袁利平　陳川南

摘要：寬度學習神經網絡模型結構更加簡單，性能更加完善，不僅保留了機器學習中深度學習的優(yōu)勢，而且彌補了深度學習的缺陷。在教育數(shù)據挖掘技術中引入寬度學習，能為教育大數(shù)據以在數(shù)據提取中獲取有意義的規(guī)律與模式、有效知識與信息提供有益幫助。寬度學習的教育價值主要包含其本體價值、工具價值、規(guī)范價值和智慧價值。此外，通過堅持以人為本的理念來實現(xiàn)寬度學習的本體價值、借助教育數(shù)據挖掘來實現(xiàn)寬度學習的工具價值、規(guī)范數(shù)據隱私保護來實現(xiàn)寬度學習的規(guī)范價值以及維持以人為主導的人機協(xié)作來實現(xiàn)寬度學習的智慧價值這四條路徑，可構建一個完善的寬度學習視野下教育價值實現(xiàn)體系。寬度學習基于其豐富的教育價值內涵對于人工智能時代當下的意義無疑是肯定的，探討寬度學習教育融合的實現(xiàn)，我們期待其在實現(xiàn)差異化教學、進行個性化學習、實施智能化服務、及時給予高效反饋等方面帶來重要的發(fā)展機遇，推動教育事業(yè)蓬勃發(fā)展。

關鍵詞：寬度學習;人工智能;機器學習;教育數(shù)據挖掘

中圖分類號：G434 文獻標識碼：A

新技術的興起通常會給人類帶來新的變革機遇。人工智能（Artificial Intelligence）作為一種顛覆性和變革性的技術正在影響著各行各業(yè)，在教育領域也不例外。對于人工智能而言，教育是其重要的應用領域;而對教育來說，人工智能的核心技術將直接關系教育現(xiàn)代化發(fā)展的核心命運。三十多年來，人工智能在教育領域的應用一直是學術研究的主題之一。人工智能教育應用是指以人工智能和學習科學（包括教育學、心理學、社會學等）的結合為理論基礎，將教育、社會和心理學等學科隱性知識（Tacit Knowledge）轉換為現(xiàn)代計算機容易識別和處理的編碼或形式，進而推動智慧教育的科技發(fā)展。

“人工智能教育應用相關系統(tǒng)以教育數(shù)據挖掘技術（Educational Data Mining，EDM）為主要基礎，然后利用學習分析等其他相關技術對學生的行為數(shù)據進行跟蹤及預測其學習表現(xiàn)，達到個性化學習支持的目的。其中以深度學習（Deep Learning）為代表的機器學習（Machine Learning，ML）是影響EDM效率的關鍵技術。事實上，深度神經網絡無論是在數(shù)據處理，還是在應用層面上都取得了巨大的成就。然而，因為深度神經網絡結構及其復雜性并且涉及到大量的超參數(shù)（Hyper-parameter），所以基于深度網絡所構建的模型常常面臨訓練時間過長和層數(shù)及參數(shù)增加而導致的訓練難度提升的兩重困擾。因此，學者們就如何解決這雙重困擾做出了很多努力。學術界內目前最新提出的寬度學習系統(tǒng)（Broad Learning System，BLS）可有效解決這一問題，這標志著人工智能機器學習算法的又一大進步。

一、寬度學習：一種新的網絡學習模型

“寬度學習系統(tǒng)是作為一種深度學習網絡的替代方法而被提出來的，它是以隨機向量函數(shù)鏈接神經網絡為映射特征，基于單隱層神經網絡通過神經增強節(jié)點并將映射特征與增強節(jié)點直接連接到輸出端的一種網絡橫向擴展的高效增量學習系統(tǒng)”。寬度學習系統(tǒng)對于擴展到其他神經網絡十分便利，是機器學習領域中一個十分高效靈活的新模型。

