1．机器人的发展历程
早在西周时代，我国就出现了能歌善舞的木偶，称为“倡者”，这可能是世界上最早的“机器人”。
在近代，随着第一次、第二次工业革命中各种机械装置的发明与应用，世界各地出现了许多“机器人”玩具和工艺品。这些装置大多由时钟机构驱动，用凸轮和杠杆传递运动。
二十世纪五六十年代，随着机构理论和伺服理论的发展，机器人进入了实用化阶段。1960年美国AMF公司生产了柱坐标型机器人，可做点位和轨迹控制，这是世界上第一种用于工业生产的机器人。
20世纪70年代，随着计算机技术、现代控制技术、传感技术、人工智能技术发展，机器人得到了迅速发展。现在的工业机器人结构大体上是以此为基础的。这一时期的机器人属于“示教再现”型机器人，只具有记忆、存储能力，按相应程序重复作业，但对周围环境基本没有感知与反馈控制能力。这种机器人被称为第一代机器人。
进入20世纪80年代，随着传感技术，包括视觉传感器、非视觉传感器（力觉、触觉等）以及信息处理技术发展，出现了第二代机器人——有感觉的机器人。它能够获得作业环境和作业对象的部分有关信息，进行一定的实时处理，引导作业。第二代机器人已进入了实用化阶段，在工业生产中得到了广泛应用。
第三代机器人是目前正在研究的智能机器人。它不仅具有比第二代机器人更加完善的环境感知能力，而且还具有逻辑思维、判断和决策能力，可根据作业要求与环境信息自主进行工作。
我国工业机器人起步于20世纪70年代初，大致可分为三个发展阶段：20世纪70年代的萌芽期、20世纪80年代的开发期、20世纪90年代的实用期。
我国于1972年开始研制工业机器人，数十家研究单位和院校分别开发了固定程序、组合式、液压伺服型通用机器人，并开始了机构学、计算机控制和应用技术研究。
20世纪80年代，机器人步入了跨越式发展时期。我国进行了工业机器人基础技术、基础元器件、几类工业机器人整机及应用工程开发研究，完成了示教再现式工业及其成套技术开发，研制出喷涂、弧焊、点焊和搬运等作业机器人整机，几类专用和通用控制系统及几类关键元部件，并在生产中经过实际应用考核，性能指标达到20世纪80年代初国外同类产品的水平。
20世纪90年代，由于市场竞争加剧，一些企业认识到必须用机器人等自动化设备来改造传统产业，从而进一步走向产业化。我国继续开发和完善喷涂机器人，点、弧焊机器人，搬运机器人，装配机器人，矿山、建筑、管道作业的特种工业机器人技术和系统应用的成套技术，进一步开拓市场，扩大应用领域，从汽车制造业逐步扩展到其他制造业并渗透到非制造业领域。
机器人研究领域的出现是人类知识发展历史上具有重要意义的事件。1987年国际标准化组织采纳了美国机器人协会给机器人下的定义：一种可编程和多功能的，用来搬运材料、零件、工具的操作机，或是为了执行不同的任务而具有可改变和可编程动作的专门系统。机器人学又称机器人技术或机器人工程学，是与机器人设计、制造和应用相关的一门科学，主要研究机器人的控制与被处理物体之间的相互关系。中国的机器人专家从应用环境出发，将机器人分为两类，即工业机器人和特种机器人。所谓工业机器人就是面向工业领域的多关节机械手或多自由度机器人；特种机器人则是除工业机器人之外的，用于非制造业并服务于人类的各种先进机器人，包括服务机器人、水下机器人、娱乐机器人、军用机器人、农业机器人等。对于机器人在日常生活中的应用，成本太高，真正走入家庭还受到价格制约，目前国内还没有投入太多力量研究。另外，人形机器人的应用不明确，实用价值不大，仅有少数人在从事这样的研究。机器人是非常广阔的研究领域，潜在的课题众多，以下是对机器人研究的发展有重大影响的课题。
2．机器人在教育中的应用
教育机器人是由生产厂商专门开发的以激发学生学习兴趣，培养学生综合能力为目标的机器人成品、套装或散件。它除了机器人机体之外，还有相应的控制软件和教学课本等。教育机器人分为面向大学和面向中小学的机器人。教育机器人又分为学习型机器人和比赛型机器人。学习型机器人提供多种编程平台，允许用户自由拆卸和组合，并允许用户自行设计某些部件；比赛型机器人一般提供一些标准的器件和程序，只能够进行少量改动，适合水平不高的爱好者参加各种竞赛使用。
教育机器人也用于教学。由于知识层面的不同，大学、小学教育机器人有很大的差别。大学生可以根据所学的编程知识去编译自己想要实现的任何代码或者指令；小学生由于受到编程能力的限制，只能使用已编译好的命令来进行指令模拟。因此，加强小学生编译知识的学习将会显得越来越重要。
国内也有一些企业和公司生产教育机器人或教学平台，如上海飒昂机器人科技有限公司是一家专业提供教育机器人产品和服务的高科技机器人公司，代理了多种国内外知名的教育机器人产品，并有着自己的机器人实验和研发基地。
在大学的自动化控制及相关专业，已经有了有关机器人教育的相关课程，这些课程从理论到实践渐趋成熟。但是在中小学，智能机器人教育主要表现形式仍是竞赛活动。竞赛活动无疑加强了学生和社会对中小学开展机器人教育的关注，并且推动了机器人教育开展。综观各地中小学机器人教育的方式，大体可以分为四种：第一，通过学校、少年宫、少科站等单位吸收机器人爱好者，组成智能机器人学习小组开展学习，并组织参加各类竞赛活动。这种形式是机器人进入中小学最初、最多、最有效的方法。第二，将智能机器人技术学习放入综合实践活动课或作为信息技术课的内容之一进入中小学课程教学。第三，开设机器人选修课程，为有兴趣、有特长的学生提供学习平台，同时也缓解针对全体学生开设课程所需的设备配置和师资配置的压力。目前，全国普通高中通用技术课程中就有机器人选修模块。第四，智能机器人教育以研究性课程的形式进入中小学。目前研究性学习课程越来越受到重视，加上机器人教育的长期性、个性化，这些决定了通过研究性学习形式推广会更有利于对学生创新能力培养。
（1）机器人教育
机器人融合了计算机、机械、电子、通信、控制、声、光、电、磁等多个学科领域的知识。在活动中，既教会学生去思考，又让学生通过动手、动脑，培养综合素质。通过亲手组装机器人系统、检测调整传感器、编制调试控制程序等工作，能够使学生的综合知识水平得到提高，使学生的动手能力、逻辑思维能力、综合应用能力、创新能力等都能得到全方位训练和提升，对进行学科知识渗透、培养素质全面的创新型人才具有重要的作用。机器人进课堂后，学生的学习兴趣高涨、综合素质提高、创新思维活跃，这正是素质教育的重要内容。
