Искусственный интеллект
Материал из Поле цифровой дидактики
Версия от 18:33, 1 июня 2023; Patarakin (обсуждение | вклад)
| 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
- A Classification of Cognitive Agents // Proceedings of the Twenty-fourth Annual Conference of the Cognitive Science Society. Routledge, 2019. P. 256–261.
- Bordini R.H. et al. Agent programming in the cognitive era // Auton Agent Multi-Agent Syst. 2020. Vol. 34, № 2. P. 37.
- 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.
- 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.
- Southgate E. et al. Artificial Intelligence and emerging technologies in schools: research report: Report. Department of Education and Training (Australia), 2019.
- 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.
- 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.
- Jobin A., Scheibner J., Vayena E. Ethics guidelines in Citizen Science: Report. ETH Zurich, 2020.
- 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.
- 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.
- 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.
- 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.
- Carvalho L. et al. How can we design for learning in an AI world? // Computers and Education: Artificial Intelligence. 2022. Vol. 3. P. 100053.
- Reeder K., Lee H. Impact of artificial intelligence on US medical students’ choice of radiology // Clinical Imaging. 2022. Vol. 81. P. 67–71.
- 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.
- 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.
- 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.
- 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.
- Liebig L. et al. Subnational AI policy: shaping AI in a multi-level governance system // AI & Soc. 2022.
- 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.
- 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.
- 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.
- Belinchon E. et al. Towards an Inclusive Future in AI. A Global Participatory Process: SSRN Scholarly Paper 3505425. Rochester, NY, 2019.
- 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.
- 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.
- 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 06062023 | Мастер класс по сбору знаний о генерации контента искусственным интеллектом |
| AI content generation 27032024 | Описание:
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
|
| AI content generation 28062023 | ТРАНСФОРМАЦИЯ ВЫЧИСЛИТЕЛЬНОЙ ДИДАКТИКИ ПОД ВОЗДЕЙСТВИЕМ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // БОЛЬШАЯ КОНФЕРЕНЦИЯ МГПУ |
| Alexbard2000 | Студент магистрант МГПУ Бардышев Алексей Дмитриевич По первому образованию химик-технолог (18.03.01) |
| Annavorman | Студентка 3 курса. Преподаватель робототехники, ИНО МГПУ; репетитор по информатике. Творческая, разносторонняя личность :) |
| As We May Think | «Как Мы Можем Мыслить» — визионерское эссе, написанное Бушем в 1945 году, предвидевшее многие аспекты информационного общества. Оно было впервые опубликовано в журнале The Atlantic в июле 1945 года и переиздано в сокращённом варианте в сентябре 1945 — до и после атомной бомбардировки Хиросимы и Нагасаки. Буш выражает свою обеспокоенность тем, что усилия науки направлены на разрушение, вместо понимания. Он выражает надежду на создание гипотетической гипертекстовой системы, названной Бушем «Мемекс». По мнению учёного, такая система сделала бы знания более доступными. Буш надеялся, что создание такой системы превратит информационный взрыв во взрыв знаний. |
| BelikMary | |
| Bobiloket | Алексеев 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:  |
| Computational thinking (ACM) | Датасет записей из библиотеки ACM по запросу Computational Thinking |
| Epstein | Epstein 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. |
| Fedorovaai | Учусь на 4 курсе, люблю участвовать в профессиональных конкурсах |
| GPT | GPT = stands for generation Generative Pre-trained Transformer |
| Human-AI teams | Искусственные товарищи по команде |
| Ivanchuk M.D | Студент первого курса магистратуры МГПУ по направлению "Интернет вещей в образовании". |
| Ivanchuk M.D. | Студент первого курса магистратуры МГПУ по направлению "Интернет вещей в образовании". |
| KeferV | |
| KucheryavyyIS | Кучерявый Иван Сергеевич
В настоящее время являюсь студентом Магистратуры МГПУ по программе "Современные цифровые технологии в образовании" В 2023 году закончил Московский государственный университет технологий и управления им. К.Г. Разумовского (ПКУ) по направлению "Информатика и вычислительная техника" |
| Lieberman | Henry Lieberman американский ученый в области информатики, языков программирования и искусственного интеллекта. |
| LoshankovAO | Магистрант МГПУ; направление - 44.04.01 Педагогическое образование; профиль - Интернет вещей в образовании; курс - 1; группа - ИВО-231м |
| Makarova Katya | |
| Makarova Viktoria | |
| Minsky |
|
| MokretsovaVA | |
| Nlomovtseva | Магистрант ВШЭ Цифровая трансформация образования |
| On memory | On Memory (Electronic or Otherwise) - Leonardo The MIT Press Volume 23, Number 4, Autumn 1990 Наша практика обращения с электронной памятью подводит нас к признанию того факта, что память является не вещью, а процессом, хотя этот процесс и предполагает наличие тела человека или компьютера, внутри которого он должен происходить. Эта практика приводит нас к тому, что внутри нас нет никакого твердого ядра, которое бы руководило этим процессом и которое мы могли бы называть нашей "душой", нашим "духом" или даже нашим "эго". Практика показывает нам, что процесс извлечения, хранения и передачи информации протекает через нас и включает не только существующее и прошлое общество, но и фактически все, что мы называем словом "мир". Это приводит нас к пониманию того, что мы только узлы во всеобщей сети текущей информации, что эти узлы получают, перерабатывают и передают информацию, и что они полное ничто если взаимосвязи будут разорваны. Фактически, практика наших отношений с носителями электронной памяти требует от нас признать, что то, что мы называем "Я" это - только узел взаимосвязей и отношений, который при тщательном рассмотрении даже не содержит крючка, к которому эти отношения могут быть прицеплены |
| Ontology of digital literacy | Онтология цифровой грамотности |
| Patarakin | Администратор Диджиды, професссор ИЦО МГПУ, профессор ИнОбр ВШЭ |
| Pathfinding | Поиск пути (англ. Pathfinding) — термин в информатике и искусственном интеллекте, который означает определение компьютерной программой наилучшего, оптимального маршрута между двумя точками. |
| PopovaED | Попова Екатерина
|
| Prompt | Промпт (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.
|
| RabotaNS | |
| Sachkova Galina | |
| Sergeewa Anastasiia | |
| Sergey | |
| 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.
 |
| UML | UML (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 | |
| Vitaliy | Студент |
| VolkovAJ | Волков 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 psychology | Discussion with Mohamad El Maouch |
| What Is ChatGPT Doing ... and Why Does It Work? | Книга, в которой Вольфрам разбирает возможности генеративного искусственного интеллекта |
| Анастасия | Каштакова Анастасия Юрьевна, учитель информатики ГБОУ Школа "Свиблово", администратор ЭЖД МЭШ. |
| Белкин Е. | Белкин Евгений Юрьевич Студент магистратуры МГПУ, закончил бакалавриат в области экономики |
| Бердикин Тимофей Алексеевич | кра$$ав4ик |
| Большая языковая модель | LLM — 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 программирование | Вероятностное 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 | |
| … следующие результаты | |
