PEEK: A Large Dataset of Learner Engagement with Educational Videos
Centre for Artificial Intelligence, University College London(伦敦大学学院人工智能中心);Jožef Stefan Institute(约瑟夫·斯特凡研究所);Jožef Stefan International Postgraduate School(约瑟夫·斯特凡国际研究生院)
与电子商务和娱乐相关的创业者相比,教育创业者受到的关注要少得多,尽管高效的智能导师在提高学习收益方面有很大的潜力。推进这一研究方向的主要挑战之一是缺乏大型公开数据集。在这项工作中,我们发布了一个大型的,新颖的学习者数据集,这些学习者在野外参与教育视频。该数据集名为个性化教育参与与知识主题PEEK,是第一个公开提供的这种性质的数据集。视频讲座已与维基百科的概念相关的讲座材料,从而提供了一个人性化的直观分类。我们相信,颗粒状的学习者参与信号与丰富的内容表示相结合,将为构建强大的个性化算法铺平道路,这将彻底改变教育和信息推荐系统。为了实现这一目标,我们1)从流行的视频讲座库中构建一个新的数据集,2)确定一组基准算法来建模参与,3)在PEEK数据集上进行广泛的实验以证明其价值。我们的实验数据集显示,在建立强大的信息推荐系统的承诺。数据集和支持代码是公开的。
2021-09-13 cs.CY cs.IR cs.LG
A Recommender System For Open Educational Videos Based On Skill Requirements
在本文中,我们提出了一种新的方法来帮助学习者找到相关的开放教育视频,以掌握劳动力市场所需的技能。我们已经建立了一个原型,它1)应用文本分类和文本挖掘方法对职位空缺通知,以匹配工作和他们所需的技能; 2)预测视频的质量;和3)创建一个开放的教育视频推荐系统,建议个性化的学习内容给学习者。对于这个原型的第一次评估,我们专注于数据科学相关的工作领域。我们的原型进行了深入的,半结构化的采访。15位主题专家提供了反馈,以评估我们的推荐器原型在目标、逻辑和对学习的贡献方面的表现。超过250个视频被推荐,其中82.8%的推荐被受访者视为有用。此外,访谈显示,我们的个性化视频推荐系统,有潜力改善学习体验。
2020-05-21 cs.CY
A Multivariate Elo-based Learner Model for Adaptive Educational Systems
Elo评级系统被认为是在适应性教育系统中对学生和项目进行建模的有效方法。现有的基于Elo的模型有一个限制性的假设,即项目只标记一个单一的概念,主要是在自适应测试系统的背景下进行研究。在本文中,我们介绍了一个多变量Elo为基础的学习模型,适用于域的学习项目可以标记有多个概念,并调查其适应自适应学习的上下文中。为了评估该模型,我们首先使用合成数据集和公共数据集将所提出的模型的预测性能与标准的基于Elo的模型进行比较。我们从这项研究的结果表明,我们提出的模型具有优越的预测性能相比,标准的ELO为基础的模型,但差异是相当小的。然后,我们调查的建议多元ELO为基础的模型,将其集成到一个自适应学习系统,采用开放式学习模型(OLMs)的原则。这项研究的结果表明,从多变量Elo为基础的模型衍生的额外参数的可用性有两个进一步的优势:指导系统的自适应行为,并为学生和教师提供额外的见解。
2019-10-15 cs.CY cs.HC
Embedding-Based Rankings of Educational Resources based on Learning Outcome Alignment: Benchmarking, Expert Validation, and Learner Performance
Leibniz Information Centre for Science and Technology (TIB)(莱比锡科学与技术信息中心);University of Amsterdam(阿姆斯特丹大学)
本研究提出基于嵌入的对齐框架,通过基准测试和专家验证,证明了教育资源与学习成果对齐度对学习表现的正向影响。
2025-12-15 cs.AI cs.CY
An Innovative Solution: AI-Based Digital Screen-Integrated Tables for Educational Settings
The Assam Kaziranga University(阿萨姆卡齐兰加大学)
本文提出一种面向教育环境的数字屏幕集成桌,通过CPU控制屏幕同步显示教学内容并收集学生表现数据,结合机器学习模型分析学习行为以识别快慢学习者并优化资源分配。
2024-10-08 cs.AI cs.CY cs.HC
Educational Content Linking for Enhancing Learning Need Remediation in MOOCs
