美国K-12自适应学习工具的应用与启示
随着科学与技术的迅速发展，自适应学习工具为学习者的学习提供了个性化的指导，如何充分利用自适应学习工具满足学习者的需求成为教育技术领域亟待解决的问题。在美国K-12教育阶段，自适应学习工具（Adaptive Learning Tool）已成为辅助教师教与学生学的重要的在线学习系统，不仅减轻了教师的负担，而且促进了学生的学习。通过解码美国K-12自适应学习工具，发现其自适应功能主要体现在自适应内容、自适应评估和自适应序列三个方面，在此基础上剖析了美国典型的自适应学习工具，以LearnBop为例剖析了逐步导学的自适应内容，以CK-12为例剖析了层层递进的自适应评估，以DreamBox、SuccessMaker和Fishtree为例剖析了井然有序的自适应序列，以期通过美国K-12自适应学习工具的具体应用，为我国K-12自适应学习工具的建设提供参考。
【关键词】美国；K-12；自适应学习工具；自适应内容；自适应评估；自适应序列；提示；反馈
【中图分类号】G40-057 【文献标识码】B 【文章编号】1009-458ｘ（2018）9-0073-06
一、引言
随着科学与技术的不断进步，学生对学习的需求越来越个性化，尤其是处于中初教育阶段的学生，他们的学习差异性较大，每个人都有着独特的认知水平与学习风格，在学习知识与技能的过程中需要符合自身特点的自适应学习（Raible, Bennett, & Jowallah, 2014）。自适应学习力图根据每个学生的独特需求统筹各种资源的配置，为每个学生呈现与他们自身能力相适应的个性化的学习材料，从而真正做到以学生为中心，实现每个学生都可以获得最优化资源的目标，达到每个学生都可以获得个性化指导的效果（Don⁃nell, et al., 2008）。为了推动自适应学习，国内外先后出现了许多自适应学习工具。自适应学习工具是以自适应学习为宗旨的一种教育技术手段，美国教育部教育信息化办公室将自适应学习工具定义为一种可以根据学生在学习过程中反馈的信息，自动改变学习内容与学习策略的系统。自适应学习工具可以为每个学生提供定制化的内容，可以促进更加个性化的学习体验（陈智慧, 2016）。
近年来，在美国K-12教育阶段，越来越多的学校与教育机构等开始关注如何建设与应用自适应学习工具（Gerard, Matuk, Mcelhaney, & Linn, 2015）。在日益多样化的学习空间中，自适应学习工具被广泛应用于教学过程中，使得教学不再局限于学校与课堂（姜强,等, 2016）。通过自适应学习工具可以记录与分析学生的学习过程，自动匹配适合的学习方式，从而促进学习（董晓辉,等, 2017）。从目前来看，美国关于K-12自适应学习工具的研究发展得较为迅速，为促进学习方式的变革提供了有效的依据。本文将对美国K-12自适应学习工具进行分析，以期为我国K-12自适应学习工具的建设提供参考。
二、从认识到解码，审视美国K-12自适应学习工具
21世纪以来，自适应学习工具是教育技术领域最具挑战的一项研究，它的出现有效地保障了教育信息化的发展条件，有力地推动了教育现代化的发展进程（郭朝晖,等, 2016）。它着眼于几个基本问题：能否提高学生对学习的投入？能否提供有意义的学习内容与评估？能否调整学生在学习知识与技能时的序列？最重要的是能否缩小学生在学习成绩上的差距？这些问题成功吸引了研究者的注意（Jones & Jo, 2004）。随着研究的不断深入，自适应学习工具也越来越优化，越来越智能。在美国K-12教育阶段，学生的背景千差万别，而学校能提供的个性化指导又十分有限，所以，自适应学习工具的应用就显得尤为重要（Tseng, Chu, Hwang, & Tsai, 2008)。具体来说，美国K-12自适应学习工具的自适应功能主要体现在自适应内容、自适应评估和自适应序列三个方面。
（一）自适应内容
