打开文本图片集

摘要：针对人工智能综合实验的跨学科、跨专业产生的操作难、错误多的问题，给出了基于知识图谱的知识点与问题的实验指导数据库，构建了层次化、模块化的综合实验案例，在此基础上，设计了基于长短时记忆网络LSTM的实验前导知识和操作问题对应的知识点推荐策略，实现了智能化的实验指导方案。最后，通过聚类算法对教学数据进行学情分析，实验数据表明，智能化的实验指导策略，有助于学生对实验操作的理解和实验的实现，有效提升了实验的教学质量。

关键词：人工智能；综合实验；推荐策略；创新素养

中图分类号：TP391.4  文献标识码：A

随着人工智能技术的不断发展，人工智能助力个性化、智能化教学的研究已经成为教育技术领域的一个热点。Wang、Mousavinasab等将人工智能技术用于智能化学习平台，尝试了深度强化学习在个性化学习中的应用和高等教育的学习指导和评价等[1-6]。Clancey等探讨了智能辅导系统研究中的人工智能的方法和标准的可解释性[7-9]。高洁等分析了在人工智能背景下高等教育中的应用、趋势和挑战，以及智慧教学方法的特点、效果以及在教学中的应用[10，11]。宋宇等聚焦于人工智能技术助力面向思维培养的智能化课堂教学，并给出了相关技术的效果评估[12]。许锋华、胡先锦深入研究了人工智能技术在个性化学习中的赋能，涵盖了相关的理论意蕴、机制以及可能的发展路径[13]。刘江进行了面向非计算机专业的人工智能课程的建设与探索[14]。管佳等讨论了人工智能技术如何在我国高等教育中赋能拔尖人才培养，并分析了人工智能在学生培养过程中的实际应用、效果和挑战[15]。这些学者和研究团队的工作在推动教育领域的智能化和个性化方向上取得了显著的进展，为未来教育技术的发展提供了重要的参考和启示。

人工智能综合实验通常涉及计算机科学、数学、统计学等多个学科，促使学生跨学科合作，培养学生的创新素养和综合素质。但由于综合实验的复杂性以及居高不下的师生比，影响了综合实验的教学效果。智能化、个性化的实验指导方法不仅关注于提高学生的学科知识水平，还更加注重培养学生的实际操作能力、创新素养、综合素质以及适应未来复杂信息化环境的能力。随着技术的进一步创新和教育理念的不断演进，满足学生的个性化学习需求和社会对人才的多元化要求的智能化的实验指导方法的实现成为可能。

1 基于知识图谱的知识数据构建

人工智能综合实验的前导知识包括多个方面，涉及到计算机科学、机器学习、深度学习、数据科学等领域。这里限定了相关知识数据包括Python程序设计、数据处理、机器学习、深度学习四个方面。编程语言Python以及相关的数据结构和算法，是进行人工智能实验的基础，因此在构建知识图谱时，将Python程序设计等四门课程的知识点、实验过程中存在的问题、解决方法，以三元组的形式进行存储，将实验ID、实验步骤、前导知识点、问题列表以四元组的形式存储在数据库中。数据库中的数据在实验教学过程中可不断更新和录入，从而形成比较完善的指导数据。

图谱数据构建的关键是知识的抽取和整合。首先从实验的前导课程中选取必要的课程知识体系，通过自建课程资源，以及从学术文献、教科书、在线教育资源中提取等方法，来构建与人工智能实验相关的知识体系。整合来自不同数据源的知识，定义领域概念的层次结构和属性，设计数据库表结构并建立统一的知识库。课程实施过程中，学生可以根据遇到的问题，查找数据。当问题不存在时，实时的进行问题的统计和录入。

2 实验指导策略设计

在知识图谱构建的基础上，根据学生的理论学习历史数据和实验过程中的知识数据，设计实现基于长短时记忆网络（LSTM）的前导知识推荐策略。LSTM模型的学习内容是前期构建的表示知识先后关系的知识图谱，对于前导知识的推荐，根据当前的实验内容和实验目标，设定需要推荐的相关知识点。对于实验中遇到问题的解决方案推荐，需要根据问题检索数据，结合知识体系分析所需要的知识进行推荐。

