Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System

📄 arXiv: 2602.07308v1 📥 PDF

作者: Sutapa Dey Tithi, Nazia Alam, Tahreem Yasir, Yang Shi, Xiaoyi Tian, Min Chi, Tiffany Barnes

分类: cs.AI

发布日期: 2026-02-07

💡 一句话要点

提出自适应脚手架，通过动态选择教学示例提升智能辅导系统中学生的认知参与度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 智能辅导系统 认知参与度 自适应学习 贝叶斯知识追踪 深度强化学习

📋 核心要点

  1. 智能辅导系统难以根据学生认知水平个性化学习活动，从而无法有效提升学生的认知参与度。
  2. 提出一种自适应脚手架方法，通过动态选择引导示例和错误示例，优化学生的认知参与度。
  3. 实验结果表明，BKT和DRL两种自适应策略均能显著提升学生测试表现，且对不同先验知识水平的学生效果不同。

📝 摘要（中文）

ICAP框架定义了四个认知参与度层级：被动、主动、建构和互动，更高的认知参与度可以提升学习效果。然而，在智能辅导系统(ITS)中，如何个性化学习活动以激发最佳认知参与度仍然是一个关键挑战。本文开发并评估了一个系统，该系统通过动态选择两种不同ICAP模式下的示例（主动模式下的引导示例和建构模式下的错误示例）来适应性地支持认知参与。我们比较了贝叶斯知识追踪(BKT)和深度强化学习(DRL)作为自适应方法，并与非自适应基线方法在逻辑ITS中选择示例类型。对113名学生进行的实验表明，两种自适应策略都显著提高了学生在测试问题上的表现。BKT对低先验知识的学生在后测分数上产生了最大的提升，帮助他们赶上了高先验知识的同伴，而DRL在高先验知识的学生中产生了显著更高的后测分数。本文为认知参与和适应性的复杂交互及其对学习结果的影响提供了新的见解。

🔬 方法详解

问题定义：论文旨在解决智能辅导系统（ITS）中如何根据学生的认知水平，自适应地选择合适的教学示例，以最大化学生的认知参与度并提升学习效果的问题。现有方法通常采用固定的教学策略，无法有效满足不同认知水平学生的学习需求，导致认知参与度不足或过高，影响学习效率。

核心思路：论文的核心思路是利用自适应脚手架，根据学生的学习状态动态选择不同类型的教学示例。具体而言，论文探索了两种ICAP模式下的示例：主动模式下的引导示例和建构模式下的错误示例。通过智能算法，系统能够判断学生当前的学习状态，并选择最能激发其认知参与度的示例类型。

技术框架：该系统包含以下主要模块：1) 学生知识状态评估模块：使用贝叶斯知识追踪（BKT）或深度强化学习（DRL）来追踪学生的知识掌握程度。2) 示例选择模块：根据学生当前的知识状态，选择引导示例或错误示例。3) 学习内容呈现模块：将选择的示例呈现给学生，并收集学生的反馈。4) 策略更新模块：根据学生的反馈，更新BKT或DRL模型的参数，以优化示例选择策略。

关键创新：该论文的关键创新在于将认知参与度理论（ICAP框架）与自适应学习技术（BKT和DRL）相结合，提出了一种自适应脚手架方法。该方法能够根据学生的认知水平动态调整教学策略，从而更有效地提升学生的认知参与度和学习效果。与传统的固定教学策略相比，该方法具有更高的灵活性和个性化程度。

关键设计：论文中，BKT模型用于估计学生对每个知识点的掌握概率，并根据该概率选择合适的示例类型。DRL模型则通过与学生的交互学习，优化示例选择策略。具体而言，DRL模型将学生的状态作为输入，输出选择引导示例或错误示例的概率。模型的奖励函数设计为学生在测试问题上的表现，目标是最大化学生的长期学习收益。论文还详细描述了实验设置，包括学生群体、学习内容、评估指标等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BKT和DRL两种自适应策略均能显著提升学生在测试问题上的表现。对于低先验知识的学生，BKT策略在后测分数上提升最为显著，帮助他们赶上高先验知识的同伴。而对于高先验知识的学生，DRL策略则能取得更高的后测分数。与非自适应基线方法相比，自适应策略在提升学生学习效果方面具有明显优势。

🎯 应用场景

该研究成果可应用于各类智能辅导系统，尤其是在线教育平台和自适应学习软件中。通过个性化推荐学习内容和练习，提升学生的学习效率和参与度。该方法还可扩展到其他认知任务，如问题解决、决策制定等，具有广泛的应用前景。

📄 摘要（原文）

The ICAP framework defines four cognitive engagement levels: Passive, Active, Constructive, and Interactive, where increased cognitive engagement can yield improved learning. However, personalizing learning activities that elicit the optimal level of cognitive engagement remains a key challenge in intelligent tutoring systems (ITS). In this work, we develop and evaluate a system that adaptively scaffolds cognitive engagement by dynamically selecting worked examples in two different ICAP modes: (active) Guided examples and (constructive) Buggy examples. We compare Bayesian Knowledge Tracing (BKT) and Deep Reinforcement Learning (DRL) as adaptive methods against a non-adaptive baseline method for selecting example type in a logic ITS. Our experiment with 113 students demonstrates that both adaptive policies significantly improved student performance on test problems. BKT yielded the largest improvement in posttest scores for low prior knowledge students, helping them catch up with their high prior knowledge peers, whereas DRL yielded significantly higher posttest scores among high prior knowledge students. This paper contributes new insights into the complex interactions of cognitive engagement and adaptivity and their results on learning outcomes.