基于教育学、心理学和教学设计原理分析，智能教学系统模型应包含学生模块、教学策略模块、知识库和智能接口几个主要模块，各模块的系统结构如图所示。
学生模块记录每个学生原有的知识水平和学习能力。其依据为学生与系统之间的交互问答历史，并对每个学生的学习进步情况进行动态调整。这样，系统通过学生模型就可随时了解每个学生的情况，有的放矢地进行个别化教学。
教学策略模块根据学生模块情况和知识库做出智能化的教学决策，评判学生的学习效果，帮助学生分析错误原因。提出改进方法和意见等。
知识库存储所要教的学科领域知识和教学知识。
智能接口能够理解自然语言，实现更普遍意义上的人机对话。
智能教学系统与传统CAI相比，具备以下功能：
第一，了解学生的学习能力、学习基础和当前的知识水平，以此为依据为不同的学生做出不同的教学决策，有针对性地进行个别指导，并在学习过程中根据学生进度自动调整学习内容，具有适应能力。
第二，允许学生用自然语言与“计算机导师”进行人机对话，并能对带有学生个性特点的问题做出解答，从而具备更好的交互能力。
第三，能诊断学生学习过程中的错误，并分析错误原因和给出解决方案，在此基础上逐渐积累“经验”，从而具备纠错能力。
第四，大大拓宽了CAI的模式，例如建立虚拟教室、智能导师系统、教学模拟等。从而使CAI不再是简单的课本搬家、教室搬家，而具有更多的创造能力。
二、智能教学系统的局限性分析
智能教学系统虽然较传统CAI在诸多方面有很大改进。但就智能教学系统的工作原理以及目前的研发现状而言，应当冷静地看到，它自身也存在一些固有的局限性。
要计算机解决某个问题，有三个基本的前提：必须把问题形式化、必须有一定的算法、必须有合理的复杂度。由于人的智能活动不能完全形式化，因此，机器就不能将人脑的智力活动全部复制出来。教育是一种人类所特有的活动，基于人工智能技术的智能教学系统在教育中的应用也存在局限性。
1.智能教学系统不能实现自我更新，自我改进
智能教学系统的设计原理是把现有的专家的知识和教师的教学方法和策略集中到一个数据库中。随着现代社会知识的迅猛增长，教育理念的不断更新以及教学模式和教学方法的不断改进，智能教学系统无法像人类教师那样跟随时代的变化而实现知识库的自我更新以及教学策略模型的自我改进。还需要人从外界对整个ITS进行翻新，甚至需要从一种新的教育理念出发，重新设计ITS。智能教学系统的自我更新涉及机器学习这个难点。
2.智能教学系统适用的学习领域存在局限
以智能模拟的方法实现的人工智能应用于教育中时，并非适合所有的学习领域。人的智能活动可以分为四个领域。领域一是“刺激――反应”领域，其中包括任何形式的条件反射，与上下文环境无关的、各种形式的初级联想行为，最典型的如无意义音节的机械学习。领域二是数学思维的领域，这是比较适合于人工智能的领域。它是由概念世界而不是感知世界构成，这一领域中的问题完全形式化了，并可以计算，这一领域又可称为简单形式化领域，典型的例子如逻辑和有精确规则的游戏。领域三是复杂形式化领域，这是比较难把握的一个领域。这一领域包括原则上可形式化而实际上不易驾驭的行为，包括那些不能用穷举算法处理的。因而需要设计启发程序的系统，如围棋。领域四可称作非形式化行为领域，包括有规律但无规则支配的、我们人类世界中的一些日常活动，这一领域又称作感知思维领域。在这一领域内解决问题都是直觉的遵从，无须求助规则。包括一些规则不确定的游戏，如文字猜谜游戏。以上四个领域中前两个领域适合用数字计算机模拟，第三个领域只是部分可程序化，而第四个领域则很难驾驭。
与此相对应的，根据加涅的学习结果分类，学习分为言语信息、智慧技能、认知策略、动作技能和态度五类。言语信息分为符号学习、事实学习和有组织的知识学习，这些属于可形式化内容，适用于智能教学系统；智慧技能分为辨别、具体概念、定义性概念、规则和高级规则，其中前四项属于可形式化内容，适用于智能教学系统，而高级规则属于复杂形式化内容，部分内容不适用于智能教学系统；动作技能和态度领域的学习。在其认知成分中可以使用智能教学系统，但情感和行为成分等非形式化内容，则难以用智能教学系统来实现。
