摘要：为了解决高校教师同时带多门新课备课难的问题,作者的教研团队构建了”微云助教“教学模式,并根据此模式研究开发了一套AI智能备课系统,即“微云助教"系统。本系统专门面向高校教师设计,特别是教学内容迭代速度快的高职大专类教师。同时可能代多门新课,课程之前没有数据资源的积累,需要编写授课教案,设计教学单元。本系统提供了教学计划制定,基于大数据技术分析课程技能热点合理编排课程内容,通过课表预设自动生成每次课的上课时间地点和课程内容信息,极大的方便教师随时随地的掌握课程进度。评价采集功能可以便捷的撰写教学评价,记录学生学习情况等,从而达到提高教学质量的目的。

　　关键词：助教模式;课程;评价

　　随着信息技术的日新月异,高校教师特别是高职大专类教师,培养高级应用型人才是国家赋予的光荣使命。这就要求教师掌握的理论和技能必须符合社会需求,才能培养出符合社会需求的学生。而随着社会的快速发展理论与技能的需求也在快速的变换,不断有新的技术发展起来颠覆传统。而这就需要高校教师不断的学习新的知识掌握新的技能。教学工作量也在成倍增长,作为高校教师如果有一款具有一定智能化的备课系统,更能有利于适应不断变化的教学需求。

　　1.教学备课现状调查

　　对高校教师的需求调研,确定了该系统主要为高校教师服务为主。调查发现目前高校的网络建设情况覆盖率已达90%以上,移动端的普及率更高达96%以上,即使是偏远贫困山区也已经普及了网络信号。教师教案制定也部分实现了网络无纸化办公。本系统在辅助备课方面有极好的发展前景。

　　2.教学现状的客观分析

　　2.1高校教师课时量大我们设计了同一门课联合备课,课程复用的功能

　　我校教师每周的平均工作量是16课时,绝大多教师为了完成备课和批改作业等工作,通常需要在工作日上班之前和下班之后继续工作,甚至把工作带回家,实际上教师的实际工作时间为平均每周54.5小时,工作占据了七成。而课堂时间仅仅是一部分,除了课堂教学、备课、教科研、听课、开会、批改作业、教学反思、实验环境准备、撰写各种业务文件、政治学习等,都是教师的日常工作。

　　2.2班级多课程种类多

　　高校与其他层次的教学工作不同的地方是我们的教师是个多面手。同一个教师带多个不同的课目是习以为常的事情。同时带好几个班,每个班的课程不一样,上课地点不一样,进度不一样。说实话记下这些不太容易。老师同学们问我们上到哪里了,是一件很尴尬的事。系统的一个功能就是可以一个老师添加多个课程,记录学习教学进度。

　　2.3课程效果学生课堂表现无法记载

　　学生在课堂上的课堂表现怎么样,是非常难以评价的。因为老师带的课程多,加之没有文字记录,学生的课堂表现只有辅导员比较清楚。授课老师至多只能记住几个表现还不错的回答问题积极的,或是表现非常差的。利用教室的辅助设备入摄像机等完成识别,对每节课课中学生的表现情况记录转成文本存储数据库。

　　2.4考核方式单一

　　教学效果只能由考试成绩评价,而非技能类考核,考试成绩反应不了真实的学习能力,尤其是自学能力。不少学生对某项技术特别有兴趣,自发成立了兴趣小组。他们经过不懈努力研究出的创业创新项目。然而因教师工作繁忙,这些项目实施过程中缺乏老师的指导,加上学生自己面对升本和就业的压力,项目开发后劲不足多以质量较底的成果结束甚至半途而废。系统引入深度学习卷积网络技术,智能分析学生的学习情况,推送学习意见。

　　3.“微云助教”教学模式的构成

　　本系统目的旨在减轻从事教学一线的老师的工作负担,提高教学效率,人性化科学指导学生学习,满足工作以及未来职场要求。教学模式侧重点是运用大数据技术积累资料,寻找出教学各环节之间的联系。以这些为基础利用AI技术为授课老师提供一份指导方案并辅助执行。当前,主要的数据来源是毕业生就业状况调查和企业发布的招聘信息。主要的数据分析方法包括可视化分析和统计分析方法。由于就业和招聘信息大数据平台存储包括地理空间数据与岗位技能需求变化数据在内的海量数据,通过对存储在云端的数据进行可视化分析,借助GPS实现了对就业需求的可视化检测;统计分析方面,结合深度学习及卷积网络技术,对高校阶段适合开设的课程做筛选。不断迭代后生成学习计划,协助教研室编制人才培养方案。结合理论知识技能的相关性,构建了相应的“学科指数”,并从海量数据中甄别出最重要的部分,增加教学投入。

