Knewton適應性學習
構造全球最強大的教育推薦引擎
1. 介紹
適應性學習:一個以課程應該適應每一個用戶的思想爲前提的教學方法。
(原文:Ateaching method premised on the idea that the curriculum should adapt to eachuser.)
在基礎層次上,適應性學習的定義看起來很簡單。但是更深入的探討一下,這個概念的細微差別開始更深入的揭示它自身的本質。
適應性學習有多個不同的等級和種類(單點模式VS連續模式,適應性測試VS適應性學習,原文:singlepoint vs. continuous, adaptive testing vs. adaptive learning),但是不同類別的區別並不是很清楚。因爲個性化學習的需求對於教育者有很大的吸引力,越來越多的產品聲稱他們有“適應性學習”的功能,關於這個概念已經讓人迷惑。
我們一直在思考適應性的概念,我們也一直在改善我們的適應性平臺。本白皮書的目的是闡釋我們對適應性學習的認知,提供我們的推薦引擎的相關理論的概覽,以及Knewton適應性學習在教室環境中能夠產生的效果。我們希望本白皮書對您有所幫助。
2. 適應性學習的含義
適應性學習是最近在教育領域朝着一個好的目標被不斷的研究的一個概念。
原文:Adaptivelearning is a term that has been tossed around a good deal recently in edtechcircles.
大部分人在涉及這個令人迷惑的詞的時候,他們真正在討論的有以下幾種情況:
a) 單點適應性,在一個時間點上評估一個學生的表現,用來決定教導層次或者他從那個時間點開始使用的材料。
b) 適應性測試,通過固定數量的試題決定一個學生的準確的精通程度層次。
我們這裏提到的適應性學習,指的是一個連續的適應性的系統,對於每個用戶在本系統上的表現和活動都進行實時的響應;通過提供正確的指導,在正確的時間,最大化一個學生將要獲得的學習目標的可能性(原文:maximizes the likelihood a student will obtain her learning objectivesby providing the right instruction, at the right time, about the right thing.)。換句話說,適應性測試回答了這個問題:如何通過指定數量的試題精確的掌握學生對於知識的掌握程度,適應性學習回答了這個問題:計入我們已經知道一個學生的當前的知識水平、狀態,這個學生從現在開始應該學習哪些新的知識。
爲了提供連續適應性學習,我們分析了基於成千上萬的數據點的資料,包括概念,結構,不同的層次,以及媒體格式數據,並採用複雜的算法不斷的把每個學生的最好的數據內容拼接起來(原文:and uses sophisticated algorithms to piece together the perfectbundle of content for each student, constantly),系統通過分析收集的所有學生的數據的網絡效果提煉出推薦結果,用來給每個學生優化學習方法(原文:The system refines recommendations through network effects thatharness the power of all the data collected for all students to optimize learningfor each individual student.)。
3. Knewton推薦的理論和方法
沒有兩個學生是一樣的——他們以不同的速率學習和忘記,來自不同的教育背景,有着不同的智力程度,注意力範圍和學習方式。所以,設計一個對於每一個學生的特點都敏感的實時推薦引擎是一個非常巨大的工程。
在Knewton,我們勇往直前的面對這個挑戰,通過採用教育路徑規劃技術和學生能力高級模型。這些技術和模型可以保證每個學生都通過課程材料以最大化的學習方式來實現不斷的進步。
以下是Knewton推薦引擎一些理論和方法的速攬。
項目反應理論(ItemResponse Theory (IRT))(試題反饋理論)
假設你教四個年級的數學補習課,你剛剛安排了一個包含10個測試題的測試。這10道測試題裏,兩道題非常簡單,兩道題非常的困難,其他的題是中等難度。現在假設兩個你的學生參加了這個測試。兩個人都回答對了10道題中的9道題,第一個學生回答錯了一個非常簡單的問題,另外一個學生回答錯了一個非常困難的問題。那麼哪一個學生對於課程材料的知識掌握的更好呢?
在傳統評分方法中,你會給兩個學生都打90分,滿分是100分的話,兩個人都會獲得成績A,然後進入到下一個測試。但是這個方法通過測試來評價學生的能力有一個關鍵問題:測試試題沒有統一的特徵。那麼我們怎麼樣能過通過試題的差別來評價學生的能力呢?
