ທັດສະນະຂອງການາດາໃນການສິດສອນປັນຍາປະດິດເຮັດໃຫ້ນັກຮຽນແພດ

ຂໍຂອບໃຈທ່ານທີ່ໄດ້ໄປຢ້ຽມຢາມທໍາມະຊາດ. ສະບັບຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີສະຫນັບສະຫນູນ CSS ຈໍາກັດ. ສໍາລັບຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນໍາໃຫ້ໃຊ້ໂປແກຼມທ່ອງເວັບຂອງທ່ານໃຫມ່ກວ່າເກົ່າ (ຫຼືປິດແບບທີ່ເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກໍາລັງສະແດງໃຫ້ເຫັນສະຖານທີ່ທີ່ບໍ່ມີຮູບແບບຫຼື JavaScript.
ຄໍາຮ້ອງສະຫມັກຂອງປັນຍາປະດິດທາງດ້ານການຊ່ວຍ (AI) ກໍາລັງເຕີບໃຫຍ່ຢ່າງໄວວາ, ແຕ່ວ່າອາຫານການແພດທີ່ມີຢູ່ສະເຫນີການສອນຈໍາກັດການປົກຄຸມພື້ນທີ່ນີ້. ໃນທີ່ນີ້ພວກເຮົາອະທິບາຍຫລັກສູດການຝຶກອົບຮົມປັນຍາທຽມທີ່ພວກເຮົາໄດ້ພັດທະນາແລະສົ່ງໃຫ້ນັກສຶກສາແພດຂອງການາດາແລະໃຫ້ຄໍາແນະນໍາສໍາລັບການຝຶກອົບຮົມໃນອະນາຄົດ.
ປັນຍາປະດິດ (AI) ໃນຢາສາມາດປັບປຸງປະສິດທິພາບໃນບ່ອນເຮັດວຽກໄດ້ແລະການຊ່ວຍເຫຼືອການຕັດສິນໃຈທາງດ້ານການຊ່ວຍແພດ. ເພື່ອແນະນໍາການນໍາໃຊ້ການນໍາໃຊ້ຂອງປັນຍາປະດິດ, ແພດທີ່ຕ້ອງມີຄວາມເຂົ້າໃຈກ່ຽວກັບຄວາມສະຫຼາດຂອງທຽມ. ຫລາຍຄໍາເຫັນທີ່ຜູ້ໃຫ້ໂຄສະນາສອນແນວຄວາມຄິດ AI ໃຫ້ດີ, ເຊັ່ນວ່າການອະທິບາຍແບບ AI ແລະຂັ້ນຕອນການຢັ້ງຢືນ 2. ເຖິງຢ່າງໃດກໍ່ຕາມ, ແຜນການທີ່ມີໂຄງສ້າງສອງສາມຄົນໄດ້ຖືກຈັດຕັ້ງປະຕິບັດ, ໂດຍສະເພາະໃນລະດັບຊາດ. Pinto Dos Santos et al.3. 263 ນັກສຶກສາແພດໄດ້ຖືກສໍາຫຼວດແລະ 71% ໄດ້ຕົກລົງເຫັນດີວ່າພວກເຂົາຕ້ອງການການຝຶກອົບຮົມໃນທາງດ້ານສິວ. ການສິດສອນປັນຍາປະດິດເຮັດໃຫ້ສະມາຊິກດ້ານການແພດຮຽກຮ້ອງໃຫ້ມີການອອກແບບທີ່ລະມັດລະວັງເຊິ່ງປະສົມປະສານແນວຄິດດ້ານວິຊາການແລະເຕັກນິກທີ່ມັກຈະມີຄວາມຮູ້ຢ່າງກວ້າງຂວາງ. ພວກເຮົາອະທິບາຍປະສົບການຂອງພວກເຮົາໃຫ້ການປະກາດສໍາມະນາ AI ສໍາມະນາໃຫ້ແກ່ນັກຮຽນແພດສາມກຸ່ມແລະໃຫ້ຄໍາແນະນໍາສໍາລັບການສຶກສາດ້ານການແພດໃນອະນາຄົດໃນ AI.
ການນໍາສະເຫນີສະຕິປັນຍາຂອງພວກເຮົາໃນເດືອນກຸມພາ, ໂດຍລະຫວ່າງເດືອນກຸມພາປີ 2019 ແລະເດືອນກຸມພາ. ຈຸດປະສົງໃນການຮຽນຮູ້ຫລັກ: ນັກຮຽນເຂົ້າໃຈວິທີການດໍາເນີນການສະຫມັກຂໍ້ມູນຂ່າວສານດ້ານສິວ, ແລະໃຊ້ປະໂຫຍດຈາກວິສະວະກອນທີ່ມີການປ່ຽນແປງທາງສິລະປະ.
