人工智能赋能在线实验教学行为分析

王鑫悦， 郑 磊

(1. 东南大学 电气工程学院， 江苏 南京 210096 2. 东南大学 电工电子实验中心， 江苏 南京 211189)

0 引言

21世纪以来，信息技术、计算机科学、大数据技术等智能技术的快速发展推动着各行各业的智能化改革，人工智能技术已经应用在人类生活的方方面面。2018年教育部印发的《教育信息化2.0行动计划》的通知中指出“人工智能、大数据、区块链等技术迅猛发展，将深刻改变人才需求和教育形态[1]”，智慧教育逐渐渗透到教育教学的各个环节。

2020年新冠疫情的爆发使得教育事业面临挑战，各个学科纷纷推出了线上教学模式以保障教育不停歇，以直播、录播等教学形式开展的线上教育，例如MOOC(Massive Open Online Courses)平台，有效解决了疫情期间无法进行课堂知识教学的问题。然而，对于需要课堂教学与实践教学相结合的课程，例如电类基础课程，基础知识的传授无法满足培养创新思维和实践能力的教学要求，疫情下实验环境的封闭使得学生无法对所学知识进行实验探究，不能真正掌握学科知识。面对这样的实验需求，实验教学也逐渐突破时间、空间的限制，实现“智能化”，例如华中科技大学的“通信原理”虚拟仿真与在线实境实验系统[2]，海军潜艇学院基础部开发的“自动控制技术”在线实景实验平台[3]，东南大学的电工电子在线实验平台等，对线上实验平台的研究和分析促进了疫情下基础知识与实验教学相结合的学科在线教学体系的建设和完善。

教学行为分析是智慧教育的一个重要研究方向，对教学行为的分析关系到教学目标、教学方法的改进和提升，也是教学效果反馈的重要手段。在线实验课程的教学行为分析方法更是直接影响到“智能化”实践课程体系的科学性、可行性、合理性和有效性。在学校课堂或实验室中，教师可以对学生学习、实验的行为作出指导，并根据学生表现及时给予教学反馈、调整教学方案，但是，网络虚拟环境下的在线学习无法保证教师能够实时对学生的学习行为作出反馈，在线实验的及时引导和实验故障分析还未实现。

以东南大学电工电子基础课程为例，应对新冠疫情，东南大学在线实验配备了120套设备向校内外师生提供了免费在线实验服务，截止2020年7月共服务85所高校、4万名学生，实验累计36万人次，提交实验报告5万多份。随着使用人数的不断增加，学生实验中遇到的问题也越来越多，教师无法实时对学生实验过程进行指导，缺少实验引导和评价反馈机制。因此在线实验教学亟需智能化教学行为分析系统以支持教学引导反馈、实验故障分析引导等教学需求，针对在线实验教学行为的研究十分必要。现阶段国内外对教学行为分析多立足于课堂行为及线上视频教学模式，工科线上实验教学行为分析在数据采集、知识表示、实践过程量化、分析技术等方面都面临较大的困难。但是，人工智能技术的快速发展给在线实验教学行为分析研究带来了新的可能，给在线实验教学的智慧发展创造了广阔的发展前景。

1 人工智能概述

人工智能AI(Artificial Intelligence)最早诞生于1956年，主要是指通过视觉分析、语音识别等技能模拟人的智能化行为，是用于研究和开发模拟、延伸和扩展人和其他动物智能的技术。另外，美国人工智能学者尼尔森曾提出“人工智能也是关于知识的学科”，是用来研究知识的表示、获取和运用的技术[4]。21世纪以来，由于计算机和信息技术的飞速发展，人工智能技术取得了突飞猛进的进展。2016年至今，现代人工智能进入发展阶段，主要采用数据编程，依靠数据和模型解决直观的、经验的、非形式化的问题[5]。

人工智能的出现给各个领域都带来了新的变革。在教育领域，人工智能教育(AIEd)的概念成为教育学的研究热点。本文以人工智能、教育为关键词检索了2016年至2019年SCI、EI及核心期刊的文献并对其关键词进行可视化分析。如图1所示，汇总了至少出现两次的关键词(共现频次=2)，通过设置聚类分析阈值可以看出人工智能教育的主要研究热点集中在智能教育、学习过程、教育应用，图中连线的粗细表示两个关键词之间共现次数的多少。教学学习分析、自适应学习、教学交互、教学效果等均与这三大研究方向密不可分。教学行为是教学研究的一个微观问题，直至20世纪六七十年代才作为一个独立研究的问题而受到重视[6]，图1中所示的教学交互、教学效果、个性化教学学习分析、实践路径、学习过程等均属于教学学习行为分析的范畴，数据挖掘、计算机科学、教育大数据、深度学习、图像识别、自然语言处理等为教学行为分析提供了技术支持。

