在线自主学习中的自动答疑研究

胡飞

传统的网上学习方式，在面对学生在线提问的时候，需要老师来理解学生的问题并做出答疑。这不光增加了老师的工作量，而且学生与在线学习系统之间的交互也无法做到随时实时。本文利用深度学习技术来理解学生在线提交的问题，并且在没有人工干预的情况下自动回答学生的问题。实现在线自主答疑。

1引言

我国对自主学习的系统研究，始于20世纪80年代。许多学者作了研究并在一些地方进行了实验，取得了一定的成果。在1979年前后，我国就出现了不少以指导学生自主学习为目标的教学实验，如：上海育才中学段力佩等人总结的“读读、议仪、练练、讲讲”八字教学法；中科院心理研究所卢仲衡主持的“自学辅导教学”实验研究；辽宁盘锦二中魏书生实施的“六步教学法”实验；上海嘉定中学钱梦龙进行的“导学教学法”研究等。所有这些教学实验都把“自主学习”作为教学的主要环节，明确把培养学生的自主学习能力和发展学生的智力作为主要追求目标。国内目前各具特色的网络自学平台有：1）清华大学网络自学平台，它是由清华大学教育技术研究所开发的网络自学平台。该平台包括网络资源、网站、学生、课件资源和资料库等构建，通过完整的自学平台和管理平台来保证整个网络教育的有序运行和管理。该平台是一个先进的网络自学基础服务支撑平台，可以开发一系列的网络教学业务系统，为课堂教学提供了有力的支撑。2）北京师范大学网络自学平台，它是由北京师范大学从2001年设立网络教育学院，北京师范大学网络教育学院利用网络资源和资源平台开展在职人员的继续教育和在岗培训，产生了广泛的影响。北京师范大学的网络自学平台中包含课程资源、课件展示、精品课程、资源库等功能，这种网络自学方式将面授的优势和网络的特点进行有机地结合，构成了面授和网络融为一体的独特方式。平台以构建主义学习理论和系统方法沦为指导思想，便于学习者构建他们的知识架构。3）其它社会商业性质的网络自学平台，例如网易云课堂、新浪公开课平台等。

《基础教育课程改革纲要（试行）》在论及基础教育课程改革的具体目标时指出：“改变课程实施过于强调接受学习、死记硬背、机械的现状，倡导学生主动参与、乐于探究、勤于动手，培养学生搜集和处理信息的能力、获取新知识的能力、分析和解决问题的能力以及交流与合作的能力。” 传统的学习强调的是接受式的、被动式的学习方式，而自主学习改变过去的那种“过于强调接受学习”的倾向，倡导学生学会自主学习的方式去主动学习和接受新知识。在线自主学习则是借助互联网技术，把学生带入网络世界，借助互联网、移动通信等技术让学生接触到更多学习内容和知识，是互联网+自主学习的完美结合。大数据为在线自主学习注入了新的活力。其借助深度学习等机器学习技术来分析大量学生的历史学习记录、学习内容以及获取到的知识点，从中寻找适合大众的学习规律，同时再分析单个学生的学习轨迹，两者结合来为学生推荐个性化的学习内容。随着教育信息化和互联网技术的发展，基于网络的学习方式成为用户获取知识的重要途径和方法，学生不再是被动地在课堂上接受知识，而是通过各种方式（特别是互联网）主动参与到学习中。在线自主学习平台也可作为课堂教学的延伸，它可以通过互联网完成传统的教学，还能通过用户线上参加的课程学习、考试竞赛、试题练习、调查问卷和交流等情况，实现对用户学习情况的全程跟踪管理和对用户学习培训需求的全面掌握。基于不同的目标，线上学习的方式也是多种多样的，比如有虚拟课堂、录像点播平台和多媒体互动课程学习平台等。在线教育不受时间和空间的限制，可以与线下教育想结合，实现传统教学的延伸。

自动答疑是在线自主学习中重要一环。学生在线自主学习的时候所产生的疑问会以文字的形式发送给自主学习平台。过去的方法都是等到老师上线以后再作答，或者对一些简单的问题进行查询表（look-up table）式回答。这种方式不光回答不够准确，而且有时间延迟，不利于实时解释学生各种疑问。因为很多学习是在学生和老师之间通过一问一答的形式展开的。在本文中，我们利用深度学习技术，让软件系统可以代替老师来理解学生的问题并且做出回答。

