服务于“适合的教育”的区域智慧学习平台建设研究

肖年志 葛虹

摘   要：随着教育改革的不断深入，信息技术创新应用显得更加迫切，各地竞相开发所谓智慧教育学习平台或购买相关云服务以满足应用之需。但是，现实情况反映，这些平台普遍存在数据孤立、资源缺失、应用不实等问题，对学习的“智慧性”支撑作用还没有真正发生，还不能解决当前教育教学变革的痛点问题。文章针对教育改革与发展需求，结合苏州工业园区智慧学习平台建设的具体实践，探讨区域智慧学习平台的建设与优化路径，期望对区域智慧学习平台建设与应用实践提供借鉴。

关键词：适合的教育;大数据应用;智慧学习;云平台;路径优化

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2021）07-0001-08

一、目前区域学习平台存在的主要问题与成因

当前，从国际与国内两个视域来研究教育的改革与发展，可以发现，“适合的教育”是国际国内公认的最好的教育形态，也是教育改革的痛点所在。“发展教育就是要为人民服务，办人民满意的教育，办优质公平的教育，让每一个适龄儿童都能接受教育，接受更好的教育。”“要把育人为本作为教育工作的基本要求，为每一个学生提供适合的教育。”由此，在教育领域“提供适合每个学生的教育”是一种必然的选择。

《国家中长期教育改革和发展规划纲要（2010—2020年）》提出：“信息技术对教育发展具有革命性的影响，必须予以高度重视。”这一革命性影响主要体现在，以云计算、物联网、大数据、人工智能等为代表的信息技术与教育的深度高质融合，引领并支撑实现“更加开放、更加适合、更加人本、更加平等、更加可持续的教育”。

我们欣喜地看到，在国家教育信息化顶层设计指引下，教育信息化在过去的几年得到了快速的发展。“十二五”以来，特别是《国家中长期教育改革和发展规划纲要（2010—2020年）》《教育信息化十年发展规划（2011—2020年）》发布以来，各地以“信息技术与教育教学深度融合”为核心理念，竞相推进智慧教育学习平台的建设与应用，“三通两平台”项目取得突破性进展。研究机构发布的数据表明，2018年全国已经基本实现各级各类学校网络接入，“校校通”完成率达90%;“班班通”及“人人通”普及率分别达到70%、45%。随着《教育信息化“十三五”规划》《教育信息化2.0行动计划》《中国教育现代化2035》等政策的进一步发布，教育信息化从1.0步入2.0时代。

诚然，随着诸多学习平台的落地建设与应用，许多教师和学生拥有了自己的网络学习空间，并通過共建共享教学资源开展基本的教学和学习活动，教师和学生普遍具备了信息技术在教学和学习上的应用能力，学习平台在教育改革与发展过程中发挥了一定的作用。特别是面对2020年的新冠肺炎疫情，诸多平台在“离校不离教”“停课不停学”的在线学习中发挥了很大的作用。

然而，我们也清醒地看到，区域学习平台的用户粘性普遍不强、使用绩效普遍不高。无论是教师还是学生，还没有形成对学习平台自觉、自然的应用，虽有较强的行政干预，但应付性应用现象还大量存在;学习平台在提升教育教学质量上并没有发挥出优势作用，使用或者不使用差别不大。表面上看，可以归结为平台的“稳定性不够”、平台的“实用性不够”。本质上而言，是诸多区域学习平台没有从根本上解决教育教学的痛点问题，即不能满足“适合的教育”的需要，无法支撑“规模化因材施教”;或者说没有满足学习者的痛点性需求，即不能满足“个性、差异、高效学习”需求。要解决这些问题，我们需要从“适合的教育”视域出发，深入思考大数据学习平台的设计、开发与应用。

