1.3　学习资源适配的挑战

长期以来，我国面临着教育资源碎片无序、用户数量多、供给规模大等一系列艰巨挑战，传统工业时代的规模化教育体系已无法满足信息社会对教育资源服务的个性化需求。针对新型教学环境下学习情境的复杂性、学习服务与资源的多样性，以及学习者需求的不断变化，如何避免学习迷航，探索新型教学环境下个性化学习智能服务技术是破解云端一体化人才培养的关键问题。

在学习资源适配过程中存在3个阶段，即感知、理解、适配。在学习者学习状态感知中，当前学习者的认知状态感知与量化方式多样化，在课程场景下，学习者的认知状态感知主要基于面部表情、头部姿态、语音、目光注意力等单模态或多模态的数据。对于这些数据的采集不是很容易，也比较难进行量化的表示。因为人是主观的，学习者人数比较多，在课堂中的时间比较长，会记录一些不完整的数据。如何采用先进的设备进行数据采集，以及如何量化地表示这些数据是我们首先要面对的问题。对于这些多模态的数据，如何在进行合适的加权融合后能更好地反映学习者的状态也是比较困难的。这是因为缺乏对教学课程中学习者的认知状态感知的多模态融合与过程性描述。

理解在线学习过程中学习者知识状态变化，实现对学习者的认知状态诊断是后续个性化学习规划中至关重要的一步。统一的学习路径规划、学习资源适配缺乏个性化的导学服务，难以针对不同学习者提供契合其自身的帮助。学习者的能力、学习兴趣和知识点的难易程度都会对学习者的认知状态产生影响。认知状态诊断主要是对学习者能力的诊断和学习者知识储备的诊断。对于知识储备的诊断，用知识追踪模型对学习者进行测量，判断学习者现有的知识体系和知识储备是否达到现有的教学要求，如果学习者存在知识上的欠缺，对知识点没有掌握，就要及时反馈。如何使用合适的知识追踪模型对学习者主体进行深刻的理解，反映学习者的主体画像也是需要考虑的问题。

如何利用海量的资源体系实现规模化情景下的精准教学是学习资源适配服务的难点。

一方面是学习资源供给侧，在学习资源供给侧中有教材、习题、视频、VR、教学案例等资源，它们都具有不同来源、不同粒度、不同类型等性质。例如，既有以GB为单位的视频资源，又有以B为单位的习题，它们还有不同的资源类型和不同的生产主体，资源的形式各式各样。另一个方面，在学习资源需求侧中，学习者的条件、参与群体、教学情景、教学方法都不相同，以及学习者所在的学段、学科、进度也不尽相同。因此，如何让资源供给侧与资源需求侧相配对，同时既要适用于不同的学习条件，又要适用于不同的教学场景，在不同的环境下适用于不同的教学方法，这让学习资源适配是非常具有挑战的。

对于资源服务的数学模型，将学习者的历史评分数据R分解成学习者特征矩阵U和学习资源的特征矩阵V的乘积的难点在于两方面，一方面是需要感知学习者学习主体的特征属性，另一方面是需要挖掘学习资源的特征属性。如何精确的分解U、V矩阵以达到一个比较好预测的分数来完成适配的难点在于如何使用合适的数学模型对整个学习资源适配进行数学的描述和刻画，以及如何精确地分解，解的存在性和唯一性的问题也需要进一步细化。我们需要引入不同的附加条件和一些边信息来约束解空间，如利用评论信息和社交信息，以及如何解决评分数据的稀疏性问题。因此，如何将这些边信息进行精确的数学表达以解决评分数据的稀疏性问题，从而提高适配的准确度，这也是比较棘手的问题。