XiaoMi-AI文件搜索系统
World File Search Systemlanguage
摘要 印度尼西亚在英语教学中越来越多地使用人工智能工具，但其实施和影响尚未完全了解。本研究探讨了印度尼西亚英语作为外语 (EFL) 教师如何将人工智能 (AI) 技术融入教学，他们对这些工具的有效性的看法以及他们面临的障碍。通过半结构化访谈采用定性方法采访了印度尼西亚的五名英语作为外语 (EFL) 教师。数据分析表明，教育工作者使用 Grammarly、Google Translate、ChatGPT 和 Claude AI 等人工智能工具来提供反馈、帮助理解和创建内容。这些工具被认为有利于提高学生的写作能力和热情，尽管有人担心过度依赖、学术诚信以及阻碍批判性思维和真正学习的可能性。障碍包括对工具、技术设置和学生准备程度的限制。该研究强调了在英语教学中使用人工智能工具的优势，并强调了公平和评价性地纳入它们的重要性。教师应鼓励建构主义教学技术来激发认知参与和数字能力，确保人工智能资源补充而不是替代真正的学习。建议未来研究道德和教育影响。关键词：人工智能、英语作为外语 (EFL)、语言教育、教育技术、印度尼西亚、定性研究、教师看法、挑战、道德考虑。如何引用 Rahman, MA (2024)。探索人工智能在印度尼西亚英语作为外语教育中的整合。教学法：英语语言教学杂志，12 (2)。196-212 DOI：10.32332/joelt.v12i2.9549。期刊主页 https://e-journal.metrouniv.ac.id/index.php/pedagogy 这是一篇根据 CC BY SA 许可开放获取的文章 https://creativecommons.org/licenses/by-sa/4.0/
摘要 印度尼西亚在英语教学中越来越多地使用人工智能工具，但其实施和影响尚未完全了解。本研究探讨了印度尼西亚英语作为外语 (EFL) 教师如何将人工智能 (AI) 技术融入教学，他们对这些工具的有效性的看法以及他们面临的障碍。通过半结构化访谈采用定性方法采访了印度尼西亚的五名英语作为外语 (EFL) 教师。数据分析表明，教育工作者使用 Grammarly、Google Translate、ChatGPT 和 Claude AI 等人工智能工具来提供反馈、帮助理解和创建内容。这些工具被认为有利于提高学生的写作能力和热情，尽管有人担心过度依赖、学术诚信以及阻碍批判性思维和真正学习的可能性。障碍包括对工具、技术设置和学生准备程度的限制。该研究强调了在英语教学中使用人工智能工具的优势，并强调了公平和评价性地纳入它们的重要性。教师应鼓励建构主义教学技术来激发认知参与和数字能力，确保人工智能资源补充而不是替代真正的学习。建议未来研究道德和教育影响。关键词：人工智能、英语作为外语 (EFL)、语言教育、教育技术、印度尼西亚、定性研究、教师看法、挑战、道德考虑。如何引用 Rahman, MA (2024)。探索人工智能在印度尼西亚英语作为外语教育中的整合。教学法：英语语言教学杂志，12 (2)。196-212 DOI：10.32332/joelt.v12i2.9549。期刊主页 https://e-journal.metrouniv.ac.id/index.php/pedagogy 这是一篇根据 CC BY SA 许可开放获取的文章 https://creativecommons.org/licenses/by-sa/4.0/
使用自然语言处理来分析行为科学中的文本数据
语言是人类互动核心的独特人类特征。人们使用的语言通常反映出他们的个性，意图和心态。将互联网和社交媒体整合到日常生活中，大部分人类交流都被记录为书面文本。这些在线交流形式（例如，博客，评论，社交媒体帖子和电子邮件）为人类行为提供了一个窗口，因此为行为科学提供了丰富的研究机会。在这篇综述中，我们描述了如何使用自然语言处理（NLP）来分析行为科学中的文本数据。首先，我们回顾了行为科学中文本数据的应用。第二，我们描述了NLP管道并解释基本建模方法（例如，基于字典的方法和大型语言模型）。我们讨论了这些方法对行为科学的优势和缺点，尤其是关于可解释性和准确性之间的权衡。最后，我们为使用NLP提供了可行的建议，以确保严格和可重复性。
从基因组语言模型中挖掘功能性新生基因的语义