自适应内容是指自适应学习工具根据每个学生对知识的理解情况与掌握程度，实时提供适应性提示与即时性反馈，强调对学习过程的指导，侧重在学生问题解决过程中给予解题步骤的提示与解题结果的反馈，这种学习支架就像教师与学生之间的对话，教师通过提示与反馈引导学生进行问题解决，促进学生对问题的积极思考与深入探索，帮助学生主动参与到学习活动中（Premlatha & Geetha, 2015）。自适应内容为学生搭建了学习支架，主要包括两个方面的内容：一是落脚于知识子集而非知识全集，为了防止一味地给予学生提示而导致“高原效应”与“学习效益递减规则”的出现，自适应学习工具使用适应性提示，首先根据解题思路划分解题步骤，然后为每一步嵌入提示，最后学生根据自身情况选择相应提示，并完成问题解决；二是落脚于错误答案而非正确答案，自适应学习工具根据每个学生的答题情况，提供即时性反馈，这种反馈不仅为学生呈现所提交答案的正误，而且为给出错误答案的学生提供进一步的解释，这样可以保证学生即时了解与掌握自身的学习情况，从而对自身的学习进行调整与控制。自适应内容中最核心的就是搭建学习支架，即自适应学习工具应按照分解的步骤，提供提示与反馈，小步子引导学生进行问题解决。
（二）自适应评估
在传统评估中，测试时间是固定的，测试内容是固定的，所有学生在同一时间使用同一试卷测试，同时根据同一标准进行评估，而自适应评估将评估提升到了新阶段。自适应评估是指根据每个学生对上一道问题的答题情况自动调整下一道问题的难度。也就是说，如果学生上一道问题的答案正确，下一道问题的难度就会增加；反之，如果学生上一道问题的答案错误，下一道问题的难度就会降低（Fasihuddin, Skinner, & Athauda, 2016）。自适应评估主要适用于两种情况：一是基于练习的自适应评估，一般用于课后练习，以此检验学生对课堂学习内容的理解情况与掌握程度；二是基于测试的自适应评估，一般用于阶段测试，以此检验学生对一个阶段的学习内容的理解情况与掌握程度。不论是基于练习的自适应评估还是基于测试的自适应评估，自适应学习工具都会提供诊断报告。对教师而言，诊断报告是对学生学习的反映，有利于进行调整教学，有针对性地为学生提供指导；对学生而言，诊断报告是对自身学习的评价，有利于进行查漏补缺，并对自身的学习有一个整体的把握；对家长而言，诊断报告可以了解和掌握孩子的学习情况，有利于与老师进行沟通。自适应评估的诊断报告可以使教师、学生与家长都受益。
（三）自适应序列
自适应序列是自适应学习工具中最复杂的一个功能，是指根据不断收集与分析学生数据，通过算法与预测自动调整推送的学习内容的顺序（Hnida, Idrissi, & Bennani, 2016）。自适应序列的过程主要包括以下三个步骤：
第一步是收集数据。从收集数据的广度来看，一是收集学生的学习成绩，即学生答题的答案与时间等；二是收集学生的学习过程，即学生答题的正确率与使用帮助的资源类型，如虚拟计算器与虚拟时间线等；三是记录学生的学习兴趣，即学生反复使用的资源类型。从收集数据的高度来看，一是收集数据的难度，即学生问题解决的复杂程度；二是收集数据的粒度，即学生掌握知识或技能的具体程度。从收集数据的深度来看，主要收集学生个体的整体学习情况，从而建立学生个人数据库，并以此作为不断调整学习路径的依据。随着时间的推移，学生个人数据库的数据也会不断丰富与完善。
第二步是分析数据。在收集完数据后，自适应序列根据收集的数据进行分析，不同的自适应学习工具的分析方法有所不同：一种是权衡数据，即权衡学生答题过程中各个因素的比重，如权衡正确率与时间的比重，并加权处理；一种是确定标准，即确定学生对知识的掌握程度，如确定若学生可以掌握80%以上的知识就可以进入下一阶段的学习；一种是比较个体，即分析比较两个先验知识水平相同的学生的数据；一种是推算概率，即推算学生有多大可能掌握知识与技能。
第三步是调整推送。在分析完数据后，自适应序列将调整接下来推送的学习内容：一种是推送固定的学习内容，即学生没有选择权，必须完成此内容的学习；一种是推送推荐的学习内容，即学生可以根据自己的需求进行选择，不强制要求必须学习。
三、从整合到剖析，定位美国K-12自适应学习工具
