基于深度學習的個性化教育測量綜述

張皓彥　馬玉慧

摘 要：隨著人工智能時代信息的爆炸式增長，教育測量的發展也傾向于對學習者個體信息的個性化測量，而教育數據龐大的量、復雜的結構以及極快的增速使得傳統測量方法束手無策。教育測量方法應當適應時代發展，在相應的技術支持下實現對學習者個體的個性化教育測量。深度學習技術具有優秀的數據分類處理能力，這在教育測量領域將發揮極大作用。基于深度學習技術特點，綜合分析傳統測量方法的局限以及基于深度學習技術的教育測量應用優勢與不足，完成深度學習技術在教育測量領域的應用綜述，并給出深度學習促進教育測量個性化發展的建議。

關鍵詞：人工智能;個性化教育;深度學習;教育測量

DOI：10. 11907/rjdk. 192633

中圖分類號：TP306 ? 文獻標識碼：A??????????????? 文章編號：1672-7800（2020）003-0281-04

Deep Learning Promotes Personalized Education Measurement：

Current Situation Analysis and Prospect

ZHANG Hao-yan，MA Yu-hui

（College of Educational Science，Bohai University，Jinzhou 121000，China）

Abstract： With the information explosion in the era of artificial intelligence， the development trend of education measurement also tends to personalized measurement of individual information of learners， while the huge amount， complex structure and rapid growth of education data make the traditional measurement method helpless. Deep learning can play a great role in the field of educational measurement with its excellent ability of data classification and processing. Therefore， the education measurement method should adapt to the development of the times， and realize the individualized education measurement of learners with the support of technology. With the aim to explore the possibility of technical support of deep learning to educational measurement， this paper introduces the technical characteristics of deep learning through definition and analysis， and comprehensively analyzes the limitations of traditional measurement methods and the advantages and disadvantages of education measurement based on deep learning technology. At last， the paper points out the specific aspects of deep learning to educational measurement technology support as well as the current research deficiencies， and gives the development suggestions of deep learning to promote the individualization of educational measurement.

Key Words： artificial intelligence; personalized education; deep learning; educational measurement

0 引言

在教育行業不斷發展的今天，研究者們希望利用數據分析技術實現“個性化”以達到優化教學質量的目的。實現“個性化”首先需要教育者對學習者的先驗數據有一個系統的教育測量，而當前能夠基于數據以實現個性化為目的的教育測量基本上可以總結為兩種方法。一種是基于協同過濾技術的教育測量方法，一個基本假設就是具有相似喜好的用戶對于同一個項目會給出相似的評分[1]。利用相似性度量尋找與當前用戶興趣偏好相似的近鄰用戶集合，然后利用最近鄰法加權考慮近鄰用戶的興趣偏好值，并預測當前用戶可能感興趣的項目[2]。另一種是基于認知診斷的教育測量方法，它通過對學習者能力建模，能夠測量學習者知識點掌握程度。但是，教育系統作為一個復雜適應系統，所產生的教育數據因增速越來越快、體量越來越大、結構越來越復雜正在逐步向教育大數據發生轉變。在這樣的數據環境下，傳統教學中教育者個體難以捕獲所有學習者的感知和行為數據，因此，其決策多由主觀經驗驅使[3]。教育者對于學習者行為數據、心理感受以及當前知識建構程度的測量呈明顯“有心無力”態勢。人類教育者對于學習者感知和行為數據的測量短板從源頭上導致了教育測量結果的偏差。

這種數據的感知和捕獲可以外包給機器，利用機器的感知智能為教育者決策提供數據支持，進而讓通常處于模糊形式的教育、心理和社會知識以更為具體和明確的方式呈現出來[3]。2017年3月，在十二屆全國人大五次會議的政府工作報告中，人工智能”首次被寫入政府工作報告[4];2018年1月，2018人工智能標準化論壇發布了《人工智能標準化白皮書（2018版）》。這表明從國家頂層設計上，人工智能已經作為一項基礎技術，逐步滲透至各行各業，并助力傳統行業實現跨越式升級，提升行業效率[5]。其中針對個性化教育測量問題，深度學習可以處理大量多維度信息，可實現實時觀測學習者課堂表情[6]等教育數據，為教育者完善教育評價提供量化依據。

綜上，為了認清深度學習對教育測量的積極作用，助力個性化教育實現，本文將通過文獻分析法厘清深度學習的數據處理原理，剖析傳統教育測量方法暴露出的不足，從而挖掘出深度學習具體能夠在哪些方面為教育測量提供技術支持。從這3個方面，可以對深度學習與教育測量相結合進行研究，分析當前深度學習應用于教育測量的問題與局限，從而就深度學習促進教育測量個性化發展給出建議。

1 核心概念界定與分析

1.1 深度學習

1.1.1 深度學習定義

研究者對深度學的定義理解有幾個不同的出發點。陳德鑫等[7]認為深度學習具備擬合任何復雜函數的特點，不同的神經網絡模型可以對不同類型的數據進行特征提取，使得深度學習神經網絡對輸入數據有更強的識別能力;王書培[8]認為深度學習的概念源于人工神經網絡研究，其通過組合低層屬性形成更加抽象的高層特征，以發現數據的分布式特征表示。

本文認為從深度學習技術的應用目的出發，抓住其相對于傳統數據計算與分類技術的獨有特征，以提高人們對深度學習概念理解的針對性。本文認為，深度學習是一種深層的機器學習模型，其深度體現在對特征的多次變換上，常用的深度學習模型為多層神經網絡，神經網絡的每一層都對輸入進行非線性映射，通過多層非線性映射的堆疊，可以在深層神經網絡中計算出非常抽象的特征來幫助分類[9]。

“深度”是相對于傳統數據分類技術的“淺層變換”而存在，其通過增加模型層次數量為多次數據特征的變換提供環境支持，從而為實現數據自動分類提供可能性。“非線性映射”體現在數據特征的變換上，傳統數據分類技術多為單層線性變換，特征分類依賴于上游處理提供的特征，其工作難度極大且結果精確度不足，而深度學習在深層次神經網絡中采用“非線性映射”特征實現數據特征變換，使得數據的分類特征能自動達到十分抽象的程度。

因此，深度學習相較于以往的數據分類技術在數據分類能力上更進一步，它通過多層網絡結構上的多次非線性映射便能夠實現數據特征的自動化分類，極大提高了分類精確程度，優化了數據分類技術。在大數據時代，教育系統作為一個復雜適應系統會產生體量極大且具有非線性內部結構的教育大數據，深度學習超越傳統技術，能夠多維度、高精度、自動化地支持教育數據的分析計算，完成人類教育者無法完成的教育數據測量工作。

1.1.2 深度學習發展進程

深度學習的基礎是人工神經網絡，其發展經歷了3次大的起伏。

20世紀40～50年代，人工神經網絡開始萌芽，歷史上將其稱為第一次低谷時期。20世紀80年代是神經網絡研究的第二次發展高潮，期間誕生的反向傳播 （Back-Propagation，BP） 算法被應用于訓練神經網絡，解決了多層感知器無法訓練的問題，從而使神經網絡具有了非線性表示能力[10]，以BP算法訓練的多層感知器 （Multi-Layer Perceptron，MLP）成為最成功的神經網絡模型[11]。從此，對于數據的非線性表示能力成為深度學習不可或缺的一大特征。但是，當時人工神經網絡的兩個致命缺陷使其快速跌入發展低谷。第一個問題是算法本身，雖然在BP算法訓練下，多層神經網絡的非線性表示能力導致參數解空間中存在大量局部極值，使用梯度下降法進行訓練很容易產生局部極小值，導致多層感知器在很多問題上推廣能力較差[11];第二個問題與當時有限的硬件條件限制密切相關，但在理論上，神經網絡設置大量的層數以提高非線性表示能力，導致多層神經網絡訓練速度會因為層數的增加使得函數參數的調整時間很長。

