崔煒 薛鎮(zhèn)

人工智能技術(shù)的進(jìn)步促進(jìn)了各行各業(yè)的發(fā)展。教育作為關(guān)乎國(guó)民生計(jì)的重要領(lǐng)域，其發(fā)展具有舉足輕重的地位。面對(duì)當(dāng)今教育領(lǐng)域存在的問題，人工智能的介入，可以促進(jìn)教育資源的均衡化，通過提高學(xué)習(xí)效率來減輕學(xué)生的學(xué)習(xí)負(fù)擔(dān)。基于人工智能的自適應(yīng)學(xué)習(xí)系統(tǒng)通過個(gè)性化的教學(xué)方法，為學(xué)生提供更適合自身的學(xué)習(xí)方式，重新定義了教學(xué)與學(xué)習(xí)。

人工智能自從1956年提出以來，經(jīng)過一個(gè)甲子的發(fā)展，已經(jīng)不能停留在科學(xué)和技術(shù)輸出的階段。它迫切需要產(chǎn)、學(xué)、研的結(jié)合，找到合適的應(yīng)用場(chǎng)景，才能產(chǎn)生社會(huì)效益和生命力，避免泡沫化。

教育屬于第三產(chǎn)業(yè)，我國(guó)在由發(fā)展中國(guó)家向發(fā)達(dá)國(guó)家邁進(jìn)的過程中，第三產(chǎn)業(yè)的比重逐年穩(wěn)步增加。跟普通的第三產(chǎn)業(yè)不一樣，教育屬于基本的必須消費(fèi)產(chǎn)業(yè)。住房、醫(yī)療、教育，被稱為我國(guó)居民的三座大山。人工智能的介入，可以促進(jìn)教育資源的均衡化，通過提高學(xué)習(xí)效率，來減輕學(xué)生的學(xué)習(xí)負(fù)擔(dān)。

松鼠AI試圖將人工智能學(xué)術(shù)成果與教育結(jié)合起來，改造傳統(tǒng)教育方式。

自適應(yīng)學(xué)習(xí)系統(tǒng)的構(gòu)建

松鼠AI智適應(yīng)學(xué)習(xí)系統(tǒng)，是人工智能與自適應(yīng)學(xué)習(xí)的結(jié)合，“智”表示“智能”。松鼠AI將人工智能技術(shù)有機(jī)地融入到自適應(yīng)學(xué)習(xí)系統(tǒng)當(dāng)中。自適應(yīng)學(xué)習(xí)系統(tǒng)是學(xué)習(xí)者、教育者、學(xué)習(xí)科學(xué)研究者和計(jì)算機(jī)科學(xué)家合作的產(chǎn)物。根據(jù)學(xué)習(xí)者反饋的數(shù)據(jù)來規(guī)劃個(gè)體學(xué)習(xí)體驗(yàn)的方法，是基于自適應(yīng)模型（Adaptation Model）進(jìn)行的。如圖1所示，它分為兩方面：領(lǐng)域模型（Domain Model），比如數(shù)學(xué)、英語語法等不同領(lǐng)域的知識(shí)和陳述性、程序性等不同類型的知識(shí);用戶模型或用戶畫像（ User Model或User Profile），比如和用戶行為有關(guān)的特點(diǎn)和個(gè)性。在自適應(yīng)教育系統(tǒng)中，因?yàn)楸唤５念I(lǐng)域是一個(gè)知識(shí)領(lǐng)域，該模型通常被稱為知識(shí)模型，或者教師模型，用來模擬教師的知識(shí)和能力。由于用戶是學(xué)習(xí)者，用戶模型通常被稱為學(xué)習(xí)者模型（參考Petr Johanes和Larry Lagerstrom于2017年提出的觀點(diǎn)）。

自適應(yīng)系統(tǒng)的開發(fā)者需要重點(diǎn)考慮的是：建模的對(duì)象是什么、如何建模以及如何維護(hù)這些模型。盡管建模的方式多樣，現(xiàn)在最常用的是疊加建模（overlay modeling）。疊加建模的核心原則只有一條：一個(gè)領(lǐng)域存在某種基礎(chǔ)模型，某個(gè)用戶的模型屬于該基礎(chǔ)模型的子模型。按照這個(gè)范式運(yùn)行自適應(yīng)系統(tǒng)有雙重目的：一是改變用戶的體驗(yàn)，使用的疊加子模型最終與系統(tǒng)的基礎(chǔ)模型相匹配;二是改變系統(tǒng)的基礎(chǔ)模型，使它更精確地表征某個(gè)領(lǐng)域（參考Peter Brusilovsky和Eva Millán于2007年提出的觀點(diǎn)）。

