郝祥军 顾小清丨基于协商的学伴推荐：自适应学习的社会性发展路向

【刊载信息】郝祥军, 顾小清.2021.基于协商的学伴推荐：自适应学习的社会性发展路向[J].中国远程教育(8):51-59+75.

【摘要】自适应学习承载着个性化教育的梦想，在教育领域的应用日益繁荣。但技术引发的学习时空分离特性弱化了社会互动，而且多数自适应学习只针对学习内容进行拓展，不同程度忽视了学习者的情感互动，缺少对社会性的关切。为了充分发挥学习者的自主性和提升学习者的自我调节能力，在系统控制与学习者控制的博弈之间，基于协商的自适应学习方式被推崇并走进实践，在此基础上学伴支持将成为弥补社会性不足的可行路径。为此，本研究构建了“基于协商的学伴推荐”自适应框架，从学习者、推荐过程、学伴三个层面对框架进行了解构，对其技术路线和具体规则进行了介绍。最后，研究基于来源、对象、时间、方法四维视图，探讨了自适应学习的社会性发展行动路径，为更快推进社会性发展进程提供可靠的行动依据和指引。

【关键词】自适应学习；社会性发展；协商；学伴推荐；因材施教；智能技术；个性化学习

古往今来，“因材施教”可谓是教育者的梦想追寻，但受限于人力、资源等各因素，梦想一直在路上。随着信息技术的发展以及与教育教学的深度融合，个性化学习正在成为现实。国外学者在追溯自适应学习时认为自适应学习是达成教育个性化的上策（佩特·约翰内斯, 等, 2018）。因为自适应学习技术能够识别学习者的个性特征，了解学习者的学习倾向，帮助学习者明确怎么学，以数据分析的方式真正做到因材施教。尤其云计算、大数据、人工智能、学习分析等新兴技术的教育应用，将打破传统教育的束缚，搭建自适应学习系统，借助数据挖掘、学习分析和智能嵌入等技术将学习的知识内容进行关联和非线性组合推荐，在学习资源的呈现上做到实时的个性化响应，为不同学习风格、认知水平的学习者提供与其能力相适应的学习路径，实现在特定时刻为特定学习者提供特定知识的实践应用。

但在教育领域，专注于智能辅导系统和自适应学习环境的研究人员一直在使用知识跟踪等算法向学习者推荐内容，如练习题、学习策略和路径（Potts, et al., 2018a）。他们总体上未能意识到学习是一个社会性的过程，未能将真实的人际交互式学习与在线自主学习做到优势互补。所以在自适应学习应用中似乎在不同程度上忽略了学习者的社会性体验，缺乏情感互动过程，这与未来教育培养社交情感、沟通能力、情商与批判性思维等高阶技能的目标难以切合。教育终究是面向具有社会属性的人，应遵循人的本质，将以人为本的思想贯穿到技术辅助的学习设计当中。因此，本研究以自适应学习的社会性发展为视角，构建了“基于协商的学伴推荐”自适应框架进行社会性发展切入，助力当前自适应学习应用的拓展，弥补自适应学习落地实践过程中的社会性不足。

一、

相关研究

（一）自适应学习社会性发展的现实必要性

自适应学习是一种自适应技术支撑的在线学习方式，是在线学习的范式变迁（吴南中, 2016）。学习者借助自适应学习系统自我组织和开展学习内容，并且控制和支配整个学习过程，对学习进行自我评价，对学习完全负责。在线学习中学习者与教育者、学习者与学习者之间存在时空与心理上的准分离状态，会导致学习者在网络环境下社会性支持不足、即时互动性不强而产生学习焦虑。社会互动是学习者成功学习的重要因素，社会分离是重要负面因素（Wilcox, et al., 2005）。尤其在疫情等特殊时期，居家线上自主学习模式更是降低了学习者的人际交互学习可能而增强了时空分离。自适应学习由于当前一些教学困境，主要服务于K12教育全科目的在线学习辅导，并未较多涉及人机、人人的社会互动学习层面。Lipman在Thinking in education论著中曾说，减轻技术增强学习潜在负面影响的一种方法是采用探究式教学共同体（community of inquiry pedagogy），在共同体形成过程中同伴学习软件系统着重于为学习者提供借助群体的内在力量来改善其学习的能力（Zhao & Kuh, 2004）。这表明，自适应学习技术在日益繁荣的教育应用中需要向社会互动拓展，关注学习者的社交情感和交互式学习体验，应用适合的技术补充学习社区的发展，设计更具互动性、创新性和灵活性的学习选择，增加学习者之间的社会互动频率，将学习者的个体学习过程与社会学习过程进行融合。

