好未來(lái)7篇學術論文學術論文被四大(dà)國(guó)際頂級會議收錄

近日，好未來(lái)AI工程院機器學習團隊的(de)7篇學術論文連續入選國(guó)際人(rén)工智能教育大(dà)會（AIED 2020）、教育數據挖掘國(guó)際會議（EDM 2020）、國(guó)際聲學、語音與信号處理會議（ICASSP 2020）、國(guó)際互聯網大(dà)會（WWW 2020）等多個(gè)國(guó)際頂級學術會議，向世界展示了(le／liǎo)中國(guó)AI+教育的(de)發展潛力。

據介紹，本次入選的(de)7篇學術論文主要(yào / yāo)基于(yú)AI+教育場景應用的(de)研究，覆蓋了(le／liǎo)語音識别、數據挖掘、機器學習等人(rén)工智能研究的(de)多個(gè)分支領域。其中，三篇學術論文入選了(le／liǎo)AIED 2020大(dà)會。

資料顯示，AIED是(shì)教育應用領域的(de)國(guó)際頂級會議，以(yǐ)“爲(wéi / wèi)教育計算應用領域提供高質量研究的(de)智能系統和(hé / huò)認知科學方法”而(ér)聞名。AIED所收錄的(de)論文代表着人(rén)工智能在(zài)教育領域應用的(de)最新發展方向和(hé / huò)水平。

具體來(lái)看，本次入選AIED 2020大(dà)會的(de)三篇論文分别是(shì)：圍繞教師聲音識别與分離的(de)《Siamese Neural Networks For Class Activity Detection》，通過對線上(shàng)一(yī / yì ／yí)對一(yī / yì ／yí)與線下小班教學場景内的(de)單音軌課堂錄音中的(de)教師聲音進行識别與分離，模型識别結果的(de)AUC分别達到(dào)94.2%與85.5%；針對教師提問自動檢測的(de)《Neural Multi-Task Learning for Automatic Detection of TeacherQuestions in Online Classrooms》，提出(chū)了(le／liǎo)用于(yú)在(zài)線課堂中教師提問的(de)自動檢測的(de)新穎框架，通過對老師提問的(de)類型（開放問句、求知型問句、對話管理型問句、程序型問句）的(de)檢測，從而(ér)更細粒度的(de)量化老師的(de)行爲(wéi / wèi)；對教師相關的(de)語言行爲(wéi / wèi)進行自動檢測的(de)《Automatic Dialogic Instruction Detection for K-12 Online One-on-oneClasses》，針對不(bù)同科目和(hé / huò)年級調整對老師課堂上(shàng)行爲(wéi / wèi)的(de)要(yào / yāo)求，幫助老師掌握授課技巧、提升授課質量。

在(zài)EDM 2020期間，好未來(lái)針對線上(shàng)一(yī / yì ／yí)對一(yī / yì ／yí)授課模式下的(de)學生退學行爲(wéi / wèi)進行機器學習模型建模的(de)論文《Identifying At-Risk K-12 Students In Multimodal Online Environments:A Machine Learning Approach》入選。據介紹，這(zhè)是(shì)工業界與學術界首次針對K12在(zài)線教育場景的(de)學生退課行爲(wéi / wèi)進行預測嘗試，通過對課堂

行爲(wéi / wèi)和(hé / huò)課後服務等多維度數據的(de)分析，及時(shí)了(le／liǎo)解學生的(de)學習狀态和(hé / huò)知識掌握情況，并爲(wéi / wèi)學生學習方案的(de)調整優化提供幫助。

另外，在(zài)ICASSP會議上(shàng)，在(zài)《Multimodal Learning For Classroom Activity Detection》論文中，好未來(lái)基于(yú)聲紋注意力結構的(de)多模态說(shuō)話人(rén)識别模型方法，準确率超過了(le／liǎo)SOT A模型10%左右，顯示出(chū)了(le／liǎo)該模型針對教學場景下說(shuō)話人(rén)分離結果的(de)優異性。在(zài)另一(yī / yì ／yí)篇論文《UPGRADING CRFS TO JRFS AND ITS BENEFITS TO SEQUENCE MODELING ANDLABELING》中，好未來(lái)将經典的(de)序列模型CRF升級爲(wéi / wèi)一(yī / yì ／yí)個(gè)聯合的(de)生成模型——JRF，新模型在(zài)各算法指标上(shàng)都穩定超過了(le／liǎo)CRF，爲(wéi / wèi)更大(dà)範圍的(de)各類領域的(de)序列建模和(hé / huò)标注任務的(de)改進提供了(le／liǎo)更大(dà)的(de)可能。

同時(shí)，好未來(lái)關于(yú)自由場景下的(de)口語表達能力評測的(de)論文《Dolphin: A Spoken Language Proficiency Assessment System forElementary Education》也(yě)入選了(le／liǎo)國(guó)際互聯網頂級會議WWW2020，并在(zài)會議上(shàng)進行宣講。論文基于(yú)好未來(lái)AI工程院研發的(de)口語表達能力評測進行的(de)方案和(hé / huò)算法創新，解決了(le／liǎo)學生口語表達能力無法快速、規模化、标準化進行評估的(de)問題。

值得一(yī / yì ／yí)提的(de)是(shì)，好未來(lái)AI工程院機器學習團隊有70%以(yǐ)上(shàng)的(de)技術人(rén)員曾參與論文及專利的(de)發表。近期，好未來(lái)還有多項學術成果入選AAAI2020、NCME2020等國(guó)際頂級學術會議。好未來(lái)AI工程院更是(shì)斬獲2020年世界計算機視覺領域頂級會議CVPR2020—— EmotioNet人(rén)臉表情識别競賽冠軍。一(yī / yì ／yí)系列AI科研成果接連被國(guó)際頂級學術會議接收，标志着國(guó)際學術界對好未來(lái)科研實力的(de)認可，也(yě)意味着好未來(lái)用AI技術在(zài)教育場景的(de)實踐中提供更多實用價值。

據報道(dào)，近年來(lái)，好未來(lái)不(bù)斷加大(dà)在(zài)AI研發上(shàng)的(de)投入，目前已圍繞教育場景需求，累計研發包括圖像、語音、數據挖掘、自然語言處理等8大(dà)類型、100多項AI能力，打造10餘項教育場景應用AI解決方案，覆蓋“教、學、測、練、評”各教學環節。目前，好未來(lái)還将多項AI能力産品化，并廣泛應用在(zài)内部多項業務中。

出(chū)自 環球網：https://baijiahao.baidu.com/s?id=1667291307423879485&wfr=spider&for=pc