为构建一个简化的LSTM人工智能实验知识推荐和指导模型，首先定义知识网络结构和输入数据的格式。在输入数据时，每个学生的知识学习数据序列可以表示为一个时序数据集，其中包括知识的前后关联、知识的浏览顺序、点击顺序等关系。对应于每个序列中的知识标签，表示该知识点的关键性程度。这里采用二元分类标签，例如1表示重要，0表示不重要。LSTM模型的结构设计中包括输入层、LSTM层、解码层和输出层。在输入层中将实验操作序列转化为嵌入（embedding）表示。每个实验操作可以被表示为一个向量，这些向量可以被串联成整个操作序列的表示。LSTM层采用LSTM网络作为编码器，用于学习输入序列中的时序信息。LSTM能够捕捉到操作序列中的长时依赖关系，有助于理解实验步骤的演变。解码器层使用一个解码器LSTM网络，该网络的初始状态可以由编码器的最终状态初始化。解码器的任务是生成与每个实验操作相关的知识点序列。输出层是一个全连接层，用于将解码器的输出映射到知识点的概率分布上，这里使用softmax函数来获得每个知识点的概率，如公示（1）所示。

其中Z=[Z1，Z2，...，Zk]是输入的操作向量，softmax（z）i是转换后的第个元素。

3 聚类学情分析

学习特征采用三元组<x，y，z>的方式表示， <x，y，z>代表学习特征中的空间的中心点，该中心点向外辐射的一定范围属于同一特征。在聚类分析前，首先从平台收集的若干个历史数据集中选取出K个学习特征作为初始聚类中心，其次根据最近邻原则，计算每个特征到这K个中心的距离，将样本点分配到距离最近的类簇中。数据的聚类处理过程分为两个阶段，首先设置学习效果分类的数量，将数据集中的每个数据分别划分到对应的效果中，第二阶段通过不断的迭代计算，找出学习效果的中心，也就是聚类中心，整个过程迭代到中心不再发生变化为止。该算法度量相似度的方法是通过计算不同数据间的距离，距离计算如公示（2）所示。给定两个知识点i和i，，矩阵元素Qi，j表示实验步骤i与知识点j的关联性。通常Qi，j值越大，代表知识点的重要性程度越大。将距离相近的数据点分配到同一个学习效果类别中，这里学习效果类别采用五级制。

在学情分析过程中，首先输入特征样本数据S=S1，S2，...，Si（i=1，2，...，n），然后根据下列步骤进行学情分析。

Step1设定学习特征类族数量，即算法K值，这里设置为5。

Step2随机指定K个效果聚类中心。

Step3计算其他数据到K个中心的余弦距离，将距离进行排序和比较分析，将其他数据划分到欧式值最小的学习效果中。

Step4反复地循环迭代，直到学校效果的中心点数据不再发生变化，如果满足此条件，则停止计算，如果没有，则转到步骤Step3进行迭代。

最终将所有学习效果划分为5个类别。

4 教学数据对比

针对人工智能综合实验智能化指导策略的可行性和有效性进行验证，验证过程中选择了两个组38名本科生参加了实验。实验组由一个组的20名学生组成，他们使用了改革后的综合实验案例进行了学习。对照组包括另一班的18名学生，他们使用传统的人工智能实验进行了学习。在学习过程中，保持学生学习体验和效果的数据统计和分析。在收集的教学平台、问卷调查数据汇总后，共收集了1486个平台数据项，用于进一步的基于Python的数据分析。表1给出了学生对实验参与度及其改革前和改革后得分的描述性统计数据，包括最小值、最大值、平均值、标准差（SD）、第50百分位、第25百分位和第75百分位，在统计分析中，对部分数据进行了归一化处理。

为了研究学生成绩的差异，进行了单向分类协方差分析（ANCOVA），以确定学生学习成绩的组间差异。该分析的协变量、因变量和自变量是学生的实验前人工智能知识测试得分、实验后得分和学习组隶属关系（实验组或对照组）。两组的实验前得分采用独立t检验。结果表明，两组之间没有显著差异（t=-0.61，p>0.05）。此外，通过Shapiro-Wilk检验来检验数据的正态性；对照组学生的数值为0.97（p>0.05），实验组学生的值为0.95（p>0.05）。这些结果表明，测试样本在试验后得分方面都表现出正态分布。表2给出了两组实验前和实验后成绩的描述性统计数据，表3给出了比较两组学习成绩的单向ANCOVA结果。两组之间的测试后得分存在显著差异[F（1，38）=78.93，p<0.001]，实验组的均值和标准差分别为88.31和7.66，对照组的平均数和标准差则分别为77.59和9.2。实验组的实验后得分显著高于对照组。所提出的方法对学生学习成绩的影响大小为0.50，表明影响较大。

