论文部分内容阅读
摘 要：适应性学习是支持智慧学习环境的重要组成部分，关系到智慧学习环境的智慧化学习水平。而参考模型是适应性学习支持系统的研究重点，本文梳理了适应性学习支持系统参考模型的研究现状，详述了领域模型、用户模型和适应性模型三个重要的子模型，并对适应性学习支持系统参考模型的发展趋势进行了分析。
关键词：适应性学习支持系统；参考模型；智慧学习环境
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）24-0001-04
一、引言
当前，智慧学习环境是国内外教育技术学领域研究的热点问题，而云计算、物联网、人工智能、大数据等技术的快速发展，为构建智慧学习环境提供了现实基础和强大的技术支撑。适应性学习是根据学习者的个体差异提供适应学习者特征的个性化学习，以便学习者能够以更快的速度，更加有效地进行学习。适应性学习支持系统作为智慧学习环境的重要组成，其研究和应用的程度直接关系到智慧学习环境的智慧化水平。本文将对适应性学习支持系统参考模型的研究现状进行梳理，并对其研究趋势进行分析，以期为适应学习支持系统的进一步研究和应用提供参考，同时促进智慧学习环境的发展。
二、适应性学习支持系统的发展历史
适应性学习支持系统的发展总体上经历了三个阶段。20世纪60年代出现的程序教学及基于计算机的训练和计算机辅助教学，可以认为是适应性学习支持系统发展的初期阶段，在此阶段中，基于所采用的“一种教学适合所有学生”的教学方式在一定程度上有助于学生的学习，但未能提供“一对一”教学的个性化关注[1]。20世纪90年代，随着超媒体技术的兴起，适应性学习支持系统迎来了第二次重要的发展，产生了适应性超媒体系统，通过网络技术为学习者提供适应性内容呈现和适应性学习导航支持。21世纪随着计算机多媒体技术、网络通信技术和人工智能技术的发展，人类进入数字化学习（e-Learning）时代，适应性学习支持系统也获得了重大的发展，从传统的以“教”为中心转向了网络环境下的以“学”为中心的适应性e-Learning系统的研究和应用。
三、适应性学习支持系统参考模型的研究现状
在适应性学习支持系统的发展过程中，为了设计、开发能够为学习者提供更好学习支持服务的系统，研究者们除了引入各种新技术，同时也提出了各种参考模型。参考模型，也有学者称为应用模型，是一个标准或规范，根据系统的目标和理念，为构建系统提供准则，用于指导系统的研发。因此，研究参考模型对于研发适应性学习支持系统具有重要价值。
1994年Halasz和Schwartz提出了德克斯特超文本参考模型[2]（Dexter Hypertext Reference Model，DHRM），该模型是最早被提出来的用于开发适应性学习支持系统的参考模型，该模型将超文本系统分为组件内层、存储层和运行时层。其中，组件内层位于最底层，是指超文本节点内所包含的内容结构；存储层位于中间，是指一个保存了节点和链接的数据库；运行时层位于最上层，是指超文本信息的表示，实现用户与系统交互及向用户动态呈现信息。该模型还分别使用锚定和呈现规范来描述组件内层与存储层、存储层与运行时层之间的链接机制。1999年，De Bra在德克斯特超文本參考模型基础上对存储层进行了扩展，提出了适应性超媒体应用模型[3]（Adaptive Hypermedia Application Model，AHAM），如图1，AHAM的存储层包括用户模型、领域模型和适应性模型三个子模型。随后，很多研究者在参考DHRM和AHAM的基础上，对其进行了具体化或扩展，提出了一些应用模型。比如LAOS[4]（Layered WWW AHS Authoring Model）一种为通用自适应媒体创作而制定的模型，引入了目标和约束层作为中间层对AHAM模型进行扩展，将领域知识信息与教学信息进行了分离。XAHM[5]（XML Adaptive Hypermedia Model）一种基于XML的面向对象模型，采用XML元数据的形式进行建模。增强适应性超媒体应用模型[6]（Enhanced Adaptive Hypermedia Application Model，EAHAM），在存储层增加了情境模型和教学模型，增强了适应性教学功能。纵观各种参考模型的研究，始终围绕着领域模型、用户模型和适应性模型这三个核心组成部分。
1.领域模型
