摘? ? ? 要? ? ? ? ?隨著人工智能技術的飛速發(fā)展，部分教學評價的量化成為可能，為精準指導教學提供了技術支持。因此，可基于大數(shù)據(jù)和人工智能技術來構建教學評價管理系統(tǒng)模型，用以開展教學評價工作，進而指導教學工作。在此模型中，核心模塊包括“基于教與學行為構建的深度神經(jīng)網(wǎng)絡模塊”和“基于班級管理構建的深度神經(jīng)網(wǎng)絡模塊”，兩個模塊輸出的數(shù)據(jù)指標為指導教師精準教學提供數(shù)據(jù)參考，為學校制定教學管理量規(guī)提供依據(jù)。基于人工智能構建的教學評價管理模型還需要解決系統(tǒng)中各類變量（或參數(shù)）的量化以及行為畫像數(shù)據(jù)的采集和使用規(guī)范標準等難題，在具體應用中要注意處理好模型的普適性和應用特殊性的關系，客觀理性地認識數(shù)據(jù)并做好數(shù)據(jù)測算。

關 鍵 詞? ? ? ? ?人工智能? 教學評價? 學校管理? 系統(tǒng)模型? 大數(shù)據(jù)

引用格式? ? ? ? ?劉永德.基于人工智能的教學評價管理模型構建[J].教學與管理，2023（13）：67-70.

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(jù)指導教學工作。這種靜態(tài)的、應試導向的教學評價模式缺乏精準性，很難觸及現(xiàn)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(yǎng)的培養(yǎng)，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(yǎng)的培養(yǎng)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(jīng)驗設計的規(guī)則，存在主觀性強、缺乏精準性等缺陷，以此為據(jù)指導教學，其科學性和精準性自然會引發(fā)質疑。

事實上，教育教學是一個復雜的系統(tǒng)工程。任何企圖采用靜態(tài)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(tǒng)的管理需要具有反饋功能的動態(tài)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(tǒng)來講，目前的非線性理論研究還不足以構建一個數(shù)學模型來解決教育問題。但隨著人工智能技術的飛速發(fā)展，許多自然科學領域的非線性系統(tǒng)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(fā)，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?；谌斯ぶ悄軜嫿ǖ慕虒W評價管理系統(tǒng)可以科學有效精準地量化部分教學評價，同時也為績效考核量規(guī)的設計提供了數(shù)據(jù)參考。

一、基于人工智能的教學評價管理系統(tǒng)模型的整體架構

該系統(tǒng)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(xiàn)出一定的非線性特征，且深度神經(jīng)網(wǎng)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?；谝陨先龡l假設，我們設計的系統(tǒng)模型如圖1所示。

二、基于人工智能的教學評價管理系統(tǒng)核心模塊功能及應用

整個系統(tǒng)的核心由“基于教與學行為構建的深度神經(jīng)網(wǎng)絡”和“基于班級管理構建的深度神經(jīng)網(wǎng)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(yǎng)產(chǎn)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(yǎng)的敏感度和范圍值，所輸出的數(shù)據(jù)經(jīng)過一定的轉換后形成學生個體核心素養(yǎng)量化指標，為指導教師精準教學提供數(shù)據(jù)參考和制定教學管理量規(guī)提供依據(jù)，同時也為后一個網(wǎng)絡模塊提供輸入數(shù)據(jù)。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(shù)據(jù)經(jīng)過轉換后形成教學管理量規(guī)，然后，通過數(shù)據(jù)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(shù)據(jù)參考和績效考核的量規(guī)設計提供數(shù)據(jù)支撐。

