（一）“无感知数据采集”的基本介绍

本案例开展基于“无感知数据采集+AI学习分析”目标与需求双驱动的精准教学和个性化学习研究与实践，通过网络、传感器、智能终端等基础设施的统一部署，大数据中心和“教育大脑”落地应用，多功能软件和平台系统一站式集成，智慧采集笔、高清摄像头等数据采集设备的全套配备，通用教室、专用教室和智慧教室的全方位升级等，搭建支持终端设备的高密度联通、大规模数据的无感知、伴随式采集、超大资源的高速率传输、智能功能规模化开展的智慧校园。教学可跨越时空边界，操作终端可实现单点登录，软件应用可根据自身偏好自行重组、增删，数据的无感知、伴随式采集、智能功能的规模化开展等功能可支持教师精准教学和学生个性化学习。

（二）“无感知数据采集”的应用场景和应用对象

基于“无感知数据采集+AI学习分析”目标与需求双驱动的精准教学和个性化学习项目，主要面向的对象是高职院校学生，也可为本科院校或中小学学生提供数字化教学参考样本。

适用场景主要包含：无感知考勤、学生学习行为分析、课程智能应用、课程学习AI交互等应用场景，可适用于不同类型的学校。通过校企合作，搭建易于部署、成本更低、功能更强、利用率更高的“无感知数据采集+AI学习分析”系统集成平台，在充分利旧、适当补充的原则下实现高智能化的精准教学和个性化学习。通过智能摄像机无感知采集数据，实现课堂出勤率统计和对旷课学生的信息推送；通过无感知采集学生课堂学习行为数据，获取学生对知识点、技能点的掌握情况并精准施策；通过无感获知课堂互动情况，及时获取学生学情，实现资源精准推送；通过课程智能应用平台实现对作业和试卷的自动组卷、阅卷、分析，实现学习资源精准推送；依托课程学习AI交互系统，实现与智能机器人互动答疑。

（三）“无感知数据采集”的主要内容

1.搭建基础服务平台，提供支持共性需求的公共服务

基础设施服务（IaaS）、平台服务（PaaS）、软件服务（SaaS）及数据服务（DaaS）作为智慧校园绿色、规模发展的底座，用以支持“教、学、管、评、测、研”教学全链条应用，满足教师教学的共性及高个性化需求。基础服务为教师提供了“物联感知”的软硬件设备、“云网边端”一体化的网络环境，支持“数据管理”的教育数据中心和“数字化教学应用”的云平台等环境。

2.开展功能支持服务，满足共性与个性需求的融合服务

学生在多元时空中会产生诸如考试、作业、课堂行为等数据，借助数据采集工具和学习分析模型，识别学生的专注度和情绪状态信息、挖掘学生的思维方式和认知水平、定位学生的盲点并进行归因，继而探索科学的教与学规律，结合证据导向原则提供即时的干预服务，如基于细粒度的知识图谱和专业错题库实现错题推送与个性化作业定制等，辅助教师开展精准诊断和干预。搭建一体化云平台，汇聚教育资源公共服务平台免费提供的数字资源，为教师提供精细资源检索、优质资源推送、工具性资源应用及资源的下载、编辑、加工等服务，以给学生精准推送优质资源，助力学生攻克薄弱知识点。在智能技术的加持下，智慧学习环境中的设备工具集成各种微小型、嵌入型和可移动型智能设备，为教师提供设备的使用权限、答疑及运维服务，助力课堂教学和考试评阅的数字智能化升级。在备课、研修活动场景中，基于教师需求提供相应角色的、真实或虚拟的教学共同体，推送高频使用的优质资源尤其是错题资源，以强化专业技能、提升活动效率。

