基于人工智能的规模化与个性化相结合教学环境构建

陈丹琪　李英梅　庞国莉　段丽

［摘 要］人工智能技术在教育领域的应用是时代进步的产物，它引领传统教育模式发生了巨大变革。文章依托雨课堂教学过程数据，从教与学两个视角探索了精准教学的新模式。通过梳理软件工程课程知识点及对应习题，运用决策树及FP?Growth算法，能够在规模化教学中为教师实时提供精准教学决策，又能够在个性化教学中让学生获取有针对性的习题。个性化教学的融入弥补了规模化教学的不足，使学生在多样化教学环境中增强了学习的主动性、积极性，成绩有了明显的提升。

［关键词］人工智能；规模化；个性化；精准；教学环节；软件工程

［中图分类号］G642［文献标识码］A［文章编号］2095-3437（2024）04-0084-04

2019年，中共中央、国务院印发了《中国教育现代化2035》，其中提出要“利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合”。为实现这一目标，可以通过推动智能技术深度融入教育教学全过程，加强对信息化时代学习者认知和学习行为规律的研究，推广应用智能学习空间和智能教育助理，促进育人方式、教学模式改进，实现公平而有质量的教育[1]。

一、人工智能辅助教学的必要性

将人工智能技术融入教育教学，能够使学生对学习的自主控制和教师对学生的个性化指导真正成为可能。代表性的研究有：徐欢云等人梳理了国际教育人工智能的研究现状与发展脉络，建议应立足多样化视角挖掘小而精的研究主题，开展我国教育人工智能本土化发展创新研究[2]；张奕等人通过应用智能识别设备，采集各种教学中的交互行为数据进行分析，发布更加精确的学情报告，以提升教学效果[3]；刘旭等人探讨了将人工智能引入神经病学教学，以推动教学模式改变、实现精准教学[4]。

软件工程课程是一门联系基础理论与工程实践的桥梁性课程，也是计算机相关专业的核心课程。为了更好地解决软件工程课程内容庞杂抽象、教学实践环节薄弱等问题，国内外专家纷纷应用人工智能技术辅助软件工程课程授课，例如曾明星等人在软件工程实训中，应用以人工智能技术构建的“游泳池”实训空间，实现精准教学、智能管理、工程实践、技术体验等功能，取得了良好的实践教学效果[5]。人工智能技术的介入为软件工程课程建设和教学改革开辟了一条全新道路。

二、软件工程课程精准教学环节的构建

2016年以来，课程组在软件工程教学中使用了由清华大学和学堂在线共同推出的雨课堂平台进行授课，该平台的应用不仅可以有效监管课堂，还可以通过多样化教学手段的实施，积累反映学生各方面表现的丰富数据。依据这些实时数据并运用人工智能技术，课程组构建了一个能够精准确定教学目标、精准实施教学过程、精准进行教学干预的规模化与个性化相结合教学环境，包括课前、课中、课后三个精准教学环节。

（一）数据准备与获取

为了在抓取雨课堂数据时可以处理得到更加有效的细分类别支撑数据，课程组重构了软件工程教学内容中各知识点的关联性，着重对各学时的讨论问题、自主练习题及作业题进行知识点、认知过程维度、难易程度的标注，并将教学过程划分为预习、课堂、实验和考试四个教学情境，分别设定各个情境中对学生学习状态的评价指标。这样就可获取错题知识点编号、错题类型、习题得分、认知目标水平、做题时长、错题量、正确率等动态教育数据，从而帮助教师实施精准教学干预。

（二）建立规模化授课的精准课堂教学环节

依托雨课堂的软件工程规模化理论授课流程包括：课前为学生推送多种形式的预习内容及自测练习，按照预习情境中设置的评价指标获取预习学情分析数据，用以将课程目标分解、重构，设定出每学时精准的教学目标和学习目标，并设计出从不同侧面反映教学目标达成度的习题；课中按照教学目标进行讲授，可让学生分组进行讨论，实施协作式学习，将存疑的问题以雨课堂特有的弹幕或“不懂”方式进行反馈，教师再根据学生提出的问题深入讲解并有针对性地推送相关习题。雨课堂实时抽取课堂教学数据，运用决策树算法，为教师提供精准的教学决策，以便教师选用面向不同授课群体、不同学习水平的学生所适宜采用的教学方法。之前笔者的相关研究已对这种规模化授课中精准课堂教学环节的实现过程做了详细描述[6]。

