新科技革命下信息技术正在改变着人类的思想与行动,推动着数字时代高等教育教学的变革。高等教育数字化转型已成为驱动高校教育教学适应与引领发展的最大动力。在这场教育教学数字变革浪潮中,元宇宙教育教学因具有虚拟灵动、美妙生动、智慧联动等令人充满遐想的想象特征而受到了广泛关注。文中概述了元宇宙的起源,并对教育元宇宙进行了分析;重点从情景式与场景化教学的基本特征、基本理论基础、“虚”与“实”映射及“互动”、学习方式,以及基本分类与过程等角度,论述了元宇宙教学;对元宇宙教学案例与实践进展进行分析;初步给出了元宇宙教学平台架构与核心功能,并进行了深入的系统阐释。最后对AI技术赋能的智慧元宇宙教学进行剖析,指出其为课程建设与教学改革开辟了新途径,在教学资源与内容、环境与空间、组织与形式、方法与技术等方面将赋予新型态,为教与学提供新选择;阐释了智慧元宇宙教学助推高等教育数字化转型走向深入的基本逻辑,并对制约元宇宙教学广泛应用需要亟待突破的技术进行剖析。元宇宙教学令人憧憬的美好明天,亟需更多理念、思想与理论上的深层次研究,同时也需要实践上的同步甚至是超前探索与尝试。这就要求教育教学学术界、科技创新技术界、研发制造产业界携手攻关,共同开创高校数字化教学转型的新未来。

随着教育技术的进步和发展,以深度学习、机器学习、虚拟现实、物联网为代表的可计算感知技术在以人为本的教育中的应用愈发广泛,同时也是赋能教育发展变革的关键力量之一。然而,目前对于可计算感知技术在智能教育中的应用还知之甚少。以面部表情、语音、文本、眼动、触觉、生理信号等可感知的物理及虚拟空间中可感知数据为基础,对当前公开发表的期刊文献和会议论文进行筛选和统计,系统分析了智能教育中可计算感知技术的进展与应用,并提出了其对教育实践的潜在影响和挑战。最后,基于结论对智能教育中可计算感知技术的未来发展方向展开了前瞻讨论。

随着信息技术与教育教学的深度融合,新型在线教育作为智慧教育的核心组成部分,为学习者提供了便捷的在线学习平台与丰富的学习资源。然而,在线教育模式的蓬勃发展也催生了“知识过载”与“知识迷航”等显著问题,极大地限制了学习者的学习增益与效率。近年来,学习资源推荐作为一种实现信息过滤与处理的关键技术手段,旨在分析学习者的历史学习行为,捕获其中蕴含的学习需求,最终实现千人千面的学习资源推荐服务。精准的个性化学习资源推荐能够有效解决在线教育场景中“知识过载”与“知识迷航”难题,实现个性化在线教育,已成为各大在线学习平台中不可或缺的核心功能之一。同时,随着深度学习技术的不断发展,基于深度学习的个性化学习资源推荐已成为计算机与教育交叉领域的研究焦点。因此,以“如何实现个性化学习资源推荐”和“如何实现对推荐结果的评估”两个问题为导向,对现有的研究工作进行了多维度、多层次、系统性的总结分析。首先,从场景特性、推荐目标、深度学习技术、边信息集成方式以及推荐模式5个维度对学习资源的个性化推荐过程进行分类与总结,以解答“如何实现个性化学习资源推荐”的问题;其次,从数据集、评估指标、以及实验方式3个方面对推荐结果的评估过程进行归纳与比较,并提供所有开源数据集的统一下载链接,以解答“如何实现对推荐结果的评估”的问题;最后,从对当前学习资源推荐方法自身局限性的攻克以及对外部新兴技术的利用与融合两个方面探讨了学习资源推荐未来的研究趋势。

