摘 要：人工智能技術(shù)迅猛發(fā)展使其在教育領(lǐng)域的應(yīng)用日益廣泛。由于班級(jí)人數(shù)眾多，教師很難針對(duì)每個(gè)學(xué)生的具體情況提供個(gè)性化的指導(dǎo)和反饋。因此，本文設(shè)計(jì)了一個(gè)基于人工智能的大學(xué)英語教學(xué)系統(tǒng)，以提高教學(xué)質(zhì)量和效率。采用先進(jìn)的機(jī)器學(xué)習(xí)算法輔助教師評(píng)估學(xué)生作業(yè)，提供個(gè)性化學(xué)習(xí)建議和自動(dòng)化的語法、發(fā)音校正功能。試驗(yàn)結(jié)果表明，該系統(tǒng)能夠在不同并發(fā)用戶數(shù)下均能保持良好的性能且不同時(shí)間節(jié)點(diǎn)的穩(wěn)定性也較好，可為高等教育領(lǐng)域的人工智能應(yīng)用提供有價(jià)值的參考。

關(guān)鍵詞：人工智能技術(shù)；大學(xué)英語；教學(xué)系統(tǒng)設(shè)計(jì)

中圖分類號(hào)：TP 399" " " " " 文獻(xiàn)標(biāo)志碼：A

在目前的教育領(lǐng)域，大學(xué)英語教學(xué)面臨著一系列挑戰(zhàn)和機(jī)遇。隨著全球化進(jìn)程加速，作為國(guó)際交流的主要語言，英語的重要性日益凸顯[1]。然而，由于教師資源有限、個(gè)性化教學(xué)難以實(shí)現(xiàn)、學(xué)習(xí)動(dòng)機(jī)和參與度不足、語法和發(fā)音糾正困難以及評(píng)估和反饋效率低下等問題，傳統(tǒng)的教學(xué)模式已經(jīng)難以滿足現(xiàn)代大學(xué)生的學(xué)習(xí)需求。為了應(yīng)對(duì)這些問題，引入人工智能（AI）技術(shù)是目前較好的解決方案[2]。AI技術(shù)在語言學(xué)習(xí)應(yīng)用中的潛力已經(jīng)得到廣泛認(rèn)可。通過智能化的教學(xué)系統(tǒng)，學(xué)生可以獲得更個(gè)性化和可互動(dòng)的學(xué)習(xí)體驗(yàn)，教師也能提高教學(xué)效率，更有效地管理課堂并評(píng)估學(xué)生表現(xiàn)[3]。本文旨在探索如何通過基于人工智能技術(shù)的大學(xué)英語教學(xué)系統(tǒng)來解決這些教學(xué)難題，研究AI在提供智能輔導(dǎo)、創(chuàng)建個(gè)性化學(xué)習(xí)路徑、開發(fā)互動(dòng)學(xué)習(xí)工具、實(shí)時(shí)語言修正以及自動(dòng)化評(píng)估方面的應(yīng)用。期望利用這些技術(shù)手段提升學(xué)生的英語學(xué)習(xí)效果，激發(fā)學(xué)生的學(xué)習(xí)興趣，并減輕教師的負(fù)擔(dān)。

1 教學(xué)系統(tǒng)總框架設(shè)計(jì)

在系統(tǒng)設(shè)計(jì)階段，架構(gòu)設(shè)計(jì)是至關(guān)重要的，它定義了系統(tǒng)的組成部分和這些部分間的關(guān)系?；谌斯ぶ悄芗夹g(shù)大學(xué)英語教學(xué)系統(tǒng)的系統(tǒng)架構(gòu)設(shè)計(jì)和模塊劃分如圖1所示。

用戶界面層中，學(xué)生端界面支持學(xué)生進(jìn)行課程學(xué)習(xí)、做練習(xí)題并查看學(xué)習(xí)進(jìn)度和成績(jī)等。教師端界面使教師能夠上傳教學(xué)資料、布置作業(yè)并查看學(xué)生學(xué)習(xí)情況和成績(jī)統(tǒng)計(jì)等。在數(shù)據(jù)訪問層中，DAO（Data Access Object）組件提供通用的數(shù)據(jù)持久化操作。在數(shù)據(jù)存儲(chǔ)層中可以存儲(chǔ)個(gè)人信息和學(xué)習(xí)記錄，并存儲(chǔ)教材、視頻、音頻等教學(xué)資源，記錄用戶行為和系統(tǒng)運(yùn)行日志。AI服務(wù)層用于理解和生成自然語言、助力智能問答和寫作輔導(dǎo)、將語音、文本相互轉(zhuǎn)換并基于學(xué)生的學(xué)習(xí)習(xí)慣和表現(xiàn)推薦定制化內(nèi)容。

