时间:2024-03-29 16:05:29
导言:作为写作爱好者,不可错过为您精心挑选的10篇人工智能网络教学,它们将为您的写作提供全新的视角,我们衷心期待您的阅读,并希望这些内容能为您提供灵感和参考。
人工智能(artificialintelligence,AI)的概念最早是在1956年的Dartmouth学会上提出的,随着计算机核心算法的突破、计算能力的迅速提高以及海量互联网数据的支撑,目前已被广泛地应用于各个领域[1-2]。近年来,人工智能也给教育教学领域带来了机遇,人工智能+教育正如火如荼地开展和推进,改变着传统的教育形式及生态[3-4]。2018年教育部《高等学校人工智能创新行动计划》,各大高校在人工智能及其教育发展上有了纲领性的指导[5]。医学教育作为教育教学诸多领域的一隅,乘着人工智能发展的东风,各大高校在推进医学教学改革方面进行了大量积极的探索与尝试[6-8]。诊断学是由基础医学过度到临床医学的桥梁课,其教学质量的良莠直接影响到医学生的培养质量,传统的教学方法难以满足现代医学教学的要求,如何发挥人工智能的应用优势,让其更好地应用于诊断学的教学工作,也是诊断学课程教改的重要研究方向。
1传统的诊断学教学方法存在的问题
诊断学是学习临床基本技能最重要的一门课程,其内容包括症状学、体检检查、实验室检查及辅助检查等四大块,分为理论课和见习课,目前大多数医学院理论课采用的是以大班的形式在多媒体教室讲授,而见习课则采取分小组的模式进行,多年的教学实践发现该教学模式取得的教学效果不尽人意,尤其是近年来随着全国各大医学院校的扩招,出现了师资及教学资源配套的相对不足,上述教学模式的问题逐渐凸显。理论知识以老师讲授为主,采取的是“满堂灌”的教学模式,然而该部分教学内容知识点繁多,知识串联度不高,课堂灵活度、生动度较为薄弱,学生听完课以后对课程内容印象不深,知识掌握度差,同时由于学生的学习主观能动性差异大,不能进行课前充分预习的学生在课堂上更加难以跟上老师讲授的节奏。见习课是对理论知识进行实践,培养学生的实践操作能力,前期理论知识掌握度差又会影响见习的教学质量,导致教学过程形成恶性循环[9]。见习课主要采取老师讲授要领及演示操作流程,之后学生们互相练习的教学方法,该部分内容需反复加强练习,同样的动作要领反复锤炼才能熟练掌握,因课堂见习时间有限,而老师讲授及演示需占用大部分时间,学生动手实践机会不多,老师对学生的操作手法、操作内容、操作顺序等重要内容进行指导和勘误的时间少,学生操作的规范性难以保证,在以后的临床实践中,往往存在实践操作能力的缺陷。上述教学模式教师与学生们之间除了课堂时间,其余时间是脱节的,不能很好地沟通,学生们有疑问的知识点难以得到老师的及时解答,教学活动中没有充分反馈,各个教学环节难以进行教学反思,形成教学相长的良性循环。课后复习及阶段性总结复习是课堂知识内化及升华的重要方面,传统的教学模式通常是给学生布置课后作业,学生完成后上交由老师批改留档,这个环节学生与老师缺乏有效的沟通,且由于学生们学习主观能动性差异,课后没有老师的监督及针对性地辅导,课后作业的质量良莠不齐,教学质量欠佳是显而易见的。随着现代医学的发展及研究的开展,涌现了一大批新的诊断方法与手段,譬如关于肿瘤诊断的分子marker,评估预测疾病活动度及预后相关的指标,在临床上已经常规应用,但由于教材更新需要周期,很难跟新进展同步介绍,另外由于课时有限,难以全面地就学科前沿及新进展进行讲授[10]。
2人工智能应用于诊断学教学的重要意义
2.1教师方面
将人工智能应用于诊断学教学实践,削弱了教师的知识权威而强化了教师的价值引导,对教师的个人能力提出了更高的要求,促使教师踏实践行终身学习并持续更新自身知识结构。互联网高速发展的时代,知识呈几何指数更新并出现大爆炸,基于各种互联网即时通讯平台及手机APP,诊断学体格检查、理论知识讲授相关的小视频及研究进展不胜枚举,这就要求教师及时获取、更新知识并进行相应的知识储备。人工智能的应用促使教师从单人施教发展为团队施教,为开发更具个性化的课程教学注入团队的力量。基于大数据的人工智能可以减少诊断学教学过程中的机械性、重复性工作,如平时作业的批改、考勤统计等,减轻了教师的工作负担,教师可以将更多的精力投入到医德医风、医患沟通能力以及体格检查手法的规范化培养上,更多的心思放在丰富课程内容及教学形式上。同时大数据可以及时反应学生的学习动态,教师可以根据学生的反馈及课程评价有针对性地对学生进行相应的辅导。
2.2学生方面
将人工智能应用于诊断学教学实践,可以实时动态记录学生的学习情况及暴露的问题,如是否按时完成课程任务、测试中哪些知识点容易出错等,人工智能系统能够对这些数据进行关联分析和深度挖掘,并且可视化呈现相应的数据,有利于教师及时掌握学生的学习进度、参与度以及学习效果,并根据具体的学情分析数据来调整辅导和教学方案。基于人工智能强大的算法和分析,可以为学生定制个性化的教学内容及进度,提供更有针对性的课堂内容和随堂测试,并对测试及平时作业进行智能批改,真正做到查漏补缺。诊断学课程内容相对枯燥,学生们的学习兴趣有限,基于人工智能的教学方式可以寓教于乐,在课程中将一些比较零散的知识点可以设置成互动小游戏,营造出良好的课堂氛围,提高学生们的学习兴趣及学习效率。
2.3教学过程
针对教学过程,人工智能亦发挥着至关重要的作用。第一,诊断学作为桥梁课程,是一门必修课,包括临床医学五年制、八年制、法医学、基础医学等相应专业的学生均需要学习,人工智能拥有超强的计算能力和强大的“记忆力”,面对众多不同专业的学生,可以根据大数据进行分析,制定出适合不同专业学生的完备教学目标。教学活动开展过程中,人工智能还可以根据学生的课堂及课后测试表现,依据分层教学的要求自动设置梯次教学目标,帮助学生们逐步提升学习能力和知识掌握度。第二,人工智能可以凭借自身信息化的特点,对各种教学资源进行分析,为教师和学生选择更优质更合适的资源提供依据,促进个性化的教与学。第三,传统的教学方式、教学内容相对有限,人工智能基于大数据能够启发新的教学思路,创新教学方法,为诊断学教学提供更多的可能性。
3人工智能在诊断学教学中的应用
3.1智能教学系统
智能教学系统是教育技术学中重要的研究领域,其根本宗旨是使得学生的学习环境更加优良和谐,智能教学系统能够及时有效地调用最新最全的网络资源并充分优化后供学生学习,使得学生能够更加全方位、多角度地学习专业知识,提高学习效果[11]。智能教学系统大致由领域知识部分、教师部分及学生部分3个部分构成[12],其中领域知识部分又称为专家部分,这一部分既包含了需要讲授的内容及掌握的技能,又可以添加专家的学术成果,既能够保证学生对于基本概念、基本理论及基本技能的掌握,又能够拓宽知识面,增加知识的广度。智能教学系统的教师及学生部分主要是为设计和制定教学方案及策略服务,基于大数据基础上,根据课程的特点、历年教学情况、学生身心发展特点及学习实际情况,制定更加个性化、高效的教学方案,促成教师因材施教,取得更加理想的教学效果。
3.2智能网络组卷阅卷系统
诊断学教学内容包括理论和见习两大块,教学过程中教师的大量时间用于出题、阅卷、批改平时作业等与考核相关的工作,并且在出题过程中需要围绕相对固定的重难点内容不断创新题型,消耗教师大量的精力。智能网络组卷阅卷系统能够充分发挥其优势,将教师从繁冗的考核相关工作中解脱出来,使得教师的教学更高效,教师能够把更多的时间。智能网络组卷系统能够有效收集和分析知名高校教学团队编写的在线题库,实现教学资源的共享,通过随机抽题组卷、答案随机排序、题型随机排序以及设置避免与历年考卷重复等,显著提升试卷的质量,亦能改善考试作弊的顽疾,客观地考核学生对知识的掌握度。智能网络阅卷系统有简明的阅卷流程,能够更有效地识别试卷及答案,能够明显降低传统人工阅卷方式因疲劳带来的出错率,使得工作效率更高、考核结果更公正。
3.3智能仿真教学系统
诊断学教学的见习部分是学生提高技能的重要环节,常常采用分小组在病房完成的方式进行,在课程的开展过程也凸显出了各种各样的问题,譬如因学生分组进行询问病史、体格检查,重复次数多,患者难以多次配合;在教学时间段内病房缺相应的病种,无法对所学的症状进行直观的学习;传染病流行期间出于对学生健康安全的保护,无法进入病房见习等等,此时智能仿真教学系统能够发挥重要的补充作用[13]。人工智能可以根据提供的海量真实临床病例,由医学专家整合其临床特征,联合计算机专家,根据相应的教学要求,形成虚拟病人学习系统,学生在仿真诊疗环境中,进行问诊、体格检查、诊断以及给出治疗方案,同时系统能够自动发现学生在问诊及诊断过程中的错误,通过实践、纠错再实践,提高学生采集病史、体格检查的能力,同时能够加强学生的临床思维的训练,夯实临床基本功[14-16]。
深度学习的概念,源于30多年来计算机科学、人工神经网络和人工智能的研究。上世纪八九十年代,人们提出了一系列机器学习模型,应用最为广泛的包括支持向量机(Support Vector Machine,SVM)和逻辑回归(Logistic Regression,LR),这两种模型分别可以看作包含1个隐藏层和没有隐藏层的浅层模型。计算机面对较为复杂的问题解决训练时,可以利用反向传播算法计算梯度,再用梯度下降方法在参数空间中寻找最优解。浅层模型往往具有凸代价函数,理论分析相对简单,训练方法也容易掌握,应用取得了很多成功。①随着人工智能的发展,计算机和智能网络如何基于算法革新,模拟人脑抽象认知和思维,准确且高清晰度地进行声音处理、图像传播甚至更为复杂的数据处理和问题解决等,在21世纪来临的时候成为摆在人工智能领域的关键问题。
30多年来,加拿大多伦多大学计算机系辛顿教授(Hinton,G.)一直从事机器学习模型、神经网络与人工智能等问题的相关研究,并在机器学习模型特别是突破浅层学习模型,实现计算机抽象认知方面取得了突破性的进展。2006年,他在《Science》上发表了《利用神经网络刻画数据维度》(Reducing the Dimensionality of Data with Neural Networks)一文,探讨了应用人工神经网络刻画数据的学习模型,首先提出了深度学习(Deep Learning)的概念和计算机深度学习模型,掀起了深度学习在人工智能领域的新。这篇文章的两个主要观点是:第一,多隐藏层的人工神经网络具有优异的特征学习能力,学习到的特征对数据有更本质的刻画,从而有利于可视化或分类;第二,深度神经网络可以通过“逐层初始化”(Layer-wise Pre-training)来有效克服训练和优解的难度,无监督的逐层初始化方法有助于突破浅层学习模型。②基于深度置信网络(DBN)提出非监督逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。③2012年,辛顿又带领学生在目前最大的图像数据库ImageNet上,对分类问题取得了惊人的结果,将计算机处理图像数据问题时排名前五的错误率(即Top5错误率),由最高26%大幅降低至15%,大大提高了人工智能图像数据处理的准确性和清晰度,这是早先计算机仅仅依赖数学模型的表层学习和单层学习根本无法实现的水平。
在人工智能领域,深度学习其实是一种算法思维,其核心是对人脑思维深层次学习的模拟,通过模拟人脑的深哟纬橄笕现过程,实现计算机对数据的复杂运算和优化。深度学习采用的模型是深层神经网络(Deep Neural Networks,DNN)模型,即包含多个隐藏层(Hidden Layer,也称隐含层)的神经网络(Neural Networks,NN)。深度学习利用模型中的隐藏层,通过特征组合的方式,逐层将原始输入转化为浅层特征、中层特征、高层特征直至最终的任务目标。深度学习可以完成需要高度抽象特征的人工智能任务,如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络,多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。训练深层模型是长期以来的难题,近年来以层次化、逐层初始化为代表的一系列方法的提出,为训练深层模型带来了希望,并在多个应用领域获得了成功。
