技术应用 | 智能型数字教材系统

一、智能型数字教材系统的特征

智能型数字教材系统是以数字教材和智能学习平台为支撑，以提升教学效率和个性化为目的，具有知识结构图谱化、资源组织系统化、学习数据可视化、学习管理智能化的形态特征，集成智能终端、数字化资源、教与学工具、学习社群、学习路径规划、教学策略实现等的组合系统，其本质是基于数字教材的自适应学习系统，具有形态丰富、智能交互、个性化推送、精准的学习支持服务等特点。

二、设计框架

智能型数字教材系统不是单纯的教材数字化，而是需要基于系统的技术服务体系才能充分实现其价值。其价值主要在于拓展教与学场景的想象力，促进人类在更高的维度重构教育范式和服务模式，在人类已有的教育智慧基础上，促进教学智能体的持续进化。智能型数字教材系统依据其核心理念构建的设计框架见图1。

图 1 智能型数字教材系统的设计框架

三、技术实现

智能型数字教材系统需要融入智能教学的四个核心组件是:学习模型、教学策略模型、学习者数字画像和知识图谱。本研究团队在设计与开发方面作了探索，并在上海市部分学校开展了应用研究。下面本研究将技术实现与应用场景相结合，展示智能型数字教材系统的应用给师生带来的改变。

（一）学习模型

学习模型是实现教育个性化服务的关键。传统学习以“预习-听讲-练习-纠正-回顾( 复习) ”为主要学习路径。由于性格与行为习惯不同，每位学习者都存在学习差异和偏好差异，个体学习表现出来的行为方式与特征也必然存在个体差异。因此，长期以来单一的学习路径已不适合学习者，不同的学习者个体适合的学习模式不一样，因此，设计多种学习模型满足不同学习者就显得尤为必要。

1. 模式一: 基于听讲的消化吸收式学习模型

基于听讲的消化吸收式学习模型最为常用，它通过新知授予、练习强化、复习巩固等以教师讲授为主导，比较适用于学习主动性和学习兴趣不强的学习者。这种学习模型虽遭受批评，但仍是我国中小学生主要学习模式。

基于此，智能教材系统把这种模型抽象化，形成一种学习模型，适应这类学习者风格。如A学习者喜欢先听教师讲授新知，通过全方面学习知识点之后，再结合练习巩固知识点。根据 A 学习者的学习习惯，系统推荐其进入基于听讲的消化吸收式学习模型，学习者先学习名师讲授视频，再理解和消化，用习题巩固，反馈知识点掌握程度。以下是本研究团队基于听讲的学习模型应用场景(见图2)。

小张同学登陆智能教材，先进行学习风格测试，系统根据他的学习风格，推荐了基于听讲的学习模型。之后小张同学开始课程学习。

图 2 基于听讲的学习模型内容界面

2. 模式二: 基于探究——发现的学习模型

基于探究——发现的学习模型是给学习者发布一项挑战性任务或一个探究场景，通过任务激发学习者自主学习。学习者通过查阅资料、阅读书籍或者探究实验等完成任务，最终达到对知识点的深度理解。这种任务驱动学习模型是基于自主探究的学习方式。

基于此，智能教材系统把这种学习模型抽象化，形成基于探究——发现的学习模型。这种模型适合学习主动性较强和对学习内容感兴趣的学习者。它通过激发学习者的内在学习动力，达到理解建构知识点的学习效果，同时锻炼学习者自主思考的习惯以及发现问题、解决问题的能力。如B学习者对按部就班地听老师讲解不感兴趣，喜欢自主探究，他就可以选择这种学习模式，通过自主探究，在解决问题的过程中掌握知识与技能。以下是本研究团队开发的基于探究-发现的学习模型应用场景(见图3、4) 。

小张同学登陆智能教材系统，先进行学习风格测试，系统根据他的学习风格，推荐探索 - 发现式学习模式。之后小张同学开始预习新课程，通过视频了解知识点背景，在AI老师的引导下，理解各个知识点的概念。跟着智能教材的节奏，按教材的引导与提示，一步步完成教材所呈现的学习任务，小张不知不觉完成了预习，轻松又有效果。在智能教材系统的帮助下，小张同学不但学习成绩提升了，也能感受到学习的乐趣。

图 3 学习者风格测评与学习模型界面

图4 基于探究-发现学习模型学习任务界面

3.基于测评的补偿型学习型

基于测评的补偿型学习模型是在了解学习者知识掌握程度的基础上，明确学习的起点和障碍点，开展补偿学习，适用于复习或应试学习场景。学习者进入这种学习模式，先完成相关知识测评，系统根据测评情况有针对性地讲解知识盲点、薄弱点，提供学习资源推送、定制测试题等补偿型学习服务。

