大数据背景下的个性化教学<br/>——以人工智能与媒体社会课程为例

大数据背景下的个性化教学
——以人工智能与媒体社会课程为例

2022-02-17刘宝忠

科技风 2022年35期

徐诚刘宝忠

武汉工程大学计算机科学与工程学院湖北武汉 430205

随着科技的日新月异，传统工业时代的一体化教学模式已经越来越不适应信息时代的新要求。在大数据背景下，个性化教学作为一种能够发掘所有学生特长的人才培养模式，已经成为我国教育改革的重要目标之一。人工智能与媒体社会是讲解人工智能在数字媒体领域应用的核心专业课程，作为本课程的教师，应该充分利用大数据的技术成果，研究个性化智慧教学的规律，为学生未来的职业发展打好坚实的基础。

1 大数据时代下的个性化教学

1.1 个性化教学的必要性

传统的教学模式是把所有的学生作为一个整体进行无差别教学，优点是可以系统地将完整的知识传授给学生，但这种教学手段是千人一面的，忽视了学生的个性化发展，达不到理想的教学效果。个性化教学模式与无差异化模式相反，承认学生之间的不同之处，根据每个人对知识的接受能力定制不同的培养方案，把每个学生区别对待，做到因材施教，这种模式必然会有效地提高课程的教学质量，促进学生的个性化发展。

1.2 大数据为个性化教学提供助力

在大数据时代之前，由于受到技术条件的制约，对教学数据的搜集和分析要花费大量的时间和精力。教师只能对不完整教学信息进行主观决策，很难实现真正意义上的个性化教学。当下，有了大数据背景的技术支持，才可以做到数字化精准分析和决策，为个性化教学助力。

目前的大数据技术可以从三个方面帮助个性化教学：一是收集各种显性的和潜在的数据，包括各种历史资料和当前的动态教学信息，并对这些信息进行加工和统计分析，让每个学生客观地了解自己学习情况，个性化推荐学习资源；二是根据每个学生的职业发展规划和能力特长，个性化定制切实可行的学习计划并动态监督执行；三是为教师提供教学大数据的分析结论，了解课程的最新情况，为教学决策提供参考依据，为个性化教学方案实施提供技术保障。

2 人工智能与媒体社会课程面临的挑战

本课程是为计算机大类数字媒体方向的学生开设的专业课，在教学过程中遇到了一些问题，需要加以解决[1]。

2.1 课程资源难以满足教学要求

人工智能课程的实验环境和普通的计算机课程不太一样，对实验设备有很高的要求。本课程需要有充足的计算力和足够的存储资源来实现一些关键实验，比如云计算实验、深度学习实验、智能机器人实验等。另外，与本课程相关的学习资源也不丰富。国内发行的与本课程相关教材主要有两类：一类是理论性很强、不易掌握的传统人工智能专业教材；另一类是内容丰富但浅尝辄止的人工智能导论型的教材，很难找到人工智能和数字媒体技术应用相结合的教材，与专业有关的实验指导书和习题集就更为罕见，这些资源的匮乏给教学造成了很大困难。

2.2 教师的教学方法不当

长期以来，我们对课程教师的学历和专业能力要求很高，但是忽视了他们教学能力的培养。人工智能与媒体社会这门课涉及的内容和知识面非常复杂，无论是理论知识的讲授，还是实践环节的指导，对教师的教学能力和教学方法都提出了很高的要求。然而在本课程的首次教学中，由于缺乏学生的大数据信息，一些教师在没有充分地了解数字媒体专业学生学习能力的情况下，照本宣科式地按照以往人工智能专业的教学方法来教学，上课时有半数以上学生跟不上教师的讲课进度，结果出现了教学质量的滑铁卢。直到第二年，课程组的教师吸取上一届学生的经验教训，制订了结合专业实际的个性化教学方案，教学质量才有所回升。

2.3 实验脱离工程实际

本课程的实验教学主要内容为传统人工智能实训项目，包括简单的基础算法型实验和难度较大的综合运用型实验。但是基本算法的一些经典训练项目过于脱离实际，比如四皇后问题、八数码问题等，这就导致学生把学习重心放在算法的分析上，而忽略了对人工智能核心思想的理解。在平时的实验中，重知识而轻应用，训练的实验内容与工程中的实际开发项目相去甚远，学生一旦遇到复杂的具体问题就会束手无策。