3.布设多种应用服务，定制精准教学与个性化学习场景

精准教学和个性化学习流程的核心在于目标精准、诊断精准和干预精准，重点在于教学活动设计、精准授课和个性化作业布置。具体表现为：教师设计“基于学情分析中‘盲点定位’”功能，明确班级群体的共性及学生的高个性化需求，结合教学目标、学情教情等要素确定课堂目标。教师设计细粒度的行为目标、生成性目标和表现性目标设计原则，将其拆解为执行性高、黏度强的子目标。其中，课堂的行为目标具有精确性、具体性和可操作性特点，对学生存在共性要求，可嵌入群体共性需求；课堂的生成性目标是在教学交互过程中自然生成的，具有过程性特征，可融入课程目标；课堂的表现性目标则根植于学生的个性化表现，具有不可预知性，可内嵌于个性需求。

将归因功能和资源推送等功能应用于诊断干预环节，教师可基于学情信息，选择合理的时间节点、资源内容和推送路径进行精准干预。将数字资源库和软件开发工具等应用于教学活动设计与精准授课环节，教师可结合教学子目标设计不同类型的教学活动，筛选适用的资源类型，借助终端设备和软件工具开展教学。个性化作业是学生开展规模个性化学习的重要渠道，教师可采用人机协同的底线思维，将机器提供的盲点归因、错题权重等信息与自身经验相结合，分类筛选系统推送的最佳题目、布置个性化作业。通过对学生开展个性化作业、盲区错因等满意度调查，确保个性化作业与学生能力的高度匹配。

（四）项目的创新点

1.打造“一中心+N应用”教学辅助平台，构建课程教学实施的一站式应用场景

通过无感知数据采集终端采集人脸、学生学习行为等数据，通过课程学习平台获取学生课程学习过程中的难点、疑点、作业、考试等数据，采集到学校数据中心。基于数据中心，通过智能摄像机无感知采集的数据，实现课堂出勤率统计和对旷课学生的信息推送。借助学习行为分析应用平台，总结学生学习行为的类型、成因及干预的方法；获取对知识点、技能点的掌握情况并精准实策，辅助教师改进教学方法，提高课堂效率；无感获知课堂互动情况，及时获取学生学情，实现资源精准推送。通过优慕课应用系统在移动端或电脑端完成作业提交，实现自动批阅，根据作业完成情况实现学习资源、资料、练习题精准推送；利用AI智能技术完成考试测试自动组卷、阅卷、分析。建立课程知识问答题库，基于机器学习，与AI机器人实现互动答疑。通过打造“一中心+N应用”教学辅助平台，建立一站式应用系统，完成课程教学目标。如图2-4-1所示：

图2-4-1 “一中心+N应用”教学辅助平台

2.实施课程全链式智能数据采集与分析处理，创新形成目标与需求双驱动的精准教学和个性化学习模式

教师以终端设备的软件应用为载体，以问题需求为抓手，结合课程主题、知识逻辑与学情教情等信息确定教学目标，筛选适切的资源、设计精准的路径、开展适宜的活动。课内结合“错题溯源、盲点归因”等功能，采用“资源推送、错题重现、同类再测”等方式实现教学干预。课外基于人机协同的思维，为学生布置个性化作业，借助RFID、自主批阅和学习分析等技术实现“扫描-回收-批阅-分析”的考试全链条管理。经平台获取专题练习、考试评测或在线答疑等分析数据，针对性掌握并解决班级的共性及高频个性化的问题，形成目标驱动与需求驱动的精准教学和个性化学习的教学新模式，实现从“教师-学生”的单向传递向双向互动的转变，从注重传统的一刀切、静态、自上而下和知识推动式教学向支撑个性、精准、动态和知识拉动式教学的转变，突破校内校外、课内课外、线上线下的教学边界，为培养掌握决策和规划能力、终身学习能力的学生夯实基础，培养德、智、体、美、劳全面发展的创新型人才。如图2-4-2所示：

