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
Examining the effects of music on cognitive skills of children in early childhood with the Pythagorean fuzzy set approach
Istanbul University-Cerrahpasa(伊斯坦布尔大学-杰拉赫帕夏);Istanbul Sabahattin Zaim University(伊斯坦布尔萨巴哈丁·扎伊姆大学)
本研究采用毕达哥拉斯模糊集方法,基于专家意见构建模型并通过期望得分函数排序,验证了幼儿期音乐教育对时空认知技能发展的促进作用,算法排序与专家结论一致。
2025-02-03 cs.AI q-bio.NC
Clustering Students According to their Academic Achievement Using Fuzzy Logic
Yuriy Fedkovych Chernivtsi National University(尤里·费德科维奇切尔诺夫策国立大学);Chernivtsi transport college(切尔诺夫策交通学院);Hubei University of Technology(湖北工业大学)
本研究开发了基于Python和模糊逻辑的学生成绩聚类软件,结合K-Means方法与模糊三角隶属函数实现无清晰边界下的准确聚类,可精准为学生推荐适配难度的学习任务,同时具备教学价值。
2023-12-01 cs.AI cs.CY
BKT-LSTM: Efficient Student Modeling for knowledge tracing and student performance prediction
Inria - Lille Nord Europe(法国国家信息与自动化研究所里尔北欧中心)
最近,我们看到在线教育平台的使用率迅速上升。个性化教育在未来的学习环境中变得至关重要。知识追踪(KT)是指检测学生的知识状态并根据其过去的成绩预测未来的表现,为智能教学系统(ITS)提供自适应的解决方案。贝叶斯知识追踪(BKT)是一个模型,以捕捉每个技能的掌握程度与心理意义的参数,并广泛应用于成功的辅导系统。然而,它无法检测跨技能的学习迁移,因为每个技能模型是独立学习的,并且在学生表现预测中显示出较低的效率。虽然最近基于深度神经网络的KT模型显示出令人印象深刻的预测能力,但它是有代价的。神经网络中数以万计的参数无法提供反映认知理论的心理学意义的解释。在本文中,我们提出了一种名为BKT-LSTM的高效学生模型。它包含三个有意义的组成部分:个人\textit{skill mastery}评估BKT,\textit{ability profile}(跨技能学习迁移)检测的k均值聚类和\textit{problem difficulty}。通过利用LSTM的预测能力,所有这些组件都被考虑到学生未来的表现预测中。BKT-LSTM通过考虑这些有意义的特征,而不是在DKT中使用学生过去交互的二进制值,在学生的表现预测方面优于最先进的学生模型。我们还对BKT-LSTM模型的每个组件进行了消融研究,以检查它们的价值,每个组件都对学生的表现预测做出了显着贡献。因此,它有可能在现实世界的教育系统中提供自…
2021-06-08 cs.AI
GIKT: A Graph-based Interaction Model for Knowledge Tracing
Shanghai Jiao Tong University(上海交通大学);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
随着网络教育的迅速发展,知识追踪(KT)已经成为一个基本的问题,跟踪学生的知识状况,并预测他们在新问题上的表现。在线教育系统中的问题往往很多,而且总是与少得多的技能相关联。然而,以往的文献未能涉及问题的信息以及高阶问题的技能相关性,这主要是由数据稀疏性和多技能问题的限制。从模型的角度来看,以前的模型很难捕捉学生的练习历史的长期依赖性,并且不能以一致的方式建模学生问题和学生技能之间的相互作用。在本文中,我们提出了一个基于图的知识追踪交互模型(GIKT)来解决上述问题。更具体地说,GIKT利用图卷积网络(GCN)来通过嵌入传播实质上合并问题-技能相关性。此外,考虑到相关问题通常分散在练习历史中,并且问题和技能只是知识的不同实例,GIKT将学生对问题的掌握程度概括为学生的当前状态、学生的历史相关练习、目标问题和相关技能之间的相互作用。在三个数据集上的实验表明,GIKT实现了新的最先进的性能,具有至少1%的绝对AUC改善。
2020-09-13 cs.AI
Fuzzy Intelligent System for Student Software Project Evaluation