在教育教学中,试卷评判是教师获取学生知识点掌握情况的重要途径。然而,试题评分是一个耗时的过程,主观题的评判更需要阅卷人认真、投入、细致地审阅,需要耗费大量精力。要减轻教师工作压力,提高主观题评判的效率,基于人工智能的自动评判技术非常重要,其中主观题的自动评判是难点。随着机器学习和深度学习等技术在自然语言处理领域的发展,主观题自动评判技术有了较大进展。文中将主观题分为常规型和开放型两类进行文献梳理,总结主观题自动评价的标准和公开数据集,归纳涉及的方法和技术路线,并对主观题自动评判技术未来的研究方向进行总结和展望。

随着教育信息化的普及与不断发展,视频、图像、语音、文本等海量课堂数据被记录下来。对这些多模态数据进行有效分析,挖掘课堂师生交互信息,不仅能够帮助教师及时发现教学中存在的问题,及时调整教学内容以提高教学质量,而且是落实“以人为本”教学理念,推进现代教育走向智能化、个性化和数字化的重要手段。文中首先论述国内外师生交互行为的传统分析方法;然后从视频、图像、语音、文本及多模态等不同角度分类梳理课堂师生交互智能分析技术的研究现状,归纳总结课堂师生交互智能分析的核心要素、数据形式、关键技术、结果呈现和应用场景;最后分析课堂师生交互的多模态智能分析技术的优势与不足以及面临的挑战和未来趋势。

针对当前教育教学存在的物理边界封闭、对教师教材依赖大、学习问题及其解答难以重用等问题,借鉴群体智能和开源软件的思想,提出群体化学习的理念和方法。其核心是打破传统班级、年级和学校的界限,以开放社区的形式支持学习者围绕特定的主题开展自主协作式的社会化学习,包括问题讨论、经验分享和资源共创等。这种方法可产生大量高质量、个性化的学习群智知识,支持学习者解决课程学习和实践中遇到的问题,帮助教师提升课程教学的效率和质量。文中介绍了群体化学习支撑平台LearnerHub,结合软件工程课程教学实践,分析了群体化学习方法在课程教学中的应用模式,通过调查问卷和数据分析的方法检验了该方法的有效性,结果表明学生高度认可群体化学习方法在课程学习和实践中发挥的重要作用,学生群体化学习综合实践表现与考试成绩二者之间存在正相关的关系。

课堂是教育教学的核心阵地,对教师在课堂上的教学环节进行过程化监测和评价是提高课堂教学质量的有效途径。然而,现有基于人工的评价模式存在评价效率低下、易干扰课堂教学、主观误差等缺点,难以达到理想的效果。鉴于人工智能技术的快速发展,提出将以人为中心的智能感知与分析技术引入教师的教学过程中,对教师主体进行实时识别与分析。首先,通过人脸检测算法定位教师实时位置并进行位移分析;其次,利用视线估计算法对教师的关注区域进行检测;最后,采用基于骨架点的动作识别和表情识别对教师的动作和表情进行感知与分析。同时,对指标进行量化统计,以更为高效、客观地了解教师的教学特点,从而帮助教师针对性地改善其授课质量。在相同配置环境下的实验结果表明,该系统的各模块在相应任务中的表现较好,符合教学场景下的使用要求。从在真实的教学视频上的测试结果来看,所设计的系统能够较为准确地感知教师的教学状态,为提升授课质量提供建设性意见。

在线学习为众多学习者提供了开放灵活的学习机会,却存在着学习者学习积极性不高、学习成绩不理想的问题。已有的在线学习效果预测工作着重从静态角度探究学习行为对成绩的影响,忽略了学习行为随时间的演化规律,缺少对行为背后学习模式和学习动机的深入探讨,而这两者正是影响学习效果的重要因素。为此,提出一种基于学习行为演化的学习模式识别及效果预测方法来建模学习行为与动机对学习效果的影响。首先,依据学习者的付出-收获量化学习效率,按时间构建学习效率动态演化序列;然后,使用高斯混合模型聚类真实学习数据并结合实际学习场景,识别4种典型学习模式;在此基础上,设计学习模式及动机预测模型,结合双向长短期记忆网络,构建学习效果预测模型。利用8门真实课程学习的公开数据,对每一种学习模式学习者的付出、收获演变规律进行细致分析。大量对比实验结果表明所提方法在多个性能指标上提升了6.9%～29.2%。本研究有助于在线学习者、教学者和平台准确理解学习者的学习状态,从而提升在线学习效果。