（一）系統(tǒng)基本結構

寬度學習系統(tǒng)的設計思路為：首先，從輸入數(shù)據中生成“映射特征”，形成網絡的“特征節(jié)點（Feature Nodes）”;其次，將映射特征增強為隨機生成權重的“增強節(jié)點（Enhancement Nodes）”。最后，將所有的“映射特征”和“增強節(jié)點”連接后到輸出端。寬度學習系統(tǒng)的結構以隨機向量函數(shù)鏈接神經網絡為基礎，此外如果模型需要擴展特征節(jié)點和增強節(jié)點，寬度學習系統(tǒng)可以加入新數(shù)據以有效且高效的方式更新系統(tǒng)（輸入的增量學習），此寬度學習系統(tǒng)不需要二次訓練就可以動態(tài)逐步更新，因此這種學習是相當高效的?！俺酥?，這種增量學習算法可以高效地運用于寬度擴展的快速模型重建中”。寬度學習系統(tǒng)為了得到更多緊湊的輸入數(shù)據的特征，隨機特征映射被應用于增強節(jié)點的建立過程中，寬度學習的網絡模型是在增強節(jié)點的寬度擴展與映射特征的增加有關成立的假設下構建的。有學者提出了“增強節(jié)點建立方式截然不同的兩種寬度學習結構，當且僅當兩個模型中建立的映射特征和增強節(jié)點的維度完全相同時，模型具有等價性”。

（二）兩大基本要素

與機器學習的深度學習網絡結構相比，它有RVFL神經網絡和快速增量學習算法兩個基本要素。

首先，“寬度學習系統(tǒng)是基于RVFL神經網絡而設計的一種網絡學習模型”。RVFL神經網絡是在1992年包·約翰（Yoh-Han Pao）等人為了彌補提出函數(shù)連接型神經網絡（Functional Link Neural Network，F(xiàn)LNN）缺陷的基礎上提出的一種神經網絡。RVFL神經網絡將原提出的前向單隱層神經網絡結構隱層全部下移作為RVFL輸入數(shù)據的增強部分，是一種無隱層的網絡?！癛VFL神經網絡是一種全局有效的逼近器，只有輸出層的參數(shù)需要訓練，其余參數(shù)均為隨機值，網迭代次數(shù)減少，收斂速度遠遠優(yōu)于前向神經網絡”。同時，相對于單層前饋神經網絡（Single Layer Feed Forward Neural Networks，SLFN），包·約翰提出的隨機向量函數(shù)鏈接神經網絡不僅可以保證函數(shù)逼近的泛化性能，而且成功消除了訓練時間過長的缺點，顯著提高了感知器的性能，使得基于這種神經網絡的算法較深度學習網絡更快和準確?！芭c現(xiàn)有的深層神經網絡相比，MNIST數(shù)據的實驗結果充分驗證了寬度學習系統(tǒng)的有效性”。

其次，“該系統(tǒng)充分地利用了快速增量學習算法，這為數(shù)據量和數(shù)據維度的增長所帶來的問題找到了找到一條解決的途徑”。隨著數(shù)據量增長，RVFL神經網絡并不能對大容量和時間多變性為本質的大數(shù)據進行有效處理?？焖僭隽繉W習算法彌補了這種缺陷。該算法可以對中等大小數(shù)據建模，應用于更新RVFLNN中新增加輸入數(shù)據和新添加的增強節(jié)點的輸出權重，解決了數(shù)據量和數(shù)據維度的增長帶來的問題，這項工作為調整遇到新的輸入數(shù)據的系統(tǒng)鋪平了道路。

寬度學習系統(tǒng)主要采用了三種不同的增量學習算法，包括增強節(jié)點增量、特征節(jié)點增量和輸入數(shù)據增量。由于更新輸出層的Pseudo偽逆時，只需要計算新加入的節(jié)點的偽逆，增量學習的訓練過程節(jié)省了大量的時間。從這個角度分析，寬度學習系統(tǒng)可以高效重建需要在線學習的模型。

