文摘
每个人具有某些特征的多样化的人口。因此,多样性是一个科学证明和被广泛接受的现象时,人类是一个问题。人类的领域之一的多样性主要是关注被称为学习过程,从不同形式的反应可以观察到。例如,每个学生感知,理解,和独特的过程的信息被传送到他的时候,这证实了遗传的多样性。在这方面,教育系统需要有效处理学生和应用个性化学习的原则,这是相关的学习过程,满足个人需求和兴趣的学习者。通过这样做,考虑到其独特的特点,人才、技能、倾向,欲望得到满足。这手稿提供了一个创新的模式对大学生的技能进行分类。混合人工智能(AI)系统,完全自动化的过程个性化培训提出了基于个人技能的优先考虑个性化和完全定制的学习系统。拉希专门利用统计分析过程模型和一个创新的模糊贝叶斯网络。高级推理生成的自动化和个性化学习的过程中,大学生会自动分为一定的根据他们的技能类别。
1。介绍
密集的神经科学和心理学研究证实了不同方法获得的存在(1,2),吸收、构造和重用提供给学生的信息和知识3,4]。然而,学习和培训项目实施的大多数教育系统只适用于一种类型的学生,被称为视觉学生5,6]。这群学生有一个照相存储器和回忆书中提出的任何信息完全相同(7]。否则,声的人,也就是说,学生最好的学习方式就是听信息或动觉公式,或者学生学习通过手动事物本身,这些类型的学生有很多的困难在学习和吸收知识,因此很可能无法协调提供的教育系统(8- - - - - -10]。
从这个意义上说,成功完成个性化的学习是至关重要的一个框架,可以涵盖所有领域的情报为每种类型的学生是有益的。个性化的学习模式的主要特征归纳如下(11- - - - - -13]:(1)自适应结构的教育材料根据评估标准和交互与持续改进的目的(2)给重要性不同的学习风格(3)学生参与学习过程(4)强调参与学习过程通过协作环境(5)访问技术和最先进的教育资源
所有这些表明,个性化的学习模式识别每个学生作为个体有不同的风格,节奏,和学习方法,以及学习的不同看法。它识别技术的参与教育的价值,提供各种各样的选择和机会,这样学习计划是根据每个学习者的技能,需要和偏好(14,15]。
上述优势与整体完全实现信息和通信技术引入教育和互联网的迅速普及,改变了传统的学习和教学实践在世界各地。尤其是在大流行性流感危机(16),远程学习最近采用先进的学习管理系统直接和替代方法的教育资源和服务的访问(17]。一般来说,电子学习可以被视为一种手段,克服时间的障碍,地方,社会经济地位,可以减少访问许多个人和团体的教育和知识,从而提供了很大的机会来改善他们的社会和专业地位8,18,19]。
然而,尽管给定远程教育方法的渗透(同步和异步),这一事实的高辍学率各自项目近年来被观察到主要是由于缺乏学生满意度,因为相同的静态学习提供了所有之前不管他们的知识、经验、偏好,和学习目标与系统交互时(2,20.]。当代的需求,因此,重组教育技术教学方法和构建的教育材料更突出。创新教育系统基于先进的人工智能(AI)的方法可以提供一个解决方案,可以与个性化的教学方法(21]。
新兴技术可以提高教育和教学实践在许多方面的技术创新可以是一个新时代的竞争优势。这是我们需要进一步研究的主要原因的参与AI,大数据分析和机器学习在教育过程中实现。
提出一种创新的模式对大学生的技能进行分类基于混合人工智能系统,完全自动化的过程,个性化的学习基于个人技能。拉希,结合统计分析模型和一个创新的模糊贝叶斯网络导致更高水平的推理产生的自动化和个性化学习的过程中,大学生会自动分为一定的根据他们的技能类别。
手稿的组织如下:部分2论述了研究处理个性化学习和基于人工智能技术的实现,同时给利弊。介绍了该方法在部分3。部分4进行该方法的实现基于一个数据集。部分5介绍了实现方法的结果。结论和讨论部分中提供全面6。
2。相关文献
