针对智慧教育场景下, 在线学习评价的全面性和有效性所面临的不足, 构建了一个基于模糊层次分析法 (fuzzy analytic hierarchy process, FAHP) 和模糊综合评价法 (fuzzy synthetic evaluation method, FSEM) 的在线学习行为指标评价框架. 框架以CIPP (context, input, process, product) 教育评价模型为指导, 融合教育评价标签类目体系, 确立了学习探索、编程实践、知识掌握、创新协作和沟通交互这5个维度, 并细化为二级指标和三级指标, 从而实现了评价的全面覆盖. 通过FAHP-FSEM计算各级指标权重, 并进行一致性检验, 确保了评价的科学性和合理性. 以水杉在线平台为案例, 利用大规模多源的过程化学习数据, 从多维度、多视角进行了综合评价, 并通过可视化大屏呈现学生画像和学习行为特征. 所提框架为个性化学习效果的提升和在线教育改革提供了有力数据支持, 具有广泛的应用前景.

提出了一种基于OpenRank的开源贡献度评价方法, 旨在解决开源项目实践中学生的贡献度量化评估问题. 以 “开源软件设计与开发”课程中的软件开发实践教学为背景, 设计了开源实践教学模式中学生的贡献度评价方法, 提出了一种基于开发者协作网络的OpenRank算法, 以评估学生在项目讨论、问题解决、代码编写等方面的贡献和价值. 实验结果表明, OpenRank与传统评分方法在评价学生表现方面具有一致性, 更能全面展示学生在开源项目中各个方面的贡献. 因此, OpenRank与传统评分方法的结合, 能更加科学、全面地评价学生在开源项目中的贡献度与综合技能.

提出了一种基于自注意力融合的多图知识追踪方法(multi-graph knowledge tracing method based on self-attention, SA-MGKT), 旨在通过学生的历史答题数据, 对其知识的掌握程度进行模型化, 并评估其未来学习的表现. 首先, 该方法构建了学生–习题异质图来表示学生–习题的高阶关系, 通过图对比学习技术捕获学生的答题偏好, 并采用3层LightGCN进行图表征学习. 然后, 引入概念关联超图和有向转换图的信息, 通过超图卷积网络和有向图卷积网络进行节点嵌入. 最后, 通过引入自注意力机制, 成功融合了习题序列的内部信息以及多图表征学习所蕴含的潜在信息, 从而显著提升了知识追踪模型的准确性. 实验数据在3个标准数据集上均展现出令人鼓舞的结果, 模型的分类性能得到了大幅提升, 具体表现为相对于基线模型, 在评估指标上分别提高了3.51%、17.91%和1.47%. 这些结果充分验证了融合多图信息和自注意力机制对于增强知识追踪模型性能的有效性.

近年来, 大规模开放在线课程(massive open online courses, MOOCs)已成为获取知识和技能的重要途径. 然而, 因课程数量激增导致信息过载的问题日益严重. 知识概念推荐旨在识别并向学生推荐需要掌握的特定知识点. 现有研究通过建立异质信息网络应对数据稀疏性, 但在充分挖掘异质信息网络数据和考虑学习者与知识概念之间多样互动方面存在局限性. 为了解决这些问题, 本文提出了一种名为融合异质信息网络与行为感知的知识概念推荐(heterogeneous learning behavior-aware knowledge concept recommendation, HLB-KCR)的新方法. 首先, 使用基于元路径的随机游走和skip-gram算法生成富含语义信息的元路径嵌入, 并通过两阶段元路径嵌入增强模块优化嵌入效果; 其次, 构建融入时间上下文信息的多类型交互图, 利用图神经网络(graph neural network, GNN)进行消息传递, 更新节点嵌入, 获得包含时间和交互类型信息的深度嵌入表示; 再次, 引入语义注意力模块, 将元路径嵌入与多类型交互嵌入相融合; 最后, 使用扩展的矩阵分解评分预测模块优化推荐算法. 在大型公开的MOOCCubeX数据集上进行大量的实验证明了HLB-KCR的有效性与合理性.

