人工智能技术赋能英语与茶文化教学融合方法分析

姜 满，陆逸菲，张玥娟

（1.辽宁现代服务职业技术学院，辽宁 沈阳 110031；2.东北大学外语学院，辽宁 沈阳 110031；3.沈阳师范大学旅游管理学院，辽宁 沈阳 110031）

1 茶文化国际教育推广的目的

茶是中国人招待朋友最好的媒介，推广茶文化项目可促进开放，推进国际文化交流。吟风听雨，阅字温茶，在全世界以茶会友，通过茶可将中国数千年历史和文化彰显出来。茶文化通过交流能够跨越国界成为人类文明的共同文化精神财富，了解中国茶的知识和文化是全球学生学习中国文化的实际需求。茶文化教育对于当代青年人来说是一门重要的文化课程。通过学习可以增强学生对中国传统文化的热爱，有助于学生修身养性，提高审美情趣，拓展自身知识结构，丰富校园生活[1]。中国茶伴随着中华文化不断对外传播，对世界人民的饮食结构、经济发展、文化礼仪及语言、文学等方面产生了深刻影响，对世界文明发展做出了重要贡献。因此，茶文化教育在当代教学中有承担自身传承和对外推广的目标与使命。

2 茶文化英语教学方法探索的重要意义

茶文化英语教学方法探索的重要意义在于提高英语教学的实用性、趣味性和文化内涵[2]。同时，中国茶文化作为中国传统文化的重要组成部分，茶文化的特点更适合作为教育载体，其包含着物质文化、精神文化、制度文化、行为文化等多种要素，传承了中国文化的独特魅力。大学英语教学的过程中，重视对高校学生英语语言运用能力以及跨文化交际能力的培养，将茶文化的渗透作为切入点，将单纯的语言学习拓展到文化交流的领域，能够切实推动大学英语教学改革向纵深方向发展。

3 人工智能时代教育融合发展取向分析

人工智能时代教育融合发展取向，主要是以人工智能技术为基础，通过教育融合的方式，实现更好的教育目标和效果。当下学生的个体化差异化越来越明显，根据学生年龄、性别、年级、专业等因素的不同，学生学习知识的兴趣点和接受程度也存在差异[3]。如学生的兴趣点高，学习意愿强，接受知识就比较容易。根据学生学习能力和学习兴趣采取有针对性的教学，改善传统的一刀切教学模式，能有效提高教育公平性。人工智能可根据学生特点的不同制定科学的教学方法，为教学融合发展提供科学导向作用。

4 人工智能提高英语与茶文化科学融合的实现方案

4.1 茶文化与英语教学融合输入数据采集

数据分析是获取、探索、清理、转换和建模数据的过程，以发现有用的信息并呈现结果[4-7]。数据分析是检查和建模大量不同格式数据的过程。

我们将学生按照类别进行分类，并对不同类别学生采用爬虫等技术获取数据进行分析，分析的数据包含多维的茶类相关知识，并形成数据集（包括来自不同来源的结构化和非结构化数据集），通过对数据集的预处理发现有用信息[8、9]，对大量数据形成的数据集进行计算的预测模型主要有两个问题待解决。一是将数据集进行分解存储到不同位置，然后对存储的数据进行分析，用来发现有用的隐性信息。二是提供一个平台，该平台可以将大量非结构化数据转换为结构化数据，用来决策茶文化和英语教学融合的方案。本文通过对学生性别、受教育程度和文理分科等不同因素的学生进行分类，并通过调查问卷等形式获取数据作为训练样本，将所属类别中高频词汇作为输入层的属性x1，学生类别作为输入属性x2，输入到解析层。具体如图1所示。

