基于教育大數(shù)據(jù)環(huán)境的擬人機(jī)器學(xué)習(xí)問題研究*

李小平 張琳 孫清亮 姜麗萍 陳建珍

摘? ?要：教育大數(shù)據(jù)的出現(xiàn)無疑對(duì)教育人工智能機(jī)器學(xué)習(xí)是一個(gè)極大的推動(dòng)，但是推動(dòng)的核心在哪里、智能的條件和數(shù)據(jù)挖掘的條件是什么、智能有哪些步驟、如何完成機(jī)器學(xué)習(xí)下的教育智能化，一系列問題擺在智能教育推動(dòng)者的面前。文章針對(duì)以上問題進(jìn)行了實(shí)證分析研究，對(duì)教育數(shù)據(jù)進(jìn)行了系列分析，找出了教育數(shù)據(jù)變化的規(guī)律和數(shù)據(jù)性質(zhì)，給出了摸索數(shù)據(jù)與事件之間關(guān)系的方法——機(jī)器學(xué)習(xí)，并對(duì)主流機(jī)器學(xué)習(xí)進(jìn)行了系統(tǒng)性分析，找出了一種適合于人類、適合于教育類型、在陌生環(huán)境下可學(xué)習(xí)、結(jié)果透明、可解釋的擬人機(jī)器學(xué)習(xí)系統(tǒng)。

關(guān)鍵詞：教育大數(shù)據(jù);擬人學(xué)習(xí);機(jī)器學(xué)習(xí)

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-8454（2020）21-0001-06

一、引言

教育教學(xué)的智能化是相對(duì)而言的，智能只能輔助教育發(fā)現(xiàn)問題、找出教學(xué)規(guī)律、輔助發(fā)現(xiàn)教學(xué)應(yīng)力問題，有相當(dāng)行業(yè)的數(shù)據(jù)問題呈現(xiàn)出的是非準(zhǔn)確的、非感知的、非捕捉的、非規(guī)律的、非人類遇到的問題，這種無規(guī)律的現(xiàn)象只能通過擬人的方法解決，并通過人的干預(yù)和認(rèn)識(shí)，找出潛在的事物規(guī)律。

而當(dāng)今技術(shù)的發(fā)展徹底改變了我們尋找教育教學(xué)潛在規(guī)律的方法和概念，這些進(jìn)步主要是基于數(shù)據(jù)的量、復(fù)雜度和來源的指數(shù)級(jí)別的增長。由于這些技術(shù)極大地影響了我們應(yīng)對(duì)具有豐富數(shù)量環(huán)境的能力，輸入的數(shù)據(jù)是非線性的、非固定的、多模態(tài)/異構(gòu)流的，混合了各種物理變量和信號(hào)以及圖像、視頻和文字，多源異構(gòu)的大數(shù)據(jù)出現(xiàn)了。[1]教育大數(shù)據(jù)是大數(shù)據(jù)在教育領(lǐng)域的具體表現(xiàn)形式，它為新時(shí)代的教育教學(xué)創(chuàng)新提供了新的思路和方法，站在人的教育角度上相關(guān)研究如何從海量的教育大數(shù)據(jù)中提煉少量教學(xué)本質(zhì)的信息、如何掌握其從大變小的過程、如何使人類教育帶上人的特征或具有人的思維，那就必須從分析教育大數(shù)據(jù)問題下手。

要讓教育具有人的思維和人的智力，先要完成對(duì)各種教育教學(xué)形態(tài)的辨識(shí)，只有在辨識(shí)的前提下才能夠?qū)栴}進(jìn)行決策。如何認(rèn)識(shí)事物和分清事物類型，就要對(duì)海量的教育數(shù)據(jù)進(jìn)行機(jī)器訓(xùn)練，形成模型方可實(shí)現(xiàn)智能控制和決策，教育智能化概要如圖1所示。

二、教學(xué)大數(shù)據(jù)特性研究

要研究人工智能，就要對(duì)數(shù)據(jù)來源和數(shù)據(jù)性質(zhì)進(jìn)行研究，找出數(shù)據(jù)事件的性質(zhì)和類型，為下一步機(jī)器學(xué)習(xí)提取模型做準(zhǔn)備。IT技術(shù)不斷發(fā)展，隨著教學(xué)辦公自動(dòng)化的推進(jìn)、教育技術(shù)的興起、教育技術(shù)地區(qū)差異化的普及應(yīng)用，也產(chǎn)生了教學(xué)管理意志的不統(tǒng)一、數(shù)據(jù)化標(biāo)準(zhǔn)化建設(shè)程度不健全、教學(xué)政策變化過快導(dǎo)致政策不連續(xù)等情況，致使教育數(shù)據(jù)呈現(xiàn)出內(nèi)涵和外延兩大特性，如表1所示。

