生成人工智能（AI）模型是一种推动K-12学生使用艺术媒介向AI教育引入K-12学生的兴趣方法，因此引起了K-12 AI教育者的关注。以前的创意AI课程主要关注生成的对抗性网络（GANS），同时对自回归模型，变形自身摩擦（VAES）或其他生成模型进行了不应重视，因为从生成AI领域变得常见。 VAES的潜在空间结构和插值能力可以有效地接地AI，创意艺术和哲学的跨学科学习。因此，我们设计了一个教育高中生关于VAE的教训。我们开发了一个基于Web的游戏和使用柏拉图的洞穴，是一个哲学隐喻，介绍VAES如何工作。我们使用了Google Colab笔记本，让学生用手写的数字重新列教VAE，以巩固他们的理解。最后，我们指导了探索素描和Musicvae等创意VAE工具，以利用他们所学到的知识和现实世界应用之间的联系。本文介绍了22名学生试验研究的课程设计和股票见解。我们发现，我们的方法在教学学生有关一个小说的概念方面是有效的。

本文探讨了大语言模型的自然语言生成能力，并应用于编程课程中常见的两种学习资源类型。使用OpenAI Codex作为大语言模型，我们创建编程练习（包括示例解决方案和测试用例）和代码说明，从定性和定量上评估这些练习。我们的结果表明，大多数自动生成的内容既新颖又明智，在某些情况下可以按原样使用。在创建练习时，我们发现仅通过提供关键字作为模型输入来影响编程概念和它们所包含的上下文主题非常容易。我们的分析表明，大规模生成机器学习模型是指导者的工具，尽管仍然需要进行一些监督以确保生成的内容的质量在传递给学生之前。我们进一步讨论了OpenAI Codex和类似工具对入门编程教育的含义，并强调了未来的研究流，这些研究流有可能提高教师和学生的教育体验质量。

AI自然语言生成（NLG）是计算机系统从信息中生成可读性语言文本的过程。它可以成为人类创造性写作过程中不可或缺的一部分。重要的是，年轻人可以学会在主流教育中应用NLG，并为AI增强的写作工作和其他写作努力做好准备。为了探索学生如何将NLG应用于创意写作，我们在香港中学设计和实施了第一届人类创意写作竞赛。在本次比赛中，每个学生参与者都使用计算机生成并建立在开源语言模型上的学生自己的单词和单词，写了一篇关于500个字的短篇小说。我们为比赛设计了四个文本生成器，作为计算机的文本条目。此外，使用基于设计的研究，我们开发了七个研讨会，学生学会了与四个文本生成器一起编写并回答反思问题。在分析故事的四个学生的短篇小说和审判者的分数时，我们发现了学生使用的文本生成器单词的数量和类型的不同策略。一些策略似乎比其他策略更复杂。在分析学生的思考时，我们发现学生可以将文本生成器输入和输出描述为思想单位。此外，学生还展示了对文本生成器的偏好。他们在用文本生成器写作时表达了一系列感受。这些发现不仅为NLG的正规教育应用提供了设计含义，而且还提出了AI课程的教学策略。

由于Covid-19的大流行，许多大学课程不得不突然转变以实现远程教学。在嵌入式系统和微控制器上调整课程是非常具有挑战性的，因为与真实硬件的互动是它们不可或缺的一部分。我们首先将我们的经验与教学嵌入式系统的四个基本替代方案进行比较：1）在学校与硬件进行交互，2）远程访问硬件，3）向学生借给学生进行家庭工作和4）虚拟化硬件。之后，我们详细评估了我们从传统的离线户外硬件编程课程到使用实验室中存在的真实硬件的快速过渡的经验。事实证明，这种不寻常的远程硬件访问方法是教授嵌入式系统的完全可行的替代方法，从而实现了相对较低的过渡。我们的设置基于现有的解决方案和稳定的开放技术，而无需使用需要高维护的定制应用程序。我们评估了学生和老师的经验，并评估了未来课程的凝结外卖。特定的环境设置可在线获得，作为他人的灵感。

MetaVerse，巨大的虚拟物理网络空间，为艺术家带来了前所未有的机会，将我们的身体环境的每个角落与数字创造力混合。本文对计算艺术进行了全面的调查，其中七个关键主题与成权相关，描述了混合虚拟物理现实中的新颖艺术品。主题首先涵盖了MetaVerse的建筑元素，例如虚拟场景和字符，听觉，文本元素。接下来，已经反映了诸如沉浸式艺术，机器人艺术和其他用户以其他用户的方法提供了沉浸式艺术，机器人艺术和其他用户中心的若干非凡类型的新颖创作。最后，我们提出了几项研究议程：民主化的计算艺术，数字隐私和搬迁艺术家的安全性，为数字艺术品，技术挑战等等的所有权认可。该调查还担任艺术家和搬迁技术人员的介绍材料，以开始在超现实主义网络空间领域创造。

