前言：中文期刊网精心挑选了人工智能赋能教育概念范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工智能赋能教育概念范文1
“这确实是个很好的问题。”食谱推荐公司Yummly的研究负责人Gregory Druck如此回应道，但这肯定不能被称为一个真正的答案。
这的确令他有点为难。技术在设计时通常都要优先理解并满足人的喜好。同在台上的厨房整合技术公司Innit的副总裁Ankit Brahmbhatt干脆接过了话筒，“每个人的体质不同，对健康的定义也不同。说到底这是个生活方式的问题。我们得先有关于你更全面的数据，才能判断什么对你是健康的。”
人工智能到底能在多大程度上替代人，也成为一年一度的西南偏南上最热闹的话题。
西南偏南诞生在美国德克萨斯州的奥斯汀。每年3月初，这个全球性的盛会会吸引数十万人，和硅谷以大公司、创投行业为主的活动不同，西南偏南会吸引各个行业的人。大家在这里看新的电影，发现创业灵感。更重要的是，讨论技术已经带来的改变，以及它能把人们带到哪里去。
其中有不少想象空间。比如Yummly，这家来自硅谷的公司能利用人工智能技术分析你曾经使用的食谱数据。来自德国的Foodpairing则声称，机器分析食物成分时最大的弱势是嗅觉不及人类灵敏，但是通过训练，机器的精准程度可以超过大多数未经训练的普通人。
还有更激M的Innit。和一些创业公司费尽心思想把吃饭这件得高效不同，这个硅谷公司发现了一个悖论，一些人根本不愿意被剥夺下厨的权利。于是他们正在硅谷红木城的总部，测试一个全新的“数字化厨房”。
这个厨房用一个软件平台控制家电，告诉用户家里食材的存量。选定菜单后，还会提醒用户要买多少食物。等到准备妥当，连接的厨房电器就能完成初步烹 饪。
“我们想用技术帮上班族解决工作日吃饭的问题，让他们知道下班后要买什么食材、买多少，回家后能更快吃到晚餐。”活动结束后，Brahmbhatt对《第一财经周刊》说。
这听上去“很硅谷”，善于观察问题并提出解决方案。其实更有意思的是，这家公司发现，在一些细分领域当中，人其实没必要过分智能。
“数字化和自动化的确能帮助减少浪费，包括钱和食物。但我们也知道，有人喜欢下厨。Innit在做一项用户调研时发现，对自动化最集中的需求并不是烹饪，而是洗碗。也就是说，用户想让机器帮他们完成的是，恰恰是那些他们最不喜欢做的事情。”
至于机器和人的关系，这个古老的命题也随着人工智能的蔓延重新摆在了人类面前。至少，人工智能不再仅仅是一些极客想把一切自动化的设想和实验，也不只是好莱坞电影里经常出现的无所不能的机器控制人类造成的恐慌。它真的就在我们的生活中发生。
真正的答案，也正如百度首席科学家吴恩达曾预言的那样，“人工智能是新的电能，可以改变很多行业。”既然是电能，就意味着未来它可能无处不在。
西南偏南互动大会首席项目官Hugh Forrest说：“人工智能毫无疑问是2017年最热门的话题。虽然过去我们也做过很多AI的内容，但从未像今年这样集中。”
卡内基梅隆大学计算机科学系主任Andrew Moore长期关心教育，面对可能的人工智能未来，他想分享教育系统有必要做出哪些变化。迪士尼则会分享它如何用人工智能为其主题乐园提供更好体验，毕竟迪士尼乐园不可能一直停留在几十年前的模样。就连那些运动员，都会在训练中尝试使用人工智能，这可能意味着未来的赛事较量，除了天赋，更多是训练方法的比拼。
而如果你知道西南偏南最早是个音乐节，就会觉得在这里听到人们探讨人工智能和音乐如何结合是顺理成章的了。
用人工智能编曲已经不算什么新鲜事了。但是一些音乐公司正在用人工智能制作背景音乐，卖给可口可乐等大公司。
就连Google也参与了进来。去年6月，Google Brain宣布推出Magenta，一个能让计算机制作出“出众而艺术性”的音乐的产品。
不过这也带来一些新的问题，音乐能够做到更加了解我们吗？我们想让自己的情绪反过来影响我们吗？这种响应会不会把气氛搞糟？毕竟粉丝们可能会爱上一个音乐人，但很难爱上一台计算机。
很多人都爱上过iPod。这可能是这个世纪初音乐与技术最简单直接的结合形式。当技术演变成了人工智能，这件事情变得有趣，它像人的左脑和右脑的一场博 弈。
音乐这个感性世界与数字和代码编织的理性世界碰撞了一下。它们如何理解彼此，最好的例子可能是一个指令，就是当你让一个人工智能助手播一首歌时说的那句话。
不要小看这个指令。亚马逊音乐的团队在奥斯汀市中心的一个小酒吧里办了一场活动，当谈到如何让亚马逊的人工智能助手Alexa和亚马逊音乐结合时，主讲人感慨，仅仅是让Alexa播放一首歌的指令就十分复杂，一首曲子的元素包括歌手、专辑名称、音乐流派、歌词内容等不同元素，情境也同样如此，比如遇上用户说“我心情不好，给我放点音乐”这种情况，此时，亚马逊音乐收录了多少首歌曲是一回事，Alexa能在多大程度上明白用户的意思，便是另一回事了。
如果有人去年来过西南偏南，大概还会记得当时的一个历史性事件。
那是AlphaGo与韩国棋手李世石之间的对决。结果你已经知道了。大多数人不相信机器会胜过人类，他们会觉得这是个黑天鹅事件。
Google的高明之处除了技术本身，还在于用一种直接有力的方式向普通人展示了自己在人工智能领域的技术进展―大概没有什么方式比人机大战更能引起人们的兴趣，更直观。
当AlphaGo连续赢到第三场时，来自Automated Insights的Robbie Allen正在准备他在西南偏南上的一场对话。Automated Insights是曾做出帮记者写稿的机器平台WordSmith的公司。
“Google很了不起。”Allen走下台对《第一财经周刊》评论。在观看这场人机大战时，人们产生了一股担心会被人工智能抢走饭碗的恐慌。此后，AlphaGo的连胜加剧了这样的担心。
Allen参加的对话主题正好是“人工智能发展后，人类未来的工作怎么办”。
“理论上人工智能确实达到了一个新阶段，它代表人工智能可以模仿人类的重复性劳动，还会比人做得更好。但我认为，它离人工智能的实际应用还有一定距离，当人工智能可以帮助某些行业完全实现自动化，找到商业化的应用场景，我才会认为它真正达到了实际应用的程度。”Allen说。
“实际应用”换句话说，是一部分人会开始失业。
距离AlphaGo战胜李世石不到一年，人们就已经在拉斯维加斯的国际电子消费展上看到各个汽车制造商对无人驾驶汽车的设想。无人驾驶汽车的技术标准得到厘定，厂商纷纷推出概念车。
Google剥离了无人驾驶汽车部门成立单独的公司Waymo、Uber的无人驾驶汽车在匹兹堡和旧金山上路，虽然后者在上路当天就因犯了些错误被叫停（最近还因为收购Otto被Google告上法庭）。蝴蝶效应是，政府和城市设计师已经开始思考无人驾驶汽车上路后对城市生活规律的影响、如今的城市基础设施是否能和无人驾驶汽车配合等问题了。
若低估技术带来的影响，也许不久后就要承担相应的后果。自从人工智能技术高速发展，特别是无人驾驶汽车上路以来，硅谷以外的世界与硅谷仿佛形成了两股力量―硅谷正在想办法让一切自动化，而美国最大的就业群体之一卡车司机，则忧虑正在某处测试的无人驾驶卡车会让他们失去工作。
机器与人的矛盾和对抗从来没有停止过。远至第一次工业革命，近至互联网诞生。随着人们越来越习惯于数字化生活，机器和人的关系会更加纠缠不清。人工智能这件事会变得更复杂，还可能，带来很多伦理问 题。
来自设计咨询公司IDEO的Jason Robinson和麻省理工学院（MIT）媒体研究室的Philippa Mothersill认为，目前我们并没能解决如何不让机器真正危害人类的创造力和情绪，尽管随着技术的精进，这一点可能会实现。
在一场名为“人类、机器和工业设计的未来”的讨论当中，他们向挤满了整个会议室的观众发问，“我们如何教会计算机创造性思考？”
Mothersill曾是宝洁公司的产品设计师，专注于让计算机可以通过识别人类的语言，将物理元素变成实际产品。为此她设计出EmotiveModeler，这种工具能够将形容词和情绪转化为模型。她寻找到了一种能够让工业设计―无论是家具还是电子产品―更好传递人类情感的方式。
如果没读博士，Mothersill现在应该依然是个出色的设计师。但她如今的研究课题，却让一些设计师有点担心会失去工作。《连线》的Margaret Rhodes也在意这一点，即人工智能如何能提供更多的工作机会，这可能是技术进步为现代社会带来的最大的困扰。没有人希望成为技术进步的牺牲者。
不过在和大量的设计师交谈过之后，Mothersill和Robinson总结了“10件设计师希望机器能够学会的事 情”。
比如说，考虑使用产品的情境。好的设计师不仅会设想要创造的事物，还会思考它出现的地方。它应该摆在哪里？它所在的房间是什么样？周围都有些什么东西？如何能让计算机做到这一切？
或者说，如何抓住灵光一现的时刻。历史上，达达主义运动中的艺术家善于随机创作，通过将传统事物叠加创造新作品。我们能够教会计算机在向不同方向发散思考的同时，催生出全新且有价值的设计吗？
这些有趣的发现让他们意识到，设计师对机器的期待，其实充满人的色彩。Mothersill由此得出的结论是，人们最终需要掌握如何让机器变得有情绪，它们会产生独特的好奇心―而不仅仅是按照写入的程序工作。
如果你看过最新的007系列电影，影片中所描述的一切已经和NASA能做到的非常接近。
毕业于约翰・霍普金斯大学的Pavel Machalek此前在NASA工作，如今他创立了Spaceknow，为金融、政府和制造部门提供商业卫星的图像分析。这些卫星就像是“天空之眼”，看着地球上发生的一切。
“我们正在让整个物理世界数字化，且能够在这个基础上做很多事情。”Machalek说。按照他的说法，世界正在经历巨大变化，重新使用卫星数据的成本也在逐步下降。
不仅如此，Spaceknow正在建立一套人工智能系y，用各种各样的新方式来处理获得的数据。整个地球的数据都会被实时抓取，它会扫描、理解和讲述70亿人的日常行为。
这也意味着，它会重塑商业关系，让零售商更好地预见气候变化、作出设计决策。它的客户各种各样，有人想知道某个港口有多少船只到岸，或者有多少辆卡车被调到精炼厂运油。
它还有很多其他用途。对于新闻业来说，它能让人们尽快发现，叙利亚到底在发生什么。如果有人编造一些事实，它或许可以提供更客观的看法。这套被不断训练的人工智能系统能够接收各种各样的查找请求，截至目前它曾经收到的请求有，“查找一架失踪的飞机”“查找那些非法的攫金者”等，以及对某些政府公开的不实数据提供另一种解释。
Machalek表示，有朝一日想让Spaceknow的人工智能系统覆盖整个世界，让每个拥有智能手机的人都可以对真实世界的数据发起请求―这大概意味着你可以查看某个酒吧门外排队的人有多少。
零售业和广告业立即感受到了威胁，它们开始追求改变。除了面临新技术带来的新购买方式的挑战，另一件可怕的事情是，如果以后帮消费者做购买决策的是机器人，品牌该怎么办？
但这其实已经发生了。亚马逊的推荐算法就是最简单的例子。
在机器人眼里，一切都是数字。因此研究品牌效应的L2 Inc的Pooja Badlani就认为，如果这就是未来，品牌忠诚度这件事已经成为历史了，所有的品牌都要想办法和机器人共存。
但IBM iX的策略与设计负责人Robert Schwartz认为，品牌通过营销来影响消费者的态度和购买行为是一门艺术，它暂时还不会消失。
“那种居高临下教育消费者的时代结束了，”Schwartz说，“对品牌来说，推销自己的时代过去了，现在是展现自己的时候。消费者始终会受到一些时刻、一些瞬间的激发产生购物欲望，品牌要重新梳理自己的核心，决定在什么时间、什么地点来创造这些时刻。”
现在已经没有人讨论技术将如何重新定义传统行业，大家都认为这已经是事实了。至于这个改变将如何发生，“这是个缓慢的过程，所有技术公司和受到冲击的传统行业都是亦敌亦友的关系。”Schwartz对《第一财经周刊》说，毕竟说到底，它们都想争取消费者的数据。
所有人都要学会用新的方式和消费者打交道，也想延长消费者的注意力和停留时间。