领域模型是对应用领域的各组成元素及其结构的描述，它揭示了领域知识内部各组成元素及元素之间的相互关系[7]。构建领域模型的本质是学习对象的构建。学习对象是在面向对象的计算机科学思想以及有关教学理论的基础之上产生的一种新型计算机辅助教学构件[8]。學习对象的基本理念是教学设计者可以建立适当大小的能在不同学习情境下可重复使用的数字化教学构件。一个概念、一个学习主题或一门课程等都可以是学习对象，需要根据学习需求进行创建。学习对象构建须有利于共享、管理、查找、评价和交互，一般包括学习对象元数据规划及其结构的描述。学习对象元数据是一个描述学习对象的数据规范，是用来描述学习对象数据的数据，使得学习对象可以在不同的组织机构之间传输和交换；学习对象结构明确定义了学习对象自身的结构和不同学习对象之间的关系，有利于学习对象的分解和重组。
领域模型作为适应性学习支持系统的核心组成部分，如何进行构建使其能够根据学习者的学习风格、学习需求、学习目标等个性化特征将学习内容适应性的呈现给学习者是适应性学习的研究重点。国内外政府机构、学术组织和很多研究者在这方面做了大量的研究工作，包括制定了一些已经广泛使用的标准。IMS的学习资源元数据规范、IEEE LTSC的LOM、Dublin Core、SCORM以及我国的CELTS都是构建领域模型的数据规范。还有一些研究者从不同的应用目的出发，提出了一些领域模型构建的方法，王陆[9]等认为知识表示是ITS中的一个关键问题，知识表示的结构决定了智能教学推理的有效性，并提出了一个基于关系模型的学科知识库建设方法。Tseng等[10]在其创建的适应性学习系统框架中，依据SCORM标准进行知识表示，根据学习者的个性特征，将学习资源重组为学习对象，以便推送给学习者。Lazarinis等[11]在研发自适应测试系统中用IMS QTI标准进行问题的编码。陈仕品等[12]在基于知识树的领域知识表示、媒体空间和面向完整任务的教学策略基础上，提出了一种适应性学习内容动态组织过程模型，并通过SCORM标准实现了适应性学习内容聚合。姜强等[13]依据 Dublin Core和 IEEE LOM两大元数据标准，构建了基于本体的领域知识模型。 2.用户模型
用户模型是实现适应性学习的基础，反映了学习者与系统交互、绩效行为和学习历史记录等主观和客观的信息[13]。国内外学术组织也制定了一些用于构建用户模型的标准，比较有影响力的有IMS LIP、IEEE PAPI以及我国在 CELTS中定义的用户模型 CELTS-11、学力定义规范 CELTS-14等，这些标准从通用的角度对用户模型进行了规范。针对适应性学习系统的具体需求，用户模型往往需要在一定的标准基础上进一步细化和完善。学习者个性特征的描述、认知水平诊断评估、学习风格检测、学习行为模式、学习者认知水平表征、学习兴趣识别等都是用户模型的重要组成部分。Chen等[14]利用模糊项目反应理论开发了一个C语言适应性学习系统，根据学习者的反馈信息进行学习情况诊断，进而实现个性化资源的推荐。李志聪等[15]设计了一个基于朴素贝叶斯分类的适应性学习系统，系统根据学习者学习特征、学习的过程记录及学习者的学习成绩进行学习情况诊断，推荐下一单元的学习资源。有研究者[16-18]表明基于学习风格的适应性学习支持系统对学生的学业成绩有积极的影响。Brusilovsky[19]认为适应性学习支持系统应依据学习者的差异和学习需求为他们提供需要的学习资源。Karampiperis等[20]提出了一种依据学习者认知风格对学习内容实现自适应选择的处理过程。赵蔚等[21]基于关联规则挖掘构建了一个个性化e-Learning解决方案推荐系统模型。刘小雪[22]通过Web使用挖掘建立学习者个性特征模型，并实时识别学习者目标，实现了学习对象的协同推荐。也有研究者实现了学习兴趣的自动识别[23]。
3.适应性模型
根据学习者的个性特征为其提供适应性学习资源呈现和适应性学习导航是适应性学习支持系统的主要表现。在适应性资源呈现方面，Cabada等[24]根据学习者的学习风格使用anthoring tool为学习提供个性化学习对象。杨丽娜等[25]结合案例推理解决了e-Learning环境下的学习资源个性化推荐问题。戴心来等[26]利用RSS实现了个性化资源的订制。刘志勇[27]等实现了语义搜索。学习路径是指学习活动的路线与序列，个性化学习路径是在一定的学习策略指导下，根据学习者的个性特征对所需完成的学习活动的排序。Chen等[28]基于项目反应理论构建了一个个性化e-Learning系统，根据学习者的认知水平、学习资源的难度、概念的连续性为学习者推荐学习路径。Beydoun等[29]、Lazcorreta等[30]使用不同的技术为学习者提供学习导航支持。赵呈领等[31]从算法性质的角度，对学习路径推荐算法进行了分类和比较，并探讨了学习路径推荐的应用策略和实践应用价值。
四、适应性学习支持系统参考模型发展趋势
