一、引言
技術(shù)融入教學(xué)并促進(jìn)學(xué)習(xí)方式轉(zhuǎn)變，已經(jīng)成為必然趨勢(shì)，在美國(guó)教育部教育技術(shù)最新報(bào)告《為未來做準(zhǔn)備的學(xué)習(xí)：重塑技術(shù)在教育中的角色》中，更是突出強(qiáng)調(diào)了要利用技術(shù)來開展教學(xué)［1］。在關(guān)聯(lián)理解、知識(shí)挖掘、腦科學(xué)、認(rèn)知科學(xué)、人工智能等新理論新技術(shù)驅(qū)動(dòng)下，并受摩爾定律、梅特卡夫定律和吉爾德定律的影響，大數(shù)據(jù)分析和深度學(xué)習(xí)成為數(shù)據(jù)科學(xué)研究的中心主題，利用深度學(xué)習(xí)進(jìn)行大數(shù)據(jù)分析，提取數(shù)據(jù)蘊(yùn)含的潛在價(jià)值，引領(lǐng)教育結(jié)構(gòu)的變革與創(chuàng)新。大數(shù)據(jù)分析的核心是挖掘和提取大量輸入數(shù)據(jù)中有意義的規(guī)律和模式。由于傳統(tǒng)的機(jī)器學(xué)習(xí)和特征工程算法不足以提取大數(shù)據(jù)中隱藏的復(fù)雜和非線性模式，深度學(xué)習(xí)作為人工智能領(lǐng)域一種新興的機(jī)器學(xué)習(xí)算法，是以數(shù)據(jù)驅(qū)動(dòng)方式對(duì)分析數(shù)據(jù)進(jìn)行一系列的非線性變換，利用分層架構(gòu)學(xué)習(xí)自動(dòng)提取數(shù)據(jù)的復(fù)雜抽象和表征，成為大數(shù)據(jù)分析中極具價(jià)值的工具。目前，Google、微軟、IBM、訊飛、百度、騰訊、阿里巴巴、螞蟻金服等國(guó)內(nèi)外知名的擁有大數(shù)據(jù)的互聯(lián)網(wǎng)公司都紛紛加強(qiáng)對(duì)深度學(xué)習(xí)的探究，并獲得一系列顯著成果，如Google旗下的DeepMind團(tuán)隊(duì)采用深度學(xué)習(xí)技術(shù)開發(fā)的人工智能程序AlphaGo［2］和開源深度學(xué)習(xí)環(huán)境Tensor Flow。大數(shù)據(jù)時(shí)代，《中國(guó)制造2025》的深入實(shí)施，促進(jìn)深度學(xué)習(xí)煥發(fā)蓬勃生機(jī)，并在教育教學(xué)領(lǐng)域掀起一股熱潮。2017高等教育版新媒體聯(lián)盟《地平線報(bào)告》指出，2017—2021年間最有可能促進(jìn)高等教育領(lǐng)域技術(shù)運(yùn)用的關(guān)鍵趨勢(shì)之一就是深度學(xué)習(xí)方法，利用該方法可以更直觀地響應(yīng)學(xué)習(xí)者并與他們交流，提升在線學(xué)習(xí)、自適應(yīng)學(xué)習(xí)軟件和模擬軟件的用戶體驗(yàn)［3］。將深度學(xué)習(xí)引入教育領(lǐng)域，以分析日漸增長(zhǎng)的教育教學(xué)相關(guān)數(shù)據(jù)，從中獲取未被提煉的、復(fù)雜抽象的信息與知識(shí)，逐漸探索一種運(yùn)用技術(shù)促進(jìn)學(xué)習(xí)的創(chuàng)造性理念與方式，用于改善學(xué)習(xí)質(zhì)量。鑒于此，本研究在解讀教育大數(shù)據(jù)潛在價(jià)值的基礎(chǔ)上，總結(jié)深度學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域和教育教學(xué)領(lǐng)域的發(fā)展現(xiàn)狀，著重討論教育領(lǐng)域中利用深度學(xué)習(xí)分析教育大數(shù)據(jù)的機(jī)遇、挑戰(zhàn)及未來發(fā)展，以便全方位、深層次地追溯教育大數(shù)據(jù)的巨大價(jià)值，從而優(yōu)化學(xué)習(xí)過程，提高學(xué)習(xí)效率。
二、教育大數(shù)據(jù)發(fā)展?jié)撃?/strong>
數(shù)據(jù)科學(xué)的興起加速了大數(shù)據(jù)價(jià)值化的進(jìn)程，改變了人類的生產(chǎn)生活方式，也顛覆了教育系統(tǒng)的常規(guī)模式。國(guó)務(wù)院《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》提出“探索發(fā)揮大數(shù)據(jù)對(duì)變革教育方式、促進(jìn)教育公平、提升教育質(zhì)量的支撐作用”，《教育信息化“十三五”規(guī)劃》強(qiáng)調(diào)發(fā)揮大數(shù)據(jù)在教育管理與學(xué)習(xí)空間中的重要作用。楊宗凱教授提出，“十三五”期間，大數(shù)據(jù)與教育的深度融合已成為必然趨勢(shì)［4］。胡弼成等認(rèn)為教育系統(tǒng)的大數(shù)據(jù)可促進(jìn)教與學(xué)的過程，推進(jìn)教育決策科學(xué)化，促使教育評(píng)價(jià)更具全面客觀性，完善教育質(zhì)量監(jiān)控體系，并指出教育大數(shù)據(jù)對(duì)于教學(xué)變革、教育科研變革、教育管理變革和教育評(píng)價(jià)變革等的推動(dòng)作用［5］。楊現(xiàn)民等認(rèn)為教育大數(shù)據(jù)應(yīng)作為敦促教育變革的新型戰(zhàn)略資產(chǎn)、科學(xué)力量和智慧教育發(fā)展的基石，提出教育大數(shù)據(jù)的最終價(jià)值在于實(shí)現(xiàn)教育管理的科學(xué)化、教學(xué)模式改革、個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)、教育評(píng)價(jià)體系的重構(gòu)、科學(xué)研究范式的轉(zhuǎn)型以及教育服務(wù)的人性化［6］。
