更多

    設立人工智能學習系統的關鍵元素

    【#1413 PCM】NVIDIA GeForceRTX 3080 深度拆解+測試

    談到新一代的GeForce RTX 3080,都是些琅琅上口的名辭如2代RT Cores、3代Tensor Cores、2X FP32及流暢的4K遊戲性能等等。而最令人振奮的,是RTX 3080部分技術更超越數據中心用的A100 GPU,屬誠意之作。

    【#1413 Biz.iT】個人化推薦引擎 推動網店收益

    疫情推動商戶開設網店,已經有效吸納一批新客戶。下一步考慮推動更多消費,或需要工具協助,例如個人化推薦引擎。該技術是人工智能實用案例之一,亞馬遜、Netflix等是都利用自行開發的推薦引擎而成功增加收入的著名例子。

    美國法院叫停商務部WeChat 禁令

    針對商務部對 WeChat 禁令,有用戶向加州三藩市的裁判法院入稟,而法院裁判法官頒令,阻止商務部禁令生效。

    人工智能程式是模仿人類大腦運作,透過具學習能力的電腦程式——「人工神經網絡」( Artificial Neural Network, ANN ),就能分析大量歷史數據,讓電腦程式學習這些數據之間的關係,繼而模仿出人類智慧。人面辨識、自動駕駛等常見的人工智能系統,都是以類似原理運作。然而,要建立人工智能學習系統,除了應用 ANN 外,還有一些難題需要研究及處理。

    首先,所有智能學習系統均有一個知識圖譜,將要學習的知識細拆成有相互關係的知識點,系統會引導學生循序漸進地學習每個知識點,最後掌握整個知識概念。系統其中一個關鍵技術,就是要準確分辨學生是否已學懂每個知識點。舉例說,學生能答對一題三位數加法,是否代表學生能夠完全掌握三位數加法的概念呢?學生答對題目可以是靠運氣,答錯也可以是一時大意,或者不夠時間作答。在更複雜、大量學生中進行自動評估及分析,出現的可能性就會更多,系統判斷錯誤的機會就越大。其實,任何智能系統都不能作出絕對正確的判斷,而只能計算出正確判斷的機會率。

    如何評估學生

    系統要準確分辨學生是否已掌握知識點,可運用「認知分析模型」( Cognitive Diagnostic Model, CDM )進行分析。此模型需要更多不同的題目,例如有進位加法、無進位加法等不同組合,以更準確判斷學生是否真正掌握三位數加法。市面上有不少大型自動化評估平台,均採用 CDM 以得出更準確的分析結果。在人工智能學習系統中應用 CDM ,便能更準確地判斷學習者掌握知識的程度,繼而為他們提供更適切的學習方案。

    另一難題是我們會假設在學習系統內的題目設計是完美的,能夠準確地評估學生的能力。事實卻非如此,同樣是三位數加法的題目,使用大小不同的數字,要求學生的計算能力便有差異,答對的機率自然不同。因此,除了準確的分析結果,一個好的評估系統要能判斷提供給學生進行評估的題目與想測試他的能力是否吻合,而這類分析可透過測量模型,如「羅氏模型」( Rasch Model )進行,不但可準確地判斷學生能力,更可剔除系統中設計有偏差的題目。

    打造 Auto-tutor

    人工智能學習系統要成功,還需處理一個重要的關鍵元素,就是提供人性化與互動性兼容的人機介面,以幫助學生建構自主學習。筆者於二月參與香港教育大學舉辦的「科技促進評估的國際研討會」,來自美國孟菲斯大學的胡祥恩教授在會上分享他建立的人工智能教學平台 Auto-tutor ,系統依照「通用智能輔導框架」( Gifted Intelligent Framework Tutoring, GIFT )而建。 GIFT 內包含的工具可用於建構自主學習、助學生釐清學習目標、妥善管理時間及評估學習進度,繼而建立一套有系統的學習策略。平台更配備人機對話介面設計,讓學生好像擁有一個專屬的私人導師,大大提升學習興趣和效能。

    從以上可見,人工智能學習系統所需要的各種理論及科技元素均相當齊備,相信距離大規模、普及地推展的日子亦不遠,成功關鍵在於教育界、科技界及政府等各個持份者能有充足的認識及掌握,並有規劃、有系統地引導教育界運用這些科技,使學生受益。


     

    鄭弼亮
    香港教育城行政總監

    鄭弼亮現任香港教育城行政總監,領導香港的一站式專業教育網站( www.hkedcity.net ), 協助全港中小學廣泛實踐電子學習。

    您會感興趣的內容

    相關文章