人工智能学者们认为计算机和智能网络的这一深层的自动编码与解码过程,是一个从数据刻画、抽象认知到优选方案的深度学习的过程。由于人脑具有深度结构,认知过程是一个复杂的脑活动过程,因而计算机和人工智能网络模拟从符号接受、符号解码、意义建立再到优化方案的学习过程也是有结构的;同时,认知过程是逐层进行、逐步抽象的,人工智能不是纯粹依赖于数学模型的产物,而是对人脑、人脑神经网络及抽象认知和思维过程进行模拟的产物。应该说,到目前为止,深度学习是计算机和智能网络最接近人脑的智能学习方法。近几年来,深度学习进一步尝试直接解决抽象认知的难题,并取得了突破性的进展,AlphaGo的问世,便是明证。2013年4月,《麻省理工学院技术评论》(MIT Technology Review )杂志将深度学习列为2013年十大突破性技术之首。④深度学习引爆的这场革命,将人工智能带上了一个新的台阶,不仅学术意义巨大,而且实用性很强,工业界也开始了大规模的投入,一大批产品将从中获益。二十世纪八九十年代以来,随着学习科学的不断发展,深度学习的概念和思想不断在教育中得到应用。
二、深度学习在教育中的兴起与发展
来自脑科学、人工智能和学习科学领域的新成就,必然引起教育领域研究者的深刻反省。计算机、人工智能尚且能够模拟人脑的深层结构和抽象认知,通过神经网络的建立开展深度学习,那人对知识的学习过程究竟应该是怎样的一个脑活动过程和学习过程?学生的学习有表层和深层等层次之分吗?从作为符号的公共知识到作为个人意义的个人知识究竟是怎样建立起来的?知识学习过程究竟是一个怎样的抽象认知过程?信息技术环境支持下深层次的学习如何实现?近十多年来,这些问题引起了许多教育研究者特别是教育技术学研究者的浓厚兴趣,深度学习、深度教学的研究日益引起人们的重视。也正是在辛顿的“深度学习”概念明确提出后,教育学领域特别是教育技术学领域的深度学习研究日益活跃起来。
其实,早在1956年布鲁姆在《教育目标分类学》里关于“认知领域目标”的探讨中,对认识目标的维度划分就蕴含了深度学习的思想,即“学习有深浅层次之分”,将教学目标分为了解、理解、应用、分析、综合、评价六个由浅入深的层次。⑤学习者的认知水平停留在知道或领会的层次则为浅层学习,涉及的是简单提取、机械记忆符号表征或浅层了解逻辑背景等低阶思维活动;而认知水平较高的深层理解、应用、分析、综合和评价则涉及的是理性思辨、创造性思维、问题解决等相对复杂的高阶思维活动,属于深层学习。1976年,美国学者马顿(Marton,F.)和萨尔约(Saljo,R.)在《论学习的本质区别:结果和过程》(On Qualitative Difference in Learning: Outcome and Process)一文中,明确提出了表层学习和深层学习的概念。⑥这被普遍认为是教育学领域首次明确提出深度学习的概念。他们在一项关于阅读能力的实验研究中,明确探讨了阅读学习的层次问题。通过让学生阅读文章并进行测验,发现学生在阅读的过程中运用了两种截然不同的学习策略:一种是试图记住文章的事实表达,揣测接下来的测试并记忆,即表层学习(Surface Learning);另一种是试图理解文章的中心思想和学术内涵,即深层学习(Deep Learning),也被译为深度学习。深度学习的学习者追求知识的理解并且使已有的知识与特定教材的内容进行批判性互动,探寻知识的逻辑意义,使现有事实和所得出的结论建立联系。浅层学习和深层学习在学习动机、投入程度、记忆方式、思维层次和迁移能力上有明显的差异。深度学习是一种主动的、高投入的、理解记忆的、涉及高阶思维并且学习结果迁移性强的学习状态和学习过程。之后 ,拉姆斯登(Ramsden,1988)、英推施黛(Entwistle,1997)以及比格斯(Biggs,1999)等人发展了浅层学习和深度学习的相关理论。⑦随着信息技术的发展,近十年来,国外学者对信息技术支持下的深度学习及其在各学科领域、各类教育中的应用研究日渐广泛。
2002年以来,从技术支持高等教育的深度学习、虚拟环境中的深度学习、形成性评估对深度学习的影响、学习环境对学生进行深度学习的影响、技术支持下的深度学习设计等方面研究成果日益丰富,但绝大部分是基于教育技术学视野的研究成果。2006年,辛顿教授关于深度学习的成果发表,进一步推动了深度学习在教育中的研究与应用。近十年来,在中小学深度学习研究方面最有影响的当属加拿大西盟菲莎大学(Simon Fraser University)艾根(Egan, K.)教授领衔的“深度学习”(Learning in Depth,简称LID)项目组所进行的研究,其成果集中体现在《深度学习:转变学校教育的一个革新案例》(Learning in Depth: A Simple Innovation That Can Transform Schooling)等著述之中。⑧该研究探讨了深度学习的基本原则与方法,分析了深度学习对学生成长、教师发展和学校革新的价值与路径,并在加拿大部分中小学进行实验研究。其核心成果聚焦课堂学习和教学问题,即使是关于教师教育中深度学习的研究,也聚焦于教师的学习过程和学习方式。⑨艾根所开展的深度学习研究项目超越了单一教育技术学视野的研究,不仅仅是关于教学设计、学习技术和学习环境开发的研究,而是基于建立新的学习观和知识观,对教学活动与学习过程作出了新的阐释。
总体上看,国内关于深度学习的研究最近十年才刚刚起步。2005年,我国学者黎加厚教授在《促进学生深度学习》一文中,率先介绍了国外关于深度学习的研究成果,同时探讨了深度学习的本质。他认为深度学习是指在理解学习的基础上,学习者能够批判性地学习新的思想和事实,并将它们融入原有的认知结构中,能够在众多思想间进行联系,能够将已有的知识迁移到新的情境中,作出决策和解决问题的学习。⑩此文被认为是国内较早介绍并论及深度学习的研究成果,此后,关于深度学习的探讨,特别是基于信息技术环境下的深度学习的相关研究论文逐渐增加。2006年10月,笔者在前期研究的基础上,与台湾成功大学教育研究所所长李坤崇教授联合发起“海峡两岸能力生根计划”,推进能力导向的深度教学的理论研究与实验研究,主张以价值观、知识观、学习观、过程观的重建为基础,以发展学生的学科能力为宗旨,实施深度教学,克服课堂教学改革过于注重教学程序、教学技术、教学时间的浅层次改革和表层学习的局限性,深化课堂教学改革。2014年后,中国教育科学院院长兼教育部课程教材研究与发展中心主任田慧生研究员基于深化课程改革的需要,带领一个团队开始启动深度学习的项目研究。直至今日,基于核心素养追求背景下的深度学习研究项目,如雨后春笋般涌现,“深度学习”成为教育研究中的一个热词。
尽管计算机、人工智能领域与教育学领域都提出了“深度学习”概念,但不难看出二者显然具有本质差异。计算机与人工智能领域的深度学习是建立在机器模拟人脑深层结构的基础之上的,是基于人脑结构的一种计算机算法思维和问题解决模型,是对人脑和认知结构的模拟。而教育学领域的“深度学习”概念,无论是布鲁姆还是马顿和萨尔约,都指向了“知识”和“学习”两个核心,是关于知识学习的目标和过程的问题。布鲁姆在教育目标分类学认知领域的目标构设中,认为认知目标是由了解、理解、应用、分析、综合、评价六个不断加深的层次构成的。这一目标明显是关于知识学习和认知过程的目标,在2001年修订版中,这一目标被精确表述为知识学习和认知过程两个维度。马顿和萨尔约在关于阅读的研究中,基于学生对文本理解的层次和理解的深度提出了“深度学习”的概念,并认为学习的本质区别在于过程而不是学习的结果,是学生对文本知识学习的深刻程度决定了其学习结果的差异性。
艾根的研究实现了从深度学习向深度教学的转向。艾根的深度学习(Learning in Depth)研究更明确地指向了学生对知识的学习所到达的深度,以及教师通过对知识的处理引导学生逐步到达一定的学习深度。这一深度学习的过程是一个逐步深化的学习过程,要求教师在教学过程中引导学生着眼于知识的深层次理解和深度处理。该项研究表明,深度学习的研究开始从单一的学习技术研究转向了对教学过程的关注,注重深度学习与深度教学的关联性和一致性,深度学习的研究呈现出向深度学习与深度教学相结合的转向。
三、深度学习的核心理念
从深度学习走向深度教学,一方面是教与学的一致性决定的,另一方面是当前中小学课堂教学普遍存在的局限性Q定的。教与学的关系既不是对立关系,也不是对应关系,而是一种具有相融性的一体化关系,离开了教无所谓学,离开了学也无所谓教。学生真正意义上的深度学习需要建立在教师深度教导、引导的基础之上。从本质上看,教育学视野下的深度学习不同于人工智能视野下的深度学习,不是学生像机器一样对人脑进行孤独的模拟活动,而是学生在教师引导下,对知识进行的“层进式学习”和“沉浸式学习”。“层进”是指对知识内在结构的逐层深化的学习,“沉浸”是指对学习过程的深刻参与和学习投入。离开了教师的教学和引导,学生何以“沉浸”?因此,深度学习只有走向深度教学才更具有发展性的意义和价值。同时,我国新一轮基础教育课程改革以来,课堂教学改革依然存在着诸多表层学习、表面学习和表演学习的局限性,“学习方式的转变”往往演变成了教学形式的改变,诸如教与学在程序上的简单翻转和在时间上的粗暴分配。其所体现出来的知识观、价值观、教学观、过程观依然陈旧落后,以学科知识、学科能力、学科思想和学科经验的融合为核心的学科素养依然未能得到实质性的渗透。
深度教学的“深度”是建立在完整而深刻地处理和理解知识的基础之上的。艾根在深度学习的研究中,首次从知识论的角度,论述了深度学习的“深度”(Depth)的涵义。他认为“学习深度”具有三个基本标准,即知识学习的充分广度(Sufficient Breadth)、知识学习的充分深度(Sufficient Depth)和知识学习的充分关联度(Multi-Dimensional Richness and Ties)。这三个标准,也是深度学习的核心理念。
第一,知识学习的充分广度。充分的广度与知识产生的背景相关,与知识对人生成的意义相关,与个体经验相关,也与学习者的学习情境相关。如果教学把知识从其赖以存在的背景、意义和经验中剥离出来,成为纯粹的符号,便成为无意义的符号、无根基的概念知识。知识具有强烈的依存性,无论是自然科学的知识还是社会科学或人文学科的知识,都是特定的社会背景、文化背景、历史背景及其特定的思维方式的产物。离开了知识的自然背景、社会背景、逻辑背景,前人创造的知识对后人而言几乎不具有可理解性。随着深度学习的兴起,旨在以广度促进理解的“无边界学习”日益引起人们的重视。可见,知识的充分广度,其实是为理解提供多样性的支架,为知识的意义达成创造了可能性和广阔性基础。
第二,知识学习的充分深度。知识的充分深度与知识所表达的内在思想、认知方式和具体的思维逻辑相关,深度学习把通过知识理解来建立认识方式,提升思维品质,特别是发展批判性思维作为核心目标。所以说,深度学习是一种反思性学习,是注重批判性思维品质培养的学习,同时也是一种沉浸式、层进式的学习。深度学习强调学习过程是从符号理解、符号解码到意义建构的认知过程,这一过程是逐层深化的。
第三,知R学习的充分关联度。知识的充分关联度,是指知识学习指向与多维度地理解知识的丰富内涵及其与文化、想象、经验的内在联系。知识学习不是单一的符号学习,而是对知识所承载的文化精神的学习。同时,通过与学生的想象、情感的紧密联系,达到对知识的意义建构。从广度,到深度,再到关联度,学生认知的过程是逐层深化的。所谓意义建构,即从公共知识到个人知识的建立过程,都需要建立在知识学习的深度和关联度之上。
①Y.LeCun and Y.Bengio.Convolutional networks for images,speech,and time-series.In M.A.Arbib,editor,The Handbook of Brain Theory and Neural Networks.MIT Press,1995.
②Geoffery E.Hinton and Salakhutdinov R.R.,Reducing the dimensionality of data with neural networks. Science.2006 Jul 28;313(5786):504-7.
③Geoffrey E.Hinton,Simon Osindero,Yee-Whye Teh. A Fast Learning Algorithm for Deep Belief Nets. Neural Computation.2006(7).
④余凯等.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,9.
⑤安德森.布卢姆教育目标分类学(修订版)[M]. 北京:外语教学与研究出版社,2009:78-80.
⑥Marton,F. and Saljo,R.,On Qualitative Difference in Learning:Outcome and Process. British Journal of Educational Psychology,1976,46:4-11.
⑦安富海.促进深度学习的课堂教学策略研究[J].课程・教材・教法,2014,11.
