孔維梁　韓淑云　張昭理

摘要：“互聯(lián)網(wǎng)+教育”時代的來臨使得e-Learning學習模式被廣泛接受，如何為e-Learning學習者提供個性化學習支持服務成為學界關注的焦點。自適應學習路徑能夠根據(jù)學習者特征，為其推薦個性化的學習資源與學習活動序列，是實現(xiàn)個性化學習的重要手段。為提升自適應學習路徑構建的智能化程度，提出了包含學習者模型庫、學習過程數(shù)據(jù)庫、自適應學習路徑構建引擎等核心功能模塊的人工智能支持下的自適應學習路徑構建模型。在該模型的實現(xiàn)過程中，首先，從認知風格及知識水平兩個維度對學習者特征進行向量化描述和相似度計算;而后，提取相似學習者群體的歷史學習路徑和測試成績構建學習路徑圖譜;最后，采用改進的蟻群算法從學習路徑圖譜中挖掘出最優(yōu)學習路徑推薦給目標學習者。實驗結果表明：該方法可以從繁復的學習資源和活動中生成簡潔、精準的自適應學習路徑，既能有效解決學習者的學習迷航與認知過載問題，還能促進學習資源的高效利用;通過該方法構建的自適應學習路徑可有效提升學習者的學習效率、學習成績和學習滿意度，有利于學習者對知識的主動建構、內(nèi)化及遷移。

關鍵詞：人工智能;自適應學習路徑;個性化學習;學習風格;知識水平;改進蟻群算法

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2020）03-0094-10? doi10.3969/j.issn.1009-5195.2020.03.011

*基金項目：教育部人文社會科學研究項目“網(wǎng)絡學習共同體意見領袖的形成機制及優(yōu)化策略研究”（19YJC880049）;河南師范大學博士啟動課題 “面向學科領域的自適應學習模型構建及應用研究”（qd14191）。

作者簡介：孔維梁，博士，講師，河南師范大學教育信息技術學院（河南新鄉(xiāng) 453001）;韓淑云，博士研究生，華中師范大學國家數(shù)字化學習工程技術研究中心（湖北武漢 430079）;張昭理，博士，教授，博士生導師，華中師范大學國家數(shù)字化學習工程技術研究中心（湖北武漢 430079）。

一、引言

隨著“互聯(lián)網(wǎng)+教育”時代的到臨，教育模式發(fā)生了深度變革，e-Learning打破了傳統(tǒng)班級授課的單一模式，成為人們廣泛接受的學習模式（趙學孔等，2016）。然而，目前e-Learning的主要形式是教師通過網(wǎng)絡將精心設計的教學活動和教學資源呈現(xiàn)給學習者，以促使學習者進行知識的獲取與建構。這種形式雖然有效發(fā)揮了e-Learning的去時空特性和靈活性，但為所有學習者提供相同學習路徑的方式卻忽視了學習者在知識水平、認知風格等方面的個體差異，學習資源和學習活動不能滿足學習者的個性化需求，這導致其學習效果并不理想（Tarus et al.，2017;Yera et al.，2017）。因此，構建符合學習者個性化需求的自適應學習路徑成為當前迫切而重要的研究主題，愈加受到眾多學者的高度關注（Chen，2008;Romero et al.，2017）。新媒體聯(lián)盟（New Media Consortium，NMC）在《地平線報告》（2016高等教育版）中也指出，自適應學習路徑的實現(xiàn)會直接影響e-Learning未來的發(fā)展態(tài)勢（L·約翰遜等，2016），其后續(xù)多個年份的系列報告也將自適應學習看作對高等教育具有重大影響的新興技術。

目前，關于自適應學習路徑的認識并不統(tǒng)一，學者們從不同角度對其定義及內(nèi)涵進行了探究。李浩君等（2016）針對移動環(huán)境中無序碎片化學習的特點，指出自適應學習路徑是根據(jù)學習者的認知特點和非認知特點所提供的學習資源序列;Pushpa（2012）從學習管理系統(tǒng)（Learning Management System，LMS）的適應性方面切入，認為自適應學習路徑是依據(jù)學習者需求和環(huán)境而提供的個性化學習資源序列;Ahmad等（2013）從學習者的知識背景入手，指出自適應學習路徑是根據(jù)學習者的知識背景和偏好提供特定的內(nèi)容與服務，以滿足學習者的個性化學習需求;彭紹東（2010）基于e-Learning系統(tǒng)設計與開發(fā)標準的視角，認為自適應學習路徑屬于教學設計自動化領域中形式化層級的設計，將其定義為個性化學習活動的路線和序列;姜強（2012）則認為自適應學習路徑是自動識別學習需求，并根據(jù)學習者個性特征信息（如知識水平等）動態(tài)適應性呈現(xiàn)的個性化學習活動序列（含學習對象）?？梢钥闯?，學者們普遍認為自適應學習路徑是對學習路徑的自適應化擴展，以滿足學習者的個性化學習需求。因而，在前人研究的基礎上，本文認為自適應學習路徑是一系列符合學習者個性特征的學習活動和資源的組合，其本質(zhì)是個性化。

然而，面對爆炸式增長的學習資源和種類繁復的學習活動組合，僅靠個人的精力與智慧難以為每個學習者構建精準的自適應學習路徑。人工智能（Artificial Intelligence，AI）技術的發(fā)展為自適應學習路徑的實現(xiàn)提供了理論指引和技術支撐，其通過探尋學習者的個性特征（如認知偏好、知識水平等），分析過往學習者的歷史學習數(shù)據(jù)，自適應調(diào)整學習者的學習資源和活動序列，使每個學習者獲得最適合自己的學習路徑，從而實現(xiàn)精準學習支持服務。人工智能技術既能應對大規(guī)模、動態(tài)化的學習資源變化，又能分析海量學習者的個性化學習需求，是當前自適應學習路徑構建的可行方法（梁迎麗等，2018）。

