基于AI学习的无人机现职军官培训方法研究

杨森 赵薇 党雪江 林志龙

摘  要 鉴于目前无人机现职军官培训在教学方法、教学手段上仍沿袭传统本科教学模式，培训过程中存在统一化、单一化等问题，对无人机现职军官能力需求进行分析，对基于AI学习的无人机现职军官培训方法进行探索研究，以2020级无人机装备保障与运用专业短训班学员为例，对培训效果进行分析，以期改变现职军官固有的培训模式，力求达到因材施教的目的。

关键词 AI学习;无人机;个性化学习;智测系统

中图分类号：G642    文献标识码：B

文章编号：1671-489X（2021）09-0056-03

1  军校任职教育现状分析

近年来，随着无人机技术的快速发展、无人机装备的大量列装和无人机作战运用范围与深度的不断拓展，对无人机现职军官专业技能、技术水平、心理素质等方面提出更高要求。该类人员需要对整个无人机系统结构、作战环境、作战对象、作战模式运用、作战效能等环节和对与其他有人装备协同作战方面均要有深刻的了解。目前，陆军工程大学在现职军官任职教育培训机制上还存在一些与实战能力培养要求不相符的问题，具体表现为：

1）教学对象在知识结构、专业技能、技术水平、心理素质等诸多方面存在很大的差异，学员的学习动力不足;

2）教员队伍普遍存在任职经历单一、实战经验不足、对部队实际缺乏了解等问题，难以与学员进行高效沟通;

3）教学内容千篇一律，缺乏对学员个性化认知的思考，缺乏因材施教的设计;

4）教学效果评价形式单一，评价单向，不能动态地跟踪学员的学习行为，无法科学地预判学员在未来任职岗位上的发展情况。

为提高无人机现职军官培训质量，破解培训过程中存在的統一化、单一化等问题，本文结合AI智适应学习理念，从无人机现职军官能力需求分析入手，通过对AI学习的系统结构模型和过程模型的研究，探索基于AI学习的无人机现职军官培训新机制，为培养能打仗、打胜仗的高素质、专业化无人机人才服务。

2  无人机现职军官能力需求分析

课题组根据向实战化靠拢的要求，将学员的能力需求与实战结合;通过大量走访基层部队进行调研，获得丰富而翔实的第一手资料，真正了解到部队用什么人，做什么事，备什么战;组织校内部分无人机现职军官学员进行问卷调查等，根据统计分析结果，总结无人机现职军官的能力需求如下。

2.1  掌握过硬的专业知识

无人机系统包括飞机系统、地面系统、数据链系统、任务载荷系统和综合保障系统，涉及的专业知识种类多、内容深，作为现职军官学员，需要根据不同的专业要求，高标准、严要求地学习，要具备良好的学习能力和优秀的知识结构。

2.2  具备良好的心理素质

军校学员是国防和军队建设的重要人才保障，是打赢未来战争的指挥者和决策者，应具备坚定不移的理想信念、宠辱不惊的心理素质、百折不挠的进取意识、乐观向上的精神状态，成为有灵魂、有本事、有血性、有品德的新一代革命军人。

2.3  掌握一定的作战指挥能力

现代信息化联合作战参战力量多元，组织指挥更加复杂，协同性要求严格。这就需要超前谋划，训练学员具备一定的作战指挥素养，能处理各种紧急问题，统筹规划多种任务，有大局优先意识。

2.4  具备一定的无人机战术运用能力

无人机是我军武器装备中最具智能化、无人化特征的武器装备，是信息化条件下一体化联合作战不可或缺的重要组成要素。无人机专业学员只有紧紧围绕所属部队无人机装备的战技性能和作战能力，具备一定的无人机作战运用能力、方法，才能充分发挥无人机作战效能，对建设无人化作战体系、探索智能化作战模式、推动军队转型发展产生积极影响。

3  基于AI学习的无人机现职军官培训方法研究

AI学习是实现AI（人工智能）支持下学习者的自适应学习。自适应学习是根据学习者提供的输入信息和学习行为数据进行学习资源、学习方式或者学习内容等方面的动态、个性化学习。当今自适应学习面临的最大挑战是如何精准诊断学习者的知识点掌握程度以及学习路径的精准推荐，AI技术支持下的自适应学习及其模式为实现精准的个性化学习提供了有力支持。为满足无人机现职军官的培训需求，提高无人机现职军官的培训效率，以AI自适应学习模式为指导，因材施教。该模式根据每名学员的情况，对他们进行追根溯源的探测，智能分析每个学员的知识漏洞，并根据每一个学员的学习偏好，实时地为其推送最容易学会的教学内容，形成个性化的学习路径，从而实现精准定位、高效学习。基于AI学习的无人机现职军官培训体系框架如图1所示。

