Искусственный интеллект

Материал из Поле цифровой дидактики


Описание Способность компьютера обучаться и выполнять действия свойственные человеческому интеллекту. Автоматизация задач, которые принято считать человеческими: мышление, принятие решений, решение проблем, обучение и т. д. Область исследований, направленная на разъяснение и эмуляцию разумного поведения в терминах вычислительных процессов
Область знаний Математика, Информатика, Искусственный интеллект
Авторы МакКартни, Минский
Поясняющее видео
Близкие понятия Интеллект человека, Eliza, Машинное обучение, Глубокое обучение, Нейросеть, Персептрон, Коннекционизм, Чат-бот, Генеративный искусственный интеллект
Среды и средства для освоения понятия Lisp, Scratch, Snap!, Python, Scheme

Имитация интеллекта - имеется в виду попытка имитировать интеллект человека. Термин «Искусственный интеллект» был введён разработчиком языка программирования Lisp Джоном МакКарти в 1956 г. на конференции в Дартмутском колледже.

Цель ИИ заключается в том, чтобы научить компьютеры имитировать разумное поведение, решать задачи, требующие интеллекта.

Список публикаций

  1. A Classification of Cognitive Agents // Proceedings of the Twenty-fourth Annual Conference of the Cognitive Science Society. Routledge, 2019. P. 256–261.
  2. Bordini R.H. et al. Agent programming in the cognitive era // Auton Agent Multi-Agent Syst. 2020. Vol. 34, № 2. P. 37.
  3. Lanza F., Seidita V., Chella A. Agents and robots for collaborating and supporting physicians in healthcare scenarios // Journal of Biomedical Informatics. 2020. Vol. 108. P. 103483.
  4. Aghababaei M., Koliou M. An agent-based modeling approach for community resilience assessment accounting for system interdependencies: Application on education system // Engineering Structures. 2022. Vol. 255. P. 113889.
  5. Southgate E. et al. Artificial Intelligence and emerging technologies in schools: research report: Report. Department of Education and Training (Australia), 2019.
  6. Perrotta C., Selwyn N. Deep learning goes to school: toward a relational understanding of AI in education // Learning, Media and Technology. 2020. Vol. 45, № 3. P. 251–269.
  7. Clark P. Elementary School Science and Math Tests as a Driver for AI: Take the Aristo Challenge! // Proceedings of the AAAI Conference on Artificial Intelligence. 2015. Vol. 29, № 2. P. 4019–4021.
  8. Jobin A., Scheibner J., Vayena E. Ethics guidelines in Citizen Science: Report. ETH Zurich, 2020.
  9. Anjomshoae S. et al. Explainable Agents and Robots : Results from a Systematic Literature Review. International Foundation for Autonomous Agents and MultiAgent Systems, 2019. P. 1078–1088.
  10. Sanusi I.T., Oyelere S.S., Omidiora J.O. Exploring teachers’ preconceptions of teaching machine learning in high school: A preliminary insight from Africa // Computers and Education Open. 2022. Vol. 3. P. 100072.
  11. García-Magariño I., Plaza I. FTS-SOCI: An agent-based framework for simulating teaching strategies with evolutions of sociograms // Simulation Modelling Practice and Theory. 2015. Vol. 57. P. 161–178.