图2-4-2  目标与需求双驱动的精准教学和个性化学习新模式

（五）“无感知数据采集”的应用效果

1.开创新的教学模式

通过物联网、人脸识别、行为分析、视频结构化、大数据等新技术的运用，积极开展课堂教学、课程设计、教学方法等改革，创新形成“无感知数据采集+AI学习分析”目标与需求双驱动的精准教学和个性化学习教学模式。

2.提升教师教学水平

采用基于“无感知数据采集+AI学习分析”目标与需求双驱动的精准教学，可以帮助教师改进教学方法，提升教师备课、上课、作业设计、学生评价和自我评价能力，显著提升教师工作效能和信息技术应用能力。

3.组织开展泛在教学

数字资源成果积累丰厚，资源共享和创新应用面更广泛。利用“无感知数据采集+AI学习分析”开展常态化在线自主学习、辅导答疑、师生讨论交流等教学活动，开展学习过程数据分析。利用人工智能、大数据等新技术进行专业建设、教学质量监测。

4.创新学生评价模式

利用人工智能、大数据等信息技术构建学生多元综合素质评价体系，实现作业过程数字化、反馈学生即时化、学情分析智能化。通过教与学全过程数据分析应用，实现精准教学，推动学校智慧教学规模化与个性化统一。

5.提升师生信息素养

通过基于“无感知数据采集+AI学习分析”目标与需求双驱动的精准教学和个性化学习，师生信息化素养和技能显著提升，学生的动手和实践创新能力明显增强，教师能够有效应用信息技术解决教学中的痛点和难点问题，信息化教学能力显著提升。

6.教学安排更合理

通过无感知考勤功能，可以节约更多的课堂时间，为教师的整个教学过程设计提供更多的自由度，使教学设计和规划变得更为合理。

7.作业批改更及时

通过智能辅助批改，可以更加及时的完成作业批改工作，为学生留出更多的时间去消化和思考，对存在问题的知识点，可以第一时间进行智能化推送学习资源并进行重测。

8.学习反馈更准确

通过对学生学习效果智能分析，教师可以准确定位到个人知识盲点和薄弱点，为教师精准化教学和学生个性化学习提供有力的数据支撑。

9.学情分析更系统

通过智能学情分析功能，可以辅助教师多维度了解授课情况和学生学习情况，为整体教学设计、教学进度把控提供详实依据，可以辅助教师及时对教学各环节查缺补漏，实现精准化教学。

10.师生互动更智能

通过智能答疑辅导功能，可以帮助学生个性化学习，解决传统教学一对一辅导难以实现的问题，使答疑更准确、更及时、更机动，为泛在式教学提供有力的技术保障。

（一）“无感知数据采集”总体技术方案

通过学校大数据中心建设，将物联网、教育数据中心和教学云平台进行深度融合，利用人脸识别、行为分析等技术提供无感知的课堂考勤和教学质量评价分析功能；利用大数据分析和机器学习算法提供个性化学习内容和教学方法，根据学生的学习特点和需求进行定制化教学；利用人工智能技术，对学生的学习行为和表现进行实时监测和评估，提供针对性的辅导和反馈。建立学生知识图谱，将学习内容和知识点进行关联和组织，帮助学生更好地理解和掌握知识。项目总体技术方案如图3-1所示：

 图3-1 项目总体技术方案

具体实施技术路线如下：

①建设功能强大的大数据云计算中心，实现智慧教室、考勤系统、教学平台、人工智能服务等数据的有效交互和数据分析功能。

②建设校本人工智能服务器，训练符合我校实际情况的人工智能模型。

③利用校本大语言模型读取教师上课录像，生成包含教师授课重点、难点、要点内容的课堂笔记，利用人工智能技术对课程标准和教学大纲解析，生成课程知识图谱。

④利用人工智能技术将学生课堂互动和答题情况进行阅卷、分析，绘制每个学生成长画像，实现个性化学习情况分析。

⑤根据学生学习情况分析数据和教师授课情况分析数据，利用人工智能技术辅助教师做学情分析，针对不同班级、不同学生知识掌握情况开展精准教学、个性化教学。

⑥针对学生测评结果，利用人工智能技术根据其知识掌握薄弱环节自主推送视频、课堂笔记、练习题等学习资源，在课程知识图谱基础上，生成课程下每个知识点的视频讲解资源和不同体系、不同难易程度的海量试题库完成重复学习和巩固练习。

