AI助推英语教学模式变革

谷海玲 杨珈沐

一、引言

在我国学历教育中，英语课程从小学到大学不间断开设，是一门重要的主课，但教学效果仍然不尽如人意，学生能看不能听说的哑巴式英语普遍存在。“老师教，学生练”的传统英语学习模式已不适应学生的兴趣。

随着科学技术的发展，人工智能出现了，为英语教学模式创新发展提供了机遇。人工智能改变了传统的教育教学方式和理念，对当今英语教学变革的影响越来越大。作为新时代的英语教师应改变认知，打破传统的教学模式，充分展现人工智能的技术优势和沟通魅力，建立人工智能冲击下的教学方式和创新理念。

二、人工智能技术

1.人工智能的含义

人工智能（Artificial Intelligence，简写为AI）是研究人类智能活动的规律，构造具有一定智能的人工系统，让计算机去完成以往需要人的智力才能胜任的工作。AI可以分为两部分，即“人工”和“智能”。“人工”是指人力所能及所能完成的事，是通常意义下的人工系统;“智能”则涉及诸如意识、自我、思维（包括无意识的思维）等更高思想领域。

AI是模仿人工的方法在机器上实现智能，也是构建机器学习框架，即算法。算法需要对学习框架进行训练，通常为算法输入大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合，每个训练样本包含多个特征和一个目标变量。最终使机器学习算法可以发现特征和目标变量之间的关系，通过统计信息获得结果。

2.AI的發展史

在20世纪50年代初就提出了AI的概念。1956年，美国达特茅斯学院AI之父约翰·麦卡锡和一批有远见卓识的年轻科学家首次提出了“人工智能”。1960年，第一台采用自然语言解释程序的机器人诞生。20世纪70年代，由于算法不成熟及其不确定性问题，导致AI处于低谷。80年代，出现专家系统，但难以捕捉专家的隐性知识，未能应用。90年代，互联网盛行，开始研究神经网络和遗传算法。2006年，杰费里辛顿提出“机器学习”观点，使神经网络AI取得重大突破。2016年3月，谷歌Alpha Go与职业九段棋手围棋世界冠军李世石进行围棋人机大战，以4比1的总比分获胜;2017年5月，Alpha Go在中国乌镇围棋峰会上，与排名世界第一的世界围棋冠军柯洁对战，再次以3比0的总比分获胜，AI惊艳世界并迅速走红。

如今，AI已不仅仅是披着时髦的外衣，更重要的是为社会创造核心价值的工具，包括并不限于降低成本、提高效率、改进用户体验和开辟新业务模型等。AI在教育教学领域的影响也非常深远。

3.AI的技术学派

从技术发展来看，AI主要有以下3大学派：

（1）联结主义：构造模拟大脑的神经网络，思维过程是神经元联结活动过程。

（2）符号主义：知识用符号来表示，认知通过符号运算来实现。

（3）行为主义：智能取决于感知和行动，构建“感知-动作模型”，如未知的动态环境中行走的机器人。

这三大学派各有所长，又相互结合，已从分立学派到综合集成。

三、AI在英语教学中的应用

1.语音识别

语音识别就是让机器通过识别和理解人的讲话，把语音信号转变为相应的文本。识别过程如图1所示。

人的声音通过MIC检测形成语言电信号、语音信号频谱显示出来;准确识别声音的特征（声学特征识别）;接收端对接收到的语音信号预处理，得到有效的语音信号;对每一帧波形进行声学特征提取便可以得到一个多维向量，包含了一帧波形的内容信息;声学模型（大词汇量的语音识别系统）用于计算语音的特征矢量序列和每个发音模板之间的距离，转变为文本输出。语言学理论包括语义结构、语法规则、语言的数学描述模型等，当分类发生错误时可以根据语言学模型、语法结构、语义学进行判断纠正，特别是一些同音字则必须通过上下文结构才能确定词义。

上述过程对计算速度和准确率都有较高的要求，目前比较成功的语言模型通常是采用统计语法的语言模型与基于规则语法结构命令的语言模型。人工智能下的听说训练通过语音识别使学习外语更有效。

2.先进的教学手段，多元化的课堂教学

多媒体教学是当前课堂教学的常用技术手段，图片展示、模拟动画、发音示范、场景模拟等能够帮助学生更加直观形象地理解和记忆英语学习的内容，在提高学习效率的同时给学生带来学习的乐趣。

AI可以把教学媒体的投影仪、触摸屏、声控媒体、触控媒体和发光发声设备等通过智能软件进行模拟人工控制，使教学活动身临其境，达到教师、学生和教材的互动，如图2所示。AI有利于学生把英语从课程负担转化为兴趣爱好，实现综合能力和素养的提升。

3.机器翻译

翻译就是把一种语言翻译为另外一种语言，也是学生学习英语的目标。机器翻译即由机器来实现，能大大减轻教师的工作量。机器翻译经历了3个发展历程：基于规则的翻译、基于统计的翻译和基于神经网络的翻译。也就是从最初的单词翻译，然后发展到句子翻译，现在已实现文章翻译。

近年来AI迅速崛起，相比基于规则的翻译和统计机器翻译而言，神经网络翻译从模型上来说相对简单，主要包含两个部分，一个是编码器，一个是解码器。编码器是把源语言经过一系列的神经网络的变换之后，表示成一个高维的向量。解码器负责把这个高维向量再重新解码（翻译）成目标语言。