  12. Estevez J., Garate G., Graña M. Gentle Introduction to Artificial Intelligence for High-School Students Using Scratch // IEEE Access. 2019. Vol. 7. P. 179027–179036.
  13. Carvalho L. et al. How can we design for learning in an AI world? // Computers and Education: Artificial Intelligence. 2022. Vol. 3. P. 100053.
  14. Reeder K., Lee H. Impact of artificial intelligence on US medical students’ choice of radiology // Clinical Imaging. 2022. Vol. 81. P. 67–71.
  15. Scheibner J., Jobin A., Vayena E. Internet of Things Devices, Citizen Science Research and the Right to Science: Ethical and Legal Issues // The Cambridge Handbook of Information Technology, Life Sciences and Human Rights / ed. Ienca M. et al. Cambridge, United Kingdom: Cambridge University Press, 2022. P. 231–243.
  16. Nazir S. et al. Internet of Things for Healthcare Using Effects of Mobile Computing: A Systematic Literature Review // Wireless Communications and Mobile Computing. Hindawi, 2019. Vol. 2019. P. e5931315.
  17. Burgsteiner H., Kandlhofer M., Steinbauer G. IRobot: Teaching the Basics of Artificial Intelligence in High Schools // Proceedings of the AAAI Conference on Artificial Intelligence. 2016. Vol. 30, № 1.
  18. Woo D.J., Wang Y., Susanto H. Student-AI Creative Writing: Pedagogical Strategies for Applying Natural Language Generation in Schools: arXiv:2207.01484. arXiv, 2022.
  19. Liebig L. et al. Subnational AI policy: shaping AI in a multi-level governance system // AI & Soc. 2022.
  20. Georgeff M. et al. The Belief-Desire-Intention Model of Agency // Intelligent Agents V: Agents Theories, Architectures, and Languages / ed. Müller J.P., Rao A.S., Singh M.P. Berlin, Heidelberg: Springer, 1999. P. 1–10.
  21. Jobin A., Ienca M., Vayena E. The global landscape of AI ethics guidelines: 9 // Nat Mach Intell. Nature Publishing Group, 2019. Vol. 1, № 9. P. 389–399.
  22. Ara Shaikh A. et al. The Role of Machine Learning and Artificial Intelligence for making a Digital Classroom and its sustainable Impact on Education during Covid-19 // Materials Today: Proceedings. 2022. Vol. 56. P. 3211–3215.
  23. Belinchon E. et al. Towards an Inclusive Future in AI. A Global Participatory Process: SSRN Scholarly Paper 3505425. Rochester, NY, 2019.
  24. Snyder L., Klos P., Grey-Hawkins L. Transforming Teaching through Arts Integration: AI Implementation Results: Middle School Reform through Effective Arts Integration Professional Development // Journal for Learning through the Arts. Center for Learning in the Arts, Sciences and Sustainability, 2014. Vol. 10, № 1.
  25. Gille F., Jobin A., Ienca M. What we talk about when we talk about trust: Theory of trust for AI in healthcare // Intelligence-Based Medicine. 2020. Vol. 1–2. P. 100001.
  26. Kim S. et al. Why and What to Teach: AI Curriculum for Elementary School: 17 // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35, № 17. P. 15569–15576.


