TrueLearn: A Family of Bayesian Algorithms to Match Lifelong Learners to Open Educational Resources
University College London（伦敦大学学院）
计算机辅助学习系统的最新进展和今天开放教育资源的可用性，为广大学习者提供了一条具有成本效益的高质量教育的途径。计算机辅助学习最雄心勃勃的用例之一是建立终身学习推荐系统。与短期课程不同，终身学习提出了独特的挑战，需要复杂的推荐模型，这些模型考虑了广泛的因素，如学习者的背景知识或材料的新颖性，同时有效地保持大量学习者的知识状态，持续更长的时间（理想情况下，一生）。这项工作为建立一个动态，可扩展和透明的教育推荐系统奠定了基础，以开放教育资源的形式从隐式数据中建模学习者的知识。我们i）使用基于维基百科的文本本体自动提取教育资源的知识成分，ii）提出了一套在线贝叶斯策略的启发，著名的领域的项目反应理论和知识追踪。我们的建议，TrueLearn，专注于学习者有足够的背景知识（因此他们能够理解并从材料中学习）的建议，并且材料具有足够的新颖性，可以帮助学习者提高他们对主题的知识并保持他们的参与。我们进一步构建了一个大型的开放式教育视频讲座数据集，并测试了所提出的算法的性能，这表明了建立一个有效的教育推荐系统的明确承诺。
2019-11-21 cs.AI cs.IR cs.LG
Mix-nets: Factored Mixtures of Gaussians in Bayesian Networks With Mixed Continuous And Discrete Variables
Carnegie Mellon University（卡内基梅隆大学）
最近开发的技术使得从低维连续空间中的数据快速学习精确的概率密度函数成为可能。特别是，混合高斯可以非常快地拟合数据使用加速EM算法，采用多分辨率kd树（摩尔，1999年）。在本文中，我们提出了一种贝叶斯网络，在该网络中，在域的变量的不同子集的高斯低维混合物被组合成一个连贯的联合概率模型在整个域。该网络还能够对离散变量和连续变量之间的复杂依赖关系进行建模，而不需要对连续变量进行离散化。我们提出了有效的启发式算法，从数据中自动学习这些网络，并进行比较实验，说明如何以及这些网络模型真实的科学数据和合成数据。我们还简要讨论了一些可能的改进网络，以及可能的应用。
2013-01-16 cs.AI cs.LG stat.ML
The structure of Bayes nets for vision recognition
Stanford University（斯坦福大学）
本文是一项研究的一部分，其目标是显示使用贝叶斯网络进行基于模型的视觉计算的效率。[Binford等人。1987]识别通过根据对象的几何和功能描述绘制网络模型来进行，该模型预测对象的外观。然后这个网络被用来在一张照片中找到物体。许多现有的和提出的视觉识别技术类似于贝叶斯网络的不确定性计算。然而，与此相反，它们缺乏从第一原理的推导，并且倾向于依赖于我们希望通过网络模型避免的任意参数。网络的连通性取决于视觉问题中可以识别的独立性考虑。更大的独立性导致更容易的计算，以牺牲网络的表现力为代价。一旦这种权衡和网络的结构是确定的，它应该是可以定制的解决方案techniques为it.This本文探讨了使用网络与多连接路径，借鉴技术的信念网络[Pearl 86]和影响图。然后，我们演示如何一个配方的多连接网络可以解决。
2013-03-27 cs.AI
Rendering Transparency to Ranking in Educational Assessment via Bayesian Comparative Judgement
Bath Spa University（巴斯泉大学）；Swansea University（斯旺西大学）；University of Glasgow（格拉斯哥大学）
针对教育评估中比较判断的不透明问题，提出整合先验信息的贝叶斯比较判断方法，通过量化不确定性、支持多准则评估提升排名透明度，并结合真实数据集与从业者调研验证了其在教育场景的应用价值。
2025-03-17 cs.AI cs.CY cs.HC
Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets
New York University（纽约大学）
本文通过噪声-或因果贝叶斯网络评估LLM和人类在因果推理任务中的表现，探讨其因果强度和信念差异。
2025-12-10 cs.AI
Probabilistic reasoning with answer sets
