人工智能与计算机教学研究：技术支撑与发展

2023-11-15 理论教育版权反馈

【摘要】：而且随着隐马尔可夫模型、贝叶斯网络、人工神经网络等各种模型方法的不断引入，机器学习取得了进一步的发展，尤其在自然语言理解、模式识别等领域成为技术核心。

人工智能是研究与开发用于模拟、延伸和扩展人的智能的新兴技术科学，通过机器来模拟人的智能，如感知能力（视觉感知、听觉感知、触觉感知）和智能行为（学习能力、记忆和思维能力、推理和规划能力），让机器能够“像人一样思考与行动”，最终实现让机器去做过去只有人才能做的工作。人工智能发展的迅猛之势引发了人们的热议。那人工智能能否取代人成为人们关注的焦点？早在1993年，计算机科学家弗农·维格（Vernon Vinge）就提出了奇点概念，即人工智能驱动的计算机或机器人能够设计和改进自身，或者设计出比自己更先进的人工智能。面对人工智能，不能过分高估也不要过分低看；对于人工智能对教育的影响，要秉承理性态度来看待。

人工智能的主要研究领域包括智能控制、自然语言处理、模式识别、人工神经网络、机器学习、智能机器人等。近年来，随着计算能力的提升以及大数据和深度学习算法的发展，人工智能取得了突飞猛进的发展，并且广泛运用于金融、医疗、家居等多个领域，各行各业都在积极探索利用人工智能破解行业难题，教育也不例外。张坤颖指出，人工智能是一种增能、使能和赋能的技术，其在教育中的应用形态分为主体性和辅助性两类。主体性是指特定教育系统以人工智能技术为主体，如智能教学机器人、智能导师系统等；辅助性是指将人工智能的功能模块或部分结构融入教学、资源和环境、评价和管理之中，转变为媒体或工具以发挥其功效，如智能化评价、自适应学习、教育管理与决策等。

技术对教育教学的影响是人工智能、虚拟现实、增强现实、大数据、学习分析等技术综合的作用，不是单一技术就可以产生影响，因此本研究结合人工智能、大数据、学习分析等技术与教学的融合创新，从人工智能大发展的时代背景下探讨人工智能给教学带来的新机遇和挑战。

（一）机器学习

机器学习主要研究如何用计算机获取知识，即从数据中挖掘信息、从信息中归纳知识，实现统计描述、相关分析、聚类、分类、规则关联、预测、可视化等功能。

20世纪90年代后，随着计算机性能的不断提升，人工智能迎来了一次新的突破，有数学依据的统计模型、大规模的训练数据，并融合了数学、统计学、信息论等各领域知识的机器学习方法，逐渐在语音识别和机器翻译等领域成为主流。而且随着隐马尔可夫模型、贝叶斯网络、人工神经网络等各种模型方法的不断引入，机器学习取得了进一步的发展，尤其在自然语言理解、模式识别等领域成为技术核心。近来，以人工神经网络模型为基础的深度学习方法，给人工智能的发展带来了新一轮的热潮。

根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法，具体见表1-1。

表1-1　机器学习的分类

机器学习研究的进一步深入，也极大地推动了其在教育中的应用，如归纳学习、分析学习应用于专家系统等。

1.机器学习与教学的适切性

机器学习是通过算法让机器从大量数据中学习规律，自动识别模式并用于预测。机器学习在教学环境中，能够基于大量教学数据智能挖掘与分析数据发现新模式，预测学生的学习表现和成绩，以促进和改善学习。可以说，机器在数据学习过程中处理的数据越多，预测就越精准。教学数据包括学习者与教学系统交互所产生的数据，以及协作、情绪和管理数据等。

当前，应用于教学的机器学习方法有分类、聚类、回归、文本挖掘、关联规则挖掘、社会网络分析等，但应用较多的是预测和聚类。预测旨在建立预测模型，从当前已知数据预测未知数据。在教学应用中，常用的预测方法是分类和回归，一般用于预测学生学习表现和检测学习行为。聚类一般用于发现数据集中未知的分类，在教学中，通常基于教学数据对学生进行分组。

机器学习对于教学环节中的不同人员，如学生、教师、教学管理者、课程或软件开发者等具有不同的应用目标，见表1-2。

表1-2　机器学习应用目标

2.机器学习教学应用的潜力与进展

机器学习作为人工智能的重要分支，能够满足对教学数据分析预测的需求，其在教学中的应用具有很大潜力。在教师教学方面，将从学生建模、预测学习行为、预警辍学风险、提供学习服务和资源推荐等方面有效助力智能教育，推动教学创新。在学生学习方面，通过机器学习分析学生成绩、学习行为等来预测学习表现，发现新的学习规律，并给出可视化反馈；对学习者的表现进行评价，根据不同学生的特征进行分组，推荐学习任务、自适应课程或活动，提高学习者的学习效率。

（二）自然语言理解

自然语言理解是研究如何使计算机能够理解和生成人的语言，达到人机自然交互的目的。自然语言理解主要分为声音语言理解和书面语言理解两大类。其理解的过程一般分为三步：第一，将研究的问题在语言学上以数学形式化表示；第二，把数学形式表示为算法；第三，根据算法编写程序，在计算机上实现。

