基于SPOC视频和智能答疑的CAI模式研究*

张俊飞

（广州医科大学 基础医学学院，广东 广州 511436）

引言

教育部发布的 《教育信息化十年发展规划 （2011-2020年）》中指出：“教育信息化发展要以教育理念创新为先导，以优质教育资源和信息化学习环境建设为基础，以学习方式和教育模式创新为核心”。[1]本研究以SPOC（Small Private Online Course）视频教学资源为依托，以课程智能答疑为教学脚手架，构建了计算机辅助教学（Computer Aided Instruction，简称 CAI）模式，实现了课前预习和课后巩固的教学功能。本研究是在广州市青年专项课题“翻转课堂实践研究——以《大学计算机基础》分级教学为例”支持下开展实施。其中项目组教师根据课程内容，录制短小精悍的SPOC系列视频，开发SPOC视频网站并嵌入智能答疑模块。本文着重从SPOC视频与智能答疑概念、研究的意义和模式的设计、技术实现等方面进行阐述。

一、相关概念

1.SPOC视频

大规模开放在线课程(MOOC)是近年来开放教育发展的典型产物,以“高质量、低成本、大规模”特点掀起了教育革新热潮。然而后期研究表明，MOOC在实施中也暴露出高辍学率、浅层次学习等“质量危机”[2][3][4][5]。因此，混合学习理论把MOOC本土化，形成 “线上线下”相结合的教学模式SPOC。SPOC概念是由加州大学伯克利分校Armando Fox首先提出，他认为教学中的SPOC可以增强教师指导作用、学生掌握知识程度以及参与度。[6]

当前国内学者对SPOC已从概念、案例、模式等方面进行了研究。[7][8][9]然而，众多的研究中以理论探讨和模式实证为多，鲜有对基于SPOC视频答疑的学习效果进行全面的实证分析。本研究以SPOC视频为学习资料，着眼基于视频的智能答疑教学交互，并通过教学实践验证此CAI模式的教学有效性。

2.智能答疑

智能答疑是用户使用自然语言提出问题，通过网络计算机程序得到有效的问题解答的一个过程。智能答疑研究经历了概念界定、自然语言理解技术探索、多领域应用等不同阶段。近几年，随着ICT的发展，又进一步促进了智能答疑技术的研究。

当前学者对智能答疑在医学、农业、教育等领域都有研究。张翔立等整合社区医疗服务和智能答疑，采取全自动智能搜索与半自动辅助答疑相结合实现了在医疗领域的应用。[10]王莉等基于本体技术实现对植物病虫害智能答疑。[11]还有很多学者对智能答疑算法进行研究。郑耿忠等提出了分布式蚁群智能分类算法,进一步提高智能答疑系统检索的效率和智能性。[12]翟继友设计了一种混合型句子语义相似度计算方法，提升了智能答疑相似度计算准确率。[13]

3.CAI模式

计算机辅助教学是在计算机辅助下进行的各种教学活动，教学内容的交互、教学进程的安排、教学训练等。当前国内学者针对CAI教学研究呈现多样性。如张永恒等利用上机实验Web系统实现在线指导和作业统计等教学活动。[14]李梅枝等整合CAI课件和案例教学法，进行临床医学教学，并通过对照组实验验证其教学效果。[15]本研究的CAI模式借助SPOC网络平台，针对视频智能答疑开展课前预习和课后复习教学活动。

二、问题的提出及研究的意义

1.信息化时代凸显的问题

教学交互是远程教育的重要主题，是实现远程教育中教与学再度整合的关键过程。[16]孙洪涛等对中国14个主要 MOOCs平台的622门课程的整体交互状况进行了分析，发现课程总体交互水平偏低、学习支持有助于促进交互。[17]马尔加良等曾指出，MOOCs学习支持特别是教师反馈明显不足。[18]基于SPOC视频的CAI模式，同样存在着教学交互少的问题。国内学者针对信息化教学交互，更多的是依托信息化通讯软件 （如QQ、微信等）、网络平台（如论坛、问题库等）。不可否认，当前的交互方式促进了网络化学习，但是这种交互方式不具备教学情境性，对问题的描述可能会脱离当前课程，不具体化、课程本土化，不便于理解和问题快而准的即时解决。

