AI助推英語教學模式變革

谷海玲 楊珈沐

一、引言

在我國學歷教育中，英語課程從小學到大學不間斷開設，是一門重要的主課，但教學效果仍然不盡如人意，學生能看不能聽說的啞巴式英語普遍存在。“老師教，學生練”的傳統英語學習模式已不適應學生的興趣。

隨著科學技術的發展，人工智能出現了，為英語教學模式創新發展提供了機遇。人工智能改變了傳統的教育教學方式和理念，對當今英語教學變革的影響越來越大。作為新時代的英語教師應改變認知，打破傳統的教學模式，充分展現人工智能的技術優勢和溝通魅力，建立人工智能沖擊下的教學方式和創新理念。

二、人工智能技術

1.人工智能的含義

人工智能（Artificial Intelligence，簡寫為AI）是研究人類智能活動的規律，構造具有一定智能的人工系統，讓計算機去完成以往需要人的智力才能勝任的工作。AI可以分為兩部分，即“人工”和“智能”。“人工”是指人力所能及所能完成的事，是通常意義下的人工系統;“智能”則涉及諸如意識、自我、思維（包括無意識的思維）等更高思想領域。

AI是模仿人工的方法在機器上實現智能，也是構建機器學習框架，即算法。算法需要對學習框架進行訓練，通常為算法輸入大量已分類數據作為算法的訓練集。訓練集是用于訓練機器學習算法的數據樣本集合，每個訓練樣本包含多個特征和一個目標變量。最終使機器學習算法可以發現特征和目標變量之間的關系，通過統計信息獲得結果。

2.AI的發展史

在20世紀50年代初就提出了AI的概念。1956年，美國達特茅斯學院AI之父約翰·麥卡錫和一批有遠見卓識的年輕科學家首次提出了“人工智能”。1960年，第一臺采用自然語言解釋程序的機器人誕生。20世紀70年代，由于算法不成熟及其不確定性問題，導致AI處于低谷。80年代，出現專家系統，但難以捕捉專家的隱性知識，未能應用。90年代，互聯網盛行，開始研究神經網絡和遺傳算法。2006年，杰費里辛頓提出“機器學習”觀點，使神經網絡AI取得重大突破。2016年3月，谷歌Alpha Go與職業九段棋手圍棋世界冠軍李世石進行圍棋人機大戰，以4比1的總比分獲勝;2017年5月，Alpha Go在中國烏鎮圍棋峰會上，與排名世界第一的世界圍棋冠軍柯潔對戰，再次以3比0的總比分獲勝，AI驚艷世界并迅速走紅。

如今，AI已不僅僅是披著時髦的外衣，更重要的是為社會創造核心價值的工具，包括并不限于降低成本、提高效率、改進用戶體驗和開辟新業務模型等。AI在教育教學領域的影響也非常深遠。

3.AI的技術學派

從技術發展來看，AI主要有以下3大學派：

（1）聯結主義：構造模擬大腦的神經網絡，思維過程是神經元聯結活動過程。

（2）符號主義：知識用符號來表示，認知通過符號運算來實現。

（3）行為主義：智能取決于感知和行動，構建“感知-動作模型”，如未知的動態環境中行走的機器人。

這三大學派各有所長，又相互結合，已從分立學派到綜合集成。

三、AI在英語教學中的應用

1.語音識別

語音識別就是讓機器通過識別和理解人的講話，把語音信號轉變為相應的文本。識別過程如圖1所示。

人的聲音通過MIC檢測形成語言電信號、語音信號頻譜顯示出來;準確識別聲音的特征（聲學特征識別）;接收端對接收到的語音信號預處理，得到有效的語音信號;對每一幀波形進行聲學特征提取便可以得到一個多維向量，包含了一幀波形的內容信息;聲學模型（大詞匯量的語音識別系統）用于計算語音的特征矢量序列和每個發音模板之間的距離，轉變為文本輸出。語言學理論包括語義結構、語法規則、語言的數學描述模型等，當分類發生錯誤時可以根據語言學模型、語法結構、語義學進行判斷糾正，特別是一些同音字則必須通過上下文結構才能確定詞義。

上述過程對計算速度和準確率都有較高的要求，目前比較成功的語言模型通常是采用統計語法的語言模型與基于規則語法結構命令的語言模型。人工智能下的聽說訓練通過語音識別使學習外語更有效。

2.先進的教學手段，多元化的課堂教學

多媒體教學是當前課堂教學的常用技術手段，圖片展示、模擬動畫、發音示范、場景模擬等能夠幫助學生更加直觀形象地理解和記憶英語學習的內容，在提高學習效率的同時給學生帶來學習的樂趣。

AI可以把教學媒體的投影儀、觸摸屏、聲控媒體、觸控媒體和發光發聲設備等通過智能軟件進行模擬人工控制，使教學活動身臨其境，達到教師、學生和教材的互動，如圖2所示。AI有利于學生把英語從課程負擔轉化為興趣愛好，實現綜合能力和素養的提升。

3.機器翻譯

翻譯就是把一種語言翻譯為另外一種語言，也是學生學習英語的目標。機器翻譯即由機器來實現，能大大減輕教師的工作量。機器翻譯經歷了3個發展歷程：基于規則的翻譯、基于統計的翻譯和基于神經網絡的翻譯。也就是從最初的單詞翻譯，然后發展到句子翻譯，現在已實現文章翻譯。

近年來AI迅速崛起，相比基于規則的翻譯和統計機器翻譯而言，神經網絡翻譯從模型上來說相對簡單，主要包含兩個部分，一個是編碼器，一個是解碼器。編碼器是把源語言經過一系列的神經網絡的變換之后，表示成一個高維的向量。解碼器負責把這個高維向量再重新解碼（翻譯）成目標語言。

