饒凱平 章凡

1 中國(guó)藥科大學(xué)教務(wù)處 南京 210009 2 南京農(nóng)業(yè)大學(xué)繼續(xù)教育學(xué)院 南京 210018

0 引言

近年來(lái)，隨著人工智能技術(shù)的興起，人機(jī)智能交互領(lǐng)域得到了飛速發(fā)展。如蘋(píng)果的siri、微軟的小冰、谷歌的Google Now 等等，日常的人機(jī)交互能夠優(yōu)雅地為用戶(hù)解決各類(lèi)常見(jiàn)問(wèn)題。在教學(xué)交互領(lǐng)域，有人工智能技術(shù)加持的人機(jī)協(xié)作模式可能將成為未來(lái)的主流形態(tài)之一。國(guó)務(wù)院及教育部也在近幾年提出了關(guān)于人工智能技術(shù)在教育領(lǐng)域應(yīng)用的全方位戰(zhàn)略部署及規(guī)劃，2017 年《新一代人工智能發(fā)展規(guī)劃》，2018 年《教育信息化2.0 行動(dòng)計(jì)劃》和2019 年《中國(guó)教育現(xiàn)代化2035》中都指出要大力發(fā)展智能化教育，要以人工智能等新興技術(shù)為基礎(chǔ)，推動(dòng)教學(xué)方法改革與生態(tài)重構(gòu)，推動(dòng)智能技術(shù)等在教育領(lǐng)域多維度的應(yīng)用，加強(qiáng)智能教學(xué)助手、教育機(jī)器人、智能學(xué)伴等關(guān)鍵技術(shù)研究與應(yīng)用，從而全面提升教育的質(zhì)量及效率。本文旨在研究智慧教育中的智能交互助教學(xué)伴體系，利用大數(shù)據(jù)及人工智能領(lǐng)域當(dāng)中的NLP（自然語(yǔ)言處理）、機(jī)器學(xué)習(xí)模型以及Word2vec（詞向量）及TextRank等技術(shù)，為課前教師備課、學(xué)生預(yù)習(xí)，課堂師生交互，課后答疑輔導(dǎo)等多個(gè)環(huán)節(jié)提供智能化人機(jī)交互、數(shù)據(jù)服務(wù)等精準(zhǔn)的教學(xué)輔助服務(wù)，減少教師用于學(xué)生個(gè)性化輔導(dǎo)的精力，同時(shí)增加學(xué)生的主動(dòng)學(xué)習(xí)意愿以達(dá)到提高教學(xué)效率的目的。

1 智能交互助教學(xué)伴體系研究現(xiàn)狀及關(guān)鍵技術(shù)分析

1.1 智能交互助教學(xué)伴體系研究現(xiàn)狀

智能交互助教學(xué)伴體系為智能問(wèn)答領(lǐng)域的一個(gè)分支，最早的研究可追溯到1950 年的圖靈測(cè)試，圖靈測(cè)試是智能問(wèn)答系統(tǒng)的雛形[1]。在1966 年，weizenbaum 實(shí)現(xiàn)的“Eliza”被認(rèn)為是第一個(gè)真正意義上的智能問(wèn)答系統(tǒng)。從60 年代開(kāi)始人工智能研究興起，智能問(wèn)答領(lǐng)域的研究也步入正軌，而真正面向特定領(lǐng)域的智能問(wèn)答系統(tǒng)的出現(xiàn)則是BASEBALL 系統(tǒng)（研究美國(guó)職業(yè)棒球聯(lián)盟的相關(guān)比賽問(wèn)題）和LUNAR 系統(tǒng)（基于知識(shí)庫(kù)的自然語(yǔ)言理解系統(tǒng)，用于美國(guó)阿波羅登月探測(cè)的地質(zhì)數(shù)據(jù)分析）。20 世紀(jì)90 年代，伴隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和人工智能技術(shù)的進(jìn)步，智能問(wèn)答系統(tǒng)的研究進(jìn)入了開(kāi)放領(lǐng)域階段，如1999 年的文本檢索會(huì)議（Text Retrieval Conference）引入的問(wèn)答系統(tǒng)評(píng)測(cè)專(zhuān)項(xiàng)[2]，極大推動(dòng)了智能問(wèn)答系統(tǒng)的研究和發(fā)展。進(jìn)入21 世紀(jì)后，隨著云計(jì)算大數(shù)據(jù)技術(shù)的出現(xiàn)以及基于深度學(xué)習(xí)的聊天機(jī)器人的問(wèn)世，關(guān)于智能交互的研究則進(jìn)入一個(gè)新的高度，在教育領(lǐng)域不乏優(yōu)秀案例，如應(yīng)用在英語(yǔ)學(xué)習(xí)中的嵌入式智能問(wèn)答機(jī)器人Don Quijote、Mike[3]，應(yīng)用于心理學(xué)學(xué)科的Freudbot[4]等。

