实事求是地说，在当下教育信息化持续深化的背景下，单纯堆积硬件与平台的做法已无法满足实际需求。真正的难点与痛点在于：如何让数据“自动流转、无缝衔接”，在不干扰师生正常教学节奏的前提下，将教学过程中的每个环节实现数字化与智能化。山东工业职业学院本次分享的案例，正是聚焦“无感知数据采集”与“AI学习分析”两大核心关键词，探索出一套以目标和需求双轮驱动的精准教学模式。该模式的核心理念是构建“一中心+N应用”的教学辅助平台，使数据采集、智能分析与反馈形成完整闭环，最终服务于教师的精准教学和学生的个性化学习。

从实际落地效果来看，这一模式的价值十分清晰：它让教学安排更加科学合理，作业批改更加及时高效，学习反馈更加精准到位。更重要的是，它在潜移默化中提升了师生的信息素养，为培养具备决策规划能力与终身学习能力的创新型人才奠定了扎实基础。

一、引言

（一）“无感知数据采集”的背景和意义

1. “无感知数据采集”的建设背景

任何教育变革都不会凭空而来。2018年，《教育信息化2.0行动计划》发布，明确智慧校园是数字校园发展的理想目标。随后，《教育部办公厅关于加快推进现代职业教育体系建设改革重点任务的通知》进一步指明方向：聚焦差异化教、个性化学、精准化管、智能化评、虚拟化研等现实需求，加大智慧校园、智慧教室、虚拟仿真实训中心等建设力度。山东省的相关政策文件也与此呼应，要求围绕教、学、考、评、管开展智慧教育创建行动，探索教育数字化转型所需的新环境、新体系、新平台。

这意味着行业共识已经形成：必须整合建设教育平台与数字资源，借助大数据技术有效支撑教育评价改革，推广智能化考试与智慧作业，实现作业过程数字化、批改自动化、结果反馈精准化。

2. “无感知数据采集”的建设意义

打通教育教学全过程数字化的关键在于开展无感知、伴随式的数据采集。只有建立起链条化、过程化、终身化的学生综合素质数字档案，才能客观记录成长轨迹，创新评价方式，支持学生各学段的纵向评价与德智体美劳的横向评价。更进一步，要深化新一代信息技术的应用研究，推动基于人工智能的探究式学习、基于知识图谱的智能应用、基于增强现实的沉浸式教学，最终实现数据驱动的大规模因材施教。

本案例正是立足智慧校园的复杂特征，提炼出精准教学与个性化学习的具体模式，明确师生诉求，让机器、教师、学生在教学流程中各司其职。

（二）“无感知数据采集”所依托的学校信息化建设基础

1. 现有信息化基础设施

再好的模式也离不开底层的硬件支撑。学校目前建成了双万兆核心交换、万兆骨干网络、千兆到桌面的高速校园网络，实现了有线、无线、5G一体化覆盖以及IPv4/IPv6双栈支持。校园内拥有4000余台计算机、2000点桌面云系统、107间智能教室、210间网络多媒体教室、68个虚拟仿真等智能实习实训室，互动式多媒体教学设备覆盖率超过60%。这套硬环境为无感知数据采集提供了坚实的运行基础。

2. 开展的应用

积累决定了高度。学校已经是国家职业院校数字校园建设样板校、教育部网络学习空间应用优秀学校、首批山东省智慧教育示范校创建单位。本案例依托的课程本身也是省级精品在线开放课程、课程思政示范课程，团队创新能力强，相关成果曾获2022年山东省职业院校教学成果二等奖。这些背景让“一中心+N应用”的课程教学场景有了落地的真实抓手。

二、“无感知数据采集”概述

（一）“无感知数据采集”的基本介绍

简而言之，该项目的核心是通过“无感知数据采集+AI学习分析”实现目标与需求双驱动的精准教学与个性化学习。具体做法是：通过网络、传感器、智能终端的统一部署，落地大数据中心和“教育大脑”，集成多功能软件平台，配备智慧采集笔、高清摄像头等设备，全面升级通用教室、专用教室和智慧教室。最终搭建一个支持终端高密度联通、海量数据无感知采集、超大资源高速传输的智慧校园。在这里，教学不分时空，操作可单点登录，软件能按需重组，数据的采集与使用都在潜移默化中完成，用以支撑教师的精准教和学生的个性化学。

