“We should be changing the goals of education to focus on deeper learning: Relevanciája, hogy mit tanítanak, építeni a motiváció, és a személyre szabott, a mit és hogyan; Sokoldalúság, készíteni 'Renaissance emberek”, amely összehozza robusztusság szembe, amit az élet dob minket; Átruházás, biztosításával, hogy mit tanulhatunk a szűk iskolák, fordítja megtámadható valós élethelyzetekben.” — Charles Fadel
Számítógépek tanulás nagy adatmennyiség létrehoztunk egy új tudás forrása a társadalom számára.
Számítógépek már mondani sok mindent, beleértve, akik a mai napig, és milyen készleteket vásárolni. És mivel a sebesség, amellyel ők is fejlesztettek, meddig fog tartani, hogy a számítógépek írhatunk középiskolás esszét, vagy beszél semmilyen idegen nyelvet, vagy akár hajt minket az iskolába?
Charles Fadel is the founder of the Center for Curriculum Redesign and author of Négydimenziós Education: A kompetenciák tanulók Need a sikerhez. He just taught the first-ever class at Harvard Graduate School of Education on "Gépi tanulás + Az emberi tanulás”.
Csatlakozik hozzánk A Global Search for Education hogy megvitassák, hogyan tanulók lépést tartani a gépeket.
“Mi lesz, hogy a kialakult egy „papság osztálya”, akik képesek tervezése és algoritmusok segítségével vs akik élni fog azok következményei, így illik oktatási rendszereket annak érdekében, hogy mindenki * * van számlál elég és algoritmusok alapján képes.” — Charles Fadel
Károly, egyharmada házasságok indul az online. Automatizált kereskedési programok helyébe 60-70% Az emberi kereskedés. Egy algoritmus hamarosan képesek hívni 911 és esetleg megmenteni az életünket. Mit jelent ez az oktatásban?
Először is, let’s establish some boundaries about what Machine Learning/AI can and cannot do – at least at this stage. We have seen tremendous advances in games such as chess, Menj, és a póker, területeken, mint a beszéd és a kézírás-felismerés és a szintézis, zeneszerzés, stb. Azonban, a csodálatos, mint ez, az általuk képviselt úgynevezett „határolt problémák”, ahol a szabályok világosak és korlátozott, akkor is, ha az oldat tér széles.
Tehát AI már kiváló ismétlődő és prediktív feladatok, feladatok múlik számítási teljesítmény, minősítette hatalmas mennyiségű adatot és bemenetek, döntések alapján konkrét szabályok — kevesebb torzítást, mint az emberek, de még mindig kiváltott algoritmusok és adathalmazok által választott emberek.
Míg az emberek jobban tapasztalt autentikus érzelmek és kapcsolatépítés, kérdések megfogalmazása és magyarázatok egész skálák és források, eldöntésében, hogy hogyan kell használni a korlátozott erőforrások az egyes dimenziók stratégiai (például, hogy mely feladatokat kell gépeket csinálnak, és milyen adatokat kell nekik), termékek előállítására és eredmények felhasználható az emberre és a kommunikáció róluk, döntések szerint elvont értékek.
Mivel hogy ez mit jelent az oktatás, ez azt jelenti, hogy mi kell a változó az oktatás céljai összpontosítani mélyebb tanulás: Relevanciája, hogy mit tanítanak, építeni a motiváció, és a személyre szabott, a mit és hogyan; Sokoldalúság, készíteni "Renaissance emberek", amely összehozza robusztusság szembe, amit az élet dob minket; Átruházás, biztosításával, hogy mit tanulhatunk a szűk iskolák, fordítja megtámadható valós élethelyzetekben.
mulatságosan, AI sikerek a késői használat „mély tanulás” algoritmusok, és képzőkörök mi már beszél „mélyebb tanulás,”Így valóban„mély + mélyebb tanulás”együtt!
Mi hamarosan köszönhetjük munkahelyek algoritmusok. Cégek használják őket, hogy kiválassza jelöltünk. Mennyi ideig, amíg egy algoritmus határozza meg, aki elfogadta a Harvard? Mit jelent mindez az oktatás?
