MNIST-Fraction：利用 AI 驱动的分数检测与分析提升数学教育
机器学习
2024-12-12 v1
摘要
数学教育是一个关键且基础的领域，对学生的相关学科学习以及他们的未来职业产生深远影响。利用人工智能来解释和理解教育中的数学问题尚未得到充分探索。这源于高质量数据集的稀缺以及处理手写信息的复杂性。在本文中，我们通过开发 MNIST-Fraction，一个灵感来自著名 MNIST 数据集的新颖贡献，为该领域的 mathematics education 提供了资源，该数据集专为识别和理解手写数学分数而设计。我们的方法是利用深度学习，具体为卷积神经网络 (Convolutional Neural Networks, CNNs)，来识别和理解手写数学分数，以有效检测和分析分数以及其分子和分母。这一能力对于计算分数的值至为关键，这是数学学习的基本方面。MNIST-Fraction 数据集旨在贴近现实世界场景，为 AI 驱动的教育工具提供可靠且相关的资源。此外，我们对该数据集与原始 MNIST 数据集进行了全面的比较，使用各种分类器，表明 MNIST-Fraction 在检测和分类任务中具有有效性和多样性。这一比较分析不仅验证了该数据集的实际实用性，而且为其在数学教育中的潜在应用提供了见解。为促进计算和教育社区之间的合作与进一步研究。我们的工作旨在弥合高质量教育资源在数学学习方面的空白，为教育者和研究人员提供一个宝贵的工具。
引用
@article{arxiv.2412.08633,
title = {MNIST-Fraction: Enhancing Math Education with AI-Driven Fraction Detection and Analysis},
author = {Pegah Ahadian and Yunhe Feng and Karl Kosko and Richard Ferdig and Qiang Guan},
journal= {arXiv preprint arXiv:2412.08633},
year = {2024}
}