人工智能在教育领域的价值
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇人工智能在教育领域的价值范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
人工智能在教育领域的价值范文第1篇
一、前言
当前的人工智能虽然还不够完善但其在人类的发展进程中起到了巨大的作用。因为其具有了超强的学习和分析的能力，在个人以及人工智能较量的过程中人工智能一直都是处在领先的地位，为此可以利用到人工智能来促进到人类社会的快速发展。
二、相关概念阐述
人工智能又称AI，是模拟物种智能应用的技术实现和科学。机器智能的科研市场领域包括各种图像和语言结构的快速识别，以及使用语言直接处理和服务机器人。它不仅相当于人类行为的智能，还可以系统地模拟物种的思维，并将在几年内超越历史上的物种。在未来，机器人不断学习，以使仿人机器人模仿人类的学习方式，在这一过程，获得新的各种知识，智能机器人的学习过程更快，可以实现对海量综合数据的深入分析。此外，人工智能机器人不仅可以获得更准确的结果，而且具有独特且更快的信号传输速率。许多科学家有能力超越人类自身。在深入思考核心问题时，实际上，很多人因为机器人是人类设计的，所以不可能超越人类的历史，但是人工智能机器人可能具有集成的学习功能，因此这种可能性将变得非常大。人工智能机器人具有继续学习技术的能力，没有人能够预测学习数据后的整体智能水平。
三、人工智能视域下机器人学习的适切性
在当前的文化和教育生活环境中，由于智能教育的兴起，大数据情境系统功能可以为学生综合分析和选择各种类型的信息，从而重用具有潜在影响的知识可以促进智能教育的发展。智能机器人继续学习，但借助计算机来分析综合数据，例如，以完全掌握规则并进行非常有效的分析和预测。可以看出，机器人正为人类智能教育而学习更有益。在教育中，信息化的进程在今天的时代，智能教育无疑已经成为吸引学生在学习过程中的重要因素。将学习与先进技术核心技术结合起来的方法有很多。人工智能机器人必然会给文化教育生态系统带来帮助。向人工智能机器人学习的方式很多，学校教师可以提高和教育的整体质量和效率，学生也可以赢得符合自身市场需求的学习服务，这有助于减轻学生和家长的负担。
四、人工智能视域下机器人学习的应用创新研究
从人工智能技术的角度来看，智能机器人学习是目前世界上最先进的技术。大数据在教育相关领域的应用具有很好的业务前景。人工智能机器人持续学习的应用可以帮助一些学生实现相关知识与数据之间的联系。
（一）机器人学习与教育之间的融合仅从当前的现象来看，大多数教师不了解核心技术，而了解该技术的人也不了解教育，这很容易导致无法在教育与核心之间形成良好的关系。因为技术研发人员不了解教育，所以不能从教育的多个角度审视开发过程，优秀的教师也不能从技术角度回应数据的全面发展。在人工智能开发领域，机器人应该深入地整合到学习和教育中。组织技术实施和教育核心领域的相关人员进行直接沟通和交流，使人工智能机器人在学习和应用过程中能够更充分地认识到技术研发和生产人员的过程。
（二）机器人学习在学习场景方面的应用人工智能在学校教育领域的应用，因其未来的发展趋势而呈现出明显的趋势。然而，随着学校教育核心领域的许多专业学科的介入，对学习人工智能机器人的要求将越来越高。当你开始学习同一个主题时，需要在同一个应用程序中逐步建立不同的场景。这对机器人来说更难在未来继续学习，但也是最值得创新的。仿人机器人普遍对大量综合数据进行深入分析，分析每个学习内容主题的特点和各部分学生的特点，并采取相应的更有针对性的基本教学方法，提高同学教育的速度和效率。
（三）机器人学习对于智慧环境创新方面的应用首先，由于文化教育市场中的数据种类繁多且缺乏正常秩序，这也增加了在大型集成数据系统中分析和处理文化和教育数据的难度。其次，在随后的数据处理过程中，随着时间的推移会遇到数据隐私问题，如何保护数据隐私是另一个需要注意的关键问题。因此，在教育的相关领域，大综合数据的后续处理以改善文化教育和质量，并确保在教育中最终数据的合理使用，必须在许多方面进行协调与合作，从而促进共享的合法性。最后，必须有效地确保可以长期保持教育中的数据情况并实现流程标准化。有可能实现最终数据的统一，这将大大降低全面数据交换的总体成本，并努力实现数据的无缝集成。数据的最终数据主要是由于目标学生的地区差异，以满足同一学生学习知识的不同需求。
人工智能在教育领域的价值范文第2篇
关键词：人机大战；人工智能；发展前景
中图分类号：TP391 文献标识码：A
0.引言
2016年3月15日，备受瞩目的“人机大战”终于落下帷幕，最终Google公司开发的“AlphaGo”以4∶1战胜了韩国九段棋手李世h。毫无疑问，这是人工智能历史上一个具有里程碑式的大事件。大家一致认为，人工智能已经上升到了一个新的高度。
这次胜利与1997年IBM公司的“深蓝”战胜国际象棋世界冠军卡斯帕罗不同。主要表现在两个方面：
（1）AlphaGo的胜利并非仅仅依赖强悍的计算能力和庞大的棋谱数据库取胜，而是AlphaGo已经拥有了深度学习的能力，能够学习已经对弈过的棋盘，并在练习和实战中不断学习和积累经验。
（2）围棋比国际象棋更加复杂，围棋棋盘有361个点，其分支因子无穷无尽，19×19格围棋的合法棋局数的所有可能性是幂为171的指数，这样的计算量相当巨大。英国围棋联盟裁判托比表示：“围棋是世界上最为复杂的智力游戏，它简单的规则加深了棋局的复杂性”。因此，进入围棋领域一直被认为是目前人工智能的最大挑战。
简而言之，AlphaGo取得胜利的一个很重要的方面就是它拥有强大的“学习”能力。深度学习是源于人工神经网络的研究，得益于大数据和互联网技术。本文就从人工智能的发展历程与现状入手，在此基础上分析了人工智能的未来发展前景。
1.人工智能的发展历程
AlphaGo的胜利表明，人工智能发展到今天，已经取得了很多卓越的成果。但是，其发展不是一帆风顺的，人工智能是一个不断进步，并且至今仍在取得不断突破的学科。回顾人工智能的发展历程，可大致分为孕育、形成、暗淡、知识应用和集成发展五大时期。
孕育期：1956年以前，数学、逻辑、计算机等理论和技术方面的研究为人工智能的出现奠定了基础。德国数学家和哲学家莱布尼茨把形式逻辑符号化，奠定了数理逻辑的基础。英国数学家图灵在1936年创立了自动机理论（亦称图灵机），1950年在其著作《计算机与智能》中首次提出“机器也能思维”，被誉为“人工智能之父”。总之，这些人为人工智能的孕育和产生做出了巨大的贡献。
形成期：1956年夏季，在美国达特茅斯大学举办了长达2个多月的研讨会，热烈地讨论用机器模拟人类智能的问题。该次会议首次使用了“人工智能”这一术语。这是人类历史上第一次人工智能研讨会，标志着人工智能学科的诞生。其后的十几年是人工智能的黄金时期。在接下来的几年中，在众多科学家的努力下，人工智能取得了瞩目的突破，也在当时形成了广泛的乐观思潮。
