Всеобъемлющая образовательная платформа на основе генерирующей искусственной интеллектуальной технологии

Summary

Используя генерирующую искусственную интеллектуальную систему (ГИИ) для поддержки преподавания, платформа предоставляет индивидуальные образовательные возможности, адаптируемые к разнообразным потребностям пользователей. Она также обеспечивает множество практических подходов к обучению, которые не только обогащают учебный процесс, но и способствуют развитию компетенций в области пожизненного обучения в цифровую эпоху, соответствуя целям устойчивого развития в инженерном образовании.

Abstract

Генеративные искусственные интеллекты (ГИИ) за последние годы достигли значительного прогресса, продемонстрировав трансформационный потенциал для образования, позволяя динамическое создание контента и персонализированные учебные пути. Однако многие существующие образовательные платформы полагаются на статический контент и фиксированные пути, не имея интегрированной архитектуры, необходимой для полного использования возможностей ГИИ для создания связного, адаптивного учебного опыта. Чтобы устранить этот пробел, в данном исследовании описан дизайн, реализация и эмпирическая оценка новой, всеобъемлющей образовательной платформы, построенной на основе ГИИ. Платформа основана на трехслойной архитектуре, выходящей за рамки традиционных рамок: базовый технический слой, интегрирующий модульные модели ИИ (например, Transformer, CNN-BiLSTM на основе внимания), Центр обработки для синтеза данных в реальном времени и оптимизации моделей, и слой приложений и взаимодействия, содержащий восемь основных функциональных модулей, включая персонализированное обучение, интеллектуальные вопросы и ответы, и оценку компетенций. Эта интегрированная архитектура обеспечивает динамически настраиваемый учебный опыт, который постоянно адаптируется к потребностям и прогрессу отдельных учащихся. Для оценки эффективности платформы мы провели рандомизированное контрольное исследование (РКИ) с участием 50 студентов-бакалавров и 20 преподавателей в течение двух семестров, сравнивая результаты с контрольной группой, использующей традиционные методы. Экспериментальные результаты показывают, что предложенная платформа значительно улучшает результаты обучения, увеличивает показатели вовлеченности студентов (например, время на задачу и показатели взаимодействия с контентом) и достигает высокой точности в сопоставлении персонализированного контента. Результаты исследования показывают, что данная платформа на основе ГИИ является прогрессом в области образовательных технологий за счет эффективной персонализации обучения и поддержки адаптивного обучения в масштабе. Это исследование предоставляет подробный, воспроизводимый архитектурный план и предоставляет эмпирическое подтверждение практической ценности интегрированных систем ГИИ в повышении эффективности образования и способствовании развитию навыков пожизненного обучения.

Introduction

Посреди ускоренных технологических инноваций, особенно в области искусственного интеллекта (ИИ), такие инструменты, как ИИ, находят все более широкое применение в инженерном образовании. В то же время, люди пришли к единому мнению о том, что цель поощрения устойчивого развития является глобальной задачей. Поэтому интеграция устойчивого развития в инженерное образование - одновременно улучшая технические уровни промышленности и повышая осведомленность обучающихся о устойчивости - стала ключевым направлением текущей реформы образования, стимулируя исследования инноваций в образовании на основе ИИ. Применение ИИ в образовании открывает возможности для персонализированного обучения. В частности, GAI предлагает трансформационный потенциал для учебных и обучающих сред. Это позволяет динамически создавать разнообразные формы контента и адаптировать учебные ресурсы к индивидуальным профилям обучающихся, что может повысить степень вовлеченности и эффективность. Эта технология позволяет генерировать разнообразные форматы контента, облегчая создание индивидуализированных учебных материалов. Более того, она может динамически адаптироваться к индивидуальным профилям обучающихся, тем самым повышая степень вовлеченности и эффективность обучения¹. Кроме того, платформа разработана таким образом, чтобы адаптироваться к прогрессу обучающихся. Она динамически корректирует представление контента и рекомендует учебные действия, соответствующие индивидуальным целям, стремясь оптимизировать результаты обучения.

