The Role of Artificial Intelligence (AI) in Adaptive eLearning System (AES) Content Formation: Risks and Opportunities involved
Sule Lamido University（苏莱·拉米多大学）；Baze University（贝兹大学）
人工智能（AI）在支持现有和新兴技术方面发挥着不同的作用。在学习和教学领域，它在智能教学系统（ITS）中起着关键作用。ITS与自适应超媒体和多媒体（AHAM）的融合形成了自适应电子学习系统（AES）的骨干，为学习者提供个性化的体验。这种经验很重要，因为它有助于准确地提供学习模块，具体到学习者的能力和准备。AES类型各不相同，与自适应基于Web的电子学习系统（AWBES）是流行的类型，因为更广泛的访问提供了Web技术。检索和聚合的内容为任何电子学习系统是至关重要的whichis由学习材料的相关性，学习者的需求所决定。在本文中，我们讨论的AES组件，AI在AES内容聚合的作用，可能的风险和可用的机会。
2019-03-03 cs.AI cs.CY
Generative AI and Its Impact on Personalized Intelligent Tutoring Systems
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
本报告探讨了生成式AI（如GPT-4）在智能辅导系统中的应用，通过动态内容生成和实时反馈提升个性化教育，并分析了相关挑战与未来方向。
2024-10-14 cs.AI cs.CL
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
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
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
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
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
A Knowledge Discovery Framework for Learning Task Models from User Interactions in Intelligent Tutoring Systems
University of Quebec in Montreal（魁北克大学蒙特利尔分校）；Université Lille-Nord de France, Artois（法国里尔-北部大学阿图瓦分校）
领域专家应提供相关的领域知识的智能教学系统（ITS），使它可以指导学习者在解决问题的学习活动。然而，对于许多定义不明确的领域，领域知识很难明确定义。在以前的作品中，我们展示了如何使用序列模式挖掘从记录的用户交互中提取部分问题空间，以及它如何在解决问题的练习中支持辅导服务。本文描述了这种方法的扩展，以提取更丰富，更适合支持辅导服务的问题空间。我们将序列模式挖掘与（1）维度模式挖掘（2）时间间隔，（3）有值动作的自动聚类和（4）闭合序列挖掘相结合。一些辅导服务已经实施，并在一个辅导系统中进行了实验。
2009-01-29 cs.AI
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
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
Intelligent tutoring systems by Bayesian nets with noisy gates
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所（IDSIA））
针对智能辅导系统中贝叶斯网络参数繁多、推理较慢的问题，本文提出用带不确定性的噪声逻辑门紧凑参数化条件概率表，并给出专用推理方案以支持实时反馈。
2024-09-09 cs.AI
Neural Network-Based Collaborative Filtering for Question Sequencing
电子学习系统（ELS）和智能教学系统（ITS）在当今的教育计划中发挥着重要作用。排序问题是为目标学习者生成个性化测验的艺术。个性化的测试将丰富学习者的经验，并将有助于更有效和更高效的学习过程。在本文中，我们使用神经协同过滤（NCF）模型来生成问题排序，并将其与基于成对记忆的问题排序算法EduRank进行比较。NCF模型显示出比EduRank模型更好的排名结果，平均精度相关性得分为0.85，而EduRank模型为0.8。
2020-04-25 cs.AI cs.IR cs.LG
Data Augmentation for Sparse Multidimensional Learning Performance Data Using Generative AI
Institute for Intelligent Systems, University of Memphis（孟菲斯大学智能系统研究所）；Arkansas State University（阿肯色州立大学）；Human-Computer Interaction Institute, Carnegie Mellon University（卡内基梅隆大学人机交互研究所）；Faculty of Education, The University of Hong Kong（香港大学教育学院）；Centre for Learning Analytics, Faculty of Information Technology, Monash University（莫纳什大学信息技术学院学习分析中心）；Department of Applied Social Sciences, Hong Kong Polytechnic University（香港理工大学应用社会科学系）