①机器人教育及其现状
所谓机器人教育，通常是指学习机器人的基本知识与基本技能，或利用教育机器人优化教育教学效果的理论与实践。2002年在北京召开的“关注中国未来的竞争力——儿童数字化启蒙”研讨会上，与会专家一致认为，将数字信息技术介入传统的幼教方式中去，利用有效的手段与工具对儿童进行数字化启蒙，关系到儿童未来的成长和中国未来的竞争力。
近年来我国的机器人教育有了很大的发展。教育机器人逐步成为中小学技术课程和综合实践课程的良好载体。教育机器人与学科教育相结合，可促进很多学科教学，在国内已经有学者提出机器人与理科教学整合的想法。
②机器人教学
教育机器人作为教学内容进入中小学，无论国内还是国外，目前都处于起步阶段。从各地情况来看，较多的学校只是以课外活动、各种兴趣班、培训班的形式开展机器人教学。通常的做法是由学校购买若干套机器人器材，由信息技术课程教师或综合实践课程教师进行指导，组织学生进行机器人组装、编程的实践活动，然后参加一些相关的机器人竞赛。
③机器人竞赛
开展各种展示和竞赛活动是普及机器人教育的一个重要途径，机器人竞赛项目的内容、规则及评分办法等的创意设计都极富创造性和挑战性。通过组织丰富多彩的青少年机器人竞赛，可以激发广大青少年对科技的兴趣，提高青少年的科学素质，并为机器人研究和开发储备人才。
比如，每年一度的“广茂达杯”中国智能机器人大赛开创于2000年，第七届“广茂达杯”中国智能机器人大赛于2006年8月在上海华东师范大学举行，竞赛共设14个项目，包括机器人灭火、机器人足球、机器人擂台赛、机器人排雷、创新项目展示和机器人论文等。
（2）教育机器人的相关标准
目前教育机器人产品繁杂，质量差异甚大，各个厂商的产品自成体系，互不兼容，缺少教育机器人的相关标准，在一定程度上影响了教育机器人的健康应用与发展。所以有必要组织、研制一系列相关的标准（或规范），用于指导教育机器人产品开发和学校开展机器人教育活动实践。教育机器人标准可以从以下两个方面考虑。
第一，对教育机器人产品的规范。教育机器人企业生产的产品应适合于不同年龄段用户的认知水平，对不同的使用者提供合适的功能、配件以及人机界面，该标准可供企业研发教育机器人产品、学校选用教育机器人设备时参考。
第二，对教育机器人教育教学活动进行引导。对于不同层次学习者提供的不同教学内容，选用的机器人类型和规格，应适合他们参加的比赛，以及通过这些活动可以达到的预期教学目标，该标准可供学校开展教育机器人课程教学、课外活动时参考。
制定教育机器人标准，不仅有助于解决教育机器人产品开发、选用、教学实施等当前机器人教育中所存在的问题，而且有利于中小学机器人教育资源、实施经验共享，对于推动我国机器人教育健康、规范、可持续发展有着积极作用。
（3）教育机器人的意义
教育机器人是进行信息技术教育的有效载体，机器人教育旨在培养学生的创新精神和综合实践能力。随着我国基础教育信息化发展，机器人教育正越来越被人们所关注。
研究表明，传统的学校教育是对科学达到概念性理解的主要渠道，但课外的非正式教育，即课外活动对于科学知识学习也有相当大的影响。课外活动不受教学计划、教学大纲和教育形式限制，活动范围比较广泛，内容也很丰富。教育机器人作为学校课外活动的载体，不仅使课外活动同时具有科学性和趣味性，而且可以培养学生的创新精神、综合实践能力和协作能力。当前，教育机器人相关的课外活动形式主要包括：课外兴趣小组，以小组为单位，进行程序编写，组装具有某种功能的机器人；各种层次和类型的机器人竞赛等。该类活动对于学生创新精神、创新意识与创新能力培养有着积极的意义，通过这些活动孩子们可以进行计算机编程、工程设计、动手制作与技术构建，同时可以结合他们的日常观察、积累，探索解决问题的方案，发展自己的创造力。
机器人技术综合了多学科的发展成果，代表了高技术的发展前沿，机器人涉及信息技术的多个领域，它融合了多种先进技术，没有一种技术平台会比机器人具有更为强大的综合性。引入教育机器人的教学将给中小学的信息技术课程增添新的活力，成为培养中小学生综合能力、信息素养的优秀平台。有专家认为，智能技术是信息技术领域的一个学术前沿，智能机器人开发与应用全面涉及感测技术、通信技术、智能技术和控制技术，是进行信息技术教育的最佳载体，也是全面培养学生信息素质、提高其创新精神和综合实践能力的良好平台。
目前，国内外教育机器人的品牌较多，并有不同特色。但总体而言，教学适应性强、性能价格比高的教育机器人产品仍然比较匮乏。教育机器人的功能有限及设计陈旧，易导致人们对其兴趣衰减。为了避免这种僵化现象，就要求在现有的教育机器人产品的基础上，不断推陈出新，研究开发出各种新的产品。从技术角度上看，教育机器人应有更好的开放性和可扩展性，具有更强的交互性，良好的人机界面对教育机器人来说也很重要。同时，应当深入挖掘教育机器人的教育应用途径，更有效地发挥它的作用。此外，有必要研究与发挥教育机器人在幼儿园、中小学甚至大学学科教学中的作用以及相应的应用方式。机器人教育深入开展，需要广大中小学校、高等院校、教学研究部门协作研究与共同努力，需要教育行政部门重视，需要相关企业支持。
3．人工智能中的机器人技术
人工智能学科出现与发展不是偶然的、孤立的，它是与整个科学体系演化和发展进程密切相关的。人工智能是自然智能（特别是人的智能）的模拟、延伸和扩展，既研究“机器智能”，也开发“智能机器”。如果把计算机看作宝剑，那么人工智能就是高明灵巧的剑法。
1956年夏季，在美国达特茅斯学院，由麦卡锡、明斯基、香农等发起，由西蒙、塞缪尔、纽厄尔等参加，举行了关于“如何用机器模拟人的智能”学术研讨会，第一次正式采用人工智能术语。这次具有历史意义、为期两个月之久的学术会议，标志着人工智能新学科的诞生。
人工智能在电子技术方面的应用可以把人工智能和仿真技术相结合，以单片机硬件电路为专家系统知识来源，建立单片机硬件配置专家系统，进行故障诊断，以提高纠错能力。人工智能技术也被引入了计算机网络领域，计算机网络安全管理的常用技术是防火墙技术，而防火墙的核心部分就是入侵检测技术。随着网络迅速发展，各种入侵手段也在层出不穷，传统的防范手段已远远不能满足现实的需要，把人工智能技术应用到网络安全管理领域，可大大提高安全性。
（二）数据挖掘技术
