人工智能技术的发展和应用，为社会各个领域带来了巨大的机遇和挑战，同时也引发了教育的变革。2024年1月，世界数字教育大会发布《中国智慧教育发展报告(2023)》[1],教育部提出将实施人工智能赋能行动，促进智能技术与教育教学、科学研究的深度融合。2024年全国两会期间，“人工智能+”首次被写入政府工作报告[2],3月28日，教育部启动人工智能赋能教育行动[3],旨在用人工智能推动教与学融合应用。“互联网+教育”迈入“人工智能+教育”新时代。机器学习、深度神经网络、数据挖掘等人工智能技术的发展使得教学过程产生的信息能够被精准挖掘和分析，为混合式教学模式变革提供了有力保障。“信息可视化技术”课程是本科三年级的专业必修课程，对学生的理论知识和实践动手能力有较高的要求。然而，面对知识结构差异的学习者，目前存在的主要问题有：①以教师讲授为主，难以在有限时间掌握理论知识；②群体学习的方式，项目实际操作应用水平参差不齐；③线上学习与线下教学割裂，学习效果不佳。随着新兴技术的出现，学习者对泛在化学习资源、个性化教学、智能化学习环境的需求愈来愈高[4]。因此，此次研究结合人工智能的特点和学校课程资源，探索“人工智能+”背景下信息可视化技术课程混合教学模式，希望为高等院校的相关课程教学提供一些借鉴和参考。

1、人工智能时代混合式教学思考

1.1 人工智能概述

人工智能(Artificial Intelligence, AI)作为计算机科学的一个分支，主要研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统[5],研究和应用主要集中在问题处理、逻辑演绎、机器学习、模式识别和专家系统等方向。随着云计算、大数据、物联网和互联网等信息技术的发展，人工智能迎来了蓬勃发展期[5]。正深刻影响着社会各个领域。我国《新一代人工智能发展规划》提出要发展“智能教育”[6],推动人才培养模式和教学方法改革。人工智能教育是信息技术与教育深度融合的重要研究方向。赵智兴等(2019)从宏观层面揭示人工智能时代高等教育人才培养模式变革面临的现实挑战，提出改进策略[7]。吴立宝等(2021)提出人工智能技术辅助下精准采集声音、姿态、面部、心理信号等数据，实现课堂教学评价的高效反馈[8]。钟卓等(2021)提出了智能技术与学习内容、学习服务的深度融合促进学习者智慧多元化发展[9]。人工智能的应用研究正渗透到教育的各个环节，取得了一定的研究成果，主要侧重于探究人工智能对教育结构、教学模式变革、人才培养路径、教学评价方式等方面的影响，为本论文的研究提供了基础和借鉴。

1.2 混合式教学现状及存在的问题

《国家中长期教育改革和发展规划纲要(2010—2020年)》《教育信息化“十三五”规划》等文件提到新时代教育信息化发展[10],强调信息技术在教学中的深入应用。之后催生出一批基于移动通信设备和网络信息技术的慕课平台和智慧教学工具，具有创新性和拓展性的“线上+线下”混合教学模式走入人们视野，成为高校的教学方式之一。教育部先后推出《教育信息化2.0行动计划》和一流本科课程“双万计划”[10],各高校教师积极开展“线上+线下”的混合式教学改革实践。相比传统课堂教学，混合式教学具有鲜明的时代特征，但大量教学实践反馈的结果并不理想[10],混合式教学改革的优势并不明显，具体面临如下几个问题。

(1)线上线下学习割裂，学习效果不佳。

课堂教学模式以教师为主导、以知识传授为主，师生缺少互动，学生课堂参与度低；线下课堂教学活动设计与线上学习内容脱节，难以构成完整的学习闭环；在线学习过程监控和评价不到位，教师无法掌握学习情况，导致学习质量不佳、学生自主性缺失、学习体验较差等问题。

(2)学生个体差异难以满足，学习效率较低。

首先，学生的学习风格、认知能力、兴趣爱好和背景各不相同，导致在集中授课模式中学生对教学内容的理解和接受程度存在差异。其次，教师的教学方法和技能在大班教学中不足以满足所有学生的需求，时间和课程内容也限制了个性化教学的实施，教师难以充分关注每个学生的学习进度和需求。

(3)教学评价以结果为导向，存在“片面性”。

一方面，“基于经验”的传统教学评估方式依靠教师口头提问、直接观察、阶段测试等，这种评估方式极易导致评价结果出现以偏概全的“晕轮效应”[11],无法对学习者整个学习过程实时监控，缺少对学习者成长过程和身心发展的关注和反馈。另一方面，由于受技术因素制约，线上线下教学数据量大且零散存储，数据采集不全面，使得教学评价缺乏整体性和科学性。