二、相關研究現(xiàn)狀

為了構建e-Learning環(huán)境下的自適應學習路徑，國內(nèi)外諸多學者進行了大量的實踐與探索。國外研究有：Chung等（2012）認為學習者對課程主題和教學大綱的深入了解是構建自適應學習路徑的有效途徑，提出了通過構建主題本體來幫助學習者選擇自適應學習路徑。Acampora（2008）則提出采用語義本體、可視化技術及內(nèi)容圖譜等方法構建動態(tài)個人知識地圖，幫助學習者厘清原有知識、新學知識以及其他知識之間的關系，從而為其學習路徑的決策提供依據(jù)。上述兩種方法從知識圖譜導航的角度為自適應學習提供了支持，但仍需學習者自己生成學習路徑，智能化程度較低。Ahmad 等（2013）依據(jù)奧蘇貝爾有意義學習理論，提出了ACO-MAP自適應學習路徑方法，根據(jù)學習者的知識結構發(fā)現(xiàn)相似學習者群體，然后使用蟻群優(yōu)化算法為學習者尋找適應性學習資源。Karampiperis等（2005）提出利用課程全體學生歷史記錄構建的適用性決策樹模型來幫助目標學習者自適應地選擇所需的資源序列。Idris等（2009）提出使用自組織神經(jīng)網(wǎng)絡算法建立學習需求與學習資源之間的關系，并實現(xiàn)了基于知識層級、學習目標和學習風格的適應性學習路徑推送。此外，基于遺傳算法、免疫算法以及圖論算法的諸多研究（Dwivedi et al.，2018;Durand et al.，2013;Dharani et al.，2013）也證實了人工智能方法在自適應學習路徑構建方面的可行性。然而，上述研究過于強調(diào)學習資源在學習路徑中的作用，卻忽視了學習活動序列對學習路徑的影響。

國內(nèi)研究有：牟智佳（2016）從自適應學習路徑的內(nèi)涵與特征的視角，對數(shù)據(jù)挖掘技術與自適應學習支持服務間的關系進行了闡述，提出了基于學習特征模型的自適應學習路徑生成框架。Lin等（2013）探討了個性化學習的影響因素，采用決策樹技術構建了個性化學習路徑，以提高學習者的創(chuàng)造力。陳智慧（2016）則指出學習者的特征是自適應學習路徑的核心，對學習者特征分析不足是導致目前自適應路徑準確性不高的主要原因。黃志芳等（2015）提出了基于情境感知的適應性學習路徑推薦模型框架，并結合領域本體技術和情境感知技術來實現(xiàn)自適應學習路徑推薦，以適應學習者情緒狀態(tài)和認知需求的實時變化。李浩君等（2015;2016）設計了基于遺傳算法的學習路徑優(yōu)化策略，并在綜合考慮移動學習環(huán)境下的情境因素和學習者特征因素（如學習風格）基礎上，提出了個性化移動學習路徑模式。趙學孔等（2017）從認知水平切入，提出了Web環(huán)境下自適應學習路徑生成機制，通過提取鄰居用戶的學習路徑共同體以實現(xiàn)個性化推薦。姜強等（2018）提出了自適應在線學習分析模型，通過對學習者的學習行為和知識掌握程度進行分析，推薦適合的學習路徑和學習資源。

上述國內(nèi)外學者針對自適應學習路徑構建所進行的研究，為后續(xù)相關理論研究與實踐探索提供了重要支撐。國外學者多從知識導航或自動構建方法入手，注重自適應學習路徑的實現(xiàn)流程。然而，由于知識導航的方式需要學習者自主尋找資源并制定學習活動序列，其認知負荷依然較高，這致使學習者難以從整體上把握學習路徑的質(zhì)量。而自動構建方法方面的研究大多認為學習路徑是學習資源的拼接序列，卻忽略了討論、協(xié)作任務等學習活動對知識深度建構的影響，因而生成的學習路徑不夠完整和科學，難以滿足學習者的自適應學習需求。國內(nèi)學者的大多數(shù)研究集中在宏觀理論和應用模型探索方面，在學習路徑自動化構建方面的研究較為稀少。不難發(fā)現(xiàn)，目前關于自適應學習路徑的研究仍處于探索階段，相關模型和算法在智能化和自適應程度上還需進一步拓展。

三、自適應學習路徑構建模型

學習路徑是一系列具有即定目標的活動和資源組合，以幫助學習者在某個主題領域積累知識和技能。自適應學習路徑是根據(jù)學習者的知識水平、學習模式、資源偏好等個性特征所提供的特定學習路徑，以滿足其個性化學習需求的學習活動和學習對象（即學習資源）的有效序列（姜強等，2018）。