数据挖掘就是从数据库中抽取隐含的、以前未知的、具有潜在应用价值的信息过程，又称知识抽取、数据捕捞、数据考古学等。随着信息技术迅速发展以及数据库管理系统广泛应用，人们积累的数据越来越多。激增的数据背后隐藏着许多重要的信息，人们渴望对已知的信息或数据进行更高层次分析，以便更好地利用这些数据。目前的数据库系统可以高效地实现数据录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识手段，导致了数据爆炸但知识贫乏的现象。因此，数据挖掘技术将在今后的数据技术发展中发挥更重要的作用。数据挖掘被称为数据库中的知识发现，是从海量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。数据挖掘是一门交叉学科，它集成了许多学科中成熟的工具和技术，包括数据库技术、统计学、机器学习、模型识别、人工智能、神经网络等相关技术。数据挖掘是一个复杂的过程，数据挖掘结构也比较复杂。
1．教育数据挖掘
国际数据公司认为，大数据是符合4 V特征的数据集，即规模性（Volume）、多样性（Varity）、高速性（Velocity）和价值性（Value）。教育领域中的大数据有广义和狭义之分，广义的教育数据泛指所有来源日常教育活动中人类的行为数据，它具有层级性、时序性和情境性特征；而狭义的教育数据是指学习者的行为数据，它主要来源于学生管理系统、在线学习平台和课程管理平台等。
（1）教育数据挖掘和学习分析
通过对教育大数据获取、存储、管理和分析，可以构建学习者学习行为相关模型，分析学习者已有学习行为，并对学习者的未来学习趋势进行科学预测。
①教育数据挖掘
教育数据挖掘是综合运用数学统计、机器学习和数据挖掘技术和方法，对教育数据进行处理和分析，通过数据建模，发现学习者学习结果与学习内容、学习资源和教学行为等变量的相关关系来预测学习者未来的学习趋势。为了达到研究目标，研究者主要采用以下五类技术方法。
预测。建立一个能够从整合多个预测变量推断单一被预测变量的模式。例如，研究者通过在线学习环境中学习者参与在线讨论的情况、测试情况等，预测学习者在该门课程的学习中是否有失败的风险。
聚类。根据数据特性，将一个完整的数据集分成不同的子集。例如，研究者根据学习者在线学习环境中的学习困难、交互模式等将学习者分成不同的群组，进而为不同的群组提供合适的学习资源和组织合适的学习活动。
关系挖掘。探索数据集中各变量之间的相关关系，并将相关关系作为一条规则进行编码。例如，研究者利用关系挖掘，探索在线学习环境中学习者学习活动和学习成绩相关关系，进而用于改进学习内容呈现方式和序列，以及在线教学方法。
人类判断过程简化。用一种便于人类理解的方式描述数据，以便人们能够快速判断和区分数据特征，该方法以可视化数据分析技术为主，用以改善机器学习模型。
模型构建。通过对数据集聚类、相关关系挖掘等过程，构建供未来分析的有效现象解释模型。
②学习分析
学习分析是近年来大数据在教育领域较为典型的应用，在首届“学习分析技术与知识国际会议”上将学习分析定义为测量、收集、分析和报告有关学习者及其学习情景的数据集，以理解和优化学习及其发生情景。新媒体联盟将学习分析定义为：利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程、教学和评价进行实时修正。我国学者顾小清认为，学习分析是围绕与学习者学习信息相关数据，运用不同的分析方法和数据模型来解释这些数据，根据解释的结果来探究学习者的学习过程和情景，发现学习规律；或者根据数据阐释学习者的学习表现，为其提供相应反馈，从而促进更加有效的学习。有研究认为，学习分析是综合运用信息科学、社会学、计算机科学、心理学和学习科学的理论和方法，通过对广义教育大数据处理和分析，利用已知模型和方法去解释影响学习者学习的重大问题，评估学习者学习行为，并为学习者提供人为适应性反馈。例如，教师和学校根据学习分析的结果，调整教学内容，对有学习失败风险的学生进行干预等。学习分析一般包括数据采集、数据存储、数据分析、数据表示和应用服务五个环节。
（2）学习者知识建模
研究者采集学习者与在线学习系统的交互数据，包括学习者系统应答正确率、回答问题花费时间、请求帮助的数量和性质，以及错误应答的重复率等，这部分数据可以是课程层面的、学习单元层面的或知识点层面的。通过数据挖掘和分析，构建学习者知识模型，然后通过自动或人工反馈，为学习者在合适的时间选择合适的方式，提供合适的学习内容。
（3）学习者行为建模
研究者通过采集学习者在网络学习系统中花费的学习时间、学习者完成课程学习的情况、学习者在课堂或学校情境中学习行为的变化情况、学习者线上或线下考试成绩等数据，探索学习者学习行为与学习者学习结果的相关关系，最终构建学习者学习行为模型。
（4）学习者经历建模
研究者通过采集学习者的学习满意度调查问卷或量表数据，以及其在后续单元或课程学习中的选择、行为、表现和留存率数据，构建学习者体验模型，利用该模型对在线学习系统中的课程和功能进行评估。例如，可汗学院通过构建学习者体验模型，对其线上课程进行评估，进行线上课程再设计，改变课程学习顺序，大大提高了教师的教学效率和学习者的学习成绩。
（5）学习者建档
研究者采集在线学习系统中学习者相关数据以及线下学习者基本信息数据，通过数据挖掘和机器学习算法，构建学习者个人学习档案，分析学习者的学习特征，对具有相同学习特征的学习者进行聚类和分组，最终为不同类型的学习者提供个性化学习环境，促进学习者有效学习发生。例如，卡丹和克纳蒂利用数据挖掘技术对学习者与在线学习平台的交互日志进行分析，确定不同学习者的学习类型和交互特点，构建学习者学习档案。该研究结果主要用于对新学习者进行分类，并提供合适的学习支持和交互支持。
（6）领域知识建模
通过对教学大数据挖掘和学习分析，对现有领域知识模型进行重构，探索课程、学习单元和知识点的学习内容组织方式与学习者学习结果之间的相关关系。例如，马丁等人采集、处理学习者相关数据，构建学习者的学习曲线，并通过对大量学习者学习曲线数据分析，对现有领域知识模型进行重构。
（7）学习组件分析和教学策略分析
研究者通过对学习者在线学习系统中的学习相关数据进行采集和分析，探索在线学习系统中学习组件的功能、在线教学策略与学习者学习结果的相关关系，进而实现对在线学习系统评估。
（8）趋势分析