ສີຟ້າແມ່ນຫົວຂໍ້ຂອງການບັນຍາຍແລະສີຟ້າອ່ອນໆແມ່ນໄລຍະເວລາຕອບໂຕ້ທີ່ມີການໂຕ້ຕອບແລະຄໍາຕອບ. ສ່ວນສີຂີ້ເຖົ່າແມ່ນຈຸດສຸມຂອງການທົບທວນວັນນະຄະດີໂດຍຫຍໍ້. ພາກສ່ວນສີສົ້ມແມ່ນການສຶກສາກໍລະນີທີ່ຖືກຄັດເລືອກທີ່ອະທິບາຍຮູບແບບຫຼືເຕັກນິກການປອມແປງ. ສີຂຽວແມ່ນຫຼັກສູດການແນະນໍາທີ່ນໍາພາໄດ້ຖືກອອກແບບມາເພື່ອສອນປັນຍາປະດິດສ້າງເພື່ອແກ້ໄຂບັນຫາທາງຄລີນິກແລະປະເມີນແບບຈໍາລອງ. ເນື້ອໃນແລະໄລຍະເວລາຂອງການສໍາມະນາທີ່ແຕກຕ່າງກັນໂດຍອີງໃສ່ການປະເມີນຄວາມຕ້ອງການຂອງນັກຮຽນ.
ກອງປະຊຸມຄັ້ງທໍາອິດໄດ້ຈັດຂື້ນທີ່ມະຫາວິທະຍາໄລ British Columbia ຕັ້ງແຕ່ເດືອນກຸມພາເຖິງເດືອນເມສາ 2019, ແລະຜູ້ເຂົ້າຮ່ວມທັງຫມົດ 8 ຄົນໄດ້ໃຫ້ຄວາມຄິດເຫັນໃນແງ່ບວກ. ເນື່ອງຈາກ Covid-19, ກອງປະຊຸມຄັ້ງທີ 2 ໄດ້ຈັດຂື້ນເກືອບໃນເດືອນຕຸລາ - ພະຈິກ, ມີນັກຮຽນແພດ 222 ຄົນແລະຊາວໂຮງຮຽນແພດ 32 ຄົນ. ແຜ່ນສະໄລ້ທີ່ນໍາສະເຫນີແລະລະຫັດໄດ້ຖືກອັບລົງໃນເວັບໄຊທ໌ການເຂົ້າເຖິງເປີດ (http://ubcaimed.github.io). ຄໍາຕິຊົມທີ່ສໍາຄັນຈາກການເຊື່ອມໂຍງທໍາອິດແມ່ນການບັນຍາຍແມ່ນມີຄວາມແຮງເກີນໄປແລະວັດສະດຸທາງທິດສະດີເກີນໄປ. ຮັບໃຊ້ຫົກເຂດເວລາທີ່ແຕກຕ່າງກັນຂອງການາດາສ້າງຄວາມທ້າທາຍເພີ່ມເຕີມ. ດັ່ງນັ້ນ, ກອງປະຊຸມຄັ້ງທີສອງສັ້ນລົງໃນແຕ່ລະພາກໃຫ້ 1 ຊົ່ວໂມງ, ແລະໄດ້ສ້າງຕັ້ງແຕ່ລະຫັດສະແດງທີ່ອະນຸຍາດໃຫ້ຜູ້ເຂົ້າຮ່ວມເປັນ snippets ທີ່ປະກອບດ້ວຍ debugging ຫນ້ອຍທີ່ສຸດ (ກ່ອງ 1). ຄໍາຕິຊົມທີ່ສໍາຄັນຈາກການຕອບສະຫນອງທີ່ດີໃນແງ່ບວກໃນການອອກກໍາລັງກາຍແລະການຮ້ອງຂໍສະແດງໃຫ້ເຫັນການວາງແຜນໂຄງການຮຽນ. ເພາະສະນັ້ນ, ໃນກອງປະຊຸມຄັ້ງທີສາມຂອງພວກເຮົາ, ໄດ້ຈັດຂື້ນເກືອບ 126 ນັກສຶກສາທີ່ມີ 12 ເດືອນມີນາ 2021, ພວກເຮົາໄດ້ລວມເອົາການອອກກໍາລັງກາຍທີ່ມີການໂຕ້ຕອບແລະການສະແດງຜົນກະທົບຂອງການນໍາໃຊ້ໂຄງການຕ່າງໆ.
ການວິເຄາະຂໍ້ມູນ: ພາກສະຫນາມການສຶກສາໃນສະຖິຕິທີ່ລະບຸຮູບແບບທີ່ມີຄວາມຫມາຍໃນຂໍ້ມູນໂດຍການວິເຄາະ, ແລະການສື່ສານຮູບແບບຂໍ້ມູນ.
ການຂຸດຄົ້ນຂໍ້ມູນ: ຂັ້ນຕອນການກໍານົດແລະການສະກັດເອົາຂໍ້ມູນ. ໃນສະພາບການຂອງປັນຍາປະດິດ, ນີ້ມັກຈະມີຂະຫນາດໃຫຍ່, ມີຕົວແປຫຼາຍຢ່າງສໍາລັບແຕ່ລະຕົວຢ່າງ.
ການຫຼຸດຜ່ອນ DIMENSIONSIAL: ຂະບວນການປ່ຽນແປງຂໍ້ມູນທີ່ມີຫຼາຍລັກສະນະຂອງບຸກຄົນເຂົ້າໃນລັກສະນະທີ່ສໍາຄັນໃນຂະນະທີ່ຮັກສາຄຸນສົມບັດທີ່ສໍາຄັນຂອງຊຸດຂໍ້ມູນເດີມ.
ຄຸນລັກສະນະ (ໃນສະພາບການຂອງປັນຍາປອມ): ຄຸນລັກສະນະທີ່ສາມາດວັດແທກໄດ້ຂອງຕົວຢ່າງ. ມັກໃຊ້ໃນການແລກປ່ຽນກັນກັບ "ຊັບສິນ" ຫຼື "ຕົວປ່ຽນແປງ".
