|
摘要：人工智能在教育領(lǐng)域的應(yīng)用已有四十多年的歷史，隨著近年來人工智能在各領(lǐng)域不斷取得重大突破，教育人工智能也將迎來新一輪發(fā)展。文章首先梳理了人工智能發(fā)展的脈絡(luò)；進(jìn)而分析了教育人工智能的典型應(yīng)用領(lǐng)域以及未來趨勢，提煉總結(jié)教育人工智能應(yīng)用模型以及核心服務(wù)能力，分析深度學(xué)習(xí)技術(shù)對于實(shí)現(xiàn)若干核心服務(wù)能力的作用；最后指出教育人工智能所面臨的機(jī)遇和挑戰(zhàn)。文章從多個(gè)維度闡述了當(dāng)前教育人工智能的發(fā)展情況，以期為設(shè)計(jì)人工智能教育應(yīng)用提供借鑒。 關(guān)鍵詞：深度學(xué)習(xí)；人工智能教育應(yīng)用模型；人工智能教育應(yīng)用核心服務(wù)；人工智能民主化；教育數(shù)據(jù)隱私保護(hù) 引言 人工智能（Artificial Intelligence，AI）被廣泛認(rèn)為是繼信息技術(shù)革命之后的新一輪生產(chǎn)力革命，它將對諸多行業(yè)和領(lǐng)域產(chǎn)生了巨大和深遠(yuǎn)的影響，而教育領(lǐng)域就是其中一個(gè)需要被高度重視的領(lǐng)域。在這種背景下，《“互聯(lián)網(wǎng)+”人工智能三年行動(dòng)實(shí)施方案》提出要鼓勵(lì)開展人工智能基礎(chǔ)知識和應(yīng)用培訓(xùn)；《新一代人工智能發(fā)展規(guī)劃》提出要利用智能技術(shù)加快推動(dòng)人才培養(yǎng)模式、教學(xué)方法改革；《高等學(xué)校人工智能創(chuàng)新行動(dòng)計(jì)劃》與《教育信息化2.0行動(dòng)計(jì)劃》強(qiáng)調(diào)要發(fā)展智能教育。由此可見，將AI應(yīng)用于教育領(lǐng)域已成為未來一段時(shí)間需要重點(diǎn)關(guān)注的問題。 通常，AI在教育領(lǐng)域的應(yīng)用被稱為Artificial Intelligence in Education（AIEd）[1]。國外一些政府和研究機(jī)構(gòu)高度關(guān)注AIEd的發(fā)展，美國國家人工智能研究和發(fā)展戰(zhàn)略計(jì)劃[2]、英國機(jī)器人和人工智能報(bào)告[3]、斯坦福報(bào)告[4]中都有相關(guān)的闡述。培生的報(bào)告從教學(xué)模型和應(yīng)用領(lǐng)域闡述了人工智能教育應(yīng)用的發(fā)展路徑，強(qiáng)調(diào)需要從政府層面進(jìn)行規(guī)劃設(shè)計(jì)，圍繞人工智能教育應(yīng)用進(jìn)行一個(gè)生態(tài)系統(tǒng)建設(shè)，而不能局限于單一應(yīng)用[1]。 國內(nèi)外的這些規(guī)劃及報(bào)告將推動(dòng)AIEd的發(fā)展。然而，歷史上人工智能的發(fā)展經(jīng)歷了數(shù)次“寒冬”，因?yàn)樵诋?dāng)時(shí)，存在著人工智能技術(shù)無法滿足日益膨脹的幻想需求之間的矛盾。以史為鑒，面對當(dāng)前人工智能的快速發(fā)展之勢，在具體實(shí)施過程中，我們需要對其在教育領(lǐng)域的應(yīng)用進(jìn)行分析，回答能做什么、要做什么、有哪些關(guān)鍵技術(shù)以及要注意什么。為此，本研究梳理了當(dāng)前人工智能和教育應(yīng)用的發(fā)展現(xiàn)狀、應(yīng)用領(lǐng)域、核心服務(wù)能力、關(guān)鍵技術(shù)模型以及機(jī)遇與挑戰(zhàn)。 一 人工智能發(fā)展概況 1 知識庫和推理階段 在1956年達(dá)特茅斯會議上，人工智能這一術(shù)語首次被提出。在1956~1969年間，一些研究成果使得人們對于人工智能研究產(chǎn)生了巨大的期望，如Herbert[5]開發(fā)了幾何定理證明器，James[6]的SAINT程序能夠求解大學(xué)一年級課程中典型的閉合式微積分問題，Tom[7]的ANALOGY程序能夠求解出現(xiàn)在智商測試中的幾何類推問題。 然而，AI早期的問題求解主要是一種通用的搜索機(jī)制，試圖串聯(lián)基本的推理步驟來尋找完全解，但這種方法難以應(yīng)對現(xiàn)實(shí)世界復(fù)雜的領(lǐng)域問題。因此，20世紀(jì)70年代，基于知識的專家系統(tǒng)開始發(fā)展起來。這種系統(tǒng)聚焦于特定領(lǐng)域，用領(lǐng)域大量的相關(guān)知識作為基礎(chǔ)，允許更大量的推理步驟，因此可以更好地處理特定領(lǐng)域中的問題，在業(yè)界得以廣泛應(yīng)用。 