隙。
- soma是吞吐量。含有細胞核的體細胞體將來自樹突的信息傳遞出去。
- 軸突是輸出。軸突向軸突終端傳輸動作電位(電信號)。髓鞘覆蓋在軸突上以保護信號。軸突末端向突觸釋放神經傳遞因子。
你的大腦接收和處理的信息與神經通路相對應。你的大腦通過這個途徑有髓化——加強軸突周圍的髓鞘來支持電信號。由於髓鞘的增強，這條路在未來更有可能發射。換句話說，你在學習。
即使在最小的尺度上，我們的大腦也是由大量連接的神經元組成的。我們通過使某些路徑比其他路徑更容易連接來學習和優化。
知識是一個圖表:學習科學
我們在學習環境中表現如何，最有力的預測因素是我們的先驗知識。在我們開始學習之前我們已經知道的。一篇著名的心理學論文——1999年Dochy, Segers和Buehl——發現學習者之間81%的結果差異是先驗知識。在顯示新的信息影響學習結果之前，回顧以前的知識。在教學中，把新知識和已有知識聯繫起來也會產生很大的影響。(來源見《八種觀點》[Eight Ideas])。
最著名的心理學論文是1956年喬治·米勒的《神奇的數字7，正負2》。這篇論文表明，人類的工作記憶有限。米勒發現，對於簡單的數字，一個人可以同時處理大約7個項目。後來研究人員發現，對於更復雜的信息，這個極限更接近於4。
一些心理學家認為，這“四個時段”中，至少有一兩個是先驗知識。我們可以在四個槽中“加載”多少先驗知識取決於圖中連接的強度。當我們在工作記憶中既有先前的知識又有新的知識時，我們就會把這些信息聯繫起來。我們加強了兩者之間的聯繫。試圖學習新的信息而不與先前的知識聯繫起來會限制記憶的強度。
簡而言之，我們通過將已有知識與新信息聯繫起來來學習。這些聯繫形成了一個巨大的，無窮無盡的知識圖譜。
一些重要的適應性學習系統
本節更多的是上下文，但是是可選的。我不是在寫一篇關於這些系統歷史的詳盡文章，但這裡有一些要點:
- 最早的實現之一是Skinner教學機器。
- 在20世紀60年代和70年代，有幾次嘗試使用計算機化教學系統。成本和較慢的機器限制了這些系統的成功。
- 在70年代末和80年代初，項目反應理論使測試人員能夠開始研究計算機化的適應性測試。
- 早期和有影響力的計算機系統是Lisp導師，也被稱為LISPITS(1983)在卡內基梅隆大學。
- SuperMemo於1985年發佈，將“間隔學習”納入計算機系統。
- 同樣在1985年出現了知識空間的論文，它構成了四個要素之一的基礎。
- 1994年ALEKS Math tutor問世，大力推廣知識空間的使用。
- 1995年，Corbett和Anderson發表了《知識追蹤》一書，為貝葉斯知識追蹤模型奠定了基礎。
- 一些重要的軟件包括AutoTutor、ACT-R和Cognitive Tutor創作工具。
- Knewton是當代適應性學習系統的一個例子。卡普蘭和皮爾遜都使用Knewton提供適應性學習體驗。
這四個元素
當今大多數自適應學習系統都有以下四個要素。術語會發生變化，它們的範圍也會發生變化。但你幾乎總能找到所有四個元素。
這些元素是:
- 專家——“理想”狀態的圖形模型，即使用此係統可以學習的所有內容。
- 學習者——學習者當前狀態的模型，顯示學習者瞭解專家圖中的每個節點的可能性。
- 導師——決定顯示什麼內容以及何時顯示內容的算法。專家模型和學習者模型通知導師。導師尋求優化內容的相關性、挑戰性和效率。
- 界面——即如何向學習者展示學習體驗。在許多自適應學習體驗中，界面會根據學習者模型和導師的目標而變化。
我們來看看每個元素。
專家-所有事情的大圖表
專家模型是一個大的，連接的圖表，你想讓學習者知道的一切。顧名思義，您有一個主題專家(或主題專家)來創建模型。這個模型是靜態的。只有當學習結果的範圍發生變化時，專家模型才會發生變化。或者當改進自適應學習系統的問題和機會出現時。
專家模型的大部分工作都是在構建新的學習體驗的開始。自適應學習系統將訪問專家模型，將學習者的當前狀態與專家模型進行比較。該系統還將訪問專家模型，以確定下一步重點學習哪些經驗。
通常，一組專家將定義學習成果的範圍。專家模型中的每個節點都應該具有以下屬性:
- 一個名字
- 簡短的描述，指出哪些技能正在測試，哪些不在測試範圍之內
- 先決節點列表——這些節點構成圖的“邊”。這些先決條件不能形成一個“循環”——節點的循環。
當每個節點都很小且定義很窄時，專家模型的性能更好。例如，Bloom分類中的每種技能——識別、理解、應用、分析、綜合和評估——都可以是專家模型中的自己的節點。兩個基本技能的組合也應該是一個單獨的節點。
可以使用無數種格式創建專家模型，比如XML、JSON、CSV或YAML。能夠以圖形方式顯示專家模型以供查看，這將有所幫助。
有些系統會自動生成專家模型，通過在一系列問題中查詢專家，就像嚮導一樣。其他人將使用k-means聚類算法對現有的學習內容進行聚類。您可能想要查看Wikipedia關於知識空間的文章以獲得更多的數學描述。
學習者-你在哪裡和你想要在哪裡
學習者要素是學習者當前能力狀態的一個模型。因此，對於專家圖中的每個給定節點，學習者模型都有與之相關的概率:1-99%。每當學習者執行一個活動時，系統都會更新這個圖表。如果一個學習者正確地回答了一個問題，這個概率就會增加。如果學習者答錯了，概率就會降低。
每個學習者都有自己的學習模式。所以每次系統中有一個新的學習者，就會有一個新的學習者模型。之後，導師會使用學習者模型來決定學習內容的順序。
有很多算法可以更新學習者模型。知識空間表明，當學習者發展一項技能時，相關技能的概率也應進行調整。
一些自適應學習系統使用簡單的啟發式模型來更新技能概率。在項目響應理論中，概率沿乙狀結腸曲線更新。在貝葉斯知識跟蹤中，該曲線的形狀較為保守。每種模型都傾向於考慮以下因素:
- 在學習者做任何事情之前，我們估計的概率是多少?
