人工智能教學的優點精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工智能教學的優點主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：人工智能教學的優點范文
關鍵詞：人工智能；教育；應用；問題
中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2012）03-0159-02
人工智能是研究如何構造智能機器（智能計算機）或智能系統，使其模擬、延伸、擴展人類智能的學科。隨著人工智能的理論與技術在社會各個領域的廣泛應用，其在教育領域內的應用也越來越受到重視，并取得了一定的研究成果。
一、人工智能教育應用的主要形式
人工智能在教育領域應用的最直接結果就是誕生了智能教學系統。智能教學系統是以計算機輔助教學為基礎而興起的，它是以學生為中心，以計算機為媒介，利用計算機模擬教學專家的思維過程而形成的開放式人機交互系統。目前，智能教學系統已成為人工智能在教育中應用的主要形式。智能教學系統主要是在知識表示、推理方法和自然語言理解等方面應用了人工智能原理。由于它綜合了知識專家、教師與學生三者的活動，因此，與之相對應的，智能教學系統一般分成知識庫、教學策略和學生模型三個基本模塊，再加上一個自然語言智能接口。智能教學系統的功能具體來說有以下幾條：了解每個學生的學習能力、認知特點和當前知識水平；能根據學生的不同特點選擇適當的教學內容和教學方法，并可對學生進行有針對性的個別指導；允許學生用自然語言與“計算機導師”進行人機對話。智能教學系統的設計不僅要有計算機科學的知識，還需要有教育科學的理論指導。
二、人工智能在教育中應用的局限性分析
1.阻礙人工智能發展的關鍵因素。在人工智能的發展中，一直存在著對“計算機是否能代替人腦甚至超過人腦”的問題的討論，實際上，以電子計算機為主要工具模擬人的某些思維活動而產生的人工智能是有局限的。①計算機處理問題的根本原理。要計算機解決某種問題，有三個基本的前提：必須把問題形式化；問題還必須是可計算的，即要有一定的算法；問題必須有合理的復雜度，即要避免指數爆炸。由于人的智能活動不能完全形式化，因此，機器就不能將人腦的智力活動全部復制出來。電子計算機最終只能把握0、1這兩個開關代碼，遇到不能形式化、不能找到算法或不能程序化的任務，計算機則難以執行。②人和機器之間的根本區別。智能模擬利用了人和機器的共性，即兩者都是一個信息轉換系統，但兩者之間存在著不容忽視的本質區別。智能模擬與天然智能屬于兩種不同的進化系統，人類的智能是人類社會實踐的產物，機器的智能是機械制造的結果。大腦和電腦的組織結構也不相同，兩者屬于兩種不同的運動過程，前者是復雜的生理--心理過程，后者是機械--物理過程。智能模擬可以在局部上超過天然智能，但是，模擬的根本方法是功能模擬法，兩個系統在結構和實際過程上是不一樣的。智能模擬不具有人的思維的社會性，不具有主觀世界。
2.人工智能在教育中應用的局限。就目前人工智能的發展水平以及人工智能本身的特點而言，它在教育中的應用也是有其局限性的。①與學生之間無法暢通交流。教育本質上是一種“交互”活動，而智能教學系統無法實現最充分、最真實的交互。目前自然語言理解的研究成果非常有限，遠不能達到人人交流的要求。此外，就態度、品德、情感等教育問題而言，機器只能通過學生輸入計算機的信息來判斷其掌握和內化程度，而無法像人類教師通過自然狀態的交流和觀察來判斷學生的真實情況，因此，“機器智能”很容易被蒙蔽“雙眼”，無法做到像人與人之間那樣自然暢通的交流。②決策和推理機制不完善。智能教學系統的關鍵智能所在是其決策和推理機制，即“教學策略”模塊根據不同學生的具體情況通過推理做出靈活決策，這種決策基于學生模塊提供的有關學生的知識水平、認知特點和學習風格，而這些不能完全被形式化。同時，隨著教育理念的不斷更新以及教學模式和教學方法的不斷改進，系統所應用的教學策略模塊用于評估和判斷學生學習過程的能力是有限的。③人工智能并非適合所有的學習領域。根據加涅的學習結果分類，學習分為言語信息、智慧技能、認知策略、動作技能和態度五類。言語信息分為符號學習、事實學習和有組織的知識學習，這些屬于可形式化內容，適用于智能教學系統；智慧技能分為辨別、具體概念、定義性概念、規則和高級規則，其中前四項屬于可形式化內容，適用于智能教學系統，而高級規則屬于復雜――形式化內容，部分內容不適用于智能教學系統；動作技能和態度領域的學習，在其認知成分中可以使用智能教學系統，但情感和行為成分等非形式化內容，則難以用智能教學系統來實現。因此，并不是所有的學習領域都適用于智能教學系統。智能教學系統在教育中應用的重點應放在認知領域中的符號學習、事實學習和有組織的知識學習、辨別、具體概念、定義性概念以及規則這些學習內容上。
三、人工智能教育應用的發展方向
近年來，隨著計算機技術、網絡技術、人工智能技術以及現代教育教學理論的發展，人工智能在教育中應用的發展呈現出以下幾個趨勢。
1.開始突破單一的個別化教學模式。長期以來，計算機輔助教學系統和智能教學系統都是強調個別化教學模式，這種模式在發揮學生的學習積極性、主動性和進行因人而異的指導等方面確實有許多優點。但是，隨著認知學習理論研究的進展，人們發現在計算機輔助教學系統和智能教學系統中只強調個別化是不夠的，在某些場合（例如問題求解）采用協作方式往往更能奏效。因此，近年來在智能教學系統中，協作型教學模式得到越來越多的重視和研究。
2.智能教學系統日益與超媒體技術相結合。超媒體系統具有良好的開發環境、靈活方便的用戶界面以及圖、文、聲并茂的特點，而且其信息的組織方式與人類認知的聯想記憶習慣相符，已成為目前一種最理想的信息載體和最有效的信息組織與信息管理技術，在許多領域尤其是教育領域有廣闊的應用前景。把超媒體技術引入智能教學系統，從而發展成為智能超媒體輔助教學系統，可以大大改善計算機輔助教學系統的教學環境，激發學生的學習積極性，從而顯著提高教學效果。
3.智能教學系統與網絡的關系日益密切。網絡的應用和普及為遠程教育和終身教育提供了一個良好的空間。當前，智能教學與多媒體網絡的結合成為人工智能在教育中應用的一個勢不可擋的發展趨勢。
4.傳統人工智能與神經網絡模糊決策機制相結合。傳統人工智能從宏觀角度開展認知模擬，可以部分地模擬人類的邏輯思維過程，而神經網絡模糊決策機制從微觀方面進行認知模擬，著力實現模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。今后將探索一種新的智能處理模型：把神經網絡的模糊決策機制和符號專家系統的推理能力結合起來，利用多重知識源、多種模型進行復合協同處理。如果上述技術能夠成熟運用，那將對人工智能的發展及其在教育中的應用起到決定性的作用。
參考文獻：
[1]王士同.人工智能教程[M].北京：電子工業出版社，2001.
[2]王永慶.人工智能原理與方法[M].西安：西安交通大學出版社，1998.
[3]何克抗.計算機輔助教育[M].北京：高等教育出版社，1997.
[4]徐鵬，王以寧.國內人工智能教育應用研究現狀與反思[J].現代遠距離教育，2009，（5）：3-5.
第2篇：人工智能教學的優點范文
關鍵詞：多媒體技術；教學；模式；發展趨勢
多媒體技術自誕生以來就一直受到人們關注，人們將多媒體技術應用于各個領域，多媒體課堂的誕生給教育領域帶來了前所未有的機遇。尤其是隨著因特網的快速發展，多媒體技術不斷更新進步，多媒體課堂也變得越來越豐富，同時在各個階段的教學中也發揮著越來越大的作用。它與傳統課堂相結合，使理論與實踐良好的結合，在未來的發展中更讓人們充滿憧憬。
多媒體教學的發展是隨著計算機的發展展開的，大致可分為三個發展模式。第一種是基于單機的傳統多媒體教學模式，自七十年代多媒體技術應用在教學中就是采用這種最基本的模式，因為單機的傳統模式技術要求不高，所以在之后的幾十年發展過程中，這種模式一直是應用最廣泛的，但是其有自身缺點，它的制作周期長，質量和規范上有問題，尤其是課件技術含量低，知識更新慢；第二種為基于局域網的多媒體教學模式，這種模式基于第一種傳統單機模式，仍然需要制作單機模式中的課件，其進步之處就是網絡教學平臺的運用。與單機傳統模式相比有許多優點；第三種為基于因特網的現代多媒體教學模式，這種模式較前兩個模式有巨大進步，雖然也需要多媒體的基本元素，但是因為因特網的出現，它擺脫了光盤和局域網，能夠實現教學資源的共享，提供非常豐富的教育服務。
二十一世紀是互聯網的世紀，網絡無處不在，在未來的課堂上，網絡的運用會愈加成熟，根據國內外學者的觀點以及對多媒體技術發展的分析，展望未來多媒體技術在教學中的發展趨勢：
一、多媒體技術與網絡通信技術的結合
3G是3rd-Generation的簡稱，即指第三代數字通信技術，大大提高了數據和聲音的傳輸速度，3G技術很強大，它不僅能處理圖像和音頻這些媒體形式，還能夠處理包括視頻等多種媒體形式。移動通信網絡和有限的網絡有效地集成在一起，主要由無線連接，有限的網絡和手持終端三部分組成的。傳統的封閉學習受到空間的限制，即使是后來的互聯網與多媒體技術的整合也無法擺脫有線互聯網不能移動的問題，然而3G技術改善此問題，從而可以廣泛應用到教育的各個領域中。隨著3G技術的發展和廣泛的推廣應用，教育手段和教學方式將發生革命性的變化。
二、多媒體技術與仿真技術的結合
仿真技術在多媒體技術中的應用可以稱為虛擬現實，使身臨其境的人進入虛擬現實境界，從而產生一種強烈的幻覺。
由于設備價格昂貴，虛擬現實技術主要應用于一些特殊的部門，如軍事模擬和游戲中對虛擬現實技術的應用，但在教育領域有廣闊的應用前景，對教育技術來說是一個飛躍。它將"自主學習"的環境引入課堂，學習者通過自身與信息環境的相互作用來得到知識、技能，這種新型的學習方式代替了傳統的以教促學的學習方式。
虛擬現實技術能夠應用到現實教學之中，可以應用在諸多方面，總結主要有：（1）模擬在現實中存在的，但教師在課堂之中無法表現出來的景物，方便學生的研究和探討，如火山爆發、人類登月等。（2）模擬在現實中不存在的，但它可能會在將來發生的事情，主要是可以培養學生的創造性思維能力。（3）創造一個外語學習環境，使你如同置身異國他鄉，這樣可縮短學時，提高效率。（4）模擬一些受時空限制的事物，但在課堂上可以激發學生的興趣，滿足學生的求知欲望，例如地殼變動、大陸板塊漂移、海底活動、太空旅行等。通過這種技術應用，可以提高學生的學習興趣，提供實際生活中觀察不到的視點，使得抽象問題形象化。
隨著仿真技術的發展與成熟，相信會逐步應用到各個教育領域，現如今許多高校將科研成果轉化成了實用技術，如浙江大學、哈爾濱工業大學、清華大學等高校建起了虛擬現實與系統仿真的研究室，擁有傳統實驗室無法比擬的優勢，隨著各個科研機構的努力，那么多媒體技術與仿真技術的結合將來就有可能會進入普通課堂之中。
三、多媒體技術與人工智能技術的結合
隨著科學技術不斷發展，現在人們中生活的智能化水平越來越高。人工智能技術屬于計算機科學，人工智能技術涉及很多學科，如生理學、哲學等。它是一門涉及廣、綜合性強的學科。發展到二十一世紀，人類社會的現代化的步伐加快，科學家對人工智能不斷深入研究并與教育信息化相融合，兩者的不斷發展，使得人工智能技術在教育領域的應用越來越受到人們的重視，同時我國許多專家將人工智能技術與現階段我國的教育教學相結合，從而適應我國國情發展，從最大利益上推進我國教育事業的發展，并取得了巨大進步。近年來，隨著我國技術的成熟，國內教育界對于多媒體技術與人工智能技術的結合的研究范圍廣泛，同時關注度較高，涉及教育教學的許多方面，主要表現舉例如下：一、智能教學系統（ITS），它起源于計算機輔助教學（ C A I ） ，并從其基礎上進一步發展。它能夠模仿人類專家的思維，充分結合學生自身的特征，對其實施個性化教學。二、智能（Agent） 技術，智能（Agent）技術在教育中的應用，是一個移動的計算機程序，主動的服務模式，自動的操作系統，具有自主性、能動性、適應性和靈活性的特點，它已廣泛應用于教育教學，智能的典型應用，智能教育學生教師的智能信息等等。三、智能答疑系統，未來開發智能答疑系統，人工智能技術在問答系統中的應用，克服在問答系統中的個性化互動問題的不足，能有效地解決學生困難的問題，消除學生的學習障礙，促進學習。
通過幾十年的發展，多媒體教學給學生課堂帶來了前所未有的進步，是被教師和學生都接受的教學手段。合理地利用多媒體教學，可以創造生動的教學情景，進而激發學生的學習興趣，優化課堂教學，提高教學質量。但在實際教學中也確實存在許多問題，多媒體課堂并不能完全代替傳統課堂教學，教師無論在何種課堂上都應該以授課為主，以學生為中心，幫助學生學習知識和成長。在未來的多媒體課堂上多少都會對教師有一定的要求，授課教師應該經常更新自己的課件，同時要熟練設備的操作，規劃好自己的教學時間與內容。因此，要適應多媒體教學應用的發展趨勢，教師要做到一些改變，包括教學觀念的變化，教學內容的變化，教學手段的革新等等。時代是發展的，教師們要緊隨這種潮流，不斷學習，不斷更新自己的教學方法和理念。同時，教育界專家和學者也要長期面對和研究多媒體技術在教學中的發展趨勢。隨著不斷的嘗試與改變，多媒體教學會給人們帶來更多的驚喜與期待。
參考文獻：
[1]丁俊.多媒體技術在計算機教學中的應用[J].福建電腦，2006，（5）.
[2]賴文繼.關于多媒體教學新模式的探究[J].桂林電子工業學院學報，2005，（2）.