松鼠AI的教師模型

由知識(shí)圖譜建立知識(shí)點(diǎn)關(guān)系網(wǎng)絡(luò)

松鼠AI的教師模型是基于知識(shí)圖譜創(chuàng)建的，構(gòu)建知識(shí)圖譜經(jīng)歷了人工驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩個(gè)階段。首先，學(xué)科教育專家將目標(biāo)教學(xué)內(nèi)容進(jìn)行重新解構(gòu)。以初中數(shù)學(xué)為例，500個(gè)知識(shí)點(diǎn)被化解為3萬個(gè)細(xì)顆粒度的知識(shí)點(diǎn)，每個(gè)知識(shí)點(diǎn)上配套了學(xué)習(xí)內(nèi)容，包括文字題目、動(dòng)畫、PPT、教學(xué)短視頻等。例如，圖2是有理數(shù)這個(gè)母知識(shí)點(diǎn)的細(xì)分知識(shí)點(diǎn)。這些知識(shí)點(diǎn)被分成多個(gè)層次，如圖3所示，這些知識(shí)點(diǎn)分成L1、L2、L3、L4等多個(gè)層次，一個(gè)母知識(shí)點(diǎn)可以化解為更有針對(duì)性的子知識(shí)點(diǎn)。知識(shí)點(diǎn)之間的相互關(guān)系聯(lián)結(jié)成一個(gè)圖譜結(jié)構(gòu)。知識(shí)圖譜的初始結(jié)構(gòu)由教育專家根據(jù)經(jīng)驗(yàn)構(gòu)建。

根據(jù)學(xué)生在松鼠AI系統(tǒng)中的實(shí)際學(xué)習(xí)數(shù)據(jù)，對(duì)知識(shí)圖譜中的知識(shí)點(diǎn)相互關(guān)系進(jìn)行更新。首先，利用貝葉斯網(wǎng)絡(luò)發(fā)現(xiàn)知識(shí)點(diǎn)之間更加貼合學(xué)生實(shí)際學(xué)習(xí)的關(guān)聯(lián)關(guān)系，對(duì)原始的知識(shí)圖譜做迭代。其次，把這個(gè)知識(shí)圖譜應(yīng)用到AI學(xué)習(xí)系統(tǒng)中，再次讓學(xué)生學(xué)習(xí)。然后，再根據(jù)學(xué)生的學(xué)習(xí)數(shù)據(jù)做迭代。如此循環(huán)往復(fù)，直到知識(shí)圖譜趨于穩(wěn)定。

以整數(shù)乘法這個(gè)專題為例：我們把它分割成如表1所示的知識(shí)點(diǎn)，每個(gè)知識(shí)點(diǎn)都配有專門考察該知識(shí)點(diǎn)的一定量的題目。首先教育專家需要建立知識(shí)點(diǎn)之間關(guān)系的知識(shí)圖譜，然后利用貝葉斯網(wǎng)絡(luò)方法，通過學(xué)生的做題記錄來迭代知識(shí)圖譜。得到的知識(shí)圖譜如圖4所示，圖中的結(jié)點(diǎn)是知識(shí)點(diǎn)，箭頭起始結(jié)點(diǎn)表示前置知識(shí)點(diǎn)，箭頭終止結(jié)點(diǎn)表示后置知識(shí)點(diǎn)。

建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的算法有很多種，比如動(dòng)態(tài)規(guī)劃算法、A*算法、Chow-Liu算法等。我們這里采用的是Chow-Liu算法（C.K.Chow和C.N.Liu于1968年提出）。這種算法也被稱做Chow-Liu樹，通過計(jì)算信息量來發(fā)現(xiàn)描述數(shù)據(jù)的最優(yōu)樹結(jié)構(gòu)。Chow和Liu在論文中證明，最優(yōu)樹結(jié)構(gòu)的問題等價(jià)于求解的最大值，其中和表示結(jié)點(diǎn)，表示樹，表示互信息。，其中是隨機(jī)變量的聯(lián)合概率分布，和是邊緣概率?；バ畔⑹锹?lián)合分布與乘積分布的相對(duì)熵。

