深度学习游戏化和人工智能作为一种现代学习工具；或灌输的代理人
科学技术正朝着在无限地平线目的地上难以捉摸的体现快速迈进，画上了理想主义的相似之处，描绘了深崖的边缘。过度理想化的技术专家制正在演变成千禧一代的典型观点，因为他们被激励将自己的100％的信念置于科学技术之上，用机器可以为他们做的事代替他们的努力，但是在维持可持续发展的同时期望有利的，合理的竞争性检索21世纪的科学发展。不久前，我发表了一篇题为“医学中的共情转移悖论：共情技术与算法同情”的论文。在此背景下，我力图通过模拟共情来放大机器人的人性化直觉。在此，我想通过千篇一律的立场对企业驱动的野心进行持久的技术官僚之旅，以另一种方式模拟人类的态度，从而为相关但关键的主题带来不同的方法。
在阅读了有关深度学习和人工智能的一些最新趋势时，我遇到了一个流行的学习假设。称为学习行为游戏化。后者主要是参考游戏模式因素和娱乐学说在非娱乐环境中的应用。游戏化是通过运用引人入胜的游戏技术来利用一个人的自然向往来增强活动或流程来进行的。在购买具有里程碑意义的东西之前，我们必须首先通过了解他们的精确互动以及他们反过来如何受到我们的学习方式的影响来协调围绕技能，功用，才能和知识的思维。一旦基于这种思想，我们还必须将机器学习（和深度学习）与人类学习行为区分开来，这是一个模糊的理论。即便如此，似乎应用科学仍然难以通过理解学习过程背后的生物学和思维来建立人。
一个人从事的任何工作都是一项任务。完成特定杂务的前提是一个人学习知识并利用内在的才能来掌握知识或拥有令人满意地做事的能力。
学习理论是一种复杂的理论，最大化人类智力保持速度的技术也是如此。但总的来说，它完全描述了大脑在学习过程中如何推断，操作和保存数据。精神，动荡和环境的影响力，以及以前的熟人，都在如何实现或改变社会信仰以及保留知识和技能方面摆弄。
作为与知识获取相关的理论科学，学习心理学主要依赖于独特学科的经验，从而导致行为视角的长期转变。它衡量环境影响者（例如社会背景，条件和强化）的影响力，以控制行为的发生和转移方式。相反，短期行为改变仅是由诸如疲劳之类的情况引起的。学习理论涉及充分识别和澄清过程认知的工作。存在传达学习行为的方式。这些理论中的三个包括：1）行为主义，它通过积极的强化和重申促进学习机制，从而将知识视为对环境中不同刺激行为的行为结合。 2）认知建构主义认为，将知识添加新信息到已经存在的认知构型中可以提高自己的能力，这是假设知识是在先前已插入的心理结构上积极聚集的假设的一部分。 3）正如它所暗示的那样，社会建构主义推测教育和学习是在社会环境中通过与知识渊博的社区进行交易所而获得的。
发展的主要学习概念中心化于通过联想，强化，惩罚和观察的方式对学习过程的环境影响。其中极少数包括古典条件，操作数条件，社会学习。我不承认自己是行为学习专家。因此，我无意深入探讨该主题的细节。此外，我认为这样做不在讨论范围之内。尽管如此，新发出的学习理论之一还是关于游戏化的主题，游戏化的概念已经引起了人工智能（AI）领域的数据科学家的关注。
什么是游戏化？为什么要使用游戏进行教学？
本摘要将重点介绍该主题向数据科学领域的发展，从而为该主题提供一些启示。
我相信你们中的大多数人完全熟悉“玩耍应该很有趣”的概念。基于这样的定理，如果我们寻找教育玩具（儿童），小工具，带有内置插图的游戏，书籍，那么理解就会很有趣。带有令人信服的信息。通常，学术工具吸引力较弱，并减轻了人们的好奇心。小提琴从本质上讲是教育性的；同时，呼吸应该愉快。当游戏乐趣消失时，学习也常常如此。