近年，随着各类新技术的不断涌现和发展，适应性学习支持系统得到了进一步的发展，有研究者也对其参考模型进行了扩展。Qing Tan等将位置识别技术引入构建了5R自适应模型[32]，旨在将时间、位置、学习者和移动设备等因素纳入到自适应过程中，从而支持移动学习中的适应性。姜强等[33]提出的自适应学习系统通用參考模型（Generic Apdaptive Learning System Reference Model，GALSRM），优化了DHRM、AHAM、LAOS、EAHAM等主要系统参考模型，拓展了参考模型的通用性。张家华等[34]将视线追踪技术引入增强了用户模型，通过提取学习者对电脑屏幕上学习内容的注视时间、注视点序列、眼跳距离、回视次数等来识别学习者的阅读方式和对学习内容的关注程度。K Muldner等[35]则利用皮肤传感、脑电传感等构建学习者情感模型，对学习者进行情感鼓励或补偿，解决了网络学习环境下的情感缺失问题，提高学习效率。而虚拟现实（VR）、增强现实（AR）在教育教学中的应用将进一步推动适应性学习支持系统的发展。
五、结束语
智慧学习环境必须具备的一个显著特征是能更好地为学习者提供适应其个性特征的学习支持和服务[36]。这也是适应性学习支持系统的研究目标，参考模型的研究又是适应性学习支持系统的研究重点，是适应性学习支持系统发展的核心，决定着智慧学习环境的智慧化程度，因此，对适应性学习支持系统参考模型的研究具有重要的意義。
参考文献：
[1]Bloom， B.S.The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One- to- One Tutoring [J]. Educational Researcher， 2007， 47（13）：4-16.
[2]F.Halasz.，M.Schwartz.The Dexter hypertext reference model： Hypermedia[J].Communications of the ACM，1994 （2）：30-39.
[3]P De Bra，GJ Houben，H Wu.AHAM：A Dexter-based reference model for adaptive hypermedia[C].In Proc. of the ACM Conference on Hypertext and Hypermedia （Hypertext’99），Darmstadt，Germany， 1999（2）：147-156.
[4]Alexandra I.Cristea
关键词：适应性学习支持系统；参考模型；智慧学习环境
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）24-0001-04
一、引言
当前，智慧学习环境是国内外教育技术学领域研究的热点问题，而云计算、物联网、人工智能、大数据等技术的快速发展，为构建智慧学习环境提供了现实基础和强大的技术支撑。适应性学习是根据学习者的个体差异提供适应学习者特征的个性化学习，以便学习者能够以更快的速度，更加有效地进行学习。适应性学习支持系统作为智慧学习环境的重要组成，其研究和应用的程度直接关系到智慧学习环境的智慧化水平。本文将对适应性学习支持系统参考模型的研究现状进行梳理，并对其研究趋势进行分析，以期为适应学习支持系统的进一步研究和应用提供参考，同时促进智慧学习环境的发展。
二、适应性学习支持系统的发展历史
适应性学习支持系统的发展总体上经历了三个阶段。20世纪60年代出现的程序教学及基于计算机的训练和计算机辅助教学，可以认为是适应性学习支持系统发展的初期阶段，在此阶段中，基于所采用的“一种教学适合所有学生”的教学方式在一定程度上有助于学生的学习，但未能提供“一对一”教学的个性化关注[1]。20世纪90年代，随着超媒体技术的兴起，适应性学习支持系统迎来了第二次重要的发展，产生了适应性超媒体系统，通过网络技术为学习者提供适应性内容呈现和适应性学习导航支持。21世纪随着计算机多媒体技术、网络通信技术和人工智能技术的发展，人类进入数字化学习（e-Learning）时代，适应性学习支持系统也获得了重大的发展，从传统的以“教”为中心转向了网络环境下的以“学”为中心的适应性e-Learning系统的研究和应用。
三、适应性学习支持系统参考模型的研究现状
在适应性学习支持系统的发展过程中，为了设计、开发能够为学习者提供更好学习支持服务的系统，研究者们除了引入各种新技术，同时也提出了各种参考模型。参考模型，也有学者称为应用模型，是一个标准或规范，根据系统的目标和理念，为构建系统提供准则，用于指导系统的研发。因此，研究参考模型对于研发适应性学习支持系统具有重要价值。
