人工智能教学的优点精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工智能教学的优点主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工智能教学的优点范文

关键词：人工智能；教育；应用；问题

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2012）03-0159-02

人工智能是研究如何构造智能机器（智能计算机）或智能系统，使其模拟、延伸、扩展人类智能的学科。随着人工智能的理论与技术在社会各个领域的广泛应用，其在教育领域内的应用也越来越受到重视，并取得了一定的研究成果。

一、人工智能教育应用的主要形式

人工智能在教育领域应用的最直接结果就是诞生了智能教学系统。智能教学系统是以计算机辅助教学为基础而兴起的，它是以学生为中心，以计算机为媒介，利用计算机模拟教学专家的思维过程而形成的开放式人机交互系统。目前，智能教学系统已成为人工智能在教育中应用的主要形式。智能教学系统主要是在知识表示、推理方法和自然语言理解等方面应用了人工智能原理。由于它综合了知识专家、教师与学生三者的活动，因此，与之相对应的，智能教学系统一般分成知识库、教学策略和学生模型三个基本模块，再加上一个自然语言智能接口。智能教学系统的功能具体来说有以下几条：了解每个学生的学习能力、认知特点和当前知识水平；能根据学生的不同特点选择适当的教学内容和教学方法，并可对学生进行有针对性的个别指导；允许学生用自然语言与“计算机导师”进行人机对话。智能教学系统的设计不仅要有计算机科学的知识，还需要有教育科学的理论指导。

二、人工智能在教育中应用的局限性分析

1.阻碍人工智能发展的关键因素。在人工智能的发展中，一直存在着对“计算机是否能代替人脑甚至超过人脑”的问题的讨论，实际上，以电子计算机为主要工具模拟人的某些思维活动而产生的人工智能是有局限的。①计算机处理问题的根本原理。要计算机解决某种问题，有三个基本的前提：必须把问题形式化；问题还必须是可计算的，即要有一定的算法；问题必须有合理的复杂度，即要避免指数爆炸。由于人的智能活动不能完全形式化，因此，机器就不能将人脑的智力活动全部复制出来。电子计算机最终只能把握0、1这两个开关代码，遇到不能形式化、不能找到算法或不能程序化的任务，计算机则难以执行。②人和机器之间的根本区别。智能模拟利用了人和机器的共性，即两者都是一个信息转换系统，但两者之间存在着不容忽视的本质区别。智能模拟与天然智能属于两种不同的进化系统，人类的智能是人类社会实践的产物，机器的智能是机械制造的结果。大脑和电脑的组织结构也不相同，两者属于两种不同的运动过程，前者是复杂的生理--心理过程，后者是机械--物理过程。智能模拟可以在局部上超过天然智能，但是，模拟的根本方法是功能模拟法，两个系统在结构和实际过程上是不一样的。智能模拟不具有人的思维的社会性，不具有主观世界。

2.人工智能在教育中应用的局限。就目前人工智能的发展水平以及人工智能本身的特点而言，它在教育中的应用也是有其局限性的。①与学生之间无法畅通交流。教育本质上是一种“交互”活动，而智能教学系统无法实现最充分、最真实的交互。目前自然语言理解的研究成果非常有限，远不能达到人人交流的要求。此外，就态度、品德、情感等教育问题而言，机器只能通过学生输入计算机的信息来判断其掌握和内化程度，而无法像人类教师通过自然状态的交流和观察来判断学生的真实情况，因此，“机器智能”很容易被蒙蔽“双眼”，无法做到像人与人之间那样自然畅通的交流。②决策和推理机制不完善。智能教学系统的关键智能所在是其决策和推理机制，即“教学策略”模块根据不同学生的具体情况通过推理做出灵活决策，这种决策基于学生模块提供的有关学生的知识水平、认知特点和学习风格，而这些不能完全被形式化。同时，随着教育理念的不断更新以及教学模式和教学方法的不断改进，系统所应用的教学策略模块用于评估和判断学生学习过程的能力是有限的。③人工智能并非适合所有的学习领域。根据加涅的学习结果分类，学习分为言语信息、智慧技能、认知策略、动作技能和态度五类。言语信息分为符号学习、事实学习和有组织的知识学习，这些属于可形式化内容，适用于智能教学系统；智慧技能分为辨别、具体概念、定义性概念、规则和高级规则，其中前四项属于可形式化内容，适用于智能教学系统，而高级规则属于复杂――形式化内容，部分内容不适用于智能教学系统；动作技能和态度领域的学习，在其认知成分中可以使用智能教学系统，但情感和行为成分等非形式化内容，则难以用智能教学系统来实现。因此，并不是所有的学习领域都适用于智能教学系统。智能教学系统在教育中应用的重点应放在认知领域中的符号学习、事实学习和有组织的知识学习、辨别、具体概念、定义性概念以及规则这些学习内容上。

三、人工智能教育应用的发展方向

近年来，随着计算机技术、网络技术、人工智能技术以及现代教育教学理论的发展，人工智能在教育中应用的发展呈现出以下几个趋势。

1.开始突破单一的个别化教学模式。长期以来，计算机辅助教学系统和智能教学系统都是强调个别化教学模式，这种模式在发挥学生的学习积极性、主动性和进行因人而异的指导等方面确实有许多优点。但是，随着认知学习理论研究的进展，人们发现在计算机辅助教学系统和智能教学系统中只强调个别化是不够的，在某些场合（例如问题求解）采用协作方式往往更能奏效。因此，近年来在智能教学系统中，协作型教学模式得到越来越多的重视和研究。

2.智能教学系统日益与超媒体技术相结合。超媒体系统具有良好的开发环境、灵活方便的用户界面以及图、文、声并茂的特点，而且其信息的组织方式与人类认知的联想记忆习惯相符，已成为目前一种最理想的信息载体和最有效的信息组织与信息管理技术，在许多领域尤其是教育领域有广阔的应用前景。把超媒体技术引入智能教学系统，从而发展成为智能超媒体辅助教学系统，可以大大改善计算机辅助教学系统的教学环境，激发学生的学习积极性，从而显著提高教学效果。

3.智能教学系统与网络的关系日益密切。网络的应用和普及为远程教育和终身教育提供了一个良好的空间。当前，智能教学与多媒体网络的结合成为人工智能在教育中应用的一个势不可挡的发展趋势。

4.传统人工智能与神经网络模糊决策机制相结合。传统人工智能从宏观角度开展认知模拟，可以部分地模拟人类的逻辑思维过程，而神经网络模糊决策机制从微观方面进行认知模拟，着力实现模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。今后将探索一种新的智能处理模型：把神经网络的模糊决策机制和符号专家系统的推理能力结合起来，利用多重知识源、多种模型进行复合协同处理。如果上述技术能够成熟运用，那将对人工智能的发展及其在教育中的应用起到决定性的作用。

参考文献：

[1]王士同.人工智能教程[M].北京：电子工业出版社，2001.

[2]王永庆.人工智能原理与方法[M].西安：西安交通大学出版社，1998.

[3]何克抗.计算机辅助教育[M].北京：高等教育出版社，1997.

[4]徐鹏，王以宁.国内人工智能教育应用研究现状与反思[J].现代远距离教育，2009，（5）：3-5.

第2篇：人工智能教学的优点范文

关键词：多媒体技术；教学；模式；发展趋势

多媒体技术自诞生以来就一直受到人们关注，人们将多媒体技术应用于各个领域，多媒体课堂的诞生给教育领域带来了前所未有的机遇。尤其是随着因特网的快速发展，多媒体技术不断更新进步，多媒体课堂也变得越来越丰富，同时在各个阶段的教学中也发挥着越来越大的作用。它与传统课堂相结合，使理论与实践良好的结合，在未来的发展中更让人们充满憧憬。

多媒体教学的发展是随着计算机的发展展开的，大致可分为三个发展模式。第一种是基于单机的传统多媒体教学模式，自七十年代多媒体技术应用在教学中就是采用这种最基本的模式，因为单机的传统模式技术要求不高，所以在之后的几十年发展过程中，这种模式一直是应用最广泛的，但是其有自身缺点，它的制作周期长，质量和规范上有问题，尤其是课件技术含量低，知识更新慢；第二种为基于局域网的多媒体教学模式，这种模式基于第一种传统单机模式，仍然需要制作单机模式中的课件，其进步之处就是网络教学平台的运用。与单机传统模式相比有许多优点；第三种为基于因特网的现代多媒体教学模式，这种模式较前两个模式有巨大进步，虽然也需要多媒体的基本元素，但是因为因特网的出现，它摆脱了光盘和局域网，能够实现教学资源的共享，提供非常丰富的教育服务。

二十一世纪是互联网的世纪，网络无处不在，在未来的课堂上，网络的运用会愈加成熟，根据国内外学者的观点以及对多媒体技术发展的分析，展望未来多媒体技术在教学中的发展趋势：

一、多媒体技术与网络通信技术的结合

3G是3rd-Generation的简称，即指第三代数字通信技术，大大提高了数据和声音的传输速度，3G技术很强大，它不仅能处理图像和音频这些媒体形式，还能够处理包括视频等多种媒体形式。移动通信网络和有限的网络有效地集成在一起，主要由无线连接，有限的网络和手持终端三部分组成的。传统的封闭学习受到空间的限制，即使是后来的互联网与多媒体技术的整合也无法摆脱有线互联网不能移动的问题，然而3G技术改善此问题，从而可以广泛应用到教育的各个领域中。随着3G技术的发展和广泛的推广应用，教育手段和教学方式将发生革命性的变化。

二、多媒体技术与仿真技术的结合

仿真技术在多媒体技术中的应用可以称为虚拟现实，使身临其境的人进入虚拟现实境界，从而产生一种强烈的幻觉。

由于设备价格昂贵，虚拟现实技术主要应用于一些特殊的部门，如军事模拟和游戏中对虚拟现实技术的应用，但在教育领域有广阔的应用前景，对教育技术来说是一个飞跃。它将"自主学习"的环境引入课堂，学习者通过自身与信息环境的相互作用来得到知识、技能，这种新型的学习方式代替了传统的以教促学的学习方式。