第一步：能力需求分析

结合无人机现职军官教学大纲和培训方案，通过问卷调查、部队调研等方式归纳总结适应信息化作战要求的无人机现职军官在知识储备、实战能力培养等方面的需求，建立无人机现职军官岗位能力需求结构模型。

第二步：信息完善与学前智测

首先掌握学员的基本信息，如身份属性、部队岗位、发展需求、学习情况及受教育程度等;其次，在第一步建立的能力需求结构模型的基础上，对每一名学员进行学前智测。智测系统中预设相关的知识点，学员在教员指导下完成相应知识点的测试，生成先行的测验报告，报告需要能够确定学员相关知识点的薄弱环节。

第三步：推送学习资料与展开学习

根据学前智测的数据分析，教员通过智测系统向学员推送指向薄弱知识点的相关学习资料和内容，包括理论基础知识、实装操作视频、专业组训方案、故障案例分析库等。学员通过学习这些内容，实现针对薄弱知识点的学习，进而达到提高学习效率的目的。同时，智测系统在学习过程中还可根据学员对知识点的掌握情况进行知识点逻辑关系以及学习路径的动态调整，并可为学员提供相应的知识点学习报告。

第四步：难度分层与靶向练习

在对学员薄弱知识点进行精准定位后，需根据知识点的难度层次及其先后逻辑顺序将知识点进行难度分层处理，为学员搭建一个从易到难的知识点学习路径，并根据学员对知识点的掌握情况，为每一名学员提供针对性的靶向练习，从而达到增强学习效果的目的。

第五步：学习分析与辅导

通过分析每一名学员在学习过程中所生成的学习报告，有针对性地对学员薄弱知识环节进行重点辅导，达到因材施教、个性化教学的目的。

4  效果分析

课题组选择2020级无人机装备保障与运用专业短训班学员进行系统测试。测试前、测试中和测试后通过座谈交流、问卷调查、统计分析、研讨总结、毕业联考成绩分析等渠道收集学员、教员、专家对智测系统的意见，归纳起来，主要涵盖软件设计、学习内容、学习效果、总体评价等四大类。表1～表3分别为各类调查结果汇总表。

4.1  软件设计满意度测评与交流

进行软件设计满意度测评与交流时，课题组重点提出四方面问题：

1）该软件界面是否简洁清楚？

2）人机交互性如何？是否做到以用户为中心？

3）软件故障率和加载速度如何？

4）内容组织结构是否合理？是否有助于传达界面信息？

课题组希望通过分析这些问题的回答来评估该软件设计的效果。表1列出学员、教员和专家对软件设计的满意度统计情况。学员对软件设计满意度评价较高，认为界面清楚，定位准确，基本符合自学需要，运行加载速度快。教员和专家认为：以用户为中心体现得不够，运行时偶尔会出现故障，在程序设计上还需加强检验。课题组认为：该软件设计时间较短，确实存在需要反复推敲完善的问题，在组织结构上还可以更加优化，这也是以后需要完善和改进的。

4.2  推送学习内容满意度测评与交流

进行推送学习内容满意度测评与交流时，课题组重点提出三方面问题：

1）你认为目前该测试系统中“无人机装备保障与运用”专业课程的测试模块与教学内容是否一致？是否覆盖学习知识点？

2）试题难度水平如何？是否与自己的水平相适应？

3）測试内容能否反映工作中亟待解决的问题？是否与实战化内容适应？

课题组希望通过分析这些问题的回答评价该软件学习内容的设计是否合理。表2列出学员、教员和专家对学习内容的满意度统计情况。学员认为：该软件包含的知识点丰富，题量大，难度水平较为合适，部分内容与自己的工作需要相一致，通过测试可以检验自己的学习情况，使用较为方便。教员和专家评价认为：该软件将课程中的知识点进行了汇总整理，覆盖全面，但题量过大，测试时间较长，应简化提炼相关知识点，从实战操作出发精选题目，部分试题和学员专业关联度不大，可以考虑删去;试题中与实战相关的题目还应再丰富一些，可以设计一些采用虚拟操作的实践题，让学员在电脑前就可以完成部分实操项目。

