Интеллектуальная учебная среда, ориентированная на учащегося: понятие, структура и внедрение

Историческая научная статья, опубликованная на сайте 15 октября 2024 года. Статистика, должности и предлагаемые системы представлены в контексте публикации.

QI Binbin (1), BAO Haogang (2), ZHENG Yafeng (3), LI Yanyan (1)

1. Национальный инженерно-исследовательский центр сетевого обучения и интеллектуальных технологий, Пекинский педагогический университет, Пекин 100875, Китай.

2. Институт исследований базового образования, Национальная академия педагогических наук Китая, Пекин 100088, Китай.

3. Центр образовательных наук и технологий, Пекинский педагогический университет, Чжухай, Гуандун 519087, Китай.

Аннотация. Учебная среда лежит в основе цифровой трансформации образования и изменения способов учения и преподавания. Её обновление и интеллектуализация, ориентация на учащегося и адресные услуги необходимы для цифрового образования и качественной образовательной системы. Рассматривая интеллектуальные вычисления в учебной среде, статья выделяет четыре направления: мультимодальное восприятие и мониторинг; запись и анализ процессов в разных сценариях; моделирование и рекомендация учебных ситуаций между разными средами; создание и поддержка сообществ сотрудничества человека и ИИ. Логика обработки данных, обучения моделей и интеллектуальных услуг объединяет физическое обновление и сбор данных, показатели и алгоритмы, точную адаптивную поддержку. Контекстные образовательные приложения ИИ определяют пути внедрения: межсредовые стандарты проектирования и оценки, вычислительные механизмы, масштабные платформы мониторинга классов и доказательные демонстрационные проекты. Обсуждаются облачная, периферийная и терминальная инфраструктура, педагогическая интерпретируемость, взаимодействие человека и ИИ, безопасность и конфиденциальность данных.

Ключевые слова: интеллектуальная учебная среда; ориентация на учащегося; взаимодействие облака, периферии и устройств; интеллектуальное образование; цифровая трансформация образования.

Доклад XX съезду Коммунистической партии Китая призвал развивать цифровизацию образования и строить обучающееся общество и страну с непрерывным образованием для всех ^[1]. Цифровизация открывает новые пути и преимущества для китайского образования. Учебная среда определяет возможности изменения учения и преподавания ^[2]. Традиционно замкнутые кампусы сменяются интернет-средами, выходящими в семьи и общественное пространство ^[3]. Почти два десятилетия государственная политика последовательно поддерживала программу «Три подключения и две платформы», крупные платформы «Интернет плюс образование» и новую образовательную инфраструктуру, принципиально улучшив цифровое оснащение. Приведённая статистика насчитывает более 498 300 образовательных организаций всех уровней и типов ^[4], доступ к интернету в 100% начальных и средних школ, включая учебные пункты, и свыше 5,8 миллиона сетевых мультимедийных классов, около 68% всех классов. Однако это преимущество недостаточно преобразовано в импульс реформ. Сохраняются трудности координации школ, культурных и научных площадок и домов, соединения местного и удалённого, очного и онлайн-обучения и недостаток персональной поддержки.

Комплексное обновление и интеллектуализация среды, ориентация на учащегося и адресные услуги становятся практической необходимостью. План развития искусственного интеллекта нового поколения предусматривает комплексные многомерные учебные пространства и ориентированную на учащегося среду с точными услугами и персонализацией повседневного и непрерывного образования ^[5]. Необходимы достижения в восприятии и мониторинге физических условий, записи и анализе процессов, моделировании сценариев и услугах, соединении и поддержке сообществ между разными средами. Крупные платформы мониторинга могут создавать повсеместную среду, объединяющую контексты, ориентированную на класс, сочетающую очное и онлайн-взаимодействие и интеллектуальное восприятие пространства. Это улучшает опыт и результаты, ускоряет цифровую трансформацию и интеллектуальное обновление и создаёт техническую основу качественного образования, стратегии «Цифровой Китай» и укрепления образовательной системы.

Интеллектуальная среда развивает цифровую учебную среду, ставя учащегося и его деятельность в центр обновления. Она ориентирована на человека и имеет три особенности.

(1) Гуманистическая среда, учитывающая изменение обучения в интеллектуальную эпоху. Учение понимается как приобретение знаний, умений и установок через совместное конструирование со сверстниками, педагогами и связанными агентами в среде интернета вещей и интеллектуальных инструментов ^[6]. Цифровизация и низкоуглеродное развитие требуют доверия, связанности и интеграции. Постоянное обновление улучшает учебный опыт и поддерживает обучение в разных условиях и сценариях.