使用计算笔记本（例如，Jupyter Notebook），数据科学家根据他们的先前经验和外部知识（如在线示例）合理化他们的探索性数据分析（EDA）。对于缺乏关于数据集或问题的具体了解的新手或数据科学家，有效地获得和理解外部信息对于执行EDA至关重要。本文介绍了eDassistant，一个jupyterlab扩展，支持EDA的原位搜索示例笔记本电脑和有用的API的推荐，由搜索结果的新颖交互式可视化供电。代码搜索和推荐是由最先进的机器学习模型启用的，培训在线收集的EDA笔记本电脑的大型语料库。进行用户学习，以调查埃迪卡斯特和数据科学家的当前实践（即，使用外部搜索引擎）。结果证明了埃迪斯坦特的有效性和有用性，与会者赞赏其对EDA的顺利和环境支持。我们还报告了有关代码推荐工具的几种设计意义。

Recent progress in artificial intelligence (AI) has renewed interest in building systems that learn and think like people. Many advances have come from using deep neural networks trained end-to-end in tasks such as object recognition, video games, and board games, achieving performance that equals or even beats humans in some respects. Despite their biological inspiration and performance achievements, these systems differ from human intelligence in crucial ways. We review progress in cognitive science suggesting that truly human-like learning and thinking machines will have to reach beyond current engineering trends in both what they learn, and how they learn it. Specifically, we argue that these machines should (a) build causal models of the world that support explanation and understanding, rather than merely solving pattern recognition problems; (b) ground learning in intuitive theories of physics and psychology, to support and enrich the knowledge that is learned; and (c) harness compositionality and learning-to-learn to rapidly acquire and generalize knowledge to new tasks and situations. We suggest concrete challenges and promising routes towards these goals that can combine the strengths of recent neural network advances with more structured cognitive models.

In this chapter, we review and discuss the transformation of AI technology in HCI/UX work and assess how AI technology will change how we do the work. We first discuss how AI can be used to enhance the result of user research and design evaluation. We then discuss how AI technology can be used to enhance HCI/UX design. Finally, we discuss how AI-enabled capabilities can improve UX when users interact with computing systems, applications, and services.

机器学习（ML）技术在教育方面越来越普遍，从预测学生辍学，到协助大学入学以及促进MOOC的兴起。考虑到这些新颖用途的快速增长，迫切需要调查ML技术如何支持长期以来的教育原则和目标。在这项工作中，我们阐明了这一复杂的景观绘制，以对教育专家的访谈进行定性见解。这些访谈包括对过去十年中著名应用ML会议上发表的ML教育（ML4ED）论文的深入评估。我们的中心研究目标是批判性地研究这些论文的陈述或暗示教育和社会目标如何与他们解决的ML问题保持一致。也就是说，技术问题的提出，目标，方法和解释结果与手头的教育问题保持一致。我们发现，在ML生命周期的两个部分中存在跨学科的差距，并且尤其突出：从教育目标和将预测转换为干预措施的ML问题的提出。我们使用这些见解来提出扩展的ML生命周期，这也可能适用于在其他领域中使用ML。我们的工作加入了越来越多的跨教育和ML研究的荟萃分析研究，以及对ML社会影响的批判性分析。具体而言，它填补了对机器学习的主要技术理解与与学生合作和政策合作的教育研究人员的观点之间的差距。

素描是一种常用于创新过程的自然和有效的视觉通信介质。深度学习模型的最新发展急剧改善了理解和生成视觉内容的机器能力。令人兴奋的发展领域探讨了用于模拟人类草图的深度学习方法，开设创造性应用的机会。本章介绍了开发深受学习驱动的创造性支持工具的三个基本步骤，这些步骤消耗和生成草图：1）在草图和移动用户界面之间生成新配对数据集的数据收集工作; 2）基于草图的用户界面检索系统，适用于最先进的计算机视觉技术; 3）一个对话的草图系统，支持基于自然语言的草图/批判创作过程的新颖互动。在本章中，我们在深度学习和人机互动社区中进行了对相关的事先工作，详细记录了数据收集过程和系统的架构，目前提供了定性和定量结果，并绘制了几个未来研究的景观在这个令人兴奋的地区的方向。