此外，由于數(shù)據維度的快速增加，處理高維數(shù)據越來越成為了亟需解決的問題。處理高維數(shù)據常見的方法就是降維（Dimension Reduction）和特征提?。‵eature Extraction）?！疤卣魈崛　笔菫榱苏业綇妮斎霐?shù)據到特征向量的最佳函數(shù)變換。因此，對于“特征提取”，在寬度學習中可以體現(xiàn)為采用“映射特征（Mapped Features）”作為RVFLNN的輸入，“寬度學習系統(tǒng)也就是在將映射特征作為RVFLNN輸入的思想基礎上而設計的”。

（三）寬度學習的優(yōu)勢

機器學習發(fā)展實際上包括淺層學習（Shallow Leaming）和深度學習（Deep Leaming）兩部分。上世紀80年代末期，人工網絡淺層學習算法由于人工神經網絡傳播反向算法的發(fā)明（Back Propagation，BP）而在機器學習領域聲勢磅礴。但是淺層學習神經網絡只有一層隱含層，應用十分有限。深度學習的出現(xiàn)彌補了淺層學習算法的這種弱點，其關鍵在于它相對于傳統(tǒng)機器學習方法，能夠自動進行特征提取學習，提取數(shù)據中更為高階和抽象的本質特征，形成對輸入數(shù)據更為精準的輸出結果。因此，“運用深度學習對數(shù)據進行挖掘，是機器學習算法適應大數(shù)據挖掘的重要產物”。

1.特征優(yōu)勢

根據寬度學習結構以及對淺層學習、深度學習特征的理解，淺層學習、深度學習與寬度學習的特征對比總結如表1所示。這里為了讓大家更加清晰地看見機器學習中學習算法的特征演變，此處將深度學習出現(xiàn)之前的淺層學習也放入表格做一些說明，以便更加直觀地反映出深度學習給機器學習所帶來的變革，以及寬度學習較深度學習更進一步展現(xiàn)的優(yōu)勢。

結合表1可以看出，相比深度學習，寬度學習明顯的重要優(yōu)勢就是在于其簡單的單隱層結構和參數(shù)量小，解決了開頭所提出的深度學習兩重困擾，使得神經網絡的訓練時間快捷，算法大大加快。具體來說，在與以往深度神經網絡的調整方式不同，寬度學習不需要增加層數(shù)或者調整參數(shù)個數(shù)，而是采用“橫向擴展”的方式，同時利用簡單易懂數(shù)學推導來做“增量學習”?？梢詫⒍咴谖磥淼难芯恐邢嘟Y合，將寬度學習結構改進，串聯(lián)增強節(jié)點，結合寬度和深度模型，還可以成為寬深結合學習網絡。2016年，谷歌提出的新“寬度&深度學習”框架，將寬深兩者結合到同一個模型。并且應用于Google Play的實驗結果顯示，與單獨的寬度或者深度模型相比，這種結合后的模型實現(xiàn)了更優(yōu)的效果，達到了更寬與更深共同進步。

2.性能優(yōu)勢

作為一個常見的數(shù)據集，MNIST經常被用來測試神經網絡。為了闡明寬度學習與深度學習相比更具有性能優(yōu)勢，有學者對所提出的寬度學習系統(tǒng)做了實驗測試，通過MNIST中的分類任務結果驗證了所提出的寬度學習算法的高有效性。具體而言，MNIST包含60000個訓練樣本和10000+測試樣本。其中每一個訓練元素都是28*28像素的手寫數(shù)字圖像。在實驗中將各種具有深層結構的網絡與寬度學習進行了比較。將深度置信網絡（DBN），深度玻爾茲曼機器（Deep Boltzmann Machine，DBM），兩種堆疊式自動編碼器（Stacked Auto Encoders，SAE）和多層感知器（Mutilayer Perception，MLP）等基于梯度下降的學習方法參數(shù)均勻設置，即初始學習率為0.1，每個學習時期的衰減率為0.95。他們還考慮了基于ELM的算法，包括多層ELMOVILELM）和改進的分層ELM（HELM）。對于MLELM，BP相關參數(shù)如上所述設置，并且三層每層正則化（Regularizations）分別設置為10^-1，10³10⁸。類似地，HELM的懲罰值（Penalty）被設置為10⁸。上述深度學習算法的所有實驗均在配備英特爾i7 2.4 GHz CPU的筆記本電腦上進行測試。除此之外，模糊限制玻爾茲曼機（Vuzzy Restricted Boltzmann Machine，F(xiàn)RBM）學習率被設置為0.25，權重衰減（Weight Decay）被設置為0.0005。將寬度學習正則化參數(shù)值λ設置為10^-8，相關的固定隨機權重W_ei，β_ei（i=1，…，n）和W_hj，β_hj（j=1，…，m）從區(qū)間[-1，1]的正態(tài)分布采樣。增強節(jié)點的激活函數(shù)是S形函數(shù)（Sigmoid Function），隨機特征映射被用作線性映射。此外，模糊限制玻爾茲曼機和寬度學習系統(tǒng)都在配備2.30GHz英特爾Xeon E5-2650 CPU處理器的筆記本電腦上上進行測試。

