金子雯
上海师范大学教育学院 上海市 200234
摘要：在如今的数字化时代，如何将教育知识与计算机科学相结合，开展适合学生个性化特点的数字化学习，仍然是当前信息化教育理论和实践领域的关键问题之一。适切教学一般认为是个性化学习的一种形式，旨在根据学习者个人需求更好地调整课程体验。故以人工智能技术为切入点，思考适切教育对在线学习领域的影响，能否为目前的问题提供解决思路。
关键词：在线教育；人工智能；适切教学；个性化
信息化时代下，教育发生了巨大的转变，在线教育打破传统教育的局限，使得学生和老师能够利用信息和通信技术获得广泛的资源，极大的提高了师生的效率。但基于网络的学习系统并没有针对学生个体进行个性化的教学设计，学生面对种类繁多的学习资源，却很难有效地找到合适的学习资源，也很难提高学习质量。因此，越来越多的人们呼吁教育要充分考虑学生个体的特点，例如学习风格、能力、知识水平和背景方面的差异，开展“量体裁衣”式的教学。适应性教学旨在建立一对一或多对一的教学模式，如近几年的个性化教学、精准教学，都是为突破“均码”式的教学所做的探索和尝试。但如何将教育知识与计算机科学相结合，开展适合学生个性化特点的数字化学习，仍是当前信息化教育理论与实践领域的关键问题之一。
(一)提供个性化支持服务，提高学习成效
疫情期间我国第一次实施大面积在线教学，在大规模实施在线学习的过程中，暴露了许多因缺乏学习支持服务而产生的问题。例如，教师很难快速了解学生的学习进展，难以理解学生的需求；学生在学习过程中的个性化问题无法即时反馈和跟进；大部分教师缺乏进行技术增强型教学的能力，与学生的深层互动较少。
另外，通过对一些在线课程的统计发现，成绩分布两极分化明显，呈“鲸鱼型”，有较大的头部和上翘的尾部。表明优良率显著增加的同时，不合格率也在增加。而传统学习的成绩分布呈现“双峰型”，优秀和不合格的人数都在少数。
种种问题都意味着我们需要在计算机科学和教育知识之间需求新的模式和平衡点，需要有个性化支持服务，帮助学生获取适合自己的学习路径，适切教学应运而生。适切学习（或适切教学）是通过实时反馈，途径和资源（而不是提供一种千篇一律的 学习经验）提供定制学习体验的解决方案，这些解决方案可以满足个人的独特需求。
开展适应性教学，需要在理解学生的基础上，从各种学习系统中提取数据，并将分析结果用于个性化学习。近年来，由于互联网上数据量的急剧增长，数据科学（Data Science）和以深度学习为代表的人工智能技术也迅速发展，目前通过开源框架、计算机 语言、工具链，已经能够对各种学习系统产生的数据做实时分析。例如通过Python语言和pandas 库提取各种来源的数据，做清理和转换；用R语言做数据可视化和统计分析；用Keras和Tensorflow训练图像或文本的神经元模型。这些技术为支持数字化学习的实时反馈提供了新的可能性。
此外，利用学习分析技术，帮助教师了解学生的在线学习进程，采取“同一学习内容，不同学习进度”的方式，根据学生的学习数据为其调整学习安排，调整学习路径。同时，对学生的个性化问题需要达到“秒一级”的即时响应，例如一些知识性的问题，可采用自动问答系统等手段辅助学习，提高教学效率，保证教师与学生之间可能有更多的深层次的互动。
这里额外需要注意的是，尽管机器学习、深度学习等人工智能技术能为在线教学提供个性化的服务支持，但是学习支持依靠的是教师的判断而不是机器的判断。对于其输出的结果，教师需要从这些数据中分析学生目前的需求，而不是依赖于机器的结果。教师数据能力的培训可能是我们后续甚至同步需要关注的问题。
(二)在线互动，提高学生参与度
根据线上课堂的开展情况，我们还发现随着年段的升高，学生参与度在降低。小学低学段的学生参与度最高，初中其次，高中最低。可能主要是因为线上交互相比线下交互来说较为困难，学生的学习需求和问题难以得到教师的及时反馈。
一次响应一个或两个学习者的确切需求是适切教学最大的期望。单个教师可以一次有效地进行管理，而学生数越多，导师就越无法发挥他们的教学才能来确保每个人的进步。自适应学习技术旨在模仿和支持（而不是替代）优秀教育者的才能，以便为每个学生提供最佳的学习体验。它有助于一次将适应性学习的好处扩展到数十，数百或数千名学生。
