基于神经网络的智能教学系统学生模型设计

智能性是智能教学系统最重要的特性之一.为提高智能教学系统的智能水平,研究了利用具有较强自学习能力的人工神经网络来构建智能教学系统.从因材施教,准确反映学生学习状态、特征的角度出发,分析了学生学习过程中的影响因素,提出将学生的学习方式、学习习惯等因素纳入学生模型构建中,并对学生模型进行了设计.     

基于Web的智能教学系统的研究与实现

基于Web的智能教学系统综合传统的ITS系统优势,同时又结合Web的特点,系统具有智能性,能够智能地引导学生学习。它是以认知科学为理论基础,综合利用人工智能技术、教育心理学、计算机科学等多门学科的成果而形成的一种对学生实施有效教学的技术。提出了一种基于Web的智能教学系统模型,给出了智能教学系统的知识库的设计、学生模型的构建方法及教学策略的设计,并探讨了学生模型的学习评价,最后对实现系统的关键技术进行了研究。     

基于Web的智能教学系统的研究与实现

基于Web的智能教学系统综合传统的ITS系统优势,同时又结合Web的特点,系统具有智能性,能够智能地引导学生学习.它是以认知科学为理论基础,综合利用人工智能技术、教育心理学、计算机科学等多门学科的成果而形成的一种对学生实施有效教学的技术.提出了一种基于Web的智能教学系统模型,给出了智能教学系统的知识库的设计、学生模型的构建方法及教学策略的设计,并探讨了学生模型的学习评价,最后对实现系统的关键技术进行了研究.     

一种基于Muti-agent的个性化网络教学系统框架

当前智能教学系统对于用户提出的个性化学习服务实现效果尚不理想。本文将agent技术引入智能教学系统,构建了一种基于多agent的个性化网络教学系统框架,分析了框架内各agent的功能和工作过程,提出了一个学生学习个性化特征提取和处理的模型。通过动态跟踪学习记录,采用向量相似度计算寻找一种与学习者相适应的学习风格,为学生提供个性化的学习服务。     

基于多Agent的适应性网络教学系统设计

当前的智能教学系统对于用户提出的适应性学习服务实现效果尚不理想,突出体现在不能根据学生的学习特点提供相应的学习方式.将Agent技术引入智能教学系统,构建了一种基于多Agent的适应性网络教学系统框架,分析了框架内各Agent的功能和工作过程,提出了一个学生学习特征提取和处理的模型.通过动态跟踪学习记录,采用向量相似度计算寻找一种与学习者相适应的学习风格,为学生提供适应性的学习服务.     

基于Web和数据挖掘技术的智能教学系统研究

传统的智能网络教学系统在适应性和个性化方面存在严重缺陷.基于Web和数据挖掘技术构建了一个智能教学系统的模型,该模型采用人工神经网络、聚类分析等关键技术,获取学生对知识点的理解程度,并对学生学习特征分类,根据学生的不同特征和兴趣点,提供不同的教学策略和教学内容,更有利于实现系统的个性化教学.     

自适应学习模型在智能教学系统中的应用研究

在分析自适应学习内涵的基础上,深入地研究了自适应学习模型的结构和功能。探讨了自适应学习模型对智能教学系统实现教学内容动态呈现和智能导航两个方面的理论支持。最后,指出自适应学习模型的分析和研究是构建智能网络教学系统的关键。     

基于云模型的智能教学系统中学习质量的评价

提出将云模型理论应用于智能教学系统的学生模型构建中,建立一种基于云模型的学生学习质量评价方法,利用云对概念的贡献程度进行数据离散化,并引入云变换计算隶属云,最后结合极大判定算法求出更加符合实际的学习质量等级划分。实验结果表明,这种新的评价方法得出的隶属概念不仅能够反映出学生对知识点的掌握程度,还能够反映出学生在学习中的发挥稳定性、心理素质等情况,有利于提高智能教学系统的应用效率。     

使用聚类算法构建学习模型

影响智能教学系统中教学决策的一个核心因素是系统中学习模型的质量。学习模型是一种以人类学生解决问题的各种方法为基础的模型。一个好的学习模型能够匹配学生行为模式,为学习任务难度和相关问题之间的学习转化提供有效信息。然而,传统构建模型的方式一方面非常耗时,而且还容易丢失具有重要教育意义的内容和学习方式。自动化方式可以构建更好的学习模型,但需要一些工程知识,同时其模型难以解释。该文讨论了一种基于内容特征使用聚类算法来构建学习模型的方法。     