研究者通过对大量学习者一段时间内学习相关数据采集和分析，探索学习者在这一阶段学习过程中的学习结果改变，发现学习者当前学习行为和未来学习结果的相关关系，并利用已建立的相关关系，依据新学习者的当前学习行为，预测其未来的学习趋势和结果。
自适应学习系统和个性化学习这部分应用属于教育数据挖掘和学习分析高级应用，是教育大数据相关研究的终极目标，通过对教育大数据采集、处理和分析，最终实现学习者自适应和个性化学习环境构建。
2．人工智能与数据挖掘
人工智能技术包括知识表示、推理技术、搜索技术、知识库技术、归纳技术、联想技术、分类技术、聚类技术等，其中基本的三种技术即知识表示、推理技术和搜索技术都在数据挖掘中得到了体现。
（1）知识表示
知识表示是一种计算机可以接受用于描述知识的数据结构。由于目前对人类知识的结构及机制还没有完全搞清楚，因此关于知识表示的理论及规范尚未建立起来。尽管如此，人们在智能技术系统的研究及建立过程中还是结合具体研究提出了一些知识表示方法：符号表示法和连接机制表示法。符号表示法使用各种包含具体含义的符号，以各种不同的方式和次序组合起来表示知识，它主要用来表示逻辑性知识。连接机制表示法是把各种物理对象以不同的方式及次序连接起来，并在其间相互传递及加工各种包含具体意义的信息。数据挖掘中关联规则的挖掘用到了符号表示法。关联规则挖掘是从大量的数据中挖掘出有价值的描述数据项之间相互联系的有关知识。
（2）推理技术
推理技术从已知的事实出发，运用已掌握的知识，找出其中蕴含的事实，或归纳出新的事实。推理可分为经典推理和非经典推理，前者包括自然演绎推理、归纳演绎推理、类比演绎推理等；后者主要包括多值逻辑推理、模态逻辑推理、非单调推理等。一般而言，数据挖掘在处理过程中，其基本思想是非经典的，而其依据的“剪枝”规则应该是经过经典推理严格证实的，有其严格的数学背景。比如，聚类处理的基本思想是基于非经典推理，但为了提高效率而采取的“剪枝”技术必须保证完备性、正确性，经得起推理，否则便成了随意剪枝和删除信息，虽然提高了效率，但其正确性不能保证，就没有什么意义了。
（3）搜索技术
搜索是根据问题的实际情况不断寻找可利用的知识，从而构造一条代价较小的推理路线。搜索分为盲目搜索和启发式搜索，盲目搜索是按预定控制策略进行搜索，在搜索过程中获得的中间信息不用来改进控制策略。启发式搜索是在搜索过程中加入与问题有关的启发性信息，用于指导搜索朝着最有希望的方向前进，加速问题的求解过程，并找到最优解。
搜索机制在数据挖掘中得到了详尽体现。例如，在属性约简中，如果发现某一列属性的取值完全一样或区分能力不大，则可以提前删去。另外，在挖掘关联规则时，如果发现频繁项集的任一项候选集不存在，则终止搜索剩余项候选集。搜索机制提高了数据挖掘效率，这对解决人工智能中的困难问题是一个积极的探索。
3．数据挖掘和人工智能发展趋势
（1）更加注重智能化
人工智能和数据挖掘都很注重对智能技术的研究，如自动客户需求分析、自动资料更新、机器人自动识别、自动交通管理等。高度的智能化是数据挖掘和人工智能研究最终追求的目标，也是二者最终合而为一的标志。
将人工智能技术应用于网络中将会使网络技术具有智能的特性，可以提高网络运行效率、解决网络拥塞问题、增加网络安全性、智能管理网络客户等。目前关于数据挖掘在网络上的应用已经很常见。但是，人工智能和数据挖掘网络化，仍然存在着算法效率和结果的可靠性不够理想的问题。
（2）各种技术交叉融合
未来的人工智能和数据挖掘技术将是一个融合众多领域的复合学科。
（3）知识经济化
知识经济时代的人工智能和数据挖掘将受到经济规律的影响，决定了人工智能和数据挖掘必将带有经济化的特征。人工智能和数据挖掘技术作为无形资产可以直接带来经济效益，这种无形资产通过传播、教育、生产和创新将成为知识经济时代的主要资本。可以预计未来的人工智能和数据挖掘技术将是更加经济化、更加实用的技术。
（三）人工智能中的数字媒体技术
国家863计算机软硬件技术主题专家组组长怀进鹏教授表示，数字媒体产业链长，规模巨大。《2005中国数字媒体技术发展白皮书》的发布从整体上厘清数字媒体产业发展的现状与趋势，将为国内数字媒体产业发展起到指导作用。当前，我国数字媒体技术、应用及产业发展极为迅猛，已成为信息产业发展的亮点，前景十分广阔。数字媒体经过近10年的发展，已成为信息传播的重要组成部分。数字技术的革命和发展正在改变着人们的生活方式，应对数字媒体和数字产业给我们带来的机遇和挑战，加快发展我国的数字媒体技术和数字产业，已是摆在高校、科研院所、相关企业和政府面前的一件非常紧迫的任务。今后将主要从IT与TV产业整合、媒体产业分工模式以及未来数字媒体的内容形态等方面，探讨数字媒体技术发展与应用。
1．数字媒体与课堂互动概述
数字媒体是以二进制数的形式记录、处理、传播、获取过程的信息载体，这些信息载体中包括数字化的文字、图形、图像、声音、视频影像以及动画等感知媒体。数字媒体的应用场合不单单是互联网和IT产业，它将成为全产业发展中不可或缺的驱动力，教育产业也不例外。课堂的互动性是指师生互相交流、共同探讨、互相促进，产生有利于知识传播的效果。麦克卢汉曾说过，媒体技术进步对社会发展起着重要的推动作用，同时数字媒体的发展将从以传播者为中心转向以受众为中心。在传统的课堂中，教学模式多数是单向的，即教师讲、学生记，是一种灌输性的教学方式，学生往往是被动接受，所以学生对知识的理解和记忆，以及教学对知识传播均不理想。在课堂中采用数字媒体作为教学辅助手段，将从以传播者为中心转向以受众为中心，即从以教师为中心的课程教学转向以学生为中心的课程教学。在此课堂模式中，师生之间极易形成课堂的互动性，其形成的缘由是数字媒体本身的传播形式多样化、传播内容海量化、传播渠道交互化、传播效果智能化。比如，广告专业教师使用数字媒体技术将他们的观念融入动画创意中；工业设计专业教师将数字媒体技术应用到3D动画、产品建模等，以达到较好的互动效果。
2．课堂教学互动的局限性
一堂课知识传授效果的好与差，更多地体现在教师引导和学生对知识的反馈，而不再是教师讲和学生记。在传授基础知识的理论性课堂上，采用的教学辅助工具主要有黑板、电脑和投影仪等。这些常用的教辅工具中，有些很难展示出知识的生动性，如黑板；有些则具备了生动展示的条件，但是在实际使用时却成了黑板的替代品，如电脑和投影仪。
