星微科技完成近亿元A轮融资，由耀图资本领投，
06-18
学习到底是什么？人类对学习的理解往往受到我们的感知能力和测量标准的限制，这就是为什么人类学习的进化在过去的千年里极其缓慢。
然而，现代多模态传感数据的处理能力日新月异。
通过在实际教育过程中收集到的学生生理信号、言语表情、面部表情、姿势等多模态数据，科学家们正在从新的角度重新创造这些数据。
检查和理解学习。
中国的教育行业正在经历以数据和人工智能为核心的技术变革。
这就是为什么今年8月10日至16日在澳门举行的国际人工智能联合会议（IJCAI）上，重点是多模态数据。
AIMA4EDU作为一场分析与智能教育研讨会，受到了业界的高度关注。
AIMA4EDU，全称“基于人工智能的多模态分析，理解现实世界教育环境中的人类学习”，由中国人工智能教育独角兽乂学教育-松鼠AI联合举办，将于8月11日举办一天。
除了颁发最佳论文和最佳学生论文外，研讨会还邀请了来自加州大学伯克利分校、孟菲斯大学、松鼠AI的专家学院分享他们基于多模态数据的教育前沿研究。
明年的AIMA4EDU研讨会将与IJCAI一起在日本横滨举办。
最佳论文 最佳论文获奖者是荷兰开放大学和德国莱布尼茨教育研究与信息科学研究所的“多模态管道：处理多模态数据以支持学习的通用方法”。
支持学习的多模态数据的通用方法）”。
多模式工作流程是一种收集、存储、注释、处理和利用多模式数据以支持学习的方法。
在当前的开发阶段，多模式工作流程由两个相关原型组成：1）多模式学习中心，用于收集和存储来自多个应用程序的传感器数据； 2）用于可视化和记录记录会话的目视检查工具。
多模态工作流程可用于支持各种学习场景，例如演示技能、患者人体模型的医学模拟等。
可以提供不同的支持策略，包括在智能辅导系统中检测错误并提示实时反馈，或通过学习分析仪表板激发自我反思。
该论文的链接在这里。
最佳学生的论文 最佳学生论文的获奖者是新南威尔士大学研究团队的《教育背景下认知注意力分析的深度多智能体注意力学习》。
传感系统的最新发展允许连续生成大量传感数据，从而实现复杂的学习。
为了回应人们对教育问题日益增长的关注，本文将学生的脑电图信号与教育背景下的认知注意力状态联系起来。
研究小组考虑了人类注意力的两个固有特征，即时空变化的特征显着性和个体特征之间的关系。
基于此，本文提出了一种多智能体时空注意力模型。
时空注意力机制有助于智能选择信息通道及其活跃时段。
所提出的模型中的多个代理代表具有个体特征的集体全局选择的生理现象。
通过共同的目标，智能体共享获取的信息并协调其选择策略，以学习最佳的注意力分析模型。
该论文的链接在这里。
以下是会议演讲的要点摘要： Frank Andrasik，孟菲斯大学：神经反馈治疗自闭症谱系障碍的方法学反思 Andrasik 博士目前担任行为医学中心的杰出教授、主席和主任，田纳西州孟菲斯大学心理学系。
他于 2001 年在俄亥俄大学获得临床心理学博士学位，发表了大约 100 篇文章并进行了多次讲座。
Andrasik 博士也是一位心理学家，也是《Applied Psychophysicalology》和《Biofeedback》的主编。
Andrasik博士的演讲讨论了神经反馈治疗自闭症谱系障碍（ASD）患者的方法。
ASD 简单来说就是自闭症，但它是一个更广泛的医学术语。
脑神经反馈训练是目前比较新的治疗方法。
通过检测患者的脑电波活动状态，采用特殊方法对大脑薄弱区域的脑神经进行训练。
近三年来，这项技术经历了爆发式增长，并开始广泛应用于商业化。
总部位于佛罗里达州的 Neurocore 目前是美国最大的神经反馈服务提供商之一。
美国教育部长贝特西·德沃斯 (Betsy DeVos) 拥有该公司的部分股份。
尽管神经反馈技术发展迅速，Andrasik博士还是列举了过去几年这种治疗技术出现的问题：比如安慰剂效应、忽视测量维度、缺乏长期跟踪患者的机制等。