通過分析教育大數(shù)據(jù)，挖掘其背后的極大潛能，獲取有意義的教與學(xué)信息和知識(shí)，有助于優(yōu)化教學(xué)過程，改善學(xué)習(xí)成效。姜強(qiáng)等利用教育數(shù)據(jù)挖掘和可視化技術(shù)，從個(gè)人、同伴及個(gè)體與班級(jí)視角設(shè)計(jì)的學(xué)習(xí)分析儀表盤，以直觀的圖形圖像方式，實(shí)時(shí)動(dòng)態(tài)地展現(xiàn)學(xué)生學(xué)習(xí)行為數(shù)據(jù)，促使教師持續(xù)了解學(xué)生學(xué)習(xí)情況、評(píng)估學(xué)生學(xué)習(xí)表現(xiàn)，并及時(shí)調(diào)整與反思教學(xué)［7］。方海光等通過跟蹤記錄與分析MOOC學(xué)習(xí)者的在線學(xué)習(xí)行為，利用量化自我算法挖掘?qū)W習(xí)者相關(guān)學(xué)習(xí)信息，以報(bào)告的形式展示學(xué)習(xí)者的學(xué)習(xí)現(xiàn)狀，使學(xué)習(xí)者實(shí)時(shí)了解自己的學(xué)習(xí)進(jìn)展，及時(shí)查漏補(bǔ)缺，從而促進(jìn)學(xué)習(xí)任務(wù)的高效完成，提升學(xué)習(xí)質(zhì)量［8］。楊雪等建構(gòu)的基于大數(shù)據(jù)個(gè)性化學(xué)習(xí)體系框架，有助于反思教育教學(xué)，推動(dòng)個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)［9］，并以大數(shù)據(jù)分析與教育改革為主視角，擷取第十五屆教育技術(shù)國(guó)際論壇（IFET）主旨報(bào)告和論文中的主要觀點(diǎn)，總結(jié)了大數(shù)據(jù)教育的具體應(yīng)用趨勢(shì)［10］。此外，國(guó)內(nèi)外一些在線教育公司充分發(fā)揮大數(shù)據(jù)分析的應(yīng)用價(jià)值，如Knewton公司研發(fā)的大數(shù)據(jù)自適應(yīng)學(xué)習(xí)系統(tǒng)，通過收集學(xué)習(xí)內(nèi)容和互動(dòng)交流等學(xué)生數(shù)據(jù)，利用模型計(jì)算、心理測(cè)試和策略反饋等引擎進(jìn)行分析，向?qū)W生提供下一步學(xué)習(xí)的引導(dǎo)和建議，實(shí)施個(gè)性化學(xué)習(xí)。百年英才依據(jù)云計(jì)算和數(shù)據(jù)挖掘等技術(shù)，整理分析數(shù)十年精準(zhǔn)海量高考數(shù)據(jù)，設(shè)計(jì)開發(fā)高考志愿填報(bào)系統(tǒng)和專業(yè)選擇系統(tǒng)，圍繞海量、多樣、持續(xù)增長(zhǎng)的高考數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘與建模分析，為畢業(yè)生高考志愿填報(bào)和專業(yè)選擇提供精準(zhǔn)科學(xué)的指導(dǎo)。創(chuàng)數(shù)教育集團(tuán)基于自適應(yīng)技術(shù)推出的“學(xué)生個(gè)性化學(xué)習(xí)”產(chǎn)品，通過跟蹤分析學(xué)生的學(xué)習(xí)痕跡數(shù)據(jù)，幫助其精確定位個(gè)人學(xué)習(xí)缺陷，根據(jù)學(xué)習(xí)者個(gè)體能力，規(guī)劃不同的學(xué)習(xí)路徑，推薦適合的個(gè)性化學(xué)習(xí)內(nèi)容和任務(wù)，促進(jìn)自主學(xué)習(xí)效率大幅度提升。
分析教育大數(shù)據(jù)以獲取有意義的規(guī)律與模式、信息與知識(shí)的基本前提是明確教育大數(shù)據(jù)的生成過程。邢蓓蓓等指出教育大數(shù)據(jù)產(chǎn)生于學(xué)校環(huán)境下的教學(xué)活動(dòng)、管理活動(dòng)、科研活動(dòng)和學(xué)校生活等教育活動(dòng)中，學(xué)生在家庭、社區(qū)、博物館等社會(huì)環(huán)境下進(jìn)行學(xué)習(xí)活動(dòng)生成的學(xué)習(xí)記錄也屬于教育大數(shù)據(jù)［11］。本研究從學(xué)習(xí)者角度，總結(jié)教育大數(shù)據(jù)由學(xué)生數(shù)據(jù)、學(xué)習(xí)資源、通用數(shù)據(jù)和數(shù)據(jù)工具四部分組成，如圖1所示。
學(xué)生數(shù)據(jù)作為構(gòu)成教育大數(shù)據(jù)的基本要素，包括學(xué)生先前學(xué)習(xí)經(jīng)驗(yàn)數(shù)據(jù)即歷史數(shù)據(jù)、學(xué)生個(gè)人基本信息和當(dāng)前學(xué)習(xí)狀態(tài)下正在生成的學(xué)習(xí)數(shù)據(jù)；學(xué)習(xí)資源是教育大數(shù)據(jù)產(chǎn)生的重要途徑，主要指學(xué)生學(xué)習(xí)過程所需的相關(guān)學(xué)習(xí)材料和學(xué)習(xí)環(huán)境；通用數(shù)據(jù)是教育大數(shù)據(jù)的關(guān)鍵來源，包含課程數(shù)據(jù)、教學(xué)數(shù)據(jù)和教育管理數(shù)據(jù)；數(shù)據(jù)工具是教育大數(shù)據(jù)價(jià)值化的主要手段，較為普及的方法有協(xié)同過濾技術(shù)、分類和聚類等。
教育大數(shù)據(jù)形成過程中，學(xué)生先前的學(xué)習(xí)痕跡、學(xué)生個(gè)體的信息數(shù)據(jù)、學(xué)習(xí)資源數(shù)據(jù)、學(xué)校管理數(shù)據(jù)以及課程教學(xué)生成的多樣化數(shù)據(jù)等融入通用數(shù)據(jù)，構(gòu)成多源性、異質(zhì)性和碎片化的海量教育數(shù)據(jù)；數(shù)據(jù)工具的使用將大規(guī)模教育原始數(shù)據(jù)通過收集、處理、分析和解釋，轉(zhuǎn)換為有價(jià)值的知識(shí)與信息。由于教育數(shù)據(jù)的規(guī)模性、多樣性、易變性和模糊性，數(shù)據(jù)采集時(shí)需要跟蹤與分析數(shù)據(jù)來源，確定數(shù)據(jù)類型和格式，整合異構(gòu)數(shù)據(jù)，并測(cè)評(píng)數(shù)據(jù)存儲(chǔ)能力；處理時(shí)考慮到數(shù)據(jù)的時(shí)效性、真實(shí)性和有效性，應(yīng)傾向于驗(yàn)證數(shù)據(jù)質(zhì)量，縮減數(shù)據(jù)規(guī)模，以并行或分布方式清理數(shù)據(jù)；分析階段則根據(jù)不同的應(yīng)用需求，選擇不同的數(shù)據(jù)集，采用諸如教育數(shù)據(jù)挖掘和學(xué)習(xí)分析技術(shù)等方法進(jìn)行分析；解釋階段是將數(shù)據(jù)分析得到的結(jié)果利用可視化技術(shù)進(jìn)行解釋以便用戶識(shí)別和理解。誠(chéng)然，整個(gè)過程中需要特別注意數(shù)據(jù)的隱私安全與倫理道德問題，趙慧瓊等從技術(shù)視角搭建的大數(shù)據(jù)學(xué)習(xí)分析安全與隱私保護(hù)框架，旨在應(yīng)對(duì)教育大數(shù)據(jù)分析面臨的隱私泄露、訪問權(quán)限和可信性挑戰(zhàn)，并提出一系列數(shù)據(jù)保護(hù)策略，以便緩解數(shù)據(jù)使用時(shí)涉及的隱私倫理問題［13］。
