田浩 武法提

[摘? ?要] 迅猛發(fā)展的智能技術(shù)在變革教育樣態(tài)的同時，也使得教育的復雜性本質(zhì)日益凸顯。立足復雜性科學視角開展精準化、個性化的學習干預有利于滿足學習者學習實踐中的現(xiàn)實需求。文章在闡述了復雜性科學與學習干預的基本概念之后，對復雜性科學指導學習干預實施的適切性進行了分析。進而從學習問題診斷、干預策略匹配、干預策略實施、干預結(jié)果分析四個核心要素出發(fā)，分別解析了學習干預的復雜性特征，并由此構(gòu)建了復雜性科學視域下的學習干預模型，包含問題診斷層、動力引擎層、推理匹配層和進化適應層四個邏輯層次，依次描繪了基于學習分析技術(shù)的學習問題發(fā)現(xiàn)、基于元素自組織的學習問題歸因、基于因果鏈推理的干預策略匹配以及基于多主體進化的干預策略實施。該模型形成了完整的智能學習服務(wù)路徑，為智能時代開展人機協(xié)同的精準學習干預提供了理論與實踐依據(jù)。

[關(guān)鍵詞] 復雜性科學; 學習干預; 智能教育; 模型構(gòu)建

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

以大數(shù)據(jù)、區(qū)塊鏈、人工智能為代表的智能技術(shù)正在深刻改變教育形態(tài)，促進了教育要素重組、教學流程再造與教育模式創(chuàng)新，重塑了新型教育生態(tài)[1]。智能技術(shù)在變革當前教學樣態(tài)的同時，也使得教育的復雜性本質(zhì)日益凸顯[2]，具體表現(xiàn)為學習場景泛在化、學習主體多元化、學習過程動態(tài)化、學習內(nèi)容碎片化等特征。學習者隨之出現(xiàn)的學習路徑難導航、有效信息難過濾、個性化需求難解決等典型學習問題也不容忽視[3]。因此，在紛繁復雜的學習場景中，如何為學習者提供更加個性化、精準化的學習服務(wù)是優(yōu)化學習過程、改善學習結(jié)果的核心議題。

在學習服務(wù)的范疇中，學習干預是一類重要的實踐形式?？v觀現(xiàn)有的學習干預實踐，主要依靠教師經(jīng)驗對學生的狀態(tài)進行判斷，并由人工進行干預實施。一方面受限于教師的精力，難以兼顧干預的規(guī)模化與個性化;另一方面則容易存在“頭痛醫(yī)頭，腳痛醫(yī)腳”的弊端，干預過程流于簡單化與機械化，導致無法還原學習者真實的學習過程，難以回應學習者在復雜教育場景下的現(xiàn)實訴求?；诖?，本文立足于復雜性科學的視角，深度解析學習干預核心要素的復雜性特征，并構(gòu)建復雜性科學視角下的學習干預模型，力圖為智能時代新型學習服務(wù)模式的研究提供一個可行性視角。

二、相關(guān)概念解析與適切性分析

（一）學習干預

在傳統(tǒng)教育的語境下，學習干預是指為了幫助學習者克服學習困難，提供的一切支持策略和學習活動的綜合[4]。上述觀點的邏輯前提是學習過程具有一定的動態(tài)性與可塑性，因此通過對學習者施加一定的學習干預，可以使得學習者的學習狀態(tài)與學習結(jié)果向著理想的方向演進[5]。經(jīng)過了漫長的學習干預實踐，若干學習干預模型被廣泛使用并驗證了其有效性，其中最為經(jīng)典的是干預反應模型（Response to Intervention，簡稱RTI模型）[6]。RTI模型將干預過程分為三個級別，隨著等級的提升，干預主體逐漸聚焦、干預強度逐漸加強，形成了干預實踐的連續(xù)體[7]。然而，傳統(tǒng)的學習干預主要存在兩方面弊端：其一，較為依靠教師對學生的直觀判斷，難以有效針對學生的內(nèi)在認知狀態(tài)進行干預;其二，干預需要教師的人工高度參與，難以顧及每位學習者，干預的精準性與個性化大打折扣[8]。

為了克服上述弊端，伴隨學習分析技術(shù)的興起，數(shù)據(jù)驅(qū)動的學習干預具有新的內(nèi)涵闡釋。具體來說，數(shù)據(jù)驅(qū)動的學習干預就是采集學習者的過程數(shù)據(jù)與結(jié)果數(shù)據(jù)，通過學習者建模，對學習者的學習狀態(tài)進行評估與判斷，進而為存在風險的學習者提供適切的學習資源與學習支持的過程[9]。依靠學習分析與數(shù)據(jù)挖掘技術(shù)，可以超越人類教師的主觀經(jīng)驗，對學習者的問題進行更加精準的診斷。另外，學習干預的教育作用也面臨著從“治療”到“服務(wù)”的演變。在傳統(tǒng)語境的假設(shè)下，只有當學習者出現(xiàn)了某些方面的問題，才需要對其施加干預。而數(shù)據(jù)驅(qū)動的學習干預則更加擁抱人本主義觀念，認為每位學習者都是個性化的，因此需要為每個人提供適應性的學習服務(wù)[10]，以優(yōu)化學習者的學習過程。

