0 引 言
信息技术的不断进步为教学模式打破时空限制提供了可能，早在 2013 年， MOOC 依托大数据技术就开始部署大规模在线教育 [1]，并于 2020年新冠猖獗时期取得了巨大的成功，同时也暴露出了一些美中不足之处：①现有的在线教育提供的是教与学的接口，而不是把教师、学生、知识点虚拟化入一个世界，学习情境不足；②知识点的增加因课程而起，而不是根据领域依托核心知识点自行生长，无序性太强，不利于系统自我成长提升。为此，有必要依据有研究者提出的在线教育发展的新方向——元宇宙 [2]，针对新信息环境下的在线教育元宇宙建模展开探索。
1 元宇宙与自适应学习域
1.1 元宇宙
元宇宙是从互联网进化而来的一个实时在线的世界，可由线上线下互通的多个平台组成，有以下 4 个特征 [3]：①逼近真实的交互效果；②边界的可创新拓展性；③自成长能力；④闭环运行。新信息环境包括物联网、云计算、大数据及 AR、 VR、 5G、 6G 等，是元宇宙的物质基础，其快速发展已初步展露出将元宇宙从概念变成现实的潜力。
为勾勒出在线教育元宇宙概念探索其建模方法如下：建模须先从总结自适应学习域 [4] 的研究成果着手，勾勒出自适应学习域中的相关对象模型，形成知识环境，而后将这些对象模型作为自提升成长点融合于云平台中，引入大数据处理形成信息环境，再借助物联网特别是 AR、 VR、5G、 6G 等营造心理环境及文件环境，最终构建出一种跨越时空的、有自成长能力的在线教育的元宇宙模型。
1.2 自适应学习域中的相关对象模型及对象封装
自适应学习域中的相关对象通常用学习者特征模型、领域知识模型及教学模型 3 种模型来表达 [5-9]，又称为三角模型，它们覆盖了常规教学过程的三要素“学生、教学内容、教师”。
（1）学习者特征模型捕捉学习者的个体差异并加以规范描述，为自适应性学习模式实施个性化服务提供依据 [10]，可进一步依据学习分析视域分为知识子模型、认知子模型、行为子模型和情感子模型 4 个重要子模型 [11-14]：①知识子模型涉及学习对象的知识结构及结构分析，其实现模型中有代表性的有覆盖模型、偏差模型、摄动模型、机械学习技术、铅版模型及贝叶斯网络模型等；②认知子模型是对学习对象的认知状态的记录及认知能力的判定，通常须多个维度分析，如文献 [11] 中即是从认知能力、认知策略、元认知能力等多个维度构建的认知子模型；③行为子模型探索学习行为和学习效果的相关性，涉及学习对象参与学习的各环节的识别、比较及评价；④情感子模型是学习对象的学习兴趣的量化模型，其建模涉及眼动、表情等细节，兴趣直接影响学习效果 [15]。
（2）领域知识模型基于关联主义学习理论，认为知识是一个由相互联系的事实、概念、命题和规则等要素构成的网络，而学习就是为了增加对这个网络的认知和理解，从而促进有基础、有意义的创造，更好地开展个体建构 [16]。
（3）教学模型根据知识间蕴含的前驱和后继关系，综合考虑学习者当前知识状态、认知能力、学习风格及偏好等特征，有针对性地推送个性化的学习路径和学习资源，其构建方法主要有基于内容的推荐、基于协同过滤的推荐以及混合推荐等 [5]。
面对众多的细节和近于无限的需求，为了确保三角模型简洁流畅，并具有良好的可扩展性，此处引入云计算的相关服务封装技术，将各种模型封装成各类服务，由云平台统一提供，实现新信息环境下的自适应学习。为实现高效、有针对性的云封装，要对三角模型涉及的对象进一步细化：①在学习者特征模型中依据学习者的学习目标分为学分学习者、兴趣学习者、解惑学习者，深化学习者特征模型的个性化建模。②领域知识模型中知识点被封装为接口标准的对象，拥有独立性、可扩展性和良好的结合性，可打破教科书的局限性，实现领域知识的自组织。③无论时代变迁还是技术革新，教育者始终应秉承“技术变革教育而非引领教育”的理念，发挥教师宏观把控的积极作用 [17]，因此教学模型中不仅包含知识的前驱后继，教师也作为教学模型中的重要一环进行封装，为更具针对性，教师还分为职业教师、工程教师及临时导师等类别。④此外，教学模型中还引入并封装物联网元素，提升感知、处理的智能性。
2 自适应学习模式向元宇宙的进化
