为教育过程设计的自适应算法往往会产生混合结果。虽然教授语言、数学和早期识字的应用程序显示出可喜的结果，但其他领域往往不适合教师机器人。然而，一组荷兰教育研究人员最近冒险进入了相对未开发的领域。在特温特大学的 Karel Kroeze 的带领下，该团队创建了一种自适应算法，可以评估和帮助学习者形成科学假设。

K-12 假设形成的问题

在 K-12 教育中，假设的形成可能是一个充满挑战的过程。虽然基于探究的学习通常被认为是一种有充分根据的教学法，但研究人员已经发现了探究形成过程中的问题。换句话说，虽然学生在提出关于特定问题的问题时往往会学得很好，但他们也很难首先提出一个富有成效的问题。

正如 Kroeze 等人。写道，“研究一直表明，探究是一个复杂的过程，学生会在其中犯错。具体来说，各个年龄段的学生在提出假设方面都有问题，特别是当他们不熟悉探究的主题时，以及当实验数据异常时。因此，很少有学生自己提出假设，而且当他们这样做时，他们往往坚持一个已知正确的假设(即确认偏差)，或者制定无法在研究中进行检验的不精确陈述。这些自然趋势表明，无指导的探究学习可能是无效的。

“然而，有 指导的 探究学习已被证明比直接指导和无指导的探究学习更有利，并有助于培养更深入的概念理解。”

自适应算法

Kroeze 和他的团队着手创建一种算法，可以帮助指导学生进行假设创建过程。为此，算法需要做两件事：1) 评估学生的假设和 2) 提供关于他们质量的反馈。

为了解决任务 1)，该团队参考了教育研究人员 ME Quinn 和 KD George，他们在 1975 年的一篇文章中确定了良好假设的 5 个品质。这些是：

“(1) 这是有道理的;(2) 它是经验的，一种(部分的)科学关系;(3) 充分，至少两个变量之间的科学关系;(4) 它是精确的——限定和/或量化的关系;(5) 它陈述了一个测试，一个测试的明确陈述。”

使用一组上下文无关的语法术语来定义自然语言(遵循 Noam Chomsky 的工作)，该团队为在线科学平台 Go-Lab 创建了一个算法。它与平台上的假设便笺功能集成。自适应算法允许学生使用一组预编程的术语，例如“如果”、“那么”、“增加”、“减少”、“等于”等来写出他们的假设。然后他们可以选择形成多个假设，如果他们愿意，可以向算法寻求帮助。

本实验

研究人员随后在三种不同的设置中测试了该算法，每组创建两组，一组作为测试组，另一组作为对照。

“使用早期版本的假设解析器进行了初步试点研究，以评估使用上下文无关语法自动解析假设的可行性。之后，使用完整版本的解析器进行了第二次试点研究，以确定解析器和查询学习空间 (ILS) 的任何遗留问题，然后再进行最终实验。最后的实验使用准实验设计来评估该工具在改进学生假设方面的好处。”

结果

像许多实验一样，研究人员能够在实验室环境中为他们的工具产生积极的结果。住在教室里，他们的成绩好坏参半。

尽管如此，在测试教育成果时，使用该算法寻求帮助的学习者的得分往往高于对照组的同龄人。正如作者得出的结论：

“使用上下文无关语法实现了一个自动假设便笺，为学生提供关于他们假设质量的即时反馈。自动便签本被证明是有效的;使用其反馈功能的学生比没有使用它的学生提出了更好的假设。上下文无关文法的使用使得将假设的基本语法、特定于语言的构造和特定于域的实现分开变得相对简单。这种分离允许工具快速适应新的语言和领域，允许教师进行配置，并包含在广泛的探究环境中。”

这些结论令人兴奋。他们表明自适应算法和个性化学习可能在未来的科学教育中发挥重要作用。