2 機(jī)器學(xué)習(xí)及深度學(xué)習(xí)階段 然而，人們逐漸認(rèn)識到，專家系統(tǒng)面臨著“知識工程瓶頸”問題，即依靠人把知識總結(jié)出來再教給計(jì)算機(jī)是相當(dāng)困難的。于是，機(jī)器學(xué)習(xí)這一技術(shù)分支出現(xiàn)了，其目的就是讓機(jī)器自己學(xué)習(xí)知識。 從2000年前后開始，大數(shù)據(jù)集在機(jī)器學(xué)習(xí)中發(fā)揮了重要作用[8]。如Halvey[9]認(rèn)為很多應(yīng)用中的“知識瓶頸”可以通過足夠的數(shù)據(jù)來解決；Hays等[10]討論了馬賽克模糊處理照片補(bǔ)全的問題，他們發(fā)現(xiàn)使用1萬張照片，算法性能會很差，而如果增加到200萬張照片，算法會表現(xiàn)出極好的性能。 人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中一種重要的計(jì)算模型。由于早期人工神經(jīng)網(wǎng)絡(luò)感知機(jī)只有兩層網(wǎng)絡(luò)，難以表達(dá)復(fù)雜的問題，而多層的復(fù)雜神經(jīng)網(wǎng)絡(luò)架構(gòu)，又面臨計(jì)算難度驟增等問題，因此早期遭到包括Minsky等人工智能先驅(qū)的批評，其發(fā)展起起落落。2006年，Hinton[11]開啟了深度學(xué)習(xí)研究和應(yīng)用的新時(shí)代。發(fā)展至今，人工智能在語音識別處理、視頻和圖像處理、物體檢測以及其它領(lǐng)域表現(xiàn)出了比傳統(tǒng)方法更好的效果[12]。 二 人工智能教育應(yīng)用領(lǐng)域分析 1 分析和決策類 隨著“互聯(lián)網(wǎng)+教育”的發(fā)展，在線學(xué)習(xí)平臺上的用戶越來越多，數(shù)據(jù)量急速膨脹，依托傳統(tǒng)的分析方法難以有效識別學(xué)情。采用人工智能技術(shù)，可以有效分析、高效利用這些數(shù)據(jù)。Marius等[13]基于MOOC的學(xué)習(xí)數(shù)據(jù)，采用機(jī)器學(xué)習(xí)算法預(yù)測學(xué)生退課情況，該項(xiàng)研究中有3,475,485條點(diǎn)擊記錄。研究者將這些記錄條目屬性分為22類，依據(jù)這22類屬性基于主成分析算法、支持向量機(jī)算法綜合判定學(xué)生退課率，在基準(zhǔn)方法上提高了15%的預(yù)測準(zhǔn)確率。 2 智能教學(xué)類 一對一教學(xué)是理想的教學(xué)模式，因?yàn)槠涮烊痪邆鋫€(gè)性化服務(wù)的內(nèi)涵。研究表明，在一定層面，AI能夠模擬出有效的一對一教學(xué)模式[14][15]，其中典型的就是智能導(dǎo)師系統(tǒng)（Intelligent Tutoring System，ITS）。ITS能夠整合認(rèn)知模型、學(xué)習(xí)者模型、資源推薦、學(xué)習(xí)路徑推薦等眾多的技術(shù)來實(shí)現(xiàn)針對學(xué)習(xí)者的個(gè)性化輔導(dǎo)。經(jīng)歷幾十年的發(fā)展，ITS已經(jīng)獲得了廣泛應(yīng)用，VanLEHN[16]認(rèn)為在某些情況下，ITS已經(jīng)接近人類一對一教學(xué)的效果。Carnegie Learning’s Cognitive Tutor Mathematics Courese[14]已被2000所中學(xué)師生使用。隨著AI技術(shù)的進(jìn)步，ITS中開始檢測學(xué)生情緒的變化并提供針對性的學(xué)習(xí)策略調(diào)整[17]。 3 常規(guī)業(yè)務(wù)自動(dòng)化 人工智能的自然語言處理分支已被廣泛應(yīng)用于學(xué)術(shù)寫作訓(xùn)練領(lǐng)域。Simon[18]設(shè)計(jì)了一個(gè)針對民法學(xué)習(xí)的寫作課程分析工具。Ming[19]針對用機(jī)器學(xué)習(xí)的方法對漢字進(jìn)行相似性對比，利用這些相似性數(shù)據(jù)自動(dòng)生成漢字填空和多選試題。可以預(yù)見，未來大量的、重復(fù)性的工作將被人工智能取代。 4 未來發(fā)展的典型應(yīng)用 吳永和等[20]提出了“人工智能+教育”應(yīng)用的四種形態(tài)，包括智能校園、立體化綜合教學(xué)場、基于數(shù)據(jù)智能的在線學(xué)習(xí)教育平臺、智能教育助理。