（1）基于教與學行為構建的深度神經(jīng)網(wǎng)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(shù)據(jù)，包括教師教學行為畫像數(shù)據(jù)和學生學習行為畫像數(shù)據(jù)。這些數(shù)據(jù)具有多模態(tài)的特征，主要包括混合型數(shù)據(jù)、生理層數(shù)據(jù)、心理層數(shù)據(jù)和行為層數(shù)據(jù)，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(shù)據(jù)采集技術、物聯(lián)網(wǎng)感知技術、可穿戴設備、網(wǎng)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(jiān)控/拍攝技術、智能錄播技術、網(wǎng)評網(wǎng)閱技術、點陣數(shù)碼筆技術、拍照搜題技術等16種數(shù)據(jù)采集技術[1]。由于所采集的數(shù)據(jù)來自多種技術手段下的數(shù)據(jù)源，且存在大量噪音數(shù)據(jù)，因而在輸入前需要進行必要的預處理，主要包括對數(shù)據(jù)的審核和篩選、數(shù)據(jù)的清洗、數(shù)據(jù)的集成、數(shù)據(jù)的變換以及數(shù)據(jù)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(jīng)網(wǎng)絡，每層由若干個人工神經(jīng)元單元構成，各層間的神經(jīng)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(jīng)元是人工神經(jīng)網(wǎng)絡的基礎單元，其工作原理與生物神經(jīng)元的工作原理相似，其結構如圖3所示。每個神經(jīng)元有若干個輸入，類似于傳入神經(jīng)元的刺激，每個輸入（xi）對應一個權重（wi），類似于神經(jīng)元的敏感度，權重越大，表示神經(jīng)元對該刺激越敏感；神經(jīng)元還有一個偏置項（bi），是一個常數(shù)，沒有對應的權重。這兩項加權求和后作用于激活函數(shù)（f），該函數(shù)是個非線性函數(shù)，用于解決線性模型中表達能力不足的問題，在神經(jīng)網(wǎng)絡中起著至關重要的作用。

③輸出層

規(guī)范化后的行為畫像數(shù)據(jù)經(jīng)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(yǎng)的相關指標參數(shù)，可以在一定程度上反映學生核心素養(yǎng)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(yǎng)量化高度關聯(lián)，又要符合神經(jīng)網(wǎng)絡構建的相關要求。

（2）基于班級管理構建的深度神經(jīng)網(wǎng)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(jīng)網(wǎng)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(xiàn)技術。如輸入層數(shù)據(jù)直接來自上一模塊的輸出，隱藏層的結構、加權求和函數(shù)、激活函數(shù)等都不同，具體設計需要根據(jù)實際要求構建。

（3）數(shù)據(jù)的指標化及應用

①學生個體核心素養(yǎng)量化指標

該指標是“基于教與學行為構建的深度神經(jīng)網(wǎng)絡模塊”輸出數(shù)據(jù)經(jīng)過轉化后形成的數(shù)據(jù)呈現(xiàn)。模塊輸出的數(shù)據(jù)包含所有學生個體全部核心素養(yǎng)的相關信息，數(shù)據(jù)量龐雜且非常不直觀。為保證非設計人員能清晰理解數(shù)據(jù)的語義，需要將模塊輸出的數(shù)據(jù)進行數(shù)據(jù)挖掘，然后用可視化的形式呈現(xiàn)出來，用以指導相關教師精準教學和教學管理部門監(jiān)控教學常規(guī)。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(jù)工作需求進行模塊組合。具體技術實現(xiàn)，可考慮數(shù)據(jù)挖掘技術和數(shù)據(jù)庫技術。根據(jù)“學生個體核心素養(yǎng)量化指標”的數(shù)據(jù)呈現(xiàn)，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?shù)牟呗跃珳式虒W。

②教學管理量規(guī)指標

教學管理量規(guī)主要是基于學校的發(fā)展，參考學生個體核心素養(yǎng)量化指標和基于班級管理構建的深度神經(jīng)網(wǎng)絡模塊輸出的數(shù)據(jù)設計的。其主要目的是能使相關部門動態(tài)監(jiān)控整體教學態(tài)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(diào)整指導意見。同時，也為績效考核量規(guī)的設計提供參考。同上所述，該應用也需要數(shù)據(jù)的挖掘、數(shù)據(jù)的可視化和功能設計的模塊化等。

班主任可根據(jù)“教學管理量規(guī)”的數(shù)據(jù)呈現(xiàn)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(fā)展。

相關教學管理部門可根據(jù)教學管理量規(guī)要求動態(tài)監(jiān)控全校教學過程，整體掌控教學態(tài)勢，為領導準確提供相關數(shù)據(jù)和建議，以便領導及時調(diào)整相關指導意見和決策。

教學管理量規(guī)中的指標相對比較繁雜，內(nèi)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(wěn)定的、有利于學校發(fā)展和教學質量提升的，以及有利于激勵教師成長發(fā)展的量化指標，在績效考核量規(guī)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(xiàn)實的復雜開放系統(tǒng)，為復雜系統(tǒng)問題求解提供技術保障，也能為數(shù)據(jù)量化提供一定的科學依據(jù)。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(tǒng)模型而言，以下兩個難題需要深入研究。

