人工智能背景下高校數(shù)字化教學資源分類管理平臺設計

摘要：為了解決現(xiàn)有平臺設計選取效果差、資源分類時耗長的問題，文章提出人工智能背景下高校數(shù)字化教學資源分類管理平臺設計，利用人工智能技術(shù)優(yōu)化資源分類過程。硬件設計上，以中央處理單元（Central Processing Unit，CPU）為核心，結(jié)合多維尺度（Multidimensional Scaling，MDS）分析寄存器和三級單周期布線控制器，優(yōu)化內(nèi)存地址排列并集成隨機存取存儲器（Random Access Memory，RAM）等組件，通過總線探針實現(xiàn)實時數(shù)據(jù)通信。軟件設計上，采用加權(quán)網(wǎng)格算法計算資源分布，以此為依據(jù)進行資源聚類。平臺架構(gòu)基于云平臺和移動端，實現(xiàn)資源數(shù)據(jù)的分類編碼管理。通過知識圖譜結(jié)構(gòu)進行資源檢索，提升管理效率。測試結(jié)果顯示，資源選取成功率達95%，分類時間縮短至125 s內(nèi)，顯著提高了資源更新和維護的便捷性。

關(guān)鍵詞：人工智能；高校；數(shù)字化教學資源；分類管理

中圖分類號：TP303" 文獻標志碼：A

0 引言

隨著教育信息化的推進，高校承擔著豐富教學資源和優(yōu)化教學模式的重要任務。為了滿足當今教育多元化的需求，構(gòu)建一個高效智能的數(shù)字化教學資源分類管理平臺顯得尤為重要。

近年來，已經(jīng)有很多學者針對高校數(shù)字化教學資源分類管理平臺設計進行了研究。例如：湯玲等^［1］對高校英語教學進行需求分析，整合現(xiàn)有的英語教學資源，設計友好的用戶界面和交互體驗。根據(jù)學生的學習行為和興趣，推薦相關(guān)學習資源。由于互聯(lián)網(wǎng)上存在大量的英語教學資源，但質(zhì)量參差不齊，平臺在整合資源時可能難以保證所有資源的質(zhì)量。這可能會影響用戶的學習效果和體驗。黃慧婷等^［2］根據(jù)職業(yè)標準和行業(yè)需求，設置合理的關(guān)鍵詞。利用大數(shù)據(jù)和人工智能技術(shù)，設計智能推薦系統(tǒng)，根據(jù)學生的學習行為和興趣，推薦相關(guān)的學習資源和課程。由于學生的學習需求和興趣具有多樣性，智能推薦系統(tǒng)的準確性可能存在一定的局限性，影響學生的學習體驗和滿意度。

為了解決上述方法中存在的問題，本文以高校數(shù)字化教學資源分類管理平臺設計為研究對象，在人工智能背景下，結(jié)合實際情況進行設計與分析。

1 教學資源分類管理平臺硬件設計

教學資源分類管理平臺的硬件架構(gòu)以CPU設計為核心，從門電路起步，逐步構(gòu)建主存儲器的存儲空間，采用小容量芯片通過擴展技術(shù)組成更大容量的芯片。在數(shù)字邏輯層面，通過低位地址訪問對應的存儲單元。設計MDS寄存器，內(nèi)部包含32位字節(jié)并配備2個讀寫端口。通過地址端選擇相應的寄存器端口以訪問內(nèi)容。存儲器具有不同地址的特性，因此，在數(shù)據(jù)寫入或讀出時，須遵循寫入順序進行讀取。通過實現(xiàn)資源循環(huán)傳輸，減少數(shù)據(jù)缺失，確保資源數(shù)據(jù)傳輸?shù)耐暾?sup>［3^］。

當寄存器組具有連續(xù)地址時，可使用結(jié)構(gòu)體進行封裝，其中每個成員變量對應一個寄存器，地址通過偏移量指定。同時，設計一個三級單周期布線控制器，實現(xiàn)從內(nèi)存地址0×85開始的5個字單元的符號數(shù)排列。添加RAM等組件并通過三態(tài)門控制輸出，構(gòu)成多功能運算器。在RAM中加載指令，通過總線上的探針組件實現(xiàn)實時數(shù)據(jù)通信^［4］。