（二）復雜性科學

霍金認為，21世紀是屬于復雜性科學的世紀。復雜性科學并非與自然科學、社會科學等并列的科學領(lǐng)域，而是層次更加上位，反映科學基礎(chǔ)和思維方式轉(zhuǎn)型的一門科學[11]。傳統(tǒng)研究大多屬于簡單性科學，遵循的是還原論思想，即把事物整體分割成部分，通過疊加對部分的認識，進而描繪出整體的圖景[12]。復雜性科學則基于整體論思想，認為還原論是一種線性的觀點，對于事物的處理過于簡單化和機械化。智能體作為研究對象是一個整體，各要素通過非線性相互作用會產(chǎn)生功能和形態(tài)的涌現(xiàn)，系統(tǒng)整體會呈現(xiàn)出與組成要素迥然不同的新特征和新秩序，因此從部分認識整體不可避免具有局限性。以非線性為必要條件，復雜系統(tǒng)還具有開放性、動態(tài)性、自組織性、涌現(xiàn)性等特征，傳統(tǒng)研究方法難以對復雜系統(tǒng)進行清晰的認識，因此在相關(guān)研究中引入了模型、數(shù)值、計算、模擬等方法[13]。

在葉瀾教授看來，教育可能是人世間復雜問題之最[14]，理應從復雜性科學的視角來認識教育問題。何克抗教授[15]等學者都曾主張將復雜性科學引入教育技術(shù)領(lǐng)域。在教育研究中，復雜性科學思維也早有體現(xiàn)。如皮亞杰的認知理論認為，學習者的認知圖式可以通過同化與順應實現(xiàn)對于外界環(huán)境變化的適應，學習的發(fā)生就是從認知圖式的一個平衡狀態(tài)過渡到更高平衡狀態(tài)的過程[16]，這一學習者自主完成認知由無序到有序協(xié)調(diào)演化的過程體現(xiàn)了復雜系統(tǒng)自組織的特性。又如格式塔心理學強調(diào)經(jīng)驗和行為的整體性[17]，其指導下的學習觀認為學習即頓悟，這一各要素之間通過非線性作用產(chǎn)生新秩序的觀點體現(xiàn)了復雜系統(tǒng)的涌現(xiàn)性。除此之外，時龍從復雜性科學的視角描繪了學校發(fā)展與變革的機制[18];鄭永和等人指出應依據(jù)復雜性科學的原理剖析并解釋教育生態(tài)系統(tǒng)的演化規(guī)律[19];張婧婧等人則依據(jù)在線學習的復雜性特點，構(gòu)建了在線課程的集體注意力流系統(tǒng)[20]。

（三）復雜性科學支持學習干預的適切性分析

復雜性科學認為，系統(tǒng)內(nèi)各元素之間不斷進行非線性作用和自組織過程，可以推動系統(tǒng)狀態(tài)的變化和演進。而學習干預旨在將干預策略作用于學習者與學習過程，通過策略與主體的相互作用，實現(xiàn)學習者狀態(tài)的改善與學習過程的優(yōu)化，這與復雜性科學的理念相吻合。

因此，復雜性科學可以為深度解析學習干預的運行機制提供理論支持與觀察視角，主要體現(xiàn)在三個方面（如圖1所示）：首先，學習干預是一個系統(tǒng)化過程，需要遵循復雜性科學中整體性的特點，同時觀照學習活動前、中、后等不同階段，并需要學習者、教師、智能代理等多方主體共同參與;其次，學習干預的價值旨趣是促進學習者的發(fā)展，優(yōu)化學習過程，實現(xiàn)干預系統(tǒng)向著良性方向演化;最后，學習干預并非是一蹴而就的過程，應借助復雜系統(tǒng)中的反饋機制，根據(jù)干預策略具體的實施過程不斷迭代循環(huán)，對干預方案進行調(diào)整，實現(xiàn)干預效果的最優(yōu)化。

三、復雜性科學視域下的學習干預核心要素及特征

苗東升教授認為，復雜性科學帶來了認識論轉(zhuǎn)向，幫助研究者由實驗室研究走向現(xiàn)場實踐[21]。作為優(yōu)化教育實踐的關(guān)鍵環(huán)節(jié)，學習干預需要基于復雜性科學的視角來反映其有效發(fā)生的內(nèi)在機理與規(guī)律。本研究借鑒李彤彤等人的觀點，將學習干預分為學習問題診斷、干預策略匹配、干預策略實施、干預結(jié)果分析四個核心要素。四個要素層層遞進、首尾相連，構(gòu)成了學習干預實踐的完整閉環(huán)鏈路。其中，每個階段都體現(xiàn)了學習干預的復雜性本質(zhì)，如圖2所示。

