以认知建模为支架适应性学习系统构建.docVIP

以认知建模为支架的适应性学习系统构建 　　[摘 要] 本文在分析了现有适应性学习系统的基础上，发现其存在学习过程的跟踪表面化和简单化、缺乏适合学习者认知过程的动态适应性、未能体现学习者的主观参与等问题，提出以认知建模为支架的适应性学习系统的设计思想，将动态适应性和学习者特征模型作为两个主要特征进行系统模型构建，重点阐述了系统动态适应性的实现和基于认知模型的学习者特征模型构建的方法。 　　[关键词] 认知建模； 适应性学习系统； 学习轨迹； 认知结构 　　 [中图分类号] G434[文献标识码] A 　　[作者简介] 李文宏（1972―），男，陕西西安人。讲师，主要从事网络教育研究。E-mail：whli@。 　　 　　万维网使大范围、异构和分布式网络环境中学习者借助技术提高学习效率成为可能，网络联结个性化学习技术工具而形成的各种适应性学习系统，满足个人学习风格和学习偏好，具有根本改变传统学习模式的潜力。网络系统虽然为个人和群体学习提供了信息管理通道，但无法做到面授教育对学生行为模型化的及时性和准确性。在面授情境下，师生共处于同一物理空间，便于教师和学生认知空间的“融合”，对于学生的思维过程，通过对其行为模型化，便于及时了解某一特定时间某一特定个体对概念学习的效果。网络学习是自主、非实时的，师生认知空间分离，其中通讯技术和社会性软件仅能起到网络学习的中介支持作用，适应性学习系统缺乏及时记录学习者思维过程的工具。 　　一、当前适应性学习系统的困境 　　我们所讨论的网络学习环境中的适应性学习，意味着机器（计算机系统、学习环境等）能够自动地调整自身的行为以满足不同学习者的需要和偏好。最简单的表现形式是用户定制，用户能够调整个体特征的系统设置，系统响应这种变化。而真正意义上的适应性学习的发生，是基于系统使用获取的学习者特征信息，参与到给学习者提供其所需的过程中，不仅仅是记住一些设置属性，比如字体、颜色、背景图片等，而是真正适应学习者的需要提供相应的适应性服务。 　　对于现有的适应性服务系统，我们应该分析和整合其真正适应学习者需求的功能，改进和弥补不完善的部分。智能导学系统ITS（Intelligent Teaching System）[1]是一种适应性教学系统，伴随着人工智能技术的应用逐步发展起来。其导学模块通常由选择的学习材料、呈现材料的方式和时机构成。呈现知识的人工智能模式使得根据学习者的表现在ITS中产生知识成为可能，而不是根据预先决定的分支规则选择呈现内容。而且ITS能有效地捕获学习和教学的过程，有助于更好地理解涉及学习特殊技能和知识的认知过程。但是，人工智能如何有效支持网络教学，仍然是最具有挑战性的问题。关键在于如何从捕获的学习过程中发掘学生的认知规律，并与呈现知识的人工智能模块相结合，动态适应学习者需求。适应性超媒体和基于Web的适应性教学系统，[2]是适应性教学系统和基于超媒体的系统相结合的产物。基于超媒体的系统允许学习者按照自己的路径进行学习。可是，传统的超媒体学习环境是一个非适应的学习媒介，独立于个人学习者的反应和行为，它们对于所有的学习者提供同样的页面内容和同样的链接。适应性超媒体的目标在于提高超媒体的可用性，给个别用户提供自动的超媒体适应性应用。 　　在所有适应性系统中，对用户的目的、任务、知识、背景和表现建模，用于适应性系统的适应性决策，成为适应性系统的核心组件。研究者普遍认同建模和使用个人轨迹的重要性，但是哪些用户的特征可用和如何用存在分歧。他们在使用用户特征构建适应性学习系统的过程中，出现了一些既定的问题，通过研究发现确实存在，不仅影响着系统的教学效果，而且阻碍着系统的进一步发展。 　　（一）只获取学习者的静态信息，学习过程的跟踪表面化和简单化 　　文[3]中提出在LASSI量表的基础上，以学习意愿度、学习能力度、知识水平度作为依据生成个性样本，但我们可以看出这些数据是预先填写的，虽然系统也考虑了学习过程的智能监视和记录，但仅仅局限于点击的网页、查看资料的时间、搜索的关键字以及测试的结果。文[4]对用户模型的评价进行改进，提出在构建用户模型时要将获取的静态信息和动态更新相结合，用户信息获取显式和隐式相结合。学习者的学习过程是动态变化的，只获取静态信息无法做到准确和全面把握学习者的认知特征。我们不能仅局限在学习者的表面知识，应该将学习者在知识空间中学习的知识对象进行序列化的表示，并对其进行知识挖掘，发现深层次的学习者的认知风格。 　　（二）关注学习者的离线学习效果分析，系统构建适合学习者认知过程的动态适应性 　　文[5]中建构了CS-LS模型，采用注册填表、在线问卷调查和系统预设进行学习模型初始化，并通过计算机自适应测试来诊断学生的能力水平，进而对学生模型进行动态更新。文[6]中提