基于人工智能的学生互动式在线学习方法研究.pdf

信息技术XINXIJISHU2023年第10 期基于人工智能的学生互动式在线学习方法研究李停（陕西中医药大学，陕西咸阳7 12 0 4 6）摘要：针对传统在线学习方法受到海量相似数据干扰，导致学生学习效率较低的问题,提出了基于人工智能的学生互动式在线学习方法研究。设计人工智能总体框架，研究通用化基本交互前端模块和后台模块。确定学生服务对象，从数据库中选择适用于数据挖掘的数据；通过数据预处理、数据转换、数据聚类、互动数据，保证相似数据全部收敛，避免学习行为建模挖掘中存在相似数据，完成人工智能学习模块设计。实验结果表明，该学习方法在无干扰数据和大量干扰数据环境下，具有90%以上的学习效率，为培养高素质学生提供了技术支持。关键词：人工智能；学生互动式；在线学习；数据驱动；数据聚类中图分类号：TP391；G 4 3 4D0I:10.13274/ki.hdzj.2023.10.018Research on student interactive online learning method based on Artificial IntelligenceLI Ting(Shaanxi University of Chinese Medicine,Xianyang 712046,Shaanxi Province,China)Abstract:To improve the low learning efficiency of students due to the interference of massive similar datain traditional online learning methods,a student interactive online learning method based on artificial intel-ligence is proposed.The overall framework of artificial intelligence is designed to study the general basic in-teractive front-end module and background module.Then,the student service object is determined,and thesuitable data for data mining is selected from the database.Through data preprocessing,data conversion,data clustering and interactive data,all similar data convergence is ensured and avoid similar data in learn-ing behavior modeling and mining,which complete the design of artificial intelligence learning model.Theexperiment results show that the learning efficiency of this method is more than 90%in the environment ofno interference data and a large number of interference data,providing technical support for cultivatinghigh-quality students.Key words:Artificial Intelligence;student interaction;online learning;data driven;data clustering0 引 言随着大数据、云计算、人工智能等信息技术的不断发展，人工智能教育应运而生，是继移动教育、泛在教育之后的一种新的教育形式。互动式教学是教师之间为了达到教学效果而进行的互动作者简介：李停（1991），女，硕士研究生，助教，研究方向为思想政治教育。一9 6 一文献标识码：A文章编号：10 0 9-2 552(2 0 2 3)10-0 0 9 6-0 5过程。智能技术下的精确教学交互是一种即时的交互,它能及时解决交互主体的问题。如果没有及时反馈，各方之间的后续互动将是负面的。第二,深度互动。在收到及时反馈后,应深人重新设计有效的互动。最后，它是一种精确的交互,侧重于对“交互数据”的分析,并考虑交互主体的个性化教育需求。因此,不断调整学生学习方法成为当前研究的热点问题。