（一）學習問題診斷的涌現(xiàn)性和開放性

學習問題診斷就是收集學習者的學習過程數(shù)據(jù)與結(jié)果數(shù)據(jù)，通過學習者建模，并借助學習分析相關(guān)技術(shù)，發(fā)現(xiàn)學習薄弱點的過程。學習問題診斷是學習干預的起點與實踐依據(jù)。在復雜性科學的視角下，學習問題診斷具有涌現(xiàn)性、開放性的特征。

其一，學習問題診斷的涌現(xiàn)性。一方面，學習問題的出現(xiàn)受到內(nèi)外部多種因素的共同影響，教師無法提前預設(shè)學習者的全部學習問題，學習問題是學習者在與同伴、教師以及學習環(huán)境的互動過程中不斷涌現(xiàn)出來的。另一方面，學習者也是一個復雜的主體，隨著學習者持續(xù)獲取、建構(gòu)知識，其認知狀態(tài)和認知能力不斷發(fā)展，學習問題也會涌現(xiàn)出新的特征。因此，需要對學習過程進行持續(xù)追蹤，以獲取實時的學習問題狀態(tài)，實現(xiàn)對學習者的精準建模。

其二，學習問題診斷的開放性。一方面，學習系統(tǒng)不是一個封閉的系統(tǒng)，學習過程與外界環(huán)境相互關(guān)聯(lián)，并與外部系統(tǒng)及內(nèi)部子系統(tǒng)不斷進行信息、物質(zhì)和能量的交換，因此是一個動態(tài)的開放系統(tǒng)，學生常見的學習問題庫也并非一成不變，而是隨著實踐進程不斷擴展更新。另一方面，學習問題的范疇也具有開放性，以往研究中大多將學習問題局限于學習結(jié)果或知識掌握方面的問題，但是隨著對學習者主體性的認識以及對學習過程的重視，學習者的能力、素養(yǎng)以及個人品格，都應納入學習問題診斷的范疇。

（二）干預策略匹配的自組織和協(xié)同性

干預策略匹配就是根據(jù)學習問題的診斷結(jié)果，從干預策略庫中選取適切的干預策略，以適應學習問題的過程[22]。干預策略匹配是確保學習干預成功的基礎(chǔ)環(huán)節(jié)。在復雜性科學的視角下，干預策略匹配具有自組織、協(xié)同性的特征。

其一，干預策略匹配的自組織。自組織是指系統(tǒng)中的元素在非強制指令的作用下，由無序混亂自發(fā)演變?yōu)橛行騾f(xié)調(diào)狀態(tài)的過程[23]。以往的學習干預研究往往囿于學習者暴露出的表象問題，難以明確實際癥結(jié)所在，因此是一種“頭痛醫(yī)頭、腳痛醫(yī)腳”的機械式干預[24]。隨著學習過程的推進，學習問題不斷涌現(xiàn)，且問題并非孤立存在，學習問題之間可以相互關(guān)聯(lián)，通過自組織的方式形成問題圖譜，有利于對當前學習問題的產(chǎn)生機制進行精準溯源歸因，從而提升干預策略匹配的準確性。

其二，干預策略匹配的協(xié)同性。協(xié)同性的第一個層次體現(xiàn)為人機協(xié)同，因為干預系統(tǒng)具有復雜性，單純依靠人類教師或智能代理都難以進行精準的干預策略匹配。對于人類教師而言，人工實施教學干預需要耗費較高的人力物力，并且難以顧及每位學習者的個性化需求[25];對于智能代理而言，人工智能更適合處理封閉、單一的問題[26]，對于具有開放、多元特性的復雜干預系統(tǒng)，往往力不能及。協(xié)同性的第二個層次體現(xiàn)為社會化協(xié)同，教師在進行干預策略匹配時，可以借鑒其他教師對類似問題的干預經(jīng)驗，實現(xiàn)群體智慧的匯聚。

（三）干預策略實施的漲落性和層次性

干預策略實施就是根據(jù)匹配出的干預策略，依據(jù)干預策略的屬性（如干預強度、干預時機、干預頻率等），擬定干預方案并面向?qū)W習者開展實施的過程。干預策略實施是連接干預研究與教學實踐的中介環(huán)節(jié)。在復雜性科學的視角下，干預策略實施具有漲落性、層次性的特征。

其一，干預策略實施的漲落性。漲落性是指學習者的狀態(tài)在多數(shù)時間內(nèi)都處在一種相對穩(wěn)定平衡的狀態(tài)，雖然會受到內(nèi)外部因素的影響而發(fā)生輕微的擾動，但是可以憑借自身的自我調(diào)節(jié)與適應能力維持學習狀態(tài)的平衡[27]。為了幫助學習者克服學習問題，在干預實施的過程中，需要借助干預策略引發(fā)學習者的認知沖突，增強學習過程的非線性作用，打破原有平衡;同時應提供必要的支持手段，增加學習者的學習投入，幫助學習者建立新的平衡與秩序，實現(xiàn)由一個平衡狀態(tài)向更高的平衡狀態(tài)躍遷[28]，促進學習過程的改善。