每種算法的測試精度和訓練時間，如表2所示。實驗結果說明，寬度學習系統(tǒng)的測試準確度為98.74%，它優(yōu)于MLP、SAE、SDA和單層FRBM。雖然準確度略低于RBM、DBN、MLELM和HELM，但寬度學習模型卻因其平坦的擴展結構而相對簡單得多。此外，與RBM和DBN等非常受歡迎的深度學習方法相比，寬度學習是這其中最高效的方法。在保持相當準確性的前提下，寬度學習的訓練過程僅在29.6968秒內就已經完成，比RBM網絡快千倍。通過增加輸入數(shù)據和增強節(jié)點來測試增量寬度學習算法，結果也證明了所涉及的算法的高效性。此外，與其他MLP訓練方法相比，寬度學習系統(tǒng)在分類精度和學習速度方面具有良好的性能。與數(shù)百個迭代的高性能電腦下幾十小時或幾天的訓練相比，寬度學習系統(tǒng)可以在幾分鐘內很容易地構建，即使在普通計算機中也是如此。寬度學習系統(tǒng)在訓練速度方面明顯優(yōu)于現(xiàn)有的深層結構神經網絡。與深度學習方法相比，寬度學習結構簡單，性能強大，完全適用于大數(shù)據時代。

寬度學習系統(tǒng)結構簡單、速度快，具有高效的學習性能。然而，它在幾個數(shù)據集中的表現(xiàn)并不令人滿意?；诖髷?shù)據背景，有學者構建了一種基于K-means聚類算法特征提取的新型改良寬度學習系統(tǒng)。這種新型改良的系統(tǒng)主要是通過K-means聚類算法為無監(jiān)督特征表示提供一種強效的方法。結果也證明寬度學習系統(tǒng)在各種應用中具有靈活性和無限潛在價值。此外，也可以應用寬度學習系統(tǒng)對徑向基函數(shù)（RBF）網絡和層次極限學習機（HELM）兩種常用的神經網絡進行了改進?？傊瑢挾葘W習系統(tǒng)具有“橫向擴展”和“增量學習”兩大優(yōu)勢，是人工智能領域中一個特別高效靈活的學習系統(tǒng)。

