前言：中文期刊網精心挑選了人工智能對教學的幫助范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工智能對教學的幫助范文1
關鍵詞：人工智能；教學改革；教學方法
引言
人工智能(ArtificialIntelligence)是一門研究和模擬人類智能的跨領域學科，是模擬、延伸和擴展人的智能的一門新技術。由于信息環境巨變與社會新需求的爆發，人工智能技術的日趨成熟。隨著AI3.0時代的到來，大數據、云計算等新技術的應用也愈發廣泛，對于管理類人才來說，加強對人工智能知識的深入學習，不斷將人工智能技術與管理知識結合起來，對其未來職業生涯的發展有著重要作用。人工智能是一門前沿學科，管理學院開設人工智能課程的目的是為了更好地培養學生的技術創新思維與能力，基于其覆蓋面廣、包容性強、應用需求空間巨大的學科特點，通過概率統計、數據結構、計算機編程語言、數據庫原理等基礎課程的學習，加強學生解決實際問題的能力，為就業打下基礎。本文基于社會對于人工智能領域的人才需求，結合諸多長期從事經管類專業課程教學的老師意見，針對管理類人才的人工智能課程教學內容與方法進行探討，以期對中國高校人工智能課程教學改革研究提供幫助與借鑒。
1、教學現狀與問題
作為一門綜合性、實踐性和應用性很強的理論技術學科，人工智能課程內容及內涵及其豐富，外延極其廣泛。學習這門課程，需要較好的數學基礎和較強的邏輯思維能力。針對管理類人才，該課程在課程教學過程中存在幾個較為突出的問題。(1)課堂教學氛圍枯燥目前，中國大多數大學仍采用傳統的課堂教學模式，在教學過程中照本宣科，忽略與學生的互動，并且缺乏能夠有效引起學生學習興趣與加深知識理解的教學環節設置，如此一來大大降低了學生自主思考的能力。在進行人工智能相關課程知識講解時，隨著章節的知識難度不斷增加，單向介紹式的枯燥教學方式無法反映人工智能學科的全貌，課堂講解難以同時給以學生感性和理性的認知，部分學生因乏味的課堂氛圍漸漸無法跟上教學進度，導致學習動力不足。(2)基礎課程掌握不牢管理類專業的學生大部分都會走向更加具體化的管理崗位，具有多學科的素養，但這也導致很多學生所學知識雜而不精。學生在基礎不夯實的情況下去學習更高層面的知識，給學生學習與老師教學都造成了很大困擾。人工智能課程知識點較多，涵蓋模式識別、機器學習、數據挖掘等眾多內容，概念抽象，不易學習。一些管理類專業的學生未能熟練掌握高等數學、運籌學、數據結構、數據庫技術等先修課程，缺乏一定的關聯思考和研究意識，導致課程學習難度增加，產生學時不足和教學內容難點過多的問題。(3)教學與實際應用脫節當下，人工智能廣泛應用于機器視覺、智能制造等各個領域，給學生提供了大量的現實案例，使得人工智能不再是高深莫測的理論，而是現實中可以觸及的內容。例如，在機械學科領域，人工智能技術是電氣工程、機械設計制造、車輛工程等方向的重要技術來源；在醫療領域，是醫療器械的創新生產源動力；在能動領域，是高端能源裝備與新能源發展的重要驅動；在光電信息與計算機工程領域，技術的發展時刻推動著智能科學與技術核心價值的提升。然而，對于管理類專業的學生來說，現階段的人工智能教材涵蓋許多智能算法及相關理論，在教學過程中常常涉及到很多從未接觸過的抽象理論和復雜算法，書本中的應用實例大多紙上談兵，缺乏專門適用于管理類專業知識與人工智能技術相結合的教學實踐，加上一些教師授課方法單一，不利于引導學生將人工智能算法應用于現實生活。另外，大學生對知識的理解能力差異很大，教師采用統一的方式教給他們，這使一些學生無法跟上和理解，教師也無法控制學生的學習狀況，導致學生缺乏動力。因此，如何結合學生的現實情況，提高他們的動手能力和實踐經驗也是人工智能課程教學要考慮的問題。
2、管理類人才的人工智能課程教學改進策略
課程教學改革是一項提高大學教學效果和人才培養質量的重要手段。如何在時代背景下應用新技術和新思想進行實施課程教學改革是高校亟待解決的問題。對于高校的教學工作而言，教學目標、教學內容和教學方式的變化不再是課程資源的簡單數字化和信息化，而是充分利用時代信息資源優勢的新型教學模式。針對管理類專業人工智能課程教學過程中存在的問題，可以從教學方法改進和教學內容設置兩個方面進行課程教學改進。
2.1教學方法改進
教師對學生具有引領作用，其教學方法的改進能夠帶動學生改進自身學習方法。(1)啟發式案例教學案例教學法就是教師根據教學目標、教學內容以及教學要求，通過安排一些具體的教學案例，引導學生積極參與案例思考、分析、討論和表達等多項活動，是一種培養學生認知問題、分析和解決問題等綜合能力的行之有效的教學方法。啟發式案例教學以自主、合作、探究為主要特征，調動學生的學習積極性，并緊密結合人工智能領域的相關理論與方法，有效理解知識要點及其關聯性，適用于管理類專業學生的教學。具體而言，高?；谄鋯栴}啟發性、教學互動性以及實踐有用性等特點，可以建立基于人工智能知識體系的教學案例庫，雖然這項建設將極具挑戰性與耗時性，但具有很強的積極效果：培養學生較強的批判性思維能力，更多地保留課程材料，更積極地參與課堂活動，對提高教學質量、培養具有人工智能背景的管理類人才具有重要意義。例如，通過單一案例教學，讓學生掌握相關基礎知識原理及應用；通過一題多解的案例使學生思考如何獲取最有效的解題方法；通過綜合案例的設計，啟發學生全方位地探索問題的解決方案。(2)研討互動式教學研討互動式的各個教學環節是逐漸遞進、有機結合的。研討是基于學生個體的差異性，在課堂討論的過程中對學生做出評判，從而對不同類型的學生開展針對性的教學?；觿t是在研討的基礎上，通過老師與學生、學生與學生的互動，讓學生主動參與到課堂教學的過程中來。在人工智能課程教學過程中，教師通過課堂討論了解學生對于知識點的掌握情況，可以有針對性地設計教學內容，例如，對于學校積極性不強的學生，將人工智能理論內容與學生個人興趣范疇、社會產業發展及研究現狀聯系起來，能夠極大程度地提高學生學習的自主能力；對于基礎知識較為薄弱的學生，可以在教師的指導下查閱相關文獻資料，根據自己的理解撰寫心得報告，并在課堂或課外進行師生互動。像這樣研討與互動相結合的模式。有助于增強學生的探索和求知欲望，建立起濃厚的學習氛圍。(3)有效激勵式教學人工智能是引領未來的戰略性技術，人才需求量極大，對教師的教學水平也提出了更高要求，因此，進行有效激勵極為重要。在學生激勵方面，可以舉辦各類人工智能競賽項目，設置相應項目獎學金，吸引學生參與實踐，調動學生做研究、發論文的積極性。例如，教育部主辦的中國研究生人工智能創新大賽，圍繞新一代人工智能創新主題，激發學生的創新意識，提高學生的創新實踐能力，為人工智能領域健康發展提供人才支撐。高校也可以借鑒這種模式，在各學院乃至全校開展此類競賽項目，激發學生的創新能力與團隊合作能力，鼓舞更多學生加入到人工智能課程的學習中來，激發其學習興趣。在教師激勵方面，在教師聘任和提升過程中把參加學生課程制定、課堂與課外作業、課程項目和論文指導等看作教學任務的一部分，鼓勵教師積極參與這些活動。(4)學科滲透式教學人工智能學科知識融合程度較高，學科交叉性強。基于人工智能的學科交叉性特點，增強管理類人才對學科應用的領悟，可以采取開展學科滲透式教學的方法。從2015年起，國務院和教育部先后印發了《國務院關于積極推進“互聯網+”行動的指導意見教育》、《高等學校人工智能創新行動計劃》等文件，“互聯網+”、“智能+”已經滲透到各個領域，人類進入數字經濟時代，社會需求“技術+管理”的高端復合人才。例如，基于工業4.0和強國戰略，人工智能技術在智能制造的應用極為廣泛。上海理工大學非常重視少數民族預科班的教育質量。為增強少數民族管理類人才對該領域應用的認識，我們請機械工程、能源動力領域的相關專家以授課或講座的形式，進行相關領域知識和發展趨勢的講解，使學生理解更為透徹。此外，在教學實踐過程中，還可以用舉辦人工智能知識交流會、線上人工智能論壇等形式，促進不同專業間老師、學生對于人工智能知識模塊的見解，相互交流、滲透和學習，從而推動人工智能課程教學的改進。
2.2教學內容設置