2 自动答疑

深度学习在自动答疑上的应用实际上是其在自动问答系统上应用的延伸。在1950年，英国著名的数学家图灵在他发表的论文《Computing Machinery and Intelligence》中提出了机器智能的概念。他提出通过自然语言问答的形式来判断机器是否具有智能，也就是大家熟知的”图灵测试“。这可以看作最早的自动答疑模型。这以后，自动答疑系统不断完善发展中，并逐渐出现在各种远程在线教学平台上。例如互联网早期的留言板、BBS论坛、实时聊天等。但是，这些答疑方式很多都需要通过人工干预。这是由于计算机对自然语言理解的能力还不够成熟造成的。为了理解在线自主学习中学生提出的问题，我们引入深度学习技术。深度学习依靠其强大的表征学习能力，能够深度地学习文本的语义表示，并且很容易地通过模型计算来对语义表示做出理解，并生成文本回复。这就实现了无人工干预的自动在线答疑系统。谷歌和百度公司的在线机器翻译就可以看作这样一种系统，它们学习并理解人类输入的问题（语言A），然后自动计算并输入问题的答案（语言B）。并且可以反复多次实现这一过程。这样就实现了一问一答的形式，把问题转换为答案（语言A转换为语言B）。

3 利用深度学习技术来理解并解答问题

大部分传统的在线自主学习平台都是借鉴线下学习的方案来进行设计和实施。随着互联网技术的兴起，各种网上学习平台中生成了许多历史学习记录和相关的学习内容，如何有效地挖掘这些数据来改进学习方案，提升学习效率，是目前摆在相关研究者面前的一个难题。另一方面，很多自主学习平台为每个学生提供千篇一律的学习方案和学习体验，或者简单地分为几个大类，粗暴地把一部分学生放入到某一类学习方案中，再或者还有一些自主学习平台提供一些游戏化的手段来吸引学生。这些方法对于有个性需求的成年大学生来说，无法满足他们个性化的学习需求。因为有些大学生在某些知識点上已经积累了丰富的基础，不同的大学生对自我知识水平的提升有不同的诉求，这些都不是传统的自主学习平台可以满足他们的。近年来大数据技术的蓬勃发展，特别是深度学习等机器学习的技术得到广泛应用，分析和处理这一类数据成为可能。深度学习对文本的表征学习能力为文本理解带了技术保障。其中的跨思维向量模型（Skip-Thought Vectors， STV）更是这方面的佼佼者。STV模型有一个编码器和两个解码器。任意取一段文本中连续的三句话，编码器对中间一句话话进行编码，生成一个向量。然后，这个向量分别输入到两个解码器中，分别得到前后两句话。把这个模型在文本大数据集上做训练，从训练出来的模型中取编码器用于文本语义理解。当一句话输入这个编码器以后得到的向量就是这句话的一个语义表示。我们可以把这个编码器用于理解学生的提问。把学生的提问输入到这个编码器中就可以得到问题的向量表示。

用向量表示学生的提问，有利于计算机识别学生的问题。在识别和理解学生问题的基础上，为了让计算机能够快速做出响应并回答问题，我们需要再引入一个新的解码器。我们把这个新的解码器和之前的编码器结合起来成为一个”编码-解码“模型，然后用一个问答数据集来训练这个模型。针对问答数据集中一条数据”问题：答案“，把“问题“输入编码器，编码器输出向量，然后把向量输入解码器，解码器输出一段文本，把这段文本和”答案“做对比得到的误差反过来调整解码器中的参数。如此反复训练，最后让输出的文本和”答案“之间的误差逐渐缩小。最后我们得到一个训练好的”编码-解码“模型，这个模型可以用于在线理解学生问题并立即响应并做出回答。这就好比有一个”老师“不知疲倦的不停回答着学生的提问，实现了随时随地在线和学生互动的功能。

（作者单位：重庆第二师范学院网络中心）