教育数据在课堂与在线教学中的应用研究

人工智能与大数据技术的应用,为教育教学注入了新的动力.文章以程序设计在线评测系统大数据为例,研究教育大数据在辅助课堂教学和在线教学中的应用.基于在线测评系统,分析学生学习流程及数据体系,剖析了教育数据在学习路径分析、相似度计算、个性化内容推荐、群体模型构建及学习成绩预测等领域的应用,为教育管理以及课堂教学与在线教学的深度融合提供决策支持.     

在线学习算法综述

随着信息技术的迅猛发展,尤其是互联网行业的广泛应用,越来越多的领域出现了对海量、高速到达的数据实时处理需求。如何从浩瀚的“数据海洋”中挖掘有用的知识变得尤为重要。传统批处理模式的机器学习算法在面临 大数据时变得力不从心,而在线学习通过流式计算框架,在内存中直接对数据实时运算,为大数据的学习提供了有力的工具,这类在线学习框架有望应对大数据背景下机器学习任务面临的困境与挑战。本文总结了经典和目前主流的在线学习算法,主要包括：(1）在线线性学习算法;(2）基于核的在线学习算法;(3）其他经典的在线学习算法;(4）在线学习算法的优化理论。本文介绍在线学习与深度学习结合方法的研究现状,探讨在线学习算法研究中的关键问题与应用场景,最后展望了在线学习下一步的研究方向。     

深度学习的昨天、今天和明天

机器学习是人工智能领域的一个重要学科.自从20世纪80年代以来,机器学习在算法、理论和应用等方面都获得巨大成功.2006年以来,机器学习领域中一个叫“深度学习”的课题开始受到学术界广泛关注,到今天已经成为互联网大数据和人工智能的一个热潮.深度学习通过建立类似于人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征,从而能很好地建立从底层信号到高层语义的映射关系.近年来,谷歌、微软、IBM、百度等拥有大数据的高科技公司相继投入大量资源进行深度学习技术研发,在语音、图像、自然语言、在线广告等领域取得显著进展.从对实际应用的贡献来说,深度学习可能是机器学习领域最近这十年来最成功的研究方向.将对深度学习发展的过去和现在做一个全景式的介绍,并讨论深度学习所面临的挑战,以及将来的可能方向.     

基于多核集成的在线半监督学习方法

在很多实时预测任务中,学习器需对实时采集到的数据在线地进行学习.由于数据采集的实时性,往往难以为采集到的所有数据提供标记.然而,目前的在线学习方法并不能利用未标记数据进行学习,致使学得的模型并不能即时反映数据的动态变化,降低其实时响应能力.提出一种基于多核集成的在线半监督学习方法,使得在线学习器即使在接收到没有标记的数据时也能进行在线学习.该方法采用多个定义在不同RKHS中的函数对未标记数据预测的一致程度作为正则化项,在此基础上导出了多核集成在线半监督学习的即时风险函数,然后借助在线凸规划技术进行求解.在UCl数据集上的实验结果以及在网络入侵检测上的应用表明,该方法能够有效利用数据流中未标记数据来提升在线学习的性能.     

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。     

基于混合云的高校网络学习空间设计

随着云计算、大数据、人工智能等新一代信息技术的快速发展和应用,高校现有的教务教学平台越来越难以适应网络教学的需要,存在管理分散、资源分散、数据分散、信息化基础设施不足的问题.针对这些问题,作者通过对高校网络学习空间和混合云技术的探讨,构建了基于混合云的高校网络学习空间平台,并分析了其数据共享和混合云管理两个关键技术.     