图1 关键词形成的贡献网络示意图(2016-2019年，共现频次=2，聚类分析阈值=3)

2 教学行为分析综述

行为是指实现某个目的而具体进行的一种活动[7]。教学则是教师授课和学生学习的交互统一[8]。传统课堂教学行为包括教师教学、学生学习及师生互动三个维度，同时需要综合考虑教学行为的情境性与动态性，针对不同的学科教学和课堂表现形式分析出教学行为的表征含义及其规律性特征，从而完善教学体系，优化课程设计，提高教学效率。教学行为的分析方式可以概括为四类。

2.1 基于量表分析的教学行为分析

在传统的教学中行为分析研究中，教学行为主要为语言行为，教学行为分析方法主要只要以人工制表、量表分析方法为主对教学过程中的语言行为进行量化分析。观察者基于量表中的关注点对教学者的行为进行手工编码记录，再对其行为频率、时长等特性进行计算分析。其中影响较大的分析方法有FIAS分析、语言互动分类系统VICS(Verbal Interaction Category System)、S-T分析法。学者Flanders提出的互动分析系统(FIAS)将课堂教学行为分为十大语言行为并对其进行编号，如表1所示，每隔3秒对语言活动进行取样，那么一节45分钟左右的课程会记录800～1000个行为编码，将每个活动编码与其前一个和后一个组成一个序对，例如观察者在一段时间内记录的教学行为编码为4、8、7、5、8、7，序对即为4-8、8-7、7-5、5-8、8-7，通过构建10×10的互动矩阵，如表2所示，记录每个序对出现的活动频次，例如8-3序对出现两次，则在编码矩阵第8行第3列记录频次'2'表示学生回答老师的问题后获得称赞或鼓励这一行为出现的频次为2，第9行第3列为'1'表示学生主动发言后教师接收学生的想法这一行为出现的频次为1。构建10×10的互动矩阵统计课堂教学行为的种类，通过对矩阵分析呈现课堂教学结构、行为模式和风格等[9]。VICS分类系统同样是对教师学生言语行为作出分类[10]。

表1 FIAS编码系统[11]

表2 教学行为互动分析矩阵

S-T分析法减少了教学行为的种类，将教学行为分为教师行为(T)与学生行为(S)两大类，将教学类型分为对话型、练习型、混合型和讲授型，通过定时间间隔采样得到S-T时序数据并绘制行为占有率-转换率图(Rt-Ch图)，最终根据Rt与Ch值确定教学类型[12]。陈实等人在疫情背景下构建CTBAS(Classroom Teaching Behavior Analysis System)，抽取12个网络教学样本，通过对视频网络课程的顺序编码，记录各活动时长并对其量化分析以得出教师、学生课堂参与度、活动率等信息[13]。

传统教学行为分析受限于计算机发展水平，对教学行为的统计多为人工记录，因此工作量大、耗时长，且行为分析前需制定合理的行为划分和判定标准，若行为划分模糊，观察到的行为不全面，则会导致信息遗漏严重、分析不准确的问题。另外其分析以教师行为为课堂教学行为的主体，主要为定性分析，通过对教师和学生的行为统计确定课堂教学的特征，定性分析课堂教学类型，结合行为出现的频次时间等推测教学质量，无法对学生学习掌握情况和各类型教学模式效果做出进一步分析，分析结果具有很大的局限性。

图2 Rt-Ch图

2.2 基于信息技术的教学行为分析

由于互联网技术的发展，网络教学形式逐渐成熟。信息技术不仅改善了传统教学行为分析中的人工编码成本高、准确性低等问题，使得编码实现自动化，同时计算机技术和通信技术丰富了课堂教学形式，多媒体、网络技术等逐渐用于教学，对教学行为进行分析时考虑到各种媒体在教学中的应用情况，教学行为呈现多样性，给教学行为分析研究提供了数据基础，教学行为分析方法向信息化、数据化的方向发展。