（二）“无感知数据采集”的应用场景和应用对象

该项目主要面向高职院校学生，同时也为本科或中小学的数字化教学提供参考样本。适用场景十分广泛：无感知考勤、学生学习行为分析、课程智能应用、课程学习AI交互等。

具体操作中，智能摄像机无声无息地采集数据，实现课堂出勤率统计，并自动向旷课学生推送信息；通过对学生课堂行为的无感知采集，掌握其对知识点和技能点的掌握情况，从而精准施教；通过无感获知课堂互动情况，及时获取学情，推送针对性资源。课程智能应用平台还能自动组卷、阅卷、分析，以及通过AI交互系统实现人机互动答疑。

（三）“无感知数据采集”的主要内容

1. 搭建基础服务平台，提供支持共性需求的公共服务

基础设施、平台、软件和数据服务，这是智慧校园绿色发展的底座。它们支撑着“教、学、管、评、测、研”全链条应用，满足教师教学的共性及个性化需求。简单来说，这为老师提供了物联感知的软硬件、云网边端一体化的网络、教育数据中心和数字化教学云平台。

2. 开展功能支持服务，满足共性与个性需求的融合服务

学生在学习过程中会产生大量的考试、作业、课堂行为数据。借助数据采集工具和学习分析模型，系统能识别学生的专注度、情绪状态，挖掘其思维方式和认知水平，定位知识盲点并进行归因。然后，基于证据导向提供即时干预——比如基于细粒度的知识图谱和专业错题库，实现错题推送与个性化作业定制。同时，一体化云平台汇聚了优质数字资源，能为教师提供精细检索、精准推送和工具应用服务。智能设备的使用权限、答疑及运维服务也集成在其中，助力课堂教学和考试评阅的数字化升级。

3. 布设多种应用服务，定制精准教学与个性化学习场景

精准教学和个性化学习的流程，核心在于“三个精准”：目标精准、诊断精准、干预精准。教师们会基于学情分析中的“盲点定位”功能，明确班级群体的共性及学生的个性化需求，再结合教学目标确定课堂目标。他们会将课堂目标细分为行为目标、生成性目标和表现性目标。其中，行为目标精确、具体、可操作，满足共性需求；生成性目标在交互中自然生成，融入课程目标；表现性目标根植于学生的个性化表现，具有不可预知性。

在诊断干预环节，教师可基于学情信息，选择合理的时间节点和资源路径进行精准干预。在教学环节，教师能利用数字资源库和开发工具，结合子目标设计多样活动。个性化作业是规模化个性学习的重要途径。教师会采用人机协同的思维，将机器提供的盲点归因、错题权重等信息与自身经验结合，筛选出最佳题目。再通过对学生满意度的调查，确保匹配度的精准。

（四）项目的创新点

1. 打造“一中心+N应用”教学辅助平台，构建课程教学实施的一站式应用场景

通过无感知数据采集终端，学生的面部信息、学习行为数据被实时捕捉；通过课程学习平台，学习过程中的难点、疑点、作业、考试数据也被汇集到学校数据中心。基于这个数据中心，智能摄像机实现无感知考勤和对旷课学生的信息推送；学习行为分析平台总结学习行为的成因与干预方法，辅助教师改进教法；无感获知课堂互动情况，及时推送资源。优慕课应用系统支持移动端或电脑端完成作业提交与自动批阅，并根据完成情况精准推送学习资料。AI智能技术还能自动组卷、阅卷、分析。同时，建立课程知识问答题库，实现与AI机器人的互动答疑。可以说，这是一个一站式的应用闭环。

图2-4-1 “一中心+N应用”教学辅助平台

2. 实施课程全链式智能数据采集与分析处理，创新形成目标与需求双驱动的精准教学和个性化学习模式

在这个模式中，教师以终端设备的软件应用为载体，以问题需求为驱动，结合课程主题、知识逻辑与学情教情确定教学目标，筛选适切资源，开展适宜活动。课内利用“错题溯源、盲点归因”等功能，通过“资源推送、错题重现、同类再测”等方式实现干预；课外基于人机协同，为学生布置个性化作业。借助RFID、自主批阅和学习分析技术，实现“扫描-回收-批阅-分析”的考试全链条管理。最终形成一种“目标驱动+需求驱动”的新模式，实现从单一的知识推动向个性化、精准化、动态的知识拉动转型，突破校内校外、课内课外、线上线下的边界。

