学习元 · The Impact of Personalized Recommendations on Learner's Learning

week1阅读

文献阅读笔记
文献题目	中学教师对数字化游戏学习的思考：愚蠢的固步自封还是教育的未来?
文献作者	Amanda Gutierrez；Kathy Mills； Laura Scholes ； Luke Rowe； Elizabeth Pink
期刊信息	期刊：Teaching and Teacher Education 卷次：133
摘要	数字游戏可以支持跨越多个教育层次和领域的学习。本文分享了一项针对澳大利亚高中英语教师的研究结果，该研究设计了一份关于在课堂上使用数字游戏的混合问卷。研究结果发现，教师对游戏在正式课程中的作用存在两极分化的观点，教师对数字游戏的理想和既定用途存在矛盾，以及数字游戏的实践专业发展需要。其影响包括需要优化数字游戏在教学和教师教育中的使用，并解决游戏在课堂学习中的有效性问题。
关键词	数字游戏、游戏化学习、教育学专业学习、英语教学、中学教育
论文结构	1.引言 2.背景文献 2.1.教师对数字化游戏在学习中的作用的态度 2.2.数字化、游戏化素养对教师教育的意义 2.3.数字游戏的专业学习与参与 2.4.数字游戏在课程实践和英语课程中的合法性 3.方法 3.1.问卷设计与数据收集 3.2.参与者抽样和招募 3.3.数据分析工具 3.4.定性数据的编码过程 3.4.1.研究问题1：教师对数字化游戏在教育中如何定位? 3.4.2.研究问题2：教师对数字化游戏在教育中的实际和预期用途是什么? 3.4.3.研究问题3：教师如何获得有关数字游戏的专业知识? 4.结果 4.1.研究问题1：教师对数字化游戏在教育中如何定位? 4.1.1.开放式教师对英语数字化游戏的合法性做出回应 4.1.1.1.教师对英语数字游戏合法性的积极回应。 4.1.1.2.消极的教师回应英语数字游戏的合法性。 4.1.2.总结RQ1结果 4.2研究问题2：教师对数字化游戏在教育中的实际和预期用途是什么? 4.2.1.开放式回应 4.2.2.总结RQ2结果 4.3.研究问题3：教师如何获得有关数字游戏的专业知识? 4.3.1.开放式回应 4.3.2.总结RQ3结果 5.讨论 6.局限性 7.结论与未来方向竞争利益的宣示数据可用性鸣谢参考文献
研究目的	1.调查教师对 DGBL 在课堂中的作用的看法 2.解决三个研究问题：（1）教师如何定位数字化游戏在教育中的地位? （2）教师对数字化游戏在教育中的实际使用和意向使用情况如何? （3）教师如何获得有关数字游戏的专业知识? 第一个研究问题是比较教师对数字游戏在教育中价值的看法。第二个研究问题区分了教师使用数字游戏进行教学和学习的意图和实际情况。第三个研究问题询问了教师如何在课堂上使用这些游戏的新知识。
研究背景	1.教师对数字化游戏在学习中的作用的态度:尽管越来越多的教师对在课堂中使用数字游戏持积极态度，但许多教师并没有在自己的教学实践中使用这些游戏。 2.数字化、游戏化素养对教师教育的意义：许多教师认为，数字游戏不应该作为主要的教学活动，而应该作为完成工作的奖励，或者支持有特殊需要的学生 3.数字游戏的专业学习与参与:教师在课堂上使用数字游戏的积极态度和自我效能可以通过专业学习和参与数字游戏得到提高。数字游戏对于课程实践和英语课程的合法性:在英语课程中，数字游戏已被概念化为读写实践的合法文本。
研究方法	1.问卷设计与数据收集问卷采用了混合回答的设计，其中封闭式问题有助于对教师的回答进行比较和统计分析，而开放式问题则使教师的回答符合实际情况。 2.参与者抽样和招募该项目和问卷链接通过各州和地区的高中英语教师协会通讯及其电子邮件数据库进行宣传。样本包括 201 名教师。大多数教师自我认同为女性（75%），教龄在 20 年以上的教师最多（37%），目前在多个中学年级（7-12 年级）任教，来自除塔斯马尼亚州以外的澳大利亚各州和地区，在大都市学校工作（76%），在公立学校工作（53%），在男女同校的学校工作（78%）。 3.数据分析（1）频率统计，确定和比较教师对教育环境中数字游戏的态度、自述行为和看法的趋势（2）定性分析，提供背景和深度。（3）在定性分析阶段，采用迭代分类法对开放式问题的回答进行编码。（4）定性数据的编码过程为了回答第一个研究问题，探索了正面、负面或中性的数字游戏回应，然后使用Gee 的政治建构和社会物品理论进行话语分析。为了探索教师如何使用或打算使用数字游戏，我们将与他们使用相关的反应和计划使用游戏作为中心教学重点或作为补充文本。针对研究问题 3 的数据分析侧重于样本中有关课堂数字游戏教学法专业知识来源的模式和差距。
研究结果	Q1：教师如何定位数字化游戏在教育中的地位? 在将数字游戏定位为课堂上使用的合法课件方面，教师们的看法是相互矛盾的。虽然大多数受访者（58.6%）赞成使用数字游戏，其中一些人认为这些文本是非常有价值的社会产品，是全纳教育的必要条件，但其他受访者（14.1%）则持非常否定的观点，还有相当多的受访者（27.3%）无法给出明确的答案。这些调查结果表明，在我们抽样调查的英语中学教师中，对数字游戏在课堂中的价值并没有达成共识。 Q2：教师对数字化游戏在教育中的实际使用和意向使用情况如何? 在回答这一问题时，有相当多的教师强调，他们没有足够的知识来成功地规划或使用这些文本，有几位教师把教育游戏作为提高识字水平和参与度的工具，还有极少数教师明确阐述了数字游戏的创造性和批判性用途。虽然绝大多数教师认为数字游戏是合法的文本，但在如何使用数字游戏的问题上，教师们暴露出了知识上的差距，很难将数字游戏的理论转化为日常教学实践。这种理论与实践之间的差距造成了所支持的 DGBL 课程与所实施的 DGBL 课程之间的脱节，引起了教师是否有信心充分利用 DGBL 的潜力来开展批判性和创造性课程的问题。 Q3：教师如何获得有关数字游戏的专业知识? 教师在很大程度上依赖于他们的英语教师协会，将其作为提供有关课堂数字游戏的出版物、建议和专业学习的重要来源。
不足	1.不共享定义可能会影响答复的可比性 2.第二个不足与发放问卷的方法有关，即通过各州和地区英语教师协会的数据库发放问卷。由于这些团体的成员可以获得当地英语教学协会提供的资源和专业学习，因此这一局限性可能会在有关参与者对专业学习的回答的调查结果中显现出来。对这些协会提供的数字游戏的看法可能会影响他们的回答。 3.问卷调查并不强迫回答，因此参与者可以选择性地完成问卷，这意味着有些问题只完成了一部分。
结论与未来方向	本文旨在了解英语教师对数字游戏在课堂使用、实际使用和专业学习中的合法性的看法。研究结果深入揭示了一些教师对 DGBL 持消极意识形态观点的原因和动机，指出了英语课堂采用 DGBL 的障碍，并揭示了将流行文化和数字游戏置于边缘地位的以价值为中心的假设。对实践的启示是，在英语教师中，DGBL 仍然是一个两极分化和有争议的教学问题，这就要求课程政策的制定与 DGBL 的明确联系更加紧密地结合起来。教师的专业发展需要让教师有效地学习如何使用 DGBL，并将 DGBL 构建为 "值得拥有的好东西" 本文主张进一步开展研究，探讨专业学习的模式、内容和持续时间，教师在课堂上成功使用数字游戏课件的情况，并继续研究参与此类学习的教师的看法。
建议	本文建议专业学习突出证明 DGBL 的学习益处和价值的研究，以支持在教育中使用游戏文本。它应提供实用的资源和基于研究的实例，证明选择游戏对教学和评估的有效支持。由于研究结果表明缺乏将研究转化为实践的能力，还建议 DGBL 专业学习的设计者认真考虑如何让教师参与进来，并使学习具有可接受性。此类专业学习应鼓励教师从数字游戏的 "基本 "使用转向更具批判性、创造性和创新性的实施，并增强教师的能力。

