Nov, 2023

使用人工神经网络识别适合中学生的图书

HTML
PDF
TL;DR本文旨在通过分析结构和语义特征，开发一种算法来确定适合中学生的书籍，并利用Python编程语言和人工神经网络对算法进行训练，以选择中学课程的书籍。通过对数据的预处理和构建原始数据集，训练的神经网络在确定测试提供的书籍的适宜程度方面达到了90.06％的一致性率，从而实现了预期目标。
发现论文，激发创造
  • 乌兹别克文本与学生教育潜力的对应关系：以学校语料库为例的案例研究

    本文使用课程语料库中25本教科书，通过计算TF-IDF分数转换为向量表示，并使用余弦相似度算法将给定的教育材料与相应班级的语料库进行比较，确定给定教育材料是否适合学生的教育潜力。

    Mar, 2023

  • 基于OpenAI大型语言模型的自动阅读段落生成

    本文提出一种使用OpenAI最新的基于Transformer的语言模型GPT-3生成阅读文章的方法，并通过人工编辑和人工评估保证生成的文章的准确性和易读性。

    Apr, 2023

  • 指派 AI: 七种面向学生的方法

    本文探讨了大型语言模型在教育中的转型作用和潜力，提出了利用人工智能进行辅助教学的七种方法，并介绍了实践策略来减少风险，并保证人工智能作为支持性工具而非替代品。

    Jun, 2023

  • 人工智能加速阅读工具（针对注意力缺陷多动障碍、诵读困难或注意力短暂的学生）

    本文介绍了一种新颖的方法，旨在帮助患有阅读障碍、多动症和注意力不集中的学生更高效地消化任何文本信息。该方案利用多层感知器 (MLP) 算法进行复杂文本处理和摘要任务，利用 Hugging Face 的 T5 (Text-to-Text Transfer Transformer) 模型处理自然语言处理任务。该工具通过对特定任务使用较小的数据集对模型进行微调，利用 NLTK 的 Punkt 句子分词器将文本划分为句子列表，并使用轻量级的 Web 服务器和框架 Flask 提供服务。该工具还应用了仿生阅读原则来提高可读性，包括加粗功能和对行、词和字符间距的调整。该论文讨论了基于人工智能的速读工具的方法、实施和结果。

    Jul, 2023

  • 运用符号知识增强深度神经网络：朝向可信和可解释的教育人工智能

    人工神经网络在教育应用中具有适应性教育服务的重要性，然而由于三个重大挑战，即难以整合教育知识、学习和反思偏见，以及缺乏解释性，它们在实践中的教育潜力受到限制。该研究认为神经符号人工智能具有解决这些挑战的潜力，通过开发一种称为NSAI的方法，它将教育知识注入和提取到深度神经网络中，以建模学习者的计算思维。研究发现NSAI方法相较于仅在训练数据上训练的深度神经网络以及通过SMOTE和自编码器方法来增强训练数据的深度神经网络具有更好的泛化能力。此外，NSAI方法使得从学得的网络中提取规则成为可能，便于解释与推理以及优化初始教育知识。这些发现表明神经符号人工智能能够克服人工神经网络在教育领域中的局限，实现可信赖和可解释的应用。

    Nov, 2023

  • 利用混合神经网络自动评分学生科学写作

    使用多角度混合神经网络（HNN）对学生科学教育中的分析性评分标准进行评估，结果显示HNN在比较四种机器学习方法（BERT，AACR，朴素贝叶斯和逻辑回归）后，对于五个评分方面的准确度分别比朴素贝叶斯，逻辑回归，AACR和BERT高8％，3％，1％和0.12％（p <0.001） 。HNN的整体准确度（M = 96.23％，SD = 1.45％）与（训练和推理）复杂的BERT模型的准确度（M = 96.12％，SD = 1.52％）相当。我们还观察到HNN在训练和推理方面比BERT高2倍的效率，并且在准确度较低的朴素贝叶斯模型上具有可比较的效率。本研究证实了使用HNN自动评分学生科学写作的准确性和效率。

    Dec, 2023

  • LLM教育中的知识蒸馏

    本研究提出了一种方法，将大型语言模型（LLMs）的知识提炼为一个更小、更高效且准确的神经网络，以实现在资源受限设备上部署这些模型的挑战。我们的方法包括使用LLM的预测概率训练较小的学生模型，作为教师模型，通过专门设计的损失函数来学习LLM的输出概率，确保学生模型能够准确模仿教师模型的性能。通过对包括6,684个学生撰写的科学问题回答及其他数据集的测试，我们将性能与原始神经网络（NN）模型进行了比较，结果显示对于7T数据集，NN模型和提炼的学生模型的准确率与教师模型相当；然而，其他数据集显示NN模型的准确率显著较低（平均28%），然而我们的提炼模型仍然能够比NN模型获得更高12%的准确率。此外，学生模型的参数大小为0.1M至0.02M，相较于原始输出模型大小减小了100倍和10倍。该研究的重要性在于其为自动评分在典型教育环境中的运用提供了潜力。

    Dec, 2023

  • 提升教学质量：利用计算机辅助文本分析从教育资料中生成深度洞察

    通过对教育文本的深度洞察，本文探讨了计算机辅助文本分析在提高教学质量方面的转变潜力，结合Richard Elmore的教学核心框架，研究了人工智能和机器学习方法特别是自然语言处理在分析教育内容、教师论述和学生反馈方面的作用，从教师指导、学生支持和内容开发等关键领域发现了AI/ML集成的重要优势，并揭示了AI/ML的模式，不仅可以简化行政任务，还可以为个性化学习引入新的途径，为教育工作者提供可操作的反馈，为教学动态提供更深入的理解。本文强调将AI/ML技术与教学目标相一致，实现其在教育环境中的充分潜力，提倡平衡的方法，包括考虑道德考虑、数据质量和融合人类专业知识。

    Mar, 2024

  • 基于集成学习和BERT架构的学生社交网络文本情感分类模型

    本研究针对中学生心理健康评估中的社交网络文本情感分类问题，提出了一种基于BERT的集成学习网络模型。通过结合多个分类器并采用多数投票法，该模型在性能上优于基础模型，体现了在预测效果与效率之间的平衡，同时指出更深层BERT网络在训练时的优势。

    Aug, 2024

  • 评估大型语言模型为不同中学生个性化科学文本的能力

    本研究针对大型语言模型在K-12教育领域的应用缺乏探讨的问题，采用随机对照试验评价GPT-4个性化科学文本的有效性。结果显示，当文本与学生的学习偏好一致时，学生表现出显著的偏好，表明GPT-4能够有效地根据学习者的个性化需求调整教育内容，推动个性化学习技术的发展。

    Aug, 2024