人工智能支持下的物理錯題庫建設與使用

鄧李君 黃裕鵬

摘? ?要

傳統模式下，物理錯題管理的載體主要是學生錯題本、教師線下錯題庫。智能時代，物理錯題管理升級為線上線下混合的平臺式錯題庫管理，實現了學生錯題庫和教師錯題庫的協同發展。基于大數據、云計算和物聯網的人工智能技術，在物理錯題庫的建設與使用中發揮了巨大的輔助和支持作用，解放了師生的低效“勞動”，提高了錯題庫建設和使用效能。

關鍵詞

人工智能? 物理錯題庫? 錯題本

物理教學中產生的錯題資源是一筆寶貴的財富，對錯題資源的收集和利用能夠顯著提升物理教學質量。隨著經濟和科技的發展進步，人類已經步入信息時代和人工智能時代。 2017年國務院發布了《新一代人工智能發展規劃》，在規劃中著重強調了將人工智能應用于教育領域的重要性[1]。智能時代的到來使教學發生了改變，創建了智能化教學生態圖景，人工智能將為學習者獲取信息、學習知識、進行實踐操作等帶來便利[2]。基于人工智能的物理錯題庫建設與使用成為現實。

一、基于人工智能的物理錯題庫建設

1.教師的物理共性錯題庫建設

錯題庫是共性和個性錯題資源統一的產物，物理教師面對全班授課，必須抓住學生的共性錯題，構建反映班級整體物理錯題情況的共性錯題庫。

（1）選題。選題是錯題庫建設的首要和關鍵環節。選題在目標上要把握共性的原則。一般來說，該題班級正確率低于80%可以視為共性錯題，便可以將執行標準交給人工智能。選題在策略上要遵循分層的原則。即所有入選的錯題均要標簽化，將共性錯題區分為難、中、易三個等級并打上數字標簽。標簽化的過程，不是教師主觀上的臆斷，而是根據歷次考試各個錯題及相似題的錯誤率大數據，由人工智能進行客觀“學習”和判斷，通過智能算法，區分錯題的難度等級。選題在方法上，按題目來源有不同的側重。進入共性錯題庫的物理錯題主要有三種來源，包括課中練習的錯題、課外作業的錯題、各種考試的錯題。

（2）建庫。傳統模式下，教師主要建立線下WORD文檔為主的非在線物理錯題庫，內容只有靜態圖文，單一且不方便調用。人工智能模式下，物理共性錯題庫的建庫環節有以下優勢：其一，錯題庫存儲在云端，避免線下存儲導致的丟失。其二，錯題庫自動按照教材單元知識章節編排，無須教師手工整理。其三，錯題庫錯題能自動匹配上高度相關的變式題，能基于計算機的邏輯原理，形成與錯題庫相映射的變式題庫，變式題庫中的變式題具有難度標簽，能自動區分出不同的難度。其四，錯題庫的錯題能自動匹配相關的知識點剖析、音視頻講解、虛擬實驗、知識圖譜定位等資源。其五，錯題庫可以根據學生期末或中考前復習的需要，智能地打破單元知識章節的分類編排，按照物理思想方法、題型等專題進行錯題分類。

（3）動態管理。傳統的物理錯題庫的管理，例如共性錯題的移除、增添都依靠教師主觀經驗，且要逐題找尋，事倍功半。人工智能環境下，錯題庫的管理能夠基于每次考試大數據進行智能分析，實現共性錯題的智能化、精準化移除和增加。

2.學生的物理個性錯題庫建設

學生的物理個性錯題庫是學生錯題本的升級版。人工智能環境下，學生物理個性錯題庫建設和前述教師共性錯題庫建設步驟相似，但也有四點不同。

（1）錯題的結構化處理。選題入庫后，學生要對錯題進行結構化處理，包括錯因、錯解、反思與改進措施、考點分析等。對于錯因和考點，人工智能軟件會協助學生將其貼上電子標簽、解析出知識點。對于錯解和反思等主觀內容，人工智能會采用圖像識別技術，將其錄入錯題數據庫進行結構化關聯。

（2）錯題庫錯題的選擇標準。選入個性錯題庫的錯題要合適、有質量。以八下第九章“壓強”物理單元為例，主要選兩類錯題，一是知識點不清，例如壓強和壓力概念的區別理解不清，二是答題方法不明，例如壓強公式解題方法沒掌握。人工智能會根據物理教師輸入的錯因分類表，協助學生篩選錯題。對于壓強題目審題不清、書寫表達不規范和粗心計算錯誤等類型錯題，則不予入選，但也進行數字存檔，人工智能會對這些錯題進行標記，并推送同類題到學生端，如果這些錯因多次出現，則入選到錯題庫。