虚拟现实技术能够应用到现实教学之中，可以应用在诸多方面，总结主要有：（1）模拟在现实中存在的，但教师在课堂之中无法表现出来的景物，方便学生的研究和探讨，如火山爆发、人类登月等。（2）模拟在现实中不存在的，但它可能会在将来发生的事情，主要是可以培养学生的创造性思维能力。（3）创造一个外语学习环境，使你如同置身异国他乡，这样可缩短学时，提高效率。（4）模拟一些受时空限制的事物，但在课堂上可以激发学生的兴趣，满足学生的求知欲望，例如地壳变动、大陆板块漂移、海底活动、太空旅行等。通过这种技术应用，可以提高学生的学习兴趣，提供实际生活中观察不到的视点，使得抽象问题形象化。

随着仿真技术的发展与成熟，相信会逐步应用到各个教育领域，现如今许多高校将科研成果转化成了实用技术，如浙江大学、哈尔滨工业大学、清华大学等高校建起了虚拟现实与系统仿真的研究室，拥有传统实验室无法比拟的优势，随着各个科研机构的努力，那么多媒体技术与仿真技术的结合将来就有可能会进入普通课堂之中。

三、多媒体技术与人工智能技术的结合

随着科学技术不断发展，现在人们中生活的智能化水平越来越高。人工智能技术属于计算机科学，人工智能技术涉及很多学科，如生理学、哲学等。它是一门涉及广、综合性强的学科。发展到二十一世纪，人类社会的现代化的步伐加快，科学家对人工智能不断深入研究并与教育信息化相融合，两者的不断发展，使得人工智能技术在教育领域的应用越来越受到人们的重视，同时我国许多专家将人工智能技术与现阶段我国的教育教学相结合，从而适应我国国情发展，从最大利益上推进我国教育事业的发展，并取得了巨大进步。近年来，随着我国技术的成熟，国内教育界对于多媒体技术与人工智能技术的结合的研究范围广泛，同时关注度较高，涉及教育教学的许多方面，主要表现举例如下：一、智能教学系统（ITS），它起源于计算机辅助教学（ C A I ） ，并从其基础上进一步发展。它能够模仿人类专家的思维，充分结合学生自身的特征，对其实施个性化教学。二、智能（Agent） 技术，智能（Agent）技术在教育中的应用，是一个移动的计算机程序，主动的服务模式，自动的操作系统，具有自主性、能动性、适应性和灵活性的特点，它已广泛应用于教育教学，智能的典型应用，智能教育学生教师的智能信息等等。三、智能答疑系统，未来开发智能答疑系统，人工智能技术在问答系统中的应用，克服在问答系统中的个性化互动问题的不足，能有效地解决学生困难的问题，消除学生的学习障碍，促进学习。

通过几十年的发展，多媒体教学给学生课堂带来了前所未有的进步，是被教师和学生都接受的教学手段。合理地利用多媒体教学，可以创造生动的教学情景，进而激发学生的学习兴趣，优化课堂教学，提高教学质量。但在实际教学中也确实存在许多问题，多媒体课堂并不能完全代替传统课堂教学，教师无论在何种课堂上都应该以授课为主，以学生为中心，帮助学生学习知识和成长。在未来的多媒体课堂上多少都会对教师有一定的要求，授课教师应该经常更新自己的课件，同时要熟练设备的操作，规划好自己的教学时间与内容。因此，要适应多媒体教学应用的发展趋势，教师要做到一些改变，包括教学观念的变化，教学内容的变化，教学手段的革新等等。时代是发展的，教师们要紧随这种潮流，不断学习，不断更新自己的教学方法和理念。同时，教育界专家和学者也要长期面对和研究多媒体技术在教学中的发展趋势。随着不断的尝试与改变，多媒体教学会给人们带来更多的惊喜与期待。

参考文献：

[1]丁俊.多媒体技术在计算机教学中的应用[J].福建电脑，2006，（5）.

[2]赖文继.关于多媒体教学新模式的探究[J].桂林电子工业学院学报，2005，（2）.

第3篇：人工智能教学的优点范文

【关键词】法理学/法律推理/人工智能

【正文】

一、人工智能法律系统的历史

计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）

如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。

20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）

1970年Buchanan&Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由WalterG.Popp和BernhardSchlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。JeffreyMeld-man1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。

专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）

我国法律专家系统的研制于20世纪80年代中期起步。（注：钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。

专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。

法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。

人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。

二、人工智能法律系统的价值

人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：

一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。

二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，BryanNiblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）

三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。

四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些现象。

五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。

六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。

三、法理学在人工智能法律系统研究中的作用

1.人工智能法律系统的法理学思想来源

关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。

第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由WalterG.Popp和BernhardSchlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。

第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(KnowledgeBasedSystem)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）

第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。

第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(NewRhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。

2.法理学对人工智能法律系统研制的理论指导作用

GoldandSusskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。

随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。

四、人工智能法律系统研究的难点

人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。

第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，中国大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。

第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，EdwinaL.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。

第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以EdwinaL.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）

五、人工智能法律系统的开发策略和应用前景

我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。

依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。

从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：

第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。

第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。

第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。

第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。

第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。

未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题时提示可能出现的判决预测；等等。正如网络的出现打破了少数人对信息的垄断一样，电脑法律顾问的问世，将打破法官、律师对法律知识的垄断，极大地推动法律知识的普及，迅速提高广大人民群众的法律素质，使法律真正变为群众手中的锐利武器。

第4篇：人工智能教学的优点范文

约翰・杜威曾经说过这样一句话，“今天的教育和老师不生活在未来，未来的学生将活在过去。”这就是今天我为什么要在这里和大家一起思考“未来教育”，对话“未来教育”。近几年，云计算、移动互联、大数据等技术的突破性进展，带来了互联网的广泛应用，虚拟世界与现实世界正在相互联结与融合，当代社会进入了一个日新月异的“互联网+”时代。“互联网+”时代对教育提出了更高的要求，也对未来教师提出了新的挑战。

未来教师的工作形态会发生什么变化？

我们谈论的未来教育、未来教师指的是多久以后的未来？五年时间太短，而我们也很难想象十年以后的情况，所以我们讨论的是未来五到十年的教育。“未来会发生什么”和“未来应该发生什么”是不一样的。“未来会发生什么”，这是未来学家做的事情，就像天气预报员，预测明天会有多云转晴的情况。“未来应该发生什么”指的是设计式的未来，是我们从事教育的人所期望的未来，即未来应该是怎么样的，而不是未来会怎么样。我们现在谈的是未来的教育应该是怎么样的。

教育有两种思维方式，一种是看学生缺什么，另外一种是看学生有什么。看学生缺什么的思维方式，指的是按照外部标准，每个人应该掌握多少知识，学生缺什么就给他补充什么。比如学生缺乏英语知识，教师就教给他英语知识；缺乏数学知识，教师就教给他数学知识，这是一种缺陷式的教育模式。你要成为一个人你就要达到一定的标准，要不然你就不是人，这是现在教育的模式。看学生有什么的思维方式，首先承认你是一个人，看你现在有什么东西，然后教师帮忙发掘出来。这是两种不同的教学方式。第一种教学方式，教师作为园丁，如果目的是建牡丹园，凡是牡丹以外的全剪掉，对牡丹而言园丁是好人，而对其他植物来说，园丁就是坏人。另外一种教学方式是教师承认每个孩子本身都是值得保护的，每一种人才都有价值，就像自然保护区里面的每一种生物都值得保护一样。目前，中国大学生就业率非常低，不是因为大学的扩招，也不是因为教育的投入不够，而是因为我们教师是在做过去的教育，而不是未来的教育。传统教育压抑学生的个性，在智能机器时代，我们要转变教育方式，解放学生个性，让每个人都可以发挥潜力。

每一个孩子自我的天赋、自我的激情都是有价值的。学校的目的是帮助每个孩子发现自己的天赋，指引每个孩子发现自己的激情，扬长避短，帮助他把激情和天赋转换成对别人有价值的东西和事业。在这个时代，我们更多的是追求心理需求，人类心理需求最高的一点就是为别人服务，真实的幸福感一定来自于你对他人、对世界的价值。教师的责任一定不是灌输知识，而是帮助每个学生成长。今后教师的工作形态一定不以教书为重。我认为教师不是园丁，而应当是学习博物馆的构造人，是项目管理员，帮助学生做好自己的项目；是人生导师或者心理咨询师，帮助每个学生发现自己的优点，实现自己人生的价值。

未来教师需要具备什么样的素质？

未来教育推崇的是个性化学习，个性化学习本身有两种不同的理解：学习过程的个性化，学习结果的个性化。学习过程的个性化指的是，学生自定步调地学习，可以学得快一点或者学得慢一点，但是，最终每一位学生都要学到统一的标准。真正的个性化学习，是结果的个性化。在机器时代的差异竞争下，你越独特、越个性化，就越有价值。

传统的教学，不可能一对一，教师一个人要教30―50个学生。在这种情况下，分班教学最有效果，如果班里面的学生差异化太大，集体y一的教学效率是很低的。如果每个学生都可以掌握信息、掌握知识，我们就要重新考虑班级是否有必要存在。我们的一堂课是不是非得要40―50分钟？初中一年级的英语课、数学课必须要按照课程标准来讲吗？传统的教学叫做预备性的学习，学习是为了未来，而不是“临时抱佛脚”。

在个性化学习中，每个学生都是有价值的，教师要帮助每一个学生成为有价值的人。人才本身的多元化对社会长期的发展是非常有价值的。因此，教师如果要保护原始生态多元化，教师队伍就必须要多元化。教师是一个人，不是传递知识的机器。教师要回归人性，教师的天赋是什么、教师的追求是什么，这是很重要的概念。在教师的多元社区中，我们要能够包容、支持、理解别人的优缺点，真正的合作一定是相互之间的互补。

教师本身是一个社区的建设者，能不能建设成一个社区关键在于有没有让社区里的每一个人都能够得到充分的发展。教师是教育的引导者，不应该局限于教学本身。教学目标和教育目标是不一样的，教学是短期的、临时的，效果可以评估，而教育对学生的影响无法评估。在传统教育中，我们不允许学生失败，教师希望每个学生的成绩都能得到提升。实际上，教师有责任去帮助学生学会失败，成功与失败，是一个人一生都必须经历的。