1.教學(xué)大數(shù)據(jù)時(shí)間軸問題研究

教學(xué)大數(shù)據(jù)時(shí)間軸描述的是多個(gè)事件發(fā)生的過程中所產(chǎn)生事件之間的順序以及關(guān)系，它反映的是事件的特性。我們擬通過數(shù)據(jù)機(jī)器學(xué)習(xí)可以找出對(duì)應(yīng)的教學(xué)策略和教學(xué)結(jié)果，還可以完成對(duì)事件的預(yù)測(cè)。[2]在時(shí)間軸上尋找事件之間的規(guī)律和關(guān)系是數(shù)據(jù)挖掘重要的研究方向，時(shí)間軸反映了事件的密度和數(shù)據(jù)的密度。

（1）事件密度：事件密度包括事件的慣性、事件的強(qiáng)弱、事件的稀疏、事件的疊加、事件影響力的持續(xù)、幾個(gè)數(shù)據(jù)源對(duì)一個(gè)事件反映的錯(cuò)位以及突發(fā)事件的出現(xiàn)等。

（2）數(shù)據(jù)密度：數(shù)據(jù)密度與學(xué)習(xí)的慣性有關(guān)，例如學(xué)習(xí)者在業(yè)余時(shí)間上網(wǎng)集中等，這些都是教學(xué)慣性所反映的密度，屬于正常密度。而那些不是預(yù)期范圍的、突發(fā)的問題則是非正常密度，例如校園出現(xiàn)的突發(fā)沖突等。

2.教學(xué)大數(shù)據(jù)對(duì)象問題研究

教學(xué)大數(shù)據(jù)研究的對(duì)象是指那些在教學(xué)研究過程中起關(guān)鍵作用的、能被激活的數(shù)據(jù)。站在不同的教學(xué)者角度所關(guān)心的數(shù)據(jù)各不相同，因此需要在進(jìn)行數(shù)據(jù)挖掘研究之前先確定所要研究的數(shù)據(jù)對(duì)象，其確定流程如圖2所示。這個(gè)過程是在經(jīng)驗(yàn)的基礎(chǔ)上實(shí)現(xiàn)的，依據(jù)教學(xué)經(jīng)驗(yàn)可以確定不同角色所關(guān)心的問題，由于關(guān)心的問題不同，需要獲取的數(shù)據(jù)就會(huì)不同，在此基礎(chǔ)之上展開大數(shù)據(jù)的處理。

3.教學(xué)大數(shù)據(jù)變化規(guī)律問題研究

教學(xué)過程是一個(gè)動(dòng)態(tài)的過程，教學(xué)記錄數(shù)據(jù)會(huì)隨著教學(xué)過程的推進(jìn)而不斷發(fā)生變化，并且呈現(xiàn)出明顯的特性，其中包括：

（1）慣性特性：教育一直延續(xù)著它的政策和慣性向前推進(jìn)，這種推進(jìn)是要符合教學(xué)規(guī)律的。教學(xué)數(shù)據(jù)同樣常年存在著穩(wěn)定性，在沒有政策跳變的情況下，這些數(shù)據(jù)將維持著自己的變化規(guī)律，保持著一定的慣性特性。

（2）突發(fā)特性：教學(xué)過程中突發(fā)事件的產(chǎn)生將會(huì)導(dǎo)致教學(xué)數(shù)據(jù)的突變，這將對(duì)教學(xué)規(guī)律的挖掘產(chǎn)生一定的影響，但同時(shí)它也會(huì)從另一個(gè)角度反映出教學(xué)中存在的問題，對(duì)全面了解教學(xué)情況提供一定的依據(jù)。

（3）無規(guī)律特性：教學(xué)數(shù)據(jù)的變化雖然長期呈現(xiàn)一種變化的態(tài)勢(shì)，但針對(duì)某些具體類型的數(shù)據(jù)，尤其是一些主觀教學(xué)活動(dòng)產(chǎn)生的數(shù)據(jù)，它的變化卻是無規(guī)律的，這就需要進(jìn)一步對(duì)其分析來獲取這些數(shù)據(jù)變化的原因。

