机构设置 通知公告 管理规章 项目申报 立项数据 成果管理 经费管理 选题征集
 重大项目 优秀成果 年度项目 各地规划 专家数据 教科动态 资料下载 相关链接
2020-03-29 星期日
当前位置:主站 - 优秀成果

智慧学习环境的构建与应用研究

 来源:全国教育科学规划领导小组办公室    发表时间:2020-02-28   阅读次数:1089   作者:祝智庭

    华东师范大学祝智庭主持完成了国家社科基金教育学一般课题“智慧学习环境的构建与应用研究”(课题批准号:BCA140051)。课题组主要成员:顾小清、钱冬明、孙妍妍、李绍杰、刘爱武、雷云鹤、肖玉敏、彭红超、刘楚一。

    一、内容与方法

    (一)内容

    借鉴国内外学习环境相关研究成果,针对智慧学习环境的构建与应用需求,本研究的主要问题包括:
    (1)智慧学习环境建设的指向与理论指导。即智慧教育理论研究,以体现贯一设计理念强调的核心基础和假设的精致协调。
    (2)如何系统构建智慧学习环境。即智慧学习环境的系统分析框架与构建策略,涉及系统架构与技术规范,数据源分析与流程建模、数据分析与可视化、智慧学习对象的语义模型、个性化学习服务机制等内容;
    (3)如何有效运用智慧学习环境。在现有应用项目基础上,重点突破研究智慧学习环境支持的学习方式变革与创新,包括教学法生态与混合学习模式、学科特定的优质学习资源、面向学科思维发展的学习活动设计、学习评估与诊断、数据驱动的教学决策等。
    根据上述研究问题,本课题的内容界定为:
    (1)智慧教育理论研究。通过对智慧教育的概念及内涵、智慧教育的原理与方法的理论研究,为智慧学习环境建设及教育教学变革实践提供理论指导。
    (2)智慧学习环境设计研究。结合信息技术,在智慧教育理论的指导下,展开学科专用教学环境或通过教学环境的设计与建设,如学科创新实验室等;
    (3)智慧教学模式研究。结合学科特点,借助智慧教育环境,在课改理念的引领下,探索技术与学科教学的深度融合,提炼教学模式;
    (4)智慧学习评估研究。即数据驱动的教学决策研究。在智慧教育环境下,探索基于大数据和学习分析的学习评估与诊断的方法及应用模式。

    (二)方法

    1.智慧学习理论研究

    智慧教育理论研究子课题组将主要通过文献调研法查阅、收集、分析和整理相关文献,从哲学研究、历史研究和实践调查研究的视角了解国内外智慧教育理论与实践研究的现状,为总课题研究提供理论上的支持。该课题拟从知识社会的科技与教育发展趋势引发教育变革的视角入手,分析智慧教育越来越引起广泛重视的缘由和必要性,并基于信息化社会文化的背景,阐释智慧教育的内涵与特征,厘清智慧人才的培养方向和基本素养,提出智慧教育的理论研究和实践研究框架,最终形成智慧教育的行动指南,指导智慧教育环境下教与学的变革及变革研究。

    2.智慧学习实践案例研究

    课题团队在全国遴选信息化先进学校,在全国各地成立“智慧教育实验学校”。课题采取高校、学校、企业三方合作的形式,借助社会力量推进智慧教育。课题组定期举办全国性交流会,并对实验学校的骨干教师进行相关培训,以先进理论引领教育变革。自2015年来,课题实验学校中涌现了一批将智慧教育理论与实践成功融合的典型案例。课题团队采取案例研究的方式,通过深度访谈、案例研究等研究方法描述并总结了这些学校实践的理论路线、效果与经验。篇幅所限,本报告将选择三所学校的实践案例作为代表,更多案例正在结集出版当中。

