当前位置:首页 > 科技创新 >

专访一起教育科技CEO刘畅:深耕AI,做公立教育的好帮手【LOLS10全球总决赛世界赛下注】

编辑:LOL总决赛下注网站 来源:LOL总决赛下注网站 创发布时间:2020-10-26阅读85633次
  

【LOLS10全球总决赛世界赛下注】2017年7月国务院发布了《新一代人工智能发展规划》,计划中特别提到了推迟开发新型教育系统、智能校园建设、智能教育助理。 随着人工智能技术的发展,AI教育课程受到资本的欢迎,美好的未来、新东方、VIPKID、51talk、沪江、科大通信飞、英语流利说等公司相继推出了发力人工智能教育,集体打响了攻防战。 在人工智能适应自学领域,Knewton、学习教育顺利融资等国内外大额融资事件刺激了市场的关注度。

LOLS10全球总决赛世界赛下注

在全国仅次于中小学的在线平台上,教育科学技术也再次参加了这个课程,发表了人工智能的适应教育。 2018年3月20日,K12在线教育平台的共同工作宣布完成了2.5亿美元的e轮融资,在进入10亿美元独角兽评价的同时,将公司品牌从“共同工作”变更为“共同教育科学技术”,“SOCR” 根据官方资料,现在整个公司的业务包括一起工作、一起学习、一起公益。

本轮融资用于高质量的教育内容、人工智能、教育公益的投入。 截至2018年3月,一起教育科学技术的用户超过6000万人,包括4000万学生、2000万家长和190万教师。 用户包括中国31个省、363个城市的近12万所学校,在平台上每天不会产生数亿的作业不道德。

该公司回答说,公司正式成立后技术上持续投入,2017年人工智能团队正式成立,开发、改良自适应自学系统,落地多个人工智能教育产品,全面推进人工智能的方向布局。 回到总公司,采访了教育科学技术CEO刘畅和算法产品总监罗菅。

为什么要引进人工智能? 2017年联合教育科技AI小组正式成立,主要探讨了AI技术在教育领域的研究和应用。 研究方向主要包括语音识别、图像识别、自然语言解读、数据挖掘等领域。 团队自主开发了一系列AI成果,应用于教育领域。 其中包括口语评价、手写识别、作文测试等。

关于为什么引进人工智能,刘畅说。 “因为我们经常不低估向技术眼前的业务转换,但技术不会对整个教育行业过高评价,当然也包括向其他行业的改建。

所以延长时间线的话,不教作业测试,给父母发表评论,发报告的是一个人还是机器? 这些大概率是机器所代替的。 所以,今天不是在某种收益和融资的压力下实现所谓的人工智能,而是基于行业的解读和用户市场的需求的解读,我们根据这个事前判断来展开投入。 》共同教育科技人工智能技术共同教育科技人工智能产品采用图像识别、语音交互、自然语言处理、深度自学等技术。

人工智能团队指出技术应该为应用服务,自学过程中知识点的控制只是开始,学科能力也只是个性化自学路径的中间过程,最后的目的是控制一反三的跨学科综合能力。 这个能力体系的建设有赖于非常丰富的素质教育内容和智能临床、智能介绍等人工智能技术的融合。

在3月20日发布会上,每月将该自学系统命名为“Socrates智能自学系统”。 目前人工智能在教育领域主要反映在适应自学方向上。

“Socrates智能教程系统”是一个改进的自适应教程系统。 在《解码自适应自学》的报告中定义为“适应自学是教育科学技术的手段,通过自律地得到适合各学生的独立国家的合作,现实中与学生进行动态对话”。 适应自学的核心思想是通过构建每个学生的能力评价模型,向学生开展定制简化的教育,构建千人千面,进一步提高自学效率。

在Socrates智能自学系统中,系统不定制基于学生数据定制的自学路径,而是构建学生科学知识和能力共同发展的目标。 科学知识方面非常不强,没有落后,让学生少时间、更有效的训练,协商知识点的控制和跨学科思考能力的建设,在自学科学知识的同时获得终身受益的思考方式。 在传统的自学计划中,受老师人工费限制,每个学生的能力缺乏细致的评价,每个学生的自学计划几乎相同,学生们在同样的工程进度下开展自学,如果有必要更好地评价学生,就取得学生现在能力的教材、作业和考试从技术角度来说,网上教育必须有效地完成下一个闭环:1.正确评价学生水平。

LOL总决赛下注网站

2 .关于现有级别启动时的培训。 3 .训练弱点背后的思考能力。 4 .再次测试学生水平。

在上述步骤中,精确测试在基础上也是最好的步骤。 只有正确地向学生传达现实LOLS10全球总决赛世界赛下注水平,才能开展符合目的的自学和训练。 以前是提取科学知识弱点和背后思维模式弱点的关键。