教师应该从人性的角度出发，学会与学生沟通，并树立领导意识。让学生印象深刻的一定不是那个教会他乘法表的老师，而是曾经严重打击过他们自信心或者帮助他们改变了人生的老师。一个学生本来可以成为一个非常优秀、非常有价值的人，但是园丁把玫瑰给摘了，只关照牡丹。教师就是残酷的园丁，我现在特别不想当园丁。

第5篇：人工智能教学的优点范文

论文摘 要:本文以计算机辅助教学为研究内容，界定和分析了计算机辅助教学的概念及与传统教学相比的优势所在，同时通过对计算机辅助教学发展过程中存在的一些主要问题分析，展望了计算机辅助教学技术的发展趋势。

1 计算机辅助教学概念的界定

所谓计算机辅助教学(Computer Assisted Instruction，简称CAI)是指“用计算机帮助和代替教师执行部分教学任务，传递教学信息，向学生传授知识和训练技能，直接为学生服务”。随着计算机网络技术、虚拟现实等技术的发展，计算机辅助教学的深度和广度还在不断发展。计算机辅助教学模式也称“信息化教学模式”。到了20世纪80年代以后，由于建构主义学习理论在教育技术中的应用和多媒体技术的发展，国际上计算机辅助教学模式强调以学为中心。20世纪90年代以后，由于网上教育的兴起，出现了计算机支持的协作学习。

2 计算机辅助教学与传统教学相比的优势

在传统的教学模式中，教师通常使用文字、动作等表达方式把知识传授给学生。为了直观起见，有时教师会借助一些实物、教学仪器和插图等辅助教学工具来演示和阐述需要讲解的内容。这些教具在教学中当然足不可缺少的，但它们也有其局限性。如天体运行或分子的热运动，无法用实物展示。而计算机辅助教学弥补了以上所述教具之不足。计算机辅助教学的优势主要体现在以下几个方面:第一，有利于突出重点、突破难点、化抽象为直观。采用多媒体，把一些抽象、复杂的动态变化过程真实化、形象化，化抽象为直观，化难为易，突出重点;第二，有利于增大课堂容量，提高课堂效率。计算机辅助教学能够提高学生能力，有利于培养学生的科学方法，从而全面完成素质教育的任务;第三，有利于优化课堂结构，加强指导教材中的一些重要内容。

3 计算机辅助教学发展过程中存在的主要问题

3.1 计算机辅助教学变成计算机教学替代问题

现在计算机辅助教学已经比较普遍了，大部分都取得了好的效果，但有的教师上课时往往让计算机完全代替自己去教学，教师充当了操作员的角色，学生跟着计算机被动地学习，听课变成了自学。很显然，这种做法使师生双方缺少沟通。改进方法:计算机辅助教学，可以利用计算机强大的信息处理能力和技术模拟教师的教学行为，完成教师的部分工作。但它作为教学的一种手段，只能起辅助教学的作用，不能完全代替教师的教学。因此，教学过程是一个复杂的活动过程，是教师“教学”和学生“学习”相结合的活动，只有在师生共同参与下才能实现有效地教学。

3.2 学生基础参差不齐问题

学生是成为教学的主体，必须掌握必要的计算机技术。但目前，我国学校计算机及信息科学的教育非常不平衡，学生的计算机掌握程度受地区、学校差异的限制。在一些边远地区，很多学生都没有上过计算机课，甚至还有的学生从都没有见过计算机。而经济发达地区的学生一般都受过较好的计算机教育，其中一部分学生的计算机基础操作非常熟练。由于新生的计算机基础水平参差不齐，计算机辅助教学在教师和课件等方面也存在问题，这种状况在未来将会持续相当长的一段时间。因此，教师在课常上要同时兼顾基础好的学生和基础差的学生，如果忽视这种差异，则会出现基础好的学尘不想听，基础差的学生跟不上的状况。

3.3 教师信息素养问题

首先，教师的计算机水平有限。目前大多数学校，只有教计算机课的教师懂计算机，其他任课教师对计算机知之甚微。其次，教学方式方法的形式化。计算机辅助教学与传统教学相比的一个明显区别，就是直观形象，使用方式也更多样。一些教师只追求课件的丰富多样或新颖美观，忽视了计算机辅助教学的首要目的应是服务于教和学，导致了学生注意力的分散。而一些有效的传统教学手段不再被采用，有些教师在上课时可以没有一次板书，师生问沟通大大减少。实践表明，某些简单的图画由教师一笔勾成或贴上简单的面具，可能更亲切、更利于师生互动。

3.4 算机辅助教学中的硬件问题

在计算机辅助教学系统中所用到的所有设备装置都称为硬件。硬件是计算机辅助教学的物质基础。在我国计算机辅助教学发展的硬件问题是硬件缺乏和硬件设施配置的形式化。其中，从硬件方面看，各地区、学校之间差距较大，发展不均衡，多数学校硬件设施不完善，无法保证实施现代教育技术所需的最基本硬件条件，客观上影响了教师运用计算机辅助教学进行教学改革的积极性。与此同时，硬件设施配置的形式化。某些地区计算机辅助教学投入了大量资金，却不能有效地利用，造成了资源的极大浪费。

4 计算机辅助教学技术发展趋势

4.1 基于网络的计算机辅助教学

网络的计算机辅助教学具有自身的优势。计算机辅助教学的发展是学生和教师通过计算机网络进行课题内容的学习、讲授、练习和测试。它的主要优点是不受地域的限制，能够方便地做到大量资源共享、软件运行速度快和易于研制。网络的计算机辅助教学有3个组成部分，即网络多媒体课件系统、网络多媒体教室系统和网络远程教学系统。通过校园网和远程工作站相连，开展远程教学活动。

4.2 虚拟现实技术的应用发展

虚拟现实技术的应用，为学生创建更接近真实的学习环境。虚拟现实技术是20世纪兴起的一门综合性信息技术，它融合了数字图像处理、多媒体技术、传感器技术等多个信息技术。虚拟现实技术生成的视觉环境和音效在教育领域内有着极其巨大的应用前景。虚拟现实学习坏境有利于激发学生的学习兴趣。与此同时，虚拟现实技术应用于教学过程后，可以有效促使教学手段向科学化方向发展，其变化可以体现在互动启发式教学、发现式教学、协同工作式教学和情境式教学等方面。

4.3 人工智能技术使计算机辅助教学更加智能化

计算机辅助教学的发展首先是智能化的CAI(Intelligence Computer Assisted Instruction，ICAI)，它将人工智能技术应用于计算机辅助教学。智能化的CAI(ICAI)根据学生的认知模型提供的详细信息，通过智能系统的搜索与判断，生成适合于个别化教学的内容与教学策略。目前，智能计算机辅助教学系统可以分为智能导师系统(ITS)和人工智能化的学习环境(AIBLE) 两类。ICAI系统从以下四个方面必然会对教育、教学产生深刻的影响:有利于激发学生的学习兴趣和认知主体作用的发挥;有利于知识的获取与保持;可实现对教学信息最有效的组织与管理;可作为认知工具实现最理想的学习环境。

参考文献

第6篇：人工智能教学的优点范文

中学美术 教学技术 技术策略

中学美术教学技术在中学美术教学课程设计中起着完善教学效果的重要作用。中学美术教学让学生在课程体验中不断地提高想象力和创造力，为学生提供了多样化的个性发展空间。各种信息技术快速发展为中学美术教学提供了新的教学环境，信息技术贯穿于教学活动的始终，为教学活动的各个环节服务。合理选择使用各种教育技术，能够加强学生的感官刺激，强化学生的教育接受，提高学生的综合素质。

《中小学教师教育技术能力标准（试行）》是教育部颁布的有关中小学教师专业能力标准的文件，它要求“中小学教师能够灵活地使用各种教育理论与技术对教与学过程及相关资源进行设计、开发、利用、管理和评价”。在教学活动中，教学技术的选择使用必须以学生的特点为基础，要正确评价中学美术各年级学生的年龄特征、行为水平、美术能力、知识基础等，针对不同的学习环节确定教学技术的实现目标，避免缺少思考的美术感官教学与片面的美术视角转化，不断地完善教学技术使用策略。

一、教育技术与教学技术

在我国，教育技术以学科的形式出现。“教育技术的本质特征是运用技术去优化教育、教学过程，以提高教育、教学的效果、效率与效益。这里的‘技术’既包括有形的‘物化技术’，也包括无形的‘智能技术’。”[1]“物化技术”主要指教育中信息技术软件与硬件的使用以及教师对信息技术的掌握与应用。“智能技术”则是指教师的教育理论与教学实践的能力。教育技术要求教师不仅要拥有信息技术技能，还要不断地更新教育理念，提高自身的教育能力与综合素质。

教育技术是对教学活动进行科学设计的技术，是“教”与“学”的有机融合，而教学技术则是连接“教”与“学”之间的媒介途径，二者都是为了实现课程的最优教学。教育技术中包含了教学技术的选择与使用策略。

中学美术教学技术策略是教师转化教学经验的过程，也是教师教育技术水平的体现，它具有两个方面的内涵。第一，中学美术教学技术是教师在进行教学设计的各个流程中选择应用的各种技术手段，比如备课中的文字处理、图片处理、幻灯片制作技术等。第二，中学美术教学技术主要是在课堂教学中教师选择采用各种媒体手段来体现的。学生根据教师的课堂教学安排通过多媒体等信息技术实现了教学内容由抽象向具象的转化。美术学科具有特殊性，在中学美术教学设计过程中，教学技术是教师完成教学目标、达成教学效果的重要手段。如图1所示，中学美术教学设计根据美术课程的教学目标确定教学方法，以学校的教学设施条件为基础，根据不同的教学内容与学生特点对教学技术进行优化组合。教学技术的选择使用是中学美术教学设计中不可缺少的重要组成部分。

二、中学美术教学技术的现状

“信息技术极大地拓展了教育时空界限，空前地提高了人们学习的兴趣、效率和能动性。”[2]中学美术教学技术分为视听媒体技术、网络技术和人工智能技术。视听媒体技术的推广，推动了各类学习资源在教学中的运用。在中学美术教学设计过程中，需要运用到计算机的各种软件，各种数码技术的熟练应用使中学美术课程变得多姿多彩；教师采用电子白板等多媒体演示技术进行教学，便于教学内容由抽象向具象转化。

