利用人工智能算法评价文科学生的学习成绩
An intelligent testing system development based on the shingle algorithm for assessing humanities students’ academic achievements
作者: Saule Brimzhanova et al.
在人文学科中使用基于计算机的测评有一些关键问题，其中一项就是对开放性问题和回答细节的评价。最近，研究者尝试将惯用于文档查重的算法（shingle algorithm）用于评价人文类学科学术的学业成绩。研究将开发的算法用于120名18-23岁学生的学习评价当中，得到了77%的有效性和可靠性。研究者指出，这种新的算法可以被纳入教学实践当中，用于评估学生的学习成绩，不仅如此，新的算法对文档查重也呈现出更好的性能。
论坛中的机器学习分析方法
Automatic content analysis of asynchronous discussion forum transcripts: A systematic literature review
作者: Mubarik Ahmad et al.
异步论坛是在线学习中一个重要的学习工具，早期的研究方法大多基于内容分析。最近，基于机器学习的自动化方法在论坛内容的分析中逐渐增多。研究者回顾了2016年至2021年间所用关于论坛内容分析的机器学习方法的研究，总结出了一些特征。其中，机器学习分析的目标主要分为八个维度，分别是认知、行为、社会情感、相关性识别、模式识别、主题归纳、内容总结和学习资源；主要运用的框架包括探究社区理论、布鲁姆分类法、言语行为理论等等。研究还指出，当前绝大多数相关研究都是实验性质的，而且基于英语语言集。这些研究报告的精准程度都达到了令人满意的效果，但在通用性和联系学习境脉方面还需要进一步改进。
双层分类算法支持数字孪生校园中的资源智能推荐
Digital twin campus with a novel double-layer collaborative filtering recommendation algorithm framework
作者: Wangyu Tong et al.
在教育领域使用数字孪生技术尽管很早已经被提出，但其应用仍然处于起步阶段。最近，中国研究者开发了一个数字孪生校园（DTC），并提出了一种双层协同过滤算法来为数字孪生校园中的教师和学生智能地推送数据。这种算法的工作模式是基于教师和学生在数字孪生校园中的行为和数据进行模拟和预测，来实现优化推荐。由于使用了双层特性（可简单理解为用户层和资料层），该算法有效地解决了在小规模数据下有效性的问题。研究者认为，以这种算法为基础构建的数字孪生校园能够在一定程度上实现真实校园和数字校园之间教学过程的深度融合。
责任编辑：Diaw Maxwell
15117967419@126.com