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(fā)展也傾向于對學(xué)習(xí)者個體信息的個性化測量，而教育數(shù)據(jù)龐大的量、復(fù)雜的結(jié)構(gòu)以及極快的增速使得傳統(tǒng)測量方法束手無策。教育測量方法應(yīng)當適應(yīng)時代發(fā)展，在相應(yīng)的技術(shù)支持下實現(xiàn)對學(xué)習(xí)者個體的個性化教育測量。深度學(xué)習(xí)技術(shù)具有優(yōu)秀的數(shù)據(jù)分類處理能力，這在教育測量領(lǐng)域?qū)l(fā)揮極大作用?；谏疃葘W(xué)習(xí)技術(shù)特點，綜合分析傳統(tǒng)測量方法的局限以及基于深度學(xué)習(xí)技術(shù)的教育測量應(yīng)用優(yōu)勢與不足，完成深度學(xué)習(xí)技術(shù)在教育測量領(lǐng)域的應(yīng)用綜述，并給出深度學(xué)習(xí)促進教育測量個性化發(fā)展的建議。

關(guān)鍵詞：人工智能;個性化教育;深度學(xué)習(xí);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(yè)不斷發(fā)展的今天，研究者們希望利用數(shù)據(jù)分析技術(shù)實現(xiàn)“個性化”以達到優(yōu)化教學(xué)質(zhì)量的目的。實現(xiàn)“個性化”首先需要教育者對學(xué)習(xí)者的先驗數(shù)據(jù)有一個系統(tǒng)的教育測量，而當前能夠基于數(shù)據(jù)以實現(xiàn)個性化為目的的教育測量基本上可以總結(jié)為兩種方法。一種是基于協(xié)同過濾技術(shù)的教育測量方法，一個基本假設(shè)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(quán)考慮近鄰用戶的興趣偏好值，并預(yù)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(xué)習(xí)者能力建模，能夠測量學(xué)習(xí)者知識點掌握程度。但是，教育系統(tǒng)作為一個復(fù)雜適應(yīng)系統(tǒng)，所產(chǎn)生的教育數(shù)據(jù)因增速越來越快、體量越來越大、結(jié)構(gòu)越來越復(fù)雜正在逐步向教育大數(shù)據(jù)發(fā)生轉(zhuǎn)變。在這樣的數(shù)據(jù)環(huán)境下，傳統(tǒng)教學(xué)中教育者個體難以捕獲所有學(xué)習(xí)者的感知和行為數(shù)據(jù)，因此，其決策多由主觀經(jīng)驗驅(qū)使[3]。教育者對于學(xué)習(xí)者行為數(shù)據(jù)、心理感受以及當前知識建構(gòu)程度的測量呈明顯“有心無力”態(tài)勢。人類教育者對于學(xué)習(xí)者感知和行為數(shù)據(jù)的測量短板從源頭上導(dǎo)致了教育測量結(jié)果的偏差。

這種數(shù)據(jù)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(shù)據(jù)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(xiàn)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(fā)布了《人工智能標準化白皮書（2018版）》。這表明從國家頂層設(shè)計上，人工智能已經(jīng)作為一項基礎(chǔ)技術(shù)，逐步滲透至各行各業(yè)，并助力傳統(tǒng)行業(yè)實現(xiàn)跨越式升級，提升行業(yè)效率[5]。其中針對個性化教育測量問題，深度學(xué)習(xí)可以處理大量多維度信息，可實現(xiàn)實時觀測學(xué)習(xí)者課堂表情[6]等教育數(shù)據(jù)，為教育者完善教育評價提供量化依據(jù)。

綜上，為了認清深度學(xué)習(xí)對教育測量的積極作用，助力個性化教育實現(xiàn)，本文將通過文獻分析法厘清深度學(xué)習(xí)的數(shù)據(jù)處理原理，剖析傳統(tǒng)教育測量方法暴露出的不足，從而挖掘出深度學(xué)習(xí)具體能夠在哪些方面為教育測量提供技術(shù)支持。從這3個方面，可以對深度學(xué)習(xí)與教育測量相結(jié)合進行研究，分析當前深度學(xué)習(xí)應(yīng)用于教育測量的問題與局限，從而就深度學(xué)習(xí)促進教育測量個性化發(fā)展給出建議。

1 核心概念界定與分析

1.1 深度學(xué)習(xí)