暗淡期：20世纪70年代初，即使最杰出的AI程序也只能解决问题中最简单的部分，发展遇到瓶颈也就是说所有的AI程序都只是“玩具”，无法解决更为复杂的问题。随着AI遭遇批评，对AI提供资助的机构也逐渐停止了部分AI的资助。资金上的困难使得AI的研究方向缩窄，缺少了以往的自由探索。
知识应用期：在80年代，“专家系统”（Expect System）成为了人工智能中一个非常主流的分支。“专家系统”是一种程序，为计算机提供特定领域的专门知识和经验，计算机就能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。不同领域的专家系统基本都是由知识库、数据库、推理机、解释机制、知识获取等部分组成。
集成发展期：得益于互联网的蓬勃发展、计算机性能的突飞猛进、分布式系统的广泛应用以及人工智能多分支的协同发展，人工智能在这一阶段飞速发展。尤其是随着深度学习和人工神经网络研究的不断深入，人工智能在近几十年中取得了长足的进步，取得了令人瞩目的成就。
人工智能发展到今天，出现了很多令人瞩目的研究成果。AlphaGo的胜利就是基于这些研究成果的一个里程碑。当前人工智能的研究热点主要集中在自然语言处理、机器学习、人工神经网络等领域。
2.人工智能l展现状与前景
人工智能当前有很多重要的研究领域和分支。目前，越来越多的AI项目依赖于分布式系统，而当前研究的普遍热点则集中于自然语言处理、机器学习和人工神经网络等领域。
自然语言处理：自然语言处理（Natural Language Processing，简称NLP），是语言学与人工智能的交叉学科，其主要功能就是实现让机器明白人类的语言，这需要将人类的自然语言转化为计算机能够处理的机器语言。
自然语言处理主要包括词法分析、句法分析和语义分析三大部分。词法分析的核心就是分词处理，即单词的边界处理。句法分析就是对自然语言中句子的结构、语法进行分析如辨别疑问句和感叹句等。而语义分析则注重情感分析和整个段落的上下文分析，辨别一些字词在不同的上下文定的语义和情感态度。
当前自然语言的处理主要有两大方向。一种是基于句法-语义规则的理性主义理论，该理论认为需要为计算机制定一系列的规则，计算机在规则下进行推理与判断。因此其技术路线是一系列的人为的语料建设与规则制定。第二种是基于统计学习的经验主义理论，这种理论在最近受到普遍推崇。该理论让计算机自己通过学习并进行统计推断的方式不停地从数据中“学习”语言，试图刻画真实世界的语言现象，从数据中统计语言的规律。
机器学习：机器学习（Machine Learning）是近20年来兴起的人工智能一大重要领域。其主要是指通过让计算机在数据中自动分析获得规律，从而获取“自我学习”的能力，并利用规律对未知数据进行判断和预测的方法。
机器学致可以分为有监督的学习和无监督的学习。有监督的学习是从给定的训练数据集中练出一个函数和目标，当有新的数据到来时，可以由训练得到函数预测目标。有监督的学习要求训练集同时有输入和输出，也就是所谓的特征和目标。而依据预测的结果是离散的还是连续的，将有监督的学习分为两大问题，即统计分类问题和回归分析问题。统计分类的预测结果是离散的，如肿瘤是良性还是恶性等；而回归分析问题目标是连续的，如天气、股价等的预测。
无监督学习的训练集则没有人为标注的结果，这就需要计算机去发现数据间的联系并用来分类等。一种常见的无监督学习是聚类分析（Cluster Analysis），它是将相似的对象通过静态分类的方法分成不同的组别或者是特定的子集，让同一个子集中的数据对象都有一些相似的属性，比较常用的聚类方法是简洁并快速的“K-均值”聚类算法。它基于K个中心并对距离这些中心最近的数据对象进行分类。
机器学习还包括如半监督学习和增强学习等类别。总而言之，机器学习是研究如何使用机器来模拟人类学习活动的一门学科，而其应用随着人工智能研究领域的深入也变得越来越广泛，如模式识别、计算机视觉、语音识别、推荐算法等领域越来越广泛地应用到了机器学习中。
人工神经网络：在脑神经科学领域，人们认为人类的意识及智能行为，都是通过巨大的神经网络传递的，每个神经细胞通过突出与其他神经细胞连接，当通过突触的信号强度超过某个阈值时，神经细胞便会进入激活状态，向所连接的神经细胞一层层传递信号。于1943年提出的基于生物神经元的M-P模型的主要思想就是将神经元抽象为一个多输入单输出的信息处理单元，并通过传递函数f对输入x1，x2…，xn进行处理并模拟神经细胞的激活模式。主要的传递函数有阶跃型、线性型和S型。
在此基础上，对神经网络算法的研究又有诸多进展。日本的福岛教授于1983年基于视觉认知模型提出了卷积神经网络计算模型。通过学习训练获取到卷积运算中所使用的卷积系数，并通过不同层次与自由度的变化，可以得到较为优化的计算结果。而AlphaGo也正是采用了这种深度卷积神经网络（DCNN）模型，提高了AlphaGo的视觉分类能力，也就是所谓的“棋感”，增强了其对全盘决策和把握的能力。
3.人工智能的发展前景
总体来看，人工智能的应用经历了博弈、感知、决策和反馈这几个里程碑。在以上4个领域中，既是纵向发展的过程，也是横向不断改进的过程。
人工智能在博弈阶段，主要是实现逻辑推理等功能，随着计算机处理能力的进步以及深度学习等算法的改进，机器拥有了越来越强的逻辑与对弈能力。在感知领域，随着自然语言处理的进步，机器已经基本能对人类的语音与语言进行感知，并且能够已经对现实世界进行视觉上的感知。基于大数据的处理和机器学习的发展，机器已经能够对周围的环境进行认知，例如微软的Kinect就能够准确的对人的肢体动作进行判断。该领域的主要实现还包括苹果的Siri，谷歌大脑以及无人驾驶汽车中的各种传感器等。在以上两个阶段的基础上，机器拥有了一定的决策和反馈的能力。无人驾驶汽车的蓬勃发展就是这两个里程碑很好的例证。Google的无人驾驶汽车通过各种传感器对周围的环境进行感知并处理人类的语言等指令，利用所收集的信息进行最后的决策，比如操作方向盘、刹车等。
人工智能已经渗透到生活中的各个领域。机器已经能识别语音、人脸以及视频内容等，从而实现各种人际交互的场景。在医学领域，人工智能可以实现自动读片和辅助诊断以及个性化t疗和基因排序等功能。在教育领域，机器也承担了越来越多的辅助教育，智能交互的功能。在交通领域，一方面无人车的发展表明无人驾驶是一个可以期待的未来，另一方面人工智能能够带来更加通畅和智能的交通。另外人工智能在安防、金融等领域也有非常广阔的发展前景。总之，人工智能在一些具有重复性的和具备简单决策的领域已经是一种非常重要的工具，用来帮助人们解决问题，创造价值。
参考文献
[1]阮晓东.从AlphaGo的胜利看人工智能的未来[J].新经济导刊，2016 （6）：69-74.