（二）基于协商的自适应学习方式走进实践

技术辅助学习甚至主导学习进程的特征，在信息技术发达的今天显得较为突出。有研究表明，系统完全控制的自适应学习过程，忽视了学习者的自主学习与调节能力；受到推崇的是共同控制的模式，即让自适应系统来辅助学习者的学习控制，为学习者提供自适应的支持和决策，允许他们接受或拒绝来自系统的学习建议（Corbalan, et al., 2009）。而且，学习系统也应该采取双向适应性方法来提供个体学习支持，基于协商的适应就是一种混合的双向适应，可实现学习者和系统之间的共同调节（Roll, et al., 2014）。在Chou等人（2015）提出的基于协商的自适应学习序列调节中，当学习者自我评估与系统评估不一致时，系统提示学习者与系统协商，以就其绩效评估达成一致，然后系统要求学习者提交下一主题学习的选择，并将学习者的选择与系统建议进行比较；当学习者的选择与系统建议冲突时，学习者需要与系统协商达成内容选择的协议。自然语言处理技术的发展使得人机对话越来越自然，人机协商的方式已转向了对话形式。Chou等人（2018）从调节学习者求助行为的目的出发，设计了一种基于协商的自适应学习系统，实现系统控制与用户控制的结合，系统还能进行诸如“您需要帮助吗”等形式的对话。所以，在自适应学习系统应用上，基于协商的双向适应、人机协同模式逐渐走进实践。

（三）学伴支持成为弥补社会性不足的途径

学习是一种社会活动，情感的互动对于教育非常重要。正如梁茜等人（2019）所言，无论教育与技术的融合发展到哪个阶段，都应该明确未来教育不是冷冰冰的机器教育，而是更复杂、更具互动性和情感性的“人”的教育活动，所有的教育活动都是为了人本身。国内慕课平台“学堂在线”意识到社会情感互动的重要性，以机器人作为学习伴侣，打开增强交互式学习体验的一个突破口，开发机器人“小木”作为个性化学习伴侣嵌入其中，提供交互式答疑解惑等支持（中国商业电讯, 2018）。机器人学伴在学习上的应用逐渐成熟，很多聊天机器人系统可以提供即时反馈，通过会话界面自然响应学习者需求，利用这些互动还可以提升学习者参与度（Fryer, et al., 2019）。这种虚拟学习伴侣在学习辅助上作用凸显，为机器人学伴的设计提供了借鉴与启示，从技术层面看具有可行性。同时，Potts等人（2018b）开发了一个RiPPLE（同伴个性化学习推荐系统）平台，不仅可以按照个性学习需求进行私人定制，还可以依据学习者的知识状态为学习者推荐学习同伴，建构学习者之间的联系。这种允许学习者找到同伴并建立学习会话的社会性方式，非常契合以适合的技术补充学习社区发展的目的。这不仅可以增加学习者之间的互动与情感交流，还可以使他们认识到同伴学习的价值，在与同伴进行有意义、有目的的交流中改善学习效果（Dawson, 2006）。综合而言，借助技术实现学伴支持的人际交互协作学习将成为自适应学习增强交互式学习体验的有益补充，是弥补自适应学习中社会性不足的重要途径。从已有应用来看，自适应学习中的学伴类型可以是虚拟机器人，也可以是真实的自然人。

二、

社会性发展切入：基于协商的学伴推荐

教育的关键在于发展学习者与他人互动和合作的能力，而且学习最终是一种社会经验，它使人们能够提升社交技能、更好地参与社会并成为更加成熟的社会参与者。自适应学习在人工智能背景下转向提供学伴推荐服务，是促进人的社会属性发展的重要体现。

（一）基于协商的学伴推荐框架

在社会生活中，推荐“人”的操作大多数重点都放在了网上约会、求职就业、导师学徒匹配（mentor-mentee matching）等社交平台上（Pizzato, et al., 2013），但其实这些互惠推荐系统的总体框架可以成功地应用在社会学习的教育环境。前文提到的同伴个性化学习推荐系统RiPPLE的应用体现了迁移可行性。该系统不仅可以根据每个人的学习需求完成量身定制，还可以根据学习者的知识状态推荐建构学习者之间的联系，以及根据学习偏好和需求推荐学习同伴。但其推荐的学伴仅限于一个班级集体，也局限于自然人的推荐，未将虚拟机器人学伴纳入，并且以列表的方式供学习者选择，而缺乏人机协商确认的过程。本研究将人机协商的过程纳入系统设计当中，是为了避免学习者盲目求助而造成消极效果，以及常识性问题解答造成的资源利用率低等问题。同时，当下许多自适应学习系统使学习者能够在他们决定需要帮助时从系统中寻求帮助，赋予学习者学习的控制力和责任感。但即使如此，学习者在控制适应性方面也还可能会与系统发生冲突，而基于协商的适应是一种混合的双向适应，以实现学习者和系统之间的共同调节（Chou, et al., 2015）。利用自适应学习技术的知识跟踪与诊断等功能，可以构建一种基于协商的支持方式，整合虚拟机器人与真实自然人两种类型的学伴来源。本研究基于此提出“基于协商的学伴推荐”自适应框架（见图1），将学伴的类型扩展至同伴学习者、专业教学者和答疑机器人三类。同伴学习者与专业教学者属于真实自然人学伴类型，答疑机器人属于虚拟学伴类型，这在一定程度上能够满足不同学习风格与特征的学习者在寻求学伴问题上的需求。