1994年Halasz和Schwartz提出了德克斯特超文本参考模型[2]（Dexter Hypertext Reference Model，DHRM），该模型是最早被提出来的用于开发适应性学习支持系统的参考模型，该模型将超文本系统分为组件内层、存储层和运行时层。其中，组件内层位于最底层，是指超文本节点内所包含的内容结构；存储层位于中间，是指一个保存了节点和链接的数据库；运行时层位于最上层，是指超文本信息的表示，实现用户与系统交互及向用户动态呈现信息。该模型还分别使用锚定和呈现规范来描述组件内层与存储层、存储层与运行时层之间的链接机制。1999年，De Bra在德克斯特超文本參考模型基础上对存储层进行了扩展，提出了适应性超媒体应用模型[3]（Adaptive Hypermedia Application Model，AHAM），如图1，AHAM的存储层包括用户模型、领域模型和适应性模型三个子模型。随后，很多研究者在参考DHRM和AHAM的基础上，对其进行了具体化或扩展，提出了一些应用模型。比如LAOS[4]（Layered WWW AHS Authoring Model）一种为通用自适应媒体创作而制定的模型，引入了目标和约束层作为中间层对AHAM模型进行扩展，将领域知识信息与教学信息进行了分离。XAHM[5]（XML Adaptive Hypermedia Model）一种基于XML的面向对象模型，采用XML元数据的形式进行建模。增强适应性超媒体应用模型[6]（Enhanced Adaptive Hypermedia Application Model，EAHAM），在存储层增加了情境模型和教学模型，增强了适应性教学功能。纵观各种参考模型的研究，始终围绕着领域模型、用户模型和适应性模型这三个核心组成部分。
1.领域模型
领域模型是对应用领域的各组成元素及其结构的描述，它揭示了领域知识内部各组成元素及元素之间的相互关系[7]。构建领域模型的本质是学习对象的构建。学习对象是在面向对象的计算机科学思想以及有关教学理论的基础之上产生的一种新型计算机辅助教学构件[8]。學习对象的基本理念是教学设计者可以建立适当大小的能在不同学习情境下可重复使用的数字化教学构件。一个概念、一个学习主题或一门课程等都可以是学习对象，需要根据学习需求进行创建。学习对象构建须有利于共享、管理、查找、评价和交互，一般包括学习对象元数据规划及其结构的描述。学习对象元数据是一个描述学习对象的数据规范，是用来描述学习对象数据的数据，使得学习对象可以在不同的组织机构之间传输和交换；学习对象结构明确定义了学习对象自身的结构和不同学习对象之间的关系，有利于学习对象的分解和重组。
领域模型作为适应性学习支持系统的核心组成部分，如何进行构建使其能够根据学习者的学习风格、学习需求、学习目标等个性化特征将学习内容适应性的呈现给学习者是适应性学习的研究重点。国内外政府机构、学术组织和很多研究者在这方面做了大量的研究工作，包括制定了一些已经广泛使用的标准。IMS的学习资源元数据规范、IEEE LTSC的LOM、Dublin Core、SCORM以及我国的CELTS都是构建领域模型的数据规范。还有一些研究者从不同的应用目的出发，提出了一些领域模型构建的方法，王陆[9]等认为知识表示是ITS中的一个关键问题，知识表示的结构决定了智能教学推理的有效性，并提出了一个基于关系模型的学科知识库建设方法。Tseng等[10]在其创建的适应性学习系统框架中，依据SCORM标准进行知识表示，根据学习者的个性特征，将学习资源重组为学习对象，以便推送给学习者。Lazarinis等[11]在研发自适应测试系统中用IMS QTI标准进行问题的编码。陈仕品等[12]在基于知识树的领域知识表示、媒体空间和面向完整任务的教学策略基础上，提出了一种适应性学习内容动态组织过程模型，并通过SCORM标准实现了适应性学习内容聚合。姜强等[13]依据 Dublin Core和 IEEE LOM两大元数据标准，构建了基于本体的领域知识模型。 2.用户模型