二、区域智慧学习平台建设的总体站位与导向

1.具有“适合的教育”价值观

所谓“适合的教育”，是“因材施教”的新表述、国家意志的新表达、“以人为本”教育思想的具体化。具体而言，“适合的教育”是指契合学生、让学生始终处在“最近发展区”、以“学生为本”、促进学生最大程度发展的教育，主要表现为学习内容、学习路径、学习方式、评价方式等的契合性、多样性、选择性、差异性，以满足不同发展层次、不同学生的个性化需求，让学生在不同基础、不同方面获得最大可能的发展。真正的“适合的教育”应该是为受教育者提供需求性学习的选择机会、提供主动发展的主体性教育，是开发潜能的开放性教育，是促进全面发展的发展性教育，是实行教育目标定位的分层次性教育，是学生永远在场的教育。

深入推进“适合的教育”研究与实践，是国家意志的充分体现。《国家中长期教育改革和发展规划纲要（2010—2020年）》明确提出：“关心每个学生，促进每个学生主动地、生动活泼地发展;尊重教育规律和学生身心发展规律，为每个学生提供适合的教育。”《关于深化教育体制机制改革的意见》中提出，要“营造健康的教育生态，大力宣传普及适合的教育才是最好的教育、全面发展、人人皆可成才、终身学习等科学教育理念”。《教育信息化2.0行动计划》要求：“构建网络化、数字化、智能化、个性化、终身化的教育体系，建设人人皆学、处处能学、时时可学的学习型社会，实现更加开放、更加适合、更加人本、更加平等、更加可持续的教育。”这是时代赋予教育的使命，是教育改革的必然追求。

“适合的教育”也成为广大教育工作者的共识。江苏省教育科学规划领导小组办公室主任董林伟认为：“适合教育是适逢其时，是时代之需”，“适合教育是适当适切，是课堂之需”，“适合教育是适宜适意，是学生之需”，“适合教育是适时适度，是发展之需”。北京101中学校长陆云泉说：“好的教育，我的理解应该是为学生选择适合的教育，而不应该是为教育去选择学生。对学生个体来说，适合他的教育就是最好的教育。”

为此，服务于“适合的教育”，应该成为区域学习平台建设的追求。服务于“适合的教育”，就是要坚持“立德树人”“以生为本”教育观，顺应量化研究、大数据应用趋势，从应用驱动走向创新引领，利用信息化平台实现对传统教育的价值重建、结构重组、流程再造、资源重配、文化重塑，改变教育发展的动力结构，促进教育研究和实践的范式更替，为受教育者提供最适合的教育。

2.具有“大数据应用”技术观

大数据应用的核心价值在于能为“规模化个性学习”提供支撑。可以重点从三个层面探究：一是能否基于数据快速精准地为学习者群体和个体“画像”，定位“长短板”，定位共性与个性。这里的“画像”不是为了给学习者下定义，而是深入地了解学习者，为可持续的精准服务提供依据。二是能否提供丰实的學习资源，满足学习者选择性学习需求。这里的“丰实”，主要体现在“多形态”“多层级”和“多关联”。三是能否针对学习者实际形成关联性推送。从推送的角度而言，可以是学习图谱推送，强化学习者自我认知，也可以是资源关联，实现扬长补短，也可以是路径优化，驱动有效学习。

如果把区域教育网当成高速公路，那么区域学习平台就是高速公路上跑的车，我们不能跑空车，我们应该把优质的学习资源和应用服务数据运送到“千家万户”。从这个意义上看，区域智慧学习平台应该成为大数据应用的载体与通路。因此，区域智慧学习平台的构建必须具有“大数据应用”技术观，可以从三个层面去落实。

（1）要具备数据意识。数据意识是基础，是先导性工作。所谓大数据意识，是指在深刻理解教育大数据对教育教学变革作用的基础上，在平台规划与建设的过程中，全面融入大数据思想，能够思考平台的互融互通、数据的关联与应用，解决好数据的“最后一公里”断裂问题。纵观多个市县的区域学习平台，在建设内容中很少包含有大数据理念的顶层设计，部分有所思考的，也只是蜻蜓点水。反映出来的是平台规划者对大数据应用意识的深度不够，这也直接造成了当前较多平台应用层面数据孤岛化的现状。

