Ejen Pembantu Robot untuk Pembelajaran Bersama Pelajar dan Mesin dalam Amalan AI-FML dengan Aplikasi AIoT

Jadual Kandungan

• 1. Pengenalan
• 2. Pandangan Utama: Peralihan Paradigma Pembelajaran Bersama
• 3. Aliran Logik: Dari Teori ke Amalan
• 4. Kekuatan & Kelemahan: Penilaian Kritikal
• 5. Pandangan Boleh Tindak: Maksudnya untuk EdTech
• 6. Butiran Teknikal: Struktur & Matematik AI-FML
• 7. Keputusan Eksperimen & Maklum Balas
• 8. Kajian Kes: Alat Pembelajaran AIoT-FML dalam Tindakan
• 9. Analisis Asal: Merapatkan Jurang
• 10. Aplikasi Masa Depan & Tinjauan
• 11. Rujukan

1. Pengenalan

Kertas kerja ini, yang diterima di FUZZ-IEEE 2021, membentangkan Ejen Pembantu Robot (RAA) yang direka untuk pembelajaran bersama pelajar dan mesin dalam amalan AI-FML dengan aplikasi AIoT. Sistem ini mengintegrasikan logik kabur, rangkaian neural, dan pengiraan evolusi dalam rangka kerja AI-FML, digunakan pada robot Kebbi Air. Sejak September 2019, ia telah digunakan di sekolah rendah di Taiwan untuk meningkatkan pembelajaran Bahasa Inggeris dan sains komputer. RAA membuat penaakulan tentang prestasi pelajar dan memaparkan keputusan pada alat pembelajaran AIoT-FML, bertujuan untuk meningkatkan penglibatan dan hasil.

2. Pandangan Utama: Peralihan Paradigma Pembelajaran Bersama

Mari kita potong jargon akademik. Pandangan utama di sini bukan hanya tentang sistem tunjuk ajar AI yang lain. Ia mengenai peralihan asas dalam dinamik pembelajaran: pembelajaran bersama antara manusia dan mesin. Ini bukan pemindahan pengetahuan satu arah; ia adalah gelung simbiotik di mana pelajar mempelajari konsep AI-FML, dan mesin (robot) belajar daripada data pelajar untuk menambah baik model ramalannya sendiri. Ini adalah langkah berani daripada alat pembelajaran pasif. Kertas kerja ini secara tersirat berhujah bahawa cara terbaik untuk belajar AI adalah dengan mengajarnya, dan cara terbaik untuk mengajar AI adalah dengan membiarkannya berinteraksi dengan manusia. Ini adalah hipotesis pedagogi yang kuat, walaupun kurang diterokai. Ia mencabar model tradisional 'pelajar-sebagai-pengguna' dan meletakkan pelajar sebagai pencipta bersama pengetahuan.

3. Aliran Logik: Dari Teori ke Amalan

Aliran logik kertas kerja ini sangat kemas. Ia bermula dengan menetapkan asas teori AI-FML (Logik Kabur, Rangkaian Neural, Pengiraan Evolusi) sebagai teras Kecerdasan Pengiraan. Ia kemudian memperkenalkan masalah praktikal: bagaimana untuk menjadikan konsep abstrak ini nyata untuk pelajar sekolah rendah. Penyelesaiannya ialah RAA, yang bertindak sebagai jambatan. Alirannya ialah: Teori (AI-FML) → Alat (RAA + Kebbi Air) → Aplikasi (Pembelajaran Bahasa Inggeris) → Gelung Maklum Balas (Data pelajar menambah baik model). Ini adalah saluran 'penyelidikan-ke-amalan' klasik, tetapi dengan gelung maklum balas penting yang menutup bulatan. Penggunaan MQTT untuk komunikasi antara robot dan platform AI-FML adalah pilihan praktikal yang bijak untuk interaksi masa nyata dan kependaman rendah. Logiknya kukuh, tetapi ujian sebenar adalah dalam pelaksanaan, yang akan kita kritik seterusnya.

4. Kekuatan & Kelemahan: Penilaian Kritikal

Kekuatan:

• Integrasi Novel: Menggabungkan AI-FML, robot fizikal, dan alat pembelajaran AIoT ke dalam satu sistem yang koheren adalah pencapaian kejuruteraan dan pedagogi yang ketara. Ia bukan sekadar simulasi; ia adalah pengalaman interaktif yang nyata.
• Penggunaan Dunia Sebenar: Sistem ini diuji di sekolah rendah sebenar dalam tempoh beberapa bulan (Sept 2019 hingga Jan 2021). Ini adalah kekuatan utama. Banyak kertas kerja pendidikan AI kekal di makmal. Yang ini pergi ke bilik darjah.
• Maklum Balas Berpandukan Data: Menggunakan skor peperiksaan bulanan pelajar untuk melatih model regresi ramalan adalah cara yang praktikal dan boleh diukur untuk menutup gelung pembelajaran. Ia menyediakan metrik yang jelas untuk kejayaan.