人工智能技术下的在线学习系统设计

随着社会经济的发展,各种先进的技术层出不穷,其中最为显著的是互联网信息技术,传统的学习模式受到互联网信息技术的影响,慢慢开始发生改变,催生了网络在线学习模式。网络在线学习模式经历了较长时间的发展之后,为人们的学习提供了很大的帮助,但是在线学习的劣势也开始慢慢出现,需要我们利用更加先进的技术对其进行完善,促进网络在线学习模式的健康发展。笔者首先分析了网络在线学习具有的优势以及存在的不足,并根据网络在线学习的不足之处,提出了利用人工智能技术完善网络在线学习系统的策略和设计方案,希望网络在线学习系统能够在人工智能技术的推动下获得更好的发展。     

智慧学习环境下基于多模态数据的学习预警系统设计与分析

学习预警是提升混合学习效果的有效手段,如何在智慧学习环境下,应用大数据、人工智能等新兴技术实现学习预警,是混合学习领域亟待解决的首要问题。文章在梳理已有研究成果的基础上,提出来由核心目标层、工具层、内容层、技术层和结果层组成的"五位一体"的学习预警系统总体设计框架,并在总体设计框架基础上,提出基于多模态数据的学习预警系统模型和干预机制过程模型。最后,对智慧学习环境下学习预警系统的设计开发提出了建议,以期为搭建智慧学习环境下的学习预警系统提供理论参考,为教学者实现个性化指导和精准教学搭建技术平台。     

面向在线学习平台的数据可视化研究

在互联网背景下,在线学习平台得到了各个领域的关注和认可。随着网络发展水平地提高,在线学习走向时代前沿,学生利用网络随时随地学习,具有人性化教学、二十四小时答疑等功能。然而,在线学习平台在发展中将会面临各种问题,如在线学习平台中将会产生各种数据信息。因此,本文就结合在线学习平台数据可视化的原则,重点分析面向在线学习平台的数据可视化,具体内容如下。     

解耦表征学习综述

在大数据时代下, 以高效自主隐式特征提取能力闻名的深度学习引发了新一代人工智能的热潮, 然而其背后黑箱不可解释的“捷径学习”现象成为制约其进一步发展的关键性瓶颈问题. 解耦表征学习通过探索大数据内部蕴含的物理机制和逻辑关系复杂性, 从数据生成的角度解耦数据内部多层次、多尺度的潜在生成因子, 促使深度网络模型学会像人类一样对数据进行自主智能感知, 逐渐成为新一代基于复杂性的可解释深度学习领域内重要研究方向, 具有重大的理论意义和应用价值. 本文系统地综述了解耦表征学习的研究进展, 对当前解耦表征学习中的关键技术及典型方法进行了分类阐述, 分析并汇总了现有各类算法的适用场景并对此进行了可视化实验性能展示, 最后指明了解耦表征学习今后的发展趋势以及未来值得研究的方向.     

人工智能的新浪潮——深度学习

深度学习（Deep Learing）作为一种基于人工神经网络的无监督学习方法,是近年来兴起的一种新的混合机器学习模型,现成为人工智能领域中炙手可热的研究技术。深度学习带来了机器学习的一个新浪潮,受到学术界和工业界的广泛重视,并带来大数据的深度学习时代。本文结合大数据时代的具体需求,详细阐述了深度学习的发展和应用,突出了其在人工智能领域的重要地位。     

学习大数据支持的学习评价变革:内涵、挑战及趋势

本文在界定学习大数据和学习评价概念的基础上,分析和阐述了学习大数据对学习评价在评价观念、评价主体、评价过程、评价目标和评价结果等五个方面带来的冲击和挑战,并预测阐释了未来信息技术赋能学习评价变革创新的三大主要趋势:物联网感知技术与学习评价衔接融合趋势、大数据分析技术与学习评价创新融合趋势、人工智能技术与学习评价集成融合趋势。     

基于深度学习的在线健康社区抑郁症用户画像研究

人工智能与深度学习技术为精准识别在线健康社区抑郁症患者奠定了基础.首先构建了基于TCNN-GRU深度学习的抑郁情感分类模型,进行在线健康社区实验数据集进行抑郁情感分类标注后,通过TCNN-GRU模型判别用户的抑郁症倾向;在此基础上,进一步提出抑郁指数的概念,通过对抑郁指数和患者抑郁程度两者关系的深度挖掘,由此建立基于深度学习的在线健康社区抑郁症用户画像模型.实验结果表明,与传统的卷积神经网络模型、循环神经网络模型以及混合模型相比,TCNN-GRU模型在抑郁情感分类上能获得了更优的结果,基于深度学习的在线健康社区抑郁症用户画像模型也能够从文本分析的角度准确识别用户的抑郁情感和抑郁状态.     

