.png){kind=icon}
返回
Optimizing Mastery Learning by Fast-Forwarding Over-Practice Steps
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03870-8_37.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
掌握学习能提高学习熟练度和效率。然而，学生将时间花费在已经掌握的技能上的过度练习，仍然是辅导系统的基本挑战。先前的研究通过开发更好的问题选择算法和编写聚焦练习任务来减少过度练习。然而，鲜有研究关注通过步骤级适应性来减少过度练习，这可以避免资源密集型的课程重设计。我们提出并评估了一种名为“快进”（Fast-Forwarding）的技术，用以增强现有的问题选择算法。基于基于学习者模型和从真实学生数据中得出的解题路径的模拟研究，“快进”技术可以减少高达三分之一的过度练习，因为它在所有剩余路径都已完全掌握时，不需要学生完成解题步骤。“快进”是一种灵活的方法，可以增强任何问题选择算法，尽管其有效性对于优先选择难题的算法最高。因此，我们的发现表明，尽管“快进”可能提高学生练习效率，但其实际影响的大小也可能取决于学生保持在高难度水平上的动机和参与能力。
Keyword:
mastery learning
knowledge tracing
problem selection
intelligent tutoring systems
data-driven optimization
期刊
机构
引用论文
K. VanLehn, The behavior of tutoring systems, Int. J. Artif. Intell. Educ. 16 (2006) 227–265. 10.1080/00461520.2011.611369K. VanLehn, The behavior of tutoring systems, Int. J. Artif. Intell. Educ. 16 (2006) 227–265. 10.1080/00461520.2011.611369..png)
IF0
PREAI
分享收藏
查看更多内容