人工智能對教學評價管理的應用

緒論：在尋找寫作靈感嗎？愛發表網為您精選了1篇人工智能對教學評價管理的應用，愿這些內容能夠啟迪您的思維，激發您的創作熱情，歡迎您的閱讀與分享！

在中小學管理中，教學評價是學校管理的核心，諸多制度如績效考核量化等均是以教學評價的結果為重要指標進行設計的。因此，教學評價是中小學管理重要的組成部分。但由于教育的復雜性使得教學評價變得非常困難。當前，許多中小學教學管理制度中有關教學評價的部分大多是圍繞學生的考試成績設計的，學校管理者通常也是以此為據指導教學工作。這種靜態的、應試導向的教學評價模式缺乏精準性，很難觸及現實中教學問題的本質，容易誘導教師偏離教育初心，走向應試教育之路，而不利于學生核心素養的培養，有悖于“立德樹人”教育理念的落實。隨著新課改的推進，核心素養的培養成為中小學教育教學中的重中之重，一些學校的管理者已開始意識到這點，試圖采用多維度的評價方式彌補唯成績評價的不足，取得了一定的效果，但也帶來了許多新的難題，如評價的科學性和精準性遭到教師們的質疑等。這是因為多維度評價方式中引入了大量基于管理者經驗設計的規則，存在主觀性強、缺乏精準性等缺陷，以此為據指導教學，其科學性和精準性自然會引發質疑。事實上，教育教學是一個復雜的系統工程。任何企圖采用靜態的結果性評價機制指導教學都不可能真正反映出問題的本質，自然也就無法真正解決問題。復雜系統的管理需要具有反饋功能的動態過程化管理模式，但在實際教學管理中，過程化管理往往需要投入大量的人力和時間成本，所能做的也只是一些粗粒度的量化分析和定性描述，缺乏精準性，很難滿足指導教學的需求。因此，如何構建科學有效精準的教學評價管理模型就顯得尤為重要。教育的復雜性和開放性決定了教育問題不可能用較為成熟的線性理論來處理，只能運用還不夠完善的非線性理論思維去思考。不過，迄今為止，對于復雜的開放性系統來講，目前的非線性理論研究還不足以構建一個數學模型來解決教育問題。但隨著人工智能技術的飛速發展，許多自然科學領域的非線性系統難題都得到了很好的解決。諸如圖像模糊識別、語音識別、自然語言理解等領域均已取得了令人驚嘆的成果。受此啟發，運用人工智能技術輔助解決某些教育難題或許是一個很不錯的嘗試。

一、基于人工智能的教學評價管理系統模型的整體架構

該系統模型是建立在以下三條假設基礎之上的。第一，假設影響教學質量提升的因素有若干個，這些因素互相作用，互相影響，呈現出一定的非線性特征，且深度神經網絡技術可以在一定程度上描述這些特征。第二，這些相互作用的因素（或部分因素）可以通過技術手段做某種程度的量化。第三，每個量化后的變量（相互作用的因素）對學生學習的影響是不同的，且可以通過賦予一定的權重值來描述。基于以上三條假設，我們設計的系統模型如圖1所示。