1.2 關(guān)鍵技術(shù)

在智能交互助教學(xué)伴體系的研究中，運(yùn)用到了大數(shù)據(jù)技術(shù)，人工智能當(dāng)中的自然語(yǔ)言處理技術(shù)，包括TextRank 關(guān)鍵詞抽取技術(shù)，word2vec 詞向量模型，機(jī)器學(xué)習(xí)模型等。大數(shù)據(jù)技術(shù)具有大規(guī)模數(shù)據(jù)分析及決策預(yù)測(cè)等特性，可以收集分析教學(xué)過(guò)程中的學(xué)習(xí)行為數(shù)據(jù)，資源數(shù)據(jù)用于教學(xué)的個(gè)性化資源推送，學(xué)習(xí)軌跡預(yù)測(cè)及教學(xué)方案決策等場(chǎng)景。自然語(yǔ)言處理技術(shù)是人工智能技術(shù)的重要方向，研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法。TextRank 是基于PageRank 的一種關(guān)鍵詞提取技術(shù)[3]，將詞之間的共現(xiàn)關(guān)系作為邊建立無(wú)向圖，根據(jù)PageRank 原理中的衡量重要性的公式，初始化各節(jié)點(diǎn)的權(quán)重，然后迭代計(jì)算各節(jié)點(diǎn)的權(quán)重，直至收斂，最終得到最重要的若干個(gè)詞即為關(guān)鍵詞。Word2vec 是 Google 在 2013 年開(kāi)源的一款將詞表征為空間向量的模型工具，主要采用連續(xù)詞袋模型(Continuous Bag-Of-Words，CBOW)以及 Skip-gram 模型[5]。Word2vec 通過(guò)訓(xùn)練，實(shí)現(xiàn)文本內(nèi)容處理簡(jiǎn)化為K 維向量空間中的向量運(yùn)算，運(yùn)用于用戶(hù)輸入與答案間的語(yǔ)義相似度計(jì)算及糾錯(cuò)等。采用條件隨機(jī)場(chǎng)模型及最大熵模型機(jī)器學(xué)習(xí)方法，訓(xùn)練集經(jīng)過(guò)訓(xùn)練所得數(shù)據(jù)為智能交互提供支持。

2 智能交互助教學(xué)伴核心引擎工作原理

智能交互助教學(xué)伴核心引擎采用了大數(shù)據(jù)和人工智能等多種技術(shù)，在整個(gè)體系起到了數(shù)據(jù)服務(wù)和智能人機(jī)交互處理等關(guān)鍵作用。核心引擎為三個(gè)層次：數(shù)據(jù)訓(xùn)練層，輸入處理層和答案呈現(xiàn)層，如圖1 所示。數(shù)據(jù)訓(xùn)練層包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)訓(xùn)練和數(shù)據(jù)索引的建立等過(guò)程，數(shù)據(jù)訓(xùn)練層可視為整個(gè)體系的地基，所有的服務(wù)都是以數(shù)據(jù)為基礎(chǔ)的。輸入處理層指的是對(duì)用戶(hù)的輸入數(shù)據(jù)進(jìn)行分析處理，轉(zhuǎn)化為機(jī)器可識(shí)別的數(shù)據(jù)格式，結(jié)合數(shù)據(jù)訓(xùn)練層得到的結(jié)果，通過(guò)答案檢索、匹配初步篩選出若干備選項(xiàng)。答案呈現(xiàn)層主要對(duì)備選項(xiàng)進(jìn)行置信度檢驗(yàn)及大數(shù)據(jù)上下文判斷等等，綜合得出最優(yōu)答案呈現(xiàn)給用戶(hù)，并為用戶(hù)提供反饋接口，可將用戶(hù)的輸入及反饋數(shù)據(jù)進(jìn)行有監(jiān)督機(jī)器學(xué)習(xí)，更新數(shù)據(jù)訓(xùn)練層機(jī)器學(xué)習(xí)參數(shù)，用戶(hù)使用量越大，精確度則越高。