生成基因组学模型可以设计越来越复杂的生物系统。然而，有效地控制这些模型以生成具有所需功能的新序列仍然是一项重大挑战。在这里，我们展示了 Evo，一个拥有 70 亿个参数的基因组语言模型，可以执行功能引导设计，超越自然序列。通过学习多个基因之间的语义关系，Evo 实现了基因组的“自动完成”，其中编码所需功能的 DNA 提示指示模型生成可挖掘类似功能的新 DNA 序列。我们将此过程称为“语义挖掘”，与传统的基因组挖掘不同，它可以访问不受发现的进化创新约束的序列景观。我们通过实验测试生成的抗 CRISPR 蛋白和毒素-抗毒素系统的活性来验证这种方法，包括与任何天然蛋白质没有显着同源性的从头基因。令人惊讶的是，即使在没有结构假设、已知的进化保守性或特定任务微调的情况下，使用 Evo 进行上下文蛋白质设计也能实现强大的活性和较高的实验成功率。然后，我们使用 Evo 自动完成数百万个提示，以生成 SynGenome，这是一个独一无二的数据库，其中包含超过 1200 亿个 AI 生成的基因组序列碱基对，可实现多种可能功能的语义挖掘。语义挖掘范例可实现超越观察到的进化宇宙的功能探索。
英语中人工智能的整合
4。教师支持和专业发展AI也是教育工作者的宝贵资源。智能辅导系统可以帮助教师确定学生的长处和劣势，从而提供更有效的课程计划和干预策略。此外，AI驱动的分析可以提供对课堂动态和学生参与水平的见解，从而使教师有能力做出数据信息。此外，整合AI的专业开发平台可以为教育工作者提供个性化的培训资源，从而增强其教学能力。
年龄与机器——大型语言模型对认知障碍的敏感性：横断面分析
自 2022 年底 ChatGPT 首次发布供免费在线使用以来，医学期刊上发表了无数研究，将人类医生的表现与这些超级计算机的表现进行了比较，这些超级计算机已经在人类已知的所有文本语料库上进行了“训练”。尽管大型语言模型有时会出错（例如，引用不存在的期刊文章），但它们在一系列医学考试中表现出色，在传统医学培训不同阶段的资格考试中得分超过人类医生。3 4 其中包括在欧洲核心心脏病学考试中胜过心脏病专家、在内科委员会考试中胜过以色列住院医师、在土耳其（理论）胸外科考试中胜过土耳其外科医生、在德国妇产科考试中胜过德国妇科医生。4-7 令我们非常痛心的是，它们甚至在神经病学委员会考试中胜过像我们这样的神经科医生。8
年龄与机器——大型语言模型对认知障碍的敏感性：横断面分析
自 2022 年底 ChatGPT 首次发布供免费在线使用以来，医学期刊上发表了无数研究，将人类医生的表现与这些超级计算机的表现进行了比较，这些超级计算机已经在人类已知的所有文本语料库上进行了“训练”。尽管大型语言模型有时会出错（例如，引用不存在的期刊文章），但它们在一系列医学考试中表现出色，在传统医学培训不同阶段的资格考试中得分超过人类医生。3 4 其中包括在欧洲核心心脏病学考试中胜过心脏病专家、在内科委员会考试中胜过以色列住院医师、在土耳其（理论）胸外科考试中胜过土耳其外科医生、在德国妇产科考试中胜过德国妇科医生。4-7 令我们非常痛心的是，它们甚至在神经病学委员会考试中胜过像我们这样的神经科医生。8
迈向人工智能的分类法，以外语教学写作
马德里大学马德里大学，西班牙马德里，在外语教学中使用人工智能，尤其是在教学写作中，仍在研究其潜在的积极影响和潜在的好处。到目前为止，由于老师面临的挑战，重点是有争议的用途。但是，当仅用于学习目的时，它可能是学生的促进工具。现在的关键是了解其效果，挑战和机遇，以建立使用框架的框架，并使教师意识到其潜力。为此，在本文中，我们通过确定当前可用站点的特征和能力来采用功能和功利主义的方法。对不同站点的描述及其优势和缺点。由于仅就该主题发表了一些基本工作，因此我们提出了一个示例分类法，评估其利益和缺点，并提出了潜在的教学和研究应用程序。关键字：AI应用程序；人工智能（AI）；便利；高等教育；语言学习；分类学；写作过程介绍聊天PGT 3.0在2022年底彻底改变了教育领域（Crompton＆Burke，2023; Dianova＆Schultz，2023年），我们需要适应这一新现实（García-Peñalvo，Lorlorens-Largo＆Vidal，2024年）。然而，已使用了不同形式的人工智能（AI）已有50多年的历史（NWOSU，Bereng，Segotso＆Enebe，2023年）。在1990年代和2000年代初，主系统用于医疗目的（Salem，2000）。当时，主要在商业和科学领域发生的巨大变化是可以预见的，但仅在有限的教育程度上（Scandura，2010年）。