人工智能教学建议范文

导语：如何才能写好一篇人工智能教学建议，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：人工智能；深度学习；教学建议

0 引言

传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。

北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。

1 深度学习背景

2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。

深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、

声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。

工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。

从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。

2 必要性与可行性

深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。

2.1 必要性

将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。

1）深度学习是人工智能的前沿。

2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。

2）深度学习是人工智能的突破。

深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。

3）深度学习是人工智能的延伸。

深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。

4）深度学习是学生的潜在兴趣点。

大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。

基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。

2.2 可行性

将深度学习引入到人工智能类课程中的可行性主要包括如下3点。

1）深度学习与现有人工智能联系密切。

深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。

2）深度学习的基本内容并不深。

深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。

3）深度学习的资料容易获得。

当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。

3 实施建议

在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。

篇2

[关键词]人工智能 信息技术 智能教育

人工智能是多种学科相互渗透而发展起来的交叉性学科，其涉及计算机科学、信息论、数学、哲学和认知科学、心理学、控制论、不定性论、神经生理学、语言学等多种学科。随着科技的飞速发展和人工智能技术应用的不断扩延，其涉及的学科领域将愈来愈多，它已和人们的学习、生活息息相关，时代和社会需要此方面的大量人才。在高中信息技术课中开设人工智能初步模块是十分必要的，本文拟从其发展现状、存在问题等几个方面对我国高中信息课程中人工智能教育做一下探讨。

一、高中开设人工智能课程的意义

（1）人工智能定义

人工智能(AI，Artificial Intelligence)是计算机科学的一个分支，己成为一门具有广泛应用的交叉学科和前沿学科。它研究如何用计算机模拟人脑所从事的推理、证明、识别、理解、设计、学习、规划以及问题求解等思维活动，来解决人类专家才能解决的复杂问题，例如咨询、探测、诊断、策划等。

（2）开设人工智能课程的意义

现实世界的问题可以按照结构化程度划分成三个层次：结构化问题，是能用形式化(或称公式化)方法描述和求解的一类问题；非结构化问题难以用确定的形式来描述，主要根据经验来求解；半结构化问题则介于上述两者之间。

将人工智能课程引入到我国现行的教育中，可以让学生在了解人工智能基本语言特征、理解智能化问题求解的基本策略过程中，体验、认识人工智能技术的同时获得对非结构化、半结构化问题解决过程的了解，从而使学生了解计算机解决问题方法的多样性，培养学生的多种思维方式，更好的解决现实问题。

二、高中人工智能教育现状及存在问题

目前，该学科的教育正处于摸索阶段，由于中学信息技术师资水平、学校硬软件设备等条件的制约，我国尚未在中学专门开设独立的人工智能类课程，Internet上与人工智能教育相关的中文信息资源也十分贫乏，在教学环境上大致存在以下问题：

（一）教学条件参差不齐

开设好人工智能课程，就要求安排更多的实践课程和活动来增强课程的趣味性，让广大师生切实体会到人工智能对我们生活的影响。这些活动大部分要求上机操作或利用网络资源来学习交流，这就对教学条件提出了较高的要求，尤其是一些偏远农村、条件相对落后的中学在开设人工智能课程上存在很大困难。

（1）对硬件性能的要求

人工智能课程中有较多的实践课程需要老师和学生利用网络资源，使用计算机进行操作。这就需要学校配备计算机网络教学机房，若其性能较差，会延长学生在线进行人机对话的时间，一旦遇到网络堵塞，可能连网页都打不开，这不仅浪费了仅有的上课时间，而且大大降低了学生的学习兴趣。

（2）对软件性能的要求

为了降低成本，学校可以利用互联网上提供的免费下载软件和免费在线教学网站等进行实践教学，可大大减少自研开发软件和软件维护的费用。但一旦遇到网络不通、网络拥挤或在线网站停止服务等情况，将无法使用网络资源进行教学，可见，软件的依赖性较强也存在很大的问题。

（二）对人工智能科学的认识不足

（1）学生的认识误区

提及人工智能，给大多数学生的感觉是一门神秘、遥不可及的科学。很多学生认为人工智能技术是很高深的科学，离我们现实生活有一定距离，研究和接触这门科学是少数科学家的事情，从而对该科学的关注程度不高。其实，人工智能学科是一门渐渐成长的科学，它将应用在我们生活的方方面面。我们应在教学中让学生多去体验人工智能的魅力所在，吸引更多对该学科感兴趣的人去研究和使用它。

（2）教师对人工智能学科开设存在偏见

一些从事该学科教学的教师没有接触过人工智能方面的知识，在接触过后被其中深奥难理解的知识所吓倒，认为即使开设了这门课程也不易被同学们所接受；而一些在大学接触过人工智能课程的教师则认为，其理论枯燥乏味，知识内容艰深，不适合放在高中开设。

（三）一线教师经验不足

在我国大学教育中，开展人工智能专业课程的大学为数不多，师范类院校更是少之又少。从事人工智能领域的专业人才输出少，所以，缺乏具备一定知识结构、有专业素养的教师来担任高中信息技术课中人工智能课程的教育工作。绝大多数的一线教师并没有接受过人工智能课程的专业培训，在授课内容上的着重点掌握不好，教学目标不够明确；在授课形式上也没有前人的经验可寻，这就给一线教师带来了极大的挑战。

三、解决上述问题的几点建议

（一）加强软、硬件建设

在学校条件允许的条件下，应加大硬件设施的投入，改善网络传递信息的效率，同时加强软件资源建设。鼓励师生上网搜索更多适合AI教学的网站，教师应整理出和AI相关的趣味小故事、电影、光盘等和教材相关的素材，以便更好的配合硬件教学。

（二）端正认识，增强支持

作为教师要树立对高中人工智能选修课程的正确认识。通过对课标中规定的相关内容的深入了解和学习，克服对人工智能的神秘感或恐惧感，理性而客观的看待人工智能技术及其应用，明确在高中开设该课程的目的。同时，教师也不能因为该课程的“选修”性质，从而轻视该课程的作用。

作为学生不应该仅仅看见这门课程的娱乐趣味性，应把一些重要的技术理论知识重视起来，不能过分的放松自己而偏离了我们的教学目标。家长也应该支持和赞同学生选择该课程，不能应认识不到这门课程的作用、怕耽误学生主干课的学习而反对学生积极参与。

校方领导也不应条件限制就轻易放弃这门课程的开设，应给予积极的配合。社会各界也应加强舆论与正确引导，让更多的人们认识人工智能并予以肯定。

总之，人工智能是一门逐渐成长的科学，开设好该课程需要广大教育工作者和校方领导不断努力，互相交流，共同克服困难。

参考文献：

［1］张剑平.人工智能技术与“问题解决”［J］.中小学信息技术教育，2003(10).

［2］段东辉.浅谈信息技术课程中人工智能教育［J］.新乡教育学院学报，第19卷第二期2006，6.

篇3

关键词：智能教学系统；模型；局限

中图分类号：TP315　文献标识码：A　文章编号：1673-8454(2012)03-0007-03

智能教学系统(Intelligence Tutoring System，简称ITS)是把人工智能技术引入到计算机辅助教学系统中，应用人工智能技术开发出能够因材施教的教学系统，使“计算机导师”贴近人类教师的水平，具有推理、诊断、决策的能力。能够根据每个学习者的特点制定教学计划，选择教学策略，实现因材施教。

一、智能教学系统的模型及功能

基于教育学、心理学和教学设计原理分析，智能教学系统模型应包含学生模块、教学策略模块、知识库和智能接口几个主要模块，各模块的系统结构如图所示。

学生模块记录每个学生原有的知识水平和学习能力。其依据为学生与系统之间的交互问答历史，并对每个学生的学习进步情况进行动态调整。这样，系统通过学生模型就可随时了解每个学生的情况，有的放矢地进行个别化教学。

教学策略模块根据学生模块情况和知识库做出智能化的教学决策，评判学生的学习效果，帮助学生分析错误原因。提出改进方法和意见等。

知识库存储所要教的学科领域知识和教学知识。

智能接口能够理解自然语言，实现更普遍意义上的人机对话。

智能教学系统与传统CAI相比，具备以下功能：

第一，了解学生的学习能力、学习基础和当前的知识水平，以此为依据为不同的学生做出不同的教学决策，有针对性地进行个别指导，并在学习过程中根据学生进度自动调整学习内容，具有适应能力。

第二，允许学生用自然语言与“计算机导师”进行人机对话，并能对带有学生个性特点的问题做出解答，从而具备更好的交互能力。

第三，能诊断学生学习过程中的错误，并分析错误原因和给出解决方案，在此基础上逐渐积累“经验”，从而具备纠错能力。

第四，大大拓宽了CAI的模式，例如建立虚拟教室、智能导师系统、教学模拟等。从而使CAI不再是简单的课本搬家、教室搬家，而具有更多的创造能力。

二、智能教学系统的局限性分析

智能教学系统虽然较传统CAI在诸多方面有很大改进。但就智能教学系统的工作原理以及目前的研发现状而言，应当冷静地看到，它自身也存在一些固有的局限性。

要计算机解决某个问题，有三个基本的前提：必须把问题形式化、必须有一定的算法、必须有合理的复杂度。由于人的智能活动不能完全形式化，因此，机器就不能将人脑的智力活动全部复制出来。教育是一种人类所特有的活动，基于人工智能技术的智能教学系统在教育中的应用也存在局限性。

1.智能教学系统不能实现自我更新，自我改进

智能教学系统的设计原理是把现有的专家的知识和教师的教学方法和策略集中到一个数据库中。随着现代社会知识的迅猛增长，教育理念的不断更新以及教学模式和教学方法的不断改进，智能教学系统无法像人类教师那样跟随时代的变化而实现知识库的自我更新以及教学策略模型的自我改进。还需要人从外界对整个ITS进行翻新，甚至需要从一种新的教育理念出发，重新设计ITS。智能教学系统的自我更新涉及机器学习这个难点。

2.智能教学系统适用的学习领域存在局限

以智能模拟的方法实现的人工智能应用于教育中时，并非适合所有的学习领域。人的智能活动可以分为四个领域。领域一是“刺激――反应”领域，其中包括任何形式的条件反射，与上下文环境无关的、各种形式的初级联想行为，最典型的如无意义音节的机械学习。领域二是数学思维的领域，这是比较适合于人工智能的领域。它是由概念世界而不是感知世界构成，这一领域中的问题完全形式化了，并可以计算，这一领域又可称为简单形式化领域，典型的例子如逻辑和有精确规则的游戏。领域三是复杂形式化领域，这是比较难把握的一个领域。这一领域包括原则上可形式化而实际上不易驾驭的行为，包括那些不能用穷举算法处理的。因而需要设计启发程序的系统，如围棋。领域四可称作非形式化行为领域，包括有规律但无规则支配的、我们人类世界中的一些日常活动，这一领域又称作感知思维领域。在这一领域内解决问题都是直觉的遵从，无须求助规则。包括一些规则不确定的游戏，如文字猜谜游戏。以上四个领域中前两个领域适合用数字计算机模拟，第三个领域只是部分可程序化，而第四个领域则很难驾驭。