自適應學習路徑構建需要完成對學習者個性特征的描述和學習序列（包含學習資源與學習活動）的組合，以實現(xiàn)學習路徑的自適應性和整體規(guī)劃性。首先，學習者特征描述是自適應學習路徑構建的基礎，其準確與否會直接影響學習路徑的適應性程度。姜強等（2018）和Wen等（2013）指出認知風格和知識水平是學習者的兩個重要個性特征，是實現(xiàn)自適應學習路徑構建的重要依據(jù)。例如，學習者的信息加工特征（活躍型/沉思型）會影響其學習活動序列，活躍型學習者傾向于討論和協(xié)作任務，而沉思型學習者則偏愛個案研究和文獻閱讀;學習者的信息輸入傾向（視覺型/言語型）會影響其對資源類型的選擇，視覺型學習者偏好圖表和視頻資源，而言語型學習者則傾向于文本資源;學習者的已有知識水平會影響其對學習資源難度的選擇，先前知識水平越高的學習者越傾向于選擇難度更大的學習資源。其次，學習活動序列組合是構建自適應學習路徑的實現(xiàn)方法，而對學習活動的界定是完成序列組合的基礎。本研究在結合楊開城（2002）和邵麗（2018）研究的基礎上，將學習活動看作是由學習主體、學習客體、學習群體、學習工具、活動規(guī)則構成的動態(tài)活動系統(tǒng)，學習者通過主動參與學習活動，在活動中建構知識、反思總結、內(nèi)化遷移，最終達成學習目標。然而，面對爆炸式增長的學習資源和種類繁復的學習活動組合，僅靠個人的智慧難以形成精準的自適應學習路徑;而人工智能技術的發(fā)展為自適應學習路徑的構建提供了理論指引和技術支撐，極大推進了自適應學習路徑的智能化實現(xiàn)。

個性特征相似的學習者具有類似的學習偏好（資源類型偏好、學習活動偏好等），因此，本研究以認知風格和知識水平兩個維度描述學習者的個性化特征，結合相似學習者群體的歷史學習活動序列，提出了人工智能支持下的自適應學習路徑構建模型（如圖1所示），其核心功能模塊包括：（1）學習者模型庫。包含認知風格和知識水平兩方面?zhèn)€性特征，其中，認知風格使用Felder-Silverman風格模型（喬興媚等，2019），通過顯式測量（如所羅門量表）或隱式測量（如決策樹算法）（莊文杰等，2017;Rezaeinejad et al.，2015）獲得;知識水平則依據(jù)布盧姆的認知領域目標分類理論，利用規(guī)則空間模型（Rule Space Model，RSM）等認知診斷模型獲得（Chen et al.，2017a;Gao et al.，2018）。（2）學習過程數(shù)據(jù)庫。該數(shù)據(jù)庫存儲所有學習者的歷史學習路徑（瀏覽資源和參與學習活動的序列）和績效數(shù)據(jù)，通過對學習者的學習行為日志進行分析與重組，對各種行為分別進行離散化、歸一化、結構化處理，并將處理結果存入學習過程數(shù)據(jù)庫。（3）自適應學習路徑構建引擎。首先以學習者個性特征為匹配模型尋找相似學習者群體，并根據(jù)相似學習者的歷史學習路徑（包括學習資源和學習活動）及績效數(shù)據(jù)生成學習路徑圖譜（包含所有可行的學習路徑）;而后，利用人工智能算法（改進的蟻群算法）從學習路徑圖譜中挖掘出適應學習者知識水平、符合其資源偏好、滿足其學習活動需求的學習路徑并進行推薦，以實現(xiàn)學習路徑自適應。

圖1 人工智能支持下的自適應學習路徑構建模型

四、模型的實現(xiàn)過程

自適應學習路徑構建模型實現(xiàn)的難點在于從海量學習資源及復雜學習活動中找出最優(yōu)或較優(yōu)的組合，使得學習路徑既滿足知識點間的依賴關系又符合學習活動與學習資源間的對應關系，從而實現(xiàn)學習者的個性化學習需求。從本質(zhì)上看，自適應學習路徑的構建可以抽象為帶約束的組合優(yōu)化問題。在眾多人工智能算法中，蟻群算法（Ant Colony Algorithm，ACA）是一種用來尋找優(yōu)化路徑的概率型算法（Liao et al.，2014），擁有并行性好、局部搜索能力強、性能魯棒性高（較容易引入各種約束條件且約束條件對搜索性能影響較?。┑葍?yōu)點，在智能搜索、全局優(yōu)化等領域得到了廣泛應用（Goel et al.，2018;Zhao et al.，2018），尤其適合自適應學習路徑構建。與粒子群算法相比，蟻群算法雖然收斂速度較慢，但其搜索空間中不存在多樣性丟失問題，不容易產(chǎn)生早熟收斂問題。因此，本研究采用改進的蟻群算法（引入約束條件）實現(xiàn)自適應學習路徑模型的構建，以挖掘出具有最大自適應性的學習路徑，生成精準的自適應學習活動序列，其過程分為4 個階段：數(shù)據(jù)預處理階段、相似學習者選擇階段、學習路徑圖譜構建階段和自適應學習路徑挖掘階段。

1.數(shù)據(jù)預處理階段

數(shù)據(jù)預處理是為了將原始數(shù)據(jù)轉換為可以理解或符合需求的數(shù)據(jù)格式（池云仙等，2017）。本研究中的數(shù)據(jù)預處理是對學習者日志文件進行逐行解析，分離出學習者、學習行為以及行為時間等數(shù)據(jù)，并對解析出的數(shù)據(jù)進行清洗、集成與轉換，過濾掉無用記錄或殘缺記錄，為建立學習路徑圖譜提供有效的數(shù)據(jù)支持。