图1 “基于协商的学伴推荐”自适应框架

（二）框架组件与运行流程解读

1. 请求支持用户（学习者）

很多研究都表明自适应学习的即时反馈会减少学习者的思考与自我调节行为，应赋予学习者自我启动与控制的权限（Azevedo, et al., 2016）。在自适应学习推荐中应充分考虑学习者的意愿与主动性，将选择权赋予主体自身，以最大限度地促进自我诊断和自我调节。请求支持用户，即在学习过程中需要援助的一类学习者群体，但为了充分发挥学习者的自我调节能力，系统必须给予学习者相应时间进行思考、分析与选择，而不是在遇到问题时轻易地伸出“援手”。所以，基于协商的学伴推荐自适应系统考虑了学习者的自主性，将其个人学习过程归纳为“自我开展学习”“自我诊断表现”“选择支持类型”等阶段。

“自我开展学习”是学习者个人独立学习知识的阶段。系统首先会通过一些测试来对学习者偏好、学习风格等数据进行获取和分析，在深度学习技术支撑下刻画学习者个性特征，之后在其学习过程中采集学习行为数据，借助知识跟踪算法分析学习者的认知水平，以及运用情感识别、眼动追踪和情感计算等技术来提取学习者情绪、环境等非认知特征值，从行为、认知和情感等方面对多个模态的数据进行整合分析，最终建构学习者模型，完成学习者特征的综合提取。“自我诊断表现”是学习者自我调节学习的过程。学习者在遇到学习困难时会进行相应的自我分析、评估和诊断，主动思考和设计相应的问题解决方法，在自我调节解决无果之时会获得相应的自适应学习提示，最后进入向系统请求提供学习支持的阶段。自适应学习支持在内容层面上有资源、策略、路径等多种类型，与现有的自适应学习服务无异，而只有选择学伴支持时系统才会进入协商环节。在自主学习过程中，学习者自我学习行为、情感与环境数据将连续被自适应学习系统感知、收集和分析，一是辅助系统进行动态学习者建模，二是为后续学伴匹配与推荐提供关键依据，也是作为用特征值计算相似度的数据来源。此外，请求支持的学习者在得到学伴支持后得到能力的显著提升，可以向系统申请转而加入“提供支持用户”的行列，以为相同问题请求的同伴分享经验。

2. 基于协商的学伴推荐过程

自适应学习系统作为基于协商的学伴推荐过程的重要承担者，是基于其强大的特征识别能力、知识跟踪能力和学习预测能力。该过程是在学习分析、教育数据挖掘、协同过滤推荐和自然语言处理等技术支撑下进行四个阶段的活动内容：“系统诊断学习表现”“协商确认学伴请求”“协商确认学伴类型”“确认选择学伴”。其中，“系统诊断学习表现”是系统对学习者进行学情分析，是系统与学习者进行协商的重要基础。这四个阶段可以用学习者与系统交互协商的两个环节来进行串联介绍（见图2）。

图2 学习者与系统协商流程图

第一个是“协商确认学伴请求”，其目的是为了避免学习者的盲目请求行为，系统在利用学习者学习过程数据进行用户建模的基础上，运用教育数据挖掘和学习分析等技术对其综合表现、问题可靠性和请求合理性展开完整而精准的评估与诊断。如果诊断结果与学习者自我诊断结果不一致或相差较大，系统与学习者会进入“协商确认学伴请求”环节。两者借助自然语言处理技术，采取窗口对话的方式进行交互协商。系统在协商过程中会分析学习者的相关数据来反馈问题诊断结果、原因剖析和学习建议；学习者对反馈内容予以确认与质疑，向系统提供更多无法被捕获的数据信息，互相协商以达成一致。最终，两者确认是进入学伴选择环节还是推荐其他学习支持（驳回学伴请求）。学伴选择环节是第二轮协商阶段，而推荐其他学习支持是基于学习材料提供个性化学习策略与路径规划，在此不赘述。

第二个是“协商确认学伴类型”，即系统与学习者协商确认学伴类型与人选，其目的是发挥学习者与系统双向自适应混合调节的作用。学习者会根据自身问题和个性特征选择某个类型的学伴，但其是经验主导的，缺乏科学的数据分析决策过程；系统依据教学模型和领域知识模型，遵循一定的教学规律和基于专业领域知识内容，综合诊断与评估学习者学习表现，借助协同过滤推荐等算法技术来推荐适合的学伴类型与人选，最终在学习者与系统协商对话过程中做出共同决定和选择。这个阶段同样是互相提供信息与分析诊断的协商过程。最后，两者达成一致，学习者确认选择学伴，系统得到确认后根据学习者的主观需求和客观表现会在“学伴库”中搜索和唤醒满足条件的相应在线用户，发出邀请。