ແຜນທີ່ການກະຕຸ້ນ GRADIENTIENT: ເຕັກນິກທີ່ໃຊ້ໃນການຕີຄວາມສະແດງໃນເຄືອຂ່າຍສິລະປະ (ໂດຍສະເພາະແມ່ນຂະບວນການທີ່ຈະເຮັດໃຫ້ພາກສ່ວນສຸດທ້າຍຂອງເຄືອຂ່າຍເພື່ອກໍານົດພາກສ່ວນຂອງຂໍ້ມູນຫຼືຮູບພາບທີ່ມີການຄາດເດົາສູງ.
ຮູບແບບມາດຕະຖານ: ຕົວແບບ AI ທີ່ມີຢູ່ແລ້ວທີ່ໄດ້ຮັບການຝຶກອົບຮົມລ່ວງຫນ້າເພື່ອດໍາເນີນວຽກງານທີ່ຄ້າຍຄືກັນ.
ການທົດສອບ (ໃນສະພາບການຂອງປັນຍາປອມ): ສັງເກດເບິ່ງວິທີການແບບຫນຶ່ງເຮັດວຽກທີ່ໃຊ້ຂໍ້ມູນທີ່ມັນບໍ່ໄດ້ພົບກ່ອນ.
ການຝຶກອົບຮົມ (ໃນສະພາບການຂອງປັນຍາປອມ): ໃຫ້ຮູບແບບທີ່ມີຂໍ້ມູນແລະຜົນໄດ້ຮັບເພື່ອໃຫ້ຕົວເລກປັບຕົວເຂົ້າໃນການປະຕິບັດວຽກງານໃຫມ່ໂດຍໃຊ້ຂໍ້ມູນໃຫມ່.
vector: Array ຂອງຂໍ້ມູນ. ໃນການຮຽນຮູ້ເຄື່ອງ, ແຕ່ລະອົງປະກອບທີ່ປົກກະຕິແມ່ນມີລັກສະນະພິເສດຂອງຕົວຢ່າງ.
ຕາຕະລາງ 1 ມີລາຍຊື່ຫຼັກສູດໃຫມ່ຫຼ້າສຸດສໍາລັບເດືອນເມສາ 2021, ລວມທັງຈຸດປະສົງການຮຽນຮູ້ທີ່ຖືກເປົ້າຫມາຍສໍາລັບແຕ່ລະຫົວຂໍ້. ກອງປະຊຸມນີ້ແມ່ນມີຈຸດປະສົງສໍາລັບຜູ້ໃຫມ່ໃນລະດັບເຕັກນິກແລະບໍ່ຕ້ອງມີຄວາມຮູ້ທາງຄະນິດສາດເກີນລະດັບການແພດທໍາອິດຂອງລະດັບປະລິນຍາຕີ. ຫຼັກສູດດັ່ງກ່າວໄດ້ຖືກພັດທະນາໂດຍ 6 ນັກສຶກສາແພດແລະຄູສອນ 3 ຄົນດ້ວຍລະດັບຂັ້ນສູງໃນວິສະວະກໍາ. ວິສະວະກອນກໍາລັງພັດທະນາທິດສະດີໃນການສອນແລະວິຊາການເພື່ອສອນ, ແລະນັກສຶກສາແພດກໍາລັງຮຽນຮູ້ເອກະສານທີ່ກ່ຽວຂ້ອງດ້ານວິດີໂອ.
ກອງປະຊຸມປະກອບມີການບັນຍາຍ, ການສຶກສາກໍລະນີ, ແລະການຂຽນໂປແກຼມນໍາພາ. ໃນການບັນຍາຍຄັ້ງທໍາອິດ, ພວກເຮົາທົບທວນແນວຄວາມຄິດທີ່ເລືອກຂອງການວິເຄາະຂໍ້ມູນໃນ Biostatistics, ລວມທັງການໂຕ້ຖຽງກັນ, ການປຽບທຽບຂອງສະຖິຕິການອະທິບາຍແລະການປຽບທຽບຂອງສະຖິຕິການອະທິບາຍແລະການຄິດໄລ່. ເຖິງແມ່ນວ່າການວິເຄາະຂໍ້ມູນແມ່ນພື້ນຖານຂອງປັນຍາປະດິດ, ພວກເຮົາຍົກເວັ້ນຫົວຂໍ້ຕ່າງໆເຊັ່ນ: ການຂຸດຄົ້ນຂໍ້ມູນ, ການທົດສອບຄວາມສໍາຄັນ, ຫຼືການເບິ່ງເຫັນແບບໂຕ້ຕອບ. ນີ້ແມ່ນຍ້ອນຂໍ້ຈໍາກັດດ້ານເວລາແລະຍ້ອນວ່ານັກຮຽນປະລິນຍາຕີບາງຄົນໄດ້ຮັບການຝຶກອົບຮົມກ່ອນການສຶກສາແລະຕ້ອງການທີ່ຈະກວມເອົາຫົວຂໍ້ການຮຽນຮູ້ທີ່ເປັນເອກະລັກກວ່າເກົ່າ. ບັນຍາຍຕໍ່ໆໄປແນະນໍາວິທີການທີ່ທັນສະໄຫມແລະສົນທະນາກ່ຽວກັບການສ້າງບັນຫາ AI, ຂໍ້ດີແລະຂໍ້ຈໍາກັດຂອງຕົວແບບ AI, ແລະການທົດສອບຕົວແບບ. ບັນດາບົດບັນຍັດແມ່ນປະກອບໃຫ້ແກ່ວັນນະຄະດີແລະການຄົ້ນຄວ້າຕົວຈິງກ່ຽວກັບອຸປະກອນປັນຍາທີ່ມີຢູ່. ພວກເຮົາເນັ້ນຫນັກທັກສະທີ່ຕ້ອງການເພື່ອປະເມີນຜົນປະສິດທິຜົນແລະຄວາມເປັນໄປໄດ້ຂອງຕົວແບບທີ່ຈະແກ້ໄຂຄໍາຖາມທາງຄລີນິກ, ລວມທັງຄວາມຈໍາກັດຂອງອຸປະກອນປັນຍາທີ່ມີຢູ່ແລ້ວ. ຍົກຕົວຢ່າງ, ພວກເຮົາໄດ້ຂໍໃຫ້ນັກຮຽນຕີຄວາມຫມາຍກ່ຽວກັບການບາດເຈັບຂອງແພດຫມໍເດັກນ້ອຍ., 5 ພວກເຮົາເນັ້ນຫນັກວ່ານີ້ແມ່ນຕົວຢ່າງທົ່ວໄປຂອງ AI ໃຫ້ການວິເຄາະທີ່ຄາດເດົາສໍາລັບແພດທີ່ຕີຄວາມ, ແທນທີ່ຈະປ່ຽນແທນແພດ.
ໃນຕົວຢ່າງການຂຽນໂປແກຼມ Bootstrap ທີ່ເປີດໃຊ້ (https:/github.com/ubcaimed.github.IE/Tree/programming_Exampub. . ແລະການທົດສອບ. ພວກເຮົາໃຊ້ປື້ມບັນທຶກ Google Colaborator (Google LLC, Mountain View, CA), ເຊິ່ງອະນຸຍາດໃຫ້ປະຕິບັດລະຫັດ python ທີ່ຈະຖືກປະຕິບັດຈາກຕົວທ່ອງເວັບ. ໃນຮູບຮູບທີ 2 ສະຫນອງຕົວຢ່າງຂອງການອອກກໍາລັງກາຍຂອງການຂຽນໂປແກຼມ. ການອອກກໍາລັງກາຍນີ້ກ່ຽວຂ້ອງກັບການຄາດຄະເນການຄາດຄະເນການເປັນໂຣກມະຫາສານໂດຍໃຊ້ Wisconsin ເປີດຊຸດທໍາມະຊາດທີ່ມີຮູບພາບໃນຮູບຖ່າຍແລະເປັນຕົ້ນໄມ້ algorithm.
ບັນດາໂຄງການທີ່ນໍາສະເຫນີຕະຫຼອດອາທິດໃນຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງແລະເລືອກຕົວຢ່າງຈາກການສະຫມັກ AI ທີ່ເຜີຍແຜ່. ອົງປະກອບການຂຽນໂປແກຼມມີພຽງແຕ່ຖ້າພວກມັນຖືກຖືວ່າມີຄວາມກ່ຽວຂ້ອງກັບການສະຫນອງຄວາມເຂົ້າໃຈໃນການປະຕິບັດທາງດ້ານການແພດໃນອະນາຄົດ, ເຊັ່ນວ່າພວກເຂົາກຽມພ້ອມທີ່ຈະໃຊ້ໃນການທົດລອງທາງດ້ານການແພດ. ຕົວຢ່າງເຫຼົ່ານີ້ culminate ໃນໂປແກຼມສິ້ນສຸດທີ່ເຕັມໄປດ້ວຍລະດັບທີ່ເຕັມໄປດ້ວຍການຈັດປະເພດເນື້ອງອກເປັນ benign ຫຼື malignant ໂດຍອີງໃສ່ຕົວກໍານົດຮູບພາບທາງການແພດ.
heterogeneity ຂອງຄວາມຮູ້ກ່ອນ. ຜູ້ເຂົ້າຮ່ວມຂອງພວກເຮົາທີ່ແຕກຕ່າງກັນໃນລະດັບຄວາມຮູ້ທາງຄະນິດສາດຂອງພວກເຂົາ. ຍົກຕົວຢ່າງ, ນັກຮຽນທີ່ມີພື້ນຖານວິສະວະກໍາຂັ້ນສູງກໍາລັງຊອກຫາວັດສະດຸທີ່ມີຄວາມເລິກກວ່າ, ເຊັ່ນວ່າການປະຕິບັດການປ່ຽນແປງຂອງຕົນເອງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການປຶກສາຫາລືກ່ຽວກັບລະດັບ Algorithm ໃນຫ້ອງຮຽນແມ່ນບໍ່ເປັນໄປໄດ້ເພາະມັນຕ້ອງການຄວາມຮູ້ກ່ຽວກັບການປະມວນຜົນສັນຍານ.
ການເຂົ້າຮຽນຂອງ Outance. ການເຂົ້າຮ່ວມໃນການຕິດຕາມການຕິດຕາມທີ່ຫຼຸດລົງ, ໂດຍສະເພາະໃນຮູບແບບອອນລາຍ. ການແກ້ໄຂອາດຈະຕ້ອງຕິດຕາມການເຂົ້າຮ່ວມແລະໃຫ້ໃບປະກາດສະເພາະ. ໂຮງຮຽນການແພດແມ່ນເປັນທີ່ຮູ້ຈັກໃນການຮັບຮູ້ຂໍ້ມູນຂອງກິດຈະກໍາການສຶກສານອກຈາກນັກຮຽນ, ເຊິ່ງສາມາດຊຸກຍູ້ໃຫ້ນັກຮຽນຕິດຕາມລະດັບໃດຫນຶ່ງ.
ການອອກແບບແນ່ນອນ: ເພາະວ່າ Ai spans ສະນັ້ນ, ເລືອກແນວຄວາມຄິດຫຼັກຂອງຄວາມເລິກແລະຄວາມກວ້າງທີ່ເຫມາະສົມສາມາດເປັນສິ່ງທ້າທາຍ. ຍົກຕົວຢ່າງ, ການນໍາໃຊ້ເຄື່ອງມື AI ຢ່າງຕໍ່ເນື່ອງຈາກຫ້ອງທົດລອງໄປຫາຄລີນິກແມ່ນຫົວຂໍ້ທີ່ສໍາຄັນ. ໃນຂະນະທີ່ພວກເຮົາກວມເອົາການບໍລິໂພກຂອງຂໍ້ມູນ, ແລະຄວາມຖືກຕ້ອງ, ພວກເຮົາບໍ່ລວມຫົວຫນ້າການວິເຄາະຂໍ້ມູນໃຫຍ່, ຫຼືໃຫ້ພວກເຮົາສຸມໃສ່ແນວຄິດ AI ທີ່ເປັນເອກະລັກສະເພາະທີ່ສຸດ. ຫຼັກການທີ່ກໍາລັງປະຕິບັດງານຂອງພວກເຮົາແມ່ນເພື່ອປັບປຸງການຮູ້ຫນັງສື, ບໍ່ແມ່ນທັກສະ. ຍົກຕົວຢ່າງ, ເຂົ້າໃຈວິທີການວິທີການວິທີການວິທີການຂອງຂະບວນການຂອງຂະບວນການທີ່ມີຄຸນສົມບັດການປ້ອນຂໍ້ມູນມີຄວາມສໍາຄັນສໍາລັບການຕີຄວາມຫມາຍ. ວິທີຫນຶ່ງທີ່ຈະເຮັດສິ່ງນີ້ແມ່ນການນໍາໃຊ້ແຜນທີ່ການກະຕຸ້ນ GRADIENTIENTS, ເຊິ່ງສາມາດເບິ່ງເຫັນເຊິ່ງພາກພື້ນຂອງຂໍ້ມູນແມ່ນສາມາດຄາດເດົາໄດ້. ເຖິງຢ່າງໃດກໍ່ຕາມ, ນີ້ຮຽກຮ້ອງໃຫ້ມີການຄິດໄລ່ multivariate ແລະບໍ່ສາມາດແນະນໍາ 8. ການພັດທະນາຄໍາສັບທົ່ວໄປແມ່ນສິ່ງທ້າທາຍເພາະວ່າພວກເຮົາໄດ້ພະຍາຍາມອະທິບາຍວິທີການເຮັດວຽກກັບຂໍ້ມູນໂດຍບໍ່ມີການສອນຄະນິດສາດ. ໃຫ້ສັງເກດວ່າຂໍ້ກໍານົດຕ່າງໆມີຄວາມຫມາຍດຽວກັນ, ຍົກຕົວຢ່າງ, ໃນໂລກລະບາດ, "ລັກສະນະ" ແມ່ນໄດ້ຖືກອະທິບາຍວ່າເປັນ "ຄຸນລັກສະນະ" ຫຼື "ຄຸນລັກສະນະ."
ການຮັກສາຄວາມຮູ້. ເນື່ອງຈາກວ່າການນໍາໃຊ້ AI ແມ່ນມີຈໍາກັດ, ຂອບເຂດທີ່ຜູ້ເຂົ້າຮ່ວມຮັກສາຄວາມຮູ້ທີ່ຍັງຄົງຈະຖືກເບິ່ງເຫັນ. ຫຼັກສູດການແພດດ້ານການແພດມັກຈະເພິ່ງພາອາຫານການເຮັດຊ້ໍາດ້ານການເຮັດຄວາມຕ້ອງການເສີມສ້າງໃນລະຫວ່າງການຫມູນວຽນທີ່ປະຕິບັດໄດ້, 9 ເຊິ່ງຍັງສາມາດນໍາໃຊ້ກັບ AI Education.
ຄວາມເປັນມືອາຊີບແມ່ນມີຄວາມສໍາຄັນກວ່າການຮູ້ຫນັງສື. ຄວາມເລິກຂອງວັດສະດຸໄດ້ຖືກອອກແບບໂດຍບໍ່ມີຄວາມເຄັ່ງຄັດທາງຄະນິດສາດ, ເຊິ່ງເປັນບັນຫາໃນເວລາທີ່ເປີດການສອນທາງຄລີນິກໃນປັນຍາປະດິດ. ໃນຕົວຢ່າງການຂຽນໂປແກຼມ, ພວກເຮົາໃຊ້ໂປແກຼມອະນຸຍາດໃຫ້ຜູ້ເຂົ້າຮ່ວມສາມາດຕື່ມຂໍ້ມູນໃສ່ທົ່ງນາແລະດໍາເນີນການໂດຍບໍ່ຕ້ອງຄິດໄລ່ວິທີການຕັ້ງສະພາບແວດລ້ອມທີ່ສົມບູນ.