硅谷已经有人提出了相应的方法论。Ch r is Messina曾是Uber的开发者体验负责人，也是Twitter上的“hashtag”（标签）的发明人。他在2016年提出“对话经济”（conversational commerce）的概念，认为在Facebook Messenger增加聊天机器人的背景下，未来会有越来越多的“聊天机器人”（chatbot）出现。这些小机器人可能分布在客服、销售等岗位。此时机器应该增加更多的“Conversational UI”，即聊天界面。
让聊天机器人取代人类的前提是赋予机器同理心。如果你对态度冷淡、反应迟缓的人类客服不满意，面对聊天机器人得到的同样是冷冰冰的回答，那么这样的技术进步可以说毫无意义。
相反，如果机器可以弥补人类的部分不足，例如冷漠、缺乏技能，那么人类反而可以从与机器的对话中获得更多好处。Messina举例说，如果聊天机器人可以给用户好的体验，那么每次对话同时，也是用户在主动提供数据。
这仅仅是零售业运用人工智能的开始。人们会渐渐分辨不清，人工智能究竟是在帮助我们购买产品，还是说服我们去购买它们？
麻省理工学院的研究专家Kate Darling在描述人工智能的走向时，表达了相似的观点。
Darling主要研究机器人伦理的问题。“接下来的几十年并不是说机器会一点点取代人类，而是自动化系统和人工智能系统将与人类协力合作，因为技术不是取代人类的能力这么简单。人们高估了机器能做的事情，而低估了它的缺陷。”
斯蒂芬・霍金在接受BBC的采访时曾更直接地说：“人工智能的完全实现，可能意味着人类的终结。”
身处这个行业里的人显然知道人们的恐惧。
人工智能发展协会前主席、微软人工智能研究院负责人Eric Horvitz在西南偏南的一场演讲中介绍Google、亚马逊、苹果、IBM、微软、Facebook等公司联合成立的Open AI时，主动引用了霍金、伊隆・马斯克和比尔・盖茨此前分别公开传达的对人工智能的担心。
这位美国工程院院士、在业内被称为AI先生的老人朗读了一段Open AI的协议内容，几大公司保证在互不竞争的前提下合作。正是因为技术进步这个趋势不可阻挡，大公司结盟和在一些问题上达成共识是保证技术真正为人类赋能的基础。
人工智能赋能教育概念范文2
根据原国家新闻出版广电总局的年度新闻出版产业分析报告，2016年期刊总印数比前一年降低6.3%，总印张降低9.4%；与2016年相比，2017年期刊出版总印数降低7.6%，总印张降低10.1%；与2017年相比，2018年期刊出版总印数降低8.0%，总印张降低7.3%。反观数字出版，2016年数字出版总收入5720.85亿元，2017年数字出版总收入7071.93亿元，2018年数字出版总收入8330.78亿元。可以预见，随着时间的推移，数字出版在期刊领域也将承担越来越重要的角色。由于数字出版的发展和技术发展密不可分，本文尝试从技术的角度分析数字出版态势，并进一步探讨我国科技期刊的发展态势以及新技术可能为数字出版带来的变化。
一、数字出版领域和新技术领域关键词
在数字出版方面，本文研究了2019年数字出版会议和期刊编辑领域的论文来探讨数字出版领域的关键词。在技术方面，本文通过调研互联网的发展了解了新技术的关键词。1．数字出版领域的关键词。2019年，重要的数字出版会议主办方主要有中国期刊协会和中国新闻出版研究院。会议报告题目关于数字出版的关键词有：数字产业、生态、经济模式、数据、移动、互联网、信息技术、5G、AR+、人工智能/AI/机器人、平台、云计算、新媒体、大数据、创新产品、智慧产品、知识付费、微课程、全媒体、在线、智库、阅读、精准、IP、传播、数字出版、知识服务、融合发展、出版未来、人才等。在期刊调研方面，本文调研了期刊和编辑出版领域的重要期刊——《中国科技期刊研究》《科技与出版》《编辑学报》等，分析了2019年刊发的文章。这些文章涉及数字出版领域的关键词主要有：媒体融合、5G、AR、移动出版、xml/html、共媒体云和自媒体库、人工智能、平台、产品、APP、在线、新媒体、区块链、知识图谱、知识服务、社区服务、精准推送、全媒体、智慧媒体、数字出版、造船、有声阅读、赋能、书刊互动、转型、智库、知识付费、编辑出版工具等。从上述关键词我们可以分析出，在数字出版方面，期刊和技术方分别都在哪些方面开展了工作，期刊在数字出版方面的融合可以从哪些方面突破。图1是从2019年度相关会议和期刊论文调研得出的与数字出版相关的关键词。从中可以看出，数字出版会议和相关报告更多地从技术层面出发，考虑技术、产品和运营。数字出版相关论文更多地从编辑出版角度进行分析，涉及期刊出版各环节。关键词方面两者有所重叠，也有所不同。例如，数字出版相关论文较少关注5G、产品，更多关注和专业以及学术研究息息相关的数据（尤其是科学数据）、知识服务、编辑业务和人才队伍；而数字出版会议和相关报告则相对较多地关注5G、IP运营等技术或者产品。双方均关注融合发展、数字出版、人工智能、新媒体等。专业技术团队和编辑出版团队已经在一定程度上融合，但是双方的发力点还是有所不同。因此，若要促进科技期刊融合发展，编辑出版方需要更好地表述自己的需求，技术方也需要更深入地做好需求调研，更好地按照期刊的思路研发产品，如此建设的系统和平台才能更好满足期刊出版的需求。上述调研也给数字出版的研究带来启发。一方面，研究数字出版可从期刊编辑工作流程出发，研究各个环节中哪些环节可以利用数字化提高工作效率，或者整个工作流程中有哪些困难需要机器帮助解决；或从现有数字出版的实际态势出发，研究同行在做哪些工作。另一方面，可研究新技术的特点，即研究其可能给数字出版领域带来哪些变化。2．新技术关键词。那么，我们需要关注哪些新技术呢？哪些新技术能代表新一代互联网的发展呢？2019年第六届世界互联网大会在浙江乌镇召开，会议的主题是“智能互联开放合作——携手共建网络空间命运共同体”。会上公布了15项代表性领先的科技成果，它们的主要关键词是人工智能、机器、分布式、共享、智慧、自适应、5G等，这些关键词也说明了新一代互联网技术的重点发展方向，是近几年技术领域的重点。我们可以看出，随着互联网的发展，尤其是和数字出版息息相关的新技术，是5G、大数据、云计算、人工智能、物联网、区块链、虚拟现实技术等。另外，还有和数字出版领域紧密结合的碎片化技术、语义技术、新媒体技术（微信公众号、小程序、短视频等）。下面我们逐一分析这些技术的特点，以便后续进一步探讨它们在数字出版方面的应用。5G是下一代信息社会建设的基础设施，它的特点是高速率、大容量、低延时、低功耗，这些特点使得更多资源可以部署到云上，单位时间可以传输更多的内容或者整合更大量的数据；使得虚拟现实、万物互联等成为可能；也使得智慧城市、智慧社区等得以实现。从期刊出版的角度来说，5G将可能改变知识内容、平台、存储、流通、渠道、服务、消费、终端呈现等的方式，对行业带来深度的变革。大数据技术包括数据分析技术、事件处理技术、数据流通技术。我们可以从数据采集与处理、数据挖掘与分析、数据存储与管理、数据展现与应用方面去思考期刊出版相关数据的采集、处理、重新聚合、呈现形式等，思考大数据技术可能为数字出版带来哪些新的应用。我们可以从分布式存储方面考虑期刊相关数据库的架构、设计以及分布式关系模型；可以从数据流通角度考虑期刊数据传输的质量、安全等；可以从数量巨大、来源分散、格式多样的数据中发现新知识、创造新价值、提升新能力，从而考虑新一代数字出版服务业态。云计算是一种基于互联网的超级计算模式，云计算的计算速度甚至达到每秒10万亿次，可以将繁多的系统以及云资源连接在一起以提供各种服务。云计算的特点是可以有效兼容各种不同种类的硬件和软件，支持资源以及新业务的动态扩展，具有高可扩展性；支持多业务体系按需服务，按需配备计算能力和资源；使用数据多副本容错和计算节点同构可互换等措施来提高可靠性；使用户突破时间和空间的限制享受虚拟现实的服务；支持海量信息处理以便提供超大规模服务等［1］。云计算技术逐渐成熟，将使得对运算能力要求高的产品得以运用，使得对运算能力要求高的服务得以实现，使得跨空间、跨时间的虚拟服务成为现实，使得跨平台、跨数据库的资源得以快速整合。人工智能产业在大数据、深度学习算法、计算能力三大要素的推动下逐渐成熟，人工智能研究让计算机模拟人的思考过程以及智能行为，如学习、问题求解、自动推理、智能检索、思考、规划等，其相关的技术包括机器人、语言识别、图像识别、自然语言处理等［2］。期刊可以思考，现阶段或者未来在数字出版中，哪些环节可以用计算机或者机器人来实现，思考利用计算机和机器人可以帮助我们实现哪些人工难以完成的工作。物联网作为信息通信技术的典型代表，其技术和应用的普及以及逐渐成熟，将推动人类社会进入万物互联的新时代，可穿戴设备、智能家居、自动驾驶汽车、智能机器人等新设备将接入互联网。这使得未来学术出版物的产品、终端等呈现多样化。根据物联网的特点可以更多地思考学术出版的产品以及终端。区块链技术的特点是去中心化、分布式和安全。期刊可以从这三个特点考虑在这方面有要求的产品和环节。虚拟现实技术包括VR（虚拟现实技术）、AR（增强现实技术）和MR（混合现实技术）。VR是利用电脑模拟产生虚拟世界，让使用者如同身临其境一般，是纯虚拟数字画面。AR是通过电脑技术将虚拟的信息应用到真实世界，真实的环境和虚拟的物体实时地叠加到同一个画面或空间，是虚拟数字画面和裸眼现实。MR包括增强现实和虚拟现实，指的是结合数字化的现实世界和虚拟世界而产生的新可视化环境，MR是数字化现实加虚拟数字画面。虚拟现实的特点将使得学术传播更加真实、直观、多方位、多角度。和期刊紧密结合的语义技术、碎片化技术、新媒体技术、视频技术等，这些期刊界比较熟悉，这里不再赘述。
二、我国科技期刊数字出版状况
根据《中国科技期刊发展蓝皮书（2017）》统计，我国科技期刊中，5020种期刊共有1375个主管单位、4381个出版单位。平均每个出版单位出版1.15本期刊，仅出版1种期刊的出版单位就有4205家［3］。我们可以看出，我国期刊众多，但是小而散，这些小而散的科技期刊很难有比较强的经济实力单独开展数字出版的转型。尤其是和国际大出版商相比，我国科技期刊的数字出版还落后很多。进行国际合作的英文学术期刊，充分利用国际数字出版平台，在一些流程中实现数字化，是众多国内英文科技期刊的选择。即使如此，我国科技期刊一直坚持不懈地利用一切可利用的资源逐步摸索出自己的数字化发展之路。在科技期刊数字出版过程中，期刊出版人体验了如图2（1）到（5）所示的媒体传播发展过程。尤其是近几年，科技期刊媒体融合技术和产品日新月异，科技期刊、期刊集群、超大规模刊群均在数字出版和媒体融合方面做了大量探索，并取得一定的成绩。图2媒体传播的发展1．期刊的数字出版我国科技期刊在数字出版方面侧重于期刊出版全流程的数字化以及为学科服务。目前，我国科技期刊出版流程中很多环节已经实现了数字化、融媒体发展。科技期刊数字出版的重点是采编审校、出版、学术传播和知识服务等环节。在出版方面，我国很多科技期刊除出版整期外，还做优先出版、预出版，也有期刊支持已经提交预印本库的文章，还有期刊平台支持连续文章出版。相当数量的科技期刊实现了xml制作、html展示、全媒体出版，并实现一次制作多元，还支持读者针对文章内容、图、表等进行交流和评论，甚至记笔记、翻译和分享。我国有100多家期刊加入双语出版，使得中文期刊的文章被翻译后得以在海外传播。也有期刊打造多媒体栏目，有的视频，通过多媒体的方式为读者直观地呈现原始的研究成果和重大发现。在学术传播方面，期刊也是百花齐放。有的通过论文改编或者写文章评论的方式在其他平台进行学术推广；有的充分利用各种数据库、社交平台、学术传播平台、学术媒体进行学术传播，例如《中国科学数据》的平台可以直接对接ResearchGate传播期刊论文；有的开通微信、微博、博客等进行学术社交；有的做精准推送；有的增加在线的微视频、音频等内容；有的充分利用新媒体领域的短视频平台，如今日头条、九州云播等开展专业领域的学术推广活动。在知识服务方面充分发挥学科特色，如将研究区域嵌入地图，进行线上线下推送相关专业信息、科普信息等；或者充分利用淘宝、抖音、快手等平台展示专业内容或科普内容。2．期刊集群的数字出版期刊集群侧重为所属期刊提供各种单刊不易实现的服务，降低刊均成本。例如，学科刊群比单个期刊容易整合更多学科资源，为本学科提供更丰富的服务，并且还能为所属期刊提供多种出版服务，进行整体学术推广，相比单刊有更大的学术影响力。近些年有众多声音指出，我国科技期刊很难与国际大出版商同台竞争的原因是我国期刊小散弱，因此呼吁我国期刊规模化发展和集群化发展。