世界一流大學在人工智能課程內容設置根據不同國家的教育體系設置，肯定會有不同，但頗有共通之處。本文借鑒世界頂尖大學經驗，針對管理類專業人工智能課程教學內容進行研究，結合中國教育體系設置，認為應從以下幾方面進行改進。(1)核心內容設置為避免學生因為知識點過多而出現雜而不精的問題，勢必要精化教學內容。在互聯網時代，我們可以使用云計算和其他方式來實現數據信息的傳輸、存儲和處理，通過在線收集和整合網絡課程相關數據，挖掘和豐富教學資源，并在整合課程資源的基礎上，進行研究方法和前沿知識的擴展。在核心內容設置方面，可以通過收集到的數據資料，選擇人工智能領域具有代表性且難易程度適中的知識作為重點，使學生能夠在有限的學時內掌握人工智能的知識脈絡。例如，編寫針對管理類人才的人工智能教材，內容涉及緒論、知識表示與推理、常用算法、機器學習、神經網絡等方面的同時，重點增加相應知識點在管理上的應用案例，加強學生對知識點的理解。同時，根據管理類專業偏向領域，開設關聯程度較大、應用較廣泛的人工智能選修課程，以便學生根據自己的興趣與需求選修具體方向的課程。(2)注重學生的數理及編程基礎良好的數理及編程基礎是學習人工智能的前提。只有具備了這些基礎，才能搞清楚人工智能模型的數量關系、空間形式和優化過程等，才能將數學語言轉化為程序語言，并應用于實驗。管理學院人才的數理及編程基礎相對薄弱，因此，在安排學生學習人工智能課程之前，建議開設面向全體管理類專業學生的微積分、線性代數、概率論等專業基礎數學課程以及C語言、python等編程基礎課程，使學生具備數學分析的基礎與一定編程基礎，為學習人工智能課程打下堅實的基礎。另外，可以推進MOOC平臺建設，在平臺上開設人工智能網絡課程，幫助學生掌握人工智能知識基礎及專業技能。(3)實驗建設為了加強學生對于人工智能知識點間的關聯性理解，可以基于不同的應用模塊，設計具有前后鋪墊、上下關聯的綜合性實驗，設計不同層次的項目要求，同時基于相同的實驗課題，讓學生分組對實驗課題進行攻克，并設置多元化的實驗評價體系，通過實驗教學過程中反映出的不同進度，讓教師能對學生的學習水平做出準確評判，及時進行教學反思，以便更好地開展下一步工作。例如，針對人工智能課程應用中很廣的遺傳算法，在某一管理規劃的具體應用上設置理解－實現－參數分析－具體應用－嘗試改進－深度拓展的不同層次的項目要求，在這些項目層次中規定必做項與可選項，讓學生基于同一實驗課題進行合作學習，然后通過個人自我評價、小組成員互相評價以及教師評價的方式進行打分，對小組整體能力以及個人能力進行綜合評估，以期培養學生的自主思考能力。
人工智能對教學的幫助范文2
【關鍵詞】人工智能 計算機輔助教學 教學與控制
一、人工智能的定義
人工智能也稱機器智能，它是計算機科學、控制論、神經生理學、心理學、語言學等多種學科互相滲透而發展起來的一門綜合性學科。從計算機應用系統角度來看，人工智能是研究如何制造出智能機器或智能系統，實現模擬人類智能活動的能力，以延伸人們智能的科學。人工智能是一門交叉科學，逐漸形成一門涉及心理學、認知科學、思維可循、信息科學、系統科學和生物學科等多學科的綜合性技術學科。
二、計算輔助教學體系和現狀
計算救助教學是利用多媒體計算機的功能與特點，利用計算機輔助教師完成各個教學環節，并通過與計算機之間的交互活動，激發學生的學習積極性和主動性，幫助學生更有效地學習。實用計算機輔助教學，有利于認識主體作用的發揮，它所提供的圖像、聲音、動畫等信息由利于學生知識的獲得與保持，達到提高教學教學的目的。
目前為止，所實用的絕大多數傳統以及理論證明等均被應用于計算機輔助教學系統，以提高其智能性和實用性。早期絕大多數計算機輔助教學將全部教學信息以編程方式預置于課件中，這樣的以及理論證明等均被應用于計算機輔助教學系統，以提高其智能性和實用性。因此現有的以及理論證明等均被應用于計算機輔助教學系統，以提高其智能性和實用性。早期絕大多數計算機輔助教學系統面臨許多挑戰，它主要存在以下幾個方面的問題。
1.計算機輔助教學系統的閉塞性
不具有開放性是目前以及理論證明等均被應用于計算機輔助教學系統，以提高其智能性和實用性。其弊端在于固定內容的局限性使課件的適用面狹窄，而且設定的運行路線使授課缺乏自主性;授課的針對性不強;無法利用新出現的資源在較高起點上進行二次開發。
2.智能性的欠缺
現有的計算機智能輔助課件系統不能對不同何曾度的學生進行有針對性的教育，學生的學習是被動的，不能由系統自動提供助學信息而使學生有選擇地學習。。
3.人機交互能力較弱
現有計算機智能輔助大多以光盤作為信息的載體，將材料中的內容以多媒體的形式展現出來，教學信息是按預置的教學流程機械式地提供給學者，學習者使用計算機智能輔助課件學習是完全被動的。
4.教師與學生的互動在教學中的缺乏
現有計算機智能輔助課件在學生自學以及進行操作使用時，如何學習都是學生自己的事。教師不能全完了解學習者的情況，學生在蹦到問題時不能向教師求教，師生之間互相封閉，談不上師生互動，因此課件所起的效果大打折扣。
5.課程特點沒有突出
各門課程在教學上有不同的要求，但現有課件對于這些不同要求完全不予理會。例如很多課程都要涉及到大量的曲線或曲面，對有些課程來說，將這些曲線或曲面給出了一個簡單的展示就足夠了，而有些課程這樣的展示不能達到教學目的的要求。
6.教學計劃的欠缺
在課件的開發過程中實際上離不開教學策略的設計，但課件的制作者往往并未意識到這一點。例如:現有的絕大多數課件都是單一的展播式，這樣的可見制作“精美”，但它不可逆、不能互動。實際上運用課件教學只是手段而不是目的，應該在教學設計理論的指導下講求課件的實效性，著眼點在于學生學習新知識、掌握新技術、培養各種能力有幫助，而不是表面上的制作“精美”。
綜上所述，現有的計算機智能輔助存在許多問題，隨著新技術的不斷出現，這些問題將使計算機智能輔助越來越不能適應新的要求。因此以智能計算機智能輔助為代表的心的計算機輔助教學系統將成為教育技術上需要不斷探求、努力實現的發展方向。 轉貼于
三、智能計算機輔助教學系統
智能計算機輔助教學系統(Intelligent ComputerAided Instruction)，簡稱ICAI。教學過程是一個復雜的教與學的思維過程，它需要教師以專門知識和經驗為依據，經過吸取、講解、推理、示例、綜合等多個步驟才能較好地完成。計算機輔助教學實際上是一個由計算機系統輔助教師進行教學以及學生進行學習并得以實現的系統。在智能ICAI中，教學思想、方法、學習內容可用知識形式表示，如何解決知識的形式化表示以及知識的訪問與調用問題，是人工智能的核心技術之一，也是將ICAI引入教育技術領域中所要面臨的一個問題。知識庫是實現知識推理與專家系統的基礎，可以用知識庫作為智能ICAI的構建環境。在知識庫中，教學內容等的有關知識可以用事實與規則表示，并存儲于知識庫內，教學與學習過程既是對知識庫中知識進行推理，并最終得出所需結果的過程。ICAI系統的一般包括以下幾個模塊:
1.知識庫。知識庫是關于教學內容的模塊，解決“教什么”問題。知識庫中的教學內容有待于教學與控制模塊和學生模塊進行選取、調用。
2.學生模塊。學生模塊是用于記錄學生的學習情況，對學生學習的各個環節信息進行搜集，以便系統對學生的學習情況進行自動評估，提出具有針對性的學習建議和個別化的輔導。學生模塊描述學生對教學內容理解、掌握的程度，系統可以根據學生模塊的具體情況調整教學策略并提供適當的反饋。
3.用戶接口模塊。這是系統與用戶交流的界面。整個系統依靠用戶接口模塊把教學內容呈現給用戶、接受用戶輸入的信息、并向用戶提供反饋。
4.教學與控制模塊。這是教學過程與整個系統的控制模塊，涉及到“如何教”的問題。它具有領域知識、教學策略和人機對話等方面的知識。根據學生模型提供的學生學習情況，通過智能系統的搜索與推理，得出智能化的教學方法與教學策略，能夠較科學地評估學生的學習水平，可以通過分析學生以往的學習興趣和學習習慣，預測學生的知識需求和常犯錯誤，動態地將不同的學習內容、學習方法與不同的學生匹配，智能地分析學生錯誤的原因進而針對地提出合理的教學建議、學習建議以及改進方法。
新世紀的教學將是以智能化的ICAI為主線，是多學科、多方位發展的新技術的體現。隨著人工智能技術的發展、計算機輔助教學的成效將更加明顯。
參考文獻
人工智能對教學的幫助范文3
關鍵詞：人工智能；大數據；交叉領域
