Personalized Course Sequence Recommendations
University of Miami(迈阿密大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
鉴于学生学习的可变性,根据学生的需求定制课程和课程顺序变得越来越重要。本文提出了一种系统的方法,为学生提供个性化的课程序列建议。首先,开发了一种前向搜索后向归纳算法,该算法可以最优地选择课程序列,以减少学生毕业所需的时间。该算法考虑了先决条件要求(通常存在于高等教育中)和课程可用性。其次,使用多武装土匪的工具,开发了一种算法,可以最佳地推荐一个课程序列,既减少了毕业时间,同时也增加了学生的整体GPA。该算法动态地学习不同背景的学生在给定课程序列下的表现,然后为新学生推荐最佳课程序列。使用来自加州大学洛杉矶分校机械和航空航天工程系的真实学生数据,我们说明了所提出的算法如何优于其他方法,不包括学生的上下文信息时,课程序列的建议。
2016-01-12 cs.CY cs.LG
Ontology-driven Reinforcement Learning for Personalized Student Support
Rowan University(罗文大学)
本文提出一个结合本体、数据收集与多智能体强化学习的通用模块化框架,可适配严肃游戏或智能导学系统等虚拟教育软件,为每位学生提供个性化支持。
2024-09-05 cs.CY cs.LG cs.MA
LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences
Sichuan University(四川大学);Tencent Inc.(腾讯公司)
在教育应用中,知识追踪(KT),通过总结学生的知识状态来准确预测学生对未来问题的回答的问题,已经被广泛研究了几十年,因为它被认为是自适应在线学习的基本任务。由于神经网络的高度灵活性,在所有提出的KT方法中,深度知识跟踪(DKT)及其变体是迄今为止最有效的方法。然而,DKT往往忽视了学生之间的固有差异(例如记忆能力,推理能力,.),平均所有学生的表现,导致缺乏个性化,因此被认为不足以适应性学习。为了缓解这个问题,在本文中,我们提出了分层注意知识跟踪(LANA),它首先使用一种新的学生相关的特征提取器(SRFE),以提取学生的独特的固有属性从他们各自的互动序列。其次,枢轴模块被用来动态地重建神经网络的解码器上提取的特征的注意,成功地区分学生之间的表现随着时间的推移。此外,受项目反应理论(IRT)的启发,可解释的Rasch模型被用来聚类学生的能力水平,从而利用分层学习分配不同的编码器到不同的学生群体。通过pivot模块重构学生个体的解码器和群体的分层学习专用编码器,实现了个性化的DKT。在两个真实世界的大规模数据集上进行的广泛实验表明,我们提出的LANA将AUC分数提高了至少1.00%(即EdNet 1.46%和RAIEd2020 1.00%),大大超过了其他最先进的KT方法。
2021-04-21 cs.AI cs.CY cs.LG
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
DK-PRACTICE: An Intelligent Educational Platform for Personalized Learning Content Recommendations Based on Students Knowledge State
International Hellenic University(国际希腊大学)
本文提出DK-PRACTICE智能教育平台,通过自适应问答评估学生知识状态,利用机器学习动态选题并推荐学习材料,支持教学前后测试与进度可视化,促进个性化学习。
2024-12-13 cs.AI cs.CY
A Comprehensive Exploration of Personalized Learning in Smart Education: From Student Modeling to Personalized Recommendations
East China Normal University(华东师范大学)
本文全面分析了个性化学习在智能教育中的应用,探讨了学生建模与个性化推荐的关键维度,并评估了其在教育实践中的有效性与未来发展方向。
2026-01-28 cs.CY
Causal Discovery and Counterfactual Explanations for Personalized Student Learning
University of the Witwatersrand(威特沃特斯兰德大学)
本文将 PC 因果发现与反事实分析用于真实学生成绩数据,识别影响最终成绩的因果因素并生成个性化学习建议,同时讨论样本量、领域知识及实时验证等局限。
2023-09-18 cs.CY cs.LG stat.ME
Personalized Student Stress Prediction with Deep Multitask Network
University of Massachusetts(马萨诸塞大学)