余明華等[21]深入了分析機(jī)器學(xué)習(xí)在智慧教育中的應(yīng)用問題。本研究從實(shí)踐的角度探討如下幾個(gè)具體的應(yīng)用。 （1）大規(guī)模自動(dòng)化的課堂觀察和分析 ①教學(xué)角度。在傳統(tǒng)課堂上，教師難以快速識別不同學(xué)生的需求。如教師無法實(shí)時(shí)判斷哪些學(xué)生掌握得好，哪些學(xué)生掌握得不好。有經(jīng)驗(yàn)的教師可以根據(jù)學(xué)生的面部表達(dá)進(jìn)行部分判斷，但這中情況高度依賴教師本身的素養(yǎng)，因此這種教育近乎“藝術(shù)”，難以普及。 ②教學(xué)評價(jià)的角度。典型的方式是通過對任課老師的聽課、評課進(jìn)行評價(jià)，這一方式存在兩個(gè)問題：一方面，聽課這件事本身對該堂課會產(chǎn)生影響；另一方面，這種聽課行為無法做到大規(guī)模、持續(xù)地按需進(jìn)行，難以積累大規(guī)模的有效數(shù)據(jù)。 以上兩個(gè)方面都對課堂觀察技術(shù)提出了高要求。隨著深度學(xué)習(xí)技術(shù)的應(yīng)用，人工智能技術(shù)在人臉識別、情感識別、動(dòng)作識別、語音識別等領(lǐng)域取得了突破性進(jìn)展，這為智能課堂中大規(guī)模、自動(dòng)化的課堂觀察和分析提供了基礎(chǔ)。 （2）用于家庭早教的人工智能教育機(jī)器人、智能音箱等 隨著人工智能在語言識別、語音合成、圖像識別等領(lǐng)域不斷取得突破，一批新型的早教機(jī)器人逐漸進(jìn)入市場。這些機(jī)器人同互聯(lián)網(wǎng)進(jìn)行緊密結(jié)合，不斷在用戶之間發(fā)生數(shù)據(jù)交互?？梢灶A(yù)期，這樣的機(jī)器人最終將越來越了解小孩，其教育屬性將越來越明顯。 （3）萬物識知與科研科普 萬物識知與科研科普是一種新的在線學(xué)習(xí)和科研教學(xué)形態(tài)，該形態(tài)能夠?qū)⑷粘Ｉ罱?jīng)歷和學(xué)習(xí)很好地結(jié)合起來。深度學(xué)習(xí)技術(shù)為這種教育模式提供了技術(shù)基礎(chǔ)，如Carranza等[22]采用深度學(xué)習(xí)的圖像識別方法對標(biāo)本進(jìn)行識別，準(zhǔn)確率接近80%。這項(xiàng)研究重要而深刻的意義在于：①在生物、地理等自然領(lǐng)域，機(jī)器自動(dòng)識別物種和地理現(xiàn)象的能力不斷提高，可能會極大地豐富這些領(lǐng)域的科研數(shù)據(jù)，這將解決野外工作者力量有限、不可遍及全球任何地方的問題；②用戶通過手機(jī)APP拍攝所見之物，當(dāng)遇到不認(rèn)識拍攝物的時(shí)候，系統(tǒng)可直接通過機(jī)器識別，開展以用戶興趣和主動(dòng)服務(wù)為核心的科普和自學(xué)服務(wù)，此方式正好切中自主學(xué)習(xí)、探索學(xué)習(xí)的精神。 三 人工智能教育應(yīng)用的核心服務(wù)能力 1 人工智能教育應(yīng)用的模型 Self[23]認(rèn)為教育方面、心理方面和社會方面的知識通常是含蓄的、不外顯的，ITS作為人工智能教育應(yīng)用的典型代表，其科學(xué)目標(biāo)就是使這些知識能以精確和外顯的形式計(jì)算化。從廣義角度來講，人工智能教育應(yīng)用的科學(xué)目標(biāo)也是類似的情況，即數(shù)據(jù)驅(qū)動(dòng)的分析、預(yù)測和行動(dòng)。 在人工智能的驅(qū)動(dòng)下，教學(xué)測評評價(jià)、教學(xué)管理、教學(xué)場景、教育形式等方面呈現(xiàn)出新的教育產(chǎn)品和教育形態(tài)[24][25][26][27]。應(yīng)用場景包括智慧教室、MOOC、ITS系統(tǒng)中的學(xué)習(xí)和其它各類數(shù)字化學(xué)習(xí)環(huán)境。然而無論哪種學(xué)習(xí)場景，人工智能教育應(yīng)用的核心共性關(guān)鍵要素可以概括為四種：①關(guān)于學(xué)習(xí)者的模型，即獲取學(xué)生的學(xué)習(xí)經(jīng)歷數(shù)據(jù)，據(jù)此數(shù)據(jù)進(jìn)行實(shí)時(shí)或者離線分析，從而提供實(shí)時(shí)或者離線的學(xué)習(xí)反饋和提示。在學(xué)習(xí)者模型中，關(guān)鍵的識別內(nèi)容包括認(rèn)知水平、情感和情緒、學(xué)習(xí)狀態(tài)等。