（2）要重视数据关联。数据关联是关键，是架构性工作。一般而言，区域智慧学习平台应覆盖课前、课中、课后多个应用场景，在每个应用场景，均会有教育教学数据的产生、采集与计算，如课前预习数据、课中互动数据、课后检测数据等，这些数据可能分布于智慧校园物联网模块、翻转课堂模块、智慧互动课堂模块、智慧阅卷模块等。在模块内部通过汇总与分析，能够形成一定的学情等报告，得出一定的结论，发挥出单个应用模块的数据价值。但是从大数据的观点来看，模块数据仅发挥了局部作用，应将多个模块或系统的数据关联起来进行分析与挖掘，才能形成准确、全面的学习者特征个体画像与群体画像，为大数据的应用提供决策依据。

（3）要落地数据应用。数据应用是核心，是体系性工作。通过大数据的分析与挖掘，仅仅得出学生个体特征画像、学生群体画像等分析结果的意义还不够，还一定要再和资源关联起来，解决资源的智能推送即个性化学习服务问题。因此，学习平台既要有学生学习特征数据，又要有智能资源，形成一个体系，为学生的个性化学习提供技术支撑。与此同时，在个性化推送的基础上，进一步提高智能化水平，实现基于学习路径规划与学习自适应等高层级应用。

3.具有“大资源体系”构建观

《教育信息化2.0行动计划》明确提出要实现“三个转变”，即“实现从专用资源向大资源转变;从提升学生信息技术应用能力向提升信息技术素养转变;从应用融合发展向创新融合发展转变”。并明确要求：“整合各级各类教育资源公共服务平台和支持系统，逐步实现资源平台、管理平台的互通、衔接与开放，建成国家数字教育资源公共服务体系。充分发挥市场在资源配置中的作用，融合众筹众创，实现数字资源、优秀师资、教育数据、信息红利的有效共享，助力教育服务供给模式升级和教育治理水平提升。”可以深切地体会出，资源观的转变对平台规划与建设具有非常重要的指导意义。

上海市电教馆馆长张治说：“过去，我们将知识资源数字化、平面资源立体化，但这还不够，我们要更强调基于互联网的大资源观。这个大资源观既包括知识，也包括知识之间的关系，即知识图谱;既包括填充学生头脑的，也包括点燃学生智慧的，教育不是把一杯水注满，更多的是把一团火点燃。”由此结合苏州工业园区教育教学常态应用情况，我们可以将“大资源体系”归结为以下特征。

（1）本土化。就是充分开发利用本区域教师资源，有针对性地提供资源服务。教研员引领教材研习，梳理知识点，信息中心指导各级技术培训，骨干教师带头制作，学科教师常态开发，形成拥有自主知识产权的学习资源。

（2）体系化。就是做到四全，即学段学科全覆盖、国家课程知识点全覆盖、学科实验类型全覆盖、区域特色课程全覆盖。

（3）结构化。就是平台呈现结构化，学段、学科、年级，章节结构、知识点结构，我的资源、校本资源、区域资源，层次清楚，应用便利;同时，知识点关联、素养点关联分别以“知识图谱”“素养图谱”形态表达，充分体现内在联系。

（4）精品化。就是在解决量的问题后，提升资源的质。精品资源具有针对性、简洁性、趣味性和有效性，是学生愿意看、看得进、看得懂的资源，需要发挥骨干教师团队的作用，通过集体备课的方式、评估优选方式，制作出更多学生愿意用、用得有效的资源。

（5）多元化。是指资源类型的多元，既要有专题教育资源，又要有课程教学资源。对于课程教学资源，我们应关注“资源库、课程库、题库”等三个金库的建设，要结构化呈现学习任务单、微视频、教师录播视频、学习课件以及配套形成性检测等，支撑学生课前、课中、课后的全学程学习活动。

（6）生态化。一方面让资源开发从行政强制、行政干预，逐步成为行动的自觉;另一方面，资源优胜劣汰，并基于数据的关联性，推送优质学习资源，优化学生学习路径。

（7）融通化。体现纵向与横向两个维度，纵向实现国家、省、市资源的融通与共享，横向能够实现区域平台以及社会化资源的勾连与应用，避免资源孤离，并为各级各类学校提供多层级优质的学习资源共享服务。