week2阅读

文献阅读
题目	Effects of artificial Intelligence–Enabled personalized recommendations on learners’ learning engagement, motivation, and outcomes in a flipped classroom（人工智能个性化推荐对翻转课堂中学习者学习参与度、动机和结果的影响）
作者	Anna Y.Q.Huang,Owen H.T.Lu, Stephen J.H.Yang
期刊	Computers & Education
发表时间	2023.3
摘要	翻转课堂方法旨在通过促进学习动机和参与度来改善学习结果。推荐系统也可以用来改善学习结果。随着人工智能(AI)技术的快速发展，各种系统被开发出来，以方便学生的学习。因此，在翻转课堂环境下的系统编程课程中，我们应用了支持人工智能的个性化视频推荐来激发学生的学习动机和参与度。我们将学生分成控制组和试验组，分别由59名和43名大学生组成。两组学生都接受了翻转课堂教学，但只有实验组的学生接受了支持人工智能的个性化视频推荐。在一个学习管理系统中，我们根据学生的学习概况对他们的参与度进行了定量测量。结果表明，支持人工智能的个性化视频推荐能够显著提高中等动机水平的学生的学习成绩和参与度。
关键词	数据科学在教育中的应用；远程教育和在线学习；改善课堂教学
研究内容	应用贝叶斯定理和Logistic回归分类在翻转教室中实现了一个支持人工智能的个性化推荐系统，用于教学系统编程。随后，调查了这一系统对学生的学习参与度、学习动机和学习结果的影响。
研究目的	本研究的目的是通过向学生提供推荐视频列表以供复习来激发学生的内在动机，从而提高他们的学习成果。本研究以以下研究问题为指导： 1.启用人工智能的个性化推荐能否提高学生在翻转课堂上的学习动机？ 2.启用人工智能的个性化推荐能否改善学生在翻转课堂上的学习结果？ 3.启用人工智能的个性化推荐能否提高学生在翻转课堂上的学习参与度？ 4.人工智能个性化推荐如何改善学生在翻转课堂上的学习结果？
研究方法	1.实验法这项研究共包括102名就读于台湾北部一所大学系统编程课程的学生。学生被分配到试验组(n=43)和对照组(n=59)。试验期为2020年9月至11月。两组都是在翻转课堂环境中学习，唯一的区别是实验组收到了支持人工智能的个性化视频推荐。 2.问卷调查法在本研究中，我们采用了前测、后测和学习动机问卷进行测量。采用前测和后测的方法评价学生的系统编程知识。本文使用的学习动机问卷是由Hwang等人编制的。该问卷包含7个项目，用于评估学生对系统编程的学习动机。 3.数据分析由于在学习管理系统(LMS)中自动收集有用的数据，学生的学习投入可以通过他们的LMS档案来衡量。Henrie等人提出了一种根据学生的LMS档案来衡量他们的认知、情感和行为投入的机制。使用这种方法，本文通过学生的LMS档案定量测量了学生在翻转课堂中的参与度。
实验过程	实验：人工智能的个性化推荐在这项研究中，向学生提供了人工智能的个性化建议，以调整他们的学习方法，从而提高他们的学习表现。这些建议基于自我管理的顺序概率比测试（SPRT）以及学生在iLearning上的学习档案。在SPRT中，贝叶斯定理用于评估学生对相关概念的掌握程度。用于教育目的的SPRT等式如下：以下三种情况用于判断学生的学习状态：（1）PR值大于或等于（1 − β）/α表示学生熟悉给定的概念;也就是说，学生已经掌握了一个给定的概念，不需要继续回答问题。（2）PR值小于或等于β/（1 − α）表示学生不熟悉给定的概念，这意味着他们需要先复习学习材料，然后再进行一次自我评估。（3）最后，PR值介于（1 − β）/α和β/（1 − α）之间，表明学生对给定概念的熟悉程度无法准确确定; 推荐系统的架构：本研究人工智能个性化推荐系统推荐过程包括三个阶段： 1.信息收集阶段此阶段主要涉及收集学生的学习档案，这些档案可以提供与个性化推荐相关的信息。这些信息是从学生在iLearning上的视频观看日志和他们自我管理的SPRT结果中收集的。 2.学习阶段此阶段涉及设计一个集成流程，用于过滤在信息收集阶段从学生学习档案中收集的个性化建议。 3.推荐阶段推荐阶段包括为学生提供个性化的推荐视频列表，以指导他们复习有关他们未掌握或仅部分掌握的概念的视频，从而提高他们的学习成果。自我管理的SPRT结果为学生提供了有关其学习进度的信息。学生学习概况图表使学生能够将他们的在线学习表现与班级平均水平进行比较;提供此图表的目的是促进学生参与在线学习。根据学生的学习进度，采用逻辑回归分类法对学生的学习成果进行预测。实验程序：本研究中考虑的系统编程课程包括每周 1 小时的在线自学和 2 小时的课堂面对面教学，持续 9 周。学习活动：（1）视频观看，（2）主题讨论和测验，（3）自我检查和视频复习。在这项研究中，实验组和对照组之间的唯一区别是课后活动中观看的视频内容。实验组的学生根据他们的视频观看日志和SPRT结果收到了个性化的推荐视频列表。对照组和实验组的学习活动：
研究结果	1.针对问题一：启用人工智能的个性化推荐能否提高学生在翻转课堂上的学习动机？结果表明，所提出的基于AI的个性化推荐系统并未显著提高学生的积极性，但促使动机提高的学生比例增加，特别是在动机水平适中的学生中。 2.针对问题二：启用人工智能的个性化推荐能否改善学生在翻转课堂上的学习结果？提出的人工智能个性化建议对改善中等动机水平学生的学习成果产生了显著的积极影响;对于动机水平高或低的学生，没有观察到这种效应。 3.针对问题三：启用人工智能的个性化推荐能否提高学生在翻转课堂上的学习参与度？研究结果表明，支持AI的个性化推荐可以提高学生在翻转课堂环境中的学习参与度。在实验组的学生收到几周（第8周）的视频推荐后，他们的在线学习参与度有所提高。此外，他们改进的在线学习参与度（基于提取的特征）与他们的学习表现有关。 4.针对问题四：人工智能个性化推荐如何改善学生在翻转课堂上的学习结果？结果表明，基于AI的个性化推荐系统只能有效地促进中等动机的学生的在线学习参与。这些建议帮助了中等学习动机的学生（即那些在GM小组）审查学习内容;这些学生更频繁地观看视频，花更多的时间观看视频，观看更多的视频，观看更多的视频，以弥补错过的学习机会。因此，可以通过增加学习动机中等的学生的在线学习参与度来改善他们的学习成果。
启示	本文所提出的系统可以提高学生的学习动机中等动机水平的学生的进步明显高于动机水平高和低的学生，这种差异可归因于积极性高的学生已经掌握了相关概念，因此，他们很少遵循基于人工智能的系统的建议，学习动机高的学生的学习成果改进范围很小。此外，动机低的学生由于不愿意使用学习管理系统，因此没有明显受益于本系统。关于学习参与度和学习成果，因为这两个指标与学习动机高度相关，结果表明，学习参与度和学习成果随着动机的增加而增加。因此，个性化视频推荐系统对于学习动机中等水平的个人来说是一种有用的学习工具。

题目：人工智能对学习者个性化学习和成果的影响

大纲

引言

研究背景和意义
研究目的和问题陈述
研究方法

个性化学习与人工智能的关系

个性化学习的概念和特点
人工智能在教育领域的应用
个性化学习与人工智能的相互作用机制

人工智能在个性化学习中的角色

基于数据分析的个性化学习模型
自适应学习路径与资源推荐
智能化评估与反馈机制

人工智能对学习者个性化学习的影响

提供定制化学习体验
增强学习者参与度和动机
促进学习者认知水平提升

人工智能对学习者学习成果的影响

提高学习效果和成绩
发掘学习者潜能
增强学习者终身学习能力

人工智能对学习者个性化学习和成果的挑战和解决

隐私和数据安全问题
人工智能算法的透明度和公正性
教育者和学习者的态度与应对策略

结论
未来展望和研究建议

人工智能技术的发展趋势
推进个性化学习和成果评估的创新模式

week3阅读

文献阅读记录
题目	Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publicationsfrom 2007 to 2017（技术增强的适应性/个性化学习的趋势和发展：2007年至2017年期刊出版物的系统回顾）
作者	Haoran Xie, Hui-Chun Chu, Gwo-Jen Hwang, Chun-Chieh Wang
期刊	Computers & Education
发表时间	2019.10
摘要	在这项研究中，通过回顾近十年（即2007年至2017年）的相关期刊文章，研究了技术增强自适应/个性化学习的趋势和发展。具体来说，我们调查了许多研究问题，例如自适应/个性化学习的参数、学习支持、学习成果、科目、参与者、硬件等。此外，本研究表明，个性化/自适应学习一直是该领域一个有吸引力的话题，个性化数据源，例如学生的偏好、学习成果、个人资料和学习日志已成为支持个性化/自适应学习的主要参数。此外，我们发现大多数关于个性化/自适应学习的研究仍然只支持传统的计算机或设备，而只有少数研究是在可穿戴设备、智能手机和平板电脑上进行的。换句话说，随着人工智能、虚拟现实、云计算和可穿戴计算的快速发展，个性化/自适应学习在上述智能设备上具有大量的潜在应用。通过对个性化/适应性学习各个维度的趋势和发展的深入分析，本文讨论了未来的研究方向、问题和挑战。
关键词	适应性/个性化学习；学科领域的应用；教学问题；教学策略
研究内容	回顾属于“个性化学习”和“自适应学习”范围的期刊文章，对技术支持的自适应/个性化学习研究进行系统而全面地总结，从而促进理解“如何利用ICT来实施和支持适应性/个性化学习和“提供适应性/个性化学习的适当环境是什么”，通过研究不同类别的数据分布和趋势，本综述研究可以帮助研究人员预测自适应/个性化学习的未来发展和趋势，包括潜在的新技术、实现、学习成果和学习模式
研究目的	本研究的目的是建立现有适应性/个性化研究与未来趋势之间的联系。本研究的研究问题如下： 1.从2007年到2017年，实施自适应/个性化学习的参数是什么？ 2.从2007年到2017年，自适应/个性化学习提供哪些学习支持？ 3.从2007年到2017年，适应性/个性化学习将取得哪些学习成果？每类学习成果的分布情况和数量如何？ 4.从2007年到2017年，适应性/个性化学习的主体和参与者是什么？ 5.从2007年到2017年，用于自适应/个性化学习的学习设备是什么？
研究方法	1.数据收集与处理 Web of Science数据库被选为本研究的数据源，设置该数据库的查询结果，搜索结果仅限于SSCI索引期刊文章，出版期被设定为十年（即从2007年到2017年），以确保有足够的数据来观察研究趋势，并且根据其他综述研究的建议，将出版物类型设置为“文章”，查询结果中共有 161 篇文章。为了确保这些文章真正与自适应/个性化学习相关，使用以下纳入标准仔细阅读和分析了它们。每篇文章都必须与技术支持的自适应/个性化学习相关。具体而言，每篇文章都必须与使用电子学习系统支持自适应/个性化功能有关，例如自适应/个性化界面、用于实施具体自适应/个性化教学活动的自适应/个性化学习路径。通过采用这一标准，过滤掉了74篇不相关的文章，剩下87篇与自适应/个性化学习相关的文章。仔细检查了 87 篇文章以删除重复的文章，导致另外 17 篇文章被删除。其余70篇文章构成了最终的分析数据集。数据收集和处理的总体过程： 2.编码为了调查和分析自适应/个性化学习的趋势和发展，本研究的编码方案分为五个主要类别，分别是学习者代码（据其受教育程度进行分类，包括小学生、初中生和高中生、高等教育学生、教师、在职成年人、其他的和没有。）、学习内容代码（包括各种学科）、学习支持/硬件的代码（学习支持的代码包括个性化界面、个性化学习内容、个性化学习路径、个性化诊断和建议、个性化推荐、个性化提示/反馈、个性化专业学习指导、低阶个性化界面等个性化功能。）、学习成果代码（学习成果的代码包括七类，包括情感、认知、技能、行为、相关性、其他和无实验结果。）、自适应/个性化参数的代码（自适应/个性化参数的代码是面向用户的，主要与自适应/个性化学习过程中学习者的感知或体验等参数相关。具体来说，它们包括学习材料的难度级别、学习材料的顺序、学生的学习成绩、偏好、学习风格、认知风格、学习感知和概况，以及作品集或日志和平台/技术支持。）。 3.理论框架基于建构主义的广泛定义的理论框架。建构主义教学的三个关键原则：准备，螺旋组织和生成。这三个原则被外化为三个主要方面：（1）学习支持;（2）系统参数;以及（3）学习成果，通过与关于技术增强学习的研究中介绍的三个基本要素（即学习者，环境和技术）进行互动。“学习支持”是一个面向系统的方面，旨在涵盖如何在他们的电子学习系统中实施个性化/适应性学习的问题。例如，个性化学习内容或个性化学习路径是实现这一目标的常用方法. 基于建构主义的编码方案的理论框架：
研究结果	1.学习者分布 2.学习成果的分布 3.系统支持/硬件的分布 4.学习成果的分布 5.自适应/个性化学习的参数分布
结论	本研究通过回顾近十年来的研究，讨论了技术增强的适应性/个性化学习领域的趋势和问题。更重要的是，它揭示了随着人工智能、虚拟现实、云计算、可穿戴等领域信息技术的发展，将出现可穿戴式个人学习技术、协作式、沉浸式个性化学习等一系列潜在应用。本研究主要采用定量方法来分析技术增强的适应性/个性化学习的趋势和发展，如果能够使用批判性方法进行后续回顾研究，将更有利于该领域的研究人员。
启示	通过阅读本文献，我了解到技术增强的适应性/个性化学习的趋势和发展，其中一个与学习内容相关的研究问题趋势是通过采用深度神经网络来建立知识图谱，从而自动提取这些学科的知识结构，以便研究人员可以理解这些学科中领域知识的结构，然后组织自适应/个性化系统的学习内容，对于硬件方面，具有个性化数据的可穿戴学习技术的普及将成为自适应/个性化学习的新趋势。

