晁永光

摘要：人工智能課程當前已經(jīng)成為現(xiàn)代教育的重要組成部分，作為一種新的教學內(nèi)容，應(yīng)該建立起有效的評價體系，以保證良性發(fā)展。研究過程基于層次分析法構(gòu)建了完整的教學評價方法，相應(yīng)的評價指標分為三個級別，包括課程建設(shè)管理、基礎(chǔ)設(shè)施建設(shè)、教學資源建設(shè)、人才隊伍建設(shè)等，可通過構(gòu)造判斷矩陣、計算矩陣的特征向量，以量化方式求解出各指標的權(quán)重。為了提高權(quán)重分配的合理性，引入戰(zhàn)爭策略優(yōu)化算法，進一步強化了判斷矩陣的一致性。總體而言，該次所建立的評價體系具有較強的實用性。

關(guān)鍵詞：層次分析法；人工智能教育評價體系；構(gòu)建策略

中圖分類號：G434；TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）31-0031-03

開放科學（資源服務(wù)）標識碼（OSID） ：

人工智能是時代發(fā)展的必然方向，因而成為各個教育階段的重要內(nèi)容，中小學也逐步引入相關(guān)課程。為了保證人工智能課程的教學質(zhì)量，應(yīng)建立量化的評價方法，為實施教學活動提供依據(jù)。層次分析法可根據(jù)評價目標建立指標體系、分配指標權(quán)重，進而實現(xiàn)量化評價，因此基于層次分析法構(gòu)建相應(yīng)的評價體系。

1 人工智能教育概述

人工智能課程已經(jīng)進入國內(nèi)各個階段的教育體系，依托計算機技術(shù)和信息技術(shù)，融合數(shù)學、物理學等各個學科，以培養(yǎng)學生的創(chuàng)新能力和實踐應(yīng)用能力，此類課程的特點是綜合性、實踐性、發(fā)展性。根據(jù)《教育信息化2.0行動計劃（2017—2020年）》，在中小學探索開設(shè)人工智能新技術(shù)應(yīng)用課程已進入快速發(fā)展階段。本次針對中小學的人工智能課程，建立相應(yīng)的教育評價體系。

2 基于層次分析法的人工智能教育評價體系構(gòu)建策略

2.1 層次分析的實現(xiàn)原理

層次分析法（Analytic Hierarchy Process，AHP）用于復(fù)雜問題的決策分析，通常由目標層、準則層、指標層構(gòu)成，其實現(xiàn)原理如下。

2.1.1 層次分析法的實施流程

1） 建立層次結(jié)構(gòu)；

2） 采用1～9標度法兩兩比較同一層次的元素，形成判斷矩陣；

3） 利用判斷矩陣計算出每個元素在層次體系中的權(quán)重；

4） 開展一致性檢驗，評價矩陣中元素的重要性排序是否合理，如果未通過一致性檢驗，則重新進行第2） 步[1]。

2.1.2 1～9標度法

假設(shè)ai和aj是層次結(jié)構(gòu)中同一層次的兩個元素，在構(gòu)建判斷矩陣時，需要兩兩對比相鄰元素的重要性，以確定其重要性標度，這一過程可采用1～9標度法，如表1所示。

2.1.3 判斷矩陣的一致性檢驗方法

將判斷矩陣記為An×n，n表示矩陣的階數(shù)，求出判斷矩陣An×n的最大特征根，記為λmax，進而計算出一致性指數(shù)（Consistency indicators，CI） ，CI的計算方法如下。

[CI=λmax-nn-1]? ?（1）

在求得CI之后，再計算一致性比率（Consistency Ratio，CR），其計算方法為CR=CI/RI。RI為隨機一致性指標，RI按照表2進行取值。當CR≤0.1時，認為判斷矩陣通過了一致性檢驗。

2.2 層次結(jié)構(gòu)的構(gòu)建過程

2.2.1 一級指標的構(gòu)建方法和結(jié)果

在層次分析法中，由專家根據(jù)待分析事物的特點，提出具有代表性的指標。一線的教學工作者是中小學人工智能教育的主要實施人員，因此在建立一級指標時，從15所高水平的中小學中遴選20名優(yōu)秀的人工智能課程教師，最低學歷為碩士，以訪談的方式獲取教師對人工智能教學體系的評價， 最終確定了4個一級評價指標，包括課程建設(shè)管理、人才隊伍建設(shè)、教學資源建設(shè)以及基礎(chǔ)設(shè)施建設(shè)。

