人工智能在教育行业的应用范文

导语：如何才能写好一篇人工智能在教育行业的应用，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。

人工智能在教育行业的应用

篇1

关键词：人工智能；教育变革；智慧教育

近年来大数据、云计算等信息技术飞速发展，人工智能在一些特殊领域（如图像识别、语音识别、自然语言等）不断取得突破性进展。人工智能作为新的技术驱动力正引发第四次工业革命，为医疗、教育、能源、环境等关键领域带来新的发展机遇。人工智能专家预测，人工智能在通用技术领域可能尚不能替代人类，但在一些特殊领域，人工智能将会淘汰现有的劳动力。在国外，许多国家纷纷把人工智能作为国家发展的重要竞争战略，我国学者也密切关注着人工智能的最新理论进展和实践应用，国务院于2017年7月颁布《新一代人工智能发展规划》，明确人工智能发展的重点策略。“人工智能变革教育”的潮流，引发了教育研究领域的“人工智能热”。当前全球范围内，人工智能在教育领域的大量研究和应用催发形成了教育人工智能概念。目前梳理学术上关于研究人工智能与教育的文献主要集中于：

（一）教育理念的革新。“人机一体”将成为未来新的教育方式[1]，由新技术和新手段的出现所应运而生的智慧教育[2]，将对原有教育进行改进和完善。智能技术在改变教育的手段和环境的同时，还有利于构建出系统解决教育问题的教育新体系，从而真正触及教育的根本[3]。

（二）关注技术的革新。机器深度学习、智能学习的算法、视觉识别以及智能语言识别这些基础技术的突破，为人工智能的教育应用奠定了坚实的基础[4]。

（三）探究教育的应用。人工智能在学校教育中的学业测评、交叉学科、角色变化等应用领域具有巨大潜力，教师角色内涵也将在与人工智能的协同共存中发生改变。AI监课系统能够数据化、可视化评估教师的授课情况，将人工智能技术的运用渗透到整个教学过程中，教师可以根据评分实时调整授课内容，以促进个性化学习，从而提升教学效果。教育深受技术发展的影响，新技术融入教育并促进教育方式的转变已成为必然趋势。一方面技术为教育提供了新的、更加广阔的可能性；另一方面技术具有变革人类的教育方式与学习方式的能力。然而，技术是一把“双刃剑”，如何获取或实现以人工智能为代表的新兴信息技术所拥有的特征、优势与功能，使其在教育中最大限度地发挥其应有的价值呢？人工智能技术如何继续被安全使用到教育领域？如何通过教育变革来促进新兴信息技术在教育教学中的广泛与深入应用，实现教育深层次革命等问题，是目前需要关注和探讨的主要问题。

1人工智能时代下教育变革的背景

1.1人工智能的内涵及具备的强大能力

人工智能最早由美国达特茅斯学院于1956年提出，其研究主要包括机器人、图像识别、自然语言处理、语音识别等，实质是一种自动感知、学习思考并做出判断的程序。人工智能具有自主学习、推断与革新的能力，推动了图像识别、自然语言处理等方面的技术突破。人工智能同时具有理性判断力、超强的工作力，只要电力供应不断，几乎可以无限制地工作下去，而且适应不需要情感投入的工作。它的超强能力，源于三个重要的技术：深度学习、大数据和强算力。

1.2人工智能时代的机遇和挑战

人工智能在精力、记忆力、计算力、感知力以及进化力等方面与人类相比，具有突出优势。在医药领域，人工智能的出现使普通民众可以享受更为高效、稀缺的医疗资源，解决医疗诊断领域诊断质量不均衡、医生资源不足等问题。在教育领域，人工智能促进教学质量进一步提升、教师角色多样化、学生学习能力的提升；为教育研究提供新技术和数据支撑；极大拓展了教育研究新视域；使教育在立德树人方面、教育方法创新方面、教育手段和环境方面以及教育服务供给方式方面均发生改变。然而，看到人工智能以其强大的处理能力带来机遇的同时，也需要正视人工智能带来的新挑战。在人工智能浪潮冲击下，如何借助人工智能发展的机遇推进教育的变革与创新？人工智能技术如何继续被安全使用？首先，人工智能专家大都认为，人工智能将会淘汰大量现有的依靠非脑力劳动为生的劳动力，需要培养人工智能时代的新型劳动力。而且，人工智能技术本身的不太成熟使很多人工智能技术只是应用在儿童教育领域，再者，人工智能潜在的道德伦理问题缺乏法律制度规范。除此之外，人工智能时代将对社会结构以及人的地位构成挑战。综上所述，人工智能时代所带来的机遇是大于挑战的。教育需适应人工智能技术所带来的突破和飞跃，不断调整和更新教育的方向和目标，实现育人成人的发展目标。

2人工智能与教育变革

2.1人工智能与教育目的的变革

人工智能带来的巨变不仅影响人类未来如何发展，而且极大释放了人类的生产力，这些在一定程度上使得人类需要重新思考教育是何目的。人工智能影响教育目的的变革主要表现在：第一，人工智能可能会使人类陷入精神危机。这源于两方面的结果：一方面，人工智能将取代大部分人的工作岗位，工作的丧失将会导致人的价值和尊严丧失。另一方面，人工智能技术的发展将可能导致所有基于自由主义的想法破产，转而人类所拥有的价值和尊严可能转化为一种“算法”，人工智能带来的职业替代风险在教育领域同样存在，主要是对教师角色的挑战。第二，人工智能有利于培养人的学习能力。从某种角度上讲，人工智能剥夺人的就业机会，但同时，人工智能助教机器人将协助教师实现个性化指导，从而有利于将学习的过程视为寻求自我价值和意义的过程。除此之外，人工智能有利于使教育注重培养人的精神能力，这种精神能力大致包括实践动手能力、价值追求能力以及创造能力，从而有利于学生知识以便于更好地完善自我、丰富自我，使教育跳脱“知识为本”的陷阱，发挥“立德树人”的正向作用。

2.2人工智能与学习方式的变革

第一，深度学习。深度学习也称为深度结构学习或者深度机器学习，是一类算法的集合。深度学习概念的提出，一方面尊重了教学规律，另一方面也是应对人工智能时代下的挑战。深度学习在机器学习、专家系统、信息处理等领域取得了显著成就，提倡学教并重、认知重构、反思教学过程，进而达到解决问题的目的。第二，个性化学习。个性化学习区别以往传统班级课堂授课，尊重学生的个性发展，因材施教。人工智能技术与大数据的应用有利于学生享受个性化的学习服务，可提供个性化的学习内容，可视化分析学生的学习数据，快速提高学生的学习效率。第三，自适应学习。自适应学习是指人工智能基于对个体学习进行快速反馈的基础上，根据学习者特征，为其推荐个性化的学习资源和学习路径，从而最大程度上适应学生的学习状态，是实现个性化学习的重要手段。人工智能技术有利于快捷、科学地判断学生的学习状态，进行学习反馈；持续收集学生的学习数据，其中包括学习目标、学习内容；高效地为学生提供海量的学习资源。

2.3人工智能与学习环境的变革

首先，有利于搭建灵活创新的学校环境。不仅可以使空间规划更具弹性，而且可以调节性增强物理环境。其次，人工智能时代的教育区别于以往传统教育强调的统一秩序，更注重个体的用户体验。创客空间、创新实验室等学习环境的不断增加以及人工智能技术的不断发展，个性化的空间环境与学习支持将改变目前学习的学习空间环境。除此之外，随着对话交互技术的逐渐成熟与不断普及，有利于实现虚实结合的立体化实时交互。VR、AR等技术的同步协作也有利于搭建新的学习环境，满足学习者的一系列要求。脑机互动技术的突破有利于实现将人工智能植入人脑，从而改变人类自然语言的交流方式。最后，人工智能通过即时、准确、高效的大数据分析有利于进行精准且个性的学习评价与反馈。人工智能将综合收集所有同学的学习记录，互相比对、优化，从而进行综合提升。更为重要的是，人工智能的人脸识别以及语音识别技术可以运用到教师的教学过程中，进行学生的学习情绪感知，学习状况的了解，从而促进学生学习的科学化；智慧校园、智慧图书馆等的出现，为教学环境的建设提供重要参考。

3人工智能在教育领域的应用

人工智能被认为是最有潜力和影响力的教育信息化技术，将通过人工智能数据挖掘分析、3D打印、模拟仿真等技术的应用，实现人工智能与教育的深度融合，对计算机辅助教学、个性化教育服务、教育人工智能生态环境等产生根本影响。2018年《地平线报告》（高等教育版本）指出了教育领域的信息化发展，未来一段时间内将通过人工智能与信息技术的结合，进而影响教育阶段的不同过程。具体见表1所示。

篇2

据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达31.7%。

随着人工智能技术的不断成熟，人工智能创业的难度逐步降低，越来越多的创业公司加入人工智能的阵营。

2018年被称为人工智能爆发的元年，人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面，带来生产效率及生活品质的大幅提升。智能红利时代开启！资本、巨头和创业公司纷纷涌入，将人工智能拉到了信息产业革命的风口。

如何把握产业动向，抓住风口机会？创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力，在对国内人工智能创业公司进行系统调研的基础上，推出《2018中国人工智能白皮书》，对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。

第一部分人工智能行业发展概述

1.人工智能概念及发展

人工智能（Artificial Intelligence， AI）又称机器智能，是指由人制造出来的机器所表现出来的智能，即通过普通计算机程序的手段实现的类人智能技术。

自1956年达特茅斯会议提出“人工智能”的概念以来，“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后，深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破，前所未有的人工智能商业化和全球化浪潮席卷而来。

人工智能发展历程

2.人工智能产业链图谱

人工智能产业链可以分为基础设施层、应用技术层和行业应用层。

A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。

B技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。

C应用层，主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。

人工智能产业链

资料来源：创业邦研究中心

第二部分人工智能行业巨头布局

巨头积极寻找人工智能落地场景，B、C 端全面发力。

资料来源：券商报告、互联网公开信息，创业邦研究中心整理

第三部分机器视觉技术解读及行业分析

1.机器视觉技术概念

机器视觉是指通过用计算机或图像处理器及相关设备来模拟人类视觉，以让机器获得相关的视觉信息并加以理解，它是将图像转换成数字信号进行分析处理的技术。

机器视觉的两个组成部分

资料来源：互联网公开信息，创业邦研究中心整理

2.发展关键要素：数据、算力和算法

数据、算力和算法是影响机器视觉行业发展的三要素。人工智能正在像婴儿一样成长，机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练，其背后需要具备高性能计算能力的软硬件作为支撑。

深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流，即机器从海量数据里自行归纳特征，然后按照该特征规律使图像识别的精准度也得到极大的提升，从70%+提升到95%。

3.商业模式分析

机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者，其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者，适合以“全产业链生态+场景应用”作为突破口，加速商业化。

（1）软件服务：技术算法驱动者—“技术层+场景应用”作为突破口

这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑，构建起功能和信息架构较为复杂的生态系统，推动最末端的消费者体验。

此类商业模式成功关键因素：深耕算法和通用技术，建立技术优势，同时以场景应用为入口，积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。

国内外基础算法应用对比

资料来源：互联网公开信息，创业邦研究中心整理

（2）软硬件一体化：生态构建者—“全产业链生态+场景应用”作为突破口

软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入，海量优质数据积累，建立算法平台、通用技术平台和应用平台，以场景为入口，积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统，各部分相辅相承，锐化企业竞争力，在产业链中拥有更多话语权。

4.投资方向

（1）前端智能化，低成本的视觉解决模块或设备

从需求层面讲，一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体，一方面提升了处理速度，另一方面可以处理云端难以解决的问题。

机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发，结合先进的算法开发模块和产品，这类企业将在机器视觉领域拥有核心竞争力。

（2）深度学习解决视觉算法场景的专用芯片

以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例，传统的识别方案大都基于颜色空间，如 RGB，HSV ，YCrBr，无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习，如通过 R-CNN 训练大量标注后的手势图像数据，得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时，比传统方案的效果好很多。

（3）新兴服务领域的特殊应用

前沿技术带来的新领域（如无人车、服务机器人、谷歌眼镜等），对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉，涉及三维空间、多维空间，其技术基本上处在初始阶段，未来存在较大市场增长空间。

（4）数据是争夺要点，应用场景是着力关键

机器视觉的研究虽然始于学术界，但作为商业应用，能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据，又有挖掘该数据价值的先进技术时，商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据，要么选择与拥有数据源的公司进行合作，同时选择一个商业落地的方向，实现快速的数据循环。

第四部分智能语言技术解读及行业分析

1.语音识别技术

（1）语音识别技术已趋成熟，全球应用持续升温

语音识别技术已趋成熟，全球应用持续升温。语音识别技术经历了长达60年的发展，近年来机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法，在识别率上取得突破。根据Google Trends统计，自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测，2020年语音及图像搜索占比有望达到50%。Echo热销超过400万，带动智能音箱热潮。

（2）语音识别进入巨头崛起时代，开放平台扩大生态圈成主流

语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖，语音交互技术催生的新商机，吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力，欲吸引更多玩家进入他们的生态系统。

（3）语音识别技术发展瓶颈与趋势

低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%，远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。

麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高，带环境音的语料的搜集、标注可用于模型的训练，有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。

在IOT包括车载领域，云端识别并非通行的最优方案，把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。

2.自然语言处理（NLP）发展现状

（1）多技术融合应用促进NLP技术及应用的发展

深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年，硅谷在语义理解领域的投资热度剧增。

深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业Domain knowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。

（2）NLP主要应用场景

问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。

图像检索。同样也是基于深度学习技术，跨模态地把文本和图片联系起来。

机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。

对话系统。对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。

（3）创业公司的机遇

1)机器翻译方面：经过多年的探索，机器翻译的水平已经得到大幅度提升，在很多垂直领域已经能够在相当大程度上替代一部分人工，机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。

2)应用于垂直领域的自然语言处理技术

避开巨头们对语音交互入口的竞争，以某一细分行业为切入点，深耕垂直领域，对创业公司也是一个不错的选择。

第五部分人工智能在金融行业的应用分析

人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域；技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易，计算机视觉与生物识别应用于金融领域的身份识别，语音识别及自然语言处理应用于金融领域的智能客服、智能投研；应用层的认知智能应用于金融领域的智能风控。

人工智能在金融行业的典型应用情况

资料来源：创业邦研究中心

第六部分人工智能在医疗行业的应用分析

1.人工智能在医疗行业的应用图谱

人工智能在医疗行业的应用潜力巨大，目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局，其中医学影像、药物挖掘、健康管理，辅助诊疗、虚拟助理的应用发展速度较快。

图人工智能在医疗行业的应用图谱

资料来源：创业邦研究中心

2.人工智能在医疗行业的具体应用场景

医学影像。人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。

药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。

虚拟助理。医疗虚拟助理是基于医疗领域的知识系统，通过人工智能技术实现人机交互，从而在就医过程中，承担诊前问询、诊中记录等工作，成为医务人员的合作伙伴，使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同，主要有智能导诊分诊，智能问诊，用药咨询和语音电子病历等方向。

第七部分智能驾驶行业分析

1.智能驾驶行业产业链

智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商，上接上游软硬件提供商，下接公司和消费者，在整个业务链中扮演至关重要的一环。

产业链上游厂商多为细分技术提供商，如深度学习、人机交互、图像识别和新材料、新制造新能源等。

智能驾驶产业链图谱

资料来源：创业邦研究中心

2.智能驾驶市场分析

伴随着 ADAS 技术的不断更新，推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期，然后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后，依赖全产业链的配合而进入市场成熟期。预测到2030年，全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%，单车应用成本的显着提升之外，从 L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。

按照 IHS Automotive 保守估计，全球 L4/L5 自动驾驶汽车产量在 2025 年将接近 60 万辆，并在 2025- 2035 年间获得高速发展，年复合增长率将达到43%，并在2035年达到2100万辆。另有接近 7600 万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。