自适应学习工具的核心是自适应内容、自适应评估和自适应序列，其宗旨是尽可能满足学生的个性化需求。作为正在蓬勃发展的一种学习工具，美国自适应学习工具的设计各具特色，尤其在K-12教育阶段很多典型的自适应学习工具脱颖而出。如LearnBop以自适应内容为亮点，CK-12以自适应评估为亮点，DreamBox、SuccessMaker和Fishtree等以自适应序列为亮点。这些自适应学习工具都在美国K-12教育阶段获得较为广泛的应用。
（一）整合自适应学习工具，构建自适应学习环境
自适应学习工具通常具有三个核心功能：自适应内容、自适应评估和自适应序列。自适应内容用于指导学生的学习过程，自适应评估用于记录学生的学习结果，自适应序列用于调整学生的学习进度，三者相辅相成，构建出合理、完整的自适应学习环境。LearnBop、CK-12、DreamBox、SuccessMaker和Fishtree等美国K-12自适应学习工具就充分体现了自适应学习工具的优势。表1展示了各个工具的内容模型、学生模型与教学模式。
（二）逐步导学的自适应内容——以LearnBop为例
LearnBop由Bharanidharan Rajakumar和Ar⁃thur Tu于2012年6月发布，其设计灵感来自于卡耐基梅隆大学人机交互研究所与匹兹堡大学科学学习中心对智能导学与学习科学的研究。LearnBop致力于分解数学知识，让学生逐步学习并独立解决问题。LearnBop特邀数学专家研发学习内容，现已发布数千个数学问题，涵盖美国K-12教育阶段数百个数学概念，并有5,000多名学生与500多名教师在100多所学校中使用。LearnBop通过数据挖掘与机器学习，使用基于算法的个性化匹配方式，用复杂的算法指导学生自适应学习。
LearnBop是一个以自适应内容为亮点的自适应学习工具（如图1所示），其核心是逐步导学，宗旨是一步一步帮助学生从错误中学习。LearnBop把复杂的问题分解成简单的步骤，同时为每个步骤精心设计引导性提示与教学性视频。引导性提示引导学生将已知的概念与现在的问题联系起来，唤起学生的先验知识，以启发解决此问题；教学性视频提供相关知识的讲解，让学生在回顾先前知识的同时独立思考解决此问题，在答题的过程中学生可以根据自身情况选择相应的帮助。LearnBop为学生呈现的引导性提示与教学性视频是渐进的，这种逐步导学的过程正是模仿学生的自我思考过程，一步一步将学生带入学习情境中，提高学生对学习的积极性与参与度，同时训练学生的思维水平，促进学生对知识的深入思考与积极探索。此外，在提交答案后，LearnBop会自动呈现即时性反馈，不仅显示答案正误，对于错误答案还会显示纠正性反馈，并鼓励学生再次尝试。不仅提高了学生的学习自信，而且培养了学生的自学能力。
LearnBop是教师教学的好助手。第一，教师可以使用LearnBop选择与其课程相符的问题；第二，LearnBop可以代替教师为学生提供适应性提示与即时性反馈，引导学生解决问题；第三，LearnBop可以代替教师为学生提供实时的个性化指导，从而缩小学生之间的差异，帮助教师保证课程的进度。
LearnBop也是学生学习的好助手。第一，可以获得实时的个性化指导，适应性提示和即时性反馈，有利于加深对问题的理解；第二，可以自定步调，确定呈现提示与反馈的时间与程度；第三，可以提高自己的问题解决能力与学习迁移能力。
（三）层层递进的自适应评估——以CK-12为例
CK-12是由CK-12基金会赞助的非营利性自适应学习工具，致力于成为全球K-12教育阶段的优质学习系统，使用范围现已遍布美洲、欧洲与亚洲等，使用学校现已超过四万所，涵盖科学、技术、工程等多门学科。CK-12的理念是“学习的过程就像是一个人旅行的过程”，其使命是“要使每个学生都能以自己的方式学习，实现自适应学习”。
CK-12是一个以自适应评估为亮点的自适应学习工具。CK-12根据学生上一道题的答题情况，自动匹配下一道题，若上一道题答案正确则进行下一类型问题的回答，若上一道题答案错误则自动匹配相同类型的问题重新回答。其间，学生可以使用提示与视频帮助学习。例如，在“整数减法”这一练习中，第一个类型的问题考察两个正整数的减法运算，“请计算（14）-（+8）等于多少”，若回答正确，则进行下一个类型的问题，考察一个正整数与一个负整数的减法运算，“请计算（8）-（-6）等于多少”；若回答错误，则再计算一道第一个类型的问题，“请计算（18）-（+8）等于多少”，其间会提示学生使用帮助。但如果答案一直错误，则会提示学生重新学习此内容。通过自适应评估的练习与帮助，学生一方面意识到自身的问题所在，另一方面经过强化训练，获得学习的进步与提升。CK-12使用基于规则的个性化匹配方式，根据预先存入的一系列“IF-THEN”来构建规则，实现问题的难度匹配。