2 硬件設(shè)計(jì)

為了支持基于人工智能技術(shù)的大學(xué)英語教學(xué)系統(tǒng)，需要設(shè)計(jì)一個(gè)強(qiáng)大、可靠的硬件架構(gòu)。該系統(tǒng)需要部署在性能強(qiáng)大的服務(wù)器上，配備Intel Xeon Gold 6230處理器和HPE ProLiant DL380 Gen10服務(wù)器。這樣的服務(wù)器可以處理高量的并發(fā)請(qǐng)求和復(fù)雜的AI計(jì)算，并提供足夠的存儲(chǔ)空間來保存教學(xué)內(nèi)容和用戶數(shù)據(jù)。在教師工作站設(shè)計(jì)中，需要配置高性能的電腦，搭載CPU、32GB內(nèi)存以及P5000圖形卡，助力教師高效創(chuàng)建并編輯教學(xué)材料。具體的連接拓?fù)淝闆r如圖2所示。

在該系統(tǒng)設(shè)計(jì)中，網(wǎng)絡(luò)硬件也不容忽視。路由器和交換機(jī)可保證高速且穩(wěn)定的網(wǎng)絡(luò)連接。此外，無線接入點(diǎn)需要提供Wi-Fi連接，滿足教室內(nèi)的無線網(wǎng)絡(luò)需求，防火墻將為系統(tǒng)提供必要的網(wǎng)絡(luò)安全保護(hù)。除了核心硬件外，輔助設(shè)備（包括打印機(jī)、投影儀和音頻系統(tǒng)）可支持教學(xué)活動(dòng)，條碼掃描器可用于教材管理，網(wǎng)絡(luò)附加存儲(chǔ)設(shè)備可用于數(shù)據(jù)備份。

3 軟件設(shè)計(jì)

3.1 自然語言處理

在基于人工智能的大學(xué)英語教學(xué)系統(tǒng)中，自然語言處理（NLP）是核心組件之一。它用于理解和生成人類語言，使系統(tǒng)具有智能問答、自動(dòng)作文評(píng)分、語法糾正和個(gè)性化學(xué)習(xí)建議等功能。該模塊通過分詞技術(shù)將學(xué)生輸入的英文文本拆分為單詞和標(biāo)點(diǎn)符號(hào)，利用正則表達(dá)式或基于空格/標(biāo)點(diǎn)的分詞規(guī)則，把連續(xù)的文本轉(zhuǎn)換為可操作的詞匯單元。系統(tǒng)進(jìn)而進(jìn)行詞性標(biāo)注。通過應(yīng)用隱馬爾可夫模型（HMM），系統(tǒng)能夠識(shí)別每個(gè)單詞的語法角色，例如名詞、動(dòng)詞等。該步驟有助于系統(tǒng)理解句子結(jié)構(gòu)和語義內(nèi)容。在HMM中，狀態(tài)是詞性，觀測(cè)是單詞。為了進(jìn)行詞性標(biāo)注，需要準(zhǔn)備訓(xùn)練數(shù)據(jù)，這些數(shù)據(jù)通常是由句子及其對(duì)應(yīng)的詞性序列組成的。例如，一個(gè)簡(jiǎn)單的句子“The cat sat on the mat”可能會(huì)被標(biāo)注為“Det Noun Verb Det Det Noun”，其中“Det”代表冠詞，“Noun”代表名詞，“Verb”代表動(dòng)詞。在這個(gè)模型中，轉(zhuǎn)移概率用transition [i] [j]表示，是指在某個(gè)詞性i的條件下，下一個(gè)詞性是j的概率。而發(fā)射概率emission [i] [w]則是指詞性i生成某個(gè)特定單詞w的概率，通常基于訓(xùn)練數(shù)據(jù)集來估計(jì)這2個(gè)概率。通過這些概率，HMM能夠計(jì)算出給定句子中最可能的詞性序列。