因此，并不是所有的学习领域都适用于智能教学系统。智能教学系统在教育中应用的重点应放在认知领域中的符号学习、事实学习和有组织的知识学习、辨别、具体概念、定义性概念以及规则这些学习内容上。
3.与学生之间无法畅通交流
教育是一种交互活动，智能教学系统的交互功能虽然较传统CAI有所改进。但仍然缺乏在学生和计算机之间交换信息的自然的、畅通的途径。系统只能通过学生输入计算机的信息来判断其掌握和内化程度。而无法像人类教师通过自然状态的交流和观察来判断学生的真实情况，因此，“机器智能”很容易被蒙蔽“双眼”，无法做到像人与人之间那样自然畅通的交流。此外，系统在遇到新的学习情境时。不能理解和产生对话，这会影响智能教学系统功能的实施。
4.决策和推理机制不完善
智能教学系统的关键智能所在是其决策和推理机制，即“教学策略”模块根据不同学生的具体情况通过推理做出灵活决策，这种决策基于学生模块提供的学生的知识水平、认知特点和学习风格。智能教学系统虽然加入诊断系统并不断调整对学生学习水平的判断，但由于学习风格、认知特点等不能完全被形式化，因此，根据系统的教学策略模块中预先存入的诊断知识来评估不同学生的学习过程和理解每个学生不同的推理过程也是有局限的。
三、智能教学系统在教育中应用的建议
1.不能忽略教师的作用
虽然智能教学系统具有“智能性”。但在使用它的过程中，决不能放弃教师的主导作用。要明确教师是教学的设计者和教学过程的主导，应该把智能教学系统的应用纳入到教学设计中。教师作为教学的“主导”。要引领教学
2.注意教学模式的运用
作为一种教育技术的实现，ITS主要依赖于各种技术的发展，但作为一个能够实施完整教学过程的教学系统，ITS的应用效果更多地依赖于所采用的教学模式。长期以来，传统CAI在教学中的应用都以个别化教学模式为主。但随着认知心理学的发展，基于建构主义学习理论的以“学”为中心的教学模式逐渐受到青睐。这种教学模式更能满足学习者的个性化要求，也为协作学习创造了更大的可能性。目前，协作学习模式因其利于培养学生的多样化思维和合作精神而日益受到重视。同一个智能教学系统，用于个别化教学模式和用于协作学习模式就会产生截然不同的教学效果。因此。在利用智能教学系统时，要注意根据教学内容和教学目标灵活采用个别化教学模式或协作学习模式。
3.有效与网络相结合
参考文献：
[1]王士同主编.人工智能教程[M].北京：电子工业出版社，2001.
[1]王永庆.人工智能原理与方法[M].西安：西安交通大学出版社，1998.
[3]何克抗.计算机辅助教育[M].北京：高等教育出版社，1997.
关键词智能授导系统；辅助教学；语义Web
计算机辅助教学(CAI)是以对话方式利用多媒体计算机的功能与特点与学生讨论教学内容、安排教学进程和进行教学训练的方法与技术。但是存在交互能力差和缺乏虚拟技术支持、智能性及教学策略等问题。人工智能（AI）是计算机科学、信息论、神经生理学、控制论、心理学、语言学等多种学科互相交叉渗透而发展起来的一门综合性学科。它用人工的方法在机器(计算机)上执行智能行为：感知、理解、学习、判断、推理、规划、设计、求解等。其技术特征主要是具有搜索功能、知识表示能力、一定的推理功能、抽象功能、语音识别功能及模糊信息处理能力。
1智能授导系统
ITS从上个世纪80年代提出到至今已有30多年了，几乎涉及人工智能技术的所有问题，而且一直是人工智能技术在教育领域的核心研究之一。比较有代表性的是Peng-KiatPek和Kim-LengPoh应用贝叶斯网络构建的学生模型可以较好的估计出学生的学习兴趣值，从而对学生的学习行为方向进行预测；DietrichAlbert和CordHockemeyer通过分析知识空间理论而得出的超文本结构和知识空间在结构上的有很强的相似性，通过对知识空间进行建模，使之适用于网络Web结构模式；JoelMartin和KurtVanLehn使用贝叶斯网络技术对学生的学习结果进行评估，有效的分析出学生学习过程中的问题和不足；DeclanKelly和Bren-danTangney提出了一种多Agent技术（Multi-AgentSystem，MAS），通过对个体的个性化学习进行动态建模的智能框架的建构重组，满足了学习者的不同需求。随着国内数字化教学与教育信息化的大趋势，最近几年国内对于该领域的研究发展的相对比较快，而且需要进行综合性的研究，以不断促进智能授导系统的实际应用价值。