Kelemahan:

• Kekurangan Keputusan Kuantitatif yang Ketat: Kertas kerja menyebut 'prestasi pembelajaran yang lebih baik' dan 'popular dengan pelajar,' tetapi petikan yang disediakan kekurangan data khusus yang signifikan secara statistik. Apakah saiz kesannya? Bagaimanakah kumpulan eksperimen dibandingkan dengan kumpulan kawalan? Tanpa ini, tuntutan adalah anekdot. Ini adalah kelemahan kritikal untuk kertas kerja persidangan.
• Persoalan Kebolehskalaan: Sistem ini bergantung pada robot tertentu (Kebbi Air) dan alat AIoT tersuai. Seberapa mudahkah ini boleh diskalakan kepada beratus-ratus bilik darjah dengan perkakasan yang berbeza? Kos dan kerumitan tidak ditangani.
• Terlalu Bergantung pada Pembelajaran Bahasa Inggeris: Walaupun Bahasa Inggeris adalah kes penggunaan yang baik, tajuk kertas kerja menjanjikan 'amalan AI-FML' yang lebih luas. Tumpuan pada Bahasa Inggeris terasa seperti aplikasi sempit rangka kerja yang berpotensi kuat. Adakah RAA benar-benar mengajar AI-FML, atau hanya menggunakannya sebagai pembalut untuk pembelajaran bahasa?

5. Pandangan Boleh Tindak: Maksudnya untuk EdTech

Untuk pendidik dan pembangun EdTech, pandangan boleh tindak adalah jelas:

1. Terima AI Terwujud: Robot fizikal lebih menarik daripada avatar berasaskan skrin. Pendekatan 'Kebbi Air' adalah bukti konsep bahawa kehadiran fizikal penting untuk motivasi pelajar, terutamanya untuk pelajar yang lebih muda.
2. Reka Bentuk untuk Pembelajaran Bersama, Bukan Sekadar Penyampaian: Berhenti membina sistem yang hanya menyampaikan kandungan. Bina sistem yang belajar daripada pelajar. Gelung maklum balas adalah bahagian paling berharga dalam seni bina ini. Data pelajar harus menambah baik AI, yang kemudiannya menambah baik pengalaman pelajar.
3. Mulakan dengan Masalah Konkrit dan Boleh Diukur: Kertas kerja ini bijak memilih skor peperiksaan Bahasa Inggeris sebagai hasil yang jelas dan boleh diukur. Jangan cuba menyelesaikan 'pembelajaran' secara umum. Pilih masalah khusus yang boleh diukur (cth., pengekalan kosa kata, kelajuan penyelesaian masalah matematik) dan bina AI anda di sekelilingnya.
4. Jangan Memandang Rendah Infrastruktur: Protokol MQTT dan alat AIoT-FML bukanlah perkara remeh. Sebarang penggunaan dunia sebenar memerlukan lapisan komunikasi yang mantap dan kependaman rendah. Ini selalunya kos tersembunyi sistem sedemikian.

6. Butiran Teknikal: Struktur & Matematik AI-FML

Rangka kerja AI-FML terdiri daripada tiga komponen teras:

• Logik Kabur: Mengendalikan pengetahuan manusia dan peraturan operasi logik. Sebagai contoh, 'kecekapan Bahasa Inggeris' pelajar boleh dimodelkan sebagai set kabur: $\mu_{Tinggi}(skor) = \frac{1}{1 + e^{-k(skor - \theta)}}$.
• Rangkaian Neural: Digunakan untuk pemodelan ramalan. Kertas kerja menggunakan model regresi untuk meramalkan skor peperiksaan masa depan berdasarkan prestasi lepas. Rangkaian suapan ke hadapan mudah boleh diwakili sebagai: $\hat{y} = \sigma(W_2 \cdot \sigma(W_1 \cdot x + b_1) + b_2)$.
• Pengiraan Evolusi: Digunakan untuk pengoptimuman, cth., menala parameter fungsi keahlian kabur atau pemberat rangkaian neural menggunakan Algoritma Genetik (GA). Fungsi kecergasan boleh menjadi Ralat Kuasa Dua Min (MSE) ramalan: $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$.

