直至不久前，面向成千上萬學習者大規模提供個性化教育純屬天方夜譚。得益于普适計算能力、大規模用戶群體和可擴展分析算法，現在似乎比以往任何時候都更有可能通過自适應學習的形式，基于學習者的輸入而非教師的直覺改變學習者個體的學習體驗。這篇綜述旨在向工程教育領域負責人和工程專業教師提供三個方面的指導。首先，解釋什麼是自适應學習系統以及這種系統需要什麼類型的數據；其次，對自适應系統的主要用例及可能性進行分類；最後，簡要闡述現階段自适應系統的局限以及值得關注的地方。工程專業的負責人和教師可以據此判斷他們的教學環境是否适合使用這些系統；教育研究者則可以研究現有系統的特點，了解它們能在哪些方面發揮重要作用。
【關鍵詞】在線學習；自适應學習；機器學習；慕課；認識論；學習者模型；知識跟蹤
【中圖分類号】G420【文獻标識碼】B【文章編号】1009-458ｘ（2018）7-0043-11
導讀：從曆史上看，對教育而言，個性化似乎是理所當然的事情。比如，我國以前的私塾便是一種個性化教育，英國牛津和劍橋大學的傳統導師制（即所謂OxCamTutor模式）更是個性化教育的典範。我們平時常挂在嘴邊的“因人施教”其實也是為了使教學更個性化。随着社會的發展，對教育的需求日益增長，“私塾”也好，“導師制”也好，遠遠滿足不了這些需求，“私塾”還可能有悖于現代教育規律和培養目标，而在具體教學實踐中“因人施教”的“人”也不一定是某一個“個體”，更多的是以班組為單位的“個體”，因此難以實現真正意義上的“個性化”。在技術與教育如此“水乳交融”的今天，借助技術手段幫助教育重拾“個性化”是再自然不過的事情（“如果說教育的‘終極’目标是實現教育個性化，那麼目前自适應教育則被認為是達成這個目标的上策”，而“現在由于有普适計算能力、大規模用戶群體以及可擴展分析算法，我們能夠基于學習者的輸入而非教師的直覺改變個體學習者的學習體驗，而且能夠大規模開展”），學術界可能覺得這是他們義不容辭的責任，而商界則從中嗅到濃濃商機，于是自适應學習應運而生，如同其他一些基于技術的教學創新一樣，在大衆媒體的推波助瀾下，風生水起。然而，毋庸諱言，并非所有人都真正了解自适應學習；要充分發揮自适應技術對學習的促進作用，我們就必須對其“知根知底”，不斷探索、不斷改進，才能揚其所長、避其所短。
本文是美國斯坦福大學兩位研究者佩特·約翰内斯和拉裡·拉格斯多姆博士提交美國工程教育學會（AS⁃EE）2017年年會的論文①，文章不是很長，但誠如史蒂芬·道恩斯所言，言簡意赅，較為完整地給讀者呈現了自适應學習領域的發展曆史、實踐與研究現狀以及存在的問題。有一點需要說明，本文的讀者對象原本是工程教育領域的教育工作者和研究者，所以個别地方的措辭明顯針對工程教育領域同行，但我認為這并不意味着文章所述僅局限于工程教育。
文章第一部分從兩個方面對自适應學習進行溯源：發展脈絡和科學原理。從其發展脈絡看，一方面可以追溯到“二十世紀八十年代個人電腦的出現以及把電腦作為一種自動化輔導教師（anautomatedformoftutor）或‘智能輔導系統’（intelligenttutoringsystem）使用的可能性”，另一方面則是“得益于教育領域慕課的興起和數據科學領域機器學習方法的發展”，目的是“提高學習者的參與度、學習效果和堅持學習的信心”，最終降低辍學率。至于科學原理，文章用通俗易懂的語言簡要介紹了與自适應學習系統有關的基本概念和原理，包括自适應模型、領域模型和用戶模型、疊加建模與不确定性建模，以及知識跟蹤等。
文章第二部分在回顧自适應學習現狀和對學習的促進作用基礎上展望發展前景。從現狀看，自适應學習領域是一個高度商業化的領域，“企業、出版商以及後台系統供應商都在把自己的收入和客戶滿意度押在自适應學習上”，當然，高等教育機構也不甘落後，事實上不少商業機構與大學有千絲萬縷的關系。另外，有些大學“投資開發用于‘高危’學生預警系統的學生預測模型。這些模型有助于設計和實施自适應幹預措施，從而降低不及格率和辍學率”。自适應學習的商業化必然帶來一些問題，比如技術壟斷或對成效誇大其詞等。盡管如此，我們還是能夠從企業與學術界合作的一些項目中了解到一些實施案例的情況，其成效主要體現在三個方面：“減少學習時間”“縮小成績和學習參與度的差距”，以及“提高考試及格率”。第二部分以一個圖表收尾，分别從領域模型、學習者模型和自适應模型三個角度歸納自适應系統對學習者、教育工作者、學習科學研究者和計算機科學家的潛在好處。
雖然研究表明自适應學習能夠産生一些積極學習效果，但是也存在言過其實的宣傳。2013年比爾和梅琳達·蓋茨基金會啟動“自适應學習市場加速項目”，旨在推廣自适應學習的應用，成功中标者包括14家高等教育機構。這是一個大規模項目，共有23,000名學生參加該項目，基金會委托斯坦福國際研究中心對項目的實施情況進行評估，包括學習結果、成本和滿意度等方面。研究結果喜憂參半。換言之，大衆傳媒或企業對自适應學習的成效有言過其實之嫌。因此，文章第三部分的第二小節重點闡述三個方面的問題：第一，對學生的歧視和标簽化，比如，根據學生在某一門課程上的學習情況給他們貼上“差生”“中等生”或“優等生”标簽是否會産生副作用？标簽化是否會導緻學生“隻能囿于某種學習路徑”？例外情況的學生又該如何處理？再者，不論從何種角度看，算法都不是中立的，這樣就很容易導緻有些學生遭受歧視。第二，自适應學習系統賴以支撐的知識和認識觀單一，從而影響其應用範圍。比如，大多數自适應學習系統都把知識分為描述性和程序性兩種，“認為所有相關知識不僅可以建模，也可以顯性化”，未能處理隐性知識。換言之，它們可能适合某些内容的學習，但對于另外某些内容的學習可能作用适得其反。第三，學生數據的透明性、易得性和安全性同樣是我們必須警惕的問題。
文章最後指出，自适應學習系統所存在的問題或局限不是不可避免的，“而是有意或無意為之的結果”。自适應學習是一種潮流，甚至是一種必然發展趨勢，不管我們喜歡與否，它的存在是一個客觀事實，因此，作者呼籲廣大教育工作者不要排斥它，而是應該積極主動參與自适應學習系統的設計，從而在自适應學習領域發揮應有的影響，幫助其健康發展。
衷心感謝佩特·約翰内斯和拉裡·拉格斯多姆博士對本文的翻譯所給予的積極配合和支持！（肖俊洪）
①©2017AmericanSocietyforEngineeringEducation.ASEEAnnualConferenceandExpositionProceedings,2017,Columbus,OH.
