智能校园视阈下的人工智能教学分析

郭 陶，彭雄飞

(1.精华教育科技股份有限公司，郑州 450000； 2.河南理工大学计算机科学与技术学院，河南 焦作 454003)

近年来，智能浪潮席卷全球，各个领域、各个机构都开始着手“人工智能+”研究布局。2020年8月，《国家新一代人工智能标准体系建设指南》的发布，意味着“人工智能+”教育将从研究转向应用，从原先的探索性、小规模为主，转向大规模的普及式运用[1]。同时，2019年发布的《中国教育现代化2035》明确指出了智慧校园发展下一阶段的目标，即智能校园。

1 人工智能教学分析的应用场景

人工智能领域中，当前最有效也最热门的技术是机器学习技术，它能够对海量数据进行模式识别、规则发现、特征提取、结果预测等，基于机器学习技术建立的模型具有一定的自适应性、通用性与鲁棒性，可满足智能校园视阈下的教学分析需要。

1.1 学习分析

学习分析是指运用人工智能技术，对学生在智能学习环境中产生的可分析数据进行持续的采集与分析，使教师可以持续监控学习活动的过程与结果，从而识别学习过程中存在的问题[2]。这个过程获得的分析报告为教师提供了一个对学生学习情况及可能出现的学习成果进行全面了解的机会，有助于评估并提高学生的学习效率，维持学生学习兴趣，并对学生的异常学习行为进行及时控制。具体应用方式包括学习策略调整、社交网络分析与自主学习行为分析[3]。

首先，通过对学习平台中用户的活动日志文件进行数据提取及统计分析，可以发现学生的学习规律以及对不同主题、不同形式的教学环节的认同度，有助于决策者根据学生的实际学习情况，动态调整教学方式，从而满足学生的学习需求，促进学生更好地参与到教学过程中。通过对学生的学习模式进行识别，并与学生的发展目标进行匹配，可以帮助了解学生的各种学习特征，从而识别出有学业风险的学生。

其次，通过对学生社交网络进行分析，一方面可以为学生智能推荐学习伙伴，提升学习效率；另一方面可以发现学生中比较孤僻和处于社交群体边缘的个体，避免其陷入心理危机。

最后，当前经济社会的不断发展使就业市场对学生知识技能的要求不断变化，学生不仅需要完成既定的学习内容，还需要主动参与自主学习。在自主学习过程中，为学生提供智能、自适应的分析，有助于帮助学生观察、掌握、评估、计划与调整自己的学习过程，根据与学习目标的差距进行自我激励，提升学生的自我效能感。通过增加学习过程的属性维度，可以对学习者将思维能力向知识技能转化的过程进行观测，从而有针对性地提供学习建议[4]。

1.2 预测分析

在已开展数据采集及学习成果认定指标体系制定工作的基础上，可以通过运用人工智能技术，基于对学生的学习参与、学习设备物联数据、学习过程多模态数据等进行采集，结合已获知的领域知识，识别数据中隐藏的知识与模式，对学生学习结果进行预测分析，并生成以增强整体学习成果为目标的新学习策略，反馈给学生。具体应用方式包括：学业预警、异动预测等[5]。

首先，对学生学业水平的监测、评估与预警，是教育信息化中的一个重要环节，是实现自适应人才培养的基础条件之一。智能校园视阈下，应在传统大数据挖掘技术对数据之间关联性分析的基础上，结合厚数据挖掘方法，对教学过程进行挖掘，利用机器学习技术、模糊挖掘技术等建立模型，追踪学生学业水平下降或上升的影响因素与其中的反馈调节机制，进而打造“全数据认知”下，大数据与厚数据结合的预测机制：先利用厚数据分析方法，确认影响学生学业的主要因素，并对影响方式进行量化；再利用数据挖掘方法，对这些因素的变化趋势进行预测，从而获得未来某一时间节点下学生的学业水平。与目前主流的数据挖掘下的学业水平分析模型相比，智能校园视阈下的预测模型结合了更多数据来源，而不仅局限于教务数据、消费数据等常规数据，另外模型建立过程更加符合自然规律，注重因果反馈关系在模型中的体现，因此模型更具有鲁棒性、自适应性及科学性，预测结果将更为精准且具有说服力。

其次，智能校园视阈下的预测分析应用也包括异动预测。目前，我国在线教育发展的主要阻碍之一是居高不下的退课率，学生通常在前几节课时能够保持较高的到课率与参与度，但随着教学过程的推进，越来越多的学生会中途退课，呈现长尾效应。线下授课也是如此，逃课、早退等现象屡见不鲜。学生的这些异动从数据层面同样有很高的可预测性，会在学生的社交行为数据、学习行为数据等的时序结构中呈现异常。通过运用人工智能技术，可以对学生异动的早期表征如动机、满意度、学习态度等进行识别，从而确定具体的异动原因，并加以干预。

1.3 行为分析

智能校园视阈下的行为分析可对学生行为模式中包含的信息进行获取与解读，从而发现学生的学习模式的个体与群体特征，发现学生之间的学习交互行为与社会调节方式进行动作建模、模式建模、知识建模，并依此设计更具有适应性的教学模式，以改善学生的学习体验[6]。通过对学习过程中产生的行为数据结合学生的学习动机、元认知、学习态度、学习风格和知识掌握情况进行实时计算，对学生进行学习成功分析，识别其中各项行为对学生成果的正向及反向影响，从而提供对学生学习行为的规范与矫正。

1.4 可视化分析

可视化分析应用是智能校园视阈下人工智能教学分析应用的重要一环，可对数据进行图表、图形等多种方式的映射，提供模型化、可视化的界面，并与使用者产生实际交互[7]。可视化分析使教学分析更加灵活多样、更为直观，使用者可通过可视化界面对系统分析的结果进行直观了解，并与机器之间产生交互，使非技术人员了解到数据分析的结果，避免教学信息化沦为简单的黑板搬运或过程搬运，从海量数据中提取出有意义、值得关注的知识和信息，并使用此信息发现对教学过程、教学决策有用的规律与知识。

2 结语

智能校园是当前教育信息化发展的必然趋势，教学分析在近年来的发展中不断体现出新的活力。智能校园视阈下的教学智能分析，将从学习分析、预测分析、行为分析、可视化分析四个方面展开应用，并呈现出服务导向、数据驱动、创新驱动的特征。学校应提前着手进行布局，不断探索与实践，促进学校治理能力与人才培养水平的不断提升。