欢迎光临
我们一直在努力
您的位置:首页>资讯 >

人工智能可以为您的下一次考试评分吗

今年春天,Philips Pham 是 148 个国家/地区的 12,000 多人参加名为 Code in Place 的在线课程的其中一员。该课程由斯坦福大学开设,教授计算机编程的基础知识。

四个星期后,住在瑞典南端的 23 岁学生 Pham 在第一次测试中输入了他的方式,试图编写一个程序,可以在黑白网格上绘制一波又一波的蓝色小钻石.几天后,他收到了对他的代码的详细批评。

它赞扬了他的工作,但也指出了一个错误。“看起来你犯了一个小错误,”批评指出。“说不定你画完第三波就撞墙了。”

反馈正是 Pham 所需要的。它来自一台机器。

在这堂在线课程中,一种新型人工智能向 Pham 和其他数千名参加同一考试的学生提供了反馈。这个自动化系统由斯坦福大学的研究人员团队建造,为在线教育指明了一个新的未来,它可以轻松地覆盖数千人,但并不总是提供许多学生需要和渴望的指导。

“我们已经在现实世界中部署了它,它的效果比我们预期的要好,”帮助构建新系统的斯坦福大学教授和人工智能研究员切尔西芬恩说。

Finn 和她的团队专门为斯坦福大学的编程课设计了这个系统。但他们使用的技术可以在其他情况下自动化学生的反馈,包括编程以外的课程。

艾伦人工智能研究所首席执行官、华盛顿大学计算机科学前教授奥伦·埃齐奥尼警告说,这些技术距离复制人类教师还有很长的路要走。来自教授、助教和导师的反馈和建议总是比自动批评更可取。

尽管如此,埃齐奥尼仍称斯坦福项目是“朝着重要方向迈出的一步”,自动反馈总比没有好。

今年春天 Pham 和其他数千人参加的在线课程基于斯坦福大学十多年来开设的一门课程。每个学期,大学都会为学生提供一个充满编程练习的期中测试,并保存结果的数字记录,包括学生编写的大量代码以及大学教师对每个程序的尖锐批评。

这十年的数据推动了大学在人工智能方面的新实验。

Finn 和她的团队构建了一个神经网络,这是一个可以从大量数据中学习技能的数学系统。通过在数千张猫照片中精确定位模式,神经网络可以学习识别猫。通过分析数百个旧电话,它可以学习识别口语。或者,通过检查助教评估编码测试的方式,它可以学会自己评估这些测试。

斯坦福系统花费数小时分析旧期中考试的例子,从十年的可能性中学习。然后它准备学习更多。如果只给出今年春天提供的新考试中的一些额外示例,它可以很快掌握手头的任务。

“它发现了很多类型的问题,”参与该项目的另一位研究员 Mike Wu 说。“然后它可以适应它以前从未见过的问题。”

根据斯坦福大学研究人员的一项研究,今年春天,该系统提供了 16,000 条反馈,学生同意反馈的比例为 97.9%。相比之下,学生在 96.7% 的时间里同意人类教师的反馈。

Pham 是瑞典隆德大学的一名工程专业学生,他对这项技术的效果如此之好感到惊讶。尽管自动化工具无法评估他的一个程序(大概是因为他编写了一段与人工智能从未见过的代码片段不同的代码),但它都识别了他代码中的特定错误,包括计算机编程和数学中已知的错误栅栏柱错误,并建议修复它们的方法。“很少能收到如此深思熟虑的反馈,”范说。

这项技术之所以有效,是因为它的作用是如此明确。在参加考试时,Pham 编写代码的目的非常明确,他和其他学生可能出错的方式只有这么多。

但是如果有正确的数据,神经网络可以学习一系列任务。这与识别您发布到 Facebook 的照片中的面孔、识别您对 iPhone 发出的命令以及在 Skype 和 Google Translate 等服务上从一种语言翻译成另一种语言的基本技术相同。对于斯坦福大学的团队和其他研究人员来说,希望这些技术可以通过许多其他方式实现教育自动化。

自 1970 年代以来,研究人员一直在构建自动化教学工具,包括机器人导师和计算机化论文评分器。但进展缓慢。建立一个可以简单而清晰地指导学生的系统通常需要多年的工作,设计师们努力定义每一个微小的行为。

使用推动斯坦福项目的方法,研究人员可以显着加快这项工作。“数据具有真正的力量,”科罗拉多大学教授彼得·福尔茨 (Peter Foltz) 说,他花了数十年时间开发可以自动对散文进行评分的系统。“随着机器获得更多示例,它们可以进行泛化。”

散文可能看起来与计算机代码非常不同。但在这种情况下,事实并非如此。近年来,研究人员已经建立了可以像斯坦福系统分析计算机代码一样分析自然语言的技术。

尽管斯坦福系统提供了尖锐的反馈,但如果学生对自己哪里出错有任何疑问,那也是无用的。但对于帮助监督班级的斯坦福大学教授克里斯·皮耶克 (Chris Piech) 而言,更换教师并不是目标。

新的自动化系统是一种接触更多学生的方式,而不是教师单独接触到的学生。如果它可以清楚地指出学生代码中的问题,显示他们正在犯的具体编码错误以及犯错的频率,它可以帮助教师更好地了解哪些学生需要帮助以及如何帮助他们。正如皮耶希所说,“未来是共生的——教师和人工智能一起工作。”

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。