XiaoMi-AI文件搜索系统
World File Search SystemLearners
吸引学习者与功能近红外光谱的游戏 - 参与率
在学习任务中使用游戏元素可以促进情感和行为反应以及学习者的参与。到目前为止，对基于游戏的学习的基本神经机制知之甚少。在当前的研究中，我们将游戏元素添加到数字估算任务中，以评估分数理解并将大脑激活模式与非游戏的任务版本进行比较。四十一个参与者以平衡的顺序构成了两个任务版本，而额脑激活模式则使用近红外光谱法（受试者内部，横断面研究设计）评估。此外，还记录了心率，主观用户体验和任务性能。任务性能，情绪，流量经验以及心率之间的任务版本之间没有差异。然而，与非基于游戏的任务版本相比，基于游戏的任务交易被评为更具吸引力，刺激性和新颖性。此外，完成基于游戏的任务版本与通常涉及情感和奖励处理以及注意力过程的额骨区域的激活相关。这些结果提供了新的神经功能证据，证明了学习任务中的游戏要素似乎通过情感和认知参与促进了学习。
点云模型改善了机器人学习者的视觉鲁棒性
摘要 - 视觉控制策略在视觉条件（如照明或摄像机位置）与训练过程中所见的情况有所不同时可能会遇到重大的性能降解 - 通常甚至在较小的差异方面表现出急剧下降的能力。在这项工作中，我们研究了基于RGB-D和基于点云的视觉控制策略的这些类型的视觉变化的鲁棒性。要对基于模型和基于模型的强化学习者进行这些实验，我们引入了一种新颖的Point Cloud World Model（PCWM）和基于点云的控制策略。我们的实验表明，明确编码点云的策略比其RGB-D对应物更强大。此外，我们发现我们提出的PCWM在训练过程中的样本效率方面显着优于先前的工作。在一起，这些结果表明，通过点云进行有关3D场景的推理可以提高性能，减少学习时间并增加机器人学习者的鲁棒性。项目网页：https：//pvskand.github.io/projects/pcwm
AI在K-12教室中：授权教育者，支持学习者和解决
摘要：本文献综述探讨了K-12教育中人工智能（AI）使用的快速崛起，重点介绍了其围绕其融入教学和学习环境的主要主题。尽管AI驱动的数字工具长期以来一直支持课堂教学，但最近采用了大型语言模型（LLM）和聊天机器人（例如Chatgpt和Gemini）提出了新的道德和实践问题。一方面，教师从AI中受益于管理其工作量和增强教学实践。另一方面，关于学生滥用相同技术的关注点。本文献综述和综合研究了AI对个性化学习，学生差异化和教师应用的影响，强调了这些工具提供的积极贡献。此外，这篇综述还强调了解决道德，隐私和学术完整性问题的政策的必要性。教育工作者不仅必须以教学上合理的方式实施AI，而且还必须向学生传授对这些不断发展的数字工具的负责使用。
中国高等英语学习者词汇学习策略新编
引言 当今，词汇学习策略 (VLS) 作为词汇学习的一种辅助方法受到了越来越多的关注，由于词汇知识处理的复杂性以及认识、处理、存储和应用单词所涉及的一系列因素 (Carter, 1998)，词汇学习策略正从以教学为导向走向以学习者为中心和学习者自主，这需要不同的策略。VLS 甚至更为重要，“因为低频词数量众多，出现频率低且范围窄，所以最好是教学习者处理这些词的策略，而不是教单词本身”(Nation, 1990, p.159)。然而，外语课堂一向以课堂教学时间宝贵而闻名，不可能教会学生关于一个单词的所有内容，学生必须成为独立的单词学习者 (Waring, 2002)。使用 VLS 可以帮助学生独立处理词汇学习。 Schmitt (2000) 声称，与涉及多种语言技能的语言任务相比，许多学习者似乎确实在词汇学习中使用策略，这可能是因为与“更综合”的语言活动相比，词汇学习的“相对离散”性质使其更容易有效利用策略。此外，Nation 和 Newton (1997) 指出，“可以留出时间学习策略，并可以监控和评估学习者对策略的掌握程度”（第 241 页）。因此，VLS 在课堂内外都变得必不可少。
重演者：在故事重述实践中促进具有生成图像的词汇学习者