人工智能在教育领域的价值范文第3篇
2019年7月1日至7月5日，东西部协作2019年大通县信息技术骨干教师能力提升培训在南京市雨花台区教师发展中心进行。信息技术素养观转变。从技术应用能力转向信息素养能力，我们不仅要利用技术，更要利用信息素养和信息技术合作。
人工智能时代的教育变革
一、人工智能驱动智慧教育
当前，以人工智能为代表的技术创新进入到一个前所未有的活跃期。当人类社会迈进信息时代的新阶段——人工智能时代，这种工业化的教育体系已经无法满足未来社会对人才的需求，时展迫切需要一场教育变革。换句话说，教育不是由外而内传递知识，而是由内而外觉悟智慧。这就要求，我们必须打破整齐划一的传统教育形态，构建与人工智能时代相适应的智慧教育体系，利用智能技术对学习环境、学习内容、教学方式、管理模式进行系统化改造，为学生提供富有选择、更有个性、更加精准的智慧教育。
二、智慧教育的理念内涵
综合已有研究，我们认为，智慧教育是指以“人的智慧成长”为导向，运用人工智能技术促进学习环境、教学方式和教育管理的智慧转型，在普及化的学校教育中提供适切的学习机会，形成精准、个性、灵活的教育服务体系，最大限度地满足学生的成长需要。只有把“人”置于教育的最高关注，发掘人的潜能，唤醒人的价值，启发人的智慧，才能从容应对人工智能时代带来的挑战。智慧教育不仅是教育基础设施的信息化、智能化，而且是教育理念与教育方式的转型升级，从注重“物”的建设向满足“人”的多样化需求和服务转变。
智慧教育包括三个组成部分：一是相互融通的学习场景，利用智能技术打通物理空间与网络空间之间的壁垒，让万物互联，让世界互通，所有学生都可以在任何地方、任何时刻获取所需的任何信息；二是灵活多元的学习方式，注重学习的社会性、参与性和实践性，打破学科之间的界限，开展面向真实情境和丰富技术支持的深度学习；三是富有弹性的组织管理，破除效率至上的发展理念，释放学校的自主办学活力，利用人工智能提高教育治理的现代化水平，让学生站在教育的正中央。
虚拟和增强现实（VR/AR）技术在教学中的应用与前景展望
一、虚拟现实和增强现实技术的起源、概念和应用领域
（一）虚拟现实和增强现实技术的起源
虚拟现实（VirtualReality，简称VR）技术描述的就是我们现在熟悉的“虚拟现实”。增强现实（Augmented Reality，简称AR）是指在真实环境之上提供信息性和娱乐性的覆盖。
我国虚拟现实技术的研究起步于20 世纪90 年代初。随着计算机图形学、计算机系统工程等的高速发展，虚拟现实技术得到相当的重视。2016 年3 月17 日全国两会授权的《中华人民共和国国民经济和社会发展第十三个五年规划纲要》中指出：“大力推进先进半导体、机器人、增材制造、智能系统、新一代航空装备、空间技术综合服务系统、智能交通、精准医疗、高效储能与分布式能源系统、智能材料、高效节能环保、虚拟现实与互动影视等新兴前沿领域创新和产业化，形成一批新增长点。”
（二）虚拟现实和增强现实的概念、特征和应用领域
1. 虚拟现实技术
虚拟现实，是一种基于多媒体计算机技术、传感技术、仿真技术的沉浸式交互环境。具体地说，就是采用计算机技术生成逼真的视觉、听觉、触觉一体化的特定范围的虚拟环境，用户借助必要的设备以自然的方式与虚拟环境中的对象进行交互作用、相互影响，从而产生亲临等同真实环境的感受和体验。
虚拟现实具有特性，即沉浸性(Immersion)、交互性(Interaction)、构想性(Imagination)，是一个学科高度综合交叉的科学技术领域。虚拟现实与人工智能 (AI) 技术及其他相关领域技术结合，将会使其还具有智能(Intelligent) 和自我演进演化(Evolution) 特征。头戴式虚拟现实设备，即可观看虚拟现实视频介绍。
虚拟现实涉及门类众多的学科，整合了很多相关技术。虚拟现实是未来科技发展的方向之一，它可以从人的感觉系统上改变现有的空间感。虚拟现实现有的产业链大致可分为硬件设计开发、软件设计开发、资源设计开发和资源运营平台等几种类别。通过虚拟现实关键技术的突破以及“虚拟现实+”的带动，会产生大量行业和领域的虚拟现实应用系统，为网络与移动终端应用带来全新发展，将会推动许多行业实现升级换代式的发展。虚拟现实可以应用于国防军事、航空航天、智慧城市、装备制造、教育培训、医疗健康、商务消费、文化娱乐、公共安全、社交生活、休闲旅游、电视直播等领域中。
2. 增强现实技术
增强现实是在虚拟现实的基础上发展起来的一种新兴技术。增强现实技术基于计算机的显示与交互、网络的跟踪与定位等技术，将计算机形成的虚拟信息叠加到现实中的真实场景，以对现实世界进行补充，使人们在视觉、听觉、触觉等方面增强对现实世界的体验。
增强现实具有三大特点，即虚实结合、实时交互和三维配准。
增强现实具有三种呈现显示方式，按距离眼睛由近到远划分分别为头戴式（head-attached）、手持式（hand-held）、空间展示（spatial）。增强现实智能眼镜，扫描二维码可以观看Magic Leap 增强现实演示视频。
增强现实的应用领域非常广泛。如在教育领域增强现实可以为学生呈现全息图像、虚拟实验、虚拟环境等；在旅游业增强现实可以帮助游客自助游玩景区，以虚拟影像的形式为游客讲解景区概况、发展历史、人文景观等内容；在零售业中增强现实技术可以实现一键试穿，在网上销售中具有极大的应用空间。增强现实在工业、医疗、军事、市政、电视、游戏、展览等领域都表现出了良好的应用前景。
二、虚拟现实和增强现实技术在教学中的具体应用
虚拟现实和增强现实技术在教学中的应用潜力巨大、前景广阔，主要体现在运用虚拟现实和增强现实技术具有激发学习动机、创设学习情境、增强学习体验、感受心理沉浸、跨越时空界限、动感交互穿越和跨界知识融合等多方面的优势。虚拟现实和增强现实技术的应用，能够为教育工作者提供全新的教学工具，同时，能激发学生学习新知识的兴趣，让学生在动手体验中迸发出创新的火花。因此虚拟现实和增强现实技术应用于教育行业是教育技术发展的一个新的飞跃， 它营造了自主学习的环境，由传统的“以教促学”的学习方式演变为学生通过新型信息化环境和工具来获取知识和技能的新型学习方式，符合新一轮教学改革的教育理念，有助于学生核心素养的培养。虚拟现实和增强现实设备有多种，这里分别介绍各种设备在教学中的具体应用。
（一）头戴式虚拟现实和增强现实设备在教学中的应用
头戴式虚拟现实设备一般包含头戴式显示器、位置跟踪器、数据手套和其他设备等，分为移动虚拟现实头盔和分体式虚拟现实头盔。国外有脸谱、谷歌、微软、三星等公司的虚拟现实头盔产品，国内有微视酷、蚁视、暴风魔镜、中兴、乐视、华为、小米等100 多种虚拟现实头盔产品。结合国内外的研究报告以及目前虚拟现实教育实践情况，虚拟现实和增强现实技术在生物、物理、化学、工程技术、工艺加工、飞行驾驶、语言、历史、人文地理、文化习俗等教学中均可应用。