随着可穿戴设备的日益普及,利用从这些设备收集的生理数据来预测穿戴者的精神状态(诸如情绪和压力)的能力暗示了巨大的临床应用,然而这样的任务是极其具有挑战性的。在本文中,我们提出了一个通用的平台,个性化的预测建模的行为状态,如学生的压力水平。通过使用自动编码器和多任务学习,我们将压力预测扩展到被动传感器数据序列和高级协变量。我们的模型在从移动传感器数据预测压力水平方面优于最先进的技术,在StudentLife数据集上获得了45.6%的F1分数提高。
2019-06-26 cs.CY cs.LG stat.ML
Personalized and Constructive Feedback for Computer Science Students Using the Large Language Model (LLM)
University of Hertfordshire(赫特福德大学);Information Technology University(信息技术大学);University of Gujrat(吉拉特大学)
本文提出利用大型语言模型(LLM-MATE)结合预定义评分标准处理学生评估,生成个性化反馈,并以软件架构模块为案例验证其能提升学习效果并降低大规模评估开销。
2025-10-13 cs.CY
Personalized Worked Example Generation from Student Code Submissions using Pattern-based Knowledge Components
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)
本文提出利用基于模式的知识组件生成个性化习题,通过AST分析提取学生代码中的结构模式,引导生成模型提高内容的相关性和针对性。
2026-04-27 cs.AI cs.CY cs.ET
Personalized Education at Scale
Brown University(布朗大学)
根据个别学生的需要量身定制信息的呈现方式,可以大大提高学生的成绩~ \cite{bloom19842}。这一发现可能是由于不同的学生学习不同的事实,也许是由于能力,兴趣或其他因素的变化~ \cite{schiefele1992interest}。根据个人的教育需求调整演示文稿传统上是专家的领域,这使得大规模进行成本高昂且后勤上具有挑战性,并且还导致教育成果的不公平。增加的课程规模和大规模的MOOC注册提供了前所未有的学生数据访问。我们提出,强化学习(RL)以及半监督学习,自然语言处理和计算机视觉中的新兴技术对于利用这些数据提供大规模个性化教育至关重要。
2018-09-24 cs.CY cs.LG stat.ML
KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
University of California, Santa Barbara(加州大学圣巴巴拉分校);University of South Alabama(南方大学);University of Michigan(密歇根大学);MIT-IBM Watson AI Lab(麻省理工-IBM沃森人工智能实验室);Harvard University(哈佛大学)
提出KT4EQG框架,利用知识追踪模型选择最合适的概念,并训练基于LLM的题目生成器,以生成个性化习题,实验证明其有效性。
2026-05-27 cs.AI cs.CY
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
Personalized Auto-Grading and Feedback System for Constructive Geometry Tasks Using Large Language Models on an Online Math Platform
Hongik University(弘益大学)
本文提出部署于 Algeomath 的 GPT-4 自动评分与个性化反馈系统,通过少样本提示评估构造几何过程与概念理解,试点显示其评分贴近教师并能促进短期纠错。
2025-09-29 cs.CY cs.LG
PAPPL: Personalized AI-Powered Progressive Learning Platform
The Grainger College of Engineering, Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign, 205 N Matthews, Urbana, IL 61801(伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院,土木与环境工程系)
针对工程教育在个性化创新应用上的滞后问题,本文提出PAPPL平台这一专为工程教育设计的智能辅导系统,整合GPT-4o等技术实现动态个性化辅助与教师分析支持,为生成式ITS发展提供框架并推动教育领域生成式AI应用。
2025-08-18 cs.AI cs.CY cs.ET
Should There be a Teacher In-the-Loop? A Study of Generative AI-Personalized Tasks Middle School