2自适应智能授导系统机制
由于个体学习者基本上是基于资源的自主学习，在教学上的有效组织主要体现在学习资源的组织、传递和共享上，良好的资源组织和个性化资源服务是学习个体最强烈的需求。为了支持个体的自主学习，辅助教学研究十分强调“授导”。“授”即系统地对教学内容的组织和传播，通常反映为学习目标制定、学习材料序列化、学习路径引导以及学习结果评价等方面；而“导”则侧重对学生的具体学习过程提供针对性的学习支持。
2.1网络智能授导的技术实现
网络辅助教学平台设计者们一直致力于智能授导机制的理论研究和实现，不仅在理论上提出很多模型和设想，而且实践上也有所突破，特别是可以借助计算机网络技术和人工智能技术构建一个更有针对性的、更智能的信息空间，为学习者提供个性化的学习支持。通过调研，网络辅助教学中智能授导的研发技术路线主要是模拟课堂面授的路线、人工智能的技术路线和网络协同进化的路线。
2.2本体的智能授导机制
根据Brusilovsky提出的关于虚拟校园环境的部件理论知道，当前分布式虚拟环境支撑的网络教学平台大多是围绕内容部件、行为部件、通信部件、管理部件来提供学习者本体的智能授导应用功能。
1）内容部件是辅助教学系统的核心，多由构成课程的多媒体教学材料组成。运用静态超媒体比较容易实现，以一种同有的结构和形式呈现给学习者同样的教学内容。但是会产生由适应性内容所呈现的各种方法与技术问题，例如：附加解释、前提知识解释、比较性解释、解释变体、信息排序等。其实现需依赖于知识表示与呈现技术，特别是知识建模和知识本体的研究；2）行为部件主要功能是需要学生通过“做”的交互方式来完成的自主学习的过程，表现形式多指学习导航、练习、测试、模拟、实验等。其三个主要应用方向是自适应导航、自适应测试和虚拟实验；3）通信部件在智能授导系统中起到媒介作用，主要是支持学生与教师之间、学生相互之间的交流和沟通的通信工具，支持学习社区的协作学习和协同进化；其3个主要应用方向为)针对交互信息的知识发现、学习者智能互助和群体智慧；4）管理部件主要是支持教学过程中必要的管理职能。如学生管理、课程管理等。
2.3自适应智能授导系统的构建策略
个性化的自适应辅助教学研究已成为现代教学系统应用的一个热点问题，而自适应智能授导系统运用人工智能技术，直接、科学地了解到学习者的个性特点及学习进展情况，灵活调整自身的策略、方案来满足受教育对象的需求。从集成观点出发，自适应智能授导系统首先涉及的是教学理论和思想与计算机技术的交叉。从计算机辅助教学的发展线索出发，网络技术与人工智能方法的应用是计算机辅助教学的必然趋势，但智能授导绝不是在计算机网络通信技术上的简单翻版，其需要进行更为深刻的分析与抽象。总的来看，自适应智能授导系统是一种建立在软件协同基础上的分布式的群体智能，更是一种人机协调的智能。
3结论
伴随着互联网络的日益发展，我们日常的学习与工作越发依赖数字化的资源与服务，智能化与人性化将是数字化教学重要的发展方向。我们选择了自适应智能授导系统作为数字化技术辅助教学研究的一个切入点，依据网络智能授导系统实现的三条技术路线，从理论框架上阐述了教学辅助平台中常见的智能授导机制，利用人工智能中贝叶斯网络的思想来设计学习者模型来实现适应性和个性化的教学，并选择了语义Web下的自适应智能授导系统来实现辅助教学软件的开发。
参考文献
[1]闵宇锋.浅谈网络教学平台中的智能授导机制[J].科技情报开发与经济，2010.
[2]BrusilovskyP.MILLERP.,CourseDeliverySystemsfortheVirtualUniversity.
