knewton适应性学习白皮书(2)

5.  大数据和适应性结构

大数据的概念被用来描述数量巨大的卷，速度，和通过各种各样的技术平台产生的各种各样的数据，其中很多包含连续的或者普遍存在的数据集。大数据特别指那些特别大的，复杂的，难以用传统的数据库管理工具处理的数据集；这些挑战包括数据存储，搜索，分析和数据可视化。

大数据与教育（BigData & Education）

在互联网搜索和社会媒体领域，大数据的出现打乱了现存的工业格局，创造出了新的产业，并导致了非凡的企业成功，例如Google,Facebook。特别在教育领域，大数据展示了强大的创造性，因为教育领域的大数据反映了认知，这一点从结构上与用户在网站上的活动，社交网络以及在线购物习惯等产生的数据完全不同。因为教育数据有高度相关性（例如对于分数的掌握和对于指数的掌握），这样就存在非常大的可能性来给学生提供最大优化用户体验和提供切实的价值。

一个区分由学生产生的数据（例如和在线购物产生的数据）的特征是，学术学习要求一个延长的参与时间；因此学生会在平台上保持一个比较长的时间。更进一步，学生活动会增加注意力，关注度，强度：他们的参与程度比较高，他们为了分数学习一门课程，努力改变未来，扩展他们的技能的范围。这些高强度的努力产生了巨大数据量的有意义的数据，这些有价值的数据又可以被连续的操作处理，实现每个学生的个性化学习。

适应性基础设施（AdaptiveInfrastructure）

Knewton已经建立了一个基础结构，允许平台能够处理大量的学生数据。例如，在概率图形模型上的推断就是一类称为“图算法”的一个例子。这些算法非常的特别，他们能够被分解成一些计算单元，这些计算单元仅依赖于其他的一些具体的单元，并且如果工作量被分配到多台电脑上能够实现高效的并行计算，所以只需要很少的协调工作。

用于实现这些大规模计算的框架缺少鲁棒性，Knewton已经设计了一个自己的称为“AltNode”的框架，这个框架通过在计算机之间分割工作量来实现，并在一个最小需求数量的计算机之间发送连续更新。所有重大的更新都被存储在分布式的Cassandra数据库中。如果一台机器失效，另外一台附近的机器会取代他的位置，从数据库中回复最近的数据然后继续工作。AltNode的一个独一无二的特征是，它允许模型从任何状态进行恢复并且对新到来的数据立即作出响应。

6.  在课堂中的Knewton适应性学习

适应性学习支持基于精通的学习，并且认为通过学习课程获得进步应该建立在对于课程内容的掌握程度上，而不是花费在课程上时间的多少。可能虽然并不经常提起这个概念，基于精通掌握的学习描述了学生的进步是通过成功的完成一系列的给定的试题，实验或者活动，而不是他们花费的时间的多少。

在线适应性学习让视线基于掌握精通的学习变得非常灵活。例如，Knewton Math Readiness，创造了一个指导的，自我学习步调的学习环境，在这个学习环境中围绕着分组话题给学生实时的优化的指导。根据每个学生的个人学习路径，课程被提供给每个学生，并且持续的评估学生的掌握程度并且作出调整。课程包括视频，在线教材，以及课程问题，学生通过获得课程奖励实现进步，进入到下面的学些。早期的功效报告反映出这个程序的成功之处：在ASU大学通过2000个补习数学的学生使用一个学期以后，不及格率(withdrawal)下降了50%，及格率从66%上升到75%，并且有50%的同学提前4周完成所有任务。

图I.

这个实现模型经常被看做弯曲的学习，表示一个学生学习什么的任何安排，部分在一个实体的设备同时部分在在线传送给学生内容的部分，这样可以控制学生的时间，地点，路径，以及步调。

Arizona州立大学的高级讲师Irene bloom,曾经是在线学习的怀疑者。但是她说他的数学补习班自从引入Knewton系统后正在动态的朝着好的方向改变，“我喜欢看到教室里的他们分组学习，相互讨论，并且互相解释问题。通常，不同的分组讨论着不同的话题，根据他们所学课程内容的不同。这个系统对我来说是全新的。在这之前，我总是以假设所有的学生的学习进度都是一致的来进行教学。现在，因为他们以不同的速率在课程中前进，我会在他们每个人的学习程度上进行辅导。”

7.  Knewton适应性学习是如何吸引学生的

Knewton适应性学习通过增加自信，减少不适合沮丧，能够改善学生的参与效果，并且鼓励学生培养高效的学习习惯。Knewton adaptive learning can improve student engagement byincreasing self-confidence, decreasing discomfort and frustration, andencouraging productive learning habits.

