基于人工智能的規模化與個性化相結合教學環境構建

陳丹琪　李英梅　龐國莉　段麗

［摘 要］人工智能技術在教育領域的應用是時代進步的產物，它引領傳統教育模式發生了巨大變革。文章依托雨課堂教學過程數據，從教與學兩個視角探索了精準教學的新模式。通過梳理軟件工程課程知識點及對應習題，運用決策樹及FP?Growth算法，能夠在規模化教學中為教師實時提供精準教學決策，又能夠在個性化教學中讓學生獲取有針對性的習題。個性化教學的融入彌補了規模化教學的不足，使學生在多樣化教學環境中增強了學習的主動性、積極性，成績有了明顯的提升。

［關鍵詞］人工智能；規模化；個性化；精準；教學環節；軟件工程

［中圖分類號］G642［文獻標識碼］A［文章編號］2095-3437（2024）04-0084-04

2019年，中共中央、國務院印發了《中國教育現代化2035》，其中提出要“利用現代技術加快推動人才培養模式改革，實現規模化教育與個性化培養的有機結合”。為實現這一目標，可以通過推動智能技術深度融入教育教學全過程，加強對信息化時代學習者認知和學習行為規律的研究，推廣應用智能學習空間和智能教育助理，促進育人方式、教學模式改進，實現公平而有質量的教育[1]。

一、人工智能輔助教學的必要性

將人工智能技術融入教育教學，能夠使學生對學習的自主控制和教師對學生的個性化指導真正成為可能。代表性的研究有：徐歡云等人梳理了國際教育人工智能的研究現狀與發展脈絡，建議應立足多樣化視角挖掘小而精的研究主題，開展我國教育人工智能本土化發展創新研究[2]；張奕等人通過應用智能識別設備，采集各種教學中的交互行為數據進行分析，發布更加精確的學情報告，以提升教學效果[3]；劉旭等人探討了將人工智能引入神經病學教學，以推動教學模式改變、實現精準教學[4]。

軟件工程課程是一門聯系基礎理論與工程實踐的橋梁性課程，也是計算機相關專業的核心課程。為了更好地解決軟件工程課程內容龐雜抽象、教學實踐環節薄弱等問題，國內外專家紛紛應用人工智能技術輔助軟件工程課程授課，例如曾明星等人在軟件工程實訓中，應用以人工智能技術構建的“游泳池”實訓空間，實現精準教學、智能管理、工程實踐、技術體驗等功能，取得了良好的實踐教學效果[5]。人工智能技術的介入為軟件工程課程建設和教學改革開辟了一條全新道路。

二、軟件工程課程精準教學環節的構建

2016年以來，課程組在軟件工程教學中使用了由清華大學和學堂在線共同推出的雨課堂平臺進行授課，該平臺的應用不僅可以有效監管課堂，還可以通過多樣化教學手段的實施，積累反映學生各方面表現的豐富數據。依據這些實時數據并運用人工智能技術，課程組構建了一個能夠精準確定教學目標、精準實施教學過程、精準進行教學干預的規模化與個性化相結合教學環境，包括課前、課中、課后三個精準教學環節。

（一）數據準備與獲取

為了在抓取雨課堂數據時可以處理得到更加有效的細分類別支撐數據，課程組重構了軟件工程教學內容中各知識點的關聯性，著重對各學時的討論問題、自主練習題及作業題進行知識點、認知過程維度、難易程度的標注，并將教學過程劃分為預習、課堂、實驗和考試四個教學情境，分別設定各個情境中對學生學習狀態的評價指標。這樣就可獲取錯題知識點編號、錯題類型、習題得分、認知目標水平、做題時長、錯題量、正確率等動態教育數據，從而幫助教師實施精準教學干預。

（二）建立規模化授課的精準課堂教學環節

依托雨課堂的軟件工程規模化理論授課流程包括：課前為學生推送多種形式的預習內容及自測練習，按照預習情境中設置的評價指標獲取預習學情分析數據，用以將課程目標分解、重構，設定出每學時精準的教學目標和學習目標，并設計出從不同側面反映教學目標達成度的習題；課中按照教學目標進行講授，可讓學生分組進行討論，實施協作式學習，將存疑的問題以雨課堂特有的彈幕或“不懂”方式進行反饋，教師再根據學生提出的問題深入講解并有針對性地推送相關習題。雨課堂實時抽取課堂教學數據，運用決策樹算法，為教師提供精準的教學決策，以便教師選用面向不同授課群體、不同學習水平的學生所適宜采用的教學方法。之前筆者的相關研究已對這種規模化授課中精準課堂教學環節的實現過程做了詳細描述[6]。