阅读并反复重述一个短篇小说是学习目标单词的含义和用法的常见和有效的方法。但是，学习者经常在理解，回忆和重述这些目标词的故事背景下努力。受到多媒体学习认知理论的启发，我们提出了一个计算工作流程，以生成与故事相关的相关图像。基于工作流程，我们与学习者和老师一起迭代设计了一个名为Retassist的交互式词汇学习系统。它可以生成故事的句子级图像，以促进故事重述实践中目标单词的理解和回忆。我们的受试者内研究（n = 24）表明，与没有生成图像的基线系统相比，雷达斯主义者显着提高了学习者在用目标词表达时的流利性。参与者还认为，Retassist会减轻他们的学习工作量，并且更有用。我们讨论了利用文本对图像生成模型来支持学习任务的见解。
研究在线学习者中人工智能介导的社交匹配的设计空间
摘要 近年来，在线教育的需求不断增长。然而，在线学习者经常会遭遇社交孤立，这会对他们的学习体验和学习结果产生负面影响。在本章中，我们研究社交匹配系统的设计空间，以帮助促进在线学习者之间的社交联系。具体来说，我们试图回答三个核心设计问题：（1）应该收集哪些数据？（2）如何设计技术来支持学生之间的互动？（3）学生对人工智能介导的社交匹配的伦理问题有何担忧？我们首先通过现有文献探讨人工智能介导的社交互动的可行性、设计和关注点。然后，我们介绍我们正在进行的关于在在线学习环境中设计和使用人工智能对话代理作为社交匹配系统的工作。最后，我们概述了在线学习中以人为本的社交匹配系统设计研究的未来方向。
使用多模态数据预测学习者在自适应评估中的努力行为
除了所需的知识之外，还有许多因素影响学习者在某项活动上的表现。学习者在任务上的努力被认为与他们的教育成果密切相关，反映了他们参与该活动的积极性。然而，努力不是直接可观察到的。多模态数据可以提供对学习过程的额外见解，并可能允许努力估计。本文提出了一种在自适应评估环境中对努力进行分类的方法。具体来说，在自适应自我评估活动期间，使用日志和生理数据（即眼动追踪、脑电图、腕带和面部表情）捕捉了 32 名学生的行为。我们对多模态数据应用 k 均值来聚类学生的行为模式。接下来，我们根据发现的行为模式，使用隐马尔可夫模型 (HMM) 和维特比算法的组合，预测学生完成即将到来的任务的努力。我们还将结果与其他最先进的分类算法（SVM、随机森林）进行了比较。我们的研究结果表明，HMM 可以比其他方法更有效地编码努力与行为之间的关系（由多模态数据捕获）。最重要的是，该方法的实际意义在于，通过建立行为之间的关系，派生出的 HMM 还可以精确定位向学习者实时提供预防/规范反馈的时刻
将自闭症谱系障碍 (ASD) 学生纳入莱索托小学
摘要 莱索托 2018 年包容性教育政策旨在将所有有特殊需要的学习者纳入其中，教师在包容自闭症谱系障碍 (ASD) 方面发挥着至关重要的作用。本文重点探讨教师对莱索托主流小学包容自闭症学习者的看法。我们选择了十名正在攻读学士学位的执业教师，对他们教授自闭症学习者的经历进行半结构化访谈。我们采用现象学方法分析他们的回答。研究结果表明，莱索托教育系统对自闭症学习者的支持不足。教师们觉得自己没有准备好接纳这些学习者，也缺乏对他们需求的理解。研究结果表明，需要采取各种形式的支持措施来有效管理自闭症。因此，建议开展一项全国性研究，评估教师在支持自闭症学习者方面的需求，这将为莱索托 2018 年包容性教育政策 (LIEP) 在主流学校的成功实施提供参考。关键词 自闭症谱系障碍、包容性、学习者、教师、主流小学、莱索托 1. 引言 莱索托政府签署了多项协议，以促进残疾学习者融入主流学校，包括《世界人权宣言》（联合国，1948 年）和相关人权议程（Pantic & Florian，2015 年）。联合国强调特殊需要儿童充分参与公立学校系统的重要性（联合国，2019 年）。全球许多国家的教育政策都确认所有儿童都享有平等的教育待遇，无论其残疾、宗教或社会地位有何差异（Humphrey & Symes，2013 年）。为配合这些政策，莱索托教育和培训部于 2018 年发起并颁布了《莱索托包容性教育政策》。该政策确保包括自闭症谱系障碍儿童在内的不同儿童能够充分参与莱索托小学综合课程并入读当地学校。包容性的特点是适应学习者不同需求的过程，增强他们在教育环境和社区中的参与度，同时减轻对残疾学习者的排斥、偏见和歧视。其目标是为有特殊教育需要 (LSEN) 的学习者建立有利的环境，通过对内容、方法和策略进行必要的修改来促进学术和社会发展 (教育和培训部，2018 年)。 1.1. 定义自闭症谱系障碍 自闭症谱系障碍 (ASD) 是一种终身疾病，其特征是社交沟通困难和重复行为的存在 (美国精神病学协会，