其二，干預策略實施的層次性。干預是一個系統(tǒng)化工程，干預策略根據(jù)作用時間和作用范圍的不同，可以被組織成不同的層次類別。在作用時間層次，可以在學習活動前實施預防性干預，學習活動中實施診斷提醒類干預，學習活動后實施輔助反思類干預等;在作用范圍層次，干預策略的實施可以面向不同的群體規(guī)模，例如針對班級整體實施普適性干預，針對風險學生實施個性化干預等[29]。

（四）干預結(jié)果分析的非線性和進化性

干預結(jié)果分析就是在實施干預方案之后，判斷學習問題在何種程度上被解決，并分析學習者狀態(tài)的更新，從而決定下一輪干預起點的過程。干預結(jié)果分析是實現(xiàn)干預閉環(huán)，檢驗干預效果的重要環(huán)節(jié)。在復雜性科學的視角下，干預結(jié)果分析具有非線性、進化性的特征。

其一，干預結(jié)果分析的非線性。非線性是指系統(tǒng)內(nèi)各要素之間的相互作用不符合線性特征，這是造成系統(tǒng)具有復雜性的核心特征[30]，導致了系統(tǒng)的隨機性與不可預測性。在干預結(jié)果分析中，一方面，策略實施與學習成效之間存在非線性，學習者不是被動的知識接受者，而是主動的知識建構(gòu)者，因此在實施干預的過程中，干預策略并非始終是客觀穩(wěn)定的“外部因素”，而是經(jīng)過學習者加工從而具有主觀特性的“內(nèi)生因素”，容易產(chǎn)生無法預知的干預結(jié)果[31]。另一方面，干預策略的作用具有時滯性特點，施加的某種學習干預往往要經(jīng)過一段時間才會顯現(xiàn)效果，期間學習者會與外界環(huán)境不斷進行交互，使得多種影響交織在一起，增加了干預結(jié)果的不可預知性。

其二，干預結(jié)果分析的進化性。干預系統(tǒng)并非是靜態(tài)的系統(tǒng)，而是不斷演化的動態(tài)系統(tǒng)。一方面，學習者的狀態(tài)不斷進化，經(jīng)過學習干預，學習者的知識掌握程度、學習能力等屬性都有可能發(fā)生改變。另一方面，通過對干預結(jié)果的分析，能夠判斷當前干預策略與學習問題的適切程度，通過反饋可以對適切度較低的干預策略進行修正，實現(xiàn)干預策略的不斷進化。

四、復雜性科學視域下的學習干預模型構(gòu)建

復雜性科學對于剖析智能時代學習干預的過程，揭示學習干預的復雜性運行機理具有重要作用。根據(jù)學習干預的核心要素及復雜性特征，本文構(gòu)建了復雜性科學視域下的學習干預模型，如圖3所示。模型包括問題診斷層、動力引擎層、推理匹配層以及進化適應層四個邏輯層次。在問題診斷層中，依據(jù)學習問題診斷的涌現(xiàn)性與開放性特征，同時采用學習分析、眾包標注、專家預設(shè)多種方式，構(gòu)建彈性學習問題庫和動態(tài)干預策略庫，保持其中要素的不斷更新。在動力引擎層中，依據(jù)干預策略匹配的自組織與協(xié)同性特征，構(gòu)建學習問題圖譜和問題策略圖譜，作為驅(qū)動后續(xù)干預策略匹配和實施過程的動力引擎。在推理匹配層中，基于學習問題圖譜和問題策略圖譜，由學習者當前學習問題出發(fā)，抽取學習問題鏈，并匹配對應的干預策略鏈，作為學習干預的系統(tǒng)化實施方案。在進化適應層中，綜合考慮干預策略實施的漲落性與層次性特征，進行人機協(xié)同的策略實施，并基于干預結(jié)果分析的非線性與進化性特征，實現(xiàn)學習者與干預策略的協(xié)同進化。

（一）問題診斷層：基于學習分析技術(shù)的學習問題發(fā)現(xiàn)

1. 場景化學習問題建模

學習過程作為一個開放的復雜系統(tǒng)，不斷與外界環(huán)境進行信息、物質(zhì)與能量的交換，因此若要精準診斷學習問題，基礎(chǔ)是對學習問題發(fā)生的場景進行感知。首先，借助智能學習終端與物聯(lián)感知設(shè)備，獲取學習過程與學習環(huán)境的相關(guān)數(shù)據(jù)。其次，依據(jù)xAPI規(guī)范，使用statement語句將數(shù)據(jù)梳理為主謂賓格式的語義結(jié)構(gòu)，存儲在非關(guān)系型數(shù)據(jù)庫中。進而，使用決策樹、貝葉斯網(wǎng)絡(luò)、支持向量機等機器學習算法，對學習過程數(shù)據(jù)進行挖掘，診斷學習者出現(xiàn)的問題類型，如學業(yè)情緒類問題、知識掌握類問題、學習投入類問題、認知能力類問題等;并使用時空聚類算法，對時間數(shù)據(jù)、空間數(shù)據(jù)、設(shè)備數(shù)據(jù)等場景信息進行感知，判斷當前問題所處的學習場景，如作業(yè)場景、討論場景、探究學習場景等。