（3）錯題庫錯題的審核。每個學生物理學力、基礎都呈現出不同的層次，讓所有學生將不同難度的所有錯題選入錯題庫并不現實。人工智能會根據學生近期幾次物理測試成績，自動分析學生所處的物理學習層次，并標記錯題難度。學生選題入庫時，人工智能會進行個性化審核，對難度過高的錯題不予入選。

（4）錯題庫數據的運用。人工智能依據學生錯題庫數據關聯形成學生個性化知識圖譜，準確定位學生的知識紕漏、解題方法薄弱點，基于錯題，匹配動態的個性化自適應學習方案。

二、基于人工智能的物理錯題庫的使用

1.物理共性錯題庫的使用

物理共性錯題庫的使用涵蓋教師備課、上課、課后輔導、試卷命制等諸多方面，主要方面有以下三點。

（1）融入新課教學。人工智能環境下，物理新授課對錯題庫資源的使用主要包括兩個方面：其一，促進精準教學的實現。以“浮力”教學為例，傳統模式下，教師需手工處理學生前測試題，根據大概的經驗確定共性的錯誤資源融入新授課。智能模式下，學生的前測共性錯題率可以由智能軟件自動統計，并與往年“浮力”錯題庫中錯題進行智能比對，形成更為精準的共性錯誤推送給教師端，然后融入新授課，提高教學的精準度。其二，錯題難度智能調整，注重生成性。傳統模式下，教師只是把“浮力”章節的典型共性錯題插入課件中供學生當堂練習，至于該錯題難度如何、學生當堂練習效果如何，課堂中教師則缺乏即時應變，缺乏生成性和實效性。智能模式下，學生當堂練習共性錯題后，即刻形成錯誤率的班級大數據，如果難度過低，則系統自動推送同類型更高難度的題給學生當堂訓練，反之亦然。如果難度合適，但錯誤率高，系統也會自動推送同樣難度的同類題，讓學生當堂訓練和鞏固。

（2）融入習題課和復習課教學。物理習題課主要指新授課之后，針對家庭作業共性錯題的習題講評和鞏固訓練。物理復習課包括單元復習課、試卷講評課、錯題專題復習課等課型。人工智能環境下，物理錯題庫融入習題課和復習課教學，主要有三個特點：第一，錯題深度講解。無論是習題課還是復習課，都涉及錯題講解，傳統的錯題講解主要由教師采用講授法完成，形式單調枯燥，習題背景知識講解常常不清楚。基于人工智能的錯題講解，能夠借助“百度智能音箱”等物聯網語音交互技術，隨時智能調用錯題庫中該題幾種典型的錯誤解法、相關知識點的音視頻解析、錯題涉及的必要的背景知識等，形成錯題講解的全方位資源調用。第二，提升高階的解題能力。高階解題能力的形成包括錯題變式訓練、一題多解、一解多題。傳統模式下，教師搜尋錯題的變式題、尋找一解對應的難度合適的“多題”非常費力，課堂上也無法及時應對變化的學情。人工智能模式下，錯題庫能夠自動匹配高質量的變式題，推送一題的多種解法、一解的多種同類題，供習題課和復習課上動態使用，極大地提高錯題糾正的效率。第三，錯題庫智能生成共性的單元知識圖譜，精準呈現共性錯誤點和班級物理學習的薄弱點，供教師針對性地生成后續改進的教學方案。基于共性錯題的知識圖譜主要應用在復習課和試卷講評課中，以“壓強”單元為例，知識圖譜以大概念為核心，呈現“壓力作用效果——壓強”這個大概念統攝下的固體壓強、液體壓強、氣體壓強和流體壓強的清晰結構，每個知識點下掛鉤相應的壓強共性錯題、錯因、情境、人文價值或生活應用、方法、技能以及重點題型，形成知識網鏈。人工智能軟件則根據班級學生本單元所有錯題數據，通過智能算法，形成班級學生共性的壓強單元知識圖譜，定位班級學生整體所處位置，規劃后續本單元的彌補性學習路徑。

（3）用于命制測試卷。測試卷包括單元測試、月考、錯題專題測試、期中考試等類型，將學生物理學習歷史中形成的錯題及相關同類變式題融入測試卷中，能夠診斷教學質量，糾正學生累積的錯誤，具有重要的形成性評價價值。傳統模式下，命制測試卷時，教師受制于自身經驗、水平和精力，錯題類型、難度、數量、比例往往不易控制，試卷對錯題的使用質量不高。人工智能模式下，物理錯題庫中的錯題經過大數據的“實證”，其難度被打上了客觀且精確的標記，錯題關聯的變式題庫也精準、全面，錯題本身的錯因錯解也全部在錯題庫中，人工智能能夠依據教師的命題范圍、難度、信度、效度要求智能組卷，教師再進行人工審核修改，極大地提升了教師命制測試卷的質量，大大節省了試卷研制時間。

