XiaoMi-AI文件搜索系统
World File Search System强盗
结合机器学习和学习者选择
尽管个性化学习的好处现在已经有充分的文献记载，但其在学校中的概括受到高层规模的挑战。诸如智能辅导系统（ITS）之类的教育技术可能有助于应对这一挑战并帮助教师和学生。最近，利用了一种利用好奇心驱动的学习模型的方法来构建其个性化练习序列。基于学习进度假设（LPH），这种方法包括提出学生练习，以最大程度地提高学习进度，并使用多武力的强盗机器学习技术逐渐识别。与人类专家设计的课程相比，与人类专家相比，在实地研究中以前显示了所产生的算法（ZPDE）在学习表现方面更有效。但是，有两个限制。首先，没有评估动机影响。第二，ZPDE算法并没有使学生能够表达选择。代理中的这种局限性与最初与建模好奇心驱动的学习有关的LPH理论不符。在这里，我们介绍了一个系统（ZCO），该系统（ZCO）结合了使用LP的自适应运动提议，并有可能使学生做出选择。这些选择的可能性涉及锻炼难度正交的维度，并且是许多现有教育技术的游戏化实例。我们首先表明，基于LP的个性化改善了学习绩效（再现和巩固先前的结果），同时产生积极而激励的学习经验。我们提出了一项广泛的现场研究（来自11所学校的265个7-8岁儿童，RCT设计），将基于LP的自动课程生成系统与手工设计的课程进行了比较，无论有没有自我选择。然后，我们表明，增加自我选择作为嬉戏的功能，触发了学习者的内在动机，并增强了基于LP的个性化的学习有效性。这样做，它加强了认真游戏中内在动机与表现进步之间的联系。相反，对于手工设计的线性路径，观察到了嬉戏特征的有害效果。因此，只有在课程个性化对学习者有效的情况下，由嬉戏的功能引起的内在动机才是有益的。由于在市场上可用的非适应性教育技术中使用了嬉戏的功能，因此值得关注的结果。
公平干预计划的新方法，以改善数字健康计划中的参与度和结果：仿真研究
背景：数字健康计划为患有慢性疾病的患者提供个性化支持，其有效性是通过患者实现目标临床结果以及该计划维持患者参与能力的程度来衡量的。但是，患者辍学和不平等的干预措施交付策略，可能会无意中惩罚某些患者亚组，这代表了最大化有效性的挑战。因此，优化成功因素（目标临床结果和持续参与的实现）之间平衡的方法学是可取的，尤其是在存在资源限制的情况下。目的：我们的目标是为数字健康计划资源管理提供一个模型，该模型共同说明了个人临床结果与患者参与之间的相互作用，确保公平分配以及允许能力计划，并使用有关2型糖尿病类型的公开数据进行广泛的模拟，一种慢性疾病。方法：我们提出了一个不安的多型强盗（RMAB）模型来计划干预措施，以共同优化长期参与和个体临床结果（在这种情况下，以实现目标健康葡萄糖水平的实现来衡量）。通过加剧组之间的差异来减轻RMAB的趋势实现良好的综合性能，我们为RMAB提出了新的公平目标，并应用了二元优化算法来解决它们。我们为患者参与度和个体临床结果轨迹的联合演变制定了模型，以捕获数字慢性病管理计划中关键的感兴趣动态。结果：在仿真练习中，我们优化的干预政策导致12个月后达到健康葡萄糖水平的患者高达10％，与护理标准基准相比，辍学率降低了10％。此外，与最先进的面前相比，我们的新公平政策将6个人口群体的参与度和健康成果的平均绝对差异最多减少了85％。结论：以个人临床结果目标和长期参与动态进行数字健康干预措施，因为考虑因素可能是可行且有效的。我们建议使用RMAB顺序决策框架，该框架也可以在容量计划中提供其他功能。公平的RMAB算法的集成进一步增强了达到公平解决方案的潜力。此方法为程序设计师提供了灵活性，可以根据其偏好在各种目标之间进行不同的优先级和平衡权衡。