XiaoMi-AI文件搜索系统
World File Search System概念学习
使用神经符号概念学习，推理和计划
我的目标是建造可以从任务，方式和环境中不断学习新知识的机器：回答查询，推断人类的意图，并制定长时间的计划跨越小时到几天。虽然互联网规模数据收集和深度学习工具的最新进展在许多实际应用（例如视觉识别，聊天机器人和游戏代理）中取得了重大进展，但将这一成功扩展到通用代理商仍然很难。首先，收集与高度可变对象和环境的长马相互作用的数据非常昂贵；其次，这样的代理必须能够不断获得新的概念，同时能够将分布式分布到新颖的状态，目标和偏好中，这是当前端到端神经网络系统所影响的挑战。
评估人工智能素养课程以促进大学生的概念学习、素养和赋权：重新关注概念构建
人工智能 (AI) 应用已在各行各业中普及，但向来自不同学习背景的受过教育的公民推广人工智能素养的努力却有限。在将人工智能素养课程从将概念学习与数学公式和编程代码相结合转变为从一开始就强调概念构建方面存在研究空白。本研究通过评估旨在为来自不同学习背景的大学生建立概念理解的人工智能素养课程来填补知识空白。82 名志愿者完成了两门人工智能素养课程，包括 7 小时的机器学习和 9 小时的深度学习。他们课前和课后概念测试、调查和自我反思写作任务的结果表明，这些课程成功地让参与者具备了对人工智能的概念理解。参与者对他们对人工智能的素养和概念理解的显著提高感到充满力量。人工智能素养课程成功地降低了人工智能素养的准入门槛，并满足了公众的需求。这些课程将扩大到纳入人工智能应用的开发以及有关人工智能在社会中广泛使用的道德问题的讨论。这项研究可用于指导未来培养来自不同学习背景的受过教育的公民的人工智能素养的研究。
课程名称：机器学习学分时间
。课程大纲：机器学习介绍；概念学习：假设的一般顺序，版本空间算法，候选算法；监督学习：决策树，天真的贝叶斯，人工神经网络，支持向量机，过度拟合，嘈杂的数据和修剪，测量分类器的精度；线性和逻辑回归；无监督的学习：分层的伙伴聚类。k-means分区聚类；自组织地图（SOM）k-neart-neigh-neigh Neignal算法；使用标记和无效数据使用EM进行半监督学习；强化学习：隐藏的马尔可夫模型，蒙特卡洛推理探索与剥削权衡取舍，马尔可夫决策过程；合奏学习：使用多个假设的委员会。包装，提升。参考材料：
化学智能导师利用物理和虚拟操作进行具身学习
摘要。混合式教育技术可充分利用物理和虚拟操作的互补优势。然而，如何最好地结合这些操作尚不清楚。先前的研究侧重于结合物理和虚拟操作，根据它们是否突出特定概念按顺序提供它们。这项研究大多忽略了可以将学生的概念理解建立在身体动作上的具体学习机制。为了解决这个问题，我们对 80 名本科生进行了一项化学学习实验室实验。我们比较了虚拟和物理操作的不同排序方式，这些方式首先让学生参与到具体体验中，或者使目标概念突出。结果表明，在学习序列的早期提供具体体验可以增强概念学习。这些发现扩展了现有的物理和虚拟操作混合理论，并为混合交互式教育技术的开发人员提供了实用建议。
培养中学生的 AI 素养
在本经验报告中，我们描述了一个 AI 夏季研讨会，旨在让中学生成为知情的公民和 AI 技术的关键消费者，并发展他们的基础知识和技能，以支持未来作为 AI 赋能工作者的努力。研讨会以 30 小时的“发展 AI 素养”或 DAILy 课程为特色，该课程以儿童发展、道德教育和职业发展方面的文献为基础。研讨会的参与者是 10 至 14 岁的学生；87% 来自 STEM 和计算领域的代表性不足的群体。在本文中，我们描述了在线课程、它在 2020 年夏季同步在线研讨会期间的实施情况以及对学生成果的初步调查结果。我们反思了在支持学生参与和概念学习人工智能、转变对人工智能的态度以及培养未来自我成为人工智能工作者的观念方面取得的成功和吸取的教训。最后，我们讨论了将人工智能教育带给 STEM 和计算领域中代表性不足的群体学生的可行性和障碍。
了解量子力学：量子实验的作用
第二次量子革命不仅促进了量子科学和技术的研究，也促进了如何最好地教育可能进入这一新兴领域的学生的研究。关于量子科学教育的大部分讨论都集中在学生的概念学习或潜在雇主所期望的技能上；缺乏对实验课程和实验如何促进本科量子教育的研究。为了开始了解量子实验可能发挥的作用，我们对在本科实验课程中使用单光子和纠缠光子进行实验的教师进行了调查，发现最重要的学习目标之一是“在现实生活中看到量子力学”。为了更好地理解这一目标，我们采访了 15 位接受调查的教师，询问他们了解量子力学对他们意味着什么，以及他们为什么认为这是学生教育的重要组成部分。我们从对这些访谈的定性编码分析中提出了新主题，这些主题开始阐明教师如何看待了解量子力学，以及教师希望了解量子力学（以及更广泛地进行量子实验）将帮助学生实现哪些学习目标。
1 人工智能支持的数据分析提升学生的积极性......
人工智能支持的数据分析可提高学生的积极性并减轻物理教育中的压力 Jannik Henze 1 、André Bresges 1、Sebastian Becker-Genschow 2 1 科隆大学物理教育研究所，50931 科隆，德国 2 科隆大学数字教育研究中心，50931 科隆，德国 摘要。人工智能 (AI) 融入物理教育，为数据分析和概念学习带来了新方法。对人工智能支持的方法和传统的基于 Excel 的方法进行比较分析，发现在促进对摆锤实验的理解方面，它们各有优势和局限性。本研究探讨了人工智能辅助工具（例如基于 ChatGPT 的自定义聊天机器人）与传统基于 Excel 的方法在物理教育中的整合，结果表明，虽然两种方法都能产生相当的定量学习收益，但人工智能工具具有显著的质量优势。这些包括增强情感参与度和提高积极性，凸显了人工智能创造更积极、更支持性学习环境的潜力。自适应人工智能技术在支持结构化、数据密集型任务方面具有重要前景，强调了将其与教育实践进行深思熟虑、平衡整合的必要性。