School of Information Technology and Engineering(信息技术与工程学院);Kazakh-British Technical University(哈萨克斯坦-英国技术大学)
本文提出一个模糊智能系统,以整洁代码、继承使用和功能性为模糊变量,结合专家规则自动评估学生软件项目质量,从而标准化评估并减少主观偏差。
2024-05-01 cs.AI cs.CY cs.SE
Unlocking Futures: A Natural Language Driven Career Prediction System for Computer Science and Software Engineering Students
Daffodil International University(达福迪尔国际大学)
本研究开发了一个AI辅助模型,利用NLP和多种ML/DL算法,基于CS和SWE学生的学业技能、兴趣和活动信息预测职业路径,为教育咨询提供个性化职业建议。
2024-05-28 cs.AI
Leveraging Skill-to-Skill Supervision for Knowledge Tracing
Turing AI Research(图灵人工智能研究院);University of Seoul(首尔大学)
针对知识追踪中题目知识研究不足、数据有限及冷启动难题,引入专家标注的技能间关系并提出新模型构建方法,性能优于Transformer基线,且数据有限时优势更显著、冷启动更平稳。
2023-06-12 cs.AI
Socratic Skill Learning: Interleaving Teaching and Practice for Transferable Agent Skills
Nanjing University(南京大学);Alibaba Group(阿里巴巴集团)
该研究提出苏格拉底式技能学习(SSL)方法,构建SkillTransferBench基准,发现交织教学与实践的SSL可提升智能体技能效用,问题引导SSL还能降低令牌使用量。
2026-10-14 cs.AI
Perceived Importance of Cognitive Skills Among Computing Students in the Era of AI
University of Florida(佛罗里达大学)
研究探讨人工智能工具普及对计算学生认知技能发展的影响,通过调查发现学生预期未来认知技能重要性下降,强调需加强学习环境中认知技能的培养。
2026-04-12 cs.AI cs.CY
Cognitive Skills in the Age of AI: Computing Students and Experts Perceptions
University of Florida(佛罗里达大学)
本研究通过混合方法调查计算学生与专家对认知技能重要性的看法,发现AI环境下多数技能重要性下降,但批判性思维仍关键,并为未来准备提供建议。
2026-09-29 cs.AI cs.HC
Using Scratch to Teach Undergraduate Students' Skills on Artificial Intelligence
University of the Basque Country (UPV-EHU)(巴斯克大学(UPV-EHU))
本文提出了一种基于Scratch的教育研讨会方法,通过让学生完成聚类和两个神经网络的简单练习,旨在消除人工智能及其算法的复杂性,促进本科生的积极参与。
2019-03-30 cs.AI cs.CY
Fuzzy Logic -- Based Scheduling System for Part-Time Workforce
University of Cincinnati(辛辛那提大学)
本研究提出一种基于遗传模糊系统的调度算法,用于生成大学兼职学生工人的可行排班,兼顾偏好工时、最大周工时及值班人数等约束,并在辛辛那提大学数据上验证了其高效性与鲁棒性。
2025-04-21 cs.AI cs.NE
Adaptive Task Assignment in Online Learning Environments
University of Agder(阿格德大学);Oslo and Akershus University College(奥斯陆与阿克什胡斯大学学院)
随着在线学习的日益普及,智能辅导系统正重新获得越来越多的关注。在本文中,我们引入自适应算法的个性化分配学习任务的学生,以提高他的表现在在线学习环境。作为本文的主要贡献,我们提出了一种新的基于技能的任务分配(SBTS)算法,它能够近似一个学生的技能水平的基础上,他的表现,从而建议适当的任务。SBTS的灵感来自于多臂强盗算法。然而,与标准的多臂强盗方法相比,SBTS旨在获得与学生学习相关的两个标准,即:学生应该研究哪些主题,以及任务的难度应该是什么。SBTS以基于学生行为的任务和技能矩阵中的创新奖励和惩罚计划为中心。为了验证该算法,复杂的学生行为建模使用邻居节点选择方法的基础上经验估计的学生学习曲线。该算法是从一个基本的Java编程课程的实际情况进行评估。SBTS能够快速准确地适应复合学生能力-即使有多种学生模型。
