人机协同视域下在线开放课程平台的个性化学习机制研究

刘芝兰，刘永贵

（南京邮电大学教育科学与技术学院，江苏南京 210023）

0 引言

随着“互联网+”教育的飞速发展，以中国大学慕课、雨课堂、Coursera 等为代表的在线开放课程组织成为大学生数字化学习的重要支撑，并在疫情阶段“停课不停学”中发挥了重要作用。但发展至今，课程完成率不高、很多慕课仍采用传统讲授教学模式等问题仍然困扰着慕课的发展。结合慕课开发的价值取向，促进学生的个性化学习应是解决以上慕课问题的基础，同时也应是在线开放课程平台架构的根本诉求和内在逻辑［1］。随着人工智能时代的到来，建立智能化系统能有效辅助个性化教学，人工智能的发展为在线开放课程平台支撑学习者的个性化学习提供了可能［2］。然而，当前人工智能技术仍以弱人工智能为主，“人机协同”是人工智能长期发展的必然路径，教育人工智能的发展也概莫能外。在线开放课程平台要在智能时代获得可持续发展，势必也需要从“人机协同”视角进行改造与优化，为学生提供个性化的学习服务，以期使大规模个性化在线学习成为可能。

1 相关研究与现状

1.1 在线开放课程平台界定

21 世纪，随着网络和信息技术的发展，知识的形式、传播方式、承载介质等都发生了本质变化。信息时代的知识结构是三维立体的，学习过程也是动态变化的，因此在线学习是必不可少的途径［3］，而“在线学习平台是保障和促进积极有效学习的重要因素”［4］。得益于网络的开放和便利，教育形式变得更加丰富，在线学习平台也呈现多样化趋势。早期出现的学习管理系统（Learning Management System，LMS）也被称为虚拟学习环境（Virtual Learning Environments，VLE）。刘新阳［5］根据Paulsen、Kaplan-Leiserson 等关于LMS 的界定，总结出LMS 的大致定义，指明其是E-Learning 支持平台，具有对教学过程中学生管理、课程部署、学习内容发布、学习过程跟踪、师生交流互动、学习绩效评价等诸多环节的全面支持功能。之后出现的MOOCs，以美国影响力最大的3 个MOOC 运营机构Coursera、Udacity 和edX 为例，均开发了自主MOOC 平台。MOOC 平台与原有网络教学平台定位不同，呈现出一些不同特点［6］。

尽管MOOC 平台与学习管理系统在平台定位、平台特色上具有一定差异，但是随着技术的进步，一些典型的学习管理系统也在往MOOC 版本发展，而MOOC 平台的性能从整体上落后于这些已经过多年深度研发的典型网络教学平台。在网络技术迅速发展的21 世纪，不论哪种网络教学平台，其总发展趋势都是与技术和谐共生，促进人更好地进行学习。因此，本文将以学习管理系统、MOOC 平台为代表的网络教学平台都归结为在线开放课程平台，并在此基础上研究代表平台支持个性化学习的现状。

1.2 相关研究

现有针对在线开放课程平台的研究所关注的重点主要归纳为：

（1）基于平台形成不同教学模式，具体包括移动学习模式，以及结合翻转课堂、SPOC 的混合教学模式等，探索针对具体课程的教学模式改革路径。例如葛福鸿等［7］构建基于智能教学平台的高校混合式教学模式，从学习任务单、教学资源、教学活动、教学评价和教学策略5 个方面优化课堂教学设计，为高校课堂教学改革提供了借鉴。

（2）对于学生在平台上学习涉及的一系列因素进行针对性研究，主要包括学习目标、学习动机、学习行为分析，以及学习效果评价与认定等。例如李东明等［8］为解决MOOC 平台开展在线学习过程中留存率与完成率低的问题，基于期望确认模型和沉浸理论构建在线学习平台学习者持续使用意向影响因素模型，并进行相关实证研究；汪基德等［9］通过文献研究与实地调研，从在线开放课程平台的课程质量保障体系、学分管理体系、第三方评估机构和在线学习与考核监管4 方面为在线开放课程的学分认定提供建议。