圖1 智能交互助教學(xué)伴核心引擎示意圖

2.1 數(shù)據(jù)訓(xùn)練層

數(shù)據(jù)訓(xùn)練層的數(shù)據(jù)來(lái)源為大數(shù)據(jù)資源平臺(tái)，大數(shù)據(jù)資源平臺(tái)的建立需要聚合多個(gè)系統(tǒng)，如學(xué)校的教務(wù)、學(xué)工系統(tǒng)，MOOC 和SPOC 平臺(tái)或其他類(lèi)型的學(xué)習(xí)交流平臺(tái)，在這些系統(tǒng)當(dāng)中，如教務(wù)學(xué)工系統(tǒng)所提供的數(shù)據(jù)為學(xué)生和老師的基本信息，結(jié)合學(xué)習(xí)平臺(tái)的歷史學(xué)習(xí)數(shù)據(jù)形成初步的用戶(hù)畫(huà)像，隨著數(shù)據(jù)量的不斷擴(kuò)大，用戶(hù)畫(huà)像將愈加清晰，為用戶(hù)提供的服務(wù)也可以更加精準(zhǔn)。MOOC 和SPOC 學(xué)習(xí)平臺(tái)產(chǎn)生的學(xué)習(xí)數(shù)據(jù)中包含很多過(guò)程性的數(shù)據(jù)，如師生的討論、答疑等等，在數(shù)據(jù)訓(xùn)練層中，需整合并清洗訓(xùn)練數(shù)據(jù)得出基礎(chǔ)數(shù)據(jù)模型，并采用數(shù)據(jù)挖掘技術(shù)將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，最終整合成為核心交互數(shù)據(jù)模型，為輸入處理層提供服務(wù)。

數(shù)據(jù)完成整合后，所有數(shù)據(jù)作為基礎(chǔ)語(yǔ)料庫(kù)，用結(jié)巴分詞器分詞，去除停用詞，通過(guò)word2vec進(jìn)行詞向量訓(xùn)練，提取文檔數(shù)據(jù)關(guān)鍵詞以詞向量表示，并建立倒排索引，即記錄詞在一個(gè)文檔或者一組文檔中存儲(chǔ)位置的映射。將數(shù)據(jù)進(jìn)行分詞、詞性標(biāo)注、句法分析后作為訓(xùn)練集，進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)，在句法分析的過(guò)程中，采用表1 中的分類(lèi)方法[6]進(jìn)行問(wèn)句分類(lèi)，采用CRF（條件隨機(jī)場(chǎng)）算法進(jìn)行詞性標(biāo)注和句法分類(lèi)訓(xùn)練，其原理為構(gòu)建無(wú)向圖G = (V,E)，V 為節(jié)點(diǎn)集，是句子當(dāng)中的所有詞的集合，詞之間的關(guān)聯(lián)作為節(jié)點(diǎn)之間的邊，通過(guò)條件隨機(jī)場(chǎng)的訓(xùn)練使無(wú)向圖中的各個(gè)結(jié)點(diǎn)呈現(xiàn)線性結(jié)構(gòu)，從而進(jìn)行線性數(shù)據(jù)的序列標(biāo)注工作。CRF 算法的序列標(biāo)注特性將多個(gè)分詞的詞語(yǔ)按照一定序列組合成完整主體，進(jìn)而進(jìn)行主體識(shí)別，另外該算法可以自定義標(biāo)注集，通過(guò)給自定義標(biāo)注集打類(lèi)別標(biāo)簽的方式在主體識(shí)別、詞性識(shí)別的同時(shí)完成句法分類(lèi)[7]。采用最大熵模型對(duì)問(wèn)題及答案的句法特征組合進(jìn)行訓(xùn)練，判斷哪些問(wèn)題和答案的組合為正確組合的概率最大。最大熵模型原理為：對(duì)一個(gè)隨機(jī)事件的概率分布進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)應(yīng)當(dāng)滿足全部已知的約束，而對(duì)未知的情況不要做任何主觀假設(shè)。這種情況下，概率分布最均勻，預(yù)測(cè)的風(fēng)險(xiǎn)最小，因此得到的概率分布的熵是最大。該模型的特征函數(shù)為一個(gè)二值函數(shù)：