这些年也确实形成了一系列的期刊集群，并逐年扩大，如中华医学会医学期刊集群、科学出版社期刊群、高等教育出版社期刊集群、清华大学出版社期刊群、浙江大学出版社期刊群、中国光学期刊群、中国地理资源期刊集群等。这些期刊群均建设了自己的网站，并获得了一定的资金支持。在资源整合方面，如中国材料期刊网实现了期刊资源的集成，除此之外还整合了图书、专利、专家、会议等学科资源，并增加了虚拟专辑、会议系统等。中国煤炭网有期刊库、专题库、专家库、视频库以及煤炭视听板块（专家报告、特别访谈、煤炭科普、会议活动等），整合了行业资源。在平台建设方面，清华大学出版社期刊集群平台实现了预出版、OA出版等，还制定TUP-JATS的xml标准。浙江大学出版社期刊中心实现了全流程的数字化期刊集群平台建设，平台集投审稿、内容、运营推广、读者服务于一体，打通底层数据，实现多终端访问。中华医学会建设CAMJATS标准，采用统一的标准处理期刊相关数据，曾中标国家数字复合出版工程的试点单位和示范单位，并升级采编平台以及出版平台，进一步进行资源整合，实现采、编、审、排、加工、多形态、富媒体出版、移动出版、质量管理、新媒体学术推广、期刊销售、会议服务等一体化、现代化的出版和服务体系。高等教育出版社实现采编、运营管理、数字化生产、数字化平台建设、市场营销与海外合作的体系化发展。在学术推广方面，国内的期刊集群化平台常对接一些学术评价和学术推广平台，例如Almetric、TrendMD、Kudos、PubMed、CSCD、百度学术等。在知识服务方面，国内的学科期刊集群通常整合该学科的各种学术资源，为该学科研究人员提供知识服务，或者为期刊、编辑等提供行业服务。例如中国激光杂志社提供协同会议系统、DOI注册、编辑加工等行业服务，该集群通过举办会议聚拢专家资源和学术资源，同时也为光学领域提供服务［4］。3．超大期刊集群的数字出版国内的超大期刊集群，有知网、万方、维普、龙源、超星等，特点是能更好地利用大数据资源和技术为期刊出版的上游、期刊出版环节以及期刊出版的下游提供服务。下面以知网为例叙述超大期刊群的数字出版。知网整合了我国95%以上的中文学术资源，拥有我国最大最全的中文学术资源库，也拥有我国最广最全的读者群。知网在期刊上游环节，为作者以及研究人员提供的服务有：如何查资料、如何申请课题、怎么做实验、怎么做科研等信息；读者可通过中国知网、CNKISCHOLAR、全球学术快报、CNKI知识元搜索（碎片化地搜索图、表、概念、数字……）等检索学术论文、基金、碎片化资源、全媒体资源等；可以通过庞大的学者成果库、学者圈子等获取专家信息，进行学术社交；可以通过研究型学习平台获取或者管理自己关注的学术资源；可以通过大数据研究平台利用统计数据获取学术热点等信息。在期刊全流程出版环节，编辑可以利用选题策划、学术热点、期刊按需出版中的用户分析等模块进行选题策划，利用采编排发一体化出版系统（包括学术不端检测、文章创新性检测、
人工智能赋能教育概念范文3
关键词：大学计算机；素质教育；计算文化；计算科学；计算思维
从教育学意义上讲，素质主要指人在先天生理的基础上，在后天通过环境影响和教育培训所获得的内在的、相对稳定的、长期发挥作用的身心特征及其基本品质（Character）。古人对素质的重要性早就有论述：“有出格见地，方有千古品格；有千古品格，方有超方学问；有超方学问，方有盖世文章。”[1]当前，大学生素质教育的具体内涵就是要培养学生高尚坚定的人格、理性辩证的思维以及对科学精神的追求。为此，大学的通识教育应注重传递科学精神和人文精神，体现不同文化和不同学科的思维方式和魅力。相应地，大学计算机素质教育的基本要素就是传承计算文化、弘扬计算科学和培养计算思维。
一、传承计算文化
计算文化（Computational Culture）就是计算的思想、方法、观点等的演变史。它通过计算和计算机科学教育及其发展过程中典型的人物与事迹，体现了计算对促进人类社会文明进步和科技发展的作用以及它与各种文化的关系。
通过计算文化的教育，可以让高校学生了解计算科学与人类社会发展的关系，为学生展现计算之美，从而使学生对计算科学产生兴趣。
1.对计算文化的理解要建立在对计算本质的认识上
计算文化是指“计算”这个学科所蕴涵的文化，我们理解计算文化首先要对计算的本质有清晰的认识。人类对计算本质的认识经历了三个阶段。
第一个阶段是计算手段器械化。计算手段的器械化是“计算”学科的基本属性。在古代，人类社会最早使用手指、结绳、算筹等方式进行计算。公元11世纪中国人发明了算盘（Abacus）。1275年西班牙的R. Lullus发明了旋转玩具，可以将初始符号串通过机械变换得到另一个所希望的字符串。1614年法国的B. Pascal受钟表齿轮传动装置的影响，制造了能够进行加法和减法运算的“加法机”。1673年德国人G. W. Leibniz设计制造了能够进行加、减、乘、除的计算轮（Calculating Wheel），为手摇计算机的发展奠定了理论基础。到了19世纪30年代，英国人C. Babbage设计了能用于计算对数、三角函数等的分析机。以上这些计算工具的特点都是机械式的，无法实现自动计算。到了20世纪，美国人V. Bush研制了能求解微分方程的电子模拟计算机；20世纪40年代，德国人K. Zuse和美国人H. Aiken研制了用继电器作为部件的二进制机电式程序控制计算机；到了20世纪四五十年代，美国研制了所谓第一代电子管数字计算机ENIAC和EDVAC。
第二个阶段是计算描述形式化。人类对计算本质的真正认识，取决于对计算过程的形式化描述。形式化方法和理论研究起源于数学的基础研究。首先Russell发现了Cantor集合论的逻辑矛盾，即“罗素悖论”；接着，Hilbert提出了形式逻辑系统的完备性，即Hilbert纲领。但G?del指出了形式系统的不完备性，Hilbert纲领的失败启发了后人应避免花费大量精力去证明那些不能判定的问题，而应把精力集中于解决问题的“可计算求解性”。在Hilbert纲领失败的启发下，图灵从计算一个数的一般过程入手，将可计算性与机械程序和形式化系统的概念统一起来，从而真正开始了对计算本质的研究。图灵计算就是计算者（人或机器）对一条两端可以无限延长的纸带上的0和1符号执行操作，一步一步地改变纸带上的0或1值，经过有限步骤最终得到一个满足预先要求的符号变换。在研究问题的可计算性时，图灵是从一种简单的数学机器出发来研究计算概念的，通过引入机器状态，使用了本质上具有指令特点的程序运算操作。这种数学机器虽不是一台具有现代意义上的计算机，但它却是一种操作十分简单且运算能力很强的计算装置，它就是著名的图灵机。
第三个阶段是计算过程自动化。当计算机执行的过程能实现自动化时，它才能真正发挥强大无比的计算能力。冯・诺依曼提出了存储程序的概念，将机器所执行操作的步骤（即所谓程序）和操作对象（即数据）一样都存入计算机的存储器中，这是一个很大的进步，在计算机发展历史上具有革命性的意义。一旦有了存储程序的概念，运算对象（数据）和运算指挥者（指令）都一视同仁地存放于存储器中，通过程序计数器，机器就可自动连续运行，无需操作员干预，从而实现了计算过程的全部自动化。
2.计算机发展的历史是计算文化的生动载体
在计算机发展的历程中，出现了一些对计算机发展具有重大意义的事件及人物[2]，对计算学科的发展产生了深远的影响。例如，计算理论的奠基者阿兰・图灵，为计算机科学做出了重大贡献。ACM专门设立了图灵奖来纪念这位卓越的科学家，图灵奖已经成为计算机科学界的诺贝尔奖。又如，提出了“存储程序式电子数字计算机”概念的冯・诺依曼，被誉为“计算机之父”。现在各种各样的计算机仍然采用他提出的体系结构，从而又被统称为“冯・诺依曼计算机”。
这样的人物还有很多，他们的事迹是计算文化的生动载体，从中我们可以得到很多启示。例如，不少计算机科学家都很喜欢甚至痴迷物理，和诺贝尔物理学家私交甚深，也有很多计算机科学家似乎对生物学普遍感兴趣，认为计算机智能的下一个大进展将来自于生物学；重视学科交叉是计算机科学家取得很多创新性成果的重要因素。又如，科学研究同时也是冒险之旅，科学家要取得成就必须要有牺牲精神，著名结构大师D. Lenat在做项目研究时曾说过：“作为研究人员，我们其实就是在拿自己生命中的三十年进行赌博。”这些启示对于有志于从事科学研究的大学生都是很重要的。
二、弘扬计算科学
从计算的视角，计算科学（Computational Science）是一种研究数学建模、定量分析以及利用计算机来分析解决问题的研究领域；从计算机的视角，计算科学（Computing Science）是一种利用高性能计算能力预测和了解现实世界物质运动或复杂现象演化规律的研究领域。
随着时代的发展和技术的进步，人们对计算科学的概念有了更深一步的认识和理解。
1.伟大的计算原理（Great Principles of Computing）[3]
P. J. Denning曾指出：计算不仅仅是一门人工的科学，还是一种自然的科学。计算不是“围绕计算机研究现象”，而是研究自然的（Natural）和人工的（Artificial）信息处理，计算机是工具，而计算是原理。
一个领域的原理（Principle）实际上就是讲述一组交织在一起的有关该领域中的诸元素（术语）的结构（Structure）和表现方式（Behavior）的故事。而P. J. Denning将计算原理描述为运行（Mechanics）原理和设计（Design）原理：前者指计算的结构和行为运转方式，后者指对系统和程序等进行规划和组织等。他着重研究了运行原理，将其归纳为要素：（1）计算。关注点是什么能计算，什么不能计算；其核心概念就是可计算性与计算复杂性理论等。（2）抽象。关注点是对计算问题的归约、转换及建模；其核心概念是概念模型与形式化模型，抽象层次，归约、分解与转换等。（3）自动化。关注点是信息处理算法与智能化；其核心概念是算法设计，迭代与递归，人工智能与群体智能等。（4）设计。关注点是可靠和可信系统的构建；其核心概念是模型、抽象、模块化，一致性和完备性，安全可靠等。（5）通信。关注点是不同场点间信息可靠移动；其核心概念是编码、传输，接收与发送，通信协议等。（6）协同。关注点是多个计算间步调一致；其核心概念是并发、同步、死锁、仲裁等。（7）存储。关注点是信息的表示、存储和恢复；其核心概念是存储体系、绑定、命名、检索等。（8）评估。关注点是计算系统的性能与可靠性评价；其核心概念是模型、模拟方法、基准测试程序等。
2.计算透镜（Computational Lens）[4]
R. M. Karp在计算透镜一文中提出：（1）很多自然的、工程的和社会的系统中的过程（Processes）自然而然是计算的（Computational），计算就是执行信息的变换。（2）很多不同的学科领域（物理学，社会学等），传统的研究过程（或处理）都是基于物质变换和能量变换，但它们也可自然地视为计算，就此意义上讲，这些过程（或处理）动态地执行以数字或数据表示的信息变换。（3）通过计算透镜，我们可以根据计算要求和变换信息的方式来看待自然的或工程的系统。这些允许我们运用计算机科学的概念产生新的理解和新的思维方式，而计算可作为通用的思维方式。
化学家H. Davy曾指出：没有什么比应用工具更有助于知识的发展。在不同的历史时期，人们取得的业绩与其说是天赋智能所致，倒不如说是他们拥有的工具特征和软资源不同所致。如今，计算科学已经成为各个学科研究中不可或缺的理论方法与技术手段。计算科学、理论科学和实验科学并列成为科学发现三大支柱。美国PITAC（总统信息技术咨询委员会）报告认为[5]：21世纪科学上最重要的、经济上最有前途的前沿研究都有可能利用先进的计算技术和计算科学而得以解决。所以弘扬计算科学，应该成为我国高校学科教育的重要组成部分。
三、培养计算思维
计算思维是运用计算的基础概念求解问题、设计系统和理解人类行为的一种方法[6]。计算思维是一种解析（Analytical）思维，它共用了数学思维、工程思维和科学思维。计算思维的两个核心概念是抽象（Abstract）和自动化（Automation）。计算是抽象的自动执行，自动化隐含着需要某类计算机去解释抽象。
培养创新人才的一个重要内容就是要潜移默化地培养他们的计算思维。无论哪个学科，具有突出的计算思维能力都将成为新时期拔尖创新人才不可或缺的素质。高校应该旗帜鲜明地把培养具有计算思维能力的高级人才的作为一项重要的长期任务[7]。