基于人工智能的学生互动式在线学习方法研究传统方法中使用的基于云计算的在线学习行在线学习子系统资源管理子系统教学管理子系统为 3,需要结合学生兴趣爱好、行为特征分析,通学生模型过日志存储全面了解学生需求，虽然使用该方法学生知识信息信息提高了学生学习兴趣，但学习效果不佳；使用库工库Web数据信息分析 4 的在线学习方法,虽然与基于云计算在线学习行为方式不同，可直接挖掘海量数据提高学生学习兴趣，但受到相似数据干扰影响，导致学生学习效果不佳。为此,本文提出了基于人工智能的学生互动式在线学习方法研究。1互动式在线学习方法设计的必要性互动式在线学习系统是在互联网环境的作用框架内，真正摆脱时空、领域和风格的限制，有效推动我国素质教育和创新教育发展进程的一种开放式、研究性学习模式 5。这种学习方法不仅能激发学生的学习兴趣，还能引导学生积极探索和发现，提高学生的想象力，发现新旧知识点之间的内在联系,进一步培养学生的创新意识。互动教学是指学生利用现有的学习基础，促进知识的重建和内化过程，从被动向主动转变。网络教育是稀缺教材的有效整合和高质量教材的有效提供。它是中国现代教育教学的里程碑，积极推动教学方法和工具的创新，提高教学质量。在面对网络大量的信息和知识内容时，能够有效提升学习者的学习能力。2学生互动式在线学习方法设计2.1互动式在线学习方法总体框架设计本文设计的学生互动式在线学习方法中，总体框架主要包括三个子系统，网络教学子系统、教学管理子系统、学习资源管理子系统，如图1所示。在学生互动式在线学习方法中，每个子系统功能如下：在线学习子系统：是核心子系统。该模块主要提供教师网上教学、学生网上学习的核心功能。它主要将教学过程、教学内容、教学重点、教学难点、教学反馈以及作业等各个方面有机地结合在一起，形成一体化在线学习系统。学习资源管理子系统：主要负责对学生的教学资源管理，以多媒体教学为主要形式的网上一李停学生教师知识知识库库完成情况成绩评定教学内容习题库系统核心模块诊断模型教师模型智能教学诊断评价推理策略机工库图1学生互动式在线学习方法总体框架教学资源。教务管理子系统：学生教学管理的另一个重要子系统，主要负责学生教学事务，是对学生网络教学系统的补充和支持 6 2.2在线学习方法模块化设计2.2.1育前端模块设计在前端模块设计中,可以构建学生学习基本需求设计交互过程，设计相应的学习交互方案，这些方案可以单独使用。也可以组合使用,以满足各种可能的交互方案，主要包括以下两个单元。用户服务方案单元。通过场景服务模块，提供并满足各种类型的咨询服务。高校学生互动场景的知识类型主要包括：FAQ知识、概念知识、要素知识、清单知识等。主动联系方案单元。活动联系场景模块主要应用于活动联系用户场景中，主动向用户推送信息，接触主体的知识类型也应支持矩阵知识。2.2.2后台模块设计后端模块是人工智能引人后交互系统的核心功能部分，该模块进一步优化意图识别与对话决策,使互动对话更加人性化、智能化 7 2.3人工智能的学生学习方法实现2.3.1学生学习数据挖掘学生学习数据挖掘过程如图2 所示。确定学生交互数据关系。清晰定义业务问题、识别目标是数据挖掘过程中一个重要环节。该环节包括一系列可注册和一9 7 一调用。学生学习数据准备。基于人工智能的学生互动式在线学习方法研究选择预处理转换挖掘分析图2 学生学习数据挖掘过程添加的后端组件，这类组件封装数据并提供兼容接口。学生交互数据关系如图3 所示。学习数据文献教学数据数据数据接口图3 学生学习数据类关系图学生通过服务定制模块选择学习数据，确定数据挖掘方法，然后启动数据挖掘模块 8。数据挖掘模块通过调用数据接口模块读取相关数据并处理,并将处理结果传递给服务定制模块。每一个数据挖掘方法类继承自上层抽象父类，并在数据操作接口处，使用java-va语言开发组件，并不直接与用户交互，而是通过 Servlet类在后台一9 8 一一李停逻辑数据库被选择的数据预处理后数据被转换数据被抽取信息被同化知识实训实验课程数据数据a.数据选择。查找所有与学生交互数据关系相关的内部和外部数据信息，并为数据预处理提供合适数据。b.数据预处理。分析学习数据质量，挑选符合要求的数据，并预处理 9。c.数据转换。抽取预处理结果数据,将该数据转换成另一种形式，不同形式的数据在数据序列中依次排开，等待聚类。学习数据聚类。Step1:从数据库n个样本中选取m个对象为初始聚类中心；Step2:依据i个对象,分析 n-m个对象与初始聚类中心距离，并对相似对象数据聚类分析，即：d=min;Il n;-m,lI 式中,d代表相似对象数据聚类结果；Step3:对于不同聚类对象,计算变化均值；Step4:当相似对象聚类收敛后，完成聚类分析,否则重复 Step2,直到相似学生学习数据全部收敛。结果分析。采用视觉技术分析上述聚类的学习信息，找出不同学生所需数据，确定学生交互行为。知识同化。在组织结构上整合来自结果分析的数据,并将知识点数据同化到系统中。2.3.2基于数据驱动的学生学习行为建模一个学习表现的模型不可能是所有学习行为的总和，不可能对所有学生学习表现做出判断。