引言
2015年，美國斯坦福大學校長、工程學教授約翰·軒尼詩（JohnHennessy）在美國教育委員會（AmericanCouncilofEducation）發表了一個演講，展望如何通過新技術工具和新教學方法提升高等教育質量的前景。他特别強調可以打造能因人而異調整學習進度、深度和方法的在線和混合式學習材料，給課程注入活力（Hennessy,2015）。其他學者也發表過同樣的意見。譬如美國國家工程學院（NationalAcademyofEngineering）把“個性化和自适應學習”列為其面臨的重大挑戰之一。由來自不同大學、基金會、政府部門、非營利性組織和營利性公司的37名代表組成的“學習分析工作組”提出了一個“終極”目标，即“大規模提供個性化網絡學習，滿足地球上每一個人對任何知識領域的求知欲”（Pea,2014）。Knewton、Acrobatiq、Coursera以及Udacity這些公司或是把自适應學習技術商業化，或是正在使用這種技術。此外，在線高等教育機構也正在其課程中使用這種技術，譬如美國西部州長大學（WesternGovernorsUniversity）。鑒于此，大學的工程學院和教師在不久的将來很可能就要面對如何運用自适應技術和類似的技術提高學習效果的問題。當然，學生和家長可能會提出此類問題，媒體甚至認證機構也可能提出此類問題。
本綜述旨在幫助工程教育的負責人和教師了解什麼是自适應學習系統，這種系統的主要用途以及存在的問題等。
自适應學習溯源
在個體學習者的學習過程中改變其學習體驗，而非全班的學習體驗，這對教育工作者而言既不是一個新目标，也不是不可為之的事情。畢竟，教師向某個學生提供反饋或助教在實驗課上以不同方法幫助每一個學生——這些都不是隻在科幻故事中才可以做到的。現在由于有普适計算能力、大規模用戶群體以及可擴展分析算法，我們能夠基于學習者的輸入而非教師的直覺改變個體學習者的學習體驗，而且是能夠大規模開展的。但是，直至不久前這種事情還隻是天方夜譚。本節将簡要回顧自适應學習在教育研究這個寬廣領域的地位以及現代自适應教育的理論基礎。
1.自适應教育的曆史
如果說教育的“終極”目标是實現教育個性化，那麼目前自适應教育則被認為是達成這個目标的上策。我們可以循着兩個方面探索自适應學習的發展脈絡。一條脈絡可以溯源到20世紀80年代個人電腦的出現以及把電腦作為一種自動化輔導教師（anauto⁃matedformoftutor）或“智能輔導系統”（intelli⁃genttutoringsystem）使用的可能性（Wan,2016）。智能輔導系統是“一種計算機系統，該系統執行教學或學習輔導功能（比如挑選作業、提問、提示、評價學生的回答、反饋、鼓勵反思和提供能激發學生興趣的評語等），并且對學生的認知、動機或情感狀态進行建模，以調整或個性化這些功能”（Nes⁃bit,Liu,Liu,&Adesope,2015）。不難看出，STEM的内容（尤其是計算機科學的内容）被證明非常适合進行這一類的建模。這不僅是因為計算機科學家首先是計算機設計者，也因為他們工作的知識領域把知識分為陳述性知識（概念和事實性知識）和程序性知識（方法和途徑知識），而且這種一分為二的區分能被計算機所識别（Chandrasekaran,Johnson,&Smith,1992;Corbett&Anderson,1994）。與其他一些學科不同的是，如果沒有計算機，計算機程序是很難教授的。計算機編程的關鍵是計算機必須能夠理解編碼。因此，把計算機作為一種學習的媒介和自适應的媒介是符合邏輯、順乎自然發展的結合。
另一條脈絡的曆史不長，得益于教育領域慕課的興起和數據科學領域機器學習方法的發展。從活動的多樣化和學習範圍上看，在線環境是傳統智能輔導系統難以企及的，因此吸引了成千上萬學生在線閱讀材料、完成測試和觀看錄像。早期許多慕課由初創公司運營，因此采集數據以及提供自适應學習在商業層面（而非學術層面）上顯得更加緊迫。文獻顯示，對自适應學習的興趣在某種程度上是因為辍學率居高不下（Halawa,Greene,&Mitchell,2014;Kizilcec,Piech,&Schneider,2013）。辍學率居高不下是因為慕課學習者在某些方面存在不同，比如在學習動機方面，他們的學習方式也不盡相同，比如觀看視頻（Guo,Kim,&Rubin,2014;Lagerstrom,Johanes,&Ponsukcharoen,2015）和浏覽課程（Guo&Reinecke,2014;Kim,Guo,Cai,Li,Gajos,&Miller,2014）的方式。在線學習平台和供應商所面臨的一個巨大挑戰是如何快速分析所有這些點擊流數據，以便提高學習者的參與度、學習效果和堅持學習的信心。為解決這個問題，研究人員轉向研究機器學習方法，包括由智能輔導系統提供不同學習方法（Brusi⁃lovsky,2000），比如貝葉斯網絡（BayesianNet⁃works）。在線學習研究的一個合乎邏輯的發展方向是采用更加新穎的分析方法進行試驗，比如循環神經網絡（RecurrentNeuralNetworks），并檢驗這些新方法在描述和預測在線學習環境下學習表現的準确性（關于貝葉斯網絡和循環神經系統網絡，分别參見Brusilovsky&Millán,2007和Piech,Bassen,Huang,Ganguli,Sahami,Guibas,&Sohl-Dick⁃stein,2015）。
2.自适應教育的科學原理