（二） “无感知数据采集”关键系统及产品技术方案

1.本地化训练的人工智能模型

收集、清洗和标注用于训练的数据集，对数据集进行预处理、特征提取等操作，以便于后续的模型训练；根据需求选择合适的模型并完成模型架构设计，包括网络结构、层数、节点数等；调整模型参数优化模型性能，使用本地计算资源进行模型训练，通过反向传播算法更新模型参数，监控训练过程中的损失函数值和准确率，进行调参和优化；使用验证集对训练得到的模型进行评估，计算模型的性能指标。根据评估结果，调整模型参数或重新训练模型，以提高模型的准确性和泛化能力；将训练好的模型导出为可执行文件或库，以便在本地环境中使用，配置本地服务器或设备，以支持模型的部署和调用，实现模型的接口和服务，以便其他应用程序可以通过API调用模型；定期监控和评估模型在实际应用中的表现，根据反馈信息和新数据，对模型进行进一步优化和更新，可以使用增量学习等技术，快速适应变化的数据和需求。

2.教师上课录像解析

利用智慧教室、标准化考场等现有硬件，完成对教师上课视频的录制，视频处理：对录制的视频进行剪辑和编辑，去除不必要的内容和干扰因素，减小文件大小并提高传输效率；使用自然语言处理（NLP）和语音识别技术，将教师上课的语音内容转换为文字，并进行文本清洗和预处理；提取转换文字中的关键词、实体、句子结构等信息，使用文本挖掘、机器学习等技术，进行深入理解和分析；建立数据库，使用数据分析技术，通过数据挖掘、机器学习等，对教学数据进行分析和挖掘，优化解析算法和模型，提高解析和分析的准确性和效果。

3.课程知识图谱、视频、试题资源建设

使用自然语言处理（NLP）技术对课程相关的文本进行分析和处理，提取出关键词、实体等信息，建立课程知识图谱的数据模型，包括课程节点、知识点、关系等，通过机器学习算法，对课程知识图谱进行自动构建和更新。

采集、整理和标注与课程相关的视频资源，使用视频处理技术，如视频压缩、剪辑、转码等，优化视频资源的质量和格式，构建视频管理系统，实现视频资源的生成、存储、检索和播放功能。

收集、整理和分类与课程相关的试题资源，设计试题模板，包括单选题、多选题、填空题、简答题等不同类型的试题，构建试题库管理系统，实现试题的生成、存储、查询、组卷和阅卷、分析等功能。

4.测评自主阅卷和智能导学

使用自然语言处理（NLP）技术对学生答案进行分析和评分，根据题库和模型，通过机器学习算法对学生答案进行自动评分，并生成评分报告。

基于学生的学习历史和行为数据，建立学习模型和推荐算法。分析学生的学习习惯、知识水平等特征，为其提供个性化的学习内容和学习路径。结合课程知识图谱和视频资源，为学生提供相关的学习资料和视频教程。通过数据分析和反馈机制，不断优化学习模型和推荐算法，提高智能导学的准确性和效果。

5. 学生课堂行为分析

采用深度学习算法，对教室内学生上课期间玩手机，睡觉，交头接耳等违规行为进行检测并进行记录。实现反馈教师即时化、学情分析智能化，辅助教师多维度了解授课情况和学生学习情况，为整体教学设计、教学进度把控提供详实依据，可以辅助教师及时对教学各环节查缺补漏，实现精准化教学。通过教与学全过程数据分析应用，实现精准教学，推动学校智慧教学规模化与个性化统一。