一种智能化移动学习系统的设计思考

[摘           要]  在对移动学习工具和平台进行数据分析的基础上，利用大数据、机器学习等技术分析构建新型智能化教学系统，并与传统教育技术和教育形式进行比较。认为这种资源有效地结合了学习个性化、情景移动化和知识传播化三个特点，最后提出了一个全新的智能化移动学习系统设计思考。

[关    键   词]  碎片化知识;灵活学习;有效学习;群智感知

[中图分类号]  G712                    [文献标志码]  A                  [文章编号]  2096-0603（2022）14-0082-03

一、移动学习现状分析

21世纪以来，中国高等教育普及化、网络覆盖快速扩张、新的教育技术教育方法层出不穷交替更新，出现了许多新名词，比如“碎片化知识”“轻量化阅读”等。如何有效地提高传统教育方法的教学效果和传统教育技术教学效率，如何合理准确地评估新涌现出来的教学方法、教学形式和教学技术的作用，在传统教学环境中如何更科学合理地结合教育新方法、新技术，这是摆在目前无法逾越的一个问题。

2017年有文献[1]对国内高校移动学习发展现状做过综述，认为移动学习有三个显著的特色：学习时间碎片化、学习内容新颖性、学习过程社交化。这些都符合教育发展与学习个性化的需要。

在实际调查过程中也暴露出不少问题，并归纳为三个层面的缺失。学生层面：碎片化与系统性缺失;新颖性与价值迷失;社交化与娱乐化倾向。高校层面：软件开发、平台建设和使用维护与管理均滞后于移动互联网高度普及的现实。商业层面：受制于以盈利为目的的商业性移动学习应用设计，各平台发展良莠不齐，课程内容与体系重点有别，并且网络课程资源高度集中于英语学习类、学习管理类等内容，难以适合和满足高校学生所需。

但是移动学习满足了教育的学习个性化、情景移动化和知识传播化的三个特征，在这个节奏加快、信息爆炸的时代这代表着未来教育发展的趋势。

二、构建有效学习模型思考

学生通过学习前人积累的知识和经验，自主构成学生个人的知识结构与体系，而教育的本质就是为了帮助学生加速这一过程。所以有效学习（Effective Learning）应该是衡量教育效果、评估教育技术有效性的一个重要的指标[2]。

有文献论述了信息化环境下大学生有效学习的特点与意义[3]。也有文献作者提出了以社会建构主义理论等为基本框架，建立在远程教育网络教育中应用有效学习策略，提出了研究建立有效学习的前因模型[4-5]。国外有学者从心理学（思想、行为和特定环境影响下的喜好）角度提出了影响有效学习的6个因素：学习条件、学生特点、学习内容（材料）、学习任务和学习评价[6]。

本文设想运用大数据和群智感知等技术，利用机器学习建立一个灵活的个性化学习模型，协助学生在吸收碎片化知识的基本上快速构建各自的知识结构。

（一）知识碎片化

知识碎片化不是简单的切割划分，而是依据最小知识点原则划分，并构建各知识点之间的关联。目前有不少类似的工具与平台，比如维基百科、百度词条、知乎等，还有一些公开课和自媒体，如TED讲座、果壳网、混乱博物馆等。另外，这两年国内外各高校大力推进的慕课（MOOC）建设也尽量使每次课程不超过15分钟。

碎片化知识的资源有很多，利用大数据、云计算技术和工具进行有效管理，关联知识点的各类表现载体、关联课程知识点体系、关联课程之间的知识点衔接，以课程为单位将各知识点纵向横向组织起来。比如利用Hadoop（一种开源的分布式计算工具）搭建搜索引擎优化，具有效果好、硬件与软件二次开发成本低等诸多特点。

（二）知识点推送

由于各知识点本身存在某种承前启后的顺序关系，所以在传统的授课环境中有一套授课计划与步骤：因为知识A是知识B的基础，所以先讲解A再讲B。

这种授课方式在启蒙和基础教育阶段是很有必要的，可以避免在学习上少走弯路，提高学习效率，缩短学习周期。但是进入高等教育阶段后，尤其是在面对大量新涌现出来的新技术、新专业、交叉学科、前沿科技的时候，因为这些新增的知识缺乏足够的时间积累与系统化整理，这种按知识点顺序授课与学习方式会显得特别无力。