1.1.1 深度學(xué)習(xí)定義

研究者對深度學(xué)的定義理解有幾個不同的出發(fā)點。陳德鑫等[7]認為深度學(xué)習(xí)具備擬合任何復(fù)雜函數(shù)的特點，不同的神經(jīng)網(wǎng)絡(luò)模型可以對不同類型的數(shù)據(jù)進行特征提取，使得深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)有更強的識別能力;王書培[8]認為深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)研究，其通過組合低層屬性形成更加抽象的高層特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

本文認為從深度學(xué)習(xí)技術(shù)的應(yīng)用目的出發(fā)，抓住其相對于傳統(tǒng)數(shù)據(jù)計算與分類技術(shù)的獨有特征，以提高人們對深度學(xué)習(xí)概念理解的針對性。本文認為，深度學(xué)習(xí)是一種深層的機器學(xué)習(xí)模型，其深度體現(xiàn)在對特征的多次變換上，常用的深度學(xué)習(xí)模型為多層神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(tǒng)數(shù)據(jù)分類技術(shù)的“淺層變換”而存在，其通過增加模型層次數(shù)量為多次數(shù)據(jù)特征的變換提供環(huán)境支持，從而為實現(xiàn)數(shù)據(jù)自動分類提供可能性?！胺蔷€性映射”體現(xiàn)在數(shù)據(jù)特征的變換上，傳統(tǒng)數(shù)據(jù)分類技術(shù)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(jié)果精確度不足，而深度學(xué)習(xí)在深層次神經(jīng)網(wǎng)絡(luò)中采用“非線性映射”特征實現(xiàn)數(shù)據(jù)特征變換，使得數(shù)據(jù)的分類特征能自動達到十分抽象的程度。

因此，深度學(xué)習(xí)相較于以往的數(shù)據(jù)分類技術(shù)在數(shù)據(jù)分類能力上更進一步，它通過多層網(wǎng)絡(luò)結(jié)構(gòu)上的多次非線性映射便能夠?qū)崿F(xiàn)數(shù)據(jù)特征的自動化分類，極大提高了分類精確程度，優(yōu)化了數(shù)據(jù)分類技術(shù)。在大數(shù)據(jù)時代，教育系統(tǒng)作為一個復(fù)雜適應(yīng)系統(tǒng)會產(chǎn)生體量極大且具有非線性內(nèi)部結(jié)構(gòu)的教育大數(shù)據(jù)，深度學(xué)習(xí)超越傳統(tǒng)技術(shù)，能夠多維度、高精度、自動化地支持教育數(shù)據(jù)的分析計算，完成人類教育者無法完成的教育數(shù)據(jù)測量工作。

1.1.2 深度學(xué)習(xí)發(fā)展進程

深度學(xué)習(xí)的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，其發(fā)展經(jīng)歷了3次大的起伏。

20世紀40～50年代，人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)研究的第二次發(fā)展高潮，期間誕生的反向傳播 （Back-Propagation，BP） 算法被應(yīng)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，解決了多層感知器無法訓(xùn)練的問題，從而使神經(jīng)網(wǎng)絡(luò)具有了非線性表示能力[10]，以BP算法訓(xùn)練的多層感知器 （Multi-Layer Perceptron，MLP）成為最成功的神經(jīng)網(wǎng)絡(luò)模型[11]。從此，對于數(shù)據(jù)的非線性表示能力成為深度學(xué)習(xí)不可或缺的一大特征。但是，當時人工神經(jīng)網(wǎng)絡(luò)的兩個致命缺陷使其快速跌入發(fā)展低谷。第一個問題是算法本身，雖然在BP算法訓(xùn)練下，多層神經(jīng)網(wǎng)絡(luò)的非線性表示能力導(dǎo)致參數(shù)解空間中存在大量局部極值，使用梯度下降法進行訓(xùn)練很容易產(chǎn)生局部極小值，導(dǎo)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(guān)，但在理論上，神經(jīng)網(wǎng)絡(luò)設(shè)置大量的層數(shù)以提高非線性表示能力，導(dǎo)致多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度會因為層數(shù)的增加使得函數(shù)參數(shù)的調(diào)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(wǎng)絡(luò) （Deep Belief Network，DBN） 誕生并將神經(jīng)網(wǎng)絡(luò)重新帶進人們的視野，之后幾年中，深度神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，隨后人們將其稱為“深度學(xué)習(xí)”。深度學(xué)習(xí)的這一大發(fā)展被人們稱作人工智能的第3次熱潮。目前，隨著網(wǎng)絡(luò)數(shù)據(jù)量的劇增，深度學(xué)習(xí)獲得了前所未有的發(fā)展環(huán)境，使得各行各業(yè)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(guān)于教育測量與評價的定義為：在系統(tǒng)、科學(xué)、全面地搜集、整理、處理和分析教育信息的基礎(chǔ)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(zhì)量[12]。布魯姆[13]認為評價是一種反饋—矯正系統(tǒng)，及時反饋教育信息，便于調(diào)整和作出更好的教育決策。而“系統(tǒng)、科學(xué)、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(jù)一定的法則（標準）用數(shù)值描述教育領(lǐng)域內(nèi)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(guān)事物以數(shù)的形式展現(xiàn)出來，為教育價值的判斷提供事實依據(jù)[15]。但是，當前教育數(shù)據(jù)從體量大小、結(jié)構(gòu)復(fù)雜程度、變化增速等方面分析，已經(jīng)不允許教育者花費大量成本從學(xué)習(xí)者個別實際情況出發(fā)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(tǒng)教育測評方法的不足