三、区域智慧学习平台建设的基本原则与路径

1.基本原则

（1）安全性原则

区域智慧学习平台是一个采集用户各种行为数据并进行分析与应用的智能平台。在平台上会存储海量的各类用户行为数据及分析结果数据，需要有管理机制和技术手段保证数据传输的安全、数据存储的安全、数据应用的安全。由政府部门主导建设的智慧教育平台的最大特色就是能够保障师生教育教学数据的安全应用，杜绝各类数据的不慎流出与滥用等现象。

（2）高性能原则

区域智慧学习平台是服务于一个区域内全体师生常态化应用的平台，一个区域师生数量一般在5万至50万之间，而且集体同时在线学习的情况非常常见，2020年新冠疫情下的大规模在线学习需要显得更为突出，并发动辄以千计（经验数据表明，一般系统的并发请求数为总用户数的1/100，而教育学习平台作为一个强需求应用，并发要求为师生总数的1/20，即一个区域为5万师生的，则对高频操作需要有2500并发支持的最低要求，而视频播放并发要根据同时查看视频的用户数决定，对系统带宽和并发请求数的要求更高），因此，平台建设要考虑大并发要求下的高性能原则。

（3）迭代推进原则

区域智慧学习平台的建设，已经进入了没有现成系统可供参考的阶段，用户在实际使用时会有较多的问题反馈，如果不及时做迭代优化，即使有行政命令的强推，最终用户还是会使用得越来越少直到不用。因此平台建设需要有机制保证，建设和应用是能够根据用户反馈及时进行优化迭代的：采集用户需求→需求分析与第一版实现→用户使用→使用反馈→系统优化迭代→用户使用……

（4）开放性原则

区域智慧学习平台需要在数据规范与标准的统领下，与横向平台勾连，与纵向平台对接，形成一个互融互通的学习平台体系。因此，在建设过程中，应遵从规范与标准，积极对接其他成熟系统的相关数据，形成一个教育大数据生态圈。特别需要考虑将第三方客户端智慧学习系统的学习大数据通过标准化的体系架构，导入到区域平台，以形成全面完整的学习者学习画像和关联性推送。

2.基本路径

（1）科学设计平台架构与数据架构

根据业务需求，科学规划与设计平台架构与数据架构是学习平台建设的基础性工作，也是统揽全局的工作。软件架构师（数据架构师）应从系统角度进行技术架构设计，重点包括业务子系统规划与数据关联、系统安全性、高并发响应、大数据存储与流转设计等，以保证平台的安全、可靠、方便、高效、低碳的可持续智慧教育服务。以苏州工业园区“易加”平台为例，如图1所示。“易加”平台以云计算、物联网、大数据、人工智能等技术为支撑，构建面向学生、教师、行政、家长、公众等全用户服务体系。平台整体架构为“1115”模式，即“1个空间入口”“1套数据标准”“1个数据中心”“5类业务应用”。具体而言，以数据层“易加数据”为基础，构建了智慧教育数据仓，通过提供统一用户认证、单点登录、统一门户空间等服务，集成“教、学、管、测、评”等五大类应用，为各类用户提供全维度服务;建立“标准规范保障”“信息安全维护”两大体系，确保平台健康和用户信息安全。

在智慧学习平台中，大数据是整个平台的核心。其一，数据架构要保证数据“通”，数据好比“人之血脉”，“通则不痛”，应做到各业务子系统数据融通;其二，要保证数据“厚”，厚实才稳健，应做到“基础数据全覆盖”“业务数据全融通”“数据服务智能化”“主题数据可视化”;其三，要保证数据“活”，活才可用，应做到数据来源多渠道，采集方便灵活，数据实时鲜活，分析建模与关联输出也要灵活;其四，要保证数据“准”，准才有效，应构建科学的清洗策略与流程、精准的分析模型，让数据准确、有质量。保证每个业务子系统，既是教育大数据的提供者，又是教育大数据的消费者。

为此，“易加”平台数据架构（见图2）以“智慧教育大数据中心”为核心，以 “教、学、管、测、评”五大类应用数据为基础，逐步沉淀结构化和非结构化数据，形成基础大数据和各类应用主题大数据，通过大数据手段进行数据治理，为各类用户提供多维度多层面的“显性”画像，为“个性学、智慧教、精准管、科学测、智能评”提供“隐性”数据关联驱动，构建教育大数据应用闭环，为“适合的教育”提供强大的支撑。