二、寬度學習的教育價值

基于對寬度學習的認識和研究，我們可以看到寬度學習神經網絡系統(tǒng)結構更加簡單，同時在實際應用中表現(xiàn)出更完善的優(yōu)秀性能。寬度學習不僅保留了深度學習的優(yōu)勢，而且彌補了深度學習的缺陷。寬度學習系統(tǒng)大大提高的網絡算法的速度，并且可以通過增量學習高效擴展重建網絡模型，同時具有自動獲取和學習特征的能力，擁有對海量大數(shù)據進行超預期分析的能力。寬度學習相對深度學習不但更能高效地進行教育大數(shù)據的挖掘，提高機器學習在教育數(shù)據挖掘中的實用性，而且可以通過對相關數(shù)據的高效挖掘，為從學習分析角度對其挖掘的數(shù)據結果進行意義再建構提供參考依據。因此，將寬度學習引人教育領域，對于教育數(shù)據挖掘及教育領域發(fā)展的價值不言而喻。然而，研究表明對“價值”概念的誤讀是導致技術工具論困難的根本原因。囿于寬度學習應用教育的進程才剛剛起步，我們有必要深刻探討和研究寬度學習的教育價值分類與關系，以期促成寬度學習與教育融合的成功實現(xiàn)。寬度學習的教育價值主要包含本體價值、工具價值、規(guī)范價值和智慧價值。其中寬度學習教育價值的本體價值是工具價值和規(guī)范價值的認知基礎。工具價值是智慧價值實現(xiàn)的途徑，而規(guī)范價值是智慧價值得以實現(xiàn)的重要保障?；诒倔w價值、工具價值和規(guī)范價值之上，寬度學習教育價值最終統(tǒng)一于智慧價值。要實現(xiàn)寬度學習教育融合，必須充分挖掘并利用寬度學習的這些價值，同時注意各價值的有機結合和互相滲透。

（一）本體價值

本體價值是一種作為其他一切價值的存在基礎和最終依據的價值，它是判斷其他一切具體價值之合理性的最高準則和標準?！懊總€人的全面而自由的發(fā)展是當代中國的本體價值”。本體價值不明確就會導致對價值判斷的合理性危機。在中國社會本體價值原則指導下，寬度學習的本體價值在于促進學生的個性化學習，實現(xiàn)因材施教，推進個人的全面意義上的發(fā)展。寬度學習相對深度學習能更為優(yōu)化高效地進行教育大數(shù)據的挖掘，大大提高了機器學習在教育數(shù)據挖掘中的實用性。

國內外對教育數(shù)據應用的研究慢慢開始由宏觀層面轉向學校的教學和學生的學習微觀層面。也就是說，教育數(shù)據的挖掘最終還是要促進微觀層面每一個學生的發(fā)展。利用教育數(shù)據挖掘分析可為教育工作者提供更好的教育決策信息，改善其教學形式和內容;同時也可為受教育者量身定制各類適合自己的受教育教學目標及方案，有助于改進其學習方式和行為。然而，無論是對教育者還是學習者，寬度學習數(shù)據挖掘技術作用于教育的本質和最終目標都是為了促進學生的個性化學習，推進個人的全面發(fā)展。因此正確掌握寬度學習的本體價值，將會給寬度學習技術的合理使用提供正確的價值導向，有利于避免社會隱性價值沖突，維護社會同一價值理念，推進寬度學習教育應用的和諧發(fā)展。

因此，要實現(xiàn)寬度學習本體價值，必須堅持以人為本的理念。在充分尊重人的目標需要的同時，注意考慮個人的實際水平，將寬度學習的本體價值目標建立在個人的實際情況和要求的基礎上。利用寬度學習挖掘學生學習有用信息進行學習分析時，要根據學生實際學習能力及掌握知識情況，以每個個體的全面發(fā)展為指導目標，為每一個學生個體提供適應學生個人前途發(fā)展的課程材料以及學習成長方案等。

（二）工具價值

工具價值是相對于本體價值而言的，工具價值的實現(xiàn)必須以本體價值的實現(xiàn)為基礎。離開本體價值，工具價值便成為無源之水，無本之木?！肮ぞ邇r值是促進社會發(fā)展的價值，其對教育價值的實質取向乃是社會”。寬度學習的工具價值在于其對促進受教育機會公平和社會資源均衡發(fā)展的意義。寬度學習的內部算法運行的本質是利用計算機自動且高效地提取教育環(huán)境中學習者的有關行為數(shù)據，這些數(shù)據通常具有潛在的意義和價值，這也就是教育數(shù)據挖掘。通過利用教育數(shù)據挖掘所獲信息，寬度學習可以助力于智慧教育及時、全面且深層地理解學習者的學習行為與狀態(tài)，不但可以幫助學習者找到適合其學習的最佳方式，同時可以支持教學者利用其優(yōu)勢實施智能化又高效的教學方式。寬度學習通過實現(xiàn)其教育的工具使用價值，使人人都有機會接受針對性個性化輔導，可有效緩解偏遠落后地區(qū)教育資源匱乏、教師水平參差不齊等問題，改善教育質量;也可通過技術手段擴大優(yōu)質教育資源覆蓋面，促進人的全面發(fā)展和社會教育公平，避免資源重置和浪費，完善現(xiàn)有的教育系統(tǒng)結構。

