基于深度學(xué)習(xí)的個(gè)性化教育測(cè)量綜述

張皓彥　馬玉慧

摘 要：隨著人工智能時(shí)代信息的爆炸式增長(zhǎng)，教育測(cè)量的發(fā)展也傾向于對(duì)學(xué)習(xí)者個(gè)體信息的個(gè)性化測(cè)量，而教育數(shù)據(jù)龐大的量、復(fù)雜的結(jié)構(gòu)以及極快的增速使得傳統(tǒng)測(cè)量方法束手無(wú)策。教育測(cè)量方法應(yīng)當(dāng)適應(yīng)時(shí)代發(fā)展，在相應(yīng)的技術(shù)支持下實(shí)現(xiàn)對(duì)學(xué)習(xí)者個(gè)體的個(gè)性化教育測(cè)量。深度學(xué)習(xí)技術(shù)具有優(yōu)秀的數(shù)據(jù)分類(lèi)處理能力，這在教育測(cè)量領(lǐng)域?qū)l(fā)揮極大作用?；谏疃葘W(xué)習(xí)技術(shù)特點(diǎn)，綜合分析傳統(tǒng)測(cè)量方法的局限以及基于深度學(xué)習(xí)技術(shù)的教育測(cè)量應(yīng)用優(yōu)勢(shì)與不足，完成深度學(xué)習(xí)技術(shù)在教育測(cè)量領(lǐng)域的應(yīng)用綜述，并給出深度學(xué)習(xí)促進(jìn)教育測(cè)量個(gè)性化發(fā)展的建議。

關(guān)鍵詞：人工智能;個(gè)性化教育;深度學(xué)習(xí);教育測(cè)量

DOI：10. 11907/rjdk. 192633

中圖分類(lèi)號(hào)：TP306 ? 文獻(xiàn)標(biāo)識(shí)碼：A??????????????? 文章編號(hào)：1672-7800（2020）003-0281-04

Deep Learning Promotes Personalized Education Measurement：

Current Situation Analysis and Prospect

ZHANG Hao-yan，MA Yu-hui

（College of Educational Science，Bohai University，Jinzhou 121000，China）

Abstract： With the information explosion in the era of artificial intelligence， the development trend of education measurement also tends to personalized measurement of individual information of learners， while the huge amount， complex structure and rapid growth of education data make the traditional measurement method helpless. Deep learning can play a great role in the field of educational measurement with its excellent ability of data classification and processing. Therefore， the education measurement method should adapt to the development of the times， and realize the individualized education measurement of learners with the support of technology. With the aim to explore the possibility of technical support of deep learning to educational measurement， this paper introduces the technical characteristics of deep learning through definition and analysis， and comprehensively analyzes the limitations of traditional measurement methods and the advantages and disadvantages of education measurement based on deep learning technology. At last， the paper points out the specific aspects of deep learning to educational measurement technology support as well as the current research deficiencies， and gives the development suggestions of deep learning to promote the individualization of educational measurement.

Key Words： artificial intelligence; personalized education; deep learning; educational measurement

0 引言

在教育行業(yè)不斷發(fā)展的今天，研究者們希望利用數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)“個(gè)性化”以達(dá)到優(yōu)化教學(xué)質(zhì)量的目的。實(shí)現(xiàn)“個(gè)性化”首先需要教育者對(duì)學(xué)習(xí)者的先驗(yàn)數(shù)據(jù)有一個(gè)系統(tǒng)的教育測(cè)量，而當(dāng)前能夠基于數(shù)據(jù)以實(shí)現(xiàn)個(gè)性化為目的的教育測(cè)量基本上可以總結(jié)為兩種方法。一種是基于協(xié)同過(guò)濾技術(shù)的教育測(cè)量方法，一個(gè)基本假設(shè)就是具有相似喜好的用戶(hù)對(duì)于同一個(gè)項(xiàng)目會(huì)給出相似的評(píng)分[1]。利用相似性度量尋找與當(dāng)前用戶(hù)興趣偏好相似的近鄰用戶(hù)集合，然后利用最近鄰法加權(quán)考慮近鄰用戶(hù)的興趣偏好值，并預(yù)測(cè)當(dāng)前用戶(hù)可能感興趣的項(xiàng)目[2]。另一種是基于認(rèn)知診斷的教育測(cè)量方法，它通過(guò)對(duì)學(xué)習(xí)者能力建模，能夠測(cè)量學(xué)習(xí)者知識(shí)點(diǎn)掌握程度。但是，教育系統(tǒng)作為一個(gè)復(fù)雜適應(yīng)系統(tǒng)，所產(chǎn)生的教育數(shù)據(jù)因增速越來(lái)越快、體量越來(lái)越大、結(jié)構(gòu)越來(lái)越復(fù)雜正在逐步向教育大數(shù)據(jù)發(fā)生轉(zhuǎn)變。在這樣的數(shù)據(jù)環(huán)境下，傳統(tǒng)教學(xué)中教育者個(gè)體難以捕獲所有學(xué)習(xí)者的感知和行為數(shù)據(jù)，因此，其決策多由主觀經(jīng)驗(yàn)驅(qū)使[3]。教育者對(duì)于學(xué)習(xí)者行為數(shù)據(jù)、心理感受以及當(dāng)前知識(shí)建構(gòu)程度的測(cè)量呈明顯“有心無(wú)力”態(tài)勢(shì)。人類(lèi)教育者對(duì)于學(xué)習(xí)者感知和行為數(shù)據(jù)的測(cè)量短板從源頭上導(dǎo)致了教育測(cè)量結(jié)果的偏差。

