Under de senaste decennierna, många studier som genomförts inom inlärningsvetenskap har rapporterat att byggnadsställningar spelar en viktig roll i mänskligt lärande. För att bygga en elev effektivt, en lärare bör förutsäga hur mycket stöd en elev måste ha för att utföra uppgifter och sedan bestämma den optimala graden av assistans för att stödja elevens utveckling. Ändå, det är svårt att fastställa den optimala graden av hjälp för elevernas utveckling.

I den här studien, vi antog att optimal byggnadsställning bygger på en sannolikhetsbeslutsregel:med hjälp av en lärare för att underlätta elevens utveckling, det finns en optimal sannolikhet för en elev att lösa en uppgift. För att fastställa den optimala sannolikheten, vi utvecklade ett ställningssystem som ger adaptiva tips för att justera den prediktiva sannolikheten för elevens framgångsrika prestation till det tidigare bestämda värdet, med hjälp av en statistisk maskininlärningsteknik.

Vidare, använder ställningssystemet, vi jämförde inlärningsprestanda genom att ändra den förutsägbara sannolikheten. Våra resultat visade att byggnadsställningar för att uppnå en sannolikhet på 0,5 elevers framgång ger bäst prestanda. Experiment visade också att ett ställningssystem som ger 0,5 sannolikhet minskar antalet tips (mängd stöd) automatiskt som en blekningsfunktion i enlighet med elevens tillväxtförmåga.