自二戰時期阿蘭?圖靈破解恩尼格瑪密碼機帶來勝利的曙光之后，人工智能初見苗頭，1956年“人工智能”一詞首次由約翰?麥卡錫等科學家在達特茅斯研討會上提出，時至今日，人工智能經歷了60多年的浪潮和洗禮，其中有曙光、有冰封，也有期望?？v觀當下，人工智能不僅僅是機器智能，在深度學習和推陳出新的算法推動下，其攜手云計算、大數據、卷積神經網絡等，攻破了自然語言語音處理、圖像識別的瓶頸，像潘多拉的盒子一樣在認知科學、機器人學、機器學習等領域全面開花，人工智能涵蓋了從基礎層、技術層到應用層等多個方面，為人類文明帶來了翻天覆地的變化[1-2]。人工智能包羅萬象，在其基礎上衍生的大數據“洪流”對人類社會的方方面面進行沖擊，這些數字的價值已然超越了諸如金錢、財產、黃金、石油，甚至是土地。然而，大數據技術也如同普羅米修斯盜得的圣火，一方面給人間帶來溫暖和光明，另一方面也有可能使自身被奴役甚至使人葬身火海[3]。因此，當我們沉迷于大數據的海洋中時，我們是否有能力像藍鯨遨游大海一樣自由掌舵，是當今大數據和人工智能時代存在的一個重大問題。是“曲徑通幽”還是“會當凌絕頂”，我們如何在大數據中“浮游”，而不是一味地擴充，需要理性看待與合理評價大數據對人類生存和發展的影響。
1.人工智能和大數據與“工業革命”
2020年剛剛結束的新一輪美國總統競選上演了各種“國家鬧劇”，為何特朗普在2016年贏得大選，而4年之后卻無法連任？時間推移，2016年他勝利的部分原因在于他利用了面臨技術威脅的工業行業中工人們的焦慮，同時指責非法移民對美國及美國人資源和就業機會的占用[4]。但在技術浪潮的挑戰中，自動化和人工智能才是占用的“根源”。早在18世紀60年代工業革命時期，機器取代人力，規模化工廠生產取代個體手工生產，即引發了人工智能數據的工業大變革。從機械結構、電氣控制等模塊的設計和改良，車間機器人的智能化已可以代替人完成生產作業[5]。通過智能化機器人可以減輕勞動負擔，還可以用于環境檢測[6]和實施救援[7]等，保護我們的人身安全。這些“機器人”在為我們減負的同時確實也引發了“失業危機”，這種現象不僅于美國，日本、韓國和德國亦是如此。我們也許可以形象一下，未來20或30年后，工廠中工傷幾乎為“零”，完全實施機器人24小時作業，速度驚人，質量統一，而僅有的幾個人使用簡單的觸摸界面對機器下達“命令”。機器的發展已超乎我們對普通機械的認知，21世紀開發的三大機器人中大狗（BigDog）解決了運動和重載運輸問題，特別用于軍事領域，被譽為“當前世界上最先進適應崎嶇地形的機器人”；亞美尼亞（Asimo）從人類如何移動上展現了機器人仿人運動；Cog具有了人類所特有的思考，由不同處理器組成的異種機互聯網絡形成了“大腦”。特斯拉——其除了是電動汽車和能源公司外，還是自動駕駛汽車行業的領跑者之一。其2016年已銷售具有自動駕駛、自動自制和自動停車功能的電動汽車，但出于法律和倫理層面，駕駛員還是要坐在駕駛位上，但他可以做他想做的其他事，發短信、打電話或是休息，而不再是駕駛汽車。我們可以不用擔心酒駕，不用因為時間緊張而疲勞駕駛，不必為新手司機而變得脾氣暴躁……汽車自動駕駛將讓我們行駛得更規則、更安全和更“無聊”。自動駕駛上的智能進化，使得自駕型派送車為商業化服務成為可能，還有自駕型飛行器也在被研發，通用、寶馬、谷歌等公司一直在努力開發，通過無人機在您家門口投送包裹將對電子商務世界帶來更多創造性方案?！叭绻銐蜃哌\的話，機器可以把你當成寵物?！彪m為戲謔之言，卻又飽含心酸。工廠變得越來越自動化，但其仍需要人類專家，他們才知道如何監控傳感器，知道在發生故障時如何進行修復，機器的運行離不開人的監控，只有人的思考才能有新產品的誕生以及高效的生產流程，我們與機器共存，是從體力中解放，但要從事腦力工作。
2.人工智能和大數據與金融的未來
“數字蝶變”席卷金融行業各個領域[8]，金融行業應用大數據、移動互聯網、人工智能等先進信息技術，累積了非常多的客戶信息。通過大數據的幫助，金融公司在分析數據下尋找更多的金融創新機會。在商業智能（BI）的輔助下，電信業可以對客服描述和定位及需求進行預測；保險業可以在進行風險分析的同時進行損益判斷；銀行業可以調整市場活動，建立信貸預警機制等等[9]。人工智能和大數據讓金融業形成了“以客戶為中心”的模式。與客戶最密切的金融即是金錢，但是它們已經被“支付寶”和“微信”以及更多的電子支付方式取代，越來越少的人使用現金，數字金錢是否會完全取代物質金錢，我們很可能會發展為無現金社會。那么首先“下崗”的是誰呢？答案毫無疑問：銀行。巴克萊銀行前首席執行官安東尼?詹金斯曾預測，對于工業化國家，銀行員工和其分支機構在未來10年內會消失；花旗全球視角與解決方案的一項研究預測，美國和歐洲的銀行將在未來10年裁減約180萬員工；甚至2016年2月的一份丹麥銀行家協會新聞稿表示，銀行搶劫案數量連續第5年下降。就支付領域而言，在這樣的時代背景下，如何利用大數據技術對跨越式發展的支付行業進行監管，成為一個值得深入研究的課題[10]。在人工智能下，我們都有被銀行自動回復或自會讀取特定問題的“員工”惹惱過。溝通技巧和財務知識同樣重要，因此，銀行業員工的下崗只是在基礎性操作上，對于“專業咨詢”，需要更多受過高等教育、具有更好溝通能力的員工。目前，我國的多數銀行還沒建立“開放、共享、融合”的大數據體系，數據整合和部門協調等問題仍是阻礙我國金融機構將數據轉化為價值的主要瓶頸。大數據的整合、跨企業的外部大數據合作不可避免地加大客戶隱私信息泄露的風險。有效防范信息安全風險成為商業銀行大數據應用中急需解決的問題。
3.人工智能和大數據與“專家系統”
電子病歷數據、醫學影像數據、用藥記錄等構成了醫療大數據。醫療數據不僅包括大數據的“4V”特點，即規模大（volume）、類型多樣（variety）、增長快（velocity）、價值巨大（value），還包括：時序性、隱私性、不完整性和長期保存性。醫療大數據可以提供預警性，當數據發生異常時，通過一定的機制可以發出警告，從而迅速采取相應措施，及時解決問題[11]。成立于1989年的美國胸外科協會（STS）數據庫，至今已經涵蓋了美國95%的心臟手術，收集了500萬條手術記錄[12]。其中的先天性心臟手術（CHSD）數據庫是STS數據庫的重要組成部分，是北美最大的關注兒童先天性心臟畸形的數據庫，被認為是醫學專業臨床結果數據庫的金標準。近年來，基于CHSD數據庫所進行的數據挖掘不斷增加，大型數據庫對提高醫療質量所起到的正向作用正在日益凸顯。如Welke等基于CHSD數據庫探討小兒心臟外科病例數量和死亡率之間的復雜關系[13]；Pasquali等基于CHSD數據庫探討新生兒Blalock—taussig分流術后的死亡率[14]；Jacobs等基于CHSD數據庫采用多變量分析方法來研究病人術前因素的重要性[15]；Dibardino等基于CHSD數據庫采用多變量分析的方法來探討性別和種族對進行先天性心臟手術結果的影響[16]。這些都是在醫療領域采用人工智能提供的醫療診斷，形成了“專家系統”，專家系統可以說是一種最成功的人工智能技術，它能生成全面而有效的結果。借助醫療大數據的平臺，“專家系統”可以智能輔助診療、影像數據分析與影像智能診斷、合理用藥、遠程監控、精準醫療、成本與療效分析、績效管理、醫院控費、醫療質量分析等。不僅是數據平臺，“達芬奇機器人”可以看成醫療的高精尖“人工智能”，它能縮短泌尿外科手術以及術后患者恢復時間，促進患者早期下床活動，減低并發癥發生率[17]。達芬奇手術機器人在消化系統腫瘤、泌尿系統腫瘤、婦科腫瘤和心胸部腫瘤等手術中均有運用[18]。正是機器人，還有其他人工智能設備，如插入手表或衣服里的傳感器、植入我們皮膚下的芯片，以及智能手機中裝有各種“專家系統”的遠程醫療、預防醫學，甚至是器官的3D打印和虛擬現實治療等的發展，讓醫學發生相應的轉變，并使其逐步突破人類的傳統健康概念，那么是否意味著醫學將成為只有科學性，毫無直覺性的學科呢？我們攜帶的內部傳感器和外部應用程序將成為我們的醫生嗎？“你好，醫生”被“嘿，Siri”取代嗎？這不盡然。醫學必然將是向精準化發展，并更具個性化、參與性、預防性和可預測性。醫生不再是疾病的修理工，而是改善我們健康狀況的顧問。直觀當下，我們還是被“看病難”所困擾，我們提出“分級診療”，是在擁有家庭醫生、全科醫生和?？漆t生的基礎上再加上人工智能，以實現預期的健康監測、輔助診療和疾病篩查。
4.人工智能和大數據與教育變革
