數位科技在教育的應用: 篇一

數位科技與AI在教育應用越來越廣泛，ChapGPT於2023年在台灣教育界也掀起風潮，成為熱烈討論的課題。財團法人中技社2020年出版「AI在教育領域應用」專題報告有詳盡介紹，國外相關報導和研究也是雨後春筍。PAH平台陸續翻譯研究論文重點，以滿足讀者之好奇。

優履工作室（Uni Workplace）陪伴第一線各領域教師設計與實踐數位融入課程、教學與評量，也將陸續在此PAH平台公開分享，提供有興趣的教師攜手共學。

篇一：個人化自適應學習：智慧化學習環境引動生成性教學法

Peng, H., Ma, S., & Spector, J. M. (2019). Personalized adaptive learning: An emerging pedagogical approach enabled by a smart learning environment. Smart Learning Environments, 6(9).https://doi.org/10.1186/s40561-019-0089-y

陳佩英、曾子容編譯 （2023.07.12）

摘要：

智慧型設備（smart device）和智能技術（intelligent technologies）讓智慧學習環境能夠有效推動個人化學習和適應性學習（personalized learning and adaptive learning）的發展，符合兩者加速融合的趨勢。

個性化自適應學習形式（personalized adaptive learning）為一種能夠透過智慧學習環境實現的新教學方法。此篇文章深入分析了它的兩個核心：個人化學習和適應性學習。同時，也探討了個性化自適應學習的核心要素和核心概念。

此外，作者還進一步探討了個性化學習路徑的推薦模型。具體而言，個性化適應性學習可以從以下四個方面構建，即學習者概況（learner profiles）、素養能力進程（competency- based progression）、個人化學習（personal learning）和靈活的學習環境（flexible learning environments）。最後，則探索了學習概況模型和個人學習的生成路徑推薦模式。

回顧：個性化適應性學習的發展（Review: the development of personalized adaptive learning）

綜觀個性化適應性學習的發展，歸因於大數據的崛起。數據越來越快速的產生，催生了「數據密集科學」（Data-Intensive Science）——第四個科學研究範式。在數據密集科學的影響下，個性化適應性學習已然成為第五代教育技術研究範式。運用大數據已成為數位學習環境的重要成分。

事實上，個人化學習的智慧可以追溯到孔子的「因材施教」和蘇格拉底的啟發教學理論，然而在班級教學的學校系統普及後，曾陷入長期的低谷。隨著「以學生為中心」成為教與學的核心理論，個人化學習再次受到重視，漸漸成為教育改革的新目標。傳統的個人化學習主要通過特殊的教學體系和組織形式來實現，例如古代私塾教育和目前的選修課制度。科技的融合催生了一種新的發展路徑：由科技賦能的個人化學習（personalized learning empowered by technology）。

•  科技賦能的個人化學習的典型事件是Skinner的教學機器和程序教學理論的出現（Wleklinski，2017）。從那時起，個人化學習開始具有適應性的特點。

• 受技術水平的限制，最初的技術賦能個人化學習，如計算機化適應測試（CAT），主要基於簡單的規則或標準（Weiss、Kingsbury，1984）。其本質是根據學生的回饋訊息將學生轉移到預定學習路徑的某個位置。它的準確性和靈活性非常低。

• 隨著技術的發展，個人化學習逐漸變得更加複雜。其中的典型代表是Knewton平台。它透過知識地圖和監測並即時回應學生的活動（溝通、協作和遊戲）來區分和引導持續性的個人化學習過程，但Knewton平台的個人化數據主要來自測試答案記錄，與學習整個過程的記錄還是存在一定差距。

大數據的崛起使得能夠記錄和解讀學生在所有學習方面的個體特徵和狀態成為可能。教育資料探勘和學習分析兩者的結合可以更有效地利用記錄的學習數據來評估學習過程、預測未來表現並識別潛在問題。

分析：比較個性化適應性學習的兩個支柱（Analysis: comparing the two pillars of personalized adaptive learning）

