智慧教育環(huán)境中計(jì)算機(jī)輔助教學(xué)應(yīng)用研究

張凱 覃正楚 況瑩

摘要：隨著科學(xué)技術(shù)的不斷發(fā)展，在線教育逐漸被大眾接受，促進(jìn)了教育信息化的發(fā)展。但對(duì)于師生而言，教育信息化伴隨著學(xué)習(xí)資源難以抉擇、學(xué)習(xí)進(jìn)度難以掌控等問(wèn)題。智慧教育是解決這些問(wèn)題的方法之一。智慧教育在人工智能技術(shù)的加持下，能夠?qū)崟r(shí)衡量學(xué)生的知識(shí)狀態(tài)，為每個(gè)學(xué)生提供細(xì)粒度的教育服務(wù)，達(dá)到因材施教的效果。在智慧教育中，知識(shí)追蹤的主要任務(wù)是從學(xué)生的歷史數(shù)據(jù)中判斷其知識(shí)狀態(tài)，為細(xì)粒度教育服務(wù)提供知識(shí)狀態(tài)的支撐。文章介紹了目前可供使用的國(guó)際公開(kāi)真實(shí)教育數(shù)據(jù)集及常用的知識(shí)追蹤模型，并將提出的模型應(yīng)用于英語(yǔ)教學(xué)中，驗(yàn)證了模型的有效性。

關(guān)鍵詞： 教育信息化；人工智能；智慧教育；知識(shí)追蹤；教學(xué)應(yīng)用

中圖分類號(hào)：G642? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）13-0161-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展，使用計(jì)算機(jī)輔助教學(xué)的在線教育逐漸被大眾接受，加快了教育信息化的進(jìn)程。在線教育產(chǎn)生了大量的教學(xué)數(shù)據(jù)，即教育大數(shù)據(jù)，但傳統(tǒng)教育模式難以從教育大數(shù)據(jù)中衡量每個(gè)學(xué)生的知識(shí)狀態(tài)，導(dǎo)致老師無(wú)法為學(xué)生提供細(xì)粒度的教育服務(wù)。因此，使用科學(xué)的方法或技術(shù)手段對(duì)教育大數(shù)據(jù)進(jìn)行更深入的挖掘和分析是有必要的[1]。智慧教育使用人工智能技術(shù)對(duì)教育大數(shù)據(jù)進(jìn)行挖掘分析，能夠衡量學(xué)生的知識(shí)狀態(tài)，進(jìn)而為其提供細(xì)粒度的教育服務(wù)。其中，衡量知識(shí)狀態(tài)的任務(wù)由知識(shí)追蹤完成[2-4]。

1 傳統(tǒng)教育模式與智慧教育模式的分析

1.1 傳統(tǒng)教育模式

1.1.1 傳統(tǒng)教育模式具有地理限制

開(kāi)展教學(xué)活動(dòng)必須滿足三點(diǎn)要素：老師、學(xué)生以及教學(xué)場(chǎng)所。上述要素缺其一便無(wú)法開(kāi)展教學(xué)活動(dòng)。但在傳統(tǒng)教育模式中，老師和學(xué)生只能在學(xué)校內(nèi)開(kāi)展教學(xué)活動(dòng)，固定的教學(xué)場(chǎng)所導(dǎo)致傳統(tǒng)教育模式失去靈活性。因此傳統(tǒng)教育模式具有地理限制，導(dǎo)致此模式無(wú)法靈活地開(kāi)展教學(xué)活動(dòng)。

1.1.2 傳統(tǒng)教育模式具有主觀限制

教學(xué)活動(dòng)的主體是老師和學(xué)生，兩者都具有獨(dú)立的主觀意識(shí)。這種主觀意識(shí)能夠影響教學(xué)活動(dòng)的質(zhì)量，例如學(xué)生不喜歡老師的教學(xué)風(fēng)格，導(dǎo)致無(wú)法更好的學(xué)習(xí)知識(shí)。但在傳承教育模式中，師生關(guān)系一旦確定，便難以改變。因此傳統(tǒng)教育模式具有主觀限制，導(dǎo)致此模式無(wú)法滿足每個(gè)學(xué)生的教育需求。