A vállalatok és az egyetemek már a mennyiségi és minőségi kritériumokat sokáig, a szűrés jelöltek: SAT scores, GPAs, fizetési skálák, márkájú korábbi munkaadók, stb. all of which are used to decide on a candidate’s fit. There is a lot left to human decisions, and we generally think that humans are infallible. The reality is that the processes are fraught with imperfections: bírók ítéljen keményebb büntetések késő délelőtt ülés, tanárok minőségű gyengébben az első néhány és utolsó esszék, az orvosok nem tudnak lépést tartani a fejlődés a saját területén, stb. I would welcome a day where the algorithms handle the tedium, and the humans make the wise choices unburdened. Természetesen, ez azt jelenti, hogy mi lenne bölcs dolog, hogy nem hagyta, hogy az algoritmusok diktálják döntéseket, mint látjuk, a rendőrségi ügyek az ország egész területén, mint az algoritmusok kódolt meglévő irányítószámot torzítások ...
Ennek ellenére, munkaadók és egyetemek számára egyaránt nézi jól lekerekített globálisan írástudó kérelmezők, képes nem csak a mastering modern tudás, mint a mérnöki és a vállalkozói szellem, társadalomtudományok és az információs írástudás, hanem a képzett: Kreatív, kritikus gondolkodók, akik kommunikatív és együttműködő; kijelző Karakter adottságok: éberség, kíváncsiság, bátorság, ellenálló képesség, etika és a vezetés; alkalmazkodni és megtanulják, hogyan kell tanulni keresztül Meta-tanulási képességek növekedési gondolkodásmód és a metakogníció.
“AI egyre ágyazva minden alkalmazást, amint számítástechnikai széles. Egyre mint mindenütt és láthatatlan mikroprocesszorok az autó-törés rendszerek például.” — Charles Fadel
A sebesség, amellyel a gépi tanulás javul ijesztő. Nincs Machine Learning is tartoznak a laborban? Nem kellene a társadalom minden tagja érti, hogyan ezek a gépek meghatározzák tények? Mit jelent ez az oktatásban?
ray Dalio, Bridgewater fedezeti alapok milliárdos, azt a Financial Times:
„Mi elindultunk egy olyan világban, ahol te vagy lesz képes írni algoritmusok és beszélni, hogy a nyelv, or be replaced by algorithms…” and I agree. We are going to see the emergence of a “priesthood class” of those who are capable of designing and using algorithms vs those who will live with their consequences, so it behooves education systems to ensure that *everyone* is numerate enough and algorithmically capable. All fields are becoming quantitative, kivéve talán a filozófia; Biology in Darwin times used to be descriptive and now it is mostly analytical. További, ez azt jelenti, a megújult fontosságát Etikai tanulmányokat mindenkinek.
A felhalmozott tudás algoritmusok minden adott feladatra vagy domain hamarosan eltörpül a tudás tudósok felhalmozott évszázadok. Vannak Machine Learning Computer tudósok jobban, mint az emberi tudósok tekintettel arra, hogy nézd meg sokkal több adat és elemezze, hogy gyorsabb, mint bármely emberi tudós valaha is?
Ahogyan arról már korábban, Az algoritmusok jobbak, mint az emberek, ha az adatsorokat világos és tiszta, and the application narrow. They do undoubtedly accelerate our progress, Például keresztül felgyorsítását genomika. Azonban, kijelenteni, hogy azok nagyjából jobb, mint az emberi tudósok indokolatlan szakaszon ebben a szakaszban, ez, mintha azt mondanánk, hogy mivel a számítógépek gyorsabbak, mint az emberek a kiszámítása, they are better Mathematicians. We work in symbiosis, és egyre inkább - mint Kiterjesztett Humans.
Ami hogyan lehet ezeket a képességeket alakulnak a jövőben, ez természetesen lehetetlen megmondani, de több milliárd dollárt fektetnek az egész világon, AI egyre ágyazva minden alkalmazást, amint számítástechnikai széles. Egyre mint mindenütt és láthatatlan mikroprocesszorok az autó-törés rendszerek például.
“We do not need Mesterséges intelligencia általános (AGI) to witness major disruptions! We will be experiencing “death by a thousand cuts” even with low-level capabilities – for instance, vonalkód olvasóval vagy egy rádiófrekvenciás azonosító címke már automatizált feladatok el, nulla intelligenciával.” — Charles Fadel
Következik a végső algoritmus – az egyik, hogy képesek megtanulni semmit adatok – aki kész arra?