二、基于人工智能的教學評價管理系統核心模塊功能及應用

整個系統的核心由“基于教與學行為構建的深度神經網絡”和“基于班級管理構建的深度神經網絡”兩個模塊組成。前一個模塊是評測教師的教學行為與學生的學習行為相互作用后對學生個體核心素養產生的影響，主要是為了獲取各種行為畫像對提升學生核心素養的敏感度和范圍值，所輸出的數據經過一定的轉換后形成學生個體核心素養量化指標，為指導教師精準教學提供數據參考和制定教學管理量規提供依據，同時也為后一個網絡模塊提供輸入數據。后一個模塊主要是評測學生個體間的相互作用對班級整體管理的影響，所輸出的數據經過轉換后形成教學管理量規，然后，通過數據分析獲取關鍵學生個體對班級的影響，指導班主任精準管理。同時也為學校教學管理部門提供必要的數據參考和績效考核的量規設計提供數據支撐。（1）基于教與學行為構建的深度神經網絡模塊該模塊由輸入層、隱藏層和輸出層三部分組成，其結構如圖2所示。①輸入層該層的設計建立在上述假設二基礎之上，為隱藏層提供輸入數據，包括教師教學行為畫像數據和學生學習行為畫像數據。這些數據具有多模態的特征，主要包括混合型數據、生理層數據、心理層數據和行為層數據，通常采用日志搜索分析技術、在線學習與管理平臺技術、移動APP技術、自我報告、生物數據采集技術、物聯網感知技術、可穿戴設備、網絡爬蟲技術、情感識別技術、語音識別技術、校園一卡通技術、視頻監控/拍攝技術、智能錄播技術、網評網閱技術、點陣數碼筆技術、拍照搜題技術等16種數據采集技術[1]。由于所采集的數據來自多種技術手段下的數據源，且存在大量噪音數據，因而在輸入前需要進行必要的預處理，主要包括對數據的審核和篩選、數據的清洗、數據的集成、數據的變換以及數據的歸約五個方面。②隱藏層該層的設計建立在上述假設一和假設三基礎之上，是整個模塊的核心。隱藏層至少有兩層神經網絡，每層由若干個人工神經元單元構成，各層間的神經元單元采用全連接方式相互連接，前一層的輸出即后一層的輸入。人工神經元是人工神經網絡的基礎單元，其工作原理與生物神經元的工作原理相似，其結構如圖3所示。每個神經元有若干個輸入，類似于傳入神經元的刺激，每個輸入（xi）對應一個權重（wi），類似于神經元的敏感度，權重越大，表示神經元對該刺激越敏感；神經元還有一個偏置項（bi），是一個常數，沒有對應的權重。這兩項加權求和后作用于激活函數（f），該函數是個非線性函數，用于解決線性模型中表達能力不足的問題，在神經網絡中起著至關重要的作用。③輸出層規范化后的行為畫像數據經過隱藏層作用，最后進入輸出層。該層涵蓋所有學生個體各學科核心素養的相關指標參數，可以在一定程度上反映學生核心素養的變化。需要注意的是，在設計時，輸出既要與學生個體核心素養量化高度關聯，又要符合神經網絡構建的相關要求。（2）基于班級管理構建的深度神經網絡模塊從整體結構上來講，該模塊與“基于教與學行為構建的深度神經網絡模塊”基本相似，都由輸入層、隱藏層和輸出層組成，所不同的是具體實現技術。如輸入層數據直接來自上一模塊的輸出，隱藏層的結構、加權求和函數、激活函數等都不同，具體設計需要根據實際要求構建。（3）數據的指標化及應用①學生個體核心素養量化指標該指標是“基于教與學行為構建的深度神經網絡模塊”輸出數據經過轉化后形成的數據呈現。模塊輸出的數據包含所有學生個體全部核心素養的相關信息，數據量龐雜且非常不直觀。為保證非設計人員能清晰理解數據的語義，需要將模塊輸出的數據進行數據挖掘，然后用可視化的形式呈現出來，用以指導相關教師精準教學和教學管理部門監控教學常規。在設計時，可采用結構化和模塊化設計思路，將功能相對獨立的應用盡可能地模塊化，教師可根據工作需求進行模塊組合。具體技術實現，可考慮數據挖掘技術和數據庫技術。根據“學生個體核心素養量化指標”的數據呈現，教師可以準確掌握每位學生的相關信息，然后綜合分析這些信息，采用適當的策略精準教學。②教學管理量規指標教學管理量規主要是基于學校的發展，參考學生個體核心素養量化指標和基于班級管理構建的深度神經網絡模塊輸出的數據設計的。其主要目的是能使相關部門動態監控整體教學態勢和班主任工作情況，準確掌握整個過程，及時引導教學工作。科學調整指導意見。同時，也為績效考核量規的設計提供參考。同上所述，該應用也需要數據的挖掘、數據的可視化和功能設計的模塊化等。班主任可根據“教學管理量規”的數據呈現準確掌握班級信息，科學分析學生個體特點，特別是要及時掌控對班級管理影響較大的學生個體，運用科學有效的管理策略引導班級良性發展。相關教學管理部門可根據教學管理量規要求動態監控全校教學過程，整體掌控教學態勢，為領導準確提供相關數據和建議，以便領導及時調整相關指導意見和決策。教學管理量規中的指標相對比較繁雜，內容過于細化，許多屬于過程性的指標不適合績效考核時直接使用。因此，可選取一些相對穩定的、有利于學校發展和教學質量提升的，以及有利于激勵教師成長發展的量化指標，在績效考核量規設計時用以參考。