2016-06-23 cs.AI
The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy
University of Melbourne(墨尔本大学);FernUniversität(费尔大学);University of Eastern Finland(东芬兰大学)
研究大学生和教职员工GenAI素养路径差异,通过心理测量分析发现学生常先掌握高级创作再获基础理解,与学者路径不同且相关性弱,挑战“一刀切”课程,为诊断驱动干预提供依据。
2026-07-08 cs.AI cs.CY
LLM-as-a-Fuzzy-Judge: Fine-Tuning Large Language Models as a Clinical Evaluation Judge with Fuzzy Logic
University of Cincinnati(辛辛那提大学)
针对医学教育中临床技能自动化评估难与医生主观偏好对齐的问题,提出结合模糊逻辑微调LLM的LLM-as-a-Fuzzy-Judge方法,实现超80%的整体准确率及超90%的主要项准确率,推动医学教育自动化评估发展。
2025-06-12 cs.AI cs.CL cs.LO
A New Approach of Learning Hierarchy Construction Based on Fuzzy Logic
Ibn Zohr University(伊本·祖赫尔大学)
近年来,适应性学习系统越来越多地依赖于学习层次来定制其课程中开发的教育逻辑。大多数方法没有考虑技能之间的先决条件关系是模糊关系。在这篇文章中,我们描述了一个新的方法的实际应用模糊逻辑技术的建设学习层次。为此,我们使用由特定领域的一个或多个专家预定义的学习层次结构。然而,在学习层次中,技能之间的先决条件关系并不是确定的,它们是模糊的关系。事实上,我们衡量的相关度存在于这个学习层次中的所有关系,我们试图回答以下问题:是在初始学习层次中预定义的先决条件的关系是正确的建立或没有?
2014-12-08 cs.AI cs.CY cs.LG
A CEFR-Inspired Classification Framework with Fuzzy C-Means To Automate Assessment of Programming Skills in Scratch
Universidad Rey Juan Carlos(雷昂卡洛斯大学)
提出一种基于CEFR的Scratch项目评估框架,使用模糊C均值聚类对200万+项目分级,识别B2瓶颈并引入分类确定性指标以平衡自动反馈与人工审核。
2026-06-18 cs.AI cs.CY cs.LG
Learning after COVID-19 and the ICT career aspirations: Are students entering the AI era with weaker skills?
Department of Economic Informatics and Cybernetics, Bucharest University of Economic Studies(经济信息与自动化系,布加勒斯特经济学院)
基于PISA 2018和2022数据,采用混合方法分析学习环境与ICT职业抱负的关系,发现数字技能是最强预测因素,教师支持起补充作用,自主性影响较弱且依赖情境。
2026-04-17 cs.AI cs.CY
Deterministic Preprocessing and Interpretable Fuzzy Banding for Cost-per-Student Reporting from Extracted Records
School of Computer Science, University of Technology Sydney(悉尼技术大学计算机科学学院);Management Discipline Group, University of Technology Sydney(悉尼技术大学管理学科组)
该研究提出了一种确定性预处理和可解释模糊带分析方法,用于从提取记录中生成每生成本报告,通过规则主导的工作流和确定性计算实现可解释的决策支持。
2026-08-10 cs.AI cs.DB
DAS3H: Modeling Student Learning and Forgetting for Optimally Scheduling Distributed Practice of Skills
CentraleSupélec(中央理工-高等电力学院);University of Paris-Saclay(巴黎-萨克雷大学);RIKEN AIP(理化学研究所AIP中心)
