人工智能与学科教学深度融合创生智能课程
［摘要］ 人工智能( AI) 与学科教学深度融合，创生了人工智能教学系统 AI 教师。最早的 AI 教师代表之一是爱达( IDA) ，随后进化出好学爱达，亦即琳达( LIDA) 。基于学习为本评估的理论与实践，结合神经科学连接组学( connectomics) 神经网络双重特性，籍由新兴技术的支持，产生形成了神经网络化的价值创造型智慧学习系统结构框架。它包括“实时课堂教学转化系统”“教学优化参照系统”和“教学比较前馈分析系统”三个子系 统。而教学优化参照系统又包括“优秀教师教学参照系统”“先进理论教学优化参照系统”“大数据优选教学参 照系统”和“经验自组织教学参照系统”四个子系统。价值创造型智慧学习系统神经网络融入人工智能，创生出新一代人工智能教学系统———伊万琳达( EVA-LIDAs) ，它既可扮演 AI 教师，也可扮演 AI 学伴。基于此，教师成为课程创新者，学生成为自主学习者，伊万琳达作为 AI 教师和 AI 学伴成为介导者，三者间多维交互生成新形态的智能课程，其实质是以神经网络化人工智能技术融合的生态化学习环境为基础，以评估促进学习的价值创造 为旨趣，以协同、精准、个性、优化为原则，以人类智能与机器智能的相互协作、相互学习、相互融合为机理，以情 境感知、大数据关联、经验自组织和智能决策为手段，最终通过持续改进师生教与学而优化所有学生的学习。
［关键词］ 人工智能; 神经网络; 智能课程; AI 教师; AI 学伴
20 世纪 50 年代以来，人工智能( Artificial Intel-ligence，简称 AI) 的发展，经历了注重逻辑算法的机器翻译到强调知识表征的专家系统等阶段。时至今日，人工智能受互联网、大数据、超级计算、传感器等技术和神经科学、认知科学等理论及学习型社会的价值追求等多重力量的驱动，进入突出神经网络的认知智能的新阶段。在新一代人工智能发展浪潮的冲击下，一场颠覆人类学习理念和方式的智能革命正悄然兴起。2017 年，国务院印发了《新一代人工智能发展规划》，明确地将“智能教育”列入人工智能国家战略的重要组成部分，提出“利用智能技术建立以学习者为中心的教育环境，提供精准推动的教育服务，推动人工智能在教学中的全流程应用”( 国务院，2017) 。在这样的背景下，如何汲取神经科学的最新研究成 果，将人工智能与学科教学深度融合，创生智能课程， 重塑师生角色，变革教学流程，重构学习生态，促进智 能化、网络化、个性化和终身化的教育体系构建，已成为教育中人工智能( Artificial Intelligence in Educa-tion，简称 AIED) 探索的热点和难点。
人工智能主要是研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及其应用系统( 中国在学智能学会，罗兰贝格，2017 ) 。在发展初期，人工智能与心理学和神经科学密不可分。过去几十 年间，人们一直致力于模拟人类的心理认知过程和 机制，不断对人工智能教学系统进行学习认知建模， 增强和拓展人工智能教学系统的“智能”。早在 20 世纪 70 ～ 80 年代，人工智能研究者就将桑代克等心理学家提出的联结主义理论融入人工智能教学系 统，开展学习认知建模，提出了人工神经网络的联结 模型。其中，分布式联结网络模型( distributed con- nectionist networks) 的应用最广泛。该模型假定: 知识的每个组成部分( 如概念、对象、属性等) 以分布式方式存储在人工神经网络单元中; 人工神经网络的认知过程是以网络中各个单元并行执行的方式建 模的; 各网络单元以数字方式运算，运算结果可以激活任何执行单元; 激活的结果传播到与该单元连接的所有其他单元; 网络通过修改执行单元间的连接参数以隐性方式获取和存储知识，这种修改参数的过程被视为学习( Flasinński，2016) 。在人工智能与学科教学融合中，分布式联结网络模型的典型应用是“人工智能教学系统 AI 教师”。最早的 AI 教师代表是“爱达”( Intelligent Distribution Agent，简称 IDA) ，随后进化出好学爱达，亦即“琳达”( Learning Intelligent Distribution Agent，简称 LIDA) 。
