“AI好老师”智能育人助理系统关键技术
发布时间：2020-11-16 20:18
近年来,人工智能逐渐被用于解决长期制约教育发展的关键问题。本研究关注如何利用人工智能技术解决教育中的育人问题。育人对智能助理系统的要求体现在领域知识的系统化、问题分析的综合化以及问题咨询过程的智能化等方面。因此,本研究利用人工智能的前沿技术,设计和开发智能育人助理——AI好老师,帮助教师和家长矫正孩子的问题行为,促进孩子健康成长。具体而言,AI好老师利用人工智能领域的知识图谱技术,基于不同育人数据,定义育人知识模式,进行知识的获取和融合,构建育人领域的知识图谱。在此基础上,AI好老师利用人工智能领域的任务导向型对话系统技术和基于知识图谱的推理技术,通过自然语言交互,实现育人问题的智能咨询,自动诊断教师或家长的育人问题,分析原因并给出相应的解决对策。未来,AI好老师将在机器人的结合、智能问答的功能、模型的提升、学生信息的自动获取以及案例的主动收集等方面进一步发展。
【部分图文】：
况。育人对策指教师处理在育人问题时可以采取的方法或措施，包括对学生的育人方法和与家长合作的家校协作方法。根据问题行为、内部个体特征和外部环境三因素的信息，AI好老师总结育人问题出现的原因，并给出解决对策、相关理论知识及相关案例。图3育人知识图谱模式2．知识获取知识获取指依据定义的图谱模式，从数据中识别实体及关系实例，以填充图谱的数据层。本研究的知识图谱主要关于育人问题、内外部因素及育人对策等知识，因此知识获取的主要任务是如何识别育人案例描述对应这些维度的分类。与其他知识图谱构建不同，本研究的育人知识图谱主要以案例和育人问题为中心，相互间的关系即为案例维度分类的对应，所以图谱的构建任务转换为如何确定案例描述对应的因素、问题及对策类型。比如，以某案例为例，针对“攻击行为”这一因素，需要判别该行为属于“直接身体攻击”还是“言语攻击”，或是其他;针对“问题原因”，需要判定属于“被尊重的需求”或是“安全需求”，或是其他;针对“育人对策”，需要判定案例采用的是“说服教育法”还是“榜样示范法”，或是其他。因此，从人工智能和自然语言处理的角度，本研究将知识获取的任务建模为基于文本的多分类问题，即根据案例的文本描述，确定案例对应图谱模式定义的具体类别。关于文本分类问题，主流技术是利用深度学习模型对文本进行语义理解，在此基础上进行分类判定，本研究采用深度学习领域的循环神经网络对文本进行语义解析，然后进行分类判别。然而，本研究是对案例文本进行分类，其主要特点是文本较长，以往针对语句短文本的单层循环
?度公式计算学生信息与育人问题的相似度，得出它们的匹配程度。关于相似子图的搜索，AI好老师系统利用穷举法，把学生信息与所有育人问题子图比较，相似度最高的即为学生的育人问题，然后将依据图谱总结的针对此问题的解决对策推荐给用户。(四)人机智能对话引擎AI好老师通过应用于育人领域的任务导向型对话系统实现智能育人助理的智能性。基于传统的管道模型，本研究设计了AI好老师的对话系统。由于当前语音自动识别和从文本到语音的转换技术已相对成熟，因此AI好老师的对话系统设计(见图7)主要有四个功能模块:自然语言理解模块、对话状态跟踪模块、对话策略学习模块及自然语言生成模块。图7育人对话系统1．自然语言理解模块自然语言理解模块主要是对用户的输入文本进行语义理解，包括两方面:一是对用户意图的理解，如用户是想提出问题，还是回答系统的问题;二是针对用户的输入依据图谱定义的知识结构进行语义槽填充，如用户回答学生的年级是三年级时，需要识别出语义槽“年级”对应的值是“三年级”。语义槽填充的本质问题其实是序列标注问题，即针对用户的输入语句识别哪些词表示相关语义槽数值。针对自然语言理解的模型设计，常用的方法是构建两个不同的模型分别识别用户的意图和进行语义槽填充。最近，有研究尝试利用模型对两项任务同时进行优化求解，提高自然语言理解的准确率(Lietal．，2017)。因此，本研究采用类似的方法构建模型，先利用LSTM模型对输入文本进行语义解析，然后用分类模型和CＲF模型对用户意图和语义槽识别标注，对结果进行优化。此模型(见图8)包括三层:输入层、LSTM层和标注分类层。输入?
