A review of research on machine learning in educational technology

Korkmaz, Ceren; Correia, Ana‐Paula

doi:10.1080/09523987.2019.1669875

Cited by 44 publications

(20 citation statements)

References 61 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Such artificial neural networks (ANN) have been used extensively to model and understand normal and abnormal brain function (Macpherson et al, 2021), as well as cognitive tasks including perception and decision-making (Zador, 2019). Although ANN are widely used in healthcare (Shatte et al, 2019), education (Korkmaz & Correia, 2019), and other fields such as speech recognition (Bhangale & Mohanaprasad, 2021) or image recognition (Cai et al, 2020), their application in behavior analysis remains limited (Turgeon & Lanovaz, 2020). Thus, in the present study we asked to what extent ANN can identify reinforcement history based on current behaviors.…”

mentioning

confidence: 99%

Machine learning with a snapshot of data: Spiking neural network ‘predicts’ reinforcement histories of pigeons' choice behavior

Plessas

Espinosa-Ramos

Parry

et al. 2022

J Exper Analysis Behavior

View full text Add to dashboard Cite

An accumulated body of choice research has demonstrated that choice behavior can be understood within the context of its history of reinforcement by measuring response patterns. Traditionally, work on predicting choice behaviors has been based on the relationship between the history of reinforcement—the reinforcer arrangement used in training conditions—and choice behavior. We suggest an alternative method that treats the reinforcement history as unknown and focuses only on operant choices to accurately predict (more precisely, retrodict) reinforcement histories. We trained machine learning models known as artificial spiking neural networks (SNNs) on previously published pigeon datasets to detect patterns in choices with specific reinforcement histories—seven arranged concurrent variable‐interval schedules in effect for nine reinforcers. Notably, SNN extracted information from a small ‘window’ of observational data to predict reinforcer arrangements. The models' generalization ability was then tested with new choices of the same pigeons to predict the type of schedule used in training. We examined whether the amount of the data provided affected the prediction accuracy and our results demonstrated that choices made by the pigeons immediately after the delivery of reinforcers provided sufficient information for the model to determine the reinforcement history. These results support the idea that SNNs can process small sets of behavioral data for pattern detection, when the reinforcement history is unknown. This novel approach can influence our decisions to determine appropriate interventions; it can be a valuable addition to our toolbox, for both therapy design and research.

show abstract

mentioning

confidence: 99%

Machine learning with a snapshot of data: Spiking neural network ‘predicts’ reinforcement histories of pigeons' choice behavior

Plessas

Espinosa-Ramos

Parry

et al. 2022

J Exper Analysis Behavior

View full text Add to dashboard Cite

show abstract

“…The questionnaire is satisfactorily reliable in measuring the determination of students' moods and corresponding abilities and can be used for further processing by the proposed learning system [ 17 , 18 ].…”

Section: Methodsmentioning

confidence: 99%

Recommendation System for Privacy-Preserving Education Technologies

Yin

2022

Computational Intelligence and Neuroscience

View full text Add to dashboard Cite

Considering the priority for personalized and fully customized learning systems, the innovative computational intelligent systems for personalized educational technologies are the timeliest research area. Since the machine learning models reflect the data over which they were trained, data that have privacy and other sensitivities associated with the education abilities of learners, which can be vulnerable. This work proposes a recommendation system for privacy-preserving education technologies that uses machine learning and differential privacy to overcome this issue. Specifically, each student is automatically classified on their skills in a category using a directed acyclic graph method. In the next step, the model uses differential privacy which is the technology that enables a facility for the purpose of obtaining useful information from databases containing individuals’ personal information without divulging sensitive identification about each individual. In addition, an intelligent recommendation mechanism based on collaborative filtering offers personalized real-time data for the users’ privacy.

show abstract

“…Por lo tanto, en la era del big data las personas no pueden ser simplemente receptores pasivos de informes basados en datos, su acción debe enfocarse en la exploración de datos, con el fin de administrar, adquirir, analizar, inferir y planificar, a partir de los datos. En este contexto, existe una importante demanda de alfabetización de datos en todas las disciplinas y áreas del conocimiento; por lo tanto, los estudiantes de hoy necesitan aprender a trabajar y pensar con datos desde una edad temprana, y así estar preparados para una sociedad basada en datos como en la que viven (Korkmaz & Correia, 2019;Liang & Hainan, 2019;Xu & Ruan, 2018;Yuan, 2019 El aprendizaje continuo conecta las experiencias de aprendizaje en los contextos de tiempo, ubicación, uso de dispositivos y entornos sociales. En el aprendizaje continuo se conectan los aprendizajes desde casa con la institución educativa también a través de dispositivos y artefactos móviles; esta pedagogía forma parte de un proceso complejo, done los estudiantes pueden iniciar con una investigación e clase, recopilar datos en casa o en sus entornos habituales al aire libre, procesar la información haciendo uso de los recursos tecnológicos y luego compartir, hacer difusión y generar visibilidad de sus hallazgos en entornos sociales de aprendizaje tales como las aulas presenciales o virtuales (Barrett, Liu, & Wang, 2020;Dilger, Gommers, & Rapp, 2019;Hamid, Setyosari, Kuswandi, & Ulfa, 2019).…”

Section: Pedagogías Emergentesunclassified

Pedagogías emergentes en ambientes virtuales de aprendizaje

Aparicio-Gómez¹,

Ostos-Ortiz²

2021

RIPIE

View full text Add to dashboard Cite

Las pedagogías emergentes hacen su aparición en el escenario de los ambientes virtuales de aprendizaje en tiempos de gran incertidumbre. Las pedagogías emergentes apoyan el proceso educativo de las personas principalmente por medio de la promoción del aprendizaje continuo con tecnología y recursos educativos abiertos ante de grandes volúmenes de información y en contextos de redes de comunicación. Las metodologías activas para el aprendizaje coadyuvan en la gran labor de educar a partir de iniciativas provenientes de diversos lugares del mundo; así, el design thinking para resolver problemas, el llamado teachback para aprender a través de la conversación, el flipped learning para el acompañamiento y la independencia, la gamification para aprender a través de juegos y las social media para el aprendizaje en red, se hacen cada vez más recurrentes en las prácticas pedagógicas. Por otra parte, la evaluación de los aprendizajes comienza a considerar cada vez más la relevancia de las analíticas de aprendizaje, el blockchain, así como las insignias para acreditar el aprendizaje, en un contexto de evaluación discreta y formativa. Finalmente, las consideraciones éticas en torno al uso y la apropiación de las TIC en educación se hacen cada vez más necesarias para establecer los nexos entre pedagogía y tecnología; de esta manera, el aprendizaje basado en el contexto y, por lo tanto, también situado en el contexto de las historias personales, otorgando especial prevalencia al aprendizaje desde las emociones y los valores, requiere de todos los actores del proceso educativo que se acompañe el proceso de los niños y jóvenes desde una adecuada construcción del conocimiento desde una correcta argumentación en torno a sus intereses y necesidades.

show abstract

A review of research on machine learning in educational technology

Cited by 44 publications

References 61 publications

Machine learning with a snapshot of data: Spiking neural network ‘predicts’ reinforcement histories of pigeons' choice behavior

Machine learning with a snapshot of data: Spiking neural network ‘predicts’ reinforcement histories of pigeons' choice behavior

Recommendation System for Privacy-Preserving Education Technologies

Pedagogías emergentes en ambientes virtuales de aprendizaje

Contact Info

Product

Resources

About