- 如果一個學習者不知道該技能，他猜對答案的可能性有多大?
- 即使一個學習者掌握了一項技能，他犯錯誤的可能性有多大?
- 學習者在看到物品後“學習”技能的可能性有多大?
- 這種活動將學習者分為熟練學習者和非熟練學習者的可能性有多大?
- 這個項目對這個學習者來說有多難?
對於項目響應理論和貝葉斯知識跟蹤，都需要一種方法來估計這些參數。這是適應性學習系統中發展最快的領域之一，所以我還不能給出任何具體的建議。也有研究人員利用經典的機器學習，如神經網絡，創建模型。
導師-什麼時候展示
導師選擇學生參加活動的順序。每次更新學習者模型後，導師都會更新為該學習者優化的路徑。
導師的目標是讓學習者在最短的時間內完成一個完整的專家圖。有些系統允許學習者只專注於某些領域，而忽略其他。由於每個學習者的學習模式都是獨特的，所以導師所走的道路也是獨特的。專家元素和學習者元素是帶一些算法的數據，導師元素是帶一些數據的算法。
導師可以決定哪些技能需要重點學習，哪些活動需要讓學習者參與。對於需要關注的技能，導師通常會選擇對較大圖表影響最大的技能。這通常意味著在掌握更高級的技能之前，要先掌握更基本的技能。活動:
- 導師會盡量選擇與學習者最相關的活動
- 導師會選擇有挑戰性的活動，但對學習者來說不會太難。
- 導師將嘗試以一種減少掌握所需總時間的方式來選擇活動。
簡單的適應性學習導師可以隨機選擇一項技能內的活動。基於項目反應理論的導師強調選擇具有挑戰性的活動。在貝葉斯知識跟蹤模型中，市場上有許多不同的導師算法。研究人員更關注專家和學習者的因素。所以我們不知道什麼能給導師帶來最好的學習效果。
界面-如何顯示它
一些自適應學習系統將改變用戶界面。由於學習者對一項技能不那麼熟悉，界面就會減少，而更多地關注手頭的任務。隨著學習者能力的提高，更多的完整的界面融合在一起。有些人把這個過程稱為“腳手架”。
在一些系統中，學習者可能會要求和接受提示。何時提供提示以及提示的深度可以根據學習者的能力進行調整。
還有一些其他的問題，比如:
- 你會向學習者展示專家圖表嗎?
- 你是否展示了他們在所有技能上的進步?如何?
- 你是否展示了他們在特定技能上的進步?如何?
- 學習者在學習內容上有選擇嗎?還是系統決定一切?
根據系統的需要，其中一些項目可能會影響學習結果。
我們如何知道適應性學習是否有益?
由於這些系統來自學術界，我們對每個系統都有大量的數據和歷史。
個人輔導具有最強的學習效果。這在教育研究中是一個普遍的發現。到目前為止，還沒有一種計算機自適應學習系統能超過人類一對一的輔導。
研究人員調查了單獨的課堂學習，單獨的計算機自適應學習，以及結合課堂和自適應學習。2016年的一篇論文《智能輔導系統的有效性》對這些研究進行了meta分析。自適應學習系統通常優於傳統的課堂學習。結合課堂學習，自適應學習系統產生了積極的效果，但也存在一定的侷限性。
自適應系統在即時反饋和確保技能掌握方面做得特別好。調查人員注意到一些需要改進的地方:
- 為這些系統開發內容的成本很高。
- 這些系統通常無法像人類那樣將學習情境化。
- 自適應學習系統會感到更有挑戰性，這會降低學習者的學習動機。
總結
我現在已經精疲力盡了。我已經講過什麼是適應性學習系統。我已經為這些系統的設計提供了一些背景。有點歷史的味道。我已經涵蓋了四個主要元素:專家、學習者、導師和界面。希望不是太技術化。
