通过对智能辅导系统生成解释进行个性化处理，针对具有认知需求和勤奋度水平较低的学生，旨在增加这些学生对解释的参与度以促进学习，在用户研究中发现，该个性化处理显著增加目标用户与提示解释的互动、理解程度和学习效果，因此，该研究为个性化 AI 解释在学习等认知要求较高的任务中提供了有价值的见解。

Mar, 2024

通过 GPT-4 大型语言模型提供的自动提示生成器，我们评估了一种针对 CS1 编程作业的系统，该系统提供关于学生如何改进错误解决方案的自然语言指导。我们回答了三个研究问题：RQ1. 提示是否帮助学生改进代码？RQ2. 提示在捕捉学生代码问题方面的效果如何？RQ3. 学生解决的问题与提示中提到的问题是否相同？通过定量分析，我们确定了一组细粒度的知识组件，并确定了每个练习、错误解决方案和生成的提示适用哪些组件。通过对两个大型的 CS1 课程数据进行对比，我们发现，访问提示有助于学生更快地解决代码问题，提示能够一致地捕捉到学生代码中最紧迫的错误，并且同时处理几个问题而不是单个 bug 的提示更有可能直接帮助学生取得进展。

Jun, 2024

提供了一个针对多步任务的数学框架，包括编辑提示策略的新颖提示策略 —— Continuous Hint Factory，可以在同时考虑相似状态中过去学生的行为数据的情况下，生成针对某个学生的编辑提示。

Aug, 2017

研究了如何使用自动生成的问题作为智能辅导系统中个性化反馈的一种方法，此方法利用了因果分析和自然语言处理转换器模型以识别学生答案中的正确和错误部分，并训练了几个模型，以促使学生朝向正确的答案，并最终显示该方法对学生的学习效果提升达到 45%，拥有潜力改善生成式问答系统。

Jun, 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

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

介绍了一个基于深度学习和自然语言处理等技术的智能辅导系统，该系统结合教育心理学中的知识表述、平行学习和即时反馈等理论，能够适应各种应用场景并取得良好成效。

Oct, 2018

这篇论文研究了如何通过干预方法来帮助学生学习如何在逻辑教学中使用最佳求解策略，并通过使用反向链接策略教授概率教程来比较干预效果。结果表明，教育干预方法 “Nudge” 能够提高学生的学习成绩。

Mar, 2023

通过建立循环神经网络推荐系统来为学生推荐课程，以帮助其准备所需的目标课程，这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的，并且通过等级预测和挖掘大学先修关系等测试进行验证。

Dec, 2018

本文提出了一种基于任务感知的命令推荐系统，利用主题建模技术将用户任务信息纳入模型中，同时引入帮助预测模型以主动为用户提供指令推荐，通过基于网络的分析软件的日志数据，证明了我们神经元模型的卓越性能。

Jun, 2019