最早的個性化學習源于孔子對子路和冉有的因材施教。我們可以說因材施教是在老師指點下進行的個性化學習。而信息化技術發(fā)展到今日，用人工智能代替真人教師進行指點，幫助學生進行個性化學習的學習方式，我們稱之為自適應學習。

　　現(xiàn)階段產(chǎn)生的自適應學習我們可以按照不同的實現(xiàn)水平劃分不同的等級，最簡單的自適應學習我們稱為零級，其實就是真人教師判斷與資源推送的組合。

　　在零級的自適應學習產(chǎn)品中，學生會發(fā)生學習行為，真人教師通過數(shù)據(jù)采集判斷學習行為，推送學習資源。

　　例如：某英語自適應學習產(chǎn)品，學生在線提交自己的英語作文，真人教師在后臺看到學生的作文內容并進行批改，找出學生的固定搭配的問題，語法問題，行文結構問題等進行批改。學生在收到老師的批改內容的同時也會收到相應的語法課，行文結構課。

　　這種自適應學習產(chǎn)品的算法邏輯很簡單，真人教師把不同的問題類型和資源相關聯(lián)，學生作文里只要出現(xiàn)某個問題就自動推送相應學習資源。

　　再舉個例子：老師在線上一對一輔導數(shù)學，學生錄入答案，老師發(fā)現(xiàn)學生的知識漏洞，除了可以推送課程，還可以選擇推送不同難度的題目。

　　這種產(chǎn)品的邏輯也很簡單，數(shù)學題有難度梯度，一道數(shù)學題可以由真人教師標記相關聯(lián)的更高難度和更低難度的幾道題，學生發(fā)生學習行為后，教師決定是加大難度還是減小難度還是進入下一個學習環(huán)節(jié)。

　　零級：由人工判斷的自適應學習

　　當自適應學習產(chǎn)品運用電腦來做判斷就進入了Ⅰ級自適應的范疇。

　　Ⅰ級自適應通過決策樹做判斷，不考慮學生行為是否代表知識的掌握程度，而是簡單直接的判斷學習行為對還是不對。

　　比如一些健身學習類軟件，通過圖像視頻捕捉動作特征與自有的判斷指標進行匹配，某個動作的某個角度超過標準，軟件會提醒學生，你的動作不標準，腹部不夠收緊，手臂高度不夠等等。

　　不止是健身，各種球類運動，競技體育，甚至樂器基本功都可以通過Ⅰ級自適應來學習。

　　Ⅰ級：基于簡單規(guī)則的自適應學習

　　事實上除了帶有硬性標準的學習任務，其他種類的學習判斷是無法做到非對即錯的。那么Ⅱ級自適應學習應該在簡單的決策樹之上建立更好的學習算法。

　　在Ⅱ級自適應學習中，不把學習行為的對錯和某一個單一課程掛鉤，而是建立一套完整的難度遞增的課程，當學生學習行為完成度較好，提供大難度的課程，當學習行為完成度不高，就提供減少難度的課程，我們也可以稱之為基于難度設計的自適應學習。

　　比如某知名輔導機構推出的大語文學習產(chǎn)品，使用了閱讀分級。一個學生是否看懂一篇文章，原因有很多，可能是字的認識與否，可能是詞語理解深度，可能是上下文的邏輯關系。國外認為閱讀是存在等級的，不同真實年齡段的孩子可以通過閱讀測試找到最合適他讀的年齡段。通過不斷的學習，學生可以閱讀更高等級的材料。

　　Ⅱ級：基于難度等級的自適應學習

　　通過難度設計的自適應學習產(chǎn)品最大的問題是——認為學生學習是可以用一個難度值來掌握的，這樣就像回歸到傳統(tǒng)的學校教學，把學生通過分班考試劃到不同的班級，重點班和非重點班教授的內容和掌握程度是不一樣的。這種學習形式本質上和學校教學沒有太大差別，是任何一個比較用心的學校和教師都可以做到的因材施教。

　　僅有難度等級無法關注到學科中的詳細知識點掌握情況，因此Ⅲ級自適應需要用到知識圖譜來衡量學科中細粒度的知識掌握情況。在Ⅲ級自適應中涉及到多個部分綜合評定，我們一個一個來看。