布魯希洛夫斯基和米蘭（Brusilovsky&Millán,2007）總結了自适應學習領域的研究，尤其是自适應超媒體系統（adaptivehypermediasystems）和自适應教育系統領域有關知識建模和用戶建模的研究。這些系統之所以具有自适應性，是因為它們能夠基于系統采集和處理的數據改變每個用戶在學習系統中的體驗。系統用于決策如何改變個體學習體驗以及改變什麼的數據，即自适應模型（adaptationmod⁃el），來自兩個方面：領域模型（domainmodel）（比如數學、語法等不同知識領域和陳述性、程序性等不同類型的知識）和用戶模型（usermodel）（比如用戶對領域知識模型的了解，與用戶行為有關的特點和個性）。在自适應教育系統中，因為被建模的領域是一個知識領域，該模型通常被稱為知識模型。此外，由于用戶是學生，用戶模型通常被稱為學生模型。自适應系統的開發者或者使用者需要重點考慮的是：建模的對象是什麼、如何建模以及如何維護這些模型。盡管建模的方式多種多樣，但是現在最常用的是疊加建模（overlaymodeling）。疊加建模的核心原則隻有一條：一個領域存在某種基礎模型，某個用戶的模型屬于該基礎模型的子模型。按照這個範式運行自适應系統有雙重目的：一是改變用戶的體驗，使用戶的疊加子模型最終與系統的基礎模型相匹配；二是改變系統的基礎模型，使它更精确地表征某個領域（Brusilovsky&Millán,2007）。
這種建模被稱為不确定性建模（uncertain⁃ty-modeling），即我們不可能100%确定建模的内容。簡而言之，如果一個學習者答對一道多項選擇題，這仍然有可能是學習者猜對答案而已，因此模型不能100%肯定學習者掌握了該道題目涉及的知識。由這個例子進行推論：即使模型積累了要得出學習者掌握某個知識點的結論所需的足夠證據，如果考慮到遺忘或出錯的可能性，學習者掌握相關知識的概率可能隻是99%，而不是100%（Baker,Corbett,&Aleven,2008;Corbett&Anderson,1994）。由于存在不确定性，大多數模型本質上帶有概率性，最受歡迎的概率模型是貝葉斯網絡。貝葉斯網絡使用的知識模型由與證據要素（比如反饋、行為、正确性等）關聯的個人知識成分（比如概念、程序、規則等）組成。每一個關聯都具備一定權重，顯示相關證據與掌握某個知識成分存在多大程度的關聯以及需要多大程度上掌握某個知識成分才有可能出現這個證據。當用戶與系統交互時，系統會在每次交互之後更新用戶的知識狀态（這個概率是基于用戶的輸入，直到用戶了解某個知識成分為止），顯示何種活動可以進一步證明用戶處于某一特定的知識狀态。在學習者完成一系列練習、活動或者測評（而不是修完整門課程）之後更新學習者處于某種知識狀态的概率，這種方法被稱為知識跟蹤（knowledgetracing）（Corbett&An⁃derson,1994）。
除了對用戶知識狀态建模外，自适應系統的設計者也對諸如用戶目标、興趣、解決問題策略、情感狀态以及社會心理狀況的建模感興趣（Brusilovsky&Millán,2007）。當然，要注意處理好模型概念的完整性和模型的計算效率之間的平衡，但是我們的最大願望是将來有一天這些系統能處理任何特定用戶的大量複雜交互行為，并以精确的個性化方式改變用戶的體驗。
自适應學習的前景
更加個性化的教學對大班授課尤其有益，因為在大班教學中師生交互經常受到諸多限制。本傑明·布魯姆在其被廣為引用的研究“2西格瑪問題：尋找與一對一同樣有效的集體授課方法”中比較了單獨輔導與正常課堂教學的效果，結果發現單獨輔導的效果更優，效應量為2。也就是說，接受單獨輔導的學生的平均成績比正常課堂教學的學生高兩個标準差（或者換個說法，單獨輔導的學生的平均成績位于課堂教學學生平均成績的第98個百分等級位置上）（Bloom,1984）。後來，範冷在一篇元分析的文章中提出質疑，認為教學效果的差距更接近一個标準差，不是兩個（VanLehn,2011）。雖然這兩項研究的結果不同，但是，這并沒有改變一個重要的問題，即能否複制優質單獨輔導的效果或甚至是取得更好效果以使更多學生受益？
1.自适應學習的現狀學術
出版物和大衆傳媒經常提到各種具有破壞性的自适應學習公司并詳細報道美國公立學校校區開展自适應學習的情況，因此研究能否大規模複制單獨輔導的效果成為目前學術界主流所關注的問題（Bur⁃rows,2016;Riddell,2013;Wan,2016）。與之相應的是，也有研究人員試圖驗證自适應學習是否如一些近年新建的公司所期待的那樣帶來利潤，比如Acro⁃batiq（成立于2013年）、Knewton（成立于2008年）、CogBooks（成立于2006年）、Cerego（成立于2000年）、Realizeit（成立于2007年）、Loud⁃Cloud（成立于2010年）以及SmartSparrow（成立于2010年）。這些公司提供的服務包括：整套現成的課程、大衆化科目的補充材料（尤其是在語言和STEM領域的入門内容和基礎知識）、教師和課程設計者編輯課程的平台以及幫助大學或其院系開發基于自适應學習的課程。至少有三篇綜述文章涉及對這一類服務提供商進行調查的研究（Brown,2015;Bry⁃ant,Newman,Fleming,&Srkisian,2016;EdSurgeInc.,2016）。教育出版商或是通過與自适應學習公司合作（比如Pearson和Knewton的合作），或是購買一家自适應學習公司（比如McGraw-Hill購買ALEKS，Barnes&Noble購買LoudCloud）進軍這個市場。大部分學習管理系統的供應商（譬如Black⁃board、Canvas、D2L和Moodle）或者自行開發自适應學習内容，或者通過設置允許第三方服務使用這些學習管理系統，或者兩者兼而有之。總而言之，企業、出版商以及後台系統供應商都在把自己的收入和客戶滿意度押在自适應學習上。