ຄວາມກັງວົນກ່ຽວກັບການສະແດງທາງປອມ: ມີຄວາມກັງວົນຢ່າງກວ້າງຂວາງທີ່ມີຄວາມກັງວົນຢ່າງແຜ່ຫຼາຍວ່າປັນຍາປະດິດສາມາດທົດແທນບາງພານິທານທາງຄລີນິກ. ເພື່ອແກ້ໄຂບັນຫານີ້, ພວກເຮົາອະທິບາຍຂໍ້ຈໍາກັດຂອງ AI, ລວມທັງຄວາມຈິງທີ່ວ່າເກືອບທັງຫມົດ AI Technologies ໄດ້ຮັບຄວາມສົນໃຈຈາກຜູ້ຄວບຄຸມຄວາມຕ້ອງການຂອງແພດ. ພວກເຮົາຍັງເນັ້ນຫນັກເຖິງຄວາມສໍາຄັນຂອງຄວາມລໍາອຽງເພາະວ່າສູດການຄິດໄລ່ແມ່ນມັກຈະລໍາອຽງ, ໂດຍສະເພາະຖ້າຊຸດຂໍ້ມູນບໍ່ມີຄວາມຫລາກຫລາຍ ດ້ວຍເຫດນັ້ນ, ຕົວແທນເຂດຍ່ອຍທີ່ແນ່ນອນອາດຈະເປັນແບບຢ່າງທີ່ບໍ່ຖືກຕ້ອງ, ນໍາໄປສູ່ການຕັດສິນໃຈທາງດ້ານການຊ່ວຍທາງຄລີນິກທີ່ບໍ່ຍຸດຕິທໍາ.
ຊັບພະຍາກອນແມ່ນມີໃຫ້ແກ່ສາທາລະນະ: ພວກເຮົາໄດ້ສ້າງຊັບພະຍາກອນທີ່ມີສາທາລະນະ, ລວມທັງເລື່ອນແລະລະຫັດ. ເຖິງແມ່ນວ່າການເຂົ້າເຖິງເນື້ອຫາ synchronous ແມ່ນມີຈໍາກັດເນື່ອງຈາກເຂດທີ່ໃຊ້ເວລາ, ເນື້ອຫາແຫຼ່ງເປີດແມ່ນວິທີການຮຽນຮູ້ທີ່ສະດວກສະບາຍເນື່ອງຈາກວ່າການສຶກສາ AI ບໍ່ມີຢູ່ໂຮງຮຽນການແພດ.
ການຮ່ວມມືດ້ານວິຊາການ: ກອງປະຊຸມນີ້ແມ່ນຜູ້ຮ່ວມບໍລິສັດໄດ້ລິເລີ່ມໂດຍນັກສຶກສາແພດເພື່ອວາງແຜນຮຽນພ້ອມກັບວິສະວະກອນຮ່ວມກັນກັບວິສະວະກອນຮ່ວມກັນ. ສິ່ງນີ້ສະແດງໃຫ້ເຫັນໂອກາດການເຄື່ອນໄຫວແລະຄວາມຮູ້ຄວາມຮູ້ທັງສອງດ້ານ, ໃຫ້ຜູ້ເຂົ້າຮ່ວມໃນບົດບາດທີ່ມີທ່າແຮງທີ່ພວກເຂົາສາມາດປະກອບສ່ວນໃນອະນາຄົດ.
Define ai core core core. ການກໍານົດບັນຊີລາຍຊື່ຂອງຄວາມສາມາດໃຫ້ໂຄງສ້າງທີ່ໄດ້ມາດຕະຖານທີ່ສາມາດປະສົມປະສານເຂົ້າໃນຫຼັກສູດການແພດທີ່ມີຄວາມສາມາດທີ່ມີຢູ່. ກອງປະຊຸມຄັ້ງນີ້ໃຊ້ລະດັບຈຸດປະສົງການຮຽນຮູ້ 2 (ຄວາມເຂົ້າໃຈ), 3 (ໃບສະຫມັກ), ແລະ 4 (ການວິເຄາະ) ຂອງພາສີຂອງດອກໄມ້. ມີຊັບພະຍາກອນໃນລະດັບການຈັດປະເພດທີ່ສູງຂື້ນ, ເຊັ່ນການສ້າງໂຄງການ, ສາມາດສ້າງຄວາມເຂັ້ມແຂງໄດ້ຕື່ມອີກ. ນີ້ຮຽກຮ້ອງໃຫ້ມີການເຮັດວຽກກັບຜູ້ຊ່ຽວຊານດ້ານຄລີນິກເພື່ອກໍານົດວິທີການເຮັດຫົວຂໍ້ AI ສາມາດນໍາໃຊ້ກັບກະແສໄຟຟ້າທາງດ້ານການແພດແລະປ້ອງກັນການສອນທີ່ຊ້ໍາແລ້ວ.