表1 問(wèn)題分類(lèi)體系

用來(lái)表示x的某個(gè)取值和y的某個(gè)取值是否存在聯(lián)合分布。當(dāng)x=“問(wèn)題及答案句法特征”，y=“該組合是否正確”，此時(shí)在訓(xùn)練集中有對(duì)應(yīng)情況，所以對(duì)應(yīng)的特征函數(shù)對(duì)應(yīng)為1。至于對(duì)最后的預(yù)測(cè)能產(chǎn)生多大的影響，需要由訓(xùn)練得到的該特征函數(shù)的權(quán)重來(lái)決定。訓(xùn)練最終得出的模型可以作為答案置信度判斷的依據(jù)。舉例：如用戶(hù)輸入的問(wèn)題為：如何報(bào)名參加某個(gè)活動(dòng)，該問(wèn)句為描述型問(wèn)句，答案應(yīng)為一段長(zhǎng)文本，描述參加活動(dòng)的過(guò)程，那么類(lèi)型為長(zhǎng)文本的答案與當(dāng)前問(wèn)題的組合為正確組合的概率較大；而如果用戶(hù)輸入的問(wèn)題是：負(fù)責(zé)某項(xiàng)工作的工作人員是誰(shuí)，該問(wèn)句為人物型問(wèn)句，答案則應(yīng)為人名，那么類(lèi)型為單個(gè)名詞的答案與當(dāng)前問(wèn)題的組合為正確組合的概率較大，如表1 所示。訓(xùn)練得出的模型具有置信度判斷的能力，判斷得出的答案與問(wèn)題是否符合句法邏輯，值得注意的是，該置信度判斷僅為統(tǒng)計(jì)學(xué)意義上的判斷，不能百分之百準(zhǔn)確。

2.2 輸入處理層

用戶(hù)的輸入數(shù)據(jù)在人機(jī)交互的時(shí)候產(chǎn)生，輸入數(shù)據(jù)的格式為普通的文本。在用戶(hù)輸入后，首先會(huì)進(jìn)行用戶(hù)的輸入糾錯(cuò)和同義詞聯(lián)想，輸入糾錯(cuò)主要利用N-Gram 語(yǔ)言模型、二元接續(xù)關(guān)系查錯(cuò)、漢字轉(zhuǎn)拼音糾錯(cuò)算法以及相似度度量模型[8]，將用戶(hù)的輸入通過(guò)智能糾錯(cuò)模塊進(jìn)行評(píng)估，在滿足一定的閾值時(shí)自動(dòng)進(jìn)行糾錯(cuò)。輸入的數(shù)據(jù)分為兩種情況，一種為標(biāo)準(zhǔn)的問(wèn)句，詢(xún)問(wèn)相關(guān)事務(wù)的具體操作流程；另一種為陳述句，句中包含了用戶(hù)要搜索的相關(guān)信息。如圖1 所示，當(dāng)用戶(hù)輸入文本數(shù)據(jù)后，同時(shí)進(jìn)行兩種情況的執(zhí)行過(guò)程，最終將兩種情況執(zhí)行的結(jié)果都進(jìn)行答案置信度判斷，取置信度高的作為最終答案呈現(xiàn)。首先進(jìn)行分詞，去除停用詞和詞性標(biāo)注以及提取關(guān)鍵詞等操作，并以詞向量表示。其中提取關(guān)鍵詞將傳統(tǒng)TextRank 技術(shù)和word2vec 技術(shù)相結(jié)合，有效提高了用戶(hù)輸入語(yǔ)義的識(shí)別率。傳統(tǒng)TextRank 技術(shù)的原理為構(gòu)建候選關(guān)鍵詞圖G =(V,E)，其中V 為節(jié)點(diǎn)集，由句子分詞生成的候選關(guān)鍵詞組成，然后采用共現(xiàn)關(guān)系（co-occurrence）構(gòu)造任兩點(diǎn)之間的邊，兩個(gè)節(jié)點(diǎn)之間存在邊僅當(dāng)它們對(duì)應(yīng)的詞匯在長(zhǎng)度為K 的窗口中共現(xiàn)，K 表示窗口大小，即最多共現(xiàn)K 個(gè)單詞，再根據(jù)TextRank的公式，迭代傳播各節(jié)點(diǎn)的權(quán)重，直至收斂，取權(quán)重最大的T 個(gè)詞作為關(guān)鍵詞。其中每個(gè)詞匯節(jié)點(diǎn)的初始權(quán)重均為1，結(jié)合Word2vec 技術(shù)，引入詞匯相似度進(jìn)行迭代計(jì)算，重新定義每個(gè)詞匯節(jié)點(diǎn)的初始權(quán)重[9]，研究表明可有效提高關(guān)鍵詞提取的準(zhǔn)確率。