1.计算思维在美国
计算思维的提出与2005年6月美国PITAC（总统信息技术咨询委员会）致美国总统报告《计算科学：确保美国竞争力》有关。为了落实PITAC报告，美国NSF组织召开了一系列会议，选择了以计算思维为突破口的行动方案，启动了两个重大的国家科学基金计划：一个是2007年启动的CPATH计划，另一个是2008年启动的CDI计划。
CPATH计划针对的是以计算思维为核心的大学计算机教育改革，目标是促进造就具有基本计算思维能力的、在全球有竞争力的美国劳动大军，确保美国在全球创新企业的领导地位。CDI计划针对的则是科学研究领域方面的创新，目标是通过多学科方法，使用计算思维在计算概念、方法、模型、算法、工具与系统等方面的创新与进步，对科学与工程领域产生新理解、新模式，从而创造革命性成果。CPATH计划最初的目标是大学本科的计算机教育改革，随着计划的实施，美国人认为这种思维方式还应该向中小学延伸，为此，2011年美国NSF又启动了CE21（21世纪计算教育）计划，目的在于促进美国K-14（中小学和大学一、二年级）教师与学生计算思维能力的提升。
与中国类似，在计算思维方面，美国也召开了一系列研讨会，仅CDI计划启动前的会议就有12次。2008年5月后，美国国家研究会更是召集了来自美国科学院、工程院、医学研究院的代表对计算思维的本质进行了近两年的讨论，2010年会议的研究报告Report of a Workshop on The Scope and Nature of Computational Thinking由美国国家科学院出版发行。
2.计算思维在我国
计算思维在中国高等教育领域与科学研究领域都得到了高度重视，并在近几年的时间里得到全面推进和发展。
教育部高等学校大学计算机课程教学指导委员会最早在2010年关注到计算机计算能力培养的重要性，在两年的时间里面组织了十多次各种范围的工作会议，对计算思维的内涵以及如何将计算思维融入大学计算机课程进行了交流，逐步形成了以计算思维为切入点全面改革高校计算机基础课程的思路。2012年，教育部开展了“大学计算机课程改革项目”的立项工作，力图在理论层面上丰富和完善计算思维的内涵，在操作层面上把计算思维能力的培养体现在课程、教学和教材中，从而正式确立了高校计算机基础课程的改革方向。在教育部项目的支持和教指委的具体指导下，很多高校开展了各种形式的教学改革与实践活动。在教指委主办的三届“计算思维与大学计算机课程教学改革研讨会”上，很多高校展示了课程改革的成果，充分体现了在高校普及计算思维教育的重要性与有效性。
国家自然基金委也非常重视计算思维的研究工作，先后多次在全国各地召开专题会议，研讨、部署、推进此项工作，并对计算思维进行专题立项研究[8]。科技部在信息技术领域备选项目推荐指南中，有关基础研究的先进计算，对计算思维及其支持机理也推荐立项开展研究。在职业教育数字化教学公共服务技术研发及应用示范项目中，也支持计算思维能力培养及职教技能评测关键技术研究。
计算思维源于西方、兴于东方。我们不应将培养计算思维简单地作为口号，但是应该在学科研究、在人才培养中不遗余力地引导学生去理解、体会、落实计算思维。这不仅仅是计算机专业教育的使命，同样也是面向全体大学生的计算机基础教育的使命。
参考文献：
[1] q益. 灵峰宗论[M]. 北京：北京图书馆出版社，2005.
[2] 刘瑞挺. 计算机名校风采录[M]. 北京：中国铁道出版社，2010.
[3] P. J. Denning. Great principles of Computing [J]. Communications of the ACM， 2003， 46（11）.
[4] K. M. Karp. Understanding Science through the Computational Lens[J]. Journal of Computer Science and Technology， July 2011， 26（4）： 569-577.
[5] President's Information Technology Advisory Committee. Computational Science： Ensuring America’s Competitiveness[EB/OL].http：//nitrd.gov/pitac/reports/ 20050609_computational/computational.pdf， June 2005.
[6] J. M. Wing. Computational Thinking[J]. Communications of the ACM， 2006.
[7] 九校联盟（C9）计算机基础教学发展战略联合声明[J]. 中国大学教学，2010（9）.
人工智能赋能教育概念范文4
[关键词]未来课堂：转变：回归
[中图分类号]G434 [文献标识码]A [文章编号]1672-0008(2012)03-0017-06
人们已经深刻体验到信息技术的发展已经改变和正在改变我们的生活。美国斯坦福大学物理系教授张首晟认为，信息时代目前只是刚起步，未来还有可能迎来新的发展。而技术革命的周期也日渐缩短。同时科学技术知识体系积累的也驱使技术渗入各个领域引发更加深刻的变革。信息技术已经带给了教育更宽广的视角，网络教育也真是随着信息技术的发展而繁荣起来，课堂的多媒体化也在进行着。但是比较现有课堂和传统课堂你会发觉，其实课堂的基本形态并没有发生变化。目前大多数的研究者关注的是如何利用新的技术和方法促进课堂教学的有效性，没有人去系统地思考信息技术革命到底会使课堂形态发生怎么样的变化，而这些变化是否能够给我们一个理想的课堂教学。本文从“人”的本质开始对未来课堂教学重新进行思考，希望获得未来课堂教学理念上的转变。为未来课堂形态的转变提供基础，为技术进入课堂提供空间。
纵观未来课堂的研究，研究者们主要从技术层面对未来课堂进行探索性研究，并且很多项目是由技术公司推动的，如微软、INTER、苹果等公司。作为教育研究者是否也应该从教育发展的本身去思考未来课堂呢?正如早在1984年，美国哥伦比亚大学玛丽·怀特教授就曾说过：“作为心理学家。我必须承认关于人类学习的理论来自文字。如果电子学习具有的革命性质如我所认为的那样，我们就必须以电子学习而不是以文字学习为基础，建立一套完全新的教学理论。”我们既然承认技术正在和将要改变我们的学习和生活。那么伴随着信息技术领域不寻常的变化，教育界对课堂教学的模式、方法的理解也应该需要发生改变。那么我们的思考从哪里开始呢?教育的本质是什么，一直存在着争议。人们从不同的视角对教育本质进行探寻，也得出了不同的现代教育本质观，各种教育本质观虽有不同表述，但是唯一脱离不开的就是人的要素。人是教育的核心概念，教育是人影响人的过程。所有的教育都离不开人，那么我们思考未来课堂的研究取向思考就从理解“人”的本质开始。
一、从理解“人”的本质开始思考
“人”是社会关系的总和，这是对人的认识，他从人类的社会、历史的宏观层面来揭示人的本质。人的社会性作为人的“类”的属性被哲学和社会学领域所接受，这个马克思关于人的基本结论，在这个基本原则的前提下，他构建了他的整个政治的、经济的、历史的思想体系。同样如果我们认可人的社会性，我们的未来课堂研究也将回归社会性的研究，凸显教育的社会性本质。
作为个体层面的人的定义，从生物学的解释：人(拉丁文学名Homo sapiens)是地球生态系统中的一种普通动物，是生物进化的结果。我们不想仅仅从生物学角度去看教育的对象。对于“人”的认识经历从猜测到科学。从简单到复杂。从低级到高级的过程，我们对“人”的概念也将越来越清晰，美国纽约大学神经科学家Joseph LeDoux在他一本新书的开头这样写道“你就是你的突触”。从脑与认知的角度去思考人的本质。那到底什么是“人”我们可以从心理学领域对“人”认识的历史发展角度去寻求教育对象的“人”的定义。我们可以认为这是从微观层面去揭示人的本质，也就是揭示个体存在层面了解人。当然我们的未来课堂研究也将直面人的回归。
通过对人本质的思考，我们可以尝试提出未来课堂研究的两个转变：社会性的回归与人的回归。并通过历史和理论的追述来证实这两个转变的发生。
二、未来课堂研究“社会性的回归”
我们提出课堂研究“社会性的回归”，那么人的社会性就要体现在：人在课堂教学中所处的社会位置。通常在教育发展的历史中课堂教学过程中“主体”的争论一直存在，世界目前流行的教学模式以“主体”划分大致有三种：一种是传统的以教师为中心的教学模式(简称为“教师中心模式”)；另一种是基于建构主义的以学生为中心的教学模式(简称为“学生中心模式”)：还有一种就是既发挥教师主导作用又充分体现学生认知主体作用的教学模式，我们称之为“教师学生双主教学模式”(简称“双主模式”)。
(一)对三种主体中心论的教学模式的思考
传统的以教师为中心的教学模式在班级教学出现时就初现端倪，古罗马教育家昆体良曾说：“教师的声音不像宴会上的食物而像太阳，分享食物的人愈多，每一个人得到的份额就愈少，而太阳的光辉却给予所有的人以同等份额的光和热…”。体现了教师在课堂教学中的“中心”地位。“传递——接受”教学理论和“刺激——反应”的行为主义学习理论的确立了教师为中心的教学模式，并长期的占据我们的课堂教学。教师为中心的教学模式让我们想起了“教师是人类灵魂的工程师”这个教育隐喻。反映的是一种近代大工业化的生产方式——学校是一个“加工厂”，教师是“工程师”，学生是堆没有生命、任人摆布、有待加工的“原材料”，教育活动是教师根据一张事先设计好的蓝图或图纸来组织、实施的一种生产过程，以大批量塑和生产出社会需要的“产品”。剥夺了学生在教育过程中的作为主体地位和应有的权利。
以学生为中心的教学模式，是随着认知科学的产生和发展。在批判行为主义学习理论的过程中。发展起来的建构主义学习理论和教学理论提出的。在这种模式中，学生是建构知识意义的主动者，教师是教学过程的组织者、指导者、意义建构的帮助者、促进者。这种教学模式确立了学生的“主体性”，强调的学习是个人对自身以外的客观世界的认识和改造。只是把教育活动理解为一种“孤立的鲁滨逊对无声客体的改造活动”，这对于处在身心发展阶段的学生而言过于残酷。发挥学生的主体性往往因为学生的认知水平和经验水平无法实现。
双主的教学模式则介于上述两种模式之间，何克抗教授在奥苏贝尔“有意义学习理论”、“动机理论”、“先行组织者”教学策略及建构主义学习理论指导下提出的以学生为主体、教师为主导相结合的新型教学系统设计模式。它不是完全以教师为中心。也不完全是以学生为中心。而是既发挥教师的主导作用又充分体现学生的认识主体作用，即把“教师中心”和“学生中心”两种模式的长处吸收过来，避免它们的消极因素：教师在起主导作用的时候。处于中心地位。学生处于传递一接受学习状态，但更多的时候，学生是在教师帮助下进行主动思考与探索。双主模式试图避免以上两种模式的不足，在教学过程中改变“教师”与“学生”在不同阶段地位，也就是“主体-客体”相互转换，或者试图使用“双主体”的概念。但是“主体”的单一性。也就是对其他主体的排斥，人的主体地位是不可分享的，使双主体的概念也受到质疑。
三种主体中心论的教学模式的从根本上说是来源于传统“主体-客体”社会实践观，传统“主体-客体”社会实践观的缺陷在于忽略了人不仅仅是一个自我的存在，同时也是一个社会性的存在。忽视了人与人之间的交互以及它在认知和实践活动中的重要作用。由于只是从主客体关系的角度来认识、理解人的主体性和社会实践活动，致使社会实践活动仅仅成为了一种“主体一客体”之间的相互作用，并把这种对待“物的世界”的眼光和思维方式不恰当地迁移、扩大到“人的世界”。造成了“人的世界”的殖民化。应该说。传统的“主体-客体”社会实践观在认识和处理人与自然、人与物的关系时是行之有效的，但在处理人与之间的关系时，就遇到了“他人不是客体的困境”。因此，在“人构的世界”中，我们必须用人的方式来认识和把握，重构其中各元素的相互关系。在以“人的世界”为对象的社会实践活动领域中，人的社会实践活动主要是一种交往实践，以此来规范和调节人与人、人与社会之间的关系。表征的是人与人之间的主体际交往实践关系。人与人在社会实践活动中使知识获得传承和发展。在这个问题的思考中。我们是否可以认为社会性是人的教育活动的基本特征，也就是教学过程中社会性的回归。