RAA menggunakan komponen ini untuk membuat penaakulan tentang prestasi pelajar. Sebagai contoh, jika 'usaha' kabur pelajar rendah dan 'skor lepas' mereka rendah, peraturan kabur mungkin diaktifkan: 'JIKA usaha rendah DAN skor lepas rendah MAKA peningkatan ramalan adalah rendah.' Output kabur ini kemudiannya dinyahkaburkan untuk memberikan cadangan yang jelas kepada pelajar atau guru.

7. Keputusan Eksperimen & Maklum Balas

Walaupun petikan kekurangan jadual berangka terperinci, ia menyatakan bahawa sistem itu digunakan di dua sekolah rendah di Taiwan. Keputusan eksperimen diterangkan secara kualitatif:

• Maklum Balas Pelajar: Model pembelajaran itu 'popular dengan pelajar sekolah rendah dan menengah.' Ini menunjukkan penglibatan yang tinggi dan pengalaman pengguna yang positif.
• Prestasi Pembelajaran: Prestasi pembelajaran pelajar sekolah rendah 'meningkat.' Kertas kerja itu membayangkan bahawa model regresi ramalan, yang dilatih pada skor peperiksaan bulanan, membantu mengenal pasti pelajar berisiko dan menyediakan sokongan yang disasarkan.
• Alat AIoT-FML: Alat pembelajaran AIoT-FML yang baru diperkenalkan pada Jan. 2021 untuk 'meningkatkan minat pelajar dalam mempelajari Bahasa Inggeris dan AI-FML dengan amalan asas secara langsung.' Ini menunjukkan peralihan daripada pembelajaran pasif kepada aktif.

Nota: Kertas kerja penuh akan merangkumi jadual yang membandingkan skor ujian pra dan pasca untuk kumpulan kawalan berbanding kumpulan eksperimen. Ketiadaan data ini adalah batasan yang ketara.

8. Kajian Kes: Alat Pembelajaran AIoT-FML dalam Tindakan

Pertimbangkan seorang pelajar darjah 5, Mei, menggunakan sistem ini. Dia sedang mempelajari kosa kata Bahasa Inggeris. Alat pembelajaran AIoT-FML ialah peranti fizikal dengan penderia dan lampu. Senario:

1. Pengumpulan Data: Mei berlatih kosa kata pada alat. Masa tindak balas dan ketepatannya direkodkan.
2. Penaakulan Kabur: RAA menggunakan peraturan kabur untuk menilai 'tahap penguasaannya.' Contohnya: 'JIKA ketepatan tinggi DAN masa tindak balas cepat MAKA penguasaan tinggi.'
3. Interaksi Robot: Robot Kebbi Air berkata, 'Kerja bagus, Mei! Kamu sedang menguasai perkataan ini. Mari kita cuba set yang lebih sukar.' Jika penguasaan rendah, robot mungkin berkata, 'Mari kita ulang kaji perkataan ini lagi. Saya akan tunjukkan petunjuk.'
4. Model Ramalan: Rangkaian neural meramalkan skornya pada peperiksaan bulanan seterusnya. Jika ramalan rendah, guru diberi amaran untuk memberikan bantuan tambahan.
5. Pengoptimuman Evolusi: Dari masa ke masa, GA menala peraturan kabur dan pemberat rangkaian neural untuk meningkatkan ketepatan ramalan dan kaitan maklum balas robot.

Ini adalah contoh konkrit gelung pembelajaran bersama dalam tindakan. Pelajar belajar, mesin belajar daripada pelajar, dan sistem menyesuaikan diri.

9. Analisis Asal: Merapatkan Jurang

Kertas kerja ini mewakili langkah yang terpuji, walaupun tidak lengkap, ke arah masa depan di mana AI bukan sekadar alat tetapi rakan pembelajaran. Idea teras pembelajaran bersama adalah selaras secara falsafah dengan Zon Perkembangan Proksimal (ZPD) Vygotsky, di mana pembelajaran paling berkesan apabila dibimbing oleh 'orang lain yang lebih berpengetahuan.' Di sini, robot dan sistem AI bertindak sebagai 'orang lain' itu, tetapi dengan kelainan penting bahawa 'orang lain' itu juga belajar daripada pelajar. Ini adalah konsep yang kuat yang boleh mendemokrasikan tunjuk ajar peribadi.

Walau bagaimanapun, kelemahan terbesar kertas kerja ini ialah kekurangan bukti kuantitatif yang ketat. Dalam landskap semasa AI dalam pendidikan, tuntutan 'prestasi yang lebih baik' tidak lagi mencukupi. Kita memerlukan saiz kesan, selang keyakinan, dan perbandingan dengan kaedah asas. Sebagai contoh, meta-analisis 2020 oleh Zawacki-Richter et al. (diterbitkan dalam International Journal of Educational Technology in Higher Education) mendapati bahawa walaupun aplikasi AI dalam pendidikan semakin berkembang, bukti keberkesanannya selalunya lemah dan berpecah-belah. Malangnya, kertas kerja ini termasuk dalam kategori itu. Ia menyediakan naratif yang menarik dan sistem yang direka dengan baik, tetapi ia gagal menyediakan data keras yang diperlukan untuk meyakinkan seorang yang ragu-ragu.