因此，要實現(xiàn)寬度學習工具價值，必須充分利用教育數(shù)據挖掘手段。利用寬度學習進行更為準確的教育數(shù)據挖掘，能為教育大數(shù)據以在數(shù)據提取中獲取有意義的規(guī)律與模式、有效知識與信息提供有益幫助。必須充分利用教學資源、教學管理、教學行為和教學評估等教育大數(shù)據，將挖掘所分析得到的信息有效用于完善困難地區(qū)教育資助及資源供給、改進地域差異等帶來的高校公平招生問題和改善教育評價體系公正問題。通過逐步實現(xiàn)教育的公平來實現(xiàn)社會公平，寬度學習的工具價值進而可加強教育的變革，推動社會的繁榮與進步。

（三）規(guī)范價值

規(guī)范價值主要是指在一定時代和一定社會中，人的道德意志和行為必須合乎一定的社會要求和基本原則。實際上，價值相關要素之間存在一定的緊張和矛盾。為推進價值論研究的深入，我們必須對這種復雜性進行認真的剖析。其中開展和重視規(guī)范價值的研究是這種矛盾的重要解決方式。寬度學習教育價值中的規(guī)范價值在于我們需要確保安全、有益和合理地使用這種技術，與此同時將道德原則和社會責任需要納入其規(guī)范價值范疇，確保人類正確使用寬度學習，維護自身合法利益。利用寬度學習處理教育大數(shù)據集意味著要考慮這些數(shù)據的道德規(guī)范。當利用寬度學習所挖掘的數(shù)據應用于解決教育問題或改進教學時，道德和隱私的基本問題始終應值得重點對待。只有這樣，才能確保個人合法權益的同時充分發(fā)揮大數(shù)據挖掘價值，帶動人工智能教育應用的健康發(fā)展。

因此，“要實現(xiàn)寬度學習規(guī)范價值，必須采取相關數(shù)據隱私保護手段”。一方面，可對包括寬度學習在內的人工智能技術應用制定與其發(fā)展相適應的相關行為準則或法律法規(guī)，保障人工智能應用中的安全隱私以及倫理問題。另一方面，需要對寬度學習應用的研究技術人員進行相關職責培訓，樹立規(guī)范，強化其責任意識，并扛起對社會進步發(fā)展使命擔當。

（四）智慧價值

智慧價值，也就是其內在價值，是相對于外在價值而言的?！八^內在價值，是指價值主體在選擇和創(chuàng)生自身價值過程中所生成的自利性價值”。智慧價值之所以重要，是因為它是對滿足主體需要的核心本質價值所在，只有意識到這一點，才能發(fā)揮其真正意義上的價值。此處寬度學習的智慧價值主要指的是寬度學習本身現(xiàn)實綜合意義所在。寬度學習教育價值之智慧價值在于其對教育主體的實質幫助，學習者可以通過人工智能獲得認知上的提升及對世界的綜合感知。在基于寬度學習的本體價值、工具價值和規(guī)范價值的認識基礎上，實現(xiàn)寬度學習的智慧價值乃是最終目標。當然，寬度學習與教育融合并不是簡單的數(shù)學相加，尋求寬度學習與教育融合的實現(xiàn)，更在于其產生的“化學反應”，這才是寬度學習在教育中的智慧價值所在。正如麻省理工學院前校長Charles Vest教授所說，“機器無法取代那些聰明且富有創(chuàng)造力的年輕人在高度敬業(yè)的教師陪同下一起生活和學習的魔力”。也就是說，寬度學習所帶來的人工智能教育的發(fā)展背景下，我們不能只是一個有用工具利用的參與者，更多的應該占據主導地位，引導人工智能前進。這也就是寬度學習教育價值之智慧價值的核心思想體現(xiàn)。

