原文地址：http://www.knewton.com/adaptive-learning-white-paper/
适应性学习：一个以课程应该适应每一个用户的思想为前提的教学方法。
（原文：Ateaching method premised on the idea that the curriculum should adapt to eachuser.）
在基础层次上，适应性学习的定义看起来很简单。但是更深入的探讨一下，这个概念的细微差别开始更深入的揭示它自身的本质。
适应性学习有多个不同的等级和种类（单点模式VS连续模式，适应性测试VS适应性学习，原文：singlepoint vs. continuous, adaptive testing vs. adaptive learning），但是不同类别的区别并不是很清楚。因为个性化学习的需求对于教育者有很大的吸引力，越来越多的产品声称他们有“适应性学习”的功能，关于这个概念已经让人迷惑。
我们一直在思考适应性的概念，我们也一直在改善我们的适应性平台。本白皮书的目的是阐释我们对适应性学习的认知，提供我们的推荐引擎的相关理论的概览，以及Knewton适应性学习在教室环境中能够产生的效果。我们希望本白皮书对您有所帮助。
适应性学习是最近在教育领域朝着一个好的目标被不断的研究的一个概念。
原文：Adaptivelearning is a term that has been tossed around a good deal recently in edtechcircles.
大部分人在涉及这个令人迷惑的词的时候，他们真正在讨论的有以下几种情况：
a) 单点适应性，在一个时间点上评估一个学生的表现，用来决定教导层次或者他从那个时间点开始使用的材料。
b) 适应性测试，通过固定数量的试题决定一个学生的准确的精通程度层次。
我们这里提到的适应性学习，指的是一个连续的适应性的系统，对于每个用户在本系统上的表现和活动都进行实时的响应；通过提供正确的指导，在正确的时间，最大化一个学生将要获得的学习目标的可能性（原文：maximizes the likelihood a student will obtain her learning objectivesby providing the right instruction, at the right time, about the right thing.）。换句话说，适应性测试回答了这个问题：如何通过指定数量的试题精确的掌握学生对于知识的掌握程度，适应性学习回答了这个问题：计入我们已经知道一个学生的当前的知识水平、状态，这个学生从现在开始应该学习哪些新的知识。
为了提供连续适应性学习，我们分析了基于成千上万的数据点的资料，包括概念，结构，不同的层次，以及媒体格式数据，并采用复杂的算法不断的把每个学生的最好的数据内容拼接起来（原文：and uses sophisticated algorithms to piece together the perfectbundle of content for each student, constantly），系统通过分析收集的所有学生的数据的网络效果提炼出推荐结果，用来给每个学生优化学习方法(原文：The system refines recommendations through network effects thatharness the power of all the data collected for all students to optimize learningfor each individual student.)。
没有两个学生是一样的——他们以不同的速率学习和忘记，来自不同的教育背景，有着不同的智力程度，注意力范围和学习方式。所以，设计一个对于每一个学生的特点都敏感的实时推荐引擎是一个非常巨大的工程。
在Knewton，我们勇往直前的面对这个挑战，通过采用教育路径规划技术和学生能力高级模型。这些技术和模型可以保证每个学生都通过课程材料以最大化的学习方式来实现不断的进步。
以下是Knewton推荐引擎一些理论和方法的速揽。
项目反应理论（ItemResponse Theory (IRT)）（试题反馈理论）
假设你教四个年级的数学补习课，你刚刚安排了一个包含10个测试题的测试。这10道测试题里，两道题非常简单，两道题非常的困难，其他的题是中等难度。现在假设两个你的学生参加了这个测试。两个人都回答对了10道题中的9道题，第一个学生回答错了一个非常简单的问题，另外一个学生回答错了一个非常困难的问题。那么哪一个学生对于课程材料的知识掌握的更好呢？
在传统评分方法中，你会给两个学生都打90分，满分是100分的话，两个人都会获得成绩A，然后进入到下一个测试。但是这个方法通过测试来评价学生的能力有一个关键问题：测试试题没有统一的特征。那么我们怎么样能过通过试题的差别来评价学生的能力呢？
IRT通过试题级别表现对学生的能力进行建模，而不是聚集的测试级别表现。不是假设每个试题都有相同的贡献度来实现我们对学生能力的掌握，取而代之的是，IRT对于每一个学生的每一个试题都提供信息的细微差别的观察。它是在一个试题被正确性回答的可能性是一个多参数的数学公式的前期下建立起来的，这些数学公式的参数包括一个人的潜在特性，能力和试题特征。
图Ｂ是由IRT模型生成的二项反馈函数。这些曲线表现了IRT模型如何将学生能力与正确回答一个试题的可能性联系起来，在给定试题难度，区分级别和“猜测性”。因为IRT模型在能力的单独评价上是永久的和可靠的（只反映了Knewton推荐的一个方面），它帮助我们更好的理解一个学生在测试中的表现与他的能力的联系。
图B.
