Do intelligent tutoring systems benefit K-12 students? A meta-analysis and evaluation of heterogeneity of treatment effects in the U.S
University of Florida(佛罗里达大学);University of Tennessee Knoxville(田纳西大学诺克斯维尔分校);Harvard University(哈佛大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Florida State University(佛罗里达州立大学)
本文通过元分析评估智能导学系统对美国K-12学生学习成果的影响,发现其整体效应显著为正,并识别出已解例题、干预时长等关键调节变量,为优化ITS应用条件提供依据。
2025-11-07 cs.HC
Visualizing Intelligent Tutor Interactions for Responsive Pedagogy
针对教师难以利用智能辅导数据支持响应式教学的问题,本文通过设计研究构建可视化分析系统VisTA,帮助教师解读交互数据并制定后续教学行动。
2024-04-19 cs.HC
Artificial Intelligence in Intelligent Tutoring Robots: A Systematic Review and Design Guidelines
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology(国防科技创新研究院)
本文系统地回顾了智能教学机器人的研究进展,总结了人工智能技术的应用现状。我们首先分析了ITR的环境,并提出了一个关系模型来描述ITR与学生,社会环境和课程的互动。然后,我们将关系模型转化为感知-规划-行动模型,以探索哪些AI技术适合应用于ITR。本文对促进人机教学过程和人工智能辅助教育技术提供了见解,说明了智能辅导机器人的设计指导方针和未来的研究前景。
2019-02-26 cs.AI cs.CY cs.HC
Leveraging Large Language Model and Story-Based Gamification in Intelligent Tutoring System to Scaffold Introductory Programming Courses: A Design-Based Research Study
University of Sheffield(谢菲尔德大学)
编程技能正在迅速成为许多教育途径和职业机会的必要条件。然而,对于许多国际学生来说,由于语言的复杂性,缺乏先前的编程知识以及语言和文化障碍,传统的入门编程课程教学方法可能是一个重大挑战。本研究探讨了大语言模型和游戏化如何帮助中国学生在入门编程课程中学习编程并增加归属感。在这个项目中,开发了一个游戏化智能辅导系统,以适应中国国际学生的学习需求,并提供脚手架,以支持他们在入门计算机编程课程的成功。
2023-02-25 cs.AI cs.HC
HTN-Based Tutors: A New Intelligent Tutoring Framework Based on Hierarchical Task Networks
Georgia Institute of Technology(佐治亚理工学院);Drexel University(德雷塞尔大学)
针对现有智能导学框架知识粒度不足的问题,提出基于层次任务网络的HTN导师框架,支持灵活策略编码与层次化知识组织,可调整脚手架粒度,契合技能组成性。
2024-05-24 cs.AI cs.HC
What Makes Teamwork Work? A Multimodal Case Study on Emotions and Diagnostic Expertise in an Intelligent Tutoring System
本研究通过多模态数据分析,探讨了在ITS中进行协作医疗诊断时情绪与专业技能对群体决策的影响,发现社会动机互动是积极团队情绪气候的关键,为优化医疗协作提升诊断准确率提供了见解。
2025-05-02 cs.HC
AI-Driven Interface Design for Intelligent Tutoring System Improves Student Engagement
智能辅导系统(ITS)已被证明可以通过提供满足每个学生个人需求的个性化课程来提高学生的学习成果。然而,尽管ITS为学生的学习过程带来了有效性和效率,但大多数ITS研究都没有努力设计ITS界面,以更好地利用AI功能来提高学生的学习兴趣,动机和参与度。在本文中,我们探讨了人工智能驱动的界面设计的ITS描述诊断反馈的学生的问题解决过程,并调查其对他们的参与的影响。我们提出了几个由不同的AI组件驱动的界面设计,并通过一个活跃的移动ITS圣诞老人来实证评估它们对学生参与度的影响。对超过2万名学生进行的受控A/B测试表明,人工智能驱动的界面设计将参与度提高了25.13%。
2020-09-18 cs.CY cs.HC
Detecting Student Intent for Chat-Based Intelligent Tutoring Systems
针对聊天式智能辅导系统中开放式对话学生意图检测难的问题,设计了区分继续/切换课程意图的检测系统,对比四类机器学习方法的效用,指出其在成本、准确率、预测时间上的权衡,可减少学生挫败感、助力学习。
2025-02-20 cs.CY cs.HC
Rubikon: Intelligent Tutoring for Rubik's Cube Learning Through AR-enabled Physical Task Reconfiguration