（3）平台相关建设，包括课程建设、运营模式设计、平台构建等。例如聂建峰等［10］从高等学校内、外部两方面给出优化在线开放课程建设的策略；徐焱［11］从学习者视角对国内的MOOC 平台进行对比分析，提出做好平台定位、合理设计页面、规范课程资源以及增加多样化交互的建议；李白燕等［12］针对区域性高校在线开放课程平台如何建立可持续发展的资源共享机制给出相关建议。

已有文献对于在线开放课程平台的教学模式、教学效果、课程建设等方面作了诸多探索与实践，并取得了一定成果，但仍存在以下不足：①针对平台自身建设的研究较少，而是多从对比中发掘优劣，针对深层原因与机理的阐述较为缺乏，缺少系统性平台建设的思考；②关于智能时代下人与平台关系的思考较为单一，多从平台技术的角度出发，人与技术存在割裂情况。

1.3 在线开放课程平台支持学生个性化学习现状

从孔子开始，因材施教一直是历代教育家的追求［13］。但由于学习者先验知识、学习风格等的不同，即使是面对相同内容，不同学习者的学习投入、学习策略、学习效果等均存在差异。居高不下的生师比以及高昂的教育成本，使得个性化学习在面对面教学中难以实现。然而，人工智能为大规模教学中的个性化学习提供了可能。实现以学生为中心的因材施教，为每个学生定制出符合其特点的学习发展路径，是智能教育的重要目标和追求［14］。教育部《教育信息化2.0 行动计划》中明确提出要构建一体化的“互联网+教育”大平台，创新平台架构，优化提供服务的机制和模式，使用户拥有优质的教学和学习体验，以满足学习者、教学者的个性化需求。

网络教学平台的总趋势都将朝着促进学生个性化学习的方向发展，在课程资源开放、学生数量庞大的情况下，如何根据学习者自身的学习特点和风格进行适应性地评估与推送，支持生生、师生间广泛、自由地交流共享，构建规模化、开放式、个性化的在线学习环境是亟需研究的问题。鉴于本文已将学习管理系统和MOOC 平台统一归为在线开放课程平台，结合学生使用平台的情况，选取中国大学MOOC 平台和UMU 平台作为在线开放课程平台的代表，分析两种类型平台支持学生个性化学习的现状。

1.3.1 中国大学MOOC平台支持个性化学习现状

现有主流的MOOC 研究范式包含基于联通主义的cMOOC 和基于行为主义的xMOOC。cMOOC 关注学习者之间、学习者与学习对象之间的在线交互，教师设置学习起点，学习者根据教师提出的活动主题进行在线交流讨论，以进一步促进学习的深入。cMOOC 范式下去中心化的课程结构使得组织方式的灵活性更强，但由于课程资源分布的网络广泛，需要学习者拥有更强的自主学习能力和元认知能力，在必要时也需要教师进行恰当的指导与规范，所以cMOOC 的规模性、易操作性与可推广性仍有待提高。基于行为主义、建构主义理论的xMOOC 融合了cMOOC 范式的部分理念，其教学模式主要包括在线视频讲授、在线测验以及线上线下讨论［15］。与cMOOC 不同的是，xMOOC 范式在课程目标之下具有系统化的学习内容及学习流程，短小精悍的视频以及标准化的试题测验能够达到高效传输知识的目的。

中国大学MOOC 平台是基于xMOOC 范式下的在线学习环境，从线性化的MOOC 教学过程来看，平台提供的个性化学习支持服务出现在课前、课中、课后3 个阶段。首先在课前准备阶段，该平台提供学生定制学习计划的选项，但只能选择学习时长，并未对学习者的水平、特征进行前期分析，无法推荐精准的课程资源。在课中学习阶段，平台允许教师提供学习微视频、配套文档、思考讨论题及随堂测验，其实是将传统课堂的教学内容复制到在线平台，对学生个性化的指导不足。在课后交流与评价阶段，一方面平台提供讨论区使学习者可以根据主题进行提问、讨论和交流，但从讨论区的解答情况来看，由于课程面向对象的规模较大，许多提问并不能够得到对应解答，学生个性化学习的体验不强；另一方面，平台上大多数课程的评价均以平时表现、随堂测验、期中期末测验结果为标准，未能充分利用平台在线数据的优势提供个性化的评价结果。