week4阅读

文献阅读
题目	A personalized recommendation-based mobile learning approach to improving the reading performance of EFL students（基于个性化推荐的移动学习方法提高英语学生的阅读成绩）
作者	Ching-Kun Hsu, Gwo-Jen Hwang ,Chih-Kai Chang
期刊	Computers & Education
发表时间	2013
摘要	该文提出一种基于个性化推荐的移动语言学习方法。基于该方法开发了移动学习系统，提供阅读材料推荐机制，引导EFL（英语作为外语）学生阅读符合其喜好和知识水平的文章，以及阅读注释模块，使学生能够以个人或共享注释模式记录阅读内容的英语词汇翻译。为了评估所提方法的有效性，在高中英语课程中进行了一项实验，将三个班级的学生分配到两个实验组和一个对照组。一个实验组使用具有个人注释功能的推荐系统学习，另一个实验组使用具有共享注释功能的推荐系统学习，而对照组的学生使用具有个人注释功能学习，但没有推荐系统。实验结果表明，两个实验组的表现均优于对照组，但两个实验组在学习成绩方面没有差异。
关键词	教学/学习策略，互动学习环境，学科领域的应用，中等教育
研究内容	本研究提出了一种移动自适应语言学习（MALL）系统，该系统包括阅读材料推荐模块、即时翻译注释模块和共享注释模块。当学生使用移动技术时，本研究中的系统可以提供差异化的阅读材料，学生能够在阅读自适应材料中个性化他们的学习体验，并有机会从自己的经验或阅读时分享的伙伴。为了评估所开发系统的有效性，进行了实验，比较了使用不同学习方法的三组学生的学习成绩、认知负荷和技术接受程度。对照组学生采用常规移动语言学习方法学习;也就是说，他们阅读具有翻译注释功能的教科书中提供的标准文章。实验组一的学生在个人注释模式下学习MALL，而实验组二的学生在共享注释模式下学习MALL。
研究目的	本研究旨在考察个性化阅读材料和移动辅助翻译注释在提高学生学习成绩方面的有效性。
研究问题	1.学习活动后三组学生的学习成绩是否存在显着差异？ 2.三种不同的治疗方法是否会给学生带来不同的认知负荷？ 3.学生对学习方法的满意度、有用性和易用性有何看法？
研究方法	1.文献综述（1）计算机化注释一些学者指出，在阅读时标记分数或做笔记的学生往往比那些在阅读时根本不进行任何其他活动的学生表现得更好。报告说，使用计算机做笔记的学生比使用笔和纸的学生更有可能达到预期的学习成果。因此，本研究采用翻译注释模式，模拟传统方式阅读书籍时使用的注释过程。它不需要专门的设备，如数字笔或指针，用于将鼠标悬停在目标单词上以显示翻译。（2）个性化推荐研究人员表明，这种技术增强的学习环境可以对学生的学习成果做出积极的贡献。与此同时，一些带有推荐机制的英语学习系统也被开发出来。例如，Hsu（2008）开发了一种在线个性化英语学习推荐系统，该系统根据英语作为第二语言（ESL）学生的偏好（阅读行为）分析为他们提供阅读课程，而Chen和Hsu（2008）开发了个性化英语学习推荐系统。智能移动学习系统（PIMS），可以根据学生的阅读能力向个别学生推荐英语新闻文章。大多数自适应语言学习系统主要通过推荐材料为学生提供建议。在本研究中，通过向学生提供材料推荐和阅读注释设施，开发了移动自适应语言学习系统，以进一步提高他们的学习成果。 2.系统开发移动自适应语言学习系统MALL包括阅读材料推荐功能和阅读注释功能，以帮助EFL学生提高阅读理解能力。系统框架：（1）阅读材料推荐功能阅读材料推荐功能是基于一种众所周知的知识获取方法开发的，即剧目网格，该方法已被研究人员广泛用于表示领域知识以区分一组选定的目标。本研究中，阅读材料库中共有95篇教师推荐的文章；也就是说，剧目网格中有九十五个元素。另一个剧目网格用于根据从调查问卷中收集的数据来描述学生的阅读偏好，该问卷调查了他们阅读与十三个主题相关的文章的偏好。偏好程度从1到5不等，其中“5”代表“非常优先”，而“1”代表“不太喜欢”。此外，学生被要求参加GEPT阅读理解预测试，以评估他们的阅读能力。如果学生达到一定的熟练程度（例如，初级水平），则分配给他们下一个熟练程度（即中级水平）的阅读文章。为了向个别学生推荐最适合的文章，根据学生的熟练程度制定了个性化推荐机制。以下相似度公式考虑了文章的主题和学生的偏好。 eg.如果学生通过了中级阅读理解测试，但未能通过中高级测试，则分配给他们的阅读文章是从28篇中高级文章中选出的。此外，基于相似度公式计算了每篇中高级文章对个别学生的适用性。然后，阅读推荐机制为学生提供最适合他们熟练程度和偏好的文章。（2）阅读标注功能阅读标注功能提供两种标注模式，即词汇标注模式和共享标注模式 3.实验法为了评估创新方法的有效性，我们在高中英语课程中进行实验，以比较不同支持环境下参与学习活动的学生的学习成绩和态度。（1）参与者台湾某高中三个班共108名英语学生参与了实验。参与者平均年龄十八岁。首先，他们在英语课程的学习进度相同，学习内容相同。其次，它们是由同一位老师教的。