前言：中文期刊网精心挑选了人工智能对教学的帮助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。
人工智能对教学的帮助范文1
关键词：人工智能；教学改革；教学方法
引言
人工智能(ArtificialIntelligence)是一门研究和模拟人类智能的跨领域学科，是模拟、延伸和扩展人的智能的一门新技术。由于信息环境巨变与社会新需求的爆发，人工智能技术的日趋成熟。随着AI3.0时代的到来，大数据、云计算等新技术的应用也愈发广泛，对于管理类人才来说，加强对人工智能知识的深入学习，不断将人工智能技术与管理知识结合起来，对其未来职业生涯的发展有着重要作用。人工智能是一门前沿学科，管理学院开设人工智能课程的目的是为了更好地培养学生的技术创新思维与能力，基于其覆盖面广、包容性强、应用需求空间巨大的学科特点，通过概率统计、数据结构、计算机编程语言、数据库原理等基础课程的学习，加强学生解决实际问题的能力，为就业打下基础。本文基于社会对于人工智能领域的人才需求，结合诸多长期从事经管类专业课程教学的老师意见，针对管理类人才的人工智能课程教学内容与方法进行探讨，以期对中国高校人工智能课程教学改革研究提供帮助与借鉴。
1、教学现状与问题
作为一门综合性、实践性和应用性很强的理论技术学科，人工智能课程内容及内涵及其丰富，外延极其广泛。学习这门课程，需要较好的数学基础和较强的逻辑思维能力。针对管理类人才，该课程在课程教学过程中存在几个较为突出的问题。(1)课堂教学氛围枯燥目前，中国大多数大学仍采用传统的课堂教学模式，在教学过程中照本宣科，忽略与学生的互动，并且缺乏能够有效引起学生学习兴趣与加深知识理解的教学环节设置，如此一来大大降低了学生自主思考的能力。在进行人工智能相关课程知识讲解时，随着章节的知识难度不断增加，单向介绍式的枯燥教学方式无法反映人工智能学科的全貌，课堂讲解难以同时给以学生感性和理性的认知，部分学生因乏味的课堂氛围渐渐无法跟上教学进度，导致学习动力不足。(2)基础课程掌握不牢管理类专业的学生大部分都会走向更加具体化的管理岗位，具有多学科的素养，但这也导致很多学生所学知识杂而不精。学生在基础不夯实的情况下去学习更高层面的知识，给学生学习与老师教学都造成了很大困扰。人工智能课程知识点较多，涵盖模式识别、机器学习、数据挖掘等众多内容，概念抽象，不易学习。一些管理类专业的学生未能熟练掌握高等数学、运筹学、数据结构、数据库技术等先修课程，缺乏一定的关联思考和研究意识，导致课程学习难度增加，产生学时不足和教学内容难点过多的问题。(3)教学与实际应用脱节当下，人工智能广泛应用于机器视觉、智能制造等各个领域，给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。例如，在机械学科领域，人工智能技术是电气工程、机械设计制造、车辆工程等方向的重要技术来源；在医疗领域，是医疗器械的创新生产源动力；在能动领域，是高端能源装备与新能源发展的重要驱动；在光电信息与计算机工程领域，技术的发展时刻推动着智能科学与技术核心价值的提升。然而，对于管理类专业的学生来说，现阶段的人工智能教材涵盖许多智能算法及相关理论，在教学过程中常常涉及到很多从未接触过的抽象理论和复杂算法，书本中的应用实例大多纸上谈兵，缺乏专门适用于管理类专业知识与人工智能技术相结合的教学实践，加上一些教师授课方法单一，不利于引导学生将人工智能算法应用于现实生活。另外，大学生对知识的理解能力差异很大，教师采用统一的方式教给他们，这使一些学生无法跟上和理解，教师也无法控制学生的学习状况，导致学生缺乏动力。因此，如何结合学生的现实情况，提高他们的动手能力和实践经验也是人工智能课程教学要考虑的问题。
2、管理类人才的人工智能课程教学改进策略
课程教学改革是一项提高大学教学效果和人才培养质量的重要手段。如何在时代背景下应用新技术和新思想进行实施课程教学改革是高校亟待解决的问题。对于高校的教学工作而言，教学目标、教学内容和教学方式的变化不再是课程资源的简单数字化和信息化，而是充分利用时代信息资源优势的新型教学模式。针对管理类专业人工智能课程教学过程中存在的问题，可以从教学方法改进和教学内容设置两个方面进行课程教学改进。
2.1教学方法改进
教师对学生具有引领作用，其教学方法的改进能够带动学生改进自身学习方法。(1)启发式案例教学案例教学法就是教师根据教学目标、教学内容以及教学要求，通过安排一些具体的教学案例，引导学生积极参与案例思考、分析、讨论和表达等多项活动，是一种培养学生认知问题、分析和解决问题等综合能力的行之有效的教学方法。启发式案例教学以自主、合作、探究为主要特征，调动学生的学习积极性，并紧密结合人工智能领域的相关理论与方法，有效理解知识要点及其关联性，适用于管理类专业学生的教学。具体而言，高校基于其问题启发性、教学互动性以及实践有用性等特点，可以建立基于人工智能知识体系的教学案例库，虽然这项建设将极具挑战性与耗时性，但具有很强的积极效果：培养学生较强的批判性思维能力，更多地保留课程材料，更积极地参与课堂活动，对提高教学质量、培养具有人工智能背景的管理类人才具有重要意义。例如，通过单一案例教学，让学生掌握相关基础知识原理及应用；通过一题多解的案例使学生思考如何获取最有效的解题方法；通过综合案例的设计，启发学生全方位地探索问题的解决方案。(2)研讨互动式教学研讨互动式的各个教学环节是逐渐递进、有机结合的。研讨是基于学生个体的差异性，在课堂讨论的过程中对学生做出评判，从而对不同类型的学生开展针对性的教学。互动则是在研讨的基础上，通过老师与学生、学生与学生的互动，让学生主动参与到课堂教学的过程中来。在人工智能课程教学过程中，教师通过课堂讨论了解学生对于知识点的掌握情况，可以有针对性地设计教学内容，例如，对于学校积极性不强的学生，将人工智能理论内容与学生个人兴趣范畴、社会产业发展及研究现状联系起来，能够极大程度地提高学生学习的自主能力；对于基础知识较为薄弱的学生，可以在教师的指导下查阅相关文献资料，根据自己的理解撰写心得报告，并在课堂或课外进行师生互动。像这样研讨与互动相结合的模式。有助于增强学生的探索和求知欲望，建立起浓厚的学习氛围。(3)有效激励式教学人工智能是引领未来的战略性技术，人才需求量极大，对教师的教学水平也提出了更高要求，因此，进行有效激励极为重要。在学生激励方面，可以举办各类人工智能竞赛项目，设置相应项目奖学金，吸引学生参与实践，调动学生做研究、发论文的积极性。例如，教育部主办的中国研究生人工智能创新大赛，围绕新一代人工智能创新主题，激发学生的创新意识，提高学生的创新实践能力，为人工智能领域健康发展提供人才支撑。高校也可以借鉴这种模式，在各学院乃至全校开展此类竞赛项目，激发学生的创新能力与团队合作能力，鼓舞更多学生加入到人工智能课程的学习中来，激发其学习兴趣。在教师激励方面，在教师聘任和提升过程中把参加学生课程制定、课堂与课外作业、课程项目和论文指导等看作教学任务的一部分，鼓励教师积极参与这些活动。(4)学科渗透式教学人工智能学科知识融合程度较高，学科交叉性强。基于人工智能的学科交叉性特点，增强管理类人才对学科应用的领悟，可以采取开展学科渗透式教学的方法。从2015年起，国务院和教育部先后印发了《国务院关于积极推进“互联网+”行动的指导意见教育》、《高等学校人工智能创新行动计划》等文件，“互联网+”、“智能+”已经渗透到各个领域，人类进入数字经济时代，社会需求“技术+管理”的高端复合人才。例如，基于工业4.0和强国战略，人工智能技术在智能制造的应用极为广泛。上海理工大学非常重视少数民族预科班的教育质量。为增强少数民族管理类人才对该领域应用的认识，我们请机械工程、能源动力领域的相关专家以授课或讲座的形式，进行相关领域知识和发展趋势的讲解，使学生理解更为透彻。此外，在教学实践过程中，还可以用举办人工智能知识交流会、线上人工智能论坛等形式，促进不同专业间老师、学生对于人工智能知识模块的见解，相互交流、渗透和学习，从而推动人工智能课程教学的改进。
2.2教学内容设置