1.3.2 UMU平台支持个性化学习现状

UMU 互动学习平台是一款综合了微课制作、课上大屏幕互动、学习进程追踪记录、教师学生线上交流等功能的平台［16］。UMU 平台上的微课与中国大学MOOC 平台上的微课一样，均以一个知识点为一节微课，将复杂的单元内容分解成多个微课小节。在课前教师会发布多媒体的学习资源供学习者学习，在课中就某一主题进行讨论交流，课后除作答习题外又开始下一轮的知识点学习。相比于中国大学MOOC 平台，UMU 互动学习平台得益于大数据分析的优势，将学习者的资源下载情况、作业提交情况、讨论交流情况等进行动态的可视化呈现，为学习者提供了较为个性化的学习体验，但在数据的细节性、有效性和必要性上有所欠缺。

综合现有在线开放课程平台支持个性化学习的尝试，总结起来主要包括3 方面：①将平台支持的个性化学习定义为根据学习者个人的兴趣、爱好和需要，由学习者自主选择内容、安排进度的过程；②教师人工维护课程、解答疑问以求解决大规模教学与因材施教之间的矛盾；③依托大数据分析等技术动态呈现学习内容与结果。以上三者将平台技术与人分离开来，未能体现人工智能时代下大规模个性化学习的新特点。因此，本文以“人机协同”视角为切入点优化在线开放课程平台，从而为学生提供更个性化的支持服务，进一步发展大规模在线教学下的个性化学习。

2 支持个性化学习是智能时代在线开放课程平台发展的必然

2.1 智能学习平台是实现个性化学习的必然选择

自适应学习系统是应用人工智能支持个性化学习的典型尝试，能根据不同学习者的认知状态，包括学习风格、认知能力等，提供具有适应性、针对性的学习服务，使学习者实现个性化学习，典型的应用有国外的Knewton、ALEKS、KnowRe 和Smart Sparrow，以及国内的乂学教育等。虽然不同自适应学习平台采用的基础技术和底层算法不同，但其基本都由知识库、个性化推送、交互数据处理和学习结果呈现4 个模块组成［17］。系统采用知识图谱技术构建知识库，通过该技术构建的知识库由“知识及知识间的关系组成”［18］，因而系统可迅速将不同知识融入到知识库中，使其具有较强的可扩展性。系统通过在学习推荐引擎中嵌入学生的学习与遗忘曲线，从而精准捕捉学生真实的知识存储情况。同时将知识粒度进行纳米级分割，以诊断学生认知，快速、精准地检测并生成学生的知识状态，找到学生的薄弱知识点，进而为学生推荐个性化学习路径。

当前的自适应学习系统在支持学生对知识的个性化学习上已取得了一定成效，其采用的知识库构建技术与个性化学习推荐机制为在线开放课程如何满足学生个性化学习这一问题提供了可借鉴的改进思路。

2.2 人机协同是在线开放课程平台支持个性化学习的必然选择

当前自适应学习系统针对个性化学习进行了诸多探索与实践，但其无法评估学生情绪，平台中学习者之间的“社会化”互动程度不高，“联通性”不强，学习者偶然出现的新想法因缺乏“社会化”而消失。部分平台仅能够由公司或者连锁培训机构进行适应性课程创设［19］，学生和教师无法进行适应性的学习设计和资源供给。由此看出，无论是人工支持亦或技术支持的个性化，无不彰显着“技术决定论”与“工具隐喻论”两者的对立［20］。人工智能时代技术赋能的个性化学习强调学习目标、内容、活动、成果、评价、资源、环境的个性化，而现有平台将人与机器割裂的做法显然无法达到此目标。彭红超等［21］提出融汇人与机器协同决策支持的个性化学习，这种“分布式”智能的人机协同理念在诸多方面与技术支持的个性化学习相契合［22］。在线开放课程平台不能完全做成自适应学习系统，应基于人机协同理念，尽可能探索学生与教师参与适应性学习设计、资源供给，促进师生之间的社会性交互，关注学习者情感，这对于在线开放课程平台支持个性化学习的实践至关重要。