关键词：计算机辅助教学
中图分类号：tp文献标识码：a
收录日期：2013年4月16日
计算机辅助教学的智能化源于20世纪五十年代后期。英国数学家图灵在“计算机器与智能”一文中提出了著名的图灵测试，用来测试一台机器有无智能。当时，麦卡锡和纽厄尔等人认为机器能够像人一样思考的时代已经近在咫尺，实现这一目标的主要问题只是需要创建更大的、运算速度更快的计算机。如果机器能够像人一样地思考这一命题成立，就可以据此提出一个合理的假设：人们能够制造出聪明的机器，它能够执行需要人类思考才能完成的复杂任务，例如开展教学。计算机辅助教学的智能化研究正是基于这样的假设，从20世纪五十年代至今，在计算机科学、教育科学、认知科学等学科专家的不懈努力下取得了不少成果。
20世纪九十年代以来，计算机多媒体技术、网络通信技术以及人工智能技术的发展，为基于建构主义学习理论的多媒体教学环境的构建提供了有效的技术支持，数字化学习（e-learning）迅速成为人们崇尚的一种学习方式。但是，在网络环境下，教学材料的选择和组织往往缺乏系统的设计，容易造成数字化学习者的认知超载和网络迷航。为了提高网络学习效率和学习质量，一些智能教学系统的研究专家开始转向网络环境下的适应性学习支持系统研究。
在学习过程中，学习者个体具有很大的差异性，具体表现在个人的能力、背景、学习风格以及学习目标等各个方面。即使是个体本身，在学习过程中其知识状态也是在不断变化和发展的。适应性学习支持系统（alss），是针对个体学习过程中的差异性而提供的适合个体特征的一种支持学习的系统。适应性学习支持系统本质上是一类个别化的学习支持系统，它能够提供一个适应用户个性化特征的用户视图，这种个性化的学习视图不仅包括个性化的资源，而且包括个性化的学习过程和策略。适应性学习支持系统提供对不同学习者个别化需求的适应，包括学习诊断、学习内容、自主选择学习策略等。对于相同的学习内容，该系统可以为不同的学生提供不同的学习方式。不同的学习者通过适应性学习支持系统学习同样的知识，会有不同的学习路径、学习策略和学习内容。
换言之，适应性学习支持系统提供的学习是个别化的、因人而异的，是符合学习者个人学习情况的。在其支持之下，学习者能够以更快的速度，更加有效地进行学习。由于学习者在适应性学习支持系统中不仅可以进行个别学习，而且可以开展在线的协作学习、探究式学习等多种学习方式，适应性学习支持系统已经超越了作为传统意义上的辅助教学的工具，而是作为认知工具、协作交流工具和情感激励工具，可以作为导师、学习伙伴和学习工具。
近年来，我国不少学者开始对适应性学习支持系统进行研究，例如开放的、通用的适应性学习支持系统外壳a-tutor；基于教师经验性知识的适应性学习系统在中小学校的应用，等等。智能教学系统
主要特点在于能够针对不同学生进行因材施教，但由于该类系统过于强调理想化的教育，生硬的界面和过多的程序控制往往无法激发学习者学习的主动性或维持学习者的学习兴趣，因此，它的实现和应用受到了较大的限制。计算机作为教师，监控学生学习过程，执行错误诊断和生成提示信息采用知识表示技术，教学内容由系统自动安排多媒体，主要由文本构成、辅以图片、动画、声音适应性学习支持系统开放的网络学习环境下自主学习、协作学习、探究学习。计算机作为学习伙伴，或作为认知工具、协作和交流工具、情感激励工具由多媒体、超媒体构成，采用适应性超媒体、超文本系统综合了生成性cai和面向帧的cai的设计思想，并规定了问题的描述格式，系统据此生成参数，然后在数据库里查询正确的答案。
卡内基梅隆大学卡波纳尝试将人工智能（ai）技术应用于cai系统，并设想了这样一种教学系统。该系统有一个包含教学主题材料和授导教学规律的知识库，能够用自然语言与学生对话，能够以自然的方式从它的通用知识库里面生成问题和反馈。卡波纳按照上述设想建立了第一个智能化的地理教学系统scholar，它采用语义网络知识表示，建立了覆盖学生模型，能够自动生成教学材料和问题，也是第一个能够用自然语言与学生交互的系统。scholar的出现标志着智能计算机辅助教学（icai）的开始。