神经网络机器翻译（Neural Machine Translation，NMT）是最近几年提出来的一种机器翻译方法。相比于传统的统计机器翻译（SMT）而言，NMT能够训练一张可以从一个序列映射到另一个序列的神经网络，输出一个可以变长的序列，如图3所示。

NMT其实是一个编码器和解码器系统，编码器把源语言序列进行编码，并提取源语言中的信息，通过上下文向量对解码器进行信息转换，展开为目标语言序列，从而完成对语言的翻译。NMT在翻译、对话和文字概括方面能够获得非常好的表现。6AA379B5-3A65-4D18-9067-50C807C3C6EF

4.虚拟现实

传统英语教学模式最大的痛点就是无法为学生营造一个真实的语言环境，从而导致学生英语水平低下，学生不敢说、不会说。

VR虚拟现实可以实现仿真沉浸式教学。VR与英语相结合，利用电脑模拟产生一个三维空间的虚拟世界，提供使用者关于视觉、听觉、触觉等感官的模拟，让使用者如同身临其境一般，可以及时、没有限制地观察三维空间内的事物。

AR增强现实，是一种实时地计算摄影机影像的位置及角度并加上相应图像的技术，是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。这种技术的目标是在屏幕上把虚拟世界套在现实世界并进行互动，可模拟生活场景，与场景人物进行智能交互的系统。

AR与VR教学的特征如图4所示。

5.文字识别

文字识别阅读笔是一款可以提高阅读和理解速度的数字智能笔，通过顶部的按钮，在普通的书本上滑动，就可以将书本上的文字转换成语音，再通过蓝牙耳机传输到用户的耳朵里。文字识别原理如图5所示。

文字识别也可用于批改作业。学生上完课，作业全部在平板上完成，每次做题，学生的反馈不仅自动生成，后面还会按照学生做题的水平再推送其他题目，也就是说每个学生的题目不一样。

6.个性化学习

针对不同学生进行个性化教学，即因材施教，是一项重要的教学方法。但教师数量有限，以及应试教育模式的限制，很难做到根据学生不同的认知水平、兴趣爱好和学习能力来制定具体的、有针对性的学习方案。随着人工智能技术的发展和广泛应用，因材施教的可行性有了很大的提高。人工智能技术可以根据学生的历史学习大数据，通过回归算法来预测学生未来的学习需求，推荐最适合学生的内容，从而高效、显著地提升学生的学习效果。预测模型由数据收集、数据分析和数据展现三个阶段来完成，如图6所示。

7.AI教学评价

学校和教师不断为实现更有效的教学而努力，但是在客观上受到了教育技术手段和工具的阻碍。这其中主要的限制是，我们过去的技术手段没有办法处理视频、语音、图片等复杂的非结构化数据（世界上85%的数据都是非结构化的），也无法获得实时的教学反馈。

人工智能尤其是情感计算、自然语音理解、行为分析的发展，让计算机逐渐具备理解人类情感、语言和行为的能力。在AI技术的支持下，传统教学分析的局限性才得以打破，具体表现在下面3个方面：（1）提供定量数据作为评价依据;（2）提供过程性数据支持形成性评价;（3）实现常态化、自动化的教学评价。

四、结语

AI不是教学的对手，而是教育的助手。随着人工智能技术的不断进步，人工智能技术已渗透教育行业许多领域和方面，除了上述介绍的几种应用外，人工智能技术还可以用于自动化辅导与答疑、智能测评、智能教育决策等方面。随着计算机视觉、语音识别、人机交互等技术的不断提高，未来的人工智能技术必定会给教育行业带来广泛而深刻的影响。

参考文献：

[1]赵慧，唐建敏.基于人工智能的大學英语教学模式研究[J].软件导刊，2019，18（10）：213-216.

[2]冯吉芳.人工智能对大学英语教育的影响[J].黑龙江教育（理论与实践），2020（7）.

[3]程亚美.“Ai+教育”新趋势下中学英语教学新模式的探究[J].海外英语，2020（2）：204-205.

[4]蔡慧敏.人工智能对英语学习机制的影响[J].内江科技，2019（40）.

[5]张翰江.人工智能在教育中的应用和失范[J].中国信息技术教育，2017（7）：94-96.

[6]张婧.浅谈人工智能在小学英语教学中的辅助作用[J].新东方英语，2018（11）：34.

[7]侯婧.人工智能时代英语口语教学模式变革[J].教学与管理，2019（33）：92-94.

[8]谭荔冕.2017-2019神经网络机器汉英翻译质量变化和现状分析[D].北京外国语大学，2019.

[9]林倩，刘庆，苏劲松，等.神经网络机器翻译研究热点与前沿趋势分析[J].中文信息学报，2019，33（11）.

[10]王振兴.基于人工智能的大学英语教学模式研究[J].佳木斯职业学院学报，2020（9）：111-112+115.

[11]Chang X，Zhu F，Bi X，et al.Mining knowledge graphs for vision tasks[C]//Database Systems for Advanced Applications，2019：592-594.

[12]Wang Q，Mao Z，Wang B，et al.Knowledge Graph Embedding：A Survey of Approaches and Applications[J].IEEE Transactions on Knowledge & Data Engineering，2017，29（12）：2724-2743.

责任编辑 陈春阳6AA379B5-3A65-4D18-9067-50C807C3C6EF