人工智能在中考理化生實驗操作考試中的應用淺析

　　黃進 劉小林 李美英

　　2017年7月，國務院印發《新一代人工智能發展規劃》，指出人工智能已經成為國際競爭的新焦點、經濟發展的新引擎、社會建設的新機遇、不確定性發展的新挑戰，明確提出人工智能發展按2020年、2025年、2030年分三步走的戰略步驟及其戰略目標。

　　在人工智能時代發展的大背景下，人工智能教育新政層出不窮。2018年4月，教育部發布《教育信息化2.0行動計劃》，強調充分利用人工智能等新技術，構建全方位、全過程、全天候的教育支撐體系，助力教育教學、管理和服務的改革發展，提高教育管理信息化水平，優化教育治理能力，推動人工智能在教學、管理等方面的全流程應用。2019年11月，《教育部關于加強和改進中小學實驗教學的意見》(教基〔2019〕16號)發布，明確在2023年前要將實驗操作納入初中學業水平考試，考試成績納入高中階段學校招生錄取依據;在普通高中學業水平考試中，有條件的地區可將理化生實驗操作納入省級統一考試。2021年5月，中國教育裝備行業協會發布中國教育裝備行業團體標準《實驗操作考評系統技術規范》(T/JYBZ 013—2021)，明確將AI評分納入實驗操作考評技術體系，將AI評分的應用歷程按探索期、試用期和實踐期三階段穩步推進。這些都為人工智能技術在理化生實驗操作考試中的應用提供了政策依據和保障。

　　本文將分析中考理化生實驗操作考試的實施情況和面臨問題，探討人工智能應用于中考理化生實驗操作考試的解決思路、難點痛點和關鍵技術，為實現基于人工智能的中考理化生實驗操作考試、促進教育教學智慧化改革探索解決思路和實現路徑。

　　一、中考理化生實驗操作考試

　　(一)實施情況

　　2019年11月，教育部發布《關于加強和改進中小學實驗教學的意見》在此背景下，全國各省市陸續出臺政策文件，大力推動中考理化生實驗操作考試工作的組織實施。據不完全統計，2021年全國已有近20個省份或其地市出臺了理化生實驗操作考試實施細則，實施情況如表1所示，可以看出，有些是全省統一標準、統一組織實施，有些是省級出指導意見、地市組織實施;有些是理化生三科成績分別計分，有些是成績合并再處理后計分;有些是理化生三科擇優計分，有些是不滿足最低要求分數后倒扣分;大部分地市理化生三科分別按10分計分，單科計分最低是3分，最高達30分等。實施細則的多樣性體現了各省市對理化生實驗操作考試的高度重視和精心設計。

　　表1 2021年全國部分省市中考理化生實驗操作考試實施情況統計表

　　(二)問題分析

　　在全國各地中考理化生實驗操作考試持續全面鋪開的過程中，考評模式逐漸成為全社會關注的焦點。由于實驗操作考試與傳統筆試考試在評價方式、評價流程、評價內容、評價標準等方面截然不同，多年來既定的傳統筆試的考評模式已經不能滿足素質教育背景下實驗操作考試透明、高效的基本要求，主要體現在以下四個方面。

　　(1)監考師資需求量大。實驗操作考試主要以考試過程為依據，一般采用1位監考教師同時監考2位考生的模式，監考教師與考生比為1∶2。此外，實驗操作考試對監考教師的專業素質要求很高，一般不宜由非專業教師擔任監考人員。這些因素都導致施行實驗操作考試時會出現監考師資需求量大，難以均衡調配的問題。

　　(2)操作過程復現性難。實驗操作考試以操作過程為對象、以現場評價為手段，難以實現離線閱卷和成績審核;操作過程一般沒有記錄，實驗結果難以復現。目前，正在陸續推出以電子視頻為載體的方式留存操作過程并復現實驗結果，以支持成績評審、異議復核等保障措施，但實現基于評分標準的精準智能視頻采集、分割、存儲、查詢、分析、檢測和識別仍是亟待解決的問題。

　　(3)評價結果主觀性強。實驗操作考試重在評價學生操作細節的正確性和操作流程的規范性，具有過程性、主觀性、隨機性等特點，評價結果受考官主觀因素影響較大，難以確?？陀^公正。

