ZDNet至顶网软件频道消息:4月1日,Adobe于马来西亚吉隆坡举行的第九届Adobe教育领袖论坛(2014年3月31日至4月2日)上发布了题为《教育、创意、就业》的研究报告。共有1531位分别来自亚太各国的教育工作者参与了此项旨在衡量创意在教育中的重要性及创意在工作中对数字能力的塑造角色的调研。(2014年3月7日至18日期间,来自大中华区各地区的128名,包括中小学及高等教育机构在内的教育工作者参与了此次调研。)
该调研揭示了创造力在课堂教学中所带来的广泛意义。亚太区的教育工作者们一致认为,无论主修哪种专业,创意表达都是所有学生必备的技能。高达97%的受访者认为,创意工具能够帮助学生更好把握理论层面的概念,并加深学生对课堂所学知识的理解。57% 的大中华区受访者强烈赞同创意工具的合理使用可促进学生对更进一步构思的理解,这一数字比亚太区平均数字高出3%。
本年度研究报告还显示,更多的教育工作者意识到,基本数字媒体技能是21世纪职场的重要要求,其中53%的大中华区受访者及58%的亚太地区受访者强烈赞同此观点。此外,50%的大中华区受访者认为具有良好数字媒体技能的学生相比该技能较弱的其他学生,有更好的就业机会及竞争力。此比例略高于亚太平均数字47%。
然而,研究也同时放大了现有教育系统中的漏洞,37%的受访者意识到,当前的教育体制对创造力表达的重视不足。这一漏洞明确体现在学生没有掌握当代职场必备工作技巧中。对于此观点,大中华区与亚太区持有一致的赞同。
Adobe亚太区教育部门高级总监Peter McAlpine对研究报告评价道:“如今,我们已经意识到拥有多领域的学术能力和创新能力将有助于在全新数字职场发展中赢得新机遇。然而,正如报告所强调的,我们所面临的挑战在于如何填补现存教育系统中存在的漏洞,缩小工作需求与学生能力间的差距。现在,对于我们从事教育工作的人来说,是时候齐心协力寻求转变之道了,我们应当使我们的学生,不仅能够成为数字内容的消费者,更能成为数字内容的创建者。”
亚太各国数据对比
依据多种准则对亚太各国在调查方面的反应进行对比后发现,大多来自澳大利亚和韩国的教育工作者证实,当今教育体制中,创新能力与学术能力的统一方面存在漏洞。然而,尽管来自澳大利亚的受访者对创意工具及数字媒体技能的重要性方面持肯定态度,来自韩国的受访者在此两方面并不同样坚定此观点。来自东南亚各国的教育工作者,对当前教育体制在课堂教学指导中融入创新内容方面的能力十分乐观。
印度教育工作者坚定认为,课堂创意表述与运用创意工具阐明观点同样重要,缺一不可。
大中华区及韩国的教育工作者在针对职场所需的基本数字媒体技能方面,不及其他亚太地区给予的支持有力,可看出职场需求与文化差异的相关性。详细信息,请见下图:
针对创造力和就业能力日益紧密的相互联系,来自澳大利亚的教育咨询顾问Richard Olsen,表示,“成为一个有创新能力的人,一切都会有所不同,创造力可以帮助我们解决更多复杂问题,同时使我们能够大胆提出并解决超出我们经验范围的问题。这与劳动力发展趋势相符,因为全球范围的就业正加速从体力劳动向脑力劳动转变,而创造力则是脑力劳动的核心。我希望,学校能够给予持续培养学生创造力更高优先地位,使学生的潜能得到充分发挥。”
本次题为《教育、创意、就业》的研究,是基于来自亚太13个不同国家和地区(包括澳大利亚、中国、中国香港、印度、印度尼西亚、马来西亚、新西兰、菲律宾、新加坡、韩国、中国台湾、泰国以及越南等国家)的教育工作者进行的调查访问。调查时间为2014年3月7日至3月18日,通过网络开展。受访教育工作者,既包括中小学(幼儿园至12年级)教师,也包括高校教师。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。