现阶段课堂教学中的师生互动主要是直接问答式互动。直接问答式互动又可分为师个互动、师班互动和师组互动。师个互动，即教师的行为指向学生个体的一种互动方式。在这种互动中，教师具有明确的对象——学生，直接表现为教师对所传授的知识点进行提问，很少借助一定的教辅工具生动地展示知识点来帮助学生理解。师班互动，即教师的行为指向某个班学生的一种互动方式。这种互动中一般多采用回忆法来复习以往的知识点，为新的知识点讲解做好铺垫工作。在这种互动方式中，教师的行为表现为点拨，学生则依靠回忆来回答教师的问题，教师很少使用多媒体等教学辅助工具帮助学生回忆知识点，其互动方式单一。师组互动，即教师的行为指向学生小组的一种互动方式，这种互动多用于实践课堂。互动的形式也主要体现在师生的口头问答方式上。这类互动方式相对枯燥乏味，学生对教师提出的问题也相对难于理解，课堂效果欠佳。(www.xing528.com)
使用数字媒体技术来辅助教学的目的是给学生提供多重的刺激，让学生可以通过眼、耳、手等器官有效地把课堂知识传达到大脑。数字媒体技术支撑下的课堂教学具有图文并茂、动画仿真、形象生动、动静结合等特点，使学生的多种感官同时接受刺激，可以大大促进、改进和改善学生的理解力和记忆力，以便在较短时间内取得较好的教学效果。但是，现阶段数字媒体技术下的课程教学却跟上述目标存在着很大差距。
（1）教学软件欠缺合理的互动设计
由于合理的、针对性强的课件在制作时需要花费大量的时间，或者教师本身对数字软件不够熟悉，导致课件的互动性较差，很多多媒体课件就是黑板板书的电子化、屏幕化，没有真正达到多媒体课件的效果。例如，现阶段很多课堂就是将课本内容搬上计算机，进行幻灯片展示。其展示的内容平铺直叙、反馈简单，没有给学生留出更多思考的空间，也没有对学生的思维加以生动引导，缺乏交互性。
（2）技术和课程不能有机结合
技术和课程有机结合，就是把各种数字技术手段完美、恰当地融合到课程中。这要求教师不仅要熟练地掌握技术手段，也要深刻了解教育教学的本质。教师要了解教学中的重点和难点，结合数字技术手段所提供的功能，更好地进行教学活动。近年来，如何提炼重点和难点，并对之进行生动展示，达到较好的师生互动效果，将成为教师们研究和有待解决的一个热点问题。
3．数字媒体技术下的课堂互动性思考
数字媒体技术下的课堂是以计算机技术为基础的科学技术与教育教学理念双重发展、相互呼应所形成的教学新环境。在这种新环境下，为凸显互动性，应该在数字媒体技术设备支持下，从内容的互动形式、课堂的互动形式来设计教学的过程。在内容方面，从视觉传达的角度上来讲，文不如字，字不如表，表不如图。在数字媒体技术手段支撑下，可以利用多种软件将教师所传授的内容转换为图形或动画，比如Flash、Photoshop等软件。图形或动画有助于吸引学生的注意力。这是从被动学习转向主动学习的一种途径。因为图形或动画可以直观地展示抽象、复杂的课程内容，使学生一目了然。从图形或动画的结构上来看，不同的图形或动画本身所包含的时间顺序、空间顺序或组织关系，反映了教师提炼、梳理后的信息脉络和信息结构。学生可以轻松的方式感受和习得信息的关系。
4．课堂互动形式
在数字媒体技术支撑下，师生的互动方式不再是单一的直接口头问答方式，借助数字媒体技术的多样性，可以把师生的互动演绎得更为生动。约翰·布朗认为，认识的发展与活动是密不可分的。在实际的教学活动中，学生认知能力发展、知识构建、技能习得、情感态度等变化，都可以看作教学活动的结果。
在课堂教学中，主要的参与者是教师和学生。在传统的教学方式中，教师扮演课堂的掌控者和知识传播者的角色，而学生集体则扮演着遵从者、聆听者、忍受者的角色。在这种环境下，最常用的是口头问答式互动方式，这种互动方式未能达到真正的互动和师生共同探讨知识的目的。而在数字媒体技术支撑下，在多样化的教学环境中，信息传播、交流和互动可以是多维度的。不仅有师生之间、学生之间的口头式交流互动，也存在学生和机器媒体之间的人机互动，这种互动更具有针对性、实时性。同时，课堂教学活动中的角色构成也有了新的变化，除了传统的教师、学生角色，还出现了独立的学习个体、学习小组等新的角色，更能体现教学的互动性。
（四）人工智能中的机器学习
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有不同的看法。除了在机器学习研究过程中开发的实验程序以外，现有的人工智能系统具有有限的学习能力。当这些系统含有错误时，系统自身不能更正错误。不管程序执行多少次，它们将无休止地重复这个错误。它们既不能随着经验逐步改进，也不能通过实验学习某一领域知识。它们不能自动地生成自己的算法，形成新的抽象，或者通过与旧的解决方法类比或通过发现来发展新的解决方法。
目前几乎所有的人工智能系统都是演绎的，因为它们能够从提供给它们的知识中得出结论，但是它们本身不能获取或生成新的知识。而人类智能中引人注目的方面是获取新知识的能力、学习新技能的能力以及通过实践改进的能力。利用这些学习能力最终能使一位没有经验的年轻人成为一位熟练工人、工程师、教育家、艺术家或物理学家。
学习能力和智能行为密切地联系在一起，而人工智能给人们提供了研究学习能力的强有力工具。许多研究者提出人工智能研究的新的中心目标之一应当是理解学习的性质和实现机器的学习能力。
随着连接机、第五代计算机系统以及其他新颖的计算机组织发展，机器学习研究中的新维度将要出现。通过这样的系统所获得的知识可以通过简单的、类似于神经元的元素之间的联系强度来表征。该方向的研究应当提出解决这种类型的早期系统如知觉机的局限性问题。由于为人工智能系统所提供的任务越来越复杂，在人工智能系统中表达的知识必须越来越多。这些知识包括特定领域的事实和规则，常识启发法及其限制，以及关于世界的一般概念和理论。例如，建立一个专家系统需要受过高级训练的专家们共同努力——至少要有一位某一领域的专家和一位知识工程师。这项任务可通过机器学习技术加以简化。这种技术能够使系统从专家决策的样例中以及通过对数据库内事实的自动分析发展决策规则。
1．机器学习的分类
学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖越大，教师的负担也就越重。基于学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类，依从简单到复杂、从少到多的次序将学习分为以下六种基本类型。
