学习工程的实现路径与技术工具

浙江大学教育 学 院 唐路靖

学习是一个高度复杂的过程，当代学习研究的基本架构包括学习科学、学习技术与学习工程，科学、技术与工程形成三元耦合结构。学习工程(Learning Engineering) 以满足学习者的特定学习需求为目的，基于真实的学习场景和学习科学理论，利用系统的学习技术对学习行为、学习体验、学习环境等数据进行分析与测评并做出反馈，然后据此帮助教师与学生不断完善学习设计，以提升学习效果。

在具体实践中，学习工程的实现路径主要依靠教育数据挖掘(Educational Data Mining)来获取学习者的相关信息并进行数据分析与测评，通过各种工具化的平台(Platform Instrumentation)来实现学习者与资源的链接并提供互动式个性化教学设计。近些年来，人工智能的发展掀起了人们对AI 导师的探索热情，为学习工程的应用实践增加了新的方向。另外，研究人员常利用A/B 测试工具(A/B testing)来检验学习工程的实施效果，筛选出应用效果良好的方案，淘汰或改善效果较差的方案，促进学习工程应用成果的转化与不断完善。

教育数据挖掘

在当下这个数字科技时代，记录和存储数据的方式越来越数字化，由此产生了大量标准化的学生信息，如学生信息系统中的课程完成率、考试成绩等。另外，学习管理系统还可以便捷地记录学习者在课堂上的学习行为，这些学习行为在传统面对面的课堂上一般很难记录，该过程也形成了大量的教育数据。数字时代的这两大趋势为教育研究者带来丰富的教育大数据，以其多样化的数量、速度和种类，为教育研究者提供了关于学习行为的研究视角。

教育数据挖掘是学习工程在实践中的基本实现路径，研究人员通过测量、收集和分析学习者的学习行为以及学习环境的数据，追踪与监测学习过程，深入了解学习者的学习状态，在学习者有需要时及时提供指导和反馈，保障学习者顺利完成学习任务、取得良好的学习效果。基于教育大数据的学习分析技术在教学、学习和研究中有着广泛应用：首先，它能够帮助教师优化教学设计，制订符合学生兴趣与需求的个性化教学方案；其次，它能够帮助学生进行学习过程的自我监控，实现学习成果的自我评估，并能为特定学生发送学习危机预警并帮助他们化解危机、步入正轨；再者，它还能够帮助教育研究者探索更加科学的学习设计、开发更加先进的工具，以促进学生个性化学习。美国的教育研究人员几十年来一直致力于寻找可与一对一辅导相媲美的有效教学方法，而现在通过教育数据挖掘就可以创造学习者的个性化学习体验，进而实现一对一辅导的目标。丰富的教育大数据还可以帮助政策制定者和政策研究者理解政策运行机制、检验政策实施效果，从而进行政策完善与改进。例如，将行政数据和学习者学习过程数据相结合，可以揭示个人层面的教育不平等状况，为破解教育难题、采取行动提供实证支持。

从技术角度来看，教育数据挖掘技术大致有预测 (Prediction)、结构发现算法(Structure Discovery Algorithms)、 关 系 挖 掘(Relationship Mining)、 可视化(Visualization) 和模型发现(Discovery with Models)等五类。预测是教育数据挖掘的一个重要应用， 常用于预测学生成绩和学习成果，一般通过分类技术和回归等方法来实现。结构发现算法的重点在于发现教育相关的内容与技能的分布结构，分析学习者的社会网 络结构。关系挖掘主要用于数据之间的关联分析，如不同数据集可能存在的相关性、序列性、因果性等。可视化是教育数据挖掘结果的呈现方式，通过形象化的方式将数据之间的复杂关系直观呈现，帮助研究人员提炼研究结果，做出总结判断。模型发现技术在应用中首先需要建立一个可验证的现象模型，然后将该现象模型用于其他分析过程，如进行预测或者关系挖掘等。

此外，还有一些不断更新发展并应用于教育数据挖掘领域的技术，如通过模拟动物神经网络特征而对数据进行分布式存储和并行协调处理的人工神经网络算法(Artificial Neural Network)、通过模拟自然选 择和生物进化过程而搜索最优解的遗传算法(Genetic Algorithm)等。近年来，聚类分析(Clustering) 也受到越来越多的关注，它是将大数据集划分成若干子数据集的过程，子数据集内部元素高度相似，子数据集之间彼此不相似，聚类分析可帮助研究人员有序管理大型数据集，对学习者的学习行为进行针对性强的分析。由此可见，教育数据挖掘在技术上实现了统计学、计算机科学、心理学等多个学科的融合。

