人工智能技術賦能英語與茶文化教學融合方法分析

姜 滿，陸逸菲，張玥娟

（1.遼寧現代服務職業技術學院，遼寧 沈陽 110031；2.東北大學外語學院，遼寧 沈陽 110031；3.沈陽師范大學旅游管理學院，遼寧 沈陽 110031）

1 茶文化國際教育推廣的目的

茶是中國人招待朋友最好的媒介，推廣茶文化項目可促進開放，推進國際文化交流。吟風聽雨，閱字溫茶，在全世界以茶會友，通過茶可將中國數千年歷史和文化彰顯出來。茶文化通過交流能夠跨越國界成為人類文明的共同文化精神財富，了解中國茶的知識和文化是全球學生學習中國文化的實際需求。茶文化教育對于當代青年人來說是一門重要的文化課程。通過學習可以增強學生對中國傳統文化的熱愛，有助于學生修身養性，提高審美情趣，拓展自身知識結構，豐富校園生活[1]。中國茶伴隨著中華文化不斷對外傳播，對世界人民的飲食結構、經濟發展、文化禮儀及語言、文學等方面產生了深刻影響，對世界文明發展做出了重要貢獻。因此，茶文化教育在當代教學中有承擔自身傳承和對外推廣的目標與使命。

2 茶文化英語教學方法探索的重要意義

茶文化英語教學方法探索的重要意義在于提高英語教學的實用性、趣味性和文化內涵[2]。同時，中國茶文化作為中國傳統文化的重要組成部分，茶文化的特點更適合作為教育載體，其包含著物質文化、精神文化、制度文化、行為文化等多種要素，傳承了中國文化的獨特魅力。大學英語教學的過程中，重視對高校學生英語語言運用能力以及跨文化交際能力的培養，將茶文化的滲透作為切入點，將單純的語言學習拓展到文化交流的領域，能夠切實推動大學英語教學改革向縱深方向發展。

3 人工智能時代教育融合發展取向分析

人工智能時代教育融合發展取向，主要是以人工智能技術為基礎，通過教育融合的方式，實現更好的教育目標和效果。當下學生的個體化差異化越來越明顯，根據學生年齡、性別、年級、專業等因素的不同，學生學習知識的興趣點和接受程度也存在差異[3]。如學生的興趣點高，學習意愿強，接受知識就比較容易。根據學生學習能力和學習興趣采取有針對性的教學，改善傳統的一刀切教學模式，能有效提高教育公平性。人工智能可根據學生特點的不同制定科學的教學方法，為教學融合發展提供科學導向作用。

4 人工智能提高英語與茶文化科學融合的實現方案

4.1 茶文化與英語教學融合輸入數據采集

數據分析是獲取、探索、清理、轉換和建模數據的過程，以發現有用的信息并呈現結果[4-7]。數據分析是檢查和建模大量不同格式數據的過程。

我們將學生按照類別進行分類，并對不同類別學生采用爬蟲等技術獲取數據進行分析，分析的數據包含多維的茶類相關知識，并形成數據集（包括來自不同來源的結構化和非結構化數據集），通過對數據集的預處理發現有用信息[8、9]，對大量數據形成的數據集進行計算的預測模型主要有兩個問題待解決。一是將數據集進行分解存儲到不同位置，然后對存儲的數據進行分析，用來發現有用的隱性信息。二是提供一個平臺，該平臺可以將大量非結構化數據轉換為結構化數據，用來決策茶文化和英語教學融合的方案。本文通過對學生性別、受教育程度和文理分科等不同因素的學生進行分類，并通過調查問卷等形式獲取數據作為訓練樣本，將所屬類別中高頻詞匯作為輸入層的屬性x1，學生類別作為輸入屬性x2，輸入到解析層。具體如圖1所示。