第三，所有学生都学习了六年的英语，这意味着他们对实验的学习内容有先验知识。一个班是实验一组，一个班是实验二组，另一个班是对照组，属于准实验设计。在学习过程中，实验一组（包括33名学生）采用移动学习方式，结合个人注释和阅读材料推荐机制进行学习。实验二组，也包括33名学生，通过移动学习方法学习，共享注释和阅读材料推荐机制。对照组有42名学生，采用具有个人注释功能的移动学习方法学习，但没有阅读材料推荐机制。（2）测量工具在这项研究中，使用预测试，测试后测试以及技术接受模型（TAM）和认知负荷问卷来评估学生的学习表现以及他们对所提出的方法的学习感知。（3）实验程序实验流程图：在学习活动之前，所有学生都接受了同一位老师根据英语教科书进行的为期18周的指导。在学习活动开始时，给出了学习任务的方向;此外，学生们还参加了预测试和个人偏好问卷。换句话说，进行了预测试和问卷调查，以评估学生的英语阅读能力和偏好。随后，进行了为期四周的学习活动。每周，三组学生计划使用移动设备学习一段时间（即50分钟）;也就是说，三组使用学习系统花费的时间相同。实验一组学生在学习过程中，以词汇标注模式，以学习系统推荐的文章进行单独学习。实验二组学生以共享注释模式学习学习系统推荐的文章。也就是说，两个实验组的学生根据自己的喜好和阅读能力水平阅读推荐的文章，但实验第二组的学生被允许阅读同龄人所做的注释。另一方面，对照组学生以词汇注释模式学习教材中提供的标准文章。学习活动结束后，学生参加后期测试，完成技术验收模型问卷和认知负荷测量;此外，还进行了一次访谈，以进一步调查学生的看法。
研究结果	1.学习成绩分析对照组预测试分数的平均值和标准差分别为39.38和8.84，实验组一为39.76和9.43，实验组二为40.79和11.83。学习活动结束后，使用协方差分析（ANCOVA）测试三组之间的差异，使用测试前分数作为协变量，测试后分数作为因变量。对照组调整后的测试后评分平均值为58.27，实验组一为70.96，实验组为69.01。结果（F = 5.33，p < . 05），三组间差异有统计学意义;也就是说，使用移动翻译注释辅助的个性化阅读材料学习的学生比使用不一定符合其学习偏好或阅读能力的阅读材料学习的学生表现出显着更好的学习成绩。 2.认知负荷分析问卷调查结果的均值和标准差分别为：对照组为3.49和0.98，实验组一为2.64和1.03，实验二组为2.48和1.02。方差分析结果显示两个实验组之间没有显着差异 (p > .05)，表明两组学生在学习活动中的认知负荷相似。也就是说，经过个性化处理后，个人阅读和协作阅读之间没有显着差异。两个实验组学生在学习活动后的心理负荷和脑力努力明显低于对照组。由于两个实验组的调整均值显着低于对照组，因此得出结论，个人或共享翻译注释辅助的个性化移动学习方法对减少学生在学习活动期间的认知负荷有显着影响。 3.技术接受模型分析满意度方差分析结果（F=3.79，p < .05），对照组、实验组一和实验二的“感知满意度”平均评分分别为 5.15、5.7、5.29。对照组与实验一组的满意度存在显着差异。对照组、实验一、二组的“感知有用性”平均评分分别为 5.45、5.72 和 5.50；此外，他们对“感知易用性”的平均评分为5.37、5.55和5.44。与对照组的评分相比，值得注意的是，实验一组的学生对“感知满意度”的评分较高，这意味着那些单独阅读符合其阅读偏好和熟练程度的个性化阅读材料的学生表现出与那些使用不一定符合他们的阅读偏好或熟练程度的阅读材料学习的人相比，他们的满意度更高。三种方式的满意度，有用性和易用性的结果。图中表示，实验组一、实验组二的大多数学生认为，将个性化阅读材料推荐方法与移动设备上的词汇翻译注释相结合，对提高学习成绩的有用性。从学生考试成绩的分析结果来看，个性化阅读材料推荐方法确实有助于学生提高学习成绩。
结论	1.实验结果表明，与阅读非自适应文章的学生相比，两个实验组中使用自适应文章（即学习系统根据他们的喜好和阅读水平推荐的文章）学习的学生的阅读理解能力均显着提高，表明个性化推荐机制有助于激发学生的学习动机，提高阅读效果。自适应移动语言学习方式不仅在随时学习方面给学生带来了优势，而且在学习效率和效果方面也让他们受益匪浅。 2.问卷调查结果显示，实验一组的学生对移动语言学习系统的使用感到满意的比例最高（88.6%），90%的学生认为其有用，而实验二组有84%的学生认为该系统有用。研究发现，与对照组学生相比，两个实验组的参与者在使用具有阅读材料推荐机制的个性化移动语言学习系统进行学习时表现出显着更低的认知负荷和更好的学习态度。这些发现表明，个性化阅读材料推荐机制能够降低学生在移动学习过程中的认知负荷并促进学生的学习态度。 3.另一方面，两个实验组的学习成绩没有发现显着差异，这意味着与本研究中的单独词汇标注相比，共享标注机制并没有对学生的学习表现产生显着不同的影响。从问卷调查中可以看出，实验一组学生的满意度高于实验二组学生。在对实验二组学生的采访中，两名成绩优异的学生表示，他们更喜欢自己做标注。总结：个性化推荐机制能够有效提高学习者学习动机，提高阅读效果和学习效果，能够降低认知负荷促进学习者学习态度。学习者更倾向于个人标注。