Department of Teaching and Learning(教学与学习系);Southern Methodist University(南方 Methodist 大学);WestEd(西斯特教育);American Institutes for Research(美国研究机构);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
研究探讨生成式AI在中学个性化任务中的应用,分析教师与AI协作的效率及学生对不同粒度个性化任务的偏好。
2026-11-13 cs.AI cs.CY
AI for Accessible Education: Personalized Audio-Based Learning for Blind Students
本文提出 Audemy 音频学习平台,利用自适应学习技术为视障学生提供个性化教育,服务超 2000 名学生,并探讨了 AI 教育的伦理与包容性。
2025-04-23 cs.CY cs.HC
Using learning analytics to provide personalized recommendations for finding peers
这项工作的目的是提出一种方法来支持学生在合作和混合学习环境中找到合适的同龄人。本研究的主要目标是弥合教学理论和数据驱动实践之间的差距,为从事计算机支持学习活动的学生提供个性化和自适应的指导。研究假设是,我们可以使用学习分析来模拟学生的认知状态,并评估学生是否处于最近发展区。基于这种评估,我们可以计划如何根据权变辅导的原则提供脚手架,以及如何根据最近发展区的原则组建学习小组。
2019-10-16 cs.CY cs.HC
Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities
Prairie View A&M University(Prairie View A&M大学);CREDIT Center(CREDIT中心)
本研究构建了PVAMU的STEM学习数据集,并比较多种深度知识追踪模型,发现SAKT和KQN在预测学生学业表现上效果最佳,可为HBCUs的个性化自适应学习和学业预警提供支持。
2024-10-02 cs.AI cs.CY
Advancing Personalized Learning Analysis via an Innovative Domain Knowledge Informed Attention-based Knowledge Tracing Method
Purdue University(普渡大学)
针对现有知识追踪忽视知识概念依赖的问题,提出融合课程中知识概念路径领域知识的注意力方法,并在 XES3G5M 上与七个 SOTA 深度学习模型比较。
2025-01-09 cs.AI cs.CY cs.LG
LECTOR: Summarizing E-book Reading Content for Personalized Student Support
Graduate School of Information Science and Electrical Engineering(信息科学与电气工程研究生院);Faculty of Information Science and Electrical Engineering(信息科学与电气工程学院)
提出 LECTOR 模型将电子书阅读内容转化为可与阅读活动数据整合的偏好信息,并通过幻灯片信息抽取与学业风险预测实验验证其效果和个性化干预潜力。
2025-05-12 cs.CY cs.LG
Enhancing Deep Knowledge Tracing via Diffusion Models for Personalized Adaptive Learning
Prairie View A&M University(Prairie View A&M大学);Texas A&M University System(德克萨斯农工大学系统);Alabama A&M University(阿拉巴马农工大学)
针对个性化自适应学习中学生记录不足的问题,本文采用扩散模型TabDDPM生成合成教育数据以增强DKT,并在ASSISTments上验证其在小训练、大测试场景下的显著效果。
2024-04-25 cs.AI cs.CY cs.LG
Evaluating Contextually Personalized Programming Exercises Created with Generative AI
Aalto University(阿尔托大学);Abilene Christian University(阿比林基督教大学);University of Jyväskylä(于韦斯屈莱大学)
本研究评估了GPT-4生成的上下文个性化编程练习,发现其质量高且能提升学生参与度,可作为入门编程课程的有价值补充。
2024-06-11 cs.AI cs.CY cs.HC
MindCraft: Revolutionizing Education through AI-Powered Personalized Learning and Mentorship for Rural India
Pune Institute of Computer Technology(浦那计算机技术学院)
