结合知识追踪机制的ICARE教学模型应用研究

王磊 张娜 张耀民 韩泉叶 刘梦娟

摘 要：分析了目前开放教育背景下“人工智能导论”课程教学现状，梳理了教学过程中存在的问题。围绕专业人才培养方案、依据课程标准、经过前期岗位需求分析，统计学生前导课程知识掌握情况。挖掘时政热点，对教学内容进行重构。基于ICARE教学模型，针对开放教育学生进行学情分析，构建知识追踪模型，提出了结合知识追踪机制的“ICARE”变异模型，并对教学效果进行评价，教学效果良好。

关键词：开放教育；知识追踪；ICARE；人工智能

文献标识码：A

Abstract：We analyze the current teaching status of the course "Introduction to Artificial Intelligence" under the background of open education，and solve the problems during the teaching process.Based on the curriculum standards，and analyzing the job requirements in the early stage，we calculate the knowledge mastery in the leading courses of students.A knowledge tracking model is constructed to analyze the learning situation of open education students with ICARE teaching model.The paper proposes a "ICARE" mutation model combining knowledge tracking mechanism.The teaching effect was evaluated，and the teaching effect was good.

Keywords：open education；knowledge tracking；ICARE；artificial intelligence

本研究針对目前远程教学过程中存在的问题，尝试进行教学改革研究。在开放教育工科课程中融入思政元素，基于ICARE教学模型，针对开放教育学生进行学情分析，构建知识追踪模型。提出了结合知识追踪机制的ICARE教学模型。采用“过程—结果—增值”三维学习评价模式，模块项目按过程评价、结果评价和增值评价加权得到综合性评价成绩。

1 研究现状

许多学者对远程教育课程尝试教学改革。郭红霞等人［1］对于开放教育采用OBE理念模式把工科类岗位需求、技能竞赛、职业资格证书紧密结合。严娣娟等人［2］通过网络平台探索“互联网+”教学手段创新。丁镜人［3］阐述了针对开放教育引入具身认知理论指导开放教育教学改革。颜景佐等人［4］对5G时代教育背景下开放大学SPOC教学模式改革进行研究。

知识追踪模型能够准确地预测学生与下一次练习的交互结果，挑战在于人类学习是基于人类大脑和人类知识的复杂性［56］。Chris Piech等人首先提出深度知识追踪模型［7］。王丹萍［8］等人分析了知识追踪在智慧教学中的应用以及未来研究方向展开讨论。魏廷江等人［9］总结了知识追踪领域的经典模型，对比了传统知识追踪理论到深度知识追踪模型优缺点，从学习者内在因素、模型解释性及可反馈性方面进行剖析。

本研究基于远程教育课程已有研究现状，针对远程教育工科课程特点，设计了ICARE变异模型。使得学生在知识技能方面按难度进阶逐步掌握基本概念、原理及程序设计方法。

2 ICARE教学模型简介

ICARE教学设计模型于1997年由圣地亚哥州立大学设计用于构建和组织教学模块，在高等教育教学改革过程中起到一定程度推动作用。ICARE教学设计模型指代“互动性—协作性—真实性—反思性—参与度”。

3 深度知识追踪模型

问题定义：智能教育系统包括三部分：学生、试题、知识点。知识追踪认为给定学生历史序列：s={X0，X1，X2，…，Xt}={（e0，a0），…，（et，at）}，预测下一组交互Xt+1。

知识追踪是对学生的历史答题记录，预测学生对于新知识点的掌握程度，以及学生在下一次的表现。精确的知识追踪能让我们满足学生当前的需求，精准推题。然而人类的学习过程中受到人类自身知识和大脑两者复杂的影响，也导致知识追踪是非常困难的。知识追踪的任务是对学生的知识进行建模，这样我们就可以准确地预测学生在未来的互动中将如何表现。早期模型过多依赖于人工定义的模板，比如IRT模型，定义了学生能力参数和题目的难度、区分度、猜测性参数，也有改进的不依赖交互函数的。

本文中利用循环神经网络（RNN）来处理深度知识追踪任务（deep learning based knowledge tracing，DLKT）。RNN是一种具有记忆性的序列模型，序列结构使其符合学习中的近因效应并保留了学习轨迹信息［17］。这种特性使RNN（LSTM和GRU等变体）成为DLKT领域使用最广泛的模型。

