数学教育中的AI：NeurIPS’21 Workshop 欢迎投稿！

Workshop主页：
https://mathai4ed.github.io

数学推理是一种人类独特的智慧能力，也是人类在对科学和知识的探寻道路上不可缺少的基石。不过，数学学习通常是一项极具挑战性的过程，因为它依赖于指导者对学习内容的设计、教学和评估。从教育的角度来看，致力于帮助这一过程的人工智能系统能够为使用者提供更多的包容性和可及性，并且提高他们的学习效率和对数学的理解。此外，构建能够理解、创造、和使用数学推理的系统能为研究人工智能推理提供独特的平台。在此次研讨会中，本次Workshop将探索人工智能在数学教育中的应用，包括：

●   教学：有效帮助学生进行数学学习的智能教辅系统

●   评估：人工智能辅助评分系统（如Gradescope）和个性化测试平台（如IXL）

●   辅导：高级数学教育中的符号化数学工具（如Mathematica，Maple）

这些应用离不开人工智能和机器学习领域里核心问题的研究，例如：

● 解释能力：打开“黑匣子”，提供透明、可解释的人工智能模型

● 推理能力：可以实现形式化或非形式化的推理、与人类进行交流互动的人工智能体

● 核心方法：应用在数学领域里的多模态、逻辑推理、符号推理等方法

这些应用技术的实现不仅要求数学和人工智能研究的不断创新，还需要对实际教学场景的深入理解。因此，本次Workshop邀请了拥有不同研究背景、来自不同机构和学科领域的专家，与他们共同讨论和探寻在现实教学场景中，将人工智能融入数学教育的前景和挑战。Workshop的讨论话题包括但不限于：

●   可及性：人工智能如何如何最有效地帮助不同背景的学生进行数学学习？

●   应用性：人工智能在数学教育中的哪些近期和长期应用中最具前景？

●   方法：哪些研究进展是实现这些应用所必需的？

●   展望未来：数学教育和研究的未来是什么？

受邀嘉宾

目前受邀参加Workshop的嘉宾有：

组织者

(按字母排列)

●   Xiaodan Liang (梁小丹)：中山大学智能工程学院副教授，研究方向为机器学习、计算机视觉、智慧教育

●   Pan Lu：加州大学洛杉矶分校计算机博士生，研究方向为多模态学习和常识推理。

●   Jay McClelland：斯坦福大学心理学系教授，心智、大脑和计算中心主任，研究方向为认知和决策。

●   Sean Welleck：华盛顿大学计算机系博士后，研究方向为自然语言理解与数学推理。

●   Yuhuai (Tony) Wu：斯坦福大学博士后，谷歌研究科学家，研究方向为机器推理。

●   Eric P. Xing：卡内基梅隆大学教授，默罕默德·本·扎耶德人工智能大学（MBZUAI）校长，研究方向为机器学习与人工智能。

投稿方式

提交给MathAI4Ed 2021的内容限制在4页以内，但参考文献和附录可以不限页数。后者不一定会被审稿人阅读。我们要求并建议作者仅依靠补充材料来包括不适合4页内容的小细节（例如，超参数设置、可重复性信息等）。评审过程是双盲的，所以请确保所有论文都有适当的匿名性。

所有提交的论文必须使用LaTeX格式，使用NeurIPS 2021 MathAI4Ed论文格式：
https://mathai4ed.github.io/img/NeurIPS2021_MathAI4ED.zip。

所有被接受的论文将在虚拟海报会议上展示，一些论文将被选作口头报告。Workshop也允许最近已经发表或正在提交的论文。请在提交时对这些论文进行相应的标注。这些论文的页数限制为4页。被接受的论文将在MathAI4Ed的主页上公布，但是是非存档的。

论文提交入口：
https://cmt3.research.microsoft.com/MATHAI4ED2021。

如有任何疑问，请发电子邮件至：
mathai4ed.neurips2021@gmail.com

重要日期

●   提交截止日期：2021 年 10 月 6日（11:59pm Pacific Time）

●   录取通知：2021 年 10 月 23 日

●   Camera-Ready 提交：2021 年 11 月 1 日

●   Workshop 日期：2021 年 12 月 14 日

后台回复关键词【入群】

加入卖萌屋NLP/IR/Rec与求职讨论群

后台回复关键词【顶会】

获取ACL、CIKM等各大顶会论文集！