自2011年推出以来,网络上已有超过4000个关于各种主题的MOOC,为超过3500万学习者提供服务。MOOC已经显示出使知识传播民主化的能力,并将世界上最好的教育带给每个学习者。然而,参与者之间的不同距离,学习者人口的规模,以及学习者背景的异质性使得教师很难及时与学习者互动,这对学习体验产生了不利影响。为了应对这些挑战,在这篇论文中,我们提出了一个框架:教育内容链接。通过将分散在各种课程材料中的学习内容链接和组织成一个易于访问的结构,我们假设这个框架可以为学习者提供指导并改善内容导航。由于MOOC中的大多数教学和知识获取都是在学习者调查课程材料时进行的,因此更好的内容导航可以帮助学习者找到支持信息来解决他们的困惑,从而提高学习效果和体验。为了支持我们的猜想,我们提出了端到端的研究,以调查我们的框架围绕两个研究问题:1)手动生成的链接可以提高学习?2)学习内容可以用机器学习方法生成吗?为了研究第一个问题,我们建立了一个界面,同时呈现学习材料和可视化它们之间的联系。我们发现,该界面使用户能够更有效地搜索所需的课程材料,并更容易保留更多的概念。对于第二个问题,我们提出了一个基于条件随机场的自动内容链接算法。我们证明,自动生成的链接仍然可以导致更好的学习,虽然改进的幅度比未链接的接口较小。
2021-01-12 cs.AI cs.CY
Aesthetic Experience and Educational Value in Co-creating Art with Generative AI: Evidence from a Survey of Young Learners
Huaqiao University(华侨大学)
本研究通过调查112名参与者,探讨了年轻学习者与生成式AI协作进行艺术创作的审美体验与教育价值,发现AI被视为拓展创作边界的伙伴,并提出艺术教育应培养批判性共创立场以保留人类独特性。
2025-09-11 cs.AI cs.CY
Critical pedagogy in the implementation of educational technologies
本文对学习技术的实施所面临的挑战进行了严格审查,特别关注发展中国家。为了了解发展中国家面临的挑战,对学习技术进行了全面的文献审查。研究问题是:教育在多大程度上使学习者成为社会民主社会的充分参与者?文献综述确定了25篇与此主题相关的论文。挑战是相互关联的,并带来变化,在发展中国家,本文提出了两个教育技术框架的基础上:1。文化概念框架; 2.基于问题的建构主义心理学模拟模型。该框架和仿真模型对指导实践和研究具有一定的指导意义。
2020-05-30 cs.CY
A Toolbox for Modelling Engagement with Educational Videos
University College London(伦敦大学学院)
本文提出PEEKC数据集和TrueLearn Python库,通过可扩展的在线学习者状态模型支持教育视频参与度建模,实验证明其预测性能显著优于基线模型。
2023-12-30 cs.CY cs.IR cs.LG
How Learners Sketch Data Stories
学习数据故事讲述涉及复杂的技能网络。专业和学术教育通常侧重于所需的计算能力,但该领域的专业人员采用许多非技术方法;在纸上手绘草图是一种常见的做法。本文介绍和分类语料库的101个数据草图产生的参与者的一部分,在非正式和正式的设置引导学习活动。我们根据与视觉编码、表示和故事结构相关的12个指标对每个草图进行手动编码。我们发现的证据,优先使用的位置和形状为基础的编码,频繁使用的符号和文字表示,和一个高流行率的故事比较子集的数据。这些发现有助于我们理解学习者如何利用数据进行素描。这个案例研究可以为学习者提供工具设计的信息,并帮助创建教育计划,将新手介绍给专家使用的素描实践。
2021-08-10 cs.CY cs.HC
To Ban or Not to Ban: Uses and Gratifications of Mobile Phones among Township High School Learners
University of Cape Town(开普敦大学)
本研究探讨了乡镇高中学生对移动电话禁令的使用动机和行为,发现学生普遍反对禁令,但部分学生因安全和经济因素选择不带手机,且40%学生日均使用超五小时,属于过度使用。
2025-12-04 cs.CY
Hope, Aspirations, and the Impact of LLMs on Female Programming Learners in Afghanistan
Saarland Informatics Campus, Saarland University, Saarbrücken, Germany(萨尔兰州信息学校园,萨尔兰州大学,德国萨尔布吕肯);Computer Science Faculty, Parwan University, Charikar, Afghanistan(计算机科学学院,帕尔万大学,阿富汗查里卡);Department of Counseling, Qazvin Branch, Islamic Azad University, Qazvin, Iran(咨询部门,德黑兰分支,伊斯兰 Azad 大学,伊朗德黑兰)
本研究针对阿富汗系统性教育限制期间的136名女性编程学习者,改编并验证了Snyder希望量表(可靠性α=0.78),发现LLMs访问未显著影响整体抱负得分,但有访问权限者的途径子量表得分略高,为不稳定背景下教育技术设计提供了可扩展的抱负衡量指标。
2025-11-09 cs.AI cs.CY cs.HC
Data-Mining Research in Education