2 教學資源分類管理平臺軟件設計

2.1 優(yōu)化數(shù)字化教學資源分類

設定加權(quán)網(wǎng)格的作用范圍，采用網(wǎng)格邊界限制的方式，設定教育資源集合中存在的資源，如果資源在2個網(wǎng)格的邊界上，這2個網(wǎng)格中的教育資源之間存在關(guān)聯(lián)關(guān)系。通過聚類的方式將這些相鄰網(wǎng)格進行合并處理。在這種情況下，設定這2個網(wǎng)格的權(quán)重值為1^［5］。如果網(wǎng)格中的教育資源之間沒有關(guān)聯(lián)，則將對應網(wǎng)格的權(quán)重值設置為0。因此，根據(jù)該網(wǎng)格方式對教學資源分布情況進行計算，將該結(jié)果作為聚類的標準，以此實現(xiàn)對教學資源的分類^［5］。其計算公式為：

p（i）=count（t）count（n）（1）

其中，count（t）為網(wǎng)格單元數(shù)量；count（n）為非空網(wǎng)格單元數(shù)量。

在聚類計算過程中，以目標網(wǎng)格對象為核心，通過 map 函數(shù)獲得每個網(wǎng)格中教育資源的數(shù)量并生成相應參照值^［6］。利用 reduce 函數(shù)將這些參照值進行整合，對教學資源分布情況p（i）進行計算，將p（i）值與參照值進行嵌入，將嵌入值作為更新后的參照值用于下一個網(wǎng)格的數(shù)據(jù)判斷。這樣停止迭代后就能將更新后的數(shù)據(jù)pr進行輸出^［6］。為實現(xiàn)對教育資源的精準分類處理，在此過程中，設定網(wǎng)格單元閾值為k。當pr位于k的范圍中時，說明教育資源的類別與中心目標網(wǎng)格對象資源為同類。當pr不在閾值范圍內(nèi)時，則對應的資源與中心目標網(wǎng)格對象資源不屬于同類資源^［7］。通過這種方式，完成對教育資源的分類處理。將教學資源進行詳細分類，確保每個資源都有一個明確的歸屬類別，可以提高教學資源的使用效率，為教學和學習提供更好的支持。

2.2 人工智能技術(shù)教學資源檢索

通過人工智能技術(shù)對知識點進行智能識別，標記教學中的重點和難點并結(jié)合文本、關(guān)鍵詞等多種素材形式，推進各類課程資源的建設。在教學資源分類管理過程中，首先須對教學資源數(shù)據(jù)進行分類編碼等處理，以便檢索出相關(guān)信息。這樣，用戶便能從不同范圍快速且準確地查詢到所需的教學資源。根據(jù)網(wǎng)絡資源數(shù)字組織框架，通過數(shù)據(jù)之間的關(guān)聯(lián)度進行數(shù)據(jù)信息抽取。在提取過程中，將資源中的部分內(nèi)容進行分詞，得到關(guān)鍵詞列表，在關(guān)鍵字查詢過程中提取資源。其提取資源的計算公式如下：

R=∑α×t（2）

其中，α為比例系數(shù)；t為單詞在詞庫中的數(shù)量。獲得資源后，在教育資源中標注并提取數(shù)據(jù)，通過資源庫標準獲取教育資源中的不同標簽^［10］。在信息檢索過程中，運用大數(shù)據(jù)背景下的知識圖譜獲取教育資源數(shù)據(jù)之間的關(guān)聯(lián)，為用戶提供更加豐富的語義檢索方式^［11］。完成降沉后，針對教育含義不同的下沉資源，須要對資源庫進行進一步過濾。構(gòu)建知識圖譜用來提取教學資源的具體特征，如內(nèi)容、關(guān)鍵字等。根據(jù)圖譜中關(guān)鍵字在特征上的距離，對特征距離賦予權(quán)重值，設定待檢索的關(guān)鍵字特征為q，計算特征q與索引文件中的特征距離并對距離進行處理。其特征距離計算公式為：

d=di-dmaxdmax-dmin（3）

其中，di為相似度距離；dmax、dmin為最值距離。通過計算相似度距離并對其進行歸一化處理，使得特征距離滿足在［0，1］范圍內(nèi)，防止檢索過程出現(xiàn)偏差。這樣能夠收集所有關(guān)鍵字特征，按照計算的特征距離寫入索引文件。同時，根據(jù)關(guān)鍵字特征綜合相似度，為特征賦予權(quán)重，獲得關(guān)鍵字的相似度結(jié)果，其計算公式為：

e=w1dt+w2dt+w3dt（4）

其中，w為權(quán)重值。根據(jù)關(guān)鍵字在文檔中的相似度結(jié)果進行排序，通過知識圖譜結(jié)構(gòu)進行檢索，獲得用戶需求結(jié)果后，可以對檢索內(nèi)容進行整合。這樣通過搜索過程，將相似度最高的數(shù)據(jù)作為相關(guān)結(jié)果，找到最為匹配的結(jié)果以滿足用戶需求。

