2014年，伦敦帝国理工学院的研究人员给一个名为AI Tutor的智能学习工具提供了7亿条学情数据，AI Tutor在分析了知识点之间的关系之后，构建了一个全新的知识矩阵。

    让人们感到惊奇的是，该知识矩阵中出现了一些迄今为止人类没有发现的知识点与问题间关联，超出了人类的理解范围。而在此之前，将这些问题和知识点摆在一起，即使经验丰富的教师也很难发现其中的关联。而这就是AI（Artificial Intelligence，人工智能）赋予的力量。

    将AI Tutor应用到教育行业中，能够为学生学习提供极大助力。如今，将自适应学习理论与AI教育相结合的创新教育模式探索已在进行中。

    自适应学习

    所谓自适应学习，是一种以计算机为互动教学设备、根据每个学习者独特的需求来安排人力和教学材料的教育方式。计算机根据学习者的学习需求，如问题反馈、任务和经验等，来调整、呈现教育材料。

    事实上，早期自适应学习并没有想象中那么具体化、智能化，也不依赖现在流行的AI技术。这个概念最早出自20世纪90年代的“智能辅导系统”所谓智能，就是按学习水平的高低对学生做简单分层，把学生分成好、中、差等几大类，让每一类学生都匹配到其最需要的学习内容和路径。这是一种相对粗糙的个性化教育，其理念与当下的分层教学类似。

    过去一段时间，自适应学习受限于技术，一直不温不火，主要原因在于当时技术水平下的方案缺乏可操作性，并且没有在商业和学习效果上都取得成功的案例可供复制。自适应学习实践时都会遇到一个两难的问题：该把学生分成几层，才能让每一层学生都有最适合自己的学习方案？理论上来说分层自然是越多越好，但分层越多，对机构的测评和教研能力要求就越高，一般机构无力企及；即使机构能够企及，高昂的成本也会抬高产品售价，令一般用户望而却步。这也是为什么人工驱动的一对一教学模式虽然低效，但仍然广泛存在的原因。而计算机驱动的自适应学习设想虽然美好，但实践起来总是如同空中楼阁。

    近几年人工智能技术的突破让自适应学习重新燃起了希望。基于人工智能技术的自适应学习系统能够将学生分层做到极致，甚至能够根据每一个学生实时的学习情况，动态调整下一阶段的学习内容和方式，从而实现可规模化的个性化教育。可以说，自适应学习因为AI人工智能技术得到了发展，因材施教的美好愿望不再那么遥不可及。

    多算法构建个性化知识体系

    基于自适应学习理论和AI教育，恒创鑫业科技（深圳）有限公司开发了高木智能学习平台（以下简称“高木学习”）。高木学习是一款在细分领域深度应用人工智能技术的自适应学习系统，实现了在特定知识空间内对学习者进行精准评估、个性化内容推荐和最优学习路径规划。该系统以中小学考纲为基础，并在此基础上对所有知识点进一步拆分和添加，形成了底层的学科知识路径矩阵（Knowledge Path Matrix，简称KPM）。高木学习就是在这套知识路径矩阵下进行学习内容的数据标注、学习者和教导者模型构建、学习进度和路径的设计、个性化学习内容推荐等。

    高木学习目前应用于国内K12（Kindergarten through twelfth grade，学前教育至高中教育）教育领域，以理科学习为主。通过半开放平台（平台本身提供出版商内容，也支持B端客户自行开发内容）和提供自适应学习API（Application Programming Interface，应用程序接口）的方式，服务了上千家B端学校/培训机构，积累了过亿条的学生学习行为数据。

    高木学习采用了KPM来描述知识空间内有限个节点之间的相互关系。知识空间的本质是双曲空间（负曲率，能容纳无穷多的节点），它的特点是：知识存在层级结构，子领域会随着距离快速分割（知识快速膨胀，任何教学方案都可能会在几年内过时）。

    目前广泛应用的知识图谱技术脱胎于第三代搜索引擎，相比于知识路径矩阵，在描述点与点之间的相互关系上存在天然的不足。例如传统的知识图谱认为知识点的前序关系是绝对的，两个知识点不可能互为前序知识点。这种做法在处理一元一次方程和二元一次方程这两个知识点之间的关系时或许影响不大，但是在处理方程与不等式、代数和几何之间的关系时便会无所适从。而KPM通过增加维度，科学地处理了类似的相关关系，为基于知识路径矩阵的评估、内容推荐、路径规划打下了良好基础。