(2) Среда, объединяющая три пространства. Как инновационное образовательное применение ИИ нового поколения она способствует соединению человеческого общества, физического мира и информационного пространства. Пространственно-временные признаки обеспечивают восприятие и моделирование сценариев для анализа поведения между средами и адаптивных услуг.

(3) Интегрированная среда, повышающая качество опыта и результаты между контекстами. Технологии поддерживают деятельность, чтобы обучение было эффективным, цифровые возможности реализовывались и учащиеся развивались. Партнёрства школ, образовательных площадок или баз и семей помогают координировать воспитание и обучение в семье, школе и обществе.

Интеллектуальная среда сосредоточена на деятельности учащихся. Рисунок 1 показывает четыре основных элемента.

(1) Мультимодальное восприятие и мониторинг. Интернет вещей позволяет воспринимать и регулировать условия, повышать комфорт и снижать энергопотребление, влияя на физическое и психическое здоровье и проведение занятий. Датчики и периферийные узлы динамически собирают акустические, световые, электрические, температурные, влажностные и сетевые данные классов, лабораторий, библиотек и научных музеев. Создаются мультимодальные базы состояний. Исходные потоки обеспечивают динамические представления и цифровые двойники для контроля пространства, качества сети и оборудования.

(2) Запись и анализ процессов в разных сценариях. Процессные данные дают более объективную и подробную основу оценки и анализа поведения, чем наблюдения и опыт. Нужны многомерные стандарты и инструменты для мультимедийных классов, виртуальных и гибридных пространств. Невмешивающийся, ненавязчивый сбор фиксирует деятельность на всём протяжении. Разметка действий нескольких участников создаёт библиотеки кодирования чтения, обсуждения, упражнений и экспериментов. Межмедийные вычисления распознают поведение, отслеживают активацию знаний, вовлечённость и взаимодействие сверстников и создают интерпретируемые записи наблюдения уроков.

(3) Моделирование и рекомендация межсредовых сценариев. Модели объединяют признаки среды и участников дома, в школе и других местах, распознают сложную деятельность и формируют контекстные профили людей и групп разной детализации. В последовательностях сценариев выявляются интересы и возможные намерения для рекомендаций адаптивного содержания и персональных маршрутов.

(4) Построение и поддержка сообществ человека и ИИ. Нормы сбора и измерения когнитивных профилей включают ступень образования, прежние знания, вовлечённость, стиль обучения и когнитивную нагрузку, формируя многомерную библиотеку. Выявляются взаимодействия учащихся, участников и среды и строятся топологии сообществ, соединяющие время и пространство, ресурсы и когнитивное поведение. Экспертные знания и сети педагогического взаимодействия позволяют создавать библиотеку адресных рекомендаций и вмешательств с человеком в контуре, human-in-the-loop ^[7]. Она поддерживает адаптивные услуги в разных ситуациях. Интеграция элементов и технологий создаёт связанную среду для подлинной деятельности, ориентированной на учащегося.

Данные, алгоритмы и вычислительные мощности — три основных элемента ИИ и качественных персональных образовательных услуг. Структура включает уровни устройств, данных, моделей и услуг. Устройства собирают данные, обработка и анализ создают показатели, а обучение моделей обеспечивает персональные ресурсы и поддержку. Логика обработки, обучения и услуг раскрывается через обновление физической среды и объединение данных, показатели и модели, точную адаптивную поддержку, как показано на рисунке 2.

Сбор и запись данных об учащихся и среде — необходимое условие. Мультимедийные классы, лаборатории и практические помещения следует улучшать с помощью IoT-датчиков, камер и интеллектуальных устройств, фиксирующих параметры и аудиовидео в реальном времени. Периферийные узлы объединяют акустические, световые, электрические, температурные, влажностные и сетевые показатели, а также размеры, материалы и планировку оборудования. Анализ очных действий использует текст, речь, изображения и видео для разметки и выделения взгляда, движения, позы, мимики, содержания и тона речи, объединяя их в поведенческие данные. Онлайн-платформы дают клики, последовательности просмотра знаний, обсуждения, комментарии и обмен материалами. Шкалы и анкеты измеряют прежние знания, стили обучения, психологические состояния и познавательные уровни. Разнородные данные классов, платформ, аудиовидео, текстов и местоположения очищаются и объединяются. Временные метки организуют общий массив среды, учащихся, ресурсов, действий и социальных сетей.

