2.4　移动学习智能体系设计

2.4.1　移动学习智能服务框架

移动学习智能服务框架如图2-3所示，包括感知层、接入层、技术层、数据层、服务层，由此组成了移动学习智能服务的生态系统。

1. 感知层

感知层是移动学习智能服务的基石。提供移动智能感知终端设备主要有手机、iPad、计算机、智能终端等，智能终端可自由接入智能服务感知层，自动感知学习者周围环境信息、收集导学者和学习者行为数据信息，为导学者和学习者提供教学工具、师生互动工具、即时评价分析工具等（刘邦奇等，2019）。随着移动智能终端功能智能化程度越来越高，移动学习内容设计也更添趣味性和游戏化特征，从而提升学习者学习兴趣，增强移动学习体验。感知层终端设备用于采集学习者的基本信息，收集学习过程中的情境数据，为移动学习智能服务提供情境化的信息感知、智能云计算、海量数据处理能力以及高效能计算支持等。此外，感知层智能终端也让学习者实现随时随地开展学习和信息获取，大大提升“碎片化”时间学习服务效率。

2. 接入层

接入层是移动学习智能服务的桥梁。目前接入层是网络多业务融合发展的关键，由于接入网络的种类丰富，WiFi、局域网、校园网、专线网等类型网络各具优势，呈现“百花齐放”形态。“5G元年”的开启，提升和拓展了4G的网络性能。接入层不仅需要为学习者提供业务丰富、多样可选择网络，更需要为学习者提供品质高、扩展性强的服务网络，保证资源和数据可以安全、高速地传送到服务器；与此同时为移动学习者提供无处不在的高速、便捷的上网环境，可以保障网络间通信畅通，为无障碍的学习伙伴间的交互提供可能。

3. 数据层

数据层为智能服务提供全方面立体化的信息，是智能服务生态系统得以运转的基础。考虑到移动学习应用领域特征，数据层包括建立各式各样的数据库，要为学习者提供个性化学习环境就需要依据学习者个体特征信息提供不同的支持服务。移动学习者的个体差异主要有两种：一是学习背景、能力、风格存在差异；二是学习者在学习过程中所产生的状态不同。因此，学习者特征库用于记录个体特征差异信息，学习数据库用于追踪学习过程中的行为。数据层提供与学习者相关的库有学习者特征库、学习数据库、协作信息库等；与学习内容相关的库有资源库等；与学习环境相关的库有情境库等。

4. 技术层

技术层是移动学习智能服务的“大脑”。移动学习智能服务具备算法、数据和分析等核心技术能力，对数据采样、存储、清洗、整合、分析等过程，基于不断创新的人工智能、大数据挖掘、大数据分析、机器学习、推荐算法等关键技术手段融合应用，并移植于移动学习领域，让学习者更好地参与移动学习环境活动，技术服务将贯穿整个学习过程，分析和匹配学习者的学习行为数据以及所处的网络环境（余胜泉，2000）。技术层处理结果为整个移动学习环境提供智能适应服务，在伙伴多元交互协同、学习成绩预测、学习行为监管等方面提供有效的技术支撑，高效地解决传统学习模式下学习过程匹配度低的问题。

5. 服务层

服务层是指围绕移动学习活动设计的多功能、定制性智能应用系统，是智能服务可视化功能的集中体现，直接面向学习者应用，也是移动学习最核心的组成部分。移动学习智能服务本质是为了帮助学习者解决移动学习过程中所遇到的困难而提供的包括移动学习资源、学习指导以及活动参与等多种途径和形式的服务，该服务始终围绕着以学习者为中心，目的是促进学习者快速、顺利、高效地适应移动学习这种新型学习方式。因此，移动学习智能服务层也可为学习者制定个性化学习方案、智能化推送学习资源、动态化进行路径规划、精准化推荐学习伙伴，在学习活动中为学习者制定适应性学习方案提供重要依据；还可在智能评估学习过程、智能解答疑难问题、智能预测未来发展趋势等方面发挥作用。

2.4.2　移动学习智能服务功能

移动学习智能服务体系可以自动识别各种移动智能终端设备，并做出相应调整（郑旭东等，2015），首先可以“智能”识别移动终端设备并调整相应的内容；其次，发挥移动智能终端的操作便捷性和运算能力的优势，适应性呈现移动学习资源，实现真正的交互性自适应学习；然后在不同的学习情境状态下为学习者推荐大小不同的学习资源。移动学习环境下学习者所处的环境（如网络状况、位置等）容易改变，而这些因素会直接影响学习者的需求表达。例如，学习者移动学习过程中网络状况较好的情况下倾向于视频或者图片学习资源浏览，网络状况差的情况下则更倾向于文本学习资源浏览；最后利用地理位置情境感知自适应服务功能，发现相似的学习伙伴，满足实时交流互动的需求。随着信息技术的发展，移动学习智能服务功能也越来越丰富（鲍乃源等，2019），主流的移动学习智能服务功能分析如下。