直到2006年，在Hinton等研究人員的努力下，深度置信網絡 （Deep Belief Network，DBN） 誕生并將神經網絡重新帶進人們的視野，之后幾年中，深度神經網絡發展迅速，隨后人們將其稱為“深度學習”。深度學習的這一大發展被人們稱作人工智能的第3次熱潮。目前，隨著網絡數據量的劇增，深度學習獲得了前所未有的發展環境，使得各行各業都紛紛加入了“人工智能+”的研究熱潮。

1.2 教育測量

1.2.1 教育測量定義

教育界關于教育測量與評價的定義為：在系統、科學、全面地搜集、整理、處理和分析教育信息的基礎上，對教育的價值作出判斷的過程，目的在于促進教育改革，提高教育質量[12]。布魯姆[13]認為評價是一種反饋—矯正系統，及時反饋教育信息，便于調整和作出更好的教育決策。而“系統、科學、全面地搜集、整理、處理和分析教育信息”即教育測量。因此，教育測量是指依據一定的法則（標準）用數值描述教育領域內事物的屬性，是事實判斷的過程[14]。因此，本文認為教育測量是通過量化手段，將教育相關事物以數的形式展現出來，為教育價值的判斷提供事實依據[15]。但是，當前教育數據從體量大小、結構復雜程度、變化增速等方面分析，已經不允許教育者花費大量成本從學習者個別實際情況出發去實施教育測評，這揭示了人類教育者在教育測評上的局限。

1.2.2 傳統教育測評方法的不足

傳統教育測量方法存在的不足給教育測評的實踐與發展帶來巨大阻礙，本文將從以下兩個方面論述傳統教育測評方法的不足。

（1）傳統教育測量方法精度不足。教育測量的精確程度對于教育測評的重要性不言而喻，而傳統教育測量方法存在以下局限：首先，傳統教育測量對數據的分類維度不夠完善，無法盡可能完整地描述學習者在學習各方面的建構情況;其次，傳統教育測量各維度的數據分類處理不夠準確;最后，傳統教育測量的數據測量與處理速度無法和教育數據的增速相匹配。需要能夠適應當前教育數據增速的數據處理技術，以保證教育測量時效性，降低由于數據過時而導致的教育測評誤差。

（2）傳統教育測評缺乏以學習者為中心的教學環境。傳統課堂推崇教育者的單一講授，以教育者的“教”為中心，以教材為不可撼動的知識權威，學習者處于被動狀態，缺乏教學數據的輸出，使得教育測量難以實施。而以學習者為中心的教學環境具有能夠激發學習者主動性的特點，在這樣的教育環境中，學習者通過自主探索建構知識圖式，為自身全面發展打下基礎。在以學習者為中心的教育環境中，學習者擁有更多展現自己的機會，這無疑使得教育測量的數據來源更加完整。

2 深度學習對教育測評的促進作用

2.1 深度學習助力教育數據分類維度抽象化

深度學習能為教育測評提供強大的技術支持。首先，這一強大助力主要體現在教育數據測量維度上，輸入數據能夠在深度學習的多層模型中進行多次非線性映射，從而同時完成教育測評對教育者對維度的要求。深度學習模型每一層上的非線性映射為抽象化數據特征分類維度提供了技術可能，加之深度學習設定的多層次模型結構，使得數據特征的分類維度達到人類教育者無法完成的抽象程度。

2.2 深度學習強化教育數據測量與處理速度

教育數據不僅結構復雜，其數據增速也在教育數據的測量與處理上給教育者帶來了巨大壓力。計算機技術從發明之初就以其強大的數據計算能力與人類拉開差距，而到了大數據時代，這一優勢更加明顯。因此，深度學習在以其強大的數據維度抽象能力完成教育數據維度測量任務的同時，在數據處理速度與計算精度上也具有突出優勢，能夠提高教育數據分析處理速度，并以其超強的計算能力完成數據計算的準確測量。