教育是着眼于未来的事业,教育的首要任务就是为未来社会培养相适应的合格人才。随着人工智能的诞生和发展,我国已经开始将人工智能应用于教育领域,并显示出人工智能对于弥补当前教育存在的种种缺陷和不足,推动教学现代化和教育发展改革进程起着越来越重要的作用。在现代医学发展中,工程科学与临床医学不断融合,相互进步。近几年,随着人工智能技术,机器人技术,虚拟与增强现实技术,3D打印技术与医学不断的融合发展,衍生出一系列的医学诊疗技术,仪器,大大推进了医学发展。从2013年到2017年,国务院、发改委、FAD连续发文,多次提及医疗走智能化、云化的趋势,为推动智能医疗领域保驾护航。智能与医学的结合已经是大势所趋,因此,为培养大量智能医学人才极有必要对智能医学教育新模式进行深入研究。
一、目前医学教育以及医学人才培养状况
智能医学工程是一门将人工智能、传感技术等高科技手段综合运用于医学领域的新兴交叉学科,研究内容包括智能药物研发、医疗机器人、智能诊疗、智能影像识别、智能健康数据管理等。
智能医学工程的毕业生掌握了基础医学、临床医学的基础理论,对智慧医院、区域医疗中心、家庭自助健康监护三级网络中的医学现象、医学问题和医疗模式有较深入的理解,能熟练地将电子技术、计算机技术、网络技术、人工智能技术,应用于医疗信息大数据的智能采集、智能分析、智能诊疗、临床实践等各个环节。实验教学正是融合型创新人才的最好培养方式。智能医学人才的培养需要各学科间的相互交融更为紧密,学生的创新应用能力才能得到更好的培养。与此同时,由于绝大部分医工结合的专业大部分归属与工科学院下,缺乏必要的临床经验,因而学生不能很好的把握新技术的应用。
而国内相关人才缺口还非常大,目前,国内仅仅有生物医学工程、医学信息工程等工科专业培养医工结合人才。但是囿于培养时间与培养模式,他们往往只能针对具体某一方向,并且目前的培养体系还多着重于工学技术的研究,缺乏临床实践。
二、智能+医学教育的必要性探究
2.1技术进步对医疗人员的诊疗帮助
以癌症的治疗为例,由于针对癌症药物的研究何药物数量非常巨大,对于普通医生在短时间内难以进行准确的判断针对癌症的研究和药物数量非常巨大,具体来说,目前已有800多种药物和疫苗用于治疗癌症。但是,这对于医生来说却有负面的影响,因为有太多种选择可供选择,使得为病人选择合适的抗癌药物变的更加困难。同样,精确医学的进步也是非常困难的,因为基因规模的知识和推理成为决定癌症和其他复杂疾病的最终瓶颈。今天,许多受过专业训练的医学研究员需要数小时的时间来检查一个病人的基因组数据并作出治疗决定。
上述问题在拥有工学、医学双背景的医生手中已经不是问题,通过目前日渐成熟的AI技术,对于大量的医疗数据进行检索,通过可靠的编程手段,通过人工智能技术,建立完备的医疗数据库,帮助医生进行诊疗。据调查,美国微软公司已经研制出帮助医生治疗癌症的人工智能机器,其原理是对于所有关于癌症的论文进行检索,并提出对于病人治疗最有效的参考方案,它可以通过机器学习来帮助医生找到最有效,最个性化的癌症治疗方案,同时提供可视化的研究数据。
2.2智能医学对于新时代医生培养的影响
人工智能通过计算机可为学生提供图文并茂的丰富信息和数据,一方面加强了学生的感性认识,加强了对所学知识的理解和掌握,从而提高了教学质量。同时,人工智能可帮助教师完成繁杂的、需适应各种教学的教学课程、课件等设计,使教师将更多的精力专注于学与教的行为和过程,从而提高教学效率。正如前面所述例子,智能网络模块化学习平台可使教学摆脱以往对于示教病例的依赖,拓展了学生们的学习空间和时间,可极大地提高医学学习效率和教学质量。
教育与人工智能相结合将会创新教育方式和理念。北京师范大学何克抗教授在《当代教育技术的研究内容与发展趋势》中提到当代教育技术的五大发展趋势之一就是“愈来愈重视人工智能在教育中应用的研究”。结合上述人工结合上述人工智能在医学教育中的创新作用,下面就人工智能结合医学学教育新模式提出一些构想。
三、交叉医学人才的培养
3.1建立智能医学人才培养体系的必要性
目前智能医学的研发和临床还存在隔阂,临床医生并没有很好地理解人工智能,无法从实践出发提出人工智能能够解决的方向,而人工智能的产业界热情高涨,却未必能踩准点,所以产业界需要和临床深度沟通融合,才能真正解决看病难、看病贵的问题,缓解医疗资源紧张。目前,国内仅仅有生物医学工程、醫学信息工程等工科专业培养医工结合人才。
3.2医学人才培养体系初步构想
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097(2008)13―0018―03
人工智能是一门综合的交叉学科,涉及计算机科学、生理学、哲学、心理学、哲学和语言学等多个领域。人工智能主要研究用人工的方法和技术,模仿、延伸和扩展人的智能,实现机器智能,其长期目标是实现人类水平的人工智能。[1]从脑神经生理学的角度来看,人类智能的本质可以说是通过后天的自适应训练或学习而建立起来的种种错综复杂的条件反射神经网络回路的活动。[2]人工智能专家们面临的最大挑战之一是如何构造一个可以模仿人脑行为的系统。这一研究一旦有突破,不仅给学习科学以技术支撑,而且能反过来促使人脑的学习规律研究更加清晰,从而提供更加切实有效的方法论。[3]人工智能技术的不断发展,使人工智能不仅成为学校教育的内容之一,也为教育提供了丰富的教育资源,其研究成果已在教育领域得到应用,并取得了良好的效果,成为教育技术的重要研究内容。
人工智能的研究更多的是结合具体领域进行的,其主要研究领域有:专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈、智能决策支持系统、人工神经网络和分布式人工智能等。[4]目前,在教育中应用较为广泛与活跃的研究领域主要有专家系统、机器人学、机器学习、自然语言理解、人工神经网络和分布式人工智能,下面就这些领域进行阐述。
一 专家系统
专家系统是一个具有大量专门知识与经验的程序系统,它使用人工智能技术,根据某个领域中一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题。[5]专家系统主要组成部分为:知识库,用于存储某领域专家系统的专门知识;综合数据库,用于存储领域或问题的初始数据和推理过程中得到的中间数据或信息;推理机,用于记忆所采用的规则和控制策略的程序,使整个专家系统能够以逻辑方式协调地工作;解释器,向用户解释专家系统的行为;接口,使用户与专家系统进行对话。近几十年来,专家系统迅速发展,是人工智能中最活跃、最有成效的一个研究领域,广泛用于医疗诊断、地质勘探、军事、石油化工、文化教育等领域。
目前,专家系统在教育中的应用最为广泛与活跃。专家系统的特点通常表现为计划系统或诊断系统。计划系统往前走,从一个给定系统状态指向最终状态。如计划系统中可以输入有关的课堂目标和学科内容,它可以制定出一个课堂大纲,写出一份教案,甚至有可能开发一堂样板课,而诊断系统是往后走,从一个给定系统陈述查找原因或对其进行分析,例如,一个诊断系统可能以一堂CBI(基于计算机的教学,computer-based instruction)课为例,输入学生课堂表现资料,分析为什么课堂的某一部分效果不佳。在开发专家计划系统支持教学系统开发(ISD)程序的领域中最有名的是梅里尔(Merrill)的教学设计专家系统(ID Expert)。[6]
教学专家系统的任务是根据学生的特点(如知识水平、性格等),以最合适的教案和教学方法对学生进行教学和辅导。其特点为:同时具有诊断和调试等功能;具有良好的人机界面。已经开发和应用的教学专家系统有美国麻省理工学院的MACSYMA符号积分与定理证明系统,我国一些大学开发的计算机程序设计语言、物理智能计算机辅助教学系统以及聋哑人语言训练专家系统等。[7]
目前,在教育中,专家系统的开发和应用更多的集中于远程教育,为现代远程教育的智能化提供了有力的技术支撑。基于专家系统构造的智能化远程教育系统具有以下几个方面的功能:具备某学科或领域的专门知识,能生成自己的提问和应答; 能够分析学生的特征,评价和记录学生的学习情况,诊断学生学习过程中的错误并进行补救教学;可以选择不同的教学方法实现以学生为主体的个别化教学。[8]目前应用于远程教育的专家系统有智能决策专家系统、智能答疑专家系统、网络教学资源专家系统、智能导学系统和智能网络组卷系统等。
二 机器人学
机器人学是人工智能研究是一个分支,其主要内容包括机器人基础理论与方法、机器人设计理论与技术、机器人仿生学、机器人系统理论与技术、机器人操作和移动理论与技术、微机器人学。[9]机器人的发展经历了三个阶段:第一代机器人是以 “示教―再现”方式进行工作;第二代机器人具有一定的感觉装置,表现出低级智能;第三代机器人是具有高度适应性的自治机器人,即智能机器人。目前开发和应用的机器人大多是智能机器人。机器人技术的发展对人类的生活和社会都产生了重要影响,其研究和应用逐渐由工业生产向教育、环境、社会服务、医疗等领域扩展。
机器人技术涉及多门科学,是一个国家科技发展水平和国民经济现代化、信息化的重要标志,因此,机器人技术是世界强国重点发展的高技术,也是世界公认的核心竞争力之一,很多国家已经将机器人学教育列为学校的科技教育课程,在孩子中普及机器人学知识,从可持续和长远发展的角度,为本国培养机器人研发人才。[10]在机器人竞赛的推动下,机器人教育逐渐从大学延伸到中小学,世界发达国家例如美国、英国、法国、德国、日本等已把机器人教育纳入中小学教育之中,我国许多有条件的中小学也开展了机器人教育。
机器人在作为教学内容的同时,也为教育提供了有力的技术支撑,成为培养学习者创新精神和实践能力的新的载体与平台,大大丰富了教学资源。多年来,我国中小学信息技术教育的主要载体是计算机和网络,教学资源单一,缺乏前瞻性。教学机器人的引入,不仅激发了学生的学习兴趣,还为教学提供了丰富的、先进的教学资源。随着机器人技术的发展,教学机器人种类越来越多,目前在中小学较为常用的教学机器人有:能力风暴机器人、通用机器人、未来之星机器人、乐高机器人、纳英特机器人、中鸣机器人等。
三 机器学习
机器学习是要使计算机能够模仿人的学习行为,自动通过学习来获取知识和技巧,[11]其研究综合应用了心理学、生物学、神经生理学、逻辑学、模糊数学和计算机科学等多个学科。机器学习的方法与技术有机械学习、示教学习、类比学习、示例学习、解释学习、归纳学习和基于神经网络的学习等,近年来,知识发现和数据挖掘是发展最快的机器学习技术。机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径,对机器学习的研究有助于发现人类学习的机理和揭示人脑的奥秘。[12]
随着计算机技术的进步和机器学习研究的深入,机器学习系统的性能大大提高,各种学习算法的应用范围不断扩大,例如将连接学习用于图文识别,归纳学习、分析学习用于专家系统等,大大推动了在教育中的应用,例如在建构适应性教学系统中,用机器学习与朴素的贝叶斯分类器动态了解学生的学习偏好,有较高的准确率[13]。基于案例的推理(case-based reasoning,CBR)是一种新兴的机器学习和推理方法,其核心思想是重用过去人们解决问题的经验解决新问题,在计算机辅助教育方面,已经出现了基于CBR的图形仿真教育系统,并且,针对个体特征的教育教学方法研究也有所突破。[14]另外,数据挖掘和知识发现在生物医学、金融管理、商业销售等领域的成功应用,不仅给机器学习注入新的生机,也为机器学习在教育中的应用提供了新的前景。
四 自然语言理解
自然语言理解就是研究如何让计算机理解人类的自然语言,以实现用自然语言与计算机之间的交流。一个能够理解自然语言信息的计算机系统看起来就像一个人一样需要有上下文知识以及根据这些上下文知识和信息用信息发生器进行推理的过程。[15]自然语言理解包括口语理解和书面理解两大任务,其功能为:回答问题,计算机能正确地回答用自然语言提出的问题;文摘生成,计算机能根据输入的文本产生摘要;释义,计算机能用不同的词语和句型来复述输入的自然语言信息;翻译,计算机能把一种语言翻译成另外一种语言。由于创造和使用自然语言是人类高度智能的表现,因此对自然语言处理的研究也有助于揭开人类高度智能的奥秘,深化对语言能力和思维本质的认识。[16]
自然语言理解最早的研究领域是机器翻译,随着应用研究的广泛开展,也为机器人和专家系统的知识获取提供了新的途径,例如由MIT研制的指挥机器人的自然语言理解系统SHRDLU就可以接收自然语言,进行人机对话,回答关于桌面上积木世界中的各种问题。同时,对自然语言理解的研究也促进了计算机辅助语言教学和计算机语言设计等方面的发展,例如“希赛可”网络智能英语学习系统,这个基于网络的“人-机”语境的建立,突破了普通英语教师和传统的单机的多媒体教学软件所能具备能力限制,也比建立于网络的“人-人”语境更具灵活性,可以为远程学习者提供良好的英语学习支持,在国内第一次系统地将用自然语言进行的人机对话系统应用在计算机辅助外语教学上,在国际上也是一种创新。[17]
五 人工神经网络
人工神经网络就是在对大脑的生理研究的基础上,用模拟生物神经元的某些基本功能的元件(即人工神经元),按各种不同的联结方式组织起来的一个网络,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能,例如可以用于模仿视觉、模式识别、声音信号处理、控制、故障诊断等领域,人工神经元是人工神经网络的基本单元。[18]人工神经网络有两种基本结构:递归(反馈)网络和多层(前馈)网络,两种主要学习算法:有指导式学习和非指导式学习。
人工神经网络从模拟人类大脑神经网络的结构和行为出发,具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,特别适合于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,[19]这使人工神经网络具有更大的发展潜能,目前已经开发和应用的人工神经网络模型有30多种。人工神经网络在教育中的应用大多是与教学专家系统相结合,以此来改进教学专家系统的性能,提高智能性,使其在教学过程中对突发问题具有更好的应对能力。人工神经网络在学校管理中也得到应用,例如采用误差反传算法(BP)的多层感知器已应用于高校管理之中。
六 分布式人工智能(Distributed Artificial Intelligence,DAI)
分布式人工智能是分布式计算与人工智能结合的结果,研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型,主要研究问题是各Agent之间的合作与对话,包括分布式问题求解和多Agent系统两个领域。[20]分布式人工智能系统一般由多个Agent组成,每个Agent又是一个半自治系统,Agent之间及Agent与环境之间进行并发活动并进行交互来完成问题求解。[21]由于分布式人工智能系统具有并行、分布、开放、协作和容错等优点,在资源、时空和功能上克服了单智能系统的局限性,因此获得了广泛的应用。
分布式人工智能中的Agent和多Agent技术在教学中的应用逐渐受到关注。在教学中引入Agent可以有效地提高教学系统的智能性,创造良好的学习情境,并能激发学习者的学习兴趣,进行个性化教育。目前,Agent和多Agent技术多用于远程智能教学系统,通过利用其分布性、自主性和社会性等特点,提高网络教学系统的智能性,使教学资源得到充分利用,并可实现对学习者的学习行为进行动态跟踪,为学习者的网络学习创造合作性的学习环境。在网络教学软件中应用Agent技术的一个典型是美国南加利福尼亚大学(USC)开发的教学Adele(Agent for Distance Education - Light Edition) [22]。Agent技术在网络教学软件中取得的良好效果,促进了研究者对分布式人工智能在教育中的应用研究。
综上所述,科学技术的发展将会推动人工智能技术在教育中应用的广度和深度。从人工智能的应用趋势来看,人工智能在教育中应用的扩展可以通过以下三个方面进行:一是人工智能与其他先进信息技术结合。人工智能已经与多媒体技术、网络技术、数据库技术等有效的融合,为提高学习效率和效度提供了有力的技术支持,而引起教育技术界广泛关注。[23]例如人工智能技术通过与多媒体技术相结合,可以提高智能教学系统的教学效果;与网络通讯技术相结合,可以提高和改进远程教育的智能性。二是人工智能应用研究领域间的集成。人工智能应用研究领域之间并不是彼此独立,而是相互促进,相互完善,它们可以通过集成扩展彼此的功能和应用能力。例如自然语言理解与专家系统、机器人的集成,为专家系统和机器人提供了新的知识获取途径。三是人工智能的研究和应用出现了许多新的领域,它们是传统人工智能的延伸与扩展,这些新领域有分布式人工智能与Agent、计算智能与进化计算、数据挖掘与知识发现以及人工生命等[24],这些发展与应用蕴藏着巨大潜能,必将对教育产生重要的影响。
技术发展不断发挥着引导教育技术研究的作用,一种新兴技术的出现总是会掀起相应的研究热潮, 引发对技术在教育中应用的探讨、评价以及与传统技术的对比。[25] 人工智能作为一门交叉的前沿学科,虽然在基本理论和方法等方面存在着争论,但从其研究成果与应用效果来看,有着广阔的应用前景,值得进一步的开发和利用。
参考文献
[1] 史忠植,王文杰.人工智能[M].北京:国防工业出版社,2007:1.
