AI in Education needs interpretable machine learning: Lessons from Open Learner Modelling
University of British Columbia(不列颠哥伦比亚大学);University College London(伦敦大学学院)
底层人工智能表示的可解释性是开放式学习者建模(OLM)的一个关键存在理由-智能教学系统(ITS)研究的一个分支。OLM提供了“开放”学习者认知和情感的AI模型的工具,以支持人类的学习和教学。ITS(也称为AI in Education)三十多年的研究产生了重要的工作,它告诉我们如何将AI用于教育以达到最佳效果,以及通过OLM研究,使其可解释和可解释以利于学习的必要考虑因素是什么。我们认为,这项工作可以为可解释的人工智能框架提供一个有价值的起点,因此与基于知识和机器学习系统在教育以外的其他高风险环境中的应用有关。
2018-06-30 cs.AI cs.CY
Agent4Edu: Generating Learner Response Data by Generative Agents for Intelligent Education Systems
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室);University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence(人工智能研究院);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
提出Agent4Edu,一种利用大语言模型构建生成式智能体模拟学习者行为,以解决智能教育系统中离线指标与在线性能差异的问题,并支持个性化学习算法评估与优化。
2026-05-28 cs.AI cs.CY
Personality-Driven Student Agent-Based Modeling in Mathematics Education: How Well Do Student Agents Align with Human Learners?
University of Florida(佛罗里达大学)
本文通过构建基于Big Five人格的学生代理模型,评估其与人类学习者行为的一致性,发现71.4%的行为符合人类学习者。
2026-03-22 cs.CY cs.MA
Do AI tutors empower or enslave learners? Toward a critical use of AI in education
本文立场论文批判AI在教育中的无节制使用,指出其可能导致认知萎缩、依赖与伦理风险,并提出策略以促进赋能而非削弱学习者的批判性AI应用。
2025-07-09 cs.CY cs.HC
Generative AI and Agency in Education: A Critical Scoping Review and Thematic Analysis
James Cook University Singapore(詹姆斯库克大学新加坡校区);British University Vietnam(越南英国大学)
该研究通过批判性数字教学法视角,对GenAI与教育中能动性的关系进行范围综述,经主题分析揭示三个关键主题,指出GenAI虽能增强学习者能动性,但有加剧教育不平等风险,研究结果为教育政策和实践提供了启示。
2026-07-24 cs.AI cs.CY
Data-Mining Research in Education
作为一门交叉学科,数据挖掘在教育领域特别是在考察学生学习成绩方面得到了广泛的应用。它侧重于分析教育相关数据,以开发改善学习者学习体验和提高机构效率的模型。因此,DM确实有助于教育机构为其学习者提供高质量的教育。在教育中应用数据挖掘也被称为教育数据挖掘(EDM),它可以更好地了解学生如何学习,并确定如何提高教育成果。本文旨在证明数据挖掘方法在教育领域的能力。本文介绍了电火花加工的最新研究动态。几个具体的算法,方法,应用和差距,在当前的文献和未来的见解进行了讨论。
2017-10-25 cs.CY stat.OT
Effect of Cultural Factors on Students of Pakistan
巴基斯坦作为一个多元文化的国家,拥有广泛的文化因素。这些文化因素影响着生活方式、传统、价值观和规范以及教育。由于网络学习是全球性的教育模式,因此来自不同背景的学习者都可以注册到学习管理系统中。在设计网络学习环境时,应考虑文化和学习方式的多样性。在本研究工作中,Bentley ET强调了电子学习的文化因素。AL被合并以找到学习者水平。在分配级别后,学习者各自的学习管理系统被分配给学习者。重点关注网络学习系统中的文化因素。此外,所提出的系统的原型实施所提出的架构进行验证。
2016-05-05 cs.CY