与此相对应的，根据加涅的学习结果分类，学习分为言语信息、智慧技能、认知策略、动作技能和态度五类。言语信息分为符号学习、事实学习和有组织的知识学习，这些属于可形式化内容，适用于智能教学系统；智慧技能分为辨别、具体概念、定义性概念、规则和高级规则，其中前四项属于可形式化内容，适用于智能教学系统，而高级规则属于复杂形式化内容，部分内容不适用于智能教学系统；动作技能和态度领域的学习。在其认知成分中可以使用智能教学系统，但情感和行为成分等非形式化内容，则难以用智能教学系统来实现。

因此，并不是所有的学习领域都适用于智能教学系统。智能教学系统在教育中应用的重点应放在认知领域中的符号学习、事实学习和有组织的知识学习、辨别、具体概念、定义性概念以及规则这些学习内容上。

3.与学生之间无法畅通交流

教育是一种交互活动，智能教学系统的交互功能虽然较传统CAI有所改进。但仍然缺乏在学生和计算机之间交换信息的自然的、畅通的途径。系统只能通过学生输入计算机的信息来判断其掌握和内化程度。而无法像人类教师通过自然状态的交流和观察来判断学生的真实情况，因此，“机器智能”很容易被蒙蔽“双眼”，无法做到像人与人之间那样自然畅通的交流。此外，系统在遇到新的学习情境时。不能理解和产生对话，这会影响智能教学系统功能的实施。

4.决策和推理机制不完善

智能教学系统的关键智能所在是其决策和推理机制，即“教学策略”模块根据不同学生的具体情况通过推理做出灵活决策，这种决策基于学生模块提供的学生的知识水平、认知特点和学习风格。智能教学系统虽然加入诊断系统并不断调整对学生学习水平的判断，但由于学习风格、认知特点等不能完全被形式化，因此，根据系统的教学策略模块中预先存入的诊断知识来评估不同学生的学习过程和理解每个学生不同的推理过程也是有局限的。

三、智能教学系统在教育中应用的建议

1.不能忽略教师的作用

虽然智能教学系统具有“智能性”。但在使用它的过程中，决不能放弃教师的主导作用。要明确教师是教学的设计者和教学过程的主导，应该把智能教学系统的应用纳入到教学设计中。教师作为教学的“主导”。要引领教学

全过程，时刻注意学生的学习状态、学习程度、情感交流，尽量照顾到每个同学。ITS不是将教师搁置了。而是把教师从ITS能做的事情中解放出来，有更多的时间去从事机器所无法替代的事情。例如，计划教学，开发教学补充材料，示范成熟的行为，启发、引导学生去克服遇到的各种困难。特别是一个优秀教师对学生的态度和道德的影响和培养，是任何智能教学机器所无法取代的。所以，在利用智能教学系统教学的过程中，不能用智能教学系统取代教师，不能忽略教师的指导作用。

2.注意教学模式的运用

作为一种教育技术的实现，ITS主要依赖于各种技术的发展，但作为一个能够实施完整教学过程的教学系统，ITS的应用效果更多地依赖于所采用的教学模式。长期以来，传统CAI在教学中的应用都以个别化教学模式为主。但随着认知心理学的发展，基于建构主义学习理论的以“学”为中心的教学模式逐渐受到青睐。这种教学模式更能满足学习者的个性化要求，也为协作学习创造了更大的可能性。目前，协作学习模式因其利于培养学生的多样化思维和合作精神而日益受到重视。同一个智能教学系统，用于个别化教学模式和用于协作学习模式就会产生截然不同的教学效果。因此。在利用智能教学系统时，要注意根据教学内容和教学目标灵活采用个别化教学模式或协作学习模式。

3.有效与网络相结合

随着多媒体技术和Internet网络的飞速发展，多媒体教育技术与Internet的进一步融合，ITS不仅仅在人工智能上单一发展。它要向多维的网络空间发展。网络化成为当今世界ITS系统的一大优势和特色。“无机不联”正是现代教育计算机使用情况的真实写照。智能教学系统应与网络相结合。借助网络的优势，完成在线学习、实时讨论、网上测试等多种教学任务。学生可以在学校或家中通过计算机登录到系统，系统按其不同的认知水平为其准备不同难度的教学内容。完成学习时，系统通过自适应的测试确定学生新的认知水平，作为其下一次登录学习时为其准备学习内容的依据，并向学生提出进一步需学习内容的建议。学生在学习过程中可以实时地与其他在线的学习者进行讨论，并可通过E-mail的形式与教师进行交流。教师可以使用自己的计算机，在教研室或家中登录到系统，检查学生的学习进度，学习情况。并依据学生的实际情况，有针对性地对教学内容、测试内容进行更新。网络与智能计算机辅助教学系统有机结合，相互补足，必将构建成一个新的系统工程。

参考文献：

[1]王士同主编.人工智能教程[M].北京：电子工业出版社，2001.

[1]王永庆.人工智能原理与方法[M].西安：西安交通大学出版社，1998.

[3]何克抗.计算机辅助教育[M].北京：高等教育出版社，1997.

篇4

［关键词］人工智能；包装专业；人才培养转型

人工智能时代，是继农业革命、工业革命后，人类现代社会的第三次浪潮时代。以人工智能、大数据、物联网等为代表的新技术、新应用应运而生[1]。包装产业作为典型的传统产业，人的操作技能与经验曾发挥着决定性的重要作用，对生产效率、产品质量等有着重要的影响。然而，随着包装产业向绿色化、数字化、智能化、融合化的技术升级与转型，企业的岗位设置和人才需求也正在发生巨大变化[2]。为了深入了解包装相关产业的转型，深圳职业技术学院传播工程学院会同中国印刷科学技术研究院针对四类包括包装印刷生产企业、包装设计公司、设备制造企业和终端品牌客户在内的28家大中型代表性企业开展了“人工智能时代包装人才需求的调研”。本文将结合这次调研结果，探讨人工智能时代高职院校包装专业人才培养转型。

一、包装相关企业用人现状分析

根据调研数据分析，对于包装印刷生产企业，人员占比最大的是印刷生产人员和印后加工人员，这体现出目前我国包装印刷生产行业的现实情况，即印刷生产及印后加工自动化、数字化、智能化水平都处于较落后的状态。但随着数字车间、智能工厂的建设，印刷生产、印后加工、质检、仓储物流岗位将更多地被智能化设备所替代[3]，因此这些岗位的人员需求度将逐年降低。对于包装设计公司，人才需求主要集中在策划及包装创意设计人员，且设计师岗位工作目前受到人工智能技术的冲击较小。这也说明在人工智能时代，设计师岗位结构变化不大，因为设计岗位属于智力劳动型岗位，对设计师的专业知识和创新能力要求较高。作为包装印刷企业服务商的设备制造企业，其主要人员岗位均集中在产品研发人员、产品生产人员及售后服务人员。在这次人工智能技术革命中，设备制造商将发挥着重要作用，其产品要满足智能化的需要，就必须掌握并应用人工智能相关的技术，所以未来其产品研发岗位必定是设备制造企业的核心岗位，且对人才的要求较高，需求较旺盛。而对于最受毕业生就业喜欢的终端品牌客户其产品研发人员的比例远远高于前三类企业，产品研发人员一直是终端品牌客户关注的主要岗位，未来需求也将保持稳定。在调研中我们还发现，除了上述固有岗位结构变化外，对于包装类企业在人工智能时代也将催生一批新的就业岗位，如IE工程师、智能设备操作员、云服务平台运维人员、智能化信息管理人员、智能化物流管理仓储人才、智能化服务平台的运营人员等，这些新岗位的出现为包装高职教育提出更高的人才培养要求。

二、人工智能时代对包装专业高职人才培养提出的新要求

人工智能时代，技术创新不断涌现，包装产业结构也随之调整，在人才知识结构和专业技术能力要求两方面对包装专业高职人才的培养提出了新要求。

（一）人才知识结构要求

根据调研数据分析，从企业选择数量来看，人工智能时代，包装专业人才需要具备的知识，按照占比排前的依次为“包装策划与营销知识”“包装结构设计”“智能包装技术”“包装造型设计”。在人工智能时代，包装专业人才需要跨界融合的趋势越来越明显。作为一个包装从业人员要不断强化市场营销意识，根据包装产品的属性与特点，结合市场与消费者需求进行设计开发，并将功能、结构、装潢、材料、生产工艺等方面的因素同时考虑，进行针对性、多样化包装设计。例如，包装设计已由单品包装转为系列化的包装设计，一套茶叶包装可扩充为茶叶包、茶叶盒、茶叶手提袋等多种包装产品。另外，人工智能时代，智能包装必定成为包装行业的主流趋势，因此，日常工作中，包装设计师在保留包装产品基本功能后，还应设法提升产品的附加价值，进行品牌推广的同时需增加感知、监控、定位、记录等相关信息的辅助包装设计功能，帮助客户对产品流通全程进行跟踪、监控，以提高供应链整体效率，使客户安心放心使用产品[4]。与此同时，包装专业人才还应具备数据统计与分析、AR/VR/HTML5等新技术知识，可以帮助包装设计师了解消费者的心理动态，设计出更符合消费者需求的包装产品。

（二）专业能力要求

人工智能时代，随着客户需求的提高、包装承载功能的丰富，包装相关企业对于包装专业人才的能力有更高的要求，各调研对象对必备能力的选择，从选择的数量上来看，对于包装专业人才必须具备的能力排名靠前的分别是“对市场品牌的敏感度与审美”“包装造型与外观创意设计能力”“包装产品策划能力”和“包装结构设计能力”。这充分说明包装专业人才属于智慧型人才，需为客户提供品牌策划与设计方案。为此，首先要了解客户需求，对设计品牌的起源、特点及标志有一定认识，才能正确、清楚地进行需求定位；其次才是设计环节。而人工智能时代，包装专业人才的竞争，将不再局限于纸面上的设计图案，创新思维将成为当前包装策划设计人才的核心竞争力。

三、人工智能时代高职院校包装专业人才培养转型建议

人工智能等新技术与包装产业的融合对包装教育提出更高的要求和人才培养规格[5]。高职教育作为一种比其他教育类型更贴近市场、更注重实用性的教育，需要及时调整专业定位和人才培养目标。