在這方面，大學并未落後。事實上，榜上有名的好幾家公司都來自大學開展自适應學習的項目和其屬下的研究機構。譬如創立于2013年的Acrobatiq可以溯源于2002年卡耐基梅隆大學（CarnegieMel⁃lonUniversity）發起的開放學習計劃（OpenLearn⁃ingInitiative），而創立于2010年的SmartSparrow則歸功于2007年始于新南威爾士大學（UniversityofNewSouthWales）工程學院的研究工作。許多在線學習平台目前正在開發慕課而且越來越多在提供自适應學習，比如Coursera、Udacity以及OpenEdEx，它們都源自大學，其目前所使用的算法也源自大學。譬如，蒙大拿州立大學（MontanaStateUniversity）正在進行一項曆時數年的項目，要把自适應學習運用到其數字邏輯課程中（LaMeres,2015）。大學還投資開發用于“高危”學生預警系統的學生預測模型。這些模型有助于設計和實施自适應幹預措施，從而降低不及格率和辍學率。普渡大學（PurdueUniversity）的CourseSignals系統也許最為出名，但是密歇根大學（UniversityofMichi⁃gan）、阿拉巴馬大學（UniversityofAlabama）、北亞利桑那大學（NorthernArizonaUniversity）、佐治亞州立大學（GeorgiaStateUniversity）、特拉華州立大學(DelawareStateUniversity)和鳳凰城大學（UniversityofPhoenix）也在使用或開發類似系統（Arnold&Pistilli,2012;Ekowo&Palmer,2016;Lonn,Krumm,Waddington,&Teasley,2012;Nunn,Avella,Kanai,&Kebritchi,2016）。
2.自适應學習的作用
但是，自适應學習領域商業化程度如此之高，以至于産生了很多附帶影響，其中之一就是許多算法、結果和數據都是獨家專有的，除非某家公司選擇通過研究報告或者更為常見的白皮書或者新聞發布會的形式公布研究成果。如果企業和學術界不能找到糾正這種局面的辦法，這很可能會阻礙自适應學習的發展。所幸商界和學術界的一些合作使我們能夠了解不同的學習效果和一些成功開展自适應學習的案例。範冷的元分析有助于我們了解這些合作的目的，該文的結論是智能輔導系統“在STEM科目學習中的作用與傳統教師進行一對一輔導是一樣的，能有效提高學習效果”（當然，智能輔導系統的設計和使用有一些需要注意的情況）。尤其值得一提的是，範冷發現較之于無人輔導的學習，教師一對一輔導的效應量為0.79，而智能輔導系統的效應量則為0.76，兩者幾乎沒有差别（VanLehn,2011）。下面介紹的是公司和學術界在自适應學習方面的一些合作及其主要研究發現：
減少學習時間：“開放學習計劃”與卡耐基梅隆大學的合作：研究表明，“開放學習計劃”的學生“隻用一半時間參加一半面授課”就能完成‘開放學習計劃’統計學課程的學習，而且“在統計學知識國家标準的CAOS（ComprehensiveAssessmentofOutcomesinStatistics，即統計學學習結果綜合測評）考試及類似考試中的成績優異……這些學生與采用傳統方式學習的學生在一個學期後參加跟蹤測試，二者的成績沒有顯著差異”（Lovett,Meyer,&Thille,2008）。後續的“試驗在六所（公立）機構中随機分配學生參加‘開放學習計劃’統計學課程的混合式教學和傳統面授教學，将二者進行比較之後發現，混合模式學生的成績與傳統模式學生的成績相當或優于後者，并且在效果相同的情況下學習時間減少25%”（Bowen,Chingos,Lack,&Nygren,2014）。
縮小成績和學習參與度的差距：①“開放學習計劃”與卡内基梅隆大學的合作：有一項研究調查社區大學開設的“開放學習計劃”心理學、解剖與生理學、生物學以及統計學課程的學習情況，研究發現，“教師使用‘開放學習計劃’課程和他們在這方面的經驗與學生取得更高分數相關，鑒于某些種族的學生學習成績欠佳，這也許有助于消除這種現象”（Kaufman,Ryan,Thille,&Bier,2013）。②Re⁃alizeit與中佛羅裡達大學（UniversityofCentralFlor⁃ida）的合作：Realizeit開發了一套自适應學習系統，用在中佛羅裡達大學的心理學、護理學以及代數課程上。結果表明，學生學習表現有适度提高，學生滿意度非常高。83%的學生表示這個系統有助于他們更好地學習（Howlin,2015）。
提高考試及格率：①SmartSparrow與澳大利亞大學的合作：它們開發了自适應輔導促進力學入門課程的教學。使用第一年，考試不及格率從31%下降到19%。通過調整課程，不及格率連續兩年下降到10%以下。研究者還觀察到學生在第三學年學習力學工程課程時，學習成績也得到提高。如今澳大利亞好幾所大學都在力學入門課程中使用這些自适應輔導（Prusty&Russell,2011）。②Realizeit與科羅拉多技術大學（ColoradoTechnicalUniversi⁃ty）的合作：科羅拉多技術大學使用Realizeit開發的一套系統，據稱能夠将入門層次在線課程的及格率和鞏固率提高約5-10%或以上。一門代數課程的不及格率由30%下降到18%。他們在三角學和微積分前修課程的混合式教學模式中使用這個系統，學生線上和課堂上的活動各占50%。三角學的及格率從78%上升到98%，微積分前修課的及格率從66%提高到98%。他們成功的關鍵之一是采取審慎的逐步推廣方式：第一年有三門課程采用該系統，第二年發展到16門課程，第三年是25門，第四年達到63門（Daines,Troka,&Santi⁃agoJr.,2016）。③Knewton與亞利桑那州立大學（Ari⁃zonaStateUniversity）的合作：亞利桑那州立大學的數學入門課程使用Knewton開發的自适應學習技術，及格率提高18%，退學率下降47%（Bryant,Newman,&Stokes,2013）。