针对印度农村学生因地理与社会经济地位面临的教育障碍,MindCraft平台利用AI提供个性化学习路径、导师连接及协作资源网络,为公平教育体系提供可扩展可持续解决方案,赋能农村学生适应数字化世界。
2025-02-09 cs.AI cs.CY cs.ET
Improving essay peer grading accuracy in MOOCs using personalized weights from student's engagement and performance
本研究利用学生参与度和表现计算个性化权重,改进MOOC作文同伴评分聚合,实验表明基于章节测试表现的中位数加权法能提升评分有效性。
2024-12-17 cs.CY
Personalized Parsons Puzzles as Scaffolding Enhance Practice Engagement Over Just Showing LLM-Powered Solutions
针对学生使用LLM学习编程可能直接获取答案而缺乏学习投入的问题,研究将LLM驱动的个性化Parsons谜题作为编程练习脚手架,通过80分钟随机对照实验发现,该方式比直接展示完整LLM解决方案更能提升学生遇困时的练习投入时长。
2025-01-16 cs.CY cs.HC
Personalized AI Practice Replicates Learning Rate Regularity at Scale
Campus AI
研究通过大规模数据验证学生学习率一致性,利用自动化生成的知识组件和练习,发现学生初始知识差异大但学习率稳定,支持个性化大规模学习。
2026-03-09 cs.AI cs.CY
Role of Secondary Attributes to Boost the Prediction Accuracy of Students Employability Via Data Mining
Banasthali University(巴纳斯泰利大学);University of Rajasthan(拉贾斯坦大学)
数据采掘以其分析和预测能力而闻名。它被用于多个领域,如欺诈检测,预测客户行为,货币市场行为,破产预测。它还可以帮助建立一个教育生态系统,发现有用的知识,并协助教育工作者采取积极主动的决定,以提高学生的表现和就业能力。本文提出了一种实证研究,比较不同的分类算法的两个数据集的MCA(硕士计算机应用)的学生收集来自印度的一所著名的州立大学的各个附属学院。一个数据集只包含主要属性,而另一个数据集则包含次要的心理测量属性。结果表明,一旦他们在教育的第一年内平方测量,仅仅主要的学术属性并不能导致学生就业能力的智能预测准确性。本研究分析并强调了次要心理测量属性的作用,以提高预测准确性和分析学生的表现。及时预测和分析学生的表现可以帮助管理层,教师和学生在他们的灰色地带工作,以获得更好的结果和就业机会。
2017-08-09 cs.AI cs.CY
Personalization, Cognition, and Gamification-based Programming Language Learning: A State-of-the-Art Systematic Literature Review
本文通过系统综述81项研究,探讨个性化游戏化在编程语言学习中的作用,发现其能提升学生动机、参与度和学习成果,但效果受游戏化元素类型、个性化程度及学习者特征影响,并为教育实践提供了设计启示。
2023-09-05 cs.CY
A Human-Centric Approach to Explainable AI for Personalized Education
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本论文针对个性化教育中AI模型缺乏可解释性导致信任不足的问题,提出四种可解释性技术贡献并结合人类研究,为平衡性能与透明度的以人为本AI系统奠定基础。
2025-05-28 cs.CY cs.LG
GPTutor: Great Personalized Tutor with Large Language Models for Personalized Learning Content Generation
研究团队开发了网页应用GPTutor,依托无服务器架构与思维链提示方法,生成适配学生兴趣与职业目标的个性化学习内容,助力提升学习效果与职业准备度。
2024-05-16 cs.CY cs.HC
Instructions and Guide for Diagnostic Questions: The NeurIPS 2020 Education Challenge
Rice University(莱斯大学);University of Cambridge(剑桥大学);Eedi;Microsoft Research(微软研究院);Alan Turing Institute(艾伦·图灵研究所)