（1）机械学习
学习者无须进行任何推理或其他知识转换，直接吸取环境所提供的信息，如塞缪尔的跳棋程序。这类学习系统主要考虑的是如何索引存储的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不做任何工作，或者通过直接接收既定的事实和数据进行学习，对输入信息不做任何推理。
（2）示教学习
学生从环境（教师或其他信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断增加。这种学习方法和人类社会的学校教学方式相似，学习的任务是建立一个系统，使它能接受教导和建议，并有效地存储和应用学到的知识。不少专家在建立知识库时使用这种方法去实现知识获取。
（3）演绎学习
学生所用的推理形式为演绎推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是保真变换和特化的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作学习、知识编辑和组块技术。演绎推理的逆过程是归纳推理。
（4）类比学习
利用两个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其他性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。
类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的领域（目标域）中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如，著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）做类比，揭示了原子结构的奥秘。
（5）基于解释的学习
学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什么该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。基于解释的学习已被广泛应用于知识库求精和改善系统性能。
（6）归纳学习
归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为“源概念”加以取用。归纳学习是基本的，也是发展较为成熟的学习方法，在人工智能领域中已经得到广泛研究和应用。
学习系统获取的知识包括：行为规则、物理对象描述、问题求解策略、各种分类及其他用于任务实现的知识类型。
对于学习中获取的知识，主要有以下一些表示形式。
（1）代数表达式参数
学习的目标是调节一个固定函数形式的代数表达式参数或系数来达到一个理想的性能。
（2）决策树
用决策树来划分物体的类属，树中每一内部节点对应一个物体属性，而每一边对应于这些属性的可选值，树的叶子结点则对应于物体的每个基本分类。
（3）形式文法
在识别一种特定语言的学习中，通过对该语言的一系列表达式进行归纳，形成该语言的形式文法。
（4）产生式规则
产生式规则表示为条件—动作，已被极为广泛地使用。学习系统中的学习行为主要是生成、泛化、特化或合成产生式规则。
（5）形式逻辑表达式
形式逻辑表达式的基本成分是命题、谓词、变量、约束变量范围的语句，及嵌入的逻辑表达式。
（6）图和网络
有的系统采用图匹配和图转换方案来有效地比较和索引知识。
（7）框架和模式
每个框架包含一组槽，用于描述事物（概念和个体）的各个方面。
（8）计算机程序和其他的过程编码
获取这种形式的知识，目的在于取得一种能实现特定过程的能力，而不是为了推断该过程的内部结构。
（9）神经网络
这主要用在连接学习中。学习所获取的知识，最后归纳为一个神经网络。
（10）多种表示形式的组合
有时一个学习系统中获取的知识需要综合应用上述几种知识表示形式。
根据表示的精细程度，可将知识表示形式分为两大类：泛化程度高的粗粒度符号表示和泛化程度低的精粒度亚符号表示。像决策树、形式文法、产生式规则、形式逻辑表达式、框架和模式等属于符号表示类，而代数表达式参数、图和网络、神经网络等则属于亚符号表小类。
机器学习主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图像识别、故障诊断、自然语言理解、机器人和博弈等。从机器学习的执行部分所反映的任务类型上看，大部分的应用研究领域基本上集中于以下两个范畴：分类和问题求解。
分类任务要求系统依据已知的分类知识对输入的未知模式（该模式描述）做分析，以确定输入模式的类属。相应的学习目标就是学习用于分类的准则（如分类规则）。
问题求解任务要求对于给定的目标状态，寻找一个将当前状态转换为目标状态的动作序列；机器学习在这一领域的研究工作大部分集中于通过学习来获取能提高问题求解效率的知识（如搜索控制知识、启发式知识等）。
综合考虑各种学习方法出现的历史渊源、知识表示、推理策略、结果评估的相似性、研究人员交流的相对集中性以及应用领域等诸因素，将机器学习方法分为以下六类。
（1）经验性归纳学习
经验性归纳学习采用一些数据密集的经验方法（如版本空间法、定律发现方法）对例子进行归纳学习。其例子和学习结果一般都采用属性、谓词、关系等符号表示。它相当于基于学习策略分类中的归纳学习，但去除连接学习、遗传算法、加强学习的部分。
（2）分析学习
分析学习方法是从一个或少数几个实例出发，运用领域知识进行分析。其主要特征为：推理策略主要是演绎，而非归纳，使用过去的问题求解经验（实例）指导新的问题求解，或产生能更有效运用领域知识搜索控制规则；分析学习的目标是改善系统的性能，而不是新的概念描述。分析学习包括应用解释学习、演绎学习、多级结构组块以及宏操作学习等技术。
（3）类比学习
它相当于基于学习策略分类中的类比学习。在这一类型的学习中比较引人注目的研究是通过与过去经历的具体事例做类比来学习，称为基于范例的学习。
（4）遗传算法
