arXiv cs.AI· Maeva Somny (LIRIS), Linda Chouati, Marie Lefevre·· 1 天前AI 评分18
用机器学习通过学习者交互轨迹测量技术增强学习中的自我效能信念
Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning
AI 导读
研究提出基于数据挖掘与机器学习的方法，从学习者在技术增强学习（TEL）系统中解题时的交互轨迹检测低自我效能信念。团队在两所大学开展实验，收集交互轨迹与自我效能自评数据，构建包含多个分类模型的机器学习流水线。结果显示，由于自我效能信念在学习过程中高度动态，密切监测学习者自我效能对提升预测性能很重要。
正文 · AI 翻译
摘要：自我效能感信念在学习者的表现、学业选择以及更广泛意义上的未来职业轨迹中起着关键作用。由于技术增强学习（TEL）环境已展现出支持表现与动机的强大潜力，在此类环境中研究自我效能感尤为有意义，特别是为了尽早实施补救措施以支持学习者的自我效能感信念。我们的研究旨在开发一个系统，能够基于学习者在 TEL 系统中解题时的交互轨迹来检测低自我效能感。本文中，我们展示了基于数据挖掘和机器学习技术的检测方法的初步结果与未来展望，以识别指示低自我效能感信念的特征。由于通过学习者使用 TEL 系统来检测其自我效能感信念在很大程度上仍属未探索领域，本工作本质上是探索性的。为此，我们在两所大学开展了一项实验，以收集交互轨迹和自我报告的自我效能感测量数据。随后，我们开发了一个包含多个分类模型的机器学习流程，使我们能够强调密切监测学习者自我效能感信念对于提升预测性能的重要性，因为其在学习过程中具有高度动态性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41900 [cs.AI] |
| （或 arXiv:2610.41900v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41900 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | CELDA, IADIS, 2026年10月, 里斯本, 葡萄牙 |
提交历史
来自：Maeva SOMNY [查看邮箱] [通过 CCSD 代理]
[v1]
2026年10月30日星期五 15:38:30 UTC（2,400 KB）
来源：arXiv cs.AI · arxiv.org