智能教学系统的评价与选择
人工智能技术在教学评价中的应用与研究
人工智能技术在教学评价中的应用与研究引言随着信息技术的飞速发展，人工智能技术逐渐渗透到各个领域。
在教育领域中，人工智能技术也展示出了其强大的应用潜力。
教学评价作为教育教学过程中的重要环节，也可以借助人工智能技术获得更精确、客观的评价结果。
本文旨在探讨人工智能技术在教学评价中的应用与研究，并分析其优势与挑战。
一、人工智能技术在教学评价中的应用1. 自动化评分传统的教学评价通常需要教师花费大量时间对学生的作业、考试答卷进行评分。
而借助人工智能技术，可以开发出自动化评分系统，实现快速、准确的评分过程。
这些系统可以基于机器学习算法，通过识别学生答案中的关键信息，计算得出评分结果。
自动化评分不仅可以减轻教师的负担，还可以提高评价的客观性和一致性。
2. 个性化评价人工智能技术可以根据学生的学习特点和背景，提供个性化的评价和建议。
通过分析学生的学习数据和行为模式，人工智能系统可以为每个学生定制相应的评价指标和改进方案。
个性化评价不仅可以帮助学生更好地发现和克服自身的学习困难，还能提升学习动力和效果。
3. 即时反馈传统的教学评价通常需要耗费较长的时间才能获得结果，这对于学生的学习动力和教师的教学反思都带来了一定的难度。
而借助人工智能技术，可以实现即时反馈的教学评价。
教学过程中，人工智能系统可以实时监测学生的学习情况，并及时提供反馈和建议。
这种即时反馈可以帮助学生及时调整学习策略，使教学更加高效。
二、人工智能技术在教学评价中的研究展望1. 建立有效的模型人工智能技术在教学评价中的应用需要建立有效的模型，能够准确地评估学生的能力和表现。
这需要不断进行数据采集和分析，根据大数据分析结果优化模型的设计。
同时，还需注意模型的可解释性，即能够解释模型是如何得出评价结果的，为学生和教师提供有意义的反馈。
2. 解决隐私和道德问题在利用人工智能技术进行教学评价时，需要充分考虑个人隐私和伦理道德问题。
学生的学习数据和表现评价是个人信息，需要确保数据的安全性和隐私保护。
智能教学系统浅析
智能教学系统浅析智能教学系统(ITS)的一个重要特征是教学针对个人,注重一对一的师生关系,讲究因人施教,一个学生一种教学方法。
它以认知科学为理论基础,综合人工智能技术、教育心理学、计算机科学等多门学科的成果而形成的一门对学生实施有效教育的技术。
教学专家的主要特点是他掌握了该领域大量的专门知识和相应的教学法。
计算机也能存储有关某一领域的大量专门知识,将教学法的有关知识存入计算机,计算机就能像教学专家一样地工作,并且计算机还有存储量大、不知疲倦、准确快速等人类无法比拟的优点。
1、智能教学系统的发展史和国内外研究情况计算机用于教育的研究是从20世纪50年代开始的,当时采用的是一种线性程序,所教知识被预先划分成一系列知识点,通过使学生不断掌握新的知识点而达到教学目的。
从60年代开始,进入了计算机辅助教学,（CAI）的研究应用,出现了以分支程序结构实现的教学系统。
这种教学系统的特点是先给学生一些教学内容,然后询问问题,当学生回答后,再告诉学生答案正确与否。
有时根据学生的响应信息决定学生学习该课程的途径,决定问学生问题的顺序,当发现学生的回答有错误时,便转向纠正材料的分支程序。
这种分支结构向着因材施教迈进了一步。
进入20世纪70年代后,人工智能技术有了很大的发展,专家系统大量出现,促使计算机教学研究人员在教学系统中应用人工智能技术,以使教学行为更加有效,它促进了智能教学研究的发展。
70~80年代智能教学系统大量出现。
2智能教学系统的主要研究内容2·1对智能教学系统的理解所谓ITS,就是利用人工智能技术和计算机技术实现最佳教学,而“最佳”有两层含义:用计算机模拟优秀的人类教师,用计算机在某些方面超越人类教师。