Однако интеграция ИИ в образовательные платформы требует преодоления значительных технических трудностей. Во-первых, модели глубокого обучения должны быть обучены на массивных наборах данных, чтобы гарантировать, что они генерируют высококачественный контент, соответствующий образовательным стандартам. Кроме того, алгоритмы обучения с подкреплением должны быть точно настроены - не только для точного настройки учебных путей для индивидуальных пользователей, но и для поддержания полноты учебного контента. Кроме того, возможности обработки естественного языка необходимы для создания интерактивных систем тьюторинга, которые могут симулировать диалоги, подобные человеческим, и предоставлять реальное время обратную связь^2,3,4. На этом фоне существует срочная необходимость в всеобъемлющей образовательной платформе, которая использует весь потенциал GAI для предоставления персонализированных, увлекательных и адаптивных образовательных опытов⁵. Такие платформы обладают значительным потенциалом для изменения ландшафта онлайн-образования, делая его более адаптивным и персонализированным, тем самым соответствуя и поддерживая цели современных парадигм пожизненного обучения. В новую эпоху образовательный контент не останется неизменным; вместо этого он будет развиваться вместе с личностным ростом и непрестанно меняющимися потребностями обучающихся.

Имеющиеся исследования показали, что такие новейшие технологии, как ИИ и крупномасштабные модели, могут эффективно улучшать качество преподавания и обучения в инженерном образовании⁵, и многие исследования изучали потенциальные применения GAI в персонализированных образовательных платформах, стремясь предоставить индивидуализированные образовательные опыты для студентов⁶. В то же время, образование для устойчивого развития (ESD) стало все более ключевой задачей в глобальном инженерном образовании, при этом существующие исследования неизменно подчеркивают, что устойчивая грамотность и системное мышление являются неотъемлемыми базовыми компетенциями для современных инженеров⁷. Чтобы ответить на эту критическую потребность в обучении, архитектура GAI, предложенная в данном исследовании, устанавливает практическую, исполнимую связь между учебными целями ESD и формированием инженерных навыков: наша платформа интегрирует модули оценки воздействия на устойчивость, рабочие процессы анализа жизненного цикла (LCA) и сценарные задачи на устойчивое проектирование в свою ядро архитектуру, что позволяет инженерным обучающимся непосредственно переводить принципы устойчивости в технические решения на протяжении всего инженерного проектирования. Одной из областей фокуса является использование GAI для автоматизации создания образовательного контента. Moulaei et al.⁷ исследовали, как алгоритмы ИИ могут генерировать упражнения, викторины и даже целые уроки на основе конкретных потребностей и стилей обучения отдельных студентов. Этот подход показывает потенциал для уменьшения работы преподавателей и обеспечения более персонализированного образовательного опыта для студентов, что предоставило определенную техническую базу для последующей работы Zhao et al.⁸.

Protocol

Данное исследование проводилось в соответствии с этическими руководящими принципами Университета образования Гонконга. Перед сбором данных было получено информированное согласие всех участников.

1. Спецификация платформы

Оцениваемая система является пользовательским исследовательским прототипом, реализованным в виде веб-приложения. Программное окружение построено на основе Python 3.9 и TensorFlow 2.12. Основные модели ИИ (CNN-BiLSTM, Transformer) размещены на графическом процессоре NVIDIA A100 (40 ГБ VRAM) в серверной обработке данных. Архитектура состоит из трех уровней: первый — базовый технический уровень, интегрирующий улучшенную сеть внимания CNN-BiLSTM, модуль Transformer и компоненты анализа подкрепления; второй — центр обработки для реального слияния мультимодальных данных и оптимизации модели; третий — уровень приложения с восемью функциональными модулями, включая персонализированное обучение, вопросы и ответы, оценку компетенций и аналитику поведения (Рисунок 1).

