機(jī)器學(xué)習(xí)與教育教學(xué)的思考

摘 要：分析了目前在人工智能領(lǐng)域主要的機(jī)器學(xué)習(xí)算法所蘊(yùn)涵的知識(shí)性質(zhì)，指出了機(jī)器學(xué)習(xí)與教育理論存在的相似性，同時(shí)根據(jù)機(jī)器學(xué)習(xí)的特點(diǎn)討論了對(duì)教育的啟發(fā)，并且對(duì)機(jī)器學(xué)習(xí)在教學(xué)教育中的應(yīng)用提出了建議。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；知識(shí)復(fù)雜性；知識(shí)默會(huì)性；數(shù)據(jù)挖掘

中圖分類號(hào)：G641 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2014）35-0107-04

引言

機(jī)器學(xué)習(xí)（Machine Learning，ML）是一門多領(lǐng)域交叉學(xué)科，涉及概率論、模糊論、逼近論、凸論、統(tǒng)計(jì)學(xué)、算法復(fù)雜度理論等多門學(xué)科[1]。機(jī)器學(xué)習(xí)是根據(jù)生理學(xué)、認(rèn)知科學(xué)等對(duì)人類學(xué)習(xí)機(jī)理的了解，重新組織已有的知識(shí)結(jié)構(gòu)，建立人類學(xué)習(xí)過程的計(jì)算模型或認(rèn)識(shí)模型，發(fā)展各種學(xué)習(xí)訓(xùn)練理論和學(xué)習(xí)訓(xùn)練方法，研究適合各種領(lǐng)域的訓(xùn)練學(xué)習(xí)算法并進(jìn)行理論上的分析，建立面向特定任務(wù)和應(yīng)用的學(xué)習(xí)系統(tǒng)。當(dāng)前，在人工智能和模式識(shí)別領(lǐng)域影響比較深遠(yuǎn)并具有代表性的機(jī)器學(xué)習(xí)算法有樸素的貝葉斯算法、ADABOOST算法、SVM支持向量機(jī)算法、神經(jīng)元網(wǎng)絡(luò)及其的改進(jìn)的深度學(xué)習(xí)算法。機(jī)器學(xué)習(xí)在工業(yè)制造、醫(yī)療診斷、數(shù)據(jù)挖掘，尤其是生物識(shí)別，如指紋、人臉、虹膜等方面的應(yīng)用得到快速發(fā)展。如指紋自動(dòng)識(shí)別，已經(jīng)徹底改變了安防工業(yè)的發(fā)展方向。這里探討這些成功的機(jī)器學(xué)習(xí)算法對(duì)教育教學(xué)的借鑒意義。

一、機(jī)器學(xué)習(xí)原理蘊(yùn)含的知識(shí)性質(zhì)

（一）機(jī)器學(xué)習(xí)與知識(shí)的默會(huì)性

知識(shí)的默會(huì)性是相對(duì)于顯性知識(shí)而言的，是指有些知識(shí)只可意會(huì)卻不可言傳，在生活中經(jīng)常使用但卻無法清晰表達(dá)的知識(shí)，這種知識(shí)不能通過語言、文字或其他確定意義的表達(dá)方式予以直接傳遞。這種知識(shí)具有非邏輯、不清晰、前言語等性質(zhì)特點(diǎn)。著名的兩種意識(shí)的理論是波蘭尼默會(huì)認(rèn)識(shí)論的一塊基石，是把握默會(huì)認(rèn)識(shí)的結(jié)構(gòu)的基本出發(fā)點(diǎn)[2]。“默會(huì)知識(shí)包括兩種意識(shí)，附屬意識(shí)（subsidiary awareness）集中意識(shí)（focal awareness）?！盵3] 認(rèn)知者把各種細(xì)節(jié)、關(guān)聯(lián)線索作為輔助對(duì)象整合進(jìn)集中對(duì)象，在附屬意識(shí)和集中意識(shí)之間建立起動(dòng)態(tài)轉(zhuǎn)換關(guān)系，這就是波蘭尼所理解的默會(huì)認(rèn)識(shí)的基本結(jié)構(gòu)。在波蘭尼的理論中，默會(huì)認(rèn)識(shí)不僅要依賴于來自認(rèn)知對(duì)象的各種信息，還要依賴于我們，即認(rèn)知主體本身的諸項(xiàng)機(jī)能，還要依賴各種經(jīng)驗(yàn)和理論等以往的背景知識(shí)，只有在整合了各方面的附屬意識(shí)的基礎(chǔ)上，才有可能產(chǎn)生認(rèn)知的質(zhì)的飛躍，達(dá)到對(duì)研究主題的集中認(rèn)識(shí)[4]。