（4）疊加特性：影響教學(xué)過程數(shù)據(jù)的因素很多，這些因素有時(shí)候會(huì)單一地作用于教學(xué)數(shù)據(jù)，但絕大多數(shù)情況下會(huì)出現(xiàn)多因素共同作用于同一教學(xué)數(shù)據(jù)的情形，于是就會(huì)產(chǎn)生疊加效應(yīng)。疊加效應(yīng)的出現(xiàn)會(huì)加劇問題的復(fù)雜化，為數(shù)據(jù)的分析帶來很多困難，例如一個(gè)政策產(chǎn)生影響的過程中又出現(xiàn)另一個(gè)新的政策，就會(huì)產(chǎn)生相互疊加和相互影響的問題，往往會(huì)打破教學(xué)規(guī)律。

（5）因果規(guī)律特性：數(shù)據(jù)的因果關(guān)系反映了數(shù)據(jù)之間的聯(lián)系，通過對(duì)數(shù)據(jù)聯(lián)系的分析，就可以挖掘出教學(xué)現(xiàn)象的原因。數(shù)據(jù)的因果規(guī)律可以根據(jù)影響因素的多少分為單因素因果關(guān)系和多因素因果關(guān)系，根據(jù)影響的結(jié)果還可以分為線性因果關(guān)系和非線性因果關(guān)系兩種。

4.教學(xué)大數(shù)據(jù)衍生問題研究

教學(xué)中除了常規(guī)的內(nèi)涵數(shù)據(jù)和外延數(shù)據(jù)之外，還存在很多衍生數(shù)據(jù)。通過衍生形成的新數(shù)據(jù)其本身的特性和作用點(diǎn)都將發(fā)生變化，衍生改變了數(shù)據(jù)的性質(zhì)，對(duì)數(shù)據(jù)挖掘起到了輔助作用，它可以作為參考源，但不是挖掘的主流數(shù)據(jù)源。例如，在對(duì)學(xué)習(xí)者進(jìn)行困難補(bǔ)助評(píng)選中，學(xué)習(xí)者在食堂的消費(fèi)數(shù)據(jù)可以作為參考數(shù)據(jù)，但不能作為主要依據(jù)，它本身具有片面性，不能準(zhǔn)確反映事實(shí)。[3]

5.教育大數(shù)據(jù)的分析結(jié)論研究

通過以上對(duì)教育數(shù)據(jù)的分析找出了教育數(shù)據(jù)的運(yùn)行規(guī)律，找出了事件之間的、數(shù)據(jù)的對(duì)應(yīng)規(guī)律，找出了事件和事件干擾所帶來的影響因子。由于歷史原因和管理因素的不系統(tǒng)性，造成主體數(shù)據(jù)和相關(guān)數(shù)據(jù)都不系統(tǒng)，整體數(shù)據(jù)結(jié)構(gòu)混亂，雖然出現(xiàn)了多源異構(gòu)，但是，邏輯規(guī)律非常不清晰，無法界定某一個(gè)事件集的數(shù)據(jù)是相對(duì)獨(dú)立或完整的。如果按照抽樣比對(duì)分析的方法，數(shù)據(jù)抽樣明顯，不具備有規(guī)律采集的條件。如果按照所有大數(shù)據(jù)進(jìn)行訓(xùn)練并進(jìn)行相應(yīng)的聚類分析等，明顯出現(xiàn)了數(shù)據(jù)的缺陷現(xiàn)象。如果按照單一事件去尋求教學(xué)教育的規(guī)律，明顯不符合當(dāng)今教學(xué)形式。怎樣才能夠?qū)虒W(xué)教育的事件進(jìn)行有針對(duì)性的捕捉，如何在龐雜無章的教育大數(shù)據(jù)中識(shí)別事物的真相，如何進(jìn)行區(qū)分和判別分類，并通過規(guī)則完成對(duì)事件的定位分類、形成人工智能模型，這是當(dāng)今研究的重大課題。

三、神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法的應(yīng)用分析

在實(shí)施國家自然科學(xué)基金項(xiàng)目“考試作弊行為分析與研究”中，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對(duì)考場(chǎng)動(dòng)作行為影響方面，筆者進(jìn)行了研究：對(duì)作弊行為進(jìn)行訓(xùn)練，采集無限個(gè)樣本場(chǎng)景，對(duì)作弊圖像進(jìn)行學(xué)習(xí)，試圖找到中間結(jié)果，試圖解釋出決策的原因，我們采用了神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分析。