用户模型是实现适应性学习的基础，反映了学习者与系统交互、绩效行为和学习历史记录等主观和客观的信息[13]。国内外学术组织也制定了一些用于构建用户模型的标准，比较有影响力的有IMS LIP、IEEE PAPI以及我国在 CELTS中定义的用户模型 CELTS-11、学力定义规范 CELTS-14等，这些标准从通用的角度对用户模型进行了规范。针对适应性学习系统的具体需求，用户模型往往需要在一定的标准基础上进一步细化和完善。学习者个性特征的描述、认知水平诊断评估、学习风格检测、学习行为模式、学习者认知水平表征、学习兴趣识别等都是用户模型的重要组成部分。Chen等[14]利用模糊项目反应理论开发了一个C语言适应性学习系统，根据学习者的反馈信息进行学习情况诊断，进而实现个性化资源的推荐。李志聪等[15]设计了一个基于朴素贝叶斯分类的适应性学习系统，系统根据学习者学习特征、学习的过程记录及学习者的学习成绩进行学习情况诊断，推荐下一单元的学习资源。有研究者[16-18]表明基于学习风格的适应性学习支持系统对学生的学业成绩有积极的影响。Brusilovsky[19]认为适应性学习支持系统应依据学习者的差异和学习需求为他们提供需要的学习资源。Karampiperis等[20]提出了一种依据学习者认知风格对学习内容实现自适应选择的处理过程。赵蔚等[21]基于关联规则挖掘构建了一个个性化e-Learning解决方案推荐系统模型。刘小雪[22]通过Web使用挖掘建立学习者个性特征模型，并实时识别学习者目标，实现了学习对象的协同推荐。也有研究者实现了学习兴趣的自动识别[23]。
3.适应性模型
根据学习者的个性特征为其提供适应性学习资源呈现和适应性学习导航是适应性学习支持系统的主要表现。在适应性资源呈现方面，Cabada等[24]根据学习者的学习风格使用anthoring tool为学习提供个性化学习对象。杨丽娜等[25]结合案例推理解决了e-Learning环境下的学习资源个性化推荐问题。戴心来等[26]利用RSS实现了个性化资源的订制。刘志勇[27]等实现了语义搜索。学习路径是指学习活动的路线与序列，个性化学习路径是在一定的学习策略指导下，根据学习者的个性特征对所需完成的学习活动的排序。Chen等[28]基于项目反应理论构建了一个个性化e-Learning系统，根据学习者的认知水平、学习资源的难度、概念的连续性为学习者推荐学习路径。Beydoun等[29]、Lazcorreta等[30]使用不同的技术为学习者提供学习导航支持。赵呈领等[31]从算法性质的角度，对学习路径推荐算法进行了分类和比较，并探讨了学习路径推荐的应用策略和实践应用价值。
四、适应性学习支持系统参考模型发展趋势
近年，随着各类新技术的不断涌现和发展，适应性学习支持系统得到了进一步的发展，有研究者也对其参考模型进行了扩展。Qing Tan等将位置识别技术引入构建了5R自适应模型[32]，旨在将时间、位置、学习者和移动设备等因素纳入到自适应过程中，从而支持移动学习中的适应性。姜强等[33]提出的自适应学习系统通用參考模型（Generic Apdaptive Learning System Reference Model，GALSRM），优化了DHRM、AHAM、LAOS、EAHAM等主要系统参考模型，拓展了参考模型的通用性。张家华等[34]将视线追踪技术引入增强了用户模型，通过提取学习者对电脑屏幕上学习内容的注视时间、注视点序列、眼跳距离、回视次数等来识别学习者的阅读方式和对学习内容的关注程度。K Muldner等[35]则利用皮肤传感、脑电传感等构建学习者情感模型，对学习者进行情感鼓励或补偿，解决了网络学习环境下的情感缺失问题，提高学习效率。而虚拟现实（VR）、增强现实（AR）在教育教学中的应用将进一步推动适应性学习支持系统的发展。
五、结束语
智慧学习环境必须具备的一个显著特征是能更好地为学习者提供适应其个性特征的学习支持和服务[36]。这也是适应性学习支持系统的研究目标，参考模型的研究又是适应性学习支持系统的研究重点，是适应性学习支持系统发展的核心，决定着智慧学习环境的智慧化程度，因此，对适应性学习支持系统参考模型的研究具有重要的意義。
参考文献：
[1]Bloom， B.S.The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One- to- One Tutoring [J]. Educational Researcher， 2007， 47（13）：4-16.
[2]F.Halasz.，M.Schwartz.The Dexter hypertext reference model： Hypermedia[J].Communications of the ACM，1994 （2）：30-39.
[3]P De Bra，GJ Houben，H Wu.AHAM：A Dexter-based reference model for adaptive hypermedia[C].In Proc. of the ACM Conference on Hypertext and Hypermedia （Hypertext’99），Darmstadt，Germany， 1999（2）：147-156.
[4]Alexandra I.Cristea