图片来源：https://www.evelynlearning.com/adaptive-learning-in-the-classroom/
自适应学习的类别
自适应学习目前分三个层次，包括学习活动层次、题目层次和知识点层次的自适应。以下分别从理论、典型产品和参考代码介绍三个层次。
学习活动层次的自适应
理论
- 层次显示理论
典型产品
- GIFT：Overview - GIFT - GIFT Portal
题目层次的自适应
理论
知识空间理论
知识空间理论（Knowledge Space Theory, KST）是由Jean-Claude Falmagne和他的同事们在20世纪80年代提出的一种描述学习者知识状态的理论框架。该理论的核心在于将知识领域中的概念或问题看作是一个集合，而学习者的知识状态可以表示为这个集合的子集。在知识空间理论中，每个子集代表了学习者可能掌握的知识点组合，这些子集之间通过学习者可能的学习路径相互连接。
知识空间理论是Jean-Claude Falmagne 教授等人于20 世纪80 年代中叶提出并完善的一整套有关运用机器来自动地评估学生知识状态的理论。用教育心理学的术语来说，就是试图运用这套理论来找到学生在知识结构上的“最近发展区”。今年是这套理论提出30 周年。这一理论建立在两个关键的公设基础上，即认为学习具有两个重要的性质：平滑性和一致性。从更抽象一些的层面上说，平滑性是指：要达到一个目标，人们需要有步骤地完成若干环节。例如，为了掌握一个新闻故事的来龙去脉，需要一个消息一个消息地阅读。一致性是指：已经掌握得（或者已经具备得）越多，能够学到的（或者还能获得的）也会越多。例如，在玩游戏的时候，已经通过的关越多，那么还能通过的关也会越多。关于一致性的解释不能引申为“学习”空间是无限的（实际上任何学习空间都是有限的）。所谓“已经掌握得（或者已经具备得）越多，能够学到的（或者还能获得的）也会越多”其实是指：如果掌握的知识点越多，那么能够回答由这些知识点组合起来的问题数量也越多。
“学习空间（Learning Spaces）”是满足若干假设的一个数学术语。其定义借鉴了组合数学中“反拟阵”的概念。学习空间理论源于知识空间理论。
来源：《学习空间 : 跨学科的应用数学》——一个特殊的知识空间 《学习空间 : 跨学科的应用数学》——一个特殊的知识空间
知识空间理论中有两个关键的概念：知识状态（knowledge state）和知识结构（knowledge structure）。知识状态是指学习者在特定时间点上掌握的知识点的集合，而知识结构则是所有可能的知识状态的集合。理论中还涉及到一个更精细的结构——学习空间（learning space），它不仅包含了知识状态，还包含了这些状态之间的先后顺序关系，即学习者从一个状态过渡到另一个状态的路径。
为了使用知识空间理论来完成自适应学习，可以采取以下步骤：
- 确定知识领域：首先要定义出学习领域中的所有概念和知识点，这些将构成知识空间的基础。
- 构建知识结构：分析知识点之间的依赖关系，确定学习者掌握某个知识点前需要先掌握哪些其他知识点，从而构建出一个包含所有可能知识状态的结构。
- 设计诊断评估：通过评估学习者的知识状态，可以确定他们当前所在的知识空间中的位置。
- 实施自适应学习路径：根据学习者的当前知识状态，设计个性化的学习路径，引导学习者通过最有效的顺序学习新知识点。
- 动态调整和反馈：在学习过程中，根据学习者的进展和反馈动态调整学习路径，确保学习者能够有效地掌握所需知识。
通过这样的方法，自适应学习系统能够为每个学习者提供量身定制的学习经验，最大化学习效率和效果。知识空间理论为理解学习者的知识掌握情况和设计个性化学习方案提供了强有力的理论支持。
典型产品
- ALEKS：ALEKS – Adaptive Learning & Assessment for Math, Chemistry, Statistics & More
参考代码
- GitHub - ishwar6/KST-Learning-Path: Knowledge Space Theory implementation in Python for Education and Medical Use.
- GitHub - milansegedinac/kst: Knowledge Space Theory
- GitHub - SrdjanTopic/KS-testing: Platform for testing students. It uses Knowledge Space Theory (KST) for setting up tests.
知识点层次的自适应
理论
- 掌握学习理论
- IRT项目反应理论
- 知识图谱
- 知识追踪
典型产品
- COGNITIVE TUTOR： The Cognitive Tutor: Applying Cognitive Science to Education
参考代码
- Knowledge Tracing | Papers With Code
- GitHub - pykt-team/pykt-toolkit: pyKT: A Python Library to Benchmark Deep Learning based Knowledge Tracing Models
- GitHub - jilljenn/ktm: Knowledge Tracing Machines: Factorization Machines for Knowledge Tracing
- knowledge-tracing · GitHub Topics · GitHub
- knowledge-tracing-models · GitHub Topics · GitHub
- deep-knowledge-tracing · GitHub Topics · GitHub