Статьи со свойством ИИ

 Description
AI content generation 06062023Мастер класс по сбору знаний о генерации контента искусственным интеллектом
AI content generation 27032024Описание:
Как меняются миры вик и черепах под воздействием генеративного искусственного интеллекта?

В переводе на формальный язык - Как меняется мир краудсорсинговой деятельности и многоагентного моделирования в связи развитием генеративного ИИ? Патаракин http://digida.mgpu.ru/index.php/User:Patarakin как раз тот человек, с которым можно вместе про это подумать, потому что этот древний викоид

  1. принёс в российское образование идею образовательного использование вики в 2003 году, создавал продвигал и администрировал проект Летописи.ру с 2006 года и сейчас это еще живой проект http://letopisi.org
  2. c 2003 участвовал в продвижении и локализации в России Scratch, StarLogo Nova, NetLogo и других сред многоагентного моделирования
  3. объединил в 2022 году мир вик и черепах на поле вычислительной дидактики http://digida.mgpu.ru
  4. в 2023 столкнулся с тем, что совместная работа со знаниями в цифровых средах и выращивание данных в многоагентных сообществах могут быть поставлены под сомнения ростом искусственного интеллекта. Основная проблема в выступлении - как меняются взаимоотношения людей и агентов на поле вычислительной дидактики
AI content generation 28062023ТРАНСФОРМАЦИЯ ВЫЧИСЛИТЕЛЬНОЙ ДИДАКТИКИ ПОД ВОЗДЕЙСТВИЕМ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // БОЛЬШАЯ КОНФЕРЕНЦИЯ МГПУ
Alexbard2000Студент магистрант МГПУ Бардышев Алексей Дмитриевич По первому образованию химик-технолог (18.03.01)
BelikMary
BobiloketАлексеев Глеб Дмитриевич, студент ИЦО МГПУ, 2 курс магистратуры, группа ПБД-221м
ChatbotACM (dataset)Датасет сформирован на основании запроса к цифровой библиотеке ACM – dl.acm.org. Поисковый запрос выглядит следующим образом: All: “chatbot” AND "school" AND "teaching" AND Publication Date: (2018 To 2023) Кластеры понятий:
600px-Chatbot_keys.png
Computational thinking (ACM)Датасет записей из библиотеки ACM по запросу Computational Thinking
EpsteinEpstein Joshua - Профессор эпидемиологии в Школе глобального общественного здравоохранения Нью-Йоркского университета; директор-основатель Лаборатории агентного моделирования Нью-Йоркского университета, аффилированной с Курантовским институтом математических наук. Джошуа Эпштейн – автор всемирно признанных и уже ставших классическими книг по агентному моделированию - «Growing artificial societies: Social science from the bottom up», «Agent_Zero: Toward Neurocognitive Foundations for Generative Social Science» и др., в прошлом веке развивал теорию клеточных автоматов и эволюционным путем разработал методологию моделирования социальных и экономических процессов с применением агент-ориентированного подхода. Являясь пионером в этой сфере, в 2006 г. совместно с Джоном Паркером разработал крупнейшую в мире агент-ориентированную модель, включающую в себя все население планеты, которая неоднократно использовалась для оценки скорости распространения эпидемий различных заболеваний.
GPTGPT = stands for generation Generative Pre-trained Transformer
Human-AI teamsИскусственные товарищи по команде
KeferV
LiebermanHenry Lieberman американский ученый в области информатики, языков программирования и искусственного интеллекта.
LoshankovAOМагистрант МГПУ; направление - 44.04.01 Педагогическое образование; профиль - Интернет вещей в образовании; курс - 1; группа - ИВО-231м
Makarova Katya
Makarova Viktoria
Minsky
  • Ма́рвин Ли Ми́нский — американский учёный в области искусственного интеллекта, сооснователь Лаборатории искусственного интеллекта в Массачусетском технологическом институте.
MokretsovaVA
NlomovtsevaМагистрант ВШЭ Цифровая трансформация образования
Ontology of digital literacyОнтология цифровой грамотности
PathfindingПоиск пути (англ. Pathfinding) — термин в информатике и искусственном интеллекте, который означает определение компьютерной программой наилучшего, оптимального маршрута между двумя точками.
PopovaEDПопова Екатерина
  • Adobe Spark
  • Kaggle
  • Как создать игру "Лопни шарик" в App Inventor
PromptПромпт (от англ. prompt – «побуждать») – это запрос, вводные данные, которые вводит пользователь, когда общаетесь с нейросетью. «Промптинг (prompting) — это способ программного управления планированием вашей модели машинного обучения, который позволяет пользователю задать начальные условия для модели, такие как фраза или ключевые слова, которые модель должна использовать для создания ответа.
Prompt engineering is the process of creating inputs for AI models to improve the output for a given task. A prompt is a broad instruction that triggers an AI model to generate content; it could be a statement, a block of code, or a string of words.
Sachkova Galina
Sergeewa Anastasiia
ShvedovaSS
Snap!Блочный язык программирования для преподавания алгоритмов и структур данных. Snap! - потомок языка Scratch. В отличие от Scratch Snap! поддерживает лямбда-исчисление, объекты первого класса, процедуры, рекурсия и множество других возможностей. С версии 4.0 Snap! получил современное название и был переписан на JavaScript. Moscow_city_univ.png
UMLUML (англ. Unified Modeling Language — унифицированный язык моделирования) — язык графического описания для объектного моделирования в области разработки программного обеспечения, для моделирования бизнес-процессов, системного проектирования и отображения организационных структур.
Vanyarina Julia
VitaliyСтудент
VolkovAJВолков Александр Юрьевич

Студент МГПУ, окончил бакалавриат по направлению "Педагогическое образование (с двумя профилями подготовки): Информатика и технология" в 2023 году.

