AI-Driven Learning Analytics for Applied Behavior Analysis Therapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Applied Behavior Analysis (ABA) therapy is a widely used intervention for students with special education needs (SEN), particularly those with Autism Spectrum Disorder (ASD) and co-occurring intellectual disabilities. However, despite its proven effectiveness, the integration of artificial intelligence (AI) and learning analytics (LA) in ABA therapy remains largely underexplored. This study examines the impact of an AI-driven learning analytics system on prediction performance, intervention effectiveness for SEN students, and support for therapists and teachers. The system collects and analyzes physiological, environmental, and behavioral data in real time to generate personalized intervention recommendations. A total of 33 students and 26 therapists/teachers from special schools and therapy centers in Hong Kong participated in an eight-week ABA intervention, followed by a post-evaluation session. The study assessed predictive accuracy, student learning outcomes, and educator perceptions using empirical data and qualitative feedback. Results indicate that the system achieved a predictive accuracy of 88.83% and a precision of 86.64% in forecasting learning outcomes, with statistically significant student performance improvement (medium effect size). Educators reported that the system's AI-driven recommendations enhanced their ability to develop individualized student profiles and intervention strategies. While the system did not replace traditional ABA methodologies, it improved decision-making by providing actionable insights through multimodal data integration. As of today, our system has been used by over 1,000 students with SEN in Hong Kong, Singapore, and Canada, demonstrating the real-world impact of AI-driven LA.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découle