1.1.3 傳統(tǒng)教育模式具有精力限制

作為教學(xué)活動(dòng)的主體，老師和學(xué)生的精力也能夠影響教育學(xué)活動(dòng)質(zhì)量。當(dāng)老師對(duì)教學(xué)活動(dòng)投入更多精力時(shí)，便能為更多的學(xué)生提供細(xì)粒度的教育服務(wù)；當(dāng)學(xué)生對(duì)教學(xué)活動(dòng)投入更多精力時(shí)，便能更積極主動(dòng)地接受教育服務(wù)。但老師和學(xué)生的精力總是有限的，即老師難以為每個(gè)學(xué)生提供細(xì)粒度的教育服務(wù)，學(xué)生難以接受每個(gè)老師提供的統(tǒng)一教育服務(wù)。因此傳統(tǒng)教育模式具有精力限制，導(dǎo)致此模式無(wú)法為每個(gè)學(xué)生提供細(xì)粒度的教育服務(wù)。

1.2 智慧教育模式

1.2.1 智慧教育模式能夠打破地理限制的影響

智慧教育是教育信息化與人工智能技術(shù)相結(jié)合的產(chǎn)物，其主體仍是老師和學(xué)生。與傳統(tǒng)教育模式相比，智慧教育模式使用計(jì)算機(jī)輔助教學(xué)，能夠打破地理空間的限制，更加靈活地開(kāi)展教學(xué)活動(dòng)。因此智慧教育模式能夠打破地理限制的影響，導(dǎo)致此模式能夠更靈活地開(kāi)展教學(xué)活動(dòng)。

1.2.2 智慧教育模式能夠消除主觀限制的影響

智慧教育模式作為教育信息化的進(jìn)一步發(fā)展，與傳統(tǒng)教育模式相比，具有更豐富的教育資源，能夠激發(fā)學(xué)生學(xué)習(xí)的積極性和主動(dòng)性。例如學(xué)生A和B學(xué)習(xí)三角函數(shù)時(shí)，學(xué)生A更容易接受圖形加公式講解的授課方式，而學(xué)生B更容易接受直接講解公式的授課方式。在傳統(tǒng)教育模式中，兩者的矛盾難以高效地中和；但在智慧教育模式中，豐富的教育資源能夠同時(shí)滿足兩者的需求。因此智慧教育模式能夠消除主觀限制的影響，導(dǎo)致此模式能夠滿足大部分學(xué)生的教育需求。

1.2.3 智慧教育模式能夠減少精力限制的影響

隨著科學(xué)技術(shù)水平的不斷發(fā)展，MOOC、學(xué)堂在線、國(guó)家教育資源公共服務(wù)等多個(gè)在線學(xué)習(xí)平臺(tái)都具有豐富的教育資源。一方面，學(xué)生在享受教育資源的紅利時(shí)，也不得不花費(fèi)更多的精力在做選擇上；另一方面，老師在享受教育信息化的便利時(shí)，難以從教育大數(shù)據(jù)中衡量每個(gè)學(xué)生的知識(shí)狀態(tài)，導(dǎo)致無(wú)法為每個(gè)學(xué)生提供細(xì)粒度的教育服務(wù)。智慧教育模式依托人工智能技術(shù)衡量每個(gè)學(xué)生的知識(shí)狀態(tài)，能夠有效地解決這一問(wèn)題。因此智慧教育模式能夠減少精力限制的影響，導(dǎo)致此模式能夠?yàn)槊總€(gè)學(xué)生提供細(xì)粒度的教育服務(wù)。

2 教育數(shù)據(jù)集和知識(shí)追蹤模型

在智慧教育模式中，知識(shí)追蹤的主要任務(wù)是使用人工智能技術(shù)分析教育大數(shù)據(jù)，為細(xì)粒度教育服務(wù)提供知識(shí)狀態(tài)的支撐，并預(yù)測(cè)學(xué)生未來(lái)答題的表現(xiàn)。

