博文
段玉聪谈教育AI+新质生产力下的教育改革系列一
|
AI 驱动的课程需求分析与教学目标设定
（DIKWP 实践）
郭振东
段玉聪
人工智能 DIKWP 测评国际标准委员会
世界人工意识大会
世界人工意识协会
(联系邮箱：duanyucong@hotmail.com)
目录
《新一代人工智能发展规划》（以下简称《规划》）提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
把高端人才队伍建设作为人工智能发展的重中之重，坚持培养和引进相结合，完善人工智能教育体系，加强人才储备和梯队建设，特别是加快引进全球顶尖人才和青年人才，形成我国人工智能人才高地。
培育高水平人工智能创新人才和团队。支持和培养具有发展潜力的人工智能领军人才，加强人工智能基础研究、应用研究、运行维护等方面专业技术人才培养。重视复合型人才培养，重点培养贯通人工智能理论、方法、技术、产品与应用等的纵向复合型人才，以及掌握“人工智能+”经济、社会、管理、标准、法律等的横向复合型人才。通过重大研发任务和基地平台建设，汇聚人工智能高端人才，在若干人工智能重点领域形成一批高水平创新团队。鼓励和引导国内创新人才、团队加强与全球顶尖人工智能研究机构合作互动。
加大高端人工智能人才引进力度。开辟专门渠道，实行特殊政策，实现人工智能高端人才精准引进。重点引进神经认知、机器学习、自动驾驶、智能机器人等国际顶尖科学家和高水平创新团队。鼓励采取项目合作、技术咨询等方式柔性引进人工智能人才。加强人工智能领域优秀人才特别是优秀青年人才引进工作。完善企业人力资本成本核算相关政策，激励企业、科研机构引进人工智能人才。
智能教育。利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系。开展智能校园建设，推动人工智能在教学、管理、资源建设等全流程应用。开发立体综合教学场、基于大数据智能的在线学习教育平台。开发智能教育助理，建立智能、快速、全面的教育分析系统。建立以学习者为中心的教育环境，提供精准推送的教育服务，实现日常教育和终身教育定制化。
开展普及教育。鼓励、支持高校相关教学、科研资源对外开放，建立面向青少年和社会公众的人工智能科普公共服务平台，积极参与科普工作；支持高校教师参与中小学人工智能普及教育及相关研究工作；在教师职前培养和在职培训中设置人工智能相关知识和技能课程，培养教师实施智能教育能力；在高校非学历继续教育培训中设置人工智能课程。
推进智能教育发展。推动学校教育教学变革，在数字校园的基础上向智能校园演进，构建技术赋能的教学环境，探索基于人工智能的新教学模式，重构教学流程，并运用人工智能开展教学过程监测、学情分析和学业水平诊断，建立基于大数据的多维度综合性智能评价，精准评估教与学的绩效，实现因材施教；推动学校治理方式变革，支持学校运用人工智能技术变革组织结构和管理体制，优化运行机制和服务模式，实现校园精细化管理、个性化服务，全面提升学校治理水平；推动终身在线学习，鼓励发展以学习者为中心的智能化学习平台，提供丰富的个性化学习资源，创新服务供给模式，实现终身教育定制化。
作为引领新一轮科技革命和产业变革的重要驱动力，人工智能催生了大批新产品、新技术、新业态和新模式，也为教育现代化带来更多可能性。国务院印发的《新一代人工智能发展规划》，明确利用智能技术加快推动人才培养模式、教学方法改革；教育部出台《高等学校人工智能创新行动计划》，并先后启动两批人工智能助推教师队伍建设试点工作；中央网信办等八部门联合认定一批国家智能社会治理实验基地，包括19个教育领域特色基地，研究智能时代各种教育场景下智能治理机制；科技部等六部门联合印发通知，将智能教育纳入首批人工智能示范应用场景，探索形成可复制、可推广经验……“人工智能+教育”不断碰撞出新的火花，为教育变革创新注入强劲动能。
一些研究者认为人工智能教育即人工智能赋能教育，主要指向人工智能的应用层面，又称为人工智能+教育、人工智能化教育、人工智能教育应用、教育人工智能等。还有一些研究者认为人工智能教育是人工智能课程教学，主要指向人工智能的学习层面，又称为人工智能专项教育、人工智能专题教育、人工智能学科教育等。此外，人工智能教育将以上两类观点进行整合，即人工智能教育既包含人工智能赋能教育，又包括人工智能课程教学，实现学习层面与应用层面的统一与融合“，如下图所示。根据已有研究者的研究成果，将人工智能教育应用界定为:借助智能感知、教学算法等技术，以精准干预、规模化教学、个性化学习等为基本教学策略，培养学习者的智能素养，实现教育高绩效、构建智能教育新生态等目标。人工智能课程教学，主要是指利用教育科普、课堂教学、专业建设等形式对学习者进行人工智能知识教育、应用能力教育、情意教育等，全面提升学习者的人工智能素养，为社会培养人工智能领域的高级人才。
智能教育核心问题是数据、信息、知识的互联互通，具体如下：
l 传统的DIKW模型在数字资源管理中具有主观性和模糊性，难以满足客观决策和判断的需求。如何将DIKWP概念客观化，建立明确的语义模型和规则？
l 不完整、不精确、不一致的DIKWP资源对决策系统提出挑战，传统方法难以应对这种不确定性。如何实现DIKWP融合的弹性处理，以适应 不同资源情况？
l 人工智能系统的可解释性和可信度问题一直是该领域内备受关注的核心议题，如何深入理解用户的意图，提高决策的可解释性，同时确保决策的可信、可靠？
l 如何为数字资源的管理和利用提供伦理和道德的引导？
定义：数据(DIKWP-Data)的语义可视为认知中相同“语义”的具体表现形式。在概念空间中，数据概念做为一个概念代表着具体的事实或观察结果在概念认知主体的概念空间中的存在语义确认，并通过与认知主体的意识空间（非潜意识空间）与已有认知概念对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。