(二)“社会性回归”的历史渊源
就人的本质而言，马克思认为“人的本质不是单个人所固有的抽象物。在其现实性上。它是一切社会关系的总和。”那么作为社会关系总和的人在教育活动中就必然无法脱离“社会性”。马克思在《1844年经济学——哲学手稿》、《德意志意识形态》等早期著作中，论述了社会交往与物质生产之间的关系。认为人类的生产“是以个人彼此之间的交往为前提的”。而交往形式又“是由生产决定的”。通过人与人之间的交往，人们以一定方式结合起来共同劳作并相互交换其活动：而交往本身亦成为人的需要和能力的源泉。促成生产者在社会分工基础上的合作，各生产者之间内在结合力的形成和增强正是在交往活动中实现的。社会学、人类学和社会心理学等不同领域都已经证实。我们是完全的社会个体，即使那些喜欢花费大量时间独处的人也不例外。“我们是强烈的社会性物种，为了我们每一个人的生存，我们必须深深地相互依赖。”[高普林克(Gopnik)、麦特索福(Meltsoff)和库尔(Kuhl)，1999]。既然人的社会性是如此的毋庸置疑，社会性的交互对学习又是如此重要，那么作为课堂教学这一人类传承知识创造知识的实践活动，其社会性的回归就应该成为必然。我们可以理解人的学习必然是在社会交往实践中发生。
其实对于学习社会性的关注在教育研究者中也是很早受到关注和思考。杜威对于“学校即社会”的认识。基于“教育即生活经历，而学校即社会生活的一种形式”，他认为，学校并不是专门去学习知识或技能的一个场所，而是一个社会组织：学校教育是一种人与人交往互动的社会活动。这种社会活动可以扩大并启迪经验。刺激并丰富想象。对言论和思想的正确性和丰富性担负责任。1977年。美国心理学家阿尔伯特·班杜拉(Albert·Bandura)提出了关注社会性的学习理论。探讨个人的认知、行为与环境因素三者及其交互作用对人类行为的影响。按照班杜拉的观点，以往的学习理论家一般都忽视了社会变量对人类行为的制约作用。苏联教育心理学家维果斯基的发展观与教育：强调社会文化对心理发展以及社会交互对认知发展的重要性。维果斯基对于心理学思想的主要贡献之一，是强调有社会性意义的活动对人类意识的影响的重要性(Kozulin，1986&Winterhoff，1993)。维果斯基认为。社会环境对学习有关键性的作用。认为社会因素与个人因素的整合促成了学习。社会行为是一种能够帮助解释意识变化的现象。并能建立起一种使行为与思想相统一的心理(Kozulin，1986＆Wedsch，1985)。
在近20年教学研究一个重要的哲学上的转变就是强调学习是发生在团体的社会交互情景下的。这里蕴含着这样一个知识观，那就是认为知识是内含在团队或共同体中的，通过个人与社会之间表现为互动、中介、转化等张力形式构建一个完整的、发展的知识观。继而实践共同体作为一种理论提出，学习不只是获得新技能的过程，也是一种一群人分享共同习惯的社会轨迹(Lave＆Wenger 1991；Wenger.1998)，Cook和Brown(1999)认为。群体知识应该与各体知识相结合。我们认为，作为未来课堂教学中也可以认为这种转变导致教学研究社会性回归。
三、未来课堂研究“人的回归”
美国教育哲学家乔治·F·奈勒对教育活动进行了这样的描述：“我们的儿童像羊群一样被赶进教育工厂，在那里无视他们的独特个性，而把他们按同一个模式加工和塑造。我们的教师们被迫，或自认为是被迫去按别人给我们规定好的路线去教学。这种教育制度既使学生异化了，也使教师异化了。”造成这种结果的根本原因。在于我们忽略了教育对象是“人”。也是对“人”理解的迷失。对人的认识是一个发展的过程。我们可以从心理学和神经科学的视角去追述对“人”的认识，使未来课堂教学能真正实现“人的回归”。
(一)对“人”的认识的历史发展
在人类发展的漫长时期，对人的认识也在发生变化，包括哲学上的思考，科学上的探索。我们按照时间的顺序把对人的认识分为如下几个阶段。
1.前科学时期
前科学时期也就是科学心理学诞生之前，影响深远的对人性思考来自于亚里士多德，亚里士多德对于人的本性、器官与功能的关系、身体与构成他称为psuche的各种不同能力之间的关系做了阐述，亚里多德的创新在于将psuche与一切有机体紧密相连，作为体现在每一生物体中的生命本原。亚里士多德没有将psuche(灵魂)视作独立于身体的实体，是视作生物体的各种能力，将心灵(被理解为理智)视作灵魂的一部分(与身相分离的不朽部分)。笛卡尔认为心灵是灵魂的全部。人本质上是一种rescogkans (拉丁文。义为“思维实体”或“思维存在”)。一种思的存在物——笛卡尔扩展了“思维”和“思”的概念，引申出了“我思故我在”。亚里士多德的psuehe的概念与17世纪取代之的笛卡尔的“心灵”的概念，在某种意义上构成了两种有本质区别的思考人类本性的方式，这两种方式始终体现在心理学和神经科学的反思之中。
2.科学心理学诞生时期
在19世纪末以前。心理一直是哲学和神学的研究领地。可以说。1879年威廉·冯特(wiIhelm Wundt)实验室在莱比锡的建立，是人们试图通过科学的方法系研究人类心理的开端。同时也标志着科学心理学的诞生。为了使心理学成为一门独立科学或成为一门什么样独立科学。冯特引入了身心平行论来解决这一问题。按照冯特的说法。这一理论是个基本的心理学假说，是心理学赖以“前进”的依据。典型的身心平行论观点，如G.w.莱布尼茨认为灵魂和肉体就像上帝造的两架十分精确的钟表一样。它们都按自身的规律而又与对方相一致地运行着。但这种一致既不是由于两者在相互作用，也不是由于上帝的随时调整。而是来自上帝的前定和谐。可以这样认为，身心平行论者把对人的认识分裂成不相关的两部分：肉体和灵魂。
3.行为主义的心理学时期
在基于经典条件反射实验发展起来的行为主义心理学，作为一个新的心理学学派在20世纪诞生。行为主义者把学习的概念定义为一个在刺激反应问建立联结的过程。学习的动力被认为主要由内驱力(如饥饿)和外部力量(如奖励和惩罚)来驱使的(例如，Thorndike，1913；Skinner，1950)。约翰·华生宣称：给我一打健全的婴儿，只要给予合适的条件我就可以把他们变成医生、律师、艺术家、企业家，乃至乞丐和小偷。而不用考虑他们的天赋和倾向、能力、祖先的职业和种族。明确指出了人类的自然属性没有任何差异。个体差异来源于他所受到的不同教育与待遇。行为主义者甚至认为老鼠和人类根本没有区别，只不过相较于老鼠人类生活在刺激更加丰富的环境中罢了。正因为如此，行为主义者用研究动物学习行为的实验来研究人类的学习，并且发展出自己的学习理论。行为主义对“人”的认识沉迷于“科学”的理念，直接否定了人性的存在，认为人就是一个生物的存在。
4.第一代认知科学时期
直到20世纪50年代末，新的研究方法和工具的使用，使科学家有可能对人的心理功能进行严肃的研究。并提出了认知的信息加工理论，形成了挑战行为主义学习观的新的学习理论。随着对行为主义反思的增强。从20世纪60年代起，质性研究和案例研究重新受到关注。社会科学也开始摆脱行为主义价值观的束缚，研究者开始把教育研究的对象从“动物性”的人向具有社会性的人和具有心智的人转变。从而出现了“第一代认知科学”。在第一代认知科学看来。基于计算隐喻，心智被认为是按某种程序(算法)对符号进行的操作(计算)。第一代认知科学的任务就是去为各种心智活动构建各种算法和程序——如果能够顺利实现的话。课中信息加工的理论或模型被提出来用于描述心智认知的过程。第一代认知科学对“人”的认识就是用“科学”工具方法研究心理功能，最终把人归结为智能的机器。但是，这种基于计算隐喻的认知科学研究遇到了无法解决的困难，如布鲁克斯说，“没有人再谈论复制完整的人类智能了”。
5.第二代认知科学时期
作为认知心理学创始人之一的奈瑟和作为认知的信息加工理论主要倡导者的西蒙，分别在20世纪70年代后期和八十年代后期都对认知心理学的信息加工模型进行了深刻地反思。提出认知心理学应该做出更加现实主义的转变。主张以生态学的方法取代信息加工的方法。强调研究自然情境中的认知，更多地关注环境对于智能的影响。进入90年代后，研究情境认知和情境学习以及情境化人工智能的热潮已在认知科学领域出现。这表明认知科学家更多地关注社会、历史、文化等外部因素对智能系统内部复杂的信息加工和符号处理的影响。而随之出现的第二代认知科学在基本立场就抛弃计算隐喻，第二代认知科学将认知主体的“人”视为自然的、生物的、活动于日常环境中的适应性的主体，认知就发生于这样的状况中。”第二代认知科学倡导的认知观念是：认知是具身的(embodied)、情境的(situated)、发展的(de-velopmental)和动力学的(dynamic)。”真正把对人的认识从“人工智能”向“人的心智”转变。心智的具身性是第二代认知科学的核心特征，也是拉考夫和约翰森所总结的上世纪认知心理学和认知语言学研究所获得的三大成果之一。心智的具身性意指：心智有赖于身体之生理的、神经的结构和活动形式。
(二)新的学习科学诞生。使对人的认识进入一个新的发展时期
经济合作与发展组织关于“学习科学与脑科学研究”项目(1999-2007)的实施，就是运用认知神经科学的研究成果来进一步深化我们对学习的理解，为教育实践提供一种新的分析视角。其研究成果《理解脑：走向新的学习科学》、《理解脑：新的学习科学诞生》也预示着新的学习科学——教育神经学的出现。为后人的教育研究提供帮助。作为新的学科领域出现的另一个标志就是相关研究机构的出现。2007年。美国哈佛大学心理学系教授菲舍尔及其合作者在国际“心理、脑和教育”学会(International Mind，Brain.Education Society)的会刊《心理、脑、教育》创刊之文章中，开宗明义说道：“整合各个学科来探讨人类学习与发展的问题；凝聚教育、生理学和认知科学的力量。来形成一个新的研究领域——心理、脑与教育”。同年，英国剑桥大学神经科学中心的斯祖克斯博士和格斯瓦米教授则试图来界定这一学科：“教育神经科学是一门运用认知神经科学方法和行为方法来研究心理表征发展的学科：在此。心理表征就是以电化学活动形式来编码信息的大脑神经网络的活动”。
探究人的认知与学习关系的认知科学新的研究领域——教育神经学的出现，促进了关于“人”的教育研究发展。总体来说，最重要的发展是对如下事实的承认，即需要把人作为一个完全的生命系统来看待，一个人的各个方面都深深地与其他每一个方面呈网络连接。如，达玛西欧(Damasio)在其1994年出版的《笛卡儿的谬误》一书中这样写道：人脑和身体的其他部分构成了一个不可分离的有机体：有机体作为一个整体与环境互动：互动既不是仅涉及身体，也不是仅涉及大脑。这意味着，学习与行为的所有方面都在彼此互动着。底线就是大脑、思维和身体构成了一个动态的统一体。达玛西欧提出把人的情绪加入到理性决策中，展现了一个活生生的“人”。
教育神经学把心智理解为深植于人的身体结构及身体与世界环境的相互作用之中，把情绪与理智孕育于人脑与身体之中。这也就是我所理解的把教育回归一个完整的“人”，我们可以认为这个时期我们的课堂将在新的学习科学理念中实现“人的回归”。
四、两个回归带给未来课堂研究的转变
通过两个维度的观念追溯我们可以看出，未来课堂研究应该从“社会性回归”向“人的回归”的转变。这也拓宽了课堂研究的视野和方法。社会学和教育神经学视角和方法的引入。为未来课堂形态的架构和未来课堂研究的架构都将带来巨大的改变。也将改变课堂传授知识的基本功能，笔者认为，未来课堂功能将是不同差异的学习个体创造、分享和理解知识的场所。需要打破这样一个悖论：儿童刚进入学校学习时。拥有与生俱来的创造力。但当他们毕业时却很少还保持着创造力。英国研究者肯-罗宾逊对1600名3-5岁的儿童进行研究。同样证实了这一结论。他对这些儿童的差异思考能力展开了测试，98％的儿童得分都非常高。10年后，他对这些人进行了同样的测试。结果只有10％的人保持着从前的差异思考水平。
