開放性實驗室專家評測系統設計

管榮強，于 靜，黨金淼

(吉林工程技術師范學院，吉林 長春 130052)

0 引言

為了順應以新技術、新業態、新產業、新模式為特點的經濟發展，國家和社會對新工科創新型卓越工程科技人才提出更為迫切的需求。目前，開放性實驗室教育模式逐漸在各大高校掀起一股浪潮[1]。與此同時，教育部啟動“卓越計劃”[2]，將提升實驗室教學效率、完善實驗室教學體系，作為新時期高等院校教育教學改革的重要著力點[3]。為順應新時代人才培養的發展趨勢，本文以開放性實驗室為載體，融合大數據、神經網絡算法，打造人工智能視域下開放性實驗室專家評測新模式，為新工科背景下的應用型本科人才培養模式提供新思路、新方法、新理論和新途徑。

在高校專業教學領域，專家和學者對開放性實驗室建設模式的研究較為廣泛。2007年，趙麗華等[4]提出傳統實驗室教學模式存在局限，專注于理論知識的學習及操作技能的訓練，勢必會造成學生對實驗的感受不夠深刻，對儀器運行的機制與狀態不夠了解，導致操作不夠熟練，還存在當出現故障時實驗結果不正確、無法及時得到教師的幫助等問題。2013年，沈嘉幸等[5]指出實驗室開放程度具有一定限制，設備使用情況無法及時傳達給管理教師，導致學生在進行實驗過程中造成設備損壞時無法得到及時維修。2016年，陸寶萍等[1]提到由于開放性實驗室制度不夠完善，缺乏一定的考評與管理制度，學生使用實驗室的時間與頻次不固定，導致學習效率降低。劉佳霖等[6]也提到由于缺乏完善的考評與管理制度，學生在實驗技能實驗規范以及實驗習慣等方面存在差異，導致實驗使用時間出現沖突，使用設備存在超時及損壞等嚴重情況，造成資源的浪費。2020年，楊宗凱等[7]指出互聯網的發展和人工智能技術的興起，使數據計算智能化、規模化，為教育科學化提供了新的途徑，從而為個性化學習提供了新方向。2021年，楊素婷、廖軍等[8-9]提到建設基于大數據智能一體化的智能化實驗室，以能力、場地、過程、技術作為邏輯模型，設計多層次體系結構，從教學準備、計劃、實施及評估過程實施建設，進一步提高實驗室在數字化和智能化上的建設水平。劉學平等[10]也提到，要進一步提升實驗室的現代化和智能化水平。此外，教師不僅教授學生基本的學科知識，還要培養其科學探究精神，促進學生的個性發展，最終提升學生的科學素養[11]。如何將現代科技、人工智能融入到實驗室建設中，為學生提供個性化教育，是值得學者探討的問題。

針對上述問題，本文設計開放性實驗室專家評測系統。將教師經驗錄入評測系統規則庫中作為評判標準，根據此標準使用神經網絡對學生學習數據進行篩選和分析，最終由該系統給出針對性建議。由于此系統可在線上運行，因此能夠大大提高實驗室教學效率，協助教師合理安排教學內容及時間，培養學生自主學習能力及創新能力，對培養學生個性化發展起到積極促進作用。通過使用專家評測系統對學生數據進行分析，能夠做到以學生為本，凸顯學生在實驗教學中的主體地位。

1 專家評測系統

專家評測系統(ES系統)包括數據庫、規則庫及其他組成部分，可應用于開放性實驗教學，是對學生學習完成情況進行數據分析的一種智能評測系統。ES系統整體框架如圖1所示，包括數據庫、規則庫及其他部分。

圖1 專家評測系統結構圖

人機操作界面包括兩個子系統，分別為基于神經網絡的數據分析系統和基于規則庫的個性化建議系統。如圖2所示。

圖2 人機操作界面

1.1 數據分析系統

數據分析包含三個步驟：首先通過大數據采集學生信息；然后將采集到的信息轉化為機器能夠識別的數據；最后將這些機器數據通過神經網絡系統進行歸類。

1.2 個性化建議系統

個性化建議系統包含三個部分：第一部分是匯總學生所有信息的綜合數據庫；第二部分是神經網絡分析數據后產生的多種類型的規則庫；第三部分是將學生數據與規則庫進行比對形成的個性化建議庫。個性建議庫的信息將通過機器翻譯系統顯示到人機交互界面上，由學生自主選擇。

操作界面兩個子系統的設計源于實驗教學的客觀需求，體現了對學生進行個性化培養的教育理念。根據大數據與神經網絡相結合的專家評測系統，實現教育教學評價體系的多元化、智能化。通過個性化培養為學生提供針對性建議，從多維角度挖掘學生學習天分，培優補差，充分發揮學生這一教育主體的主觀能動性[12]，培養學生的創新能力及自主學習能力。