提出融合张量分解与GAN/GPT的多维学习表现数据增强框架，实验表明其能缓解80%～90%缺失带来的知识追踪难题，且GAN更稳定、偏差更小。
2025-01-03 cs.AI cs.LG
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
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
EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners
Korea University Sejong Campus（高丽大学世宗校区）；Opentutorials；Indiana University（印第安纳大学）；Gyeonggi Institute of Education（京畿教育大学）；Korea University（高丽大学）
研究人员推出EduClaw-Bench长周期基准测试集，结合模拟学习者评估LLM智能体辅导效果，发现辅导质量取决于基础模型与智能体适配器的结合，且多数组合无法维持全程良好辅导。
2026-08-05 cs.AI cs.CL cs.CY
A Web-based Multilingual Intelligent Tutor System based on Jackson's Learning Styles Profiler and Expert Systems
智能教学系统（ITS）是近年来为提高教学质量而采用的一种新技术。问题之一是ITS的语言不同于学习者的语言。它迫使学习者学习系统语言。本文试图通过在系统结构中使用自动翻译组件来消除这种必要性，例如Google翻译API。本系统在概念训练前后分别利用专家系统和Jackson模型进行了前测试和后测试。它不断更新学习者模型，以保存学习过程中的所有更改。因此，本文提出了一个基于网络的、智能的、自适应的、多语言的、远程访问的、教师和学习者可以使用不同语言的E-Learning系统。它也适用于任何时候和任何地方（ETEW）。此外，它以任何语言和低成本的最佳方法训练概念。
2013-04-15 cs.CY
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
The learner who does not learn: when optimizing a pedagogical metric degrades LLM tutoring
UNED（西班牙国立远程教育大学）
该研究发现，针对教学指标微调LLM辅导模型会导致专家评分下降，因指标仅优化重复单一最优决策，研究还推导了AI辅导基准的设计原则。
2026-10-09 cs.CY
Reinforcement Learning for Special Education: Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
Korea University Sejong Campus（韩国大学世宗校区）；Ewha Womans University（梨花女子大学）；Indiana University Bloomington（印第安纳大学布卢明顿分校）；Korea Institute for Curriculum and Evaluation（韩国课程评估院）；Chosun University（朝鲜大学）
提出Special-R1框架，通过二维自适应系统提示和基于残疾特征的思维奖励，将强化学习扩展到特殊教育，显著提升对残疾学习者的适配性和帮助性。
2026-05-29 cs.CY
Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis
Columbia University（哥伦比亚大学）
本研究提出一个AI导师原型框架，通过时间交互模式、多结果分析和行为-认知学习者画像，探讨早期交互模式对后续表现和信任的预测作用，以及不同AI导师反馈条件下的多结果权衡和学习者画像识别。
2026-03-22 cs.CY cs.LG
DeepTutor: Towards Agentic Personalized Tutoring
The University of Hong Kong（香港大学）
DeepTutor通过结合引用基础问题辅导与难度校准的问题生成，提出一个统一的开放源码框架，利用静态知识和动态学习者记忆实现个性化适应，并在五个领域大学课程中评估个性化教学效果。
2026-07-10 cs.AI cs.CL cs.CY
A Model for an Intelligent and Adaptive Tutor based on Web by Jackson's Learning Styles Profiler and Expert Systems