2.4 考核方式不合理

传统的人工智能系列课程考核模式过于偏重最终的期末考试，在短时间内要求学生完成指定的几道大题，很难全面地检验学生对课程知识的熟练掌握程度和综合运用能力。这种形式缺乏对学生学习过程的考核，不利于学生综合能力的培养。而且考试的结果分析一般在课程结束后，无法对学生当下的学习状态动态及时分析，对课程只能起到最后的总结作用，无法指导当前的教学活动。

3 大数据背景下的个性化教学实践

大数据背景下，教师不再是普通意义上的引路人，而是要成为学生学习的合作伙伴，在教学的各环节中动态帮助学生提高综合能力[2]。

3.1 教学大数据的采集和分析处理

为了充分了解与师生教学相关的基本情况，应该全面采集专业课程的数据进行分析和决策。数字媒体技术专业学生的数据主要从学校的综合教务管理系统、主要专业课程的教学平台、学生的各种职业偏好和特长测试数据库中获得，包括大一上学期到大三上学期共五个学期中所有计算机类和数字媒体技术类课程的学生成绩和教学记录表中学习行为数据、评教情况、课外科技活动信息、职业规划的问卷信息等。由于本专业学生已经学习了智能数据处理课程，在教师的指导下，让他们自己用数据挖掘中的K-Means聚类方法对采集的数据进行预处理和分析。分析和处理的结果尽可能简明扼要，便于师生理解和应用。

通过对大数据的聚类分析和简化处理，最终得到了两大类分析结果，每类都有多项指标。第一大类结果中，我们重点关注三项指标，分别是学生的学习能力、学习努力程度、适合学生个人特长的职业发展方向。学习能力划分标准是各种成绩和科技活动等数据综合加权处理，能力很强的占20%，能力一般的占70%，能力较差的占10%；学习努力程度指标的处理比较复杂一些，用到课率、听课认真程度和作业完成情况等指标计算，其中勤奋的占25%，一般65%，很差10%；职业发展方向可分为自媒体类20%，游戏开发类70%，机器人类10%。另一大类结果是学生对教师的教学期望，包括教师采用的课堂教学模式、各种练习、考核形式、在线教学平台内容的建议等。

3.2 合理运用大数据加强线上教学平台的建设

在线平台的建设以教学大数据为决策依据，为了充分优化线上线下结合的混合教学模式，在教学平台上设置了以下几个模块：

3.2.1 分层次个性化学习模块

这个模块用于常规教学活动，包括课程PPT和视频等资料的学习、在线作业、日常测验和考试等。个性化主要体现在学习资源的学习上，课程平台根据大数据的分析结果，给每个学生按学习能力、职业发展方向推送不同难度的学习资源。例如，根据以往数据，某些学生在以前所学课程中的算法类题目考试分数较低，那么对本课程的常见算法估计也不容易学会，平台给他们推送的课程资源就是对算法每个步骤都详细解释的PPT和视频。

3.2.2 个性化导学模块

这个模块根据学生历史数据和当前动态的学习情况，为学生提供指导建议。对于学习能力较差和努力程度不够的学生，主要是监督他们对线上基本学习任务的完成，定时在平台APP提醒，并要求及时回复；对于普通同学，建立课程导学专家数据库，为课程章节学习提供帮助；对于能力较强学生，建立竞赛指导专家数据库，指导如何应对有挑战性的竞赛项目。个性化导学模块参数多，实现难度很大，目前还在不断完善中。

3.2.3 师生交流反馈模块

这个模块用于本课程师生之间，学生之间的各种交流，功能相当于传统意义上的BBS论坛，每个人都可以在上面发言，讨论课程学习问题。教师可以搜集最新的交流信息，进行动态的教学决策。比如说，有很多学生在此模块中反映，在平台完成某次测验后，希望看某道题详细的解题过程分析。教师就能立刻做出反馈，把该题目清晰的思路放到平台上供同学参考。

3.3 教学内容分层

这门课要求教学内容与时俱进，及时让学生了解人工智能与媒体技术方面的最新科技发展动态。所以在本课程的教学中，除了介绍基本理论和一些实用案例以外，要着重介绍一些前沿的人工智能技术[2]。大数据给出了每个学生的综合学习能力结果，教师就是按学习能力进行分层教学的。目前大致可以把本课程的教学内容分为基本知识、应用提高、拓展学习三个层次。