對於個人化學習（personalized learning）、適應性學習（adaptive learning）和差異化教學（differentiated instruction）之間的關係，目前有兩種主流觀點：（1）前者包含後者的包含關係，（2）三者之間存在重疊的相互關聯（類似於文氏圖）。對其多重定義的分析揭示了這兩種情況都存在。

個人化學習和適應性學習的比較表

 Table 1 Comparison between Personalized Learning and Adaptive Learning （p.4)

深入分析個人化學習、適應性學習和差異化教學（The in-depth analysis of personalized learning, adaptive learning, and differentiated instruction）

  直觀上，個人化學習和適應性學習都關注個體差異（individual differences），而個體差異以及個體特徵，也是差異化教學（differentiated instruction）的目的。

美國監督與課程發展協會（ASCD）的定義是對這一目的的詮釋：差異化教學是教育者積極為學生的差異進行規劃的一種教學方法，以使所有學生都能夠最佳地學習。在差異化教學的課堂中，教師將他們的時間、資源和精力分配給具有不同背景、準備狀況、能力水平和興趣的學生，以有效地教導他們（ASCD，2018）。

根據美國教育部的定義，在差異化教學中，所有學生都有相同的目標，但教學方法是不同的（美國教育部，2010）。

個人化學習和適應性學習都包含了差異化教學的概念，而差異化教學過去是為特殊需求的學生保留的。

此外，個人化學習中的個體差異包括兩個部分：個體特徵和非個體特徵。後者實際上是個人需求和個人發展的一個面向。根據個人需求的定義，學生需求的差異是由當前狀態和預期狀態之間的差距來確定的。前者可以是個體特徵的一部分，而後者可以歸因於個人發展。因此，個人化學習的核心要素再可細分為兩個方面：個體特徵和個人發展。個性化的自適應學習的新認識，則是確認個體學習者的興趣和渴望與教育相關。

上述適應性學習的定義並未顧及學生的個人發展。因此，適應性學習中的個體差異，指的是個體特性的差異有關。因此，適應性學習的核心要素可以修改為個體特性、個體表現和適應性調整。若對這兩種學習方法的新核心要素進行比較則可發現，個性化學習並未提及實施策略，但適應性學習提到了（適應性調整）。個性化自適應學習的第二個新視角則是其強調實際支持個體發展的設計和作法。

構建相關學習方法之間的關係圖（Constructing the relational diagram among related learning methods）

  根據上述結論，個人化學習、適應性學習和差異化教學與人數多寡無關，因此它們不是個別化教學。然而，適應性學習對高端技術的依賴最大，比其他兩種方法更關注每個個體的具體實況。

此外，從個體的角度看，差異化教學著重於個體特性的差異，個人化程度最低；適應性學習居第二位，它提升到個體表現的層次；個人化學習最高，達到對個人發展的追求。這些在圖1中以視覺方式呈現出來。

圖1

各種學習方法間的關係

核心概念：個性化適應性學習的價值（Core concepts: the values of personalized adaptive learning）

  將個人化學習和適應性學習的核心要素結合起來，還可以提出個性化自適應學習的核心要素：個體特性、個體表現、個人發展和適應性調整。前三個代表個性化自適應學習的三個個性化層次。第四個則表示教學中實現這三個個性化層次的適應性調整策略。如同適應性學習，這種策略與科技的支持是密不可分的。

基於這四個要素，個性化適應性學習可以被定義為一種以科技為支持的有效教學法，根據「實時監測」學習者的個體特性、個體表現和個人發展的差異和變化，能夠及時適應性地調整教學策略。

此核心概念背後的假設與適應性學習相同，即適當即最佳。因為每個個體在各個方面都是不同的，並且處於不斷變化的狀態，有必要時刻進行個人化監測並適應性地調整教學，確保教學策略始終適合個別學生。此外，這個概念，像智慧化教育（smart education）一樣，需要堅持「科技是為促進教育而非主導教育」的觀點。因為到目前為止，科技很少是專為教學而創建的，科技追求的便利並不是教育所追求的，而教育所追求的是促進人類發展的有效性。