本研究首先將學習者的在線學習行為（如瀏覽資源、測試等）歸納為8類，并規(guī)定了相應的映射方法，如表1中的“學習行為映射”列所示。然后，以學習者ID為主關鍵字，知識單元和行為時間為次關鍵字，對學習者行為進行排序（同一學習者的重復行為僅統(tǒng)計第一次行為，其后的重復行為不作統(tǒng)計），進而將原始學習行為數(shù)據(jù)轉換為學習路徑數(shù)據(jù)，如表1中的“學習路徑映射”列所示，其中成績?yōu)樵撝R單元的歸一化測試成績。例如：某學生的實際學習行為序列為{瀏覽資源r1，練習p1}、{瀏覽資源r2，練習p2，論壇討論d}、{協(xié)作任務t1，論壇討論d，測試e}，其映射后的學習路徑則為。

2.相似學習者選擇階段

相似學習者指個性特征相似的學習者，選擇相似學習者是實現(xiàn)自適應學習路徑構建的關鍵。本研究從認知風格和知識水平兩個維度定義學習者個性特征向量S={s1，s2，s3，s4，k1，k2，…，kn}，其中s1，s2，s3，s4為Felder-Silverman 認知風格模型四個維度的取值，每個維度通過數(shù)值變換，從小到大離散為6個等級，分別以數(shù)字1～6表示，例如信息加工維度用1～6表示從活躍型向沉思型的變化，數(shù)字越小代表越傾向于活躍型，反之則代表越傾向于沉思型;k1，k2，…，kn為知識水平向量，表示學習者對所有先前知識單元的掌握程度。根據(jù)布盧姆的認知領域目標分類理論，學習者知識水平分為識記、理解、運用、分析、綜合、評價6個等級（Ramirez，2017），依次分別以數(shù)字1～6表示。

而后，使用Pearson相關系數(shù)（Ly et al.，2018）計算學習者之間的相似度，計算方法如公式（1）所示。其中，sim（u，v）表示學習者u和學習者v之間的相似度，sui表示學習者u在個性特征向量i上的分量，su表示學習者u在所有個性特征向量上的平均值。根據(jù)Pearson相關系數(shù)的取值范圍，學習者之間的相似度sim（u，v）的取值在-1與+1之間，sim（u，v）>0表示兩個學習者正向相似，sim（u，v）<0表示兩個學習者負向相似，sim（u，v）的絕對值越大說明相似性越強。例如，學習者u和v的個性特征向量分別為Su={1，2，2，4，2，2，3}和Sv={2，2，3，4，2，3，3}，根據(jù)公式（1）計算兩個學習者相似度為0.828，說明兩個學習者的正向相似程度較高。

3.學習路徑圖譜構建階段

學習路徑圖譜是從開始學習到完成測試的所有可能學習路徑的集合。本研究提取相似學習者群體的歷史學習路徑和測試成績構建學習路徑圖譜。例如，學習者的歷史學習路徑為，歸一化后的測試成績?yōu)?.66，則該學習者的路徑如圖2中左側部分所示。其中，節(jié)點對應學習者的學習行為，有向箭頭表示學習行為的遷移，箭頭上的數(shù)字為遷移權重，表示該遷移的有效性。對于每條路徑，本研究規(guī)定其遷移的權重相等且均等于其對應的測試成績。

將所有相似學習者群體的學習路徑整合，構建學習路徑圖譜，如圖2中右側部分所示。其中，ST為虛節(jié)點，表示學習的初始節(jié)點，e（測試）表示知識單元的學習終點，學習行為遷移權重為多個相似學習者對該遷移權重的加權平均值，計算方法如公式（2）所示。公式中xy表示學習行為x向y的遷移，表示學習者u對xy的遷移權重，sim（u，v）表示學習者u和v的相似度，N表示所有相似學習者集合。

4.自適應學習路徑挖掘階段

本研究采用改進蟻群算法在學習路徑圖譜中挖掘最優(yōu)或較優(yōu)路徑，其基本思路為：用螞蟻的行走路徑表示待優(yōu)化問題的可行解，整個螞蟻群體的所有路徑構成待優(yōu)化問題的解空間;路徑較短的螞蟻釋放的信息素量較多，隨著時間的推進，較短的路徑上累積的信息素濃度逐漸增高，選擇該路徑的螞蟻數(shù)量也愈來愈多;最終，整個螞蟻群體會在正反饋的作用下集中到最佳的路徑上，此時對應的路徑便是該問題的最優(yōu)解（周裊等，2017）。該蟻群算法的流程如圖3所示。

在該算法中，節(jié)點對應于學習路徑圖譜中的學習行為節(jié)點，其中，公式（3）是在t時刻，螞蟻k選擇從節(jié)點i進入節(jié)點j的概率;ηij（t）表示在t時刻，節(jié)點i與節(jié)點j間的啟發(fā)式信息量，一般取值為節(jié)點i到節(jié)點j間路徑權值的倒數(shù);τij（t）表示在t時刻，節(jié)點i到節(jié)點j的信息素濃度;α、β分別表示信息素濃度和啟發(fā)式信息量對路徑選擇概率的影響度;γj是懲罰系數(shù);Tk表示在t時刻，螞蟻k還未訪問過的可行性節(jié)點集合。

事實上，知識點間是存在依賴關系的，例如要學習“乘法”，必須先學會“加法”，因而知識點“乘法”依賴于知識點“加法”。為了表示這種依賴關系，本研究為每個學習資源（或學習活動）引入依賴條件I和輸出結果O（如圖2左側部分節(jié)點中的虛線所示），其中I表示學習該資源（或參與該活動）所需的前提條件，O表示學習該資源（或參與該活動）產(chǎn)生的學習績效。由于學習路徑圖譜中部分路徑組合并不一定能滿足這種依賴關系，本研究為此引入了懲罰系數(shù)γj，表示將節(jié)點j作為下一節(jié)點的懲罰系數(shù)，其計算方法如公式（4）所示。其中，Ii和Oi分別表示節(jié)點j的依賴條件， I表示路徑中已有的所有節(jié)點（即節(jié)點j之前的所有節(jié)點）。需要注意的是在進行集合包含判定時，相同知識點的高層次知識水平包含低層次知識水平，懲罰系數(shù)的作用是過濾掉不滿足依賴條件的路徑。