因为单以模拟人类教师或单以利用计算机的优势都不足以说明ITS的意义。
而所谓智能教学( intelligent tutoring),就要求计算机系统能够提供个别化的即因人而异的有效教学。
教学是教授者和学习者之间的交互活动,为此, ITS必须做到三懂:懂知识、懂学生、懂如何教。
智能化教育评估系统的设计与实现
智能化教育评估系统的设计与实现在当今快速发展的信息时代里，人类对于教育的要求越来越高。
而随着千禧一代的兴起，人群的观念也在逐渐改变，对于教育的期望值也随之提升。
如何更好地评估学生的学习情况，以便更准确地指导他们的学习，为教育提供更好的服务，已经成为一个亟待解决的问题。
基于此，智能化教育评估系统的设计与实现越来越受到关注。
一、智能化教育评估系统的定义智能化教育评估系统是一种利用技术手段，以获取学生学习信息并进行多方位分析，为教学信息化提供数据支持和服务的系统。
通过对学生学习过程中的表现和数据进行分析，智能化教育评估系统能够输出一些关键的教育信息，包括学生的学习能力，学习水平，学习兴趣以及学习问题等。
二、智能化教育评估系统的目的及优势智能化教育评估系统的主要目的是针对学生的学习状态进行全面、系统、客观、科学的评估，从而为其提供更为精准的学习指导和服务支持。
同时，智能化教育评估系统的使用能够为教育机构提供有效的数据参考和分析手段，从而不断完善教育教学体系和提升教育质量。
相对于传统的教育评估手段，智能化教育评估系统有着独特的优势：1. 多维度分析：智能化教育评估系统可以同时获取学生的各类数据信息，如学习成绩、学习强度、学习兴趣、学习问题等等，从而对学生的学习状态进行全面评估。
2. 自主学习：智能化教育评估系统为学生提供了更加独立自主的学习方式。
学生可以通过系统的学习指导，更好地掌握学习内容，提高自主学习能力。
3. 智能化服务：智能化教育评估系统能够根据学生的学习状态和数据信息，提供个性化的学习服务，从而达到事半功倍的效果。
4. 支持教学改革：智能化教育评估系统的使用与技术手段的结合，能够推动教育教学体系的改革，进而提升教育教学水平和质量。
三、智能化教育评估系统的设计与实现智能化教育评估系统的设计与实现可以从以下几个方面展开：1. 数据采集：智能化教育评估系统通过各种方式（如学生的在线提交、学习管理系统、机器阅读等），收集学生的学习数据，如学习成绩、视频观看率、作业评分等。
高校智能教学评价体系设计与研究
高校智能教学评价体系设计与研究随着科技的快速发展，智能技术在教育领域的应用日益广泛。
高校智能教学评价体系作为一种对教学质量进行全面、科学评估的工具，在高校教育中具有重要的意义。
本文将着重探讨高校智能教学评价体系的设计与研究，为提升高校教育质量和教学效果提供思路和建议。
一、智能教育评价体系的概念与特点智能教学评价体系是利用人工智能、大数据、云计算等技术手段，对高校教学过程和结果进行全面评估和分析的系统。
智能教育评价体系具有以下几个特点：1. 多元化评价：智能教育评价体系综合考虑学生的学业成绩、实际表现、参与度等多个方面的数据，以全面了解学生的掌握程度和学习情况。
2. 实时反馈：智能教育评价体系能够及时监测学生的学习进展，实时反馈学生的学习情况，帮助学生及时调整学习策略。
3. 个性化评估：智能教育评价体系根据学生的个体差异，提供个性化的评价和指导，促进教学过程的个性化发展。
4. 精确度高：智能教育评价体系利用大数据分析和人工智能算法，能够准确评估学生的学习水平和教学质量。
二、智能教育评价体系的设计原则设计一个有效的高校智能教学评价体系需要遵循以下原则：1. 全面性原则：评价体系应包含全面的指标，涵盖学生的学业成绩、实际表现、参与度等多个方面，以全面了解学生的学习情况。
2. 公正性原则：评价体系应保证公正性，避免主观评价和偏见的介入，确保评价结果客观准确。