大规模在线开放课程 (massive open online courses, MOOCs) 中, 知识概念推荐旨在分析和提取平台上的学习记录, 进而为用户推荐个性化的知识概念, 避免主观盲目地挑选学习内容导致的低效性. 然而, 现有的知识概念推荐方法缺乏对用户行为数据的多维度利用, 例如序列信息和复杂类型交互. 鉴于此, 提出了一种基于序列感知与多元行为数据的MOOCs知识概念推荐方法, 提取知识概念的序列信息, 并与图卷积网络输出的特征通过注意力机制进行聚合, 参与用户下一个感兴趣知识概念的预测. 此外, 利用多元对比学习, 将用户兴趣偏好与不同的交互关系融合, 准确学习到复杂交互中的个性化特征. 在MOOCCube数据集上的实验结果表明, 所提出的方法在多项指标上优于现有的基线模型, 验证了其在知识概念推荐中的有效性和实用性.

数字教育资源自动化内容审查是教育信息化时代的迫切需求, 特别是对教育资源是否超标的适用性审查, 存在知识点难定位和难理解的问题. 针对这一需求, 提出了一种基于教育知识图谱和大语言模型(简称“大模型”)协同的教育资源内容审查方法. 具体地, 首先利用“本体”思想, 设计并构建一个面向中小学教育的知识图谱; 之后, 利用大模型在文本生成和排序任务上的优势, 设计基于教学内容生成和排序剪枝的知识定位方法; 最后, 通过教学内容核心知识子图与知识图谱教学路径的冲突检测, 实现超标教学内容识别. 实验结果表明, 所提出的方法可有效应对教育资源内容的超标知识审查任务, 为基于知识图谱及大语言模型协同的教育应用开辟新的技术路径.

从建构主义和能力本位理论出发, 提出了一种基于知识图谱的在线学习系统设计方法, 即打破传统的知识结构, 以提升能力为目标, 构建知识、技能等多维度的能力框架; 搭建了以知识图谱为底层逻辑, 链接数字学习资源的学习系统; 开展了教学实践和实证研究. 首先, 使用调查问卷对学习系统进行了验证; 其次, 以“阅读英文学术论文”能力为学习任务, 随机分配实验组和对照组; 最后, 评估两组对于知识、技能的理解、记忆水平以及综合运用能力. 研究结果显示, 学习系统的有效性和易用性实验组总成绩、知识得分、技能得分和能力得分均高于对照组成绩, 其中总成绩和能力得分具有显著性差异, 表明该系统对于在线学习效果有一定的促进作用.

随着人工智能技术的迅猛发展, 大语言模型 (large language models, LLMs) 在自然语言处理和各种知识应用中展现了强大的能力. 研究了国内大语言模型在中小学学科知识图谱自动标注中的应用, 重点以义务教育阶段道德与法治学科和高中数学学科为例进行分析和探讨. 在教育领域, 知识图谱的构建对于整理和系统化学科知识具有重要意义, 然而传统的知识图谱构建方法在数据标注方面存在效率低、耗费大量人工成本等问题. 研究旨在通过大语言模型来解决这些问题, 从而提升知识图谱构建的自动化和智能化水平. 基于国内大语言模型的现状, 探讨了其在学科知识图谱自动标注中的应用, 以道德与法治和数学学科为例, 阐述了相关方法和实验结果. 首先, 探讨了研究背景和意义. 接着, 综述了国内大语言模型的发展现状和学科知识图谱的自动标注技术. 在方法与模型部分, 尝试探索一种基于国内大语言模型的自动标注方法, 力图完善其在学科知识图谱上的应用. 还探讨了学科知识图谱人工标注方法模型, 以此作为对比, 评估自动标注方法的实际效果. 在实验与分析部分, 通过在道德与法治和数学学科的自动标注实验和对其结果的分析, 发现两个学科的知识图谱自动标注均取得了较高的准确率和效率, 与人工标注结果进行了深入比较分析, 得出了一系列有价值的结论, 验证了所提出方法的有效性和准确性. 最后, 对未来的研究方向进行了展望. 总体而言, 研究为学科知识图谱的自动标注提供了一种新的思路和方法, 有望推动相关领域的进一步发展.