2. Подготовка и курирование обучающих данных

Собирайте мультимодальные наборы данных из общедоступных образовательных репозиториев (например, расшифровки открытых онлайн-курсов, журналов взаимодействия с образовательными видео) и коммерческих источников. Собирайте анонимизированные журналы взаимодействия от 50 студентов бакалавриата и 20 преподавателей во время предварительного тестирования (январь–июнь 2024). Предварительно обработайте текст с использованием spaCy v3.5 (Honnibal et al., 2020) с следующими фиксированными процедурами. Во-первых, загрузите предварительно обученную академическую модель общего английского en_core_web_md. Во-вторых, выполните токенизацию с использованием стандартного академического токенизатора модели, который правильно обрабатывает терминологию технического инжиниринга и устойчивого развития. В-третьих, выполните лемматизацию с использованием стандартного гибридного правило-статистического лемматизатора модели без применения пользовательских правил лемматизации. Нормализуйте кадры видео до разрешения 224 x 224 с использованием следующих фиксированных шагов. Во-первых, измените размер всех кадров с использованием билинейной интерполяции, которая является стандартным методом предварительной обработки кадров образовательных видео. Во-вторых, не применяйте дополнительную нормализацию цвета или обрезку, кроме равномерного изменения размера, чтобы сохранить исходный образовательный контент. Удалите персональную информацию для соблюдения конфиденциальности с использованием следующих фиксированных процедур. Во-первых, используйте модуль распознавания именованных сущностей spaCy v3.5 в модели en_core_web_md для автоматического обнаружения и удаления всех личных имен, адресов электронной почты, номеров телефонов и идентификаторов учреждений. Во-вторых, вручную проверьте случайную выборку в 10 процентов от всех предварительно обработанных текстов и видеокадров, чтобы убедиться в полном удалении ЛИЧНЫХ ДАННЫХ, при этом в конечном наборе данных не было обнаружено никаких расхождений.

3. Обучение и валидация моделей

Для обучения использовались три парадигмы: во-первых, контролируемое обучение (оптимизатор Adam, скорость обучения = 1e-4, размер партии = 32) для прогнозирования производительности студентов по меткам взаимодействия; во-вторых, несконтролируемое кластерное K-средних (k = 5) для выявления различных поведенческих закономерностей; и в-третьих, обучение с подкреплением для адаптивной рекомендации контента с функцией вознаграждения, определенной как вовлеченность x точность. Гиперпараметры настраивались с помощью случайного поиска на основе 100 попыток на вынесенной валидационной выборке для обеспечения надежности. Входные данные для моделей состояли из предварительно обработанных анонимных мультимодальных потоков: токенизированные последовательности текста, RGB-кадры видео размером 224 x 224, и структурированные метаданные взаимодействия (например, временные метки, типы действий). Основные выходные данные, создаваемые системой, включают числовые оценки прогнозирования (например, вероятность освоения), подробные журналы взаимодействия в формате JSON и отчеты об оценке компетенций в формате PDF.

Рисунок 1: Архитектура всеобъемлющей образовательной платформы. Этот диаграмма иллюстрирует полную иерархическую структуру пользовательского веб-приложения GAI исследовательского прототипа, включая обращенный к пользователю уровень приложений и взаимодействия, мультимодальный центр обработки данных и основанный на моделях ИИ базовый технический уровень, с четким картированием потока данных между уровнями. 

Results

Рандомизированное контрольное исследование выявило значительные различия между группой платформы GAI (экспериментальная) и традиционной группой LMS (контрольная). По результатам обучения, экспериментальная группа набрала значительно больше баллов в пост-тесте (M = 85,2, SD = 6,4) по сравнению с контрольной группой (M = 76,8, SD = 7,1); средняя разница = 8,4, 95% ДИ [4,5, 12,3], t(68) = 4,32, p < 0,001, d = 1,02. По уровню вовлеченности (временной затраты), экспериментальная группа потратила больше времени (M = 42,5 мин, SD = 8,2) по сравнению с контрольной группой (M = 28,7 мин, SD = 9,5); средняя разница = 13,8 мин, 95% ДИ [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. По уровню удовлетворенности пользователей, экспериментальная группа сообщила о более высоких оценках (M = 6,2, SD = 0,7) по сравнению с контрольной группой (M = 4,8, SD = 1,1); средняя разница = 1,4, 95% ДИ [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Все результаты показали статистически значимые улучшения с большими эффектами, подтверждая эффективность предлагаемой платформы.