随着互联网技术的迅猛发展,慕课等在线教育平台日益受到广泛关注。慕课作为一种创新的教育形式,有效突破了传统教育模式的地域界限,实现了优质教育资源的全球共享。通过慕课,学习者能够根据个人兴趣自主选择课程,灵活安排学习时间与进度,且能便利地进行重复学习。然而,当前慕课平台在针对授课视频中的特定知识点进行时间定位时,仍存在很大挑战,导致用户在学习关键核心知识点时需频繁拖动视频进度以寻找相应视频片段。针对这一现状,提出了一种基于多重二分匹配的注意力机制模型的慕课视频知识抽取算法。算法框架的主体部分包括字幕文本识别与生成、字幕文本分段提取、知识点抽取模型,以及知识点检索模块。实验结果表明,相对于当前的知识点抽取模型,所提模型在Inspec,NUS,Krapivin,SemEval,KP20k等多个数据集上,在部分关键指标上达到了当前的最优表现,充分证明了本系统在实际应用中的潜力和价值。

当前,大规模创新类竞赛层出不穷,这类竞赛的评比因专家的主观差异等原因成了亟待解决的难题。关注大规模创新类竞赛评比方案的研究与设计,通过对已有竞赛的打分结果进行分析,综合对比多种不同评比方案的优缺点,探寻最优的评比方案,以尽可能使评审流程程序化、高效化,节约人力与时间资源。首先,构建专家分配模型确定评审专家“交叉分发”方案,运用改进模拟退火算法求解,验证了模型与算法的高精度和高效率;然后,构建加权模型对比4类标准分计算方法,设计基于专家权重的改进标准分计算方法;最后,考虑大极差对创新性的关联性,建立极差回归模型,进行基于极差的模型评估。所提模型与算法适用范围广,具有重要现实参考意义与高应用价值。

元宇宙教育将元宇宙应用于教育领域,为学生创造丰富多样的学习场景和资源,提供个性化的学习推荐和指导。在元宇宙场景中,可以通过边缘计算技术提升音视频传输性能和降低通信成本,包括远程控制时延的降低、终端设备能效提升等。因此,针对VR,AR教育交互场景中的设备成本高、通信时延大等问题,提出了基于边缘计算和WebRTC的通信技术方案,解决教育场景下大量用户接入造成网络拥塞的问题,构建元宇宙教育的基础通信设施。通过云端所部署的Unity渲染平台,在边缘端部署WebRTC多用户通信模块,实现极低延迟的视音频传输,提升移动边缘平台的传输性能。最后,构建云边端协同的音视频传输系统,通过实际的边缘计算传输策略和端到端实验验证,实现了低时延、高性能的元宇宙教育系统,且验证了元宇宙教育场景的可行性。

智能教育快速发展,运用人工智能提升教育质量和效率已成为趋势。学生作为教育的核心,其情绪状态对教育成效具有至关重要的影响。为了深入研究学生情绪,收集了课堂场景中的学生学习视频,包括听课和小组讨论两种情境,并据此建立了一个多任务学生情绪数据库。面部作为内在情绪状态的直接外在体现,显示出AU与情绪之间的紧密关联。在此基础上,提出了一个基于多任务学习的学生情绪识别模型Multi-SER。该模型通过结合AU识别和学生情绪识别两项任务,挖掘各个AU与学生情绪之间的关联关系,进而提升模型在学生情绪识别方面的性能。在多任务实验中,Multi-SER模型的情绪识别准确率达到了80.87%,相比单情绪识别任务模型SE-C3DNet+,效果提升了3.11%。实验结果表明,通过多任务学习挖掘AU和情绪之间的关联关系,模型在分类各种情绪方面的性能得到了提升。