第3篇：人工智能教學的優點范文
【關鍵詞】法理學/法律推理/人工智能
【正文】
一、人工智能法律系統的歷史
計算機先驅思想家萊布尼茲曾這樣不無浪漫地談到推理與計算的關系：“我們要造成這樣一個結果，使所有推理的錯誤都只成為計算的錯誤，這樣，當爭論發生的時候，兩個哲學家同兩個計算家一樣，用不著辯論，只要把筆拿在手里，并且在算盤面前坐下，兩個人面對面地說：讓我們來計算一下吧！”（注：轉引自肖爾茲著：《簡明邏輯史》，張家龍譯，商務印書館1977年版，第54頁。）
如果連抽象的哲學推理都能轉變為計算問題來解決，法律推理的定量化也許還要相對簡單一些。盡管理論上的可能性與技術可行性之間依然存在著巨大的鴻溝，但是，人工智能技術的發展速度確實令人驚嘆。從誕生至今的短短45年內，人工智能從一般問題的研究向特殊領域不斷深入。1956年紐厄爾和西蒙教授的“邏輯理論家”程序，證明了羅素《數學原理》第二章52個定理中的38個定理。塞繆爾的課題組利用對策論和啟發式探索技術開發的具有自學習能力的跳棋程序，在1959年擊敗了其設計者，1962年擊敗了州跳棋冠軍，1997年超級計算機“深藍”使世界頭號國際象棋大師卡斯帕羅夫俯首稱臣。
20世紀60年代，人工智能研究的主要課題是博弈、難題求解和智能機器人；70年代開始研究自然語言理解和專家系統。1971年費根鮑姆教授等人研制出“化學家系統”之后，“計算機數學家”、“計算機醫生”等系統相繼誕生。在其他領域專家系統研究取得突出成就的鼓舞下，一些律師提出了研制“法律診斷”系統和律師系統的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）
1970年Buchanan&Headrick發表了《關于人工智能和法律推理若干問題的考察》，一文，拉開了對法律推理進行人工智能研究的序幕。文章認為，理解、模擬法律論證或法律推理，需要在許多知識領域進行艱難的研究。首先要了解如何描述案件、規則和論證等幾種知識類型，即如何描述法律知識，其中處理開放結構的法律概念是主要難題。其次，要了解如何運用各種知識進行推理，包括分別運用規則、判例和假設的推理，以及混合運用規則和判例的推理。再次，要了解審判實踐中法律推理運用的實際過程，如審判程序的運行，規則的適用，事實的辯論等等。最后，如何將它們最終運用于編制能執行法律推理和辯論任務的計算機程序，區別和分析不同的案件，預測并規避對手的辯護策略，建立巧妙的假設等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在這一時期主要沿著兩條途徑前進：一是基于規則模擬歸納推理，70年代初由WalterG.Popp和BernhardSchlink開發了JUDITH律師推理系統。二是模擬法律分析，尋求在模型與以前貯存的基礎數據之間建立實際聯系，并僅依這種關聯的相似性而得出結論。JeffreyMeld-man1977年開發了計算機輔助法律分析系統，它以律師推理為模擬對象，試圖識別與案件事實模型相似的其他案件。考慮到律師分析案件既用歸納推理又用演繹推理，程序對兩者都給予了必要的關注，并且包括了各種水平的分析推理方法。
專家系統在法律中的第一次實際應用，是D.沃特曼和M.皮特森1981年開發的法律判決輔助系統(LDS)。研究者探索將其當作法律適用的實踐工具，對美國民法制度的某個方面進行檢測，運用嚴格責任、相對疏忽和損害賠償等模型，計算出責任案件的賠償價值，并論證了如何模擬法律專家意見的方法論問題。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）
我國法律專家系統的研制于20世紀80年代中期起步。（注：錢學森教授：《論法治系統工程的任務與方法》（《科技管理研究》1981年第4期）、《社會主義和法治學與現代科學技術》（《法制建設》1984年第3期）、《現代科學技術與法和法制建設》（《政法論壇》）1985年第3期）等文章，為我國法律專家系統的研發起了思想解放和理論奠基作用。）1986年由朱華榮、肖開權主持的《量刑綜合平衡與電腦輔助量刑專家系統研究》被確定為國家社科“七五”研究課題，它在建立盜竊罪量刑數學模型方面取得了成果。在法律數據庫開發方面，1993年中山大學學生胡釗、周宗毅、汪宏杰等人合作研制了《LOA律師辦公自動化系統》。（注：楊建廣、駱梅芬編著：《法治系統工程》，中山大學出版社1996年版，第344-349頁。）1993年武漢大學法學院趙廷光教授主持開發了《實用刑法專家系統》。（注：趙廷光等著：《實用刑法專家系統用戶手冊》，北京新概念軟件研究所1993年版。）它由咨詢檢索系統、輔助定性系統和輔助量刑系統組成，具有檢索刑法知識和對刑事個案進行推理判斷的功能。
專家系統與以往的“通用難題求解”相比具有以下特點：(1)它要解決復雜的實際問題，而不是規則簡單的游戲或數學定理證明問題；(2)它面向更加專門的應用領域，而不是單純的原理性探索；(3)它主要根據具體的問題域，選擇合理的方法來表達和運用特殊的知識，而不強調與問題的特殊性無關的普適性推理和搜索策略。
法律專家系統在法規和判例的輔助檢索方面確實發揮了重要作用，解放了律師一部分腦力勞動。但絕大多數專家系統目前只能做法律數據的檢索工作，缺乏應有的推理功能。20世紀90年代以后，人工智能法律系統進入了以知識工程為主要技術手段的開發時期。知識工程是指以知識為處理對象，以能在計算機上表達和運用知識的技術為主要手段，研究知識型系統的設計、構造和維護的一門更加高級的人工智能技術。（注：《中國大百科全書·自動控制與系統工程》，中國大百科全書出版社1991年版，第579頁。）知識工程概念的提出，改變了以往人們認為幾個推理定律再加上強大的計算機就會產生專家功能的信念。以知識工程為技術手段的法律系統研制，如果能在法律知識的獲得、表達和應用等方面獲得突破，將會使人工智能法律系統的研制產生一個質的飛躍。
人工智能法律系統的發展源于兩種動力。其一是法律實踐自身的要求。隨著社會生活和法律關系的復雜化，法律實踐需要新的思維工具，否則，法律家（律師、檢察官和法官）將無法承受法律文獻日積月累和法律案件不斷增多的重負。其二是人工智能發展的需要。人工智能以模擬人的全部思維活動為目標，但又必須以具體思維活動一城一池的攻克為過程。它需要通過對不同思維領域的征服，來證明知識的每個領域都可以精確描述并制造出類似人類智能的機器。此外，人工智能選擇法律領域尋求突破，還有下述原因：(1)盡管法律推理十分復雜，但它有相對穩定的對象（案件）、相對明確的前提（法律規則、法律事實）及嚴格的程序規則，且須得出確定的判決結論。這為人工智能模擬提供了極為有利的條件。(2)法律推理特別是抗辯制審判中的司法推理，以明確的規則、理性的標準、充分的辯論，為觀察思維活動的軌跡提供了可以記錄和回放的樣本。(3)法律知識長期的積累、完備的檔案，為模擬法律知識的獲得、表達和應用提供了豐富、準確的資料。(4)法律活動所特有的自我意識、自我批評精神，對法律程序和假設進行檢驗的傳統，為模擬法律推理提供了良好的反思條件。
二、人工智能法律系統的價值
人工智能法律系統的研制對法學理論和法律實踐的價值和意義，可以概括為以下幾點：
一是方法論啟示。P.Wahlgren說：“人工智能方法的研究可以支持和深化在創造性方法上的法理學反思。這個信仰反映了法理學可以被視為旨在于開發法律分析和法律推理之方法的活動。從法理學的觀點看，這種研究的最終目標是揭示方法論的潛在作用，從而有助于開展從法理學觀點所提出的解決方法的討論，而不僅僅是探討與計算機科學和人工智能有關的非常細致的技術方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模擬法律推理的過程中，法學家通過與工人智能專家的密切合作，可以從其對法律推理的獨特理解中獲得有關方法論方面的啟示。例如，由于很少有兩個案件完全相似，在判例法實踐中，總有某些不相似的方面需要法律家運用假設來分析已有判例與現實案件的相關性程度。但法學家們在假設的性質問題上常常莫衷一是。然而HYPO的設計者，在無真實判例或真實判例不能充分解釋現實案件的情況下，以假設的反例來反駁對方的觀點，用補充、刪減和改變事實的機械論方法來生成假設。這種用人工智能方法來處理假設的辦法，就使復雜問題變得十分簡單：假設實際上是一個新的論證產生于一個經過修正的老的論證的過程。總之，人工智能方法可以幫助法學家跳出法理學方法的思維定勢，用其他學科的方法來重新審視法學問題，從而為法律問題的解決提供了新的途徑。
二是提供了思想實驗手段。西蒙認為，盡管我們還不知道思維在頭腦中是怎樣由生理作用完成的，“但我們知道這些處理在數字電子計算機中是由電子作用完成的。給計算機編程序使之思維，已經證明有可能為思維提供機械論解釋”。（注：轉引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）童天湘先生認為：“通過編制有關思維活動的程序，就會加深對思維活動具體細節的了解，并將這種程序送進計算機運行，檢驗其正確性。這是一種思想實驗，有助于我們研究人腦思維的機理。”（注：轉引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）人工智能法律系統研究的直接目標是使計算機能夠獲取、表達和應用法律知識，軟件工程師為模擬法律推理而編制程序，必須先對人的推理過程作出基于人工智能理論和方法的獨特解釋。人工智能以功能模擬開路，在未搞清法律家的推理結構之前，首先從功能上對法律證成、法律檢索、法律解釋、法律適用等法律推理的要素和活動進行數理分析，將法理學、訴訟法學關于法律推理的研究成果模型化，以實現法律推理知識的機器表達或再現，從而為認識法律推理的過程和規律提供了一種實驗手段。法學家則可以將人工智能法律系統的推理過程、方法和結論與人類法律推理活動相對照，為法律推理的法理學研究所借鑒。因此，用人工智能方法模擬法律推理，深化了人們對法律推理性質、要素和過程的認識，使法學家得以借助人工智能科學的敏銳透鏡去考察法律推理的微觀機制。正是在這個意義上，BryanNiblett教授說：“一個成功的專家系統很可能比其他的途徑對法理學作出更多的（理論）貢獻。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）
三是輔助司法審判。按照格雷的觀點，法律專家系統首先在英美判例法國家出現的直接原因在于，浩如煙海的判例案卷如果沒有計算機編纂、分類、查詢，這種法律制度簡直就無法運轉了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其實不僅是判例法，制定法制度下的律師和法官往往也要為檢索有關的法律、法規和司法解釋耗費大量的精力和時間，而且由于人腦的知識和記憶能力有限，還存在著檢索不全面、記憶不準確的問題。人工智能法律系統強大的記憶和檢索功能，可以彌補人類智能的某些局限性，幫助律師和法官從事相對簡單的法律檢索工作，從而極大地解放律師和法官的腦力勞動，使其能夠集中精力從事更加復雜的法律推理活動。
四是促進司法公正。司法推理雖有統一的法律標準，但法官是具有主觀能動性的差異個體，所以在執行統一標準時會產生一些差異的結果。司法解釋所具有的建構性、辯證性和創造性的特點，進一步加劇了這種差異。如果換了鋼鐵之軀的機器，這種由主觀原因所造成的差異性就有可能加以避免。這當然不是說讓計算機完全取代法官，而是說，由于人工智能法律系統為司法審判提供了相對統一的推理標準和評價標準，從而可以輔助法官取得具有一貫性的判決。無論如何，我們必須承認，鋼鐵之軀的機器沒有物質欲望和感情生活，可以比人更少地受到外界因素的干擾。正像計算機錄取增強了高考招生的公正性、電子監視器提高了糾正行車違章的公正性一樣，智能法律系統在庭審中的運用有可能減少某些現象。
五是輔助法律教育和培訓。人工智能法律系統凝聚了法律家的專門知識和法官群體的審判經驗，如果通過軟件系統或計算機網絡實現專家經驗和知識的共享，便可在法律教育和培訓中發揮多方面的作用。例如，(1)在法學院教學中發揮模擬法庭的作用，可以幫助法律專業學生鞏固自己所學知識，并將法律知識應用于模擬的審判實踐，從而較快地提高解決法律實踐問題的能力。(2)幫助新律師和新法官全面掌握法律知識，迅速獲得判案經驗，在審判過程的跟蹤檢測和判決結論的動態校正中增長知識和才干，較快地接近或達到專家水平。(3)可使不同地區、不同層次的律師和法官及時獲得有關法律問題的咨詢建議，彌補因知識結構差異和判案經驗多寡而可能出現的失誤。(4)可以為大眾提供及時的法律咨詢，提高廣大人民群眾的法律素質，增強法律意識。
六是輔助立法活動。人工智能法律系統不僅對輔助司法審判有重要的意義，而且對完善立法也具有實用價值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，倫敦大學Imperial學院的邏輯程序組將1981年英國國籍法的內容形式化，幫助立法者發現了該法在預見性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法輔助系統如能應用于法律起草和法律草案的審議過程，有可能事先發現一些立法漏洞，避免一個法律內部各種規則之間以及新法律與現有法律制度之間的相互沖突。
三、法理學在人工智能法律系統研究中的作用
1.人工智能法律系統的法理學思想來源
關于人工智能法律系統之法理學思想來源的追蹤，不是對法理學與人工智能的聯系作面面俱到的考察，而旨在揭示法理學對人工智能法律系統的發展所產生的一些直接影響。
第一，法律形式主義為人工智能法律系統的產生奠定了理論基礎。18-19世紀的法律形式主義強調法律推理的形式方面，認為將法律化成簡單的幾何公式是完全可能的。這種以J·奧斯汀為代表的英國分析法學的傳統，主張“法律推理應該依據客觀事實、明確的規則以及邏輯去解決一切為法律所要求的具體行為。假如法律能如此運作，那么無論誰作裁決，法律推理都會導向同樣的裁決。”（注：（美）史蒂文·J·伯頓著：《法律和法律推理導論》，張志銘、解興權譯，中國政法大學出版社1998年9月版，第3頁。）換言之，機器只要遵守法律推理的邏輯，也可以得出和法官一樣的判決結果。在分析法學家看來，“所謂‘法治’就是要求結論必須是大前提與小前提邏輯必然結果。”（注：朱景文主編：《對西方法律傳統的挑戰》，中國檢察出版社1996年2月版，第292頁。）如果法官違反三段論推理的邏輯，就會破壞法治。這種機械論的法律推理觀，反映了分析法學要求法官不以個人價值觀干擾法律推理活動的主張。但是，它同時具有忽視法官主觀能動性和法律推理靈活性的僵化的缺陷。所以，自由法學家比埃利希將法律形式主義的邏輯推理說稱為“自動售貨機”理論。然而，從人工智能就是為思維提供機械論解釋的意義上說，法律形式主義對法律推理所作的機械論解釋，恰恰為人工智能法律系統的開發提供了可能的前提。從人工智能法律系統研制的實際過程來看，在其起步階段，人工智能專家正是根據法律形式主義所提供的理論前提，首先選擇三段論演繹推理進行模擬，由WalterG.Popp和BernhardSchlink在20世紀70年代初開發了JUDITH律師推理系統。在這個系統中，作為推理大小前提的法律和事實之間的邏輯關系，被計算機以“如果A和B，那么C”的方式加以描述，使機器法律推理第一次從理論變為現實。