概率图形模型（ProbabilisticGraphical Models）
在本框架中，包含了贝叶斯神经网络和马尔科夫随机场等统计方法，使得数据学家能够在多维空间中通过成百上千的参数分析和操作概率分布。换句话说，PGMs允许使得Knewton分析师对一个效果建立复杂的模型，将众多的观测到的学习活动与对系统推荐有用的评估联系起来。
Knewton应用PGMs的一种方法是通过使用学生已知的掌握程度来决定他可能已经有能力学习的知识。例如，这样的模型能够帮助平台发现一个学生对于分数的什么样的掌握程度能够帮助学生掌握小数，以及对小数的什么样的掌握程度能够帮助学生掌握指数。Knewton的数据学家因此能够决定对于分数的掌握和对于指数的掌握之间的联系。最终，这些类型的联系的发现使得Knewton适应性学习平台能够持续的提炼推荐结果。
图C.
凝聚层次聚类（HierarchicalAgglomerative Clustering）
在数据挖掘中，层次聚类是一种分析方法，被用来构建类的层次或者结构。在Knewton系统中，这个技术被用来检测大的分组内的潜在结构和建立如何决定学生应该怎样分组以及根据哪些特征将学生分组的算法。Knewton数学准备（Knewton Math Readiness）包含一个这种技术的实现，它提供了一个分组面板，使得老师可以对使用相同教材的学生根据学生对概念理解的级别进行分组。
图D
推荐理论的科学通过Knewton适应性能力的规律性范围和极大的实用性被增强。对于每一个参加Knewton课程的学生，一个跨学科的知识图谱，连续的适应性的，终身的学生学习层面和巨大的网络效果结合起来产生了强大的个性化学习方案。
知识图谱（Knowledge GraphTM）
Knewton课程通过Knewton知识图谱连接起来，一个“权威的”学术概念交叉学科图。这些知识图谱考虑进了内容设置定义的概念以及这些概念之间的联系。Knewton推荐个性化的引导学生，即使是在知识图谱上朝着最终学习目标的交叉学科路径也是基于学生知道什么和学生如何学习的。教授的内容越多，或者被加入到系统的每个概念的评价越多，适应性学习体验就变得更加准确（The more content that teaches or assesses each concept that is addedto the system, the more precise the adaptive course experience becomes.）。
当可视化以后，知识图谱通过课程材料可以提供对于学生潜在发展路径的认知。
在知识图谱内，因为通过课程定义了一个学生的学习路径，概念之间有先决条件的关系。将内容定义为“执导的”或者“评估”的特殊关系，决定了在任何给定的时间点应该给学生传送什么样的学习内容。
图E.
连续性学习，与单点适应性相反的。（Continuous, as opposed to single-point adaptivity）
单点适应性学习系统在一个单独的时间点评估学生的表现，然后从这个时间点决定他将要收到的指导的类型。一个单点适应性学习的例子如，包含测试考试的课程，考试的测试结果将会决定接下来的课程内容，只包括很少的或者没有更进一步的数据挖掘和个性化。
Knewton连续适应学习系统，在另一方面，不断的挖掘学生表现数据，对于学生在系统中的活动进行实时的响应。根据一个给定的活动的完成情况，系统指引学生进入下一个活动。例如，当一个学生对于一个特殊的试题组受到困扰的时候，Knewton系统就会知道这个学生的特殊的不足和哪些这些试题考核的概念相关联，然后可以给学生传送这些概念内容让学生增强对于这些概念的掌握（Knewton will know where that particular student’s weaknesseslie in relation to the concepts assessed by those questions and can delivercontent to increase thestudent’s proficiency on those concepts.）。通过这种方法，连续适应性系统给每个学生在任何时刻都提供一个个性化的学习大纲。
图F.