我们可以在未来课堂研究的中关注体现社会性的交互如何构建，这里包括师生交互、生生交互、人与环境交互、人与资源交互，无线技术、屏显示技术、网络技术使我们的课堂形式更加自由交互更加便利。如图1所示的多屏显示课堂学习空间的设计图，就是一个这样的课堂形式，在这种课堂环境下更有利于体现个体学习环境构建，更有利于社会互的形成，自由的组合、自由的交互、自由的展现，使学习个体的创造力、不同群体的创造活动都能有效体现。在这样的环境下，我们研究的视角要更宽泛，沿着“人的回归”和“社会性回归”两个大方向，我们的研究转变的重点应该是如下两点。
(一)要关注“人”与其学习环境的整体研究
人的学习是通过其所在的环境中发生的，所以我们认为。研究个体的课堂学习应该拓展到研究“人”与其学习环境的整体研究，这样把研究视角进一步拓宽，如图2所示。
人的学习环境圈。展现了一个技术构建的学习环境。技术带来了学习者学习环境的巨大变化，使学习者在课堂环境中获得的资源更加丰富，也带来更丰富的学习体验：(1)交互技术提升了学习者和学伴的关系紧密度和扩展了学伴的范围：(2)硬件技术的发展为学生提供良好交互界面的可移动终端；(3)软件技术发展使课堂应用更加丰富；(4)云技术的课堂引入为学习者的瘦终端提供丰富的资源支持：(5)网络的发展特别是无线网络技术的发展为课堂形式更加灵活，小组活动开展更加便利：(6)以智能技术为基础的课堂便利设施的使课堂更人性化。无论是座椅还是灯光等都能是学习者更舒适；(7)远程交互视频技术使学习者的学习社会网络得以扩展，社会网络资源能实时的进入学习环节。
所有的这些由技术构建的学习环境因素，都可以成为人的学习的研究范畴，对人的学习研究由此可以从人本身扩展到影响人学习的环境。因为技术构建了更为丰富的学习环境。
(二)要关注学习共同体的社会性研究
近年在教育研究和发展中呈现出两个主流趋向，其中之一就是哲学性的改变——强调学习存在于社会组织的交互活动中。所以，我们研究课堂学习必然要关注社会性，作为课堂学习社会性体现。主要是关注学习共同体的形成。以及学习共同体的社会性研究。如图3所示。从个体意识到形成群体意识的过程需要经历四个阶段。这也是学习共同体形成的四个子过程。
1.交互过程
交互是从个体意识到群体意识的第一步，也就是在学习共同体形成的第一步，以信息技术为基础的电子交互使在课堂环境下得交互形式趋向多样化。
2.参与过程
无线技术使个体参与群体活动无论从空间布局形式还距离都具有了多种选择，使参与更便利，只要你认同群体的共同约定可以参与群体活动。
3.会话过程
课堂位置的任意组合方式和无线网络构建的电子沟通方式使群体的会话界面更加友好，打破了沟通距离的通常限制(如亲密距离：一般在45cm以内、私人距离：在45-75cm之间、社交距离：在75-210cm、公众距离：在210cm之外)。
4.形成亲和力的过程
通过参与和会话群体认同的相同的规则和约定。使学习群体形成了内在的亲和力，这种亲和力使群体形成共同意识。技术构建的环境外延使群体变成学习个体的社会网络资本，促进学习共同体形成。
未来课堂技术所支持的环境更加丰富了学习共同体形成的过程，而这些过程所出现的变化也拓展了研究者们的视野。学习共同体的形成机制和它的社会性。将可能成为课堂研究的重要部分。
人工智能赋能教育概念范文5
关键词：心理效应；心理学；高等教育教学；计算机教学
中图分类号：G642 文献标识码：A
文章编号：1672-5913(2007)16-0008-03
1大学生的心理特点
大学生的文化层次较高，他们的心理发展既有同龄人的一般特征，又有其自身的独特性。了解和掌握大学生的心理发展特点，高校教师可以有针对性地进行教育教学，从而提高教育教学质量，促进大学生的全面发展。
大学生的认知结构其思维方式和水平都接近思维的最高水平。大学生思维的辩证性成分增多、创造性程度提高，能够更好地调节和控制自己的思维活动。高校教师在传授知识、培养学生技能、发展其能力时必须考虑这些因素。
大学阶段是一个人人格发展和世界观、人生观形成的关键时期。大学阶段，个体主动关注自我，处于自我的探索和确立阶段，人生观和价值观尚未稳定，容易受外在因素的影响。高校教师应把握大学生的人格和社会性发展特点，采取适当的教育教学方法，同时在教育教学过程中帮助塑造其健全人格，确立正确的人生观和价值观，培养其良好的社会技能。
大学生的认知、人格和社会性发展存在着个体心理差异。了解大学生的心理差异特点，在教育教学中注意采取不同的教育教学方式，接受同一状况下学生的不同反应，从而有针对性地教学。
2将心理效应应用于高校计算机教学
心理效应是社会生活当中较常见的心理现象和规律，是某种人物或事物的行为或作用，引起其他人物或事物产生相应变化的因果反应或连锁反应。
心理效应属于思维定势心理学的范畴。定势又叫心向，它是由先前的心理活动所形成的一种准备状态，决定着同类后继心理活动的趋势。定势理论认为一定的心理活动所形成的准备状态影响或决定着同类后继的心理活动的趋势(即人的心理活动的倾向性是由预先的准备状态所决定的)。
教育教学是一门科学，更是一门艺术，一些典型的“心理效应”故事，对我们的教育教学工作很有启发和帮助，可以提高我们的教育教学效果和促进我们的教育教学能力，使教师和学生的智慧和自身价值都得到最大限度地发展。在高校计算机教学工作中体会尤深。
3首因效应
一个新闻系的毕业生到某报社找工作，对总编说：“你们需要一个编辑吗？”“不需要！”“记者呢？”“不需要！”“那么排字工人、校对呢？”“不，我们现在什么空缺也没有了。”“那么，你们一定需要这个东西。”说着他从公文包中拿出一块精致的小牌子，上面写着“额满，暂不雇佣”。总编看了片刻，微笑着点了点头，说：“如果你愿意，可以到我们广告部工作。”这个大学生通过自己制作的牌子表达了自己的机智和乐观，给总编留下了美好的“第一印象”，引起其极大的兴趣，从而为自己赢得了一份工作。
在记忆实践中，存在列在表中最前面的几个字比中间的字易于记住的倾向。这就是心理学上的“首因效应”。根据美国心理学家阿希的研究，第一印象的作用最强，持续的时间也长，比以后得到的信息对于事物整个印象产生的作用更强。人们对于事物的整个印象，一般是以第一印象为中心形成的。所以俗话说，“良好的开端是成功的一半。”
在高校计算机教学中，教师如果给学生一个良好的第一印象，不仅包括气质、修养、谈吐，而且包括老师的专业水平(操作能力、编程水平、知识架构等)，就能大大缩短师生间的距离，在学生心目中树立一个良好的形象，不仅能赢得学生的敬佩，而且能极大地激发学生的学习兴趣，从而有利于提高教学的实效性。在每堂课的教学中，把知识点准确清晰地呈现给学生，如技能课的指法、达到的速度水平；程序设计课要掌握的语法结构、例子和练习，形成“先入为主”的影响。
4 “沉锚”效应
有两家粥店，每天的顾客相差不多。然而，晚上结算的时候，左边店总是比右边店多出百十来元，天天如此。细心的人发现每有顾客进右边店时，服务小姐都微笑着迎上去，盛一碗粥，问道：“加不加鸡蛋”，有说加的，也有说不加的，各占一半。走进左边粥店，服务小姐也总微笑着迎上前，盛上一碗粥，问道：“加一个鸡蛋还是两个鸡蛋？”爱吃鸡蛋的说加两个，不爱吃的有说加一个，也有不加的。一天下来，左边这个小店总比右边那个多卖出很多个鸡蛋。这是经商法中非常经典的一个故事。左边店给顾客的思维定势是：“加”与“不加”，右边店给顾客的思维定势是：加“一个”或“两个”。显然第二种问法更有利于促销。这在思维定势心理学中称为“沉锚”效应。
“沉锚”效应是指，在人们做决策时，思维往往会被得到的第一信息所左右，第一信息会像沉入海底的锚一样把你的思维固定在某处，第一信息不同，你的决策也不同。擅用第一信息的“沉锚”效应会达到极佳的效果。
高校教师在教学中应灵活聪明地应用“沉锚”效应的积极作用，牢牢抓住学生的思维定势，达到自己的教学目的。
右店老板套牢顾客的爱面子心理，让顾客只好选择掏钱。同样道理，教师要让学生学习，必须有技巧地、慎重地发出自己的教育教学信息，要让学生感觉学习是自己的事，学习不是要不要学的问题，而是学多学少的事情，真正从“要我学”变为“我要学”。比如第一堂计算机程序设计课，可以给学生举美国微软公司总裁比尔・盖茨的例子，然后对学生提出程序设计课程的要求：你的学习目标是要成为中国的比尔・盖茨，还是仅做一个熟练的程序员，是从大目标到小目标的选择，而不是要不要好好学习程序设计课的思维定势，我想大部分同学将下意识地选择小目标。
5皮格马利翁效应
古希腊神话中有这样一则故事：塞浦路斯一位王子皮格马利翁用象牙雕刻了一位美女，雕刻时他倾注了自己的全部心血和感情，雕成后又每天捧在手中，用深情的目光注视着她，时间久了，忽然有一天这个美女竟然有了生命。受这个故事的启发，1968年，美国心理学家罗伯・罗森塔尔和雷诺尔・贾可布森进行了一项著名的实验，取得了出乎意料的效应，称为“皮格马利翁效应”。实验中，随意抽取一组一年级学生，尔后告诉这些学生的老师，这些学生经过特别的测验被鉴定为“新近开的花朵”，具有在不久的将来产生“学业冲刺”的无穷潜力。以后，师生们在各方面对他们另眼相看，老师们积极、恰当地引导，他们不知不觉受到感染，自尊心、自信心倍增，各方面分外努力。结果发现，他们果然在一段时间后取得比对照组学生高得多的智商分数。研究者解释说：这些学生的进步，主要是教师期待的结果，即这一效应就是由对教育对象的尊重、信任、热爱和对其更高的人际期待而产生的“皮格马利翁效应”。
积极的期望促使人们向好的方向发展，消极的期望则使人向坏的方向发展。
计算机课程有其枯燥深奥的一面，会让初学者产生畏惧厌烦的情绪。作为一名计算机专业教师，我经过了解，对班级学生的学习状况、特长、智力水平和性格特点大体有数，然后将他们分成几组，告诉他们我经过多方面的认真观察、了解、分析，认为他们每组分别在某门课程具有天赋，可以学得非常出色。其他同学有相关问题可以和他们探讨，他们是老师在这门课程上的助手。那么，教师的鉴定，同学的关注，他们会不知不觉自尊心和自信心倍增。而且班级中每名同学都会认真学习自己被老师鉴定的那门课程，同时在心理上还会有我为什么在别的课程上没有这种优势呢？我要试试。从而在班级中形成竞争向上的良好学习氛围。
6暗示效应
一个人会不自觉的接受暗示，并按暗示作出行为反应的心理现象叫“暗示效应”。
1985年，在美国洛杉矶举办了一场具有较大影响的足球赛，观众有数千人。比赛期间，有6人反映胃部不适，赛场服务人员通过了解情况，猜想他们是因为喝了台下出售的某种软包装饮料所致，于是立即通过广播通知大家不要再饮这种包装饮料。不料广播后，场内相继有200多人出现食物中毒症状被送往医院。经医院认真化验，该软包装饮料完全合乎卫生标准。于是通过广播宣布该饮料“无罪”。消息传开，抬进医院的200多名“患者”不治而愈，停止了中毒反应又跑回赛场继续看比赛。第一次广播是个暗示，后来为软包装饮料“”的广播又是个暗示，两个广播的暗示效应作用恰好相反，这是“暗示效应”的绝好例子。
第一堂计算机程序课上，不妨装作无意地随口对学生说听别的教师说你们大部分同学的逻辑思维能力很强，这正是程序设计所需要的，暗示他们肯定能学好这门课，并且是大部分那么谁也不想成为老师没有明说的那一小部分，学生必然会自觉不自觉地认真听课、练习，学生自身积极性调动起来了，教学效果自然就出奇地好。
7摩西奶奶效应
美国艺术家摩西奶奶，至暮年才发现自己有惊人的艺术天才，75岁开始学画，80岁举行首次个人画展。“摩西奶奶效应”告诉我们，一个人如果不去挖掘自己的潜在能力，它就会自行泯灭。
计算机课上，我是这样告诉学生的，计算机在现今的社会应用非常广泛，涉及社会生活的每一个角落。我们每一个人都是使用计算机的天才，只不过计算机有很多分支(网络、程序设计、人工智能、数据库管理等等)，每一个人擅长的分支不一样，同学们可以在学习的过程中发现自己所擅长的，然后努力成为这方面的专家。记住，不要埋没了你的计算机天赋。实际上，在学生努力去发现自己的擅长点的时候，他已经在自觉不自觉地认真学习某一门课程了，而且是认真地去学。
教师应通过多方激励学生，缩短心理距离；融洽师生关系，维护心理平衡；尊重理解学生，促进心灵沟通，为心理效应发挥作用创造肥沃的土壤。同时借助较高的人格素养魅力、高超的教育教学技巧，运用准确、鲜明和艺术的第一声音使心理效应获得成功。
8结束语
高校教师应该认真学习和研究心理效应的特点和规律，准确把握学生心理；注重心理效应在教育教学活动中的重要作用，充分发挥各种心理效应的积极作用，克服其消极影响，提高教学实效。善于灵活运用“心理效应”杠杆的教师，则更是会达到事半功倍的效果。