网络技术在视听媒体技术的基础上构建，实现了教育信息化，为学生提供了综合平台。网络技术实现了校园内外以及国内外的同步教学及资源共享，为教师备课、教学演示、师生互动、作业练习、考试评价等教学活动提供了丰富的网络环境。另外，网络资源共享课程促进了网络教育资源的整合与共享，为学生提供了一个“个别化教学”的教育平台，形成了以学生为中心的个性化教学模式，提高了网络教育教学和人才培养的质量。

人工智能技术通过编程技术与模拟法实现，不断地运用到各个学科领域，它可以完成智能控制、图像与语言理解、自主的信息处理与管理等规模庞大的任务。人工智能技术的使用在中学美术课程教学中成为了必然的趋势。首先，它是教师进行课程设计的好帮手。它可以满足教师在教学设计中的多种需求；其次，它为个别化教学增添了智能的选择与识别。另外，人工智能技术在图像上的识别为中学美术课程的学生作业提供了识别评价的可能。

信息技术的多样性为中学美术课堂教学增添了色彩，提高了中学生对美术课程学习的主观能动性。在充斥着信息技术的中学美术课程中，各种技术使用的合理性需要进一步探讨。

1.缺少思考的美术感官教学

所谓“感官教学”是指中学美术课经常采用“课件教学――课堂练习”这个由多媒体课件进行感官教授的教学模式，多媒体教学系统的普及，由课件直接到练习成为了一些中学美术教学的主流模式，这种缺乏策略的使用多媒体教学系统，使部分中学美术课堂成为了缺少思考的感官教学。一方面，缺少思考课程内容与教学技术契合度的问题；另一方面，缺少思考教学资源与学生特点的辩证关系。

不同的美术领域对教学技术的需求不同，教师要重视课程内容与教学技术契合度的问题。中学美术教学分为“造型与表现”、“设计与应用”、“欣赏与评述”、“综合与探索”四个领域，针对不同的教学领域，教学技术的选择也应不同。义务教育课程标准实验教科书、人民教育出版社《美术》八年级下册第二单元《装点我的居室》即属于“造型与表现”领域的学习内容，它围绕“装点我的居室”这一主题，引导学生利用不同的美术表现形式去装点自己的居室。这个单元让学生初步学习了中国写意花鸟画、版画、装饰画、铅笔淡彩画和挂画的形式美要求，最后通过同学之间的展示交流进行总结，树立学生美化生活的意识，提高学生的造型表现能力。在这个单元学习中国写意花鸟画的课程内容中，有欣赏环节、有知识技能学习的环节、还有学生的练习与评价环节，这三个教学环节中或多或少都需要使用到各种教学技术。教师通常使用教学课件引导学生欣赏中国写意花鸟画；在知识技能学习环节中，教学课件与网络媒体的结合使用能够有效地补充学生所需的学习资源并能进行相关的知识拓展，比如了解相关的艺术家及其工作室，进一步明确中国写意花鸟画的题材、风格、构图等。也就是在这个重点的教学环节中，教授的知识技能与教学技术的采用契合度尤为重要。中国写意花鸟画中“笔墨章法”是教学难点，是否能够完全通过多媒体技术手段让学生掌握呢？答案是否定的。知识技能、特别是动手技能的掌握不能单靠“感官教学”来完成，需要学生通过体验，在不断的实践中学习。教学课件中播放的绘画视频减少了教师与学生、学生与学生之间的互动体验与绘画技术的交流，感官教学无法取代传统的动手技能的培训与学习。“笔墨章法”这个教学内容就需要教师进行课堂示范，教师播放的图片与绘画教学视频只能是对这个教学内容的资源补充，教师在学生的实践中针对问题单独指导并示范，这种互动的直观课堂教学能够提高学生对知识技能的把握。

互联网的普及给教师提供了大量的教学资源，有些课堂教学缺少思考教学资源与学生特点的辩证关系。“教学资源指教学材料可被设计、开发与实施的所有方式。”[3]从广义上说，教学资源是教师在教学中利用的一切要素，包括所有支撑教学和为教学服务的各种内容；从狭义上说，教学资源包括教学信息材料、教学软硬件和相关教学系统。在教学中教学资源主要是教师采用的教学信息材料与教学硬件设施。教学资源的选择使用必须以学生的特点为基础，选择合适的教学资源。还以人民教育出版社《美术》八年级下册第二单元《装点我的居室》采用的教学资源为例：初二的学生处于生理成熟期，个性逐渐形成，对自我社会化发展要求增多，通过以前的美术课程学习有了初步的美术基础，根据学生的这些特点，尽量选择符合学生心理兴趣点的美术资源；根据学生掌握的文化知识可以选择学生文化素养范围内的中国画进行欣赏。只有正确评价学生的年龄特征、行为水平、美术能力、知识基础等，才能合理地使用教学资源。

2.缺乏准确的美术视角转化

不同教师对课程内容有着不同的美术视角，美术视角转化于课堂教学中要注重转化过程的准确，以偏带全会导致学生认识的片面性。缺乏准确的美术视角转化主要存在两个问题：一个是教师对课程内容美术视角审视的准确性问题，一个是美术视角转化过程中使用资源的片面性问题。教师对课程内容的理解主要依靠教学大纲的规范与其个人的教育能力。教学资源的使用需要进一步推敲，学生首次在美术教学中对某一美术门类的体验不可避免地会形成对该美术门类的主观经验主义，教师在选择教学资源的同时要思考该资源是否能够准确地带给学生正确的美术视角。比如《装点我的居室》的第一部分，要求学生了解中国写意花鸟画的题材、风格、构图、等，要求教师提供给学生经典的写意花鸟作品，并明确告诉学生不同时期写意花鸟的特征，树立学生对写意花鸟画的正确认识。

三、中学美术教学技术的改进策略

中学美术是技能、审美与艺术创造力的结合，要求教师不仅要具备美术学科能力，还能根据学生的特点应用教育技术，不断地调整教学策略，实现因材施教。中学美术教学技术策略“将信息技术有效地融合于学科的教学过程来营造一种信息化教学环境，实现一种既能发挥教师主导作用又能突出体现学生认知主体地位的以‘自主、探究、合作’为特征的新型教与学方式，从而把学生的主动性、积极性、创造性较充分地发挥出来”[4]。中学美术教学技术策略围绕学生、教师、教学内容与教学技术展开，它包括以教学内容为主体的精简组合策略、“教”与“学”并重的产生激发策略、重视课堂内外的发散拓展策略。

精简组合策略以教学内容为主体、教学技术为依据。不同的教学媒体都有各自的优点，在学习上既有潜在的功能性，也有一定的局限性，所以要针对不同的教学内容与教学方法，有机地组合多种教学技术。并不是现代媒体手段使用得越多越好，而是要扬长避短、优势互补，合理安排教学技术的使用顺序，达到整体优化的教学效果。

产生激发策略强调了在应用教学技术过程中“教”与“学”同等重要的地位。奥苏贝尔与加涅提出以“教”为主体的教学理论，强调了教学方法的重要性；同时，奥苏贝尔提出“有意义接受学习”强调了学生的认知因素，“构建主义教学策略”指出了“学”的重要地位，美术知识技能的认知与掌握是由学生主动构建的，教师的“教”与学生的“学”要选择互动多样的形式实现。在中学美术教学技术策略中，要使用有效的认知工具，让学生在学习过程中始终处于主动的地位，自主地完成教学内容，激发学生对学习任务和学习过程的积极和热情。

发散拓展的媒体选择可以积极地把课程资源与学生的认知结构相联系，或以多媒体、或以软件、或基于网络、或采用仿真试验模拟等不同的技术支持课堂内外的教与学。由于美术学科与其他学科融合的广泛性，中学美术教学技术的选择要为学生考虑到学科知识的发散与相关领域拓展的可能性。教学内容的发散与拓展分课内与课外的发散与拓展。课内的发散与拓展是在课堂教学过程中依据该课的教学内容，根据学生的知识与认知特点，在一定范围内知识的深度与广度联系起来的教学活动，它有效地加强了学生对教学内容的深入理解，探究了创新的学习意识；课外教学内容的发散与拓展以学生兴趣为依托，对课堂知识技能进行进一步拓展与延伸，培养了学生的自主学习，促进了学生均衡个性地发展。

中学美术教学技术策略根据不同教学内容与学生特点选择相应的教学技术，教师不断地完善中学美术教学技术策略设计出不同的学习方式与活动，为学生提供最佳的学习环境，保证了能够高效地进行中学美术教学。

参考文献

[1] 何克抗.关于《美国2010国家教育技术计划》的学习思考[J].电化教育研究，2011（4）.

[2] 张敬涛.教育信息化实用技术指南[M]. 北京：中央广播电视大学出版社，2001.

[3] [美]加涅等，著.教学设计原理[M].王小明等，译.上海：华东师范大学出版社，2007.