3 基于人机协同的在线开放课程平台个性化学习学理分析

3.1 人机协同“人”与个性化“个”——在教育中定位人机协同

“人机协同”从字面上理解，必然包含“人”与“机器”以及两者之间“协作”的联系过程，梳理其历史，可窥见“人机协同”演变至今天的内涵所在。人类从原始社会开始就会使用工具，而至工业社会，这种工具就以机器的形式出现并被人们在日常生活中使用和依赖。所以从广义上看，人机协同其实肇始于人类广泛采用机器完成任务之时，此时“机”只代表“机器”。到了人工智能时代，“机”的内涵愈加丰富，尤其是人工智能的发展，使得“人机协同”中的“机”特指计算机及其背后的人工智能技术。“人机协同”从机器与人发展到人工智能与人，协同化的特征不断凸显。在该过程中，人所代表的一直是整个人类社会。

将“人机协同”置于教育大背景下，可将“人”的内涵进一步明确为教师和学生，同时这两者又分别为个性化学习的提供者和接受者。在智能教育中，“人机协同”多指教师与人工智能教育机器人之间作为双师“协同”教学的过程，机器人作为人工智能技术具象化呈现的载体，以“智能学伴”的形式存在，担任课堂中的另一名教师的角色，形成双师协同教学的课堂实践新形态。人工智能机器人作为教师能够与学生之间进行简单交互，并能够通过大数据、知识图谱等进行学习者分析、学习路径推荐等，但这种“学习支持虽然是个性的，但也仅限于资源以及练习等有规范的层面，教师带来的情感交流以及思维上的引领是机器很难实现的”［23］。正如李平等［24］指出的“应用人工智能并非为了用机器或技术替代人类”，替代这种“替代”论的就是“协同”。

教育的本质是有意识地培养人，因为教师拥有意识，学生的能动性、主动性、创造性才能真正发挥出来。“人和计算机在信息处理与推理机能方面各有优缺点”［25］，计算机在数据加工、处理方面的效率与可靠性远大于人类，但其缺乏人拥有的顿悟能力、创造能力以及社会性等。因而在在线教育中，技术必不能凌驾于育人者和所育之人之上，教师、学生和智能技术的关系既不能完全“去机器化”，也不能偏向“技术决定论”观念中人工智能技术将取代教师这一说法。“协同”观点可有效推进人机关系，教师、学生以及技术于在线教育中合理分工，充分发挥人与技术各自的优点，规避缺陷，从而提高大规模在线教育教学质量。

3.2 基于人机协同理念把握在线开放课程平台中技术与人的限度

现有大规模在线教育中教师、学生以及呈现的内容与形式存在割裂现象，线上课堂与线下课堂的区别仅仅是空间不同，教师讲授的内容、呈现的形式与学生在线下课堂中所接受的并无差异，学生在线上学习中仍然处于被动地位。教育部等11 部门发布的《关于促进在线教育健康发展的指导意见》中明确指出要以促进人的全面发展为导向，完善共建共享、开放灵活的在线教育模式，综合运用大数据分析、云计算等手段，充分挖掘新兴教育的需求，大力发展智能化、交互式在线教育模式，增强在线教育的体验感［26］。大规模在线教学的中心向学生转移，个性化学习的中心也应是学生，在线教育的最终目的应是促进学生的学。教师、学生与智能技术三者之间的关系不是互相依赖或制约，而是协同与共生。如图1 所示，人机协同中技术、教师、学生三者存在于双向的回路之中，其中人工智能技术辅助教师和学生，提供促进学生个性化学习的支撑。

Fig.1 Subject relation loop diagram of human-computer collaboration图1 人机协同主体关系回路图

4 人机协同视域下在线开放课程平台个性化学习机制分析

由于在线学习中学生主体地位的确定，对学生的学习过程需要从学生角度进行分析，从而将教学过程的因素迁至作为学习过程的因素。首先，好的学习目标可促进有意义学习的发生［27］，大规模在线开放课程中个性化学习目标的制定是后续学习发生的前提。其次，一旦学习目标确定，则可进一步确定通过哪些学习内容来满足学习者需要，并且学习内容的组织是动态的，采用何种策略达到学习目标需要对应的策略支持。同时，在线学习中观点的产生、观点的组织、心智的交融这3 个具有迭代性的过程，是在线协作学习理论重点关注的部分［28］，对于大规模在线开放课程来说，协作也显得尤为重要。最后，反馈与评价作为系统科学的重要方法，是师生双方围绕学习活动进行信息传递的交换活动，对于衡量学习效果至关重要。因此，本文从教师、学习者与技术三者间的系统出发，从个性化学习目标确定、个性化学习内容生成、个性化动态学习过程干预、促进个性知识建构的协作学习支持、个性化学业评价与反馈等层面提出人机协同的在线开放课程个性化学习机制，如图2所示。