（一）专业定位

高职教育以市场和就业为导向，企业需要什么样的人才，我们就应当培养什么样的人才，从前面的调研数据可知，无论是知识结构还是能力要求，策划和设计都是最重要的两个点。包装策划指根据产品特色与生产条件并结合市场与消费需求，对产品的市场目标、包装方式与品牌定位进行整体方向性规划定位的决策活动。包装设计则是一个大设计概念，包含装潢设计、结构设计、造型设计、运输包装设计、工艺设计等[6]。目前包装人才培养方面各院校更多偏重于设计、技术方面，而忽视了策划。未来，整个行业对具有市场数据分析、文案写作、创新思维、市场营销的策划类人才将有更多的需求。包装人才，策划先行，包装专业需在策划类课程建设、师资培养等方面投入更多精力。

（二）人才培养目标

包装产业的融合性特点使得包装专业人才跨界融合的趋势越来越明显。未来，行业将更需要能提供包装整体解决方案的复合型高技术高技能人才，因此在人才培养目标的制订上将体现以下三个方面的特点。1.具有跨学科、跨专业知识背景调研数据显示，包装企业从业者往往身兼数职，需要同时掌握多种专业知识和业务知识。例如包装策划人员，一方面要有市场营销知识和品牌推广能力，对于客户消费心理有基本的分析和判断；另一方面还需要具备设计思维和设计技能，同时还应对各种包装材料、包装形式、包装工艺有深入了解。因此包装人才培养，不仅要具备包装设计、包装材料、包装工艺等知识，还要具备计算机软件应用、市场营销等方面的知识和技能以及人工智能基础知识。2.具有运用大数据分析、人工智能、物联网技术的能力目前包装企业还面临设备操作智能化水平低、数据信息交互机制缺失、生产劳动强度大的局面。为了更快地推进包装企业的智能化，实现高质高效，包装企业现阶段更需要一批既懂包装专业知识，又精通大数据分析、信息化、网络化、智能技术的技术型人才。包装专业人才同样需要运用大数据分析客户需求、客户喜好，同时能够将人工智能技术、物联网、区块链技术引入包装设计中，发展智能化包装。3.具有创新思维创新是企业发展最核心的动力，从前面的调研也可以看出，在人工智能时代，创新技术和创新设计已经成为企业的第一核心竞争力，特别是作为包装专业人才，需要通过策划、创意设计进行包装的创新以满足功能上的新要求和视觉上的新鲜感。没有创新思维，就像无本之木，没有办法实现包装在功能、形式、外观、材料等方面的创新。企业首先看重的就是创新思维，其次才是专业能力。高职院校应在平时教学中注重培养学生基于专业知识的发散思维，通过各种竞赛锻炼创新实践能力。应积极组织学生参与“包装之星”“世界之星”“全国包装设计职业技能大赛”等科技竞赛，以赛促学，以赛育人，参与设计专题讨论交流，切实提高学生的专业素养和培养质量

四、结语

篇5

苏霍姆林斯基在《教育艺术》中认为，“在人的心灵深处有一种根深蒂固的需要，就是希望自己是一个发现者、研究者、探索者。在儿童的精神世界中，这种需要特别强烈”。我们要敢于打破传统的教学模式，运用现代教育技术培养真正适应于经济社会发展的创新型和国际化人才。现代教育技术是伴随现代科技的发展，特别是电子、通讯、计算机的飞速发展而产生的，也是现代教育理论发展到一定阶段的产物。

作为新一轮科技革命的代表，人工智能（AI）技术已经或正在颠覆性地改变着许多行业和领域，而教育就是其中之一。来自谷歌的世界顶尖的人工智能专家团队将AI的智能l展划分成了三级：第一级是“弱人工智能”，只能够专注在一个特定领域，如下围棋；第二级是“强人工智能”，能够达到或超过人类水准；第三级是比人类聪明1000万倍的人工智能。

目前，“弱人工智能”已经渗透到我们生活的方方面面：搜索引擎、实时在线地图、手机语音助手、智能客服等都运用了人工智能技术。尽管人工智能要从感知、行为和认知三个维度全面模拟甚至超越人类，还有很长的路要走，但目前的AI凭借强大的计算能力、存储能力和大数据处理能力，已经改变着传统教育模式与教育形式，在破解教育资源不均、提高教育效率和教学质量、提供个性化精准化教学、优化教育评价系统等方面将发挥重要作用。

浙江西湖高等研究院人工智能研究室主任于长斌认为，人工智能下一步应用可能是远程教育、自我强化教育，甚至是教育领域的机器换人。从人工智能现阶段研究成果来看，机器人做数学题、英语题完全没有问题，有科学家还成功用人工智能自动生成科研和学术论文，其中有一些甚至被期刊录用。

高考机器人

在今年6月7日的“高考”中，人工智能机器人AI-Maths在数学科目的两套试题考试中分别取得了105分和100分的成绩。整个答题过程中，机器人不联网、不连接题库、无人工参与，全由机器人独立完成解答。研究人员表示，由于AI-Maths在识别自然语言时遇到了一些困难，导致部分考题失分。

AI-Maths先后解答了2017年数学科目高考的北京文科卷和全国Ⅱ卷的试题，分别用时22分钟和10分钟，北京文科卷得分105分，全国Ⅱ卷（数学）得分100分。对这台机器人来说，解答一道题目的时间最快不到一秒。此前总共做了不到500套试卷，大约12000道数学题。而一个中国学生，按照每天10道数学题估算，到高考前已经做了大约30000道数学题。

考试结果显示，这台高考解题机器人在不依赖大数据的前提下，逻辑分析能力远超人类，但在文意理解、多样性思维上要比人类逊色得多。参与阅卷的资深数学老师表示，AI-Maths相当于中等成绩水平的高中毕业生，失分主要是因为“读不懂题目”，遇到一些人类语言（而非数学语言）时，无法理解。

专家指出，这次机器人不得高分的原因较多，首先这个机器人并没有代表机器人的最高水平，其次机器人没有联网，不能够联想自己的知识，这样得低分也是理所当然的了。经过更多的训练和学习以后，未来AI-Maths会取得更好的成绩。

该机器人是由成都准星云学科技有限公司研发的一款以自动解题技术为核心的人工智能系统，诞生于2014年。该公司参与了科技部的863“超脑计划”。

同时进行的另一场机器人高考测试中，学霸君的Aidam首次与6名高考理科状元在北京同台PK，解答2017年高考文科数学试题。Aidam的成绩为134分，6名状元的平均分为135分。Aidam答题耗时9分47秒。为了展示，Aidam当天答题放慢了六倍速度，平时每道题完成时间应该在7-15秒。

从2014年开始，国内人工智能引领者科大讯飞就联合了包括北大、清华等在内的超过30家科研院校和企业，共同开启了一项隶属国家863计划的“高考机器人”项目，他们希望通过这个项目的实施，研制出能够参加高考并在2020年考上北大、清华的智能机器人。“超脑计划”汇集了国内近60%的人工智能专家，其重点就是要研究突破机器的知识表达、逻辑推理和在线学习能力。

目前，高考机器人在英语学习方面也取得阶段性成果：一是翻译，已经能够让翻译能力达到高考入门水平。二是在广东地区的英语高考、中考场景中，在发音准不准、填空题选择题，判断你懂不懂知识上，机器已经超过人工。三是口语作文实现突破。比如给学生一个题目《My Mother》，现在AI机器的评测打分已经比人类打分更精准。

有人提出了一个十分滑稽的问题，那就是人工智能要是通过高考考上大学，是不是意味着我们的教育培养出来的就是考试的机器？这个问题的逻辑不一定严密，但巧妙地折射出了现行教育体制的一些问题。如果以应试为主的教育方式不改变，智能机器取代老师几乎是必然。更可怕的是，这样的教育培养出的人也将被智能机器淘汰。

AI阅卷批改作业

面对庞大的考生规模和多种多样的考试，专家和老师阅卷成为一个独特的景观。从传统的纸笔阅卷到网上阅卷，再到今天的机器智能阅卷，AI可以轻松解决繁重复杂的阅卷难题，大大提高阅卷的效率和质量。

通过对试卷进行数字化扫描、格式化处理，转换成机器可识别的信号，机器就能按阅卷专家的评判标准，进行自动化阅卷，还可以自动检测出空白卷、异常卷，并给出最终的评阅报告及考试分析报告。原来三个月的工作，现在一周就能完成，而且更准确、公正。

中国教育部考试中心对“超脑计划”的阅卷工作进行了验证，结果是，在“与专家评分一致率、相关度”等多项指标中，机器均优于现场人工评分。

除了代替人工阅卷，人工智能还可以帮老师做批改作业、备课等重复枯燥的工作，不仅节省大量时间，还可以减少工作量。

语音识别和语义分析技术的进步，使得自动批改作业成为可能，对于简单的文义语法，机器可以自动识别纠错，甚至是提出修改意见，这将会大大提高老师的教学效率。

今年两会期间，科大讯飞董事长刘庆峰在提案中提到，科大讯飞的英语口语自动测评、手写文字识别、机器翻译、作文自动评阅技术等已通过教育部鉴定并应用于全国多个省市的高考、中考、学业水平的口语和作文自动阅卷。而基于国家“十三五”863“基于大数据的类人智能关键技术与系统”阶段性成果构建的“讯飞教育超脑”已在全国 70% 地市、1 万多所学校应用。

国外也有多个智能测评公司和实践案例。GradeScope是美国加州伯克利大学一个边缘性的产品，它旨在简化批改流程，使老师们更专注于教学反馈。目前有超过150家知名学校采用该产品。MathodiX是美国实时数学学习效果评测网站，算法会对每一步骤都进行检查、反馈。

美国教育考试服务中心（ETS）是世界上最大的私营非盈利教育考试及评估机构，已经成功将AI引入SAT和GRE论文批改，同人类一起扮演评卷人角色。

计算机科学家乔纳森研发了一款可进行英语语法纠错的软件，不同于其他同类型软件的是，它能够联系上下文去理解全文，然后做出判断，例如各种英语时态的主谓一致，单复数等。它将提高英语翻译软件或程序翻译的准确性，解决不同国家之间的交流问题。

虽然人工智能可以阅卷、批改作业，但诚如《信息时报》刊发的《推广“机器人老师”可为广大教师减压》一文所言：教育需要尊重“异质思维”，同样的问题，学生会给出差异化、个性化的答案；目前“机器人老师”在阅卷、批改作业的时候会有明显的局限性，可能更适用于客观题却不适用于主观题。

不可否认，最初机器是用来辅助人工教学的，未来的趋势则是人辅助机器，而这个过程会一次次重塑考、学、教、管的服务流程。未来，当进入强人工智能和超人工智能时代，机器人更像是老甚至在许多方面超越老师。

机器人当老师

城乡、区域教育鸿沟，择校问题，学区房问题，都是教育教学资源不均衡导致的，归根到底是优秀教师的稀缺，而智能教育机器人则是解决这一问题的有力工具。“机器人老师”不仅有助于解决师资不足和师资结构不合理等难题，还能大大缓解社会矛盾，促进教育公平。