在數(shù)據(jù)訓(xùn)練層已經(jīng)將所有的數(shù)據(jù)格式化為問(wèn)題對(duì)應(yīng)若干個(gè)答案的形式，那么第一種情況將用戶(hù)輸入在所有的問(wèn)題文本當(dāng)中對(duì)其進(jìn)行檢索匹配，第二種情況則將用戶(hù)輸入在所有的答案文本中進(jìn)行匹配。將用戶(hù)的輸入數(shù)據(jù)與匹配到的結(jié)果文本進(jìn)行語(yǔ)義相似度比較，將關(guān)鍵詞的詞向量組合成為文本向量，此時(shí)文本的相似度比較已經(jīng)轉(zhuǎn)化為向量之間的運(yùn)算，根據(jù)余弦相似度公式：

分子為向量A與向量B的點(diǎn)乘，分母為二者各自的L2 相乘，即將所有維度值的平方相加后開(kāi)方。余弦相似度的取值為[-1,1]，值越大表示越相似。將兩種情況計(jì)算得出的最相似的N 個(gè)結(jié)果分別與用戶(hù)的輸入數(shù)據(jù)結(jié)合作為本層的輸出數(shù)據(jù)，輸出到答案呈現(xiàn)層結(jié)合大數(shù)據(jù)技術(shù)進(jìn)行進(jìn)一步答案篩選。

2.3 答案呈現(xiàn)層

通過(guò)用戶(hù)輸入層的處理，已經(jīng)得到了若干個(gè)候選答案，本層的主要目的為對(duì)若干個(gè)候選答案進(jìn)行最優(yōu)判斷。一方面，利用數(shù)據(jù)訓(xùn)練層得出的機(jī)器學(xué)習(xí)模型，對(duì)當(dāng)前的候選答案進(jìn)行置信度驗(yàn)證，將用戶(hù)輸入的問(wèn)題及候選答案分別進(jìn)行句法類(lèi)型判斷，將問(wèn)題的句法類(lèi)型與每一個(gè)候選答案的句法類(lèi)型的組合輸入到已經(jīng)得到的模型當(dāng)中進(jìn)行置信度判斷，得到的概率值越大，證明該組合為正確答案的可能性越高。另一方面，利用上下文感知技術(shù)根據(jù)用戶(hù)輸入時(shí)所處的上下文進(jìn)行最優(yōu)判斷，并依據(jù)用戶(hù)畫(huà)像對(duì)用戶(hù)的特征、偏好進(jìn)行綜合分析得出最優(yōu)解。上下文感知技術(shù)指的是結(jié)合用戶(hù)的位置、當(dāng)前時(shí)間、環(huán)境參數(shù)、相近的設(shè)備及人員、用戶(hù)歷史活動(dòng)等，對(duì)可能發(fā)生的事情進(jìn)行判斷，可應(yīng)用在與用戶(hù)多次有效交互時(shí)，結(jié)合用戶(hù)在前面若干次交互的內(nèi)容進(jìn)行下一步的答案呈現(xiàn)，再結(jié)合用戶(hù)畫(huà)像進(jìn)行綜合分析，如根據(jù)學(xué)生的學(xué)習(xí)完成進(jìn)度標(biāo)簽判斷，如果學(xué)生學(xué)習(xí)進(jìn)度較低時(shí)，可以相應(yīng)地給出基礎(chǔ)性概念性的內(nèi)容，幫助學(xué)生有效理解知識(shí)點(diǎn)。在答案呈現(xiàn)層，還有一個(gè)比較重要的環(huán)節(jié)，即用戶(hù)反饋。

用戶(hù)在看到了呈現(xiàn)的答案時(shí)，可對(duì)當(dāng)前答案進(jìn)行反饋，一般可考慮設(shè)置兩個(gè)選項(xiàng)：滿意和不滿意，當(dāng)用戶(hù)進(jìn)行反饋時(shí)，可以將反饋的內(nèi)容和用戶(hù)問(wèn)題輸入及答案的文本內(nèi)容作為有監(jiān)督機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)，所以當(dāng)用戶(hù)的使用量和反饋量越來(lái)越多時(shí)，機(jī)器學(xué)習(xí)得到的結(jié)果更加精確。最大熵模型作為一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，需要的訓(xùn)練數(shù)據(jù)為有答案標(biāo)注的數(shù)據(jù)，而傳統(tǒng)的學(xué)習(xí)平臺(tái)有效數(shù)據(jù)量偏少，即初始數(shù)據(jù)當(dāng)中，有標(biāo)注的數(shù)據(jù)少，訓(xùn)練的效果一般，而通過(guò)后期用戶(hù)反饋，有標(biāo)注的數(shù)據(jù)量增加后，機(jī)器學(xué)習(xí)的優(yōu)勢(shì)才能真正體現(xiàn)出來(lái)。