随着机器学习技术的进步, 旨在学习人类修复错误代码模式的自动程序修复技术可以辅助学生修复错误代码, 提高学生的自主学习效率. 在过去, 自动程序修复模型或是基于人工设计的符号规则, 或是基于数据驱动的方法. 随着具有强大自然语言理解能力和代码生成能力的大语言模型的出现, 一些研究尝试使用提示工程进行自动程序修复. 然而, 现有研究主要评估诸如Codex和GPT-4这样的商用模型, 一方面大规模使用的成本较高, 另一方面在教育场景下存在数据隐私隐患. 此外, 这些研究大多使用简单的提示形式来评估模型修复程序的能力, 且缺乏对结果的深入分析. 为弥补上述工作的不足, 通过提示工程评估了两个代表性的开源代码大语言模型, 测试了不同的提示方法, 例如思维链和少样本学习, 并对结果进行了深入分析, 最后提出了一些将大语言模型和编程教育场景结合的建议.

在国家新工科建设背景下, 早期的C++教学已不能满足“两性一度” (高阶性、创新性和挑战度) 的要求, 另外存在知识点碎片化、理论与实践难以结合、单视角偏差等问题, 针对以上问题, 通过将QT (Qt Toolkit)和C++这两门课程合二为一, 提出了有效融合QT和C++的创新教学模式, 并在智慧树平台部署了相应的课程知识图谱辅助教学. 一方面, 扩展了教学的广度, 有效关联课程知识点, 实现多模态教学资源的整合和共享, 促进学生多视角学习知识, 体现课程的创新性和避免单视角偏差; 另一方面, 提高了教学的深度, 构造融合QT和面向对象程序设计C++的知识图谱, 通过这两门课程知识点的有机融合, 搭建从理论到实践的桥梁, 提高课程高阶性和挑战度. 本研究另辟蹊径, 为C++的教学改革开辟了新途径, 也为其他高校的编程课程教学改革提供了有价值的参考和借鉴.

在数字化教育应用领域, 在线课堂等平台的开发人员在追求数据驱动的优化过程中, 面临着隐私问题和现有数据集规模不足的挑战. 针对此, 构建了一种适应教育特性的异构数据模型, 并实现了相应的数据生成工具 (E-Tools), 用于模拟复杂教育场景下的数据交互. 实验表明, 该工具在多种数据规模下, 都能保持高效的数据生成速度 (64 ~ 74 $ {\rm{MB}}\cdot{\rm{s}}^{-1} $), 展现了良好的线性扩展能力, 验证了所提模型的有效性及工具生成较大数据量的能力. 同时, 设计了反映学生学习行为的异构数据查询负载, 为教育平台的性能评估与优化提供了强有力的支持.

传统教育大数据管理面临隐私数据泄露、数据可信度存疑和越权访问等安全风险, 为了避免上述风险, 提出了一种新型基于智能合约的教育大数据安全管理与隐私保护算法: ASPES (algorithm for security management and privacy protection of education big data based on smart contracts), 算法融合了基于Shamir秘密共享的密钥切割改进分享算法、基于SM2-SHA256-AES算法的混合加密算法和基于分层数据访问控制的智能合约管理算法. 在真实数据集MOOCCube上的实验结果表明, 相较于较先进的方法, ASPES的执行效率和安全性有显著提高, 可以有效存储和管理教育大数据, 实现教育资源的合理分配. ASPES通过向区块链中嵌入智能合约, 将数据读写等操作上链, 能够优化管理路径、提高管理效率, 保证教育公平, 极大地提升教育质量.

查询优化可以显著提升联机分析处理 (online analytical processing, OLAP) 数据库系统对海量教育数据的分析效率, 为智能教学系统提供快速、精准的数据支持. 优化器主要包含基数预估、空间枚举和代价模型3个模块. 其中, 基数预估决定代价模型的结果, 并指导查询计划的选择. 因此, 优化器的基数预估模块评估对OLAP数据库系统优化起到积极的推动作用. 本文设计并实现了一套基于主键驱动的、构造多样化数据分布和数据关联关系的有效负载生成工具, 包含自定义关联关系的数据生成技术、基于有限状态机的负载模版生成技术和目标基数驱动的参数实例化技术. 并在3个数据库OceanBase、TiDB和PostgreSQL上进行了实验, 分析了3个数据库优化器存在的问题, 并给出了建议.