第二，法律現實主義推動智能模擬深入到主體的思維結構領域。法律形式主義忽視了推理主體的社會性。法官是生活在現實社會中的人，其所從事的法律活動不可能不受到其社會體驗和思維結構的影響。法官在實際的審判實踐中，并不是機械地遵循規則，特別是在遇到復雜案件時，往往需要作出某種價值選擇。而一旦面對價值問題，法律形式主義的邏輯決定論便立刻陷入困境，顯出其僵化性的致命弱點。法律現實主義對其僵化性進行了深刻的批判。霍姆斯法官明確提出“法律的生命并不在于邏輯而在于經驗”（注：（美）博登海默著：《法理學——法哲學及其方法》，鄧正來、姬敬武譯，華夏出版社1987年12月版，第478頁。）的格言。這里所謂邏輯，就是指法律形式主義的三段論演繹邏輯；所謂經驗，則包括一定的道德和政治理論、公共政策及直覺知識，甚至法官的偏見。法律現實主義對法官主觀能動性和法律推理靈活性的強調，促使人工智能研究從模擬法律推理的外在邏輯形式進一步轉向探求法官的內在思維結構。人們開始考慮，如果思維結構對法官的推理活動具有定向作用，那么，人工智能法律系統若要達到法官水平，就應該通過建立思維結構模型來設計機器的運行結構。TAXMAN的設計就借鑒了這一思想，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序、協調程序、說明程序分別對網絡結構中的輸入和輸出信息進行動態結構調整，從而適應了知識整合的需要。大規模知識系統的KBS(KnowledgeBasedSystem)開發也注意了思維結構的整合作用，許多具有內在聯系的小規模KBS子系統，在分別模擬法律推理要素功能（證成、法律查詢、法律解釋、法律適用、法律評價、理由闡述）的基礎上，又通過聯想程序被有機聯系起來，構成了具有法律推理整體功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）
第三，“開放結構”的法律概念打開了疑難案件法律推理模擬的思路。法律形式主義忽視了疑難案件的存在。疑難案件的特征表現為法律規則和案件之間不存在單一的邏輯對應關系。有時候從一個法律規則可以推出幾種不同的結論，它們往往沒有明顯的對錯之分；有時一個案件面對著幾個相似的法律規則。在這些情況下，形式主義推理說都一籌莫展。但是，法律現實主義在批判法律形式主義時又走向另一個極端，它否認具有普遍性的一般法律規則的存在，試圖用“行動中的法律”完全代替分析法學“本本中的法律”。這種矯枉過正的做法雖然是使法律推理擺脫機械論束縛所走出的必要一步，然而，法律如果真像現實主義法學所說的那樣僅僅存在于具體判決之中，法律推理如果可以不遵循任何標準或因人而異，那么，受到挑戰的就不僅是法律形式主義，而且還會殃及法治要求實現規則統治之根本原則，并動搖人工智能法律系統存在的基礎。哈特在法律形式主義和法律現實主義的爭論中采取了一種折中立場，他既承認邏輯的局限性又強調其重要性；既拒斥法官完全按自己的預感來隨意判案的見解，又承認直覺的存在。這種折中立場在哈特“開放結構”的法律概念中得到了充分體現。法律概念既有“意義核心”又有“開放結構”，邏輯推理可以幫助法官發現問題的陽面，而根據社會政策、價值和后果對規則進行解釋則有助于發現問題的陰面。開放結構的法律概念，使基于規則的法律推理模擬在受到概念封閉性的限制而對疑難案件無能為力時，找到了新的立足點。在此基礎上，運用開放結構概念的疑難案件法律推理模型，通過邏輯程序工具和聯想技術而建立起來。Gardner博士就疑難案件提出兩種解決策略：一是將簡易問題從疑難問題中篩選出來，運用基于規則的技術來解決；二是將疑難問題同“開放結構”的法律概念聯系在一起，先用非范例知識如規則、控辯雙方的陳述、常識來獲得初步答案，再運用范例來澄清案件、檢查答案的正確性。
第四，目的法學促進了價值推理的人工智能研究。目的法學是指一種所謂直接實現目的之“后法治”理想。美國法學家諾內特和塞爾茲尼克把法律分為三種類型。他們認為，以法治為標志的自治型法，過分強調手段或程序的正當性，有把手段當作目的的傾向。這說明法治社會并沒有反映人類關于美好社會的最高理想，因為實質正義不是經過人們直接追求而實現的，而是通過追求形式正義而間接獲得的。因此他們提出以回應型法取代自治型法的主張。在回應型法中，“目的為評判既定的做法設立了標準，從而也就開辟了變化的途徑。同時，如果認真地對待目的，它們就能控制行政自由裁量權，從而減輕制度屈從的危險。反之，缺少目的既是僵硬的根源，又是機會主義的根源。”（注：（美）諾內特、塞爾茲尼克著：《轉變中的法律與社會》，張志銘譯，中國政法大學出版社1994年版，第60頁。）美國批判法學家昂格爾對形式主義法律推理和目的型法律推理的特點進行了比較，他認為，前者要求使用內容明確、固定的規則，無視社會現實生活中不同價值觀念的沖突，不能適應復雜情況和變化，追求形式正義；后者則要求放松對法律推理標準的嚴格限制，允許使用無固定內容的抽象標準，迫使人們在不同的價值觀念之間做出選擇，追求實質正義。與此相應，佩雷爾曼提出了新修辭學(NewRhetoric)的法律理論。他認為，形式邏輯只是根據演繹法或歸納法對問題加以說明或論證的技術，屬于手段的邏輯；新修辭學要填補形式邏輯的不足，是關于目的的辯證邏輯，可以幫助法官論證其決定和選擇，因而是進行價值判斷的邏輯。他認為，在司法三段論思想支配下，法學的任務是將全部法律系統化并作為闡釋法律的大前提，“明確性、一致性和完備性”就成為對法律的三個要求。而新修辭學的基本思想是價值判斷的多元論，法官必須在某種價值判斷的指示下履行義務，必須考慮哪些價值是“合理的、可接受的、社會上有效的公平的”。這些價值構成了判決的正當理由。（注：沈宗靈著：《現代西方法理學》，北京大學出版社1992年版，第443-446頁。）制造人工智能法律系統最終需要解決價值推理的模擬問題，否則，就難以實現為判決提供正當理由的要求。為此，P.Wahlgren提出的與人工智能相關的5種知識表達途徑中，明確地包括了以道義為基礎的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道義邏輯，或者說在機器中采用基于某種道義邏輯的推理程序，強調目的價值，也許是制造智能法律系統的關鍵。不過，即使把道義邏輯硬塞給計算機，鋼鐵之軀的機器沒有生理需要，也很難產生價值觀念和主觀體驗，沒辦法解決主觀選擇的問題。在這個問題上，波斯納曾以法律家有七情六欲為由對法律家對法律的機械忠誠表示了強烈懷疑，并辯證地將其視為法律發展的動力之一。只有人才能夠平衡相互沖突的利益，能夠發現對人類生存和發展至關重要的價值。因此，關于價值推理的人工智能模擬究竟能取得什么成果，恐怕還是個未知數。
2.法理學對人工智能法律系統研制的理論指導作用
GoldandSusskind指出：“不爭的事實是，所有的專家系統必須適應一些法理學理論，因為一切法律專家系統都需要提出關于法律和法律推理性質的假設。從更嚴格的意義上說，一切專家系統都必須體現一種結構理論和法律的個性，一種法律規范理論，一種描述法律科學的理論，一種法律推理理論”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系統的研究，不僅需要以法理學關于法律的一般理論為知識基礎，還需要從法理學獲得關于法律推理的完整理論，如法律推理實踐和理論的發展歷史，法律推理的標準、主體、過程、方法等等。人工智能對法律推理的模擬，主要是對法理學關于法律推理的知識進行人工智能方法的描述，建立數學模型并編制計算機應用程序，從而在智能機器上再現人類法律推理功能的過程。在這個過程中，人工智能專家的主要任務是研究如何吸收法理學關于法律推理的研究成果，包括法理學關于人工智能法律系統的研究成果。
隨著人工智能法律系統研究從低級向高級目標的推進，人們越來越意識到，對法律推理的微觀機制認識不足已成為人工智能模擬的嚴重障礙。P.Wahlgren指出，“許多人工智能技術在法律領域的開發項目之所以失敗，就是因為許多潛在的法理學原則沒有在系統開發的開始階段被遵守或給予有效的注意。”“法理學對法律推理和方法論問題的關注已經有幾百年，而人工智能的誕生只是本世紀50年代中期的事情，這個事實是人工智能通過考察法理學知識來豐富自己的一個有效動機。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自動化的目標，“一方面是用人工智能（通過把計算機的應用與分析模型相結合）來支撐法律推理的可能性；另一方面是應用法理學理論來解決作為法律推理支撐系統的以及一般的人工智能問題。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系統充當法律推理研究的思想實驗手段以及輔助司法審判的問題。后一方面，則是法律推理的法律學研究成果直接為人工智能法律系統的研制所應用的問題。例如，20世紀70年代法理學在真實和假設案例的推理和分析方面所取得的成果，已為幾種人工智能法律裝置借鑒而成為其設計工作的理論基礎。在運用模糊或開放結構概念的法律推理研究方面，以及在法庭辯論和法律解釋的形式化等問題上，法理學的研究成果也已為人工智能法律系統的研究所借鑒。
四、人工智能法律系統研究的難點
人工智能法律系統的研究盡管在很短的時間內取得了許多令人振奮的成果，但它的發展也面臨著許多困難。這些困難構成了研究工作需要進一步努力奮斗的目標。
第一，關于法律解釋的模擬。在法理學的諸多研究成果中，法律解釋的研究對人工智能法律系統的研制起著關鍵作用。法律知識表達的核心問題是法律解釋。法律規范在一個法律論點上的效力，是由法律家按忠實原意和適合當時案件的原則通過法律解釋予以確認的，其中包含著人類特有的價值和目的考慮，反映了法律家的知識表達具有主觀能動性。所以，德沃金將解釋過程看作是一種結合了法律知識、時代信息和思維方法而形成的，能夠應變的思維策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律專家系統并未以知識表達為目的來解釋法律，而是將法律整齊地“碼放”在計算機記憶系統中僅供一般檢索之用。然而，在法律知識工程系統中，法律知識必須被解釋，以滿足自動推理對法律知識進行重新建構的需要。麥卡錫說：“在開發智能信息系統的過程中，最關鍵的任務既不是文件的重建也不是專家意見的重建，而是建立有關法律領域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必須以法律家對某一法律概念的共識為基礎，但不同的法律家對同一法律概念往往有不同的解釋策略。凱爾森甚至說：即使在國內法領域也難以形成一個“能夠用來敘述一定法律共同體的實在法的基本概念”。（注：（奧）凱爾森著：《法與國家的一般理論》，沈宗靈譯，中國大百科全書出版社1996年版，第1頁。）盡管如此，法理學還是為法律概念模型的重建提供了一些方法。例如，德沃金認為，法官在“解釋”階段，要通過推理論證，為自己在“前解釋”階段所確定的大多數法官對模糊法律規范的“一致看法”提供“一些總的理由”。獲取這些總的理由的過程分為兩個步驟：首先，從現存的明確法律制度中抽象出一般的法律原則，用自我建立的一般法律理論來證明這種法律原則是其中的一部分，證明現存的明確法律制度是正當的。其次，再以法律原則為依據反向推出具體的法律結論，即用一般法律理論來證明某一法律原則存在的合理性，再用該法律原則來解釋某一法律概念。TAXMAN等系統裝置已吸收了這種方法，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序使計算機根據案件事實來執行某條法律規則，并在新案件事實輸入時對法律規則作出新的解釋后才加以調用。不過，法律知識表達的進展還依賴于法律解釋研究取得更多的突破。
第二，關于啟發式程序。目前的法律專家系統如果不能與啟發式程序接口，不能運用判斷性知識進行推理，只通過規則反饋來提供簡單解釋，就談不上真正的智能性。啟發式程序要解決智能機器如何模擬法律家推理的直覺性、經驗性以及推理結果的不確定性等問題，即人可以有效地處理錯誤的或不完全的數據，在必要時作出猜測和假設，從而使問題的解決具有靈活性。在這方面，Gardner的混合推理模型，EdwinaL.Rissland運用聯想程序對規則和判例推理的結果作集合處理的思路，以及Massachusetts大學研制的CABARET（基于判例的推理工具），在將啟發式程序應用于系統開發方面都進行了有益的嘗試。但是，法律問題往往沒有唯一正確的答案，這是人工智能模擬法律推理的一個難題。選擇哪一個答案，往往取決于法律推理的目的標準和推理主體的立場和價值觀念。但智能機器沒有自己的目的、利益和立場。這似乎從某種程度上劃定了機器法律推理所能解決問題的范圍。
第三，關于法律自然語言理解。在設計基于規則的程序時，設計者必須假定整套規則沒有意義不明和沖突，程序必須消滅這些問題而使規則呈現出更多的一致性。就是說，盡管人們對法律概念的含義可以爭論不休，但輸入機器的法律語言卻不能互相矛盾。機器語言具有很大的局限性，例如，LDS基于規則來模擬嚴格責任并計算實際損害時，表現出的最大弱點就是不能使用不精確的自然語言進行推理。然而，在實際的法律推理過程中，法律家對某個問題的任何一種回答都可根據上下文關系作多種解釋，而且辯論雙方總是尋求得出不同的結論。因此，智能法律專家系統的成功在很大程度上還依賴于自然語言理解研究工作的突破。牛津大學的一個程序組正在研究法律自然語言的理解問題，但是遇到了重重困難。原因是連法學家們自己目前也還沒有建立起一套大家一致同意的專業術語規范。所以EdwinaL.Rissland認為，常識知識、意圖和信仰類知識的模擬化，以及自然語言理解的模擬問題，迄今為止可能是人工智能面臨的最困難的任務。對于語言模擬來說，像交際短語和短語概括的有限能力可能會在較窄的語境條件下取得成果，完全的功能模擬、一般“解決問題”能力的模擬則距離非常遙遠，而像書面上訴意見的理解則是永遠的終極幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）