作为一门交叉学科,数据挖掘在教育领域特别是在考察学生学习成绩方面得到了广泛的应用。它侧重于分析教育相关数据,以开发改善学习者学习体验和提高机构效率的模型。因此,DM确实有助于教育机构为其学习者提供高质量的教育。在教育中应用数据挖掘也被称为教育数据挖掘(EDM),它可以更好地了解学生如何学习,并确定如何提高教育成果。本文旨在证明数据挖掘方法在教育领域的能力。本文介绍了电火花加工的最新研究动态。几个具体的算法,方法,应用和差距,在当前的文献和未来的见解进行了讨论。
2017-10-25 cs.CY stat.OT
Estimating Learners' Skill Acquisition Without Temporal Information
Kyoto University(京都大学);Inria(法国国家信息与自动化技术研究院)
提出一种仅利用快照数据预测技能习得的框架,通过认知诊断模型估计技能掌握模式,利用技能集包含关系诱导伪时间顺序,并引入神经网络模型捕捉潜在技能习得动态。
2026-06-23 cs.CY cs.LG
Generative AI and Agency in Education: A Critical Scoping Review and Thematic Analysis
James Cook University Singapore(詹姆斯库克大学新加坡校区);British University Vietnam(越南英国大学)
该研究通过批判性数字教学法视角,对GenAI与教育中能动性的关系进行范围综述,经主题分析揭示三个关键主题,指出GenAI虽能增强学习者能动性,但有加剧教育不平等风险,研究结果为教育政策和实践提供了启示。
2026-07-24 cs.AI cs.CY
Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis
Columbia University(哥伦比亚大学)
本研究提出一个AI导师原型框架,通过时间交互模式、多结果分析和行为-认知学习者画像,探讨早期交互模式对后续表现和信任的预测作用,以及不同AI导师反馈条件下的多结果权衡和学习者画像识别。
2026-03-22 cs.CY cs.LG
Introduction to computer animation and its possible educational applications
动画,这基本上是一种形式的图片演示,已成为最突出的特点,以技术为基础的学习环境。它指的是显示绘制对象的运动的模拟运动图像。近年来,教育计算机动画已成为为学习者提供多媒体材料的最优雅的工具之一,并且自从强大的面向图形的计算机出现以来,它在帮助理解和记忆信息方面的重要性大大增加。在这本书的章节中,我们介绍和讨论计算机动画的历史,其众所周知的基本原则和一些教育应用。然而,它仍然是有争议的,如果真正的教育计算机动画有助于学习,作为动画是否有助于学习者的动态现象的理解的研究已经提出了积极的,消极的和中性的结果。我们已经尽可能地提供了关于计算机动画的详细信息,我们希望本书的这一章对学习计算机科学、计算机辅助教育或与当代教育有关的其他课程的学生以及在计算机动画领域进行研究的研究人员有用。
2013-12-06 cs.CY cs.GR
Stories and Systems: Educational Interactive Storytelling to Teach Media Literacy and Systemic Thinking
HKU University of the Arts Utrecht(乌得勒支艺术大学);J.E. Cairnes School of Business & Economics, University of Galway(高威大学J.E.凯恩斯商学院与经济系);School of Computer Science and Statistics, Trinity College Dublin, The University of Dublin(都柏林三一学院计算机科学和统计学院)
本文提出CLASS框架,通过互动数字叙事(IDN)帮助学习者探索复杂系统,培养批判性思维和协作解决问题的能力。
2026-06-29 cs.CY cs.ET cs.HC
Hybrid Human-AI Curriculum Development for Personalised Informal Learning Environments
近几十年来,非正式学习程序的变化非常快,这不仅是因为在线学习的出现,也是因为人们需要学习什么来满足他们的各种生活和职业目标。因此,在线教育平台有望提供个性化的最新课程,以帮助学习者。因此,在本文中,我们提出了一种基于人工智能(AI)和众包的方法来为个人学习者创建和更新课程。我们展示了这个课程开发系统原型的设计,其中贡献者收到基于AI的建议,以便能够定义和更新高级学习目标,技能和学习主题以及相关的学习内容。该课程开发系统还集成到我们的个性化在线学习平台中。为了评估我们的原型,我们将专家的意见与我们系统的建议进行了比较,在推荐技能,学习主题和教育材料时分别获得了89%,79%和93%的F1分数。此外,我们还采访了八位来自教育机构和职业咨询机构的高级专家。受访者一致认为,我们的课程开发方法具有很高的潜力,以支持创作活动的动态,个性化的学习环境。
2021-12-22 cs.CY
Engaging Learning Analytics in MOOCS: the good, the bad, and the ugly