间隔重复是认知科学文献中研究最多的学习策略之一。它包括在时间上分布对信息的暴露,以改善长期记忆。为学生提供自适应和个性化的分布式练习时间表将不仅仅是一个通用的调度器。然而,这种自适应记忆器的适用性似乎仅限于纯记忆,例如抽认卡或外语学习。在这篇文章中,我们首先框架的研究问题,优化一个自适应和个性化的间隔重复调度时,记忆关注的应用程序的基础多种技能。为此,我们选择依靠学生模型来推断任何技能或技能组合的知识状态和记忆动态。我们认为,没有知识追踪模型考虑到记忆衰退和多种技能标记来预测学生的表现。因此,我们提出了一个新的学生学习和遗忘模型适合我们的研究问题:DAS 3H建立在添加剂因子模型,并包括一个项目所涉及的技能的时间分布的表示过去的实践。特别是,DAS3H允许学习和遗忘曲线因技能而异。最后,我们在三个真实世界的教育数据集上提供了实证证据,证明DAS3H优于其他最先进的EDM模型。这些结果表明,将项目技能关系和遗忘效应相结合,比考虑其中一个或另一个的学生模型更好。
2019-05-14 cs.AI cs.CY stat.AP
Benchmarking Large Language Models for Diagnosing Students' Cognitive Skills from Handwritten Math Work
School of Computing, KAIST, Daejeon, Republic of Korea(韩国庆熙大学计算机学院);University of Michigan, Ann Arbor, USA(美国密歇根大学);Ewha Womans University, Seoul, Republic of Korea(韩国成均馆大学);AlgorithmLabs, Seoul, Republic of Korea(韩国AlgorithmLabs公司)
本文评估了18种大型语言模型在诊断学生手写数学作业认知技能时的表现,发现模型在模糊证据下表现不佳,揭示了模型在证据处理上的系统性问题。
2026-02-04 cs.AI cs.HC
Can an AI-Powered Presentation Platform Based On The Game "Just a Minute" Be Used To Improve Students' Public Speaking Skills?
Department of Computer Science, University of York, York, United Kingdom(计算机科学系,约克大学,约克,英国)
本研究基于广播游戏《Just a Minute》打造AI驱动演讲平台,招募约克大学学生测试,结果显示学生认可其提升演讲技能的潜力,为AI游戏化提升公众演讲能力提供了初步参考。
2025-10-03 cs.AI cs.CY
Difference of Probability and Information Entropy for Skills Classification and Prediction in Student Learning
Wenzhou-Kean University(温州肯恩大学);University of Technology and Applied Sciences(技术与应用科学大学);University of Uyo(乌约大学)
本文结合Bayes定理、概率补集与概率差,提出用argMaxPr(S)与学生表现概率之差量化学习对象权重,并用决策树和信息熵完成技能分类、表现预测与学习推荐。
2023-12-10 cs.AI cs.CY
A Fuzzy Supervisor Agent Design for Clinical Reasoning Assistance in a Multi-Agent Educational Clinical Scenario Simulation
University of Cincinnati(辛辛那提大学)
本文提出模糊监督智能体(FSA),用于多智能体临床模拟平台,通过模糊推理实时分析医学生决策,提供自适应反馈,以辅助临床推理训练。
2025-07-03 cs.AI cs.CY cs.HC
An Agentic AI Framework for Training General Practitioner Student Skills
University of Antwerp(安特卫普大学)
本文提出了一种代理AI框架,用于培训全科医学生技能,通过统一病例生成、角色驱动对话和基于标准的评估,提升医学教育中虚拟模拟患者的效果。
2025-12-20 cs.AI cs.CL
Latent Skill Embedding for Personalized Lesson Sequence Recommendation
Cornell University(康奈尔大学)
在线课程中的学生生成大量数据,可用于个性化学习过程和提高教育质量。在本文中,我们提出了潜在技能嵌入(LSE),学生和教育内容的概率模型,可用于推荐个性化的课程序列,以帮助学生准备具体的评估。类似于推荐系统的协同过滤,该算法不要求学生或内容由特征描述,但它使用访问轨迹来学习表示。我们制定这个问题作为一个正规化的最大似然嵌入的学生,经验教训,并从历史的学生内容的互动评估。对自适应学习技术公司Knewton的大规模数据进行的实证评估表明,该方法预测评估结果与基准模型具有竞争力,并且能够区分导致掌握和失败的课程序列。