以上所述旨在說明，當大學與商業公司合作時，這些系統能給學習帶來的好處。科比特和安德森（Corbett&Anderson）有關知識跟蹤領域的論文影響深遠，迄今為止，上述這些研究的結果都與他們在論文中所概括的結果以及潛能一緻。即使我們沒有深入了解這些研究以及其他許多研究的結果，我們也能看到自适應學習系統給教育帶來的影響。圖1概括了自适應學習對主要利益相關者的潛在好處。
自适應學習的誤區
鑒于自适應學習的實證研究結果（包括來自課堂教學和自适應學習系統的研究結果）以及人們普遍認為自适應學習在教育領域有積極的應用前景，自适應學習經常被吹得天花亂墜。但是，自适應學習有一些誤區（包括一些可能存在的誤區），有自身的局限和（或）值得我們警惕的問題，我們不能忽視這些問題。
1.“自适應學習市場加速項目”研究：停止炒作、回歸理性
由于自适應學習的研究結果令人鼓舞，加上傳媒的大肆炒作，2013年比爾和梅琳達·蓋茨基金（BillandMelindaGatesFoundation）啟動“自适應學習市場加速項目”（AdaptiveLearningMarketAc⁃celerationProgram，簡稱ALMAP）并公開征集研究計劃，旨在進一步推廣自适應學習的應用（SRIIn⁃ternational,n.d.）。成功中标者中有14家高等教育機構，涵蓋20多門課程和一系列自适應學習産品，涉及基礎數學、代數、英語語言藝術、商業、營銷、經濟學、心理學以及生物學等學科。銷售商或者課件供應商包括Pearson/Knewton、Cerego、SmartSpar⁃row、CogBooks、AdaptCourseware、LearnSmart/Connect、AssessmentandLearninginKnowledgeSpaces（ALEKS）以及OpenLearningInitiative（開放學習計劃）。這些課程在教學方法上做了一些改變。2013-2015年間，23,000多名學生參加了課程學習以及相關的學習，其中大約10,000名使用自适應學習課件（其他學生參加控制組或者課程對照組的學習）。低收入家庭的學生占學生總數的40%。斯坦福國際研究中心（SRIInternational）受聘評估各種實施情況，并報告“學習結果、成本和滿意度等的研究發現”（SRIInternational,n.d.）。研究結果顯然喜憂參半（Yarnall,Means,&Wetzel,2016）：
課程學習效果：15門課程中有4門分數略有提高，但是大部分課程“沒有明顯效果”（不管采用哪一種測評方法，并非所有課程都能提供足夠數據或者有恰當的研究設計确保其結論具有統計學上的意義）。另一方面，有7門課程能夠“對應比較相同學習測評的分數”，結果顯示它們的差别“不是很大”，但“具有顯著積極意義”。從傳統講授式改為自适應學習模式的課程的效果最好。
課程完成情況：就課程完成率而言，自适應課件不具備任何可測量的效果。16門課程中，僅有兩門的完成率上升。一些先前的研究顯示低收入家庭的學生似乎在在線學習或者混合式學習環境中表現欠佳（SRIInternational,n.d.）。然而，“自适應學習市場加速項目”的相關研究顯示他們的表現與其他學生無異。
教師滿意度：教師的看法和滿意度不一。整體而言，74%的教師對該項目非常滿意，尤其喜歡用于跟蹤學生進步的實時儀表盤。但是，基礎性（補習）課程的教師和通識教育入門課程的教師的意見有分歧：67%的基礎性課程教師計劃将來使用自适應課件，相比之下，僅有49%的通識教育課程教師有此打算。在所有這些課程中，非常值得注意的一點是隻要讓學生充分使用自适應學習課件，便能從中受益。如果僅僅将自适應學習課件視為時髦的在線教科書或者額外的教學材料和練習，而不是課程的核心内容，學生可能像對待其他教科書一樣漫不經心。
學生滿意度：學生的看法和滿意度因學生類型和課程類型而異。兩年制社區學院學生比四年制大學學生更加贊成使用自适應學習課件。77%的兩年制學生表示課件有助于他們的學習，然而僅有51%的四年制學生持這種觀點。此外，兩年制學生中56%總體上感到滿意，而四年制學生隻有33%感到滿意。90%以上的基礎性課程學生認為自己的學習有進步，60%認為他們使用自适應課程材料時學習更加投入。但是僅有25%通識教育入門課程學生有同感，而且僅有33%認為學習效果好。
不出所料，自适應學習實施之初成本較高，主要因為教師工作量增加了。但是經過第一輪使用之後，有充分數據顯示10門課程中有7門成本降低了。
“自适應學習市場加速項目”研究的最重要結論是：如何實施自适應學習以及實施的質量至關重要。同一款自适應學習産品因實施情況不同可能略有不同的積極效果，因此強烈建議“計劃大規模使用自适應學習課件的機構應該對學生使用自适應課件與其他學習方式的學習效果進行内部分析”（Yarnall,Means,&Wetzel,2016）；應嘗試更精确地分析學習效果，而不僅僅是看課程分數和完成率；比較不同學生和不同課程的結果時，必須注意比較的基準要相等，“因為影響學習結果的因素多種多樣，要充分了解學生的學習結果，相關分析必須結合學生的特點（包括先前知識和技能）、自适應課程的詳細使用情況、除了課件外課程其他方面内容以及學習的測評方法”（Yar⁃nall,Means,&Wetzel,2016）。同時，為了營造高效學習環境，激發學生學習課程材料的積極性，必須向學生清楚地解釋為什麼要使用自适應課件以及有何預期效果。
2.自适應性學習的誤區
正如“自适應學習市場加速項目”相關研究所示，并非所有的自适應學習都能獲得好結果，從技術到哲學層面看也有其他一些問題和值得關注的地方，下文拟重點闡述其三。
