AI+背景下智慧教育关键技术初探
郭堂瑞 王敏
（湖北文理学院计算机工程学院 湖北襄阳 441053）
摘 要： 通过对若干运用AI 技术的应用进行研究，并结合CNKI 相关文献，总结出在智慧教育领域建立知识图谱、学习者模型方面的关键技术。
关键词： 智慧教育；学生模型；自适应性
0 引言
当今人工智能、云计算、区块链技术的迅速发展，各学科领域面临新的出路和挑战，其中与教育结合，发展出智慧教育。智慧教育借助于开放教育资源、智能化的信息技术和国际规范，使学习者的行为改变，学习者可以自我导向、以人为本，利用智能设备和社会网络，培养和发展自我创造性学习能力。
1 智慧教育的特点
智慧教育与传统教育方式相比，有以下特点：
1.1 学习工具智能
学习工具不再局限于纸质书本和教材，移动设备也加入成为学习工具的行列，如手机、平板，而且移动设备具有便携、容量大、响应迅速、交互好等优点，使用了多种触摸感测技术，包括电容性、电阻性、红外和表面声波技术。教育智能机器人也逐渐研发出来，图像识别、语音识别、语音复制等技术得到大量运用。VR/AR 技术也被用在环境和场景感知中。
1.2 学习时间空间灵活
智慧学习体系中，学习不受时间空间的限制，碎片化时间或者整段时间都可以利用，5G 技术的加持下，学习地点也更加灵活。
1.3 用户画像
智慧学习的发展势必推动终身学习的普及，学习者身份范围更广，可以对学习者进行职业、年龄、性格以及其他维度的画像，更精准地推送知识。
由于建筑工程施工复杂，存在着多方面的安全隐患。但是，由于安全措施的实施复杂复杂，影响工程进度，目前仍有不少土建安全管理人员对施工人员的安全问题不太重视。因此，他们不想在执行安全措施上花费过多的精力，以及缺乏对施工人员的安全教育，导致团队内部人员忽视人员安全问题，最终发生安全事故。
1.4 大数据对知识点进行全景拆解
在智慧教育环境下，运用大数据技术可以将知识点拆解的更细致。知识点拆解的细致程度，决定了知识图谱范围的广度。
1.5 学习具有自适应性
首先搭建领域语料库作为知识图谱的数据来源，通过教材、考试大纲、课程标准等来获取，再进行标准化处理、分词，建立用户词典，进行知识抽取、关系抽取，得到所需的实体和关系后，用三元组对知识图谱进行表示，用图数据库作为存储介质[3]。
张清元也有讲得不顺畅的时候，比如唐小芹不去乘凉时，张清元就讲得不太好，不是不连贯，就是词不达意。那些个小家伙们就不干了，吵吵闹闹说元子哥哥在骗人，张清元只得强打起精神再讲。
1.6 更智能地评价反馈
智慧教育的环境下评价反馈不仅仅是反馈题目的对错，也可以对学习者对时间的利用率、薄弱环节的知识图谱等通过大数据分析进行反馈，从而完善学习者的学习习惯。
2 技术分析
不论是哪种教育形式，内容的设计始终是最重要的一环。目前数字资源逐步实现拥有优质的教学资源池、稳定的资源分类、灵活的搜索服务和基于移动设备开发[1]，但知识图谱的细化仍值得进一步探讨。在研究对象的解决方案里，有如下两种方式：
G是剪切模量，下标R和V分别表示Reuss近似(压力连续)和Voigt近似(应变连续).上标X表示由于不同的hkl引起的平均效应.a确定了Reuss近似和Voigt近似的比重.在绝大多数高压实验中，令a=1.由此，差应力的公式[16]可以推导出来：
2.1 知识图谱的建立
为了达到研究智慧教育关键技术的目的，通过文献研究若干采用了AI 技术的应用，包括被誉为“全球最领先的自适应学习平台”的Knewton、“人工智能第一股”的流利说英语、“智适应”松鼠AI，并结合CNKI 包含“智慧教育“关键字的文献，对智慧教育中一些关键技术进行探讨，整理出以下几个方面：
2.1.1 使用神经网络对知识点标签化
2.1.2 使用人工智能技术推出知识图谱
使用与内容资源相关的询问集合中的子集来测试用户和内容资源类型或等级的匹配程度[2]。
智慧学习的目的之一是千人千面，自适应性可以根据学习者内容资源的获取习惯、遗忘曲线、薄弱知识单元等来推荐练习知识点，做到有的放矢，实现个性化教学。
2.2 学习者模型建立
卷积神经网络（Convolutional Neual Network，CNN）是一种前馈神经网络，由卷积层、池化层、全连接层、输出层几个部分构成。对原始输入图像通过滤波器卷积提取多个特征图，再用池化（Pooling）技术如maxpooling、mean-pooling、stochastic-pooling 将卷积层降维，构成下采样层作为下一层的输入继续卷积池化，最终将多维特征图经过全连接层转换为一维，再根据特征向量进行分类。
