除了“文本读取”技术外,新教学的“机器教案”设计内容包括:教学目标、教学内容处理、教学重点与难点、教学方法、教学内构、板书设计与教学媒体的运用等要素。教案强调学科特色。教学目标可以细化到学生的认知目标、情感目标、行为目标等。教案内容应有针对性、有侧重地进行表述。
以新教学“高等数学”知识点1中的“映射与函数”为例:
教学目标:
a.使学生了解映射及其要素构成。
b.使学生了解函数的概念,掌握函数的表示方法,并会建立简单应用问题中的函数关系式。
c.了解函数的奇偶性、单调性、周期性与有界性。
e.掌握基本初等函数的性质及其图形。
(一)教学内容与脚本
图3-23 “映射与函数”机器教案
图3-23脚本为:
同学们,如图所示是关于函数映射的另一个引例,结合了投标者投掷飞镖的实例——在投标者向靶心投掷飞镖的过程中,请同学们思考一下可能存在的结果有哪些?
[5秒]
可能存在的结果为“一箭投中一个目标”“多箭投中一个目标”,但永远不会出现的结果是“一箭投中多个目标”,这直观印证了在A到B的映射为A中任一元素在B中有唯一的一个元素与它对应,可以“一对一”,也可以“多对一”,但是不可能“一对多”。
图3-24 “映射与函数”机器教案
图3-24脚本为:
设X,Y是两个非空集合,如果存在一个法则f,使得对X中每个元素x,按法则f,在Y中有唯一确定的元素y与之对应,那么称f为从X到Y的映射,记作f:x到y。集合X称为映射f的定义域,Y的子集f(X)等于f(x),x属于X,称为f的值域。需要注意的是:(1)映射的三要素分别为定义域、对应规则、值域。(2)元素x的像y是唯一的,但y的原像不一定唯一。
图3-25 “映射与函数”机器教案
图3-25脚本为:
D称为定义域,对每个属于定义域D的x,按对应法则f,总有唯一确定的值y与之对应。
[5秒]
图3-26 “映射与函数”机器教案
函数值f(x)的全体所构成的集合称为函数f(x)的值域,计作f(D),也就是f(D)等于y所组成的集合,这里y等于f(x),x属于D。
图3-26脚本为:
设函数f(x)的定义域为D,区间I属于D,如果对于区间I上任意两点x1及x2,当x1小于x2时,恒有f(x1)小于f(x2),那么称函数f(x)在区间I上是单调减少的。
[5秒](www.xing528.com)
单调增加和单调减少的函数统称为单调函数。
图3-27 “映射与函数”机器教案
图3-27脚本为:
设函数f(x),g(x)的定义域依次为Df,Dg,D等于Df与Dg的交集且不为空,则我们可以定义这两个函数的下列运算:
和与差:f(x)加减g(x)等于f(x)加减g(x),x属于D。
图3-28 “映射与函数”机器教案
积:f乘以g:f(x)乘以g(x)等于f(x)乘以g(x),x属于D。
商:f除以g:f(x)除以g(x)等于f(x)除以g(x),x属于D。
图3-28脚本为:
那么请大家判断一下,分段函数,当x小于0时,fx等于负x,当x大于等于0时,fx等于x,是否为初等函数?
[30秒]
该函数可以表示为根号下x平方,因此为初等函数。
(二)教学重难点(如图3-29、图3-30所示)
图3-29 “映射与函数”机器教案重难点
图3-30 “映射与函数”机器教案重难点
不同函数、不同定义域有界性变化。
复合函数的构成条件。
函数的运算对定义域的要求。
(三)教学方法
以投掷飞镖为引例,以函数的构成为结构性图示,以函数的特性为定义补充,以函数的运算为综合实践,以用数学方法解决实际问题。
(四)教学内构
从本质来看,“映射与函数”这一章具有客观性的特征,需要学生结合大脑中对于映射的既有印象进行多样性与推断性理解。同时,函数的有界性、单调性、奇偶性与周期性等是对原有知识的同化,而函数的运算则需要改变数字四则运算规律,在原有知识的基础上,结合函数性质,合成新的知识。本章的内构式教学体现在对于映射的形式与函数的运算、特性,需要学生通过回顾已有知识,形成与新知识匹配的固着点,进而同化新知识,同时,还需要找到不相容的部分,以客观规律改变它。
其中,“教学内容与脚本”部分通过文本识别技术导入机器人系统,而“教学内构”的实现同样需要借助机器学习对学生理解程度的计算汇总,反馈给学生更易同化的新知识。机器教案能以其针对性、灵活性、易读取性、教与学的双边主体性与创新性来对目前教案存在的过于简略、公式化、无反馈信息等缺陷加以弥补。
基于机器学习文本分类的基础技术由文本的表示(representation)、分类方法(methodology)及效果(effectiveness)评估三部分组成。其中涵盖的技术类型包括文本项(term)、特征的向量空间表示模型(VSM)以及特征选择(selection)与特征提取(extraction)。分类器通过归纳构造(inductive construction)或挖掘分类模型对文本进行分类。分类的评估指标包括正确率(precision)、召回率(recall)、均衡点(BEP)、Fβ(常用F1)和精度(accuracy)。
五大知识体系下的教案种类多样,每一大知识体系下的电子化文本间的关系各有不同,新教学的机器人教师借助文本识别,应用机器学习,将教案的文本转换为机器可识别语言。同时,新教学系统针对不同的学科领域、不同实际应用的教案特征进行机器学习,在获得新反馈的同时,整合反馈数据,重新组织已有的知识结构、完善自身知识库体系,通过机器自我学习不断优化,助力新教学在保障授课内容清晰表达、强化学生内构式学习的同时,完成由实体教师向机器人教师的转变。
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。