[2][11][18][19] 《计算机与信息科学十万个为什么》丛书编辑委员会,计算机与信息科学十万个为什么(8):人工智能[M].北京:清华大学出版社,1998:5,189,78-79,84.
[3] 任友群,胡航.论学习科学的本质及其学科基础[J].中国电化教育,2007,(5):1-5.
[4][21] 蔡瑞英,李长河.人工智能[M].武汉:武汉理工大学出版社,2003:12-13.
[5][12][15][20][24] 蔡自兴,徐光.人工智能及其应用(第三版)――研究生用书[M].北京:清华大学出版社,2007: 12-14,19-20.
[6] [荷]山尼•戴克斯特拉,[德]诺伯特•M. 西尔,[德]弗兰兹•肖特,等.任友群,郑太年主译.教学设计的国际观第2册:解决教学设计问题[M].北京:教育科学出版社,2007:67.
[7] 任友群.技术支撑的教与学及其理论基础[M].上海:上海教育出版社,2007:42-43.
[8] 路利娟.应用专家系统提升现代远程教育的智能化[J].中国教育技术装备,2007,(12):79-80.
[9] 陈恳,杨向东,刘莉等.机器人技术与应用[M].北京:清华大学出版社,2007:6.
[10] 关注机器人幼儿教育――访鲍青山博士[DB/OL].
[13] 柏宏权,韩庆年.机器学习在适应性教学系统中的应用研究[J].南京师范大学学报(工程技术版),2007,7(4):76-79.
[14] 杨健,赵秦怡.基于案例的推理技术研究进展及应用[J].计算机工程与设计,2008,29(3):710-712.
[16] 自然语言理解[DB/OL].
[17] 贾积有.人工智能技术的远程教育应用探索――“希赛可”智能型网上英语学习系统[J].现代教育技术,2006,16(2):26-29.
中图分类号:TP18文献标识码:A文章编号:1009-3044(2008)35-2417-02
Artificial Intelligence Education and Middle School Students Information Literacy
WU Wen-tie
(Mathematics and Computer Institute of Mianyang Normal University, Mianyang 621000, China)
Abstract: Information Literacy in the Information Age is a national basic literacy, artificial intelligence represents a cutting-edge information technology. Based on the analysis of information quality and substance of the definition on the basis of exploring the field of artificial intelligence research, as well as in education, put forward the theory of artificial intelligence and technology courses in secondary education should be in a more systematic, comprehensive Improve the information literacy of students.
Key words: artificial intelligence; information literacy; information technology
1 信息素养的定义及其内涵
“信息素养”一词最早产生于信息技术和信息产业发达的美国, 是随着现代信息社会的逐渐形成而对国民提出的一种兼跨人文和科学范畴的综合性个人素养要求的描述。随着研究的深入,人们对信息素养的认识也在不断深化。
1974年美国信息产业协会主席保罗・泽考斯基最先提出信息素养的概念, 他认为信息素养是“利用大量的信息工具及主要信息源使问题得到解答的技术及技能”。1992年美国图书馆协会提出:“信息素养是人能够判断何时需要信息, 并且能够对信息进行检索、评价和有效利用的能力。”同年, 道尔在《信息素养全美论坛的终结报告》中给出了一个较为全面的定义:一个具有信息素养的人, 他能够认识到精确和完整的信息是作出合理决策的基础, 他能够确定对信息的需求, 能够形成基于信息需求的问题, 能够确定潜在的信息源, 能够制定成功的检索方案, 从包括基于计算机的和其他的信息源中获取信息、评价信息、组织信息用于实际的应用, 将新的信息与原有的知识体系进行融合以及在批判性思考和问题解决过程中使用信息。
综上所述, 虽然研究人员从不同的视角界定了信息素养的定义, 但可看出, 信息素养既包括认知态度层面上的内容, 也包括技术层面、操作层面和能力层面上的内容。概括起来讲, 信息素养主要包括信息意识、信息能力和信息道德三个方面:
1) 信息意识。信息意识是信息素养的首要因素, 主要指人们对信息及其交流活动在社会中的地位、价值、功能和作用的认识, 换句话说, 就是指人们对信息的判断、捕捉的能力。信息意识的强弱将直接影响人们利用信息的程度和效果。人们只有有了信息意识,才有可能有信息的需求, 进一步去寻找信息和利用信息, 并主动学习与信息处理有关的技术。
2) 信息能力。信息能力是信息素养的重要方面, 是指人们获取信息、处理信息、利用信息、创造信息、交流信息的技术和能力。人们只有掌握一定的信息技能, 才能有效地开展各种信息活动, 有效地利用信息和创造信息, 充分发挥信息的价值, 变信息为动力和优势。
3) 信息道德。信息道德是指人们在整个信息交流活动过程中表现出来的信息道德品质。它是对信息生产者、信息加工者、信息传播者及信息使用者之间相互关系的行为进行规范的伦理准则, 是信息社会每个成员都应该自觉遵守的道德标准。
2 人工智能的研究领域
人工智能的研究领域非常广泛, 而且涉及的学科也非常多。目前,人工智能的主要研究领域包括:专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、智能决策支持系统及人工神经网络等。下面主要介绍在网络教育环境中常用的智能技术。
2.1 专家系统
所谓专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统, 它能运用该领域专家多年积累的经验与知识, 模拟人类的思维过程,求解需要专家才能解决的困难问题。
2.2 机器学习
“学习”是一个有特定目的的知识获取过程, 其内在行为是获取知识、积累经验、发现规律; 外部表现是改进性能、适应环境、实现系统的自我完善。所谓机器学习, 就是要使计算机能模拟人的学习行为, 自动地通过学习获取知识和技能, 不断改善性能, 实现自我完善。机器学习主要研究学习的机理、学习的方法以及针对相应的学习系统建立学习系统。
2.3 模式识别
所谓模式识别,是指研究一种自动技术。计算机通过运用这种技术,就可自动地或者人尽可能少干预地把待识别模式归入到相应的模式类中去。也就是说,模式识别研究的主要内容就是让计算机具有自动获取知识的能力,能识别文字、图形、图像、声音等。一般来说,模式识别需要经历模式信息采集、预处理、特征或基元抽取、模式分类等几个步骤。
2.4 人工神经网络
人工神经网络是指模拟人脑神经系统的结构和功能, 运用大量的处理部件, 由人工方式建立起来的网络系统。它是在生物神经网络研究的基础上建立起来的,是对脑神经系统的结构和功能的模拟, 具有学习能力、记忆能力、计算机能力以及智能处理功能。其中学习是神经网络的主要特征之一, 可以根据外界环境来修改自身的行为。学习的过程即是对网络进行训练的过程和不断调整它的连接权值, 以使它适应环境变化的过程。学习可分为有教师(或称有监督)学习与无教师(无监督)学习两种类型。对神经网络的研究使人们对思维和智能有了进一步的了解和认识,开辟了另一条模拟人类智能的道路。
3 人工智能技术在教育中的应用
3.1 智能搜索引擎
随着互联网站点和页面的激增以及网络用户队伍的不断壮大,信息检索成为人们利用Internet的重要途径。但是在浩瀚的网页海洋中寻找有用的信息并不容易,需要借助有力的检索工具如搜索引擎等等。目前一些著名的搜索引擎有:GOOGLE、YAHOO、EXCITE、INFOSEEK等,他们各有特色,但仍存在不足之处,如检索到的无关信息过多以及检索结果排序较混乱。智能化信息检索是信息检索的新分支,它是人工智能和信息检索的交叉学科。它在对内容的分析理解、内容表达、知识学习等基础上实现检索的智能化,这样可以节省学习者在检索中花费的时间,帮助学习者提高检索效率。智能化信息检索所用到的人工智能技术有专家系统、自然语言处理和知识表示。
3.2 智能体(agent)
agent技术早在70年代出现在人工智能领域,通过感知、学习、推理以及行动能够基于知识库的训练模仿人类社会的行为。随着其进一步发展,它在远程教育领域发挥着越来越重要的作用。一套完整的远程教育系统中包含许多子系统,如答疑、作业、考试、交互等等子系统。这些子系统都有各自的数据库用来存储信息。为了提高整个系统的智能性,可以引入智能技术,把众多子系统的数据库链接起来,实现信息资源的共享。通过分析这些信息,智能技术可以发现学习者的个别特征(如兴趣爱好信息、点击知识点信息统计、交互日志等等),并根据这些特征量身订做出适合学习者的学习方案,也有助于教师及时掌握学习者学习过程中的动态信息。
3.3 智能CAI(ICAI)
随着计算机技术的飞速发展,计算机辅助教学(CAI)已受到教育界的重视,成为学科教学改革的一种重要手段。许多学校都在开发CAI课件,但大多数CAI课件只是机械地按照教学设计者事先设计好的教学模式和内容向学生传授知识,并没有体现出个性化学习,无法做到因材施教。
智能CAI是以人工智能技术为核心,使CAI系统能够根据学生的学习情况等因素分析学生的特征,合理安排教学内容、变化教学方法去满足个别教学的需要。使用智能CAI进行教学能够克服传统CAI的不足,显著提高教学效果,是CAI课件发展的趋势。
3.4 智能教学系统ITS
智能教学系统(intelligent tutoring system,ITS)是涉及人工智能、计算机科学、认知科学、教育学、心理学和行为科学的综合性课题,其研究的最终目标是由计算机负担起人类教育的主要责任,即赋予计算机系统以智能,由计算机系统在一定程度上代替人类教师实现最佳教学。我国ITS的研究起步较晚,但近几年随着计算机的普及和教育软件需求增大,ITS的发展较快。ITS按照功能分为四个模块:专家知识模块、学生模块、教师模块、人机接口模块。
4 人工智能教育对学生信息素养的作用
人工智能(ArtificialIntelligence,AI)是计算机科学的一个分支,是一门研究运用计算机模拟和延伸人脑功能的综合性学科。换言之,它研究如何用计算机模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划以及问题求解等思维活动,来解决需要人类专家才能处理的复杂问题,例如咨询、诊断、预测、规划等决策性问题。人工智能也是一门涉及数学、计算机科学、控制论、信息学、心理学、哲学等学科的交叉和边缘学科。与一般的信息处理技术相比,人工智能技术在求解策略和处理手段上都有其独特的风格。人工智能研究处于信息技术的前沿,它的研究、应用和发展在一定程度上决定着计算机技术的发展方向。同时,信息技术的广泛应用也对人工智能技术的发展提出了急切的需求。今天,人工智能的不少研究领域如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿,有许多研究成果已经进入人们的生活、学习和工作中,并对人类的发展产生了重要影响。
综上所述,作为信息技术一个不可缺少的重要组成部分,人工智能的基本内容在中学信息技术课程中是不能不专门提及的,以往某些教材中用一两页篇幅作个简单介绍的方法根本不足以反映人工智能学科的全貌。因此,十分有必要在高中阶段的信息技术课程中专门设立人工智能选修课。我们认为,高中阶段开设人工智能课程可以在以下几个方面对学生的信息素养培养产生积极作用:
1) 多种思维方式的培养和信息素养的综合锻炼。
