Wie man Strategien der künstlichen Intelligenz nutzt, um die Unsicherheiten der Schüler zu lindern

Die Menschen beginnen sich unwohl zu fühlen, ob College-Studenten gut lernen und sich gut entwickeln, aber es gibt nur wenige klare Zahlen, um „wichtige Unterschiede“ zu identifizieren. Numerische Situationen beziehen sich normalerweise auf Situationen, in denen es eine „richtige“ oder „falsche“ Antwort gibt (ähnlich der Ein-/Aus-Taste eines Laptops). Wenn die Daten nicht korrekt interpretiert werden, stützen einige herkömmliche statistische Verfahren möglicherweise die Idee, dass ein „Unterschied“ in einer Analyse gefunden werden könnte, die die Ergebnisse zweier Gruppen von Schülern vergleicht (z. B. Ja/Nein p ≤ 0,05?). Allerdings ist kein einzelnes Ergebnis überzeugend, da das Lernen und die Entwicklung von Schülern ein komplexer Prozess ist, der weit über die Komplexität der numerischen Analyse hinausgeht.

Der Zweck der Datenanalyse besteht darin, Muster und Anomalien beim Lernen und der Entwicklung von Schülern zu identifizieren. Das Lernen und die Entwicklung von Schülern ist ein schrittweiser Prozess, der die umfassende Berücksichtigung mehrerer Faktoren erfordert. Aus diesem Grund nutzen Universitäten und höhere Bildungseinrichtungen künstliche Intelligenz und „Simulations“-Strategien, um Daten zu analysieren und so eine umfassendere Perspektive zu gewinnen. Diese Simulationstools können nahezu unbegrenzte Optionen schaffen, von nichts bis zu allem dazwischen, um Institutionen dabei zu helfen, das Lernen und die Entwicklung der Studierenden besser zu verstehen.

Sogar die Berücksichtigung der Frage, ob verschiedene Untergruppen von Studierenden eher ähnliche als unterschiedliche Ergebnisse aufweisen, ist eine simulierte Situation, da wir erkennen, dass es keine richtige Antwort gibt, die für alle Studierenden auf dem Campus gilt. Um zu erklären, warum das Lernen und die Entwicklung von Schülern so komplex sind, müssen wir unsere Perspektive erweitern und den Einfluss aller relevanten Faktoren verstehen, einschließlich, aber nicht beschränkt auf, Aspekte des Hintergrunds, der Kultur, der Bildung und des Familienlebens der Schüler.

Deshalb brauchen wir ein tieferes Verständnis der Lern- und Entwicklungsprozesse der Studierenden, anstatt uns nur auf die Ergebnisse herkömmlicher statistischer Verfahren zu verlassen. Durch den Einsatz künstlicher Intelligenz und Simulationstools zur Datenanalyse können wir einen umfassenderen und umfassenderen Überblick über das Lernen und die Entwicklung der Schüler gewinnen.

Die Entwicklungswissenschaft, einschließlich Entwicklungspsychologie, Kognitionswissenschaft und Neurowissenschaften, konzentriert sich nicht nur auf das „Alter und Stadium“ der Entwicklung von Kindern, sondern konzentriert sich mehr auf die Erforschung der „Flugbahn“ von Schülern. Veränderungen dieser Entwicklungen werden durch viele Faktoren bestimmt, nicht nur durch solche, die durch unveränderliche demografische Merkmale und frühere akademische Leistungen vorhergesagt werden. Der Entwicklungsverlauf ist der Lebensweg eines Schülers, der von Vergangenheit, Gegenwart und Zukunft beeinflusst wird und die zukünftige Entwicklungsrichtung des Schülers bestimmt. Daher ist es für die Entwicklung individueller Bildungs- und Entwicklungspläne von entscheidender Bedeutung, die Veränderungen und Faktoren im Werdegang der Studierenden zu verstehen.

