基于人工智能技术的在线自主学习系统的构建

邱凡凡

（闽南理工学院信息管理学院 福建 泉州 362700）

0 引言

在信息技术不断发展的今天，在线自主学习在学习中占有越来越重要的地位。 近年来，随着人工智能技术理论和方法的不断完善，自主学习能力得到了极大的提高。 人工智能是一门研究和开发用于模拟、扩展人类智能的理论、方法、技术和应用系统。 在实际应用中主要包括机器视觉、指纹识别、人脸识别、视网膜识别和虹膜识别等。 人类大脑的视觉机制启示人们，人类在任何时候都面临着大量的感知数据，大脑可以轻松捕捉重要信息。 人工智能的核心问题是模仿大脑高效准确地表示信息的能力［1］。 深度学习最初源自于人工神经网络的概念，并从生物学中获取了灵感，以模仿人类大脑的信息处理模式，来对图进行分析［2-3］。 随着科学技术的发展，以及中央处理器和其他硬件设备的进步，深度学习的工程数学问题处理速度加快，实时性大大提高，ChatGPT 的出现，也将使人工智能技术与教育有着较高的匹配度，对自主学习起到推动作用，教育研究者对此也开始进行研究［4］。

在现代信息技术中，人工智能中的可视化技术能够利用视觉感知为学习者自主学习提供有力支持，在智能教育系统的开发和实践中也取得了划时代的进展。 随着经济全球化和技术信息化，人们的知识也需要不断更新。 在学校接受教育是远远不够的，只有采用自主学习的策略，掌握自主学习的方法，才能达到教育的目的。 但是自主学习存在很多问题，例如自主学习能力不足、选择的学习方法不适合，使得学习效率较低。 学习者对于学习状态无法掌握，学习资源也得不到有效利用。 可视化是人工智能中一个重要的技术，能够呈现学习信息，能够为自主学习提供学习反馈、学习推荐等。 本文强调通过加强可视化技术与自主学习的整合来提高学习效果，建立基于人工智能技术的在线自主学习模型［5-6］。

1 人工智能技术支持的自主学习过程架构设计

随着人工智能技术的不断发展和应用，教育领域也逐渐与其紧密联系起来。 通过人工智能技术，学习者可以更加有效地获取和利用知识资源，实现个性化学习，提高学习效果［7］。 第一，人工智能可以为教师提供更好的教学辅助工具，帮助教师更好地组织和管理学习活动。 在线自主学习方面，基于人工智能技术的智能学习系统和平台已经成为一种趋势。 学习者可以通过这些智能学习系统和平台随时随地进行学习，并且系统会根据学习者的个性化需求和学习行为进行智能化推荐和个性化指导。 第二，可视化技术也是人工智能在教育领域广泛应用的重要技术之一。 通过可视化技术，学习者可以更加直观地理解和掌握知识，加深对知识的理解，提高学习效果。 第三，可视化技术也可以为教师提供更好的教学辅助工具，帮助教师更好地进行课堂教学和学生评估。 总之，人工智能技术的应用为教育领域带来了许多机会和挑战。 未来，随着人工智能技术的不断发展和应用，教育领域也会迎来更多的创新和变革。 人工智能技术支持下的在线自主学习过程架构如图1 所示。

图1 人工智能技术支持的自主学习过程架构

最底层为数据输入层，包括来自学习者的学习目标、学习记录、学习进度以及学习环境。 角色空间包括学习者、指导教师、学习同伴等。 内容空间包括学习文档、视频、作业、留言等。 工具空间是指学习所需要的各种工具。对这些信息进行收集，形成学习数据记录，反映学习状态和需求。 可视化编码层包括可视化技术和编码信息，分析学习数据，对学习做出支持需求诊断，所依赖的数据主要来源于学习行为和状态数据。 运用各类可视化技术对各数据进行编码，将数据以可视化方式的形式呈现。 逻辑推荐层根据学习者特征，设置合适的方案，指导学习者。 包括内容库、工具库、活动库和目标库。 逻辑推荐层对学习者的学习环境建构起到促进作用。 视图展示层所展示的内容包括组织架构、学习列表、学习计划等。 其中角色空间可视化展示指导者列表、社交网络、同伴列表等。 内容空间可视化所展示的内容包括学习网络视图、学习活动列表、学习计划。 工具空间可视化展示工具列表。 工作空间可视化展示活动列表、学习计划、学习进展和组织机构。