在智能教学系统中，学生主要通过问题解决的方式学习，这些问题都是经过恰当选择的，能够为学习者提供良好的学习经验。哈特利和史利曼认为智能教学系统必须提前考虑三个方面的知识：第一，系统通过评估学生已有的知识基础，建立起学生模型；第二，系统考虑到学生需要学习什么，建立起领域专家模型；第三，系统还必须决定下一步应该教学生学习哪一个教学单元，怎么呈现教学内容，即具备教师模型。系统在上述基础上选择或生成一个问题，并通过专家模型生成该问题的解决方案。智能教学系统时时比较学生的解答与计算机的解答，并诊断两者的差异。针对学生是否已经接受了系统提供的学习建议，系统还会提供进一步的反馈。当反馈循环结束后，智能教学系统会更新学生的技能记录（一个关于学生知道什么和不知道什么的记录）、学习进度标识，从而更新了学生模型。然后系统又开始新一轮的循环，选择或生成一个新问题。从领域知识、学习者知识、教学策略知识的视角，对程序教学系统、计算机辅助教学系统、生成性cai系统以及智能教学系统进行考察，不难看出它们的差异所在。
1、计算机人工智能识别技术应用瓶颈探析
2、计算机科学与技术的应用现状与未来趋势
3、计算机信息处理技术在大数据时代背景下的渗透
4、计算机基础课程应用教学思考和感悟
5、中职中药专业计算机应用基础教学改革实践
6、浅谈虚拟现实技术在中职计算机基础教学中应用的必要性
7、计算机图像处理技术在UI设计中的应用
8、计算机生成兵力行为建模发展现状
9、智慧档案馆计算机网络系统方案设计
10、浅谈如何提高计算机网络的安全稳定性
11、计算机应用技术与信息管理的整合探讨
12、计算机科学技术小组合作学习研究
13、计算机科学与技术有效教学策略研究>>>>>计算机网络和系统病毒及其防范措施毕业论文
14、互联网+背景下高校计算机教学改革的认识
15、艺术类应用型本科高校"计算机基础"课程教学改革研究
16、计算机技术在石油工业中应用的实践与认识
17、计算机技术在电力系统自动化中的应用研究
18、微课在中职计算机基础教学中的应用探析
19、课程思政在计算机基础课程中的探索
20、计算机服务器虚拟化关键技术探析
21、计算机网络工程安全存在问题及其对策研究
22、人工智能在计算机网络技术中的运用
23、慕课在中职计算机应用基础教学中的运用
24、浅析如何提高高校计算机课程教学效率
25、项目教学在计算机基础实训课程中的应用分析
26、高职计算机网络教学中项目式教学的应用
27、计算机信息安全技术在校园网络的实践思考
28、大数据背景下的计算机网络安全现状及优化策略
29、基于计算机网络信息安全及防护对策简析
一、深度学习概念的提出
深度学习的概念，源于30多年来计算机科学、人工神经网络和人工智能的研究。上世纪八九十年代，人们提出了一系列机器学习模型，应用最为广泛的包括支持向量机（SupportVectorMachine，SVM）和逻辑回归（LogisticRegression，LR），这两种模型分别可以看作包含1个隐藏层和没有隐藏层的浅层模型。计算机面对较为复杂的问题解决训练时，可以利用反向传播算法计算梯度，再用梯度下降方法在参数空间中寻找最优解。浅层模型往往具有凸代价函数，理论分析相对简单，训练方法也容易掌握，应用取得了很多成功。①随着人工智能的发展，计算机和智能网络如何基于算法革新，模拟人脑抽象认知和思维，准确且高清晰度地进行声音处理、图像传播甚至更为复杂的数据处理和问题解决等，在21世纪来临的时候成为摆在人工智能领域的关键问题。
在人工智能领域，深度学习其实是一种算法思维，其核心是对人脑思维深层次学习的模拟，通过模拟人脑的深哟纬橄笕现过程，实现计算机对数据的复杂运算和优化。深度学习采用的模型是深层神经网络（DeepNeuralNetworks，DNN）模型，即包含多个隐藏层（HiddenLayer，也称隐含层）的神经网络（NeuralNetworks，NN）。深度学习利用模型中的隐藏层，通过特征组合的方式，逐层将原始输入转化为浅层特征、中层特征、高层特征直至最终的任务目标。深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出，为训练深层模型带来了希望，并在多个应用领域获得了成功。
二、深度学习在教育中的兴起与发展