那么，全球教师无法想象它的影响会改变我们理解评估的方式（Jimenez＆Boser，2021年），总体而言，教育（McArthur，Lewis＆Bishary，2005年，2005年）（Echedom＆Okuonghae，2021）。最初对其对评估和指导的强大影响的反应是一种猛烈的拒绝（Istenic，Bratko＆Rosanda，2021; So，Jang，Kim＆Choi，2024）。教师认为新的（或不是新的）生成AI可能会对学术伦理产生重大影响（Cooper，2023; Su＆Yang，2023; Swindell，Greeley，Geeley，Farag＆Verdone，2024年）。实际上，像班尼斯特，阿尔卡尔德·佩纳弗和圣塔玛里亚·乌尔比塔（2024）这样的作者声称，学习的变化也需要正直的自我意识，因为避免欺诈的措施在大多数国家 /地区的限制中被限制在当前的想法中消除了这种想法，即某些AI工具所呈现的想法缺乏作品（Duah＆McGivern，Duah＆McGivern，2024年）。这也是冠状病毒疾病（Covid-19）大流行期间和之后的南非和其他地方观察到的问题（Jili，Ede＆Masuku，2021年），但由于生成AI的来临产生的重大影响，因此已经普遍存在。这只是一些南非大学（Ngcamu＆Mantzaris，2023年）普遍谴责的腐败情况的补充。一些不道德的学生对此进行的自然方式增加了对学校和大学中某些任务合法性的现有担忧（Aldridge，2018年）。因此，一些老师反对新技术的最初接受（Romero-Rodríguez，Ramírez-Montoya，Buenestado-Fernánández＆Lara-Lara，2023年）。当然，多年来，教育和日常生活中都存在各种形式的AI，但是强大的生成智能确实很重要，因为它能够生成可接受的论文，学生可以将其作为自己的自己提交。The main issue is that generative AI can sometimes provide wrong, false or biased data (Bozkurt, Xiao, Lambert, Pazurek, Crompton, Koseoglu, Farrow, Bond, Nerantzi, Honeychurch, Bali, Dron, Mir, Stewart, Costello, Mason, Stracke, Romero-Hall, Koutropoulos, Toquero, Singh, Tlili, Lee，Nichols，Ossiannilsson，Brown，Irvine，Raffaghelli，Santos-Hermosa，Farrell，Adam，Thong，Sani-Bozkurt，Sharma，Sharma，Hrastinski＆Jandrić，2023年）。
评估现实...
传统的机器学习工作OW始于为相关数据收集文献的艰苦过程。可以从文本收集计划中获得一些帮助。1这些数据可用于在任何其他相关化学问题中的性质或材料或材料或相关性的属性或合成中的相关性。为此，至关重要的是用馈入模型的功能来描述系统。最终，训练有素的模型使我们能够从未知材料的特征中做出预测。这些模型通常会在更多数据可用时改进。但是，在化学和材料科学方面，实验数据的量是O的，即使不是总是是瓶颈。因此，必须有一定的杠杆作用。一种方法是通过计算机模拟扩展数据集。2替代，我们可以利用系统的知识。例如，假设我们要在给定密度和温度下预测气体的压力；我们可以将机器学习（ML）集中在预测与理想气体定律的偏差上。3
高活性转座酶的发现和语言模型指导设计
传统上，合成生物学仅限于在自然界中进行生物勘探，然后进行重构和优化。随着生成式 AI 方法应用于蛋白质设计的发展，可以增强采样的自然多样性，以生成自然界中未见过的功能序列 8–10。例如，RFdiffusion 11 与设计催化位点的新方法相结合，创造了具有新折叠的活性合成丝氨酸水解酶 12。有趣的是，最近使用蛋白质大语言模型来生成 CRISPR-cas9，这是一种与 DNA 和 RNA 结合的非常复杂的多结构域蛋白质，它在自然界中并不存在，但在基因编辑应用中效果很好 8。此类模型的发展为扩展自然目录之外的生物多样性以及利用生成式 AI 为生物技术创建具有更高活性的基因编写器开辟了非常令人兴奋的机会。