在智能导学系统中利用深度强化学习实现元认知干预
计算机与社会
2023-04-20 v1 人工智能
人机交互
机器学习
计算机科学中的逻辑
摘要
本工作比较了两种提供元认知干预的方法及其在智能导学系统（ITSs）中为学生未来学习做准备的影响。在两个连续的学期中，我们进行了两项课堂实验：实验1使用经典人工智能方法将学生分类到不同的元认知组，并基于其分类组提供静态干预。在实验2中，我们利用深度强化学习（DRL）提供考虑学生元认知水平动态变化的自适应干预。在两项实验中，学生都接受了这些干预，这些干预教导了如何以及何时在支持默认前向链策略的逻辑导学系统上使用后向链（BC）策略。六周后，我们在仅支持 BC 且无干预的概率导学系统上训练学生。我们的结果表明，基于 DRL 的自适应干预缩小了学生之间的元认知技能差距。相比之下，基于静态分类器的干预仅惠及那些提前知道如何使用 BC 的学生子集。此外，我们的 DRL 智能体通过在两个 ITS 上显著超越其对照组同伴，为学生未来学习做了准备。
引用
@article{arxiv.2304.09821,
title = {Leveraging Deep Reinforcement Learning for Metacognitive Interventions across Intelligent Tutoring Systems},
author = {Mark Abdelshiheed and John Wesley Hostetter and Tiffany Barnes and Min Chi},
journal= {arXiv preprint arXiv:2304.09821},
year = {2023}
}