在实践层面，学者通常从微观层面(如点击流数据)、中观层面(如文本数据)和宏观层面(如机构数据)三大 层面来研究教育数据挖掘的具体内容和应用价值。在微观层面可直接获取学习者的个人数据，在学习者与其学习环境的互动中自动收集动作间隔为几秒钟的互动数据，这些环境包括智能辅导系统、大规模在线开放课程 (MOOCs)等。通过微观层面的教育数据挖掘，可以了解学生学习活动中的复杂认知技能、元认知和自我调节、情感状态，评估学生的知识水平，对学生档案进行分类并进行教育资源的个性化分配，以加强教学和学习效果。

中观层面的教育大数据包括在各种学习环境中收集的学生过程性的学习作品，如课程作业、论坛在线讨论的发言、智能辅导系统里的互动对话以及社交媒体上的发帖等，这些系统性收集起来的学生作品经过计算机化处理形成数据集。数据集提供了学习者在认知、社会能力以及情感状态发展等方面的原始信息，再借助数据挖掘技术就能够洞察学生的认知过程(如认知功能、知识和技能),社会过程(如话语和协作结构),行为过程 (如学习者参与和脱离),以及情感过程(如情绪、动机)。

宏观层面是指在机构层面收集数据，例如学生的人口统计和入学数据、校园服务数据、课程表和课程注册数据，以及大学专业要求和学位完成数据等。宏观层面 的数据通常是在多年的时间跨度中收集的，它们的更新频率很低，通常每学期只更新一两次。宏观层面教育数据的挖掘在实践中多用于建立课程信息指导系统和学习危机的早期预警系统，帮助学生选择合适的课程、预防“挂科”和辍学等。

教育数据挖掘作为学习工程在教育教学与研究实 践中的基本实现路径，在追踪监测学习者学习行为方面 发挥着重要作用。它为教师、学习者和研究人员提供丰富而精细的信息，建立起关于学习者学习动态的追踪与自我监测系统，有助于实现一对一的精准教学，创造个 性化、自适应的学习体验。

工具化平台

学习工程的另一条重要的实现路径是依靠工具化的教育平台，在教育者和学习者以及各种资源之间搭建起桥梁，注重使用者与平台的互动以提高应用效果。代表性的工具化平台如Flamingo Learning,它整合了资源和教学管理系统筹关键功能，是一个完全在线的、适合移动端操作的教师专业发展系统，能够实时为教育工作者提供精心设计的高质量课程、资源、支持和网络等，并提供实用的问题解决方案，帮助他们发展技能和提高知识水平、促进教学技能提升和专业发展。

其他工具化平台如MATHia、Math Nation、Coursekata 和ALEKS 都提供了资源的链接以及互动的学习环境，以便使用者进行自主学习，取得更优的学习成果。

MATHia是一个同时面向教师与学生的数学学习平台，它结合了认知科学、学习科学、教育学与实际的教学实践，为学生提供易于理解的、概念化的学习内容，以降低数学学习的难度。该平台使用复杂的人工智能技术为初高中学生提供个性化的学习内容和有洞察力的数据。学生通过MATHia 实时的个性化反馈和上下文提示保持高度的学习参与；还可以获得自己的学习数据并自我监测学习进展，得到他们所需的一对一反馈和鼓励。与此同时， MATHia 也能够给教师提供学生学习的实时反馈和评估，使他们能够实时了解学生的学习现状和动态，明确进一步的提升方向。

Math Nation 也是一个互动性的初高中数学学习平台，能够24小时为学习者按需提供大量动态的在线资源，如高质量教学视频、作业本、协作学习工具、适应性评估和学习脚手架等，涵盖了学习者在初中和高中数学学习中所需要掌握的全部知识点。平台提供的资源是与当地大学的教育研究人员、学科专家合作，根据美国各个州的学术标准制订的内容，且会随各州政策变化做出灵活调整。Math Nation为每名学生用户创造了个性化的学习体验：他们可以按照自己的学习习惯安排学习进度；从平台所提供的、不同风格的学科或领域专家中选择符合自己需求的导师，并跟随其学习；还可以使用练习工具进行测验并获得即时的结果和个性化的反馈；在需要帮助时，可向平台上的教师、辅导员和同伴寻求实时支援；在完成大项目或大任务时则可进行跨校的合作学习。