智能化和基于网络的E-Learning是当今E-Learning的重要研究方向之一。本文将一个智能的、基于网络的E-Learning与专家系统技术相结合，利用Jackson模型对学习者的学习风格进行建模。从教育学的角度来看，它是智能的，因为它能与学习者互动，并为学习者提供一些主题。本系统的学习过程如下。首先，它确定学习者的个人特征和学习风格的基础上，在杰克逊的学习风格剖析问卷。学习风格分析仪是一种现代的学习风格个体差异的测量方法。然后，学习者的模型，并获得一个专家系统模拟器计划一个“预测试”，并评价他。如果学习者的分数足够高，这个概念就会被呈现出来。随后，系统通过“后测试”对他进行评估。最后，学习者的模型将由建模者基于尝试和错误来更新。该系统可以通过网络随时随地（ETEW）提供。该算法具有学习速度快、学习简单、成本低、可用于ETEW等优点。
2013-04-15 cs.CY
RankCert: When Can Simulated Learners Safely Select an AI Tutor? Robust Decision Certification Under Structural Uncertainty
Singapore University of Technology and Design（新加坡科技设计大学）
RankCert提出一种鲁棒决策认证方法，在结构不确定性下仅当多个指标一致时认证AI导师选择策略，否则弃权，实验表明其降低决策损失但选择性风险未显著改善。
2026-09-23 cs.AI cs.CY cs.LG
LearnAdapt Praxis: Controlled AI Assistance and Evidence Traces for Adult Workplace Learning
Singapore University of Technology and Design（新加坡科技设计大学）
LearnAdapt Praxis提出五阶段学习工作区，通过项目级控制分离辅助与独立工作，存储可检查证据，并经过120个合成项目片段测试，验证了工程属性，但未验证学习成效。
2026-10-05 cs.CY cs.HC
Learners Teaching Novices: An Uplifting Alternative Assessment
提出通过教学进行评估（AVT）的形成性评估新方法，让学习者辅导新手以展示理解。随机对照试验表明，AVT显著提升学习者考试成绩与学习动力，且天然防作弊，有望替代传统考试。
2024-03-22 cs.CY
MetaCLASS: Metacognitive Coaching for Learning with Adaptive Self-regulation Support
Rice University（莱斯大学）；University of Central Florida（中佛罗里达大学）
MetaCLASS通过元认知辅导框架提升学习者自我调节能力，验证了传统教学模型在元认知任务中的不足。
2026-02-02 cs.CY
Integrating VR tours in online language learning:A design-based research study
本研究采用基于设计的研究方法，探讨在成人在线英语课程中整合VR游览的有效性，发现VR游览能显著提升学习者动机，且感知学习成果受空间临场、技术新颖性、课程设计及个体特征等多因素影响。
2025-05-01 cs.CY cs.ET
Review of intelligent tutoring systems using bayesian approach
随着计算机科学对人工智能的研究和认知心理学对人类学习和表现的研究的进步，下一代基于计算机的辅导系统超越了文本或图形页面的简单呈现。这些新的智能辅导系统（ITS）被称为认知导师;采用模型跟踪技术，这是一种学生解决问题的认知模型，可以捕捉学生的多种策略和常见的误解。这种智能辅导系统或基于知识的辅导系统可以引导学习者在学习过程中以最佳状态取得进步。本文论述了各种智能教学系统使用贝叶斯网络和贝叶斯网络如何可以用于有效的决策。
2013-02-28 cs.CY
AITEE -- Agentic Tutor for Electrical Engineering
Department of Electrical Engineering and Information Technology, HTWG Hochschule Konstanz, University of Applied Sciences（电气工程与信息技术系，HTWG 科隆茨应用科学大学）
本文提出面向电气工程的智能体辅导系统AITEE，结合电路重构、基于图的检索增强生成、Spice仿真与苏格拉底式对话，显著提升了特定领域知识应用效果与个性化学习体验。
2025-05-27 cs.AI cs.CY cs.HC
From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
East China Normal University（华东师范大学）；National University of Singapore（新加坡国立大学）
针对生成式AI教育视频缺乏教学结构的问题，提出PIVOT框架，将教学法融入生成流程，通过故事板引导、代码生成和验证、评估补救，在四个STEM领域验证了其教学有效性。
2026-09-22 cs.AI cs.CL cs.CY
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
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
LLM-Generated Feedback Supports Learning If Learners Choose to Use It
