Evaluating the Design Features of an Intelligent Tutoring System for Advanced Mathematics Learning
Central China Normal University（华中师范大学）
本研究评估了智能辅导系统Xiaomai的两大设计特征，即带自动反馈的简答题和反思自制错误的元认知元素，以支持中国大学生的高等数学学习与考研准备。
2024-12-23 cs.AI cs.CY cs.MS
Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System
Faculty of Design, Informatics and Business（设计、信息学与商业学院）
研究LEA智能AI辅导系统，首次在真实学生中进行课堂部署并测试跨课程可扩展性，发现模拟与实际有差异，基于RAGAS评估答案相关性等指标，表明编排层无需改，下游组件课程无关性待进一步研究。
2026-07-16 cs.AI cs.CY 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
Advancing Education through Tutoring Systems: A Systematic Literature Review
本文基于PRISMA框架系统综述86项研究，分析智能辅导系统与机器人辅导系统的技术进展、参与策略和伦理问题，识别出三类系统并提出整合式混合方案以提升教育效果。
2025-03-12 cs.CY
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
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
A Paradigm for the Application of Cloud Computing in Mobile Intelligent Tutoring Systems
如今，随着云计算的快速发展，许多行业都将其计算活动转移到云上。虚拟学习的研究人员也在寻找通过移动平台使用云的方法。本文提供了一个模型，以配合“移动智能学习”技术和“云计算“的好处。本系统的架构是基于移动云计算的多层架构。尽管存在这些挑战，但该系统延长了移动终端电池的寿命。它将提高教育系统的工作记忆容量和处理能力，以及教育系统的更大优势。该系统允许用户随时随地享受智能学习，降低培训成本和硬件依赖性，提高一致性，效率和数据可靠性。
2013-04-15 cs.CY
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
UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework for Intelligent Tutoring Systems
Central China Normal University（华中师范大学）；Hubei University of Technology（湖北工业大学）
针对传统学习诊断方法难以兼顾准确性与可解释性的问题，本文提出UIILD框架，结合深度学习与心理测量学优势，从多维度提供可解释性，实验证明其预测准确性优于现有最优模型，可支撑智能辅导系统的个性化教育应用。
2023-06-13 cs.AI cs.CY
Prerequisite Structure Discovery in Intelligent Tutoring Systems
ENSTA Paris（巴黎ENSTA学院）；Institut Polytechnique de Paris（巴黎综合理工学院）；Inria（法国国家信息与自动化研究院）
本文提出一种将知识结构作为可学习参数融入知识追踪的模型，从学习者轨迹中发现先修结构，并通过模拟学生评估推荐效果。
2024-01-18 cs.AI cs.CY cs.LG
ItsSQL: Intelligent Tutoring System for SQL
针对学生SQL练习困难及现有系统反馈不足的问题，本文开发了基于半自动扩充参考解答池的ItsSQL智能辅导系统，能提供个性化实时反馈，有效改善学生学习过程。
2023-10-14 cs.CY cs.SE
Assessment of Personalized Learning in Immersive and Intelligent Virtual Classroom on Student Engagement
本研究聚焦沉浸式智能虚拟课堂场景，采用眼动范式评估个性化学习对学生参与度的影响，通过文献综述、案例研究与数据分析验证了该方法在提升学习效果方面的潜力。
2025-01-14 cs.CY 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
Sakshm AI: Advancing AI-Assisted Coding Education for Engineering Students in India Through Socratic Tutoring and Comprehensive Feedback
本文提出智能辅导系统 Sakshm AI，通过 Disha 聊天机器人提供苏格拉底式提示、自适应反馈与对话记忆，并基于千余名用户的日志、调查和访谈验证其对编程学习参与度和问题解决能力的影响。
2025-03-16 cs.CY cs.HC
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
Towards Goal-oriented Intelligent Tutoring Systems in Online Education
Singapore Management University（新加坡国立管理学院）；National University of Singapore（国立新加坡大学）；University of Science and Technology of China（中国科学技术大学）
本文提出目标导向型智能导学系统（GITS）任务，并设计基于图的强化学习框架PAI，结合认知结构与动态诊断模型进行练习和评估规划，在三个学科基准数据集上验证了其有效性与效率。
