第14章 综合实践：智慧教育

第14章机器学习与深度学习本章学习路径1“慧”教“慧”学1.1人工智能和教育深度融合（1）为什么党和政府要提出将人工智能和教育深度融合？革新教育教学理念：顺应时代潮流、拓展教育视野。提升教育教学质量：个性化学习支持、智能评价与反馈。优化教育资源配置：平衡教育资源、提高资源利用效率。增强教育公平水平：保障特殊群体受教育权利、促进教育机会均等。促进社会经济发展：为未来劳动力市场培养人才、推动社会创新与进步。1“慧”教“慧”学1.1人工智能和教育深度融合（2）如何理解人工智能和教育深度融合？2017年7月，国务院印发的《新一代人工智能发展规划》第三部分“建设安全便捷的智能社会”对智能教育提出目标和要求，其中内容实质上就对人工智能和教育深度融合给出了方向和路径。2024年3月9日十四届全国人大二次会议记者会上，教育部部长怀进鹏指出，要把人工智能技术深入到教育教学和管理全过程、全环节。2025年3月5日，十四届全国人大三次会议“部长通道”中，怀进鹏部长指出，要提升学生在数字化时代、智能化时代的素养和能力，进一步加强科技教育和人文教育的融合。2021年11月，国家互联网信息办公室发布的《提升全民数字素养与技能行动纲要》中给出，数字素养与技能是数字社会公民学习工作生活应具备的数字获取、制作、使用、评价、交互、分享、创新、安全保障、伦理道德等一系列素质与能力的集合。1“慧”教“慧”学1.2人工智能在教育教学中全过程应用和深度应用如何在教育教学中全过程应用和深度应用人工智能？教学设计传统方式的缺陷和弊端：缺乏创新灵感、难以满足学生个性化需求。人工智能融入的教学设计。人工智能融入教学设计的优势和特色：起点高、创意强、个性化。1“慧”教“慧”学1.2人工智能在教育教学中全过程应用和深度应用如何在教育教学中全过程应用和深度应用人工智能？教学资源聚合传统方式的缺陷和弊端：途径有限且耗时费力、资源更新不及时。人工智能融入的教学资源聚合。人工智能融入教学资源聚合的优势和特色：来源广、更新快。1“慧”教“慧”学1.2人工智能在教育教学中全过程应用和深度应用如何在教育教学中全过程应用和深度应用人工智能？富媒体资源制作传统方式的缺陷和弊端：制作时间和技能缺乏、效率低且质量不高。人工智能融入的富媒体资源制作。人工智能融入富媒体资源制作的优势和特色：上手快、效率高、质量好。1“慧”教“慧”学1.2人工智能在教育教学中全过程应用和深度应用如何在教育教学中全过程应用和深度应用人工智能？试题与测试资源和知识产权保护1“慧”教“慧”学1.2人工智能在教育教学中全过程应用和深度应用如何在教育教学中全过程应用和深度应用人工智能？评价与展示2“慧”思“慧”研2.1人工智能赋能教与学的思考与研究（1）人工智能赋能课堂教学有哪些机遇和挑战？课堂教学上的机遇课堂教学上的挑战（2）人工智能赋能教与学对于育人理念有哪些机遇和挑战？育人理念上的机遇育人理念上的挑战教育范式应从关注知识习得转向关注人的发展。育人理念上的挑战。教师应从经验思维转向循证思维。2“慧”思“慧”研2.1人工智能赋能教与学的思考与研究（3）人工智能赋能教与学对于教师教研能力有哪些机遇和挑战？如何实现个性化教学教学智能体研究与设计如何实现生成性教学基于生成式人工智能的苏格拉底式提问2“慧”思“慧”研2.2“人工智能+”创新实践赛事（1）有哪些“人工智能+”创新实践赛事？“挑战杯”全国大学生课外学术科技作品竞赛“人工智能+”专项赛中国大学生计算机设计大赛中国高校计算机大赛中国机器人及人工智能大赛全球校园人工智能算法精英大赛2“慧”思“慧”研2.2“人工智能+”创新实践赛事（2）参加“人工智能+”创新竞赛活动有哪些创新思路？逆向思维法：从现有需求和问题入手，反向推导人工智能可能的解决方案。类比思维法：借鉴不同领域成功的创新模式，将其与人工智能技术相融合。跨界融合法：将人工智能与看似不相关的领域融合。优化升级法：针对已有基于人工智能的产品或服务，寻找可改进之处。3应用实践：学习行为智能评估3.1基于机器学习的学习行为智能评估（1）如何利用决策树算法模型评估学习行为？评估学习行为的决策树模型设计评估学习行为的决策树模型实现3应用实践：学习行为智能评估3.1基于机器学习的学习行为智能评估（2）如何利用K近邻算法模型评估学习行为？评估学习行为的K近邻算法模型设计核心思想是相似的样本在特征空间中距离更近。不需要对数据进行复杂的预处理，能够直接利用原始数据进行训练和预测。评估学习行为的K近邻算法模型实现3应用实践：学习行为智能评估3.1基于机器学习的学习行为智能评估（3）如何利用支持向量机算法模型评估学习行为？评估学习行为的支持向量机算法模型设计按监督学习方式对数据进行二元分类的算法。处理分类问题时表现出色，尤其适用于高维数据的分类任务。评估学习行为的支持向量机算法模型实现3应用实践：学习行为智能评估3.1基于机器学习的学习行为智能评估（4）三种模型如何比较和联合运用？算法模型比较评价的指标评估学习行为的支持向量机算法模型实现集成学习：可以将这3种模型作为基学习器，构建集成学习模型。特征选择与降维：利用决策树的特征重要性评估功能，筛选出对学生学习行为影响较大的特征。然后将这些特征输入到K近邻和支持向量机模型中，以提高模型的训练效率和预测精度。多阶段分类：在教育数据分析中，可以将学生学习行为分为多个阶段进行评估。3应用实践：学习行为智能评估3.2基于深度神经网络的学习行为智能评估（1）模型训练的数据集如何准备？将卷积神经网络（CNN）和长短期记忆网络（LSTM）混合，用于课堂场景行为识别，这种混合架构主要是为了同时利用两者的优势来处理视频分类任务，其中CNN用于提取单帧图像的特征，而LSTM用于捕捉帧序列中的时间动态。通过两者结合，模型能够对整个视频序列进行更准确的分类或预测。3应用实践：学习行为智能评估3.2基于深度神经网络的学习行为智能评估（2）为什么要将两种神