根据独立市场调研机构 Strategy Engineers 的预测，L4 高度自动驾驶等级下，自动驾驶零部件成本约在 3100 美元/车，其中硬件占比 45%，软件占比 30%，系统整合占比 14%，车联网部分占比 11%。按照全球 1 亿辆量产规模计算，理想假设所有车辆全部达到 L4 高度自动驾驶水平，那么全球自动驾驶零部件市场规模在 2020 年将达到 3100 亿美元。

第八部分中国人工智能企业画像分析

随着人工智能技术的不断成熟，人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向，助力创新企业发展，创业邦研究中心对国内200多家人工智能创业公司进行了系统调研，从发展能力、创新能力、融资能力等多维度指标，评选出“2018中国人工智能创新成长企业50强”。

地域分布

全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比高达39.66%;其次是上海，人工智能企业占比达21.55%;位列第三的是广东，人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等，成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力，人工智能应用实力雄厚，也聚集了一批人工智能垂直产业园;广东互联网产业发达，企业对数据需求强烈，依靠大数据产业链推动人工智能产业发展。

行业分布

从行业大类分布来看，行业应用层的企业占比最大，为56.03%;其次是应用技术层的企业，占比达31.04%;基础技术层的企业占比最小，仅为12.93%。随着人工智能技术的发展，人工智能与场景深度融合，应用领域不断扩展，行业应用公司比重不断提升。在基础层技术方面，国际IT巨头占据行业领先地位，国内与国际差距明显，中小初创企业很难进入。

从行业应用来看，智能金融企业占比最大，为16.92%;其次是机器人企业，占比达15.38%;位列第三的是智能驾驶和智能教育，占比均为12.31%。金融行业的强数据导向为人工智能的落地提供了产业基础，智慧金融被列入国家发展规划中，庞大的金融市场为人工智能落地带来了发展前景。机器人作为人工智能产业落地输出，目前市场需求较大，商业机器人占据较大份额。中国智能驾驶市场在资本推动下进入者较多，企业积极推动应用落地，百度、北汽等大型企业尝试商业化落地智能驾驶汽车。人工智能推动教育个性化落地，相关初创企业涉入教育蓝海，推动智慧教育的发展。

收入情况

收入分布在500-10000万之间的企业最多，占比达49.14%;500万以下的企业位居其次，占比达 26.72%;位列第三的是10000-100000万之间的企业，占比为17.24%。

篇3

关键词：智能信息处理；智慧城市；卓越工程师计划

0 引言

我们处于信息时代，衣食住行时刻与信息技术相关联，信息技术的发展水平从侧面反映了社会的发展进度。当前计算网络与大型数据库的广泛使用，给决策者和经营者带来了很大的压力，他们面对海量的数据而无从下手。因此智能信息处理应运而生，它能便捷快速地解决这一困境，推动社会信息化的发展。智能信息处理的最终目的是发明出能够集学习能力、理解能力和判断能力于一身的人工智能系统。其根本就是要基于部分算法来得到并提出信号中的有用信息，最终实现智能系统控制。智能信息处理技术几十年来经历了模拟数字，现在正向以“人工神经网络”为主，与模糊数学、遗传算法、小波分析、混沌理论相结合的方向发展。一些新思想、新理论、新算法、新器件也不断涌现。所有这些给未来信息科学的发展，描绘出了一副诱人的前景。

智能信息处理作为智能类专业的重要基础专业课程，为更深入地学习后续的智能类专业知识奠定了基础，同时，将所学知识融会贯通巧妙应运用于专业学习中，为日后科研打下坚实的基础，所以，如何进行教学改革，以达到培养高素质人才的目标，是我们需要认真研究的重要课题。

1 智能信息处理改革背景

智慧城市的建设基于云计算、人工智能、决策分析优化等信息技术，针对包括政务、民生、环境、公共安全、城市服务、工商活动在内的各种信息的需求，提供智能化响应和智能化决策支持的信息服务。因此，智慧城市建设的核心内容是智能信息处理。换种角度来看，将智慧注入城市之后，便有了智慧城市，若没有智能信息处理技术，传统的城市在面对海量数据时就远不能满足其主体要求，这便使得供求关系严重失衡。在这种供求矛盾激化的前提下，才使得智能信息处理技术的发展更加快速。

在智慧城市背景下的智能信息处理是在城市的建设过程中，借助互联网、物联网和智能化设备等高度发达的信息化手段，在其管辖的城市环境、公共服务、本地产业和全体公民的范围中，将城市的政治、经济、生活和文化等综合信息进行广泛地采集和动态的监控，通过充分地统计、互联和共享，将这些信息进行智慧地感知、分析、集成和应对，为城市运营和发展提供更好的决策支持和动态管控的能力，让城市管理变得更加智能，以尽可能最大化地去解放、利用和提升人自身的智慧，为城市居民提供一个更加健康、安全、和谐和幸福的生活环境。

“卓越工程师教育培养计划”是《国家中长期教育改革与发展规划纲要》的重要内容，由教育部发起，目的是为了向未来的工程领域培养高品质、类型丰富的工程师后备军。其要求是高等院校需要经过转换办学理念、调整人才培养目标的定位和转换人才培养模式等途径来培养面向工业领域、面向未来、面向世界的优秀工程技术人才，从而提升我国产业的国际竞争力。卓越计划为智能化信息处理的改革指明了道路，为高等工程教育培养提出了要求。高等工程教育要遵守以德为先、能力为重、全面发展的培养规律，增强为国家、为行业和企业主动奉献的意识，持续提高大学生的竞争能力、实践能力和创新能力，最终建设出布局合理、结构优化、类型多样、主动适应经济社会发展需要的高等工程教育体系，从而加快我国向工程教育强国迈进的步伐。针对目前的人才需要，智能信息处理教学改革势不可挡。

2 原有教学方式

智能信息处理是信息处理的一种方法，将不完全的信息改变为完全的信息，同时使其具有可靠性、精确性、一致性和确定性。智能信息处理学科于当前来说是相对前沿的，同时也是新观念、新思想、新理论、新技术不断出现并迅速壮大的新兴学科。智能信息技术是多个领域的综合，其中包含了人工智能、现代信号处理、人工神经网络、模糊理论等理论。基于对智能信息处理理论和方法的分析，原有的智能信息处理的教学安排如表1所示。

原有授课方法主要是讲授法，教师通过口头语言叙述向学生传授知识的同时培养其思考能力的教育方法，在以语言传递为主的教学方法中应用最广泛，是最基础的授课方法。这种授课方式使教学内容较为单一，教学质量不稳定，无法使学生对智能信息处理这种学科有更深刻的认识。

3 改革教学方式

3.1 以竞赛的方式开展

1998年中华人民共和国颁布的高等教育法中曾提出：“高等教育的任务是培养具有创新精神和实践能力的高级专门人才”。自1990年至今，一定数量的研究型高等院校开始借鉴国外成功的教学思路，实施本科生科研训练计划。2006年教育部面向全国重点大学和部分有较强行业背景和特色的地方大学，在国家层面上开始实施大学生创新性实验计划，引起许多地方高校的重视。

围绕“智能”和“智慧城市”参加与其相关的“和利时杯”电气控制应用设计大赛、“亚控杯”组态软件应用设计大赛、全国大学生西门子杯挑战赛等面向全国高校学生的赛事，可以优化学生的知识结构，培养学生科学实践和动手能力，增强创新和竞争意识，并且能够提高学生的整体素质。通过开展竞赛式教学模式，脱离枯燥的课堂，锻炼实际操作能力，让学生体验新颖的教学方式，能调动学生的积极性，培养学生团队合作意识和竞争意识。重要的是通过竞赛，学生能深切掌握书本的理论知识，切实掌握智能信息技术的关键。竞赛的教学方式符合国家和社会对人才的需求，能在诸多方面提高学生的综合素质，推动了“卓越工程师计划”的培养进程。

3.2 以建构主义开展

建构主义教学理论是一种源于欧美的新兴教学改革理论，国外教育专家曾对建构主义理论有过较为深入的探索。建构主义强调以学生为中心，教师只对学生的意义建构起帮助和促进作用，较传统教育来讲，这使教师和学生的地位有了较大的改变。所以，自建构主义提出至今，教育专家始终不放弃对其进行分析和研究，努力建立起一整套能够与建构主义教学相适应的方法体系和设计理论。可是整个过程非常艰难，需要非常长的时间才能完成，尽管如此，建构主义教学理论的基本思想和主要原则已经取得阶段性成果，已经成功地运用于Intemet和多媒体的建构主义学习环境中。以建构主义为基础，融合智慧城市的建设需求，更深入地理解智能信息处理在智慧城市中的作用和必要性，对整体提高学生对学科的认知和应用能力起到推动作用，十分契合“卓越工程师计划”对学生素质的要求。

由于个人的基础、水平、背景等方面的原因，每个学生对知识点的理解程度参差不齐，所以，为了让更多的学生理解和提高水平，教学中就不能以教师为中心，更不能“填鸭式”教学，而要结合智能信息处理教学，以学生为中心。面向全体学生，教师在教学时不仅要通俗易懂、深入浅出，还要注意知识的广度和深度，以便适应不同学生的需要。再结合智能信息处理教学中学生应建构起自己的知识结构，教师要善于启发、诱导，帮助学生丰富和调整自己的理解。

3.3 以智慧城市案例开展

案例教学法早在20世纪20年代就已被提出。它从出现至今始终具有强大的活力和影响力，所以一直被美国企业界、学术界、教育界等高度重视。采用智慧城市案例开展智能信息处理教学类似于医学院运用病例分析来辅助教学，都是应用大批实际情况和经历的介绍材料来训练学生。这样既达到锻炼大学生思维的目的，也显示了学校先进的教育方式，这是已经被证实的显著有效的教学方式。顾名思义，案例教学法就是结合案例，让学生以自己的认知来分析和理解案例，或与集体共同讨论、实践，最终培养和提高各自实际管理工作的能力或处理解决问题的能力。“卓越工程师计划”所培养的人才以工程师的身份为智慧城市设计智能产品，满足智慧城市建设需求的同时也对人才培养起到督促作用。

在智能信息处理教学改革中以智慧城市的案例开展教学活动，能让学生在模拟的智慧城市情景中对实际问题进行分析，使学生能在非实践的情况下对实际情况进行分析从而巩固学习的理论知识，同时能够发展学生解决实际问题的能力，使知识得到内化，增强学生的表达能力和自信心，其主要教学流程如图1所示。

篇4

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。

篇5

我们经常谈出版的数字化转型，无论是教育出版还是其他出版，向内容提供商、内容服务商转型的大方向是对的。教育出版的重要出口就应该是在线教育，在线教育也属于内容服务的一种形式。

在互联网时代，教育不再是学校和教育出版社的事情，任何人都可以从事在线教育，没有任何准入机制。现在教育出版机构面临的最强劲竞争对手是互联网巨头，它们资金雄厚，在在线教育领域一掷千金，几十亿、上百亿元的投资对他们来讲不是问题，再加上他们在互联网技术方面的优势，使得教育出版机构毫无优势可言。

近年，互联网巨头都瞄准了在线教育市场。海外，苹果i丁unes U开始进军在线教育，主要提供开放式教育资源;谷歌也建豆了Google Doc在线学习系统。国内，互联网三巨头BAT纷纷进军在线教育。2014年2月，阿里投资1亿美元加盟丁utorGroup; 2014年8月1日，腾讯与新东方联合成豆北京微学明日网络科技有限公司;2014年8月5日，百度收购在线教育传课网。此外，阿里巴巴推出淘宝同学，腾讯开设腾讯大学，百度推出百度知心。

互联网是一次革命，几乎打破了所有的传统行业边界，如果我们再用传统的专业分工思维考虑问题，无疑是作茧自缚。虽然，互联网企业并不掌握优质的教育内容，但是，它们可以花重金购买，也可以重新生产，或者通过协议聚合内容。正如中国知网不生产内容，但是它能够聚合内容，成为典型的内容提供商和服务商。现在几乎没有哪所大学敢不购买中国知网的数据库。今日头条也不生产内容，但是仅仅经过3年的发展，它已经成为移动新闻客户端的老二，靠的就是聚合内容。

在欧美在线教育市场，以培生、圣智学习等为首的几大教育出版商已经垄断了付费教育资源市场，中国的教育出版机构在付费在线教育领域没有形成明显的优势。国家教育出版机构组建了很多在线教育平台，但是市场知名度都不如其他行业组建的在线教育平台。无论是沪江网校、网易公开课，还是一起作业网、学霸君、作业帮、学而思网校、猿题库都不是出版机构创建的，这是需要出版同行认真思考的问题。一起作业网由真格基金徐小平等人投资，2015- 2016年连续两年在数字出版年会上大规模做宣传推广，发展十分迅速，已经在很多小学普及。

二、在线教育课时长度多长为宜

目前，全球传统课堂的课时长度几乎都是40-50分钟，没有人认为不合理。但是，科学研究却表明40- 50分钟的课时长度并不符合人的认知规律。1996年美国印第安纳大学的教授约安·米登多夫和阿兰·卡利什在《国家教学论坛》就发表了一份详尽的关于学生注意力的报告。他们发现学生需要3- 5分钟才能静下心来，在之后的10-18分钟内精力非常集中。之后，不管教师讲得多好，不管课程多么吸引人，学生还是会走神。虽然之后学生还能再次集中注意力，但集中的时间越来越短，在课程即将结束时，集中的时间只有3- 4分钟。可是，却没有学校愿意把课时长度降低到巧分钟以内。

在实体教学中，教材编写、教学计划、教学管理、教师计酬等都是基于45分钟课堂，如果把课时长度都改成巧分钟，那么教学管理、教材编写、教师薪酬等都要相应改变，这相当于一场教育革命，不要说技术上如何实现，恐怕教师、教学管理者都很难接受，阻力不可想象。但是，在线教育很多是在实体学校以外进行的，还没有完全进入现行的教育体制，可以不受这样的限制。现在很多在线教育的课时已经调整为巧分钟以内，这需要教育出版机构关注，尽早采取应对措施。

当下，很多在线教育平台的视频课程仍是传统课堂的翻版，大多数为40-50分钟，1小时的也不在少数，有些甚至长达2小时。这样的时长往往让人感到疲劳，教学效果也难以保证。笔者在超星学术视频看到很多课程在20分钟以内，应该说这样的设置是合理的，是符合学生认知规律的;爱课程网的视频课程时长多为30-50分钟，基本是按照现实课堂设置的。

三、纸质教材的存亡问题

无论是中国还是美国，教材，尤其是中小学教材一直是出版业的主要收入来源，出版业最关心的是纸质教材的存亡。那么，在线教育究竟会对纸质教材产生怎样的影响呢?