2025-08-22 cs.AI cs.CY cs.IR
Investigating Self-regulated Learning Sequences within a Generative AI-based Intelligent Tutoring System
McGill University（麦吉尔大学）；The Chinese University of Hong Kong（香港中文大学）；Lehigh University（莱维大学）；Renmin University of China（中国人民大学）
本研究探讨了生成式人工智能辅助智能教学系统中学生自主学习序列的特征，通过序列和聚类分析发现学生在信息获取与转换上的使用差异，以及GenAI使用与学习表现之间的非显著相关性。
2026-01-13 cs.AI cs.CY
Integrating LSTM and BERT for Long-Sequence Data Analysis in Intelligent Tutoring Systems
School of Electronics and Computer Science（电子与计算机科学学院）；University of Southampton（南安普顿大学）；Durham University（杜伦大学）；School of Computing（计算机学院）；Newcastle University（纽卡斯尔大学）
针对智能辅导系统长序列知识追踪的效率、准确率与可解释性难题，本文提出融合 Rasch 嵌入、BERT 与 LSTM 的 LBKT 模型，并通过基准实验、消融和可视化验证其优势。
2024-04-24 cs.AI cs.CL cs.CY
Gamification and AI: Enhancing User Engagement through Intelligent Systems
本文探讨游戏化与AI的交叉，提出通过AI动态调整游戏机制、提供个性化反馈并预测用户行为，并构建自适应和预测性游戏化的数学模型，从而显著提升用户参与度。
2024-11-02 cs.CY 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
From Learning Management System to Affective Tutoring system: a preliminary study
ESIEA（ESIEA工程学院）；Université Paris 1 Panthéon Sorbonne（巴黎第一大学先贤祠-索邦大学）；Centre de Recherche en Informatique（计算机研究中心）
本研究结合LMS数字轨迹与摄像头图像数据，分析学业表现、行为及情感参与指标以识别学习困难学生，证实积极情绪与学业提升相关，为情感辅导系统构建提供初步依据。
2023-11-09 cs.AI cs.CY
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
Software Engineering Educational Experience in Building an Intelligent Tutoring System
针对计算机教育中编程入门与软件工程课程面临的师生比高、反馈不及时等挑战，本文介绍了一门新颖的SE课程，通过逐年构建并部署智能辅导系统（ITS），为学生提供自动化实时反馈，并总结了其架构、教学理念与经验。
2024-12-18 cs.CY cs.SE
Transferable Student Performance Modeling for Intelligent Tutoring Systems
Carnegie Mellon University（卡内基梅隆大学）
全球数百万学习者正在使用智能辅导系统（ITS）。ITS的核心是依靠机器学习算法来跟踪每个用户随时间变化的表现水平，以提供个性化的指导。最重要的是，学生表现模型是使用以前的学习者的交互序列数据来训练的，以分析未来学习者生成的数据。当引入没有训练数据可用的新课程时，这引起冷启动问题。在这里，我们认为迁移学习技术是一种通过利用现有课程的日志数据为新课程提供准确性能预测的方法。我们研究了两种设置：（一）在天真的传输设置，我们提出了课程不可知的性能模型，可以应用于任何课程。(ii)在感应传输设置中，我们使用小规模目标课程数据（例如，在试点研究期间收集）。我们评估所提出的技术，使用来自5个不同的数学课程的学生交互序列数据，其中包含超过47,000名学生在现实世界中的大规模ITS的数据。使用由人类领域专家提供的附加特征（例如，新课程中的问题的难度评级）但没有用于新课程的学生交互训练数据的课程不可知模型实现了与使用来自新课程中的数千名学生的训练数据的标准BKT和PFA模型相当的预测准确性。在归纳设置我们的迁移学习方法产生更准确的预测比传统的性能模型时，只有有限的学生互动训练数据（<100名学生）都可用。
2022-02-08 cs.CY cs.LG
Using Think-Aloud Data to Understand Relations between Self-Regulation Cycle Characteristics and Student Performance in Intelligent Tutoring Systems
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）
本研究基于AI生成的出声思维转录编码四类SRL行为，并通过回归分析揭示SRL循环特征比即时SRL评估更能预测学生在智能辅导系统中的后续解题表现。
2023-12-09 cs.AI cs.CY
MC-CPO: Mastery-Conditioned Constrained Policy Optimization for Pedagogically Safe Intelligent Tutoring Systems
School of Computing Sciences（计算科学学院）；Computer Engineering, University of Southern Mississippi, Hattiesburg, MS 39406, USA（计算机工程，密西西比大学，哈特斯伯格，MS 39406，USA）
