Интеграция No-Code AI в Нетехническое Высшее Образование:
Недавние достижения в области машинного обучения подчеркивают его способность приносить ценность в различных отраслях. Однако внедрение машинного обучения в нетехнические академические программы, такие как социальные науки, сталкивается с препятствиями из-за его обычных связей с техническими областями, такими как информатика. Для преодоления этого барьера был представлен кейс-ориентированный подход с использованием платформ No-Code AI в университетском курсе, ориентированном на студентов с различными образовательными фонами. Эти платформы упрощают процесс машинного обучения, позволяя пользователям создавать и развертывать модели без необходимости обширных знаний алгоритмов, тем самым делая машинное обучение более доступным для студентов не из области STEM.
Исследование “Легкого” ИИ в Образовании:
Машинное обучение включает разработку моделей, которые компьютеры используют для идентификации узоров в данных и прогнозирования, являясь важной частью приложений ИИ в различных отраслях. Однако разработка эффективных моделей является сложной задачей, требующей множества итераций и глубокого понимания данных. Для преодоления этого вызова появились “легкие” платформы ИИ, также известные как No-Code AI, позволяющие лицам без значительных технических навыков разрабатывать и развертывать модели машинного обучения.
Методология Оценки No-Code AI в Образовании:
Был реализован групповой проектный подход для изучения No-Code AI в образовании, позволяющий студентам решать реальные проблемы и взаимодействовать в коллективных мероприятиях. Была использована учебная методика, акцентирующаяся на проблемно-ориентированном обучении, активизации существующих знаний, демонстрации навыков, применении к практическим задачам и интеграции через рефлексию.
Внедрение No-Code AI в Образование: Кейс-стади о Преподавании Машинного Обучения:
Учебный модуль включал в себя 3-часовой семинар по машинному обучению и платформе No-Code AI. Студенты изучали задачи с различными наборами данных, включая табличные, изображений и текстовые данные, и использовали No-Code платформу для обучения моделей машинного обучения. Метод No-Code улучшил осведомленность студентов о качестве данных и решении проблем, а не навыки программирования.
Заключительное Обсуждение:
Это исследование рассматривает два ключевых вопроса о применении No-Code AI в образовании: его применение для преподавания машинного обучения в нетехнических программах и его преимущества и вызовы.
Оно рекомендует проблемно-ориентированный подход для интеграции No-Code AI в высшее образование, предлагая руководство для преподавателей. No-Code AI помогает студентам в процессе машинного обучения, но представляет вызовы в построении кейсов, выборе платформы и динамике группы.