1.知识点教育挑战纸质教材的存在

从历史发展角度看，教材并非教育的必需品。早期的人类教育没有教材，工业化革命以后，班级教育的出现才产生了教材。未来教育是否还需要教材，答案恐怕是未必。教材是系统化的知识点。在传统教育形式下，对中小学阶段教育来说，往往是几十万甚至上百万人使用材。在以纸质媒体为主要传播介质的时代，我们没有办法为每一个学生量身定制教材。随着互联网高度发展，尤其是大数据技术的应用，我们已经完全能够实现为每一个人单独定制教材的可能。这些教材由计算机软件来完成，不需要印刷，而且还可以根据学习者的进展随时调整。这就是智能化推送与测试系统，也叫作知识点教育，美国的可汗学院就是采用知识点教育。

再往前展望，甚至可能没有教材的概念，因为新的学习资料都是根据学习者掌握程度随机生成的，实际上已经没有了教材。在线教育的发展使传统的教材观念、教材盈利观念都受到极大挑战。一旦智能化教育全面推广，纸质教材就可能没有存在的必要。当然，现实发展比技术实现要缓慢得多，欧美的教材定制也仅仅发展到章节的定制组合，也就是根据教师的要求可打乱教材的章节排列，还没细化到对整本教材知识点的重新组合。

2.实体学校的消失，伴随的可能是教材的消失

在线教育的发展使得人们随时随地能接受教育，人们是否还需要到学校去接受教育就成为一个问题。美国一些教育专家大胆预测，将来会有大量的实体大学消失，而中小学实体学校的消失可能要晚于实体大学的消失。美国《国家利益》杂志2013年预测“未来50年内，美国4500所大学，将会消失一半”。美国斯坦福大学校长约翰·亨尼斯说，“学生已经厌倦了传统课堂并准备拥抱网络教育”，“教育技术将摧毁现有高等教育体系，这是不容否认的”。斯坦福大学Udacity创办人特隆认为，50年后美国大概会只剩下10所实体大学。实体大学的消失，不会是个案，伴随的可能就是各级各类实体学校的消失。

教材是班级教育的伴生物，传统班级教学必然需要统一的教材。依据上述专家的预测，传统实体学校的消失，可能伴随的就是班级教育的消失，不再需要统一的组织教学，教材恐怕也就寿终正寝了。

3.数字化教材的审批问题

国家教育部已经开始审批数字教材，上海部分出版社的数字教材已经获得审批通过。这就意味着数字教材不一定由纸质教材转化而来，完全可以单独编写，通过审批后上市使用。过去几年，那些拥有纸质教材版权、经营权的出版机构一直认为数字教材必须由纸质教材转化而来，即使自己不开发数字教材，也能通过转授权获得部分收入。现在看来，这种想法有些过于天真。这也说明，拥有纸质教材，出版机构在在线教育中未必就拥有优势。

四、在线教育的智能化发展

在线教育最大的问题就是一名教师面对很多学生，当一名教师同时面对几万人、几十万人时，对单一学生的具体指导就会远远超出教师的实际能力。近些年，人工智能发展很快，在线教育使用机器人服务已经不可避免，这也是在线教育智能化的一部分。比如，人机对话软件可以解决语言学习没有陪练的问题，但是人机对话还很不完善，局限性很大。如环球雅思网校的人机对话软件只能纠正单词发音，不能对流畅程度、词汇运用、语法错误进行纠正。人工智能运用于在线教育还有很远的路要走，但是智能机器人在教育服务领域未来的发展前景十分广阔。美国的可汗学院有试题自动生成软件，学生看过视频后，软件会自动弹出问题，要求学生回答。可汗学院还建有数据库，通过数据库可以追踪每一个学生的学习进度，还能根据学生的掌握情况，自动推送学习内容，已经实现智能化。

目前，欧美教育智能化面临的一个敏感问题是个人隐私，很多学生不愿意让平台跟踪他们的学习。

五、在线教育存在的问题

1.缺乏现场感，对人的社会性发展不利

北京大学文学院陈平原教授回忆自己的博士生导师王瑶先生时说，王先生没有给学生正式讲过课，学生都是在和王老师聊天中学习知识。我国古代的教育方式，很多时候也是聊天式的，导师和学生吃住在一起，可以说无所顾忌、无话不谈。聊天是最自由的交流方式，天马行空，可以就很多问题进行探讨，可能不十分准确和严谨，但是对知识面的拓展、对灵感的激发是很见效的。这种教育方式显然是一位教师面对几十万在线学生无法实现的，也无法产生老师潜移默化、言传身教的效果。

K12在线教育最大的问题是无法提供现场感。在实际教学过程中，好老师并非是那些讲得最好的老师，而是负责任的、管理得当的老师，能够调动学生学习积极性的老师。尤其是在中小学阶段，管理课堂是一项十分重要的教学任务，在线教育无法实现像地面教学一样的管理课堂。离开老师的管束，再好的内容如果学生听而不闻、不入脑子，也达不到教学效果。

在现实课堂中，教师会走到学生中间去，通过手势、表情与学生交流，甚至有一些大尺度的调侃;而视频课程由于录制设备的限制，老师只能停留在讲课桌后面，表情呆板、不鲜活，在一定程度上限制了教师的发挥，也使得课程的精彩点绽放受到限制。

在线教育也会造成学生社会性减弱。人是社会性动物，要参与社会活动，通过社会来学习知识和技能，同时承担一份社会分工。学生到学校学习，也是在参加一种社会活动。如果大量的学习都通过在线来完成，也就意味着学生与学生、学生与老师的相处时间越来越少，这实际上减少了学生的社会活动。这种情况会导致学生主要通过在线了解世界，而不是通过实际的社会生活来了解，最终会脱离社会现实。韩国原计划2015年在全国推广电子书包，结果发现学生大多通过电子书包了解世界，减少了与社会和自然的接触，带来了一些负面的影响，于是决定放慢电子书包的推广速度。

2.视频课程制作花费巨大

视频课程制作花费巨大，按照哈佛和麻省理工成豆的edX估计，一门课就要25万美元。清华大学指定MOOC制作合作公司“过来人”的创始人张有明说:“一个完整的MOOC团队是非常复杂的，包括项目经理、助教、志愿者、制作人、摄制团队、后期制作、运营人员;整个制作流程也很长，包括选题、知识点设计、拍片宣传、集中摄制、后期制作、测试反馈、运营数据……老师为制作MOOC课程，平均1个小时的视频，至少要花10倍到20倍的时间做前期课程内容的准备，即使这个老师的课讲得非常熟练。” 由于在线教育需要大量的投入，这些投入都要摊到教材上，因此现在欧美大学数字教材价格不仅没有降低，反而比纸质教材还高，而且只能在教育出版商、开发商的软件环境下阅读。相比而言，老师和学生反而更钟情纸质教材。这可能只是阶段性问题，随着技术的普及、数字教材使用人数的增长，教材的价格会逐步降低。

3.意识形态问题

开放性教学资源平台的全球免费共享也带来另一个问题，那就是意识形态问题。比如，西方国家社会学课程的某些讲授未必符合我们政府的要求。

4.不利于教育的多元化发展

目前，在线教育都选择全国顶级的教师授课，最终可能会形成一门课只有几位老师在讲的局面。而教育是多元化、个性化的行为，如果全国都在使用某几个教师的教学视频，那就如同工厂一样，生产出标准化的产品，不利于学生思想的多元化发展。其实，不同的教师是各有优势的，对同一个问题的不同讲解，会给学生提供不同的信息和方法。

5.完成率很低

在一片对网络开放教学资源的赞扬声中，也出现一些不乐观的数据，“以斯坦福大学的Udacity公司的课为例，目前仅有5%一16%的完成率，通过率更低”。没有课堂监督，没有教学管理，只靠自觉完成学习，看来还是有问题的。这也需要在线教育工作者思考，究竟采用什么手段才能提高完成率，否则，这些优秀的教学资源就等于白费了。

6.一些技术问题

在线教育的迅猛发展也暴露出一些问题，需要进一步完善，如课程播放不流畅，教师讲解不精彩。有些用户反映视频播放很卡，有些30多分钟的课程需要1 小时才能看完;有些教师讲解古板，基本是照本宣科，缺乏趣味性。另外，我们在纸质教材中寻找内容很简单，但目前视频关键词搜索技术还很难令人满意。

7.盗版问题

在线教育视频盗版问题严重。原创单位花费很多精力、金钱制作的在线教育课程被轻易翻录、传播，严重影响原创单位效益。几千元的视频课程，通过网络十几元就能买到，而且不影响使用。

8.网游等如何控制

上课期间教师可以通过软件控制，使孩子们认真听课、做练习，但是放学后孩子们通过终端设备看什么就难以控制。K12在线教育还面临父母不愿让孩子上网，害怕孩子玩游戏、上交友平台，以及屏幕伤害眼睛等现实问题。

篇6

【关键词】信息技术教育教学方法改革

1.现代信息技术的发展对教育教学的影响

进入21世纪伴随着计算机技术和通讯技术为基础的信息技术的高速发展，尤其是“多媒体技术”和“互联网技术”的日趋成熟，在人类文明从工业化时代向信息时代转变的过程中，信息化正以惊人的速度改变着人们的工作方式、学习方式、思维方式、交往方式乃至生活方式。毫无疑问，当代信息技术在教育教学中的应用与发展已成为当今教育系统众所周知的共识。现代信息技术早已融入到了教育教学的每个角落。

现代信息技术的普及有力的促进了教育教学改革的进程，比如信息技术的发展促进教育教学模式的转变；服务化的网络教育推动着教育方法的进步；信息技术的变革提供了学生个性化自主学习的通道。尤其“211工程”院校开展的现代远程教育便是信息技术条件下最有说服力的教学方式与方法的大胆创新，这种通过网络自助学习与教师在线互动相结合的学习方式更是被“环球网校”、“考试吧”等各大知名培训机构所采用。

总之现代信息技术的飞速发展正对教育传播技术、教育教学模式、教育资源、专业与学科设置、学生自身等等各方面起着强有力的催化作用，这一时代的变革要求我们教育工作者必须紧跟时代潮流抓紧适应信息化条件下的教育教学发展。

2.传统教学模式与方法已不适应高度信息化条件下的教育发展

2.1信息化时代教育教学方式与特点

信息化时代的教学模式应该是符合现代教学思想的新型教学模式，以现代信息技术的支持为最高特征，包括现代教学观念和现代教学方法的应用等内容。在信息化教学模式下，学生的主体地位得到强化，有利于发挥学生学习的主动性、积极性和创造性如图1所示，在整个学习环节中教师不再是主体，学生才是学习的主体，一切教学措施都围绕学生展开。受到信息网络技术的冲击，从教师与学生两个方面来说都与以往传统教学模式下有着截然不同的差别。高度发达的信息技术对现代教育教学观念、教学内容、教学资源，教学手段、教学管理等一系列的方面产生了质的变革。

我们认为信息化教学模式是建构主义理论与先进的媒体技术、网络技术、人工智能技术等相结合的高度智能化的教学方式。具有教材多媒体化、资源全球化、学习个性化、管理自动化、环境虚拟化等特征。

2.2传统教育教学的方式方法已经阻碍了现代教育的发展

传统课堂教学模式是以“教师为中心”的课堂教学模式，这种教学方式与方法早已与素质教育相违背，尤其在承担高级专门人才培养的高职院校，很多课堂教学模式仍然是教师是教学过程中的主体，学生只是被动接受的客体。这种传统的以“教师为中心、以书本为中心、以课堂为中心”教师凭借“一间固定的教室、一块固定的黑板、几支粉笔”引导学生跟着自己的思维转的教学模式极大的遏制了学生的上课积极性，能动性和个性化创造力。

走进高职课堂，经常看到教师在课堂上侃侃而谈，部分学生却在课堂上睡觉、说话、玩游戏、耍手机等现象，结果教师讲完了一堂课，完成了这节课的教学任务，但部分课堂上精力不能集中的学生却不知所云。这样的教师为主体的传统的教学模式长期以来都忽视了学生本身也是有思想、有愿望、有意识、有兴趣的人，没有充分考虑到学生的个体差异性，不能充分有效地贯彻因材施教的教学方针，不能充分调动学生的课堂积极性和能动性。显然，上述这种传统的教育教学方式是以传授知识而不是以智能培养特别是创新精神的培养为重点的，而是以牺牲学生的主动精神和创新精神为代价的，它根本无法适应当前物联网时代知识经济对人才的需求。

再者，传统的教学模式已经牢牢的固化了教师的授课方式与创新思维教学方法。教师一味的在讲台上讲，学生呆板的在下面听，师生之间缺乏统一的载体来有效的互动与思考，长期下来教师也就机械式的板书、讲解、没有发挥出创新教学手段的意识与环境。

3.现代信息技术条件下教学模式与教学方法的改革方向

3.1信息技术条件下教学的模式应是随时随地就地学习与课堂学习相结合

高度发达的信息化校园，不仅仅在于使学校的师生都能掌握应用网络的技能，更重要的是建立一种全新的教育体制与教学模式。目的是使学校在这样网络化的环境下，培养出学生更强的信息获取与分析能力，注重学生个性化需求与自主学习的技能。学生通过教育网络环境下获取的信息远比老师课堂讲述的详细、完整的多。学习者可以根据自身的安排利用空余时间进行个性化学习，比如出差在外的人，可以选择有网络的宾馆、酒店等场地，利用闲暇时间根据个人进度安排学习。这样可最大限度地发挥学生的主动性、积极性，老师既可以进行个别化教学，又可以通过网络技术推行项目捆绑式协作型教学。

比如目前在一些211高校开设的现代远程教育模式，这种教学模式主要是通过现代信息技术将传统的课堂转移到网络中利用现代智能远程教育系统（Modem Distance Intelligent Tutoring System，MDITS），而实施的现代教学手段。目的就是克服传统的以教师为中心的教学局限，建构以学生为中心的教学模式，强调充分挖掘学生个性化需要与自主学习为主，教师可以通过网络远程辅导或针对个别案例进行个性化指导学习。这种形式的学习并非要求学生一定在特定的教室里接受教育，而是学生以自我为主去合理安排时间，在规定的时间内自由开放式的学习完成相应的课程并在线考核合格即可。很显然网络信息时代的学习注重以学生个性化需求为中心，学习的主体权利以学生自身为主，高度尊重学生合理选择学习方式。可以说随着无线网络技术、手机智能技术等移动终端技术的广泛推广与普及，信息时代的教育将是具有高度开发性、高度互联性、资源共享性、高度自主性等服务学生个性化需求与创新的综合智能化的教育模式。

通过信息技术构建的网络化课堂很多功能与优势是传统课堂教学模式所不能及的，所以现代信息技术条件下教育教学的全新模式是构筑知识经济时代人们终身学习体系的主要手段。它以现代远程教育手段为主，综合面授、函授和自学等教学形式、采用多种媒体手段联系师生并承载课程内容。现代远程教育可以有效地发挥各种教育资源的优势，做到只要有网络就可随时随地去学习。为不同的学习对象提供方便的、快捷的、广泛、高效的教育服务。

3.2现代信息技术条件下的教学环境要求教师应不断丰富与拓展自身的综合知识

近年来，全国各地都比较重视校园信息化建设，随着网络信息技术、多媒体技术、等高科技的发展，传统的教学思维、教学手段、教学模式、教师角色、教学教案等等都在发生着深刻的变革。作为为人师表的教师自身更应该赶上信息化时代的步法，不断学习进取，提高自身现代信息技术的综合素质，才能有效地服务于信息时代的教育领域。总体上来讲，目前我们很多教师信息技术素养普遍较薄弱，信息技术应用水平偏低。部分教师教育观念落后，教学内容陈旧，教学方式与方法老套，又不善于运用合适的多媒体教学软件，也不愿查阅教学资料等等这类的显现很是突出。

随着信息技术的发展，信息传播以前所未有的速度和广度向前发展，这必将促使学校教育的方方面面发生深刻的变革，将有越来越多的学习者可以通过信息技术来获得知识和信息。教师的传统地位将受到挑战，他们将由知识的传授者、课堂的管理者转变为信息支持者、知识建构者、道德监控者和指导者。在这样的时代背景下，提高教师的信息素养成为教师专业发展的一个重要的内容。

所谓教师的信息化素养，主要是指开展信息化教学的能力，其核心是信息技术与课程整合。为此学校应当建立教师信息化教学能力培训的硬性制度，并从以下几个方面提升自己：

第一，教师应主动提高自身多媒体教学系统的应用能力。教师通过制作多媒体样式的课件，说明所讲解知识的结构，形象地演示其中某些难以理解的内容，展示动态变化的过程等；营造一种多媒体教学环境的沉浸感，并且尝试让学生主动使用媒体来表达和传递思想情感、展示和交流学习成果，那么就能把单纯的教师演示工具变成环境创设工具，达到以学生为主体的教学环境。