目前国内已涌现出像魔力学院这样的创业公司。几年前魔力学院创始人张海霞从北大毕业时，她的毕业论文是国内最早对人工智能教学进行研究的学术论文，同时在上大学期间，她就已经是新东方出国留学部最好的英语老师。这种雄厚的技术和教学背景，让她成为国内最早一批人工智能领域的创业者。

“与大多数互联网教育领域的产品不同，魔力学院从一开始，我们要解决的问题就是用人工智能机器替代老师进行讲课。曾经有很多投资人建议我们妥协一下，暂时用真人老师讲课，后面再一步步地进化到人工智能老师，但我们从来没有妥协。”张海霞说。

直到2016年3月，魔力学院第一个商业化的版本上线，企业开始有了第一笔收入，成为全球在人工智能老师这个领域第一家产品上线的创业公司，也是第一家实现了持续收入和盈利的创业公司。至今，在人工智能老师这个领域，魔力学院的相关产品仍然是惟一能从教、学、练、测各个维度提供人工智能老师教学的公司。

目前在新东方也开始这样的实验，教室里没有人类老师上课，机器人将重要知识点经过搜集和教学设计后，用非常幽默的方式向学生传授，从课堂效果来看，“学生很愿意听”。

新东方教育集团董事长俞敏洪认为，未来10年内，教师七成教学内容一定会被机器取代。不过，缺少人类老师的教学必然不完整，因为课堂教学不光是把知识点告诉学生，更需要对学生开展知识融合、创造性思维、批判性思维等能力训练。对于这些思维方式的训练教学，机器人老师还无法胜任。“未来的课堂将是机器人智能教学、老师情感和创新能力的发挥及学生学习的三者结合。”

除了民办教育在积极引入机器人老师，我国的“福州造”教育机器人已在部分城市的学校开始“内测”，今后有望向全国中小学推广。这款教育机器人除了帮助老师朗诵课文、批改作业、课间巡视之外，还能通过功能强大的传感器灵敏地感知学生的生理反应，扮演“测谎高手”角色。一旦和“学生机”绑定，可更清楚地了解学生对各个知识点的掌握情况。

对于机器人老师，国外早有应用。2009年，日本东京理科大学小林宏教授就按照一位女大学生的模样塑造出机器人“萨亚”老师。“萨亚”皮肤白皙、面庞清秀，皮肤后藏有18台微型电机，可以使面部呈现出6种表情。她会讲大约300个短语，700个单词，可以对一些词语和问题做出回应，还可以学会讲各种语言。“萨亚”给一班10岁左右的五年级学生讲课，受到新奇兴奋的孩子们的极大欢迎。

教育是塑造灵魂的特殊职业，教师是人类灵魂的工程师，面对的都是活生生的具有不同个性情感的学生，在价值观塑造和创新思维启发方面，“机器人老师”有着明显的局限性。尽管机器人老师不知疲倦，知识渊博，能平等地对待学生，加上它的特殊身份能激发学生的学习兴趣和动力，然而机器人永远无法完全替代“真正的人类教师”。

当老师们从繁重的重复性工作中解放出来，实际上可以将更多的时间和精力花在富有创造性的工作上。比如培养学生的素质和情商，激发学生对学习的热情，鼓励学生独立思考，形成自己的价值观和思想体系，成为有美好人格和创新能力的个体。

实际上，老师充当的是一个引导者、启发者的角色，老师做的应该是“准备环境-引导孩子-观察-改进环境-再引导-退出-再观察”。极少干预和不断引导，让孩子能最大限度地拥有独立性、专注度和创造力。

机器人进课堂是大势所趋。不久的将来，人类老师将负责进行情感、心理、人品、人格上的健康教育和品德教育，以及各类知识的融会贯通、学习方法的引导、创新能力的培养。而知识教育这部分，将会以“机器换人”的形式让渡给人工智能。这将对老师提出更高的要求，因为除知识教育外的这些教学内容，需要由真正有能力的老师来传授。“老师要避免被机器取代，就要先避免自己成为机器。”

可见，教师需要快速适应现代化教学需要，熟练使用各类领先科技产品，提升综合素质，这将决定教师本人的去与留，更是教育希望与未来的关键所在。

个性化教育

因材施教在我国已有2000多年历史，但在我国应试教育大环境下，根据学生不同的认知水平、学习能力以及自身素质来制定个性化学习方案，真是说易行难。当传统思想与尖端科技相结合，因材施教的可行性有了大幅提高。人工智能介入后，个性化教育有两条实现途径。

一是构建知识图谱。构建和优化内容模型，建立知识图谱，让学生可以更容易地、更准确地发现适合自己的内容。国外这方面的典型应用是分级阅读平台，推荐给学生适宜的阅读材料，并将阅读与教学联系在一起，文后带有小测验，并生成相关阅读数据报告，老师得以随时掌握学生阅读情况。

Newsela将新闻与英语学习融为一体。通过科学算法衡量读者英语水平，抓取来自《彭博社》《华盛顿邮报》等主流媒体的内容，由专人改写成不同难度系数的版本。LightSail也是相同应用，不过它的阅读材料是出版书籍，它收集了适合K12学生阅读的来自400多个出版商的8万多本图书。

2015年底Newsela用户量超过400万，LightSail和纽约市教育局、芝加哥公立学校、丹佛公立学校等机构达成了合作，而目前我国没有如此规模、与官方达成合作的个性化阅读学习平台。

二是自适应学习。人工智能可以从大量的学生中收集数据，预测学生未来表现，智能化推荐最适合学生的内容，最终高效、显著地提升学习效果。当一个学生阅读材料并回答题时，系统会根据学生对知识的掌握情况给出相关资料。系统知道应该考学生什么问题，什么样的方式学生更容易接受。系统还会在尽可能长的时间内保留学生信息，以便未来能给学生带来更多的帮助。

在美国乔治计算机学院，有一门课叫“人工智能概论”。这门课是艾萨克・格尔教授创建的。他有一个教学助理叫吉尔。这个课程的特点是以问答方式授课，学生提问，老师和助教回答。第一年就有大约1000多名学生参与，提出了超过1万个问题，其中40%的问题是由助教吉尔回答的。让学生惊奇的是，吉尔竟然是一个机器人，而且教了他们整整一个学期。格尔教授采用IBM沃森界面，创建了这个AI驱动的BOT交互系统，也开发了整个课程的内容和形式。

篇6

［关键词］人工智能会计变革;应对策略;会计人才

数据和人工智能技术逐步应用于会计行业，德勤等四大会计师事务所相继推出财务机器人，RPA技术被越来越多的企业广泛运用。这一科技创新将帮助会计从业人员从许多重复性、标准化、流程化的核算工作中解放出来，与此同时也催生了新型会计岗位，给会计从业人员带来新的挑战。毋庸置疑，人工智能技术引发会计变革，究竟会带来何种变革，会计从业人员该如何应对会计变革是文章探讨的关键问题。

1人工智能概述

人工智能(ArtificialIntelligence)是计算机科学的分支，它试图通过研究、开发用于模拟和扩展人的智能的理论、方法、技术，以构建出一种新的能模拟人类意识和思维模式的一门新的技术科学。其研究内容包括知识表示与自动推理、机器学习与知识获取、自动编程与智能化机器人等。人工智能的发展经历了萌芽、诞生、发展到集成四个阶段。人工智能应用于财务领域始于1987年美国注册会计师协会发表的《人工智能与专家系统简介》，后来国外对此进行了深入的研究与探索，开发出相应技术与专家系统解决财会领域的分析决策工作，目前主要是运用模型化的财务管理理论，将匹配后的数据导入信息库，据以分析得出企业财务报告，形成战略经营建议。财务领域中的人工智能技术主要在于机器视觉和语音识别两个方向，着重模仿人类的财务操作和判断，多应用于业务收支预测、风险管控、税务优化等方面。

2人工智能技术对会计行业的影响

随着大数据、人工智能、移动互联网、云计算技术的发展和应用，为我国企业管理的模式注入新的理念，传统的基础会计核算工作会被财务机器人替代，会计数据的采集、挖掘、分析，会计核算流程的再造以及随之而来的对新型会计岗位人才的需求，都将推动企业会计模式的变革。

2.1人工智能实现会计数据质的飞跃

数据是会计核算的起点，为企业决策提供依据。在人工智能技术的支持下，海量的结构化和非结构化数据在数据处理系统中整合和分类;数据挖掘技术对数据进行深度挖掘，发现其潜在价值，数据的质量随之提升。会计人员通过人工智能辅助系统，利用信息自动集成技术，自动将各种会计信息记录到会计系统，避免了以往财务人员花费大量时间和精力于采集和录入数据信息。随后利用人工智能自动核算功能进行账务处理，智能分析系统进行一定的数据分析，避免了会计从业人员处理大量的基础核算工作，将工作重心转移到为企业创造更多价值的预测、分析与决策工作中去，提高企业决策的效率和准确性。

2.2人工智能促进会计信息互联

在会计核算方面，大量企业采用PRA，其被普遍认为是业务流程自动化软件，结构化、常规化会计流程均由自动化机器人来执行，不受时间和空间的限制，自动生成各项报表，及时快速，灵活准确。人工智能为企业管理者和财务信息使用者搭建起信息共享平台，使企业与其客户、银行、税务、会计师事务所等广泛互联，实现上下游企业沟通、银企对账、网上报税等。财务智能系统通过科学的决策程序，利用会计数据和模式，以不同角度、不同层次、不同时期进行分析，揭示隐藏在财务数据背后的价值，使得会计信息质量大幅提高，提高企业决策效率。

2.3人工智能催生新型会计岗位

核算和监督是会计的两个基本职能，财务人员日常主要完成建账、填制和审核原始凭证、填制记账凭证、登记账簿、编制财务报告等基础性工作。伴随人工智能的发展，这种日常的标准化、流程化的基础核算工作可由财务机器人完成。财务机器人高效低耗、精准可靠、快速反应的优势相较于会计工作人员日益明显。与此同时，机器人间无须回避职务职能的利害冲突，这些都降低了会计人员在单位内部运营管理的重要地位。未来财务领域对基础会计从业人员的需求大幅减少，会计人员岗位需求结构面临变革。管理会计人才是集财务会计、法律、财务管理、计算机等知识于一体的复合型人才，并具有数据分析思维和预测思维，国家倡导的未来的管理会计师应同时是价值分析师。利用大数据和云计算等信息技术，解析过去、控制现在、分析未来，是对未来会计岗位人才提出的新的要求。

3会计行业在人工智能时代下的应对策略

3.1提高思想认识

人工智能技术在财务领域的广泛应用已是必然趋势，利用数据挖掘技术、智能决策支持系统等将财务人员从烦琐复杂的工作中解脱出来，会计核算职能向管理决策职能转变，同时也对会计从业人员提出更高要求。面对人工智能技术带来的巨大变革，财务人员应在了解人工智能技术的基础上，努力学习新技能，加强计算机、信息技术知识的学习研究，以顺应时展的需要。与此同时也应认识到，不论是信息化系统，还是财务机器人，仅仅起到辅助决策作用，仍由人类进行开发、使用和维护。因此会计人应审时度势、转变观念，全面认识人工智能，努力使自己成为兼具财务知识和信息系统操作能力的驾驭财务机器人的复合型人才。