数字技术在教育中越来越普遍,使世界各地的学生能够访问个性化的高质量教育资源。重要的是,在这些资源中有诊断性问题:学生对这些问题的回答揭示了学生可能持有的误解的具体性质的关键信息。分析学生与这些诊断问题的交互所产生的大量数据可以帮助我们更准确地了解学生的学习状态,从而使我们能够自动化学习课程建议。在本次比赛中,参赛者将关注学生对这些多项选择诊断题的答案记录,目的是1)准确预测学生提供哪些答案; 2)准确预测哪些问题质量高; 3)为每个学生确定最能预测学生答案的个性化问题序列。这些任务非常接近现实世界教育平台的目标,并且高度代表了当今面临的教育挑战。我们提供了超过2000万个学生对Eedi数学问题的答案示例,Eedi是一个领先的教育平台,每天有成千上万的学生在全球范围内进行互动。本次竞赛的参与者有机会为全球数百万学生的个性化教育质量产生持久的现实影响。
2021-04-12 cs.CY cs.HC cs.LG
A Review of Data Mining in Personalized Education: Current Trends and Future Prospects
Beihang University(北京航空航天大学);University of International Business and Economics(对外经济贸易大学)
本文综述数据挖掘在个性化教育中的应用,围绕教育推荐、认知诊断、知识追踪和学习分析构建分类体系、整理数据集并展望未来方向。
2024-02-27 cs.CY cs.LG
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
Unlimited Practice Opportunities: Automated Generation of Comprehensive, Personalized Programming Tasks
本文提出并评估了Tutor Kai系统的新功能,通过自动生成包含问题描述、代码骨架、单元测试和模型解决方案的个性化编程任务,结合专家评级与学生研究,验证了其任务质量及对学生学习的积极影响。
2025-03-12 cs.CY cs.HC cs.SE
eTutor: Online Learning for Personalized Education
鉴于信息技术和人工智能的最新进展,基于网络的教育系统已成为传统课堂教学的补充,在某些情况下是可行的替代方案。这些系统的流行源于它们能够为大量人口提供教育(见MOOC)。然而,现有的系统并没有利用个性化,而个性化在提供基于网络的教育时成为可能:它们仍然是一刀切的。在本文中,我们的目的是提供一个系统的方法来设计一个个性化的基于Web的教育系统。个性化教育具有挑战性:(i)需要根据学生的具体情况(例如,已经参加的课程、首选的学习方法等)向他们提供个性化的教学和培训,(ii)对于每一具体情况,必须学习最佳的教学和培训方法(例如,要展示的教学材料的类型和顺序),(iii)教学和培训应根据分数/反馈(例如,测试、测验、期末考试、喜欢/不喜欢等)在线调整。学生们。我们的个性化在线系统e-Tutor能够通过学习如何调整教学方法来应对这些挑战(在这种情况下,向学生展示教材的顺序),以最大限度地提高她在期末考试中的表现,同时最大限度地减少学生学习课程所花费的时间(以及可能的辍学)。我们说明了所提出的方法在现实世界的eTutor平台上的效率,该平台用于补救培训的数字信号处理(DSP)课程。
2014-10-14 cs.CY
Mathematics Teachers Interactions with a Multi-Agent System for Personalized Problem Generation
Southern Methodist University(南方 Methodist 大学);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校);Worchester Polytechnic Institute(沃斯顿理工学院)
研究探讨了多智能体教师闭环系统在中学数学问题个性化中的应用,通过教师输入基础问题和主题,由LLM生成问题,再由四个AI代理评估问题的数学准确性、真实性、可读性和现实性。
2026-04-13 cs.AI cs.CY
A Personalized MOOC Learning Group and Course Recommendation Method Based on Graph Neural Network and Social Network Analysis
本研究基于社交网络分析构建多层次网络模型,利用近4万用户和数万课程数据开发AI助手,通过图神经网络等技术探究选课偏好与学术兴趣关系,为学生推荐个性化课程与学习群组,以提升MOOC学习参与度和效果。
2024-10-14 cs.CY cs.SI
Towards a Recommender System for Undergraduate Research
一些研究表明,吸引学生从事研究工作需要从本科早期就开始。遵循这种模式,我们的工程学院已经开发了一个本科研究计划,允许学生参加研究,以换取课程学分。此外,我们还开发了一个门户网站,向学生介绍该计划和机会,但参与率仍然低于预期。为了提高学生的参与度,我们尝试建立一个个性化的大学生科研机会推荐系统。考虑到这个目标,我们研究了两个任务。首先,一个确定学生更愿意参加这种计划。第二个任务是为每个学生生成个性化的研究机会推荐列表。为了评估我们的方法,我们使用我们学校的数据进行了模拟预测实验,该学校目前有4,000多名活跃的本科生。我们的研究结果表明,有一个很大的潜力,以创建一个个性化的推荐系统。我们的研究结果可以作为一个基线为高校寻求策略,鼓励本科生的研究活动。