2. 彈性學習問題庫構(gòu)建

為了更好地描述學習問題的語義特征，基于上述場景化學習問題建模的結(jié)果，本研究采用五元組對問題診斷結(jié)果進行形式化表征：Q=，其中，qn表示該問題的名稱，qd表示該問題的分類，qt表示該問題出現(xiàn)的時間，qs表示該問題隸屬的場景分類，qr表示該問題的嚴重等級。形式化表征之后的學習問題將被存入學習問題庫中。值得注意的是，學習問題在學習過程中是不斷涌現(xiàn)的，系統(tǒng)無法預設(shè)所有的問題類型與屬性。因此，當出現(xiàn)無法歸類的學習問題時，該問題將被隨機發(fā)放給五位審核專家，依據(jù)多數(shù)投票法決定問題是否可以被添加到問題庫中，并對其類別及屬性進行標注。同時，教師也可以根據(jù)自身經(jīng)驗，人工向問題庫中添加學習問題，實現(xiàn)問題庫的彈性擴展。

3. 動態(tài)干預策略庫構(gòu)建

為了解決相應的學習問題，本研究構(gòu)建了干預策略庫，并將干預策略以六元組進行形式化表征：S=，其中sn表示該策略的名稱，sc表示該策略的分類，st表示該策略適宜的干預時機，si表示該策略適宜的干預強度，sf表示該策略適宜的干預頻率，sm表示該策略適宜的干預方式。邀請專家對常見的干預策略進行預設(shè)（見表1），并存儲到干預策略庫中。同時，允許教師通過眾包的方式向策略庫中人工添加干預策略，經(jīng)專家審核后實現(xiàn)策略庫的動態(tài)更新。

問題診斷層的技術(shù)路線如圖4所示。

（二）動力引擎層：基于元素自組織的學習問題歸因

1. 學習問題圖譜構(gòu)建

在診斷出當前學習問題之后，了解該問題發(fā)生的動力機制，并對其產(chǎn)生過程進行溯源歸因，是保證干預精準性的重要步驟。因此，通過分析學習問題庫中各問題之間的關(guān)聯(lián)關(guān)系，可以構(gòu)建出學習問題的關(guān)聯(lián)圖譜。借助學習問題圖譜，由當前問題進行溯源，便可以實現(xiàn)對當前學習問題的歸因，幫助我們從根源上探查問題產(chǎn)生的機制。

學習問題由孤立狀態(tài)演變?yōu)橄嗷リP(guān)聯(lián)的問題圖譜是一個自組織的過程。自組織就是系統(tǒng)在不受外力影響的前提下，由無序自發(fā)變?yōu)橛行虻倪^程。經(jīng)過自組織，系統(tǒng)的不確定性降低，系統(tǒng)熵值減小[32]。因此，學習問題圖譜自組織的過程，就是系統(tǒng)熵值最小化的過程。學習問題圖譜的自組織需要滿足兩個約束條件：（1）問題嚴重等級越高，越容易導致其他問題發(fā)生;（2）問題在圖譜中與其他問題節(jié)點的連接越多，越容易成為其他問題產(chǎn)生的動力源?；诖耍顔栴}i的度數(shù)d（i）表示與該問題相連的問題節(jié)點總數(shù)，令問題i的加權(quán)度數(shù)dw（i）表示該問題的度數(shù)與嚴重等級的乘積，即dw（i）=qr（i）×d（i）;進而，計算各問題加權(quán)度數(shù)的信息熵。由此，學習問題圖譜的總熵值H等于各問題節(jié)點信息熵之和（如公式1所示）。當系統(tǒng)總熵值保持最小時，形成最終的學習問題圖譜。

2. 問題策略圖譜構(gòu)建

除了學習問題之間存在關(guān)聯(lián)，學習問題與干預策略之間也存在關(guān)聯(lián)。通過將學習問題與對應干預策略進行關(guān)聯(lián)，可以構(gòu)建出問題策略圖譜，作為干預策略匹配的動力引擎。

問題策略圖譜的構(gòu)建主要是通過計算學習問題描述與干預策略內(nèi)容之間的語義相似度實現(xiàn)。首先，將問題描述文本與策略內(nèi)容文本通過word2vec詞嵌入模型進行向量化處理;其次，遍歷干預策略庫中每條干預策略，將當前策略內(nèi)容的文本向量依次與各問題的描述文本向量進行余弦相似度計算;最后，選取相似度最高的“問題—策略”組合，在兩者之間建立關(guān)聯(lián)，并遍歷至下一條干預策略，直至所有干預策略都與學習問題建立關(guān)聯(lián)，形成最終的問題策略圖譜。

