智慧教育体系架构及关键技术研究

2019-09-10王晓燕余东先

卫星电视与宽带多媒体 2019年19期

王晓燕余东先

【摘要】互联网应用技术飞速发展，大数据、人工智能、物联网、云计算等技术目前已开始应用于智慧教学。基于网络互联的各类教学设备、系统统一协作，实现设备的集中智能管理，环境的智能适应、学习方式的不断进步，全面实现信息化管理服务保障教学工作、逐步提升教学质量，最终让“智慧教学”无处不在。国家《教育信息化十年发展规划（2011-2020年）》提出到2020年，基本建成人人可享有优质教育资源的信息化学习环境，基本形成学校型社会的信息化支撑服务体系。本文结合大众对快速、便捷、安全的智慧教育的广泛需求，研究基于云计算的智慧教育应用领域的关键技术问题。主要阐述了智慧教育体系架构及平台基本功能，分析了智慧教育体系中人脸检测技术、虚拟化技术、数字孪生技术等人工智能技术的使用。在此基础上开发智慧教育应用服务，进一步丰富我国物联网应用，满足人们在工作节奏加快环境下对高质量教育的需求。

【关键字】智慧教育;云计算

2017年河南省教育厅河南省高等学校重点科研项目《基于云计算的智慧教育关键技术研究》，项目编号17B520016;河南省教育厅教育科学研究“十三五”规划课题《智慧教育生态系统构建与发展策略研究》，项目编号JKGHYB0433;河南省教育厅河南省职业教育教学改革研究项目《智慧教育视域下的职业教育信息化发展路径研究》，项目编号ZJB17233。

1. 智慧教育体系架构

1.1 总体建设思路

按照智慧校园总体规划，依托物联网技术、云计算技术、大数据技术和人工智能技术，构建一个舒适、智能、支持多种教学模式、留存所有教学数据、支持数据分析、持续改进的智慧学习环境。

1.2 智慧教育平台功能

1.2.1 综合数字服务平台

数据是学校重要资产，也是学校建设的核心竞争力之一，通过数据治理服务进行全校性数据治理解决数据问题，为后续大数据应用做好基础准备，提高信息化应用水平，也是当前高校在信息化发展中的必须步骤。数据治理服务将通过一套科学数据管理方法，对学校各业务域分散、重复、混乱的数据，进行梳理、建模、整合、评价、控制，制定数据标准和工作规范，打破信息壁垒，消除信息孤岛，提高数据合规监管和安全控制，对数据从产生、处理、整合、共享、应用、销毁等全生命周期进行管理，从而建立高质量的数据管理体系和统一的基础数据库，支撑各相关业务高效运行，支持学校管理者方便、安全、快速、可靠地利用数据进决策。根据行业实践经验，数据治理是破解信息孤岛、数据质量不高、信息安全隐患等数据管理难题的行之有效做法。面向全校性数据治理工作，对全校数据开展数据梳理、数据标准制定、数据治理体制机制建立等工作，并建立数据治理平台。

1.2.2 教学大数据分析平台

教学大数据分析平台作为教学数据分析结果和相应业务模块的展示端，是学校领导、教师、学生接触的终端平台，以业务模块为架构，对教学大数据的功能进行展示，具体的业务模块介绍如下：

综合教情。基于教学工作的管理需求，将与高校教学工作密切相关的数据组织起来，以数字化方式呈现出来，形成系统化的反映高校教学运行状态的数据集，可以直观看到全校教学相关数据，为相应的决策做辅助。包括学生数据、教师数据、课程数据、教室画像、预警数据。

学院教情。针对各学院、专业的教学相关数据进行综合的数字化呈现。包括学院整体的课程运行状态和相关指标呈现;学院整体在教学平台上的教学资源建设情况;教学平台上的课程运行情况，如学院课程分析、教学建设数据、课程运行数据。