三、深度學(xué)習(xí)：一種有效學(xué)習(xí)方式
大數(shù)據(jù)背景下，深度學(xué)習(xí)已經(jīng)成為一種有效且重要的學(xué)習(xí)方式和學(xué)習(xí)理念。目前，加拿大多倫多大學(xué)的Geoffrey Hinton、紐約大學(xué)的Yann Le Cun和加拿大蒙特利爾大學(xué)的Yoshua Bengio、谷歌技術(shù)總監(jiān)Kurzweil、美國(guó)斯坦福大學(xué)計(jì)算機(jī)科學(xué)系李飛飛、特斯拉AI主管Andrej Karpathy、深度好奇創(chuàng)始人兼CTO呂正東博士、Deeplearning ai創(chuàng)始人吳恩達(dá)、中國(guó)科學(xué)院院士兼中國(guó)人工智能學(xué)會(huì)副理事長(zhǎng)譚鐵牛、中國(guó)科學(xué)技術(shù)大學(xué)陳恩紅、清華大學(xué)張鈸、西安電子科技大學(xué)高新波和香港科技大學(xué)楊強(qiáng)等均致力于深度學(xué)習(xí)研究并取得了杰出成就。通過對(duì)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘以及教育教學(xué)領(lǐng)域中深度學(xué)習(xí)發(fā)展現(xiàn)狀進(jìn)行梳理，充分認(rèn)識(shí)未來教學(xué)融入深度學(xué)習(xí)的重要性，為教育大數(shù)據(jù)深度學(xué)習(xí)的應(yīng)用奠定堅(jiān)實(shí)基礎(chǔ)。
?。ㄒ唬C(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘中的深度學(xué)習(xí)
機(jī)器學(xué)習(xí)中，深度學(xué)習(xí)是指在不同層次上利用一系列非線性變換對(duì)數(shù)據(jù)進(jìn)行復(fù)雜抽象表征的算法［14］，可分為有監(jiān)督特征學(xué)習(xí)和無監(jiān)督特征學(xué)習(xí)，不同學(xué)習(xí)框架下使用的學(xué)習(xí)算法是不同的，例如，卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)是基于有監(jiān)督深度學(xué)習(xí)建立的學(xué)習(xí)模型，而自動(dòng)編碼器、玻爾茲曼機(jī)和深度置信網(wǎng)絡(luò)則屬于無監(jiān)督深度學(xué)習(xí)算法。有監(jiān)督特征學(xué)習(xí)也稱為有教師學(xué)習(xí)，是通過訓(xùn)練數(shù)據(jù)集中建立模型來預(yù)測(cè)未知，無監(jiān)督學(xué)習(xí)則自動(dòng)從數(shù)據(jù)中提取學(xué)習(xí)特征，在提取數(shù)據(jù)分析過程中發(fā)現(xiàn)有效信息［15］。深度學(xué)習(xí)是基于人工智能領(lǐng)域類神經(jīng)網(wǎng)絡(luò)的發(fā)展，通過模仿人類大腦的層次學(xué)習(xí)方法自動(dòng)提取復(fù)雜的抽象表征，以便在更高層次上建立表征學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)［16］。
深度學(xué)習(xí)在語音識(shí)別、圖像識(shí)別和自然語言處理等諸多應(yīng)用領(lǐng)域取得了一系列顯著成果。Microsoft公司在中國(guó)天津公開展示的全自動(dòng)同聲翻譯系統(tǒng)，實(shí)現(xiàn)了自動(dòng)化語音識(shí)別和中文語音合成，支撐其運(yùn)轉(zhuǎn)的關(guān)鍵技術(shù)就是深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN），深度學(xué)習(xí)算法有助于提高語音識(shí)別的精確度［17］。Tuerxun M等提出的基于深度神經(jīng)網(wǎng)絡(luò)聲學(xué)建模方法，與傳統(tǒng)建模方法相比能更為有效地提取聲學(xué)特征，并將其成功應(yīng)用在維吾爾語大量詞匯的連續(xù)語音識(shí)別中［18］。在圖像識(shí)別領(lǐng)域，已經(jīng)連續(xù)舉辦六年的ImageNet計(jì)算機(jī)視覺識(shí)別挑戰(zhàn)賽（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）是圖像分類算法評(píng)估的重要賽事，尤其在ILSVRC2015中，微軟亞洲研究院團(tuán)隊(duì)構(gòu)建含有超過百層的深層殘差網(wǎng)絡(luò)，以圖像分類數(shù)據(jù)集上最低的錯(cuò)誤率取得圖像檢測(cè)和圖像分類項(xiàng)目的冠軍［19］。Google Brain項(xiàng)目中Le等利用完全無監(jiān)督、無標(biāo)注的圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，學(xué)習(xí)到的人臉特征可成功用于圖像分類［20］。Facebook的Deep Face項(xiàng)目和香港中文大學(xué)提出的DeepID項(xiàng)目使得人臉識(shí)別技術(shù)的正確率幾乎與人類相媲美。在自然語言領(lǐng)域，Glorot等利用深度學(xué)習(xí)算法解決用戶情感分類問題，通過使用堆疊降噪自動(dòng)編碼器（Stacked Denoising Autoencoder，SDAE）對(duì)在線評(píng)價(jià)中的無監(jiān)督數(shù)據(jù)進(jìn)行訓(xùn)練，以提取復(fù)雜抽象的特征表示［21］。Mikolov等從含有數(shù)億個(gè)單詞和數(shù)百萬個(gè)詞匯的數(shù)據(jù)集里引入學(xué)習(xí)高質(zhì)量詞向量的技術(shù)，旨在學(xué)習(xí)單詞的分布式表示，并演示了將Word2Vector模型應(yīng)用于自然語言翻譯的過程，成為詞向量的典型案例［22］。
