面向 MOOC 中自适应学习的通用预训练框架

自适应学习旨在激发并满足个体学习者的需求，这需要对多样化任务进行复杂的系统级协调，包括建模学习资源、估计学生状态和提供个性化推荐。现有深度学习方法相较统计模型已取得巨大成功；然而，它们仍缺乏针对多样任务的泛化能力，且因由高度耦合的任务专用架构组成并依赖小规模、粗粒度的推荐场景而面临能力不足的困境。为实现教学理论中提出的通用自适应系统理念，借助 NLP 中新出现的预训练技术，我们尝试将预训练应用于自适应学习进行实践性探索，基于数据观察与学习风格分析提出统一框架，合理 leverage 异构学习要素。通过学习推荐、学习资源评价、知识追踪与辍学预测等一系列下游任务，我们发现课程结构、文本与知识有助于建模，并内在地与学生非顺序学习行为一致，且预训练基础中包含的间接相关信息可跨下游任务共享以提升效果。我们最终构建了简化的自适应学习系统应用，并反思了回馈教学法的见解。源代码与数据集将公开。