第三届全球AI+智适应教育峰会(AIAED)启动,首次接收学术论文

2019 年 1 月 18 日,第三届全球 AI+智适应教育峰会(AIAED)新闻发布会在北京举行,松鼠 AI 创始人栗浩洋在发布会上介绍了第三届 AIAED 大会的亮点。

教育是人们普遍关注的话题之一。如何提高教育质量、改善教育的公平性是亟待解决的问题。近年来,全球「AI+教育」迅猛发展。

在国外,「AI+教育」已覆盖了不同国家、不同年龄层,从小学、初高中、大学到职业教育的近百个学科,有 9000 多万用户使用智适应教育产品,引领教育变革的浪潮。以智适应教育产业为例,从上个世纪 60 到 90 年代的基于计算机系统的自适应学习技术,现已升级到基于人工智能自适应学习技术。目前,行业的年复合增长率超过 30%,并形成了 Knewton、ALEKS、RealizeIT 等欧美领衔的企业。

而在国内,一些传统教育巨头如新东方、好未来近年来在「AI+教育」方面也频频布局;此外,专注于「AI+教育」的中国创新企业也为数不少:松鼠 AI 采用「智适应学习系统」+「线下无人课堂」相结合的服务模式,致力于通过 AI 技术改造传统教育,针对学生特点提供个性化辅导;英语流利说从 AI 语音识别入手,在 2016 年推出智适应教育产品「懂你英语」并且于去年在美国成功上市。

据不完全统计,中国目前宣称推出 AI 智适应教育产品的企业已多达 60 余家。而在「资本寒冬」到来之际,投资者对于教育项目的青睐也不减反增。数据显示,2018 年,教育行业一级市场融资 579 起,较去年同期的 412 起,同比增长 40.53%,平均每天融资 1.59 起;融资金额高达 523.95 亿元人民币,较去年同期增长 87.79%,平均每日的融资金额为 1.44 亿元人民币。

「AI+教育」交流平台

AI 智适应教育产业的发展需要人工智能企业、教育企业、投资机构等各方的共同努力。全球 AI+智适应教育峰会(AIAED)提供了一个国内外交流互动的平台,它以「在全球普及人工智能教育,推动人工智能技术对教育的改变和发展,为了人类更好的教育公平性和教育成果做出贡献」为宗旨。

前两届全球 AI+智适应教育峰会(AIAED)分别在 2018 年 4 月和 11 月举行。距离第二届大会刚刚两个多月,松鼠 AI 宣布第三届 AIAED 大会将于今年 5 月 23-24 日举行。这次会议由乂学教育-松鼠 AI 智适应教育、IEEE 教育工程和自适应教育标准工作组、中国自动化学会、新东方、好未来等教育机构主办,为众人带来最前沿的人工智能技术、教育理念、以及最新的商业模式,预计参会人数将多达 5000 人。

第三届 AIAED 会议亮点

在 1 月 18 日举办的新闻发布会上,松鼠 AI 创始人栗浩洋介绍了此次会议议程的版块和亮点。

第三届 AIAED 包括「AI 自适应教育技术及论文版块:Technical and Papers」、「全球 AI 教育公司商业版块:Industry Expo and Showcases」、「教育上市公司版块」、「投资板块」、「政府政策版块」、「学生 TED 演讲」和「娱乐演出」版块。

栗浩洋首先介绍了「AI 自适应教育技术及论文版块」:

如上图所示,第三届 AIAED 会议将首次接收 AI 自适应教育技术相关的论文,包含上图 7 个方向,聚焦利用 AI 技术促进 AI 与教育的融合。

本次大会将向全球征集有关人工智能教育技术、教育理论的相关论文,主要包括人工智能算法、机器学习深度学习的应用、教育数据挖掘、多模态综合学习行为分析和情感计算自然语言处理语义分析的应用、人工智能与学习工程的交互、IEEE 自适应教学系统标准、图像识别在教育中的应用等方向。

栗浩洋表示,接收论文有助于促进 AI 自适应教育技术的中外交流、鼓励国内外顶级研究人员研究 AI 自适应教育技术。据介绍,第三届 AIAED 会议将邀请来自全球人工智能、心理学、教育学等领域的 50 多名专家组成学术委员会对论文进行评审。CMU 前机器学习系主任、计算机学院代理院长、松鼠 AI 首席人工智能科学家 Tom Mitchell 将担任论文学术委员会主席,50 多名专家中有十名为核心委员,论文每个版块设一个主席。目前,具体的论文评审制度还没确定,栗浩洋表示,论文评审制度将由各版块主席、学术委员会一道商议制定。

论文提交和接收具体时间参见下图:

论文接收是这次会议的突出亮点。栗浩洋表示,为保障论文评审的公平透明,AIAED 会议主张核心委员透明化,以促进评审更加公平。他还表示,以后的会议还将促进所有评审的透明化。

第三届全球 AI+智适应教育峰会(AIAED)上会涌现出哪些新技术、新思路、新实践,带来哪些新灵感、新启发、新变化?我们拭目以待。

产业AI教育乂学教育
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

自适应学习技术

自适应学习也称为适应性教学(Adaptive Learning),是一种以计算机作为交互式教学手段的教学方法,根据每个学习者的特别需求,以协调人力资源和调解资源的分配。计算机根据学生的学习需求(如根据学生对问题、任务和经验的反馈)调整教育材料的表达方式。自适应学习技术已经涵盖了来自各个研究领域,包括计算机科学,教育,心理学和脑科学等等。

语义分析技术

语义分析是编译过程的一个逻辑阶段, 语义分析的任务是对结构上正确的源程序进行上下文有关性质的审查,进行类型审查。语义分析是审查源程序有无语义错误,为代码生成阶段收集类型信息。比如语义分析的一个工作是进行类型审查,审查每个算符是否具有语言规范允许的运算对象,当不符合语言规范时,编译程序应报告错误。如有的编译程序要对实数用作数组下标的情况报告错误。又比如某些程序规定运算对象可被强制,那么当二目运算施于一整型和一实型对象时,编译程序应将整型转换为实型而不能认为是源程序的错误。

情感计算技术

情感计算(也被称为人工情感智能或情感AI)是基于系统和设备的研究和开发来识别、理解、处理和模拟人的情感。它是一个跨学科领域,涉及计算机科学、心理学和认知科学(cognitive science)。在计算机领域,1995年Rosalind Picard 首次提出affective computing。研究的目的是使得情感能够模拟和计算。这个技术也可以让机器人能够理解人类的情绪状态,并且适应它们的行为,对这些情绪做出适当的反应。这是一个日渐兴起的兴欣领域

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~