XiaoMi-AI文件搜索系统
World File Search SystemAleven
为 K-12 教育设计人机互补性
人工智能 (AI) 系统越来越多地用于支持人类在教育、医疗保健、社会工作和刑事司法等社会性背景下的工作。在这些情况下，人工智能可以自动化从业人员的日常工作，同时腾出他们的时间从事他们认为更有意义的活动 (Holstein、McLaren 和 Aleven 2019a；Patel 等人 2019；Yang、Steinfeld 和 Zimmerman 2019)。人工智能还可以帮助扩大社会服务的提供，并帮助人类做出更明智和公平的决策 (du Boulay 2016；Holstein、McLaren 和 Aleven 2018b；Patel 等人 2019)。尽管有这些好处，但现代人工智能系统还是容易出错和不完善的。如果不经过精心设计，人工智能可能会僵化地扩大实践而不考虑当地情况，加剧有害的不平等，或使有价值的人与人之间的互动自动化 (Alkhatib
利用人工智能实现包容性英语......
人工智能提供个性化学习体验的能力是其在解决教育中学习者多样性问题方面发挥的重要作用之一。传统的英语教学环境经常难以满足个别学生的特殊要求、品味和学习偏好，导致采用一刀切的策略，可能无法成功吸引或帮助不同的学生。根据 Koedinger 和 Aleven (2007) 的说法，人工智能技术可以根据每个学习者的能力和学习目标定制教学内容、节奏和反馈。人工智能系统可以通过分析学习者数据和利用自适应算法来识别模式、得出结论并提出个性化建议，从而为每个学生创建独特的学习路径 (D'Mello 等人，2017)。
人工智能与法律三十年：第一十年
当 Ashley 继续与 Vincent Aleven 一起开发 CATO 系统（Aleven and Ashley 1994 ）时，Rissland 与 David Skalak 一起开发了 CABARET。CABARET 的一个关键特征是它是一个混合系统，其中案例推理是在规则框架内展开的。法律案例推理在整个十年中一直被追求，也是 Hage 等人的研究主题。（1993），由 Bart Verheij 和 Prakken and Sartor（1998）评论，由 Trevor Bench-Capon 评论。Hage 等人对导致法律案件困难的原因进行了描述，这是 Gardner（1987）引入的一个概念。Prakken 和 Sartor 提供了一种将先例案例表示为规则集的方法，为随后大量利用先例进行推理的研究奠定了基础 1 。对道义概念进行建模是 Jones 和 Sergot ( 1992 ) 的研究主题，Guido Governatori 对此进行了评论。特别是，他们确定了道义建模的必要性，即需要考虑和推理违反的可能性。Sartor ( 1992 ) 也分析了道义概念，Guido Governatori 也对此进行了评论，重点是规范冲突。该期刊第一期讨论的第三个主题是法律知识的表示（Bench-Capon 和 Coenen 1992），Michał Arasz- kiewicz 和 Enrico Francesconi 对此进行了评论。本文特别关注的是必须维护此类知识以应对立法变化，并认为可以通过维护来源和所表示知识之间的对应关系来实现这一点。随着人们对本体论 2 的兴趣的增长，法律知识表示在第二个十年变得更加突出。在第一个十年中另一个重要的主题是使用对话来模拟法律程序和法律论证。Gordon（1993），由 Guido Governatori 评论，在推广对话在人工智能和法律中的使用方面发挥了重要作用，他使用该技术来模拟特定的法律程序。对话也是 Hage 等人（1993 年）和 Prakken 和 Sartor（1998 年）的核心。对话通常是出于对论证建模的需求。论证在 Skalak 和 Rissland（1992 年）中占有重要地位，也是 Loui 和 Norman（1995 年）的主题，Bart Verheij 对此进行了讨论，展示了如何通过扩展论证来揭示隐藏的步骤。在整个十年中，人们也对亚符号技术产生了兴趣，尤其是神经网络。（1999 年）。在第二个十年，建模论证逐渐被论证方案 3 的使用所主导，而对话的明确表示的重要性则下降了。Stranieri 等人代表了这种兴趣。Matthias Grabmair 评论道。本文代表了一项持续进行的机构或工作的顶峰，并且因其认识到需要解释建议以及使用论证来做到这一点而引人注目。正如 Villata 等人所讨论的（2022），在本期的其他地方，亚符号技术现在已在人工智能和法律领域广泛使用，对解释的需求仍然是一个紧迫的问题。