本文提出智能辅导系统Rubikon,利用AR实体魔方自动生成针对薄弱环节的练习配置;实验显示其学习者后测成绩较基线高25%。
2025-05-15 cs.ET cs.HC
Hierarchical Multi-Armed Bandits for the Concurrent Intelligent Tutoring of Concepts and Problems of Varying Difficulty Levels
Columbia University(哥伦比亚大学);Aiphabet, Inc.(Aiphabet公司)
针对现有开源MAB智能辅导器匮乏的问题,提出一种开源易部署的分层MAB算法,可并行推进概念与题目学习、适配难度并评估记忆衰退,模拟实验验证其能有效提升学生成绩。
2024-08-10 cs.AI cs.CY cs.HC
Multi-Stakeholder Alignment in LLM-Powered Collaborative AI Systems: A Multi-Agent Framework for Intelligent Tutoring
Universidade Federal do Rio de Janeiro, NCE(里约热内卢联邦大学,计算中心)
针对LLM驱动的智能辅导系统中多利益相关方价值观冲突问题,提出咨询治理层(AGL)多智能体框架,通过政策分类与冲突解决协议实现隐私保护下的分布式治理,提供可审计建议而不干扰核心教学决策。
2025-10-27 cs.HC cs.MA
Toward Personalized XAI: A Case Study in Intelligent Tutoring Systems
The University of British Columbia(不列颠哥伦比亚大学);Augsburg University(奥格斯堡大学)
我们的研究是朝着确定XAI中个性化需求迈出的一步,我们这样做是在调查AI驱动的提示和反馈的解释价值的背景下进行的,这些提示和反馈在智能教学系统(ITS)中是有用的。我们为自适应CSP(ACSP)小程序提供的自适应提示添加了解释功能,ACSP是一种交互式模拟,通过提供适应学生预测学习水平的AI驱动提示,帮助学生学习约束满足问题的算法。我们提出的解释功能的设计和控制研究的结果,以评估其对学生的学习和感知的ACPS提示。该研究分析了这些结果如何受到几个用户特征(如人格特质和认知能力)的影响,以评估是否应根据这些特征进行个性化解释。我们的研究结果表明,提供解释增加了学生的信任ACPS提示,感知有用的提示,并打算再次使用它们。此外,我们表明,学生的访问的解释和学习收益调制的用户特征,提供见解设计个性化的可解释的人工智能(XAI)的ITS。
2020-08-12 cs.AI cs.HC
Interactive, Intelligent Tutoring for Auxiliary Constructions in Geometry Proofs
University of California, Davis(加州大学戴维斯分校)
几何定理证明在K-12数学课程中是一个主要的和具有挑战性的组成部分。一个特别困难的任务是添加辅助结构(即,额外的线或点),以帮助证明发现。虽然有许多智能教学系统提出的几何证明,很少教学生如何找到辅助结构。少数例外都受到其支持辅助构式的潜在推理过程的限制。本文通过引入一个交互式几何导师,高级几何证明导师(AGPT)来解决这些缺点。它利用了最近的自动几何证明器,以提供任何几何定理证明器或智能辅导系统无法单独完成的综合效益。特别是,AGPT不仅可以直接自动处理几何问题的图像,而且可以交互式地训练和引导学生自己发现辅助结构。我们已经通过一项试点研究与78名高中生评估AGPT。研究结果表明,在训练学生如何找到辅助结构,AGPT和人类导师之间没有显着的感知差异,AGPT是显着更有效的比国家的最先进的几何求解器,产生人类可读的证明。
2017-11-20 cs.AI cs.CY cs.HC
Personality-aware Student Simulation for Conversational Intelligent Tutoring Systems
Nanyang Technological University, Singapore(南洋理工大学,新加坡);Institute for Infocomm Research (I 2 R), A*STAR, Singapore(信息与通信研究机构(I2R),A*STAR,新加坡)
本文提出一个整合认知与非认知特征的框架,利用LLMs在语言学习场景中进行个性化感知的学生模拟,实验证明其能生成多样化学生反应并触发教师自适应策略。
2025-05-28 cs.CL cs.HC
Evaluating a Data-Driven Redesign Process for Intelligent Tutoring Systems
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德克萨斯农工大学);Wellesley College(韦尔斯利学院)
本研究测试了数据驱动重设计方法在非预期改进的中学数学教学单元中的有效性,发现重设计系统在任务时间、技能练习和知识掌握方面表现更优。
2026-03-31 cs.AI cs.HC
A Comprehensive Review of AI-based Intelligent Tutoring Systems: Applications and Challenges
Artificial Intelligence Institute (I2A)(人工智能研究所)
本文通过系统性文献综述分析2010至2025年ITS研究,梳理其在教学策略、NLP、自适应学习等方面的应用与有效性,并指出实验和数据分析严谨性不足等挑战。
2025-07-25 cs.AI cs.HC cs.IR
Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources
Pontifical Catholic University of Ecuador(厄瓜多尔天主教大学);University of Oviedo(奥维耶多大学);University of Central Florida(中佛罗里达大学);University of Córdoba(科尔多瓦大学)
本研究利用智能辅导系统的多模态数据,通过属性选择与集成方法改进大学生成绩预测,实验表明数值数据下集成与最优属性选择效果最佳。
2024-02-10 cs.AI cs.CY cs.HC
A Mixed User-Centered Approach to Enable Augmented Intelligence in Intelligent Tutoring Systems: The Case of MathAIde app
本研究提出MathAIde智能辅导系统,通过计算机视觉和AI批改数学练习并提供反馈,采用以教师为中心的混合用户驱动设计方法,在资源有限的课堂环境中展现了良好的效率与可用性。
2025-09-15 cs.AI cs.HC
Enhancing LLM-Based Feedback: Insights from Intelligent Tutoring Systems and the Learning Sciences
本文梳理 ITS 反馈生成的理论与实证研究,提出将循证原则融入基于 LLM 的反馈设计、实验与评估,以增强教育反馈的学习效果。
2024-05-11 cs.CY cs.HC
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
Kanji Workbook: A Writing-Based Intelligent Tutoring System for Learning Proper Japanese Kanji Writing Technique with Instructor-Emulated Assessment
Sketch Recognition Lab(手写识别实验室);Department of Computer Science & Engineering(计算机科学与工程系);Texas A&M University(德克萨斯A&M大学)
针对日语汉字书写学习困难,提出基于书写的智能辅导系统,通过模拟教师反馈的评估指标,提升学生成绩,并在大学课程中验证了有效性。
2025-04-04 cs.AI cs.CL cs.HC
An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training
National Taiwan Normal University(台湾师范大学)
本文提出一种基于XGBoost的可解释闭环智能辅导系统,通过三层可解释反馈架构将多模态输入映射为可追溯的反馈,在MOOC视频上训练并验证了其提升演讲技能的有效性。
2026-05-22 cs.AI cs.HC
Leveraging Affect Transfer Learning for Behavior Prediction in an Intelligent Tutoring System
Boston University(波士顿大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Affectiva(Affectiva公司);Clark University(克拉克大学);Worcester Polytechnic Institute(伍斯特理工学院);University of Washington(华盛顿大学)
在这项工作中,我们提出了一个基于视频的迁移学习的方法来预测问题的学生与智能教学系统(ITS)的工作成果。通过分析一个学生的脸和手势,我们的方法预测的结果,一个学生回答一个问题,在ITS从视频饲料。我们的工作是出于这样的推理,即预测这种结果的能力使辅导系统能够调整干预措施,如提示和鼓励,并最终提高学生的学习。我们收集了一个大的学生互动的标记数据集与智能在线数学导师组成的68个会话,其中54个学生解决了2,749个问题。该数据集是公开的,可在https://www.cs.bu.edu/faculty/betke/research/learning/上获得。使用这个数据集,我们的迁移学习挑战是在“野外”获得的图片的源域中设计一个表示,用于面部表情分析任务,并将此学习的表示转移到教室环境中学生的网络摄像头视频域中的人类行为预测任务。我们开发了一种新的面部影响表示和用户个性化的培训计划,解锁这种表示的潜力。我们设计了一个递归神经网络的几个变体,该网络对学生解决数学问题的视频序列的时间结构进行建模。我们的最终模型名为ATL-BP for Affect迁移学习for Behavior Prediction,在这个新数据集上,平均F分数比最先进的方法相对增加了50%。
2022-04-08 cs.CV cs.HC cs.LG
Leveraging Deep Reinforcement Learning for Metacognitive Interventions across Intelligent Tutoring Systems
North Carolina State University(北卡罗来纳州立大学)
本文通过两项课堂实验比较静态分类干预与DRL自适应元认知干预,发现DRL能缩小学生元认知差距,并促进其在后续无干预辅导系统中的迁移学习。
2023-04-17 cs.AI cs.CY cs.HC
The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents
Cornell University(康奈尔大学);University of Adelaide(阿德莱德大学);University of Florida(佛罗里达大学);Digital Promise(数字承诺)
本文探讨了通过整合辅导最佳实践和生成式AI技术,开发可扩展且有效的对话式AI助教的研究路径。
2026-02-22 cs.HC
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
An Integrated Platform for Studying Learning with Intelligent Tutoring Systems: CTAT+TutorShop
Carnegie Mellon University(卡内基梅隆大学);Austral University of Chile(智利 Austral 大学);Saarland University(萨尔大学)
针对智能辅导系统(ITS)的学习研究需求,CTAT+TutorShop提供全栈集成平台,支持ITS完整研究周期与快速开发,已用于147项多场景研究,助力探索学生学习机制、系统优化及学习科学原则。
2025-01-17 cs.AI cs.CY cs.HC
Teaching with AI: A Systematic Review of Chatbots, Generative Tools, and Tutoring Systems in Programming Education
Canadian University of Dubai(迪拜加拿大大学);Université Paris Cité(巴黎西岱大学);American University in the Emirates(阿联酋美国大学)
本文综述了AI在编程教育中的应用,分析了聊天机器人、生成工具和辅导系统的效果,指出需加强提示工程与人类监督以应对挑战。
2025-12-25 cs.HC
Combining Gamification and Intelligent Tutoring Systems in a Serious Game for Engineering Education
本文提出将专家驱动课程规划、计算智能与游戏化结合,嵌入严肃游戏构建个性化学习系统,并通过课堂实验和前后测验证其提升工程教育效果的作用。
2023-05-26 cs.CY cs.HC
A New Era: Intelligent Tutoring Systems Will Transform Online Learning for Millions
Korbit Technologies Inc.(Korbit科技公司)
尽管人工智能(AI)已经改变了我们社会的主要方面,但只有不到一小部分的潜力被探索,更不用说部署在教育领域了。人工智能驱动的学习可以为数百万学习者提供高度个性化,积极和实用的学习体验,这是成功学习的关键。这在在线学习平台方面尤其重要。在本文中,我们提出了两个流行的在线学习平台(n=199名参与者)的学习成果的头对头比较研究的结果:MOOC平台遵循传统模式,使用讲座视频和多项选择题测验提供内容,Korbit学习平台提供高度个性化,积极和实用的学习体验。我们观察到学习成果的巨大和统计上的显着增加,Korbit平台上的学生提供全面的反馈,导致更高的课程完成率,并实现比MOOC平台上的学生和对照组学生高2到2.5倍的学习收益。结果证明了个性化的、主动学习AI驱动的系统可以实现的巨大影响。向全世界数以百万计的学习者提供这种技术和学习经验将是教育民主化的一个重大飞跃。
2022-03-03 cs.AI cs.CY cs.HC
Predicting Student Actions in a Procedural Training Environment
ETS de Ingenieros Informáticos, UPM(马德里理工大学信息工程学院);E.T.S.I. Forestal y del Medio Natural, UPM(马德里理工大学森林与自然遗产高等工学院);Center for Plant Biotechnology and Genomics, UPM-INIA(马德里理工大学-西班牙国家农业研究中心植物生物技术与基因组学中心)
本文提出了一种基于学生历史记录的集体模型,用于在过程训练环境中预测学生行为,以提升智能教学系统的反馈效果。
2025-12-22 cs.HC
Low-Back Pain Physical Rehabilitation by Movement Analysis in Clinical Trial
U2IS, ENSTA / IP Paris(ENSTA / 巴黎理工学院 U2IS)
本文提出Keraal数据集,用于智能辅导系统评估低背痛康复的运动分析,解决运动评估、错误识别、空间和时间定位四个挑战。
2026-01-05 cs.CV cs.HC cs.RO
The Impact of Looking Further Ahead: A Comparison of Two Data-driven Unsolicited Hint Types on Performance in an Intelligent Data-driven Logic Tutor
研究表明,帮助可以为缺乏在新领域解决问题所需的心理模型的新手提供许多好处。然而,采取了各种援助办法,如次级目标和下一步提示,结果好坏参半。下一步提示在数据驱动的导师中很常见,因为它们直接从历史学生数据中生成,并且研究显示对学生学习有积极影响。然而,缺乏研究探讨是否有可能扩大数据驱动的方法,以提供更高层次的援助。因此,我们修改了我们的数据驱动的下一步提示生成器,以提供Waypoints,提前几步的提示,代表解决问题的子目标。我们假设,路点将有利于学生与高先验知识,而下一步提示将最有利于学生与较低的先验知识。在这项研究中,我们调查的影响,数据驱动的提示类型,路点与下一步提示,对学生学习的逻辑证明辅导系统,深思考,在离散数学课程。我们发现,下一步提示更有利于大多数学生的时间,效率和准确性的后测。然而,较高的成功使用的Waypoints总数与后测中的效率和时间的改善相关。这些结果表明,路点提示可能是有益的,但可能需要更多的脚手架来帮助学生遵循它们。