機(jī)器學(xué)習(xí)具有默會(huì)知識(shí)相類似的初步基本結(jié)構(gòu)，樣本及其提取的特征相當(dāng)于默會(huì)知識(shí)的經(jīng)驗(yàn)和理論，而學(xué)習(xí)機(jī)器，也就是分類器，相當(dāng)于認(rèn)識(shí)者，而訓(xùn)練后的分類器的結(jié)構(gòu)及參數(shù)就是集中的認(rèn)識(shí)。在默會(huì)知識(shí)理論中，波蘭尼認(rèn)為主體的意向性只有統(tǒng)合了主體的存在，比如以往的個(gè)人經(jīng)驗(yàn)知識(shí)、身體活動(dòng)等，才有認(rèn)識(shí)的活動(dòng)過程。他認(rèn)為，人的認(rèn)知建構(gòu)并非先天范疇，而是一種意會(huì)的統(tǒng)合能力，包括以往的經(jīng)驗(yàn)、知識(shí)、情感、價(jià)值等因素。而機(jī)器學(xué)習(xí)中，不管是哪種分類器，都需要大量的充分樣本。目前看，還沒有一種分類器能夠適應(yīng)所有的分類，都需要根據(jù)不同的物體，提取最顯著的特征點(diǎn)，然后再根據(jù)特征點(diǎn)的特性選擇合適的分類器。比如目前在人臉檢測(cè)中成功應(yīng)用的Adaboost分類器和HAAR特征結(jié)合的應(yīng)用，在其他領(lǐng)域的分類效果就遠(yuǎn)不如在人臉檢測(cè)中那么成功。

（二）機(jī)器學(xué)習(xí)與知識(shí)的復(fù)雜性

知識(shí)的復(fù)雜性包含了3個(gè)方面的內(nèi)容：（1）自然科學(xué)知識(shí)的復(fù)雜性。在現(xiàn)代科學(xué)研究的歷史進(jìn)程中，人們不斷發(fā)現(xiàn)，無論是生命的進(jìn)化、社會(huì)的發(fā)展以及宇宙的起源，都存在著當(dāng)前思維模式、科學(xué)工具所無法企及和解決的復(fù)雜現(xiàn)象。彭家勒指出，“基本現(xiàn)象的簡(jiǎn)單性是隱藏在可觀察得到的總現(xiàn)象的復(fù)雜性下面，但是這種簡(jiǎn)單性就其本身來說只是表面的，它隱藏著極其復(fù)雜的機(jī)制?！盵5] 莫蘭認(rèn)為，世界的存在不可能是純粹有序的，因?yàn)樵谝粋€(gè)絕對(duì)有序性的世界里事物不會(huì)有質(zhì)的突變，也就不會(huì)有新的事物產(chǎn)生，但也不可能是絕對(duì)無序的，因?yàn)橐粋€(gè)純粹無序的世界任何事物都將化為虛無，而不可能存在[6]。所以，世界的基本性質(zhì)是有序和無序的交錯(cuò)混和，而這正構(gòu)成了事物“復(fù)雜性”的基礎(chǔ)。（2）人文社會(huì)的復(fù)雜性，人文社會(huì)的發(fā)展同樣是有序性與無序性相結(jié)合，存在理性與非理性相結(jié)合的混沌性特征，具有偶發(fā)性、不可逆性、非線性等特點(diǎn)[7]，使得人文社會(huì)科學(xué)領(lǐng)域作為無機(jī)系統(tǒng)（物質(zhì)、材料）、有機(jī)系統(tǒng)（生物、生命）和社會(huì)系統(tǒng)（社會(huì)的結(jié)構(gòu)、組織、文化、制度、意識(shí)等）的混合系統(tǒng)更具有復(fù)雜性的機(jī)理和特質(zhì)。（3）認(rèn)知過程的復(fù)雜性，在認(rèn)知客體的外部環(huán)境一定的前提下，認(rèn)知客體的描述過程還要受到認(rèn)知主體諸多因素的影響，比如認(rèn)知主體的記憶力、認(rèn)知主體的邏輯分析能力，認(rèn)知主體的應(yīng)變能力，認(rèn)知過程的環(huán)境影響因素等，這些因素最終都會(huì)對(duì)主體的認(rèn)知能力造成一定程度的影響，從而導(dǎo)致認(rèn)知困難，即產(chǎn)生復(fù)雜性。我們把這種由于主體認(rèn)知能力自身因素以及環(huán)境因素影響所導(dǎo)致的復(fù)雜性，叫做主觀復(fù)雜性，又叫認(rèn)知復(fù)雜性。認(rèn)知過程是一種自組織的過程，是一種有序和無序的有機(jī)結(jié)合。有序是指在認(rèn)知過程中的意圖、步驟和策略，無序是指認(rèn)知過程中的偶然性[8]。

