大數據背景下的個性化教學
——以人工智能與媒體社會課程為例

徐 誠 劉寶忠

武漢工程大學計算機科學與工程學院 湖北武漢 430205

隨著科技的日新月異，傳統工業時代的一體化教學模式已經越來越不適應信息時代的新要求。在大數據背景下，個性化教學作為一種能夠發掘所有學生特長的人才培養模式，已經成為我國教育改革的重要目標之一。人工智能與媒體社會是講解人工智能在數字媒體領域應用的核心專業課程，作為本課程的教師，應該充分利用大數據的技術成果，研究個性化智慧教學的規律，為學生未來的職業發展打好堅實的基礎。

1 大數據時代下的個性化教學

1.1 個性化教學的必要性

傳統的教學模式是把所有的學生作為一個整體進行無差別教學，優點是可以系統地將完整的知識傳授給學生，但這種教學手段是千人一面的，忽視了學生的個性化發展，達不到理想的教學效果。個性化教學模式與無差異化模式相反，承認學生之間的不同之處，根據每個人對知識的接受能力定制不同的培養方案，把每個學生區別對待，做到因材施教，這種模式必然會有效地提高課程的教學質量，促進學生的個性化發展。

1.2 大數據為個性化教學提供助力

在大數據時代之前，由于受到技術條件的制約，對教學數據的搜集和分析要花費大量的時間和精力。教師只能對不完整教學信息進行主觀決策，很難實現真正意義上的個性化教學。當下，有了大數據背景的技術支持，才可以做到數字化精準分析和決策，為個性化教學助力。

目前的大數據技術可以從三個方面幫助個性化教學：一是收集各種顯性的和潛在的數據，包括各種歷史資料和當前的動態教學信息，并對這些信息進行加工和統計分析，讓每個學生客觀地了解自己學習情況，個性化推薦學習資源；二是根據每個學生的職業發展規劃和能力特長，個性化定制切實可行的學習計劃并動態監督執行；三是為教師提供教學大數據的分析結論，了解課程的最新情況，為教學決策提供參考依據，為個性化教學方案實施提供技術保障。

2 人工智能與媒體社會課程面臨的挑戰

本課程是為計算機大類數字媒體方向的學生開設的專業課，在教學過程中遇到了一些問題，需要加以解決[1]。

2.1 課程資源難以滿足教學要求

人工智能課程的實驗環境和普通的計算機課程不太一樣，對實驗設備有很高的要求。本課程需要有充足的計算力和足夠的存儲資源來實現一些關鍵實驗，比如云計算實驗、深度學習實驗、智能機器人實驗等。另外，與本課程相關的學習資源也不豐富。國內發行的與本課程相關教材主要有兩類：一類是理論性很強、不易掌握的傳統人工智能專業教材；另一類是內容豐富但淺嘗輒止的人工智能導論型的教材，很難找到人工智能和數字媒體技術應用相結合的教材，與專業有關的實驗指導書和習題集就更為罕見，這些資源的匱乏給教學造成了很大困難。

2.2 教師的教學方法不當

長期以來，我們對課程教師的學歷和專業能力要求很高，但是忽視了他們教學能力的培養。人工智能與媒體社會這門課涉及的內容和知識面非常復雜，無論是理論知識的講授，還是實踐環節的指導，對教師的教學能力和教學方法都提出了很高的要求。然而在本課程的首次教學中，由于缺乏學生的大數據信息，一些教師在沒有充分地了解數字媒體專業學生學習能力的情況下，照本宣科式地按照以往人工智能專業的教學方法來教學，上課時有半數以上學生跟不上教師的講課進度，結果出現了教學質量的滑鐵盧。直到第二年，課程組的教師吸取上一屆學生的經驗教訓，制訂了結合專業實際的個性化教學方案，教學質量才有所回升。

2.3 實驗脫離工程實際

本課程的實驗教學主要內容為傳統人工智能實訓項目，包括簡單的基礎算法型實驗和難度較大的綜合運用型實驗。但是基本算法的一些經典訓練項目過于脫離實際，比如四皇后問題、八數碼問題等，這就導致學生把學習重心放在算法的分析上，而忽略了對人工智能核心思想的理解。在平時的實驗中，重知識而輕應用，訓練的實驗內容與工程中的實際開發項目相去甚遠，學生一旦遇到復雜的具體問題就會束手無策。

2.4 考核方式不合理

傳統的人工智能系列課程考核模式過于偏重最終的期末考試，在短時間內要求學生完成指定的幾道大題，很難全面地檢驗學生對課程知識的熟練掌握程度和綜合運用能力。這種形式缺乏對學生學習過程的考核，不利于學生綜合能力的培養。而且考試的結果分析一般在課程結束后，無法對學生當下的學習狀態動態及時分析，對課程只能起到最后的總結作用，無法指導當前的教學活動。

