Може ли А.И. Оцените свој следећи тест?



Неуронске мреже би могле да дају подстицај онлајн образовању пружањем аутоматизованих повратних информација ученицима.

Овог пролећа, Пхилипс Пхам је био међу више од 12.000 људи у 148 земаља који су похађали онлајн час под називом Цоде ин Плаце. Курс који води Универзитет Станфорд, учио је основе компјутерског програмирања.

Четири недеље касније, господин Пхам, 23-годишњи студент који живи на јужном делу Шведске, откуцао је свој пут кроз први тест, покушавајући да напише програм који би могао да нацрта таласе сићушних плавих дијаманата преко црно-- бела мрежа. Неколико дана касније, добио је детаљну критику свог кодекса.

Аплаудирало је његовом раду, али и указало на грешку. Чини се да имате малу грешку, приметила је критика. Можда налетите на зид након што сте нацртали трећи талас.

Повратне информације су биле управо оно што је господину Пхаму требало. И дошло је из машине.

Током овог онлајн часа, нова врста вештачка интелигенција понудио повратне информације господину Фаму и хиљадама других ученика који су полагали исти тест. Изграђен од стране тима истраживача са Станфорда, овај аутоматизовани систем указује на нову будућност онлајн образовања, које тако лако може да допре до хиљада људи, али не пружа увек смернице које су многим студентима потребне и које жуде.

како проверити исправност процесора

Ово смо применили у стварном свету и ради боље него што смо очекивали, рекла је Челси Фин, професор са Станфорда и АИ. истраживач који је помогао у изградњи новог система.

Др Фин и њен тим дизајнирали су овај систем искључиво за час програмирања на Станфорду. Али они су користили технике које би могле аутоматизовати повратне информације ученика у другим ситуацијама, укључујући и часове изван програмирања.

Орен Ециони, извршни директор Аллен института за вештачку интелигенцију и бивши професор рачунарских наука на Универзитету у Вашингтону, упозорио је да су ове технике веома далеко од дуплирања људских инструктора. Повратне информације и савети професора, асистената у настави и тутора су увек пожељнији од аутоматизоване критике.

Ипак, др Ециони је назвао Стенфордски пројекат кораком у важном правцу, са аутоматизованим повратним информацијама бољим од никаква.

сачувајте звук са иоутубе -а на рачунару

Интернет курс који су овог пролећа похађали господин Пхам и хиљаде других заснован је на часу који Станфорд нуди више од једне деценије. Сваког семестра, универзитет даје студентима средњи тест испуњен програмским вежбама и води дигиталну евиденцију резултата, укључујући низ кодова који су написали студенти, као и наглашене критике сваког програма од универзитетских инструктора.

Ова деценија података је оно што је покренуло нови универзитетски експеримент у вештачкој интелигенцији.

Др Фин и њен тим су изградили неуронску мрежу, математички систем који може научити вештине из огромне количине података. Одређивањем образаца на хиљадама фотографија мачака, неуронска мрежа може научити да идентификује мачку. Анализирајући стотине старих телефонских позива, може научити да препозна изговорене речи. Или, испитивањем начина на који асистенти у настави оцењују тестове кодирања, може научити да процењује ове тестове самостално.

Стенфордски систем је провео сате анализирајући примере из старих испитних рокова, учећи из деценије могућности. Тада је било спремно да научи више. Када му се да само неколико додатних примера са новог испита који је понуђен овог пролећа, могао би брзо да схвати задатак који је при руци.

Види много врста проблема, рекао је Мајк Ву, још један истраживач који је радио на пројекту. Тада се може прилагодити проблемима које никада раније није видео.

Овог пролећа систем је обезбедио 16.000 повратних информација, а студенти су се сложили са повратним информацијама у 97,9 одсто времена, према студији истраживача са Станфорда. Поређења ради, студенти су се сложили са повратним информацијама људских инструктора у 96,7 посто времена.

Господин Пхам, студент инжењерства на Универзитету Лунд у Шведској, био је изненађен што технологија тако добро функционише. Иако аутоматизовани алат није био у стању да процени један од његових програма (вероватно зато што је написао исечак кода за разлику од било чега што је АИ икада видео), оба су идентификовала специфичне грешке у његовом коду, укључујући оно што је познато у компјутерском програмирању и математици као грешку у стубу ограде и предложио начине за њихово поправљање. Ретко када добијате тако добро осмишљене повратне информације, рекао је господин Пхам.

како видети графичку картицу

Технологија је била ефикасна јер је њена улога била тако оштро дефинисана. Приликом полагања теста, господин Пхам је написао код са врло специфичним циљевима, и било је само толико начина да он и други ученици могу погрешити.

Али с обзиром на праве податке, неуронске мреже могу научити низ задатака. Ово је иста основна технологија која идентификује лица на фотографијама које постављате на Фацебоок, препознаје команде које лајете у свој иПхоне и преводи са једног језика на други на услугама као што су Скипе и Гоогле Транслате. За тим из Станфорда и друге истраживаче, нада је да ове технике могу аутоматизовати образовање на много других начина.

Истраживачи су правили аутоматизоване наставне алате од 1970-их, укључујући роботе-туторе и компјутеризоване оцењиваче есеја. Али напредак је био спор. Изградња система који може једноставно и јасно водити ученике често захтева године рада, а дизајнери се боре да дефинишу сваки мали део понашања.

Користећи методе које су покретале Стенфордски пројекат, истраживачи могу значајно убрзати овај рад. Подаци имају стварну моћ, рекао је Петер Фолтз, професор на Универзитету Колорадо који је деценијама развијао системе који могу аутоматски оцењивати прозне есеје. Како машине добијају више примера, могу да генерализују.

како направити листу текстуалних датотека са садржајем фасцикле

Проза може изгледати веома различита од компјутерског кода. Али у овом случају није. Последњих година, истраживачи су изградили технологију која може да анализира природни језик на исти начин на који Станфордски систем анализира компјутерски код.

Иако Станфорд систем пружа оштре повратне информације, бескорисно је ако ученици имају било каква питања о томе где су погрешили. Али за Криса Пиеха, професора са Станфорда који је помогао у надгледању наставе, замена инструктора није циљ.

Нови аутоматизовани систем је начин да се допре до већег броја ученика него што би инструктори могли сами да допру. А ако може јасно да одреди проблеме у коду ученика, показујући специфичне грешке у кодирању које праве и колико често их праве, то би могло помоћи инструкторима да боље разумеју којим ученицима је потребна помоћ и како да им помогну. Као што је др Пиецх рекао: Будућност је симбиотска - наставници и А.И. раде заједно.