2.3 深度學習促進教育數據測量與處理向智能化發展

深度學習能夠通過其自動化數據分析處理能力促進教育測評智能化。傳統數據處理技術依賴于大量的數據上游處理，教育者在教育數據處理方面的參與度很高，使得大部分重復性、抽象程度很高的工作占用了教育者大量的時間與精力，并且教育者在進行大量的教育數據處理工作時，受精神狀態、情緒等主觀因素的影響可能產生不必要的誤差。而深度學習支持下的教育測量能夠通過多層模型上的非線性映射自動標記數據特征，避免了大量的人工處理，使得教育測量走向智能化道路，極大地減輕了教育者的教輔工作上壓力。

3 當前研究局限與問題

3.1 數據量不足

數據獲取在量上的要求受到多方面限制，因而大大影響了測量精度。大部分行為測量要求即時性，師生在課堂上相互的“動態適應”效率很低，導致教育實踐缺乏方向，這部分數據發生時間短、變化速度快、測量難度很大。同時，一部分數據需要長時間記錄以綜合分析學習者學習狀態，數據獲取在時間上的持續性會極大提高數據獲取難度。

3.2 數據類型不足

深度學習能夠實現數據非線性映射以抽象化數據分類，但是這樣的算法機制要求獲取的數據類型豐富，數據測量維度相對單一會導致測量結果出現偏差甚至失誤，影響教育評價結果。因此，教育大數據獲取維度是目前有待解決的一大難題。

3.3 學習者隱私難以保護

在獲取實際測量數據時，為了數據的完整性，操作者往往難以把控數據搜集程度與范圍的度，可能會造成對學習者學習生活的隱私侵犯。學習者在生活、學習中的一些行為表現的確或多或少能夠反映出對其學習效果的影響，但是實時監控這一過程可能并不能將這一“影響”往積極面引導。學習者在被監控狀態下的行為會與真實的內在建構狀態斷鏈，甚至產生抵觸。因此，通過實時監控學習者行為為教育測量提供數據來源的方法存在南轅北轍的風險。

3.4 不能進一步代替教育者實施教育評價

人類教育者雖然在數據測量上存在桎梏，但在教育評價方面具有教育認知的優勢，可以更全面地對學習者的問題進行綜合分析和診斷，并從教育、心理、人的全面發展角度提出更具指導性的建議[6]。因此，教育評價不可能被機器取代，教育者仍然是教育評價的關鍵。

4 發展建議

綜上，教育數據處理在精度、速度、維度等方面的局限對學習者個體的具體診斷造成了極大阻礙，而深度學習支持下的教育測量是一種能夠在數據處理方面改革傳統測量的智能化教育測量新方法，能夠為實現個性化教育打下教育數據測量、分析的基礎。因此，本文通過深入分析深度學習在教育測量上的局限性，為利用深度學習促進教育測量提出兩方面建議。

4.1 深度學習可通過優化教育測量促進個性化教學發展

以深度學習為核心驅動力的智能化教育測量能夠全方位捕獲表征學習者特征的情感、身體狀態、行為以及學習過程性數據，并借助相關模型（如學習者模型、教學模型等）轉換成描述學習者在各狀態上的得分，然后整合成報告形式呈現給教育者[6]，以人機協同模式共同促進學習者進行更加有意義的學習。

因此，教育者可以通過深度學習優化教育測量，用以獲取學習者在完整學習過程中的各項教育數據。教育者能夠從中分析出學習者在堂課上的專注力、平時學習習慣等影響學習者知識建構的相關數據，以及隨著課堂教學進行而發生的數據變化，以此更加精確、合理、即時地獲取學習者對課堂的真實反饋數據。加之，學習者的個體數據近乎完整地得到分析，從而實現了學習者的個性化診斷，為個性化教育奠定了良好基礎。因此，教育者可以根據反饋數據更加精確地實施個性化教學。

4.2 深度學習可通過優化教育測量促進智能化課堂即時反饋

“從師生直接交流的情形中可以看出，真實的因材施教其實并不是所預想的精確診斷和強針對性的干預，而是師生相互動態適應的過程[16]”。教學技能成熟的教育者在與學習者接觸之初，就已經開始通過使用問題拋出、概念描述等引發學習者思考、交流的教學方法與策略來獲取學習者的先前經驗，這是一個不斷試錯的過程，而且遺憾的是目前并沒有發現存在一個能維持長時間固定不變的規則來規范對于學習者先驗的獲取方式。教育者在通過“動態交互”獲取學習者先驗方面存在一定的效率問題，這對個性化診斷造成了極大阻礙。

