機器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用

陳筱語

摘 要 伴隨互聯(lián)網(wǎng)發(fā)展，以云計算和大數(shù)據(jù)為代表的信息技術(shù)，已經(jīng)開始滲透至各個領(lǐng)域。以深度學(xué)習(xí)為代表的機器學(xué)習(xí)技術(shù)，在諸多行業(yè)逐步開始發(fā)揮革命性作用。而在教育領(lǐng)域，大部分學(xué)校依然遵循傳統(tǒng)的教育模式，教學(xué)參與者如學(xué)校、教師、學(xué)生和家長普遍感到異常辛苦。本文就利用基于互聯(lián)網(wǎng)和大數(shù)據(jù)的最新機器學(xué)習(xí)技術(shù)，實現(xiàn)自主學(xué)習(xí)，進而提高高中階段教學(xué)效率的可能性和應(yīng)用過程進行探討。

關(guān)鍵詞 機器學(xué)習(xí) 統(tǒng)計 數(shù)據(jù)挖掘 互聯(lián)網(wǎng)

中圖分類號：TP181 文獻標(biāo)識碼：A

1機器學(xué)習(xí)技術(shù)介紹

根據(jù)南京大學(xué)教授周志華的《機器學(xué)習(xí)和數(shù)據(jù)挖掘》對機器學(xué)習(xí)的定義，“機器學(xué)習(xí)”是人工智能的核心研究領(lǐng)域之一，其最初的研究動機是為了讓計算機系統(tǒng)具有人的學(xué)習(xí)能力以便實現(xiàn)人工智能。目前被廣泛采用的機器學(xué)習(xí)的定義是“利用經(jīng)驗來改善計算機系統(tǒng)自身的性能”。事實上，由于“經(jīng)驗”在計算機系統(tǒng)中主要是以數(shù)據(jù)的形式存在的，因此機器學(xué)習(xí)設(shè)法要對數(shù)據(jù)進行分析，從海量的數(shù)據(jù)中，利用各種機器學(xué)習(xí)算法，提煉具有洞察價值的信息。

2機器學(xué)習(xí)核心技術(shù)簡介

機器學(xué)習(xí)是人工智能研究發(fā)展到一定階段的必然產(chǎn)物。R.S.Michalski等人把機器學(xué)習(xí)研究劃分成“從例子中學(xué)習(xí)”、“在問題求解和規(guī)劃中學(xué)習(xí)”、“通過觀察和發(fā)現(xiàn)學(xué)習(xí)”、“從指令中學(xué)習(xí)”等范疇。20世紀(jì)80年代以來，研究次數(shù)最多、應(yīng)用最廣的是“從例子中學(xué)習(xí)”（即廣義的歸納學(xué)習(xí)），它涵蓋了監(jiān)督學(xué)習(xí)（如分類、回歸）、非監(jiān)督學(xué)習(xí)（例如聚類）等眾多內(nèi)容。歸納學(xué)習(xí)另一個重要分支是神經(jīng)網(wǎng)絡(luò)和支持向量機，自從80年代BP“反向傳播算法”的發(fā)明以來，神經(jīng)網(wǎng)絡(luò)得到了極大的發(fā)展，現(xiàn)在已經(jīng)形成“深度學(xué)習(xí)”這一獨立的領(lǐng)域，在圖像識別和音頻識別方面發(fā)揮著重要的作用。以下是主要機器學(xué)習(xí)核心技術(shù)的介紹：

2.1分類算法

分類算法屬于監(jiān)督式學(xué)習(xí)算法，其原理是通過研究歷史數(shù)據(jù)，提取數(shù)據(jù)特征指標(biāo)，依據(jù)歷史數(shù)據(jù)結(jié)果，形成分類規(guī)則集合，通過信息熵最大算法，不斷對這些規(guī)則進行篩選，最終形成對數(shù)據(jù)進行有效分類的規(guī)則集合，以對將來數(shù)據(jù)進行預(yù)測。分類算法包括決策樹、隨機森林等。

