ПРОЦЕСИ НАВЧАННЯ В ТЕХНОЛОГІЯХ ШТУЧНОГО ІНТЕЛЕКТУ

О. П. Мінцер

doi:10.11603/mie.1996-1960.2024.1-2.14993

Автор(и)

О. П. Мінцер Національний університет охорони здоров’я України імені П.Л.Шупика https://orcid.org/0000-0002-7224-4886

DOI:

https://doi.org/10.11603/mie.1996-1960.2024.1-2.14993

Ключові слова:

процеси навчання в технологіях штучного інтелекту, концептуалізація, контрольоване машинне навчання, напівконтрольоване навчання, алгоритми класифікації, самоконтрольоване машинне навчання, навчання з підкріпленням

Анотація

Обговорюються існуючі моделі теорії навчання та пропонується нова трансдисциплінарна модель для представлення ролі штучного інтелекту (ШІ) в удосконаленні процесів навчання та процедурах прийняття рішень. Дослідження присвячено концептуалізації основоположних ідей для моделі, що може стати основою розроблення додатків штучного інтелекту для підтримки процесів навчання на різних рівнях трансферу знань. Результати дослідження виявили, що випадкове використання методу навчання не може забезпечити високі результати трансферу знань, оскільки вкрай важливим є обґрунтована селективна стратегія передавання знань. Розроблення високоякісних і надійних симуляційних середовищ для відпрацювання алгоритмів передавання знань в охороні здоров’я може полегшити розроблення та валідацію методів навчання поза обмежень ретроспективних досліджень. Застосування методів, перевірених у таких симуляційних середовищах у реальних клінічних умовах із одночасним наглядом клініцистів дозволить вирішити проблеми вибору алгоритмів.

Посилання

Gibson, D., Kovanovic, V., Ifenthaler, D., Dexter, S., Feng, S. (2023). Learning theories for artificial intelligence promoting learning processes. British Journal of Educational Technology, 54(5), 1125–1146. DOI: 10.1111/bjet.13341. DOI: https://doi.org/10.1111/bjet.13341

Cheung, B., Terekhov, A., Chen, Y., Agrawal, P., Olshausen, B. (2019). Superposition of many models into one. Advances in Neural Information Processing Systems, 10867–10876. DOI: 10.48550/ arXiv.1902.05522.

Cooper, P. A. (1993). Paradigm shifts in designed instruction: From behaviorism to cognitivism to constructivism. Educational Technology, 33(5), 12–19.

Dawson, S., Poquet, O., Colvin, C., Rogers, T., Pardo, A., Gasevic, D. (2018, March). Rethinking learning analytics adoption through complexity leadership theory. LAK'18: Proceedings of the 8th International Conference on Learning Analytics and Knowledge, (p. 236–244). Sydney, New South Wales, Australia. DOI: 10.1145/3170358.3170375. DOI: https://doi.org/10.1145/3170358.3170375

Dieterle, E., Dede, C., Walker, M. (2022). The cyclical ethical effects of using artificial intelligence in education. AI & Society, 39(2), 633– 643. DOI: 10.1007/s00146-022-01497-w. DOI: https://doi.org/10.1007/s00146-022-01497-w

Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252 (PA), 124167. DOI: 10.1016/j. eswa.2024.124167. DOI: https://doi.org/10.1016/j.eswa.2024.124167

Ertmer, P. A., Newby, T. J. (1993). Behaviorism, cognitivism, constructivism: Comparing critical features from an instructional design perspective. Performance Improvement Quarterly, 6(4), 50–72. DOI: 10.1111/j.1937-8327.1993.tb00605.x. DOI: https://doi.org/10.1111/j.1937-8327.1993.tb00605.x

Song, F., Guo, Z., Mei, D. (2010, November). Feature selection using principal component analysis. Proceedings of the 2010 International Conference on System Science: Engineering Design and Manufacturing Informatization, (p. 27–30). Yichang, China. DOI: 10.1109/ICSEM.2010.14. DOI: https://doi.org/10.1109/ICSEM.2010.14

Gasevic, D., Joksimovic, S., Eagan, B. R., Shaffer, D. W. (2019). SENS: Network analytics to combine social and cognitive perspectives of collaborative learning. Computers in Human Behavior, 92, 562–577. DOI: 10.1016/j.chb.2018.07.003. DOI: https://doi.org/10.1016/j.chb.2018.07.003

Gasevic, D., Jovanovic, J., Pardo, A., Dawson, S. (2017). Detecting learning strategies with analytics: Links with self-reported measures and academic performance. Journal of Learning Analytics, 4(2), 113–128. DOI: 10.18608/jla.2017.42.10. DOI: https://doi.org/10.18608/jla.2017.42.10

Wen, J., Fang, X., Cui, J., Fei, L., Yan, K., Chen, Y., Xu, Y. (2018). Robust sparse linear discriminant analysis. IEEE Transactions on Circuits and Systems for Video Technology, 29(2), 390–403. DOI: 10.1109/ TCSVT.2018.2799214.