因此，更加需要利用深度學習技術為教育者對學習個體的認知診斷提供幫助，促進教育測量效率的提升。深度學習在數據處理速度、維度方面的突出優勢，對于實現課堂反饋的即時性非常重要，它不僅能夠補足教育者的短板，而且能夠以機器的自動化優勢，應用智能化教育測量精確診斷不同學習個體的具體認知狀態，減輕大部分教育者的負擔。

綜上可以看出，能夠測量師生之間的“動態適應”是改進教育測量的關鍵，通過深度學習的加持，實現課堂反饋的智能化，為即時性的個性化診斷提供可能性，這一優勢也無疑為教育測量發展以及深度學習等相關人工智能技術在教育測量方面的應用研究指明了方向。

5 結語

傳統教育測量方法面對龐大的數據量暴露出多項短板，在實現教育測量個性化上也未能作出突出貢獻。而深度學習能夠避免大量的上游處理工作，實現將龐大且結構復雜的教育數據通過多個節點輸入，經過多層非線性映射極度抽象化分類維度并提高數據處理精度，從而實現數據自動分類處理，其相較于傳統計算機分類技術所體現出來的優勢，顯然能夠在體量越來越大、結構越來越復雜的教育數據分析中大有作為。

參考文獻：

[1]李艷萍，于麗梅，劉國麗，等. 協同過濾算法的改進研究[J]. 電腦知識與技術，2015，11（7）：261-263.

[2]夏培勇. 個性化推薦技術中的協同過濾算法研究[D]. 青島：中國海洋大學，2011.

[3]SELF J.The defining characteristics of intelligent tutoring systems research：ITSs care，precisely[J]. International journal of artificial intelligence in education（IJAIED），1998，10：350-364.

[4]趙地. 發展智能醫療新紀元[J]. 中國數字醫學，2019，14（3）：2.

[5]張仕民，雷澤宇，劉意，等. 基于AI的無人機電網智能巡檢方案研析[J]. 四川電力技術，2019，42（3）：90-94.

[6]余勝泉，王琦. “AI+教師”的協作路徑發展分析[J]. 電化教育研究，2019，40（4）：14-22，29.

[7]陳德鑫，占袁圓，楊兵. 深度學習技術在教育大數據挖掘領域的應用分析[J]. 電化教育研究，2019，40（2）：68-76.

[8]王書培. 基于深度學習的中文詞法分析模型算法研究[D]. 杭州：浙江理工大學，2019.

[9]高明旭，李靖，朱緒平，等. 深度學習方法研究綜述[J]. 中國科技信息，2019（10）：56-57.

[10]曹植珺. 機器學習在船舶流體力學中的應用綜述[C]. 武漢地區船舶與海洋工程研究生學術論壇，2019.

[11]胡越，羅東陽，花奎，等. 關于深度學習的綜述與討論[J]. 智能系統學報，2019，14（1）：1-19.

[12]田瑩. 兩岸小學教育質量評價政策的比較研究[D]. 廣州：廣州大學，2016.

[13]徐千慧. 真實性評價在創客教育中的應用研究[D]. 深圳：深圳大學，2018.

[14]辛濤，李雪燕. 教育評價理論與實踐的新進展[J]. 清華大學教育研究，2005（6）：38-43.

[15]李霖. 幼兒園幼兒創意手工制作評價標準研究[D]. 上海：上海師范大學，2019.

[16]楊開城. 教育何以是大數據的[J]. 電化教育研究，2019，40（2）：5-11.

（責任編輯：孫 娟）

收稿日期：2019-11-20

作者簡介：張皓彥（1993-），男，渤海大學教育科學學院碩士研究生，研究方向為人工智能輔助教育;馬玉慧（1974-），女，博士，渤海大學教育科學學院副教授、碩士生導師，研究方向為信息化教育、人工智能及其教育應用。