3. 提供支持用户（学伴）

首先，安排“同伴学习者”是发挥同龄人之间平等交流、互相促进的有效策略。尤其是在信息技术繁荣发展、以技术为媒介的协作学习方式日益受到重视和推广的今天，同伴协作对提升学习效率、发展学习者“软技能”、增进人与人之间的社会联结具有明显作用（Tinto, 2003）。在基于协商的学伴推荐自适应系统中，“同伴学习者”是推荐的主要学伴类型。他们由来自相同课程活动或有经验的学习者群体组成，一般依据知识水平、认知需求匹配推荐，提供共同学习、问题讨论、朋辈指导等学习支持。他们的学习背景具有相似性，在相同学习问题上同伴的经验支持比灌输式的教授更有效果，而且在个性化推荐中协同过滤推荐模式就是寻找邻近用户群的最优学习路径来进行推荐，理念上高度一致。

其次，“专家教学者”由领域专业教师组成。目前学校与教育辅导机构在关系上是分离的，但不可否认的是他们具有彼此不具备的优势，倘若通过平台整合，建立合作关系将能便捷学习者。希望通过基于协商的学伴推荐自适应系统，能够整合资源，使得“专业教学者”既可以是学校相关课程的权威教师，也可以是教育机构的辅导名师。毕竟在学科课程学习上学校教师的知识权威性无法替代，而教育机构的技术与资源优势是学校所不及的。通过学伴系统集成学校与教育机构的优质师资，以平台为媒介更好地对接课内学习与课外辅导，提供“一对一”个性化服务，将能较好地将学校教育与“影子教育”进行结合。

最后，“答疑机器人”是内嵌在系统之中的智能学习助手，集成了系统中的学习资源库，能够与学习者进行语音对话，为学习者提供快速的知识检索服务和常规问题的答疑反馈等，如学堂在线平台的“小木”书童或者参见Bozkurt等人（2018）在慕课课程中利用机器人作为互动反馈策略而未被学习者察觉，有效促进了学习者的互动和学习效果。这类应用在技术和实践上都非常成熟，也是目前一些系统为了增强互动环节、减少人工对话支持的一项普遍性措施，如购物平台中的机器人客服。

当系统与学习者协商达成一致，解决某个学习问题需要建立学伴协作关系时，系统会依据学习者模型、领域知识模型和教学模型的推理和与学习者的协商结果，在学伴库中检索合适的在线学伴人选进行匹配和推荐。学伴库中被邀请的学伴在接受请求后，系统会为他们搭建学伴空间，以便快速、高效地提供学习支持。学伴空间类似于社交软件的对话窗口，是学习者与学伴进行协作的地方，兼具文本讨论、音视频对话、共同编辑文档和点播室（教学视频同步播放）等功能，图3所示为同伴学习者之间围绕数学问题的讨论互动过程示例。

图3 同伴学习者的对话示例

（三）技术路线与具体规则介绍

通过对以上理论框架组件与流程的解读，学伴推荐过程可用图4来进行概括。首先，系统分别运用动态学习者模型、教学模型和领域知识模型分析和提取学习者的静态个性特征（学习风格、偏好等）、学习表现（学习行为、情绪等）和外部学习情境（室内、室外等）等信息。然后，系统将这些数据进行表征和转换为分值矩阵形式，调用相应算法或规则进行学伴类型与人选搜索与匹配，搜索与匹配的条件是计算“系统推荐的学伴特征”与“学习者的特征”之间的相似度或契合度，这个值综合个性特征、知识结构、学习环境等多方面的相似度；这个相似度的计算是基于一定的规则，实际上就是不同的推荐模式，后面将具体阐述。最后，根据计算多维的相似度向学习者推荐适合真实需求的学伴类型与人选，进入系统与学习者协商确认的环节。从这一过程看，可以发现其主要经历两个阶段，即“用户（学习者）特征提取”和“系统推荐学伴”。

图4 学伴匹配与推荐流程图

1. 用户（学习者）特征提取

用户（学习者）特征提取阶段是对学习者的个性特征数据、学习行为数据和学习情境数据进行采集与处理，形成对学习者全方位、综合性的动态识别、分析与诊断，奠定学伴推荐基础，具体技术框架如图5所示。在自适应学习系统的几大组件中，学习者模型具有最核心与基础的作用，该系统对学习者建模的数据主要采集于静态的个性特征数据、动态的学习行为数据和学习情境数据。基于这三类数据，利用深度学习、知识跟踪、情感计算等成熟算法对用户个性特征、学习表现、学习状态和学习情境进行分析、推理和特征提取，实现对学习者的内部个性、学习表现以及外部环境等全面的学习者图像刻画。在该阶段，自适应系统提取出学习风格与偏好等个性特征，诊断出学习者学习表现，分析出学习者知识结构等方面的详细内容，这些是自适应学习系统实现对学习者个性化推荐的必要条件，也是学伴匹配与推荐的关键依据。系统在接收到学习者的学伴请求之后，调用学习者的画像数据与提取特征，在与学习者第一次协商达成一致之后（见图2），调用学习者相关学习数据和特征值填充到“分值矩阵”，自此进入系统推荐学伴阶段。