通过面部表情识别和情绪分析,观测者能够根据所观察到的实体状态了解学习者的学习效果,如通过课堂中学生所展现出的情绪波动,来辨别学生对新知识的接受程度,从而更便捷、直观地理解学生的疑惑。然而,在许多情况下,学生的面部可能会被学习用品、前排同学等遮挡,导致面部情感识别准确性不高。与整张脸相比,眼部区域作为情感表达的核心部位,通常会受到观察者更多的关注,在相同的课堂环境下眼部也更不容易被遮挡。眼睛是展现情感最重要的部位之一,在情绪变化期间的眼部表情变化可以提供更多的情绪信息。特别是当一个人承受外部压力并必须抑制面部表情时,眼神很难欺骗。因此,对眼部复杂表情进行情绪识别和分析具有重要研究价值和挑战性。针对这种挑战,首先构建了一个用于分类眼部表情复杂情绪的数据集,包括5种基本情绪,另外还定义了5种复杂情绪。其次,提出了一种新颖的模型,根据数据集中输入图像中提取的眼部特征准确地对情绪进行分类。最后,介绍了一种基于眼部识别的情绪分析可视化方法,该方法可以分析复杂情感和基础情感的波动,并为基于眼部进行进一步的情绪分析提供了新的解决方案。

Blended teaching is one of the essential teaching methods with the development of information technology.Constructing a learning effect evaluation model is helpful to improve students' academic performance and helps teachers to better implement course teaching.However,a lack of evaluation models for the fusion of temporal and non-temporal behavioral data leads to an unsatisfactory evaluation effect.To meet the demand for predicting students' academic performance through learning behavior data,this study proposes a learning effect evaluation method that integrates expert perspective indicators to predict academic performance by constructing a dual-stream network that combines temporal behavior data and non-temporal behavior data in the learning process.In this paper,firstly,the Delphi method is used to analyze and process the course learning behavior data of students and establish an effective evaluation index system of learning behavior with universality;secondly,the Mann-Whitney U-test and the complex correlation analysis are used to analyze further and validate the evaluation indexes;and lastly,a dual-stream information fusion model,which combines temporal and non-temporal features,is established.The learning effect evaluation model is built,and the results of the mean absolute error(MAE)and root mean square error(RMSE) indexes are 4.16 and 5.29,respectively.This study indicates that combining expert perspectives for evaluation index selection and further fusing temporal and non-temporal behavioral features that for learning effect evaluation and prediction is rationality,accuracy,and effectiveness ,which provides a powerful help for the practical application of learning effect evaluation and prediction.

面向教育教学数字化转型的战略需求,针对“通信原理”课程特点,基于OBE理念提出了“五位一体”通信原理课程智慧教学新模式。“通信原理”课程具有突出的理论性、系统性、工程性和应用性特点。从全局性出发,对课程体系进行系统性的设计,以立德树人、为党育人、全方位育才为使命;以学生发展为中心,从重构教学内容、构建课程思政系统化体系、学生项目实践、打造智慧课堂和多元评价机制5个方面构建了“五位一体”智慧教学体系。采用雨课堂线上线下混合式教学、虚拟仿真项目教学和B站微课教学等数字化、信息化教学手段,利用技术赋能教学,打造智慧课堂。将思政教育有机融汇于智慧课堂教学,起到“润物无声”、潜移默化的效果,引发学生的知识共鸣、情感共鸣、价值共鸣。所提出的“五位一体”智慧教育教学新范式能够推进信息技术、智能技术与教育教学的深度融合,实现教学手段智能化、教学资源泛在化、教学点评实时化、课程考核多元化。

在教育领域,课堂教学评价是提高教学质量的关键环节之一。随着数字化教育的推广,寻求一种智能化的评价方法变得尤为重要。为此,提出了一种基于骨架行为识别和滞后序列分析的新型方法,旨在更准确地对教师的教学行为进行捕获和分析,在减少人力资源消耗的同时,降低教学评价的主观性。首先,提出多尺度特征图卷积网络,并将其用于教师课堂行为分析。该网络在空间维度上使用多尺度语义特征融合模块捕捉骨架点和肢体部位两个尺度的特征;在时间维度上使用多尺度时序特征提取模块,并分别从全局和局部两个角度提取骨架数据的时间特征。然后,构建了教师课堂行为分析数据集,并在该数据集上验证了所提方法的有效性。最后,利用所提的骨架行为识别模型和滞后序列分析法,搭建了一套教学行为识别与分析系统。在进行不同课堂教学行为识别时,所提方法在教室行为识别与分析方面具有显著的优势。