В том же году поступил на направление магистратуры в МГПУ "Интернет вещей в образовании"
Vygotsky as a person to think with about computer science and psychologyDiscussion with Mohamad El Maouch
What Is ChatGPT Doing ... and Why Does It Work?Книга, в которой Вольфрам разбирает возможности генеративного искусственного интеллекта
АнастасияКаштакова Анастасия Юрьевна, учитель информатики ГБОУ Школа "Свиблово", администратор ЭЖД МЭШ.
Белкин Е.Белкин Евгений Юрьевич Студент магистратуры МГПУ, закончил бакалавриат в области экономики
Большая языковая модельLLM — нейросетевые модели, которые позволяют обобщать, понимать и писать тексты на разных языках. Нейросеть выучивает язык во время обучения, при котором ей «показывают» огромное количество художественной литературы, интернет-форумов, энциклопедий и других источников, хорошо представляющих человеческий язык во всем его многообразии.
Валерия Морозова
Вероятностное программированиеВероятностное программирование — способ описания статистических моделей в виде декларативного программного кода, с последующим применением алгоритмов анализа и статистического вывода. Родственно методам Байесовской вероятности. В отличие от классического программирования, конечной целью которого является выполнение программы, вероятностное программирование делает упор на анализе вероятностных программ. Типовой сценарий — описание зависимостей наблюдаемых данных от скрытых параметров в виде программы, после чего используются встроенные алгоритмы для обратного вероятностного вывода значений на входе от известных данных на выходе.
Виктория Капранова
Виталий ХабаровСтудент
Вольфрам, СтивенСтивен Вольфрам (англ. Stephen Wolfram, род. 29 августа 1959, Лондон) — британский физик, математик, программист и писатель. Разработчик системы компьютерной алгебры Mathematica и системы извлечения знаний WolframAlpha.
Вычислительное мышлениеОбъединение способностей человека и возможностей вычислительной техники. Способность усиливать свою деятельность, привлекая к себе на помощь программных агентов. Производные понятия - вычислительная наука, вычислительная история.
ГАОУ ВО МГПУМосковский городской педагогический университет
ГОСТ Р 59895-2021Технологии искусственного интеллекта в образовании. Общие положения и терминология. Настоящий стандарт распространяется на технологии искусственного интеллекта в образовании и устанавливает общие положения и терминологию в этой области.
Генеративно-состязательная сетьГенеративно-состязательная сеть (англ. Generative adversarial network, сокращённо GAN) — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы，а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных. Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает антагонистическая игра.
Генеративный ИИ естественно-научного контентаОтчётный доклад про проекту Генеративный ИИ естественно-научного контента - «Приоритет - 2030»
Генеративный искусственный интеллектГенеративный искусственный интеллект — это метод машинного обучения, при котором нейросеть изучает массив данных и на основании этих данных создаёт собственный контент.
Генеративный искусственный интеллект- новая Черепашка, помогающая думатьГенеративный искусственный интеллект- новая Черепашка, помогающая думать // Выступление - V Международной научной конференции «Современная {цифровая} дидактика» и III Международной конференции «Большие данные в образовании» в качестве эксперта на мини-пленаре «Право и этика искусственного интеллекта».
Генерация учебных задач при помощи генеративных моделейДоклад на конференции, Д.В. Сошников, В.В.Буров, Е.Д. Патаракин // Доклад. ИНФОРМАТИЗАЦИЯ ОБРАЗОВАНИЯ И МЕТОДИКА ЭЛЕКТРОННОГО ОБУЧЕНИЯ: ЦИФРОВЫЕ ТЕХНОЛОГИИ В ОБРАЗОВАНИИ VII Международная научная конференция Красноярск, 19-22 сентября 2023 г.
Генерировать изображенияКак генерировать изображения при помощи средств генеративного искусственного интеллекта
… следующие результаты
Источник — http://digida.mgpu.ru/index.php?title=Искусственный_интеллект&oldid=10319