IDA，也称为智能分布式代理，最初是为美国海军开发的一种具有自主性的智能软件代理( autono- mous software agent) ( Franklin et al． ，1998) 。每位水手在任务结束时，根据自身喜好、岗位职责和一系列 规则分配新的任务。最初，这一分配过程由海军雇 佣的 280 多名设计人员人工完成。为使这一过程自动化，孟菲斯大学“意识”软件研究小组( “Con- scious”Software Ｒesearch Group) 基于 JAVA 平台开发了 IDA，实现了自动化任务分配，满足每位水手的需求。具有自主性的智能软件代理，是一个结构上 耦合于真实环境的系统。作为真实环境的一部分， 它能觉知周围环境的变化并以有意义的方式与之相 互作用，完成“自身”的任务和目标; 同时，它每次与环境相互作用的方式都可能影响后续“自身”对环境的觉知( Franklin ＆ Graesser，1997) 。如果它被赋予广泛意义上的认知特征而具有多重感官知觉、短时和长时记忆、注意、推理、问题解决能力、情感态度 等，那么，它就是一种“认知代理”( cognitive agent) 或“有意识的代理”( conscious agent) 。与其它软件相比，这种代理具有高度灵活性和适应性，能在意想 不到的情况下创造性地解决问题。
IDA 是基于巴尔斯( Baars) 的全局工作空间理论( global workspace theory) 进行建构的( Franklin et al． ，1998) 。全局工作空间理论是解释人类意识觉知形成机制的认知理论。“工作空间”是对人工作记忆的一种存在隐喻。该理论认为，意识系统存在一个被称为“全局工作空间”的结构，这是意识系统 中唯一能被意识到的部分。除此之外，整个意识系统还有进行无意识加工的专门处理器( specialized processors) 和语境( context) 。专门处理器是在信息上具有高度选择性而不被意识到的结构，在常规任 务中能够自动工作，不需要意识参与。语境则是约 束意识内容而自身不被意识到的结构，包括目标语 境、感知语境、概念语境和共同文化语境。该理论假 设人类的意识通过大量相对较小的、有特定目的的 过程综合形成的，且这些过程几乎是无意识的; 无意识加工模块之间的竞争胜出者可以进入全局工作空 间而被意识到，并向其他无意识加工模块发出“广 播”，以调动其他无意识加工的专门处理器进行信息交互并协同解决当前问题( Franklin et al．1998) 。
基于此，IDA 主要包括如下几个模块( Franklin， 2003) : 1) 感知模块。该模块主要利用自然语言处理外部输入的电子邮件信息。它不采用传统的符号 解析器，而由存储领域知识的语义网、识别特定文本 信息的感知代码库以及生成和检验语言理解的模板 库等构成的整合感知系统，采用基于模板的匹配方 式分析输入的信息，实现自然语言的理解。2) 管理模块。该模块的作用是确定哪些输入信息能够被注 意到，并被“带入”工作空间，形成意识。它又细分为联盟管理器( coalition manager ) 、焦 点控制器( spotlight controller) 、广播管理器( broadcast manag-er) 和注意小代码集( collection of attention codelets) 。
以给水手分配任务为例，注意小代码集获取类似“任务分配”的指令，激活专门处理器收集水手的名 字、社会安全码、工作经验、能力特长等信息形成若 干联盟，再根据任务需求，与每个联盟的相关信息进行匹配，激活焦点控制器寻找“焦点”。一旦“焦点”出现，意味着该联盟在竞争中获胜，其内容被“意识”到，广播管理器就将被“意识”到的内容储存在 联想记忆中。3 ) 工作空间模块。该模块扮演着与人类工作记忆相同的角色，包括为特定类别信息预留的寄存器和专门用于与长时联想记忆关联的寄存器。4) 情绪模块。IDA 也有情绪“体验”，如不理解信息时的沮丧、无法说服水手接受合适任务的烦恼以及没能及时获得水手指令的内疚等。与人一样，
IDA 的情绪会影响其行动决策，如会影响内容写入长时联想记忆的强度以及将内容“带入”意识的方式。5) 评估模块。在水手执行完任务后，IDA 从个人喜好、岗位职责等角度设置了关于任务分配的满意度、匹配度的评价，以此衡量水手与指定任务的适 合度，并将结果值“写入”工作空间。