Tambahan pula, tumpuan kertas kerja pada pembelajaran Bahasa Inggeris, walaupun praktikal, terasa seperti peluang yang terlepas. Kuasa sebenar AI-FML terletak pada keupayaannya untuk memodelkan hubungan kompleks yang tidak linear. Mengaplikasikannya pada tugas yang agak linear seperti menghafal kosa kata adalah seperti menggunakan superkomputer untuk mengira tip. Sistem ini akan menjadi lebih berkesan jika digunakan pada subjek seperti matematik atau sains, di mana penaakulan kabur dan rangkaian neural boleh memodelkan pemahaman konsep yang lebih mendalam. Sebagai contoh, pemahaman pelajar tentang 'daya' dalam fizik adalah secara semula jadi kabur dan pelbagai dimensi, menjadikannya calon yang sempurna untuk rangka kerja ini.

Kesimpulannya, kertas kerja ini adalah bukti konsep yang berharga. Ia menunjukkan bahawa robot boleh menjadi rakan pembelajaran bersama, bukan sekadar guru. Tetapi untuk beralih daripada kertas kerja persidangan kepada alat pendidikan yang boleh skala, penulis mesti menyediakan data yang membuktikan ia berfungsi, dan mereka mesti mengaplikasikannya pada domain yang lebih mencabar. Teknologi itu menjanjikan; bukti masih belum selesai.

10. Aplikasi Masa Depan & Tinjauan

Rangka kerja RAA dan AI-FML mempunyai potensi ketara di luar pembelajaran Bahasa Inggeris:

• Tutor STEM Peribadi: Sistem ini boleh disesuaikan untuk mengajar konsep STEM yang kompleks seperti kalkulus, fizik, atau pengaturcaraan. Logik kabur boleh memodelkan 'pemahaman intuitif' pelajar tentang sesuatu konsep, manakala rangkaian neural meramalkan prestasi mereka pada set masalah.
• Pendidikan Khas: Gaya interaksi robot yang tidak menghakimi dan sabar boleh menjadi sangat berkesan untuk pelajar autisme atau ketidakupayaan pembelajaran. AI boleh menyesuaikan rentak dan gaya pengajaran dalam masa nyata berdasarkan keadaan emosi pelajar (dikesan melalui penderia).
• Latihan Korporat: Sistem ini boleh digunakan untuk orientasi pekerja atau peningkatan kemahiran. Robot boleh bertindak sebagai 'mentor digital,' membimbing pekerja melalui perisian atau proses baharu, manakala AI menjejaki kemajuan pembelajaran mereka dan mengenal pasti jurang pengetahuan.
• Integrasi dengan AI Generatif: Versi masa depan boleh diintegrasikan dengan Model Bahasa Besar (LLM) seperti GPT-4 untuk memberikan maklum balas perbualan yang lebih semula jadi. Robot boleh menjana penjelasan atau analogi peribadi dengan cepat, menjadikan pengalaman pembelajaran lebih menarik.
• Pembelajaran Silang Budaya: Sistem ini boleh digunakan di pelbagai negara, membolehkan pelajar belajar bersama dengan robot yang bercakap bahasa yang berbeza, memupuk kerjasama global dan pertukaran budaya.

11. Rujukan

1. C.-S. Lee, M.-H. Wang, Z.-H. Ciou, et al., "Robotic Assistant Agent for Student and Machine Co-Learning on AI-FML Practice with AIoT Application," dalam Proc. FUZZ-IEEE, 2021.
2. V. Loia dan G. Acampora, "Fuzzy Markup Language: A New Solution for the Intelligent Web," dalam Proc. IEEE Int. Conf. Fuzzy Systems, 2004.
3. O. Zawacki-Richter, V. I. Marín, M. Bond, dan F. Gouverneur, "Systematic review of research on artificial intelligence applications in higher education – where are the educators?," International Journal of Educational Technology in Higher Education, vol. 17, no. 1, 2020.
4. L. S. Vygotsky, Mind in Society: The Development of Higher Psychological Processes. Harvard University Press, 1978.
5. J. Zhu, T. Park, P. Isola, dan A. A. Efros, "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," dalam Proc. IEEE Int. Conf. Computer Vision (ICCV), 2017. (Dirujuk sebagai contoh kertas kerja AI asas untuk perbandingan ketelitian metodologi).