這種數(shù)據(jù)的感知和捕獲可以外包給機(jī)器，利用機(jī)器的感知智能為教育者決策提供數(shù)據(jù)支持，進(jìn)而讓通常處于模糊形式的教育、心理和社會(huì)知識(shí)以更為具體和明確的方式呈現(xiàn)出來(lái)[3]。2017年3月，在十二屆全國(guó)人大五次會(huì)議的政府工作報(bào)告中，人工智能”首次被寫(xiě)入政府工作報(bào)告[4];2018年1月，2018人工智能標(biāo)準(zhǔn)化論壇發(fā)布了《人工智能標(biāo)準(zhǔn)化白皮書(shū)（2018版）》。這表明從國(guó)家頂層設(shè)計(jì)上，人工智能已經(jīng)作為一項(xiàng)基礎(chǔ)技術(shù)，逐步滲透至各行各業(yè)，并助力傳統(tǒng)行業(yè)實(shí)現(xiàn)跨越式升級(jí)，提升行業(yè)效率[5]。其中針對(duì)個(gè)性化教育測(cè)量問(wèn)題，深度學(xué)習(xí)可以處理大量多維度信息，可實(shí)現(xiàn)實(shí)時(shí)觀測(cè)學(xué)習(xí)者課堂表情[6]等教育數(shù)據(jù)，為教育者完善教育評(píng)價(jià)提供量化依據(jù)。

綜上，為了認(rèn)清深度學(xué)習(xí)對(duì)教育測(cè)量的積極作用，助力個(gè)性化教育實(shí)現(xiàn)，本文將通過(guò)文獻(xiàn)分析法厘清深度學(xué)習(xí)的數(shù)據(jù)處理原理，剖析傳統(tǒng)教育測(cè)量方法暴露出的不足，從而挖掘出深度學(xué)習(xí)具體能夠在哪些方面為教育測(cè)量提供技術(shù)支持。從這3個(gè)方面，可以對(duì)深度學(xué)習(xí)與教育測(cè)量相結(jié)合進(jìn)行研究，分析當(dāng)前深度學(xué)習(xí)應(yīng)用于教育測(cè)量的問(wèn)題與局限，從而就深度學(xué)習(xí)促進(jìn)教育測(cè)量個(gè)性化發(fā)展給出建議。

1 核心概念界定與分析

1.1 深度學(xué)習(xí)

1.1.1 深度學(xué)習(xí)定義

研究者對(duì)深度學(xué)的定義理解有幾個(gè)不同的出發(fā)點(diǎn)。陳德鑫等[7]認(rèn)為深度學(xué)習(xí)具備擬合任何復(fù)雜函數(shù)的特點(diǎn)，不同的神經(jīng)網(wǎng)絡(luò)模型可以對(duì)不同類(lèi)型的數(shù)據(jù)進(jìn)行特征提取，使得深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)有更強(qiáng)的識(shí)別能力;王書(shū)培[8]認(rèn)為深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)研究，其通過(guò)組合低層屬性形成更加抽象的高層特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