神經網絡機器翻譯（Neural Machine Translation，NMT）是最近幾年提出來的一種機器翻譯方法。相比于傳統的統計機器翻譯（SMT）而言，NMT能夠訓練一張可以從一個序列映射到另一個序列的神經網絡，輸出一個可以變長的序列，如圖3所示。

NMT其實是一個編碼器和解碼器系統，編碼器把源語言序列進行編碼，并提取源語言中的信息，通過上下文向量對解碼器進行信息轉換，展開為目標語言序列，從而完成對語言的翻譯。NMT在翻譯、對話和文字概括方面能夠獲得非常好的表現。6AA379B5-3A65-4D18-9067-50C807C3C6EF

4.虛擬現實

傳統英語教學模式最大的痛點就是無法為學生營造一個真實的語言環境，從而導致學生英語水平低下，學生不敢說、不會說。

VR虛擬現實可以實現仿真沉浸式教學。VR與英語相結合，利用電腦模擬產生一個三維空間的虛擬世界，提供使用者關于視覺、聽覺、觸覺等感官的模擬，讓使用者如同身臨其境一般，可以及時、沒有限制地觀察三維空間內的事物。

AR增強現實，是一種實時地計算攝影機影像的位置及角度并加上相應圖像的技術，是一種將真實世界信息和虛擬世界信息“無縫”集成的新技術。這種技術的目標是在屏幕上把虛擬世界套在現實世界并進行互動，可模擬生活場景，與場景人物進行智能交互的系統。

AR與VR教學的特征如圖4所示。

5.文字識別

文字識別閱讀筆是一款可以提高閱讀和理解速度的數字智能筆，通過頂部的按鈕，在普通的書本上滑動，就可以將書本上的文字轉換成語音，再通過藍牙耳機傳輸到用戶的耳朵里。文字識別原理如圖5所示。

文字識別也可用于批改作業。學生上完課，作業全部在平板上完成，每次做題，學生的反饋不僅自動生成，后面還會按照學生做題的水平再推送其他題目，也就是說每個學生的題目不一樣。

6.個性化學習

針對不同學生進行個性化教學，即因材施教，是一項重要的教學方法。但教師數量有限，以及應試教育模式的限制，很難做到根據學生不同的認知水平、興趣愛好和學習能力來制定具體的、有針對性的學習方案。隨著人工智能技術的發展和廣泛應用，因材施教的可行性有了很大的提高。人工智能技術可以根據學生的歷史學習大數據，通過回歸算法來預測學生未來的學習需求，推薦最適合學生的內容，從而高效、顯著地提升學生的學習效果。預測模型由數據收集、數據分析和數據展現三個階段來完成，如圖6所示。

7.AI教學評價

學校和教師不斷為實現更有效的教學而努力，但是在客觀上受到了教育技術手段和工具的阻礙。這其中主要的限制是，我們過去的技術手段沒有辦法處理視頻、語音、圖片等復雜的非結構化數據（世界上85%的數據都是非結構化的），也無法獲得實時的教學反饋。

人工智能尤其是情感計算、自然語音理解、行為分析的發展，讓計算機逐漸具備理解人類情感、語言和行為的能力。在AI技術的支持下，傳統教學分析的局限性才得以打破，具體表現在下面3個方面：（1）提供定量數據作為評價依據;（2）提供過程性數據支持形成性評價;（3）實現常態化、自動化的教學評價。

四、結語

AI不是教學的對手，而是教育的助手。隨著人工智能技術的不斷進步，人工智能技術已滲透教育行業許多領域和方面，除了上述介紹的幾種應用外，人工智能技術還可以用于自動化輔導與答疑、智能測評、智能教育決策等方面。隨著計算機視覺、語音識別、人機交互等技術的不斷提高，未來的人工智能技術必定會給教育行業帶來廣泛而深刻的影響。

參考文獻：

[1]趙慧，唐建敏.基于人工智能的大學英語教學模式研究[J].軟件導刊，2019，18（10）：213-216.

[2]馮吉芳.人工智能對大學英語教育的影響[J].黑龍江教育（理論與實踐），2020（7）.

[3]程亞美.“Ai+教育”新趨勢下中學英語教學新模式的探究[J].海外英語，2020（2）：204-205.

[4]蔡慧敏.人工智能對英語學習機制的影響[J].內江科技，2019（40）.

[5]張翰江.人工智能在教育中的應用和失范[J].中國信息技術教育，2017（7）：94-96.

[6]張婧.淺談人工智能在小學英語教學中的輔助作用[J].新東方英語，2018（11）：34.

[7]侯婧.人工智能時代英語口語教學模式變革[J].教學與管理，2019（33）：92-94.

[8]譚荔冕.2017-2019神經網絡機器漢英翻譯質量變化和現狀分析[D].北京外國語大學，2019.

[9]林倩，劉慶，蘇勁松，等.神經網絡機器翻譯研究熱點與前沿趨勢分析[J].中文信息學報，2019，33（11）.

[10]王振興.基于人工智能的大學英語教學模式研究[J].佳木斯職業學院學報，2020（9）：111-112+115.

[11]Chang X，Zhu F，Bi X，et al.Mining knowledge graphs for vision tasks[C]//Database Systems for Advanced Applications，2019：592-594.

[12]Wang Q，Mao Z，Wang B，et al.Knowledge Graph Embedding：A Survey of Approaches and Applications[J].IEEE Transactions on Knowledge & Data Engineering，2017，29（12）：2724-2743.

責任編輯?陳春陽6AA379B5-3A65-4D18-9067-50C807C3C6EF