整合会话分析与文本挖掘技术来评价协作学习——访谈卡耐基梅隆大学著名教授卡洛琳·佩恩斯坦·罗泽

建构主义学习理论认为协作发生在学习过程的始终,协作学习过程也是会话的过程。协作学习活动的规范设计与顺利实施有利于促进学习者之间知识共享与协同建构。如何评价协作学习是当前教育技术领域研究的焦点问题。围绕整合技术进行协作学习评价问题,我们访谈了卡耐基梅隆大学著名教授卡洛琳·佩恩斯坦·罗泽。罗泽教授认为会话在协作学习情境中具有独特价值,不仅是一种使思维清晰可见的方式,而且参与者的多样化视角有利于知识的协同创新。罗泽教授的研究聚焦于整合语言学、教育学、心理学等相关理论,深入理解协作学习中会话的社会及其实际本质,搭建提高人与人、人与计算机之间会话效果的计算系统。其研究视角是运用社会语言学和会话分析理论设计语言表征的方式和新的计算模型,使语言模式可以被机器学习;研究内容是从计算的视角分析语言与社会之间的关系,开发用于评价在线协作学习过程的工具(如Tag Helper和Light SIDE),以便为协作学习的组织者或促进者提供适合特定情境的干预机制和反馈报告。罗泽教授及其团队的重要贡献还体现在优化协作学习过程的自动化分析方法,促进协作学习支持技术从静态支持向动态支持范式转变,研发新的干预机制与动态支持技术促进大规模协作学习等。

未来网络XIA中的虚拟机跨子网迁移

在IP网络中,虚拟机跨子网迁移后其网络地址发生了变化,将面临IP移动性问题。主要研究如何在未来网络体系结构—XIA(expressive internet architecture)中解决这一问题。利用XIA中标识与地址分离、基于DAG(directed acyclic graphs)的灵活路由等特性,提出了基于集合点代理的虚拟机在线迁移方法,并进行了具体实现和实验验证。结果表明,所提出的方法可满足虚拟机迁移后与通信对端网络连接的快速恢复,并具备控制平面简单和数据平面高效的优点。

利用机器学习预测术前护理对手术压疮预防的效果

目的:引入机器学习技术对手术压疮的术前护理预防效果进行预测。方法:利用本院的评估标准及数值归一化对匿名采集到的474例手术数据预处理,用于训练干预组预测模型。对比干预组模型与对照组模型在校验数据集上的准确率以评估干预组模型学习效果,对比它们在测试数据集上的准确率以评估干预组模型在实际应用中的预测性能。结果:相较于对照组模型,经过100轮训练迭代后的干预组预测模型,在校验数据集上预测准确率达到90.03%±0.12%,差异有统计学意义(P<0.001);在测试数据集上预测准确率达到90.35%±0.14%,差异有统计学意义(P<0.001)。结论:利用机器学习,可构建并训练出有显著学习效果的神经网络预测模型,能对压疮术前护理效果进行有效的预测,为压疮术前护理提供有意义的量化参考。

人工智能与未来

脱离了人类需求的人工智能,其实已经偏离了其本身应该具有的存在价值1956年,当时美国达特茅斯学院数学系的助理教授约翰·麦卡锡（John Mc Carthy）和一帮数学家们共同研究了一个全新的领域,他们将其命名为＂人工智能＂。随后在纽约举办过一场会议.

全面智能的机器不存在

目前广受关注的“AlphaGo”是一例以具体功能为导向的人工智能系统。所谓“具体功能”，指的是可定量、可数学描述的功能。全面智能的机器不存在。人工智能的研究和未来发展应以具体功能为导向，不能泛泛而谈，这样才能正确认识人工智能与人类的关系。