The Role of AI, Blockchain, Cloud, and Data (ABCD) in Enhancing Learning Assessments of College Students
本研究基于TAM和CLT,通过问卷与统计检验发现PU、PEU与ABCD技术采用意向无显著关系,指出院校政策、教师支持与基础设施等外部因素才是关键,为高校有效推进ABCD技术评估提供建议。
2025-02-17 cs.CY
Enhancing mobile learning security
移动设备在现代教育交付中发挥着至关重要的作用,因为学生可以在智能手机和平板电脑上访问或下载学习材料,他们还可以安装教育应用程序并随时随地学习。不能低估为用于学习的便携式设备提供足够安全性的必要性。在本文中,我们提出了一个移动安全增强应用程序,设计和开发的Android智能移动设备,以促进学生的安全意识。该应用程序还可以识别主要和最重要的安全漏洞,扫描或检查移动学习设备中的漏洞,并报告任何安全威胁。
2016-10-19 cs.CY
Enhancing the Understanding of Computer Networking Courses through Software Tools
计算机网络是信息和通信技术的一个重要专业。然而,向学生传授正确的知识可能是一项具有挑战性的任务,因为在正常的授课时间内没有足够的时间进行冗长的实验。使用软件工具增强物理机器的使用,帮助学生在世界各地高等教育机构的环境中超越有限的实验室课程。机构主要集中在有效利用现有资源,即一个实验室可能有几个实验室会议安排在一天内为不同的课程。因此,特定的实验会话必须准时开始和结束。没有完成实验练习的慢学生必须离开实验室,因为另一节课即将开始。因此,使用免费的软件工具,如OPNET IT大师,数据包跟踪和NS2将帮助学生学习超越大学的时间。一个学生将获得深入了解计算机网络领域反复做同样的实验室在他的笔记本电脑或个人电脑在家里的舒适,从而增加更深入的了解到这个问题。本文的主要目的是探索软件工具,这将提高应用科学学院塞拉莱高等教育学生之间的网络实践技能。本文还讨论了在正常的大学时间后,实施和执行实验室会议的方法。文章最后指出了存在的问题和改进的建议。
2015-04-08 cs.CY
Cluster Model for parsimonious selection of variables and enhancing Students Employability Prediction
Banasthali University(巴纳斯塔利大学);University of Rajasthan(拉贾斯坦大学)
本文提出一种基于聚类的预处理模型,通过精简变量选择提升预测算法性能,从而更准确地预测学生就业能力。
2024-06-05 cs.AI cs.CY cs.LG
Enhancing Student Feedback Using Predictive Models in Visual Literacy Courses
本研究利用朴素贝叶斯模型分析五年视觉素养课程同行评审数据,发现名词和谎言因子为关键特征,相比Beasley方法提供更具体的预测框架,经保留法和k折交叉验证,能有效预测并改善课程反馈。
2024-05-23 cs.CY cs.MM
Enhancing Trust in eAssessment - the TeSLA System Solution
对网络评估的信任是提高网络教育质量的重要因素。目前正在开发一个用于电子评估的基于信任的身份验证的综合模型,并在欧盟H2020项目TeSLA的评分范围内进行测试。使用生物识别验证技术来验证在线教育场景中单个学生的身份和作者身份声明是TeSLA的重要组成部分。保加利亚索非亚技术大学(TUS)是TeSLA联盟的成员,参与了TeSLA系统的大规模试点测试。本文对参与TUS试点测试的学生和教师的问卷调查结果进行了分析和总结。我们还描述了TeSLA身份验证和欺诈检测工具及其在增强eAssessment信任方面的作用。
2019-05-13 cs.CY
Enhancing Programming Education with ChatGPT: A Case Study on Student Perceptions and Interactions in a Python Course
Faculty of Arts and Science(文理学院);Kyushu University(九州大学);Faculty of Information Science and Electrical Engineering(信息科学与电气工程学院)
本文通过八周 Python 课程的问卷、开放题与对话数据分析,考察一年级学生使用 ChatGPT 的互动方式、感知效用、优势与局限。
