共查询到20条相似文献，搜索用时 20 毫秒
1.
为了提高"人工智能"课程的教学质量和效果,激发学生的学习兴趣,促进学生找到行之有效的学习方法,从而加强对本门课程的掌握程度。本课题基于Python语言语法简单、使用便捷的特点,以人工智能领域中的机器学习为案例,结合Python中主流的人工智能算法库,实现了基于Python的机器学习。案例教学能让学生深入浅出地理解人工智能的本质,使学生对该课程有更加全面和深刻的认识,同时也能进一步提高教师的教学质量。 相似文献
2.
情感是影响学习者认知和行为的关键性非智力因素。准确分析、识别学习者的情感状态,对教育的个性化、智能化发展尤为重要,它是情感计算的重要内容,已经成为人工智能和教育领域的交叉研究热点。学习体验文本是学习者情感分析的主要数据来源。面向学习体验文本,是在完善基础词典和情感词典的基础上,提出一种融合情感词典和机器学习的学习者情感分析模型,能够实现对段落级/篇章级学习体验文本的多级情感分类,从而挖掘学习者内隐的情绪状态。为了检验模型的有效性,采用宏平均指标全面评估情感分析模型的整体分类性能。研究结果表明:选择情感词特征和句子构成特征、采用SVM分类器时,该模型能够准确识别学习体验文本中的学习者情感;模型不仅为学习者多级情感分析提供新的研究思路,而且也为深入挖掘学习行为、改善在线教育的学情分析等,提供了技术支撑。这一研究结果,有助于进一步把握模型的应用前景、面临的问题和挑战等,并提出了相关建议。 相似文献
3.
人工智能技术在体育教学场景中发挥着重要的作用。体育教学领域的人工智能关键技术主要有大数据计算技术、知识图谱、机器学习、自然语言处理技术等,应用场景包括教学活动、练习活动、比赛活动和学习评价等。人工智能技术能够更好地赋能体育与健康学科的学习活动、练习活动、比赛活动,并且助力学习评价更好地融入学、练、赛活动中;同时,体育教学实践的深入也会进一步拓展人工智能技术在学、练、赛、评活动中的应用场景和领域。 相似文献
4.
随着人工智能技术的发展,智能化教育和学习已成为当前研究的热点问题。本文采用人工智能技术构建个性化的英语学习同伴系统,该系统采用数据挖掘的方法检测学习者的智力与非智力水平,同时监督学习者的学习进度,并使用自然语言与学习者进行交互,从而为我国英语学习者提供一个个性化的语言学习环境。 相似文献
5.
6.
机器学习是人工智能的关键核心技术。本文结合武汉大学计算机学院近年来开设机器学习本科生课程的教学经验,对机器学习本科生课程教学改革与人工智能专业创新人才培养进行了系统的探索与实践。该课程以一批青年国家级人才为骨干师资,依托国家级、省级和校级科研平台,将机器学习课程的教学过程深化扩展为理论与实践相结合的人工智能专业创新人才培养模式,具体包括机器学习理论课程教学改革、机器学习英文课程教学探索、人工智能综合创新实训建设、人工智能A类会议学术创新和互联网头部企业协同人才培养等方面,培养具有国际竞争力的复合型人工智能创新人才。 相似文献
7.
人工智能与脑神经科学在揭示教育规律中发挥着重要作用。大量研究从理论上阐述了两者结合的价值，但少有实证研究厘清相应的技术路径和解释方式。其原因是教育场景缺少复杂脑神经数据的智能特征提取方案，以及适配的智能分类和预测模型。本研究以40名在线德语学习者的脑电数据集为样本，将60个德语句子用四种媒体表征方式呈现，基于变分模态分解和样本熵的方法分析和解释学习者不同脑功能区和波段对数字资源呈现方式对视觉舒适度影响的内在原因，并通过机器学习分类方法比较在线学习视觉舒适度的自动识别精确度，为人工智能协同脑神经创设适宜的学习环境提供了理论基础，有助于优化学习者脑电的智能特征提取和分类方法，为构建健康的在线学习环境提供评价策略。 相似文献
8.
智慧学习是人工智能时代教育的基本内涵,智慧学习模型构建是实施智慧学习的关键和基础,也是该领域研究中的瓶颈问题.文章针对智慧学习内在机理难以表征的问题,利用人工智能技术,提出了能够阐述智慧学习特征、要素及运行机制的智慧学习E-GPPE-C模型.该模型由学习环境、教育知识图谱、学习者画像、学习路径、学习评价、学习共同体六大核心要素和基础层、支撑层、服务层、关键层、应用层五个层面构成.基于人工智能相关算法,从教育知识图谱构建、学习者画像构建、学习共同体构建、学习路径推荐四个方面,提出了E-GPPE-C模型的实现方法.研究为人工智能在教育领域应用、智慧学习开展提供了基础,为后续智慧学习模型研究提供了参考. 相似文献
9.
人工智能的核心技术机器学习及其子领域深度学习是现阶段解决很多人工智能问题的主要方法。高中生已经具备了学习机器学习基础课程的知识结构和能力,开发具有普适性的高中机器学习课程显得尤为重要。长沙市周南中学在机器学习课程开发中注重打造专业的师资团队、建设课程资源库和寻求多方协同,遵循学本位、低成本、弹性、众创共享、由易入难、择优等原则。学校开发的机器学习课程包括基础课程和拓展课程两部分,制定了明确的"知识与技能""过程与方法""情感态度与价值观"目标。 相似文献
10.