3 智能交互助教學(xué)伴體系的構(gòu)建過(guò)程

智能交互助教學(xué)伴體系的架構(gòu)如圖2 所示。

圖2 助教學(xué)伴體系構(gòu)建圖

助教學(xué)伴體系的教學(xué)進(jìn)程維度由課前、課中、課后三部分組成，參與教學(xué)的角色組成分別為教師、學(xué)生和助教學(xué)伴核心引擎，引擎扮演的是輔助教師及學(xué)生對(duì)他們提供數(shù)據(jù)及智能化交互服務(wù)的角色。

在課前階段，教師可以根據(jù)學(xué)生的基礎(chǔ)數(shù)據(jù)制定課前學(xué)習(xí)資料，不同基礎(chǔ)的學(xué)生制定的課前學(xué)習(xí)目標(biāo)不一樣，充分考慮到個(gè)性化因素。在此階段，引擎作為智能助教角色主要是以大數(shù)據(jù)分析和用戶(hù)畫(huà)像來(lái)幫助教師進(jìn)行學(xué)生的個(gè)性化課前資料及學(xué)習(xí)目標(biāo)定制。學(xué)生在課前學(xué)習(xí)時(shí)，大多數(shù)會(huì)遇到難以理解的知識(shí)點(diǎn)，傳統(tǒng)的方法是以社交軟件或在課程學(xué)習(xí)平臺(tái)的討論區(qū)，學(xué)生提問(wèn)教師逐一解答，這樣會(huì)耗費(fèi)教師大量的精力在回答重復(fù)性的提問(wèn)上，效率很低。智能交互助教學(xué)伴引擎先通過(guò)自然語(yǔ)言識(shí)別相關(guān)技術(shù)，識(shí)別出學(xué)生的提問(wèn)信息，再結(jié)合大數(shù)據(jù)資源平臺(tái)中的海量數(shù)據(jù)加以處理分析，得出最優(yōu)答案推送給學(xué)生，同時(shí)記錄下此次問(wèn)答過(guò)程，教師有權(quán)限查看學(xué)生的提問(wèn)及交互引擎為學(xué)生解答的內(nèi)容，如發(fā)現(xiàn)有錯(cuò)誤，可以將錯(cuò)誤糾正自動(dòng)推送到學(xué)生端；另一方面進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)，作為錯(cuò)誤的典型案例進(jìn)行訓(xùn)練，此類(lèi)型的訓(xùn)練數(shù)量越多，往后發(fā)生此類(lèi)錯(cuò)誤的概率將會(huì)越小。課前學(xué)習(xí)評(píng)測(cè)是對(duì)學(xué)生課前學(xué)習(xí)的情況進(jìn)行初步的掌握，通過(guò)收集課前評(píng)測(cè)數(shù)據(jù)，結(jié)合學(xué)生的學(xué)習(xí)歷史情況及用戶(hù)畫(huà)像，綜合計(jì)算預(yù)測(cè)學(xué)生將來(lái)可能遇到的問(wèn)題，初步形成個(gè)性化學(xué)習(xí)路徑及方案，如告知學(xué)生在哪些知識(shí)點(diǎn)上需要多花時(shí)間學(xué)習(xí)，并推送相關(guān)的學(xué)習(xí)資料到學(xué)生端。與此同時(shí)，將學(xué)生的課前掌握情況進(jìn)行分層，如分為熟練應(yīng)用、基本掌握和尚未完全掌握等幾個(gè)層次，便于教師在課堂上進(jìn)行分組及課堂教學(xué)策略的選擇，精講共同難點(diǎn)，略講大多數(shù)學(xué)生都掌握了的知識(shí)點(diǎn)。