遗传算法模拟生物繁殖突变、交换和达尔文的自然选择（在每一生态环境中适者生存）。问题可能的解编码为一个向量，称为个体。向量的每一个元素称为基因，并利用目标函数（相应于自然选择标准）对群体（个体的集合）中的每一个个体进行评价。根据评价值（适应度）对个体进行选择、交换、变异等遗传操作，从而得到新的群体。遗传算法适用于非常复杂和困难的环境，比如，带有大量噪声和无关数据，事物不断更新，问题目标不能明显和精确定义，以及通过很长的执行过程才能确定当前行为的价值等。同神经网络一样，遗传算法的研究已经发展为人工智能的一个独立分支，其代表人物为霍勒德。
（5）连接学习
典型的连接模型实现为人工神经网络，其由被称为神经元的一些简单计算单元以及单元间的加权连接组成。
（6）增强学习
增强学习的特点是通过与环境的试探性交互来确定和优化动作选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态变化，并有可能得到某种强化信号（立即回报），从而实现与环境交互。强化信号就是对系统行为的一种标量化奖惩。系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果。
在综合分类中，经验归纳学习、遗传算法、连接学习和增强学习均属于归纳学习，其中经验归纳学习采用符号表示方式，而遗传算法、连接学习和增强学习则采用亚符号表示方式，分析学习属于演绎学习。
实际上，类比策略可看成是归纳和演绎策略的综合，因而基本的学习策略只有归纳和演绎。从学习内容的角度看，采用归纳策略的学习由于是对输入进行归纳，所学习的知识显然超出原有系统知识库所涵盖的范围，所学结果改变了系统的知识演绎，因而这种类型的学习又可称为知识级学习；而采用演绎策略的学习尽管所学的知识能提高系统效率，但仍被原有系统的知识库所涵盖，即所学的知识未能改变系统的演绎，因而这种类型的学习又被称为符号级学习。学习形式分为以下两种。
（1）监督学习
监督学习，即在机器学习过程中提供对错指示。这一类学习主要应用于分类和预测。监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
（2）非监督学习
非监督学习又称归纳性学习，通过循环和递减运算来减小误差，达到分类的目的。
2．机器学习在教育中的应用
（1）机器学习原理蕴含的知识性质
默会知识是相对于显性知识而言的，是指有些知识只可意会却不可言传，在生活中经常使用但却无法清晰表达，这种知识不能通过语言、文字或其他确定意义的表达方式予以直接传递。这种知识具有非逻辑、不清晰、前言语等性质特点。著名的两种意识的理论是波兰尼默会知识论的一块基石，是把握默会知识结构的基本出发点。默会知识包括两种意识，附属意识和集中意识。认知者把各种细节、关联线索作为辅助对象整合进集中对象，在附属意识和集中意识之间建立起动态转换关系，这就是波兰尼所理解的默会知识的基本结构。在波兰尼的理论中，默会知识不仅依赖于来自认知对象的各种信息，还依赖于认知主体本身的诸项机能，也依赖于各种经验等以往的背景知识，只有在整合了各方面的附属意识的基础上，才有可能产生认知的质的飞跃，达到对研究主题的集中认识。机器学习具有与默会知识相类似的初步基本结构，样本及其提取的特征相当于默会知识的经验和理论，而学习机器，也就是分类器，相当于认识者，而训练后的分类器的结构及参数就是集中的认识。在默会知识理论中，波兰尼认为主体的意向性只有统合了主体的存在，比如以往的个人经验和知识、身体活动等，才有认识的活动过程。他认为，人的认知建构并非先天范畴，而是一种意会的统合能力，包括以往的经验、知识、情感、价值等因素。而机器学习中，不管是哪种分类器，都需要大量的充分样本。目前看来，还没有一种分类器能够适应所有的分类，都需要根据不同的物体，提取显著的特征点，然后再根据特征点的特性选择合适的分类器。
（2）机器学习与知识的复杂性
知识的复杂性包含了三个方面的内容。
①自然科学知识的复杂性。在现代科学研究的历史进程中，人们不断发现，无论是生命进化、社会发展还是宇宙起源，都存在着当前思维模式、科学工具所无法企及和解决的复杂现象。莫兰认为，世界的存在不可能是纯粹有序的，因为在一个绝对有序的世界里事物不会有质的突变，也就不会有新的事物产生，但也不可能是绝对无序的。所以，世界的基本性质是有序和无序的交错混合，而这正构成了事物复杂性的基础。
②人文社会的复杂性。人文社会的发展同样是有序性与无序性相结合，存在理性与非理性相结合的混沌性特征，具有偶发性、不可逆性、非线性等特点，使得人文社会科学领域作为无机系统（物质、材料），有机系统（生物、生命）和社会系统（社会的结构、组织、文化、制度、意识等）的混合系统更具有复杂性的机理和特质。
③认知过程的复杂性。在认知客体外部环境一定的前提下，认知客体的描述过程还要受到认知主体诸多因素的影响，比如认知主体的记忆力、认知主体的逻辑分析能力、认知主体的应变能力、认知过程的环境影响因素等，这些因素最终都会对主体的认知能力造成一定程度的影响，从而导致认知困难，即产生复杂性。我们把这种由于主体认知能力等自身因素以及环境因素影响所导致的复杂性，叫作主观复杂性，又叫认知复杂性。认知过程是一种自组织的过程，是一种有序和无序的有机结合。有序是指认知过程中的意图、步骤和策略；无序是指认知过程中的偶然性。
（3）机器学习与知识的不确定性
知识的不确定性主要指知识的情境性，即任何知识都具有一定的境域性与条件性。首先知识具有社会文化的制约性。一个人处于不同的社会、历史位置上，他认识事物的视角以及对同一事物的理解都会有所不同，这种差异不仅是构成个体思维的先决条件，而且深刻影响到个体的思维方式，影响到个体提出问题的类型与方法等。其次是认识理论本身的不确定性。理论本质上都是猜测性、试探性或假说性的，理性批判是获得知识增长的唯一途径，只有通过不断猜想、反驳、实证，才能逐步排除错误，接近客观真理。所有科学知识都是观察与实验的结果，有一定的时空限制，并不具有绝对的确定性与必然性，而是具有一定的偶然性、或然性。面对知识的不确定性，机器学习或者专家系统提出了可能性理论、主观贝叶斯方法等传统方法以及粗糙集理论、灰色系统理论、概念图等新方法。灰色系统理论认为，尽管客观系统表现复杂，数据离乱，但是这些系统内在随机变量都是在一定幅值和一定时区内变化的灰色量，一般都具有总体的功能，这些变化的灰色系列变量可以通过某种生成弱化其随机性，从而显示其蕴含的某种内在规律。这些算法在语音识别、文本分类、故障诊断、工业监控、医疗等方面获得了许多成功的应用。