第二，提高教师的信息检索与综合处理能力。通过网络检索到的信息资源有时并不能直接使用，必须对它们进行加工、处理及整合之后，才能变成真正可用的信息。所以，教师还应具备对信息加工处理及整合的能力。如果仅仅依靠阅读书刊来获取知识信息，那么，我们获取的知识是相当有限的，而且这种方式是不快捷的、低效的。信息化背景下的教师，应掌握基本的计算机信息处理技术和网络技术，充分利用网络资源加强学习，提升自身的业务水平和能力。

第三，提高教师信息化条件下网络教学的组织实施能力，掌握先进的智能化教学系统。教学实施是指教师实践预先设定好的教学方案的全过程。网络教学组织实施能力不仅包括教师利用网络进行讲解和答疑的能力，同时更加注重教师对学生的问题式学习和协作式学习的指导能力。因为网络教学的教学实施不具备传统课堂教学在组织实施过程中现场操作的可控性和可变性，为此，教师事先一定要精心策划好教学实施的全过程，要充分考虑到教学过程中的各个环节（如学生协作活动的设置等），以确保整个网络教学能顺利、高效地进行。

3.3高度信息化状态下课堂教学应趋于网络化与教学手段的多样化

信息化条件下的课堂教学发展趋势是更加网络化、更具灵活性、授课形式多样化、高度智能化、高度人机交换功能等。因此在信息化课堂教学可以充分挖掘多媒体、互联网、自动化教学系统、等等先进教学手段将课堂教学效果最大限度的凸现出来。例如可以采取分组进行“项目捆绑”式教学，将课堂上的学生分成信息化学习小组，并为每个小组提供至少一网计算机，理科课程还可以给小组配备实验器材、模拟软件或者传感器等。学生在教师的指导下，充分发挥自己的主体作用，利用计算机进行个别学习和小组式合作学习。

再比如，利用网络教室，通过教学系统软件对学生进行一对一数字化辅导学习。这种类型是指每个学生都拥有数字化学习终端，教师并能够运用这一终端系统所提供的平台与资源，对每个学生进行教学演示或者单独互动辅导学习。教师可以将信息技术作为人机交互工具，对学生进行个别学习辅导；可以通过网络实现师生之间、生生之间的教学交流和协作学习；可以为学生提供网址、搜索引擎等，指导学生获取学习资源；还可以根据不同任务，指导学生进行科学计算、数据统计等活动。

当然最常用的就是多年媒体课室，教师通过多媒体合成技术对讲授的知识进行系统的、全面的、生动的描述与分解，将抽象的知识以形象生动的数字化模拟信息技术展示出来。既便于学生理解掌握知识，又使得学生不断自我意识上去形象生动的思考与反复记忆。我们称这种基于计算机多媒体技术用于课堂教学的模式为“多媒体计算机辅助教学”模式。第一，有教学环境是多媒体计算机及依据教学目标设计、反映教学策略的教学软件系统；第二，以各种种媒体的方式显示教学内容；第三，教学信息按超文本方式进行组织，符合人的联想记忆方式；第四，具有良好的交互界面，学习者必须通过一系列交互操作来进行学习。总之，现代信息技术催生的现代教学多媒体智能化教学模式它可以创造出一种身临其境、完全真实的学习环境。

3.4信息时代的教学应是正视学生的个性与正确引导学生个性化发展的创新型教育

信息时代的教育更应该是高素质的综合性教育，它将以学生的个性化自主学习为原则，以“数字智能化”为手段，以培养学生的“自主学习、创新发展”终生学习能力为终极目标。通过多媒体网络教室和网络虚拟学习资源库，为学生创造自主学习的条件。在老师精心指导帮助下，按照自己的认知水平，借助人机交互的多媒体资源自主创新去学习，体验学习的快乐和成功的乐趣。

未来教育将是以学为中心的教学模式，利用网络教育资源的目的主要是满足学生的学。在教育、教学中尊重学生的个性，充分发展学生的个性，克服“一刀切”“一概而论”的教学倾向。把教育、教学的目标、效果具体落实到每个学生，做到学生个别化教学。以培养学生的自主意识，开发学生的潜能，使学生能够自主发展、超常发展。教育的作用不仅在于帮助学生树立理想，更重要的是通过相对完整的训练帮助学生实现理想。教育的主体是学生，现代教育必须以学生的个人兴趣为出发点，激发学生的创造性，并通过教师多元化的指导，构建出既有学生自主选题、自主学习、自主研究、自主管理，又有团队合作的高度自主化教育模式，尊重学生个性发展、尊重多样性、鼓励学生创造是现代信息化教育的灵魂。信息化时代的学生可以通过自主终端人机交换设备根据自身条件有针对性或对感兴趣的学科方向去发展，实现个性化学习需求。

4.现代信息技术下教育教学的发展趋势

根据中国互联网络信息中心2013年最新的报告显示，目前我国网民数量达到了5.64亿，利用手机等移动设备上网人数为4.20亿。由此可见现阶段到将来一段时间网络信息技术仍会飞速的普及，对于教育行业来说，信息技术的快速发展必将催促教育教学更加快步地去适应信息技术的变革。未来基于互联网环境下的教育体制与教学模式不受省市、空间和地缘的限制，通过计算机网络可扩展至全社会的每一个角落，甚至是全世界。

当今时代，教学手段与资源更趋于多媒体化，多媒体教育应用正在迅速成为教育技术中的主流技术，比如多媒体教学系统、多媒体电子书刊等，可以说目前国际上的教育技术正在迅速走向多媒化。同样伴随着计算机技术的发展现代教育愈来愈重视人工智能在教育中应用与研究，很多针对学生训练与学习的智能化模块不断的被开发并应用在教学当中。总之随着信息技术的发展，教育技术应用模式的多样性与个性化越发加强，新时代的教育正面临着向前沿科技领域变革与应用方向发展。

课题：本论文为教育部科研十二五重点课题《个性化学习开发与提高教学效率研究》下子课题《信息技术条件下教学方法改革与学生个性化学习能力提高的研究》成果之一。课题编号：111820089-ZC-5。

参考文献：

[1] 张京，张庆秀.试论建构主义教学设计理论与新型的教学模式.河北农业大学学报，2002，（2）

[2] 陈东.开放教育[M].上海：上海教育出版社，2006.

[3] 易朝晖，李宏斌，李明霞.信息化条件下教学方法改革的思考.计算机教育，2007-6

[4] 刘晓.信息化教学模式与传统教学模式的比较.科技创新导报，2012-03

篇7

机器人竞赛

机器人竞赛是一项很好的科技创新活动，形式繁多，内容丰富。设计方案的开放性，也为学生的创新奠定了基础。参赛者可以用不同的方法实现同一个项目，通过比赛，激发其对机器人的学习兴趣，引导他们积极探索机器人新科技，为其自主创新能力的培养提供良好的平台。中国机器人大赛暨RoboCup公开赛：1999年，在RoboCup国际委员的支持和授权下，首届中国机器人大赛暨RoboCup公开赛在中国重庆举办，目前是中国机器人最具影响力的赛事，比赛共设立12类65项赛事。机器人竞赛种类多、规模大、水平高，为大学生进行创新实践活动提供了很好的平台。“未来伙伴”杯中国智能机器人大赛（暨国际机器人灭火比赛中国赛区选拔赛），是中国人工智能机器人专业委员会等多个单位主办的一项全国性赛事。大赛包含机器人救火大赛、机器人足球比赛、机器人创新大赛、机器人搜救大赛、机器人擂台赛和机器人舞蹈戏剧大赛等6个主题项目。其中机器人救火大赛是国际赛制机器人灭火比赛（暨国际机器人灭火比赛中国赛区选拔赛）。“飞思卡尔”杯全国大学生智能汽车竞赛，由教育部委托高等学校自动化专业教学指导分委员会主办。竞赛分竞速赛与创意赛两类比赛。自2006年首次举办以来，“飞思卡尔”杯全国大学生智能汽车竞赛已经成功举办了6届。

机器人实践教学的具体实施

机器人竞赛、创新实践是一项很好的科技创新活动，机器人的趣味性易于激发学生学习和研究的兴趣，同时将创新实践、竞赛引入教学过程，使学生变被动学习为主动学习和研究。“机器人项目教学法”的一般教学结构如图1所示：“项目教学法”最显著的特点是“以项目为主线、教师为引导、学生为主体”，改变了以往“教师讲，学生听”被动的教学模式，创造了学生主动参与、自主协作、探索创新的新型教学模式。本文以参加2012年中国机器人大赛暨RoboCup公开赛的医疗与服务机器人组的项目为例，在比赛初期确定人员，将不同专业和不同年级的学生组成一个竞赛小组，研究竞赛规则、制定项目方案、机器人结构设计、电路设计、程序调试，学生分工合作，过程中集思广益、取长补短、团结协作。这种在探索中学习的过程是其他教学环节无法实现的，对于培养学生的实践创新能力非常重要。本文以一种医疗与服务机器人设计为导向的项目教学法，按照以下六个教学步骤进行：

1.项目的申请

本学院主要参加了医疗服务机器人、机器人游中国、擂台等机器人项目，学生可以针对感兴趣的比赛项目，或者根据江苏省高等学校大学生实践创新训练计划，申报项目，填写申请书。教师针对学生申报的项目，分析学生的实际情况，建议选择项目规模和难度适中的项目。中国已经进入了老龄化社会，而且在今后几年内老龄人口数量将会呈上升趋势，老龄化将更加严重。老龄化使社会的劳动力减少，一些老年人不仅不能参加劳动，而且有的甚至失去了自理能力，需要人照顾，这就增加了他们的子女以及社会的负担。年轻人为了工作日益繁忙，在目前服务行业工作者稀缺的背景下，在医院时不时会有行动不便的病人需要护士和家人的搀扶。而在没有人帮助的情况下，行动不便的病人寸步难行，稍有不慎就有可能摔倒受伤。所以笔者建议学生选择参加医疗与服务机器人创新设计与制作赛项，设计一种医疗服务机器人更好的服务病人。

2.项目团队的建立

建立学生团队，营造互相竞争、互相帮助的学习氛围，学生在做项目过程中携手合作，弥补相互间的不足，遇到问题大家一起讨论解决，这让学生体会到团队的重要性，做到共同进步。同时，团队的学生分工明确，每人负责项目的某一部分，使学生真正参与到项目中，整个项目的完成，离不开每一个学生，学生为使项目不会因为自己负责的部分没有完成而主动学习，主动查资料，可以培养和提高学生的自主学习能力。学生团队的建立，应考虑学生的专业，年纪，特长等因素。教师确定一名队长，根据项目的特点，队长可以自己招学生，实现学生管理学生。参加医疗与服务机器人创新设计与制作赛项，笔者选择了5名学生，队长由09级的一名学生担任，该生组织能力比较强，专业能力也比较脱出，由他负责整个项目的进展，汇报工作。其他学生分别是1名2009级的，2名2010级的，1名2011级的，专业分别是自动化、测控、电气。

3.项目任务、计划的制定

团队负责人制定机器人项目工作计划，确定工作步骤。机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的智能仪器。本次设计的医疗服务机器人由小组讨论决定，医疗服务机器人外形像轮椅，病人能够独自驾驶去化验室拿取报告，去门诊找医生复诊，降低护士工作量及病人家属的负担。为使医疗服务机器人更好的服务病人，该团队为机器人设置了两种模式：座椅模式和病床模式，免去了病人就诊、休息时需要被移动到病床上的麻烦。机器人将现场键盘控制和远程控制相结合，实现护士对病人的远程监护，机器人在前进过程中，检测到前方有障碍物时就会立刻停下，减少不必要的事故。同时机器人配备了机械手，可以帮助病人取物品，最大程度帮助病人。根据团队中学生的专业、特长等分配任务，负责机器人机械结构设计的学生需要画图纸、电焊等来完成机器人结构的设计、机械手的设计；电路设计的学生制作包括单片机电路、电源稳压电路、电机驱动电路、红外避障电路、键盘输入电路；测控专业的学生负责电路的测试、场地的制作等工作；程序编写的学生，完成程序的设计、调试；控制界面的设计由另外一个学生负责，主要是VB编写上位机、WIFI摄像头的调试、蓝牙通信的调试。根据机器人项目的特点，学生在制作过程中可适当地作一些调整。根据项目完成的时间确定工作步骤，进行时间分配。最终得到教师的认可才能执行。

4.项目制作

学生自己确定各自在小组中的分工，然后按照已确立的工作步骤和程序工作。基于机器人项目的作品成果形式多种多样，可以是调查报告、实物模型、演讲稿、论文等。通过展示作品成果，可反映学生在项目完成过程中所掌握的技能。本次设计的医疗服务机器人成果包括机器人模型一个、机器人设计与使用说明书一份、演讲稿一份。在本项目比赛结束后，指导学生按照他们设计的医疗服务机器人撰写论文、申请专利。

5.项目检查评估

整个项目检查评估采用答辩的形式向教师汇报，首先由队长对整个项目进行汇报总结，再由队员对自己负责的工作进行汇报和自我评估，并且对设计的医疗服务机器人进行展示，教师根据团队成员的表现、研究成果表述和作品的展示进行检查，为到现场比赛作准备。针对项目中出现的问题，师生共同讨论，教师引导学生独立思考问题，解决问题。学生通过对比师生评价结果，找出造成结果差异的原因

6.项目资料归档或应用

为使学生养成良好的习惯，项目结束后，教师监督学生将项目工作资料整理归档，材料包括项目申报书、进度表、机器人机械结构图、程序设计流程、机器人控制程序、项目结项书、项目报告讲义等。

机器人项目教学的成果

机器人创新实践是一个综合性、高难度的科技制作过程，有利于提高学生的动手能力和创新能力。在教师指导下，学生通过自己查阅资料、提出有创意的设计方案，选择合适的元件，设计、焊接电路，编程、测试程序等，充分调动了学生的积极性，发挥学生的创造力，使学生在实践中进一步提高自己的综合能力。有助于将学生的兴趣应用到教师的科研中，使学生们热爱科技，投身科技，在学校形成良好的科技学术气氛。本校参加机器人竞赛源于2010年，当时参赛的赛事为“飞思卡尔”杯全国大学生智能汽车竞赛、中国机器人大赛暨RoboCup公开赛、江苏省机器人大赛、“未来伙伴”杯机器人竞赛，并因此开设了机器人技术、机器人创新实践与竞赛等公共选修课；制定了《大学生创新实验室项目负责制实施办法》，针对项目采取一系列措施，保证学生能在项目的过程中锻炼自己的能力，同时能保证创新实验室项目的创新性。实践教学效果显著，本校代表队在2012年第七届“飞思卡尔”杯华东赛区比赛中，获得摄像头组第一名，晋级参加全国决赛的队伍，获得全国摄像头组特等奖。2012年中国机器人大赛暨RoboCup公开赛获得3项季军，2010年“未来伙伴杯”获得灭火比赛冠军，受邀参加在美国举办的国际机器人灭火比赛。

篇8

【关键词】仿真技术实践教学数控技术应用

一、前言

仿真技术是以相似原理、信息技术、系统技术及其应用领域有关的专业技术为基础，以计算机和各种物理效应设备为工具，利用系统模型对实际的或设想的系统进行试验研究的一门综合技术。它集成了计算机技术、网络技术、图形图像技术、多媒体、软件工程、信息技术、人工智能等多个高新领域的知识。在教学活动中，特别是实验教学中引入仿真技术，将使教学方式发生根本性的变化，并能够获得显著的教学效果[1]。