ສ້າງກໍລະນີສຶກສາໂດຍໃຊ້ AI. ຄ້າຍຄືກັນກັບຕົວຢ່າງທາງຄລີນິກ, ການຮຽນຮູ້ທີ່ອີງໃສ່ກໍລະນີສາມາດເສີມສ້າງແນວຄວາມຄິດທີ່ບໍ່ມີຕົວຕົນໂດຍເນັ້ນຄວາມກ່ຽວຂ້ອງກັບຄວາມກ່ຽວຂ້ອງຂອງພວກເຂົາ. ຍົກຕົວຢ່າງ, ການສຶກສາກອງປະຊຸມໄດ້ວິເຄາະລະບົບການຊອກຄົ້ນຫາທີ່ໃຊ້ໃນການກວດສອບທີ່ເປັນໂລກເບົາຫວານຂອງ Google.
ໃຊ້ການຮຽນຮູ້ທົດສອບ: ທັກສະດ້ານວິຊາການຮຽກຮ້ອງໃຫ້ມີການປະຕິບັດທີ່ສຸມໃສ່ແລະຊ້ໍາກັບອາຈານສອນ, ຄ້າຍຄືກັບປະສົບການໃນການຮຽນຮູ້ຂອງນັກຝຶກອົບຮົມທາງດ້ານການຊ່ວຍ. ວິທີແກ້ໄຂທີ່ມີທ່າແຮງຫນຶ່ງແມ່ນຕົວແບບໃນຫ້ອງຮຽນທີ່ມີຄວາມຄິດເຫັນ, ເຊິ່ງໄດ້ຖືກລາຍງານເພື່ອປັບປຸງການຮັກສາຄວາມຮູ້ໃນວິສະວະຈັກການສຶກສາ 19 ປີ. ໃນຕົວແບບນີ້, ນັກຮຽນໄດ້ທົບທວນເອກະສານທາງທິດສະດີແລະເວລາໃນການຮຽນແມ່ນອຸທິດໃຫ້ແກ່ການແກ້ໄຂບັນຫາຜ່ານກໍລະນີສຶກສາ.
ການຕັດຫຍິບສໍາລັບຜູ້ເຂົ້າຮ່ວມຫຼາຍດ້ານ: ພວກເຮົາກໍາລັງຮັບຮອງເອົາ AI ທີ່ກ່ຽວຂ້ອງກັບການຮ່ວມມືກັນຫຼາຍດ້ານ, ໃນນັ້ນມີຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບແລະມີສຸຂະພາບແຂງແຮງ. ເພາະສະນັ້ນ, Curricula ອາດຈໍາເປັນຕ້ອງໄດ້ຮັບການພັດທະນາໃນການປຶກສາຫາລືກັບຄະນະວິຊາຈາກພະແນກທີ່ແຕກຕ່າງກັນເພື່ອປັບແຕ່ງເນື້ອໃນຂອງພວກເຂົາໃຫ້ແກ່ການດູແລສຸຂະພາບຂອງພວກເຂົາ.
ປັນຍາປະດິດແມ່ນເຕັກໂນໂລຢີສູງແລະແນວຄິດຫຼັກຂອງມັນແມ່ນກ່ຽວຂ້ອງກັບຄະນິດສາດແລະວິທະຍາສາດຄອມພິວເຕີ. ການຝຶກອົບຮົມພະນັກງານສາທາລະນະພາບເພື່ອໃຫ້ເຂົ້າໃຈຄວາມສະຫຼາດປອມສະແດງຄວາມທ້າທາຍທີ່ເປັນເອກະລັກໃນການຄັດເລືອກເນື້ອຫາ, ຄວາມກ່ຽວຂ້ອງກັບການແພດ, ແລະວິທີການຈັດສົ່ງ. ພວກເຮົາຫວັງວ່າຄວາມເຂົ້າໃຈທີ່ໄດ້ຮັບຈາກ Ai ໃນກອງປະຊຸມສຶກສາໃນການສຶກສາຈະຊ່ວຍໃຫ້ນັກການສຶກສາໃນອະນາຄົດຮັບເອົາວິທີການທີ່ກ່ຽວຂ້ອງໃນການສຶກສາ AI.
ຕົວອັກສອນ Google colaboratory ແມ່ນແຫຼ່ງຂໍ້ມູນທີ່ເປີດໃຫ້ສະອາດແລະມີຢູ່ທີ່: https://github.com/ubcaimed.github.o/tree/master/.
Prober, KG ແລະ Khan, S. S. Rethinking ການສຶກສາດ້ານການແພດ: ການຮຽກຮ້ອງໃຫ້ມີການກະທໍາ. akkad. ​ຢາ. 88, 1407-1410 (2013).
McCoy, LG ອື່ນໆແມ່ນຫຍັງທີ່ນັກສຶກສາທາງການແພດຈໍາເປັນຕ້ອງຮູ້ກ່ຽວກັບປັນຍາປະດິດ? NPZH ເລກ. ຢາ 3, 1-3 (2020).
DOS Santos, DP, et al. ທັດສະນະຄະຕິຂອງນັກສຶກສາກ່ຽວກັບປັນຍາປອມ: ການສໍາຫຼວດທີ່ມີຄວາມຫຼາກຫຼາຍ. ເອີໂຣ. ລັງສີ. 29, 1640-1646 (2019).
Fan, Ky, Hu, R. , ແລະ Singla, ການແນະນໍາກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບນັກຮຽນ: j. med. ສອນ. 54, 1042-1043 (2020).
