基于人工智能的一体化教科研服务平台设计

李向东

(厦门软件职业技术学院,福建 厦门 361000)

结合当前我国教育现状可知,很多地区学校的教师,都认为自己的主要职责是把书教好,而忽视科学研究。而教育的有效开展,离不开教育科研的引导。教育科研的发展状态,直接体现学校的教育教学状态。由此可知,教科研状态对学校和教师的发展都具有一定影响。教师的教学技术是否优秀,取决于其科研水平的优劣,若教师忽视科学研究,对自身的教学技能未进行提升创新,教学质量必然会受到影响。因此,为更好地促进教师个体的科研实践发展,提高教师教育科研水平,本文设计一种基于人工智能的一体化教科研服务平台,以期为各学校做好教科研工作常态化服务提供有效的辅助工具。

一、一体化教科研服务平台设计

(一)基于人工智能的一体化教科研服务平台架构设计

基于人工智能的一体化教科研服务平台的设计目的,是从教学、教育科研、研修三个角度,为教师提供智能性资源管理服务。教师用户无需在教科研过程中去图书馆查阅资料;在申报科研项目时,在网络平台上传资料即可;在分析学生学习成绩时,也无需查阅大量纸质成绩单等。此平台可结合教师用户需求,为其提供网络化、智能化教科研资源应用服务。

平台设计过程中,将“建构主义理论与学习共同体理念”作为理论依据,结合教师用户的使用需求,遵循“教科研服务一体化”的设计宗旨,最终构建了基于人工智能的一体化教科研服务平台,平台由新闻发布模块、资源管理模块、集体备课模块和教育科研管理模块组成。

1.新闻发布模块 此模块设计主要利用网络传播速度的优越性,为各个教师用户、管理员实时提供文字类、图像类等教育新闻信息。把实时更新的教育新闻、教育政策等信息都反馈至用户,从而实现最新教育信息的及时传送,为用户提供高效的教育信息传播服务,从而更好地把握热点科研方向。

2.资源管理模块 资源管理模块是基于Web2.0的设计理念,教师用户在平台中的身份,既是消费者,还是提供者。此模块的核心功能分别是教科研资源数据上传、求助以及管理。各个教师用户可在平台中上传自己的教科研资源数据,审核通过后,会以积分管理的方式,生成自己的积分信息。各个用户利用自己的积分,可购买自己需要的教科研资源。此类管理方式,能够优化教科研资源的共享性,提高用户的积极性。

3.集体备课模块 和以往的教科研模式相比,网络集成化的教科研一体化平台,具有无限延伸性的优势,能够集成管理教科研资源,且在时间维度、空间维度都具有较好的使用弹性。不同地区的教师用户,可在不同时间登录平台,以“一人主备、多人研讨、多次研磨、最终定稿”的模式,让教师用户以学习共同体的身份,参与合作式教研与备课任务中。此类备课模式,在时间、空间维度,都促进了教师之间的平等交流、共同进步。

4.教育科研管理模块 基于人工智能的一体化教科研服务平台的设计,能够完成课题统一管理,一体化模式贯穿于课题发布、申报、审批等多个环节,从而减掉大量冗余文本处理工作,提高教科研课题管理效率。科研成果属于创生资源,教科研成果展示是教育科研资源共享的必要环节。教科研成果展示,能够实现科研成果共享最大化,还可以为其他教师用户提供有价值的科研成果参考。

传统式科研课题申报工作,需要在纸上完成,课题发布完毕,用户需要在线上下载申报书与论证活页,在线下将纸质资料打印完毕,送至相关管理机构。此类申报工作需要耗费较多的时间与人力物力。而在此平台中,教育科研管理模块仅在网络中操作,便可完成此类任务,为教师用户节省大量时间与精力,实现教科研资源智能化管理。除此之外,此模块还可提供学生教育信息管理服务,教师可在此平台查询学生教育情况,完成大规模教育信息统一、智能化管理。

(二)基于人工智能的一体化教科研服务平台共享服务设计

基于人工智能的一体化教科研服务平台属于一种资源共享平台,主要是在教师的教科研过程中,为教师用户提供资源管理与共享服务。教师用户可在平台中检索得到自己需要的多种信息,完成教科研资源高效应用。 此平台中,教科研数据云中存储大量学生数据、教学数据、科研数据,教师用户登录平台后,在查询提取某类数据时,平台启动基于人工智能的教科研资源挖掘模型,教师便可在平台中快速提取自己需要的资源数据,实现智能化教科研资源管理。

(三)基于人工智能的教科研资源挖掘模型

基于人工智能的教科研资源挖掘模型,主要使用人工智能技术中常用的方法——支持向量机,挖掘用户需要的教科研资源。但支持向量机对资源的挖掘效果,与其支持向量参数设定效果存在直接关系。为了保证教科研资源挖掘精度,本平台使用人工智能优化算法中的粒子优化算法,寻优设定支持向量参数,完成支持向量机的最优训练后,作为教科研资源挖掘模型,提取教师用户需要的资源信息。

