基于機器學習的德語視聽教材甄選方法

張璐

內容摘要：本文通過結合一線德語視聽課程教學現狀，對現有德語視聽教材不能因材施教問題展開探究;巧妙將人工神經網絡這種機器學習方法引入到德語視聽教材篩選過程，從而更快捷地獲取客觀、有效的篩選結果。

關鍵詞：機器學習 人工神經網絡 視聽教材 甄選

一.研究意義

據相關調查結果顯示，97%的學生喜歡老師在課堂上應用多媒體（視頻、圖片等）進行視聽課教學，92%的學生認為多媒體的運用在外語課堂中的應用提高了教學質量。但是也有學生對課堂活動的設計，視聽材料的選取有不滿意之處。雖然視聽教材在學生的口語和聽力技能訓練中起到循序漸進的作用，有其系統性和科學性，但由于學生個體語言能力差異的存在，導致統一的教材不能激發部分學生的學習熱情，即不能因材施教。因此探索出德語視聽教學中科學的學習材料甄選新方法具有很明確的意義，它可以提高學生利用視聽材料的效率，改善教學效果，做到真正的因材施教。如今網絡資源發達，視聽教學卻發展緩慢，師生之間的有效互動不夠，教師缺乏足夠的精力獲取全部學生的個體學情并制訂有針對性的學習計劃。如果利用機器學習方法依據學生個體學情對不同水平的學習材料進行甄選，智能推送適合的材料給不同學生，可以大大減少教師工作量，同時又能有效提高學生的學習效果，促進學習積極性。充分利用信息數據并通過機器學習算法來獲取新建議的思路已經在很多領域獲得應用，如某高校就曾利用數據挖掘算法對本校學生成績進行分析處理，獲取潛藏在大量學生成績信息中的有用信息，從而調整對學生的培養計劃、課程信息設置、教師的教學工作等，從而有效提高學生的學習成績。

隨著云計算、大數據等技術的崛起，神經網絡算法在人工智能、深度學習應用中得到了高度重視和深度的應用與發展，成為一門基于計算機科學、邏輯學和認知學等多學科交叉的科學。人工智能的最終目的是讓機器能夠像人一樣學習、思考、推理、決策等。從2006年開始，隨著神經網絡算法研究的進步，尤其是計算機計算能力的大幅度提升，基于人工神經網絡技術的深度學習逐步引起重視，并迅猛發展，成為目前人工智能研究的最主要方向。2016年，基于深度學習的AlphaGo，在人機圍棋大戰中戰勝人類，徹底將人工神經網絡、深度學習等概念展現到世人面前。因此，本文希望乘著人工神經網絡方法發展潮流，在德語視聽教學領域做出應用，更多地挖掘出機器學習在實際領域中的應用價值。

二.實施方案

基于神經網絡算法進行視聽教材分類的總體思路是利用學生對測試數據庫中的材料進行學習，然后基于學生的反饋結果數據計算分析獲取學生的能力模型，該模型為一組參數值，然后將總數據庫中的待分類材料通過學生能力模型解算，最后獲取分類結果。詳細的實施步驟如下文所示：

1）構建德語視聽教學語料庫

該步驟為整個方案實施的重要環節，需要教師通過多種渠道搜尋得到各類德語視聽材料，并匯總成庫。本著有難度、有梯度、興趣范圍廣泛的原則展開工作，本部分工作由學科團隊內有經驗的多位一線教師協力完成，也可動員德語班有興趣的同學協同參與。該過程是個不斷積累，往復迭代的過程，逐步達到完善。

2）構建視聽材料評價指標體系，教師對材料進行指標評價

本步驟要建立學生對視聽材料評價指標，即學生可以通過哪些角度對材料進行評價，如“材料難度等級”、“興趣愛好關注度”、“生詞覆蓋率”等等，教師結合指標對語料庫中的每個材料進行學習分析后進行評價，將各指標評價值與對應材料進行綁定，以待應用。如表1中所列的每一行數據含有評價指標1-評價指標4，該組指標綜合起來即為評價指標體系，教師需要綜合權衡設定，每個視聽教材的指標分值均為教師結合實際考察后給出的主觀評價結果。