基本知识的范围：了解人工智能的基本理论和人工智能在各领域的简单应用，掌握盲目搜索和启发式搜索等基本内容，掌握知识图谱描述模型，了解机器学习，掌握卷积神经网络CNN工作原理，掌握视觉分类和语言特征抽取，了解自然语言处理。这个层次的教学，教师主要关注的是学习能力较差的学生，采用任务驱动法，要求他们每学一个知识点就要掌握一个。提高层次内容包括强化学习、人工智能与新媒体、深度学习在游戏中的应用，多智能体等。这个层次，学习能力强和一般学生都能掌握。拓展学习层次主要面向学习能力很强的同学，在教师指导下自学，内容是游戏开发大赛或机器人大赛，根据各自特长和职业规划参与。

3.4 基于大数据的个性化教学方法

根据教学大数据的分析结论，结合实际的案例分析法和课堂分层练习法是本专业学生最容易接受的教学方法，可以促进他们对知识的熟练掌握。

3.4.1 结合实际的案例分析法

学生普遍希望教师通过生动的实际案例来讲解人工智能的技术，而不是照本宣科地按照PPT阐述过于抽象的理论。为此，课程组上课时精心设计了一些实用案例帮助学生理解各章节内容。比如，卷积神经网络是深度学习的一个重点和难点，为了让案例清晰明了，我们设计了春天花卉分类的案例，素材让学生自己到野外拍照获得，用卷积神经网络来实现，通过数据集的加工处理和训练评估，最后测试算法的准确率。通过学生的亲身参与，激发了学习的兴趣，加深了对知识的理解和应用。

3.4.2 与学习能力相对应的课堂分层练习法

学生课堂学习的大数据表明，课堂教学如果没有布置具体任务，不认真听讲的同学就可能会占40%以上。这就提示，当教师上课时如果采用“满堂灌”的讲授方式，课堂效率就很低下。因此我们在课堂上采用同步练习法，练习的题目按学习能力分层，能力较差的学生完成基本题目，学习一般的同学做难度适中的练习，能力很强的同学做难度较大和有挑战性的题目，每个人的工作量都很饱满。做完练习后，难度大的题目解答发到课程群供学生参考，教师及时讲解基本和中等难度题目，这样可以达到事半功倍的效果。

3.5 基于职业发展规划的个性化实验教学

实验教学的目的不仅仅是要求学生对课程实训的基本项目熟练掌握，更重要的是为未来的职业发展提前做好准备。在实验中采用小组讨论法，根据相同兴趣和职业发展规划来分组，采用多角度评价实验结果。要求学生先做好基本实验，再完成与他们未来职业发展相关的个性化人工智能实验项目。基本实验在普通机房，个性化实验安排在人工智能重点实验室来完成。

本课程的基础实验包括搜索算法和深度学习等。搜索算法是最基本的实验，有深度优先、广度优先、A算法等。这几个算法的实验，对于普通学生用一种语言实现即可，学习能力强的学生要求用三种语言编程，分别是C，JAVA，Python。深度学习实验是利用卷积神经网络算法对图像和人脸的识别。更高层次的实验要按本专业学生的三个大方向的职业发展规划分类安排，根据学习能力和实验难度学生可以按层次选做。第一个方向是游戏开发，本方向的实验包括自然语言处理，基于机器学习的3D游戏开发，多智能体结构在AI游戏平台中的应用。第二个方向是自媒体，主要是自然语言理解技术和AI主播、人工智能加工短视频等。第三个是机器人方向，此方向实验包含两个层次：一是虚拟仿真机器人实验平台，可以让学生借助网络平台，随时在终端进行访问；另一个是真实的机器人实验，必须和生产实际结合，包括语音机器人和我们学院的特色项目——足球机器人。

3.6 面向个性化发展的考核方式

考核的目的不仅是对学习成果的检验，更为重要的是敦促学生掌握知识和培养能力，让他们认识到考试不是为了分数有多高，而是培养工程实践能力，为专业发展打好基础。为此，我们把考核分布到学习的各个阶段，包括在线练习、课堂练习、实验、平时测试、期末等，这样可以全面检验学生对课程知识的掌握情况。期末成绩只占50%，题型更加偏重于逻辑思维能力和解决实际问题能力的考查，减少了机械记忆性题型，如填空、选择等。大数据可以帮助学生分析平时各种练习和测试情况，明确对各章知识的掌握程度，引导他们总结反思。期末考试之前，我们提前进行模拟考试，用模拟考试的大数据结果预测最终期末考试结果，既敦促学生发现自己课程学习的不足之处，又让教师总体把握本课程的教学效果。