課堂上，教師可以根據(jù)課前的內(nèi)容進(jìn)行區(qū)分，運(yùn)用教學(xué)技能串講多數(shù)學(xué)生都已經(jīng)掌握了的知識(shí)點(diǎn)，精講重點(diǎn)及多數(shù)學(xué)生都遇到的問(wèn)題。教師在課堂開(kāi)始階段可向?qū)W生推送備課時(shí)準(zhǔn)備好的教學(xué)資源，隨著教學(xué)進(jìn)程的動(dòng)態(tài)變化，教師可以動(dòng)態(tài)調(diào)整切換教學(xué)目標(biāo)和方向，利用引擎實(shí)時(shí)地從云端獲取教學(xué)資源和教學(xué)路徑方案，讓教學(xué)進(jìn)程從傳統(tǒng)的照本宣科轉(zhuǎn)變?yōu)閯?dòng)態(tài)的，完全貼合學(xué)生需求，符合教學(xué)體系中以學(xué)生為主體、教師為主導(dǎo)、核心引擎為輔助的模式。課堂上教師能夠隨時(shí)發(fā)起實(shí)時(shí)訓(xùn)練，掌握學(xué)生的實(shí)時(shí)學(xué)習(xí)情況，學(xué)生在實(shí)時(shí)訓(xùn)練中，遇到困難通過(guò)助教學(xué)伴交互引擎進(jìn)行智能交互咨詢(xún)，引擎通過(guò)學(xué)生的提問(wèn)會(huì)給出很多導(dǎo)向性的內(nèi)容，以人機(jī)對(duì)話的形式逐步地為學(xué)生答疑解惑，讓學(xué)生對(duì)知識(shí)的印象更加深刻。在分組教學(xué)中，教師根據(jù)學(xué)生課前學(xué)習(xí)情況和評(píng)測(cè)結(jié)果的分層情況進(jìn)行分組（基礎(chǔ)組、應(yīng)用組、拔尖組或更多組別），每個(gè)組設(shè)定一個(gè)課堂目標(biāo)或情境化的課堂任務(wù)，組織學(xué)生進(jìn)行小組學(xué)習(xí)，每個(gè)小組朝著不同的學(xué)習(xí)目標(biāo)努力，如基礎(chǔ)組的目標(biāo)是在本次課堂中充分理解掌握知識(shí)脈絡(luò)和結(jié)構(gòu)，應(yīng)用組的目標(biāo)是能夠在不同的應(yīng)用場(chǎng)景下熟練應(yīng)用所學(xué)的知識(shí)，拔尖組的目標(biāo)是對(duì)課堂知識(shí)進(jìn)行發(fā)散思維，展開(kāi)討論，或研究相關(guān)前沿性的話題等等。助教學(xué)伴引擎為教師分組提供數(shù)據(jù)支撐，同時(shí)在分組目標(biāo)決策、各個(gè)分組的學(xué)習(xí)資源推送等多個(gè)場(chǎng)景為教師提供智能化的交互數(shù)據(jù)服務(wù)。在對(duì)師生提供輔助教學(xué)服務(wù)的同時(shí)，引擎作為智能學(xué)伴角色，對(duì)學(xué)生的學(xué)習(xí)行為、學(xué)習(xí)路徑和階段性的學(xué)習(xí)效果進(jìn)行了實(shí)時(shí)的跟蹤并在必要時(shí)提醒學(xué)生，如檢測(cè)到學(xué)生的課堂討論參與度不高，同時(shí)對(duì)于教師推送的資源查閱瀏覽的進(jìn)度較低時(shí)，認(rèn)為學(xué)生有可能上課時(shí)注意力不集中，通過(guò)終端主動(dòng)提醒學(xué)生。從課堂教學(xué)資源的角度出發(fā)，可借助引擎的自然語(yǔ)言識(shí)別技術(shù)，分析相應(yīng)教學(xué)資源的標(biāo)題，摘要，關(guān)鍵詞，主題及標(biāo)簽語(yǔ)義，結(jié)合上下文感知技術(shù)，建立資源的上下文關(guān)系映射，從而在以后類(lèi)似的上下文時(shí)機(jī)為其他學(xué)生提供智能的教學(xué)指導(dǎo)服務(wù)。