图5 学习者特征提取技术框架

2. 系统推荐学伴

个性化学习推荐一直是自适应学习发展致力提升的领域。目前从推荐技术层面上来看，系统所采用的推荐算法主要有K均值聚类算法、蚁群算法、Memetic算法、协同过滤算法和混合算法等，从常见的推荐模式来看有协同过滤推荐、基于内容推荐、基于关联规则推荐和混合推荐（对前三种的综合）（赵学孔, 等, 2015）。不同推荐模式下的核心算法不同，比如基于关联规则推荐中应用较多的算法是Apriori算法和FP-Tree算法。本研究从拓展自适应学习推荐内容出发，设计三种学伴类型，其本质上与常规自适应推荐技术与机制不同的是将推荐内容由学习材料转至人这一层面。所以，采取的推荐算法和推荐模式还是与主流的个性化推荐范式相似。由于学伴类型不同，其属性特征也不一样，基于协商的学伴推荐系统采用混合推荐的模式来综合三类推荐模式的优势（见图6），其对应着推荐流程的“规则匹配”。

图6 推荐模式与学伴类型对应关系

在学伴推荐过程中，首先，基于关联规则推荐的模式主要适用于“答疑机器人”类型的学伴，因为基于关联规则的推荐会频繁遍历学习者在系统平台上的学习行为数据，通过分析学习者与学习资源之间的行为数据，挖掘隐藏的规则来产生推荐。而“答疑机器人”是对系统学习资源的内嵌整合，能够结合学习者行为序列发现一些操作上的问题以及与资源应用相关的问题进行解答，以自然语言处理技术为支撑，以对话交互方式向学习者提供带有社会互动性质的学习支持。其次，基于内容推荐的模式是对推荐资源内容的结构性特征属性进行相似度计算而产生的推荐，而“专业教学者”是某学科领域的知识集成者，能够结合学习者知识结构性缺陷问题进行系统性教学支持。最后，协同过滤推荐模式是该系统的重点推荐模式，它的原理非常契合“同伴学习者”的推荐。因为协同过滤推荐是通过寻找与学习者相似的邻居群实现学伴的推荐。这里的“邻居”就是与学习者具有相同或相似问题或经验的学习者群体（Bobadilla, et al., 2012）。根据赵学孔等（2017）的研究，协同过滤推荐的实现有三个阶段：系统建模、获取邻居用户和产生推荐路径。其阶段描述与本研究提出的学伴推荐流程高度一致，系统从学习者的认知水平、个性特征和学习行为等多维度构建学习者模型，以认知与知识相关内容作为判定标准对学习者进行特征提取，并从“同伴学习者”群体中筛选特征相似度较高或一致的同伴作为学伴推荐人选。无论哪种推荐模式，其重要依据都是学习者与学伴资源之间的相似度或者说契合度的计算，据此来实现个性化精准推荐。

三、

自适应学习的社会性发展行动路径

“基于协商的学伴推荐”自适应框架运行流程和技术路线虽然为自适应学习兼顾人的社会性提供了可行的方案，但在现实开发中还存在很多难点，包括全数据的获取与分析问题、学习者与学伴的匹配技术问题以及学伴空间功能搭建问题。在数据上，目前传感器技术虽然发展迅速，能够快速感知和捕捉学习姿态与行为，但技术还不能做到应用于无形，且难以实现对学习者学习数据的全环境、全过程的收集与分析。为了获得较为详细的数据还需要组合使用情绪识别、情感计算、认知计算等多种算法，还需要进一步完善教育数据挖掘技术的支持。在学伴匹配上，因为机器始终不能拥有人的情感与常识来了解学习者的真实所需，即使算法的规则匹配和特征提取也只是在可数据化和可解释性的范围内进行最优化推荐。这一问题在未来可能需要跨学科、跨领域的知识与技术来解决，比如学习分析技术与脑科学、心理学等相融合。在协作功能上，如何搭建适合学习者特征的空间环境，提供丰富而有效的资源选择是个难题，通过VR/AR技术增强沉浸感和互动性，设计更为人性化的协作活动内容或许能够解决。即使前行的道路困难重重，自适应学习的社会性发展在呼吁联结学习、社会学习的时代显得尤为重要。以人工智能、大数据、学习分析为代表的技术赋能，将会助力自适应学习的发展，为这些难点带来破解之方。本研究基于Vandewaetere和Clarebout（2014）提出的关于自适应学习四维视图（见图7），即来源（因何适应）、对象（适应什么）、时间（何时适应）和方法（如何适应），以“基于协商的学伴推荐”自适应框架为例，从技术与内容设计上为自适应学习的社会性发展提出以下明确可行的行动路径，剖析智能技术的赋能作用，加快实践落地。