3.2实现管理会计转型

2014年10月财政部颁布了《关于全面推进管理会计体系建设的指导意见》，要求在5年之内提升管理会计人才的职业能力。中国总会计师协会会长刘红薇在2018年5月世界会计论坛上表示:管理会计已经在全球进入了一个大变革和大发展的历史时期。财务人工智能技术实现了会计信息的标准化流程化处理，会计核算职能逐渐被财务机器人取代，这种以技术手段革新形式带来的会计职能的变化，释放出大量基础会计核算人员，他们必须综合学习会计、财务管理、税务以及信息系统的相关知识，向管理会计人才转型。在企业发展战略的指导下，以管理会计的视角，将数据进行分析和提炼，编制预算计划，对企业经营业务进行控制，对业绩进行评价，为企业发展和治理提供指导，以适应时代变化，成为多元化人才。

篇7

关键词：数据挖掘 ICAI 智能化 辅助教学

中图分类号：TP391.6 文献标识码：A 文章编号：1007-9416（2012）11-0077-01

1、引言

伴随着计算机技术、信息技术的飞速发展，各行各业逐步进入了信息化的发展时期，而高校教育事业也不例外。由于社会经济、文化的高速发展，人们对教育质量的追求日益高涨，而传统的教学手段和模式已经无法适应这种快速增长的需求，教学环节逐步和信息化技术相结合，比如计算机辅助教学系统。然而，传统的计算机辅助教学系统依旧存在多种弊端，比如个性化、智能化性能不足。而随着数据挖掘技术、人工智能技术的快速崛起，人们将数据挖掘技术应用到ICAI中，实现了个性化、智能化的应用，大大提高了ICAI的性能和效率。

2、智能计算机辅助教学系统

2.1　概念及意义

智能计算机辅助教学系统ICAI主要依托丰富的教学资源，为学生提供不同层次的学习服务，为教师提供教学工作的管理平台。学生可以根据需要制定学习计划，然后进行有针对性的学习，教师可以对学生进行辅导工作，学生还可以根据学习进度和效果进行调整。ICAI不同于以往的计算机辅助教学系统，它具备更多个性化、智能化的功能。

2.2　系统结构

ICAI系统通常主要包括四大功能模块：知识库、教师管理模块、学生学习模块、智能管理接口。

3、数据挖掘概述

数据挖掘简单理解为“数据库中的发现”，主要是从海量的数据中提取、分析、挖掘有用的知识信息，通过发现可用的模式，来发觉可用的内涵信息，用于提供未来发展趋势的决策信息。数据挖掘的分析方法主要包括四种：分类分析法、预测、关联规则、聚集分析法。

4、数据挖掘应用于CAI

4.1　数据挖掘在知识库中的应用

数据挖掘在知识库中的应用主要表现在下述几个方面：形成知识表示、改进教学模式与策略。

（1）形成知识表示。该过程主要将知识库中的课程信息、技能信息进行分析、拆解、建模，形成一定的知识体系，然后采用人工智能技术将这些知识库转换为ICAI系统可识别的表达模式，从而形成知识表示。在此过程中，使用聚类分析法将知识信息归类，同类的知识间距大，否则间距小；同时确定知识点的类标记，方便查找。需要注意的是，此过程要符合教学规律的需要，便于为个性化教学、启发式教学提供知识信息储备。接着，通过关联规则建立知识点、题目库、项目集的关联信息。

（2）改进教学模式与策略。对学生信息库中的数据进行样本训练，将学生对知识点学习的情况作为分类依据进行分类，标记每一个学生，并且描述学生的分类特征。根据这些分类数据，可以改进教学模式和策略，比如控制学生的学习进度，还可以直接向学生提出学习建议。同时，老师可以通过从学生的聚类分析中发现规律，找出学生成绩优异、认知能力强、学习能力差、学习能力一般等级别的学生，实施个别辅导。

4.2　据挖掘在教师模块中的应用

首先使用聚类分析法对学生的学习能力、成绩进行分类，方便老师为学生提供个性化辅导，而重点就是如何进行分类。主要使用主成分分析法、聚类分析法对学生的信息进行提取、分析、描述，从而确定学生的能力分类，可以继续分解为多个能力属性的分组，形成若干小类，大类可供参考的信息包括：学生成绩信息、考核信息等。对于学生成绩来说，小类可能包括：单一科目、综合成绩等；考核信息可能包括：单一科目考核、综合考核等。综合课程的重难点特点来分析、归类学生的学习能力趋势，据此建立每类学生和对应学习指导知识库的关联关系。但是考虑到学生的基础以及课程彼此间的关联性，因此对于刚入学的学生成绩参考性意义不大，必须要借助成分分析法对学生成绩实施预处理，使用其它的分类指标进行分类，更具有科学性；同时，还可以使用样本训练中的“马氏距离”规则进行聚类分析。最终的目的是形成学生综合能力的分类，然后建立学生类分组和教学指导知识库的关联关系，方便教师为学生提供个性化辅导。

4.3　据挖掘在学生模块中的应用

学生信息的内涵较为丰富，包括基础信息、个人高考成绩信息、个人履历信息、个人喜好信息等，丰富了知识库信息。可以对这些信息进行分类，对这些类分组进行关联分析，对于综合考评学生的综合能力具有指导意义。另外，需要考虑到影响学生学习能力、成绩的因素较多，因此需要发掘潜在的因素并进行归类。可以使用数据挖掘技术中的决策树算法、关联分析法建立影响因素的实例，进行分析，然后形成关联模型。比如，个人喜好表示个人对某方面事物、知识的特别偏好，在一定程度上反应了此人对该领域的知识掌握程度，直接影响到学生综合能力的认定结果。通过对学生进行能力分组以后，然后建立学生类分组和其它知识库的关联关系，从而方便教师对学生进行有效的辅导。

5、结语

ICAI系统在未使用数据挖掘技术之前，无法适应学生个性化、智能化学习的需求。但是将数据挖掘技术应用到ICAI以后，学生可以进行自主学习的同时，还可以由老师提供个性化的辅导，可以有效提高学生的学习效果，同时还可以优化教学模式。ICAI和数据挖掘技术的融合是未来高校教学管理信息化的主流发展趋势。

参考文献

[1]贾丽媛，张弛，周翠红.数据挖掘在网络教学评价中的应用[J].湖南城市学院学报（自然科学版），2011（02）.

[2]洪洁，蒋晓川.Apriori算法在学生系统中的实现与应用[J].硅谷，2011（07）.

[3]袁燕，李慧.基于数据挖掘的教学评价系统研究[J].计算机与现代化.2009（11）.

篇8

关键词：ICAI；系统模型；教学策略；综合集成方法论MSM；现代教育技术

中图分类号：G250.73 文献标识码：B 文章编号：1673-8454(2012)01-0030-04

计算机辅助教学（Computer Aided Instruction，简称CAI）是利用计算机来模拟教师的行为，通过学生与计算机之间的交互活动来达到教学的目的。即在计算机辅助下进行的各种教学活动，主要是以对话方式和学生讨论教学内容、安排教学进程、进行教学训练的方法与技术。CAI为学生提供一个个人化的学习环境，综合应用多媒体、知识库等计算机技术，这是传统CAI的主要应用方式。

在没有智能系统支持的情况下，传统CAI尽管可能具有良好的教学材料模型，但它往往仅借助于计算机来展示教学内容，并不能很好地根据它所教学生的学习特征，以不同的教学策略和教学方法来教授；只是盲目地传授知识给学生，如果某个学生不能接受提供的教学策略，系统没有为这个学生提供可供选择的另外的教学策略。目前使用的绝大多数CAI是将全部教学信息以编程方式预置于课件中，这样的CAI课件一旦制作完成，很难对课件进行更新和维护，尤其是在这样的CAI系统中，学生的学习仍然处于被动状态，即完全受计算机控制。

一、智能化计算机辅助教学概念

现代教育技术的日益发展以及与其他领先技术的结合，必然促使计算机辅助教学CAI的进一步发展。人工智能技术应用于CAI产生的基于网络环境的智能化CAI，就是现代信息化社会发展的产物，并在教育教学领域中有很好的发展前景。

人工智能是计算机科学的一个分支，它的目标是构造能表现出一定智能行为的，目的就是让计算机这台机器能够像人一样思考。人工智能的研究更多地是结合具体领域进行的，主要研究领域有专家系统、机器学习、模式识别、博弈、智能决定支持系统、人工神经网络等等。人工智能技术与专家系统的成就，促使人们把问题求解、知识表示这些技术引入CAI，并借助于网络环境来实施，这便是智能型计算机辅助教学。

智能计算机辅助教学ICAI（Intelligence Computer Assisted Instruction）属于人工智能的一个分支，是以认知科学和思维科学为理论基础，综合人工智能技术，教育心理学等多门学科的知识对学生实施教育的一门新的教育技术。ICAI通过研究人类学习思维的特征和过程，探索学习知识的模式，利用信息化网络环境使学生获得个别化自适应性学习的获取知识方法，从而使学生的学习更有针对性，更有效。

ICAI依靠人工智能技术的进步，主要应在因材施教方面取得进展。其主要特点是:

（1）能自动生成适合学习者程度的学习内容。

（2）能根据学生的不同认知水平与学习风格选择教学策略和教学方法。

（3）能评价学生的学习结果，并不断地在教学中改善教学策略。

二、智能化计算机辅助教学研究现状

现阶段，在一些发达国家，如美国、日本、加拿大、英国、法国、澳大利亚等，CAI已经普遍存在于学校和家庭中，正起着越来越大的作用。而ICAI的研究还处于初始阶段。目前国内在这一领域的研究主要集中在CAI和ICAI的优缺点比较，ICAI的理论来源、系统特征、模块建设、发展趋势等基础理论知识的研究，基于相关课程或学科的实践研究还比较少见。智能教学系统的设计和开发是一项复杂的系统工程，由于需要考虑的因素较多，系统比较庞大，同时也依赖于人工智能等技术的发展,因而要建立完善的ICAI还是比较困难的。[1]因此ICAI有很大的理论和实践发展空间。

完善的ICAI系统需能够充分调动学生的主动性，并能通过分析推理，对某具体学生做出适合的教学决策。使学生获得个别化自适应性学习的学习方法，达到因材施教的目的。人工智能技术的发展必将会对ICAI的发展起到巨大的推动作用。随着计算机科学的发展，21世纪的教育教学辅助手段将是以ICAI为主线，多学科、多方位发展的新技术的体现，越来越多的教育工作者会从更多的视角审视ICAI，并从事ICAI的研究。相信ICAI将会在现代教育领域中有更广泛的应用。

