大數據發現共性錯題，知識圖譜量身定制學習計劃，機器學習實現快速閱卷……

學情數據實時追蹤、語文作文自動批改、形成學生個體學習成長報告……2020年中國國際服務貿易交易會(以下簡稱服貿會)將于9月中旬召開，屆時一批“智慧教育”產品將在教育服務專題展區亮相，家長們可以帶著孩子全方位地體驗智能學習。

在開學季和服貿會來臨之際，科技日報記者走訪了一批“智慧教育”領域的創新企業，看一看“智慧教育”真正的模樣，以及它給傳統教學方式帶來的改變。

備課 大數據篩選共性問題，進行針對性教學

受新冠肺炎疫情影響，今年上半年大中小學的教學活動改為線上進行。很多網課平臺采取大班直播授課，如何保障教育質量，提升教學效率，同學生實現高效互動?

“主講老師在準備講義和教案，制作課件時，通過知識框架確定重難點，對題目進行分類及分析，并依托國內百億級K-12學習行為數據庫‘從題海中選出一道題’，實現輔導效率最大化。”猿輔導在線教育公共事務部副總裁任子歆介紹說。

比如，在講解平面向量的應用時，老師首先在題庫4642道向量題目中選出高考真題1778道，根據所要講解的知識背景和邏輯精選出198道重點題目，再通過大數據篩選出學生易錯的痛點題目18道，最終教研老師與主講老師共同探討，針對學生整體水平選出一道在題庫中被作答35958次，正確率僅為35.91%的題目。

科大訊飛相關負責人表示，對于老師而言，采集數據后的核心工作還是要應用這些數據來進行針對性教學。比如一次學科周測后，自動生成考試分析報告。報告幫助老師預設了講評順序，錯誤率較高的題目優先排在前面，老師可以集中講解典型題，解決班級的共性問題。在講解的過程中，還能對標注的優秀試卷展示講解，也可以調取典型錯誤答案展開分層或分組討論教學，請對應學生講一講答題思路，共同找到錯因。

為了讓學生更好地掌握知識點，還需要及時開展舉一反三的變式練習，系統針對每道試題自動推薦一批拓展試題，解決傳統講評課就題講題、有講無練的問題。這樣原本一張卷子總共17道題，老師要講1—2個課時，現在只要20分鐘即能完成講解。

授課 知識圖譜分析學習情況，定制個人學習計劃

有專家表示，目前對于課堂的學習反饋，人工智能能夠通過大數據了解學生對知識的掌握情況，從而根據其不同的特點進行定向輔導，推進精準教育。

科大訊飛相關負責人表示：“當學生學習到一個階段，比如完成一個章節的學習之后，人工智能能夠通過知識圖譜動態分析學生的學習情況，快速測試找到其弱項，系統為每個學生規劃最佳學習路徑，量身定制學習計劃，實現精準鞏固提升。”

具體而言，系統會自動判斷學生需要掌握的知識點數量，并且把知識點之間的關聯也列出來，學生只需作答幾道題目就能基本判斷學習盲區。學生答題完畢，系統可以立刻指出學習中的薄弱問題(以紅、黃、綠圓點為標識)。比如紅色的位置，表示以前只是關注一個學習環節，如果前驅知識點沒有解決，這個知識點做再多練習都達不到理想效果。現在系統會指出學生第一步應該學習的知識點。針對這個知識點，學習系統會智能推送相關課程，并直接精準定位到其應該學習的片段，兩三分鐘就能針對性解決問題。學生學完之后，還可以通過變式練習及時檢測學習效果，再次查看知識圖譜，會發現知識點變成綠色，個性化問題得以攻破。

目前，在“智慧教育”中，基于人工智能技術，可以做到課堂全場景伴隨式對學生學習狀態的數據進行采集，并且挖掘數據價值，幫助老師精準教學，個性化“因材施教”。

科大訊飛相關負責人表示，這些都離不開科研人員研發的學生認知診斷和個性化推薦系統，該系統首先深度挖掘學生做題的歷史大數據，對學生認知狀態進行精準診斷，進而針對學生的薄弱項、結合多種教學和學習目標，對學生進行個性化題目推薦。

由此，基于對學生作業數據的采集生成的個性化作業報告，系統可以分析學生各維度能力狀態和變化、形成個人能力畫像，并且針對性進行個性化推薦。此外，系統將根據每位學生錯題不同，推送不同題量、以及不同難度的個性化作業，個性化問題及時解決。

“采用自適應推薦技術，能夠基于對學生知識狀態的精準診斷，實現教育資源和學生之間的智能匹配，從而能夠推薦更加適合學生的個性化學習路徑。”科大訊飛相關負責人強調。

閱卷 機器學習建立模型，全面掌握評分標準

閱卷，是老師教學工作中非常重要的一環，也是耗時費力的一環。如果人工智能能夠替代或輔助老師對考試和作業評分，將極大減輕老師負擔，為教師減負與診斷學生學習情況提供有力的工具。

在大規模考試的智能閱卷中，評分的主要需求點是準確、高效，面向課堂作業和考試的評分等，則需要“有營養”的點評和批改反饋，特別是對語文作文的批閱。有專家指出，傳統方法利用自然語言處理淺層分析的結果構建特征，如文章的長度、段落數、詞匯豐富性等。但不難發現，這些特征與人評價作文時考察的維度和深度相距較遠。以高考作文評分規范為例，評判標準除了考察其題意、內容、語言、文體等基礎等級，還要考察其深刻、豐富、文采、創意等發展等級，這為機器評分帶來相當大的難度。

針對上述問題，哈工大訊飛聯合實驗室相關負責人介紹，可以利用機器學習算法根據少量人工評分的樣本學習一個預測模型，其中的關鍵是構建和利用有效的特征來描述作文、指示作文的質量。這套系統除了使用常用的淺層表征外，也針對諸如文本通順、文采、立意分析、篇章結構等難度較高的維度進行探索。例如，對語法錯誤的診斷，是以預訓練語言模型為基礎，結合少量標注數據和大規模自動構建的偽數據，進行錯別字、語法以及標點、成語等多類型錯誤識別。

對于文科主觀題評分，系統首先通過版面和圖文識別獲得題目和學生作答內容，而后利用智能定標篩選具有代表性的學生作文進行專家定標評分并學習評分模型，最后，對機評結果進行匯總和分析。為了提高定標數據標注的效率和效果，研究人員提出“專家隨機抽取+智能挑選樣卷+聚類分段補充”的定標集選取方法，提升了評分模型對于各分數段的建模能力，符合高考等考試環境下考生成績呈正態分布的特點，拓展了對專家評分和閱卷教師評分的綜合學習能力，使得計算機智能輔助評分系統能夠通過有限的定標數據，更加全面地理解和掌握評分標準。目前，該系統每年服務考生超過600萬。(記者 華 凌)