在学生完成练习后，CK-12为学生提供形成性诊断报告，包括答案的正确率、总正确个数、连续正确个数、总时间与技能水平等（如图2所示），还包括详细的答案记录，并根据答题情况划分为高、中、低三个掌握程度。形成性诊断报告用于检验学生对某一个知识的学习情况，重视的是过程，可以激励学生学习，帮助学生调控学习过程，促进学生的进步与发展。在学生长期使用CK-12学习后，CK-12为学生提供总结性诊断报告，包括学生此阶段已掌握的知识和待完善的知识。总结性诊断报告用于检验学生对某一阶段知识的学习情况，重视的是结果，可以形成对学生的总体性评价，有利于学生了解与认识自身的学习情况。
（四）井然有序的自适应序列——以Dream⁃Box、SuccessMaker和Fishtree为例
自适应序列是最复杂的一个自适应功能，主要包括加权、对照和推荐三种类型。自适应序列使用基于算法的个性化匹配方式，通过使用数学函数与数理统计分析学生的表现以及内容的呈现。
加权自适应序列首先确定影响学生最终分数的各个因素，然后确定各个因素所占的比例，最后加权确定学生的最终分数。以DreamBox为例，其适用人群是K-8教育阶段的学生，适用科目是数学，现已有超过1,800门课程。DreamBox像一位虚拟教师，一方面收集已掌握的知识，另一方面收集学习新知识的过程，通过加权答题的正确率与时间确定学生的整体学习情况，之后调整推送。这种加权自适应序列考察的因素更全面，更能准确地反映学生的学习情况。
对照自适应序列首先分析学生的学习情况，然后寻找与之水平相当的学生进行比较，最后由此及彼确定此学生现在可能最需要的学习内容。以Success⁃Maker为例，其适用人群是K-8教育阶段的学生，适用科目是语文与数学，现已为每个年级提供了约45个课时。SuccessMaker收集已掌握的知识与学习新知识的过程，通过算法分析学生的学习表现，并与其他类似的学生比较，根据其他学生曾经的需求与选择，估计此学生现在最需要的学习内容，之后调整推送。这种对照自适应序列从现实出发，更能满足学生的需求，更能切合学生的期望。
推荐自适应序列先发现学生学习的习惯或薄弱之处，再匹配相应的学习内容。以Fishtree为例，旨在为教师设计、调整与衡量学生的自适应学习提供一个平台。Fishtree除收集学生已掌握的知识与学习新知识的过程之外，还收集学生常用的资源与帮助类型，通过算法分析学生的习惯与薄弱之处，选择学生感兴趣的或对学生有帮助的内容进行推送，这些推送是辅助性的学习材料，并非强制完成的作业。这种推荐自适应序列为教师和学生提供了全新的技术支持，提供了与众不同的教学体验，有利于补救学生的学习漏洞，有利于提高学生的学习质量。DreamBox、Suc⁃cessMaker和Fishtree自适应序列过程如表2所示。
四、从反思到重构，建设我国K-12自适应学习工具
2017年我国教育部颁布的《教育信息化工作要点》明确指出，以“一生一空间，生生有特色”为目标，推动“网络学习空间人人通”的普及应用。在网络学习空间的建设中，为实现学生的自适应学习，促进教师的多样化发展，有利于师生的共同成长与共同进步，建设与应用自适应学习工具就显得尤为重要。因此，在我国教育信息化发展的关键时期，借鉴国外优质的自适应学习工具的成功经验，对建设有中国特色的自适应学习工具具有重要的现实意义。
（一）借助多方合力，构建系统、开放的自适应学习工具