尽管 IDA 始终采用“激活—传递”的联结模式，但未能体现节点激活的信息传递功能( Baars ＆Franklin，2007) 。IDA 只是“一个机械化的机器，是一种关于对最高级的、具有最高水平的大脑组织运行时的算法的假说”( Bridgeman，1996) ，还不具备真正的学习能力。针对这些问题，研究者在 IDA 的基础上，增加了三种学习机制，分别是感知式学习、情景式学习和程序化学习 ( Franklin ＆ Patterson， 2006) ，研制出“好学爱达”( Learning IDA，简称为 LIDA) ，从而使 IDA 具有学习性。
LIDA 在更广泛的层面模拟了人的认知过程，认知周期包括三个阶段: 感知阶段、解释阶段和行动阶段( Franklin ＆ Patterson，2006) 。一直以来，对未知对象的识别是解决人工智能的关键问题之一。通常，将对象描述为由属性构成的特征集，并由分类器将对象归于多个预先定义的类别中。在感知阶段，LIDA 的任务是定义当前可以识别的对象、类别和关系的列表，形成一个滑移网( slipnet) ，即一个庞大的由不断增长的小代码集合组成的，可以通过识别刺激并将其节点激活的语义网络。滑移网的各个节点是表示 原始特征的侦查器( 即感知小代码) ，它们包括个体特征( 如一个人、一个物体) 、类别特征( 如椅子、女人、动物) 或关系特征( 如桌子上的杯子) 。被充分激活的滑移网节点集合称为感知，可以被重新组织形成称为“线索”的二进制向量，用于查询内容可寻址的记忆，如自传式记忆( autobiographical memory)和短时情景记忆( transient episodic memory) 。在解释阶段，感知被信息小代码复制到长时工作记忆，并 与先前被复制的感知信息相关联。注意小代码对长 时工作记忆的内容进行分析，寻找感兴趣的感知内容，形成一系列包含注意小代码和它感兴趣的感知内容在内的小代码联盟体。其中，最高平均激活率的联盟体的相关信息被“转移”到意识中，在整个LIDA 系统中“广播”。当 LIDA 每个子系统接收到“广播”后，行动阶段即开始。在这一阶段，程序记忆( procedural memory) 和行为选择( action selection) 子系统是重点。程序记忆是一个积极的自我管理的方案集。每个方案都由语境、行为( 动作序列) 、结果和基准级的激活( 即在语境中对行为可能产生结果的预估) 四部分构成。当意识中“广播”的信息与一个或多个方案的语境匹配时，程序记忆将会把方案实例复制到行为选择子系统。该子系统通过查看最新的“广播”和更新小代码联盟体的总激活率，判定 LI-DA 应执行的行为。至此，LIDA 完成一个认知周期。
LIDA 与众不同之处还在于它的学习性。三种学习机制发生在解释阶段信息被“广播”后。感知式学习是学习识别新的对象、新的分类和新的关系。当新的对象、新的分类和新的关系与 LIDA 已有的相关内容建立关联时，节点( 对象和分类) 和链接( 关系) 就被添加进感知关联记忆( perceptual associ- ative memory) 。情景式学习是将信息编码为情景记忆内容以及与事件相关的、内容可寻址的记忆内容， 如什么事件、发生在何处、何时发生等。程序化学习 是对执行动作进行编码，并存储到程序记忆中的过 程，包括对完成新任务的新行为及其行为序列的学习，或是对现有行为的改善。由于 LIDA 好学，其在信息提取、转化、诊断等方面有重要应用。例如，史特仁等人( Strain et al． ，2014 ) 曾基于 LIDA 认知框架，开发了一款疾病诊断智能代理 MAX( Medical A- gent X) 。该代理能模拟医生诊断病情的认知过程:识别病人的病征，读取与病人病历材料，从病历中“查询”病人的过往病史记录并建立当前病征与病史的关联。进而，运用假说驱动( hypothesis-driven)的临床推理，从一系列可能的疾病和潜在的因素中 做出诊断，在程序记忆中“寻找”类似疾病的治疗方 案和建议，并以自然语言的方式反馈诊断结果。
人工神经网络构建的新依据
巴尔斯和富兰克林( Barrs ＆ Franklin，2007 ) 指出，虽然 IDA 和 LIDA 在模拟人类神经网络的算法建模中取得了很大的进步，但它们还只是心理学意 义上的，并非生物学大脑层面的。许多人工智能研 究者都忽略了对大脑工作机制的研究( Brooks et al． ，2012) 。人的大脑是自然界最复杂的系统之一，是由万亿个突触和几乎可绕月球半周长的轴突线连 接数以十亿计的神经元组成的错综复杂的网络。越 来越多的证据表明，这个复杂而庞大的网络是大脑 进行信息处理和认知表达的生理基础。因此，要推动 AI 教师的进化发展，亟需深入神经科学领域分析人脑的结构网络，加快人工神经网络的构建研究。