三、基于人工智能的教學評價管理模型需要突破的技術難點

人工智能的應用在一定程度上可以模擬現實的復雜開放系統，為復雜系統問題求解提供技術保障，也能為數據量化提供一定的科學依據。但這種技術的應用在教育方面尚處在探索階段，還有許多問題需要進一步探究。就上述系統模型而言，以下兩個難題需要深入研究。1.模型系統中各類變量（或參數）的量化在該系統中，涉及大量的變量（或參數），它們的屬性和現實涵義差異很大，需要深入研究、仔細分析才能厘清它們的關系。大體來講，可以劃分為以下三類：第一類，內涵和外延非常清晰，也容易采集和量化。如眼動數據、腦電數據、血壓、平均作業時長、考試成績等。第二類，內涵和外延也非常清晰，有一定的抽象性，無法精準采集和量化，但可以通過若干個第一類變量線性組合后在一定程度上描述其屬性和特征。此類變量（或參數）需要特別注意，切勿主觀臆斷，盲目賦值，需要采用大數據分析技術，挖掘其內在關聯，科學構建數學模型。如教師的教學能力、學生的創造力、教師的執行力等。第三類，內在機理尚待深入研究，無法確定其在教育活x1x2x3xnW1W2W3Wn∑foutputy=∑i=1nxi·wi+bi加權求和激活函數輸出+1，y>0-1，其他動中的作用。如某些遺傳類因素對學習的影響等，需要做進一步的理論研究。針對此類變量（或參數），可以暫時忽略或在模型中預留一定數量的變量（或參數），將其權重直接賦值為0，使這類變量（或參數）不再干擾系統，影響結果。期待將來解決后，再重新設置，使其發揮應有的作用。2.行為畫像數據的采集和使用行為畫像數據是整個系統的基礎，此方面完整、精準的數據信息是系統評測的關鍵。然而，行為數據不同于其他數據，在采集和使用時，至少要解決好以下兩方面的問題：第一，畫像數據的隱私性及保護。畫像數據涉及大量個體屬性和行為信息，具有極強的隱秘性，使用不當會侵犯個人隱私。因此，相應的倫理研究是十分必要的，特別是畫像數據對個體隱私空間的影響。從操作層面來講，采集數據時要注意界定和選取，在保證系統基本需求的前提下盡可能地選用一些低敏感性的畫像數據；在技術上，要做到數據的分級管理，確保數據的安全；數據使用要全程監控，防止隱私數據的濫用，保證數據使用合理合法。第二，數據采集的成本。數據多模態的特征使得采集成本極高，如許多生物數據的采集，需要昂貴的設備才可完成。即使是使用基于物聯網的可穿戴設備，對于多數中小學來講，也存在成本由誰承擔的問題。因此，行為畫像數據的采集和使用雖有一部分已經付諸實踐，但很多數據采集和使用仍局限于實驗室或一些特定機構，甚至尚處于理論研究層面，遠未落實到實用層面。隨著科學技術的發展，這些難題將會逐一突破，而在這些難題解決之前，做一些理論探究是十分必要的。

四、基于人工智能的教學評價管理模型的應用

上述系統模型的設計基于目前普遍采用的班級授課制教學管理模式，可適用于大多數中小學，具有一定的普適性。但這并不意味著該模型對每個學校都是一樣的，這是因為模型的設計是基于人工智能技術，兼顧了普適性和特殊性。因此，在應用層面上需要注意以下兩方面的問題。1.處理好模型的普適性和應用的特殊性該模型僅從教學管理和人工智能角度出發，并非針對某個特定學校構建的。因此，就模型本身而言，系統可以解決中小學班級授課制下的教學管理。對于不同學校，其模型結構基本相同，只是變量（或參數）和相應權重不同而已。在應用時，可根據校情選用其中的一部分，而將其他的權重置為0，防止其對結果數據的干擾。根據深度神經網絡模型的原理，系統的特殊性主要體現在數據訓練集上。每個學校可選用歷史典型數據構建自己的私有數據訓練集，這樣訓練出來的系統就具有學校獨有的特色，結果數據也更具有針對性。當然，在構建私有訓練數據集時，針對部分具有普適性的變量（或參數）可抽取全國優秀教師的教學畫像數據，其他個性化的變量（或參數）則采用學校自己的典型畫像數據，這樣構建的訓練數據集將更有利于學校的發展。2.客觀理性地認識數據，做好數據測算該模型是一個基于大數據和人工智能技術構建的模擬性教學評測系統，不同于嚴謹的數學化推導，各變量（或參數）相互作用相互影響，輸出數據往往是諸多因素共同作用的結果，數據間沒有必然的因果關系。因此，實際使用時，應充分考慮到系統的局限性，客觀理性地對待數據結果，盡可能地挖掘出數據的涵義和數據間的關聯，做好態勢分析，結合教學經驗和管理經驗做出科學合理的解釋，以彌補系統的不足。另外，遇到比較大的系統變量（或參數）調整時，也應做好必要的數據測算分析。總之，教育是一個非常復雜的開放系統，許多問題涉及教育學、心理學、腦科學和學習理論等諸多交叉學科，并非簡單地使用一些所謂的公式量化就可以解決。當然，隨著大數據和人工智能技術的飛速發展，越來越多的教育問題將有望通過量化分析得以解決，逐步改變以往只能定性描述的情況。

參考文獻

[1]鐘薇，李若晨，馬曉玲，等.學習分析技術發展趨向：多模態數據環境下的研究與探索[J].中國遠程教育，2018（11）：44-49+79-80．

作者：劉永德 單位：甘肅省金昌市金川高級中學