近年来，为了建设国家精品课程的需要，高校在各类在线平台上投放的课程越来越多;但这些课程的Mooc结课率普遍偏低，原因在于Mooc没有实体课堂，无法按照高校教学大纲进行混合式教学，教师无法及时和所有的学习者进行人工互动并监督他们学习。因此有必要研究一种针对Mooc的教学监督策略，我们将这种策略称为智慧教学。
智慧教学的基础是慕课，当前的Mooc应用于在线课平台。国内主流的在线课平台有中国大学MOOC，学堂在线，优课联盟和超星等。这些平台的一个共同点是：聚合线上课资源，提供多样化的教学方法，比如在线签到、课堂投屏、课堂实验、限时作业、测验和考试等。有的学校还自行开发了课程相应的虚拟实验平台，比如北京理工大学开设在中国大学MOOC的大学计算机课程。随着智能移动设备的普及，几乎所有的平台都开发了相应的移动教学App或微信小程序;并设计了智慧教室，比如超星的一平三端。
国外的主流在线课平台包括：coursera,edx和Udacity，和国内在线课平台类似，主要提供各类学习资源，供学生自主学习。
通过观察国内外Mooc的公开数据，缺乏有效的学习监督是当前Mooc平台的一个最典型的缺点。为了保证学习效果，之后又出现了一种以BOPPPS为代表的混合式教学[1]，包括：导言(Bridge-in)、目标(Outcome)、前测(Pre-test)、参与式学习(Participation)、后测(Post-test)和总结(Summary)。这是高校中大力推广的教学方式，但此种方式只适用于能够到课堂学习的学习者。
现阶段，精品课程的形式都是纯慕课，而学习效果由学生的学习意愿决定。我们发现，在自主学习过程中，如果问题能够及时得到解决，会极大提升学习者继续学习的意愿。为了保证纯慕课的学习效果，我们认为应将课程学习分为若干阶段，在每一阶段给不同学习者推荐合适的学习路径和学习资源，目前的智慧教学并未涉及到这部分内容。
研究智慧教学，必须有教学数据作为支撑，这些数据一般都要依托具体的平台采集;以“大学计算机”这门课为例，我们已在现有教学平台上将课程分成若干阶段，每一阶段搜集必要的学生学习数据，汇总并展示给任课教师查看，帮助教师对学生进行阶段性的教学分层。
下一步，我们将在搜集整理数据的基我们准备选取大学计算机这门量大面广的课程作为课程研究对象。具体包含以下3方面：
这里的教学资源库主要包括2个方面：视频、作业、测试题的常规教学资源和学习路径资源库。
对于常规教学资源，我们将按照课程的不同阶段，整理现有的教学资源和同类型课程的校外资源。对于校内课程资源，主要按照课程知识点对视频和题库进行关联，分析提取以课堂讨论为代表的生成性资源;对于校外固态资源，在中国大学慕课，学堂在线，优课联盟和超星这些在线课平台上，调研高结课率的国内精品在线础上，对阶段性模块功能进行扩充，主要包括：学习路径推送、学习资源库的建立和推送、学习资源的评价和学习者阶段性动态评价的建立。为了确认研究效果，课的基础上，采用Python的django等框架，爬取网络上同类型课程的优质资源。
对于学习路径资源库，在分析课程现有教学模式的基础上，结合高结课率的精品在线课，总结出课程的多条学习路径;以组件的形式，封装设计每一个教学环节，按照之前汇总的学习路径进行组合，形成课程的学习路径仓库。
对于形成的常规教学资源库和学习路径仓库，我们将通过学生的阶段性学习效果进行评价，期望通过不断的教学累积，形成适合不同学生的教学资源仓库。
当前的推荐算法主要包括以下4大类：基于内容、基于规则、协同过滤和混合推荐。下面一一进行简单的讲解。
基于内容的推荐主要是通过收集用户的学习数据，建立用户的学习模型;进而和相似度高的学习资源进行匹配推荐。这种推荐机制最大的问题是：随着时间推移，在学习模型未进行升级的前提下，容易推荐相同的资源给用户，并且不会将用户感兴趣的新资源进行推荐。
为了解决这一问题，出现了协同过滤推荐。它的主要工作原理是：分析用户兴趣，建立和用户兴趣相似的用户群，选取该用户群中评价较高且未被该用户浏览过的资源进行推荐。此种推荐可以在不建立新的用户学习模型的基础上，将用户感兴趣的新资源推荐给用户。此种推荐机制存在两个问题：新注册的用户，没有建立兴趣模型，进而无法找到相似兴趣的用户组。资源过多、用户过少时，同一类用户组对资源的评价存在客观性覆盖的问题。