本文認(rèn)為從深度學(xué)習(xí)技術(shù)的應(yīng)用目的出發(fā)，抓住其相對(duì)于傳統(tǒng)數(shù)據(jù)計(jì)算與分類(lèi)技術(shù)的獨(dú)有特征，以提高人們對(duì)深度學(xué)習(xí)概念理解的針對(duì)性。本文認(rèn)為，深度學(xué)習(xí)是一種深層的機(jī)器學(xué)習(xí)模型，其深度體現(xiàn)在對(duì)特征的多次變換上，常用的深度學(xué)習(xí)模型為多層神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的每一層都對(duì)輸入進(jìn)行非線(xiàn)性映射，通過(guò)多層非線(xiàn)性映射的堆疊，可以在深層神經(jīng)網(wǎng)絡(luò)中計(jì)算出非常抽象的特征來(lái)幫助分類(lèi)[9]。

“深度”是相對(duì)于傳統(tǒng)數(shù)據(jù)分類(lèi)技術(shù)的“淺層變換”而存在，其通過(guò)增加模型層次數(shù)量為多次數(shù)據(jù)特征的變換提供環(huán)境支持，從而為實(shí)現(xiàn)數(shù)據(jù)自動(dòng)分類(lèi)提供可能性?！胺蔷€(xiàn)性映射”體現(xiàn)在數(shù)據(jù)特征的變換上，傳統(tǒng)數(shù)據(jù)分類(lèi)技術(shù)多為單層線(xiàn)性變換，特征分類(lèi)依賴(lài)于上游處理提供的特征，其工作難度極大且結(jié)果精確度不足，而深度學(xué)習(xí)在深層次神經(jīng)網(wǎng)絡(luò)中采用“非線(xiàn)性映射”特征實(shí)現(xiàn)數(shù)據(jù)特征變換，使得數(shù)據(jù)的分類(lèi)特征能自動(dòng)達(dá)到十分抽象的程度。

因此，深度學(xué)習(xí)相較于以往的數(shù)據(jù)分類(lèi)技術(shù)在數(shù)據(jù)分類(lèi)能力上更進(jìn)一步，它通過(guò)多層網(wǎng)絡(luò)結(jié)構(gòu)上的多次非線(xiàn)性映射便能夠?qū)崿F(xiàn)數(shù)據(jù)特征的自動(dòng)化分類(lèi)，極大提高了分類(lèi)精確程度，優(yōu)化了數(shù)據(jù)分類(lèi)技術(shù)。在大數(shù)據(jù)時(shí)代，教育系統(tǒng)作為一個(gè)復(fù)雜適應(yīng)系統(tǒng)會(huì)產(chǎn)生體量極大且具有非線(xiàn)性?xún)?nèi)部結(jié)構(gòu)的教育大數(shù)據(jù)，深度學(xué)習(xí)超越傳統(tǒng)技術(shù)，能夠多維度、高精度、自動(dòng)化地支持教育數(shù)據(jù)的分析計(jì)算，完成人類(lèi)教育者無(wú)法完成的教育數(shù)據(jù)測(cè)量工作。

1.1.2 深度學(xué)習(xí)發(fā)展進(jìn)程

深度學(xué)習(xí)的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，其發(fā)展經(jīng)歷了3次大的起伏。

20世紀(jì)40～50年代，人工神經(jīng)網(wǎng)絡(luò)開(kāi)始萌芽，歷史上將其稱(chēng)為第一次低谷時(shí)期。20世紀(jì)80年代是神經(jīng)網(wǎng)絡(luò)研究的第二次發(fā)展高潮，期間誕生的反向傳播 （Back-Propagation，BP） 算法被應(yīng)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，解決了多層感知器無(wú)法訓(xùn)練的問(wèn)題，從而使神經(jīng)網(wǎng)絡(luò)具有了非線(xiàn)性表示能力[10]，以BP算法訓(xùn)練的多層感知器 （Multi-Layer Perceptron，MLP）成為最成功的神經(jīng)網(wǎng)絡(luò)模型[11]。從此，對(duì)于數(shù)據(jù)的非線(xiàn)性表示能力成為深度學(xué)習(xí)不可或缺的一大特征。但是，當(dāng)時(shí)人工神經(jīng)網(wǎng)絡(luò)的兩個(gè)致命缺陷使其快速跌入發(fā)展低谷。第一個(gè)問(wèn)題是算法本身，雖然在BP算法訓(xùn)練下，多層神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性表示能力導(dǎo)致參數(shù)解空間中存在大量局部極值，使用梯度下降法進(jìn)行訓(xùn)練很容易產(chǎn)生局部極小值，導(dǎo)致多層感知器在很多問(wèn)題上推廣能力較差[11];第二個(gè)問(wèn)題與當(dāng)時(shí)有限的硬件條件限制密切相關(guān)，但在理論上，神經(jīng)網(wǎng)絡(luò)設(shè)置大量的層數(shù)以提高非線(xiàn)性表示能力，導(dǎo)致多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度會(huì)因?yàn)閷訑?shù)的增加使得函數(shù)參數(shù)的調(diào)整時(shí)間很長(zhǎng)。

