经验啦

  1. 首页 > 科技 > >

算法|教、学、管、考场景下均有AI

算法

算法|教、学、管、考场景下均有AI

【算法|教、学、管、考场景下均有AI】
在人工智能产业当中 ， 金融、营销、安防、客服领域在IT基础设施、数据质量、对新技术的接受周期等AI发展基础条件方 面表现较优 ， 其商业化渗透率和对传统产业的提升程度较高 。 而教育行业整体AI化程度较低 ， 数据质量参差不齐 ， 解决方案的落地效果表现一般 ， 但得益于政策的大力支持与市场对AI的强烈需求 ， AI+教育的商业模式逐渐清晰 ， 价值空间较高 。在教育产业当中 ， 校外教育向在线化发展 ， 校内教育向信息化发展 。 校外教育方面 ， 在线化教学的的用户体验粗糙且教学效果模糊 ， 用户对新技术的接受周期较长 ， 更加智能化的产品值得探索 。 此外 ， 校内师生的信息素养不高 ， 且信息化设备 使用频率较低 ， 均导致核心教学数据缺失 ， 最终加大了教育数据挖掘分析的难度 ， 因此亟待智能化解决方案的落地实施 。
对“AI+教育”的定义既要回归技术的本质 ， 始终围绕基础数据、核心算法与服务目的 ， 也要回归教育教学活动的出发点 ，始终关注教育目标及其评价方式 。 因此 ， 本文认为 ， “AI+教育”是指在人工智能与教育深度融合与发展的条件下 ， 以基于教育场景的人工智能应用为路径 ， 促进教育公平 ， 提升教育质量 ， 实现教育个性化 。 具体来看 ， “AI+教育”是人工智能在教育领域中创新应用的技术、模式与实践的集合 ， 可划分为“计算智能+教育”、“感知智能+教育”和“认知智能+ 教育” ， 即AI+教育正从“能存会算”向“能听会说与能看会认”发展 ， 最终实现“能理解与会思考” 。
从教育教学活动的角度来看 ， 当前的教育场景可划分为教、学、管、考 。 其中 ， “教”和“管”的主体是教育者 ， 前者负 责执行教学任务 ， 主要工作包括教研、备课、授课、答疑、出题、阅卷等 ， 工作内容繁琐 ， 核心需求是减轻负担 ， 实现精 准化教学 。 后者负责统筹教务环节 ， 主要工作包括教职工招募、师生督导、招生、分班排课、校园建设等 ， 决策环节考虑 因素较多 ， 核心需求是提高效率 ， 实现科学化管理 。 “学”与“考”的主体是受教育者 ， “学”的场景下 ， 学生的主要任 务包括预习、听课、看书、做作业、复习、考试、实习等 ， 由于学生个体差异大 ， 核心需求是自适应 ， 实现个性化学习 。“考”的场景下 ， 主要面向大规模标准化测试 ， 组卷阅卷的工作庞大 ， 部分测评环节劳动力密集且效率底下 ， 核心需求是 保证准确性的前提下 ， 实现自动化评阅 。
从AI+教育的技术架构来看 ， 可初步分为三个部分 ， 即基础层、算法层、应用层 ， 每一层分别表现出不同的特点 。 基础层 主要包括算力、数据与算法框架 ， 其中数据量级庞大冗杂 ， 质量参差不齐 ， 基于教学过程的非结构化和半结构化数据的处 理难度大 ， 线下教学环节的数据普遍缺失 。 算法层是实现技术的核心 ， 2006年提出的深度学习算法视为人工智能在算法层 的突破 ， 该算法通过具备更多隐层节点的人工神经网络 ， 实现逐层特征变换与学习 ， 解决了很多复杂的模式识别难题 。 感 知层技术目前发展得较为成熟 ， 在深度学习算法的助力下 ， 感知技术应用场景广泛 。 认知层技术是未来发展的重要方向 ，预期在特定领域内可实现机器一定程度上的认知推理能力 ， 有显著的技术门槛 。 AI+教育的应用发展阶段各异 ， 越外围的 教育环节 ， 技术渗透率越高 ， 技术的有用性与易用性也越好 。

相关经验推荐


上一篇：笔记本|比起传统笔记本，3年二合一电脑用户给你讲讲它好用在哪？

下一篇：OPPO|OPPO Enco Air2实际上手，圆润机身+出色音质，表现绝了