2.1 教育數(shù)據(jù)集

ASSISTment系列數(shù)據(jù)集由ASSISTment在線智能導(dǎo)學(xué)系統(tǒng)提供，是目前知識(shí)追蹤領(lǐng)域內(nèi)公開(kāi)的最大的數(shù)據(jù)集。其中，ASSISTment2009數(shù)據(jù)集收集于2009-2010學(xué)年；ASSISTment2012數(shù)據(jù)集收集于2013-2013學(xué)年；ASSISTment2015數(shù)據(jù)集收集于2015年；ASSISTment2017數(shù)據(jù)集來(lái)源于該平臺(tái)的教育數(shù)據(jù)挖掘挑戰(zhàn)賽，就答題記錄數(shù)量而言，ASSISTment2017數(shù)據(jù)集的可用數(shù)據(jù)密度是0.81，是該系列數(shù)據(jù)集中可用數(shù)據(jù)密度最高的數(shù)據(jù)集。

Slepemapy.cz數(shù)據(jù)集由Slepemapy.cz在線自適應(yīng)系統(tǒng)收集，包含學(xué)生學(xué)習(xí)地理事實(shí)的答題記錄。

Junyi Academy數(shù)據(jù)集由Junyi Academy在線教育網(wǎng)站于2015年收集。不同的是，該網(wǎng)站的學(xué)生即使選擇了相同的習(xí)題，系統(tǒng)也可以給習(xí)題分配不同的數(shù)指，即該數(shù)據(jù)集中相同習(xí)題由不同的數(shù)值組成。

2.2 知識(shí)追蹤模型

文獻(xiàn)[5]提出了貝葉斯知識(shí)追蹤（Bayesian Knowledge Tracing， BKT），是概率知識(shí)追蹤模型中最具代表性的模型。該模型基于隱馬爾可夫模型，通過(guò)初始學(xué)會(huì)某概念的概率[P（L0）]、未學(xué)會(huì)狀態(tài)到學(xué)會(huì)狀態(tài)的轉(zhuǎn)移概率[P（T）]衡量學(xué)生的知識(shí)狀態(tài)、未掌握概念但猜對(duì)的概率[P（G）]以及掌握概念但答錯(cuò)的概率預(yù)測(cè)未來(lái)的答題情況。

文獻(xiàn)[6]提出了深度知識(shí)追蹤模型（Deep Knowledge Tracing， DKT），首次將深度學(xué)習(xí)的方法應(yīng)用在知識(shí)追蹤領(lǐng)域中，使用循環(huán)神經(jīng)網(wǎng)絡(luò)或長(zhǎng)短期記憶網(wǎng)絡(luò)衡量學(xué)生的知識(shí)狀態(tài)、預(yù)測(cè)未來(lái)的答題情況。

文獻(xiàn)[7]提出了動(dòng)態(tài)鍵值記憶網(wǎng)絡(luò)（Dynamic Key-Value Memory Networks， DKVMN），受記憶增強(qiáng)網(wǎng)絡(luò)的啟發(fā)，構(gòu)建了一個(gè)靜態(tài)的鍵矩陣[Mk]存儲(chǔ)概念的向量表示，一個(gè)動(dòng)態(tài)的值矩陣[Mv]存儲(chǔ)知識(shí)狀態(tài)的向量表示。DKVMN根據(jù)前一時(shí)刻的知識(shí)狀態(tài)和當(dāng)前時(shí)刻作答的習(xí)題預(yù)測(cè)學(xué)生答題情況，即模型輸入值矩陣[Mvt-1]和習(xí)題編號(hào)[qt]，輸出學(xué)生正確回答該習(xí)題的概率[P（rt|qt）]；根據(jù)當(dāng)前時(shí)刻的答題情況更新值矩陣[Mvt-1]至當(dāng)前時(shí)刻，即模型輸入習(xí)題編號(hào)[qt]和相應(yīng)的答題情況[rt]，輸出學(xué)生當(dāng)前時(shí)刻的知識(shí)狀態(tài)[Mvt]。