機(jī)器學(xué)習(xí)在復(fù)雜性方面表現(xiàn)出的特征是：（1）分類器的非線性，許多客觀事物都無法用線性分類器進(jìn)行分類，當(dāng)前多數(shù)傳統(tǒng)分類、回歸等學(xué)習(xí)分類方法為淺層結(jié)構(gòu)算法，其局限性在于能夠得到的樣本有限，對(duì)復(fù)雜函數(shù)的表示能力有限，使得針對(duì)復(fù)雜分類問題其泛化能力受到制約。對(duì)于這種情況，SVM（支持向量機(jī)）采用的辦法就是首先在低維空間中完成計(jì)算，然后通過核函數(shù)轉(zhuǎn)換，將輸入特征空間映射到高維特征空間，在高維特征空間中構(gòu)造出最優(yōu)分離超平面，從而把二維平面上無法區(qū)分的非線性數(shù)據(jù)分開[9-10]。深度學(xué)習(xí)可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力[11-12]（隱含層多的好處是可以用相對(duì)少的參數(shù)表示復(fù)雜的函數(shù)）。（2）分類器的多元性，面對(duì)事物的復(fù)雜性，采用單一的分類器很難取得實(shí)際效果，Adaboost算法針對(duì)不同的訓(xùn)練集訓(xùn)練同一個(gè)單元分類器，即弱分類器（實(shí)際應(yīng)用中不同的訓(xùn)練集是通過調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重實(shí)現(xiàn)的），然后把這些在不同訓(xùn)練集上得到的分類器通過并聯(lián)或串聯(lián)的方式集合起來，構(gòu)成一個(gè)更強(qiáng)的分類器，即強(qiáng)分類器。數(shù)學(xué)理論證明，只要每個(gè)弱分類器分類能力比隨機(jī)猜測(cè)要好（即概率大于0.5），當(dāng)弱分類器的個(gè)數(shù)趨向于無窮個(gè)數(shù)時(shí)，強(qiáng)分類器的錯(cuò)誤率將趨向于零。深度學(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建具有很多隱含層的神經(jīng)元網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型，以及海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)訓(xùn)練更有用的特征，從而最終提升分類或預(yù)測(cè)的準(zhǔn)確性。區(qū)別于傳統(tǒng)的淺層神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)，深度神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)的不同在于：一是強(qiáng)調(diào)了神經(jīng)元網(wǎng)絡(luò)模型結(jié)構(gòu)的深度，通常有5層、6層，甚至10層以上的隱含層節(jié)點(diǎn)；二是明確突出了每層特征自學(xué)習(xí)的重要性，通過逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間，使得分類或預(yù)測(cè)更加智能化。與之前構(gòu)造特征的方法相比，利用大數(shù)據(jù)來學(xué)習(xí)特征，更能夠刻畫數(shù)據(jù)的豐富的內(nèi)在信息和特征。endprint

