数据、树和森林 -- K-12 教育中的决策树学习
介绍了一种加入不确定性学习的修改决策树的方法 ——Indecision Trees,可以提供一个稳健的标签概率分布,并可以在其他推理系统中使用。
Jun, 2022
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
本文提供了一套以数字素养和社会视角为重点的 AI 学习目标,旨在帮助补充现有的计算机科学课程,并提供有关 AI 的核心概念和相应的能力的见解。
May, 2023
为了解释机器学习的需求,在解释性人工智能研究方向上,决策树和增强学习的混合模型成为一个新的研究方向,其中使用了 MAP-Elites 方法来拓展模型,该方法在 OpenAI Gym 库的两个控制问题中表现良好。
Aug, 2022
通过与 ML 软件从业人员、教育者和学生进行合作设计,本研究发现利益相关者基于其领域和程序知识对数据进行情境化,积极设计数据要求以减少下游危害和数据可靠性问题,并展现了基于角色的合作策略和贡献模式。此外,研究发现,ML 中有意义的利益相关者参与需要结构化支持:连续反复迭代和共同评估的定义流程,共享的情境数据质量标准,以及旨在帮助技术和非技术利益相关者跨越专业边界的信息支架。
Nov, 2023
本研究使用 Scikit-learn 中五种机器学习模型,在 924 名牙科学生的数据集上训练并比较,结果显示随机森林模型的准确率为 94.9%,效果最佳。研究建立的模型可以用于预测学生的表现和学习策略,并实施恰当的干预措施来提高学生的学习进展。
Oct, 2022
本文介绍一种名为 “学习教学” 的方法,它利用两个智能代理相互交互:一个学生模型和一个教师模型。教师模型利用学生模型的反馈来优化自己的教学策略,以达到教师和学生的共同进化,并在各种机器学习任务下通过使用深度神经网络等模型来展示这一方法的实用价值。
May, 2018
本论文讨论了 AI 对医学、生物学、交通、娱乐等领域产生深远影响的同时,为应对未来 AI 驱动的社会挑战,将 AI 教育纳入 K-12 教育的必要性并提出了基于模块化的教学方法以促进学生的动机和创造性思维。
May, 2022
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。
Sep, 2022