本文共使用了135幅圖像195個(gè)人臉進(jìn)行實(shí)驗(yàn)，其中包括正臉80個(gè)、側(cè)臉65個(gè)、俯視姿態(tài)50個(gè)，實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表2所示。

在考試實(shí)際應(yīng)用過程中，獲得的二維考試現(xiàn)場(chǎng)往往是不確定的，試卷圖像的大小、光線、角度、干擾、遮蓋程度都直接影響其學(xué)習(xí)效果，必須完成嚴(yán)格的圖像預(yù)處理，才可進(jìn)行圖像對(duì)象定位、特征學(xué)習(xí)訓(xùn)練。僅從訓(xùn)練字母數(shù)字相似度問題分析，我們?yōu)榱藴p少機(jī)器學(xué)習(xí)次數(shù)，采用了基于級(jí)聯(lián)分組網(wǎng)絡(luò)將每次分類任務(wù)簡(jiǎn)單化的思想，將神經(jīng)網(wǎng)絡(luò)的任務(wù)簡(jiǎn)單化以提高其辨別能力。整個(gè)系統(tǒng)分成兩級(jí)，第一級(jí)進(jìn)行粗分類，即將相似的字符分為同一類別;第二級(jí)再對(duì)每個(gè)類別進(jìn)行細(xì)分類，即將相似的字符區(qū)分開來。這樣，每個(gè)子網(wǎng)絡(luò)分類的數(shù)目就會(huì)減少很多，特別是第二級(jí)子網(wǎng)，就是區(qū)分幾個(gè)類似的字符。整個(gè)框架如圖3所示。

在機(jī)器學(xué)習(xí)訓(xùn)練輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)上，通常隱含層節(jié)點(diǎn)數(shù)越多越慢，但可達(dá)到更小的誤差值，特別是訓(xùn)練樣本誤差，但超過一定的數(shù)目后，再增加則對(duì)降低誤差幾乎沒有幫助，卻陡然增加執(zhí)行時(shí)間。[4]這主要是網(wǎng)絡(luò)變得更加復(fù)雜、收斂更慢。因此，隱含層節(jié)點(diǎn)數(shù)目應(yīng)當(dāng)通過試驗(yàn)選取，是與其應(yīng)用相吻合的個(gè)數(shù)。確定隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式是：

s=■+0.51

公式（1）

式（1）中，s為隱含層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，計(jì)算值需經(jīng)四舍五入取整。經(jīng)多個(gè)實(shí)例驗(yàn)證，用公式（1）確定隱含層節(jié)點(diǎn)數(shù)比較可靠，一般能滿足訓(xùn)練要求，有時(shí)也需略微調(diào)整。通常隱含層的層數(shù)為一層到兩層時(shí)有最好的收斂性質(zhì)，太多層或太少層的收斂效果均比較差。為此，我們?cè)谒惴ㄉ线M(jìn)行了改造，有效限定了中間層級(jí)，在BP算法性能上取得了一些進(jìn)展。

但是，整體訓(xùn)練量非常大，需要采集無限個(gè)樣本場(chǎng)景，對(duì)作弊圖像進(jìn)行學(xué)習(xí)，幾乎對(duì)中間結(jié)果無可解釋，內(nèi)部結(jié)構(gòu)不清晰，無法清楚地解釋做出某些決策的原因，自身也不理解正在處理的問題;BP神經(jīng)網(wǎng)絡(luò)能從圖像中提取高級(jí)抽象內(nèi)容，但無法以人類可理解的分析方式與所處理的問題相關(guān)聯(lián)，沒有明確的內(nèi)部模型、語義結(jié)構(gòu)，其隱藏層數(shù)量和許多其它參數(shù)都是臨時(shí)確定的，無法在不確定的情境中工作。用結(jié)果對(duì)作弊進(jìn)行實(shí)時(shí)捕捉，經(jīng)常出現(xiàn)誤判、漏判等致命性錯(cuò)誤。