（三）機(jī)器學(xué)習(xí)與知識(shí)的不確定性

知識(shí)的不確定性主要指：（1）知識(shí)的情境性，即任何知識(shí)都具有一定的境域性與條件性，（2）知識(shí)具有社會(huì)文化的制約性。一個(gè)人處于不同的社會(huì)、歷史位置上，他認(rèn)識(shí)事物的“視角”以及對(duì)同一事物的理解都會(huì)有所不同，這種差異不僅構(gòu)成了個(gè)體思維的先決條件，而且深刻影響到個(gè)體的思維方式，影響到個(gè)體提出問題的類型與方法等。（3）認(rèn)識(shí)理論本身的不確定性，一切理論本質(zhì)上都是猜測(cè)性、試探性或假說性的，理性的批判是獲得知識(shí)增長(zhǎng)的惟一途徑，只有通過不斷的“猜想、反駁、實(shí)證”，這樣才能逐步排除錯(cuò)誤，接近客觀真理。所有科學(xué)知識(shí)都是觀察與實(shí)驗(yàn)的結(jié)果，有一定的時(shí)空限制，并不具有絕對(duì)的確定性與必然性，而是具有一定的偶然性、或然性[13-14]。

在面對(duì)知識(shí)的不確定方面，機(jī)器學(xué)習(xí)或者專家系統(tǒng)提出了的可能性理論、主觀Bayes方法等傳統(tǒng)方法以及粗糙集理論、灰色系統(tǒng)理論、概念圖等新方法?；疑到y(tǒng)理論認(rèn)為，盡管客觀系統(tǒng)表現(xiàn)復(fù)雜，數(shù)據(jù)離亂，但是這些系統(tǒng)內(nèi)在隨機(jī)變量都是在一定幅值和一定時(shí)區(qū)內(nèi)變化的灰色量，一般都具有總體的功能，這些變化的灰色系列變量可以通過某種生成弱化其隨機(jī)性，從而顯示其蘊(yùn)含的內(nèi)在某種規(guī)律。粗糙集利用使用屬性及屬性值的約簡(jiǎn)，去除導(dǎo)致事物不可分的冗余信息，從而對(duì)數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識(shí)和潛在的規(guī)律。這些算法在語音識(shí)別、文本分類、故障診斷、工業(yè)監(jiān)控、醫(yī)療等方面獲得了許多成功的應(yīng)用。

二、機(jī)器學(xué)習(xí)對(duì)教育的啟示

從以上分析可看出，機(jī)器學(xué)習(xí)蘊(yùn)涵了知識(shí)學(xué)習(xí)中的默會(huì)性、復(fù)雜性以及不確定性等多種特征。本文試圖從機(jī)器學(xué)習(xí)中積累的許多成功經(jīng)驗(yàn)來探討這些經(jīng)驗(yàn)在教學(xué)實(shí)踐中的應(yīng)用。

1.一個(gè)高效的分類器，一定要針對(duì)具體事物提取最有效的特征點(diǎn)，樣本要廣泛，涵蓋面廣，訓(xùn)練要充分。這些理論應(yīng)用對(duì)教育教學(xué)的啟示是：（1）教師在教學(xué)過程中，要試圖找到適合學(xué)生理解某種知識(shí)的獨(dú)特闡釋框架。（2）要擴(kuò)大學(xué)生的閱讀范圍，一個(gè)人閱讀的范圍越寬廣，就像訓(xùn)練的樣本越廣泛，得到的信息量越大一樣，其緘默認(rèn)識(shí)的潛在范圍也就越大，各種類推與觀念以及新的觀察方法就愈可能從中涌現(xiàn)出來，這樣，新理論或新發(fā)現(xiàn)的出現(xiàn)機(jī)會(huì)也就越大。（3）在機(jī)器學(xué)習(xí)中，只有通過訓(xùn)練，才能發(fā)現(xiàn)事物的顯著特征，就像默會(huì)知識(shí)，學(xué)生只有通過實(shí)踐的方式或親身參與的方式，去學(xué)習(xí)和獲取對(duì)他們的成長(zhǎng)與發(fā)展極為重要的個(gè)人實(shí)踐知識(shí)，即隱性的知識(shí)，講解式教學(xué)設(shè)計(jì)的再好，即便是啟發(fā)式的教學(xué)，也不能代替學(xué)生的實(shí)踐。（4）機(jī)器學(xué)習(xí)不是樣本越多越好，而是充分考慮的泛化能力，對(duì)于教育也是一樣，并不是考題越多越好，考題要有代表性，要能夠培養(yǎng)或者啟發(fā)舉一反三的能力。