2017-06-20 cs.CY cs.IR
Preventing Cheating in Hands-on Lab Assignments
网络、操作系统和网络安全技能在真实的环境中得到最好的锻炼。学生在实验室环境中使用真实的系统和工具,并完成指定的任务。由于所有学生通常都会收到相同的作业,因此他们可以向教师,辅导系统或同龄人咨询他们的方法和进度。他们也可以在互联网上搜索信息。在课堂上为所有学生布置相同的作业是有效学习和发展技能的标准做法。然而,当在诸如评分作业、期中考试或期末考试等总结性评估中使用时,它很容易作弊。学生可以很容易地在没有完成作业的情况下共享并提交正确答案。在本文中,我们讨论的方法自动生成的动手在计算机实验室环境中完成的任务的问题。使用这种方法,每个学生都收到个性化的任务。我们开发了用于生成和提交这些个性化任务的软件,并进行了案例研究。该软件被用于为207名学生注册的安全入门课程的家庭作业创建和评分。该软件发现了七个可疑的提交案例,这些案例可能构成作弊。此外,学生和教师欢迎个性化的任务。教师评论说,这种方法适用于大班。学生在运行个性化实验室环境时很少遇到问题。最后,我们发布了开源软件,使其他教育工作者能够在他们的课程和学习环境中使用它。
2022-01-04 cs.CR cs.CY
GPT, Ontology, and CAABAC: A Tripartite Personalized Access Control Model Anchored by Compliance, Context and Attribute
Harvard Business School(哈佛商学院)
本研究提出GPT-Onto-CAABAC框架,结合GPT、医疗法律本体与情境感知属性访问控制,动态解释策略以适应医疗法律环境,实证证明能提升电子健康记录访问安全,并具广泛适用性。
2024-03-13 cs.AI cs.CR 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
RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems
Amazon(亚马逊)
针对推荐系统缺乏个性化解释的问题,提出RecXplainer方法,基于用户对物品属性的偏好生成细粒度解释,在五个数据集和五种推荐系统上验证,优于五个基线,在十个指标上表现卓越。
2023-08-29 cs.AI cs.CY cs.IR
Goal-based Course Recommendation
University of California, Berkeley(加利福尼亚大学伯克利分校);Tsinghua University(清华大学)
随着跨学科学术兴趣的增加和学术咨询资源的能力,探索数据辅助方法来支持学生决策的重要性从未如此之高。我们建立在一个快速发展的文献预测和建议在高等教育的研究结果和方法,并开发一种新的递归神经网络为基础的推荐系统,建议课程,以帮助学生准备感兴趣的目标课程,个性化的估计先验知识背景和最近的发展区。我们验证模型使用测试的等级预测和恢复的先决条件的关系所阐述的大学的能力。在第三次验证中,我们在学生上一门历史上很难的课程之前的一个学期为学生运行完全个性化的推荐,并观察与我们的建议的差异重叠。虽然不能证明因果有效性,但这三个基于目标的模型的性能评估视角建立了信心,并使我们更接近于在野外部署这种个性化的课程准备启示。
2018-12-25 cs.AI cs.CY
Integrating Personalized Parsons Problems with Multi-Level Textual Explanations to Scaffold Code Writing
针对个性化帕森斯问题作为代码编写脚手架时学生可能只排列代码块而不理解原理的问题,本文提出融入多层次文本解释的设计,并计划通过课堂实验验证其对提升教学效果的作用。
2024-01-11 cs.CY cs.HC
A Multi-Agent Approach to Validate and Refine LLM-Generated Personalized Math Problems
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Southern Methodist University(南方卫理公会大学);Worcester Polytechnic Institute(伍斯特理工学院)
本文提出多智能体框架,通过生成-验证-修订流程提升LLM生成的个性化数学问题的现实性和可读性,实验显示单一迭代能显著减少初始问题的失败模式。
2026-04-06 cs.CY
Mining Student Responses to Infer Student Satisfaction Predictors
RMIT University(皇家墨尔本理工大学)
