基于深度学习的个性化教育测量综述

来源:用户上传      作者:

　　摘 要：随着人工智能时代信息的爆炸式增长，教育测量的发展也倾向于对学习者个体信息的个性化测量，而教育数据庞大的量、复杂的结构以及极快的增速使得传统测量方法束手无策。教育测量方法应当适应时代发展，在相应的技术支持下实现对学习者个体的个性化教育测量。深度学习技术具有优秀的数据分类处理能力，这在教育测量领域将发挥极大作用。基于深度学习技术特点，综合分析传统测量方法的局限以及基于深度学习技术的教育测量应用优势与不足，完成深度学习技术在教育测量领域的应用综述，并给出深度学习促进教育测量个性化发展的建议。
　　关键词：人工智能;个性化教育;深度学习;教育测量
　　DOI：10. 11907/rjdk. 192633
　　中图分类号：TP306   文献标识码：A                 文章编号：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
　　在教育行業不断发展的今天，研究者们希望利用数据分析技术实现“个性化”以达到优化教学质量的目的。实现“个性化”首先需要教育者对学习者的先验数据有一个系统的教育测量，而当前能够基于数据以实现个性化为目的的教育测量基本上可以总结为两种方法。一种是基于协同过滤技术的教育测量方法，一个基本假设就是具有相似喜好的用户对于同一个项目会给出相似的评分[1]。利用相似性度量寻找与当前用户兴趣偏好相似的近邻用户集合，然后利用最近邻法加权考虑近邻用户的兴趣偏好值，并预测当前用户可能感兴趣的项目[2]。另一种是基于认知诊断的教育测量方法，它通过对学习者能力建模，能够测量学习者知识点掌握程度。但是，教育系统作为一个复杂适应系统，所产生的教育数据因增速越来越快、体量越来越大、结构越来越复杂正在逐步向教育大数据发生转变。在这样的数据环境下，传统教学中教育者个体难以捕获所有学习者的感知和行为数据，因此，其决策多由主观经验驱使[3]。教育者对于学习者行为数据、心理感受以及当前知识建构程度的测量呈明显“有心无力”态势。人类教育者对于学习者感知和行为数据的测量短板从源头上导致了教育测量结果的偏差。 　　这种数据的感知和捕获可以外包给机器，利用机器的感知智能为教育者决策提供数据支持，进而让通常处于模糊形式的教育、心理和社会知识以更为具体和明确的方式呈现出来[3]。2017年3月，在十二届全国人大五次会议的政府工作报告中，人工智能”首次被写入政府工作报告[4];2018年1月，2018人工智能标准化论坛发布了《人工智能标准化白皮书（2018版）》。这表明从国家顶层设计上，人工智能已经作为一项基础技术，逐步渗透至各行各业，并助力传统行业实现跨越式升级，提升行业效率[5]。其中针对个性化教育测量问题，深度学习可以处理大量多维度信息，可实现实时观测学习者课堂表情[6]等教育数据，为教育者完善教育评价提供量化依据。
　　综上，为了认清深度学习对教育测量的积极作用，助力个性化教育实现，本文将通过文献分析法厘清深度学习的数据处理原理，剖析传统教育测量方法暴露出的不足，从而挖掘出深度学习具体能够在哪些方面为教育测量提供技术支持。从这3个方面，可以对深度学习与教育测量相结合进行研究，分析当前深度学习应用于教育测量的问题与局限，从而就深度学习促进教育测量个性化发展给出建议。
　　1 核心概念界定与分析
　　1.1 深度学习
　　1.1.1 深度学习定义
　　研究者对深度学的定义理解有几个不同的出发点。陈德鑫等[7]认为深度学习具备拟合任何复杂函数的特点，不同的神经网络模型可以对不同类型的数据进行特征提取，使得深度学习神经网络对输入数据有更强的识别能力;王书培[8]认为深度学习的概念源于人工神经网络研究，其通过组合低层属性形成更加抽象的高层特征，以发现数据的分布式特征表示。
　　本文认为从深度学习技术的应用目的出发，抓住其相对于传统数据计算与分类技术的独有特征，以提高人们对深度学习概念理解的针对性。本文认为，深度学习是一种深层的机器学习模型，其深度体现在对特征的多次变换上，常用的深度学习模型为多层神经网络，神经网络的每一层都对输入进行非线性映射，通过多层非线性映射的堆叠，可以在深层神经网络中计算出非常抽象的特征来帮助分类[9]。