地位。
神经反馈公司的夸大说法在该行业也很普遍：美国联邦贸易委员会指责 Lumos 游戏的创造者 Lumos Labs 欺骗消费者，毫无根据地声称他们的游戏可以帮助患者在工作和学校表现更好，并减少或减少减少与年龄和其他严重健康状况相关的认知障碍。
那么如何推动这个行业向前发展呢？ Andrasik博士总结了七个方向： 1. DSM-5提高诊断准确性。
DSM-5是美国精神疾病诊断与统计手册第五版，将当代人所有因情绪控制不当而引发的疾病以及各种怪病分为轻度到重度的各类精神疾病； 2. 认识到皮质缺陷并不是症状的唯一原因。
外周生理活动，如心率及其变异性，与神经生理信号密切相关，与社会参与有关； 3. 确定反应预测因子，治疗可能需要 40-80 次疗程； 4.利用非接触式电容脑电电极、基于近红外光谱（NIRS）的传感器、可穿戴头盔设备等，每天在最需要的环境中进行练习； 5. 加强对治疗机制的关注； 6.利用机器学习方法； 7. 关注现实环境而不是实验室环境中的功效。
Richard Tong，松鼠AI首席架构师：基于Agent的自适应教学系统设计框架。
Richard Tong，松鼠AI首席架构师，曾担任Knewton大中华区负责人、Amplify Education解决方案架构总监。
此外，他还是IEEE AIS（自适应指令系统）标准工作组成员和互操作性组（IEEE .2）主席。
Richard Tong介绍了松鼠AI建立自适应教学系统框架的初衷和细节。
他认为，优质教育普及和规模化的最大障碍来自三点：成本、可行性、系统惯性。
基于此，松鼠AI坚信教育方法需要重新定义：? 每个学生都是不同的，任何团队式教学都无法有效利用学生的时间；? 人工智能现在可以提供大规模连续自适应一对一经验；? 人类教师（教练）应提供有针对性的、社会性和激励性的个人支持。
那么为什么教育需要一个基于主体的框架呢？ Richard认为Agent框架可以设计出更好的教育流程： ? Agent更好地理解整个教育流程和产品，学习的关键条件可以在Agent框架中得到很好的体现，包括学习准备、学习能力、学习环境;? 代理框架是学习发生的自然框架，可以更好地帮助学生学习科学，具有更好的可解释性和人机界面设计；? 更好的代理设计可以更好地设计一个教育系统，代理的水平应主要通过智能体改善学习成果的能力来衡量，而不是通过实施方法的复杂程度来衡量。
Richard简单介绍了松鼠AI自适应教学系统的设计框架，该系统主要由三部分组成：教学代理、学习本体层、传感器、资源和工具；复合模型，包括领域模型、学习模型、交互模型；以及教学模型，可以视为强化学习策略，具有行为、规则和奖励函数。
在整个框架内，松鼠AI设计了四种类型的智能体：外环智能体、内环智能体、同伴智能体和模拟学生智能体。
需要理解的是外环-内环框架机制，我们还可以理解宏观-微观自适应架构。
外环智能体会遍历一个动态的任务序列，结合本体层的学习图谱和内容图谱，以及算法层的学生画像、知识状态评估和推荐引擎，选择合适的任务供学生学习。
内环智能体获得动态的学习行为，遍历学习一个任务的不同步骤，并且具有相似但不同且更加细分的模块。
这使得 Squirrel AI 的系统真正具有适应性——不仅提供任务反馈，还提供各个步骤的反馈。
两者结合得到的agent学习行为将保存在LRS中作为agent之前的学习历史。
Richard还列出了仍然遇到的挑战，例如：代理之间的通信、本体层、感知信息的融合、上下文信息的同步。
松鼠AI的下一步是开展更多的联合研究。
已与卡内基梅隆大学、斯坦福大学达成联合研究项目；做更多的参考设计和实验；标准化系统和其他组件之间的代理接口。
松鼠AI KP Thai：用于多模态教学分析的大规模数据集松鼠AI高级学习和数据科学家KP Thai博士主要介绍了松鼠AI研究团队的最新成果：大规模数据集用于多模态教学的大规模数据集MULTA分析。