文獻(xiàn)[8]提出了DKT-F （DKT + Forgetting）模型，在DKT的基礎(chǔ)上，引入遺忘因素：距離上次學(xué)習(xí)相同概念的時(shí)間間隔、距離上次學(xué)習(xí)的時(shí)間間隔、學(xué)習(xí)相同概念的次數(shù)建模學(xué)生的遺忘行為。在衡量學(xué)生的知識(shí)狀態(tài)和預(yù)測(cè)未來(lái)答題情況方面與DKT方法一致。

文獻(xiàn)[9]提出了LFKT（Deep Knowledge Tracing Model with Learning and Forgetting Behavior Merging）模型。該模型也建模了遺忘行為，不同于DKT-F的是，LFKT還引入學(xué)生原本對(duì)該概念的掌握程度作為遺忘因素。在衡量學(xué)生的知識(shí)狀態(tài)和預(yù)測(cè)未來(lái)答題情況方面與DKVMN的思想一致，分兩個(gè)過(guò)程實(shí)現(xiàn)衡量知識(shí)狀態(tài)和預(yù)測(cè)答題情況。

3 基于注意力機(jī)制的知識(shí)追蹤模型

文章提出了多注意力模塊的知識(shí)追蹤模型（Knowledge Tracing Model Base on Attention Mechanism，AMKT），其整體結(jié)構(gòu)如圖1所示。

3.1 概念注意力模塊

將存儲(chǔ)概念的矩陣[Mkt∈?dk×N]作為模塊中自注意力機(jī)制的輸入，用來(lái)計(jì)算概念間的相似性，計(jì)算結(jié)果用概念注意力矩陣[Gt]表示。受文獻(xiàn)[10]的啟發(fā)，模型采用縮放點(diǎn)積自注意力機(jī)制：

[Gt=Softmax（MktMkTtdk）Mkt] （1）

為了得到習(xí)題[qt]中所含概念間的相似性，將習(xí)題[qt]轉(zhuǎn)換成one-hot編碼，再與嵌入矩陣[A∈?dk×N]相乘得到習(xí)題嵌入向量[kt]。[kt]與[Gt]相乘通過(guò)[Softmax]函數(shù)轉(zhuǎn)化為關(guān)聯(lián)權(quán)重[wt]，表示習(xí)題[qt]所含概念間的相似性。

[wt=Softmax（kt×Gt）] （2）

3.2 狀態(tài)注意力模塊

將存儲(chǔ)概念掌握狀態(tài)的矩陣[Mvt∈?dv×N]作為模塊中自注意力機(jī)制的輸入，用來(lái)計(jì)算概念掌握狀態(tài)間的相似性，計(jì)算結(jié)果用狀態(tài)注意力矩陣[Ct]表示。

[Ct=Softmax（MvtMvTtdv）Mvt] （3）

3.3 行為注意力模塊

在行為注意力模塊中，首先將遺忘因素拼接組成一個(gè)維度為3的行向量[[R，S，L]]并執(zhí)行歸一化操作，再將其與嵌入矩陣[C∈?3×dv]相乘得到一個(gè)維度為[dv]向量[vt]，表示學(xué)生在學(xué)習(xí)過(guò)程中的行為。[E]是學(xué)生的習(xí)題交互[（qt，rt）]，將其轉(zhuǎn)換成one-hot編碼并與嵌入矩陣[B∈?dv×2N]相乘，得到維度為[dv]的向量[et]，表示[t]時(shí)刻學(xué)生的習(xí)題交互[（qt，rt）]。

使用注意力機(jī)制來(lái)發(fā)掘兩者間的聯(lián)系，將表示自主性提示的向量[vt]作為注意力機(jī)制中查詢的輸入，將表示非自主性提示的向量[et]作為注意力機(jī)制中鍵和值的輸入：

[ot=Softmax（vtetT）et]? ? （4）

行為注意力向量[ot]是行為注意力模塊中注意力機(jī)制的計(jì)算結(jié)果，其維度為[dv]，是對(duì)向量[vt]和[et]的綜合表示。

3.4 更新模塊

行為注意力向量[ot]和狀態(tài)注意力矩陣[Ct]是建模學(xué)習(xí)行為和遺忘行為的重要因素，將兩者拼接并輸入至一層帶有[Tanh]激活函數(shù)的全連接層，得到一個(gè)維度為[dv]的列向量[at]，是向量[ot]和矩陣[Ct]的綜合表示。

