利用出声思考数据理解智能辅导系统中自我调节周期特征与学生表现之间的关系
计算机与社会
2023-12-12 v1 人工智能
摘要
大量研究证明了在通过问题解决进行学习时自我调节的重要性。学习分析领域的近期工作主要考察了学生使用 SRL 与整体学习增益之间的关系。很少有研究将 SRL 与学习者之间的即时表现差异联系起来。本研究调查了学生在使用化学计量学智能辅导系统工作时的 SRL 行为及其与学习者逐时刻表现的关系。我们展示了基于 AI 生成的出声思考转录对 SRL 行为进行标记的可行性，在每个话语中识别四类 SRL（处理信息、计划、执行和认识错误）的存在与否。使用 SRL 编码，我们进行了回归分析，以考察 SRL 的使用（就存在性、频率、周期特征和近因性而言）如何与学生在多步问题后续步骤中的表现相关联。考虑学生 SRL 周期特征的模型优于仅使用即时 SRL 评估的模型。与理论预测一致，学生在 SRL 周期早期、过程密集阶段的行为在问题解决过程中表现出的逐时刻正确率低于后期的 SRL 周期阶段。我们讨论了在处理阶段增加 SRL 支持的系统重新设计机会，以及利用机器学习加速基于出声思考数据转录的 SRL 评估研究的未来路径。
引用
@article{arxiv.2312.05675,
title = {Using Think-Aloud Data to Understand Relations between Self-Regulation Cycle Characteristics and Student Performance in Intelligent Tutoring Systems},
author = {Conrad Borchers and Jiayi Zhang and Ryan S. Baker and Vincent Aleven},
journal= {arXiv preprint arXiv:2312.05675},
year = {2023}
}
备注
Full paper accepted to Learning Analytics and Knowledge (LAK 2024)