为援助困境扩展 Hint Factory：一种新颖的、数据驱动的 HelpNeed 预测器用于主动问题解决辅助

确定何时以及是否提供个性化支持是一个众所周知的挑战，称为援助困境。解决援助困境的一个核心问题是需要发现学生何时处于无产出状态，以便导师介入。此类任务对于开放式领域尤其具有挑战性，即便是那些具有明确原则和目标、结构良好的领域。在本文中，我们提出一组数据驱动方法，用于在结构良好的逻辑开放式领域中对无产出的解题步骤进行分类、预测和预防。该方法利用并扩展了 Hint Factory——一组利用学生先前解题尝试来构建数据驱动智能导师的方法。我们提出一种 HelpNeed 分类，利用先前学生数据来确定学生何时可能无产出并需要帮助以学习最优解题策略。我们提出一项对照研究，以确定一种自适应教学策略的影响，该策略基于我们的 HelpNeed 预测器（有产出 vs. 无产出）在每一步开始时提供主动提示。我们的结果表明，与对照组相比，自适应条件下的学生表现出更好的训练行为，帮助回避更低，且帮助恰当性更高（在可能需要帮助时获得帮助的几率更高），如使用 HelpNeed 分类器所度量。此外，结果表明，在训练期间基于 HelpNeed 预测接受自适应提示的学生在测试后显著优于对照组同伴，前者在更短时间内产出更短、更优的解法。最后我们提出了如何将这些 HelpNeed 方法应用于其他结构良好的开放式领域的建议。