4.3  学习效果满意度测评与交流

进行学习效果满意度测评与交流时，课题组重点提出四方面问题供学员、教员和专家回答：

1）知识内容的呈现和推送是否符合自身学习兴趣、能力和需求？

2）能否增强学习效果，检验学习进展，帮助反思学习中的问题？

3）能否根据自身学习风格推送学习活动、资源和任务，提高学习效率？

4）使用后考试成绩是否提高？能否提高深度学习能力？

表3列出对学习效果的满意度统计情况。学员认为：该测试系统相比传统的教员讲述授课，形式更加灵活，通过测试对自己的学习水平有初步判断和了解，学习效率得到提高，省时省力;由于试题答案较为详尽，可以通过自学掌握部分内容，锻炼了学习能力。教员认为：该系统能在集中授课前让学员先测试，根据不足查漏补缺，教员上课时能有针对性地讲解，学员听讲也更加专注，减少部分课堂习题的时间，可以腾出更多精力准备一些案例教学和实践教学，有助于提高教学效率。专家使用后认为：该系统在内容推送的选择性上还不足，数据挖掘存在表面化现象，无法深入获得具有高度教学价值的隐性数据，算法较为简单;仅仅根据成绩划分学习风格并根据风格进行推送，容易让学员囿于某种固定的学习类型。

4.4  智测系统总体评价调研

进行智测系统总体评价调研时，课题组根据学员、教员和专家的意见，总结出该系统的优点和不足。

4.4.1  该系统带来人性化的人机交互，让学习者更好地与计算机实现“对话”，实现学习资源的高效利用  在基于AI的智测系统中，能通过前测完成信息筛选过程，呈现有用的信息和适合学习者的数据，大大提高了资源使用效率。系统采用非线性的知识呈现模式，有利于帮助学员建立完整的知识结构体系，从整体进行把握，将新旧知识点串起来，引导学习方向，促进知识拓展和迁移。

4.4.2  该系统创新了军校学员的学习模式，培养了其综合能力  学员在学习中遇到的问题可以通过系统获得及时解答，提高了分析和解决问题的能力，实现知识与技能的双重提升。计算机可以自动识别和纠错，根据学员的测试结果生成详细的学情报告，帮助学员及时掌握学习情况，提升学习质量。

4.4.3  通过学员填写的个人信息，比如学习需求、学习偏好，加上测试数据，教员就可以根据后台统计数据构建学员学习模型，对其当前的知识水平进行估测，分析其学习行为和表现，未来可对学员进行分组教学，对需要帮助的学员及时进行教学干预，改进教学内容和方法  这些信息将成为掌握该批次学员能力素质，发现其学习规律的重要素材，也是后续不断升级完善该系统的重要数据，可以据此不断更新学员模型，为服务学员的个性化学习打下坚实基础。督导专家可以据此对教员和课程进行评估，提出对现行教学制度的改进，推动院校科学利用和分配教学资源，分析教育计划和在线学习方法的有效性，为制定不断发展的教育决策提供依据。

4.4.4  该系统应用于教学中必将减轻教员的授课压力，但要防止对教员功能的弱化和忽视  虽然机器学习能实现智能化和自动化，但教员与学员之间的情感交流、学习辅导和教法设计是AI系统所缺乏的。同时，根据学员学习水平的智能化推送确实提高了学习效率，但也可能导致学员过度依赖系统建议，自我反思和自主学习的意识弱化，想象力、创造力、协作力降低。要强调该系统与教员相互协作而非取代，在应用中不断提高学员参与度和积极性，达到优势互补、共同参与促进的目的。■

参考文献

[1]尹岳.定向直招技术士官培养模式创新研究[J].科学大众（科学教育）.2016（1）：140.

[2]李海峰，王炜.人工智能支持下的智适应学习模式[J].中国电化教育，2018（12）：88-95，112.

[3]王丽萍，赵蔚，魏久鸿.自适应学习系统中基于Rasch的主题难度估计[J].现代教育技术，2017（6）：115-121.

[4]梁迎丽，刘陈.人工智能教育应用的现状分析、典型特征与发展趋势[J].中国电化教育，2018（3）：24-30.

[5]吴南中.自适应学习模型的构建及其实现策略[J].现代教育技术，2017（9）：12-18.

[6]唐羽，心理测试在飞行教学中的应用[J].创新教育，

2012（6）：183-184.