近年来,人工智能(AI)的迅速发展和广泛应用已引起了我国政府的高度重视,也受到了教育界的极大关注。从教育的本质特征和人工智能的研究领域来分析人工智能与教育的关系,可以发现:教育是提高人的自然智能的过程和系统;人工智能是在机器上实现的教育。并且大量国内外权威期刊的文献分析也表明,人工智能技术在教育领域的应用与传统教学方法相比,具有比较显著的正面影响。人工智能必将对人类的教育与学习方式产生重大影响。

数据挖掘是人工智能技术的一个重要研究领域,可以用于教学系统的学习者分析,对实施个性化教学提供借鉴参考。本文采用数据挖掘软件SPSS和WEKA对一门慕课(MOOC)的学员学习行为数据进行了详细分析,发现最终取得的学生成绩与在线时长、平时小测成绩、浏览网页、视频、课件的次数及发帖次数有显著的正相关;网页浏览次数和平时小测成绩对最终成绩的预测力度最高。基于以上数据挖掘的结果,本文对慕课教学设计提出了建议,比如根据学生个性特点设置个性化的考评措施、重视平时小测设计、优化视频和讲义的设计等。

作为中小学教育核心课程之一的数学,其重要性在国内外都不言而喻。然而,如何在学校班级教学环境下激发学生的数学学习兴趣、进行个性化辅导,长期以来是摆在数学教育者面前的难题。本文介绍了在教学理论指导下设计的网上数学教学系统——"乐学一百"。该系统具有即时反馈、几何作图智能判断、游戏化激励等多项功能。本文详细研究了该系统在一所中学一个学期的混合式教学课程实验情况,在准实验中收集的学生成绩、学生调查、学生和家长反馈、教师访谈等多维度的数据表明,该系统可以有效提高学生的数学学习兴趣,改善其学习表现,减轻数学教师负担。研究表明:该系统交互性的重要表现——即时反馈和正面激励是其产生积极影响的重要原因。同时,该系统的智能化程度需要进一步提高,以满足众多学生的个性化学习需求。

本研究提出了一个描绘学生学习活动的指数LAI(Learning Activity Index)及其在线形式——在线学习活动指数OLAI(Online Learning Activity Index)。学生完成某次学习活动的好坏,可以从速度(speed)、质量(quality)和数量(quantity)三个维度进行综合评判。本研究将这三个方面进行数字化处理,得到三个独立的无量纲指标,而学习活动指数LAI就等于这三个维度指标之和。在某个学习段内,每个学生的LAI均值反映了该生参与课程活动的平均表现,而LAI之和则反映了参与课程活动的总体表现。同理,某个学生群体(如班级和学校等)的学习活动指数LAI也可以平均和求和,分别反映全体学生的平均表现和总体表现。在线学习活动指数OLAI则可以刻画在线学习活动的好坏。基于这样的定义,本研究对一个在线数学学习平台"乐学一百"上部分学生的学习活动数据进行了深度挖掘,计算出了每个学生的OLAI三个维度以及OLAI的数值,发现在教师带领下进行混合式学习的6个班级学生的OLAI及其三个维度的数值的离散程度显著低于其他自由学习的学生,完成活动的平均速度也较快。将这些数值与学生在常规考试中的成绩进行相关和回归分析后,本研究发现学生成绩与在线学习活动指数OLAI有较强的正相关关系,或者说在线学习活动指数OLAI可以较好地预测学生的学业成绩。因此,本研究建议学习活动平台或者课程管理平台设计开发者可以将在线学习活动指数OLAI嵌入平台设计,学校、教师和家长也可以将其作为个性化教学的一个基础指标来看待。该指标对于学习分析研究具有重要的理论和实践指导意义。

<正>人工智能时代的到来,海量教育数据的挖掘技术日益成熟,将广泛应用于教育和教学管理的各个领域。我们身处大数据时代,教育领域同样充满了海量数据。安全监控系统、教室录播系统、学生智能卡片、电子白板、交互式一体机等信息技术设备的运用,让教师和学生的课堂板书和交互行为,都以数据的形式被记录和保存。智能手机在高等教育阶段已经普及,部分中学也允许学生将手机带入课堂,通过

如何将日益普及的智能手机应用到外语课堂教学上有效促进教学?这是广大高校师生普遍关心的一个问题。作为解决这个问题的一种探索,我们设计了一个基于互联网的大学英语词汇训练系统,学生可以通过智能手机和教室内的无线网络访问这个系统,并参与其中的课堂活动。我们在一所大学一年级的英语教学中运用这套系统进行了一个学期的准实验研究:实验班(98人)的每次课程结束前的10-20分钟,教师请学生自愿使用这套系统进行词汇练习;而对照班(98人)不使用这套系统;除此之外,两个班的任课教师、教学内容和方法步骤等完全一致。在实验进行之前,实验班在英语考试中的平均成绩显著低于对照班;一个学期之后,实验班与对照班的英语考试成绩无显著性差异,在词汇测试中的成绩差异也有了显著减少。另外,自愿参与这项实验的学生也有了增多。这项实证研究的数据表明,在大学课堂上合理使用智能手机等移动设备,可以促进学生的积极参与,并改善其学业表现。

文本情感计算是近年来人工智能、教育技术与学习科学等领域出现的一个研究热点。文章在界定相关概念、分析相关研究的基础上,设计并实现了一个基于汉语文本的情感计算系统"小菲"。该系统依照Ekman心理模型将情感分为6种类别:气愤、厌恶、恐惧、愉悦、悲伤和惊讶;每种情感的强度取值范围为[-18,18];构建了拥有32879条情感词语的情感词典《小菲词典》,每条词语标注了6种情感极性和相应的情感强度;然后建构了词语和短语、句子三个级别的情感计算模型,可以判别情感极性和计算情感强度。作为尝试,该系统处理了一次慕课中产生的377条调查问卷反馈数据,计算F值(查准率和召回率的加权几何平均值)为88.7%。该结果初步证明:该系统可以用于慕课等在线学习产生的大规模交互文本的自动情感识别,具有较好的应用情景。