学习分析是教育技术和技术增强学习(TEL)的广阔领域中的一个新兴领域。它提供的工具和技术为研究人员提供了分析,研究和基准机构,学习者和教师以及MOOC等在线学习环境的能力。大规模开放式在线课程(MOOC)被认为是一种非常活跃和创新的形式,将教育内容带到广泛的社区。由于MOOC免费和向公众开放的原因,它吸引了大量不同教育水平,性别和年龄的异质学习者。然而,迫切需要调整托管课程的质量,以及控制高辍学率和缺乏互动。在学习分析的帮助下,可以包含这些问题。在本出版物中,我们讨论了在MOOC学习环境中使用学习分析的原则,并根据我们过去几年的经验回顾了其潜力和能力(好的),限制(坏的)和谬误分析(丑陋的)。
2016-06-12 cs.CY
An emancipatory vision for designing (generative) AI for learner flourishing
Universidad de Valladolid(巴利亚多利德大学)
本文提出一种面向学习者蓬勃发展的解放性教育生成式AI设计愿景,包含初步设计原则与整体方法论,以应对依赖与孤立风险。
2026-09-09 cs.AI cs.CY
Agent4Edu: Generating Learner Response Data by Generative Agents for Intelligent Education Systems
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室);University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence(人工智能研究院);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
提出Agent4Edu,一种利用大语言模型构建生成式智能体模拟学习者行为,以解决智能教育系统中离线指标与在线性能差异的问题,并支持个性化学习算法评估与优化。
2026-05-28 cs.AI cs.CY
Gamification with Purpose: What Learners Prefer to Motivate Their Learning
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Economics, Bratislava(布拉迪斯拉发经济大学)
本研究探讨了学习者在教育中更倾向于哪些游戏设计元素来激励学习,发现进度条、概念图等直接支持学习的元素更受青睐。
2025-12-09 cs.CY cs.HC cs.MM
Risks of AI Foundation Models in Education
Microsoft Research(微软研究院)
如果斯坦福大学最近一份报告的作者(Bommasani等人,2021年)关于“基础模型“的机会和风险的研究报告,这些模型代表了人工智能和它们将被使用的领域(包括教育)的范式转变。虽然这个名字是新的(并且有争议(Field,2021)),但这个术语描述了现有类型的算法模型,这些模型是“在大规模的广泛数据上训练的”和“微调的”(即,适用于特定的下游任务,并且旨在包括诸如BERT或GPT-3的大语言模型和诸如CLIP的计算机视觉模型。这些技术有可能造成广泛的危害(例如,Bender等人,2021),但它们在教育领域的使用特别令人担忧,尽管作者声称对学习者有潜在的好处。在斯坦福报告的第3.3节中,马利克等人认为,实现为所有学习者提供教育的目标需要更有效的计算方法,这些方法可以在教育领域和教育环境中快速扩展,他们认为基础模型非常适合。然而,有证据表明,基础模型不仅不可能为学习者带来所述的好处,而且它们的使用还可能带来新的危害风险。
2021-10-19 cs.AI cs.CY
Predicting Engagement in Video Lectures
University College London(伦敦大学学院)
近年来,开放教育资源(OERs)的爆炸式增长产生了对可扩展的、自动化的方法来处理和评估OERs的需求,其最终目标是为学习者识别和推荐最合适的教育材料。我们专注于构建模型,以找到上下文无关的参与(即基于人口),一个很少研究的主题相比,其他情境化和个性化的方法,更侧重于个人学习者参与的特点和功能。学习者的参与度,可以说是一个更可靠的衡量标准比流行/意见的数量,是比用户评级更丰富,也已被证明是实现学习成果的一个关键组成部分。在这项工作中,我们探讨了建立一个基于人口的教育参与预测模型的想法。我们引入了一个新的,大型的视频讲座数据集预测上下文无关的参与,并提出了跨模态和模态特定的功能集来实现这一任务。我们进一步测试了不同的策略来量化学习者参与信号。我们展示了我们的方法在数据稀缺的情况下使用。此外,我们执行的最佳性能模型,表现出良好的性能,可以很容易地集成到一个教育推荐系统的OER的敏感性分析。
2020-06-10 cs.AI cs.CY cs.HC
ARIS: An open source platform for developing mobile learning experiences
受移动、互联网计算和教育游戏设计领域的成熟启发,ARIS项目设计了一个开源工具,用于快速生成定位、交互、以叙事为中心的教育体验。除了软件之外,该项目还为活跃的设计师提供了一个全球社区,并为学习者提供了越来越多的引人注目的设计机制。