對學生的歧視和标簽化所引發的反饋環：假定某條算法基于學生在某一個科目的表現将他們分為差生、中等生或優等生，如此分類會導緻發生什麼情況呢？學生是否因此隻能囿于某種學習路徑？果真如此的話，誰将處理邊緣或異常個案？不論是從種族、政治還是其他方面看，任何一種算法都不是中立的，因為算法由人所設計，而設計者很可能帶有偏見而且自己還可能對此毫無察覺。雖然這似乎是一個假設性或者抽象的觀點，但其實并非如此。凱絲·奧尼爾（CathyO’Neil）在其著作《數學殺傷性武器》中闡述算法設計正在破壞經濟和政治平等的各種情況（O’Neil,2016）。她認為核心問題是“我們是否已經消除人類偏見或者隻是用技術掩蓋偏見”（O’Neil,2016,p.23）。“掩蓋”并不隻是一種表達方式，因為她所讨論的具有危害性的算法是“有意為之的神秘黑匣子”（O’Neil,2016,p.28）。她用了整整一章的篇幅讨論《美國新聞》（U.S.News）的美國大學排名機制，指出它所采用的評價指标導緻其評價機制很容易被玩弄。這種可能性又催生了一個旨在向大學提供顧問咨詢服務以幫助它們提升名次的行業，這種行業進一步鞏固那些有較高社會經濟地位的學生（通常來自城市上層白人家庭）的特權。因此，即使模型本身可能并不是産生歧視的主要工具，但它顯然可以為産生歧視提供一定的條件，這一點非常明顯。正如奧尼爾所解釋的那樣，我們希望建模的原因之一是為了能夠根據模型的測量數據創設現實世界的反饋環。有些歧視可能很明顯，但是并非所有都如此，除非我們保持警覺，否則我們可能陷入這樣的反饋環，即從時間和成本上講，學習的效率越來越高，但是從公民原則和誠信而言卻并非如此（O’Neil,2016）。
對知識、認識和學習的嚴格限制：智能輔導系統和自适應學習系統可以被視為基于知識的系統（knowledge-basedsystems），因為它們結合學生的知識水平對一個知識系統進行建模，然後向他們推薦一條知識建構線路（Chandrasekaran,Johnson,&Smith,1992;Corbett&Anderson,1994）。這些任務屬于知識和認識領域，即認識論範疇。但是到目前為止，這些系統大多數遵循基于思維的适應性特征（ACT-R）理論的認識論觀點（Anderson,1996）。該理論認為人類認知由兩部分組成：一方面是将環境中的對象編碼成知識單位（通過知識組塊），另一方面，對環境中發生的變化進行編碼（通過産生式規則）。這就意味着如今我們使用的大部分系統都認為知識是以描述性和程序性兩種方式存在。系統認為所有相關知識不僅可以建模，也可以顯性化（Ander⁃son,1996）。但是，認識論模式并非隻有這些，長期以來，學界一直在争論隐性知識對學習的必要性，這表明我們不能忽視這些系統沒有考慮隐性知識這個問題（Collins,2010;Polanyi,2009）。如果過度使用這些系統，将其應用到不适合它們發揮作用的地方，我們實際上是在開始将各種知識領域局限在這些系統賴以支撐的那些認識論上，那麼這時會發生什麼情況呢？如果我們不了解其他的認識論知識建構觀，而是将這些系統與某種知識和認識觀綁定在一起，然而長遠看這種知識和認識觀對學習某個學科或者某些學科的作用卻适得其反，那麼又會發生什麼情況呢？自适應學習系統的認識論基礎非常狹隘，因此它們可能正在失去教育和科研上的某些優勢（Johanes,2017）。
數據的透明性、易得性和安全性：自适應學習系統的使用涉及一個根本問題，即誰擁有系統産生的數據？學生輸入産生的數據不僅可用于評定成績、測評和頒發證書，而且也可能被洩露、被搜索到和被兜售。數據的安全性有多大？學生、教師和大學在多大程度上可以（或應該）獲得這些數據？更重要的是，在線學習提供商可能正在采集用戶的數據，而用戶甚至不知道這些數據的存在，比如鍵盤敲擊的節奏（甚至可用于學習環境之外的用戶身份識别）。雖然這看起來似乎無甚危害，但是平台能夠從我們産生的數據中了解我們情況的程度可能會使我們感到不安，比如在線學習平台現在開始使用更加多樣化、更加複雜的數據采集方案，旨在了解用戶的情感和社會心理方面的情況。
我們并非暗示這些誤區是固有的、不可改變的，甚至導緻自适應學習的失敗，但這些問題非常突出，必須引起我們的警惕，因為哪怕這些系統有服務學生的良好初衷，但是它們也可能造成事與願違的後果。通過指出上面三個方面的問題，我們希望鼓勵工程教育領域自适應學習系統的研發要以相關研究成果為基礎且體現包容性，而不是想當然、“自我禁锢”。
結論
本文旨在簡要介紹什麼是自适應學習、為什麼需要自适應學習、為什麼不需要自适應學習以及如何開展自适應學習，以便教師和管理人員能更好地斟酌、使用和評估自适應學習系統。表1基于實證證據和相關理論歸納目前自适應學習的主要發展前景和存在問題。由于自适應學習在商界和學術界發展迅速，其繼續存在是不容置疑的。因此對大多數教育工作者而言，問題不在于我們是否願意采用自适應學習，而是我們是否願意适應它。正如我們在上文闡述自适應學習的誤區時所指出的，自适應學習系統的任何局限和不足并非其本身所固有的，而是有意或無意為之的結果。作為教育工作者和研究者，我們越是參與自适應學習系統的設計，而不是反對使用這些系統，我們越能影響其發展并提供進一步改進的意見。自适應學習系統并非靈丹妙藥，也非“瘟疫”，但是它們可以大有作為。現在我們有機會讓它們首先在教育領域有所作為。高等教育機構在這方面具有獨一無二的優勢，因為我們往往能夠把一所高校的教育工作者、學習科學研究者和計算機科學家召集在一起，組織他們開展協作（至少大型教育機構能夠做到這一點）。如果我們有意識地創建适合使用自适應學習系統促進學生學習的學習環境，我們便能夠重新定義教學、研究和學習。自适應學習系統是促進這些具有深遠影響的協作的催化劑。參考文獻
Anderson,J.R.(1996).ACT:Asimpletheoryofcomplexcognition.AmericanPsychologist,51(4),355-365.
Anderson,J.R.,Corbett,A.T.,Koedinger,K.R.,&Pelletier,R.(1995).Cognitivetutors:Lessonslearned.Thejournalofthelearningsciences,4(2):167-207.
