本发明提供了一种基于社区的在线学习系统的学习激励机制，在以课程为社区的学习系统中，通过 对用户活动的综合评价，得出用户使用系统的情况；而用户的活动分为两部分：用户下载资源数和用户 回答问题数，这两者构成用户影响传播图，再结合用户好友关系和用户之间的间接影响带来的多阶传播， 得到用户影响传播矩阵，采用自己设计的类 PageRank 算法，计算用户的声誉值，作为在线学习系统中 用户的平时成绩，从而激励用户多参与课程社区的活动，来提高自己的声誉值。&

本项目经过多轮反复筛选历时三年最终设计了100多种结构化合物，并确定了具有促成体神经发生高活性的新专利骨架。该类化合物在1mg/kg仍然有非常高的显著活性，可以通过药物刺激大脑海马区的神经细胞再生，替换死亡的神经元细胞功能，从而增强与海马区相关的学习和记忆能力。 一、项目分类 关键核心技术突破 二、技术分析 随着社会的发展，人口老龄化速度正在加快，早老性痴呆症的发病率在65岁左右的老年人中约占10％，或有6000多万人患有不同种类的痴呆症。目前治疗阿尔兹海默症的药物均无法延缓痴呆症的进展。任何一个能成功治疗阿兹海默疾病的药物至少获取200亿的利润。本项目经过多轮反复筛选历时三年最终设计了100多种结构化合物，并确定了具有促成体神经发生高活性的新专利骨架。该类化合物在1mg/kg仍然有非常高的显著活性，可以通过药物刺激大脑海马区的神经细胞再生，替换死亡的神经元细胞功能，从而增强与海马区相关的学习和记忆能力。 本项目的药物属于小分子，结构稳定，非常易于工业合成。本项目的候选药物是促进患者自身提高大脑区海马神经发生弥补受损神经元的缺失功能，因此在疗效上与单纯抑制或是提高神经递质类水平药物相比存在巨大竞争优势。预估计，随着时间的推移，该候选化合物上市后，可以取代这些药物的总市场的50%-70%。目前已经获得中国和美国发明专利授权。

围绕学习者网上自主学习，创新性的引入人脸实时识别功能对学习过程进行判断，这个判断可以由教师进行开启或关闭，并设定判断标准。对学习资源采用课程资源包的形式，支持上传和在线编辑多种形式的资源。资源可以设定学习时长和作业测试，未达标则不允许进行下一步学习，包括人脸核验失败也会暂停学习动作，避免出现非本人等无效学习现象。 课堂交互能增加课堂趣味，提升学习者兴趣，并可进行课前、课中、课后报告对比。课末考试能及时检查学习效果。学习报告能统一呈现课程资源的学习时长、学习进度、考试成绩、教师评价等信息。

本发明涉及基于三维头像的聋儿语言康复方法及系统,属于医疗仪器类,其主要技术是将三维建模与可视语音技术相结合,建立基于参数驱动的三维唇动模型及适合聋儿康复的三维汉语辅助发音可视语音库,并在三维会话头像建立的基础上,结合语音识别和图像识别技术对聋儿发音进行校正,以达到帮助聋儿恢复汉语发音功能.