人工智能研究的文学教育,特别是近年来,一直在增加速度快,因为人工智能领域的巨大潜力的教育过程,尤其是个性化方面。大多数研究人员认为人工智能在教育和特殊的学习提供了一个巨大的潜力从理论和教育的观点,但仍有需要开发一个关键的立场之前完全集成到教育过程。测试和评估的AI在教育过程中是必不可少的,以避免自动化过程和机器学习(ML)。例如,Sisman-Ugur和Kurubacak22]介绍了人工智能的未来视角在各种情况下,如自然语言处理、机器学习、深入学习。他们还利用社会网络分析作为一个指南关键概念的解释在人工智能的研究基于一个教育视角。最后,他们的研究确定了三大主题,自适应学习、个性化、和学习风格,专家系统、智能辅导系统。因此,人工智能作为未来教育过程可能出现的组件。然而,他们的研究本质上是一个总体概述人工智能的实现的教育过程。
此外,Bozkurt et al。23]分析了人工智能实现教育的趋势和模式通过结合描述性统计,t-Distributed随机邻居嵌入(t-SNE)、社会网络分析和文本挖掘。他们得出的一个增量的人工智能教育近年来出版物。
Klašnja-Milićević和Ivanović21)旨在解决个性化在线学习的研究通过检查元素,聪明,和互动技术。他们最终描绘了最先进的在线教育系统与AI授权。他们的理论研究也作为建议的机构和组织,要采用这些新技术和方法的教育。
Maghsudi et al。14)提供简要回顾最先进的研究和调查AI / ML-based个性化教育的挑战,并讨论了可能的解决方案。他们得出的结论是,“个性化教育”是一种最宝贵的AI有关教育的优点,因为它极大地提高了教育质量几个方面的适应每个学习者的不同特点和期望等个性,才华,目标,和背景。同时,网络教育的最大价值在异常情况下如COVID-19爆发或自然灾害。实际上,传统教育比网络需要更多资源格式关于教育空间,调度,和人力资源,这使得它容易失败,即使是很小的变化情况。因此,新兴替代是不可避免的。尽管潜在的一个革命性的转变由传统教育向现代概念,个性化教育是与几个挑战。
另一方面,Krendzelak [18]尤其是检查毫升及其在电子学习应用环境。同时,作者在24毫升)评估方法来检测和区分不同的行为类型。Iatrellis et al。25]提供了一个完整的工具的优化和计算提供服务的高等教育机构与相应成本的最小化,提高机器学习和语义。最后,一种改进的混合基于本体的方法在线学习资源推荐(1)相结合的协同过滤算法和序列模式挖掘技术提出了商et al。26]。
从上述文献,我们得出这样的结论:绝大多数的研究突出了人工智能在教育过程的巨大潜力但缺乏提出方案,进一步利用从实用的观点像当前的纸。
3所示。提出的混合人工智能系统
采用一种折衷的方法方法论的实践(21),教育计划的一个关键目标是设计的组合不同的方法旨在让学习者尽可能积极,总是根据自己特定的特点和能力。在这方面,最重要的角色在实现个性化学习的一个自适应系统是选择适宜的教育材料(18]。
材料的问题可能是数字(学习指南,平行文本,等等),视听(音频文件,数字视频,等等),实际(练习和活动、案例研究、数字实验室应用程序,等等),和互动(对话、视频会议等)。这种材料应该制定一个特殊的教学方法和函数作为一个准备的过程。因此,各种各样的远程学习环境中应该包含的元素在于每一个教育资源应当承担具体目标在教育过程中,积极参与和学习创造条件(2,21]。
总之,应该建议相关学习材料的概念是教育资源的设计和改造的合成,从而制定正确的条件和支持根据每个学生的技能学习的过程。教育材料问题的背景下,教育手段的学习是由教学和练习,像所有的教学工具。因此,他们的主要功能是支持的学习环境中的学习过程。“学习环境”的概念主要是相关的外部因素,是指整个范围的教育和学习材料和这个环境是如何结构化,使个性化学习过程(14,15,22]。个性化是指学习者的能力的使用,敏感性,和能力(包括情感的)发展他或她的技能,能力和才干。个性化教学是基于精心准备的教育材料,认识到不同形式的学生的技能和知识水平和学习能力不同的学习环境和提高反馈和评估自己的能力23,25]。