因此，构建数据驱动学习行为模型需要一定程度行为聚合 10。从行为和结果角度分析，在线学习行为的聚合程度主要是指学习绩效。Y为所有行为数量X,即：Y(学习表现）=X(学习行为)对于学习表现Y而言,可以进一步看作一个各类学习行为数量。(1)(2)基于人工智能的学生互动式在线学习方法研究按照上述聚合程度，分析构成学习行为X定位薄弱知识点向量：资料推荐与个性化学习X，包括提交作业数量、作业行为次数、作业耗时、作业评价总分；X，包括浏览主题数量、浏览每个主题时讨论次数、浏览主题耗时；X，包括浏览资源数量、浏览资源次数、浏览资源耗时；X 4 包括提交互动评价作业数量、评价其他人作业数量、每个互动评价行为次数、互动评价作业耗时。通过上述可知,X、X 2、X 3、X 4 构成学习向量，由此得到基于数据驱动学习行为模型为：Y(学习表现）=（XI、X 2、X,X 4)在人工智能整体框架下，通过“在线学习行为记录数据表”中“模块”字段，了解在线学习行为的分类。选择学生一学期在线互动学习行为记录数据，采用“属性模块”作为分类字段，并通过计数方式汇总。2.3.3人工智能学习方法研究人工智能学习模型主要包括“测试、学习、练习、测试、辅助”等五个方面，人工智能自适应学习过程是基于智能型自适应学习系统的优化过程,其主要功能是建立一个针对具体知识点的个性化学习系统。其运行模式描述智能自适应学习系统的智能运行过程和学习过程的结构顺序。为实现智能自适应学习过程模式提供了强有力的技术支持。基于智能适应的“五星”学习过程模式,智能性学习是系统的过程或系统的结构。该方法包括“测试、学习、练习、测试、支持”五个基本过程或环节。目标系统学习过程模型如图4 所示。“测”是智能适应学习模型建立的基础，也是后续智能适应学习服务支持的基础。智能自适应学习系统通过精确地预测试，掌握学生知识掌握程度,为后续系统开发提供基础,为学生提供准确的学习支持和路径规划。“学”以测试为基础,以学习材料的个性化推荐和个性化学习服务支持为主要形式的“学习”，着重于学生知识体系中薄弱知识点。一李停测攻克漏洞与学习辅导辅人工智能的学习过程练测难度分层与靶向大纲综合测试与学习分析图4 智适应学习过程模式“练”是发现和巩固知识点的有效途径之一，目标是将纳米级知识点与不同层次、不同难度、不(3)同形式的练习内容相结合，使之成为纳米级的知识点。综合“测验”是智能自适应学习系统为学生提供有关学生在线学习的综合性报告，不同于初试,综合“测验”意味着对薄弱知识点的“测验”评估。其中，包括高级考试报告、知识点报告、综合考试报告、综合成绩报告等，由此调查学生对学习内容及知识点的综合评价情况。“辅”即学习指导，是智能自适应学习系统与学生学习的深度融合，以学生在线接受知识和线下接受辅导为主要存在形式。3实验分析3.1实验场景设置交互式场景适应了学生需求的变化和多样化，通过场景安排满足实践需要。为了验证所提方法的有效性,实验以某企业学生为研究对象,分析该学习方法的优势，设置实验场景，如图5所示。实验在两种环境条件下进行，分别为无干扰数据和大量干扰数据，在这两种环境下，分析不同学习方法是否可为学生精准提供所需学习数据。3.2结果分析3.2.1无干扰数据环境实验结果在无干扰数据环境下，将基于云计算在线学习行为、Web数据信息分析在线学习方法和基于人工智能在线学习行为的学习效率对比分析,结果如图6 所示。一9 9 一100基于人工智能的学生互动式在线学习方法研究营销场景应用同时主动推送与用户提问相关联的营销知识提问请求被动回答用户的提问请求用户主动呼叫用户，进行费用催缴回答系统交互请求图5实验场景设置100所提方法80基于云计算的在线学习行为%/率x索60Web数据信息分析在线学习方法40200图6 无干扰数据环境下不同在线学习方法学习效率对比分析由图6 可知,使用基于云计算的在线学习行为最高学习效率为8 5%,最低为7 9%；使用Web数据信息分析在线学习方法最高学习效率为70%,最低为4 5%；基于人工智能在线学习行为最高学习效率为92%，最低为91%。因此,在无干扰数据环境下，通过对不同在线学习方法学习效率对比分析可知,基于人工智能在线学习行为学习效率较高。3.2.2大量干扰数据环境实验结果大量干扰数据环境下，将基于云计算的在线学习行为、Web数据信息分析在线学习方法和基于人工智能在线学习行为的学习效率对比分析，结果如图7 所示。由图7 可知,使用基于云计算的在线学习行为最高学习效率为52%，最低为4 1%；使用Web一10 0 一一李停客户场景应用外呼场景应用112实验次数/次基于人工智能在线学习行为80%/率x飞索6040200图7 大量干扰数据环境下不同在线学习方法学习效率对比分析数据信息分析在线学习方法最高学习效率为39%，最低为18%；基于人工智能在线学习行为最高学习效率为95%，最低为8 8%。