PERSSISTANT : A Progress Estimation System to Personalize Learning Trajectories

Abstract

In het veranderende onderwijslandschap is de integratie van kunstmatige intelligentie (AI) naar voren gekomen als een transformerende kracht, met name in gepersonaliseerd leren binnen het programmeeronderwijs. Deze thesis presenteert een uitgebreide verkenning van deze integratie door de ontwikkeling van een nieuw systeem met de naam \textbf{PERSSISTANT}: Progress Estimated Representation through Structure-based Skill testing to Individualized Student learning Trajectories via interventions Activated through Need or Time.

Het primaire doel van PERSSISTANT is om AI-technologieën te gebruiken om de programmeervaardigheden van studenten continu te monitoren en te beoordelen, om zo duidelijke voortgangsoverzichten te geven en gepersonaliseerde interventies te faciliteren om de leerresultaten te verbeteren. Door een grondige studie van bestaande literatuur op het gebied van AI in Education (AIED) en de toepassing van grote taalmodellen schetst deze thesis een raamwerk voor gepersonaliseerde leertrajecten die zijn afgestemd op de behoeften van individuele studenten.

De belangrijkste bevindingen geven aan dat hoewel AI de potentie heeft om gepersonaliseerde onderwijservaringen aanzienlijk te verbeteren, het cruciaal is om zorgvuldig om te springen met de integratie van AI-technieken die het leerproces beïnvloeden. Ons onderzoek belicht drie cruciale vragen met betrekking tot het effectief monitoren van de voortgang van studenten, real-time feedback van deze voortgang en een eerste poging tot personalisatie van leertrajecten.

De