教学的学习
本文提出了一种新的算法，名为 Learning to Coordinate and Teach Reinforcement（LeCTR），通过在协作多智能体强化学习中使每个代理都学习何时提供何种建议，从而改善整个团队性能和学习效果。实证比较表明，我们的教学代理不仅学习速度更快，而且在现有方法失败的任务中也学会了协作。
May, 2018
本文探讨了通过动态、自动输出适当损失函数来训练机器学习模型的可能性，并提出了一种高效学习教师模型的方法（称为 “学习动态损失函数的教学”），经过对图像分类和神经机器翻译等任务的广泛实验，证明了该方法显著提高了各种学生模型的质量。
Oct, 2018
本文提出了一种更智能的机器教学范式，即一次性机器教学，并建立了可行的映射方法设计最优化（通常为最小）教学集，以便更快地收敛，从而证明了新教学范式的智能性并验证了该策略的有效性。
Dec, 2022
我们示范了大型语言模型在教学和学习中的应用，并讨论了已经在教育领域发生的人工智能事件，我们主张迫切需要在大学引入人工智能政策并进行持续的监管策略。关于人工智能政策，我们认为每个机构都应该拥有关于人工智能在教学和学习中的政策，这至少有两个重要方面：（一）提高对多种教育工具的认识，这些工具既能积极地也能负面地影响教育；（二）减少教育中的人工智能事件风险。
Sep, 2023
本研究提出了一种交互式机器教学算法，该算法通过选择学生观察的有代表性的图片来教授具有挑战性的视觉概念，以提高机器教学和图像分类的效率。利用该算法，我们可以基于学生的正确和错误答案，概率地模拟学生的知识水平和进展情况，从而在多个真实世界的数据集上获得更好的结果。
Apr, 2015
本文基于现有工作，提出了一个包括教学界面、机器学习器和知识库在内的机器教学框架，并着重关注实现教学界面所涉及的人工智能交互设计。在师生对话中，阐述了开发机器教学系统时需要处理的设计决策。
Jun, 2022
利用人工智能的互动场景增强课堂教学品质，包括对话自动完成、知识和风格传递，和评估人工智能生成的内容，探索多种应用和挑战，为未来研究提供清晰的道路。
May, 2023
这篇论文提出了人工智能在学习和教育中的多维视角，强调了人工智能、分析技术和学习过程之间错综复杂的相互作用。论文挑战了将人工智能仅视为随机工具的狭隘概念，并主张重要的替代概念。作者在文中突出了人类智能与人工信息处理的差异，AI 算法中固有的认知多样性，并指出 AI 也可以作为理解人类学习的一种工具。借鉴早期的学习科学和教育中的 AI 研究，本文提出了三种独特的人工智能在教育中的概念：人类认知的外部化、通过内化 AI 模型来影响人类思维过程，以及通过紧密结合的人工智能系统扩展人类认知。文中通过当前研究和实践的例子阐述了这三种概念的潜在价值和局限性，强调了过分强调将人类认知外部化的危害，如当今围绕生成性 AI 工具的炒作。最后，本文呼吁采用更广泛的教育方法，包括教育人们关于人工智能的知识，并创新教育体系以适应 AI 为基础的世界。
Mar, 2024
本文探讨了机器学习模型在组织背景下促进知识转移的潜力，以构建更具成本效益的基于 IT 的教学系统。通过系统的文献综述和概念分析，本研究为计算机支持的协同工作领域做出了贡献，为构建区别于众的人机交互的知识转移子领域奠定了基础。
May, 2023