Coursekata 是一本互动式在线教科书，涵盖了高中和大学的入门统计学和数据科学的所有内容。平台提供5个版本的教科书，包括1500多个形成性评估问题，创造高度互动的学习体验，以此吸引学生全程参与、主动学习。CourseKata 还拥有丰富的教师数字化教学工具，在教师界面可以轻松分发和收集笔记，实时了解学生的思考过程和学习进展。ALEKS 是一个知识空间和学习自适应平台，提供数学、化学、统计学入门和商业方面的课程材料，以及在线辅导和学习成果评估服务。

ALEKS 利用知识空间理论，从测试问题的答案中精确诊断学生的学习水平，并基于评估结果为学生推送所需的材料，允许学生从平台推送的互动学习模块中自主选择并学习。工具化平台的意义在于整合各种学习资源与平台学习、教学管理等功能，成为教师和学习者集结、利用学习资源的数字空间，不仅为他们提供了丰富、便捷的资源链接，同时也创造了互动性的个性化体验。

Al导师

人工智能(Artificial Intelligence,AI)是制造智能机器、特别是智能计算机程序的科学，关注计算机如何利用人工的神经网络、强化学习、深度学习模仿人类的学习方式，实现机器学习。如今，人工智能已经应用于语音识别、客户服务、计算机视觉等场景，为人类生活和工作带来极大便利。

当下，人工智能已进入学习工程领域，美国的一批高等教育机构正在使用数据分析技术和机器学习平台来帮助学习困难的学生顺利完成学业。例如，佛罗里达大学(University of Florida)利用数据分析和自动化技术追踪学生的学习进展，及时为那些学业落后的学生提供所需的支持，使其成功完成学业。常春藤科技社区学院(Ivy Tech Community College)利用机器学习来识别学生潜在的“挂科”可能性，并及时向有关学 生提供辅导。在实际应用中，人工智能和机器学习对于降低学生“挂科”率、提高其学业完成率具有显著效果。以常春藤科技社区学院为例，第一个学期有800多名教职员工参与机器学习项目，当系统识别出有“挂科”风险的学生后，这些教职员工即根据每个学生的情况提供具有针对性的学习建议，为学习困难学生提供免费辅导，帮助他们避免“挂科”。到了期中阶段，该校的“挂科” 率同比下降了3.3个百分点，这意味着相比前一年，多了3100多名成功完成课程考核要求的学生。

IBM公司预测，随着知识图谱(Knowledge Graph) 这一新兴技术在人工智能领域的兴起，自然语言处理(Natural Language Processing,NLP)的应用预计也会越来变得越来越复杂，人工智能在未来将使得人类和机器之间的互动更加便捷。具体到学习工程领域，更加生动直观的人机互动为AI 导师的出现创造了可能性。其实早在1970年代中期， AI 导师的设想就已经被提出，美国科幻作家艾萨克 · 阿西莫夫(Isaac Asimov)在一篇 题为"The New Teachers"的文章中预测了一个未来：人口出生率下降，人类寿命延长，老年人仍需继续工作。这种情况要求人类终身学习，教育成为一种终身活动，然而社会上缺乏足够的教师，难以满足人们终身学习的需求。基于此，阿西莫夫认为教师不一定是人类，也可能是无生命的机器人，他因此提出了AI 导师的设想。

在阿西莫夫的设想中，每个人都与一台带有互动功能的个人教学机器紧密合作，这台机器从“数字化中央图书馆”获取信息，然后与人类进行互动。这个教学机器能够为人类提供无穷无尽的知识，运转起来非常灵活，最重要的是还具有无尽的耐心，它不仅能为人类提供教学指导，还能向人类学习。人类将提出问题、回答问题、做出陈述、提出意见，机器能够从这些过程中很好地衡量学习者的学习进展，根据学习者实际水平调整其教学速度和强度，还能根据学习者的兴趣灵活调整教学方向。这便是AI 导师的初期设想。这个设想激发了美国高中的一位校长巴利(Barry) 的灵感，他在课堂上尝试使用机器人来辅助教学，希望机器人教师能够帮助改 善那些教师资源匮乏地区的教育状况。巴利的尝试十分成功，但他也强调机器人只是人类教师的补充，对人类教师的工作提供支持，而不能替而代之，简言之，人类教师不会被淘汰。