　　“深度”是相对于传统数据分类技术的“浅层变换”而存在，其通过增加模型层次数量为多次数据特征的变换提供环境支持，从而为实现数据自动分类提供可能性。“非线性映射”体现在数据特征的变换上，传统数据分类技术多为单层线性变换，特征分类依赖于上游处理提供的特征，其工作难度极大且结果精确度不足，而深度学习在深层次神经网络中采用“非线性映射”特征实现数据特征变换，使得数据的分类特征能自动达到十分抽象的程度。
　　因此，深度学习相较于以往的数据分类技术在数据分类能力上更进一步，它通过多层网络结构上的多次非线性映射便能够实现数据特征的自动化分类，极大提高了分类精确程度，优化了数据分类技术。在大数据时代，教育系统作为一个复杂适应系统会产生体量极大且具有非线性内部结构的教育大数据，深度学习超越传统技术，能够多维度、高精度、自动化地支持教育数据的分析计算，完成人类教育者无法完成的教育数据测量工作。
　　1.1.2 深度学习发展进程
　　深度学习的基础是人工神经网络，其发展经历了3次大的起伏。
　　20世纪40～50年代，人工神经网络开始萌芽，历史上将其称为第一次低谷時期。20世纪80年代是神经网络研究的第二次发展高潮，期间诞生的反向传播 （Back-Propagation，BP） 算法被应用于训练神经网络，解决了多层感知器无法训练的问题，从而使神经网络具有了非线性表示能力[10]，以BP算法训练的多层感知器 （Multi-Layer Perceptron，MLP）成为最成功的神经网络模型[11]。从此，对于数据的非线性表示能力成为深度学习不可或缺的一大特征。但是，当时人工神经网络的两个致命缺陷使其快速跌入发展低谷。第一个问题是算法本身，虽然在BP算法训练下，多层神经网络的非线性表示能力导致参数解空间中存在大量局部极值，使用梯度下降法进行训练很容易产生局部极小值，导致多层感知器在很多问题上推广能力较差[11];第二个问题与当时有限的硬件条件限制密切相关，但在理论上，神经网络设置大量的层数以提高非线性表示能力，导致多层神经网络训练速度会因为层数的增加使得函数参数的调整时间很长。
　　直到2006年，在Hinton等研究人员的努力下，深度置信网络 （Deep Belief Network，DBN） 诞生并将神经网络重新带进人们的视野，之后几年中，深度神经网络发展迅速，随后人们将其称为“深度学习”。深度学习的这一大发展被人们称作人工智能的第3次热潮。目前，随着网络数据量的剧增，深度学习获得了前所未有的发展环境，使得各行各业都纷纷加入了“人工智能+”的研究热潮。
　　1.2 教育测量
　　1.2.1 教育测量定义
　　教育界关于教育测量与评价的定义为：在系统、科学、全面地搜集、整理、处理和分析教育信息的基础上，对教育的价值作出判断的过程，目的在于促进教育改革，提高教育质量[12]。布鲁姆[13]认为评价是一种反馈—矫正系统，及时反馈教育信息，便于调整和作出更好的教育决策。而“系统、科学、全面地搜集、整理、处理和分析教育信息”即教育测量。因此，教育测量是指依据一定的法则（标准）用数值描述教育领域内事物的属性，是事实判断的过程[14]。因此，本文认为教育测量是通过量化手段，将教育相关事物以数的形式展现出来，为教育价值的判断提供事实依据[15]。但是，当前教育数据从体量大小、结构复杂程度、变化增速等方面分析，已经不允许教育者花费大量成本从学习者个别实际情况出发去实施教育测评，这揭示了人类教育者在教育测评上的局限。
　　1.2.2 传统教育测评方法的不足
　　传统教育测量方法存在的不足给教育测评的实践与发展带来巨大阻碍，本文将从以下两个方面论述传统教育测评方法的不足。 　　（1）传统教育测量方法精度不足。教育测量的精确程度对于教育测评的重要性不言而喻，而传统教育测量方法存在以下局限：首先，传统教育测量对数据的分类维度不够完善，无法尽可能完整地描述学习者在学习各方面的建构情况;其次，传统教育测量各维度的数据分类处理不够准确;最后，传统教育测量的数据测量与处理速度无法和教育数据的增速相匹配。需要能够适应当前教育数据增速的数据处理技术，以保证教育测量时效性，降低由于数据过时而导致的教育测评误差。
　　（2）传统教育测评缺乏以学习者为中心的教学环境。传统课堂推崇教育者的单一讲授，以教育者的“教”为中心，以教材为不可撼动的知识权威，学习者处于被动状态，缺乏教学数据的输出，使得教育测量难以实施。而以学习者为中心的教学环境具有能够激发学习者主动性的特点，在这样的教育环境中，学习者通过自主探索建构知识图式，为自身全面发展打下基础。在以学习者为中心的教育环境中，学习者拥有更多展现自己的机会，这无疑使得教育测量的数据来源更加完整。
