开源与人工智能在教育中的创新实践 栏目所有文章列表

    (按年度、期号倒序)
        一年内发表的文章 |  两年内 |  三年内 |  全部
    Please wait a minute...
    选择: 显示/隐藏图片
    1. 大语言模型与开源生态协同的人工智能课程创新探索与研究
    许立君, 杨丽, 黄子祎
    华东师范大学学报（自然科学版）    2025, 2025 (5): 66-75.   DOI: 10.3969/j.issn.1000-5641.2025.05.007
    摘要 （489）   HTML （8）    PDF（pc） （1061KB）（55）    收藏

    为应对教学资源滞后、实践能力不足及价值引导缺失等挑战, 探索并构建了以“大语言模型 (Large Language Model, LLM) 与开源生态”双轮驱动的创新教学模式. 该模式通过引入开源生态中的真实工程资源与社区协作机制, 提供动态更新的代码仓库与应用场景, 提升学生工程实践能力. 同时借助LLM的智能交互能力, 实现个性化学习路径、自动化反馈与沉浸式思政场景生成. 研究结合“人工智能及应用”课程实施教学实验, 量化分析了学生在参与度、学习效率与社会责任感方面的变化. 结果显示, 该协同模式显著提升了学生的技术素养、伦理认知和跨平台迁移能力, 为相关课程改革具备高实践性和可推广性提供了参考范式.

    图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）
    2. 基于知识点关系增强的静态认知诊断模型
    梁恒贵, 朱益辉, 唐晓雯, 朱命冬
    华东师范大学学报（自然科学版）    2025, 2025 (5): 76-86.   DOI: 10.3969/j.issn.1000-5641.2025.05.008
    摘要 （335）   HTML （12）    PDF（pc） （932KB）（287）    收藏

    认知诊断作为个性化教育的核心任务, 旨在通过学生历史答题记录评估其对知识点的掌握程度. 现有静态认知诊断模型通常依赖人工标注的关键知识点, 忽视题目中潜在关联的知识点及不同题目对知识点的侧重差异. 提出了一种基于知识点关联关系增强的静态认知诊断模型(Q-matrix Enhanced Neural Cognitive Diagnosis, QENCD), 通过构建知识点依赖关系和题目侧重信息优化题目-知识点关联向量, 并引入残差连接融合两者特征. 实验表明, QENCD模型在ASSIST09、ASSIST17和Junyi数据集上的性能表现均显著优于现有模型.

    图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）
    3. 基于学生开源社区行为的数字岗位就业预测
    谢林娜, 陆雪松
    华东师范大学学报（自然科学版）    2025, 2025 (5): 87-98.   DOI: 10.3969/j.issn.1000-5641.2025.05.009
    摘要 （274）   HTML （8）    PDF（pc） （1853KB）（56）    收藏

    预测学生职业走向对于高校人才培养与企业招聘策略具有重要意义. 现有学生的就业预测大多依赖在校期间的学业数据或者其他校园行为数据, 忽略了学生开源贡献行为在数字类岗位求职过程中的作用. 为此, 基于学生的开源社区行为数据, 开展了面向数字岗位的就业预测研究. 具体而言, 文章构建了一个包含学生、代码仓库及其多种语义关系的异构信息网络来提取学生的技术特征, 并探索了两类融合大语言模型 (Large Language Model, LLM) 与图神经网络 (Graph Neural Network, GNN) 的建模策略, 大语言模型分别作为编码器 (LLM-as-Encoder) 和解释器 (LLM-as-Explainer) 来预测学生毕业后可能从事的数字岗位. 在构建的数据集上开展的大量实验表明, 所提方法在准确率和Macro-F1上较对比方法分别提升了7.71%和9.19%. 从开源参与角度为高校就业指导提供了数据驱动的决策支持, 帮助企业精准识别技术人才, 并为学生的职业规划提供量化参考.

    图表 | 参考文献 | 相关文章 | 多维度评价 | 评论（0）