Jul, 2020

NeurIPS 2020 教育挑战赛 - 诊断问题的指南与说明

PDF
TL;DR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。
digital technologieseducational platformdiagnostic questionslearning statuspersonalized education
发现论文，激发创造
  • NeurIPS 竞赛说明和指南：教育学习路径中的因果洞见

    该研究使用时间序列数据解决了机器学习在教育信息领域中两个基本的因果挑战，即确定不同构建之间的因果关系和预测学习一个构建对回答其他构建问题的影响，从而实现对学生知识获取的优化。研究采用了合成数据的理想环境和一系列 A/B 测试中收集的评估数据的真实世界情境。

    Aug, 2022

  • 大规模教育问题挖掘：预测、分析和个性化

    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。

    Mar, 2020

  • 智能教育系统的神经认知诊断

    本文提出了 Neural Cognitive Diagnosis (NeuralCD) 框架，用于智能教育中的认知诊断，分别使用传统的 Q - 矩阵和改进的文本内容来探索每个练习的概念，并包含神经网络以学习复杂的练习交互作用，从而获得准确和可解释的诊断结果。

    Aug, 2019

  • 学生诊断推理自动分析的挑战

    本文旨在自动化模拟诊断的认知活动以便为学生提供反馈，同时讨论了自动化识别认知活动所面临的三个挑战，并提出了各自的性能度量标准。此外，根据提供的诊断自述语料库的检测，作者评估了几种 RNN 神经网络架构，证明目前的技术无法解决一些挑战。

    Nov, 2018

  • 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

  • 实时自动答案评分

    本文旨在通过大数据分析和自动评分技术，解决开放式问答评估所面临的高成本和低效率的困难，构建一个能够实时记录学生答题进程并进行评分的系统，以改善教育质量。

    Oct, 2022

  • 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

  • 利用编码器 - 解码器进行可识别的认知诊断模型学生表现

    提出了一种新颖的可识别认知诊断框架，通过灵活的诊断模块直接诊断可识别和可解释的考生特征和问题特征，并利用一个通用的预测模块从诊断结果中重建响应日志，以确保后者的精确性。通过对四个公开真实数据集的实验，证明了 ID-CDM 的可识别性、可解释性和诊断结果的精确性。

    Sep, 2023

  • DR.BENCH：临床自然语言处理的诊断推理基准

    本研究介绍了一种新的基准测试套件，称为 DR.BENCH，旨在开发和评估具有临床诊断推理能力的 cNLP 模型，这是第一个被设计为自然语言生成框架以评估预训练语言模型的临床任务套件。

    Sep, 2022

  • 人工智能时代高等教育课程的设计与传授：考试数据分析的启示

    在这篇研究论文中，我们提倡课程和考试在人工智能时代必须基于两个因素进行设计：人工智能的优势和局限性，以及教育目标。我们解释了如何根据人工智能的优势和局限性设计课程和考试，并提供了 IT、英语和艺术领域的不同示例。我们还介绍了受苏格拉底教学方法启发的教学方法，并展示了 2022 年 12 月至 2023 年 3 月间进行的七场 ChatGPT 授权考试的数据分析结果。最后，我们提出了一种新的考试系统，以在人工智能时代应用我们的教学方法。

    Jul, 2023