四、擬人機(jī)器學(xué)習(xí)問題的研究

讓教育具有人的思維和人的智力，就要完成對(duì)各種教育教學(xué)形態(tài)的辨識(shí)，只有在辨識(shí)的前提下才能夠提出問題的決策。對(duì)于如何認(rèn)識(shí)事物和分清事物類型，要對(duì)海量的教育數(shù)據(jù)進(jìn)行機(jī)器訓(xùn)練，而訓(xùn)練是一個(gè)非常龐大的工作，訓(xùn)練生成和處理的數(shù)據(jù)越多，計(jì)算就越復(fù)雜，耗時(shí)就越巨大，安全隱患就越大，風(fēng)險(xiǎn)就越高。由于教育大數(shù)據(jù)具有如此之多的不確定因素，如訓(xùn)練樣本有限、數(shù)據(jù)不連續(xù)、數(shù)據(jù)呈現(xiàn)簡(jiǎn)短特征、數(shù)據(jù)有變化趨勢(shì)、事件個(gè)性化特征明顯、事件作用相互疊加、干擾度過高等，如果采用傳統(tǒng)的深度學(xué)習(xí)，無法構(gòu)成訓(xùn)練環(huán)境及條件，訓(xùn)練出來的決策如果缺乏透明度，其結(jié)果也無法進(jìn)行解釋，呈現(xiàn)出中間運(yùn)算“黑箱”狀態(tài)，人們很難斷定訓(xùn)練結(jié)果是不是百分之百的可靠準(zhǔn)確，如果按照傳統(tǒng)深度學(xué)習(xí)方法去訓(xùn)練，并將其訓(xùn)練結(jié)果直接用于汽車自動(dòng)無人駕駛的項(xiàng)目，很難保證在駕駛中不出事故。[5]

1.擬人機(jī)器學(xué)習(xí)問題的研究

究竟什么樣的訓(xùn)練方法能夠讓教育決策者知道訓(xùn)練的中間結(jié)果的方向，所訓(xùn)練出的結(jié)果是否可靠、科學(xué)合理，教育數(shù)據(jù)能否通過機(jī)器學(xué)習(xí)訓(xùn)練完成智力思維的提升，且不帶來致命的災(zāi)難，不會(huì)給人類帶來負(fù)面的決策、判斷性危險(xiǎn)，這是未來教育人工智能解決問題的關(guān)鍵;針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練種種不足的原因，各國都展開了這方面的基礎(chǔ)研究。美國國防部高級(jí)研究計(jì)劃局（DARPA）推出了擬人機(jī)器學(xué)習(xí)方法，即機(jī)器可以像人類那樣進(jìn)行學(xué)習(xí)的方法。

擬人的機(jī)器學(xué)習(xí)訓(xùn)練環(huán)境更加具有人的因素，需要訓(xùn)練的結(jié)果更加接近人的意志，不給人帶來復(fù)雜的過多的工作量，在擬人的情感、擬人的視點(diǎn)、立體構(gòu)造空間上進(jìn)行自由思維;擬人可以找出問題，擬人可以對(duì)問題進(jìn)行操控，擬人可以進(jìn)行自我建構(gòu)。擬人機(jī)器學(xué)習(xí)方法是最近引入的、基于深度規(guī)則系統(tǒng)進(jìn)行的，從極小訓(xùn)練數(shù)據(jù)開始逐步建立起模型，通過原型來描述或注釋學(xué)到的觀察結(jié)果，解釋系統(tǒng)為何做出決定以及學(xué)習(xí)一件事。我們將通過擬人的解決方法去處理數(shù)據(jù)教育問題，用擬人思維考慮人的智能參與度和教育自身的智能化。

擬人機(jī)器學(xué)習(xí)的方法非常適合訓(xùn)練樣本有限、數(shù)據(jù)不連續(xù)、數(shù)據(jù)呈現(xiàn)簡(jiǎn)短特征、數(shù)據(jù)有變化趨勢(shì)的行業(yè)，這種研究思路對(duì)非精準(zhǔn)的、趨勢(shì)性的、允許有一定延遲的、允許有一定干擾的、允許一定影響因子出現(xiàn)的、與目標(biāo)出現(xiàn)偏差的數(shù)據(jù)訓(xùn)練更加有效，非常符合教育數(shù)據(jù)特性，人類學(xué)習(xí)與擬人學(xué)習(xí)比較問題如表3所示。