Базовый технический слой
Базовый технический слой обеспечивает платформе основу для реализации различных нейронных сетей, основанных на обучении. Этот слой включает в себя несколько практических модулей, таких как линейные статистические методы, сети CNN-BiLSTM с вниманием, трансформерные архитектуры и технологии обучения с подкреплением. Более того, эти модули поддерживают установку после развертывания, повышая гибкость платформы. Рисунок 2 показывает все линейные статистические методы, включенные в платформу.

Линейные статистические модели являются классом статистических моделей, часто называемых линейными моделями²². Многие из упомянутых в этой статье методов, таких как линейная регрессия, логистическая регрессия, множественная регрессия и пошаговая регрессия, являются линейными моделями. Эти установленные статистические методы позволяют выявлять тенденции в данных и взаимосвязи между переменными. Этот аналитический фундамент поддерживает более осведомленное, основанное на данных принятие решений в рамках приложений платформы. Рисунки 3, Рисунки 4 и Рисунки 5 иллюстрируют структуру метода обучения с подкреплением, CNN-BiLSTM и трансформерной сети соответственно. Эти структуры рассматриваются для демонстрации того, как они поддерживают надежность и универсальность платформы, удовлетворяя различные вычислительные потребности и задачи обучения.

В контексте платформы, обучение с подкреплением оптимизирует принятие решений для персонализированных учебных путей и рекомендаций контента, максимизируя кумулятивные вознаграждения, полученные от взаимодействий пользователей (например, завершение задач, рейтинги обратной связи) и результаты выполнения. Основные подходы к решению проблем делятся на три категории: динамическое программирование, методы Монте-Карло и обучение с разностью времени. Недавно глубокое обучение с подкреплением достигло успеха в преодолении человеческих достижений в нескольких сложных областях, используя методы глубокого обучения, такие как сверточные нейронные сети и рекуррентные нейронные сети³¹.

Как показано на Рисунке 4, интегрированная модель CNN-BiLSTM использует преимущества сверточных нейронных сетей (CNN) и двунаправленных сетей с кратковременной памятью (BiLSTM). За счет одновременного извлечения пространственных признаков и захвата временных зависимостей, эта модель специально оптимизирована для многомерных данных. Это делает эту модель подходящим выбором для обработки сложных наборов данных и значительно улучшает способность платформы обрабатывать сложные задачи в таких областях, как анализ мультимедиа и обработка естественного языка. Метод трансформеров, показанный на Рисунке 5, обрабатывает последовательные данные с использованием самовнимания в параллельном режиме и значительно сокращает время обучения. Метод обрабатывает огромные объемы данных, достигая высокой точности. Поэтому он используется в задачах перевода языков и обработки текста.

Рисунок 2: Линейные статистические методы в техническом слое. Этот диаграмма детализирует подмодели, включенные в модуль линейных статистических методов платформы, являющийся ядром Базового технического сло

