MARC

 008250123s2024        us                              c    eng  d
■001000017164421
■00520250211153000
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346376712
■035    ▼a(MiAaPQ)AAI31631275
■035    ▼a(MiAaPQ)PennState19526sqg5699
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005
■1001  ▼aGautam,  Sanjana.
■24510▼aThe  Learning  Code  :  Designing  AI-Driven  Adaptive  Learning  Systems  for  Social  Learning
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a145  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Rosson,  Mary  Beth.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2024.
■520    ▼aAdaptive  learning  systems  aim  to  emulate  how  skilled  educators  provide  every  student  with  the  best  possible  learning  experience.  We  investigate  how  these  systems  might  be  enriched  by  incorporating  activities  and  indicators  of  social  learning,  which  focus  on  the  influences  of  learners'  social  context  and  interactions.  This  doctoral  research  aims  to  explore  and  evaluate  application  of  social  learning  theory  within  the  context  of  an  adaptive  learning  system  such  that  the  burden  of  initiation  of  social  engagement  falls  on  the  system  rather  than  the  student.  More  generally,  our  work  illustrates  how  learning  theories  can  contribute  to  designing  adaptive  learning  systems.  This  document  describes  three  studies  and  a  prototype  that  was  completed  as  a  part  of  achieving  the  goal  described  above.  We  begin  with  a  pilot  study  exploring  the  inclusion  of  social  learning  in  an  adaptive  system.  Our  analysis  of  the  social  learning  scale  demonstrates  its  validity  and  usefulness  for  ongoing  work,  while  our  qualitative  analysis  reveals  how  social  learning  varies  among  students.  We  discuss  integrating  rating  scale  results  and  observations  of  social  learning  into  a  student  model  to  drive  an  adaptive  system.  With  rapid  advancements  in  learning  technology,  the  field  of  technology-supported  learning  has  been  exploring  optimal  ways  to  support  learning.  Social  learning  theories  propose  that  people  learn  through  social  interactions,  making  the  initiation  and  support  of  collaboration  in  remote  learning  critical.  We  employed  wizard  of  oz  methods  to  mimic  an  adaptive  learning  platform  that  prompts  students'  collaboration  efforts  based  on  their  social  learning  dispositions.  Using  self-report  rating  scale  data,  reflections  on  collaboration  promptsand  interviews,  we  demonstrate  that  students'  social  learning  dispositions  can  customize  experiences  during  collaborative  activities,  enhancing  engagement  and  performance  in  the  classroom.  Our  findings  highlight  technology's  role  in  supporting  social  learning,  including  design  principles  for  adaptive  systems  centered  on  social  learning  dispositions.  This  work  also  explores  the  application  of  generative  artificial  intelligence  (AI)  in  designing  intervention  prompts  within  adaptive  learning  systems.  Adaptive  learning,  tailored  to  individual  student  needs,  marks  a  significant  departure  from  traditional  one-size-fits-all  approaches.  By  leveraging  generative  AI,  this  research  aims  to  automate  personalized  learning  interventions  to  enhance  student  engagement  and  understanding.  We  detail  the  development  of  AI-driven  prompts,  including  the  algorithms  and  data  inputs  used  to  tailor  interventions  for  different  learning  styles  and  competencies.  Additionally,  we  address  the  ethical  challenges  of  deploying  generative  AI  in  educational  settings,  examining  concerns  related  to  data  privacy,  bias,  and  the  potential  reinforcement  of  existing  educational  inequalities.  Emphasizing  transparency,  fairness,  and  inclusiveness,  the  proposed  ethical  framework  aims  to  guide  the  responsible  use  of  AI  technologies  in  education.
■590    ▼aSchool  code:  0176.
■650  4▼aUser  interface
■650  4▼aPeers
■650  4▼aDecision  making
■650  4▼aLearning  activities
■650  4▼aSelf-efficacy
■650  4▼aMetacognition
■650  4▼aEducation
■650  4▼aAdaptive  learning
■650  4▼aInformation  science
■650  4▼aCognitive  psychology
■690    ▼a0723
■690    ▼a0515
■690    ▼a0800
■690    ▼a0633
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164421▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서