[2016][34]基于大数据的牛顿(Knewton)平台自适应学习机制分析

该篇文章对国外火热的自适应学习平台Knewton进行了分析。从基础架构、数据模型和核心技术三个方面对Knewton平台进行了介绍。Knewton平台提供了适应的持续性，可以对学生的学习表现和活动完成质量给予及时反馈， 以在正确的时间基于正确的内容提供合适的学习指导，来最大化学生获得学习内容的可能性； 同时基于给定活动的完成情况， 自适应学习系统应能持续性地逐步引导学生进入下一个活动。

Knewton平台基础架构包含三个部分：数据收集与处理组件、推理与评估组件和个性化服务组件。

该组件负责数据的收集、归并和处理。

该组件又分为心理测验引擎、学习策略引擎和反馈引擎。

该组件利用所有合并数据所构成的整体网络为学生寻找最优的学习策略包括：推荐引擎、预测分析引擎和归一化学习轨迹。

数据模型是数据在系统中的存储方式，Knewton平台中的数据模型包含四部分内容：知识图谱、学生事件、目标档案、输出结果。

知识图谱是概念与概念之间关系的集合，是牛顿平台用于精准定位学生学习状态的重要方式， 其结构如图 1 所示。 其中， 圆圈代表概念；连线代表各概念之间的关系；箭头指向表示前一个概念是后一个概念的先修概念，二者之间是先修关系。 牛顿平台的知识图谱是通过自适应本体来建立的。自适应本体 由模块（内容片段）、概念、内容与概念之间的关系三种元素构成。自适应本体之间存在包含、评估、教学、先修四种关系。

学生事件是学生与学习内容交互时产生的系列数据流，主要用于对学生的能力进行实时推断。学生响应事件数据的存储与交换格式，包括试题编号、作答持续时间、试题所属模块、交互结束时间、得分、正误状态以及完成状态， 其数据结构示意图如图 2 所示。

牛顿平台能够为学生提供可持续更新的学习目标档案，档案内容包括学生未学习的内容、已学习的内容、知识概念掌握的状态水平、成绩排名以及如何学得更好的推荐信息。

平台产生的中间数据和个性化推荐结果。个性推荐与分析诊断数据的存储与交互格式，包括推荐模块、学习案例、目标模块、预期分数、置信区间、评估时间等。

牛顿平台对传统的项目反应理论进行了扩展，认为学生的能力参数会随时间而变化，同时，对学生能力的表征不再局限于某个唯一的参数，而是通过利用聚焦于概念层面的知识图谱来对学生能力进行评估和表征。

其中， 核心服务层负责与牛顿平台的数据库打交道，并以表单的方式向应用服务层提供预处理后的数据信息，其中典型的服务就是知识的图谱化工作。

Knewton API 能为合作企业提供下述三个层面的服务：

这篇文章并未深入分析Knewton平台的内部机制。只是从顶层做了概览性介绍，部分内容有些生涩，不太容易读懂。通读下来印象较为深刻的内容为：

文章中涉及了自适应本体的概念，但是仅仅停留在概念阶段，并未深入进行分析研究。