?。ǘ┙逃I(lǐng)域中的深度學(xué)習(xí)
不同于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中的深度學(xué)習(xí)，教育教學(xué)領(lǐng)域的深度學(xué)習(xí)是有意義的理解學(xué)習(xí)，且屬于主動(dòng)學(xué)習(xí)的一種，是指在原有認(rèn)知結(jié)構(gòu)基礎(chǔ)上，批判性地學(xué)習(xí)和掌握新知識(shí)，建立新舊知識(shí)間的聯(lián)系，并將習(xí)得的知識(shí)遷移應(yīng)用到不同的情境學(xué)習(xí)中，以輔助其作出決策和解決問題。Entwistle等就深度學(xué)習(xí)和淺層學(xué)習(xí)在創(chuàng)新、評(píng)價(jià)、分析、應(yīng)用、理解和識(shí)記的目標(biāo)層次上進(jìn)行特征比較，而且詳細(xì)闡釋了兩者的相關(guān)理論基礎(chǔ)［23］。張浩等從建構(gòu)主義理論和情境認(rèn)知理論角度討論了其對(duì)深度學(xué)習(xí)的影響，指出分布式理論和元認(rèn)知理論對(duì)引領(lǐng)深度學(xué)習(xí)發(fā)展的意義，總結(jié)深度學(xué)習(xí)特有的優(yōu)勢(shì)在于面向問題解決、強(qiáng)調(diào)信息整合、注重批判理解、完善知識(shí)建構(gòu)、促進(jìn)遷移運(yùn)用和提倡終身學(xué)習(xí)等［24］。Huberman等利用深度學(xué)習(xí)的理念和方式，通過確定學(xué)習(xí)目標(biāo)，設(shè)計(jì)基于項(xiàng)目的學(xué)習(xí)方案，同時(shí)為教學(xué)過程提供學(xué)習(xí)支持，優(yōu)化教學(xué)策略，評(píng)估學(xué)習(xí)內(nèi)容，促進(jìn)學(xué)習(xí)者接收和掌握知識(shí)，并提高批判性思維能力［25］。Bitter等認(rèn)為隨著信息技術(shù)的發(fā)展，學(xué)習(xí)者進(jìn)行深度學(xué)習(xí)的幾率增大，使得新知識(shí)與原有知識(shí)和實(shí)踐經(jīng)驗(yàn)之間能夠建立緊密聯(lián)系，有助于培養(yǎng)學(xué)習(xí)者高階思維能力，更好地解決復(fù)雜學(xué)習(xí)問題［26］。段金菊等指出，深度學(xué)習(xí)比較強(qiáng)調(diào)認(rèn)知結(jié)構(gòu)層次的高度和學(xué)習(xí)過程的元認(rèn)知與反思能力，關(guān)注復(fù)雜認(rèn)知和高階思維的養(yǎng)成，重視學(xué)習(xí)發(fā)生時(shí)的高情感和高行為投入［27］。樊雅琴等采用內(nèi)容分析法對(duì)國(guó)內(nèi)深度學(xué)習(xí)研究現(xiàn)狀進(jìn)行梳理，從深度學(xué)習(xí)的理論研究、方法研究、應(yīng)用研究、資源建設(shè)、相關(guān)技術(shù)和評(píng)價(jià)研究等方面解讀了深度學(xué)習(xí)的發(fā)展趨勢(shì)［28］。
四、教育大數(shù)據(jù)深度學(xué)習(xí)的價(jià)值取向
教育部在2010年頒布的《國(guó)家中長(zhǎng)期教育改革和發(fā)展規(guī)劃綱要（2010－2020年）》和2013年頒布的《教育部關(guān)于推進(jìn)中小學(xué)教育質(zhì)量綜合評(píng)價(jià)改革的意見》中均指出收集分析學(xué)生的成長(zhǎng)記錄與學(xué)習(xí)數(shù)據(jù)，著重突顯教育大數(shù)據(jù)深層價(jià)值的可塑性?；趯哟渭軜?gòu)的深度學(xué)習(xí)，通過對(duì)海量數(shù)據(jù)從較低層級(jí)訓(xùn)練到較高層級(jí)復(fù)雜規(guī)律與模式的抽取，完成數(shù)據(jù)價(jià)值的有效提煉，其主要優(yōu)勢(shì)是從大規(guī)模未標(biāo)記、無監(jiān)督數(shù)據(jù)中有層次地學(xué)習(xí)，以提取有意義的抽象表示和特征。將深度學(xué)習(xí)引入教育領(lǐng)域，為學(xué)習(xí)增強(qiáng)、學(xué)習(xí)預(yù)測(cè)、學(xué)習(xí)遷移、知識(shí)表征和精準(zhǔn)化學(xué)習(xí)管理等教與學(xué)實(shí)踐帶來了重要發(fā)展機(jī)遇。
?。ㄒ唬W(xué)習(xí)增強(qiáng)
學(xué)習(xí)增強(qiáng)是學(xué)習(xí)者根據(jù)自身的學(xué)習(xí)特征和需求，在先前學(xué)習(xí)經(jīng)歷的基礎(chǔ)上進(jìn)行深層次的主動(dòng)學(xué)習(xí)和知識(shí)創(chuàng)新，加深新舊知識(shí)間的內(nèi)在聯(lián)系，完善所建構(gòu)的知識(shí)結(jié)構(gòu)體系，其最終目標(biāo)是通過不斷強(qiáng)化和反思學(xué)習(xí)來獲得高水準(zhǔn)的學(xué)習(xí)結(jié)果，從而提升學(xué)習(xí)質(zhì)量。劉宇等依據(jù)深層學(xué)習(xí)過程的動(dòng)機(jī)生成、知識(shí)習(xí)得、理解領(lǐng)悟、遷移應(yīng)用、反思評(píng)價(jià)和創(chuàng)造六個(gè)階段，分別從教師教學(xué)和學(xué)生學(xué)習(xí)角度，提出在學(xué)習(xí)社區(qū)提供學(xué)習(xí)支持、開展創(chuàng)新型教學(xué)、構(gòu)建知識(shí)關(guān)系、建立學(xué)習(xí)共同體、進(jìn)行反思評(píng)價(jià)等建議，激發(fā)學(xué)生學(xué)習(xí)動(dòng)機(jī)和認(rèn)知需求，培養(yǎng)學(xué)生思維能力和遷移能力，以促進(jìn)學(xué)生的學(xué)習(xí)增強(qiáng)［29］。