贝叶斯网络[4]模拟人类推理过程中因果关系的不确定性处理的推理方法，拓扑结构是有向无环图（directed acyclic graph，DAG），节点表示随机变量，将有因果关系或非条件独立的变量和命题用箭头连接，描述变量之间的独立和依赖关系，并使用条件概率表（Conditional Probability Table，简称CPT）来描述变量的联合分布。贝叶斯网络能够在条件不确定、信息不完整、变量数量有限的情况下，利用概率描述节点与父节点之间的关系，从而更加科学地解释变量之间的因果关系。
贝叶斯网络技术可以用在构建学习者知识水平模型、错误模型、情感特征、认知特征和元认知能力模型中。将学习者对某知识或概念的掌握以不同层级表示，描述相应的知识水平；将学习者错误建模，可以及时矫正；根据学习风格预测，为学习者呈现相应偏好的内容和形式，提高参与度；甚至长期对学习者进行知识评估，预测学习者认知能力[5]。
棚膜保持清洁：选择聚氯乙烯无滴长寿膜和聚氯乙烯雾膜等透光好的棚膜，无滴膜可提高透光率20%～30%。用扫帚、木杆绑上布条或用机动喷雾器及时清扫覆盖在棚膜上的灰尘杂物、积雪等，经常保持棚膜内外清洁，增加光线射入量，以起到增强光照的效果。
在自适应性中，最核心地是建立准确高效的学习者模型。为实现这一目标，该领域用到了机器学习和深度学习的相关算法，如贝叶斯网络、卷积神经网络等。
设置仿真时间为60 min,随机种子为128,再次运行仿真．结果显示,仿真后期全局统计量网络时延达到0.55 s,数据库查询和HTTP页面的响应时间分别达到223.48 s,5.87 s,并且有逐渐增大趋势．这3个全局统计量开通视频点播后60 min的移动平均分别如图5～7所示．核心交换机CS6509与汇聚交换机CS3560G之间下行链路的排队时延峰值达到3.40 s,吞吐量峰值达到940.32 Mb/s,利用率峰值达到94.03%．这3个链路统计量开通视频点播后60 min的移动平均分别如图8～10所示．
卷积神经网络可用在图像识别上，在智慧教育系统中，可对学习者动作进行识别，建立学习者动作模型。
3 结束语
本文的目的是通过梳理智慧教育中用到的关键技术，找到继续研究的方向和目标。智慧教育能够促进传统教育变革，让学习者共享优质资源，逐渐消除教育资源不均衡。
参考文献
[1]陈诗群，黄红涛.面向自适应学习的高校数字资源制作框架研究[J].软件导刊（教育技术），2019（7）：29-31.
[2]上海流利说信息技术有限公司.自适应内容资源分配方法、设备和系统[P].中国发明专利，CN105787033A.
[3]牟建明.自适应学习的高中数学智能题库系统[D].北京：电子科技大学，2019.
[4]周志华.机器学习[M].北京：清华大学出版社，2016.
[5]菅保霞，姜强，赵 蔚，等.大数据背景下自适应学习个性特征模型研究——基于元分析视角[J].远程教育杂志，2017（4）：87-96.
中图分类号： G434
文献标识码： A
文章编号： 1004-7344（2019）36-0043-01
收稿日期： 2019-08-11
作者简介：
郭堂瑞（1980-），女，汉族，湖北襄阳人，讲师，硕士，研究方向为智慧教育、数字电路。
王敏（1982-），女，汉族，湖北襄阳人，讲师，硕士，研究方向为教育技术、计算机应用。
应收账款是企业流动资产的重要组成部分，对应收账款的管理也尤为重要，很多企业通过赊销将商品迅速销售出去，扩大企业的市场，却不重视应收账款的管理，一些企业在赊销时并没有规定应收账款的还款期限，企业并不能控制资金的收回日期，在赊销中由主动方变成了被动方，加大了应收账款的不确定性。企业缺少对应收账款管理的规章制度，没有及时对应收账款计提坏账准备，忽视了应收账款所带来的风险，导致应收账款的回收、坏账准备等指标不准确，会计监督没有达到效果。企业这种只在乎眼前利益而不重视事后管理的行为就会导致企业应收账款回收的困难，降低企业资金周转的速度，企业的生产经营将会更加困难。
标签：智慧教育论文; 学生模型论文; 自适应性论文; 湖北文理学院计算机工程学院论文;