②關(guān)于領(lǐng)域的模型，即對學(xué)生所學(xué)知識主題的感知處理，自動(dòng)構(gòu)建符合學(xué)生需求、知識水平、情感狀態(tài)的學(xué)習(xí)內(nèi)容并做出相應(yīng)的干預(yù)。③關(guān)于教學(xué)法的模型，即從人類教學(xué)過程或者機(jī)器對抗學(xué)習(xí)過程中提煉的、關(guān)于教學(xué)方法方面的知識。教學(xué)法模型是教師（包括智能導(dǎo)師系統(tǒng)）、學(xué)習(xí)者和學(xué)習(xí)資源這三個(gè)要素之間的粘合劑。④關(guān)于自動(dòng)化的模型。自動(dòng)化可能貫穿于前述①-③的各環(huán)節(jié)中。如在學(xué)習(xí)者模型中，依賴于機(jī)器學(xué)習(xí)的自動(dòng)化方法將持續(xù)地為學(xué)習(xí)者進(jìn)行建模，這個(gè)過程不是靜態(tài)的，而是在線動(dòng)態(tài)的；在領(lǐng)域模型方面，機(jī)器學(xué)習(xí)算法可以持續(xù)地對學(xué)習(xí)資源進(jìn)行知識建模、分類；在教學(xué)法模型中，系統(tǒng)可以自動(dòng)批改學(xué)生主觀題的內(nèi)容[18]，還可以自動(dòng)出題[19]等。 2 人工智能教育應(yīng)用的核心服務(wù)能力 人工智能的教育應(yīng)用千差萬別，但是也總離不開前述四個(gè)要素。而其底層更是存在若干共性關(guān)鍵服務(wù)，這些服務(wù)應(yīng)該是可以被復(fù)用的。一些學(xué)者從智能代理的角度闡述了這種復(fù)用，如吳永和[20]提出了面向?qū)W生學(xué)習(xí)智能代理、面向教師教學(xué)智能代理、面向資源服務(wù)智能代理、面向教育管理者智能代理、面向家庭智能代理、面向整個(gè)教育的智能代理等。本研究提煉了工智能教育應(yīng)用的核心共性服務(wù)，如表1所示。 表1 人工智能教育應(yīng)用的核心共性服務(wù) 四 深度學(xué)習(xí)是一種共性關(guān)鍵技術(shù) 如今，教育正朝著因材施教和個(gè)性化教學(xué)方向發(fā)展。因此，在本質(zhì)上，研究者首要關(guān)注的任務(wù)是教學(xué)過程中的分類和聚類，包括對教師、學(xué)生以及學(xué)習(xí)資源的分類和聚類，而教師、學(xué)生以及學(xué)習(xí)資源這三類又都包含多種維度（如教師—教學(xué)風(fēng)格、教學(xué)手段，學(xué)生—認(rèn)知水平、學(xué)習(xí)風(fēng)格、潛在學(xué)習(xí)需求，學(xué)習(xí)資源—認(rèn)知水平、類型等），再根據(jù)分類結(jié)果進(jìn)行相關(guān)的教學(xué)預(yù)測和行動(dòng)。因此，分類是教育領(lǐng)域中人工智能的一個(gè)主要關(guān)注點(diǎn)。 深度學(xué)習(xí)在分類問題中發(fā)揮了重要的作用。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種方法，深度學(xué)習(xí)模型是含有多個(gè)隱含層的人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸入是特征向量，輸出可以是二元分類或者多元分類。深度學(xué)習(xí)算法優(yōu)化求解人工神經(jīng)網(wǎng)絡(luò)多個(gè)層級間的鏈接權(quán)重，從而對海量大數(shù)據(jù)中錯(cuò)綜復(fù)雜的特征建模。在網(wǎng)絡(luò)的內(nèi)部，每一層在前一層特征的基礎(chǔ)上進(jìn)行新的表征提取，從而建立事物的抽象特征模型。本研究提煉深度學(xué)習(xí)對表1中若干核心共性服務(wù)的作用，如表2所示。 表2 深度學(xué)習(xí)在教育領(lǐng)域的作用 目前，深度學(xué)習(xí)架構(gòu)和算法已經(jīng)有很多在特定領(lǐng)域和基準(zhǔn)測試中表現(xiàn)優(yōu)異。將這些成果移植到教育領(lǐng)域中需要做如下關(guān)鍵工作：①確定教育領(lǐng)域的問題域；②確定該問題對應(yīng)的輸入值特征向量；③確定是二元分類還是多元分類；④調(diào)優(yōu)，由于深度學(xué)習(xí)中具有若干超參數(shù)，而目前超參數(shù)的選擇尚未形成完備的理論化方法作為指導(dǎo)，故需在特定問題域中結(jié)合經(jīng)驗(yàn)調(diào)整優(yōu)化。 五 機(jī)遇和挑戰(zhàn) 1 機(jī)遇：AI應(yīng)用門檻大幅降低，有利于領(lǐng)域研究者快速開始研究 AI新突破和AI民主化[28]為快速推進(jìn)AI在教育領(lǐng)域的深度融合應(yīng)用提供了機(jī)會。