现实世界的问题可以按照结构化程度划分成三个层次:结构化问题,是能用形式化(或称公式化)方法描述和求解的一类问题;非结构化问题,难以用确定的形式来描述,主要根据经验来求解;半结构化问题则介于上述两者之间。一般说来,中学阶段开设的传统意义上的信息技术课程中所介绍的信息技术,例如多媒体技术、网络技术、数据库技术、算法与程序设计等,都是求解结构化问题的基本技术。而人工智能技术则是解决非结构化、半结构化问题的一类有效技术。
把人工智能课程引入我国现行的高中信息技术教育,可以让学生在体验、认识人工智能知识与技术的过程中获得对非结构化、半结构化问题解决过程的了解,从而培养学生的多种思维方式,达到提高信息素养的目的。通过人工智能课程的学习,学生还将了解人工智能语言的基本特征,学到智能化问题求解的最为基本的策略。
2) 体验人类专家解决复杂问题的思路,提高学生的逻辑思维能力。
这里以人工智能学科中“专家系统”技术的体验、学习与应用过程为例进行说明。在专家系统的应用过程中,一个实际的专家系统不仅能够为用户给出相关领域的专家水平建议或决策,而且能够通过解释机制,以用户容易理解的方式解释专家系统的具体推理过程。学生可以向专家系统提出诸如“为什么(Why)”、“如何(How)”、“如果……会怎么样”等问题,系统接受用户的问题指令后,可以根据推理的逻辑进程,即时将答案呈现给用户,整个过程如同教师与学生在进行面对面的教学。在该过程中,学生可以充分体验人类专家的求解思路和推理风格,有助于提高他们的分析、思维与判断能力。
另一方面,在专家系统的教学过程中,可以要求学生自行构建由产生式规则组成的知识库,或进一步利用工具软件来开发简单的实用型专家系统。为了完成该项工作,学生一开始就要编制开发规划、制定知识获取策略,并具体付诸实施,这是一个不断深化的过程。学生还得明确与系统有关的所有变量或相关的因素,并且将这些变量和因素转化为问题求解,得出相应的结论。在进行一系列问题求解分析之后,运用产生式规则来表示知识,以此建立起来的专家系统还可以让其他学生去运用和体验,具有一定的实用价值。
由于专家系统中的知识组织与推理过程是对人类专家思维方式的一种模拟,因此上述知识库的组织和系统的推理过程能够较好地体现学生的思维过程。在建造知识库过程中,学生需要将原来零碎的未成型的知识概念化、形式化和条理化,从而内化为学生自己的东西。所以,建造知识库的过程不但能反映学生的学习过程,而且有助于学生对该领域知识的深层思考并有利于长久记忆,同时也学会了专家系统的基本开发技术。正如美国著名的学习论专家Jonassen所指出的:那些自行设计专家系统的学生将会在这种活动中受益匪浅,因为这是一个对所学知识进行深度加工的过程。
3) 了解信息技术发展的前沿,激发对信息技术未来的追求。
人工智能技术在一定程度上代表着信息技术的前沿,通过人工智能知识、技术的学习与体验,高中学生能够对信息技术发展的前沿知识有一定程度的了解,这样有助于他们开阔视野,培养兴趣,激发对信息技术美好未来的追求,从而为今后进入大学或走向社会奠定良好的基础。
5 结束语
中学生的信息素养的培养是当前信息技术课的一个重要目标,而在现有的中学信息技术课程中,关于人工智能的知识只作了简单的介绍,学生们对于人工智能研究的广大领域不能有详细的概念,这对于中学生的信息化认识和信息素养的培养不够全面。因此在中学信息技术课中加大人工智能的知识介绍是信息技术课改革的重要内容。
参考文献:
[1] 雷晓庆.网络环境下大学生的信息素养及其培养[J].太原大学学报, 2004(2):38.
[2] 杜玉霞.美国信息素养教育与研究的启示[J].电化教育研究, 2005(10):42.
[3] 王永庆.人工智能原理与方法[M].西安:西安交通大学出版社,2002,1-53.
[4] 潘瑞玲,余轮.Agent技术在远程教育系统中应用的研究[J].微型电脑应用,2002,18(4):28-30.
[5] 吴战杰,秦健.Agent技术及其在网络教育中的应用研究[J].电化教育研究,2003(3):32-36.
中图分类号:TP311文献标识码:A文章编号:1009-3044(2011)31-pppp-0c
1 研究背景
Internet和WWW技术的迅猛发展给传统的网络教学、学习和答疑模式带来了新的思路和方法,基于Internet和WWW技术的教学系统已经广泛应用并且取得了良好的教学效果。然而,传统的网络教学系统存在交互手段缺乏,智能性较低,针对用户水平的个性化帮助和辅导较少的问题,难以制定针对个人的教学方法。Agent是一种网络智能算法,多Agent则是由多个Agent组成的系统,多Agent具有分散控制、并行处理等特点,适用于多用户和并发处理,适用于网络教学系统的开发。本文论述了基于多Agent的智能网络学习系统的设计和实现。
2 Agent技术概述
Agent技术也称技术,从广义上来说,包括具有智能的任何实体,如人类、智能硬件、智能软件等。Agent定义可以分为软件Agent和硬件Agent定义,其中软件Agent是指执行用户任务,具有一定的人工智能,可以与环境相互作用自主完成任务的软件程序。硬件Agent是指可以从环境中获得反映环境中所发生事件的数据,执行相关影响的行为主体。
智能Agent技术能够用户完成某项任务,并且不断积累知识和经验,提高问题处理能力。总体来说,智能Agent有以下四个方面的特性:
1)自主性:Agent具有属于自身的计算资源和行为控制机制,能够在其他Agent干涉的情况下自动运行,并且自身具有学习功能,能根据自身内部状态、感知到的外界环境信息和本身已有的经验知识决定和控制自身的状态和行为。
2)自发性:Agent的行为总是为了实现内在目标,自主的产生主动的行为对环境做出反应。
3)反应性:Agent能够探测并感知所处的外界环境,并且能对相关事件的发生自主作出反应。
4)社会性:Agent处于由多个Agent构成的社会环境中,能够与其他Agent进行交互和通讯,实现与其他Agent的合作和协调,并且共享其他Agent的知识 。
Agent一般由感知模块、执行模块、通讯模块、处理模块、控制模块、知识库和任务表组成。其中感知模块、执行模块和通讯模块与其他的Agent和外界环境交互,处理模块对感知和接收到的信息进行加工、处理和存储,控制模块对接收到的信息进行分析、推理并做出决策。
多Agent系统是指由多个Agent组成的松散的联邦,所有Agent成员的活动均是自制的和独立的,其他Agent成员也不限制他的目标和行为。每个Agent对于所要完成的任务具有不完全的信息或能力,任务的执行和计算是异步的。可以看出,单个Agent的功能并不强大,但是一旦通过适当的体系结构把Agent组织起来构成多Agent系统,系统就具有很强的求解能力,能够处理一些复杂的问题。
3 答疑系统模型
3.1 系统的主要功能
智能网络答疑系统的关键在于能够对提问用户进行个性化分析,根据个性化分析的结果搜索用户提问的答案,并且以多媒体的形式显示问题答案。系统同时具有自学习功能,可以根据用户的新问题和补充的系统的知识库,具有自学习功能。答疑系统的主要功能如下。
1)用户可以选择同步提问和异步提问等提问方式,也可选择系统自动回答,在登陆后向系统提问。
2)系统可以以多种方式回答用户问题,既可以通过知识库、问题库、课件库搜素答案并自动回答用户问题,也可通过BBS,e-mail或留言板回答用户提问。
3)系统在搜索完用户问题答案之后,在用户浏览器上显示的答案即包括多媒体形式(图文并茂)的问题解答,又包括用户应巩固复习的知识点建议、少量练习题等。
4)系统能够根据用户的提问自动生成以及维护常见数据库,保持结构良好性,同时支持教师等高级别用户的人工维护操作,比如增加、删除和修改。
3.2 智能答疑系统的组成和关系
智能答疑系统主要包括用户子系统、教师子系统、知识库子系统和答疑子系统组成,系统的基本结构图如图1所示。
guyx01.tif
图1答疑系统结构图
各子系统的功能如下:
1)用户子系统:用户子系统搜集用户个性化信息,实现用户的智能化、个性化提问好回答。用户子系统的功能包括用户信息注册,用户个性化信息分析,用户提问整理抽象等。
2)教师子系统:教师子系统用于教师登陆实现指示库的人工维护,包括知识的增加、删除和修改等。
3)知识库子系统:知识库子系统用于系统知识库的保存,维护和扩展。知识库保存的指示分为两个方面,一方面是有关课程的内容,就是课程的知识点、重点和难点,第二个方面是典型例题,例题答案。知识库的维护和扩展是指知识库子系统可以根据用户的提问频率和提问方法不断优化调整知识库的结构,提高频繁提问知识点的权重。
4)答疑子系统:在用户登陆系统并且提问之后,该子系统一方面接受用户提出的问题,另一方接收用户Agent提供的用户子信息,根据用户信息采用对应的推理规则寻求问题的答案。同时,它还可以对问题和答案进行统计和分析,并且把统计结果传递给知识库子系统,知识库子系统可以根据答疑子系统传递过来的信息来维护和优化知识库。
5)接口子系统:接口子系统一方面多种形式接受用户的问题,处理传统的键盘输入之外,还可以通过e-mail、BBS或留言板等方式输入,并且把问题经过整理后传递到答疑子系统。并且根据答疑子系统的回答情况,以多媒体的形式显示问题答案。
3.3 知识库的设计
由于SQL语言风格统一,可以独立完成数据库中全部操作,并且集据定义语言、数据操纵语言、数据控制语言等功能于一体,因此系统知识库采用SQL数据库,在系统的构建中,涉及到的知识库主要有用户信息库、知识试题库和答疑推理库。其中用户信息库用来保存用户的注册信息,存放用户名、口令字和身份信息,由于口令信息并不固定,因此调用用户的个人信息表保存登录时输入的个人信息。注册人员身份包括用户和教师,其中用户个人信息保存于用户表中,教师个人信息保存于教师表中。知识试题库用于存放试题和知识信息,其中知识信息表按照知识章节-课程等进行保存,试题信息按照章节-字符保存并建立索引,并且试题信息表根据用户的提问和教师的解答不断进行自动扩充。答疑推理库保存不同水平的用户的答疑推理需求,从而根据不同的用户制定个性化的答疑推理方法。
4 基于多Agent的网络智能系统的开发和实现
4.1 多Agent实现
中国职业技术教育杂志征稿信息
《中国职业技术教育》杂志是由中华人民共和国教育部主管,教育部职业技术教育中心研究所、中国职业技术教育学会和高等教育出版社共同主办的一份综合性中文期刊,集政策指导性、学术理论性和应用服务于一身,是教育部指导全国职业教育工作的重要舆论工具,是服务各级各类职业教育机构的主要阵地。
中国职业技术教育投稿栏目:主要有职教要闻、专稿专访、综合管理方略、课程教材、教研与教学、师资队伍建设、研究与探讨、职业指导、职业培训、高等职业教育等栏目。
再给大家推荐职业教育范文:人工智能背景下职业教育变革及模式建构
董文娟1,黄尧2(1.天津大学教育学院,天津300350;2.北京师范大学国家职业教育研究院,北京100875)
摘要:顺应人工智能时代的浪潮,基于新兴技术的职业教育变革及新模式建构势在必行。该文从职业教育智慧化、经济发展、政策保障、信息化生态重构四个方面,剖析了人工智能时代职业教育变革的现实诉求,并进一步分析了当前职业教育外部环境及其自身发展的困境。人工智能背景下职业教育的变革体现出融合、创新、跨界、终身化的新特征。基于此,从课程、教学、学习、环境、教师发展、评价、教育管理及组织等方面,探究职业教育的变革路径及模式建构。最后探讨了职业教育模式变革还面临回归教育本质、规避技术弊端等挑战,并提出“适应—引领人工智能”的发展目标。
关键词:人工智能;职业教育变革;模式建构;智慧化
“人工智能的迅速发展将深刻改变人类社会生活、改变世界。特别是在移动互联网、超级计算等新理论、新技术及经济社会发展强烈需求的共同驱动下,人工智能发展呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。”[1]人工智能作为新一轮产业变革的核心驱动力,为我国供给侧结构性改革下的“新常态”经济发展注入新动能,使人们的思维模式和生活方式发生了深刻变革。近年来,国家高度重视与社会经济发展联系最为密切的职业教育,积极推进职业教育信息化,运用人工智能改革教学方法和人才培养模式,构建新型智能职教体系,提升信息技术引领职业教育创新发展的能力。
一、人工智能背景下职业教育变革的现实诉求