1. 移动学习智能导航

基于学习内容进行设计与开发的移动学习平台存在一定的弊端，学习者在海量的资源库中筛选具有一定的盲目性，容易产生学习“迷航”现象。因此，个性化智能学习导航功能在智能服务系统中的应用就具有明显的优势。移动学习智能服务中设计个性化智能导航通过诊断评估结果自动为学习者生成动态的学习活动，精确的资源分配及其适应性的呈现方式，根据学习者个体特征的不同随时自动调整。当学习者面对海量的学习资源时，移动资源导航服务功能的智能化、便捷性和精准度决定了能否为学习需求者检索到最合适的资源，满足其个性化的需求（郑旭东等，2015）。移动学习智能导航优势体现在以下三个方面：

①检索多样化，支持多种检索导航方式，如个性化定制导航、语义检索导航、快速检索导航、语音检索导航等。

②人性化设计，支持多种国家语言的检索与导航，语义相关的中英文资源能被同时检索，为不同文化背景的学习者提供便利。

③高精度检索，智能保存通过网络身份认证过的学习者的所有历史检索记录，通过历史检索记录信息，进行数据挖掘、动态语义聚合形成独一无二的个性化资源网，提升检索精准度。

2. 移动学习智慧问答

传统问答系统需要后台技术人员维护，师生之间答疑解惑需要以相互留言的方式进行，存在时效性不高、信息推荐的流通量太小等弊端。目前各种大型搜索引擎出于商业化目的，问题答案出现大量的杂乱、无序、广告等弊端，无法对学习者服务满意度及其他潜在的衍生性问题进行跟踪分析，达不到移动学习领域对资源信息准确推荐的服务要求。

如图2-4所示，个性化精准问答系统为学习者提供一对一在线咨询服务，为学习者筛选出精准度高的答案的同时自动更新知识库。移动学习智能服务中的智慧问答系统在个性化精准服务基础上增加搜索引擎服务，扩大社交网络服务，以增强问答服务的交互性。对参考答案做进一步的筛选、加工、添加后再进行知识推荐，使学习者查找资源效率变高；还可通过基于导航搜索引擎的问答知识分享服务，提供优质问答知识的一键分享功能。此外，移动学习智慧问答服务中知识库是智慧问答系统的核心竞争力之一。随着移动学习服务越来越智能化，问答系统可以探索更深层的语义信息。对于一个新型智慧问答系统，需要一种自动化解决方案自动构建知识库让智慧问答系统能够分析和理解自然语言形式的问句，返回准确且简洁的答案。

3. 移动学习资源呈现

移动智能终端尤其是智能手机，手动信息输入没有桌面型计算机快捷，因此提供服务时应尽可能让学习者少输入信息，制定出适应学习者学习习惯的个性化操作方式。此外，由于移动智能终端设备的屏幕尺寸不统一，应按照终端屏幕尺寸来调整界面显示资源信息数量，减少学习者屏幕滚动的次数。还可以让学习者自己决定资源呈现形式，例如学习者可以将某课程置顶，以便于每次进入页面就能直接看到，这种适应性服务呈现方式使得移动学习界面资源不再是千篇一律的内容和页面风格。基于移动学习情境的资源呈现能够在当前学习环境中最大限度地满足学习者的学习需求，因此，在移动学习资源呈现时要考虑情境化特征，要结合语言、文字、音乐等特征来构建丰富的移动学习资源呈现特征。移动学习资源的实时交互伴随移动学习者的整个体验过程，移动学习者对于移动学习智能服务由不熟悉到熟悉的学习过程是学习者对移动学习活动适应过程，每一步操作都是移动学习者与移动学习智能服务平台之间的交流互动。

4. 移动学习资源推送

随着人工智能的不断发展，移动学习智能服务系统提供的个性化推送功能与情境感知服务，主要依据学习者的认知风格、学习偏好以及认知特征，通过智能服务感知层设备中的算法、传感器、智能芯片等设备或技术对移动学习者所处的地理位置、学习环境以及活动内容进行收集。经过大数据技术分析匹配出符合学习者需求、关联性强的学习资源，然后通过移动学习智能推送功能向学习者推送目前需要或潜在需求的个性化资源。移动学习资源推送的本质是对学习者特征、学习资源特征进行匹配，推荐个性化学习资源序列的过程。通过移动学习资源的推荐、关注、分享等方式，学习者可以精准、快速地实现移动资源获取后与有相似资源需求的伙伴间共享。但是，仅依靠推荐系统为学习者推荐移动学习资源，可能会出现学习资源与学习者需求不匹配问题。因此，应当允许导学者或专家的人为干预，为较难知识点补充相关学习资源，或者向学习者推荐易疏忽的知识点内容。