修改题目：人工智能个性化推荐对学习者学习成果的影响

英文题目：Effects of artificial Intelligence–Enabled personalized recommendations on learners’ learning outcomes：A Literature review

检索关键词："personalized recommendations" or "recommender systems" or "algorithms for personalized recommendations" and "learning outcomes" or " effects of learning outcomes"

论文大纲：

引言 Introduction

研究背景 Background
研究目的和意义 Purpose and significance
研究方法 Methods

个性化推荐的基本原理 Fundamentals of personalized recommendation

定义和特点 Definition and Characteristics
发展历程 Development history
应用领域 Application Fields

个性化推荐的算法和技术 Algorithms and technologies of personalized recommendation

基于内容的推荐 Content-based recommendation
协同过滤推荐 Collaborative filtering recommendation
混合推荐方法 Hybrid recommendation method

个性化推荐对学习者学习成果的影响 Impact of personalized recommendation on learners' learning outcomes

学习动机和兴趣的激发 Learning motivation and interest stimulation
学习效果和成绩的提升 Improvement of learning effect and performance
自主学习和学习满意度的增强 Enhancement of independent learning and learning satisfaction

个性化推荐系统的挑战和未来发展 Challenges and future development of personalized recommendation system

数据隐私和安全性 Data privacy and security
推荐算法的优化 Optimization of recommendation algorithm
个性化推荐和教学设计相结合 Combination of personalized recommendation and instructional design