作为一个研究热点，自适应学习模式大致可分为两类：①一类从全局角度给出自适应学习模式的各个层面，然后分层讨论其中的要素，如文献 [6] 中从自适应个性化学习系统全局的角度，提出了一种 5 层框架结构，自底至上依次为感知层、数据层、信息层、控制层、应用层，列举了从输入到学习过程中的几乎所有问题，十分全面。②另一类则是针对自适应学习的关键要素展开研究，如眼动模型窥探学习者的情感 [18] 或智学习 [19-20] 等。文献 [18] 中的眼动模型依据文本或图表区域注视时长、各区域注视点数量通过眼动模型计算，最终给出学习者的认知风格类型。文献 [19] 中以智适应为出发点研究相关学习模式，给出了大量的实现细节，并在文尾给出了“由知识传授转向知识共生”的论断。文献 [20]中以人工智能作为源动力，针对智慧校园提出了4 层技术体系框架：感知通讯体系（基础层）、信息处理体系（数据支撑层）、应用服务体系（核心层）、技术安防及规范体系（保障层）。整体而言，众多的优秀研究成果恰似一个数列，正不断逼近将教师、学生、知识 3 类对象远程融为一体的极限。
从自适应学习进化到元宇宙，便是这个极限的具象化。元宇宙将用新信息技术融合并驱动学习者特征模型、领域知识模型及教学模型为一体，让学习者有目标、有掌控感、有成就感，让教育者有引导体验、被关注体验，让领域知识有智能性、自扩展性、自说明性、群落性和可评定性，最终让学习域各对象时空共在，融为一界，即在线教育元宇宙。
图 1 为在线教育元宇宙的一种层次模型，共分为 7 层。
①第 1 层采集层采集两类数据，一为资源数据，如课程资源、专题资源、仿真实验资源等；二为实时数据，包括实时语音、视频、学习者的眼动、心跳、体温、 VR 环境中的与气氛相关数据等。②第 2 层数据层完成数据的传输、清洗、规范和汇聚等工作，其中传输将涉及物联局域网、互联网、广电网等复杂的网络环境；清洗是针对数据中存在的干扰，特别是实时采集的数据中存在的扰动因素；规范则针对不同来源不同类型的数据，为了让其能适用大数据算法，须采用中间件将其规范化；最后数据将完成分类汇聚，汇聚成学习者大数据、教学域大数据及领域知识大数据。③第 3 层智能分析建模针对第 2 层形成的大数据，采用图像图形处理、音视频分析、数据挖掘、深度学习等算法，完成学习者特征模型、教学域模型和领域知识模型的建模， 3 个模型中各细分出了一些子模型。④第 4 层中间件服务层实现云服务封装，根据模型和模型之间的组合关系，用面向对象的知识表示模式，封装了 6类服务，如学习者服务、教学域服务等，其中每个服务同样根据对应的子模型封装，例如学习者服务就可进一步封装为知识、行为、认知、情感等 4 个子服务。⑤第 5 层 SOA 构建层完成服务组件的 Web 服务标准化封装，引入工作流引擎以使用系统提供的服务，实现服务的注册、发布、查找和调用。⑥第 6 层教学应用层为教学业务逻辑体现层，是接入层接入各类服务的接口。⑦第 7 层接入层包含学习者的学习设备和环境、教育者的教育设备和环境，涵盖了移动终端、电脑、智能物联网设备及 VR 课堂等，这些设备和第 1 层的设备特别是实时采集数据设备有交集，形成了一种数据采集自课堂再实时用于课堂的闭循环。
整个 7 层模型涵盖了物联网、大数据、云计算技术、 AR、 VR、 5G、 6G 等，利用云平台的虚拟技术、服务封装技术，融合大数据和物联网，以人工智能为线，消除各问题及学习域中的各相关对象的隔离性，虚拟化各实现细节，将各相关对象封装成接口标准、随取可用的云服务，构建一种可循环、不断递进、交互真实感强、能营造学习氛围以及能不断智能创新提升的在线学习世界，其实施效果有自成长能力。
3 元宇宙建模的实现机制初探
作为沉浸技术、虚拟世界的最新发展，元宇宙目前尚处于概念设计阶段，新信息环境及其发展趋势为元宇宙走向现实提供了可能。在图 1中，逼近真实的智能交互由采集层和接入层交叠完成，依赖于新信息环境的当前成就和未来发展，且将随着新信息环境的不断改善创新而持续成长。
在新信息环境的支撑下，教学过程三要素对应的上述 3 个模型的设计便成了形成扩展、创新及成长能力的关键，这 3 个模型对应的对象向下要能利用采集层得到的各类数据不断完善成长，向上要能被封装成云服务，具体设计如图 2—图4 所示。