教学状态预警。建立全校、院系和专业的教学状态预警指标体系，综合考虑不同变量对教学质量的影响程度，设立不同级别的预警值。在预警指标体系的基础上，对不同指标的运行结果进行实时监控，实现对各级教学状态数据的可视化管理。教学状态预警包括课堂秩序预警、学业预警、学生到课率预警、督导评分预警和学生评分预警，将教学质量监督细化到每一节课，并有针对性的对预警进行處理，提高教学质量。

教室画像。通过对教室分类、教室资产统计、教室运行状态监控以及教室使用情况汇报，全面了解学校当前教室的资源情况和使用状态，方便对教室资源进行调配和维护。

教学数据报告。教学数据报告是根据不同角色及需求，将平台已有数据进行整合后导出相应的数据表，便于不同场合需求使用。具体内容包括：教师个人画像、教学行为分析、教学督导评价、学生评价、课程成绩分析。

学生画像。建立学生在学习习惯、学习轨迹、学习成果以及生活方面的行为标签，为每类标签划分等级，根据每位学生的实际行为习惯以学生年级、性别、民族、籍贯、学习习惯、学习成果、学习轨迹、成绩、消费强度、运动强度、网络使用等为维度的行为个性标签分析和展示;呈现学生个性标签及详细行为数据等。

智能录播。教学过程中，通过录播摄像头对学生端和老师端进行行为扫描，对师生课堂行为进行触发记录，对行为数据进行相应的分析。首先对课堂行为进行建模，在教学过程中对学生及教师行为进行拍摄，扫描相应主体的行为，与前面建立的模型进行匹配，符合即触发记录，课程结束后输出课堂行为报告，并进行相应的数据分析。根据行为触发报告对学生在课堂上的行为进行分析，包括学生玩手机，趴桌子等，分析出该节课课堂秩序。根据行为触发报告对教师在课堂上的行为进行分析，包括教师授课、走下讲台、板书等行为的占比，分析出教师课堂授课风格。

1.2.3 人工智能AI平台

AI平台是一个简单易用的大规模机器学习和深度学习平台，涵盖机器学习、自然语言处理、图像识别、深度学习、数据智能化等多项人工智能技术。内置丰富的机器学习算法和深度学习框架，提供数据预处理、模型训练、评估、预测、发布等功能，同时提供可视化建模界面，支持拖拽式交互，让用户可以快速、便捷的洞察数据价值，探索人工智能应用。AI平台主要包括数据集管理、任务管理、模型管理、人工智能实践、自然语言处理、人脸识别6大模块，涵盖可视化建模及人工智能应用。其在教学中的应用场景譬如：

学业预警。使用全新计算模型对每个学生的行为模型进行建模包括学习成绩预测，学分情况，挂科情况，逃课情况，学习活跃度，并根据算法学习学生行为习惯，对预警值进行动态调整，方便老师和领导及时介入、给予疏导和帮助，有利于学校加强对学生的提高与管理。

学习轨迹分析。学生学习轨迹是综合学生在教学平台上的行为日志，学习时长，学习习惯和学习偏好等信息，对学生学习行为形成轨迹化图表。并提供优秀学生学习轨迹推荐，让学生可以参考优秀学生为榜样进行学习。

个性化学习推荐。个性化学习推荐是基于学生对知识点的测试成绩、图书馆借阅信息、学习轨迹、学习习惯和兴趣，为每位学生提供个性化学习资料推荐，包括网络视频资料、书籍资料、文字资料等，减少学生学习的盲目性，增强学习兴趣，同时支持微信端展示，方便学生学习使用。

2. 核心技术解决方案

2.1 基于人脸识别技术的智慧校园“一脸通”解决方案

2.1.1 人脸识别技术

人脸识别，“是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别”。人脸识别主要包括人脸检测和情绪识别，是自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术。人脸识别基于深度神经网络模型，通过本地上传或上传图片地址，能够检测图中的人脸进行标记并且进行性别分类。同时可以识别人脸情绪，并显示每种情绪的概率值。目前支持生气、高兴、厌恶、害怕、悲伤、惊讶、平静7种人类面部表情。