Arnold,K.E.,&Pistilli,M.D.(2012).CoursesignalsatPurdue:Usinglearninganalyticstoincreasestudentsuccess.InProceedingsofthe2ndinternationalconferenceonlearninganalyticsandknowledge,267-270.RetrievedFebruary13,2017fromhttp://dl.acm.org/citation.cfm?id=2330666
Baker,R.S.J.,Corbett,A.T.,&Aleven,V.(2008).Moreaccuratestu⁃dentmodelingthroughcontextualestimationofslipandguessproba⁃bilitiesinbayesianknowledgetracing.InInternationalConferenceonIntelligentTutoringSystems,406–415.RetrievedFebruary12,2017fromhttp://link.springer/chapter/10.1007/978-3-54069132-7_44
Bloom,B.S.(1984).The2sigmaproblem:Thesearchformethodsofgroupinstructionaseffectiveasone-to-onetutoring.Educationalre⁃searcher,13(6):4-16.
Bowen,W.G.,Chingos,M.M.,Lack,K.A.,&Nygren,T.I.(2014).In⁃teractiveLearningOnlineatPublicUniversities:EvidencefromaSix-CampusRandomizedTrial:InteractiveLearningOnlineatPublicUniversities.JournalofPolicyAnalysisandManagement,33(1),94-111.
Brown,J.(2015).PersonalizingPost-SecondaryEducation:AnOverviewofAdaptiveLearningSolutionsforHigherEducation.IthakaS+R.Re⁃trievedfromhttp://www.sr.ithaka.org/publications/personalizingpost-secondary-education/
Brusilovsky,P.(2000).Adaptivehypermedia:Fromintelligenttutoringsystemstowebbasededucation.InInternationalConferenceonIntelli⁃gentTutoringSystems,1-7.RetrievedFebruary12,2017fromhttp://link.springer/chapter/10.1007/3-540-45108-0_1
Brusilovsky,P.,&Millán,E.(2007).Usermodelsforadaptivehyperme⁃diaandadaptiveeducationalsystems.InTheadaptiveweb,3–53.RetrievedFebruary12,2017fromhttp://dl.acm.org/citation.cfm?id=1768199
Bryant,G.,Newman,A.,Fleming,B.,&Srkisian,L.(2016).LearningtoAdapt:TheEvolutionofAdaptiveLearninginHigherEducation.TytonPartners.Retrievedfromhttp://tytonpartners/library/learningto-adapt-2-0-the-evolution-of-adaptive-learning-inhigher-educa⁃tion/
Bryant,G.,Newman,A.,&Stokes,P.(2013).LearningtoAdapt:ACaseforAcceleratingAdaptiveLearninginHigherEducation.TytonPart⁃ners.Retrievedfromhttp://tytonpartners/library/accelerat⁃ing-adaptive-learning-in-higher-education/Burrows,P.(2016).
Adaptivelearning:Canindustry’smostprovocativesoftwaremakeadifferenceintheclassroom?EdSurge.RetrievedDe⁃cember5,2016fromhttps://www.edsurge/research/special-re⁃ports/adaptive-learning/
Chandrasekaran,B.,Johnson,T.R.,&Smith,J.W.(1992).Task-struc⁃tureanalysisforknowledgemodeling.CommunicationsoftheACM,35(9):124-137.
Collins,H.(2010).Tacitandexplicitknowledge.UniversityofChicagoPress.
Corbett,A.T.,&Anderson,J.R.(1994).Knowledgetracing:Modelingtheacquisitionofproceduralknowledge.Usermodelingandus⁃er-adaptedinteraction,4(4):253-278.
Daines,J.B.,Troka,T.,&SantiagoJr.,J.M.(2016).ImprovingPerfor⁃manceinTrigonometryandPre-CalculusbyIncorporatingAdaptiveLearningTechnologyintoBlendedModelsonCampus.Retrievedfromhttps://www.asee.org/public/conferences/64/papers/15905/view
Ekowo,M.,&Palmer,R.(2016).ThePromiseandPerilofPredictiveAn⁃alyticsinHigherEducation:ALandscapeAnalysis.NewAmerica.
Guo,P.J.,Kim,J.,&Rubin,R.(2014).Howvideoproductionaffectsstudentengagement:anempiricalstudyofMOOCvideos.41–50.Re⁃trievedfromhttp://up.csail.mit.edu/other-pubs/las2014-pguo-en⁃gagement.pdf
Guo,P.J.,&Reinecke,K.(2014).Demographicdifferencesinhowstu⁃dentsnavigatethroughMOOCs.21–30.Retrievedfromhttps://learn⁃ingatscale.acm.org/las2014/talks/paper_philip_guo1.pdf
Halawa,S.,Greene,D.,&Mitchell,J.(2014).DropoutpredictioninMOOCsusinglearneractivityfeatures.ExperiencesandbestpracticesinandaroundMOOCs7.
Hennessy,J.L.(2015).InformationTechnologyandtheFutureofTeach⁃ingandLearning.Retrievedfromhttps://www.youtube/watch?v=QLLMLG-jqxc
Howlin,C.(2015).Realizeit:SystemOverview.Realizeit.
Johanes,P.(2017).Epistemiccognition:Apromisingandnecessarycon⁃structforenrichinglarge-scaleonlinelearninganalysis.InProceed⁃ingsoftheFourthACMConferenceonLearningatScale,L@S2017.https://doi.org/http://dx.doi.org/10.1145/3051457.3051462
Kaufman,J.,Ryan,S.,Thille,C.,&Bier,N.(2013).OpenLearningIni⁃tiativeCoursesinCommunityColleges:EvidenceonUseandEffective⁃ness.OpenLearningInitiative.CarnegieMellonUniversity.Retrievedfromhttp://www.hewlett.org/library/open-learning-initiative-cours⁃es-in-community-collegesevidence-on-use-and-effectiveness/
Kim,J.,Guo,P.J.,Cai,C.J.,Li,S.,Gajos,K.Z.,&Miller,R.C.(2014).Data-driveninteractiontechniquesforimprovingnavigationofeducationalvideos.563–572.Retrievedfromhttps://dash.harvard.edu/bitstream/handle/1/30856888/21104053.pdf?sequence=1
Kizilcec,R.F.,Piech,C.,&Schneider,E.(2013).Deconstructingdisen⁃gagement:analyzinglearnersubpopulationsinmassiveopenonlinecourses.InProceedingsofthethirdinternationalconferenceonlearn⁃inganalyticsandknowledge,170–179.RetrievedFebruary1,2016fromhttp://dl.acm.org/citation.cfm?id=2460330
Lagerstrom,L.,Johanes,P.,&Ponsukcharoen,M.(2015).TheMythoftheSixMinuteRule:StudentEngagementwithOnlineVideos.age26:1.