基于此，智能型数字教材系统将其抽象为一种基于测评的补偿型学习模型，以评价为导向，根据试题结果有针对性地开展学习。这种模式对短时间、高效率的知识掌握有显著效果，如 C 学习者喜欢先做题再学习，他可以选择这种学习模式，先做测试题，根据试题测试结果。系统了解了 C 学习者的薄弱点，有针对性地为其规划学习路径和学习内容。以下是本研究团队开发的智能型数字教材系统中，基于测评的补偿型学习模型的应用场景( 见图5、6)。

学习者小张同学回到家里，打开智能化教材复习当天的课程。系统根据他的学习风格，推荐使用“测评模式”进行复习。系统快速组织了适合的题目进行摸底，评估小张的知识掌握情况，然后针对其薄弱点，推荐相应的知识讲解视频。高效的测评模型，让小张轻松地掌握章节的知识点。

图5 测评界面

图6 测评结果呈现

以上三种模型可覆盖中国学习者学习常模的80% ～90%。尽管我们仅设计了三种学习模式，但经过学习者的自由组合，可以演变出更多学习路径( 见图7、8) 。学习者登录后先需接受学习风格测试，系统根据测试结果推荐学习模式。但是，通常情况下，学习者不会沿着某一种学习路径学到底，而是多种模式切换，形成三种学习模式兼具的复合型学习模式。因此，这种设计可以实现学生学习路径从单一化走向多元化。

图7 学习者学习路径和所需支持的差异性示意图

 图8 学习路径示意图

（二）教学策略模型

智能型数字教材系统可融入先进的教学策略模型，能将其在课堂上“用”起来。教学策略模型不是唯一的，模型之间可自由切换。主流教学策略模型有三种: 讲解辅助的建构、任务驱动的探究、评价驱动的补救。三种模型彼此交叉，生成 N 种路径，加上学习空间的支持，智能型数字教材系统打开的过程将是一场多源、异步的对话。本研究的教学策略模型符合前面提到的三种学习模型和相关的教学策略。

1. 策略一: 微课 评价 资源推送

对于偏好听讲的学习者，其学习始于教师讲解，这可以通过智能型数字教材系统里微课视频的学习，并匹配以知识点相关的测试题，根据测试结果得出其知识点学习的反馈结果与评价。此类教学策略需包含视频资源、配套试题及与测试结果匹配的评价。学习的过程就是“学习内化——学习评价——评价反馈”无限循环的螺旋上升。

2. 策略二: 设计问题链

第二种学习模式对应的教学策略需要设计问题链。第一个问题很重要，决定学习者的学习动机。其知识点应尽可能地引发学习者的好奇心和探究欲，逐渐加入启发性议题、引导性议题和探究性议题，设计出具有沉浸感的学习模式，用问题链驱动学习者不断深入地开展探究与学习。这需要教师结合知识点，研究怎样的问题能引发学习者深入思考和探究，激发其深度学习; 还需要教师精心设计问题，设计出连贯的、层层推进的问题链和问题矩阵，并通过相关的评价体系反馈学习效果。

3. 策略三: 测试评价 资源推送

第三种教学策略主要提供习题测试，然后给出评价，再开展有针对性的学习。通过做题，系统反馈给教师和学习者知识点的掌握程度，据此开展验证性评价，然后根据评价结果决定推送给学习者的视频、动画等学习资源，并给予有针对性的辅导，以学定教。

（三）学习者画像

学习者学习会留下许多数据，这些数据经过分析形成学习者画像，可以帮助教师了解学习者特征。学习者画像可以描绘学习者第1次学习产生的数据与第2次、第3次的区别及变化，包括学习行为路径、测试的正确率、学习时长，甚至包括学习者哪类题目一做就对，哪类题目耗时很久还是做错等。这些行为数据全面呈现学习者的学习情况，可以帮助学习者建立错题数据库，类似于电子错题本，学习者可通过账号登录数字教材系统查阅自己的的错题本(见图9) 。

图9 学习者行为画像

（四) 知识图谱

知识图谱可以让教育资源自我进化，同时实现教与学的人机对话。作业和试题批改原本是教师必须承担的重要工作。随着信息技术的进步，自动批改软件开始出现，但它只能判断正误，无法给学习者提供指导性建议，无法判读学习者哪些地方不懂，哪些知识点没掌握。知识图谱能够建立知识与知识之间的联系，让机器像人脑一样去思考，让机器学会对试题进行判读，给出指导性建议，甚至与学习者进行人机对话。结合知识图谱和学习过程数据，系统能判断学习者哪里不懂，甚至能推断这道错题的前置性题目，或者知识盲点是什么。这相当于给教师配备了人工智能助手，提高学生个性化指导的同时也能减轻教师负担。但是，教学不能完全依靠机器，教师的任务是根据系统诊断书对学习者提供处理方式的指导和规划。因此，实际教学需要教师的智慧与机器的智慧相结合。

参考文献：

[1]张治,刘德建,徐冰冰.智能型数字教材系统的核心理念和技术实现[J].开放教育研究,2021,27(01):44-54.

编辑| 给我一勺盐

审核| 冰糖