Sewer Rats in Teaching Action: An explorative field study on students' perception of a game-based learning app in graduate engineering education
基于游戏的技术和移动学习辅助工具为学习者提供了许多机会;然而,关于其适当使用的循证决策是必要的。这项探索性研究(N = 100)探讨了游戏元素在大学教育中的作用,使用基于游戏的移动设备的学习应用程序。该应用程序的教育目标是支持工程领域的学生记忆事实知识。该研究调查了基于游戏的应用程序如何影响学习者的动机。分析了学习者感知的影响力和吸引力,以及游戏因素对学习者感知的激励作用。为了实现这一目标,本研究结合了结构化的方法,如问卷调查和半结构化的方法,如出声思考,游戏日记和访谈。研究结果表明,对应用程序的灵活时空使用是影响学习者学习动机的重要因素。该应用程序允许更多的自发参与的主题和学习者利用了对主题的态度改善。然而,只有一个低的影响,内在动机可以观察到。我们讨论的原因和提出的实际影响。
2018-11-24 cs.CY cs.HC cs.MM
An Innovative Solution: AI-Based Digital Screen-Integrated Tables for Educational Settings
The Assam Kaziranga University(阿萨姆卡齐兰加大学)
本文提出一种面向教育环境的数字屏幕集成桌,通过CPU控制屏幕同步显示教学内容并收集学生表现数据,结合机器学习模型分析学习行为以识别快慢学习者并优化资源分配。
2024-10-08 cs.AI cs.CY cs.HC
AgentTutor: Empowering Personalized Learning with Multi-Turn Interactive Teaching in Intelligent Education Systems
AgentTutor通过多轮互动教学系统提升个性化学习效果,结合多代理系统和学习者档案实现动态优化的教学策略。
2025-12-24 cs.AI cs.CY cs.MA
Critsly: An Artefact-Aware AI Critique Teammate for Design Education and Project-Based Learning
Singapore University of Technology and Design(新加坡科技设计大学)
研究针对设计教育和基于项目学习中高质量批判稀缺等问题,提出Critsly这一人工制品感知的人工智能批判工作区,结合多种功能,将AI变为批判队友,为学习者和教育者提供更优批判实例。
2026-10-19 cs.CY
Strategy-Oriented Feedback for Fostering Systematic Problem-Solving in Machine Learning Education
TUD Dresden University of Technology(德累斯顿工业大学);RWTH Aachen University(亚琛工业大学);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)(可扩展数据分析与人工智能中心)
本研究在数字谜题式决策树构建学习游戏中加入面向策略的自适应反馈模块,通过分析205名学习者的游戏数据,证实该反馈可培养学生的结构化问题解决技能,为中学ML学习环境设计提供参考。
2026-08-14 cs.CY
Risks of AI Foundation Models in Education
Microsoft Research(微软研究院)
如果斯坦福大学最近一份报告的作者(Bommasani等人,2021年)关于“基础模型“的机会和风险的研究报告,这些模型代表了人工智能和它们将被使用的领域(包括教育)的范式转变。虽然这个名字是新的(并且有争议(Field,2021)),但这个术语描述了现有类型的算法模型,这些模型是“在大规模的广泛数据上训练的”和“微调的”(即,适用于特定的下游任务,并且旨在包括诸如BERT或GPT-3的大语言模型和诸如CLIP的计算机视觉模型。这些技术有可能造成广泛的危害(例如,Bender等人,2021),但它们在教育领域的使用特别令人担忧,尽管作者声称对学习者有潜在的好处。在斯坦福报告的第3.3节中,马利克等人认为,实现为所有学习者提供教育的目标需要更有效的计算方法,这些方法可以在教育领域和教育环境中快速扩展,他们认为基础模型非常适合。然而,有证据表明,基础模型不仅不可能为学习者带来所述的好处,而且它们的使用还可能带来新的危害风险。
2021-10-19 cs.AI cs.CY
Towards Sustainable Learning in Online Education: A Reinforcement Learning Approach
针对在线教育参与度低、长期效果差的问题,提出基于强化学习的AI Tutor模型,通过优化短期与长期学习结果,在2300万条学习记录的评估中优于基准模型,可提供自适应个性化支持。