世界一流大学在人工智能课程内容设置根据不同国家的教育体系设置，肯定会有不同，但颇有共通之处。本文借鉴世界顶尖大学经验，针对管理类专业人工智能课程教学内容进行研究，结合中国教育体系设置，认为应从以下几方面进行改进。(1)核心内容设置为避免学生因为知识点过多而出现杂而不精的问题，势必要精化教学内容。在互联网时代，我们可以使用云计算和其他方式来实现数据信息的传输、存储和处理，通过在线收集和整合网络课程相关数据，挖掘和丰富教学资源，并在整合课程资源的基础上，进行研究方法和前沿知识的扩展。在核心内容设置方面，可以通过收集到的数据资料，选择人工智能领域具有代表性且难易程度适中的知识作为重点，使学生能够在有限的学时内掌握人工智能的知识脉络。例如，编写针对管理类人才的人工智能教材，内容涉及绪论、知识表示与推理、常用算法、机器学习、神经网络等方面的同时，重点增加相应知识点在管理上的应用案例，加强学生对知识点的理解。同时，根据管理类专业偏向领域，开设关联程度较大、应用较广泛的人工智能选修课程，以便学生根据自己的兴趣与需求选修具体方向的课程。(2)注重学生的数理及编程基础良好的数理及编程基础是学习人工智能的前提。只有具备了这些基础，才能搞清楚人工智能模型的数量关系、空间形式和优化过程等，才能将数学语言转化为程序语言，并应用于实验。管理学院人才的数理及编程基础相对薄弱，因此，在安排学生学习人工智能课程之前，建议开设面向全体管理类专业学生的微积分、线性代数、概率论等专业基础数学课程以及C语言、python等编程基础课程，使学生具备数学分析的基础与一定编程基础，为学习人工智能课程打下坚实的基础。另外，可以推进MOOC平台建设，在平台上开设人工智能网络课程，帮助学生掌握人工智能知识基础及专业技能。(3)实验建设为了加强学生对于人工智能知识点间的关联性理解，可以基于不同的应用模块，设计具有前后铺垫、上下关联的综合性实验，设计不同层次的项目要求，同时基于相同的实验课题，让学生分组对实验课题进行攻克，并设置多元化的实验评价体系，通过实验教学过程中反映出的不同进度，让教师能对学生的学习水平做出准确评判，及时进行教学反思，以便更好地开展下一步工作。例如，针对人工智能课程应用中很广的遗传算法，在某一管理规划的具体应用上设置理解－实现－参数分析－具体应用－尝试改进－深度拓展的不同层次的项目要求，在这些项目层次中规定必做项与可选项，让学生基于同一实验课题进行合作学习，然后通过个人自我评价、小组成员互相评价以及教师评价的方式进行打分，对小组整体能力以及个人能力进行综合评估，以期培养学生的自主思考能力。
人工智能对教学的帮助范文2
【关键词】人工智能 计算机辅助教学 教学与控制
一、人工智能的定义
人工智能也称机器智能，它是计算机科学、控制论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统角度来看，人工智能是研究如何制造出智能机器或智能系统，实现模拟人类智能活动的能力，以延伸人们智能的科学。人工智能是一门交叉科学，逐渐形成一门涉及心理学、认知科学、思维可循、信息科学、系统科学和生物学科等多学科的综合性技术学科。
二、计算辅助教学体系和现状
计算救助教学是利用多媒体计算机的功能与特点，利用计算机辅助教师完成各个教学环节，并通过与计算机之间的交互活动，激发学生的学习积极性和主动性，帮助学生更有效地学习。实用计算机辅助教学，有利于认识主体作用的发挥，它所提供的图像、声音、动画等信息由利于学生知识的获得与保持，达到提高教学教学的目的。
目前为止，所实用的绝大多数传统以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。早期绝大多数计算机辅助教学将全部教学信息以编程方式预置于课件中，这样的以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。因此现有的以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。早期绝大多数计算机辅助教学系统面临许多挑战，它主要存在以下几个方面的问题。
1.计算机辅助教学系统的闭塞性
不具有开放性是目前以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。其弊端在于固定内容的局限性使课件的适用面狭窄，而且设定的运行路线使授课缺乏自主性;授课的针对性不强;无法利用新出现的资源在较高起点上进行二次开发。
2.智能性的欠缺
现有的计算机智能辅助课件系统不能对不同何曾度的学生进行有针对性的教育，学生的学习是被动的，不能由系统自动提供助学信息而使学生有选择地学习。。
3.人机交互能力较弱
现有计算机智能辅助大多以光盘作为信息的载体，将材料中的内容以多媒体的形式展现出来，教学信息是按预置的教学流程机械式地提供给学者，学习者使用计算机智能辅助课件学习是完全被动的。
4.教师与学生的互动在教学中的缺乏
现有计算机智能辅助课件在学生自学以及进行操作使用时，如何学习都是学生自己的事。教师不能全完了解学习者的情况，学生在蹦到问题时不能向教师求教，师生之间互相封闭，谈不上师生互动，因此课件所起的效果大打折扣。
5.课程特点没有突出
各门课程在教学上有不同的要求，但现有课件对于这些不同要求完全不予理会。例如很多课程都要涉及到大量的曲线或曲面，对有些课程来说，将这些曲线或曲面给出了一个简单的展示就足够了，而有些课程这样的展示不能达到教学目的的要求。
6.教学计划的欠缺
在课件的开发过程中实际上离不开教学策略的设计，但课件的制作者往往并未意识到这一点。例如:现有的绝大多数课件都是单一的展播式，这样的可见制作“精美”，但它不可逆、不能互动。实际上运用课件教学只是手段而不是目的，应该在教学设计理论的指导下讲求课件的实效性，着眼点在于学生学习新知识、掌握新技术、培养各种能力有帮助，而不是表面上的制作“精美”。
综上所述，现有的计算机智能辅助存在许多问题，随着新技术的不断出现，这些问题将使计算机智能辅助越来越不能适应新的要求。因此以智能计算机智能辅助为代表的心的计算机辅助教学系统将成为教育技术上需要不断探求、努力实现的发展方向。 转贴于
三、智能计算机辅助教学系统
智能计算机辅助教学系统(Intelligent ComputerAided Instruction)，简称ICAI。教学过程是一个复杂的教与学的思维过程，它需要教师以专门知识和经验为依据，经过吸取、讲解、推理、示例、综合等多个步骤才能较好地完成。计算机辅助教学实际上是一个由计算机系统辅助教师进行教学以及学生进行学习并得以实现的系统。在智能ICAI中，教学思想、方法、学习内容可用知识形式表示，如何解决知识的形式化表示以及知识的访问与调用问题，是人工智能的核心技术之一，也是将ICAI引入教育技术领域中所要面临的一个问题。知识库是实现知识推理与专家系统的基础，可以用知识库作为智能ICAI的构建环境。在知识库中，教学内容等的有关知识可以用事实与规则表示，并存储于知识库内，教学与学习过程既是对知识库中知识进行推理，并最终得出所需结果的过程。ICAI系统的一般包括以下几个模块:
1.知识库。知识库是关于教学内容的模块，解决“教什么”问题。知识库中的教学内容有待于教学与控制模块和学生模块进行选取、调用。
2.学生模块。学生模块是用于记录学生的学习情况，对学生学习的各个环节信息进行搜集，以便系统对学生的学习情况进行自动评估，提出具有针对性的学习建议和个别化的辅导。学生模块描述学生对教学内容理解、掌握的程度，系统可以根据学生模块的具体情况调整教学策略并提供适当的反馈。
3.用户接口模块。这是系统与用户交流的界面。整个系统依靠用户接口模块把教学内容呈现给用户、接受用户输入的信息、并向用户提供反馈。
4.教学与控制模块。这是教学过程与整个系统的控制模块，涉及到“如何教”的问题。它具有领域知识、教学策略和人机对话等方面的知识。根据学生模型提供的学生学习情况，通过智能系统的搜索与推理，得出智能化的教学方法与教学策略，能够较科学地评估学生的学习水平，可以通过分析学生以往的学习兴趣和学习习惯，预测学生的知识需求和常犯错误，动态地将不同的学习内容、学习方法与不同的学生匹配，智能地分析学生错误的原因进而针对地提出合理的教学建议、学习建议以及改进方法。
新世纪的教学将是以智能化的ICAI为主线，是多学科、多方位发展的新技术的体现。随着人工智能技术的发展、计算机辅助教学的成效将更加明显。
参考文献
人工智能对教学的帮助范文3
关键词：人工智能；大数据；交叉领域