（三）建立精準個性化教學環節

軟件工程是理論與實踐并重的一門課程。在理論講授之后的課后環節，教師根據雨課堂教學數據，發布基礎的共性作業及個性化的鞏固練習習題，并在實踐課堂的教學環節中，針對學生不足之處進一步布置個性化強化實驗，面對面進行精準教學干預，以提高學生的軟件工程綜合應用能力。學生也可以根據關聯規則，明確自身的認知缺陷，及時查缺補漏，有效提升學業成績。

1.挖掘錯題規律，獲取個性化習題

根據軟件工程課程的授課計劃及教學大綱，標注各章節的知識點，并與習題資源進行綁定，建立習題與知識點關聯機制。課程知識點用章、節、知識點三級信息表示，各級信息均保存編號及名稱數據。其中每一章下設置有多節，每一節下又可以有多個知識點。習題資源被劃分為與知識點關聯習題和記錄兩部分。教師按照各知識點分別設置不同題型的多項習題，可以在課堂練習、課后作業、單元測驗、錯題庫中靈活使用，并將學生完成習題的具體情況數據保存在答題記錄的數據表中，如做題時長、正確率、實踐類習題錯誤率、練習次數等。

將教學過程中的實際數據，按照上述模式保存到數據庫中，應用FP?Growth算法對學生的錯題知識點編號進行關聯分析，通過關聯規則挖掘抽取出錯題規律，從而生成關聯性極強的錯題信息結構。

運用FP?Growth算法的基本思想，通過收集學生所有的錯題作為基礎項集 [I=]{[a1， a2，…， am]}，并將其保存在錯題數據庫 [DB=]〈[T1 ，T2 ，…， Tn]〉中，這里的[Ti， i∈{1，2，…， n]} 是I中元素組成的集合。頻繁項集A也是I中元素組成的集合，但要求A的支持度大于最小支持度閾值，這樣的A被稱為頻繁項集。接下來要從頻繁項集中提取所有高置信度的規則作為錯題關聯規律。

例如，設某一階段教學過程中學生的錯題基礎項集為I，表示為[I=]{[a1， a2， a3， a4， a5， a6， a7， a8， a9，]

[a10， a11， a12， a13， a14， a15， a16]}，錯題數據庫如表1所示。第一次掃描錯題數據庫，收集每個項目的支持計數，并以支持度不小于20%作為閾值，則產生如表2所示的按照其支持度降序排列的頻繁1項集head表。同時修改錯題數據庫的每一條記錄，只保留支持度不小于2的項并排序，得出如表3所示的已轉換排序頻繁項。

第二次掃描錯題數據庫，利用有序頻繁1項集的head表建立FP樹。操作時讀取已調整排序的頻繁項集，從根節點出發，將每個項集中的各元素按順序添加到FP樹中，同時記錄元素出現的次數。例如，第一位學生的錯題事務插入FP樹后，順序出現了由{a1：1，a3：1，a5：1，a2：1，a6：1}形成的一條路徑。把排在前面的元素作為祖先節點，排在最后面的元素作為葉節點。當添加其他項集時，如果有相同的祖先節點出現，可把出現次數累計加1，而出現不同的元素時，則建立新節點并標記計數。直到將表3中10條數據依次插入，就生成了完整的FP樹。

后續要從FP樹中挖掘最大頻繁項集。自最底層的a6節點向上尋找此節點的條件模式基，由于此FP樹中只有一個a6節點，因此就只有唯一一條路徑，對應{a1：8，a3：8，a5：6，a2：2，a6：2}。然后將a6的所有祖先節點改為與a6相同的計數，即FP子樹變為{a1：2，a3：2，a5：2，a2：2，a6：2}。最終的a6的條件模式基形如{a1：2，a3：2，a5：2，a2：2}。由此易得a6的頻繁2項集為{a1：2，a6：2}，{a3：2，a6：2}，{a5：2，a6：2}，{a2：2，a6：2}。遞歸合并2項集，得到頻繁3項集為{a1：2，a3：2，a6：2}，{a1：2，a5：2，a6：2}，……這里省略了一些其他的頻繁3項集。一直遞歸下去，a6對應的最大的頻繁項集為頻繁5項集{a1：2，a3：2，a5：2，a2：2，a6：2}。同理，a4對應的最大的頻繁項集為頻繁3項集{a1：2，a3：2，a4：2}，a2的最大頻繁項集為頻繁4項集{a1：2，a3：2，a5：2，a2：2}，a7的最大頻繁項集為頻繁4項集{a1：5，a3：5，a5：4，a7：4}，a5的最大頻繁項集為頻繁3項集{a1：6，a3：6，a5：6}，a3的最大頻繁項集為頻繁2項集{a1：8，a3：8}，a1的條件模式基為空，不必再挖掘。

