AAAIMar, 2020

大规模教育问题挖掘：预测、分析和个性化

PDF
TL;DR本文提出了一个用于在规模上挖掘教育问题洞见的框架。使用贝叶斯深度学习的技术，我们提出了两种量化问题质量和难度的新指标，并提出了一种个性化的策略，以适应学生的需求。将该框架应用于一个拥有数万个问题和数百万个答案的在线教育平台的真实数据集，我们不仅表现出有前途的统计指标，而且与领域专家的评估结果高度一致。
online education platformsbayesian deep learningquestion qualityquestion difficultypersonalized learning
发现论文，激发创造
  • 用科学文本进行预训练，提高教育问题生成质量

    本研究基于大型语言模型开发了 EduQG，该模型能够自动生成出优质的教育问题，以实现在数字化教育材料和可扩展的 e-learning 系统背景下的 AI 协助个性化学习。

    Dec, 2022

  • 应用于自适应教育的问题生成

    我们探索了针对学生进行目标化问题生成，并成功地利用预训练的语言模型来生成适合不同难度的问题，这为智能自适应在线教育系统提供了一种新的方法。

    Jun, 2021

  • 使用预训练语言模型实现可扩展的教育问题生成

    本研究开发了一个基于语言模型的教育问题生成模型，通过在科学文本和科学问题数据上进行进一步的预训练和微调，能够生成优质的教育问题，从而在自我评估和在线教育方面具有重要的应用潜力。

    May, 2023

  • 从教育文本中自动生成问题

    设计并评估了一个自动化问题生成工具，以便用于学校的形成性和总结性评估，通过使用基于 Transformer 的语言模型和生成技术，实现了模块化框架，从文本内容中自动生成多项选择题，并进行了广泛的定量和定性评估。

    Sep, 2023

  • NeurIPS 2020 教育挑战赛 - 诊断问题的指南与说明

    该研究论文讨论数字技术在教育中的应用，说明了通过分析数百万学生对诊断性问题的回答，可以更准确地了解学生的学习状态，并允许自动化的个性化学习计划建议的可能性。

    Jul, 2020

  • 在线健康专家问答服务的质量预测深度学习方法

    提出了一种基于深度置信网络的在线健康询问平台回答质量预测框架，该框架利用非文本特征和医生答案的高层语义表示来预测答案质量。

    Dec, 2016

  • 新闻故事的测验式问题生成

    本研究通过建立一套问答生成模型，实现了对在线新闻读者对新闻信息的认知度的度量，并通过实验证明该模型在多项指标上具有优越的性能。

    Feb, 2021

  • 通过多实例深度学习进行用户个性化满意度预测

    该研究通过开发新的多实例深度学习框架解决了社区问答服务中的用户满意度问题，并通过大型数据集的实验验证了该框架的可行性。

    Nov, 2016

  • 在线学习平台学术问题类型识别

    本文研究在线学习平台的问题类型识别，提出了一种基于 BERT 的集成模型来将问题类型分为不同的结构和复杂程度的类，经过内部数据集训练，并在人工标注的测试集上进行了评估。最终发布到在线学习平台上，以提高学生的学习效果。

    Nov, 2022

  • 个性化教育中的数据挖掘综述：现状与未来展望

    个性化教育利用教育技术和人工智能在数字时代提升学习效果，通过数据挖掘技术的驱动，结合教育平台与个性化学习过程，为学生、教育工作者和机构提供定制化学习经验的工具，本文通过四个主要场景：教育推荐、认知诊断、知识追踪和学习分析，展示了个性化教育数据挖掘的最新进展，提供了每个领域的结构分类法和常用数据集，并指出了未来研究方向，在拓展个性化教育和为未来的探索和创新铺平道路中强调了数据挖掘的作用。

    Feb, 2024