因此，要實現(xiàn)寬度學習智慧價值，必須堅持人機協(xié)同合作，充分發(fā)揮人的智慧和主導作用。為了更好地實現(xiàn)人機協(xié)作，教育主體可以通過繼續(xù)對寬度學習技術的研究，強化對下一代的知識教學，以及積極探索開發(fā)適應寬度學習技術的國際合作戰(zhàn)略，堅持其主導地位，促進寬度學習技術的進一步發(fā)展。

綜合寬度學習的四方面價值體現(xiàn)以及相對應的四條實現(xiàn)路徑的探究，我們相信通過堅持以人為本的理念來實現(xiàn)寬度學習的本體價值、借助教育數(shù)據挖掘來實現(xiàn)寬度學習的工具價值、規(guī)范數(shù)據隱私保護來實現(xiàn)寬度學習的規(guī)范價值以及維持以人為主導的人機協(xié)作來實現(xiàn)寬度學習的智慧價值這四條路徑，可構建一個完善的寬度學習視野下教育價值實現(xiàn)體系（如下圖所示）。

三、基于寬度學習的教育變革

寬度學習基于其豐富的教育價值內涵對于人工智能時代當下的意義無疑是肯定的，我們期待其在實現(xiàn)差異化教學、進行個性化學習、實施智能化服務、及時給予高效反饋等方面帶來重要的發(fā)展機遇，以實現(xiàn)寬度學習教育的深度融合，推動教育事業(yè)蓬勃發(fā)展。

（一）幫助教師實現(xiàn)差異化教學

寬度學習網絡通過機器對學生學習狀況數(shù)據特征提取和分析，可以幫助老師分析隱性的信息，及時掌握學生的情況，預測學生未來的學習發(fā)展趨向，為教師實現(xiàn)因材施教、為學生制定針對性指導計劃提供巨大的幫助。教師的工作應該具有創(chuàng)造性，而不應該被繁雜的功課批閱所占據大多時間。另一方面，由于人工批閱具有主觀性，也會對學生學習成果評價帶來影響。準確且合適的批閱和評價對學生學習發(fā)展來說就顯得尤關重要。將寬度學習運用于學生作業(yè)和試卷評閱，進行機讀網上操作優(yōu)化，無論在客觀題、還是主觀題上，都能給予對學生公平高效的成績和評價，真實反映學生的學習狀況，實現(xiàn)學習評價智能化、差異化，以便教師更好地安排其他工作。教師與學生之間的溝通在學習者的學習過程中也是很重要的。給予寬度學習的人工智能可以幫助教師及時準確回答學生的問題，帶動學生參與問題的分析和理解過程。這將會實現(xiàn)人機交互擬人化，為學生帶來真正一對一、面對面教學的體驗，提高學生對教師工作的理解和滿意度，彌補了教師精力和時間有限的現(xiàn)實情況。這樣，寬度學習技術就幫助了教師在保證教育規(guī)模的同時實現(xiàn)了差異化教學，真正做到了有教無類、因材施教。

（二）促進學生進行個性化學習

相關機構研究曾表明，人類共擁有70多種不同學習方法。而不同的人有不同的學習需求，需要應用不同的學習方法。因此，基于寬度學習的數(shù)據挖掘技術，可以讓機器對學生以往的學習狀況進行分析和挖掘，獲取學生的真實所需，診斷學生學習的薄弱環(huán)節(jié)，推薦相適應的學習方法，從而促進學生進行個性化學習。同時，學習者的背景復雜多樣，學習需求各不相同，學習進度、掌握知識的程度都各不相同，要針對不同學生進行針對性學習指導是非常困難的?；诮逃髷?shù)據，可以根據對學生的不同思維方式和學習特征進行分組，建立不同小組的個性化學習，促進小組內部之間合作，達到共同進步和有效學習的一種多贏有機互動局面;同時可以實現(xiàn)對不同學習者的學習背景進行數(shù)據上的測量與分析，利用有效的數(shù)據來歸納學習者所類屬的學習風格，以便進行學習者分類與提供學習者所需的個性化學習支持。