五、人工智能法律系統的開發策略和應用前景
我們能夠制造出一臺什么樣的機器，可以證明它是人工智能法律系統？從檢驗標準上看，這主要是法律知識在機器中再現的判定問題。根據“圖靈試驗”原理，我們可將該檢驗標準概括如下：設兩間隔開的屋子，一間坐著一位法律家，另一間“坐著”一臺智能機器。一個人（也是法律家）向法律家和機器提出同樣的法律問題，如果提問者不能從二者的回答中區分出誰是法律家、誰是機器，就不能懷疑機器具有法律知識表達的能力。
依“圖靈試驗”制定的智能法律系統檢驗標準，所看重的是功能。只要機器和法律家解決同樣法律問題時所表現出來的功能相同，就不再苛求哪個是鋼鐵結構、哪個是血肉之軀。人工智能立足的基礎，就是相同的功能可以通過不同的結構來實現之功能模擬理論。
從功能模擬的觀點來確定人工智能法律系統的研究與開發策略，可作以下考慮：
第一，擴大人工智能法律系統的研發主體。現有人工法律系統的幼稚，暴露了僅僅依靠計算機和知識工程專家從事系統研發工作的局限性。因此，應該確立以法律家、邏輯學家和計算機專家三結合的研發群體。在系統研發初期，可組成由法學家、邏輯與認知專家、計算機和知識工程專家為主體的課題組，制定系統研發的整體戰略和分階段實施的研發規劃。在系統研發中期，應通過網絡等手段充分吸收初級產品用戶（律師、檢察官、法官）的意見，使研發工作在理論研究與實際應用之間形成反饋，將開發精英與廣大用戶的智慧結合起來，互相啟發、群策群力，推動系統迅速升級。
第二，確定研究與應用相結合、以應用為主導的研發策略。目前國外人工智能法律系統的研究大多停留在實驗室領域，還沒有在司法實踐中加以應用。但是，任何智能系統包括相對簡單的軟件系統，如果不經過用戶的長期使用和反饋，是永遠也不可能走向成熟的。從我國的實際情況看，如果不能將初期研究成果盡快地轉化為產品，我們也難以為后續研究工作提供雄厚的資金支持。因此，人工智能法律系統的研究必須走產研結合的道路，堅持以應用開路，使智能法律系統盡快走出實驗室，同時以研究為先導，促進不斷更新升級。
第三，系統研發目標與初級產品功能定位。人工智能法律系統的研發目標是制造出能夠滿足多用戶（律師、檢察官、法官、立法者、法學家）多種需要的機型。初級產品的定位應考慮到，人的推理功能特別是價值推理的功能遠遠超過機器，但人的記憶功能、檢索速度和準確性又遠不如機器。同時還應該考慮到，我國目前有12萬律師，23萬檢察官和21萬法官，每年1.2萬法學院本科畢業生，他們對法律知識的獲取、表達和應用能力參差不齊。因此，初級產品的標準可適當降低，先研制推理功能薄弱、檢索功能強大的法律專家系統。可與計算機廠商合作生產具有強大數據庫功能的硬件，并確保最新法律、法規、司法解釋和判例的網上及時更新；同時編制以案件為引導的高速檢索軟件。系統開發的先期目標應確定為：(1)替律師起草僅供參考的書和辯護詞；(2)替法官起草僅供參考的判決書；(3)為法學院學生提供模擬法庭審判的通用系統軟件，以輔助學生在、辯護和審判等訴訟的不同階段鞏固所學知識、獲得審判經驗。上述軟件旨在提供一個初級平臺，先解決有無和急需，再不斷收集用戶反饋意見，逐步改進完善。
第四，實驗室研發應確定較高的起點或跟蹤戰略。國外以知識工程為主要技術手段的人工智能法律系統開發已經歷了如下發展階段：(1)主要適用于簡單案件的規則推理；(2)運用開放結構概念的推理；(3)運用判例和假設的推理；(4)運用規則和判例的混合推理。我們如確定以簡單案件的規則推理為初級市場產品，那么，實驗室中第二代產品開發就應瞄準運用開放結構概念的推理。同時，跟蹤運用假設的推理及混合推理，吸收國外先進的KBS和HYPO的設計思想，將功能子系統開發與聯想式控制系統結合。HYPO判例法推理智能裝置具有如下功能：(1)評價相關判例；(2)判定何方使用判例更加貼切；(3)分析并區分判例；(4)建立假設并用假設來推理；(5)為一種主張引用各種類型的反例；(6)建立判例的引證概要。HYPO以商業秘密法的判例推理為模擬對象，假設了完全自動化的法律推理過程中全部要素被建立起來的途徑。值得注意的是，HYPO忽略了許多要素的存在，如商業秘密法背后的政策考慮，法律概念應用于實際情況時固有的模糊性，信息是否已被公開，被告是否使用了對方設計的產品，是否簽署了讓與協議，等等。一個系統設計的要素列表無論多長，好律師也總能再多想出一些。同樣，律師對案件的分析，不可能僅限于商業秘密法判例，還可能援引侵權法或專利法的判例，這決定了緣由的多種可能性。Ashley還討論了判例法推理模擬的其他困難：判例并不是概念的肯定的或否定的樣本，因此，要通過要素等簡單的法律術語使模糊的法律規則得到澄清十分困難，法律原則和類推推理之間的關系還不能以令人滿意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）這說明，即使具有較高起點的實驗室基礎研究，也不宜確定過高的目標。因為，智能法律系統的研究不能脫離人工智能的整體發展水平。
第五，人－機系統解決方案。人和機器在解決法律問題時各有所長。人的優點是能作價值推理，使法律問題的解決適應社會的變化發展，從而具有靈活性。機器的長處是記憶和檢索功能強，可以使法律問題的解決具有一貫性。人－機系統解決方案立足于人與機器的功能互補，目的是解放人的腦力勞動，服務于國家的法治建設。該方案的實施可以分為兩個階段：第一階段以人為主，機器為人收集信息并作初步分析，提供決策參考。律師受理案件后，可以先用機器處理大批數據，并參考機器的和辯護方案，再做更加高級的推理論證工作。法官接觸一個新案件，或新法官剛接觸審判工作，也可以先看看“機器法官”的判決建議或者審判思路，作為參考。法院的監督部門可參照機器法官的判決，對法官的審判活動進行某種監督，如二者的判決結果差別太大，可以審查一下法官的判決理由。這也許可以在一定程度上制約司法腐敗。在人－機系統開發的第二階段，會有越來越多的簡單案件的判決與電腦推理結果完全相同，因此，某些簡單案件可以機器為主進行審判，例如，美國小額法庭的一些案件，我國法庭可用簡易程序來審理的一些案件。法官可以作為“產品檢驗員”監督和修訂機器的判決結果。這樣，法官的判案效率將大大提高，法官隊伍也可借此“消腫”，有可能大幅度提高法官薪水，吸引高素質法律人才進入法官隊伍。
未來的計算機不會完全取代律師和法官，然而，律師和法官與智能機器統一體的出現則可能具有無限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以預見，人工智能將為法律工作的自動化提供越來越強有力的外腦支持。電腦律師或法官將在網絡所及的范圍內承擔起諸如收債、稅務、小額犯罪訴訟等職能。自動法律推理系統將對訴訟活動發揮越來越多的輔助作用，例如，通過嚴密的演繹邏輯使用戶確信全部法律結論得出的正當性；在解決相互沖突的規則、判例和政策問題時提示可能出現的判決預測；等等。正如網絡的出現打破了少數人對信息的壟斷一樣，電腦法律顧問的問世，將打破法官、律師對法律知識的壟斷，極大地推動法律知識的普及，迅速提高廣大人民群眾的法律素質，使法律真正變為群眾手中的銳利武器。
第4篇：人工智能教學的優點范文
約翰?杜威曾經說過這樣一句話，“今天的教育和老師不生活在未來，未來的學生將活在過去。”這就是今天我為什么要在這里和大家一起思考“未來教育”，對話“未來教育”。近幾年，云計算、移動互聯、大數據等技術的突破性進展，帶來了互聯網的廣泛應用，虛擬世界與現實世界正在相互聯結與融合，當代社會進入了一個日新月異的“互聯網+”時代。“互聯網+”時代對教育提出了更高的要求，也對未來教師提出了新的挑戰。
未來教師的工作形態會發生什么變化？
我們談論的未來教育、未來教師指的是多久以后的未來？五年時間太短，而我們也很難想象十年以后的情況，所以我們討論的是未來五到十年的教育。“未來會發生什么”和“未來應該發生什么”是不一樣的。“未來會發生什么”，這是未來學家做的事情，就像天氣預報員，預測明天會有多云轉晴的情況。“未來應該發生什么”指的是設計式的未來，是我們從事教育的人所期望的未來，即未來應該是怎么樣的，而不是未來會怎么樣。我們現在談的是未來的教育應該是怎么樣的。
教育有兩種思維方式，一種是看學生缺什么，另外一種是看學生有什么。看學生缺什么的思維方式，指的是按照外部標準，每個人應該掌握多少知識，學生缺什么就給他補充什么。比如學生缺乏英語知識，教師就教給他英語知識；缺乏數學知識，教師就教給他數學知識，這是一種缺陷式的教育模式。你要成為一個人你就要達到一定的標準，要不然你就不是人，這是現在教育的模式。看學生有什么的思維方式，首先承認你是一個人，看你現在有什么東西，然后教師幫忙發掘出來。這是兩種不同的教學方式。第一種教學方式，教師作為園丁，如果目的是建牡丹園，凡是牡丹以外的全剪掉，對牡丹而言園丁是好人，而對其他植物來說，園丁就是壞人。另外一種教學方式是教師承認每個孩子本身都是值得保護的，每一種人才都有價值，就像自然保護區里面的每一種生物都值得保護一樣。目前，中國大學生就業率非常低，不是因為大學的擴招，也不是因為教育的投入不夠，而是因為我們教師是在做過去的教育，而不是未來的教育。傳統教育壓抑學生的個性，在智能機器時代，我們要轉變教育方式，解放學生個性，讓每個人都可以發揮潛力。
每一個孩子自我的天賦、自我的激情都是有價值的。學校的目的是幫助每個孩子發現自己的天賦，指引每個孩子發現自己的激情，揚長避短，幫助他把激情和天賦轉換成對別人有價值的東西和事業。在這個時代，我們更多的是追求心理需求，人類心理需求最高的一點就是為別人服務，真實的幸福感一定來自于你對他人、對世界的價值。教師的責任一定不是灌輸知識，而是幫助每個學生成長。今后教師的工作形態一定不以教書為重。我認為教師不是園丁，而應當是學習博物館的構造人，是項目管理員，幫助學生做好自己的項目；是人生導師或者心理咨詢師，幫助每個學生發現自己的優點，實現自己人生的價值。
未來教師需要具備什么樣的素質？
未來教育推崇的是個性化學習，個性化學習本身有兩種不同的理解：學習過程的個性化，學習結果的個性化。學習過程的個性化指的是，學生自定步調地學習，可以學得快一點或者學得慢一點，但是，最終每一位學生都要學到統一的標準。真正的個性化學習，是結果的個性化。在機器時代的差異競爭下，你越獨特、越個性化，就越有價值。
傳統的教學，不可能一對一，教師一個人要教30―50個學生。在這種情況下，分班教學最有效果，如果班里面的學生差異化太大，集體y一的教學效率是很低的。如果每個學生都可以掌握信息、掌握知識，我們就要重新考慮班級是否有必要存在。我們的一堂課是不是非得要40―50分鐘？初中一年級的英語課、數學課必須要按照課程標準來講嗎？傳統的教學叫做預備性的學習，學習是為了未來，而不是“臨時抱佛腳”。
在個性化學習中，每個學生都是有價值的，教師要幫助每一個學生成為有價值的人。人才本身的多元化對社會長期的發展是非常有價值的。因此，教師如果要保護原始生態多元化，教師隊伍就必須要多元化。教師是一個人，不是傳遞知識的機器。教師要回歸人性，教師的天賦是什么、教師的追求是什么，這是很重要的概念。在教師的多元社區中，我們要能夠包容、支持、理解別人的優缺點，真正的合作一定是相互之間的互補。
教師本身是一個社區的建設者，能不能建設成一個社區關鍵在于有沒有讓社區里的每一個人都能夠得到充分的發展。教師是教育的引導者，不應該局限于教學本身。教學目標和教育目標是不一樣的，教學是短期的、臨時的，效果可以評估，而教育對學生的影響無法評估。在傳統教育中，我們不允許學生失敗，教師希望每個學生的成績都能得到提升。實際上，教師有責任去幫助學生學會失敗，成功與失敗，是一個人一生都必須經歷的。
教師應該從人性的角度出發，學會與學生溝通，并樹立領導意識。讓學生印象深刻的一定不是那個教會他乘法表的老師，而是曾經嚴重打擊過他們自信心或者幫助他們改變了人生的老師。一個學生本來可以成為一個非常優秀、非常有價值的人，但是園丁把玫瑰給摘了，只關照牡丹。教師就是殘酷的園丁，我現在特別不想當園丁。
第5篇：人工智能教學的優點范文
論文摘 要:本文以計算機輔助教學為研究內容，界定和分析了計算機輔助教學的概念及與傳統教學相比的優勢所在，同時通過對計算機輔助教學發展過程中存在的一些主要問題分析，展望了計算機輔助教學技術的發展趨勢。
1 計算機輔助教學概念的界定
所謂計算機輔助教學(Computer Assisted Instruction，簡稱CAI)是指“用計算機幫助和代替教師執行部分教學任務，傳遞教學信息，向學生傳授知識和訓練技能，直接為學生服務”。隨著計算機網絡技術、虛擬現實等技術的發展，計算機輔助教學的深度和廣度還在不斷發展。計算機輔助教學模式也稱“信息化教學模式”。到了20世紀80年代以后，由于建構主義學習理論在教育技術中的應用和多媒體技術的發展，國際上計算機輔助教學模式強調以學為中心。20世紀90年代以后，由于網上教育的興起，出現了計算機支持的協作學習。
2 計算機輔助教學與傳統教學相比的優勢
在傳統的教學模式中，教師通常使用文字、動作等表達方式把知識傳授給學生。為了直觀起見，有時教師會借助一些實物、教學儀器和插圖等輔助教學工具來演示和闡述需要講解的內容。這些教具在教學中當然足不可缺少的，但它們也有其局限性。如天體運行或分子的熱運動，無法用實物展示。而計算機輔助教學彌補了以上所述教具之不足。計算機輔助教學的優勢主要體現在以下幾個方面:第一，有利于突出重點、突破難點、化抽象為直觀。采用多媒體，把一些抽象、復雜的動態變化過程真實化、形象化，化抽象為直觀，化難為易，突出重點;第二，有利于增大課堂容量，提高課堂效率。計算機輔助教學能夠提高學生能力，有利于培養學生的科學方法，從而全面完成素質教育的任務;第三，有利于優化課堂結構，加強指導教材中的一些重要內容。
3 計算機輔助教學發展過程中存在的主要問題
3.1 計算機輔助教學變成計算機教學替代問題
現在計算機輔助教學已經比較普遍了，大部分都取得了好的效果，但有的教師上課時往往讓計算機完全代替自己去教學，教師充當了操作員的角色，學生跟著計算機被動地學習，聽課變成了自學。很顯然，這種做法使師生雙方缺少溝通。改進方法:計算機輔助教學，可以利用計算機強大的信息處理能力和技術模擬教師的教學行為，完成教師的部分工作。但它作為教學的一種手段，只能起輔助教學的作用，不能完全代替教師的教學。因此，教學過程是一個復雜的活動過程，是教師“教學”和學生“學習”相結合的活動，只有在師生共同參與下才能實現有效地教學。
3.2 學生基礎參差不齊問題
