背景：Knewton是一個“適應性學習”工具，由約瑟·費雷拉（Jose Ferreira）在2008年創(chuàng)辦。創(chuàng)始人費雷拉是一個喜歡折騰的人，從1991年從卡爾頓學院畢業(yè)后在卡普蘭（Kaplan）當了一名SAT輔導老師（卡普蘭（Kaplan）是舊金山最大的應試培訓機構）。幾年后辭職，到哈弗商學院讀了MBA，1997年，獲得工商管理碩士的費雷拉在令人神往的高盛做了三年金融衍生品交易員。之后又先后創(chuàng)辦過一家制圖軟件公司DizzyCity，擔任過約翰·克里（John Kerry）總統(tǒng)競選團隊的戰(zhàn)略師，做過風險投資人。就像佛洛依德的夢魘一般，出于對生產線式的傳統(tǒng)教育的不認同，2008年費雷拉決定回歸教育行業(yè)，毅然創(chuàng)辦了Knewton來重構學習方式——Knewton誕生了。

（一）Knewton適應性學習：是一種課程必須適用每個用戶的思想的教學方法

適應性學習是一個以課程應該適應每一個用戶的思想為前提的教學方法。Knewton認為，適應性學習指的是一個連續(xù)的適應性系統(tǒng)。對于每個用戶在Knewton系統(tǒng)上的表現和活動都進行實時的響應。系統(tǒng)通過在正確的時間對每個學生提供正確的指導，從而使得學生達到所制定的學習目標的可能性最大化。換句話說，適應性測試回答兩個基本問題：一個是如何通過特定數量的試題精確的掌握學生對于知識的掌握程度；另一個是既然我們已經知道一個學生的當前的知識水平和學習狀態(tài)，那么這個學生從現在開始應該學習哪些新的知識。

為了提供連續(xù)適應性學習，Knewton分析了基于成千上萬的數據點的資料，包括概念、結構、不同層次以及媒體格式數據，還采用復雜的計算不斷地把每個學生的最有效的數據內容拼接起來，系統(tǒng)通過分析收集的所有學生的效果數據，提煉出推薦結果，用來給每個學生優(yōu)化學習方法。

（二）Knewton推薦原理基礎--采用路徑規(guī)劃技術和學生能力模型保證學生學習的不斷進步

Knewton假設沒有兩個學生是完全一樣的，他們以不同的速率學習和忘記，來自不同的教育背景，有著不同的智力程度，注意力范圍和學習方式。所以，設計一個對于每一個學生的特點都敏感的實時推薦引擎是一個非常巨大的工程。Knewton是通過采用教育路徑規(guī)劃技術和學生能力高級模型，以保證每個學生都通過課程材料以最大化的學習方式來實現不斷的進步。

項目反應理論（Item Response Theory (IRT)）

在傳統(tǒng)的評分方法中，在一次包含10個測試題的測試中，有兩個學生回答對了9道題，那么兩個學生的測試分是一致的。但是題目的難易程度沒有區(qū)分的話，如果第一個學生回答錯了一個非常簡單的問題，另外一個學生回答錯了一個非常困難的問題，這樣就暴露出這種評價學生能力的測試方法缺乏針對性。項目反應理論不是假設每個試題都有相同的貢獻度來實現對學生能力的掌握，而是通過設定試題難度，級別區(qū)分和“猜測性”， 將學生能力與正確回答一個試題的可能性聯系起來，從而對學生的能力進行建模，對于每一個學生的每一個試題都提供信息的細微差別的觀察，這種測試包含了一個人的潛在特性、能力和試題特征。

概率圖形模型（Probabilistic Graphical Models）

Knewton采用的PGMs包含了貝葉斯神經網絡和馬爾科夫隨機場等統(tǒng)計方法，使得數據學家能夠在多維空間中通過成百上千的參數分析和操作概率分布。換句話說，PGMs使得Knewton分析師能夠建立復雜的效果模型，將眾多觀測到的學習活動與對系統(tǒng)推薦有用的評估聯系起來。Knewton應用PGMs的一種方法是通過使用學生已知的掌握程度來決定他可能已經有能力學習的知識。例如，這樣的模型能夠幫助平臺發(fā)現一個學生對于分數達到怎樣的掌握程度才能夠幫助學生掌握小數，以及對小數怎樣的掌握程度能夠幫助學生掌握指數。Knewton的數據學家能夠決定對于分數的掌握和對于指數的掌握之間的聯系。最終，這些類型聯系的發(fā)現使得Knewton適應性學習平臺能夠持續(xù)地提煉推薦結果。

凝聚層次聚類（Hierarchical Agglomerative Clustering）

在數據挖掘中，層次聚類是一種分析方法，被用來構建類的層次或者結構。在Knewton系統(tǒng)中，這個技術被用來檢測大的分組內的潛在結構和建立如何決定學生應該怎樣分組以及根據哪些特征將學生分組的算法。Knewton數學準備（Knewton Math Readiness）提供了一個分組面板，使得老師可以對使用相同教材的學生根據學生對概念理解的級別進行分組。

（三）Knewton效果機制：通過推薦理論科學，有效促使符合Knewton適應性能力的規(guī)律性知識范圍擴大，實用性增強。

Knewton適應性功效通過推薦理論科學，對每一個學習者的學習軌跡進行追蹤，高效地將帶有規(guī)律性的知識范圍擴大和實用性增強。Knewton系統(tǒng)將連續(xù)適應性的，學生長期學習層級和巨大的網絡效果結合起來，建立起一個跨學科的知識圖譜，對每一個參加Knewton課程的學生形成一個強大的個性化學習方案。

