在线学习环境中的自适应任务分配
人工智能
2016-06-24 v1
摘要
随着在线学习的日益普及，智能辅导系统重新受到广泛关注。在本文中，我们引入了将学习任务个性化分配给学生以提升其在在线学习环境中表现的自适应算法。作为本文的主要贡献，我们提出了一种新颖的基于技能的任务选择器(Skill-Based Task Selector, SBTS)算法，该算法能够根据学生的表现近似评估其技能水平，并进而推荐合适的任务。SBTS 受多臂老虎机算法类启发。然而，与标准多臂老虎机方法相比，SBTS 旨在获取与学生学习的两个标准相关的信息，即：学生应该学习哪些主题，以及任务的难度水平应是多少。SBTS 以基于学生行为的任务与技能矩阵中的创新奖励与惩罚机制为核心。为了验证该算法，基于对学生学习曲线的经验估计，采用邻居节点选择方法对复杂的学生行为进行了建模。该算法在基础 Java 编程课程的实际场景中进行了评估。SBTS 能够快速且准确地适应复合的学生能力——即使面对众多学生模型也是如此。
引用
@article{arxiv.1606.07233,
title = {Adaptive Task Assignment in Online Learning Environments},
author = {Per-Arne Andersen and Christian Kråkevik and Morten Goodwin and Anis Yazidi},
journal= {arXiv preprint arXiv:1606.07233},
year = {2016}
}
备注
6th International Conference on Web Intelligence