自二战时期阿兰•图灵破解恩尼格玛密码机带来胜利的曙光之后，人工智能初见苗头，1956年“人工智能”一词首次由约翰•麦卡锡等科学家在达特茅斯研讨会上提出，时至今日，人工智能经历了60多年的浪潮和洗礼，其中有曙光、有冰封，也有期望。纵观当下，人工智能不仅仅是机器智能，在深度学习和推陈出新的算法推动下，其携手云计算、大数据、卷积神经网络等，攻破了自然语言语音处理、图像识别的瓶颈，像潘多拉的盒子一样在认知科学、机器人学、机器学习等领域全面开花，人工智能涵盖了从基础层、技术层到应用层等多个方面，为人类文明带来了翻天覆地的变化[1-2]。人工智能包罗万象，在其基础上衍生的大数据“洪流”对人类社会的方方面面进行冲击，这些数字的价值已然超越了诸如金钱、财产、黄金、石油，甚至是土地。然而，大数据技术也如同普罗米修斯盗得的圣火，一方面给人间带来温暖和光明，另一方面也有可能使自身被奴役甚至使人葬身火海[3]。因此，当我们沉迷于大数据的海洋中时，我们是否有能力像蓝鲸遨游大海一样自由掌舵，是当今大数据和人工智能时代存在的一个重大问题。是“曲径通幽”还是“会当凌绝顶”，我们如何在大数据中“浮游”，而不是一味地扩充，需要理性看待与合理评价大数据对人类生存和发展的影响。
1.人工智能和大数据与“工业革命”
2020年刚刚结束的新一轮美国总统竞选上演了各种“国家闹剧”，为何特朗普在2016年赢得大选，而4年之后却无法连任？时间推移，2016年他胜利的部分原因在于他利用了面临技术威胁的工业行业中工人们的焦虑，同时指责非法移民对美国及美国人资源和就业机会的占用[4]。但在技术浪潮的挑战中，自动化和人工智能才是占用的“根源”。早在18世纪60年代工业革命时期，机器取代人力，规模化工厂生产取代个体手工生产，即引发了人工智能数据的工业大变革。从机械结构、电气控制等模块的设计和改良，车间机器人的智能化已可以代替人完成生产作业[5]。通过智能化机器人可以减轻劳动负担，还可以用于环境检测[6]和实施救援[7]等，保护我们的人身安全。这些“机器人”在为我们减负的同时确实也引发了“失业危机”，这种现象不仅于美国，日本、韩国和德国亦是如此。我们也许可以形象一下，未来20或30年后，工厂中工伤几乎为“零”，完全实施机器人24小时作业，速度惊人，质量统一，而仅有的几个人使用简单的触摸界面对机器下达“命令”。机器的发展已超乎我们对普通机械的认知，21世纪开发的三大机器人中大狗（BigDog）解决了运动和重载运输问题，特别用于军事领域，被誉为“当前世界上最先进适应崎岖地形的机器人”；亚美尼亚（Asimo）从人类如何移动上展现了机器人仿人运动；Cog具有了人类所特有的思考，由不同处理器组成的异种机互联网络形成了“大脑”。特斯拉——其除了是电动汽车和能源公司外，还是自动驾驶汽车行业的领跑者之一。其2016年已销售具有自动驾驶、自动自制和自动停车功能的电动汽车，但出于法律和伦理层面，驾驶员还是要坐在驾驶位上，但他可以做他想做的其他事，发短信、打电话或是休息，而不再是驾驶汽车。我们可以不用担心酒驾，不用因为时间紧张而疲劳驾驶，不必为新手司机而变得脾气暴躁……汽车自动驾驶将让我们行驶得更规则、更安全和更“无聊”。自动驾驶上的智能进化，使得自驾型派送车为商业化服务成为可能，还有自驾型飞行器也在被研发，通用、宝马、谷歌等公司一直在努力开发，通过无人机在您家门口投送包裹将对电子商务世界带来更多创造性方案。“如果你够走运的话，机器可以把你当成宠物。”虽为戏谑之言，却又饱含心酸。工厂变得越来越自动化，但其仍需要人类专家，他们才知道如何监控传感器，知道在发生故障时如何进行修复，机器的运行离不开人的监控，只有人的思考才能有新产品的诞生以及高效的生产流程，我们与机器共存，是从体力中解放，但要从事脑力工作。
2.人工智能和大数据与金融的未来
“数字蝶变”席卷金融行业各个领域[8]，金融行业应用大数据、移动互联网、人工智能等先进信息技术，累积了非常多的客户信息。通过大数据的帮助，金融公司在分析数据下寻找更多的金融创新机会。在商业智能（BI）的辅助下，电信业可以对客服描述和定位及需求进行预测；保险业可以在进行风险分析的同时进行损益判断；银行业可以调整市场活动，建立信贷预警机制等等[9]。人工智能和大数据让金融业形成了“以客户为中心”的模式。与客户最密切的金融即是金钱，但是它们已经被“支付宝”和“微信”以及更多的电子支付方式取代，越来越少的人使用现金，数字金钱是否会完全取代物质金钱，我们很可能会发展为无现金社会。那么首先“下岗”的是谁呢？答案毫无疑问：银行。巴克莱银行前首席执行官安东尼•詹金斯曾预测，对于工业化国家，银行员工和其分支机构在未来10年内会消失；花旗全球视角与解决方案的一项研究预测，美国和欧洲的银行将在未来10年裁减约180万员工；甚至2016年2月的一份丹麦银行家协会新闻稿表示，银行抢劫案数量连续第5年下降。就支付领域而言，在这样的时代背景下，如何利用大数据技术对跨越式发展的支付行业进行监管，成为一个值得深入研究的课题[10]。在人工智能下，我们都有被银行自动回复或自会读取特定问题的“员工”惹恼过。沟通技巧和财务知识同样重要，因此，银行业员工的下岗只是在基础性操作上，对于“专业咨询”，需要更多受过高等教育、具有更好沟通能力的员工。目前，我国的多数银行还没建立“开放、共享、融合”的大数据体系，数据整合和部门协调等问题仍是阻碍我国金融机构将数据转化为价值的主要瓶颈。大数据的整合、跨企业的外部大数据合作不可避免地加大客户隐私信息泄露的风险。有效防范信息安全风险成为商业银行大数据应用中急需解决的问题。
3.人工智能和大数据与“专家系统”
电子病历数据、医学影像数据、用药记录等构成了医疗大数据。医疗数据不仅包括大数据的“4V”特点，即规模大（volume）、类型多样（variety）、增长快（velocity）、价值巨大（value），还包括：时序性、隐私性、不完整性和长期保存性。医疗大数据可以提供预警性，当数据发生异常时，通过一定的机制可以发出警告，从而迅速采取相应措施，及时解决问题[11]。成立于1989年的美国胸外科协会（STS）数据库，至今已经涵盖了美国95%的心脏手术，收集了500万条手术记录[12]。其中的先天性心脏手术（CHSD）数据库是STS数据库的重要组成部分，是北美最大的关注儿童先天性心脏畸形的数据库，被认为是医学专业临床结果数据库的金标准。近年来，基于CHSD数据库所进行的数据挖掘不断增加，大型数据库对提高医疗质量所起到的正向作用正在日益凸显。如Welke等基于CHSD数据库探讨小儿心脏外科病例数量和死亡率之间的复杂关系[13]；Pasquali等基于CHSD数据库探讨新生儿Blalock—taussig分流术后的死亡率[14]；Jacobs等基于CHSD数据库采用多变量分析方法来研究病人术前因素的重要性[15]；Dibardino等基于CHSD数据库采用多变量分析的方法来探讨性别和种族对进行先天性心脏手术结果的影响[16]。这些都是在医疗领域采用人工智能提供的医疗诊断，形成了“专家系统”，专家系统可以说是一种最成功的人工智能技术，它能生成全面而有效的结果。借助医疗大数据的平台，“专家系统”可以智能辅助诊疗、影像数据分析与影像智能诊断、合理用药、远程监控、精准医疗、成本与疗效分析、绩效管理、医院控费、医疗质量分析等。不仅是数据平台，“达芬奇机器人”可以看成医疗的高精尖“人工智能”，它能缩短泌尿外科手术以及术后患者恢复时间，促进患者早期下床活动，减低并发症发生率[17]。达芬奇手术机器人在消化系统肿瘤、泌尿系统肿瘤、妇科肿瘤和心胸部肿瘤等手术中均有运用[18]。正是机器人，还有其他人工智能设备，如插入手表或衣服里的传感器、植入我们皮肤下的芯片，以及智能手机中装有各种“专家系统”的远程医疗、预防医学，甚至是器官的3D打印和虚拟现实治疗等的发展，让医学发生相应的转变，并使其逐步突破人类的传统健康概念，那么是否意味着医学将成为只有科学性，毫无直觉性的学科呢？我们携带的内部传感器和外部应用程序将成为我们的医生吗？“你好，医生”被“嘿，Siri”取代吗？这不尽然。医学必然将是向精准化发展，并更具个性化、参与性、预防性和可预测性。医生不再是疾病的修理工，而是改善我们健康状况的顾问。直观当下，我们还是被“看病难”所困扰，我们提出“分级诊疗”，是在拥有家庭医生、全科医生和专科医生的基础上再加上人工智能，以实现预期的健康监测、辅助诊疗和疾病筛查。
4.人工智能和大数据与教育变革