隨著教育信息化的深入推進(jìn)，數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)應(yīng)運(yùn)而生，教育大數(shù)據(jù)深度學(xué)習(xí)的演變能夠滿足學(xué)生學(xué)習(xí)增強(qiáng)新常態(tài)的需求，并使其成為積極探索學(xué)習(xí)增強(qiáng)的支撐力量。利用深度學(xué)習(xí)分析挖掘教育大數(shù)據(jù)，獲得學(xué)習(xí)行為中有意義的高級(jí)抽象數(shù)據(jù)表征，揭示行為數(shù)據(jù)中的復(fù)雜關(guān)系和語義關(guān)聯(lián)，以便更好地領(lǐng)悟?qū)W習(xí)者的學(xué)習(xí)需求，發(fā)現(xiàn)學(xué)習(xí)規(guī)律，為有效實(shí)現(xiàn)學(xué)習(xí)增強(qiáng)提供極大潛能。運(yùn)用深度學(xué)習(xí)對(duì)學(xué)生學(xué)習(xí)過程生成的海量數(shù)據(jù)進(jìn)行客觀合理地分析，提取學(xué)習(xí)數(shù)據(jù)隱含的規(guī)律與模式，從中識(shí)別學(xué)習(xí)者的學(xué)習(xí)特征和學(xué)習(xí)狀態(tài)，依據(jù)學(xué)習(xí)內(nèi)容的結(jié)構(gòu)向?qū)W習(xí)者提供適應(yīng)性的學(xué)習(xí)資源服務(wù)，以推動(dòng)學(xué)習(xí)的持續(xù)增強(qiáng)。
?。ǘW(xué)習(xí)預(yù)測(cè)
學(xué)習(xí)預(yù)測(cè)立足于教育大數(shù)據(jù)深度學(xué)習(xí)的結(jié)果，通過分析學(xué)習(xí)過程中的大量歷史數(shù)據(jù)，對(duì)學(xué)習(xí)者未來的學(xué)習(xí)表現(xiàn)進(jìn)行合理化預(yù)測(cè)，并發(fā)現(xiàn)可能存在的問題，其最終目的是有針對(duì)性地進(jìn)行干預(yù)，消除學(xué)習(xí)者未來學(xué)習(xí)中的不確定因素，以更好地提高學(xué)習(xí)成效。李彤彤等基于教育大數(shù)據(jù)和學(xué)習(xí)分析技術(shù)，構(gòu)建以干預(yù)引擎為核心的結(jié)構(gòu)預(yù)測(cè)干預(yù)模型，以發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)困難、提升學(xué)習(xí)者的學(xué)習(xí)效果為目標(biāo)，識(shí)別出學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，如學(xué)習(xí)任務(wù)完成情況、學(xué)習(xí)內(nèi)容掌握情況等，準(zhǔn)確預(yù)測(cè)學(xué)習(xí)者的學(xué)習(xí)狀況，并實(shí)施有效的干預(yù)策略［30］。而作為人工智能領(lǐng)域發(fā)展的里程碑，深度學(xué)習(xí)同樣也可分析教育大數(shù)據(jù)，以達(dá)到學(xué)習(xí)預(yù)測(cè)和干預(yù)的效果。教育大數(shù)據(jù)背景下，使用深度學(xué)習(xí)構(gòu)建學(xué)習(xí)行為數(shù)據(jù)的復(fù)雜表征，從中提取有價(jià)值的信息與知識(shí)，有助于對(duì)未來可能存在學(xué)習(xí)風(fēng)險(xiǎn)的學(xué)生作出預(yù)測(cè)，并針對(duì)發(fā)現(xiàn)的學(xué)習(xí)問題進(jìn)行適當(dāng)?shù)母深A(yù)，促進(jìn)學(xué)習(xí)績(jī)效的穩(wěn)步提升。教育大數(shù)據(jù)深度學(xué)習(xí)分析結(jié)果是生成與學(xué)習(xí)者學(xué)習(xí)行為相關(guān)的學(xué)習(xí)預(yù)測(cè)模型，結(jié)合相應(yīng)的學(xué)習(xí)情境，對(duì)學(xué)習(xí)者的未來學(xué)習(xí)表現(xiàn)如學(xué)習(xí)進(jìn)展情況等進(jìn)行預(yù)測(cè)，并判斷學(xué)習(xí)者是否存在學(xué)習(xí)危機(jī)，以幫助學(xué)習(xí)者順利完成課程學(xué)習(xí)，改善學(xué)習(xí)狀態(tài)，優(yōu)化學(xué)習(xí)效果。
（三）學(xué)習(xí)遷移
學(xué)習(xí)遷移，是將一種學(xué)習(xí)情境下習(xí)得的知識(shí)經(jīng)驗(yàn)、技能和態(tài)度等應(yīng)用到另一種學(xué)習(xí)情境中，既是鞏固強(qiáng)化又是持續(xù)深化的一種學(xué)習(xí)，它的發(fā)生需要學(xué)生主體的記憶力、想象力和思維能力等共同參與。馮銳等基于案例的推理將學(xué)習(xí)遷移過程分為從記憶中尋找相似的案例知識(shí)、確定適用于新學(xué)習(xí)的案例和應(yīng)用評(píng)估最優(yōu)案例三個(gè)階段，幫助學(xué)習(xí)者自發(fā)地理解并編碼知識(shí)，完成學(xué)習(xí)的有效遷移［31］。數(shù)據(jù)革命的到來，使“一切用數(shù)據(jù)說話”成為基本要求，作為教育大數(shù)據(jù)深度學(xué)習(xí)的一個(gè)重要趨向，學(xué)習(xí)遷移更應(yīng)如此。利用深度學(xué)習(xí)分析教育大數(shù)據(jù)能夠把初始數(shù)據(jù)從底層轉(zhuǎn)換到高層，提煉有價(jià)值的教與學(xué)信息，有利于學(xué)習(xí)者多方面深層次詮釋已有知識(shí)，建立新舊知識(shí)間的聯(lián)系，找尋發(fā)現(xiàn)其中隱含的相似性，進(jìn)而運(yùn)用已有的知識(shí)經(jīng)驗(yàn)來習(xí)得新知識(shí)，推動(dòng)學(xué)習(xí)遷移的成功實(shí)現(xiàn)。教育大數(shù)據(jù)深度學(xué)習(xí)的應(yīng)用發(fā)展，促使學(xué)習(xí)從一個(gè)情境到另一個(gè)情境的不同層次遷移成為必然，持續(xù)深入的學(xué)習(xí)遷移有助于學(xué)生知識(shí)體系的不斷完善，學(xué)習(xí)效率的逐漸提升。
?。ㄋ模┲R(shí)表征