针对我国实际，需加强面向基础教育阶段的自适应学习工具的研究与开发，为处在基础教育阶段的学生提供优质的自适应学习工具（姜强,等, 2013）。自适应学习工具的研究与开发是一个复杂的过程，不仅需整合教育学、心理学和计算机等方面的知识，还需整合企业和教师的支持。美国K-12自适应学习工具的研究与开发就非常注重机构之间的合作，包括高校、研究所、企业与中小学之间的合作，通过借助各方合力致力于构建优质的K-12自适应学习工具。从应用现状来看，面向K-12教育阶段的自适应学习工具需注意系统性与开放性。系统性是指自适应学习工具需实现资源共享，避免重复建设，做到资源最大化服务于学习；开放性是指自适应学习工具不仅应向教育机构与学校开放，而且应向个人开放，如CK-12就允许个人使用，为每个学生的自主学习提供了很大的便利。此外，在美国的一些教育网站上，有对不同的自适应学习工具的介绍，包括基本信息、特点与使用方法，帮助教师和学生根据自身情况进行选择。美国K-12自适应学习工具的建设说明，要以系统开放为原则，使自适应学习工具的质量得以保证与提升，更好地服务于教育（何克抗, 2017）。
（二）满足学生需求，打造智能、个性的自适应功能
自适应学习工具的核心就是自适应功能，为每个学生提供个性化的帮助与支持，打造智能个性的自适应功能是建设自适应学习工具真正要实现的目标，是未来自适应学习的发展方向（吴永与,等, 2017）。从美国K-12自适应学习工具的典型案例来看，自适应功能主要集中在自适应内容、自适应评估和自适应序列三个方面，为K-12教育阶段的教与学提供了新的解决方式。以LearnBop为例，逐步导学的自适应内容由小到大，通过分解问题以及一步一步的提示和反馈，帮助学生理清思路并解决问题。以CK-12为例，层层递进的自适应评估由浅入深，通过评估作答情况，确定问题的呈现难度，并对练习或测试进行诊断。以DreamBox、SuccessMaker和Fishtree为例，井然有序的自适应序列由少到多，通过调整推送，帮助学生再评补救，实现真正的有意义学习。由此可见，教师使用自适应学习工具，既有利于对学生进行即时的指导，又有利于对学生的学习情况进行全面整体的把握；学生使用自适应学习工具，既有利于随时随地实现个性化学习，又有利于获得形成性评价与总结性评价。自适应学习工具已成为美国K-12教育阶段教师与学生的重要工具。因此，在我国K-12自适应学习工具的建设中都应围绕自适应功能展开，打造智能、个性的自适应功能。
（三）联结教师和学生，探索简单、高效的学习服务模式
自适应学习工具的服务对象主要是教师和学生，他们都是自适应学习工具的受益者（吴南中, 2017）。随着“做中求学，学中求思”思想的深入，教师越来越认识到为了让学生更好地学习，不仅要提高学生的积极性，而且要提高学生的反思意识。自适应学习工具就是一个很好的系统，自适应内容与自适应序列可以促进学生“做中求学”，自适应评估可以促进学生“学中求思”。如果教师能根据课程内容与亮点选择合适的自适应学习工具，就会提高教学质量。从美国K-12自适应学习工具的应用现状来看，在应用过程中非常注意教师与学生的联系，紧紧围绕课程目标，结合适应性的学习支架、多样化的学习评估和自动化的学习补救，帮助学生简单、高效地掌握学习内容。教师在教的过程中，借助自适应学习工具呈现精心设计的练习与测试，即时掌握学生的学习动向；学生在学的过程中，借助自适应学习工具建构自己的学习框架，扎实自己的学习基础。因此，在应用自适应学习工具时，要注意联结教师与学生，教师需认真安排学习内容，组织学习环境，学生需努力适应远程学习方式，制定学习计划，完成学习任务。教师与学生相辅相成，形成简单、高效的教学活动。
五、结语
远程教育的主要目的就是为了满足学生的个性化需求，实现教师的彻底解放。自适应学习工具的出现更加促进了远程教育的发展（Karampiperis & Sampson, 2005）。本文从美国K-12自适应学习工具出发，通过解码与剖析，从自适应内容、自适应评估和自适应序列三个维度阐述自适应学习工具的内核、特点与运行机制，以期为我国K-12自适应工具的建设提供启示，建设自适应内容、自适应评估和自适应序列“三位一体”的自适应学习工具，从而提高我国远程教育的质量，激发学生的学习兴趣，促进教师的专业发展。
[参考文献]
陈智慧. 2016.基于学习分析的适应性学习路径推荐系统设计与开发[D].华中师范大学.