　　2 深度学习对教育测评的促进作用
　　2.1 深度学习助力教育数据分类维度抽象化
　　深度学习能为教育测評提供强大的技术支持。首先，这一强大助力主要体现在教育数据测量维度上，输入数据能够在深度学习的多层模型中进行多次非线性映射，从而同时完成教育测评对教育者对维度的要求。深度学习模型每一层上的非线性映射为抽象化数据特征分类维度提供了技术可能，加之深度学习设定的多层次模型结构，使得数据特征的分类维度达到人类教育者无法完成的抽象程度。
　　2.2 深度学习强化教育数据测量与处理速度
　　教育数据不仅结构复杂，其数据增速也在教育数据的测量与处理上给教育者带来了巨大压力。计算机技术从发明之初就以其强大的数据计算能力与人类拉开差距，而到了大数据时代，这一优势更加明显。因此，深度学习在以其强大的数据维度抽象能力完成教育数据维度测量任务的同时，在数据处理速度与计算精度上也具有突出优势，能够提高教育数据分析处理速度，并以其超强的计算能力完成数据计算的准确测量。
　　2.3 深度学习促进教育数据测量与处理向智能化发展
　　深度学习能够通过其自动化数据分析处理能力促进教育测评智能化。传统数据处理技术依赖于大量的数据上游处理，教育者在教育数据处理方面的参与度很高，使得大部分重复性、抽象程度很高的工作占用了教育者大量的时间与精力，并且教育者在进行大量的教育数据处理工作时，受精神状态、情绪等主观因素的影响可能产生不必要的误差。而深度学习支持下的教育测量能够通过多层模型上的非线性映射自动标记数据特征，避免了大量的人工处理，使得教育测量走向智能化道路，极大地减轻了教育者的教辅工作上压力。
　　3 当前研究局限与问题
　　3.1 数据量不足
　　数据获取在量上的要求受到多方面限制，因而大大影响了测量精度。大部分行为测量要求即时性，师生在课堂上相互的“动态适应”效率很低，导致教育实践缺乏方向，这部分数据发生时间短、变化速度快、测量难度很大。同时，一部分数据需要长时间记录以综合分析学习者学习状态，数据获取在时间上的持续性会极大提高数据获取难度。
　　3.2 数据类型不足
　　深度学习能够实现数据非线性映射以抽象化数据分类，但是这样的算法机制要求获取的数据类型丰富，数据测量维度相对单一会导致测量结果出现偏差甚至失误，影响教育评价结果。因此，教育大数据获取维度是目前有待解决的一大难题。
　　3.3 学习者隐私难以保护
　　在获取实际测量数据时，为了数据的完整性，操作者往往难以把控数据搜集程度与范围的度，可能会造成对学习者学习生活的隐私侵犯。学习者在生活、学习中的一些行为表现的确或多或少能够反映出对其学习效果的影响，但是实时监控这一过程可能并不能将这一“影响”往积极面引导。学习者在被监控状态下的行为会与真实的内在建构状态断链，甚至产生抵触。因此，通过实时监控学习者行为为教育测量提供数据来源的方法存在南辕北辙的风险。
　　3.4 不能进一步代替教育者实施教育评价
　　人类教育者虽然在数据测量上存在桎梏，但在教育评价方面具有教育认知的优势，可以更全面地对学习者的问题进行综合分析和诊断，并从教育、心理、人的全面发展角度提出更具指导性的建议[6]。因此，教育评价不可能被机器取代，教育者仍然是教育评价的关键。
　　4 发展建议
　　综上，教育数据处理在精度、速度、维度等方面的局限对学习者个体的具体诊断造成了极大阻碍，而深度学习支持下的教育测量是一种能够在数据处理方面改革传统测量的智能化教育测量新方法，能够为实现个性化教育打下教育数据测量、分析的基础。因此，本文通过深入分析深度学习在教育测量上的局限性，为利用深度学习促进教育测量提出两方面建议。
　　4.1 深度学习可通过优化教育测量促进个性化教学发展
　　以深度学习为核心驱动力的智能化教育测量能够全方位捕获表征学习者特征的情感、身体状态、行为以及学习过程性数据，并借助相关模型（如学习者模型、教学模型等）转换成描述学习者在各状态上的得分，然后整合成报告形式呈现给教育者[6]，以人机协同模式共同促进学习者进行更加有意义的学习。
　　因此，教育者可以通过深度学习优化教育测量，用以获取学习者在完整学习过程中的各项教育数据。教育者能够从中分析出学习者在堂课上的专注力、平时学习习惯等影响学习者知识建构的相关数据，以及随着课堂教学进行而发生的数据变化，以此更加精确、合理、即时地获取学习者对课堂的真实反馈数据。加之，学习者的个体数据近乎完整地得到分析，从而实现了学习者的个性化诊断，为个性化教育奠定了良好基础。因此，教育者可以根据反馈数据更加精确地实施个性化教学。
