基于认知、社交与情感特征的机器学习在学生学习的进展与不足动态诊断

学生的多样性，如学术背景、学习风格、职业与人生目标、种族、年龄、社交与情感特征、课程负担与工作安排，为教育带来了独特的机会，例如学习新技能、同伴指导与树立榜样。但学生多样性也带来挑战，因为它增加了学生学习方式及随时间进展的变异性。单一教学方法可能无效，并导致学生无法发挥潜力。自动化支持可通过持续评估学生学习并实施所需干预来弥补传统教学的局限。本文讨论一种基于数据分析与机器学习(Machine Learning)的新方法，用于测量并因果诊断学生学习的进展与不足，进而利用对个体的洞察优化学习。诊断涉及动态诊断性形成性评估，旨在揭示学习不足的原因。该方法将学习困难分为四类：从记忆中回忆、概念调整、概念修改，以及将问题分解为子目标（子问题）与概念组合。数据模型预测这四类挑战类型的发生以及学生的学习轨迹。这些模型可用于自动生成实时的、针对特定学生的干预（例如学习提示），以解决理解不足的概念。我们设想该系统将实现新的适应性教学方法，通过将课程材料定制到每位学生的背景、能力、处境与进展，并利用与多样性相关的学习经验，释放学生的学习潜力。