通過對各個頻繁項集的支持度和置信度進行計算得到的結果，與教師設定的對應閾值進行比較，如果大于則提取作為關聯規則，否則拋棄。由于在習題與知識點間建立了關聯機制，因此可以依據關聯規則中的知識點屬性，快速從課程知識結構中定位知識點所在的章節，再由這些知識點的從屬關系，構建起錯題信息結構。此結構中主要記錄了錯題對應的知識點編號及名稱，尤其存儲了導致學生未能掌握該知識點的關聯支撐知識點編號，并可在錯題標識層中獲取錯題知識點所屬章節。

在獲取的雨課堂教學數據中，經由錯題信息結構，可以分析得到學生個性化的知識欠缺路徑，進而向學生發布個性化的作業。這些作業題既包括當前授課內容中學生未熟練掌握的部分，也會添加一到兩道前期學過的關聯知識習題。此種形式的作業不僅可以精準地促進學生對缺陷知識點的練習，還可以避免學生間抄襲作業的情況發生。教師還能在接下來的實踐課堂教學環節中，布置個性化強化實驗，讓學生通過動手操作進一步加深對掌握不牢靠的理論知識點的理解。這一階段由于有教師在旁一對一針對性的指導，因此可以更有效地解決個性化問題，幫助學生盡快補齊理論短板并提升解決實際問題的工程實踐能力。

2.依據錯題規律，生成個性化錯題庫

積累教學過程中的學生錯題數據，一方面方便學生就自己出錯的題目進行練習，加深對錯題的理解；另一方面通過挖掘大量錯題數據構建錯題信息結構，能夠準確定位知識紕漏，為學生提供合理化的習題配置，生成個性化精準定制習題庫。應用錯題庫時，習題內容能夠根據學生某階段的練習情況自動動態調整。教師根據題目的重要程度和難度設定練習次數 n，學生做對一次 n 值減 1，做錯一次 n 值加 2。當 n=0 時，該題從錯題庫中移出。這種錯題動態調整機制更符合學生的個性化學習需求。

三、教學效果分析與總結

分析開設軟件工程課程的兩個不同專業學生期末考試成績數據會發現，實施了規模化與個性化相結合的精準教學環境構建方案的教學輪次，相較使用傳統授課方法的教學輪次，學生期末平均成績從68分提高到了72分。隨著基礎教學數據的不斷積累，錯題信息結構模型不斷完善，個性化教學的力度進一步加強，反映學生實踐能力的應用題和設計題得分率在精準教學環境中也有10%的攀升。

可見，規模化與個性化精準教學環境的構建過程，是基于人工智能技術改革軟件工程課程教學模式的一種卓有成效的嘗試。應用人工智能輔助教學，精準施教，能夠取得更好的教學效果。

［ 參 考 文 獻 ］

[1］ 李冀紅，萬青青，陸曉靜，等. 面向現代化的教育信息化發展方向與建議：《中國教育現代化2035》引發的政策思考[J].中國遠程教育，2021（4）：21-30.

[2］ 徐歡云，胡小勇. 借鑒、融合與創新：教育人工智能發展的多維路向：基于AIED（2011-2018）的啟示[J]. 開放教育研究， 2019，25（6）：31-45.

[3］ 張奕. 基于教學精準交互行為分析的人工智能精準教學研究[J]. 成人教育， 2019， 39（9）：83-88.

[4］ 劉旭，汪昕. 人工智能在神經病學教學中的應用[J].大學教育，2023（7）：66-68.

[5] 曾明星，徐洪智，黃云，等. 人工智能賦能實踐教學：軟件工程“游泳池”實訓空間設計與應用[J].現代遠程教育研究， 2020， 32（4）：48-56.

[6］ 陳丹琪，段麗，孫旭光. 基于機器學習的教學決策在軟件工程教學中的應用[J].科技視界， 2022（26）：79-82.

［責任編輯：林志恒］