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

（1）傳統(tǒng)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(tǒng)教育測量方法存在以下局限：首先，傳統(tǒng)教育測量對數(shù)據(jù)的分類維度不夠完善，無法盡可能完整地描述學(xué)習(xí)者在學(xué)習(xí)各方面的建構(gòu)情況;其次，傳統(tǒng)教育測量各維度的數(shù)據(jù)分類處理不夠準確;最后，傳統(tǒng)教育測量的數(shù)據(jù)測量與處理速度無法和教育數(shù)據(jù)的增速相匹配。需要能夠適應(yīng)當前教育數(shù)據(jù)增速的數(shù)據(jù)處理技術(shù)，以保證教育測量時效性，降低由于數(shù)據(jù)過時而導(dǎo)致的教育測評誤差。

（2）傳統(tǒng)教育測評缺乏以學(xué)習(xí)者為中心的教學(xué)環(huán)境。傳統(tǒng)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(quán)威，學(xué)習(xí)者處于被動狀態(tài)，缺乏教學(xué)數(shù)據(jù)的輸出，使得教育測量難以實施。而以學(xué)習(xí)者為中心的教學(xué)環(huán)境具有能夠激發(fā)學(xué)習(xí)者主動性的特點，在這樣的教育環(huán)境中，學(xué)習(xí)者通過自主探索建構(gòu)知識圖式，為自身全面發(fā)展打下基礎(chǔ)。在以學(xué)習(xí)者為中心的教育環(huán)境中，學(xué)習(xí)者擁有更多展現(xiàn)自己的機會，這無疑使得教育測量的數(shù)據(jù)來源更加完整。

2 深度學(xué)習(xí)對教育測評的促進作用

2.1 深度學(xué)習(xí)助力教育數(shù)據(jù)分類維度抽象化

深度學(xué)習(xí)能為教育測評提供強大的技術(shù)支持。首先，這一強大助力主要體現(xiàn)在教育數(shù)據(jù)測量維度上，輸入數(shù)據(jù)能夠在深度學(xué)習(xí)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(xué)習(xí)模型每一層上的非線性映射為抽象化數(shù)據(jù)特征分類維度提供了技術(shù)可能，加之深度學(xué)習(xí)設(shè)定的多層次模型結(jié)構(gòu)，使得數(shù)據(jù)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(xué)習(xí)強化教育數(shù)據(jù)測量與處理速度

教育數(shù)據(jù)不僅結(jié)構(gòu)復(fù)雜，其數(shù)據(jù)增速也在教育數(shù)據(jù)的測量與處理上給教育者帶來了巨大壓力。計算機技術(shù)從發(fā)明之初就以其強大的數(shù)據(jù)計算能力與人類拉開差距，而到了大數(shù)據(jù)時代，這一優(yōu)勢更加明顯。因此，深度學(xué)習(xí)在以其強大的數(shù)據(jù)維度抽象能力完成教育數(shù)據(jù)維度測量任務(wù)的同時，在數(shù)據(jù)處理速度與計算精度上也具有突出優(yōu)勢，能夠提高教育數(shù)據(jù)分析處理速度，并以其超強的計算能力完成數(shù)據(jù)計算的準確測量。

