Aug, 2024

分层多臂强盗算法用于不同难度概念与问题的智能辅导

HTML
PDF
TL;DR本研究解决了现有智能辅导系统缺乏开源多臂强盗（MAB）算法的问题，提出了一种可简单部署的分层MAB算法，能够同时引导学生学习不同难度的概念和问题，并评估记忆衰退。实验结果表明，该算法显著提高了学生的成功率，且问题难度适应的进一步增强了这一效果。
发现论文，激发创造
  • 智能教学系统的多臂赌博机

    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

  • 个性化课程顺序推荐

    本文提供了一种系统的方法，使用前向搜索反向归纳算法优化选择课程序列，结合多臂赌博机算法推荐个性化课程序列，从真实的学生数据实证了该算法优于其他无法考虑学生背景信息的方法。

    Dec, 2015

  • 将难度排名与多臂赌博机相结合，对教育内容进行排序

    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

  • 可扩展、灵活的学生教育过程增强

    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

  • 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

  • 利用适应性课程和情境赌博机提高学生完成率

    使用模型为基础的增强学习，将上下文乐队用作指派学习活动的方法，提高了学生的完成率和参与度，增强了个性化学习体验。

    Jul, 2022

  • 教育中的强化学习: 多臂赌博机方法

    本研究通过上下文化和模拟累计奖励来解决教育上的干预建议问题，采用强化学习的代理模型结合混合学习方法，景点在线平台的自动化功能

    Nov, 2022

  • 网上自适应算法中特征选择的重要性

    通过模拟实验，我们发现教育科技中的自适应个性化可能是一把双刃剑，实时个性化在某些情况下改善学生体验，但较慢的个性化和潜在的歧视结果意味着更个性化的模型并不总是有益的。

    Sep, 2023

  • 智能辅导系统中的性能提升和激励：结合机器学习和学习者选择

    大班级规模、个性化学习、智能辅导系统、学习进展和动机是该研究论文的关键词，该论文通过对ZPDES算法的研究，发现个性化学习的效果受到选择权力和学习动机的影响。

    Jan, 2024

  • EduQate: 在教育场景中通过RMABs生成自适应课程

    开发个性化和适应性教育工具的过程中，探索如何以高效方式跨多样但相关内容实现知识掌握成为关键。本论文引入了名为EdNetRMABs的Education Network Restless Multi-armed Bandits，利用网络表示学习内容间的相互关系，并通过EduQate方法，使用具有相互依赖性的Q学习在每个时间步骤中做出明智的选择，并通过与基准策略对比使用合成和真实数据建模的学生来证明其有效性。

    Jun, 2024