2024-04-05 cs.AI cs.CY cs.PL
Bridging Gaps Between Student and Expert Evaluations of AI-Generated Programming Hints
本研究针对AI生成编程提示的专家评价与学生感知存在差距的问题,基于Python课程部署场景分析差异原因并分类,提出扩展评分标准、结合学生评论与历史调整生成流程的方法,助力构建优质AI教育反馈系统。
2025-09-03 cs.CY
WIP: Enhancing Game-Based Learning with AI-Driven Peer Agents
本研究提出基于大语言模型同伴智能体的游戏化STEM学习平台SPARC,通过对话协作引导学生学习,初步试点显示其可提升学生参与度与概念理解,验证了AI同伴结合游戏化学习的教育潜力。
2025-08-02 cs.CY
Enhancing MBSE Education with Version Control and Automated Feedback
本文提出了一种结合LemonTree、SmartGit和GitHub等工具的MBSE课程创新方法,通过版本控制、自动化检查和持续更新的图表提升协作学习体验与反馈效率,学生满意度高。
2024-09-04 cs.CY
Enhancing Programming Pair Workshops: The Case of Teacher Pre-Prompting
本文探讨了“教师预提示”在编程教育结对工作坊中的教学潜力,通过分析大学课程视频数据识别出五种预提示模式,发现其能促进结构化讨论、明确任务要求并创造共享学习体验。
2025-06-25 cs.CY
Enhancing Capstone Program Workflow: A Case Study on a Platform for Managing Academic-Industry Projects
Insper(因斯珀学院)
本文介绍了一个基于网络的工具,用于优化毕业设计项目管理流程,重点在项目获取和小组组建,通过技术解决方案和实际数据为类似工具开发提供参考。
2026-02-23 cs.CY
Enhancing Computer Science Education with Pair Programming and Problem Solving Studios
本研究将生物医学工程领域的问题解决工作室(PSS)教学法与结对编程结合,构建适配计算机科学教育的教学设计框架,经三年CS1课程实践验证,可有效提升学生的参与度、学习效果与学习动机。
2023-11-03 cs.CY
Machine Learning-Driven Student Performance Prediction for Enhancing Tiered Instruction
School of Information Science and Engineering, Shandong Normal University(山东师范大学信息科学与工程学院)
本研究提出将机器学习学生成绩预测与分层教学相结合,通过特征选择降低冗余,采用随机森林实现最优分类,并据此设定分层教学目标,实验验证了该框架能有效提升教学成效。
2025-02-05 cs.CY cs.LG
Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
本研究通过德雷塞尔大学数据科学课程的多源课堂研究,发现学生与LLM的互动随学期增加且存在过度依赖倾向,而LLM生成的MCQ难度评级与布鲁姆分类水平相关但无法预测实际题目难度,反映结构格式而非真实难度。
2026-09-24 cs.CY
Students Perceptions of the Effectiveness of Discussion Boards What can we get from our students for a freebie point
我们调查学生如何看待他们的经验,在初中300级计算机科学课程,使用黑板作为底层的课程管理系统。Blackboard中的讨论板被大量用于编程项目支持,并促进学生之间的合作,以回答他们的问题和关注。通过黑板进行了一项调查,作为一个自愿测验,谁参加的学生被赋予了他们的努力参与点。结果和参与非常有趣。我们从对问题的回答中获得了统计数据。学生们也以评论的形式给了我们所有问题的反馈,只有两个问题除外。学生们表现出理解,成熟和愿意参与教学提高努力的前提下,它可能有助于他们的教育和其他人的教育以及。
2012-10-03 cs.CY
Promoting Rural Entrepreneurship through Technology: A Case Study using Productivity Enhancing Technology Experience Kits (PETE-Kits)