知識(shí)表征強(qiáng)調(diào)以可視化的方式表達(dá)知識(shí)結(jié)構(gòu)中的知識(shí)對(duì)象、屬性以及關(guān)系，是一種知識(shí)外顯的形式，也是學(xué)習(xí)者習(xí)得知識(shí)的關(guān)鍵。學(xué)習(xí)者的知識(shí)表征過程是通過概括所學(xué)知識(shí)及知識(shí)間的聯(lián)系，獲得結(jié)構(gòu)化的知識(shí)體系，并建立新舊知識(shí)間有意義的關(guān)聯(lián)，以加深學(xué)習(xí)者對(duì)已有知識(shí)的理解程度，有利于學(xué)習(xí)效果的提升。顧小清等認(rèn)為知識(shí)可視化表征主要包括語義處理方式、符號(hào)及其使用方式和知識(shí)結(jié)構(gòu)與關(guān)系三個(gè)方面，概念、概念屬性、概念結(jié)構(gòu)與關(guān)系是知識(shí)語義的重要要素，學(xué)習(xí)者完成知識(shí)建構(gòu)需要解決促進(jìn)知識(shí)理解和掌握、促進(jìn)知識(shí)建模與應(yīng)用兩個(gè)問題，才能領(lǐng)悟知識(shí)的實(shí)際意義與價(jià)值［32］。因此，知識(shí)的可視化表征需要進(jìn)一步繼承與創(chuàng)新。深度學(xué)習(xí)應(yīng)用于教育大數(shù)據(jù)分析過程，得到的復(fù)雜數(shù)據(jù)表征包含語義和關(guān)系信息，借助可視化技術(shù)可獲取與學(xué)習(xí)者相關(guān)的規(guī)律與模式，從而在學(xué)習(xí)活動(dòng)中幫助學(xué)習(xí)者表征抽象的信息，促進(jìn)習(xí)得知識(shí)從記憶到理解的轉(zhuǎn)換。教育大數(shù)據(jù)深度學(xué)習(xí)挖掘的價(jià)值化教與學(xué)信息，將有利于學(xué)習(xí)者建立知識(shí)與知識(shí)間的關(guān)聯(lián)，進(jìn)行深層次的信息加工和可視化知識(shí)表征，以完成學(xué)習(xí)者個(gè)人的知識(shí)體系構(gòu)建。實(shí)現(xiàn)知識(shí)遷移與應(yīng)用，可以更好地激發(fā)學(xué)習(xí)者內(nèi)在動(dòng)機(jī)，引發(fā)自主學(xué)習(xí)，提高學(xué)習(xí)質(zhì)量。
?。ㄎ澹┚珳?zhǔn)化學(xué)習(xí)管理
大數(shù)據(jù)背景下的學(xué)習(xí)管理是通過采集學(xué)生學(xué)習(xí)過程產(chǎn)生的全部數(shù)據(jù)，運(yùn)用新的數(shù)據(jù)處理和分析方法建立多維模型，了解學(xué)生整體的學(xué)習(xí)狀況，對(duì)可能存在學(xué)習(xí)危機(jī)的學(xué)生盡早發(fā)出預(yù)警信號(hào)，并給予相應(yīng)的學(xué)習(xí)指導(dǎo)建議，進(jìn)而改善學(xué)習(xí)效果，提升學(xué)習(xí)效率。孫洪濤等在總結(jié)數(shù)據(jù)驅(qū)動(dòng)管理的三個(gè)典型應(yīng)用基礎(chǔ)上，強(qiáng)調(diào)數(shù)據(jù)模型對(duì)學(xué)習(xí)管理的重要調(diào)節(jié)作用，并從廣泛數(shù)據(jù)收集、科學(xué)建模過程和結(jié)構(gòu)化模型三個(gè)方面構(gòu)建教育數(shù)據(jù)支持下的學(xué)習(xí)管理模型，以便輔助教師和管理者對(duì)學(xué)生學(xué)習(xí)狀況持續(xù)動(dòng)態(tài)分析和綜合評(píng)估，及早發(fā)現(xiàn)學(xué)生存在的學(xué)習(xí)問題，有針對(duì)性地提供學(xué)習(xí)意見［33］。教育數(shù)據(jù)的模糊性和復(fù)雜性，使得數(shù)據(jù)建模過程面臨諸多難題，導(dǎo)致學(xué)習(xí)管理的效率降低，深度學(xué)習(xí)對(duì)實(shí)現(xiàn)精準(zhǔn)學(xué)習(xí)管理具有重要的支撐作用。教育大數(shù)據(jù)深度學(xué)習(xí)采用分層架構(gòu)學(xué)習(xí)方式，逐層訓(xùn)練大規(guī)模數(shù)據(jù)集，以提取抽象復(fù)雜的數(shù)據(jù)表征，從較高層次的數(shù)據(jù)表征中發(fā)現(xiàn)學(xué)習(xí)規(guī)律、獲取學(xué)習(xí)模式，有助于明晰學(xué)生的學(xué)習(xí)情況，評(píng)估學(xué)生的學(xué)習(xí)表現(xiàn)，提前發(fā)現(xiàn)并解決學(xué)生的學(xué)習(xí)困難，以提高學(xué)習(xí)管理的質(zhì)量。
五、挑戰(zhàn)及應(yīng)對(duì)策略
教育大數(shù)據(jù)深度學(xué)習(xí)為教育教學(xué)帶來了發(fā)展機(jī)遇，突出顯示了深度學(xué)習(xí)的適用性和優(yōu)勢(shì)。然而，事物的兩面性決定挑戰(zhàn)是伴隨機(jī)遇而來的。為充分發(fā)揮教育大數(shù)據(jù)深度學(xué)習(xí)的巨大潛能，必須針對(duì)教育大數(shù)據(jù)分析中難以處理的相關(guān)數(shù)據(jù)屬性和特征不斷修改和調(diào)整深度學(xué)習(xí)，以達(dá)到高效挖掘教育數(shù)據(jù)潛在價(jià)值的硬性要求。本研究從流式數(shù)據(jù)、交互式數(shù)據(jù)、高維數(shù)據(jù)和判別式分析四個(gè)深度學(xué)習(xí)亟待解決的問題出發(fā)，詳細(xì)論述了教育大數(shù)據(jù)深度學(xué)習(xí)需要迎接的挑戰(zhàn)，并提出了應(yīng)對(duì)策略。
（一）流式數(shù)據(jù)