（三）建立精准个性化教学环节

软件工程是理论与实践并重的一门课程。在理论讲授之后的课后环节，教师根据雨课堂教学数据，发布基础的共性作业及个性化的巩固练习习题，并在实践课堂的教学环节中，针对学生不足之处进一步布置个性化强化实验，面对面进行精准教学干预，以提高学生的软件工程综合应用能力。学生也可以根据关联规则，明确自身的认知缺陷，及时查缺补漏，有效提升学业成绩。

1.挖掘错题规律，获取个性化习题

根据软件工程课程的授课计划及教学大纲，标注各章节的知识点，并与习题资源进行绑定，建立习题与知识点关联机制。课程知识点用章、节、知识点三级信息表示，各级信息均保存编号及名称数据。其中每一章下设置有多节，每一节下又可以有多个知识点。习题资源被划分为与知识点关联习题和记录两部分。教师按照各知识点分别设置不同题型的多项习题，可以在课堂练习、课后作业、单元测验、错题库中灵活使用，并将学生完成习题的具体情况数据保存在答题记录的数据表中，如做题时长、正确率、实践类习题错误率、练习次数等。

将教学过程中的实际数据，按照上述模式保存到數据库中，应用FP?Growth算法对学生的错题知识点编号进行关联分析，通过关联规则挖掘抽取出错题规律，从而生成关联性极强的错题信息结构。

运用FP?Growth算法的基本思想，通过收集学生所有的错题作为基础项集 [I=]{[a1， a2，…， am]}，并将其保存在错题数据库 [DB=]〈[T1 ，T2 ，…， Tn]〉中，这里的[Ti， i∈{1，2，…， n]} 是I中元素组成的集合。频繁项集A也是I中元素组成的集合，但要求A的支持度大于最小支持度阈值，这样的A被称为频繁项集。接下来要从频繁项集中提取所有高置信度的规则作为错题关联规律。

例如，设某一阶段教学过程中学生的错题基础项集为I，表示为[I=]{[a1， a2， a3， a4， a5， a6， a7， a8， a9，]

[a10， a11， a12， a13， a14， a15， a16]}，错题数据库如表1所示。第一次扫描错题数据库，收集每个项目的支持计数，并以支持度不小于20%作为阈值，则产生如表2所示的按照其支持度降序排列的频繁1项集head表。同时修改错题数据库的每一条记录，只保留支持度不小于2的项并排序，得出如表3所示的已转换排序频繁项。

第二次扫描错题数据库，利用有序频繁1项集的head表建立FP树。操作时读取已调整排序的频繁项集，从根节点出发，将每个项集中的各元素按顺序添加到FP树中，同时记录元素出现的次数。例如，第一位学生的错题事务插入FP树后，顺序出现了由{a1：1，a3：1，a5：1，a2：1，a6：1}形成的一条路径。把排在前面的元素作为祖先节点，排在最后面的元素作为叶节点。当添加其他项集时，如果有相同的祖先节点出现，可把出现次数累计加1，而出现不同的元素时，则建立新节点并标记计数。直到将表3中10条数据依次插入，就生成了完整的FP树。

后续要从FP树中挖掘最大频繁项集。自最底层的a6节点向上寻找此节点的条件模式基，由于此FP树中只有一个a6节点，因此就只有唯一一条路径，对应{a1：8，a3：8，a5：6，a2：2，a6：2}。然后将a6的所有祖先节点改为与a6相同的计数，即FP子树变为{a1：2，a3：2，a5：2，a2：2，a6：2}。最终的a6的条件模式基形如{a1：2，a3：2，a5：2，a2：2}。由此易得a6的频繁2项集为{a1：2，a6：2}，{a3：2，a6：2}，{a5：2，a6：2}，{a2：2，a6：2}。递归合并2项集，得到频繁3项集为{a1：2，a3：2，a6：2}，{a1：2，a5：2，a6：2}，……这里省略了一些其他的频繁3项集。一直递归下去，a6对应的最大的频繁项集为频繁5项集{a1：2，a3：2，a5：2，a2：2，a6：2}。同理，a4对应的最大的频繁项集为频繁3项集{a1：2，a3：2，a4：2}，a2的最大频繁项集为频繁4项集{a1：2，a3：2，a5：2，a2：2}，a7的最大频繁项集为频繁4项集{a1：5，a3：5，a5：4，a7：4}，a5的最大频繁项集为频繁3项集{a1：6，a3：6，a5：6}，a3的最大频繁项集为频繁2项集{a1：8，a3：8}，a1的条件模式基为空，不必再挖掘。