人工智能对传统教育理念产生了革命性冲击,职业教育结构不断调整,劳动力素质与市场需求的矛盾、学习方式与自我价值实现的矛盾等促使职业教育向智慧化、智能化发展。目前,我国处于教育信息化2.0、工业4.0的新时期,全球范围内新一轮的科技革命和产业变革正在加速进行。“一带一路”“中国制造2025”人工智能等重大国家战略的提出,及以新技术、新产业为特征的新兴经济模式要求教育领域,尤其是职业教育培养行业、产业急需的技术技能型、智慧型人才,具备更高的创新创业能力和跨界整合能力,促进智慧化发展,助力经济转型升级。
(一)职业教育智慧化诉求:职业教育信息化发展的必然选择
“智慧教育是以物联网,大数据等信息技术为依托,创造智慧教学环境,转换教育方法,内容与手段,注重教育网络化,个性化和智能化的一种教育新模式。”[2]智慧教育作为“一种由学校、区域或国家提供的高学习体验、高内容适配性和高教学效率的教育行为(系统)”,被视为教育信息化发展的高端形态[3]。因此,职业教育的智慧化并非简单的数字化,强调信息技术推动职业教育教学模式和方法的变革,改变思维模式,创建价值等方面共享的学习共同体,培养创新型、智慧型人才。
职业教育智慧化是职业教育信息化发展的必然选择。目前,我国的职业教育信息化水平正在稳步提高,投入持续增加,各种智能信息技术应用于教育教学、实习实训、测量评价等领域,并逐步成熟,正在努力打造一个信息化、智慧化的现代职业教育生态系统。新时期我国很多地区及职业院校积极提升现有信息化系统的智慧化水平,积极创建智慧校园、智慧社区等,逐步实现了组织管理的智慧化、资源环境的智慧化和服务评价的智慧化。
(二)经济发展诉求:人工智能时代的新兴经济需要高技能智慧型人才
人工智能时代职业教育运用移动互联网、大数据等新兴技术,与经济及其他部门跨界融合,不断创造新产品、新业务,推动职业教育模式创新,形成了以互联网为基础设施、人工智能为实现手段的经济发展新常态。人工智能时代是以现代科学技术为支撑的新时代,各行各业的运作发展和对知识技术的掌握要求达到了更高层面,相应的教育需求也有所提升,市场环境渴求勇于创新、个性化的高技能智慧型人才。职业教育要应对行业上升发展的劳动力需求问题,基于人工智能应用,提高技能培养层级,以适应新的社会劳务需求。现代企业生产依托互联网科技,与智能化设备直接联接,通过数据分析和应用,促进科技成果转化为生产力。劳动密集型企业已不适应现代行业、产业发展,需升级为网络智能型,与此同时,职业院校的课程模式、专业设置、实习实训、师资结构等也做出相应的调整和革新,既促进了职业教育的智慧化、智能化,又推动了产业升级和工业变革。
(三)政策保障:国家从宏观层面保障人工智能时代的职业教育发展
2016年是我国人工智能元年,2017年我国颁布了《新一代人工智能发展规划》,提出了“将发展人工智能放在国家战略层面进行系统谋划和布局”,这预示着我国人工智能时代的全面到来,为我国职业教育的发展提供了良好的宏观政策环境。人工智能给职业教育带来了符合时代精神的新内容,积极融合信息技术,整合职业教育资源,提升公共服务水平,影响和改变了原有的教育生态。紧密依托信息共享平台,突破时空限制,让学习者自我选择,更加人性化和智能化。我国很多职业院校已经开启了智慧校园的行动计划,一些大中城市也在积极制定实施智慧城市的发展规划,在良好的政策保障中提升智慧化水平。
(四)信息化生态重构诉求:人工智能时代的职业教育变革是对职业教育信息化生态系统的重构
“依据《2006-2020年国家信息化发展战略》,我国正在有序推进数字教育向智慧教育的跃迁升级和创新发展。”[4]在新兴智能信息技术的催促下,技术变革带来了职业教育系统的颠覆性创新改革,打破现有的条条框框,改革传统教育模式,再造教育业务新流程。在职业教育领域创新应用物联网、大数据、人工智能等先进技术,提升各科各门教育教学业务,打造各级各类智能实训部门、培训机构,覆盖贯通中高职院校,整合系统内外现有资源,推进智慧教育生态有序发展,为各类用户提供最适合、最智能的职业教育资源和服务,完成对职业教育信息化生态系统的重构。
二、当前职业教育发展的现实困境
人工智能对各行各业的影响具有革命性和颠覆性,可能带来新的发展机遇,也可能带来不确定性的挑战,比如可能会改变就业结构、影响政府管理、威胁经济安全等,还可能会冲击法律与社会伦理,影响社会稳定乃至全球治理。当前,人工智能与“大众创业、万众创新”浪潮席卷而来,职业院校既是人工智能应用的战场,又是培养技术创新型人才的“梦工厂”[5]。人工智能时代的职业教育信息化发展迅速,影响是广而深的,对职业教育外部环境及其本身都造成了极大的冲击。
(一)职业教育外部环境发展困境
“据联合国教科文组织预测,到2020年,人工智能将替代20亿个工作岗位”[6],那些技术含量低、重复性强的技能将被智能机器、数码设备所替代,工业机器人也将大面积应用。智能设备替代行业劳动力,能够降低劳动成本,且具有高效、易操作等竞争优势。传统职业教育培养模式很难适应未来行业、产业的发展需求,人工智能冲击职业教育就业岗位,撼动其所依附的岗位基础,对职业教育的生存与定位产生了威胁。因此,根据智能时代职业教育的岗位特征与需求,提升职业人才的知识结构和专业技能,是新形势下职业教育的发展方向。
(二)职业教育自身发展困境
近年来,人工智能在职业教育领域内的应用和提高是目前职业教育的发展趋势。我国重视职业教育信息化、智能化发展,各级各类职业院校在信息化基础设施建设、校园信息化管理等方面都有了显著提升,但信息技术与职业教育的深度融合仍不够紧密,表现出信息化管理效率低、科学决策水平低等现象。人工智能背景下职业教育自身发展的困境表现在:
1.课程与教学困境
职业院校新课程改革提倡构建智慧课堂,制定个性化学习计划,注重课堂实施效果。但目前的实际课程教学仍是以教师为中心,强调知识的灌输,重视统一性和计划性,与教育改革提倡的个性化教学相去甚远。教学方法、教学理念更新慢,很难激发学生的内在学习动力,创新性思维弱,使得个性化教育的无法实现。近年来,中央、省、市、县四级教育平台逐步建立起来,课程与教学的层级设计逐步完善,但在实施的过程中,各级平台之间存在沟通不畅等问题,各级资源内容不系统,不衔接,导致无序叠加和资源的重复浪费,“精品课程”等项目丰富了课程资源,但质量不高。在线课程与教学以传统的科目、章节为单元,构建系统性的在线教育内容,为用户提供专业化的知识选择,但由于受时间条件等限制,大多数受教育者习惯于碎片化学习,连贯性和整体性差,缺乏对课程与教学体系的系统性学习。
2.认知困境
随着人工智能时代的到来,许多职业院校将“未来教室”“智慧课堂”定位为未来发展方向,进行了多种尝试和改革,如MOOC混合教学、翻转课堂、多屏教学等,但“管理者和施教者对智慧教育的理解多停留在‘智慧课堂=多媒体+传统教学的层面’,教学观念和思维依然固化,并没有因为新技术的参与而得到实质改变”[7],缺乏对多媒体网络架构和智能学习平台的深层认识,更缺乏对管理评价和互动交流等模块的理解与掌握,虽投入大量人力财力采购了数量巨大、设备精良的多媒体设备和智能服务设备,但没有充分有效使用,大大限制了智慧教育的发展潜力。
3.用户困境
传统教学以群体教育为基本单元,教师和学习者作为学习共同体,在管理、学习的互动过程中形成强大的群体约束力,促进双方共同进步。在信息化教育时代,学习者自由掌握学习时间和进度,遇到问题可能无法及时解决并获得反馈,无法进行面对面交流,因此,基于人工智能网络化学习平台,学习者需要高自控力、高学习能力才能适应这种全新的学习方式。
4.评价困境
传统的评价方式多依靠经验和观察,智慧型评价则是基于学习过程的一种发展性评价,以采集到的学习数据为客观基础。在人工智能、数字信息化环境下教育效果的评价实际要受到很多因素的影响和局限,在信息技术与职业教育融合的过程之中,许多智能技术应用于教育教学实践,难以进行定性定量的智慧评价,如互动交流及深层次的学习评价等。
三、人工智能背景下职业教育变革的新特征
人工智能带来了思维模式的创新,改变了人们认识问题、思考和解决问题的方式,越来越多地依赖人与智能网络的协同创新。人工智能背景下的职业教育变革围绕经济社会发展大局,“主动服务国家重大发展战略,加大虚拟现实、云计算等新技术应用,体现校企合作、知行合一等职教特色,以应用促融合、以融合促创新、以创新促发展。”[8]人工智能背景下职业教育的变革必将加速推进职业教育的现代化、智能化进程,表现出了融合、创新、跨界和终身化的新特征。
(一)融合
人工智能技术科学应用于当前职业教育,在最短的时间内整合、重组大量的知识信息,形成科学的技术技能知识体系,为职业教育资源、企业资源、产业资源、社会资源等一切有可能联结的资源融合提供了可能。为促进职业教育的智慧化发展,在现有的合作模式、集团模式、产教融合模式等实体协作发展的基础上,建立智能互动的智慧教育供给平台、常态化智慧课堂和大数据化智慧教育生态系统,为我国新兴经济发展提供高技能、智慧型人才支撑。
(二)创新
信息化时代下“变”为创新立足之要点。创新时代最需要提升的就是创造智慧。“由知识的理解记忆,转向知识的迁移、应用并最终指向创造发明”[9],以提高学习者的学习能力和应用能力,提升其创新思维和智慧思维,不断开拓人类社会发展的高度和宽度。智能化、信息化的时代是创新不断的时代,是原有知识不断被更新、技术不断被升级的时代。人工智能促使社会化协同大规模发展,促进职业教育体系核心要素的重组与重构,创新生产关系,呈现出新的协作架构,开创了新的教育供给方式,增加了教育的选择性,推动了教育的民主化。学习者能够按照自己的价值观、兴趣与爱好等选择适合自己个性发展的学习方式和学习内容,促进学习者个性化、多样化发展,最终实现教育公平。
(三)跨界
智能科学与职业教育连接起来,搭建起两者沟通的桥梁,跨越了人工智能虚拟教育和线下实体教育的界限,实现了两者之间的融合。教育供给由竞争资源转变为协同合作,直线型的中心组织管理转向去中心化、泛化管理。通过大数据智能技术平台、远程教育平台等对职业教育资源进行整合共享,跨越教育边界,与市场、行业、企业以及职业教育培训机构对接,提供更加便捷的智慧化服务。
(四)终身化
人工智能时代职业教育的变革坚持“以人为本”的教育理念,满足学习者在任意时间、任意地点、以任意方式、任意步调终身学习的需求[10]。打破了地域和时间的限制,体现了教育的泛在化、个性化和终身化,与终身教育理念的发展目标不谋而合。人工智能时代社会经济发展加快,人们追求高层次自我价值的实现,充分体现出终身学习的必要性和紧迫性。目前,我国正在积极创建泛在学习环境,致力于构建终身化学习型社会,努力创造有利条件向全民提供终身教育与学习的机会。
四、人工智能背景下职业教育发展的模式建构
人工智能背景下职业教育的变革预示着全新思维意识形态、社会发展形态的变革,重塑职业教育可持续发展的新思维,重构信息时代职业教育的价值链和生态系统。智能化技术科学将现代职业教育内部各要素,以及内部要素与外部环境之间,通过虚拟技术和智能化手段互联贯通,突破传统教育价值的链状模式,使职业教育由传统模式走向“人工智能+职业教育”模式的建构。人工智能对职业教育课程、教学、评价、管理、教师发展等方面产生系统性影响,为职业教育提高教育质量和提升服务水平提供了技术支持和现实路径,解决不能兼顾职业教育规模和质量的矛盾问题。下面将从课程、教学、学习、环境、教师发展、评价、教育管理及组织等方面来探究职业教育的变革路径及模式建构。
(一)人工智能背景下职业教育的课程模式
人工智能时代的信息知识、科学技术正在以前所未有的速度增长、更新和迭代,呈现出了碎片化、多元化、创新性、社会性的特征。人工智能背景下职业教育的课程模式是为学习者提供按需可随时选择的知识储备智能模式,解决了传统职业院校课程教学的滞后性,呈现的是现代职业教育的前沿信息和内容。课程革命愈演愈烈,灵活多样的微课、慕课等形式层出不穷,在线课程将成为常态,信息传播媒介、知识获取方式等都发生了巨大改变,课程内容和结构的表现形态、呈现方式、实施及评价等也都进行了相应变革。智能化信息科学技术为课程的设计、架构、实施提供了快捷和便利,为学习者的个性化、终身化选择提供了多种渠道。人工智能背景下职业教育的课程模式的建构表现为:首先,线上线下融合的大规模开放课程融入现代职业教育,课程的表现形态和实施途径呈现出智能化、数字化、立体化的特征,成为学校常态课程的有机组成部分,为学习者提供了更多的可选择机会,使实施个性化课程成为可能。现代职业教育的课程内容强调学术性与生活性相互融合与转化,融入社会资源,立足于我国社会经济的新常态和学习者的全面发展,实现社会化协同发展,共赢共创;其次,课程实施的空间得以拓展,跨越了社会组织边界、职业院校边界,将从班级、年级、全校扩展到网络社区以及更大的空间。课程的整体结构从分散走向整合,以技术为媒介,形成跨学科、多学科整合的课程;最后,课程内容的组织、课程的实施逐步模块化、碎片化、移动化与泛在化,社会化分工更加精细,教师也将承担教学设计、技术开发、在线辅导等不同的角色。