学生使用头戴式虚拟现实设备体验学习时具有置身真实情境的沉浸式感觉，能给学生以绝佳的真实体验， 使人如身临其境，让书本中的内容可触摸、可互动、可感知。例如地理学科讲述关于宇宙太空星际运行的课程时，在现实生活中学生无法遨游太空，如果戴上头戴式虚拟现实设备，就可以让学生从各个角度近距离观察行星、恒星和卫星的运行轨迹，观察每个星球的地表形状和内部结构，甚至能够降落在火星或月球上进行“实地” 考察、体验星际之旅等。虚拟现实头戴设备， 手机扫描二维码观可看虚拟现实效果视频。
（三）手持式虚拟现实与增强现实设备在教学中的应用
手持式增强现实设备多采用移动设备与APP 软件相结合的方式。APP 有视+AR、AR、4D 书城、幻视、视AR、尼奥照照等，另外有多种增强现实图书都有相配套的APP，如《机器人跑出来了》《实验跑出来了》《恐龙争霸赛来了》这套“科学跑出来”系列增强现实科普读物有iRobotAR、iScienceAR、恐龙争霸赛来了等多个APP，它们的原理都是采用手机摄像头获取现实世界影像，通过手机在现实世界上叠加虚拟形象的形式，实现增强现实的特殊显示效果。有的APP 中提供了丰富的教育资源，如安全教育、科普读物、识字卡片、益智游戏等，特别适合儿童教育。使用方法有两种：一种是手机APP 与相配套的纸质图书一起使用，用手机摄像头扫描图书上的图片，在手机屏幕上即可呈现出演示效果；另一种使用方法是运用APP 下载增强现实资源并与外界实景叠加即可呈现出演示效果。增强现实特效非常逼真，利用这些APP 进行学习，学习过程具有真实感、体验感、沉浸感，增强了学生学习知识的兴趣，可以达到寓教于乐的教学效果。
三、虚拟现实与增强现实技术在教学中应用的优势分析
（一）虚拟现实与增强现实技术为学生自主学习提供了有利条件
虚拟现实和增强现实教学资源存在形式多种多样， 根据采用的设备不同，可以将教学资源保存在网络运营平台、桌面式设备、移动设备和纸质图书里，学生可以在不同的地方采用不同的设备调用虚拟现实和增强现实教学资源进行随时随地的自主学习。如果学生在课堂上有些知识点未能掌握，可以重新学习一遍，增加对知识的巩固和理解，有时学生因为特殊原因未能在课堂上学习，也可以课后弥补，同时可以将虚拟现实和增强现实设备作为载体采用“翻转课堂”或“微课导学”教学模式组织教学，为学生提供自主学习条件，教师也可以从繁重的重复性讲解中解脱出来，有针对性地为学生答疑解惑，有助于传统教学方式的变革。
（二）虚拟现实与增强现实技术为学生提供更加真实的情景
在传统的教学课堂上，知识的传输主要通过文字、图片、声音、动画和视频的形式呈现。遇到比较复杂的情况，比如数学课的立体几何、地理课的天体运动、物理课的磁力线和电力线、化学课的微观粒子结构、生物课的细胞结构等，教师用语言很难把这些知识点表达得非常清晰，同时由于每个学生的理解力不同，教学效果也会因人而异，甚至初次学习这些知识的学生会得到“盲人摸象”般的感受。而采用虚拟现实和增强现实技术组织教学，三维立体效果的呈现可以弥补这样的缺憾，能够把知识立体化，把难以想象的东西直接以三维形式呈现出来，让学生直观感受到文字所表达不出来的知识，真实的情景可以帮助学生对知识的理解和记忆，使学生的想象变得更加丰富。
（三）虚拟现实和增强现实技术能提高学生的学习兴趣
由于虚拟现实和增强现实技术具有视觉、听觉和触觉一体化的感知效果，学生具有真实情境体验、跨越时空界限、动感交互穿越的感受，能身临其境般在书海里遨游，让书本中的内容可触摸、可互动、可感知。身临其境的感受和自然丰富的交互体验不仅极大地激发了学习者的学习动机，更给学习者提供了大量亲身观察、操作以及与他人合作学习的机会，促进了学生的认知加工过程及知识建构过程，有利于实现深层次理解。传统的学习方式让很多学生觉得枯燥乏味， 为了应付考试不得不去死记硬背，但很多知识学生考完之后很快会忘得一干二净，而采用虚拟现实和增强现实技术组织教学，新颖的学习方式和丰富多彩的学习内容能够极大地提升课堂教学的趣味性，生动形象的场景会加强学生的记忆，激发学生的学习兴趣。“兴趣是最好的老师”，兴趣也是学生学习新知识的不竭动力。
（四）虚拟现实和增强现实技术应用能促进优质资源均衡化
我国幅员辽阔，地区之间贫富差距较大，存在教学资源分配不均的情况。经济发达地区无论是软硬件配置， 教学师资和教学资源都非常丰富，而经济落后、地域偏远的山村学校学生连接受最基本的教育都难以实现。各级政府和教育主管部门都在大力推进教育均衡发展，加大教育投资力度，而虚拟现实和增强现实技术应用将是解决城乡教育资源不均衡问题的一把金钥匙，有利于缓解教育资源两极分化，扩大优质资源的分享范围，能让教育资源不再受限于地区和学校，让教育发达地区的名教师通过虚拟现实和增强现实课堂走进山村学校，能通过整体优化教育资源配置，来缩小城乡差距，实现教育公平，同时这也是教育扶贫的较佳途径。
四、虚拟现实和增强现实技术在教学应用中存在的问题
虽然虚拟现实和增强现实技术在教学中的应用可以改变传统的教学方式、提高学习兴趣、实现教育均衡发展，但虚拟现实和增强现实技术发展还处在初级应用阶段，在技术瓶颈、资源开发、教学内容和推广普及等方面还存在很多问题。
（一）虚拟现实设备应用中的眩晕问题
人们在使用虚拟现实设备时会出现眩晕感，从硬件结构来看，由于现在的科技还无法做到高度还原真实场景，许多用户使用配置达不到要求的虚拟现实产品时会产生眩晕感；虚拟现实界面中的视觉反差较大，实际运动与大脑运动不能够正常匹配，影响大脑对所呈现影像的分析和判断，从而产生眩晕感；虚拟现实设备的内容有相当一部分资源是从PC电脑版上移植过来的，UI 界面不能很好地匹配虚拟现实设备，不同的系统处理上也无法达到协调统一，画面感光线太强或太弱都不能让用户接受；虚拟现实设备帧间延迟跟不上人的运动，会有微小的延迟感，当感官与帧率不同步时也会让使用者产生眩晕感。
（二）虚拟现实和增强现实技术在教学中资源短缺
目前虚拟现实和增强现实产业刚起步，软硬件设施不完备，开发人员技术力量不足，很多学校未配备虚拟现实和增强现实设备；中小学校的很多教师还没有接触过虚拟现实和增强现实，不知道如何在教学中应用，更谈不上如何去开发虚拟现实和增强现实教学资源。因此，针对中小学教学所开发的虚拟现实资源很少，课程资源短缺是虚拟现实和增强现实在中小学推广的最大瓶颈。但随着虚拟现实和增强现实技术的迅猛发展，将虚拟现实和增强现实技术应用于教学势在必行，未来虚拟现实和增强现实技术在教学中的应用势必带来课堂教学方式的颠覆性改变。
（三）虚拟现实和增强现实教学平台和资源的设计重形式轻内容
