Mar, 2024

利用推荐模型为阅读障碍学生提供支持

PDF
TL;DR使用人工智能建议最合适的辅助工具和策略以支持患有阅读障碍的学生，证明该方法可以作为一种新的有效的支持方法。
dyslexiaairecommendation algorithmssupporting toolsstudents
发现论文，激发创造
  • 通过虚拟现实和人工智能确定患有阅读障碍的学生的困难：一项探索性分析

    通过整合虚拟现实和人工智能，VRAIlexia 项目创建了一个移动应用程序和软件工具来为高等教育机构的阅读障碍学生收集数据，并根据收集的数据自定义支持方法，以提高预测教学工具和学习策略的准确度。

    Jan, 2024

  • 面向终身学习者的综合教育推荐系统

    本研究旨在通过 Integrative approach 构建一个新颖的 TrueLearn 教育推荐系统，该系统由多种学习参考驱动，可以同时考虑学习者的知识和内容的新颖性，并保持长期时间的准确学习者代表性。

    Dec, 2019

  • 增强对具有语音学识读障碍学生的共情能力的虚拟现实严肃游戏

    通过虚拟现实游戏模拟学生与诵读困障（诵读障碍）即 Dyslexia 的困扰，传达了对提供支持方法的重要性。

    Jan, 2024

  • 基于目标的课程推荐

    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

  • 运用人工智能与语义技术提高学生学术表现

    本研究基于巴西大学的 248730 条记录，探讨了通过遗传算法与 LSTM 模型来预测学生表现、通过 BERT 模型进行课程相似度计算、并利用 TextRazor/SemRefD 工具对必修课程进行先修关系鉴定。研究结果表明：在学生辍学预测中，本文的方法比 Manrique 的方法准确率提高了 2.5%；通过课程描述可以揭示课程之间的相似度；对澳大利亚国立大学的三门必修课程进行了先修关系的确定。

    May, 2022

  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • 机器学习方法在自闭症谱系障碍的早期诊断中的应用

    利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

    Sep, 2023

  • 加强学生生产力模型以实现自适应问题解决援助

    本研究提出了一种基于数据驱动的方法来预测学生需要帮助的概率，并探讨了在逻辑证明等深度学科中，将学生的暗示使用情况纳入预测模型的有效性，结果表明这种主动适应的策略可以显著提高学生的学习效率和提高授课的质量。

    Jul, 2022

  • 基于深度学习的推荐系统：综述与新视角

    本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

    Jul, 2017