(二)人工智能背景下职业教育的教学模式
人工智能时代将信息技术有效地融合于职业教育各学科的教学过程,从知识的传递转变为认知的建构,从注重讲授和内容,转变成重视学习过程[11],构建“以教师为主导,以学生为主体”的以数字化、智能化为特征的智慧教学模式,重视学生的主体地位,引导学生“自主、探究、合作”。人工智能背景下职业教育的教学模式的建构表现为:首先,人们的学习方法、认知方式和思维模式已经发生了巨大的转变。信息化教学使得信息技术已成为学习者认知的必要工具,认知方式也由“从技术中学”转型为“用技术学”。其次,信息化教学的重点从“面向内容设计”转变到“面向学习过程设计”,更加重视学习者发现问题、分析和解决问题能力的培养,关注学习者的学习过程,以及其获得学习活动的体验。同时,信息化教学要将课堂内的学习知识和课堂外的实践活动联结互动,按照学习者的个性化需求和认知方式自主选择学习内容。第三,智慧教学将成为课堂教学的新重点。日常教学工作形态不再是点线面的连接,而是呈现为智能化、立体化的教学空间,智慧课堂将会促进学习者的深度学习、交互学习和融合学习,智能备课、批阅以及个性化指导等也将成为教育者新的教学工作形式。从机械评价学习结果转变成适应性评价学习结果。第四,在线教学、整合技术的学科教学法将成为新的教学形态,促进教育均衡发展,实现跨学校、跨区域的流转。移动学习、远程协作等信息化教学模式,能够实现教师的“教”与学生的“学”的全面实时互动,最大限度地调动学习者的主观能动性,提升教学质量与人才培养质量。
(三)人工智能背景下职业教育的学习模式
智能系统和互联网络为学习者提供了丰富多元的学习资源和环境,推进了教育教学活动与学习环境的融合发展,人工智能背景下职业教育的学习模式也逐步建立起来,具体表现为:首先,智能时代的互联网络全面覆盖每一个人、每一个角落,活动空间由课堂内拓展到课堂外,学习与非正式学习正在互相补充、互相与融合,导致学习者的学习行为变化、学习方式的革新。其次,基于互联网出现了一批创新的学习方式,借助情景感知技术及智慧信息技术,进行真实过程体验的情境学习,促进学习者知识迁移运用的情境化和社会化。第三,借助互联网云技术和各种应用工具,学习者可根据自身学习需求,选择最优学习方式,也可利用数据分析技术,追踪记录学习路径和学习交互过程,随时随地获取个性化教学服务和量身定制的学习资源,拓宽了智慧教育视野。第四,各职业院校开始拓展校园智慧学习的时间和空间,以实现虚拟和现实相互结合的智慧校园育人环境。推进网络学习空间建设,加强教与学全过程的数据采集和分析,“引导各地各职业院校开发基于工作过程的虚拟仿真实训资源和个性化自主学习系统”[12],强化优质资源在学习环境中的实际应用。
(四)人工智能背景下职业教育的环境模式
智慧教育环境是以大数据、多媒体、云计算等智能信息技术为基础而构建的虚实融合、智能适应的均衡化生态系统。信息技术与职业教育的深度融合,为师生的全面发展提供了智慧化的成长环境,如智慧云平台、智慧校园。人工智能背景下职业教育的环境模式的建构表现为:首先,智慧教育环境将信息技术与职业教育服务结合、面对面教学和在线学习结合,形成数字化的、虚实结合的职业教育智能服务新模式。其次,智慧教育环境将促进各种智能化、数字化信息技术融入职业院校的各个业务范围和业务领域,与系统内的其他业务横向互联、纵向贯通,且信息能够适时生成和采集,全过程实现数字化与互联化。第三,智慧教育环境能够感知学习者所处的学习情境,理解学习者的行为与意图,满足学习者的个性化需求,提供多元化的适应服务和智能感知的信息服务。互联网应用基于智能数据分析,实现智能调节与自动监控,为学习者提供定制式的学习服务和个性化的学习环境。未来教室必将变成“虚拟+现实”的智慧课堂,在网络空间中参与线上课程、线下活动,实现线上线下互动交流。同时,智慧校园的创建和管理,能够对每个班级、学区进行动态管理,构建出一个以问题、任务为线索,学生实现自主学习的知识体系和促进师生互动、生生互动的智慧管理平台。到2020年,“90%以上的职业院校建成不低于《职业院校数字校园建设规范》要求的数字校园,各地普遍建立推进职业教育信息化持续健康发展的政策机制”[13],以学习者为中心的自主、泛在学习普遍开展,精准的智能服务能够满足职业教育的终身化定制。
(五)人工智能背景下职业教育的教师发展模式
人工智能背景下职业教育的变革对教师的专业发展、素质能力提出了新要求,改变了教师的能力结构和工作状态。教育信息化大背景下,互联网技术、多媒体手段的产生、智能化设备的使用极大提高了教师的专业发展和能力素养,以适应新课程改革与教育信息化的要求。人工智能背景下职业教育的教师发展模式的建构表现为:首先,新时代教师专业发展的内在要求和外在环境都要求教师能够认识、了解和应用互联网新技术工具,促使教师专业发展能力和素养的提升和丰富。其次,教师的专业发展要面向实际、情境化、网络化的教学问题,教师需要在多变的教育情境中综合运用核心教学技能,将信息技术知识、学科内容知识、教学法知识很好地融合并迁移运用。新时代的教师要学会掌握使用智能化设备和数字化网络资源,积极加强与其他专家、教师的合作,或远程工作,形成基于智慧教育技术的多元化的学习共同体。教师的工作状态由个体的单独工作转变为群体的共同协作,大大提升了教师的工作效率。第三,信息化背景下教师的教学理念要发生转变,由促进学生“接受学习”转变为“主动建构”,由“被动适应”转变为“主动参与”,越来越强调以学生为中心的过程体验,从了解信息技术转变为掌握智慧教育技术,保持学科知识,教学方法,核心技术的动态平衡,促进学生智慧学习的发生。第四,信息化教师要学会使用智能化教育技术,积极开发数字化学习资源,创设丰富多元的教学活动,鼓励学生掌握智能信息工具,学会探究和解决问题,发展提升学生的创新思维能力和信息化学习能力。教师的信息化教学能力和素养全面提升,信息技术应用能力实现常态化。
(六)人工智能背景下职业教育的评价模式
现代教育价值趋于多元,以互联网为基础的智能化信息技术使教育评价在评价依据、评价内容、评价主体等多个方面实现了全面转变。人工智能背景下职业教育的评价模式的建构表现为:首先,互联网信息技术应用于学习过程使得伴随式评价成为可能,更加关注学习者的个体差异和特点。强调过程评价和多元共同评价,更加客观全面,重视评价过程的诊断与改进功能,以促进学习者的个性化发展。其次,互联网、大数据、智能云技术的出现使得评价的技术和手段多样化、智能化,节省人力物力财力,提高了评价的科学性、针对性。第三,以大数据为基础的适应性评价因人而异,可获得及时反馈,可真实地测评学习者的认知结构、能力倾向和个性特征等,从知识领域扩展到技能领域、情感、态度与价值观,构建以学习者核心素养为导向的教育测量与评价体系,促进学习者发展。
(七)人工智能背景下职业教育的管理模式
智能化信息技术、云计算技术、大数据技术等能够促进大规模社会化协同,拓展教育资源与服务的共享性,提高教育管理、决策与评价的智慧性,因此,基于互联网的教育管理必将逐步走向“智慧管理”模式。人工智能背景下职业教育的管理模式的建构表现为:首先,互联网将家庭、学校、社区等紧密、方便地联系在一起,拓宽了家长和社会机构参与学校管理的渠道,各利益相关者可共同参与现代职业院校的学校管理,协作育人。其次,新时代的职业院校管理模式通过可视化界面进行智能化管理,业务数据几乎全部数字化,能有效降低信息管理系统的技术门槛,使管理工作更加轻松、高效。通过深度的数据挖掘与分析,能够实现个性化、精准资源信息的智能推荐和服务,为管理人员和决策者提供及时、全面、精准的数据支持,以提高决策的科学性。第三,通过互联网信息技术可以实现全方位、随时的远程监督与指导,从督导评估转变为实时评估,可以实现大规模的实时沟通与协作,促进社会化分工,促进职业院校内部重构管理业务流程,使管理智能化、网络化、专业化。
(八)人工智能背景下职业教育的组织模式
人工智能时代信息科学技术的蓬勃发展冲击着学校内部的组织结构向智能化、网络化的方向发展,各职业院校需要合理调整内部组织结构和资源分配,通过互联网加快信息流动等方式,提高各职业院校组织管理的效率和活力。人工智能背景下职业教育的组织模式的建构表现为:首先,当今时代人工智能的产生不可能替代学校教育,但可以改变学校教育的基本业务流程。人工智能推动了学校组织结构向网络化方向发展,教学与课程是提供信息数据的重要平台,学校组织则构成了教育大数据生态系统。其次,“互联网+职业教育”的跨界融合将打破学校的围墙的阻隔,互联网将学校组织与企业、科研院所等社会机构紧密联系起来,提供优质教育资源供给,共同承担知识的传授、传播、转化等功能,促进学校组织体系核心要素的重构。第三,建设“智慧校园”,实现线上线下融合的智慧校园育人环境,实施一体化校园网络认证,推动智能化教育资源共建共享,实现职业教育信息化建设的均衡发展。
五、人工智能背景下职业教育的模式变革面临的挑战及发展目标
人工智能将推进大数据、云技术等智能信息技术深层次融入职业教育课程与教学、组织与管理、评价与反馈等领域,形成社会化多元供给,为学习者提供多样化的参与方式、自主选择的学习形式和及时获得反馈的评价途径,有利于实现职业教育的共建、共享、共治。但其全面实现,还面临着诸多挑战。
(一)挑战
首先,职业教育的新模式建构需要充足的资金支持。各职业院校积极建构智慧校园,努力实现智慧化产学研环境,打造一体化智慧城市网络等核心技术的开发,都需要资金的根本保障。政府要给予资金政策保障并加强监管,资金管理部门要合理规划,合理利用,专款专用,落到实处。其次,职业教育的新模式建构的成果表现离不开学习者对技术的理解、掌握和应用。在实际实施过程中,教育工作者既要利用信息技术优势变革职业教育,也要避免技术中心主义倾向,“避免一味追赶技术新潮而不顾学生身心健康等,技术本身是一个祸福相依的辩证法。”[14]第三,“目前的教育实践中,仍未能充分实现人机合理分工和双边优势互补。人工智能终端系统擅长逻辑性、单调重复的工作,而人类则更适合情感性、创造性和社会性的工作。”[15]现阶段,信息化技术水平还有待提高,智能机器不能完全胜任知识传播、数据处理等工作,有待于进一步开发和完善,绝对依赖互联网络和设备,还存在一定的风险。
(二)发展目标
人工智能时代职业教育变革重新架构了职业教育发展模式,完成了对资源的重新整合配置,改变了人的思维方式、学习方式和生活方式。人工智能时代下没有职业教育模式的改革,就不可能建构真正的现代化职业教育。人工智能背景下职业教育的发展目标可以概括为个三方面:
1.“智慧脑”与“智能脑”融通
随着第四次产业革命的到来,信息技术爆发式发展,造就了以电脑、互联网为基础的智能脑。职业教育智慧化发展的一个目标就是如何让学习者发挥人脑“智慧脑”与机器设备“智能脑”的“双脑”共同协作[16]。人工智能时代职业教育与信息技术的深度融合,就是要通过“智慧脑”和“智能脑”的协同作用,发挥互补优势,进行融通式学习,而不是简单地人脑与电脑的技术对接。
2.“现实世界”与“虚拟世界”结合
在人工智能时代,网络虚拟技术的发展使人类拥有了真实与虚拟两个世界,虚拟信息技术的兴起在一定程度上会影响职业教育的实体教育,实体教育的发展也需要虚拟技术的支撑。但在具体的学习实践中,还会存在利用这两个世界时顾此失彼、难以平衡的问题。目前,虚拟化教育技术在职业教育领域不断应用与推广,职业教育的发展模式不断优化,使得职业院校线上线下的边界逐渐消融,“现实世界”与“虚拟世界”更好地结合。人工智能时代职业教育的本质没有发生根本改变,学习者要学会利用这两个世界虚实融合、高度互动,充分发挥出自身的优势,更好地学习与生活。
3.职业教育“适应人工智能”发展为“引领人工智能”
一、现代测评理论基础
评测的理论基础源于个体差异性。进行题库评测有两个著名测量理论:CTT(经典测评理论)和项目反应理论(Item Response Theory,简称IRT)。为克服经典测验的各种不足,研究者纷纷展开各种研究,各种现代测验理论逐渐出现。针对经典测验理论中项目参数和能力参数循环依赖的问题,提出了项目参数不依赖于考生样本的能力分布、考生能力参数也不依赖于项目的参数特性的项目反应理论(Item Response Theory,IRT)。项目反应理论又称潜在特质理论,它假设被试对测验的反应受某种心理特质(因其无法直接测量,称为潜在特质)支配。项目反应理论可以估计出被试的这种特质的分数,并根据其高低来解释、预测被试对项目或测验的反应。因此,项目反应理论主要在于建立各种与数据拟合的模型以确定被试的潜在特质值与其对项目的反应之间的关系。