2.物理個性錯題庫的使用

（1）日常錯題復習。這是物理個性化錯題庫使用的主要方面。學生的日常錯題復習包括錯題整理、做題鞏固、復習記憶三個方面。其一，錯題整理方面，學生在人工智能的向導性支持下，利用手機或平板電腦，將物理錯題庫中的錯題進行程序化的處理，比如錯因分析、錯解拍照留存、正確解法總結、反思與措施、一題多解挖掘等。過程中，學生可以手寫拍照上傳錯題庫，人工智能給予智能識別留存。對于不懂的錯題，錯題庫會智能推送錯題的音視頻講解，有條件的學生甚至可以利用智能機器人、AR和VR技術（部分學生家庭已具備），將“最近發展區”內的錯題還原到知識點的圖文聲像全景場景中分析、訓練、整理，提高認知理解力。其二，做題鞏固方面，錯題庫會綜合參考學生整理的錯題、錯因、錯解幾個要素，智能推送幾道同類、同難度的變式題，為了照顧學生看紙質試題的習慣以及保護視力，學生可用錯題庫關聯的打印機將題目打印出來，在紙質實體上完成。典型錯題整理的內容和變式題均可以打印出來，放入紙質活頁錯題本中，方便復習。其三，復習記憶方面，艾賓浩斯遺忘曲線理論指出，在完全掌握知識點之后的24小時，48小時，144小時（6天），720小時（30天）是最容易產生遺忘的時間，如果在這些時間點上進行及時地復習，一個月后學生能對學習有較高的保持率。錯題屬于學生知識技能上的薄弱點，更應遵循遺忘規律。將遺忘曲線理論和具體規律導入人工智能系統，系統可以在學生整理錯題后的上述4次時間節點，自動用手機鬧鈴或物聯網鬧鐘提醒學生復習，系統會根據該錯題背后涵蓋的知識點向學生提問互動，還會自動推送同類題給學生測試，直到通過為止。

（2）單元體系化復習。錯題雖然表征學生學習的漏洞和弱點，但具有碎片化的劣勢。良好的物理學習者，應該具有大概念統攝的、系統化的、相對完備的單元物理知識結構體系，更進一步，還須有知識結構體系關聯映射的物理方法、思想、解題技能和解題模型。學生學完一個單元后，人工智能系統會根據學生個性錯題庫中本單元所有錯題數據，生成與前述共性知識圖譜不同的個性化知識圖譜——雖然同樣是統攝于大概念之下，但圖譜中學生個體的錯誤點、薄弱點會被標記和凸顯，系統會據此給學生本單元的物理學習進行畫像，然后智能推送彌補性錯題和薄弱知識點的矯正性學習方案。

（3）專題化歸類復習。專題化歸類復習，意指按力、熱、光、電等結構化知識版塊進行的復習，也指按選擇題、實驗題、計算題等題型進行的復習，還可以是按控制變量法、轉換法、理想推理法等物理思想方法進行的復習。專題化的歸類復習，是單元體系化復習的進階，是期末考、中考復習的必然路徑。傳統模式下，學生錯題本易丟失，歷史錯題殘缺不全，基于專題的錯題復習效果不佳，容易陷入“題海戰術”。人工智能模式下，學生的物理個性錯題庫在云端長久保存，學生復習時，只需通過語音或文字與智慧軟件交互，個性錯題庫就會將學生錯題自動按專題進行分類，并推送相關變式題，學生只需打印出來訓練即可，十分方便。

人工智能與教育的深度結合是未來教育發展的必然趨勢。基于人工智能的物理錯題庫建設和使用，不僅提高了物理教師的工作效率、提高了學生的學習效率，而且在本質上形成了對物理錯題的深度開發。另外，智能化的錯題庫是對學生錯題本和教師錯題文檔的升級，使課前、課中、課后一體化的糾錯教學成為可能，同時也打通了錯題庫和智慧課堂系統、學科總題庫的壁壘，使協同教學成為現實。

參考文獻

[1] 中華人民共和國國務院.國務院關于印發新一代人工智能發展規劃的通知[EB/OL].http：//www.gov.cn/zhengce/content/2017-07/20/ content_5211996.html.

[2] 邢思珍.數字化時代中小學課堂教學的變革與堅守[J].教學與管理，2017（36）：77-79.【責任編輯? ?孫曉雯】