应用新技术(例如云计算,大数据和人工智能)的应用促使教育发生了革命性的变化。作为一种新形式,智能学习环境将相关的技术和设备整合在一起,以通过各种人机互动提供个性化的学习内容和真实的学习经验(Hew and Kadir,2016)。在人机反馈中,机器收集和分析学习数据,以向学习者提供个性化的反馈,以提高他们的学习绩效。但是,并非所有的人类反馈都能实现所需的效果,并且只有当学习者理解反馈并愿意对此采取行动时,反馈才能有效(Price等,2010)。例如,诸如Chatgpt之类的生成人工智能采用了从人类反馈(RL-HF)中学习的技术,该技术具有根据用户的反馈来提高产量的能力。它可以基于用户的反馈(Ouyang等,2022; Shen等,2023)的反馈持续自我介绍,这有利于形成连续的反馈和反馈循环。但是,Chatgpt的教育应用仍处于探索阶段,其反馈特征和对学习者学习表现的影响仍然未知。因此,反馈方向,反馈表和反馈技术类型是否对学习者的学习绩效有影响?,效果的边界条件是什么?探索这些问题对当前智能学习环境的应用非常重要。改进人机交互式反馈具有一定的方向性,例如以计算机为主导的单向反馈,有两个主题(计算机和学习者)(Dong,2020)和多主题反馈(计算机,学习者,同伴和老师)的单向反馈。单向反馈以计算机为主,这很容易忽略学习者的主动性,并逐渐使学习者失去学习状态。例如,计算机对学习路径的自动规划简化了学习者自我反思和自我调节的学习过程,在某种程度上影响了教育质量(Zhang and Liang,2020)。同时,一些结合不相关因素的人机相互作用可能会掩盖学习焦点并增加学习者的认知负担,从而降低学习的效果(Zhang,2018)。双向反馈可以使计算机的优势发挥作用,并突出学习者的主观性,这对于改善学习者的主观,培养高阶能力和增强情绪互动具有巨大价值(Baker,2016)。例如,使用基于激励的在线对话代理人,参与率低的学习者是通过表达共同的情绪来改变其行为的动机(Xie等,2021)。由Chatgpt等工具支持的编程培训可以通过人类机器协作编码和协作调试来有效地提高学生的编程技能(Chen等,2023),但忽略了同伴和老师的反馈。多主题反馈整合了计算机,学习者,同龄人,教师和其他多代理的优势,以提高学习者的学习绩效。例如,整合多种代理人的优势,可以减少学习者的焦虑水平并显着改善学习者的外语学习表现,学习满意度和学习动机的拟人机器人(Hong等,2016)。
摘要 机器翻译 (MT) 与人工智能 (AI) 的结合显著提高了机器翻译系统的精确度,其翻译质量可与熟练的人工翻译相媲美。这一创新拓宽了人工智能机器翻译系统的适用性,吸引了各种用途的用户。本文探讨了以下领域:人工智能机器翻译,特别是谷歌翻译 (GT) 在英语作为外语 (EFL) 课堂中的应用。实证研究结果和最近的研究表明,学生越来越依赖机器翻译,特别是在英语不是母语的高等教育环境中。本研究的目的是深入了解在课堂上使用谷歌翻译的 EFL 学习者的实践、信念和目标。通过问卷调查以及前后测试收集了 234 名大学生的数据,以比较有无谷歌翻译帮助的写作草稿的质量。研究结果与之前在世界各地进行的研究结果一致,这些研究强调了人工智能机器翻译不仅可以提升学生的学习体验,还可以培养更多独立学习者的巨大潜力。研究还表明,学生对 GT 持积极态度,并采用多种搜索策略来解决各种与语言相关的挑战。关键词:人工智能、英语作为外语、谷歌翻译、机器翻译、写作。引用 | Alharbi,W.(2023 年)。人工智能机器翻译在 EFL 课堂中的使用和滥用:一项探索性研究。教育与电子学习研究杂志,10 (4),689–701。10.20448/jeelr.v10i4.5091 历史记录:收到日期:2023 年 7 月 31 日修订日期:2023 年 9 月 20 日接受日期:2023 年 10 月 4 日出版日期:2023 年 10 月 24 日许可:本作品已获得知识共享署名 4.0 许可出版商:亚洲在线期刊出版集团