鉴于HEP研究的核心，数据科学（DS）和机器学习（ML）在高能量物理学（HEP）中的作用增长良好和相关。此外，利用物理数据固有的对称性激发了物理信息的ML作为计算机科学研究的充满活力的子场。 HEP研究人员从广泛使用的材料中受益匪浅，可用于教育，培训和劳动力开发。他们还为这些材料做出了贡献，并为DS/ML相关的字段提供软件。物理部门越来越多地在DS，ML和物理学的交集上提供课程，通常使用HEP研究人员开发的课程，并涉及HEP中使用的开放软件和数据。在这份白皮书中，我们探讨了HEP研究与DS/ML教育之间的协同作用，讨论了此交叉路口的机会和挑战，并提出了将是互惠互利的社区活动。

This study evaluated the ability of ChatGPT, a recently developed artificial intelligence (AI) agent, to perform high-level cognitive tasks and produce text that is indistinguishable from human-generated text. This capacity raises concerns about the potential use of ChatGPT as a tool for academic misconduct in online exams. The study found that ChatGPT is capable of exhibiting critical thinking skills and generating highly realistic text with minimal input, making it a potential threat to the integrity of online exams, particularly in tertiary education settings where such exams are becoming more prevalent. Returning to invigilated and oral exams could form part of the solution, while using advanced proctoring techniques and AI-text output detectors may be effective in addressing this issue, they are not likely to be foolproof solutions. Further research is needed to fully understand the implications of large language models like ChatGPT and to devise strategies for combating the risk of cheating using these tools. It is crucial for educators and institutions to be aware of the possibility of ChatGPT being used for cheating and to investigate measures to address it in order to maintain the fairness and validity of online exams for all students.

掌舵学习（帮助每个人学习更多）是第一个在线对等学习平台，它允许学生（通常是中高中生）教授课程和学生（通常是基本学的学生），可以向免费上课。这种班级结构方法（对等学习）已被证明可对学习有效，因为它可以促进团队合作和协作，并可以积极学习。 Helm是一个独特的平台，因为它为学生提供了一个简单的过程，可以在结构化的，点对点的环境中创建，教学和学习主题。自2020年4月创建赫尔姆以来，它在世界四大洲的4000多名老师和80名老师中获得了超过4000多名。 Helm从一个简单的网站和Google形式平台发展到与Python，SQL，JavaScript和HTML一起编码的后端系统，该系统托管在AWS服务中。这不仅使学生更容易注册（因为学生的信息保存在SQL数据库中，这意味着他们可以注册课程而无需再次提供信息，并获得有关课程的自动电子邮件） ，但也使教师更容易教书（作为补充过程，例如创建缩放链接，类记录文件夹，向学生发送电子邮件等）。此外，Helm还有一个建议机器学习算法，该算法建议学生根据学生参加的以前的课程而喜欢参加课程和学科。这为学生提供了更轻松的体验，可以注册他们感兴趣的课程。

The introductory programming sequence has been the focus of much research in computing education. The recent advent of several viable and freely-available AI-driven code generation tools present several immediate opportunities and challenges in this domain. In this position paper we argue that the community needs to act quickly in deciding what possible opportunities can and should be leveraged and how, while also working on how to overcome or otherwise mitigate the possible challenges. Assuming that the effectiveness and proliferation of these tools will continue to progress rapidly, without quick, deliberate, and concerted efforts, educators will lose advantage in helping shape what opportunities come to be, and what challenges will endure. With this paper we aim to seed this discussion within the computing education community.

在线众包平台使对算法输出进行评估变得容易，并提出诸如“哪个图像更好，A或B？”之类的问题的调查，在视觉和图形研究论文中的这些“用户研究”的扩散导致了增加匆忙进行的研究充其量是草率且无知的，并且可能有害和误导。我们认为，在计算机视觉和图形论文中的用户研究的设计和报告需要更多关注。为了提高从业者的知识并提高用户研究的可信度和可复制性，我们提供了用户体验研究（UXR），人类计算机互动（HCI）和相关领域的方法论的概述。我们讨论了目前在计算机视觉和图形研究中未利用的基础用户研究方法（例如，需要调查），但可以为研究项目提供宝贵的指导。我们为有兴趣探索其他UXR方法的读者提供了进一步的指导。最后，我们描述了研究界的更广泛的开放问题和建议。我们鼓励作者和审稿人都认识到，并非每项研究贡献都需要用户研究，而且根本没有研究比不小心进行的研究更好。