结论 Conclusion

week5阅读

阅读笔记
题目	the impact of ai-driven personalization on learners' performance（人工智能驱动的个性化对学习者表现的影响）
作者	amit das, sanjeev malaviya , manpreet singh
期刊	international journal of computer sciences and engineering
发表时间	2023.8
摘要	本研究探讨了人工智能驱动的个性化对学习者表现的影响。通过定量和定性分析，研究表明基于人工智能的个性化自适应学习与提高学业成绩、参与度和满意度之间存在正相关关系。研究结果强调了人工智能驱动的个性化在提高学习者表现和改变教育实践方面的潜力。
关键词	学习者表现、教育技术、人工智能、学习成果、学习分析、参与度、个性化学习
研究目的	本研究论文的目的是调查人工智能驱动的个性化对学习者表现的影响。我们试图探索人工智能驱动的自适应学习平台的实施如何影响学习者的学业成绩、参与水平和整体满意度。通过将绩效数据的定量分析与学习者体验的定性评估相结合的混合方法，本研究旨在为人工智能驱动的个性化学习在教育领域的有效性和影响提供有价值的见解。
研究问题	传统的一刀切学习方法相比，人工智能驱动的个性化在多大程度上影响学习者的学业成绩？人工智能驱动的个性化如何影响学习者在学习过程中的参与度，以及这种参与度与改进的绩效结果有何关系？学习者对人工智能驱动的个性化学习干预的看法和体验是什么？这些体验如何影响他们的整体满意度和学习动机？在教育中使用人工智能驱动的个性化有哪些潜在的伦理考虑和挑战，这些因素如何影响学习者的表现和福祉？基于不同的人口特征（例如年龄、性别、社会经济地位或之前的学业成绩），人工智能驱动的个性化对学习者表现的影响是否存在差异？
研究方法	本研究将采用混合方法研究设计，结合定量和定性方法。定量分析描述性统计：使用描述性统计方法对学习者的表现和参与程度进行总结，提供一个概览。比较分析：使用t检验或方差分析等方法比较实验组和对照组之间的绩效差异，以确定是否存在显著差异。相关分析：通过相关分析来研究个性化学习参与度与学术表现之间的关系。定性分析主题分析：使用主题分析方法来识别调查和访谈中获得的定性数据中的共同主题和模式。定量和定性结果的整合：将定量和定性数据整合起来，提供对ai驱动个性化教育对学习者表现影响的全面理解。实验实验过程：在人工智能驱动的个性化对学习者表现影响的研究中，实验组是根据个人需求接受个性化学习干预的学习者群体。对照组是没有接受个性化干预的学习者群体。实验组通常会在开始个性化学习干预之前进行预测试，以评估他们的知识和技能。然后，他们会接受个性化干预，其中可能包括自适应学习模块、人工智能辅导员或其他个性化学习工具。在他们完成个性化学习干预后，他们将接受后测以评估他们的知识和技能。对照组通常接受与实验组相同的前测和后测，但他们没有接受任何个性化的学习干预。这使得研究人员能够将实验组的表现与对照组的表现进行比较，以了解个性化学习干预措施是否对学习者的表现产生积极影响。
实验结果	通过比较评估前和评估后的分数，研究人员可以确定干预后参与者的表现是否发生了重大变化。与预评估分数相比，后评估分数的积极变化或提高表明干预对参与者的学习或表现有潜在的积极影响。
结论	人工智能驱动的个性化教育有望改变学习体验并优化学生的学习成果。通过利用人工智能技术定制教学，自适应学习平台可以创造更有效、更具吸引力和包容性的学习环境。解决道德问题和投资于教师培训对于充分发挥人工智能驱动的个性化学习在教育领域的潜力至关重要。人工智能驱动的个性化对学习者表现的影响代表了教育领域的变革。随着技术不断进步，人工智能融入学习环境有可能彻底改变个人获取和应用知识的方式。这种演变不仅限于技术创新；它还对教育方法和教学法、学习者参与以及整体教育格局具有深远的影响。人工智能驱动的个性化利用复杂的算法，根据个人学习者的需求、偏好和能力来扩展学习体验。这种程度的定制使学习者能够参与与他们产生共鸣的内容，促进积极参与，并培养对主题的更深入的理解。通过分析学习者的互动和进度，人工智能系统可以提供实时反馈、调整内容交付并建议个性化学习路径，从而创建一个自适应且以学习者为中心的教育环境。通过人工智能支持的学习平台，学习者不仅可以提高熟练程度，还可以在学习过程中培养主人翁意识。当学习者感觉与他们的教育实践有更多的联系和投入时，这种动力就会增加。此外，人工智能的整合通过迎合多样化的学习方式和能力，减少了传统的一刀切的方法，从而促进了教育的包容性和公平性。

修改2：人工智能个性化推荐对学习者学习的影响

英文表述：Effects of artificial Intelligence–Enabled personalized recommendations on learners’ learning ：A Literature review