在信息技术时代初期，顾小清等学者在FIAS系统基础上增加教学行为类别和例如PPT、多媒体等技术类别提出了ITIAS(Information Technology-Based Interaction Analysis System)[14]。王艳丽等学者在教学活动中倡导以学生为中心，为体现学生学习的自主性和实践性，在FIAS分析法的基础上细化了行为类别，同时在数据采集方面提出“时间抽样，动态补偿”的行为采集原则，采集有行为转换发生的关键行为，解决了定时间间隔行为采集下关键行为丢失的问题，提高数据采集的有效性和精度。另外，考虑到教学特殊情况，例如多行为同时发生，多主体(教师、学生)同时活动等，在行为采集中加入3个约束条件，即以言语优先、以主导主体优先、以学生优先。在分析技术上，通过计算机技术开发教学软件平台，通过对应按钮完成数据的采集与编码，使得数据编码自动化[15]，提高了数据采集和分析的效率。

与传统课堂教学分析相比，信息技术支持下的教学分析降低了对行为观察和采集的难度，更关注行为分析方法的研究，大大提高了教学行为分析的效率和质量，然而数据混杂和信息多样等问题依旧存在，分析依据也无一定的标准，行为观察和采集的过程仍需大量人力的参与，其分析的结果也与传统课堂的分析无本质区别，无法得到对学生个体情况的具体分析，教学行为分析欠缺标准化、自动化和个性化。

2.3 基于大数据的教学行为分析

2012年,美国国家教育部发布《通过教育数据挖掘和学习分析促进教与学》的报告中提出“数据驱动学校,分析变革教育”[16]拉开了大数据时代下教学行为分析的变革。例如MOOC、Coursera等在线教育平台的出现为教学分析提供了大量的数据基础，教育数据挖掘、文本分析、语义分析、可视化技术等数据分析方式为教学行为分析提供了有效的技术支持，数据驱动的教学行为分析使得个性化学习、差异性教学、精准化管理及智能化服务等领域取得突破性的进展，例如Arthur Graesser、胡祥恩等学者研制的教育智能体系Auto Tutor通过分析系统与学者之间的文本交互信息判断学生的认知水平，并依据学生个体学习情况提供学习引导，使得行为分析为个性化和自适应学习服务提供支持[17]。孙曙辉等学者结合大数据分析技术和云计算基数构建了图3所示的基于动态学习数据的教学平台框架，立足课前、课中、课后三个时间维度提出了智慧课堂的教学结构理论模型[18]，如图4所示。

图3 智慧课堂教学平台架构

图4 教学结构理论模型

大数据时代使得学习分析技术得到充分的发展，数据和技术驱动下的个性化学习、差异性教学和精准化管理逐渐落地应用，例如国内义学教育所开发的人工智能自适应学习系统“松鼠AI”，但是大多数研究还都处于理论框架设计，对教育大数据的应用和实际问题解决方面聚焦不够。另外，海量教学数据的出现也给教学分析带来了许多问题。一是研究对象模糊化。对于研究目标到底是教育问题下的数据分析，还是大数据背景下的教育问题研究出现了分歧；二是教学中的数据采集多为为了采集而填报的数据，真实性和实效性有待考察；三是课程形式多样导致数据结构的多样性，文本、图像、数字等都可作为教学数据，缺少结构化数据，数据的展现方式有待研究；四是教育数据建模大多处于理论研究及质性分析阶段，缺少对教学过程及学习行为的数据挖掘；五是教学大多存在学科交叉现象，教学内容的复杂性也给教学行为分析带来困难[19]。

2.4 基于人工智能的教学行为分析

人工智能技术的高速发展给教学行为分析提供了新的数据处理方式和行为分析架构。人工智能在教育数据采集方面的技术主要分为四类：物联网感知技术[20]、可穿戴设备技术[21, 22]、图像识别技术[23]、情感识别技术[24, 25]，教育数据分析方法有预测[26, 27]、结构挖掘[28, 29]、关系挖掘[30]、模型发现[31～33]等。在大数据的时代背景下，人工智能技术有了更大的发挥空间，目前人工智能技术研究主要分为两个方向，其一是基于逻辑规则的知识研究，第二是基于机器学习的模型研究。