Обнаружение объектов, множественное отслеживание и распознавание признаков позволяют выделять педагогов, учащихся и предметы в изображениях и видео. Для уменьшения раскрытия лицевых признаков статья предлагает реидентификацию людей, ReID ^[8], находящую одного человека между камерами или последовательностями при пространственно-временном анализе. Модели распознавания деятельности затем преобразуют индивидуальные мультимодальные данные в последовательности учения и преподавания. Вместе с конспектами, вопросами и ответами и мимикой они позволяют рассчитывать активацию знаний и изменения вовлечённости и взаимодействий педагога с учащимися и сверстников между собой.

Помимо очных действий, журналы платформ содержат клики, сообщения форумов и задания, отражающие индивидуальное обучение и общение. Они включают тексты, аудиовидео, сетевые связи и пространственно-временные данные. IP-адреса входа и места регистрации указывают города и кампусы, а время относится к просмотру видео и обсуждениям. Программы, материалы и MOOC-видео содержат сущности и отношения графов знаний в неструктурированных медиа. Разные модальности также раскрывают познавательные возможности, маршруты и социальные действия. Например, извлечение сущностей и отношений выявляет скрытую топологию взаимодействий педагогов и учащихся. Граф может объединять время и пространство, ресурсы и когнитивное поведение: узлы — места, понятия и действия, рёбра — пространственные, смысловые и поведенческие связи. Специальные кодировщики и декодировщики обеспечивают обучение и вывод между сценариями. Графовые нейронные сети, GNN, учитывают связи и локальные признаки, анализируют ключевые узлы, сообщества и пути распространения. Визуализация динамических многослойных связанных сетей помогает понимать отношения и обнаруживать сложные скрытые закономерности.

Показатели сценариев, среды и деятельности образуют мультимодальные наборы для школ, домов и общественных мест. Глубокое обучение обнаруживает участников. Временные ряды действий позволяют использовать сети долгой краткосрочной памяти, LSTM, для распознавания межсредовых ситуаций и анализа этапов и полного процесса. Действия, когнитивные профили, взаимодействия и активация знаний формируют многоуровневые профили людей и групп: поведение, изменения успеваемости, предпочтения методов и привычки. Новые данные о результатах регулярно обновляют профили, делая их контекстными.

Вычисления о физической среде, процессах, профилях и сообществах позволяют мониторинг и регулирование, интерпретируемое понимание поведения, адаптивные рекомендации, поддержку сообществ и педагогические вмешательства.

(1) Модели восприятия регулируют комфорт. Показатели учитывают освещение и зрительное здоровье, шум и погружение. Периферийные узлы передают акустические, световые, электрические, температурные, влажностные и сетевые потоки глубоким нейросетям. Модели адаптируют кодирование аудиовидео к сети и прогнозируют и регулируют комфорт внутри помещений.

(2) Правила и показатели наблюдения дают интерпретируемую обратную связь. Индивидуальные последовательности и состояния сценариев вместе с опытом практиков и предметных экспертов определяют контекстные критерии. Анализ иерархий помогает оценивать вовлечённость, взаимодействие, преподавание и организацию, создавая интерактивные отчёты для совершенствования стратегий и результатов.

(3) Профили с учётом деятельности персонализируют ресурсы. Сложные межсредовые действия, профили людей и групп и текущий контекст позволяют создавать подходящие запросы, prompts. В лабораторной практике рекомендации помогают подготовке и точному преподаванию. Инструкции по шагам и предупреждения об ошибках поддерживают размышление и углубление понимания. Сходства и различия учащихся помогают выбирать общие материалы для обсуждения и сотрудничества.

(4) Структуры сообществ обеспечивают адресную поддержку. Прототип многослойной сети позволяет кластеризовать и исследовать данные и понимать внутреннее устройство. Сети и экспертная библиотека вмешательств — психологическая помощь в обучении, поддержка сверстников и совместные действия семьи, школы и сообщества ^[9] — формируют доверенный контур взаимодействия человека и ИИ для разных учебных ситуаций.

Структура, модели и услуги должны применяться в реальных условиях для масштабных демонстраций. Рассматриваются четыре пути: межсредовое проектирование и оценка, событийные вычислительные механизмы, облачно-периферийно-терминальный мониторинг классов и доказательные проекты широкого применения.

