基于自适应导学的程序设计类课程实践教学探索_赵满坤.pdf

第 4 期2023 年 4 月 10 日计 算 机 教 育Computer Education中图分类号：G642136基于自适应导学的程序设计类课程实践教学探索赵满坤1，3，4，刘志强1，3，4，张文彬2，3，4，李雪威1，3，4（1.天津大学 智能与计算学部，天津 300350；2.天津大学 信息与网络中心，天津 300350；3.天津市先进网络与应用重点实验室，天津 300350；4.天津市认知计算与应用重点实验室，天津 300350）摘 要：针对现有程序设计实践教学忽略学生个体差异的现状，提出将自适应辅助学习理念和方法引入程序设计类课程教学中，推进人工智能、个性化推荐技术在新工科教育教学中的深度融合性应用，同时探讨“人工智能+教育”教学模式，通过为学习者进行个性化学习路径规划以及学习资源推荐，提高学习者的积极性和学习效率，并提高教师程序设计类课程实践教学水平。关键词：互联网+教育；自适应导学；实践教学0引 言新工科建设是基于国家战略发展新要求而提出的工程教育改革方向。学科和专业之间的“交叉与融合”既是新工科建设的主要实现途径之一，也是复合型精英人才培养的着力点。随着人工智能、大数据技术的发展，程序设计能力已经成为人工智能与多学科交叉融合的必要能力，相关程序设计课程如 C/C+程序设计、程序设计基础、软件技术基础、Python 等已经成为计算机基础教育的核心必修课程。在后疫情时代，网络与信息技术被广泛应用于教育教学领域。“互联网+教育”作为一种新型教育形态，已成为高校信息化教育教学改革的重要方法与手段1。在程序设计学习方面，除了用于理论知识学习的各大学习平台，目前被广泛使用的在线学习工具是在线评测平台（Online Judge，简称 OJ）。近些年来，随着程序设计竞赛的发展和人们对于信息技术热情的提高，OJ 系统中的信息量在不断增多。例如，北京大学的OJ 系统（POJ）中题目已超过 3 000 道，杭州电子科技大学 OJ 系统（HDU）中题目已超过 7 000道，vjudge 则是聚合了几十个 OJ 平台的题目数据，为学习者提供代理评测服务。此外，各种商业化的训练平台，如牛客、计蒜客、拼题啊、洛谷等网站也同样提供部分免费的程序设计学习服务，各大平台拥有几千万甚至上亿的代码评测记录，已经积累了大量的学习资源数据以及学习记录数据。但是，随着海量学习资源的积累，学习者难以从中找到适合自己并且质量有所保证的学习资源，在线学习效率及资源利用率仍然不高，目前尚未有相关平台能够有效地引导学习者进行高效的程序设计学习及实践。为探索该问题的解决方案，有必要面向程序设计学习领域，整合网络学习资源，构建该领域的知识网络，根据用户知识掌握情况，形成用户画像，而后对用户进行个性化学习资源的推荐，提高学习效率。基金项目：全国高等院校计算机基础教育研究会计算机基础教育教学研究项目“面向程序设计的自适应辅助学习关键技术研究”（2022-AFCEC-503）；国家自然科学基金面上项目“拓扑知识网络构建与个性化学习路径规划关键技术研究”（61877043）。作者简介：赵满坤，男，工程师，研究方向为数据挖掘、信息检索、教育信息科学，;；李雪威（通信作者），女，副教授，研究方向为计算机视觉，。文章编号：1672-5913(2023)04-0136-04DOI:10.16512/ki.jsjjy.2023.04.041实践论坛第 4 期1371程序设计类课程实践教学现状分析1.1程序设计类课程实践教学现状近年来，随着信息技术的发展及其在各个领域的推广应用，知识迭代速度也在不断加快，而传统教育授课内容更新缓慢，教学模式单一，以致教育和实践脱节的问题越来越严重。与此同时，我国目前还存在严重的教育资源分配不均匀的问题，在部分地区教师数量还远远不能满足需求。因此，我国推行教育改革，推动教育信息化建设，促进网络教学平台的构建，目的就是为了解决上述问题，国务院和教育部正在不断地提出益于该方面的改革举措2-3。