当前很多虚拟现实教育平台都只是在一个3D 视频或虚拟现实软件游戏的基础上构成虚拟现实教学。虽然学生在虚拟世界玩得津津有味，课堂气氛很活跃，学生互动、交流和讨论很热烈，表面上看学生得到了沉浸式的体验感，但是有些虚拟现实教育平台所提供的知识点讲解还停留在现实世界中，课本内容的单调、枯燥并没有因软件的存在而得到缓解，知识要点的讲解没有变得更加生动、有趣和有针对性，这种只重视形式而不重视内容、教与学完全脱节的虚拟现实课堂只能称为“伪虚拟现实课堂”。
（四）虚拟现实和增强现实设备价格较高和技术条件限制导致普及困难
企业的前期研发成本较高、设备销售量较少，导致多数虚拟现实和增强现实设备销售价格居高不下， 很多学校因资金问题望而却步，无力购买售价高昂的虚拟现实和增强现实设备，进而导致虚拟现实和增强现实技术在学校的推广普及步履艰难。大多数虚拟现实软件普遍存在语言专业性较强、通用性较差和易用性差等问题。受硬件局限性的影响，虚拟现实软件开发花费巨大且效果有限。另外在新型传感应用、物理建模方法、高速图形图像处理、人工智能等领域，都有很多问题亟待解决。三维建模技术也需进一步完善，大数据与人工智能技术的融合处理等都有待进一步提升。以上诸多原因的存在制约了虚拟现实和增强现实技术在中小学教学中的推广和普及。
五、虚拟现实和增强现实技术在教学应用中的前景展望
虚拟现实和增强现实技术发展对未来教学形式的影响
随着科学技术的迅猛发展，在云计算、雾计算、物联网、“互联网+”、大数据、人工智能突飞猛进的新时代背景下，虚拟现实和增强现实技术与人工智能、大数据和物联网融合，将会让虚拟现实和增强现实技术应用如虎添翼。
随着虚拟现实和增强现实软硬件设备的性能提升和价格降低，会有更多的教育投资公司开发出更加丰富多彩的教学资源，让虚拟现实和增强现实技术快速走进中小学课堂，在教学中大面积应用普及。依托其具有的沉浸性、交互性、构想性、虚实结合、实时交互和三维配准等超级体验感的优势，教师的教学方式和学生的学习方式都将会发生改变。虚拟现实和增强现实技术在教学中的应用普及将会颠覆传统的教育方法和教学形式，具有巨大的应用潜力与应用前景。
人工智能在教育领域的价值范文第4篇
李开复带队奔赴硅谷，
了解美国的科技前沿。
日前，
他在中国“硅谷”中关村的一次演说中，
分享了他的见闻。
先讲一些比较吸引眼球的东西吧。我觉得在硅谷的每个会议上都有一些有趣的讨论。比如跟安卓之父安迪・鲁宾的讨论就非常有意思，他做的公司叫环球游乐场，其实《华尔街日报》上已经报道了很多。见到他的那天，我们正好也看到了谷歌旗下军用大型机器人公司波士顿动力的那只机器狗。 踹不倒的机器狗的前世今生
这只机器狗很好操作，我也玩了一下。说起来还挺有缘分的，因为波士顿动力的创始人马克・莱布特，之前是卡内基梅隆大学的教授，我是学生的时候，他的办公室就在我隔壁。那个时候他在做的项目是一个会单脚跳，然后跳一分钟都不会摔倒的机器人。不过那个时候，如果你拿着棍子轻轻一碰，它就会倒了。而且当时还有一捆很粗很长的线，连接在电脑上，这就是最早的情形。
前几天刷屏的那个怎么踹都不会倒的机器狗和机器人，已经迭代进步了很多。马克・莱布特后来创立波士顿动力，并且获得了美国国防部的研究经费，专门做机器人研究。从一只脚做到四只脚，再做回两只脚，每一步推进都很不容易，可能已经花了美国国防部上亿美元的经费了。然后，谷歌看上了，就把波士顿动力买进来了，买进来以后谷歌就没有让它再拿国防部的钱。 机器人的创业平台的诞生
安迪・鲁宾后来离开了GoogleX，创立了一个叫环球游乐场的公司。简单来说，他的公司就是希望做一个机器人版的安卓平台。如果我们以手机来参照的话，大概在十年前，你要开一个手机公司可能要花一两亿美金做研发，才能把手机做出来，但是现在你可能花一百万美金就能做出来了。因为有各种代工，有标准模块，软件用安卓，还有其他。如果不要什么特色，就是要搞一个手机出来。硬件的成本已经被降低了一百倍，普及了。所以现在乐视为代表的互联网手机厂商全都跑出来了。当然，小米创业的时候做手机还是挺贵的，不过在此之后就越来越便宜。
同样的，安迪・鲁宾认为，机器人普及也必然发生，他希望做的事情可以降低机器人创业模块的门槛。比如安卓提供了智能手机的模块，让开发手机的，从硬件到软件都容易，成本低，让更多人进来，让更多人围绕手机进行创业，要不然创业门槛太高了。
安迪・鲁宾认为机器人的研发进度和十年的前智能手机差不多，所以做一个机器人平台，让更多的人来做机器人创业，这会是一个改变世界的事情，也是他从孩童时代的一个梦想。要做工业机器人，或者是扫地的机器人，都是可以的。从机器人模块的角度来看，机器人基本就是一大堆传感器，组合起来，然后有学习训练和控制，让它能够动――动手、动脚、动爪子。软件里加入输入和识别之类的系统。
这就是安迪・鲁宾跟我们分享的他的梦想。他的模式跟创新工场初期非常相似，由一个孵化器来深度参与一些项目，然后把有价值的模块标准化，把好的项目拆分出去，作为独立的公司发展。 深度学习人工智能博士生的高薪人生
另一个很有趣的现象，是做深度学习的人工智能博士生，现在一毕业就能拿到200到300万美金的年收入，这是有史以来没有发生过的。当然我觉得硅谷的公司都在追捧这个方向，而且基本是四大名校：斯坦福、麻省理工、卡内基梅隆、伯克利。以前这些学校的博士生在硅谷都可以拿到高薪，但是从来没有到250万美元/年的薪资水平。
这为什么会发生呢？第一，是因为真正懂深度学习的人现在还不是很多，所以供需不平衡。第二，是因为很值。谷歌拿到这样的人，可以马上用他赚一百倍的钱。因为只要把这样的一个人用在某个领域，比如说，假设谷歌要做最聪明的二级市场财务投资，一年就能赚出一百倍来，所以这事毫无疑问是划算的。第三，是因为涉及竞争。谷歌会很不希望这样的人落入他的竞争对手怀中。因为谷歌可以因此有领先的优势，但如果这个人去了脸谱、微软，马上就会给后两家机会。所以是人才的战争。对于这一批一年可能少于50个的博士毕业生，这三大公司：谷歌、脸谱和微软，都在用不合理的价钱去挖。
这给了我两个启示。一方面是遗憾自己生得太早了，我学的就是这个领域，但是那时候没有公司这样来挖我们。另一方面是类似的人才战争，可能也会在中国发生。
中国的大学恐怕没有50个这样的博士，但是我们这边有几所“大学”，这几所“大学”的名字叫做腾讯、百度和阿里巴巴。这几家公司之间互挖，可能会成为很有趣的事。
因为我自己是做这方面的，所以我觉得深度学习虽然很厉害，但是没那么了不起。你让一个聪明的人学两年，他也可以有这个价值。这也就是说，我们是不是应该来帮助培训一千个中国的深度学习专家，这些都是很有趣的讨论。