模型的目标函数定义为最小化序列标注的损失和意图分类的损失，基于共同优化的方法进行训练。图8自然语言理解模型2．对话状态跟踪模块对话状态是对话系统内部对当前整个对话所处阶段的表示，融合了对话过程的上下文信息。传统的对话系统基于自然语言理解模块产生的结果，直接更新状态结构中相对应的语义槽，从而生成新的对话状态。然而，这种方法的容错性低，当自然语言理解模块识别出现错误时，此对话状态跟踪模块必然出现错误且没有办法加以更正。针对此问题，相关研究人员提出了基于概率模型的对话状态跟踪，即自然语言理解模块产生的结果不再是唯一的确定性结果，而是用概率表示每个语义槽的可能性。因此，对话状态的表示不再是0或1的二元表示，而是用概率表示每个状态的可能性。在状态更新过程中，根据上一时刻的对话状态和系统决策，及对当前用户输入的理解识别，重新计算新的对话状态。基于类似的理念，本研究设计了基于LSTM的深度学习模型(见图9)更新对话状态。LSTM的输入包括三方面信息:上一时刻的系统操作、当前的用户意图以及相应的语义槽信息。基于这三方面输入信息，结合上一时刻的对话状态向量，LSTM模型可以生成当前时刻新的对话状态向量。基于新的对话状态向量，此模块将进一步与知识图谱相结合生成潜在的答案选项，即利用知识图谱嵌入模型TransG(Xi-aoetal．，2016)对知识图谱进行学习训练，生成关于每个育人问题的向量表示;通过与对话状态向量比较，计算每个问题与对话状态向量的相似度，并根据阈值选取相似的问题集，作为潜在的答案。图9对话状态跟踪模型3．对话策略学习模块针对对话策略，本研究采用规则与多
【相似文献】
本文编号：2886615
【部分图文】：
况。育人对策指教师处理在育人问题时可以采取的方法或措施，包括对学生的育人方法和与家长合作的家校协作方法。根据问题行为、内部个体特征和外部环境三因素的信息，AI好老师总结育人问题出现的原因，并给出解决对策、相关理论知识及相关案例。图3育人知识图谱模式2．知识获取知识获取指依据定义的图谱模式，从数据中识别实体及关系实例，以填充图谱的数据层。本研究的知识图谱主要关于育人问题、内外部因素及育人对策等知识，因此知识获取的主要任务是如何识别育人案例描述对应这些维度的分类。与其他知识图谱构建不同，本研究的育人知识图谱主要以案例和育人问题为中心，相互间的关系即为案例维度分类的对应，所以图谱的构建任务转换为如何确定案例描述对应的因素、问题及对策类型。比如，以某案例为例，针对“攻击行为”这一因素，需要判别该行为属于“直接身体攻击”还是“言语攻击”，或是其他;针对“问题原因”，需要判定属于“被尊重的需求”或是“安全需求”，或是其他;针对“育人对策”，需要判定案例采用的是“说服教育法”还是“榜样示范法”，或是其他。因此，从人工智能和自然语言处理的角度，本研究将知识获取的任务建模为基于文本的多分类问题，即根据案例的文本描述，确定案例对应图谱模式定义的具体类别。关于文本分类问题，主流技术是利用深度学习模型对文本进行语义理解，在此基础上进行分类判定，本研究采用深度学习领域的循环神经网络对文本进行语义解析，然后进行分类判别。然而，本研究是对案例文本进行分类，其主要特点是文本较长，以往针对语句短文本的单层循环
?度公式计算学生信息与育人问题的相似度，得出它们的匹配程度。关于相似子图的搜索，AI好老师系统利用穷举法，把学生信息与所有育人问题子图比较，相似度最高的即为学生的育人问题，然后将依据图谱总结的针对此问题的解决对策推荐给用户。(四)人机智能对话引擎AI好老师通过应用于育人领域的任务导向型对话系统实现智能育人助理的智能性。基于传统的管道模型，本研究设计了AI好老师的对话系统。由于当前语音自动识别和从文本到语音的转换技术已相对成熟，因此AI好老师的对话系统设计(见图7)主要有四个功能模块:自然语言理解模块、对话状态跟踪模块、对话策略学习模块及自然语言生成模块。图7育人对话系统1．自然语言理解模块自然语言理解模块主要是对用户的输入文本进行语义理解，包括两方面:一是对用户意图的理解，如用户是想提出问题，还是回答系统的问题;二是针对用户的输入依据图谱定义的知识结构进行语义槽填充，如用户回答学生的年级是三年级时，需要识别出语义槽“年级”对应的值是“三年级”。语义槽填充的本质问题其实是序列标注问题，即针对用户的输入语句识别哪些词表示相关语义槽数值。针对自然语言理解的模型设计，常用的方法是构建两个不同的模型分别识别用户的意图和进行语义槽填充。最近，有研究尝试利用模型对两项任务同时进行优化求解，提高自然语言理解的准确率(Lietal．，2017)。因此，本研究采用类似的方法构建模型，先利用LSTM模型对输入文本进行语义解析，然后用分类模型和CＲF模型对用户意图和语义槽识别标注，对结果进行优化。此模型(见图8)包括三层:输入层、LSTM层和标注分类层。输入?