個性化自適應學習的框架（Framework: the portrait of personalized adaptive learning）

基於上述核心要素和核心概念，構建了一個個性化自適應學習的框架。如圖2所示，水平軸作為適應軸，描述當前個體表現，垂直軸作為個性軸，描述個人發展。兩軸的交叉點作為個體特徵，代表個人化學習和適應性學習共享的差異化教學。

實現個性化自適應學習的三種方法Three approaches to achieve personalized adaptive learning）：

實現個性化自適應學習有三種方法：（1）基於個體特徵的差異調整教學策略（圓形）；（2）結合當前個體表現的差異和變化調整教學策略（水平橢圓）；以及（3）結合個人發展視野的差異和變化調整教學策略（垂直橢圓）。這三種方法都可以通過基於數據驅動的決策來適應性調整教學來實現。數據驅動的決策是框架的核心中心。

• 第一種方法是差異化教學策略的升級。傳統的差異化教學策略包括分組：同質分組、異質分組。分層教學是一種固定的、粗糙的差異化教學的代表形式。在資訊技術環境下，動態分組和介入成為可能。

• 第二種方法是基於適應性學習的概念。教學策略主要分為基於規則或基於數據驅動。前者的教學策略根據決策樹預先確定，而後者的教學策略是使用學生的數據動態生成的。

• 第三種方法是關注個人發展。主要策略可分為三個層面：方案層面、課程層面和任務層面。

圖2

個人化自適應學習框架

第四種方法：適應性調整教學策略（The forth approaches: adaptive adjustment instruction strategies）

透過以三個層面的個人化學習作為橫軸和兩種類型的數據決策作為縱軸，以二維坐標系統將適應性調整教學策略分為六個部分，並在圖3中描述了這些策略的光譜。圖中的波浪線代表個性化自適應學習的第四種方法路徑，從左下向右上延伸。

該路徑分為三個層面，即個體特性層、個體表現層和個人發展層。每個層面由兩個階段組成。

個體特性層主要解決與「學習什麼」相關的問題。

該層的數據驅動決策階段著重於資源推薦。

這意味著機器根據需要幫助的學生的個體特性推薦與之匹配的資源列表，或者與該學生具有相似個體特性的成功學習者的資源列表。

列表按照匹配程度從高到低排序，學生可以選擇自己喜歡的資源進行學習。

個體表現層解決了「如何學習」的問題。

該層的數據驅動決策階段主要著眼於活動引導。

透過分析學生的表現數據，識別其學習模式。如果模式顯示學生存在問題，且該問題只是個體現象，則可以得出該問題來自於學生而不是教學策略。因此，需要調整學生的學習活動。如果問題是大多數人都遇到的問題，則可以得出教學策略需要優化的可能性較高。

個人發展層關注個人「學得多好」的課題。

該層的數據驅動決策階段，通過監測學習成果來預測學生是否能提前完成學習目標，如果能，則會推薦更具有挑戰性且符合個人挑戰的延伸性任務。

該層的數據知情決策階段著重於學生在進行挑戰延伸性任務時遇到的問題。對於大多數人遇到的相同問題，採用集中輔導方法進行解決；對於個體遇到的問題，提供個體化的輔導方法。

這個新的路徑在個人化程度上為學習者提供了個性化自適應學習的服務，並且可以兼顧與融合差異化教學、適應性學習和個性化學習。

圖3

基於人機協同決策的適應性調整指導策略譜

實施：構建個性化自適應學習的起點（Implementation: the starting point of constructing personalized adaptive learning）

  為了構建個性化自適應學習，我們認為應該做出以下努力：監測學習者在個體特性、個體表現和個人發展方面的差異和變化，並適應性地調整教學策略。

自適應學習的工作方向：學習者概况、素養能力進程（competency-based progression）、個人化學習和靈活的學習環境（K-12教育團隊，2014）。