二、目前高职院校机电专业的实践教学存在的问题

高职教育培养的是在生产、建设、管理、服务等第一线工作的高层次技术应用型人才，这一目标确定了“技术应用型”的中心地位。高等职业教育文化知识、专业理论知识的学习主要是为技术培养奠定基础的，而技术的培养主要是通过实践教学来完成的。因此，实践教学必然成为高等职业院校教学活动的重要组成部分，处于中心地位，其开办得成功与否决定了高职办学的前途与命运。目前高职院校机电专业的实践教学普遍存在以下问题：

1、实践教学设施投入不足

由于实践教学对师资、设备、基地建设和产学合作等硬件要求很高，所以投入不足、维护费用高、实训设备老化等问题，就导致现有的实训设备无法满足学生一对一动手的需要，实践教学内容的先进性和超前性也比较差。

2、某些实验实训存在有安全隐患

许多专业实验实训设备使用高压钢瓶、高压电等危险设施；化学实验中难免用到剧毒物质，会有废弃物的排放，直接影响师生的健康，造成环境污染；机械加工类的实训学生如果违规操作的话也会容易受伤，存在很大的安全隐患。

3、社会、企业参与不积极

这主要表现在实践教学的运作过程中，行业、企业的主体作用发挥不够。在我国，企业追求经济效益的最大化与高职教育追求人才培养“零适应期”的目标存在矛盾，学生在实习期只能看不能动或者仅仅停留在表面，无法深入了解。因此，我国实践教学虽也注意发挥企业作用，但尚未真正过渡到“双主体”，即以学校和企业为主体的阶段。

三、计算机仿真技术在实践教学中的应用

近年来随着科学技术的不断发展，特别是计算机技术的发展，为现代化教学手段的实施提供了有力的媒介。充分运用计算机技术、多媒体技术、仿真技术就可以很好地解决传统实验教学的弊端，有效提高实验教学质量。高校应加快实验教学手段更新的步伐，运用先进的计算机技术对现有的实验教学进行必要的改革。其中计算机仿真技术在实验教学中的应用（仿真实验）就是一个很好的思路，它改变了传统的教育模式，使得教与学的方式发生了革命性的变化[2]。下面以数控技术专业为例，介绍一下运用计算机仿真技术进行实践性教学的情况。

数控技术专业的实践教学具有实践性强、知识抽象等特点，仿真技术应用于数控实践教学至少在以下几个方面拥有明显的优点：

1、形象性

数控加工仿真系统能创造一个与实际近乎相同的特殊环境，仿真操作面板与机床实际操作面板可以完全吻合，仿真操作与实际机床操作在面板控制部分近乎完全一致。通过软件，学生可以从任意角度观察数控机床加工过程，仿真过程形象生动。

1、可以极大的减少学校的投入

职业院校引入数控加工仿真系统，最直接的好处是节省了原材料、工量具、仪表设备等的投入；节省了实验实训室的用房面积；节省了实习耗材。

2、安全性高，便于学生自主学习

数控加工仿真系统不会对操作对象如仪表、元件、工件、刀具等造成实质性损害，更不会因操作失误对学生造成人身伤害，还可以通过仿真中的声、光、文字警报等对学生操作错误进行提醒和纠正。学生可以大胆的、独立的进行学习和练习。

3、交互性强，方便了教师授课

数控加工仿真系统不同于电化教学，电化教学中学生是被动式、单向式，虽然直观但不具备交互性。数控加工仿真系统过程中，学生与实习对象能进行交互，可以大大激发学生学习兴趣。

4、可以学习多种机床、多种系统的不同操作

当前，数控机床的种类和生产厂家众多，学校无法一一购买。仿真软件提供了现在常见的数控机床和主流数控系统。教学时可根据需要选择相应的机床和系统进行授课，使学生到工厂后能在最短的时间内融入到生产中去。

5、可以极大的提高学习效率，提高学生学习兴趣

数控加工仿真系统可缩短材料、仪器或工量具的准备过程，也节省了实习完成后的回收时间，极大的提高了实习效率；仿真软件以和实际机床相同的用户界面及其可操作性，在很大程度上可以激发学生的学习积极性，只要有电脑，学生就能按照自己的进度，自主的选择实训内容。

虽然仿真技术能解决传统实践教学中存在的一些问题，但是不能认为仿真技术可以代替现场实践。仿真系统缺乏真实性，学生对工艺参数是很难理解的。如：500转/分钟和1400转/分钟，0.2mm/转和0.96mm/转，切削深度2mm和6mm的切削用量在加工一个工件时对加工精度、机床刚性、刀具耐用度、生产效率有多大影响等。学生要具备扎实的控制仪器的经验和动手能力，仍需要在现场操作，仿真技术与实际操作相结合能更有效达到实践教学的目标。

总之，仿真技术应用于实践教学大大提高了学生的素质和综合职业能力、激发了学生的独立思考和创新意识、降低了实训成本，但传统的实践手段仍是职业院校培养学生实践能力的基础。找到二者的最佳结合点是目前仿真实践技术应用和发展应该解决的问题。

参考文献

篇9

[关键词] 科学范式；大数据；智慧教育；教育技术范式；个性化自适应学习

[中图分类号] G40-057 [文献标志码] A

[作者简介] 祝智庭（1949—），男，浙江衢州人。教授、博士生导师，主要从事教育信息化理论、系统架构与技术标准、网络远程教育、教学与系统设计以及面向信息化的教师专业发展等研究。E-mail：。

一、科学范式（Scientific Paradigms）

美国著名科学哲学家托马斯·库恩（Thomas Kuhn）在《科学革命的结构》（《The Structure of Scientific Revolutions》）一书中系统阐述了关于范式的概念和理论。所谓科学范式是指“在一定时间范围内，能为研究者群体提供样板问题极其解决方案的普遍公认的科学成就”（Universally Recognized Scientific Achievements That， for a Time， Provide Model Problems and Solutions for a Community of Researchers）。[1]

科学范式的概念是库恩范式理论的核心。库恩认为，科学范式具备两个方面，首先，在科学范围内，该术语指的是可以被复制或模拟的一组示例性的实验；其次，这组范例的基础是共享的先入之见（Preconceptions），这些先入之见形成于证据收集之前，并且影响证据的收集。先入之见体现于两方面，一是其隐含的假定，一是相关的形而上学的元素；个体科学家对该范式的诠释可能会有所不同。[2]因此范式界定了某一研究领域的研究方法，即研究什么，研究问题的提出，如何针对研究问题进行研究活动，以及如何对研究结果进行诠释等。同时，范式具有哲学意义，它暗示了某研究群体的研究遵循的基本理论和研究群体共享的信念和世界观等。

库恩同时认为，范式不是一成不变的，它在科学研究的进程中完善、发展，最终可能退出。随着科学的发展，新的科学范式会出现，补充或者取代旧的范式，这也就成为科学发展进程中的科学革命。在库恩看来，“科学革命”的实质就是“范式转换”；在广泛接受的科学范式里，发现现有理论或者范式无法解决的“例外”，因此尝试用其他理论取而代之，该理论得以发展最终成为新的范式。在自然科学领域，范式的转换比较明显，如伽利略的动力学相当于近代科学的初级阶段的范例，爱因斯坦的相对论则为当代科学的研究发展提供了模式。

库恩本人认为范式这一概念不适合社会科学范畴。原因是当他在社会学者聚集的帕洛阿尔托学者中心写《科学革命的结构》一书时，观察到社会科学学者们在诸多理论方面存在分歧。因此他在书的前言意指出，他之所以提出范式的概念正是为了将社会科学从自然科学中区分开来，他认为在社会科学中不可能存在任何范式。然而尽管社会科学不可能像自然科学那样在某一特定时期存在一个范式，在相对较小范围的研究领域，如社会学、人类学、教育学等或其下属领域内，可能存在支持这些领域的研究范式、研究传统、研究计划等。这些较小领域的研究特征能够激发不同领域的研究，界定什么是或不是研究证据，以及为控制与其他相似研究领域的学术争论。例如，斯金纳行为主义和个人建构理论同属于心理学和教育学研究范畴，这两个心理学子学科的一个最显著区别是对意义和意向的关注（Meanings and Intentions）。在个人建构理论中，这两个概念属于核心问题，但在行为主义中，它们不能作为科学证据，因为他们无法被直接观察到。[3]另外，学者们认为，[4]虽然社会科学内也存在明显的概念方面的改变，如从行为主义到认知方法，但是它们与自然科学范围内的科学革命不同，原有的理论一般不会被完全摒弃，而是仍旧在新的范式占据统治地位的情况下拥有一席之地。

Thagard提出并阐述了理论（Theories）与方略（Approaches）的区别。理论是指“相关假定的集合，对大范围的实证研究结果和事实进行解释和归纳概括的基础”，方略是“实验研究方法和诠释风格的集合”。[5]Thagard认为，由于整个社会科学领域并不存在一个统一广泛的支持各个学科的理论基础，社会科学的变革更多的是由于研究方略的改变，而不是源自对理论统一性的评估。也就是说，社会科学范式，更多的偏重是指研究方略方面。本文之所以提出这点，是因为本文目的之一是评估新的研究方法，即大数据（Big Data）催生的数据密集科学（Data-Intensive Science）对教育技术研究范式，即教育技术研究方法的影响。

二、悄然兴起的大数据分析与应用

大数据一词出现于1997年，NASA研究人员Michael Cox 和 David Ellsworth第一次用该词描述上个世纪90年代出现的数据方面的挑战，即超级计算机生成的巨大的信息数据量。当时，Cox和Ellsworth对实验中产生机周围的模拟气流数据无法进行处理或者将其可视化。“数据集相当大，对主内存、本地磁盘，甚至远程磁盘都造成挑战，”他们写道，“我们称此问题为大数据。”[6]

大数据的产生与信息技术、互联网等密不可分并且以越来越多的方式产生，[7] 如多媒体内容、社会网络以及各类传感器，不论是传统的数据密集型行业如基因研究、药学，还是互联网新贵，都面临着储存分析大数据的问题。例如Facebook 拥有超过9亿的用户，并且用户数量仍在增长；Google 每天有30亿的搜索查询，Twitter 每天处理4亿次的短信，相当于大约12TB的数据量。

时至今日，大数据尚没有系统统一的定义和理论，学者们一般只是用该术语描述难以用传统软件和方法分析的超大量的复杂的数据。[8]Laney[9] 首先提出用“3Vs”（Volume，Velocity，Variety）的概念，在此基础之上，IBM [10]用“4Vs”描述大数据，即大数据应该具备四个维度，大体量（Volume）、高速度（Velocity）、多样化（Variety）和真实性（Veracity）。大体量是指各种类型的不断增长的数据很容易积累到百万兆字节甚至千兆兆字节（Terabytes—Even Petabytes）的信息。高速度是指及时处理大数据的必要性，例如分析大量的当日呼叫详细记录可以实时预测客户流失的程度等。多样化是指数据形式的多样性，如可以分析多种数据的变化包括文本、图像、音频等来提高客户满意度等。真实性则意味着大数据提供信息的可信度，以及据此决策的可靠程度。还有些学者[11]（Quinn， 2012）认为应该加入另外两个V：Value （价值）和 Visualization （可视化）。关于类型，学者们认为数据，不论是否是大数据都分属三种类型：非结构化数据、半结构化数据、结构化数据。[12][13][14]非结构化数据指没有格式的数据，如PDF、E-mail 和文档。结构化数据具备一定格式，便于存储、使用和从中提取信息，例如传统的事务型数据库。半结构化数据是指类似XML和HTML 的有一定加工处理的数据。

大数据的应用和影响体现在各个领域。大数据不只意味着体量的大小，它同时意味着研究方法更倾向于利用新的多种类型的数据获取信息，以数据为基础进行研究，并作出决策。在天文研究方面，美国的The Sloan Digital Sky Survey[15] （SDSS2008）成为天文学家的主要信息来源，同时，天文学家的主要工作也从包括拍摄星空图片等变为主要应用数据库查询和发现天象的变化。对企业来说大数据的应用则意味着更好的商业决策，有些公司如Google、Amazon，Yahoo等，分析利用此类数据，并将其结果作为扩张市场的依据或者提供个性化服务的方向，因此公司得以快速成长。大数据的出现和潜在的价值也引起了各国政府的注意。例如，奥巴马政府2012年宣布，每年将花费超过2亿美元在大数据研究应用方面，以致力于科学探索、环境、生物医学、教育和国家安全方面的研究。[16]在教育领域，随着远程教育的发展和LMS（如Blackboard 和 Moodle等）的应用，大数据的潜在应用也越来越广。这些系统每天都记录大量的学生交互信息、个人数据、系统数据等。[17]这些也促进了教育界学习分析学（LA， Learning Analytics）和教育数据挖掘（EDM， Educational Data Mining）的发展应用，以及教育技术领域的研究范式的变化。

三、“数据密集科学”作为科学研究第四范式所带来的机遇与挑战

大数据作为一个通用术语，实际描述着正在发生的影响到自然科学、工程学、医学、金融、商业、直至整个社会的科学革命。正是基于大数据的出现以及影响，Jim Gray[18]在2007年提出了数据密集型科学（Data-Intensive Science）的概念。Gray 认为，从进行科学研究的方法的角度来看，从古至今存在的科学研究方法范式包括：

1. 实证式（实验科学）（Empirical/Experimentation）分支，开始于1000年前，主要的研究方法是对自然现象的描述论证，对自然现象进行系统归类，如对化学元素的分类；

2. 理论式（理论推演）（Theoretical）分支，当科学假设与预期结果一致时，则使得理论框架开始占有一席之地，出现于数百年前，主要采用建模方式，由特殊到一般进行推演；

3. 计算式（计算机仿真）（Computational）分支，开始于几十年前，主要方法为利用计算方式模拟复杂现象，科学数据可以用模拟的方法获得，而不再依赖于单一的实验；

4. 数据密集型科学（Data-Intensive Science），在前三种方法的基础之上，采用IT技术获取、处理、存储、统计分析大数据，从中获取知识。

数据密集型科学被称之为科学研究的“第四范式”，与其他三种范式一起成为科学研究的方法，它的出现与大数据密切相关。因此，Gray提出的“范式”更接近于Thagard[19]提出的“方略”。

Gray[20]认为，数据密集科学包含三项针对数据的活动：获取、存储维护、分析。大数据给科学研究带来巨大改变的同时，也意味着多方面的挑战。学者们认为，整个数据获取到分析的过程都存在不同的困难和挑战。[21]例如，在获取数据时，如何摒弃无用的数据，如何做到在数据收集的过程中过滤数据以免却储存之后再进行处理的麻烦；同时，如何自动产生元数据（Meta Data）对数据进行描绘。其次是数据存储，即数据库存问题，事务性数据库不适合存储关系不明确的大数据。在分析方面，传统的统计算法的前提是数据的同质性（Homogeneity），大多数大数据不具备此特性。针对这些挑战（大数据的非结构化，具有多样性，同时数量巨大），传统的关系数据库无法满足要求；NoSQL （Not Only SQL）数据库则为存储和检索大数据提供了可能。Google的Google File System、Big Table、Map Reduce 代表了这方面的技术创新。

在《第四范式：数据密集型科学发现》[22]一书中，多位作者提出了各个科学领域的研究与大数据结合的必要性和数据密集科学对不同领域科学研究方法的影响，包括地球与环境科学、生命与健康科学、数字信息基础设施和数字化学术信息交流等。他们也描述了大数据以及数据密集科学影响下不同领域的科研活动、过程、方法以及成果，拓宽了不同学科领域应用大数据的思路。例如，Robertson[23]等在讨论发展中国家的医疗合作时，描述了他们的以计算机和手机结合为基础的NxKM （NxOpinion Knowledge Manager）系统。该系统包括一个有专家开发的知识库、一个医疗诊断引擎和一个手机界面，用来输入患者信息并根据该信息自动产生问题（多项选择），以从患者获得更多信息。因此，虽然患者信息可以由当地人连接输入系统，但该信息由远程专家分析，因此，多方面的合作以及信息数据的综合使用，使得诊断结果和诊治手段也将更加可靠。该书虽然涵盖了多方面内容，包括信息密集型科学研究范式对地球环境、医学、认知科学、学术信息交流等方面的深刻影响，但没有涉及大数据对教育，尤其是教育技术的影响。

