大數據背景下的個性化智能教學系統設計

許儼寧

摘? 要： 針對傳統智能教學系統反應時間慢的問題，設計一種大數據背景下的個性化智能教學系統。硬件部分使用CCD器件設計一種影像傳感器，連接激光反饋裝置，使用雙核處理器，采用多觸電摸框技術設計一體式高清多點觸摸互動鏡面裝置，將鏡面裝置連接4個可捕捉的紅外光攝像頭，組成鏡多點的觸碰平臺。使用大數據技術處理學生知識掌握情況，利用貝葉斯公式歸納教學數據，使用Java編程錄入教學數據，完成軟件部分的設計。實驗結果表明：與兩種傳統智能教學系統相比，大數據背景下的個性化智能教學系統在實際操作使用時，系統的反應時間為0.4 s，系統反應時間更快，更適合投入到教學中使用。

關鍵詞： 大數據背景; 個性化; 智能教學系統; 影像傳感器; 激光反饋裝置; 系統反應時間

中圖分類號： TN02?34; TP181? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）13?0180?03

Design of personalized intelligent teaching system under background of big data

XU Yanning

（Tianjin Normal University， Tianjin 300387， China）

Abstract： In view of the slow response of the traditional intelligent teaching systems， a personalized intelligent teaching system under the background of bid data is designed. In terms of the hardware， an image sensor is designed by the CCD （charge?coupled device）， which is connected to a laser feedback device. A dual?core processor is adopted. The multi?touch frame technology is adopted to design an integrated HD multi?touch interactive mirror device， and the mirror device is connected with 4 capturable infrared cameras to form a mirror multi?touch platform. In terms of the software， the big data technology is used to deal with the problems in students′ knowledge acquisition， the Bayesian formula is used to summarize the teaching data， and the Java programming is used to entering the teaching data. The experimental results show that， in comparison with the two traditional intelligent teaching systems， the personalized intelligent teaching system under the background of big data has a response time of 0.4 s， which is faster and more suitable to put into teaching.

Keywords： big data background; personalization; intelligent teaching system; image sensor; laser feedback device; system response time

0? 引? 言

大數據是指無法在一定時間范圍內用常規軟件工具捕捉、管理和處理的一種數據集合，是結合新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產[1]。個性化智能教學以智能算法與大數據為基礎，以人機交互的方式教學，系統實時采集學習數據，精準定位薄弱知識反饋給教師，教師根據反饋情況調整教學計劃。本文設計了一種大數據背景下的個性化智能教學系統，可以彌補教學中的不足，提高教學效率，改善學生的學習質量，極大地提升了教學效果[2]。

1? 教學系統硬件設計

智能教學系統硬件部分主要設計感應模塊、顯像模塊與主機控制模塊。感應模塊使用多點觸控技術，將影像傳感器與鐳射激發反饋裝置連接，影像傳感器使用影像像素在38萬以上的高分辨率型的CCD器件，如圖1所示。

鐳射激發反饋裝置采用一個激光發射器，激光發射器會發射出一束平行于操作界面的紅外鐳射光，鐳射光組成一個光面。在實際操作時，用戶接觸到操作界面的操作時，會阻擋鐳射光面，在操作界面上形成一個光面斷點，此時形成的光面斷點就可完成用戶觸控操作[3]。為了實現操作可在任一平面投射影像，顯像部分采用微型投影器，本文采用3M公司出產的投影裝置，具體參數如表1所示。

核心運算的主機使用參數為Intel Core Due 21.66 GHz的雙核處理器，連接上述核心硬件。將投影機與CCD影像傳感器連接在一起，并固定在一個透明、顏色較暗的盒子中，盒子放置在400 mm可伸縮支架的頂端。主機與激光發射器固定于可伸縮支架的底部[4]。連接方式如圖2所示。

本文研發了一體式高清多點觸摸互動鏡面裝置，顯示器采用高清55寸LED液晶顯示器，鏡面采用MTW特質高透低反面鏡。采用多觸電摸框技術，將兩個紅外線掃描相機放置在觸摸邊框相鄰角上[5]。工作時，紅外線掃描相機根據紅外光源的阻斷來檢測任何觸摸其探測層的物體位置數據。觸摸框邊緣形成一個光層，光層照射到屏邊，并由屏三個邊上的定向反射條返回給相機[6]。設計一個底座將液晶鏡面得以站立，整體設計的一體式高清多點觸摸互動鏡面裝置如圖3所示。

使用FTIR技術的技術要求，智能鏡面多點觸技術選擇反射多點觸摸技術，采用8 mm的樹脂玻璃導光板，不斷調整支撐架的滑動槽[7]。下設IR 850 nm的紅外LED光條，光條間距為16.7 mm，使用超薄雙面膠粘貼在固定支架的四周邊緣。使用4個可捕捉的紅外光攝像頭放置在可調節擋板上，將USB數據線穿過液晶面板拆分后的發光層[8]。將顯示器的液晶層安置在導光板的下層，將顯示器的發光層安置在支架上的調節擋板上，不斷調試核心組件，選擇合理的組裝位置。在樹脂板上打出電源與數據線的出口，組裝為一個鏡多點觸碰平臺，組裝后的成品如圖4所示。