面对各行业和各学科，教育作为传承文明和创新知识的载体，似乎被排除在人工智能之外。就目前而言，人工智能与教育深度融合发展还存在技术基础不稳、教育数据缺陷、算法能力不足等现实问题[19]。我国目前更想要做到的是在教育上消除“信息鸿沟”，促进教育公平、均衡发展。因此，目前可以看到人工智能的教育多在于语言学习软件，通过虚拟技术和人工智能构建一个灵活的、可扩充的虚拟交互平台，设计多维虚拟场景和智能人工角色，实现不同场景下人机角色的交流和学习，提升学习者的口语能力和语感知识[20]。这使得教师不再是唯一的知识传播者，任何互联网搜索引擎都将提供比教师所有的更多信息，并且可以更快捷地获取。肺炎疫情暴发以来，远程网络教育成了主要教学形式，互联网教育形式其实早在小学、中学和大学中运用，虚拟现实技术在教学领域的研究和探索也在全面展开。谷歌已经开发一款VR纸板视图，并将研发的虚拟课程一起推向市场，使现实生活中在生物课上解剖一只青蛙成为一件容易且有趣的事，通过虚拟青蛙，学生们可以去除心脏和其他器官，而不再是象征性的抽象体验。虚拟现实可以像互动游戏一样，比单一的在教室听老师授课带来更多乐趣和体验，学习效果可能更好。我们的学习是知识的积累，那么教育就是我们的库，荀静等结合自身情况对西安工业大学知识库构建进行探究，认为机构知识库在保存知识资产的同时，更重要的是促进学校知识资产的传播利用和管理，提升学校影响力和学术声誉[21]。刘畅等通过对东北大学机构知识库服务的推广研究，了解到开放获取的概念和实践已经受到了广泛的认可，机构知识库不仅可以成为一个知识的存储库，也可以成为各个学科领域的学者进行在线交流的平台，提供个性化的增值服务，既有利于机构知识库的内容建设，也可以进一步促进学术交流和科研合作[22]。知识库，即大数据的有机整合和有序利用，是学术成果、视频文档、实验数据等进行收集、长期保存、传播和提供开放利用的知识资产管理与教育服务[23]。
5.人工智能和大数据应用的共性需求
人工智能和大数据时代，海量的信息来自“五湖四海”，但都通过互联网络汇聚智能终端。这些数据只会进一步增多，不仅仅是云存储，对于信息的进一步挖掘、处理、分析和利用，目标性结果才是我们最想要的信息。全球包括IBM、微软、谷歌和亚马逊等一大批知名企业纷纷掘金大数据挖掘这一市场，大家都在开拓自己大数据分析平台。数据挖掘是大数据时代孕育的产物[24]，是我们的共性需求，与传统的统计分析技术相比，数据挖掘有着自身的本质特征,数据挖掘是在没有明确假设的前提下去挖掘信息并发现知识。数据挖掘所得到的信具有先前未知、有效以及可实用三个特征[25]。数据挖掘的出现不是为了替代传统的统计分析技术,相反，它是统计分析方法学的延伸和扩展[26]。随着信息时代的到来，数据挖掘被越来越多地应用于各个领域。
6.人工智能和大数据的展望
大数据与人工智能相辅相成，在人工智能的加持下，海量的大数据输出优化的结果，使人工智能向更为智能的方向进步，大数据与人工智能的结合将在更多领域中击败人类所能够做到的极限。漫长的人类历史发展和进化，信息和人类一直“缠缠绵绵”“你追我藏”，因此，我们应该明白信息就是信息，我们需要的是“维基百科”，而不是仅仅的“维基”。走出狭隘的信息资源，管理和洞察大数据，才是对数据的有用。因为，我们早已告别了数据库放在一间房间的时代。此刻不得不提蓝鲸法则——大数据之道：了解数据懂得利用数据的“浮力”才是关键；“以简约为目标”将数据最终形成洞察及行为；可以通过“数据”“信息”“知识”流程式、组合式、直通车式各种需要的方式来获取[27]，在简约中“印象”处理繁杂的大数据，使之“为我所用”。=数据也是一门科学、一项技术，如果实验不能证明其具有可重复性和一般性，那它是没有科学依据，但是，任何一项科技，如果你坚信它必将改变社会和商业，选择从长期展望其发展并持续付出努力，那么就是一种战略选择[29]。人类社会的政治、经济、文化、思维等固有“态势”被重刷，数据思维将为我们带来一个智能全新的世界观。
人工智能对教学的帮助范文4
关键词：ICAI；系统模型；教学策略；综合集成方法论MSM；现代教育技术
中图分类号：G250.73 文献标识码：B 文章编号：1673-8454(2012)01-0030-04
计算机辅助教学（Computer Aided Instruction，简称CAI）是利用计算机来模拟教师的行为，通过学生与计算机之间的交互活动来达到教学的目的。即在计算机辅助下进行的各种教学活动，主要是以对话方式和学生讨论教学内容、安排教学进程、进行教学训练的方法与技术。CAI为学生提供一个个人化的学习环境，综合应用多媒体、知识库等计算机技术，这是传统CAI的主要应用方式。
在没有智能系统支持的情况下，传统CAI尽管可能具有良好的教学材料模型，但它往往仅借助于计算机来展示教学内容，并不能很好地根据它所教学生的学习特征，以不同的教学策略和教学方法来教授；只是盲目地传授知识给学生，如果某个学生不能接受提供的教学策略，系统没有为这个学生提供可供选择的另外的教学策略。目前使用的绝大多数CAI是将全部教学信息以编程方式预置于课件中，这样的CAI课件一旦制作完成，很难对课件进行更新和维护，尤其是在这样的CAI系统中，学生的学习仍然处于被动状态，即完全受计算机控制。
一、智能化计算机辅助教学概念
现代教育技术的日益发展以及与其他领先技术的结合，必然促使计算机辅助教学CAI的进一步发展。人工智能技术应用于CAI产生的基于网络环境的智能化CAI，就是现代信息化社会发展的产物，并在教育教学领域中有很好的发展前景。
人工智能是计算机科学的一个分支，它的目标是构造能表现出一定智能行为的，目的就是让计算机这台机器能够像人一样思考。人工智能的研究更多地是结合具体领域进行的，主要研究领域有专家系统、机器学习、模式识别、博弈、智能决定支持系统、人工神经网络等等。人工智能技术与专家系统的成就，促使人们把问题求解、知识表示这些技术引入CAI，并借助于网络环境来实施，这便是智能型计算机辅助教学。
智能计算机辅助教学ICAI（Intelligence Computer Assisted Instruction）属于人工智能的一个分支，是以认知科学和思维科学为理论基础，综合人工智能技术，教育心理学等多门学科的知识对学生实施教育的一门新的教育技术。ICAI通过研究人类学习思维的特征和过程，探索学习知识的模式，利用信息化网络环境使学生获得个别化自适应性学习的获取知识方法，从而使学生的学习更有针对性，更有效。
ICAI依靠人工智能技术的进步，主要应在因材施教方面取得进展。其主要特点是:
（1）能自动生成适合学习者程度的学习内容。
（2）能根据学生的不同认知水平与学习风格选择教学策略和教学方法。
（3）能评价学生的学习结果，并不断地在教学中改善教学策略。
二、智能化计算机辅助教学研究现状
现阶段，在一些发达国家，如美国、日本、加拿大、英国、法国、澳大利亚等，CAI已经普遍存在于学校和家庭中，正起着越来越大的作用。而ICAI的研究还处于初始阶段。目前国内在这一领域的研究主要集中在CAI和ICAI的优缺点比较，ICAI的理论来源、系统特征、模块建设、发展趋势等基础理论知识的研究，基于相关课程或学科的实践研究还比较少见。智能教学系统的设计和开发是一项复杂的系统工程，由于需要考虑的因素较多，系统比较庞大，同时也依赖于人工智能等技术的发展,因而要建立完善的ICAI还是比较困难的。[1]因此ICAI有很大的理论和实践发展空间。
完善的ICAI系统需能够充分调动学生的主动性，并能通过分析推理，对某具体学生做出适合的教学决策。使学生获得个别化自适应性学习的学习方法，达到因材施教的目的。人工智能技术的发展必将会对ICAI的发展起到巨大的推动作用。随着计算机科学的发展，21世纪的教育教学辅助手段将是以ICAI为主线，多学科、多方位发展的新技术的体现，越来越多的教育工作者会从更多的视角审视ICAI，并从事ICAI的研究。相信ICAI将会在现代教育领域中有更广泛的应用。
“现代教育技术”既是教育技术专业的必修课程，也是大中专院校广泛设置的选修课程，适用范围非常广泛。本文以《现代教育技术》这门课程为主要研究对象，来研究智能化教学系统设计在具体实践中的应用。
三、ICAI决策系统的理论依据
1.综合集成理论
教育是以人为主体参与的活动，而人本身就是一个复杂巨系统，因此以这种大量的复杂巨系统为子系统组成的系统――教育系统，是一个复杂巨系统。依据系统与其环境是否有物质、能量和信息的交换，将系统划分为开放系统和封闭系统来看，学生的学习受到教师、同学、家庭及社会等因素的影响，所以教育系统是一个开放的复杂巨系统。