IRT通過試題級別表現對學生的能力進行建模,而不是聚集的測試級別表現。不是假設每個試題都有相同的貢獻度來實現我們對學生能力的掌握,取而代之的是,IRT對於每一個學生的每一個試題都提供信息的細微差別的觀察。它是在一個試題被正確性回答的可能性是一個多參數的數學公式的前期下建立起來的,這些數學公式的參數包括一個人的潛在特性,能力和試題特徵。
圖B是由IRT模型生成的二項反饋函數。這些曲線表現了IRT模型如何將學生能力與正確回答一個試題的可能性聯繫起來,在給定試題難度,區分級別和“猜測性”。因爲IRT模型在能力的單獨評價上是永久的和可靠的(只反映了Knewton推薦的一個方面),它幫助我們更好的理解一個學生在測試中的表現與他的能力的聯繫。
在本框架中,包含了貝葉斯神經網絡和馬爾科夫隨機場等統計方法,使得數據學家能夠在多維空間中通過成百上千的參數分析和操作概率分佈。換句話說,PGMs允許使得Knewton分析師對一個效果建立複雜的模型,將衆多的觀測到的學習活動與對系統推薦有用的評估聯繫起來。
Knewton應用PGMs的一種方法是通過使用學生已知的掌握程度來決定他可能已經有能力學習的知識。例如,這樣的模型能夠幫助平臺發現一個學生對於分數的什麼樣的掌握程度能夠幫助學生掌握小數,以及對小數的什麼樣的掌握程度能夠幫助學生掌握指數。Knewton的數據學家因此能夠決定對於分數的掌握和對於指數的掌握之間的聯繫。最終,這些類型的聯繫的發現使得Knewton適應性學習平臺能夠持續的提煉推薦結果。
在數據挖掘中,層次聚類是一種分析方法,被用來構建類的層次或者結構。在Knewton系統中,這個技術被用來檢測大的分組內的潛在結構和建立如何決定學生應該怎樣分組以及根據哪些特徵將學生分組的算法。Knewton數學準備(Knewton Math Readiness)包含一個這種技術的實現,它提供了一個分組面板,使得老師可以對使用相同教材的學生根據學生對概念理解的級別進行分組。
4. 爲什麼Knewton適應性學習平臺如此高效
推薦理論的科學通過Knewton適應性能力的規律性範圍和極大的實用性被增強。對於每一個參加Knewton課程的學生,一個跨學科的知識圖譜,連續的適應性的,終身的學生學習層面和巨大的網絡效果結合起來產生了強大的個性化學習方案。
知識圖譜(Knowledge GraphTM)
Knewton課程通過Knewton知識圖譜連接起來,一個“權威的”學術概念交叉學科圖。這些知識圖譜考慮進了內容設置定義的概念以及這些概念之間的聯繫。Knewton推薦個性化的引導學生,即使是在知識圖譜上朝着最終學習目標的交叉學科路徑也是基於學生知道什麼和學生如何學習的。教授的內容越多,或者被加入到系統的每個概念的評價越多,適應性學習體驗就變得更加準確(The more content that teaches or assesses each concept that is addedto the system, the more precise the adaptive course experience becomes.)。
當可視化以後,知識圖譜通過課程材料可以提供對於學生潛在發展路徑的認知。
在知識圖譜內,因爲通過課程定義了一個學生的學習路徑,概念之間有先決條件的關係。將內容定義爲“執導的”或者“評估”的特殊關係,決定了在任何給定的時間點應該給學生傳送什麼樣的學習內容。
圖E.
連續性學習,與單點適應性相反的。(Continuous, as opposed to single-point adaptivity)
單點適應性學習系統在一個單獨的時間點評估學生的表現,然後從這個時間點決定他將要收到的指導的類型。一個單點適應性學習的例子如,包含測試考試的課程,考試的測試結果將會決定接下來的課程內容,只包括很少的或者沒有更進一步的數據挖掘和個性化。
Knewton連續適應學習系統,在另一方面,不斷的挖掘學生表現數據,對於學生在系統中的活動進行實時的響應。根據一個給定的活動的完成情況,系統指引學生進入下一個活動。例如,當一個學生對於一個特殊的試題組受到困擾的時候,Knewton系統就會知道這個學生的特殊的不足和哪些這些試題考覈的概念相關聯,然後可以給學生傳送這些概念內容讓學生增強對於這些概念的掌握(Knewton will know where that particular student’s weaknesseslie in relation to the concepts assessed by those questions and can delivercontent to increase thestudent’s proficiency on those concepts.)。通過這種方法,連續適應性系統給每個學生在任何時刻都提供一個個性化的學習大綱。
圖F.
