人工智能正在努力成为一名好老师

大数据发现常见错误，知识映射定制学习计划，机器学习实现快速标记.

学术数据实时跟踪、中文作文自动批改、学生个人学习成长报告的形成……2020中国国际服务贸易博览会(以下简称服务贸易博览会)将于9月中旬举行，届时一批“智能教育”产品将在教育服务专业展区展出，家长可以带着孩子全方位体验智能学习。

在开放日和交易会之际，《科技日报》记者走访了一批“智慧教育”领域的创新企业，了解“智慧教育”的真实面貌及其给传统教学方法带来的变化。

为大数据筛选常见问题备课，开展有针对性的教学

受新冠肺炎肺炎疫情影响，今年上半年小学、初中和小学的教学活动改为网上教学。许多在线课程都是在大班授课。如何保证教育质量，提高教学效率，实现与学生的高效互动？

“在准备讲稿和教案以及制作课件时，讲师通过知识框架确定重点和难点，对题目进行分类和分析，并依靠国内数百亿的K-12学习行为数据库‘从问题的海洋中选择问题’来实现辅导。最大限度地提高效率。”猿类咨询网上教育公共事务部副总裁任说。

例如，在讲解平面向量的应用时，老师首先从题库中的4642道向量题中选取了1778道高考真实题，根据要讲解的知识背景和逻辑选取了198道关键题，然后通过大数据筛选出学生容易出错的18个痛点。最后，教研老师与讲师进行了讨论，根据学生的整体水平，选择了一个在题库中被回答了35958次的问题，正确率仅为35.91%。

IFlytek的相关负责人表示，对于教师来说，收集数据后的核心工作是将这些数据应用到有针对性的教学中。例如，在每周受试者测试后，会自动生成检查分析报告。报告帮助老师预设评论的顺序，错误率高的题目优先。教师可以集中精力讲解典型问题，解决课堂上的常见问题。在讲解过程中，你还可以展示和讲解标有优秀的试卷，也可以将典型的错误答案进行转移，进行分层或分组讨论教学。请告诉学生关于答案的想法，并一起找出错误的原因。

为了让学生更好地掌握知识点，有必要及时进行类比变式练习，系统会自动为每个试题推荐一批扩展试题，从而解决传统讲课和评课的问题。这样，一篇论文原本有17个问题，老师不得不讲1-2个课时。现在只需要20分钟就可以完成解释。

教学知识地图分析学习情况，定制个人学习计划

有专家表示，目前，对于课堂学习反馈，人工智能可以通过大数据了解学生对知识的掌握情况，从而根据他们的不同特点给予定向指导，促进精准教育。

科达讯飞的相关负责人表示：“当学生学习一个阶段，比如完成一章的学习，人工智能可以通过知识地图动态分析学生的学习情况，快速测试并发现他们的弱点，系统为每个学生规划出最佳方案。学习路径，量身定制的学习计划，实现准确的巩固和提高。"

具体来说，系统会自动判断学生需要掌握的知识点的数量，并列出知识点之间的关系，这样学生只需回答几个问题就可以基本判断出学习的盲区。学生回答问题后，系统可以立即指出学习中的薄弱问题(用红、黄、绿三个点标出)。例如，红色位置表示以前只关注一个学习链接。如果前兆知识点不解决，这个知识点的实践就不会达到理想的效果。现在系统将指出学生在第一步应该学习的知识点。鉴于这一知识点，学习系统将智能地推送相关课程，并直接准确地定位应该学习的环节，从而在两三分钟内解决问题。学生完成学习后，还可以通过各种练习及时检查学习效果，再次查看知识地图，会发现知识点变绿，个性化的问题可以被打破。

目前，在“智慧教育”中，基于人工智能技术，可以在整个课堂场景中收集学生学习状态的数据，挖掘数据的价值，帮助教师进行准确、个性化的教学。

据iflytek相关负责人介绍，这些都离不开科研人员开发的学生认知诊断和个性化推荐系统。该系统首先深入挖掘学生问题的历史大数据，准确诊断学生的认知状态，然后根据学生的弱点和各种教学目标推荐个性化的问题。

因此，基于收集学生作业数据生成的个性化作业报告，系统可以全方位分析学生的能力状况和变化，形成个人能力画像，并做出个性化推荐。此外，系统会根据每个学生不同的错题，推出不同题量、不同难度的个性化作业，及时解决个性化问题。

“利用自适应推荐技术，我们可以在准确诊断学生知识状况的基础上，实现教育资源与学生之间的智能匹配，从而推荐更适合学生的个性化学习路径。”负责iflytek的相关人士强调。

打标机学习建立模型，充分掌握评分标准

阅卷是教师教学工作中非常重要的一部分，也是一项费时费力的工作。如果人工智能能够替代或辅助教师对考试和作业进行评分，将会大大减轻教师的负担，并为教师减轻负担和诊断学生的学习状况提供有力的工具。

在大型考试的智能阅卷中，评分的主要要求是准确性和高效性，主要针对课堂作业和考试的评分等。它需要“有营养”的评语和纠正反馈，尤其是中文作文的批改。一些专家指出，传统方法利用自然语言处理的浅层分析结果来构建特征，如文章的长度、段落的数量、词汇的丰富程度等。然而，不难发现这些特征与人们评价作文时所考察的维度和深度相去甚远。以高考作文评分标准为例，评价标准不仅要考察作文的意义、内容、语言和风格等基本等级，还要考察作文的深度、丰富度、文采和创造力等发展等级，这给机器评分带来了相当大的难度。

针对上述问题，哈尔滨工业大学讯飞联合实验室相关负责人介绍说，机器学习算法可以用来学习基于少量人工评分样本的预测模型，关键是构造和利用有效特征来描述作文和指示作文质量。该系统不仅使用了常用的浅层表征，还探索了文本流畅性、文采、概念分析和文本结构等难点维度。例如，语法错误的诊断是基于预训练语言模型，结合少量的标记数据和大规模的自动伪数据，来识别错别字、语法、标点、习语和其他类型的错误。

对于文科主观试题的评分，系统首先通过布局和图形识别获取试题和学生答案，然后利用智能标定筛选出有代表性的学生作文进行专家标定，学习评分模型。最后，对机器评价的结果进行了总结和分析。为了提高评卷数据的效率和效果，研究者提出了“专家随机选择、智能选择样本试卷进行聚类、分段补充”的评卷集选择方法，提高了评分模型对每个分数段的建模能力，符合高考等考试环境中考生分数正态分布的特点，扩展了专家评分和评卷教师评分的综合学习能力，使计算机辅助评分系统能够通过有限的评卷数据更全面地理解和掌握评分标准。目前，该系统每年为600多万名候选人服务。(记者华玲)