此外，句法分析器使用圖表解析算法構(gòu)建句法樹，明確句子成分及其相互關(guān)系，以便系統(tǒng)能夠深入掌握并生成復(fù)雜的語句結(jié)構(gòu)。系統(tǒng)采用先進(jìn)的本體論映射技術(shù)和預(yù)訓(xùn)練模型（例如BERT）執(zhí)行深層次的語義分析，準(zhǔn)確解釋上、下文中的多義詞并提取關(guān)鍵信息。同時(shí)，情感分析功能利用支持向量機(jī)（SVM）確定文本的情感色彩，使系統(tǒng)能夠評(píng)估學(xué)生的情緒狀態(tài)，并據(jù)此提供個(gè)性化的學(xué)習(xí)材料和反饋。整個(gè)自然語言處理的過程是連貫的，每個(gè)步驟都建立在前一個(gè)步驟的基礎(chǔ)上，逐步提升系統(tǒng)對(duì)語言的理解能力，從而使它能以更自然、更有效的方式與學(xué)生互動(dòng)。

3.2 個(gè)性化學(xué)習(xí)路徑推薦

系統(tǒng)的生成組件運(yùn)用統(tǒng)計(jì)語言模型，自動(dòng)產(chǎn)生練習(xí)題或提供寫作輔助，使學(xué)生獲得實(shí)時(shí)、個(gè)性化的學(xué)習(xí)體驗(yàn)。因此，個(gè)性化學(xué)習(xí)路徑推薦是一個(gè)重要功能，可以根據(jù)學(xué)生的學(xué)習(xí)表現(xiàn)、偏好和進(jìn)度來定制、推薦學(xué)習(xí)材料和課程。系統(tǒng)通過數(shù)據(jù)收集與處理流程，并使用歸一化或標(biāo)準(zhǔn)化方法來清洗、準(zhǔn)備學(xué)生的學(xué)習(xí)數(shù)據(jù)，其歸一化如公式（1）所示。

（1）

式中：X為原始數(shù)據(jù)點(diǎn)的數(shù)值，即進(jìn)行歸一化前的實(shí)際觀測(cè)值；Xmin為原始數(shù)據(jù)集中的最小值；Xmax為原始數(shù)據(jù)集中的最大值；Xnorm為歸一化處理后的數(shù)據(jù)點(diǎn)數(shù)值，其范圍會(huì)被縮放到[0，1]。

通過計(jì)算，將不同量級(jí)的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的尺度，便于后續(xù)處理。進(jìn)而系統(tǒng)進(jìn)行學(xué)生表現(xiàn)分析，利用統(tǒng)計(jì)方法，例如均值、標(biāo)準(zhǔn)差以及聚類分析來識(shí)別學(xué)生的學(xué)習(xí)模式和能力水平。這些分析能提供深入的見解，以構(gòu)建學(xué)生的個(gè)人學(xué)習(xí)畫像。系統(tǒng)根據(jù)分析結(jié)果使用推薦算法生成個(gè)性化的學(xué)習(xí)路徑，采用協(xié)同過濾并使用余弦相似性公式來計(jì)算學(xué)生特征向量與學(xué)習(xí)材料特征向量間的相似度，從而推薦內(nèi)容。系統(tǒng)采用在線學(xué)習(xí)算法不斷優(yōu)化推薦效果，梯度下降更新規(guī)則如公式（2）所示。

θ=θ-α·ΔJ（θ） （2）

式中：θ為模型參數(shù)的向量；α為學(xué)習(xí)率（learning rate），這是一個(gè)超參數(shù)，可控制梯度下降時(shí)更新參數(shù)的步長(zhǎng)大小；ΔJ（θ）為損失函數(shù)J關(guān)于模型參數(shù)θ的梯度向量，梯度的方向?yàn)閾p失函數(shù)增加最快的方向。