Psychological effect ’s application in computer teaching of higher college
Xing Hui-li1， Sheng Mei2，Wang De-cheng1
(1.Department of Medical Information, Binzhou Medical University, Yantai 264003, China; puter Science Department, Qinghai Nationalities University, Xining 810007, China)
Abstract：Psychology has important directive significancein higher education teaching. This paper proposed psychological effect’s application in higher computer teaching. It explained the psychological characteristics of academicians. It introduced several typical psychological effects by classical stories. And practical application indicated the importance of psychological effect in higher computer teaching .
Keywords：psychological effect; psychology; higher education teaching; computer teaching
参考文献：
[1] 张文新. 高等教育心理学[M]. 山东人民出版社,2004.
[2] 莫雷. 教育心理学[M]. 广东教育出版社,2002.
收稿日期：2007-06-10
人工智能赋能教育概念范文6
摘 要: 介绍了传统的基于距离的相似度计算方法，针对其在距离计算中包含语义信息不充足的现状，提出了一种改进的使用WordNet的基于概念之间边的权重的相似性度量方法。该方法综合考虑了概念在词库中所处层次的深度和密度，即概念的语义丰富程度，设计了一种通用的概念语义相似性计算方法，该方法简化了传统语义相似性算法，并解决了语义相似性计算领域的相关问题。实验结果表明，所提方法在Rubenstein数据集上与人工判断有着0.9109的相关性，与其他经典的相似性计算方法相比有着更高的准确性。
关键词: 概念相似度计算；WordNet；边权重；语义信息
中图分类号: TP393.08 文献标志码:A
Abstract: The traditional distance-based similarity calculation method was described. Concerning that the method of distance calculation does not contain sufficient semantic information, this paper proposed an improved method which used WordNet and edge weighting information between the concepts to measure the similarity. It considered the level of depth and density of concepts in corpus, i.e. the semantic richness of concept. Using this method, the authors can solve the semantic similarity calculation issues and make the calculation of similarity among concepts easy. The experimental results show that, the proposed method has a 0.9109 correlation with the benchmark data set-Rubenstein concept pairs. Compared with the classical method, the proposed method has higher accuracy.
Key words: concept similarity calculation; WordNet; edge weight; semantic information
0 引言
词与词之间的相似性研究多年来一直是自然语言处理和信息检索的一部分，是正确理解文本内容的关键，在计算机语言学和人工智能及应用中语义相似性问题都比较普遍，比如词义消歧、文档分类或聚类、词语拼写纠错、自动翻译、本体学习和信息检索等。
语义相似性是比较词语之间的匹配程度也可以理解成分类学上的接近程度，比如两个概念含有共同的父概念，那么它们的相似性就比较高。但是词语之间的互联不仅仅是这种分类上的父子关系还有很多语义上的关联，这样本文引入了语义相关性的概念，语义相关性是概念之间通过某种联系而产生关联，本文用方法识别出这种关联使这种关联能被计算理解这样就达到了使用语义信息。在概念之间进行语义相关的计算都是在已经存在并建好的知识库中进行的，比如WordNet［1］,WordNet是由普林斯顿大学认知语言实验室开发的一个词库。
在近几十年间很多语义相似性的算法被提出，这些方法主要可以分为以下几类：
1）基于距离度量的相似性算法；
2）基于信息量的相似性算法；
3）基于向量空间的相似性算法；
4）综合以上几种方法的计算方法。
文献［2］提出一种计算词之间的最短路径的算法，通过这个最短路径来衡量两个概念之间的相似性；Wu等［3］引入最小共同父概念来表示两个概念的共性的多少；Leacock等［4］提出的算法都是从路径长度以及概念的深度上考虑概念之间的相似性；Li等［5］则以非线性函数的形式对最短路径和最小共同父概念组合进行计算；Al-Mubaid等［6］提出了一种结合最短路径长度和最小上层父概念深度的基于簇的方法，它为每一个层次上分支结构到根节点的部分定义一个簇，使得低层次上的概念对的相似度比高层次上的相似性高；Lin等［7］提出的基于信息量的计算方法，考虑了两个概念间在知识库中的共享信息和两个概念分别带有语义信息的比率。
本文提出一种基于WordNet［1］并采用概念之间边的权重的相似性算法，概念之间的边的权重能反映概念在词库中的语义关系，一个概念越靠近叶子节点、含有的子概念越少，就说明含有的语义信息就越丰富［8-9］。在计算语义相似性时，两个概念距离越短则它们之间的相似性就越高［2］。本文在已有的距离相似性算法的基础上引入概念之间边的权重，去衡量概念在层次树中的语义丰富性，通过Rubenstein原始数据集［10］进行实验，表明该方法在计算语义相似性问题上较其他一些算法和人工判断有更高的一致性。
1 距离度量相似性算法
假设词语组成的结构是一种像树形一样的层次结构，每个节点代表一个词语或概念，Rada［2］是指代文献2吧？原来指文献1？请明确。证明了在连通不同的两个概念c1和c2之间的最短边数是衡量这两个概念之间距离的尺度。对于两个词语w1和w2之间的距离的度量可按以下三条规则进行度量［2］：
1)w1和w2是同一是“同一”?还是“统一”？请明确。个概念，则它们之间的距离为0；
2)w1和w2不是同一概念但是它们所属的词义中包含有相同的词的时候则它们的距离为1；
3)w1和w2既不属于同一概念也没有在所属词义中包含相同的词则计算它们之间的最短路径的距离。
基于距离的相似性算法最大的优点是它们计算词语之间的相似性只基于某种词库或某一本体，这样就对不同领域有更好的适应性。但是该方法最大的问题，就是太过依赖词库或本体的完整程度、均匀性和覆盖面［11］，如果词库不完整或是没有覆盖足够多知识，就容易导致计算结果不正确或不符合程序的要求。而且，这种方法在计算距离的时候是根据词库的分类来计算，这容易忽略其他因素对距离度量的影响，而且这种分类关系不能作为语义相似性的度量［12］。
2 基于概念间边权重的相似性计算方法
充分利用距离相似性算法的优势，针对上述方法存在的缺点，本文改进了Li等的方法[5]，采用给边加上一定权重的方式来改进算法，因为在不加权重以前边的默认权重都为1，由于没有完全考虑到概念节点所处的位置对语义相似性的影响，容易导致计算结果不精确。概念节点间边权重的影响因素很多，包括节点所处词库网络的密度、节点在词库网络中的深度、连接节点之间链接的类型和连接边的强度［13］，文献［8］的结果表明连接节点之间链接的类型和连接边的强度对相似性计算的影响不大，所以在此基础上本文主要考虑前两种因素对概念间边权重的影响。
2.1 边的权重计算
在考虑概念所在层次深度和概念含有的子概念的个数情况下，计算出来的边权与路径的长度只存在较小的偏差，但是这样却能体现边权信息对词语准确度的影响，实验结果也显示出用此方法计算出来的边权信息能较大程度地拟合人工判断的结果。例如boy和person与boy和animal两对概念在词库中的距离是相同的都是4，可是显然前者的相似性更高，在引入本文方法后boy和person的距离为1.20，boy和animal的距离为1.93，可以很好地区分两者之间的相似性。
首先是概念所处位置的密度，本文采用了概念的子节点个数与所有节点的个数的比重来衡量概念的密度。一个概念所含有的子概念个数越多说明这个概念越抽象，则该概念所连的边的权重应该要取小一些的值［14］；相反如果概念的子概念个数很少，则说明该概念是一个很具体的概念，所以对它所连接的边应该赋予高一些的权限。由式（1）表示了概念所处的位置的密度因子对权重的影响：
density(c1,c2)=1－ln(hypo(c)+1)ln(maxwn)（1）请补充对数log的底？若没有，请说明原因。
其中：c的取值是在c1和c2中取层次比较低的那个进行计算；hypo(c)表示概念c的子孙节点的个数，并且不考虑重复的概念节点；maxwn表示整个词库中的词语的个数，本文采用的是WordNet中所有名词的个数。
概念的深度因子对概念所连边的影响也很重要，本文在考虑深度因子的时候主要是针对其在词库中所处的层次的高低，越低的层次上的概念因为概念比较具体所以对其边所赋的权也就越大；相反在高层则概念的权相对较小，这两处表达的意思相同，是否表达错误，请核实。由式（2）来表示深度因子：
depth(c1,c2)=ln(max{depth(c1),depth(c2)})ln D（2）log的底是多少，请补充。
其中：depth(c)表示概念c在词库中的深度；D表示整个词库的深度，在WordNet中词库的最大深度为16。
在考虑了深度因子和密度因子对概念之间边的权重的影响之后，本文可以把两部分结合起来计算概念之间的权重，如式（3）所示：
weight(c1,c2)=t×density(c1,c2)+(1－t)×depth(c1,c2)（3）
其中t的取值范围在［0,1］。当t=0时只考虑了概念的深度对概念之间权重的影响；t=1时则只考虑了概念的密度对概念之间权重的影响。
2.2 改进的相似性计算方法
本文的相似性计算公式仍采用文献［5］的公式原型，在路径的计算上考虑上文的概念之间的边权重信息。通过计算最短路径上概念之间边的权重，综合路径上概念的密度和深度等因素的影响，使得源概念对之间的语义相似性计算更加精确。
Sim(c1,c2)=e－a∑w1,w2{path(c1,c2)－lcs(c1,c2)}weight(w1,w2)×eblcs(c1,c2)－e－blcs(c1,c2)eblcs(c1,c2)+e－blcs(c1,c2)(4)
式(4)中，对于blcs(c1,c2)未予交代，是否有必要补充说明一下，请核实。“b×lcs(c1,c2)”
其中：path(c1,c2)表示连接c1和c2取不同的词义的时候描述的最短路径上的概念；lcs(c1,c2)指的是概念c1和c2的最近公共祖先概念节点；weight(w1,w2)则表示词义概念w1和w2之间的边的权重，且a≥0,b>0。