术语;游戏化是现代的，因此经常具有多种含义。这个概念已经存在了十多年。正如Marczewski在2013年正式报道的那样，它最初出现在2000年代，因为它在2010年代引起了越来越多的关注。 Deterding等，2011； Werbach和Hunter，2012年）。游戏化的作用是带来已经流行的因素或流行的因素，例如网站，商业应用程序，社交媒体，并将游戏行为整合到其中，以激发参与，参与和喜好。游戏化完全利用游戏设计师用来操纵玩家的方法，这些方法是通过操纵数据集并将其应用于非游戏性折磨，以激发对商业周期有价值的活动。尽管在游戏化方面，关于游戏化的独特作用带来了重大争议，但人们仍可以指出游戏化的“效果”对技术的重要性。它并不直接重要，但是游戏设计元素可以激发不同的动机发展。其中-采用自决概念来研究游戏设计组件之间不同组成的影响，在这种影响下，代指意义的能力和自主权受到符号，分类帐簿和性能K线走势图的影响。同时，社交互动受到化身，有意义的故事和队友的积极影响。
通过医疗保健游戏化改变行为
那些深入参与医疗保健提供和管理的人员必须意识到个性化护理，患者参与和生活方式改变的情绪，以促使患者控制自己的健康习惯和临床决策。
根据休伦（Huron）发表的一份报告，到2025年，游戏在全球医疗游戏化市场中的有效性预计将达到135亿美元。学习过程取决于21世纪医疗保健中两个最关键的领域的交叉，因此人们和技术。 Fitbit，Apple Watch等可穿戴技术以及旨在追踪和奖励运动，饮食和一般健康状况的应用程序已成为健康游戏化的第一批主要前线。预计医疗保健中接连不断的时代化将解决诸如高血压和糖尿病等慢性疾病的更深入的监测和管理。
具有说服力的学习行为技术
游戏化已被应用到应用领域，其唯一目的是说服公众实现特定目标。但是，这种有影响力的技术也增持了能力，促使玩家参与并维持新的行为，并将其维持更长的时间。如果不加以解决或未对合法性进行严格验证，它有可能成为未来道德和法律危机的工具。解决此问题的一种有思想的方法是对游戏化的任务进行适当的拟人化，同时针对每个玩家个人资料和游戏历史量身定制的每个挑战都应避免偏见的外部影响。机器学习（ML）技术的最佳执行需要大量数据（Big data）以及设计要表示的系统的良好执行的高透明度和问责制。
诸如DeepMind之类的行业是一种人工智能（AI）解决方案，这种解决方案促使了游戏性的计算，并且通过以通常超出普通人类能力范围的方式赢得了胜利，从而获得了AI领域的接连掌控。简单地说，深度学习利用预定的算法来记住人类的智力模式，并利用它们来增强社交才能以外的功能。
再例如，Data61能够使用AI和游戏化功能来帮助临床医生准确诊断患有精神疾病的患者，从而帮助增加治疗选择。 Data61具有显示我们如何在选择之间执行，在它们之间导航以及坚持选择的模式。由于神经科学定义了大多数心理健康疾病都涉及我们如何做出决策，因此检查这种互换的最宽松方法之一是通过执行简单的任务，使用ML来分析详细的数据包，这将使医生记录患者的行为。指示周期的游戏化为临床医生提供了一种更容易的途径，可以访问和分析潜在的病理学以及诊断精神健康障碍。
认知协助，说服或操纵艺术
据一些研究人员称，认知辅助是减少成本和提高医疗质量的宝贵应用。它通过设计，开发和评估旨在通过说服方式改变学习者行为的交互式技术来依靠说服方法。作者试图将后者与强迫或欺骗区分开来，同时指出了使用人工智能（AI）观点进行概念设计和系统实施的动机对医疗系统的说服力。基本目标是支持针对医疗保健系统的AI驱动的说服技术开发IoT（物联网）工具箱。
领域通用和领域特定学习的概念
人类与生俱来的思想机制诞生了，它们在广泛的层面上促进和指导了学习，而不管所发现的信息如何，因此被称为领域通用学习理论。它区别于-与特定领域学习有关;尽管学习类型有所不同，但后面的新数据由不同领域以相同的方式和相同的大脑区域独立处理。
领域通用的学习理论与领域特定的学习理论相反。 （也称为模块化方法）它认为人类具有独立的专业知识配置，而不是一种内聚的知识模式。因此，在一个领域中进行培训可能不会影响另一独立领域。这种模块化方法认为人们具有彼此独立的高度专业化的功能。