5 结论

综合实验的智能化指导策略的实现对于实现个性化的教学具有重要的实践意义，其中包括实验案例构建、实验指导资源建设、实验指导策略设计和实验评价等诸多复杂的关联过程。好的实验指导策略不但需要合适的模型设计，更需要合理的课程资源建设，尤其是课程知识图谱的支撑。在今后的研究中将结合人工智能技术的前沿热点，不断丰富和完善课程教学资源和知识数据库的内容，进一步整合综合实验的问题和知识，来提升实验教学效果，实现创新素养培养和综合能力提升的教学目标。

参考文献（References）

[1] Wang S， Christensen C， Cui W， et al. When adaptive learning is effective learning： comparison of an adaptive learning system to teacher-led instruction[J]. Interactive Learning Environments， 2023， 31（2）： 793-803.

[2] Li X， Xu H， Zhang J， et al. Deep reinforcement learning for adaptive learning systems[J]. Journal of Educational and Behavioral Statistics， 2023， 48（2）： 220-243.

[3] Amin S， Uddin M I， Alarood A A， et al. Smart E-learning framework for personalized adaptive learning and sequential path recommendations using reinforcement learning[J]. IEEE Access， 2023.

[4] Yang E， Pan J， Wang X， et al. Adatask： A task-aware adaptive learning rate approach to multi-task learning[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2023， 37（9）： 10745-10753.

[5] Muñoz J L R， Ojeda F M， Jurado D L A， et al. Systematic review of adaptive learning technology for learning in higher education[J]. Eurasian Journal of Educational Research， 2022， 98（98）： 221-233.

[6] Mousavinasab E， Zarifsanaiey N， R. Niakan Kalhori S， et al. Intelligent tutoring systems： a systematic review of characteristics， applications， and evaluation methods[J]. Interactive Learning Environments， 2021， 29（1）： 142-163.

[7] Clancey W J， Hoffman R R. Methods and standards for research on explainable artificial intelligence： Lessons from intelligent tutoring systems[J]. Applied AI Letters， 2021， 2（4）： e53.

[8] Guo L， Wang D， Gu F， et al. Evolution and trends in intelligent tutoring systems research： a multidisciplinary and scientometric view[J]. Asia Pacific Education Review， 2021， 22（3）： 441-461.

[9] Sun H， Shen L， Zhong Q， et al. Adasam： Boosting sharpness-aware minimization with adaptive learning rate and momentum for training deep neural networks[J]. Neural Networks， 2024， 169： 506-519.

[10] 西安交通大学学报编辑部.九位院士，校长谈"人工智能赋能高等教育"——"'人工智能赋能教育'中国工程科技论坛"会议综述[J].西安交通大学学报：社会科学版， 2023， 43（3）：1-15.

[11] 高洁，彭绍东.教育人工智能背景下智慧教学工具的比较研究[J].上海教育科研， 2023（3）：7.

[12] 宋宇，许昌良，朱佳，等.面向思维培养：基于精准标注技术的智能化课堂教学分析及应用[J].华东师范大学学报：教育科学版， 2023， 41（8）：79-89.

[13] 许锋华，胡先锦.人工智能技术赋能个性化学习：意蕴，机制与路径[J].广西师范大学学报：哲学社会科学版， 2023， 59（4）：68-79.

[14] 刘江章晓庆.面向非计算机专业的人工智能导论课程建设与探索[J].中国大学教学， 2022（1）：46-51.

[15] 管佳韩婷芷徐国兴.人工智能技术赋能我国高等教育拔尖人才培养[J].中国电化教育， 2022（10）：97-101.

基金项目：山东省教育科学规划创新素养专项课题专项一般：人工智能实验课程体系及实施方式创新研究，课题编号：2022CYB261

作者简介：王敏（1982--），女，山东荣成，硕士，讲师，研究方向为人工智能、高等教育。wangmin@sdjtu.edu.cn

通信作者：王敏（1982--），女，山东荣成，硕士，讲师，研究方向为人工智能、高等教育。wangmin@sdjtu.edu.cn