四、教育技术研究范式演变轨迹

本文对教育技术不做定义方面的明确界定，它基本等同于英语的Educational Technology、Instructional Technology或者Instructional Development[24]（Dills & Romiszowski， 1997），其研究核心是应用技术支持教学和学习。教育技术研究的核心方略是设计研究，本文从研究范式的角度出发，主要目的是看教育技术的范式的特点、演变以及大数据对教育技术研究可能产生的影响。

首先，学者们认为，在教育技术领域，正如整个社会科学领域，从来都是多范式并存的。即从未有过只有一个范式存在而其他范式完全退出教育技术学术圈的情况，尽管也许在某个时期存在一个占据主要地位的范式。[25]例如当斯金纳心理学占据统治地位的时候，与之对垒的非斯金纳行为主义地位次之，同时之前影响最大的弗洛伊德心理学的影响依然在某种程度上存在，而未来的范式（认知信息加工理论）也开始崭露头角。另外，Saettler[26]认为20世纪的教育技术领域存在四种范式：物理科学或者媒体理论、传播学和系统理论、行为主义和新行为主义观点、认知理论。也有些学者描述了教育技术研究和评估领域内的范式变化，如Driscoll[27]概括了八种教育技术研究范式，Clark 和Sugrue[28]描述了媒介研究（Media Research）中行为主义和认知理论范式对于研究设计和研究问题形成的影响。其次，Reigeluth[29]认为，教育技术范式的改变是从整个社会的变化开始，而且其改变的速度随着人类知识库的迅速增长和科技的高速发展越来越快。大部分的教育技术范式研究中囊括了多种的技术应用，同时很多研究更偏重于理论方面的变迁，而Koschmann则详细论述了计算机为基础的教育技术范式演变。[30]

Koschmann认为：[31]在计算机进入教育领域后，教育技术作为一个独立的研究领域才开始出现，因此针对教育技术范式的研究也应该集中在以计算机为基础的技术方面；同时他认为教育技术研究也经历了一系列范式转换。他应用库恩的理论，主要描述了四种涉及计算机的教育技术范式，即计算机辅助教学（CAI， Computer-Assisted Instruction）、智能教学系统（ITS，Intelligent Tutoring System），Logo-as-Latin以及计算机支持的协作学习（CSCL，Computer-Supported-Collaborative Learning）。

Koschmann强调，CAI主要是针对教学技术的设计和评估的研究范式，他在后来的研究中认为，[32]CAI并非与计算机同时出现，相反，它可能是桑代克（Thorndike）教育心理学研究范式的延伸和扩展。IBM公司开发的Coursewriter（一种课件著作软件）被认为是CAI开始的标志，即使没有任何编程经验，人们也可以用该系统开发自己的教学课件。由于CAI开发人员大部分具有教学背景，CAI系统大多反映了教育界对教和学的认知，即学习是被动获取信息的过程，而教学则是知识传递的过程。CAI系统一般贯彻如下学习策略和措施：确定学习目标，将学习目标分解为一系列学习任务，然后开发一系列学习活动，以达到预定学习目标。CAI同样以行为主义和实证主义为理论基础，因此CAI研究人员认为学习是可测量的学习成绩或者能力水平的变化，学习是CAI 研究中的因变量，而学习过程中引进的技术方面的创新成为干预措施和自变量。对照组的使用在研究中很常见，研究问题通常为：使用该项技术对教学有何影响？因此，教学效验（Instructional Efficacy）成为该范式下的核心研究问题。

第二个范式为ITS，起源于人工智能，以Carbonell[33]的博士论文的出现为标志。ITS理论认为，认知是一个计算过程，可以通过建立模拟人脑工作模式的智能型系统来研究。[34]如果智能型行为可以通过系统程序表现，那么具备经验和技能的教师的角色也可以设计出来。由于一对一教学被认为是金牌标准，[35]因此可以推断出如果每个学生都有个人的导师，那么整个社会的教育水平都会相应得到提高，这也是智能教学系统研究范式的基本理念。信息加工理论是人工智能前提之一，它认为问题解决是定义问题空间的表征（Representations）的过程，包括初始状态、目标状态以及不同状态之间的一系列运作。在此基础上，表征成为解决问题和理解认知过程的中心问题，而学习则成为获取正确的问题空间的表征的过程，教学则是辅助学习者获取表征的活动。在此过程中技术的角色与其在CAI中并没有本质不同——然而人工智能系统更注重交互性，也更偏重于复杂技能的习得。与CAI不同，智能教学系统范式的核心研究问题是教学能力，即该系统是否完全能与娴熟的真正的导师相媲美。因此，研究问题更看重的是系统的效果，而不是学生的成绩。

计算机辅助教学与人工智能系统尽管有所不同，但从认知论的角度说，他们都属于现实主义和绝对主义（Realist and Absolutist），即认为学习是被动获取知识，而教师是绝对权威。[36]

第三个范式为Logo-as-Latin，意指像学习拉丁语一样看待LOGO语言的学习。其中LOGO是上个世纪60年代由MIT数学教育实验室Papert教授领衔开发的程序语言，主要供儿童在编程的过程中学习。该范式以建构主义为理论基础。建构主义起源于皮亚杰的发展心理学，认为学习是新的信息与已有的知识融合同化的过程。有学者认为，计算机编程可以成为建构主义学习方式的重要角色。[37]例如学生可以建立模拟系统，在此过程中，学习者成为“教师”，而计算机则开创了一个新的教育技术在学习中的角色，即成为“被辅导者”。与CAI不同的是，CAI研究关注教学效果，而Logo-as-Latin研究更专注于教学迁移。编程教学被看作干预手段，学习者在其他相关学习任务上的成绩被看作因变量。然而，在后期的文章中，Koschmann认为，[38]Logo-as-Latin与CAI同样起源于传统教育心理学，与CAI密切相关，因此应该将它看作CAI的一个变种，而不是独立的教育技术研究范式。

Koschmann提出的第四种范式是CSCL。CSCL与前三种范式有很多不同之处。首先，前三种研究范式都是建立在心理学基础之上，其本质是行为主义和认知主义。而CSCL的基础是人类学、社会学、语言学以及传播学等。具体说来，其理论基础包括（不限于）社会建构主义、社会文化理论以及情景认知理论等。社会建构主义认为知识的建构本质上是社会性过程；社会文化理论以维果斯基的文化—历史理论为代表，强调语言在智力发展过程中的作用；情景认知理论认为，学习是进入实践共同体（Community of Practice）的过程，“要想学会如同真正的专业从业人员那样使用一个工具，一个学生就应该像一个学徒，必须融入该社区及其文化。因而，在相当大的程度上，学习是，我们相信，一个文化熏陶的过程”[39]。因此CSCL范式中，学习的社会性和文化性成为核心问题。不同于前三种范式针对的问题（教学效果、教学能力、教学迁移），CSCL被称为“演绎的实践性教学”（Instruction as Enacted Practice）。CSCL研究范式有几个特点：（1）研究问题比较集中在学习过程而不是结果；（2）研究多倾向于描述性，而不是实验性；（3）很多研究者乐于以参与者（CSCL成员）的角度研究合作学习的过程。因此CSCL研究着眼于参加者的谈话，合作过程中使用的工具，合作小组的成果等。CSCL范式下的研究问题包括：学习如何在学习者的语言中表现出来？社会性因素如何影响学习过程？技术如何在合作学习中应用？Koschmann将这这四种范式做了简单对比，见表1。

五、数据密集科学影响下的教育技术

研究范式：个性化自适应学习

数据密集型研究方法捕捉了整个信息时代带来的大数据的基本整体影响。在不同的领域，研究方法的侧重和目的不同，因此各有特点。如在工业界，商业智能系统（Business Intelligence System）体现了大数据对决策的影响。在教育领域，美国教育部在一份简报中指出，[40]大数据在教育领域的具体应用主要为学习分析学（LA， Learning Analytics）和教育数据挖掘（EDM， Educational Data Mining）。EDM 和LA 之间没有明确的分界线，但它们的起源、理论和目标不尽相同，并且逐渐成为泾渭分明的两个研究领域。

EDM 的目的是研究和利用统计学、机器学习和数据挖掘方法来分析教和学的过程中产生的数据。学者们认为，EDM的研究目的包括以下方面：[41]（1）应用多方信息如学生的知识程度、动机、元认知、学习态度等建立学生模型，并以此预测学生的学习行为；（2）发现或改进学习内容展现和最佳教学序列的领域模型；（3）研读由学习软件提供的不同的教学支持的效果；（4）建立包括学生、领域模型和教学软件的计算模型，推动关于学习和学习者的科学研究。

美国教育部的简报中总结了EDM针对和所要回答的问题：[42]（1）什么样的教学顺序（不同学习主题）对不同特点的学生最有效？（2）什么样的行为与更好的学习成绩相关（如较高的课程学习成绩）？（3）什么样的学生的行为指标预示了学生的满意程度、参与度和学习进步，等等？（4）什么特点的在线学习环境能导致更好的学习成绩？（5）什么因素能够预测学生取得成功？

Siemens将LA定义为“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境”。[43]LA的一个重要应用是监测和预测学生学习成绩，及时发现潜在问题，并据此作出干预，以预防学生在某一科目或者院系课程学习中产生风险。[44]相比于EDM，LA借鉴了更广泛的学科，除了计算机科学、统计学、心理学、学习科学，还引进并应用信息学和社会学的理念和技术。[45]LA回答的问题如下：（1）什么时候学生可以进行下一个学习主题？（2）什么时候学生可能在某一门课程中落后？（3）什么时候某个学生可能有完不成一门课程的风险？（4）如果没有干预补救措施，学生可能得到什么样的成绩？（5）对特定学生来说，下一个最好的课程是什么？学生是否需要特殊帮助？

美国教育部[46]的简报中总结了应用EDM和 LA 的范畴：（1）用户知识模拟、用户行为分析、用户经验分析；（2）用户分类/分组（Profiling）；（3）知识域模拟如学习课题分类排序等，知识元素与相应的教学原则分析；（4）趋势分析；（5）自适应和个性化学习。

应用LA和EDM数据分析结果，教师可以更好地了解学生，理解和观测学生的学习过程，发现最合适的教学方法和顺序，及时发现问题并进行干预，以提供个性化的学习服务为主旨。现在已经研发出的应用系统案例有普渡大学的“课程信号系统”（Course Signals System，以下简称Signals）[47]、在美国加州大学圣巴巴拉分校以及阿拉巴马大学使用的Moodog，[48] 以及美国西部州际高等教育委员会教育技术合作部（WICHE，WCET，Western Interstate Commission for Higher Education，Cooperative for Educational Technologies）的教育大数据分析项目——预测分析报告（PAR，Predictive Analytics Reporting）系统。[49]

Signals系统通过数据挖掘和统计预测模型，根据多个变量（表现指标包括：现有平均分和努力程度，如学生LMS的交互频率；个性特点指标包括学术准备，如高中平均分和各项标准考试成绩；学生特点，如是否为美国居民、年龄和选修学分）来预测学生是否能够完成/通过该课程。Signals 在课程进行的过程中，以交通信号指示灯的方式，让学生了解自己的学习状况：课业良好（绿色），课业中度危急（黄色），或者课业严重危急（红色）。同时教师可以提供给学生有效的反馈信息，引导学生使用合适的资源等来提高成绩。[50]Moodog的主要功能是跟踪记录学生在课程管理系统（CMS，Course Management System）上的学习活动，其基本目标有两个：（1）为教师提供学生与在线学习材料交互情况；（2）帮助学生将自己的学习行为和进程与其他学生相比较。[51]

PAR[52]的主要目的是应用EDM技术，分析跨越多所高等院校的学生数据，以期发现并确认影响学生退学/以及是否能够毕业的因子，并据此实施有效的教学干预。参与PAR的高校包括两年制和四年制高校，有公共学校和私立学校，亦有传统高校和非传统高校如网络大学。已经有16个WCET成员机构提交了1，700，000条匿名和去身份标识的学生记录以及8，100，000条课程级别数据记录。所有高校使用统一的数据模型，该数据模型包括以下核心数据元素。（1）总体元素：基本框架，描述所有PAR数据的基本概况。（2）学生一般元素：描述学生人口数据和学术背景信息。（3）学生课程元素：描述学生参加的课程和学生的课程成果。（4）学生的学术元素：学生级别的数据。（5）课程目录的元素：教育机构开办的PAR学生就读的课程细节信息。（6）学校元素：学术单位的具体信息。

应用描述、推理和预测分析技术，PAR项目初步发现32个影响学生学习以及退学的普通变量（多为学生特点变量），包括性别、种族、学位种类、多种专业、课程数量、班级人数等。其他发现如学生的性别、年龄以及种族与该生是否会退出某门课没有关系。该研究仍在继续。

这些系统目前的主要功能是分析学生的网上学习活动，判断实施干预措施的时间以及方法等；其潜在功能则可能包括教师可以根据学生使用学习资源的情况发现哪些最受学生欢迎或者哪些活动影响学习成绩，提供适合不同学生需要的学习材料；调整学习顺序或者学习活动等；最终，完善的学习系统可以根据学生的特点（学习风格、已有知识、动机情况等）引导学生使用适合自己特点的学习材料和学习路径。因此EDM和LA在教育技术领域内的应用最终指向个性化学习和自适应学习环境的研究和开发。

美国教育部简报认为应用LA和EDM技术达成预测学生学习和干预学习过程的自适应学习环境应该包括六个部分：[53]（1）自适应学习内容，通过与学生的交互活动，可以辨别学生的水平和能力，因此可以管理、维护和呈现适合特定学生的学习内容；（2）学生学习数据库，用来获取存储学生与学习内容的互动，包括时间和行为等；（3）预测模型，应用学生学习数据和人口统计数据（储存在另外的数据库中，如年龄种族等），追踪学生学习过程，预测未来行为以及成绩，如课业成绩，是否有可能辍学等；（4）可视化报告，将预测模型产生的结果用仪表盘形势表现出来；（5）自适应引擎，用来操控学习内容，确保学习内容适合学生的能力和特点；（6）干预引擎，教师、管理员、系统开发人员等可否决系统提供的建议进行人为干预。除了六个自适应系统内部组成部分外，还包括一个外部的学生信息系统。这个信息系统是由学校学区或者地区教育部门持有维护的学生背景信息资料，如年龄、性别、所学过的课程、成绩、学习风格等。预测模型可以从中获取数据作为预测学生行为成绩等的部分依据。图1提供了自适应学习系统的概况。

图1中的箭头和数字表示自适应学习环境中的数据流的方向和顺序。整个自适应学习系统包括三个信息反馈回路数据流（Feedback Loop）。数据流的第一步是学生与学习内容的交互，交互内容被储存于学生学习数据系统里（第二步），第三步则是预测模型抽取学生学习数据和背景数据，应用LA和EDM技术进行分析，然后将结果传递至自适应引擎（第四步），自适应引擎据此针对特定学生作出学习方面的调整，而这些调整则通过学习内容策略等的改变表现出来。同时，预测结果也可以通过数据仪表盘（数据可视化面板）传达给教师和管理人员（第五步）。当学生、教师，管理人员等得到相关信息时整个反馈回路得以完成。学生通过自适应引擎获取的反馈信息包括学习活动情况、学习目标/技能完成程度、测评结果等，学生可据此更好地进行自我调节学习（Self-Regulated Learning），如在自己尚未完全掌握的学习内容上投入更多时间、改变学习策略等。教师方面获得的信息则包括学生整体学习情况以及每个学生的学习情况，教师可以根据这些信息做出课程内容以及进度方面的调整，例如决定是否对个别学生进行干预，提供更多学习资料等。管理人员获取的信息则是包括多门课程、多个学生和教师的情况。根据整体信息，管理者可以知道哪门课程的学生成绩不尽如人意、哪些特点的学生的成绩更出色等。管理层可以据此作出决策，如增加某门课程作为另一课程的先决条件（Prerequisite）等。