直到2006年，在Hinton等研究人員的努力下，深度置信網(wǎng)絡(luò) （Deep Belief Network，DBN） 誕生并將神經(jīng)網(wǎng)絡(luò)重新帶進(jìn)人們的視野，之后幾年中，深度神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，隨后人們將其稱(chēng)為“深度學(xué)習(xí)”。深度學(xué)習(xí)的這一大發(fā)展被人們稱(chēng)作人工智能的第3次熱潮。目前，隨著網(wǎng)絡(luò)數(shù)據(jù)量的劇增，深度學(xué)習(xí)獲得了前所未有的發(fā)展環(huán)境，使得各行各業(yè)都紛紛加入了“人工智能+”的研究熱潮。

1.2 教育測(cè)量

1.2.1 教育測(cè)量定義

教育界關(guān)于教育測(cè)量與評(píng)價(jià)的定義為：在系統(tǒng)、科學(xué)、全面地搜集、整理、處理和分析教育信息的基礎(chǔ)上，對(duì)教育的價(jià)值作出判斷的過(guò)程，目的在于促進(jìn)教育改革，提高教育質(zhì)量[12]。布魯姆[13]認(rèn)為評(píng)價(jià)是一種反饋—矯正系統(tǒng)，及時(shí)反饋教育信息，便于調(diào)整和作出更好的教育決策。而“系統(tǒng)、科學(xué)、全面地搜集、整理、處理和分析教育信息”即教育測(cè)量。因此，教育測(cè)量是指依據(jù)一定的法則（標(biāo)準(zhǔn)）用數(shù)值描述教育領(lǐng)域內(nèi)事物的屬性，是事實(shí)判斷的過(guò)程[14]。因此，本文認(rèn)為教育測(cè)量是通過(guò)量化手段，將教育相關(guān)事物以數(shù)的形式展現(xiàn)出來(lái)，為教育價(jià)值的判斷提供事實(shí)依據(jù)[15]。但是，當(dāng)前教育數(shù)據(jù)從體量大小、結(jié)構(gòu)復(fù)雜程度、變化增速等方面分析，已經(jīng)不允許教育者花費(fèi)大量成本從學(xué)習(xí)者個(gè)別實(shí)際情況出發(fā)去實(shí)施教育測(cè)評(píng)，這揭示了人類(lèi)教育者在教育測(cè)評(píng)上的局限。

1.2.2 傳統(tǒng)教育測(cè)評(píng)方法的不足

傳統(tǒng)教育測(cè)量方法存在的不足給教育測(cè)評(píng)的實(shí)踐與發(fā)展帶來(lái)巨大阻礙，本文將從以下兩個(gè)方面論述傳統(tǒng)教育測(cè)評(píng)方法的不足。

（1）傳統(tǒng)教育測(cè)量方法精度不足。教育測(cè)量的精確程度對(duì)于教育測(cè)評(píng)的重要性不言而喻，而傳統(tǒng)教育測(cè)量方法存在以下局限：首先，傳統(tǒng)教育測(cè)量對(duì)數(shù)據(jù)的分類(lèi)維度不夠完善，無(wú)法盡可能完整地描述學(xué)習(xí)者在學(xué)習(xí)各方面的建構(gòu)情況;其次，傳統(tǒng)教育測(cè)量各維度的數(shù)據(jù)分類(lèi)處理不夠準(zhǔn)確;最后，傳統(tǒng)教育測(cè)量的數(shù)據(jù)測(cè)量與處理速度無(wú)法和教育數(shù)據(jù)的增速相匹配。需要能夠適應(yīng)當(dāng)前教育數(shù)據(jù)增速的數(shù)據(jù)處理技術(shù)，以保證教育測(cè)量時(shí)效性，降低由于數(shù)據(jù)過(guò)時(shí)而導(dǎo)致的教育測(cè)評(píng)誤差。

