基于机器学习的德语视听教材甄选方法

张璐

内容摘要：本文通过结合一线德语视听课程教学现状，对现有德语视听教材不能因材施教问题展开探究;巧妙将人工神经网络这种机器学习方法引入到德语视听教材筛选过程，从而更快捷地获取客观、有效的筛选结果。

关键词：机器学习 人工神经网络 视听教材 甄选

一.研究意义

据相关调查结果显示，97%的学生喜欢老师在课堂上应用多媒体（视频、图片等）进行视听课教学，92%的学生认为多媒体的运用在外语课堂中的应用提高了教学质量。但是也有学生对课堂活动的设计，视听材料的选取有不满意之处。虽然视听教材在学生的口语和听力技能训练中起到循序渐进的作用，有其系统性和科学性，但由于学生个体语言能力差异的存在，导致统一的教材不能激发部分学生的学习热情，即不能因材施教。因此探索出德语视听教学中科学的学习材料甄选新方法具有很明确的意义，它可以提高学生利用视听材料的效率，改善教学效果，做到真正的因材施教。如今网络资源发达，视听教学却发展缓慢，师生之间的有效互动不够，教师缺乏足够的精力获取全部学生的个体学情并制订有针对性的学习计划。如果利用机器学习方法依据学生个体学情对不同水平的学习材料进行甄选，智能推送适合的材料给不同学生，可以大大减少教师工作量，同时又能有效提高学生的学习效果，促进学习积极性。充分利用信息数据并通过机器学习算法来获取新建议的思路已经在很多领域获得应用，如某高校就曾利用数据挖掘算法对本校学生成绩进行分析处理，获取潜藏在大量学生成绩信息中的有用信息，从而调整对学生的培养计划、课程信息设置、教师的教学工作等，从而有效提高学生的学习成绩。

随着云计算、大数据等技术的崛起，神经网络算法在人工智能、深度学习应用中得到了高度重视和深度的应用与发展，成为一门基于计算机科学、逻辑学和认知学等多学科交叉的科学。人工智能的最终目的是让机器能够像人一样学习、思考、推理、决策等。从2006年开始，随着神经网络算法研究的进步，尤其是计算机计算能力的大幅度提升，基于人工神经网络技术的深度学习逐步引起重视，并迅猛发展，成为目前人工智能研究的最主要方向。2016年，基于深度学习的AlphaGo，在人机围棋大战中战胜人类，彻底将人工神经网络、深度学习等概念展现到世人面前。因此，本文希望乘着人工神经网络方法发展潮流，在德语视听教学领域做出应用，更多地挖掘出机器学习在实际领域中的应用价值。

二.实施方案

基于神经网络算法进行视听教材分类的总体思路是利用学生对测试数据库中的材料进行学习，然后基于学生的反馈结果数据计算分析获取学生的能力模型，该模型为一组参数值，然后将总数据库中的待分类材料通过学生能力模型解算，最后获取分类结果。详细的实施步骤如下文所示：

1）构建德语视听教学语料库

该步骤为整个方案实施的重要环节，需要教师通过多种渠道搜寻得到各类德语视听材料，并汇总成库。本着有难度、有梯度、兴趣范围广泛的原则展开工作，本部分工作由学科团队内有经验的多位一线教师协力完成，也可动员德语班有兴趣的同学协同参与。该过程是个不断积累，往复迭代的过程，逐步达到完善。

2）构建视听材料评价指标体系，教师对材料进行指标评价

本步骤要建立学生对视听材料评价指标，即学生可以通过哪些角度对材料进行评价，如“材料难度等级”、“兴趣爱好关注度”、“生词覆盖率”等等，教师结合指标对语料库中的每个材料进行学习分析后进行评价，将各指标评价值与对应材料进行绑定，以待应用。如表1中所列的每一行数据含有评价指标1-评价指标4，该组指标综合起来即为评价指标体系，教师需要综合权衡设定，每个视听教材的指标分值均为教师结合实际考察后给出的主观评价结果。