2.2聚類算法

聚類算法屬于非監(jiān)督式學(xué)習(xí)算法，與分類算法等監(jiān)督式學(xué)習(xí)不同，聚類算法不包含數(shù)據(jù)標(biāo)簽，而是對原始數(shù)據(jù)特征運用距離算法，以推斷出數(shù)據(jù)標(biāo)簽。常見的聚類算法包括k-Means、分層聚類等。

2.3關(guān)聯(lián)算法

關(guān)聯(lián)算法是從一個數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)項直接關(guān)聯(lián)規(guī)則的算法，關(guān)聯(lián)算法的代表是基于頻繁項集的Apriori算法。如果存在一條關(guān)聯(lián)規(guī)則，它的支持度和置信度都大于預(yù)先定義好的最小支持度與置信度，我們就稱它為強關(guān)聯(lián)規(guī)則。強關(guān)聯(lián)規(guī)則就可以用來了解項之間的隱藏關(guān)系。所以關(guān)聯(lián)分析的主要目的就是尋找強關(guān)聯(lián)規(guī)則，而Apriori算法則主要用來幫助尋找強關(guān)聯(lián)規(guī)則。

2.4回歸算法

回歸算法基于統(tǒng)計學(xué)的線性回歸和邏輯回歸分析技術(shù)，線性回歸是通過“最小二乘法”，對觀測數(shù)據(jù)進行擬合，以對未來數(shù)據(jù)進行預(yù)測；邏輯回歸與線性回歸算法非常類似，但使用的是離散的數(shù)據(jù)分類特征，使用sigmoid函數(shù)，將線性回歸的計算結(jié)果轉(zhuǎn)化為0或1的概率，然后根據(jù)這個概率進行預(yù)測。

2.5支持向量機

支持向量機（SVM）屬于基于核的算法，是90年代中期發(fā)展起來的基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機泛化能力，實現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化，從而達到在統(tǒng)計樣本量較少的情況下，亦能獲得良好統(tǒng)計規(guī)律的目的。

2.6神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法，重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network），反向傳遞（Back Propagation），學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）等。

以上是對機器學(xué)習(xí)核心技術(shù)和算法的簡要介紹，實際上機器學(xué)習(xí)領(lǐng)域發(fā)展很快，各種算法層出不窮。據(jù)統(tǒng)計，現(xiàn)有的機器學(xué)習(xí)算法已經(jīng)超過1000種。我們這里主要介紹一些應(yīng)用比較廣泛的機器學(xué)習(xí)技術(shù)，為后續(xù)在高中階段學(xué)生自主學(xué)習(xí)中應(yīng)用做鋪墊。

3基于機器學(xué)習(xí)的自主學(xué)習(xí)

高中階段學(xué)生要實現(xiàn)自主學(xué)習(xí)，除了前文提到的機器學(xué)習(xí)技術(shù)已經(jīng)成熟之外，還有兩個先決條件也已經(jīng)具備。一是隨處可得的數(shù)據(jù)收集和處理技術(shù)；另一個是基于互聯(lián)網(wǎng)的豐富的教學(xué)資源和多樣的教學(xué)手段，包括課件、題庫、多媒體課堂等。

3.1大數(shù)據(jù)技術(shù)

大數(shù)據(jù)技術(shù)是隨著互聯(lián)網(wǎng)發(fā)展起來的最新數(shù)據(jù)處理技術(shù)，它處理的規(guī)模和吞吐量是之前的計算機系統(tǒng)的幾百上千倍，因而，隨地收集各種數(shù)據(jù)成為可能。

大數(shù)據(jù)技術(shù)主要包括四個方面：

3.1.1海量數(shù)據(jù)收集

大數(shù)據(jù)收集技術(shù)能夠?qū)崟r地收集各種格式的海量數(shù)據(jù)，不僅包括原有各種格式化數(shù)據(jù)，還包括傳統(tǒng)計算機無法收集的數(shù)據(jù)，如設(shè)備運行日志、視頻和音頻數(shù)據(jù)。

3.1.2數(shù)據(jù)處理和存儲

大數(shù)據(jù)技術(shù)支持PB直至ZB級數(shù)據(jù)的處理和存儲，有人統(tǒng)計過，現(xiàn)在Google一天處理的數(shù)據(jù)量，已經(jīng)超過20年前全世界1年產(chǎn)生的數(shù)據(jù)量。