2、“人工智能+”背景下的混合教学模式构建

人工智能+教育，是指将人工智能技术应用于教育领域，以提高教育的质量和效率，可以实现个性化学习、精准干预、自动评估等多方面的创新，促进学习者的个性化发展[12]。人工智能技术赋能混合式教学的变革和创新，可以从泛在化、智能化、个性化等理论研究层面深入探索，从教学资源、教学过程、教学评价等实践应用层面着手，建设智能化开放学习平台、实现教学的精准化干预、构建多维动态评价体系，提高教学效果、效率和效益。

2.1 建设智能化开放学习平台

学习平台的“智能化”和“开放性”是依托于计算机能力的提升、大数据的形成和算法的创新，能够海量存储教学资源、动态感知教学情境、自动采集与分析数据、匹配推送个性化资源、实现学习工具多元化等[13],助力教学从“低效”混合转变为“智能”融合，使学生朝着主动学习、自主学习、个性化学习的方向发展。智能化开放学习平台可以从以下三个方面展开建设。

(1)知识获取从封闭式走向开放式。

时间维度上，云计算对教育资源进行存储、更新和补充，智能化教学平台提供在线录播课程和丰富的在线教育资源，学习者可以根据自己的节奏和需求进行学习。空间维度上，智能化教学平台利用网络技术和移动设备的普及性，学习者可以远程获取教育资源，学习不再局限于教室这一固定场所。

(2)教学模式从群体行为转为个性化学习。

一方面，在线学习平台记录学习过程的文本、语音、图像、视频等行为数据，基于深度学习推荐算法模型，深度分析学习者的学习风格和认知水平[14],设计适合不同学生、不同知识点的高效学习路径。另一方面，线下教学环境利用数字化设备全程记录教学过程，如可穿戴设备、人体姿态检测、脑电分析仪等可捕捉面部表情、身体姿态及脑电波，洞悉学习者的学习进度和学习状态，构建基础知识图谱，推送个性化学习计划及教学方案，实现高效的自适应学习，促进个性化发展。

(3)教学活动从“师生交互”转向“师/生/机”的深度交互。

深度交互主要包括以下两个内容：一是智能导学，课前预习和反馈评估；课中进行动态监测和实时互动；课后利用智能学习计划完成对教学全过程的引导。二是智能辅导，智能查询可以提供快速准确的信息查询服务，以满足学生的多元需求；智能助手可以设置作业提醒、安排学习计划、管理日常任务；智能应答可以24小时提供在线答疑；在智能交互上通过语音、表情、手势，与学习者进行深度交互，提高学习体验的互动性和趣味性。“师/生/机”的深度交互有助于解决课堂教学存在的单调、效果不佳、互动性差等问题，促进教学的智能化发展。

2.2 实现教学的精准化干预

教学的精准化干预是一种基于对学生全面、深入了解的教育策略，以大数据为核心，一般从数据采集和分析、数据可视化、动态预测和精准干预等环节展开。面对线上线下海量教学资源的无从选择与学生的多样性，教学的精准化干预可以从以下3个方面着手。

一是构建混合式教学数据采集模型。混合式教学数据采集包括线上学习和线下教学数据，是数据驱动精准化教学的基石。线上教学数据的采集以在线学习平台为依托，通过采集技术提取在线学习行为、在线学习日志、学习者评论数据等。线下教学数据的采集依赖于智慧课堂教学环境，通过智能穿戴设备、传感器、智能摄像头等感知设备或技术，获取学习者在学习兴趣、学习投入度、课堂互动性、知识掌握甚至心理状态等的详细情况[15]。

二是构建数据可视化的一般流程。基于混合式教学数据采集模型，全方位获取多维度教学行为数据，利用数据挖掘技术，整理和分析数据中的模式、关联和规律，通过可视化技术创建可视化分析报告，直观地展示学习者个体学习结果及与群体的差异，从而帮助教师跟踪和评估学习者的学习进度和学习效果，及时调整教学策略。

三是基于精准化教学干预的实践应用。基于大数据分析及可视化技术，从教学设计、教学过程和教学评估三个环节进行精准化教学干预：第一环节为开课前的教学设计，课前根据学生学情，结合课程的知识空缺精准推送教学内容，制定高度匹配学习者特征的教学目标[15];第二环节为教学活动的实施过程，课中对学习行为进行记录与诊断，实施差异化指导的分层教学和更有针对的个性化干预，真正做到因材施教；第三环节为课后的教学反思与评估，对课堂行为进行多维度测评，生成课堂评测报告，从而及时完善、优化后续的教学过程[15]。