1)基于规则的教学分析

基于规则的教学分析主要依据知识、规则、逻辑推理进行数据分析。专家系统是这类分析方式的典型代表，最早出现在20世纪60年代，是根据规则、逻辑、知识推理找到解决问题的方法从而模拟专家决策推理的计算机系统[34]，有低危险性、强可靠性、复合专家知识、可理解性等特点，在解释、设计、诊断、预测、规划、监视、控制、教学、修理等方面具有很高的应用价值。上世纪80年代早期就已经展现了其强大的商业用途，在医疗诊断、故障推理等专业领域有了很好的应用，例如拉特格尔大学研制的CASNET青光眼诊断治疗专家系统、浙江大学研究的高炉智能控制专家系统等。

由于知识的复杂性、逻辑规则的模糊性，还有一些常识性知识的限制，通用专家系统始终没有突破，面对规则复杂的领域，专家系统也难以合理精确建立。21世纪后，大数据、人工智能的出现给专家系统带来了新的希望，遗传算法、人工神经网络等智能技术应用于专家系统，智能系统逐渐发展。2012年Google公司提出的“知识图谱”概念也可以视为专家系统智能发展的产物，其本质是一种语义网络，它将知识以图的形式表现，通过对知识的抽取、表示、融合来揭示实体之间的关系。

在教育领域，南美洲地理教学系统SCHOLAR、电子线路故障诊断系统SOPHIE等都是教育专家系统的雏形。国外对专家系统的研究开始较早，在上世纪80年代就将专家系统应用到智能教学系统ITS(Intelligent Tutoring System)中，ITS现在也称为教学管理系统LMS(Learning Management System)，主要用于知识管理和教学路径规划，包含学生模型、教师模型和知识模型三大部分[35]，知识模型作为专家系统的一种表现形式用于存储知识和为个性化教学路径设计提供基础信息，通过专家系统的辅助分析功能，对教学行为进行监测分析从而实现个性化、智能化教学辅助系统的构建。国内对专家系统的研究开始较晚，根据专家系统在教育中的应用，孟繁华在1994年提出教育决策专家系统[36]，骆嘉伟在1998年提出教育规划辅助决策专家系统[37]。后来由于网络远程教育的发展，陈文干等学者在2003年设计了网络心理健康教育专家系统[38]，闻国旗等学者基于专家系统设计了自适应远程教育平台，对智能答疑系统进行了框架搭建，如图5所示[39]。在专家系统技术的支持下，系统根据学生行为，在一定程度上代替教师进行教学答疑，减轻教师教学的工作量，在对学生个体的学习问题进行指导上实现个性化、高效化和智能化。

图5 自适应远程教育平台的智能答疑系统结构图

路利娟、朱连春、闻国旗等学者纷纷指出专家系统在现代远程教育发展和事件的需要，专家系统的构建对提高教学质量、完善教学体制、规范教学管理等方面都有积极的作用[34, 39～43]。李强在文献中指出教育作为社会活动所具有的复杂性给专家系统的研究造成了困难，同时他对专家系统在教育研究中的需求及可行性进行分析，肯定了专家系统在其中的重要作用[44]。以“教育”和“专家系统”为关键词在知网进行文献检索，图6显示了年份-文献数量的统计结果。总体来说，国内对专家系统在教育方面的研究较少，大多为理论框架研究，在教育行为研究方面取得的成果也不容乐。从时间线来看，专家系统在教育领域中的应用研究出现了三次高峰时期，分别对应了人工智能初期、传统机器学习时期、深度学习发展时期，可以看出在近年来各项技术的支持下，专家系统也在不断发展。专家系统被视为一种模仿专家思维和学习过程，有能力自动推理和提出建议的程序[45]，这与现代智慧教学平台实现自动辅助教学的目标相一致，同时智能化发展已经成为教育发展的必然趋势，专家系统在教育方面的应用研究也呈现上升趋势，因此专家系统在教育活动中的应用依旧是未来教育研究的一个重要方向。

图6 专家系统在教育研究中的发展趋势

2)基于机器学习的教学分析

机器学习分为传统机器学习和深度学习两大类，是对模型、策略和算法的设计和研究，例如回归、聚类、贝叶斯、决策树等算法和卷积神经网络网络、循环神经网络等深度网络模型。此类分析方式有效的前提是具有大量既定数据即样本，通过训练样本使网络“学习”并优化网络参数达到对特定任务的理解，从而对新的案例进行结果的预测和分析，而在网络结构设计的问题上，多依靠经验设计。基于机器学习的分析方式具有对特定任务分析准确率高的优点，然而也有明显的缺点：模型不可解释，网络结构设计缺少依据，大量数据下训练速度慢，模型不具有普适性等。

