XiaoMi-AI文件搜索系统
World File Search System自我调节
衡量自我调节学习和人工智能的作用
学习科学正在拥抱技术在更好地检测、诊断和推动自我调节学习 (SRL) 方面所能发挥的重要作用。SRL 领域面临着测量 SRL 过程的挑战，以促进我们对多模态数据如何能够不引人注目地捕捉学习者在时间、任务、领域和环境中的认知、元认知、情感和动机状态的理解。本文介绍了一个自我调节学习过程、多模态数据和分析 (SMA) 网格，并将作者 (63 篇论文) 在过去五年中的联合和个人研究映射到网格上。这显示了如何使用多模态数据流来研究 SRL 过程。SMA 网格上的二维空间有助于可视化数据流之间的关系和可能的组合以及 SRL 过程的测量方式。本概述是对当前特刊“利用人工智能 (AI) 推进 SRL 研究”的分析介绍，我们鼓励定位新的研究和未探索的前沿。我们强调需要进行密切和战略性的合作，以加速进展，使用新的跨学科方法来开发教育技术中 SRL 的准确测量。
在连续时空学习自我调节的关注，并应用于顺序建议
用户的兴趣通常在现实世界中是动态的，这既提出了从丰富的行为数据中学习准确偏好的理论和实际挑战。在现有用户行为建模解决方案中，注意力网络的有效性和相对简单性被广泛采用。尽管进行了广泛的研究，但现有的关注仍然受到两个局限性：i）判例的关注主要考虑了用户行为之间的空间相关性，而是相对于连续时空中这些行为之间的距离少了； ii）这些注意事项主要对过去所有行为提供了密集且没有区别的分歧，然后专心地将它们编码为输出潜在表示。这在实际情况下不合适 - 用户的未来动作与她/他的历史行为的一小部分相关。在本文中，我们提出了一个新颖的注意网络，名为“自我调节的注意”，该网络对复杂且非线性发展的动态用户偏好进行了建模。我们从经验上证明了我们方法在顶级接收授权任务上的效率，并且三个大型现实世界数据集的结果表明，我们的模型可以实现最新的性能。
“CRISPR 用于残疾人：如何自我调节”之类的？
摘要 CRISPR 基因编辑技术的开发被大肆宣传为一种可以从根本上改变科学研究及其临床应用的技术。人们没有意识到，它与其他在科学炒作的话语下尝试过但失败的技术一样。这些技术，如基因治疗和干细胞研究，已迅速从基础研究转向临床应用，并带来了可怕的后果。在匆忙转向临床应用之前，有必要考虑基础研究并确定应如何应用 CRISPR/Cas 系统。在单基因疾病的情况下，该应用预计会产生积极影响，但随着我们转向更复杂的疾病，其影响可能会无意中产生负面影响。在常见残疾的背景下，遗传复杂程度可能使这项技术无用但具有潜在的毒性，加剧了贬低残疾人的社会话语。本文旨在定义与在基础研究中使用 CRIPSR/Cas 系统相关的残疾问题。它还旨在提供一个决策树，以帮助确定是否应该使用该技术，或者是否应该采用其他方法
社交媒体自我调节和疫苗误导的兴起
本文研究了主流社交媒体对疫苗错误信息和虚假信息的主要特征和缺点。第I部分和II部分将疫苗信息信息的最新扩展和在线环境中的虚假信息相关。第三部分提供了对主流社交媒体采用的对疫苗错误信息的持续反应的调查和分类法。它进一步指出了当前的自我调节模式的局限性，并通过在Facebook上提出了一个简短的案例研究来说明这些局限性，这是最大的疫苗特定媒体媒体媒体工具 - 特定于疫苗的误解，目前估计有大约一半与疫苗错误信息有关的社交媒体帐户。第四部分研究了提高疫苗错误信息自我调节模式的严格性的潜在方法，以及创建合作监控和相互援助网络，致力于解决疫苗误导领域的特定问题。
早期写作策略教学中的自我调节