3）构建测试库，获取测试结果

为了获取学生个体的语言能力信息，从语料库中挑选具有代表性的测试用例，挑选原则依据建立的评价指标体系，且用例尽量涵盖各指标的分布区间;让学生学习观看视听教材用例，然后就每个用例给出评价结果（适合/不适合），举如表1所示的一组测试材料信息为例

4）运用人工神经网络算法学习个体能力模型

人工神经网络的功能是依据给定的输入与输出信息，通过前向反馈算法经过多次迭代最终获得复杂的非线性模型，该模型可以在偏差很小的情况下满足输入与输出之间的关系。神经网络方法近似于数学领域的拟合算法，但是利用该方法获取的模型非线性强，精度更高，更能真实反映出输入与输出之间的关系，本研究中对应学生的能力模型。

首先建立网络函数，函数包含两个参数，分别为隐藏网络层与网络训练方法，考虑视听教材分类问题的复杂程度与数据特点，设定隐含层数为2，训练方法为梯度训练法。

然后设定训练参数，参数主要包含迭代次数与允许误差，考虑解决问题的需求以及实验室采用PC机的性能，迭代次数设为1000，允许误差为0.001。

最后进行训练学习过程，将如图1所示的学生1的评价结果作为系统输出，将对应的教材评价指标值作为系统的输入，通过编好的应用程序利用神经网络算法工具箱进行迭代分析计算，在程序后台获取一组两层神经网络的权值及属性常值，即代表学生1的个体能力模型。

5）语料库视听材料甄选

通过步骤4获取了学生个体能力模型后，将语料库中视听材料遍历，分别将每一个视听材料的评价值作为输入代入到学生个体能力模型中，然后计算得出最后的输出评价值，输出结果为0即为该材料不适合该学生在现有水平下学习，输出结果为1则代表适合该学生在现阶段学习。最后将全部适合的材料编号输出，供学生结合语料库进行利用。

1）为了获取更加客观、准确的筛选结果，教师在对语料进行指标确定时要重视代表性，属性标定时要做到尽量准确，充分利用平时教学时对学生的了解，从学生的视角去处理该步骤;

2）在制作测试库的时候，要尽量涵盖每个指标的全部允许范围，且数量不宜过多，减少给学生带来的负担，利于获取更真实的评价结果;

3）利用人工神经网络计算过程中，选择分层數适宜，防止出现过拟合等现象影响模型的准确性。

结论：本文将机器学习的思想引入到了德语视听教学工作中，用相对客观、智能的方法替代传统以人的绝对主观意识决定教学过程，为语言教学改革提供了新的思路，符合教育面向现代化的发展潮流，具有一定的应用价值，然而在实践过程中还存在较多考虑不周，在后续研究中会继续探索改善。科学技术的发展就是要服务于人，在教育领域不断做出更多的应用尝试可以充分利用科技发展成果，这也符合算法开发人员初衷，值得发扬推崇。

参考文献

[1]卢欣欣.高职英语视听说教学研究[J].求知导刊，2017，0（21）.

[2]金美辰.生态视阈下的大学英语视听说教学模式[J].中国冶金教育，2017，0（1）：22.

[3]邹琳琳.英语视听说教学研究[J].青春岁月，2011，（20）：224-225.

[4]刘博鹏，樊铁成，杨红.基于数据挖掘技术的学生成绩预警应用研究[J].四川大学学报（自然科学版），2019，56（2）：267-272.

[5]张艳玲.数据挖掘在高校学生成绩管理系统的应用[D].河北：河北科技大学，2014.

[6]张庆，刘中儒，郭华.神经网络算法在人工智能识别中的应用研究[J].江苏通信，2019，35（1）：63-67.

项目支持：基于信息挖掘方法的高职德语视听教学材料的探索与应用，项目编号：ZDJY2017-40

（作者单位：天津中德应用技术大学）