2.3 深度學(xué)習(xí)促進教育數(shù)據(jù)測量與處理向智能化發(fā)展

深度學(xué)習(xí)能夠通過其自動化數(shù)據(jù)分析處理能力促進教育測評智能化。傳統(tǒng)數(shù)據(jù)處理技術(shù)依賴于大量的數(shù)據(jù)上游處理，教育者在教育數(shù)據(jù)處理方面的參與度很高，使得大部分重復(fù)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(shù)據(jù)處理工作時，受精神狀態(tài)、情緒等主觀因素的影響可能產(chǎn)生不必要的誤差。而深度學(xué)習(xí)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(shù)據(jù)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(shù)據(jù)量不足

數(shù)據(jù)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(tài)適應(yīng)”效率很低，導(dǎo)致教育實踐缺乏方向，這部分數(shù)據(jù)發(fā)生時間短、變化速度快、測量難度很大。同時，一部分數(shù)據(jù)需要長時間記錄以綜合分析學(xué)習(xí)者學(xué)習(xí)狀態(tài)，數(shù)據(jù)獲取在時間上的持續(xù)性會極大提高數(shù)據(jù)獲取難度。

3.2 數(shù)據(jù)類型不足

深度學(xué)習(xí)能夠?qū)崿F(xiàn)數(shù)據(jù)非線性映射以抽象化數(shù)據(jù)分類，但是這樣的算法機制要求獲取的數(shù)據(jù)類型豐富，數(shù)據(jù)測量維度相對單一會導(dǎo)致測量結(jié)果出現(xiàn)偏差甚至失誤，影響教育評價結(jié)果。因此，教育大數(shù)據(jù)獲取維度是目前有待解決的一大難題。

3.3 學(xué)習(xí)者隱私難以保護

在獲取實際測量數(shù)據(jù)時，為了數(shù)據(jù)的完整性，操作者往往難以把控數(shù)據(jù)搜集程度與范圍的度，可能會造成對學(xué)習(xí)者學(xué)習(xí)生活的隱私侵犯。學(xué)習(xí)者在生活、學(xué)習(xí)中的一些行為表現(xiàn)的確或多或少能夠反映出對其學(xué)習(xí)效果的影響，但是實時監(jiān)控這一過程可能并不能將這一“影響”往積極面引導(dǎo)。學(xué)習(xí)者在被監(jiān)控狀態(tài)下的行為會與真實的內(nèi)在建構(gòu)狀態(tài)斷鏈，甚至產(chǎn)生抵觸。因此，通過實時監(jiān)控學(xué)習(xí)者行為為教育測量提供數(shù)據(jù)來源的方法存在南轅北轍的風(fēng)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(shù)據(jù)測量上存在桎梏，但在教育評價方面具有教育認知的優(yōu)勢，可以更全面地對學(xué)習(xí)者的問題進行綜合分析和診斷，并從教育、心理、人的全面發(fā)展角度提出更具指導(dǎo)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(guān)鍵。

4 發(fā)展建議

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

4.1 深度學(xué)習(xí)可通過優(yōu)化教育測量促進個性化教學(xué)發(fā)展

以深度學(xué)習(xí)為核心驅(qū)動力的智能化教育測量能夠全方位捕獲表征學(xué)習(xí)者特征的情感、身體狀態(tài)、行為以及學(xué)習(xí)過程性數(shù)據(jù)，并借助相關(guān)模型（如學(xué)習(xí)者模型、教學(xué)模型等）轉(zhuǎn)換成描述學(xué)習(xí)者在各狀態(tài)上的得分，然后整合成報告形式呈現(xiàn)給教育者[6]，以人機協(xié)同模式共同促進學(xué)習(xí)者進行更加有意義的學(xué)習(xí)。