當所有螞蟻完成一次周游后，當前最優(yōu)路徑上的信息素濃度都需要更新。假如從t時刻到t+1時刻，有m只螞蟻從節(jié)點i到節(jié)點j，則該路徑上t+1時刻的信息素濃度可根據(jù)公式（5）計算。其中，指螞蟻k從節(jié)點i到節(jié)點j經(jīng)過時留下的信息素濃度;ρ指信息素的揮發(fā)速度。公式（5）表示，節(jié)點i到節(jié)點j路徑的信息素濃度受經(jīng)過的螞蟻數(shù)量影響，經(jīng)過的螞蟻越多，則該路徑上的信息素濃度就越大;結合公式（3）和（4）可知，路徑上的信息素濃度越大，則下一只螞蟻選擇該路徑的機率也就越大，如此形成逐步強化的正循環(huán)。

本研究中將路徑的預測績效（即推薦度）定義為所有學習活動遷移權重的均值，利用蟻群算法可以從學習路徑圖譜的所有可行學習路徑中找到最優(yōu)學習路徑，該路徑體現(xiàn)了學習者從初始狀態(tài)到完成知識單元學習的最優(yōu)學習活動順序。例如，圖2右側部分中節(jié)點ST與節(jié)點e之間的最優(yōu)學習路徑為，其預測績效（推薦度）為0.736。

五、自適應學習路徑績效實驗分析

1.實驗設計

本研究以某師范院校59名教育技術學專業(yè)二年級學生作為研究對象，以“Python程序語言設計”課程作為學習內(nèi)容。該課程的持續(xù)時間為18周，采用混合式教學模式，包括課前準備、課上指導、課后加強三個階段。其中，課前準備是指學生課下進行在線自主學習;課上指導是指教師根據(jù)課前學習中的反饋，對出現(xiàn)的共性問題進行講解或指導，并讓學生通過編程實踐將理論知識與實際操作結合;課后加強是指通過課程作業(yè)等環(huán)節(jié)強化核心技能。

參與實驗的所有學生均具有在線學習經(jīng)歷，且具備良好的信息素養(yǎng)，能夠熟練掌握在線學習平臺的基本操作。根據(jù)隨機分配原則，將59名學生分為實驗組和控制組，其中，實驗組的30人依據(jù)平臺推薦的自適應學習路徑進行個性化學習，而控制組的29人則根據(jù)自己的學習習慣和對知識單元的理解自行選擇學習路徑。課程共包含11章，52小節(jié)，分為85個知識單元，擁有多媒體資源（視頻、圖片、文檔）234個，練習題177項，測試題109套，協(xié)作任務58個，具備學習論壇和筆記系統(tǒng)。

本研究的實驗流程如圖 4 所示。在實驗開始之前，先向所有學生介紹編程基礎知識，以消除學習起點差異對實驗結果的影響。在實驗過程中，要求學生完成每個知識單元的學習和測試。實驗收集的數(shù)據(jù)包括：學習成績、學習時間、學習滿意度和路徑評分。學習成績數(shù)據(jù)包括學習開始時的前測成績和學習結束時的后測成績;學習時間數(shù)據(jù)來源于在線學習平臺的日志記錄，通過對學習者的登錄、注銷、瀏覽等學習行為的分析獲取;學習滿意度和路徑評分數(shù)據(jù)來自在線調(diào)查問卷，即在學習結束時對兩組學生進行問卷調(diào)查。

圖4 實驗流程圖

2.實驗結果分析

（1）自適應學習路徑構建結果有效性分析

從實驗組和控制組各隨機選取5名學生，其認知風格、知識水平及學習路徑如表2所示。從表2可以看出，控制組5名學生的學習路徑均較長，資源瀏覽次數(shù)比實驗組學生多，其原因是實驗組學生使用本研究推薦的自適應學習路徑，所推薦學習資源和活動均適合學生需求;而控制組學生則需要自主尋找學習資源，因而往往要經(jīng)過多次資源搜索、鑒定、學習等環(huán)節(jié)才能找到適合自己的學習資源和活動。其次，實驗組學生的學習路徑差異較大，而控制組中認知風格相似的學生容易產(chǎn)生相同的學習路徑。例如，控制組中學生2與學生5的認知風格相同，知識水平不同，但其學習路徑都是。這是因為自適應學習路徑構建模型考慮了學生的個性特征以及學習績效等因素，所以為每個學生推薦的學習路徑也就不同;而控制組學生的學習路徑主要根據(jù)平臺資源排序和搜索結果產(chǎn)生，這導致知識水平不同但學習風格相似的學生會具有相同的學習路徑?？傊狙芯刻岢龅淖赃m應學習路徑構建方法可以從繁復的學習資源和活動中生成簡潔、精準的自適應學習路徑，既有效解決了學習者的學習迷航與認知過載問題，還能促進學習資源的高效利用，有利于學習者對知識的主動建構、內(nèi)化及遷移。