2023-02-15 cs.CY cs.HC
Toward Trait-Aware Learning Analytics
Carnegie Mellon University(卡内基梅隆大学);University of Tübingen(蒂宾根大学);University of California, Berkeley(加州大学伯克利分校)
本文提出将学习者特质作为学习分析的核心,通过扩展框架提升个性化与系统设计效果。
2026-01-16 cs.CY cs.HC
Similarity in Observable Behaviors: A Synthesis of Studies with Implications for Socially-Aware Educational Technology Design
对话就像一个复杂的伙伴舞蹈和行为趋同,或随着时间的推移,在可观察到的行为的合作伙伴的相似性,可以导致共同的理解,改变信仰和增加融洽关系。本文介绍了一个合成的三股细粒度的分析同行辅导中的会话互动的语言和言语水平,在试图更好地理解行为收敛的现象及其与社会和认知结构的关系,我们的工作。社会意识的代理人,可以提高任务的性能,通过收敛和从人类学习者的行为发展的影响进行了讨论。
2016-08-09 cs.CY cs.HC
Cognitive Agent Compilation for Explicit Problem Solver Modeling
Carnegie Mellon University(卡内基梅隆大学)
本文提出Cognitive Agent Compilation框架,利用强教师LLM将问题解决知识编译为显式目标代理,旨在提高教育场景中问题解决的可检查性和可编辑性。
2026-05-07 cs.AI cs.CL cs.CY
Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence
College of Computing and Data Science, Nanyang Technological University, NTU, Singapore(南洋理工大学计算机与数据科学学院);DeepMed Ptd Ltd, India(印度DeepMed公司)
本文探讨高等教育中代理多代理AI平台的整合,旨在解决教育机构复杂性中的碎片化问题,强调包容性和适应性决策的重要性。
2026-05-14 cs.AI cs.CY
LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
Texas A&M University–Corpus Christi(德克萨斯A&M大学科珀斯克里斯蒂分校);University of Missouri(密苏里大学);University of California, Riverside(加利福尼亚大学河滨分校);University of South Florida(南佛罗里达大学)
针对语言学习资源因成本受限的问题,提出LLMersion框架,利用小型开放权重模型在本地笔记本电脑上实现完整四技能训练,成本极低,并发布开源原型以促进教育公平。
2026-10-05 cs.CL cs.CY cs.HC
A Patterns Based Approach for Design of Educational Technologies
教学设计是教育技术的一个基本基础,因为它奠定了基础,以促进基于教学基础的学习和教学。然而,大多数的教育技术今天面临着两个核心挑战,在这种情况下:(i)缺乏教学设计作为基础(ii)缺乏对各种教学设计的支持。为了应对这些挑战,我们提出了一个基于模式的方法设计的教育技术。这与现有的文献相反,现有的文献集中在教育或软件中的模式,而不是两者兼而有之。我们的方法的核心思想是利用模式建模教学设计知识,并将其与模式的软件架构。我们讨论了教学设计中的不同类型的模式。然后,我们提出了面向模式的教学设计(POID)的概念,作为一种方式来建模教学设计的模式(目标模式,过程模式,内容模式)的连接,并将其与面向模式的软件架构(POSA)的基础上,在软件工程的基本原则。我们通过成人扫盲案例研究(2.87亿学习者,22种印度语言和各种教学设计)展示了我们的方法。我们的方法(网络和移动版本)的结果可在http://rice.iiit.ac.in上获得,并被印度政府国家扫盲任务管理局采用。
2018-02-07 cs.CY cs.SE
Impacts of Anthropomorphizing Large Language Models in Learning Environments
IU International University of Applied Sciences(IU应用科学大学)
本文探讨学习环境中LLM拟人化对教育理论和学习者情感的影响,基于媒体方程式及佐治亚理工学院聊天机器人实验,为提升学习效果和理解情感影响奠定基础。
2024-07-22 cs.AI cs.CL cs.CY
An Ontology Based Modeling Framework for Design of Educational Technologies
Indian Institute of Technology, Tirupati(蒂鲁帕蒂印度理工学院);International Institute of Information Technology Hyderabad(海得拉巴国际信息技术学院)