我也问了他们，这样拼命的竞争，再过两三年，中国学这些东西也不难，中国数据也比你们多，你们这套公开了，中国在这个领域的人才可能会比美国多。
因为在中国，百度、腾讯、新浪微博等等的数据量也非常大，如果在中国也有250万美金的年薪诱惑，中国人会更疯狂地冲向这个领域。所以我相信这个领域最后应该也是一个中美领跑的状态，虽然现在中国远远落后于美国，毕竟美国有斯坦福、伯克利出来的人，而且不断流动。但对于中国来说，这批人可能就在百度、腾讯和阿里。现在百度、腾讯和阿里自己掌控得住这些人，但是长期来说他们也不可能永远掌控。而且小米、奇虎360也都会有这样的人，所以这会是一个很有趣的业界竞争的状态。
与此相关的，领英的霍夫曼提到马斯克和彼得-蒂尔他们成立了一个开源平台。主要是为了防止谷歌、脸谱和微软这样的大公司形成垄断。他们有那么多计算机，那么多钱，又把最优秀的人全挖进去了，所以就要搞一个开放式的开源平台，来确保这个东西能够被更多的人快速学习掌握。所以这是一个很有趣的事情，硅谷考虑得很超前。 虚拟现实与增强现实将改变人生
整体来说，关于虚拟现实和增强现实，感受主要有这么几点。
先拿虚拟现实（VR）来说，对于这个领域的发展，有一批人是非常乐观的，另外一批人则认为我们还早了一个周期，就是说现在还在摸索状态，因为内容不够多、体验不够好、太贵，可能真的还在一个玩家的时代。
就创新工场来说，我们也综合了一些意见。我们的看法是，虚拟现实长远来讲对社会的影响应该是特别巨大的，而且随着摩尔定律等作用，它应该会越做越炫，越做越不头昏，越做越没有线，越做越轻，越做越小。最终变成一个物体，也许不是眼镜，但会让你不知不觉把它融入生活里去，这一天是绝对会到来的，会是一个巨大的产业，会改变所有的事情。
但是具体方面，我们可能会稍微保守一点。我们可能对这种五到十年的未来，抱有很乐观的期待。但是对于到底能不能在一两年之内，打破玩家的领域，达到普及的状态，我们还是抱观看和怀疑的态度。
当然我觉得从投资的角度，现在看到好公司就得投了，因为你不能进入生产周期才投，只是说要颠覆什么的话，还需要一点时间。
我个人对于虚拟现实的看法是，它的第一个突破一定是在娱乐方面。因为我们讲了那么多3D的东西，只有在娱乐内容相关的领域得到了验证，看电影更爽、玩游戏更爽、然后越做越逼真，大概是这样一个状态。然后是电影业和游戏业的延伸，但需要说明的是，这是一个巨大的延伸。
增强现实，可以有不同领域的应用。可以用在教育方面、辅助方面、服务方面。增强价值的应用是能够直接被证明价值的，而不只是让娱乐感更爽更强，可以在一些领域挖掘出一些垂直性的应用，这是大家的一个达成的认知。 谷歌的野心与科学家的心声
此外还去了谷歌见了他们的CEO皮猜，斯坦福人工智能教授李菲菲，以及领英的创始人霍夫曼。与他们谈论的主题都是人工智能相关的，可以把我的总结分享一下。
去年谷歌调整出一个母公司Alphabet，其实我们也知道他们为什么这么做，但这次去了就更加深刻地了解了。基本上，谷歌想要做一个“机器大脑”出来，这个“大脑”是下列几件事情的结合体。
第一，要有特别大的数据量，这个数据量最好不是公开的，是私有的，而且是可以不断地更新、增加的。因为没有这个东西，就没有竞争优势。第二，要有特别大的机器平台，能够在上面运作、学习、迭代，让你的“大脑”越来越聪明，而且用这个数据越做越好。第三，需要一批特别棒的深度学习或者机器学习的专家，他们知道怎么去弄海量的服务器和海量的数据，从里面把数据变成一种认知和知识，以及能做的事情。
一旦有这三件东西之后，可以应用到其他领域。用在搜索上，这个“大脑”能把世界全部索引了，你搜什么都能告诉你，还可以做一个最好的排序。用在生活领域，就是一个在线谷歌，可以告诉你今天要去什么地方吃饭，最好选择怎样的出行方式，路上可以买花，提醒你老婆生日快到了，实际上是把这些东西都结合起来了。用在广告领域，就是怎样投放一个广告能让你赚更多钱。
而且之前我们这些IT人总是想着如何用IT让生活更美好，往往忽略了这套数据为什么不能用在基因排序？为什么不可以用在生物科技、制药、健康领域？或者是你可以想象的所有领域，因为一旦有了巨大的数据，价值就大了。
于是你可以看到，谷歌从美国基因泰克公司挖了CEO，来做Alphabet的医药公司的CEO，谷歌的野心是非常清晰的。他用搜索和广告来塑造了一个巨大的“大脑”，这个“大脑”让聪明的工程师来调整，用巨大的数据来学习，用巨大的计算量来不断地迭代。然后把这三者配到一起，找一个领域，比如说要学癌症的治疗，假如能够有一个数据库，包含某个国家所有人的基因、癌症病例，让数据滚起来，跟医院结合起来，有回馈的途径，知道是否有效，不断去追踪，实时迭代，可能就会掌握癌症治疗的方法。
所以谷歌的方向，就是不断地找新领域，找该领域内的领军人物，拥有相关大数据，再配几个机器学习专家，给他们一大堆机器用来计算，就能产生价值了。这在任何领域都会攻无不克。帮年轻人找对象、吃什么、推演所有的事情，甚至军事，都没有问题。
归结起来，Alphabet的野心就是成为一个无所不为，用“大脑”来驱动并颠覆传统行业的一个公司。他们一定有很多内部的方法来分析，接下来介入哪个领域，是医学、建筑、房地产、金融还是二级市场之类的。
举个例子，Alphabet做一个银行相关的应用，来分析人的信用和风险能力。假如一个人找银行借一千万，如果只看内部资料，银行可能只知道你在这里存了五百万、在新浪科技上班等信息，但如果有另外一个爬虫，能把你的其他数据都爬来，比如你还在美国高盛藏了两千万、在开曼群岛买了一栋房子，咚咚咚，“大脑”就会告诉你可以借钱给他。
所以Alphabet这么一来，可能就会成为世界上最伟大、同时也是最可怕的公司。当然我觉得有这个野心的公司其实很多，但是Alphabet应该是最有基础把它做好的公司。
人工智能在教育领域的价值范文第5篇
【关键词】人工神经网络;教育资源;管理系统
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097(2009)07―0120―04
教育资源是信息化教学的基础。随着教育信息化的深层次推进,互联网中的信息资源以指数方式增长,这些资源不仅在内容上多种多样,在表现形式上更是丰富多彩。它对教育领域的冲击与渗透使得网络教育资源的利用受到重视,并随之出现了新型教学模式,如:基于资源的自主探索式学习和协作学习等。然而海量的网络教育资源既为教育带来了强大的服务功能,也为资源的建设与管理带来了新的挑战。教育资源具有数据量大、形式多样、针对性强、教育性强等诸多特点,如何将分散、无序的资源整合起来,使“用户能方便、高效地将其利用于自己的学习和工作之中,并在大范围内实现共享是网络教育资源建设者必须慎重面对的问题。”[1]
一 教育资源管理面临的问题