學生是成為教學的主體，必須掌握必要的計算機技術。但目前，我國學校計算機及信息科學的教育非常不平衡，學生的計算機掌握程度受地區、學校差異的限制。在一些邊遠地區，很多學生都沒有上過計算機課，甚至還有的學生從都沒有見過計算機。而經濟發達地區的學生一般都受過較好的計算機教育，其中一部分學生的計算機基礎操作非常熟練。由于新生的計算機基礎水平參差不齊，計算機輔助教學在教師和課件等方面也存在問題，這種狀況在未來將會持續相當長的一段時間。因此，教師在課常上要同時兼顧基礎好的學生和基礎差的學生，如果忽視這種差異，則會出現基礎好的學塵不想聽，基礎差的學生跟不上的狀況。
3.3 教師信息素養問題
首先，教師的計算機水平有限。目前大多數學校，只有教計算機課的教師懂計算機，其他任課教師對計算機知之甚微。其次，教學方式方法的形式化。計算機輔助教學與傳統教學相比的一個明顯區別，就是直觀形象，使用方式也更多樣。一些教師只追求課件的豐富多樣或新穎美觀，忽視了計算機輔助教學的首要目的應是服務于教和學，導致了學生注意力的分散。而一些有效的傳統教學手段不再被采用，有些教師在上課時可以沒有一次板書，師生問溝通大大減少。實踐表明，某些簡單的圖畫由教師一筆勾成或貼上簡單的面具，可能更親切、更利于師生互動。
3.4 算機輔助教學中的硬件問題
在計算機輔助教學系統中所用到的所有設備裝置都稱為硬件。硬件是計算機輔助教學的物質基礎。在我國計算機輔助教學發展的硬件問題是硬件缺乏和硬件設施配置的形式化。其中，從硬件方面看，各地區、學校之間差距較大，發展不均衡，多數學校硬件設施不完善，無法保證實施現代教育技術所需的最基本硬件條件，客觀上影響了教師運用計算機輔助教學進行教學改革的積極性。與此同時，硬件設施配置的形式化。某些地區計算機輔助教學投入了大量資金，卻不能有效地利用，造成了資源的極大浪費。
4 計算機輔助教學技術發展趨勢
4.1 基于網絡的計算機輔助教學
網絡的計算機輔助教學具有自身的優勢。計算機輔助教學的發展是學生和教師通過計算機網絡進行課題內容的學習、講授、練習和測試。它的主要優點是不受地域的限制，能夠方便地做到大量資源共享、軟件運行速度快和易于研制。網絡的計算機輔助教學有3個組成部分，即網絡多媒體課件系統、網絡多媒體教室系統和網絡遠程教學系統。通過校園網和遠程工作站相連，開展遠程教學活動。
4.2 虛擬現實技術的應用發展
虛擬現實技術的應用，為學生創建更接近真實的學習環境。虛擬現實技術是20世紀興起的一門綜合性信息技術，它融合了數字圖像處理、多媒體技術、傳感器技術等多個信息技術。虛擬現實技術生成的視覺環境和音效在教育領域內有著極其巨大的應用前景。虛擬現實學習壞境有利于激發學生的學習興趣。與此同時，虛擬現實技術應用于教學過程后，可以有效促使教學手段向科學化方向發展，其變化可以體現在互動啟發式教學、發現式教學、協同工作式教學和情境式教學等方面。
4.3 人工智能技術使計算機輔助教學更加智能化
計算機輔助教學的發展首先是智能化的CAI(Intelligence Computer Assisted Instruction，ICAI)，它將人工智能技術應用于計算機輔助教學。智能化的CAI(ICAI)根據學生的認知模型提供的詳細信息，通過智能系統的搜索與判斷，生成適合于個別化教學的內容與教學策略。目前，智能計算機輔助教學系統可以分為智能導師系統(ITS)和人工智能化的學習環境(AIBLE) 兩類。ICAI系統從以下四個方面必然會對教育、教學產生深刻的影響:有利于激發學生的學習興趣和認知主體作用的發揮;有利于知識的獲取與保持;可實現對教學信息最有效的組織與管理;可作為認知工具實現最理想的學習環境。
參考文獻
第6篇：人工智能教學的優點范文
中學美術 教學技術 技術策略
中學美術教學技術在中學美術教學課程設計中起著完善教學效果的重要作用。中學美術教學讓學生在課程體驗中不斷地提高想象力和創造力，為學生提供了多樣化的個性發展空間。各種信息技術快速發展為中學美術教學提供了新的教學環境，信息技術貫穿于教學活動的始終，為教學活動的各個環節服務。合理選擇使用各種教育技術，能夠加強學生的感官刺激，強化學生的教育接受，提高學生的綜合素質。
《中小學教師教育技術能力標準（試行）》是教育部頒布的有關中小學教師專業能力標準的文件，它要求“中小學教師能夠靈活地使用各種教育理論與技術對教與學過程及相關資源進行設計、開發、利用、管理和評價”。在教學活動中，教學技術的選擇使用必須以學生的特點為基礎，要正確評價中學美術各年級學生的年齡特征、行為水平、美術能力、知識基礎等，針對不同的學習環節確定教學技術的實現目標，避免缺少思考的美術感官教學與片面的美術視角轉化，不斷地完善教學技術使用策略。
一、教育技術與教學技術
在我國，教育技術以學科的形式出現。“教育技術的本質特征是運用技術去優化教育、教學過程，以提高教育、教學的效果、效率與效益。這里的‘技術’既包括有形的‘物化技術’，也包括無形的‘智能技術’。”[1]“物化技術”主要指教育中信息技術軟件與硬件的使用以及教師對信息技術的掌握與應用。“智能技術”則是指教師的教育理論與教學實踐的能力。教育技術要求教師不僅要擁有信息技術技能，還要不斷地更新教育理念，提高自身的教育能力與綜合素質。
教育技術是對教學活動進行科學設計的技術，是“教”與“學”的有機融合，而教學技術則是連接“教”與“學”之間的媒介途徑，二者都是為了實現課程的最優教學。教育技術中包含了教學技術的選擇與使用策略。
中學美術教學技術策略是教師轉化教學經驗的過程，也是教師教育技術水平的體現，它具有兩個方面的內涵。第一，中學美術教學技術是教師在進行教學設計的各個流程中選擇應用的各種技術手段，比如備課中的文字處理、圖片處理、幻燈片制作技術等。第二，中學美術教學技術主要是在課堂教學中教師選擇采用各種媒體手段來體現的。學生根據教師的課堂教學安排通過多媒體等信息技術實現了教學內容由抽象向具象的轉化。美術學科具有特殊性，在中學美術教學設計過程中，教學技術是教師完成教學目標、達成教學效果的重要手段。如圖1所示，中學美術教學設計根據美術課程的教學目標確定教學方法，以學校的教學設施條件為基礎，根據不同的教學內容與學生特點對教學技術進行優化組合。教學技術的選擇使用是中學美術教學設計中不可缺少的重要組成部分。
二、中學美術教學技術的現狀
“信息技術極大地拓展了教育時空界限，空前地提高了人們學習的興趣、效率和能動性。”[2]中學美術教學技術分為視聽媒體技術、網絡技術和人工智能技術。視聽媒體技術的推廣，推動了各類學習資源在教學中的運用。在中學美術教學設計過程中，需要運用到計算機的各種軟件，各種數碼技術的熟練應用使中學美術課程變得多姿多彩；教師采用電子白板等多媒體演示技術進行教學，便于教學內容由抽象向具象轉化。
網絡技術在視聽媒體技術的基礎上構建，實現了教育信息化，為學生提供了綜合平臺。網絡技術實現了校園內外以及國內外的同步教學及資源共享，為教師備課、教學演示、師生互動、作業練習、考試評價等教學活動提供了豐富的網絡環境。另外，網絡資源共享課程促進了網絡教育資源的整合與共享，為學生提供了一個“個別化教學”的教育平臺，形成了以學生為中心的個性化教學模式，提高了網絡教育教學和人才培養的質量。
人工智能技術通過編程技術與模擬法實現，不斷地運用到各個學科領域，它可以完成智能控制、圖像與語言理解、自主的信息處理與管理等規模龐大的任務。人工智能技術的使用在中學美術課程教學中成為了必然的趨勢。首先，它是教師進行課程設計的好幫手。它可以滿足教師在教學設計中的多種需求；其次，它為個別化教學增添了智能的選擇與識別。另外，人工智能技術在圖像上的識別為中學美術課程的學生作業提供了識別評價的可能。
信息技術的多樣性為中學美術課堂教學增添了色彩，提高了中學生對美術課程學習的主觀能動性。在充斥著信息技術的中學美術課程中，各種技術使用的合理性需要進一步探討。
1.缺少思考的美術感官教學
所謂“感官教學”是指中學美術課經常采用“課件教學――課堂練習”這個由多媒體課件進行感官教授的教學模式，多媒體教學系統的普及，由課件直接到練習成為了一些中學美術教學的主流模式，這種缺乏策略的使用多媒體教學系統，使部分中學美術課堂成為了缺少思考的感官教學。一方面，缺少思考課程內容與教學技術契合度的問題；另一方面，缺少思考教學資源與學生特點的辯證關系。
不同的美術領域對教學技術的需求不同，教師要重視課程內容與教學技術契合度的問題。中學美術教學分為“造型與表現”、“設計與應用”、“欣賞與評述”、“綜合與探索”四個領域，針對不同的教學領域，教學技術的選擇也應不同。義務教育課程標準實驗教科書、人民教育出版社《美術》八年級下冊第二單元《裝點我的居室》即屬于“造型與表現”領域的學習內容，它圍繞“裝點我的居室”這一主題，引導學生利用不同的美術表現形式去裝點自己的居室。這個單元讓學生初步學習了中國寫意花鳥畫、版畫、裝飾畫、鉛筆淡彩畫和掛畫的形式美要求，最后通過同學之間的展示交流進行總結，樹立學生美化生活的意識，提高學生的造型表現能力。在這個單元學習中國寫意花鳥畫的課程內容中，有欣賞環節、有知識技能學習的環節、還有學生的練習與評價環節，這三個教學環節中或多或少都需要使用到各種教學技術。教師通常使用教學課件引導學生欣賞中國寫意花鳥畫；在知識技能學習環節中，教學課件與網絡媒體的結合使用能夠有效地補充學生所需的學習資源并能進行相關的知識拓展，比如了解相關的藝術家及其工作室，進一步明確中國寫意花鳥畫的題材、風格、構圖等。也就是在這個重點的教學環節中，教授的知識技能與教學技術的采用契合度尤為重要。中國寫意花鳥畫中“筆墨章法”是教學難點，是否能夠完全通過多媒體技術手段讓學生掌握呢？答案是否定的。知識技能、特別是動手技能的掌握不能單靠“感官教學”來完成，需要學生通過體驗，在不斷的實踐中學習。教學課件中播放的繪畫視頻減少了教師與學生、學生與學生之間的互動體驗與繪畫技術的交流，感官教學無法取代傳統的動手技能的培訓與學習。“筆墨章法”這個教學內容就需要教師進行課堂示范，教師播放的圖片與繪畫教學視頻只能是對這個教學內容的資源補充，教師在學生的實踐中針對問題單獨指導并示范，這種互動的直觀課堂教學能夠提高學生對知識技能的把握。
互聯網的普及給教師提供了大量的教學資源，有些課堂教學缺少思考教學資源與學生特點的辯證關系。“教學資源指教學材料可被設計、開發與實施的所有方式。”[3]從廣義上說，教學資源是教師在教學中利用的一切要素，包括所有支撐教學和為教學服務的各種內容；從狹義上說，教學資源包括教學信息材料、教學軟硬件和相關教學系統。在教學中教學資源主要是教師采用的教學信息材料與教學硬件設施。教學資源的選擇使用必須以學生的特點為基礎，選擇合適的教學資源。還以人民教育出版社《美術》八年級下冊第二單元《裝點我的居室》采用的教學資源為例：初二的學生處于生理成熟期，個性逐漸形成，對自我社會化發展要求增多，通過以前的美術課程學習有了初步的美術基礎，根據學生的這些特點，盡量選擇符合學生心理興趣點的美術資源；根據學生掌握的文化知識可以選擇學生文化素養范圍內的中國畫進行欣賞。只有正確評價學生的年齡特征、行為水平、美術能力、知識基礎等，才能合理地使用教學資源。
2.缺乏準確的美術視角轉化
不同教師對課程內容有著不同的美術視角，美術視角轉化于課堂教學中要注重轉化過程的準確，以偏帶全會導致學生認識的片面性。缺乏準確的美術視角轉化主要存在兩個問題：一個是教師對課程內容美術視角審視的準確性問題，一個是美術視角轉化過程中使用資源的片面性問題。教師對課程內容的理解主要依靠教學大綱的規范與其個人的教育能力。教學資源的使用需要進一步推敲，學生首次在美術教學中對某一美術門類的體驗不可避免地會形成對該美術門類的主觀經驗主義，教師在選擇教學資源的同時要思考該資源是否能夠準確地帶給學生正確的美術視角。比如《裝點我的居室》的第一部分，要求學生了解中國寫意花鳥畫的題材、風格、構圖、等，要求教師提供給學生經典的寫意花鳥作品，并明確告訴學生不同時期寫意花鳥的特征，樹立學生對寫意花鳥畫的正確認識。
三、中學美術教學技術的改進策略
中學美術是技能、審美與藝術創造力的結合，要求教師不僅要具備美術學科能力，還能根據學生的特點應用教育技術，不斷地調整教學策略，實現因材施教。中學美術教學技術策略“將信息技術有效地融合于學科的教學過程來營造一種信息化教學環境，實現一種既能發揮教師主導作用又能突出體現學生認知主體地位的以‘自主、探究、合作’為特征的新型教與學方式，從而把學生的主動性、積極性、創造性較充分地發揮出來”[4]。中學美術教學技術策略圍繞學生、教師、教學內容與教學技術展開，它包括以教學內容為主體的精簡組合策略、“教”與“學”并重的產生激發策略、重視課堂內外的發散拓展策略。
精簡組合策略以教學內容為主體、教學技術為依據。不同的教學媒體都有各自的優點，在學習上既有潛在的功能性，也有一定的局限性，所以要針對不同的教學內容與教學方法，有機地組合多種教學技術。并不是現代媒體手段使用得越多越好，而是要揚長避短、優勢互補，合理安排教學技術的使用順序，達到整體優化的教學效果。
產生激發策略強調了在應用教學技術過程中“教”與“學”同等重要的地位。奧蘇貝爾與加涅提出以“教”為主體的教學理論，強調了教學方法的重要性；同時，奧蘇貝爾提出“有意義接受學習”強調了學生的認知因素，“構建主義教學策略”指出了“學”的重要地位，美術知識技能的認知與掌握是由學生主動構建的，教師的“教”與學生的“學”要選擇互動多樣的形式實現。在中學美術教學技術策略中，要使用有效的認知工具，讓學生在學習過程中始終處于主動的地位，自主地完成教學內容，激發學生對學習任務和學習過程的積極和熱情。
發散拓展的媒體選擇可以積極地把課程資源與學生的認知結構相聯系，或以多媒體、或以軟件、或基于網絡、或采用仿真試驗模擬等不同的技術支持課堂內外的教與學。由于美術學科與其他學科融合的廣泛性，中學美術教學技術的選擇要為學生考慮到學科知識的發散與相關領域拓展的可能性。教學內容的發散與拓展分課內與課外的發散與拓展。課內的發散與拓展是在課堂教學過程中依據該課的教學內容，根據學生的知識與認知特點，在一定范圍內知識的深度與廣度聯系起來的教學活動，它有效地加強了學生對教學內容的深入理解，探究了創新的學習意識；課外教學內容的發散與拓展以學生興趣為依托，對課堂知識技能進行進一步拓展與延伸，培養了學生的自主學習，促進了學生均衡個性地發展。
中學美術教學技術策略根據不同教學內容與學生特點選擇相應的教學技術，教師不斷地完善中學美術教學技術策略設計出不同的學習方式與活動，為學生提供最佳的學習環境，保證了能夠高效地進行中學美術教學。
參考文獻
[1] 何克抗.關于《美國2010國家教育技術計劃》的學習思考[J].電化教育研究，2011（4）.