動力引擎層的技術(shù)路線如圖5所示。

（三）推理匹配層：基于因果鏈推理的干預策略匹配

1. 學習問題鏈的溯源與提取

在構(gòu)建了學習問題圖譜與問題策略圖譜之后，如何由當前問題推理出問題鏈，是精準匹配干預策略的前提。問題鏈代表當前問題產(chǎn)生的因果鏈條，反映了當前問題的發(fā)生路徑。本研究采用定性比較分析（Qualitative Comparative Analysis，簡稱QCA）作為問題鏈的提取方法。相比于傳統(tǒng)定量分析方法，QCA基于整體論思想，將影響當前問題的關(guān)聯(lián)節(jié)點視為條件集合，并通過集合隸屬度計算進行因果推斷，因此更加適合處理問題之間的復雜關(guān)聯(lián)關(guān)系[33]。

首先，根據(jù)學習問題圖譜，溯源與當前學習問題有直接或間接關(guān)系的關(guān)聯(lián)問題，形成關(guān)聯(lián)問題集合;其次，計算關(guān)聯(lián)問題集合中不同問題組合與當前結(jié)果的一致性;最后，提取超過一致性閾值的問題組合作為影響當前學習問題的問題鏈。通過QCA分析，可以生成問題鏈的中間解和簡約解，簡約解中蘊含的要素是核心問題，而僅存在于中間解的要素是邊緣問題。核心問題表示與當前問題間存在較強的因果性，而邊緣問題則表明與當前問題間的因果性較弱[34]。

2. 干預策略鏈的推理與輸出

提取出當前問題的問題鏈之后，需要由問題鏈匹配出對應的策略鏈，作為后續(xù)干預實施的具體方案。首先，遍歷問題鏈，按照鏈路順序依次將問題鏈中的每個問題在問題策略圖譜中進行定位，獲取該問題對應的策略集;其次，結(jié)合學習者的數(shù)字畫像，從策略集中選取符合學習者興趣偏好的適切干預策略;最后，將每個問題推理出的適切策略組合，形成干預策略鏈。除系統(tǒng)推理輸出的干預策略鏈之外，還可以根據(jù)此問題下其他教師的策略選取結(jié)果進行推薦，教師可以參考推薦結(jié)果進行最終策略鏈的選擇。

推理匹配層的技術(shù)路線如圖6所示。

（四）進化適應層：基于多主體進化的干預策略實施

1. 干預策略的人機協(xié)同實施

在分析得到針對每位學習者的干預策略鏈之后，使用統(tǒng)計分析與聚類算法，將相似的策略鏈進行聚合，識別每一干預策略鏈對應的學習者范圍，并根據(jù)范圍規(guī)模決定每條干預策略鏈的實施對象為個體、小組或群體[35]。

在干預實施過程中，按照策略鏈的順序，逐項執(zhí)行干預策略，并根據(jù)當前策略在干預策略庫中標記的屬性，確定適切的干預時機、干預頻率與干預方式。干預強度則由學習問題鏈進行確定，若問題鏈中的節(jié)點屬于核心問題，則實施對應的高強度干預策略;若屬于邊緣問題，則只需實施對應的低強度策略。系統(tǒng)推薦的干預方案作為教師實踐的參考依據(jù)，教師可以將其與自身教學經(jīng)驗結(jié)合，綜合進行人機協(xié)同的干預策略實施。

2. 學習者與干預策略的協(xié)同進化

隨著干預的實施，需要即時判斷干預的效果，并通過反饋機制促進干預策略的不斷改善。本研究使用遺傳算法進行干預策略的優(yōu)化。首先定義干預策略的適配度函數(shù)，用于表征干預策略與當前學習問題的匹配程度。本研究令策略適配度等于干預前后學習問題嚴重等級的變化量，若適配度函數(shù)的值大于閾值，則說明干預策略能夠較好地解決當前學習問題，并停止優(yōu)化過程;否則，則需要選擇適配度最高的兩條干預策略鏈，以pc的概率進行兩條策略鏈間的交叉操作，并以pm的概率從策略庫中隨機選擇新的策略進行變異操作，進化生成子策略鏈，進而檢驗當前子策略鏈的適配度。重復上述操作，直至適配度函數(shù)大于閾值，或者迭代次數(shù)達到上限。之后，將優(yōu)化后的干預策略同步更新至策略庫和問題策略圖譜，實現(xiàn)干預策略的持續(xù)進化。

除了干預策略的進化，伴隨干預策略的實施以及學習過程數(shù)據(jù)的積累，學習問題類型與屬性會涌現(xiàn)出新的特征，學習問題之間也不斷建立新的連接關(guān)系，因而學習者狀態(tài)也是一個持續(xù)進化的過程。學習者狀態(tài)在狀態(tài)空間中動態(tài)轉(zhuǎn)移，又可以驅(qū)動新一輪的問題診斷與干預實施，維持干預系統(tǒng)的持續(xù)運轉(zhuǎn)。