上述现状和国家政策都在大力推广信息化教育，而基于互联网的在线学习是信息化教育的重要形式。目前，在线教学基本基于大型开放式网络课程（MOOC 或慕课）开展，已经形成了若干影响较大的学习平台，具有代表性的有斯坦福大学创建的 Coursera 在线课堂、网易公司开发的网易云课堂，麻省理工大学和哈佛大学等联合创建的 edx 在线课堂平台等4。MOOC 以其资源更丰富、质量更优质、学习更便捷的优点，已经成为一种被广泛接受的教学方式。同时，在线学习方式以其自适应学习的特点和推荐系统的引用，为学习者提供了个性化的教育模式和高效的资源学习方式5。自适应学习是教育方式上的一次革新，不同于以往的传统大班教学模式，自适应学习能够为不同的学生匹配到不同的学习内容和学习路径，千人千面，提供了更人性化、更个性化的教学模式，符合教育理论中的因材施教。面对海量的教学资源和不同类型的学习者，推荐系统为在线学习平台提供了更高效的匹配对应资源的方式，根据学习者的学习状态和学习历史，为学习者推荐更符合当前学习情况的学习资源。赋予了人工智能技术的在线学习平台充当了 AI 教师的角色，一定程度上有效地解决了教育资源分配不均匀的问题，为国家教育信息化建设奠定了重要基础。但是，现有“互联网+”模式下的程序设计课程教学存在学习者难以准确定位学习资源的问题。为此，本文将自适应辅助学习系统引入“互联网+”模式下的程序设计相关课程中，通过对学习者进行个性化学习资源的推荐，提高学习 效率。1.2程序设计实践教学的主要问题及挑战（1）学生个体间差异较大，同质化实践内容无法满足教学需求。部分学生的知识和技能储备不足，相当一部分学生接触编程时间较短，导致编程能力略弱，需要通过大量的实际应用才能够逐渐体会和掌握。在实践教学中，学生之间存在知识背景、接受能力等各种因素造成的个体差异，使用同质化的实践内容无法满足所有学生 需求。（2）计算思维难以培养，学习积极性受限。程序设计类课程实践注重对学生计算思维的培养，但计算思维与学生在以往学习和生活中的思维大不相同，学生较难转变，此外实践内容通常较为抽象，学生难以完成任务，导致部分学生学习积极性不高。（3）学生在实践课堂参与不够充分。传统实践课堂多是由教师进行实践内容讲解，发布实践任务，学生在课堂或课下完成实践任务，但总体课堂参与度不高，无法有效进行交流互动，课堂参与度不高。2基于自适应导学的程序设计课程实践教学实施方案在引入自适应辅助学习系统的基础上，创新课程教学方法，从而提升学生学习的主动性和积极性的问题，增强培养学生综合素质与能力；利用自适应辅助学习系统改善由于学生认知程度和学习能力存在差异性所导致的课程资源难以适应学生需求差异的问题，从而有效地实现分层次 教学。2.1建设内容1）优化整合课程资源。利用“互联网+”背景下网络资源丰富的优势，教师筛选并引入符合课程特点的 MOOC、SPOC、案例等优质课程资源，补充至已有课程资源库，或根据教学实际情况，设计并录制教学案例、教学视频等个性化资源，实现对课程内容和资源的优化整合，为学生构建层次化、个性化的知识空间。2023138计 算 机 教 育Computer Education2）部署自适应辅助学习系统。引入包含学习资源以及知识点的双层学科知识图谱，包含知识点与知识点之间的层次关系、前驱后继关系，以及知识点和学习资源之间的匹配关系、资源和资源之间的前驱后继关系等。此外，引入各大 OJ 平台学习者学习数据以及经过标注的学习资源。在此基础上，部署自适应辅助学习系统。该系统包含基于学科知识图谱的学习者状态感知，以及自适应导学推荐算法两大核心内容。可使用知识追踪的方法得到学习者的学习状态，并为学习者推荐符合学习者知识学习进步的资源，使学习者循序渐进、由简到难地学习；并且进行基于学习行为模式建模及评价从而达到为学习者构建出一条科学合理的学习路线。图 1 为自适应导学系统的研究框架示意图。图 1 自适应导学系统研究框架3）改革创新教学模式。