2021-02-10 cs.HC
AI2T: Building Trustable AI Tutors by Interactively Teaching a Self-Aware Learning Agent
Carnegie Mellon University(卡内基梅隆大学)
本文提出可交互式教学的AI2T,创作者通过少量分步方案和打分辅导它,20-30分钟训练即可归纳模型追踪规则;其STAND自我意识算法性能超XGBoost,用户研究验证其确定性启发式有效性,程序比LLMs更可靠,为复杂ITS提供可信高效创作路径。
2024-11-26 cs.AI cs.HC cs.LG
Apprentice Tutor Builder: A Platform For Users to Create and Personalize Intelligent Tutors
Georgia Institute of Technology(佐治亚理工学院);Drexel University(德雷塞尔大学)
针对智能导师系统开发复杂、难个性化的问题,该研究推出支持拖拽建界面、多模态交互训练AI的Apprentice Tutor Builder平台,经14名教师用户验证有效,并给出相关设计建议。
2024-04-11 cs.AI cs.HC
Towards Educator-Driven Tutor Authoring: Generative AI Approaches for Creating Intelligent Tutor Interfaces
Politecnico Di Torino(都灵理工大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出利用大型语言模型和提示工程,在整体和组件层面生成智能导师界面,以协助教育者设计,提高效率并促进采用。
2024-05-23 cs.AI cs.HC
Robust Educational Dialogue Act Classifiers with Low-Resource and Imbalanced Datasets
Monash University(莫纳什大学);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学);VinUniversity(Vin大学);Murdoch Children’s Research Institute(默多克儿童研究所)
针对低资源且类别不平衡的教育对话行为分类问题,本文提出用AUC最大化替代交叉熵损失训练分类器,实验证明该方法能显著提升分类性能并增强在不同不平衡比例下的鲁棒性。
2023-04-15 cs.AI cs.CL cs.HC
A LLM-Driven Multi-Agent Systems for Professional Development of Mathematics Teachers
针对教师专业发展(PD)公平及时机会不足的问题,提出由大语言模型驱动、多智能体框架支持的I-VIP智能辅导平台,通过友好对话界面与交互工具助力教师答疑、知识理解及反思总结,提升判断准确性并解决关键点缺失问题。
2025-07-05 cs.CY cs.HC cs.MA
GenQ: Automated Question Generation to Support Caregivers While Reading Stories with Children
University of Pittsburgh(匹兹堡大学);Ball State University(鲍尔州立大学);Arizona State University(亚利桑那州立大学)
GenQ通过众包拉丁裔照护者与其他人群的提问数据,分析文化与情境因素对提问的影响,并自动提取模板生成开放式问题,以支持儿童共读中的智能辅导。
2023-09-25 cs.AI cs.CL cs.HC
Raising Student Completion Rates with Adaptive Curriculum and Contextual Bandits
Korbit Technologies Inc.(Korbit科技公司);University of Bath(巴斯大学)
提出了一种自适应学习的智能教学系统,该系统采用基于基于模型的强化学习,以情境强盗的形式为学生分配学习活动。该模型根据数千名学生的轨迹进行训练,以最大限度地提高他们的练习完成率,并继续在线学习,自动调整自己以适应新的活动。一项针对学生的随机对照试验表明,与其他方法相比,我们的模型导致了更高的完成率和显着提高的学生参与度。我们的方法是全自动的,为学习体验个性化提供新的机会。
2022-07-28 cs.AI cs.CL cs.CY
Improving Artificial Teachers by Considering How People Learn and Forget
Aalto University(阿尔托大学);University of Helsinki(赫尔辛基大学)
本文提出了一种新的基于模型的智能教学方法,特别强调与人类互动的教学干预措施的选择问题。而以前的工作集中在个性化的教学或优化教学干预序列,建议个性化的基于模型的规划方法代表了这两条研究线的融合。基于模型的规划通过对用户记忆模型参数的交互式学习来挑选最佳干预措施。该方法是新颖的,在其使用的认知模型,可以解释几个关键的个人和材料的具体特征相关的回忆/遗忘,以及规划技术,考虑用户的实践时间表。以基于规则的方法为基线,作者评估了该方法的好处在第二语言词汇学习的人工教学的对照研究(N=53)。
2021-02-19 cs.AI cs.HC