来自脑科学、人工智能和学习科学领域的新成就，必然引起教育领域研究者的深刻反省。计算机、人工智能尚且能够模拟人脑的深层结构和抽象认知，通过神经网络的建立开展深度学习，那人对知识的学习过程究竟应该是怎样的一个脑活动过程和学习过程？学生的学习有表层和深层等层次之分吗？从作为符号的公共知识到作为个人意义的个人知识究竟是怎样建立起来的？知识学习过程究竟是一个怎样的抽象认知过程？信息技术环境支持下深层次的学习如何实现？近十多年来，这些问题引起了许多教育研究者特别是教育技术学研究者的浓厚兴趣，深度学习、深度教学的研究日益引起人们的重视。也正是在辛顿的“深度学习”概念明确提出后，教育学领域特别是教育技术学领域的深度学习研究日益活跃起来。
尽管计算机、人工智能领域与教育学领域都提出了“深度学习”概念，但不难看出二者显然具有本质差异。计算机与人工智能领域的深度学习是建立在机器模拟人脑深层结构的基础之上的，是基于人脑结构的一种计算机算法思维和问题解决模型，是对人脑和认知结构的模拟。而教育学领域的“深度学习”概念，无论是布鲁姆还是马顿和萨尔约，都指向了“知识”和“学习”两个核心，是关于知识学习的目标和过程的问题。布鲁姆在教育目标分类学认知领域的目标构设中，认为认知目标是由了解、理解、应用、分析、综合、评价六个不断加深的层次构成的。这一目标明显是关于知识学习和认知过程的目标，在2001年修订版中，这一目标被精确表述为知识学习和认知过程两个维度。马顿和萨尔约在关于阅读的研究中，基于学生对文本理解的层次和理解的深度提出了“深度学习”的概念，并认为学习的本质区别在于过程而不是学习的结果，是学生对文本知识学习的深刻程度决定了其学习结果的差异性。
三、深度学习的核心理念
深度教学的“深度”是建立在完整而深刻地处理和理解知识的基础之上的。艾根在深度学习的研究中，首次从知识论的角度，论述了深度学习的“深度”（Depth）的涵义。他认为“学习深度”具有三个基本标准，即知识学习的充分广度（SufficientBreadth）、知识学习的充分深度（SufficientDepth）和知识学习的充分关联度（Multi-DimensionalRichnessandTies）。这三个标准，也是深度学习的核心理念。
第三，知R学习的充分关联度。知识的充分关联度，是指知识学习指向与多维度地理解知识的丰富内涵及其与文化、想象、经验的内在联系。知识学习不是单一的符号学习，而是对知识所承载的文化精神的学习。同时，通过与学生的想象、情感的紧密联系，达到对知识的意义建构。从广度，到深度，再到关联度，学生认知的过程是逐层深化的。所谓意义建构，即从公共知识到个人知识的建立过程，都需要建立在知识学习的深度和关联度之上。
①Y.LeCunandY.Bengio.Convolutionalnetworksforimages，speech，andtime-series.InM.A.Arbib，editor，TheHandbookofBrainTheoryandNeuralNetworks.MITPress，1995.
②GeofferyE.HintonandSalakhutdinovR.R.，Reducingthedimensionalityofdatawithneuralnetworks.Science.2006Jul28；313（5786）：504-7.
③GeoffreyE.Hinton，SimonOsindero，Yee-WhyeTeh.AFastLearningAlgorithmforDeepBeliefNets.NeuralComputation.2006（7）.
④余凯等.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，9.
⑤安德森.布卢姆教育目标分类学（修订版）[M].北京：外语教学与研究出版社，2009：78-80.
⑥Marton，F.andSaljo，R.，OnQualitativeDifferenceinLearning：OutcomeandProcess.BritishJournalofEducationalPsychology，1976，46：4-11.
⑦安富海.促进深度学习的课堂教学策略研究[J].课程教材教法，2014，11.
⑧KieranEgan.LearninginDepth：ASimpleInnovationThatCanTransformSchooling.London，Ontario：TheAlthousePress，2010.
