E-TRIALS: Empowering Data-Driven Decisions to Enhance Computer-Based Learning Platforms
E-TRIALS：支持计算机学习平台数据驱动决策的实验工具AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以教育随机对照试验和平均处理效应估计为主要内容，并比较协变量调整后的估计精度，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
E-TRIALS：支持计算机学习平台数据驱动决策的实验工具
- 研究问题
- 如何为计算机学习平台提供可开展随机对照试验的研究工具，并在教育干预评估中利用基线协变量提高平均处理效应估计精度？
- 方法与思路
- 作者介绍 E-TRIALS 的功能与支持的实验类型，以两项真实干预展示用途，并比较 t 检验、回归与 LOOP 三种估计方法。
- 材料陈述的贡献
- 摘要称该工具支持教育随机实验，并报告无偏 LOOP 估计量通过基线协变量调整，能够比 t 检验获得更高估计精度。
- 阅读关注点
- 应核对随机化单位、实际支持的实验设计、LOOP 调整与无偏性条件，以及两项干预中的精度评价和实现细节。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明效应大小与实验细节，精度改善不能直接解释为干预更有效。
原文摘要
Computer-based learning platforms (CBLPs) have become a common medium in schools, transforming how students learn and interact with educational content. However, researchers still lack adequate tools to address the diverse set of challenges that students face in these environments. In this paper, we introduce \textbf{Ed-Tech Research Infrastructure to Advance Learning Sciences (E-TRIALS)}, a free tool developed by ASSISTments to help researchers conduct randomized controlled trials in the realm of learning sciences. We describe its features, the types of experiments it supports, and how it can address critical research questions. We showcase E-TRIALS' capabilities through two real-world interventions. Finally, we evaluate the efficacy of interventions using three average treatment effect (ATE) estimators. Student's t-test, regression, and Leave-One-Out Potential outcomes (LOOP). The results demonstrate that the unbiased LOOP estimator can achieve greater precision by adjusting for baseline covariates compared to the Student's t test. Our work demonstrates the potential of E-TRIALS to advance research and contribute to the development of more effective, inclusive, and adaptive CBLP. The code used for this work is available at https://osf.io/xp6ch/.