1、知識圖譜將交叉學科知識架構連接起來

Knewton知識圖譜是一個權威的學術概念交叉學科圖。Knewton知識圖譜考慮進了內容設置定義的概念以及這些概念之間的聯系，將Knewton課程連接起來。為了完成最終學習目標， Knewton推薦系統(tǒng)專門個性化地引導學生學習，知識圖譜基于學生知道什么和學生如何學習來為學習者連接交叉學科。教授的內容越多，或者被加入到系統(tǒng)的每個概念的評價越多，適應性學習體驗就變得更加準確。當可視化以后，知識圖譜通過課程材料可以向學生提供潛在發(fā)展路徑的判斷。在知識圖譜內，由于Knewton是通過課程來定義一個學生的學習路徑，多個概念之間有著先決條件的關系。Knewton將知識圖譜中的內容定義為“已知”或者“評估”的特殊關系，根據這些決定在既定的時間點應該給學生傳送什么樣的學習內容。

2、連續(xù)性學習系統(tǒng)不斷地挖掘學生表現數據

單點適應性學習系統(tǒng)會在一個單獨的時間點評估學生的表現，然后從這個時間點決定他將要收到的內容類型，很少或者沒有更進一步的個性化數據挖掘。與此不同，Knewton連續(xù)適應學習系統(tǒng)不斷地挖掘學生表現數據，對于學生在系統(tǒng)中的活動進行實時的分析和反饋。根據一個給定活動的完成結果，系統(tǒng)將指引學生進入下一個活動。例如，當一個學生對于一個特殊的試題組受到困擾的時候，Knewton系統(tǒng)就會知道這個學生的特殊不足，并快速反應哪些內容與這些試題考核的概念相關聯，然后給學生推送相關內容讓學生增強對于這些概念的掌握。通過這種方法，連續(xù)適應性系統(tǒng)每時每刻都能為每個學生提供一個個性化的學習大綱。

3、空間強化不斷累積學生能力

一般來講，所謂強化訓練是要求學生在較短時間內學會應用新的概念或方法，直到他們能夠熟練應用或者精通。然而，空間強化（也可以理解為分布式強化）是指不僅在教學的過程中新的概念或方法被吸收，同時以往的概念和方法被強化。因為新的材料被不斷的增加進知識圖譜系統(tǒng)中來并編織成用戶熟悉的材料，空間強化強調的是知識在時間上的延伸分布和篩選抽取?？臻g強化使得Knewton推薦系統(tǒng)能夠幫助學生通過不斷累積的方式培養(yǎng)學生的能力，并且一旦接觸到就能反復學習。

4、記憶力和學習曲線檢測學習者的真實能力

Knewton推薦引擎需要將知識遺忘或者遺忘方式加入到系統(tǒng)中來，同時能夠檢測出類似情況并提供可解決的推薦。受到艾賓浩斯在記憶保持力和學習曲線方面的工作的啟發(fā)，Knewton數據學家使用了指數增長和衰退曲線、學生學習和忘記的能力曲線，這些曲線建立的前提是一方面每次學生接觸的是一個給定主題的內容時，他們會收到關于這個主題的真實能力的一個“突然測試”；另一方面如果他們沒有接觸其他的主題，他們很有可能會在一段時間后忘記這個主題的內容。Knewton數據學家根據學生在何時以及何種方式接觸內容等信息，捕獲學生知識增長和減少的方式。最終通過這個過程使得Knewton數據學家能夠測試控制學生在課程中的成長路徑。

5、學生學習概覽讓學生更好的審視自己

在Knewton系統(tǒng)中，學生能夠獲得持續(xù)更新的學習概覽，包括這個學生學習到的知識以及他如何學習效率最高的信息。這個概覽是不斷變化的，隨著學生在Knewton平臺上學習的時間越長，這個概覽變得更加的智能。一個學生使用Knewton課程的時間越多，平臺對于服務目標學習材料的效率就越高。在這種方式下，Knewton適應性學習平臺致力于最小化沮喪、迷惑等不利于學習的感覺，以一種自然的方式培養(yǎng)學生的能力。

6、利用強相關的教育大數據優(yōu)化適應性結構

在教育領域，大數據展示了強大的創(chuàng)造性，因為教育領域的大數據反映了強認知，這一點與門戶網站，社交網絡以及電子商務網站等產生的數據在結構上完全不同。因為教育數據具有高度相關性，例如例如對于分數的掌握和對于指數的掌握，這樣就為給學生優(yōu)化的用戶體驗和切實的價值提供了非常大的可能性。與在線購物相比，為了提升分數或努力改變未來等強烈的學習動機，學生產生的數據具有在線參與時間長和參與程度高等特征，這樣就產生了巨量有意義的數據，這些有價值的數據又可以被連續(xù)的操作處理，實現每個學生的個性化學習。

Knewton平臺已經建立了一個能夠處理大量學生數據的基礎結構，還設計了一個稱作“AltNode”的框架，這個框架通過在計算機之間分割工作量來實現，并在一個最小需求量的計算機之間發(fā)送連續(xù)更新。所有重大的更新都被存儲在分布式的Cassandra數據庫中。如果一臺機器失效，另外一臺附近的機器會取代他的位置，從數據庫中恢復最近的數據然后繼續(xù)工作。AltNode的一個獨特的特征是它允許模型從任何狀態(tài)進行恢復并且對新到來的數據立即作出響應。

歡迎繼續(xù)關注下周的Knewton適應性學習系列之三：課堂應用