钱学森的理论和实践研究表明：现在能用的、惟一能有效处理开放的复杂巨系统的方法，就是定性定量相结合的综合集成方法论。综合集成方法论（Meta-synthesis Methodology MSM）是方法论上的创新，它是研究复杂巨系统和复杂性问题的方法论。[2]定性定量相结合的综合集成方法是将专家群体(各种有关的专家)、数据和各种信息与计算机技术有机结合起来，把各种学科的科学理论和人的经验知识结合起来，发挥这个系统的整体优势和综合优势。[3]它把人的经验、知识、智慧以及各种情况、资料和信息系统集成起来，从多方面定性认识上升到定量认识，从而达到解决复杂系统问题的目的。在解决问题的过程中，专家群体和专家的经验知识起着重要的作用。
教学系统设计是一个复杂的系统，它是由教育系统的复杂性决定的。教育系统具有复杂系统的基本特点，它在结构与功能上表现为规模大、相关因素多且相关方式复杂、目标多样等；在运动上表现为随机性、非线性等。用一般的理论方法无法全面合理地解决这一不良结构的问题，本研究尝试用综合集成方法论来指导、分析教学设计智能化过程。因此，运用综合集成理论的方法来研究教学设计系统，探讨具体科目的教学设计在设计过程中遇到的复杂性问题，进而构建科学合理的教学设计系统，具有重要的理论和实践价值。
2.教学设计理论
本文采用“双主”教学模式作为ICAI的教学设计的理论基础。“双主”教学模式既能发挥教师的主导作用又能充分发挥学习者认知主体作用，是在教师主导下的课堂中能让学习者参与进来共同学习的一种教学模式。
基于“双主”的教学模式，要求根据学习者的特征、学习内容、学习策略、学习目标等多种因素的不同情况研究它们的结合方式，以使系统达到理想的教学效果。
基于网络环境的ICAI相对于传统的CAI来说，充分体现了“双主”的教学模式。ICAI中有专门分析学习者学习方式和认知水平的学生模型，有专门为不同的学习内容选择不同的学习策略的策略库模型（也称为教师模型），有评价学习效果并反馈给系统的评价模型。学生模型是对学习者的学习特征进行分析，包括学习者的学习风格、认知水平。策略库模型包含有丰富教学策略和有一个智能推理机，能根据学生模型的信息和学习目标为学习者选择合适的学习策略，指导学习者学习。
3.建构主义学习理论
当代建构主义者主张，世界是客观存在的，但是对于世界的理解和赋予意义却是由每个人自己决定的。建构主义者认为学习者要以自己的经验为基础来建构现实，或者至少说是在解释现实，每个人的经验世界是用自己的头脑创建的。
学习过程同时包含两方面的建构：一方面是对新知识意义的建构，同时又包含对原有经验的改造和重组。建构主义者强调学习者在学习过程中能够灵活地建构起用于指导实践活动的图式，这种图式是对概念的丰富理解，依据个人经验背景的不同而不同。
教学应当把学习者原有的知识经验作为新知识的生长点，引导学习者从原有的知识经验中，生长新的知识经验。教学不是知识的传递，而是知识的处理和转换。
ICAI伴随着这种理论的发展而发展，它注重的是由学习者来控制学习过程，重视学习内容的知识结构和学习情境，让学习者主动构建对自己有意义的知识的活动。基于网络环境的ICAI积极地为学习者创设学习情境，帮助学习者用他们已有的知识去建构、生成、整合新的知识。
4.教学处方理论
“教学处方理论”是郑永柏博士于1998年提出的一种新型适合于信息化教学设计的理论，他通过对教学系统设计理论和计算机辅助教学设计方面的研究，建构了一种新型的教学系统设计理论――教学处方理论。该理论主要包括：六个基本概念、一个理论框架、三条基本原理和两个关于教学设计的知识库。[4]
该理论指出教学处方可以看作是教学设计者(有时可以看作是教师)依据系统分析后使用的各种教学模式、教学方法和教学内容处理模式的组合；说明了在特定教学条件下对特定教学结果的教学，以不同的学习理论和教学理论为指导将会采用不同的教学方法，即教学处方，这也是本研究的核心内容，是该系统设计的指导理论。“教学处方理论”具有更好的包容性、开放性，能够吸收和容纳丰富的学习和教学研究成果。
四、ICAI系统的模块结构
1.前端分析模块：认知能力、学习动机、认知风格
前端分析是美国学者哈利斯（Harless，J．）在1968年提出的一个概念，指的是在教学设计过程开始的时候，先分析若干直接影响教学设计但又不属于具体设计事项的问题，本文主要指认知能力、学习动机和认知风格方面的分析。前端分析模块主要是建立相应的学生特征类型的数据库。
认知能力的测量采用认记、理解、应用、分析、综合、评价六个维度，每个维度有“优、良、中、差”四个选项。通过数据分析找出学习者的现状和期望之间的差距，确定需要解决的问题是什么，并确定问题的性质，形成不同层次的教学设计项目的目标。
学习风格和学习动机通过专门的量表来收集数据。
2.内容分析模块
教学内容分析就是在确定好总教学目标的前提下，借助归类分析法、图解分析法、层级分析法、信息加工分析法等方法，分析学习者要实现总的教学目标，需要掌握哪些知识、技能或形成什么态度。通过对教学内容的处理，确定学习者所需学习内容的范围和深度，确定内容各组成部分之间的关系，为以后教学顺序的安排奠定好基础。
对教学内容的处理主要包括：教学内容的选择、教学内容的编排、确定单元目标及对内容进行初步评价、分析教学内容类别及性质等四个基本方面。在构建规定性教学内容处理模式库时，应对上述四个方面提供具体的方法。[5]
3.决策模块
教学策略（处方）的制定就是根据特定的教学目标、教学内容、教学对象等条件，来合理地选择相应的教学顺序、教学方法、教学组织形式。在数据库中建立可供选择的不同的教学策略（处方），是本文所研究的ICAI系统的主要模块，也是特色模块。
教学策略（处方）的制定包括教学顺序的确定、教学方法的选择、教学组织形式的选择等。教学顺序的确定就是要确定教学内容各组成部分之间的先后顺序；教学方法的选择就是要通过讲授法、演示法、讨论法、练习法、实验法、示范模仿法等不同方法的选择，来激发并维持学习者的注意和兴趣，传递教学内容；教学组织形式主要有集体授课、小组讨论和个别化自学三种形式，各种形式各有所长，须根据具体情况进行相应的选择。教学策略的制定是根据具体的目标、内容、对象等来确定的，要具体问题具体分析，不存在能适用于所有目标、内容、对象的教学策略。
4.评价模块
在基于网络环境的ICAI的评价模块，要依据前面确定的教学目标，运用评价量表，分析学习者对预期学习目标的完成情况，主要收集三个方面的基本信息，一是要收集关于教师对教学设计方案和教学方案实施结果的满意度的信息数据，二是要收集关于学习者对教学过程、教学策略的适应性的信息数据，三是要看与其他方法相比，本处方中所采用的方法是否有独到之处，是否有不足之处。[6]在数据分析的基础上，对教学策略和教学内容的修改和完善提出建议，并以此为基础对ICAI各个环节的工作进行相应的修改。
5.ICAI系统模型框图
学习者前端数据采集数据库包括：认知结构测量及分析系统、学习动机测量及分析系统、学习风格测量及分析系统和学生基本信息系统。系统模型如图所示。
五、ICAI决策系统实验数据来源
本课题实践研究的调查对象来自云南大学，是2008届市场营销教育和财会教育本科生，共89人，课程设置为现代教育技术。学生调查表包括本科生基本信息表，所罗门学习风格量表，学习者认知能力调查问卷，学习者学习动机调查问卷四份表格组成。实际收到数据表89份，有效数据表75份。数据表中的信息选项根据所占权重，统一折合成百分制进行处理。
六、总结
本文把教学设计理论、方法与“现代教育技术”课程相结合，拟研发出一个基于综合集成方法论的广义智能网络教学设计辅助系统。主要研究成果如下：
（1）把综合集成方法论引入解决教学设计这一不良结构问题；
（2）结合数字化方法和数据挖掘技术，它能对学习者进行数字化的前端分析；
（3）它所自动化给出的教学设计方案，可为青年教师提供良好借鉴，有利于教师因材施教、因风格施教、因需要施教；
（4）它所自动化给出的学习者学习建议方案，有利于促进学习者自主学习。
现有的CAI存在的许多问题随着新技术的不断出现而显得越来越不能适应新环境的需求，因此以基于网络环境的ICAI为代表的新计算机辅助教学系统，将是教育教学研究人员在教育技术上需要不断探求、努力实现的发展方向。
参考文献：
[1]杨采坚，董玉铭.智能教学系统设计[J].中国电大教育,1993（3）.