教育大數(shù)據(jù)深度學(xué)習(xí)的挑戰(zhàn)之一是處理流媒體和快速移動(dòng)的在線數(shù)據(jù)，分析這類數(shù)據(jù)有利于執(zhí)行監(jiān)控跟蹤任務(wù)，如監(jiān)督學(xué)習(xí)者學(xué)習(xí)活動(dòng)。因?yàn)樾枰軌蛱幚泶罅窟B續(xù)在線數(shù)據(jù)的算法，所以對(duì)于深度學(xué)習(xí)適應(yīng)流式數(shù)據(jù)的訓(xùn)練提出了更高的要求。Zhou等采用降噪自動(dòng)編碼器（Denoising auto－encoder，DAE），將深度學(xué)習(xí)算法應(yīng)用于大規(guī)模流動(dòng)數(shù)據(jù)的增量特征學(xué)習(xí)［34］。雖然這種增量特征學(xué)習(xí)和映射能夠改進(jìn)判別式或生成性目標(biāo)函數(shù)，然而，單調(diào)增加特征可能導(dǎo)致大量冗余特征和數(shù)據(jù)的過擬合。Calandra等引入自適應(yīng)深度置信網(wǎng)絡(luò)（adaptive Deep Belief Network，aDBN）處理在線流式數(shù)據(jù)，利用深度置信網(wǎng)絡(luò)的生成屬性，從原始數(shù)據(jù)中模擬樣本，并將其用于適合觀察到數(shù)據(jù)的新深度置信網(wǎng)絡(luò)，從而演示了深度學(xué)習(xí)在在線非穩(wěn)定和流動(dòng)數(shù)據(jù)中的學(xué)習(xí)過程［35］。但是，自適應(yīng)深度置信網(wǎng)絡(luò)對(duì)恒定存儲(chǔ)器的內(nèi)存消耗需求較大，使其在訓(xùn)練大規(guī)模流式數(shù)據(jù)時(shí)受到限制。因此，為了有效處理和分析大規(guī)模、快速移動(dòng)的流式數(shù)據(jù)，如網(wǎng)絡(luò)點(diǎn)擊流數(shù)據(jù)、社交媒體流數(shù)據(jù)、學(xué)生操作日志和計(jì)量數(shù)據(jù)等，有必要對(duì)深度學(xué)習(xí)算法進(jìn)一步有針對(duì)性地探索和研究。
（二）交互式數(shù)據(jù)
鑒于互聯(lián)網(wǎng)的飛速發(fā)展和在線用戶數(shù)量的指數(shù)式上升，用戶與網(wǎng)絡(luò)平臺(tái)之間的交互日益頻繁，數(shù)據(jù)收集的規(guī)模日益增長(zhǎng)，如社交網(wǎng)絡(luò)、搜索引擎、通訊工具、電子郵件、學(xué)習(xí)管理系統(tǒng)和教學(xué)管理系統(tǒng)等保留和存儲(chǔ)的海量數(shù)據(jù)，促使交互式數(shù)據(jù)對(duì)深度學(xué)習(xí)算法提出更高的要求。在ImageNet計(jì)算機(jī)視覺競(jìng)賽中，Krizhevsky等人演示了采用深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）方法訓(xùn)練大規(guī)模ImageNet數(shù)據(jù)集，通過逐層學(xué)習(xí)和提取圖像特征，對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)記，成功用于形成有意義的圖像檢索和分類表示，并在大規(guī)模圖像檢索和分類任務(wù)中取得較好的結(jié)果［36］。Zeiler等在Krizhevsky提出的卷積神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，運(yùn)用可視化方法對(duì)每一個(gè)卷積網(wǎng)絡(luò)層進(jìn)行分析，從而學(xué)習(xí)得到圖像特征，加深了卷積神經(jīng)網(wǎng)絡(luò)對(duì)大規(guī)模圖像數(shù)據(jù)集的訓(xùn)練與理解，并在ImageNet上取得進(jìn)一步的成功［37］。然而，利用現(xiàn)存的深度學(xué)習(xí)算法處理交互式數(shù)據(jù)，使得數(shù)據(jù)操作過程比較耗費(fèi)時(shí)間，無法滿足其實(shí)時(shí)性的需求，為實(shí)現(xiàn)交互式數(shù)據(jù)的快速查詢與索引，必須引進(jìn)或開發(fā)處理速度較快的深度學(xué)習(xí)算法。
?。ㄈ└呔S數(shù)據(jù)
因?yàn)樯疃葘W(xué)習(xí)是從較低層到較高層的分層架構(gòu)中學(xué)習(xí)數(shù)據(jù)的復(fù)雜抽象和表示，以提取有價(jià)值的規(guī)律與模式，所以現(xiàn)有的深度學(xué)習(xí)算法在處理高維數(shù)據(jù)時(shí)計(jì)算開銷可能比較大；也就是說，這些深度學(xué)習(xí)算法在處理大量高維教育數(shù)據(jù)時(shí)可能受到阻礙，急需開發(fā)基于深度學(xué)習(xí)的新解決方案。Chen等引入的邊緣化堆疊降噪自動(dòng)編碼器（marginalized Stacked Denoising Autoencoder，mSDAE），在訓(xùn)練過程中使噪聲邊緣化以避免使用隨機(jī)梯度下降或其他優(yōu)化算法來學(xué)習(xí)參數(shù)，而且邊緣化降噪自動(dòng)編碼器僅包含控制噪聲量和堆疊層數(shù)兩個(gè)自由元參數(shù)，這將有利于簡(jiǎn)化模型的選擇過程，促進(jìn)高維數(shù)據(jù)的有效擴(kuò)展，并且相比于常規(guī)堆疊降噪自動(dòng)編碼器，該算法的計(jì)算速度更快、實(shí)施過程更簡(jiǎn)單［38］。Krizhevsky和Hinton等提出有效處理高維數(shù)據(jù)的方法是卷積神經(jīng)網(wǎng)絡(luò)，利用ImageNet圖像數(shù)據(jù)集上的卷積神經(jīng)網(wǎng)絡(luò)，由于該網(wǎng)絡(luò)隱藏層單元中的神經(jīng)元不需要連接上一層的所有節(jié)點(diǎn)，而是僅連接到相應(yīng)空間區(qū)域中的神經(jīng)元，所以，在向網(wǎng)絡(luò)的較高層移動(dòng)時(shí)，圖像數(shù)據(jù)的分辨率會(huì)隨之降低，以實(shí)現(xiàn)對(duì)高維圖像數(shù)據(jù)的有效處理，并取得擴(kuò)展高維數(shù)據(jù)的先進(jìn)結(jié)果［39］。盡管大數(shù)據(jù)分析中采用了深度學(xué)習(xí)相關(guān)算法解決了高維數(shù)據(jù)的問題，但是深度學(xué)習(xí)在高維教育數(shù)據(jù)處理方面的應(yīng)用有待進(jìn)一步探索，以便開發(fā)基于深度學(xué)習(xí)的解決方案，處理教育大數(shù)據(jù)分析領(lǐng)域中的高維度問題。
?。ㄋ模┡袆e式分析
