本研究提出了一种算法框架，使得在通过类似赌博机学习用户喜好进行内容个性化推荐过程中能够控制偏差和歧视，并通过实验验证了该算法的可行性和效果。

Feb, 2018

本文介绍了一种智能辅导系统的方法，该系统根据学生特定的时间和动机资源，自适应地个性化地最大化学习活动序列，以提高学生的技能，利用了内在动机学习的最新模型，并运用多臂老虎机技术进行优化，同时基于专家知识来加速探索初始启动

Oct, 2013

基于数字技术的学习内容个性化给个体和社会带来了巨大的好处，然而如何实现这种个性化仍然是一个未解之谜。为了解决这个问题，我们在一个大型数字自学平台上进行了一项随机对照试验。我们基于两个卷积神经网络开发了一个算法，根据学习路径将任务分配给 4365 位学习者，将学习者随机分为三组：两个处理组（一个群组自适应处理组和一个个人自适应处理组）和一个对照组。我们分析了三组在平台上所提供的努力和表现之间的差异。我们的空缺结果揭示了与学习路径个性化相关的多个挑战。

Jul, 2024

该论文介绍了一种基于强化学习和在线学习的数据驱动方法，可以实现用户个性化健康治疗序列的优化。通过案例研究，论文使用重新取样方法对算法个性化进行评估，提高了算法的真实性，对于真实应用也具有参考价值。

Apr, 2023

数字心理健康（DMH）干预，如基于短消息的课程和活动，为心理健康支持提供巨大潜力。利用自适应实验和算法（如 Thompson Sampling）进行连续改进和个性化设计，以提高用户体验奖励并为社会行为科学家收集足够的统计数据分析，但对于不同真实环境的影响仍需进一步探索。本文介绍了一个经过两年开发的软件系统，可在收集数据的同时，使用 Bandit 和其他算法来调整基于短消息的 DMH 干预组件，并与传统的均匀随机非自适应实验进行对比评估。通过在一个大型心理健康非盈利组织中招募 1100 名用户，并展示该系统在规模化部署方面的前景，证明该系统不仅适用于心理健康领域，也可作为其他领域自适应实验算法的模型试验平台。

Oct, 2023

本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

Jul, 2020

本文介绍了一种名为 MAPLE（基于多臂赌博机的学习环境个性化）的计算方法，通过结合难度排序和多臂赌博机，解决了如何个性化教育内容以最大化其学习收益的问题，并展示了该方法的有效性。

Apr, 2018

个性化教育利用教育技术和人工智能在数字时代提升学习效果，通过数据挖掘技术的驱动，结合教育平台与个性化学习过程，为学生、教育工作者和机构提供定制化学习经验的工具，本文通过四个主要场景：教育推荐、认知诊断、知识追踪和学习分析，展示了个性化教育数据挖掘的最新进展，提供了每个领域的结构分类法和常用数据集，并指出了未来研究方向，在拓展个性化教育和为未来的探索和创新铺平道路中强调了数据挖掘的作用。

Feb, 2024

本文探讨了在重要领域（如辅助法律、银行、招聘和医疗抉择的学习模型），是否需要全部的输入特征才能在测试时返回准确的预测，并表明在个性化的环境下，每个人仅需要发布一小部分的这些特征就能保证系统准确度不受影响。研究显示，在一些学习任务中，个体只需提交不到总数据的 10％即可确保与使用完整信息的模型同样准确。同时，本文还提供了一个高效的序列算法来选择哪些属性应由每个个体提供。

Jan, 2023

本文提出了一种使用深度贝叶斯 Bandits 算法的广告推荐系统，其包含探索技术和上下文的特征，以解决推荐系统中的反馈循环问题和算法偏差。

Aug, 2020