　　(4)數據基座創新度高。實驗操作考試的基礎數據除包含少量考試報告、考務管理等紙質數據外，主要包含業務處理、統計分析和大量操作過程、實驗結果等數字數據，數字數據的類型以圖片、聲音、視頻等非結構化數據為主，形成了真正意義上的海量教育基礎大數據，是教育信息化和智慧化的數據基座，其構建和應用涉及人工智能、大數據、云計算等新一代關鍵核心技術的攻關和突破，對創新能力要求極高，不僅是系統研發和工程應用問題，更是科學研究和技術創新問題。

　　二、人工智能應用于實驗操作考試

　　(一)解決思路

　　面對實驗操作考試在評價方式、評價流程、評價內容、評價標準等方面存在的問題，全國各省市相繼出臺中考理化生實驗操作考試的指導意見，不約而同地提出采用創新技術手段確保實驗操作考試高效組織和客觀評價的重要性，人工智能成為解決實驗操作考試痛點、破局實驗教學改革困境的創新路徑。

　　人工智能(Artificial Intelligence，AI)簡單來說就是研究具有人類智能的人工系統的學科。具體來說，AI就是采用人工系統模擬人類行為過程和思維過程的學科。行為過程包括走、跑、跳等運動行為，視覺、聽覺、味覺、嗅覺、觸覺等感官行為，喜、怒、哀、樂等情緒行為，聚會、聯歡、結伴等社群行為等。思維過程包括學習、總結、思考、規劃、推理等。人類行為學和人類思維學本身就是兩門學科，內涵非常豐富，這也深刻反映出AI技術應用的復雜性和挑戰性。

　　采用AI解決實驗操作考評問題的基本思路是通過安裝在每位考生實驗操作區域的攝像頭，實時采集操作過程的視頻數據，基于深度學習和機器視覺對視頻數據進行處理和分析，實現操作過程的行為解譯，進而評價行為步驟細節與評分標準要求的符合度和偏離度，并給出定量評價結果，同時現場出具考評報告，實現實驗操作考試評價的準確性、實時性和智能性。這一過程需解決以下三個關鍵問題。

　　(1)攝像頭的配置。攝像頭必須能夠捕捉到考生實驗操作過程中的每一個操作細節，有些需要俯視拍攝，有些需要側視拍攝，有些需要水平拍攝，攝像頭的位置、角度、數量等直接決定了拍攝視頻的質量，另外，攝像頭的幀率、分辨率、工作模式等也是視頻數據有效性的重要因素。

　　(2)視頻數據的存貯。視頻數據是實驗操作考試的核心數據，具有數據量大、并發性高、安全性強等特點，需采用分布式存儲以確保數據安全。按照中國教育裝備行業協會團體標準《實驗操作考評系統技術規范》(T/JYBZ 013—2021)的要求，實驗操作考評系統采用三級物理架構，即考點級、地市級和省級，考點負責考務實施，地市負責組織管理，省級負責協調指導?？荚囋u分可以在考點分散進行，也可以由地市統一組織開展。視頻數據的存儲位置可以是考生終端、考點服務器或地市服務器，存儲方式可以是臨時存儲、周期存儲或永久存儲，傳輸方式可以是實時傳輸、定時傳輸或離線傳輸，需要支持數據災備、斷點續存、人工傳輸等功能。

　　(3)算法模型的部署。算法模型的部署與視頻數據的存儲方式相關，直接決定實驗操作考評系統的智算性能。算法可以部署在考生終端，采用端計算實現智能評分的實時性，此時需要配置帶算力芯片的攝像頭;算法模型可以部署在考點的邊緣設備上，采用邊緣計算實現智能評分的高效性，支持深度學習模型的動態訓練和更新;算法模型可以部署在地市或省級的云環境上，采用云計算實現智能評分的規模性、可靠性和安全性。

　　(二)難點痛點

　　采用AI解決實驗操作考評問題需要克服以下難點痛點。

　　(1)評分標準不一。相同實驗的評分標準，各地市存在差異，甚至較大差異，幾乎沒有兩個地市的評分標準是完全相同的，要么評分項數量不一致，要么評分項考點不一致，要么考點分值不一致，等等。AI算法需實現基于不同地市、不同評分標準的通用性和可擴展性。