經(jīng)過這樣的迭代過程更新參數(shù)，直到損失函數(shù)收斂到一個(gè)滿意的值，系統(tǒng)可以細(xì)致調(diào)整推薦策略，以更好地滿足學(xué)生的學(xué)習(xí)需求。訓(xùn)練好的模型可為每個(gè)學(xué)生生成個(gè)性化的學(xué)習(xí)路徑推薦。系統(tǒng)根據(jù)學(xué)生當(dāng)前的知識(shí)水平和學(xué)習(xí)目標(biāo)推薦最適合的學(xué)習(xí)資源和路徑。根據(jù)學(xué)生的反饋和學(xué)習(xí)效果持續(xù)評(píng)估系統(tǒng)性能，并對(duì)模型進(jìn)行微調(diào)，保證推薦路徑的準(zhǔn)確性和有效性。通過使用機(jī)器學(xué)習(xí)中的梯度下降和損失函數(shù)優(yōu)化技術(shù)，個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)可以動(dòng)態(tài)調(diào)整推薦策略，以滿足每個(gè)學(xué)生的獨(dú)特需求和學(xué)習(xí)目標(biāo)。這不僅提高了學(xué)習(xí)效率，還提升了學(xué)生的學(xué)習(xí)體驗(yàn)，使個(gè)性化教育成為可能。

3.3 自動(dòng)評(píng)分與反饋機(jī)制

在基于人工智能的大學(xué)英語教學(xué)系統(tǒng)中，自動(dòng)評(píng)分與反饋機(jī)制是提高學(xué)生學(xué)習(xí)效率和促進(jìn)教師教學(xué)工作的重要功能。該機(jī)制能夠自動(dòng)評(píng)估學(xué)生的作業(yè)和考試，提供即時(shí)反饋，幫助學(xué)生了解自己的弱點(diǎn)并改進(jìn)。系統(tǒng)使用正則表達(dá)式進(jìn)行文本清洗，利用自然語言處理技術(shù)實(shí)施分詞、詞性標(biāo)注等預(yù)處理步驟，保證學(xué)生提交的作業(yè)文本數(shù)據(jù)一致。余弦相似度（Cosine Similarity）是度量2個(gè)向量間相似度的指標(biāo)，它的值為-1～1，值越接近1，表示2個(gè)向量越相似。在自動(dòng)評(píng)分模型中，余弦相似度可用來評(píng)估學(xué)生作業(yè)與標(biāo)準(zhǔn)答案的相似程度。

在自動(dòng)評(píng)分模型中，向量A表示學(xué)生提交的作業(yè)向量化表示，向量B表示標(biāo)準(zhǔn)答案的向量化表示。通過計(jì)算這2個(gè)向量的余弦相似度，可以得出學(xué)生作業(yè)與標(biāo)準(zhǔn)答案的相似程度，從而進(jìn)行評(píng)分。假設(shè)學(xué)生作業(yè)向量為A=（A1，A2，...，A3），標(biāo)準(zhǔn)答案向量為B=（B1，B2，...，B3），則余弦相似度如公式（3）所示。

（3）

式中：Ai和Bi分別為向量A和B在第i個(gè)維度上的分量。

如果計(jì)算結(jié)果接近1，說明學(xué)生的作業(yè)與標(biāo)準(zhǔn)答案非常相似，可以給予較高的分?jǐn)?shù)；如果結(jié)果較低，則說明相似度不高，分?jǐn)?shù)也應(yīng)相應(yīng)降低。通過這種方法，自動(dòng)評(píng)分模型可以客觀地評(píng)估學(xué)生作業(yè)的質(zhì)量，并減少人工評(píng)分的工作量。

評(píng)分后，錯(cuò)誤識(shí)別與反饋生成步驟會(huì)進(jìn)一步分析學(xué)生答案，運(yùn)用依存句法分析和錯(cuò)誤樹分析來定位、分類錯(cuò)誤類型（語法錯(cuò)誤或詞匯使用不當(dāng)）。該過程不僅可為學(xué)生打分，還給出了關(guān)于如何改進(jìn)的具體反饋。此外，為了保證評(píng)分的準(zhǔn)確性和反饋質(zhì)量，系統(tǒng)會(huì)定期進(jìn)行性能監(jiān)控與優(yōu)化，以保證評(píng)分結(jié)果與教師評(píng)分的一致性和準(zhǔn)確性。

4 測(cè)試試驗(yàn)