Контекстные приложения образовательного ИИ — основной инструмент обновления разных сред ^[10]. Сценарные инновации направляют технические прорывы реальными ситуациями, обеспечивая совместную эволюцию предложения технологий и образовательного спроса ^[11]. Сначала исследуются примеры классных занятий, совместного обучения и методической работы, практики и онлайн-самообучения, анализируется инфраструктура и разрабатываются нормы и технические руководства обновления. События, действия, участники, устройства и пространства представляются структурированными данными. Затем поведение, эмоции, затруднения и потребности на разных этапах формируют карты пути пользователя, ориентированные на учащегося ^[12]. Педагогическая теория определяет адаптивные услуги и логику технологической поддержки. Наконец, педагоги, учащиеся и эксперты оценивают решения и совершенствуют их в нескольких итерациях.

IoT-устройства, аудиовизуальные датчики и платформы — важные источники данных. Их действия определяются как события: состояния датчиков, операции пользователей и ответы внешних услуг. Библиотека основных моделей объединяет восприятие, запись процессов, распознавание ситуаций и связи сообществ в событийном механизме, обнаруживающем изменения поведения и состояния между сложными контекстами. Событийная архитектура, EDA ^[13], использует публикацию и подписку для запуска и обработки событий, обеспечивая слабую связанность, масштабирование и гибкость. Очереди, планировщики, каналы и обработчики реагируют на типы и признаки и проактивно предоставляют услуги по потокам событий. База знаний должна также описывать связи и причинность между состояниями среды, кодами поведения, когнитивными и учебными профилями и стратегиями поддержки. Описания сущностей и правила вывода ориентируют точные услуги в разных средах.

Платформа строится вокруг вычислений и интеллектуальной обработки. Послойное взаимодействие ^[14] позволяет облачным кластерам, периферийным узлам и IoT-терминалам совместно воспринимать, учиться и принимать решения. Zigbee, LoRa и Wi-Fi соединяют разных производителей, устройства и услуги. Шлюзы связывают IoT, учебные терминалы и облако, выполняя сбор и предобработку, преобразование протоколов, анализ и решения в реальном времени и удалённое управление. Они координируют восприятие периферии и устройств. При обработке ключевых кадров узлы запускают модели в локальной доверенной среде исполнения или обращаются к облаку и передают результаты в базу временных рядов. Облако управляет узлами и обучением моделей. Образовательные модели объектов задают свойства, функции и события и регистрируют узлы и подчинённые устройства. Сценарные данные и ресурсы обеспечивают обучение и донастройку больших моделей; правила обмена и распространения позволяют обучать в облаке и развёртывать на периферии. Масштабные платформы объединяют имитационное проектирование, мониторинг состояний и оценку эффективности, непрерывно фиксируя и анализируя учащихся и среду для адаптивной поддержки.

Цикл проектирования и разработки, внедрения и проверки, анализа и оценки, совершенствования должен определять эксперименты или квазиэксперименты. Сравнение групп с разной обратной связью показывает различия процессов и результатов и влияние отчётов об уроках, рекомендаций и адаптивной поддержки на знания, практические навыки и эмоциональную мотивацию учащихся и педагогов. Это раскрывает механизмы технологической поддержки, эффективные принципы и стратегии и интерпретируемые доказательства ориентации на учащегося. Оптимизированные комплексные многомерные пространства используются в преподавании. Прослеживаемость уточняет ключевой вклад и фактическую помощь технологий. Теория деятельности и системное проектирование выявляют критические события и определяющие результаты факторы. Педагогические модели объясняют механизмы интеграции и принципы разных сценариев. Региональные демонстрации широкого охвата затем проверяют комплексное решение и образовательные эффекты, поддерживая межсредовые услуги в масштабных интеллектуальных средах.

Технологическая зрелость, этические риски и инфраструктура ограничивают ориентированные на человека среды. Рассматриваются четыре проблемы: распределённые вычислительные мощности, педагогическая интерпретируемость, сотрудничество человека и ИИ и взаимодействие, безопасность и конфиденциальность.

Распределённое взаимодействие требует обновления существующих образовательных сетей. Межсредовые приложения основаны на данных, алгоритмах и вычислениях и нуждаются в общественных мощностях. Масштабные проверки могут использовать национальную интегрированную систему вычислительных услуг для динамического предоставления учреждениям смешанных разнородных ресурсов построения, обучения и исполнения моделей. Разные сценарии требуют интеллектуального сопоставления вычислений, хранения и передачи данных и распределённого согласования сетей и вычислений по нескольким стратегиям. Периферийные узлы обычно дают CPU, GPU и NPU для инференса, трёхмерной графики и декодирования видео. При нехватке локальных мощностей региональные центры могут динамически поддерживать разные среды, удовлетворяя требованиям высокой производительности и малой задержки.