图 2 简要给出学习者建模过程，图中的记录库均为支持大数据处理算法的新型数据库如键值数据库等，为获得更有针对性的个性特点，其中的数据在采集时可按学习者的类型如学分学习者、兴趣学习者、解惑学习者分成 3 类。各个子模型的分析方法中的数据基于蚁群算法、机器学习、数据挖掘及深度学习等算法获得。整个模型由底层（子模型）、中层（接口）、顶层（应用层，此处即学习者模型类） 3 个层次构成，符合开闭原则，即可在不修改当前类的情况下扩展、增加子模型以延伸模型的功能，保证了模型良好的扩展、升级能力。
类似地，给出教学域建模实现过程 UML 类图描述如图 3 所示，知识域建模 UML 类图描述如图 4 所示，两图中的模型均采用新型数据库，同样符合开闭原则，有良好的扩展、升级能力。图 3 的教学域建模中，为了更综合地评价教学运行的效果，教师作为其中的动态元素之一被纳入算法处理范围；为了保证纳入教师后的评价更具针对性，教学环境数据按教师类型如职业教师、工程教师及临时导师等分成了不同子集。在线学习者记录有时达不到大数据的规模，在协同处理时须选择恰当的算法，比如在样本量不足时采用样本需求不大的 K-means 算法等。
图 4 的知识域建模将知识空间看为一个维度可调空间，已提供的4个子模型则从点、线、面、扩展 4 种维度对知识进行封装，封装的要求是既要保证知识点的相对独立性，又要有与其他知识点之间的亲和度的判定能力（此处的亲和度代表知识的前驱、后继、相关等情况）。为此，每个知识点至少封装有以下内容：知识内容、实验、测试、亲和度，同时为更好地适应自适应个性化学习任务，同一个知识点的各项描述会有多个版本，具体可用多态实现。知识表示将打破传统教材教学模式，知识点可无视专业、学科，自主集群完成某类教学任务，也可由点到线模拟传统教材模式，由线到面模拟传统专业模式，由面到扩展模拟传统的跨专业跨学科模式。进一步可在知识域的可变维度空间中依据亲和度定位知识点的位置，构建全局或局部雷达图，为学习者指引方向。在智能算法的驱动下，大数据将有可能发现知识间的本质关联，给出高效的、非人类划分的专业学科体系的知识构建，且不断推陈出新，改革传统知识表示方式。
上述的学习者模型、教学域模型、知识域模型本质上是一个整体，它们与智能化实时交互有机融合进而构造出在线教育元宇宙。
4 在线教育元宇宙应用
作为元宇宙的子集，在线教育元宇宙的应用系统也将由多个平台组成，这些平台可分为线下、线上两类，按这两类平台实现如图 1 所示的分层可将在线教育元宇宙用于教学实践。①线下平台是教育元宇宙与现实世界的接口，其中的关键平台为新信息环境支撑的增强型虚拟现实教室，包括教与学两种类型，都须具备传信息、传情感、智能化造氛围等功能，比如在教师远程上课时，可帮助教师消除对着电脑自说自话的情境缺失感，其效果评价量度是教与学双方在教育元宇宙中的沉浸度以及教育元宇宙和现实世界的一体度。②线上平台相当于教育元宇宙的虚拟空间，其中的关键平台为云平台，它是各类服务的提供者，也是各种模型特别是知识域模型的主载体，可按图 2—图 4 进行详细设计，保证各类模型的虚拟主体的扩展能力，让其能在新信息环境特别是大数据、人工智能的推动下自动成长。整体而言，教育元宇宙应用的目标是让知识传授自成世界，在这个世界中，各类模型的虚拟主体是智能的，能自主演化成长，教与学双方与知识之间手指可触、身体可感、情绪可交流，智能化的知识虚拟主体将具备直入人心的感染力。
元宇宙当前尚处启蒙阶段，教育元宇宙建设起来代价不菲，要完美实现上述目标尚须积累，不过，随着新信息技术的不断进步以及国内外众多知名公司如华为等的积极参与推动，教育元宇宙应用系统不断成长并最终在教学中被规模化采用的趋势是不可阻挡的，教育元宇宙的完美实现之日，必是各类学校形态或升华或被“革命”之时。
5 结 语
元宇宙平行于现实世界，同理，在线教学元宇宙平行于现实教学世界，本文提出的在线教育元宇宙模型有与现实教学世界高度同步和互通的潜力，设计的各类对象规范、可扩展，能在新信息环境的支撑下不断迭代成长。未来一方面将继续深化、细化在线教育元宇宙概念建模，另一方面将更深入地探索让概念走向现实的技术途径。
参考文献：
[1] 吴文峻, 吕卫锋. 大数据时代的大规模开放在线教育[J]. 计算机教育, 2013(20): 9-11.