　　(2)實驗數量較多。據不完全統計，中學物理、化學、生物實驗總共有200多個，其中比較重要的有50個左右，例如，測量小燈泡的電功率、高錳酸鉀固體制取氧氣、制作番茄果肉細胞臨時裝片等。AI算法需具有針對不同實驗的普適性。

　　(3)儀器類型多樣。據不完全統計，中學物理、化學、生物實驗涉及儀器1 000余種，如電流表、電壓表、滑動變阻器、試管、燒杯、漏斗、顯微鏡、放大鏡、玻片等。AI算法需實現針對不同儀器類型的準確識別。

　　(4)儀器型號繁多。對于同一種儀器類型，不同生產廠家的產品形態幾乎不會完全相同;即使是同一生產廠家，同一類型、不同型號儀器的產品形態絕大部分也不會相同。例如，物理實驗中常用的電流表，按測量電流量分有微安表、毫安表、安培表，按工作原理分有磁電式、電磁式、電子數字式，按工作方式分有豎式、平式等。

　　為了實現儀器的充分利舊，AI算法需要面向不同類型、不同型號的海量產品實現儀器的精準檢測或測數的精準識別，需要建立海量樣本庫，工作量巨大，且很難保證樣本庫的完備性。

　　(5)實驗步驟嚴謹。中學物理、化學、生物實驗的實驗步驟要求嚴謹，步驟與步驟之間大部分具有強時序性和強關聯性，操作不當輕則導致實驗失敗，重則可能導致人身傷害。例如，高錳酸鉀固體制取氧氣實驗，導管移出水面操作和熄滅酒精燈操作的時序性就非常重要。需全面考慮AI算法針對不同實驗步驟及其步驟組合的識別完備性和準確性。

　　(6)操作細節精準。中學物理、化學、生物實驗的操作細節要求精準，有些細節的精度要求達到毫米級。例如，使用量筒進行液體讀數時，要求液體凹液面與量筒刻度線相切;使用漏斗進行液體引流時，要求玻璃棒靠觸三層濾紙引流等。AI算法需要精準識別微觀操作，如液面相切與否、濾紙厚薄是否正確等操作。

　　(7)操作主觀性強。中學物理、化學、生物實驗的操作步驟存在較強的主觀性。為了達到相同的實驗目標，不同學生可能有不同的操作方法。例如，在探究電阻上的電流跟兩端電壓的關系實驗中，電流表、電壓表、定阻電阻、滑動變阻器、電池盒、開關等儀器的連接順序存在多種可能組合，需要依據實驗操作的靈活性實現AI算法針對不同實驗儀器及其關聯操作組合的識別完備性。

　　(三)關鍵技術

　　采用AI解決實驗操作考評問題的核心是實現基于深度學習和機器視覺的實驗操作過程行為解譯，技術思路是通過對實驗儀器、操作動作等樣本圖片的收集和處理，構建實驗樣本庫;然后基于深度學習模型提取樣本特征，構建樣本特征庫;隨后面向實驗操作過程視頻數據，采用機器視覺技術實現儀器、動作及其關聯行為的對象分割、目標檢測、運動跟蹤和行為識別，同時應用支持GPU集群和云計算環境的深度學習并行算法，最終實現操作過程的行為解譯。主要包括以下關鍵技術。

　　(1)實驗樣本庫構建。面對實驗操作考試存在實驗數量較多、儀器類型多樣、儀器型號繁多等問題，構建盡量完備的實驗樣本庫是實現行為解譯的基本前提。實驗樣本庫由包含實驗儀器及狀態、操作動作及狀態等的樣本圖片構成，可以來源于學校的現場采集，也可以來源于互聯網搜索。樣本除應包含真實實驗儀器、操作動作等的正樣本，還應包含相似(非真實)實驗儀器、操作動作等的負樣本。樣本不足時應采用樣本增廣技術補充樣本數量。樣本標注除采用常用的人工標注方法外，還應研究和應用自動標注技術，以提高樣本標注效率，減少工作量。實驗樣本庫應盡量做到類型齊全、型號完備和覆蓋全面。為盡量保證樣本庫的完備性，需要設計樣本庫動態更新機制。