2016-02-23 cs.AI cs.CY cs.LG
Generative AI in Education: Student Skills and Lecturer Roles
Harz University of Applied Sciences(哈茨应用科学大学)
本研究通过文献综述和对130名学生的定量调查,识别了14项学生使用GenAI的关键技能及6个讲师教学策略领域,强调需结合伦理政策与项目实践以促进教育中包容且负责任的GenAI应用。
2025-04-28 cs.AI cs.CY
Toward a Benchmark for Controllable Simulation of Imperfect Students with Large Language Models
Holon Institute of Technology(霍隆理工学院);Afeka Tel Aviv Academic College of Engineering(阿法卡特拉维夫工程学院)
本研究提出一个基准框架,通过提示控制语言模型模拟具有指定技能轮廓的学生,并评估其可控性,为教师教育中的刻意练习提供支持。
2026-05-25 cs.AI cs.CL
Distill Skills into Weights, Not Prompts: Abstract Skills as Privileged Signals for On-Policy Self-Distillation
该研究针对强化学习中组相对奖励失效的问题,提出SKALD框架,通过将抽象技能蒸馏为模型权重,在五个数学基准上提升了不同规模模型的avg@8指标。
2026-08-11 cs.AI cs.LG
Mixing Backward- with Forward-Chaining for Metacognitive Skill Acquisition and Transfer
North Carolina State University(北卡罗来纳州立大学)
元认知技能通常与未来在演绎领域学习的准备有关。许多研究者认为策略意识和时间意识是两种元认知技能,分别解决如何和何时使用问题解决策略。结果表明,学生谁是战略和时间意识(StrTime)优于他们的nonStrTime同行在演绎域。在这项工作中,学生们接受了逻辑导师的培训,该导师支持默认的前向链接(FC)和后向链接(BC)策略。我们调查了BC与FC混合对nonStrTime学生的教学策略和时间意识的影响。在逻辑教学过程中,实验班学生通过两个逻辑推理实例和逻辑推理中的一些问题,练习如何以及何时使用逻辑推理。与此同时,他们的对照组(Ctrl)和StrTime同龄人没有接受这样的干预。六个星期后,所有的学生都经历了一个概率导师,只支持BC评估是否收购元认知技能是从逻辑转移。我们的结果表明,在两个导师上,Exp的表现都优于Ctrl,并赶上了StrTime。
2023-03-18 cs.AI cs.HC cs.LG
Student Performance Prediction Using Dynamic Neural Models
International Hellenic University(国际希腊大学)
我们解决的问题,预测学生的反应的正确性在下一个考试问题的基础上,他们以前的互动过程中,他们的学习和评价过程。我们模拟学生的表现作为一个动态的问题,并比较其解决方案,即有限记忆时间延迟神经网络(TDNN)和潜在的无限记忆递归神经网络(RNN)的两大类动态神经架构。由于下一个响应是学生的知识状态的函数,这反过来又是他们以前的响应和与以前的问题相关联的技能的函数,我们提出了一个两部分的网络架构。第一部分采用动态神经网络(TDNN或RNN)来跟踪学生的知识状态。第二部分应用于动态部分之上,它是一个多层前馈网络,根据我们对学生知识状态的估计来完成预测学生响应的分类任务。输入技能和先前的响应都使用不同的嵌入进行编码。关于技能嵌入,我们尝试了两种不同的初始化方案,使用(a)随机向量和(b)匹配技能文本描述的预训练向量。我们的实验表明,在我们使用的所有数据集中,RNN方法的性能都优于TDNN方法。此外,我们还表明,我们的RNN架构在五分之四的数据集中优于最先进的模型。值得注意的是,TDNN方法在五分之四的数据集中也优于最先进的模型,尽管它比我们提出的RNN方法略差。最后,与我们的预期相反,我们发现使用预训练向量初始化技能嵌入实际上没有比随机初始化更好的优势。
2021-06-01 cs.AI cs.LG
The Power of Nudging: Exploring Three Interventions for Metacognitive Skills Instruction across Intelligent Tutoring Systems