下面內容是能夠使Knewton系統提供真正的連續性學習的方法的一些具體的例子。
空間強化(Spaced reinforcement)
和大量的強化相比,標準的訓練方法要求學生在較短的時期內應用新的概念或技巧直到他們精通爲止,空間強化(也可以理解爲分佈式強化)是這樣的一種學習方法,在教學的過程中新的概念或技巧被吸收,同時學過的概念和技巧被強化。
因爲新的材料被不斷的增加進來並編織成用戶熟悉的材料,空間強化經常發生在一個時間延長期內(Because new material is introduced incrementally and woven intofamiliar material, spaced reinforcement typically occurs over an extendedperiod of time.)。空間強化使得Knewton推薦系統能夠幫助學生通過不斷累積的方式培養學生的能力,並且一旦學習過就能長久記住。
記憶力和學習曲線(Retention & learning curves)
Knewton推薦引擎需要將衰退或者衰退技巧加入到系統中來。它要能夠檢測這些事件並提供可控告的推薦最爲結果。
受到艾賓浩斯在記憶保持力和學習曲線方面的工作的啓發,Knewton數據學家使用了指數增長和衰退曲線學生學習和忘記的能力曲線,這些曲線建立在如下的前提下:每次學生接觸的是一個給定主題的內容,他們收到關於這個主題的真實能力的一個“突然測試”;同樣的,如果他們沒有接觸其他的主題,他們很有可能會在一段時間後忘記這個主題的內容(These curves are governed by the following premise: each timestudents are exposed to content associated with a given topic, they receive a “bump” in theirvirtual ability level for a topic; likewise, if they are not exposed to someother topic, they likely “forget” that topic over time.)。控制記憶力比率的遺忘曲線可以大致粗糙的由下面的公式表示:
圖G.
通過把這個曲線整合到引擎驗證努力中,Knewton數據學家可以根據學生在何時以及如何接觸內容等資料捕獲學生知識增長和減少的方式。最終,這個過程使得Knewton數據學家能夠測試控制學生在課程中的發展流程的算法。
學生學習概覽(Student learning profile)
在Knewton系統中,學生能夠獲得持續更新的學習概覽,包括這個學生學習到的知識以及他如何學習效率最高的信息。這個概覽是不斷髮展的,隨着學生在本平臺上學習的時間越長,這個概覽變得更加的智能。
例如,如果一個已經參加過Knewton課程的學生加入了另外的一個課程,這個課程會利用學生的數據進行“暖”開始(沒有任何數據的可以看做“冷”開始)。這個課程將該學生最近學習的概念與技巧,以及在教材中的獨一無二的學習軌跡納入考慮範圍,利用這些信息使學生從那個時間點開始能夠達到最大化的學習程度。一旦有了足夠的數據,本平臺會揭示學生的學習模式,可能存在的學習盲點;形態與媒介喜好;粒度強度和缺點。一個學生使用Knewton課程的時間越多,本平臺對於服務目標學習材料的效率就越高(The more often a student uses Knewton-powered courses, the moreeffective the platform becomes at serving up targeted learning material.)。
在這種方式下,Knewton適應性學習平臺致力於最小化沮喪、迷惑等不利於學習的感覺,以一種自然的方式培養學生的能力。這樣做的好處很明顯,如果學術知識能夠以一種連續的方式被灌輸那麼學生的參與就會被強化。對於學生沒有什麼會比讓學生感覺他們面臨的挑戰是武斷的和特別困難的更加令人不滿。Knewton學習概覽通過提供學生在學習過程中一個長期實踐回答了學生對於連續性和意圖的需求(The Knewton learning profile answers the student need for continuityand meaning by affording students a sense of long-term investment in thelearning process.)。