由遺傳算法確定難度標(biāo)簽

知識(shí)圖譜上所有的知識(shí)點(diǎn)都配有題目，這些題目由松鼠AI的教育專家生產(chǎn)，并且打上了難度、預(yù)估做題時(shí)間、題型等標(biāo)簽。每個(gè)知識(shí)點(diǎn)上都有20個(gè)以上不同標(biāo)簽的學(xué)習(xí)內(nèi)容，這些學(xué)習(xí)內(nèi)容可能是文字題目、短視頻、學(xué)習(xí)動(dòng)畫、PPT等。松鼠AI根據(jù)學(xué)生在學(xué)習(xí)系統(tǒng)中的表現(xiàn)，不僅給各個(gè)學(xué)生推送的知識(shí)點(diǎn)不同，而且推送學(xué)習(xí)內(nèi)容的難度值等標(biāo)簽也不相同。這里以難度標(biāo)簽為例，來說明學(xué)習(xí)內(nèi)容標(biāo)簽的確定方法。

難度的初始值由教育專家給出，分為簡(jiǎn)單（easy）、中等（moderate）、較難（hard）。系統(tǒng)通過遺傳算法識(shí)別各個(gè)難度水平問題的特性。難度的測(cè)量分為兩步：遺傳算法模型在圖5中的學(xué)習(xí)分析引擎（Learning Analytics Engine）模塊中工作，在這里根據(jù)學(xué)生（Learner）跟學(xué)習(xí)內(nèi)容（Content）的作用產(chǎn)生的數(shù)據(jù)，對(duì)難度標(biāo)簽進(jìn)行迭代。Learning Analytics Engine從學(xué)生的響應(yīng)模式中學(xué)習(xí)，識(shí)別各個(gè)難度水平題目的學(xué)生響應(yīng)特性，動(dòng)態(tài)創(chuàng)建分類規(guī)則。然后根據(jù)分類規(guī)則確定每道題目的難度。對(duì)學(xué)生的響應(yīng)模式，系統(tǒng)考慮三個(gè)參數(shù)：學(xué)生從拿到題目到提交答案的時(shí)間跨度、答題獲得的分?jǐn)?shù)、提交答案之前進(jìn)入題目的次數(shù)。所有這些因素取決于學(xué)生答題的行為，并且跟每道題目的難度水平相關(guān)。

對(duì)于每個(gè)難度水平，遺傳算法根據(jù)屬于該難度水平（初值由教學(xué)專家給出）所有題目的響應(yīng)模式，來獲得它們響應(yīng)的特性，作為相應(yīng)的數(shù)據(jù)集（參考Elena Pérez、Luisa Santos、María Pérez、Juan Fernández和Ricardo Martín于2012年提出的觀點(diǎn)）。然后，每道題目的難度水平，通過它的響應(yīng)模式的難度等級(jí)的中位數(shù)來計(jì)算得到。這樣，就可以通過學(xué)生的學(xué)習(xí)數(shù)據(jù)對(duì)教學(xué)專家一開始確定的難度水平做迭代。

如此，系統(tǒng)將學(xué)生的行為和教育專家的經(jīng)驗(yàn)結(jié)合起來，以便更加客觀地計(jì)算每道題目的真實(shí)難度水平。

圖6中，用梯形表示了各個(gè)參數(shù)的劃分方法，相鄰兩個(gè)梯形的交點(diǎn)是分割點(diǎn)。圖中“ VH（Very High） ”、“H（High）”、“VL（Very Low）”、“L（Low）”等，代表參數(shù)的數(shù)值范圍，表示遺傳算法借助學(xué)生對(duì)每個(gè)問題響應(yīng)的數(shù)據(jù)建立規(guī)則，如圖7所示。從圖7可以看出以下規(guī)則：

IF GRADE IS VH AND TIME IS VL AND ACCESS IS L THEN DIFFICULTY IS EASY

IF GRADE IS VL AND TIME IS L AND ACCESS IS H THEN DIFFICULTY IS HARD

松鼠AI的學(xué)習(xí)者模型

學(xué)生在松鼠AI系統(tǒng)中學(xué)習(xí)，所生成的數(shù)據(jù)可以幫助研究人員和開發(fā)人員了解學(xué)生是如何學(xué)習(xí)以響應(yīng)系統(tǒng)操作的。學(xué)生聚類是一種有效的方法，用于研究不同類型的學(xué)生如何與基于技術(shù)的學(xué)習(xí)系統(tǒng)進(jìn)行交互。例如，研究人員使用聚類分析來探索學(xué)生的特征和偏好、求助活動(dòng)、自我調(diào)節(jié)方法、產(chǎn)生錯(cuò)誤的行為、不同學(xué)習(xí)時(shí)刻的數(shù)據(jù)、各種學(xué)習(xí)環(huán)境（個(gè)人還是協(xié)作）的數(shù)據(jù)。松鼠AI系統(tǒng)使用的聚類算法包括K-means和期望最大化（Vellido等于2010年提出）。