[2]于景元,涂元季.从定性到定量综合集成方法――案例研究[J].系统工程理论与实践,2002.5.
[3]钱学森,于景元,戴汝为.一个科学新领域：开放的复杂巨系统及其方法论[J].自然杂志,1990(1).
[4]郑永柏.教学系统设计理论和方法研究:教学处方理论和ISD-EPSSS的设计与开发[D].北京师范大学博士学位论文，1998.
人工智能对教学的帮助范文5
关键词：学习分析技术；网络教育平台；数据挖据
中图分类号：G434文献标识码：A文章编号文章编号：1672-7800（2013）012-0184-03
作者简介：胥果（1982-），男，西华师范大学教育学院硕士研究生，研究方向为教育信息化。
0引言
网络教育是在网络环境下，以现代教育思想和学习理论为指导，充分发挥网络的各种教育功能和丰富的网络教育资源优势，向受教育者和学习者提供一种网络教和学的环境，传递数字化内容，开展以学习者为中心的非面授教育活动。[1]网络教育作为继信件、收音机、电视和计算机之后的第五代远程教育，自1998年教育部开展现代远程教育试点工作以来得到了迅速发展。据教育部统计数据，2010年网络高等教育本、专科招生人数达166万人，在校学生人数达453万人[2]。实施网络教育的关键是创设能够促进学习者主动学习的网络环境，而学习者在网络教学环境中的学习活动离不开网络教育平台。
网络教育平台作为支持网上教学与学习活动的软件系统，它的发展经历了3个主要阶段：第一阶段：内容管理系统（CMS），主要用来存储和管理教学资源，方便学生自主选择网络资源学习；第二阶段：学习管理系统（LMS），主要用于存储、管理、跟踪、报告和传送网络教育课程，与CMS系统相比，LMS系统可以跟踪学生表现，存储学生的作业，让学生与教师沟通；[3]第三阶段：学习内容管理系统（LCMS），与LMS系统相比，LCMS系统提供了多用户环境，系统管理者、教学设计人员、项目专家可以在数据库内创造、存储、重复利用、管理和传输数字化学习内容。LCMS专注于课程的开发、管理和，而这又需要通过LMS来传送。尽管从定义上来说LMS和LCMS有区别，但LMS通常用来同时表示LMS和LCMS，Blackboard公司就把他们的Blackboard学习平台称作是一个LMS平台。国外对于网络教育平台还有很多不同说法，如虚拟学习环境（VLE）、管理学习环境（MLEs）、个人学习环境（PLE）、学习平台（LP）等等。网络教育平台为网络教育的快速发展提供了有力支撑，也为大量学习者提供了帮助。
随着网络教育平台的多年使用，在此过程中积累了大量的系统化、结构化的学习结果和学习行为数据。为了利用这些数据，教育界最初采用了教育数据挖掘（EDM）技术，应用数据挖掘方法将来自于教育平台的数据提取出有意义的信息，利用这些信息为教育者、学习者、管理者、教育软件开发者和教育研究者等提供服务。[4]而后随着引入一些原本属于社会科学领域的语义分析法、内容分析法、社会网络分析法的使用，形成了一个新的概念：学习分析。相对于教育数据挖掘服务的主要对象是政府机构和管理人员，学习分析主要针对的是学习者和教师。学习分析使用学习者产生的数据，建立分析模型以发现社会关系和有用的信息，用以预测学习情况并对学习者提供建议。在首届“学习分析和知识（LAK）国际会议”上，与会者对学习分析做出定义：学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化产生的环境的技术。[5]由于网络教育平台已经积累大量数据，我们把学习分析技术应用到网络教育平台将大有可为。在把握学习者的主要特征、网络学习行为的特点、监控学习过程、了解学习行为的影响因素、干预学习进程、保障教育质量等方面，学习分析技术都能够提供帮助。
1学习分析技术背景
在学习分析概念形成之前，相关方法、技术和工具都已经发展起来了。学习分析从一系列研究领域汲取技术，如数据统计、商业智能（Business Intelligence）、网页分析（Web Analytics）、运筹学（Operational Research）、人工智能（AI）、教育数据挖掘（EDM）、社会网络分析、信息可视化等。
数据统计历来作为一个行之有效的手段用来解决假设检验问题。商业智能以数据仓库、联机分析处理、数据挖掘等技术为基础，从不同的数据源中提取数据，将之转换成有用的信息，它与学习分析有相似之处，但它历来被定位于通过可能的数据访问和绩效指标总结使生产更高效。网页分析工具如google analytics通过网页访问量，与互联网网站、品牌等的关联做出报告，这些技术可以用来分析学生的学习资源（课程，材料等）以追踪学生的学习轨迹。运筹学通过设计优化数学模型和统计方法使目标最优化。
人工智能和数据挖掘中的机器学习技术建立在数据挖掘和人工智能方法上，它能够检测数据中的模式。在学习分析中的类似技术可用于智能教学系统，以更加动态的方式对学生进行分类而不是简单地进行人口统计分类，可以通过协同过滤技术对特定的资源建立模型。社会网络分析可以分析出隐含的人与人（如在论坛上的互动）和外显的人与人（如朋友或者关注对象）之间的关系，在学习分析中可用于探索网络集群、影响力网络、参与及不参与状况。信息可视化是很多分析的重要一步（包括上面列出的那些分析方法），它可以用来对所提供的数据进行意义建构，John Tukey1977年在他的《探索性数据分析》一书中给我们介绍了如何更好地利用信息可视化，Tukey强调使用可视化的价值在于帮助在形成正式的假设之前做检验。[6]以上这些学习分析技术都可以对大量数据进行分析和处理，形成分析报告为教育提供帮助。
学习分析技术的特点在于能够为网络教育平台提供实时数据，通过利用这些实时数据，可以为教师、学生和教育管理人员提供帮助：①为个人学习者提供成绩反馈及与他人沟通的行为模式；②为预测学习者提供支持与关注；③为教师和助理人员提供支持个人与集体的干涉计划；④为如课程小组这样的组织改善现有课程或开发新的课程提供帮助；（5）为机构管理者在营销、招聘和效率等方面做决定时提供有效措施。[7]
2学习分析方法
发展中的学习分析技术吸纳了许多其它领域的关键技术，以实现对学习过程的研究，下面介绍一些常用方法。
2.1社会网络分析法
社会网络分析法（SNA）可用于测绘和测量人、团体、组织、计算机、网址以及其它相互关联的信息知识试题之间的关系。网络中的节点是人和团体，它们之间的链接则显示了节点之间的关系或者流量。社会网络分析为人类关系提供可视化的数学分析。网络教育平台管理者可以用它来分析学习者之间的联系、关系、角色以及关系网络形成的过程与特点，从而帮助学习者建立自己的关系网络以支持自己的学习。SNAPP软件就可以通过论坛内的回复和跟帖状况分析学习者交互情况，并得到可视化的图标。
2.2影响力与消极性测量法
影响力与消极性测量法（Influence and passivity measure）通过测量传递、引用或者转发的次数，评估人和信息的影响力。网络教育平台可以对学习者个体的影响力进行测量，分析了解为什么某些个体能够获得高影响力，低影响力学习者应该如何改进。
2.3性格分析法
性格分析法（Disposition Analytics）旨在获得学生性格与他们学习情况的数据，以及两者之间的关系。好奇的学生可能更倾向于提问，学习分析可以对获得的这些数据进行分析。