图7 自适应学习四维视图

（一）适应的来源：紧密结合学习分析，精准自适应学习的起点与过程

适应的来源可能有两种，即学习者特征参数（如学习风格）和学习者与系统之间的交互行为数据。但目前在自适应学习来源数据选择上还没有统一标准，比如学习者特征参数，Vandewaetere（2011）从布鲁姆的分类学出发划分出认知类（学习风格、先验知识、思维能力等）、情感类（兴趣、情绪、态度等）、行为类（寻求帮助、学习者控制、主动与被动等）。选取的特征参数不同，自适应效果也会产生差异，如何精准适应是一个问题。学习分析技术可以作为解决这个问题的密钥。2016年地平线报告指出学习分析和自适应学习是高等教育未来采用的技术，两者具有推动个性化学习的潜力，学习分析不仅能够关注学习者特征，还能收集与分析学习过程数据，通过数据挖掘将有助于理解人是怎样学习的，从而实现对学习的适应性设计。当前学习分析已经开始关注学习者之间、学习群体以及人机交互（吴永和, 等, 2020）。此外，眼动技术、情感计算等多模态数据分析也助力学习分析的发展。基于协商的学伴推荐自适应系统引进学习分析技术，通过挖掘学习者学习日志，采用眼动跟踪、面部表情识别以及情景感知与推理技术获取情感与环境数据，实时捕捉与分析学习者的行为模式，实现对学习者多维特征的动态提取。通过对学习者特征参数和学习行为数据的统筹分析，同时兼顾情感等非认知性因素，能够降低参数选择不同带来的效果差异性，更加契合学习者个性化需求。所以，自适应学习的社会性发展行动路径之一，就是要在适应来源上紧密结合学习分析技术，避开以往个性特征选择上的分歧，动态收集并分析多维的学习行为数据，精准自适应学习的起点和过程。

（二）适应的对象：推进技术研发整合，提供更智能更适合的学习支持

适应的对象，是自适应学习系统所能够适应的内容、内容呈现形式和学习支持等。自适应学习系统目前多数是推荐学习的资源、策略、路径等，还几乎未曾涉及推荐学伴。自适应学习若要在社会性层面有所发展，必须跳出自适应对象的局限，设计出更多交互式人机操作和以技术为中介的同伴协作形式，提供更多融合社交情感、人文关怀的学习支持。“基于协商的学伴推荐”自适应系统的设计，希望能够打破各类自适应平台各自为营、各具特色、基于利益与产权的保护而竞争的局面，朝着构建一体化、系统性贯通“人+技术+教育”全过程的系统方向努力。此外，系统采用人工智能领域的自然语言处理实现对话协作，借助深度学习、情感计算以及大数据时代的数据挖掘、多模态分析、脑科学等技术，能够设计出更优化、更智能、更适合个性需求的学习支持服务。“基于协商的学伴推荐”自适应系统，是对自适应学习系统的升级，将适应性推荐扩展到“人”（虚拟机器人与真实自然人），主要适应的对象是“学伴”。从技术研发和整合角度考虑，在实践行动上有三点努力方向：首先是打破壁垒，整合现有资源，提供一体化服务，这是互相认识自身不足、相互取长补短、走向互惠共生的发展过程。比如，在学伴推荐框架中学伴库的建立可将专业的学校教师与优秀的辅导机构名师联系起来，将正规教育的权威教学与机构教育的个性辅导强强联合起来，以及为表现较好与需要帮助的学习者之间建立学习交流的桥梁实现朋辈互助。其次是推进新技术的融合应用，丰富系统功能。比如，将新兴的教育机器人技术嵌入自适应学习系统之中，配合自然语言处理技术、语音识别技术和情感计算等，使人机会话交互更加自然，非认知性学习数据捕获更加及时，从而扩展机器人学习伴侣的教育应用。最后是设计智能、适合的协作活动，发挥社会性价值。活动是协作学习的载体，本研究提出的学伴空间虽然为协作提供了多种方式或途径，但需要嵌入灵活的协作活动设计，如游戏化学习活动或利用VR、AR技术设计沉浸式学习活动，以协作活动提升社会互动，增强学习者的学习体验。