关键词：多媒体；情境；任务驱动
现今社会的教育正在向信息化、数字化、科学化以及智能化迈进。作为信息技术老师，不仅需要根据教学目标进行教学改革，还要努力提高学生对于信息技术这一门课的热情和兴趣。
一、高中信息技术理论课的特点
1.知识面广
高中信息技术包含的知识面广、内涵很丰富，涉及信息技术的多个方面。理论知识有基本概念、原理、规律、算法以及程序的设计等。此外，理论知识之间的联系性不够紧密，高中信息技术学科不像其他的学科，在掌握了某个知识点或者概念过后，就可以学习新的知识，这门课的各个知识点之间的内在联系或者说是逻辑性不是很强，看似简单，但学生学起来会花费一些力气，因此对于老师来说，在教学中就要讲求方法策略。
2.内容抽象
信息技术的知识点比较抽象，很难用语言来表述清楚，学生听起来也很费劲。例如：“网络通信的工作原理”这一节课，包括网络中数据的传输过程、TCP/IP协议的基本知识点、OSI参考模型等内容，对于学生而言，这些概念之间的联系、区别以及原理是看不见、摸不着的。因此，对于教师而言也是一个大挑战。
二、高中信息技术理论教学方法策略
1.利用多媒体技术，激发学生学习高中信息技术的兴趣
随着多媒体技术的发展，多媒体已经被许多老师运用到课堂的教学当中。许多学校购买了多种多样的课件、素材，并且通过网络共享资源，使得全校师生可以享受到这样的便利。多媒体以其生动的图像、声音等效果，使得抽象、深奥的理论知识更为简单和直观，使学生与学生之间的距离更短。多媒体提供的多种感官的综合刺激有利于学生对于理论知识的获取。老师可以利用共享的资源，整理和制作出图文并茂的PPT以及Flash等课件，在课堂教学中运用可以起到事半功倍的效果。
例如：在讲授“人工智能”这一节课的时候，老师通过网络搜集到与人工智能有关的信息，当中也包括一些有关人工智能的电影片段等等，将收集到的东西演示给学生观赏，使学生有一种新颖和好奇感；再如：“算法和算法描述”教学的时候，通过趣味的智力游戏，激发学生学习程序设计的兴趣，从而体会和掌握算法的概念。
2.采用情境教学或典故教学
爱因斯坦说：“兴趣是最好的老师”。信息技术课有着优美的动画、色彩鲜明的图画以及悦耳的声效，这些对于学生学习信息技术能产生强大的动力。因此可以充分利用这一特点，激发学生的兴趣。根据教学的内容，创设出恰当的情境，这样使得学生更容易接受知识。经过多年课堂教学的实践，在教学中，适当引入合适的故事，既可以提高学生参与课堂教学的积极性，又有助于加深学生对问题的理解，让学生在一个轻松愉悦的环境中学习，从而改善了传统的灌输式教育，大大提高了课堂教学的效果。
例如：在讲授信息技术中的木马病毒的时候，老师可以通过讲解希腊神话中“特洛伊木马”的故事，然后再告诉学生“木马”的含义就是把预谋的功能隐藏在公开的功能里面，从而掩盖真实的企图，学生边听故事，边感受到虚拟的木马病毒。老师接着顺其自然地介绍木马病毒侵入电脑的危害，这样学生更为容易接受。
3.采用任务驱动的课堂教学方法
高中信息技术课堂教学，应该注重培养学生的信息素养以及学生处理信息的能力。老师授课和学生的学习都离不开教材。任务驱动教学是指教学的全过程中，以若干个具体任务为中心，通过完成任务的过程，介绍和学习基本知识和技能，它是一种建立在建构主义教学理论基础上的教学方法。任务驱动教学方法的步骤是，首先老师向学生明确布置本阶段、本课时的学习任务，并且给予学生学习方法的指导，以任务为驱动，通过实例进行引导，鼓励学生完成任务，并且根据现有的问题，提出新的问题，自己去解决，培养学生的创新意识和自主学习的习惯。
总而言之，高中信息技术是一门理论和实践相结合的学科，需要老师对信息技术有清晰的认识，需要老师认识到该课程的重要性，根据教学的目标，探索出教授这一门课的方法策略，从而使学生更好地认识这一门课。
[1]蒋霞.高中信息技术理论课教学策略的探讨[J].信息技术，2011（12）：41-42.
[2]刘晓峰.多媒体课件在高中信息技术课堂上的应用现状分析[J].吉林省教育学院学报，2011（10）：31-33.