    二、结论与对策

    (一) 智慧教学环境设计原则

    1.学生为中心:提供个性化适需学习服务

    智慧教育将学习者视作完整的人,强调学习者之间的差异,注重每位学习者的智慧都可以得到全面的发展与提高,因此智慧学习空间能够为学习者提供个性化的适需学习服务。对此,智慧学习环境需在对学习者的数据挖掘与学习分析的基础上,全面、客观地了解每位学习者的学习偏好、学习状态及优势与不足,以此精准地向学习者推送符合其特征的学习资源,激发学习者的学习热情、提高学习效率。同时,智慧学习空间能够让学习者舒适地沉浸在技术支持的智慧环境中,允许学习者根据自己发展需求有选择地自主学习。
    2.数据为中心:基于大数据进行学习分析与评估
    基于大数据进行学习分析与评估学习者在学习的过程中会伴随生成大量的行为数据,这些大数据是提供个性化的学习诊断、学习决策、精准推送和多元评估等个性化自适应学习服务的科学依据。基于大数据进行学习分析,可以描述和解释过去的现象、预警和干预正在发生的学习、推断发展趋势和预测将来,让学习者了解自己的学习情况及可能的后果,以便引导学习者向健康的方向发展。另外,通过对大数据的深入挖掘与分析,智慧学习空间可以丰富评价的指标,加强过程性评价和以学习者自评与互评为主的主体性评价,实行多元评估,最后将评估结果做成直观形象的图表,就像汽车驾驶座前面的仪表盘一样,学习分析可视化软件因此被人们称为“仪表盘”(dashboard)。
    3.服务为中心
    智慧学习空间作为促进学习者智慧能力发展与智慧行动出现的最主要学习场所,不能仅止于学习资源服务的开放。对此,智慧学习空间可以基于大平台建构全方位的开放服务模式,主要包括基础设施层开放服务、平台层开放服务、应用软件层开放服务、客户端层开放服务和数据层开放服务五大方面。基础设施层开放服务主要提供各种基础设施的计算资源; 平台层开放服务主要提供各类教育平台(如教育门户网站、社区等);应用软件层开放服务主要提供诸如学习工具、协作交流工具等教育软件服务;客户端层开放服务可以提供各类设备的无缝接入服务,学习者可以在任何设备中获得持续的学习服务; 数据层开放服务则主要面向各市的教育资源和第三方应用等。
    4.体验为中心:基于o2o架构搭建无缝学习环境
    O2O 全称为 Online to Offline,译为线上至线下。O2O 原属于电子商务概念,旨在让互联网成为线下交易的前台,利用线上的优势促进线下营销。这与注重培养较强的创造能力和较深的创造潜能的智慧教育相似。在智慧教育中,行为能力和创造潜能终归要回到实体空间中才能得到较好的培养,甚至所学的所有知识与能力,最终都要应用到实践中,在实践中加以体现。因此,智慧学习空间需要借助 O2O理念搭建无缝学习环境。这样学习者可以在线上的虚拟空间中享受优越的、人性化的学习服务,完成知识的传授与内化,在线下的实体空间中,完成知识的外显与迁移。本团队基于O2O 建构了创客空间2.0,成功地将创客空间升级为线上虚拟空间与线下实体空间相互融合的个人-集体交互学习空间,其中实体空间主要负责项目实践,虚拟空间围绕实体空间提供支持服务。

    (二)智慧教学策略原则

    1.教学智慧策略之人机协同
    智慧学习环境设计中的人机协同主要体现在以下方面。1)教学设计是一种创造性的工作,它涉及创造意识、创造思维、创造行为。从重复性工作到创造性工作的转变主要依赖于志趣智能(Spiritual Intelligence),因此只能由教师完成。而在学习过程中,机器可以作为智能导师,给予个性化的精准导学服务。2)学习时,学生难免会遇到挫折和挑战,导致学生产生消极情绪(如伤心),继而导致学生怕学、厌学。维持学生积极乐观的态度、战胜挑战的勇气属于情感智能(Emotional Intelligence),也须由教师完成。问题是,学生的消极情绪不易识别。这方面,机器的表现更出色。通过面部表情与学习行为的综合分析,机器可以精准地识别学生的学业情绪。3)学习所需的智慧资源(含智能学具)的研发,以及4)测量工具的设计和教学设计一样,均属于创造性工作,由教师负责更为明智,而对资源的适性推荐以及依据测量规则自动组题、批阅等,可交付机器负责。作为学习的结果,除了培养思维能力外,5)学生想象力与创造力的培养,也离不开教师的启发。6)情感品性也是“AI+”时代重要的核心素养,只有教师胜任,因为它的培育需要情感交流、人文关怀。最后,身心健康对教学非常重要,在这方面,机器虽然不能完成医疗师的医治任务,但可以实时监测并反馈每位学生的身心状况。
    人机协同在教学智慧中,主要作为组织智策方案的重要依据,总体原则为以人机的各自优势为导向,谁擅长谁来组织。比如,学习资源的个性化推荐、学习路径定这类智策可交由机器负责,而情感交流、动机激发这类智策可交由教师负责。这样做的好处是,教师可以从简单、重复、单调的工作中解脱出来,集中精力进行创造、情感、启发类工作;学生也可以得到更优质、更贴心的教学服务。