二、题库中的智能测评功能
智能网络题库的建设理论近些年来有了较大发展,对学生成绩的评价分析等方面有较大进展,主要包括在线测试、答案回收和监考管理,以及学生样本的智能选取、试卷的自动化批改、设计开发的网络教学质量测评功能等。
测评模块界面灵活、操作简易,后台由题库支撑,并能实现智能化生成。智能测评系统创造性地实现对测试过程的自动记录、智能分析,并提供对测试分析结果的网络自动回收、统计、查询功能。具体功能如下:
通过对阶段考试成绩的统计分析,得到考生学习水平的量化值。
通过个别试题多次使用结果的分析,得到试题的信度、效度等。
根据考试出题教师的要求,制作个性化的统计工具,提供定制的统计信息。
三、智能测评系统的智能化网络化
传统概念的专家系统是指运用人工智能的基本原理和方法,通过总结,汇集有关领域专家的思想、技术、经验所建立的计算机系统。近年来随着计算机信息技术的高速发展,专家系统的涵义、功能得以进一步拓宽。它的主要功能是对知识的综合和应用,提供一种专家推理与决策工具。这种专家系统利用了涉及系统各方面的综合知识。
专家决策支持系统是一种智能的计算机程序,它能够运用知识进行推理,解决只有专家才能解决的复杂的非结构化和半结构化的决策问题。它是一个便于教师和学生调用分析-决策模型以及对数据库进行存取的会话系统,始终支持决策过程中的分析和判断,而不是代替人去决策,其目的不仅是为了提高决策的效率,更是为了提高决策的有效性,是一个应变能力强的、交互式的人-机系统。它根据专家对行为的分析经验来形成一套推理规则,然后再在此基础之上构成相应的专家系统,它以逻辑推理为手段,以知识为中心解决问题。专家系统能为学习者按系统设置的特点或其特殊爱好提供各方面信息(如生物、地理、历史、文学、新闻、相关案例等信息),同时利用可动态定义的数学模型做出预测,为题库智能组卷提供依据。
因此,在下一步的系统开发与完善过程中题库的智能测评系统智能化网络化将成为一个需要重要解决的问题。使系统能够适应测评组织者的要求以及客观环境的变化,为测评组织者提供有效的支持,满足其要求。测评系统将实现提供符合上述要求的人―机界面接口,使人―机有机的组合成一个整体,根据情况变化随时调整测评方法和测评内容,使测评结果更加有效。
四、未来智能化题库测评系统模型构想
目前,国内基于网络的教学处于迅速崛起的发展阶段,非常需要能够很好地支持教师教学、学生学习的基于因特网的教育平台的智能题库系统。在进一步研究工作中将把各个功能模块拆分与网络资源紧密整合,无缝的集成到网络教学平台中,从而实现智能化生成测试试题和试卷,使其功能达到在管理上具有动态性,在使用上居于易操作性,在发展上具有连续性和先进性,在保密控制上具有安全可靠性, 技术上具有智能性等领先水平。
中图分类号:TP3文献标识码:A文章编号:1009-3044(2009)24-6600-02
Research and Implementation of Self-adaptive Distance Eduection Platform Based on Specialist System
WEN Guo-qi1, YANG Ke1,YING Guan-yi2
(1.Tianzhuang Coal Preparation Plant of Pingdingshan Tianan Coal Mining CO.,LTD, Pingdingshan 467013,China; 2. Wuyang Iron and Steel, Hebei Iron & Steel Group Co., Ltd, Pingdingshan 462500,China)
Abstract: The rapid development of the computer-centered internet and multi-media technologies is fundamentally changing our ways of work,association and life and in the meanwhile,it’s deeply influencing our education.The simple teaching mode and less intelligence are common problems in the net education, which brings contradiction between net teaching platform and students.The article introduces a self-adaptive learning platform of distance education which is based on specialist system,the aim is to achieve personal net education.
Key words: specialist system;personal net education;a self-adaptive learing platform of distance education
近十年来,科学技术的突飞猛进为人类社会带来了一系列的深刻变革。信息技术在各个领域的应用改变了人们工作、生活和学习的方式,远程教育的发展也面临着前所未有的挑战。
目前的网络教学平台主要是以“系统”为中心,没有体现以“学习者”为中心的思想。为了解决这一矛盾,在网络教学系统中引入了自适应学习概念。所谓自适应学习,就是指学习不是一个被动的接受知识的过程,而是主动发现知识的过程[1]。开发自适应远程教育平台就是要为每一个学习者提供适应其需求特点的学习资源,自动地调整系统内容以适应学习者的兴趣,真正达到“因材施教”的目的。
1 现代远程教育存在的不足
目前,基于Web的远程教学系统在国内外已有不少,但是总体来说仍存在以下一些问题:
1) 目前网上的课程内容基本上是教师的教案,教学的重点,难点,例题分析,练习和测试题等,主要是帮助学习者巩固课堂上所学的知识,很难实现真正的网上自主学习,更难进行自适应学习。
2) 不具备真正的“以学习者为中心”的网上教学管理功能。目前大多数的学习网站,除了对用户进行注册登记外,不再进行其他管理活动,不关心学习者的学习情况,而学习者也无法记录和了解自己的学习情况,整个学习活动呈无序状态。
3) 不能对学习者学习活动进行较客观的评价。尽管有些网站设有对学习者学习活动的测试、考试及评价系统,可是绝大多数只是将传统测试、考试试题电子化,并以此作为评价学习者学习能力及学习成绩的手段,没有很好的利用网络技术及人工智能技术对学习者学习能力及学习成绩做出客观、及时的评价。因此,学习者难以进行自适应学习。
由此可见,要克服目前基于网络学习中存在的问题,探讨基于网络的自适应学习系统是一项迫切而重要的工作。
2 专家系统介绍
2.1 专家系统的定义及其基本特征
什么是专家系统目前尚无统一定义的、精确的、公认的定义。但一般来说,所谓专家系统就是利用存储在计算机内的某一特定领域内人类专家的知识,来解决过去需要人类专家才能解决的现实问题的计算机系统[2]。专家系统是计算机程序系统,但与一般的程序系统不同,其知识库和程序是分开的,易于修改和增删,其有很大的灵活性,而在一般程序中,知识是以隐式方式存在的,程序完成之后就确定了,一般不易修改。与数据库不同之处在于,它与逻辑推理有联系,具有启发性,而一般的数据库只是对大量数据进行组织和管理,提供检索方法。
一个高性能的专家系统应具备如下特征[3]:
1) 具有专家水平的知识。专家系统间做的一个最重要的目标是达到一个专家在解决任务时所体现出的高水平的性能。
2) 符号处理。专家系统使用符号推理。
3) 一般问题的求解能力。
4) 复杂度与难度。
5) 具有解释功能。
6)具有获取知识的能力。
7) 知识与推机构相互独立。
2.2 专家系统的结构
专家系统的一般结构,如图1所示。该结构在目前专家系统建造中比较流行。包括六个部分[4]:知识库、推理机、综合数据库、人机接口、解释程序以及知识获取程序。
2.3 专家系统的一般设计方法
设计专家系统的关键有两大部分:一是建造知识库,二是设计推理机制与策略。一般一个专家系统的设计可按三个步骤进行[5]。
1) 初步设计。分析要求解的领域问题,在领域专家的协作下明确专家系统期望实现的目标和专家系统如何从整个问题中分离出来,又怎样与其它子系统嵌接起来;确定参与系统研制的合作专家和知识源;在领域专家的指导下,对专家系统求解的问题进行了解,通过各种知识源的知识获取和领域专家的配合,专家系统求解目标任务的主要概念、关系、假设、约束等进行图解形式的描述;选择合适的知识表示方法,把图解形式的内容形式化表达出来,并确定推理的控制方向等内容。
2) 开发原型系统。选择合适的程序设计语言或专家系统开发工具,设计推理机制或借用工具语言已具备的推理机制,把形式化表示的知识以专家系统求解目标或图解形式中的模块为单元,逐个单元地把知识转换为适合程序设计语言或工具能接受的内部编码的形式,输入知识库。在不断供给知识库新的知识的同时,要不断地对已有知识和新加入的知识的正确性及协调性进行用例测试。这种不断扩充知识库和不断测试的过程一般可以发现已形式化的知识有许多不完善之处,从而需要在领域专家的配合下不断调整。这一阶段产生出可运行的专家系统雏形,包括知识获取模块和解释机制等可交付使用[6]。
3) 知识库的维护。当开发出原系统之后,让领域专家选择一些有代表性的试验用例,在可能的情况下让领域专家用这些试验例子进行实际问题的求解,通过实际例子的运行可能出现新的问题,比如人机接口的输入输出模块,知识库中的知识不全或不精确等,甚至领域专家还会人为地需要完善知识库中的某些知识。这一阶段理想方式是在上一阶段提供一个知识获取模块和解释机制,让领域专家或未来的实际用户与知识库直接打交道。
3 专家系统在开发本系统中的具体应用
3.1 智能答疑模型的设计
本答疑模型是一个自适应性的知识库系统,分为人工答疑和自动答疑两部分,允许学习者通过浏览器在线提问、离线提问、BBS、发送E-mail等,不受时空的限制。智能答疑系统的结构图如图2所示。
当学生提出问题后,对学生提出的这些问题的知识点和语义进行分析处理,并查找所有相关问题。其中答疑知识库的构造主要是实现教学信息向智能答疑的知识转换,进行知识库的层次化和结构化处理,并通过推理机制进行教学信息的存取控制。答疑知识库主要包括教学库和问题库。教学库汇集了按特定环境和条件进行有效教学的方法和策略,这些方法和策略采用产生式规则表示。问题库中保存了在教学中遇到的问题,首先是确定问题的范围,然后通过对问题的分析,找出各个知识点的层次关系和语义联系等信息。
3.2 智能网上测试模型的设计
智能化的网上测试主要体现在智能组卷上。如何保证生成的试卷能最大程度地满足不用用户的需要,并具有随机性、科学性、合理性,是首要解决的问题。
智能组卷的智能性主要体现在组卷的过程是根据学生对知识点掌握的程度,确定测试知识点权值以及难度系数范围等参数,然后基于一种算法从题库中抽取满足要求的试卷。另外,智能组卷采用基于专家知识的表示及实现方法模拟人的思维来确定试卷题型比例等参数。因此它能充分体现组卷系统的“因材施教”的能力。
4 结束语
远程教育以其不受时空限制和独具的交互性越来越受到人们的关注,但是目前的研究开发大多数还只是将老师的课堂教学内容简单、机械地挪到网上,并没有充分利用计算机和网络在教学中交互和智能分析的优势。今后远程教育应该朝着智能化,个性化教学系统的方向发展。本人提出开发一种基于专家系统的远程教育平台,也只是某些理论在实际中的应用,相信随着人们不断的深入研究,远程教育系统将具有更为深远的发展前景。
参考文献:
[1] 朱新明,李亦菲,朱丹.人类的自适应学习――示例学习的理论与实践[M].北京:中央广播电视大学出版社,1997.
[2] 万玛宁,关永.人工智能技术在计算机辅助教学中的应用研究[J].微计算机信息,2006,5:257-260.
[3] 武波,马玉祥.专家系统[M].北京:北京理工大学出版社,2001.
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).