[at=Tanh（wT1[Ct，ot]+b1）] （5）

利用一層帶有 [Sigmoid]激活函數(shù)的全連接層將向量[at]轉(zhuǎn)換成遺忘向量[ft]：

[ft=Sigmoid（WTfat+bf）] （6）

其中，全連接層的權(quán)重矩陣[Wf]的形狀是[dv×dv]，偏置向量[bf]的維度是[dv]。遺忘向量[ft]是一個(gè)[dv]維的列向量，是對(duì)學(xué)生[t]時(shí)刻遺忘行為建模的結(jié)果。

利用一層帶有[Tanh]激活函數(shù)的全連接層將向量[at]轉(zhuǎn)換為學(xué)習(xí)向量[ut]：

[ut=Tanh（WTuat+bu）] （7）

其中，全連接層的權(quán)重矩陣[Wu]的形狀是[dv×dv]，偏置向量[bu]的維度是[dv]。學(xué)習(xí)向量[ut]是一個(gè)[dv]維的列向量，是對(duì)學(xué)生[t]時(shí)刻學(xué)習(xí)行為建模的結(jié)果。

學(xué)習(xí)向量[ut]和遺忘向量[ft]以及關(guān)聯(lián)權(quán)重[wt]用于下一時(shí)刻的矩陣[Mvt+1]的更新：

[Mvt+1（i）=Mvt（i）（1-ft）+utwt（i）] （8）

3.5 預(yù)測(cè)模塊

在預(yù)測(cè)模塊中，將關(guān)聯(lián)權(quán)重[wt]與矩陣[Mvt]相乘，得到向量[nt]，是學(xué)生概念掌握狀態(tài)的輸出：

[nt=wtMvt] （9）

考慮到習(xí)題間會(huì)存在一定的差異，如難度系數(shù)不同，將向量[nt]與習(xí)題嵌入向量[kt]進(jìn)行拼接，這樣得到的向量既包含了學(xué)生的概念掌握狀態(tài)又包含了習(xí)題信息，將這個(gè)向量輸入至帶[Tanh]激活函數(shù)的全連接層，得到向量[it]：

[it=Tanh（wT2[nt，kt]+b2）] （10）

最后，利用一個(gè)帶有[Sigmoid]激活函數(shù)的輸出層，將[it]作為輸入，用來(lái)預(yù)測(cè)學(xué)生對(duì)習(xí)題[qt]的表現(xiàn)情況：

[pt=Sigmoid（wT3it+b3）] （11）

3.6 AMKT模型應(yīng)用

文章使用AUC（Area Under Curve）和ACC（Accuracy Rate）作為模型的評(píng)價(jià)指標(biāo)，在知識(shí)追蹤領(lǐng)域中，AUC被普遍選為評(píng)價(jià)指標(biāo)，若AUC的值為0.5，說(shuō)明模型是隨機(jī)預(yù)測(cè)模型；AUC的值越大，說(shuō)明模型預(yù)測(cè)性能越好。文章選擇DKT、DKVMN、DKT-F以及LFKT作為對(duì)比模型，驗(yàn)證AMKT模型的性能。實(shí)驗(yàn)結(jié)果如表2所示，表中“—”表示無(wú)法獲取模型在數(shù)據(jù)集下的實(shí)驗(yàn)結(jié)果。

從實(shí)驗(yàn)結(jié)果可以看出，AMKT模型在四個(gè)數(shù)據(jù)集上的AUC、ACC值均超過(guò)了其他模型，AUC值分別達(dá)到了0.816，0.784，0.831，0.844，驗(yàn)證了AMKT的有效性。

在英語(yǔ)課程教學(xué)中選出2個(gè)班的學(xué)生，班級(jí)1作為對(duì)照組，正常開(kāi)展教學(xué)活動(dòng)；班級(jí)2作為實(shí)驗(yàn)組，使用AMKT模型輔助開(kāi)展教學(xué)活動(dòng)。統(tǒng)計(jì)每位學(xué)生的最終作業(yè)或測(cè)驗(yàn)的完成情況，若某生的作業(yè)或測(cè)驗(yàn)成績(jī)達(dá)到或超過(guò)“良好”，則認(rèn)為該生已經(jīng)掌握了相關(guān)概念，否則認(rèn)為該生未掌握相關(guān)概念。表3展示了兩個(gè)班的掌握率情況。

