Teachable Agent
可教Agent(Teachable Agent,TA)是一种特殊类型的教学Agent,它体现了“教中学”的教育理论。自它出现以来,由于它能够解决传统教学体系中的支架式问题,鼓励学生承担学习的责任,因此它的研究成为一个活跃的领域。除了这些好处之外,现有的TA设计也有局限性。一是在学习过程中缺乏与学生的主动互动,二是缺乏激发学生移情的可信度,从而为学生提供沉浸式学习体验。为了解决这两个问题,我们提出了一种新的类型的TA,情感教学代理,并使用面向目标的方法来设计和实现的代理系统,让代理主动与学生的情感表达。ATA模式从分析教学要求和教学目标入手,运用“教中学”理论设计干预措施,真正促进学生的学习行为。教师的两个关键能力是可教性,即学习新知识并将其应用于特定任务,以及情感性,即与学生建立良好的关系并鼓励他们教好。通过执行目标的层次结构,拟议的TA可以通过追求自己的议程与学生互动。当一个学生教代理,代理作为一个天真的学习同伴,当一个教育者教代理在设计和维护时间,代理可以作为一个创作工具。为了方便教育工作者参与到游戏设计中,我们开发了一个创作工具,建议ATA系统,它可以封装的技术细节,并提供教育专家一个自然的方式来传达领域知识的代理知识库。
2015-02-09 cs.CY
Innovative Tangible Interactive Games for Enhancing Artificial Intelligence Knowledge and Literacy in Elementary Education: A Pedagogical Framework
本文提出一个面向小学教育的教学框架,通过实体互动游戏将神经网络、机器学习等AI原理转化为角色扮演活动,以提升儿童AI素养,并为教师提供实施指导。
2025-05-31 cs.CY
Training LLM-based Tutors to Improve Student Learning Outcomes in Dialogues
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Rice University(Rice大学)
本研究针对现有AI辅导系统未以对话全程学生学习最大化为目标的问题,提出结合学生答对概率预测与教学评分、用直接偏好优化训练Llama 3.1 8B的方法,在保持教学质量的同时显著提升了学生答题正确率。
2025-07-28 cs.CL cs.CY
Computer Science Programs, Goals, Student Learning Outcomes and their Assessment
在本文中,我们描述了MET计算机科学使用的过程,以确定我们所有的程序和研究生证书的程序,目标和学生的学习成果。我们说明了我们如何开始评估我们的程序的学习成果的过程中,并通过认证的两个程序收集的数据,目前实际的评估结果-它描述了样本直接和间接的评估数据,从我们的两个程序。
2016-01-27 cs.CY
Student's opinions about System for automatic assessment of programming tasks Projekt Tomo
在之前的一篇论文中,描述了一种名为Projekt Tomo的Web服务,旨在简化教师和学生的编程学习过程。由于这项服务受到教师和学生的热烈欢迎,我们决定收集更多关于学生对这项服务的看法的信息,以便进一步改进。在本文中,我们简要介绍了我们的Web服务和分发给学生的高中水平的Python编程课程的问卷调查的详细分析。
2017-02-17 cs.CY
61A Bot Report: AI Assistants in CS1 Save Students Homework Time and Reduce Demands on Staff. (Now What?)
