Knewton是由约瑟·费雷拉 (Jose Ferreira) 在创办的, 成立之初主要支持GMAT、LSAT、SAT等标准化在线考试。当众多数字化教育资源大量充斥着互联网平台的时候, Knewton在之后转而与各大教育资源出版商合作, 成为数字化学习资源与学习方式个性化融合的技术支撑平台。截至目前为止, Knewton在120多个国家得到广泛推广。
Knewton的长期目标是为发行商、学校及全球的学生提供预测性分析及个性化推荐。其中自适应的学习支持工具是Knewton的核心技术。其自适应的学习支持服务主要通过三个环节来实现:数据收集与处理、学习分析、学习推荐。正是通过“数据收集与处理—学习分析—学习推荐”这样的循环往复, 使得每个学习者都能得到独一无二的学习帮助。
01数据收集与处理
数据收集, Knewton主要通过自适应本体和模型引擎来进行。
1.自适应本体
自适应本体 (adaptive>2.模型引擎
这里的模型引擎包括心理测试引擎 (Psychometrics Engine) 、策略引擎 (Learning Strategy Engine) 以及反馈引擎 (Feedback Engine) 。个体学习者在使用Knewton的过程中, 会产生大量数据集合, 包括静态数据、动态数据。静态数据指的是一些相对稳定不变的数据信息, 例如学生的注册信息、学习偏好、认知风格等。动态数据指的是在学习过程中动态变化的数据信息。一般“模型引擎”对数据的处理都是针对动态数据而言的
心理测试引擎主要收集学习者的知识结构、能力水平、学习进度等动态数据信息, 旨在表征学习者的预备学习状态。策略引擎负责收集学习者学习进度安排、学习评价等方面的动态数据信息, 旨在揭示学习者在学习过程中对学习资源、学习环境等改变做出的反应, 从而为学习策略的制定提供依据。反馈引擎对收集到的数据反馈结果进行统一处理, 并将它们充实到自适应本体库中, 以丰富自适应本体的元数据信息, 旨在为知识图谱与学习过程信息之间的关联映射提供更高度的精准分析。
02学习分析
学习分析阶段, 通过心理测试引擎、策略引擎及反馈引擎对上一阶段收集到的数据进行分析, 分析的结果将提供给建议阶段进行个性化学习推荐时使用。Knewton的学习分析的核心技术建立在亚马逊的大数据和云平台服务的基础上, 应用了Amazon Elastic Map Reduce (Amazon EMR) 分析平台上的大数据集。在这一阶段中主要运用项目反应理论 (Item Response Theory, 简称IRT) 、概率图形模型 (Probabilistic Graphical Models, 简称PGMs) 、凝聚层次聚类 (Hierarchical Agglomerative Clustering, 简称HAC) 等算法来实现自适应分析。
03学习推荐
学习指导阶段则通过推荐引擎 (Recommendations Engine) 、预测分析引擎 (Predictive Analytics Engine) 和归一化学习轨迹 (Unified Learning History) 为教师与学生提供学习建议并提供统一汇总的学习轨迹。
其中, 推荐引擎依据学习目标、学习者的“特征性”、学习投入程度三个指标, 为学生提供下一步指导建议;预测分析引擎负责预测学生的学习结果, 如学习目标完成的速度、程度以及知识的掌握程度等;归一化学习轨迹主要功能在于建立每个学习者与“学习情境”的关联。这里的“学习情境”涉及“学科知识”“学习应用”“学习时段”等内容。学习者与“学习情境”的关联时间越长, 平台对学习者的“认知”越深, 从而对学习者的推荐服务也就越“智能”。可以看出, 学习者在平台的学习时间越长, 其学习轨迹也就越多, 其“智能化推荐”精度也越高。
此外, 需要说明的是, 受到艾宾皓斯记忆保持力和学习曲线的启发, Knewton推荐引擎将学生学习与遗忘能力曲线整合到模型引擎当中, 从而能更“精准”捕捉学生真实的知识储存情况。
参考文献:
[1]李玲静,汪存友.Knewton:学习分析支持下的自适应学习平台[J].成人教育,,39(07):29-34.
编辑：虔诚
