大數據發現共性錯題，知識圖譜量身定製學習(xi) 計劃，機器學習(xi) 實現快速閱卷……

　　學情數據實時追蹤、語文作文自動批改、形成學生個(ge) 體(ti) 學習(xi) 成長報告……2020年中國國際服務貿易交易會(hui) （以下簡稱服貿會(hui) ）將於(yu) 9月中旬召開，屆時一批“智慧教育”產(chan) 品將在教育服務專(zhuan) 題展區亮相，家長們(men) 可以帶著孩子全方位地體(ti) 驗智能學習(xi) 。

　　在開學季和服貿會(hui) 來臨(lin) 之際，科技日報記者走訪了一批“智慧教育”領域的創新企業(ye) ，看一看“智慧教育”真正的模樣，以及它給傳(chuan) 統教學方式帶來的改變。

　　備課 大數據篩選共性問題，進行針對性教學

　　受新冠肺炎疫情影響，今年上半年大中小學的教學活動改為(wei) 線上進行。很多網課平台采取大班直播授課，如何保障教育質量，提升教學效率，同學生實現高效互動？

　　“主講老師在準備講義(yi) 和教案，製作課件時，通過知識框架確定重難點，對題目進行分類及分析，並依托國內(nei) 百億(yi) 級K-12學習(xi) 行為(wei) 數據庫‘從(cong) 題海中選出一道題’，實現輔導效率最大化。”猿輔導在線教育公共事務部副總裁任子歆介紹說。

　　比如，在講解平麵向量的應用時，老師首先在題庫4642道向量題目中選出高考真題1778道，根據所要講解的知識背景和邏輯精選出198道重點題目，再通過大數據篩選出學生易錯的痛點題目18道，最終教研老師與(yu) 主講老師共同探討，針對學生整體(ti) 水平選出一道在題庫中被作答35958次，正確率僅(jin) 為(wei) 35.91%的題目。

　　科大訊飛相關(guan) 負責人表示，對於(yu) 老師而言，采集數據後的核心工作還是要應用這些數據來進行針對性教學。比如一次學科周測後，自動生成考試分析報告。報告幫助老師預設了講評順序，錯誤率較高的題目優(you) 先排在前麵，老師可以集中講解典型題，解決(jue) 班級的共性問題。在講解的過程中，還能對標注的優(you) 秀試卷展示講解，也可以調取典型錯誤答案展開分層或分組討論教學，請對應學生講一講答題思路，共同找到錯因。

　　為(wei) 了讓學生更好地掌握知識點，還需要及時開展舉(ju) 一反三的變式練習(xi) ，係統針對每道試題自動推薦一批拓展試題，解決(jue) 傳(chuan) 統講評課就題講題、有講無練的問題。這樣原本一張卷子總共17道題，老師要講1—2個(ge) 課時，現在隻要20分鍾即能完成講解。

　　授課 知識圖譜分析學習(xi) 情況，定製個(ge) 人學習(xi) 計劃

　　有專(zhuan) 家表示，目前對於(yu) 課堂的學習(xi) 反饋，人工智能能夠通過大數據了解學生對知識的掌握情況，從(cong) 而根據其不同的特點進行定向輔導，推進精準教育。

　　科大訊飛相關(guan) 負責人表示：“當學生學習(xi) 到一個(ge) 階段，比如完成一個(ge) 章節的學習(xi) 之後，人工智能能夠通過知識圖譜動態分析學生的學習(xi) 情況，快速測試找到其弱項，係統為(wei) 每個(ge) 學生規劃最佳學習(xi) 路徑，量身定製學習(xi) 計劃，實現精準鞏固提升。”

　　具體(ti) 而言，係統會(hui) 自動判斷學生需要掌握的知識點數量，並且把知識點之間的關(guan) 聯也列出來，學生隻需作答幾道題目就能基本判斷學習(xi) 盲區。學生答題完畢，係統可以立刻指出學習(xi) 中的薄弱問題（以紅、黃、綠圓點為(wei) 標識）。比如紅色的位置，表示以前隻是關(guan) 注一個(ge) 學習(xi) 環節，如果前驅知識點沒有解決(jue) ，這個(ge) 知識點做再多練習(xi) 都達不到理想效果。現在係統會(hui) 指出學生第一步應該學習(xi) 的知識點。針對這個(ge) 知識點，學習(xi) 係統會(hui) 智能推送相關(guan) 課程，並直接精準定位到其應該學習(xi) 的片段，兩(liang) 三分鍾就能針對性解決(jue) 問題。學生學完之後，還可以通過變式練習(xi) 及時檢測學習(xi) 效果，再次查看知識圖譜，會(hui) 發現知識點變成綠色，個(ge) 性化問題得以攻破。