2.4行为信任分析法
行为信任分析法（Behavioral trust analysis）使用人们谈吐和交流中的信息（在人交流和使用信息的过程中将产生新的信息）作为信任关系的一个指标。网络教育平台可用来对人际关系进行分析。
2.5内容分析法
内容分析法（Content Analytics）可以对学习者的学习过程数据进行定量分析，寻找学习者的行为模式；还可以进行定性分析，运用已积累的数据经验来预测当前的学习行为。网络教育平台可以对学习者的学习行为分析，找到优生和差生学习行为的差别，教师结合自己的教学经验有针对性地干涉。由于网络教育平台数据的实时性，可以根据学习者的学习行为实时进行干涉，当然干涉的准确性需要数据库的进一步积累，从而产生由量变到质变的效果。LOCO-Analyst软件就可以对网络教育平台的内容进行分析。
2.6话语分析法
话语分析法（Discourse analytics）的目的在于获得有意义的数据（不像社会网络分析），旨在探讨所使用语言的属性，而不只是网络上的互动，或者论坛帖子数量的统计。网络教育平台可用以探究知识构建的过程，从而使教师和教学研究者对学习发生的过程有更清晰的认识。
2.7社会学习分析法
社会学习分析法（Social Learning Analytics）的目的在于探索在学习过程中社会交互所扮演的角色，以及学习网络的重要性，话语如何用来意义建构。网络教育平台管理者可以用来构建一个更好的学习者网络，通过学习者之间的交互，达到相互帮助学习的目的，相互帮助实现知识结构构建。
2.8信息可视化方法
信息可视化（Information Visualization）可以避免我们在一堆枯燥的数据中寻找规律，数据可视化之后，我们可以更好地进行意义建构。BEESTAR Insight可以自动收集学生实时的参与数据，从而为教师、学生和管理者提供分析图改善学习。
网络教育平台上的学习是学生、教师和管理者之间的共同交互过程，应运用不同的方法对这一复杂过程进行研究，才能得到满意的结果，学习分析技术将在此过程中展现它的作用。
3学习分析技术促进网络教育平台发展
笔者将从数据面板、预测性分析和自适应学习分析分别举例说明学习分析技术为网络教育平台带来哪些帮助。
3.1学习管理系统分析面板（LMS Analytics Dashboards）
大多数网络学习平台上都开始使用学习分析数据面板。实际上，到目前为止，大部分的非专业人员都还不能对记录数据进行解读，但是通过一系列的图像、表格和其它的可视化工具生成的报告，学生、教师和管理人员都可以读懂。美国一些大学采用了更先进的综合数据系统（如Helpdesk calls；学生信息系统），当然这些功能强大的系统也更难以学懂，这些系统能够探索不同变量之间的关系，使用户不仅止于掌握预先的报告。学习者在测验分数、论坛贡献、参与情况方面，可以得到一些基本分析报告。
EDUCAUSE汇集了一系列有用的高等教育案例，例如亚利桑那州立大学的研究表明，在学术和学习分析上进行投资能够收到显著的回报，该大学做了一个“Student 360”项目，通过该项目学校可以了解该校每一名学生的状况。[8]
3.2预测性分析（Predictive Analytics）
这是学习分析的一种高级应用。通过对学习者的统计数据或者过去的成绩之类的静态数据，和在线登陆方式、讨论发帖量之类的动态数据进行分析，追踪分析学习者的类型。把学习者进行分类，例如该学习者属于“高成就”，或者该生目前比较“危险”，或者是“社会型学习者”。然后根据学习者的类型进行实时的干预，对“高成就”类型提供一些更具挑战性的学习任务，而对处于“危险”状况的学生，教师则需要特别关注，给予一些学习上的帮助，而对于“社会型”的学生，则可能需要给予社交上的支持。
目前对于期末考试成绩最可靠的预测，是在学习开始的时候做一个小的学习能力测验。如果想设计更复杂的数据驱动预测模型，必须在此基础上进行改进，而这需要进一步的数据分析，以确定哪些变量能够预测“成功”。Purdue大学的Course Signal software非常知名，已经部分实现了这一技术。Signals在学生的学习过程提供了红色、黄色、绿色等信号，以帮助教师和学生了解目前的学习状况。最近的评估报告表明，参与Course Signal项目的学生获得了更高的平均分，能够更快速地寻找帮助资源。[9]来自密歇根大学的报告显示，自适应干预技术能够帮助参与E2Coach infrastructure项目的物理系学生学习健康信息，给他们提供定制的反馈，并鼓励学生改变他们的学习策略。
3.3自适应学习分析（Adaptive Learning Analytics）
自适应学习平台建立了一个学习某个主题（如代数；光合作用）的模型，并在标准化测试背景下建立了课程测试的模型。这种平台能够提供更细致的反馈（例如你已经掌握了哪些概念并掌握到何种程度），据此自动呈现以后的学习内容（例如不呈现基于学习者所未掌握概念的材料）。当然，建立学习者认知的动态模型，和准备自适应学习内容的引擎比设计和实现传统的学习平台需要更多的资源。大量的研究证据表明，采用这种方法将使个性化学习成为可能。
在智能教学系统和自适应平台上大量的研究和资金投入，将会为网络教育平台带来更好的用户体验。卡内基-梅隆大学的Open Learning Initiative课程是免费的，大家可以去体验一下，而Grockit与Knewton公司的商业平台也做得很好。
4结语
国外的大量实践表明，学习分析技术越来越显示出它的重要性。基于学习分析技术巨大的发展潜力，也希望更多的公司和机构投入到这个领域，毕竟学习分析技术还处于发展应用的初期阶段。而学习分析技术支持下的网络教育平台，将为我国远程教育发展带来新的机遇。
参考文献参考文献：
[1]程智.对网络教育概念的探讨[J].电化教育研究，2003（7）：25-28.
[2]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013（2）：5-11.
[3]WATSON，WILLIAM R.An argument for clarity：what are learning management systems，what are they not， and what should they become[J].TechTrends，2013（2）：28–34.
[4]Educational Data Mining.http：//.
[5]COOPER，ADAM.A brief history of analytics a briefing paper.http：//publications.cetis.ac.uk/wp-content/uploads/2012/12/Analytics-Brief-History-Vol-1-No9.pdf.
[6]POWELL，STEPHEN，SHIELA.MACNEIL.Instituitional readiness for analytics a briefing paper.http：//publications.cetis.ac.uk/wp-content/uploads/2012/12/Institutional-Readiness-for-Analytics-Vol1-No8.pdf.