下面内容是能够使Knewton系统提供真正的连续性学习的方法的一些具体的例子。
空间强化（Spaced reinforcement）
和大量的强化相比，标准的训练方法要求学生在较短的时期内应用新的概念或技巧直到他们精通为止，空间强化（也可以理解为分布式强化）是这样的一种学习方法，在教学的过程中新的概念或技巧被吸收，同时学过的概念和技巧被强化。
因为新的材料被不断的增加进来并编织成用户熟悉的材料，空间强化经常发生在一个时间延长期内（Because new material is introduced incrementally and woven intofamiliar material, spaced reinforcement typically occurs over an extendedperiod of time.）。空间强化使得Knewton推荐系统能够帮助学生通过不断累积的方式培养学生的能力，并且一旦学习过就能长久记住。
记忆力和学习曲线（Retention & learning curves）
Knewton推荐引擎需要将衰退或者衰退技巧加入到系统中来。它要能够检测这些事件并提供可控告的推荐最为结果。
受到艾宾浩斯在记忆保持力和学习曲线方面的工作的启发，Knewton数据学家使用了指数增长和衰退曲线学生学习和忘记的能力曲线，这些曲线建立在如下的前提下：每次学生接触的是一个给定主题的内容，他们收到关于这个主题的真实能力的一个“突然测试”；同样的，如果他们没有接触其他的主题，他们很有可能会在一段时间后忘记这个主题的内容（These curves are governed by the following premise: each timestudents are exposed to content associated with a given topic, they receive a “bump” in theirvirtual ability level for a topic; likewise, if they are not exposed to someother topic, they likely “forget” that topic over time.）。控制记忆力比率的遗忘曲线可以大致粗糙的由下面的公式表示：
R表示的是记忆保留值，S是记忆力相对强度，t表示的是时间。
图G.
通过把这个曲线整合到引擎验证努力中，Knewton数据学家可以根据学生在何时以及如何接触内容等资料捕获学生知识增长和减少的方式。最终，这个过程使得Knewton数据学家能够测试控制学生在课程中的发展流程的算法。
学生学习概览（Student learning profile）
在Knewton系统中，学生能够获得持续更新的学习概览，包括这个学生学习到的知识以及他如何学习效率最高的信息。这个概览是不断发展的，随着学生在本平台上学习的时间越长，这个概览变得更加的智能。
例如，如果一个已经参加过Knewton课程的学生加入了另外的一个课程，这个课程会利用学生的数据进行“暖”开始（没有任何数据的可以看做“冷”开始）。这个课程将该学生最近学习的概念与技巧，以及在教材中的独一无二的学习轨迹纳入考虑范围，利用这些信息使学生从那个时间点开始能够达到最大化的学习程度。一旦有了足够的数据，本平台会揭示学生的学习模式，可能存在的学习盲点；形态与媒介喜好；粒度强度和缺点。一个学生使用Knewton课程的时间越多，本平台对于服务目标学习材料的效率就越高（The more often a student uses Knewton-powered courses, the moreeffective the platform becomes at serving up targeted learning material.）。
在这种方式下，Knewton适应性学习平台致力于最小化沮丧、迷惑等不利于学习的感觉，以一种自然的方式培养学生的能力。这样做的好处很明显，如果学术知识能够以一种连续的方式被灌输那么学生的参与就会被强化。对于学生没有什么会比让学生感觉他们面临的挑战是武断的和特别困难的更加令人不满。Knewton学习概览通过提供学生在学习过程中一个长期实践回答了学生对于连续性和意图的需求（The Knewton learning profile answers the student need for continuityand meaning by affording students a sense of long-term investment in thelearning process.）。
联系客服
