Mathematics & Artificial Intelligence: Intersections and Educational Implications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Educational jurisdictions worldwide are integrating AI education in their curricula, across grades K-12, and across subject areas, with a focus on AI applications, societal implications, and AI ethics. Jurisdictions also focusing on how AI works and how AI is developed are realizing that AI relies heavily on mathematical algorithms. The jurisdictions that are advancing K-12 AI mathematics curricula to prepare students to understand and apply the mathematics concepts used by AI systems are focused on grades 11-12 courses. This paper investigates how AI mathematics curricula may be designed for younger grades. First, we take a close look at the nature of a neural network and identify the mathematics typically used. Second, we review K-12 AI curricula in Canada and internationally and note that they lack a focus on AI mathematics. Third, we offer examples of how we may engage students across grades with mathematics used in the neural networks. Last, we look at future directions of AI mathematics education and research. Neural networks are not the only approach to AI, and there is more to AI than neural networks. However, neural networks have led to impressive progress in the field of AI, such as the development of large language models like ChatGPT. For our paper, focusing on neural networks gives us a sufficient starting point for addressing the questions we raise. This paper contributes to conversations about the intersection of AI education and mathematics education, and the development and research of AI mathematics curricula and teaching and learning resources across K-12.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle