您现在的位置是:首页 > 热点信息网站首页热点信息

机器学习如何帮助学校改善学业诚信的问题

  • 热点信息
  • 2020-09-14 09:23:29
  • 来源:

著名的美国经济学家保罗·克鲁格曼(Paul Krugman)在2018年曾说过:“所有可以数字化的东西都将被数字化,从而使知识产权的复制变得更加容易”。

如今,克鲁格曼的话语比以往任何时候都更能在大学和学校教职工室中引起共鸣,因为学生利用无穷无尽的信息宝藏,即通过互联网查找和,窃内容,而这通常是在进行最后一刻的考试时。

对于教育者而言,与这种做法作斗争可能是一项耗时的工作,并且如最近的报告所显示的那样,时间并不是教师所能拥有的,因为绝大多数人被迫承担看似无休止的行政职责。

一个组织找到了一种方法,使教育工作者在侦查和预防窃这一繁琐而关键的任务时,可以让技术承担繁重的工作。

瑞典公司Urkund将自己描述为“一种用于检测,预防和处理窃的全自动机器学习文本识别系统”。

下面,教育者与Urkund首席运营官John Tsihlis谈谈了该软件的有效性,远程学习对保持学术诚信的影响以及如何利用机器学习将反pla窃技术提升到一个新的水平。

TE:远离社交和远程学习对组织和技术支持系统的学术诚信有何影响?

JT:在谈论学术诚信时,研究指出组织环境对学生诚实的重要性。这通常归结为学习环境,在体育课和在线课中都对此进行了周密的考虑和计划,但在紧急情况下的远程教学则很少。将“在家教学”的情况作为石蕊试纸用于任何形式的创新学习方法(例如混合学习或远程学习)都是错误的。在这些方法中,社交距离的增加可以通过其他支持学生参与度和动机的工具来弥补。建立信任,及时反馈,使用多媒体以及当然结构是许多人为了保持教学能力而拼凑的东西。在学生中占有最大份额 输出变为数字,使其更易于粘贴粘贴甚至重影写入。这就是为什么采用一种支持学术诚信的教学方法的原因。甚至使用荣誉代码(已证明可以减少作弊的行为),随着社交距离的增加和同龄人感到与团队更加分离,其影响也较小。为了弥补这一点,诸如支持系统之类的技术解决方案可帮助您识别cases窃案件,这将提高学生和教师之间的学术诚信意识。我们确实相信,现在许多人都在艰难地学习如何成功进行远程教学,这将为将来如何使用在线或远程学习提供重要的经验教训。随着社交距离的增加和同龄人与团队的分离度越来越高,显示出减少欺诈的作用将减少。为了弥补这一点,诸如支持系统之类的技术解决方案可帮助您识别cases窃案件,这将提高学生和教师之间的学术诚信意识。我们确实相信,现在许多人都在艰难地学习如何成功进行远程教学,这将为将来如何使用在线或远程学习提供重要的经验教训。随着社交距离的增加和同龄人与团队的分离度越来越高,显示出减少欺诈的作用将减少。为了弥补这一点,诸如支持系统之类的技术解决方案可帮助您识别cases窃案件,这将提高学生和教师之间的学术诚信意识。我们确实相信,现在许多人都在艰难地学习如何成功进行远程教学,这将为将来如何使用在线或远程学习提供重要的经验教训。

TE:您说远程教学的突然需求凸显了数字/在线/混合/远程学习的一些关键成功因素。这些因素有哪些?教育者如何利用它们产生影响?

JT:当前的情况确实使远程教学达到了极致。随着社会疏离建议的减少,我们将能够从中学到东西,并在我们通常的学习环境中实施。在乌尔孔德,我们看到了更多个性化学习体验的令人兴奋的可能性。借助合适的数字工具来支持教师,与15位或50位学生组成的课堂,无论他们与学生之间的联系如何,都将在学生参与和激励方面取得良好的发展。我们采用的方法之一是通过对笔法和作者支持工具的研究来清除鬼笔迹,破坏知识的创造,并引导学生成为独创的思想家。

TE:在rk窃保护方面,Urkund显然一直在为学校和大学开展一些非常重要的工作。您如何看待Urkund对于能够进入广阔市场的学校和大学领导者的“突出”价值?

JT:我们一次又一次听到的是,我们以客户为中心的方法是如何在某些非常关键的领域实现的,这些领域是机构在原创性检查程序中所重视的。围绕准确性存在一个显而易见的问题,在这里我们强调一个事实,即只关注较高的比赛百分比通常会在教练的实际可用性方面排在最后。他们需要一个能够突显他们需要与学生讨论的内容的系统,而无需筛选大量误报。从操作的角度来看,可靠性和互操作性至关重要。即使在我们目前经历的高增长时期,我们也绝不会缩短正常运行时间或系统稳定性,并且我们是LTI的坚定支持者,并且可以使我们的原创性报告平稳地存在于客户所拥有的任何工作流程中。

TE:我了解到Urkund正在致力于将机器学习与认知科学相结合来识别作者,以帮助消除鬼笔迹,并成为向更个性化教育转变的一部分。您能告诉我们更多有关此的信息吗?

JT: 我们使用机器学习的时间比流行语更长(请检查Google趋势,是的)。我们算法的测试获胜准确性部分取决于机器学习。最近,我们的研究集中在如何帮助识别代笔案例上。我们一直在内部围绕作者认可度和所谓的笔测法进行测试,并且随着学术成果数字化的不断增长,很快就有可能淘汰代笔。就像我们在标准原创性检查中所看到的那样,在反馈中引入作者指标将使人们对这种做法有所了解,并积极开展工作以防止这种情况的发生。这里的“反馈”一词至关重要,因为我们一直提倡一种教育学方法,以争取学术诚信。

Top