面對各行業和各學科，教育作為傳承文明和創新知識的載體，似乎被排除在人工智能之外。就目前而言，人工智能與教育深度融合發展還存在技術基礎不穩、教育數據缺陷、算法能力不足等現實問題[19]。我國目前更想要做到的是在教育上消除“信息鴻溝”，促進教育公平、均衡發展。因此，目前可以看到人工智能的教育多在于語言學習軟件，通過虛擬技術和人工智能構建一個靈活的、可擴充的虛擬交互平臺，設計多維虛擬場景和智能人工角色，實現不同場景下人機角色的交流和學習，提升學習者的口語能力和語感知識[20]。這使得教師不再是唯一的知識傳播者，任何互聯網搜索引擎都將提供比教師所有的更多信息，并且可以更快捷地獲取。肺炎疫情暴發以來，遠程網絡教育成了主要教學形式，互聯網教育形式其實早在小學、中學和大學中運用，虛擬現實技術在教學領域的研究和探索也在全面展開。谷歌已經開發一款VR紙板視圖，并將研發的虛擬課程一起推向市場，使現實生活中在生物課上解剖一只青蛙成為一件容易且有趣的事，通過虛擬青蛙，學生們可以去除心臟和其他器官，而不再是象征性的抽象體驗。虛擬現實可以像互動游戲一樣，比單一的在教室聽老師授課帶來更多樂趣和體驗，學習效果可能更好。我們的學習是知識的積累，那么教育就是我們的庫，荀靜等結合自身情況對西安工業大學知識庫構建進行探究，認為機構知識庫在保存知識資產的同時，更重要的是促進學校知識資產的傳播利用和管理，提升學校影響力和學術聲譽[21]。劉暢等通過對東北大學機構知識庫服務的推廣研究，了解到開放獲取的概念和實踐已經受到了廣泛的認可，機構知識庫不僅可以成為一個知識的存儲庫，也可以成為各個學科領域的學者進行在線交流的平臺，提供個性化的增值服務，既有利于機構知識庫的內容建設，也可以進一步促進學術交流和科研合作[22]。知識庫，即大數據的有機整合和有序利用，是學術成果、視頻文檔、實驗數據等進行收集、長期保存、傳播和提供開放利用的知識資產管理與教育服務[23]。
5.人工智能和大數據應用的共性需求
人工智能和大數據時代，海量的信息來自“五湖四?！?，但都通過互聯網絡匯聚智能終端。這些數據只會進一步增多，不僅僅是云存儲，對于信息的進一步挖掘、處理、分析和利用，目標性結果才是我們最想要的信息。全球包括IBM、微軟、谷歌和亞馬遜等一大批知名企業紛紛掘金大數據挖掘這一市場，大家都在開拓自己大數據分析平臺。數據挖掘是大數據時代孕育的產物[24]，是我們的共性需求，與傳統的統計分析技術相比，數據挖掘有著自身的本質特征,數據挖掘是在沒有明確假設的前提下去挖掘信息并發現知識。數據挖掘所得到的信具有先前未知、有效以及可實用三個特征[25]。數據挖掘的出現不是為了替代傳統的統計分析技術,相反，它是統計分析方法學的延伸和擴展[26]。隨著信息時代的到來，數據挖掘被越來越多地應用于各個領域。
6.人工智能和大數據的展望
大數據與人工智能相輔相成，在人工智能的加持下，海量的大數據輸出優化的結果，使人工智能向更為智能的方向進步，大數據與人工智能的結合將在更多領域中擊敗人類所能夠做到的極限。漫長的人類歷史發展和進化，信息和人類一直“纏纏綿綿”“你追我藏”，因此，我們應該明白信息就是信息，我們需要的是“維基百科”，而不是僅僅的“維基”。走出狹隘的信息資源，管理和洞察大數據，才是對數據的有用。因為，我們早已告別了數據庫放在一間房間的時代。此刻不得不提藍鯨法則——大數據之道：了解數據懂得利用數據的“浮力”才是關鍵；“以簡約為目標”將數據最終形成洞察及行為；可以通過“數據”“信息”“知識”流程式、組合式、直通車式各種需要的方式來獲取[27]，在簡約中“印象”處理繁雜的大數據，使之“為我所用”。=數據也是一門科學、一項技術，如果實驗不能證明其具有可重復性和一般性，那它是沒有科學依據，但是，任何一項科技，如果你堅信它必將改變社會和商業，選擇從長期展望其發展并持續付出努力，那么就是一種戰略選擇[29]。人類社會的政治、經濟、文化、思維等固有“態勢”被重刷，數據思維將為我們帶來一個智能全新的世界觀。
人工智能對教學的幫助范文4
關鍵詞：ICAI；系統模型；教學策略；綜合集成方法論MSM；現代教育技術
中圖分類號：G250.73 文獻標識碼：B 文章編號：1673-8454(2012)01-0030-04
計算機輔助教學（Computer Aided Instruction，簡稱CAI）是利用計算機來模擬教師的行為，通過學生與計算機之間的交互活動來達到教學的目的。即在計算機輔助下進行的各種教學活動，主要是以對話方式和學生討論教學內容、安排教學進程、進行教學訓練的方法與技術。CAI為學生提供一個個人化的學習環境，綜合應用多媒體、知識庫等計算機技術，這是傳統CAI的主要應用方式。
在沒有智能系統支持的情況下，傳統CAI盡管可能具有良好的教學材料模型，但它往往僅借助于計算機來展示教學內容，并不能很好地根據它所教學生的學習特征，以不同的教學策略和教學方法來教授；只是盲目地傳授知識給學生，如果某個學生不能接受提供的教學策略，系統沒有為這個學生提供可供選擇的另外的教學策略。目前使用的絕大多數CAI是將全部教學信息以編程方式預置于課件中，這樣的CAI課件一旦制作完成，很難對課件進行更新和維護，尤其是在這樣的CAI系統中，學生的學習仍然處于被動狀態，即完全受計算機控制。
一、智能化計算機輔助教學概念
現代教育技術的日益發展以及與其他領先技術的結合，必然促使計算機輔助教學CAI的進一步發展。人工智能技術應用于CAI產生的基于網絡環境的智能化CAI，就是現代信息化社會發展的產物，并在教育教學領域中有很好的發展前景。
人工智能是計算機科學的一個分支，它的目標是構造能表現出一定智能行為的，目的就是讓計算機這臺機器能夠像人一樣思考。人工智能的研究更多地是結合具體領域進行的，主要研究領域有專家系統、機器學習、模式識別、博弈、智能決定支持系統、人工神經網絡等等。人工智能技術與專家系統的成就，促使人們把問題求解、知識表示這些技術引入CAI，并借助于網絡環境來實施，這便是智能型計算機輔助教學。
智能計算機輔助教學ICAI（Intelligence Computer Assisted Instruction）屬于人工智能的一個分支，是以認知科學和思維科學為理論基礎，綜合人工智能技術，教育心理學等多門學科的知識對學生實施教育的一門新的教育技術。ICAI通過研究人類學習思維的特征和過程，探索學習知識的模式，利用信息化網絡環境使學生獲得個別化自適應性學習的獲取知識方法，從而使學生的學習更有針對性，更有效。
ICAI依靠人工智能技術的進步，主要應在因材施教方面取得進展。其主要特點是:
（1）能自動生成適合學習者程度的學習內容。
（2）能根據學生的不同認知水平與學習風格選擇教學策略和教學方法。
（3）能評價學生的學習結果，并不斷地在教學中改善教學策略。
二、智能化計算機輔助教學研究現狀
現階段，在一些發達國家，如美國、日本、加拿大、英國、法國、澳大利亞等，CAI已經普遍存在于學校和家庭中，正起著越來越大的作用。而ICAI的研究還處于初始階段。目前國內在這一領域的研究主要集中在CAI和ICAI的優缺點比較，ICAI的理論來源、系統特征、模塊建設、發展趨勢等基礎理論知識的研究，基于相關課程或學科的實踐研究還比較少見。智能教學系統的設計和開發是一項復雜的系統工程，由于需要考慮的因素較多，系統比較龐大，同時也依賴于人工智能等技術的發展,因而要建立完善的ICAI還是比較困難的。[1]因此ICAI有很大的理論和實踐發展空間。
完善的ICAI系統需能夠充分調動學生的主動性，并能通過分析推理，對某具體學生做出適合的教學決策。使學生獲得個別化自適應性學習的學習方法，達到因材施教的目的。人工智能技術的發展必將會對ICAI的發展起到巨大的推動作用。隨著計算機科學的發展，21世紀的教育教學輔助手段將是以ICAI為主線，多學科、多方位發展的新技術的體現，越來越多的教育工作者會從更多的視角審視ICAI，并從事ICAI的研究。相信ICAI將會在現代教育領域中有更廣泛的應用。
“現代教育技術”既是教育技術專業的必修課程，也是大中專院校廣泛設置的選修課程，適用范圍非常廣泛。本文以《現代教育技術》這門課程為主要研究對象，來研究智能化教學系統設計在具體實踐中的應用。
三、ICAI決策系統的理論依據
1.綜合集成理論
教育是以人為主體參與的活動，而人本身就是一個復雜巨系統，因此以這種大量的復雜巨系統為子系統組成的系統――教育系統，是一個復雜巨系統。依據系統與其環境是否有物質、能量和信息的交換，將系統劃分為開放系統和封閉系統來看，學生的學習受到教師、同學、家庭及社會等因素的影響，所以教育系統是一個開放的復雜巨系統。