3 大數據背景下的個性化教學實踐

大數據背景下，教師不再是普通意義上的引路人，而是要成為學生學習的合作伙伴，在教學的各環節中動態幫助學生提高綜合能力[2]。

3.1 教學大數據的采集和分析處理

為了充分了解與師生教學相關的基本情況，應該全面采集專業課程的數據進行分析和決策。數字媒體技術專業學生的數據主要從學校的綜合教務管理系統、主要專業課程的教學平臺、學生的各種職業偏好和特長測試數據庫中獲得，包括大一上學期到大三上學期共五個學期中所有計算機類和數字媒體技術類課程的學生成績和教學記錄表中學習行為數據、評教情況、課外科技活動信息、職業規劃的問卷信息等。由于本專業學生已經學習了智能數據處理課程，在教師的指導下，讓他們自己用數據挖掘中的K-Means聚類方法對采集的數據進行預處理和分析。分析和處理的結果盡可能簡明扼要，便于師生理解和應用。

通過對大數據的聚類分析和簡化處理，最終得到了兩大類分析結果，每類都有多項指標。第一大類結果中，我們重點關注三項指標，分別是學生的學習能力、學習努力程度、適合學生個人特長的職業發展方向。學習能力劃分標準是各種成績和科技活動等數據綜合加權處理，能力很強的占20%，能力一般的占70%，能力較差的占10%；學習努力程度指標的處理比較復雜一些，用到課率、聽課認真程度和作業完成情況等指標計算，其中勤奮的占25%，一般65%，很差10%；職業發展方向可分為自媒體類20%，游戲開發類70%，機器人類10%。另一大類結果是學生對教師的教學期望，包括教師采用的課堂教學模式、各種練習、考核形式、在線教學平臺內容的建議等。

3.2 合理運用大數據加強線上教學平臺的建設

在線平臺的建設以教學大數據為決策依據，為了充分優化線上線下結合的混合教學模式，在教學平臺上設置了以下幾個模塊：

3.2.1 分層次個性化學習模塊

這個模塊用于常規教學活動，包括課程PPT和視頻等資料的學習、在線作業、日常測驗和考試等。個性化主要體現在學習資源的學習上，課程平臺根據大數據的分析結果，給每個學生按學習能力、職業發展方向推送不同難度的學習資源。例如，根據以往數據，某些學生在以前所學課程中的算法類題目考試分數較低，那么對本課程的常見算法估計也不容易學會，平臺給他們推送的課程資源就是對算法每個步驟都詳細解釋的PPT和視頻。

3.2.2 個性化導學模塊

這個模塊根據學生歷史數據和當前動態的學習情況，為學生提供指導建議。對于學習能力較差和努力程度不夠的學生，主要是監督他們對線上基本學習任務的完成，定時在平臺APP提醒，并要求及時回復；對于普通同學，建立課程導學專家數據庫，為課程章節學習提供幫助；對于能力較強學生，建立競賽指導專家數據庫，指導如何應對有挑戰性的競賽項目。個性化導學模塊參數多，實現難度很大，目前還在不斷完善中。

3.2.3 師生交流反饋模塊

這個模塊用于本課程師生之間，學生之間的各種交流，功能相當于傳統意義上的BBS論壇，每個人都可以在上面發言，討論課程學習問題。教師可以搜集最新的交流信息，進行動態的教學決策。比如說，有很多學生在此模塊中反映，在平臺完成某次測驗后，希望看某道題詳細的解題過程分析。教師就能立刻做出反饋，把該題目清晰的思路放到平臺上供同學參考。

3.3 教學內容分層

這門課要求教學內容與時俱進，及時讓學生了解人工智能與媒體技術方面的最新科技發展動態。所以在本課程的教學中，除了介紹基本理論和一些實用案例以外，要著重介紹一些前沿的人工智能技術[2]。大數據給出了每個學生的綜合學習能力結果，教師就是按學習能力進行分層教學的。目前大致可以把本課程的教學內容分為基本知識、應用提高、拓展學習三個層次。

基本知識的范圍：了解人工智能的基本理論和人工智能在各領域的簡單應用，掌握盲目搜索和啟發式搜索等基本內容，掌握知識圖譜描述模型，了解機器學習，掌握卷積神經網絡CNN工作原理，掌握視覺分類和語言特征抽取，了解自然語言處理。這個層次的教學，教師主要關注的是學習能力較差的學生，采用任務驅動法，要求他們每學一個知識點就要掌握一個。提高層次內容包括強化學習、人工智能與新媒體、深度學習在游戲中的應用，多智能體等。這個層次，學習能力強和一般學生都能掌握。拓展學習層次主要面向學習能力很強的同學，在教師指導下自學，內容是游戲開發大賽或機器人大賽，根據各自特長和職業規劃參與。