　　4.“微云助教”模式过程管理

　　4.1学习数据存储

　　助教模式是大数据技术的应用的一种全新模式,云处理为大数据提供了弹性可拓展的基础存储设备,是产生大数据存储大数据的重要平台。数据采集一部分来源与高校的教学管理平台,整合了招生就业、成绩系统、选课系统、学管系统、团委、图书馆等各个部门的学生信息;另一部分来源与网络就职招聘信息、行业新闻、法律法规等各类数据。助教系统实施动态更新数据,对岗位类型、公司性质、企业规模、公司所在地、学历、岗位需求、福利待遇、行业竞争情况、工作劳动强度、公司市值等数据进行清洗、转换、计算和分析,进而完成对知识技能点、工作需求量、工作属性等多个数据分析,实现了建立职位画像。显然这些数据远不止一所高校和几个职位需求所可以提供的了的,它无法满足大数据应用的巨量性,多样性的特征。

　　4.2学科指数制定

　　学科指数指的是某个知识技能点所在职业层次的具体变化曲线。综合素质的高低是一个求职者或创业者的关键要素。职业生涯是不断变化的,并不是所有在校学到的知识技能都能用得上。在学校有限的学习时间内培养出最适合在职场生存的大学生,就必须从海量数据中提炼生成一张学习路径图,图中包括技能类型、技能掌握程度、学习进度要求。传统的学习路径是教研室老师凭经验制定,具有粗粒度、滞后等不足。本系统根据采集的技能数据作为实验样本经过抽象加权,采用随机森林算法对岗位技能点进行分类并提取特征。对技能、岗位、学历等相关特征进行回归分析,最终实现预测学习路径。

　　4.3学习过程监控

　　授课教师开设班级组织教学。教师依据系统推送的学习路径图作为指导,完成授课计划制定。结合教务处的课表与班级等信息综合生成授课详表。此表即是一次教学单元课程的抽象。通过此表可以方便知晓什么时间在什么地点上什么课程内容。不仅如此,学生也参与其中完成课程预习、课堂问答、课后作业。

　　系统会统计以上信息为学情分析做准备。分析学生各阶段的完成情况,判断学生在学科指数曲线上所达能到的技能水平。结合舆情分析模块通过留言提问等获得csv表格数据,合并后做LDA模型计算主题,得出学生感兴趣的课程。从而提供学习参考意见,为学生就业指明方向。

　　5.“助教”模式实践效果

　　5.1提高了教师团队的合作效率

　　系统里根据路线图指导教案,同专业课的老师可以在线上线下一起完善教案,实时分享共建课程资源。教案中的章节和内容以知识点形成碎片化资源,方便学生随时随地查阅,导出离线库在学生毕业后工作中也是可以随用随取。

　　5.2提高了学生的学习主动性

　　过去的教学都是被动式的填鸭教育,而本系统会对未来学习有个预测推荐。相当于一个学习导航者,随着机器学习的不断深入,可以预见的是,系统逐渐可以替代一部分教师手上的繁重工作,比如作业批改,学习情况评价等。实现从传统的一对多教学转变为一对一教学。

　　5.3提高了就业率

　　就业率与学生的学习情况有直接的关联,只有适应社会要求的学生才能找到理想的工作。“助教”模式中学生的理论知识、实践能力、学习能力都有所体现,以知识技能图谱、项目开发进度记录、学习路径执行轨迹等形式展现给用人企业。学校与企业对学生的能力数据共享,提升就业率。

　　总结

　　新技术不断涌现,教育战线也要与时俱进。社会就业压力不断加大,岗位变化加快带来教学内容快速迭代。这呼唤我们教育人借助云计算、大数据、机器学习等新技术手段对传统教学模式进行变革。坚持教师始终教育的是主体,提高教师的教学水平需要实际有效的教学辅助工具。而“微云助教”模式势必在未来的发展中不断完善。作为IT从业者和教育工作者,应该直面未来的挑战,实现自我的价值。