每個知識點的學習完成后，通過在線學習平臺收集學生對學習路徑質(zhì)量的評分。評分采用5分制，分值越高表明學習路徑的質(zhì)量越高，越能滿足學生的學習需求。整個課程結束后，以學生為單位，對其所有學習路徑的質(zhì)量評分求均值，結果如圖5所示。對兩組學生的評分進行獨立樣本t檢驗，結果表明實驗組與控制組學生在學習路徑質(zhì)量評分上存在顯著差異（p<0.01）。從圖5可以看出，實驗組學生對自適應學習路徑的評分普遍高于控制組學生對自主學習路徑的評分，表明相對于自主學習路徑，本研究構建的自適應學習路徑的質(zhì)量更好，這是因為后者為學生推薦了適合的學習路徑，降低了學習負載。

圖5 學習路徑質(zhì)量評分比較

2.認知負荷及學習成績分析

課程學習結束后，通過在線學習平臺記錄的學習行為日志，可以計算出學生學習單個知識單元的平均學習時間，歸一化處理后的平均學習時間如圖6所示。從圖6可以看出，大部分實驗組學生所用的學習時間短于控制組學生，這是因為按照推薦的自適應學習路徑進行學習時，學生在搜索、選擇學習資源上花費的時間較少，學習效率更高。但也有個別例外情況，這可能是由于學生在學習能力和學習效率上的個體差異造成的。此外，控制組學生的平均學習時間差異較大，而實驗組學生的平均學習時間差異較小，這是因為學生的搜索能力、學習能力不同，造成控制組學生尋找學習資源所花費的時間也不盡相同，而實驗組學生由于是采用平臺推薦的自適應學習路徑，這在一定程度上縮小了平均學習時間差異。對兩組學生的平均學習時間進行獨立樣本t檢驗的結果顯示，兩組學生在平均學習時間上的差異顯著（p<0.05），自適應學習路徑有效降低了實驗組學生的認知負荷，使其學習效率得到了提升。

圖6 平均學習時間比較

為探究本研究構建的自適應學習路徑對學習成績的影響，首先采用獨立樣本t檢驗方法對兩組學生的前測成績進行分析，結果表明兩組學生前測成績沒有顯著差異（p>0.05）。而后，使用配對樣本t檢驗方法對兩組學生的前后測成績差進行分析，結果如表3所示。由表3可以看出，兩組學生的前后測成績差異顯著，且兩組學生在學習之后，成績都有顯著提高?？刂平M的前測成績與后測成績間的平均分值差為-5.038，而實驗組為-11.230，這表明實驗組學生在自適應學習路徑的支持下，其學習成績的提升更為明顯。

3.學習滿意度分析

學習滿意度是對學習者學習體驗的專門性評估，是教學質(zhì)量過程監(jiān)控的重要組成部分，也是學習成效的有效指標。學習者的滿意度與其學習行為表現(xiàn)和保留率等顯著相關（胡子祥，2006）。目前對學習滿意度的測量方式很多，采用的評價指標也各不相同，本研究參考美國全國大學生滿意度調(diào)查量表（韓玉志，2006）和王全得（2003）編制的學習滿意度量表，從教學方式和學習效果兩個維度對學生的學習滿意度進行問卷調(diào)查。調(diào)查問卷采用李克特5分制量表，其中1表示“非常不認同”，5表示“非常認同”，問卷主要包括12個題項，分別對應學習方式（5個題項）和學習效果（7個題項）兩個維度。本研究共發(fā)放問卷59份，收回問卷59份，其中有效問卷59份。

首先對問卷的信度和效度進行分析。信度分析用以衡量評價體系是否具有穩(wěn)定性和可靠性，而效度分析用以測量評價體系是否準確反映評價目的和要求，信度和效度越高表示測量結果越可靠且越能反映要測量的特征。本研究分別使用了Cronbachs α和KMO值（陳巧云，2016;王錢永等，2016）對問卷的信度和效度進行檢驗，結果顯示問卷兩個維度的Cronbachs α系數(shù)分別為0.786和0.895，KMO值分別為0.838和0.874，均大于0.7，表明問卷整體和各測量因素的可信度較高、結構良好。

為進一步探究采用自適應學習路徑和自主學習路徑的學生在學習滿意度上是否存在顯著差異，本研究將控制組和實驗組作為分組變量，分別將教學方式、學習效果作為檢驗變量，進行獨立樣本t檢驗，結果如表4所示。從表4可以看出，在教學方式維度上，兩組學生的滿意度存在顯著差異（p<0.01），實驗組學生對線上線下結合的混合式學習方式更為認可（t=-3.164），這從側面反映出自適應學習路徑對學習具有積極作用。在學習效果維度上，兩組學生的滿意度也存在顯著差異（p<0.01），這是因為自適應學習路徑可使學生少走彎路，有效減少學習迷航和認知過載現(xiàn)象，讓學生的注意力集中于知識的掌握與遷移，提升了學習專注度，從而使得實驗組學生能夠取得更好的成績，進而產(chǎn)生更高的學習滿意度。

六、總結與思考

自適應學習路徑可為學習者規(guī)劃符合其認知風格和知識水平的適應性學習路徑，有利于其明晰學習路線，避免學習迷航，提高學習效率，也為大規(guī)模開展個性化學習提供了契機（Chen et al.，2017b）。正如培生集團《解碼自適應學習》報告中指出的，自適應學習路徑根據(jù)學習者特征推薦個性化學習材料、學習方法和建議，有利于促使學習者構建自己的知識體系，確保學習的有效性，以及學習者個性的充分發(fā)展（EdSurge，2016）。同時，人工智能技術的發(fā)展也極大推動了個性化學習支持服務的水平，為自適應學習路徑的智能化實現(xiàn)奠定了技術基礎。本研究提出了人工智能支持下的自適應學習路徑構建模型，利用相似學習者的歷史學習記錄生成學習路徑圖譜，并結合人工智能算法（改進的蟻群算法）為學習者挖掘出精準的自適應學習路徑。該模型主要有以下特點：一是智能化。本研究所提出的模型通過人工智能技術收集、分析大量相似學習者的歷史學習數(shù)據(jù)，可為學習者提供適應性的學習路徑。二是精準化。本研究所提出的模型綜合利用認知風格、知識水平、學習績效和活動序列等數(shù)據(jù)，基于改進的蟻群算法，能夠為學習者提供精準的自適應學習路徑，進而滿足學習者的個性化學習需求。