3. 预测性原则：评价体系应具备一定的预测功能，能够预测学生的学习进展和未来发展方向，为学生提供精准的学习指导。
4. 可操作性原则：评价体系的指标和方法应具有可操作性，方便教师和学生使用，并能够为教学改进提供明确的建议。
三、智能教育评价体系的关键指标设计一个高效的智能教育评价体系需要明确关键的评价指标。
以下是几个关键指标的例子：1. 学业成绩：学习成绩是评价学生学习水平的重要指标之一。
智能教育评价体系应能准确记录学生的学术成果，并根据成绩表现对学生进行评估。
基于人工智能的自动教学评估系统设计与实现
基于人工智能的自动教学评估系统设计与实现自动教学评估系统是通过人工智能技术来对学生的学习情况进行评估和分析的一种应用。
它的设计与实现可以帮助教师更好地了解学生的学习状况，提供有针对性的教学和指导，促进学生的学习效果提升。
本文将从系统设计和实现两个方面介绍基于人工智能的自动教学评估系统。
首先，基于人工智能的自动教学评估系统的设计是一个综合性的工作，需要考虑多个因素。
系统设计的第一步是确定评估的内容和评价指标。
根据不同的学科和教学目标，可以选择不同的评估内容，如知识掌握情况、思考能力、创新能力等。
评价指标应该具有客观性、准确性和可衡量性，既能反映学生的学习水平，又能为教师提供有效的参考。
系统设计的第二步是确定评估的方法和技术。
基于人工智能的自动教学评估系统可以利用多种技术手段来收集和分析学生的学习数据，如自动化测试、数据挖掘、机器学习等。
其中，自动化测试可以通过设计各种类型的题目来获取学生的答题情况，数据挖掘可以分析学生的行为模式和学习习惯，机器学习可以根据历史数据建立学习模型，预测学生的学习水平和未来发展趋势。
系统设计的第三步是确定评估结果的呈现方式和反馈机制。
评估结果可以通过图表、报告、分析等多种形式呈现给教师和学生。
教师可以根据评估结果制定个性化教学计划，提供有针对性的辅导和指导；学生可以了解自己的学习情况，发现自身的问题并及时调整学习方法。
反馈机制是评估系统的核心部分，它需要及时、准确地将评估结果反馈给教师和学生，以便于他们做出相应的调整和改进。
除了系统设计，基于人工智能的自动教学评估系统的实现也是一个复杂而关键的过程。
首先，需要建立一个数据平台来收集和存储学生的学习数据。
这个平台可以整合各种教育应用和学习平台，实现数据的互通和共享。
其次，需要开发相应的算法和模型来对学生的学习数据进行分析和评估。
这些算法和模型可以基于机器学习、深度学习等技术，利用大量的数据进行训练和优化。
最后，需要设计一个友好、易用的用户界面，使教师和学生可以方便地使用和操作这个评估系统。
人工智能与教育评估：智能评价与反馈
人工智能与教育评估：智能评价与反馈在教育领域，人工智能（AI）的应用正逐渐深入，其中智能评价与反馈是AI技术在教育评估中的重要一环。
智能评价系统能够通过算法分析学生的学习表现，提供个性化的反馈，从而帮助学生更好地理解自己的学习状况，并指导教师进行更有效的教学。
首先，智能评价系统能够实时监控学生的学习进度。
通过分析学生在在线学习平台上的互动、作业提交情况以及测试成绩，AI可以生成详细的学习报告。
这些报告不仅包括学生的总体表现，还能深入到每个知识点的掌握程度，为学生提供针对性的指导。
其次，智能评价系统能够提供个性化的学习建议。
AI可以根据学生的学习历史和当前表现，推荐适合的学习资源和练习题目。
这种个性化的学习路径可以帮助学生在他们最需要帮助的领域获得更多的练习和指导，从而提高学习效率。
此外，智能评价系统还能够辅助教师进行教学决策。
通过分析整个班级的学习数据，AI可以帮助教师识别出哪些知识点是学生普遍掌握不足的，从而调整教学计划，重点讲解这些难点。
同时，教师也可以根据AI提供的反馈，了解每个学生的个别需求，进行更有针对性的辅导。
然而，智能评价与反馈系统也面临着挑战。