擬人化學(xué)習(xí)會(huì)使未來的教育智能機(jī)器和機(jī)器智能更好地為人類服務(wù)，也更與人類相像，同時(shí)大幅提高其處理量和自動(dòng)化水平，更加準(zhǔn)確透明，適應(yīng)性強(qiáng)，自學(xué)習(xí)和計(jì)算效率高，更加增強(qiáng)了教育智能化的能力;擬人機(jī)器學(xué)習(xí)比起傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更進(jìn)一步地識(shí)別出未知情境，不僅可以識(shí)別此前已知的模式，還可以識(shí)別意外模式，能夠意識(shí)到自身局限，能在面對(duì)未知和不可預(yù)測(cè)的情況時(shí)，啟動(dòng)安全程序，并從中自主學(xué)習(xí)，可高度自治，對(duì)人類友好、透明、符合人性。[6]擬人的機(jī)器學(xué)習(xí)方法非常適合教育智能研究方向，教育的數(shù)據(jù)特點(diǎn)與擬人的分類研究非常擬合。

2.主流機(jī)器學(xué)習(xí)和擬人學(xué)習(xí)的內(nèi)容比較

目前計(jì)算機(jī)界推出了三種實(shí)現(xiàn)可解釋人工智能（XAI）的方法和模糊邏輯方法，試圖通過近似而非精確或量化的連續(xù)過程模仿人類思維，并在模糊規(guī)則系統(tǒng)（FRBS）上取得了進(jìn)步，能夠生成更短也更少的條件（if? then）規(guī)則（與數(shù)量無關(guān)），保持系統(tǒng)獲得高清晰度和可解釋性的答案，與傳統(tǒng)FRBS形成鮮明的對(duì)比;這是本文重點(diǎn)要推出的方法——擬人機(jī)器學(xué)習(xí)方法，即機(jī)器可以像人類那樣進(jìn)行學(xué)習(xí)。下面給出幾個(gè)主流機(jī)器學(xué)習(xí)和擬人學(xué)習(xí)的內(nèi)容比較，如表4所示。

3.擬人機(jī)器學(xué)習(xí)在未來教育當(dāng)中的應(yīng)用研究

能識(shí)別未知情境，并從中學(xué)習(xí)、自主學(xué)習(xí)，最關(guān)鍵的是基于深度規(guī)則（DRB）系統(tǒng)的;DRB是一個(gè)自組織、自適應(yīng)、高透明、收斂性好、并行化基于規(guī)則的架構(gòu)和學(xué)習(xí)算法，一種通用的新的機(jī)器學(xué)習(xí)方法，可以進(jìn)行簡(jiǎn)單的修改。[7]用于圖像分類的DRB系統(tǒng)的結(jié)構(gòu)示意圖，如圖4所示。

從圖4中可以看到，該分類器由以下組件組成。

（1）預(yù)處理塊。它涉及在計(jì)算機(jī)視覺領(lǐng)域中廣泛使用的預(yù)處理技術(shù)，包括歸一化、縮放、旋轉(zhuǎn)和分割。

（2）特征描述符。它將原始圖像投影到一個(gè)特征空間。使不同類別的圖像分離。I=>X。

（3）大規(guī)模并行模糊規(guī)則庫。它是一種復(fù)雜的非線性預(yù)測(cè)模型，充當(dāng)系統(tǒng)的“學(xué)習(xí)引擎”。每個(gè)大規(guī)模并行模糊規(guī)則由從訓(xùn)練集內(nèi)特定類型的樣本中識(shí)別的大量原型組成。因此，對(duì)于包含c個(gè)不同類型的數(shù)據(jù)樣本，例如圖像的訓(xùn)練集，if…or…or…then…識(shí)別出三個(gè)并行模糊規(guī)則（既一個(gè)類別一個(gè)規(guī)則）。

（4）決策器。一個(gè)類別帶有一個(gè)局部/子決策器，給出一個(gè)局部建議。根據(jù)這些大量并行的局部建議的置信度，來決定勝出的類別標(biāo)簽。

基于識(shí)別出的原型RDB，從數(shù)據(jù)中自組織和自我演化一個(gè)完全透明且可由人類解釋的條件邏輯（if…then…），大規(guī)模并行FRB系統(tǒng)。每個(gè)大規(guī)模并行的模糊規(guī)則是圍繞大量原型確定的。這些原型從特定類型的訓(xùn)練數(shù)據(jù)樣本中識(shí)別出來。RDB方法不是黑盒，它基于原型的特質(zhì)提供內(nèi)部結(jié)構(gòu)的透明度和解釋性。大多數(shù)現(xiàn)有機(jī)器學(xué)習(xí)方法都需要大量訓(xùn)練數(shù)據(jù)，而RDB系統(tǒng)甚至可以從單個(gè)例子中學(xué)習(xí)，也就是從零開始。即使是在完成訓(xùn)練/部署之后，非迭代在線自主學(xué)習(xí)算法也能進(jìn)一步使RDB系統(tǒng)終身不斷地學(xué)習(xí)新觀察到的樣本。因此它是不斷演化的，對(duì)普通的問題場(chǎng)景與特殊場(chǎng)景相結(jié)合的補(bǔ)充性學(xué)習(xí)非常有用。[8]