（三）适应的时间：优化系统用户建模，抓住实施个性化干预的好时机

适应的时间，指的是自适应发生的时间或者情境，通常是由系统用户建模所决定的，模型包含的相关信息越多，系统的适应性就越好，采取的干预就越个性化。一般的自适应系统用户建模在学习者进入自适应学习环境之前属于静态建模，在第一次测量学习者特征之后系统进行首次调整，随后基于学习者交互参数持续进行建模和调整，即动态建模。但目前系统建模的知识存在局限性，很多自适应工具都可以视为一种基于知识的系统，都认为知识是以陈述性和程序性两种方式存在，然后基于学习者的知识水平和个性特征进行建模和学习推荐。本研究提出的“基于协商的学伴推荐”自适应系统设计，从理念上兼顾了学习环境、学习者情绪等多种非认知性因素，打破了传统的用户建模的局限。在基于协商的学伴推荐流程中，系统不仅会对学习者的个性特征和学习行为进行特征提取，还会对学习情境进行感知与推理。而且，系统在学习者动态特征提取中还会识别学习者情绪上的需求以及利用深度学习、知识跟踪等算法对学习者进行全面画像。借助新的算法和技术优化系统用户建模尤为必要。在Vandewaetere 和Clarebout（2014）的研究中就指出运用AI和机器学习来创建动态学习者模型，利用软计算（Soft computing）技术，如模糊逻辑（Fuzzy logic），捕获特定的学习者行为，预测学习者的反应来提供自适应学习路径。现在面部表情识别、情感计算及眼动技术已经运用于生活中，与自适应系统的融合将能帮助识别更多非认知因素，开发出更具适应性和智能化的学习环境，抓住精准施策时机，实现个性化教与学。所以，自适应学习的社会性发展行动路径在适应时间上，应融合新的技术优化系统用户建模，将更多的社会性、非认知因素考虑在内，采集并分析相关数据，帮助系统或教学者抓住实施个性化干预的好时机。

（四）适应的方法：注重人机协同调节，回归以人为本的适性学习设计

适应的方法，主要是区别学习者控制的适应、系统控制的适应以及两者的组合（共同控制）。未来的在线学习形态将是人机共同控制，进一步凸显个性化、自适应的特征，在人与技术的双向适应过程中实现关系整合。“基于协商的学伴推荐”自适应系统设计，就是要进一步推进人机交互向人际交互发展，回归以人为本的适性学习设计。从学习设计的角度考虑，系统需要赋予学习者自我控制和选择的权利，提升学习者自我诊断和自我调节的学习能力；要为专业教学者提供更多的与学习者交流的途径与平台，赋予他们自主权开展灵活教学的权利。因为学习者作为学习主体，自身具备一定的自主性，会根据自身需求、特征来选择适合的学习资源，或者在自我调节认知、情感和行为中适应不同的学习环境，以成就学习和发展。但完全依赖学生的自身适应性对于成功学习有很大挑战，若辅助技术的自适应，助力学习过程与目标的优化与调节，将事半功倍地实现人与技术的双向适应性整合。所以“基于协商的学伴推荐”自适应系统，在理念上为切实推进自适应学习的社会性发展，应从两方面来优化人机协同的方式。其一在学习者使用层面，赋予学习者适当程度的控制权，发展学习者的自我调节能力，运用智能技术使机器快速适应学习者的特征；在采用协商的方式来协调人与机器之间的认知矛盾时，应尊重学习者的主体地位，注重整合人与技术的关系，在人机协商过程中实现人与技术的关系平衡。其二在教学者使用层面，为教学者提供新的学习援助途径，在更为智能的平台上为真正有需要的学习者提供专业支持与指导，以学伴角色增进与学习者的交流互动、改善师生关系。同时，专业教学者还可以借助自适应学习系统的分析诊断功能和学伴空间协作功能设计多样化的学习活动来实施个性化教学，而不是灌输式讲授。

四、

结语

发展是一个立足当下、放眼未来的创新过程，自适应学习在新的技术浪潮之下必将进一步发展，在优化已有的功能和架构基础上向更加人性化的学习服务拓展。自适应学习的教育应用日益繁荣，人们更是将其视为大规模教育之中实现个性化学习的重要路径。然而，在繁荣的表象之下，却是对学习者社会性情感体验的忽视与缺失，致使自适应学习始终无法突破社会性发展的瓶颈。值得欣慰的是，专注于此领域的研究者们已经开始意识到，借助技术中介开展人际交互，尤其是整合技术与人的关系，对于拓展自适应学习的社会性发展十分重要。基于此，本研究提出了“基于协商的学伴推荐”自适应框架并进行了解读，在自适应学习四维视图下提出了行动路径，以启示未来自适应学习的社会性发展路向。

教育的本质始终是人的教育，而非冰冷的机器教育。所以，无论技术与教育怎样融合，我们需要时刻尊重学习者的主体地位。为了弥合人类对技术的不必要的担忧以及完善技术促进人类发展的不足，我们需要探索更多的人与技术的关系整合切入点，让技术服务人的发展，而不是替代或弱化人的自然、社会等本质属性。

参考文献

向上滑动阅览

梁茜，皇甫林晓. 2019. 国外自适应学习技术的研究主题及趋势——基于Web of Science文献关键词的可视化分析[J]. 中国远程教育（8）：47-58.

佩特·约翰内斯，拉里·拉格斯多姆，张永胜，等. 2018. 自适应学习：溯源、前景与误区[J]. 中国远程教育（7）：43-53，80.