设计一个智能框架的主要特征将最先进的教育资源,多样的学习环境,个性化的重排的课程,和学习者的学习过程的直接目标的能力,提出了一种混合人工智能系统旨在智能适应每个学习者的教育材料独特的技能。
具体步骤以及混合动力系统是如何工作的技术细节在接下来的部分。
3.1。初步的调查问卷
拟议的系统是基于调查问卷的探索性统计分析处理问题不同的科学领域以及评估衡量关于建立一个可靠的测量尺度的初始分类的最佳适应大学生和教育材料。方法旨在设计一个问卷的可靠估计的和连续的尺度是由个人测量,例如,不同的问题,迭代测量,和不同的测量系统。通过应用特定的但简单的统计分析,利用各种尺度来检查他们是否有助于创建一个具体的评价模型。然后,过程的结果转发给下一步的系统称为拉希模型(27]。
3.2。拉希模型
获得的结果在第一阶段的基础上,分析了拉希模型(28]。该模型是受项目反应理论(29日拉希)和专门的特点的模型,记录一个人回答问题的概率(27,28]。参与者的反应聚合在一个工作表,把问题列和行个人,用于生成一个最终得分为每个单独的。总分是代表所有的问题和一个人更高的总体得分更高价值立场的规模测量变量叫做维因其简单的计算28]。
拉希模型的应用建议建立一个规模度量问题和个人的反应能力的规模使用特殊的方法。问题的规模计算过程称为接洽项目校准。根据这一标准,正确答案的比例就越低,难度越高的问题的增长,因此标定刻度的大小就越大。问题的规模是校准基于概率的规模(分对数单位),校准测量的响应性的规模个人以同样的方式。这两个尺度上创建两个频率分布。
在二元问题,困难的问题规模的位置对应于一个响应的位置定义一个人正确地回答了这个问题概率为0.5。然后,它指定位置规模技能的难度。当一个人正确地回答了一个问题的相应位置低于相应的位置被那个人,很难占据技能上的特定位置范围内显示了回答这个问题的人的概率大于0.5。相反,当困难的问题占据了一个位置高于相应的位置的那个人,那个人回答的概率小于0.5。
更好地理解,拉希模型使用的规模测量尺子的形式呈现在图1。规模上的垂直线的问题有一个特殊的位置取决于他们的难度27- - - - - -29日]。
虽然不那么困难的问题回答左边的规模,更困难的是右边。受访者还需要一个特殊的位置取决于他们的响应性:当人们较低的能力(技能)是位于天平的左边,有一个高水平的能力位于右边。因此,减少困难的问题很容易回答正确更有能力的人。例如,尽管B后评估具有很低的能力正确回答只有四个问题,人D评估作为一个平均水平的能力,因为他正确回答了大约50%的问题。另一个人给C反应能力高,因为他成功几乎所有问题的答案。问题和个人的位置测量尺度计算模型利用基于响应的比例每个单独的每个问题。
一般来说,拉希的代数模型允许分离的参数问题,个别的参数。因此,统计参数的估计。执行过程使用的依赖最大概率响应维度分为段有关个人的整体得分。而后者提供重要的个人信息有关的内容问题,前者,即总体分数的问题,提供详细信息的潜在特征的个人(27- - - - - -29日]。
上述过程的充分利用,特别是拉希模型的结果转发给下一步的框架称为个性化的分类。
3.3。个性化的分类
个性化的分类过程是一个方法用于从收集的数据中提取知识采用拉希模型。每个元素分配给一组预定义的类别分类的大学生到各自的类代表他们的技能和能力。这个过程是基于一个创新的模糊贝叶斯网络。