專家評測系統中基于大數據的綜合數據庫，涵蓋學生從實驗、學習到生活中可以記錄的數據。通過攝像頭收集學生在課堂上的動作片段，提取不同時間段的學生面部表情、肢體動作和眨眼頻率[13]，利用局部提取、小波包絡等方式對人臉表情進行分析，反映學生學習過程中的專注程度[14]。綜合數據庫中實驗數據來自于學生平時實驗所記錄的結果數據和實驗過程數據；學習數據是學生在學習過程中使用學習軟件所記錄的作業完成情況、資源查看情況及測試得分情況；生活數據為學生平時手機定位情況、使用情況的信息收集。

2 基于神經網絡的數據分析系統

2.1 信息收集模塊

信息收集模塊是專家評測系統運行的基礎。通過對學生數據進行全面性分析，能夠給出相應的數據類別。信息收集模塊在大數據的基礎上分為信息抽取、轉換、輸入、檢測。目前部分高校教師使用“云班課”來輔助教學，學生平時學習情況源自“云班課”移動平臺大數據統計的結果，平時成績由總經驗值反映，總經驗值由學生在“云班課”中查閱資料、簽到、測試、參與活動的表現來獲得[15]。收集學生在云班課中的信息數據可以了解學生對課程學習的情況。通過信息轉換將“經驗值”信息轉化為具體數據，輸入到綜合數據庫中。

2.2 信息處理模塊

信息處理模塊將學生表層的行為數據信息轉化為計算機可以識別和判斷的信息。通過簡單便捷的循環神經網絡直接實現自然語言之間的自動翻譯，將機器語言作為樣本值輸入到神經網絡系統中，賦予特定的權值與偏置，輸出的結果即為翻譯后的結果。使用循環神經網絡進行機器翻譯，可以大大提升翻譯的準確率和效率，節省信息處理時間。翻譯后的語言采用編碼器-解碼器框架來實現序列到序列的轉換，信息處理模塊圖如圖3所示。

圖3 信息處理模塊圖

該編碼器-解碼器主要依據以下公式進行信息的處理：

lgp(x)-DKL[q(z│x)‖p(z│x)]=Ez-p[lgp(x│z)]-DKL[q(z│x)]-DKL[q(z│x)‖p(z)],

其中，lgp(x)為優化目標，DKL[q(z│x)‖p(z│x)]為趨近為0的數，Ez-p[lgp(x│z)]為解碼器，DKL[q(z│x)‖p(z)]為正則項。通過使用該系統，不僅可以將學生的行為數據作為樣本信息進行處理，并且可以預測學生接下來可能會產生的行為數據。

2.3 數據分析模塊

在收集和預測學生的信息之后，通過神經網絡對數據進行分析歸類。將收集到的學生信息以及預測的信息輸入到數據分析模塊中后，將這些信息進行特征提取，將每一個數據拆分為由不同的特征值組成的數據，含有相同特征值的數據歸到一種特征范圍里，最終根據一定比例將該數據作為學生的特征，如圖4所示。

圖4 數據分析模塊圖

3 基于規則庫的個性化建議系統

基于規則庫的個性化建議系統包括兩個部分：規則庫的建立、個性化推薦系統的建立。在綜合數據庫建立起來之后，需要通過規則庫將學生的數據自動進行智能分類，來辨別學生的興趣點以及學生存在的問題，根據這些不同的興趣點和問題，通過個性化推薦系統給出相應的建議。

3.1 規則庫的建立

規則庫的建立是根據卷積神經網絡和反卷積神經網絡對數據進行拆解，找到數據之間的相似點歸為一類，作為學生的特征數據。基于規則的專家系統具有統一結構，可將知識處理過程分離，根據自然知識的描述進行相應規則激活；將教師經驗作為標準輸入到規則庫中，對學生特征數據進行分析，達到針對性指導及個性化教學的目的。基于神經網絡的規則庫系統，可通過原本存在的分類規則，結合神經網絡進行拆分，并進行新的排列組合，從而形成新的規則。根據這些規則，將學生數據進行劃分，能夠更加準確地分析學生的數據，為學生找到適合自己的方向。

規則庫見圖5。基于專家系統的規則庫在建立時需要根據教師經驗輸入相應的規則權重、前提屬性權重和置信度。當滿足某一規則的條件時，便激發規則，執行動作部分。

圖5 規則庫示意圖

3.2 個性化推薦系統的建立

個性化推薦系統是基于規則庫建立的一種系統，在規則庫將學生的數據信息按照一定的規則進行細致的劃分，根據評判體系將學生的興趣點、學習能力、學科優勢、學科劣勢作為樣本數據進行劃分，依據這些特征分別給學生相關建議，通過滲透法、暗示法等為學生提供不同的個性化建議，由學生自主選擇，達到對學生進行個性化培養的目的。

4 結語

為響應新時代新工科背景下的應用型本科人才培養需求，本文設計開放性實驗室專家評測系統，以學生個性化發展為核心目標，依托神經網絡，提取學生特征數據，完成數據庫及規則庫層面的構建，通過對學生特征數據進行智能化篩選和分析，為學生提供針對性建議。開放性實驗室專家評測系統的設計既能輔助教師提高教學質量和教學效率，加強應用型本科學生在專業實踐方面的自主創新、自主學習能力；也能進一步推動開放性實驗室智能化建設的發展，為新工科創新型卓越工程科技人才的培養提供新思路。