5. 移动学习路径规划

学习路径是指在针对特定学习任务开展的学习过程中，各知识点间相关学习资源先后顺序组成的各类学习活动序列，即学习活动的路线与序列，从而形成的路径。移动学习路径规划动态化是实现个性化学习的关键，动态规划学习路径的“动态”实质上是把主动权归还给学习者。学习活动、学习工具、学习资源等组织需要以学习活动序列设计为基础，个性化学习路径以学习者为研究对象，不仅要综合考虑学习者的自身个体特征、学习行为数据，还需要考虑情境因素以及知识本体等因素，为学习者匹配到合适的学习资源，规划出合理的资源学习序列（彭绍东等，2010）。学习序列为学习者指定了最适合他们学习所需的知识单元和所需完成的学习活动，如何进行科学的规划和合理排序，做到既满足学习者个性化学习需求又兼顾到各知识点间的逻辑关系，是生成动态化学习路径的难点所在（李浩君等，2015）。移动学习者可以根据自己的个体特征和学习行为倾向，如学习需求、学习动机、兴趣爱好、学习认知水平等选择适合自己的学习资源，智能服务采用相应的现代化教学策略，规划动态化学习路径使得学习内容和学习进度满足自己的个性化需求（姜强等，2011）。移动学习路径规划合理程度直接影响着学习者的学习效率，这就要求移动学习智能服务系统根据学习者学习实际情境信息以及知识本体因素，为学习者规划并推荐合适的移动学习路径，让学习者面对海量无序的移动学习资源时能更加高效地利用资源。而知识地图（Knowledge Map）是一种知识关系网络，以可视化形式展现知识，让知识点之间的内在逻辑能够以显性化、网络化的方式呈现出来，具有学习导航、学习评估和知识管理等功能，能为移动学习智能服务提供新型支持与服务（万海鹏等，2015）。在移动学习过程中，学习者依据知识地图展开学习，能够迅速找到知识点所处位置以及不同知识存储之间的动态联系，避免了知识迷航现象，帮助学习者解决了信息负荷过度的问题。除此之外，学习者还可以利用知识地图建立起知识节点之间以及知识节点与特定事件相互之间关系的衔接，有利于知识的重复利用，从而促进知识间共享，提升对知识整体结构的深入理解以及相关概念的形成。

6. 移动学习伙伴推荐

移动学习智能服务环境下主要通过两种方式建立伙伴关系：一种是由导学者根据学习者们共有特定学习特征直接将若干个学习者建立成伙伴关系的协作小组；另一种是由智能服务系统将分散独立的学习者个体特征和学习行为数据在计算机系统中进行抽象表示，再进行整体性系统性数据分析，可以构建出学习者模型，该模型代表了移动学习智能服务系统所理解的“学习者”，并由智能服务系统完成学习伙伴推荐（陈仕品等，2010）。

学习者模型是对学习者的内在（学习风格和认知状态）与外部（学习状态和学习行为）的学习特征的描述，体现着学习者之间的不同特征。该模型不仅能反映出学习者的学习进度、原有知识水平、情感状态以及与预期目标之间的差距，同时也反映了学习者学习偏好。例如，学习者对媒体类型的兴趣，对某种学习方式的偏好等（Laskri et al.，2013）。因此，智能服务系统获取反映个体差异的学习者模型后进行分类梳理，根据具体情况选用智能推荐算法为学习者推荐相似型学习伙伴或者互补型学习伙伴，建立学习者之间的伙伴关系。移动学习空间与学习者之间的智能互动，更有利于系统为学习者提供个性化、精准化的移动学习智能服务。

7. 移动学习智能评测

移动学习智能服务体系中的智能测评功能，充分考虑不同学习者的学习需求、学习行为以及学习结果差异性因素，利用智能评测系统对学习者进行评估，智能评测的试题库可以科学、客观、准确地检测学习者掌握知识的水平和能力，还可以辅助导学者进行考试结果判定、作业及练习效果检查，大大提高教学效率（杨现民等，2018）。

此外，学习者在移动学习智能体系空间中存有学习档案，智能评测系统对学习者的学习行为和成长需求进行智能分析、评估和反馈。这些数据信息可以帮助导学者为学习者量身打造个性化学习方案，全方位多角度对学习过程进行诊断性评估，实现智能化因“才”施教。通过整合学习者的各类学习数据实现对学习者整体学习行为分析，真正地满足移动学习者个性化学习需要。