Brusilovsky, Peter, and Julita Vassileva. “Course sequencing techniques for large-scale web-based education.” International Journal of Continuing Engineering Education and Life Long Learning 13.1 (2003): 75-94.
Cited by: 246
摘要：
本文解决的问题是如何将静态课程设计在教学过程中转化为动态自适应系统。
文章以CoCoA（Concept-based Courseware Analysis）系统为例，阐述了基于领域知识模型(domain knowledge model)和内容标记（content index）的课程设计方法。领域知识模型是构建一张基于知识点的导向图(directed graph)，而内容标记则是把内容挂载到知识点上（本文只介绍了单点挂载，即一个内容挂载一个知识点）。
CoCoA会自动检验挂载内容的前置要求(pre-requisite)是否被满足。具体而言，讲授（presentation）、提问(question)、案例(example)和练习(exercise)的前置要求是否都已经被先修课程覆盖。CoCoA还会检测是否讲授搭配了足够的案例与练习，以及其他课程设计要求。
在完成课程设计后，课程内容可以根据用户的表现进行动态生成（DCG, Dynamic Course Generation）。生成规则由系统预先设定，根据用户表现执行。
评论：
CoCoA和DCG主要依赖于专家知识，而非算法执行。因此，它对于人力投入的要求是很高的。1小时的教学内容需要18小时的编辑时间。如果内容较多，或者增删改的频率较高，成本会很高。
此外，如何利用学习数据来评估和改善专家知识所构建的课程体系，本文在这个方面也语焉不详。
这个理念的教学效果在“个性化学习系统的评估”中有实验度量。
相关文献：
Limongelli, Carla, et al. “Adaptive learning with the LS-plan system: a field evaluation.” Learning Technologies, IEEE Transactions on 2.3 (2009): 203-215.
Chen, Chih-Ming, Hahn-Ming Lee, and Ya-Hui Chen. “Personalized e-learning system using item response theory.” Computers & Education 44.3 (2005): 237-255.
Cited by: 299
摘要：
本文研究如何用IRT模型估计学生能力并进行学习路径的推荐。
关键的难题是：
（1）如何进行内容难度的冷启动
（2）如何利用IRT模型进行路径优化
作者提出的解决方案是：
（1）预先设定材料难度等级。专家投票进行难度评级的冷启动，用户投票进行难度的后续更新
（2）估计用户水平后，计算各个模块的information function，并推荐数值最高的项目
评论：
Information function是用标准差来估计某个量度（measurement）信度(reliability)的方法，而不是估计某个模块对于学生的信息含量。在Rasche模型下，information最高的模块是概率最接近0.5的模块。
这种推荐方法的好处是可以较为精准地估计学生能力，但从教育学的角度来看，这并不一定是最优的推荐策略。
相关文献：
Baylari, Ahmad, and Gh A. Montazer. “Design a personalized e-learning system based on item response theory and artificial neural network approach.”Expert Systems with Applications 36.4 (2009): 8013-8021. [使用神经网络来实现路径优化]
Wauters, Kelly, Piet Desmet, and Wim Van Den Noortgate. “Adaptive item‐based learning environments based on the item response theory: possibilities and challenges.” Journal of Computer Assisted Learning 26.6 (2010): 549-562.
Huang, Mu-Jung, Hwa-Shan Huang, and Mu-Yen Chen. “Constructing a personalized e-learning system based on genetic algorithm and case-based reasoning approach.” Expert Systems with Applications 33.3 (2007): 551-564.
Cited by: 116
摘要：
本文解决的问题是如何使用技术手段实现Bloom(1968)所提倡的精熟学习（mastery learning）。本文选取遗传算法（Genetic Algorithm）来生成最优路径，并使用案例推理(case based reasoning)来提供错误后的纠正材料(corrective activities)。
遗传算法各轮的适性评分（fitness score）是由内容间的文本相关性（tf-idf+ cosine vector）和难度（IRT）生成的。
案例的选择基于近邻算法(nearest neighbor)，其特征既包括学习者的基本信息（性别、年龄，etc）也包括错误事件的信息（知识点，做题时间，目前进度，etc）。
评论：
遗传算法的适性得分综合了初始学生水平所对应的难度，而没有考虑学生动态水平所对应的难度。如果学生增长速度不同，以初始水平的排序来替代动态水平的排序可能并不合适。
相关文献：
Chen, Chih‐Ming. “Ontology‐based concept map for planning a personalised learning path.” British Journal of Educational Technology 40.6 (2009): 1028-1058.
Chen, Chih-Ming. “Intelligent web-based learning system with personalized learning path guidance.” Computers & Education 51.2 (2008): 787-814.
Hwang, Gwo-Jen, et al. “A heuristic algorithm for planning personalized learning paths for context-aware ubiquitous learning.” Computers & Education 54.2 (2010): 404-415.
Cited by: 97
摘要：
本文解决的问题是如何在物理世界的教学（例如访问一个植物园）中解决个性化学习路径的问题。
关键的难题是：
（1）权衡拥挤度（即学生不能同时访问一个地点）和学习路径优化
（2）在知识图谱上相邻的知识点往往在物理上相邻，因此学生可以同时学习多个知识点。如何对多目标同时学习进行优化？