2.本研究意义

本研究针对用户在SPOC视频学习过程中，遇到的问题进行智能答疑。如何基于课程视频片段的学习，提出学习问题并得到正确的答案，是远程教学需要解决的主要问题。本研究着眼SPOC视频片段与教学问题有机捆绑，使得问题更具有本土化、情景化；提供智能答疑和人工答疑两种方式，实现用户问题的解答；实现系统对PC终端和移动终端自适应，使得系统学习和移动学习成为可能。实践验证本研究设计的CAI模式不仅促进了远程教学交互，而且使得教学问题描述更具可操作性，更加便于理解。

三、CAI模式的设计与实现

对以SPOC视频为基础的学习支持智能答疑CAI模式解构后可以发现，本研究的CAI模式与以往其它教学模式相比，所呈现的特征和功能均能找到相应的信息技术作为依托。下文就CAI设计模式、视频问题标注、智能检索、系统界面终端自适应等四个部分作进一步的技术解构和细节剖析。

1.模式设计

从图1可以看出学生可以从移动终端和PC终端实现对SPOC视频课程资源的访问,通过对SPOC视频课程的学习,可以向配套的智能答疑问题库系统和教师进行问题的查询或提问。从图2可以看出，当从问题库系统中得到答案不满足时，可以向授课教师提出问题，如果问题典型，教师会将问题进行知识点标注，收藏到问题库中，以备学习者查阅。

图1 CAI模式

图2 CAI模式时序图

2.实现技术解析

CAI模式实现了对学习者学习问题的反馈，本小节主要从技术角度去解析三个功能模块：①基于视频的知识点标注；②智能答疑；③系统终端自适应。

（1）视频知识点标注

问题库中的问题具有知识点标注信息特点，问题关联视频播放点，章节知识点等信息，使得问题本地化，更具体，更具有针对性。当用户查询问题库中的问题时，可以点击链接，调出问题针对的视频播放点，从而实现了“弹幕”式的播放效果。“弹幕”在教学中的应用已经存在，华中科技大学将“弹幕”应用到《广告创意策划课》课程中，使得课程焕然一新。黎加厚教授曾在讲座中使用了“微弹幕”，增添了信息技术氛围。本文设计问题标注功能，将问题呈现在播放视频底部，使视频播放点和问题有效结合在一起，实现了“弹幕”效果。

学习者通过检索问题得到返回问题列表，如图3所示。点击问题列表中问题标注的视频点地址，打开关联视频点，视频底部显示问题和答案，如图4所示。问题标注实现技术简单，但达到的教学效果显著。

（2）智能答疑

中文语句相似度计算是自然语言处理领域重要的一个方面，在智能检索领域已得到很好的应用。余弦定理是计算语句相似度的一个很好的方法，属于基于表征相似度计算，通过对句子关键词特征值组成的词频向量进行余弦求解，按照值的大小说明句子相似度问题。但是传统的余弦定理仅仅考虑了语句中关键词的物理特征，没有实现语义特征的计算。本文在吸收传统的余弦定理相似度计算算法基础上，引入了语义层面相似度计算，改进了关键词特征值构成的词频向量，使得对中文语句相似度计算更加精准。

图3 问题标注信息

图4 问题与视频点关联

图5 智能答疑流程图

从图5可以看出，检索模块中相似度计算是智能答疑的核心。为了提高检索的准确性，本研究采用《同义词词林》词典对分词处理后的问题向量进行同义词计算，使得构成的词频向量不仅仅考虑了关键词的物理特征，还对关键词的同义词进行了词频计算处理。本研究采用了哈工大信息检索实验室对词典更新后的 《同义词词林》扩展版，词表包含77343条词语。同义词词典采用五层的层级体系，逐层词语逐渐增多，描述的词义越来越具体。哈工大《同义词词林》扩展版编码规则见表1。