近年來，深度學(xué)習(xí)在諸如計(jì)算機(jī)視覺、語音識別和自然語言處理等領(lǐng)域都取得了突破性進(jìn)展，以深度學(xué)習(xí)為代表的AI技術(shù)快速進(jìn)入大眾視野。在這樣的快速發(fā)展過程中，人們開始思考如何降低人工智能應(yīng)用的門檻，并付諸于行動(dòng)，這一行動(dòng)被稱為AI民主化。目前，微軟認(rèn)知服務(wù)、亞馬遜的機(jī)器學(xué)習(xí)服務(wù)、Google人工智能服務(wù)、OpenAI以及Github上出現(xiàn)了越來越多的開源深度學(xué)習(xí)包，為軟件工程師和研究人員提供了便捷，解決了傳統(tǒng)人工智應(yīng)用開發(fā)門檻高的問題。 2 挑戰(zhàn)：隱私保護(hù)缺乏科學(xué)化 教育大數(shù)據(jù)的隱私保護(hù)缺乏科學(xué)化手段，導(dǎo)致圍繞數(shù)據(jù)的研究不能快速健康發(fā)展。我們通?？啃姓鞒虂泶_保數(shù)據(jù)保密性，但行政審批手段是從管理的角度來確保數(shù)據(jù)保密，而不能從科學(xué)的角度來確保數(shù)據(jù)保密。在利用科學(xué)的方法進(jìn)行隱私保密方面，國外已經(jīng)有了比較成熟的技術(shù)和策略。如HarvardX-MITx Person-Course De-Identified dataset[29]應(yīng)用K-anonymity[30]方法作為一種數(shù)據(jù)隱私保護(hù)技術(shù)，其目的是在保護(hù)用戶信息隱私的同時(shí)最大限度地提供有利于研究的信息。目前，我國教育領(lǐng)域還缺少這方面的應(yīng)用經(jīng)驗(yàn)，這將在很大程度上影響教育大數(shù)據(jù)的開發(fā)、開放和研究。 3 挑戰(zhàn)：機(jī)器學(xué)習(xí)訓(xùn)練集缺乏大量的標(biāo)記數(shù)據(jù) 雖然目前深度學(xué)習(xí)領(lǐng)域在不斷嘗試半監(jiān)督甚至無監(jiān)督等方法，來降低對大量標(biāo)記訓(xùn)練數(shù)據(jù)的依賴，但使用標(biāo)記數(shù)據(jù)作為訓(xùn)練集進(jìn)行深度學(xué)習(xí)訓(xùn)練依然是主要的方法。比如圖像識別領(lǐng)域的訓(xùn)練，有很多是基于數(shù)據(jù)集ImageNet[31]來進(jìn)行的。業(yè)界也認(rèn)識到，領(lǐng)域?qū)W(xué)習(xí)具有重要的作用，因此在教育領(lǐng)域開發(fā)相當(dāng)數(shù)量的標(biāo)記數(shù)據(jù)集，將成為未來人工智能教育應(yīng)用研究的一項(xiàng)重要工作。 六 結(jié)束語 “人工智能+教育”將是教育信息化發(fā)展的高級階段。未來人工智能賦能的教育，將推動(dòng)精細(xì)管理、精準(zhǔn)測評、個(gè)性教學(xué)、因材施教走上新高度，在此過程中，關(guān)注和研究“人工智能+教育”的領(lǐng)域問題（包括應(yīng)用領(lǐng)域、問題領(lǐng)域和技術(shù)領(lǐng)域的問題），以迎接由此而來的一系列挑戰(zhàn)等，是不可缺少的。本研究分析了人工智能的發(fā)展概況，探究了教育人工智能的典型應(yīng)用領(lǐng)域，提煉了人工智能教育應(yīng)用的核心服務(wù)，指出教育人工智能面臨的重大機(jī)遇是AI民主化，但關(guān)鍵的挑戰(zhàn)在于數(shù)據(jù)的隱私與開放以及可供訓(xùn)練的語料數(shù)據(jù)集。 參考文獻(xiàn) [1]Luckin R, Holmes W, Griffiths M, et al. Intelligence unleashed: An argument for AI in education[R]. London: Person, 2016:18-19、51. [2]U.S.National Science and Technology Council. The national artificial intelligence research and development strategic plan[R]. Washinton, US:National Science and Technology Council, 2016:10. [3]House of Commons. Robotics and artificial intelligence[R]. London: Parliament 