本研究提出的自適應學習路徑構建模型，在宏觀上可為全面推進個性化教育提供參考，在微觀上可為尊重學生差異的因材施教提供思路與解決方法。但是本研究仍存在以下有待改進之處：第一，學習者特征中年齡、性別、認知成熟度等諸多因素均會對學習路徑的選擇產(chǎn)生影響，而研究只選取了認知風格和知識水平兩個因素來構建學習路徑，所考慮的因素不夠全面，今后將開展多維度特征的自適應學習路徑構建方法研究;第二，研究仍是對自適應學習路徑構建的初步研究，實驗周期較短，樣本量偏小，下一步將拓展實驗范圍，收集并分析海量教學實踐數(shù)據(jù)，加強研究的適用性。

參考文獻：

[1][美]L·約翰遜，S·亞當斯·貝克爾， M·卡明斯等（2016）.新媒體聯(lián)盟地平線報告：2016高等教育版[J].開放學習研究，（2）：1-20.

[2]陳巧云（2016）.基于結構方程模型的高校教育信息化學生評價研究[J].電化教育研究，37（8）：78-85.

[3]陳智慧（2016）.基于學習分析的適應性學習路徑推薦系統(tǒng)設計與開發(fā)[D].武漢：華中師范大學.

[4]池云仙，趙書良，羅燕等（2017） 基于詞頻統(tǒng)計規(guī)律的文本數(shù)據(jù)預處理方法[J].計算機科學，44（10）：276-282，288.

[5]韓玉志（2006）.美國大學生滿意度調(diào)查方法評介[J].比較教育研究，（6）：60-64.

[6]胡子祥（2006）.高等教育顧客感知服務質(zhì)量的實證研究[J].西南大學學報（人文社會科學版），（1）：135-141.

[7]黃志芳，趙呈領，黃祥玉等（2015）. 基于情境感知的適應性學習路徑推薦研究[J].電化教育研究，36（5）：77-84.

[8]姜強（2012）.自適應學習系統(tǒng)支持模型與實現(xiàn)機制研究[D].長春：東北師范大學.

[9]姜強，趙蔚，李松等（2018）.大數(shù)據(jù)背景下的精準個性化學習路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，39（2）：45-52.

[10]李浩君，崔晨萍，徐佳程等（2015）.基于遺傳算法的移動學習路徑生成機制研究——以博物館參觀學習為例[J].現(xiàn)代教育技術，25（8）：100-106.

[11]李浩君，徐佳程，房邵敏等（2016）.個性化移動學習路徑優(yōu)化策略應用研究[J].電化教育研究，37（1）：39-44.

[12]梁迎麗，劉陳（2018）.人工智能教育應用的現(xiàn)狀分析、典型特征與發(fā)展趨勢[J].中國電化教育，（3）：24-30.

[13]牟智佳（2016）.學習者數(shù)據(jù)肖像支撐下的個性化學習路徑破解——學習計算的價值賦予[J].遠程教育雜志，34（6）：11-19.

[14]彭紹東（2010）.基于SCORM標準的“學習路徑”設計[J].現(xiàn)代教育技術，20（8）：114-119.

[15]喬興媚，楊娟（2019）.學習風格用戶模型分類及其自適應策略[J].現(xiàn)代教育技術，29（1）：100-106.

[16]邵麗（2018）.學習活動設計：內(nèi)涵、意義與策略[J].江蘇教育研究，（1）：31-34.

[17]王錢永，毛海波（2016）.基于UTAUT模型的MOOC學習行為因素分析[J].電化教育研究，37（6）：43-48.

[18]王全得（2003）.成人教育的學習型態(tài)、動機和滿意度的相關性研究—以高雄餐旅學院推廣教育技術班為例[D].高雄：義守大學研究所.

[19]楊開城（2002）.學生模型與學習活動的設計[J].中國電化教育，（12）：16-20.

[20]趙學孔，岑磊（2016）.面向用戶需求的自適應學習系統(tǒng)個性化學習路徑推薦研究[J].中國教育信息化.（21）：28-31.

[21]趙學孔，徐曉東，龍世榮（2017）.協(xié)同推薦：一種個性化學習路徑生成的新視角[J].中國遠程教育，（5）：24-34.

[22]周裊，葛洪偉，蘇樹智（2017）.基于信息素的自適應連續(xù)域混合蟻群算法[J].計算機工程與應用，53（6）：156-161.

[23]莊文杰，談國新，侯西龍等（2017）.非物質(zhì)文化遺產(chǎn)資源自適應推送系統(tǒng)的用戶模型構建研究[J].情報雜志， 36（11）：105-113.

[24]Acampora， G.， Gaeta， M.， & Loia， V. et al. （2008）. Optimizing Learning Path Selection Through Memetic Algorithms[C]// Proceedings of International Joint Conference on Neural Networks. Hong Kong， China： IEEE： 3869-3875.