2026-08-13 cs.AI cs.CY cs.LG
Generative AI in Computer Science Education: Accelerating Python Learning with ChatGPT
本研究评估了将ChatGPT整合到自定进度Python模块中的效果,发现它能加速编程学习,缩小无经验学习者的初始差距,支持所有群体的熟练度提升,并展示了AI增强教学作为可扩展再技能培训模型的潜力。
2025-05-24 cs.CY
Theorizing neuro-induced relationships between cognitive diversity, motivation, grit and academic performance in multidisciplinary engineering education context
本文针对传统工程教育与行业需求脱节的问题,在多学科工程教育背景下,基于大脑指纹概念,提出认知多样性、动机、毅力与学业表现之间的神经诱导关系概念框架,为以学习者为中心的教学法提供新视角。
2024-05-13 cs.CY
Towards social generative AI for education: theory, practices and ethics
Institute of Educational Technology(教育技术学院);The Open University(开放大学)
本文提出将教育中的人机互动视为社会性对话探索过程,构建能相互及与人类对话、构建知识表征并扮演多重角色的社会生成式AI,并探讨其伦理问题。
2023-06-14 cs.AI cs.CY
A ChatGPT-based approach for questions generation in higher education
Banking Academy of Vietnam(越南银行学院);Dublin City University(都柏林城市大学)
本研究探索ChatGPT在高等教育中的应用,通过交互式提示设计AI题库创建流程,经盲测验证效果良好,为简化高校学习者评估的时间精力投入提供了新方向。
2025-07-30 cs.AI cs.CY
National Data Platform's Education Hub
San Diego Supercomputer Center(圣地亚哥超级计算中心);University of California San Diego(加州大学圣迭戈分校);University of Utah(犹他大学)
针对AI素养和数据科学教育需求,在国家数据平台中开发了首创的教育中心,连接研究、课堂与数据挑战,早期用例证明其支持复杂教育活动有效,正持续提升体验并扩大采用。
2025-10-10 cs.CY
Learning Context: A Unified Framework and Roadmap for Context-Aware AI in Education
Rice University(莱斯大学);OpenStax;SafeInsights;Adobe Research(Adobe研究院)
本文提出学习情境框架,通过统一理论和协议实现教育AI的情境感知,提升个性化学习体验并保障隐私。
2026-01-30 cs.CY
Learning AI Without a STEM Background: Mixed-Methods Evidence from a Diverse, Mixed-Cohort AIED Program
Lucy Family Institute for Data \& Society University of Notre Dame, Notre Dame, IN, USA
本文探讨了无需STEM背景的AI教育模型,通过混合方法数据展示学习者在伦理判断、情境推理和责任方面的提升,强调伦理素养和指导在AI教育中的重要性。
2026-07-03 cs.CY
Engaging Teachers to Co-Design Integrated AI Curriculum for K-12 Classrooms
人工智能(AI)教育是K-12教师越来越受欢迎的主题领域。然而,很少有研究调查如何设计人工智能教育,使所有学习者更容易获得。我们与15名K-12教师组织了共同设计研讨会,以确定将人工智能教育融入核心课程的机会,以利用学习者的兴趣。在共同设计研讨会期间,教师和研究人员共同创建了课程计划,其中人工智能概念被嵌入到各种核心科目中。我们发现,K-12教师需要额外的脚手架在课程中,以促进道德和数据的讨论,并为学习者的参与,协作和反思的价值支持。我们确定了研究人员和教师合作的机会,使人工智能教育更容易获得,并提出了一个示范课程计划,显示了在非计算学科中教授人工智能的切入点。我们还反映在远程设置与K-12教师共同设计。
2020-09-22 cs.CY physics.ed-ph
Generative AI in the Classroom: Can Students Remain Active Learners?