贝叶斯网络(30.)最初是用于生成的概率表示来自拉希模型及其数据结构假设通过一个有向无环图(DAG)独立完成和联合概率分布的证实。其目的是对样本进行分类成一个预定义的类别由C1, C2, . .Cn使用概率模型定义的贝叶斯理论。从本质上讲,这是一个初始分类过程通过评估概率和不考虑预测。其更多的实用性和效率和快速特征提取进行了实验观察。此外,预测已经由一个学位。其目的是最小化预期成本的续集。每个类别的特征是前一个概率。假设给定的样本属于一个类别Ci。利用定义和贝叶斯理论有助于确定的概率(31日]。从本质上讲,流程的步骤与理解问卷的结果之间的依赖和分配概率。因此,确保一个事件可能发生改变的外观如何,当其他。通过这样做,该系统将前面的拉希模型所得到的知识集成到通过的概率表示学习过程模型数据结构,从每个学习者出现。
除此之外,不确定性存在于模型的参数等来源所产生的噪声,随机的,或有误导性答案。描述的方法使用一个渐进评估援助的隶属函数在区间[0,1]。该模型引入了四种类型的模糊集之间的操作集,如下:(1)模糊的分离: (2)模糊连接: (3)模糊的产品: (4)模糊的补充:
3.4。评价
有一个客观评价模型的过程,自我评价和比较与相应的替代模型是必要的。程序验证,测试的内容是基于最初的原始问卷。这个过程更适合在该模型适应变化的问题相关的自适应学习能力,提供的能力重新定义学习和改进其行为随着时间的推移,在任何一个迭代的过程。
的形式验证是指的个性化的学习过程。如果激活测量阈值允许输出的精确计算向量,这是最佳的最小的方法错误。特别是,验证的过程是指通过一个迭代过程实现所需的行为提出的更新系统。应该强调,每一个算法使用过程中提供一种不同的方法来适应所需的结果以及不同的适应技术是完全依赖于要解决的问题。目的是系统地并快速找到适当的系统参数之间的误差最小化实际和预期的输出。
3.5。教育材料
当完成验证过程,认为教育内容被分类基于每个学员的需求和技能。智能生产过程提出的教育材料生产的推理的结果,也就是说,知识并非来自一个教练,但进入科技突破的环境不确定性。为此,教育内容的结构和数学表示分布和处理作为一个模糊的事实。提出了模糊集定义为事件是如何结合生产逻辑命题,人际关系,和结论(32- - - - - -34]。
3.6。自适应模糊化
最后,它可以执行一些额外的分割和分布的基础上,自适应模糊化过程中产生的模糊集之前的过程(35,36]。问题涉及的程序操作模糊集之间借用了概率论和关切加入和相交的两个事件的可能性。明确区分模糊集和概率空间然后进行结果的使用更一般的表达式的联盟和十字路口设置问题。具体地说,该模型产生的推理规则中代表一个逻辑形式或指南组成的假设表示如下:(1)演绎推理: (2)否定式:(3)假设的三段论:
完成这一步,已经创建了教育内容和分段与充分的评估标准基于每个学员的特性。重新定义的过程是通过持续评估学员的过程方法目标尽可能。
4所示。实验
场景开发问题的初步测试学生在各自的分类水平部门有相似的困难和各自的课程。初步调查问卷分发给350大学的学生。相关的问题是他们的技能和愿望的课程。学习者被要求回答问题使用李克特量表中列出的五个等级从1到5的表达式如下:完全不同意,不同意,既不反对也不同意,同意,和完全同意。
的处理结果来评估问卷的可靠性导致总克伦巴赫指数为0.776,这是一个值的公认值高于0.7。这主要是表明,至少有一些问题能够测量同一成分的焦虑进行预测的过程。克伦巴赫α(37,38)不是一个统计测试,称为可靠性系数(或一致性)。它衡量内部一致性,即一组项目是如何作为一个群体密切相关。它被认为是衡量规模的可靠性。它可以写成一个函数的测试项目的数量和平均组间关联的项目。克伦巴赫α是定义在以下方程: 在哪里是物品的数量,平均interitem协方差的项目,然后呢平均方差。随着平均interitem相关性增加,克伦巴赫的阿尔法增加(当物品的数量保持不变)。
注意定义困难的过程和能力参数计算是基于一个成功的结果的概率(优势)(商的概率p概率问= 1−p)。对数版本确定定义的个人的能力
