結合多模態教材特徵之學生測驗表現情境感知預測研究
arXiv - Computers and SocietySamin Khan
研究發現結合教材文本與視覺特徵，能比單純依賴學生過往表現更準確地預測其測驗成績。
AI 幫你先抓重點
AI 重點 1
從「學生中心」轉向「學生與內容雙維度」的預測模型
滑鼠懸停看 AI 判斷理由
傳統預測模型多聚焦於學生的學習行為數據，但忽略了題目本身的難度與特性。此研究證明了內容的語言與視覺複雜度是影響表現的關鍵變量，這能引導開發者建立更全面的學習分析系統。
AI 重點 2
文本特徵在預測模型中的穩定性優於視覺特徵
滑鼠懸停看 AI 判斷理由
這對於開發輕量化、低運算成本的教育科技工具具有實務意義。若開發者資源有限，優先優化題目文本的特徵提取，能以較低的成本獲得較高的預測準確度。
核心研究發現
- 1
在 CourseKata 平台的數據分析中，加入教材內容特徵後，測驗預測表現較僅使用學生過往表現的基準線提升了 9.1%。
- 2
在「留一章節驗證」（leave-chapter-out）實驗中，文本特徵能有效降低預測誤差，顯示文字複雜度對預測具備正面貢獻。
- 3
相較於文本特徵，包含圖像特徵的模型在預測時表現出較高的誤差，顯示視覺資訊的複雜性對預測模型構成挑戰。
對教育工作者的啟發
課程設計者在設計數位教材時，應意識到題目文字的語言複雜度與圖像呈現方式會直接影響學生的表現預測。實務上，可以利用文本分析工具來評估題目難度，確保題目難度與學習目標一致。此外，開發者在建構學習預警系統時，不應只追蹤學生的練習紀錄，應將教材內容的特徵（如文字難度、圖表複雜度）納入演算法，以提供更精準的學習成效預測與即時干預。
原始文獻資訊
- 英文標題：
- Context-Aware Prediction of Student Quiz Performance with Multimodal Textbook Features
- 作者：
- Samin Khan
- 來源：
- arXiv - Computers and Society
- 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。