Adaptivt læringssystem ved hjælp af big data -baseret maskinlæring

I løbet af de sidste par årtier, mange undersøgelser udført inden for læringsvidenskab har rapporteret, at stilladser spiller en vigtig rolle i menneskelig læring. At stilladsere en elev effektivt, en lærer bør forudsige, hvor meget støtte en elev skal have for at udføre opgaver og derefter beslutte den optimale grad af assistance til at understøtte elevens udvikling. Alligevel, det er vanskeligt at fastslå den optimale grad af bistand til elevens udvikling.

I dette studie, vi antog, at optimal stillads er baseret på en probabilistisk beslutningsregel:givet en lærers hjælp til at lette elevens udvikling, Der er en optimal sandsynlighed for, at en elev kan løse en opgave. For at fastslå den optimale sandsynlighed, vi udviklede et stilladssystem, der giver adaptive hints til at justere den forudsigelige sandsynlighed for elevens succesfulde præstation til den tidligere bestemte værdi, ved hjælp af en statistisk maskinlæringsteknologi.

Desuden, ved hjælp af stilladssystemet, vi sammenlignede læringspræstationer ved at ændre den prædiktive sandsynlighed. Vores resultater viste, at stilladser for at opnå 0,5 elevers successandsynlighed giver den bedste præstation. Eksperimenter viste også, at et stilladssystem, der giver 0,5 sandsynlighed, reducerer antallet af hints (støttemængden) automatisk som en falmende funktion i henhold til elevens vækstevne.