首先，如何确保AI的评价标准与教育目标相一致是一个关键问题。
其次，数据隐私和安全性也是需要考虑的重要因素。
此外，过度依赖技术可能会忽视教师的直觉和经验，以及学生的情感和社交需求。
总之，人工智能在教育评估中的应用前景广阔，但也需要谨慎推进。
智能评价与反馈系统应该作为教师和学生之间的桥梁，而不是替代者。
通过合理利用AI 技术，我们可以为学生提供更加丰富和有效的学习体验，同时也为教师提供更有力的教学支持。
如何在智慧教育领域中应用智能评价系统,提供客观准确的学生评价和教学反馈？
如何在智慧教育领域中应用智能评价系统，提供客观准确的学生评价和教学反馈？摘要在智慧教育领域，提供客观准确的学生评价和教学反馈是关键。
本文介绍了如何应用智能评价系统，通过智能化技术实现学生综合素质评价和教学效果评估的自动化和客观化，帮助教师提高教学质量和学生发展。
引言在传统的教育教学中，学生评价和教学反馈往往依赖于教师主观判断和人工评分，存在着评价标准不一致、评价结果不客观等问题。
随着智慧教育的发展，智能评价系统逐渐应用于教育领域，通过数据分析和算法模型，能够更准确地评估学生综合素质和教学效果，为教学改进提供科学依据。
本文将介绍如何在智慧教育领域中应用智能评价系统，提供客观准确的学生评价和教学反馈。
智能评价系统的原理与应用智能评价系统基于大数据分析和机器学习算法，通过对学生的学习数据、学习行为和学习成果进行分析，得出客观准确的评价结果。
其主要原理包括以下几个方面：数据采集和分析智能评价系统通过收集学生的学习数据，包括学习内容的点击和浏览情况、学习时间和学习进度等，通过数据分析，可以了解学生的学习态度和学习习惯，为评价提供依据。
算法模型构建智能评价系统根据学生的学习数据和评价指标，构建相应的算法模型。
通过机器学习算法的训练和优化，可以准确评估学生的综合素质和教学效果，并给出相应的评价结果。
教师和学生互动智能评价系统提供教师和学生之间的互动平台。
教师可以根据评价结果，及时调整教学内容和方法，提高教学效果；学生可以通过系统获得个性化的学习建议和教学反馈，提高学习成绩和自主学习能力。
智慧教育中的应用案例智能评价系统在智慧教育领域中有着广泛的应用，以下为几个典型案例：学习行为评价智能评价系统可以分析学生的学习行为，包括学习时间、学习进度、学习习惯等。
通过对学习行为的评价，可以了解学生的学习态度和学习效果，为教师提供有针对性的教学建议。
学习成果评价智能评价系统可以评估学生的学习成果，包括知识掌握程度、学习能力和创新思维等。
人工智能在教育领域的应用现状与发展趋势
人工智能在教育领域的应用现状与发展趋势随着信息技术的不断发展，人工智能技术也在快速发展。
将人工智能技术应用到教育领域，可以提高教学效率、增强学生学习能力和兴趣、改善教育资源分配不平衡的问题等。
现今，人工智能在教育领域的应用已经成为全球教育领域的热点问题。
本文将探讨人工智能在教育领域的应用现状与发展趋势。
一、人工智能在教育领域的应用现状1. 智能教学系统智能教学系统是一种结合人工智能技术的在线学习系统。
它通过数据挖掘、机器学习等技术手段，提取学生学习数据并分析，从而为学生提供针对性的学习计划、个性化的学习过程和专业的学习反馈。
同时，智能教学系统还可以进行学习内容的智能推荐、智能评测和智能辅导等功能，帮助教师和学生更好地实现教学目标。
2. 智能课堂智能课堂是一种应用人工智能技术的电子学习环境。
它采用大屏幕和多媒体设备，实现课堂内容显示和交互，同时配合人脸识别、语音识别、行为分析等技术手段，实时监控学生在课堂中的情况，并反馈教学效果。
通过智能课堂，教师可以更好地掌握学生的学习状态，及时调整教学内容和方法，提高课堂效率和教学质量。
3. 智能辅导系统智能辅导系统是一种为学生提供智能化辅导服务的系统。
