迈向循环人工智能：自我调节学习的建模：一项使用电子学习痕迹数据的案例研究-计算机科学-人工智能-机器学习-自我调节学习.pdfVIP

迈向循环人工智能：自我调节学习的建模：一项使用电子学习

痕迹数据的案例研究

AndrewSchwabeÖzgürAkgünEllaHaig

UniversityofSt.AndrewsUniversityofSt.AndrewsUniversityofPortsmouth

St.Andrews,ScotlandSt.Andrews,ScotlandPortsmouth,UnitedKingdom

as613@st-andrews.ac.ukozgur.akgun@st-andrews.ac.ukella.haig@port.ac.uk

本ABSTRACT

译许多电子学习平台声称它们有能力或潜力提高学生的自我调节学习（SRL），然而，SRL理

中论模型的循环性和非定向性代表了在当代机器学习框架内表示这些模型的重大挑战。我们将

1SRL相关信息应用到跟踪数据中，以推进对学生SRL活动的建模，并改善对电子学习环境

v中学习因果效应的预测和解释能力。我们证明了这些特征提高了预测准确性，并验证了进一

3

1步研究循环建模技术对于SRL的价值。

9

2Keywords人工智能机器学习自我调节学习

0

.

7

01介绍

5

2

:在线教育交付继续是一个增长的趋势，并且常常伴随着关于优化或提升学生学习和自我调节能力的说法[1,

v2]。生成式人工智能（GenAI），特别是像ChatGPT这样的大型语言模型（LLMs）越来越多地被用于电子学

i

x习环境，对知识保留和自我调节产生了积极和消极的影响[3,4,5,6]。

r

a

关于自我调节学习的研究被认为是衡量学生保留所学内容能力的基础[7]。虽然MOOCs、ITSs和LMSs捕捉

了大量的数据，但在理论上的SRL的已知因果方面与仅使用电子学习系统的追踪数据评估学习之间仍存在缺

失环节[8]。GenAI工具作为外部工具可能存在于追踪数据中或不存在，这可能会使情况更加复杂。

本文介绍了关于从学生使用MoodleLMS跟踪数据中提取和建模自我调节学习模式的假设、方法论和实验结

果的背景及必威体育精装版进展[9]。该数据集来自一项已发表的研究，旨在通过聚类分析用户在MoodleLMS中的行为

来识别学习差距。我们利用这些数据作为正在进行的研究的一部分，提出新的建模方法以描述自我调节学习

的循环性，并努力提供因果解释，将结果与众所周知的SRL研究中的因果学习联系起来。SRL理论模型的循

环表示是现代电子学习和SRL机器学习应用中普遍缺失的一个方面[10,11]。

研究结果显示，需要更多的研究和方法来准确建模电子学习环境中自我调节活动的循环强化效应。通过工程

化捕捉自我调控行为的数据特征，结果表明这种方法可以显著提高学术成果预测的准确性。

2背景及相关工作

自我调节学习（SRL）是教育心理学研究的一个领域，涉及影响和支持学生发展学习能力的活动和影响力因

素[12]。一些著名理论由诸如Zimmerman、Boekarts、Pintrich、Winne和Hadwin等顶尖专家提出、研究并

迈向循环人工智能自我调节学习的建模迈向循环人工智能自我调节学习的建模迈向循环人工智能自我调节学习的建模

应用[7]。这些模型扩展的一个基础概念是循环反馈环，其中反复的行为和选择强化并影响未来的SRL策略

和活动。Zimmerman的循环模型通常被认为是循环自我调节的基础，它定义了分为三个主要阶段的活动：深

思熟虑、计划阶段、一个性能阶段，在这个阶段学生应用纪律遵循他们预期的计划，以及一个自我反思阶段，

在这个阶段学生评估他们的规划和表现的结果及有效性[13]。自我反思活动随后影响后续的前思