随着信息技术的快速发展,在卓越教师培养的过程中注重教育数字化改革已经成为未来教育高质量发展的必然要求。近年来,元宇宙及教育元宇宙概念成为研究热点,并为师范生教学技能训练方式改革带来新的思路。传统师范生教学技能训练主要以课堂教学实践为核心,受时间和空间的限制,师范生的个性化、专门性、针对性训练缺乏。随着信息技术的发展,“互联网+”训练模式、移动训练模式等被提出,但训练过程存在沉浸性不高、互动性较差等问题。因此,融合教育元宇宙理念,提出虚拟交互式师范生教学技能训练模式,以体态技能和导入技能的训练为例,介绍教育元宇宙视域下的虚拟交互式师范生教学技能训练模式的构建与实践,并对实践效果进行分析,验证了虚拟交互式教学技能训练模式对师范生教学技能训练的有效性。

新高考改革使得越来越多的高校从专业招生向大类招生迈进。相关研究指出,学生在专业分流选择时存在盲目性。如何解决由专业选择不平衡问题所导致的“冷门专业过冷,热门专业过热”的局面,成为大类培养模式面临的核心难题。文中提出了一种结合特征相似性和杰卡德中值理论的学习路径推荐方法CFSJM,旨在为学生在选择专业时提供方向导航和学习路径推荐。该方法利用图嵌入模型Node2vec学习学生与知识点之间的交互,以获取学生节点的特征表示。通过训练线性回归模型预测学生的专业方向,并根据特征相似性生成学习路径候选集,进而引入杰卡德中值理论生成学习路径。实验结果表明,CFSJM方法在大类招生模式下的线下教学数据中的准确率优于现有方法,为充分发挥大类招生在培养创新型人才和提升高校办学质量方面的优势提供了新的思路。

大量课程知识图谱在自动答疑、学习路径规划及学习资源推荐等智能化教学应用中发挥着重要的支撑作用,然而实体间关系缺失导致的不完整问题显著降低了它们的应用价值。关系预测是自动化补全课程知识图谱缺失关系的主要手段,但现有方法仅直接使用稀疏的拓扑结构信息,未能挖掘利用其特有的先决条件关系信息进一步提升预测性能。针对该问题,设计了一种先决条件关系信息增强的课程知识图谱关系预测方法PRIERP。该方法首先设计基于语义路径计算的先决条件关系信息提取机制,然后分别基于拓扑结构信息和先决条件关系信息构建双视图,并设计有向图Transformer从双视图学习课程知识图谱的低维表征,最后基于多层感知机分类模型实现端到端的关系预测。在两个典型课程知识图谱HhsMath和ML上进行相关实验,结果表明PRIERP优于其他代表性方法。在HhsMath中,PRIERP在MRR,Hits@1,Hits@3和Hits@10评价指标上相比基线方法至少分别提升2.43%,5.93%,4.73%和1.72%。此外,关系预测的典型案例分析结果也证明了PRIERP的有效性。

智能教育中,认知诊断通过分析学习者的学习行为数据来理解学习者的认知状态。现有基于深度学习方法的认知诊断模型默认假设学习者在作答过程中有足够的作答时间来完全发挥知识掌握水平,未考虑学习者在作答过程中的作答速度与作答准确率之间的权衡策略对发挥知识掌握水平的影响。针对上述问题,提出了一种基于速度与准确率权衡的深度认知诊断模型,首先构建认知风格模糊集解释学习者的权衡策略,然后通过动态逻辑回归函数模拟学习者作答过程中的速度与准确率权衡关系,实现对学习者理论上能达到最高的知识掌握水平与实际作答中发挥出来的知识掌握水平的区分诊断。此外还引入了作答时间属性和题目类型属性,以更准确地表征认知诊断交互函数中的题目参数。大量实验表明,该模型相比同类最优模型在3个公开数据集上准确度分别提升2.58%,2.86%,5.18%,且能为预测结果提供作答时间层面的解释,具有一定的优越性。