錢學森的理論和實踐研究表明：現在能用的、惟一能有效處理開放的復雜巨系統的方法，就是定性定量相結合的綜合集成方法論。綜合集成方法論（Meta-synthesis Methodology MSM）是方法論上的創新，它是研究復雜巨系統和復雜性問題的方法論。[2]定性定量相結合的綜合集成方法是將專家群體(各種有關的專家)、數據和各種信息與計算機技術有機結合起來，把各種學科的科學理論和人的經驗知識結合起來，發揮這個系統的整體優勢和綜合優勢。[3]它把人的經驗、知識、智慧以及各種情況、資料和信息系統集成起來，從多方面定性認識上升到定量認識，從而達到解決復雜系統問題的目的。在解決問題的過程中，專家群體和專家的經驗知識起著重要的作用。
教學系統設計是一個復雜的系統，它是由教育系統的復雜性決定的。教育系統具有復雜系統的基本特點，它在結構與功能上表現為規模大、相關因素多且相關方式復雜、目標多樣等；在運動上表現為隨機性、非線性等。用一般的理論方法無法全面合理地解決這一不良結構的問題，本研究嘗試用綜合集成方法論來指導、分析教學設計智能化過程。因此，運用綜合集成理論的方法來研究教學設計系統，探討具體科目的教學設計在設計過程中遇到的復雜性問題，進而構建科學合理的教學設計系統，具有重要的理論和實踐價值。
2.教學設計理論
本文采用“雙主”教學模式作為ICAI的教學設計的理論基礎?！半p主”教學模式既能發揮教師的主導作用又能充分發揮學習者認知主體作用，是在教師主導下的課堂中能讓學習者參與進來共同學習的一種教學模式。
基于“雙主”的教學模式，要求根據學習者的特征、學習內容、學習策略、學習目標等多種因素的不同情況研究它們的結合方式，以使系統達到理想的教學效果。
基于網絡環境的ICAI相對于傳統的CAI來說，充分體現了“雙主”的教學模式。ICAI中有專門分析學習者學習方式和認知水平的學生模型，有專門為不同的學習內容選擇不同的學習策略的策略庫模型（也稱為教師模型），有評價學習效果并反饋給系統的評價模型。學生模型是對學習者的學習特征進行分析，包括學習者的學習風格、認知水平。策略庫模型包含有豐富教學策略和有一個智能推理機，能根據學生模型的信息和學習目標為學習者選擇合適的學習策略，指導學習者學習。
3.建構主義學習理論
當代建構主義者主張，世界是客觀存在的，但是對于世界的理解和賦予意義卻是由每個人自己決定的。建構主義者認為學習者要以自己的經驗為基礎來建構現實，或者至少說是在解釋現實，每個人的經驗世界是用自己的頭腦創建的。
學習過程同時包含兩方面的建構：一方面是對新知識意義的建構，同時又包含對原有經驗的改造和重組。建構主義者強調學習者在學習過程中能夠靈活地建構起用于指導實踐活動的圖式，這種圖式是對概念的豐富理解，依據個人經驗背景的不同而不同。
教學應當把學習者原有的知識經驗作為新知識的生長點，引導學習者從原有的知識經驗中，生長新的知識經驗。教學不是知識的傳遞，而是知識的處理和轉換。
ICAI伴隨著這種理論的發展而發展，它注重的是由學習者來控制學習過程，重視學習內容的知識結構和學習情境，讓學習者主動構建對自己有意義的知識的活動?；诰W絡環境的ICAI積極地為學習者創設學習情境，幫助學習者用他們已有的知識去建構、生成、整合新的知識。
4.教學處方理論
“教學處方理論”是鄭永柏博士于1998年提出的一種新型適合于信息化教學設計的理論，他通過對教學系統設計理論和計算機輔助教學設計方面的研究，建構了一種新型的教學系統設計理論――教學處方理論。該理論主要包括：六個基本概念、一個理論框架、三條基本原理和兩個關于教學設計的知識庫。[4]
該理論指出教學處方可以看作是教學設計者(有時可以看作是教師)依據系統分析后使用的各種教學模式、教學方法和教學內容處理模式的組合；說明了在特定教學條件下對特定教學結果的教學，以不同的學習理論和教學理論為指導將會采用不同的教學方法，即教學處方，這也是本研究的核心內容，是該系統設計的指導理論。“教學處方理論”具有更好的包容性、開放性，能夠吸收和容納豐富的學習和教學研究成果。
四、ICAI系統的模塊結構
1.前端分析模塊：認知能力、學習動機、認知風格
前端分析是美國學者哈利斯（Harless，J．）在1968年提出的一個概念，指的是在教學設計過程開始的時候，先分析若干直接影響教學設計但又不屬于具體設計事項的問題，本文主要指認知能力、學習動機和認知風格方面的分析。前端分析模塊主要是建立相應的學生特征類型的數據庫。
認知能力的測量采用認記、理解、應用、分析、綜合、評價六個維度，每個維度有“優、良、中、差”四個選項。通過數據分析找出學習者的現狀和期望之間的差距，確定需要解決的問題是什么，并確定問題的性質，形成不同層次的教學設計項目的目標。
學習風格和學習動機通過專門的量表來收集數據。
2.內容分析模塊
教學內容分析就是在確定好總教學目標的前提下，借助歸類分析法、圖解分析法、層級分析法、信息加工分析法等方法，分析學習者要實現總的教學目標，需要掌握哪些知識、技能或形成什么態度。通過對教學內容的處理，確定學習者所需學習內容的范圍和深度，確定內容各組成部分之間的關系，為以后教學順序的安排奠定好基礎。
對教學內容的處理主要包括：教學內容的選擇、教學內容的編排、確定單元目標及對內容進行初步評價、分析教學內容類別及性質等四個基本方面。在構建規定性教學內容處理模式庫時，應對上述四個方面提供具體的方法。[5]
3.決策模塊
教學策略（處方）的制定就是根據特定的教學目標、教學內容、教學對象等條件，來合理地選擇相應的教學順序、教學方法、教學組織形式。在數據庫中建立可供選擇的不同的教學策略（處方），是本文所研究的ICAI系統的主要模塊，也是特色模塊。
教學策略（處方）的制定包括教學順序的確定、教學方法的選擇、教學組織形式的選擇等。教學順序的確定就是要確定教學內容各組成部分之間的先后順序；教學方法的選擇就是要通過講授法、演示法、討論法、練習法、實驗法、示范模仿法等不同方法的選擇，來激發并維持學習者的注意和興趣，傳遞教學內容；教學組織形式主要有集體授課、小組討論和個別化自學三種形式，各種形式各有所長，須根據具體情況進行相應的選擇。教學策略的制定是根據具體的目標、內容、對象等來確定的，要具體問題具體分析，不存在能適用于所有目標、內容、對象的教學策略。
4.評價模塊
在基于網絡環境的ICAI的評價模塊，要依據前面確定的教學目標，運用評價量表，分析學習者對預期學習目標的完成情況，主要收集三個方面的基本信息，一是要收集關于教師對教學設計方案和教學方案實施結果的滿意度的信息數據，二是要收集關于學習者對教學過程、教學策略的適應性的信息數據，三是要看與其他方法相比，本處方中所采用的方法是否有獨到之處，是否有不足之處。[6]在數據分析的基礎上，對教學策略和教學內容的修改和完善提出建議，并以此為基礎對ICAI各個環節的工作進行相應的修改。
5.ICAI系統模型框圖
學習者前端數據采集數據庫包括：認知結構測量及分析系統、學習動機測量及分析系統、學習風格測量及分析系統和學生基本信息系統。系統模型如圖所示。
五、ICAI決策系統實驗數據來源
本課題實踐研究的調查對象來自云南大學，是2008屆市場營銷教育和財會教育本科生，共89人，課程設置為現代教育技術。學生調查表包括本科生基本信息表，所羅門學習風格量表，學習者認知能力調查問卷，學習者學習動機調查問卷四份表格組成。實際收到數據表89份，有效數據表75份。數據表中的信息選項根據所占權重，統一折合成百分制進行處理。
六、總結
本文把教學設計理論、方法與“現代教育技術”課程相結合，擬研發出一個基于綜合集成方法論的廣義智能網絡教學設計輔助系統。主要研究成果如下：
（1）把綜合集成方法論引入解決教學設計這一不良結構問題；
（2）結合數字化方法和數據挖掘技術，它能對學習者進行數字化的前端分析；
（3）它所自動化給出的教學設計方案，可為青年教師提供良好借鑒，有利于教師因材施教、因風格施教、因需要施教；
（4）它所自動化給出的學習者學習建議方案，有利于促進學習者自主學習。
現有的CAI存在的許多問題隨著新技術的不斷出現而顯得越來越不能適應新環境的需求，因此以基于網絡環境的ICAI為代表的新計算機輔助教學系統，將是教育教學研究人員在教育技術上需要不斷探求、努力實現的發展方向。
參考文獻：
[1]楊采堅，董玉銘.智能教學系統設計[J].中國電大教育,1993（3）.