    高木学习采用了能力边界的自适应评估算法。在传统评估中，测试时间与内容相对固定，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。而高木学习采用自适应评估，将评估提升到了新阶段。

    在同一个知识点或考察方向的检验中，高木学习会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，以最快的速度逼近学生的能力边界。即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。这种机制主要用于两种场景：一种是基于学生练习场景的自适应评估，一种是基于学生测试场景的自适应评估。

    在学生完成练习后，高木学习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、答题时间、知识点掌握度和章节水平等，还包括详细的答案记录，并根据答题情况、对知识点掌握度和章节水平划分为0～100分。形成性诊断报告用于检验学生对某一个知识点的学习情况，重视学习过程，激励学生学习，帮助学生调控学习过程，促进学生进步。长期使用后，可以形成总结性诊断报告，包括学生此阶段已掌握和待完善的知识。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。

    高木学习还采用了学习路径规划算法。学习路径规划算法是系统基于学生画像、学习目标和知识路径矩阵找到学生最优学习路径的算法。首先需要定义优化目标，如以学习效率最大化为目标，系统会根据知识路径网络，和当前知识掌握情况的评估结果，寻找最有利于整体掌握度提升的最小知识项。每次新样本导致评估变化时，均实时计算，最终效果是动态形成适应学生情况的学习路径规划。路径规划还需要考虑学生的遗忘规律，根据学生知识项掌握度的历史变化，寻找适合学生的巩固周期，防止掌握度下降。

    多优势提升学习效率

    通过多项算法的应用，高木学习构建了属于每个学生的个性化知识体系，形成了相对完善的自适应学习内容。自适应内容是指根据每个学生对知识的理解情况与掌握程度，实时提供个性化的学习素材，具体体现在三个方面。

    一是根据学生学习风格选择素材类型。学生的学习风格差异由学习者生理和心理上的个别差异形成。高木学习主要考虑学生对视听觉学习的偏好，调整不同类型（阅读型、音频型、视频型）素材的推送。

    二是根据学生掌握程度选择素材难度。避免学生在答题中产生过度骄傲情绪或者打击学习积极性的情况。

    三是形成学习的适应性提示。首先根据解题思路划分解题步骤，其次为每一步嵌入提示，最后学生根据自身情况选择相应提示，解决问题。

    传统的自适应学习一般是在知识掌握测评的基础上进行自适应查漏补缺，对复习诊断的效率提升有一定帮助，但高木学习开发的AI Tutor能够使学生的学习效率、动力、能力等得到全面提升。

    提升学习效率

    高木AI Tutor通过演进式知识路径矩阵的最优算法，结合学生学情数据，根据每个学生对于知识点掌握情况的相关性、相似性和递进性进行全局动态优化，让学生形成对知识理解的正确归因、错因联想、正向反馈、自我反思，从而形成元认知能力，促进知识的深度理解。

    增强学习动力

    保护自信心：根据学生学情的全局优化，动态把控，给学生最适合的个性化训练，增强自我效能感，提高学生自信心。

    激发成就感：模拟人类老师的人文关怀，考虑学生的学习偏好和学习动力，促进学生快乐学习，增强学生成就感。

    满足学习偏好：采集学生全过程的学习行为数据，从数据中挖掘出不同学生的学习偏好，然后在学习路径中规划对应的素材满足每个学生的学习喜好，从而提升学习动力。

    培养综合能力

    提升元认知能力：对学生的知识点掌握程度进行错因分析，对于学情数据背后的能力进行归因，促进学生自我反思，塑造学生的元认知培养路径。

    培养学科思维能力：以AI Tutor数学为例，通过题目背后的能力标签维度，让学生进行自我归因，学生自我反思和总结的过程实际上起到了培养其计算、逻辑推理、空间想象、建模等能力的作用。

    尽管人工智能技术已经开始在各行业崭露头角，但充分发挥人工智能自处理能力赋能教育，仍然有很长的路要走。不局限于解决已知问题，启发学生发现问题，是如今人工智能为教育产业带来的升级成果。未来，随着技术的不断进步，人工智能将会给教育带来更多可能。