本文报告为大型CS1课程开发部署的GPT-4作业助手61A Bot,两学期超2000学生发起超10万请求,其在自动评分器中提供情境化反馈,结果显示作业时间缩短、论坛问题减少,并探讨了教学影响与成本收益。
2024-12-02 cs.CY
An LLM -Powered Assessment Retrieval-Augmented Generation (RAG) For Higher Education
Nottingham Trent University(诺丁汉特伦特大学);London South Bank University(伦敦南岸大学)
本研究提出基于RAG架构的大语言模型驱动评估系统,通过整合评分标准和范文生成高质量反馈,实现大规模、一致的评估反馈,提升学生自主学习能力。
2026-01-05 cs.CY
Your Students Don't Use LLMs Like You Wish They Did
The University of Sydney(悉尼大学)
本文提出六个计算指标,用于评估学生与AI对话的教育对齐情况,发现部署环境是影响使用模式的主要因素,而非学生偏好或系统设计。
2026-04-26 cs.CL cs.CY cs.HC
Using LLMs to support assessment of student work in higher education: a viva voce simulator
Hillsdale College(希尔斯代尔学院);University of Oxford(牛津大学)
本文提出利用大语言模型构建口试模拟器,通过交互式提问与回答辅助判断学生书面作业是否由本人完成,为高等教育评估应对LLM滥用问题提供新方法。
2025-10-29 cs.CY
The Impact of Student Writing Assessment Literacy on Psychological Factors: An Ordinal Logistic Regression Analysis
本研究通过有序逻辑回归分析103名中国本科EFL学生的数据,发现学生写作评估素养(SWAL)与写作自我效能感、成就动机呈正相关,与写作焦虑呈负相关,为L2写作教学整合SWAL培训提供了实证依据。
2025-01-03 cs.CY
Fostering Student Engagement in a Mobile Formative Assessment System for High-School Economics
在移动学习环境中,学生可以通过移动设备学习,而不受时间和空间的限制。因此,至关重要的是要开发工具,以帮助学生在这种环境中学习和评估他们的知识。本文提出了一种形成性自我评估的工具/应用程序。该工具支持根据用户定义的标准选择问题,这些标准涉及(1)难度级别;(2)相关概念;以及(3)考生的目的。所介绍的工具的主要目的是更好地支持参与者的学习目标,并增加他们在学习过程中的参与。本研究的重点是评估工具使用测验在微观经济学,以实现其在这一特定领域的潜力。教师和学生都参与了实验。实验结果表明,该工具是可用的,它激励学生,提高他们的理解
2021-06-21 cs.CY
A Policy Report Evaluating the National Assessment Program for Literacy and Numeracy (Naplan) Reform in Australia: The Impacts of High Stakes Assessment on Students
本报告评估了澳大利亚NAPLAN改革因高风险标准化测试带来的挑战,并提出向在线测试过渡等建议,旨在平衡标准化测试与教育追求,构建公平包容的教育环境。
2024-09-26 cs.CY
Teaching Python programming with automatic assessment and feedback provision
我们描述了一种自动反馈的方法,为学生学习编程和计算方法的Python。我们从2009年开始实施、使用和改进这个系统,以满足不断增长的学生人数,并总结了使用它的设计和经验。核心思想是使用一个单元测试框架:教师创建一组单元测试,通过运行这些测试来测试学生代码。通过我们的实施,学生通常会提交作业进行评估,并在提交后几分钟内通过电子邮件收到反馈。测试的选择和向学生报告的选择是为了优化学生的教育价值。该系统非常显着地减少了工作人员的时间来确定学生的解决方案是否正确,并转移计算实验室的学生接触时间的重点从评估正确性提供指导。自动反馈的自定进度性质支持以学生为中心的学习方法。学生可以重复提交他们的工作,并迭代地改进他们的解决方案,并享受使用该系统。我们包括使用它在一个班的425名学生的系统和数据的评估。
2015-09-11 cs.CY
Use of social networks to motivate computer-engineering students to participate in self-assessment activities
本研究探讨社交网络能否为计算机工程专业学生参与自我评估活动提供额外动力,实验对比四种激励策略,发现奖励策略参与度最高,社交网络效果与定期激励演讲相近。
2024-07-10 cs.CY
Plan More, Debug Less: Applying Metacognitive Theory to AI-Assisted Programming Education
本研究将元认知理论融入AI辅助编程教育,设计了含规划、调试、优化三类提示的系统,经102名学生实验发现规划提示最受欢迎且与高分相关,为该领域教学原则的应用提供了实证支持。
2025-09-03 cs.CY
PICA: A Data-driven Synthesis of Peer Instruction and Continuous Assessment
本文提出PICA方法,将同伴教学与持续评估结合,利用学生独立完成的上一项CA任务数据指导同伴配对以协作完成CA任务,定量与定性结果表明该方法提升了评估分数、参与度和同伴互动,值得进一步研究。
2024-07-24 cs.CY
Teaching Blockchain in K9-12: Instruction materials and their assessment
