STEM教育是一种跨学科的教育方法,融合了科学、技术、工程和数学,旨在帮助学生通过解决现实世界问题来发展跨学科知识和技能。然而,STEM教育在教学和学习过程中面临诸如跟踪学生学习过程、设计真实有效的STEM问题和评估学生表现等挑战。
人工智能(AI)技术的应用,尤其是在教育评估领域,有助于减轻教师的工作负担,促进学生的个性化和自适应学习。
浙江大学欧阳璠教授的研究A Systematic Review of AI-Driven Educational Assessment in STEM Education通过系统综述的方式,探讨了以下三个研究问题:
-
AI在STEM教育评估中的应用有哪些功能?
-
在STEM教育评估中,为了实现这些功能使用了哪些AI算法?
-
AI在STEM教育评估中的应用有哪些教育和技术效果?
文章讨论了AI驱动的教育评估在STEM教育中的应用效果,包括教育效果和技术效果,并提出了教育和技术方面的启示。
一、AI驱动的教育评估现状
在STEM教育领域,人工智能(AI)正日益成为推动教育评估的关键技术。AI已经被广泛用于STEM教育中,以促进教育评估。它被应用于自动评估学生的学习表现,减少教师的工作量,并提供个性化的学习反馈。
AI教育评估主要分为三个功能:**学术表现评估、学习状态评估和教学品质评估。**这些功能涵盖了从学生学习过程的跟踪到教学质量的改进等多个方面。这些功能使得教育者能够更深入地了解学生的学习过程,并提供及时反馈,从而促进个性化学习。
在现存的AI教育评估中,既使用了传统算法(如自然语言处理、机器学习)也应用了先进算法(如深度学习、神经模糊系统)。这些算法帮助实现自动化的评估过程,并提供对学习模式的洞察。与传统评估相比,AI驱动的评估可以自动收集和分析数据,提高评估效率,并提高形成性和总结性评估的准确性。
AI教育评估对学生和教师都有积极影响。对学生而言,它帮助他们克服学习困难,提供知识策略,识别和干预风险学生,并提高评估结果的科学性和有效性。对教师而言,AI技术帮助他们识别教学问题并提高评估效率。
二、现有的 AI 教育测评工具
作为一篇全面的系统综述,文章中确实提到了一些AI教育评估工具和系统的例子。以下是一些具体的实例:
-
自动化评估工具:Maestrales等人(2021)设计了一个自动化评估工具,用于在学生科学学习过程中进行形成性评估。该工具利用机器学习技术,与教师手动评估相比,在打分方面实现了更高的准确性。
-
eAlgo系统:Aiouni等人(2016)提出了一个名为eAlgo的自动化评分系统,它采用自动匹配算法来评估编程课程中学生的流程图。
-
基于深度学习的评估模型:Chen和Wang(2023)使用了深度学习评估模型,用于在编程课程学习过程中进行形成性评估。
-
有效推理网络:Zhai等人(2021)利用有效推理网络来解决基于机器学习的下一代科学评估(NGSA)中的认知、教学和推理有效性问题,帮助教师评定学生在科学课程中的总结性表现。
-
概念图与机器学习技术结合的评估方法:Bertolini等人(2021)结合了概念图这一新颖的评估方法和机器学习技术,用以评估生物课程中学生的辍学风险。
-
基于深度学习面部识别技术的智能教室评估系统:Zhang等人(2022)结合了AI面部识别技术和智能教室的实际教学管理,以捕捉STEM学习过程中学生的情绪状态和变化。
-
IPSO-BP算法优化的教育评估模型:Chen等人(2022)改进了粒子群优化算法,优化了IPSO-BP算法的模型结构和参数,为科学课程教学提供了可靠的教育评估模型。
这些工具和系统展示了AI技术在教育评估中的多样化应用,从自动化评分到学习状态的实时监测,再到教学质量的提升,AI技术正逐步改变STEM教育的评估方式。
三、现有研究展现出的趋势
-
AI教育评估的功能:研究发现AI在STEM教育评估中主要承担三种功能:学术表现评估、学习状态评估和教学品质评估。具体来说,大多数研究(70.6%)集中在学术表现评估上,其次是学习状态评估(17.6%),而关注教学品质评估的研究较少(11.8%)。
-
使用的AI算法:在这些研究中,深度学习(DL)是最常用的AI算法,占比41.2%,其次是机器学习(ML),占比23.5%。这表明在STEM教育评估中,先进的AI算法正在逐渐取代传统算法。
-
教育和技术启示:论文基于结果提出了教育和技术方面的启示,强调了将AI技术与教育理论结合、赋予学生更多学习代理权的重要性。这些启示在“Discussions and Implications”部分进行了讨论,特别是在“Addressing Research Questions”和“Educational Implications”以及“Technological Implications”小节中。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。