An Ontology-Based Approach to Optimizing Geometry Problem Sets for Skill Development
本文介绍了一个最初开发于 20 世纪 90 年代并在过去三十年中不断完善的基于本体的框架，该框架利用“解图”来系统地对几何问题进行分类，并优化题集以实现针对性的技能培养，同时将自动标注与验证确定为未来的主要研究方向。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
不要把数学课仅仅想象成一个死记硬背公式的地方，而要把它想象成一套巨大的、隐形的乐高积木。在这套积木中，每一个形状、线条和角度都是一块特定的积木，而每一条关于它们如何组合在一起的规则就是一本说明书。长期以来，老师们利用这些积木搭建逻辑之塔，训练学生的大脑进行清晰思考和解决谜题。但最近，许多学校停止了使用这些特定的积木，认为它们在现代世界不够实用。然而，随着计算机在处理常规任务方面变得越来越聪明，我们意识到，这种通过几何谜题磨练出的逻辑思维和抽象思维能力，实际上比以往任何时候都更加珍贵。大问题在于：当旧的教科书已经过时，而新的人工智能工具仍在学习阶段时，我们该如何有效地教授这些技能？
这篇论文介绍了一张巧妙的、有着数十年历史的地图，它能帮助教师和计算机在这些乐高积木中穿行。作者们从20世纪90年代就开始研究这项工作，他们创建了一个特殊的“词典”（称为本体），将每个几何问题分解为三个简单的部分：事实（宇宙的规则，例如“平行线永不相交”）、对象（你看到的形状和线条，例如三角形或圆形）以及方法（你用来解开谜题的技巧，例如“在这里画一条线来构成一个正方形”）。他们发现，通过以此方式组织数千个问题，他们可以构建出“解题图”（Solution Graphs）。把这些图想象成数学界的地铁线路图。它不仅仅展示从题目到答案的一种路径，而是展示所有可能的路线，并标出学生为了到达目的地必须经过哪些“站点”（技能）。
论文指出，这张“老派”的地图实际上是现代人工智能缺失的关键钥匙。虽然新的人工智能系统在解决几何问题方面表现出色，但它们往往难以解释自己是如何做到的，或者难以判断学生那些凌乱、富有创造性的答案是否实际上是正确的。作者们认为，如果我们利用他们的“解题图”来教导人工智能什么是有效的路径，我们就能构建出能够提供即时、有益反馈的工具。这不仅仅是为了评分；它能让学生进行自主学习，清楚地知道自己在哪里偏离了轨道。论文并未声称已经制造出了完美的AI机器人；相反，它提出了一个清晰的研究计划。它建议，如果我们能教会计算机阅读学生的答案并将其与这些地图进行匹配，我们就能最终让几何教育变得更加互动、不再枯燥，并且对每个人都更加有效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。