[25]Ahmad， K.， Maryam， B. I.， & Molood， A. E. （2013）. A Novel Adaptive Learning Path Method[C]// Proceedings of the 4th International Conference on e-Learning and e-Teaching. Shiraz， Iran： IEEE： 20-25.

[26]Chen， C. M. （2008）. Intelligent Web-Based Learning System with Personalized Learning Path Guidance[J]. Computers & Education， 51（2）：787-814.

[27]Chen， F.， Yan， Y.， & Xin， T. （2017a）. Developing a Learning Progression for Number Sense Based on the Rule Space Model in China[J]. Educational Psychology， 37（2）：128-144.

[28]Chen， M.， Tong， M.， & Liu， C. et al. （2017b）. Recommendation of Learning Path Using an Improved ACO Based on Novel Coordinate System[C]// Proceedings of the 6th IIAI International Congress on Advanced Applied Informatics. Hamamatsu， Japan： IEEE： 747-753.

[29]Chung， H. S.， & Kim， J. M. （2012）. Ontology Design for Creating Adaptive Learning Path in e-Learning Environment[C]// Proceedings of the International MultiConference of Engineers and Computer Scientists. Hong Kong， China： IMECS： 585-588.

[30]Dharani， B.， & Geetha， T. V. （2013）. Adaptive Learning Path Generation Using Colored Petri Nets Based on Behavioral Aspects[C]// Proceedings of 2013 International Conference on Recent Trends in Information Technology. Chennai， India： IEEE： 459-465.

[31]Durand， G.， Belacel， N.， & Laplante， F. （2013）. Graph Theory Based Model for Learning Path Recommendation[J]. Information Sciences， 251：10-21.

[32]Dwivedi， P.， Kant， V.， & Bharadwaj， K. K. （2018）. Learning Path Recommendation Based on Modified Variable Length Genetic Algorithm[J]. Education and Information Technologies， 23（2）： 819-836.

[33]EdSurge（2016）. Decoding Adaptive[M]. London： Pearson： 1-33.

[34]Gao， Y.， Zhai， X.， & Andersson， B. et al. （2018）. Developing a Learning Progression of Buoyancy to Model Conceptual Change： A Latent Class and Rule Space Model Analysis[J]. Research in Science Education， （3）：1-20.

[35]Goel， R.， & Maini， R. （2018）. A Hybrid of Ant Colony and Firefly Algorithms （HAFA） for Solving Vehicle Routing Problems[J]. Journal of Computational Science， 25：28-37.

[36]Idris， N.， Yusof， N.， & Saad， P. （2009）. Adaptive Course Sequencing for Personalization of Learning Path Using Neural Network[J]. International Journal of Advances in Soft Computing and Its Applications， 1（1）： 49-61.

[37]Karampiperis， P.， & Sampson， D. （2005）. Adaptive Learning Resources Sequencing in Educational Hypermedia Systems[J]. Journal of Educational Technology & Society， 8（4）：128-147.

[38]Liao， T.， Stützle， T.， & de Oca， M. A. M. et al. （2014）. A Unified Ant Colony Optimization Algorithm for Continuous Optimization[J]. European Journal of Operational Research， 234（3）：597-609.

[39]Lin， C. F.， Yeh， Y. C.， & Hung， Y. H. et al. （2013）. Data Mining for Providing a Personalized Learning Path in Creativity： An Application of Decision Trees[J]. Computers & Education， 68：199-210.

[40]Ly， A.， Marsman， M.， & Wagenmakers， E. J. （2018）. Analytic Posteriors for Pearsons Correlation Coefficient[J]. Statistica Neerlandica， 72（1）：4-13.

[41]Pushpa， M. （2012）. ACO in e-Learning： Towards an Adaptive Learning Path[J]. International Journal on Computer Science & Engineering， 4（3）：458-462.

[42]Ramirez， T. V. （2017）. On Pedagogy of Personality Assessment： Application of Blooms Taxonomy of Educational Objectives[J]. Journal of Personality Assessment， 99（2）：146-152.

[43]Rezaeinejad， M.， Azizifar， A.， & Gowhary， H. （2015）. The Study of Learning Styles and Its Relationship with Educational Achievement Among Iranian High School Students[J]. Procedia-Social and Behavioral Sciences， 199：218-224.

[44]Romero， L.， Gutierrez， M. L. M.， & Caliusco， M. L. （2017）. Learning Path Based-Portfolio for Personalized Learning[J]. Journal on Advances in Theoretical and Applied Informatics， 3（1）： 62-67.

[45]Tarus， J. K.， Niu， Z. D.， & Yousif， A. （2017）. A Hybrid Knowledge-Based Recommender System for e-Learning Based on Ontology and Sequential Pattern Mining[J]. Future Generation Computer Systems， 72：37-48.

[46]Wen， M.， & Rose， C. P. （2014）. Identifying Latent Study Habits by Mining Learner Behavior Patterns in Massive Open Online Courses[C]// /Proceedings of the 23rd Conference on Information and Knowledge Management. Shanghai， China： ACM： 1983-1986 .

[47]Yera， R.， & Martínez， L. （2017）. A Recommendation Approach for Programming Online Judges Supported by Data Preprocessing Techniques[J]. Applied Intelligence， 47（2）：277-290.

[48]Zhao， B.， Gao， J.， & Chen， K. et al. （2018）. Two-Generation Pareto Ant Colony Algorithm for Multi-Objective Job Shop Scheduling Problem with Alternative Process Plans and Unrelated Parallel Machines[J]. Journal of Intelligent Manufacturing， 29（1）：93-108.

收稿日期 2019-10-28責任編輯 譚明杰