2.現(xiàn)在大熱的深度學(xué)習(xí)算法已經(jīng)引起全球各大公司高度重視，香港中文大學(xué)發(fā)表的論文表明基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)的識(shí)別率已經(jīng)超過了人的識(shí)別率。深度學(xué)習(xí)就是多層次的神經(jīng)元網(wǎng)絡(luò)、具有非線性、復(fù)雜性的等特點(diǎn)，深度學(xué)習(xí)和支持向量機(jī)帶給我們的啟示：（1）教育革新要加強(qiáng)多學(xué)科的協(xié)同合作，教學(xué)理論的創(chuàng)新，首要的是加強(qiáng)不同層次的、多學(xué)科的共同分工協(xié)作，廣泛吸取教育學(xué)、心理學(xué)、哲學(xué)等人文社會(huì)學(xué)科的研究成果，借鑒自然科學(xué)的方法論和研究成果。克服狹隘的學(xué)科邊界意識(shí)，通過多方面、多層次的研究主體的共同參與，形成一種高效運(yùn)行的教學(xué)理論創(chuàng)新共同體。（2）要堅(jiān)持開放的態(tài)度。受多因素、多種變量影響的教學(xué)現(xiàn)象，是一個(gè)非線性的、動(dòng)態(tài)的、不可逆的教學(xué)過程，這就決定教學(xué)理論研究不能是封閉的，而應(yīng)該是開放的、多元的。從知識(shí)的復(fù)雜性可以看出，企圖從復(fù)雜的教學(xué)過程中抽象歸納出一個(gè)本質(zhì)的東西，如課程教學(xué)的本質(zhì)、藝術(shù)教學(xué)的本質(zhì)、德育教學(xué)的本質(zhì)等類似研究，都易于陷入還原論的思維中，難以得到創(chuàng)新性的觀點(diǎn)。因此，在教學(xué)理論和模式的探討中，堅(jiān)持開放理論價(jià)值取向，堅(jiān)持多元化的思維方式，是教學(xué)理論研究創(chuàng)新的內(nèi)在要求。

3.概率論、模糊算法以及粗糙集理論在機(jī)器學(xué)習(xí)和專家系統(tǒng)的成功應(yīng)用表明，面對(duì)知識(shí)的不確定性，我們?cè)诮虒W(xué)過程中應(yīng)著重培養(yǎng)學(xué)生批判性的思維能力，培養(yǎng)問題意識(shí)、懷疑意識(shí)，破除學(xué)生對(duì)知識(shí)的確定性盲目崇拜，使學(xué)生意識(shí)到人類所有的知識(shí)或多或少都是不確定的、未終結(jié)的。意識(shí)到知識(shí)的社會(huì)性、實(shí)效性、情境性和模糊性，意識(shí)到所有的真理都是相對(duì)的、有條件的。具體到實(shí)踐中，就是要重視模糊分類、價(jià)值差異等方法，嚴(yán)格限制標(biāo)準(zhǔn)化考試與測(cè)驗(yàn)在整個(gè)考試結(jié)構(gòu)的比重成分，鼓勵(lì)學(xué)生提出自己的獨(dú)特見解，大力倡導(dǎo)以對(duì)話、討論或自主探究為基礎(chǔ)的互動(dòng)教學(xué)方式，學(xué)會(huì)以開放的、批判的眼光看待知識(shí)，鼓勵(lì)學(xué)生對(duì)問題反應(yīng)與解釋的多樣化、異質(zhì)化，而不是同一化，這樣才能培養(yǎng)更有創(chuàng)造力人才。