（2）精细推进智能学习资源建设

区域智慧学习平台，应该建立以教与学路径为线索的学习资源供给方式，为个性学和智慧教奠定良好的基础。

一个层面，要让优质资源的供给更丰富。一是积极对接国家、省市等上级平台提供的公共资源;二是向社会公开采购一批切实可用的资源服务，如微课、课件、试题、仿真工具等;三是发挥教研部门及一线骨干教师的作用，区域共建共享本土化优质学习资源。

另一個层面，让优质资源的供给更智能。智能化资源的特征是有精细颗粒度的资源特征标注。有精细的标注，才可能实现精准的关联与推送，避免造成学习者选择资源的耗时与低效。为此，我们既需要与时俱进的优质学习资源，还需要对资源进行精细颗粒度的标注。可以组建专门的资源建设小组来负责资源的深度标注与修正。曾有研究者提出，对资源使用行为数据进行挖掘可得出资源的价值评价，但从现实情况来看，使用行为数据的量还达不到支撑价值分析的程度，因此这种方式暂时不可行。而用人工干预的方式对资源进行精细的标注，使资源能迅速被智能系统所识别与使用，当前看来是一种时间短、见效快、切实可行的方法，人工方式能够在智能学习系统上线初期的冷启动阶段提供较为优异的用户体验，促进资源的有效使用。在此基础上，随着资源使用行为数据的不断积累，再进行数据挖掘，推进资源的价值评价，让智能资源的建设进入良好的生态循环。（见图3）

（3）着力完善学习大数据采集与分析

教育大数据中心是教育各类相关大数据的集散地与共享中心，各业务子系统需要在统一规划的情况下，将初步处理完毕的数据按照标准规格输出至本中心进行集中式存储。存储内容包括结构化数据，使用SQL DB或者NoSQL DB软件存储;也包括非结构化的数据，如视频、图片等等，使用相应的软件进行存储与管理。

同时，教育大数据中心也是一个共享中心，对收集起来的各种大数据通过专用的挖掘工具进行清洗、分析以后，形成较为通用的分析结果（如学生学科素养能力指数、学科知识点掌握程度指数），向各业务子系统提供读取服务;业务子系统可结合本地数据、大数据中心提供的共享数据，根据本地的业务模型进行进一步智能化的处理。如支持个性化智能推荐处理、学科工具的智能化处理等等。

学习大数据采集与分析是一个复杂的系统，需要按照规划，在标准化的前提下进行建设。图4为大数据采集与分析的简要说明。

①教育基础库，向大数据中心提供教育基础数据，如学校信息、教师信息、班级信息、任教信息等，是学习平台和外围所有应用系统进行互联互通的底层与基础。

②线下学习数据采集与处理应用系统，由多个子系统组成，分别负责不同场景线下学习数据的采集与处理。如学习评价系统负责采集常态学业检测与大型质量监测的相关成绩数据，此数据颗粒度较粗，一般不提供题目等细粒度的数据。而阅卷子系统负责采集学生更细颗粒度的答题数据，包括每一道题的答题正确与否的情况等，若题目与知识点做精细绑定，还可以得到学生某学科知识的掌握情况特征。阅卷系统还可以进一步细分，可以是以扫描技术为主的阅卷，也可以是智能手机拍照技术为主的阅卷。不同的应用场景使用不同的技术，殊途同归，最终汇入大数据中心进行一体化的存储。线下学习数据采集由于需要在线上学习过程之外额外获取，略有采集难度，故以学习结果小数据为主。

③线上学习大数据的采集与处理，记录学生进行线上学习时的所有行为数据并进行分析（详述可参见下文“深化构建智能数据服务体系”部分）。

④第三方学习系统数据的采集与分析，第三方学习系统或多或少会进行学生学情数据的采集与分析，活用这些数据进行自适应的功能支持，这些数据需要统一规划，纳入到智慧学习平台大体系中来。