第7篇：人工智能教学的优点范文

内容摘要：随着网络技术和电子商务的蓬勃发展，个性化推荐已经在电子商务领域有了良好的发展和应用前景，并将成为电子商务未来十年中最重要的革新之一。本文通过整合现有优秀的学术搜索引擎，结合用户信息的特点，构建一个个性化学术推荐系统，该系统采用内容提取和融合多种信息技术对检索结果进行分析后，对不同的用户提供个性化学术信息推荐服务。

关键词：个性化推荐 学术搜索 推荐系统

随着网络技术的飞速发展，人们当前面临的最大问题不是信息的缺乏，而是在浩瀚的信息中如何迅速获得对自己有用的信息。随着网络技术的飞速发展和网页数量成几何级数的急剧增长，用户需要花费大量的时间才能找到自己所需要的信息。这种浏览大量无关的信息过程无疑会使淹没在信息过载问题中的用户不断流失。此外，信息检索技术虽然满足了人们一定的需要，但由于其通用性，仍然不能满足不同背景、不同目的和不同时期的用户查询请求。为了解决上述问题，个性化推荐系统应运而生。个性化推荐可以为不同用户提供不同的服务，满足用户不同的需求，网络用户可以按照自己的目的和需求，在某种特定的网络功能和服务方式中，自己设定网上信息的来源方式、表现形式、特定网上功能以及其他的网上服务方式等，以达到最为快捷地获取自己所需的网上信息服务内容的目的。个性化推荐系统强调“以用户为中心”，尽可能地满足用户的需求。

研究背景

（一）个性化推荐系统的发展历程

推荐系统属于数据挖掘的一个分支。它能够根据用户喜好、需求提供相关的、精确的推荐，而且这种喜好和需求收集必须尽量减少用户的干预，而且推荐的结果能够做到实时计算，使用户在离开网站之前就可以获得所需要的推荐内容，并且能够及时对推荐结果做出相应的反馈。

推荐系统应用领域范围非常广泛（查大元，2011）。在1997年以前，推荐系统主要用于信息过滤方面，如电子邮件的过滤、新闻组文章的过滤等。1995年3月，卡耐基•梅隆大学的Robert Armstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher；斯坦福大学的Marko Balabanovic等人在同一会议上推出了个性化推荐系统LIRA。1995年8月，麻省理工学院的Henry Lieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Litizia。1996年，Yahoo 推出了个性化入口My Yahoo。1997年，AT&T实验室提出了基于协同过滤的个性化推荐系统PHOAKS和Referral Web。1997年以后，个性化推荐系统被引入电子商务应用领域。在电子商务中，个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。个性化推荐的最大优点在于，它能收集用户特征资料并根据用户特征，如兴趣偏好，为用户主动做出个性化的推荐。而且，系统给出的推荐是可以实时更新的，即当系统中的商品库或用户特征库发生改变时，给出的推荐序列会自动更新，从而大大提高了电子商务活动的简便性和有效性，同时也提高了电子商务企业的服务水平。个性化推荐系统的引入，使电子商务网站的浏览者转变为购买者，能够向用户推荐他们所感兴趣的商品，从而促成了购买行为，同时还提高了电子商务网站的交叉销售能力，并在用户购买过程中向用户提供其他有价值的商品推荐。用户能够从系统提所供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品。

此外，与传统的商务模式相比，由于电子商务系统使得用户拥有更多的选择。用户只需要点击一两次鼠标就可以在不同的电子商务系统和商家之间方便快捷地跳转。所以，个性化推荐系统可以从中分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。个性化推荐系统在电子商务领域越来越有良好的发展和应用前景。不少公司和机构都开始投入大量的人力物力进行研究。

1999年，德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM；2000年，NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能；2001年，纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro；2001年，IBM公司在其软件平台Websphere中增加了个性化服务功能，以便商家开发个性化电子商务网站；美国的电子商务公司Amazon为客户提供了Customer Who Bought Eyes Delivers，Book Matcher，Customer Comments等个性化推荐服务。特别是，近年来，以“发现”为核心的网站正开始在互联网上崭露头角。在日趋激烈的竞争环境下，个性化推荐系统可以帮助企业有效的保留客户，提高电子商务系统的服务能力，提升电子商务企业的竞争力。

（二）个性化推荐系统的主要特点

个性化推荐系统是为了更好地满足用户的需求，为用户量身订制的服务，其特点为（罗文兵，2010；杨杰，2009）：

针对性：个性化推荐系统可以主动为用户选择最需要的资源与服务，根据用户需求的变化，动态地改变所提供的信息，让用户得到个性化的服务。个性化推荐系统以满足用户的特定需求为主旨，以给用户提供最快捷、最方便、最易用的服务为目标，以用户为中心，以用户的信息需求为依据或者为特定需求向用户提供特定信息的有计划、有目的的活动。服务的基础就是用户的信息需求。

智能化：个性化推荐系统中采用了推理反馈、机器学习和智能等人工智能技术，能够通过跟踪和学习用户的兴趣偏好和使用模式，建立用户兴趣模型和信息表示模型，不断挖掘用户潜在的兴趣特征，实现信息的智能推荐和智能过滤，从而显著提高信息服务质量。

准确性：个性化推荐系统通过过滤、屏蔽无关、无用的冗余信息，推荐精确、有效、真正具有针对性的信息，能自动地、智能地将大量的数据转换为具有规律性、系统性的知识，并以易于理解的模式推荐给用户。

主动性：个性化推荐系统的主动性，主要是指根据用户的信息需求，所提供的服务不需要用户请求而是主动地向用户提供信息，实现“信息找人”的过程，而不是“人找信息”。

个性化：根据不同用户的不同背景、不同需求，为不同用户提供不同的信息，存在一定程度的个性差异。个性化推荐系统不仅提供友好的界面，而且方便用户交互、描述自己的需求、反馈对服务结果的评价等。

个性化学术信息推荐系统研究

（一）学术搜索的现状

随着网络的飞速发展，网络上的学术科研资源日益增长，许多刊物、书籍、政府出版资料、法规和政策等都已电子化，存储在各自的网站上，为研究员、学生、图书馆馆员和其他用户查找相关学术论文、国际会议、权威期刊等学术科研信息提供方便。如今人们只要在家里就可以从不计其数的网站上寻找自己所需要的研究资料了。虽然互联网上学术资源绝对数量很大，但网上各种信息的网页数目则更为巨大，这样就使得用户特别是科研工作人员在搜集和利用网络资源过程中，必须花费大量的时间和精力去查找、筛选自己需要的信息。而当前的学术搜索引擎大部分都存在检索精度不高、反馈信息量过大、不能满足不同用户的个性化信息服务需求等缺点。因此，为了得到更加全面和最新的学术信息，用户通常不得不利用不同的学术搜索引擎（如知网、微软学术搜索、Google学术搜索）等进行检索，然后再在多个搜索引擎得到的结果中进行人工筛选、下载所需的信息。如果用户想实时获取自己感兴趣的信息，则需要时时在网上进行搜索，并且把重要的信息通过用户手动分门别类地保存到本地。

针对上述问题，本文研究设计了一个个性化学术推荐系统。该系统将众多已有的优秀搜索引擎进行结合，采用内容提取和融合多种信息技术对检索结果进行分析后，对不同的用户提供个性化学术信息推荐服务。

（二）系统的设计

系统的设计结构如图1所示。

个性化学术信息推荐系统主要包括8个模块：

智能化用户接口：该模块负责接收用户的检索请求，调用信息检索引擎完成信息检索操作，向用户返回检索结果。 用户通过该模块可以实现信息的定制。

用户信息定制器：允许用户定制感兴趣的信息。系统按照树状分类，用户只需在信息分类体系结构的树型图中点击所关心的信息类别，或者用户手动添加信息类别，便可完成信息的定制。

搜索引擎器：采用现有较优秀的学术搜索引擎，如知网、百度、Google学术搜索、微软学术搜索等，进行一次粗搜索。之后把从搜索引擎收集回来的结果进行合并、排序。例如，由中文关键字所得到的搜索结果，就可以将百度和知网的搜索结果优先考虑；由英文关键字得到的结果，就可以将Google和微软的搜索结果优先考虑。最后将所有结果进行排序。但由于现有的搜索引擎忽略了用户的信息，第一次搜索出来的网页列表并不能真正满足于用户的需求。因此二次搜索引擎利用用户信息定制器所提交的信息，以及用户日志来获取用户的潜在信息和搜索背景，对第一次搜索出来的网页列表进行二次细搜索，提取更接近，更能满足该用户需求的信息。

信息采集器：根据用户的信息制定和系统内部设定的搜索时间，从经过二次搜索引擎所搜索出来的相关站点中自动地、智能地采集满足于用户需求的目标信息，存储在本地。

网页识别、过滤：对已经采集到的网页进行识别，过滤掉重复网页、无效网页等。

网页分类器：对经过识别、过滤处理的网页进行层次分类。首先对网页进行粗分，把网页分到各大类。然后对于每一个大类再进行细分，把该类的网页分到该大类的小类中去，以便检索更加精确。

建立索引，存储信息：对已经分类好的信息建立索引，存储在用户的本地数据库中，以便用户迅速、准确的搜索出用户相关的信息，包括历史信息。

检索结果返回：该模块支持用户对于从Web上搜索信息的有效检索，支持关键字的检索和基于类别的搜索。返回的检索内容包括网页的相关度排序，网页类别信息。

结论

本文通过整合现有的优秀的学术搜索引擎，结合用户信息的特点，实现个性化学术信息推荐服务，该系统不仅可以进行在线网页搜索，而且还能在脱机的情况下实现本地搜索。搜索返回的结果可以分门别类地呈现给用户，方便用户查看和浏览。此外，该系统能够智能地实现跟踪式的Web搜索，自动采集满足于用户需求的信息下载到本地，并智能地、分门别类地存储在数据库当中。用户只需利用几个简单的查询词，就能方便、快捷、准确地获取满足于自己需求的信息。

参考文献：

1.省略nic.省略/html/Dir/2010/07/15/5921.htm

2.查大元.个性化推荐系统的研究和实现.计算机应用与软件. Vo l.28. No. 1.pp48-49, Jan.2011

第8篇：人工智能教学的优点范文

 

MOOC(Massive Open Online Courses)即大规模开放在线课程。MOOC又广泛地被人们称之为“慕课”，这一新潮流兴起于2011年秋，被媒体誉为“印刷术发明以来教育最大的革新”，2012年更是被美国《纽约时报》称为“慕课元年”。多家专门提供慕课教育课程的供应商纷纷把握机遇展开竞争，coursera、edx、udacity是其中最有影响力的“三巨头”。

 

但是随着网络技术的普及，MOOC 作为一种新型的网络学习课程资源以其方便、快捷、成本低、效率高等诸多优点受到众多学习者的青睐，传统教学的作用受到质疑，教学组织形式面临重大挑战，甚至人们开始怀疑大学存在的意义。在此背景下，如何全面准确地认识MOOC，理性分析MOOC对大学高等数学教学改革发展的影响，审时度势地提出相应的应对措施。

 

1 MOOC简介及发展现状

 

所谓MOOC是Massive(大规模的)、Open(开放的) 、Online(在线的) Course(课程)四个词的缩写，指大规模的网络开放课程。2008年，Dave Cormier 与Bryan Alexander教授第一次提出了MOOC这个概念。顾名思义，MOOC的主要特点是大规模、在线和开放。“大规模”表现在学习者人数上，与传统课程只有几十个或几百个学生不同，一门MOOC课程动辄上万人。“在线”是指学习是在网上完成的，无需旅行，不受时空限制。“开放”是指世界各地的学习者只要有上网条件就可以免费学习优质课程，这些课程资源是对所有人开放的。