• 學習者概況旨在描繪每個學習者的個體特性、優勢、偏好、動機等。

• 素養能力進程透過持續測量學習者的學習目標的個體表現來評估學習者的進步。

• 個人化學習為學習者提供個人發展的方法與策略

• 靈活的學習環境可以為適應性調整教學策略提供支持。

學習軌跡圖像模型（Learning portrait model）

學習軌跡圖像模型是由學習節點（細胞）組成的學習序列，它描繪了學習發生和發展的歷程。利用教育資料探勘和機器學習（machine learning）等科技，探索學習者潛在的學習模式是實現個人學習路徑的關鍵。

目前，學習路徑推薦已經從關注學習者的個體特性，如學習偏好、認知風格等，轉向關注學習過程和學習軌跡圖像。 針對這一問題，作者提出了一種新的學習肖像模型，從新的角度解決個人學習路徑的精準推薦問題。

如圖4所示，學習軌跡圖像包括學習節點序列和學習時間序列。單元序列，也稱為學習模版（pattern），由節點序列組成學習單元。

學習節點序列中的時間表示在一個學習單元上花費的有效學習時間，另一側的時間長度，表示學習發生在最後一個學習單元和啟動新單元的時間間隔。

• 時間長度可以反映學習投入程度。這個時間越長，學習者對學習內容的某一部分的參與度就越高。

• 時間間隔可以反映學習者的學習動機。這個時間越小，學習動機越強。

• 因此，學習節點是學習軌跡圖像的重要元素。

圖4

學習模型

 學習單元的內部結構如圖5所示。

學習單元描繪了學習者的微學習情境，由學習內容、學習活動和學習效果三部分組成。

學習內容是為了解決「學什麼」的問題，包括學習材料、實作材料和創造材料。 基於Bloom認知目標分類法，構建了學習內容的層次結構，如圖6所示。

 圖5

學習單元的內部結構

圖6

學習內容目標結構

• 學習材料屬於較低層次，即記憶和理解層次。

此類材料包括與學習內容相關的各種多媒體學習資源，如文本、影片和音訊、動畫等。實作材料位於應用和分析層次，用於鞏固和內化學習內容，包括問題集和工具包等。創作材料用於學習內容的轉化，位於評估和創造層次，主要包括虛擬實驗、模擬場景、案例以及設計和開發的軟件或硬件。

• 學習活動旨在解決「如何學習」的問題。

根據活動理論，活動可以分為三個層次的層次結構：活動、行動和操作。學習活動可以看作是一系列學習行為的序列。由於學習者的學習風格和知識水平等個體特性的差異，學習活動也有所不同。

• 學習效果是指學習者完成學習活動後的學習成果。

為了衡量學習成果，採用流暢度作為衡量指標，而不是傳統的測試成績，它可以反映學習者測試的準確性和速度。因此，流暢度可以更好地代表學習者真實的學習效果。流暢度包括正確流暢度和錯誤流暢度，即正確或不正確的測試分數除以所花費的時間。透過帶入測試時間維度，可大大提高流暢度的效率。例如，花費較少時間的學習者在流暢度上比花費相同時間但測試分數相同的學習者表現更好。

生成路徑推薦模式（The generative paths recommendation pattern）

先前的研究將學習路徑定義為學習過程中學習者選擇的活動和概念的序列。在此研究中，學習路徑被定義為由學習單元組成的學習序列。

學習路徑推薦的流程如圖7所示。系統運用配搭方法，根據學習者的學習狀態推薦學習節點序列之清單，學習者可以根據需求選擇最合適的學習節點進行學習，然後系統測評學習者的學習效果，並生成學習者的學習軌跡。這是一個不斷迭代生成的過程；它讓學習者擁有學習的選擇，而不是被強迫接收安排好的學習內容，因而能夠促動學習者的主動性和主體性。