2005 年，思博纳斯( Sporns) 、库特( Ko tter) 和托诺尼( Tononi) 创造性地提出了“人类连接组学”( hu- man connectomics) 。它是系统生物学向神经科学领域的延伸，具有“结构复杂多变”和“功能动态连通” 的双重性质，为人工神经网络构建奠定了新的理论 依据。
人类连接组学将大脑视为一个神经网络，主要探讨两个关键问题( Sporns，2012) : 一是由神经元和突触构成的大脑结构( 静态) 是如何促进大脑各区域活动( 动态) 的? 二是大脑的网络结构是如何与人的行为和认知关联的? “连接组”( connectome) 是人脑连接组学的基本单位，是神经生物学层面上理 解、刻画大脑结构网络的图谱。美国国家卫生研究 院负责人因塞尔( Insel) 曾评论道: “就像现代基因学需要基因组一样，大脑的研究也需要大脑连接组， 这是我们理解大脑如何运作以及洞悉当出现某些问 题时大脑内部究竟发生了什么的唯一方法”( Lehr- er． 2009) 。
映射连接组网络、绘制连接组图是连接组学研究的首要任务。大脑是多维多面的连通体，要清晰 地绘制连接组图以精确地反映大脑的神经网络结构，需要从可高度分辨单个神经元的微观尺度( mi-croscale) 、聚焦小范围神经元集群的中观尺度( me-soscale) 和整体把握大脑各区域的宏观尺度( mac-roscale) 三级水平的空间尺度着手。在微观尺度上，以纳米分辨率成像的电子显微镜数据可获得单个神 经元细胞和轴突形态，提供关于神经元结构和神经回路模式的最完整和最详细的信息。在中观尺度上，毫米级别的光学显微镜成像可获取几毫米范围内神经元集群的染色纤维束光学信号，揭示神经元集群的神经元结构和突触连接，但还不足以识别极小突触连接、无髓鞘轴突和神经元其他的超微结构细节。在宏观尺度上，可采用不同模态的非侵入式成像技术在较大比例上再现大脑的结构连接，尤其是大脑各区域及其区域间的连接矩阵。例如，利用磁共振成像( magnetic resonance lmaging) 获得大脑的灰质密度、灰质体积和皮层厚度数据; 利用功能性磁共振成像( functional magnetic resonance lmaging)检测不同脑区间的白质纤维束，并根据白质纤维的连接数目、密度、强度、概率等推断大脑存在的结构连接。人脑的神经元数量约为 1011 个，突触连接数约为 1015 个，若从微观和中观尺度构建大脑网络结构将存在数据量巨大的困难，目前一般多以宏观尺度定义大脑网络结构。
没有两个人的大脑是完全相同的，因为在单个神经元级别上测量的连接性在个体数量和其连接结 构方面都是高度可变的。构建开放共享的连接组图 数据库是连接组学未来的发展方向，为构建人类大脑的神经网络模型提供了可能。美国国家卫生研究院资助的“人类连接组项目”( human connectome project) 设计了连接组图数据集的使用框架( 见图1) 。项目组从 1200 名参与者中获得大脑的连接组数据，这些数据以一定的结构和类型记录存储在连接组数据库( Connectome DB) 中，用户向数据库发送请求指令，连接组数据库根据指令进行数据挖掘，以 可视化方式将结果呈现到用户的连接组工作台( connectome workbench) 。
“连通性”( connectivity) 是大脑运作的基本机制。神经病学和精神病学专家梅纳特( Meynert，
1885) 曾说过: “如果我们熟悉大脑的运作机制，那么就可以从其结构中推断出其功能，并将前者视为 后者的自然结果。”连接组是“运动中的连接组” ( connectome in motion) ( Sporns，2012) ，其最为曼妙之处，不仅在于彼此纵横交叉、相互连接的神经元结 构，更在于动态多变的功能连通网络。可见，连接组不仅限于对所有神经元、轴突、突触和大脑各区域的“原始数据”描述，更重要的是在突出大脑结构“连接性”描述基础上揭示大脑复杂的功能，实现由“静态的神经结构”扩展到“动态的功能结构”。连接组作为外部环境和基因遗传交叉点的中间表型发挥着 作用( 见图 2) ，反映了大脑连通性的遗传特征，而且引导行为的产生，使有机体与外部环境相互作用，并 保留有机体过去在其外部环境中的经验记录。这样，大脑功能延伸到大脑—身体—环境之间的相互作用，成为一种扩展的功能关系网络。