2016:12-16. [4]Stone P, Brooks R, Brynjolfsson E, et al. Artificial intelligence and life in 2030[R]. Stanford, CA: Stanford University, 2016:3. [5]Gelernter H. Realization of a geometry theorem proving machine[A]. Proceedings of the Computers & Thought[C]. Cambridge, MA, USA: MIT Press, 1959:137-152. [6]Slagle J R. A heuristic program that solves symbolic integration problems in freshman calculus[J]. Journal of the Acm, 1963,(4):507-520. [7]Evans T G. A heuristic program to solve geometric-analogy problems[A]. Koller H R. Proceedings of the Spring Joint Computer Conference[C]. London: Cleaver-hume Press, 1964:327-338. [8](美)斯圖爾特·羅素著,(美)彼得·諾維格著.殷建平譯.人工智能:一種現(xiàn)代方法(第3版)[M].北京:清華大學(xué)出版社,2013:6-16. [9]Halevy A, Norvig P, Pereira F. The unreasonable effectiveness of data[J]. Intelligent Systems IEEE, 2009,(2):8-12. [10]Hays J, Efros A A. Scene completion using millions of photographs[J]. Communications of the ACM, 2008,(10):87-94. [11]Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006,(7):1527. [12]Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015,521:436-444. [13]Kloft M, Stiehler F, Zheng Z, et al. Predicting MOOC dropout over weeks using machine learning methods[A]. Proceedings of the Empirical Methods in Natural Language Processing (EMNLP)[C]. Doha, Qatar: Association for Computational Linguistics, 2014:60-65. [14]Chaudhri V K, Gunning D, Lane H C, et al. Intelligent learning technologies part 2: applications of artificial intelligence to contemporary and emerging educational challenges [J]. AI Magazine, 2013,(4):10-12. [15]Bloom B S. The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring [J]. Educational Researcher, 1984,(6):4-16. [16]VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems [J]. Educational Psychologist, 2011,(4):197-221. [17]Janning R, Schatten C, Schmidt-Thieme L. Improving automatic affect recognition on low-level speech features in intelligent tutoring systems[A]. Proceedings of the Design for Teaching and Learning in a Networked World[C]. Switzerland:Springer,2015:169-182. [18]Knight S, Buckingham S S, Ryan P, et al. Designing academic