2.3 构建多维动态评价体系

相比仅依赖考试成绩评估的方式，人工智能技术和大数据支撑的多维动态评价体系能够对学习者的学习成果和能力发展进行全面、综合地评估，能够更真实地反映学生的学习情况。多维动态评价采用线上、线下融合的数据采集模式，由过程性评价和结果性评价组成，贯穿课前、课中和课后教学全过程，形成多层级、可量化的评价体系。

(1)线上考核和线下考核相融合。

线上考核方面，在线学习平台利用大数据和人工智能技术随时随地收集和分析学习者的答题行为和学习情况，实时生成反馈报告，智能评估学习者对知识的掌握程度，生成匹配学习者水平的试卷，完成精准化考核和自动化阅卷及评分。线下考核方面，在实验室或课室环境中利用数字化设备全程记录考核过程，帮助教师更深入地了解学生的思维过程和解决问题的能力，做出更全面的评价。线上考核注重知识的理解能力，线下考核强调知识的应用能力，线上和线下考核无缝衔接提升评估的科学性和全面性。

(2)过程性考核和结果性考核相结合。

过程性考核包括学习者作业完成情况、课堂考勤、实验测试、课堂参与表现、在线学习时长等。人工智能技术对学习过程性数据予以捕捉和分析，精准掌握学习者的知识掌握程度、学习习惯和思维模式，推送个性化学习计划，并为教师调整和改进教学活动提供支持。结果性考核以期末考试、项目成果展示等形式为主。过程性考核注重学习轨迹和投入程度，结果性考核注重学习结果和课程目标，两者结合使得评价更为精准、客观和有效，有利于改进“评价较为片面”的现实弊端。

3、信息可视化技术课程的混合式教学实践

3.1 教学内容

“人工智能+”背景下信息可视化技术课程的混合式教学实践采用线上线下教学深度融合模式，以学生为中心，以培养应用创新型人才为导向，将理论知识与实验教学有机结合，有效组织教学。信息可视化技术是一种将复杂抽象数据生成为可感知的图形图像的技术，以传递有效信息为目的，涉及数据、信息、交互、算法、界面等方面的应用[16]。课程内容共分为5个章节，包括①信息可视化技术的基础理论和概念；②信息可视化技术的一般原理和处理方法；③数据的采集、提取和分析；④使用Tableau软件工具对数据进行多图表可视化；⑤掌握实验项目多维度多角度可视化方法。

3.2 教学设计

第一阶段，课前设计：①在超星学习通平台创建信息可视化技术课程区，上传学习资源(信息可视化技术相关的理论知识、视频教程、优秀作品案例、数据处理方法等)和发布预习任务(优秀作品的分析、使用工具完成数据处理、分析、可视化等)。②学习者登录平台完成自主学习、协作学习、探究学习。③系统平台根据学习行为数据，精准定位学生的知识薄弱点和空缺处，推送个性化的学习资料，进而为教师调整教学决策和教学计划提供参考。

第二阶段，课中内容：①考勤：学生采用地理位置、面部识别或二维码签到，保证签到的实时性和真实性。②理论讲解：课堂上精讲信息可视化技术的原理和方法，利用在线平台进行实时问答、投票、讨论和课堂练习等。③实践训练：以学校智慧教室及计算机实训室的教学环境为契机，进行案例实操演练，并运用智慧微课进行录课，在线平台支持回顾和学习。以小组形式进行数据可视化的制作实践，从数据采集、数据分析，到草图绘制、基础图表设计、创意加工，以及多维可视化表达，教师进行现场指导，学生将课堂练习上传至在线平台，然后，自动评估工具辅助教师快速批改作业，提供优化方案建议。

第三阶段，课后活动：①巩固与练习：精炼课堂知识点，以课程任务形式在学习通平台发布学习任务，学生完成在线测试和知识点巩固；针对学生的知识薄弱环节，推送具有针对性的练习题和模拟测试；以赛代练，引进若干实际竞赛项目进行分组分阶段完成任务，记录从初稿到产出物的演变过程，实时效果评估和反馈，不断提升学生的实践动手能力。②辅导与讨论：学习通AI助手提供24小时课后答疑，并设立师生讨论区，分享学习心得，提高学生的积极性和参与性。③复习与总结：学习平台根据学习日志、课堂表现、作业等自动生成学情分析报告和个性化学习计划，帮助学生了解学习进展和提高学习效果，为教师调整课堂内容和方式提供依据，如图1所示。

图1 “信息可视化技术”教学设计

3.3 考核评价

信息可视化技术课程的学期总成绩由过程性考核50%和期末大作业考核50%组成。成绩评定采用百分制，线上线下结合的方式，线上根据学习通统计学习情况，线下根据智慧教室统计课堂表现。其中过程性考核包括考勤、在线视频学习、在线章节测试和作业、在线讨论、课堂互动、平时作业与汇报等(50%)。期末考核按照要求提交命题大作业，包括数据准确性(15%)、视觉效果(15%)、交互性(10%)、信息传达(10%)。