2.2.2 二級指標的構(gòu)建方法和結(jié)果

二級指標是對一級指標的分解和細化，每個一級指標都可細分為若干個二級指標，根據(jù)一級指標的內(nèi)容，由教師組提出對應(yīng)二級指標的內(nèi)容，這一過程中要滿足教育相關(guān)的政策文件。二級指標體系如表3所示。

2.2.3 三級指標的構(gòu)建方法和結(jié)果

在建立三級評價指標時，擴大了評價人員的范圍，由125名中學教師和102名小學教師參與指標的提出和篩選，最終建立了43個三級評價指標，編號從C1～C43。由于三級指標的數(shù)量較多，以下僅展示部分指標的內(nèi)容。

2.3 確定指標權(quán)重

2.3.1 權(quán)重計算的基本原理

在確定特征矩陣之后，求出最大特征值及對應(yīng)的特征向量，對特征向量進行歸一化處理，即可得到權(quán)重值。歸一化處理是將特征向量中的每一個元素限制在區(qū)間[0，1]之內(nèi)，常用的歸一化方法為Max-Min法。

2.3.2 權(quán)重計算的結(jié)果

為了提高權(quán)重計算的效率，研究過程引入Spss軟件，其中集成有相應(yīng)的計算模型，能夠大幅降低工作量。在權(quán)重計算中，需要根據(jù)各層指標分別建立判斷矩陣[2]。以第一級評價指標為例，將A1～A4對應(yīng)的特征矩陣記為AⅠ，AⅠ則的表達式如下。

[AI=1141213412221211331231]? ?（2）

根據(jù)式（2）可計算出對應(yīng)的特征向量，再進行歸一化處理后，可得到特征向量為wo={0.0941，0.4276，0.1627，0.3156}。由此可知，指標A1對應(yīng)的權(quán)重為0.0941，指標A2對應(yīng)的權(quán)重為0.4276，指標A3對應(yīng)的權(quán)重為0.1627，指標A4對應(yīng)的權(quán)重為0.3156。按照以上方法，可求出其他指標的權(quán)重值。B1～B4的權(quán)重分別為0.0759、0.4552、0.2753、0.1937；B5～B8為一級指標A2對應(yīng)的二級指標，權(quán)重計算結(jié)果為0.0821、0.4813、0.1726、0.2639；B9和B10是指標A3對應(yīng)的二級指標，權(quán)重計算結(jié)果為0.333、0.667；指標B11～B15是一級指標A4對應(yīng)的二級指標，相應(yīng)的權(quán)重計算結(jié)果分別為0.0729、0.0567、0.3710、0.1540、0.3455。按照相同的方法，可求出三級指標C1～C43的權(quán)重值。

3 評價體系優(yōu)化

利用AHP方法進行權(quán)重分配和計算時，其中存在一定的主觀性，因為在構(gòu)建判斷矩陣時，由參與評價的教師對比指標之間的重要性，進而確定相應(yīng)的標度，但這一過程缺乏客觀、量化的依據(jù)，導致判斷矩陣存在主觀性，同時也影響了權(quán)重值[3]。為了優(yōu)化算法模型，可在其中引入啟發(fā)式算法，常用的啟發(fā)式算法包括粒子群算法、遺傳算法，在研究過程中，引入當前較為新穎的戰(zhàn)爭策略優(yōu)化（War Strategy Optimization，WSO） 算法。

3.1 WSO算法簡介

WSO算法受到古代戰(zhàn)爭軍隊戰(zhàn)略行動的啟發(fā)，戰(zhàn)爭策略隨著戰(zhàn)爭的進行，會發(fā)生動態(tài)變化，要求每個士兵動態(tài)地朝著最優(yōu)值移動，因而該算法可用于特定問題的優(yōu)化求解。其中存在三種角色，分別是國王、軍隊指揮官和士兵，士兵群體中最具攻擊力的一個會被選為國王，所有士兵在初期具有相同的等級和權(quán)重。士兵、國王以及指揮官之間的位置關(guān)系可表示如下：