 

现在为大家所熟知的MOOC 源自2011 年由斯坦福大学的塞巴斯蒂安· 特龙和彼德· 诺米格通过网络开放所授课程“人工智能导论”，吸引了来自195个国家和地区的16万名学习者，随即塞巴斯蒂安· 特龙开发了Udacity 平台。此后，麻省理工学院宣布在2012 春季启动MITx 平台，吸引众多国际知名高校纷纷参与进来。MOOC 兴起与迅猛发展并非偶然，它与互联网与信息技术的进步、供应商提供的专业化平台、众多高校的加入和庞大的市场需求密不可分。

 

虽然MOOC这个概念2008年就已提出，但是直到2011年秋季才为世界周知，因为由Sebastian Thrun和Peter Norvig两位斯坦福大学教授在网上开设的“人工智能导论”课程真的做到了“上万人同修一门课”，世界为之振奋：来自190个国家的16万人注册，2万3千人完成了课程学习，以往只为少数人享用的世界顶尖教育终于可以面向世界各个角落的平民。与自学不同，MOOC提供了大学课堂身临其境的学习感受，老师、同学、听课、讨论、作业、考试，不打折扣，原汁原味。受人工智能课程成功的激励，2012年1月，Thrun辞去了斯坦福终身教授的职务，成立了Udacity公司，专做免费网络课程。

 

而早在2011年秋天，其斯坦福的同事Andrew Ngand和Daphne Koller就已经基于自己的MOOC实践，开办了Coursera公司，成为MOOC课程的平台提供商。这两家起源于以创业著名的斯坦福大学的MOOC公司都得到了硅谷的风险投资，也都有专业人员对其进行媒体传播，一时间新闻迭出，也让MOOC概念广为人知。在雄厚资金的资助下，两家公司扩展很快，以Coursera为例，在成立后的半年内就安排了近30门课程上线，到2013年1月，已经谈妥了33所大学20个门类的213门课程。

 

如果只是斯坦福大学一家活跃还不足以引起世界震动，2012年5月，一向在开放教育这块领域比较沉稳的哈佛大学宣布与MIT合作成立非营利性组织edX，也向世界各国的顶尖大学发出邀请，一起在开源的平台上提供开放的优质课程。2013年5月，包括清华、北大、香港大学、香港科技大学、日本京都大学和韩国首尔大学等6所亚洲高校在内的15所全球名校也宣布加入edx。一时间，风起云涌，加入者众多。

 

MOOC作为后IT 时代一种新的教育模式，横跨了教育、科技、金融、社会等多个领域，其兴起的背后，有着历史的必然性。MOOC能在短时间内如此迅猛的发展，其原因引起人们的广泛关注。MOOC兴起与迅猛发展并非偶然，它与互联网与信息技术的进步、供应商提供的专业化平台、众多高校的加入和庞大的市场需求密不可分。首先， 互联网技术的成熟以及MOOC课程的教学模式已基本定型，使得照此模式批量制作课程成为可能。网络教育实践的教学经验能很好运用到MOOC的教学中;其次，供应商提供的专业化平台是MOOC 发展的技术保障，与之前的高校建立自己的开放教育资源网站不同，这些专业化的平台提供商的出现，降低了高校建设MOOC课程的门槛和经费投入，也刺激了更多的一流大学的加入;第三，巨大的市场需求和大量风险基金、慈善基金进入，以及一些大学开始接受MOOC课程的证书，承认其学分。第四，企业界的支持和介入，阿里巴巴推出在线教育平台“淘宝同学”;腾讯在QQ 平台中，增加了群视频教育模式;百度推出百度教育频道，开设“度学堂”;网易推出“公开课”和“云课堂”，新浪推出“公开课”。

 

2 MOOC的优势和不足

 

与传统在线教育相比，MOOC作为一种新型的学习和教学方法，具有其独特的优势和特点：使用方便;费用低廉;覆盖的人群广;自主学习;学习资源丰富;绝大数MOOC 是免费的，课程的参与者遍布全球、同时参与课程的人数众多、课程的内容可以自由传播、实际教学不局限于单纯的视频授课，而是同时横跨博客、网站、社交网络等多种平台，这为MOOC的推广和传播奠定了良好的基础。

 

可以跨越时区和地理位置的限制;可以使用任何你喜欢的语言;可以在目标人群中使用当前流行的网络工具;MOOC 可以快速架设，一旦学员接到通知，马上就可以展开学习，是像救灾援助式的紧迫式学习的最佳模式;可以分享与背景相关的任何内容;可以在更多非正式的情境下学习;可以跨越学科、公司或机构的连接; 还具有跨文化交流的优势，不同国家地区的学习者在论坛中讨论学习非学习问题便于学习者之间跨文化交流，加深相互理解;不需要任何学位，你就能学习你想学的任何课程;MOOC可以成为你的个人化学习环境或学习网络的一部分;能增强终身学习的能力， 参与到MOOC中，你的个人学习技巧和对知识的吸收能力都将有所提高。

 

然而，MOOC 的劣势也不容忽视。由于学习者的教育程度参差不齐，单一的课程内容很难同时满足数以万计的学生需求，必然会导致某些学习者感到内容艰涩难懂而某些学习者又觉得内容不够深入，教师也难以根据全世界大量甚至矛盾的反馈，实时调整教学内容。MOOC 的早期阶段，这一问题非常突出。在Coursera 公司，在注册参加特隆和诺维格讲授的线上人工智能课的16 万名学生中，最后只有14% 念完了课程。而在2012 年初注册参加麻省理工学院的一门电路课程的15.5万名学生中，只有2.3万人完成了第一套习题，约7千人即5%通过了这门课程。

 

Coursera 公司带领数万人完成一门大学课程都是一项不同寻常的成就，尤其想到每年在麻省理工学院只有175 名学生修完这门课。但是中途退课的人数比例之高凸显了让线上学生保持专注度和动力的难度之大。再者由于学习者的教育程度参差不齐，单一的课程内容很难同时满足数以万计的学生需求，必然会导致某些学习者感到内容艰涩难懂，而某些学习者又觉得内容不够深入，教师也难以根据全世界大量甚至矛盾的反馈实时调整教学内容。其次网络课程教育互动性弱，教授者与学习者之间没有面对面的眼神交流，不利于因材施教。

 

3 MOOC对高等数学教育的影响和启示

 

3.1 MOOC对高等数学教育的影响

 

MOOC作为一种全新的、不同与传统的网络教学模式，具有广阔的发展空间和发展潜力。传统高等数学的教学方式不可避免地受到强烈的冲击，相信随着MOOC平台的不断发展和完善必将会对高等数学的教学和改革产生深远的影响。

 

MOOC丰富的教学资源将迫使教师加强自己的教学设计，丰富自己的教学资源。MOOC有着相当丰富的优质教学资源，大量名校名师推出的在线课程供学生自由选择而且新课程的上线速度非常快，学生可以依据自己的兴趣或发展需求，方便快捷地找到全球各学科最高水平的课程。这对传统高等数学的教学来说无疑是一个巨大的挑战，当前，高等数学课程设计老套，课程资源有限，开发缺少创新，不能满足学生的个性化培养需求，这一定程度上反映了高等数学教师的设计能力有待提高。

 

MOOC灵活的教学手段促使教师改进教学方式提高教学技能。MOOC采取“ 翻转课堂” 教学方式，采用优质的视频课程资源代替面对面讲授;学生在课堂外先观看和学习教师做好的教学视频资料，课堂变成师生之间以及学生之间研讨和解决问题的场所。翻转课堂颠覆了传统的教师讲授，学生作业的单向传授式、填鸭式教学。因此，教师应以此为契机，加强对教学方法、教学手段的研究和创新。反思如何进行学习者的组织管理，如何引导学习者深度参与，不断提高信息素养和教学技能。

 

3.2启示

 

MOOC颠覆了传统的教学时间和空间安排，不仅能够满足学生自主学习和个性化学习的需求，而且能够增强学生和教师之间的交流，并促进学生问题解决能力以及创新能力的发展，而MOOC 和已有的各种开放课程则为教师开展翻转课堂实践提供了内容和资源的质量保证。在这种情况下，与传统高等数学教学相比，MOOC在线学习具有一定优势和重要性，因此，高等院校高等数学教学改革需要抓住这一良好的机遇，从内到外的打破固守传统的教育理念和方法，改变教学模式，提高创新能力，深化课程与教学改革。

 

4结语

 

在MOOC迅猛发展和国际高等教育竞争日益加剧的背景下，高等数学教育迎来了难得的发展机遇，也面临着前所未有的挑战。首先，应把MOOC纳入大学学科发展规划中;设计高等数学自身的发展规划时，应当把握世界高等数学发展动态，及时关注，加强研究，有计划分步骤地推出自己的发展规划，把高等数学MOOC建设纳入到学校的学科中长期发展规划中;其次，把MOOC引入高等数学课堂教学中;作为教师应当认真学习，尽快掌握，大学数学国家精品课程，世界名校视频公开课和中国大学视频公开课都是我们宝贵的教育资源，数学教师应该将这些开放的教育资源引入到自己的课堂教学实践之中，提升课堂教学效果和人才培养质量。

 

帮助学生掌握在线学习方法;MOOC的快速发展，使在线教育成为现实，但不是每一个学生都能从中受益，MOOC的使用不仅需要一定的英语基础，熟练的计算机操作技能，还需要一定的技巧和方法，教师有义务帮助学生掌握在线学习的方式和方法，不断提高学生的学习效率和效果;最后，继续探索高等数学教育模式的创新;将在校课堂学习与在线校外学习有机结合，既保持在线网上获取丰富多样知识资源的优势，又结合课堂学习的特点，强化知识的组成和结构的优化，创新在校学习与传统专业化培养的模式，实现教与学的有机结合 创新现有的模式。

