估計隨選教學異質效應的因果推論框架
arXiv - Human-Computer InteractionKirk Vanacore, Danielle R Thomas, Digory Smith, Bibi Groot, Justin Reich, Rene Kizilcec
本文提出一個結合深度知識追蹤與因果森林的框架，用以精準評估隨選真人教學對學生學習成效的異質影響。
AI 幫你先抓重點
AI 重點 1
克服「自我選擇偏差」是評估教學成效的關鍵挑戰。
滑鼠懸停看 AI 判斷理由
學生通常在遇到困難時才尋求幫助，這導致傳統評估無法區分是「教學有效」還是「學生本身就遇到難題」。透過因果推論框架，研究者能更精準地分離出教學行為本身的淨效應。
AI 重點 2
教學效果的異質性遠大於平均值的代表性。
滑鼠懸停看 AI 判斷理由
單純看平均提升值會掩蓋教學可能失效甚至產生負面影響的情況。理解不同學生與情境下的效應差異，對於開發能提供「適時且精準」支援的 AI 教學系統至關重要。
核心研究發現
- 1
真人教學能顯著提升學習成效，使下一題正確率提升約 4 個百分點，並對後續技能的正確率產生約 3 個百分點的近端遷移效果。
- 2
教學效果在不同學生與課程中呈現高度異質性，單次教學對正確率的影響範圍從負 20.25 個百分點到正 19.91 個百分點不等。
- 3
研究發現學生的說話時間等行為指標，無法穩定地與高影響力的教學時段產生關聯。
- 4
教學成效在先前掌握程度較低的學生身上表現更佳，而在社會經濟地位（SES）較低的學生身上效果則略微縮減。
對教育工作者的啟發
對於課程設計者與 AI 教學系統開發者而言，本研究提供了兩大啟發：首先，不應僅追求平均學習成效的提升，而應關注如何識別並服務於「高需求」或「低掌握度」的學生，因為他們獲益最大；其次，傳統的行為指標（如互動時間）未必能反映教學品質，設計者應整合更深層的知識狀態追蹤（如 DKT）來評估教學介入的即時成效，以實現更精準的適應性學習支援。
原始文獻資訊
- 英文標題：
- A Causal Framework for Estimating Heterogeneous Effects of On-Demand Tutoring
- 作者：
- Kirk Vanacore, Danielle R Thomas, Digory Smith, Bibi Groot, Justin Reich, Rene Kizilcec
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。