Sep, 2022

迷失在翻译中：重新构想教育中的机器学习生命周期

PDF
TL;DR通过对过去十年应用机器学习技术于教育方面文章的定性调查，探讨了这些文献陈述的教育和社会目标与其解决的机器学习问题之间的对齐程度，发现存在跨学科差距，提出了扩展的机器学习生命周期来填补这个差距。
machine learningeducationml4edtechnical problemsocietal impact
发现论文，激发创造
  • 基于机器学习的教学系统：概念框架

    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

  • 有意义的机器学习

    机器学习的研究应更加关注数据集、评估指标、以及研究结果在学科领域中的传播，作者提出了 6 个目标挑战以促进机器学习的实际应用。

    Jun, 2012

  • 循着最佳实践指引的机器学习

    本文旨在通过分析机器学习在软件工程中的最佳实践，填补现有文献不足的空缺，并针对机器学习应用所面临的挑战和开发过程，提出一系列以软件工程视角为基础的建议。

    Apr, 2023

  • 机器学习增强的系统工程中的问题命名

    通过国际调查，本研究提供了机器学习应用系统工程的现状和问题，推动软件工程实践的进一步应用和传播，以提升机器学习应用系统的工程水平。

    May, 2024

  • 机器人已经到来：导航计算教育中的生成 AI 革命

    人工智能和大型语言模型在计算机教育中的应用及其引发的伦理问题的综合调查和分析。

    Oct, 2023

  • 教育中的大型语言模型概述

    人工智能在教育领域有深远的影响，特别是大型语言模型（LLMs）在智能教育（LLMEdu）中的应用，对提高教学质量、改变教育模式和调整教师角色有巨大的潜力，然而仍面临着挑战和问题。本文系统综述了 LLMEdu 的当前技术、挑战和未来发展，并介绍了 LLMs 与教育的特点以及将 LLMs 整合到教育中的好处。同时还回顾了将 LLMs 整合到教育行业的过程和相关技术的引入，并讨论了 LLMEdu 所面临的挑战和问题，以及未来优化 LLMEdu 的前景。

    May, 2024

  • 机器教学：构建机器学习系统的新范式

    本文探讨了机器教学的范式转变，并提出将与机器学习算法有关的知识与教学过程进行脱耦，以加速创新和赋能数百万新的机器学习模型应用。

    Jul, 2017

  • 机器学习研究中的陷阱：重新审视开发周期

    本研究从算法设计到数据收集到模型评估的全过程，引起注意常见陷阱，并提供实用建议以改进机器学习，通过案例研究强调这些缺陷在实践中如何发生以及在哪里可以进行改进。

    Nov, 2020

  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • VeML：大规模高维数据的端到端机器学习生命周期

    本文介绍了一个专门针对端到端机器学习生命周期的版本管理系统 VeML，其中通过核心集算法来解决大规模高维度数据的生命周期构建高成本的问题，同时也能检测训练数据和测试数据之间的不匹配导致的模型准确度下降，而无需使用标记数据来重新构建生命周期。作者在真实的大规模数据集上进行了实验并显示了良好的结果。

    Apr, 2023