4.1 試驗(yàn)準(zhǔn)備

為了保證基于人工智能技術(shù)的大學(xué)英語教學(xué)系統(tǒng)的性能和穩(wěn)定性，本文進(jìn)行了系統(tǒng)測(cè)試，旨在全面評(píng)估系統(tǒng)在不同條件下的表現(xiàn)，以便在實(shí)際部署前進(jìn)行必要優(yōu)化。系統(tǒng)構(gòu)建平臺(tái)包括一臺(tái)Dell PowerEdge R740服務(wù)器，該服務(wù)器配置了Intel Xeon Gold 6138 CPU（16核心，2.00GHz）、64GB DDR4 ECC內(nèi)存以及4TB SSD存儲(chǔ)，以保證足夠的計(jì)算能力和數(shù)據(jù)處理速度。此外，系統(tǒng)還采用了Amazon Web Services（AWS）的EC2實(shí)例，選擇t3.medium類型，它配備了2個(gè)虛擬CPU和2GB RAM，以支持云基礎(chǔ)設(shè)施中的系統(tǒng)運(yùn)行。在網(wǎng)絡(luò)連接方面，本文使用了Cisco Catalyst 9300系列交換機(jī)，以保證網(wǎng)絡(luò)通信穩(wěn)定且高速。試驗(yàn)在本地服務(wù)器上部署了基于人工智能的英語教學(xué)系統(tǒng)，在AWS EC2實(shí)例上配置并部署了相同的系統(tǒng)，以便在不同的環(huán)境中進(jìn)行性能比較。本文還設(shè)計(jì)多個(gè)測(cè)試場(chǎng)景，模擬不同數(shù)量的并發(fā)用戶，從50到250個(gè)用戶不等，以此來考察系統(tǒng)在逐漸增加的用戶負(fù)載下的表現(xiàn)。

4.2 試驗(yàn)結(jié)果

每次測(cè)試均記錄系統(tǒng)在處理不同并發(fā)用戶數(shù)時(shí)的響應(yīng)速度、處理能力和傳輸速率。為了保證數(shù)據(jù)的準(zhǔn)確性和可靠性，重復(fù)試驗(yàn)2次，并分別在一天中的不同時(shí)間節(jié)點(diǎn)進(jìn)行測(cè)試，包括9：00、12：00、15：00、18：00和21：00。測(cè)試結(jié)果數(shù)據(jù)見表1。

隨著并發(fā)用戶數(shù)增加，系統(tǒng)的平均響應(yīng)時(shí)間從120.56ms增至220.11ms，表明系統(tǒng)在用戶負(fù)載增加情況下仍能保持相對(duì)穩(wěn)定的響應(yīng)時(shí)間。系統(tǒng)的處理能力從409.34請(qǐng)求/ms降至320.09請(qǐng)求/ms，表明隨著并發(fā)用戶數(shù)增加，系統(tǒng)處理請(qǐng)求的能力有所下降。在不同時(shí)間節(jié)點(diǎn)的測(cè)試中，系統(tǒng)性能沒有顯著差異，表明系統(tǒng)能夠在不同的使用高峰期保持穩(wěn)定運(yùn)行。綜上所述，基于人工智能技術(shù)的大學(xué)英語教學(xué)系統(tǒng)在測(cè)試中具有良好的穩(wěn)定性。

5 結(jié)語

基于人工智能技術(shù)的大學(xué)英語教學(xué)系統(tǒng)展示了在現(xiàn)代教育環(huán)境中人工智能的巨大潛力。試驗(yàn)結(jié)果證明該系統(tǒng)在多用戶環(huán)境下具有穩(wěn)定性和可靠性。未來的工作將集中在系統(tǒng)的進(jìn)一步優(yōu)化上，包括算法改進(jìn)、資源分配調(diào)整以及擴(kuò)展系統(tǒng)的可伸縮性。此外，教育者還將探索更多人工智能在教育領(lǐng)域的應(yīng)用，例如智能輔導(dǎo)、情感分析和互動(dòng)學(xué)習(xí)，為學(xué)生和教師提供更高效、可互動(dòng)和個(gè)性化的學(xué)習(xí)環(huán)境。

參考文獻(xiàn)

[1]胡湘雨.基于數(shù)據(jù)挖掘的大學(xué)英語教學(xué)質(zhì)量測(cè)評(píng)系統(tǒng)設(shè)計(jì)及應(yīng)用[J].中國(guó)新技術(shù)新產(chǎn)品，2024（2）：51-53.

[2]謝立團(tuán)，夏明濤.生態(tài)語言學(xué)視角下的大學(xué)英語課堂教學(xué)研究[J].河北能源職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2023，23（4）：61-63.

[3]竇娟.“互聯(lián)網(wǎng)+”背景下高職院校大學(xué)英語教學(xué)生態(tài)化模式構(gòu)建研究[J].職業(yè)教育，2023，22（31）：3-6，10.