本文分析了将新兴信息技术主题纳入中学教育(K9-12)的可行性。我们为K9-12学生开发了一个区块链课程,提供相关内容,但也旨在激励他们进一步参与该主题。我们的课程包括理论材料以及实践应用。游戏化技术被用来鼓励学生和改善学习体验。评估,由166名学生组成,显示了学生接触到我们的材料,特别是当理论和实践材料相结合的显着的知识增益。两者,即,教学材料和聊天应用程序都是免费提供的。
2022-11-08 cs.CY
The Study of Peer Assessment Impact on Group Learning Activities
与讲师评分相比,同伴评价是一个更全面的学习过程,但也出现了许多相关问题。本研究旨在研究同伴互评对小组学习活动的影响,以期对同伴互评过程提供一个完整而系统的综述,提高同伴互评过程的实践性和质量。进行了试点研究,并采取了调查,焦点小组访谈和问卷调查的形式。对582名学生进行了问卷调查,共收到276份回复,回复率为47.4%。结果显示,37%的学生会选择个人工作,而不是小组工作。在个案研究中,82.1%的28名学生有机会在一个小组中使用Facebook作为交流工具。89.3%的学生可以通过小组工作来展示他们的技能,最重要的是,82.1%的学生同意同侪评估是一种公正的评估方法,并借助Facebook作为自我贡献的证明。我们的建议,使小组工作愉快的经验是通过识别和采取行动对白吃白喝,给予信贷值得的学生,教育学生如何给予建设性的反馈,并使评估过程透明的所有。
2022-01-07 cs.CY
Refining Student Marks based on Enrolled Modules Assessment Methods using Data Mining Techniques
选择正确有效的学生评价方法是高等教育的重要任务之一。许多研究表明,学生在学习期间往往会获得更高的分数,当通过不同的学习方法进行评估时,这些方法包括通过改变学习时间或课程和考试的组合进行全面评估的单元,而不是仅仅通过考试进行评估。许多教育数据采掘的研究都是通过传统的数据抽取来预先处理数据,包括数据准备过程。在本文中,我们提出了一个不同的数据准备过程,通过调查超过23万学生记录的分数准备。这些数据经过不同阶段的处理,以提取一个分类因素,通过该因素在数据准备阶段对学生的模块分数进行细化。本研究结果显示,学生期末成绩不应脱离所选模块的性质而孤立地进行评估。在EDM数据预处理阶段,必须对它们进行彻底的研究和考虑。更一般地说,由于数据源、应用程序和错误类型的差异,教育数据不应该以与正常数据相同的方式准备。模块评估指数的影响,预测过程中使用随机森林和朴素贝叶斯分类技术进行了研究。结果表明,考虑MAI作为属性增加预测学生第二年的平均水平的基础上,他们的第一年的平均值的准确性。
2020-08-30 cs.CY
Teaching Programming in the Age of Generative AI: Insights from Literature, Pedagogical Proposals, and Student Perspectives
Departamento de Sistemas de Información - Universidad del Bío-Bío(信息系统系 - 生物-生物大学);Escuela de Informática y Telecomunicaciones - DuocUC(信息与电信工程学院 - DuocUC)
本文探讨了生成式AI对大学编程教学的影响,提出应从单纯编码转向侧重代码理解与执行,并提倡利用代码可视化表示与执行模拟来促进教学评估,同时结合学生视角予以支持。
2025-06-30 cs.AI cs.CY cs.ET
The Missing Evaluation Axis: What 10,000 Student Submissions Reveal About AI Tutor Effectiveness
University of California, Berkeley, USA(加州大学伯克利分校);North Carolina State University, USA(北卡罗来纳州立大学);University of Pittsburgh, USA(匹兹堡大学);Aalto University, Finland(阿尔托大学)
研究通过分析10,235份学生代码提交,探讨AI导师的反馈行为影响,发现基于学生互动的数据能更全面评估AI导师效果。
2026-05-07 cs.AI cs.CY cs.HC
Pedagogical Promise and Peril of AI: A Text Mining Analysis of ChatGPT Research Discussions in Programming Education
Pampanga State University(帕曼加州大学)
本文通过文本挖掘分析编程教育中ChatGPT的研究文献,揭示了教学实施、以学生为中心的学习、AI基础设施与人机协作、以及评估与模型评估四大主题,指出需加强评估与治理机制。
2026-05-01 cs.AI cs.CY
Writing With Machines and Peers: Designing for Critical Engagement with Generative AI
University of Illinois Urban-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出一种整合AI与同伴反馈的教学设计,通过八周的写作活动,探讨学生如何批判性地使用生成式AI并建立与AI和人类的协作关系。
2025-11-19 cs.AI cs.CY cs.ET
FoundationalASSIST: An Educational Dataset for Foundational Knowledge Tracing and Pedagogical Grounding of LLMs
Worcester Polytechnic Institute(沃斯特理工大学);The ASSISTments Foundation(ASSISTments基金会);University of Central Florida(中央佛罗里达大学)