進化適應層的技術(shù)路線如圖7所示。

五、結(jié)? ?語

教育的本質(zhì)是一個復雜系統(tǒng)。因此，從復雜性科學的視角來看，學習過程是整體的、開放的、動態(tài)的?；趶碗s性科學開展學習干預，有利于將學習干預作為整體的系統(tǒng)性工程進行實施，更加符合現(xiàn)實教育實踐中學習問題的生發(fā)邏輯與解決思路。本研究立足于復雜性科學的視角，描繪了學習問題診斷、干預策略匹配、干預策略實施、干預結(jié)果分析等學習干預要素的復雜性特征，并構(gòu)建了涵蓋問題診斷層、動力引擎層、推理匹配層、進化適應層的學習干預模型，旨在深度解構(gòu)學習干預的實踐流程，探索一種人機協(xié)同的精準學習服務(wù)模式。

在未來的研究中，一方面需要結(jié)合復雜性科學的研究方法，如復雜網(wǎng)絡(luò)、模擬仿真等，以數(shù)據(jù)驅(qū)動的方式對學習干預的過程與規(guī)律進行驗證;另一方面需要進一步明確各類學習問題與干預策略的內(nèi)涵與表征方式，并與教學實踐中可采集、可使用的多模態(tài)數(shù)據(jù)進行關(guān)聯(lián)，推動基于復雜性科學的學習干預模型應用于實踐。

[參考文獻]

[1] 楊宗凱，吳砥，陳敏.新興技術(shù)助力教育生態(tài)重構(gòu)[J].中國電化教育，2019（2）：1-5.

[2] 王一巖，鄭永和.面向智慧課堂的教育情境感知：價值定位、特征模型與實踐框架[J].電化教育研究，2021，42（11）：84-91.

[3] 劉銘，武法提.場景化學習服務(wù)模式構(gòu)建研究[J].電化教育研究，2021，42（1）：87-92.

[4] 李彤彤，黃洛穎，鄒蕊，等.基于教育大數(shù)據(jù)的學習干預模型構(gòu)建[J].中國電化教育，2016（6）：16-20.

[5] 武法提，殷寶媛，黃石華.學習習慣動力學研究范式及其創(chuàng)新價值[J].現(xiàn)代遠程教育研究，2019（1）：46-52.

[6] FUCHS D， FUCHS L S. Introduction to response to intervention： what， why， and how valid is it？[J]. Reading research quarterly， 2006， 41（1）： 93-99.

[7] ZHANG J H， ZOU L， MIAO J， et al. An individualized intervention approach to improving university students' learning performance and interactive behaviors in a blended learning environment[J]. Interactive learning environments， 2020， 28（2）： 231-245.

[8] HERODOTOU C， HLOSTA M， BOROOWA A， et al. Empowering online teachers through predictive learning analytics[J]. British journal of educational technology， 2019， 50（6）： 3064-3079.

[9] WONG B T， LI K C. A review of learning analytics intervention in higher education（2011—2018）[J]. Journal of computers in education， 2020， 7（1）： 7-28.

[10] XING W， DU D. Dropout prediction in MOOCs： using deep learning for personalized intervention[J]. Journal of educational computing research， 2019， 57（3）： 547-570.

[11] 何克抗.運用“新三論”的系統(tǒng)方法促進教學設(shè)計理論與應用的深入發(fā)展[J].中國電化教育，2010（1）：7-18.

[12] 武杰，孫雅琪.復雜性科學的學科特征及其哲學境界[J].自然辯證法研究，2017，33（7）：112-117.

[13] 曹征，張雪平，曹謝東，等.復雜系統(tǒng)研究方法的討論[J].智能系統(tǒng)學報，2009，4（1）：76-80.

[14] 葉瀾.世紀初中國教育理論發(fā)展的斷想[J].華東師范大學學報（教育科學版），2001（1）：1-6.

[15] 何克抗.對美國《教育傳播與技術(shù)研究手冊》（第三版）的學習與思考之二——關(guān)于“復雜性理論”與“技術(shù)支持的復雜學習”[J].電化教育研究，2013，34（8）：24-27.

[16] 皮亞杰.發(fā)生認識論原理[M].王憲鈿，譯.北京：商務(wù)印書館，1981.

[17] 劉勁楊，湯杉杉.當代整體論的思想整合與形式分析[J].系統(tǒng)科學學報，2021，29（3）：1-7.

[18] 時龍.復雜性科學研究視野中的學校發(fā)展與變革[J].教育科學研究，2020（4）：5-9.

[19] 鄭永和，王楊春曉，王一巖.智能時代的教育科學研究：內(nèi)涵、邏輯框架與實踐進路[J].中國遠程教育，2021（6）：1-10.