圖7

生成路徑推薦流程

學習路徑生成推薦模型具有三個重要特點：精確性、個性化和生成性。

• 精確性（precision）主要表現在兩個方面：（1）推薦模式將學習者分為A類學習者、B類學習者和C類學習者，並針對不同類別的學習者採用個性化的配搭策略；（2）推薦模式將學習者的學習軌跡與最佳學習者進行比對，然後推薦配搭學習節點序列給指定學習者。

• 個性化（personalization）體現在學習清單的推薦策略，即為學習者推薦一個優先排序的學習序列，讓學習者有機會選擇他/她最喜歡或最適合的學習節點。這可充分反映學習者的主動性和主體性。

• 生成性（generativity）指的是系統不會一次性推薦完整的學習路徑，而是先推薦一個學習節點，然後根據學習者更新的學習軌跡，推薦下一個學習節點，直到完成完整的學習路徑。生成性符合學習節點展開的動態性，有助於提高推薦的精準性。

多樣化的配搭模式（Diversified pattern matching）

學習路徑生成性推薦中最關鍵的步驟是根據學習軌跡的配搭策略，我們根據學習者的學習狀態將學習軌跡的配搭分為三種情況：A類學習者的配搭、B類學習者的配搭和C類學習者的配搭。

• 針對沒有或少有學習數據的A類學習者。對於這類學習者，我們應將他與成功和優秀學習者的學習軌跡進行匹配，以便系統可以將配搭的學習節點序列推薦給A類學習者。

• 針對具有相當學習數據的B類學習者，建議將其學習軌跡圖像與其他成功學習者進行系統性的比對，再推薦一個最相似的成功學習者的學習節點序列给B類學習者，這會是有效的解決方案。

• 針對具有大量學習軌跡數據的C類學習者，系統可將其學習軌跡與其他成功學習者進行比對，再從成功學習者的模式中選擇下一個學習節點推薦給C類學習者，是比較好的作法。

結論（Conclusions）

• 透過解釋SLE（smart learning environment），我們發現它在有效促進個性化學習和自適應學習的發展方面具有巨大潛力，加速了這兩種學習方法的融合。

• 此研究提出了個性化自適應學習的概念，並將其作為一種由SLE實現的新教學方法。

• 此外，透過對個性化學習和自適應學習進行比較分析，提出了個性化自適應學習的核心要素和核心概念，並以可視化的型式，構建了個性化自適應學習的框架。

• 個性化自適應學習可以從以下四個方面進行構建，即學習者軌跡檔案、素養能力進程、個性化學習、和彈性靈活的學習環境。

Abstract

Smart devices and intelligent technologies are enabling a smart learning environment to effectively promote the development of personalized learning and adaptive learning, in line with the trend of accelerating the integration of both. In this regard, we introduce a new teaching method enabled by a smart learning environment, which is a form of personalized adaptive learning. In order to clearly explain this approach, we have deeply analyzed its two pillars: personalized learning and adaptive learning. The core elements of personalized adaptive learning and its core concept are explored as well. The elements are four: individual characteristics, individual performance, personal development, and adaptive adjustment. And the core concept is referred to a technology-empowered effective pedagogy which can adaptively adjust teaching strategies timely based on real-time monitoring (enabled by smart technology) learners’ differences and changes in individual characteristics, individual performance, and personal development. On this basis, A framework of personalized adaptive learning is also constructed. Besides, we further explored a recommendation model of the personalized learning path. To be specific, personalized adaptive learning could be constructed from the following four aspects, namely, learner profiles, competency- based progression, personal learning, and flexible learning environments. Last, we explored a form of learning profiles model and a generative paths recommendation pattern of personal learning. This paper provides a clear understanding of personalized adaptive learning and serves as an endeavor to contribute to future studies and practices.

Keywords: Smart learning environment, Data decision-making, Personalized learning, Adaptive learning, Man-machine collaboration, Learning paths recommendation