Senki sem, és ha és amikor ez megtörténik, it will be the ultimate challenge for humanity. Azonban, messze vagyunk, far off according to the best experts in the field. We have seen tremendous bottom-up progress, de hiányzik néhány áttörést elérni Mesterséges Intelligencia Általános (AGI).
Természetesen, a fentiekben tárgyalt, nem kell AGI tanúja jelentős fennakadások! We will be experiencing “death by a thousand cuts” even with low-level capabilities – for instance, vonalkód olvasóval vagy egy rádiófrekvenciás azonosító címke már automatizált feladatok el, nulla intelligenciával.
Ez visszavezet minket a stratégia ápolása sokoldalúság, mint egy svájci bicska: it may not be the best tool for any single job, de ez egy széles bázis levonni a szükségletnek, és lehet kihegyezett során szükség szerint egy élet.
Igaz, emberiség előtt álló számos problémát, mint például a globális felmelegedés, pénzügyi instabilitás, diktátorok és populisták, egyenlőtlenségek, stb, which makes my computer scientist cousin quip that “we should be a lot more concerned about natural stupidity than of artificial intelligence”. There is something to ponder here indeed.
C. M. Rubin és Charles Fadel
(Az összes kép jóvoltából CMRubinWorld)
Csatlakozz hozzám és világszerte elismert szellemi vezetők többek között Sir Michael Barber (UK), DR. Michael blokk (Az US), DR. Leon Botstein (Az US), Professzor Clay Christensen (Az US), DR. Linda Darling-Hammond (Az US), DR. MadhavChavan (India), Charles Fadel (Az US), Professzor Michael Fullan (Kanada), Professzor Howard Gardner (Az US), Professzor Andy Hargreaves (Az US), Professzor Yvonne Hellman (Hollandiában), Professzor Kristin Helstad (Norvégia), Jean Hendrickson (Az US), Professzor Rose Hipkins (Új-Zéland), Professzor Cornelia Hoogland (Kanada), Tisztelt Jeff Johnson (Kanada), Mrs. Chantal Kaufmann (Belgium), DR. EijaKauppinen (Finnország), Államtitkár TapioKosunen (Finnország), Professzor Dominique Lafontaine (Belgium), Professor Hugh Lauder (UK), Lord Ken Macdonald (UK), Professor Geoff Masters (Ausztrália), Professzor Barry McGaw (Ausztrália), Shiv Nadar (India), Professzor R. Natarajan (India), DR. PAK NG (Szingapúr), DR. Denise Pope (US), Sridhar Rajagopalan (India), DR. Diane Ravitch (Az US), Richard Wilson Riley (Az US), Sir Ken Robinson (UK), Professzor Pasi Sahlberg (Finnország), Professzor Manabu Sato (Japán), Andreas Schleicher (PISA, OECD), DR. Anthony Seldon (UK), DR. David Shaffer (Az US), DR. Kirsten Magával ragadó Are (Norvégia), Chancellor Stephen Spahn (Az US), Yves Theze (LyceeFrancais számú amerikai egyesült államokbeli), Professor Charles Ungerleider (Kanada), Professzor Tony Wagner (Az US), Sir David Watson (UK), Professzor Dylan Wiliam (UK), DR. Mark Wormald (UK), Professzor Theo Wubbels (Hollandiában), Professzor Michael Young (UK), és professzor Minxuan Zhang (Kína) mivel azok feltárása a nagy kép oktatási kérdés, hogy minden nemzet ma szembesül.
A Global Search Oktatási közösségi oldal
C. M. Rubin a szerző két legolvasottabb internetes sorozat, amely megkapta a 2011 Upton Sinclair díjat, "A Global Search for Education" és "Hogyan fogjuk Olvasd?"Ő is a szerző három eladott könyvek, Beleértve The Real Alice Csodaországban, a kiadó CMRubinWorldés egy Disruptor Alapítvány ösztöndíjasa.
Kövesse C. M. Rubin on Twitter: www.twitter.com/@cmrubinworld
Legutóbbi hozzászólások