当右边方程计算的一部分, ,表达,验证一个问题的概率等于区别一个人的能力和可以计算困难的问题。区别= 1,越接近正确答案的可能性就越大。相反,不同生长越小,越接近0,错误的答案的可能性就越大。当产能规模是衡量单位的正态分布,响应的概率0.50当能力值是正确的θ= 1.0。
成功的结果之间的关系(正确的选择)和测量延迟特性(个人能力)的形式描述乙状结肠项目反应函数的特性曲线(IRF) [27,29日]。图2描述了它。
拉希模型应用于估计等特征的样本的学生个人能力和行为,它在一个潜在变量的形式。它用于制备特殊评估问卷提到的变量通过处理参与者的反应(27,28]。模型估计的概率应对两个参数函数:“人”和“问题。“特别是,它措施发生的概率正确的答案被申请人参数之间的差异而造成的问题。
关于考试的进步在教育、相关参数的问题是每个问题的难度和学生相关的参数成功他的能力来回答。因此,更大的一个人的反应能力相对困难的问题的增长,越有可能他或她预计正确地回答了这个问题。如果一个问题的难度的大小相当于个人的响应能力的大小,然后给出正确答案的概率是0.5 (50%)。具体地说,成功的解决一个问题的结果是由概率决定的评估定义的 在哪里 问题的正确答案吗用二分变量的条件根据学员的能力j,困难的问题吗我。
通过学生的概率的对数比例(分对数)为一个给定的问题,正确的答案的比率= 。此外,这个比例也适用于第二个问题的正确答案。它等于的位置之间的差异表达的两个问题 在哪里学生的总分是关于这两个问题的答案。很容易看到的表示反应中使用对数比正确答案提供的估计不包含这个词 。因此,依赖最大概率技术直接用于计算困难的问题。
因此,拉希的问题反应理论模型的模型问题特征的总分只个体,因此基于单个参数计算个人(能力)和其他相关参数(困难),对应于每个类别的问题,称为阈值27,28]。因此,存在四个阈值的五点问题问卷考虑。
考虑到所有的问题的问卷调查和所有的学生参加考试,我们评估答案问题,绘制曲线的函数世界宗教自由问题显示正确答案的可能性结果的学生的能力29日]。世界宗教自由的图形如图10个问题的调查问卷3。
每个估计能力值与标准测量误差量化不确定性的程度的估计。这同样适用于估计的值明显不同的问题。因此,困难的问题的标准误差小得多比个人能力评估值作为问题的答案通常大于个人的反应。个人估计的标准误差是狭窄的地区,世界宗教自由边坡陡峭,也就是说,在进步的间隔点,自拉希模型基于泊松分布的应用(39]。实验证明,证明反应的数量错误的商是由个体的困难问题的能力回答的人。响应估计测量是基于这样的假设。
上述统计分析的结果的问题和产生的概率值拉希模型过程(28)是一个基本的标准将每个学生的答案映射到两个变量进入贝叶斯网络(31日用的形式BΘ> = < G,G是节点的DAGΧ吗1,Χ2X、…n表示变量及其概率值导致从问卷的每个问题和他们的边缘。因此,这些变量之间的直接依赖关系表示(每个问题的答案)。图G编码的独立性假设。每个变量X我是独立遗传的假设G。Θ表示网络参数的集合。具体地说,这个集合包含的参数 )为每一个x我的实现X我的条件π我的集合X我父母在G。因此,B定义了一个独特的变量的概率分布;也就是说,
过程的结果是生成一个概率值为每个变量(回答)本质上揭示了与一个类变量的相互依存,指示每个问题所带来的影响的方向。一个初始分类的答案明确的类可以确定每个学生的选择和能力。这个例子使用问卷,贝叶斯网络的实现算法生成三个类,称为理论方向,积极的方向,和技术方向,基于他们的答案。
5。结果与讨论