North Carolina State University(北卡罗来纳州立大学)
演绎域是许多认知技能的典型,因为没有一个单一的问题解决策略总是最佳的解决所有问题。结果表明,知道如何以及何时使用每种策略(StrTime)的学生的表现优于那些既不知道又坚持默认策略(Default)的学生。在这项工作中,学生们接受了支持默认前向链和后向链(BC)策略的逻辑导师的培训,然后是只支持BC的概率导师。我们调查了三种类型的干预教学默认学生如何以及何时使用哪种策略的逻辑导师:例子,轻推和介绍。与此同时,StrTime的学生没有接受任何干预。总的来说,我们的结果表明,Nudge在两个导师上的表现都优于他们的Default同行,并赶上了StrTime。
2023-03-18 cs.AI cs.HC cs.LG
AI for non-programmers: Applied AI in the lectures for students without programming skills
Osnabrück University of Applied Sciences(奥斯纳布吕克应用科学大学)
本研究针对无编程基础的学生提出一套基于AI应用流水线的应用AI教学规划脚本,结合能源管理专业硕士课程示例验证其可行性,还提供了课程适配评估清单,推动AI教育融入非编程专业课程体系。
2024-02-06 cs.AI cs.CY cs.LG
Empa: An AI-Powered Virtual Mentor for Developing Global Collaboration Skills in HPC Education
Purdue University(普渡大学)
Empa通过AI技术为HPC教育提供跨文化交流培训,帮助学生提升国际协作能力,满足全球计算环境的需求。
2025-11-21 cs.AI cs.CY
Supporting Productivity Skill Development in College Students through Social Robot Coaching: A Proof-of-Concept
SMART Lab, Department of Computer Science, New York University, Abu Dhabi(纽约大学阿布扎克分校计算机科学系SMART实验室)
本研究提出一种社交辅助机器人作为教育辅导员,通过六种课程提升大学生生产力,实现个性化、可扩展的解决方案。
2025-11-30 cs.AI cs.HC cs.RO
SpeakEasy: A Conversational Intelligence Chatbot for Enhancing College Students' Communication Skills
本文提出了 SpeakEasy 聊天机器人,通过与大学生进行7分钟语音对话,利用基于心理学和语言学的指标分析音频转录tokens来评估对话质量并提供详尽反馈,从而提升其沟通技能。
2023-09-23 cs.AI cs.HC cs.SD
Artificial Intelligence-Powered Assessment Framework for Skill-Oriented Engineering Lab Education
针对计算机科学实验教育中抄袭、评估不足、参与度低等问题,提出AsseslyAI框架,通过专属题目、AI监考口试、游戏化模拟及1万+数据集微调生成代码评估,整合多功能于一体,优于传统工具,可规模化培养技能型毕业生。
2025-09-27 cs.AI cs.CY
CyberMentor: AI Powered Learning Tool Platform to Address Diverse Student Needs in Cybersecurity Education
Mercy University(梅西大学);IBM Research AI(IBM研究院人工智能部门)
本文提出开源AI学习平台CyberMentor,融合智能体工作流、LLM与RAG,为网络安全专业学生提供个性化知识、技能与职业支持,评估显示其在有用性、正确性和完整性上表现良好。
2025-01-16 cs.AI cs.CY
Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies
College of Education(教育学院);College of Hospitality and Tourism(旅游与 hospitality 学院);Pampanga State University(帕玛潘加州立大学);College of Education Management(教育管理学院);College of Computing Studies(计算机科学学院)
研究探讨了菲律宾大学生对AI的依赖程度及其对批判性思维、写作能力等学术能力的影响,通过潜在类别分析识别出四类学生群体,发现AI依赖学生学术能力最弱,需加强AI素养与核心学术技能的平衡。
2026-04-30 cs.AI cs.CY