[Xi（t+1）=Xi（t）+2?rand?（C-K）+rand?（Wi?K-Xi（t））]? ?（3）

式中：將士兵在t+1次的迭代位置記為Xi（t+1）；士兵在t次的迭代位置記為Xi（t）；C和K分別表示指揮官、國王的位置；rand是一個隨機數(shù)，并且有rand∈（0，1） ；國王所在位置的權(quán)重記為Wi。在戰(zhàn)爭過程中，需要實時調(diào)整士兵的等級和權(quán)重，參數(shù)Fn表示士兵在新位置上的攻擊力，參數(shù)Fp表示士兵在前一位置上的攻擊力，如果有Fn<Fp，則士兵應(yīng)占據(jù)前一個位置，這一過程的數(shù)學描述方法為：

[Xi（t+1）=Xi（t+1），F(xiàn)n≥FpXi（t），F(xiàn)n<Fp]? ?（4）

當士兵的位置發(fā)生更新之后，其等級也會隨之改變。如果Fn≥Fp，則士兵的等級上升一級，達到Ri+1級，如果Fn<Fp，則士兵的等級仍為Ri級[4]。當士兵等級更新后，其對應(yīng)的權(quán)重也要同步更新，方法如下：

[Wi=Wi×（1-Ri/T）α]? ?（5）

式中：Wi表示士兵i的權(quán)重；Ri為第i個士兵的等級；T表示迭代次數(shù)；α為指數(shù)變化因子。

3.2 設(shè)置算法參數(shù)

在基于AHP的人工智能教育評價體系中，可利用WSO算法優(yōu)化各級指標的權(quán)重，在具體實施過程中需要設(shè)置算法中的關(guān)鍵參數(shù)[5]。將種群規(guī)模設(shè)置為50個，最大迭代次數(shù)設(shè)置為30次，算法的維度與AHP方法中判斷矩陣的階數(shù)保持一致，搜索空間的上限Ub設(shè)置為0.05，搜索空間的下限Lb設(shè)置為-0.05。

3.3 優(yōu)化效果分析

將WSO算法優(yōu)化后的AHP方法記為WSO-AHP，分別利用AHP法和WSO-AHP法計算求解A1～A4、B1～B4、B5～B8、B11～B15四組指標的權(quán)重值，將對應(yīng)的判斷矩陣分別記為AI、AⅡ、AⅢ、AⅣ，得到結(jié)果如表5所示。對比兩種方法計算的CR，WSO-AHP方法對應(yīng)的CR均小于AHP方法，說明優(yōu)化之后的判斷矩陣更加合理，因而其求得的權(quán)重值更加精確、客觀。

4 結(jié)束語

綜合全文，在人工智能教育評價中，可運用層次分析法構(gòu)建評價指標體系，包括4個一級指標、15個二級指標、43個三級指標。利用1～9標度法對同一層次的指標進行重要性標記，進而構(gòu)建判斷矩陣，計算出每一個指標的權(quán)重值。由于指標重要性排序具有一定的主觀性，故引入戰(zhàn)爭策略優(yōu)化算法改進權(quán)重計算的結(jié)果，經(jīng)測試，改進后的算法模型降低了一致性比率，說明權(quán)重分配更為合理。

參考文獻：

[1] 王偉.基于人工智能的多維度智慧教學質(zhì)量評價體系設(shè)計[J].電子技術(shù)（上海），2023，52（7）：310-312.

[2] 曹一鳴，宋宇，趙文君，等.面向教育2030的數(shù)學課堂對話人工智能評價體系構(gòu)建研究[J].數(shù)學教育學報，2022，31（1）：7-12.

[3] 何碧漪，李青海.人工智能時代職業(yè)教育人才培養(yǎng)質(zhì)量評價體系芻議[J].河北職業(yè)教育，2021，5（1）：23-26.

[4] 黃艷，周洪宇，郝曉雯，等.教育強國視角下智慧校園建設(shè)評價指標體系研究[J].現(xiàn)代教育管理，2021（4）：75-82.

[5] 賀翔.人工智能在職業(yè)教育評價體系的構(gòu)建研究[J].軟件導刊·教育技術(shù)，2019，18（2）：4-5.

【通聯(lián)編輯：謝媛媛】