Сочинение на тему Анализ приложений когнитивных вычислений

С 1970-х годов ITS находится на переднем крае исследований в области искусственного интеллекта с разнообразными областями применения – от физики и математики до обучения взрослых и образования медсестер. Одной из наиболее влиятельных когнитивных архитектур, стоящих за ITS, является адаптивный характер мышления Андерсона. Рациональная (ACT-R) теория. Центральным принципом теории ACT-R является то, что человеческое познание является результатом взаимодействия между многочисленными небольшими неделимыми единицами знания определенным образом. Теория ACT-R дает подробную информацию о том, как эти единицы знаний взаимодействуют. ACT-R не является абстрактной теорией человеческого познания. Это скорее конкретная структура, похожая на язык программирования. В тесной связи с улучшением ITS оценивается его адаптивная функция обучения, которая очень применима к ITS для программирования. Традиционно используют схемы оценки, основанные на машинном обучении, такие как когнитивная модель анализа факторов эффективности (PFA).

Кластеризация и моделирование учащихся

Кластеризация – это распространенный метод в EDM для агрегирования данных учеников с целью изучения поведения учеников. Этот метод повышает стабильность кластеризации для шумных данных. Кроме того, он может быть включен в любой ИТС в виде черного ящика. Другая центральная проблема в EDM – студенческое моделирование. Одной из таких работ является моделирование кривых обучения. Используя данные из Duolingo (2016), Стритер (2015) использовал вероятностные смешанные модели для захвата кривых обучения изучающих язык. Исследовательская работа Streeter обобщает отслеживание знаний и предлагает элегантную вероятностную модель для моделирования кривых обучения. Параметры модели были изучены с использованием хорошо известного алгоритма ожидания – максимизации. Основанная на крупномасштабном наборе данных Duolingo, модель смеси превосходит многие из предыдущих подходов, включая популярные когнитивные модели, такие как модель аддитивного фактора (AFM) и PFA.

Прогнозирование успеваемости учащихся

Прогнозирование успеваемости учащихся на основе различных факторов было популярным направлением исследований в области EDM. Традиционно успеваемость учащихся измеряется в конкретных дисциплинах или темах, таких как алгебра, программирование на Java или даже в таких специфических аспектах, как обучение фракциям в математике. Tomkins et al. (2016) Исследования дают ответы на некоторые вопросы о предметной успеваемости учащихся, используя их пример из информатики средней школы MOOC. MOOC – это отдельный курс с собственной оценкой, но студенты, сдающие MOOC, в конечном итоге сдают экзамен по информатике (Advanced Placement (AP)). В результате, есть два показателя эффективности: один из MOOC, а другой из экзамена AP. Опытным путем было замечено, что балл студента на экзамене AP является лучшим предиктором будущего успеха студента, чем успеваемость студента в MOOC. Одним из таких факторов является коучинг. Многие студенты проходили инструктаж во время приема MOOC, а другие учились самостоятельно. Те, которые были обучены, показали более высокий уровень активности на форуме МООК посредством вопросов, ответов и других вкладов. Тренированные студенты показали лучшие результаты, чем независимые студенты в MOOC. Тем не менее, на самом экзамене AP, независимые студенты набрали больше баллов.

Обнаружение аффекта и вовлечение учащихся

Аффективные состояния тесно связаны с обучением и познанием. Мы по-разному реагируем на различный опыт в процессе обучения. Оценка аффективных состояний студентов в настоящее время набирает обороты как в сообществах EDM, так и в сообществе LA. Аффективные состояния учеников тесно связаны с их обучением и, следовательно, с их успеваемостью. Основываясь на взаимодействии более тысячи учащихся средних школ с системой обучения математике, San Pedro et al. (2015) обнаружили, что мелкозернистые вариации аффекта с течением времени, в конечном счете, влияют на результат теста студента. Для выявления аффектов авторы использовали данные о взаимодействии учащихся с системой обучения математике. Это может быть во многом связано с аффективным состоянием восторга, для которого детектор на основе видео намного превосходит их.