⑤审视并强化已有子系统的数据输出。值得注意的是，在思考数据采集与分析时，我们对已有系统的改造是至关重要的， 尽可能利用已建成的子系统，基于大数据视域重新审视已有子系统，特别是强化大数据采集与分析功能的改造。多数现有系统在立项时，并没有从大数据视域去规划与设计，其特征体现在：一是数据量少，仅是子系统内部处理的数据，一般不具有大数据特征，如常规的考试与阅卷系统;二是数据未必是标准化的，与其他系统的互通能力不足;三是数据是孤岛式的，与其他系统互联能力不足，如学情评价与分析系统等等，主要目的是满足特定场景的需求，以结果性数据为主，过程性数据很少。因此，对此类系统的改造，主要目标是站在大数据视域的角度，加强各类学习行为过程数据、结果数据的采集与分析;增加数据输出处理，将数据通过标准化的方式，输出到教育大数据中心，以用于进一步的关联分析与处理。当然，对于部分过于老旧而改造成本过高的系统，也可以因地制宜地选择重新构建。

（4）深化构建智能数据服务体系

线上学习数据的采集、分析，依赖在线智慧学习系统（模块）的建设与应用。面向教师、学生在线学习系统（模块）是整个智慧学习平台建设的重要内容，一般由多个相关联的子系统（子模块）构成。根据应用场景的不同，涵盖PC、平板、智能手机、智能电视等多种终端。通过技术手段，可实现任意时间、任意空间的“泛在学习”。如由教师主导的导学导测子系统、基于智能资源的自主学习子系统、基于智能题库的自主测评子系统、基于知识图谱的智能学习与检测子系统等。在学生学习过程中，系统可以通过记录学生每次点击、触控、键盘输入等行为，与具体的学习业务相结合，形成学生学习的行为序列数据，处理成半加工的学习行为大数据，如视频观看时长、视频观看热度、视频播放倍速、学生提问的问题、作答所耗时间等等。此类学习数据由于可以通过在线采集，数据量极为庞大，需要使用大数据的处理方式进行。除了子系统数据保存与分析之外，也和其他应用系统一样，需将学习数据上报至大数据中心，和其他相同学习者的数据关联在一起，从更广的角度进行学习者学习特征的关联分析。此外，根据独立子系统的业务处理需要，从大数据中心取得必要的数据，与子系统数据合并以后进行进一步的关联分析与智能化计算，通过多个维度的智能学习引擎，向学生进行智能化的学习内容推荐与学习路径的引导。

在线学习系统要围绕“智慧”二字进行开发，有效利用教与学等大数据，实现“个性学、智慧教、精准管、智能评”的目标。其中，当前研究较多可以进行尝试的有：

①学习者学习特征画像

学习者学习特征画像是通过对学习者线上线下过程性大数据及结果性数据的分析与挖掘，结合学习者本人自评自测、教师评价等量表数据，对学习者的核心素养、学习风格、学习能力、知識掌握度、兴趣喜好等特征进行的描述。在以前，只能使用量表对学习者不同方面进行局部的特征刻画，而现在，则通过量表与大数据结合的方式，能够实现对学习者学习特征做一个更加全面的描述与表达。

学习者学习特征画像的计算来源于诸多学习数据，对不同的过程性、结果性大数据进行不同侧面的剖析，会得出不同侧面的特征画像。学习特征画像要实现全面与精确的描述，预计将会是一个长期的迭代过程。

用于计算特征画像的数据，不仅来源于本地在线学习系统，也来源于线下学习的过程数据和结果数据，线下的数据需要通过大数据中心统一采集与初步分析后流入到在线学习系统。

②学习路径的创建与记录

学习路径是根据特定的学习目标，将一系列的学习资源、检测资源、学科工具等根据事先计划智能动态调配成按时间排序的组合，用于引导学生进行主题式的、连续的自主性、个性化学习。学习路径可以是由教师创建并引导学生学习的，可以是由学生自由选择的，也可以是系统根据学生的学情特征进行自适应推荐的。基于知识图谱的学习路径规划是当前教育界研究较为热门的智慧教育学习实现方法之一，从当前实际来看，基于知识点的学习及复习等几个场景具有较好的效果，是值得重点投入去做的。