通过对各个频繁项集的支持度和置信度进行计算得到的结果，与教师设定的对应阈值进行比较，如果大于则提取作为关联规则，否则抛弃。由于在习题与知识点间建立了关联机制，因此可以依据关联规则中的知识点属性，快速从课程知识结构中定位知识点所在的章节，再由这些知识点的从属关系，构建起错题信息结构。此结构中主要记录了错题对应的知识点编号及名称，尤其存储了导致学生未能掌握该知识点的关联支撑知识点编号，并可在错题标识层中获取错题知识点所属章节。

在获取的雨课堂教学数据中，经由错题信息结构，可以分析得到学生个性化的知识欠缺路径，进而向学生发布个性化的作业。这些作业题既包括当前授课内容中学生未熟练掌握的部分，也会添加一到两道前期学过的关联知识习题。此种形式的作业不仅可以精准地促进学生对缺陷知识点的练习，还可以避免学生间抄袭作业的情况发生。教师还能在接下来的实践课堂教学环节中，布置个性化强化实验，让学生通过动手操作进一步加深对掌握不牢靠的理论知识点的理解。这一阶段由于有教师在旁一对一针对性的指导，因此可以更有效地解决个性化问题，帮助学生尽快补齐理论短板并提升解决实际问题的工程实践能力。

2.依据错题规律，生成个性化错题库

积累教学过程中的学生错题数据，一方面方便学生就自己出错的题目进行练习，加深对错题的理解；另一方面通过挖掘大量错题数据构建错题信息结构，能够准确定位知识纰漏，为学生提供合理化的习题配置，生成个性化精准定制习题库。应用错题库时，习题内容能够根据学生某阶段的练习情况自动动态调整。教师根据题目的重要程度和难度设定练习次数 n，学生做对一次 n 值减 1，做错一次 n 值加 2。当 n=0 时，该题从错题库中移出。这种错题动态调整机制更符合学生的个性化学习需求。

三、教学效果分析与总结

分析开设软件工程课程的两个不同专业学生期末考试成绩数据会发现，实施了规模化与个性化相结合的精准教學环境构建方案的教学轮次，相较使用传统授课方法的教学轮次，学生期末平均成绩从68分提高到了72分。随着基础教学数据的不断积累，错题信息结构模型不断完善，个性化教学的力度进一步加强，反映学生实践能力的应用题和设计题得分率在精准教学环境中也有10%的攀升。

可见，规模化与个性化精准教学环境的构建过程，是基于人工智能技术改革软件工程课程教学模式的一种卓有成效的尝试。应用人工智能辅助教学，精准施教，能够取得更好的教学效果。

［ 参 考 文 献 ］

[1］ 李冀红，万青青，陆晓静，等. 面向现代化的教育信息化发展方向与建议：《中国教育现代化2035》引发的政策思考[J].中国远程教育，2021（4）：21-30.

[2］ 徐欢云，胡小勇. 借鉴、融合与创新：教育人工智能发展的多维路向：基于AIED（2011-2018）的启示[J]. 开放教育研究， 2019，25（6）：31-45.

[3］ 张奕. 基于教学精准交互行为分析的人工智能精准教学研究[J]. 成人教育， 2019， 39（9）：83-88.

[4］ 刘旭，汪昕. 人工智能在神经病学教学中的应用[J].大学教育，2023（7）：66-68.

[5] 曾明星，徐洪智，黄云，等. 人工智能赋能实践教学：软件工程“游泳池”实训空间设计与应用[J].现代远程教育研究， 2020， 32（4）：48-56.

[6］ 陈丹琪，段丽，孙旭光. 基于机器学习的教学决策在软件工程教学中的应用[J].科技视界， 2022（26）：79-82.

［责任编辑：林志恒］