机器学习对自主系统行业的提高、引入的社会、技术、法律和伦理挑战以及针对课程设计和潜在技能方面的问题被多个学科所讨论，本研究总结了多位领先专家的洞见，为 TAS 教育社区提供了关于课程设计和潜在 TAS 相关技能的重要挑战。

Feb, 2022

在控制实验室环境中进行了一个试验来验证整合政策和信任机制在学习系统中的有效性，并对信任管理、电子商务服务、政策和声誉基于信任机制等关键词进行了分析。

Jun, 2024

开发并评估了一个综合系统，可自动评估讲座风格，为教师提供即时反馈以提高课堂质量，通过提取面部表情、身体活动、语速和语调、手部动作和面部姿势等可测量的生物特征，结合整个讲座的评分和指标，系统评估结果表明，应用不仅能提供有关讲座质量的自动化反馈，而且在某些情况下，性能超过人类观察者。

Nov, 2023

本文通过基于复杂系统物理和贝叶斯范畴的方法，考虑了机器翻译的翻译质量评估问题，并比较了两种不同的参数化模型。结果表明，即使仅仅进行一次评估，也可以从中获得有意义的信息，如译者技能和评估者的严格度，以及他们在各自角色中的一致性。此外，研究表明，即使是专家译者也可能会出现认知偏差，因此评估者的可靠性也并不能保证，但最专业的翻译者具有最高水平的一致性。

Mar, 2022

介绍了一个基于深度学习和自然语言处理等技术的智能辅导系统，该系统结合教育心理学中的知识表述、平行学习和即时反馈等理论，能够适应各种应用场景并取得良好成效。

Oct, 2018

研究了多种指标（包括表现、行为参与度和情感参与度）的组合，通过分析来自学习管理系统的数字痕迹和学生网络摄像头拍摄的图像，识别学习困难的学生。利用法国一所工程学校 2022 至 2023 学年收集的真实数据，观察到积极情绪状态与学术成果的改善之间存在相关性。这些初步发现支持情绪在区分高、低成就学生方面起到关键作用的观点。

Nov, 2023

语言模型在某些任务上表现出色，但在其他任务上却遭受了严重的失败。本文提出了一种基于测试和评估的语言模型（TEL'M）作为一种原则性方法，用于评估当前和未来的语言模型在高价值商业、政府和国家安全应用领域的价值。我们相信这种方法可以被应用于其他人工智能技术中，以实现 “工业化” 人工智能的更大目标。

Apr, 2024

研究探讨了自主系统的信任度和相关标准，并提出了一个可用于自主系统的信任度评估框架的大纲。

May, 2023

本研究旨在使用来自智能教学系统的多种数据源来预测大学生的学习表现。通过采集和预处理来自 40 名学生的多模式数据，包括系统日志中的学习策略，面部录像中的情绪，眼动追踪中的交互区域以及最终知识评估中的测试表现。我们的目标是通过使用属性选择和分类集成来提高预测效果。通过将六种分类算法应用于数字化和离散化的预处理的多模式数据，我们进行了三次实验。结果表明，使用集成和选择最佳属性的方法对数字化数据进行预测能够获得最佳效果。

Feb, 2024

本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

May, 2022