数据的数学化表示：
将特定数据的语义D对应集合，每个元素 d∈D 代表一个具体实例，这些实例共享相同或概率性近似相同的语义属性集合S。语义属性S为一组特征语义集合F来定义，即：
其中，fi表示数据的一个特征语义。D={d∣d共享S}。
在DIKWP模型中，数据概念与数据语义的区分是认知空间的认知过程向概念空间与语义空间的处理过程转换的基础，数据概念和数据语义将具体代表对世界的基本观察和事实的认知数据对象。这一转换的关键在于数据被认知并被概念化背后的“相同语义”，即数据概念元素之间共享的语义属性。在认知空间中的数据认知对象作为认知过程的基础，不再被不区分概念空间和语义空间中的具体对应而直接代表对现实世界观察和测量的结果，而是被进行明确的概念确认和语义对应处理，在这一个过程中也区分了主观内容与客观内容的范畴，这一定义不同于传统DIKW模型中对数据的粗糙理解，强调数据与特定语义属性的紧密关联。即对数据对象的认知不仅是被动记录，更是认知主体的认知活动中主动寻找与已知认知对象相匹配的语义特征的主观过程。这种视角强调了数据的主观性和上下文依赖性，指出数据的认知价值在于其能够与认知主体的已有概念空间进行语义关联。
在DIKWP模型中，来自认知空间的数据认知对象的语义被视为认知过程中认知主体的语义空间中被识别与之相同语义的具体表现形式。这种定义强调了数据做完认知对象不仅仅是观测或事实的简单记录，而是面向概念空间和语义空间需要通过认知主体（如人或AI系统）对这些认知对象数据记录进行语义匹配和概念确认的结果。数据概念确认的关键在于它们背后认知主体概念空间与语义空间共享的“相同语义”，这使得即使在外在特征上存在差异的情况下，特定认知对象也能被归纳为同一数据概念。
数据概念在DIKWP模型的概念空间中被视为认知过程中的基本概念单位，数据语义在DIKWP模型的语义空间中被视为认知过程中的基本语义单位，数据概念和数据语义是对现实世界的直接观察和记录的认知过程中的核心要素，从数据语义的认知到数据概念的确认对基于概念的符号化自然语言的产生、应用和处理起到了重要作用。数据概念通过共享相同的语义属性而被认知主体的意识功能或潜意识功能识别和分类。在认知科学中，认知主体的大脑乃至脊髓等物质部分如何通过潜意识的模式识别来理解和处理信息，并可以进行有意识的分析和形成解释。例如，当人们观察到不同的物体时（如苹果），即使它们的颜色、大小或形状有所不同，人们也能在潜意识的模式识别中识别它们都是苹果，通过认知主体有意识的分析，可以解释为它们共享了一组关键的语义属性（如形状、纹理、特定的功能等）。这种认知过程揭示了认知主体的认知系统如何利用语义空间的数据的相同语义来构建对世界的自然语言概念表述。
在DIKWP框架中，数据作为概念被视为认知过程中相同语义的具体概念映射。这一观点突破了传统的数据概念中对语义和概念不加区分的混淆使用场景，将概念空间中数据概念的形成与存在与语义空间中认知主体的语义处理过程紧密联系起来。即，数据概念的认知价值不在于其对应的物理形态或功能，而在于在认知主体的认知空间中，它如何与认知主体已有的知识体系进行跨越“概念空间”与“语义空间”产生联系，进而被识别并确认为具有特定语义的对象或概念。从个体意识和群体意识交互的视角看，数据与认知主体之间的互动本质就是基于潜意识或下意识的语义空间与概念空间的交互，数据概念作为一种相同语义集合的具体对应或者概率性近似有着其在工程意义上作为特定语义集合的符号化表达的认知沟通效率优势。
定义：信息(DIKWP-Information)作为概念对应认知中一个或多个“不同”语义。信息概念的信息语义指的是通过特定意图概念或意图语义将认知主体的认知空间中的DIKWP认知对象与认知主体已经认知的DIKWP认知对象在语义空间进行语义关联，借助认知主体的认知意图在认知空间形成相同认知或差异认知，由差异认知在语义空间经过“不同”语义的概率性确认或逻辑判断确认等形成信息语义，或在语义空间产生新的语义关联。
信息语义处理的数学化表示：
在语义空间，面向DIKWP内容的由意图驱动的信息语义处理FI，对应从输入X到输出Y的处理形式：
其中X表示数据语义、信息语义、知识语义、智慧语义、意图语义的集合或组合（也即DIKWP内容语义），而Y表示产生的新的DIKWP内容语义集合或组合。这个映射强调了信息语义生成过程的动态性和构造性。
信息语义在DIKWP模型中对应认知中各种不同语义的表达。借助认知主体 的认知意图，信息语义通过将数据、信息、知识、智慧或意图对应的语义与认知主体的现有认知对象联系起来，产生新的语义集合或组合。在认知空间中，这个过程不仅包括对已知DIKWP内容的重新语义组合和语义转化（包括语义连通等形成所谓的认知理解），还对应通过这种重新组合与转化产生新的DIKWP认知语义和持续形成认知理解的动态过程。
信息语义的生成是关于如何将不同的数据语义、信息语义、知识语义、智慧语义或意图语义的集合或组合通过认知主体特定的意图联系起来，从而在认知主体的认知空间确认达到所谓的认知理解的过程，对应认知主体在语义空间形成对断裂或缺失或不确定的语义联系借助生成的信息语义进行了语义的关联、补充、判断，从而实现消除源自语义不确定性的认知不确定性的意图。这个过程涉及到将观察到的现象或认知输入内容与已有的DIKWP内容经由认知空间在语义空间进行关联、比较和概念对应等，进而借助某些不同语义识别和分类新的DIKWP内容。在AI中，这可以对应于认知理解形成解释和处理DIKWP内容之间的关系，如通过算法分析DIKWP内容间的相关性，从而提取有价值的信息语义。