人工智能团队的响应经过了许多阶段被探索。 2015年,联合教育科学技术引进IRT (Item Response Theory )模型评价学生的能力。

但是,随着业务的扩大,IRT本身不存在一定的缺失。 IRT的目的是通过解决学生的问题来评价学生的能力,IRT假设所有的问题都与独立国家无关。

但是实际上,问题的顺序和问题之间的关系对学生能力的最终评价起着最重要的作用。 让我举个例子。

如果一个学生完成了100道题,只完成了50道题,他没有指出学生的能力是50分(评分100 )。 如果这个学生先错了50道题,接下来的50道题都对吗? 为了更好的响应时间序列特征序列,2016年引入了BKT (Bayesian知识跟踪)和DKT (DEP知识跟踪)模型。 BKT模型长期以来作为描述最受欢迎学生自学过程的时序模型,可以根据解答记录明确地跟踪某个知识点的控制水平的变化。 这个描述非常适合某种产品(应试教育类),只是参数估计的稳定性差,EM算法无法确保居合道的唯一参数。

共同教育科学技术融合了两种模型的特征,用双层LSTMP交换了DKT第一种模型的RNN模型。 LSTMP可以通过gate控制重要的时序信号,模型需要更长的时序。 另外,在大数据训练的情况下,可以有效地防止坡度的消失和坡度的爆炸现象。

在IRT中,模型递归后,theta值和主题集的参数被量化,通过这些参数可以量化特定知识点的控制程度。 DKT可以在训练结束后的sigmod层计算学生每个知识点的控制程度。 以数学数据为例,科学技术在小学数学和中学数学中分别计算学生对答案的预测精度。

DKT在AUC中比IRT的评价效果更好。 进而,可以对每个学生计算时刻t该学生的能力分布图。 以上是对学生个体的能力分布图,可以根据DKT模型对主题进行建模(Chris Piech NIPS 2015 ),根据一系列时间序列达成问题履历估计某个主题的支配可能性。

另外,通过融合教研,展开更抽象主题本身的摘要,如知识点、考点、错误因素等,可以进一步挖掘知识点(考点、错误因素)之间的关系。 通过关联度的统计分析,可以进一步挖掘前置权重的统计资料等最重要的知识点和试验点,从而得到重要的知识点。

基于权重的未被监视的聚类有助于找出知识点之间的验证性。 例如右图所示,图的中心方位的知识点是一元二次方程的求解-配合方法,从该知识点到达,其相关度高的是一元二次方程的根判别式和一元二次方程的求解-公式法,然后开始认识三角形类的知识点和拉链定理,其前置根据机器自学的结果,一元二次方程的求解-配合方法是上启下的知识点,这不仅符合现在的教学大纲,从出题的知识点人群的频繁出现概率来看也是高频考察点。

LOLS10全球总决赛世界赛下注

一般来说,教学知识点以树的形式出现,这可以很好地反映教学的工程进度和概念层次,但很难找到知识点和知识点的内在关系,通过构建图的方式,DKT模型可以有效地融合知识点图像和知识点根,为学生大数据为人工智能算法获取燃料从技术上说话,继续正确地教育科技数据。 每个ID都是投稿初始化,可以正确取得教材版本、学生班、教学老师、自学工程进度、作业情况,随着学生年级的上升,数据将继续改版。 根据2018年3月最近的数据,公司享受了6000万用户,其中包括4000万中小学生,数据量为本大,测试周期大幅度延长,为以前的人工智能奠定了良好的基础。 iTunes是一起做作业的学生终端App试图注册的。

注册页表示必须输出老师的号码才能参加。 页面上的“无老师编号”按钮经常自动出现弹框显示。 “我必须输出老师号码找班。

如果老师没有取得,请通知老师。 通过这样的设定,确保了数据的真实性和有效性。

数据系统分为三层:1.内容层(Content Level ) :包括知识点、能力、可玩性等标签,在各标签之间建立依存关系并汇总的科学知识地图。 2 .用户配置级别:主要包括用户的配置数据,包括ID所属的地区、学校、教材、用户图像标签等。

3 .用户不道德层(User Behavior Level ) :主要是指用户日常使用的构成的不道德数据,例如该地区的用户使用的主题。 介绍策略总体上不通过多层数据,而是科学启动时老师和学生需要的内容。 例如,对于知识面广、深度能力合格的用户,知识面的角度设计的推送标题很多,对于知识面广的学生,从能力体系的角度展开了阶段性的推送标题。