设想个性化有效学习模型应该能根据学生学习状况，智能推送学习知识点。这种智能推送不仅考虑学生的学习兴趣与对学习媒体的自主选择性，还必须着重兼顾学生的知识掌握程度即学习有效性的评测。如果系统评测学生在某个知识点学习过程中的有效性高，系统则推送后继知识点的学习（纵向内容推送），反之系统推送该知识点相关的补充学习内容（横向内容推送）。

（三）有效学习的检测技术

结果性检测，俗称考试，是长期以来检验学习有效性的一个重要途径。虽然诸多高校纷纷开展阶段性考核、过程化考试，但真正实施起来也往往局限于成果性、结果性的检验。

知识学习能帮助人们提高综合能力，比如认知能力、思维能力、实践能力、发展能力等，这些综合的素质能力是不可能仅仅通过结果性考试测评出来的。本文设想是利用大数据、群智感知、机器学习等现代计算机技术来实现学习推送与学习有效性检测之间的“双向交互”。

“群智感知”是将普通用户的移动设备作为基本感知单元，通过网络通信形成群智感知网络，从而实现感知任务分发与感知数据收集，完成大规模、复杂的社会感知任务。通过智能手机（常见的移动学习工具）内置的多种传感器、图像语音摄录设备以及在线提交的文本信息等，通过机器学习建立一套具有一定人工智能的学习有效性测评机制。

在相关技术层面上，近年国内外学者做了大量的技术研究。文献[7-8]通过对移动学习的研究，提出了一种根据传感器与学习操作行为对学习场景进行感知分类的方法。文献[9]通过检测对象的语音语调和行为，来区分组成员及成员功能。文献[10]则是通过在线商业往来会谈记录公文的文本风格分析，来预测商业业务的成功可能性。

三、智能化移动学习系统设计

下面是智能化移动学习系统结构示意图，A-D是处理流程字母序号标注。

该学习系统由三个部分构成。

第①部分是集合了各类载体的知识点学习资源库，并以课程为单位将各知识点纵横关联构成一个统一的基础学习模型。纵向联系知识点的学习顺序，横向联系该知识点的扩展学习内容。

第②部分是学生在课程学习过程中参照该课程统一学习模型基础上所生成的个性化学习模型。上面记录了课程知识点学习的覆盖率和学习顺序，单独一个知识点学习的效率以及该知识点学习的有效性（掌握程度）。

第③部分是有效学习的自动评测系统。系统将在授权情况下监测学生的知识点学习过程，根据检测到的学习环境参数、表情信息、在线答题的语音和文本等数据，自动评测该学生对这个知识点学习的掌握程度。

根据学生个性化学习模型上知识点的学习覆盖率以及知识点掌握程度，并结合授课教师的实际设置，比如知识点学习覆盖率85%以上、核心知识点要求有效掌握等，系统自动判定该学生的课程学习成绩。

流程A：从第①部分至第②部分。以课程为单位，将整合了各类教学资源的课程知识点学习结构整体统一推送给每个学生，并逐个建立每位学生的个性化学习模型。

流程B：从第②部分至第③部分。个性化学习模型将依据知识点的内在次序或关联，并结合学生的自主选择性，将各知识点逐次推送给学生学习。

流程C：从第③部分至第②部分。在学生学习的同时，利用群智感知技术收集每位学生的学习环境（传感器采集）、表情（摄像头采集）、语音语调（在线留言和提问问答语音信箱等）、文本信息（语音转文本和在线作业提交等）等资料。后台将这些资料通过机器学习分析来建立一套拥有一定人工智能的学习有效性评测系统，对每个知识点的有效学习评测结果，并结合阶段性的学习测验成绩，动态调整下一个或下一批的知识点学习推送。

流程D：从第②部分至第①部分。以课程为单位，阶段性批量收集学生个性化学习模型的数据信息，根据知识点学习掌握的覆盖率、知识点学习引用效率等情况，动态调整该课程下一批次统一推送的知识结构体系。

四、思考与讨论

第一个问题：什么才是有效学习的核心？它能不能被检测到并能被客观准确地评价？

关于有效学习，有一个相对客观的定义：由于经验或实践的结果而发生的持久或相对持久的适应性行为变化，其核心是学生的进步和发展。学生的进步和发展并不只是传统教学强调的知识和技能的掌握，而是指学生在知识与技能、过程与方法、情感态度与价值观“三维目标”上获得全面、整合、协调、可持续的进步和发展。