信息语义处理是一个动态的认知过程，关注于如何通过认知主体的主观意图将DIKWP内容语义与认知主体的现有认知对象DIKWP内容语义联系起来，从而产生有价值的语义关联。信息的价值在于成为连接数据、信息、知识、智慧、意图的桥梁，揭示认知主体对DIKWP内容的语义关联。
在认知科学中，信息语义处理可以借助各种认知理论来进行解释，例如，概念集成理论（Conceptual Integration Theory）来进一步解释，说明如何通过将不同来源的信息融合到一起，形成新的意义和理解。再如，可通过将某个人的行为（DIKWP内容语义）与特定的情境信息结合起来，进而对该行为的意图有更清晰的理解。
信息的语义关联与认知语言学中的隐喻理论（Metaphor Theory）和混合理论（Blending Theory）等有关，它们研究如何通过语言的隐喻和概念整合来创建新的意义。在AI系统中，这涉及到如何设计算法以模拟人类如何通过现有DIKWP内容语义构建新的认知模型。
信息语义产生过程是DIKWP内容语义与DIKWP内容语义关联，也即DIKWP*DIKWP语义交互的结果。这个过程不仅包括DIKWP内容语义的重组或重新解释，更是一个动态的、意图驱动的认知活动，通过这个活动，认知主体能够识别和理解新的模式和关联，从而扩展其认知边界。信息语义产生是构造性和动态性的，通俗的讲是通过对DIKWP内容进行解释或语义连接而生成的。
信息在哲学上被视为DIKWP内容的组织和解释，通过构建DIKWP内容之间的语义关系来生成新的语义。通过信息语义处理过程，认知主体能够识别和理解现象之间的联系和差异。信息语义的产生涉及到认知主体的主动参与，它是一种对DIKWP内容进行语义化处理的动作，反映了认知主体对现实世界的解读。信息作为认知中不同语义的表达，其哲学意义在于信息的生成和处理过程实质上是对世界多样性和复杂性的认识和理解。信息语义不仅仅是DIKWP内容语义的聚合或重组，更是一种新的语义关联的创造，反映了认知主体对世界的主动探索和解释。这种解释过程涉及到对现象深层次联系和内在逻辑的挖掘，是一种对世界更深刻理解的追求。转移到另一种更深层次的理解。
定义：知识(DIKWP-Knowledge)概念的语义对应于认知空间中的一个或多个“完整”语义。知识概念的语义是认知主体借助某种假设对DIKWP内容进行语义完整性抽象活动,获得的对认知对象DIKWP内容之间语义的理解和解释。
知识语义处理的数学化表示：
知识K为语义网络，其概念空间的数学表示如下：
其中N={n1, n2, … , nk}表示概念的节点集合，E={e1, e2, … ,em}表示这些概念之间的关系的集合，A={AD, AI, AK}表示。
知识是对DIKWP内容从不理解对应的状态到理解对应的认知状态转化的基于完整语义的桥接，通过验证强化对知识的确认。知识的构建不仅依赖于数据和信息的积累，更重要的是通过认知过程中的抽象和概括，形成对事物本质和内在联系的所谓理解。知识的存在不仅体现在个体层面，也体现在集体或社会层面，通过文化、教育和传承等方式进行共享和传播。
知识语义是对DIKWP内容进行深度加工和内化后形成的结构化认识（在概念空间内并借助“完整”语义与语义空间对应）。知识在DIKWP框架中的定义，反映了对世界的深入理解和完整语义的把握。这与亚里士多德关于形式原因的概念相呼应，即事物的本质和目的是可以通过理性和经验来探索和理解的。
每个知识规则的形成在DIKWP模型中代表认知主体对事物内在规律和本质的认知把握。从哲学的角度看，知识不仅是认知过程的产物，更是这一过程的目的和指导。知识的形成和应用体现了认知主体对世界的适应和改造，是对现实世界深层次规律的语义空间理解。
定义：智慧(DIKWP-Wisdom)概念的语义对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的，相对于当前时代的相对固定的极端价值观或者个体的认知价值观对应的信息语义。
智慧语义处理的数学化表示：
智慧W为决策函数关联数据、信息、知识、智慧和意图，并输出最优决策D*：
这里，W是一个决策函数，根据数据、信息、知识和智慧来产生最优决策D∗，这种描述强调了决策过程的综合性和目标导向性。
智慧概念在DIKWP模型中被看作是基于人类整体核心价值观的综合体现，它结合了伦理、社会道德和个体价值观的考虑。智慧不仅仅是数据、信息、知识的应用，更是在决策过程中对各种因素（包括道德和伦理）的全面考虑和平衡。
智慧语义处理涉及将数据、信息、知识结合个体或集体的价值观、伦理道德观念来做出判断和决策。在AI领域，智慧语义处理对应于发展高级决策人工意识系统或者伦理AI，这些系统能够在以人为本的原则下考虑多方面因素的基础上，提供更加智慧和符合道德标准的解决方案。
在认知科学领域，智慧语义处理对应从人类整体发展出发的价值系统、道德判断以及社会情境下的DIKWP内容语义处理过程。智慧内容不是DIKWP内容的积累，而是关于如何在复杂和不确定的环境中基于以构建人类命运共同体的愿景基于以人文本的固定的信息语义，从认知空间出发在语义空间进行DIKWP语义内容的处理做出符合乃至促进以人为本的DIKWP语义内容的处理。例如，面对气候变化，智慧的应用涉及到利用认知主体对环境科学的理解（知识），评估不同行动方案（知识）的长期和短期后果（信息），并在考虑伦理和社会责任（智慧）的基础上做出决策（信息）。