在教学行为分析上，这样的分析方式已经取得一定的成果，例如曹晓明等学者采集学习者在线学习视频图像、脑电波数据和学习日志构建多模态数据集，通过融合策略和Resnet卷积神经网络进行数据处理，训练了一种多模态数据融合的深度学习模型，对学生参与度、课程专注度进行分析且分析的准确率达到了87%[46]。王坚等人总结了在线教学中学生网络学习行为，如表3所示，对这些观测指标进行因子分析，通过KMeans聚类算法对学生网络学习过程进行聚类，总结学生网络学习的群体性特征[47]。这样的系统大多基于数据的处理和预测，结论往往只是依据教学行为的活跃程度、学生参与度等以此来推测教学质量及教学效果的宏观分析，无法面向知识对学生教学情况进行分析，整个分析网络也将教学行为看成一个“黑盒”，分析过程无法解释和展现，难以进行教学跟踪与教学引导。

表3 学生网络学习行为观测指标[47]

基于以上两类人工智能技术下的教学分析各自的优缺点，学者开始结合知识和模型研究，将专家系统与机器学习技术相融合，例如李盺等人基于知识表示学习，利用Transformer循环神经网络进行知识哭的构建，并利用图形数据库构建公共计算机课程的知识图谱，建立课程专家系统[48]。杨笑然等人通过命名实体识别、关系抽取等方式对网络资源进行知识数据集的获取和处理，利用图形数据库构建知识图谱，建立了医疗专家系统，实现医疗语义搜索和智能问答服务[49]。李福军等学者以160名医院麻醉科学员为研究对象，设置实验组和对照组，对两组学员分别采取传统带教和人工智能专家系统辅助两种教学方式，对比得出人工智能专家系统辅助下的教学覆盖知识更全面、学生行为追踪和分析更细致、系统对学习情况的反馈更及时、个体学习效率更高、学习满意度更高。

教育研究由于其专业性较强，本身含有大量的领域知识，教学过程所产生的行为数据也在网络时代变得纷繁复杂，综合上述分析，知识推理和机器学习相结合必然是教学行为研究问题的一个有效方式。国内对教学行为分析的研究成果还较少，学者黄斌对2006年到2020年国内184篇教学行为分析相关核心期刊论文进行总结发现论文主题为理论研究和设计研究的占63.95%，实证研究占27.72%，评价研究仅占8.70%[50]，还未检索到教学行为视角下的在线实验教学研究案例，将教学行为分析落实到实际应用中还需中的学者共同的努力。

3 在线实验教学行为分析研究

电工电子类基础课程是工科教学中需要实验操作教学的典型学科代表，为了使得实验教学突破时间、空间及设施设备的局限性，让更多学者在自由时间、自由地点进行实验学习，东南大学电工电子实践中心开发了电工电子在线实物实验平台。在线实验教学与传统课堂教学行为相比在教学环节、教学模式和教学方法等方面都存在很大的不同，对在线实验教学的行为研究也应有不同的分析思路。

3.1 在线实验教学行为的特点

实验教学是电工电子基础课程教学必不可少的一环，疫情的爆发使得在线实验教学平台的完善迫在眉睫。与课堂教学行为相比，在线实验教学及其行为有以下几个特点：

(1)教学理念以“学”为中心。课堂教学以“教”为中心，注重教师教什么、怎么教[51]，通过学生课堂集中度、课程完成度等指标体现教学质量。而实验教学的目的是培养学生的实践能力，关注学生对基础知识的实际应用，学生的实验的过程的合理性和实验结果的准确度直接反映教学的效果。

(2)参与教学的主体以学生、在线实验平台为主，教师行为为辅。与线下教学相比，教师在实验教学过程中的引导可以由在线实验平台完成，教学平台充当“智慧教师”对每个学生的实验行为进行智能化分析和反馈，减轻了教师的教学压力，提高了教学反馈的效率。

(3)教学行为中的“学”以学生实验步骤为主，“教”以教学平台对学生实验的分析、引导和反馈为主，数据由实验平台记录、教学行为分析系统处理。

3.2 教学行为分析系统构建思路

1)研究目标

电工电子在线实验的教学行为分析的研究旨在以数据和技术为驱动力，辅助在线实验平台实现对实验的精准评价、实验过程的动态引导和在线帮助，构建在线实验智能教学体系，提升实验教学质量和效率。