尽管取得了快速的进步,但今天的大多数教育技术缺乏强大的教学设计知识基础,导致教学质量受到质疑。此外,一个主要的挑战是为各种教学设计定制这些教育技术。本体是在文献中表示教学设计的相关机制之一。然而,现有的方法不支持灵活的教学设计建模。为了解决这个问题,在本文中,我们提出了一个基于领域模式的教学设计知识的不同方面的系统建模框架。作为框架的一部分,我们提出了建模目标,教学过程和教学材料的本体。我们展示了本体框架,提出的实例,本体的成人识字在印度的大规模案例研究(2.87亿学习者分布在22个印度语言),这需要创建1000个类似的,但不同的电子学习系统的基础上灵活的教学设计。已实施的框架可在http://rice.iiit.ac.in上查阅,并转交给印度政府国家扫盲团。该框架可用于技能系统、学校教育及其他领域的教学设计知识建模。
2018-02-07 cs.AI cs.CY
Adaptive Learning Systems: Personalized Curriculum Design Using LLM-Powered Analytics
University of Utah(犹他大学);Tianjin University(天津大学);University of Pennsylvania(宾夕法尼亚大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出利用 LLM 分析实时学习数据并动态调整路径与资源的自适应学习框架,实验表明其可提升参与度、知识保持率并支持以学生为中心的教学。
2025-07-25 cs.CL cs.CY
Intelligent Tutors for Adult Learners: An Analysis of Needs and Challenges
Drexel University(德雷塞尔大学);Georgia Institute of Technology(佐治亚理工学院)
本研究聚焦成人自主学习场景下智能导师系统的采纳问题,提出新型系统Apprentice Tutors,通过部署研究与焦点小组明确成人学习需求与挑战,给出设计建议,助力教育技术支持终身学习。
2025-02-19 cs.AI cs.CY cs.HC
Improved Performances and Motivation in Intelligent Tutoring Systems: Combining Machine Learning and Learner Choice
Inria(法国国家信息与自动化研究所);Université de Bordeaux(波尔多大学)
本研究将学习者选择机制整合入基于多臂老虎机的个性化系统ZPDES,通过265名儿童的RCT实验证明,选择带来的内在动机仅在自适应系统中能提升学习表现与体验,在固定课程中则有害。
2025-03-05 cs.AI cs.CY cs.LG
TrueLearn: A Python Library for Personalised Informational Recommendations with (Implicit) Feedback
University College London(伦敦大学学院)
本文提出 TrueLearn Python 库,基于开放学习者理念构建在线贝叶斯推荐模型,并提供可视化表示、隐式反馈教育数据集及评估指标,以支持可解释的个性化信息推荐。
2023-09-20 cs.AI cs.CY cs.IR
Intelligent Tutor: Leveraging ChatGPT and Microsoft Copilot Studio to Deliver a Generative AI Student Support and Feedback System within Teams
Chinese Culture University(中国文化大学);Tatung University(大同大学)
本研究在Microsoft Teams上集成ChatGPT API、GPT-4和Copilot Studio构建智能辅导系统,动态调整教育内容,提供即时反馈,提升学生动机与参与度,并为教师提供学习过程洞察。
2024-05-15 cs.AI cs.CL cs.CY
Semantic TrueLearn: Using Semantic Knowledge Graphs in Recommendation Systems
Centre for Artificial Intelligence, University College London(伦敦大学学院人工智能中心)
在信息领域,许多挑战来自于需要处理知识领域之间的语义和层次结构。这项工作的目的是推进对建立一个状态感知的教育推荐系统,结合知识主题之间的语义相关性,传播潜在的信息在语义相关的主题。我们引入了一种新的学习者模型,利用这种语义之间的相关性知识组件的学习资源使用维基百科链接图,目的是更好地预测学习者的参与和潜在的知识在终身学习的情况下。从这个意义上说,Semantic TrueLearn构建了一个人性化的直观知识表示,同时利用贝叶斯机器学习来提高教育参与的预测性能。我们对大型数据集的实验表明,这种新的语义版本的TrueLearn算法在预测性能方面实现了统计上的显着改进,并通过简单的扩展为模型添加了语义感知。
2021-12-08 cs.AI cs.CY cs.IR