最早的個性化學習源于孔子對子路和冉有的因材施教。我們可以說因材施教是在老師指點下進行的個性化學習。而信息化技術發展到今日，用人工智能代替真人教師進行指點，幫助學生進行個性化學習的學習方式，我們稱之為自適應學習。

　　現階段產生的自適應學習我們可以按照不同的實現水平劃分不同的等級，最簡單的自適應學習我們稱為零級，其實就是真人教師判斷與資源推送的組合。

　　在零級的自適應學習產品中，學生會發生學習行為，真人教師通過數據采集判斷學習行為，推送學習資源。

　　例如：某英語自適應學習產品，學生在線提交自己的英語作文，真人教師在后臺看到學生的作文內容并進行批改，找出學生的固定搭配的問題，語法問題，行文結構問題等進行批改。學生在收到老師的批改內容的同時也會收到相應的語法課，行文結構課。

　　這種自適應學習產品的算法邏輯很簡單，真人教師把不同的問題類型和資源相關聯，學生作文里只要出現某個問題就自動推送相應學習資源。

　　再舉個例子：老師在線上一對一輔導數學，學生錄入答案，老師發現學生的知識漏洞，除了可以推送課程，還可以選擇推送不同難度的題目。

　　這種產品的邏輯也很簡單，數學題有難度梯度，一道數學題可以由真人教師標記相關聯的更高難度和更低難度的幾道題，學生發生學習行為后，教師決定是加大難度還是減小難度還是進入下一個學習環節。

　　零級：由人工判斷的自適應學習

　　當自適應學習產品運用電腦來做判斷就進入了Ⅰ級自適應的范疇。

　　Ⅰ級自適應通過決策樹做判斷，不考慮學生行為是否代表知識的掌握程度，而是簡單直接的判斷學習行為對還是不對。

　　比如一些健身學習類軟件，通過圖像視頻捕捉動作特征與自有的判斷指標進行匹配，某個動作的某個角度超過標準，軟件會提醒學生，你的動作不標準，腹部不夠收緊，手臂高度不夠等等。

　　不止是健身，各種球類運動，競技體育，甚至樂器基本功都可以通過Ⅰ級自適應來學習。

　　Ⅰ級：基于簡單規則的自適應學習

　　事實上除了帶有硬性標準的學習任務，其他種類的學習判斷是無法做到非對即錯的。那么Ⅱ級自適應學習應該在簡單的決策樹之上建立更好的學習算法。

　　在Ⅱ級自適應學習中，不把學習行為的對錯和某一個單一課程掛鉤，而是建立一套完整的難度遞增的課程，當學生學習行為完成度較好，提供大難度的課程，當學習行為完成度不高，就提供減少難度的課程，我們也可以稱之為基于難度設計的自適應學習。

　　比如某知名輔導機構推出的大語文學習產品，使用了閱讀分級。一個學生是否看懂一篇文章，原因有很多，可能是字的認識與否，可能是詞語理解深度，可能是上下文的邏輯關系。國外認為閱讀是存在等級的，不同真實年齡段的孩子可以通過閱讀測試找到最合適他讀的年齡段。通過不斷的學習，學生可以閱讀更高等級的材料。

　　Ⅱ級：基于難度等級的自適應學習

　　通過難度設計的自適應學習產品最大的問題是——認為學生學習是可以用一個難度值來掌握的，這樣就像回歸到傳統的學校教學，把學生通過分班考試劃到不同的班級，重點班和非重點班教授的內容和掌握程度是不一樣的。這種學習形式本質上和學校教學沒有太大差別，是任何一個比較用心的學校和教師都可以做到的因材施教。

　　僅有難度等級無法關注到學科中的詳細知識點掌握情況，因此Ⅲ級自適應需要用到知識圖譜來衡量學科中細粒度的知識掌握情況。在Ⅲ級自適應中涉及到多個部分綜合評定，我們一個一個來看。