FoundationalASSIST 是首个为研究LLM在教育中的应用而设计的英文教育数据集,提供完整问题文本、学生实际回答和对齐标准,用于评估LLM在知识追踪和教学基础方面的性能。
2026-01-20 cs.CL cs.CY cs.LG
Instructor-Created Custom GPTs as Pedagogical Partners Fostering Immersion in Online Higher Education: Two Case Studies
University of Arkansas(亚拉巴马大学);Universidade Aberta & INESC TEC(开放大学及INESC TEC)
本文通过两个案例研究探讨定制GPT如何通过沉浸维度提升在线教育中的参与度,展示其作为教学伙伴的作用。
2026-03-29 cs.AI cs.CY cs.HC
The Aftermath of DrawEduMath: Vision Language Models Underperform with Struggling Students and Misdiagnose Errors
University of Washington(华盛顿大学);Insource Services(Insource服务);Worcester Polytechnic Institute(沃斯特理工学院);Allen Institute for AI(人工智能联合研究所)
本文研究了视觉语言模型在处理学生数学错误识别任务中的表现,发现其在挣扎学生面前表现不佳,需改进以支持教育应用。
2026-03-01 cs.CL cs.CV cs.CY
Artificial Persuasion in Pedagogical Games
一个有说服力的可教Agent(PTA)是一种特殊类型的可教Agent,它结合了说服理论,以提供有说服力的和更个性化的反馈给学生。通过使用说服技巧,家长教师会试图使学生保持在一个高动机和高能力的状态,在这种状态下,他或她有更高的认知能力,他或她的态度变化更持久。然而,PTA的现有模式仍然存在一些局限性。首先,现有的PTA模型侧重于模型的PTA的说服能力,而不是模型的能力,由学生教和实践的知识,它已经学会。其次,PTA中计算过程的量化模型可重用性差。第三,在《优惠贸易协定》的理论模式和实际执行之间仍然存在差距。为了解决这三个局限性,这本书提出了一个改进的代理模型,它遵循目标导向的方法,并通过将PTA的说服力推理与可教性推理和实用性推理相结合,对PTA进行整体建模。该项目还提出了一个更抽象和广义的定量模型的计算在PTA。随着抽象层次的提高,定量模型的可重用性也得到了提高。引入新的系统架构,以弥合理论模型和PTA的实现之间的差距。
2016-01-23 cs.AI cs.CY
Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing
East China Normal University(华东师范大学)
针对现有深度学习知识追踪模型忽视知识掌握过程追踪、结果不合理的问题,提出基于图神经网络的GRKT方法,结合三阶段心理学建模流程,在三个数据集上优于11种基线,兼具高准确率与结果合理性。
2024-06-07 cs.AI cs.CY cs.LG
Integrating Generative AI in Cybersecurity Education: Case Study Insights on Pedagogical Strategies, Critical Thinking, and Responsible AI Use
Central Queensland University(中央昆士兰大学)
本研究提出将生成式人工智能融入网络安全教育的两阶段结构化框架,经教学实践验证可提升学生分析与实践能力,同时指出需应对AI依赖等问题,强调平衡自动化与专家判断以培养行业适配人才。
2025-02-21 cs.AI cs.CY
A Practical Guide for Supporting Formative Assessment and Feedback Using Generative AI
本文探讨了生成式AI及LLMs如何支持形成性评估的核心教学原则,提供了教育工作者利用免费LLMs的指导原则、课堂策略及未来研究方向,以促进将LLMs教学知情地整合到形成性评估中。
2025-06-02 cs.CY cs.HC
Findings of the BEA 2025 Shared Task on Pedagogical Ability Assessment of AI-powered Tutors
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(莫扎德·本·扎耶德人工智能大学);KU Leuven(卢森堡大学);Nara Institute of Science and Technology(奈良科学技術大學)
该论文概述了 BEA 2025 共享任务,旨在评估 LLM 驱动 AI 辅导系统的教学能力,涵盖错误识别、定位、指导、反馈可操作性及身份检测五个赛道,结果显示该领域仍有显著改进空间。
2025-07-11 cs.AI cs.CL cs.CY
Assessment of Personalized Learning in Immersive and Intelligent Virtual Classroom on Student Engagement
本研究聚焦沉浸式智能虚拟课堂场景,采用眼动范式评估个性化学习对学生参与度的影响,通过文献综述、案例研究与数据分析验证了该方法在提升学习效果方面的潜力。
2025-01-14 cs.CY cs.HC
Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education
University of Iowa(爱荷华大学)
本研究利用GPT-4开发学习分析工具,量化学生参与度并评估教学策略,以支持数据驱动的个性化教育决策。
2024-09-18 cs.AI cs.CY cs.HC
Assessment Formats and Student Learning Performance: What is the Relation?
