智能辅导系统中的个性化反馈问题生成
本文探讨了智能家教系统 (ITC) 领域中的个性化。我们假设问题问法的个性化可以提高学生的学习成果。我们通过由领域专家撰写的变体以及实验 A/B 测试展示了生成适合不同科目熟练水平的学生问题版本可以提高学生的学习收益。这一洞察力证明了一个 ITC 中的问题语言实现会影响学生的学习成果。
May, 2022
本文研究了一种基于模式匹配的自动问句生成系统 GEN,它可以从用户进行的(隐式)反馈中进行学习,并且根据反馈对所生成的问句进行打分和排名,取得了相当大的改进。
Apr, 2023
通过预测学生的答案并提供及时定制的指导,智能辅导系统(ITS)增强了个性化学习。然而,最近的研究主要关注答案的正确性,而非学生在具体答案选择上的表现,限制了对学生思维过程和潜在误解的洞察。为了解决这一差距,我们提出了 MCQStudentBert,一种答案预测模型,利用大型语言模型(LLM)的能力,将学生的答题历史背景与问题和答案的文本进行整合的上下文理解。通过预测学生可能选择的具体答案选项,从而可以轻松扩展模型到新的答案选项或删除相同多选题(MCQ)的答案选项而无需重新训练模型。我们比较了 MLP、LSTM、BERT 和 Mistral 7B 四种架构,以生成从学生的过去互动中得出的嵌入向量,并将其融入到微调的 BERT 的答案预测机制中。我们将这个流程应用到一个包含超过 10,000 名学生的语言学习 MCQ 数据集中,以探索 MCQStudentBert 与正确答案预测和传统掌握学习特征方法相比,结合学生互动模式的预测准确性。这项工作为更个性化的内容、模块化和细粒度支持打开了大门。
May, 2024
智能辅导系统中的自动反馈组件通常采用基于模板的方法,但在开放式数学问题中存在大量不同的错误类型。本研究使用大型语言模型来生成开放式数学问题的反馈,发现尽管能够学习反馈的格式,但无法完全理解学生的数学错误。
May, 2024
通过使用生成型人工智能能力协助教育工作者进行个性化、高效和引人入胜的教学辅助工具设计,以弥补他们在专业编程和设计方面的不足。
May, 2024
本文重点探索了如何以教育为目的改进自动化问题生成技术,通过了解教师如何构建问题并确认增强 NLP 模型的触点来提高其可用性。作者观察到教师在使用 NLP 系统来支持问题设计方面表现出极大的兴趣,但实践中仍未被广泛采用。因此,作者呼吁建立强调教师控制和可解释性的有效人 - NLP 协作的 QG 系统,提供过程支持,使用模块化设计,处理各种输入来源。
Apr, 2022
数字教育在近十年来变得越来越流行,尤其是在 COVID-19 大流行之后。本文综述了以往关于提示生成的研究,旨在填补教育和认知科学以及人工智能和自然语言处理研究之间的鸿沟,提出了提示生成任务的形式化定义,并讨论与该定义相一致的有效提示生成系统的构建路线图,包括挑战、未来方向和伦理考虑。
Apr, 2024
通过使用 GPT-4 模型,我们的研究建立一个解释性反馈系统,用于训练初级导师。研究结果表明,该模型有效地识别出三个训练课程中正确 / 错误的学员反馈,并将错误反馈转化为期望的反馈,其性能达到与人类专家相当的水平。
May, 2024
使用生成式 AI 模型和大规模语言模型来生成编程教育中的个性化反馈,为学生提供编程提示以帮助他们解决程序中的错误。通过使用 GPT-4 作为 “导师” 模型和符号信息来提高生成质量,然后通过使用 GPT-3.5 作为 “学生” 模型来验证提示质量,我们开发了一种名为 GPT4Hints-GPT3.5Val 的新技术,通过对三个实际数据集进行广泛评估展示了我们技术的有效性。
Oct, 2023