认知主体的智慧和社会群体的智慧的形成不仅依赖于认知个体和认知群体的DIKWP内容语义认知能力的融合发展，还涉及到个体对其所处环境、文化背景和社会关系等对应的DIKWP内容的交互、深入理解和反思。DIKWP模型将智慧视为决策过程中的关键因素，涉及伦理、道德和价值观的考虑，强调了数据、知识和信息在实际应用中与价值取向的必然联系，提醒认知主体认知过程不仅仅是对真理的追求，更是基于对人类整体美好生活方式的探索的前提。这部分对应了亚里士多德对“实践智慧（Phronesis）”的探讨，即如何在特定情境下做出最好的道德判断和决策。
定义：意图(DIKWP-Purpose)概念的语义对应二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的语义内容。意图语义代表了利益相关者对某一现象或问题的DIKWP内容语义的理解（输入），以及希望通过处理和解决该现象或问题来实现的目标（输出）。
意图语义处理的数学化表示：
其中输入和输出是数据、信息、知识、智慧或意图的内容语义。处理意图语义时，一系列转换函数T，根据输入内容和预设目标，实现从输入到输出的语义转化：
这种表示方法突出了过程的动态性和目标导向性，为理解和设计具有特定目标的认知处理过程提供了数学模型。
意图代表了认知过程的目的性和方向性，它是个体或系统行动的驱动力。意图不仅定义了从当前状态到期望状态的转换路径，而且揭示了认知活动的动力和方向。这种目标导向的认知过程强调了认知主体在处理信息时的主动性和创造性，以及认知活动背后的深层动机和目标。意图概念强调了在认知空间进行的是目标导向的认知过程，即认知主体在处理信息时不仅仅是被动接收，而是有着明确的目标和意图，这决定并驱动了它如何理解和操作数据、信息、知识、智慧和意图等DIKWP语义内容。意图不仅指导认知主体对数据、信息的收集和处理，还影响知识的形成和应用，以及智慧的发展和实践。
意图的概念引入了目的论的视角，即认知活动不是无目的的数据处理，而是为了实现某种目标或满足某种需要。在DIKWP框架中，意图的加入不仅丰富了模型的动态性，也强调了认知活动的目的性和主观性。这意味着在认知过程中，认知主体不是被动地接收和处理DIKWP语义内容，而是在语义空间基于特定的目标和意图主动地寻找、选择和解释DIKWP语义内容。
意图驱动提供了一个从动态和目标导向的角度来理解认知活动的框架，这与认知语言学中的行动理论（Action Theory）相关，使得DIKWP模型不仅能够解释已有的认知现象，还能指导未来的认知活动，为实现特定目标而优化认知策略和行为。DIKWP模型中的意图驱动方式强调了认知主体的认知过程的目的性和动态性。它关注于从一种状态转移到预期状态的过程，这一过程中包括了目标的设定和达成路径的规划。在AI系统中，意图识别和目标导向的行为设计是实现智能行为的关键要素，如在自然语言处理（NLP）中理解用户的查询意图，或在规划算法中设定和优化目标达成的路径。在人工意识研究中，理解和模拟人类的意图识别和目标导向行为是实现高级认知功能的关键。
从哲学的视角来看，意图不仅仅是行动的预设目标，更是个体存在和行为的根本动因。意图体现了个体的自由意志和对未来的设想，它是个体与世界互动的内在动力。意图的存在强调了认知活动的主体性和创造性，揭示了人类行为背后的深层意义。这不仅与亚里士多德的终因说相对应，他认为所有事物的存在都有其目的或终极原因，更与黑格尔的目的性观念和存在主义哲学中的自由意志观点相呼应。在黑格尔哲学中，现实的动力来自于对立的统一，即通过目的性行为的实现过程中的自我实现和自我否定。而在存在主义中，强调个体的选择和意图对其存在的决定性作用。DIKWP模型中的意图维度，体现了认知活动不仅是对外部世界的反应，更是主体基于自身目的和价值观进行主动构建的过程。
5*5 DIKWP转换矩阵为分析和理解以下组件的认知功能提供了一个系统框架：数据（D）、信息（I）、知识（K）、智慧（W）和意图（P）该矩阵并不强制执行线性路径，但承认每个组件与任何其他组件直接交互的潜力，说明了认知处理的动态和复杂性质。
该矩阵由25个可能的变换组成，每个变换表示从一个组件（行）到另一个（列）的转换。矩阵中的每个单元都可以通过转换函数来描述，该函数定义了数据如何从其原始状态转换到受认知处理影响的目标状态。
行：表示转换的起始组件。
列：表示转换的目标组件。
数据到信息（D→I）
转换：对原始的感官输入进行处理，形成有意义的模式。
示例：乌鸦看到一种颜色（数据）并将其识别为信号（信息）。
信息到知识（I→K）
转换：将重复的关系信息合成模型或概念。
示例：章鱼从反复的互动中了解到，某些空间与不适有关（知识）。
知识到智慧（K→W）
转变：运用所学知识做出谨慎的决定或解决问题。
例如：大象利用其对人类行为的理解（知识）来驾驭复杂的社会互动（智慧）。
智慧到意图（W→P）
转变：智慧影响基于伦理、道德或生存考虑的目标或目的的设定。
示例：黑猩猩利用其对群体动力学（智慧）的理解来影响其在群体中的作用（意图）。
意图到数据（P→D）
转变：目标和意图为新的数据收集或观察奠定了基础。
示例：研究人员根据正在测试的假设设置特定的实验条件（意图影响所收集的数据）。
D | I | K | W | P | |
D | D→D | D→I | D→K | D→W | D→P |
I | I→D | I→I | I→K | I→W | I→P |
K | K→D | K→I | K→K | K→W | K→P |
W | W→D | W→I | W→K | W→W | W→P |
P | P→D | P→I | P→K | P→W | P→P |
该矩阵中的每个单元都封装了一个潜在的转换，不仅显示了直接的线性进展，还显示了反馈循环和复杂的相互作用，例如影响知识的数据收集或意图重塑智慧。
该矩阵是研究人员在详细研究人类和其他动物的意识和认知行为时绘制认知过程及其相互作用的工具。通过理解这些转变，我们可以更好地理解实体是如何基于认知能力感知、反应和操纵环境的，超越了简单的行为主义解释。