美国教育部简报中的自适应学习系统通过LA和EDM，引导学生了解自己的学习状况，为教师的教学干预提供依据，也使得管理层更好地进行决策。然而，以数据密集科学为基础，LA和EDM 技术能够更好地分析学生的需要和特点，从而使得学习更倾向于个性化。因此我们认为基于数据密集科学的自适应学习系统应该体现个性化的学习特点，下一个教育技术研究范式是个性化自适应学习（Personalized Adaptive learning，简称PAL），即在自适应基础之上，学习内容更体现学生特点和需求。根据学生的特点（已有知识，学习风格等）和其他信息（年龄，性别，兴趣等）数据可以将学生分组（Profiling），学习系统可以根据学生特点和需要推荐学习内容，教师针对不同特点的学生提供丰富的学习材料，学生同时可以自己选择学习材料、测评方式等。图2提供了PAL系统的基本结构。

图2中虚线部分代表了学习内容生成的过程：学生背景数据（以往成绩、所学课程、学习风格等）导入预测模型，分析生成可视化数据，教师据此设计适合不同特点学生组的不同学习内容。图2的实线箭头部分代表了自适应学习过程和数据流。自适应学习过程与图1一样，由三个反馈回路组成。

不同于以往的个性化学习和自适应学习的是，PAL环境将以大数据为基础，纳入EDM和LA数据分析和结果，因此能够提供更适合特定学生的学习内容，获取更多和更精确的学习者信息和学习活动信息，更好地分析学习过程模式和学习活动有效性，更准确地进行学习评估等。

PAL与Koschmann的四个教育技术范式相比较，其独特之处在于它倾向于利用多方面数据：一方面根据已经存在的数据，提供适合学生特点和需要的学习内容；另一方面分析已有数据和学习过程中产生的数据，根据结果发现问题，并采取个性化干预措施。因此其基础为数据密集科学，同时体现了以学生为中心，根据学生的个性特点，发展潜能来进行教学的人本主义的教学观念。

六、机遇与挑战

个性化自适应学习能够体现“以学习者为中心”的学习理念，并且与智慧教育[54]的主张不谋而合，成为教育技术的一个新的研究范式。智慧教育主张借助信息技术的力量，创建具有一定智慧特性（如感知、推理、辅助决策）的学习时空环境，旨在促进学习者的智慧全面、协调和可持续发展，通过对学习和生活环境的适应、塑造和选择，以最终实现对人类的共善（对个人、他人、社会的助益）。智慧教育充分体现了“以学习者为中心”的思想，强调学习是一个充满张力和平衡的过程，揭示了“教育要为学习者的智慧发展服务”的深刻内涵。

智慧学习环境的一个基本特征是：基于学习者的个体差异（如能力、风格、偏好、需求）提供个性化的学习服务；并记录分析学习历史数据，便于数据挖掘和深入分析，数据结果用于评估学习过程、预测未来表现和发现潜在问题，并以数据分析结果进行干预。因此以大数据为基础的个性化自适应学习将成为智慧学习环境的重要组成部分。同时，EDM和LA能够为高校提供有效信息，对学生进行干预，最终能够提高学生成就，降低辍学率，提升毕业率。

另外，大数据除了支持学习过程分析外，还可以在知识表征（概念提取、本体建立、可视化）与利用（自动翻译、答疑）方面大有可为，因此，除PAL方式外，大数据能够促进个性化学习服务与社会智慧发展，促进人本主义教育理念的实现，并且成为社会知识生态发展模式的重要组成部分。

总而言之，大数据为教育技术的发展带来很多可能性，例如创建个性化自适应学习环境、知识发现工具、管理决策平台等，同时它的应用面临诸多挑战。首先是来自数据方面的挑战：如何储存海量的非结构化数据，例如学生的讨论等文本数据？如何分析这些复杂数据？如何真正理解数据结果并传达给非数据专业人员？只有当大数据管理技术、数据分析以及数据可视化工具方面取得突破性进展，才有可能真正实现以学习者为中心，满足不同学习者的需要的个性化自适应学习环境。其次，数据密集型科学的应用在教育方面的体现主要是LA和EDM，通过数据使得学习过程透明化，并以数据为基础分析学生的行为和学习成绩。这些数据可以传达“发生了什么”，而不能回答“为什么”，尤其是那些数据中没有体现出来的原因。因此如何将无法从数据中观察到的因素，如学生的学习动机、情感等纳入干预设计，仍有待进一步研究。

[参考文献]

[1] Thomas S.Kuhn. The Structure of Scientific Revolutions（3rd Edition）[M]. Chicago： University of Chicago Press， 1996：10.

[2] T.S.Kuhn.The Structure of Scientific Revolutions（2nd Edition） [M]. University of Chicago Press，1970： 88 and 41respectively.

[3] Wikipedia， the free encyclopedia[EB/OL].http：///wiki/Paradigm.

[4] [5] [19] P.Thagard. Conceptual Revolutions[M]. Princeton， NJ： Princeton University Press，1992.

[6] U.Friedman（2013）. Big Data：A Short History[DB/OL].[2013-05-10].http：///articles/2012/10/08/big_data？page=0，1.

[7] [12] Purcell，B.. Theemergence of “big data” Technology and Analytics. Journal of Technology Research[DB/OL].[2013-05-10].http：///manuscripts/121219.pdf.

[8] C.Snijders，U.Matzat，U.-D.Reips.‘Big Data’：Big Gaps of Knowledge in the Field of Internet Science[J].International Journal of Internet Science， 2012，（7）：1～5.

[9] Doug Laney. 3-D Data Management： Controlling Data Volume， Velocity and Variety[DB/OL].[2013-04-10].http：///doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf.

[10] IBM[DB/OL].[2013-05-10]http：///software/data/bigdata/.

[11] E.Quinn. The 6 Vs： The BI/Analytics Game Changes so Microsoft Changes Excel[DB/OL].[2013-05-10].http：///blogs/the-6-vs-the-bianalytics-game-changes-so-microsoft-changes-excel/.

[13] C.Coronel， S.Morris， P.Rob. Database Systems： Design， Implementation， and Management（10th Ed.）[M]. Boston： Cengage Learning， 2013.

[14] P.Baltzan. Business Driven Information Systems，（3rd ed.） [M]. New York： McGraw-Hill，2012.

[15] SDSS-III： Massive Spectroscopic Surveys of the Distant Universe， the Milky Way Galaxy， and Extra-Solar Planetary Systems [DB/OL].[2013-01-10].http：///collaboration/description.pdf.

[16] White House OSTP. Obama Administration Unveils “Big Data” Initiative： Announces $200 Million In New R&D Investments[DB/OL]. [2012-03-29]http：//whitehouse.gov/sites/default/files/microsites/ostp/big_data_press_release_final_2.pdf.

[17] R.Mazza，C.Milani.GISMO： A Graphical Interactive Student Monitoring Tool for Course Management Systems[DB/OL].[2012-01-10].http：//linux3.dti.supsi.ch/～mazza/Web_area/Pubblicazioni/TEL04/TEL04.pdf.

[18] [20] J.Gray. Jim Gray on eScience： A Transformed Scientific Method[R].The Fourth Paradigm：Data-Intensive Scientific Discovery，2009.

[21] Agrawa， et al.. Challenges and Opportunities with Big Data [DB/OL].[2013-05-11].http：///ccc/docs/init/bigdatawhitepaper.pdf.

[22] T.Hey，S.Tansley， K.Tolle（Eds.）.The Fourth Paradigm： Data-Intensive Scientific Discovery. Redmond， Washington. UNT Digital Library[DB/OL].[2013-04-23].http：//digital.library.unt.edu/ark：/67531/metadc31516/.

[23] J.Robertson，D.DeHart，K.Tolle，D.Heckerman. Healthcare Delivery in Developing Countries： Challenges and Potential Solutions[A]. T.Hey， S.Tansley， K.Tolle.（Eds.）. The Fourth Paradigm： Data-Intensive Scientific Discovery[C]. Redmond， Washington，2009：65～73.

[24] [25] C.R.Dills，A.J.Romiszowski.The Instructional Development Paradigm：An Introduction[A]. C.R.Dills， A. J. Romiszowski （Eds.）.Instructional Development Paradigms[C]. Englewood， NJ： Educational Technology Publications， Inc，1997.

[26] P.L.Saettler. The Evolution of American Educational Technology [M]. Englewood， CO： Libraries Unlimited，1990.

[27] M.P. Driscoll. Paradigms for Research in Instructional Systems[A]. In C. R. Dills， and A. J. Romiszowski （Eds.）.Instructional Development Paradigms[C]. Englewood， NJ： Educational Technology Publications， Inc，1995.

[28] R.E.Clark， B.M.Sugrue. Research on Instructional Media， 1978-1988[A]. G.J. Anglin （Ed.）. Instructional Technology： Past， Present and Future （2ed ed.） [C]. CO： Libraries Unlimited.

[29] C.M. Reigeluth. Educational Systems Development and Its Relationship to ISD[A]. G.J. Anglin （Ed.）.Instructional Technology： Past， Present and Future （2ed ed.）[C]. CO： Libraries Unlimited.

[30] [31] [38] T.Koschmann. Paradigm Shifts and Instructional Technology[A]. CSCL：Theory and Practice of An Emerging Paradigm [C]. Mahwah， NJ：Lawrence Erlbaum， 1996：1～23.

[32] T.Koschmann. Revisiting the Paradigms of Instructional Technology[A].Proceedings of the 18th Annual Conference of the Australian Society for Computers in Learning in Tertiary Education[C]. 2001：15～22.

[33] J.Carbonell. Mixed-Initiative Man-Computer Instructional Dialogues[D]. Massachusetts Institute of Technology， 1970.

[34] Z.Pylyshyn. Computing in Cognitive Dcience[A]. M. Posner （Ed.）. Foundations of Cognitive Dcience[C]. Cambridge， MA： MIT Press，1989：51～91.

[35] B.S.Bloom. The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One-to-One Tutoring[J]. Educational Researcher， 1984，13（6）：4～16.

[36] M.Schommer. Effects of Beliefs about the Nature of Knowledge on Comprehension[J]. Journal of Educational Psychology， 1990，82： 498～504.

[37] S.Papert. Mindstorms[M]. New York： Basic Books，1980.

[39] J.S.Brown， A.Collins， P.Duguid. Situated Cognition and the Culture of Learning[J]. Educational Researcher， 1989，18（1）：32～42.

[40] [42] [45] [46] [53] U.S. Department of Education， Office of Educational Technology. Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics： An Issue Brief， Washington， D.C.[DB/OL].[2013-05-20].http：//ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.

[41] R. S. J. D.Baker， K. Yacef. The State of Educational Data Mining in 2009： A Review and Future Visions[J]. Journal of Educational Data Mining， 2009，1（1）：3～17.

[43] G.Siemens. Learning Analytics A Foundation for Informed Change in Higher Education[DB/OL].[2013-01-17].http：///gsiemens/learning-analytics-educause.

[44] L.Johnson， R. Smith， H. Willis， A. Levine， K. Haywood. The 2011 Horizon Report. Austin， TX： The New Media Consortium. [DB/OL].[2013-05-20].http：//net.educause.edu/ir/library/pdf/HR2011.pdf.

[47] K. E.Arnold. “Signals： Applying Academic Analytics[DB/OL].[2013-04-18].http：//educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterly MagazineVolum/SignalsApplyingAcademicAnalyti/199385.

[48] EDUCAUSE. 2010. Next Generation Learning Challenges： Learner Analytics Premises[DB/OL].[2013-04-18].http：//educause.edu/Resources/NextGenerationLearningChalleng/215028.

[49] [52] WCET Predictive Analytics Reporting （PAR） Framework [DB/OL].[2013-05-11].http：//wcet.wiche.edu/advance/par-framework.

[50] R.Ferguson. The State of Learning Analytics in 2012： A Review and Future Challenges[DB/OL].[2012-12-11].http：//kmi.open.ac.uk/publications/pdf/kmi-12-01.pdf.

篇10

关键词：创新思维；案例；培训；创造力；创新

中图分类号：G642.0；F230.9 文献标志码：A 文章编号：1673-291X（2017）02-0177-04

引言

创造力是创新的根本推动力，是21世纪人类的重要生存能力，对于学生教育与成人发展均有不可忽视的价值。创造力在人类历史的长河中发挥着不可替代的作用，但是教育领域对创造力的重视却十分不够，很多人甚至认为创造力只能是一种天赋，无法加以培养与提升。早在1950年，美国心理学会主席吉尔福特在他的就职演讲上就明确提出人人均有创造力，他大声呼吁学术界对创造力关注得太少。他的这次重要发言在学术界产生了重大的影响，随后，越来越多的心理学领域与教育学领域的学者投入到了创造力研究中。创新思维是创造力研究领域的一个重要主题。创新思维是创造力的关键成因，创新思维对商业成功的影响近年已经引起了学术界和商界的关注，哈佛等知名大学已经为商科的学生开设了创造力课程，来提升学生们的商业创新能力。但是，由于创新思维是一个抽象与复杂的领域，有关创新思维与商业成功的关系，以及如何提升商业领域的创新思维还是十分模糊。本文通过对前人研究的分析，提出创新思维的七要素模型，并将它们与商业案例进行匹配，旨在分析商业创新思维的内涵。最后，就如何提升商业创新思维提出相关建议。

一、创新思维的内涵与可提升性

（一）创新思维的内涵

1967年，美国心理学家吉尔福特提出了“智力三维结构”模型。吉尔福特认为，人类智力应由三个维度的多种因素组成：第一维度是指智力的内容，包括图形、符号、语义和行为等4种；第二维度是指智力的操作，包括认知、记忆、发散思维、聚合思维和评价等5种；第三维度是指智力的产物，包括单元、类别、关系、系统、转化和蕴涵等6种。它们共同组成了120种独立的智力因素。他认为，创造性思维的核心是其中的第二维度：“发散思维” （卢家楣，1987）。

后续研究者进一步提出，创新思维是发散思维与聚合思维的统一。认为发散思维是指个体不依常规方式“从给定的信息中产生新信息，并从同一来源中产生各种各样、许许多多输出”的思维形式（刘春雷，王敏，张庆林，2009）；聚合思维则是个体利用已有知识经验或传统方法分析给定信息，并从中获得一个最佳答案的思维形式。如库恩（1987）认为，创新思维是发散思维与聚合思维的有机统一，并且两者之间要保持着“必要的张力”。吉尔福特后来也认为，收敛思维与发散思维的结合是创新思维的基本运动形式（1991）。持有相似观点的包括沃建中等人（沃建中，王福兴，林崇德，刘彩梅，2007），他们在对中学生创造性思维的研究当中同样认为，创造性思维是发散思维和聚合思维的统一，创新不仅思维要发散，同时也需要概括性和逻辑性等聚合思维的参与。相似地，日比野省三提出了创新思维是“展开与整合的思维方式”，指在决策过程中的每一个步骤都应该首先选择展开，然后再将它们整合，以做出最好的决定。即首先应该将解决问题要达到的目的展开，确定一个高水平的目的，然后开始收敛和整合，找到特定的解决方案，并从更大的范围来理解今后的发展方向（付俊英，2000）。