　　4.2 深度学习可通过优化教育测量促进智能化课堂即时反馈 　　“从师生直接交流的情形中可以看出，真实的因材施教其实并不是所预想的精确诊断和强针对性的干预，而是师生相互动态适应的过程[16]”。教学技能成熟的教育者在与学习者接触之初，就已经开始通过使用问题抛出、概念描述等引发学习者思考、交流的教学方法与策略来获取学习者的先前经验，这是一个不断试错的过程，而且遗憾的是目前并没有发现存在一个能维持长时间固定不变的规则来规范对于学习者先验的获取方式。教育者在通过“动态交互”获取学习者先验方面存在一定的效率问题，这对个性化诊断造成了极大阻碍。
　　因此，更加需要利用深度学习技术为教育者对学习个体的认知诊断提供帮助，促进教育测量效率的提升。深度学习在数据处理速度、维度方面的突出优势，对于实现课堂反馈的即时性非常重要，它不仅能够补足教育者的短板，而且能够以机器的自动化优势，应用智能化教育测量精确诊断不同学习个体的具体认知状态，减轻大部分教育者的负担。
　　综上可以看出，能够测量师生之间的“动态适应”是改进教育测量的关键，通过深度学习的加持，实现课堂反馈的智能化，为即时性的个性化诊断提供可能性，这一优势也无疑为教育测量发展以及深度学习等相关人工智能技术在教育测量方面的应用研究指明了方向。
　　5 结语
　　传统教育测量方法面对庞大的数据量暴露出多项短板，在实现教育测量个性化上也未能作出突出贡献。而深度学习能够避免大量的上游处理工作，实现将庞大且结构复杂的教育数据通过多个节点输入，经过多层非线性映射极度抽象化分类维度并提高数据处理精度，从而实现数据自动分类处理，其相较于传统计算机分类技术所体现出来的优势，显然能够在体量越来越大、结构越来越复杂的教育数据分析中大有作为。
　　參考文献：
　　[1]李艳萍，于丽梅，刘国丽，等. 协同过滤算法的改进研究[J]. 电脑知识与技术，2015，11（7）：261-263.
　　[2]夏培勇. 个性化推荐技术中的协同过滤算法研究[D]. 青岛：中国海洋大学，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]赵地. 发展智能医疗新纪元[J]. 中国数字医学，2019，14（3）：2.
　　[5]张仕民，雷泽宇，刘意，等. 基于AI的无人机电网智能巡检方案研析[J]. 四川电力技术，2019，42（3）：90-94.
　　[6]余胜泉，王琦. “AI+教师”的协作路径发展分析[J]. 电化教育研究，2019，40（4）：14-22，29.
　　[7]陈德鑫，占袁圆，杨兵. 深度学习技术在教育大数据挖掘领域的应用分析[J]. 电化教育研究，2019，40（2）：68-76.
　　[8]王书培. 基于深度学习的中文词法分析模型算法研究[D]. 杭州：浙江理工大学，2019.
　　[9]高明旭，李靖，朱绪平，等. 深度学习方法研究综述[J]. 中国科技信息，2019（10）：56-57.
　　[10]曹植珺. 机器学习在船舶流体力学中的应用综述[C]. 武汉地区船舶与海洋工程研究生学术论坛，2019.
　　[11]胡越，罗东阳，花奎，等. 关于深度学习的综述与讨论[J]. 智能系统学报，2019，14（1）：1-19.
　　[12]田莹. 两岸小学教育质量评价政策的比较研究[D]. 广州：广州大学，2016.
　　[13]徐千慧. 真实性评价在创客教育中的应用研究[D]. 深圳：深圳大学，2018.
　　[14]辛涛，李雪燕. 教育评价理论与实践的新进展[J]. 清华大学教育研究，2005（6）：38-43.
　　[15]李霖. 幼儿园幼儿创意手工制作评价标准研究[D]. 上海：上海师范大学，2019.
　　[16]杨开城. 教育何以是大数据的[J]. 电化教育研究，2019，40（2）：5-11.
　　（责任编辑：孙 娟）
　　收稿日期：2019-11-20
　　作者简介：张皓彦（1993-），男，渤海大学教育科学学院硕士研究生，研究方向为人工智能辅助教育;马玉慧（1974-），女，博士，渤海大学教育科学学院副教授、硕士生导师，研究方向为信息化教育、人工智能及其教育应用。
转载注明来源:https://www.xzbu.com/8/view-15217227.htm