[2]于景元,涂元季.從定性到定量綜合集成方法――案例研究[J].系統工程理論與實踐,2002.5.
[3]錢學森,于景元,戴汝為.一個科學新領域：開放的復雜巨系統及其方法論[J].自然雜志,1990(1).
[4]鄭永柏.教學系統設計理論和方法研究:教學處方理論和ISD-EPSSS的設計與開發[D].北京師范大學博士學位論文，1998.
人工智能對教學的幫助范文5
關鍵詞：學習分析技術；網絡教育平臺；數據挖據
中圖分類號：G434文獻標識碼：A文章編號文章編號：1672-7800（2013）012-0184-03
作者簡介：胥果（1982-），男，西華師范大學教育學院碩士研究生，研究方向為教育信息化。
0引言
網絡教育是在網絡環境下，以現代教育思想和學習理論為指導，充分發揮網絡的各種教育功能和豐富的網絡教育資源優勢，向受教育者和學習者提供一種網絡教和學的環境，傳遞數字化內容，開展以學習者為中心的非面授教育活動。[1]網絡教育作為繼信件、收音機、電視和計算機之后的第五代遠程教育，自1998年教育部開展現代遠程教育試點工作以來得到了迅速發展。據教育部統計數據，2010年網絡高等教育本、專科招生人數達166萬人，在校學生人數達453萬人[2]。實施網絡教育的關鍵是創設能夠促進學習者主動學習的網絡環境，而學習者在網絡教學環境中的學習活動離不開網絡教育平臺。
網絡教育平臺作為支持網上教學與學習活動的軟件系統，它的發展經歷了3個主要階段：第一階段：內容管理系統（CMS），主要用來存儲和管理教學資源，方便學生自主選擇網絡資源學習；第二階段：學習管理系統（LMS），主要用于存儲、管理、跟蹤、報告和傳送網絡教育課程，與CMS系統相比，LMS系統可以跟蹤學生表現，存儲學生的作業，讓學生與教師溝通；[3]第三階段：學習內容管理系統（LCMS），與LMS系統相比，LCMS系統提供了多用戶環境，系統管理者、教學設計人員、項目專家可以在數據庫內創造、存儲、重復利用、管理和傳輸數字化學習內容。LCMS專注于課程的開發、管理和，而這又需要通過LMS來傳送。盡管從定義上來說LMS和LCMS有區別，但LMS通常用來同時表示LMS和LCMS，Blackboard公司就把他們的Blackboard學習平臺稱作是一個LMS平臺。國外對于網絡教育平臺還有很多不同說法，如虛擬學習環境（VLE）、管理學習環境（MLEs）、個人學習環境（PLE）、學習平臺（LP）等等。網絡教育平臺為網絡教育的快速發展提供了有力支撐，也為大量學習者提供了幫助。
隨著網絡教育平臺的多年使用，在此過程中積累了大量的系統化、結構化的學習結果和學習行為數據。為了利用這些數據，教育界最初采用了教育數據挖掘（EDM）技術，應用數據挖掘方法將來自于教育平臺的數據提取出有意義的信息，利用這些信息為教育者、學習者、管理者、教育軟件開發者和教育研究者等提供服務。[4]而后隨著引入一些原本屬于社會科學領域的語義分析法、內容分析法、社會網絡分析法的使用，形成了一個新的概念：學習分析。相對于教育數據挖掘服務的主要對象是政府機構和管理人員，學習分析主要針對的是學習者和教師。學習分析使用學習者產生的數據，建立分析模型以發現社會關系和有用的信息，用以預測學習情況并對學習者提供建議。在首屆“學習分析和知識（LAK）國際會議”上，與會者對學習分析做出定義：學習分析技術是測量、收集、分析和報告有關學生及其學習環境的數據，用以理解和優化產生的環境的技術。[5]由于網絡教育平臺已經積累大量數據，我們把學習分析技術應用到網絡教育平臺將大有可為。在把握學習者的主要特征、網絡學習行為的特點、監控學習過程、了解學習行為的影響因素、干預學習進程、保障教育質量等方面，學習分析技術都能夠提供幫助。
1學習分析技術背景
在學習分析概念形成之前，相關方法、技術和工具都已經發展起來了。學習分析從一系列研究領域汲取技術，如數據統計、商業智能（Business Intelligence）、網頁分析（Web Analytics）、運籌學（Operational Research）、人工智能（AI）、教育數據挖掘（EDM）、社會網絡分析、信息可視化等。
數據統計歷來作為一個行之有效的手段用來解決假設檢驗問題。商業智能以數據倉庫、聯機分析處理、數據挖掘等技術為基礎，從不同的數據源中提取數據，將之轉換成有用的信息，它與學習分析有相似之處，但它歷來被定位于通過可能的數據訪問和績效指標總結使生產更高效。網頁分析工具如google analytics通過網頁訪問量，與互聯網網站、品牌等的關聯做出報告，這些技術可以用來分析學生的學習資源（課程，材料等）以追蹤學生的學習軌跡。運籌學通過設計優化數學模型和統計方法使目標最優化。
人工智能和數據挖掘中的機器學習技術建立在數據挖掘和人工智能方法上，它能夠檢測數據中的模式。在學習分析中的類似技術可用于智能教學系統，以更加動態的方式對學生進行分類而不是簡單地進行人口統計分類，可以通過協同過濾技術對特定的資源建立模型。社會網絡分析可以分析出隱含的人與人（如在論壇上的互動）和外顯的人與人（如朋友或者關注對象）之間的關系，在學習分析中可用于探索網絡集群、影響力網絡、參與及不參與狀況。信息可視化是很多分析的重要一步（包括上面列出的那些分析方法），它可以用來對所提供的數據進行意義建構，John Tukey1977年在他的《探索性數據分析》一書中給我們介紹了如何更好地利用信息可視化，Tukey強調使用可視化的價值在于幫助在形成正式的假設之前做檢驗。[6]以上這些學習分析技術都可以對大量數據進行分析和處理，形成分析報告為教育提供幫助。
學習分析技術的特點在于能夠為網絡教育平臺提供實時數據，通過利用這些實時數據，可以為教師、學生和教育管理人員提供幫助：①為個人學習者提供成績反饋及與他人溝通的行為模式；②為預測學習者提供支持與關注；③為教師和助理人員提供支持個人與集體的干涉計劃；④為如課程小組這樣的組織改善現有課程或開發新的課程提供幫助；（5）為機構管理者在營銷、招聘和效率等方面做決定時提供有效措施。[7]
2學習分析方法
發展中的學習分析技術吸納了許多其它領域的關鍵技術，以實現對學習過程的研究，下面介紹一些常用方法。
2.1社會網絡分析法
社會網絡分析法（SNA）可用于測繪和測量人、團體、組織、計算機、網址以及其它相互關聯的信息知識試題之間的關系。網絡中的節點是人和團體，它們之間的鏈接則顯示了節點之間的關系或者流量。社會網絡分析為人類關系提供可視化的數學分析。網絡教育平臺管理者可以用它來分析學習者之間的聯系、關系、角色以及關系網絡形成的過程與特點，從而幫助學習者建立自己的關系網絡以支持自己的學習。SNAPP軟件就可以通過論壇內的回復和跟帖狀況分析學習者交互情況，并得到可視化的圖標。
2.2影響力與消極性測量法
影響力與消極性測量法（Influence and passivity measure）通過測量傳遞、引用或者轉發的次數，評估人和信息的影響力。網絡教育平臺可以對學習者個體的影響力進行測量，分析了解為什么某些個體能夠獲得高影響力，低影響力學習者應該如何改進。
2.3性格分析法
性格分析法（Disposition Analytics）旨在獲得學生性格與他們學習情況的數據，以及兩者之間的關系。好奇的學生可能更傾向于提問，學習分析可以對獲得的這些數據進行分析。