表1 哈工大《同义词词林》扩展版编码规则

（3）终端显示优化

本系统不仅面向PC终端还面向移动终端。随着移动设备的快速普及，用户越来越多地使用各种屏幕尺寸的智能手机、平板电脑等。媒体查询应向不同设备提供不同样式，为每种类型的用户提供了最佳的体验。

手机浏览器是把页面放在一个viewport（视口）中，通常这个视口比屏幕宽，如iPhone手机的物理分辨率宽度为320px，而它的视口宽度为980px。默认的视口宽度不利于移动端的界面设计，因此本系统对不同分辨率的移动设备做了样式匹配，使得不同分辨率范围的设备使用不同的CSS样式文件，并将移动端浏览器的meta属性进行自适应设置。移动终端界面自适应代码如下：

四、实验验证与应用效果分析

1.实验验证

（1）实验描述

针对20道大学计算机课程问题，利用传统和改进的余弦定理算法进行问题检索。为了验证改进后算法的计算效果，同时进行大量人工判断，统计出人工排序结果作为参考。

（2）实验结果分析

实验采用以“电脑的组成部分，常见应用有哪些？”为检索问题，相似度计算结果如下表2所示，分析结果如图6、7所示。

表2 实验结果数据表

图6 三种排序结果图

图7 两种算法计算结果对比图

从图6可以看出，改进算法排序和人工排序曲线基本一致，传统算法排序曲线与人工排序曲线重合度比较低。这说明改进算法更加符合实际情况，更接近人的认知水平。从两种算法计算出相似度值对比图7中可以看出，两种算法计算出的结果是有差异的，且改进后的相似度计算结果普遍高于传统算法。比如传统算法相似度最高值为 0.5844155844155844，改进后为0.7894736842105264；第19和20道问题的相似度值由原来的相等变为不等，排序也发生了变化。传统算法实验没有考虑“计算机”、“电脑”等同义词、同类词，导致关键词构成的词频空间向量不同，问题相似度计算结果不同，排序也发生了变化。

2.应用效果分析

（1）智能答疑系统满意度调查问卷数据收集与分析

满意度调查问卷采用李克特量表设计。从系统的问题覆盖率和使用效果两方面共设计5个题项，每个题项设计了5个选项，分别为非常不同意、不同意、不一定、同意、非常同意。通过汇总，考察实验班对这些看法的认同度，给每个题项最高为5分，最低1分，见表3。

表3 问题库满意度调查问卷

采用SPSS工具，频数分析功能对收集到的问卷数据进行分析，频数分析表见图4。

表4 频数分析结果

SPSS频数分析结果提供平均数、标准差、方差等信息。依据数据显示可知：问题库在问题覆盖率和使用效果两方面得到认可，有效的促进了教学活动的开展。

（2）CAI模式教学效果应用分析

通过两次行动研究，即对2015级22人次小班《大学计算机基础》课程期中和期末两次考试成绩数据统计分析，其中期末阶段采用了CAI模式。利用SPSS工具，采用配对样本T检验方法，分析结果如表5、6、7所示。