图2 “信息可视化技术”课程分数增长率

图3 “信息可视化技术”课程学习效果

3.4 实施效果

线上线下混合式课程已持续运行四个学期，累计选课人数379,累计页面浏览量突破6万，90%的学生认为这种教学模式对提升学习效果有帮助。人工智能推动线上线下教学的深度融合，2021级课程综合成绩相比20级环比增长3.4%,如图2所示。其中71%的学生可以根据目标主题完成对数据的采集、提取和分析，使用Tableau进行多个维度的数据可视化，并能设计数据联动，提升用户体验，如图3所示。学生的期末成果作品参加学科竞赛，获得银奖6项、铜奖12项。实践证明，基于人工智能的混合教学模式在信息可视化技术课程的应用，增进了线上线下教学的有效融合，学生在理论知识的掌握以及实践操作的能力上有了显著提升。

4、结语

人工智能与教育的融合是教育变革的发展趋势。人工智能技术在教育场景中的应用让我们以全新的方式来对待课堂和教学，从被动式学习向自主性学习、主动性学习、个性化学习转变，采取线上学习、线下教学、智慧教学等方式实现跨越时空按需学习、课前课中课后连贯学习、学习行为量化评估、精准适配学习服务等，使得学习效果和教学决策更具有科学性和合理性。本研究对人工智能应用和混合式教学现状进行了研究和分析，构建了“人工智能+”背景下混合教学模式，并将其应用于实践，取得了一定的效果。综上所述，在“人工智能+”背景下，混合教学模式的教学设计将发挥愈来愈重要的作用，真正激发学生的自我驱动学习能力、提出和解决问题的能力、实践与协作沟通能力，达到学生全面发展和个性化发展的目标。

参考文献:

[1]中华人民共和国教育部.全球数字教育发展指数和中国智慧教育发展报告2023发布[EB/OL].(2024-01-31)[2024-07-30].

[2]中国战略新兴产业网.两会热词·“人工智能+”打开新质生产力大门[EB/OL].(2024-03-15)[2024-07-30].

[3]国家自然科学基金委员会网.教育部发布4项行动助推人工智能赋能教育[EB/OL].(2024-04-02)[2024-07-30].

[4]梁迎丽,刘陈.人工智能教育应用的现状分析､典型特征与发展趋势[J].中国电化教育,2018(03):24-30.

[5][美]拉塞尔,[美]诺维格.人工智能[M].(第3版).北京:清华大学出版社,2011.

[6]中华人民共和国中央人民政府.国务院印发《新一代人工智能发展规划》[EB/OL].(2017-07-20) [2024-07-30].

[7]赵智兴,段鑫星.人工智能时代高等教育人才培养模式的变革:依据､困境与路径[J].西南民族大学学报(人文社科版),2019,40(02):213-219.

[8]吴立宝,曹雅楠,曹一鸣.人工智能赋能课堂教学评价改革与技术实现的框架构建[J].中国电化教育,2021(05):94-101.

[9]钟卓,钟绍春,唐烨伟.人工智能支持下的智慧学习模型构建研究[J].电化教育研究,2021,42(12):71-78+85.

[10]易祯,吴美玉.从“混合”到“融合”:线上线下融合式教学设计研究[J].中国教育信息化,2023(11):84-96.

[11]魏亚丽,张亮.从“基于经验”到“数据驱动”:大数据时代的教学新样态[J].当代教育科学,2022(02):50-56.

[12]国际人工智能与教育大会.2021全球人工智能教育落地应用研究报告[R/OL].(2021-08-21)[2024-08-05].

[13]刘清堂,何皓怡,吴林静,等.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育,2019(09):13-21.

[14]戴永辉,徐波,陈海建.人工智能对混合式教学的促进及生态链构建[J].现代远程教育研究,2018(02):24-31.

[15]万力勇,黄志芳,黄焕.大数据驱动的精准教学:操作框架与实施路径[J].现代教育技术,2019,29(01):31-37.

[16]陈为,沈泽潜.数据可视化[M].北京:电子工业出版社,2019.

基金资助:广东省高等教育学会“十四五”规划2024年度高等教育研究课题“基于数据可视化技术的本科高校数字媒体专业课程教学改革与实践应用研究”(24GYB100);2024年度广州市社科规划常规课题“基于多模态交互信息的在线学习投入影响因素模型与干预策略研究”(2024GZGJ224);

文章来源:夏玲,徐文超.“人工智能+”背景下信息可视化技术课程混合教学模式研究[J].职业技术,2024,23(12):90-95.