2.1.2 算法驱动

研发的一整套基于深度神经网络的人脸识别相关算法模型，包括人脸检测，关键点定位，情绪识别，活体检测，人脸认证等，准确率业界领先，并且后续还将持续不断优化和丰富算法模型。在人脸识别的算法和技术基础上，推出了人脸识别服务平台。将人脸识别技术全面运用于智慧校园管理和服务，“人脸识别服务平台”管理全校所有师生的人脸识别特征库，以人脸识别为基础支持，实现跨场景、跨应用的系统性整合。

当前，校园资产面临分布广而散、资产种类多数量大、人员流动，责任人不明确、盘点耗时耗力，不准确等问题，将物联网技术融入到智慧教室建设方案中。

2.1.3 场景应用案例——智能无感知考勤

课堂无感知考勤解决方案，人脸识别服务平台提前采集学生的人脸库，并设置上课考勤时间，在开始上课前，人脸识别服务平台的课堂无感考勤模块启动，实时捕获、识别人脸信息，形成课堂考勤记录。同时，自动将数据进行统计汇总，形成报表或图形反映学生出勤情况。人脸识别系统能有效地解决代签到、代上课等学生管理顽疾，同时不占用课堂教学时间，全流程自动监控，逃课、迟到、早退系统自动记录，显著提升学生出勤率，提高教学质量。无感知考勤系统通过前端教室内的摄像头采集人脸图像，经过人脸识别服务器比对，对学生的身份进行识别，从而做到无感知，解决传统刷卡考勤、指纹考勤、二维码考勤效率低、代打卡等问题。课堂无感知考勤结果实时显示，包含到课率、应到人数、实到人数、请假人数、旷课人数。

智慧校园“一脸通”解决方案基于人脸识别技术，围绕校内场所规范管理、校区安全管理、智能化教学业务场景，结合校园摄像头、Wi-Fi、一卡通系统等数据，通过部署校园人脸采集工具、人脸识别服务平台，基于各场景的应用模块，解决照片采集、人脸识别、数据存档分析等问题，实现校园安全可视化管理，及时预警危险信息，保障校园秩序，提升校园信息化建设水平。

2.2 基于虚拟化技术的数字资源整合方案

通过计算、存储和容量资源的虚拟化技术为基础设施的整合与重构提供技术支撑，建立弹性云服务，整合数据资源，为校园用户提供便捷、易用和安全可靠的数据中心基础设施。

计算虚拟化。将多台物理机的计算资源虚拟为资源池，合理分配、提供给多个虚拟机使用，有效地解决了资源分配、安全隔离等问题;虚拟化引擎则带来了管理上的便利，提供高可用、远端维护等功能;从规划和资源合理利用上，进行全局规划，而不再按需申请物理设备。

存储虚拟化。建立存储资源池，将面向单一应用的存储资源进行整合，采取统一管理。按其系统特征，设置FC、IP、NAS、SSD固态硬盘等多种访问模式，对后端存储差异进行封装。从全局角度对数据分层、高速缓存等进行设计，按需分配存储资源。存储虚拟化采用先进的预分配虚拟容量技术，按照实际使用情况实时调整物理资源，有效地解决了物理资源何莉配置问题。

资源虚拟化带来的好处是从全局角度统一规划，随业务发展进行分步建设。

2.3 基于RFID技术和数字孪生技术的全生命周期资产管理方案

智慧教室包含9大智能硬件AIoH子系統：AIoH视频显示子系统、AIoH中央控制子系统、AIoH交互讨论子系统、AIoH远程求助子系统、AIoH感知子系统、AIoH电子班牌子系统、AIoH录播子系统、AIoH无线投屏子系统、AIoH扩声子系统等9大智能硬件AIoH子系统。当前，校园资产面临分布广而散、资产种类多数量大、人员流动，责任人不明确、盘点耗时耗力，不准确等问题，将物联网技术融入到智慧教室建设方案中。通过RFID技术的全生命周期资产管理模块，为每个被管理设备贴上对应的有源或无源标签，实时检测设备的在位状态，设备离位告警，到达资产防盗的目的，同时还能实时统计设备数据，达到资产自动盘点，解决了人工盘点费时费力的现象。