鏡多點觸碰平臺外連接投影儀器，即可完成對教學系統硬件部分的設計，平臺內設計大數據相關程序，完成對教學系統的個性化智能控制[9]。

2? 教學系統軟件設計

軟件部分首先使用大數據技術處理學生知識掌握情況，使用貝葉斯公式與其一種歸納推理方法將知識情況描述為：

式中[G]是一個由隨機變量知識集[X]作為頂點，函數邏輯關系為弧的有向無環圖[11]。

假設[G]頂點隨機變量[Xi]的知識變量合集為[πi]，[P]是[πi]事件出現前提下[Xi]事件出現的條件概率，定義隨機變量知識集合[X]上聯合條件分布為：

式中[Π]為聯合條件系數[12]。使用Java編程實現貝葉斯網絡，使用JavaBayes生成void testuntitled，使用throw delete刪改生成的多余代碼，利用import Java.until.*導入貝葉斯網絡教學過程learn Exception*，編程Java實現智能教學過程。將貝葉斯網絡使用Java編程導入后，使用KMFSM建模關鍵算法，將知識集合的全集通過學生的學習行為和測試表現計算出KMFSM中的節點數[13]。按照不同的教學大綱，將知識項按照不同體系分成年級、課本、單元和知識點幾個層次。確定知識項之間的關系，使用歷年學生情況與教師經驗作為知識項的開始參數數值，不斷計算更新KMFSM中對應的貝葉斯網絡參數[14]。實際運用時按照以下模塊對學生實現個性化智能教學，具體如圖5所示。

綜上，軟硬件的設計實現了大數據背景下的個性化智能教學系統的設計，使用影像傳感器連接激光反饋裝置，使用雙核處理器，采用多觸電摸框技術設計一體式高清多點觸摸互動鏡面裝置，將鏡面裝置安裝4個可捕捉的紅外光攝像頭，組成鏡多點的觸碰平臺。軟件部分使用大數據技術處理學生知識掌握情況，利用貝葉斯公式歸納教學數據，使用Java編程錄入教學數據，軟硬件相互作用，實現個性化智能教學[15]。

3? 智能教學系統測試

3.1? 準備階段

測試硬件環境為：

客戶端：可安裝Web瀏覽器和連接網絡的微機;服務器端：PII以上CPU，64 MB以上內存，10 GB以上硬盤;網絡：傳輸速率在3 MB/s以上。

軟件環境為：

客戶端：Windows系列操作平臺、Internet Explore 4.01以上版本;服務器端：Windows NT 4.0網絡操作系統（Pack6）或Windows 2000 Server MS SQL Server 7.0，MS SQL Server 7.0，Visual InterDev6，Frontpage 98/2000，Visual Basic 6，IIS 3.0以上版本。

3.2? 測試結果

使用兩種傳統的智能教學系統與大數據背景下的個性化智能教學系統，在相同的網速下，選擇教學系統中的教學模塊，記錄統計三種教學系統對這三種模塊的反應時間，結果如圖6所示。由圖6可以看出，保持網速在5 MB/s的情況下，在實際操作使用時，傳統智能教學系統1在進入教學模塊反應時間為2.5 s，傳統智能教學系統2所需反應時間為1.5 s，而使用大數據背景下的個性化智能教學系統進入教學模塊的反應時間只需0.4 s，提高了系統的反應速度，縮短了系統反應時間，避免浪費不必要的課堂時間，為學生學習知識創造了更多的時間。

4? 結? 語

隨著科技的發展，教學方式以傳統式教學轉變為借助計算機輔助教學的模式，這種智能教學方式以現代教育理論為基礎，綜合各種學科知識和方法，以計算機為媒介向學生傳授各種知識。大數據背景下的個性化智能教學系統使用硬件結合軟件，設計教學、知識等模塊，全方面概括課堂上可涉及到的知識。實驗結果表明：個性化智能教學系統的反應時間更快，時效性更強，更適合投入到實際教學中使用。

參考文獻

[1] 王冰純，毛妍捷，孫濱頤，等.基于大數據背景下的人工智能客服系統[J].電子測試，2018（13）：72?73.

[2] 龍虎，李娜.大數據背景下網絡教學中的智能學習診斷研究[J].凱里學院學報，2017，35（6）：87?91.

[3] 祁明駿.基于教育大數據技術的智能自適應學習系統[J].電子測試，2019（7）：65?67.

[4] 馬蓮姑，杜鋒，黃壽孟.基于大數據分析的MOOC智能自主學習系統設計[J].現代電子技術，2017，40（20）：64?66.

[5] 趙瑞丹.基于大數據分析的思政教學系統的設計與實現[J].自動化與儀器儀表，2018（8）：117?119.

[6] 劉淇，丁鵬，黃小青，等.基于試題網絡的個性化學習推薦系統研究[J].現代教育技術，2018，28（6）：11?16.

[7] 何思橋.大數據下教務管理數據分析系統的研究與設計[J].數字技術與應用，2017（11）：160?161.

[8] 高新成，王燕，李春生，等.基于云計算的大數據教學服務平臺設計[J].綏化學院學報，2017，37（8）：146?150.

[9] 付達杰.基于大數據的學習分析及其系統建構[J].佛山科學技術學院學報（自然科學版），2017，35（6）：17?20.

[10] 開浩.云計算在智慧校園研發中的設計與應用[J].長春師范大學學報，2017，36（6）：59?62.

[11] 陳琳.大數據環境下信息智能檢索系統設計[J].信息與電腦，2017（6）：128?129.

[12] 上超望，韓夢，劉清堂.大數據背景下在線學習過程性評價系統設計研究[J].中國電化教育，2018（5）：90?95.

[13] 崔承毅，王開宇，高慶華，等.基于智能小車的模塊化教學系統設計[J].實驗技術與管理，2018，35（8）：192?195.

[14] 姚佳俊，姚凱學，何勇.面向智能社區的人體健康系統設計與實現[J].計算機測量與控制，2017，25（11）：205?207.

[15] 劉濤，閔鵬瑾，肖漢.基于JAVA的小學數學四則運算教學系統的設計與實現[J].計算機與數字工程，2018，46（4）：655?658.