这种全面的方法可以更深入地了解意识的认知结构，有助于开发更复杂的人工智能模型，更好地理解生物体的神经过程。
数据结构是计算机科学中的一个重要概念，它指的是在计算机中存储、组织和管理数据的方法。数据结构可以分为线性结构（如数组、链表）和非线性结构（如树、图）。不同的数据结构有不同的特点和用途，例如数组适合于快速访问元素，而链表则更适合插入和删除操作。
数据结构的重要性主要体现在以下几个方面：
首先，数据结构是算法的基础。算法是对问题求解过程的形式化描述，而数据结构则是实现算法所必需的工具。没有合适的数据结构，就无法有效地实现某些算法。
其次，数据结构对编程语言的影响很大。不同的编程语言支持不同种类的数据结构，例如C++支持数组、指针、链表等多种数据结构，而Python则内置了列表、元组、集合等多种数据类型。掌握多种数据结构可以使程序员更加灵活地使用各种编程语言。
最后，数据结构也是许多其他计算机科学领域的基础。例如，在数据库领域中，索引就是一种常用的数据结构；在图形学领域中，图是一种常见的数据结构；在人工智能领域中，决策树也是一种常用的数据结构。
综上所述，数据结构在计算机科学中起着至关重要的作用。只有掌握了合适的数据结构，才能更高效地编写出高质量的代码。因此，在进行课程需求分析时，了解数据结构的重要性是非常有必要的。
传统数据结构教学通常以教师为中心，强调理论知识的传授，忽视了实践能力和创新思维的培养。具体来说，传统数据结构教学存在以下问题：
知识点讲解过于抽象：传统数据结构教学往往注重理论知识的讲解，忽略了实例演示和实践操作，导致学生难以理解和掌握复杂的算法和数据结构。
缺乏项目案例：传统数据结构教学往往缺乏实际项目案例的支持，学生很难将学到的知识应用到实际场景中去，从而影响了他们的实践能力。
线上资源不足：随着互联网的发展，越来越多的学生开始依赖线上资源进行自学。然而，传统数据结构教学往往缺乏优质的线上资源，导致学生难以找到合适的资料进行深入学习。
没有人工智能技术的应用：随着人工智能技术的发展，越来越多的教育机构开始尝试将其应用于教学过程中。然而，传统数据结构教学往往没有融入人工智能技术，导致学生无法体验到最新的教学方式和工具。
在当前的教育环境下，个性化教学、适应性教学和精准化评估的需求越来越受到重视。为了满足这些需求，一种基于DIKWP（数据、信息、知识、智慧、意图）模型的教学设计优化方法应运而生。该方法通过使用DIKWP模型来模拟教学过程，旨在实现个性化教学、适应性教学和精准化评估，从而缩小学生和教师之间的认知差距。
首先，让我们详细了解一下DIKWP模型及其各个组成部分：
数据（Data）：这是教学设计优化方法的基础，包括有关学生、课程、教师和其他相关因素的各种信息。这些数据可以通过多种方式收集，例如问卷调查、测试结果、观察记录等。
信息（Information）：这是对数据的解释和组织，以便于理解和使用。信息可以从数据中提取出来，用于识别模式、趋势和关系。
知识（Knowledge）：这是对信息的深度理解和综合，通常涉及概念、原理和理论。知识可以帮助我们做出明智的决策并解决复杂的问题。
智慧（Wisdom）：这是对知识的应用和扩展，涉及到经验和洞察力。智慧允许我们在面对新挑战时创造性地思考和行动。
意图（Purpose）：这是指我们的目标或目的，是我们采取行动的原因。意图可以驱动整个DIKWP链条的转换，确保教学活动符合既定的教育目标和学生个体发展的需求。
接下来，我们将探讨如何使用DIKWP模型来优化教学设计：
1. 收集和分析数据
在教学设计的初始阶段，教师需要收集大量关于学生、课程和教师的数据。这些数据可以来自多个来源，包括学生档案、考试成绩、课堂参与度、反馈表等。一旦收集到足够的数据，教师就需要对其进行分析，以确定学生的优点、缺点和潜在的学习障碍。
2. 转换数据为信息
数据分析完成后，教师需要将数据转换为有用的信息。这意味着要将原始数据整理成易于理解和使用的格式。例如，教师可能会创建图表或报告，显示学生在不同科目上的表现，或者比较不同班级的成绩分布。
3. 构建知识库
有了丰富的信息后，教师可以开始构建自己的知识库。这包括熟悉学科领域的最新发展、掌握有效的教学方法和技术、了解学生的学习风格和需求等。通过持续学习和反思，教师可以不断完善自己的知识库，使其成为教学设计的重要参考。
4. 应用智慧
在拥有充足的知识储备后，教师需要学会如何灵活运用它们。这要求教师具 有一定的创造力和判断力，能够在复杂的教学情境中找到最佳解决方案。例如，当遇到难以理解的概念时，教师可以尝试使用不同的比喻或实例来解释；当学生表现出厌倦情绪时，教师可以设计有趣的活动来激发他们的兴趣。
5. 明确意图
最后，教师需要明确自己的教学意图。这包括确定希望学生获得哪些技能和知识、期望他们在未来取得什么样的成就等。明确的意图不仅可以指导教学设计的过程，还可以激励教师不断改进自己的教学方法，以实现更好的教学效果。
总之，DIKWP模型提供了一种全面的方法来优化教学设计。通过收集和分析数据、转换数据为信息、构建知识库、应用智慧和明确意图，教师可以更好地理解学生的需求，制定个性化的教学计划，并进行精准的评估。这样做的好处是可以缩短学生和教师之间的认知差距，增强教学的有效性和针对性，从而提高整体的教学质量。
在实际教学中，教师会不断地重复这个循环过程。教师会根据学生的表现和反馈调整教学策略，收集新的数据，再将数据转换为信息，以此为基础更新知识库，运用智慧创造性的解决问题，最终实现教学目标。
整个循环过程形成了一个动态的整体框架，教师可以根据学生的需求和变化灵活调整教学策略，确保教学活动符合既定的教育目标和学生个体发展的需求。