    2.教学智慧之个性化学习

    个性化学习是教学智慧实施智策的主要方略。它既关注同一时间点上,不同个体的差异,也关注同一个体,不同时间的发展。
    技术赋能的个性化学习:向适性发展
    大数据的兴起,使得全方面记录、解读学生的个体特征与实时状态成为可能,个性化学习与自适应学习已经呈现出了相融合的趋势。研究将个性化学习界定为个性化适性学习(Personalized Adaptive Learning,PAL),以便和之前的个性化学习做区分。团队已经设计了一种包含三个信息反馈回路数据流的个性化适性学习系统结构图(祝智庭 & 沈德梅, 2013),清晰地勾勒出了个性化适性学习的架构及其作用机理。简单讲,它的核心理念是“通过技术赋能,实时监测学习者在个体特征、个人表现、个人发展方面的差异与变化,基于这些差异与变化及时地适性调整教学方略,从而开展有效教学”。其中,“个体特征”“个人表现”“个人发展”“适性调整”是个性化适性学习的核心要素。
    个性化适性学习框架
    基于上述的核心要素与核心理念,研究团队构建了个性化适性学习的框架来描绘其样貌。它采用两个维度作为骨架。如1所示,适性轴用来表征当前的个人表现。个性轴用来表征个人发展愿景。两轴交汇处作为个体特征点,用来表征个性化学习与适性学习共有的差异化教学。从核心理念方面解析,个性化适性学习理论上可有三个实现途径:①通过个体特征方面的差异与变化适性调整教学(圆形);②在此基础上,结合当前个人表现方面的差异与变化适性调整教学(高椭圆);③在①的基础上,结合个人发展愿景方面的差异与变化适性调整教学(宽椭圆)。
第①种途径是差异化教学策略的升级,传统的差异化教学策略是分组:同质分组、异质分组。分层教学即是具有代表性的固化、粗略的差异化教学形态,在信息技术环境下,动态分组与干预已成为可能。第②种途径则基于适性学习理念,主要的教学策略有两类:基于规则或数据驱动。前者的教学策略是依据决策树提前预设好的,后者的教学策略则由学生的数据动态生成。第③种途径面向个人发展愿景,主要策略按粒度可分为三种级别的策略:培养方案级(Program)、学程级(Cource)、任务级(Task)。方案级涉及制度的变革,如走班制、选课制等;学程级涉及学习路径的规划;任务级涉及内容、服务等的适配。这三个途径,均可以基于数据的适性调整教学的决策来实现,因此图1刻画的框架以数据决策作为核心枢纽。

                            
                                

 

图1  个性化适性学习框架

    通过大数据方法及其他信息技术来分析每位学习者的个体特征、学习方式、心理状态等多方面影响因素,在此基础上为每位学习者提供不同的教学方案,进行精准教学,是个性化教学的理想情况。然而,由于资源和精力的限制,在现实当中,完全从个体特性出发为每一位学习者设计个性化学习干预方案几无可能。在这种情况下,利用微文化模式的方法可以增强个性化教学的可行性。(祝智庭, 孙妍妍, & 彭红超, 2017)本研究团队提倡的基于微文化模式的个性化学习适配处方模型(如图2所示)

                               

 