在智能助教學(xué)伴體系中，教師可以根據(jù)課堂數(shù)據(jù)統(tǒng)計(jì)，掌握學(xué)生的學(xué)習(xí)情況，對(duì)學(xué)習(xí)完成度不高的學(xué)生進(jìn)行有針對(duì)性的微課輔導(dǎo)，微課資源支持直接從云平臺(tái)中獲取，也可以由教師自行錄制微課視頻推送給學(xué)生，或采用直播的形式集中課后輔導(dǎo)。在課后作業(yè)方面，作業(yè)推送給學(xué)生的方式，教師有權(quán)限選擇自動(dòng)、半自動(dòng)抑或是手動(dòng)分配作業(yè)及批改作業(yè)，如選擇自動(dòng)，則全部的作業(yè)生成和批改都由引擎來(lái)完成，引擎將會(huì)充分結(jié)合學(xué)生的課堂學(xué)習(xí)情況，智能地生成課后鞏固練習(xí)作業(yè)，教師可以待所有作業(yè)都提交后直接查看作業(yè)完成情況，如果選擇半自動(dòng)或手動(dòng)模式，則允許教師查看編輯或新增公共的課后作業(yè)推給學(xué)生。

作業(yè)中的錯(cuò)題將會(huì)提示學(xué)生并且結(jié)合知識(shí)掌握情況形成個(gè)人錯(cuò)題檔案，學(xué)生可以根據(jù)錯(cuò)題檔案查漏補(bǔ)缺，在后續(xù)學(xué)習(xí)過(guò)程中，根據(jù)錯(cuò)題檔案生成相關(guān)的習(xí)題資源讓學(xué)生再次鞏固。助教學(xué)伴體系在每一個(gè)學(xué)習(xí)階段都會(huì)基于當(dāng)前學(xué)習(xí)情況，生成動(dòng)態(tài)學(xué)習(xí)報(bào)表，報(bào)表的內(nèi)容由教師制定，選擇以課程的章節(jié)完成情況，知識(shí)點(diǎn)掌握情況、應(yīng)用情況、評(píng)測(cè)情況等多個(gè)維度進(jìn)行生成，學(xué)生對(duì)于自己哪些地方需要提高一目了然。如學(xué)生認(rèn)為自己的學(xué)情與報(bào)表有出入，可以申請(qǐng)修正報(bào)表，修正的方式為進(jìn)行相應(yīng)章節(jié)或知識(shí)點(diǎn)的單元測(cè)驗(yàn)，通過(guò)測(cè)驗(yàn)即可修正報(bào)表。

完成課時(shí)學(xué)習(xí)后，通過(guò)對(duì)學(xué)生課前課中課后的學(xué)習(xí)行為、學(xué)習(xí)情況進(jìn)行分析打分，如課前知識(shí)學(xué)習(xí)的時(shí)長(zhǎng)，提問(wèn)討論的頻率和次數(shù)，課堂發(fā)言交流等互動(dòng)情況，課后作業(yè)完成的時(shí)長(zhǎng)及正確率，訂正效率等等，如果打分低于閾值，則認(rèn)為學(xué)生有懈怠消極學(xué)習(xí)的可能性，引擎以智能交互的形式主動(dòng)與學(xué)生進(jìn)行溝通疏導(dǎo)，教師可以對(duì)此類(lèi)學(xué)生進(jìn)行關(guān)注疏導(dǎo)或?qū)W業(yè)幫扶，防止因?qū)W習(xí)動(dòng)力不夠產(chǎn)生惡性循環(huán)，提高整體教學(xué)質(zhì)量和效率。

4 結(jié)束語(yǔ)

本文提出的基于人工智能交互的助教學(xué)伴體系，該體系運(yùn)用了大數(shù)據(jù)和人工智能自然語(yǔ)言識(shí)別等多種技術(shù)，為教師和學(xué)生提供教學(xué)輔助及交互式的數(shù)據(jù)服務(wù)。從自然語(yǔ)言處理及機(jī)器學(xué)習(xí)技術(shù)具體實(shí)現(xiàn)以及教學(xué)體系構(gòu)建等多個(gè)角度，研究了體系當(dāng)中的各個(gè)模塊的實(shí)現(xiàn)原理以及處理的方法，并圍繞相關(guān)技術(shù)，闡述了在實(shí)施過(guò)程當(dāng)中的各個(gè)細(xì)節(jié)。智能交互助教學(xué)伴體系為教師備課、學(xué)生學(xué)情監(jiān)督、課后輔導(dǎo)等環(huán)節(jié)提供了輔助，為學(xué)生提供個(gè)性化資源推送、交互式答疑解惑以及個(gè)人錯(cuò)題檔案等多種服務(wù)，滲入到教學(xué)的全過(guò)程多環(huán)節(jié)，為提升教育質(zhì)量添磚加瓦。