虽然近年来已经研究了令人信服的评估,但需要更多的研究来更好地了解评估技术对学生学习过程的影响。这一领域的大多数教育研究都没有考虑人口统计数据、不同的方法和显著的样本量。为了解决这些缺点,我们的研究的目的是分析学生的学习成果的多种评估格式的网络促进类部分与异步在线类的核心数据通信课程在本科信息科学与技术(IST)系在乔治梅森大学(GMU)。在这项研究中,学生根据课程评估进行评估,如家庭和实验室作业,基于技能的评估,以及课程所有四个部分的传统期中和期末考试。所有部分都有相同的内容,评估和教学方法。我们的研究考虑了学生的人口统计数据,如考试类型和位置偏好,以确定它们是否对他们的学习方法有任何影响。来自学习管理系统(LMS)的大量数据,黑板(BB)学习,必须进行检查,以比较几个评估结果的所有学生在各自的部门和其他部门的学生之间的结果。为了研究不同的评估格式对学生表现的影响,我们必须将个别问题格式与整体课程成绩相关联。结果表明,集体评估格式,让学生能够有效地展示自己的知识。
2017-11-15 cs.CY physics.ed-ph stat.AP
Assessment Design in the GenAI Era: The X1-X2-X3 Assessment Pattern for Testing Students' AI Literacy, Learning Outcomes, and Reflection
Queen Mary University of London(伦敦玛丽女王大学)
本文针对GenAI对在线评估的挑战,提出可复用的X1-X2-X3评估模式,用于测试学生AI素养等,为教师适配GenAI时代评估提供实践指导。
2026-08-14 cs.AI cs.CY
Exploring Student Perception on Gen AI Adoption in Higher Education: A Descriptive Study
University of Hertfordshire(赫特福德大学)
研究探讨了学生对生成式人工智能在学术中的使用、感知和评估,发现学生虽熟悉工具但应用有限,担忧数据隐私和批判性思维能力下降,支持将AI素养纳入课程。
2026-11-04 cs.CV cs.CY
STEM Faculty Perspectives on Generative AI in Higher Education
本文探讨STEM教师对生成式人工智能在高等教育中的应用看法,分析其教学整合、学生学习影响及机构支持需求。
2026-03-04 cs.AI cs.CY
Single-Agent vs. Multi-Agent LLM Strategies for Automated Student Reflection Assessment
Kyushu University, Fukuoka, Japan(九州大学);Nagoya University, Nagoya, Japan(名古屋大学);Chubu University, Kasugai, Japan(名古屋大学)
本研究探索利用LLM自动评估学生反思并预测学业表现,通过单/多智能体策略与零/少样本提示对比,发现少样本单智能体匹配率最高,且能有效识别风险学生并减轻教师负担。
2025-06-18 cs.CY cs.LG
Student Mastery or AI Deception? Analyzing ChatGPT's Assessment Proficiency and Evaluating Detection Strategies
University of British Columbia(不列颠哥伦比亚大学)
本文通过三门计算机课程评估ChatGPT完成作业的能力,发现其几乎完美通过入门评估,而现有检测工具和人工判断均不够准确,呼吁改进评估与检测方法。
2023-11-27 cs.CL cs.CY
A literature survey on student feedback assessment tools and their usage in sentiment analysis