它可以结合人脸识别、语音识别等技术手段，实现学生与智能系统的沟通和交互，并根据学生的学习情况提供针对性的课程建议、作业评估和答疑服务等。
此外，智能辅导系统还可以结合机器学习和自然语言处理等技术，提供更加贴近学生需求的辅导服务。
二、人工智能在教育领域的发展趋势1. 人工智能教学的个性化发展未来，人工智能将会引领教育领域向个性化、自适应、智能化方向发展。
在智能教学系统中，人工智能技术可以提供强大的数据处理和分析能力，对学生的个体差异进行深层次的挖掘和分析，从而为学生提供个性化学习方案。
2. 优化教育资源分配在教育领域，资源分配不平衡一直是一个困扰教育发展的难题。
人工智能技术可以通过数据分析和预测模型，优化教育资源的分配，在保持教育资源在公平的基础上，提高教育资源的利用效率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能教学系统的评价与选择 贾积有 孟青泉 （北京大学 教育学院，北京 100871）摘 要：本文在简要介绍智能教学系统概念的基础上，详细阐述了国际上常用的智能教学系统的评价方法，包括客观性的成绩评价方法和主观性的调查问卷评价方法。
然后基于这些评价方法，以三个典型学科（数学、英语和语文）的智能教学系统为例，分析了选择智能教学系统时需要考虑的因素。
关键词：智能教学系统；评价；选择；学科中图分类号：G434 文献标志码：A 文章编号：2096-0069（2019）03-0001-09一、概念简介人工智能技术在教育领域具有广泛应用[1]，其中的一个重要领域就是智能教学系统。
该概念的英文表达为Intelligent Tutoring System，简称ITS，在国内也被翻译作智能导学系统。
我们认为，智能教学系统更能全面而准确地反映ITS 的内涵和外延。
智能教学系统作为教育领域的专家系统，能够模仿人类教师或者助教，帮助学生学习某门学科、某个领域或者某个知识点的知识[2]。
一个成功的智能教学系统应该像一个优秀教师或者助教那样，具有某个学科、领域或者知识点的专业知识，根据学生情况用合适的方式向学生展示或者讲解知识，通过作业、测验和考试等各种手段了解学生对知识的掌握程度，回答学生学习过程中产生的问题，也就是对学生进行个性化教学。
所以说一个智能教学系统的智能程度，就是对优秀教师或者助教的模仿程度。
二、智能教学系统的评价方法（一）客观性的学习效果评价客观性的学习效果评价方式主要采用智能教学系统所涉及的教学领域的效果评估方法，比如教育科学研究中常用的准实验法。
准实验法的研究对象通常有实验班或者实验组（下文称实验班）、对照班或者对照组（下文称对照班）两组学生，前者使用某种智能教学系统进行学习，后者不使用智能教学系统进行学习，除此之外，两者没有其他区别。
经过一段时间的教学实验后，以使用智能教学系统与否作为自变量，以使用者的学习成绩改善程度为因变量，考察因变量与自变量的关系，也就是考察使用智能教学系统是否会对使用者的学习成绩改善造成影响，以及影响程度有多大。
学习者的成绩改善程度的衡量，需要综合考虑教收稿日期：2019-02-05作者简介：贾积有（1969— ），男，河南获嘉人，北京大学教育学院教育技术系教授，博士生导师，北京大学教育信息化国际研究中心主任，研究方向为教育技术学和人工智能教育应用；孟青泉（1986— ），男，山西浑源人，北京大学教育学院教育技术系讲师，博士后，研究方向为人工智能教育应用。
学实验前后的成绩变化。
实验之前的成绩即前测反映了学习者的学习基础，实验之后的成绩即后测反映了学习者的学习成果。
最理想的实验情况为，实验组和对照组的前测成绩没有统计意义上的显著性差异，而这种差异通常是通过独立样本学生T 检验或者F 检验（即方差分析或变异数分析，ANOVA, Analysis of Variance 的缩写）来检测的[3]。
在这种前测无显著性差异的前提下，再对实验班和对照班的后测进行独立样本学生T 检验。