人工智能对教学的帮助范文6
【关键词】大数据；高等教育；机遇和挑战
0.引言
数据是指一切保存在电脑中的信息，包括文本、声音、视频等。“大数据”是一股新的技术浪潮，也是逐步形成的历史现象，其具体是指随着信息存贮量的增多，人类在实践中逐渐认识到，通过数据的开放、整合和分析，能发现新的知识、创造新的价值，从而为社会带来“大科技”、“大利润”、“大智能”和“大发展”等新的机遇。大数据之“大”，并不在于其表面的“大容量”，而在于其潜在的“大价值”。大数据之所以被称为革命性现象的根本原因，因为从本质上来说，它标志着我们人类社会在从信息时代经由知识时代快速向智能时代迈进，并给普通高等学校发展带来的新机遇和挑战[1]。
1.大数据给普通高等学校发展带来的机遇和挑战
大数据，使教师面临挑战，使学科专业设置和专业知识结构面临挑战；大数据为大学管理的精细化个性化服务提供了工具；大数据给科研带来颠覆性的影响。
1.1教师面临的挑战
智能学习平台只是大数据大潮在教育领域掀起的一朵浪花。如著名的在线教育公司Coursera，已经和普林斯顿、伯克利、杜克、香港理工等全世界30多所大学达成协议，通过其平台免费开放课程。如今这些学校的课程可以实现全球几十万人同步学习。分布在世界各地的学习者不仅可以在同一时间听取同一位老师的授课，还和在校生一样，做同样的作业、接受同样的评分和考试[2]。
这种学习平台的崛起，在美国引起了广泛的关注和激烈的讨论。其中的原因，是因为该平台已经不是一个镜头、一段视频那么简单，而能对学习者的学习行为自动进行提示、诱导和评价，从而弥补没有老师面对面交流指导的不足。例如，通过记录鼠标的点击，计算机能够记录你在一张幻灯片上停留的时间，判别你在答错一道题之后有没有回头复习，发现不同的人对不同知识点的不同反应，从而总结出哪些知识点需要重复或强调，哪种陈述方式或学习工具在哪种情况下最有效等规律。
不难发现，该平台之所以强大，正是因为大数据。单个个体学习行为的数据似乎是杂乱无章的，但当数据累积到一定程度时，群体的行为就会在数据上呈现一种秩序和规律。通过收集、分析大量的数据，就能总结出这种秩序和规律，然后有的放矢，对不同的学习者提供有针对性的帮助。
这种智能学习平台将会给教育行业带来怎样的影响。学校曾经是最重要的教育资源，好的学校更是异常稀缺，由于这种智能平台的普及，在不远的将来，名校将人人可上，也就是说，如果应对得当，中国教育资源匮乏的问题将很快得到有效缓解。对个人来说，随时随地地学习、终身学习都将成为可能，例如，高中生可以尝试大学的课程，离开了校园的人，也可以登录在线平台再和在校生一起听课。这些都是教育工作者探讨多年、孜孜以求的梦想。但硬币的另一面，是中国的教育行业要面对更加激烈的全球化竞争和挑战。过去，是学生争学校；将来，可能是学校在全球范围中争夺学生。发达国家的一流大学会挤压发展中国家普通大学的生存和发展空间，普通大学该如何来吸引生源？它们会不会因此衰落？既然最好的教学视频等学习资源都可以免费获得，教师的角色又需不需要调整？又该如何调整？这些问题，都是大数据时代催生的重大挑战。
1.2学科专业设置和专业知识结构面临的挑战
网络大数据在科学和技术上的突破，将可能诞生出数据服务、数据材料、数据制药等战略性新兴产业[3].网络数据科学与技术的突破意味着人们能够理清数据交互连接产生的复杂性，掌握数据冗余与缺失双重特征引起的不确定性，驾驭数据的高速增长与交叉互连引起的涌现性（Emergence），进而能够根据实际需求从网络数据中挖掘出其所蕴含的信息、知识甚至是智慧，最终达到充分利用网络数据价值的目的.涌现性是指由低层次的多个元素构成高层次的系统时展示出的每个单一元素所不具备的性质.网络数据不再是产业环节上产生的副产品，相反地，网络数据已成为联系各个环节的关键纽带.通过对网络数据纽带的分析与掌握，可以降低行业成本、促进行业效率、提升行业生产力.因此，可以预见，在网络数据的驱动下，行业模式的革新将可能催生出数据材料、数据制造、数据能源、数据制药等一系列战略性的新兴产业，使高等教育学科专业设置和专业知识结构面临挑战。
1.3大数据为大学管理的精细化个性化服务提供了工具
教育是在生活中实现的，不在生活中实现的教育不是真正的教育，学校教育更需要“终极关怀”。华东师范大学一位女生节食减肥，很少在校内用餐，学校通过困难生预警系统察觉到其饭卡消费值较低，便发送了一条短信，询问是否有经济困难，是否需要帮助。这位女生收到短信，感到非常温暖，便发了一条“华师大少女减肥减出人文关怀”微博，结果被网友纷纷转发。网友们称赞学校“通过对数据的挖掘、应用，更贴心地服务学生、关爱学生”，“让冰冷的数字有了人性美！”这一事件至少告诉人们，大数据为大学管理的精细化服务提供了工具，有助于学校实现“终极关怀”[4]。
1.4大数据给科研带来颠覆性的影响
科技创新实质上是科学研究方法的创新，数据科学带给大家改变探索世界的新方法――从大量的数据中，揭示世界运行的规律。新方法体现在大数据的三个特征中。
大数据在舍恩伯格看来，一共具有三个特征：全样而非抽样，效率而非精确，相关而非因果。
第一个特征非常好理解。在过去，由于缺乏获取全体样本的手段，人们发明了“随机调研数据”的方法。理论上，抽取样本越随机，就越能代表整体样本。但问题是获取一个随机样本代价极高，而且很费时。人口调查就是典型一例，一个稍大一点的国家甚至做不到每年都一次人口调查，因为随机调研实在是太耗时耗力了。
但有了云计算和数据库以后，获取足够大的样本数据乃至全体数据，就变得非常容易了。谷歌可以提供谷歌流感趋势的原因就在于它几乎覆盖了7成以上的北美搜索市场，而在这些数据中，已经完全没有必要去抽样调查这些数据：数据仓库，所有的记录都在那里躺着等待人们的挖掘和分析。
第二点其实建立在第一点的基础上。过去使用抽样的方法，就需要在具体运算上非常精确，因为所谓“差之毫厘便失之千里”。设想一下，在一个总样本为1亿人口随机抽取1000人，如果在1000人上的运算出现错误的话，那么放大到1亿中会有多大的偏差。但全样本时，有多少偏差就是多少偏差而不会被放大。诺维格，谷歌人工智能专家，在他的论文中写道：大数据基础上的简单算法比小数据基础上的复杂算法更加有效。
数据分析并非目的就是数据分析，而是有其它用途，故而时效性也非常重要。精确的计算是以时间消耗为代价的，但在小数据时代，追求精确是为了避免放大的偏差而不得已为之。但在样本=总体的大数据时代，“快速获得一个大概的轮廓和发展脉络，就要比严格的精确性要重要得多”。
第三个特征则非常有趣。相关性表明变量A和变量B有关，或者说A变量的变化和B变量的变化之间存在一定的正比（或反比）关系。但相关性并不一定是因果关系（A未必是B的因）。
亚马逊的推荐算法非常有名，它能够根据消费记录来告诉用户你可能会喜欢什么，这些消费记录有可能是别人的，也有可能是该用户历史上的。但它不能说出你为什么会喜欢的原因。难道大家都喜欢购买A和B，就一定等于你买了A之后的果就是买B吗？未必，但的确需要承认，相关性很高或者说，概率很大。
舍恩伯格认为，大数据时代只需要知道是什么，而无需知道为什么，就像亚马逊推荐算法一样，知道喜欢A的人很可能喜欢B但却不知道其中的原因。
越来越多的事物不断的数字化。使得人们可以从大量的数据中，发现隐藏的自然规律、社会规律和经济规律。从这个角度来看，大数据将拓展人类的视野。
大数据给科学和教育事业的发展提供了前所未有的机会，同时也提出了前所未有的挑战。它将对现有的科研和教学体制带来大幅度的变革，对科学与产业之间的关系、科学与社会之间的关系带来大幅度的变革。
事实上，数据科学还带给大家观察世界的新方法――从大量的数据中，揭示世界运行的规律。2008 年《连线》杂志主编克里斯？安德森就指出“数据爆炸使所有的科学研究方法都落伍了”，用一系列的因果关系来验证各种假设和猜想的研究范式已经不实用了，如今它已经被无需理论指导的纯粹的相关关系研究所取代。安德森指出：“现在已经是一个有海量数据的时代，应用数据已经取代了其他的所有学科工具。而且只要数据足够多，就能说明问题。如果你有一拍字节的数据，只要掌握了这些数据之间的相关关系，一切就都迎刃而解。
人们在研究自然语言处理方面走过的弯路，为安德森的观点提供了有利的证据。20 世纪50 年代，几乎所有的科学家都认为如果让计算机来充当翻译，就必须像人一样，让他理解词句的含义。于是提出人工智能的概念，让计算机来学习的人类的各种规则。这种方法很快在70 年代走到了尽头。但是基于大量数据、运用概率模型的统计语言学的出现使得自然语言处理柳暗花明。如果没有这些概率统计模型，风靡一时的Siri（个人语音处理）等应用，就不可能实现。
2.结语
大数据时代已经到来，对大数据进行合理的分析，管理和应用必将会推动普通高等学校的大发展，当然也会为社会提供更多的利益和创新性成果。
【参考文献】
[1]赵国栋，易欢欢，糜万军，鄂维南.大数据时代的历史机遇―产业变革与数据科学[M].北京：清华大学出版社，2013.
[2]舍恩伯格.大数据时代[M].浙江人民出版社，2013.