判別式分析作為教育大數(shù)據(jù)分析的主要工具，可以利用深度學(xué)習(xí)算法從原始數(shù)據(jù)中提取復(fù)雜非線性特征，并使用簡(jiǎn)單線性模型，以提取的特征為輸入來執(zhí)行判別式任務(wù)，其優(yōu)點(diǎn)在于，通過深度學(xué)習(xí)得到的特征為數(shù)據(jù)分析增加了非線性特征，將判別式任務(wù)與人工智能緊密結(jié)合；提取的特征應(yīng)用相對(duì)簡(jiǎn)單線性分析模型更具計(jì)算效率。Sun等利用深度隱藏身份特征方法，將人臉圖像數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入層，執(zhí)行判別式訓(xùn)練過程，在較高層級(jí)學(xué)習(xí)高級(jí)抽象特征，以完成人臉識(shí)別的任務(wù)［40］。Wang等提出的實(shí)例級(jí)目標(biāo)識(shí)別方法，以圖像檢索的形式，將輸入層的圖像與數(shù)據(jù)庫(kù)的圖像相匹配，通過驗(yàn)證圖像之間的一致性來執(zhí)行判別式任務(wù)，從而實(shí)現(xiàn)對(duì)目標(biāo)圖像的精確識(shí)別［41］。雖然深度學(xué)習(xí)算法體系中已存在完成判別式分析的應(yīng)對(duì)方案，但是由于教育大數(shù)據(jù)中判別式分析要求的計(jì)算開銷越小越好，所以，為充分發(fā)揮教育大數(shù)據(jù)深度學(xué)習(xí)的效用，對(duì)于深度學(xué)習(xí)算法體系的探索與創(chuàng)新必須是不間斷地、持續(xù)進(jìn)行地。
六、未來發(fā)展方向
1.大數(shù)據(jù)驅(qū)動(dòng)知識(shí)學(xué)習(xí)
利用人工智能著重突破知識(shí)挖掘、知識(shí)加工、知識(shí)計(jì)算等技術(shù)，建立數(shù)據(jù)驅(qū)動(dòng)的知識(shí)演化模型，實(shí)現(xiàn)從大數(shù)據(jù)到信息、信息到知識(shí)的自動(dòng)獲取與生成。通過對(duì)可觀測(cè)的教育數(shù)據(jù)進(jìn)行采集、存儲(chǔ)、分析與解釋等深層次變換，更精準(zhǔn)地理解學(xué)生主體的認(rèn)知行為，建立與學(xué)習(xí)行為相關(guān)的模型結(jié)構(gòu)，以挖掘數(shù)據(jù)背后的學(xué)習(xí)信息，從中提煉規(guī)律，與已有知識(shí)進(jìn)行關(guān)聯(lián)理解與表征，最終形成具有概念識(shí)別、動(dòng)態(tài)實(shí)用的知識(shí)圖譜，明晰學(xué)生當(dāng)下的學(xué)習(xí)狀況，并預(yù)測(cè)其未來的學(xué)習(xí)動(dòng)向，促使學(xué)生的學(xué)習(xí)回歸本真世界。
2.精準(zhǔn)教育扶貧
利用人工智能著重突破群體感知、精準(zhǔn)定位、增強(qiáng)現(xiàn)實(shí)等技術(shù)，建立科學(xué)合理的督導(dǎo)評(píng)估機(jī)制，準(zhǔn)確識(shí)別學(xué)校中的貧困學(xué)子，及時(shí)主動(dòng)為其提供教育特殊支持，以促進(jìn)教育均衡發(fā)展。通過跟蹤記錄在校生的學(xué)習(xí)生活數(shù)據(jù)，了解其家庭經(jīng)濟(jì)狀況，對(duì)貧困學(xué)生進(jìn)行綜合評(píng)估，按照貧困指數(shù)的大小，分年限、分群體、分階段穩(wěn)步精準(zhǔn)向幫扶對(duì)象增加資源供給，滿足其基本的教育需求，保障其學(xué)業(yè)的順利完成。
3.自適應(yīng)自主學(xué)習(xí)
滿足差異學(xué)習(xí)個(gè)體的需求，是教育最根本的宗旨。利用人工智能著重突破人機(jī)交互、大眾化協(xié)同和開放式共享等技術(shù)，實(shí)現(xiàn)對(duì)學(xué)生的智能感知、預(yù)測(cè)預(yù)警和個(gè)性化評(píng)價(jià)，及時(shí)把握學(xué)生的認(rèn)知特征和心理變化，促使其進(jìn)行適應(yīng)性的、無監(jiān)督的自主學(xué)習(xí)。基于同步反饋的學(xué)習(xí)數(shù)據(jù)分析結(jié)果，幫助學(xué)生進(jìn)行自我總結(jié)與反思，依據(jù)推送的個(gè)性化服務(wù)資源，相應(yīng)地調(diào)整學(xué)習(xí)策略，更改學(xué)習(xí)路徑，以推動(dòng)個(gè)性化自適應(yīng)自主學(xué)習(xí)的發(fā)生，有利于提高學(xué)生的學(xué)習(xí)能力和認(rèn)知水平，改善學(xué)習(xí)質(zhì)量［44］。
4.基于大數(shù)據(jù)智能的在線學(xué)習(xí)教育平臺(tái)
利用人工智能技術(shù)能夠推動(dòng)學(xué)習(xí)方式與教學(xué)模式的轉(zhuǎn)變，構(gòu)建基于互聯(lián)網(wǎng)的新型智能教育體系，形成教學(xué)、管理和資源建設(shè)三位一體的在線學(xué)習(xí)教育平臺(tái)。建立基于大數(shù)據(jù)智能的在線學(xué)習(xí)教育平臺(tái)，需要搭建以學(xué)習(xí)者為中心的學(xué)習(xí)環(huán)境，開發(fā)深層次、智能化、全面性的學(xué)習(xí)分析系統(tǒng)，為教師、學(xué)生、管理者等提供精準(zhǔn)的教育教學(xué)服務(wù)，有助于推動(dòng)個(gè)性化學(xué)習(xí)和終身學(xué)習(xí)的發(fā)展，實(shí)現(xiàn)合理有效地運(yùn)用技術(shù)促進(jìn)學(xué)習(xí)，提升教育質(zhì)量。
第三十四屆CIO班招生
國(guó)際CIO認(rèn)證培訓(xùn)
首席數(shù)據(jù)官（CDO）認(rèn)證培訓(xùn)
責(zé)編：content
免責(zé)聲明：本網(wǎng)站（http://www.www.gypb.net/）內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
本網(wǎng)站刊載的所有內(nèi)容（包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等）版權(quán)歸原作者所有。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，請(qǐng)及時(shí)通知本站，予以刪除。
搶沙發(fā)