根据检验结果的概率p 值，检测结果可能有三种情况：(1)两个班的成绩无显著性差异（p >0.05）时，这表明智能教学系统相对于传统或者其他方法而言，对学生学习成绩没有显著影响；(2)两个班的成绩有显著性差异（p <0.05）、实验班成绩高于对照班时，这表明智能教学系统相对于传统或者其他方法而言，对学生学习成绩有显著正面影响；(3)两个班的成绩有显著性差异（p <0.05）、实验班成绩低于对照班时，这表明智能教学系统相对于传统或者其他方法而言，对学生学习成绩有显著负面影响。
后测中实验班和对照班的成绩差异可以用效果量（Effect Size，简称ES）来进行准确衡量。
在国际文献中，效果量一般用一个无量纲的分数来表示，分子为实验班和对照班的平均成绩差，而分母则为一个合并后的标准差S pooled ,这个标准差如何计算，国际文献中存在一些差异。
我们介绍常用的两种：Cohen’d [4][5][6]和Hedges’g [7]。
Cohen’d 的计算公式为:两个公式的细微差异仅仅在于分母上对混合的标准差的计算。
不管怎样计算，两个班的平均成绩差异越大，班内的标准差越小，则效果量越大。
按照Cohen’d 来衡量,效果量如果是0.2左右，就是一个小的效果；如果是0.5左右，就是一个中等规模的效果；如果是0.8以上的话，就是一个大的效果。
当然一个效果到底是小还是大，与检验背景等很多因素紧密相关，就像Cohen（科恩）所强调的：所谓的小、中、大的概念都是相对而言的，不仅仅彼此之间，而且是针对行为科学领域，甚至是针对某个特定背景和研究手段而言。
面对这种相对性，为这些术语提供传统的操作定义，以便在不同的研究领域如行为科学中用于效果分析，存在一定的风险。
然而，这种风险是可以接受的，因为我们相信，通过提供一个通用的常规参考框架，可以获得比损失更多的收益。
只有在没有更好地估计效果量的基础时，才建议使用该参考框架。
[8]Sawilowsky(萨维罗夫斯基）[9]在Cohen 对效果量的相对大小的评述基础上，进一步建议：效果量如果为0.01，那是非常小的，1.2是非常大的，2.0是巨大的。
不管怎么计算，效果量综合反映了实验班和对照班全体学生的成绩差异，因此在国际研究文献中经常被用来作为衡量某种教学方法效果大小的一个重要指标。
因为分母反映的是标准差的大小，效果量的单位通常被称作标准差。
如果前测和后测考试内容相同，则实验组和对照组可以分别进行成对样本学生T 检验，检测每个组从前测到后测的变化幅度在统计意义上是否具有显著性。
同前面的独立样本学生T 检验类似，检测结果也是三种情况：无显著性差异；后测成绩显著高于前测成绩；前测成绩显著高于后测成绩。
后测和前测的差异大小也可以通过效果量的计算精确表示出来，只不过这时候的计算因为后测和前测样本相同而得到了简化，比如Cohen’d 中，因为前测和后测样本数相同，n 1=n 2=n ，Hedges’g 的计算公式为:以上两个公式中的n 1和n 2分别为实验班和对照班的样本量，SD 1和SD 2分别为实验班和对照班的标准差。
d =S pooled =Mean 1-Mean 2S pooledn 1*SD 12+n 2*SD 22n 1+n 2-2Mean 1-Mean 2S pooledg =(n 1-1)*SD 12+(n 2-1)*SD 22n 1+n 2-2S pooled =n 1 (SD 12+SD 22）2 (n -1）S pooled =这样的问卷。
在评估智能教学系统模型的技术接受度方面，很多量表是对戴维斯技术接受度模型（Technology Acceptance Model，简称TAM）[10]的进一步发展和完善。
这种模型认为，当用户面对一个计算机信息系统时，认知有用性和认知易用性是两个主要的决定因素。