学生满意度的识别和分析是一个具有挑战性的问题。这一点变得越来越重要,因为学生满意度的衡量标准被视为一门课程教得有多好的指标。然而,这仍然是一个具有挑战性的问题,因为学生的满意度有各个方面。在本文中,我们制定的学生满意度估计作为一个预测问题,我们预测不同水平的学生满意度,并推断出有影响力的预测相关的课程和教师。我们提出了学生满意度的五个不同方面:1)课程内容,2)课堂参与,3)实现对课程的最初期望,4)与专业发展的相关性,以及5)课程是否将他们联系起来并有助于探索现实世界的情况。我们采用最先进的机器学习技术来预测学生满意度的各个方面。对于我们的实验,我们利用了一个大型的学生评价数据集,其中包括学生的看法,使用不同的属性相关的课程和教师。实验结果和综合分析表明,学生满意度受课程属性的影响大于教师相关属性。
2020-06-14 cs.CY cs.LG
Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning
University of Central Florida(中佛罗里达大学)
该论文通过系统综述和准实验研究,评估AI个性化学习平台Mathbot在小学分数教学中的效果,发现其可适度提升学生分数理解,且未取代教师教学角色,为自适应AI系统在小学数学中的应用提供了课堂实证。
2026-08-06 cs.CY cs.HC
Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education
University of Iowa(爱荷华大学)
本研究利用GPT-4开发学习分析工具,量化学生参与度并评估教学策略,以支持数据驱动的个性化教育决策。
2024-09-18 cs.AI cs.CY cs.HC
CodeTailor: LLM-Powered Personalized Parsons Puzzles for Engaging Support While Learning Programming
本文提出 CodeTailor 系统,利用 LLM 为编程学习者生成个性化 Parsons 谜题,在提供支持的同时保持认知参与度,实验表明其比直接给出代码方案更能提升学习效果和参与度。
2024-05-30 cs.CY cs.HC
Personalizing explanations of AI-driven hints to users' characteristics: an empirical evaluation
本文通过实证研究,探讨了针对低认知需求和尽责性用户个性化AI驱动提示解释的效果,发现个性化能提升用户互动、理解和学习效果。
2026-03-10 cs.AI cs.CY cs.HC
Should College Dropout Prediction Models Include Protected Attributes?
早期识别大学辍学者可以为提高学生的成功和机构效率提供巨大的价值,预测分析越来越多地用于此目的。然而,在预测模型中包含受保护的属性是否会歧视代表性不足的学生群体并加剧现有的不平等,这一问题已经引起了伦理上的担忧。我们研究这个问题的背景下,一个大型的美国研究型大学与住宅和完全在线的学位寻求的学生。基于多年来整个学生群体的综合机构记录,我们构建了机器学习模型来预测一学年后的学生辍学,并比较了有或没有四个受保护属性(性别,URM,第一代学生和高财务需求)的模型预测的整体表现和公平性。我们发现,包括受保护的属性不影响整体预测性能,它只是稍微提高预测的算法公平性。虽然这些研究结果表明,包括受保护的属性是首选,我们的分析还提供了如何评估在当地环境中的影响,其中机构利益相关者寻求利用预测分析,以支持学生的成功的指导。
2021-04-16 cs.CY
Automating Personalized Parsons Problems with Customized Contexts and Concepts
针对编程入门课程中难生成大量适配学生多元兴趣的高质量Parsons问题的痛点,研究提出教育工具PuzzleMakerPy,利用大语言模型生成可定制情境与主题的Parsons问题,经课程部署验证可提升学生参与度且有助于学习。
2024-04-17 cs.CY
Computer-Aided Personalized Education
STEM领域的人才短缺问题日益严重,大学和学院正在努力满足这一需求。以计算机科学为例,在过去十年中,美国学生选修入门课程的人数增长了三倍。最近,大规模开放式在线课程(MOOC)作为缓解这种压力的一种方式得到了推广。这最多提供受教育的机会。更大的挑战是应对不同学生的异质背景,保留,提供反馈和评估。依靠计算工具的个性化教育可以应对这一挑战。虽然在不同的社区,自动化辅导已经在不同的时间进行了研究,但计算和教育技术的最新进展为改变学生的学习方式提供了令人兴奋的机会。特别是,至少有三个趋势是重要的。首先,逻辑推理、数据分析和自然语言处理方面的进步已经产生了用于自动评估的辅导工具、包括有针对性的反馈的个性化指导以及针对各种科目的自适应内容生成。其次,学习科学和人机交互的研究正在让我们更好地了解不同学生的学习方式、何时以及何种类型的干预措施对不同的教学目标有效,以及如何衡量教育工具的成功。最后,学术界和工业界最近出现的在线教育平台正在为共享基础设施的发展带来新的机遇。本次CCC研讨会汇集了基于逻辑推理和机器学习等技术开发教育工具的研究人员,以及教育,人机交互和认知心理学的研究人员。
2020-07-07 cs.CY cs.HC