本文探讨了生成式AI(GAI)在教育中对学生主动学习的双重影响,提出了包含模型训练、互动设计、学生能力培养三方面的教学透明度框架,以推动GAI在教育中的合理应用。
2023-11-10 cs.CY
(World) Building Transformation: Students and Teachers as CoCreators in OpenXR Learning Environments
本文探讨高等教育中XR工具对传统课堂的挑战,团队运用以人为本的设计思维、变革性学习和问题提出式教育设计元宇宙创业课程,并基于学习者反馈反思了设计实践及其影响。
2025-06-28 cs.CY
Making Design Practices Visible to Young Learners
针对K-12设计教育难以培养HCD思维习惯的问题,论文提出基于认知学徒制的嵌入式设计实践方法,并通过示例说明其如何同时支持设计者理解儿童需求与儿童学习设计实践。
2023-07-14 cs.CY cs.HC
A Web-based Adaptive and Intelligent Tutor by Expert Systems
智能化和基于网络的E-learning是当今备受关注的课题之一。因此,研究者们正在努力优化和拓展其在教育领域的应用。本文的研究目的是为智能学校的学习者开发一个具有可定制性、动态性、智能性和适应性的教育学网络学习软件。该系统是一个集成的自适应基于Web的E-learning与专家系统以及。本系统的学习过程如下。智能导师首先通过问卷调查确定学习者的学习风格和特征,然后建立模型。之后,专家系统模拟器计划预测试,然后计算他的分数。如果学习者得到所需的分数,则概念将被训练。最后,通过后测对学习者进行评估。该系统可以大大提高教学效率,减少专家指导的成本和问题。因此,在该系统中,每时每刻(ETEW)的学习将通过网络提供。此外,学习者可以享受廉价的远程学习,即使在家里的虚拟模拟物理类。所以他们可以非常简单和快速地学习数千门课程。
2013-04-15 cs.CY
AI-powered Digital Framework for Personalized Economical Quality Learning at Scale
University of Tehran(德黑兰大学)
针对全球优质教育获取不均及低成本规模化需求,论文提出基于深度学习理论的 AI 数字学习框架,以 OLM、活动建议和双向 AI 支持实现个性化协作学习。
2024-11-20 cs.AI cs.CY cs.LG
Personalized Education in the AI Era: What to Expect Next?
University of Tübingen(图宾根大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Miami(迈阿密大学);University of Cambridge(剑桥大学)
个性化学习的目标是设计一个有效的知识获取路径,使学习者能够扬长避短,最终达到预期的学习目标。这一概念几年前就出现了,并被全球越来越多的教育机构所采用。近年来,人工智能(AI)和机器学习(ML)的推动,以及大数据分析的进步,为在多个维度上加强个性化教育提供了新的视角。通过利用AI/ML方法,教育平台精确地获取学生的特征。这在一定程度上是通过观察过去的经验以及通过探索学习者的特征和相似性来分析可用的大数据来完成的。例如,它可以在众多可访问的内容中推荐最合适的内容,建议精心设计的长期课程,通过建议联系合适的学习者,准确的性能评估等。尽管如此,基于人工智能的个性化教育的几个方面仍有待探索。这些措施包括,除其他外,补偿同行缺席的不利影响,创造和维持学习的动机,增加多样性,消除数据和算法引起的偏见等。在本文中,在简要回顾最新研究的同时,我们调查了基于AI/ML的个性化教育的挑战,并讨论了潜在的解决方案。
2021-01-19 cs.AI cs.CY cs.LG
Scaling Equitable Reflection Assessment in Education via Large Language Models and Role-Based Feedback Agents
本文提出利用多代理LLM系统实现公平、高质量的形成性反馈,通过角色化代理生成公平、简洁的反馈,提升教育公平性与教学效率。
2025-11-27 cs.AI cs.CY
Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence
College of Computing and Data Science, Nanyang Technological University, NTU, Singapore(南洋理工大学计算机与数据科学学院);DeepMed Ptd Ltd, India(印度DeepMed公司)