通过使用DIKWP模型，教师可以更好地理解学生，制定个性化的教学计划，并进行精准的评估。这样做的好处是可以缩短学生和教师之间的认知差距，增强教学的有效性和针对性，从而提高整体的教学质量。
因此，DIKWP模型提供了一个全面的方法来优化教学设计。通过收集和分析数据、转换数据为信息、构建知识库、应用智慧和明确意图，教师可以更好地理解学生的需求，制定个性化的教学计划，并进行精准的评估。这样的教学设计优化方法有助于实现个性化教学、适应性教学和精准化评估，从而改善教育质量和效率。
栈是一种重要的数据结构，它遵循后进先出（LIFO）的原则，广泛应用于计算机科学和编程中。在许多算法和程序设计中，栈都扮演着关键的角色，比如函数调用、表达式求值、括号匹配等。因此，理解栈的特性和操作对于程序员来说至关重要。
在教学过程中，教师可以利用DIKWP模型来逐步引导学生认识和掌握栈的各个方面。下面是五个维度（数据、信息、知识、智慧、意图）与五个转换步骤的对应关系：
数据(Data)到信息(Information):
日志数据→关键事件：教师可以收集学生在学习栈的过程中产生的日志数据，从中提取关键事件，如错误类型、时间花费等。
数字→算法的平均运行时间：通过实验和测试，计算不同栈操作的平均运行时间，让学生了解性能差异。
信息(Information)到知识(Knowledge):
栈操作的文本→算法：将栈的操作描述转化为具体的算法实现，帮助学生理解其实现细节。
栈的定义→栈操作：从抽象的定义过渡到具体的操作，如入栈和出栈。
知识(Knowledge)到智慧(Wisdom):
数据结构的知识→编成手册：编写文档或教程，将栈的知识整理成便于查阅的手册。
栈的实现→教学示例：通过实际的例子展示栈的使用场景和功能。
智慧(Wisdom)到意图(Purpose):
资深程序员的经验教训→编写文档：分享资深程序员的经验，编写实践指南。
编程智慧→实践指南：将编程技巧归纳总结，形成可操作的实践建议。
意图(Purpose)的实现:
开发新功能→用户需求数据：根据用户需求开发新功能，收集反馈数据。
利益相关者意图→项目计划书或需求说明：明确项目目标，编写需求文档。
数据(Data)到意图(Purpose)的反向转换:
用户偏好→产品开发方向：根据用户偏好调整产品开发方向。
栈溢出问题→选择适当的栈大小或数据结构：针对问题，选择合适的解决方案。
信息(Information)到意图(Purpose)的反向转换:
解决实际问题→应对新问题能力：通过解决实际问题，锻炼学生应对新问题的能力。
栈在函数调用→优化递归函数：利用栈的知识优化递归函数的设计。
知识(Knowledge)到意图(Purpose)的反向转换:
解决复杂问题→利用数据结构知识：利用栈的知识解决更复杂的问题。
数据结构特性→研究其他高级特性：拓展对数据结构的研究，探索更多高级特性。
智慧(Wisdom)到意图(Purpose)的反向转换:
个人的持续学习→多元的文化和知识体系：通过持续学习，丰富个人的知识体系。
利用数据结构→设计新的算法：利用栈的知识设计新的算法。
意图(Purpose)到智慧(Wisdom)的反向转换:
新知识→个人内心的反思：将新学到的知识内化为个人的智慧和反思。
完整的5*5DIKWP教师认知分析如下：
维度 | 数据 (Data) | 信息 (Information) | 知识 (Knowledge) | 智慧 (Wisdom) | 意图 (Purpose) |
数据 (Data) | 日志数据→ 关键事件 | 数字→算法的平均运行时间 | 入栈和出栈操作→栈的后进先出 | 栈溢出问题 →选择适当的栈大小或数据结构 | 用户偏好→ 产品开发的方向 |
信息 (Information) | 栈操作的文本→算法 | 栈的定义→ 栈操作 | 栈的文章→ 新的实现技巧 | 解决实际问题→应对新问题能力 | 栈在函数调用→优化递归函数 |
知识 (Knowledge) | 数据结构的知识→编成手册 | 栈的实现→ 教学示例。 | 对栈的基本操作（push, pop）→数组和链表的不同实现方式。 | 解决复杂问题→利用数据结构知识。 | 数据结构特性→研究其他高级特性。 |
智慧 (Wisdom) | 资深程序员的经验教训 →编写成文档。 | 编程智慧→ 实践指南。 | 智慧的传播和学习→新的知识体系。 | 个人的持续学习→多元的文化和知识体系。 | 利用数据结构→设计新的算法。 |
意图 (Purpose) | 开发新功能 →用户需求数据。 | 利益相关者意图→项目计划书或需求说明书。 | 实现一个高效的数据结构→需要深入了解算法理论。 | 问题解决和经验积累→ 个人或团队的智慧。 | 新知识→个人内心的反思。 |
在学生尚未接触数据结构课程之前，他们对栈结构的认知处于初级阶段。以下是如何通过DIKWP模型逐步引导学生认识和掌握栈结构的过程：
数据(Data)到信息(Information):
数据结构→栈：学生可能仅知道数据结构是一门课程，但不清楚栈的具体含义。
信息(Information)到知识(Knowledge):
栈的定义→栈操作：通过定义，学生了解到栈的基本操作，如入栈和出栈。
意图(Purpose)的实现:
学习新数据结构→栈：学生意识到需要学习栈结构，以满足学习或职业需求。
——：学生尚未有明确的DIKWP转换的形成。
在学生初次接触栈结构时，他们可能只有一些模糊的认识，甚至完全不了解。随着学习的推进，教师可以利用DIKWP模型逐步引导学生从数据层面深入到智慧层面，理解栈的运作机制和应用场景。意图贯穿整个过程，确保教学目标得以实现。这样，学生不仅能掌握栈的基本知识，还能培养解决问题和创新的能力。