确保每个问题都不是学生在保持问题兴趣的同时无法处理的。 另外,启动时的战略不会同时考虑“德才闻行”的四个方面,不会更强烈地重视与素质教育相关的内容和提高学科核心素养的内容。 引进人工智能的效果怎么样? 关于如何提高学生问题的集中力和效率,罗侃一起作业学生的末端App,“只是在iOS和Androidapp上都设置了采访许可,从和老师访问时开始,在孩子解决问题时进行这个采访。 采访性允许是指你不能进入这些App,其他都瞄准了。

另一种方法是,我们每次布置作业时,系统估计每个作业的时间的概率都不高。 比如,这次作业十分钟就能完成。

如果这个孩子做了半个小时,系统会指出这个孩子是不是在偷什么别的东西。 否则,为什么十分钟的问题半小时就结束了呢? 如果有什么困难,就没有解决问题的措施。

LOL总决赛下注网站

另外,为了引起学生的自学兴趣,App上设置了基于适应自学的合格产品,罗侃说:“根据学生的锻炼结果,不会动态计算和调整下一水平的锻炼内容范围和玩耍性。 比如,学习业余孩子锻炼的水平不少,锻炼的主题也不会再浪费。 关于这个产品背后的技术,罗侃说:“适应自学最重要的基础之一是学生的项目管理结果,只需向学生传达现在控制的情况,就能得到更正确的训练内容。

现在已经验证过的模型是IRT模型。 2014年在在线系统中引入了IRT模型。 海外很多项目管理公司,比如GRE,都使用这个模型进行项目管理。 这个模型需要通过学生的问题记录来评价学生的能力和问题的玩耍性。

另外,整个过程不需要人插手,而是用EM算法构建的,这是不受监视的自学算法。 假设学生能力相同,估计问题的可玩性,然后估计学生做问题的结果,估计该学生的能力,在几个回合的递归阶段向局部拟合解法发散。 ”“当然,实际上用于中IRT模型的问题是没有考虑学生训练中问题顺序的影响等。 另外,整个过程假定学生的能力是一定的。

我们从16年开始寻找BKT和DKT模型这种基于时间序列的模型。 基本上对于新模型,我们试图在第一时间将这个模型应用到我们现有的产品中。 》右图是上海市今天中学倪佳青老师一起做作业使用前后的对比,使用后的学生在完成率和正确率两方面都有显著提高。

在一定程度的两个班,用于在线作业的实验班完成预习作业的比例为70%,对照组为25%; 实验班放学后练习的正确率为96.7%,对照组为78.6%。 倪老师发现,班里98%的学生是打工子弟,水平不同,传统作业很难给每个学生布置不同的内容,因此网上作业通过给每个学生布置个性化作业,提高了学生作业的积极性。

据介绍,在学生实际应用于基于适应自学模型构建的课题产品后,学习成绩、完成率和积极性提高了。 “有必要根据我们的算法提高学习效果,至今为止收集的数据提高了15%,现在正在进行更大规模的测试。 》关于公司的商业模式和收益情况,一起工作是学校教育场景产品,是流量源,是免费产品。

一起学习是家庭教育场景产品,有协助学生提高自学能力的收费产品。 据介绍,一起教育科技通过紧贴学校提供了很大的流量、数据,商业化的有两个,一个是个性化制造问题,二是直播放学后,这两种模式已经为小学业务带来了利益。 总体来说,目前正在实行损益均衡。

未来未来的发展:人工智能能代替教师吗? 日前,有研究者分析了365个职业将来被人工智能“出局”的概率。 其中,教师被出局的概率为0.4%。 教师似乎享受着自己无法很容易取代机器的独特性。

但是,也有不同的声音。 教育部副部长杜占元指出:“人机融合有可能成为我们庆贺智能时代最广泛的形式。” 惠灵顿学院院长安东尼谢尔顿爵士指出,十年内教师失去了传统角色,不能当副教授。 教学生们科学知识这一最重要的工作将由人工智能计算机几乎完成。

人工智能能否代替教师,是否一起教育科学技术,他说:“我们一起做作业的定位只是公立教育的好帮手,我们过去不打算代替老师,也不打算告诉孩子。 因为我们总是认为机器在教育方面几乎不能代替人。 ”。

现在关注“”维冯sz,允许复活关键词“2018”,随机抽选3张3999元的参加票,刊登原创文章。 以下,听取刊登的心得。|LOLS10全球总决赛世界赛下注。

本文来源:LOL总决赛下注网站-www.taringa-taringa.com

0431-72447227

联系我们

Copyright © 2010-2014 香港市LOLS10全球总决赛世界赛下注科技股份有限公司 版权所有  港ICP备50072546号-9