三、機(jī)器學(xué)習(xí)在教育教學(xué)中的應(yīng)用

機(jī)器學(xué)習(xí)經(jīng)驗(yàn)應(yīng)用于教育，或者將機(jī)器學(xué)習(xí)當(dāng)成工具應(yīng)用于教育教學(xué)，側(cè)重在要求教育的開放性、多元性、非線性。然而在信息社會(huì)跨向大數(shù)據(jù)時(shí)代，盲目追求開放性的松散結(jié)構(gòu)的教學(xué)教育方法，可能與教學(xué)教育的初衷背道而馳。因此，要秉承嚴(yán)謹(jǐn)?shù)目茖W(xué)態(tài)度，建立積極有效的科學(xué)評(píng)估系統(tǒng)和數(shù)學(xué)模型。而目前基于開放型網(wǎng)絡(luò)的教育還是停留在基于數(shù)據(jù)（包括多媒體、文字）共享的教學(xué)方法上，如當(dāng)前火爆的翻轉(zhuǎn)課堂、MOOC（大規(guī)模開放在線課程）主要還是側(cè)重視頻共享的信息積累的基礎(chǔ)上，這種類型的在線教育本身很難改變學(xué)習(xí)的本質(zhì)，在這場(chǎng)教育革命的浪潮中，由在線教育引發(fā)的教育由數(shù)據(jù)共享到過程數(shù)據(jù)行為的變化監(jiān)控（教育環(huán)境、實(shí)驗(yàn)場(chǎng)景、時(shí)空變化、學(xué)習(xí)變化、教育管理變化），才有可能引起教育改革的質(zhì)的變化。 通過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)，分析每個(gè)學(xué)生的學(xué)習(xí)行為、興趣以及老師的教學(xué)行為基礎(chǔ)上，通過數(shù)學(xué)建模找出適合每個(gè)學(xué)生的學(xué)習(xí)內(nèi)容和教學(xué)方式，讓社會(huì)科學(xué)領(lǐng)域的發(fā)展和研究從宏觀群體逐漸走向微觀個(gè)體，讓追蹤每一個(gè)人的數(shù)據(jù)成為可能，從而讓研究每一個(gè)個(gè)體成為可能，成為未來教育發(fā)展的主要方向。

1.通過數(shù)據(jù)實(shí)時(shí)反饋和機(jī)器學(xué)習(xí)來研究適合學(xué)生的學(xué)習(xí)模式，及時(shí)修正學(xué)生的課程內(nèi)容和教學(xué)模式。大數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)的本質(zhì)區(qū)別在于數(shù)據(jù)的過程性、個(gè)性化，比如我們現(xiàn)在不僅僅通過測(cè)驗(yàn)了解學(xué)生階段性的學(xué)習(xí)成果，并且通過在線系統(tǒng)檢測(cè)到學(xué)生在學(xué)習(xí)過程中花費(fèi)的時(shí)間、理解程度、參與度、對(duì)知識(shí)點(diǎn)的偏好等實(shí)時(shí)數(shù)據(jù)；如根據(jù)學(xué)生鼠標(biāo)停留時(shí)間和點(diǎn)擊次數(shù)來判別學(xué)生有沒有回頭復(fù)習(xí)和主要問題處理，統(tǒng)計(jì)學(xué)生在網(wǎng)上提問的次數(shù)和參與討論的多少來判斷學(xué)生學(xué)習(xí)的積極性并進(jìn)行誘導(dǎo)和評(píng)價(jià)，而不是基于自己的教學(xué)經(jīng)驗(yàn)，夾雜主觀因素來分析學(xué)生的共同點(diǎn)、學(xué)生的學(xué)習(xí)偏好、學(xué)習(xí)遇到的難題等。只要通過分析整合學(xué)習(xí)的行為記錄，就能輕而易舉得到學(xué)生學(xué)習(xí)過程中的規(guī)律，結(jié)合更詳細(xì)的學(xué)生背景和操作細(xì)節(jié)，我們還能觀測(cè)到不同學(xué)生族群在學(xué)習(xí)上更多的相關(guān)元素。機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘能夠分析出同樣是80分的學(xué)生，哪個(gè)是通過邏輯思維能力得出，哪個(gè)是依靠良好的記憶力獲得的，然后我們根據(jù)這些反饋信息找出學(xué)生能夠接受的教學(xué)模式。對(duì)于教育研究者來說，我們將比任何時(shí)候都更接近發(fā)現(xiàn)真正的學(xué)生，以獲得更進(jìn)一步改善的機(jī)會(huì)。endprint