维度 | 数据 (Data) | 信息 (Information) | 知识 (Knowledge) | 智慧 (Wisdom) | 意图 (Purpose) |
数据 (Data) | 数据结构→栈 | —— | —— | —— | 栈→算法应用 |
信息 (Information) | —— | 栈的定义→ 栈操作 | —— | —— | 栈操作→ 编程实现 |
知识 (Knowledge) | —— | —— | —— | —— | —— |
智慧 (Wisdom) | —— | —— | —— | —— | —— |
意图 (Purpose) | 学习新数据结构→栈 | —— | —— | —— | 学习栈→ 应用栈 |
在学生完成数据结构课程后，他们对栈结构的认知得到了显著提升。以下是通过DIKWP模型引导学生认识和掌握栈结构的过程：
数据(Data)到数据(Data):
数据结构→栈：学生已经了解数据结构中的栈是什么。
数据(Data)到信息(Information):
栈→栈定义：学生掌握了栈的基本定义和特点。
数据(Data)到知识(Knowledge):
栈→栈的后进先出：学生理解了栈的工作原理。
信息(Information)到数据(Data):
栈操作→算法：学生学会了如何将栈操作转化为具体的算法。
信息(Information)到信息(Information):
栈的定义→栈操作：学生能熟练掌握基本的栈操作，如入栈和出栈。
在学生学习完数据结构课程后，他们对栈结构有了更深的理解和掌握。教师可以继续利用DIKWP模型引导学生从数据层面深入到智慧层面，理解栈的运作机制和应用场景。意图贯穿整个过程，确保教学目标得以实现。这样，学生不仅能掌握栈的基本知识，还能培养解决问题和创新的能力。
完整的学生学习后的认知DIKWP分析如下：
下图展示了教师和学生在学习栈结构过程中不同维度的认知变化，以及这些认知之间的相互转化关系。下面是对各个维度及其内容的解释：
教师认知：
数据(Data)：日志数据是关于栈操作的关键事件，例如数字与算法的平均运行时间、入栈和出栈操作等。用户偏好可以帮助确定产品开发的方向。
信息(Information)：教师关注的是栈操作的文章，包括栈的定义和操作，以及如何将文章转化为新的实现技巧。
知识(Knowledge)：教师熟悉数据结构的知识，特别是栈的实现和教学示例，以及复杂问题的解决方案。
智慧(Wisdom)：教师的经验教训可以被编写成文档，而编译智慧则有助于实践指南的撰写。个人的持续学习可以促进多元文化和知识体系的发展。
意图(Purpose)：教师会根据用户需求开发新功能，并将其写入项目计划书或需求说明书中。问题解决和经验累积可以转化为个人或团队的智慧。
学生初始认知：
数据(Data)：学生开始时只知道数据结构中的栈，但对其定义和特性还不清楚。
信息(Information)：学生了解栈的操作，但不知道如何将其转化为算法。
知识(Knowledge)：学生掌握了栈的基本操作（push, pop），并能利用数组和链表的不同实现方式。
智慧(Wisdom)：学生还未能将智慧应用于实践中。
意图(Purpose)：学生希望通过学习栈来解决实际问题。
交互：
师生之间通过交流互动，使学生的认知得到提升。
学生学习后的认知：
数据(Data)：学生现在不仅了解数据结构中的栈，还知道了其定义和后进先出的特点，以及如何将栈用于算法应用。
信息(Information)：学生学会了将栈的定义转化为操作，并能在编程中实现。
知识(Knowledge)：学生掌握了栈的基本操作，并能利用栈与其他算法进行组合。
智慧(Wisdom)：学生仍然需要进一步发展智慧。
意图(Purpose)：学生希望将学到的栈知识应用到实际项目中。
通过这个过程，我们可以看到学生在学习过程中经历了从数据到信息、知识、智慧再到意图的转化，同时教师也提供了指导和支持。这种可度量的认知变化体现了教育过程中的互动性和动态性。
利用DIKWP框架进行需求分析和教学目标设定的过程，最终实现了个性化的学习效果如上图所示。以下是详细的叙述：
1. 已有知识编程经验实践水平态度现状：
在这一阶段，教育者会深入了解学生目前的知识储备、编程技能、实践经历以及学习态度。这有助于教育者准确地定位学生的学习起点，以便为他们量身打造最适合的教学方案。比如，对于初学者，可能会从基础语法和逻辑入手；而对于有一定经验的学生，则可能直接跳入高级主题或特定技术领域。
2. 学习起点：
基于学生已有的知识和经验，教育者会确定一个恰当的学习起点。这个起点可能包括对基础知识的复习、技能强化训练，或者是其他相关领域的拓展学习。这样做的目的是确保学生在学习新知识前有一个坚实的基础。
3. 学习内容：
教育者会依据学生的需求和目标，精心设计并安排一系列的学习内容。这些内容可能涵盖理论讲解、案例研究、项目实战等多个方面，旨在全方位培养学生的技能。例如，除了教授基本的数据结构外，还可以引入实际应用场景，如数据库设计、算法优化等。
4. 数据结构：
数据结构是编程中不可或缺的一部分，它关乎如何高效地存储和管理数据。教育者会着重强调数据结构的重要性，并教导学生如何合理地运用不同类型的结构来优化程序性能和可维护性。例如，他们会介绍数组、链表、树、图等各种常见数据结构，并演示它们的应用场景。
5. 编程实践：
学生将在实践中运用所学知识，通过编写代码来解决问题。这种实践不仅能锻炼学生的编码技巧，还能加深他们对理论知识的理解和应用。例如，教育者可能会布置一些小项目，要求学生用学到的数据结构来实现特定的功能。
6. 教学评价：