2 基于可视化技术的典型自主学习过程

可视化技术支持的学习过程是通过重组学习内容、学习者和学习工具建构它们之间的关系。 学习者会根据学习要素调整学习行为与学习目标，多个学习要素信息对学习环境产生影响，基于可视化技术的典型学习过程如图2 所示。

图2 基于可视化技术的典型学习过程

学习者根据学习内容在可视化技术支持下制定学习目标，将学习目标分解为多个子目标。 在可视化技术支持下，对目标进行方案设计。 学习者选择学习资源，建立与学习环境匹配的学习模式。 可视化技术可以在这一阶段帮助学习者选择学习资源。 利用可视化工具组织学习内容。 学习者之间还可以整合各自的学习资源。 当学习者提交学习作品时，指导者和学习同伴可以评价并以可视化形式呈现。 通过不断调整学习目标，对学习目标的实现进行判断，反思学习效果。 通过这个过程，进行学习全过程反思。 可视化技术充分体现了学习者的自主学习的过程，并对全过程利用可视化技术进行支持，例如利用可视化支持学习状态、学习行为及学习资源的推荐，还可以利用可视化技术实现学习资源的自由组合。

3 可视化学习环境设计

个性化，一直是教育领域探索的热点。 而通过可视化技术的支持，以模块化设计学习环境，可以使在线自主学习具有更为突出和明显的灵活和个性化特点。 模块化设计学习环境是基于教育工作者对于教育任务目标和学习者需求的理解，将学习过程中的不同要素进行拆分和重组，从而设计出可灵活配置的学习环境。 在可视化技术的支持下，学习环境的交互界面更加直观和友好，学习者可以根据自身需求选择适合自己的学习模块或者自主配置学习环境，使得学习更加自由和高效。 自主学习在该环境下主要是通过学习环境建设、学习状态感知、学习过程调控等机制实现的。 学习状态感知和调控，能够通过可视化提示和反馈，及时让学习者了解自身的学习状态和优化学习过程，使得学习更具有针对性和效果性。 同时，学习者可以根据自身的兴趣和需求，通过可视化界面推荐出合适的学习资源，在学习过程中被动地获取知识，让学习更有意义。 总之，基于可视化技术的模块化设计学习环境，为在线自主学习提供了更为扎实和细致的支持，让学习更加灵活和个性化，特别适合于学习者在时间、地点或社会角色上有限的环境进行学习。

按照空间管理、目标管理和活动管理所对应的功能进行环境设计。 资源模块实现资源的整合。 处理自主学习环境建构，实现对自主学习各部分的选择，形成所需的学习环境。 每个学习者可以拥有多个目标，在此目标下有若干学习活动，活动由资源组成。 在自主学习环境中，设定各模型实现的行为功能。 设置学习者的描述和标签，评价学习者，反思学习展开情况。

4 学习过程可视化支持设计

在可视化技术支持下创建好学习环境后，在环境中完成自主学习过程，可以实现学习状态、学习结果反馈、行为识别以及学习资源推荐的可视化。

学习状态提示可视化包含管理学习计划、关联学习资源、展示学习目标等。 行为识别和结果反馈可视化包括识别合作、问题解决及资源分享等，还对学习的效果可视化反馈。 讨论区的学习行为也可以进行可视化分析。 此外可以对完成作业、测试，对优质学习资源进行分享等学习行为进行可视化分析。 学习资源可视化推荐可以激发学习动机。 学习空间关联了解学习者之间的关联情况，对学习行为活动运用自动导航工具进行记录和回溯。 学习路径工具能够展示学习者学习活动情况。 学科课程知识地图实现对各学习资源的管理。

可视化需要人工智能技术的支撑，可视化技术的选择要根据学习环境进行。 统计分析可视化技术将学习行为等数据以可视化的形式生动地展示出来。 文本可视化技术是将搜索词、参与的讨论帖等皆以文字为载体，从文本中选取关键数据，学习者可从中迅速了解和掌握学习主体，有助于开展精准助学。 关联关系可视化技术建立学习数据的关联关系，进行图形化输出，呈现交互行为。 人机交互可视化技术主体和可视化体系交互，明确可视化的作用范围。

5 在线自主学习系统架构

使用Linux 操作系统的云服务器作为基础设施，利用Nginx 服务器和关系型数据库管理系统组成自主学习系统。 该系统采用了基于人工智能的可视化技术，依托Echarts 可视化库实现了直观的数据呈现。 所有用户只需通过浏览器进行登录。 自主学习系统的架构如图3 所示。