第9篇：人工智能教学的优点范文

【关键字】Webquest；智能系统；教学资源；学习

【中图分类号】G40-057 【文献标识码】B 【论文编号】1009―8097（2009）01―0116―05

一 前言

Webquest是一种新兴的信息化教学模式,1995年由美国 圣地亚哥州立大学教育技术学院教授BernieDodge和Tom March创建[1]。WebQuest模式理论基础是建构主义学习理论， 它是建构主义在网络学习中的实践表现。WebQuest主要的教 学方法是在网络环境下，给学生一个特定的情景或者一项任 务，通常是一个需要解决的问题或者课题项目，课程计划中 为学生提供了相关的信息资源，并要求学生通过对信息资源 的搜索、分析和综合来得出创造性的解决方案。近年来， Webquest 教学模式得到了迅速的发展,教学案例日益增加, 深受教师和学生关注 [2][3]。然而，由于Webquest教学解决方 案是独立地针对某个特定教学任务来设计的，在制作时需要 运用大量的课件工具，运行时采用的底层架构不统一，通信 协议不同，课件资源的类型格式存在差异等，导致教学方案 的设计、制作效率不高。不同底层架构的Webquest教学模式 之间要进行信息交流，就对系统整合和应用集成要求异常高， 更重要的是在教学方案设计时，普遍都按照统一的六大模块 设计，造成教学策略单一、应用设计模板化、探究目标不适 当，这就极大的地限制了教学资源共享的可能。如何构建一 个具有个性化和无缝集成的Webquest教学系统已成为备受关 注的焦点问题。因此，本文通过分析传统WebQuest教学模式 的不足，提出利用人工智能技术、Web服务技术与Webquest 教学模式相结合的解决方案，形成了一个具有自适应性的 Webques集成系统体系架构,使得改进后的Webquest教学平台 具有智能性、协作性、可重组性和可扩展性。

二 Webquest教学系统及其模型结构

1传统Webquest教学解决方案的不足 传统的WebQuest教学系统一般都由六大模块组成：引言（ Introduction ）、任 务（ Task ）、过 程（ Process ）、资源 （Resources）、评估（Evaluation）、结论（Conclusion）[4]。目 前，多数Webquest教学系统都是针对特定的教学单元进行设 计和制作，难以对教学方案和教学资源进行管理和重组，因 此网络环境支撑的教学方案普遍存在如下问题：

（1） 应用设计模板化，缺乏个性化服务

对于所有参与Webquest 的学习者提供相同的绪言和任 务，系统智能性差，无法了解个别学生的能力与认知风格的 差别，对不同认知水平的学生呈现相同教学内容，采用相同 的教学策略，无法适应个别学生的具体需求，难以实现因材 施教。

（2） 资源缺乏有效的组织和查询

Webquest教学资源作为独立体, 教学系统很难主动发现 Webquest教学资源的存在, 导致教学资源由于未被发现而不 能被重用。并且在制作多个Webquest课件时, 除教学内容的差 异外, 很多功能的设计和实现都是相似和重复的。这就要求课 件的制作除需要对课程内容进行归纳和整理外, 还要对教学 管理、教学模式及手段进行设计。

（3） 网络学习过程的记录和监控不足

由于采用超文本的方法组织教学材料，且由学生掌握学习的主动权，若系统没有针对性地作一些引导、限制和具备 必要的监控，在学习的过程中容易出现迷航现象，学生容易 偏离学习的目标，不能跟踪学习者学习进度。

（4） 系统宿主平台紧耦合问题

紧耦合使教学系统必须依附于特定的平台，导致不同的Webquest 教学系统难以集成，没有集成的学习环境来支持适 合网络学习的策略。网络中最合适的学习策略是探索式学习 策略和协作式学习策略，但目前的技术，对它们的支持都比 较简单，无法充分发挥其优势。

2 Webquest 自适应教学系统模型

针对上述不足，本文中的Webquest教学系统模型采用基于Web服务的教学集成系统框架[5 ]和智能教学系统框架[6 ]。教 学系统的设计方案能够实现以下目标：作为通用的Webquest 教学支撑平台既能无逢集成教学应用软件、消除异构教学应用子系统之间的互操作性问题, 还能自动地收集各种有利于 学习的信息资源并整理这些资源以便于教学资源的重用、个 性化信息采集、学习情景或背景显示、智能资源调度、学习 过程记录、教学内容重组等系统功能的实现。系统模型结构

如图1所示。

首先，教师通过教学设计过程按知识对象库中的知识点 确定学习目标和课程目标，并设计具有不同学习策略的 Webquest 教学情景、任务、过程、资源、评价和总结模块。 学生通过登录入口进入个性分析过程模块，个性分析过程模 块针对不同学习者，从已有知识库中抽取适应学习者知识层 次的学习情景、任务和资源，按照灵活的教学情景实例，以 任务驱动方式要求学习者进行学习和探究。学习者按照学习 过程进行自主协同学习过程中，学习过程模块会自动开始采 集和记录学生的请求，跟踪学生的行为，收集学生学习课件 的类型及难度、查看资料的时间和频繁度、点击的网页、搜 索的关键字，以及作业和测试的过程及结果等，提交给最终 的用户个性信息数据库。资源调度过程模块会根据学习者需 要，自动筛选和帮助学习者搜索出所需的教学资源。学习者 根据情景、任务、相关资料和工具进行多种形式的自主探索 和研究，并根据教师在评价模块中制定的评价体系进行教学 总结。最后, 通过总结和理论修正过程，优化最初设计的教学 内容。

三 Webquest 自适应教学系统功能分析

结合 Webquest 教学模式中情景、任务、过程、资源、评 价和总结六大模块，对教学设计模块、个性分析模块、协同 学习模块、资源调度模块、评价模块等功能进行阐述。

1教学设计

教学设计模块实现教师课程管理和教学策略管理功能。该模块一方面具有制定教学情境、确定教学任务和教学过程 的功能，另一方面还提供教学内容维护功能，例如：输入教 案、试题、问题；上传教学材料；根据学生的学习情况适当 更改教学内容和教学媒体等；辅助教师对学生的学习内容进 行在线指导等。

在设计过程中，充分关注网络环境教学模块建构的动态 性，从教学的适应性角度出发，考虑 Webquest 各个模块的功 能性和动态发展性。在充分考虑学习适应性的基础上，应用 目前国际教育技术先进的设计型研究理论，以及应用活动理 论的系统动态发展观来建构适应性学习模块功能。因此，教 学设计模块具有可重组性和扩展性。

2个性分析

个性分析模块功能是获取用户的学习习惯和偏好并加以分析，生成用户模型，构建个性化的教学情景，分配个性化 的学习任务。个性分析是实现个性化教学服务的前提。学习 者在确认身份进入 Webquest 教学系统后，个性分析模块根据 用户样本，构建教学情景，分配学习任务，并进入特定的学 习过程进行自主协同学习。

网络环境下学习活动设计的服务对象主要是学习者，在 活动设计的过程中，按照学习者个体的实际学习因素，可采 用的研究方法主要是现成的心理学测试量表，如：温斯坦标 准化学习策略量表 LASSI 等。针对不同学习者个体的访谈加 经验分析法研究，系统分析学习者个体的学习风格对网络环 境活动设计的模块功能需求，自适应过程中的学习情感需求， 找到个体学习的主要影响因素，充分发挥活动理论的指导作 用，使整个网络环境的活动系统设计朝着适应性个体学习方 向动态地发展。

3协同学习

协同学习过程模块实现学生自主学习和协同学习的自动化和智能化。主要包括提供协同学习工具、学习过程的智能 监视和跟踪，并通过感知学习者和教师的教学过程环境来自 动设定进一步的教学任务。

（1） 协同学习工具

在进行Webquest 教学过程中, 除了能提供一些常用的交 流工具，如：提问、论坛、聊天室等, 协同学习工具还应具有 使多个学习者协同进行学习并一起达到学习的目标的功能。 协同工具提供协作者在本次Webquest的教学过程中的协作状 态、协同探究资源列表、讨论记录、推理评价等服务。多个 学习者通过协同工具以任务驱动模式进行学习。其具体步骤 如下：

根据教学的内容中目标知识点重要性以及目标知识点 之间的关系，定义关键学习目标，生成教学过程的关键路径；

查询用户个性信息库具有相关信息的学习者，生成协同学习小组,分配学习任务表；

对学习者学习情况进行监控和推理,当学习者完成某 一项关键学习活动或者时间到期时将触发其相应学习事件， 如：更新小组内学习者的学习任务表，将学习者的学习情况 发送给教师以及进入下一个目标知识点的学习；

循环以上步骤，直至完成学习任务和目标。

（2） 学习过程的智能监视和记录

在学习过程中，系统一方面会自动开始采集学生的请求，记录学生的行为，收集学生学习的相关资料，如：课件的类 型、难度、查看资料的时间和频繁度、点击的网页、搜索的 关键字，以及做作业、做测试的过程及结果等，并提交给最 终的用户个性信息数据库。另一方面，学习过程模块和资源 调度过程模块会根据学习者需要，自动筛选和帮助学习者搜 索出所需的课件资源，学习过程模块根据学习者的需要调用 新的学习情景和学习任务。

4 资源调度

Webquest教学资源作为独立体，教学系统很难主动定位 和限定Webquest教学资源的存在。因此，资源调度模块的功 能就是针对不同学习者，从已有知识库中抽取符合学习者兴 趣和知识层次的资源。学习者进入教学过程中，资源调度模 块会根据学习者需要，自动搜索和筛选出所需的信息资源， 设计成细粒度的无状态的实体构件。如：多媒体资源的展示、课件资源的制作工具、课件的上传下载、在线测试等。

（1） 资源搜索 资源搜索的主要功能是主动搜索网上资源。搜索的方式

有两种，即本地搜索和远程搜索。前者是从索引数据库中进 行查找,这种方式速度较快。后者又分成两种途径：①直接搜 寻Web站点，从Web页面中获取信息。②借助于已有的搜索引 擎进行信息搜索。这种方式的优点在于不必直接对整个 Internet进行搜索，只需与若干搜索引擎连接，获取它们返回 的结果即可。

（2） 资源过滤 由于搜索范围受搜索引擎的限制，如果直接将搜索引擎

的结果返回到用户端会带来大量无效信息，增加学生的知识 盲点。因此最好的方法是通过 Agent 传输协议（Agent Transfer Protocol，ATP）移动到 Web 服务器端，在服务器上完成信息 的自动获取和过滤操作。只将有效信息传回用户端，从而避 免了大量数据的网络传输，降低系统对网络带宽的依赖，这 样可以大大提高搜索效率，充分发挥 Agent 技术的效能。