本文提出 MC-CPO 框架，通过结构化约束解决教学安全问题，提升学习者知识掌握率，实验证明其在两个平台上的效果显著。
2026-06-08 cs.AI cs.CY cs.LG
Enhancing knowledge tracing robustness for new question cold start in Intelligent Tutoring Systems
PICKT模型通过构建知识图谱关系，有效解决个性化学习中的冷启动问题，提升知识追踪的实用性与稳定性。
2026-09-17 cs.AI cs.CL cs.CY
Latency and Cost of Multi-Agent Intelligent Tutoring at Scale
Center for Real-Time Computing（实时计算中心）；Computer Science Department（计算机科学系）；Old Dominion University（旧 Dominion 大学）；Physics Departments（物理系）
研究探讨了多智能体LLM辅导系统在不同吞吐量层级和并发水平下的延迟与成本表现，发现优先付费层级在高负载下仍保持低延迟，而预留吞吐量在低并发时表现最佳但成本较高。
2026-04-27 cs.AI cs.CY cs.DC
3DG: A Framework for Using Generative AI for Handling Sparse Learner Performance Data From Intelligent Tutoring Systems
University of Memphis（孟菲斯大学）；Carnegie Mellon University（卡内基梅隆大学）
3DG框架结合张量分解与生成模型（GAN、GPT），处理智能辅导系统中的稀疏学习数据，通过三维张量表示、致密化与个性化增强生成模拟数据，实验表明GAN优于GPT-4，有效提升数据稀疏问题的解决能力。
2024-01-29 cs.AI cs.CY cs.LG
From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education
Center for Real-Time Computing（实时计算中心）；Computer Science Department（计算机科学系）；Old Dominion University（旧 Dominion 大学）；Physics Departments（物理系）
本文提出ITAS系统，通过多智能体架构和课程设计解决量子教育中的可靠性问题，验证系统在真实课堂中的可行性及教学分析能力。
2026-04-27 cs.AI cs.CY cs.MA
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
Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice
Carnegie Mellon University（卡内基梅隆大学）；Vanderbilt University（范德堡大学）
研究通过平衡被试内设计，发现低基线自我效能感的学生无论练习形式如何都获得更大学习收益，且对辅导系统的偏好与学习收益正相关，但纸质练习模式不同；基于智能辅导系统的练习并未显著提升自我效能感。
2026-06-17 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
Pedagogical Safety in Educational Reinforcement Learning: Formalizing and Detecting Reward Hacking in AI Tutoring Systems
School of Computing Sciences and Computer Engineering（计算科学与计算机工程学院）
本文提出教育强化学习的教学安全性四层模型及奖励黑客严重性指数，通过模拟实验发现奖励设计不足，需结合约束架构和认知需求以减少奖励黑客问题。
2026-04-05 cs.AI cs.CY cs.LG
A Learned Simulation Environment to Model Student Engagement and Retention in Automated Online Courses
Zurich University of Applied Sciences（苏黎世应用科学大学）；Kikodo Education Technology Sàrl（基科多教育技术有限公司）
我们开发了一个模拟器来量化练习顺序对学生参与度和保留率的影响。我们的方法结合了神经网络表示用户和练习使用动态矩阵分解方法的建设。我们进一步创建了成功和辍学预测的机器学习模型。因此，我们的系统能够根据选定的给定练习序列预测学生的参与度和保留率。这为开发多功能强化学习代理打开了大门，这些代理可以取代私人辅导在考试准备中的作用。
2022-12-22 cs.AI cs.CY cs.LG
Beyond Flashcards: Designing an Intelligent Assistant for USMLE Mastery and Virtual Tutoring in Medical Education (A Study on Harnessing Chatbot Technology for Personalized Step 1 Prep)
针对传统医学基础科学教育“一刀切”的问题，本研究结合生成式AI、RAG与Mistral模型打造智能备考助手，支持USMLE Step 1等多国同类医学考试辅导，在类BLEU/ROUGE指标上获0.5985分，可提供即时个性化解答。
2024-08-31 cs.CY
ITAS: A Multi-Agent Architecture for LLM-Based Intelligent Tutoring
Center for Real-Time Computing（实时计算中心）；Computer Science Department（计算机科学系）；Old Dominion University（旧 Dominion 大学）；Physics Departments（物理系）