定期的教学评价有助于教育者跟踪学生的学习进展和遇到的问题。通过反馈机制，教育者可以据此调整教学策略，保证每位学生都能跟上进度。例如，他们可能会采用测验、作业批改等方式来监控学生的学习状态。
7. 学习结束：
当学生完成预设的学习目标后，教育者会进行结课评估，验证他们是否真正掌握了所需的技能。同时，这也是一个反思和总结的机会，让学生回顾整个学习过程，巩固所学知识。例如，教育者可能会组织一次期末项目，让学生综合运用所学知识来解决一个实际问题。
8. 专业表达抽象思维编程能力思维品质：
经过以上学习过程，学生应当能够熟练运用专业术语阐述自己的观点，并拥有一定的抽象思维能力和编程素质。这意味着他们不仅懂得如何写代码，而且知道如何清晰地表达自己的思路和解决方案。
9. 职业规划：
最后，教育者会帮助学生制定个人职业生涯规划，结合他们的知识积累、实践经验以及能力提升等情况，给予职业发展的建议和支持。例如，他们可能会邀请行业专家来做讲座，分享就业市场趋势和求职技巧。
10. 知识增长经验丰富能力提升态度转变：
学生在学习过程中积累了大量的知识和经验，提高了自身的技能，同时也改变了对待学习的态度，变得更为主动和积极。这将有利于他们在未来的学习和工作中持续成长。
通过这样的个性化学习流程，教育者能够针对每个学生的特性与需求定制教学方案，使得他们获得最有效的学习体验和成果。这样的教学模式不仅关注知识传授，更注重培养学生的独立思考和解决问题的能力，使其成为终身学习者。
上图展示了课堂教学中的关键要素及其相互关系，包括教学目标、教学内容、教学活动、教学评价和教学结束，以及教-学一致性、教-评一致性和评-学一致性。以下是对教师期望达到的效果的详细描述：
1. 教学目标：
教师首先需要明确教学目标，这是教学活动的核心。目标应该是具体、可衡量且符合学生发展需求的。教师要确保目标既具有挑战性又切实可行，以激励学生积极参与学习。
2. 教学内容：
教师根据教学目标设计和安排教学内容，确保其与目标相匹配。内容应包含理论知识和实践操作两部分，以满足学生多方面的学习需求。教师需灵活调整内容，适应学生的个体差异和学习进度。
3. 课堂教学：
教师通过课堂教学实施教学内容，包括讲授、示范、讨论、实验等多种方式，促进学生理解和掌握知识。在此过程中，教师应注意保持活跃的课堂氛围，鼓励互动和合作学习。
4. 教学活动：
教师设计并组织教学活动，如小组讨论、项目制作、角色扮演等，以增强学生的参与度和实践能力。这些活动应紧密围绕教学目标展开，帮助学生将理论转化为实践。
5. 教学评价：
教师定期对学生的学习情况进行评估，以检查他们是否达到了预期的目标。评价手段多样，包括测试、观察、作品展示等，旨在客观反映学生的学习成效。
6. 教学结束：
教学结束后，教师会对整个教学过程进行总结和反思，确认学生是否达成了最初设定的目标。同时，也要审视教-学、教-评的一致性，看是否存在偏差或改进空间。
7. 教-学一致性：
教师期望教与学之间保持高度的一致性，即教学内容和方法应与学生的学习需求和进步相符。若发现不一致，应及时调整教学策略，确保学生得到最大的收益。
8. 教-评一致性：
教师期待教学评价能真实反映学生的学习状况，避免出现评价标准过高或过低的情况。评价应公正、公平，既能激励学生继续努力，又能指出他们的不足。
9. 评-学一致性：
教师希望通过评价结果来检验学生的学习效果，确保评价与学习目标保持一致。如果发现评价未能准确反映学生的真实水平，就需要重新审视评价体系，使之更好地服务于教学目标。
10. 从那里来？到哪里去？带什么去？如何去做？
这个问题体现了教师对教学过程的整体把握。教师需要清楚学生的学习起点，设定明确的目的地，准备必要的工具和材料，并设计合理的路径，确保学生顺利到达目的地。
11. 确认学生达到了预期目的吗？教-学-评是否达到一致？
教师在教学结束后会再次审视这些问题，以确保学生确实取得了预期的进步，并且教、学、评三者保持了一致性。如果存在差距，教师会寻找原因并采取措施加以改善。
通过这样的教学流程，教师期望达成以下效果：
提高学生的学习积极性和参与度；
激发学生的创新思维和批判性思考；
增强学生的团队协作和沟通能力；
建立自信，培养学生自主学习的习惯；
营造和谐、有序的课堂环境；
不断完善教学方法和评价体系，提高教学质量和效率。
总的来说，教师期望通过系统化、个性化的教学方法，帮助学生实现全面发展，同时不断提升自己的教学水平。
在教育领域，精准识别学生的学习需求并据此设定教学目标是提高教学效果的关键。本文探索了一种基于DIKWP（Data, Information, Knowledge, Wisdom, Purpose）框架的课程需求分析与教学目标设定方法，并以数据结构课程的教学为例，进行了深入分析。通过此方法，我们旨在构建一个更加个性化、高效且贴合学生实际需求的教学体系。
本文提出的基于DIKWP框架的课程需求分析与教学目标设定方法，为数据结构课程的教学设计提供了一套系统性的解决方案。通过这一方法，我们不仅能够准确把握学生的学习需求，还能有效设定与之相匹配的教学目标，进而实现高质量的个性化教学。未来，我们期待这一方法能在更多课程中得到应用，进一步推动教育的创新与发展，助力每一位学习者在知识的海洋中扬帆远航，抵达成功的彼岸。
总之，DIKWP框架在教育领域的应用展现了其强大的潜力，它不仅为教师提供了有力的工具来优化教学设计，也为学生提供了更加精准的学习路径，使教育过程更加贴近个人成长的实际需求。
https://blog.sciencenet.cn/blog-3429562-1446646.html
上一篇：AC2024 Program Committee Members
下一篇：段玉聪谈教育AI+新质生产力下的教育改革系列二