随着信息资源飞速增长,对教育资源管理的要求也更加苛刻。而网络环境的复杂给教育资源的管理带来许多不确定性。
1 教育资源管理系统在网络过载,受到攻击的情况下很容易崩溃。系统一旦崩溃,所有辛辛苦苦积累起来的资料化为乌有,资源的开发利用和共享无从谈起。目前“教育资源管理系统在输入错误、磁盘故障、网络过载或有意攻击情况下,很容易死机和崩溃。”[2]而鲁棒性(robustness)的大小是在异常和危险情况下系统生存的关键,代表了系统健壮与否。简而言之,系统的鲁棒性有待加强。
2 教育资源管理系统需要连续不断地吸收新的教育资源。向用户提供可靠的信息输出。但是在发生故障时,教育资源管理系统容易停止工作,给用户带来较大的损失。而容错性(Fault Tolerance)是指在故障存在的情况下管理系统不失效,仍然能够正常工作的特性。很明显,管理系统的容错性较差,犹如一个经常断电的供电站,给广大用户带来不必要的烦恼与损失。
3 教育资源的扩张速度极快,对海量教育资源的分类显得越来越困难。原先的人为分类跟不上信息传递的频率,导致很难在较短的时间内找到用户迫切需要的资料,浪费用户的时间,也给教育资源的进一步推广使用带来障碍。
二 人工神经网络的特点
人工智能(Artificial Intelligence)是探讨人类智能的基本机理,研究如何利用各种自动机来模拟人的某些思维过程和智能行为,从而构造智能人工制品的科学。
人类对人工智能的研究可以分成两种方式,对应着两种不同的技术:基于心理角度模拟的传统人工智能技术和基于生理角度模拟的人工神经网络技术。从人脑的生理结构来观察,人脑的每个神经元大约有103~4个树突及相应的突触,一个人的大脑总计约形成1014~15个突触。用神经网络的术语来说,即是人脑具有1014~15个互相连接的存储潜力。虽然每个神经元的运算功能十分简单,且信号传输速率也较低(大约100次/秒),但由于各神经元之间的极度并行互连功能,最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。根据人脑的生理特点,人工神经网络(Artificial Neural Networks,ANN)是由大量并行分布的单元广泛互连而成,通过各组成部分非同步化的变换,实现信息的整体处理任务,它的这一结构特点决定着人工神经网络具有高速信息处理的能力。它实质上是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。其“工作原理是通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。” [3]所以它具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入――输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。
人工神经网络中神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,“信息的表示和处理体现在网络处理单元的连接关系中。”[4]人工神经网络的本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。正因为这个重要特征,“人工神经网络采用了与传统人工智能技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。”[5]它与专家系统的最大区别是,专家系统属于人类智能的功能模拟,而人工神经网络则偏重走结构模拟的路子。与其它智能系统相比,人工神经网络具有以下特点:
1 学习能力:学习能力是神经网络具有智能的重要表现,即通过训练可抽象出训练样本的主要特征,表现出强大的自适应能力。例如实现图像识别时,只有先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。
2 分布式结构:人工神经网络力图“体现大脑的分布式并行计算和非线性等特征,依此而建构的网络是一种具有大量连接的并行分布式处理器。”[6]具有通过学习获取知识并解决问题的能力,且知识是分布存储在与大脑神经元突触相类似的连接的权重中。在传统的串行体系计算机中信息分布在独立的存储单元中,而在神经网络中,信息则分散在神经元的连接上。神经网络的信息分布特性,使之具有强大的容错能力和记忆联想能力。信息的分布存储提供容错功能。由于信息被分布存放在几乎整个网络中,所以,“当其中的某一个点或者某几个点被破坏时,信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。”[5]
3 并行处理:神经网络主要是对人脑的结构模拟。各种神经元在处理信息时是独立完成的,不同神经元之间具有并行性,这种并行处理使得信息处理速度大大加快。信息处理方式由原来冯•诺依曼设计的串行处理变为对信息并行处理。
三 人工神经网络应用于教育技术资源的管理之中
将网络布线由原来的星型布线转向神经网络布线方式。应用神经网络软件,网络采用分布式结构,信息采用统一并行处理的方式处理,从而加强了网络的鲁棒性、容错性。同时发挥神经网络的自学习能力,对待不同的信息资源进行模式分类。神经网络模型考虑采用目前比较成熟的误差反向传播网(BP神经网络)。教育资源分类考虑设计关键词进行训练,同时设立样本训练方法,用BP算法对该网络进行训练。训练结束之后,神经网络就可以作为教育资源分类器来进行使用。
BP(Back propagation反向传播)网络又称误差信号反馈网络,是神经网络中使用最广泛的一类。它是一种有教师的学习网络,能够实现从N维到M维的非线性映射,采用梯度下降法实现快速收敛。BP神经网络采用的是并行网格结构,包括输入层、隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果。由图1可见各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接。
该算法的学习过程由信息的前向传播和误差的反向传播组成。在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明“BP网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现。”[3]