本文通过案例研究展示了一个农村技术教育项目,利用PETE-Kits培训高中生和教师的智能互联技术技能,并结合社区参与和创业创意活动,有效提升了技术舒适度、创业意愿及社区对数字技能促进本地经济发展的认可。
2023-11-07 cs.CY
Reflection-Satisfaction Tradeoff: Investigating Impact of Reflection on Student Engagement with AI-Generated Programming Hints
University of Michigan, Ann Arbor, USA(密歇根大学);Max Planck Institute for Software Systems, Saarbrücken, Germany(马克斯·普朗克软件系统研究所)
本研究探讨了反思提示对学生成就AI生成编程提示的影响,发现反思质量与提示满意度呈负相关,强调需重新考虑AI在教育中的训练和评估方法。
2026-08-04 cs.CY
Enhancing Soft Skills in Network Management Education: A Study on the Impact of GenAI-based Virtual Assistants
本研究探讨了在大学网络管理课程中引入基于GenAI的虚拟助手,以提升学生批判性思维和解决问题等软技能的实证有效性。
2025-01-28 cs.CY cs.ET
Enhancing Mathematics Learning for Hard-of-Hearing Students Through Real-Time Palestinian Sign Language Recognition: A New Dataset
Arab American University(阿拉伯美国大学);Columbia University(哥伦比亚大学)
本研究构建了包含41个数学手势类别的巴勒斯坦手语数据集,微调视觉变换器模型,实现97.59%准确率的实时识别,以增强听障学生的数学学习可及性。
2025-05-16 cs.CL cs.CY cs.HC
QG-SMS: Enhancing Test Item Analysis via Student Modeling and Simulation
University of Notre Dame(诺特大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有问题生成评估缺乏教育价值关联的不足,本文提出QG-SMS框架,利用大语言模型进行学生建模与模拟,以增强试题分析的有效性和稳健性。
2025-06-19 cs.AI cs.CL cs.CY
Exploring the Psychometric Validity of AI-Generated Student Responses: A Study on Virtual Personas' Learning Motivation
University of Pennsylvania(宾夕法尼亚大学)
本研究针对教育测量中LLMs模拟学生回答的有效性问题,用GPT-4o生成2000个虚拟学生角色完成AMS量表,经因子与聚类分析证实其复现了量表结构和动机亚组,为LLMs在教育测量中的应用提供了心理测量学支持。
2025-11-05 cs.AI cs.CY
Enhancing Fine Motor Skills of Wards with Special Needs Using Cluster Model of Cognition
技术为克服人类的物理障碍提供了巨大的潜力。本文提出了适用于有特殊需要的儿童使用更好的人机交互增强学习的方法。视听(AV)效果,即图形工具或动画有助于这些学生实现更好的学习,理解,记忆和表现。3L-R集群程序模型使他们能够在听相关音频的同时查看图片和动画对象。它还激励他们做FMS开发活动,如绘图,着色,跟踪等,小组模式中的某些类型的游戏将帮助儿童提高注意力、思考、推理、认知技能和眼手协调。在这里,我们介绍了一种新的聚类模型以及所描述的方法,它提供了充分的训练有效性。对有类似问题或残疾的学生进行分类,并通过专门的信息技术工具满足经修改的教学方法的相关课程,以满足他们的特殊需要,这些工具是集群模式的一部分。它通过加强多方面的互动来确保病房的有效学习。本文的主要目的是支持精细运动技能(FMS)的特殊需要病房的发展。
2010-01-21 cs.CY
Exploring AI-Generated Text in Student Writing: How Does AI Help?