2.通過機(jī)器學(xué)習(xí)和數(shù)據(jù)分析預(yù)測(cè)教學(xué)模式的效果，通過分析教師發(fā)表的論文、選用的教材、制作的課件、參與的課題、學(xué)生的成績(jī)、學(xué)生對(duì)老師的評(píng)價(jià)等各種信息的評(píng)價(jià)分析，可以預(yù)測(cè)出當(dāng)前老師采用的教學(xué)模式可能產(chǎn)生的影響。老師的一言一行，從課題到教室，出考題、改考卷、引導(dǎo)討論、回答學(xué)生問題、進(jìn)行個(gè)別輔導(dǎo)等等，都可留下重要且值得分析的數(shù)據(jù)。這些種種數(shù)據(jù)的收集，在交叉比對(duì)學(xué)生的學(xué)習(xí)與考試記錄，從而能提供教育管理者及一線老師許多有用的信息。比如說，老師在學(xué)習(xí)平臺(tái)上改考卷、提供評(píng)語的方式，都有可能與改進(jìn)學(xué)習(xí)的成績(jī)緊密相關(guān)。同時(shí)，參考同類型教學(xué)資源以及授課的環(huán)境和實(shí)際需求，利用大數(shù)據(jù)的分析模型，通過機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘，可以找到學(xué)生、老師、教學(xué)模式之間最佳的匹配方式。這樣，既可避免無效和負(fù)面的教學(xué)方法造成的資源浪費(fèi)，更能夠增加老師教學(xué)的能力和效率。

3.通過機(jī)器學(xué)習(xí)和專家系統(tǒng)、數(shù)據(jù)挖掘等算法來處理海量數(shù)據(jù)帶來的學(xué)習(xí)困擾，蘇迦特分析，只有三種最基本的東西在今后的大數(shù)據(jù)時(shí)代是學(xué)生用的到和必須學(xué)的東西：“第一是閱讀，第二是搜索，第三是辨別真?zhèn)巍?，在信息泛濫的社會(huì)，學(xué)生和老師很難抵擋各種信息的誘惑，怎么處理好有用信息獲取和個(gè)人隱私之間的平衡，是困擾當(dāng)前互聯(lián)網(wǎng)開發(fā)教育教學(xué)面臨的比較重要的問題。大數(shù)據(jù)未被妥善處理會(huì)對(duì)用戶的隱私造成極大的侵害，同時(shí)偽造或刻意制造的數(shù)據(jù)，以及在傳播中被歪曲的信息，往往會(huì)導(dǎo)致錯(cuò)誤的結(jié)論，誘導(dǎo)分析者得出不客觀的結(jié)論?；谀壳昂芏鄬＜蚁到y(tǒng)，通過各種知識(shí)信息的處理方法再經(jīng)過學(xué)習(xí)和訓(xùn)練，我們可以去除很多不真實(shí)的數(shù)據(jù)，自動(dòng)分析信息的價(jià)值，并自動(dòng)提供推薦，從而幫助提供給我們最有價(jià)值的數(shù)據(jù)，甚至直接幫我們?cè)O(shè)定好教學(xué)模型和各種教學(xué)素材。