Thai博士表示，构建这个数据的原因是高频多模态数据收集技术和AI/ML分析技术的进步可以为学习提供新的见解，但目前公开可用的数据集并不多，尤其是来自现实世界的学习环境中，松鼠AI希望通过发布数据集，帮助探索多模态学习分析和数据挖掘，推动教与学的进步。
松鼠AI收集了两个课外学习中心中学生参加数学、英语（语法和阅读）、语文、物理和化学5个科目的数据。
五个星期以来，学生们被要求佩戴脑电波耳机并进行录像。
在学习过程中，松鼠AI收集了其系统上的用户录音、脑电波（使用BrainCo的脑电图头带）和网络摄像头视频（通过Debut视频录制软件进行的网络摄像头）。
研究团队将脑电波和网络摄像头视频同步到用户记录中，根据时间同步三个数据源，并根据不同问题对脑电波和网络摄像头视频数据进行分段。
数据集还存在一些缺陷。
例如，数据收集过程不符合预期，导致可用数据少于预期。
网络摄像头和脑电波数据的长度与课程长度不同、网络摄像头设置不正确等。
未来，松鼠AI将优化数据收集和准备流程，继续收集数据，寻求多方之间同步的工具。
-模态，更好地理解脑电波的特征表示。
下面简单介绍一下其他演讲者的内容：来自新南威尔士大学的一个研究团队介绍了他们的最新论文《On Use EEG Signals for Human Attention Estimation（使用 EEG Signals for Human Attention Estimation）》。
脑电图信号是估计人类注意力的主要媒介。
目前的脑电图研究通常需要针对不同的受试者进行适应步骤，然后调整脑机接口以供新的实验者使用，这会消耗大量的时间和人力。
研究人员提出了卷积递归注意力模型（CRAM），该模型使用卷积神经网络对脑电图信号的高级表示进行编码，并使用迭代注意力机制来探索脑电图信号的时间动态并关注最具辨别力的时间段。
北京交通大学和北京师范大学的研究团队介绍了他们的最新论文《通过在线写作分析了解学童考试焦虑》。
如何科学有效地判断学生是否存在考试焦虑并及时提供帮助是一个值得关注的研究课题。
与昂贵的自我报告相比，本研究试图通过分析在线写作来了解考试焦虑的表现并预测个人的考试焦虑水平。
研究发现，考试焦虑与一些写作习惯有关，例如简单单词的使用频率和猜测单词的类型。
通过应用机器学习技术，建立并评估了基于在线写作数据的考试焦虑预测模型。
随机森林回归器目前达到了最佳性能。
来自悉尼科技大学、南京航空航天大学和北京化工大学的研究团队介绍了他们的最新论文《通过学生作业进行学生情绪分析》。
学生情绪分析对于学生管理学习和生活至关重要。
针对这一问题，本文提出了分层学生情绪分析框架来分析学生的作业情绪。
该框架包括两个流：参考流和学生陈述流，能够从引文和引文中分析部分学生的情绪。
实验结果表明，该框架在大学生作业数据集上优于其他竞争对手。
来自悉尼科技大学和莫纳什大学的研究团队介绍了他们的最新论文《异构研究-轨迹图的通用图嵌入（Universal Graph Embedding for Heterogeneous Study-trajectory Graph）》。
当前的学习兴趣发现方法使用单个时间序列单调地模拟每个学生的学习轨迹，忽略了学生和课程之间的相互依赖性。
本文将学生和课程构建为研究轨迹图中的异构节点源，并提出了通用图嵌入框架（UGE）来同时捕获同质节点之间的相互关系和异构节点之间的相互依赖关系。
性别。
雷锋网版权文章未经授权禁止转载。
详情请参阅转载说明。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-18
06-17
06-17
06-18
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态