Norwegian University of Science and Technology(挪威科技大学);Department of Information Technology and Electrical Engineering(信息技术与电气工程系);Gjøvik, Norway(挪威吉维克(此处按要求不提取地址,实际应为机构外信息,正确处理应为仅保留大学名称,即原回答中“挪威科技大学”))
在线学习正变得越来越受欢迎,无论是为了方便,为了适应工作时间,还是仅仅为了拥有从任何地方学习的自由。特别是在新冠肺炎疫情期间,它已成为唯一可行的学习选择。教授各种核心编程课程与理论内容的混合的有效性取决于学生的互动和反应。与通过Zoom或Teams进行的数字讲座相比,讲师可以在物理会话中从学生的面部表情、行为和态度中快速获得此类响应,即使听众在很大程度上是空闲的和非交互式的。然而,虚拟学习中的学生评价是一项具有挑战性的任务。尽管面临挑战,不同的技术正在逐步融入教学环境,以提高学生的参与度和积极性。在本文中,我们评估了各种课堂反馈评估方法的有效性,如Kahoot!Mentimeter、Padlet和轮询,帮助讲师在整个课程中获得学生的实时反馈,并相应地调整教学风格。此外,学生建议所涵盖的一些主题包括导师建议、改进教学风格、课程内容和其他主题。任何输入都可以为教师提供关于如何改善学生学习体验的宝贵见解,然而,手动浏览所有定性评论并提取想法是繁琐的。因此,在本文中,我们提出了一个情感分析模型,从学生的定性反馈意见中提取明确的建议。
2021-09-09 cs.CY cs.LG
Automatic Assessment of the Design Quality of Student Python and Java Programs
程序是计算机和人之间的一种通信方式,因此当学生接受编写程序的训练时,他们需要学会编写设计良好、可读的代码,而不是简单地正确运行的代码。教授提高可读性的好的设计实践的困难在于评估学生程序的劳动强度。通常评估设计质量涉及仔细阅读学生程序,以便提供个性化的反馈,这对教师来说自然是耗时的。我们提出了一个基于规则的系统,评估学生课程的设计质量,并提供个性化的,准确的反馈,如何提高他们的工作。为了研究其有效性,我们通过在线部署将该系统提供给学生,允许学生在提交作业之前接收反馈并进行修改。学生们从该系统中受益,与之前2到3年的学生提交相比,4个不同的作业(2个Python和2个Java)的设计质量缺陷率平均下降了47.84%。
2022-11-05 cs.CY cs.SE
From Generation to Adaptation: Comparing AI-Assisted Strategies in High School Programming Education
本研究通过对比高中生在编程中从头生成与改编现有代码两种LCA辅助策略,发现改编方法显著提升MVP完成率,并提出结合技术支架与教学指导的双重支架模型,强调教学设计对AI整合成效的关键作用。
2025-06-19 cs.CY cs.SE
No Task Left Behind: Multi-Task Learning of Knowledge Tracing and Option Tracing for Better Student Assessment
Riiid AI Research(Riiid人工智能研究院)
学生评价是人工智能教育(AIEd)领域最基本的任务之一。知识追踪(Knowledge Tracing,KT)是一种最常见的学生评估方法,它通过预测学生是否正确回答给定的问题来评估学生的知识状态。然而,在多项选择(多分类)问题的上下文中,常规KT方法的局限性在于它们仅考虑二元(二分法)正确性标签(即,正确或不正确),并忽略学生选择的特定选项。同时,选项跟踪(OT)试图通过预测学生将选择哪个选项来为给定问题建模,但忽略了正确性信息。在本文中,我们提出了二分-多分多任务学习(DP-MTL),一个多任务学习框架,结合KT和OT更精确的学生评估。特别是,我们证明了KT目标在DP-MTL框架中作为OT的正则化项,并提出了一个适当的架构,用于在现有的基于深度学习的KT模型之上应用我们的方法。我们的实验证实,DP-MTL显着提高KT和OT性能,也有利于下游任务,如得分预测(SP)。
2022-04-08 cs.AI cs.CY cs.LG