Enhancing Students’ Learning Outcomes in Mathematics through Intelligent Tutoring Systems Based on Real-Time Feedback
Notice bibliographique
Résumé
This study examined the effectiveness of an intelligent tutoring system (ITS) driven by real-time feedback in enhancing students’ mathematical learning outcomes, as defined by the Structure of Observed Learning Outcomes. Conducted within the domains of Measurement and Geometry, the study employed a randomized controlled trial involving 120 students from the Mathematics Program for Gifted Students at Khon Kaen University Demonstration School. Of these, 78 were selected through systematic random sampling and assigned to experimental and control groups. The experimental group engaged with the ITS featuring automated, real-time feedback, while the control group used the same system without feedback. Both groups utilized the system through adaptive diagnostic assessments. The diagnostic test demonstrated strong psychometric properties (Rasch model difficulty range = -2.34 to 1.71; Cronbach’s α = 0.81; IRT reliability = 0.89). Statistical analyses—including independent t-tests, repeated measures ANOVA, and relative gain scores—revealed significant learning gains in the experimental group (p < .05). Mean scores increased from 1.90 to 3.54 in the experimental group and from 1.90 to 2.85 in the control group. The experimental group reached an advanced level (M = 84.83%), significantly outperforming the control group (M = 61.54%), with an effect size of 0.73. These findings highlight the potential of ITS with diagnostic feedback to foster deep, structured mathematical understanding and offer valuable insights for personalized digital learning.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».