自然语言理解技术从初期的产生式系统、规则系统发展到当今的统计模型、机器学习等方法。其在教育中的最早应用是进行语法错误检测，随着技术的发展，自然语言理解在教学中有了更大的应用场景。有研究者将自然语言理解在教育领域的应用场景概括为四个方面：一是文本的分析与知识管理，如机器批改作业、机器翻译等；二是人工系统的自然交互界面，如语音识别及合成系统；三是语料库在教育工具中的应用，如语料库及其检索工具；四是语言教学的应用研究，如面向语言学习的教育游戏。自然语言理解将为在机器翻译、机器理解和问答系统等领域的学习者的学习带来新的方式方法。

1.机器文本分析(www.chuimin.cn)

传统对于主观题的判定，如论述、作文等，机器批阅无法给出有效反馈，随着自然语言理解技术的逐渐成熟，依托人工智能技术可以实现对开放式问题的自动批阅。当前应用较为成功的是句酷英语作文批改。机器批阅有助于学生自主练习时及时获得反馈，可以大大提高学习的效率与效果。

2.问答系统

问答系统分为特定知识领域的问答系统和开放领域的对话系统。问答系统是指人们提交语言表达的问题，系统自动给出关联性较高的答案，实现人与机器的交流。当前，问答系统已经有不少应用产品出现，它们在接收到文字或语音信息后，先解读内容，然后再自动给予相关回复。在教学当中，问答系统能够充当解决学生个性化问题的虚拟助手，以自然的交互方式对学生的问题进行答疑与辅导。IBM研发的虚拟助教Watson就是通过建立教育领域的专家库，实现对学生问题的解答。

（三）模式识别

模式识别是使计算机对给定的事物进行识别，并把它归于与其相同或相似的模式中。其主要研究计算机如何识别自然物体、图像、语音等，使计算机模拟实现人的模式识别能力，如视觉、听觉、触觉等智能感知能力。根据采用的理论不同，模式识别技术可分为模板匹配法、统计模式法、神经网络法等，其早期所采用的算法主要是统计模式识别，近年来，在多层神经网络基础上发展起来的深度学习和深度神经网络成为模式识别较热门的方法。而且深度学习算法和大数据技术的发展，大大提高了在语音、图像、情感等模式识别中的准确率。

模式识别系统主要由数据采集、预处理、提取特征与选择、分类决策等组成，如图1-1所示。

图1-1　模式识别过程

在教学应用领域，为学习者提供个性化学习支持服务的前提是需要采集到学习者的语音、情感等体征数据，通过对这些数据进行挖掘与分析，为后续的个性化学习提供基础数据模型支持。模式识别在教学中的应用主要包括，在实训型课堂中，可以将识别的学生动作模式与标准动作模式比对，指导学生操作；智能识别学习者的学习状态，适时给予学习帮助与激励；学习者利用语音搜索学习资源等。

（四）大数据

人工智能建立于海量优质的应用场景数据之上。与传统数据相比，大数据具有非结构化、分布式、数据量大、高速流转等特性。大数据通过数据采集、数据存储和数据分析，能够发现已知变量间的相互关系进行科学决策。大数据目前已经应用于金融行业、城市交通管理、电子商务、医疗等各领域，有着广阔的应用前景。而在教育领域，随着教育信息化的发展，教学过程中时时刻刻在产生大量的数据，大数据为教学提供了根据数据进行科学决策的方法，将对教育教学产生深刻影响。

大数据的价值在于对数据进行科学分析以及在分析的基础上所进行的数据挖掘和智能决策。也就是说，大数据的拥有者只有基于大数据建立有效的模型和工具，才能充分发挥大数据的优势。

大数据与人工智能的结合将给教育教学带来新的机遇。海量数据是机器智能的基石，大数据有力地助推了机器学习等技术的进步，在智能服务的应用中释放出无限潜力。因为人与机器的学习方法是不一样的，比如，一个孩童看到几只猫，妈妈告诉他这是猫，他下次见到别的猫就知道这是猫，而要教会机器识别猫，需要给机器提供大量猫的图片。因此，大数据极大助推了人工智能的发展。大数据与人工智能结合将充分发挥大数据的优势，如教育教学过程中存在大量的教学设计、教学数据，根据这些数据训练出的人工智能模型可以辅助教师发现教学中的不足并加以改进。

（五）学习分析

学习分析是随着大数据与数据挖掘的兴起而衍生出来的新概念，它是通过采集与学习活动相关的学习者数据，运用多种方法和工具全面解读数据，探究学习环境和学习轨迹，从而发现学习规律，预测学习结果，为学习者提供相应干预措施，促进有效学习。由此可知，大数据是进行学习分析的基础，学习分析可以实现大数据的价值。

学习分析的目的在于优化学习过程，一般包括四个阶段：一是描述学习结果；二是诊断学习过程；三是预测学习的未来发展；四是对学习过程进行干预。学习分析是迈向差异化及个性化教学的道路。随着各种智能化教学平台、教学App等数字化教学工具的应用，教育数据快速增长。通过智能化教学平台持续采集学生学习过程中的各种数据，将教师和学生在课堂上的每一个互动结果记录下来，进而通过学习分析生成数据统计与分析图表。基于此，学生可通过查看学习数据，找出不足，及时调整。教师可很好地了解学生学习特点，制订个性化学习方案，深度分析学习者学习行为与学习数据，随时监测学生发展。

人工智能与计算机教学研究：技术支撑与发展

相关推荐