2基于微文化模式的个性化学习适配处方模型

    在微文化境域中,个性化学习适配处方分为三个层级:班级层、小组层和个体层。在班级层面,首先感知/领悟微文化中的价值理念所蕴含的智慧,并进行情景化设计。之后借助大数据挖掘形成的个人模式,将学习者进行同质分层,并进行差异教学。这种班级层面的差异化教学作为粗略的个性化教学可以解决大部分学习者的基础知识与技能问题。信息技术的引入使得教学者可实时监控学习者的状态。筛选出学习出现异常的学习者,并进入小组层面的教学。在小组层面,首先要重新分析这些学习者的个人模式,并对他们进行异质分组,异质分组的成员具有“术业专攻”的特点,因此有利于探讨交流、协作创造等高阶认知活动。这种小组层面的合作研创型学习采用“创造驱动认知”的理念来帮助在班级层面学习时,有异常的学习者。对于小组层学习后,依然有学习异常的个别学习者,给予个体层面的适性学习。首先重新分析学习者的最新个人模式,基于学习者的个人模式,解析、适配学生特质,精准推送适切的资源、开展适宜的活动,并辅以个别指导。个体层面的适性学习是最为精细的个性化学习,它不但需要较高的技术支持,也需要教师投入较大的精力,因此在班级层面、小组层面开展较为粗略的个性化学习是有必要的。在这三个层面的学习中,均需要实时测查学习者的个人模式,并将学习者的个人模式在微文化中去情景化,并验证是否达到了微文化中的理念价值(教学目标)的要求。
    这种个性化学习方案,成本较低,可操作性较高。当然在实际的应用中,并非一定要按照从班级到小组再到个体的顺序,根据学习者的人数,我们可以灵活处理。
    另外,对于学习者的分配,可以采用图3所示的适性分配策略(祝智庭 et al., 2017)。班级层面的差异化教学是较为粗略的个性化学习方案,它采用较为通用的措施,其特点是大而全,缺点是无法照顾到每位学生的个体差异。所以它适合帮助解决大多数学习者共同面临的问题,一般讲,80%以上的学习者面临的共同问题适合采用此方法。小组层面的合作研创型学习适用于解决10%-20%的学习者面临的共同问题。一般小组规模4-6人为宜(有研究显示在线学习的最适同伴规模不大于5人(郁晓华 & 江绍祥, 2016)。而个体层面的适性学习需要较高的文化智慧、数据智慧、教学智慧做支柱,也需要专家智慧做个别化分析、制定特定处方,因此个体层面的适性学习需要投入较高的成本、较大的精力,较为适合解决5%以下的学习者面临的问题。

 

                              
 

3 学习者适性分配策略

    3.教学智慧之适性调整
    适性调整是前面所论述的个性化适性学习的核心要素之一,它在教学智慧中,是优化实施中的行动的智慧。前面我们已经界定了个性化适性学习的其他三个核心要素:个体特征、个人表现、个人发展。从个性化程度角度来看,它们的个性化水平依次递增。前面我们介绍了教学智慧的两大根基——数据驱动与数据启发,适性调整策略作为教学决策,同样可以归类到数据驱动的决策与数据其他的决策。接下来,我们将以个性化层级为横坐标、以精准决策的两种类型为纵坐标,来介绍划分出的六个“适性调整”作用域。如图4.5所示的人机协同决策的适性调整教略的方案谱系。谱系中的曲线表示从左向右、从底向上的个性化适性学习实现路线,这一路线遵循人机协同的智慧。
    路径分为三层,每层分为两阶段。个体特征层主要解决“学什么”的问题。该层的数据驱动决策阶段主要进行资源推荐,具体策略为推荐与个体特征相匹配的资源列表,或推荐相似个体特征的学习成功者所学的资源列表。列表按照匹配度从高到低排序,学生可主动选择最适合自己的那个资源来学习。该层的数据启发决策阶段主要进行内容设计,具体策略为教师采用敏捷设计理念为没有匹配成功的学习者设计学习内容。内容按照学习者的个体特征的差异与变化通过多次迭代、增量逐步优化。
    个人表现层主要针对“如何学”的问题。该层的数据驱动决策阶段主要进行活动指引,具体策略为通过挖掘学生的表现数据来识别他/她的学习模式,如果模式显示学生存在问题且这个问题只是个别现象,则可以断定很可能是学生出了问题。需要调整该学生的学习活动。如果模式的问题是多数学生的问题,则可以断定很可能是教学方略出了问题,可以在数据启发决策阶段进行基于问题导向修正、优化学习方略。
    个人发展层面向学生在个人愿景方面“学得如何”的问题。该层的数据驱动决策阶段通过监测学习结果,预测学生是否能够提前完成学习目标(具体策略可参考精准教学的以测辅学机制(彭红超 & 祝智庭, 2017),如果是,则在当下的学习过程中推荐与其个人发展吻合的富有挑战性的任务,促使学生在此方面得到拓展提升。该层的数据启发决策阶段,主要对学生在拓展提升时遇到的问题进行针对性的辅导。具体策略为:对多人遇到的相同问题采用集中辅导方式,对个人遇到的个别问题进行个别辅导方式。
    这种方略按照个性化程度由低向高为学习者提供个性化的适性学习服务,很好地兼容并串联了差异化教学、适性学习、个性化学习,也能很好的兼容个性化学习适配处方与学生适性分配策略。