基于规则的推荐则没有上面两种推荐机制存在的问题，推荐效率较高;但需要制定大量的用户和资源的评价分类规则，且无法动态调整。
由此，我们可以得到一个结论：单一的推荐算法无法解决所有的问题，混合推荐就应运而生了。我们计划采用的混合推荐针对学习资源和学习路径。针对学习资源，包含两种推荐方法：基于内容的推荐和基于用户的协同过滤推荐。在用户数较少和资源评分较少时，采用基于内容的推荐策略;反之，采用基于用户的协同过滤策略，主要通过匹配相似用户群中的高评分资源和用户之间的兴趣相似度来实现。学习路径推荐主要是指用户在完成一个章节知识点的学习后，系统通过评价用户的学习情况，推荐最优学习方法。这里我们用到的是基于内容的协同过滤推荐：在得到用户在某一章节的学习评价后，查找学习评价中未达到优秀标准的章节知识点，找到学习该章节知识点评价为优秀的学习方法集合，包含测试题、知识点小视频和话题讨论等的学习方法组合;从这些教学方法中选取评分最高的3种具体学习方法，推荐给用户。
准确率和召回率是评价推荐系统的两项重要指标。在前期的模拟测试中，我们的算法性能基本符合预期。
任何一个教学系统都离不开教学评价，这里我们主要探讨学习评价，主要是为了我们能更好的给用户推荐资源和学习方法。通过1学期的实践教学，我们发现，比较适合的阶段性学习评价[3]指标包括：课程的章节知识点测试，课内实验完成情况，线上讨论情况和视频观看完成度。课程章节知识点测试相当于是对用户学习完部分课程章节的一个检测，在保证考试环境的情况下，能真实体现出用户对知识点的掌握情况。课内实验紧扣课上教学知识点，能在第一时间让教师得到用户在课堂上学习新知识点后的反馈。线上讨论和视频观看完成度，能直接反映出用户对某章节知识点的兴趣是否浓厚，同时也为后期的知识点更新提供数据参考。
学习路径仓库存储了系统提供给用户的学习方法，但这种学习建议往往是各种独立方法的组合，如何正确存储这些学习方法并在需要时，能快速调用给用户就是我们需要考虑的问题。初步设想是：设定若干学习方法模型并进行标记，通过具体的组件库来实例化模型，在路径仓库中存储模型对应的标记;在用户调用时，直接选取相应的标记完成学习路径推荐。
由于推荐系统采用了基于内容和协同过滤的混合推荐策略，资源和学习路径的评价就显得比较重要，因为这是推荐的基础。如何客观地进行资源评价是需要重点考虑的问题。用户通过系统完成阶段性学习后，极有可能不对资源或学习方法做出评价或随意地做出评价，进而干扰系统对其他用户进行正常的资源和学习方法的推荐。为此，我们初步设想通过设定知识点后测试题的方式，由系统对章节知识点做出评价，排除人为干扰，如图2所示。
针对以上研究内容，我们希望达到如下目标：
学习的核心包括学习规划和相应的学习资源。作为一名学习者，如何在同等时间内达到课程规定的教学要求是非常重要的。为此，我们关注学习路径和教学资源这两个方面。第一阶段，从收集整理到不断的迭代分级，形成智能推荐的基础。第二阶段，通过合适的智能推荐算法，针对不同的学习者，完成学习路径和教学资源的推荐。
不同的学习者适应不同的学习方法，为了保证推送给学习者的资源和学习路径是最合适的，我们需要给不同的资源进行分类和评级。
以一门计算机基础课程教学为实例，建立和完成有效的智能教学实施案例，为其它专业和课程提供实践参考。
摘要：智慧教学是智慧教育的一个分支,主要应用于各级教育机构的线上教学,常见的形式有各类慕课平台。目前的慕课存在一个比较明显的问题:缺乏有效监督。而这个步骤通常由教师人工完成。随着人工智能和深度学习的日益普及,我们可以在当前教学数据挖掘的基础上,进一步完善教学资源和学习路径的推荐,实现脱离人工的智慧教学。
关键词：学习监督,智能推荐,资源建设
[1] 吴开诚.基于计算机基础的SPOC混合教学实例[J].新校园,2018(5).
[2] 李锋.旨在促进学习者发展的在线评价——伴随式的视角[J].中国电化教育,2018(5).
[3] 王星.基于交互层次理论的MOOC资源生成机制[J].现代教育技术,2017(1).