语义增强的在线学习行为预测研究

当前学习者的在线学习行为预测研究未充分利用短文本中的语义数据,导致对学习者的学习状态刻画不够全面,严重影响了行为预测的准确性.针对此问题,本文提出了语义增强的在线学习行为预测方法.首先,利用双向长短时记忆网络得到到短文本的语义向量表示;其次,基于学习者的统计、行为和短文本数据得到学习者的特征表征,并利用长短时记忆网络模型构建其学习状态表征;最后,利用学习状态表征预测学习者的学习行为.在11门真实在线课程数据集上的实验表明,本文方法能过有效提升在线学习行为预测的精确度.     

基于强化学习的Flappy Bird游戏交互

介绍了基于强化学习实现自动飞行的Flappy Bird的整个开发流程.其中讲解了前期准备工作需要配置的一些开发环境,并且讲述了模型训练前期存在的问题及其训练的核心技术,同时介绍在3个端(PC端、安卓端、树莓派端)人工智能模块的实现.     

基于大数据视野探讨社区数字化学习平台的应用

在第三次信息技术改革中,大数据技术的形成与发展,对各个行业产生了重要的影响作用.随着信息技术发展水平日益提升,数字化学习平台的发展也为社会居民提供许多良好的在线学习素材,但是在数字化平台应用中,也形成结构与非结构化的教育信息,固有的数据处理方式已经无法对教学大数据的管控、服务、研究、评估等进行有效应对.现阶段,不断提升的社区教育信息量,已经受到学者们的高度重视,大数据技术在社区教育中研究与实践的重要性不言而喻.大数据处理技术的发展成为社会大众广泛关注的热点,利用数据信息,不但对信息互动、知识传递、学习质量产生影响,还进一步影响教学决策建立与学习模式的优化,并使其成为当前教育学者所关注的重点.     

FPGA加速深度学习综述

近年来,由于互联网的高速发展和大数据时代的来临,人工智能随之大热,而推动人工智能迅猛发展的正是深度学习的崛起.大数据时代需要迫切解决的问题是如何将极为复杂繁多的数据进行有效的分析使用,进而充分挖掘利用数据的价值并造福人类.深度学习作为一种实现机器学习的技术,正是解决这一问题的重要法宝,它在处理数据过程中发挥着重要作用并且改变了传统的机器学习方法,已被广泛应用于语音识别、图像识别和自然语言处理等研究领域.如何有效加速深度学习的计算能力一直是科研研究的重点.FPGA凭借其强大的并行计算能力和低功耗等优势成为GPU在加速深度学习领域的有力竞争者.从深度学习的几种典型模型出发,在FPGA加速技术现有特点的基础上从针对神经网络模型的加速器、针对具体问题的加速器、针对优化策略的加速器和针对硬件模板的加速器四方面概括总结了FPGA加速深度学习的研究现状,然后对比了不同加速技术和模型的性能,最后对未来可能发展的方向进行了展望.     

深度学习模型鲁棒性研究综述

在大数据时代下,深度学习理论和技术取得的突破性进展,为人工智能提供了数据和算法层面的强有力支撑,同时促进了深度学习的规模化和产业化发展.然而,尽管深度学习模型在现实应用中有着出色的表现,但其本身仍然面临着诸多的安全威胁.为了构建安全可靠的深度学习系统,消除深度学习模型在实际部署应用中的潜在安全风险,深度学习模型鲁棒性分...     

大数据背景下基于项目化学习的小学人工智能教学实践思考——以“智能植物养护机器人”项目为例

本文以“智能植物养护机器人”项目为例,将项目学习划分为多个微项目,通过项目活动引导学生观察学校空中花园管理中存在的问题,思考和探索利用人工智能技术解决问题的办法,以期促进学生核心素养的发展,为推动大数据背景下基于项目化学习的小学人工智能课程的教学实践提供参考。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.