领域特异性理论如何应用于机器学习？
领域特定语言（DSL）方法在机器学习中也越来越受欢迎。使用DSL的深度学习是指与建模语言有关的编程语言模式，领域专业人士可以通过该语言使用题词和直觉来解释模型。从编程语言的角度来看，DSL是指可重用的公式，特定空间内的专家可以使用这些公式来定义具有高级语言规范的算法，
人与机器人之间的标准和多元化游戏化议程
游戏化开始被认为是一种有力的工具，而不是浪费时间。它通过对学术分析进行游戏化来掌握人们的才智并保持他们的参与度，从而使自己适应未来的学校教育而闻名。软件，应用程序甚至机器人技术都开始着迷于千禧一代。一个这样的例子就是说话的机器人“ Nao”，它与用户互动，同时教会他们扫盲和计算机编程。为此，计算机正在实时吸收每个人的每一个细节，这是大数据募集的一部分。因此，计算机使用特定领域的学习来记忆有关一个人的习惯和智力操作的所有信息。并可以游戏化，说服并改变主意。
数据和计算机科学已经从与之相对应的方面发展到了影子学习的地步，但是它们在学习理论的领域通用能力上有所不同。因为人类具有独立的专业知识配置。尽管效率和便利性极为强大，但机器学习最终仍将遵循其科学家的数学公式以及其领域专家的验证。根据一项研究；据推测，大脑神经元的形状像树，在大脑深处有“根”，在表面附近有“分支”，在那儿，根接受的输入不同于允许某些功能的分支具有所需分隔的输入。利用后一种知识，技术研究人员已经能够使用相同的假设构建计算机原型。事实证明，这些部分允许不同层次的模拟神经元进行协作，从而实现深度学习。深度学习带来了一种机器，它可以更像人类一样“看到''世界并识别语言。但是仍然不确定大脑是否真的以这种方式学习。
我想通过金字塔构造理论将人类学习与机器学习区分开来，因为ML遵循反向金字塔式学习过程，而人类同时使用金字塔学习和反向版本。随着金字塔学习开始于具有广泛基础的领域通用学习方案，并且逐渐发展到领域特定学习达到顶峰，后期差异是巨大的。与深度学习的学习方向相反，因为机器必须先获得最具体的数据，然后才能获得有关给定操作变化的更广泛的知识。因此，通过加强与公司财务细化相一致的战略枢纽，可以通过虚拟枢纽来虚拟地改变通过增强人类学习能力来促进机器学习的战略要求。
模拟人的神经元网络可以转化为等效的数字网络，但也可以毫不费力地利用它来充当洗脑工具，而不是根据个人喜好增强个人才能。
深度学习不一定等于人类学习，因为它需要大量数据（大部分是深度数据和个人数据），这些数据可以处理成数以千计的极高技术精度，并通过游戏化学习的效率传递给学习者。
带回家的消息
常识是与日常事务相关的最终合理判断，或者是感知，理解，学习和判断公众传达给几乎所有人的基本能力。常识决定了在游戏，操纵和灌输之间划清界限的位置。因此，为了确保人工智能能够收集准确的数据，公正地学习并教导理解强制执行透明度的含义，但是企业和大数据行业是否愿意承担这种责任？
法律是否足够先进以确保透明度和问责制？
毫无疑问，医疗保健学习过程的游戏化具有可以激发消费者，吸引医生和患者参与的潜力。因此，它将通过特定领域的学习来帮助优先考虑消费者体验。但是-我们生活在一个充满技术统治，过度依赖技术的时代。人们对新兴工具的压倒性信任，远不仅仅在于使它们致力于合理的质量标准修复的能力，还损害了人类智慧的主权。复制人类是现代技术专家的下一个前沿领域，包括伪造一个人如何有效学习的方法。但是在这条道路上，征服高效学习过程最基本的使命可以转入非自愿条件和操纵工具中。从今以后，无论是否可行，我们都必须批判，不要借用现代化知识获取的原理来重新创造自我的妖魔化的表现，因为在技术意义上，深度学习与它的仁慈，人本主义模仿完全不同。