随着AutoTutor的诞生，人类对AI 导师的探索前进了一大步，它是由美国孟菲斯大学(University of Memphis)发明的基于自然语言的人工智能导学系统，能够模仿人类导师的话语和动作，为学习者提供辅导。AutoTutor 具有认知智能和情感智能，能够评估学习者的知识水平并给出个性化反馈，还能够基于导学对话过程中的话语模式、学习者面部表情、肢体动作和语音语调来监测学习者的情感状态，及时做出相应的情感回应。与AutoTutor类似，创立于美国匹兹堡的语言学习软件Duolingo 也带有基于人工智能的对话机器人导师功能，机器人导师能够辅导学习者的语言学习，与学习者进行即时对话。

基于人工智能的机器人导师具有自然的人机交互、智能的服务方式、丰富的技术框架，可为学习者提供个性化辅导、交互式问答和情境式学习，为学习者和教师创设了智能化、个性化的学习支持系统，促进了教育领域的智能化发展。

A/B 测试

A/B测试是学习工程领域中广泛应用的检验工具，用于对某项技术或某个平台的应用效果进行检验。 A/B 测试也称简单随机对照实验，对照组与实验组的样本分别记为A样本和B 样本，除了实验所关心的某一条件外，两个样本在其他方面具有相同的条件，因而形成对照。A/B测试所利用的统计原理是双样本假设检验，在不同情境下分别通过几种不同的检验方式来实现，如Z 检验(Z-tests)、t检验(t-test)和费雪精确检验(Fisher'sexact test)等。

在学习工程领域，研究人员常利用A/B 测试来比较 教学辅助平台上教师提供的两种不同的问题反馈方式，使教师能够确定使用哪种反馈方式对学生学习最有帮助，如TeacherASSIST。其创建者尼尔· 赫弗南(Neil Heffernan) 的初衷是创设一个平台，全美各地的教师都可以在此分享、讨论教学技巧。教师在 TeacherASSIST  平台选择教学问题，并为学生创建关于该问题的反馈 (Feedback), 教师可以选择文本或视频格式，以提示(Hints) 或解释(Explanations) 的形式提供反馈。教师提供的反馈通过平台中的ASSISTments功能向学生显示提示和解释信息， ASSISTments 就像教师的维基百 科，针对学生学习中的普遍性问题，特别是那些作为开 放教育资源提供的问题进行众包(Crowdsource)、提示和解释。对于学生而言，不同的反馈方式和反馈内容对于问题解决以及后续学习可能具有不同的效果。因此， 为了了解哪些解释和提示是有效的，平台使用A/B 测试 对教师提供的内容进行测试，帮助教师和学生找到有效的反馈内容和最具效率的反馈方式，为不同类型的学生 提供个性化支持。

与 TeacherASSIST类 似 ，ETRIALS平台也利用 ASSISTments 功能，让研究人员在真实的学习环境中自由运行实验，在平台上大规模地提出教育问题，并测试哪些类型的提示或解释对不同学生在ASSISTments中的学习效果最有提升价值。此外，还有其他一些平台支持A/B 测试以实现特定的比较功能，帮助学生找到更有效率的学习方式和学习环境。例如，UpGrade 是 一个用于教育领域A/B 测试的开源平台，它允许教育科技公司在他们自己的软件中运行实验。而Terracotta 平台则能够进行一系列的实验设计，以反映教学实践的复杂性，通过更加方便的实验和测试帮助教师了解不同教学实践的有效性，确定对学生学习效果最好的教学方式。

A/B 测试非常适合用于了解学习者喜欢哪种反馈方式，它基于真实的学习行为进行数据分析与比较，可以清楚地了解学习者对反馈方式的偏好，大大提高了学习工程在教学和学习中的应用效果。

参考文献：

[1]周子荷，刘三女牙，李卿.从学习科学到学习工程：历史跨越与未来走向[J].电化教育研究，2020,41(11):5-12.

[2]BakerR S, Siemens G. Educational data mining and learming analytics[M]//Sawyer R K. Cambridge handbook of the learning sciences(2nd ed.). Cambridge Univerity Press,2014:253-274.

[3]Fischer Christian, Pardos Zachary A, Baker Ryan Shaun, Williams Joseph Jay, Smyth Padhraic, Yu Renzhe, Slater Stefan, Baker Rachel, Warschauer Mark. Mining big data in education: Affordances and challenges[J].Review of Research in Education,2020,44 (1): 130- 160.

出处：《上海教育》，2022年10月10日28期