STEM 教育中的人工智能
在过去十年中，由于数据处理和计算技术的快速发展，人工智能 (AI) 方法在各个学术领域的应用显著增加。教育人工智能 (AIEd) 是一个成熟的跨学科领域，它使用 AI 方法促进教学、学习和决策过程 (Hwang 等人，2020 年；Holmes 等人，2019 年；Roll & Wylie，2016 年；O'Shea & Self，1986 年；Self，2016 年)。AIEd 可以协助教师完成各种教学过程，例如自动评估学生的表现（Smith 等人，2019 年）、向学生提供建议和反馈（Bywater 等人，2019 年）或识别有风险的学生（Holstein 等人，2018 年；Hung 等人，2017 年）。AIEd 还可以支持学生的学习过程，例如辅导学生（VanLehn，2006 年、2011 年）、根据学生的需求提供学习材料（Chen 等人，2020 年）、诊断学生的优势、劣势和知识差距（Liu 等人，2017 年）、支持学生自我调节学习（Aleven 等人，2016 年；Azevedo 等人，2008 年）或促进学习者之间的协作（Aluthman，2016 年；Walker 等人，2009 年）。AIEd 可以帮助管理员和经理监控跨学院或部门的流失模式，并就其项目发展做出决策（Hwang 等人，2020 年）。不同的 AI 技术（例如人工智能
定义教育人工智能、计算机支持的协作学习、教育数据挖掘和学习分析之间的界限：需要连贯性
在过去的 20 年里，教育和技术这个广阔的领域中出现了一系列学科。自 20 世纪 80 年代初以来，人工智能与教育（AIED）这个广阔的领域应运而生，旨在结合人工智能（AI）、学习理论和教育实践来改善学习者使用计算机的学习成果（Boyd 等人，1982 年；Holmes 等人，2019 年）。在 AIED 领域中，基于计算和机器学习的力量出现了各种研究子领域，例如智能辅导系统（Aleven 和 Koedinger，2002 年）、自适应超文本系统（Eysink 等人，2009 年；Romero 等人，2009 年）和计算机支持的协作学习（CSCL）。自 20 世纪 90 年代初以来，出现了一系列 CSCL 出版物，探讨学习者和教师如何使用计算机在线协作。大量 CSCL 研究（例如 Gunawardena，1995 年；Roschelle 和 Koschmann，1996 年；Fischer 和 Mandl，2005 年；Rienties 等，2009 年）发现，支架、自我调节、任务设计和教学临场感是鼓励学习者有效合作的重要概念。2000 年代中期，第三批研究人员（例如 Baker 和 Yacef，2009 年；Rosé 等，2014 年）开始使用教育数据挖掘 (EDM)，利用更大的数据集和增加数据之间的互连来探索学习过程。自 2011 年以来，出现了第四个研究领域，即学习分析 (LA)，它专注于理解复杂的
定义教育、计算机支持的协作学习、教育数据挖掘和学习分析中的人工智能之间的界限：需要一致性
在过去的 20 年里，教育和技术这个广阔的领域已经发展出一系列学科。自 20 世纪 80 年代初以来，人工智能与教育 (AIED) 这个广阔的领域应运而生，旨在结合人工智能 (AI)、学习理论和教育实践来改善使用计算机的学习者的学习成果 (Boyd 等人，1982 年；Holmes 等人，2019 年)。在 AIED 中，基于计算和机器学习的力量，出现了各种研究子领域，例如智能辅导系统 (Aleven 和 Koedinger，2002 年)、自适应超文本系统 (Eysink 等人，2009 年；Romero 等人，2009 年) 和计算机支持的协作学习 (CSCL)。自 20 世纪 90 年代初以来，出现了一系列 CSCL 出版物，探讨学习者和教师如何使用计算机在线协作。大量 CSCL 研究（例如 Gunawardena，1995 年；Roschelle 和 Koschmann，1996 年；Fischer 和 Mandl，2005 年；Rienties 等人，2009 年）发现，支架、自我调节、任务设计和教学存在是可以鼓励学习者有效协作的重要概念。在 2000 年代中期，第三批研究人员（例如 Baker 和 Yacef，2009 年；Rosé 等人，2014 年）开始使用教育数据挖掘 (EDM) 来探索使用更大数据集和数据之间增加的互连的学习过程。自 2011 年以来，出现了第四个研究领域，即学习分析 (LA)，该领域专门致力于理解复杂的