A Case Study on Scaffolding Adaptive Feedback within Virtual Learning Environments
Notice bibliographique
Résumé
Despite a growing development of virtual laboratories which use the advantages of multimedia and the Internet for distance education, learning by means of such tutorial tools would be more effective if they were specifically tailored to each student needs. The virtual teaching process would be well adapted if an artificial tutor (integrated into the lab) could identify the correct acquired knowledge. The training approach could be more personalised if the tutor is also able to recognise the erroneous learner’s knowledge and to suggest a suitable sequence of pedagogical activities to improve significantly the level of the student. This chapter proposes a knowledge representation model which judiciously serves the remediation process to students’ errors during learning activities via a virtual laboratory. The chapter also presents a domain knowledge generator authoring tool which attempts to offer a user-friendly environment that allows modelling graphically any subject-matter domain knowledge according to the proposed knowledge representation and remediation approach. The model is inspired by artificial intelligence research on the computational representation of the knowledge and by cognitive psychology theories that provide a fine description of the human memory subsystems and offer a refined modelling of the human learning processes. Experimental results, obtained thanks to practical tests, show that the knowledge representation and remediation model facilitates the planning of a tailored sequence of feedbacks that considerably help the learner.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,008 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».