（4）机器学习对教育的启示
从以上分析可看出，机器学习蕴含了知识学习中的默会性、复杂性以及不确定性等多种特征。一个高效的分类器，一定要针对具体事物提取有效的特征点，样本要广泛，涵盖面要广，训练要充分。这些理论应用对教育教学的启示是，教师在教学过程中，要试图找到适合学生理解某种知识的独特阐释框架。要扩大学生的阅读范围，一个人阅读的范围越宽广，就像训练的样本越广泛，得到的信息量越大一样，其缄默认识的潜在范围也就越大，各种类推与观念以及新的观察方法就越可能从中涌现出来，这样，新理论或新发现的出现机会也就越大。在机器学习中，只有通过训练，才能发现事物的显著特征。学生应通过实践的方式去学习和获取对他们成长与发展极为重要的知识，即隐性的知识。讲解式教学设计得再好（即便是启发式教学），也不能代替学生的实践。机器学习不是样本越多越好，教育也是一样，并不是考题越多越好，考题要有代表性，要能够培养或者启发举一反三的能力。
现在大热的深度学习算法已经引起全球各大公司的高度重视。深度学习就是多层次的神经元网络，具有非线性、复杂性等特点。教育革新要加强多学科的协同合作，实现教学理论创新。首先是加强不同层次、多学科的分工协作，广泛吸取教育学、心理学、哲学等人文社会学科的研究成果，借鉴自然科学的方法论和研究成果。其次要克服狭隘的学科边界意识，通过多方面、多层次研究主体的共同参与，形成一种高效运行的教学理论创新共同体。最后要坚持开放的态度。受多因素、多种变量影响的教学现象，是一个非线性、动态、不可逆的教学过程，这就决定了教学理论研究不能是封闭的，而应该是开放的、多元的。从知识的复杂性可以看出，企图从复杂的教学过程中抽象归纳出一个本质的东西，如课程教学的本质、艺术教学的本质、德育教学的本质等类似研究，都易于陷入还原论的思维中，难以得到创新性的观点。因此，在教学理论和模式的探讨中，坚持开放理论价值取向，坚持多元化的思维方式，是教学理论研究创新的内在要求。
概率论、模糊算法以及粗糙集理论在机器学习和专家系统中的成功应用表明，面对知识的不确定性，在教学过程中应着重培养学生批判性的思维能力，培养问题意识、怀疑意识，破除学生对知识的确定性盲目崇拜，使学生意识到人类所有的知识或多或少都是不确定的、未终结的，意识到知识的社会性、实效性、情境性和模糊性，意识到所有的真理都是相对的、有条件的。具体到实践中，就是要重视模糊分类、价值差异等方法，严格限制标准化考试与测验在整个考试结构中的比重，鼓励学生提出自己的独特见解，大力倡导以对话、讨论或自主探究为基础的互动教学方式，学会以开放的、批判的眼光看待知识，鼓励学生对问题反应与解释的多样化、异质化，而不是同一化，这样才能培养更有创造力的人才。
（5）机器学习在教育教学中的应用
将机器学习经验应用于教育，或者将机器学习当成工具应用于教育教学，侧重于要求教育的开放性、多元性、非线性。随着大数据时代来临，盲目追求开放性的松散结构的教学教育方法，可能与教学教育的初衷背道而驰。因此，要秉承严谨的科学态度，建立积极有效的科学评估系统和数学模型。而目前基于开放型网络的教育还是停留在基于数据（包括多媒体、文字）共享的教学方法上，如当前火爆的翻转课堂、MOOC（大规模开放在线课程）主要还是建立在视频共享的信息积累的基础上，这种类型的在线教育本身很难改变学习的本质。在这场教育革命的浪潮中，由在线教育引发的教育由数据共享到过程数据行为的变化监控（教育环境、实验场景、时空变化、学习变化、教育管理变化），才有可能引起教育改革的质的变化。通过数据挖掘和机器学习，分析每个学生的学习行为、兴趣以及老师的教学行为，通过数学建模找出适合每个学生的学习内容和教学方式，让社会科学领域的发展和研究从宏观群体逐渐走向微观个体，让追踪每一个人的数据成为可能，从而让研究每一个个体成为可能，成为未来教育发展的主要方向。
通过数据实时反馈和机器学习来研究适合学生的学习模式，及时修正学生的课程内容和教学模式。大数据与传统数据的本质区别在于数据的过程性、个性化，比如现在不仅通过测验了解学生阶段性的学习成果，并且通过在线系统检测到学生在学习过程中花费的时间、理解程度、参与度、对知识点的偏好等实时数据。如根据学生鼠标停留时间和点击次数来判别学生有没有复习和存在的主要问题，通过统计学生在网上提问的次数和参与讨论的情况来判断学生学习的积极性并进行诱导和评价，而不是基于自己的教学经验，夹杂主观因素来分析学生的共同点、学生的学习偏好、学习遇到的难题等。只要通过分析整合学习的行为记录，就能轻而易举地得到学生学习过程中的规律，结合更详细的学生背景和操作细节，还能观测到不同学生族群在学习上更多的相关元素。
通过机器学习和数据分析预测教学模式的效果，通过分析教师发表的论文、选用的教材、制作的课件、参与的课题、学生的成绩、学生对老师的评价等各种信息，可以预测出当前老师采用的教学模式可能产生的影响。老师的一言一行，如出考题、改考卷、引导、讨论、回答学生问题、进行个别辅导等，都可留下重要且值得分析的数据。收集这些数据，再交叉比对学生的学习与考试记录，能给教育管理者及一线老师提供许多有用的信息。同时，参考同类型教学资源以及授课的环境和实际需求，利用大数据的分析模型，通过机器学习和数据挖掘，可以找到学生、老师、教学模式之间最佳的匹配方式。这样，既可避免无效和负面的教学方法造成的资源浪费，又能够提高老师教学的能力和效率。
可通过机器学习和专家系统、数据挖掘等算法来处理海量数据带来的学习困扰。苏迦特分析，只有三种基本的东西在今后的大数据时代是学生用得到和必须学的，第一是阅读，第二是搜索，第三是辨别真伪。在信息泛滥的社会，学生和老师很难抵挡各种信息的诱惑，怎么处理好有用信息获取和个人隐私之间的平衡，是当前互联网开发教育教学面临的比较重要的问题。大数据未被妥善处理会对用户的隐私造成极大的侵害，同时伪造或刻意制造的数据，以及在传播中被歪曲的信息，往往会导致分析者得出不客观的结论。基于目前很多专家系统，通过各种知识信息的处理方法再经过学习和训练，可以去除很多不真实的数据，自动分析信息的价值并自动推荐，从而帮助提供有价值的数据，甚至直接设定好教学模型和各种教学素材。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