“现代教育技术”既是教育技术专业的必修课程，也是大中专院校广泛设置的选修课程，适用范围非常广泛。本文以《现代教育技术》这门课程为主要研究对象，来研究智能化教学系统设计在具体实践中的应用。

三、ICAI决策系统的理论依据

1.综合集成理论

教育是以人为主体参与的活动，而人本身就是一个复杂巨系统，因此以这种大量的复杂巨系统为子系统组成的系统――教育系统，是一个复杂巨系统。依据系统与其环境是否有物质、能量和信息的交换，将系统划分为开放系统和封闭系统来看，学生的学习受到教师、同学、家庭及社会等因素的影响，所以教育系统是一个开放的复杂巨系统。

钱学森的理论和实践研究表明：现在能用的、惟一能有效处理开放的复杂巨系统的方法，就是定性定量相结合的综合集成方法论。综合集成方法论（Meta-synthesis Methodology MSM）是方法论上的创新，它是研究复杂巨系统和复杂性问题的方法论。[2]定性定量相结合的综合集成方法是将专家群体(各种有关的专家)、数据和各种信息与计算机技术有机结合起来，把各种学科的科学理论和人的经验知识结合起来，发挥这个系统的整体优势和综合优势。[3]它把人的经验、知识、智慧以及各种情况、资料和信息系统集成起来，从多方面定性认识上升到定量认识，从而达到解决复杂系统问题的目的。在解决问题的过程中，专家群体和专家的经验知识起着重要的作用。

教学系统设计是一个复杂的系统，它是由教育系统的复杂性决定的。教育系统具有复杂系统的基本特点，它在结构与功能上表现为规模大、相关因素多且相关方式复杂、目标多样等；在运动上表现为随机性、非线性等。用一般的理论方法无法全面合理地解决这一不良结构的问题，本研究尝试用综合集成方法论来指导、分析教学设计智能化过程。因此，运用综合集成理论的方法来研究教学设计系统，探讨具体科目的教学设计在设计过程中遇到的复杂性问题，进而构建科学合理的教学设计系统，具有重要的理论和实践价值。

2.教学设计理论

本文采用“双主”教学模式作为ICAI的教学设计的理论基础。“双主”教学模式既能发挥教师的主导作用又能充分发挥学习者认知主体作用，是在教师主导下的课堂中能让学习者参与进来共同学习的一种教学模式。

基于“双主”的教学模式，要求根据学习者的特征、学习内容、学习策略、学习目标等多种因素的不同情况研究它们的结合方式，以使系统达到理想的教学效果。

基于网络环境的ICAI相对于传统的CAI来说，充分体现了“双主”的教学模式。ICAI中有专门分析学习者学习方式和认知水平的学生模型，有专门为不同的学习内容选择不同的学习策略的策略库模型（也称为教师模型），有评价学习效果并反馈给系统的评价模型。学生模型是对学习者的学习特征进行分析，包括学习者的学习风格、认知水平。策略库模型包含有丰富教学策略和有一个智能推理机，能根据学生模型的信息和学习目标为学习者选择合适的学习策略，指导学习者学习。

3.建构主义学习理论

当代建构主义者主张，世界是客观存在的，但是对于世界的理解和赋予意义却是由每个人自己决定的。建构主义者认为学习者要以自己的经验为基础来建构现实，或者至少说是在解释现实，每个人的经验世界是用自己的头脑创建的。

学习过程同时包含两方面的建构：一方面是对新知识意义的建构，同时又包含对原有经验的改造和重组。建构主义者强调学习者在学习过程中能够灵活地建构起用于指导实践活动的图式，这种图式是对概念的丰富理解，依据个人经验背景的不同而不同。

教学应当把学习者原有的知识经验作为新知识的生长点，引导学习者从原有的知识经验中，生长新的知识经验。教学不是知识的传递，而是知识的处理和转换。

ICAI伴随着这种理论的发展而发展，它注重的是由学习者来控制学习过程，重视学习内容的知识结构和学习情境，让学习者主动构建对自己有意义的知识的活动。基于网络环境的ICAI积极地为学习者创设学习情境，帮助学习者用他们已有的知识去建构、生成、整合新的知识。

4.教学处方理论

“教学处方理论”是郑永柏博士于1998年提出的一种新型适合于信息化教学设计的理论，他通过对教学系统设计理论和计算机辅助教学设计方面的研究，建构了一种新型的教学系统设计理论――教学处方理论。该理论主要包括：六个基本概念、一个理论框架、三条基本原理和两个关于教学设计的知识库。[4]

该理论指出教学处方可以看作是教学设计者(有时可以看作是教师)依据系统分析后使用的各种教学模式、教学方法和教学内容处理模式的组合；说明了在特定教学条件下对特定教学结果的教学，以不同的学习理论和教学理论为指导将会采用不同的教学方法，即教学处方，这也是本研究的核心内容，是该系统设计的指导理论。“教学处方理论”具有更好的包容性、开放性，能够吸收和容纳丰富的学习和教学研究成果。

四、ICAI系统的模块结构

1.前端分析模块：认知能力、学习动机、认知风格

前端分析是美国学者哈利斯（Harless，J．）在1968年提出的一个概念，指的是在教学设计过程开始的时候，先分析若干直接影响教学设计但又不属于具体设计事项的问题，本文主要指认知能力、学习动机和认知风格方面的分析。前端分析模块主要是建立相应的学生特征类型的数据库。

认知能力的测量采用认记、理解、应用、分析、综合、评价六个维度，每个维度有“优、良、中、差”四个选项。通过数据分析找出学习者的现状和期望之间的差距，确定需要解决的问题是什么，并确定问题的性质，形成不同层次的教学设计项目的目标。

学习风格和学习动机通过专门的量表来收集数据。

2.内容分析模块

教学内容分析就是在确定好总教学目标的前提下，借助归类分析法、图解分析法、层级分析法、信息加工分析法等方法，分析学习者要实现总的教学目标，需要掌握哪些知识、技能或形成什么态度。通过对教学内容的处理，确定学习者所需学习内容的范围和深度，确定内容各组成部分之间的关系，为以后教学顺序的安排奠定好基础。

对教学内容的处理主要包括：教学内容的选择、教学内容的编排、确定单元目标及对内容进行初步评价、分析教学内容类别及性质等四个基本方面。在构建规定性教学内容处理模式库时，应对上述四个方面提供具体的方法。[5]

3.决策模块

教学策略（处方）的制定就是根据特定的教学目标、教学内容、教学对象等条件，来合理地选择相应的教学顺序、教学方法、教学组织形式。在数据库中建立可供选择的不同的教学策略（处方），是本文所研究的ICAI系统的主要模块，也是特色模块。

教学策略（处方）的制定包括教学顺序的确定、教学方法的选择、教学组织形式的选择等。教学顺序的确定就是要确定教学内容各组成部分之间的先后顺序；教学方法的选择就是要通过讲授法、演示法、讨论法、练习法、实验法、示范模仿法等不同方法的选择，来激发并维持学习者的注意和兴趣，传递教学内容；教学组织形式主要有集体授课、小组讨论和个别化自学三种形式，各种形式各有所长，须根据具体情况进行相应的选择。教学策略的制定是根据具体的目标、内容、对象等来确定的，要具体问题具体分析，不存在能适用于所有目标、内容、对象的教学策略。

4.评价模块

在基于网络环境的ICAI的评价模块，要依据前面确定的教学目标，运用评价量表，分析学习者对预期学习目标的完成情况，主要收集三个方面的基本信息，一是要收集关于教师对教学设计方案和教学方案实施结果的满意度的信息数据，二是要收集关于学习者对教学过程、教学策略的适应性的信息数据，三是要看与其他方法相比，本处方中所采用的方法是否有独到之处，是否有不足之处。[6]在数据分析的基础上，对教学策略和教学内容的修改和完善提出建议，并以此为基础对ICAI各个环节的工作进行相应的修改。

5.ICAI系统模型框图

学习者前端数据采集数据库包括：认知结构测量及分析系统、学习动机测量及分析系统、学习风格测量及分析系统和学生基本信息系统。系统模型如图所示。

五、ICAI决策系统实验数据来源

本课题实践研究的调查对象来自云南大学，是2008届市场营销教育和财会教育本科生，共89人，课程设置为现代教育技术。学生调查表包括本科生基本信息表，所罗门学习风格量表，学习者认知能力调查问卷，学习者学习动机调查问卷四份表格组成。实际收到数据表89份，有效数据表75份。数据表中的信息选项根据所占权重，统一折合成百分制进行处理。

六、总结

本文把教学设计理论、方法与“现代教育技术”课程相结合，拟研发出一个基于综合集成方法论的广义智能网络教学设计辅助系统。主要研究成果如下：

（1）把综合集成方法论引入解决教学设计这一不良结构问题；

（2）结合数字化方法和数据挖掘技术，它能对学习者进行数字化的前端分析；

（3）它所自动化给出的教学设计方案，可为青年教师提供良好借鉴，有利于教师因材施教、因风格施教、因需要施教；

（4）它所自动化给出的学习者学习建议方案，有利于促进学习者自主学习。

现有的CAI存在的许多问题随着新技术的不断出现而显得越来越不能适应新环境的需求，因此以基于网络环境的ICAI为代表的新计算机辅助教学系统，将是教育教学研究人员在教育技术上需要不断探求、努力实现的发展方向。

参考文献：

[1]杨采坚，董玉铭.智能教学系统设计[J].中国电大教育,1993（3）.

[2]于景元,涂元季.从定性到定量综合集成方法――案例研究[J].系统工程理论与实践,2002.5.

[3]钱学森,于景元,戴汝为.一个科学新领域：开放的复杂巨系统及其方法论[J].自然杂志,1990(1).

[4]郑永柏.教学系统设计理论和方法研究:教学处方理论和ISD-EPSSS的设计与开发[D].北京师范大学博士学位论文，1998.