在现代教育环境中, 高效且可靠的数据管理系统对于在线教育平台和学生信息管理系统的运行至关重要. 随着教育数据量的持续增长和多用户访问频率的提高, 数据库系统面临并发冲突操作带来的高吞吐要求的挑战. 在众多并发控制策略中, 基于锁的控制策略是数据库系统中常用的策略之一, 然而, 由于锁造成的阻塞会影响数据库中事务并发执行的性能. 现有的工作主要通过调度事务间执行顺序或优化存储过程等方法减少锁竞争. 为了进一步提升事务吞吐, 本文基于锁避免进行事务内的阻塞分析和代价建模, 并提出事务内调度策略, 通过对工作负载的阻塞分析预估调度代价, 然后根据一定规则在事务内部有限程度地交换操作顺序, 减少锁阻塞造成的延迟, 从而提高性能. 最后, 通过对比传统的调度策略, 验证了提出的调度策略对吞吐的提升及对事务平均延迟的降低的效果.

提出并实现了一个本地轻量化课程教学智能辅助系统. 该系统利用IPEX-LLM (Intel PyTorch extention for large language model)加速库, 在计算资源受限的设备上高效部署并运行经过QLoRA(quantum-logic optimized resource allocation)框架微调的大语言模型, 并结合增强检索技术, 实现了智能问答、智能出题、教学大纲生成、教学演示文档生成等4个主要功能模块的课程灵活定制, 在帮助教师提高教学备课和授课的质量与效率、保护数据隐私的同时, 支撑学生个性化学习并提供实时反馈. 在性能实验中, 以集成优化后的Chatglm3-6B模型为例, 该系统处理64-token输出任务时仅需4.08 s, 验证了其在资源受限环境下快速推理的能力. 在实践案例分析中, 通过与原生Chatgml-6B和ChatGPT4.0在功能实现上的对比, 进一步表明了该系统具备优越的准确性和实用性.

建设智能教育平台是推动教育智能化的一个重要过程, 但智能教育平台依赖的人工智能模型在训练过程中会消耗大量电力, 因此, 开展短期电力负荷预测对建设智能教育平台具有重要意义. 针对在考虑多个属性开展短期电力负荷预测时, 由于部分属性与电力负荷数据的相关性不强并且Transformer无法捕捉电力负荷数据的时间相关性, 而导致电力负荷预测不够准确的问题, 基于SR (Székely and Rizzo)距离相关系数、融合时间定位编码和Transformer, 提出了一种短期电力负荷预测模型SF-Transformer. SF-Transformer通过SR距离相关系数对影响电力负荷数据的属性进行筛选, 选择与电力负荷数据之间SR距离相关系数较大的属性. SF-Transformer采用一种全局时间编码与局部位置编码相结合的融合时间定位编码, 有助于模型全面获取电力负荷数据的时间定位信息. 在数据集上开展了实验, 实验结果表明SF-Transformer与其他模型相比, 在两种时长上进行电力负荷预测具有更低的均方根误差和平均绝对误差.

近年来, 随着人工智能视觉识别和边缘智能计算的发展, 基于视觉识别的智能巡视或在线监测技术在传统校园安防、实验室安全监测和工业生产运维监测中取得重要的应用. 校园安防和实验室安全监测旨在保护师生们的人身安全, 避免校园霸凌或实验室安全事故等事情的发生; 工业生产运维监测则是对工业场景中的设备或作业行为等进行隐患缺陷识别预警, 避免故障危险发生后产生巨大的损失. 在安防安全或生产运维监测任务中, 若采用人工的方式进行实时的检测会非常浪费劳动力且效率很低, 还有可能存在人工的疏忽导致危险隐患未被发现. 本文根据校园安防安全或工业生产运维监测领域需求, 以工业变电站运维监测为基础, 设计并实现了一个基于微服务的智能巡视系统, 该系统无须过多人工参与, 能够自动进行巡视, 在发现危险后会进行警告. 同时, 该系统采用先进的任务执行调度系统, 执行一遍巡视仅3 ~ 5 min, 大大提高了巡视和发现危险的效率. 该系统可应用于校园安防安全和工业变电站的智能巡视.