2.3 语义相似性计算算法描述
输入 两个概念A和B。
输出 两个概念之间的语义相似性。
第一步 找出概念A和概念B在词库WordNet中所处的位置。
第二步 判断概念A和概念B是否是相同概念，相同则跳转到第五步，如果多义词中包含有相同的概念词语做一标记。
第三步 计算概念A和概念B之间的语义距离，取其多义词中最短路径作为两个概念之间的路径，记为Path(A,B)，并保存两个概念相交的概念节点记为Lcs。
第四步 遍历Path(A,B)中相邻的两个概念节点，按式（1）和式（2）计算两个概念的密度density和深度depth，然后把density和depth代入式（3）计算边的权重并累加到weight变量中。
第五步 如果是相同概念则其weight等于0，Lcs等于两个概念中任意一个，如果是两个概念中含有相同概念词汇则weight等于1；否则weight取第四步计算出来的结果。
第六步 计算Lcs在词库中所处层次h，然后把h和weight代入式（4）计算出概念A和B之间的相似性。
3 实验结果与分析
本文的实验通过计算出来的结果之间的相关系数来衡量算法的性能，相关系数是变量之间相关程度的指标，用r表示，r的取值范围为［-1,1］。|r|值越大，误差就越小，变量之间的线性相关程度越高；|r|值越接近0，误差就越大，变量之间的线性相关程度越低。本文采用皮（尔生）氏积矩相关系数来计算两个结果之间的相关性，计算公式如式(5)所示：
rxy=∑Ni=1(Xi－)(Yi－)∑Ni=1(Xi－)2∑Ni=1(Yi－)2(5)
其中：指的是数列X的平均值，则指的是数列Y的平均值，Xi表示X数列中的第i个数，Yi表示Y数列中的第i个数。
3.1 实验方案
本文的相似性计算采用Rubenstein数据集［10］，并利用WordNet2.0作为实验的词库，实验过程中首先实现了前文提到的距离相似度算法，为了进行比较，对文献［7］的基于信息量的相似性度量算法与本文提出的方法进行了比较，如表2~3所示。
3.2 概念间的语义相似性计算
根据上述边权算法和相似性算法，并基于WordNet词库丰富的词语来进行相似性计算。在实验中，深度和密度对概念相似性影响相当，所以取两项的权重因子t=0.5，经过多次尝试，可以验证在a=0.3,b=0.4，取定的情况下相似性算法与人工判断最接近，相关度为0.9109。
表1列出了Rubenstein和M&C进行的实验做出的结果以及各项词语的指标，其中length值的是概念对的最小距离长度，depth指的是概念对的最小上层父概念的在整个词库中所处的层次。本文的实验是基于Rubenstein［10］所做的实验结果即RG Rating，并以此来估计算法的性能。表1中的MC Rating表示的是Miller and Charles（M&C）进行的人工实验结果，M&C数据集是Rubenstein的一个子集，两者的相关度为0.97［15］。表1中的RG Rating表示什么，是否需要交代一下，请核实。
实验过程分为两个阶段：边权计算和概念间的相似性计算。本文使用M&C选取的30对概念，这些概念都进行了人工打分，打分区间在［0,4］。很多研究者都只采用了这30对词组而忽略其他词组来进行研究，大量的实验表明furnace和stove存在意义上的相似可是两者语义距离却很远导致其不是很好的测试数据［8］，所以本文不考虑这组数据并选取了M&C数据集的其中27组作为本文的实验数据集。表2列出了本文方法与前述方法的计算结果，由表2数据可以发现本文方法与Li方法［5］比较接近且本文方法与人工判断的数据拟合得比较好。
本文的方法是在文献［5］的基础上的改进，不同的方法对相似度的判断都有不同的结果和准确性，在Rada等［2］刚提出距离相似度度量的时候，他的方法在当时是较准确的，随着技术的不断创新和存储结构的不断优化新的方法不断提出，计算结果的准确性也越来越高。Li提出的假设，把Resnik［16］对M&C数据集的测试出来的相关系数作为相似性算法研究的上界，也即0.9583［5］。表3列出了各种方法与人工结果的相关系数，本文方法与人工结果有较高的相关性。
4 结语
本文在Li等［5］提出的非线性方程相似度计算方法的基础上，改进了其中距离度量的标准，采用了基于边权信息的计算方法。传统的基于距离的度量方法，因为没有考虑到概念所处位置的语义信息，所以在距离相同的时候概念的相似度会惊人地相似，而考虑了概念所处位置的语义信息后则把概念的这些语义相关性充分地体现了出来。本文的实验结果与Rubenstein源数据集的相关系数为0.9109，表明该方法与人工判断的数据有较好的相关性。但是算法还有很大的提升空间，正如Li所说的，当真正的非线性函数被发现，则算法的性能会有很大的提升。由于本文的方法只考虑了一部分信息，一个概念的语义信息还有很多比如连接类型和连接强度等因素，这些信息都会影响相似性判断的准确性，所以在以后的研究过程中需要加入更多的语义相关信息使相似判断更加准确。
参考文献:
[1]
FELLBAUM C. WordNet: An electronic lexical database ［M］. Cambridge, MA: MIT Press, 1998.
[2]
RADA R, MILI H, BICHNELL E, et al. Development and application of a metric on semantic nets ［J］. IEEE Transactions on Systems, Man, and Cybernetics, 1989, 9(1): 17-30.
[3]
WU Z, PALMER M. Verb semantics and lexical selection ［C］// Proceedings of the 32nd Annual Meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 1994: 133-138.
[4]
LEACOCK C, CHODOROW M. Combining local context and WordNet similarity for word sense identification ［M］// WordNet: An electronic lexical database. Cambridge, MA: MIT Press, 1998: 265-283.
[5]
LI Y, BANDAR Z A, MCLEAN D. An approach for measuring se-mantic similarity between words using multiple information sources ［J］. IEEE Transactions on Knowledge and Data Engineering, 2003, 15(4): 871-882.
[6]
AL-MUBAID H, NGUYEN H A. A cluster-based approach for semantic similarity in the biomedical domain ［C］// Proceedings of the IEEE Engineering in Medicine and Biology Society. New York: IEEE Press, 2006: 2713-2717.
[7]
LIN D. An information-theoretic definition of similarity ［C］// Proceedings of the 15th International Conference on Machine Learning. San Francisco: Morgan Kaufmann, 1998: 296-304.
[8]
JIANG J, CONRATH D. Semantic similarity based on corpus statistics and lexical taxonomy ［C］// Proceedings of the International Conference on Research in Computational Linguistics. Cambridge, MA: MIT Press, 1997: 19-33.
[9]
SECO N, VEALE T, HAYES J. An intrinsic information content metric for semantic similarity in WordNet ［C］// Proceedings of the 16th European Conference on Artificial Intelligence. Amsterdam: IOS Press, 2004: 1089-1090.
[10]
RUBENSTEIN H, GOODENOUGH J B. Contextual correlates of synonymy ［J］. Communications of the ACM, 1965, 8(10): 627-633.
[11]
CIMIANO P. Ontology learning and population from text: Algo-rithms, evaluation and applications ［M］. New York: Springer-Verlag, 2006.
[12]
BOLLEGALA D, MATSUO Y, LSHIZUKA M. WebSim: A Web-based semantic similarity measure ［C］// Proceedings of the 21st Annual Conference of the Japanese Society for Artificial Intelligence. Berlin: Springer-Verlag, 2007: 757-766.
[13]
SUSSNA M. Word sense disambiguation for free-text indexing using a massive semantic network ［C］// Proceedings of the Second International Conference on Information and Knowledge Management. New York: ACM Press, 1993: 67-74.
[14]
RICHARDSON R, SMEATON A F. Using WordNet in a knowledge-based approach to information retrieval ［R］. Dublin: Dublin City University, 1995.
[15]
MILLER G, CHARLES W G. Contextual correlates of semantic similarity ［J］. Language and Cognitive Processes, 1991, 16(1): 1-28.
[16]
RESNIK P. Using information content to evaluate semantic similarity in a taxonomy ［C］// Proceedings of the 14th International Joint Conference on Artificial Intelligence. San Francisco: Morgan Kaufmann Publishers, 1995: 448-453.
收稿日期:2011-06-20;修回日期:2011-08-21。
基金项目:
国家自然科学基金资助项目(61103114)；重庆市高等教育教学改革研究重点项目（112023）；“211工程”三期建设项目(S-10218)；中央高校基本科研业务基金资助项目(CDJXS11181164)。