其BP神经网络模型设计方案如下:输入层、隐含层、输出层。输入层与外界的信息来源渠道紧密相连,称之为接受信息的服务器。隐含层包含若干个存储器,代表若干个知识单元。存储器需要具备输入输出渠道,具备自学习能力,可以接受外界信息,也可以传送信息。输出层由传送信息的服务器组成。输出层接受到隐含层传来的信息之后,根据用户要求传送相关信息。层间联接根据模型设计方案来铺设。神经网络中的每一个节点,无论其在输入层、隐含层、输出层上,每台计算机上必须有相应的神经元器件,以便网络进行自学与联想记忆。BP神经网络管理系统的硬件实现。是将协处理器插入标准计算机中,通过运行神经网络软件包,以实现神经网络的硬件功能,可以使神经网络在任何计算机硬件和软件环境中得到所需要的教育资源处理能力。其设计的模型具有如下特点:
1 教育资源并行分布方式处理:在神经网络中教育资源是分布储存和并行处理的,即神经网络把教育资源分布地存储在神经元之间的连接强度上,而且对教育资源的处理是由网络中神经元集体完成的。在BP神经网络中,教育资源的存储表现为神经元之间分布式的物理联系,它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分教育资源,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储容量的巨大,使得它具有很强的不确定性处理能力。即使输入教育资源不完全、不准确或模糊不清,神经网络仍然能够联想思维持在于记忆中事物的完整图像。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。
2 鲁棒性与容错性比较强:人工神经网络的结构特点和其信息存储的分布式特点,使得它相对于其它的判断识别系统如专家系统等,具有另一个显著的优点健壮性。当一个人的大脑因意外事故受轻微损伤之后,并不会失去原有事物的全部记忆。人工神经网络不会因为个别神经元的损失(网络过载、停电、突发故障)而失去对原有模式的记忆(管理功能)。另外“即使是突发事件,暂时使网络的硬件实现还是软件实现中的某个或某些神经元失效,整个网络仍然能继续工作。”[7]BP神经网络是一种非线性的处理系统。只有当神经元对所有的输入信号的综合处理结果超过某一阈值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统,可以实现对教育资源不间断、长时间的持续管理。它突破了传统管理系统的局限,标志着教育资源管理能力的较大提升。因而神经网络具有极强的鲁棒性与容错性,有联想记忆抽象概括和自适应能力。
3 具有自学习和自适应能力:神经网络抽象概括和自适应能力称之为自学习能力,自学习是神经网络中最重要的特征。通过学习,网络能够获得教育资源的分类知识,适应环境。在训练时,能从输入、输出的数据中提取出规律性的分类知识,记忆于网络的权值中。并具有泛化能力,即将这组权值应用于一般教育资源分类的能力。另外,BP神经网络的分类能力学习也可以在线进行。
以教育学院教育技术学资源管理为例,输入层由两台高性能的服务器组成,中间设七个知识单元,输出由两台输出服务器组成。隐层的七个神经元分别为计算机软件资源室、课堂教学资源室、“影视创作资源室、计算机教育应用资源室、网络技术资源室、传统教学资源室、传统媒体使用资源室。”[8]模型图如图2所示:
教育技术学资源管理系统一种可编程的动力系统,其存贮、加工和提取教育资源均是可编程的。输入层负责对教育技术学的相关教育资源进行筛选比较,然后根据学习后的分类能力对资源予以分类,将所有的教育技术资源分布式存储在隐层的各神经元中,需要处理时根据用户需要,从各个神经元中取出信息并行处理,输出到输出服务器中,提供给用户。用户可以将用户要求直接给输出处理平台,传递给输出层后,由输出层将用户要求反馈给中间隐层。也可以将要求送给输入处理平台,传递给输入层,进行筛选之后将信息传送给中间隐层。即使系统突然面临网络过载问题,由于存储是分布式的,可以很容易地将信息资源分配下去。即使突然停电,由于相关资源已经存储完毕,损失微乎其微。系统的鲁棒性大大加强。同时如果系统发生突然故障,由于输入渠道有两条,所以可以很轻松地用另一个服务器处理。输出处理时也是如此。因此系统的容错性也得到提高。至于模式分类,则需要较长时间的训练和大量的样本。一旦BP神经网络模型训练完毕,日后教育技术学资源分类就显得十分轻松。只需将关键词输入准确,便可以进入相应的知识单元存储起来。处理信息时,根据用户需要,有不少不同类别的资源需要统筹规划、联合利用,才能得到用户需要的结果。这儿就可以充分发挥神经网络并行处理的特点,有条不紊地对信息加以处理。其总体示意图如图3所示:
四 结语
教育信息化的核心问题是教育资源的应用和管理。神经网络式的教育资源管理系统把教育资源存储、教育资源管理、教育资源分类、教育资源动态升级四大特色功能进行整合,全面突破了“当前基础教育信息化过程中的应用‘瓶颈’。” [9]其最大的特点就是突出了教育资源的管理功能,通过以一个统一管理平台为核心的方式,对各类教育资源进行优化、整合,改善了以往教育资源管理从单一功能角度进行设计,各功能之间不能相互结合,造成资源管理困难和资源互不兼容的问题,实现了教育资源的价值最大化。值得注意的是,由于管理系统采用神经网络的结构特点进行设计,其鲁棒性、容错性和模式分类能力较强,较之传统教育资源管理方式比较起来,不仅提取和输入变得十分简单,而且对大量资源的分类式识别也大大加快,提高了管理效率。分布式存储提高了教育资源的存储容量,而“并行式处理又加大了教育资源的处理速度,同时系统在应付突发事件和网络攻击方面,应变能力大大增强,”[10]其可靠性与可用性也有突破性的提高。同时,在教育资源管理过程中,系统能抓住教育资源应用与管理过程中的关键问题,关注用户的反馈,即时更新教育资源,加强了教育资源的建设,为教育信息化的持续发展提供了有力的保障。
参考文献
[1] 余胜泉,朱凌云.教育资源建设技术规范体系结构与应用模式[J].中国电化教育,2006,(3):58-59.
[2] 穆肃.校本学科教学资源库的设计和实现[J].中国电化教育,2004,(1):56-61.
[3] 周志华著.神经网络及其应用(第1版)[M].北京:清华大学出版社,2004.
[4] 张广莹,徐丽娜,邓正隆.“神经网络控制”CAI课件研制中的几个问题[J].现代教育技术,1997,(2):32-33.
[5] 韩立群著.人工神经网络理论设计及应用(第1版)[M].北京:化学工业出版社,2002.
[6] 陶剑文.一种分布式智能推荐系统的设计[J].计算机工程,2007,(15):207-208.
[7] 王国旗,张辛亥,肖.采用前向多层神经网络预测煤的自然发火期[J].湖南科技大学学报(自科版),2008,(2):20-22.
[8] 茹洪丽.教育技术学课程设置问题探略[J].电化教育研究,2005,(12):38-41.