本文探讨高等教育中代理多代理AI平台的整合,旨在解决教育机构复杂性中的碎片化问题,强调包容性和适应性决策的重要性。
2026-05-14 cs.AI cs.CY
Everything You Need to Know About CS Education: Open Results from a Survey of More Than 18,000 Participants
本文介绍一项覆盖173个国家18,032名学习者的计算机科学教育大规模调查,公开其数据集、方法论及三个研究方向,以支持后续研究。
2025-08-07 cs.CY cs.HC cs.SE
Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework
本研究提出整合生成式AI与学习分析的A2PL概念框架,通过重构学习者抱负、复杂思维与总结性自我评估的互动,培养学习者的自我导向成长能力,为构建公平、适应性强且可持续的数字时代学习系统提供方法论指导。
2025-04-29 cs.AI cs.CY
Large Scale Analysis of Open MOOC Reviews to Support Learners' Course Selection
SkillMapper
最近的大流行病改变了我们看待教育的方式。毫不奇怪,儿童和大学生并不是唯一使用在线教育的人。在过去的几年里,数百万成年人注册了在线课程,而Coursera或edX等MOOC提供商报告称,有数百万新用户注册了他们的平台。然而,学生在选择课程时确实面临一些挑战。虽然在线审查系统在许多垂直行业中是标准的,但在MOOC生态系统中不存在标准化或完全分散的审查系统。在这种情况下,我们认为有机会利用现有的开放式MOOC评论,以建立更简单,更透明的评论系统,让用户真正确定最好的课程。具体来说,在我们的研究中,(这是迄今为止使用的最大的MOOC评论数据集)从五个不同的平台,以确定以下内容:(1)数字评级是否为学习者提供了判别信息,(2)对文本评论的NLP驱动的情感分析是否可以为学习者提供有价值的信息,(3)我们是否可以利用NLP驱动的主题发现技术来推断对学习者来说可能很重要的主题,以及(4)我们是否可以使用这些模型来有效地描述基于开放评论的MOOC。结果表明,数字评分存在明显的偏差(63%的评分为5星),主题建模揭示了一些与课程广告相关的有趣主题,以及不同课程的实际适用性或难度。我们希望我们的研究能对该领域有所启发,并促进在线教育评论的更透明方法,随着我们进入后疫情时代,在线教育评论越来越受欢迎。
2022-01-11 cs.CL cs.CY
Mapping data literacy trajectories in K-12 education
University of Cambridge(剑桥大学)
本文通过系统文献综述,提出数据范式框架,分析K-12学生在不同学科和情境中数据素养的学习路径,探讨数据素养在不同学习环境中的差异。
2026-10-15 cs.AI cs.CY
Learning-by-teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education
Peking University(北京大学);East China Normal University(华东师范大学);Tsinghua University(清华大学)
本研究探讨将ChatGPT作为可教导智能体应用于编程教育中的“以教促学”过程。结果表明,该互动提升了学生的知识、编程可读性与自我调节学习能力,但因模型常生成正确代码而限制了纠错能力的发展,突显了其在教育中的应用潜力。
2024-12-05 cs.AI cs.CY stat.AP
Knowledge Tracing Challenge: Optimal Activity Sequencing for Students
Cornell University(康奈尔大学)
本文研究了知识追踪问题,在AAAI2023全球知识追踪挑战赛新发布的数据集上实现了两种知识追踪算法,展示了其在评估学习者知识掌握情况方面的应用成果。
2023-11-13 cs.CY cs.LG
LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
Texas A&M University–Corpus Christi(德克萨斯A&M大学科珀斯克里斯蒂分校);University of Missouri(密苏里大学);University of California, Riverside(加利福尼亚大学河滨分校);University of South Florida(南佛罗里达大学)
针对语言学习资源因成本受限的问题,提出LLMersion框架,利用小型开放权重模型在本地笔记本电脑上实现完整四技能训练,成本极低,并发布开源原型以促进教育公平。
2026-10-05 cs.CL cs.CY cs.HC