Teacch Teacch的缩写为“自闭症和相关沟通残障儿童的治疗和教育”是由Eric Schopler博士于1965年在北卡罗来纳州大学(美国)创立的。这种方法基于对自闭症谱系障碍(ASD)的特征的理解,主要通过视觉策略进行结构化教学。结构化教学提供了一个框架,可以在其中教授一个人并发展独立技能。TEACCH的原则支持开发个性化系统,以组织环境,开发适当的活动以及使ASD的人们能够了解他们的期望。结构化教学使用可视化提示,可帮助学生专注于相关信息,而ASD的年轻人很难区分非相关信息。pathway 2学习者可以进入一个教室,该教室涵盖了结合了一致的布局和结构化学习环境的Teacch原理。通过使用个性化的视觉时间表来序列活动并促进独立性来支持这一点。学习者可以使用提供工作系统的工作站,以提供清晰可预测的活动序列。
根据目前与语言学习相关的人工智能研究,人们一直强调开发辅导系统、写作伙伴、增强现实环境、聊天机器人和其他类型的移动学习系统/软件。这些工具的主要目标是通过提高独立性、动机、参与度和效率来创造个性化和可定制的成长机会,以促进语言学习。例如,基于 NLP 的辅导系统旨在提供定制的反馈、建议和材料。最近,随着人工智能的快速发展,这些工具可以根据每个用户的学习速度、偏好和需求(例如认知、情感、社交)实时精确调整内容(Jackson 等人,2019 年)。(Aly Abdul Samea Qoura)
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。
摘要:受人工智能 (AI) 技术在教育领域的快速发展和应用以及 COVID-19 大流行期间语言学习者的需求的推动,开发了一种人工智能英语语言学习 (AIELL) 系统,该系统具有真实和无处不在的学习功能,可用于习得英语作为第二语言 (L2) 的词汇和语法。本研究的目的是介绍用于设计、开发、评估和验证 AIELL 系统的开发过程和方法,并提炼出在真实情境中学习英语的关键设计特征。测试共有 20 名参与者,研究中有 3 名受访者。采用混合研究方法来分析数据,包括演示测试、可用性测试和访谈。收集和分析的定量和定性数据证实了设计的有效性和可用性,并有助于确定需要进一步改进所需功能的领域。本研究为在移动学习原则的指导下将人工智能融入促进语言教学和学习提供了参考。
将残疾学习者的纳入包括在内的数字和人工智能(AI)使辅助技术(AT)成为残疾人(PWD)的推动者。但是,ATS的提供以满足PWDS的独特需求是一个挑战。此外,启用AI的ATS存在于创新,学习和工作环境的领域,因此需要便于学习,使用和具有成本效益的获取和实现。本文介绍了一种系统的方法,该方法与创新者和特殊学校领域的创新者和学习者的独特需求和能力相匹配,并具有支持PWD的知识和学习。这种方法采用设计思维(DM)方法,通过两个培训周期在三个特殊学校的在线协作工具和一个创新领域的在线协作工具增强了参与式元素。目的是能够更好地阐明目标的学习者和具有身体残障的创新者的目标群体,以实现准确的识别,评估和选择适当的AI-ATS,从而开发学习和创新空间,从而为Einclu-Sion提供AI-ATS的创建,引入和测试。该方法是针对创新领域开发的,该领域是在ATS和特殊学校中促进使用PWD的不同环境中采用的。
人工智能在人类生活的方方面面(从个人休闲到协作专业工作,再到全球政策决策)的普及提出了一个尖锐的问题:如何让人们为一个日益充斥着技术设备和代理机器的互联、快速变化的世界做好准备。在充满人工智能的世界中,人们需要什么样的能力?我们如何概念化这些能力?我们如何帮助学习者发展这些能力?我们如何实证研究和评估他们的发展?在本文中,我们采用对话式知识构建方法展开讨论。我们由 11 位合著者组成的团队参加了精心策划的书面讨论。通过半独立半联合的书面多方对话,我们收集了大量关于这些能力是什么以及如何帮助学习者发展这些能力的想法。同时,我们讨论了概念和方法论思想,这些思想使我们能够测试和改进我们的假设观点。在综合这些想法时,我们提出需要超越以人工智能为中心的能力观点,并考虑技术、认知、社交互动和价值观的生态。
医学学院对加拿大呼吁1的真相与和解委员会的反应是通过土著学生,校友,校友,教职员工,教职员工和领导人,UBC以外的土著社区代表和组织以及其他医学领导者,员工和教师,员工,教职员工,教职员工和教师的投入和反馈。它概述了我们承诺要采取的所有支柱的步骤,这些步骤是建立在合伙企业中,并建立在与土著人民,社区和组织的相互尊重的关系之上。这样做,教师将有助于开发可访问,公平,有效,文化安全的教育和卫生保健系统,并且没有本土特定的种族主义和歧视。
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