《Journal of Web Engineering》：Adaptive Learning Driven by Web Technologies: A Model-Driven Development Framework for AI Enhanced English Intelligent Tutoring Web Applications
编辑推荐：
现有的英语教学网络应用存在个性化适应性低、教学策略陈旧、多模态交互弱、教学路径受限、反馈机制单一、学习者适应性弱、学习效率低和留存率低等问题。为解决这些问题，本文提出一种融合Web技术与人工智能的模型驱动开发(MDD)框架(Web-AI-I)，通过Web原生技
现有的英语教学网络应用存在个性化适应性低、教学策略陈旧、多模态交互弱、教学路径受限、反馈机制单一、学习者适应性弱、学习效率低和留存率低等问题。为解决这些问题，本文提出一种融合Web技术与人工智能的模型驱动开发(MDD)框架(Web-AI-I)，通过Web原生技术栈构建轻量级、跨设备的英语智能教学应用。集成多模态数据感知、AI自适应决策与实时反馈优化，通过MDD模式解决教学逻辑与Web应用架构之间的耦合问题。通过实验，学习路径适应的响应时间可有效缩短至0.2 s，英语词汇掌握率比传统Web教学应用高52%，语法纠错准确率达91.8%，跨设备场景下平均资源占用率仅为18.3%，MTA为412，有助于实现英语智能教学Web应用的大规模落地。
研究背景与问题：现有英语教学网络应用普遍存在个性化适应性低、教学策略陈旧、多模态交互弱、教学路径受限、反馈机制单一、学习者适应性弱、学习效率低和留存率低等问题。传统Web开发方式将教学逻辑与技术实现高度耦合，导致迭代周期长（约10天/次）、跨设备适配困难，难以满足现代英语教学的个性化与跨设备需求。模型驱动开发(MDD)通过分离业务逻辑与技术实现，结合人工智能技术，可望有效解决上述问题。
研究内容与结论：针对上述问题，研究人员提出了一种融合Web技术与人工智能的模型驱动开发框架(Web-AI-I)，基于四层分布式技术架构（应用服务层、AI自适应层、数据融合层、Web技术支持层），集成多模态数据感知、AI自适应决策与实时反馈优化，实现了教学逻辑与Web应用架构的解耦。该框架构建了包含学习者、教学资源、教学策略和反馈模型四个子模型的英语教学领域模型，定义了33个公式用于参数和逻辑定义，并形成了数据采集→融合处理→智能决策→服务输出的闭环开发流程。实验表明，该框架将学习路径适应响应时间缩短至0.2 s，英语词汇掌握率提升52%，语法纠错准确率达91.8%，跨设备场景平均资源占用率仅18.3%，MTA为412；90天留存率从传统应用的27.6%提升至81.8%，迭代周期从10天缩短至2天。该研究证明了模型驱动方法在AI增强的英语智能辅导Web应用中的有效性，有助于实现大规模落地。相关成果发表于《Journal of Web Engineering》。
主要关键技术方法：研究人员采用四层分布式技术架构；在AI自适应层集成深度Q网络(DQN)算法，状态空间为45维复合向量，动作空间含15个离散动作，奖励函数平衡知识增长、参与度和时间惩罚，折扣因子γ=0.95，学习率0.001，ε-greedy探索率从1.0衰减至0.05；数据融合层设计了基于注意力机制的动态加权融合算法，将文本、语音和行为特征映射至统一嵌入空间；反馈模型采用动态权重调整规则，根据学习者水平和场景调整及时性、准确性和个性化权重；基于Web原生技术栈和云-端协同架构实现轻量化与跨设备支持。样本队列来源包括A/B测试（n=120）用于验证动态反馈权重机制。
研究结果：5.1 教学效果对比：通过不同水平学习者的对比实验，该框架对初级学习者(A1-A2)提升最显著，词汇掌握率提升72.2%，语法纠错提升86.2%，学习效率提升107.1%；高级学习者(C1-C2)提升较小（词汇掌握率提升29.4%，语法纠错提升41.4%），中级学习者(B