　　Ⅲ級：基于知識點網絡和概率模型的自適應學習

　　一、學習行為的可信度問題

　　假如兩個同學做同一難度的一系列題目，并且這些題目都是只包含單一知識點的情況下，甲同學做了兩道全對，正確率100%，乙同學做了20道，19道全對，正確率是95%。

　　從正確率上看，甲同學更高，但是由于他只做了兩道題，可能是蒙對的，所以甲的學習行為的可信度是不如乙高的。因此，Ⅲ級自適應要考慮置信因子的問題。

　　二、單點不同難度題目評斷問題

　　我們知道真實考試中，一個知識點可以有好多種不同難度的題目，題目的出題形式也是不一樣的。

　　因此Ⅲ級自適應應該引入IRT(Item-response-theory)模型，考慮題目區分度，難度，可能性等多個因素綜合評斷。在此基礎上利用深度學習的一系列算法，通過不斷做題估算學生的真實情況。

　　三、一題對多點的問題

　　當一道題對應多個知識點又該怎么辦呢。可以通過知識映射矩陣(qmatrix，以下簡稱為q矩陣)來解決。

　　Ⅲ級自適應學習系統搭建最大工作量就在q矩陣搭建上。前期需要大量人力為題目打標簽，并且打標簽的過程一定不能只是從狹義上的課本的章節知識點展開，還要涵蓋做題策略，知識盲區，考察點，學生閱讀理解能力是否過關等等。

　　四、知識關聯形成圖譜的問題

　　當q矩陣搭建起來以后，通過題目進行測試以后是可以將知識關聯起來形成一個圖譜。

　　我們發現從小到大的學習其實是一個知識不斷被推翻的過程，也就是說高一形成的知識圖譜，到高三相同的知識點關聯起來的圖譜可能完全不一樣，甚至不同版本的教材會梳理出不同版本的知識圖譜。那么輸出圖譜的健全性和可靠性就是一個比較大的問題。

　　五、變化的學習者的問題

　　隨著學習行為的發生，學習者對于知識的掌握情況是會發生變化的。

　　舉個例子：一個學生對某個數學知識點掌握程度適中，這個知識點的題目他做了20道，對了10道，真的代表他的正確率只有50%嗎?不一定，有可能前10道題目他全做錯了，但是在這個過程中他對知識點的掌握加深了，他學會了一些技巧和規律，后面10道全部做對了。

　　因此我們要以動態的視角看待學生。解決這個問題并不復雜，只需要將發生時間比較久遠的行為數據權限變得低一些。除了這種情況，還有一種必須考慮的情況是，時間是會影響記憶的，隨著時間的推移，學生遺忘知識的可能性會越來越高，這個問題大多數背單詞軟件已經利用spaced repeatition算法解決。

　　綜合以上的五個部分，Ⅲ級自適應學習已經做得較為精細，但是越精細帶來人工成本越高。并且只能解決客觀題，主觀題自適應技術難度較大。

　　想要解決主觀題自適應就進入到了Ⅳ級自適應，真正的AI級別的自適應。

　　這個水平的自適應學習產品可以將任何一道題目，通過NLP審題并轉化成數學邏輯，再運用推理引擎得出正確答案，并且看到別人答案時，也可以分步驟精細判斷答案是否正確，答案不正確時判斷哪個步驟出現問題，進行適當點撥。Ⅳ級自適應產品的技術難點是“推理”。

　　目前沒有哪個科技公司推出了真正的推理引擎，當下常見的掃題軟件也只是識別問題再讓學生抄答案而已，做不到真正有價值的點播和提醒。如果“推理”的技術難題攻克了，會讓理科教師面臨失業。給每一個學生配備一個AI教師，學生做題依然是采用紙筆方式，做題的同時AI老師會隨時進行提醒和點撥，幫助學生快速成長和進步。

　　Ⅳ級:基于NLP和推理引擎的自適應學習

　　有一天Ⅳ級自適應出現了，前面幾個級別的自適應會出現顛覆性改變。至于未來會不會出現更深層次的技術來改變現狀，我們拭目以待吧。

　　本文來源：智慧課堂研究。

　　廣州青鹿教育科技有限公司，智慧課堂整體解決方案提供商。這里有有趣的青鹿人，立志做好的智慧課堂，挖掘新鮮的教育資訊，分享你關注的熱點話題。歡迎關注公眾號：青鹿教育(ID：qljy_2017)

    更多信息請查看企業專區：http://m.yanjunaudio.com/cp53162