学者们还提出创新思维是非逻辑思维和逻辑思维的结合。非逻辑思维的主要表现形式是直观思维、灵感思维等（陈湘纯，傅晓华，2003），逻辑思维则是创新思维的基础，否则难以有创新理论与符合逻辑的概念。张丽华和白学军（2006）认为，创造性思维是一个过程、状态和结果，是大脑皮层区域不断恢复联系和形成联系的过程，是以感知、记忆、思考、联想、理解等能力为基础，以综合性、探索性和求新性为特点的心智活动（周明星，1999）。直觉、灵感及创造想象等是人们心理特征的产物。孔庆新、孔宪毅（2008）认为，创新思维是潜意识和显意识的结合。随着脑科学的发展，学者们提出创新思维是左右脑的共同产物。1981年美国加利福尼亚大学罗杰・斯佩里（Roger Sperry）获得了诺贝尔奖。斯佩里及其同事发现，大脑左半球长于语言和计算，大脑右半球对空间的识别，对音乐、艺术、情绪的感知，则优于大脑左半球。大脑左半球习惯做分析，右半球偏向于整体直观。左右脑有两种不同的感受和思维功能，它们在创造性解决问题的过程中分工合作、相辅相成。与这些观点相应的是思维导图，它是一种以全脑思维替代线性思维的思考方法，是一种用图形辅助思考的一种简洁而有效的工具，具有以下作用：梳理凌乱的想法，聚焦主题；进一步拓展主题；在孤立的信息之间建立联系；画出清晰的全景图，可以观察到所有细节与整体；将关注的主题形象化，便于发现不足之处；进行概念组合和再组合，进行比较；维持思维的积极性，不断探索方案；把注意力集中在主题上，将短时记忆转化为长时记忆；促进思维发散，多角度捕捉新思想。

我国教育界的知名学者林崇德老师认为，创造性思维是根据一定的目的，运用一切己知信息，产生出某种新颖、独特、有社会意义或个人价值的产品的智力品质（林崇德，2000）。张晓芒（2006）在总结了各类观点后，提出创新思维是思维的一种智力品质，它是在客观需要和伦理规范的要求下，在问题意识的驱动下，在已有经验和感性认识、理性认识以及新获取的信息的基础上，统摄各种智力因素与非智力因素，利用大脑有意识的悟性思维能力，在解决问题的过程中，通过思维的敏捷转换和灵活选择，突破和重新建构已有的知识、经验和新获取的信息，以新认知模式把握事物发展的内在本质及规律，并进一步提出独特见解的复杂思维过程。

（二）创新思维的可提升性

创造力培训的有效性在教育学与管理学领域都已经得到了不少验证（葛操，白学军，2007；胡l平，林崇德，申继亮，2003；暴占光，华炜，张向葵，田录梅，2007；杨敏，2012；鞠慧卿，2015）。现有的常用方法包括头脑风暴法和托仑斯发散性思维培训及测验法。头脑风暴法是美国创造学家奥斯本于1963年首创的一种创造性技法，它是众多创意生成方法的鼻祖。头脑风暴法提倡在不加评价的氛围下分享创意，打破头脑中的封闭局面，掀起思考的风暴，使个体在面对具体问题时能够从自我和他人的求全责备中释放出来，促使短时间内形成大量的创新想法。它的四大原则是自由畅谈、禁止批评、追求数量、对设想进行组合与改进。头脑风暴法被广泛应用于组织的创造力培训中，这一方法在硅谷的IDEO设计公司得到出神入化的应用。一些创新思维的培训方法已经得到了开发与广泛使用。比较知名的是托仑斯的发散性思维测试方法，它包括了12种题目，如要求根据所呈现的图画，列举出他为了解该图而欲询问的问题；要求根据所呈现的图画，列举出图中所描绘的行为可能的原因；要求对给定玩具提出改进意见；要求推断一种不可能发生的事情一旦发生会出现什么后果；要求对熟悉及不熟悉的音响刺激做出想象等。

以上相关国内外研究说明，创新思维是一种内涵丰富的思维特征，创新思维是理性思维与感性思维结合共同作用的产物，是不同思维成分的组合，它是可以通过刻意的训练得到提升的。由于教育与学习的一些传统偏见，创新思维中的一些能力得不到训练，因而也就无法形成有创新力的思维组合。本文在此基础上，总结出创新思维的系列核心特征，以及这些特征在商业实践中的运用。

二、创新思维的七个要素及其在商业上的应用

本文认为创新思维具有以下七个基本要素，它们与商业领域的成功有紧密的关系。

（一）突破思维定势能力

创新意味着另辟蹊径和思维突破，这就需要警惕自我思维的定势。突破思维定势是一种思维能力，也是商业创新不可缺少的要素。其中一个例子是云南白药。中药是我国的四大国宝之一，凝聚着文明古国千年文化的精华。云南白药治疗跌打损伤有很好的功效，但是一个人一生使用云南白药的频率是很低的。为了突破这个小众市场的局面，云南白药利用技术创新与牙膏进行联合，牙膏的使用频率要比云南白药高出很多倍，云南白药就从小众化市场转向了大众消费品市场。突破了药店只能生产药品的思维定势，云南白药将中国的传统老字号品牌在今天的市场做得业绩斐然。另一个例子是，在广告传媒领域，流行的观点是媒体的受众群体越大它的广告效果越高。然而，华东师范大学中文系毕业的江南春却在思考如何把广告植入到人们日常生活的轨迹中去。他发现在社区公寓楼等生活轨迹必经的点却没有广告媒体。于是，他们就在电梯里放了电梯海报，变成框架媒体；在写字楼电梯口装了楼宇电视，在大家等电梯的时候，播放广告；在卖场装电视、电影院片前安置广告。通过将消费者的生活、工作、购物、娱乐的轨迹点设计成广告投放点，分众传媒公司就形成了中国最大的生活圈媒体。

（二）对潜在问题的敏感性

发现一个高质量的潜在问题是创造性解决问题的重要一步。对商业问题的敏感性可以引发商业创造力。比如，随着近年空气污染在我国的日愈加重，IBM和微软看到了一个业务机会：空气质量预测市场。随着“认知计算”的进步，计算机程序能够不断提高自我建模能力，预测软件可以利用天气、交通、国土利用以及来自政府监测站的实时污染数据，甚至是社交媒体的发帖，提前预测未来十天的空气质量。IBM已经将产品推广到北京市环保局与30多家我国光伏发电公司。再如，Laptop Lane公司的首席执行官发现一个衣着考究的经理人在机场寻找手提电脑的插座时，激发了他的问题思维：商务旅行者的人数不断增加，越来越多的人携带手提电脑，他们中许多人希望与同事和顾客不间断地保持联系。出差职员的旅途通信没有得到满足，这是一个有潜力的商业问题。于是他在机场推广舒适的、全方位服务的工作站，每一个地方设有4―12个办公室，面积为36―48平方英尺，墙高7英尺。场地租用费为前5分钟2美元，以后每增加1分钟38美分，提供复印、隔夜快递、会议室出租、传真和打印服务。

（三）抽象与本质思维

抽象与本质思维让人们从具象中摆脱出来，提取事物的根本特征，在创造的过程中，这可以提升思维的灵活性，从而更具创造力。抽象与本质思维让商业营销与广告紧扣消费者的需求本质。比如，露华浓是一家知名的化妆品公司，它的创始人查尔斯说：“在工厂里我们制造的是化妆品，在商店里我们出售的是希望。” 另一个例子是支付宝的诞生，马云意识到电商销售中买卖双方需要建立彼此信任的交易机制，在这种本质思维的启示下，支付宝作为第三方支付平台得以建立，极大推进了在线购物。

（四）联想组合思维

创造的过程是要素组合的过程，这需要在创造的过程中联想到不相关的要素并进行组合。联想组合是新产品创新的重要思维能力。例如，功能组合就是把不同物品的不同功能、不同用途组合到一个新的物品上，使之具有多种功能和用途。按摩椅就是按摩功能和椅子功能的结合体，具有计算功能的闹钟也是一种新的组合，将智能手环UP和咕咚运动组合形成了健康医生。再比如材料组合，柠檬和红茶组合在一起，就开发出了柠檬茶；调酒师调制鸡尾酒采用的也是一种不同的成分组合。

（五）类比思维

大自然里蕴藏着许多知识，仔细观察并加以利用，可以创造出许多商业财富。比如，珍珠是由于某种异物进人了河蚌的胆囊后，在它的周围凝聚起许多胆囊分泌物而形成的一种胆结石。这一原理被人们巧加利用，在河蚌中人为放入异物进行人工育珠。相似的，天然牛黄是非常珍贵的药材，只能从屠宰场上碰巧获得，无法满足制药的需求。一家医药公司为了解决牛黄供应不足的问题，也运用比拟思维，把一些异物埋在牛的胆囊里，果然从牛的胆囊里取出了和天然牛黄完全相同的人工牛黄。

（六）原理迁移思维

知识不等同于创造力，如何使用来自不同学科的知识进行创新需要原理迁移思维，即将知识进行跨界使用的能力。一个典型的案例是视屏游戏中任天堂的Wii技术。这家公司利用来自汽车领域的防抱死系统和气囊弹出技术创造了游戏中的控制杆，将体感操作化为标准配备，让平台上的所有游戏都能使用指向定位及动作感应，使用者可以挥动、甩动、砍劈、突刺、回旋、射击等各种方式来使用方向盘、剑、枪等工具，这种其身临其境的交互体验让玩家爱不释手，赢得了市场的青睐。

（七）创新导向的元思维

元思维是指导个体思维倾向的思维，创新元思维是指不断要求自己求新求异的思维认知。在技术与市场的变动之下，建立创新元思维是持续赢得商业竞争力的重要保证。一个典型的例子是海尔集团。这家公司在发展壮大的30年中，已经经历了五次大变革。1984―1991年是海尔的名牌战略阶段。当时的冰箱供不求，但是张瑞敏为了提升质量求名牌，做出了“砸冰箱”的举动。1991―1998年是海尔的多元化战略阶段。海尔通过“吃休克鱼”的方式，通过兼并重组进入了洗衣机、电视机、空调等各类家电领域。同时，它打造了“日清管理法”。1998―2005年是海尔的国际化战略阶段，海尔转向“出国创牌”的战略，开始在美国、意大利建立或收购工厂。海尔还提出了“市场链”理论和“人人成为战略业务单元”的主张，让每个员工都成为一个盈利单位。2005―2012年是海尔的全球化战略阶段。海尔推行“人单合一双赢”管理模式，提倡“自主经营体”和“倒三角”的组织管理。从2012年底至今，海尔开始提出网络化管理战略，提出了在全球企业经营历史上前所未有的“企业平台化、员工创客化、用户个性化”的新经营主张。张瑞敏身上的创新导向的元思维，使得海尔不停留在以往的成功中，而是不断地创新与变革，以适应不断变化的市场环境。与此对应的是，曾经是海尔榜样的索尼、松下等公司却由于无法很好满足用户需求，而遭受了长时间的巨额亏损。

三、相关建议

商业创新思维关系到商业的竞争力，提升商业行为的质量不仅需要掌握各类商业经营的理论和技能，需要经营知识与逻辑分析，同时它还是一个创新思维的过程，需要突破思维定势，对潜在问题有高度敏感性，懂得提取本质进行抽象思维，灵活联想与组合，巧用比拟思维，将不同领域的原理进行迁移使用，并持续不断地寻求创新。这七方面创新思维的提升，将会为商业创新做出有意义的贡献。本文在总结以上七项能力的基础上，提出以下建议。

（一）总结各行业商业创新与创新思维的关系，提取关键的创新思维

当前，互联网、人工智能、生物医药等新技术层出不穷，大数据产业正在兴起，为商业创新提供了前所未有的创新机遇。由于各个行业在研发设计、生产经营、销售推广上各有差异，按行业总结商业创新与创新思维的关系，提取不同行业中关键的创新思维，将有助于培育更多的商业创新。比如，现在的互联网思维，是指在互联网+、大数据、云计算等科技不断发展的背景下，对市场、用户、产品、企业价值链乃至对整个商业生态进行重新审视的思考方式；是解构大规模生产、大规模销售和大规模传播，以个性化生产、口碑和快速响应来取胜。这是一种商业竞争模式的大改变。然而，人们在商业创新的过程中所依赖的创新思维的基础并没有改变，只是联想与组合思维、原理迁移思维在这个充满机会的时代里显得愈发重要。总结各行业的商业创新现象与创新思维的关系，将有助于我们去繁就简，在各式各样的商业创新事例中捕获创新思维的根本。

（二）推广商业创新思维的训练

教育与心理领域的研究发现启示我们，商业创新思维也可以加以训练与推广，以提升大众的创新素质。本文认为，创新思维的训练要关注思维的习惯，经由思维的习惯提升思维的能力。思维训练应当不同于知识的学习，而是如何关注思维的走向与思考的过程，只有将七种创新思维内化为个体的思考习惯，才能在创新的过程中自觉开展创造性的思考。因此，需要通过持续的大量的商业思维练习，进行习惯培养。这项工作所需要注意的是，每个人都有自己的思维风格（罗斐，吴国宏，2004），思维风格是人们进行思考的偏好方式。因此，对于不同思维风格的人如何进行创新思维的训练，将是一个有待深化研究的课题。

参考文献：

[1] 暴占光，华炜，张向葵，田录梅.发散思维训练对 62 名初一学生创造力的影响[J].中国心理卫生杂志，2007，21（3）：169-172.

[2] 陈湘纯，傅晓华.论创新思维的哲学内涵[J].科研管理，2003，24（1）：10-14.

[3] 付俊英.论思维定势与创造性思维[J].科学技术与辩证法，2000，17（5）：19-22.

[4] 葛操，白学军.训练方法对不同创造力水平儿童创造力发展的影响[J].心理与行为研究，2007，5（1）：13-17.

[5] 胡卫平，林崇德，申继亮.英国青少年科学创造力的发展研究[J].心理科学，2003，26（5）.

[6] 鞠慧卿.三至五年级小学生感觉寻求与创造力之间的关系研究[J].校园心理，2005，13（2）：87-90.

[7] 孔庆新，孔宪毅.试论创造性思维的定义、特点、分类、规律[J].科学技术与辩证法，2008，25（2）：25-31.

[8] 库恩.对批评的答复[M].北京：华夏出版社，1987：358.

[9] 林崇德.创造性人才・创造性教育・创造性学习[J].中国教育学刊，2000，（1）：5-8.

[10] 刘春雷，王敏，张庆林.创造性思维的脑机制[J].心理科学进展，2009，17（1）：106-111.

[11] 卢家楣.吉尔福特智能三维结构模型的新发展[J].上海师范大学学报：哲学社会科学版，1987，（2）：143-144.

[12] 沃建中，王福兴，林崇德，刘彩梅.不同学业成就中学生创造性思维的差异研究[J].心理发展与教育，2007，（2）：29-35.

[13] 杨敏.加强发散思维训练培养学生创新能力[J].数学学习与研究：教研版，2012，（7）：44-45.

[14] 张丽华，白学军.创造性思维研究概述[J].教育科学，2006，（5）：86-89.

[15] 张晓芒.创新思维训练[M].北京：企业管理出版社，2006.

[16] 周明星.思维创新与创造创新[M].北京：中国人事出版社，2003.

[17] 罗斐，吴国宏.斯腾伯格思维风格理论述评[J].心理科学，2004，27（3）：718-720.

Seven factors model of innovative thinking and its commercial application

LI Shang-zhi，WANG Can-ming

（High school section，Beijing Petroleum Institute Affiliated Middle School，Beijing 100083，China）

人工智能在教育行业的应用范文

篇1

篇2

篇3

篇4

篇5

篇6

篇7

篇8

篇9

篇10

热门标签

相关文章

相关期刊

透析与人工器官

人工晶体学报

模式识别与人工智能

智能系统学报

精品范文