Cooperman N, et al. ການກໍານົດເດັກນ້ອຍທີ່ມີຄວາມສ່ຽງຕໍ່າຕໍ່ການບາດເຈັບຂອງສະຫມອງຫລັງຈາກໄດ້ຮັບບາດເຈັບຫົວ: ການສຶກສາ cohort ທີ່ສົດໃສ. Lancet 374, 1160-1170 (2009).
ຖະຫນົນ, WN, Wolberg, WN ແລະ MANGASARAN, OL. ການສະກັດເອົາຄຸນນະສົມບັດຂອງນິວເຄຼຍສໍາລັບການບົ່ງມະຕິກ່ຽວກັບການເຕົ້ານົມເຕົ້ານົມ. ວິທະຍາສາດດ້ານຊີວະວິທະຍາ. ການປຸງແຕ່ງຮູບພາບ. ວິທະຍາສາດດ້ານຊີວະວິທະຍາ. ພວກເຮົາ. 1905, 861-870 (1993).
Chen, PHC, Liu, Y. ແລະ Peng, L. ວິທີການພັດທະນາແບບຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການຮັກສາສຸຂະພາບ. nat. Matt. 18, 410-414 (2019).
Selvaraju, RR et al. Grad-Cam: ການຕີຄວາມຫມາຍຂອງເຄືອຂ່າຍເລິກຜ່ານທ້ອງຖິ່ນຂອງທ້ອງຖິ່ນ. ການດໍາເນີນຄະດີຂອງກອງປະຊຸມສາກົນ IEee ໃນສາຍຕາຄອມພິວເຕີ, 618-626 (2017).
Kumalavel B, Stewart K ແລະ ILIC D. ການພັດທະນາແລະການປະເມີນຕົວແບບກ້ຽວວຽນເພື່ອປະເມີນຄວາມສາມາດດ້ານຢາທີ່ອີງໃສ່ຫຼັກຖານໂດຍໃຊ້ OSCE ໃນການສຶກສາດ້ານການແພດ. ຢາ BMK. ສອນ. 21, 1-9 (2021).
Kolachalama vb ແລະ Garg PS ການຮຽນຮູ້ເຄື່ອງຈັກແລະການສຶກສາທາງການແພດ. NPZH ເລກ. ​ຢາ. 1, 1-3 (2018).
Van Leewen, Kg, Schalekamp, ​​Rutten, MJ ແລະ Do Routen, B. ແລະ S. ເອີໂຣ. ລັງສີ. 31, 3797-3804 (2021).
Topol, ej ຢາທີ່ມີປະສິດທິພາບສູງ: ການປະສົມປະສານຂອງປັນຍາຂອງມະນຸດແລະທຽມ. nat. ​ຢາ. 25, 44-56 (2019).
bede, E. et al. ການປະເມີນຜົນຂອງມະນຸດຂອງລະບົບການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງທີ່ນໍາໃຊ້ໃນຫ້ອງການຊ່ວຍເຫຼືອສໍາລັບການຊອກຄົ້ນຫາຂອງຜູ້ປົກຄອງໂລກ. ການດໍາເນີນຄະດີຂອງກອງປະຊຸມປີ 2020 chi ກ່ຽວກັບປັດໃຈມະນຸດໃນລະບົບຄອມພິວເຕີ້ (2020).
Kerr, B. ຫ້ອງຮຽນ flipped ໃນການສຶກສາວິສະວະກໍາ: ການທົບທວນການຄົ້ນຄວ້າ. ການດໍາເນີນຄະດີຂອງກອງປະຊຸມສາກົນປີ 2015 ໃນການຮຽນຮູ້ຮ່ວມມືແບບໂຕ້ຕອບ (2015).
ຜູ້ຂຽນຂອບໃຈ Danielle Walker, ແລະ Peter Zandstra ຈາກໂຮງງານຄົ້ນຄວ້າທາງຊີວະວິທະຍາແລະມະຫາວິທະຍາໄລ BiSificial ທີ່ມະຫາວິທະຍາໄລ British Columbia ສໍາລັບການສະຫນັບສະຫນູນແລະການສະຫນັບສະຫນູນ.
RH, PP, Zh, Rs ແລະ MA ແມ່ນຮັບຜິດຊອບໃນການພັດທະນາເນື້ອໃນຂອງກອງປະຊຸມ. RH ແລະ PP ໄດ້ຮັບຜິດຊອບໃນການພັດທະນາຕົວຢ່າງການຂຽນໂປແກຼມ. Kyf, O O O OT, MT ແລະ PW ແມ່ນຮັບຜິດຊອບໃນການຈັດຕັ້ງການຂົນສົ່ງຂອງໂຄງການແລະການວິເຄາະຂອງກອງປະຊຸມ. RH, ONO, MT, Rs ໄດ້ຮັບຜິດຊອບໃນການສ້າງຕົວເລກແລະຕາຕະລາງ. RH, KYF, PP, Zh, Oy, oy, pw, tl, tl, ma, ma, Rs ໄດ້ຮັບຜິດຊອບໃນການຮ່າງຮ່າງແລະການດັດແກ້ເອກະສານ.
ຢາໃນການສື່ສານໄດ້ຂໍຂອບໃຈ Carolyn Mcgregor, Fabio Moraes, ແລະ Aditya Moraes, ແລະ Aditya Borakati ສໍາລັບການປະກອບສ່ວນຂອງພວກເຂົາ.