借助人工智能（AI）的进步和应用，个性化教育可能成为未来新教育系统的基石。本研究提供了 PEEKC 数据集和 TrueLearn Python 库，其中包含一系列在线学习者状态模型，对促进学习者参与建模至关重要。TrueLearn 模型系列是根据 “开放式学习者” 概念设计的，使用直观的用户表达方式。这个可扩展的在线模型系列还可以帮助最终用户可视化学习者模型，这可能在未来促进用户与他们的模型 / 推荐者之间的互动。丰富的文档和编码示例使得该库对于机器学习开发人员和教育数据挖掘和学习分析专业人员都非常易于使用。实验结果显示，该数据集和库的效用显著超过了比较基准模型。数据集包含大量与人工智能相关的教育视频，对于构建和验证面向 AI 的教育推荐系统具有重要意义。

Dec, 2023

本文展示了如何利用基于人群的参与度预测来解决大规模学习资源中的冷启动问题。通过使用 VLE 数据集并进行了一系列实验，研究表明建立在该数据集基础上的模型在预测课程参与度方面表现更优，该数据集适用于计算机科学 / 人工智能教育领域的个性化学习推荐模型。

Jun, 2022

本文探索了建立教育领域中基于人口特征 (即与个体学习背景无关) 的参与度的预测模型，并提出了跨模态和模态特定特征集来实现这一任务。通过量化学习者参与度信号并进行灵敏度分析，最终表明该模型具有良好的性能，并可以轻松地集成到开放教育资源的推荐系统中。

May, 2020

本文提出了 CLUE 模型，采用多模态特征学习从在线教学视频中提取特征，并提供可解释反馈和用户参与度得分。

Jan, 2022

DAiSEE 是第一个包含 9068 个视频片段和 112 个用户的多标签视频分类数据集，用于识别烦恼、困惑、参与和挫败用户情感状态，具有四个级别的标签。提供了基准结果和用于相关任务的合适机器学习方法的发展。

Sep, 2016

考虑到学习者参与可以对学习者和教师带来共同的利益，本文提出了一个通用的轻量级模型，以选择和处理特征来检测学习者的参与度，同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频，该模型能够捕捉学习者参与度的动态本质。此外，本文提出了一个适应策略，以通过利用与教育相关的数据集的情感状态来找到新的标签，从而提高模型的判断能力。该模型在特定实现中取得了 68.57％的准确率，并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。

May, 2024

通过 Wizard-of-Oz 对话任务，探索了用户对已知事实的回应与对话参与度之间的相关性，进而提出一种结合用户先前知识的多任务模型，使得数字助手能够更好地理解用户需求并提高用户参与度。

May, 2020

我们提供了一个新颖的对话推荐数据集 PEARL，通过增加个性化和知识增强的 LLM 模拟器，从真实世界的评论中获得详细的人物角色和知识，构建了一个包含超过 57k 个对话的大规模数据集。我们的实验结果表明，PEARL 中的话语包括更具体的用户偏好，展示了目标领域的专业知识，并提供比之前的数据集更相关于对话上下文的推荐。

Mar, 2024

提出了一种利用视频数据集和图像相结合的方法，通过学习用户注视与眼部外形之间的联系来提高眼动追踪的精度，实现基于网络摄像头的高准确度屏幕眼动追踪，不需要标记的数据并且通过视觉刺激和眼部图像信息融合可以达到监督式个性化的效果。

Jul, 2020

该研究提出了一种适用于大规模推荐系统的探索框架，通过探索用户利益与行为，缓解推荐流程中普遍存在的 “热门内容” 问题，提高探索视频推荐中的优化率。

Apr, 2023