Discussion

Это исследование было задумано для проверки центральной гипотезы исследования: что персонализированная платформа обучения с возможностью использования искусственного интеллекта значительно снижает когнитивную нагрузку учащихся в области инженерии, улучшает эффективность обучения и повышает как результаты обучения, связанные с экологически устойчивым развитием (ESD), так и общий опыт обучения по сравнению с традиционными неперсонализированными инженерными учебными моделями. Наши результаты рандомизированного контролируемого исследования (RCT) предоставляют полную эмпирическую поддержку этой гипотезы, с тремя ключевыми результатами, прямо соответствующими нашим предопределенным исходам. Во-первых, непрерывная персонализация платформы, основанная на анализе обучения, значительно снижает постороннюю когнитивную нагрузку для учащихся, что подтверждается 45% улучшением эффективности обучения (временем овладения знаниями) в экспериментальной группе по сравнению с контрольной группой, результат, который продолжает предыдущую работу по снижению когнитивной нагрузки с использованием искусственного интеллекта в образовательных условиях. Во-вторых, единая трехслойная архитектура платформы обеспечивает масштабируемое, педагогически согласованное персонализированное обучение, что приводит к значительно более высоким показателям обучения после теста (p < 0,001, d Коэна = 1,02) и большему вовлечению в задачу по сравнению с традиционными системами управления обучением, что согласуется и продвигает предыдущие исследования по адаптивным возможностям искусственного интеллекта для обучения. В-третьих, встроенный в платформу рабочий комплекс по компетенциям в области экологически устойчивого развития и модули по устойчивому инженерному проектированию обеспечили значительное улучшение осведомленности учащихся в области устойчивости и компетенций системного мышления, устраняя критическую нехватку в существующих образовательных платформах с искусственным интеллектом, которые в основном не учитывали интеграцию устойчивых результатов в техническую архитектуру дизайна.

Существующие исследования по искусственному интеллекту в образовании в основном сосредоточены на постепенной функциональной оптимизации существующих инструментов и изолированных примеров применения, без единой, масштабируемой и педагогически устойчивой интегрированной архитектуры для контекстов инженерного экологически устойчивого развития. Наша работа выходит за рамки этих предыдущих исследований тремя основными способами. Во-первых, мы устанавливаем стандартизированную, воспроизводимую трехслойную архитектурную парадигму, которая интегрирует мультимодальную обработку данных, модели искусственного интеллекта с несколькими парадигмами и функциональные модули, ориентированные на экологически устойчивое развитие, в слаженную систему, решающую распространенные проблемы фрагментированного дизайна модулей и низкой кросс-сценарной совместимости, выявленные в предыдущих платформах. Во-вторых, мы предоставляем строгие доказательства RCT каузального воздействия интегрированной архитектуры искусственного интеллекта как на когнитивные, так и на аффективные результаты обучения, решающую проблему недостаточной надежной эмпирической валидации образовательных платформ с искусственным интеллектом в инженерном образовании. В-третьих, мы конкретизируем связь между техническим дизайном искусственного интеллекта и результатами образования в области устойчивости, предоставляя практический план для встраивания обучения компетенциям в области экологически устойчивого развития в основную архитектуру образовательных платформ с искусственным интеллектом, а не рассматривая его как дополнительную приставку, как в предыдущих работах.

Будущая работа будет сосредоточена на масштабной многоинституциональной валидации, интеграции мультимодального искусственного интеллекта для иммерсивного обучения устойчивому инженерному проектированию и оценке долгосрочного воздействия сохранения компетенций в области экологически устойчивого развития. Особое внимание будет уделено этическим аспектам, таким как справедливость алгоритмов, конфиденциальность данных и сотрудничество между человеком и искусственным интеллектом, чтобы обеспечить ответственное внедрение. В конечном итоге, данное исследование способствует созданию более эффективных, справедливых и устойчивых средств пожизненного обучения, работающих на основе генерирующего искусственного интеллекта.

Вопрос	Краткое содержание ответов (N=70)
Задача 1. Легко ли и плавно использовать платформу, и сталкивались ли вы с какими-либо проблемами?	Среднее = 4,2 / 5; 83% сообщили “нет серьезных проблем”
Задача 2. Вы считаете, что платформа предлагает более

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Используется для размещения основных моделей ИИ в серверной обработке данных.
en_core_web_md (модель spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Предварительно обученная модель академического английского, используемая для токенизации и лемматизации. Версия: v3.5.
Python	Python Software Foundation	https://www.python.org/	Язык программирования для программной среды. Версия: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Большой, открытый предварительно обучающий корпус, производный от RedPajama.
spaCy	Explosion AI	https://spacy.io/	Библиотека обработки естественного языка для предварительной обработки текста. Версия: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Открытый фреймворк машинного обучения. Версия: 2.12.