换句话说，有效学习并不是仅仅体现在知识点学习结果上，还包括学生的认知能力有没有提高，学习兴趣有没有被启发，人生观、世界观有没有被影响等，这些主观上的潜在影响，特别是学习的后效影响均是衡量有效学习的重要指标，但这些都很难制定准确的检测标准。

第二个问题：教师的作用。在这个相对封闭的智能化移动学习系统中，教师的学习引导作用被削弱，仅仅体现在课程知识结构的初始模型设置与调整上。

美国著名心理学家艾伯特·赫拉别恩曾提出过一个公式：信息交流的效果 = 7%的语言 + 38%的语调语速+55%的表情和动作。实际教师授课中语言文字的交流信息仅占了小部分，大部分是进行学习情绪的调动与课堂气氛的调节，所以才有“良师益友”“言传身教”等说法。

高等学校的教师更多是做“导游”的工作，引导学生进入一个新的学习领域，体会各自不同的学习收获。特别是在当前万众创新的时代，新技术、新知识层出不穷，学生学习的引导作用尤为重要。智能化移动学习系统尽管能够在一定程度上自动优化学生的学习过程，但是不可能完全取代教师的作用。

五、结论与展望

这个智能化移动学习系统能够根据学习的有效性、知识的顺序与侧重点，结合学生的学习兴趣，自动逐步建立个性化学习模型，并推送可供学生自主选择的继续学习知识点。课程知识点的总体结构框架也根据学生在实际学习过程中的信息反馈得到持续的更新与改进。系统构成相对独立的“智慧学习”[11]环节，符合快节奏下的学习要求，体现了移动学习的“刚好、及时、需要”三个设计特点。

本文在系统设计过程中应用了机器学习、人工智能等技术，尽管目前的人工智能已经达到围棋九段的水平，但离真正模拟人类情绪、能取代人类（教师）工作还有漫长的道路要走。

参考文献：

[1]郑文标，宋剑，何高平.高校移动学习发展现状研究：以福建省高校为例[J].黑龙江高教研究，2017（2）：21-24.

[2]明庆华，谷木荣.有效学习是有效教学的出发点与归属[J].中国教育学刊，2015（5）：32-36.

[3]陈明选，陈舒.论信息化环境下大学生的有效学习[J].高等教育研究，2013（9）：65-72.

[4]李斌.远程教育学习者有效学习策略研究[J].成人教育，2012（1）：26-27.

[5]杨丽娜，颜志军，孟昭宽.虚拟学习社区有效学习发生影响因素实证研究[J].中国远程教育，2012（1）：52-57.

[6]John Dunlosky，Katherine A Rawson，Elizabeth J Marsh，etc. Improving Students’Learning With Effective Learning Techniques Promising Directions From Cognitive and Educational Psychology[J].Psychological Science in the Public Interest，2013（1）.

[7]叶舒雁，张未展，齐天亮.一种基于传感器与用户行为数据分析的移动学习场景感知分类方法[J].计算机研究与发展，2016，53（12）：2721-2728.

[8]Zhu Yiwei，Gao Kun. Deep Data Analyzing Algori-thm Based on Scale Space Theory[J].Cluster Computing the Journal of Networks Software Tools and Applications，2016（20）：1-11.

[9]Dineshbabu Jayagopi，Kazuhiro Otsuka，Junji Ya-mato，etc. Linking Speaking and Looking Behavior Patterns with Group Composition，Perception，and Performance[A].Proceedings of the 14th ACM international conference on Multimodal interaction[C]，2012.

[10]Marina Sokolova，Guy Lapalme. How Much Do We Say？Using Informativeness of Negotiation Text Records for Early Prediction of Negotiation Outcomes[J].Group Decision & Negotiation，2012（8）.

[11]陆凯莉，沈书生.指向“学习结构”的智慧学习及其应用[J].教育发展研究，2017，Z2（37）：91-97.

①基金项目：浙江省教育厅高等教育“十三五”第二批教学改革研究项目“高职扩招背景下基于校企协同的“1+X”网络技术类人才培养模式建立与实践”（项目编号：jg20190775）。

作者简介：朱一玮，男，硕士，副教授，浙江工商职业技术学院电子与信息学院专任教师，研究方向：教育技术学、教育信息化。