图1 DLKT模型

DLKT以学生的学习交互记录（x1，x2，x3…，xt）作为输入，通过嵌入编码或预训练模型转化为向量。在DLKT模型中，xt学生的知识状态作为LSTM的隐藏状态，进一步通过激活函数计算出预测结果。yt的长度等于题目数量，每个元素为学生正确回答对应问题的预测概率值。

具体的计算过程如下：

ht=tanhWxhxt+Wxhxt+bh

yt=σWxhxt+Wxhxt+bh

深度知识追踪模型采用负对数似然损失函数，目标是通过学习历史序列在给定的时间计算学生练习过程的负对数似然性。

L=∑Tt=1（ytlogyt+（1-yt）log（1-yt））

其中，yt和yt分别表示真实值和预测值。

4 课程教学设计

课程采用渐进突破教学难点。模块教学从项目到子任务，再到教学内容的设计都采用“渐进突破教学难点”教学理念。渐进提升编程思维。鉴于学情分析中学生程序设计能力不足的问题，从训练学生精准程序输入、提升编程逻辑和错误调试能力入手。总结识记常见错误及调试方法，提升编程能力。在教学过程中渗透工匠精神等思政育人元素，深度融入教学活动的各个阶段。按“备任务→解疑惑→强技能→再提升→拓视域”五个步骤，分为课前、课中、课后三个阶段设计教学活动。课前明确课次任务目标，学习知识技能，进行课次任务准备；课中答疑解惑、强化程序设计技能训练、提升岗位能力和素养；课后巩固训练并拓展学习任务相关内容，拓宽相关知识视域。

针对目前远程教育现状，尝试采用线上线下混合教学模式。教学目标分为知识目标、能力目标、素质目标，针对教学目标确定教学重点。对开放大学学生进行学情分析，凝练教学难点。设计了结合知识追踪机制的ICARE模型进行开放教育工科课程改革。互动性过程使得学员积极参与教学活动。协作性使得学员互相配合，锻炼学生团队合作能力，强化团队合作意识。

4.1 课前

课前获取网络教学平台教学行为数据，分析学生的学习薄弱点，包括：知识与技能基础，认知与实践能力，学习特点分析。项目实施前，利用学生画像技术行为识别模型对学生进行了群体画像和个人画像，精准学情分析。项目实施中，监测学生个体学习行为，及时预警不良状态，以对个体进行个性化教学引导。在介绍阶段利用学生画像技术加入学情分析。课前教师通过教学平台发布教学任务，上传学习资源，检查督促调整课堂教学策略。学生梳理任务目标，制订实施计划，检测学生学习效果，解答学生提出的问题。该环节对应ICARE+模型的互动性环节。

4.2 课中

课中分为复习、攻克重难点、拔高三个阶段。复习阶段教师引导学生回顾课前学习知识点，展示课前讨论成果，带领学生共同梳理验证。学生讨论成果展示，总结经验。该步骤对应ICARE模型的协作性环节。攻克重难点阶段有针对性地采取教学策略完成教学目标，该步骤对接融入知识追踪机制ICARE模型的真实性环节。设计意图是强化程序编写能力，针对重构内容进行渗透“岗课赛证”融通，提升学生发现问题解决问题的能力。拔高阶段教学针对学生已经掌握的知识点进行拔高，提高知识融汇变通能力。该步骤对接融入知识追踪机制ICARE模型的参与度环节。

某开放大学开放教育学院“人工智能导论”直播课共计6次。涵盖的知识点包括：人工智能绪论、分类算法、聚类算法、回归算法，本研究以课程中聚类知识点为例展开研究。聚类模型理论性比较强，开放教育学生基本已经参加工作，可以结合学生工作场景展开互动。

ICARE模型各个教学环节实施过程如下：

（1）互动教学环节。在讲解算法之前，可以通过师生交流，引导学生结合自己工作岗位列举聚类算法现实例子。通过身边发生的真实现象，加深对聚类的理解。

（2）协作教学环节。采用云班课基于学情分析进行分组教学，不同小组采用分层教学策略。聚类知识点理解快的同学和理解慢的同学分成一组，操作能力强的带动编程基础差的同学。小组内部学生互相帮助，互相弥补，小组与小组进行互相点评。

