[论文解读] Recommendation in Personalised Peer-Learning Environments

Hassan Khosravi|arXiv (Cornell University)|Dec 3, 2017

Intelligent Tutoring Systems and Adaptive Learning参考文献 31被引用 4

一句话总结

RiPPLE 是一个开源的自适应学习平台，利用机器学习、众包和推荐系统，在大规模范围内个性化内容和同伴学习支持。它使学生能够共同创建选择题，通过贝叶斯知识追踪（Bayesian Knowledge Tracing）追踪其知识状态，并根据个人需求、可用性和偏好推荐定制化题目和同伴学习会话。

ABSTRACT

Recommendation in Personalised Peer Learning Environments (RiPPLE) is an adaptive, crowdsourced, web-based, student-facing, open-source platform that employs exemplary techniques from the fields of machine learning, crowdsourcing, learning analytics and recommender systems to provide personalised content and learning support at scale. RiPPLE presents students with a repository of tagged multiple-choice questions and provides instant feedback in response to student answers. The repository of the questions is created in partnership with the students through the use of crowdsourcing. RiPPLE uses students responses to the questions to approximate their knowledge states. Based on their knowledge state and learning needs, each student is recommended a set of personalised questions. For students that are interested in providing learning support, seeking learning support or finding study partners, RiPPLE recommends peer learning sessions based on their availability, knowledge state and preferences. This paper describes the RiPPLE interface and an implementation of that interface that has been built at the University of Queensland. The RiPPLE platform and a reference implementation are released as an open-source package under the Apache 2.0 license via GitHub.

研究动机与目标

• 解决在多样化大学环境中对可扩展个性化学习日益增长的需求。
• 通过众包题目生成，赋能学生作为学习内容的共同创造者。
• 基于个体知识状态，提供实时、数据驱动的形成性题目推荐。
• 通过根据可用性和学习需求推荐学习伙伴和支持会话，促进互惠式同伴学习。
• 通过排行榜和徽章等游戏化功能，提升学生在个性化学习环境中的动机和参与度。

提出的方法

• 采用扩展后的贝叶斯知识追踪（Bayesian Knowledge Tracing, BKT）模型，引入滑落（slipping）、猜测（guessing）以及个性化先验知识，以建模学生知识状态。
• 利用学生答题数据推断掌握水平，并推荐针对性的多项选择题用于形成性练习。
• 应用互惠推荐算法，根据可用性、知识状态和偏好，匹配寻求或提供同伴支持的学生。
• 与符合 LTI 标准的学习管理系统（如 Moodle、Canvas、Blackboard）集成，实现课程的无缝接入。
• 采用模块化开源架构，包含独立的客户端与服务器组件，使用 Python/Django 和 React.js 开发。
• 支持在开发和生产模式下部署，具备环境特定的配置选项和安全的身份认证机制。

实验结果

研究问题

• RQ1 如何利用学生答题数据和知识追踪，有效实现同伴学习平台的内容推荐个性化？
• RQ2 学生众包在多大程度上能提升高等教育中学习内容的可扩展性和相关性？
• RQ3 如何设计互惠式同伴推荐系统，以基于互补的学习需求和可用性匹配学生？
• RQ4 排行榜和徽章等游戏化元素对个性化学习环境中学生参与度的影响如何？
• RQ5 如何设计一个开源、可扩展的平台，以支持长期可持续性，并在多样化大学课程中实现集成？

主要发现

• RiPPLE 成功使学生能够通过众包方式共同创建并维护一个带标签的多项选择题库。
• 平台通过增强的 BKT 算法准确建模学生知识状态，实现精准的内容推荐。
• 基于可用性、知识状态和学习偏好，有效推荐同伴学习会话，支持互惠式学习。
• 系统可在开发和生产环境中部署，具备安全且可配置的设置，并支持 LTI 集成。
• 以 Apache 2.0 许可证开源发布，确保长期可持续性，降低教师维护成本，并支持跨机构的可扩展性。
• 游戏化功能（如排行榜和徽章）显著提升了学生在学习过程中的动机和持续参与度。