（三）推動學校實施智能化服務

教育管理者制定決策所依據的數(shù)據往往是通過傳統(tǒng)方式獲得的，這些數(shù)據通常是零散、靜態(tài)、不全面和滯后的，因此具有局限性。而基于數(shù)據挖掘而得到的數(shù)據往往是綜合了社會各個方面的結果，對于教育管理者進行分析和決策具有非常重要的指導意義，可以推進決策智能化。比如，SHERPA系統(tǒng)可以給予高等教育中的老師和學生提供個性課程設置化服務。主要包括將反饋信息提供給課程設計者，使他們能夠不斷改進教材，將根據學生個性特點和實際情況幫助學校課程咨詢專家解決學生課程選擇難題。此外，學校要想提升自身競爭力和服務能力，必須充分合理利用數(shù)據來做決策，給予意見，進行管理。因此，對教育大數(shù)據收集和準確分析就顯得尤為重要。目前大數(shù)據的采集來源渠道廣，但對數(shù)據的挖掘分析技術需要寬度學習系統(tǒng)的支持，以期為學習者、家長和教師等提供更有價值的信息和服務。美國教育科學院新研發(fā)的項目在學生和家長擇校的方面就很好地做到了這一點。這項名稱為高效導航（College Navigator）的學校推薦項目通過大數(shù)據智能分析，將美國7眾多高校的資源指標信息提供給學生，幫助學生進行合理理性擇校，找到最適合的大學。

（四）給予在線教育及時性反饋

網絡教育的飛速發(fā)展帶來的大量在線教育課程為學習者的學習帶來了便利。比如，備受推崇的慕課（MOOC）平臺能同時滿足數(shù)以萬計的學習者的需求，完全突破了傳統(tǒng)受教育環(huán)境的限制。慕課平臺在教學過程中依據大數(shù)據為學習者構建相應的學習模型，根據學習者的不同認知水平和基礎經驗等方面的評估進行相應課程的推薦和調整，實現(xiàn)大規(guī)模下的個性化教學。但是，由于平臺很多時候不能提供及時的反饋，造成學生留存率降低。因此，將寬度學習系統(tǒng)應用于在線教育數(shù)據的挖掘分析中，可以實現(xiàn)隨時隨地有效、快捷的答疑和反饋，這將在很大程度上提高學生的學習效率和學習成果，同時也優(yōu)化了在線教育教學的教學效果，為在線教育平臺的進一步發(fā)展提供了重要保障。

四、結語

教育是一個極其復雜的系統(tǒng)，對學生的學習行為和狀況進行科學的評價和精準的預測及干預是一項非常難的任務。而人工智能、機器學習和寬度學習等的出現(xiàn)為我們借助新興技術收集和分析教育大數(shù)據提供了可能。在大數(shù)據的幫助下，我們可以更好地做到不放棄每一個學生的個性，尊重每一個學生的真正潛能，實現(xiàn)真正意義上的教育公平。同時，即便要做到充分利用大數(shù)據所帶來的成果，將其運用到教師的教學和學生的評價之中，提升大數(shù)據挖掘的品質和效率，也不要忘了建立規(guī)范的數(shù)據挖掘和分析進程，尊重和保護學生的隱私。全球各國的實證經驗成果也告訴我們教育的智能變革愈發(fā)會成為教育現(xiàn)代化的一個重要方向，“數(shù)據挖掘分析變革教育”已成為新時代必不可擋的前進趨勢。教育研究者必須始終關注技術發(fā)展前沿動向，努力探索和應用新的技術。我們也必須向發(fā)達國家學習，加大對教育數(shù)據挖掘分析的投入，整合人力資源，將教育人工智能提升到國家發(fā)展戰(zhàn)略層面，以期能夠推進我國的教育現(xiàn)代化進程，改變傳統(tǒng)面貌，推動教育變革，實現(xiàn)跨越式發(fā)展。