[20] 張婧婧，楊業(yè)宏.在線學習中的冪律法則：基于開放與平衡流系統(tǒng)的新指標[J].遠程教育雜志，2019，37（4）：96-105.

[21] 苗東升.從科學轉(zhuǎn)型演化看大數(shù)據(jù)[J].首都師范大學學報（社會科學版），2014（5）：48-55.

[22] 殷寶媛，武法提.學習習慣在線干預的原理與模型設(shè)計[J].電化教育研究，2019，40（12）：72-79.

[23] 閆麗霞，周川.從傳統(tǒng)范式到復雜性范式的轉(zhuǎn)向：論一流學科生長路徑的構(gòu)建拓展[J].中國高教研究，2020（3）：24-29.

[24] 武法提，高姝睿，田浩.人機智能協(xié)同的精準學習干預：動因、模型與路向[J].電化教育研究，2022，43（4）：70-76.

[25] 白雪梅，顧小清，尹歡歡，武美玖，胡碧皓.數(shù)據(jù)驅(qū)動精準教學：實踐路徑、感知理解與現(xiàn)實困境[J].電化教育研究，2022，43（4）：77-84.

[26] 余勝泉，王琦.“AI+教師”的協(xié)作路徑發(fā)展分析[J].電化教育研究，2019，40（4）：14-22.

[27] 吳靖.復雜科學視域下的教育趨法及對教育技術(shù)研究方法的啟示——兼及教育信息化“頂棚效應”問題的分析[J].遠程教育雜志，2017，35（2）：94-103.

[28] WHITE D G， LEVIN J A. Navigating the turbulent waters of school reform guided by complexity theory[J]. Complicity： an international journal of complexity and education， 2016， 13（1）： 43-80.

[29] 樊敏生，武法提.數(shù)據(jù)驅(qū)動的動態(tài)學習干預系統(tǒng)設(shè)計[J].電化教育研究，2020，41（11）：87-93.

[30] 黃欣榮.從復雜性科學到大數(shù)據(jù)技術(shù)[J].長沙理工大學學報（社會科學版），2014，29（2）：5-9.

[31] ENGESTROM Y， SANNINO A. Studies of expansive learning： foundations， findings and future challenges[J]. Educational research review， 2010， 5（1）： 1-24.

[32] DAVIS B， SUMARA D. Complexity science and educational action research： toward a pragmatics of transformation[J]. Educational action research， 2005， 13（3）： 453-466.

[33] 伯努瓦·里豪克斯，查爾斯·C·拉金. QCA設(shè)計原理與應用：超越定性與定量研究的新方法[M]. 杜運周，李永發(fā)，等譯. 北京：機械工業(yè)出版社，2017.

[34] FISS P C. Building better causal theories： a fuzzy set approach to typologies in organization research[J]. Academy of management journal， 2011， 54（2）： 393-420.

[35] 唐麗，王運武，陳琳.智慧學習環(huán)境下基于學習分析的干預機制研究[J].電化教育研究，2016，37（2）：62-67.

Learning Intervention from the Perspective of Complexity Science：

Concept Explanation， Core Elements and Model Construction

TIAN Hao1，? WU Fati2

（1.School of Educational Technology， Beijing Normal University， Beijing 100875; 2.Engineering Research Center of Digital Learning and Educational Public Service， Ministry of Education， Beijing 100875）

[Abstract] The rapid development of intelligent technology has not only transformed the style of education， but also brought the complexity of education to the fore. Precise and personalized learning interventions based on the perspective of complexity science are conducive to meeting the real needs of learners in learning practice. After explaining the basic concepts of complexity science and learning interventions， this paper analyzes the applicability of complexity science to guide the implementation of learning interventions. Then， this paper analyzes the complexity characteristics of learning interventions in terms of four core elements of learning problem diagnosis， intervention strategy matching， intervention strategy implementation， and intervention effect analysis. A learning intervention model is constructed from the perspective of complexity science， which consists of four logical levels： problem diagnosis， motivation engine， reasoning matching， and evolutionary adaptation. It successively depicts the discovery of learning problems based on learning analytics technology， the attribution of learning problems based on elemental self-organization， the matching of intervention strategy based on causal chain reasoning， and the implementation of intervention strategy based on multi-agent evolution. This model forms a complete intelligent learning service path， which provides a theoretical and practical basis for carrying out precise learning interventions of human-computer collaboration in the intelligent era.

[Keywords] Complexity Science; Learning Intervention; Smart Education; Model Construction

[作者簡介] 田浩（1994—），男，山東濱州人。博士研究生，主要從事智能教育、多模態(tài)學習分析研究。E-mail：tianhao @mail.bnu.edu.cn。武法提為通訊作者，E-mail：wft@bnu.edu.cn。

基金項目：國家社會科學基金2020年度教育學一般課題“基于人機智能協(xié)同的精準學習干預研究”（課題編號：BCA200080）