概述
贝叶斯知识追踪 (BKT) 是根据一系列响应来掌握技能的概率模型。
深入探讨
Corbett 和 Anderson 的 BKT 将掌握程度模型化为根据正确和错误反应更新的隐藏状态，并带有初始掌握程度、学习过渡、猜测和失误的参数。维果茨基的最近发展区涉及独立绩效与指导或合作绩效之间的差距。一项针对 252 名学习者的随机研究检查了不同比例的法学硕士对数学问题的错误反馈，并报告说，随着幻觉的增加，感知有用性下降。这些发现仅限于他们的测量环境，而不是每个导师或科目。
现实世界的实施
BKT 根据响应历史估计建模技能的掌握概率。
维果茨基的最近发展区描述了学习者可以在指导下完成但他们还不能独立完成的任务。
一项随机研究调查了错误的法学硕士数学反馈如何影响学习者的学习成果和学习环境中的有用性。
分布式实践研究检查随时间间隔的评审会议。
人工智能在个性化辅导中的未来
教师可以选择审查或调整软件建议的练习计划；这是一种设计选择，而不是对未来工作角色的主张。通过学习措施、课程调整、可访问性和适当的数据处理来评估辅导系统。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是个性化辅导中的人工智能？
个性化辅导系统根据对学习者知识的估计调整实践或反馈。贝叶斯知识追踪 (BKT) 是根据一系列响应来掌握技能的概率模型。
智能辅导系统中的“知识追踪”评估什么？
知识追踪根据学生正确和错误答案的模式，对学生掌握每项技能的隐藏概率进行建模，以选择最佳的下一个问题。
Khanmigo 等工具所使用的苏格拉底式辅导方法的定义特征是什么？
苏格拉底式导师通过提出指导性问题并提示学生推理答案而不是仅仅交出答案来支撑学习。
间隔练习对复习时间有何影响？
分布式练习文献发现，相对于集中练习，随着时间的推移间隔学习机会可以提高长期保留率，其效果取决于材料和间隔时间。
在一项对 252 名接受数学辅导反馈的学习者进行的随机研究中，随着错误反馈变得越来越普遍，会发生什么？
研究报告称，随着幻觉反馈比例的增加，感知反馈的有用性下降。这个结果是特定于数学辅导实验的。
当辅导系统建议学习者练习时，哪一个是合理的设计选项？
教师评审是一种设计建议，而不是对教学角色将如何变化的预测。引用的来源并未建立普遍的教师/人工智能分工。