图3 可视化自主学习系统的架构

其中基础环境层包括云服务主机、Linux 系统和Nginx服务器。 数据层提供数据库操作序列，数据库采用关系型数据库管理系统，连接数据库的使用接口（PHP data objects，PDO）用于访问数据库的接口组件，可以访问12种不同的数据库，为业务实现提供数据处理服务。 数据事务由关系型数据库实现。 中间服务层提供系统业务统一和完整的内部封装，为上层提供标准服务接口。 数据补齐可以用于处理空值的问题。 成绩预测中采用了算法来分析学习者的学习数据并预测其成绩，通过设置校准值来微调预测结果。 该系统还具备词汇挖掘功能，使用Jieba 分词库进行文本内容主题词云分析和显示。 利用异步数据获取技术可以在后台与服务器少量交换数据，无需重新加载整个网页，实现网页异步更新。 日志系统可以记录系统的操作情况，包括前后端框架、分析算法和可视化库等方面。 网络层可满足各种数据传输需求，利用传输控制协议（transmission control protocol，TCP）在客户端和服务端之间建立可靠的数据传输服务，加快各个数据。 应用层为用户提供不同的数据可视化分析应用功能。 根据访问权限，在应用层和客户端采取超文本传输协议进行通信服务，统一资源定位器（uniform resource locator，URL）规定所能访问的路径。 每一个功能对应一个URL 路径，实现权限分配。可视化库与浏览器需要兼容，本文选用Echarts 和Antv 可视化库，其中Echarts 可视化库可以兼容的浏览器较多，由JavaScript 实现。 由ZRender 矢量图形库作为底层库，提供数据可视化图表。 Antv 库包含G2、G6 和F2，其中G2 为可视化引擎，G6 为图可视化引擎，F2 为移动端可视化。G2 为常规统计图表，具有高度扩展性。 G6 为个性化定制提供可视化解决方案。 F2 为兼容超文本标记语言（hypertext markup language 5，HTML5）等环境的移动可视化组件。

6 自主学习效果分析

对基于人工智能的可视化技术在自主学习效果上进行分析，采用支持度量表对在线自主学习效果进行测量。学习者在使用该系统后填写此表，学习系统对在线自主学习中各因素的支持情况。 指标包括均值、极大值、极小值和标准差。 均值是指将所有学习者对于每个因素的评分相加，然后除以学习者的总数，得出平均值。 极大值是指从所有学习者对于每个因素的评分中找出最高的分数。极小值是指从所有学习者对于每个因素的评分中找出最低的分数。 标准差是对数据的离散程度的度量。 通过计算每个学习者对于每个因素的评分与该因素的均值之间的差的平方，然后对这些差值的平均值进行开平方，得出标准差。 例如，对于学习计划因素，有64 个学习者参与了实验，他们对于学习计划的评分分布在1.92 到5.00 之间。 通过对这些评分进行求和，得到总和为3.96。 然后将总和除以学习者总数64，得到学习计划因素的均值为3.96。 同样的方法可以应用于其他因素，得到相应的均值、极大值、极小值和标准差。 如表1 所示。 N 为实验组的人数，表中N＝64，学习系统对自主学习的各因素进行分析，包括学习计划、动机、监控行为、反思、认知等影响因子均值均超过或等于3.8，表明系统很好地支持了学习者的自主学习，对认知的支持度最好，而对动机的支持度最小。

表1 系统对自主学习支持情况

7 结论

随着人工智能技术的发展，可视化技术能够感知学习过程和学习环境，对自主学习方面的支持显现出很大的优势。 基于此构建学习环境，对学习者进行自我调控。 通过挖掘学习者的学习行为数据，对其进行分析和处理，全方位为学习者提供客观真实的可视化支持，帮助学习者在自主学习方面进行调整，保证在线自主学习的质量。 本文分别从人工智能技术支持的自主学习过程架构设计、基于可视化技术的典型自主学习过程、可视化学习环境设计和学习过程可视化支持设计四个方面进行研究，最后进行自主学习效果的分析。 结果表明文中设计的基于人工智能技术的可视化自主学习系统能够提升自主学习的效果，学习者可以根据可视化分析数据和推荐改变学习策略和学习行为，提升自主学习的效果。