圖1 輸入層架構

4.2 教學融合深層神經網絡解析

深度學習是一種機器學習的分支，其目標是讓計算機模仿人類大腦的工作方式，深度學習的核心是神經網絡，它由多個神經元和層組成，通過傳遞數據并經過激活函數的處理進行特征學習，在教育行業中，深度學習技術可以用來分析和評估學生對知識的理解程度，從而確保提供的內容能夠滿足學生的需求。一個完整的神經網絡模型中需要對輸入層，隱藏層和輸出層三個部分進行計算。數據用前向傳播算法以第一個輸入節點作為起點進行前向傳播，經過隱藏節點后繼續向前移動，直至到達輸出節點。同一層的每個神經元都與所在層中的其他神經元直接關聯。一個完整的神經網絡（DNN）包含多個輸入和許多隱藏的神經元。通過對數據進行預處理后將數據分為訓練集和測試集兩個部分。整個深度神經網絡模型如圖2所示。

圖2 深度神經網絡模型（DNN）

激活函數是神經網絡中的一種非線性元件，主要作用是將輸入的數據進行轉換，使得神經網絡能夠更好地擬合復雜的非線性關系，在實際應用中，常用的激活函數有：sigmoid、tanh、ReLU 和 Softmax 等。神經元中的每個輸入都有權重，輸入值x0乘以每個輸入到神經元的權重W1，與激活函數相加并對其再進行一次激活運算得到輸出函數x1，在模型的隱藏層和輸出層中我們使用SoftMax作為激活函數，此外，多層神經元在整個神經元中沒有直接的驅動作用。

在輸入層我們選擇ReLU（Rectif ied Linear Unit）作為激活函數，ReLU是深度網絡學習的常用模型。與其他激活功能相比ReLU的可以更輕松地優化數據。與線性函數類似，ReLU可以使模型快速收斂。公式2用于獲得第k個隱藏層的輸出。

其中W代表輸入層和隱藏層之間的權重矩陣，kx代表輸入矩陣，bk是偏差矢量，ReLU代表提出的DNN模型的激活函數。在本文中，我們使用softmax方法獲取并轉換輸出結果，以便通過使用以下等式3獲得實際值y的預測值。

4.3 茶文化與英語教學融合實施過程

我們利用DNN算法訓練和測試了所提出的預測模型。在本文中，我們使用sklearn模塊（Python庫）將數據集分為70-30的訓練和測試。因此，我們將70%的數據用于培訓目的，其余30%的實例用于測試目的。

圖3描述了DNN模型中用于英語教育與茶文化知識相融合的效果預測，在初始步驟（DNN-100）中，損耗值約為0.11，在第二步驟（DNN-300）時損耗逐漸減小，深度學習模型在300層產生了一個更低的錯誤率為0.00513，在模型學習達到500層深度時錯誤率實現了0.00257的超低錯誤率（損失值），證明在模型深度達到500時學習效果最佳，超過500則會出現過擬合現象，這表明DNN模型在學習深度為500時（DNN-500）產生了最優的預測結果。

圖3 教育融合預測中的DNN模型在訓練中的損失

5 茶文化與英語教學融合深度網絡模型性能測試

為從多維度測試茶文化與英語教學融合網絡模型的魯棒性，本文針對不同的回歸問題，采用了不同的績效指標進行績效評估，以便于我們使用這些統計評估方法來確定模型的有效性，例如均方誤差（MSE）、均值絕對誤差（MAE）和均方根誤差（RMSE）等。表1用于根據MAE、MSE和RMSE總結所實現算法的性能。

表1 深度神經網絡算法的統計性評估

6 結束語

在python環境下對樣本進行試驗，得出男生大多對茶的中西方文化差異、歷史發展等所獲得的分值較高，女生多對茶的禮儀文化等所獲得的分值較高。文科專業學生對深層次的茶類知識的了解和學習接受能力比理科專業學生更高，更適合將茶文化課程融入到英語學習中。這與我們的常規認知相符。通過模型預測可知，理工專業男生對茶道、品茶、茶藝等引入英語教材的興趣呈上升趨勢，進一步證明了科技和文化之間的互動已經被越來越多人喜愛和重視。另外，將茶文化引入英語教學有助于我國傳統文化國際化交流與推廣，不斷提高我國文化軟實力，這是在語言學的背景下發展茶文化英語教學的重要性。■