因此，教育者可以通過深度學(xué)習(xí)優(yōu)化教育測量，用以獲取學(xué)習(xí)者在完整學(xué)習(xí)過程中的各項教育數(shù)據(jù)。教育者能夠從中分析出學(xué)習(xí)者在堂課上的專注力、平時學(xué)習(xí)習(xí)慣等影響學(xué)習(xí)者知識建構(gòu)的相關(guān)數(shù)據(jù)，以及隨著課堂教學(xué)進行而發(fā)生的數(shù)據(jù)變化，以此更加精確、合理、即時地獲取學(xué)習(xí)者對課堂的真實反饋數(shù)據(jù)。加之，學(xué)習(xí)者的個體數(shù)據(jù)近乎完整地得到分析，從而實現(xiàn)了學(xué)習(xí)者的個性化診斷，為個性化教育奠定了良好基礎(chǔ)。因此，教育者可以根據(jù)反饋數(shù)據(jù)更加精確地實施個性化教學(xué)。

4.2 深度學(xué)習(xí)可通過優(yōu)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(yù)想的精確診斷和強針對性的干預(yù)，而是師生相互動態(tài)適應(yīng)的過程[16]”。教學(xué)技能成熟的教育者在與學(xué)習(xí)者接觸之初，就已經(jīng)開始通過使用問題拋出、概念描述等引發(fā)學(xué)習(xí)者思考、交流的教學(xué)方法與策略來獲取學(xué)習(xí)者的先前經(jīng)驗，這是一個不斷試錯的過程，而且遺憾的是目前并沒有發(fā)現(xiàn)存在一個能維持長時間固定不變的規(guī)則來規(guī)范對于學(xué)習(xí)者先驗的獲取方式。教育者在通過“動態(tài)交互”獲取學(xué)習(xí)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(xué)習(xí)技術(shù)為教育者對學(xué)習(xí)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(xué)習(xí)在數(shù)據(jù)處理速度、維度方面的突出優(yōu)勢，對于實現(xiàn)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(yōu)勢，應(yīng)用智能化教育測量精確診斷不同學(xué)習(xí)個體的具體認知狀態(tài)，減輕大部分教育者的負擔(dān)。

綜上可以看出，能夠測量師生之間的“動態(tài)適應(yīng)”是改進教育測量的關(guān)鍵，通過深度學(xué)習(xí)的加持，實現(xiàn)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(yōu)勢也無疑為教育測量發(fā)展以及深度學(xué)習(xí)等相關(guān)人工智能技術(shù)在教育測量方面的應(yīng)用研究指明了方向。

5 結(jié)語

傳統(tǒng)教育測量方法面對龐大的數(shù)據(jù)量暴露出多項短板，在實現(xiàn)教育測量個性化上也未能作出突出貢獻。而深度學(xué)習(xí)能夠避免大量的上游處理工作，實現(xiàn)將龐大且結(jié)構(gòu)復(fù)雜的教育數(shù)據(jù)通過多個節(jié)點輸入，經(jīng)過多層非線性映射極度抽象化分類維度并提高數(shù)據(jù)處理精度，從而實現(xiàn)數(shù)據(jù)自動分類處理，其相較于傳統(tǒng)計算機分類技術(shù)所體現(xiàn)出來的優(yōu)勢，顯然能夠在體量越來越大、結(jié)構(gòu)越來越復(fù)雜的教育數(shù)據(jù)分析中大有作為。

參考文獻：

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

[2]夏培勇. 個性化推薦技術(shù)中的協(xié)同過濾算法研究[D]. 青島：中國海洋大學(xué)，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(fā)展智能醫(yī)療新紀元[J]. 中國數(shù)字醫(yī)學(xué)，2019，14（3）：2.

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

[6]余勝泉，王琦. “AI+教師”的協(xié)作路徑發(fā)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(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J]. 電化教育研究，2019，40（2）：68-76.

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

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

[10]曹植珺. 機器學(xué)習(xí)在船舶流體力學(xué)中的應(yīng)用綜述[C]. 武漢地區(qū)船舶與海洋工程研究生學(xué)術(shù)論壇，2019.

[11]胡越，羅東陽，花奎，等. 關(guān)于深度學(xué)習(xí)的綜述與討論[J]. 智能系統(tǒng)學(xué)報，2019，14（1）：1-19.

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

[13]徐千慧. 真實性評價在創(chuàng)客教育中的應(yīng)用研究[D]. 深圳：深圳大學(xué)，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(xué)教育研究，2005（6）：38-43.

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

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

（責(zé)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(xué)教育科學(xué)學(xué)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(xué)教育科學(xué)學(xué)院副教授、碩士生導(dǎo)師，研究方向為信息化教育、人工智能及其教育應(yīng)用。