Arizona State University（亚利桑那州立大学）；Texas Tech University（德克萨斯理工大学）
本文开发了一种声明性语言，P-log，它结合了逻辑和概率的论点，在其推理。答案集Prolog被用作逻辑基础，而因果贝叶斯网作为概率基础。我们给出了几个非平凡的例子，并说明使用P-log的知识表示和知识更新。我们认为，我们的更新方法比现有的方法更有吸引力。我们给出了P-log程序的一致性的充分条件，并表明贝叶斯网可以很容易地映射到连贯的P-log程序。
2008-12-03 cs.AI cs.LO
Sample-and-Accumulate Algorithms for Belief Updating in Bayes Networks
贝叶斯网中的信念更新是一个众所周知的计算困难的问题，最近已经被几种确定性算法和各种随机近似算法所近似。确定性算法通常提供概率界，但具有指数运行时间。一些随机化方案具有多项式运行时间，但仅提供概率估计。我们提出了随机算法，枚举高概率的部分实例，从而在概率界。这些算法中的一些也是采样算法。具体来说，我们介绍和评估的一个变种的后向采样，作为一个采样算法和随机枚举算法。我们还放松了采样和累积算法所使用的隐式假设，即查询节点必须在所有样本中实例化。
2013-02-13 cs.AI
PSO-based Fuzzy Markup Language for Student Learning Performance Evaluation and Educational Application
National University of Tainan（台南大学）；INRIA（法国国家信息与自动化研究所）
本文提出了一种基于模糊置标语言（FML）的粒子群优化（PSO）智能体，用于学生学习性能评估和教育应用，该智能体是根据常规测试的响应数据和项目响应理论设计的。首先，我们应用基于GS的参数估计机制根据响应数据估计项目参数，然后将其结果与基于IRT的贝叶斯参数估计机制的结果进行比较。此外，我们提出了一个静态IRT测试组装机制，组装一个传统的测试形式。提出了基于FML的动态评估机制，推断出具有不同能力的学生对该项目做出正确反应的概率。此外，本文还提出了一种新的PFML学习机制，优化项目和学生之间的参数。最后，我们采用K折交叉验证机制来评估所提出的代理的性能。实验结果表明，新的PFML学习机制的参数估计和学习优化性能良好。我们相信，PFML将成为教育研究和教学的参考，以及未来人机教育应用的重要协同学习机制。
2018-02-24 cs.AI
The AI Teacher Test: Measuring the Pedagogical Ability of Blender and GPT-3 in Educational Dialogues
Stanford University（斯坦福大学）
我们如何测试最先进的生成模型，如Blender和GPT-3，是否是好的AI教师，能够在教育对话中回答学生？设计一个人工智能教师测试是具有挑战性的：虽然评估方法是非常需要的，但没有现成的解决方案来衡量教学能力。本文报道了AI教师测试的第一次尝试。我们建立了一个解决方案，你可以在现实世界的对话中与人类教师并行运行会话代理，模拟不同的代理如何回应学生，并根据三种能力比较这些对应的响应：像老师一样说话，理解学生，帮助学生。我们的方法建立在教育比较判断的可靠性，并使用概率模型和贝叶斯抽样推断教学能力的估计。我们发现，即使会话代理（尤其是Blender）在会话吸收方面表现良好，但在几个教学维度上，他们比真正的教师更差，特别是在帮助方面（Blender：Δ能力= -0.75; GPT-3：Δ能力= -0.93）。
2022-05-16 cs.AI cs.CL
Assessing AI-Generated Questions' Alignment with Cognitive Frameworks in Educational Assessment
ESIEA（ESIEA 高等信息工程师学院）；Lebanese University（黎巴嫩大学）
本研究构建含3691道按布鲁姆分类法标注的问题数据集，对比多种分类模型，发现DistilBERT以91%的整体验证准确率最优，验证了将布鲁姆分类法融入AI教育评估工具的可行性。
2025-08-30 cs.AI cs.CL
Reliable Deep Grade Prediction with Uncertainty Estimation
George Mason University（乔治梅森大学）