Precious Blood Secondary School(宝血中学);The Education University of Hong Kong(香港教育大学);The University of Hong Kong(香港大学);Hoi Ping Chamber of Commerce Secondary School(海平商会中学)
本研究通过分析23名香港中学生的AI辅助故事写作,发现人类与AI生成词数均显著影响评分,且AI生成文本对高低分学生的写作质量均有提升作用,为EFL写作教学和NLG工具设计提供依据。
2024-01-01 cs.AI cs.CL cs.CY
Synthetic Students: A Comparative Study of Bug Distribution Between Large Language Models and Computing Students
Temple University(天普大学);Aalto University(阿尔托大学);University of Auckland(奥克兰大学);Western Governors University(西州长大学)
本研究对比了LLMs与计算机专业学生在代码错误分布上的差异,发现无引导时LLMs生成的错误分布不合理,但在提供常见错误描述和频率引导后,LLMs能生成真实的合成错误分布。
2024-10-11 cs.AI cs.CY
Understanding Student Acceptance, Trust, and Attitudes Toward AI-Generated Images for Educational Purposes
Chulalongkorn University(朱拉隆功大学)
本研究通过问卷与访谈探究计算机科学和软件工程本科生对AI生成图像用于教育任务的接受度、信任度与态度,发现学生总体持积极态度但担忧技术精确性不足,并提出需制定伦理、知识产权和质量标准方面的指导方针以提升教育应用效果。
2024-11-24 cs.AI cs.CY
Exploring EFL Secondary Students' AI-generated Text Editing While Composition Writing
Precious Blood Secondary School(宝血女子中学);Shanghai Jiao Tong University(上海交通大学);The University of Hong Kong(香港大学)
本研究通过屏幕录制和内容分析,探索香港中学生在说明文写作中编辑AI生成文本的15种类型和四种行为模式,揭示其复杂认知过程,挑战被动使用AI的假设,并为教学提供启示。
2025-05-13 cs.CL cs.CY cs.HC
Correctness, Convergence, and AI-Generated Code Detection: A Longitudinal Study of Student and Large Language Model Code in Introductory Programming
University of Toronto(多伦多大学);Aalto University(阿尔托大学);McMaster University(麦克马斯特大学);Maranatha Christian University(马拉纳撒基督教大学);University of Auckland(奥克兰大学);University of Toronto Mississauga(多伦多大学密西沙加分校)
本研究通过纵向分析学生与LLM代码,发现生成参考匹配可追踪群体代码趋同,但归因个体AI使用需额外证据。
2026-10-02 cs.CY cs.SE
Bridging LMS and generative AI: dynamic course content integration (DCCI) for enhancing student satisfaction and engagement via the ask ME assistant
Eötvös Loránd University(罗兰大学)
针对LLM集成LMS时的幻觉问题,提出DCCI机制构建Ask ME助手,经120名学生试点验证,该机制可有效缓解幻觉,提升学生满意度与学习参与度。
2025-11-13 cs.AI cs.CY cs.ET
Enhancing Chemistry Learning with ChatGPT and Bing Chat as Agents to Think With: A Comparative Case Study
本研究在建构主义框架下通过单案例分析法,探讨了ChatGPT和Bing Chat作为“思考代理”在化学教育中的潜力,发现它们能通过苏格拉底式提问等方法促进学生的批判性思维与主动学习,且ChatGPT在响应的全面性、准确性和上下文处理上表现更优。
2023-05-12 cs.CY cs.HC
MedThink: Enhancing Diagnostic Accuracy in Small Models via Teacher-Guided Reasoning Correction
School of Computer Science, Fudan University, Shanghai, China(复旦大学计算机学院,上海,中国)
MedThink通过两阶段知识蒸馏框架提升小语言模型的临床推理能力,在医疗基准测试和胃肠病数据集上均优于传统方法,提升诊断准确率和泛化能力。
2026-04-09 cs.AI cs.CY
BoilerTAI: A Platform for Enhancing Instruction Using Generative AI in Educational Forums
