人工智能在高等教育中的应用与探索

人工智能在高等教育中的应用与探索

赵泉全 秦思佳李昊

山东协和学院 学生

摘　 要:针对当前高等教育体系内存在的教育缺乏因材施教、优质网课教学缺少营销手段、课堂笔记记录降低听课效率、课堂教学质量评估体系不完善、教师因行政不堪重负等问题，本文提出了人工智能的解决方案。这些方案包括基于专家系统的方案及基于机器学习中的语音识别和图像识别的方案，并阐述了各方案的原理及其在具体教育场景下的系统建设步骤与工作流程，并对方案中的关键节点进行了技术分析与可行性验证，以保证整体方案可实施性。人工智能方案可以解决以上不足，赋能高等教育。

大数据、云计算的出现引领人工智能进入了一个突飞猛进的发展阶段，人工智能正在无线通信、气象监测、教育、医疗、金融和社会决策等领域加速渗透。在高等教育领域，学校里存在大量的日常重复性教学与管理任务，人工智能可以帮助自动化处理这些任务。当前，对人工智能在重塑高等教育生态、促进师生互动和个性化学习体验、简化管理流程、推动高等教育智能化发展等方面的作用和前景的研究比较丰富，但是大多在理论层面进行探讨，缺少在具体教育教学场景中解决实际问题的人工智能系统建设方案。远程教育已成为高等教育的热点研究方向，然而在此方面的人工智能应用文献乏善可陈。20 世纪 70 年代中期，人工智能进入“知识期”，人们将大量逻辑与知识通过编程写入计算机中，这种实现人工智能的方式被称为专家系统。随着应用场景越来越复杂，人们发现专家系统面临“知识工程瓶颈”，随即产生了基于历史数据推断结果的机器学习，即计算机从数据中自动分析获得规律，并利用规律进行推断和决策，这是当前人工智能的主要研究方向。本文将从专家系统和机器学习这 2个方向对人工智能在高等教育中的场景应用进行技术分析。

1 专家系统在高等教育中的场景应用

1. 1 基于用户画像的预测、规划、监控三合一的专家系统

用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。标签是通过对用户信息分析而来的高度精炼的特征标识，并且可以方便计算机处理。用户画像目前最典型的应用场景是精准营销，即根据用户的历史消费数据将用户标签化，分析此标签用户群的主要需求、潜在需求等，进而精准推荐产品和服务。受此启发，本文将学生用户画像应用在高等教育中实现精准教学。用户画像的形成可以通过专家系统的内置算法或机器学习的分类算法来实现。机器学习内部逻辑是通过训练数据形成的，属于黑盒系统，输入和输出之间的逻辑关系可解释性相对较差。而专家系统中内置了解释器，用于解释推理过程。在本文场景中，由于数据采集渠道的局限性，可能对最终用户画像产生影响，进而影响最终预测判断。在此局限性下，一旦预测有偏差，学生需要看到基于用户画像的推理路径，所以专家系统是更好的选择。专家系统按照应用方向的分类有很多种，在本文的教育场景应用中主要采用以下 3 种:1)预测专家系统:通过对过去和现在的已知状况分析预测未来的结果，本文基于此设计了就业辅导网站;2)规划专家系统:寻找出某个能够达到给定目标的动作序列或寻找步骤，本文基于此设计了选课网站;3)监控专家系统:对系统、对象或过程进行不断观察，并把观察到的行为与其应当有的行为进行比较，以发现异常情况并作出警报。

1. 2 网课营销专家系统

随着信息化发展，远程教育的受欢迎程度越来越高。特别是 2020 年突发新冠疫情，更促进了一场全球范围内的信息技术支撑的教学方式革命，各高校网课逐渐成为一种主要的授课方式。知识付费是当前互联网领域的热门话题，其本质就是把知识变成产品或服务以实现商业价值。网课是一种典型的知识产品，可以通过视频网站付费播放的方式实现盈利。但是网课的受众面相比影视剧狭窄，宣传体系不成熟。用户在网课视频网站上付费前只能通过宣传页看到每一门网课的授课学校、授课教师、教学目录等静态信息。而真正重要的信息如教师的表现力、授课节奏等动态信息很难获得。一线城市的名校网课认可度较高，强者恒强。但是大量其他学校的优秀网课作品由于缺乏有效的获客手段而被湮没。如何在大量同质化网课产品中使优秀的网课脱颖而出，快速获得用户认可并付费购买是亟需解决的问题。

2 机器学习在高等教育中的场景应用

目前机器学习主要应用在语音识别、语音合成、图像识别、自然语言处理等基础场景及其衍生场景。本文在语音识别、图像识别方面结合教育场景做了探索。

2. 1 基于语音识别的智能课堂笔记系统

语音识别目前已应用在生活的各个方面,如手机端的声纹解锁技术、阿里的的天猫精灵智能音箱等。 近年,语音识别理论研究取得了很多进展。 计算机将一段语音声波按帧切开,识别每一帧对应的音素,将音素合成单词,再将单词组合成句子,就是一个完整的语音识别过程。 识别每帧对应的音素需要通过声学特征提取和声学模型这 2 个步骤。

3 结论

 1)针对高等教育内学生职业发展预测、学生课程规划、学生状态监控这 3 个场景,本文提出了基于用户画像的专家系统解决方案,预期可以为学生提供更精准、更及时的教育支持。2)针对网课营销场景,本文提出了基于视频埋点和弹幕的专家系统解决方案,预期可以降低营销的人工成本并解决人工参与的主观性痛点。3)针对课堂笔记记录、教学质量动态评估 2 个场景,本文提出了基于语音识别与图像识别的解决方案,预期可为学生、教师节约大量时间成本,减少高校行政事务支出。目前受制于给定场景下数据采集的局限性,专家系统综合数据库的数据收集或者机器学习的训练过程不够完善,进而造成人工智能在一定程度上失准。 但随着数字化基础设施的持续建设,预期数据采集的渠道会更丰富,多维的数据将能更清晰地反映主体特征,人工智能将能提供更高质量的服务。随着教育大数据的积累,智能化新教育模式下高阶需求的不断产生,这些数据与需求结合将会衍生更多的场景,人工智能将在此获得更多的表现机会。

参考文献

[1] 周志华. 机器学习[M]. 北京:清华大学出版社,2016. ZHOU Zhihua. Machine learning[ M]. Beijing: Tsinghua University Press, 2016: 10-16.