2.4行為信任分析法
行為信任分析法（Behavioral trust analysis）使用人們談吐和交流中的信息（在人交流和使用信息的過程中將產生新的信息）作為信任關系的一個指標。網絡教育平臺可用來對人際關系進行分析。
2.5內容分析法
內容分析法（Content Analytics）可以對學習者的學習過程數據進行定量分析，尋找學習者的行為模式；還可以進行定性分析，運用已積累的數據經驗來預測當前的學習行為。網絡教育平臺可以對學習者的學習行為分析，找到優生和差生學習行為的差別，教師結合自己的教學經驗有針對性地干涉。由于網絡教育平臺數據的實時性，可以根據學習者的學習行為實時進行干涉，當然干涉的準確性需要數據庫的進一步積累，從而產生由量變到質變的效果。LOCO-Analyst軟件就可以對網絡教育平臺的內容進行分析。
2.6話語分析法
話語分析法（Discourse analytics）的目的在于獲得有意義的數據（不像社會網絡分析），旨在探討所使用語言的屬性，而不只是網絡上的互動，或者論壇帖子數量的統計。網絡教育平臺可用以探究知識構建的過程，從而使教師和教學研究者對學習發生的過程有更清晰的認識。
2.7社會學習分析法
社會學習分析法（Social Learning Analytics）的目的在于探索在學習過程中社會交互所扮演的角色，以及學習網絡的重要性，話語如何用來意義建構。網絡教育平臺管理者可以用來構建一個更好的學習者網絡，通過學習者之間的交互，達到相互幫助學習的目的，相互幫助實現知識結構構建。
2.8信息可視化方法
信息可視化（Information Visualization）可以避免我們在一堆枯燥的數據中尋找規律，數據可視化之后，我們可以更好地進行意義建構。BEESTAR Insight可以自動收集學生實時的參與數據，從而為教師、學生和管理者提供分析圖改善學習。
網絡教育平臺上的學習是學生、教師和管理者之間的共同交互過程，應運用不同的方法對這一復雜過程進行研究，才能得到滿意的結果，學習分析技術將在此過程中展現它的作用。
3學習分析技術促進網絡教育平臺發展
筆者將從數據面板、預測性分析和自適應學習分析分別舉例說明學習分析技術為網絡教育平臺帶來哪些幫助。
3.1學習管理系統分析面板（LMS Analytics Dashboards）
大多數網絡學習平臺上都開始使用學習分析數據面板。實際上，到目前為止，大部分的非專業人員都還不能對記錄數據進行解讀，但是通過一系列的圖像、表格和其它的可視化工具生成的報告，學生、教師和管理人員都可以讀懂。美國一些大學采用了更先進的綜合數據系統（如Helpdesk calls；學生信息系統），當然這些功能強大的系統也更難以學懂，這些系統能夠探索不同變量之間的關系，使用戶不僅止于掌握預先的報告。學習者在測驗分數、論壇貢獻、參與情況方面，可以得到一些基本分析報告。
EDUCAUSE匯集了一系列有用的高等教育案例，例如亞利桑那州立大學的研究表明，在學術和學習分析上進行投資能夠收到顯著的回報，該大學做了一個“Student 360”項目，通過該項目學?？梢粤私庠撔Ｃ恳幻麑W生的狀況。[8]
3.2預測性分析（Predictive Analytics）
這是學習分析的一種高級應用。通過對學習者的統計數據或者過去的成績之類的靜態數據，和在線登陸方式、討論發帖量之類的動態數據進行分析，追蹤分析學習者的類型。把學習者進行分類，例如該學習者屬于“高成就”，或者該生目前比較“危險”，或者是“社會型學習者”。然后根據學習者的類型進行實時的干預，對“高成就”類型提供一些更具挑戰性的學習任務，而對處于“危險”狀況的學生，教師則需要特別關注，給予一些學習上的幫助，而對于“社會型”的學生，則可能需要給予社交上的支持。
目前對于期末考試成績最可靠的預測，是在學習開始的時候做一個小的學習能力測驗。如果想設計更復雜的數據驅動預測模型，必須在此基礎上進行改進，而這需要進一步的數據分析，以確定哪些變量能夠預測“成功”。Purdue大學的Course Signal software非常知名，已經部分實現了這一技術。Signals在學生的學習過程提供了紅色、黃色、綠色等信號，以幫助教師和學生了解目前的學習狀況。最近的評估報告表明，參與Course Signal項目的學生獲得了更高的平均分，能夠更快速地尋找幫助資源。[9]來自密歇根大學的報告顯示，自適應干預技術能夠幫助參與E2Coach infrastructure項目的物理系學生學習健康信息，給他們提供定制的反饋，并鼓勵學生改變他們的學習策略。
3.3自適應學習分析（Adaptive Learning Analytics）
自適應學習平臺建立了一個學習某個主題（如代數；光合作用）的模型，并在標準化測試背景下建立了課程測試的模型。這種平臺能夠提供更細致的反饋（例如你已經掌握了哪些概念并掌握到何種程度），據此自動呈現以后的學習內容（例如不呈現基于學習者所未掌握概念的材料）。當然，建立學習者認知的動態模型，和準備自適應學習內容的引擎比設計和實現傳統的學習平臺需要更多的資源。大量的研究證據表明，采用這種方法將使個性化學習成為可能。
在智能教學系統和自適應平臺上大量的研究和資金投入，將會為網絡教育平臺帶來更好的用戶體驗?？▋然?梅隆大學的Open Learning Initiative課程是免費的，大家可以去體驗一下，而Grockit與Knewton公司的商業平臺也做得很好。
4結語
國外的大量實踐表明，學習分析技術越來越顯示出它的重要性?；趯W習分析技術巨大的發展潛力，也希望更多的公司和機構投入到這個領域，畢竟學習分析技術還處于發展應用的初期階段。而學習分析技術支持下的網絡教育平臺，將為我國遠程教育發展帶來新的機遇。
參考文獻參考文獻：
[1]程智.對網絡教育概念的探討[J].電化教育研究，2003（7）：25-28.
[2]魏順平.學習分析技術：挖掘大數據時代下教育數據的價值[J].現代教育技術，2013（2）：5-11.
[3]WATSON，WILLIAM R.An argument for clarity：what are learning management systems，what are they not， and what should they become[J].TechTrends，2013（2）：28–34.
[4]Educational Data Mining.http：//.
[5]COOPER，ADAM.A brief history of analytics a briefing paper.http：//publications.cetis.ac.uk/wp-content/uploads/2012/12/Analytics-Brief-History-Vol-1-No9.pdf.
[6]POWELL，STEPHEN，SHIELA.MACNEIL.Instituitional readiness for analytics a briefing paper.http：//publications.cetis.ac.uk/wp-content/uploads/2012/12/Institutional-Readiness-for-Analytics-Vol1-No8.pdf.