目前，上大学的学生比他们的父母一代需要更长的时间才能毕业。此外，在美国，六年制毕业率几十年来一直是59%。通过培养能够及时顺利毕业的准备更充分的学生来提高教育质量至关重要。准确预测学生在未来课程中的成绩已经引起了人们的广泛关注，因为它可以帮助早期识别有风险的学生，以便顾问可以及时向他们提供个性化的反馈。以往对学生成绩预测的研究多采用浅层线性模型，然而学生的学习是一个高度复杂的过程，涉及到一系列课程知识的积累，这些线性模型无法充分模拟。除此之外，以前的方法专注于预测准确性，而不考虑预测的不确定性，这对于建议和决策至关重要。在这项工作中，我们提出了两种类型的贝叶斯深度学习模型的成绩预测。MLP忽略了学生知识演变的时间动态性。因此，我们提出RNN用于学生的表现预测。为了评估所提出的模型的性能，我们进行了广泛的实验，从一个大型公立大学收集的数据。实验结果表明，所提出的模型实现了更好的性能比现有的国家的最先进的方法。除了更准确的结果外，贝叶斯深度学习模型还可以估计与预测相关的不确定性。我们探讨如何不确定性估计可以应用于发展一个可靠的教育预警系统。除了不确定性，我们还开发了一种方法来解释预测结果，这是有用的顾问提供个性化的反馈给学生。
2019-02-26 cs.AI 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
Updating with incomplete observations
Ghent University（根特大学）；IDSIA（人工智能研究所）
目前，人们对Shafer于1985年提出的在观测不完整（或集值）时更新概率的问题重新产生了兴趣。这是一个基本问题，对贝叶斯网络特别感兴趣。最近，Grunwald和Halpern证明了常用的更新策略在这里失败，除非在非常特殊的假设下。我们提出了一个新的规则更新概率不完整的观测。我们的方法是故意保守的：我们对产生不完整观测的所谓不完整机制不做任何假设或做很弱的假设。我们的模型，我们对这种机制的无知由一个空洞的较低的prevision，从理论上的不精确概率的工具，我们推导出一个新的更新规则，使用相干参数。一般来说，我们的规则产生较低的后验概率，以及部分确定的决策。这是对不完全性机制无知的逻辑结果。我们展示了如何新的规则可以妥善解决明显的悖论在“蒙蒂霍尔”难题。此外，我们将其应用到贝叶斯网络中使用专家知识构建的新证据的分类。我们提供了一个精确的算法，这个任务的线性时间复杂度，也为多连通网。
2014-08-07 cs.AI
Future-Proofing Programmers: Optimal Knowledge Tracing for AI-Assisted Personalized Education
College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院）；Department of Applied Mathematics, Chung Yuan Christian University, Taiwan（Chung Yuan Christian University 应用数学系）
本文提出融合信号处理、凸优化与生成式AI的CoTutor模型，增强贝叶斯知识追踪并提供自适应反馈，大学试验显示其学习成效优于传统工具。
2025-09-28 cs.AI
Updating beliefs with incomplete observations
目前，有新的兴趣的问题，提出了谢弗在1985年，更新概率时，观察是不完整的。这是一个基本问题，特别是贝叶斯网络。最近，Grunwald和Halpern已经表明，常用的更新策略在这种情况下失败，除非在非常特殊的假设。在本文中，我们提出了一种新的方法来更新不完整的观测值的概率。我们的方法是故意保守的：我们不对所谓的不完整性机制做任何假设，这种机制将完整与不完整的观察联系起来。我们通过一个空洞的低预见来模拟我们对这种机制的无知，这是一种来自不精确概率理论的工具，我们只使用相干参数来将先验概率转换为后验概率。一般来说，这种新的更新方法会产生较低和较高的后验概率和期望，以及部分确定的决策。这是对不完全性机制的现有无知的逻辑结果。我们应用新的方法来分类的问题，新的证据在概率专家系统，在那里它会导致一个新的，所谓的保守更新规则。在贝叶斯网络使用专家知识构建的特殊情况下，我们提供了一个精确的算法分类的基础上，我们的更新规则，它具有线性时间复杂度的一类网络比多叉树。然后，这个结果被扩展到更一般的信用网络框架，其中计算通常比贝叶斯网络更困难。使用一个例子，我们表明，我们的规则似乎提供了一个坚实的基础，可靠的更新不完整的观察，当没有强有力的假设不完整的机制是合理的。
2004-05-17 cs.AI
