OATutor：一个开源的自适应辅导系统和精心策划的内容库，用于学习科学的研究

文献标题

OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research

文献信息

• 主题领域: 自适应学习系统与教育领域技术研究
• 关键词: 自适应学习，智能辅导系统，开放源代码，开放教育资源，内容创作，设计驱动研究，可复制研究

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 智能辅导系统（ITS）虽然已被证明能够促进学习效果，但现有系统均为闭源且专有，这极大地限制了研究人员对其进行复制实验或扩展设计。
  • 缺乏一个开放的、自适应的辅导平台供研究社区使用，阻碍了开放教育资源（OER）和智能辅导系统结合的可能性。

• 为什么这个问题很重要？

  • 开源自适应辅导系统可为教育研究者节省开发成本，提高内容创作效率。同时，它可以为教育领域推动技术开放、数据分享以及促进可复制研究。

• 研究动机与相关工作

  • 现有教育技术开放运动（如开放教育资源、开放课程、开放数据集及算法）已显著推动教育科学研究的发展。
  • 作者的目标是填补现有开放教育资源与智能辅导系统之间的结合空白，以期通过开源的自适应辅导系统降低研究门槛，促进实验和创新。

解决方案

• 作者提出了哪些方法或解决方案？

  • 提出并开发了开放源代码的自适应辅导系统——OATutor（Open Adaptive Tutor）。
  • OATutor包含一个基于ITS原则的辅导平台，配备了三个开放教育资源（Creative Commons BY 4.0许可证）代数教材问题库，以及提供知识跟踪、A/B测试框架和LTI集成的功能。
  • 创建了面向学习者的创作工具以帮助生成自适应内容，同时邀请社区生成内容。

• 该解决方案的创新之处是什么？

  • 首次开源一个完整的智能辅导系统，涵盖内容管理、技能掌握估算、自适应题目选择与学习管理系统（LMS）集成。
  • 支持基于知识追踪和A/B测试的灵活实验框架，允许用于教育领域研究问题的探索。
  • 内容库的构建采用学习者协作的方式，降低内容创作时间与成本。

• 实施步骤是什么？使用了哪些关键技术？

  • 实施步骤：
    1. 制定内容结构与技能模型架构，支持模块化内容组织。
    2. 设计基于知识追踪的题目选择算法，以实现技能掌握估算。
    3. 创建可扩展的内容创作工具，采用Google Spreadsheet与JSON格式进行创作与转化。
    4. 集成学习管理系统（LMS）并支持用户行为数据记录。
    5. 在社区大学课堂试验中收集反馈，优化系统功能。
  • 关键技术包括：
    • Bayesian Knowledge Tracing（贝叶斯知识追踪）算法
    • React框架用于开发前端界面
    • Firebase数据库支持数据存储
    • 基于Python的pyBKT库用于训练知识追踪模型

研究成果

• 取得了哪些具体成果？

  • 成功构建了一个完整且开源的自适应辅导系统。
  • 在系统初步上线内容中包含三个完整的代数教材，供教育研究者直接使用或扩展。
  • 通过真实课堂试验和多轮迭代优化提高功能，允许教师和研究者运行自己的实验框架。

• 与现有解决方案相比，它有哪些优势？

  • 开源性质降低了开发和实验的技术门槛。
  • 允许研究人员对知识追踪算法和辅导过程进行定制化实验。
  • 内容创作效率明显提高，平均一个问题仅需创作11分钟。

• 实验或评估结果是什么？

  • 系统总共获得了超过70,000次题目提交数据。
  • 在社区大学试验中，150名学生参与使用，反馈表明对于知识拓展用途非常适用。
  • 学习者提供的2000多条反馈显著改善了系统体验。

• 局限性与未来方向

  • 局限性：
    • 系统目前仅支持代数课程，其他学科内容未覆盖。
    • 尚未满足教师对于完全控制学习内容（如自定义问题、编辑问题）的需求。
    • 支持的题目类型有限（如图表问题尚未实现）。
  • 未来方向包括：
    • 扩展至其他学科和领域（如统计学、计算机科学）。
    • 开发更先进的机器生成内容工具以减少人工创作负担。
    • 探索教师对系统内容编辑控制权的灵活设计方法。
    • 评估OATutor与现有辅导系统的A/B测试效果。