人工智能對教學的幫助范文6
【關鍵詞】大數據；高等教育；機遇和挑戰
0.引言
數據是指一切保存在電腦中的信息，包括文本、聲音、視頻等?！按髷祿笔且还尚碌募夹g浪潮，也是逐步形成的歷史現象，其具體是指隨著信息存貯量的增多，人類在實踐中逐漸認識到，通過數據的開放、整合和分析，能發現新的知識、創造新的價值，從而為社會帶來“大科技”、“大利潤”、“大智能”和“大發展”等新的機遇。大數據之“大”，并不在于其表面的“大容量”，而在于其潛在的“大價值”。大數據之所以被稱為革命性現象的根本原因，因為從本質上來說，它標志著我們人類社會在從信息時代經由知識時代快速向智能時代邁進，并給普通高等學校發展帶來的新機遇和挑戰[1]。
1.大數據給普通高等學校發展帶來的機遇和挑戰
大數據，使教師面臨挑戰，使學科專業設置和專業知識結構面臨挑戰；大數據為大學管理的精細化個性化服務提供了工具；大數據給科研帶來顛覆性的影響。
1.1教師面臨的挑戰
智能學習平臺只是大數據大潮在教育領域掀起的一朵浪花。如著名的在線教育公司Coursera，已經和普林斯頓、伯克利、杜克、香港理工等全世界30多所大學達成協議，通過其平臺免費開放課程。如今這些學校的課程可以實現全球幾十萬人同步學習。分布在世界各地的學習者不僅可以在同一時間聽取同一位老師的授課，還和在校生一樣，做同樣的作業、接受同樣的評分和考試[2]。
這種學習平臺的崛起，在美國引起了廣泛的關注和激烈的討論。其中的原因，是因為該平臺已經不是一個鏡頭、一段視頻那么簡單，而能對學習者的學習行為自動進行提示、誘導和評價，從而彌補沒有老師面對面交流指導的不足。例如，通過記錄鼠標的點擊，計算機能夠記錄你在一張幻燈片上停留的時間，判別你在答錯一道題之后有沒有回頭復習，發現不同的人對不同知識點的不同反應，從而總結出哪些知識點需要重復或強調，哪種陳述方式或學習工具在哪種情況下最有效等規律。
不難發現，該平臺之所以強大，正是因為大數據。單個個體學習行為的數據似乎是雜亂無章的，但當數據累積到一定程度時，群體的行為就會在數據上呈現一種秩序和規律。通過收集、分析大量的數據，就能總結出這種秩序和規律，然后有的放矢，對不同的學習者提供有針對性的幫助。
這種智能學習平臺將會給教育行業帶來怎樣的影響。學校曾經是最重要的教育資源，好的學校更是異常稀缺，由于這種智能平臺的普及，在不遠的將來，名校將人人可上，也就是說，如果應對得當，中國教育資源匱乏的問題將很快得到有效緩解。對個人來說，隨時隨地地學習、終身學習都將成為可能，例如，高中生可以嘗試大學的課程，離開了校園的人，也可以登錄在線平臺再和在校生一起聽課。這些都是教育工作者探討多年、孜孜以求的夢想。但硬幣的另一面，是中國的教育行業要面對更加激烈的全球化競爭和挑戰。過去，是學生爭學校；將來，可能是學校在全球范圍中爭奪學生。發達國家的一流大學會擠壓發展中國家普通大學的生存和發展空間，普通大學該如何來吸引生源？它們會不會因此衰落？既然最好的教學視頻等學習資源都可以免費獲得，教師的角色又需不需要調整？又該如何調整？這些問題，都是大數據時代催生的重大挑戰。
1.2學科專業設置和專業知識結構面臨的挑戰
網絡大數據在科學和技術上的突破，將可能誕生出數據服務、數據材料、數據制藥等戰略性新興產業[3].網絡數據科學與技術的突破意味著人們能夠理清數據交互連接產生的復雜性，掌握數據冗余與缺失雙重特征引起的不確定性，駕馭數據的高速增長與交叉互連引起的涌現性（Emergence），進而能夠根據實際需求從網絡數據中挖掘出其所蘊含的信息、知識甚至是智慧，最終達到充分利用網絡數據價值的目的.涌現性是指由低層次的多個元素構成高層次的系統時展示出的每個單一元素所不具備的性質.網絡數據不再是產業環節上產生的副產品，相反地，網絡數據已成為聯系各個環節的關鍵紐帶.通過對網絡數據紐帶的分析與掌握，可以降低行業成本、促進行業效率、提升行業生產力.因此，可以預見，在網絡數據的驅動下，行業模式的革新將可能催生出數據材料、數據制造、數據能源、數據制藥等一系列戰略性的新興產業，使高等教育學科專業設置和專業知識結構面臨挑戰。
1.3大數據為大學管理的精細化個性化服務提供了工具
教育是在生活中實現的，不在生活中實現的教育不是真正的教育，學校教育更需要“終極關懷”。華東師范大學一位女生節食減肥，很少在校內用餐，學校通過困難生預警系統察覺到其飯卡消費值較低，便發送了一條短信，詢問是否有經濟困難，是否需要幫助。這位女生收到短信，感到非常溫暖，便發了一條“華師大少女減肥減出人文關懷”微博，結果被網友紛紛轉發。網友們稱贊學校“通過對數據的挖掘、應用，更貼心地服務學生、關愛學生”，“讓冰冷的數字有了人性美！”這一事件至少告訴人們，大數據為大學管理的精細化服務提供了工具，有助于學校實現“終極關懷”[4]。
1.4大數據給科研帶來顛覆性的影響
科技創新實質上是科學研究方法的創新，數據科學帶給大家改變探索世界的新方法――從大量的數據中，揭示世界運行的規律。新方法體現在大數據的三個特征中。
大數據在舍恩伯格看來，一共具有三個特征：全樣而非抽樣，效率而非精確，相關而非因果。
第一個特征非常好理解。在過去，由于缺乏獲取全體樣本的手段，人們發明了“隨機調研數據”的方法。理論上，抽取樣本越隨機，就越能代表整體樣本。但問題是獲取一個隨機樣本代價極高，而且很費時。人口調查就是典型一例，一個稍大一點的國家甚至做不到每年都一次人口調查，因為隨機調研實在是太耗時耗力了。
但有了云計算和數據庫以后，獲取足夠大的樣本數據乃至全體數據，就變得非常容易了。谷歌可以提供谷歌流感趨勢的原因就在于它幾乎覆蓋了7成以上的北美搜索市場，而在這些數據中，已經完全沒有必要去抽樣調查這些數據：數據倉庫，所有的記錄都在那里躺著等待人們的挖掘和分析。
第二點其實建立在第一點的基礎上。過去使用抽樣的方法，就需要在具體運算上非常精確，因為所謂“差之毫厘便失之千里”。設想一下，在一個總樣本為1億人口隨機抽取1000人，如果在1000人上的運算出現錯誤的話，那么放大到1億中會有多大的偏差。但全樣本時，有多少偏差就是多少偏差而不會被放大。諾維格，谷歌人工智能專家，在他的論文中寫道：大數據基礎上的簡單算法比小數據基礎上的復雜算法更加有效。
數據分析并非目的就是數據分析，而是有其它用途，故而時效性也非常重要。精確的計算是以時間消耗為代價的，但在小數據時代，追求精確是為了避免放大的偏差而不得已為之。但在樣本=總體的大數據時代，“快速獲得一個大概的輪廓和發展脈絡，就要比嚴格的精確性要重要得多”。
第三個特征則非常有趣。相關性表明變量A和變量B有關，或者說A變量的變化和B變量的變化之間存在一定的正比（或反比）關系。但相關性并不一定是因果關系（A未必是B的因）。
亞馬遜的推薦算法非常有名，它能夠根據消費記錄來告訴用戶你可能會喜歡什么，這些消費記錄有可能是別人的，也有可能是該用戶歷史上的。但它不能說出你為什么會喜歡的原因。難道大家都喜歡購買A和B，就一定等于你買了A之后的果就是買B嗎？未必，但的確需要承認，相關性很高或者說，概率很大。
舍恩伯格認為，大數據時代只需要知道是什么，而無需知道為什么，就像亞馬遜推薦算法一樣，知道喜歡A的人很可能喜歡B但卻不知道其中的原因。
越來越多的事物不斷的數字化。使得人們可以從大量的數據中，發現隱藏的自然規律、社會規律和經濟規律。從這個角度來看，大數據將拓展人類的視野。
大數據給科學和教育事業的發展提供了前所未有的機會，同時也提出了前所未有的挑戰。它將對現有的科研和教學體制帶來大幅度的變革，對科學與產業之間的關系、科學與社會之間的關系帶來大幅度的變革。
事實上，數據科學還帶給大家觀察世界的新方法――從大量的數據中，揭示世界運行的規律。2008 年《連線》雜志主編克里斯？安德森就指出“數據爆炸使所有的科學研究方法都落伍了”，用一系列的因果關系來驗證各種假設和猜想的研究范式已經不實用了，如今它已經被無需理論指導的純粹的相關關系研究所取代。安德森指出：“現在已經是一個有海量數據的時代，應用數據已經取代了其他的所有學科工具。而且只要數據足夠多，就能說明問題。如果你有一拍字節的數據，只要掌握了這些數據之間的相關關系，一切就都迎刃而解。
人們在研究自然語言處理方面走過的彎路，為安德森的觀點提供了有利的證據。20 世紀50 年代，幾乎所有的科學家都認為如果讓計算機來充當翻譯，就必須像人一樣，讓他理解詞句的含義。于是提出人工智能的概念，讓計算機來學習的人類的各種規則。這種方法很快在70 年代走到了盡頭。但是基于大量數據、運用概率模型的統計語言學的出現使得自然語言處理柳暗花明。如果沒有這些概率統計模型，風靡一時的Siri（個人語音處理）等應用，就不可能實現。
2.結語
大數據時代已經到來，對大數據進行合理的分析，管理和應用必將會推動普通高等學校的大發展，當然也會為社會提供更多的利益和創新性成果。
【參考文獻】
[1]趙國棟，易歡歡，糜萬軍，鄂維南.大數據時代的歷史機遇―產業變革與數據科學[M].北京：清華大學出版社，2013.
[2]舍恩伯格.大數據時代[M].浙江人民出版社，2013.
