欧美日韩国产一区二区|qovd片|小明个人发布看看|小浪货你夹真紧水又多|老头把我添高潮了A片故|99热久久精品国产一区二区|久久久春色AV

  1. 首頁 > 科技 > >

算法|教、學、管、考場景下均有AI

算法

算法|教、學、管、考場景下均有AI

【算法|教、學、管、考場景下均有AI】
在人工智能產業當中 ， 金融、營銷、安防、客服領域在IT基礎設施、數據質量、對新技術的接受周期等AI發展基礎條件方 面表現較優 ， 其商業化滲透率和對傳統產業的提升程度較高 。 而教育行業整體AI化程度較低 ， 數據質量參差不齊 ， 解決方案的落地效果表現一般 ， 但得益于政策的大力支持與市場對AI的強烈需求 ， AI+教育的商業模式逐漸清晰 ， 價值空間較高 。在教育產業當中 ， 校外教育向在線化發展 ， 校內教育向信息化發展 。 校外教育方面 ， 在線化教學的的用戶體驗粗糙且教學效果模糊 ， 用戶對新技術的接受周期較長 ， 更加智能化的產品值得探索 。 此外 ， 校內師生的信息素養不高 ， 且信息化設備 使用頻率較低 ， 均導致核心教學數據缺失 ， 最終加大了教育數據挖掘分析的難度 ， 因此亟待智能化解決方案的落地實施 。
對“AI+教育”的定義既要回歸技術的本質 ， 始終圍繞基礎數據、核心算法與服務目的 ， 也要回歸教育教學活動的出發點 ，始終關注教育目標及其評價方式 。 因此 ， 本文認為 ， “AI+教育”是指在人工智能與教育深度融合與發展的條件下 ， 以基于教育場景的人工智能應用為路徑 ， 促進教育公平 ， 提升教育質量 ， 實現教育個性化 。 具體來看 ， “AI+教育”是人工智能在教育領域中創新應用的技術、模式與實踐的集合 ， 可劃分為“計算智能+教育”、“感知智能+教育”和“認知智能+ 教育” ， 即AI+教育正從“能存會算”向“能聽會說與能看會認”發展 ， 最終實現“能理解與會思考” 。
從教育教學活動的角度來看 ， 當前的教育場景可劃分為教、學、管、考 。 其中 ， “教”和“管”的主體是教育者 ， 前者負 責執行教學任務 ， 主要工作包括教研、備課、授課、答疑、出題、閱卷等 ， 工作內容繁瑣 ， 核心需求是減輕負擔 ， 實現精 準化教學 。 后者負責統籌教務環節 ， 主要工作包括教職工招募、師生督導、招生、分班排課、校園建設等 ， 決策環節考慮 因素較多 ， 核心需求是提高效率 ， 實現科學化管理 。 “學”與“考”的主體是受教育者 ， “學”的場景下 ， 學生的主要任 務包括預習、聽課、看書、做作業、復習、考試、實習等 ， 由于學生個體差異大 ， 核心需求是自適應 ， 實現個性化學習 ?！翱肌钡膱鼍跋?， 主要面向大規模標準化測試 ， 組卷閱卷的工作龐大 ， 部分測評環節勞動力密集且效率底下 ， 核心需求是 保證準確性的前提下 ， 實現自動化評閱 。
從AI+教育的技術架構來看 ， 可初步分為三個部分 ， 即基礎層、算法層、應用層 ， 每一層分別表現出不同的特點 。 基礎層 主要包括算力、數據與算法框架 ， 其中數據量級龐大冗雜 ， 質量參差不齊 ， 基于教學過程的非結構化和半結構化數據的處 理難度大 ， 線下教學環節的數據普遍缺失 。 算法層是實現技術的核心 ， 2006年提出的深度學習算法視為人工智能在算法層 的突破 ， 該算法通過具備更多隱層節點的人工神經網絡 ， 實現逐層特征變換與學習 ， 解決了很多復雜的模式識別難題 。 感 知層技術目前發展得較為成熟 ， 在深度學習算法的助力下 ， 感知技術應用場景廣泛 。 認知層技術是未來發展的重要方向 ，預期在特定領域內可實現機器一定程度上的認知推理能力 ， 有顯著的技術門檻 。 AI+教育的應用發展階段各異 ， 越外圍的 教育環節 ， 技術滲透率越高 ， 技術的有用性與易用性也越好 。

相關經驗推薦