因此，在无干扰数据环境下，通过对不同在线学习方法学习效率对比分析可知，基于人工智能在线学习行为学习效率较高。因此，在大量干扰数据环境下,通过对不同在线学习方法学习效率对比分析可知，基于人工智能在线学习行为学习效率较高。4结束语互动式在线学习方式为教师和学生提供了更34基于云计算的在线学习行为Web数据信息分析在线学习方法12实验次数/次5多的互动功能，充分利用网络媒体和网络环境,有效引导学生在不同的学习情境中学习，以多种学习模式进行学习,符合现代学习理论，强调学生的自主权,培养学生学习的内在动机,提高学生利用系统学习取得更好学习成果的积极性。伴随国际人工智能研究的不断深人，人工智能设备在各领域不断涌现，包括技术和应用相对成熟的产品，本文在人工智能基础上设计了学生互动式在线学习方法。实验结果表明：所提方法对学生学习效率的提升具有一定优势。参考文献：1】唐坚.人工智能与学习力一一基于“互联网+”的交互式学习系统与教育方法 J.科教文汇,2 0 19(3 1)：4.2杨澍辰.基于人工智能的在线精准教学模式及案例分析 J.初中生世界：初中教学研究,2 0 2 0（12)：2.3林奇川,程敏熙.基于云计算的大学物理实验数据在线处理 J.大学物理,2 0 19,3 8（4）:2 8-3 2.(下转第10 5页）345基于大数据分析的网络课堂资源自动采集研究无线传感器网络数据采集方法集过程更加便捷的目标。网络爬虫方法一一一一本文方法807060504030201001数据发现，在采集的过程中甚至出现了一部分穴余数据，导致该部分数据在实际应用的过程中毫无意义。而本文方法能够快速计算数据之间的相似性,从而可以在最短的时间内,对这一部分的数据进行快速采集，说明该方法具有较高的会计网络课堂资源采集效率。4结束语本文提出基于大数据分析的网络课堂资源自动采集方法，通过将挖掘出来的资源数据与用户的兴趣数据、兴趣广度、兴趣深度以及兴趣时效进行结合，从而实现自动采集。虽然本文方法采集的速度较快、精度较高，不过由于需要实现对网络课堂资源进行挖掘,这就导致计算的过程繁琐,因此未来需要对该方法进行更新、优化，以期达到采一雪洁参考文献：1刘渊,冯兴兵,王晓锋，等.面向虚实互联网络的链路采集技术研究 J.系统仿真学报，2 0 2 0,3 2（3）：4 2 1-429.2陈琪，陈宏滨.无线传感器网络中移动节点辅助的数据采集效率优化研究 J.计算机应用研究,2 0 2 0,3 7(11):3467-3471.3曾健荣,张仰森,郑佳,等.面向多数据源的网络爬虫实现技术及应用 J.计算机科学，2 0 19,4 6（5）：3 0 4-309.【4 王准，杨天长.网络威胁情报关联分析技术 J.信息技术,2 0 2 1(2):2 6 -3 2.23图4 实验对比结果分析456实验次数785田榆杰,宋耀莲,龙华,等.基于兼存率与单项事务的关联规则优化算法 J.信息技术,2 0 19,4 3(1)：7 5-7 8.6陈通,樊蓓蓓,陈东萍.基于双重模糊模拟的直觉模糊向量关联规则挖掘 J.计算机集成制造系统，2020,26(7):1875 1886.7杨欢欢,赵书良,李文斌,等.基于统计特征的QualityPhrase挖掘方法 J.数据采集与处理,2 0 2 0,3 5（3）：458-473.8郭淑慧，吕欣.网络直播平台数据挖掘与行为分析综述 J.物理学报,2 0 2 0,6 9(8):117-12 6.9吴悦文,吴恒,任杰，等.面向大数据分析作业的启发式云资源供给方法J.软件学报，2 0 2 0,3 1（6）：2 8 0-294.10夏小娜,邹麒.基于兴趣相似度传递的增强LSH统计预测算法 J.计算机应用与软件，2 0 2 0,3 7（3）：292 297.11李志鹏，郁文贤.基于启发式蚁群算法的高保真信号重构 J.信息技术,2 0 2 0,4 4（5）：7 2-7 6,8 1.（责任编辑：丁玥）(上接第10 0 页）4李炎,马俊明,安博,等.一个基于Web 的轻量级大数据处理与可视化工具J.计算机科学,2 0 18,4 5（9）：67 71,100.5黄文娟.基于人工智能的搜索引擎在数字图书中的应用 J.信息技术,2 0 19,4 3（11)：5.6左明章,赵蓉，王志锋，等.基于论坛文本的互动话语分析模式构建与实践 J.电化教育研究,2 0 18,3 9(9):53-60.7李海峰，王炜.人工智能支持下的智适应学习模式J.中国电化教育,2 0 18,3 8 3（12):9 3-10 0,117.【8 谢康,肖静华,王茜.大数据驱动的企业与用户互动研发创新J.北京交通大学学报：社会科学版，2018,17(2):18-26.9罗飞.基于云计算和IRS的在线课程推荐算法研究J.信息技术,2 0 19,4 3(6):5.10 马玉琴.一种基于课堂因素的学习推荐方法 J.信息技术,2 0 2 1(11):8 8 -9 2.（责任编辑：丁玥）一10 5一