Универсальные аналитические модели нельзя прямо переносить на учебное поведение. Один алгоритм не охватывает сложных сценариев и может вести к необоснованным обобщениям. Интерпретируемость важна: человеческие решения зависят от фоновых знаний, поэтому нужно преодолеть разрыв между понятной семантикой и признаками данных ^[15]. Опыт экспертов должен определять коды действий, ситуаций и состояний, задавая предварительные знания. Педагогическая деятельность связывает низкоуровневые машинные признаки с высокоуровневыми образовательными смыслами. Визуализация и взаимодействие объясняют логику и механизмы чёрных ящиков глубокого обучения ^[16], повышают понимание решений и снижают недоверие из-за непрозрачности.

Человеко-компьютерное взаимодействие и ориентированный на человека ИИ помогают выполнять учебные задачи и усиливают познание, улучшая восприятие, мышление, действие и творчество ^[17]. Интерфейсы и механизмы должны учитывать человеческие потребности, реагировать на исключительные события и инициативное включение учащегося, сообщать об ошибках и направлять обучение. Удобство, психологические и физиологические показатели оценивают комфортный, вовлечённый и эффективный опыт. Особенности учащихся, внешний вид и роль ИИ влияют на восприятие и готовность использовать систему ^[18]. Процессы, распределение ролей и эмоции должны обеспечивать естественное включение ИИ или педагогических агентов. Соединение опыта учащегося с вычисленными результатами повышает качество и эффективность взаимодействия.

Данные как новый производственный фактор становятся стратегическим образовательным ресурсом. Среды собирают данные окружения, учащихся, деятельности, сообществ и ресурсов, поэтому важны управление публичными активами и нормативно корректное использование. Инфраструктура должна определять ответственных и границы и обеспечивать надёжный и эффективный обмен между учреждениями и ведомствами. Конфиденциальность педагогов и учащихся, обезличивание чувствительных данных и риски соблюдения требований нуждаются в особом внимании. Строгие управленческие и технические правила должны усиливать шифрование и контроль доступа. Защищённые вычисления ^[19], вычисления с сохранением приватности и федеративное машинное обучение ^[20], объединяющие программы и оборудование, могут обеспечивать безопасное, корректное и эффективное использование мультимодальных данных.

Потребность в качественном образовании и сложность и неопределённость новых технологий, прежде всего ИИ, по-прежнему затрудняют их интеграцию. Интеллектуальная среда — основа цифровой трансформации и инноваций. Соединение её элементов с технологиями и развитие мультимодального восприятия, записи процессов, межсредового моделирования и сообществ человека и ИИ создают ориентацию на учащегося. Обработка данных, обучение моделей и услуги объединяют обновление, агрегацию, показатели, модели и точную поддержку. Контекстные приложения, межсредовые стандарты, вычислительные механизмы и масштабный мониторинг расширяют образовательный ИИ. Они поддерживают персональное и непрерывное обучение и широкий доступ к качественным ресурсам, а также сетевую, цифровую, персонализированную систему и общество, где каждый может учиться везде и всегда.

Впервые опубликовано в журнале E-education Research, № 10 за 2024 год. Для последующих перепубликаций следует обращаться в редакцию по официальному адресу: dhjyyj@163.com.

Рекомендуемая ссылка: QI Binbin, BAO Haogang, ZHENG Yafeng, LI Yanyan. A Learner-centered Intelligent Learning Environment: Connotation, Framework and Implementation Paths. E-education Research, 2024, 45(10): 72–78. DOI: 10.13811/j.cnki.eer.2024.10.010.

Литература сохраняет исходные языки библиографических записей, авторов и нумерацию для поиска оригиналов.

Финансирование: Национальный крупный научно-технологический проект нового поколения искусственного интеллекта 2022 года «Ключевые технологии и демонстрация применения интеллектуальных вычислений учебной среды» (2022ZD0115900).

Сведения об авторах по публикации 2024 года: QI Binbin, мужчина, родился в 1992 году в Яньчэне, Цзянсу, имеет докторскую степень и работает младшим исследователем интеллектуальных учебных сред и образовательной виртуальной реальности. Адрес: qidoublebins@163.com. Автор для переписки — LI Yanyan, liyy@bnu.edu.cn.

Текст следует архивной статье кафедры. Рисунки взяты с печатных страниц 73 и 74 официального PDF. Их исходные подписи используют термин интеллектуальная учебная среда. Описаны исследовательские предложения, а не развёрнутые на этом сайте системы сбора или анализа данных.

Межсредовые связи означают переходы между школами, домами и другими учебными площадками. Перевод основного текста следует китайскому смыслу; приложение сохраняет формулировки опубликованной английской аннотации.