董晓辉，杨晓宏，张学军. 2017.自适应学习技术研究现状与展望[J].电化教育研究，38（02）：91-97，121.
郭朝晖，王楠，刘建设. 2016.国内外自适应学习平台的现状分析研究[J].电化教育研究，37（04）：55-61.
何克抗. 2017.教学代理与自适应学习技术的新发展——对美国《教育传播与技术研究手册》（第四版）的学习与思考之六[J]. 开放教育研究（05）：11-20.
姜强，赵蔚，王朋娇. 2013.自适应学习系统中双向适应交互评价实证研究[J].现代远程教育研究（05）：106-112.
姜强，赵蔚，李松，王朋娇. 2016.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育（02）：25-32.
吴南中. 2017.自适应学习模型的构建及其实现策略[J].现代教育技术（09）：12-18.
吴永与，李若晨，王浩楠. 2017.学习分析研究的现状与未来发展——2017年学习分析与知识国际会议评析[J]. 开放教育研究（05）：42-56.
Donnell, C., Harwood, R., Gholson, B., Graesser, A., Craig, S. D., Ward,W., Siler, S., et al. (2008, January). Enhancing Learning Using Adap⁃tive Computerized Tutoring in K-12 Settings. In Proceedings of theCognitive Science Society (Vol. 30, No. 30).
Fasihuddin, H., Skinner, G., & Athauda, R. (2016). Using learningstyles as a basis for creating adaptive open learning environments: anevaluation. Inderscience Publishers.
Gerard, L., Matuk, C., Mcelhaney, K., & Linn, M. C. (2015). Automated,adaptive guidance for k-12 education. Educational Research Re⁃view, 15, 41-58.
Hnida, M., Idrissi, M. K., & Bennani, S. (2016). Adaptive teaching learn⁃ing sequence based on instructional design and evolutionary computa⁃tion. International Conference on Information Technology Based High⁃er Education and Training (pp.1-6). IEEE.
Jones, V., & Jo, J. H. (2004). Ubiquitous learning environment: an adap⁃tive teaching system using ubiquitous technology. (pp. 468-474).
Karampiperis, P., & Sampson, D. (2005). Adaptive learning resources se⁃quencing in educational hypermedia systems. Journal of EducationalTechnology & Society, 8(4), 128-147.
Premlatha, K. R., & Geetha, T. V. (2015). Learning content design andlearner adaptation for adaptive e-learning environment: a survey. Klu⁃wer Academic Publishers.
Raible, J., Bennett, L., & Jowallah, R. (2014). Factors influencing the se⁃lection of an adaptive learning technology within university andK-12. FDLA Journal, 1(1), 1.
Tseng, J. C. R., Chu, H. C., Hwang, G. J., & Tsai, C. C. (2008). Develop⁃ment of an adaptive learning system with two sources of personaliza⁃tion information. Computers & Education, 51(2), 776-786.
收稿日期：2017－12－18
定稿日期：2018－01－25
作者简介：张钰，硕士研究生；王珺，博士研究生，副教授，硕士生导师。南京师范大学教育科学学院教育技术系（210097）。
责任编辑 韩世梅