LaMeres,B.J.(2015).DeployingAdaptiveLearningEnvironmentstoOvercomeBackgroundDeficienciesandFacilitateMasteryofComput⁃erEngineeringContent.Retrievedfromhttp://www.montana.edu/bla⁃meres/vitae/publications/d_conference_full/conf_full_027_adap⁃tive_learning_to_overcome_background_deficiencies.pdf
Lonn,S.,Krumm,A.S.,Waddington,R.,J.,&Teasley,S.D.(2012).Bridgingthegapfromknowledgetoaction:Puttinganalyticsinthehandsofacademicadvisors.InProceedingsofthe2ndInternationalConferenceonLearningAnalyticsandKnowledge,184-187.Re⁃trievedFebruary13,2017fromhttp://dl.acm.org/citation.cfm?id=2330647
Lovett,M.,Meyer,O.,&Thille,C.(2008).JIME-Theopenlearningini⁃tiative:MeasuringtheeffectivenessoftheOLIstatisticscourseinac⁃celeratingstudentlearning.JournalofInteractiveMediainEducation2008,1.RetrievedFebruary12,2017fromhttp://jime.open.ac.uk/arti⁃cle/view/142/jime-2008-14.pdf
Nesbit,J.C.,Liu,A.,Liu,Q.&Adesope,O.O.(2015).WorkinProg⁃ress:IntelligentTutoringSystemsinComputerScienceandSoftwareEngineeringEducation.InProc.122ndAm.Soc.Eng.EducationAnn.Conf.RetrievedFebruary12,2017fromhttps://www.asee.org/file_server/papers/attachment/file/0005/4286/ITS_in_CS_and_SE_Education.pdf
Nunn,S.,Avella,J.T.,Kanai,T.,&Kebritchi,M.(2016).Learningana⁃lyticsmethods,benefits,andchallengesinhighereducation:Asys⁃tematicliteraturereview.OnlineLearning20,2.RetrievedFebruary12,2017fromhttp://olj.onlinelearningconsortium.org/index.php/olj/ar⁃ticle/view/790
O’Neil,C.(2016).WeaponsofMathDestruction:Howbigdataincreasesinequalityandthreatensdemocracy.CrownPublishingGroup,NewYork,NY.
Pea,R.(2014).Thelearninganalyticsworkgroup:Areportonbuildingthefieldoflearninganalyticsforpersonalizedlearningatscale.Re⁃trievedfromhttps://ed.stanford.edu/sites/default/files/law_report_com⁃plete_09-02-2014.pdf
Piech,C.,Bassen,J.,Huang,J.,Ganguli,S.,Sahami,M.,Guibas,L.J.,&Sohl-Dickstein,J.(2015).Deepknowledgetracing.InAdvancesinNeuralInformationProcessingSystems,505-513.RetrievedOctober24,2016fromhttp://papers.nips/paper/5654-deep-knowledgetracing
Polanyi,M.(2009).Thetacitdimension.UniversityofChicagoPress.
Prusty,B.C.,&Russell,C.(2011).Engagingstudentsinlearningthresholdconceptsinengineeringmechanics:adaptiveeLearningtu⁃torials.In17thInternationalConferenceonEngineeringEducation(ICEE).RetrievedFebruary12,2017fromhttp://www.ineer.org/Events/ICEE2011/papers/icee2011_submission_250.pdf
Riddell,R.(2013).Adaptivelearning:Thebestapproacheswe’veseensofar.EducationDive.RetrievedDecember14,2016fromhttp://www.ed⁃ucationdive/news/adaptivelearning-the-best-approaches-weve-seen-so-far/187875/
Tang,Y.,Jahan,K.,&Bielefeldt,T.(2015).TheEffectivenessofanAdaptiveSeriousGameforDigitalLogicDesign.Retrievedfromhttps://pdfs.semanticscholar.org/e7d5/7fe126b633164a9882dbf6a8f3b9a3712f40.pdf
VanLehn,K.(2011).TheRelativeEffectivenessofHumanTutoring,In⁃telligentTutoringSystems,andOtherTutoringSystems.EducationalPsychologist46(4):197-221.https://doi.org/10.1080/00461520.2011.611369
Wan,T.(2016).AdaptiveLearning’sPotentialandPitfalls.EdSurge.RetrievedDecember5,2016fromhttps://www.edsurge/news/2016-02-08-adaptive-learning-s-potential-andpitfalls
Woolf,B.P.(2010).Buildingintelligentinteractivetutors:Student-cen⁃teredstrategiesforrevolutionizinge-learning.MorganKaufmann.
EdSurgeInc.(2016).DecodingAdaptive.London:Pearson.Retrievedfrom:https://www.pearson/about-pearson/what-we-do/innova⁃tion/smarter-digital-tools/adaptive-learning.html
Yarnall,L.,Means,B.,&Wetzel,T.(2016).Lessonslearnedfromearlyimplementationsofadaptivecourseware.SRIInternational.Retrievedfromhttps://www.heartland.org/publications-resources/publications/lessons-learned-from-early-implementations-of-adaptive-course⁃ware
SRIInternational.(n.d.).AdaptiveLearningMarketAccelerationPro⁃gram(ALMAP)Evaluation.Retrievedfromhttps://www.sri/work/projects/adaptive-learning-market-accelerationprogram
收稿日期：2018－03－27
定稿日期：2018－04－23
作者簡介：佩特·約翰内斯（PetrJohanes），斯坦福大學教育研究生院博士生，研究興趣：工程教育、在線學習以及認識的認知（epistemiccognition）在學習中的作用。拉裡·拉格斯多姆（LarryLagerstrom）博士，斯坦福大學暑期班項目總監、副院長，曾任該校工程學院在線學習總監。
譯者簡介：張永勝，汕頭廣播電視大學副教授（515041）。
審校者簡介：肖俊洪，汕頭廣播電視大學教授，DistanceEducation(Taylor&Francis)期刊副主編，System:AnInternationalJournalofEducationalTechnologyandAppliedLinguistics(Elsevier)期刊編委（515041）。https://orcid.org/0000-0002-5316-2957
責任編輯郝丹韓世梅
編校韓世梅