4.1 人机协同的在线开放课程个性化学习目标制定

学习目标是学习过程的起点。现有平台上的课程需要面向不同高校、不同学科、不同层级的学生，针对的受众范围大、人数多，需求也多样化，基础的课程教学目标较难适应不同学习者的学习需求。因此，将课程目标、学习者需求与特征、教师期望整合而成的个性化学习目标显得尤为重要。

Fig.2 Personalized learning mechanism of open online courses platform under the concept of human-computer collaboration图2 人机协同理念下在线开放课程平台个性化学习机制

教师设定课程目标，一方面需要对地区、学生、资源等多方面现状进行考量，另一方面需要通过教学实践不断完善对课程的理解和把握，综合两者进而设置适宜的目标和期望。这需要充足的经验来把控，而人工智能技术的优势显然不在此处。客观、准确刻画学习者模型是开展智慧教育和终身学习的基础［29］，在大规模在线教育中，构建学习者模型是个性化学习目标设计的基础，也是人工智能技术的强项所在。

在人机协同视域下，一部分是学习者与机器的协同。建立开放学习者模型时，学习者在线填写目标，机器结合学习者数据进行判断。同时学习者可看到数据状态，同智能技术协作参与学习者模型构建，从以往被动地提供信息和数据到拥有主动权。如此，一方面学习者对于学习模型的信任度增加，提高了模型的可靠度；另一方面反思、计划和自我监控等元认知角色作为创建学习者模型的目的之一，能够有效促进学习者的自我调节［30］。另一部分是教师设定课程教学目标，机器将其与学习者目标及学习者模型进行匹配，形成基于人机协同的个性化学习目标并反馈给学习者和教师。

4.2 人机协同的在线开放课程个性化内容生成推荐

由于学习者拥有的先验知识不一，且学习者的风格与能力不同，学习内容必然不能无差异。推送符合不同学习者的难度恰当、风格匹配的个性化学习内容，是大规模在线学习实现个性化学习的重要基础。

收集习题作答数据、认知诊断、个性化推送［31］是以认知诊断理论为基础的个性化学习内容与资源推送方法。人工智能技术在其中主要完成认知诊断过程，作为中介，前期需要收集作答数据源以及认知诊断模型，并匹配学习者当前的认知结构，进而根据认知结构进行学习资源推送。并且，人工智能技术可将知识库、学习资源库、资源推送策略库三者协调一致，并将推送策略与知识库中的群组模式进行关联，从而从学习资源库中调取个性化的学习内容进行推送。在个性化学习内容生成过程中，教师需要提供章节课程的学习内容，形式包括微视频、文档、图片、音频等。

机器根据学习者作答数据源进行测试以分析学习者未掌握的内容，形成现有认知状态，链接知识库后将未掌握的内容作为先修知识纳入新章节中，结合学习者学习风格推送教师提供的学习内容，并由学习者最终确认，形成学习者、教师和智能技术协同生成的学习资源与内容个性化推荐。

4.3 学习过程中基于人机协同的在线开放课程个性化学习反馈调节

自我调节学习对于在线学习环境中学习的成功与否至关重要［32］，而反馈是保障在线学习质量必不可少的手段［33］。学习者在平台上的学习是一个动态过程，为保证学习质量、适应动态学习过程，个性化反馈需要全方位嵌入到在线开放课程平台中。