3.4 基于大數據的個性化教學方法

根據教學大數據的分析結論，結合實際的案例分析法和課堂分層練習法是本專業學生最容易接受的教學方法，可以促進他們對知識的熟練掌握。

3.4.1 結合實際的案例分析法

學生普遍希望教師通過生動的實際案例來講解人工智能的技術，而不是照本宣科地按照PPT闡述過于抽象的理論。為此，課程組上課時精心設計了一些實用案例幫助學生理解各章節內容。比如，卷積神經網絡是深度學習的一個重點和難點，為了讓案例清晰明了，我們設計了春天花卉分類的案例，素材讓學生自己到野外拍照獲得，用卷積神經網絡來實現，通過數據集的加工處理和訓練評估，最后測試算法的準確率。通過學生的親身參與，激發了學習的興趣，加深了對知識的理解和應用。

3.4.2 與學習能力相對應的課堂分層練習法

學生課堂學習的大數據表明，課堂教學如果沒有布置具體任務，不認真聽講的同學就可能會占40%以上。這就提示，當教師上課時如果采用“滿堂灌”的講授方式，課堂效率就很低下。因此我們在課堂上采用同步練習法，練習的題目按學習能力分層，能力較差的學生完成基本題目，學習一般的同學做難度適中的練習，能力很強的同學做難度較大和有挑戰性的題目，每個人的工作量都很飽滿。做完練習后，難度大的題目解答發到課程群供學生參考，教師及時講解基本和中等難度題目，這樣可以達到事半功倍的效果。

3.5 基于職業發展規劃的個性化實驗教學

實驗教學的目的不僅僅是要求學生對課程實訓的基本項目熟練掌握，更重要的是為未來的職業發展提前做好準備。在實驗中采用小組討論法，根據相同興趣和職業發展規劃來分組，采用多角度評價實驗結果。要求學生先做好基本實驗，再完成與他們未來職業發展相關的個性化人工智能實驗項目。基本實驗在普通機房，個性化實驗安排在人工智能重點實驗室來完成。

本課程的基礎實驗包括搜索算法和深度學習等。搜索算法是最基本的實驗，有深度優先、廣度優先、A算法等。這幾個算法的實驗，對于普通學生用一種語言實現即可，學習能力強的學生要求用三種語言編程，分別是C，JAVA，Python。深度學習實驗是利用卷積神經網絡算法對圖像和人臉的識別。更高層次的實驗要按本專業學生的三個大方向的職業發展規劃分類安排，根據學習能力和實驗難度學生可以按層次選做。第一個方向是游戲開發，本方向的實驗包括自然語言處理，基于機器學習的3D游戲開發，多智能體結構在AI游戲平臺中的應用。第二個方向是自媒體，主要是自然語言理解技術和AI主播、人工智能加工短視頻等。第三個是機器人方向，此方向實驗包含兩個層次：一是虛擬仿真機器人實驗平臺，可以讓學生借助網絡平臺，隨時在終端進行訪問；另一個是真實的機器人實驗，必須和生產實際結合，包括語音機器人和我們學院的特色項目——足球機器人。

3.6 面向個性化發展的考核方式

考核的目的不僅是對學習成果的檢驗，更為重要的是敦促學生掌握知識和培養能力，讓他們認識到考試不是為了分數有多高，而是培養工程實踐能力，為專業發展打好基礎。為此，我們把考核分布到學習的各個階段，包括在線練習、課堂練習、實驗、平時測試、期末等，這樣可以全面檢驗學生對課程知識的掌握情況。期末成績只占50%，題型更加偏重于邏輯思維能力和解決實際問題能力的考查，減少了機械記憶性題型，如填空、選擇等。大數據可以幫助學生分析平時各種練習和測試情況，明確對各章知識的掌握程度，引導他們總結反思。期末考試之前，我們提前進行模擬考試，用模擬考試的大數據結果預測最終期末考試結果，既敦促學生發現自己課程學習的不足之處，又讓教師總體把握本課程的教學效果。

結語

大數據背景下，按照學生職業規劃實施個性化教學是提升課程教學質量的新思路[3]。個性化教學模式在教學工作中不斷得到檢驗和完善，不僅培養了學生的綜合能力，而且為他們未來的職業發展奠定了良好的基礎。