這項(xiàng)研究中作為樣本的學(xué)生是從中國(guó)的三個(gè)省會(huì)招募的，使用松鼠AI學(xué)習(xí)對(duì)他們進(jìn)行教學(xué)。該研究持續(xù)4天，每天學(xué)習(xí)5小時(shí)。所有參與的學(xué)生年齡均為13—15歲，共206名，包括完整的測(cè)試信息和系統(tǒng)數(shù)據(jù)在內(nèi)共有72440條數(shù)據(jù)記錄。樣本平均年齡為13.8歲，56%為女性。

學(xué)生在使用松鼠AI之前和之后都進(jìn)行了紙筆測(cè)試，分別稱為前測(cè)和后測(cè)，以此來評(píng)測(cè)學(xué)生的知識(shí)掌握情況。測(cè)試由經(jīng)驗(yàn)豐富的數(shù)學(xué)教師開發(fā)和審查。前測(cè)和后測(cè)都以100分制進(jìn)行評(píng)分。結(jié)果顯示，前測(cè)的平均值為55.72分，后測(cè)的平均值為63.92分。前測(cè)和后測(cè)結(jié)果具有0.86的高相關(guān)性，這使得我們能夠使用增益分?jǐn)?shù)來衡量學(xué)生的成績(jī)。

松鼠AI系統(tǒng)記錄了學(xué)生與系統(tǒng)的互動(dòng)。我們根據(jù)學(xué)生行為和系統(tǒng)響應(yīng)的日志數(shù)據(jù)創(chuàng)建了學(xué)生特征（參見表2），并為每個(gè)學(xué)生計(jì)算了相應(yīng)的值。就我們的目的而言，這些特征構(gòu)成了學(xué)生在持續(xù)時(shí)間方面的表現(xiàn)和學(xué)習(xí)的總體或平均情況。

對(duì)于每個(gè)學(xué)生，我們計(jì)算了表2所示的變量。這些特征的集合組成了每個(gè)學(xué)生的畫像。我們進(jìn)行了一系列的分析來確定8個(gè)畫像特征（這里不使用“后測(cè)”特征）中的哪一個(gè)把學(xué)生歸為相似的集合。我們使用K-means聚類，在線學(xué)習(xí)中最常用的聚類算法（Dutt等人于2016年提出）。

由于不同原型的學(xué)習(xí)者行為的數(shù)量是未知的，我們使用K=1-10來初始化K means聚類。考慮到聚類分析的目的之一是數(shù)據(jù)簡(jiǎn)約化，而且很多的簇可能沒有意義，所以我們沒有測(cè)試K大于10的情況。對(duì)于1-10中K值的每一種情況，我們對(duì)上述的變量做了K means分析，并生成了簇。為了確定數(shù)據(jù)集的最優(yōu)K值，我們使用偽F統(tǒng)計(jì)和立方聚類準(zhǔn)則CCC（Cubic Clustering Criterion，Calinski和Harabasz于1974年提出）來評(píng)估簇的數(shù)量。K=3聚類產(chǎn)生了偽F統(tǒng)計(jì)值和CCC（如圖8和圖9所示），圖10中的典型相關(guān)分析，表明有清晰的可解釋性和簡(jiǎn)約性。

圖10中的簇2包括表現(xiàn)較好的學(xué)生，表現(xiàn)為前測(cè)分?jǐn)?shù)高、正答率高、完成題目的難度水平高。這些學(xué)生也有較高的完成題目平均所需時(shí)間、較高的正確回答題目的平均所需時(shí)間差、較高的錯(cuò)誤回答題目的平均所需時(shí)間差。有趣的是，在這3個(gè)簇中，這個(gè)簇中的學(xué)生完成了中等數(shù)量的題目和覆蓋了中等數(shù)量的知識(shí)點(diǎn)。