結(jié)語

機(jī)器學(xué)習(xí)一直是科學(xué)家在研究人類思考、決策的過程中總結(jié)的多元化、綜合性知識(shí)的成功應(yīng)用，而這些人工智能領(lǐng)域內(nèi)的成功應(yīng)用對(duì)我們當(dāng)前的教育教學(xué)也帶來深刻的啟示作用。知識(shí)爆炸性的成長(zhǎng)、多學(xué)科的交叉、新媒體的應(yīng)用，對(duì)我們的教育及教育工作者也是全新的挑戰(zhàn)，大數(shù)據(jù)的到來以及機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘?qū)Ξ?dāng)前教育理念的更新將是革命性的。人與機(jī)器的主流社會(huì)關(guān)系也將產(chǎn)生質(zhì)的改變，轉(zhuǎn)向人與數(shù)據(jù)之間的關(guān)系。今后社會(huì)的競(jìng)爭(zhēng)的核心將是服務(wù)和創(chuàng)新。從大數(shù)據(jù)挖掘中成功應(yīng)用的機(jī)器學(xué)習(xí)算法原理中來反思當(dāng)前的教育理念，同時(shí)將機(jī)器學(xué)習(xí)用來分析當(dāng)前的海量數(shù)據(jù)，及時(shí)反饋更新我們的教學(xué)模式，不失為一種新的嘗試和啟示。

參考文獻(xiàn)：

[1] Bishop，C.M.模式識(shí)別與機(jī)器學(xué)習(xí)，Springer？ISBN 978-0-387-31073-2，（2006）.

[2] Michael Polanyi.Knowing and Being，The University of Chicago Press，Chicago，1969：138.

[3] Michael Polanyi.Personal knowledge，Routledge，London，1958：70-78.

[4] Michael Polanyi.Study of Man，The University of Chicago Press，Chicago，1958：25.

[5] 普里戈金.從混沌到有序[M].上海：上海譯文出版社，1987：26.

[6] 陳一壯.埃德加·莫蘭的“復(fù)雜方法”思想及其在教育領(lǐng)域內(nèi)的體現(xiàn)[J].教育科學(xué)，2004，（4）.

[7] 劉曉薇，神經(jīng)元學(xué)說對(duì)教育理論研究的啟示[J].教育學(xué)術(shù)期刊，2009，（10）.

[8] 普利高津，等.從混沌到有序[M].曾慶宏，等，譯.上海：上海譯文出版社，1987：10.

[9] Corinna Cortes and V.Vapnik，Support-Vector Networks，Machine Learning，20，1995.

[10] Nello Cristianini and John Shawe-Taylor.An Introduction to Support Vector Machines and other kernel-based learning methods.

Cambridge University Press，2000.ISBN 0-521-78019-5 .

[11] Hinton，G.E.，Osindero，S.and Teh，Y.，A fast learning algorithm for deep belief netsNeural Computation 18：1527-1554，2006.

[12] Yoshua Bengio，Pascal Lamblin，Dan Popovici and Hugo Larochelle，Greedy Layer-Wise Training of Deep Networks，in J.Platt et al.

（Eds），Advances in Neural Information Processing Systems 19 （NIPS 2006），pp.153-160，MIT Press，2007.

[13] 波普爾（Popper K·R·）.客觀知識(shí)[M].舒煒光，等，譯.上海：上海譯文出版社，1987.

[14] 波珀（Popper K·R·）.科學(xué)發(fā)現(xiàn)的邏輯[M].查汝強(qiáng)，邱仁宗，譯.北京：科學(xué)出版社，1986.

Thinking about machine learning and education teaching

LIU Xiao-wei

（School of mathematics and computer science，Jiangxi Science & Technology Normal college，Nanchang 330013，China）

Abstract：Analysis of the current in the field of artificial intelligence machine learning algorithms mainly contained the nature of knowledge，has pointed out the similarities of the machine learning and education theory，at the same time，according to the characteristics of machine learning is discussed enlightenment to education，and suggests the application in education and teaching of machine learning.

Key words：machine learning；knowledge complexity；knowledge is tacit；data mining

[責(zé)任編輯 仲 琪]endprint