图2-4-2 目标与需求双驱动的精准教学和个性化学习新模式

（五）“无感知数据采集”的应用效果

1. 开创新的教学模式

通过物联网、人脸识别、行为分析、视频结构化、大数据等技术的综合运用，一个全新的“无感知数据采集+AI学习分析”教学模式已经成形。

2. 提升教师教学水平

这套模式帮助教师改进了备课、上课、作业设计、学生评价等能力，显著提升了工作效能和信息技术应用水平。

3. 组织开展泛在教学

数字资源和创新应用得到广泛积累和共享。常态化的在线自主学习、辅导答疑、师生讨论得以实现，专业建设和教学质量监测有了数据支撑。

4. 创新学生评价模式

多元综合素质评价体系建立起来，作业过程数字化，反馈即时化，学情分析智能化，智慧教学实现了规模化与个性化的统一。

5. 提升师生信息素养

师生的信息化素养和技能显著提升，学生的动手实践能力明显增强，教师能有效利用技术解决教学痛点。

6. 教学安排更合理

无感知考勤节约了大量课堂时间，为教师教学设计提供了更多自由度。

7. 作业批改更及时

智能批改让反馈更加及时，学生有更多时间消化思考，并能在第一时间收到针对薄弱知识点的资源推送和重测。

8. 学习反馈更准确

智能分析让教师能准确定位每位学生的知识盲点和薄弱点，为精准教和个性学提供数据支撑。

9. 学情分析更系统

智能学情分析辅助教师多维了解授课和学情，为教学设计和进度把控提供依据，及时查缺补漏。

10. 师生互动更智能

智能答疑辅导解决了传统一对一辅导的难题，让答疑更准确、及时、机动，为泛在教学提供了技术保障。

三、“无感知数据采集”技术方案

（一）“无感知数据采集”总体技术方案

整个方案的核心是大数据中心，通过它把物联网、教育数据中心和教学云平台深度融合。人脸识别和行为分析技术提供无感知的考勤和教学质量评价；大数据分析和机器学习算法提供个性化学习内容与方法；人工智能技术实时监测学生学习行为和表现，提供针对性辅导。同时，建立学生知识图谱，将学习内容和知识点关联，帮助学生更好地理解和掌握。

图3-1 项目总体技术方案

具体技术路线包括：

①建设大数据云计算中心，实现智慧教室、考勤系统、教学平台、AI服务的数据交互和分析。

②建设校本人工智能服务器，训练符合本校实际情况的AI模型。

③利用校本大语言模型解析教师上课录像，生成包含重点、难点、要点的课堂笔记，并解析课程标准和教学大纲，生成课程知识图谱。

④利用AI技术对学生课堂互动和答题情况进行阅卷分析，绘制每个学生的成长画像，实现个性化分析。

⑤根据学生和教师的授课分析数据，辅助教师做学情分析，针对不同班级和学生开展精准教学、个性化教学。

⑥针对学生测评结果，利用AI技术根据薄弱环节自主推送视频、笔记、练习题等资源，生成课程下每个知识点的讲解资源及多种难度的试题库。

（二）“无感知数据采集”关键系统及产品技术方案

1. 本地化训练的人工智能模型

本地化训练意味着数据不出校门。首先收集、清洗和标注数据集，进行预处理和特征提取；然后根据需求选择模型并设计架构（网络结构、层数、节点数等）；利用本地资源进行模型训练，通过反向传播算法更新参数，监控损失函数值并调参优化；用验证集评估模型性能；最后将训练好的模型导出为可执行文件或库，部署在本地服务器上，提供API接口被调用，并进行持续监控和优化。

2. 教师上课录像解析

利用智慧教室和标准化考场的硬件录制教师上课视频，然后进行剪辑和预处理。运用自然语言处理和语音识别技术，将语音内容转为文字并进行清洗；提取关键词、实体、句子结构等信息，利用文本挖掘和机器学习进行深度分析；建立数据库，通过数据挖掘不断优化解析算法和模型，提高准确性和效果。

3. 课程知识图谱、视频、试题资源建设

使用NLP技术分析课程文本，提取关键词和实体，构建知识图谱的数据模型（节点、知识点、关系），并利用机器学习进行自动构建和更新。视频资源方面，采集、整理和标注相关视频，通过压缩、剪辑、转码等技术优化质量，构建视频管理系统。试题资源方面，收集、整理和分类试题，设计多种题型模板，构建试题库管理系统，实现生成、存储、查询、组卷、阅卷、分析等功能。

4. 测评自主阅卷和智能导学

使用NLP技术对学生答案进行分析和评分，通过机器学习算法自动生成评分报告。智能导学系统则基于学生的学习历史和行为数据，建立学习模型和推荐算法，分析学习习惯和知识水平，提供个性化学习内容和路径。结合知识图谱和视频资源，为学生推送相关资料和教程，并通过数据分析和反馈机制不断优化。

5. 学生课堂行为分析

采用深度学习算法，对课堂上学生玩手机、睡觉、交头接耳等违规行为进行实时检测和记录，并将反馈即时化。学情分析智能化，辅助教师多维了解授课情况和学生学习情况，为整体教学设计和进度把控提供详实依据。通过教与学全过程数据的分析应用，推动智慧教学实现规模化与个性化的统一。