引用本文：本文的引用：克莱因，佩里； Bildfell，Ashley； Dombroski，Jill d。;吉斯，克里斯汀；莎（Sha），克里斯汀（Kristen Wing-Yan）；和汤普森（Serena C.），“早期写作策略指导中的自我调节”（2022）。教育出版物。289。https://ir.lib.uwo.ca/edupub/289
prek＆k-年轻学习者的自我调节
什么是自我调节？自我调节是一组潜在的能力，使孩子在社交互动和学习方面取得成功。它与童年早期发生的大脑发育息息相关，可能会受到儿童早期环境的影响。好消息：教师可以支持儿童自我调节的发展，这将对儿童的生活产生长期积极影响。工具Prek和K课程在学术活动和课堂管理中嵌入了自我调节和社会情绪发展，建立儿童在学校和生活中取得成功的基础技能。
在连续时空学习自我调节的关注，并应用于顺序建议
用户的兴趣通常在现实世界中是动态的，这既提出了从丰富的行为数据中学习准确偏好的理论和实际挑战。在现有用户行为建模解决方案中，注意力网络的有效性和相对简单性被广泛采用。尽管进行了广泛的研究，但现有的关注仍然受到两个局限性：i）判例的关注主要考虑了用户行为之间的空间相关性，而是相对于连续时空中这些行为之间的距离少了； ii）这些注意事项主要对过去所有行为提供了密集且没有区别的分歧，然后专心地将它们编码为输出潜在表示。这在实际情况下不合适 - 用户的未来动作与她/他的历史行为的一小部分相关。在本文中，我们提出了一个新颖的注意网络，名为“自我调节的注意”，该网络对复杂且非线性发展的动态用户偏好进行了建模。我们从经验上证明了我们方法在顶级接收授权任务上的效率，并且三个大型现实世界数据集的结果表明，我们的模型可以实现最新的性能。
帮助小学生学习自我调节技能
学生通过自问问题来反思和评估自己的表现（问题可能因年龄和能力而异）： o 我学到了什么？ o 我如何学习这个新信息/概念？ o 这些信息与我的学习目标有何关系？ o 我选择的策略效果如何？ o 我如何调整这些策略以适应下一个任务？ o 这些信息与我的个人兴趣有何关联？ o 我对自己的表现感觉如何？
走向自我调节的人工智能：金融服务中人工智能模型治理的挑战和机遇
人工智能系统在金融服务领域有着广泛的应用。它们参与更广泛、越来越重要的决策，这加剧了对合规性和有效模型治理的需求。当前的治理实践是从更传统的金融应用和建模框架发展而来的。他们经常努力应对人工智能特征的根本差异，例如假设中的不确定性以及缺乏明确的编程。人工智能模型治理经常涉及复杂的审查流程，并且严重依赖手动步骤。因此，它在有效性、成本、复杂性和速度方面面临着严峻的挑战。此外，人工智能模型复杂性前所未有的增长率引发了人们对当前实践可持续性的质疑。本文重点关注金融服务行业人工智能模型治理面临的挑战。作为展望的一部分，我们提出了一个系统级框架，旨在提高自我调节能力，提高稳健性和合规性。这种方法旨在通过提高自动化程度以及集成监控、管理和缓解能力来实现潜在的解决方案机会。所提出的框架还提供了模型治理和风险管理改进功能，以在部署期间管理模型风险。
使用认知网络分析自我调节学习
摘要。对学生自我调节学习 (SRL) 行为随时间如何展开的微观分析为理解他们在与基于计算机的学习环境互动时的学习过程提供了一个有价值的框架。在本文中，我们使用日志跟踪数据来调查学生如何在 Betty's Brain 环境中自我调节学习，他们参与三类开放式问题解决行动：信息搜索、解决方案构建和解决方案评估。我们使用认知网络分析 (ENA) 来全面了解三个行动类别内部和之间的行动类型共现情况。通过对两组学生（成绩低和成绩高的学生）生成的认知网络进行比较，我们可以深入了解他们的自我调节行为。