[2] 張敬濤.教育信息化實用技術指南[M]. 北京：中央廣播電視大學出版社，2001.
[3] [美]加涅等，著.教學設計原理[M].王小明等，譯.上海：華東師范大學出版社，2007.
第7篇：人工智能教學的優點范文
內容摘要：隨著網絡技術和電子商務的蓬勃發展，個性化推薦已經在電子商務領域有了良好的發展和應用前景，并將成為電子商務未來十年中最重要的革新之一。本文通過整合現有優秀的學術搜索引擎，結合用戶信息的特點，構建一個個性化學術推薦系統，該系統采用內容提取和融合多種信息技術對檢索結果進行分析后，對不同的用戶提供個性化學術信息推薦服務。
關鍵詞：個性化推薦 學術搜索 推薦系統
隨著網絡技術的飛速發展，人們當前面臨的最大問題不是信息的缺乏，而是在浩瀚的信息中如何迅速獲得對自己有用的信息。隨著網絡技術的飛速發展和網頁數量成幾何級數的急劇增長，用戶需要花費大量的時間才能找到自己所需要的信息。這種瀏覽大量無關的信息過程無疑會使淹沒在信息過載問題中的用戶不斷流失。此外，信息檢索技術雖然滿足了人們一定的需要，但由于其通用性，仍然不能滿足不同背景、不同目的和不同時期的用戶查詢請求。為了解決上述問題，個性化推薦系統應運而生。個性化推薦可以為不同用戶提供不同的服務，滿足用戶不同的需求，網絡用戶可以按照自己的目的和需求，在某種特定的網絡功能和服務方式中，自己設定網上信息的來源方式、表現形式、特定網上功能以及其他的網上服務方式等，以達到最為快捷地獲取自己所需的網上信息服務內容的目的。個性化推薦系統強調“以用戶為中心”，盡可能地滿足用戶的需求。
研究背景
（一）個性化推薦系統的發展歷程
推薦系統屬于數據挖掘的一個分支。它能夠根據用戶喜好、需求提供相關的、精確的推薦，而且這種喜好和需求收集必須盡量減少用戶的干預，而且推薦的結果能夠做到實時計算，使用戶在離開網站之前就可以獲得所需要的推薦內容，并且能夠及時對推薦結果做出相應的反饋。
推薦系統應用領域范圍非常廣泛（查大元，2011）。在1997年以前，推薦系統主要用于信息過濾方面，如電子郵件的過濾、新聞組文章的過濾等。1995年3月，卡耐基•梅隆大學的Robert Armstrong等人在美國人工智能協會上提出了個性化導航系統Web Watcher；斯坦福大學的Marko Balabanovic等人在同一會議上推出了個性化推薦系統LIRA。1995年8月，麻省理工學院的Henry Lieberman在國際人工智能聯合大會（IJCAI）上提出了個性化導航智能體Litizia。1996年，Yahoo 推出了個性化入口My Yahoo。1997年，AT&T實驗室提出了基于協同過濾的個性化推薦系統PHOAKS和Referral Web。1997年以后，個性化推薦系統被引入電子商務應用領域。在電子商務中，個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。個性化推薦的最大優點在于，它能收集用戶特征資料并根據用戶特征，如興趣偏好，為用戶主動做出個性化的推薦。而且，系統給出的推薦是可以實時更新的，即當系統中的商品庫或用戶特征庫發生改變時，給出的推薦序列會自動更新，從而大大提高了電子商務活動的簡便性和有效性，同時也提高了電子商務企業的服務水平。個性化推薦系統的引入，使電子商務網站的瀏覽者轉變為購買者，能夠向用戶推薦他們所感興趣的商品，從而促成了購買行為，同時還提高了電子商務網站的交叉銷售能力，并在用戶購買過程中向用戶提供其他有價值的商品推薦。用戶能夠從系統提所供的推薦列表中購買自己確實需要但在購買過程中沒有想到的商品。
此外，與傳統的商務模式相比，由于電子商務系統使得用戶擁有更多的選擇。用戶只需要點擊一兩次鼠標就可以在不同的電子商務系統和商家之間方便快捷地跳轉。所以，個性化推薦系統可以從中分析用戶的購買習慣，根據用戶需求向用戶提供有價值的商品推薦。如果推薦系統的推薦質量很高，那么用戶會對該推薦系統產生依賴。因此，個性化推薦系統不僅能夠為用戶提供個性化的推薦服務，而且能與用戶建立長期穩定的關系，從而有效保留客戶，提高客戶的忠誠度，防止客戶流失。個性化推薦系統在電子商務領域越來越有良好的發展和應用前景。不少公司和機構都開始投入大量的人力物力進行研究。
1999年，德國Dresden技術大學的Tanja Joerding實現了個性化電子商務原型系統TELLIM；2000年，NEC研究院的Kurt等人為搜索引擎CiteSeer增加了個性化推薦功能；2001年，紐約大學的Gediminas Adoavicius和Alexander Tuzhilin實現了個性化電子商務網站的用戶建模系統1：1Pro；2001年，IBM公司在其軟件平臺Websphere中增加了個性化服務功能，以便商家開發個性化電子商務網站；美國的電子商務公司Amazon為客戶提供了Customer Who Bought Eyes Delivers，Book Matcher，Customer Comments等個性化推薦服務。特別是，近年來，以“發現”為核心的網站正開始在互聯網上嶄露頭角。在日趨激烈的競爭環境下，個性化推薦系統可以幫助企業有效的保留客戶，提高電子商務系統的服務能力，提升電子商務企業的競爭力。
（二）個性化推薦系統的主要特點
個性化推薦系統是為了更好地滿足用戶的需求，為用戶量身訂制的服務，其特點為（羅文兵，2010；楊杰，2009）：
針對性：個性化推薦系統可以主動為用戶選擇最需要的資源與服務，根據用戶需求的變化，動態地改變所提供的信息，讓用戶得到個性化的服務。個性化推薦系統以滿足用戶的特定需求為主旨，以給用戶提供最快捷、最方便、最易用的服務為目標，以用戶為中心，以用戶的信息需求為依據或者為特定需求向用戶提供特定信息的有計劃、有目的的活動。服務的基礎就是用戶的信息需求。
智能化：個性化推薦系統中采用了推理反饋、機器學習和智能等人工智能技術，能夠通過跟蹤和學習用戶的興趣偏好和使用模式，建立用戶興趣模型和信息表示模型，不斷挖掘用戶潛在的興趣特征，實現信息的智能推薦和智能過濾，從而顯著提高信息服務質量。
準確性：個性化推薦系統通過過濾、屏蔽無關、無用的冗余信息，推薦精確、有效、真正具有針對性的信息，能自動地、智能地將大量的數據轉換為具有規律性、系統性的知識，并以易于理解的模式推薦給用戶。
主動性：個性化推薦系統的主動性，主要是指根據用戶的信息需求，所提供的服務不需要用戶請求而是主動地向用戶提供信息，實現“信息找人”的過程，而不是“人找信息”。
個性化：根據不同用戶的不同背景、不同需求，為不同用戶提供不同的信息，存在一定程度的個性差異。個性化推薦系統不僅提供友好的界面，而且方便用戶交互、描述自己的需求、反饋對服務結果的評價等。
個性化學術信息推薦系統研究
（一）學術搜索的現狀
隨著網絡的飛速發展，網絡上的學術科研資源日益增長，許多刊物、書籍、政府出版資料、法規和政策等都已電子化，存儲在各自的網站上，為研究員、學生、圖書館館員和其他用戶查找相關學術論文、國際會議、權威期刊等學術科研信息提供方便。如今人們只要在家里就可以從不計其數的網站上尋找自己所需要的研究資料了。雖然互聯網上學術資源絕對數量很大，但網上各種信息的網頁數目則更為巨大，這樣就使得用戶特別是科研工作人員在搜集和利用網絡資源過程中，必須花費大量的時間和精力去查找、篩選自己需要的信息。而當前的學術搜索引擎大部分都存在檢索精度不高、反饋信息量過大、不能滿足不同用戶的個性化信息服務需求等缺點。因此，為了得到更加全面和最新的學術信息，用戶通常不得不利用不同的學術搜索引擎（如知網、微軟學術搜索、Google學術搜索）等進行檢索，然后再在多個搜索引擎得到的結果中進行人工篩選、下載所需的信息。如果用戶想實時獲取自己感興趣的信息，則需要時時在網上進行搜索，并且把重要的信息通過用戶手動分門別類地保存到本地。
針對上述問題，本文研究設計了一個個性化學術推薦系統。該系統將眾多已有的優秀搜索引擎進行結合，采用內容提取和融合多種信息技術對檢索結果進行分析后，對不同的用戶提供個性化學術信息推薦服務。
（二）系統的設計
系統的設計結構如圖1所示。
個性化學術信息推薦系統主要包括8個模塊：
智能化用戶接口：該模塊負責接收用戶的檢索請求，調用信息檢索引擎完成信息檢索操作，向用戶返回檢索結果。 用戶通過該模塊可以實現信息的定制。
用戶信息定制器：允許用戶定制感興趣的信息。系統按照樹狀分類，用戶只需在信息分類體系結構的樹型圖中點擊所關心的信息類別，或者用戶手動添加信息類別，便可完成信息的定制。
搜索引擎器：采用現有較優秀的學術搜索引擎，如知網、百度、Google學術搜索、微軟學術搜索等，進行一次粗搜索。之后把從搜索引擎收集回來的結果進行合并、排序。例如，由中文關鍵字所得到的搜索結果，就可以將百度和知網的搜索結果優先考慮；由英文關鍵字得到的結果，就可以將Google和微軟的搜索結果優先考慮。最后將所有結果進行排序。但由于現有的搜索引擎忽略了用戶的信息，第一次搜索出來的網頁列表并不能真正滿足于用戶的需求。因此二次搜索引擎利用用戶信息定制器所提交的信息，以及用戶日志來獲取用戶的潛在信息和搜索背景，對第一次搜索出來的網頁列表進行二次細搜索，提取更接近，更能滿足該用戶需求的信息。
信息采集器：根據用戶的信息制定和系統內部設定的搜索時間，從經過二次搜索引擎所搜索出來的相關站點中自動地、智能地采集滿足于用戶需求的目標信息，存儲在本地。
網頁識別、過濾：對已經采集到的網頁進行識別，過濾掉重復網頁、無效網頁等。
網頁分類器：對經過識別、過濾處理的網頁進行層次分類。首先對網頁進行粗分，把網頁分到各大類。然后對于每一個大類再進行細分，把該類的網頁分到該大類的小類中去，以便檢索更加精確。
建立索引，存儲信息：對已經分類好的信息建立索引，存儲在用戶的本地數據庫中，以便用戶迅速、準確的搜索出用戶相關的信息，包括歷史信息。
檢索結果返回：該模塊支持用戶對于從Web上搜索信息的有效檢索，支持關鍵字的檢索和基于類別的搜索。返回的檢索內容包括網頁的相關度排序，網頁類別信息。
結論
本文通過整合現有的優秀的學術搜索引擎，結合用戶信息的特點，實現個性化學術信息推薦服務，該系統不僅可以進行在線網頁搜索，而且還能在脫機的情況下實現本地搜索。搜索返回的結果可以分門別類地呈現給用戶，方便用戶查看和瀏覽。此外，該系統能夠智能地實現跟蹤式的Web搜索，自動采集滿足于用戶需求的信息下載到本地，并智能地、分門別類地存儲在數據庫當中。用戶只需利用幾個簡單的查詢詞，就能方便、快捷、準確地獲取滿足于自己需求的信息。
參考文獻：
1.省略nic.省略/html/Dir/2010/07/15/5921.htm
2.查大元.個性化推薦系統的研究和實現.計算機應用與軟件. Vo l.28. No. 1.pp48-49, Jan.2011
第8篇：人工智能教學的優點范文
MOOC(Massive Open Online Courses)即大規模開放在線課程。MOOC又廣泛地被人們稱之為“慕課”，這一新潮流興起于2011年秋，被媒體譽為“印刷術發明以來教育最大的革新”，2012年更是被美國《紐約時報》稱為“慕課元年”。多家專門提供慕課教育課程的供應商紛紛把握機遇展開競爭，coursera、edx、udacity是其中最有影響力的“三巨頭”。
但是隨著網絡技術的普及，MOOC 作為一種新型的網絡學習課程資源以其方便、快捷、成本低、效率高等諸多優點受到眾多學習者的青睞，傳統教學的作用受到質疑，教學組織形式面臨重大挑戰，甚至人們開始懷疑大學存在的意義。在此背景下，如何全面準確地認識MOOC，理性分析MOOC對大學高等數學教學改革發展的影響，審時度勢地提出相應的應對措施。
1 MOOC簡介及發展現狀
所謂MOOC是Massive(大規模的)、Open(開放的) 、Online(在線的) Course(課程)四個詞的縮寫，指大規模的網絡開放課程。2008年，Dave Cormier 與Bryan Alexander教授第一次提出了MOOC這個概念。顧名思義，MOOC的主要特點是大規模、在線和開放。“大規模”表現在學習者人數上，與傳統課程只有幾十個或幾百個學生不同，一門MOOC課程動輒上萬人。“在線”是指學習是在網上完成的，無需旅行，不受時空限制。“開放”是指世界各地的學習者只要有上網條件就可以免費學習優質課程，這些課程資源是對所有人開放的。
現在為大家所熟知的MOOC 源自2011 年由斯坦福大學的塞巴斯蒂安· 特龍和彼德· 諾米格通過網絡開放所授課程“人工智能導論”，吸引了來自195個國家和地區的16萬名學習者，隨即塞巴斯蒂安· 特龍開發了Udacity 平臺。此后，麻省理工學院宣布在2012 春季啟動MITx 平臺，吸引眾多國際知名高校紛紛參與進來。MOOC 興起與迅猛發展并非偶然，它與互聯網與信息技術的進步、供應商提供的專業化平臺、眾多高校的加入和龐大的市場需求密不可分。
雖然MOOC這個概念2008年就已提出，但是直到2011年秋季才為世界周知，因為由Sebastian Thrun和Peter Norvig兩位斯坦福大學教授在網上開設的“人工智能導論”課程真的做到了“上萬人同修一門課”，世界為之振奮：來自190個國家的16萬人注冊，2萬3千人完成了課程學習，以往只為少數人享用的世界頂尖教育終于可以面向世界各個角落的平民。與自學不同，MOOC提供了大學課堂身臨其境的學習感受，老師、同學、聽課、討論、作業、考試，不打折扣，原汁原味。受人工智能課程成功的激勵，2012年1月，Thrun辭去了斯坦福終身教授的職務，成立了Udacity公司，專做免費網絡課程。
而早在2011年秋天，其斯坦福的同事Andrew Ngand和Daphne Koller就已經基于自己的MOOC實踐，開辦了Coursera公司，成為MOOC課程的平臺提供商。這兩家起源于以創業著名的斯坦福大學的MOOC公司都得到了硅谷的風險投資，也都有專業人員對其進行媒體傳播，一時間新聞迭出，也讓MOOC概念廣為人知。在雄厚資金的資助下，兩家公司擴展很快，以Coursera為例，在成立后的半年內就安排了近30門課程上線，到2013年1月，已經談妥了33所大學20個門類的213門課程。