　　目前，在“智慧教育”中，基於(yu) 人工智能技術，可以做到課堂全場景伴隨式對學生學習(xi) 狀態的數據進行采集，並且挖掘數據價(jia) 值，幫助老師精準教學，個(ge) 性化“因材施教”。

　　科大訊飛相關(guan) 負責人表示，這些都離不開科研人員研發的學生認知診斷和個(ge) 性化推薦係統，該係統首先深度挖掘學生做題的曆史大數據，對學生認知狀態進行精準診斷，進而針對學生的薄弱項、結合多種教學和學習(xi) 目標，對學生進行個(ge) 性化題目推薦。

　　由此，基於(yu) 對學生作業(ye) 數據的采集生成的個(ge) 性化作業(ye) 報告，係統可以分析學生各維度能力狀態和變化、形成個(ge) 人能力畫像，並且針對性進行個(ge) 性化推薦。此外，係統將根據每位學生錯題不同，推送不同題量、以及不同難度的個(ge) 性化作業(ye) ，個(ge) 性化問題及時解決(jue) 。

　　“采用自適應推薦技術，能夠基於(yu) 對學生知識狀態的精準診斷，實現教育資源和學生之間的智能匹配，從(cong) 而能夠推薦更加適合學生的個(ge) 性化學習(xi) 路徑。”科大訊飛相關(guan) 負責人強調。

　　閱卷 機器學習(xi) 建立模型，全麵掌握評分標準

　　閱卷，是老師教學工作中非常重要的一環，也是耗時費力的一環。如果人工智能能夠替代或輔助老師對考試和作業(ye) 評分，將極大減輕老師負擔，為(wei) 教師減負與(yu) 診斷學生學習(xi) 情況提供有力的工具。

　　在大規模考試的智能閱卷中，評分的主要需求點是準確、高效，麵向課堂作業(ye) 和考試的評分等，則需要“有營養(yang) ”的點評和批改反饋，特別是對語文作文的批閱。有專(zhuan) 家指出，傳(chuan) 統方法利用自然語言處理淺層分析的結果構建特征，如文章的長度、段落數、詞匯豐(feng) 富性等。但不難發現，這些特征與(yu) 人評價(jia) 作文時考察的維度和深度相距較遠。以高考作文評分規範為(wei) 例，評判標準除了考察其題意、內(nei) 容、語言、文體(ti) 等基礎等級，還要考察其深刻、豐(feng) 富、文采、創意等發展等級，這為(wei) 機器評分帶來相當大的難度。

　　針對上述問題，哈工大訊飛聯合實驗室相關(guan) 負責人介紹，可以利用機器學習(xi) 算法根據少量人工評分的樣本學習(xi) 一個(ge) 預測模型，其中的關(guan) 鍵是構建和利用有效的特征來描述作文、指示作文的質量。這套係統除了使用常用的淺層表征外，也針對諸如文本通順、文采、立意分析、篇章結構等難度較高的維度進行探索。例如，對語法錯誤的診斷，是以預訓練語言模型為(wei) 基礎，結合少量標注數據和大規模自動構建的偽(wei) 數據，進行錯別字、語法以及標點、成語等多類型錯誤識別。

　　對於(yu) 文科主觀題評分，係統首先通過版麵和圖文識別獲得題目和學生作答內(nei) 容，而後利用智能定標篩選具有代表性的學生作文進行專(zhuan) 家定標評分並學習(xi) 評分模型，最後，對機評結果進行匯總和分析。為(wei) 了提高定標數據標注的效率和效果，研究人員提出“專(zhuan) 家隨機抽取+智能挑選樣卷+聚類分段補充”的定標集選取方法，提升了評分模型對於(yu) 各分數段的建模能力，符合高考等考試環境下考生成績呈正態分布的特點，拓展了對專(zhuan) 家評分和閱卷教師評分的綜合學習(xi) 能力，使得計算機智能輔助評分係統能夠通過有限的定標數據，更加全麵地理解和掌握評分標準。目前，該係統每年服務考生超過600萬(wan) 。