例如，使用擬人學(xué)習(xí)的訓(xùn)練方法識(shí)別教育數(shù)據(jù)沖突事件時(shí)，發(fā)生于事件疊加的圖形如圖5 所示。

使用擬人的思想，不是識(shí)別一個(gè)二維圖形，而是以人的立體化思維學(xué)習(xí)和認(rèn)識(shí)事物，如果識(shí)別的原型有錯(cuò)誤，可以隨時(shí)替換正確的圖形，每一個(gè)問題都非常透明，每一步驟都有解釋;沒見過的場(chǎng)景可以隨時(shí)隨地添加，這對(duì)于面對(duì)問題出發(fā)的教育事件識(shí)別可操控性非常強(qiáng)，能有目標(biāo)、無風(fēng)險(xiǎn)地進(jìn)行智能判斷，為教學(xué)教育進(jìn)一步智能化提供了有利的先決條件。

擬人的機(jī)器學(xué)習(xí)，可以邊實(shí)踐邊學(xué)習(xí)，如果給出的規(guī)則有錯(cuò)誤，可以修改，如果碰見沒有見過的場(chǎng)景和問題，可以加到規(guī)則中，僅需要一兩個(gè)案例學(xué)習(xí)就可以進(jìn)行人機(jī)互通的交互式學(xué)習(xí)。不像神經(jīng)網(wǎng)絡(luò)對(duì)弈，物體要多角度、不同光線、不同場(chǎng)合進(jìn)行采樣，況且對(duì)其訓(xùn)練的結(jié)果還沒有把握。

五、結(jié)束語

教育人工智能是一個(gè)龐大的系統(tǒng)工程，能否對(duì)事件事物數(shù)據(jù)進(jìn)行正確的定位、找出數(shù)據(jù)的特性將是教育智能的基礎(chǔ)，能否找到辨識(shí)事件和事物的關(guān)系和類型，及其學(xué)習(xí)的方法是提取有效模型的技術(shù)關(guān)鍵，能否進(jìn)行透明的、可解釋的、可調(diào)控的、陌生場(chǎng)景的機(jī)器學(xué)習(xí)，是第五代移動(dòng)通信下教育人工智能的技術(shù)標(biāo)志。盲目的數(shù)據(jù)挖掘?qū)?huì)帶來勞命傷財(cái)?shù)男Ч?，科學(xué)的機(jī)器學(xué)習(xí)，按人的意志去提取教育所需要的東西，才是教育智能化的本質(zhì)。脫離人的意志的人工智能是盲目的、無前途的。

參考文獻(xiàn)：

[1]P.P.Angelov，X.GU，and J.Principe.“A Generalized Methodology for Data Analysis”IEEE Trans，Cybernetics，2017;doi：10 1109 TCYB.2017.2753880.

[2]C.M.Bishop.Pattern Recognition and Machine Learning，Springer，2006.

[3]A.Nguyen，J.Yosinski and J.Clune.“Deep neural networks are easily fooled： High confidence predictions for unrecognizable images，”2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），Boston，MA，2015：427-436.

[4]Y.LeCun，Y.Bengio，and G.Hinton.“Deep Learning”Nature Methods， 2015，13（1）：35.

[5]Plamen Angelov.Autonomous Learning Systems：From Data Streams to Knowledge in Real-time[J].2012.

[6]P.P.Angelov and X.Gu.“Deep Rule Base Classifier with Human-Level Performance and Characteristics，”Information Sciences，vol.263-464，208，pp.196-213.

[7]Angelov，Plamen & Gu，Xiaowei.Deep Rule-Based Classifier with Human-level Performance and Characteristics. Information Sciences，2018：463-464.10.1016/j.ins.2018.06.048.

[8]Gu，Xiaowei & Angelov，Plamen.Semi-supervised Deep Rule-based Approach for Image Classification. Applied Soft Computing，2018：68. 10.1016/j.asoc.2018.03.032.

（編輯：王天鵬）