 

图4.5  人机协同决策的适性调整教略的方案谱系
 

    (三)智慧评估:精准评估学习效果、精准提供教育决策
    智慧评估主张借助信息技术的力量,创建具有一定智慧(如学习分析、人工智能、情感计算等)的评估方式,从“以学习者为中心”出发,精准评估学习效果,解释学习过程中的问题,为提升教育质量和教育决策提供科学可靠的依据。
    1.实现全面、多元评估。
    智慧评估倡导采用科学创新的评估模式,在评估方面体现自动、智能化与发展性,以丰富的评价指标,结合结构化、指标化的评价量规,深入发掘与分析记录的学习历史数据,加强过程性评价和以学习者自评与互评为主的主体型评价,实行多元评估,不仅能使评估过程更为快速、直观,还能诊断与检测隐性的能力与素质要求,使评估不再停留于浅层的识记、理解维度,更能发现隐藏的问题,为促进学习者进一步发展提供科学的依据。
    2.夯实以测辅学。
    信息技术的迅猛发展,使得学习评估有证可循,从经验性评估走向依据科学数据分析的发展性评估。早期精准教学的“以测辅学”机制注重行为本身,而智慧评估对教育教学测评有了新的要求。以测辅学是智慧教育境域中精准教学的核心机制,智慧评估摒弃传统教学中教师凭主观经验调整教学方式,转而强调以学生实施表现数据为依据辅助教学,这使得教学更加有理、有据。智慧评估克服了传统教育评估中的技术短板,牢牢把握测量、记录、决策三要素,使用科学测量工具即时甚至实时地测量学生的学习表现,记录学生的学习表现甚至实时地记录在标准变速图表上,通过学生的学习表现蓝图及时甚至实时决策,若学生存在问题及潜在问题则及时辅助。在信息技术的支持下,测量、记录和决策自然过渡且循环发生,评估过程更智慧,评估结果更真实。
    3.增强个性化。
    智慧教育将学习者视作完整的人,强调学习者之间的差异,注重每位学习者的智慧都可以得到全面的发展与提高。学习者在学习过程中会伴随生成大量的行为数据,这些大数据是提供个性化的学习诊断、学习决策、精准推送和多元评估等个性化自适应学习服务的科学依据。智慧评估能够更加全面、客观地了解每位学习者的学习偏好、学习状态及优势与不足,以此精准地向学习者推送符合其特征的学习资源,激发学习者的学习热情、提高学习效率。
    4.使能深度学习。
    智慧评估是技术增能的基于数据的评估,它具有评估全程化、多元化、多维度、主体化以及结果可视化特性,旨在以评促学、以评促发展。智慧评估的理念为以测识学、以绘视学、以评辅学,它借助构量理论( Construct Theory)解读测变量所表征的实质意义,借助数理统计解读监测数据的潜在价值,借助科学技术实现上述过程自动化、静默化,实现全程评估、深度挖掘与结果可视化。深度学习能力均是难以监测与评估的高阶能力,而智慧评估可以作为解决这一难题的方略,以检验深度学习成效。

 

主办单位:全国教育科学规划领导小组办公室
地址:北京市北三环中路46号 邮编:100088 电话:(010)62003307 传真:(010)62003859
技术支持:教育部教育信息中心