同智能资源一样，在智能学习系统上线的初期，学习路径将主要依靠教师来为各类学生创建不同的学习路径。学生在基于学习路径的自主学习时，系统进行伴随式数据记录，在学习行为数据达到一定量后，就可对不同学生不同学习路径的学习效果进行分析与评价，并在此基础上对其他学生后续的学习实现学习路径的最优适配，提供自适应的学习路径建议。此外，学习路径是多种学习资源的组合，学习路径的智能化也包括智能系统对其中部分学习资源的自适应调整。学习路径创建如图5所示。

③智能教学引擎

当前阶段的教学基本由教师完成，机器智能尚未加入到教学过程中来，主要的表现形式是教师根据数据化的学情分析结果进行群体针对性的教学。根据国家顶层规划，“教师智慧”“机器智能”两者相结合的教学将是长远发展的趋势，其中机器智能教学的比重会从零开始逐步增长，先在部分学科、场景得到应用，其应用范围逐渐扩展，最终两者结合的教学会达到一个比例相对稳定的阶段。其中机器智能教学，是指智能引擎根据前述算出来的智能资源画像特征、学生学科画像特征等，使用智能的算法，规划形成满足特定学生个体特定场景的学习内容和学习路径，并能在学生学习过程中进一步自适应地根据学生学习状况进行内容和路径的再调配与优化。

智能教学引擎有以下几个特点：第一，不是一个包打天下，应该是几十甚至几百个子引擎的合集，有专门的调度引擎根据学习场景等参数进行权重加成或取舍;第二，一个子引擎面向特定的场景，不同的学科、不同的场景都有单独的引擎进行处理，一个场景可能同时有多个子引擎独立计算，分别生成不同的教学策略，再由场景调度引擎合成;第三，每一个引擎都会有其生命周期特点，历经现世、迭代、成熟等阶段以后进入消亡阶段，这个过程也是智能学习系统经历不停的试错、从完全人工逐步到机器智能自适应的过程。智慧教学系统的构建，需要根据这些特点从大处规划、小处着手。

④智能学习引擎

智能学习引擎是面向学生提供个性化自适应学习功能的核心部件，与智能教学引擎一样，负责根据场景因素，结合资源特征、学生学习特征画像进行自适应的计算，实现学生个性化自适应学习的目标。智能学习引擎会根据学科、场景等环境因素细分成若干个子引擎，一个场景可能会有多个学习子引擎负责计算，从不同的角度实现学习的自适应，在此基础上，还需要有一个调度引擎，根据场景参数、预设的规则等合并各子引擎的计算结果并完成学习者的呈现与交互。

鉴于不同学科对学生的知识基础、能力、素养等的要求有明显的差异，以学科为单位来推进智能学习引擎建设是比较可行的做法。根据学科学习大数据的充实程度、学科资源的智能化程度的不同，不同学科的智能学习引擎的准确度、利用度也会有较大的差异。

四、区域智慧学习平台建设面临的难点与挑战

1.数据的“繁杂”

区域智慧学习平台的“智慧”特性极度依赖大数据的“大”，大数据中心海量化的数据需要所有系统集体贡献，需要采取各种技术手段，将线上线下学习数据汇聚到大数据中心，而数据海量存储就会考验系统的性能，如何实时对其他系统输入的数据进行计算并输出准确的分析结果，是一个不小的难题，这就需要科学的技术架构规划。与此同时，数据来源于各种应用子系统、各终端、各行为场景，随着平台的应用迭代，预计将会出现更多类型的数据，数据繁杂的情况难以避免。教育大数据标准化小组在规划阶段需要对各类情况有一个预估，做好规划，并保持小组的常态化运营，对庞杂的数据进行统一的整理、分析与存储，适时对大数据中心进行迭代升级。

2.服务的“精准”