writing analytics for civil law student self-assessment [J]. International Journal of Artificial Intelligence in Education, 2016,28(1):1-28. [19]Liu M, Rus V, Liu L. Automatic Chinese multiple choice question generation using mixed similarity strategy[J]. IEEE Transactions on Learning Technologies, 2017,(99):1-11. [20]吳永和,劉博文,馬曉玲.構(gòu)筑“人工智能+教育”的生態(tài)系統(tǒng)[J].遠(yuǎn)程教育雜志,2017,(5):27-39. [21]余明華,馮翔,祝智庭.人工智能視域下機(jī)器學(xué)習(xí)的教育應(yīng)用與創(chuàng)新探索[J].遠(yuǎn)程教育雜志, 2017,(3):11-21. [22]Carranza-Rojas J, Goeau H, Bonnet P, et al. Going deeper in the automated identification of herbarium specimens [J]. BMC Evolutionary Biology, 2017,(1):181. [23]Self J. The defining characteristics of intelligent tutoring systems research: ITSs care, precisely[J]. International Journal of Artificial Intelligence in Education, 1998,10:350-364. [24]Winebarger J，Stüker S, Waibel A. Adapting automatic speech recognition for foreign language learners in a serious game[A]. Proceedings of the 3rd Workshop on Games and NLP [C].Palo Alto, California, USA:AAAI Press, 2014:39-40 [25]Witt S M, Young S J. Phone-level pronunciation scoring and assessment for interactive language learning[J]. Speech Communication, 2000,(2):95-108 [26]Liu O L, Rios J A, Heilman M, et al. Validation of automated scoring of science assessments[J]. Journal of Research in Science Teaching, 2016,(2):215-233. [27]科大訊飛.國家普通話智能測試系統(tǒng)[OL]. <http://www./content/details_27_726.html> [28]Microsoft. Democratizing AI: For every person and every organization[OL]. <https://news.microsoft.com/features/democratizing-ai/#sm.00001ilndv6tq1dnqvln99h0adbfs#Tf5lXMWHLV2LIXe3.97> [29]Mitx, HarvardX. HarvardX-MITx person-course academic year 2013 de-identified dataset, version 2.0[OL]. <http://dx./10.7910/DVN/26147> [30]SWEENEY L. K-anonymity: A model for protecting privacy[J]. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2002,(5):557-570. [31]Deng J, Dong W, Socher R, et al. Imagenet: A large-scale hierarchical image database[A]. Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition[C]. Miami, FL, USA :IEEE,2009:248-255. |
|
|