篇9

关键词：数据挖掘；数据预处理；挖掘算法；Web挖掘；个性化推荐

中图分类号：G642 文献标识码：A

文章编号：1672-5913(2007)14-0027-03

1引言

数据挖掘是一门综合性的交叉学科，它融合了概率统计学、数据库技术、数据仓库、人工智能、机器学习、信息检索、数据结构、高性能计算、数据可视化以及面向对象技术等，在保险业、电信业、交通业、零售业、银行业正在被越来越广泛深入地使用，同时在生物学、天文学、地理学等领域也逐渐显现出技术优势，特别是在客户关系管理系统、个性化网站设计、电子商务系统、搜索引擎等方面数据挖掘技术显示出了独特的魅力。数据挖掘技术正在以一种全新的概念改变着计算机应用的方式。

从最近计算机技术的发展以及学生就业方面来看，对本校的应用性本科生开设“数据挖掘技术”课程迫在眉睫。但数据挖掘给人的感觉就是“高深莫测”，当前数据挖掘领域主要是博士生、硕士生研究的领域，数据挖掘课程也只在一些重点大学的研究生或高年级的本科生中开设，应用型本科院校以及一些高职高专几乎都没有开设此类课程。这限定了数据挖掘作为一门既有理论又有实践价值学科的应用和推广，笔者认为很可惜。从计算机专业的学生的毕业设计以及就业角度分析，相当多的同学以后会从事电子商务类软件的开发，而这类应用目前都渐渐基于Web作为应用平台，面对的是海量的数据信息，因此让学生掌握数据挖掘的思想和方法对提高计算机素养很有必要。即使将来从事控制、通信、游戏、图像处理等软件开发，数据挖掘的思想和方法也很容易找到用武之地。

2数据挖掘课程开设的可行性分析

从计算机技术发展以及学生就业反馈的信息，笔者觉得数据挖掘的思想、方法以及算法对应用型本科生是很重要的，并且让学生掌握好这门课程也是完全可能的。我校从1998年以来一直在高年级本科生中开设了“人工智能”课程，但从教学效果上来看，很不理想。“数据挖掘技术”这门课程在不少地方很像“人工智能”，“数据挖掘技术”课程中的一些思想就是从“人工智能”中发展过来的，但是“数据挖掘技术”课程与“人工智能”课程有一个本质的区别，就是数据挖掘从诞生的一开始就是面向大量的、实际的数据库信息，因此，具有极强的应用性，如果将“数据挖掘技术”课程看做是“数据库技术”课程的自然延伸，同时充分利用数据结构、人工智能、面向对象技术与方法、Web技术、概率统计等课程的基础，就能够将“数据挖掘技术”课程开设好。于是两年前，笔者在应用型本科生中做了尝试，就是取消原来的“人工智能”课程，取而代之的是“数据挖掘技术”课程，从两年的教学实践以及教学效果上看，行之有效。并且在教学中发现，虽然数据挖掘技术要用到人工智能的一些思想和方法，但没有“人工智能”课程作为前导课程，没有任何影响，因为，数据挖掘中的一些人工智能思想在“数据挖掘技术”课程的教学中是自成体系的，并且是以比“人工智能”中的方法更加简单、更加直接、更加面向应用的方式。开设“数据挖掘技术”课程必须以下列的课程作为基础(前导课程)，当然这些课程都是一些常规课程。

1) 必须深入学习一门程序设计语言，通过这门语言的学习可以掌握程序设计的基础知识，并且掌握面向对象思想开发的精髓，能够进行可视化程序设计。学习程序设计绝不是记住程序设计语言的语法就行了，而要努力做到将应用中的思想变为程序。这一点是计算机专业学生的基本素养。这一环节没有做好，其余的计算机专业的专业课程，如数据结构、操作系统、数据库原理、编译原理、软件工程等就无法学习，即使学了，也不能真正掌握。笔者从计算机发展和应用角度，推荐学习C/C++和Java，要求对C++的模板以及STL或Java的数据结构类(在Java的util包中)能够较好掌握。

2) 掌握“数据结构”课程，特别是“数据结构”课程中的树的特点和应用。在“数据结构”课程中，树主要以二叉树为主，对于一般的树，在当前的“数据结构”课程的教学中都是将一般的树转化为二叉树来进行处理的，但是在数据挖掘中这样不太方便。数据挖掘中的很多算法都涉及到树的应用，并且大多都是不太规则的树，在数据挖掘中，采用树的思想与Java中的数据结构类或C++中的STL相结合的方法，能够得到很好的效果。

3) 掌握“数据库技术”课程中数据库操作的特点和应用。数据挖掘的对象主要是数据库中的数据，但作为数据挖掘对象的数据库的数据信息量往往很大，因此，为了提高挖掘的效率，需要建立数据仓库，或者需要在算法上加工，尽量减少扫描数据库的次数。

4) 掌握“Web技术”。这是因为Internet已经广泛应用并且深入人心，未来的软件相当多的都是基于Web平台之上，因此，对于Web挖掘不仅重要，而且具有直接的应用价值。当前Internet上的软件如一些知名网站、搜索引擎以及一些电子商务系统，采用了数据挖掘技术，得到了很多有价值的信息或提高了个性化能力，大大增强了企业的竞争力。因此，掌握“Web技术”课程对Web挖掘很有裨益。

5) 熟悉“概率统计”课程中的思维方式，对各种分布以及条件概率能够熟练掌握，在数据挖掘中的分类、关联规则等领域很多挖掘方法都灵活运用了概率统计中的思想和方法。

从“数据挖掘技术”课程的教学实践中明显看出，主要需要以上几门课程，并且教学结束后发现，学生不仅能够掌握数据挖掘的思想、方法以及算法，通过对一些主要的挖掘算法的实现，对“数据库技术”、“程序设计语言”、“数据结构”、“Web技术”以及“概率统计”掌握得更加深刻，将“数据挖掘技术”作为“数据库技术”的自然延伸，是“程序设计语言”、“数据结构”、“Web技术”以及“概率统计”的综合运用得到良好效果。

3 “数据挖掘技术”课程的设置

一门课程的设置，不仅要根据当前计算机技术的发展，同时也要根据当前学生的就业需求，充分考虑到应用型本科学生的特点。两年前，经过多方面的考虑以及参考了各种国内国外数据挖掘的教材以及论文后决定，“数据挖掘技术”课程教学学时定为32课时，讲课22学时，上机实验10学时。在这个总的学时定下来之后，就是对“数据挖掘技术”课程的内容设计，这是最重要的环节。精选出的内容不仅要反映数据挖掘的特点以及最新发展，还要结合应用型本科生的特点，要具有很强的针对性，重点要突出，要能够“学以致用”。最后“数据挖掘技术”课程的教学内容如下：

1) 数据挖掘综述2学时。本讲侧重于从两、三个具体应用领域进行分析得出采用数据挖掘技术的重要性与必要性，可以选取客户关系管理、体育竞技、信息安全和商业欺诈等作为案例，然后给出完整的数据挖掘定义和数据挖掘技术的分类，以及数据挖掘需要的一些前导课程的知识要点。

2) 数据挖掘过程及当前数据挖掘的软件工具2学时。数据挖掘的过程是数据抽取与集成、数据清洗与预处理、数据的选择与整理、数据挖掘以及结论评估。本讲重点讲解挖掘的过程，强调数据预处理对挖掘的重要意义，对于缺省的值、残缺的值等的处理方法。让学生对数据挖掘的整体过程有清楚的理解。然后介绍一下当前流行的商品化数据挖掘软件如IBM的IntelligentMiner和加拿大Simon Fraser 大学的DBMiner。

3) 关联规则挖掘与序列模式挖掘6学时。在介绍关联规则原理的基础上，主要介绍著名算法Apriori及其改进、FP_Tree算法、用于序列模式挖掘的AprioriSome算法。每个算法需要2学时，对每个算法要进行彻底分析，不仅能够理解算法的原理、思想以及过程，还要分析算法提出人为什么会提出这种算法，在日常生活中的含义是什么，算法的优点和缺点是什么，以及如何用Java或C++来编程实现该算法。最后，对多层次关联以及数量关联规则挖掘做个简单介绍即可。

4) 分类技术4学时。介绍分类的原理，主要讲解ID3和C4.5、朴素贝叶斯分类，简单介绍一下BP神经网络的分类。对于C4.5要求能够从原理上把握整个算法，能够进行连续值的离散化处理，理解C4.5比ID3的优势所在；对于朴素贝叶斯分类，要深刻理解该分类的原理以及贝叶斯信念网络的工作原理。特别的，对于FP_TREE以及C4.5算法的实现，需要用到不规则树，提出用C++或Java解决这种不规则树的方法。

5) 聚类技术4学时。在介绍聚类的重要性和分类的基础上主要介绍划分聚类PAM算法思想以及基于密度聚类DBSCAN，对于当前重要的聚类STING和CLIQUE做个简单介绍。最后，比较聚类和分类的不同之处。

6) Web挖掘与个性化推荐技术4学时。对于Web挖掘从内容挖掘、访问行为挖掘和结构挖掘三个方面进行讲解，重点讲解个性化技术。对基于最小关联规则集的个性化推荐以及基于协作筛的个性化推荐作深入剖析，并指出在当今网站设计中的重要意义。

7) 上机实验设计。精选五个上机实验。第一个实验是关联规则的Apriori算法或FP_Tree算法的实现，两个任选一个，如果选择Apriori的话，需要采取一些效率改进措施；第二个实验是序列模式挖掘中的AprioriSome算法；第三个实验是分类技术中的ID3或C4.5算法，这两个算法的主体相同，任做一个即可；第四个实验是聚类中的PAM或DBSCAN算法，两个任选一个；第五个实验是利用协作筛进行个性化网站的智能推荐。以上五个实验每个实验2学时，建议编程语言采用Java或C++，最后挖掘结果具有可理解性。

当然，以上的课程内容设计会随着数据挖掘技术的发展，不断进行微调，以适应不断变化的计算机技术发展与社会需求。

4 “数据挖掘技术”教学实践总结

两年前，虽然已对“数据挖掘技术”课程作了充分准备，但在刚开设这门课程的时候，很担心这门“高深莫测”的课程的教学效果。但经过两年的教学实践发现，这门课程的教学效果比预想的还要好。通过对该门课程的学习，学生不仅基本掌握了数据挖掘的基本原理和算法，同时对以前的一些主干课程如数据结构的理解和运用有了非常深刻的认识。更为重要的是，本课程的五个实验都是数据挖掘领域中最经典、最重要的算法，通过对这些算法的编程实现，不仅理解了数据挖掘关键算法的精髓，同时，这些数据挖掘算法实现的程序经过不断改进、加工，性能不断提高，由于都是源代码，可以将这些算法应用到一些实用的软件系统如客户关系管理系统、个性化网站中去，收到良好效果。此外，在网上的一些数据挖掘论坛中，经常看到一些初学数据挖掘的研究生或技术人员很想看一看数据挖掘经典算法的具体程序实现，我们也将这两年不断改进的程序源代码作为免费资源赠送给了不少同行，也为数据挖掘的推广应用贡献了微薄之力。

5结束语

“数据挖掘技术”课程的教学尝试目前主要针对的是本校应用型计算机专业本科生，虽然收到了良好的效果，但“数据挖掘技术”绝不仅仅是计算机专业学生才需要掌握的课程，对于我校通信系、电力系、自动化系等工科专业，经济系、管理系甚至一些文科类的学生也很有价值，因此，怎样在非计算机专业的应用型本科生中开设好这门新兴课程，甚至在高职高专学生中也开设好这门课程，则是需要作进一步的探索和尝试。

参考文献：

[1] 毛国君. 数据挖掘原理与算法[M]. 北京：清华大学出版社,2005.

[2] 陈文伟. 数据挖掘技术[M]. 北京工业大学出版社,2002.

[3] 余力. 电子商务个性化[M]. 北京：清华大学出版社,2007.