Purdue University(普渡大学);Institutional Data Analytics and Assessment(机构数据分析与评估中心)
本文提出BoilerTAI平台,将GenAI与教育论坛集成,由AI-TA预回答并审核学生问题;实验表明其可降低认知负荷且不影响学生接受度。
2024-09-20 cs.CY cs.HC cs.LG
Enhancing Deep Knowledge Tracing with Auxiliary Tasks
Jinan University(暨南大学);Guangdong Institute of Smart Education(广东省智慧教育研究院);TAL Education Group(好未来教育集团);Think Academy International Education(学而思国际教育)
知识追踪(KT)是基于学生与智能教学系统的历史交互来预测学生未来表现的问题。最近的研究已经应用了多种类型的深度神经网络来解决KT问题。然而,现实世界的教育数据中有两个重要因素没有得到很好的体现。首先,大多数现有的作品增加输入表示的问题和知识成分的共现矩阵\footnote{\label{ft:kc}A KC is a generalization of everyday terms like concept, principle, fact, or skill.}(KCs),但没有明确地将这种内在的关系到最终的响应预测任务。第二,学生的个性化历史表现没有得到很好的捕捉。在本文中,我们提出了\emph{AT-DKT}来提高原始深度知识追踪模型的预测性能,并使用两个辅助学习任务,即,\emph{question tagging (QT) prediction task}和\emph{individualized prior knowledge (IK) prediction task}。具体来说,QT任务通过预测问题是否包含特定的KC来帮助学习更好的问题表征。IK任务通过逐步预测隐藏在学生历史学习交互中的学生水平先验知识来捕获学生的全局历史表现。我们在三个真实世界的教育数据集上进行了全面的实验,并将所提出的方法与深度序列KT模型和非序列模型进行了比较。实验结果表明,\emph{AT-D…
2023-02-14 cs.AI cs.CY cs.LG
Students' Perceptions and Preferences of Generative Artificial Intelligence Feedback for Programming
North Carolina State University(北卡罗来纳州立大学);Georgia Institute of Technology(佐治亚理工学院)
本研究探讨ChatGPT为CS1课程Java作业提供自动化反馈的可行性,通过调查发现学生认可其形成性价值,偏好含代码的针对性纠错反馈,为优化AI教育反馈提供了方向。
2023-12-17 cs.AI cs.CY cs.HC
Evaluating Discussion Boards on BlackBoard as a Collaborative Learning Tool A Students Survey and Reflections
University of Maryland(马里兰大学)
在本文中,我们调查学生如何认为他们的经验,在初级课程,有一个黑板课程的存在,学生广泛使用的讨论板。通过黑板设置一个调查,作为一个自愿测验和学生谁参加了免费积分。结果和参与是非常有趣的方面的反馈,我们通过从学生的公开评论,以及我们从问题的答案收集的统计数据。学生们表现出理解和愿意参与教学提高的努力。
2012-10-03 cs.CV cs.CY
AI-Generated Slides: Are They Good? Can Students Tell?
Aalto University(艾洛大学);University of Toronto Mississauga(多伦多大学滑铁卢分校)
本文研究了生成式AI工具在生成幻灯片中的表现,发现编码助手生成的幻灯片更准确且教学效果更好,学生难以区分AI与人工生成的幻灯片,但高质量幻灯片与AI生成标签间存在负相关。
2026-05-13 cs.AI cs.CL cs.CY
The Online Pivot: Lessons Learned from Teaching a Text and Data Mining Course in Lockdown, Enhancing online Teaching with Pair Programming and Digital Badges
University of Edinburgh(爱丁堡大学);University of Edinburgh Business School(爱丁堡大学商学院)
在本文中,我们介绍了由于COVID-19疫情,我们如何在2020年夏季将文本和数据采掘课程移植到网上,以及我们如何在第二次试运行中对其进行改进。我们描述了这门课程,我们如何在两个试点运行中进行调整,以及我们使用了哪些教学技术来改善学生的学习和在线社区建设。我们还提供有关课程期间收集的无情反馈的信息,这些反馈帮助我们从一个课程到下一个课程以及从一个试点到下一个试点调整我们的教学。我们讨论了经验教训,并促进使用创新的教学技术应用于数字,如数字徽章和配对编程在休息室教学自然语言处理课程的初学者和学生不同的背景。
2021-05-03 cs.CL cs.CY
Understanding EFL Student Idea Generation Strategies for Creative Writing with NLG Tools