强化阅读、写作 名师直播互动 群内助教答疑

该平台包括多项核心技术和技术优势： （1）基于逻辑隔离机制的算力主机安全保护。实现了一种基于逻辑隔离机制的沙箱算力环境，能够独立于用户的系统进行计算。通过计算环境隔离、数据的存储隔离、网络环境的隔离，保障了算力运行环境独立于用户系统，互不干扰。 （2）多源异构数据的混合学习模型。提出一种基于深度学习的多源异构数据的混合学习模型，该模型通过深度学习进行不同数据源的特征提取，然后再通过深度学习的融合训练得到结果。 （3）高并发任务的调度。采取动态分配任务的机制，根据当前不同地区网络的传输速度，算力的分布情况，训练数据量的大小，根据制定的规则找到最合适的几个服务地点进行任务分配、数据传输以及分布式训练，最大化地利用当前算力资源。 （4）数据隐私保护。通过联邦学习、同态加密训练、区块链数据确权等方式加强对用户数据的保护。实现了一套基于同态加密和多方安全计算的训练系统，能够完全保护用户的数据隐私性。 （5）区块链记录及激励。“计算即挖矿”，系统根据用户提供的计算资源以及资源利用率来进行区块的奖励，算力越大获得的奖励也就越多。通过搭建的区块链可以记录数据的交互信息以及使用权，并可搭建智能合约平台。 该协作学习平台撮合各方业务和资源，包括算力、数据、模型，结合分布式机器学习、安全多方计算技术，提供保护隐私数据、算法模型前提下的协作学习服务，通过底层分布式账本记录，电子合约对接供需方，智能匹配资源对接，建立AI协作生态。具有以下优势：协作低成本、平台化；具备数据隐私保护，打破共享壁垒；后台底层账本对平台使用中产生的模型、数据、算力、广告收入等进行管理，保证数据可信；操作便捷，可提供定制化服务，高效最优匹配。02. 应用前景 该协作学习平台可用于人工智能、互联网广告、金融等领域，为中小型企业、科研机构或个人提供算力共享、数据共享、模型共享与模型开发等服务，具有广阔市场前景。03. 知识产权 已申请发明专利16项，登记软件著作权1项。04. 团队介绍 本成果团队长期研究区块链、人工智能、网络安全等。团队课题负责人为徐恪教授、博士生导师，清华大学计算机系副主任，国家杰出青年科学基金获得者，北京市卓越青年科学家。获得国家科学技术进步奖二等奖、国家技术发明奖二等奖，2011年获中国计算机学会青年科学家奖，是中国电子学会理事和中国计算机学会理事，曾在ACM SIGCOMM、IEEE/ACM TON、IEEE Communication Magazine等知名国际会议、期刊发表论文100余篇，近五年获得中国发明专利授权四十余项，获得美国发明专利8项。团队成员还包括多位教授、副教授、研究员和博士研究生。05. 合作方式 投融资 / 商务合作。06. 联系方式 邮箱：liuyi2017@tsinghua.edu.cn

如何及时感知学生的学习状态是中小学教育中的难点。传统课堂教学中，教师需要在讲课的同时观察数十名学生的学习状态，难以做到面面俱到；而在家庭练习中，父母陪同观察孩子既费时又会引起孩子的紧张和反感。针对这一应用需求和痛点，本项目计划研发一款能够自动及时感知中小学生的智能相机。该相机将采用人工智能和大数据的前沿技术，对中小学生的学习行为进行自动采集和分析，智能感知学习状态，并反馈给教师和家长进行参考，据此调整教学内容和形式，从而达到改善教学效果、提高学习成绩

（一）项目背景 当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。 （二）项目简介 本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。 （三）关键技术 我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示： 图 1 技术路线图 其中，项目包括的关键技术主要有以下三点： 1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术 该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多 重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与 识别准确度的平衡、人机交互的变化规律等全新科学问题。 2.学习状态多模态数据解析和智能处理技术 利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、 脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模 态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的 状态数据。 3.多层次数据差分隐私保护技术 学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的 具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据 多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下， 研究满足学习行为分析所需要的数据颗粒度。

本平台基于用户报刊订阅历史数据及用户个人信息，结合矩阵分解，K-Means等机器学习技术，构建了用户报刊个性化推荐系统，在提升推荐准确性的同时较好地解决了冷启动问题。

研发阶段/n主要研究设计可扩展至1024 核的众核智能处理器架构。研究面向智能处理的 存储一致性模型；研究异构智能处理器的非对称片上网络；研究超大规模智能任务 的核间分割；研究多智能处理任务的动态调度；研究众核智能处理器的层次化物理 设计；研究存算一体化的众核智能芯片结构；研究智能处理器芯片的异构并行；研 究多智能芯片的高速片间互联。到2020年，以实现人工神经网络智能计算速度和能 效的指数性增长为目标，取得超大规模人工神经网络芯片架构、智能芯片指令集、 新型智能编程语言及编译器、自主智能算法等方面