网络环境下个性化智能教学系统的设计

个性化智能教学系统(Individual Intelligent Tutoring System,IITS)是实现个性化教学的有效途径。文章分别就IITS的概念、体系结构和功能等进行了探讨,深入研究了知识模型、学生模型以及教学模型等,构建了一个网络环境下的智能教学系统。     

Developing hybrid intelligent tutoring and hypertext systems

Abstract

The objective of this paper is to present an alternative paradigm to the traditional Knowledge Based Expert Systems Paradigm for developing a full-scale Intelligent Tutoring System that has dominated for years Intelligent Tutoring Systems development. This alternative paradigm which integrates Minsky's Frames with hypertext has been successfully deployed so far in the development of PEDRO, an Intelligent Tutoring System for foreign language learning, SONATA, an Intelligent Tutoring System for music theory learning and INTUITION, an Intelligent Tutoring System for Gaming-Simulation.     

A flowchart‐based intelligent tutoring system for improving problem‐solving skills of novice programmers

Intelligent tutoring and personalization are considered as the two most important factors in the research of learning systems and environments. An effective tool that can be used to improve problem‐solving ability is an Intelligent Tutoring System which is capable of mimicking a human tutor's actions in implementing a one‐to‐one personalized and adaptive teaching. In this paper, a novel Flowchart‐based Intelligent Tutoring System (FITS) is proposed benefiting from Bayesian networks for the process of decision making so as to aid students in problem‐solving activities and learning computer programming. FITS not only takes full advantage of Bayesian networks, but also benefits from a multi‐agent system using an automatic text‐to‐flowchart conversion approach for engaging novice programmers in flowchart development with the aim of improving their problem‐solving skills. In the end, in order to investigate the efficacy of FITS in problem‐solving ability acquisition, a quasi‐experimental design was adopted by this research. According to the results, students in the FITS group experienced better improvement in their problem‐solving abilities than those in the control group. Moreover, with regard to the improvement of a user's problem‐solving ability, FITS has shown to be considerably effective for students with different levels of prior knowledge, especially for those with a lower level of prior knowledge.     

Developing an intelligent tutoring system for a business simulation game

Intelligent Tutoring Systems and gaming-simulation are both substantive research and application areas which cross a multitude of disciplines and subject areas. However, although the two areas have the potential for mutual enhancement, very little has been reported on to this effect. This paper proposes an architecture for an Intelligent Tutoring System for an existing business simulation game. The short-term aim of this paper is to show how the pedagogical effectiveness of an existing gaming-simulation environment, as a teaching and learning tool, can be enhanced through the Intelligent Tutoring Systems approach to development. The long-term aim is to highlight a possible direction towards any mutual enhancement.     

基于web的智能教学系统研究

该文对智能教学系统进行了深入的研究,提出了由用户环境和教学环境组成的基于web的智能教学系统形式化模型,并且对系统运行过程进行了详细的分析。该模型将本体论引入到领域知识的表示中提高了教学资源的重用和共享程度;同时,充分考虑了web以及用户环境所提供的与用户相关信息在智能教学系统中的重要作用。系统基于多领域多应用,结合认知能力、知识水平、学习风格、心理特征等知识结构和认知心理因素来对用户进行建模以增强系统的自适应能力和提高教学效果。     

基于B/S结构的智能授导系统的设计与实现

该文是在网络教学的环境中,对于B/S结构的智能授导系统(ITS)设计与实现的探索性研究。文中主要从系统功能结构的设计、学生模型的建构、知识的表示与推理,以及基于可信度方法的不确定推理技术几个部分进行论述,侧重于方法与策略的研究与应用。目的在于借助通用的、一般的技术手段,运用智能软件的方法,为网络学习中的学习者提供适应性的知识组织与学习指导。     

Learning task models in ill-defined domain using an hybrid knowledge discovery framework

Domain experts should provide Intelligent Tutoring Systems (ITS) with relevant domain knowledge that enable it to guide the learner during problem-solving learning activities. However, for ill-defined domains this knowledge is hard to define explicitly. Our hypothesis is that knowledge discovery (KD) techniques can be used to extract problem-solving task models from the recorded usage of expert, intermediate and novice learners. This paper proposes a procedural-knowledge acquisition framework based on a combination of sequential pattern mining and association rules discovery techniques. The framework has been implemented and is used to discover new meta-knowledge and rules in a given domain which then extend domain knowledge and serve as problem space, allowing the Intelligent Tutoring System to guide learners in problem-solving situations. Preliminary experiments have been conducted using the framework as an alternative to a path-planning problem solver in CanadarmTutor.