（2）傳統(tǒng)教育測(cè)評(píng)缺乏以學(xué)習(xí)者為中心的教學(xué)環(huán)境。傳統(tǒng)課堂推崇教育者的單一講授，以教育者的“教”為中心，以教材為不可撼動(dòng)的知識(shí)權(quán)威，學(xué)習(xí)者處于被動(dòng)狀態(tài)，缺乏教學(xué)數(shù)據(jù)的輸出，使得教育測(cè)量難以實(shí)施。而以學(xué)習(xí)者為中心的教學(xué)環(huán)境具有能夠激發(fā)學(xué)習(xí)者主動(dòng)性的特點(diǎn)，在這樣的教育環(huán)境中，學(xué)習(xí)者通過(guò)自主探索建構(gòu)知識(shí)圖式，為自身全面發(fā)展打下基礎(chǔ)。在以學(xué)習(xí)者為中心的教育環(huán)境中，學(xué)習(xí)者擁有更多展現(xiàn)自己的機(jī)會(huì)，這無(wú)疑使得教育測(cè)量的數(shù)據(jù)來(lái)源更加完整。

2 深度學(xué)習(xí)對(duì)教育測(cè)評(píng)的促進(jìn)作用

2.1 深度學(xué)習(xí)助力教育數(shù)據(jù)分類(lèi)維度抽象化

深度學(xué)習(xí)能為教育測(cè)評(píng)提供強(qiáng)大的技術(shù)支持。首先，這一強(qiáng)大助力主要體現(xiàn)在教育數(shù)據(jù)測(cè)量維度上，輸入數(shù)據(jù)能夠在深度學(xué)習(xí)的多層模型中進(jìn)行多次非線(xiàn)性映射，從而同時(shí)完成教育測(cè)評(píng)對(duì)教育者對(duì)維度的要求。深度學(xué)習(xí)模型每一層上的非線(xiàn)性映射為抽象化數(shù)據(jù)特征分類(lèi)維度提供了技術(shù)可能，加之深度學(xué)習(xí)設(shè)定的多層次模型結(jié)構(gòu)，使得數(shù)據(jù)特征的分類(lèi)維度達(dá)到人類(lèi)教育者無(wú)法完成的抽象程度。

2.2 深度學(xué)習(xí)強(qiáng)化教育數(shù)據(jù)測(cè)量與處理速度

教育數(shù)據(jù)不僅結(jié)構(gòu)復(fù)雜，其數(shù)據(jù)增速也在教育數(shù)據(jù)的測(cè)量與處理上給教育者帶來(lái)了巨大壓力。計(jì)算機(jī)技術(shù)從發(fā)明之初就以其強(qiáng)大的數(shù)據(jù)計(jì)算能力與人類(lèi)拉開(kāi)差距，而到了大數(shù)據(jù)時(shí)代，這一優(yōu)勢(shì)更加明顯。因此，深度學(xué)習(xí)在以其強(qiáng)大的數(shù)據(jù)維度抽象能力完成教育數(shù)據(jù)維度測(cè)量任務(wù)的同時(shí)，在數(shù)據(jù)處理速度與計(jì)算精度上也具有突出優(yōu)勢(shì)，能夠提高教育數(shù)據(jù)分析處理速度，并以其超強(qiáng)的計(jì)算能力完成數(shù)據(jù)計(jì)算的準(zhǔn)確測(cè)量。

2.3 深度學(xué)習(xí)促進(jìn)教育數(shù)據(jù)測(cè)量與處理向智能化發(fā)展

深度學(xué)習(xí)能夠通過(guò)其自動(dòng)化數(shù)據(jù)分析處理能力促進(jìn)教育測(cè)評(píng)智能化。傳統(tǒng)數(shù)據(jù)處理技術(shù)依賴(lài)于大量的數(shù)據(jù)上游處理，教育者在教育數(shù)據(jù)處理方面的參與度很高，使得大部分重復(fù)性、抽象程度很高的工作占用了教育者大量的時(shí)間與精力，并且教育者在進(jìn)行大量的教育數(shù)據(jù)處理工作時(shí)，受精神狀態(tài)、情緒等主觀因素的影響可能產(chǎn)生不必要的誤差。而深度學(xué)習(xí)支持下的教育測(cè)量能夠通過(guò)多層模型上的非線(xiàn)性映射自動(dòng)標(biāo)記數(shù)據(jù)特征，避免了大量的人工處理，使得教育測(cè)量走向智能化道路，極大地減輕了教育者的教輔工作上壓力。