通过智能技术，教师需求和课程学习情况均可数据化、可视化，并且根据大数据分析和训练结果，提供针对性的教学建议和补偿措施。在反馈过程中，教师和学生的参与也必不可少。一方面，教师是有感情的，是学生学习的指导者、参与者和陪伴者，在智能技术给出建议之后，仍然需要教师根据学生、环境、建议等综合情况进行最终决策，适时调整教学过程。Edx 平台已尝试使用纳入教师参与的预测模型［34］，以此推动了人机协同工作下的个性化反馈研究。另一方面，可视化的学习反馈需要被学习者接收，以帮助提高学习者自我调节学习的能力。学习分析仪表盘（Learning Analytics Dashboard，LAD）可针对学习者学习情况进行可视化反馈，是一种“量化自我”、“监测自我”［35］的技术工具，使用该工具能够有效避免学习中的“黑箱现象”［36］。

因而在个性化动态学习过程中，智能技术提供课程实施情况和学生学习情况，具体包括课程访问量、学生点击频率、视频观看完整度、试题正确率、课后评价分析的可视化显示等。与此同时，平台通过大数据的训练结果向教师提供相关干预建议，由教师进行选择和决策。学习者接收学习仪表盘的可视化数据，此数据与教师端数据相通，平台可对学习者进行个性化指导，由学习者结合教师决策选择是否接受指导建议，最终形成人机协同的个性化学习反馈调节机制。

4.4 在线开放课程中促进个体知识建构的人机协同协作学习

社会建构主义认为，知识在本质上具有社会性，当学习者在社会环境中进行一系列交互协作时，知识建构就会发生。对于在线开放课程平台，协同知识建构是最有效的在线合作学习方式之一［37］。

由于社会性交互的不可或缺，人与人之间的协作需要平台提供学习社区，教师在上面发布学习主题后，设置任务完成节点，学伴根据需要进行协商讨论并互评课程作业。然而，由于是大规模在线教学，针对学习者反馈的问题，教师无法一一解答，人工智能技术则可弥补这一缺憾。智能技术通过学习者之间的个性化交互，不断收集、提取、分析学习者提出的问题及列出的答案，并与教师的专家智慧相结合，形成内置的答疑机器人，通过不断学习以提升答疑质量，帮助学习共同体协作学习。协作学习之下的协同，主要是学习者之间产生的交互数据、教师的专家智慧与基于人工智能技术的学习分析三者的不断流动，促进知识的传播和内化。

4.5 面向个人学习发展的人机协同学习评价

与形成性评价和发展性评价不同的过程性评价，可以进行更加全面、多元、及时、深入和可持续化的评价。传统的试题测验无法适应过程性评价，因此在线学习实施过程性评价势必要转变评价内容。新冠肺炎疫情期间，美国就已经有30%的机构在考虑完全转变传统的在线学习评估方式，转而采用更加真实的知识和技能示范方式，例如通过项目制作、合作讨论、模拟实验、视频播客和论文撰写等形式替代单一的试题测试［38］。

在线学习中过程性评价贯穿课程整个过程，其中同时囊括诊断性评价和终结性评价。教师统筹规划后合理安排适应特定课程的知识和技能示范方式，并且根据不同课程的成果认证方式，选择不同形式的评价和数据集以及规定每种评价方式所占比重，将其作为最终的课程评价标准。由于不同类型课程所采取的评价方式比较多样化，智能技术与教师和学生的协同需要在线开放课程平台提供支撑收集全过程数据的技术，以记录学习者互动交流、资源使用、资源分享、平台利用、自我评价、学伴评价、教师点评、学习反思等活动数据，并且能够根据所对应的数据集对评价结果进行多样化、可视化呈现，以此实现教师、学生与技术三者协同构建的评价模式。

5 结语

人工智能时代下，“互联网+教育”的发展离不开对技术与人之间的界限讨论，“机器不断通过学习来获得教师智慧，教师通过认知来评估机器决策”强调的其实是教师与技术即专家智慧和机器智慧两者之间的关系。随着学习中心的迁移，个性化学习的主体是学生，在人机关系中学生元素必不可少，而已有研究多以探讨教师与人工智能技术的伦理关系为重点，忽略了学生在技术中其实是数据主要来源的事实。在线开放课程平台如何在智能技术洪流中开辟促进学生个性化学习的人机协同方法，决定着平台是否能够长足发展。将学习者纳入智能时代的人机关系中，形成三者的协同运作模式，是未来在线开放课程平台研究的大势所趋。