[2] 刘平, 黄星, 高楠, 等. 从虚拟现实到元宇宙: 在线教育的新方向[J]. 现代远程教育研究, 2021, 33(6): 12-22.
[3] 喻国明. 未来媒介的进化逻辑: “人的连接”的迭代、 重组与升维[J]. 新闻界, 2021(10): 54-60.
[4] 姜强, 赵蔚, 李松, 等. 个性化自适应学习研究: 大数据时代数字化学习的新常态[J]. 中国电化教育, 2016(2): 25-32.
[5] 朱佳, 张丽君, 梁婉莹. 数据驱动下的个性化自适应学习研究综述[J]. 华南师范大学学报(自然科学版), 2020, 52(4): 17-25.
[6] 马相春, 钟绍春, 徐妲. 大数据视角下个性化自适应学习系统支撑模型及实现机制研究[J]. 中国电化教育, 2017(7): 97-102.
[7] Normadhi N B A, Shuib L, Nasir H N M, et al. Identification of personal traits in adaptive learning environment: Systematic literature review[J]. Computers & Education, 2019, 130: 168-190.
[8] 郭朝晖, 王楠, 刘建设. 国内外自适应学习平台的现状分析研究[J]. 电化教育研究, 2016(4): 55-61.
[9] 佩特·约翰内斯, 拉里·拉格斯多姆. 自适应学习: 溯源、 前景与误区[J]. 中国远程教育, 2018(7): 43-53, 80.
[10] 姜强, 赵蔚. 面向“服务”视角的自适应学习系统设计与实现[J]. 中国电化教育, 2011(2): 119-124.
[11] 马志强, 苏珊. 学习分析视域下的学习者模型研究脉络与进展[J]. 现代远距离教育, 2016(4): 44-50.
[12] 李爽, 喻忱. 远程学生学习投入评价量表编制与应用[J]. 开放教育研究, 2015, 21(6): 62-70, 103.
[13] Kinnebrew J S, Loretz K M, Biswas G. A contextualized, differential sequence mining method to derive students’ learning behavior patterns[J]. JEDM-Journal of Educational Data Mining, 2013, 5(1): 190-219.
[14] Fatahi S, Fami F S, Moradi H. An empirical study of using sequential behavior pattern mining approach to predict learning styles[J]. Education and Information Technologies, 2018, 23: 1427-1445.
[15] 王赂, 韩晓会. 学习者中心设计理念下智能教学系统中学习者模型的建构[J]. 软件导刊(教育技术), 2011, 10(2): 81-83.
[16] 李振, 周东岱, 王勇. “人工智能+”视域下的教育知识图谱: 内涵、 技术框架与应用研究[J]. 远程教育杂志, 2019, 37(4): 42-53.
[17] 李凤英, 龙紫阳. 从自适应学习推荐到自适应学习牵引模型[J]. 远程教育杂志, 2020(6): 22-31.
[18] 薛耀锋, 曾志通. 面向自适应学习的不同认知风格学习者眼动模型研究[J]. 现代教育技术, 2020, 30(8): 90-96.
[19] 周琴, 文欣月. 从自适应到智适应: 人工智能时代个性化学习新路径[J]. 现代教育管理, 2020(9): 89-96.
[20] 赵磊磊, 张黎, 代蕊华. 智慧校园的智能升级: 基于人工智能的智慧校园[J]. 现代教育技术, 2020, 30(11): 26-32.
基金项目：北部湾大学 2021 高等教育本科教学改革工程项目“工科专业教师课程思政的素质养成与教学实践”（21JGA009）；北部湾大学高层次人才科研启动经费项目“物联网大数据下的图像参照识别关键技术研究”（2017KYQD207）；2021 年度广西高等教育本科教学改革工程项目“工程教育专业认证背景下计算机科学与技术专业课程思政的教学改革研究与实践”（2021JGA253）。
作者简介：李仲生，男，北部湾大学教授，研究方向为大数据、高等教育，zsli@bbgu.edu.cn；刘顺（通信作者），男，北部湾大学副教授，研究方向为成人教育、信息处理，523600797@qq.com。
引文格式：李仲生，刘顺，娄双. 新信息环境下的在线教育元宇宙建模探索[J].计算机教育,2022(9):189-195.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