1．模型系統(tǒng)中各類變量（或參數(shù)）的量化

在該系統(tǒng)中，涉及大量的變量（或參數(shù)），它們的屬性和現(xiàn)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(nèi)涵和外延非常清晰，也容易采集和量化。如眼動數(shù)據(jù)、腦電數(shù)據(jù)、血壓、平均作業(yè)時長、考試成績等。第二類，內(nèi)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(shù)）需要特別注意，切勿主觀臆斷，盲目賦值，需要采用大數(shù)據(jù)分析技術，挖掘其內(nèi)在關聯(lián)，科學構建數(shù)學模型。如教師的教學能力、學生的創(chuàng)造力、教師的執(zhí)行力等。第三類，內(nèi)在機理尚待深入研究，無法確定其在教育活動中的作用。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(shù)），可以暫時忽略或在模型中預留一定數(shù)量的變量（或參數(shù)），將其權重直接賦值為0，使這類變量（或參數(shù)）不再干擾系統(tǒng)，影響結果。期待將來解決后，再重新設置，使其發(fā)揮應有的作用。

2.行為畫像數(shù)據(jù)的采集和使用

行為畫像數(shù)據(jù)是整個系統(tǒng)的基礎，此方面完整、精準的數(shù)據(jù)信息是系統(tǒng)評測的關鍵。然而，行為數(shù)據(jù)不同于其他數(shù)據(jù)，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(shù)據(jù)的隱私性及保護。畫像數(shù)據(jù)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(shù)據(jù)對個體隱私空間的影響。從操作層面來講，采集數(shù)據(jù)時要注意界定和選取，在保證系統(tǒng)基本需求的前提下盡可能地選用一些低敏感性的畫像數(shù)據(jù)；在技術上，要做到數(shù)據(jù)的分級管理，確保數(shù)據(jù)的安全；數(shù)據(jù)使用要全程監(jiān)控，防止隱私數(shù)據(jù)的濫用，保證數(shù)據(jù)使用合理合法。第二，數(shù)據(jù)采集的成本。數(shù)據(jù)多模態(tài)的特征使得采集成本極高，如許多生物數(shù)據(jù)的采集，需要昂貴的設備才可完成。即使是使用基于物聯(lián)網(wǎng)的可穿戴設備，對于多數(shù)中小學來講，也存在成本由誰承擔的問題。

因此，行為畫像數(shù)據(jù)的采集和使用雖有一部分已經(jīng)付諸實踐，但很多數(shù)據(jù)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(fā)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(tǒng)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(shù)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(fā)，并非針對某個特定學校構建的。因此，就模型本身而言，系統(tǒng)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(shù)）和相應權重不同而已。在應用時，可根據(jù)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(shù)據(jù)的干擾。

根據(jù)深度神經(jīng)網(wǎng)絡模型的原理，系統(tǒng)的特殊性主要體現(xiàn)在數(shù)據(jù)訓練集上。每個學?？蛇x用歷史典型數(shù)據(jù)構建自己的私有數(shù)據(jù)訓練集，這樣訓練出來的系統(tǒng)就具有學校獨有的特色，結果數(shù)據(jù)也更具有針對性。當然，在構建私有訓練數(shù)據(jù)集時，針對部分具有普適性的變量（或參數(shù)）可抽取全國優(yōu)秀教師的教學畫像數(shù)據(jù)，其他個性化的變量（或參數(shù)）則采用學校自己的典型畫像數(shù)據(jù)，這樣構建的訓練數(shù)據(jù)集將更有利于學校的發(fā)展。

2.客觀理性地認識數(shù)據(jù)，做好數(shù)據(jù)測算

該模型是一個基于大數(shù)據(jù)和人工智能技術構建的模擬性教學評測系統(tǒng)，不同于嚴謹?shù)臄?shù)學化推導，各變量（或參數(shù)）相互作用相互影響，輸出數(shù)據(jù)往往是諸多因素共同作用的結果，數(shù)據(jù)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(tǒng)的局限性，客觀理性地對待數(shù)據(jù)結果，盡可能地挖掘出數(shù)據(jù)的涵義和數(shù)據(jù)間的關聯(lián)，做好態(tài)勢分析，結合教學經(jīng)驗和管理經(jīng)驗做出科學合理的解釋，以彌補系統(tǒng)的不足。另外，遇到比較大的系統(tǒng)變量（或參數(shù)）調(diào)整時，也應做好必要的數(shù)據(jù)測算分析。

總之，教育是一個非常復雜的開放系統(tǒng)，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(shù)據(jù)和人工智能技術的飛速發(fā)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(fā)展趨向：多模態(tài)數(shù)據(jù)環(huán)境下的研究與探索[J].中國遠程教育，2018（11）：44-49+79-80．

【責任編輯? 鄭雪凌】