3.1.3數(shù)據(jù)挖掘和分析

大數(shù)據(jù)技術(shù)利用大規(guī)模計算機集群的超級計算能力，使原有的性能低下的數(shù)據(jù)挖掘和機器學(xué)習(xí)算法高速運行，從而使實時數(shù)據(jù)挖掘和分析成為可能。

3.1.4數(shù)據(jù)展現(xiàn)

大數(shù)據(jù)技術(shù)利用計算機圖形學(xué)和認(rèn)知心理學(xué)的最新研究成果，利用豐富的數(shù)據(jù)展示圖表，支持各種圖形界面的數(shù)據(jù)展示，提高了信息送達和知識傳播的效率。

3.2互聯(lián)網(wǎng)教學(xué)資源

互聯(lián)網(wǎng)及其相關(guān)的數(shù)據(jù)搜索和數(shù)據(jù)服務(wù)技術(shù)，使傳統(tǒng)的線下以書本中心的教學(xué)資源體系，轉(zhuǎn)變?yōu)橐曰ヂ?lián)網(wǎng)為中心的教學(xué)資源體系。以互聯(lián)網(wǎng)為中心的教學(xué)資源體系，無論是容量、檢索速度還是展現(xiàn)方式，都是傳統(tǒng)的書本教學(xué)資源無法比擬的。

目前，在互聯(lián)網(wǎng)上可以檢索到高中階段各科目的各種教學(xué)電子教材、教學(xué)課件、作業(yè)試題、考試試卷等，而且很多教學(xué)資源能夠以具體、生動的方式來傳播知識。因而降低了教學(xué)資源的獲取門檻，拓寬了教學(xué)資源的獲取途徑，客觀上非常有利于高中階段學(xué)生進行自主學(xué)習(xí)。

4基于機器學(xué)習(xí)技術(shù)的自主學(xué)習(xí)過程

雖然有了互聯(lián)網(wǎng)、大數(shù)據(jù)和機器學(xué)習(xí)等技術(shù)，但要實現(xiàn)高中階段學(xué)生自主學(xué)習(xí)，即在提高學(xué)生學(xué)習(xí)興趣的同時，提高應(yīng)試水平，還需要采取很多切實措施。

具體措施包括以下幾個部分：

4.1過程數(shù)據(jù)收集

要實現(xiàn)自主學(xué)習(xí)，必須對學(xué)生學(xué)習(xí)的行為過程和學(xué)習(xí)的結(jié)果數(shù)據(jù)進行全面收集，學(xué)習(xí)相關(guān)數(shù)據(jù)包括以下內(nèi)容：

（1）學(xué)生基本信息：包括年齡、性別、地域、家庭條件等；

（2）學(xué)習(xí)過程數(shù)據(jù)：包括遲到、曠課、上課提問次數(shù)、聽課積極度評價、作業(yè)完成時間、作業(yè)完成次數(shù)、作業(yè)未交次數(shù)、考試完成時間等；

（3）學(xué)習(xí)結(jié)果數(shù)據(jù)：包括作業(yè)、測驗、考試的試題數(shù)據(jù)、分?jǐn)?shù)數(shù)據(jù)、試題相關(guān)的章節(jié)、知識點等；

（4）學(xué)習(xí)相關(guān)其他數(shù)據(jù)：包括教師基本信息、教師對學(xué)生評價、高考數(shù)據(jù)等。

4.2行為和模式分析

心智模式是學(xué)生的思想方法、思維習(xí)慣、思維風(fēng)格和心理素質(zhì)的綜合反映，是學(xué)生各項思維能力的“總和”，用以感受、觀察、理解、判斷、選擇、記憶、想象、假設(shè)、推理，而后指導(dǎo)其學(xué)習(xí)行為?，F(xiàn)代教育心理學(xué)認(rèn)為，高中階段學(xué)生已經(jīng)形成一定的心智模式，且心智模式對學(xué)生的學(xué)習(xí)行為有很大的影響，進而對學(xué)習(xí)的成果起決定作用。