(1)全面采集学生实验过程数据，分析实验进程状态。基于在线实验平台，实现学生实验过程数据的实时采集和存储，用于分析学生的电路设计、实验操作、电路状态监测，为行为分析系统及教学反馈机制提供原始信息。

(2)运用人工智能相关技术，研究在线实验的分层次引导和实验电路故障分析方法。根据学生实验中的行为数据和电路状态，运用智能技术分析学生实验状态及实验电路的正确性，根据学生行为有选择、有条件地提供从简单到详细的分层次的实验任务分析、问题引导和操作指导，对学生进行个性化在线帮助。

(3)研究教学评价的内涵，设计个性化实验考核方案。根据不同的实验任务，确定实验目标、制定实验评测标准，结合对学生实验行为的分析和运用在线帮助的情况综合评价学生实验的完整性、完成度、规范性、准确性、自主性等指标，研究合理的教学评价体系。

(4)分析实验群体的行为数据，反馈教学成果。运用人工智能相关技术，整体分析教学方式和教学效果，提供在线实验教学的成效性分析数据，为教学设计者提供改进的参考依据。

2)研究内容

电工电子在线实验教学行为分析的本质是基于学生实验的行为数据，分析、推理和判断学生实验过程、实验结果，并能够将计算机判断、引导和推理的结果反馈给学生及教学设计者的一个行为分析体系，其关键在于收集和挖掘学生学习数据，开发电气电子大类专业知识库，构建学生“学”(即实践)行为和“教师”(即计算机)“教”(即引导和反馈)行为分析体系。

(1)数据采集、处理和存储：行为分析系统的研究对象是学生实验数据，因此数据采集模块需要实时获取和处理学生的实验行为信息，包括实验内容、实验步骤、元器件选择、电路参数等信息，是行为分析系统的数据来源。

(2)实验过程、学习结果(电路故障)判断方法：根据现有对教学行为分析研究的方法和技术探索可知人工智能技术已经广泛应用于教育数据挖掘和学习行为分析领域，结合人工智能相关技术的优缺点和电工电子实验强专业性的特点和启发性、推理性、可解释性的要求，基于专家系统的分析方式可以给学生实验的分析提供逻辑判断依据，机器学习相关算法也能在数据处理、专家系统搭建等方面提供高效的帮助。

(3)教学引导和反馈机制：在学生实验过程中，需要根据学生实验状态和要求提供合适的实验引导以保证学生能够完成实验，同时根据学生行为及其实验结果有针对性的提供相关基础知识，给学生提供自主学习的材料。

3)研究方法

针对电工电子在线实验的教学行为分析是基于学生数据及电工电子基础知识，需要将学生实验行为及电工电子实验知识进行数据化处理和存储，将教学行为数据从知识的角度进行推理分析，结合人工智能相关技术的特点及应用场景，数据与知识相结合的研究方法才能够满足分析要求，因此本文认为以专家系统为基础、机器学习技术为数据处理手段的分析是在线实验教学行为分析的可行方法。

3 结语

新冠疫情的爆发对在线教育的智能化提出了更高的要求，东南大学电工电子在线实验平台在疫情期间得到广泛应用，在线实验行为分析系统的开发也是应对疫情下智能化实验教学需求的有效举措。

现阶段，在线实验教学行为分析还未形成脉络清晰的理论体系，对在线实验教学的行为研究还处于初步理论研究阶段，但不可否认的是其对在线教学、实验教学研究都有着重大的意义，迎合了当前教育大数据背景下个性化教学、智能化教育的需求。面对国内在线实验教学行为分析研究空白的现象，文章旨在探索在线实验教学行为分析的研究方向和方法，因此整理了人工智能技术在教学行为分析方法上的发展及应用，为在线实验教学分析提供理论参考，同时梳理了针对在线实验教学的研究思路，从理论角度为在线实验教学行为的研究提供方向。

未来在线实验教学行为分析在理论研究、平台开发和应用示范上都存在着广阔的发展空间，要实现智能化在线实验要从数据挖掘和处理技术、实验知识体系的整理和规范两大方向入手，充分利用专家系统、机器学习相关技术以及教育大数据的时代优势，切实推动实验教学的智能化。