图 1 数据挖掘和可视化人体连接组
图 2 连接组作为大脑中间表型( Bullmore ＆ Sporns，2009)
连接组受神经可塑性的影响，可记录过去事件和经验的持久痕迹，因此蕴涵着丰富的时间涵义。可塑性使连接组的结构依赖于时间，神经活动产生了一组丰富的时变模式，由此可将其描述为一组功能网络。宏观和微观尺度的大脑不同组织的功能连接如图 3 所示。生成连接组的功能连通模式，是连接组学研究最具挑战的。反映的是在多个时间尺度 上神经元之间功能关系变化，不仅依赖于连接组的结构联系，还依赖于有机体内部状态变化和外部环境瞬时需求的调节。目前，在统计学意义上通过多个神经元素记录的时间序列数据计算所得的依赖性 或动态性相互作用，可以转换为代表功能性大脑网络的连通矩阵。类似地，也可以通过对大脑静息状态时的血流动力信号波动的长期跟踪数据进行平均 值处理，获得连接组的功能性结构。汉格曼等人( Hagmann et al． ，2010) 使用高 b 值扩散 MＲI 纤维束成像和连通性分析，探索白质成熟对 2 岁幼儿到18 岁青年大脑连通性的影响，结果证实结构连接与功能连通之间呈显著正相关。
连接组的结构与功能关系也是相互交织的，并非一一对应。尤其是高级认知功能的实现，往往需 要启动连接多个连接组结构。以道德认知功能为例，卡斯皮尔( Casebeer，2003) 指出: “不同的道德规范理论与大脑的某些区域结构和功能相联系。”摩尔等人( Moll et al． ，2002) 也提到，尽管道德认知涉及多个复杂的认知过程，几乎是高度离散的“全脑事件”( whole-brain affair) ，但它与大脑的某些重要区域紧密联系( 见图 4 ) 。例如，前额叶皮质( pre- frontal cortex，简称 PFC) 、楔前叶( precuneous，简称 PC) 、基底前脑( basal forebrain，简称 BFB) 、颞前皮质( anterior temporal cortex，简称 ATC) 、内侧额叶皮质( medial frontal cortex，简称 MFC) 、内侧眶额皮质 ( medial orbitofrontal cortex，简 称 MOFC) 、颞 上沟 ( superior temporal sulcus，简称 STS) 、前扣带皮层 ( anterior cingulate cortex，简称 ACC) 和丘脑/ 中脑 ( thalamus / midbran，简称 TH / MB) 。
图 3 宏观和微观尺度大脑不同组织的功能连接
图 4 影响道德认知的大脑区域( Moll et al． ，2002)
新世纪兴起了“学习为本评估”( Learning-Ori- ented Assessment) 的整体性学习文化，它融汇了学习性评估( Assessment for Learning) 、学习段评估( As- sessment of Learning) 和学习化评估( Assessment as Learning) 三种方式，超越了以往基于过去、聚焦于评估学生不足的消极价值观，彰显面向未来、以评促学的积极价值观，推动师生在行动中做出价值选择、 价值判断和价值创造，从而实现评估与学习的融合。 学习为本评估作为一种特殊的价值创造活动直面真实的学生学习生活，介入学习生活，影响学习生活， 努力利用最新的科学知识为课程开发、教学实施和学习活动提供指导，让学生作为评估主体与认识主体开展做中学，实现学生个人自身的价值主体生成与发展( 曾文婕等，2015 ) 。据此，在学习为本评估的开发中，人们企盼借助人工智能的力量，创生出新一代人工智能教学系统，展现出学习价值创造的无限可能。
连接组学改变了传统基于算法和逻辑的思想， 突出“结构—功能”的整体模拟，为新一代人工智能 教学系统的研发开辟了新路。根据学习为本评估的 价值创造诉求，研究者基于多年在学习为本评估理 论与实践研究中取得的成果，在汲取连接组学“结 构复杂多变”和“功能动态连通”的双重性基础上， 提出了神经网络化的价值创造型智慧学习系统( 见图 5) 。该系统包括三个子系统: 实时课堂教学转化系统、教学优化参照系统和教学比较前馈分析系统。其中，教学优化参照系统包括四个子子系统: 优秀教师教学参照系统、先进理论教学优化参照系统、大数据优选教学参照系统和经验自组织教学参照系统。由此，整个系统好比人脑连接组，各子系统类似人脑 的各脑区，子子系统相当于神经元集群，各子系统的 关联类似脑区之间的动态连通，数据就像是单个神经 元，是整个系统中最基本的单位，相互之间交叉连接 并传递“信号”。各子系统既各司其职，又相互联系。
