As advances in technology allowed national and state education assessments to be administered digitally, many school districts transitioned to computer-based instructional programs and assessments to improve student achievement and better prepare students for high-stakes computerized assessments. One such rural public school district in Mississippi implemented a supplemental web-based instructional program, i-Ready, for the first time in the 2017-2018 school year. The purpose of this study was (a) to investigate the effects of the i-Ready program on student achievement in Grades 4 – 5 reading/language arts and mathematics and (b) to determine if there were significant differences in growth (from pretest to posttest) among performance levels of students in Grades 4 – 5 on the 2017 state assessment in reading/language arts and mathematics. A quantitative research design using existing data was used to conduct the study, and the paired-samples t-test provided the primary means of analysis for research questions one and two to determine the effect of the i-Ready program on student achievement. The one-way analysis of variance (ANOVA) was used as the primary means of analysis for research questions three and four to determine if there were significant differences in growth among students across Performance Levels 1 – 5. The results from the research study showed the i-Ready program had a positive impact on student achievement in reading and math for Grades 4 – 5. No statistically significant differences were found in student growth among the performance level groups indicating all students were impacted by the program. Recommendations for future research include: (a) conducting longitudinal studies to determine long-term effects of participation in the i-Ready program, (b) analyzing methods of implementation by classroom teachers, (c) measuring i-Ready’s predictability of proficiency and growth on state assessments, and (d) conducting studies of other online instructional programs using control groups.

Τα Ευφυή Συστήματα Διδασκαλίας (Intelligent Tutoring Systems) είναι συστήματα που χρησιμοποιούν μεθόδους Τεχνητής Νοημοσύνης για την παροχή εξατομικευμένης διδασκαλίας, τα τελευταία χρόνια και μέσω Διαδικτύου. Τα συστήματα αυτά προσφέρουν δηλαδή μάθηση προσαρμοζόμενη στις δυνατότητες και της ανάγκες των μαθητών-φοιτητών. Ένα σημαντικό τμήμα των συστημάτων αυτών αφορά την αξιολόγηση των μαθητών. Η αξιολόγηση αφορά τον προσδιορισμό του επιπέδου γνώσης ενός μαθητή. Αυτό συνήθως γίνεται με την μέτρηση της απόδοσης του μαθητή σ’ ένα ή περισσότερα τεστ που περιέχουν ερωτήσεις-ασκήσεις που αναφέρονται σε ένα σύνολο εννοιών και είναι διαφόρων επιπέδων δυσκολίας. Ένα σημαντικό στοιχείο στην υπόθεση αυτή είναι ο σωστός προσδιορισμός του επιπέδου δυσκολίας των ερωτήσεων-ασκήσεων. Ένα δεύτερο στοιχείο είναι ο σωστός σχεδιασμός των τεστ ώστε να ανταποκρίνεται στις ανάγκες του κάθε μαθητή, ανάλογα με την μελέτη που έχει κάνει. Ένα τρίτο στοιχείο αφορά τις ευφυείς μεθόδους που θα χρησιμοποιηθούν για την επίτευξη των παραπάνω δύο στοιχείων. Συνήθως χρησιμοποιούνται απλές μέθοδοι, όπως π.χ. κανόνες παραγωγής ή σημαντικά δίκτυα. Μια ενδιαφέρουσα ερευνητική κατεύθυνση είναι η χρήση υβριδικών ευφυών τεχνικών, δηλαδή τεχνικών που συνδυάζουν δύο τουλάχιστον γνωστές ευφυείς τεχνικές, όπως είναι π.χ. ο συνδυασμός κανόνων παραγωγής και γενετικών αλγορίθμων. Το αντικείμενο αυτής της μεταπτυχιακής διπλωματικής εργασίας είναι: (α) η εύρεση μιας μεθόδου για ρεαλιστικότερο προσδιορισμό του επιπέδου δυσκολίας των ερωτήσεων-ασκήσεων, (β) η εύρεση μιας μεθόδου για προσαρμοστικό σχεδιασμό των τεστ αξιολόγησης των μαθητών, ώστε να ανταποκρίνονται στις ανάγκες και δυνατότητες του καθενός χωριστά, (γ) η χρήση υβριδικών ευφυών τεχνικών και (δ) η εφαρμογή των παραπάνω σ’ ένα υπάρχον ευφυές σύστημα διδασκαλίας θεμάτων τεχνητής νοημοσύνης. / Intelligent Tutoring Systems (ITSs) are systems that use AI techniques in order to provide adaptive assessment. ITSs adapt the course material to the student's needs, based on his/her profile and knowledge level. An important function of such systems is student evaluation. Student evaluation refers to the evaluation of the knowledge level of a student after having dealt with a learning page. This is achieved by processing the results of the exercises offered at the end of a learning page. Estimation of the knowledge level of a concept is based, among others, on the difficulty level of the correctly answered exercises included in the test. So, the right determination of the difficulty level of an exercise is very important. Another important issue is the design of the tests in order to correspond student's needs based on their study. Feedback from the students saved in the student model should be taken into account for determination of the difficulty levels of the questions/exercises that will be chosen from each concept. A third important issue is the use of Hybrid Intelligent Methods to achieve the two mentioned issues. Most ITSs use simple methods like semantic networks or production rules. An interesting research direction is the useof hybrid AI methods which combine at least two well known AI techniques like production rules and genetic algorithms. The scope of this paper is (a) the determination of a realistic method for exercise difficulty level adaptation (b) the determination of a method for the personalized assessment of the learner according to a student model (c) the use of Hybrid Intelligent Methods and (d) the implementation of all the above in an Artificial Intelligence Teaching System of the course of "Artificial Intelligence".