In de laatste paar decennia, veel onderzoeken op het gebied van leerwetenschap hebben gemeld dat steigers een belangrijke rol spelen bij het leren van mensen. Om een ​​leerling efficiënt te ondersteunen, een leraar moet voorspellen hoeveel ondersteuning een leerling moet hebben om taken uit te voeren en vervolgens de optimale mate van ondersteuning bepalen om de ontwikkeling van de leerling te ondersteunen. Hoe dan ook, het is moeilijk om de optimale mate van ondersteuning voor de ontwikkeling van leerlingen vast te stellen.

In dit onderzoek, we gingen ervan uit dat optimale scaffolding gebaseerd is op een probabilistische beslissingsregel:gegeven de hulp van een leraar om de ontwikkeling van de leerling te vergemakkelijken, een optimale kans bestaat voor een leerling om een ​​taak op te lossen. Om de optimale kans te bepalen, we hebben een steigersysteem ontwikkeld dat adaptieve hints biedt om de voorspellende kans op succesvolle prestaties van de leerling aan te passen aan de eerder bepaalde bepaalde waarde, met behulp van een statistische machine learning-technologie.

Verder, met behulp van het steigersysteem, we vergeleken leerprestaties door de voorspellende kans te veranderen. Onze resultaten toonden aan dat scaffolding om een ​​succeskans van 0,5 leerling te behalen de beste prestaties levert. Experimenten toonden ook aan dat een steigersysteem met een waarschijnlijkheid van 0,5 het aantal hints (hoeveelheid ondersteuning) automatisch vermindert als een fading-functie volgens het groeivermogen van de leerling.