利用深度强化学习弥合陈述性、程序性与条件性元认知知识鸿沟
计算机与社会
2023-04-25 v1 人工智能
人机交互
机器学习
计算机科学中的逻辑
摘要
在演绎领域中，三种按升序排列的元认知知识类型为陈述性、程序性与条件性学习。本工作利用深度强化学习（DRL）提供自适应元认知干预，以弥合三种知识类型间的鸿沟，并为学生在智能导学系统（ITSs）中的未来学习做好准备。学生接受了这些干预，它们讲授了如何以及何时在支持默认前向链（FC）策略的逻辑导学器上使用后向链（BC）策略。六周后，我们在仅支持无干预 BC 的概率导学器上训练学生。我们的结果表明，在两个 ITS 上，DRL 均弥合了学生间的元认知知识鸿沟，并相较对照组显著提升了他们的学习表现。此外，DRL 策略在逻辑导学器上适应了陈述性、程序性与条件性学生的元认知发展，使其策略决策更具自主性。
引用
@article{arxiv.2304.11739,
title = {Bridging Declarative, Procedural, and Conditional Metacognitive Knowledge Gap Using Deep Reinforcement Learning},
author = {Mark Abdelshiheed and John Wesley Hostetter and Tiffany Barnes and Min Chi},
journal= {arXiv preprint arXiv:2304.11739},
year = {2023}
}
备注
This paper demonstrates a cognitive perspective of how adaptive interventions impact policy decisions, students' autonomy, and metacognitive knowledge. Another paper (arXiv:2304.09821) compares adaptive against static interventions. The two papers overlap in the reinforcement learning implementation of adaptive interventions