　　(2)樣本特征庫構建。樣本特征庫是基于實驗樣本庫構建的、匯集各類樣本特征的數據集合。樣本特征庫構建需要經過特征選型、特征提取、特征分析、特征選擇、特征評估、特征優化等步驟，需要解決特征相關性分析及篩選、高低維特征空間的特征壓縮、分類器設計及優化等問題。特征可以選擇既有代表性特征，也可以設計自定義特征。自定義特征需要設計特征的信息粒及其?；硎?，設計適應深度學習模型的多層次?；Ｐ?、?；硎痉椒疤卣鞅硎痉椒?。

　　(3)深度學習模型。深度學習模型是構建樣本特征庫的關鍵技術。在研究面向實驗操作大數據的深度學習模型的基礎上，設計適應實驗操作場景知識的有標簽、無標簽、多標簽及其融合的數據訓練方法，構建基于有監督、無監督、半監督學習的最優網絡結構和訓練模型，研究和設計模型參數優化方法和多目標優化函數，探索具有多模態、多任務處理能力的跨模態特征學習和跨模型集成學習方法。

　　(4)機器視覺技術。機器視覺技術是實現實驗操作過程行為解譯的關鍵技術，包括對象分割、目標檢測、運動跟蹤、行為識別等。對象分割實現實驗對象的圖像分割，需要解決背景分離、遮擋區域建模、陰影、噪聲消除等關鍵問題，需要研究和設計高效的語義分割和實例分割算法。目標檢測實現檢測目標的識別和定位，需要解決多尺度檢測、關鍵點檢測、包圍框回歸等關鍵問題，需要考慮基于深度學習的目標檢測方法與經典目標檢測方法的結合。運動跟蹤實現操作動作等運動對象的軌跡檢測和位置預測，需要解決運動對象的遮擋、形變、雜斑等關鍵問題，需要研究和設計基于多攝像頭的多目標跟蹤方法。行為識別實現操作動作的行為理解，受場景狀況、行為對象、時空序列等因素影響很大，需要解決行為建模、行為分析、行為推理等關鍵問題，具有較大的復雜性和挑戰性。

　　(5)并行算法。實驗操作考試數據是教育基礎大數據，具有大數據的大量(Volume)、多樣(Variety)、高速(Velocity)、價值(Value)、真實(Veracity)的典型特點，同時，深度學習模型嚴重依賴算力資源，因此，并行算法是實驗操作考試數據智算的重要保障。需要針對GPU及其集群并行處理的機理和特點，分析和計算通信開銷，配置和優化資源負載，協調和統籌資源調度;需要針對深度網絡結構中多層次、多粒度信息融合的特點，解決多層次?；R轉換、多粒度時空信息抽取、深度模型參數交換等關鍵問題，研究和設計支持同步和異步并行模式的深度學習并行處理方法及其優化策略;需要針對云計算環境下大數據處理的特點，設計和開發支持多模態、多任務大數據處理的新型深度學習并行處理關鍵技術;同時，需要開展大規模性能測試以確保算法的有效性。

　　三、結語

　　人工智能被譽為第四次工業革命的技術皇冠，政府、社會、產業、行業對AI的共同認知和發展意志推動著千行百業開始或準備開始走上AI發展之路。當前，AI在實驗操作考試中的應用尚處于起步階段，全國還沒有完全采用AI進行正式考試的案例，走在創新應用前沿的上海、深圳等地仍采用教師評分作為主要考評手段，AI評分僅作為輔助手段在小范圍內開展試點。隨著國家的大力推動、行業的迫切需求和技術的迭代優化，相信在不久的將來，人工智能將會成為中考理化生實驗操作考試的主要手段，考務工作將實現工作人員少、效率高、成本低的智慧考務新模式，考試工作將呈現出無人化、智能化、實時化的智慧考試新場景。人工智能將為促進素質教育發展、完善教育教學改革開創出一條技術創新引領的教育智慧發展之路。

　　(作者單位：黃進，西南交通大學;劉小林，成都西交智匯大數據科技有限公司;李美英，廣東天智實業有限公司)