【成果速递117】小学科学教育智能问答方法及系统

在数字化转型加速演进的新阶段，人工智能技术(Artificial Intelligence，AI)正从工具层面向教育本体渗透，催生科学教育范式的结构性变革。当前研究亟需解决的核心命题在于：如何构建AI深度融入的科学教育模型，使机器学习算法不仅作为教学辅助工具，更能成为培养学生计算思维与创新能力的认知支架。这一转型不仅涉及教学内容的重构，更需要建立人机协同的新型教学关系，这对传统教学设计理论提出了创新要求，也为核心素养导向的评价体系带来了范式突破的契机。

随着人工智能的发展，机器学习算法正突破“技术工具论”的局限，逐步向认知辅助和智能引导方向演进。在教育领域，AI不仅仅是辅助教学的手段，更在学生的知识建构过程中扮演着主动引导的角色。自然语言处理(NaturalLanguageProcessing，简称NLP)、强化学习(ReinforcementLearning，简称RL)和自适应学习算法等现代人工智能技术的发展，使得智能教育模型具备了更强的理解能力和适应性。例如，NLP的进步使机器能够精准解析学生提出的开放性问题，并根据语境提供逻辑清晰、循序渐进的回应，而强化学习算法能够通过持续反馈优化教学路径，使学生获得个性化的学习体验。

此外，自适应学习算法的引入使得AI能够根据不同学习者的知识水平、学习风格、认知特点及情绪状态动态调整教学内容。学习过程中，学生的情绪变化对学习效果具有显著影响。例如，适度的挑战可以激发求知欲，而过高的难度则可能导致挫败感和学习倦怠。AI可以通过分析学生的学习轨迹、答题反应时间，甚至结合面部表情、语音语调等多模态数据，实时评估其情绪状态。在此基础上，AI可以适时调整教学策略，例如，当学生表现出困惑或焦虑时，模型可以降低任务难度、提供更直观的示例或引导性提示，以增强学习信心；当学生表现出熟练度提高和探索欲增强时，则可以增加问题的复杂度，引导其进行更深入的思考和探究。这种情境感知能力不仅提升了学习效率，还能帮助学生在科学探索过程中保持积极情绪，培养持久的科学兴趣，同时促进系统化的科学思维养成，为解决复杂问题奠定坚实的认知和心理基础。

尽管自适应学习算法在动态调整教学内容和情境感知方面取得了突破，当前的智能问答模型在科学教育场景中的表现仍存在诸多局限。当前教育领域的智能问答模型主要采用基于规则的模板匹配和检索式方法，在应对小学科学教育场景时面临显著局限：首先，小学生的问题表述常具有口语化、碎片化特征(如“为什么冰会化成水？”与“冰块遇热变成水的道理是什么？”的语义等价性)，传统方法难以有效捕捉深层语义关联；其次，科学知识的层级递进性要求系统具备多轮对话中的上下文推理能力，而基于词频统计的检索模型往往陷入“问题-答案”的孤立匹配；再者，现有模型普遍缺乏对科学探究过程的适应性支持，难以引导学生通过“提出问题-设计实验-验证结论”的完整思维链条进行深度学习。

本成果提供一种小学科学教育智能问答方法及系统，包括：将用户的提问样本输入BERT模型，得到所述BERT模型输出的提问样本的编码结果；将所述提问样本的编码结果输入槽位标注模块和意图识别模块，得到所述槽位标注模块输出的提问样本的槽位信息和所述意图识别模块输出的提问样本的意图类型；根据所述提问样本的槽位信息和意图类型，对所述槽位标注模块和意图识别模块进行联合训练；将用户的当前提问依次输入所述BERT模型和所述意图识别模块，得到所述当前提问的意图类型，根据所述当前提问的意图类型得到所述当前提问的答案。本成果提升教育智能问答的准确性。

END