3 當(dāng)前研究局限與問(wèn)題

3.1 數(shù)據(jù)量不足

數(shù)據(jù)獲取在量上的要求受到多方面限制，因而大大影響了測(cè)量精度。大部分行為測(cè)量要求即時(shí)性，師生在課堂上相互的“動(dòng)態(tài)適應(yīng)”效率很低，導(dǎo)致教育實(shí)踐缺乏方向，這部分?jǐn)?shù)據(jù)發(fā)生時(shí)間短、變化速度快、測(cè)量難度很大。同時(shí)，一部分?jǐn)?shù)據(jù)需要長(zhǎng)時(shí)間記錄以綜合分析學(xué)習(xí)者學(xué)習(xí)狀態(tài)，數(shù)據(jù)獲取在時(shí)間上的持續(xù)性會(huì)極大提高數(shù)據(jù)獲取難度。

3.2 數(shù)據(jù)類(lèi)型不足

深度學(xué)習(xí)能夠?qū)崿F(xiàn)數(shù)據(jù)非線(xiàn)性映射以抽象化數(shù)據(jù)分類(lèi)，但是這樣的算法機(jī)制要求獲取的數(shù)據(jù)類(lèi)型豐富，數(shù)據(jù)測(cè)量維度相對(duì)單一會(huì)導(dǎo)致測(cè)量結(jié)果出現(xiàn)偏差甚至失誤，影響教育評(píng)價(jià)結(jié)果。因此，教育大數(shù)據(jù)獲取維度是目前有待解決的一大難題。

3.3 學(xué)習(xí)者隱私難以保護(hù)

在獲取實(shí)際測(cè)量數(shù)據(jù)時(shí)，為了數(shù)據(jù)的完整性，操作者往往難以把控?cái)?shù)據(jù)搜集程度與范圍的度，可能會(huì)造成對(duì)學(xué)習(xí)者學(xué)習(xí)生活的隱私侵犯。學(xué)習(xí)者在生活、學(xué)習(xí)中的一些行為表現(xiàn)的確或多或少能夠反映出對(duì)其學(xué)習(xí)效果的影響，但是實(shí)時(shí)監(jiān)控這一過(guò)程可能并不能將這一“影響”往積極面引導(dǎo)。學(xué)習(xí)者在被監(jiān)控狀態(tài)下的行為會(huì)與真實(shí)的內(nèi)在建構(gòu)狀態(tài)斷鏈，甚至產(chǎn)生抵觸。因此，通過(guò)實(shí)時(shí)監(jiān)控學(xué)習(xí)者行為為教育測(cè)量提供數(shù)據(jù)來(lái)源的方法存在南轅北轍的風(fēng)險(xiǎn)。

3.4 不能進(jìn)一步代替教育者實(shí)施教育評(píng)價(jià)

人類(lèi)教育者雖然在數(shù)據(jù)測(cè)量上存在桎梏，但在教育評(píng)價(jià)方面具有教育認(rèn)知的優(yōu)勢(shì)，可以更全面地對(duì)學(xué)習(xí)者的問(wèn)題進(jìn)行綜合分析和診斷，并從教育、心理、人的全面發(fā)展角度提出更具指導(dǎo)性的建議[6]。因此，教育評(píng)價(jià)不可能被機(jī)器取代，教育者仍然是教育評(píng)價(jià)的關(guān)鍵。

4 發(fā)展建議

綜上，教育數(shù)據(jù)處理在精度、速度、維度等方面的局限對(duì)學(xué)習(xí)者個(gè)體的具體診斷造成了極大阻礙，而深度學(xué)習(xí)支持下的教育測(cè)量是一種能夠在數(shù)據(jù)處理方面改革傳統(tǒng)測(cè)量的智能化教育測(cè)量新方法，能夠?yàn)閷?shí)現(xiàn)個(gè)性化教育打下教育數(shù)據(jù)測(cè)量、分析的基礎(chǔ)。因此，本文通過(guò)深入分析深度學(xué)習(xí)在教育測(cè)量上的局限性，為利用深度學(xué)習(xí)促進(jìn)教育測(cè)量提出兩方面建議。

