Jun, 2022

在线实验中自主学习的理解

PDF
TL;DR本研究通过在线实验室，让学生构建和模拟生态系统的概念模型，使用机器学习技术分析了 315 名学生和他们生成的 822 个概念模型的建模行为，提出了三种主要建模行为：观察、构建和完全探索，并发现完全探索可以生成更高质量的模型，这提供了自我指导学习的洞见。
发现论文，激发创造
  • 自主机器学习

    提出了自主学习机器学习 (Self-directed Machine Learning, SDML) 概念和框架，介绍了一种基于自我意识、无需人类指导的学习方式，提高了学习任务、数据、模型、优化策略及评价指标的选择效率，并通过自我意识不断优化学习效率，以提供人工智能领域的新视角。

    Jan, 2022

  • 自我建模的起源

    研究自模型对于提高机器人系统的成效，发现自模型在机器人自学成本高的情况下效果显著，这个结果可能有助于解决动物和人自我认知的起源问题。

    Sep, 2022

  • 面向探索式学习环境中对抗次优用户行为的框架：以 MOOC 为例

    本文介绍了使用数据驱动的用户建模框架来设计用户自适应支持，在学习模拟器和 MOOCs 中提供自适应支持的实验，旨在研究该框架的应用价值。

    Jun, 2021

  • 利用生成人工智能模拟学生学习行为

    利用大型语言模型模拟学生学习行为，揭示学习行为与测试问题、课程材料、参与度和理解水平之间的关联，加深我们对大型语言模型的理解，展示其对学生模拟的可行性，从而为更具适应性的课程设计提供支持，增强包容性和教育效果。

    Oct, 2023

  • 自主学习的维度

    自主学习复杂性主题是在线学习理论社区自上世纪 90 年代初以来一直关注的重要问题。本文研究了二进制和多类别设置中的自主学习复杂性，并开发了一个维度，即 $SDdim$，精确地对任何概念类别的自主学习错误界进行了表征。

    Feb, 2024

  • 自主学习评估中的过程挖掘在电子学习中的应用

    通过对 101 名大学生使用 Moodle 2.0 平台进行自主学习课程的交互记录进行数据分析，使用归纳挖掘算法发现了学生成绩良好和学生成绩较差的自主学习过程模型，并发现良好成绩组有较多与论坛协作学习相关的行为动作，而成绩较差组则相反。

    Feb, 2024

  • 在线学习：综述

    通过基本理念和关键原则的系统回顾以及对不同算法和技术的适当分类，此调查旨在提供对在线机器学习文献的全面调查。总体而言，现有的在线学习作品可以根据学习类型和反馈信息的形式分为三个主要类别：（i）始终可用全反馈信息的监督式在线学习，（ii）具有有限反馈的在线学习，以及（iii）无反馈可用的无监督在线学习。

    Feb, 2018

  • 使用半监督自学习标记进行学习风格识别

    我们提出了一种半监督机器学习方法，使用数据挖掘技术检测学生的学习风格，并证明我们的方法能够准确地识别不同的学习风格，并创建个性化的学习环境。

    Feb, 2024

  • 将行为分析与机器学习相结合以预测在线学习表现：一项科学计量学回顾和实证研究

    该研究提出了一种将学习行为分析与机器学习算法相结合的综合框架，以提高学生在线学习表现的预测准确性，并通过对 edX 平台上真实数据集的应用，证明了该框架相对于直接应用机器学习方法的优越性。

    Mar, 2024

  • 在线机器学习的系统理论方法

    机器学习在系统理论的视角下对在线学习的建模存在不完善之处，本文提出了一种基于系统设计的在线学习框架，包括在线学习的新定义和关键设计参数的识别，以及系统结构和系统行为的划分。同时，通过以医疗保健提供者欺诈检测为案例研究，将讨论与实际在线学习挑战相结合。

    Apr, 2024