簇1包括表現(xiàn)中等的學(xué)生，表現(xiàn)為前測(cè)分?jǐn)?shù)中等、正答率中等、完成題目的難度水平中等。這些學(xué)生有較低的完成題目平均所需時(shí)間、較低的正確回答題目的平均所需時(shí)間差、較低的錯(cuò)誤回答題目的平均所需時(shí)間差。他們完成了較高數(shù)量的題目和覆蓋了較高數(shù)量的知識(shí)點(diǎn)。

簇3包括表現(xiàn)較差的學(xué)生，表現(xiàn)為前測(cè)分?jǐn)?shù)低、正答率低、完成題目的難度水平低。這些學(xué)生有中等的完成題目平均所需時(shí)間、中等的正確回答題目的平均所需時(shí)間差、中等的錯(cuò)誤回答題目的平均所需時(shí)間差。他們完成了較低數(shù)量的題目和覆蓋了較低數(shù)量的知識(shí)點(diǎn)。

我們通過測(cè)量以上所述3個(gè)簇里面學(xué)生的前測(cè)到后測(cè)的分?jǐn)?shù)提高，來檢查分屬3個(gè)簇的學(xué)生學(xué)習(xí)效果是否有區(qū)別。數(shù)據(jù)顯示，這3個(gè)簇的分?jǐn)?shù)提高沒有顯著差異，F(xiàn)（2，203）= 0.44，p=.64，r2= .004。

通過以上的研究可以看出，我們通過K means聚類方法將學(xué)生分成三個(gè)群體。這三個(gè)群體與學(xué)生的分?jǐn)?shù)提高沒有顯著關(guān)聯(lián)，這意味著學(xué)習(xí)系統(tǒng)能夠幫助不同層次的學(xué)生取得進(jìn)步（Shuai Wang、Mingyu Feng、Marie Bienkowski、Claire Christensen和Wei Cui于2019年提出）。

人機(jī)大戰(zhàn)

松鼠AI在北京、鄭州、成都、東營(yíng)等地進(jìn)行了多場(chǎng)人機(jī)大戰(zhàn)，通過對(duì)比松鼠AI與真人老師的教學(xué)，來評(píng)估松鼠AI對(duì)改善學(xué)生學(xué)習(xí)的影響，并確定這些影響的可能程度。第三方獨(dú)立研究機(jī)構(gòu)對(duì)研究設(shè)計(jì)、實(shí)驗(yàn)現(xiàn)場(chǎng)執(zhí)行、實(shí)驗(yàn)數(shù)據(jù)收集、數(shù)據(jù)分析與研究報(bào)告的全過程進(jìn)行審核，以確保研究結(jié)果的科學(xué)性、客觀性和可靠性。Haoyang Li等人在CSEDU2018、Mingyu Feng等人在AIED2018會(huì)議上發(fā)表的文章中分析顯示，松鼠AI在這些實(shí)驗(yàn)中有更好的教學(xué)效果。這里以成都為例，說明人機(jī)大戰(zhàn)的實(shí)施方案與數(shù)據(jù)分析。

樣本

實(shí)驗(yàn)樣本是來自成都的13至15歲的普通初中生，使用分層隨機(jī)化方法將學(xué)生隨機(jī)分配到對(duì)照組和實(shí)驗(yàn)組（參考Trochim、Donnelly和Arora于2016年所研究的成果）。共有203名學(xué)生參加了實(shí)驗(yàn)，其中101名學(xué)生被分配到實(shí)驗(yàn)組，102名學(xué)生被分配到對(duì)照組。

實(shí)驗(yàn)組的90名學(xué)生完成了實(shí)驗(yàn)，他們使用松鼠AI進(jìn)行學(xué)習(xí)。對(duì)照組的73名學(xué)生完成了實(shí)驗(yàn)，他們是由真人老師進(jìn)行指導(dǎo)的。其他的學(xué)生沒有完成實(shí)驗(yàn)，不計(jì)入數(shù)據(jù)。在先行測(cè)試后，對(duì)照組的學(xué)生分成三個(gè)小組，接受三位老師的指導(dǎo)。老師們?cè)诋?dāng)?shù)氐某踔谢蚋咧芯哂?到18年的數(shù)學(xué)教授經(jīng)驗(yàn)。