认知有用性（Perceived Usefulness，简称PU）是指用户在使用某一信息系统时，主观上认为其所带来的工作绩效的提升程度。
认知易用性（Perceived Easeof Use，简称PEOU）是指用户在使用某一信息系统时，主观上认为能为其省事、减少用心费神的程度。
在这方面，Hwang 等[11][12][13]所设计的“计算机支持的学习接受度调查问卷”可供参考。
关于系统认知有用性的问题包括：我觉得使用这样的学习方式(或系统)让学习活动的内容更丰富；我觉得使用这样的学习方式(或系统)对我学习新知识很有帮助；这样的学习方式(或系统)所提供的学习机制让我的学习过程更为顺畅；这样的学习方式(或系统)可以帮助我在需要时获得有用的信息；这样的学习方式(或系统)可以让我学得更好；本次学习活动中，使用这样的学习方式(或系统)比一般的计算机辅助学习更有效果。
关于系统认知易用性的问题包括：对我而言，学习这套系统的操作并不困难；我只花费短短的时间就完全学会这套系统的使用；使用这套系统所进行的学习活动是容易理解的；我很快便学会这套系统的操作方式；我觉得这套系统的接口是容易使用的；整体而言，本次学习活动所使用的系统是容易学习和使用的。
学习满意度方面可以参考Chu 等人的设计[14]，内容包括：这次的学习任务，让我更理解学习内容；这次的学习任务中，我努力学习观察事物的差异；这次的学习任务虽然不简单，但学习方式却不难理解；这种学习方式比以前的学习方式更具有挑战性和趣味性；使用这种方式学习，我可以获得一些新发现或新知识；这种方式学习能让我用新的方法或思考模式来学习；这种学习方式有助于我学习分辨事物的特性；这种学习方式有助于我运用新的角度观察事物。
学习动机方面可以参考Pintrich（佩尼奇）[15]和Wang & Chen [16]等所设计的调查问卷。
关于内在动机如果前测中实验班和对照班的差异在统计意义上是显著的，也就是说基础不同，那么在检验后测的差异时就必须考虑这种差异。
这时候就要采用共变量分析(或称协方差分析，Analysis of Covariance, 简称ANCOVA)的方法来研究智能教学系统对学生成绩的影响。
ANCOVA 在比较智能教学系统与其他方法的效果时，可以同时考虑或控制其他对学习效果有影响的自变量，使我们在相同的背景或基础上去比较不同教学方式的效果。
而控制其他自变量对因变量的影响也是回归分析的基本功能，因此ANCOVA 可以说是结合了ANOVA 与回归分析的功能,排除了前测的差异，以更精确地分析两组或两组以上后测是否有显著性差异。
共变量分析需要满足三个基本前提条件。
(1)常态性：即符合正态分布的要求；(2)独立性：量表的内部一致性信度或α值最好在0.8以上；(3)回归系数同构型：组内回归系数无显著差异。
在满足这三个条件之后，以学习方式(智能教学系统支持的教学或者其他教学方式)为自变量、学生学习前测成绩为共变量、学生的学习后测成绩为因变量，进行共变量分析。
分析结果也与样本学生T 检验类似，分为三种情况：无显著性差异（p >0.05）；智能教学系统的效果显著好于其他教学方式（p <0.05）； 智能教学系统的效果显著差于其他教学方式（p <0.05）。
当然，也可以用效果量来精确表示后测中实验班和对照班的差异量的大小。
（二）主观性的用户体验主观性的用户体验主要通过调查问卷方式采集用户对智能教学系统的反馈数据，包括技术接受度、学习满意度、学习动机、学习态度、学习效能、认知负荷等多个维度。
一般来说，调查问卷的每个条目都采用李克特5点或者7点量表，因而具有可计算性和可比性。
与学习成绩的比较类似，可以在实验前后的实验班和对照班各测量一次，然后通过T 检验、F 检验或者共变量分析等方法来检测实验前后学生对于这些调查条目回答的变化，也就是学生用户体验的变化，以及这种变化在统计意义上是否显著。