如果只是斯坦福大學一家活躍還不足以引起世界震動，2012年5月，一向在開放教育這塊領域比較沉穩的哈佛大學宣布與MIT合作成立非營利性組織edX，也向世界各國的頂尖大學發出邀請，一起在開源的平臺上提供開放的優質課程。2013年5月，包括清華、北大、香港大學、香港科技大學、日本京都大學和韓國首爾大學等6所亞洲高校在內的15所全球名校也宣布加入edx。一時間，風起云涌，加入者眾多。
MOOC作為后IT 時代一種新的教育模式，橫跨了教育、科技、金融、社會等多個領域，其興起的背后，有著歷史的必然性。MOOC能在短時間內如此迅猛的發展，其原因引起人們的廣泛關注。MOOC興起與迅猛發展并非偶然，它與互聯網與信息技術的進步、供應商提供的專業化平臺、眾多高校的加入和龐大的市場需求密不可分。首先， 互聯網技術的成熟以及MOOC課程的教學模式已基本定型，使得照此模式批量制作課程成為可能。網絡教育實踐的教學經驗能很好運用到MOOC的教學中;其次，供應商提供的專業化平臺是MOOC 發展的技術保障，與之前的高校建立自己的開放教育資源網站不同，這些專業化的平臺提供商的出現，降低了高校建設MOOC課程的門檻和經費投入，也刺激了更多的一流大學的加入;第三，巨大的市場需求和大量風險基金、慈善基金進入，以及一些大學開始接受MOOC課程的證書，承認其學分。第四，企業界的支持和介入，阿里巴巴推出在線教育平臺“淘寶同學”;騰訊在QQ 平臺中，增加了群視頻教育模式;百度推出百度教育頻道，開設“度學堂”;網易推出“公開課”和“云課堂”，新浪推出“公開課”。
2 MOOC的優勢和不足
與傳統在線教育相比，MOOC作為一種新型的學習和教學方法，具有其獨特的優勢和特點：使用方便;費用低廉;覆蓋的人群廣;自主學習;學習資源豐富;絕大數MOOC 是免費的，課程的參與者遍布全球、同時參與課程的人數眾多、課程的內容可以自由傳播、實際教學不局限于單純的視頻授課，而是同時橫跨博客、網站、社交網絡等多種平臺，這為MOOC的推廣和傳播奠定了良好的基礎。
可以跨越時區和地理位置的限制;可以使用任何你喜歡的語言;可以在目標人群中使用當前流行的網絡工具;MOOC 可以快速架設，一旦學員接到通知，馬上就可以展開學習，是像救災援助式的緊迫式學習的最佳模式;可以分享與背景相關的任何內容;可以在更多非正式的情境下學習;可以跨越學科、公司或機構的連接; 還具有跨文化交流的優勢，不同國家地區的學習者在論壇中討論學習非學習問題便于學習者之間跨文化交流，加深相互理解;不需要任何學位，你就能學習你想學的任何課程;MOOC可以成為你的個人化學習環境或學習網絡的一部分;能增強終身學習的能力， 參與到MOOC中，你的個人學習技巧和對知識的吸收能力都將有所提高。
然而，MOOC 的劣勢也不容忽視。由于學習者的教育程度參差不齊，單一的課程內容很難同時滿足數以萬計的學生需求，必然會導致某些學習者感到內容艱澀難懂而某些學習者又覺得內容不夠深入，教師也難以根據全世界大量甚至矛盾的反饋，實時調整教學內容。MOOC 的早期階段，這一問題非常突出。在Coursera 公司，在注冊參加特隆和諾維格講授的線上人工智能課的16 萬名學生中，最后只有14% 念完了課程。而在2012 年初注冊參加麻省理工學院的一門電路課程的15.5萬名學生中，只有2.3萬人完成了第一套習題，約7千人即5%通過了這門課程。
Coursera 公司帶領數萬人完成一門大學課程都是一項不同尋常的成就，尤其想到每年在麻省理工學院只有175 名學生修完這門課。但是中途退課的人數比例之高凸顯了讓線上學生保持專注度和動力的難度之大。再者由于學習者的教育程度參差不齊，單一的課程內容很難同時滿足數以萬計的學生需求，必然會導致某些學習者感到內容艱澀難懂，而某些學習者又覺得內容不夠深入，教師也難以根據全世界大量甚至矛盾的反饋實時調整教學內容。其次網絡課程教育互動性弱，教授者與學習者之間沒有面對面的眼神交流，不利于因材施教。
3 MOOC對高等數學教育的影響和啟示
3.1 MOOC對高等數學教育的影響
MOOC作為一種全新的、不同與傳統的網絡教學模式，具有廣闊的發展空間和發展潛力。傳統高等數學的教學方式不可避免地受到強烈的沖擊，相信隨著MOOC平臺的不斷發展和完善必將會對高等數學的教學和改革產生深遠的影響。
MOOC豐富的教學資源將迫使教師加強自己的教學設計，豐富自己的教學資源。MOOC有著相當豐富的優質教學資源，大量名校名師推出的在線課程供學生自由選擇而且新課程的上線速度非常快，學生可以依據自己的興趣或發展需求，方便快捷地找到全球各學科最高水平的課程。這對傳統高等數學的教學來說無疑是一個巨大的挑戰，當前，高等數學課程設計老套，課程資源有限，開發缺少創新，不能滿足學生的個性化培養需求，這一定程度上反映了高等數學教師的設計能力有待提高。
MOOC靈活的教學手段促使教師改進教學方式提高教學技能。MOOC采取“ 翻轉課堂” 教學方式，采用優質的視頻課程資源代替面對面講授;學生在課堂外先觀看和學習教師做好的教學視頻資料，課堂變成師生之間以及學生之間研討和解決問題的場所。翻轉課堂顛覆了傳統的教師講授，學生作業的單向傳授式、填鴨式教學。因此，教師應以此為契機，加強對教學方法、教學手段的研究和創新。反思如何進行學習者的組織管理，如何引導學習者深度參與，不斷提高信息素養和教學技能。
3.2啟示
MOOC顛覆了傳統的教學時間和空間安排，不僅能夠滿足學生自主學習和個性化學習的需求，而且能夠增強學生和教師之間的交流，并促進學生問題解決能力以及創新能力的發展，而MOOC 和已有的各種開放課程則為教師開展翻轉課堂實踐提供了內容和資源的質量保證。在這種情況下，與傳統高等數學教學相比，MOOC在線學習具有一定優勢和重要性，因此，高等院校高等數學教學改革需要抓住這一良好的機遇，從內到外的打破固守傳統的教育理念和方法，改變教學模式，提高創新能力，深化課程與教學改革。
4結語
在MOOC迅猛發展和國際高等教育競爭日益加劇的背景下，高等數學教育迎來了難得的發展機遇，也面臨著前所未有的挑戰。首先，應把MOOC納入大學學科發展規劃中;設計高等數學自身的發展規劃時，應當把握世界高等數學發展動態，及時關注，加強研究，有計劃分步驟地推出自己的發展規劃，把高等數學MOOC建設納入到學校的學科中長期發展規劃中;其次，把MOOC引入高等數學課堂教學中;作為教師應當認真學習，盡快掌握，大學數學國家精品課程，世界名校視頻公開課和中國大學視頻公開課都是我們寶貴的教育資源，數學教師應該將這些開放的教育資源引入到自己的課堂教學實踐之中，提升課堂教學效果和人才培養質量。
幫助學生掌握在線學習方法;MOOC的快速發展，使在線教育成為現實，但不是每一個學生都能從中受益，MOOC的使用不僅需要一定的英語基礎，熟練的計算機操作技能，還需要一定的技巧和方法，教師有義務幫助學生掌握在線學習的方式和方法，不斷提高學生的學習效率和效果;最后，繼續探索高等數學教育模式的創新;將在校課堂學習與在線校外學習有機結合，既保持在線網上獲取豐富多樣知識資源的優勢，又結合課堂學習的特點，強化知識的組成和結構的優化，創新在校學習與傳統專業化培養的模式，實現教與學的有機結合 創新現有的模式。
第9篇：人工智能教學的優點范文
【關鍵字】Webquest；智能系統；教學資源；學習
【中圖分類號】G40-057 【文獻標識碼】B 【論文編號】1009―8097（2009）01―0116―05
一 前言
Webquest是一種新興的信息化教學模式,1995年由美國 圣地亞哥州立大學教育技術學院教授BernieDodge和Tom March創建[1]。WebQuest模式理論基礎是建構主義學習理論， 它是建構主義在網絡學習中的實踐表現。WebQuest主要的教 學方法是在網絡環境下，給學生一個特定的情景或者一項任 務，通常是一個需要解決的問題或者課題項目，課程計劃中 為學生提供了相關的信息資源，并要求學生通過對信息資源 的搜索、分析和綜合來得出創造性的解決方案。近年來， Webquest 教學模式得到了迅速的發展,教學案例日益增加, 深受教師和學生關注 [2][3]。然而，由于Webquest教學解決方 案是獨立地針對某個特定教學任務來設計的，在制作時需要 運用大量的課件工具，運行時采用的底層架構不統一，通信 協議不同，課件資源的類型格式存在差異等，導致教學方案 的設計、制作效率不高。不同底層架構的Webquest教學模式 之間要進行信息交流，就對系統整合和應用集成要求異常高， 更重要的是在教學方案設計時，普遍都按照統一的六大模塊 設計，造成教學策略單一、應用設計模板化、探究目標不適 當，這就極大的地限制了教學資源共享的可能。如何構建一 個具有個性化和無縫集成的Webquest教學系統已成為備受關 注的焦點問題。因此，本文通過分析傳統WebQuest教學模式 的不足，提出利用人工智能技術、Web服務技術與Webquest 教學模式相結合的解決方案，形成了一個具有自適應性的 Webques集成系統體系架構,使得改進后的Webquest教學平臺 具有智能性、協作性、可重組性和可擴展性。
二 Webquest教學系統及其模型結構
1傳統Webquest教學解決方案的不足 傳統的WebQuest教學系統一般都由六大模塊組成：引言（ Introduction ）、任 務（ Task ）、過 程（ Process ）、資源 （Resources）、評估（Evaluation）、結論（Conclusion）[4]。目 前，多數Webquest教學系統都是針對特定的教學單元進行設 計和制作，難以對教學方案和教學資源進行管理和重組，因 此網絡環境支撐的教學方案普遍存在如下問題：
（1） 應用設計模板化，缺乏個性化服務
對于所有參與Webquest 的學習者提供相同的緒言和任 務，系統智能性差，無法了解個別學生的能力與認知風格的 差別，對不同認知水平的學生呈現相同教學內容，采用相同 的教學策略，無法適應個別學生的具體需求，難以實現因材 施教。
（2） 資源缺乏有效的組織和查詢
Webquest教學資源作為獨立體, 教學系統很難主動發現 Webquest教學資源的存在, 導致教學資源由于未被發現而不 能被重用。并且在制作多個Webquest課件時, 除教學內容的差 異外, 很多功能的設計和實現都是相似和重復的。這就要求課 件的制作除需要對課程內容進行歸納和整理外, 還要對教學 管理、教學模式及手段進行設計。
（3） 網絡學習過程的記錄和監控不足
由于采用超文本的方法組織教學材料，且由學生掌握學習的主動權，若系統沒有針對性地作一些引導、限制和具備 必要的監控，在學習的過程中容易出現迷航現象，學生容易 偏離學習的目標，不能跟蹤學習者學習進度。
（4） 系統宿主平臺緊耦合問題
緊耦合使教學系統必須依附于特定的平臺，導致不同的Webquest 教學系統難以集成，沒有集成的學習環境來支持適 合網絡學習的策略。網絡中最合適的學習策略是探索式學習 策略和協作式學習策略，但目前的技術，對它們的支持都比 較簡單，無法充分發揮其優勢。
2 Webquest 自適應教學系統模型
針對上述不足，本文中的Webquest教學系統模型采用基于Web服務的教學集成系統框架[5 ]和智能教學系統框架[6 ]。教 學系統的設計方案能夠實現以下目標：作為通用的Webquest 教學支撐平臺既能無逢集成教學應用軟件、消除異構教學應用子系統之間的互操作性問題, 還能自動地收集各種有利于 學習的信息資源并整理這些資源以便于教學資源的重用、個 性化信息采集、學習情景或背景顯示、智能資源調度、學習 過程記錄、教學內容重組等系統功能的實現。系統模型結構
如圖1所示。
首先，教師通過教學設計過程按知識對象庫中的知識點 確定學習目標和課程目標，并設計具有不同學習策略的 Webquest 教學情景、任務、過程、資源、評價和總結模塊。 學生通過登錄入口進入個性分析過程模塊，個性分析過程模 塊針對不同學習者，從已有知識庫中抽取適應學習者知識層 次的學習情景、任務和資源，按照靈活的教學情景實例，以 任務驅動方式要求學習者進行學習和探究。學習者按照學習 過程進行自主協同學習過程中，學習過程模塊會自動開始采 集和記錄學生的請求，跟蹤學生的行為，收集學生學習課件 的類型及難度、查看資料的時間和頻繁度、點擊的網頁、搜 索的關鍵字，以及作業和測試的過程及結果等，提交給最終 的用戶個性信息數據庫。資源調度過程模塊會根據學習者需 要，自動篩選和幫助學習者搜索出所需的教學資源。學習者 根據情景、任務、相關資料和工具進行多種形式的自主探索 和研究，并根據教師在評價模塊中制定的評價體系進行教學 總結。最后, 通過總結和理論修正過程，優化最初設計的教學 內容。
三 Webquest 自適應教學系統功能分析
結合 Webquest 教學模式中情景、任務、過程、資源、評 價和總結六大模塊，對教學設計模塊、個性分析模塊、協同 學習模塊、資源調度模塊、評價模塊等功能進行闡述。
1教學設計
教學設計模塊實現教師課程管理和教學策略管理功能。該模塊一方面具有制定教學情境、確定教學任務和教學過程 的功能，另一方面還提供教學內容維護功能，例如：輸入教 案、試題、問題；上傳教學材料；根據學生的學習情況適當 更改教學內容和教學媒體等；輔助教師對學生的學習內容進 行在線指導等。
在設計過程中，充分關注網絡環境教學模塊建構的動態 性，從教學的適應性角度出發，考慮 Webquest 各個模塊的功 能性和動態發展性。在充分考慮學習適應性的基礎上，應用 目前國際教育技術先進的設計型研究理論，以及應用活動理 論的系統動態發展觀來建構適應性學習模塊功能。因此，教 學設計模塊具有可重組性和擴展性。
2個性分析
個性分析模塊功能是獲取用戶的學習習慣和偏好并加以分析，生成用戶模型，構建個性化的教學情景，分配個性化 的學習任務。個性分析是實現個性化教學服務的前提。學習 者在確認身份進入 Webquest 教學系統后，個性分析模塊根據 用戶樣本，構建教學情景，分配學習任務，并進入特定的學 習過程進行自主協同學習。