（3）真实性环节。教师通过构建的知识追踪预测学生对新知识的掌握情况。根据预测结果进行学生角色互换。让学生在教学过程中用模拟仿真软件实验，体验聚类给大家的乐趣。

（4）参与度环节。教师通过构建的知识追踪预测学生对新知识的掌握情况。根据预测结果组长进行任务分解，让每个学生都发挥其作用。组长根据作品对子任务分配进行微调，尽可能让每个学生都熟悉所有子任务。

（5）在反思性环节，让小组某个观察成员梳理实验过程中碰到的问题，大家共同提出解决方案，进行对比，找出最优方法，最后让教师点评。

4.3 课后

针对聚类章节部分布置课后作业：思考现实社会中聚类有哪些应用场景？

引导学生交流学习心得体会：

（1）向优秀同学学习，努力縮小与优秀同学的差距。

（2）中华民族文字博大精深，大家要积极学习中国优秀传统文化，弘扬民族精神。

利用个性化资源推荐模型结合学生历史学习行为数据和分组教学，进行个性化学习辅导。该步骤对应ICARE+模型的反思性环节，设计意图是通过作业内化消化课程知识点，拓展学生知识面广度和深度，锻炼学生解决问题的能力。

5 教学评价

5.1 过程评价

项目实施过程依据课前、课中和课后对学生的学习效果进行评价，过程评价采用学生自评、学生互评、教师评价。学生自评、互评针对学生学习态度、学习能力、团队协作等方面进行。

5.2 结果评价

项目完成时进行项目理论测试和效果考核。理论测试限时完成，通过客观题型评价学生的基本知识点。

5.3 增值评价

关注不同基础学生学习增值部分。教师从知识技能、岗位能力、思想素养等方面的提升进行评价。

结语

本文基于ICARE教学模型，针对开放教育学生进行学情分析，提出了结合知识追踪机制的ICARE变异模型。在远程教育工科课程中融入思政元素，以开放教学学院“人工智能导论”课程聚类知识点为例，根据学情分析制定教学目标和重难点，在教学实践应用阶段根据“三阶五升”教学理念组织教学，合理运用教学资源，采用“过程结果增值”学习评价。

参考文献：

［1］郭红霞.基于OBE理念的开放课程建设模式研究——以光伏专业传感器课程为例［J］.南方农机，2022，53（16）：195198.

［2］严娣娟，朱政贤，凌丹樱，等.新时代高校思政课程“互联网+”教学模式改革研究——以开放教育思想道德修养与法治课程为例［J］.新疆开放大学学报，2022，26（04）：1823.

［3］丁镜.具身认知理论视域下开放大学开放教育的教学改革［J］.中国成人教育，2022（20）：3741.

［4］颜景佐，刘淑娟，邹燕.5G时代开放大学SPOC教学模式改革路径探究［J］.山东开放大学学报，2022（03）：1115.

［5］刘恒宇，张天成，武培文，等.知识追踪综述［J］.华东师范大学学报（自然科学版），2019（05）：115.

［6］艾方哲.基于知识追踪的智能导学算法设计［D］.北京交通大学，2019.

［7］Chris Piech，Jonathan Spencer，Jonathan Huang，et al.. "Deep Knowledge Tracing"，Advances in Neural Information Processing Systems.28（2015）.

［8］王丹萍，王忠，梁宏涛.基于深度学习的知识追踪研究综述［J］.计算机测量与控制，2022：110.

［9］魏廷江，倪琴，高荣，等.面向教育大数据的知识追踪研究综述［J］.上海师范大学学报（自然科学版），2022：171179.

基金项目：陕西开放大学教育教学改革研究课题：“大思政”背景下利用“ICARE+”模型进行开放教育工科课程教学改革（sxkd2022yb02）；陕西省教育厅科研计划项目资助（项目编号：23JZ020）

作者简介：王磊（1984— ），男，汉族，陕西咸陽人，硕士，副教授，主要研究方向：机器学习，从事大数据应用工作。