本报告总结了 Dagstuhl Seminar 22382“科学中的机器学习：桥接数据驱动和机理建模” 的讨论并提出了如何协作来推动人工智能和科学发现的新一波进展的路线图。

Mar, 2023

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

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

通过呈现示例创新的学习场景，探索了多模态大语言模型 (MLLMs) 在科学教育的核心方面的转变作用，包括文本创作、个性化学习支持、培养科学实践能力以及提供评估和反馈。同时，强调了在实施 MLLMs 时采取平衡的方法的必要性，确保技术对教育者角色的补充，以确保人工智能在科学教育中的有效和道德使用。

Jan, 2024

人工智能在教育测量中的整合革命了评估方法，通过机器学习和自然语言处理实现了自动化评分、快速内容分析和个性化反馈，为学生提供及时、一致的反馈和宝贵的学业表现洞察，从而增强了评估体验。然而，将人工智能应用于教育也带来了诸多伦理关切，涉及到有效性、可靠性、透明度、公平性和公正性等问题。算法偏倚和人工智能决策过程的不透明性等问题可能会将不平等问题持续下去并影响评估结果。为了应对这些关切，包括教育工作者、决策者和组织在内的各方利益相关者已制定了指南，以确保人工智能在教育中的道德使用。美国教育测量学会（NCME）的 AI 与教育测量特别兴趣小组（AIME）也致力于确立道德标准并推动该领域的研究。本文中，来自 AIME 成员的多样化团队审视了人工智能驱动教育测量工具的伦理影响，探讨了自动化偏倚和环境影响等重大挑战，并提出了解决方案，以确保人工智能在教育中的负责任和有效使用。

Jun, 2024

本研究通过对生成人工智能工具对评估和教学实践的综合评估，探讨了其潜在影响。结果表明，生成人工智能工具在主题知识、问题解决、分析、批判性思维和演示技能方面具有限制学习的潜力。同时，对某些学科评估工具的设计揭示了生成人工智能工具的局限性。基于研究结果，我们提出了关于如何在高等教育中利用人工智能工具进行教学和学习的建议。

Apr, 2024

探索和研究 AI 驱动的自动闭环科学发现方法，包括自我驱动的假设生成和假设空间的无限自主探索。将自动化纳入科学实践将缓解当前问题，包括发现的复制、数据的系统化生产以及最终的科学过程民主化，具有开创性的视野将释放 AI 在我们的世界基本结构搜索和发现方面的潜力，好过自动化当前工作流程，并打开技术创新的大门，解决人类面临的最大挑战之一。

Jul, 2023

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

通过共同设计研究，探索学生使用人工智能（AI）的数据在项目式学习（PBL）评估中作为新材料的潜力，并基于学生对教育目标转变的愿景，分析了学生使用 AI 的各种情景、分析方法和理解方式以及对学生与 AI 互动和理解 AI 增强学习的未来研究机会。

Jan, 2024

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