近年来，虚拟学习已成为传统课堂教学的替代方法。学生参与虚拟学习可能会对满足学习目标和计划辍学风险产生重大影响。在虚拟学习环境中，有许多专门针对学生参与度（SE）的测量工具。在这项关键综述中，我们分析了这些作品，并从不同的参与定义和测量量表上突出了不一致之处。现有研究人员之间的这种多样性在比较不同的注释和构建可推广的预测模型时可能会出现问题。我们进一步讨论了有关参与注释和设计缺陷的问题。我们根据我们定义的七个参与注释的七个维度分析现有的SE注释量表，包括来源，用于注释的数据模式，注释发生的时间，注释发生的时间段，抽象，组合和组合水平的时间段，定量。令人惊讶的发现之一是，在SE测量中，很少有审查的数据集使用了现有的精神法法学验证量表中的注释中。最后，我们讨论了除虚拟学习以外的其他一些范围，这些量表具有用于测量虚拟学习中SE的潜力。

Intelligent agents have great potential as facilitators of group conversation among older adults. However, little is known about how to design agents for this purpose and user group, especially in terms of agent embodiment. To this end, we conducted a mixed methods study of older adults' reactions to voice and body in a group conversation facilitation agent. Two agent forms with the same underlying artificial intelligence (AI) and voice system were compared: a humanoid robot and a voice assistant. One preliminary study (total n=24) and one experimental study comparing voice and body morphologies (n=36) were conducted with older adults and an experienced human facilitator. Findings revealed that the artificiality of the agent, regardless of its form, was beneficial for the socially uncomfortable task of conversation facilitation. Even so, talkative personality types had a poorer experience with the "bodied" robot version. Design implications and supplementary reactions, especially to agent voice, are also discussed.

我们提出了一个文本编辑器，以帮助用户计划，结构并反思其写作过程。它使用自动文本摘要提供了不断更新的段落摘要作为边缘注释。摘要级别范围从全文到选定的（中央）句子，一直到关键字的集合。为了了解用户在写作过程中如何与该系统进行交互，我们进行了两项用户研究（n = 4和n = 8），人们在其中写了有关给定主题和文章的分析文章。作为关键发现，这些摘要使用户对他们的写作有了外部视角，并帮助他们修改了草稿段落的内容和范围。人们进一步使用该工具快速获得文本概述，并制定了整合自动摘要中见解的策略。从更广泛的角度来看，这项工作探索并突出了为作家设计AI工具的价值，其自然语言处理（NLP）功能超出了直接文本生成和更正。

在具有更好的创造者中，ML和HCI社区的兴趣越来越兴趣，具有更好的生成模型和更直观的界面来控制它们。在音乐中，ML研究人员专注于能够通过增加远程结构和音乐相干性能产生碎片的培训模型，而HCI研究人员则单独关注设计支持用户控制和所有权的转向界面。在这项研究中，我们通过共同的框架来调查模型和用户界面的开发如何对赋予创建权力的重要性，其中目标是创建传播特定图像或想法的音乐（例如，对于音乐中的其他有目的任务而言。创作像建立情绪或为另一个媒体创造陪伴的音乐）。我们的研究区别于它通过作曲家的自我报告的经验来衡量沟通，听众如何通过音乐评估这种通信。在一个评估研究中，用26个作曲家创建100多件音乐和听众提供1000多头对比的比较，我们发现更多的表现力模型和更多的可操纵的接口是重要的和互补方法，可以在通过音乐通信的作曲家中实现差异支持他们的创造性赋权。

Explainable AI (XAI) is widely viewed as a sine qua non for ever-expanding AI research. A better understanding of the needs of XAI users, as well as human-centered evaluations of explainable models are both a necessity and a challenge. In this paper, we explore how HCI and AI researchers conduct user studies in XAI applications based on a systematic literature review. After identifying and thoroughly analyzing 85 core papers with human-based XAI evaluations over the past five years, we categorize them along the measured characteristics of explanatory methods, namely trust, understanding, fairness, usability, and human-AI team performance. Our research shows that XAI is spreading more rapidly in certain application domains, such as recommender systems than in others, but that user evaluations are still rather sparse and incorporate hardly any insights from cognitive or social sciences. Based on a comprehensive discussion of best practices, i.e., common models, design choices, and measures in user studies, we propose practical guidelines on designing and conducting user studies for XAI researchers and practitioners. Lastly, this survey also highlights several open research directions, particularly linking psychological science and human-centered XAI.