图 5 神经网络化的价值创造型智慧学习系统结构框架
1． 实时课堂教学转化系统
课堂教学过程因其动态生成性，隐含大量富有价值的过程性数据。实时课堂教学转化系统正是采 用情境感知、模式识别等技术对课堂教学过程中教师教学、学生学习、师生交互、生生交互、教师与环境 交互、学生与环境交互等生成的过程性数据进行实时跟踪、采集、记录和建模。其功能在于实时建构课 堂教学动态过程的大数据结构网络。这些过程性数 据包括行为活动数据、语言对话数据、情感态度数据、资源使用数据等。这些数据与真实课堂教学情境紧密耦合，关涉时间和空间的交错维度，且数据结 构多样，因此明确情境分类的标准、选用合适的情境 模型、选择适宜的数据采集模型是该子系统需要解决的关键问题。
情境分类的标准很多，如科赫南 ( Korhonen 2010) 将情境分为环境情境、用户情境、任务情境、社会情境、时空情境、设备情境、服务情境和网络连接情境八种; 居尼斯科和维尼奥( Junisko-Pyykk ＆ Vainio，2010) 将情境分为物理位置、任务、社会、时间与信息技术五种。根据学习为本评估的特点，研 究者首先将教学情境分为教师情境、学生情境、环境 情境( 含物理环境与在线环境) 、任务情境( 含教师的教学任务与学生的学习任务) 等。其次，利用摄像头、传感器或其他移动计算设备多地提取情境信息，借助图像识别技术、语音识别技术、情感识别技 术等，识别教师和学生的状态，运用基于本体的情境 模型按照特定的数据结构对提取的情境信息进行描 述和处理。之所以选用基于本体的情境模型，是因为它表达能力强，有可理解、可重复使用和可共享等 优点，适合描述和定义情境及情境之间的关系，便于计算机推理。最后，参照大数据的标准规范 xAPI 中关于学习经历分解过程的描述( 即“经历—事件— 陈述”) ，从目标、活动、事件、行为四个角度，对动态生成性数据进行粒度分析，构建数据的层级连接结构。
学习为本评估强调学生对学习目标有清楚而深刻的认识，以有利于学生明确评估标准，开发个性化方式监控和改进自身的学习，因此，目标层的描述非常重要。目标层描述师生根据课程标准、共同确定的适宜的学习目标。活动层描述达成学习目标的教学活动。事件层将活动层的各个活动细化为教师或学生与任务、资源或工具等交互的具体事件。行为层使用交互行为描述学习事件，同时采用语义网络， 实现大规模数据的语义存储，提高数据使用效率。
2． 教学优化参照系统
学习为本评估开辟了一种基于过去、观照现在、面向未来的评估促进学习理路。这意味着，评估的目的不在于认识学生的学习结果，把握他们当前的学习状态，更重要的是在此基础上认识学生下一阶段的个性化学习需求，进而“改造”学生学习活动， 使之更有效和优化。教师要根据学生的具体表现， 有针对性地设计与改进下一阶段的课程与教学，采用差异化的教学策略满足学生学习需要; 学生要清楚认识自己的学习需求，有针对性地规划与实施下一阶段的学习活动( 曾文婕，刘成珍，2017 ) 。教学优化参照系统作为整个学习系统的核心，其功能在于为学生优化学习、教师优化教学提供关键的技术支持。
教学优化参照系统，基于实时课堂教学转化系统存储的大数据，利用包括决策树方法、遗传算法、统计分析方法和模糊集方法等的数据挖掘方法，采用话语分析、内容分析、社会网络分析等学习分析技术，智能地集中、萃取、提炼教师教学和学生学习的相关数据，从中找出潜在的、稳定的规律，进而构建基于数据的师生画像，形成教师的教学模型和学生的学习模型，更全面地认识学生真实的学习状况，把握学生、教师、学习内容和学习环境之间相互作用的实际状况。为了更好地给学生提供个性化的学习路径推荐、给教师的教学过程提供精准的教学服务，该系统运用本体描述语言和编码工具，构建优秀教师教学参照子系统和先进理论教学优化参照子系统， 以期为学习为本评估提供标准参照。前者主要提供各学科优秀教师的教学范例，后者主要是提供先进的教与学理论知识。
本文来源：https://www.2haoxitong.net/k/doc/3834bc2dbb0d4a7302768e9951e79b89690268e7.html
文档为doc格式