3）構建測試庫，獲取測試結果

為了獲取學生個體的語言能力信息，從語料庫中挑選具有代表性的測試用例，挑選原則依據建立的評價指標體系，且用例盡量涵蓋各指標的分布區間;讓學生學習觀看視聽教材用例，然后就每個用例給出評價結果（適合/不適合），舉如表1所示的一組測試材料信息為例

4）運用人工神經網絡算法學習個體能力模型

人工神經網絡的功能是依據給定的輸入與輸出信息，通過前向反饋算法經過多次迭代最終獲得復雜的非線性模型，該模型可以在偏差很小的情況下滿足輸入與輸出之間的關系。神經網絡方法近似于數學領域的擬合算法，但是利用該方法獲取的模型非線性強，精度更高，更能真實反映出輸入與輸出之間的關系，本研究中對應學生的能力模型。

首先建立網絡函數，函數包含兩個參數，分別為隱藏網絡層與網絡訓練方法，考慮視聽教材分類問題的復雜程度與數據特點，設定隱含層數為2，訓練方法為梯度訓練法。

然后設定訓練參數，參數主要包含迭代次數與允許誤差，考慮解決問題的需求以及實驗室采用PC機的性能，迭代次數設為1000，允許誤差為0.001。

最后進行訓練學習過程，將如圖1所示的學生1的評價結果作為系統輸出，將對應的教材評價指標值作為系統的輸入，通過編好的應用程序利用神經網絡算法工具箱進行迭代分析計算，在程序后臺獲取一組兩層神經網絡的權值及屬性常值，即代表學生1的個體能力模型。

5）語料庫視聽材料甄選

通過步驟4獲取了學生個體能力模型后，將語料庫中視聽材料遍歷，分別將每一個視聽材料的評價值作為輸入代入到學生個體能力模型中，然后計算得出最后的輸出評價值，輸出結果為0即為該材料不適合該學生在現有水平下學習，輸出結果為1則代表適合該學生在現階段學習。最后將全部適合的材料編號輸出，供學生結合語料庫進行利用。

1）為了獲取更加客觀、準確的篩選結果，教師在對語料進行指標確定時要重視代表性，屬性標定時要做到盡量準確，充分利用平時教學時對學生的了解，從學生的視角去處理該步驟;

2）在制作測試庫的時候，要盡量涵蓋每個指標的全部允許范圍，且數量不宜過多，減少給學生帶來的負擔，利于獲取更真實的評價結果;

3）利用人工神經網絡計算過程中，選擇分層數適宜，防止出現過擬合等現象影響模型的準確性。

結論：本文將機器學習的思想引入到了德語視聽教學工作中，用相對客觀、智能的方法替代傳統以人的絕對主觀意識決定教學過程，為語言教學改革提供了新的思路，符合教育面向現代化的發展潮流，具有一定的應用價值，然而在實踐過程中還存在較多考慮不周，在后續研究中會繼續探索改善。科學技術的發展就是要服務于人，在教育領域不斷做出更多的應用嘗試可以充分利用科技發展成果，這也符合算法開發人員初衷，值得發揚推崇。

參考文獻

[1]盧欣欣.高職英語視聽說教學研究[J].求知導刊，2017，0（21）.

[2]金美辰.生態視閾下的大學英語視聽說教學模式[J].中國冶金教育，2017，0（1）：22.

[3]鄒琳琳.英語視聽說教學研究[J].青春歲月，2011，（20）：224-225.

[4]劉博鵬，樊鐵成，楊紅.基于數據挖掘技術的學生成績預警應用研究[J].四川大學學報（自然科學版），2019，56（2）：267-272.

[5]張艷玲.數據挖掘在高校學生成績管理系統的應用[D].河北：河北科技大學，2014.

[6]張慶，劉中儒，郭華.神經網絡算法在人工智能識別中的應用研究[J].江蘇通信，2019，35（1）：63-67.

項目支持：基于信息挖掘方法的高職德語視聽教學材料的探索與應用，項目編號：ZDJY2017-40

（作者單位：天津中德應用技術大學）