3 測試與分析

3.1 測試準備

高校數(shù)字化教學資源分類管理平臺建設中，配置5臺服務器，提供200 TB的存儲服務。服務器節(jié)點配置如表1所示。

3.2 結(jié)果分析

本文采用的實驗數(shù)據(jù)集為綜合性語料庫。該語料庫包含各類文本共計500篇，文本涵蓋不同的主題類別記為A～E。在數(shù)據(jù)集構(gòu)建過程中，考慮各類文本在實際應用中的分布情況，將整個語料庫文本進行比例選取。當選取成功率在95%左右時能夠達到檢索有效性。因此，針對不同類別設置3組數(shù)據(jù)集進行測試，測試結(jié)果如圖1所示。

由圖1可知，對3個小組在不同資源類別中所需文本的選取情況進行分析，發(fā)現(xiàn)選取數(shù)量均在4000篇以上，對3個小組的選取成功率也保持在95%左右，選取效果良好。運用本文設計的高校數(shù)字化教學資源分類管理平臺進行分類管理，數(shù)字化教學資源按照資源類型進行有序選取，學習者能夠更快捷地找到所需資源，不僅提升了資源的檢索效率，還能節(jié)約學習者的時間。

在測試過程中，當樣本規(guī)模為4500篇時，為防止平臺因承受不住壓力而崩潰，須要保證分類時耗在125 s以內(nèi)，這樣后續(xù)的資源分類管理過程可不受影響。對特征提取的結(jié)果進行匯總，資源分類時耗如表2所示。

由表2可知，8個小組資源分類時耗均在125 s內(nèi)，顯著縮短了分類時間，說明本文設計的平臺為樣本集提供了充足的存儲空間，避免了處理數(shù)據(jù)緩慢而導致的系統(tǒng)崩潰問題，更適合處理大規(guī)模數(shù)據(jù)。分類管理使得數(shù)字化教學資源的更新和維護更加便捷。管理員可以根據(jù)資源的分類情況，對各類資源進行定期檢查和更新，確保資源的時效性和準確性。同時，分類管理也有助于管理員對資源進行有效的監(jiān)控和維護，確保資源的穩(wěn)定性和安全性。

4 結(jié)語

本文從高校數(shù)字化教學資源分類管理入手，在人工智能背景下，探究了高校數(shù)字化教學資源分類管理平臺設計。利用該平臺，教學資源分類管理更加智能化、實時化。但是該方法也存在著不足，例如算法的更新問題、時效性問題、信息整體轉(zhuǎn)化問題。今后應更加完善計算，增加平臺資源評價功能，用戶可以對已下載或瀏覽的資源進行評價和反饋。這些評價將作為其他用戶選擇資源的參考依據(jù)，提高資源的質(zhì)量。

參考文獻

［1］湯玲，張小號.大數(shù)據(jù)時代高校英語數(shù)字化教學資源管理平臺建設［J］.情報科學，2022（10）：131-136.

［2］黃慧婷，莊榕霞，趙志群.對職業(yè)教育專業(yè)教學資源庫設計的教學理念分析［J］.中國高教研究，2023（9）：102-108.

［3］呂艷嬌，姜君.美國一流大學教師在線教學能力發(fā)展研究［J］.教育理論與實踐，2023（12）：45-49.

［4］董前程，張楠.思政課校外實踐教學資源共享平臺構(gòu)建［J］.中學政治教學參考，2022（3）：83-85.

［5］顧黎，周明華.國家虛擬仿真實驗教學項目共享服務平臺對現(xiàn)代遠程教育實驗教學的啟示［J］.成人教育，2022（5）：47-52.

［6］馬慧.基于混合云平臺的教育課程資源共享系統(tǒng)設計［J］.現(xiàn)代電子技術(shù)，2022（3）：159-164.

（編輯 王雪芬編輯）

Design of classification management platform of university digital teaching resources under

the background of artificial intelligence

LIN" Nan， AI" Hongfu， ZHANG" Yubo

（Jilin Agricultural University，Changchun 130118， China）

Abstract：" In order to solve the problems of poor selection effect and long resource classification time in existing platform design， a design of a digital teaching resource classification management platform for universities under the background of artificial intelligence is proposed. The article uses artificial intelligence technology to optimize the resource classification process. In terms of hardware design， the central processing unit （CPU） is used as the core， combined with multidimensional scaling （MDS） registers and a three-level single cycle routing controller to optimize memory address arrangement， and integrate components such as random access memory （RAM） to achieve real-time data communication through bus probes. In terms of software design， a weighted grid algorithm is used to calculate resource distribution and cluster resources. The platform architecture is based on cloud platforms and mobile devices， achieving classification， coding， and management of resource data. Using knowledge graph structure for resource retrieval to improve management efficiency. The test results show that the success rate of resource selection reaches 95%， and the classification time is shortened to within 125 seconds， significantly improving the convenience of resource updates and maintenance.

Key words： artificial intelligence; university; digital teaching resources; classified management