8、探索性学习中基于AHP与神经网络的上下文相关反馈优先级机制

探索性学习中基于AHP与神经网络的上下文相关反馈优先级机制

1. 探索性学习与反馈需求

探索性学习具有独特的特点，它包含构建模型、调整参数等复杂任务，并且可以通过不同方式来完成，最终得到同样有效的解决方案。然而，这些解决方案都有一些关键要点，学习者需要关注和掌握。学习者在解决任务时的行为能表明他们可能需要帮助的地方，但有效的帮助应该考虑学习者的个人特征，同时，从上下文环境中提取的相关信息也能提供更合适的反馈。

探索性学习环境（ELEs）给予学习者很大的自由，让他们能够自主探索领域知识，而不是按照结构化的方式进行学习。像SimQuest、Adaptive Coach for Exploration（ACE）、Vectors in Physics and Mathematics等都是这类环境的代表。但完全缺乏指导对学习并没有帮助，因此，如何提供既不限制学习者，又与当前活动相关的反馈是一个挑战。这个问题不仅存在于探索性学习环境中，在教育模拟环境和游戏中也同样存在，关键是要在不打断学习流程的前提下提供反馈。

之前提出的基于层次分析法（AHP）的反馈优先级方法，由于需要大量专家数据来覆盖所有可能的标准组合，只能针对最常见的组合进行开发。当遇到未涵盖的组合时，只能寻找最接近的匹配组合并使用其优先级。为了解决这个问题，本文提出了一种结合AHP和神经网络（NN）的上下文相关个性化反馈优先级机制。

2. 自适应反馈与eXpresser系统

反馈通常是对学习者行为的回应，旨在纠正未来的行为。它包含关于学习者行为结果与目标之间关系的信息，帮助学习者比较自己的表现与预期表现，并在后续尝试中加以利用。

eXpresser是一个用于数学归纳的探