Precious Blood Secondary School(宝血中学);New York University(纽约大学);Education University of Hong Kong(香港教育大学);The University of Hong Kong(香港大学);Huawei(华为)
本研究通过香港中学生工作坊与反思主题分析,揭示 EFL 学生使用 NLG 工具寻找、评估和选择创意写作想法时的策略与顾虑。
2023-04-22 cs.CL cs.CY
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
Effects of Human vs. Automatic Feedback on Students' Understanding of AI Concepts and Programming Style
自动评分工具的使用在大型本科编程课程中几乎无处不在,最近的工作集中在提高自动生成反馈的质量上。然而,在接受计算机生成的反馈和人类书面反馈时,直接比较学生成绩的数据相对缺乏。本文通过将一个90名学生的班级分成两个反馈组,并分析两组学生的表现差异来解决这一差距。这门课是人工智能的入门课,有硬件编程作业。一组学生收到了关于他们编程作业的详细的计算机生成的反馈,描述了算法逻辑的哪些部分缺失;另一组学生还收到了人类撰写的反馈,描述了他们的程序语法如何与他们的逻辑问题相关,以及改进他们代码的定性(风格)建议。测验和考试问题的结果表明,人类的反馈有助于学生获得更好的概念理解,但分析发现,小组在最终项目上的合作能力没有差异。课程成绩分布显示,接受人类书面反馈的学生总体表现更好;这种效果在每组的中间两个四分位数中最为明显。这些结果表明,反馈的语法逻辑关系可能是一个主要的机制,人类的反馈提高学生的成绩。
2020-11-20 cs.CY cs.HC
Enhancing Cognitive Diagnosis using Un-interacted Exercises: A Collaboration-aware Mixed Sampling Approach
Anhui University(安徽大学);BOSS Zhipin(BOSS直聘)
针对现有认知诊断模型未充分利用未交互习题信息、综合数据集上性能不佳的问题,提出协作感知混合习题采样框架,通过通用采样模块和基于排序的伪反馈模块挖掘未交互习题信息,提升现有模型性能与适配性,并经真实数据集实验验证有效。
2023-12-15 cs.CY cs.LG
How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings?
Georgia Institute of Technology(佐治亚理工学院)
本文分析了学生与LLM驱动的虚拟教学助手Jill Watson在多课程中的交互,发现其支持广泛认知需求并鼓励高阶认知提问,但使用频率受课程环境影响,为未来AI教育工具开发提供了启示。
2024-07-25 cs.AI cs.CY
AI Slop or AI-enhancement? Student perceptions of AI-generated media for an English for Academic Purposes course
Everwrite Limited(Everwrite有限公司);Faculty of Education, The University of Hong Kong(香港大学教育学院);Faculty of Education, The Chinese University of Hong Kong(香港中文大学教育学院)
研究探讨了AI生成内容在EAP课程中的教学效果,通过混合方法分析发现学生偏好视觉化内容,视频与学业表现正相关,但高认知负荷与成绩负相关,表明需合理设计内容以提升学习效果。
2026-04-08 cs.AI cs.CL cs.CY
Interactive Learning in Computer Science Education Supported by a Discord Chatbot
Technical University of Munich(慕尼黑工业大学)
针对第一学期计算机科学课程中互动与反馈收集的挑战,研究开发并集成了基于Discord的命令式聊天机器人,通过简短调查、出勤跟踪和课前介绍等功能,实现了师生间的无压力沟通与动态教学调整,显著提升了学生的学习体验。
2024-07-27 cs.AI cs.CY cs.ET
Understanding Student Interaction with AI-Powered Next-Step Hints: Strategies and Challenges
JetBrains Research(JetBrains研究)
本研究通过分析34名学生的Kotlin编程交互日志和访谈,识别出16种与AI下一步提示交互的场景及应对无帮助提示的策略,为改进提示设计提供依据。
2025-11-09 cs.AI cs.CY cs.SE
Enhancing Large Language Models for Automated Homework Assessment in Undergraduate Circuit Analysis
School of Electrical;Computer Engineering, Georgia Institute of Technology, Atlanta, USA Corresponding Author. E-mail
本研究通过多步骤提示和数据增强技术提升GPT-4o在电路分析作业评估中的准确性,使其正确响应率提高至97.70%。
2025-11-22 cs.AI cs.CY cs.HC