国内外的典型案例是创建聊天机器人或虚拟小助手来辅助学生学习，加强学生与学习内容之间的互动。例如，西北大学的聊天机器人被集成到其LMS系统中，以回答学生和教师经常提出的频繁和常规的问题。这个聊天机器人是使用IBM的Watson自然语言处理元素开发的，以利用决策树、上下文搜索和问题上报。聊天机器人使用谷歌的自定义搜索引擎连接到LMS知识库，以提供到文档库的直接链接。它甚至可以直接从聊天对话框生成帮助台预约单。还有的大学选择用机器学习算法来预测学生的成绩，帮助大学管理部门识别出可能存在高于平均水平学术风险的学生，从而提前制定干预策略。
(三)总结与展望
将计算机科学融入教育知识中，开展适合学生个性化特点的数字化学习，实际并不是一个新颖的话题。在2014年甚至更早以前已经有许多研究人员设计了较为成熟的案例，但是受制于当时数据科学以及硬件条件的发展情况，所谓的个性化学习通常没能真正落实到学生的需求，减轻教师的负担，反而加重了教师的工作量，但也未能明显提升学生的学习体验和学习成效。
如今，尽管数据技术和是成熟的，但仅有技术还不够，还需要有面向数字化学习的方法论。目前，适切教学已经成为一种趋势，在2020年的地平线报告中也着重介绍了它的当前进展。一般认为它是个性化学习的一种形式，旨在根据学习者个人需求更好地调整课程体验。
这个方法论的目的是为了提升学生学习参与度，提高学习成效，但人工智能技术在这一方法论里的定位只是支持个性化服务的工具，我们需要关注更多的是数字化学习内容的重构。线下课堂的教学内容并不适合照搬到数字化课堂，我们可能需要对其进行基于问题的学习内容重构，这可能是真正实现个性化学习的重要一环，也是构建适切教学方法论的重要一环。
参考文献
[1]Lee J , Kim D G . Adaptive Learning System Applied Bruner’ EIS Theory[J]. ieri procedia, 2012, 2:794-801.
[2]L. Zhao and H. Wang, "Research on Adaptive Learning System Based on Three Core Modules," 2019 10th International Conference on Information Technology in Medicine and Education (ITME), Qingdao, China, 2019, pp. 447-452. T. Febriana and R. Kurniawan, "Adaptive and personalized learning system as workshop complement," 2016 International Conference on Information Technology Systems and Innovation (ICITSI), Bandung, 2016, pp. 1-5.
[3]SmartSparrow,2019,https://www.smartsparrow.com/what-is-adaptive-learning
[4]Malcolm Brown, Mark McCormack, etc.2020 EDUCAUSE Horizon Report, Teaching and Learning Edition[R]. EDUCAUSE,2020,pp.14-25.
[5]刘凯,王韶,隆舟,等. “智适应”理论与实践——第三届人工智能和自适应教育国际大会综述[J]. 开放教育研究, 2019, 25(5): 33-48.
[6]毛海鹰. 问题设计:指向高阶思维的培养[J]. 教育视界, 2018, (22): 19-22.
[7]祝智庭,彭红超. 深度学习:智慧教育的核心支柱[J]. 中国教育学刊, 2017, (5): .
[8]Hadi Suwono, Ety Kumala Dewi. Problem-based learning blended with online interaction to improve motivation, scientific communication and higher order thinking skills of high school students[J].AIP Conference Proceedings 2081(1):030003