 

实时反馈（Instant Feedback）

如何反馈是及时的那么学生将不会失去注意力，并且他们能够快速的自我修正。一个连续的适应性学习挺能够以多选择模式和自由试题反馈(multiple choice and free response questions)两种方式及时给学生发送个性化的反馈，实时的或者接近实时的给学生进行反馈。结果是学生学习的步调能够指导承担风险，实现，迭代发展和快速学习。

社区与合作（Community & Collaboration）

孤立学习使学生的面临的挑战更加的恶化。适应性学习系统能够通过编制一个社会组件到课程中来改善学生的参与。例如，Knewton Math Readiness，提供了一个可以让老师根据学生使用的教材的不同进行将学生分组的控制面板。利用报告中的特点，老师可以给学生安排作业互查机会并且根据学生的能力进行分组，使得每组的组员的能力可以互补。

图J.

游戏化（Gamification）

有无数的学生可以展示技巧并且反馈的机会，适应性课程与游戏有着很多的共同点。还有，适应性课程有一种游戏的方式逐步的增加作业的难度，揭露下一个要学习的层次，增加悬疑性。这些还有其他的游戏元素可以被强化（在Knewton Math Readiness课程中，宝库了进步奖励，勋章以及成就），将适应性课程真正的转换为游戏性的学习体验。

对于学习的“解锁”过程能够帮助增强学生在进步中的满足感。

8.  Knewton适应性学习如何帮助老师

Knewton适应性学习让老师能够对学习过程，特别是学习效率，参与程度以及知识的记忆力有较好的洞察力。平台也史无前例的提供了范围的灵活性；老师可以掌握学生在整个课程中活动和表现的模式，也可以深入研究一个学生的学习概览来决定是什么让这个学生的学习变得痛苦。（Knewton adaptive learning gives teachers insight into the learningprocess, specifically in terms of efficacy, engagement, and knowledgeretention. The platform also provides an unprecedented flexibility of scope; teacherscan grasp patterns in student activity and performance across the whole classor drill down into individual student profiles to determine exactly why astudent is struggling.）

 

强调学生不同的需求（Addressing the Diverse Needs of Students）

目前老师和学校管理者面临的最大的一个挑战就是不断增加的学生的多样性。越大的学生多样性则表示需要考虑更多的多样性需要。有些人因为英语不是第一语言而挣扎，有些很难集中注意力或者不融入组织，有些可能在某方面有缺陷而其他的方面却很优秀。

Knewton适应性学习让老师可以强调学生的多样性需求，同时观察学习进程。例如，系统能够发现一个学生在数学单词方面有问题是因为它在阅读理解方面有缺陷；系统就会指导老师进行教授特定的关于语法和词汇的材料，并建议老师应该对于这个学生在这些方面进行单独辅导的方式。然后，如果系统发现有个学生在理解数学概念上没有问题但是却在处理数学计算上很粗心，老师就会被通知这个学生应该受到关于如何增加估算能力和答题后检查的建议。老师然后可以指导学生精确的明白他自己存在弱点。

例如，Knewton Math Readiness课程控制面板中包括一个”开启追踪/关闭追踪”的概念，来衡量学生在课程中的进步。这个概念功能最为一个二值指示帮助老师高效的从整体了解一个班级的信息（This concept functions as a binary indicator that helps teachers efficientlygrasp information about the class as a whole.）。使用这些工具，老师可以从两个视角看到报告数据：

1）  整个班级（The Whole Class）

Knewton Math Readiness指示面板包含一个提供了整个班级追踪状态的评估的直方图。

利用这个控制面板，老师也可以看到学生在每个独立的主题中如何表现：材料中的哪一部分对于学生来说最容易以及最困难；在班级的表现和活动中出现了什么样的模式。经过多年教授同一门课程，老师可以比较每一年的数据；Knewton分析功能可以帮助他们分析有用的信息，让他们不用自己去解释分析的结构。

图L.

2）  单独学生（Individual Students）

在Knewton Math Readiness中的报告控制面板是流线型的，于是老师可以将注意力放在大的数据分析图像上，老师也可以在控制面板点击每个学生的信息查看每个系统中每个学生具体信息。老师可以查看学生在指定的试题和考试中学生的表现。如果一个学生没有掌握材料，老师可以决定（使用分析指导他们到具体的数据点）发生了哪些具体的误解。

这个功能使得老师即可以强调学生的多样性需求，也可以更好的理解他们的内容，于是他们可以从每年的数据中不断的提炼更加精准有效的数据。

改进与理解长期课程学习的内容（Improving & Understanding Content forLong-Term Curriculum Development）

一个能够度量内容学习效率的指导面板能够帮助老师挖掘他们教学材料的最好的以及最差的方面。就像以前描述的一样（在单项反应理论和网络效果中），Knewton适应性学习能够帮助老师精准的掌握他们正在教授的以及评估的是什么样的内容。这样能够保证这些内容能够被分析，并且实现调整改善，学生不会因为过时的或者低效率的材料而在学习方面受阻。