大纲修改：

week6阅读

阅读笔记
题目	review of ontology-based recommender systems in e-learning（电子学习中基于本体的推荐系统综述）
作者	gina george, anisha m. lal
期刊	computers & education
发表时间	2019
摘要	近年来，通过大规模开放的在线课程和学习管理系统，在线学习资源大幅增加。在这种背景下，个性化资源推荐已经成为一个更重大的挑战，从而增加了这方面的研究。推荐系统使用本体论、人工智能等技术来提供个性化推荐。本体论是一种对学习者和学习资源等进行建模的方法，有助于检索细节。这反过来又为学习者提供了更相关的材料。本体论具有可重用性、推理能力和支持推理机制的优点，这有助于提供增强的推荐。本文的综合调查概述了在电子学习领域中使用本体实现推荐系统个性化的研究进展。
关键词	human-computer interface、intelligent tutoring systems、computer-mediated communication、cooperative/collaborative learning
研究目的	突出电子学习领域推荐系统的主要研究成果。本研究主要针对互联网上存在的信息过载问题，重点放在那些利用本体论实现个性化的研究论文上。
研究内容	1.主要在2010-2019年期间，电子学习领域推荐系统领域的研究结果。专门涉及本体论主题的期刊论文和关于电子学习本体论主题的期刊论文的分发也以图形方式进行了说明。 2.本文概述了基于本体和基于混合的电子学习推荐系统。 3. 本文还涵盖了讨论基于用户兴趣计算用户相似性的几种技术的文献
研究方法	文献综述不涉及本体的推荐（1）基于矩阵分解的推荐系统基于机器学习的推荐系统基于用户的推荐系统基于标签的推荐系统基于组的推荐系统基于本体的推荐在本节中，可以总结出本体用于建模目的。对本体进行推理有助于得出某些在推荐过程中有用的推论。此外，还观察到，使用本体作为推荐系统框架的一部分有助于解决推荐系统中传统存在的许多问题。混合推荐混合推荐系统考虑了集成技术的优势，以生成有效的推荐。本节旨在概述在设计混合推荐系统时可以采用的可能方法。
局限	这篇综述论文主要局限于基于本体的推荐系统。许多技术需要深入研究。
结论	传统的推荐系统存在许多问题。基于本体的推荐系统有助于解决其中的大多数问题。从长远来看，使用基于本体的推荐系统的实际意义是向学习者提供个性化推荐。根据学习者的兴趣、目标和学习风格，向学习者建议的建议变得更加准确。因此，学习者有动力完成他开始的事情。由于有许多技术可用于生成有关电子学习的建议，本文回顾的论文在框架中使用本体时显示出更有希望的结果。与推荐系统的基本模型不同，基于本体的推荐系统允许考虑学习者和学习对象的更多细节。与任何技术一样，本体论也有其优点和缺点。本体设计需要知识工程，而且非常耗时。然而，当应用本体时，个性化被认为在更大程度上实现。本体有助于克服传统推荐系统中的局限性。混合系统通过组合多种技术来帮助抵消一种技术的局限性。虽然杂交有一定的局限性，但大多数研究都使用输入源或算法进行杂交。使用其他策略和本体来创建混合推荐系统显示出更好的性能。

7阅读

阅读笔记
题目	基于个性化推荐技术的智能学习系统
引用	Li, H., Li, H., Zhang, S. et al. Intelligent learning system based on personalized recommendation technology. Neural Comput & Applic 31, 4455–4462 (2019). https://doi.org/10.1007/s00521-018-3510-5
摘要	随着网络的不断发展，基于网络的电子学习正在改变人们获取知识的方式。越来越多的学习者渴望通过个性化和智能化的方式获得更多的知识。本文在内容推荐和协同过滤推荐算法的基础上，提出了一种混合推荐算法，可以提高传统推荐算法的效率。本研究介绍了用户兴趣模型和教学资源模型的全过程，并设计和实现了个性化的网络教学资源系统原型。最后，与传统的推荐算法相比，改进的混合推荐算法在个性化智能教育资源推荐系统中具有更大的优势。
研究内容	1.目前，用户很难利用无数的教学资源满足自己的特殊需求。针对这一问题，网络教学资源系统引入了个性化推荐功能，为不同背景和兴趣的学习者提供个性化服务。 2.如果不确定用户兴趣，个性化推荐[3]是不可能的。将显式和隐式用户跟踪相结合，提出了一种用户兴趣模型。首先，从用户的注册数据中收集用户的背景。其次，通过从用户的系统行为中提取用户的兴趣来建立用户的兴趣模型。最后，模型会随着用户行为的变化而更新。 3.介绍了相关的个性化推荐技术。考虑到传统教学资源和基于网络的教学资源系统的特点，提出了一种将基于内容和基于协同过滤的推荐方法相结合的新算法，为用户推荐资源。实现了一个支持网络教学资源定制的智能教育平台。验证了该算法的可行性和有效性。过程：（Li, H，2019）等人对常用的基于内容和协同过滤的推荐算法进行了总结，并提出了一种混合推荐算法的教学资源推荐系统，首先收集了用户信息并建立模型，随后对各种算法进行对比，得出基于项目的协同过滤（CF）方法更适合所提出的系统，CF推荐方法可以分为三类：基于用户的、基于项目的和基于模型的。为了解决基于项目的CF方法的稀疏性问题，研究人员将其与基于内容的推荐相结合，即首先通过基于内容的推荐来计算用户对未评估资源的兴趣水平。计算结果定义为用户对未评估资源的预测评估得分，构成用户-资源评估矩阵。之后，使用评估矩阵来计算基于项目的相似性，生成推荐。接着，研究人员对系统进行评估，得出所提算法的准确率高于传统的协同过滤算法，验证了算法的有效性。将该系统用于教学资源推荐，得出的结论为这种基于内容和协同过滤算法的混合推荐算法仅在冷启动方面有所改进，新项目问题仍未解决，该系统只能通过最新教学资源推荐给用户，个性化程度较低，后续工作需要进一步研究。
结论	随着互联网和科学技术的飞速发展，越来越多的人通过网络获取知识和技能。“信息过载”已成为制约在线学习发展的重要因素。本文研究了一种流行的个性化推荐技术，详细介绍了协同过滤的原理、流程和策略。在对推荐技术文献进行广泛研究的基础上，根据教学资源和用户特点，研究了协同过滤推荐技术中存在的问题，并提出了一些解决方案。教学资源个性化推荐服务前景广阔。虽然本文对个性化推荐做了一些研究，但尽管存在时间和条件的限制，但仍有一些问题没有得到解决。主要工作包括：推荐算法仅在冷启动方面有所改进，新项目问题仍未解决。该系统只能通过最新资源推荐给用户，个性化程度较低，后续工作需要进一步研究。