4.1 深度學(xué)習(xí)可通過(guò)優(yōu)化教育測(cè)量促進(jìn)個(gè)性化教學(xué)發(fā)展

以深度學(xué)習(xí)為核心驅(qū)動(dòng)力的智能化教育測(cè)量能夠全方位捕獲表征學(xué)習(xí)者特征的情感、身體狀態(tài)、行為以及學(xué)習(xí)過(guò)程性數(shù)據(jù)，并借助相關(guān)模型（如學(xué)習(xí)者模型、教學(xué)模型等）轉(zhuǎn)換成描述學(xué)習(xí)者在各狀態(tài)上的得分，然后整合成報(bào)告形式呈現(xiàn)給教育者[6]，以人機(jī)協(xié)同模式共同促進(jìn)學(xué)習(xí)者進(jìn)行更加有意義的學(xué)習(xí)。

因此，教育者可以通過(guò)深度學(xué)習(xí)優(yōu)化教育測(cè)量，用以獲取學(xué)習(xí)者在完整學(xué)習(xí)過(guò)程中的各項(xiàng)教育數(shù)據(jù)。教育者能夠從中分析出學(xué)習(xí)者在堂課上的專(zhuān)注力、平時(shí)學(xué)習(xí)習(xí)慣等影響學(xué)習(xí)者知識(shí)建構(gòu)的相關(guān)數(shù)據(jù)，以及隨著課堂教學(xué)進(jìn)行而發(fā)生的數(shù)據(jù)變化，以此更加精確、合理、即時(shí)地獲取學(xué)習(xí)者對(duì)課堂的真實(shí)反饋數(shù)據(jù)。加之，學(xué)習(xí)者的個(gè)體數(shù)據(jù)近乎完整地得到分析，從而實(shí)現(xiàn)了學(xué)習(xí)者的個(gè)性化診斷，為個(gè)性化教育奠定了良好基礎(chǔ)。因此，教育者可以根據(jù)反饋數(shù)據(jù)更加精確地實(shí)施個(gè)性化教學(xué)。

4.2 深度學(xué)習(xí)可通過(guò)優(yōu)化教育測(cè)量促進(jìn)智能化課堂即時(shí)反饋

“從師生直接交流的情形中可以看出，真實(shí)的因材施教其實(shí)并不是所預(yù)想的精確診斷和強(qiáng)針對(duì)性的干預(yù)，而是師生相互動(dòng)態(tài)適應(yīng)的過(guò)程[16]”。教學(xué)技能成熟的教育者在與學(xué)習(xí)者接觸之初，就已經(jīng)開(kāi)始通過(guò)使用問(wèn)題拋出、概念描述等引發(fā)學(xué)習(xí)者思考、交流的教學(xué)方法與策略來(lái)獲取學(xué)習(xí)者的先前經(jīng)驗(yàn)，這是一個(gè)不斷試錯(cuò)的過(guò)程，而且遺憾的是目前并沒(méi)有發(fā)現(xiàn)存在一個(gè)能維持長(zhǎng)時(shí)間固定不變的規(guī)則來(lái)規(guī)范對(duì)于學(xué)習(xí)者先驗(yàn)的獲取方式。教育者在通過(guò)“動(dòng)態(tài)交互”獲取學(xué)習(xí)者先驗(yàn)方面存在一定的效率問(wèn)題，這對(duì)個(gè)性化診斷造成了極大阻礙。

因此，更加需要利用深度學(xué)習(xí)技術(shù)為教育者對(duì)學(xué)習(xí)個(gè)體的認(rèn)知診斷提供幫助，促進(jìn)教育測(cè)量效率的提升。深度學(xué)習(xí)在數(shù)據(jù)處理速度、維度方面的突出優(yōu)勢(shì)，對(duì)于實(shí)現(xiàn)課堂反饋的即時(shí)性非常重要，它不僅能夠補(bǔ)足教育者的短板，而且能夠以機(jī)器的自動(dòng)化優(yōu)勢(shì)，應(yīng)用智能化教育測(cè)量精確診斷不同學(xué)習(xí)個(gè)體的具體認(rèn)知狀態(tài)，減輕大部分教育者的負(fù)擔(dān)。

綜上可以看出，能夠測(cè)量師生之間的“動(dòng)態(tài)適應(yīng)”是改進(jìn)教育測(cè)量的關(guān)鍵，通過(guò)深度學(xué)習(xí)的加持，實(shí)現(xiàn)課堂反饋的智能化，為即時(shí)性的個(gè)性化診斷提供可能性，這一優(yōu)勢(shì)也無(wú)疑為教育測(cè)量發(fā)展以及深度學(xué)習(xí)等相關(guān)人工智能技術(shù)在教育測(cè)量方面的應(yīng)用研究指明了方向。

5 結(jié)語(yǔ)