A Test to Applied College Students on Teaching Data Mining

XU Jin-bao

(Dept. of Computer Engineering, Nanjing Institute of Technology,

Nanjing 211100,China)

Abstract:Data mining becomes more and more important in nowadays. To applied college students, mastering the basics and methods of data mining technology demands immediate attention. This article gives some suggestions on how to teach these students well. The content of data mining technology course and experiments are selected elaborately. Mining technologies such as association rule , data classification, clustering , web mining and personalized recommendation are emphasized.

篇10

[关键词]案例推理;案例推理应用;研究综述

中图分类号：TP18 文献标识码：A 文章编号：1009-914X（2016）24-0310-02

1引言

案例推理（Case-based reasoing，简称CBR）起源于认知科学对人类推理和学习机制的探索[1]，是伴随认知心理学的研究而发展起来的一门新的推理方式，是人工智能领域较新崛起的一种问题求解和学习方法。其核心思想在于对新问题求解时，可以使用以前求解类似问题的经验来进行推理和学习，从而对问题的求解进行指导甚至直接重用结果，而不必从头做起。概括地讲，CBR就是利用过去的经验案例推理求解新的问题。CBR在推理求解时直接利用案例，而不需要提取规则，弥补了基于规则的专家推理系统在知识获取和组合推理等方面的不足。

由于CBR被定义为一种方法而不是一种技术，使得CBR可以更加好吸收各种新方法和技术来完善自身，从1982年耶鲁大学的沙克提出动态记忆理论发展至今，已在计算机科学、医学、故障诊断、交通运输、信息管理、法律、突发事件应急管理、决策、工业、农业、电力等领域获得了广泛应用。本文首先介绍了案例推理的认知模型，然后对案例推理的典型应用进行了研究综述。

2案例推理的认知机理模型

有许多模型试图更好地描述CBR，其中应用最为广泛的是Admodt和Plaza提出的4R认知模型[2]，如图1所示。

在该认知模型的描述中，一个CBR循环通常包括以下四个阶段：

（1）检索（retrieve）最相似的案例;

（2）重用（reuse）检索到的结论尝试解决新问题;

（3）修正（revise）建议的解答;

（4）保存（retrain）新问题和修正的解为一条新案例。

根据图1所示的4R循环，案例推理的认知机理可描述如下：一个新问题最初被描述成一个新案例（也称目标案例）。历史案例库中存储的是先前的问题描述及相应的解答，称之为源案例。当有新的待求解问题，即目标案例出现时，通过案例检索从历史案例库中搜寻出与目标案例相似的源案例。在案例重用阶段，如果源案例与目标案例的问题描述完全一致，则可直接将源案例的解答作为目标案例的建议解;否则，就需要对源案例的解答进行调整，进而得到目标案例的建议解。在案例修正阶段会对系统给出的建议解进行评估，可通过实际应用检验或者领域专家评价实现，如果评估为失败解就需继续修正。最后通过案例保存将新学习的案例或者修正后的案例储存到案例库中，以用于将来的问题求解，从而实现CBR的学习功能。

3案例推理的应用

3.1计算机科学与信息系统

针对目前的主流搜索引擎和Web浏览器均针对用户的单独搜索行为设计，不便于进行协同Web搜索的问题，文[3]提出了一种基于CBR的协同Web搜索模型，并介绍了基于此模型实现的两套协同Web搜索原型系统。根据数字图书馆个性化推荐系统的设计思想和方法，文[4]提出了基于案例推理方法在信息系统总体设计中的应用，并通过结构化建模方法对案例修正环节进行改进。文[5]使用分级标准架构对案例进行表示，并使用多层案例检索，将此新型的案例推理模型用于推荐机制辅助决策系统，通过一个旅行计划推荐实验证明该方法可提高推荐的有效性。

3.2医学

案例推理可用于建立各种医疗诊断系统。文[6]提出一种基于相似度阈值的案例匹配算法，可通过对病人表现症状的匹配分析得到诊断结果，并推荐相应的治疗方案，实验结果表明该系统具有较高的诊断效率和较好的智能性，能为医生进行医疗诊断提供一定的辅助作用。文[7]将案例推理用于中医四诊的一般过程，设计了四诊辅助诊断系统，可以克服中医辨证论治在收集外部信息时不准确的缺陷，并提高诊断过程的准确性。文[8]和文[9]分别将其用于高血压检测、肝病诊断。

3.3故障诊断

案例推理广泛应用于航空航天、电力、工业生产、数控机床等不同行业的故障诊断。文[10]探究了案例推理在飞行器故障诊断中的应用。文[11]介绍一种以领域规则和案例推理为基础的电力设备故障红外诊断系统，该系统可实现电力设备红外测温现场的测温数据录入和设备故障诊断，有效避免了人为原因导致的设备诊断偏差和安全隐患。文[12]将案例推理和软测量技术相结合，提出一种竖炉燃烧过程的智能故障预报方法，并将该方法应用于竖炉燃烧过程的生产实际中，结果表明故障发生率明显降低。文[13]设计了神经网络与案例推理相结合的复杂装备故障诊断模型，较好地解决了复杂电子装备故障诊断的快速与准确问题，并通过对雷达情报综合电子信息系统故障实例的诊断仿真验证了算法的有效性。

3.4商业

文[14]提出一种基于案例推理与灰色关联度的企业财务危机预警模型，实验结果表明，该方法得到的案例相似性排序结果符合实际情况，可提高相似企业的检索效率，满足企业财务危机预警的要求。文[15]提出基于案例推理技术的化妆品销售组合预测模型，能够弥补短生命周期产品数据不足的问题，该预测模型在化妆品销售预测方面，能够达到令人满意的精度要求，具有实际应用价值。

3.5农业

案例推理在农业科学中主要用于各种农作物虫病的预测、诊断或诊治。文[16]利用农业专家对病虫害诊断的经验案例，建立了基于CBR的蔬菜病虫害诊治专家系统，可为菜农和专家提供诊断决策。文[17]利用CBR预测系统，有效预测黄瓜枯萎病，从而增加防治胜算并能辅助生产决策的动态修订。

3.6其它方面

其它方面的应用，如气象、教育、法律等。文[18]提出将案例推理与模型推理相结合用于天气预报研究，探索提高天气预报准确性的新方法，并运用这种方法，利用java语言，实现了一个新的天气预报系统。文[19]把基于案例推理技术引入智能教学系统中教学策略的推理和控制中， 应用以前学生学习的经验作为以后学生学习的引导，从而实现教学策略的自动组织、自动规划，实现学生的自主选择、自由学习。

4结语

通过了解 CBR 系统的应用状况，可以发现 CBR 系统适用于历史案例丰富但难以提取规则或者不易建立模型的领域。CBR还具有学习能力，利于用户对知识进行维护。另外，CBR系统的结论是由以前的案例推理得出，与人类的推理过程相似，因此CBR系统给出的结果更易于被用户接受。

参考文献 （References）

[1] R L D Mántaras， D Mcsherry， D Bridge， et al. Retrieval， Reuse， Revision and Retention in Case-based Reasoning [J]. The Knowledge Engineering Review， 2005， 20（3）：215-240.

[2] A Aamodt， E Plaza. Case-Based Reasoning： Foundational Issues， Methodological Variation， and System Approaches [J]. AI Communications， 1994， 7（1）： 39-59.

[3] 孙静宇， 陈俊杰， 余雪丽等. 基于CBR的协同Web搜索模型及应用研究[J]. 山东大学学报（理学版）， 2012， 47（5）： 19-24.

[4] 徐晓敏， 甘仞初. 结构建模方法在基于案例信息系统总体设计中的应用[J]. 计算机应用， 2004，24（S2）：118-119.

[5] C S Wang， H L Yang. A Recommender Mechanism Based on Case-based Reasoning [J]. Expert Systems with Applications， 2012， 39 （4）： 4335-4343.

[6] 申静. 基于案例推理的疾病诊断专家系统的研究[J]. 计算机与现代化， 2013， （2）： 143-146.

[7] 忻凌. 基于案例推理的四诊辅助诊断系统的设计[J]. 医学信息， 2009， 22（5）： 589-590.

[8] K H Hsu， C C Chiu， N H Chiu， P C Lee， W K Chiu， T H Liu， C J Hwang. A Case-based Classifier for Hypertension Detection [J]. Knowledge-Based Systems， 2011， 24 （1）： 33-39.

[9] C L Chuang. Case-based Reasoning Support for Liver Disease Diagnosis [J]. Artificial Intelligence in Medicine， 2011， 53 （1）： 15- 23.

[10] Song D， Zhang K. Research and Application on Case Self-Revision Approach in CBR[C]. 2008 International Conference on Computer Science and Software Engineering， Wuhan， 2008：368-371.

[11] 李孟兴. 电力设备故障红外诊断系统的研究与实现[J]. 电力信息化， 2013， 11（2）： 36-39.

[12] 严爱军， 王普， 曾宇. 竖炉燃烧过程智能故障预报系统[J]. 化工学报， 2008， 59（7）： 1768-1772.

[13] 黄子俊， 周政， 汤景棉等. 基于ANN与CBR相结合的复杂装备故障诊断研究[J]. 计算机应用与软件， 2010， 27（12）： 196-198.

[14] 廖志文. 基于CBR与灰色关联度的财务危机预警[J]. 计算机工程， 2012， 38（1）： 174-176.

[15] 吴迪， 李苏剑， 李海涛等. 基于CBR的化妆品销售组合预测模型[J]. 北京航空航天大学学报（社会科学版）， 2012， 25（1）： 78-84.

[16] ， 李东明， 陈桂芬. 基于CBR的蔬菜病虫害诊治专家系统的研究[J]. 安徽农业科学， 2010， 38（27）：15380-15381..

[17] 杨振刚， 刘伟章， 方永美. CFW的CBR动态预测[J]. 计算机工程与应用， 2009， 45（6）： 236- 239.

[18] 沈利峰. 案例推理方法（专家系统）在气象方面的应用研究[D]. 上海海事大学博士学位论文， 2005.

[19] 杨健， 杨邓奇， 秦祖启. 智能教学系统中基于案例推理的教学策略研究[J]. 计算机工程与设计， 2008， 29（15）： 4006-4008.

基金项目：促进高校内涵建设-教育教学类-大学生科研训练（CJGX2016-JX-07）;科技类博士资助课题 （YZKB2015010）;促进高校内涵建设-师资队伍建设-校内专业教学团队和优秀人才培养计划-校级骨干教师培育项目（CJGX2016-JX-26/004）.

收稿日期：2016年10月26日;修回日期：-年-月-日.

基金项目：

促进高校内涵建设-教育教学类-大学生科研训练（CJGX2016-JX-07）;科技类博士资助课题 （YZKB2015010）;促进高校内涵建设-师资队伍建设-校内专业教学团队和优秀人才培养计划-校级骨干教师培育项目（CJGX2016-JX-26/004）;