網絡環境下學習活動設計的服務對象主要是學習者，在 活動設計的過程中，按照學習者個體的實際學習因素，可采 用的研究方法主要是現成的心理學測試量表，如：溫斯坦標 準化學習策略量表 LASSI 等。針對不同學習者個體的訪談加 經驗分析法研究，系統分析學習者個體的學習風格對網絡環 境活動設計的模塊功能需求，自適應過程中的學習情感需求， 找到個體學習的主要影響因素，充分發揮活動理論的指導作 用，使整個網絡環境的活動系統設計朝著適應性個體學習方 向動態地發展。
3協同學習
協同學習過程模塊實現學生自主學習和協同學習的自動化和智能化。主要包括提供協同學習工具、學習過程的智能 監視和跟蹤，并通過感知學習者和教師的教學過程環境來自 動設定進一步的教學任務。
（1） 協同學習工具
在進行Webquest 教學過程中, 除了能提供一些常用的交 流工具，如：提問、論壇、聊天室等, 協同學習工具還應具有 使多個學習者協同進行學習并一起達到學習的目標的功能。 協同工具提供協作者在本次Webquest的教學過程中的協作狀 態、協同探究資源列表、討論記錄、推理評價等服務。多個 學習者通過協同工具以任務驅動模式進行學習。其具體步驟 如下：
根據教學的內容中目標知識點重要性以及目標知識點 之間的關系，定義關鍵學習目標，生成教學過程的關鍵路徑；
查詢用戶個性信息庫具有相關信息的學習者，生成協同學習小組,分配學習任務表；
對學習者學習情況進行監控和推理,當學習者完成某 一項關鍵學習活動或者時間到期時將觸發其相應學習事件， 如：更新小組內學習者的學習任務表，將學習者的學習情況 發送給教師以及進入下一個目標知識點的學習；
循環以上步驟，直至完成學習任務和目標。
（2） 學習過程的智能監視和記錄
在學習過程中，系統一方面會自動開始采集學生的請求，記錄學生的行為，收集學生學習的相關資料，如：課件的類 型、難度、查看資料的時間和頻繁度、點擊的網頁、搜索的 關鍵字，以及做作業、做測試的過程及結果等，并提交給最 終的用戶個性信息數據庫。另一方面，學習過程模塊和資源 調度過程模塊會根據學習者需要，自動篩選和幫助學習者搜 索出所需的課件資源，學習過程模塊根據學習者的需要調用 新的學習情景和學習任務。
4 資源調度
Webquest教學資源作為獨立體，教學系統很難主動定位 和限定Webquest教學資源的存在。因此，資源調度模塊的功 能就是針對不同學習者，從已有知識庫中抽取符合學習者興 趣和知識層次的資源。學習者進入教學過程中，資源調度模 塊會根據學習者需要，自動搜索和篩選出所需的信息資源， 設計成細粒度的無狀態的實體構件。如：多媒體資源的展示、課件資源的制作工具、課件的上傳下載、在線測試等。
（1） 資源搜索 資源搜索的主要功能是主動搜索網上資源。搜索的方式
有兩種，即本地搜索和遠程搜索。前者是從索引數據庫中進 行查找,這種方式速度較快。后者又分成兩種途徑：①直接搜 尋Web站點，從Web頁面中獲取信息。②借助于已有的搜索引 擎進行信息搜索。這種方式的優點在于不必直接對整個 Internet進行搜索，只需與若干搜索引擎連接，獲取它們返回 的結果即可。
（2） 資源過濾 由于搜索范圍受搜索引擎的限制，如果直接將搜索引擎
的結果返回到用戶端會帶來大量無效信息，增加學生的知識 盲點。因此最好的方法是通過 Agent 傳輸協議（Agent Transfer Protocol，ATP）移動到 Web 服務器端，在服務器上完成信息 的自動獲取和過濾操作。只將有效信息傳回用戶端，從而避 免了大量數據的網絡傳輸，降低系統對網絡帶寬的依賴，這 樣可以大大提高搜索效率，充分發揮 Agent 技術的效能。
5學習評價
Webquest 評價系統遵循了內容和評價主體多元化、評價 實施情景化和評價方式多樣化的特定，以多元智能理論為基 礎，充分發揮 Web 特點，發展一種交互式智能化的評價系統。 結構如下圖 2 所示：
評價作為一種在學生自主探究學習過程中監控、記錄、收集和分析學生學習行為及軌跡的手段，有效 的把評價活動“嵌入”到學生整個學習過程當中，是綜合評 價系統當中最為重要的評價方式和績效依據。本模塊由模糊 專家系統推論出學習者的學習狀態，并給予評價和適當幫助。
四 系統實現及關鍵技術分析
本系統實現采用 B/S 運行模式，基于 Windows 2003 操作 系統平臺，采用 JAVA、JSP 和.NET 等開發工具，運用人工智 能和 Web Services 技術，使用 Apache 進行 Web ，Oracle 作為后臺數據庫,集成包括網絡課堂、教學管理、課程管理、 資源管理、學習評估、作業、過程監控、協同學習工具 等基于 CELTS和 SCORM 標準[7,8]的 Webquest 教學應用系統。 我們從 2007 年開始在網上開設了 3 門計算機公共基礎課程, 同時在線人數超過 1000，目前已經有 22 個班級利用該平 成相關課程。圖 3 是符合某教學策略的 Webquest 學習平臺， 教師教學設計平臺見圖 4 所示。
1個性分析與實現算法
學生用戶登錄后，學生進行選擇個性化學習策略流程。本系統采用的學習策略量表是由美國20 世紀80年代末期編 制的溫斯坦標準化學習策略量表LASSI[9,10]，美國已有1000多 所學校使用此量表對學生的學習策略應用水平進行測試。此 量表測量學生用來進行學習和研究活動的策略和方法，重點 關注那些通過教學可以改善與成功學習（successful learning） 相關的顯性或隱性的思想和行為[11]。LASSI對于幫助學生學會 學習、幫助教師進行研究和設計教學活動均有積極作用。
LASSI有10個分量表[12,13], 分別是：（1）態度（ATT），測 量學生對追求學習成功、完成與此相關的任務的總的態度和 動機；（2）動機（MOT），測量學生對完成具體學業任務所負 責任的程度；（3）時間管理（TMT），測量學生建立和使用時 間的水平；（4）焦慮（ANX），測量學生減少對學校和自己的 學習成績的擔心程度的能力；（5）專心（CON），測量學生把 注意力指向并集中在特定學習任務上的能力；（6）信息加工（INP），測量學生使用心理表象、言語精加工、領會監控和 推理等策略促進理解和回憶的程度；（7）選擇要點（SM）， 測量學生在各種一般性的和細節性信息中識別出用以進一步學習的重要信息的能力；（8）學習輔助（STA），測量學生是 創造或使用輔技術及材料來幫助學習和保持信息的能 力；（9）自我測試（SFT），測量學生對要學習課程理解程度 的能力；（10）考試策略（TST），測量學生運用備考和應試策 略的水平。針對我校教學現狀與學生水平，本系統在LASSI 量表的基礎上，對測量數據分析的算法設計上做了適當的改 進，以學習意愿度、學習能力度、知識水平度三類綜合實力 測量作為判斷依據，生成個性樣本，并自動選擇和構建個性 化的學習策略。
具體算法設計如下：
學習意愿度（Willingness）：以態度（ATT）、動機（MOT） 和焦慮（ANX）三個分量表為基本數據源，根據國際上的常 規模式得出原始分數 Sw 并轉化成百分數。
If Sw is low
Then choose policy from P5,P6,P7,P8. If Sw is high
Then choose policy from P1,P2,P3,P4.
此綜合度主要用以測量學生個體對于學習目標及完成學 習任務的興趣、態度和動機等心理狀況和內在潛力。
學習能力度（Ability ）：以時間管理（TMT ）、專心（CON）、信息加工（INP）、選擇要點（SM）和學習輔導（STA） 五個分量表作為基本數據源，根據國際上的常規模式得出原 始分數 Sa 并轉化成百分數。
If Sa is low
Then choose policy from P3,P4,P7,P8. If Sa is high
Then choose policy from P1,P2,P5,P6.
此綜合度主要用以測量學生個體在學習過程中的專注 度、持久度以及對于學習的領悟、安排、管理、運用、推理 的多方面能力。
知識水平度（Knowledge）：以自我測試（SFT）和考試 策略（TST）這兩個分量表作為基本數據源，根據國際上的常 規模式得出原始分數 Sk 并轉化成百分數。
If Sk is low
Then choose policy from P2,P3,P6,P8. If Sk is high
Then choose policy from P1,P4,P5,P7.
此綜合度主要用以測量學生個體自身對所學知識及相 關信息的掌握程度。
需要說明的是，依據此分析算法所構建的個性化學習策 略庫中，以表 1 中八種學習策略為常規策略，策略庫并不是 無限大的。
2資源調度與實現算法
Webquset 作為探究式教學模式，資源搜索和定位是決定 學習效果的關鍵，所以資源調度模塊的重要性不言而喻。作 為個性化、智能化的教學系統，怎樣根據學習者的個性特征 和知識層次為其提供適當的教學資源，即以怎樣的算法實現 對學習者的智能推薦，幫助學習者更方便、更準確地在大量 異構、分布式的資源中搜索和提取所需數據，是 Webquest 教 學系統實現的重點。
利用 Multi-agent 協作技術和 Webservices 技術實現資源 調度是一種方便有效的途徑。它既利用 Web services 技術解決 了異構、分布式資源存取困難的問題，又利用模塊調用為系 統提供了多樣化的推薦功能[14,15]。
在會話中，假設符合學習者個性的，對學習者有價值的 信息列表用 Sug來表示，則 Sug表示為一個多元組集合 Sug={ M, L, PW, u}，它將最終反饋給學習者。
其中 M 代表當前站點的鄰接矩陣，它通過搜索用戶導航 信息圖，找出與當前頁面關聯度 Minfreq 較大的鄰接頁面，認 為是有價值的；L 指聚簇列表。聚簇是根據碼值找到數據的物 理存儲位置，從而達到快速檢索數據的目的。系統認為只有 大于最小聚簇值 Minclustersize的聚簇才是有意義的遍歷聚 簇；PW 指會話標識符索引列表，u 指用戶請求頁的 URL。當 一個學習者的請求到達 Web 服務器，后臺的資源庫將被更新， 同時一個推薦信息列表將被附加到請求頁并反饋給學習者。 通過學習者的會話標識符，系統判定該學習者是否在線，并 通過當前會話特征，自動更新資源庫并產生推薦信息。而在 會話過程中，學習者所訪問的 URL 標識符被存儲到一個簡單 的映射數組中，要找到 URL 標識符所對應的 URL 地址，只 能通過訪問一個字符串數據結構 trie 才能得到，trie 中就存儲 了 URL 標識符到 URL 的映射關系。下面是基本實現算法：
初始設置：M，L，PW；
輸入：用戶請求頁的 URL ：u；
輸出：對會話學習者有價值的信息列表 Sug；
page _idu=Identify_Page (u)； //在當前會話中，通 過訪問 trie，提取相應 URL 的 id
session_id=Identify_Session ( )；
page_idv=Last_Page (session_id)； //返回當前會 話中最近訪問頁的 id
PW=Page_Windows[session_id]；
If (!Exists (page_idu, page_idv, PW))
then
M[page_idu, page_idv]++; //如果(u, v)已出現當 前會話中,則鄰接矩陣 M 自增
If ((Wuv > minfreq)&(L[page_idu ]< >L[page_ idv]))
then
MergeCluster(L[page_idu],L[page_ idv]);//如果 M
關聯度夠大且 u,v 不重復，則合并它們的聚簇 L
endif
M [page_idu, page_idu] ++;
New_L= Cluster( M, L, page_idu );//產生新的聚簇 列表
L=New_L
endif
Push(u,PW); //將產生的頁面 push 到列表 PW 中
Sug=Create_Suggestions (PW, L, page_idu); //產
生推薦信息列表 sug
Return(Sug); //將推薦信息列表返回給用戶
五 結束語
本文所述的基于Webquest的自適應教學系統的設計方法, 能有效地解決當前Webquest教學存在的不足。通過人工智能 技術和Web技術建立的教學系統，能為學習者提供了真正有價 值的資源最小集合，也是從依靠單一模式解決問題發展到以 多個模式協作完成構想的轉變，使得Webquest教學系統具有 很好地擴展性和重組性，并對信息化教學有積極地推動和促 進作用。
參考文獻
[1]DodgeBJ.WebQuests:A TechniqueforInternetBasedLearning[J]. The Distance Educator. 1995, 1(2): 10-13.
[2] 文可為, 陳淳泉等.網絡探索WebQuest的應用:在香港中學 會考課程中地理議題的應用[C ].第十屆全球華人計算機教 育應用會議(GCCCE2006) , 2006: 1-17.
[3] 李振賢.應用WebQuest理論于網絡環境教學其學習成效之 研究:以中學生物為例[D].臺灣:南臺科技大學, 2002.
[4] 余勝泉.信息技術與課程整合―網絡時代的教學模式與方 法[M].上海教育出版社,2005: 215.
[5] 秦偉俊等. 基于多層體系結構的網絡教學系統[J]. 清華大 學學報(自然科學版),2006, 46(7): 1301-1304.
[6] 劉菲等. 多Agent 協作的強化學習模型和算法[J]. 計算機 科學,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.學習對象元數據[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].