Wir haben fünfzehn Längsschnittdatensätze untersucht und dabei verschiedene computergestützte Informationssysteme und leistungsbasierte Bewertungen kombiniert, um Daten über das Lernen und die Entwicklung der Schüler zu sammeln. Diese Datensätze stammen aus dem Jahr 2007 und jeder Längsschnittdatensatz enthält mehr als 1,9 Millionen einzelne Datenpunkte. Mithilfe maschineller Lerntechniken und kognitiver KI-Analysen haben wir Vorhersagemodelle erstellt, um Muster und Anomalien in den Daten zu identifizieren, die in diesen Kohortenlängsstudien über den Erfolg der Studierenden gesammelt wurden. Wir verwendeten auch die Statistiksoftware SPSS für lineare und binäre logistische Regressionsanalysen und AMOS für die Modellierung von Strukturgleichungen. Durch den Einsatz verschiedener Analysemethoden bestätigten wir die Ergebnisse und gelangten zu denselben Ergebnissen, was das Vertrauen in die Ergebnisse erhöhte.

In unserer Forschung haben wir herausgefunden, dass Veränderungen in der Laufbahn von Schülern als bewusste Abweichung angesehen werden können und Schüler durch Selbstanpassung Änderungen in ihren erwarteten Lebenswegen vornehmen können. Beispielsweise könnte ein Student auf einen Weg gebracht werden, der zum Studienerfolg führt, sich aber dazu entschließt, sich auf einen anderen Weg umzuorientieren, der zum Studienabbruch führt. Unsere Forschung zeigt auch, dass Veränderungen in der Laufbahn der Studierenden von mehreren Faktoren bestimmt werden, wie z. B. der Persönlichkeit der Studierenden, dem familiären Umfeld, dem Bildungsniveau, dem psychologischen Zustand usw. Daher müssen diese Faktoren bei der Entwicklung personalisierter Bildungs- und Entwicklungspläne umfassend berücksichtigt werden, um Schülern dabei zu helfen, den für sie am besten geeigneten Weg zu finden und ihr größtes Potenzial auszuschöpfen.

Ähnliche Ergebnisse wurden mit Techniken wie maschinellem Lernen, kognitiver KI-Analyse und traditioneller Statistik erzielt. In einem Artikel aus dem Jahr 2017 mit dem Titel „Using Support Vector Machines to Predict Student Graduation Outcomes“ wurde vorgestellt, wie man maschinelle Lerntechnologie anwenden kann, um den Abschluss von Studenten vorherzusagen. Das Papier nutzte mehr als 100 Funktionen, um ein Vorhersagemodell zu erstellen, einschließlich einer Reihe von Faktoren zur Messung des Lernens und der Entwicklung von Schülern. Die Forschungsergebnisse bestätigen die Schlussfolgerung der kognitiven KI-Analyse: Der Zulassungshintergrund der Studierenden bestimmt nicht ihre Zukunft, aber ihre Lern- und Entwicklungserfahrungen nach der Zulassung sind für die Vorhersage akademischer Leistungen und ihres Abschlusses wichtiger. Die Anwendung von KI-Strategien liefert die nützlichsten Informationen. Die Laufbahnen von Schülern sind komplex, aber die KI kann mit dieser Komplexität umgehen.

Das Sammeln von Daten über das Lernen und die Entwicklung von Studierenden trägt dazu bei, das „Simulationsdenken“ voranzutreiben, da die Entwicklungswissenschaft alle Erfahrungen eines Studierenden auf dem Campus und im Laufe der Zeit im gleichen Rahmen berücksichtigt. KI-Strategien sind nützlich bei der Analyse aller „fragmentierten“ Daten zum Lernen und zur Entwicklung von Schülern.

Das obige ist der detaillierte Inhalt vonWie man Strategien der künstlichen Intelligenz nutzt, um die Unsicherheiten der Schüler zu lindern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!