本文提出ITAS多智能体架构，用于解决大语言模型在真实课程中运行的挑战，通过三层架构实现教学、操作和反馈功能，展示了系统在实际应用中的表现。
2026-04-27 cs.AI cs.CY cs.DC
Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所）；SUPSI（瑞士南部应用科学大学）；Department of Education and Learning (DFA)（教育与学习系）
本文提出基于贝叶斯网络和噪声门直接从评估量规构建学习者模型，以减少参数、简化专家获取并支持实时推理，从而快速自动化计算思维等任务的评估。
2024-08-02 cs.AI cs.CY
Knowledge Graph Enhanced Intelligent Tutoring System Based on Exercise Representativeness and Informativeness
CCNU Wollongong Joint Institute, Central China Normal University（华中师范大学中澳伍伦贡联合研究院）；Faculty of Artificial Intelligence in Education, Central China Normal University（华中师范大学人工智能教育学部）
本文提出知识图谱-练习代表性和信息量框架，通过四个组件与神经注意力认知诊断模型，结合练习信息量与代表性选择题目并诊断学生知识状态，有效提升了学生表现。
2023-07-15 cs.CY cs.LG
Enhancing tutoring systems by leveraging tailored promptings and domain knowledge with Large Language Models
University of Tasmania（塔斯马尼亚大学）
本文提出将检索增强生成与技能对齐反馈融入大语言模型提示工程，构建个性化编程辅导系统，并通过可读性、响应时间和反馈深度三项指标验证其优于通用方法。
2025-05-02 cs.AI cs.CY
Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use
The University of Hong Kong（香港大学）；Tsinghua University（清华大学）；Monash University（蒙纳士大学）
研究探讨了多机构学生在生成式人工智能辅导工具中的参与模式，发现参与类型随时间变化，高选择性机构学生更倾向于深度参与。
2026-01-31 cs.CY
Prutor: A System for Tutoring CS1 and Collecting Student Programs for Analysis
编程入门课程（CS1）是任何本科课程的组成部分。由于学生人数众多，编程背景各异，为每个学生提供及时和个性化的反馈对任何CS1教师来说都是一项具有挑战性的任务。助教（通常是高年级学生）提供的帮助是不够的，因为它受到无意的偏见，而且大多数时候，不够快。在本文中，我们提出了Prutor，一个辅导系统平台进行入门编程课程。Prutor是一个基于云的Web应用程序，在解决编程问题的同时为学生提供即时和有用的反馈。Prutor定期存储学生尝试解决编程问题的快照。这些学生程序的中间版本为教师（和数据分析师）提供了学生解决编程问题的方法的视图。由于Prutor可以通过任何标准的Web浏览器访问，因此学生无需担心编程课程外部的依赖关系，即操作系统，编辑器选项等。这使学生能够专注于解决编程问题。除了定期的代码快照外，Prutor还收集其他有价值的数据，例如学生解决问题所花费的时间，编译和执行事件的数量以及所犯的错误。我们已经使用这些数据在开发智能工具给学生的反馈，其中一些在本文中进行了简要描述。因此，该系统可作为研究人员的辅导和数据汇集平台。
2016-08-12 cs.CY cs.PL cs.SE
Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education
North Carolina State University（北卡罗来纳州立大学）；University of Pittsburgh（匹兹堡大学）；University of California, Berkeley（加州大学伯克利分校）；Aalto University（阿尔托大学）
本文提出KITE系统，通过增强检索生成技术辅助学生理解算法追踪和问题解决，提升算法推理能力。
2026-05-13 cs.AI cs.CY cs.IR
Aligning Tutor Discourse Supporting Rigorous Thinking with Tutee Content Mastery for Predicting Math Achievement
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文基于1080名九年级学生的高强度辅导数据，结合辅导者谈话策略与ITS掌握度预测数学成就，发现二者组合的AUC达0.77，且不同掌握度学生对应不同有效话语模式。
2024-05-10 cs.AI cs.CY cs.HC
Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning
University of Pennsylvania（宾夕法尼亚大学）；National Taiwan University（台湾大学）
本研究设计了集成大语言模型聊天机器人与强化学习算法的个性化AI辅导平台，经十所高中的五个月课程验证，其自适应编排练习题可提升学生Python成绩0.15个标准差，且成绩提升源于参与度提高。
2026-08-19 cs.AI cs.CY
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
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
