Loading...
机构名称:
¥ 1.0

通过在课堂上整合人工智能(AI)和学习分析来改善学生的成功,尤其是在在线和高等教育环境中的努力。本文提供了有关使用AI驱动方法预测和提高学生绩效的当前研究的广泛概述。这项综合了几项研究结果的研究探讨了如何使用学生互动数据(例如参与论坛,测验和协作工具)创建学习成果预测模型。的发现表明,利用各种基于交互的特征可以导致预测准确性高达75%,从而突出了这些方法的潜力,以提高对在线学习动态的理解。此外,对随机森林和逻辑回归等机器学习算法的比较研究表明了它们如何预测学生的毅力和表现。有了预测性建模,可以尽早确定高危学生,从而更加集中的干预措施来促进高等教育环境中的学术成就。审查还讨论了更多的一般性后果,例如通过在课堂上使用AI带来的道德困境和教学困难。AI在教育中的应用正在增长,因为它可以提供量身定制的学习经验,简化行政职责并提高学生绩效。但是,担心数据隐私,算法偏见以及AI技术的公平应用突出了谨慎实施技术和持续评估的必要性。本评论文章提倡平衡策略,该策略最大程度地降低了风险并最大程度地提高教育环境中的收益,同时强调了人工智能和学习分析在增强学生绩效方面的变革潜力。

Kardan工程技术杂志(KJET)

Kardan工程技术杂志(KJET)PDF文件第1页

Kardan工程技术杂志(KJET)PDF文件第2页

Kardan工程技术杂志(KJET)PDF文件第3页

Kardan工程技术杂志(KJET)PDF文件第4页

Kardan工程技术杂志(KJET)PDF文件第5页

相关文件推荐

2022 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2023 年
¥1.0
2024 年
¥6.0
2021 年
¥1.0
2022 年
¥1.0
2024 年
¥8.0
2021 年
¥10.0
2023 年
¥1.0
2023 年
¥2.0
2024 年
¥1.0
2024 年
¥2.0
2018 年
¥4.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥2.0
2025 年
¥1.0