作为一个智能化的系统，服务是否足够精准是最重要的衡量指标。从可行角度而言，每增加一个智能化学习的场景支持，都要实现个性服务精准的目标。如果服务效果大打折扣，用户就会用“跑路”来表明态度。要实现“准”的目标，需要在前期大量积累数据的基础上，对大数据分析模型及算法、智能引擎模型及算法进行反复的论证与调试;同时，也需要从用户角度考虑，先拿部分学科进行试点，尝试实现一个学科多个场景下的学习，一方面单学科多场景支持能够给用户较好的智能化教与学的体验，另一方面也能够通过多个场景采集到用户多个学习场景的数据，实现系统平台更高程度的智能化。

3.系统的“整合”

如前所述，区域智慧学习平台的建设，将是对现有系统的大数据化改造和新系统新工具的建设，需要实现10个以上系统的大数据整合，囿于系统建设一般为多个供应商承担，多系统整合是一个较大的挑战。应对之策，需要在坚持顶层规划的前提下，坚持数据交换的标准化。教育大数据标准化小组的统筹职能贯穿于整个平台的建设与迭代过程。

4.用户的“简单”

传统的政务系统建设，多数是在卖方（供应商）主导的时代背景下建设的，卖方市场的特性是用户体验一般不会太好。而师生作为智慧学习平台绝对的主力用户，对平台的易用性有极高的要求（这也是很多平台经不起用户的挑剔而活跃度日益下降的主要原因），使用方便的系统才能拥有持续不断的活跃度。要实现系统的简单易用、减负增效，一方面是要学习采用互联网平台的开发流程，基于问题导向、需求导向、应用导向，加强产品设计、UED设计人员在整个研发团队中的比重;另一方面是采取迭代开发的模式，在系统上线以后及时收集用户反馈，进行用户体验的快速迭代，不断提升平台的需求贴合度与用户粘性，真正发挥平台在教育方式变革、学习路径重构中的价值，在“适合的教育”研究与实践中发挥“革命性”支撑作用。

总体而言，区域智慧学习平台的建设与应用实践，需要与新时代日益进步的技术、教育发展的需求同频共振，需要在《教育信息化2.0行动计划》、《中国教育现代化2035》顶层规划引导下，在“适合的教育”、大数据的视域下推陈出新，逐步实现“智慧”“智能”教与学的支撑目标。这个过程不可能是一蹴而就的，而是一个“子平台数逐步从少变多”“场景支持逐步从局部到全部”“智能性逐步从初级的个性化到高级的学习路径自适应”的过程，这需要整体规划、分步推进，也需要深化“高校引领、政府支持、企业参与、学校应用” 的 UGBS平台建设模式，因需而建、因用而优、因研而新，不断提升平台的生命力，彰显教育服务价值。

参考文献：

[1]教技[2018]6号.教育部关于印发《教育信息化2.0行动计划》的通知[Z].

[2]中共中央、国务院.中国教育现代化2035[EB/OL]. http：//www.gov.cn/xinwen/2019-02/23/content_5367987.htm.

[3]唐斯斯，杨现民，单志广，代书成.智慧教育与大数据[M].北京：科学出版社，2015.1：3.

[4]钟绍春.人工智能支持智慧学习的方向与途径[J].中国电化教育，2019（7）：8-13.

[5]任建满.智慧教育云平台建设研究[J].信息通信，2017（4）：165-166.

[6]杨宗凯.大数据驱动教育变革与创新[N].光明日报，2017-4-18.

[7]陳琳，王蔚，李冰冰，杨英.智慧学习内涵及其智慧学习方式[J].中国电化教育，2016（12）：31-37.

[8]杨现民，李新，邢蓓蓓.面向智慧教育的教学大数据实践框架构建与趋势分析[J].电化教育研究，2018（10）：21-26.

[9]赵慧琼，姜强，赵蔚.教育大数据深度学习的价值取向、挑战及展望——在技术促进学习的理解视域中[J].现代远距离教育，2018（1）：17-25.

[10]肖年志.“大数据促进适合的教育”的思考与实践[J].中国教育信息化，2019（18）：23-26.

[11]董林伟.适合教育的适性选择[J].江苏教育，2019（42）：57-58.

[12]董筱婷.最好的教育就是适合的教育——访北京一零一中学校长陆云泉[J].人民教育，2019（10）：39-42.

（编辑：王天鹏）