表5 期中期末考试成绩的简单描述统计量

表6 期中期末考试成绩相关系数

表7 对配对变量差值的T检验

表5所示是对期中和期末考试成绩的单变量描述统计量。期中、期末考试成绩均值分别为82.4318与88.2773，说明期末成绩有明显提高；标准差分别为3.22201和4.59916；标准误分别为：0.68693和0.98055。表6中给出了期中和期末考试成绩的相关系数为0.236，不相关的概率为0.290，对相关系数进行显著性检验，其概率P值为0.290，大于显著性水平0.05，拒绝原假设，即认为期中和期末考试成绩不具有线性关系。表7给出了配对变量差值的T检验结果。变量对均值之间差值为-5.84545；差值的标准差为4.95347；差值的95%置信区间上下限分别为-8.04170和-3.64921；t值为-5.535；df自由度为 21；Sig.（双测）是双尾 T 检验的结果，获得t值得概率为0.000，即小于0.001，拒绝原假设，可以认为期中和期末的考试成绩有显著性差异，CAI模式有效的提高了学生的考试成绩。

五、结论

本研究着眼SPOC视频，结合智能答疑教学交互构建了CAI模式，对SPOC视频的问题标注实现了问题的本土化、情景化，更便于理解；对智能答疑相似度算法的改进，使得问题检索的查准率更高；实现了系统界面对移动终端和PC终端的自适应，提高了用户体验。通过后期的实验验证和应用效果分析证实了CAI模式有助于教学的开展。

[1]中华人民共和国教育部.教育部关于印发《教育信息化十年发展规划(2011-2020年)》的通知[Z].北京：教育部,2012.5.

[2]陈明选,陈舒.论信息化环境下大学生的有效学习[J].高等教育研究,2013(9)：65-72.

[3]Onah D F O,Sinclair J E,Boyatt R.Dropout Rates of Massive Open Online Courses：Behavioural Patterns[C].International Conference on Education and New Learning Technologies,2014：5825-5834.

[4]李翠翠.MOOC视角下的高校学生学习权保障[J].开放教育研究,2015(4)：68-74.

[5]Yadira A D L G L,Sancho-Vinuesa T,Gomez Zermeno M G.Atypical：analysis of a massive open online course(MOOC)with a relatively high rate of program completers[J].Global education review,2015,2(3)：68-81.

[6]Armando F．From MOOCs to SPOCs[J].Communications of the ACM,2013,(12)：38-40.

[7]黄光芳,吴洪艳,金义富.泛在学习环境下SPOC有效教学的实践与研究[J].电化教育研究,2016(5)：50-57.

[8]林晓凡,胡钦太,邓彩玲.基于SPOC的创新能力培养模式研究[J].电化教育研究,2015(10)：46-51.

[9]王朋娇,段婷婷,蔡宇南,曾祥民.基于SPOC的翻转课堂教学设计模式在开放大学中的应用研究[J].中国电化教育,2015(12)：79-86.

[10]张翔立,高蕾娜,李艳丹,等.社区医疗智能答疑系统的设计与实现[J].计算机工程与科学,2009(6)：153-155.

[11]王莉,李书琴.基于本体的植物病虫害智能答疑系统模型的研究[J].农机化研究,2014,(1)：48-50,55.

[12]郑耿忠,刘秋梅.蚁群算法在分布式智能答疑系统中的应用研究[J].微电子学与计算机,2010(6)：50-53.

[13]翟继友.一种混合型的句子语义相似度计算方法[J].科学技术与工程,2014(28)：81-85.

[14]张永恒,艾晓燕,刘红霞.基于J2EE的上机实验CAI系统设计与开发[J].现代电子技术,2015(15)：129-132.

[15]李梅枝,龙浩文,刘学军,等.案例教学法联合CAI课件在精神病学教学中的应用[J].湖南中医药大学学报,2017(5)：578-580.

[16]Anderson T.Getting the Mix Right Again：An Updated and Theoretical Rationale for Interaction[J].International Review of Research in Open&Distance Learning,2003,4(2)：153-61.

[17]孙洪涛,郑勤华,陈丽.中国MOOCs教学交互状况调查研究[J].开放教育研究,2016(1)：72-79.

[18]Margaryan A,Bianco M,Littlejohn A.Instructional quality of Massive Open Online Courses(MOOCs)[J].Computers&Education,2015(80)：77-83.