從實(shí)驗(yàn)結(jié)果可以看出，兩個(gè)班的初始掌握率差別不大，但班級(jí)2使用AMKT模型輔助教學(xué)后其最終掌握率要高于班級(jí)1。這表明知識(shí)追蹤模型衡量學(xué)生知識(shí)狀態(tài)，為智慧教育模式提供支撐是有效的。

4 結(jié)論

隨著科學(xué)技術(shù)的不斷發(fā)展，信息、知識(shí)大爆炸時(shí)代已經(jīng)來(lái)臨，教育信息化是未來(lái)教育發(fā)展的趨勢(shì)之一。雖然教育信息化能夠在一定程度上緩解傳統(tǒng)教育模式存在的限制，但教育信息化自身也存在諸多缺陷，例如老師精力有限，難以為每個(gè)學(xué)生提供細(xì)粒度的教育服務(wù)；教育資源豐富多樣，學(xué)生難以快速選擇適合自己的教育資源等。智慧教育模式是解決這些問(wèn)題的選擇之一，在智慧教育中，知識(shí)追蹤為細(xì)粒度教育服務(wù)提供知識(shí)狀態(tài)的支撐。文章提出了基于注意力機(jī)制的知識(shí)追蹤模型（AMKT），對(duì)學(xué)習(xí)和遺忘行為進(jìn)行建模。在四個(gè)真實(shí)數(shù)據(jù)集上和多個(gè)知識(shí)追蹤模型進(jìn)行了性能對(duì)比實(shí)驗(yàn)，并將AMKT應(yīng)用于英語(yǔ)課程輔助教學(xué)中。結(jié)果表明， AMKT模型在性能上要優(yōu)于其他模型，且知識(shí)追蹤模型衡量學(xué)生知識(shí)狀態(tài)，為智慧教育模式提供支撐是有效的。

參考文獻(xiàn)：

[1] Bakhshinategh B，Zaiane O R，Elatia S，et al.Educational data mining applications and tasks： a survey of the last 10 years[J].Education and Information Technologies，2018（23）：537-553.

[2] 曾凡智，許露倩，周燕，等.面向智慧教育的知識(shí)追蹤模型研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2022，16（8）：1742-1763.

[3] 盧宇，王德亮，章志，等.智能導(dǎo)學(xué)系統(tǒng)中的知識(shí)追蹤建模綜述[J].現(xiàn)代教育技術(shù)，2021，31（11）：87-95.

[4] 梁琨，任依夢(mèng)，尚余虎，等.深度學(xué)習(xí)驅(qū)動(dòng)的知識(shí)追蹤研究進(jìn)展綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（21）：41-58.

[5] Corbett A T，Anderson J R.Knowledge tracing： Modeling the acquisition of procedural knowledge[J].User modeling and user-adapted interaction，1994，4（4）：253-278.

[6] Piech C， Spencer J， Huang J， et al. Deep Knowledge Tracing[J]. Computer Science， 2015，3（3）：19-23.

[7] Zhang J，Shi X，King I， Yeung， D. Y.Dynamic key-value memory networks for knowledge tracing[C].Proceedings of the 26th international conference on World Wide Web，2017：765-774.

[8] Nagatani K，Zhang Q，Sato M，et al.Augmenting knowledge tracing by considering forgetting behavior[C].The world wide web conference，2019：3101-3107.

[9] 李曉光，魏思齊，張昕，等.LFKT： 學(xué)習(xí)與遺忘融合的深度知識(shí)追蹤模型[J].軟件學(xué)報(bào)， 2021，32（3）：818-830.

[10] Vaswani A，Shazeer N，Parmar N，et al.Attention is all you need [C].Proceedings of the 31st International Conference on Neural Information Processing Systems，2017：6000-6010.

【通聯(lián)編輯：王力】