以下标准被用来评估混合人工智能系统的性能(40- - - - - -43]:(1)总体精度(OA):这一措施表示正确分类样本的数量除以测试样品的数量。(2)平均精度(AA):这个指标显示所有类别的分类的平均值。(3)Kappa率:这是一个统计测量提供信息与事实之间的协议映射和最终的分类图,计算了 在哪里po相对观察协议在评级机构和吗pe的假设的概率是一个协议的机会。(4)McNemar检验法测试:评估造成分类精度不同的方法的重要性,一个McNemar检验法进行了测试,所定义的 在哪里代表样本正确分类的数量分类和不正确的分类 。(5)确定系数( :它是用来表达的相关性两个变量表示为一个百分比。确定系数变化的百分比Y计算了X反之亦然,它被定义为 在哪里代表了因变量观测值,代表了估计因变量的值,观测值的算术平均值,n是观测的数量。(6)根相对平方误差(RRSE):这个函数计算绝对实际值和预测值之间的相关性,因此绝对的成功模式,这是实现当这等于零的时候,被定义为 在哪里的值预测的程序是一个简单的假设j,的目标值是简单的假设j,通过计算
表1描述了过程的结果。
表1给出了该方法的准确的结果,考虑实现场景的复杂性。除此之外,该方法会产生一个稳定的环境没有反复出现不明原因的问题。可靠性(k≥0.70)发现高是由于拉希法允许的维护为即将到来的预测最相关的数据。
McNemar检验法的测试也表明的重要性的不同分类的准确性对每个学生的教育材料的选择,这是相比具有统计学意义。模拟过程的结果是完全个性化的设计内容为每个50名学生。
总之,应该建议有很少的学生学生(4)重要内容重叠(< 85%),而在病例数(37个学生)不同的内容> 30%。
此外,高可靠性和精度的模型描述的高值R2和RRSE的最小值。另一方面,各种选项的参数会导致各种固有的操作标准,这样发射阈值表示每个学习者的个性化需求。此外,自适应模糊化的集成机制可以管理多个中介表示。混合的方法是基于每个学习者的个人需求,教育材料的自适应结构根据评估标准,和交互与持续改进的目的。这导致高性能即使对于问题,需要学生参与学习过程,强调协作环境和访问技术的最新的教育资源。
6。讨论和结论
本文提出了一个创新的混合人工智能系统,完全自动化的过程,基于个体个性化的培训技能。拉希统计分析模型和一个创新的同时使用模糊贝叶斯网络。更高水平的推理是自动化生产和个性化学习过程。通过这样做,大学生会自动分类根据他们的技能在一定范畴。
这是一个创新的努力有效地重新安排教育内容的教育系统基于评估标准。技术,提出了系统结合了混合智能模型和统计方法、机器学习算法,首次同时模糊逻辑。因此,确保系统进行最优适应新的情况。它提供了一个高水平的泛化,实际解决的期望,而适应和重新排列规则的应用程序是完全可以理解和明确的方式完成的。
过程测量的困难和能力参数问题回应由学生提供概率评估。因此,依赖最大概率技术直接用于计算困难的问题,这是生成一个概率值为每个变量(回答)本质上揭示了与一个类变量的相互依存,指示每个问题所带来的影响的方向。一个初始分类的答案明确的类可以确定每个学生的选择和能力。然后,这些值由模糊贝叶斯网络更新导致三个类的理论方向,正方向和技术方向,基于他们的答案。
未来的研究将主要的扩张方法使用高级情报通过复杂的机器学习技术模型不确定性旨在达到更大的准确性和效率的结果。
缩写
| : | 克伦巴赫在[0,1]的α |
| : | 物品的数量 |
| : | interitem平均协方差的项目 |
| : | 的平均方差 |
| : | 成功的结果 |
| : | 之间的区别一个人的能力和困难的问题 |
| : | 成功的解决一个问题的结果 |
| : | 实习生的能力j |
| : | 问题的难度我 |
| : | 的联合概率密度函数的问题 |
| : | Kappa率 |
| : | 模糊集 |
| : | 模糊集的隶属函数 |
| : | 确定系数 |
| : | 根相对平方误差 |
| : | 我th观测值 |
| : | 估计我观察。 |
| : | 平均值。 |
数据可用性
使用的数据支持和证明本研究的发现可以从通讯作者。
的利益冲突
作者宣称没有利益冲突。