實(shí)驗(yàn)過程

這項(xiàng)研究在全國(guó)性假期期間持續(xù)了3天。本研究的時(shí)間表如表3所示，除了實(shí)驗(yàn)組接受松鼠AI和對(duì)照組接受教師指導(dǎo)外，每個(gè)學(xué)生的時(shí)間表相同。在第一天的宣講中，向?qū)W生們說明實(shí)驗(yàn)的程序。表3中列出的活動(dòng)之間的間隔是休息時(shí)間。兩組涵蓋的學(xué)習(xí)內(nèi)容包括勾股定理及其應(yīng)用、實(shí)數(shù)、三角形、整數(shù)表達(dá)式、三角形的性質(zhì)和軸對(duì)稱。在我們的研究之前，學(xué)生已經(jīng)學(xué)過了這些內(nèi)容。實(shí)驗(yàn)組的學(xué)生使用了松鼠AI系統(tǒng)，并在沒有老師幫助的情況下完成了上述主題。在對(duì)照組中，教師根據(jù)當(dāng)?shù)貙W(xué)習(xí)標(biāo)準(zhǔn)教授該專題。對(duì)照組的學(xué)生不使用在線學(xué)習(xí)。研究開始和結(jié)束時(shí)的問卷包括人口統(tǒng)計(jì)學(xué)問題和學(xué)生在學(xué)習(xí)期間的學(xué)習(xí)經(jīng)歷評(píng)分。

前測(cè)和后測(cè)數(shù)據(jù)

測(cè)試前和測(cè)試后的題目，由當(dāng)?shù)貙W(xué)校（不是本實(shí)驗(yàn)研究團(tuán)隊(duì)的一部分）經(jīng)驗(yàn)豐富的教師構(gòu)建。這些老師在開發(fā)測(cè)試題目時(shí)，只被告知測(cè)試的專題和相關(guān)的學(xué)習(xí)標(biāo)準(zhǔn)。兩名獨(dú)立的經(jīng)驗(yàn)豐富的教學(xué)專家審查了測(cè)試前和測(cè)試后的情況，以確保他們的覆蓋范圍、總體難度、題目類型與學(xué)習(xí)標(biāo)準(zhǔn)保持一致。專家們還檢查確保測(cè)試題目與松鼠AI學(xué)習(xí)內(nèi)容不重疊。每項(xiàng)測(cè)試由30個(gè)多項(xiàng)選擇、填空、計(jì)算和應(yīng)用題組成，總分為100分。測(cè)試由教師評(píng)分，然后掃描并發(fā)送給第三方機(jī)構(gòu)進(jìn)行審核。

分析與結(jié)果

圖11顯示了實(shí)驗(yàn)組和對(duì)照組從測(cè)試前到測(cè)試后的平均分?jǐn)?shù)變化。雖然實(shí)驗(yàn)組和對(duì)照組都顯示出從測(cè)試前到測(cè)試后的改善，但使用松鼠AI的學(xué)生成長(zhǎng)是接受傳統(tǒng)課堂教學(xué)的學(xué)生成長(zhǎng)的4.19倍（實(shí)驗(yàn)組分?jǐn)?shù)增長(zhǎng)M = 9.38，SD = 11.08，而控制組增長(zhǎng)M = 1.81，SD = 10.91，Hedges' g = .68）。以前測(cè)成績(jī)作為協(xié)變量的單因素協(xié)方差分析（ANCOVA）確認(rèn)了該結(jié)果的有效性，F(xiàn)（1，160）= 16.80，p <.001，偏η2= .10。

實(shí)驗(yàn)組和對(duì)照組在前測(cè)的表現(xiàn)，顯示他們之前的知識(shí)沒有顯著的統(tǒng)計(jì)學(xué)差異，t（155.13，假設(shè)方差不等）= 1.49，p = .14，Hedges' g = .25。然而，前測(cè)也是學(xué)習(xí)收益的強(qiáng)預(yù)測(cè)因子，F(xiàn)（1，160）= 6.14，p = .014，部分η2= .10，那些在測(cè)試前知識(shí)顯示較低的學(xué)生往往表現(xiàn)出更高的收益。

總結(jié)

表4基于實(shí)證證據(jù)和相關(guān)理論歸納了目前AI自適應(yīng)學(xué)習(xí)的主要發(fā)展前景和存在的問題。AI自適應(yīng)學(xué)習(xí)系統(tǒng)促進(jìn)各類研究和教育資源整合協(xié)作，凝結(jié)了各方的智慧。如果我們合理地利用AI自適應(yīng)學(xué)習(xí)系統(tǒng)，就能夠?yàn)槊總€(gè)孩子提供適合他的學(xué)習(xí)模式，提高學(xué)習(xí)效率。