图1 输入层架构

4.2 教学融合深层神经网络解析

深度学习是一种机器学习的分支，其目标是让计算机模仿人类大脑的工作方式，深度学习的核心是神经网络，它由多个神经元和层组成，通过传递数据并经过激活函数的处理进行特征学习，在教育行业中，深度学习技术可以用来分析和评估学生对知识的理解程度，从而确保提供的内容能够满足学生的需求。一个完整的神经网络模型中需要对输入层，隐藏层和输出层三个部分进行计算。数据用前向传播算法以第一个输入节点作为起点进行前向传播，经过隐藏节点后继续向前移动，直至到达输出节点。同一层的每个神经元都与所在层中的其他神经元直接关联。一个完整的神经网络（DNN）包含多个输入和许多隐藏的神经元。通过对数据进行预处理后将数据分为训练集和测试集两个部分。整个深度神经网络模型如图2所示。

图2 深度神经网络模型（DNN）

激活函数是神经网络中的一种非线性元件，主要作用是将输入的数据进行转换，使得神经网络能够更好地拟合复杂的非线性关系，在实际应用中，常用的激活函数有：sigmoid、tanh、ReLU 和 Softmax 等。神经元中的每个输入都有权重，输入值x0乘以每个输入到神经元的权重W1，与激活函数相加并对其再进行一次激活运算得到输出函数x1，在模型的隐藏层和输出层中我们使用SoftMax作为激活函数，此外，多层神经元在整个神经元中没有直接的驱动作用。

在输入层我们选择ReLU（Rectif ied Linear Unit）作为激活函数，ReLU是深度网络学习的常用模型。与其他激活功能相比ReLU的可以更轻松地优化数据。与线性函数类似，ReLU可以使模型快速收敛。公式2用于获得第k个隐藏层的输出。

其中W代表输入层和隐藏层之间的权重矩阵，kx代表输入矩阵，bk是偏差矢量，ReLU代表提出的DNN模型的激活函数。在本文中，我们使用softmax方法获取并转换输出结果，以便通过使用以下等式3获得实际值y的预测值。

4.3 茶文化与英语教学融合实施过程

我们利用DNN算法训练和测试了所提出的预测模型。在本文中，我们使用sklearn模块（Python库）将数据集分为70-30的训练和测试。因此，我们将70%的数据用于培训目的，其余30%的实例用于测试目的。

图3描述了DNN模型中用于英语教育与茶文化知识相融合的效果预测，在初始步骤（DNN-100）中，损耗值约为0.11，在第二步骤（DNN-300）时损耗逐渐减小，深度学习模型在300层产生了一个更低的错误率为0.00513，在模型学习达到500层深度时错误率实现了0.00257的超低错误率（损失值），证明在模型深度达到500时学习效果最佳，超过500则会出现过拟合现象，这表明DNN模型在学习深度为500时（DNN-500）产生了最优的预测结果。

图3 教育融合预测中的DNN模型在训练中的损失

5 茶文化与英语教学融合深度网络模型性能测试

为从多维度测试茶文化与英语教学融合网络模型的鲁棒性，本文针对不同的回归问题，采用了不同的绩效指标进行绩效评估，以便于我们使用这些统计评估方法来确定模型的有效性，例如均方误差（MSE）、均值绝对误差（MAE）和均方根误差（RMSE）等。表1用于根据MAE、MSE和RMSE总结所实现算法的性能。

表1 深度神经网络算法的统计性评估

6 结束语

在python环境下对样本进行试验，得出男生大多对茶的中西方文化差异、历史发展等所获得的分值较高，女生多对茶的礼仪文化等所获得的分值较高。文科专业学生对深层次的茶类知识的了解和学习接受能力比理科专业学生更高，更适合将茶文化课程融入到英语学习中。这与我们的常规认知相符。通过模型预测可知，理工专业男生对茶道、品茶、茶艺等引入英语教材的兴趣呈上升趋势，进一步证明了科技和文化之间的互动已经被越来越多人喜爱和重视。另外，将茶文化引入英语教学有助于我国传统文化国际化交流与推广，不断提高我国文化软实力，这是在语言学的背景下发展茶文化英语教学的重要性。■