数字孪生技术构建全新一代管理平台，实时反馈全校、每栋楼、每层楼、每间教室所有设备运行的实时状态，比如：当前有多少设备是在使用状态，有多少设备是异常状态，有多少设备发生了故障进入每间教室后，每种设备的工作状态，都实时呈现在图中。

2.4 基于自然语言处理技术的课堂行为深度智能分析方案

自然语言处理（NLP）是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。包含文本分词、词频分析和情感分析三个功能点。文本分词是将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列的过程，支持输入或粘贴需分词文本，并提供分词结果展示。词频分析是统计给定文本中分词的出现频率，并按照频率排序展示，同时提供几十种词云图样式，用户可选择想要的样式，将分词一键生成词云图并下载。情感分析是自动对包含主观信息的文本进行情感极性判断并给出置信度。情感极性我们分为正负两极，当极性置信度大于50%为正极，小于50%为负极。情感分析是一种常见的自然语言处理（NLP）方法的应用，特别是在以提取文本的情感内容为目标的分类方法中。情感分析可以被视为利用一些情感得分指标来量化定性数据的方法。情感分析分为：基于情感词典的传统情感分析和基于机器学习算法或者深度学习的情感分析。

利用自然语言处理技术对课堂行为进行深度智能分析。通过对教师课堂语言进行分析，并进行语音编码。语音编码首先是对已经录制完成的语音进行分解，分解为时长为1分钟的音频，对每个音频进行语音转码，将音频文字化，之后对具体的内容进行分析归类，得到课堂行为数据，进而对相应数据进行分析。以教师和学生的发言内容为分析基础，教师发言以产生效果分类，情感的表达：如接纳学生感受，表扬或鼓励，接纳学生观点等;广泛的表达：如对课堂尚未指定学生回答的提问内容等属于间接影响：指示性语言：如讲解、发表个人看法，给予学生指令等;针对性语言，如对特性学生进行批评等，属于直接行为。

3. 智慧教育技术的应用价值

教育管理决策更加科学-通过教学静态数据、教学互动数据、教学行为数据等全方位、多维度的数据分析，为教学管理决策提供客观的数据支撑。

教育教學模式更加精准-根据专业知识点与社会需求的匹配，不同课程与教学模式的匹配，不同学生个性化学习方法的匹配，实现教学模式的精准化，学生学习的个性化。

学生学习方式更加个性化-针对学生的专业、学习轨迹、学习成绩进行相关资源的推送及帮扶人员的精准帮扶。

教育评价方法更加公平-教学过程数据的可采集、可分析，补充了教学评价中确实的环节，更能客观反映教育过程的真实情况，实现评价更加公平。

科学研究路线更加客观-针对知识图谱、专业语料库、名师语料库这些拥有着巨大潜力的教学数据挖掘方向，针对教学数据对教学改革的影响等领域，做好数据的积累和机器学习的准备。

参考文献：

[1]杨现民，余胜泉.智慧教育体系架构与关键支撑技术[J].中国电化教育，2015（01）：77-84

[2]教育管理信息化新发展：走向智慧管理[J]. 荣荣，杨现民，陈耀华，赵秋锦.中国电化教育.2014（03）

[3]信息时代智慧教育的内涵与特征[J]. 杨现民.中国电化教育.2014（01）

[4]智慧教室：概念特征系统模型与建设案例[J]. 聂风华，钟晓流，宋述强.现代教育技术. 2013（07）

[5]大数据研究[J]. 严霄凤，张德馨.计算机技术与发展.2013（04）