傳統(tǒng)教育測(cè)量方法面對(duì)龐大的數(shù)據(jù)量暴露出多項(xiàng)短板，在實(shí)現(xiàn)教育測(cè)量個(gè)性化上也未能作出突出貢獻(xiàn)。而深度學(xué)習(xí)能夠避免大量的上游處理工作，實(shí)現(xiàn)將龐大且結(jié)構(gòu)復(fù)雜的教育數(shù)據(jù)通過(guò)多個(gè)節(jié)點(diǎn)輸入，經(jīng)過(guò)多層非線(xiàn)性映射極度抽象化分類(lèi)維度并提高數(shù)據(jù)處理精度，從而實(shí)現(xiàn)數(shù)據(jù)自動(dòng)分類(lèi)處理，其相較于傳統(tǒng)計(jì)算機(jī)分類(lèi)技術(shù)所體現(xiàn)出來(lái)的優(yōu)勢(shì)，顯然能夠在體量越來(lái)越大、結(jié)構(gòu)越來(lái)越復(fù)雜的教育數(shù)據(jù)分析中大有作為。

參考文獻(xiàn)：

[1]李艷萍，于麗梅，劉國(guó)麗，等. 協(xié)同過(guò)濾算法的改進(jìn)研究[J]. 電腦知識(shí)與技術(shù)，2015，11（7）：261-263.

[2]夏培勇. 個(gè)性化推薦技術(shù)中的協(xié)同過(guò)濾算法研究[D]. 青島：中國(guó)海洋大學(xué)，2011.

[3]SELF J.The defining characteristics of intelligent tutoring systems research：ITSs care，precisely[J]. International journal of artificial intelligence in education（IJAIED），1998，10：350-364.

[4]趙地. 發(fā)展智能醫(yī)療新紀(jì)元[J]. 中國(guó)數(shù)字醫(yī)學(xué)，2019，14（3）：2.

[5]張仕民，雷澤宇，劉意，等. 基于AI的無(wú)人機(jī)電網(wǎng)智能巡檢方案研析[J]. 四川電力技術(shù)，2019，42（3）：90-94.

[6]余勝泉，王琦. “AI+教師”的協(xié)作路徑發(fā)展分析[J]. 電化教育研究，2019，40（4）：14-22，29.

[7]陳德鑫，占袁圓，楊兵. 深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J]. 電化教育研究，2019，40（2）：68-76.

[8]王書(shū)培. 基于深度學(xué)習(xí)的中文詞法分析模型算法研究[D]. 杭州：浙江理工大學(xué)，2019.

[9]高明旭，李靖，朱緒平，等. 深度學(xué)習(xí)方法研究綜述[J]. 中國(guó)科技信息，2019（10）：56-57.

[10]曹植珺. 機(jī)器學(xué)習(xí)在船舶流體力學(xué)中的應(yīng)用綜述[C]. 武漢地區(qū)船舶與海洋工程研究生學(xué)術(shù)論壇，2019.

[11]胡越，羅東陽(yáng)，花奎，等. 關(guān)于深度學(xué)習(xí)的綜述與討論[J]. 智能系統(tǒng)學(xué)報(bào)，2019，14（1）：1-19.

[12]田瑩. 兩岸小學(xué)教育質(zhì)量評(píng)價(jià)政策的比較研究[D]. 廣州：廣州大學(xué)，2016.

[13]徐千慧. 真實(shí)性評(píng)價(jià)在創(chuàng)客教育中的應(yīng)用研究[D]. 深圳：深圳大學(xué)，2018.

[14]辛濤，李雪燕. 教育評(píng)價(jià)理論與實(shí)踐的新進(jìn)展[J]. 清華大學(xué)教育研究，2005（6）：38-43.

[15]李霖. 幼兒園幼兒創(chuàng)意手工制作評(píng)價(jià)標(biāo)準(zhǔn)研究[D]. 上海：上海師范大學(xué)，2019.

[16]楊開(kāi)城. 教育何以是大數(shù)據(jù)的[J]. 電化教育研究，2019，40（2）：5-11.

（責(zé)任編輯：孫 娟）

收稿日期：2019-11-20

作者簡(jiǎn)介：張皓彥（1993-），男，渤海大學(xué)教育科學(xué)學(xué)院碩士研究生，研究方向?yàn)槿斯ぶ悄茌o助教育;馬玉慧（1974-），女，博士，渤海大學(xué)教育科學(xué)學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)樾畔⒒逃?、人工智能及其教育?yīng)用。