结合 BOPPPS 教学模式，将引入自适应辅助学习系统的线上教学模式应用到教学实践中，学习者根据自适应辅助学习系统所构建的科学合理的学习路线进行学习，教师根据自适应辅助学习系统中的学习者状态感知模块，了解当前学习者对于已交互知识的掌握情况，并预测其对于未知知识的掌握情况，及时、动态地微调教学策略。同时，构建适合于不同水平层次的课程资源库，以便不同学科、不同专业或不同知识水平的学习者进行个性化自主学习。2.2主要创新点（1）探索“人工智能+教育”教学模式，引入自适应辅助教学系统。利用“互联网+”背景和人工智能技术，基于在线教学平台开展新兴技术的新工科教学应用研究。利用自适应辅助教学系统感知学习者对于过去和未来知识点的掌握情况，并根据这一情况推荐符合学习者知识学习进步的资源，为学习者自动规划科学合理的学习路线，从而提升学习者的学习效率。（2）改革创新“互联网+”模式下的新工科教学模式，充分发挥“互联网+”平台新兴技术优势。依托网络信息化平台，为学生优化整合丰富优质的在线教学资源；依托自适应辅助教学系统，教师可随时了解学习者对于知识点的掌握情况，从而根据学生的知识水平层次动态优化、微调课程教学内容，以实现分层次教学的目的。2.3关键技术实现1）融合学科知识图谱的深度知识追踪研究。通过对资源层和知识图谱层的双层构建处理，对海量开放资源数据进行收集治理并有效管理，通过统一的标准构建出学科知识图谱，将知识图谱层中的实体、关系与资源层中的各类数据相链接，有效组织结合，生成一个完整全面的双层学科知识图谱结构。知识追踪（Knowledge Tracing）是根据学习实践论坛第 4 期139者过去的答题情况对学习者的知识掌握情况进行建模，从而得到学习者当前知识状态表示的一种技术。深度知识追踪（Deep Knowledge Tracing）是指使用 RNN、LSTM、Transformer 等技术对学习者学习情况进行建模。但是，当前的深度知识追踪存在一些问题，比如对答题顺序的依赖较大：如果只改变答题顺序，而答题结果不变，由知识追踪生成的状态表示结果会发生很大的 波动。将学科知识图谱与深度知识追踪进行结合，采用图神经网络的相关方法，发掘学习者题目之间的内在联系，从而丰富深度知识追踪的输入信息，降低状态标识对答题顺序的依赖性。2）融合教育理论的自适应导学推荐算法 研究。在学习者认知活动过程中,学习者对知识的认识在概念的不断更替、无数转化中得以实现。1885 年，德国心理学家艾宾浩斯研究指出，人们在学习之后立即开始遗忘，而且遗忘的进程并不是均匀的，最初遗忘速度很快，以后逐渐缓慢，提出了艾宾浩斯遗忘曲线。根据该理论，将学习者的掌握程度与其交互时间挂钩，对长期未进行交互过的知识点还考虑对其进行知识的推荐，进而达到温故而知新的效果。本文从学习路线方面着手，提出评判学习者学习模式的评价 方法。（1）假定学习者历史交互项目数量为 n，学习者当前交互知识点为 Kn，学习者首次交互知识点为 K1，利用图遍历算法可以在学科知识图谱中找到所有 K1 和 Kn 之间的学习路径。（2）制订一套针对于每一个学习者专有的，学习路径评价计算方式，如此设定可以合理将学习者学习状态和路径的客观因素相结合，同时弥补了以往学习模式对学习、遗忘、认知理论的缺失，为每个学习者定制化路径评判标准，计算所有可能路径的路径得分，得分最高的路径为学习者最优学习路径。此外，常规推荐系统中，在输出综合的学习者预期状态向量后，系统会将所有知识点向量作为候选项目与学习者预期状态向量做相似性计算，取相似性得分高的项目作为推荐项目。但是这样的处理方式存在一个问题，因为不同学习者具有自己的学习模式，如果学习者的学习模式不合理，则得到的学习者预期状态向量会促使推荐系统推荐不适合学习者的学习资源。本文提出基于优质学习者的 85%法则，通过在常规基于用户协同过滤算法前加上优质学习者筛选的步骤，并且推荐学习者掌握程度 85%的学习资源，平衡熟练与不熟练的因素启发兴趣，引导学习者学习。从而在每个推荐