5学习评价

Webquest 评价系统遵循了内容和评价主体多元化、评价 实施情景化和评价方式多样化的特定，以多元智能理论为基 础，充分发挥 Web 特点，发展一种交互式智能化的评价系统。 结构如下图 2 所示：

评价作为一种在学生自主探究学习过程中监控、记录、收集和分析学生学习行为及轨迹的手段，有效 的把评价活动“嵌入”到学生整个学习过程当中，是综合评 价系统当中最为重要的评价方式和绩效依据。本模块由模糊 专家系统推论出学习者的学习状态，并给予评价和适当帮助。

四 系统实现及关键技术分析

本系统实现采用 B/S 运行模式，基于 Windows 2003 操作 系统平台，采用 JAVA、JSP 和.NET 等开发工具，运用人工智 能和 Web Services 技术，使用 Apache 进行 Web ，Oracle 作为后台数据库,集成包括网络课堂、教学管理、课程管理、 资源管理、学习评估、作业、过程监控、协同学习工具 等基于 CELTS和 SCORM 标准[7,8]的 Webquest 教学应用系统。 我们从 2007 年开始在网上开设了 3 门计算机公共基础课程, 同时在线人数超过 1000，目前已经有 22 个班级利用该平 成相关课程。图 3 是符合某教学策略的 Webquest 学习平台， 教师教学设计平台见图 4 所示。

1个性分析与实现算法

学生用户登录后，学生进行选择个性化学习策略流程。本系统采用的学习策略量表是由美国20 世纪80年代末期编 制的温斯坦标准化学习策略量表LASSI[9,10]，美国已有1000多 所学校使用此量表对学生的学习策略应用水平进行测试。此 量表测量学生用来进行学习和研究活动的策略和方法，重点 关注那些通过教学可以改善与成功学习（successful learning） 相关的显性或隐性的思想和行为[11]。LASSI对于帮助学生学会 学习、帮助教师进行研究和设计教学活动均有积极作用。

LASSI有10个分量表[12,13], 分别是：（1）态度（ATT），测 量学生对追求学习成功、完成与此相关的任务的总的态度和 动机；（2）动机（MOT），测量学生对完成具体学业任务所负 责任的程度；（3）时间管理（TMT），测量学生建立和使用时 间的水平；（4）焦虑（ANX），测量学生减少对学校和自己的 学习成绩的担心程度的能力；（5）专心（CON），测量学生把 注意力指向并集中在特定学习任务上的能力；（6）信息加工（INP），测量学生使用心理表象、言语精加工、领会监控和 推理等策略促进理解和回忆的程度；（7）选择要点（SM）， 测量学生在各种一般性的和细节性信息中识别出用以进一步学习的重要信息的能力；（8）学习辅助（STA），测量学生是 创造或使用辅技术及材料来帮助学习和保持信息的能 力；（9）自我测试（SFT），测量学生对要学习课程理解程度 的能力；（10）考试策略（TST），测量学生运用备考和应试策 略的水平。针对我校教学现状与学生水平，本系统在LASSI 量表的基础上，对测量数据分析的算法设计上做了适当的改 进，以学习意愿度、学习能力度、知识水平度三类综合实力 测量作为判断依据，生成个性样本，并自动选择和构建个性 化的学习策略。

具体算法设计如下：

学习意愿度（Willingness）：以态度（ATT）、动机（MOT） 和焦虑（ANX）三个分量表为基本数据源，根据国际上的常 规模式得出原始分数 Sw 并转化成百分数。

If Sw is low

Then choose policy from P5,P6,P7,P8. If Sw is high

Then choose policy from P1,P2,P3,P4.

此综合度主要用以测量学生个体对于学习目标及完成学 习任务的兴趣、态度和动机等心理状况和内在潜力。

学习能力度（Ability ）：以时间管理（TMT ）、专心（CON）、信息加工（INP）、选择要点（SM）和学习辅导（STA） 五个分量表作为基本数据源，根据国际上的常规模式得出原 始分数 Sa 并转化成百分数。

If Sa is low

Then choose policy from P3,P4,P7,P8. If Sa is high

Then choose policy from P1,P2,P5,P6.

此综合度主要用以测量学生个体在学习过程中的专注 度、持久度以及对于学习的领悟、安排、管理、运用、推理 的多方面能力。

知识水平度（Knowledge）：以自我测试（SFT）和考试 策略（TST）这两个分量表作为基本数据源，根据国际上的常 规模式得出原始分数 Sk 并转化成百分数。

If Sk is low

Then choose policy from P2,P3,P6,P8. If Sk is high

Then choose policy from P1,P4,P5,P7.

此综合度主要用以测量学生个体自身对所学知识及相 关信息的掌握程度。

需要说明的是，依据此分析算法所构建的个性化学习策 略库中，以表 1 中八种学习策略为常规策略，策略库并不是 无限大的。

2资源调度与实现算法

Webquset 作为探究式教学模式，资源搜索和定位是决定 学习效果的关键，所以资源调度模块的重要性不言而喻。作 为个性化、智能化的教学系统，怎样根据学习者的个性特征 和知识层次为其提供适当的教学资源，即以怎样的算法实现 对学习者的智能推荐，帮助学习者更方便、更准确地在大量 异构、分布式的资源中搜索和提取所需数据，是 Webquest 教 学系统实现的重点。

利用 Multi-agent 协作技术和 Webservices 技术实现资源 调度是一种方便有效的途径。它既利用 Web services 技术解决 了异构、分布式资源存取困难的问题，又利用模块调用为系 统提供了多样化的推荐功能[14,15]。

在会话中，假设符合学习者个性的，对学习者有价值的 信息列表用 Sug来表示，则 Sug表示为一个多元组集合 Sug={ M, L, PW, u}，它将最终反馈给学习者。

其中 M 代表当前站点的邻接矩阵，它通过搜索用户导航 信息图，找出与当前页面关联度 Minfreq 较大的邻接页面，认 为是有价值的；L 指聚簇列表。聚簇是根据码值找到数据的物 理存储位置，从而达到快速检索数据的目的。系统认为只有 大于最小聚簇值 Minclustersize的聚簇才是有意义的遍历聚 簇；PW 指会话标识符索引列表，u 指用户请求页的 URL。当 一个学习者的请求到达 Web 服务器，后台的资源库将被更新， 同时一个推荐信息列表将被附加到请求页并反馈给学习者。 通过学习者的会话标识符，系统判定该学习者是否在线，并 通过当前会话特征，自动更新资源库并产生推荐信息。而在 会话过程中，学习者所访问的 URL 标识符被存储到一个简单 的映射数组中，要找到 URL 标识符所对应的 URL 地址，只 能通过访问一个字符串数据结构 trie 才能得到，trie 中就存储 了 URL 标识符到 URL 的映射关系。下面是基本实现算法：

初始设置：M，L，PW；

输入：用户请求页的 URL ：u；

输出：对会话学习者有价值的信息列表 Sug；

page _idu=Identify_Page (u)； //在当前会话中，通 过访问 trie，提取相应 URL 的 id

session_id=Identify_Session ( )；

page_idv=Last_Page (session_id)； //返回当前会 话中最近访问页的 id

PW=Page_Windows[session_id]；

If (!Exists (page_idu, page_idv, PW))

then

M[page_idu, page_idv]++; //如果(u, v)已出现当 前会话中,则邻接矩阵 M 自增

If ((Wuv > minfreq)&(L[page_idu ]< >L[page_ idv]))

then

MergeCluster(L[page_idu],L[page_ idv]);//如果 M

关联度够大且 u,v 不重复，则合并它们的聚簇 L

endif

M [page_idu, page_idu] ++;

New_L= Cluster( M, L, page_idu );//产生新的聚簇 列表

L=New_L

endif

Push(u,PW); //将产生的页面 push 到列表 PW 中

Sug=Create_Suggestions (PW, L, page_idu); //产

生推荐信息列表 sug

Return(Sug); //将推荐信息列表返回给用户

五 结束语

本文所述的基于Webquest的自适应教学系统的设计方法, 能有效地解决当前Webquest教学存在的不足。通过人工智能 技术和Web技术建立的教学系统，能为学习者提供了真正有价 值的资源最小集合，也是从依靠单一模式解决问题发展到以 多个模式协作完成构想的转变，使得Webquest教学系统具有 很好地扩展性和重组性，并对信息化教学有积极地推动和促 进作用。

参考文献

[1]DodgeBJ.WebQuests:A TechniqueforInternetBasedLearning[J]. The Distance Educator. 1995, 1(2): 10-13.

[2] 文可为, 陈淳泉等.网络探索WebQuest的应用:在香港中学 会考课程中地理议题的应用[C ].第十届全球华人计算机教 育应用会议(GCCCE2006) , 2006: 1-17.

[3] 李振贤.应用WebQuest理论于网络环境教学其学习成效之 研究:以中学生物为例[D].台湾:南台科技大学, 2002.

[4] 余胜泉.信息技术与课程整合―网络时代的教学模式与方 法[M].上海教育出版社,2005: 215.

[5] 秦伟俊等. 基于多层体系结构的网络教学系统[J]. 清华大 学学报(自然科学版),2006, 46(7): 1301-1304.

[6] 刘菲等. 多Agent 协作的强化学习模型和算法[J]. 计算机 科学,2006,l33(12): 156-158.

[7] SCORM Guidelines [ EB/OL].< adlnet.gov/scorm/index.aspx, 2006-12 /2007-11-02.>

[8] 史元春,沈中南,向欣,等.学习对象元数据[EB/OL].

[9] Weinstein, C. E., Schulte, A.C.,& Palmer, D.R. Learning andStudy Strategies Inventory (LASSI). 1987, Clearwater, FL: H& H Publishing.

[10] H & H Publishing Co. 1189 institutions have used the LASSI or E-LASSI as of June 1, 1994. Clearwater, FL: Author.

[11] Weinstein, C. E. LASSI user’s manual. Clearwater, FL: H&H Publishing.

[12] Olejnik, S., & Nist, S. L. Identifying latent variables measured by the Learning and Study Strategies Inventory (LASSI) [J]. Journal of Experimental Education,1992,60:151-159.

[13] Claire E. Weinstein & David R. Palmer. User’s Manual for those administering the Learning and Study Strategies Inventory, 2nd Edition [DB/OL].