模型的目标函数定义为最小化序列标注的损失和意图分类的损失，基于共同优化的方法进行训练。图8自然语言理解模型2．对话状态跟踪模块对话状态是对话系统内部对当前整个对话所处阶段的表示，融合了对话过程的上下文信息。传统的对话系统基于自然语言理解模块产生的结果，直接更新状态结构中相对应的语义槽，从而生成新的对话状态。然而，这种方法的容错性低，当自然语言理解模块识别出现错误时，此对话状态跟踪模块必然出现错误且没有办法加以更正。针对此问题，相关研究人员提出了基于概率模型的对话状态跟踪，即自然语言理解模块产生的结果不再是唯一的确定性结果，而是用概率表示每个语义槽的可能性。因此，对话状态的表示不再是0或1的二元表示，而是用概率表示每个状态的可能性。在状态更新过程中，根据上一时刻的对话状态和系统决策，及对当前用户输入的理解识别，重新计算新的对话状态。基于类似的理念，本研究设计了基于LSTM的深度学习模型(见图9)更新对话状态。LSTM的输入包括三方面信息:上一时刻的系统操作、当前的用户意图以及相应的语义槽信息。基于这三方面输入信息，结合上一时刻的对话状态向量，LSTM模型可以生成当前时刻新的对话状态向量。基于新的对话状态向量，此模块将进一步与知识图谱相结合生成潜在的答案选项，即利用知识图谱嵌入模型TransG(Xi-aoetal．，2016)对知识图谱进行学习训练，生成关于每个育人问题的向量表示;通过与对话状态向量比较，计算每个问题与对话状态向量的相似度，并根据阈值选取相似的问题集，作为潜在的答案。图9对话状态跟踪模型3．对话策略学习模块针对对话策略，本研究采用规则与多
【相似文献】
相关期刊论文 前10条
1 陈鹏鹤;彭燕;余胜泉;;“AI好老师”智能育人助理系统关键技术[J];开放教育研究;2019年02期
2 张广录;;AI思维视角下的语文教学变革[J];中学语文教学;2017年07期
3 曾响铃;;AI加持下的个性化教育,谁能拿下这块行业高地?[J];大数据时代;2018年09期
4 程应军;;AI教学设备-电子书包在小学数学教学中的应用[J];教师;2018年28期
5 张圃;闫志伟;;基于AI的口腔颌面肿瘤学教学模式改革的初步探索[J];中国高等医学教育;2019年02期
6 谢良梁;;当在线教育遇上AI[J];上海信息化;2018年03期
7 谢冰;张家仪;;AI技术在小学英语语音自主学习中的应用探析[J];现代职业教育;2018年34期
8 斯汀;;谷歌、亚马逊领航AI咨询服务[J];世界科学;2018年01期
9 宋亮;;“AI+”教育来袭——教学技术进步增加学生个性化与高效率学习体验[J];教育;2018年14期
10 赵耀;;AI智能分析在学校安防中的使用[J];新课程(下);2018年11期
相关硕士学位论文 前2条
1 张燕;教育游戏中AI竞技对手的设计与实现[D];南京师范大学;2014年
2 杨志国;AI网络课程中的智能答疑与实验[D];中南大学;2002年
本文编号：2886615
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/2886615.html