Khezeli, K., Siegel, S., Shickel, B., Ozrazgat- Baslanti, T., Bihorac, A., Rashidi, P. (2023). Reinforcement Learning for Clinical Applications. Clinical Journal of the American Society of Nephrology, 18(4), 521–523. DOI: 10.2215/ CJN.0000000000000084. DOI: https://doi.org/10.2215/CJN.0000000000000084

Yu, C., Liu, J., Nemati, S., Yin, G. (2021). Reinforcement learning in healthcare: a survey. ACM Computing Surveys, 55(1), 1–36. DOI: 10.1145/3477600. DOI: https://doi.org/10.1145/3477600

Coronato, A., Naeem, M., De Pietro, G., Paragliola, G. (2020). Reinforcement learning for intelligent healthcare applications: a survey. Artificial Intelligence in Medicine, 109, 101964. DOI: 10.1016/j. artmed.2020.101964. DOI: https://doi.org/10.1016/j.artmed.2020.101964

Datta, S., Li, Y., Ruppert, M. M., Ren, Y., Shickel, B., Ozrazgat-Baslanti, T., Rashidi, P., Bihorac, A. (2021). Reinforcement learning in surgery. Surgery, 170(1), 329–332. DOI: 10.1016/j.surg.2020.11.040. DOI: https://doi.org/10.1016/j.surg.2020.11.040

Loftus, T. J., Filiberto, A. C., Li, Y., Balch, J., Cook, A. C., Tighe, P. J., Efron, P. A., Upchurch Jr., G. R., Rashidi, P., Li, X., Bihorac, A. (2020). Decision analysis and reinforcement learning in surgical decision-making. Surgery, 168(2), 253-266. DOI: 10.1016/j.surg.2020.04.049. DOI: https://doi.org/10.1016/j.surg.2020.04.049

Quellec, G., Cazuguel, G., Cochener, B., Lamard, M. (2017). Multiple-Instance Learning for Medical Image and Video Analysis. IEEE Reviews in Biomedical Engineering, 10, 213–234. DOI: 10.1109/RBME.2017.2651164. DOI: https://doi.org/10.1109/RBME.2017.2651164

Li, M. A., Luo, X. Y., Yang, J. F. (2016). Extracting the nonlinear features of motor imagery EEG using parametric t-SNE. Neurocomputing, 218, 371–381. DOI: 10.1016/j.neucom.2016.08.083. DOI: https://doi.org/10.1016/j.neucom.2016.08.083

Luo, X., Li, X., Wang, Z., Liang, J. (2019). Discriminant autoencoder for feature extraction in fault diagnosis. Chemometrics and Intelligent Laboratory Systems, 192, 103814. DOI: 10.1016/j. chemolab.2019.103814. DOI: https://doi.org/10.1016/j.chemolab.2019.103814

Lockyer, L., Dawson, S. (2011, February 27 – March 01). Learning designs and learning analytics. LAK'11: Proceedings of the 1st International Conference on Learning Analytics and Knowledge, (p. 153–156). Canada. DOI: 10.1145/2090116.2090140. DOI: https://doi.org/10.1145/2090116.2090140

Selwyn, N. (2022). The future of AI and education: Some cautionary notes. European Journal of Education, 57(4), 620–631. DOI: 10.1111/ EJED.12532. DOI: https://doi.org/10.1111/ejed.12532

Zhou, Y., Muresanu, A., Han, Z., Paster, K., Pitis, S., Chan, H., Ba, J. (2022). Large language models are human-level prompt engineers. URL: https://arxiv.org/abs/2211.01910. DOI: 10.48550/arXiv.2211.01910.

Wen, J., Fang, X., Cui, J., Fei, L., Yan, K., Chen, Y., Xu, Y. (2018). Robust sparse linear discriminant analysis. IEEE Transactions on Circuits and Systems for Video Technology, 29(2), 390–403. DOI: 10.1109/TCSVT.2018.2799214. DOI: https://doi.org/10.1109/TCSVT.2018.2799214