目前可以通過學(xué)生外在表征行為數(shù)據(jù)，對學(xué)生的心智模式進行建模。高中階段學(xué)生的心智模式主要由三個維度構(gòu)成：

（1）智力結(jié)構(gòu)：包括觀察力、注意力、記憶力、實踐力；

（2）思維能力：思維的廣度和深度、思維的邏輯性、思維的獨立性；

（3）動力結(jié)構(gòu)：主要是學(xué)習(xí)動機的強弱，包括學(xué)習(xí)興趣、學(xué)習(xí)態(tài)度、學(xué)習(xí)目標(biāo)和學(xué)習(xí)適應(yīng)能力。

根據(jù)學(xué)生的心智模型，可以通過機器學(xué)習(xí)技術(shù)，對學(xué)生心智模式進行集群分析，定位學(xué)生心智模式，然后分析學(xué)生歷史學(xué)習(xí)數(shù)據(jù)，確定有效的、針對不同學(xué)生心智模式的個性化學(xué)習(xí)方案。

4.3個性化路徑定制

在確定每個學(xué)生心智模式的基礎(chǔ)上，結(jié)合過往的優(yōu)秀學(xué)習(xí)案例數(shù)據(jù)，為學(xué)生制定個性化的自主學(xué)習(xí)路徑。自主學(xué)習(xí)是按照新課標(biāo)的進度要求，為不同學(xué)生確定基本的學(xué)習(xí)路線圖，而且根據(jù)反饋，及時調(diào)整自主學(xué)習(xí)路徑，動態(tài)地適應(yīng)學(xué)生的實際狀況。

自主學(xué)習(xí)路徑本質(zhì)上是一個時間軸上的各個學(xué)習(xí)目標(biāo)的動態(tài)關(guān)聯(lián)?？傮w目標(biāo)由階段性目標(biāo)質(zhì)變而成，（例如，總體學(xué)習(xí)目標(biāo)可以是高考一本線，那么在高中三年中，每個學(xué)年每個學(xué)期都要有月度目標(biāo)，月度目標(biāo)之下還應(yīng)有周目標(biāo)）最終形成一個基于每個學(xué)生心智模式的高效學(xué)習(xí)路徑。

4.4預(yù)測與推薦

機器學(xué)習(xí)技術(shù)利用系統(tǒng)積累的大量學(xué)生的學(xué)習(xí)案例數(shù)據(jù)，實現(xiàn)對學(xué)生學(xué)習(xí)趨勢的預(yù)測，并根據(jù)實際學(xué)習(xí)產(chǎn)出，調(diào)整預(yù)測模型。在預(yù)測模型的基礎(chǔ)上，可以利用各種推薦算法，在適當(dāng)?shù)臅r間點向每個學(xué)生推薦最佳的學(xué)習(xí)資源。即根據(jù)自主學(xué)習(xí)路徑，參照正常的課程進度，提供微課、作業(yè)、測驗等適合每個學(xué)生的學(xué)習(xí)資源，確保階段性目標(biāo)的達成。

4.5監(jiān)控與干預(yù)

機器學(xué)習(xí)系統(tǒng)收集學(xué)生的學(xué)習(xí)數(shù)據(jù)，按照自主學(xué)習(xí)路徑，監(jiān)控每個學(xué)生的學(xué)習(xí)異常，及時向?qū)W生、老師和家長提出預(yù)警，以便對學(xué)生學(xué)習(xí)進行幫助，確保學(xué)習(xí)路徑與各階段目標(biāo)不偏離。

由于高中階段學(xué)生還處于青春叛逆期，很容易出現(xiàn)抗拒學(xué)習(xí)的行為，因此在學(xué)習(xí)干預(yù)的觸發(fā)設(shè)計上，必須保證有一定的余量，必須注意不能引起學(xué)生的逆反心理。

參考文獻

[1] 周志華.機器學(xué)習(xí)與數(shù)據(jù)挖掘[J].中國計算機學(xué)會通訊，2007（9）.

[2] T.M.Mitchell.Machine Learning.New York：McGraw-Hill，1997.

[3] R.S.Michalski，J.G.Carbonell，T.M.Mitchell，eds.Machine Learning：An Artificial IntelligenceApproach，Palo Alto，CA：Tioga Publishing Co.，1983.