　　Ⅲ級：基于知識點網(wǎng)絡和概率模型的自適應學習

　　一、學習行為的可信度問題

　　假如兩個同學做同一難度的一系列題目，并且這些題目都是只包含單一知識點的情況下，甲同學做了兩道全對，正確率100%，乙同學做了20道，19道全對，正確率是95%。

　　從正確率上看，甲同學更高，但是由于他只做了兩道題，可能是蒙對的，所以甲的學習行為的可信度是不如乙高的。因此，Ⅲ級自適應要考慮置信因子的問題。

　　二、單點不同難度題目評斷問題

　　我們知道真實考試中，一個知識點可以有好多種不同難度的題目，題目的出題形式也是不一樣的。

　　因此Ⅲ級自適應應該引入IRT(Item-response-theory)模型，考慮題目區(qū)分度，難度，可能性等多個因素綜合評斷。在此基礎上利用深度學習的一系列算法，通過不斷做題估算學生的真實情況。

　　三、一題對多點的問題

　　當一道題對應多個知識點又該怎么辦呢。可以通過知識映射矩陣(qmatrix，以下簡稱為q矩陣)來解決。

　　Ⅲ級自適應學習系統(tǒng)搭建最大工作量就在q矩陣搭建上。前期需要大量人力為題目打標簽，并且打標簽的過程一定不能只是從狹義上的課本的章節(jié)知識點展開，還要涵蓋做題策略，知識盲區(qū)，考察點，學生閱讀理解能力是否過關等等。

　　四、知識關聯(lián)形成圖譜的問題

　　當q矩陣搭建起來以后，通過題目進行測試以后是可以將知識關聯(lián)起來形成一個圖譜。

　　我們發(fā)現(xiàn)從小到大的學習其實是一個知識不斷被推翻的過程，也就是說高一形成的知識圖譜，到高三相同的知識點關聯(lián)起來的圖譜可能完全不一樣，甚至不同版本的教材會梳理出不同版本的知識圖譜。那么輸出圖譜的健全性和可靠性就是一個比較大的問題。

　　五、變化的學習者的問題

　　隨著學習行為的發(fā)生，學習者對于知識的掌握情況是會發(fā)生變化的。

　　舉個例子：一個學生對某個數(shù)學知識點掌握程度適中，這個知識點的題目他做了20道，對了10道，真的代表他的正確率只有50%嗎?不一定，有可能前10道題目他全做錯了，但是在這個過程中他對知識點的掌握加深了，他學會了一些技巧和規(guī)律，后面10道全部做對了。

　　因此我們要以動態(tài)的視角看待學生。解決這個問題并不復雜，只需要將發(fā)生時間比較久遠的行為數(shù)據(jù)權限變得低一些。除了這種情況，還有一種必須考慮的情況是，時間是會影響記憶的，隨著時間的推移，學生遺忘知識的可能性會越來越高，這個問題大多數(shù)背單詞軟件已經(jīng)利用spaced repeatition算法解決。

　　綜合以上的五個部分，Ⅲ級自適應學習已經(jīng)做得較為精細，但是越精細帶來人工成本越高。并且只能解決客觀題，主觀題自適應技術難度較大。

　　想要解決主觀題自適應就進入到了Ⅳ級自適應，真正的AI級別的自適應。

　　這個水平的自適應學習產(chǎn)品可以將任何一道題目，通過NLP審題并轉化成數(shù)學邏輯，再運用推理引擎得出正確答案，并且看到別人答案時，也可以分步驟精細判斷答案是否正確，答案不正確時判斷哪個步驟出現(xiàn)問題，進行適當點撥。Ⅳ級自適應產(chǎn)品的技術難點是“推理”。

　　目前沒有哪個科技公司推出了真正的推理引擎，當下常見的掃題軟件也只是識別問題再讓學生抄答案而已，做不到真正有價值的點播和提醒。如果“推理”的技術難題攻克了，會讓理科教師面臨失業(yè)。給每一個學生配備一個AI教師，學生做題依然是采用紙筆方式，做題的同時AI老師會隨時進行提醒和點撥，幫助學生快速成長和進步。

　　Ⅳ級:基于NLP和推理引擎的自適應學習

　　有一天Ⅳ級自適應出現(xiàn)了，前面幾個級別的自適應會出現(xiàn)顛覆性改變。至于未來會不會出現(xiàn)更深層次的技術來改變現(xiàn)狀，我們拭目以待吧。

　　本文來源：智慧課堂研究。

　　廣州青鹿教育科技有限公司，智慧課堂整體解決方案提供商。這里有有趣的青鹿人，立志做好的智慧課堂，挖掘新鮮的教育資訊，分享你關注的熱點話題。歡迎關注公眾號：青鹿教育(ID：qljy_2017)