假如基于人工智能的一体化教科研服务平台中,教科研资源的第j个训练样本是aj∈Am,Am是教科研资源信息集合。在挖掘过程中,教科研资源训练样本的数目是m,信息维数是b。教科研资源挖掘时,支持向量机优化问题,就是寻找教科研资源最优分类面ej:

(1)

教科研资源挖掘的决策函数是:

(2)

其中,K(aj,ai)是教科研资源挖掘所用核函数;f(v)为教科研资源信息挖掘结果。

(3)

其中,θ是核函数参数;ai∈Vm,表示第i个教科研资源信息样本。考虑到核函数参数的合理设置,会影响支持向量机对教科研资源信息挖掘效果,为此,本平台使用粒子优化算法,对核函数进行寻优设置,以此训练获取具有最优分类面的支持向量机,用于挖掘教科研资源信息。

(4)

(5)

其中,核函数参数寻优域维度与权重分别是b、u;c1、c2是惩罚因子;rand、n分别是随机数、迭代次数。

粒子优化算法运行时,权重运算方法是:

(6)

其中,nmax、nmin分别是权重最大值与最小值;nmax是迭代次数n的最大值。

综上所述,使用粒子优化算法设置最优核函数参数,具体操作步骤是:

(1)设定核函数参数寻优域、粒子运行速度最大值。

(2)将代表K(aj,ai)寻优域的粒子群进行初始化处理,随机设定2个核函数参数分别是vj、vi,再设置vj、vi初始位置与速度。

(3)使用下式计算粒子适应度g:

(7)

其中,将教科研资源信息总数目设成m。

(4)使用式(4)与式(5)方法,更新粒子位置、速度;使用式(6)更新粒子权重,使用式(7)计算粒子适应度,提取全局最优粒子。

(5)分析迭代次数是否为最大值,若迭代次数达最大次数,便结束支持向量机参数寻优过程,反之循环操作,直至获取最优解为止,完成支持向量机训练。将最优解代表的核函数参数导入式(2),挖掘与用户需求匹配的教科研资源信息。

二、实验分析

(一)实验样本数据与所用设备详情

为测试本平台使用效果,使用本平台作为某高校一体化教科研服务平台。首先,测试本平台使用下教科研资源信息挖掘效果。实验中所用教科研资源样本详情见表1。

表1 教科研资源样本详情

结合表1所示教科研资源样本详情可知,训练集教科研资源样本数目是250个,测试集教科研资源样本数目是50个。当支持向量机训练完毕后,输入测试集资源样本,进行教科研资源挖掘测试。

为测试本平台为用户提供的教科研资源挖掘服务和挖掘结果是否有效,测试指标设成Kappa系数,此指标可用于分析本平台所挖掘教科研资源与用户需要教科研资源的一致性程度。

Kappa系数数值与1越靠近,表示本平台挖掘的教科研资源与用户需求越匹配,一致性越高。本平台使用基于人工智能的教科研资源挖掘模型,检索表1所示5种教科研信息资源后,Kappa系数变化见表2。

表2 Kappa系数测试结果

在表2本平台使用基于人工智能的教科研资源挖掘模型,挖掘科技、历史、社会、教育、军事5种教科研资源时,挖掘结果的Kappa系数达0.98,数值与1靠近,由此证明本平台使用基于人工智能的教科研资源挖掘模型后,教科研资源挖掘结果与用户需要的教科研资源高度匹配,证明本平台所挖掘教科研资源与用户需要的教科研资源的一致性显著,可为用户提供相对准确的教科研资源挖掘服务。

(二)用户界面与测试结果

此平台为用户提供服务时的操作界面 ,可为用户提供指令文本输入服务,也可为用户提供语音输入服务,且平台界面直接展示新闻发布模块、资源管理模块、集体备课模块、教育科研管理模块入口,用户可根据需求选择。

当用户通过移动终端登录所设计平台,测试平台在服务多位教师用户时对用户指令的响应效率,测试结果见表3。

表3 本平台对并发用户指令响应效率测试结果

如表3数据所示,并发用户数目对所设计平台使用功能不存在明显影响,随着用户数目的增多,平台的教科研指令响应耗时均低于0.5s,响应速度较快。由此可知,所设计平台适用于一体化教科研服务管理中。

三、结论

本研究所设计的一体化教科研服务平台,把参与教科研管理工作的用户都整合到网络平台中,实现一体化教科研服务。此平台设计,能够打破教科研数据信息管理壁垒,为优化教科研管理水平提供有效工具。此平台通过新闻发布模块、资源管理模块、集体备课模块、教育科研管理模块,为各个教师用户提供最新教育信息及时传送、资源积分管理、集体备课、教科研资源智能管理四大服务,使教师节省了大量时间和精力,且实现了大规模教科研资源的智能化管理。