Improving Ethical Outcomes with Machine-in-the-Loop: Broadening Human Understanding of Data Annotations
University of Colorado Denver(科罗拉多大学丹佛分校);Radiology Partners(放射学合作伙伴公司)
我们引入了一个机器在环管道,旨在解决教育领域中基于自然语言的监督机器学习任务中不必要的偏见的根本原因。从学生的经验中学习是教育研究者和学术管理者的基础。从经验中学到的21世纪技能正在成为大学和职业准备以及新知识经济中招聘过程的核心部分。少数民族学生在日常生活中展示了这些技能,但记录、评估和验证这些技能对教育机构来说是一个巨大的问题。作为一个注重公平的在线平台,LivedX将少数民族学生的生活经验转化为21世纪的技能,颁发微证书,并创建个人21世纪的技能组合。为了从学生提交的论文中接收到的自然语言文本中自动进行微证书挖掘,我们采用词袋模型来构造多输出分类器。尽管我们的目标是,我们的模式最初加剧了对少数民族学生的不同影响。我们使用机器在环模型开发管道来解决这个问题,并改进上述模型,以确保其预测的公平性。
2021-12-16 cs.AI cs.CL cs.CY
Enhancing Public Speaking Skills in Engineering Students Through AI
Center for Thinking, Language and Communication(思考、语言与交流中心);Plaksha University(普拉克斯大学)
本文针对工程专业学生公共演讲训练不足的问题,提出融合语音分析、计算机视觉和情感检测的多模态AI评估模型,其中Gemini Pro与专家评估一致性最佳,实现个性化、可扩展的演讲反馈。
2025-11-07 cs.AI cs.CL cs.HC
MOSAIC-F: A Framework for Enhancing Students' Oral Presentation Skills through Personalized Feedback
GHIA Group, School of Engineering, Universidad Autónoma de Madrid, Spain(GHIA小组,工程学院,马德里自治大学,西班牙);BiDA-Lab Group, School of Engineering, Universidad Autónoma de Madrid, Spain(BiDA实验室小组,工程学院,马德里自治大学,西班牙)
提出融合人工评估、多模态传感数据与 AI 分析的 MOSAIC-F 框架,通过四步流程为学生生成可执行的个性化演讲反馈。
2025-06-10 cs.AI cs.CV cs.HC
Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations
Univ. Lille(里尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院);CEA(法国原子能和替代能源委员会);Kyoto University(京都大学);Singapore Management University(新加坡管理大学)
智能辅导系统在未来的学习环境中变得至关重要。知识追踪(KT)是该系统的重要组成部分。它是关于推断学生的技能掌握和预测他们的表现,以调整相应的课程。与传统模型相比,基于深度学习的KT模型显示出显著的预测性能。然而,很难从神经网络中成千上万的参数中提取出与认知理论相关的心理学上有意义的解释。有几种方法可以实现学生成绩预测的高准确性,但诊断和预测推理在学习科学中更为关键。由于KT问题具有很少的可观察特征(问题ID和学生在每次练习中的正确性),我们通过使用机器学习和数据采掘技术从学生的响应数据中提取有意义的潜在特征。在这项工作中,我们提出了可解释的知识追踪(IKT),一个简单的模型,依赖于三个有意义的潜在特征:个人技能掌握,能力概况(跨技能的学习转移),和问题的难度。IKT对学生未来表现的预测是使用树增强朴素贝叶斯分类器(TAN)进行的,因此它的预测比基于深度学习的学生模型更容易解释。IKT还显示出比基于深度学习的学生模型更好的学生成绩预测,而无需大量参数。我们对每个特征进行消融研究,以研究它们对学生成绩预测的贡献。因此,IKT在现实世界的教育系统中提供具有因果推理的自适应和个性化教学方面具有很大的潜力。
2021-12-15 cs.AI cs.CY cs.LG
"Give me the code" -- Log Analysis of First-Year CS Students' Interactions With GPT
本文通过日志分析 69 名未受提示训练的 CS 新生如何使用 GPT 完成编程项目,发现多数学生能采纳生成代码,且半数能批判性比较并选择方案。
2024-12-01 cs.AI cs.CY cs.ET