Carnegie Mellon University（卡内基梅隆大学）
本研究通过分析885名学习者的2600多次课程完成数据，发现LLM生成的反馈能显著提升学习效果，但效果取决于学习者主动使用的倾向，且不增加完成时间。
2025-06-20 cs.CL cs.CY
Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy
本文探讨人工智能在成人教育政策中的应用，分析其在个性化学习、智能辅导和职业发展中的机遇，同时指出数字鸿沟、数据隐私等挑战，强调需通过包容性政策促进技术伦理与教育公平。
2026-04-15 cs.CY
Digital Lifelong Learning in the Age of AI: Trends and Insights
Singapore University of Technology and Design（新加坡科技设计大学）
本文探讨人工智能时代下数字学习的发展趋势，分析不同人群对数字学习平台的互动，揭示疫情后数字学习相关性提升的原因，并为教育和企业优化学习服务提供策略建议。
2026-02-03 cs.AI cs.CY
From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning
Cornell University（康奈尔大学）；Carnegie Mellon University（卡内基梅隆大学）
本文通过ITS日志数据，利用监督学习方法预测学生每周练习时间和掌握新技能情况，展示基于特征的模型在降低MAE方面优于启发式基线，同时分析了预测特征的重要性，为 tutor-learner 目标设定提供支持。
2026-05-12 cs.CY cs.LG
An Experience Report on a Pedagogically Controlled, Curriculum-Constrained AI Tutor for SE Education
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文介绍了一种基于AI的导师系统，旨在通过结构化提示和语义标记知识库，为中学生提供个性化、课程约束的编程学习支持，并通过试点评估验证其在降低认知负荷和补充课堂教学中的潜力。
2025-12-08 cs.AI cs.CY cs.HC
An Adaptive and Intelligent Tutor by Expert Systems for Mobile Devices
移动学习是教育和教育技术领域的一门新兴学科。因此，研究者们正在努力优化和拓展其在教育领域的应用。本文的目的是调查的作用，移动设备和专家系统在传播和支持智能导师所获得的知识，并提出了一个系统的基础上集成的智能移动学习与专家系统。它作为一个智能导师，可以执行三个过程-前测，学习概念和后测-根据学习者的特点。该系统可以大大提高教学效率，降低成本。因此，在该系统中，随时随地（ETEW）简单和廉价的学习将通过短信，彩信等提供。移动学习的全球意图是使学习成为"一种存在方式"。
2013-04-15 cs.CY
ActiveAI: Introducing AI Literacy for Middle School Learners with Goal-based Scenario Learning
Carnegie Mellon University（卡内基梅隆大学）
ActiveAI项目面向7-9年级学生，基于AI4K12框架和目标场景学习，结合智能代理与即时反馈，通过真实场景培养AI素养与评估AI输出的能力。
2023-08-21 cs.AI cs.CY
Design and Implementation of an Intelligent Educational Model Based on Personality and Learner's Emotion
个性和情感是影响学习过程的有效参数。因此，虚拟学习环境应该注意这些参数。在本文中，一个新的e-learning模型的设计和实现根据这些参数。本文提出的虚拟学习环境使用了两个Agent：虚拟导师Agent（VTA）和虚拟同学Agent（VCA）。在学习过程中，学习者的情绪会随着环境中发生的事件而变化。在这种情况下，学习风格应该根据学习者的个性特征以及学习者当前的情绪进行调整。VTA根据学习者的个性特征选择适合的学习方式。为了改进学习过程，系统在一些学习步骤中使用VCA。VCA是一个智能代理，具有自己的个性。它的设计，使它可以呈现一个有吸引力的和真实的学习环境与学习者的互动。该系统采用MBTI测试来识别学习者的个性特征，采用OCC模型来获取学习者的情感值。最后，系统在真实环境中的测试结果表明，在与学习者的交互中考虑人类特征提高了学习质量，并满足了学习者。
2010-04-12 cs.CY
Large Language Models as Students Who Think Aloud: Overly Coherent, Verbose, and Confident
Carnegie Mellon University（卡内基梅隆大学）；Soda Team, Inria Saclay（Soda团队，法国国家科学研究中心萨克雷分部）；University of Central Florida（中央佛罗里达大学）
本文评估LLM在模拟学生思考过程中的表现，发现其推理过于连贯、啰嗦且缺乏变异性，揭示了使用生成式AI设计适应性系统时的认知局限。
2026-05-09 cs.CL cs.CY
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