学习者的协作会话数据是深入了解其学习过程和认知状态的一类重要数据。但由于自然语言的灵活性和学习情境的复杂性，协作会话数据分析的自动化程度一直不高，难以大规模应用。文章从人工智能视域出发，构建了基于人工智能技术的在线协作会话分析概念模型，对在线协作会话分析的理论基础、基本特征、分析流程和常用方法进行了论述，并进一步详细分析了“基于信息论的知识贡献测量”和“基于语义的协作会话学习投入自动分析”两个在线协作会话分析典型案例。案例证明了该模型能够将人工智能技术的“可计算”与教育研究的“可理解”相结合，为人工智能技术与协作会话分析融合搭建了桥梁，对在线协作会话分析实践具有重要的指导和参考价值。 相似文献
11.
国外人工智能教学应用研究综述 总被引：1，自引：0，他引：1
人工智能技术在教育教学中的应用日渐丰富,国内关于人机协同的研究多偏向于宏观理论探索,实践研究较少。鉴于此,研究以近三年三本具有国际影响力的期刊中人工智能教学应用相关文献为样本,以人工智能局部替代教学、赋能教学为焦点,分析国外人工智能教学应用研究现状。从中可以看出,当前国外研究者在探索认知特征、学习本质和教育规律的基础上,关注将机器学习、逻辑推理、自然语言理解等人工智能技术嵌入各类教学、学习、决策等工具、系统、平台中,支持构建体验学习情境、规范学习行为、评估学业水平和能力结构、制定个性化学习路径和内容等研究,旨在通过人机协同优化教学方式与路径,为学习者提供个性化学习服务。这些研究成果对开发人工智能教学产品、理解学习的本质、探索教学规律等提供了方法指导和可供借鉴的研究范式,但也存在人工智能教学应用研究狭窄化、碎片化、微观化等问题,后期还需从宏观、中观层面开展人工智能与教学的关系研究、人工智能教学应用关键技术研究、人工智能赋能教师的理论基础研究、人工智能与教学融合形态研究、人机协同背景下的教师人工智能教学应用素养研究等。 相似文献
12.
13.
14.
《实验室研究与探索》2013,(11)
针对目前网络教学中,学习者缺乏个性化指导、学习效率低下的问题,提出了以知识点为核心进行资源组织的个性化学习推荐模型。该模型可以为学习者提供一个"因材施教"的网络教学环境,为学习者推荐有针对性的学习材料,提高学习者的学习效率。构造了用于表示知识点间关联度的客观和主观知识点关联表,给出了个性化知识点序列提取算法和针对特定知识点的个性化学习材料的推荐算法,能根据学习者模型提供适应学习者的教学方法和学习资源,并且学习者模型定期的利用关联规则挖掘进行完善更新。该模型能有效地提高学习者的学习质量和学习兴趣。 相似文献
15.
机器学习是一门涉及人工智能和计算机科学的课程并已成为生物医学工程领域研究的重要课题。为此,文章立足生物医学工程专业实际,提出基于课程特点的教学方法设计、基于医工结合的理论实践知识学习和基于教学目标的多样化考核方式三个版块。教学实践结果表明,该课程设计有利于提高教学质量,学生能够掌握机器学习的知识和技能,并了解机器学习在生物医学工程领域的实际应用,为培养复合型人才提供支撑。 相似文献
16.
刘莘温鹏博吕恩辉康星星 《大学教育》2023,(10):121-124
随着人工智能的发展,机器学习理论已经深入渗透到信息处理各个领域,掌握基础的机器学习方法已成为对理工科专业学生的基本要求之一。打造机器学习与模式识别课程思政体系,对于培养高素质工科人才有着至关重要的作用。文章分析了机器学习与模式识别课程思政目标,并阐述了课程思政实施方案设计及具体实施案例,探讨如何将课程思政渗透至知识传授和能力培养的各个环节,构造全方位育人大格局。 相似文献
17.
智能时代呈现出技术化、数字化、集成化、智能化等表征,助推着人类向美好生活又迈出了一大步,教育融合人工智能为学习者创设了灵活自由的学习形式、复合多元的学习内容、周全完备的学习过程;但同时也给学习者带来了新的挑战。面对智能时代危机,学习者应当深入领会自由内涵,成就理性自由;需要深刻领悟价值真谛,学会价值判断;要深耕领导能力提升,创新赢得主动。以人的自由全面发展为人的主体性价值标尺,积极寻求破解路径,在教育融合人工智能的技术支持下创生一个人机协同进步的新时代。 相似文献
18.
19.
20.
《绵阳师范学院学报》2021,(11):83-89
该研究通过评估一个通用特征集对不同网络环境和攻击类型的泛化性能,旨在缩小和实际应用的差距.分别在三个数据集上对两个特征集(Net Flow和CICFlow Meter)进行了评估.实验结果表明,Net Flow特征集显著提高了两种机器学习模型在不同数据集上检测入侵的准确性.此外,由于学习模型的复杂性,一种可解释的人工智能方法(SHAP),被用来解释两个机器学习模型的分类决策.通过在多个不同数据集上分析了特征的Shapley值,以确定每个特征对最终机器学习模型预测结果的影响. 相似文献