吴南中. 2016. 论在线学习范式的变迁：从自主学习到自适应学习[J]. 现代远距离教育（2）：42-48.

吴永和，程歌星，刘博文，等. 2020. LAK十周年：引领与塑造领域之未来——2020学习分析与知识国际会议评述[J]. 远程教育杂志，38（4）：15-26.

赵学孔，徐晓东，龙世荣. 2015. B/S模式下自适应学习系统个性化推荐服务研究[J]. 中国远程教育（10）：71-78，80.

赵学孔，徐晓东，龙世荣. 2017. 协同推荐：一种个性化学习路径生成的新视角[J]. 中国远程教育（5）：24-34.

中国商业电讯. 2018-04-26. AI当“书僮”“小木”机器人让在线教育更智能[EB/OL]. [2020-09-06]. http：//www.prnews.cn/press_release/364349.htm

Azevedo, R., Martin, S. A., Taub, M., Mudrick, N. V., Millar, G. C., & Grafsgaard, J. F. (2016, June). Are pedagogical agents’ external regulation effective in fostering learning with intelligent tutoring systems?. In international conference on intelligent tutoring systems (pp. 197-207). Springer, Cham.

Bobadilla, J., Ortega, F., & Hernando, A. (2012). A collaborative filtering similarity measure based on singularities. Information Processing & Management, 48(2), 204-217.

Bozkurt, A., Kilgore, W., & Crosslin, M. (2017). Bot-teachers in hybrid massive open online courses (MOOCs): A post-humanist experience. Australasian Journal of Educational Technology, 34(3), 39-59.

Chou, C. Y., Lai, K. R., Chao, P. Y., Lan, C. H., & Chen, T. H. (2015). Negotiation based adaptive learning sequences: Combining adaptivity and adaptability. Computers & Education, 88, 215-226.

Chou, C., Lai, K. R., Chao, P., Tseng, S., & Liao, T. (2018). A negotiation-based adaptive learning system for regulating help-seeking behaviors. Computers in Education,126:115-128.

Corbalan, G. , Kester, L. , & Merrienboer, J. J. G. V. . (2009). Combining shared control with variability over surface features: effects on transfer test performance and task involvement. Computers in Human Behavior, 25(2), 290-298.

Dawson, S. (2006). A Study of the Relationship between Student Communication Interaction and Sense of Community. The Internet and Higher Education, 9(3), 153-162.

Fryer, L. K. , Nakao, K. , & Thompson, A. . (2019). Chatbot learning partners: connecting learning experiences, interest and competence. Computers in Human Behavior, 93(APR.), 279-289.

Pizzato, L. A., Rej, T., Akehurst, J., Koprinska, I., Yacef, K., & Kay, J. (2013). Recommending people to people: the nature of reciprocal recommenders with a case study in online dating. User Modeling and User-adapted Interaction, 23(5), 447-488.

Potts, B. A., Khosravi, H., & Reidsema, C. (2018a). Reciprocal Content Recommendation for Peer Learning Study Sessions. International Conference on Artificial Intelligence in Education, 462-475.

Potts, B. A., Khosravi, H., Reidsema, C., Bakharia, A., Belonogoff, M., & Fleming, M. (2018b). Reciprocal peer recommendation for learning purposes. learning analytics and knowledge. Proceedings of the 8th International Conference on Learning Analytics and Knowledge, 226-235.

Roll, I., Wiese, E. S., Long, Y., Aleven, V., & Koedinger, K. R. (2014). Tutoring self-and co-regulation with intelligent tutoring systems to help students acquire better learning skills. Design recommendations for intelligent tutoring systems, 2, 169-182.

Tinto, V. (2003). Learning better together: The impact of learning communities on student success. Higher Education monograph series, 1(8), 1-8.

Vandewaetere, M. , Desmet, P. , & Clarebout, G. . (2011). The contribution of learner characteristics in the development of computer-based adaptive learning environments. Computers in Human Behavior, 27(1), 118-130.

Vandewaetere, M., & Clarebout, G. (2014). Advanced technologies for personalized learning, instruction, and performance. In Handbook of research on educational communications and technology (pp. 425-437). Springer, New York, NY.

Wilcox, P., Winn, S., & Fyviegauld, M. (2005). ’It was nothing to do with the university, it was just the people’: the role of social support in the first‐year experience of higher education. Studies in Higher Education, 30(6), 707-722.

Zhao, C. M., & Kuh, G. D. (2004). Adding Value: Learning Communities and Student Engagement. Research in Higher Education, 45(2), 115-138.

作者简介

郝祥军，博士研究生；顾小清，博士，教授，博士生导师，本文通讯作者。华东师范大学教育信息技术学系（200062）。

基金项目：2019年度国家社会科学基金重大项目“人工智能促进未来教育发展研究”（项目编号：19ZDA364）。

责任编辑：张志祯 刘莉

2021年第8期目次